CN104089647A - 一种作物病害发生范围监测方法及*** - Google Patents
一种作物病害发生范围监测方法及*** Download PDFInfo
- Publication number
- CN104089647A CN104089647A CN201410310413.XA CN201410310413A CN104089647A CN 104089647 A CN104089647 A CN 104089647A CN 201410310413 A CN201410310413 A CN 201410310413A CN 104089647 A CN104089647 A CN 104089647A
- Authority
- CN
- China
- Prior art keywords
- disease
- crop
- monitoring
- target area
- crop pest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种作物病害发生范围监测方法及***,涉及农学监测技术领域。该方法包括:获取预设时间段内目标区域的作物病害数据及气象数据,建立病害发生程度与气象因子之间的关系模型;获取待预测年份目标区域的气象因子,通过关系模型得到待预测年份目标区域的病害发生程度;根据病害发生程度获取目标区域的遥感影像并进行预处理,提取目标区域作物的面积,确定作物病害发生范围监测的制图区域;确定作物病害监测的遥感指数SI,并根据所述遥感指数SI,在作物病害发生范围监测的制图区域内制图。本发明从病害发生机制出发,利用卫星遥感影像和病害光谱特征对疑似病害发生区域进行监测和制图,为大范围内病害防控管理提供重要决策依据。
Description
技术领域
本发明涉及农学监测技术领域,具体涉及一种作物病害发生范围监测方法及***。
背景技术
农作物病虫害是农业生产中的重要生物灾害,一直以来,都是制约农业高产、优质、高效、生态、安全的主导因素。据***粮农组织估计,世界粮食产量常年因病虫害损失18%。近年来,随着全球气候变暖、各类灾变事件频发,在一定程度上为病虫害的发生、流行和传播提供了有利条件,使得病虫害的防控任务更加艰巨。冬小麦、夏玉米作为全球主要的粮食作物,受病虫害威胁严重。目前作物病害主要的防控途径是喷洒农药,但我国农药喷洒的随意性较大,由于缺乏大范围内病害发生风险的信息,往往出现风险较高的区域防控不到位,而局部地区则由于喷洒过量导致农田环境污染,甚至药害的发生。因此,如何科学合理地对一些面积较大的作物种植区的病害疑似发生范围进行监测和制图对于我国农业部门进行大范围防控决策和指导有重要意义。
普遍来看,作物病害的病菌分布与温度、湿度等气象因素密切相关,其在区域中的潜在分布范围主要受这些气象因素影响,进而决定了病害适宜发生的范围。在病害监测方面,现有的技术方法存在以下问题:(1)传统病害监测以目测手查为主,虽然精度较高,但该方法耗时费力,主观性较强,无法覆盖农田整体,更无法适应大范围病害发生的调查。(2)传统基于气象信息的病害发生预测模型以局地模型为主,且以多元回归等建模方式无法考虑气象因子与病害发生之间的复杂关系,模型局限性较大,普适性较低。(3)缺少一种适合大范围作物病害疑似发生范围的监测方法。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何基于气象和遥感影像信息设计一种能够适用于大范围作物病害的监测方法。
(二)技术方案
为了解决上述技术问题,本发明提供了一种作物病害发生范围监测方法,该方法包括:
S1、获取预设时间段内目标区域的作物病害数据及气象数据,建立病害发生程度与气象因子之间的关系模型;
S2、获取待预测年份目标区域的气象因子,根据所述气象因子通过所述关系模型得到所述待预测年份目标区域的病害发生程度;
S3、根据所述病害发生程度获取所述目标区域的遥感影像并进行预处理,提取目标区域作物的面积,确定作物病害发生范围监测的制图区域;
S4、确定作物病害发生范围监测的遥感指数SI,并根据所述遥感指数SI,在所述作物病害发生范围监测的制图区域内制图。
可选的,步骤S1之前还包括:
S0、选取目标区域及所述作物病害类型,所述作物病害数据与选取的作物病害类型相对应。
可选的,步骤S1具体包括:
S10、获取预设时间段内目标区域的作物病害数据及气象数据,根据所述作物病害数据确定对应的病害发生程度,从所述气象数据中选取能够反映所述病害发生程度的气象因子集合;
S11、根据所述病害发生程度及所述气象因子集合通过模糊综合评判法建立病害发生程度与气象因子之间的关系模型。
可选的,步骤S10中所述病害发生程度分为:一级轻发生、二级偏轻发生、三级中等发生、四级偏重发生和五级大发生,不同类型病害参考相应的国家标准进行判定划分。
可选的,步骤S2和S3之间还包括:
S30、预测所述目标区域的病害发生程度,并将病害发生程度包括三级以上的区域确定为遥感监测的范围。
可选的,步骤S4中所述确定作物病害监测的遥感指数SI具体包括:
S40、对目标区域中健康生长作物进行识别,获得目标区域中健康生长作物的光谱特性;
