-
公开(公告)号：CN117787813B
公开(公告)日：2024-05-31
申请号：CN202410199413.0
申请日：2024-02-23
Applicant: 中国农业科学院农业资源与农业区划研究所
IPC: G06Q10/0639 , G06F18/213 , G06F18/243 , G06N20/20 , G06Q50/26
Abstract: 本发明属于遥感技术领域，涉及基于细粒度特征约束的城中村识别方法、装置及电子设备。该方法包括收集样本数据，对样本数据进行预处理；对训练样本数据进行特征提取，得到建筑物特征信息，计算Building‑Green指标，使用随机森林分类模型对样本数据提取的指标训练得到分类模型；将超像素单元识别为城中村；在滑动窗口内提取精细特征；将精细特征横向拼接；通过超像素块对精细特征提取结果进行约束；根据超像素单元内城中村像素总数的占比，得到目标城中村。本发明能够实现准确的城中村识别；本发明根据Building‑Green指标，通过建筑物的空间特征，为各社区整改优先级提供参考，利于城市管理。
-
公开(公告)号：CN117787813A
公开(公告)日：2024-03-29
申请号：CN202410199413.0
申请日：2024-02-23
Applicant: 中国农业科学院农业资源与农业区划研究所
IPC: G06Q10/0639 , G06F18/213 , G06F18/243 , G06N20/20 , G06Q50/26
Abstract: 本发明属于遥感技术领域，涉及基于细粒度特征约束的城中村识别方法、装置及电子设备。该方法包括收集样本数据，对样本数据进行预处理；对训练样本数据进行特征提取，得到建筑物特征信息，计算Building‑Green指标，使用随机森林分类模型对样本数据提取的指标训练得到分类模型；将超像素单元识别为城中村；在滑动窗口内提取精细特征；将精细特征横向拼接；通过超像素块对精细特征提取结果进行约束；根据超像素单元内城中村像素总数的占比，得到目标城中村。本发明能够实现准确的城中村识别；本发明根据Building‑Green指标，通过建筑物的空间特征，为各社区整改优先级提供参考，利于城市管理。
-
公开(公告)号：CN118279431A
公开(公告)日：2024-07-02
申请号：CN202410711366.3
申请日：2024-06-04
Applicant: 中国农业科学院农业资源与农业区划研究所
IPC: G06T11/00 , G06V10/24 , G06V10/764 , G06V20/10 , G06V10/762 , G06N20/00
Abstract: 本发明属于遥感影像作物制图技术领域，涉及大区域低样本依赖度的作物制图方法与系统。该方法包括收集遥感数据、地面样本数据、气象数据、土壤数据、基础地理数据与灾害数据；建立作物种植地理分区；建立作物各个区域对应的关键生育期模型库；基于多种机器学习算法构建机器学习模型，得到机器学习作物提取模型；选取最优机器学习作物提取模型；得到作物空间分布底图；基于灾害信息的产品校正；利用适用于灾害响应的目标作物提取模型，得到区域作物制图。本发明能够解决由于地形地貌、土壤、气候等原因造成的大区域内农业种植差异大、模型的适用性差的问题，实现高精度的大尺度作物制图，降低作物制图的作物样本依赖度。
-
公开(公告)号：CN111898503B
公开(公告)日：2021-02-26
申请号：CN202010701344.0
申请日：2020-07-20
Applicant: 中国农业科学院农业资源与农业区划研究所
Abstract: 本发明公开了一种基于云覆盖遥感影像和深度学习的作物识别方法和系统，所述方法包括：S1,收集Sentinel‑2数据和作物地面样本数据；S2，对遥感影像进行预处理，并将云覆盖的像素标记为“0”；S3，提取训练样本的反射率时序数据；S4，利用本发明提出的Mask LSTM‑CNN模型和单波段时序数据对作物进行分类，并评估每个波段的分类精度；S5，根据单波段分类精度(OA或Kappa值)由大到小的排序依次建立波段数为2‑10的波段组合，对其分类精度进行评估，选择分类精度最高的波段或波段组合对研究区域作物进行识别。本发明解决了含有缺失值的时间序列影像的作物识别，避免了遥感数据的云处理操作和误差传递的风险，提高了作物识别的效率。
-
公开(公告)号：CN118397412B
公开(公告)日：2025-05-06
申请号：CN202410505675.5
申请日：2024-04-25
Applicant: 中国农业科学院农业资源与农业区划研究所
IPC: G06V10/80 , G06V10/26 , G06V10/774 , G06V10/40 , G06V20/10
Abstract: 本发明属于农业遥感技术领域，涉及融合SAR和光学影像的田块级作物提取方法，包括：SAR遥感影像数据、光学遥感影像数据、地面作物样本数据与田块数据；滤波处理；去云处理；叠加配准后裁剪切片处理，建立融合影像的样本数据集；得到基于SAR遥感影像数据与光学遥感数据的融合影像的融合学习生成网络；生成融合数据集；构建田块提取语义分割网络模型，得到田块识别语义分割网络；利用田块识别语义分割网络提取田块信息，得到田块掩膜区域；对田块掩膜区域的作物进行监督学习，得到作物分类结果。本发明通过融合SAR遥感影像数据与光学影像数据，利用密集时间序列遥感影像在田块作物提取过程中实现高效、高精度制图。
-
Patent Agency Ranking
公开(公告)号：CN119206510A
公开(公告)日：2024-12-27
申请号：CN202411687509.8
申请日：2024-11-25
Applicant: 中国农业科学院农业资源与农业区划研究所
Abstract: 本发明属于农业遥感技术领域，涉及基于GF‑7影像的农田地块精细提取方法与系统。该方法包括：收集多光谱遥感数据并进行校正以及影像融合处理；以田埂作为田块分布边界，得到标签栅格数据；将多光谱遥感数据与标签栅格数据叠加与裁剪切片得到样本数据；构建深度学习模型，训练得到田块边界识别模型；收集当前多光谱遥感数据输入至训练后的田块边界识别模型得到田块边界识别结果。本发明以农田自然边界中的田埂作为田块分布边界，将多光谱遥感数据与标签栅格数据叠加后裁剪切片得到样本数据，结合深度学习模型实现对田块边界的高效提取，有效提升了田块级别的分割精度与效率。
-
公开(公告)号：CN118279431B
公开(公告)日：2024-08-23
申请号：CN202410711366.3
申请日：2024-06-04
Applicant: 中国农业科学院农业资源与农业区划研究所
IPC: G06T11/00 , G06V10/24 , G06V10/764 , G06V20/10 , G06V10/762 , G06N20/00
Abstract: 本发明属于遥感影像作物制图技术领域，涉及大区域低样本依赖度的作物制图方法与系统。该方法包括收集遥感数据、地面样本数据、气象数据、土壤数据、基础地理数据与灾害数据；建立作物种植地理分区；建立作物各个区域对应的关键生育期模型库；基于多种机器学习算法构建机器学习模型，得到机器学习作物提取模型；选取最优机器学习作物提取模型；得到作物空间分布底图；基于灾害信息的产品校正；利用适用于灾害响应的目标作物提取模型，得到区域作物制图。本发明能够解决由于地形地貌、土壤、气候等原因造成的大区域内农业种植差异大、模型的适用性差的问题，实现高精度的大尺度作物制图，降低作物制图的作物样本依赖度。
-
公开(公告)号：CN118397412A
公开(公告)日：2024-07-26
申请号：CN202410505675.5
申请日：2024-04-25
Applicant: 中国农业科学院农业资源与农业区划研究所
IPC: G06V10/80 , G06V10/26 , G06V10/774 , G06V10/40 , G06V20/10
Abstract: 本发明属于农业遥感技术领域，涉及融合SAR和光学影像的田块级作物提取方法，包括：SAR遥感影像数据、光学遥感影像数据、地面作物样本数据与田块数据；滤波处理；去云处理；叠加配准后裁剪切片处理，建立融合影像的样本数据集；得到基于SAR遥感影像数据与光学遥感数据的融合影像的融合学习生成网络；生成融合数据集；构建田块提取语义分割网络模型，得到田块识别语义分割网络；利用田块识别语义分割网络提取田块信息，得到田块掩膜区域；对田块掩膜区域的作物进行监督学习，得到作物分类结果。本发明通过融合SAR遥感影像数据与光学影像数据，利用密集时间序列遥感影像在田块作物提取过程中实现高效、高精度制图。
-
公开(公告)号：CN112084991A
公开(公告)日：2020-12-15
申请号：CN202010983366.0
申请日：2020-09-18
Applicant: 中国农业科学院农业资源与农业区划研究所
Abstract: 本发明公开了一种基于多源遥感时序影像和卷积神经网络的作物早期识别方法，包括以下步骤：S1，收集遥感数据和作物地面样本数据；S2,数据预处理；S3，制作训练样本；S4,模型时间增量训练；S5,根据S4中获得的作物的identify_Date，利用start_Date到identify_Date期间所有的Sentinel‑1A和Sentinel‑2数据对相应作物进行早期识别；以Sentinel‑2 L2A级产品中SCL影像为非植被掩膜数据制作作物早期分布图。利用多源遥感数据增加了作物生长季内数据获取的频次，提高了作物早期识别的时间精度；利用本发明提出的卷积神经网络架构Dual‑CNN,解决了多源遥感时序数据应用中单一CNN架构面临的时间序列长度和时间间隔不一致的问题。
-
公开(公告)号：CN111898503A
公开(公告)日：2020-11-06
申请号：CN202010701344.0
申请日：2020-07-20
Applicant: 中国农业科学院农业资源与农业区划研究所
Abstract: 本发明公开了一种基于云覆盖遥感影像和深度学习的作物识别方法和系统，所述方法包括：S1,收集Sentinel-2数据和作物地面样本数据；S2，对遥感影像进行预处理，并将云覆盖的像素标记为“0”；S3，提取训练样本的反射率时序数据；S4，利用本发明提出的Mask LSTM-CNN模型和单波段时序数据对作物进行分类，并评估每个波段的分类精度；S5，根据单波段分类精度(OA或Kappa值)由大到小的排序依次建立波段数为2-10的波段组合，对其分类精度进行评估，选择分类精度最高的波段或波段组合对研究区域作物进行识别。本发明解决了含有缺失值的时间序列影像的作物识别，避免了遥感数据的云处理操作和误差传递的风险，提高了作物识别的效率。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.036 seconds)
