CN108509836B - 双极化合成孔径雷达与作物模型数据同化的作物估产方法 - Google Patents

双极化合成孔径雷达与作物模型数据同化的作物估产方法 Download PDF

Info

Publication number
CN108509836B
CN108509836B CN201810084248.9A CN201810084248A CN108509836B CN 108509836 B CN108509836 B CN 108509836B CN 201810084248 A CN201810084248 A CN 201810084248A CN 108509836 B CN108509836 B CN 108509836B
Authority
CN
China
Prior art keywords
crop
lai
model
data
dual
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.)
Active
Application number
CN201810084248.9A
Other languages
English (en)
Other versions
CN108509836A (zh
Inventor
黄健熙
李俐
卓文
朱德海
张晓东
苏伟
刘峻明
刘哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinzhinong Beijing Risk Management Technology Co ltd
Original Assignee
China Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN201810084248.9A priority Critical patent/CN108509836B/zh
Publication of CN108509836A publication Critical patent/CN108509836A/zh
Application granted granted Critical
Publication of CN108509836B publication Critical patent/CN108509836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments
    • G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于农业遥感领域，涉及一种双极化合成孔径雷达与作物模型数据同化的作物估产方法，具体步骤为：收集双极化合成孔径雷达的卫星数据，对预处理获得的双极化SAR数据进行极化分解，选择精度最高的散射分量关系组合的LAI反演模型反演，得到遥感观测LAI；标定研究区作物的WOFOST模型LAI；利用粒子滤波算法对两种LAI进行同化；逐个作物格网采用优化后的作物生育期LAI轨迹重新驱动WOFOST模型，进行空间制图。本发明的方法融合了SAR遥感数据和作物模型的优势，充分利用了多极化SAR数据提供的丰富信息，克服了玉米关键生育期光学遥感数据缺失的问题，提高了作物模型的产量模拟，精度优化了作物生育期内LAI轨迹，还能在区域尺度上估测作物产量。

