CN106203673A - 考虑水分胁迫的农作物生物量遥感估算方法 - Google Patents
考虑水分胁迫的农作物生物量遥感估算方法 Download PDFInfo
- Publication number
- CN106203673A CN106203673A CN201610465995.8A CN201610465995A CN106203673A CN 106203673 A CN106203673 A CN 106203673A CN 201610465995 A CN201610465995 A CN 201610465995A CN 106203673 A CN106203673 A CN 106203673A
- Authority
- CN
- China
- Prior art keywords
- crops
- biomass
- remote sensing
- water stress
- crop
- 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.)
- Pending
Links
- 239000002028 Biomass Substances 0.000 title claims abstract description 75
- 208000005156 Dehydration Diseases 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003287 optical effect Effects 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 5
- 239000002689 soil Substances 0.000 claims description 15
- 238000004611 spectroscopical analysis Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000009313 farming Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 241000209140 Triticum Species 0.000 description 21
- 235000021307 Triticum Nutrition 0.000 description 20
- 210000000582 semen Anatomy 0.000 description 18
- 238000001228 spectrum Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000000509 infertility Diseases 0.000 description 1
- 230000036512 infertility Effects 0.000 description 1
- 231100000535 infertility Toxicity 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种考虑水分胁迫的农作物生物量遥感估算方法,该方法包括:S1:获取目标区域具有近红外波段和短波红外波段的光学遥感数据;S2:对所述获取的光学遥感数据进行大气校正处理,得到所述目标区域的地表真实反射率数据;S3:提取农作物的种植空间分布区域;S4:确定所述农作物的归一化植被指数及其时间积分值;S5:获取所述农作物的水分胁迫系数;S6:获取所述农作物的生物量转化系数;S7:构建所述农作物的生物量估算模型。本发明有助于在区域尺度上更精确估算农作物不同生长期的生物量,对于进一步实现农作物长势监测、产量估算、旱情监测、旱灾损失评估等方面具有重要的应用价值。
Description
技术领域
本发明涉及农业遥感应用领域,尤其涉及一种考虑水分胁迫的农作物生物量遥感估算方法。
背景技术
小麦生物量是反映小麦长势的重要群体指标,对于小麦产量的形成具有重要的作用。常规测定生物量的方法是通过取单位面积上的小麦植株,烘干并称重获得,这种方法需要破坏性取样、称重等步骤,耗时耗力。遥感具有快速、动态、无损、大范围等优点,借助于遥感光谱信息估算小麦生物量来代替地面实测方法正逐渐成为小麦生物量获取的新方法。
近年来,开展了大量通过遥感数据估算生物量的基础理论研究和应用研究,表明可以通过遥感信息进行小麦生物量估算,并取得了较好的估算精度。然而,尽管目前建立了众多的小麦生物量遥感估算模型,然而这些模型只适合于局部区域,不利于模型的推广应用,并且未充分考虑水分胁迫对小麦生物量的影响。
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:针对目前遥感估算小麦生物量未考虑水分胁迫因素,本发明提供了一种考虑水分胁迫的农作物生物量遥感估算方法。
(二)技术方案
为解决上述技术问题,本发明的技术方案提供了一种考虑水分胁迫的农作物生物量遥感估算方法,包括:
S1:获取目标区域具有近红外波段和短波红外波段的光学遥感数据;