S41、通过所述目标区域中健康生长作物的光谱特性及病害作物的光谱特性,得到作物病害监测的遥感指数SI。
可选的,步骤S41中所述作物病害监测的遥感指数SI为:
其中,VISdisease为病害作物在可见光波段的平均反射率;VISnormal为健康生长作物在可见光波段的平均反射率;IRdisease为病害作物在红外波段的平均反射率;IRnormal为健康生长作物在红外波段的平均反射率;a,b为权重系数。
本发明还提供了一种作物病害发生范围监测***,该***包括:气象数据输入模块、气象模型构建模块、遥感数据处理模块、病害监测制图模块;
所述气象数据输入模块,用于获取预设时间段内目标区域的作物病害数据及气象数据,建立病害发生程度与气象因子之间的关系模型;
所述气象模型构建模块,用于获取待预测年份目标区域的气象因子,根据所述气象因子通过所述关系模型得到所述待预测年份目标区域的病害发生程度;
所述遥感数据处理模块,用于根据所述病害发生程度获取所述目标区域的遥感影像并进行预处理,提取目标区域作物的面积,确定作物病害发生范围监测的制图区域;
所述病害监测制图模块,用于确定作物病害发生范围监测的遥感指数SI,并根据所述遥感指数SI,在所述作物病害发生范围监测的制图区域内制图。
(三)有益效果
本发明的上述技术方案具有如下优点:本发明提供了一种作物病害发生范围监测方法及***,从病害发生机制出发,首先结合病害的生境需求基于气象数据构建模糊综合评判模型,初步确定病害发生的适宜范围。在此基础上,利用卫星遥感影像和病害光谱特征对疑似病害发生区域进行监测和制图,为大范围内病害防控管理提供重要决策依据。
附图说明
图1为本发明实施例提供的一种作物病害发生范围监测方法步骤流程图;
图2为通过本发明实施例提供作物病害发生范围的预测图及实测图;
图3为本发明实施例提供的结合气象数据的作物病害遥感检测图。
具体实施方式
下面结合附图,对发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本发明提供了一种作物病害发生范围监测方法,该方法包括:
S0、选取目标区域及所述作物病害类型,所述作物病害数据与选取的作物病害类型相对应。
本方法所述作物的病害类型为农田作物的气传流行性病害,如小麦条锈病、白粉病,玉米大斑病等。适宜使用目标区域有两个要求:一是要求作物连片种植且面积较大的的平原地区,因为山区受地形影响气象因素影响较为复杂;二是要求区域内作物耕种及管理方式相似,播种时间及物候差异较小,如陕西关中平原,东北平原,华北平原等。
S1、获取预设时间段内目标区域的作物病害数据及气象数据,建立病害发生程度与气象因子之间的关系模型;
S10、获取预设时间段内目标区域的作物病害数据及气象数据,根据所述作物病害数据确定对应的病害发生程度,从所述气象数据中选取能够反映所述病害发生程度的气象因子集合;
S11、根据所述病害发生程度及所述气象因子集合,通过模糊综合评判法建立病害发生程度与气象因子之间的关系模型;
为建立病害发生适宜性与气象参数间关系,需获得多年份监测区域内各县病害发生程度的植保调查年统计数据以及关键生育期的配套气象数据,为保证模型稳定性和可靠性,需要5年以上的数据用于建模。病害程度数据是县域尺度的分级数据,分为五个严重性等级,分别为:一级轻发生、二级偏轻发生、三级中等发生、四级偏重发生、五级大发生。不同类型病害参考相应的国家标准进行判定划分。分级标准参考相应病害的植保调查国家标准,数据通常可从地方植保站获取。与病害发生密切相关的气象参数旬、月平均数据,包括:平均温度、平均最高气温、平均最低气温、平均相对湿度、平均降雨量、雨日数和日照时数等,气象数据可经由气象科学数据共享中心获取,数据获取时段应覆盖病害发生发展的整个作物生育阶段。
为进一步选择与病害相关的气象参数及其时相,采用相关分析计算各时相不同气象因子与病害程度的相关性,选择显著相关的因子即优选的气象因子以保证所选特征对病虫害发生敏感。同时,检查通过所选特征之间的相关系数低于预设值,本发明实施例中所述的预设值为0.8,以减小信息冗余。最终得到进行病害适宜性分析的特定时相的气象因子。
S2、获取待预测年份目标区域的气象因子,根据所述气象因子通过所述关系模型得到所述待预测年份目标区域的病害发生程度。
对于一个待预测的年份,获取确定的特定时相气象因子,输入上述病害发生程度与气象因子之间的关系模型,计算县域平均的病害气象适宜性等级,最终得到预测区域县域尺度的病害气象适宜性等级。
S30、预测所述目标区域的病害发生程度,并将病害发生程度包括三级以上的区域确定为遥感监测的范围。
考虑到只有在病害发展较为严重的区域才适宜采用遥感影像进行监测,将病害气象适宜性等级包括三级及三级以上的区域确定为后续进行遥感监测的范围。
S3、根据所述病害发生程度获取所述目标区域的遥感影像并进行预处理,提取目标区域作物的面积,确定作物病害发生范围监测的制图区域;
根据多数小麦病虫害发生发展进程较快的特点,选用重访周期短的中高分辨率卫星影像,如Landsat8-TM,SPOT6,国产的环境小卫星HJ-CCD等,影像波段范围需覆盖可见光、近红外和热红外波段。在与气象数据匹配的时间段内分别获取覆盖应用区域的光学影像。影像预处理包括辐射定标、大气校正、几何校正和去云等步骤,将原始数据处理成为带准确地理坐标信息的反射率数据。