Description

双极化合成孔径雷达与作物模型数据同化的作物估产方法
技术领域
本发明属于农业遥感领域，具体涉及一种双极化合成孔径雷达与作物模型数据同化的作物估产方法。
背景技术
传统的农作物估产方法主要有统计调查方法、基于作物模型的预报方法以及农业气象预报方法等。这些方法由于其固有的局限性都难以实现区域作物产量高精度估测。而基于卫星遥感技术的估测方法，凭借空间上连续和时间上动态的特点，在区域作物产量估测上具有得天独厚的优势。同时，将遥感技术与基于作物光合、呼吸、蒸腾、营养等机理过程的作物生长模型结合能够达到区域高精度估产的目的。数据同化方法能够结合作物生长模型在点上、遥感观测在面上的优势，成为近年来国内外农业定量遥感的研究的热点。
然而光学遥感受天气因素的制约较大，而雷达遥感相比于光学遥感数据，具有受云雾影响小的特点，能够全天候、全天时进行监测，因此在作物生长季能够获得连续的，长时间的观测数据，对作物长势监测、估产十分有帮助。利用数据同化方法将雷达遥感和作物模型相结合不仅能够弥补作物模型在区域作物产量估测方面的不足，而且能够克服普通光学遥感数据受云雾等天气因素制约较大的局限性，能够适用于区域范围的作物估产研究。
发明内容
为解决现有技术中存在的如下问题：“如何将大范围高时效性的双极化合成孔径雷达遥感数据和准确模拟作物生长的机理模型进行同化，进而能够在大范围内准确地对作为产量进行估测”，本发明提供一种双极化合成孔径雷达与作物模型数据同化的作物估产方法。
本发明提供一种双极化合成孔径雷达与作物模型数据同化的作物估产方法，具体步骤如下：
S1、收集研究区待测作物生育期内双极化合成孔径雷达的卫星数据，进行预处理获得时间序列C波段(C band)的VH和VV双极化后向散射系数，即双极化SAR数据；
S2、对双极化SAR数据进行极化分解，分析不同散射分量特性及与LAI值相关关系；
S3、选择精度最高的散射分量关系组合的LAI反演模型反演LAI，得到遥感观测LAI，给定评估观测的不确定性；
S4、收集研究区内的气象、作物、土壤和作物管理参数并将其作为输入参数，标定研究区作物的WOFOST(world food studies)模型，得到得WOFOST模拟LAI；
S5、以LAI为同化变量，利用粒子滤波算法对遥感观测LAI和WOFOST模拟LAI进行同化，得到优化后的作物生育期LAI轨迹；
S6、逐个作物格网运行S5的步骤，采用优化后的作物生育期LAI轨迹重新驱动WOFOST模型，模拟输出区域的作物产量，进行空间制图，指导作物生产。
步骤S1中所述双极化合成孔径雷达的卫星数据，优选哨兵1号(Sentinel-1)卫星数据，为哨兵1号(Sentinel-1)卫星的SLC(single look complex)数据，数据为复数据，包括幅度和相位信息。
步骤S1中所述进行预处理是指运用轨道数据自校正、去除热噪声、斜地转换、单视复数据生成极化散射矩阵S、辐射定标、地形校正和相干斑噪声滤除。
其中，去除热噪声采用双线性插值法消除传感器带来的热噪声影响。
其中，相干斑噪声滤除采用Lee滤波实现。
步骤S1所述的双极化SAR数据，定义目标矢量化散射矩阵为：
Figure BDA0001561938940000031
式中，k为目标矢量，SVV、SVH分量分别代表了双极化数据VV、VH线性极化状态的散射信息。
步骤S2所述对双极化SAR数据进行极化分解，极化分解过程首先计算协方差矩阵：
Figure BDA0001561938940000032
自然界的地物一般都能保持飞行方向的对称性，因此可以假设同极化分量和交叉极化分量不相关，有：
Figure BDA0001561938940000033
则
Figure BDA0001561938940000034
其中，〈…>表示假设随机散射介质在各向同质的情况下的空间统计平均。T表示转置矩阵。|…|表示求复数幅度。
借鉴Freeman-Durden分解的方法，双极化SAR数据的极化分解可以将协方差矩阵或相干矩阵分解成两种成分：由一系列的植被冠层定向偶极子得到的体散射成分；由一阶布拉格(Bragg)表面散射和二面角反射得到的单散射成分和二次散射成分。
步骤S2所述对双极化SAR数据进行极化分解，分解过程如下：
Figure BDA0001561938940000035
式(2)中fv对应着体散射分量(对应上文的体散射成分)，fs+d对应着奇次散射和偶次散射共同作用的分量(对应上文的一阶布拉格表面散射和二面角反射得到的单散射成分和二次散射成分)；
由此，可以推出各种成分的功率：
Ps+d＝fs+d (3)
PV＝4fv/3 (4)
w＝Ps+d+PV＝|SHV|2+|SVV|2 (5)
式中参数Ps+d表示奇次散射和偶次散射共同作用的分量的功率，参数PV表示体散射分量的功率，参数w则为两散射分量的总散射功率。
所述步骤S3选择精度最高的散射分量关系组合的LAI反演模型反演LAI，首先分别选取极化指数
Figure BDA0001561938940000041
PV/W、Ps+d/W对LAI值的变化敏感性，然后利用实测数据，建立LAI与PV/w、Ps+d/w之间的多元回归模型：
LAI＝f(PV/w,Ps+d/W) (6)
从而实现区域作物LAI反演。
所述步骤S4中标定研究区作物的WOFOST模型，需要对气象参数和作物模型所需的积温参数，以气象站点为基准，采用反距离权重(IDW)插值算法，完成参数区域化标定。
所述步骤S5中利用粒子滤波算法对遥感观测LAI和WOFOST模拟LAI进行同化，以公式(7)(8)(9)进行计算：