S2:对所述获取的光学遥感数据进行大气校正处理,得到所述目标区域的地表真实反射率数据;
S3:基于经过所述大气校正处理后的光学遥感数据,提取农作物的种植空间分布区域;
S4:根据所述地表真实反射率数据以及所述农作物的种植空间分布区域确定所述农作物的归一化植被指数NDVIcrop及其时间积分值TVNDVIcrop;
S5:获取所述农作物的水分胁迫系数W;
S6:获取所述农作物的生物量转化系数m;
S7:根据所述时间积分值TVNDVIcrop、所述农作物的水分胁迫系数W以及所述农作物的生物量转化系数m构建所述农作物的生物量估算模型,通过所述生物量估算模型实现不同生长时间所述农作物的生物量的遥感估算。
优选地,步骤S1中获取的具有近红外波段和短波红外波段的光学遥感数据为Landsat5卫星遥感数据、Landsat7卫星遥感数据、Landsat8卫星遥感数据或ASD光谱数据。
优选地,步骤S3中采用监督分类、或者非监督分类、或者人工数字化的方法得到所述农作物的种植空间分布区域。
优选地,步骤S4中计算所述时间积分值TVNDVIcrop包括:
其中,t0为所述农作物开始进行光合作用的时间,t1为所述农作物的预测生物量的时间,NDVIsoil为所述农作物的种植空间分布区域的土壤的NDVI值。
优选地,步骤S5中获取所述农作物的水分胁迫系数W为所述农作物的叶片相对含水量指数LWCI。
优选地,步骤S7中根据所述时间积分值TVNDVIcrop、所述农作物的水分胁迫系数W以及所述农作物的生物量转化系数m构建所述农作物的生物量估算模型包括:
AGBRS=m×W×TVNDVIcrop
其中,AGBRS为所述农作物的生物量的遥感估算值。
(三)有益效果
本发明构建的考虑水分胁迫的农作物生物量遥感估算模型,具有机理性强、模型区域扩展性和年际扩展性强的特点,有助于在区域尺度上更精确估算农作物不同生长期的生物量,对于进一步实现农作物长势监测、产量估算、旱情监测、旱灾损失评估等方面具有重要的应用价值。
附图说明
图1是本发明实施例提供的一种考虑水分胁迫的农作物生物量遥感估算方法的流程图;
图2是本发明实施例的小麦的NDVIcrop-NDVIsoil曲线示意图;
图3是本发明实施例的小麦估算生物量与实测生物量之间的关系示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
参见图1,图1是本发明实施例提供的一种考虑水分胁迫的农作物生物量遥感估算方法的流程图,包括:
S1:获取目标区域具有近红外波段和短波红外波段的光学遥感数据;
S2:对所述获取的光学遥感数据进行大气校正处理,得到所述目标区域的地表真实反射率数据;
S3:基于经过所述大气校正处理后的光学遥感数据,提取农作物的种植空间分布区域;
S4:根据所述地表真实反射率数据以及所述农作物的种植空间分布区域确定所述农作物的归一化植被指数NDVIcrop及其时间积分值TVNDVIcrop;
S5:获取所述农作物的水分胁迫系数W;
S6:获取所述农作物的生物量转化系数m;
S7:根据所述时间积分值TVNDVIcrop、所述农作物的水分胁迫系数W以及所述农作物的生物量转化系数m构建所述农作物的生物量估算模型,通过所述生物量估算模型实现不同生长时间所述农作物的生物量的遥感估算。
优选地,步骤S1中获取的具有近红外波段和短波红外波段的光学遥感数据为Landsat5卫星遥感数据、Landsat7卫星遥感数据、Landsat8卫星遥感数据或ASD光谱数据,也可以为其他包含近红外波段(NIR)和短波红外波段(SWIR)的遥感数据。
在步骤S2中,通过对光学遥感数据需进行大气校正处理,从而得到地表真实反射率数据,可以避免不同大气条件对数据质量的影响,此外,ASD光谱数据可以是在晴朗天气条件下,通过白板进行定标后获取的近地遥感光谱数据;
优选地,步骤S3中采用监督分类、或者非监督分类、或者人工数字化的方法得到所述农作物的种植空间分布区域。
其中,步骤S4中计算所述时间积分值TVNDVIcrop可以包括:
其中,t0为所述农作物开始进行光合作用的时间,t1为所述农作物的预测生物量的时间,NDVIsoil为所述农作物的种植空间分布区域的土壤的NDVI值,其中,NDVI的计算方法如下:
式中,NIR和RED分别为光学遥感数据的近红外波段和红波的反射率;
在计算TVNDVIcrop的过程中,通过剔除土壤背景光谱的影响,有利于提高估算的准确度。
优选地,步骤S5中获取所述农作物的水分胁迫系数W为所述农作物的叶片相对含水量指数LWCI,其计算公式如下:
式中,SWIR为短波红外波段反射率,下标FT指叶片为最大含水量的值,这里可以取正常田间管理条件下,且长势良好未受到水分胁迫的小麦的最大含水量;
在步骤S6中,获取的农作物的生物量转化系数m可由某一地域该农作物成熟期生物量和该农作物的整个生育周期NDVI的时间积累值TVNDVIK共同决定,计算公式为:
其中,Bh为该地域测量正常生长农作物成熟期的生物量;E[W×TVNDVIK]为成熟期W与TVNDVIK乘积的平均值。
优选地,步骤S7中根据所述时间积分值TVNDVIcrop、所述农作物的水分胁迫系数W以及所述农作物的生物量转化系数m构建所述农作物的生物量估算模型包括:
AGBRS=m×W×TVNDVIcrop
