CN117115654A - 一种基于综合遥感技术的森林环境遥感监测*** - Google Patents
一种基于综合遥感技术的森林环境遥感监测*** Download PDFInfo
- Publication number
- CN117115654A CN117115654A CN202311149694.0A CN202311149694A CN117115654A CN 117115654 A CN117115654 A CN 117115654A CN 202311149694 A CN202311149694 A CN 202311149694A CN 117115654 A CN117115654 A CN 117115654A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- monitoring
- unit
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 95
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 70
- 201000010099 disease Diseases 0.000 claims abstract description 55
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 55
- 238000001228 spectrum Methods 0.000 claims abstract description 52
- 241000238631 Hexapoda Species 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000002310 reflectometry Methods 0.000 claims abstract description 26
- 238000003702 image correction Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000007619 statistical method Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 21
- 238000013500 data storage Methods 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Cultivation Of Plants (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种基于综合遥感技术的森林环境遥感监测***，包括：图像获取模块，用于获取待测森林的原始遥感影像；图像处理模块，用于对所述原始遥感影像进行处理获得地表反射率影像，进而获得光谱指数影像，然后将所述地表反射率影像和光谱指数影像进行合并降维的处理，获得降维的光谱影像，并确定监测点；图像纠正模块，用于对所述降维的光谱图像进行纠正处理，使所述监测点均匀分布，获得目标光谱图像；病虫害监测模块，用于构建病虫害监测模型，并将所述目标光谱图像输入到所述病虫害监测模型中进行监测；病虫害分析模块，用于对各个监测点的检测结果进行统计分析，采取防治措施。本发明能够实现对森林病虫害的高效、准确分析。
Description
技术领域
本发明属于环境遥感监测技术领域，特别是涉及一种基于综合遥感技术的森林环境遥感监测***。
背景技术
森林是地球生态***中极为重要的组成部分，被喻为“地球之肺”，在调节气候、防风固沙、涵养水源、净化污染等方面起着至关重要的作用。目前病虫害现象的频繁发生，降低木材材质，抑制林木的生长及更新，导致森林生态功能下降。
传统的森林病虫害监测多采用人工调查的方式，该监测方式费时费力，不利于大范围、精准的森林病虫害监测。通过遥感技术进行森林病虫害监测，可快速、多频次、大范围的对森林病虫害区域进行识别评估，能够实时监测病虫害动态，已有很多的相关研究与应用。但病虫害受温度、湿度等环境影响大，具有生物复杂性。同时遥感卫星技术的时空分辨率有限，如何更加充分的发掘遥感影像所蕴藏的病虫害信息还有大量工作可以开展。此外，如何全面***的基于遥感技术搭建一个完整的森林病虫害监测***，连续自动的对森林病虫害进行准确监测仍面临挑战。
因此，亟需提供一种基于综合遥感技术的森林环境遥感监测***，能够快速、准确的对森林病虫害进行监测。
发明内容
本发明的目的是提供一种基于综合遥感技术的森林环境遥感监测***，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种基于综合遥感技术的森林环境遥感监测***，包括：
