衡阳派盒市场营销有限公司

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

無(wú)人機(jī)高光譜影像在樹(shù)種分類識(shí)別中的應(yīng)用研究

萊森光學(xué) ? 來(lái)源:萊森光學(xué) ? 作者:萊森光學(xué) ? 2023-07-21 14:05 ? 次閱讀

引言

相比常規(guī)的實(shí)地勘測(cè),無(wú)人機(jī)高光譜影像能夠有效提升林業(yè)生態(tài)系統(tǒng)監(jiān)測(cè)效率。近年來(lái),部分學(xué)者嘗試在森林樹(shù)種分類中使用高光譜數(shù)據(jù)和激光雷達(dá),取得了較為理想的效果,但是在研究中需要投入較高的成本,一定程度上限制了其應(yīng)用前景。而高光譜影像不但能夠完成植被信息的有效挖掘, 還擁有低成本、高效率、高空間分辨率、操作方便等優(yōu)點(diǎn) 。

2、研究區(qū)數(shù)據(jù)及預(yù)處理

2.1 研究區(qū)概述

研究區(qū)種植的主要是防風(fēng)固沙林,結(jié)合當(dāng)?shù)氐倪m生植物類型和地理?xiàng)l件,在當(dāng)?shù)夭扇×藛棠尽⒐嗄竞筒蓊愊嘟Y(jié)合的林分形式。出于保護(hù)耕地和固定沙地的目的,在道路兩旁種植了混合闊葉林和榆樹(shù)林,其擁有草本層、灌木層、喬木層的垂直結(jié)構(gòu),研究區(qū)總面積約451km2。研究區(qū)屬于暖溫帶大陸性干旱荒漠氣候,擁有300 m~500m的海拔以及平坦的地勢(shì),喬木樹(shù)種主要為梭梭、胡楊、沙棗、新疆楊、榆樹(shù)等,林下植被主要為雜灌。在本次研究中筆者將以沙棗、胡楊、新疆楊、榆樹(shù)作為研究對(duì)象。

2.2獲取高光譜數(shù)據(jù)

獲取影像,設(shè)置200m的無(wú)人機(jī)飛行高度。為了使相機(jī)參數(shù)需求、飛行高度需求以及影像高分辨率需求得到有效滿足,在本次研究中將進(jìn)行42個(gè)波段的設(shè)置,這些波段擁有10nm左右的間隔,設(shè)置82%的航向重疊率、80%的旁向重疊率以及0.12 m的空間分辨率,同時(shí)完成4塊地面輻射標(biāo)靶的設(shè)置,分別擁有3%、22%、48%、64%的反射率,從而為后期校正影像輻射提供便利。

2.3調(diào)查地面數(shù)據(jù)

要想使高光譜影像更加準(zhǔn)確地標(biāo)注樣本數(shù)據(jù),就需要調(diào)查研究區(qū)的實(shí)際情況,與研究區(qū)林分的實(shí)際情況相結(jié)合。本次研究中在研究區(qū)內(nèi)選取了3個(gè)典型區(qū)域作為研究樣本。調(diào)查時(shí)間為獲取影像的兩天前, 在開(kāi)展采樣工作時(shí)采樣點(diǎn)的位置信息是通過(guò)便攜式GPS設(shè)備完成記錄的,在各個(gè)樣地中完成單棵樹(shù)木樹(shù)種情況的記錄。在完成調(diào)查工作后,在 Excel 中記錄和整理原始數(shù)據(jù),在采樣工作中共完成 40個(gè)樣本點(diǎn)樹(shù)種類型數(shù)據(jù)的獲取。樹(shù)種主要為胡楊、榆樹(shù)、沙棗、新疆楊等。

3、研究方法

首先,有效地處理高光譜影像,并且建立分類特征集,利用SVM-RFE算法完成原始波段最佳組合的選取,再與數(shù)理統(tǒng)計(jì)特征、紋理特征、植被指數(shù)相結(jié)合完成新影像分類特征的構(gòu)建。其次,合理利用 RF算法分析各個(gè)特征的重要性,在充分考慮分類精度的基礎(chǔ)上,將重要性靠后的特征排除。最后,完成 4 種分類方案的構(gòu)建,并且評(píng)價(jià)影像分類的精度,完成不同分類器分類效果的對(duì)比。

3.1原始最佳波段組合選擇

當(dāng)存在不同的樹(shù)種樣本數(shù)量和較少的訓(xùn)練樣本時(shí),分類器的精確性會(huì)降低。要想有效避免這種問(wèn)題,需要深入挖掘高光譜影像的特征。在這個(gè)過(guò)程中 最佳指數(shù)因子選擇法(OIF)得到了較為廣泛的應(yīng)用, 這種算法能夠?qū)Ω鞑ǘ伍g的相關(guān)性和單波段影像信息量進(jìn)行綜合考慮,與波段選擇原則相貼合,能夠取得較為準(zhǔn)確的計(jì)算效果 。但是在本次研究中筆者將嘗試使用SVM-RFE算法完成原始最佳波段組合選擇,其主要原理就是通過(guò)同一模型完成多次訓(xùn)練,并且在每次訓(xùn)練中將權(quán)重較低的特征移除,再與新的特征相結(jié)合完成后續(xù)訓(xùn)練,直至對(duì)選擇的特征足夠滿意為止。

3.2構(gòu)建植被指數(shù)特征

高光譜影像除了包括連續(xù)的地物光譜信息外,其中的地物空間分布信息也非常豐富,若是在樹(shù)種分類時(shí)只以光譜信息作為特征,很難準(zhǔn)確地分析高光譜圖像。在本次研究中筆者將通過(guò)構(gòu)建灰度共生矩陣,在空間信息中融入紋理特征,從而使高光譜影像的空間特征得到準(zhǔn)確體現(xiàn)。

3.3優(yōu)化分類特征

優(yōu)化分類特征就是選擇擁有較高重要性的特征變量。在訓(xùn)練過(guò)程中從未使用過(guò)的樣本被稱為帶外 (OOB)數(shù)據(jù),有效利用這類數(shù)據(jù)能夠準(zhǔn)確計(jì)算特征變量的重要性,評(píng)價(jià)分類結(jié)果的精度。在本次研究中筆者將通過(guò)樹(shù)數(shù)量的改變開(kāi)展反復(fù)實(shí)驗(yàn),在實(shí)驗(yàn)中完成特征重要性得分的記錄,然后根據(jù)分類總體精度將冗余的特征變量去除。

研究結(jié)果

4.1原始最佳波段組合

這一階段的研究對(duì)象為研究區(qū)內(nèi)的優(yōu)勢(shì)樹(shù)種,分別使用上文提到的SVM-RFE算法和OIF法選擇原始最佳波段組合。在完成預(yù)處理后,無(wú)人機(jī)擁有42個(gè)波段的高光譜數(shù)據(jù),完成所有波段組合OIF指數(shù)的計(jì)算,選擇指數(shù)較大的波段組合20個(gè),具體情況如表 1 所示。

表1 OIF指數(shù)排名

在本研究的原始波段組合中選取OIF值在前20的波段組合,分別選擇了1、2、3、4、5、6、35、36、37、38、42 序號(hào)的波段共 11個(gè)。在選擇原始最佳波段組合時(shí)利用 OIF 算法需要較長(zhǎng)的計(jì)算時(shí)間并且擁有較高的計(jì)算難度。通過(guò)分析表1可知,有兩極分化的情況存在于選擇波段中,具體在近紅外波段和藍(lán)光波段較為集中,并未選擇紅色波段和綠色波段,導(dǎo)致大量原始信息丟失。

而利用SVM-RFE算法能夠選擇17個(gè)原始波段,有效地組合所選的波段,分別選擇了1、2、3、8、11、13、17、20、21、23、26、28、31、35、36、40、42序號(hào)的波段。這種方法能夠在整個(gè)范圍內(nèi)有效地選擇波段,不但擁有更加均勻的波段選擇,并且還擁有相對(duì)較小的計(jì)算量。對(duì)比原始42個(gè)波段榆樹(shù)光譜響應(yīng)曲線和上述兩種方法選擇的榆樹(shù)光譜響應(yīng)曲線,得到如圖1所示的結(jié)果。

wKgZomS6IA2AFLslAALKQihY6o8290.png

圖1榆樹(shù)光譜響應(yīng)曲線對(duì)比

通過(guò)分析圖1可以發(fā)現(xiàn),在榆樹(shù)光譜響應(yīng)曲線方面,與原始42波段相比,SVM-RFE算法選擇的波段特征組合只存在較小的差異,擁有較好的曲線擬合情況,使原始光譜特征得到了較大程度的保留。結(jié)合兩種方法選取的最佳波段組合,得出了如表2所示的分類結(jié)果。

表2對(duì)比原始階段選擇分類結(jié)果

wKgaomS6IA2AC-wVAAEq51uXgFI574.png

與原始全波段相比,OIF法選取的原始波段組合明顯擁有更低的Kappa系數(shù)和總體分類精度;與原始全波段相比,SVM-RFE算法幾乎擁有相同的Kappa系數(shù)和總體分類精度。所以在選擇高光譜數(shù)據(jù)原始最佳波段組合時(shí)應(yīng)該使用SVM-RFE算法。

4.2分析特征變量重要性和選擇特征

通過(guò)分析隨機(jī)森林的OOB誤差可以明確分布特征變量重要性的情況,具體情況如圖 2 所示。

wKgZomS6IA6Af6d0AALu9FmNwcg205.png

圖2特征變量重要性得分

得分越高證明這一特征越重要,這一變量就能在越大程度上幫助和影響分類結(jié)果。通過(guò)決策樹(shù)數(shù)量的改變可以 發(fā)現(xiàn)當(dāng)擁有2000決策樹(shù)數(shù)量時(shí),基本不會(huì)改變特征變量的重要性排序。所以,以2000RF決策樹(shù)數(shù)量的 結(jié)果作為分析特征重要性的結(jié)果。

由圖2可知,數(shù)理統(tǒng)計(jì)特征和植被指數(shù)特征都擁有較高的重要性得分, 其中重要性排名第一的是綠色比值植被指數(shù),這是因 為研究區(qū)大部分樹(shù)種都是榆樹(shù),同時(shí)樹(shù)木擁有良好的生長(zhǎng)情況,包含較高的葉綠素含量,所以在近紅外波段擁有較高的反射率。其他數(shù)理統(tǒng)計(jì)特征和植被指數(shù)特征均排在前20%,說(shuō)明在樹(shù)種分類中使用筆者構(gòu)建的植被指數(shù)特征能夠獲得非常準(zhǔn)確的分類結(jié)果。因?yàn)樵诒敬窝芯恐惺褂锚?dú)立主成分分析的前3個(gè)主成分作為數(shù)理統(tǒng)計(jì)特征,其信息量達(dá)到了原數(shù)據(jù)的95%以上,所以擁有較高的重要性得分。紋理特征普遍擁有較低的重要性,出現(xiàn)這種現(xiàn)象可能是由于在分析主成分后,對(duì)于排名較低的紋理特征來(lái)說(shuō),其只包含較少的原始數(shù)據(jù)信息。在RF分類器中由高到低分別輸入特征的重要性排序和數(shù)量,并且完成混淆矩陣的建立,分析與評(píng)價(jià)分類結(jié) 果,以Kappa系數(shù)和總體分類精度為評(píng)價(jià)指標(biāo)。結(jié)果證明,在1~11 特征變量數(shù)中分類精度得到了明顯提升,Kappa系數(shù)為0.93,分類總體精度為94.73%。在11特征變量數(shù)以后正在緩慢提升分類精度,但是提升幅度較小。在28個(gè)波段時(shí)其擁有最高的分類精度,Kappa 系數(shù)為 0.9475,分類總體精度為95.53%。在融入紋理特征后,會(huì)緩慢降低分類精度,證明在擁有過(guò)多的特征變量后,可能導(dǎo)致數(shù)據(jù)中出現(xiàn)過(guò)擬合和冗余的現(xiàn)象,最終決定在分類器中輸入重要性排名前 85%的特征變量。

4.3對(duì)比不同分類器分類效果

本次研究使用的優(yōu)選特征為28個(gè),在訓(xùn)練樣本相同的情況下,樹(shù)種分類分別利用RF、SVM以及MLC分類器。通過(guò)分析分類結(jié)果可以發(fā)現(xiàn),3種分類器在樹(shù)種分類的過(guò)程中都存在一定程度的錯(cuò)分和混分問(wèn)題。其中,擁有最低分類精度的樹(shù)種為沙棗,特別是在SVM和MLC 中存在比較多的沙棗和榆樹(shù)混分現(xiàn)象。可能是由于研究區(qū)內(nèi)只存在較少數(shù)量的沙棗,其擁有較多的側(cè)斜枝和較大的樹(shù)冠,導(dǎo)致其在圖 像中擁有較強(qiáng)的光譜信息。當(dāng)與榆樹(shù)混合種植時(shí),二者將擁有相似的光譜特征,導(dǎo)致分類難度提升,進(jìn)而出現(xiàn)較多的榆樹(shù)與沙棗混分現(xiàn)象。在紋理、光譜特征方面,長(zhǎng)勢(shì)旺盛的胡楊和新疆楊之間的差異較小,分辨難度較高,所以有輕微的混分現(xiàn)象在兩者之間存在。研究區(qū)被低矮的棉花田包圍,其在圖像中只擁有較弱的光譜信息,與研究區(qū)中灌木的差異較小,所以也存在少量的灌木和棉花田混分現(xiàn)象。

出于對(duì)研究區(qū)總體效應(yīng)的考慮,在種植過(guò)程中會(huì)混合種植灌木與特定的樹(shù)木,所以在研究區(qū)中有大量 的灌木,導(dǎo)致樹(shù)種精細(xì)分類的難度進(jìn)一步提升。另外,本次研究是在深秋季節(jié)采集高光譜影像,很多植被已經(jīng)存在枯萎的情況,在高光譜影像中并沒(méi)有識(shí)別出所有已經(jīng)死亡或枯萎的沙棗和胡楊,對(duì)制圖精度產(chǎn)生了不良影響。在3種算法中都有椒鹽噪聲存在,只是其程度存在差異,這種現(xiàn)象存在是由于本次研究中使用的傳感器擁有較高的空間分辨率。本次研究結(jié)果表明,RF分類器擁有最高的分類精度,可以達(dá)到95.93% 的總體分類精度;MLC分類器擁有最低的分類精度,只能夠達(dá)到 88.70% 的總體 分類精度。相比于SVM分類器,RF分類器提高了1.32%的總體精度,0.0241的Kappa系數(shù);相比于MLC分類器,RF分類器提高了6.83%的總體精度,0.0967的Kappa系數(shù)。研究區(qū)內(nèi)大部分樹(shù)種都能夠達(dá)到 80% 以上的UA和PA。對(duì)單個(gè)樹(shù)種的分類精度進(jìn)行分析,相比于MLC分類器,RF分類器能夠使榆樹(shù)和白楊錯(cuò)分和漏分的概率得到有效降低;相比于SVM分類器,RF分類器能夠使沙棗和胡楊錯(cuò)分和漏分的概率得到有效降低,較高的UA和PA使這一結(jié)論得到證實(shí)。本次研究結(jié)果表明,與僅利用光譜特征分類相比,在分類特征中融入數(shù)理統(tǒng)計(jì)特征、植被指數(shù)特征以及紋理特征,能夠使單個(gè)樹(shù)種的分類精度得到極大程度的提升。優(yōu)化特征后,能夠提升0.39%的分類總體精度和0.065的Kappa系數(shù),雖然沒(méi)有大幅度提 升分類精度,但是卻明顯提升了數(shù)據(jù)處理的效率,并且明確了研究區(qū)樹(shù)種分類特征。相比于SVM和MLC分類器,RF分類器擁有更好的分類效果和更高的分類精度,能夠有效地適用于研究區(qū)樹(shù)種分類。

4.4影像分類后處理

最終本次研究在訓(xùn)練樣本相同的情況下,利用28個(gè)優(yōu)選特征和RF分類器開(kāi)展樹(shù)種分類。進(jìn)行圖像分類后處理,對(duì)于較小的圖斑和椒鹽噪聲使用中值濾波器進(jìn)行處理,取得了較好的效果;對(duì)于圖像中存在的虛假像元問(wèn)題使用過(guò)濾處理、聚類處理等方法解決,發(fā)揮了較好的效果。研究結(jié)果表明,在經(jīng)過(guò)有效處理后,能夠提升0.012的 Kappa系數(shù)和1.01%的分類總體精度,能夠有效增強(qiáng)分類效果。

結(jié)束語(yǔ)

綜上所述,在樹(shù)種分類識(shí)別中應(yīng)用無(wú)人機(jī)高光譜影像能夠取得非常準(zhǔn)確的分類識(shí)別結(jié)果,但是在應(yīng)用過(guò)程中相關(guān)人員需要注意合理地利用各種設(shè)備和技術(shù),能夠在一定程度上提升分類的準(zhǔn)確度。

推薦

便攜式地物光譜儀iSpecField-NIR/WNIR

專門用于野外遙感測(cè)量、土壤環(huán)境、礦物地質(zhì)勘探等領(lǐng)域的最新明星產(chǎn)品,由于其操作靈活、便攜方便、光譜測(cè)試速度快、光譜數(shù)據(jù)準(zhǔn)確是一款真正意義上便攜式地物光譜儀。

wKgZomS6IA-AEDdHAACIEhUKZfU39.jpeg

無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)iSpecHyper-VM100

一款基于小型多旋翼無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng),該系統(tǒng)由高光譜成像相機(jī)、穩(wěn)定云臺(tái)、機(jī)載控制與數(shù)據(jù)采集模塊、機(jī)載供電模塊等部分組成。無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)通過(guò)獨(dú)特的內(nèi)置式或外部掃描和穩(wěn)定控制,有效地解決了在微型無(wú)人機(jī)搭載推掃式高光譜照相機(jī)時(shí),由于振動(dòng)引起的圖像質(zhì)量較差的問(wèn)題,并具備較高的光譜分辨率和良好的成像性能。

wKgaomS6IA-APlUTAABJinx5T6w25.jpeg

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品,主要優(yōu)勢(shì)具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價(jià)比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像,系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng),高速USB3.0接口傳輸,全靶面高成像質(zhì)量光學(xué)設(shè)計(jì),物鏡接口為標(biāo)準(zhǔn)C-Mount,可根據(jù)用戶需求更換物鏡。

wKgZomS6IA-AElkoAABMLluj9sU09.jpeg



審核編輯 黃宇

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 無(wú)人機(jī)
    +關(guān)注

    關(guān)注

    230

    文章

    10515

    瀏覽量

    182432
  • 高光譜
    +關(guān)注

    關(guān)注

    0

    文章

    345

    瀏覽量

    10000
收藏 人收藏

    評(píng)論

    相關(guān)推薦

    無(wú)人機(jī)光譜影像與冠層樹(shù)種多樣性監(jiān)測(cè)

    無(wú)人機(jī)光譜影像與冠層樹(shù)種多樣性監(jiān)測(cè)冠層樹(shù)種多樣性是自然森林生態(tài)系統(tǒng)功能和服務(wù)的重要基礎(chǔ)。
    的頭像 發(fā)表于 08-19 15:22 ?337次閱讀
    <b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b><b class='flag-5'>影像</b>與冠層<b class='flag-5'>樹(shù)種</b>多樣性監(jiān)測(cè)

    無(wú)人機(jī)機(jī)載光譜成像系統(tǒng)的應(yīng)用及優(yōu)勢(shì)

      隨著無(wú)人機(jī)技術(shù)的快速發(fā)展,基于無(wú)人機(jī)平臺(tái)的光譜成像系統(tǒng)在多個(gè)領(lǐng)域中得到了廣泛應(yīng)用。本文將介紹一款小型多旋翼無(wú)人機(jī)機(jī)載
    的頭像 發(fā)表于 08-15 15:03 ?826次閱讀
    <b class='flag-5'>無(wú)人機(jī)</b>機(jī)載<b class='flag-5'>高</b><b class='flag-5'>光譜</b>成像系統(tǒng)的應(yīng)用及優(yōu)勢(shì)

    基于無(wú)人機(jī)光譜謠感的蘊(yùn)地退化指示物種的識(shí)別

    青藏高原典型泥炭沼澤分布區(qū)域若爾蓋高原為研究區(qū),以無(wú)人機(jī)光譜數(shù)據(jù)和地物光譜儀實(shí)測(cè)數(shù)據(jù)為基礎(chǔ),結(jié)合野外調(diào)查,完成了該區(qū)域草地退化指示物種的
    的頭像 發(fā)表于 08-01 15:29 ?403次閱讀
    基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>謠感的蘊(yùn)地退化指示物種的<b class='flag-5'>識(shí)別</b>

    基于無(wú)人機(jī)光譜的荒漠草原地表微斑塊分類研究

    草原荒漠化會(huì)嚴(yán)重破壞草原生態(tài)平衡,荒漠草原地物分類已成為草原監(jiān)測(cè)管理的關(guān)鍵問(wèn)題。本文通過(guò)構(gòu)建無(wú)人機(jī)光譜遙感系統(tǒng),解決了原有草原調(diào)查方式上效率低與空間分辨率不足問(wèn)題。
    的頭像 發(fā)表于 07-26 11:59 ?475次閱讀
    基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>的荒漠草原地表微斑塊<b class='flag-5'>分類</b><b class='flag-5'>研究</b>

    基于無(wú)人機(jī)光譜遙感的荒漠化草原地物分類研究2.0

    草原退化調(diào)查監(jiān)測(cè)須獲取實(shí)測(cè)數(shù)據(jù),無(wú)人機(jī)搭載光譜成像儀進(jìn)行低空遙感,是荒漠化草原地物分類的重要手段,可提供地物精細(xì)分類所需的遙感數(shù)據(jù),充分發(fā)
    的頭像 發(fā)表于 06-17 15:33 ?363次閱讀
    基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>遙感的荒漠化草原地物<b class='flag-5'>分類</b><b class='flag-5'>研究</b>2.0

    基于無(wú)人機(jī)光譜遙感的荒漠化草原地物分類研究1.0

    研究利用無(wú)人機(jī)光譜遙感技術(shù)采集荒漠化草原遙感數(shù)據(jù),運(yùn)用人工智能圖像分類技術(shù),解決荒漠化草原地物分類
    的頭像 發(fā)表于 06-12 11:48 ?446次閱讀
    基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>遙感的荒漠化草原地物<b class='flag-5'>分類</b><b class='flag-5'>研究</b>1.0

    基于無(wú)人機(jī)光譜遙感的太行山經(jīng)濟(jì)林樹(shù)種識(shí)別研究2.0

    開(kāi)展基于光譜遙感的山區(qū)經(jīng)濟(jì)林樹(shù)種識(shí)別研究既豐富光譜
    的頭像 發(fā)表于 05-22 15:13 ?554次閱讀
    基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>遙感的太行山經(jīng)濟(jì)林<b class='flag-5'>樹(shù)種</b><b class='flag-5'>識(shí)別</b><b class='flag-5'>研究</b>2.0

    基于無(wú)人機(jī)光譜遙感的太行山經(jīng)濟(jì)林樹(shù)種識(shí)別研究1.0

    開(kāi)展基于光譜遙感的山區(qū)經(jīng)濟(jì)林樹(shù)種識(shí)別研究既豐富光譜
    的頭像 發(fā)表于 05-14 09:35 ?354次閱讀
    基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>遙感的太行山經(jīng)濟(jì)林<b class='flag-5'>樹(shù)種</b><b class='flag-5'>識(shí)別</b><b class='flag-5'>研究</b>1.0

    光譜成像系統(tǒng):深度學(xué)習(xí)機(jī)載光譜影像樹(shù)種分類研究

    傳統(tǒng)的樹(shù)種識(shí)別主要依靠人工實(shí)地踏勘,費(fèi)時(shí)費(fèi)力。遙感技術(shù)的快速發(fā)展彌補(bǔ)了人工調(diào)查方法的不足,與其他數(shù)據(jù)源相比,機(jī)載光譜影像具有豐富的
    的頭像 發(fā)表于 05-06 14:57 ?1403次閱讀
    <b class='flag-5'>高</b><b class='flag-5'>光譜</b>成像系統(tǒng):深度學(xué)習(xí)機(jī)載<b class='flag-5'>高</b><b class='flag-5'>光譜</b><b class='flag-5'>影像</b><b class='flag-5'>樹(shù)種</b><b class='flag-5'>分類</b><b class='flag-5'>研究</b>

    無(wú)人機(jī)光譜成像在甘蔗長(zhǎng)勢(shì)分析和產(chǎn)量預(yù)測(cè)的應(yīng)用

    及時(shí)準(zhǔn)確的甘蔗長(zhǎng)勢(shì)信息對(duì)于科學(xué)種植指導(dǎo)和產(chǎn)量預(yù)估極其重要。為滿足產(chǎn)業(yè)發(fā)展需求,本文研究無(wú)人機(jī)精準(zhǔn)監(jiān)測(cè)甘蔗長(zhǎng)勢(shì)技術(shù),選取廣西壯族自治區(qū)糖料蔗“雙”基地扶綏“甜蜜之光”開(kāi)展應(yīng)用。 引言 衛(wèi)星遙感技術(shù)
    的頭像 發(fā)表于 04-24 11:35 ?690次閱讀
    <b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜成像在</b>甘蔗長(zhǎng)勢(shì)分析和產(chǎn)量預(yù)測(cè)的應(yīng)用

    第一集 知語(yǔ)科技無(wú)人機(jī)反制技術(shù)與應(yīng)用--無(wú)人機(jī)的定義與分類

    了解無(wú)人機(jī)反制技術(shù)與應(yīng)用,為您揭開(kāi)這一神秘領(lǐng)域的面紗。 一、無(wú)人機(jī)技術(shù)概述 1 無(wú)人機(jī)的定義與分類 無(wú)人機(jī),即
    發(fā)表于 03-12 10:42

    如何利用無(wú)人機(jī)光譜影像技術(shù)進(jìn)行深海生物調(diào)查與監(jiān)測(cè)?

    在深海生物研究領(lǐng)域,傳統(tǒng)的調(diào)查和監(jiān)測(cè)方法往往需要大量的人力、物力,并且在某些情況下難以實(shí)現(xiàn)高效的數(shù)據(jù)收集。隨著技術(shù)的進(jìn)步,無(wú)人機(jī)光譜影像
    的頭像 發(fā)表于 03-08 10:38 ?609次閱讀
    如何利用<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b><b class='flag-5'>影像</b>技術(shù)進(jìn)行深海生物調(diào)查與監(jiān)測(cè)?

    農(nóng)作物生長(zhǎng)監(jiān)測(cè)無(wú)人機(jī)光譜影像如何識(shí)別病蟲(chóng)害和缺素情況?

    受到環(huán)境和人為因素的限制,因此需要一種高效、精準(zhǔn)的監(jiān)測(cè)手段來(lái)應(yīng)對(duì)這一挑戰(zhàn)。無(wú)人機(jī)技術(shù)的崛起為農(nóng)作物生長(zhǎng)監(jiān)測(cè)帶來(lái)了全新的解決方案。結(jié)合光譜影像技術(shù),
    的頭像 發(fā)表于 02-26 15:54 ?1125次閱讀
    農(nóng)作物生長(zhǎng)監(jiān)測(cè)<b class='flag-5'>中</b>,<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b><b class='flag-5'>影像</b>如何<b class='flag-5'>識(shí)別</b>病蟲(chóng)害和缺素情況?

    無(wú)人機(jī)全景監(jiān)測(cè):空域管理的新革命

    實(shí)踐 知語(yǔ)云智能科技在無(wú)人機(jī)全景監(jiān)測(cè)領(lǐng)域進(jìn)行了大量的研究和創(chuàng)新實(shí)踐。他們不僅研發(fā)了先進(jìn)的無(wú)人機(jī)設(shè)備和圖像處理技術(shù),還積極探索無(wú)人機(jī)在空域管理
    發(fā)表于 02-20 15:23

    比較基于無(wú)人機(jī)光譜影像和傳統(tǒng)方法的土壤類型分類精度

    遙感技術(shù)的應(yīng)用為土壤分類提供了新的可能性。光譜影像技術(shù)是無(wú)人機(jī)遙感的重要組成部分,其能夠提供
    的頭像 發(fā)表于 02-19 16:55 ?491次閱讀
    比較基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b><b class='flag-5'>影像</b>和傳統(tǒng)方法的土壤類型<b class='flag-5'>分類</b>精度
    大发888线上娱乐城百家乐| 百家乐官网分析网| 澳门百家乐赌场娱乐网规则| 百家乐官网有几种玩法| 百家乐买闲打法| 加州百家乐官网娱乐城| 怎么玩百家乐的玩法技巧和规则| 百家乐官网游戏全讯网2| 德州百家乐扑克桌| 百家乐官网澳门规矩| 17pk棋牌游戏| 百家乐走势图研究| 百家乐官网玩法的技巧| 百家乐技巧开户| 海尔百家乐官网的玩法技巧和规则| 亿酷棋牌世界| 百家乐的规则博彩正网| 模拟百家乐官网游戏软件| 太阳城娱乐网可信吗| 阳宅24方位座向| 百家乐官网虚拟视频| 百家乐平注法到6568| 鑫鑫百家乐官网的玩法技巧和规则| 开花财国际| 猪猪网百家乐软件| 赌百家乐官网到底能赌博赢| 大西洋娱乐城| 百家乐最新投注方法| 百家乐官网平注赢钱法| 真人娱乐场注册送现金| 百家乐黄金城游戏大厅| 百家乐官网在线娱乐网| 澳门网上| 致胜百家乐软件| 百家乐官网讲坛汉献| 南郑县| 游戏百家乐的玩法技巧和规则| 百家乐官网技巧下载| 云安县| 大发888下载删除| 赌场百家乐欺诈方法|