Figure BDA0001561938940000042
Figure BDA0001561938940000043
Figure BDA0001561938940000044
Figure BDA0001561938940000045
表示k时刻的第i个粒子的模型模拟状态变量；
Figure BDA0001561938940000046
表示k+1时刻的第i个粒子的模型模拟状态变量；M为非线性算子，即WOFOST模型；uk为模型驱动参数；
Figure BDA0001561938940000047
表示k+1时刻第i个粒子的观测状态变量；H为观测算子，ε为观测噪声；xk+1为k+1时刻最优估计值；
Figure BDA0001561938940000048
为归一化重采样后各粒子的权重；N表示粒子个数；
Figure BDA0001561938940000051
Figure BDA0001561938940000052
Figure BDA0001561938940000053
Figure BDA0001561938940000054
式中，
Figure BDA0001561938940000055
表示粒子重要性权重；
Figure BDA0001561938940000056
表示观测值为yk+1时的似然概率密度，即
Figure BDA0001561938940000057
发生的情况下为yk+1发生的概率；同理，
Figure BDA0001561938940000058
表示
Figure BDA0001561938940000059
发生的情况下
Figure BDA00015619389400000510
发生的概率；
Figure BDA00015619389400000511
表示重要性采样函数；ki为重采样系数；
Figure BDA00015619389400000512
表示取
Figure BDA00015619389400000513
的整数部分。
其中，所述作物优选为玉米。
本发明还提供所述双极化合成孔径雷达与作物模型数据同化的作物估产方法在指导农作物生产中的应用。
本发明与现有技术相比，有益效果为：
本发明的方法融合了SAR遥感数据和作物模型的优势，充分利用了多极化SAR数据提供的丰富信息，采用双极化信号分解模式反演LAI，再利用粒子滤波同化LAI到WOFOST模型中，克服了玉米生育期光学遥感数据缺失的问题，不仅可以提高作物模型的作物产量模拟精度优化作物生育期内LAI轨迹，还能够在区域尺度上估测作物产量。
附图说明
图1为本发明实施例1对玉米实施双极化合成孔径雷达与作物模型数据同化的作物估产方法的流程示意图；
图2为实施例1双极化合成孔径雷达与作物模型数据同化的作物估产方法估算的玉米产量结果图。
具体实施方式
下面结合实施例，对本范明的具体实施方式做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例1
以本发明双极化合成孔径雷达与作物模型数据同化的作物估产方法针对玉米进行估产的流程示意图参见附图1。
S1收集研究区玉米生育期内Sentinel-1数据，进行地形纠正等预处理，获得时间序列的C band的两种极化(VH、VV)的后向散射系数，即双极化SAR数据；
选择河北省衡水市作为研究区域，该区域地处东经115°10′-116°34′，北纬37°03′-38°23′之间。研究区总面积8815km2，地形以平原为主，耕地占总面积的60％以上，属暖温带半湿润季风气候，年日照时数2400-3100h，年平均降水量300-800mm。
选取2017年河北省衡水市夏玉米关键生育期6月到10月的时间序列Sentinel-1卫星遥感数据。同时，进行影像的预处理，获得时间序列的C band的两种极化(VH、VV)的后向散射系数。
主要预处理步骤还包括运用轨道数据自校正、去除热噪声、斜地转换、单视复数据生成极化散射矩阵S、辐射定标、地形校正和相干斑噪声滤除。其中，去除热噪声采用双线性插值法消除传感器带来的热噪声影响。相干斑噪声滤除采用Lee滤波实现。对于双极化SAR，定义目标矢量化散射矩阵为：
Figure BDA0001561938940000061
式中，k为目标矢量，SVV,SVH分量分别代表了双极化数据VV、VH线性极化状态的散射信息。
S2进行生育期VH和VV双极化后向散射系数极化分解(即双极化SAR数据的极化分解)，分析不同散射分量特性及与LAI值相关关系；
极化分解过程首先计算协方差矩阵：
Figure BDA0001561938940000062
Figure BDA0001561938940000063
自然界的地物一般都能保持飞行方向的对称性，因此可以假设同极化分量和交叉极化分量不相关，有：
Figure BDA0001561938940000064
Figure BDA0001561938940000071
则
Figure BDA0001561938940000072
其中，〈…>表示假设随机散射介质在各向同质的情况下的空间统计平均。T表示转置矩阵。|…|表示求复数幅度。
借鉴Freeman-Durden分解的方法，双极化SAR数据的极化分解可以将协方差矩阵或相干矩阵分解成两种成分：由一系列的植被冠层定向偶极子得到的体散射成分；由一阶Bragg表面散射和二面角反射得到的单散射成分和二次散射成分。分解过程如下：
Figure BDA0001561938940000073
式中fv对应着体散射分量，fs+d对应着奇次散射和偶次散射共同作用的分量。
由此，可以推出各种成分的功率：
Ps+d＝fs+d (3)
PV＝4fv/3 (4)
w＝Ps+d+PV＝|SHV|2+|SVV|2 (5)
参数Ps+d表示奇次散射和偶次散射共同作用的分量的功率，参数PV表示体散射分量的功率，参数w则为两散射分量的总散射功率。
S3选择精度最高的散射分量关系组合的LAI反演模型，反演LAI，给定评估观测的不确定性；
首先分别选取极化指数
Figure BDA0001561938940000074
PV/w、Ps+d/w对LAI值的变化敏感性，然后利用实测数据，建立LAI与PV/w、Ps+d/w、之间的多元回归模型：
LAI＝f(PV/w,Ps+d/w) (6)
从而实现LAI反演。
S4收集研究区内的气象、作物、土壤和作物管理参数并将其作为输入参数，标定研究区玉米的WOFOST模型
获取以下数据：根据研究区的外包络范围选取21个国家级气象观测台站2017年逐日最高气温、最低气温、日照时数、水汽压、风速、降水量等6个气象要素的数据；从研究区内农业气象站点获取采集的土壤参数、作物参数和物候数据；获取经纬度、高程等控制参数；农业气象数据和17年河北省衡水市各县的夏玉米产量数据。
利用研究区的长时间序列影像和野外调查数据解译得到夏玉米种植区域，生成1公里网格，计算网格单元内夏玉米种植百分比，设定阈值剔除夏玉米种植比例低于20％的单元。同时，在各农气站点利用收集的气象、作物、土壤和管理参数对WOFOST模型进行标定。对模型的产量输出和气象数据统一度量，并根据初步标定的结果，将气象数据和作物参数进行反距离权重插值生成1公里每像素的栅格数据。
S5、以LAI为同化变量，利用粒子滤波算法对遥感观测LAI和WOFOST模拟LAI进行同化，优化玉米生育期内LAI轨迹；
在模型运行过程中，如果当天有遥感观测数据则进行同化。同化方法表示如下：
Figure BDA0001561938940000081
Figure BDA0001561938940000082
Figure BDA0001561938940000083
Figure BDA0001561938940000084
表示k时刻的第i个粒子的模型模拟状态变量；
Figure BDA0001561938940000085
表示k+1时刻的第i个粒子的模型模拟状态变量；M为非线性算子，即WOFOST模型；uk为模型驱动参数；
Figure BDA0001561938940000086
表示k+1时刻第i个粒子的观测状态变量；H为观测算子，ε为观测噪声；xk+1为k+1时刻最优估计值；
Figure BDA0001561938940000091
为归一化重采样后各粒子的权重；N表示粒子个数；
Figure BDA0001561938940000092
Figure BDA0001561938940000093
Figure BDA0001561938940000094
Figure BDA0001561938940000095
式中，
Figure BDA0001561938940000096
表示粒子重要性权重；
Figure BDA0001561938940000097
表示观测值为yk+1时的似然概率密度，即
Figure BDA0001561938940000098
发生的情况下为yk+1发生的概率；同理，
Figure BDA0001561938940000099
表示
Figure BDA00015619389400000910
发生的情况下
Figure BDA00015619389400000911
发生的概率；
Figure BDA00015619389400000912
表示重要性采样函数；ki为重采样系数；
Figure BDA00015619389400000913
表示取
Figure BDA00015619389400000914
的整数部分。
同化的基本过程为，首先粒子数设为300，在预测阶段，用给定的高斯分布随机噪声扰动模型初始LAI xk，获得第k时刻的初始粒子群
Figure BDA00015619389400000915
在更新阶段，利用模型预测状态、遥感观测以及初始重要性概率密度通过公式(14)计算每个粒子的重要性权重
Figure BDA00015619389400000916
在每次重采样后，
Figure BDA00015619389400000917
对粒子的初始重要性概率密度函数做特定选择，即，并假定预测粒子偏离观测值的状况符合正态分布，所以以正态分布的概率密度函数计算预测粒子的权重值：
Figure BDA00015619389400000918
式中，Rk+1为第k+1时刻的观测误差协方差矩阵。然后在通过公式(13)得到第k+1时刻的状态估计值。从而优化玉米生育期内LAI轨迹。
S6、逐个玉米格网，运行S5的步骤，采用优化后的LAI重新驱动WOFOST模型，模拟输出区域的玉米产量，进行空间制图。
本实施例双极化合成孔径雷达与作物模型数据同化的作物估产方法估算的玉米产量结果图见图2。
本发明的方法融合了SAR遥感数据和作物模型的优势，充分利用了多极化SAR数据提供的丰富信息，采用双极化信号分解模式反演LAI，再利用粒子滤波同化LAI到WOFOST模型中，克服了玉米生育期光学遥感数据缺失的问题，不仅可以提高作物模型的作物产量模拟精度优化作物生育期内LAI轨迹，还能够在区域尺度上估测作物产量。
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (7)

1.一种双极化合成孔径雷达与作物模型数据同化的作物估产方法，其特征在于，具体步骤如下：
S1、收集研究区待测作物生育期内双极化合成孔径雷达的卫星数据，进行预处理获得时间序列C波段的VH和VV双极化后向散射系数，即双极化SAR数据；
S2、对双极化SAR数据进行极化分解，分析不同散射分量特性及与LAI值相关关系；
S3、选择精度最高的散射分量关系组合的LAI反演模型反演LAI，得到遥感观测LAI，给定评估观测的不确定性；
所述选择精度最高的散射分量关系组合的LAI反演模型反演LAI的具体方法为：首先分别选取极化指数
Figure FDA0003162430650000011
PV/w、Ps+d/w对LAI值的变化敏感性，然后利用实测数据，建立LAI与PV/w、Ps+d/w之间的多元回归模型：
LAI＝f(PV/w,Ps+d/w) (6)
从而实现区域作物LAI反演；参数Ps+d表示奇次散射和偶次散射共同作用的分量的功率，参数PV表示体散射分量的功率，参数w则为两散射分量的总散射功率；
S4、收集研究区内的气象、作物、土壤和作物管理参数并将其作为输入参数，标定研究区作物的WOFOST模型，得到得WOFOST模拟LAI；所述标定研究区作物的WOFOST模型，需要对气象参数和作物模型所需的积温参数，以气象站点为基准，采用反距离权重插值算法，完成参数区域化标定；
S5、以LAI为同化变量，利用粒子滤波算法对遥感观测LAI和WOFOST模拟LAI进行同化，得到优化后的作物生育期LAI轨迹；
所述利用粒子滤波算法对遥感观测LAI和WOFOST模拟LAI进行同化，以公式(7)(8)(9)进行计算：
Figure FDA0003162430650000021
Figure FDA0003162430650000022
Figure FDA0003162430650000023
Figure FDA0003162430650000024
表示k时刻的第i个粒子的模型模拟状态变量；
Figure FDA0003162430650000025
表示k+1时刻的第i个粒子的模型模拟状态变量；M为非线性算子，即WOFOST模型；uk为模型驱动参数；
Figure FDA0003162430650000026
表示k+1时刻第i个粒子的观测状态变量；H为观测算子，ε为观测噪声；xk+1为k+1时刻最优估计值；
Figure FDA0003162430650000027
为归一化重采样后各粒子的权重；N表示粒子个数；
Figure FDA0003162430650000028
Figure FDA0003162430650000029
Figure FDA00031624306500000210
Figure FDA00031624306500000211
式中，
Figure FDA00031624306500000212
表示粒子重要性权重；
Figure FDA00031624306500000213
表示观测值为yk+1时的似然概率密度，即
Figure FDA00031624306500000214
发生的情况下为yk+1发生的概率；同理，
Figure FDA00031624306500000215
表示
Figure FDA00031624306500000216
发生的情况下
Figure FDA00031624306500000217
发生的概率；
Figure FDA00031624306500000218
表示重要性采样函数；ki为重采样系数；
Figure FDA00031624306500000219
表示取
Figure FDA00031624306500000220
的整数部分；
S6、逐个作物格网运行S5的步骤，采用优化后的作物生育期LAI轨迹重新驱动WOFOST模型，模拟输出区域的作物产量，进行空间制图，指导作物生产。
2.如权利要求1所述的方法，其特征在于，步骤S1中所述进行预处理是指运用轨道数据自校正、去除热噪声、斜地转换、单视复数据生成极化散射矩阵S、辐射定标、地形校正和相干斑噪声滤除。
3.如权利要求2所述的方法，其特征在于，去除热噪声采用双线性插值法消除传感器带来的热噪声影响。
4.如权利要求2所述的方法，其特征在于，相干斑噪声滤除采用Lee滤波实现。
5.如权利要求2所述的方法，其特征在于，步骤S1所述双极化SAR数据，定义目标矢量化散射矩阵为：
Figure FDA0003162430650000031
式中，k′为目标矢量，SVV、SVH分量分别代表了双极化数据VV、VH线性极化状态的散射信息。
6.如权利要求5所述的方法，其特征在于，步骤S2所述对双极化SAR数据进行极化分解，分解过程如下：
Figure FDA0003162430650000032
式(2)中fv对应着体散射分量，fs+d对应着奇次散射和偶次散射共同作用的分量；
由此，可以推出各种成分的功率：
Ps+d＝fs+d (3)
PV＝4fv/3 (4)
w＝Ps+d+PV＝|SHV|2+|SVV|2 (5)
式中参数Ps+d表示奇次散射和偶次散射共同作用的分量的功率，参数PV表示体散射分量的功率，参数w则为两散射分量的总散射功率。
7.权利要求1-6任一项所述双极化合成孔径雷达与作物模型数据同化的作物估产方法在指导农作物生产中的应用。
CN201810084248.9A 2018-01-29 2018-01-29 双极化合成孔径雷达与作物模型数据同化的作物估产方法 Active CN108509836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810084248.9A CN108509836B (zh) 2018-01-29 2018-01-29 双极化合成孔径雷达与作物模型数据同化的作物估产方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810084248.9A CN108509836B (zh) 2018-01-29 2018-01-29 双极化合成孔径雷达与作物模型数据同化的作物估产方法

Publications (2)

Publication Number Publication Date
CN108509836A CN108509836A (zh) 2018-09-07
CN108509836B true CN108509836B (zh) 2021-10-08

Family

ID=63374526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810084248.9A Active CN108509836B (zh) 2018-01-29 2018-01-29 双极化合成孔径雷达与作物模型数据同化的作物估产方法

Country Status (1)

Country Link
CN (1) CN108509836B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344737A (zh) * 2018-09-12 2019-02-15 中国农业大学 基于sar极化分解的一维dcnn土地利用分类方法
CN109800921B (zh) * 2019-01-30 2019-12-20 北京师范大学 基于遥感物候同化和粒子群优化的区域冬小麦估产方法
CN110287457B (zh) * 2019-07-02 2023-02-17 吉林大学 基于卫星雷达遥感数据的玉米生物量反演测算方法
CN110633841B (zh) * 2019-08-13 2022-04-01 中国农业大学 基于集合采样的省级范围地块尺度数据同化产量预测方法
CN110532967A (zh) * 2019-09-02 2019-12-03 中国科学院遥感与数字地球研究所 一种基于哨兵1号rvi时间序列的农作物分类方法
CN111368736B (zh) * 2020-03-04 2020-12-01 北京四象爱数科技有限公司 基于sar和光学遥感数据的水稻精细化估产方法
CN112052988B (zh) * 2020-08-18 2024-03-22 中国农业大学 耦合多目标优化和集合同化的作物产量估测方法及应用
CN112991247B (zh) * 2021-03-04 2022-06-03 河南省气象科学研究所 冬小麦蒸散遥感反演及与作物模型同化方法
CN113129328B (zh) * 2021-04-22 2022-05-17 中国电子科技集团公司第二十九研究所 一种目标热点区域精细化分析方法
CN113435566B (zh) * 2021-06-22 2022-04-12 布瑞克农业大数据科技集团有限公司 一种农场作物施肥的方法、***、装置及存储介质
CN114282609B (zh) * 2021-12-23 2022-09-20 西南交通大学 一种作物面积与物候指标提取方法
CN115372970B (zh) * 2022-08-19 2024-06-28 陕西省土地工程建设集团有限责任公司 一种山区丘陵区作物sar遥感提取方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001188084A (ja) * 1999-09-23 2001-07-10 Astrium Ltd 宇宙機器搭載用レーダ
CN102968640A (zh) * 2012-10-25 2013-03-13 西安电子科技大学 基于Freeman分解和数据分布特征的极化SAR图像分类方法
CN103323846A (zh) * 2013-05-15 2013-09-25 中国科学院电子学研究所 一种基于极化干涉合成孔径雷达的反演方法及装置
CN104330798A (zh) * 2014-11-03 2015-02-04 北京农业信息技术研究中心 基于合成孔径雷达遥感影像监测农作物播期的方法及装置
CN106258686A (zh) * 2016-08-11 2017-01-04 中国科学院遥感与数字地球研究所 一种改进的水云模型及应用该模型的水稻参数反演方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2617119A1 (en) * 2008-01-08 2009-07-08 Pci Geomatics Enterprises Inc. Service oriented architecture for earth observation image processing
CN104134095B (zh) * 2014-04-17 2017-02-15 中国农业大学 一种基于尺度转换和数据同化的农作物产量估测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001188084A (ja) * 1999-09-23 2001-07-10 Astrium Ltd 宇宙機器搭載用レーダ
CN102968640A (zh) * 2012-10-25 2013-03-13 西安电子科技大学 基于Freeman分解和数据分布特征的极化SAR图像分类方法
CN103323846A (zh) * 2013-05-15 2013-09-25 中国科学院电子学研究所 一种基于极化干涉合成孔径雷达的反演方法及装置
CN104330798A (zh) * 2014-11-03 2015-02-04 北京农业信息技术研究中心 基于合成孔径雷达遥感影像监测农作物播期的方法及装置
CN106258686A (zh) * 2016-08-11 2017-01-04 中国科学院遥感与数字地球研究所 一种改进的水云模型及应用该模型的水稻参数反演方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Regional winter wheat yield prediction by integrating MODIS LAI into the WOFOST model with sequential assimilation techniqu;Liu J等;《Journal of Food, Agriculture & Environment》;20140131;第12卷(第1期);第182页左栏第2段、右栏第2-3段，第181页右栏第4段、左栏第三段，第183页右栏最后1段，图4，第184页左栏第1段，图6 *
基于改进的SVM方法对极化雷达数据估算小麦叶面积指数;王舒;《中国优秀硕士学位论文全文数据库信息科技辑》;20170315;第4-7，38-43页 *
粒子滤波算法在数据同化中的应用研究进展;毕海芸等;《遥感技术与应用》;20141031;第29卷(第5期);第702页左栏第2段 *

Also Published As

Publication number Publication date
CN108509836A (zh) 2018-09-07

Similar Documents

Publication Publication Date Title
CN108509836B (zh) 双极化合成孔径雷达与作物模型数据同化的作物估产方法
CN109829234B (zh) 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法
CN106908415B (zh) 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法
CN102651096B (zh) 同化叶面积指数时序曲线特征的冬小麦估产方法
CN108802728B (zh) 双极化合成孔径雷达与作物模型同化的作物灌溉指导方法
Børgesen et al. A probabilistic assessment of climate change impacts on yield and nitrogen leaching from winter wheat in Denmark
CN103955860A (zh) 一种基于集合卡尔曼滤波同化的区域作物估产方法
Wu et al. Assimilating MODIS-LAI into crop growth model with EnKF to predict regional crop yield
Yang et al. In-season biomass estimation of oilseed rape (Brassica napus L.) using fully polarimetric SAR imagery
CN105321120A (zh) 同化蒸散发和叶面积指数的区域土壤水分监测方法
CN115479960B (zh) 联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法
CN108537679B (zh) 遥感与作物模型融合的区域尺度作物出苗日期估算方法
Cheng et al. Cold damage risk assessment of double cropping rice in Hunan, China
CN110599360A (zh) 一种干旱区农作物生长季蒸散发高分辨率遥感估算方法
Shi et al. Estimation of sugarcane yield by assimilating UAV and ground measurements via ensemble Kalman filter
Lubis et al. Physical condition of the ocean to global climate change variability: case study in the Batam waters, Indonesia
Chaudhari et al. Spatial wheat yield prediction using crop simulation model, GIS, remote sensing and ground observed data
Lykhovyd Study of climate impact on vegetation cover in Kherson Oblast (Ukraine) using normalized difference and enhanced vegetation indices
Tian et al. Comparison of two optimization algorithms for estimating regional winter wheat yield by integrating MODIS leaf area index and world food studies model
Mattia et al. Time series of COSMO-SkyMed data for landcover classification and surface parameter retrieval over agricultural sites
CN107316017B (zh) 基于作物信息遥感精确反演的非点源污染源强估算方法
Zhuo et al. Assimilating SAR and optical remote sensing data into WOFOST model for improving winter wheat yield estimation
Yang et al. Biomass estimation of oilseed rape using simulated compact polarimtric SAR imagery
Oleson et al. Evaluating land surface parameters in the Biosphere‐Atmosphere Transfer Scheme using remotely sensed data sets
CN113052484A (zh) 基于格点化气象数据的农产品气候品质评估方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220505

Address after: 100005 room 07-162, 101, floor 7, No. 219, Wangfujing Street, Dongcheng District, Beijing

Patentee after: Jinzhinong (Beijing) Risk Management Technology Co.,Ltd.

Address before: 100193 No. 2 Old Summer Palace West Road, Beijing, Haidian District

Patentee before: CHINA AGRICULTURAL University

TR01 Transfer of patent right