Vegetation phenology detection of deciduous broad-leaf forest using YOLOv3 from PhenoCam

物候学 每年落叶的 植被(病理学) 增强植被指数 环境科学 遥感 自然地理学 叶面积指数 归一化差异植被指数 生态学 地理 植被指数 生物 医学 病理
作者
Mengying Cao,Qinchuan Xin
标识
DOI:10.1109/icaie53562.2021.00061
摘要

Vegetation phenology identification is significance to the exploration of vegetation growth and is also conducive to the impact of phenology on the ecological environment. Recently, vegetation phenology detection is based on a time series of vegetation phenology to index simulation of vegetation growth time indirectly. In this study, we identify the vegetation phenology of deciduous broad-leaved forest through the deep learning method within a single PhenoCam image. The result of the phenology identification of growing regions, the accuracy MAP of daily identification in daily scales mAP up to 10.2%, which could identify the growing period of most deciduous broad-leaved forests. The identification accuracy mAP in the 8-day scale is up to 69%, and the identification mAP accuracy of vegetation could reach 98.2% when it was divided into four categories. The purpose of this study is to detect the phenological growth period of deciduous broad- leaved forest with rapid development, high precision, and fast deep learning methods. It has a great improvement on the current method of calculating the vegetation phenology period by using the traditional measurement and related mathematical and physical models. While obtaining the phenology period more quickly, it can automatically and accurately obtain the growth area and growth period of the study area, making a certain contribution to the study of vegetation phenology.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Kyogoku发布了新的文献求助10
1秒前
MUAL完成签到,获得积分10
2秒前
大胆绿茶完成签到,获得积分10
3秒前
3秒前
晴雪完成签到,获得积分10
3秒前
青阳完成签到,获得积分10
7秒前
杨烨华发布了新的文献求助10
10秒前
iNk应助wsy采纳,获得20
15秒前
动听牛排应助满姣采纳,获得20
16秒前
16秒前
17秒前
kevin完成签到,获得积分10
17秒前
happya完成签到 ,获得积分10
17秒前
18秒前
zsn完成签到 ,获得积分10
18秒前
小赵完成签到 ,获得积分10
20秒前
假面绅士发布了新的文献求助10
20秒前
22秒前
24秒前
25秒前
爱吃麻辣烫关注了科研通微信公众号
25秒前
刘肉干发布了新的文献求助10
25秒前
杨烨华完成签到,获得积分20
25秒前
27秒前
852应助啊呜采纳,获得10
27秒前
28秒前
坚强冷珍发布了新的文献求助10
28秒前
赵珊发布了新的文献求助10
28秒前
28秒前
林兰特完成签到 ,获得积分10
30秒前
科研通AI2S应助noob采纳,获得10
31秒前
32秒前
科研通AI2S应助科研小风采纳,获得30
32秒前
坚强冷珍完成签到,获得积分10
33秒前
35秒前
35秒前
研友_VZG7GZ应助赵珊采纳,获得30
38秒前
啊呜发布了新的文献求助10
40秒前
林星应助啦啦啦采纳,获得20
40秒前
好好的er完成签到,获得积分10
41秒前
高分求助中
The Oxford Handbook of Social Cognition (Second Edition, 2024) 1050
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Chen Hansheng: China’s Last Romantic Revolutionary 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3141296
求助须知:如何正确求助?哪些是违规求助? 2792352
关于积分的说明 7802183
捐赠科研通 2448490
什么是DOI,文献DOI怎么找? 1302608
科研通“疑难数据库(出版商)”最低求助积分说明 626650
版权声明 601237