其中,AGBRS为所述农作物的生物量的遥感估算值,即通过综合步骤S4计算的TVNDVI,步骤S5计算的W,S6步骤计算的m,最后综合考虑农作物NDVI时间增长和水分胁迫对生物量积累的影响,实现农作物生物量的遥感估算。
本发明构建的考虑水分胁迫的农作物生物量遥感估算模型,具有机理性强、模型区域扩展性和年际扩展性强的特点,有助于在区域尺度上更精确估算农作物不同生长期的生物量,对于进一步实现农作物长势监测、产量估算、旱情监测、旱灾损失评估等方面具有重要的应用价值。
例如,上述的农作物可以为冬小麦,小麦生物量是反映小麦长势的重要群体指标,对于小麦产量的形成具有重要的作用,利用遥感光谱信息估算小麦生物量来代替地面实测数据具有快速、动态、无损、范围大等优势;
例如,以位于陕西省咸阳市的武功试验区作为试验地点,该区域位于陕西关中平原中部,北纬34°16'56.24",东经108°4'27.95",夏季平均气温约为26.1℃,冬季平均气温约为-1.2℃,研究区的年平均降水量约为635.1mm,无霜期平均每年约211天,为大陆性季风气候,位于半干旱地区。该地区主要的种植作物为冬小麦和夏玉米,其中冬小麦的生育期一般为当年10月中旬种植到次年的六月上旬收获,具体如下:
S11:获取该区域具有近红外波段(NIR)和短波红外波段(SWIR)的光学遥感数据,例如,本实施例采用ASD光谱数据,美国ASDFieldSpec FR 2500型野外光谱辐射仪进行测定,2014年在试验区共进行了4次光谱试验,每期有11个实测样点(表1);
表1 ASD光谱数据获取日期和对应生育期
S12:对所获取的光学遥感数据进行定标及大气校正处理,得到地表真实反射率数据,本实施例采用白板对ASD光谱数据进行定标,得到小麦冠层的真实反射率数据;
S13:基于大气校正后的遥感数据,提取小麦种植空间分布区域;本实施例采集的ASD数据均位于小麦冠层,因此已经是小麦种植空间分布区域的光谱数据;
S14:计算小麦像元的归一化植被指数NDVIcrop及其的时间积分值TVNDVIcrop;2013-2014年共进行了四次冬小麦冠层高光谱的测定,在该生物量模型中TINDVIcrop是估算生物量的关键参数,由NDVIcrop-NDVIsoil曲线积分获得,因此首先需要绘制冬小麦生长过程中的NDVIcrop-NDVIsoil曲线。将研究区内(11个样点)四个时期的ASD高光谱数据计算的NDVIcrop值分别取平均值,并绘制NDVIcrop-NDVIsoil曲线,图2显示了2013-2014年研究区内冬小麦NDVIcrop-NDVIsoil的平均变化趋势,从返青期开始NDVIcrop-NDVIsoil值逐渐增长,随着冬小麦的成熟NDVIcrop-NDVIsoil值又逐渐下降;
S15:计算小麦水分胁迫系数W;
S16:计算小麦生物量转化系数m;
S17:建立考虑水分胁迫的小麦生物量估算模型,通过该模型实现不同生长时间小麦生物量的遥感估算。基于每个样点的NDVIcrop-NDVIsoil曲线,分别对研究区每个样点各个时期的生物量进行估算,图3为武功试验区中冬小麦生物量的估算值和实测值的1:1图,其中高光谱遥感估算的生物量与实测生物量之间的R2和RMSE分别为0.829和2.424t/hm2。结果表明,全生育期生物量的估算值与实测值具有较好的一致性,冬小麦生物量的估算值和实测值具有很好的相关关系。
本发明综合考虑小麦NDVI时间增长和水分胁迫对生物量积累的影响,构建的考虑水分胁迫的冬小麦生物量遥感估算模型,具有机理性强、模型区域扩展性和年际扩展性强的特点。本发明将有助于在区域尺度上更精确估算冬小麦不同生长期的生物量,对于进一步实现冬小麦长势监测、产量估算、旱情监测、旱灾损失评估等方面具有重要的应用价值。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (6)
1.一种考虑水分胁迫的农作物生物量遥感估算方法,其特征在于,包括:
S1:获取目标区域具有近红外波段和短波红外波段的光学遥感数据;
S2:对所述获取的光学遥感数据进行大气校正处理,得到所述目标区域的地表真实反射率数据;
S3:基于经过所述大气校正处理后的光学遥感数据,提取农作物的种植空间分布区域;
S4:根据所述地表真实反射率数据以及所述农作物的种植空间分布区域确定所述农作物的归一化植被指数NDVIcrop及其时间积分值TVNDVIcrop;
S5:获取所述农作物的水分胁迫系数W;
S6:获取所述农作物的生物量转化系数m;
S7:根据所述时间积分值TVNDVIcrop、所述农作物的水分胁迫系数W以及所述农作物的生物量转化系数m构建所述农作物的生物量估算模型,通过所述生物量估算模型实现不同生长时间所述农作物的生物量的遥感估算。
2.根据权利要求1所述的考虑水分胁迫的农作物生物量遥感估算方法,其特征在于,步骤S1中获取的具有近红外波段和短波红外波段的光学遥感数据为Landsat5卫星遥感数据、Landsat7卫星遥感数据、Landsat8卫星遥感数据或ASD光谱数据。
3.根据权利要求1所述的考虑水分胁迫的农作物生物量遥感估算方法,其特征在于,步骤S3中采用监督分类、或者非监督分类、或者人工数字化的方法得到所述农作物的种植空间分布区域。
4.根据权利要求1所述的考虑水分胁迫的农作物生物量遥感估算方法,其特征在于,步骤S4中计算所述时间积分值TVNDVIcrop包括:
