专利交易市场

本发明提出了一种基于海量微波遥感卫星数据的再生稻遥感监测方法，包括以下步骤：S1，获取海量微波遥感卫星数据；S2，对步骤S1中获取的海量微波遥感卫星数据进行处理，得到其分割结果数据；S3，利用步骤S2中的分割结果数据，得到其水稻空间分布结果数据；S4，利用步骤S2中的水稻空间分布结果，得到其再生稻空间分布结果数据。本发明能够根据获取的海量微波遥感卫星数据，不受气候影响，识别出再生稻空间分布结果数据。

本发明涉及一种基于超分和检测网络的茶叶病害无人机遥感监测方法，包括如下步骤：数据获取：首先获取低空拍摄的茶叶图像，无人机飞行高度为2m至4m，作为网络的训练集；数据处理：利用LabelImg软件，对裁剪后的低空拍摄图像进行标注；再将低空拍摄的图像按8:2的比例划分为网络的训练集和验证集；网络训练：先训练超分网络模型，包括依次训练PSNR模型、训练GAN模型；再训练检测网络模型；超分与检测：无人机飞行高度为12m，获取高空拍摄的无人机茶叶图像送入训练好的超分网络中进行超分，恢复细节信息，然后将超分后的图像裁剪后再送入训练好的检测网络中进行茶叶病害检测。本发明能够节约无人机的飞行成本和时间，帮助茶农实时检测茶园中茶叶的病害。

本发明涉及基于遥感影像红边波段的区域尺度小麦条锈病监测方法，与现有技术相比解决了对小麦条锈病利用遥感监测精度差的缺陷。本发明包括以下步骤：遥感影像的获取及预处理；初选特征因子的筛选；构建小麦条锈病严重度监测模型；小麦条锈病严重度监测模型的训练；区域尺度小麦条锈病严重度的判定。本发明利用Sentine‑2遥感影像反演得到与病害相关的宽波段植被指数特征及红边植被指数特征，再通过ReliefF和K‑means算法筛选与病害相关性较大且冗余性较小的宽波段植被指数特征集和加入红边植被指数的特征集，分别与BPNN算法建立小麦条锈病严重度监测模型，以实现区域尺度上小麦条锈病严重度的监测。

本发明涉及基于ASD高光谱数据的冬小麦白粉病遥感监测方法，包括以下步骤：采集冬小麦的冠层高光谱数据，计算病情指数DI；选取400～800nm波段范围内的冠层高光谱数据作为试验数据；分别计算各波段对于病情指数DI的权重值a和各波段之间的相关系数，求得将权重值和权重值a最大值所对应的波段与其它波段的相关系数归一化后二者间距d，取权重值a最大值所对应的波段和距离d中的最大正值所对应的波段作为最佳敏感波段组合；构造新植被指数NDVI1；选取10种与白粉病病情相关的植被指数与新植被指数NDVI1构建冬小麦白粉病监测模型。本发明通过对小麦高光谱数据中的原始波段信息进行分析、组合和加强，提取敏感波段和构建新的植被指数，并用于病虫害遥感监测。

本发明涉及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，与现有技术相比解决了小麦病害特征冗余度高、监测精度差的缺陷。本发明包括以下步骤：遥感数据的获取和预处理；特征变量的提取；特征变量的处理；白粉病监测模型的构建和优化；小麦白粉病遥感监测结果的获得。本发明通过将relief与mRMR两种特征选择技术与经过遗传方法优化的支持向量机结合，形成对区域尺度的白粉病进行有效遥感监测。

本发明公开了一种基于机器学习的绿潮面积遥感监测方法，包括：使用搭载高光谱成像仪的无人机在实验海域进行航拍；对航拍图像进行图像裁剪、反射率校正、平滑降噪、光谱增强的预处理工作；基于光谱特征，进行波段选择提炼光谱信息并减少分类计算量；利用投票分类器对航拍图像进行分类预测，计算绿潮覆盖面积；本发明基于实地航拍高光谱图像采集到的光谱特征信息构建了以随机森林、支持向量机、K最近邻法为三输入的投票分类器模型，通过对实验区高光谱图像的预测应用，证明了该模型在预测大数据时仍保持较高准确率，且在混合像元区也能给出定义，证明了该方法的在绿潮遥感监测领域的可行性和优越性。