图像获取模块，用于获取待测森林的原始遥感影像；
图像处理模块，与所述图像获取模块连接，用于对所述原始遥感影像进行处理获得地表反射率影像，进而获得光谱指数影像，然后将所述地表反射率影像和光谱指数影像进行合并降维的处理，获得降维的光谱影像，并确定监测点；
图像纠正模块，与所述图像处理模块连接，用于对所述降维的光谱图像进行纠正处理，使所述监测点均匀分布，获得目标光谱图像；
病虫害监测模块，与所述图像纠正模块连接，用于构建病虫害监测模型，并将所述目标光谱图像输入到所述病虫害监测模型中进行监测；
病虫害分析模块，与所述病虫害监测模块连接，用于对各个监测点的检测结果进行统计分析，采取防治措施。
可选地，所述图像获取模块用于将若干个相邻的遥感图像基于待测森林区域进行拼接，获得拼接图像；然后利用ENVI软件工具，并结合待测森林区域的林斑矢量文件对所述拼接图像进行裁剪，获得待测森林区域的原始遥感影像。
可选地，图像处理模块包括：第一处理单元、第二处理单元和降维处理单元；
所述第一处理单元用于对所述原始遥感影像进行集合校正和大气矫正，获得地表反射率影像；所述第二处理单元用于从所述地表反射率影像中获取每个像元的近红外波段的地表反射率、红波段的地表反射率和蓝波段的地表反射率，进而计算每个像元的归一化植被指数和增强植被指数，生成光谱指数影像；所述降维处理单元用于将所述地表反射率影像和光谱指数影像合并为合成影像，并基于主成分分析对所述合成影像进行光谱降维处理，获得降维的光谱影像。
可选地，所述图像纠正模块包括第一纠正单元和第二纠正单元；
所述第一纠正单元用于获取森林环境图像，并基于图像与图像配准技术对所述森林环境图像进行纠正，获得森林环境现状地图；所述第二纠正单元用于基于三次多项式对降维的光谱图像进行纠正，或者基于所述森林环境现状地图，采用图像局部配准纠正技术对降维的光谱图像进行纠正，使监测点均匀分布，获得最终的目标光谱图像。
可选地，所述病虫害监测模块用于基于YOLO神经网络构建病虫害监测模型，所述病虫害监测模型包括输入单元、主干单元、颈部单元和预测单元，所述目标光谱图像经输入单元传输至主干单元获得堆叠结果，颈部单元对所述堆叠结果进行计算获得病虫害结果，预测单元对所述病虫害结果进行解码并输出监测结果。
可选地，所述病虫害监测模块还包括模型更新单元，所述模型更新单元用于基于EWC终身学习机制对所述病虫害监测模型的历史任务重要参数进行保留，对新参数进行学习，并基于所述新参数对所述病虫害监测模型进行实时更新。
可选地，所述病虫害分析模块用于分别以星期、月、季度和年为时间单位对目标光谱图像中的各个监测点的监测结果进行统计分析，进而获得病虫害的传播速度和传播范围，采取治理措施。
可选地，所述森林环境遥感监测***还包括数据存储模块，所述数据存储模块包括数据存储单元和数据更新单元；
所述数据存储单元用于实时保存采集的目标遥感图像以及对应的监测结果，并对特殊情况予以标记，生成数据库；所述数据更新单元用于以年为时间单位对所述数据库进行更新迭代，并对标记数据进行自动收藏，便于查阅。
本发明的技术效果为：
由于多光谱遥感影像数据量较大，本发明为了在不减少遥感光谱信息的前提下，对光谱图像进行降维的处理，能够提高监测效率；本发明基于YOLO模型，可以检测识别遥感影像中森林遭受病虫害的树株，计算量小，检测速度快，并且结合了基于EWC的终身学习技术，能够保留多个已学习病虫害检测任务的知识，利用旧知识帮助学习新病虫害检测任务，实现持续学习，不断适应新病虫害检测任务，实现对森林病虫害的准确分析。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的基于综合遥感技术的森林环境遥感监测***结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示，本实施例中提供一种基于综合遥感技术的森林环境遥感监测***，包括：
图像获取模块，用于获取待测森林的原始遥感影像；
图像处理模块，与所述图像获取模块连接，用于对所述原始遥感影像进行处理获得地表反射率影像，进而获得光谱指数影像，然后将所述地表反射率影像和光谱指数影像进行合并降维的处理，获得降维的光谱影像，并确定监测点；
图像纠正模块，与所述图像处理模块连接，用于对所述降维的光谱图像进行纠正处理，使所述监测点均匀分布，获得目标光谱图像；
病虫害监测模块，与所述图像纠正模块连接，用于构建病虫害监测模型，并将所述目标光谱图像输入到所述病虫害监测模型中进行监测；
病虫害分析模块，与所述病虫害监测模块连接，用于对各个监测点的检测结果进行统计分析，采取防治措施。
可实施的，所述图像获取模块用于将若干个相邻的遥感图像基于待测森林区域进行拼接，获得拼接图像；然后利用ENVI软件工具，并结合待测森林区域的林斑矢量文件对所述拼接图像进行裁剪，获得待测森林区域的原始遥感影像。