根据分析得到的目标区域的病害发生程度,通过病害发生程度大于等于三级的标准筛选得到适宜病害发生的县域区域。进一步地,将病害制图区域进一步缩小为病害适宜发生区域内的目标作物种植范围。作物种植面积提取一方面可参考已有耕地矢量图等地理资料提取,或根据多时相影像进行分类获得。影像分类应结合应用区域中的土地利用类型数据、地形数据和物候知识,如通过某个特定生育期中目标作物的生长阶段和可能出现的其它作物类型进行作物种植面积提取等先验知识,采用图像分类方法进行作物种植面积提取。
S4、确定作物病害发生范围监测的遥感指数SI,并根据所述遥感指数SI,在所述作物病害发生范围监测的制图区域内制图。
S40、对目标区域中健康生长作物进行识别,获得目标区域中健康生长作物的光谱特性;
由于图像获取时间差异、大气校正误差等不确定因素,因不同区域不同数据直接计算得到的遥感指数刻度标准不一,难以用于直接监测病害。为此,本方法应用时首先对监测区域中健康生长作物进行识别,以此作为参考,通过相对的光谱差异监测病害。健康生长作物区域划定有两种方法。一方面,可以根据实地调查或在先验知识较丰富时根据经验基于影像进行目视解译判读;另一方面,在先验知识缺乏的区域中,可以通过反映作物整体长势的NDVI统计数值求得。在这种方式下,统计监测区域所有像元的NDVI均值(mean)和标准差(SD),将处于(mean, mean+2SD)范围的像素值划分为健康区域。
S41、通过所述目标区域中健康生长作物的光谱特性及病害作物的光谱特性,得到作物病害监测的遥感指数SI。
针对不同病害类型的光谱特征,采用待检测像元值与健康像元值对比的方式构成病害遥感监测的多光谱特征。分别在可见光(VIS)和红外(IR)光谱(包括近红外和短波红外波段)范围,选择与病情指数相关性最高的两个波段用于构建病害监测的多光谱植被指数SI:
其中,VISdisease为病害作物在可见光波段的平均反射率;VISnormal为健康生长作物在可见光波段的平均反射率;IRdisease为病害作物在红外波段的平均反射率;IRnormal为健康生长作物在红外波段的平均反射率;a,b为权重系数。
将经过预处理的影像应用确定的制图区域进行掩膜。掩膜后图像根据得到的作物病害监测遥感指数形式,通过波段运算,得到指数的遥感填图。对上述病害监测特征以阈值分割的方法可得到轻度、中度和重度病害疑似发生区域的填图结果。阈值可根据经验人为设定,也可参考区域遥感指数统计值计算得到。在第二种阈值确定模式下,首先求得病害疑似发生区域中病害监测遥感指数的均值(mean)和标准差(SD),阈值设置规则为:(mean+SD,mean+2SD)轻度疑似;(mean+2SD,mean+3SD)中度疑似;和>mean+3SD高度疑似。在有地面调查点数据作参考条件下,可在上述计算所得阈值基础上,对每一级阈值进行微调,以符合应用区域实际情况,实现监测精度最大化。
本发明还提供了一种作物病害范围监测***,该***包括:气象数据输入模块、气象模型构建模块、遥感数据处理模块、病害监测制图模块;
所述气象数据输入模块,用于获取预设时间段内目标区域的作物病害数据及气象数据,建立病害发生程度与气象因子之间的关系模型;
所述气象模型构建模块,用于获取待预测年份目标区域的气象因子,根据所述气象因子通过所述关系模型得到所述待预测年份目标区域的病害发生程度;
所述遥感数据处理模块,用于根据所述病害发生程度获取所述目标区域的遥感影像并进行预处理,提取目标区域作物的面积,确定作物病害发生范围监测的制图区域;
所述病害监测制图模块,用于确定作物病害发生范围监测的遥感指数SI,并根据所述遥感指数SI,在所述作物病害发生范围监测的制图区域内制图。
以下通过具体实施例来说明本发明提供的一种作物病害范围监测及制图方法。
A、应用对象和监测区域的界定。
本实施例为陕西关中平原,包括西安、宝鸡、咸阳、渭南、铜川五市及杨凌区,总面积约3.4万平方公里。该区域为我国西北部地区重要的小麦种植区域,小麦条锈病为一种在该地区发生严重,且与气象条件密切相关的气传病害。
B、监测区域内多年份植保调查和气象数据的搜集和选择
首先本例所用的病害发生植保数据由陕西省植保总站提供,包括关中平原韩城市、合阳县、蒲城县、大荔县、长安区、蓝田县、泾阳县、扶风县、眉县、陈仓区和陇县等11个区县2000~2011年的共计12年的条锈病发病程度数据,该数据调查时间点为每年小麦灌浆期前后各地区田间病害侵染达到最严重的时期;调查数据的分级标准参考小麦条锈病测报国家标准(GB/T 15795—200X)。
气象数据来自中国气象科学数据共享服务网,鉴于本研究所使用数据为一年一报的作物田间病害植保记录数据,为此选择包括陕西关中平原及周边地区共20个气象站点与植保记录数据同年份的3~5月份的逐日气象数据,包括温度、湿度、降水和日照4类气象要素。在此基础上,选择与冬小麦条锈病的发生关联较强的平均温度、平均最高气温及平均最低气温、平均相对湿度、平均降雨量、雨日数和日照时数等气象因子,同时考察不同时段气象因子对病害发生的影响,分别以旬、月为时间单位计算上述各因子均值