其中,t0为所述农作物开始进行光合作用的时间,t1为所述农作物的预测生物量的时间,NDVIsoil为所述农作物的种植空间分布区域的土壤的NDVI值。
5.根据权利要求1所述的考虑水分胁迫的农作物生物量遥感估算方法,其特征在于,步骤S5中获取所述农作物的水分胁迫系数W为所述农作物的叶片相对含水量指数LWCI。
6.根据权利要求1所述的考虑水分胁迫的农作物生物量遥感估算方法,其特征在于,步骤S7中根据所述时间积分值TVNDVIcrop、所述农作物的水分胁迫系数W以及所述农作物的生物量转化系数m构建所述农作物的生物量估算模型包括:
AGBRS=m×W×TVNDVIcrop
其中,AGBRS为所述农作物的生物量的遥感估算值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610465995.8A CN106203673A (zh) | 2016-06-23 | 2016-06-23 | 考虑水分胁迫的农作物生物量遥感估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610465995.8A CN106203673A (zh) | 2016-06-23 | 2016-06-23 | 考虑水分胁迫的农作物生物量遥感估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106203673A true CN106203673A (zh) | 2016-12-07 |
Family
ID=57460905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610465995.8A Pending CN106203673A (zh) | 2016-06-23 | 2016-06-23 | 考虑水分胁迫的农作物生物量遥感估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203673A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845428A (zh) * | 2017-01-26 | 2017-06-13 | 中国科学院遥感与数字地球研究所 | 一种作物产量遥感估算方法及*** |
CN109345039A (zh) * | 2018-11-13 | 2019-02-15 | 中国水利水电科学研究院 | 一种综合考虑水盐胁迫的作物产量预测方法 |
CN110618145A (zh) * | 2019-09-26 | 2019-12-27 | 中国水利水电科学研究院 | 一种基于无人机的快速测定黄土塬区泉眼位置的方法 |
CN111783538A (zh) * | 2020-05-29 | 2020-10-16 | 北京农业信息技术研究中心 | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 |
-
2016
- 2016-06-23 CN CN201610465995.8A patent/CN106203673A/zh active Pending
Non-Patent Citations (1)
Title |
---|
DAEHA KIM, JAGATH KALUARACHCHI: ""Validating FAO AquaCrop using Landsat images and regional crop information"", 《AGRICULTURAL WATER MANAGEMENT》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845428A (zh) * | 2017-01-26 | 2017-06-13 | 中国科学院遥感与数字地球研究所 | 一种作物产量遥感估算方法及*** |
CN106845428B (zh) * | 2017-01-26 | 2020-03-31 | 中国科学院遥感与数字地球研究所 | 一种作物产量遥感估算方法及*** |
CN109345039A (zh) * | 2018-11-13 | 2019-02-15 | 中国水利水电科学研究院 | 一种综合考虑水盐胁迫的作物产量预测方法 |
CN109345039B (zh) * | 2018-11-13 | 2021-02-23 | 中国水利水电科学研究院 | 一种综合考虑水盐胁迫的作物产量预测方法 |
CN110618145A (zh) * | 2019-09-26 | 2019-12-27 | 中国水利水电科学研究院 | 一种基于无人机的快速测定黄土塬区泉眼位置的方法 |
CN111783538A (zh) * | 2020-05-29 | 2020-10-16 | 北京农业信息技术研究中心 | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 |
