-
公开(公告)号：CN105893977A
公开(公告)日：2016-08-24
申请号：CN201610258528.8
申请日：2016-04-25
Applicant: 福州大学
CPC classification number: G06K9/00657 , G06K9/46 , G06K9/6256 , G06K9/6267
Abstract: 本发明涉及一种基于自适应特征选择的水稻制图方法，包括以下步骤：建立研究区增强型植被指数和水体指数的时序数据集；建立研究区云分布的时间序列数据；基于水稻关键物候期遥感影像的云分布，将研究区划分为有云区与无云区；基于时间序列分析法，获取无云区水稻分类结果；提取基于像元的遥感影像特征；选取最少云干扰的影像，分为有云区与无云区并依次进行分割获得遥感影像对象；综合基于像元的遥感影像特征，提取面向对象的遥感影像特征；将无云区水稻分类结果作为训练数据，获得有云区水稻分类结果；综合无云区水稻分类结果及有云区水稻分类结果，获取研究区水稻空间分布图。本发明具有自动化程度高、简单易用、鲁棒性好以及分类精度高等特点。
-
公开(公告)号：CN103336956B
公开(公告)日：2016-08-10
申请号：CN201310288345.7
申请日：2013-07-10
Applicant: 福州大学
Inventor： 邱炳文
Abstract: 本发明涉及一种基于遥感时序数据的冬小麦面积估算方法，该方法基于遥感时序数据，通过连续小波变换，将遥感植被指数时序数据转换为小波系数谱；在此基础上建立研究区域内表征每个像元年内植被变化特征的小波系数二值图；通过将若干已知冬小麦样点的小波系数二值图叠加，生成研究区冬小麦的标准小波系数二值图；研究区域每个像元的小波系数二值图逐一与冬小麦的标准小波系数二值图叠加，统计叠加后建立冬小麦识别标准，逐像元进行冬小麦识别，最后汇总计算获得整个研究区冬小麦的种植面积。该方法能有效地避免各种因素引起的原始植被指数年内变化幅度不一致等问题，具有抗噪能力强、分类精度好、以及适用范围广等优点。
-
公开(公告)号：CN103971027A
公开(公告)日：2014-08-06
申请号：CN201410232876.9
申请日：2014-05-29
Applicant: 福州大学
IPC: G06F19/00
Abstract: 本发明公开了一种基于水体与植被指数变化比值指数的水稻自动制图方法。该方法基于水体指数与植被指数的年内时序数据集，逐像元检测每个生长周期内植被指数最大值所对应的植被生长盛期，依据植被开始生长到生长盛期内遥感水体指数与植被指数的变化幅度，建立水体与植被指数变化比值指数，进行水稻自动制图。该方法充分利用相对其他农作物和自然植被而言，水稻田在移栽到抽穗这段时间内，水体指数变化幅度较小而植被指数变化幅度较大的特点，通过设计基于两者比值的水体与植被指数变化比值指数，用于水稻制图，具有鲁棒性好、分类精度高、自动化程度与抗干扰能力强等特点。
-
公开(公告)号：CN102982345A
公开(公告)日：2013-03-20
申请号：CN201210460579.0
申请日：2012-11-16
Applicant: 福州大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于连续小波变换的时序遥感影像半自动分类方法，该方法首先建立若干已知地物的年内时序变化原始图谱，对其进行连续小波变换，获得小波系数谱，在此基础上建立基于时间维的小波方差谱及基于尺度维的小波方差谱，同时建立整个研究区所有研究单元的基于时间维的小波方差谱及基于尺度维的小波方差谱，然后依据已知地物的小波方差谱的类间差异性最大化原则，分别确定最适宜影像分类的时间域与尺度域区间，最后通过建立综合判别体系，实现遥感影像半自动分类。该方法可以有效地提取时序遥感影像在时间维和尺度维上的特征，具有较少依赖先验知识、鲁棒性好、分类精度好、自动化程度高等特点。
-
公开(公告)号：CN113570251B
公开(公告)日：2023-08-11
申请号：CN202110865431.4
申请日：2021-07-29
Applicant: 福州大学
IPC: G06Q10/0639 , G06Q50/02 , G06F16/2458 , G06F16/248
Abstract: 本发明涉及一种基于生长前后期氮素输出累积指数的土豆制图方法，该方法首先建立植被指数、氮素指数时序数据集，对氮素指数时序数据进行时序差分，获得氮素指数差分时序数据集，进而对其实施取绝对值操作，获得氮素指数变化量时序数据集，同时基于植被指数时序曲线获得农作物物候期。在农作物生长前期，分别计算氮素输出量和氮素变化量，两者相除获得农作物生长前期氮素输出率；在农作物生长后期，分别计算氮素累积量和氮素变化量，两者相除获得农作物生长后期氮素累积率；在此基础上，构建生长前后期氮素输出累积指数，建立土豆制图方法。该方法简便易行，精度合理，适用于大尺度土豆自动制图。
-
Patent Agency Ranking
公开(公告)号：CN114739943A
公开(公告)日：2022-07-12
申请号：CN202210505133.9
申请日：2022-05-10
Applicant: 福州大学
IPC: G01N21/3563 , G01N21/359
Abstract: 本发明公开了一种基于农作物发育成熟全生命周期的熟制信息精准提取方法，首先建立植被指数、褐变指数时序数据集并对其进行时序差分。然后，确定候选农作物成熟期、生长盛期、苗期以及候选农作物生长期；进而依据候选农作物苗期和成熟期植被褐变量指标，设计农作物发育成熟指数，最后基于该指数建立农作物生长期判别标准，实现熟制信息提取。本发明利用褐变指数时序特征巧妙地揭示农作物成熟收割过程，跳出长期以来主要依赖植被指数时序数据确定生长峰的研究思路，能有效地克服耕地区域内杂草生长以及冬小麦冬季生长峰引起的干扰，同时无需依据不同区域农作物种植模式特点设置约束条件或阈值参数，具有高精度大尺度应用推广能力。
-
公开(公告)号：CN114544508A
公开(公告)日：2022-05-27
申请号：CN202011328699.6
申请日：2020-11-24
Applicant: 福州大学
Abstract: 本发明涉及一种基于哨兵数据和类胡萝卜素时序特征的玉米制图方法。该方法基于哨兵影像数据计算植被指数、类胡萝卜素和叶绿素指数，建立三种指数的年内时序数据集，逐像元检测每个生长周期内类胡萝卜素时序变化特征，综合生长期类胡萝卜素全距和标准差，建立生长期类胡萝卜素变化特征指标，进而设计农作物生长期叶绿素极值指标，进行玉米制图。本发明利用玉米在生长盛期内叶绿素含量明显偏高以及整个生长期内胡萝卜素含量变异性更为显著的特点，通过探索整个生长期内农作物色素变异性特征，用于农作物制图。对比其他方法而言，具有鲁棒性好、自动化程度与抗干扰能力强、适用于大范围农作物高精度制图等特点。
-
公开(公告)号：CN113570251A
公开(公告)日：2021-10-29
申请号：CN202110865431.4
申请日：2021-07-29
Applicant: 福州大学
IPC: G06Q10/06 , G06Q50/02 , G06F16/2458 , G06F16/248
Abstract: 本发明涉及一种基于生长前后期氮素输出累积指数的土豆制图方法，该方法首先建立植被指数、氮素指数时序数据集，对氮素指数时序数据进行时序差分，获得氮素指数差分时序数据集，进而对其实施取绝对值操作，获得氮素指数变化量时序数据集，同时基于植被指数时序曲线获得农作物物候期。在农作物生长前期，分别计算氮素输出量和氮素变化量，两者相除获得农作物生长前期氮素输出率；在农作物生长后期，分别计算氮素累积量和氮素变化量，两者相除获得农作物生长后期氮素累积率；在此基础上，构建生长前后期氮素输出累积指数，建立土豆制图方法。该方法简便易行，精度合理，适用于大尺度土豆自动制图。
-
公开(公告)号：CN113376123A
公开(公告)日：2021-09-10
申请号：CN202110658551.7
申请日：2021-06-13
Applicant: 福州大学
IPC: G01N21/55 , G01N21/35 , G01N21/3563 , G01N21/359 , G01N21/84 , G06Q10/06 , G06Q50/02
Abstract: 本发明涉及一种基于植被‑色素‑土壤时序耦合离散度的耕地抛荒信息提取方法，该方法基于植被指数、色素指数和土壤指数时序数据集，综合植被、土壤与色素三个维度，考虑耕地抛荒区域有别于农作物耕种区域的特点，通过设计植被‑色素‑土壤时序耦合离散度指标，建立耕地抛荒信息提取方法。本发明利用相对耕作区域而言，耕地抛荒区域色素指数与植被指数变化同步性好，并且土壤指数和植被指数相对变化更加平稳的特点，通过设计综合多维度遥感指数时序耦合度指标，用于耕地抛荒信息提取。本发明克服了南方湿润区耕地抛荒后杂草丛生仅仅通过植被指数难以有效监测的问题，适用于大尺度耕地抛荒信息提取。
-
公开(公告)号：CN107463775B
公开(公告)日：2019-11-12
申请号：CN201710605772.1
申请日：2017-07-24
Applicant: 福州大学
IPC: G06F17/10
Abstract: 本发明公开了一种基于多遥感指数变化趋势的植被流失去向识别方法。该方法利用JM距离计算历年与起始年份的植被指数时序相似性，生成植被指数时序相似性轨迹，依据植被指数时序相似性变化量提取潜在植被流失区域，进而将植被指数显著下降并且不透水面指数显著上升的区域，明确为植被流失区域，在此基础上，依据水体指数、裸土指数变化趋势特征，最终判断城市化、荒化和湿地化等不同的植被流失去向。该方法通过时序相似性变化量确定植被变化区域，进而依据多种遥感指数判断植被流失去向，不依赖人工干预设置阈值，具有鲁棒性好、分类精度高、自动化程度与抗干扰能力强等特点。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.018 seconds)