将上述不同时段气象参数与植保数据进行相关分析,并检查对病害显著相关因子间的相关性以减小信息冗余,最终得到进行病害适宜性分析的特定时相气象参数为:3月份日照时间,3月份平均相对湿度和5月份平均温度。
C基于模糊综合评判模型的病害适宜性评价模型构建及分级评价
如图2所示,基于应用区域12年的气象和植保数据构建关中地区小麦条锈病适宜性模糊综合评判模型,将2012年气象数据带入模型,依据分级标准得到2012年小麦条锈病适宜性评价结果。将该结果图2(a)与当年植保调查统计数据图2(b)对比,结果高度吻合,有记录的11个县中仅2个县发生状态或程度判断错误。
D小麦条锈病监测遥感指数
在北京市昌平区小汤山国家精准农业示范研究基地采用人为接种的方式设置了一个包含不同感染严重度的小麦条锈病发生现场,在灌浆期病害症状明显的时期采用美国ASD公司产ASD FieldSpec ProFR (350nm-2500nm)型光谱仪进行测定得到不同严重程度小麦条锈病冠层光谱,冠层病情严重度按小麦条锈病测报国家标准(GB/T15795—200X)调查。在此基础上,根据TM各波段通道响应函数模拟得到各波段反射率,构建得到小麦条锈病遥感监测指数:
其中,Greendisense为绿色通道染病反射率,Greennormal为绿色通道正常样本反射率;NIRdisease为近红外通道染病反射率,NIRnormal为近红外通道正常样本反射率。
E小麦条锈病遥感监测制图
根据本例中构建的小麦条锈病适宜性模糊综合评判模型对于2012年评价结果,将病害适宜发生的宝鸡、陇县,扶风、眉县,泾阳县三个区域确定为遥感制图范围。本例用于病害监测的遥感数据采用一景获取自2012年5月19日覆盖陕西关中地区的环境星HJ-CCD影像。小麦分类范围提取采用一景2011年10月和2012年3月影像结合目视解译和决策树分类方法进行。在遥感制图区域内的小麦种植范围内,应用S6方法得到的遥感指数进行填图,并基于区域遥感指数统计值确定阈值,进行病害监测,得到的疑似病害发生区域监测结果。
如图3所示,图(b)代表图(a)中区域1的遥感监测图,图(c)代表图(a)中区域2的遥感监测图,图(d)代表图(a)中区域3的遥感监测图,经过与实际地面调查匹配,有90%以上实际病害发生在本方法监测得到的疑似病害发生区域中。
以上所述仅是本发明优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种作物病害发生范围监测方法,其特征在于,该方法包括以下步骤:
S1、获取预设时间段内目标区域的作物病害数据及气象数据,建立病害发生程度与气象因子之间的关系模型;
S2、获取待预测年份目标区域的气象因子,根据所述气象因子通过所述关系模型得到所述待预测年份目标区域的病害发生程度;
S3、根据所述病害发生程度获取所述目标区域的遥感影像并进行预处理,提取目标区域作物的面积,确定作物病害发生范围监测的制图区域;
S4、确定作物病害发生范围监测的遥感指数SI,并根据所述遥感指数SI,在所述作物病害发生范围监测的制图区域内制图。
2.如权利要求1所述的方法,其特征在于,步骤S1之前还包括:
S0、选取目标区域及所述作物病害类型,所述作物病害数据与选取的作物病害类型相对应。
3.如权利要求1所述的方法,其特征在于,步骤S1具体包括:
S10、获取预设时间段内目标区域的作物病害数据及气象数据,根据所述作物病害数据确定对应的病害发生程度,从所述气象数据中选取能够反映所述病害发生程度的气象因子集合;
S11、根据所述病害发生程度及所述气象因子集合通过模糊综合评判法建立病害发生程度与气象因子之间的关系模型。
4.如权利要求3所述的方法,其特征在于,步骤S10中所述病害发生程度分为:一级轻发生、二级偏轻发生、三级中等发生、四级偏重发生和五级大发生,不同类型病害参考相应的国家标准进行判定划分。
5.如权利要求1所述的方法,其特征在于,步骤S2和S3之间还包括:
S30、预测所述目标区域的病害发生程度,并将病害发生程度包括三级以上的区域确定为遥感监测的范围。
6.如权利要求1所述的方法,其特征在于,步骤S4中所述确定作物病害监测的遥感指数SI具体包括:
S40、对目标区域中健康生长作物进行识别,获得目标区域中健康生长作物的光谱特性;
S41、通过所述目标区域中健康生长作物的光谱特性及病害作物的光谱特性,得到作物病害监测的遥感指数SI。
7.如权利要求6所述的方法,其特征在于,步骤S41中所述作物病害监测的遥感指数SI为:
其中,VISdisease为病害作物在可见光波段的平均反射率;VISnormal为健康生长作物在可见光波段的平均反射率;IRdisease为病害作物在红外波段的平均反射率;IRnormal为健康生长作物在红外波段的平均反射率;a,b为权重系数。
8.一种作物病害发生范围监测***,其特征在于,该***包括:气象数据输入模块、气象模型构建模块、遥感数据处理模块、病害监测制图模块;
所述气象数据输入模块,用于获取预设时间段内目标区域的作物病害数据及气象数据,建立病害发生程度与气象因子之间的关系模型;
所述气象模型构建模块,用于获取待预测年份目标区域的气象因子,根据所述气象因子通过所述关系模型得到所述待预测年份目标区域的病害发生程度;
所述遥感数据处理模块,用于根据所述病害发生程度获取所述目标区域的遥感影像并进行预处理,提取目标区域作物的面积,确定作物病害发生范围监测的制图区域;
所述病害监测制图模块,用于确定作物病害发生范围监测的遥感指数SI,并根据所述遥感指数SI,在所述作物病害发生范围监测的制图区域内制图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410310413.XA CN104089647B (zh) | 2014-07-01 | 2014-07-01 | 一种作物病害发生范围监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410310413.XA CN104089647B (zh) | 2014-07-01 | 2014-07-01 | 一种作物病害发生范围监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104089647A true CN104089647A (zh) | 2014-10-08 |
CN104089647B CN104089647B (zh) | 2016-07-06 |
Family
ID=51637385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410310413.XA Active CN104089647B (zh) | 2014-07-01 | 2014-07-01 | 一种作物病害发生范围监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104089647B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261146A (zh) * | 2015-11-24 | 2016-01-20 | 上海斐讯数据通信技术有限公司 | 一种防虫预警***及方法 |
CN106053725A (zh) * | 2016-05-26 | 2016-10-26 | 南京信息工程大学 | 一种设施葡萄叶片白粉病潜势预报方法 |
CN106248146A (zh) * | 2016-08-31 | 2016-12-21 | 西安黄氏生物工程有限公司 | 一种小麦白粉病预报方法及其装置 |
CN108267175A (zh) * | 2018-02-06 | 2018-07-10 | 首欣(北京)科技有限公司 | 一种基于无人机的农作物监测方法和装置 |
CN108333140A (zh) * | 2018-02-01 | 2018-07-27 | 福州大学 | 用于刚竹毒蛾危害检测的特征光谱指数及检测方法 |
CN108334110A (zh) * | 2018-02-06 | 2018-07-27 | 首欣(北京)科技有限公司 | 一种基于无人机的林业病害监测方法和装置 |
CN108764643A (zh) * | 2018-04-27 | 2018-11-06 | 浙江水利水电学院 | 大范围作物病害风险评估方法 |
CN109360116A (zh) * | 2018-09-13 | 2019-02-19 | 中国农业大学 | 获取县域作物生产潜力指数的方法及装置 |
CN109409601A (zh) * | 2018-10-25 | 2019-03-01 | 郝巴雅斯胡良 | 用于绒山羊养殖的草场演化监测与预测方法 |
CN109635702A (zh) * | 2018-07-11 | 2019-04-16 | 国家***森林病虫害防治总站 | 基于卫星遥感图像的林业生物灾害监测方法和*** |
CN110784493A (zh) * | 2019-07-04 | 2020-02-11 | 苏州大学 | 一种基于NB-IoT通信的综合气象数据采集*** |
CN111537668A (zh) * | 2020-01-16 | 2020-08-14 | 农业农村部规划设计研究院 | 基于气象卫星数据的作物病虫害遥感监测方法及装置 |
US20220138987A1 (en) * | 2020-10-29 | 2022-05-05 | Deere & Company | Method and system for optical yield measurement of a standing crop in a field |
CN114708506A (zh) * | 2022-04-07 | 2022-07-05 | 河北科技师范学院 | 一种板栗病害监控*** |
CN117574096A (zh) * | 2024-01-15 | 2024-02-20 | 西安道法数器信息科技有限公司 | 基于大数据的农林有害生物预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10332840A (ja) * | 1997-05-27 | 1998-12-18 | Nippon Telegr & Teleph Corp <Ntt> | 気象情報提供方法及び装置 |
CN101482514A (zh) * | 2008-01-10 | 2009-07-15 | 北京农业信息技术研究中心 | 一种病害检测仪及其检测方法 |
CN101699315A (zh) * | 2009-10-23 | 2010-04-28 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
CN102117447A (zh) * | 2011-02-24 | 2011-07-06 | 北京农业信息技术研究中心 | 作物品质区域预测***及方法 |
CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
CN103778628A (zh) * | 2014-01-10 | 2014-05-07 | 北京农业信息技术研究中心 | 田间开放环境下的叶片病害程度获取方法及*** |
-
2014
- 2014-07-01 CN CN201410310413.XA patent/CN104089647B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10332840A (ja) * | 1997-05-27 | 1998-12-18 | Nippon Telegr & Teleph Corp <Ntt> | 気象情報提供方法及び装置 |
CN101482514A (zh) * | 2008-01-10 | 2009-07-15 | 北京农业信息技术研究中心 | 一种病害检测仪及其检测方法 |
CN101699315A (zh) * | 2009-10-23 | 2010-04-28 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
CN102117447A (zh) * | 2011-02-24 | 2011-07-06 | 北京农业信息技术研究中心 | 作物品质区域预测***及方法 |
CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
CN103778628A (zh) * | 2014-01-10 | 2014-05-07 | 北京农业信息技术研究中心 | 田间开放环境下的叶片病害程度获取方法及*** |
Non-Patent Citations (2)
Title |
---|
代付 等: "稻瘟病遥感监测评估方法和***开发研究", 《农业网络信息》, no. 1, 31 January 2007 (2007-01-31) * |
张竞成 等: "作物病虫害遥感监测研究进展", 《农业工程学报》, vol. 28, no. 20, 31 October 2012 (2012-10-31) * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261146A (zh) * | 2015-11-24 | 2016-01-20 | 上海斐讯数据通信技术有限公司 | 一种防虫预警***及方法 |
CN106053725A (zh) * | 2016-05-26 | 2016-10-26 | 南京信息工程大学 | 一种设施葡萄叶片白粉病潜势预报方法 |
CN106053725B (zh) * | 2016-05-26 | 2018-06-01 | 南京信息工程大学 | 一种设施葡萄叶片白粉病潜势预报方法 |
CN106248146A (zh) * | 2016-08-31 | 2016-12-21 | 西安黄氏生物工程有限公司 | 一种小麦白粉病预报方法及其装置 |
CN108333140B (zh) * | 2018-02-01 | 2020-10-09 | 福州大学 | 用于刚竹毒蛾危害检测的特征光谱指数及检测方法 |
CN108333140A (zh) * | 2018-02-01 | 2018-07-27 | 福州大学 | 用于刚竹毒蛾危害检测的特征光谱指数及检测方法 |
CN108267175A (zh) * | 2018-02-06 | 2018-07-10 | 首欣(北京)科技有限公司 | 一种基于无人机的农作物监测方法和装置 |
CN108334110A (zh) * | 2018-02-06 | 2018-07-27 | 首欣(北京)科技有限公司 | 一种基于无人机的林业病害监测方法和装置 |
CN108267175B (zh) * | 2018-02-06 | 2021-01-08 | 首欣(北京)科技有限公司 | 一种基于无人机的农作物监测方法和装置 |
CN108764643B (zh) * | 2018-04-27 | 2022-05-06 | 浙江水利水电学院 | 大范围作物病害风险评估方法 |
CN108764643A (zh) * | 2018-04-27 | 2018-11-06 | 浙江水利水电学院 | 大范围作物病害风险评估方法 |
CN109635702A (zh) * | 2018-07-11 | 2019-04-16 | 国家***森林病虫害防治总站 | 基于卫星遥感图像的林业生物灾害监测方法和*** |
CN109360116B (zh) * | 2018-09-13 | 2020-05-05 | 中国农业大学 | 获取县域作物生产潜力指数的方法及装置 |
CN109360116A (zh) * | 2018-09-13 | 2019-02-19 | 中国农业大学 | 获取县域作物生产潜力指数的方法及装置 |
CN109409601A (zh) * | 2018-10-25 | 2019-03-01 | 郝巴雅斯胡良 | 用于绒山羊养殖的草场演化监测与预测方法 |
CN109409601B (zh) * | 2018-10-25 | 2021-06-22 | 郝巴雅斯胡良 | 用于绒山羊养殖的草场演化监测与预测方法 |
CN110784493A (zh) * | 2019-07-04 | 2020-02-11 | 苏州大学 | 一种基于NB-IoT通信的综合气象数据采集*** |
CN111537668A (zh) * | 2020-01-16 | 2020-08-14 | 农业农村部规划设计研究院 | 基于气象卫星数据的作物病虫害遥感监测方法及装置 |
CN111537668B (zh) * | 2020-01-16 | 2022-07-01 | 农业农村部规划设计研究院 | 基于气象卫星数据的作物病虫害遥感监测方法及装置 |
US20220138987A1 (en) * | 2020-10-29 | 2022-05-05 | Deere & Company | Method and system for optical yield measurement of a standing crop in a field |
US11783576B2 (en) * | 2020-10-29 | 2023-10-10 | Deere & Company | Method and system for optical yield measurement of a standing crop in a field |
CN114708506A (zh) * | 2022-04-07 | 2022-07-05 | 河北科技师范学院 | 一种板栗病害监控*** |
CN114708506B (zh) * | 2022-04-07 | 2024-05-14 | 河北科技师范学院 | 一种板栗病害监控*** |
CN117574096A (zh) * | 2024-01-15 | 2024-02-20 | 西安道法数器信息科技有限公司 | 基于大数据的农林有害生物预测方法 |
CN117574096B (zh) * | 2024-01-15 | 2024-04-05 | 西安道法数器信息科技有限公司 | 基于大数据的农林有害生物预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104089647B (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104089647B (zh) | 一种作物病害发生范围监测方法及*** | |
Nagy et al. | Wheat and maize yield forecasting for the Tisza river catchment using MODIS NDVI time series and reported crop statistics | |
Xie et al. | Assimilation of the leaf area index and vegetation temperature condition index for winter wheat yield estimation using Landsat imagery and the CERES-Wheat model | |
Skakun et al. | Early season large-area winter crop mapping using MODIS NDVI data, growing degree days information and a Gaussian mixture model | |
Panek et al. | Analysis of relationship between cereal yield and NDVI for selected regions of Central Europe based on MODIS satellite data | |
Song et al. | Application of remote sensing-based two-source energy balance model for mapping field surface fluxes with composite and component surface temperatures | |
CN103034910B (zh) | 基于多源信息的区域尺度病虫害预测方法 | |
Ghulam et al. | Modified perpendicular drought index (MPDI): a real-time drought monitoring method | |
Leroux et al. | Crop monitoring using vegetation and thermal indices for yield estimates: case study of a rainfed cereal in semi-arid West Africa | |
Sánchez et al. | Monitoring daily evapotranspiration at a regional scale from Landsat-TM and ETM+ data: Application to the Basilicata region | |
Sayago et al. | Landsat images and crop model for evaluating water stress of rainfed soybean | |
Kong et al. | Quantitative estimation of biomass of alpine grasslands using hyperspectral remote sensing | |
WO2018107245A1 (en) | Detection of environmental conditions | |
Mumtaz et al. | Analysis of meteorological variations on wheat yield and its estimation using remotely sensed data. A case study of selected districts of Punjab Province, Pakistan (2001-14) | |
Yeganeh et al. | Monitoring rangeland ground cover vegetation using multitemporal MODIS data | |
Choudhary et al. | Random Forest for rice yield mapping and prediction using Sentinel-2 data with Google Earth Engine | |
Stroppiana et al. | In-season early mapping of rice area and flooding dynamics from optical and SAR satellite data | |
Fitzgerald et al. | Directed sampling using remote sensing with a response surface sampling design for site-specific agriculture | |
Fortes Gallego et al. | Using NDVI and guided sampling to develop yield prediction maps of processing tomato crop | |
Takeuchi et al. | Near-real time meteorological drought monitoring and early warning system for croplands in asia | |
Sepulcre-Canto et al. | Discriminating irrigated and rainfed olive orchards with thermal ASTER imagery and DART 3D simulation | |
Mokarram et al. | RELATIONSHIP BETWEEN LAND COVER AND VEGETATION INDICES. CASE STUDY: EGHLID PLAIN, FARS PROVINCE, IRAN. | |
Hassan et al. | Modeling and monitoring wheat crop yield using geospatial techniques: a case study of Potohar region, Pakistan | |
Tamás et al. | Agricultural biomass monitoring on watersheds based on remotely sensed data | |
Zhang et al. | Evaluating maize evapotranspiration using high-resolution UAV-based imagery and FAO-56 dual crop coefficient approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |