近地面无人机植被定量遥感与生理参数反演技术应用

本文主要是介绍近地面无人机植被定量遥感与生理参数反演技术应用,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

李老师(副教授),长期从事无人机近地面植被遥感,植被生理参数,多角度遥感,RGB/多光谱/高光谱数据处理,LiDAR点云处理等领域研究工作,具有资深的技术底蕴和专业背景。

专题一、近十年近地面无人机植被遥感文献分析、传感器选择、观测方式及质量控制要点

1.1. 近十余年无人机植被遥感文献分析

文献分析软件VOSviewer的使用

无人机植被遥感的重点研究方向、研究机构、科学家

  

1.2. 无人机遥感的特点及与卫星遥感的差异

核心优势与四大基本特点

无人机与卫星遥感影像的成像方式差异

1.3. 无人机传感器类型、特点及选择

消费级RGB相机的简要成像几何与光谱特点

多光谱相机成像类型与核心问题(波段影像套合、滤光片)

高光谱相机成像方式与光谱真实性

热红外相机特点与温度测量可靠

1.4. 无人机遥感观测方式、特点与质量控制

天底观测、多尺度观测与倾斜观测

四种典型的多角度观测模式

影像质量控制的要点

专题二、辐射度量与地物反射特性

2.1.基本辐射度量与表面辐射特性

由浅入深基本辐射度量:辐射通量、辐照度、辐射强度、辐亮度(推导)

基本辐射定律之朗伯余弦定律与平方反比定律(推导)

朗伯表面辐射与辐射的各向异性

2.2. 地物二向反射特性与表征

能量守恒与反射率的定义(推导)

非朗伯表面的二向性反射之BRDF与BRF详解(推导)

九种反射因子/率(推导)

2.3. 典型地物光谱反射特征与物理生理机制

健康与胁迫状态下叶片光谱反射率与物理生理机制

多种土壤类型与状态下土壤光谱反射率特征与物理解释

植被指数构建的基本思想、原则与方法(示例)

专题三、无人机遥感影像辐射与几何处理

3.1.遥感影像的辐射处理

成像光路中的暗电流、暗角效应、大气效应介绍

成像传感器辐射定标之二向反射率获取方法(实践+代码讲解)

绝对定标与相对定标

3.2.遥感影像的几何校正

成像几何与投影变换简要原理

成像畸变与校正方法

正射影像、DEM、DSM的生成(实践+代码讲解)

3.3.摄影测量SfM点云

二维影像与三维点云的投影与反投影(实践+代码讲解)

影像与SfM点云联合使用案例(实践)

点云去噪、滤波、归一化、冠层高度模型生产、单木检测与分割(实践)

专题四、光在植被叶片与冠层中的辐射传输机理及平面模型应用

4.1. 植被的结构与功能简介

叶片尺度的结构与功能

植株/冠层尺度的结构与功能

冠层覆盖度与叶面积指数的定义详解

4.2.阔叶片辐射传输模型

单子叶平板模型PLATE (推导)

双子叶多层平板模型PROSPECT (代码详解)

4.3.比尔-朗伯定律与叶面积指数

比尔-朗伯定律与间隙率理论(两种推导)

投影G函数与聚集指数(推导+代码)

4.4.冠层一维辐射传输模型

SAIL模型详解

专题五、植被覆盖度与叶面积指数遥感估算

5.1.无人机影像的植被覆盖度估算

传统图像分割与像元分解

森林冠层覆盖度估算

5.2.无人机影像的叶面积指数估算

基于间隙率模型的反演

基于SAIL模型的反演

基于机器学习模型的反演

原文链接:

https://mp.weixin.qq.com/s?__biz=MzUyNzczMTI4Mg==&mid=2247615627&idx=5&sn=37d2e9e124ef8149e18d9f0ab70f8088&chksm=fa785bb6cd0fd2a0d7b3f5a6f7e4710256c0ef0d65880cfe8549adba123552a86fab62542801&token=807046653&lang=zh_CN&scene=21#wechat_redirect

这篇关于近地面无人机植被定量遥感与生理参数反演技术应用的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/779785

相关文章

乐鑫 Matter 技术体验日|快速落地 Matter 产品,引领智能家居生态新发展

随着 Matter 协议的推广和普及,智能家居行业正迎来新的发展机遇,众多厂商纷纷投身于 Matter 产品的研发与验证。然而,开发者普遍面临技术门槛高、认证流程繁琐、生产管理复杂等诸多挑战。  乐鑫信息科技 (688018.SH) 凭借深厚的研发实力与行业洞察力,推出了全面的 Matter 解决方案,包含基于乐鑫 SoC 的 Matter 硬件平台、基于开源 ESP-Matter SDK 的一

一份LLM资源清单围观技术大佬的日常;手把手教你在美国搭建「百万卡」AI数据中心;为啥大模型做不好简单的数学计算? | ShowMeAI日报

👀日报&周刊合集 | 🎡ShowMeAI官网 | 🧡 点赞关注评论拜托啦! 1. 为啥大模型做不好简单的数学计算?从大模型高考数学成绩不及格说起 司南评测体系 OpenCompass 选取 7 个大模型 (6 个开源模型+ GPT-4o),组织参与了 2024 年高考「新课标I卷」的语文、数学、英语考试,然后由经验丰富的判卷老师评判得分。 结果如上图所

持久层 技术选型如何决策?JPA,Hibernate,ibatis(mybatis)

转自:http://t.51jdy.cn/thread-259-1-1.html 持久层 是一个项目 后台 最重要的部分。他直接 决定了 数据读写的性能,业务编写的复杂度,数据结构(对象结构)等问题。 因此 架构师在考虑 使用那个持久层框架的时候 要考虑清楚。 选择的 标准: 1,项目的场景。 2,团队的技能掌握情况。 3,开发周期(开发效率)。 传统的 业务系统,通常业

ABAP怎么把传入的参数刷新到内表里面呢?

1.在执行相关的功能操作之前,优先执行这一段代码,把输入的数据更新入内表里面 DATA: lo_guid TYPE REF TO cl_gui_alv_grid.CALL FUNCTION 'GET_GLOBALS_FROM_SLVC_FULLSCR'IMPORTINGe_grid = lo_guid.CALL METHOD lo_guid->check_changed_data.CALL M

亮相WOT全球技术创新大会,揭秘火山引擎边缘容器技术在泛CDN场景的应用与实践

2024年6月21日-22日,51CTO“WOT全球技术创新大会2024”在北京举办。火山引擎边缘计算架构师李志明受邀参与,以“边缘容器技术在泛CDN场景的应用和实践”为主题,与多位行业资深专家,共同探讨泛CDN行业技术架构以及云原生与边缘计算的发展和展望。 火山引擎边缘计算架构师李志明表示:为更好地解决传统泛CDN类业务运行中的问题,火山引擎边缘容器团队参考行业做法,结合实践经验,打造火山

自制的浏览器主页,可以是最简单的桌面应用,可以把它当成备忘录桌面应用

自制的浏览器主页,可以是最简单的桌面应用,可以把它当成备忘录桌面应用。如果你看不懂,请留言。 完整代码: <!DOCTYPE html><html lang="zh-CN"><head><meta charset="UTF-8"><meta name="viewport" content="width=device-width, initial-scale=1.0"><ti

Python应用开发——30天学习Streamlit Python包进行APP的构建(9)

st.area_chart 显示区域图。 这是围绕 st.altair_chart 的语法糖。主要区别在于该命令使用数据自身的列和指数来计算图表的 Altair 规格。因此,在许多 "只需绘制此图 "的情况下,该命令更易于使用,但可定制性较差。 如果 st.area_chart 无法正确猜测数据规格,请尝试使用 st.altair_chart 指定所需的图表。 Function signa

气象站的种类和应用范围可以根据不同的分类标准进行详细的划分和描述

气象站的种类和应用范围可以根据不同的分类标准进行详细的划分和描述。以下是从不同角度对气象站的种类和应用范围的介绍: 一、气象站的种类 根据用途和安装环境分类: 农业气象站:专为农业生产服务,监测土壤温度、湿度等参数,为农业生产提供科学依据。交通气象站:用于公路、铁路、机场等交通场所的气象监测,提供实时气象数据以支持交通运营和调度。林业气象站:监测林区风速、湿度、温度等气象要素,为林区保护和

Java面试八股之JVM参数-XX:+UseCompressedOops的作用

JVM参数-XX:+UseCompressedOops的作用 JVM参数-XX:+UseCompressedOops的作用是启用对象指针压缩(Ordinary Object Pointers compression)。这一特性主要应用于64位的Java虚拟机中,目的是为了减少内存使用。在传统的64位系统中,对象引用(即指针)通常占用8字节(64位),而大部分应用程序实际上并不需要如此大的地址空间

PyTorch模型_trace实战:深入理解与应用

pytorch使用trace模型 1、使用trace生成torchscript模型2、使用trace的模型预测 1、使用trace生成torchscript模型 def save_trace(model, input, save_path):traced_script_model = torch.jit.trace(model, input)<