CN114049564B - 基于高光谱遥感影像的松材线虫病等级预测模型构建方法 - Google Patents
基于高光谱遥感影像的松材线虫病等级预测模型构建方法 Download PDFInfo
- Publication number
- CN114049564B CN114049564B CN202111233197.XA CN202111233197A CN114049564B CN 114049564 B CN114049564 B CN 114049564B CN 202111233197 A CN202111233197 A CN 202111233197A CN 114049564 B CN114049564 B CN 114049564B
- Authority
- CN
- China
- Prior art keywords
- pine
- wood nematode
- prediction model
- remote sensing
- pine wood
- 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.)
- Active
Links
- 241000243771 Bursaphelenchus xylophilus Species 0.000 title claims abstract description 55
- 201000010099 disease Diseases 0.000 title claims abstract description 48
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 48
- 238000010276 construction Methods 0.000 title abstract description 6
- 235000008331 Pinus X rigitaeda Nutrition 0.000 claims abstract description 50
- 235000011613 Pinus brutia Nutrition 0.000 claims abstract description 50
- 241000018646 Pinus brutia Species 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 230000002068 genetic effect Effects 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 44
- 241000196324 Embryophyta Species 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 13
- 238000002310 reflectometry Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 5
- 239000011347 resin Substances 0.000 claims description 5
- 229920005989 resin Polymers 0.000 claims description 5
- 230000028327 secretion Effects 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract description 3
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 238000002372 labelling Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 208000015181 infectious disease Diseases 0.000 description 3
- 101100001674 Emericella variicolor andI gene Proteins 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004164 analytical calibration Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于高光谱遥感影像的松材线虫病等级预测模型构建方法，涉及松材线虫病特征识别技术领域。本发明步骤包括：松林高光普遥感影像采集及预处理、高光谱遥感影像分割及标注、高光谱遥感影像特征提取、SVM预测模型构建、遗传算法提取最优特征、SVM预测模型优化、松材线虫病等级预测、预测模型精度计算、松材线虫病分布展示。本发明与传统检测相比，在松材线虫病等级识别方面更加高效，准确率更高，可以充分发挥低空遥感大尺度、高精度的优势，为松材线虫病的监测和防控提供有利的技术支持。
Description
技术领域
本发明属于松材线虫病特征识别技术领域，特别是涉及基于高光谱遥感影像的松材线虫病等级预测模型构建方法。
背景技术
目前对松材线虫病发生林区的识别主要通过人工现场抽样检测，这种工作方式费时费力且效率低下。
高光谱遥感影像具有图谱合一且波段范围广的特点，能够大大提高地物类类别的分辨识别能力，已广泛应用于精细农业、灾害评估以及目标识别领域。利用高光谱遥感影像技术，可充分发挥其大规模、高精度、智能化的优势，从而有效地对松材线虫病进行监测和控制。
发明内容
本发明的目的在于提供基于高光谱遥感影像的松材线虫病等级预测模型构建方法，以解决现有的问题：人工现场抽样检测方式费时费力且效率低下。
为解决上述技术问题，本发明是通过以下技术方案实现的：基于高光谱遥感影像的松材线虫病等级预测模型构建方法，包括以下步骤：
利用载有高光谱相机的无人飞艇获取松林低空高光谱遥感影像，并对高光谱遥感影像进行预处理，得到各个波段的光谱反射率数据；
结合松林高光谱遥感影像的纹理特征和光谱特征，将松树树冠与阴影和土壤背景分离，然后计算单个树冠光谱反射率平均值，得到待研究植株的光谱反射率数据；
对待研究植株进行实地检测，结合松材线虫病诊断特征，将待研究植株感染松材线虫病的情况进行等级标注；
对每棵松树树冠的光谱反射率求平均值，作为该棵松树的光谱反射率，然后根据光谱数据计算每棵松树从400到1100nm的光谱特征值；
将松树光谱特征数据划为训练数据集和测试数据集；
构建SVM预测模型，然后定义适应度函数，并对特征因子进行编码，利用遗传算法选取高光谱遥感影像特征因子，使得适应度函数值达到最优；
从训练数据集中提取最优特征，训练SVM预测模型，优化模型参数，构建到松材线虫病等级预测模型；
从测试数据集中提取最优特征，检测基于SVM松材线虫病等级预测模型，并使用生产者精度、消费者精度、整体精度和KAPPA系数评估预测模型精度。
进一步优选的，其中，对高光谱遥感影像进行预处理，主要包括：辐射校正和/或正射矫正。
进一步优选的，其中，松材线虫病诊断特征，主要包括：
松针的颜色、活力和树脂分泌情况。
进一步优选的，其中，将待研究植株感染松材线虫病的情况进行等级标注，主要包括：
将待研究植株感染松材线虫病等级标注为健康、轻度、中度、重度和死亡五个等级。
进一步优选的，其中，将松树样本数据为训练数据集和测试数据集，主要包括：
将松树样本数据作为预测模型的训练数据占60～70％，将松树样本数据作为预测模型的检验数据占30～40％。
本发明具有以下有益效果：
本发明通过松林高光普遥感影像采集及预处理、高光谱遥感影像分割及标注、高光谱遥感影像特征提取、SVM预测模型构建、GA提取最优特征、SVM预测模型优化、松材线虫病等级预测、预测模型精度计算、松材线虫病分布展示的步骤，与传统检测相比，在松材线虫病等级识别方面更加高效，准确率更高，可以充分发挥低空遥感大尺度、高精度的优势，为松材线虫病的监测和防控提供有利的技术支持。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法的流程图；
图2为经过预处理得到的松林高光谱遥感影像图；
图3为不同程度松材线虫病感染区松树针叶图；
图4为感染不同等级松材线虫病植株的光谱反射率曲线图；
图5为感染不同等级松材线虫病植株光谱特征分布图；
图6为松材线虫病等级预测结果分布图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
具体请参阅图1，本发明为基于高光谱遥感影像的松材线虫病等级预测模型构建方法，具体包括以下步骤：
步骤1.利用载有高光谱相机的无人飞艇获取松林低空高光谱遥感影像，并对高光谱遥感影像进行预处理，包括辐射校正、正射矫正，得到各个波段的光谱反射率数据。
在本发明中，高光谱相机是指可以采集高光谱图像的相机，其中，光谱分辨率在10-2λ数量级范围内的光谱图像称为高光谱图像。
步骤2.结合松林高光谱遥感影像的纹理特征和光谱特征，将松树树冠与阴影和土壤背景分离，然后计算单个树冠光谱反射率平均值，得到待研究植株的光谱反射率数据。
步骤3.对待研究植株进行实地检测，结合松材线虫病诊断特征，包括松针的颜色、活力和树脂分泌等，将待研究植株感染松材线虫病等级标注为健康、轻度、中度、重度和死亡五个等级，死亡的松树，针叶脱落，树杆及树枝呈灰色。
步骤4.对每棵松树树冠的光谱反射率求平均值，作为该棵松树的光谱反射率，然后根据光谱数据计算每棵松树从400到1100nm的光谱特征值，各个光谱特征值计算计算公式如下表表1所示。
表1光谱特征参数
步骤5.将松树光谱特征数据划为训练数据集和测试数据集，前者作为预测模型的训练数据约占65％，后者作为预测模型的检验数据约占35％。
步骤6.首先构建SVM预测模型，然后定义适应度函数，并对特征因子进行编码，利用遗传算法(Genetic Algorithm，简称GA)选取高光谱遥感影像特征因子，使得适应度函数值达到最优。
步骤7.从训练数据集中提取最优特征，训练SVM预测模型，优化模型参数，构建到松材线虫病等级预测模型。
步骤8.从测试数据集中提取最优特征，检测基于SVM松材线虫病等级预测模型，并使用生产者精度、消费者精度、整体精度和KAPPA系数评估预测模型精度。不同分类预测方法生产者精度和消费者精度见下表表2；不同分类预测方法总体精度和KAPPA系数见下表表3。
表2不同分类预测方法生产者精度和消费者精度
表3不同分类预测方法总体精度和KAPPA系数
以下，提供本发明的一个具体实施例：
1.利用无人飞艇搭载近红外高光谱成像仪VNIR(由美国Headwall公司生产，波段范围在400-1100nm内，光谱分辨率为2-3nm，含有325个波段)，采集涪陵区永胜林场冒合寨管护区的部分松林低空高光谱遥感影像数据，包括图像信息和光谱信息。
2.对松林高光谱遥感影像数据进行预处理，得到松林光谱反射率数据。首先将原始高光谱影像数据(Digital Numbers,DN)，通过如下的公式(1)转换成光谱辐射值。
Lλ＝gain×DN+biasλ 公式(1)
式中，Lλ为波长为λ的光谱辐射值，为近红外高光谱成像仪VNIR获取的原始高光谱数据，gain和bias均为地面获取的仪器定标参数。近红外高光谱成像仪VNIR自带辐射校正和正射校正软件和功能,采用其自带软件进行辐射校正以及正射校正。
得到光谱辐射数据后，通过公式(2)计算地表反射率。
式中，Rλ为静观反射率；d为日地距离,单位为天文单位,可以通过观察时间和测量点的经纬度信息计算得到；Esun,λ为标准太阳光谱，单位为mw·sr-1um-1cm-2；θ为太阳天顶角，可以依据年积日以及经纬度信息计算得到。
3.结合松林高光谱遥感影像的纹理特征和光谱特征，使用对象分割方法将松树树冠与阴影和土壤背景分离，然后基于欧氏距离使用分水岭算法对单个树冠进行分离，最后丢弃背景及重叠的树冠区域，得到待研究植株的高光谱遥感影像数据。
4.对待研究植株进行实地检测，根据如下标准将待研究植株感染松材线虫病等级标注为健康、轻度、中度、重度和死亡五个等级，具体如图3所示，由于死亡松树针叶全部脱落，我们主要针对前四个等级进行特征分析和等级预测。
a)健康松树生长旺盛，叶针呈深绿色，树脂分泌物正常；
b)轻度感染松树针叶开始变黄，树脂分泌减少，生长速度下降；
c)中度感染松树针叶变为黄综色，并开呈现枯萎状，生长明显变弱；
d)重度感染松树针叶为红红褐色，但并未脱落，生长停止；
e)死亡松树针叶全部脱落，树木死亡。
5.首先构建利用SVM分类器构建预测模型Y＝svmpredict(X)，Y为松材线材虫害预测等级，X＝[x1,…xm]为样本光谱特征参数，其定义如表1所示。然后对特征参数进行编码，，当某个特征参数为选中时，将其编码值设为1，如果未选中，则设置为0。定义自然适应度函数如公式(3)所示，其中y(ch)为利用svmpredict模型预测得到的结果，为实际测试结果，为y(ch)与之间的协方差，Var(y(ch))和为y(ch)和的方差。利用GA选取最优高光谱遥感影像特征参数，使得适应度函数值达到最优，筛选的最优特征参数如图2所示。
7.从训练数据集中提取最优特征值，训练SVM预测模型，优化模型参数c和g，其中c是惩罚因子，表示对类中的离群数据的重视程度；g是核函数中的gamma函数设置默认，1/k，k为特征值个数。c和g的选择对分类精度影响很大，在实验中，使用函数SVMcgForClass从2^(-2),2^(-1.5),....,2^(4),2^(-4),2^(-3.5),...,2^(4)选择最优值c＝4和g＝4，从而构建到松材线虫病等级预测模型。
8.从测试数据集中提取最优特征值，检测基于SVM松材线虫病等级预测模型，从表2，3看出，基于GA筛选最优特征参数，使用SVM对松林高光谱遥感影像进行分类预测，在松材线虫害识别方面，与K-最近邻、随机森林算法相比，在生产者精度、消息者精度和总体精度及KAPPA系数评估下，整体性能较优。
另外，为进一步公开本发明，请具体参阅图4、图5和图6，图4所示为感染不同等级松材线虫病植株的光谱反射率曲线；图5所示为感染不同等级松材线虫病植株光谱特征分布；图6所示为松材线虫病等级预测结果分布。
可知，通过本发明的上述步骤，本发明具有以下优点：
本发明与传统检测相比，在松材线虫病等级识别方面更加高效，准确率更高，可以充分发挥低空遥感大尺度、高精度的优势，为松材线虫病的监测和防控提供有利的技术支持，同时为高光谱遥感影像特征识别提供了一种参考方法。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.基于高光谱遥感影像的松材线虫病等级预测模型构建方法，其特征在于：包括以下步骤：
利用载有高光谱相机的无人飞艇获取松林低空高光谱遥感影像，并对高光谱遥感影像进行预处理，得到各个波段的光谱反射率数据；
结合松林高光谱遥感影像的纹理特征和光谱特征，将松树树冠与阴影和土壤背景分离，然后计算单个树冠光谱反射率平均值，得到待研究植株的光谱反射率数据；
对待研究植株进行实地检测，结合松材线虫病诊断特征，将待研究植株感染松材线虫病的情况进行等级标注；
对每棵松树树冠的光谱反射率求平均值，作为该棵松树的光谱反射率，然后根据光谱数据计算每棵松树从400到1100nm的光谱特征值；
将松树光谱特征数据分为训练数据集和测试数据集；
构建SVM预测模型，然后定义适应度函数，并对特征因子进行编码，利用遗传算法选取高光谱遥感影像特征因子，使得适应度函数值达到最优；
从训练数据集中提取最优特征，训练SVM预测模型，优化模型参数，构建到松材线虫病等级预测模型；
从测试数据集中提取最优特征，检测基于SVM松材线虫病等级预测模型，并使用生产者精度、消费者精度、整体精度和KAPPA系数评估预测模型精度。
2.根据权利要求1所述的基于高光谱遥感影像的松材线虫病等级预测模型构建方法，其特征在于：其中，对高光谱遥感影像进行预处理，包括：辐射校正和/或正射矫正。
3.根据权利要求1所述的基于高光谱遥感影像的松材线虫病等级预测模型构建方法，其特征在于：其中，松材线虫病诊断特征，包括：
松针的颜色、活力和树脂分泌情况。
4.根据权利要求1所述的基于高光谱遥感影像的松材线虫病等级预测模型构建方法，其特征在于：其中，将待研究植株感染松材线虫病的情况进行等级标注，包括：
将待研究植株感染松材线虫病等级标注为健康、轻度、中度、重度和死亡五个等级。
5.根据权利要求1所述的基于高光谱遥感影像的松材线虫病等级预测模型构建方法，其特征在于：其中，将松树样本数据划为训练数据集和测试数据集，包括：
将松树样本特征数据作为预测模型的训练数据占60~70%，将松树样本数据作为预测模型的检验数据占30~40%。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111233197.XA CN114049564B (zh) | 2021-10-22 | 2021-10-22 | 基于高光谱遥感影像的松材线虫病等级预测模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111233197.XA CN114049564B (zh) | 2021-10-22 | 2021-10-22 | 基于高光谱遥感影像的松材线虫病等级预测模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114049564A CN114049564A (zh) | 2022-02-15 |
| CN114049564B true CN114049564B (zh) | 2024-07-02 |
Family
ID=80205957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111233197.XA Active CN114049564B (zh) | 2021-10-22 | 2021-10-22 | 基于高光谱遥感影像的松材线虫病等级预测模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114049564B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114863296B (zh) * | 2022-04-07 | 2025-05-06 | 中国农业科学院农业信息研究所 | 一种松材线虫病危害木的识别与定位的方法及系统 |
| CN116124710A (zh) * | 2022-10-11 | 2023-05-16 | 福建农林大学 | 一种松材线虫病感病早期松树识别方法 |
| CN116363523B (zh) * | 2023-03-10 | 2023-10-20 | 浙江省测绘科学技术研究院 | 基于遥感信息的松材线虫疫木监测方法、终端及介质 |
| CN117746168B (zh) * | 2024-02-21 | 2024-05-07 | 深圳块织类脑智能科技有限公司 | 基于无人机多光谱的松林线虫病智能检测方法 |
| CN117975299B (zh) * | 2024-04-02 | 2024-06-04 | 山东大学 | 基于光谱曲线斜率特征的松材线虫病监测方法及系统 |
| CN119741626A (zh) * | 2025-03-04 | 2025-04-01 | 广州市林业和园林科学研究院 | 一种基于无人机高光谱影像的松材线虫病木智能提取方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596104A (zh) * | 2018-04-26 | 2018-09-28 | 安徽大学 | 一种带有病害特征预处理功能的小麦白粉病遥感监测方法 |
| CA3051892A1 (en) * | 2019-07-23 | 2021-01-23 | Regents Of The University Of Minnesota | Remote-sensing-based detection of soybean aphid induced stress in soybean |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9721181B2 (en) * | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
| CN113191177A (zh) * | 2020-11-20 | 2021-07-30 | 北京林业大学 | 一种用于深度学习的松材线虫病遥感影像样本标注方法 |
-
2021
- 2021-10-22 CN CN202111233197.XA patent/CN114049564B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596104A (zh) * | 2018-04-26 | 2018-09-28 | 安徽大学 | 一种带有病害特征预处理功能的小麦白粉病遥感监测方法 |
| CA3051892A1 (en) * | 2019-07-23 | 2021-01-23 | Regents Of The University Of Minnesota | Remote-sensing-based detection of soybean aphid induced stress in soybean |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114049564A (zh) | 2022-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114049564B (zh) | 基于高光谱遥感影像的松材线虫病等级预测模型构建方法 | |
| CN117218531B (zh) | 一种面向海陆生态交错带红树林植物地上碳储量估算方法 | |
| CN112800973B (zh) | 一种基于植被物候特征决策的互花米草提取方法 | |
| Hall et al. | Optical remote sensing applications in viticulture‐a review | |
| CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
| CN112766036B (zh) | 一种倒伏玉米遥感提取方法与装置 | |
| CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
| WO2001033505A2 (en) | Multi-variable model for identifying crop response zones in a field | |
| CN107273820A (zh) | 一种土地覆盖遥感分类方法及系统 | |
| CN114092839B (zh) | 基于无人机遥感的大豆收获期成熟度的判断方法 | |
| CN116824384A (zh) | 一种基于标准曲线的大豆识别方法 | |
| CN107145876B (zh) | 基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法 | |
| la Cecilia et al. | Pixel-based mapping of open field and protected agriculture using constrained Sentinel-2 data | |
| CN115876721A (zh) | 一种农作物分类方法、系统、介质、计算机设备及终端 | |
| Nguyen et al. | Rice-planted area extraction by time series analysis of ENVISAT ASAR WS data using a phenology-based classification approach: A case study for Red River Delta, Vietnam | |
| Pauly | Applying conventional vegetation vigor indices to UAS-derived orthomosaics: issues and considerations | |
| Omran | Remote estimation of vegetation parameters using narrowband sensor for precision agriculture in arid environment | |
| CN113283281B (zh) | 基于多时相遥感影像的茭白种植面积提取方法 | |
| CN117760984A (zh) | 一种冬小麦spad时空变化监测方法 | |
| Woodcock et al. | Vegetation mapping and monitoring | |
| Zovko et al. | Hyperspectral imagery as a supporting tool in precision irrigation of karst landscapes | |
| LU508945B1 (en) | Construction method of pine wood nematode grade prediction model based on hyperspectral remote sensing image | |
| Mouton | Regional mapping of crops under agricultural nets using Sentinel-2 | |
| Gao et al. | Identification and classification of degradation-indicator grass species in a desertified steppe based on HSI-UAV | |
| Kufer et al. | Estimation of Forest Parameters from polarimetric L-band Images |
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 | ||
| GR01 | Patent grant |