CN111783538B (zh) * | 2020-05-29 | 2023-12-08 | 北京农业信息技术研究中心 | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Detection of rice phenology through time series analysis of ground-based spectral index data | |
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 | |
Morel et al. | Coupling a sugarcane crop model with the remotely sensed time series of fIPAR to optimise the yield estimation | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN111241912A (zh) | 一种基于机器学习算法的多植被指数的水稻产量估测方法 | |
CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
CN101595812B (zh) | 一种作物收获指数的获取方法 | |
CN101858971A (zh) | 一种基于modis数据的水稻单产遥感估算方法 | |
CN115950838B (zh) | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 | |
CN106203673A (zh) | 考虑水分胁迫的农作物生物量遥感估算方法 | |
CN105372672A (zh) | 基于时间序列数据的南方冬种作物种植面积提取方法 | |
CN107941713A (zh) | 一种基于耦合作物模型同化光谱反射率的水稻估产方法 | |
Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
Sallah et al. | Batch-processing of AquaCrop plug-in for rainfed maize using satellite derived Fractional Vegetation Cover data | |
CN112649392A (zh) | 一种快速鉴定小麦节水抗旱性的方法 | |
Li et al. | Mapping rice cropping systems using Landsat-derived renormalized index of normalized difference vegetation index (RNDVI) in the Poyang Lake Region, China | |
CN111275567B (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
Zhang et al. | Evaluating maize evapotranspiration using high-resolution UAV-based imagery and FAO-56 dual crop coefficient approach | |
CN103913425B (zh) | 基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法 | |
Balenzano et al. | On the use of multi-temporal series of cosmo-skymed data for Landcover classification and surface parameter retrieval over Agricultural sites | |
Liu et al. | Evaluating how lodging affects maize yield estimation based on UAV observations | |
Bastiaanssen et al. | Thermal-infrared technology for local and regional scale irrigation analyses in horticultural systems | |
Zhang et al. | Estimation of relative water content in rice panicle based on hyperspectral vegetation indexes under water saving irrigation | |
CN116597157A (zh) | 基于特征光谱变化的植物物候提取方法及装置 | |
Song et al. | Evaluation of Landsat 8 time series image stacks for predicitng yield and yield components of winter wheat |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |