- 综合排序
- 最热优先
- 最新优先
- 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
PIE-Engine 教程:水稻面积提取2—监督分类(宿迁市)
这里是第二部分计算水稻提取，这里采用的是监督分类。 */ //2.进行监督分类 var area = pie.Geometry.Polygon([ [ [ 118.19042604840365, first().geometry() Map.centerObject(roi, 8) Map.addLayer(roi) //导入用于分类影像并勾选波段 var bands = ["B1", "B2" l8Image.classify(classifier, "classifyA"); var visParam = { min: 1, max: 4, palette: 'EAF2F5,000032,1F3600 ", colors: ['#EAF2F5', '#000032', '#1F3600', '#FAFFC8'], labels: ["水稻", "其他植被", "城镇", "水体"],
46210编辑于 2024-02-02 - 来自专栏计算机视觉战队
作者亲自修改论文 | 水稻检测
一、简要 在本研究中，研究者提出了一种有效的深度卷积神经网络(DCNN)结构，利用手持照相机拍摄的照片来检测水稻的生长阶段(DVS)。 Forest Meteorology, 259, 21360–270. https://doi.org/10.1016/j.agrformet.2018.05.001）使用支持向量机和DCNN来区分水稻穗的图块 当在播种方向拍摄图像时，两排水稻之间的土壤会被很好地捕捉到，而在其他方向，图像捕捉到的土壤会较少。
56020发布于 2021-05-31 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
全球历史水稻产量数据集
全球历史水稻产量自20世纪初以来迅速增长，据联合国粮农组织（FAO）的数据，2019年全球水稻产量为496亿公斤。以下是一些主要水稻产区和其产量：前言 – 人工智能教程 1. 中国：中国是全球最大的水稻生产国，占全球总产量的30%左右，2019年产量为148亿公斤。 2. 印度：印度是世界第二大水稻生产国，占全球总产量的20%左右，2019年产量为117亿公斤。 3. 孟加拉国：孟加拉国是全球第四大水稻生产国，占全球总产量的5%左右，2019年产量为26亿公斤。 5. 越南：越南是全球第五大水稻生产国，占全球总产量的4%左右，2019年产量为21亿公斤。 此外，一些其他的主要水稻生产国包括泰国、巴西、菲律宾、缅甸和日本等。全球水稻主要分布在东南亚、南亚和东亚等地区。 .select("rice") .first(); //输出影像信息 print(img); //定位地图中心 Map.centerObject(img, 2)
57410编辑于 2024-02-02 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine（GEE）——Sentinel-1 和 2 数据的融合，水稻范围识别和水稻种植季节区分地图绘制—马来西亚为例
最近发现了一个巨牛的人工智能学习网站，点击跳转到网站：前言 – 床长人工智能教程 这次给大家推荐一篇文章，关于水稻识别：使用 GEE 平台中的无监督分类整合 Sentinel-1 和 2 时间序列数据来实现的 摘要： 水稻是世界一半以上人口的主要作物，但缺乏概述水稻产区及其生长阶段的高分辨率地图。大多数遥感研究绘制了水稻的范围：然而，在热带地区，水稻全年种植，种植日期和种植频率不同。 整体的代码界面： 结论 我们的结果支持这样的假设，即在 GEE 云计算平台中使用基于物候学的方法整合 Sentinel-1 和 2 时间序列数据可以准确地生成水稻范围、种植强度和种植日历的地图。 与过去的研究相比，所提出的方法有几个优点： 由于使用了 Sentinel-1 和 2 时间序列数据，它不仅可以生成高分辨率的水稻分布图，还可以绘制热带地区的强度和种植日历； 由于在 GEE 数据的最大 NDVI 值组合，因此无需遮盖云层和云层阴影； 由于 Sentinel-1 和 2 时间序列数据的融合，它能够识别水稻物候阶段的特征，包括土壤耕作和种植、营养、生殖和成熟阶段。
1.1K10编辑于 2024-02-02 水稻和杂草检测数据集VOC+YOLO格式1356张2类别
jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：1356 标注数量(xml文件个数)：1356 标注数量(txt文件个数)：1356 标注类别数：2
24611编辑于 2025-07-16- 来自专栏二猫の家
GEE 利用增强的Sentinel-2像元物候特征精确提取水稻分布
题目：An enhanced pixel-based phenological feature for accurate paddy ricemapping with Sentinel-2 imagery of Photogrammetry and Remote Sensing（IF:14.9） 第一作者：田金炎（*通讯作者，首都师范大学讲师） 发表单位：首都师范大学 摘要 背景：准确提取区域的水稻分布对农业和生态很重要 东北水稻区，2019年Eppf制图仅比国家统计局少1.86%。 展望：1）Eppf-CM将推进物候农业测绘发展；2）水稻分布将为农业和生态提供新的基础数据。 结果 代码 1）水稻制图的方法GEE链接：https://code.earthengine.google.com/81bc77c01c5158cf936f811b175890b9 2）分类精度比较链接： An enhanced pixel-based phenological feature for accurate paddy rice mapping with Sentinel-2 imagery
47911编辑于 2024-05-30 - 来自专栏CSDN社区搬运
初入图像处理：水稻剑叶夹角测量
因此，实现水稻剑叶夹角快速、准确地在体测量，对水稻高产育种具有重要意义。 四、论文思路 利用图像处理技术实现水稻剑叶夹角的实时、准确测量。 步骤2：图像预处理模块复现 RGB到HSV颜色空间转换及背景分割 读取采集到的水稻基部图像，按照论文方法将其从RGB颜色空间转换为HSV颜色空间。 由于水稻主茎与剑叶通常在第一第二象限，根据论文方法，将直线与竖直方向所成夹角通过公式theta1 = π/2 - degree（第一象限）和theta2 = 3π/2 - degree（第二象限）进行映射 main_stem_angle_deg; theta2=3*360/2-main_stem_angle_deg; theta21=360/2-flag_leaf_angle_deg; theta22=3 *360/2-flag_leaf_angle_deg; 剑叶夹角计算 通过计算水稻主茎与剑叶中心直线的差值，得到水稻的剑叶夹角。
52610编辑于 2024-12-27 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
PIE-Engine 教程:水稻面积提取3—sentinel2合成月度影像宿迁市)
0: No cirrus clouds 1: Cirrus clouds present 代码： /** * @Name : 基于 PIE Engine Studio 的水稻自动提取 * @Author : 武汉大学VHR队 * @Desc : 淮安市水稻提取 - 合成sentinel2月度影像 * @Source : 航天宏图第四届 “航天宏图杯”PIE (roi) var lswi2 = pie.ImageCollection('S2/L1C') .filterBounds(roi) .filterDate("2020-12-1", " 2020-12-31") .select(['B2', 'B4', 'B8', 'B11', 'QA60']) .map(maskS2clouds) .map(LSWI) ) var evi2 = pie.ImageCollection('S2/L1C') .filterBounds(roi) .filterDate("2020-12-1", "2020-
33110编辑于 2024-02-02 - 来自专栏Sentieon
Sentieon | 水稻全基因组（WGS）分析流程
今天给大家介绍的是基于 Sentieon 软件开发的用于水稻全基因组测序数据的自动化流程脚本。 测试水稻样本测序深度36.98X，从FASTQ到VCF全流程分析最快用时8分钟，大幅缩短了水稻全基因组WGS分析时间，有效加快水稻的分子育种进程。 2. 脚本应用示例使用上述脚本对水稻全基因组测序数据分析的测序结果，具体样本信息如下表所示：类别详情物种IDOryza_sativa物种名和倍性水稻(二倍体)参考基因组GCF_034140825.1_ASM3414082v1 从FastQ到VCF全流程分析最快用时8分钟，大幅缩短了水稻的全基因组WGS分析时间，有效加快作物的分子育种进程。
39610编辑于 2025-10-29 - 来自专栏成套网站
基于深度学习的水稻病虫害检测系统
然而，水稻生长过程中面临诸多病虫害威胁，如稻瘟病、纹枯病、稻飞虱、稻纵卷叶螟等，这些病虫害严重影响水稻产量与品质。 传统水稻病虫害识别方法依赖人工经验，农业工作者或农民通过肉眼观察水稻植株症状来判断病虫害类型与严重程度。 因此，开展基于深度学习的水稻病虫害检测系统研究具有重要意义。2、研究意义保障粮食安全，稳定农业生产水稻作为全球重要的粮食作物，其产量与质量关乎粮食安全大局。 水稻病虫害的爆发往往导致大规模减产，严重威胁粮食供应稳定。基于深度学习的水稻病虫害检测系统，能够快速、精准地识别病虫害类型与严重程度。 其核心改进包括：采用C2f模块优化骨干网络，增强多尺度特征提取能力并降低计算量；引入Anchor-Free检测头，简化推理步骤，提升小目标检测精度；使用解耦头结构分离分类与回归任务，优化特征表示；结合VFL
25110编辑于 2025-12-31 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
PIE-Engine 教程:水稻面积提取1(宿迁市)
我们这次用国家的边界通过name进行筛选到宿迁市进行分析，本次计算的水稻面积用到的指数是NDVI，LSWI，EVI三种指数进行分析，用到的影像是Landsat 8数据，DEM数据（计算坡度、坡向）还有指定 5月和8月份SAR影像（"VH1","VH2"）最后分别加入到Landsat波段影像，可导出我们所合成的影像。 Image - dropNulls(Boolean) 是否允许返回空值 返回值：ImageCollection 代码： /** * @Name : 基于 PIE Engine Studio 的水稻自动提取 * @Author : 武汉大学VHR队 * @Desc : 淮安市水稻提取 -- 合成监督分类影像 * @Source : 航天宏图第四届 “航天宏图杯”PIE软件二次开发大赛云开发组三等奖获奖作品 geometry() Map.centerObject(roi, 8) Map.addLayer(roi, { color: "red", fillColor: "00000000", width: 2
44910编辑于 2024-02-02 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
PIE-Engine 教程:水稻面积提取5—精度评定(宿迁市)
kappa系数 方法参数： - ConfusionMatrix(Object) 混合矩阵对象 返回值：Number 代码： /** * @Name : 基于 PIE Engine Studio 的水稻自动提取 * @Author : 武汉大学VHR队 * @Desc : 淮安市水稻提取 - 精度评价 * @Source : 航天宏图第四届 “航天宏图杯”PIE软件二次开发大赛云开发组三等奖获奖作品 vali_water'); var rice = pie.FeatureCollection('user/pieadmin/saas/06/vali_rice'); //给验证样本添加属性type，1为水稻 feature.set("type", "2") }) var water = water.map(function(feature) { return feature.set("type", "2") , 2)).size(); var sum = validation.filter(pie.Filter.eq('type', 2).and(pie.Filter.eq('predict', 2))).
30910编辑于 2024-02-02 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
PIE-Engine 教程:水稻面积提取4—阈值筛选(宿迁市)
这里水稻面积提取用阈值法进行，这里我们需要用到的是将随机森林和svm支持向量机的监督分类分析的结果用mask去除和提取，这里我们所需要用到几个函数 where(condition,value) 执行值的有条件替换 返回值：Image 水体指数 LSWI=（NIR-SWIR）/（NIR+SWIR式）中，NIR和SWIR分别表示MODIS近红外和短波红外波段处的地表反射率； 2）、提取水稻像元：利用水指数LSWI与植被指数 @Name : 基于 PIE Engine Studio 的水稻自动提取 * @Author : 武汉大学VHR队 * @Desc : 淮安市水稻提取 - 阈值筛选 * negVI,doy //选择位于水稻生长期的月度影像 var col2 = pie.ImageCollection.fromImages 'doy']).clip(roi) //B2 doy //计算水稻插秧期快速生长后EVI值的变化 var datediffer = (peak.select('doy').subtract(flood.select
37810编辑于 2024-02-02 - 来自专栏育种数据分析之放飞自我
通过基因组选择预测杂交水稻的表现(数据挖掘)
小编自语： 基因组选择，预测杂种优势，在水稻可以用，在玉米，高粱中也可以用，在动物选择配套系时也可以用，根据加性效应和非加性效应进行预测，前景广阔。 这篇文章的作者，有很多大牛：徐世忠老师, 专门做算法的；张启发老师, 水稻大牛。 可以进一步分析或者挖掘的地方： 1，水稻或者玉米等利用杂种优势的作物，本身自交系是有一定的分群划分的，可以针对不同群体的杂交组合构建参考群，然后进行预测所有群体间杂交种的表现，准确性应该更高 2，很多经济性状 Plant Biotechnology Journal, 2019. 2. 水稻训练群体和测试群体 训练群体中, 杂交种的表型值需要测量, 基因型值可以根据亲本的基因型进行推断(亲本为纯合的, 杂交种为杂合的).
1.2K30发布于 2019-06-13 - 来自专栏计算机视觉战队
利用手持摄像机实时进行水稻检测（致敬袁老）
公众号ID｜计算机视觉研究院 学习群｜扫码在主页获取加入方式 源论文| 回复“水稻”获取论文下载 计算机视觉研究院专栏 Column of Computer Vision Institute 小农户在全球粮食供应中发挥着重要作用 一、简要 在本研究中，研究者提出了一种有效的深度卷积神经网络(DCNN)结构，利用手持照相机拍摄的照片来检测水稻的生长阶段(DVS)。 Forest Meteorology, 259, 21360–270. https://doi.org/10.1016/j.agrformet.2018.05.001）使用支持向量机和DCNN来区分水稻穗的图像斑块 检测到的穗状斑块的数量决定了水稻的走向阶段。 以上两项研究集中在固定的角度和位置的图像上，而小农户可以以随机的角度和位置拍摄图像。为了方便处理这些随机图像，有必要开发一种通用的方法。 当在播种方向拍摄图像时，两排水稻之间的土壤会被很好地捕捉到，而在其他方向，图像捕捉到的土壤会较少。
33020编辑于 2023-09-20 - 来自专栏用户2836191的专栏
基于GEE和S1自动提取水稻种植区
这项研究提出了一种经济有效的方法，可用于近实时地绘制和监测大面积水稻的生长程度和种植方式。这种新颖的方法可以生成水稻种植区的高分辨率月度地图（10 m分辨率）以及水稻生长阶段。 该方法将时态Sentinel-1数据和水稻物候参数与基于Google Earth Engine（GEE）云的平台集成在一起。 使用K均值聚类，层次聚类分析（HCA）和VH极化时间序列剖面的可视化解释来生成水稻范围，种植模式和生育期的时空分布。 该方法还可以预测长达两个月的水稻播种期。 VH极化数据可以确定水稻的四个生长阶段：T＆P：耕作和播种（30天）； V：植物人1和2（60天）； R：生殖（30天）； M：到期日（30天）。 与实地调查数据相比，该方法测量的水稻总面积精度为96.5％，卡伯系数为0.92。与随机森林和C5.0模型相比，SVM和ANN显示出更好的性能。
2.5K11发布于 2020-10-11 - 来自专栏今天看点
江西成功克隆出水稻“耐高温”基因技术 已达国际领先水平
该研究克隆了水稻重要功能基因HTH5，发现HTH5可正向调控水稻对高温的耐受性，并解析了其调控的分子机制。该成果为水稻耐高温育种的分子改良提供了基因储备和材料基础。 水稻虽然是一种能够适应高温的作物，但是过高的温度依然会影响水稻的产量，大家都知道，现在全球变暖导致的气温升高也已经成为制约水稻产量增加的主要非生物胁迫因素。 因此，在稻属野生种资源中发掘水稻生殖发育时期耐高温基因资源对培育水稻耐热品种具有重要意义。 图：HTH5提高花粉中热诱导磷酸吡哆醛（PLP）含量及降低活性氧（H2O2和MDA）积累水平 生理实验分析表明HTH5通过提高热诱导的吡哆醛磷酸含量来减少高温下活性氧的积累，从而提高水稻花粉的耐热性，达到提高结实率 启动子区域序列分析发现HTH5启动子上游2个单核苷酸变异影响了基因表达量，并且与水稻耐热性多样化相关。
49130编辑于 2022-05-13 - 来自专栏气象学家
利用机器学习和深度学习方法整合多源数据进行中国水稻产量预测
分析分为四个步骤:(1)对所有选择变量和水稻产量进行归一化，并对水稻系统的训练数据(70%)和测试数据(30%)随机划分整个数据集(Cao等，2019;优素福等人，2015);(2)基于最高R2和最低RMSE 图2.LSTM模型的输入数据和建议架构的可视化。 【4.3 综合不同卫星 VI 以产生预测技技术的贡献】 图7.整个生长季节使用不同VI输入的三种方法的R2。通过随机测试数据集，误差线为R2的±15%。 表3 2011 - 2015年县级模型绩效均数RMSE和R2 【4.4. 产量预测技巧的比较] 图12 使用前向生长阶段观测值估算2015年产量的模型表现:(a-b) R2， (b) RMSE。
3.7K30编辑于 2022-01-18 水稻虫害检测数据集VOC+YOLO格式5212张6类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
36200编辑于 2025-07-17无人机图像+深度学习：湖南农大团队实现稻瘟病分级检测84%准确率
中国是水稻种植大国，水稻在农业生产和粮食供应中占据着举足轻重的地位。 然而，水稻种植过程中常常受到各种病虫害的威胁，稻瘟病被誉为水稻的“重大威胁”,导致水稻产量显著减少，极端情况下甚至引发绝收，是水稻种植业面临的最严峻病害之一。 将切割出的所有图像块根据行业标准分成健康、轻度、中度及重度稻瘟病四类等级，经过人工标注后投入模型训练中，构建出用于水稻稻瘟病早期分级检测的数据集。如图 2 所示。 2）在实际应用中，水稻病害图像往往受到光照、背景、拍摄角度等多种因素的影响，导致图像质量参差不齐。 利用已构建完备的水稻稻瘟病数据集对这些模型进行了全面的训练，并在独立的测试集上进行了性能评估。试验结果如表 2 所示。这些显著的性能提升充分证明了改进策略的有效性。
33800编辑于 2025-07-31
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号