可实施的，图像处理模块包括：第一处理单元、第二处理单元和降维处理单元；
所述第一处理单元用于对所述原始遥感影像进行集合校正和大气矫正，获得地表反射率影像；所述第二处理单元用于从所述地表反射率影像中获取每个像元的近红外波段的地表反射率、红波段的地表反射率和蓝波段的地表反射率，进而计算每个像元的归一化植被指数和增强植被指数，生成光谱指数影像；所述降维处理单元用于将所述地表反射率影像和光谱指数影像合并为合成影像，并基于主成分分析对所述合成影像进行光谱降维处理，获得降维的光谱影像。
可实施的，所述图像纠正模块包括第一纠正单元和第二纠正单元；
所述第一纠正单元用于获取森林环境图像，并基于图像与图像配准技术对所述森林环境图像进行纠正，获得森林环境现状地图；所述第二纠正单元用于基于三次多项式对降维的光谱图像进行纠正，或者基于所述森林环境现状地图，采用图像局部配准纠正技术对降维的光谱图像进行纠正，使监测点均匀分布，获得最终的目标光谱图像。
可实施的，所述病虫害监测模块用于基于YOLO神经网络构建病虫害监测模型，所述病虫害监测模型包括输入单元、主干单元、颈部单元和预测单元，所述目标光谱图像经输入单元传输至主干单元获得堆叠结果，颈部单元对所述堆叠结果进行计算获得病虫害结果，预测单元对所述病虫害结果进行解码并输出监测结果。
进一步的，输入单元，作用是将将样本输入到输入模块中，传输至主干单元。主干单元，作用是对来自输入模块的样本信息进行主干特征提取，主干模块包括第一倒残差网络、第二倒残差网络和第三倒残差网络，由前述的三个倒残差网络堆叠构成，并将堆叠结果输入至颈部单元。优选的，第一残差网络的堆叠结果输入至颈部模块中的CBL网络，经上采样网络和五层卷积网络进入预测单元。第二倒残差网络的堆叠结果输入至颈部单元中的CBL网络、经张量拼接网络、五层卷积网络分两部分进入预测单元。第三倒残差网络的堆叠结果输入至颈部单元中的上层卷积网络、经中间金字塔池化网络、三层卷积分网络两部分进入预测单元。颈部单元，作用是对来自主干模块的堆叠结果进行计算，计算出森林病虫害结果，提高病虫害树木识别效率。
可实施的，所述病虫害监测模块还包括模型更新单元，所述模型更新单元用于基于EWC终身学习机制对所述病虫害监测模型的历史任务重要参数进行保留，对新参数进行学习，并基于所述新参数对所述病虫害监测模型进行实时更新，使其能够监测识别更多种类的森林病虫害。
可实施的，所述病虫害分析模块用于分别以星期、月、季度和年为时间单位对目标光谱图像中的各个监测点的监测结果进行统计分析，进而获得病虫害的传播速度和传播范围，采取治理措施。
可实施的，所述森林环境遥感监测***还包括数据存储模块，所述数据存储模块包括数据存储单元和数据更新单元；
所述数据存储单元用于实时保存采集的目标遥感图像以及对应的监测结果，并对特殊情况予以标记，生成数据库；所述数据更新单元用于以年为时间单位对所述数据库进行更新迭代，并对标记数据进行自动收藏，便于查阅。
本发明实施例中有涉及“第一”、“第二”等的描述，该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于综合遥感技术的森林环境遥感监测***，其特征在于，包括：
图像获取模块，用于获取待测森林的原始遥感影像；
图像处理模块，与所述图像获取模块连接，用于对所述原始遥感影像进行处理获得地表反射率影像，进而获得光谱指数影像，然后将所述地表反射率影像和光谱指数影像进行合并降维的处理，获得降维的光谱影像，并确定监测点；
图像纠正模块，与所述图像处理模块连接，用于对所述降维的光谱图像进行纠正处理，使所述监测点均匀分布，获得目标光谱图像；
病虫害监测模块，与所述图像纠正模块连接，用于构建病虫害监测模型，并将所述目标光谱图像输入到所述病虫害监测模型中进行监测；
病虫害分析模块，与所述病虫害监测模块连接，用于对各个监测点的检测结果进行统计分析，采取防治措施。
2.根据权利要求1所述的基于综合遥感技术的森林环境遥感监测***，其特征在于，
所述图像获取模块用于将若干个相邻的遥感图像基于待测森林区域进行拼接，获得拼接图像；然后利用ENVI软件工具，并结合待测森林区域的林斑矢量文件对所述拼接图像进行裁剪，获得待测森林区域的原始遥感影像。
3.根据权利要求2所述的基于综合遥感技术的森林环境遥感监测***，其特征在于，
图像处理模块包括：第一处理单元、第二处理单元和降维处理单元；
所述第一处理单元用于对所述原始遥感影像进行集合校正和大气矫正，获得地表反射率影像；所述第二处理单元用于从所述地表反射率影像中获取每个像元的近红外波段的地表反射率、红波段的地表反射率和蓝波段的地表反射率，进而计算每个像元的归一化植被指数和增强植被指数，生成光谱指数影像；所述降维处理单元用于将所述地表反射率影像和光谱指数影像合并为合成影像，并基于主成分分析对所述合成影像进行光谱降维处理，获得降维的光谱影像。
4.根据权利要求1所述的基于综合遥感技术的森林环境遥感监测***，其特征在于，
所述图像纠正模块包括第一纠正单元和第二纠正单元；
所述第一纠正单元用于获取森林环境图像，并基于图像与图像配准技术对所述森林环境图像进行纠正，获得森林环境现状地图；所述第二纠正单元用于基于三次多项式对降维的光谱图像进行纠正，或者基于所述森林环境现状地图，采用图像局部配准纠正技术对降维的光谱图像进行纠正，使监测点均匀分布，获得最终的目标光谱图像。
5.根据权利要求1所述的基于综合遥感技术的森林环境遥感监测***，其特征在于，
所述病虫害监测模块用于基于YOLO神经网络构建病虫害监测模型，所述病虫害监测模型包括输入单元、主干单元、颈部单元和预测单元，所述目标光谱图像经输入单元传输至主干单元获得堆叠结果，颈部单元对所述堆叠结果进行计算获得病虫害结果，预测单元对所述病虫害结果进行解码并输出监测结果。
6.根据权利要求5所述的基于综合遥感技术的森林环境遥感监测***，其特征在于，
所述病虫害监测模块还包括模型更新单元，所述模型更新单元用于基于EWC终身学习机制对所述病虫害监测模型的历史任务重要参数进行保留，对新参数进行学习，并基于所述新参数对所述病虫害监测模型进行实时更新。
7.根据权利要求1所述的基于综合遥感技术的森林环境遥感监测***，其特征在于，
所述病虫害分析模块用于分别以星期、月、季度和年为时间单位对目标光谱图像中的各个监测点的监测结果进行统计分析，进而获得病虫害的传播速度和传播范围，采取治理措施。
8.根据权利要求1所述的基于综合遥感技术的森林环境遥感监测***，其特征在于，
所述森林环境遥感监测***还包括数据存储模块，所述数据存储模块包括数据存储单元和数据更新单元；
所述数据存储单元用于实时保存采集的目标遥感图像以及对应的监测结果，并对特殊情况予以标记，生成数据库；所述数据更新单元用于以年为时间单位对所述数据库进行更新迭代，并对标记数据进行自动收藏，便于查阅。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311149694.0A CN117115654A (zh) | 2023-09-07 | 2023-09-07 | 一种基于综合遥感技术的森林环境遥感监测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311149694.0A CN117115654A (zh) | 2023-09-07 | 2023-09-07 | 一种基于综合遥感技术的森林环境遥感监测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117115654A true CN117115654A (zh) | 2023-11-24 |
Family
ID=88802031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311149694.0A Pending CN117115654A (zh) | 2023-09-07 | 2023-09-07 | 一种基于综合遥感技术的森林环境遥感监测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117115654A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117852778A (zh) * | 2024-03-08 | 2024-04-09 | 沂南县林业发展中心 | 一种森林病虫害防治信息管理*** |
-
2023
- 2023-09-07 CN CN202311149694.0A patent/CN117115654A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117852778A (zh) * | 2024-03-08 | 2024-04-09 | 沂南县林业发展中心 | 一种森林病虫害防治信息管理*** |
| CN117852778B (zh) * | 2024-03-08 | 2024-05-14 | 沂南县林业发展中心 | 一种森林病虫害防治信息管理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fassnacht et al. | Remote sensing in forestry: current challenges, considerations and directions | |
| CN107835997A (zh) | 使用计算机视觉的用于电力线走廊监测的植被管理 | |
| CN117115654A (zh) | 一种基于综合遥感技术的森林环境遥感监测*** | |
| Young et al. | Optimizing aerial imagery collection and processing parameters for drone‐based individual tree mapping in structurally complex conifer forests | |
| CN110414359A (zh) | 长输管道无人机巡检数据分析与管理方法及*** | |
| US20230004903A1 (en) | Methods of greening management in smart cities, system, and storage mediums thereof | |
| FR3113755A1 (fr) | Système et procédé pour identifier et traiter des conflits majeurs dans les conditions de planification d’une parcelle de terrain pour un transfert | |
| Bakuła et al. | A review of benchmarking in photogrammetry and remote sensing | |
| CN113010849A (zh) | 一种基于物联网的草场环境评价方法 | |
| Zhou et al. | Pairs autogeo: an automated machine learning framework for massive geospatial data | |
| CN113014645A (zh) | 基于物联网的草场环境监测*** | |
| CN112101168A (zh) | 基于卫星与无人机联动的公益诉讼辅助取证***及方法 | |
| CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
| CN112004063A (zh) | 一种基于多相机联动的卸油油管连接正确性的监控方法 | |
| CN116310499A (zh) | 一种光学遥感影像的船只偏航检测方法 | |
| Raptis et al. | Multimodal data collection system for UAV-based precision agriculture applications | |
| Yu et al. | Analysis of Land Use, Land-use Change, and Forestry (LULUCF) and Construction of Statistics in Korea. | |
| CN114579647A (zh) | 一种面向多源异构湿地生态监测数据的融合模型 | |
| Poona et al. | Discriminating the occurrence of pitch canker infection in Pinus radiata forests using high spatial resolution QuickBird data and artificial neural networks | |
| Mersey et al. | Realizing the potential of GIS in community-based management of protected areas | |
| Guldin | Remote sensing at the dawn of a new millenium: a Washington, DC, perspective | |
| CN117746251A (zh) | 一种云杉人工林立地类型摸排标记方法及*** | |
| Turkan | Bride Structural Inspections using Bridge Information Modeling (BrIM) and Unmanned Aerial Vehicles (UAVs) | |
| Wood et al. | Continental forest monitoring framework | |
| Chen et al. | Estimating the impact of urbanization on LAI and fPAR in the Baltimore–Washington corridor area |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |