CN108985588B - 一种农作物单产遥感估算方法、装置与*** - Google Patents
一种农作物单产遥感估算方法、装置与*** Download PDFInfo
- Publication number
- CN108985588B CN108985588B CN201810689070.0A CN201810689070A CN108985588B CN 108985588 B CN108985588 B CN 108985588B CN 201810689070 A CN201810689070 A CN 201810689070A CN 108985588 B CN108985588 B CN 108985588B
- Authority
- CN
- China
- Prior art keywords
- crop
- remote sensing
- model
- estimating
- yield
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000012010 growth Effects 0.000 claims abstract description 80
- 230000003851 biochemical process Effects 0.000 claims abstract description 27
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 19
- 230000005855 radiation Effects 0.000 claims description 42
- 238000012937 correction Methods 0.000 claims description 27
- 230000008878 coupling Effects 0.000 claims description 21
- 238000010168 coupling process Methods 0.000 claims description 21
- 238000005859 coupling reaction Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 18
- 239000002689 soil Substances 0.000 claims description 15
- 208000005156 Dehydration Diseases 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000010521 absorption reaction Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000002310 reflectometry Methods 0.000 claims description 9
- 235000015097 nutrients Nutrition 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 7
- 230000018109 developmental process Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 12
- 230000000694 effects Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000000243 photosynthetic effect Effects 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005068 transpiration Effects 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910001868 water Inorganic materials 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015816 nutrient absorption Nutrition 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种农作物单产遥感估算方法、装置与***,所述方法包括:基于作物遥感数据,识别作物类别;基于所述作物类别、日照参数、气象参数和作物的植被指数时间序列,估算作物第一净生产力;基于所述作物第一净生产力,结合作物生长环境信息和作物生长生理生化过程参数,估算作物单产量。本发明能够更有效的发挥遥感数据的作用,充分利用作物的生长机理,确保在更大尺度上对作物单产估算的精度、效率和稳定性。
Description
技术领域
本发明涉及农业生产技术领域,更具体地,涉及一种农作物单产遥感估算方法、装置与***。
背景技术
作物产量是农田耕种的最终目标,也是评估农田生产力和农民受益程度的直接指标。在区域或者更大尺度上对作物单产进行实时估算,可以对粮食储藏和粮食交易等提供指导;而掌握某一区域不同作物的产量,有利于对作物的区域种植适宜度进行分析,进而对粮食种植战略提供支持。
作物产量的形成是一个复杂的过程,中间涉及非常多的生理生化过程,气象条件、土壤条件、田间管理、物候信息及农时信息等都是单产估算需要考虑的因素。上个世纪60年代以来,伴随遥感技术的发展,单产估算正式步入快速发展阶段,并且在之后的50多年,作物估产模型经历了由简单参数统计到基于生理生态机理的估产***。
作物生长模拟模型也称作物模型,即通过模拟作物生长过程,得到作物的生物量累积量、作物单产以及农田生态***的水、碳、氮及能量的循环流动量。目前作物生长模拟模型已经成为具有世界影响力的计算作物生产力和农田生态因子的有力工具,在作物估产、作物育种、田间管理等方面有比较广泛的应用。
基于遥感技术的作物单产估算模型可以简单概括为由经验模型、半经验机理模型到机理模型的发展过程,基于光能利用率和基于作物生长是机理模型两种主要实现方式,而这两种方式在像元尺度上进行作物单产估算时,分别存在过于简化作物生理生化过程和参数标定代价过高的问题。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本发明提供一种农作物单产遥感估算方法、装置与***,用以更有效的发挥遥感数据的作用,充分利用作物的生长机理,确保在更大尺度上对作物单产估算的精度、效率和稳定性。
第一方面,本发明提供一种农作物单产遥感估算方法,包括:基于作物遥感数据,识别作物类别;基于所述作物类别、日照参数、气象参数和作物的植被指数时间序列,估算作物第一净生产力;基于所述作物第一净生产力,结合作物生长环境信息和作物生长生理生化过程参数,估算作物单产量。
其中,所述估算作物第一净生产力的步骤进一步包括:具体通过利用光能利用率模型CASA,估算所述作物第一净生产力。
其中,所述基于所述作物类别、日照参数、气象参数和作物的植被指数时间序列,估算作物第一净生产力的步骤进一步包括:基于所述日照参数中的日照时长信息、天文辐射信息和日温差信息,计算太阳总辐射,并基于所述作物的植被指数时间序列,计算光合有效辐射吸收比;基于所述太阳总辐射和所述光合有效辐射吸收比,计算光合有效辐射;基于所述气象参数的温度信息、降雨信息和太阳辐射信息,确定温度/水分胁迫因子,并基于所述温度/水分胁迫因子,计算光能利用率;基于所述作物类别、所述光合有效辐射和所述光能利用率,利用光能利用率模型CASA,估算所述作物第一净生产力。
其中,所述基于所述作物第一净生产力,结合作物生长环境信息和作物生长生理生化过程参数,估算作物单产量的步骤进一步包括:基于所述作物生长环境信息,初始化设定作物生长环境,并进行所述作物类别对应的作物生长过程的土壤水分模拟和作物蒸散模拟,获取包括作物TSUM参数和作物发育阶段DVS的作物生长生理生化过程参数;基于所述作物第一净生产力和所述作物生长生理生化过程参数,估算所述作物单产量。
进一步的,在所述基于所述作物生长环境信息,初始化设定作物生长环境的步骤之前,所述方法还包括:基于所述作物类别和所述作物生长环境信息,构建所述作物类别对应的WOFOST模型;相应的,所述基于所述作物第一净生产力,结合作物生长环境信息和作物生长生理生化过程参数,估算作物单产量的步骤进一步包括:分别在干物质分配、水分胁迫和养分胁迫三个层面,对所述光能利用率模型CASA和所述WOFOST模型进行模型耦合,获取耦合模型;基于所述作物类别、所述日照参数、所述气象参数和所述作物的植被指数时间序列,利用所述耦合模型,估算所述作物单产量。
其中,所述基于作物遥感数据,识别作物类别的步骤进一步包括:基于所述作物遥感数据,顺次进行辐射定标、大气校正、几何校正、正射校正、影像镶嵌和影像裁剪的预处理,获取有效影像数据;基于所述有效影像数据,顺次进行影像分割处理和人工矢量化处理,获取目标田块边界;提取所述目标田块边界范围内影像数据的光谱反射率特征、植被指数特征和影像纹理体征,并基于所述光谱反射率特征、所述植被指数特征和所述影像纹理体征,利用基于监督的分类算法,识别所述作物类别。
进一步的,在所述获取耦合模型的步骤之后,所述方法还包括:采用文献资料法、农场数据搜集、田间观测和遥感反演的方式,对输入模型的所述气象参数、所述作物生长生理生化过程参数和土壤参数,相应进行农场尺度、地块尺度和像元尺度的参数标定。
第二方面,本发明提供一种农作物单产遥感估算装置,包括:至少一个存储器、至少一个处理器、通信接口和总线;所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信,所述通信接口用于所述估算装置与模型输入参数获取或存储设备之间的信息传输;所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上所述的农作物单产遥感估算方法。
第三方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上所述的农作物单产遥感估算方法。。
第四方面,本发明提供一种农作物单产遥感估算***,其特征在于,包括:如上所述的农作物单产遥感估算装置以及所述模型输入参数获取或存储设备。
本发明提供的一种农作物单产遥感估算方法、装置与***,根据作物遥感数据对作物类别进行识别,并在此基础上综合考虑作物生长光能利用率和作物生长生理生化过程,能够更有效的发挥遥感数据的作用,充分利用作物的生长机理,确保在更大尺度上对作物单产估算的精度、效率和稳定性。
附图说明
图1为本发明实施例一种农作物单产遥感估算方法的流程图;
图2为根据本发明实施例一种农作物单产遥感估算方法中进行作物遥感数据预处理的流程图;
图3为本发明实施例另一种农作物单产遥感估算方法的流程图;
图4为本发明实施例一种农作物单产遥感估算装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
作为本发明实施例的一个方面,本实施例提供一种农作物单产遥感估算方法,参考图1,为本发明实施例一种农作物单产遥感估算方法的流程图,包括:
S1,基于作物遥感数据,识别作物类别;
S2,基于作物类别、日照参数、气象参数和作物的植被指数时间序列,估算作物第一净生产力;
S3,基于作物第一净生产力,结合作物生长环境信息和作物生长生理生化过程参数,估算作物单产量。
可以理解的是,本发明实施例以作物遥感数据为基础,通过对该遥感数据进行处理分析,在获取遥感数据中作物类别的基础上,通过计算作物在当前各类环境参数条件下的第一净生产力(Net Primary Productivity,NPP),最终对作物的产量进行精确估计。
具体的,在步骤S1中,先要对获取的作物遥感数据进行预处理,获取更能表达作物特征的有效影像数据,并对该有效影像数据进行分类识别处理,获取当前遥感数据对应的作物类别。在其中的一个实施例中,上述基于作物遥感数据,识别作物类别的步骤进一步包括:
基于作物遥感数据,顺次进行辐射定标、大气校正、几何校正、正射校正、影像镶嵌和影像裁剪的预处理,获取有效影像数据;
基于有效影像数据,顺次进行影像分割处理和人工矢量化处理,获取目标田块边界;
提取目标田块边界范围内影像数据的光谱反射率特征、植被指数特征和影像纹理体征,并基于光谱反射率特征、植被指数特征和影像纹理体征,利用基于监督的分类算法,识别作物类别。
可以理解的是,本实施例事先需要对待估算产量的地块作物遥感数据以及相关的环境参数等进行收集。例如,通过访问高分一号卫星(GF-1)的数据站,获取作物的GF-1WFV遥感数据,通过气象中心数据库获取气象参数,同时获取地块所在的地理空间信息以及根据历史数据记录的统计年鉴数据等。
其中的高分一号卫星GF-1采用太阳同步轨道运行,轨道高度为645km,倾角为98.0506°,相机可测摆25°。GF-1 WFV相机可以获取16米多光谱彩色图像(蓝、绿、红、近红外4个波段)。GF-1卫星装载了WFV1、WFV2、WFV3和WFV4四个WFV传感器,成像的幅宽可达800公里左右。其中WFV相机的参数如表1所示,为GF-1 WFV数据参数表。
表1,GF-1 WFV数据参数表
以上获取的GF-1 WFV数据是1级产品,需要对该一级数据做辐射定标、几何校正等预处理流程,以获取更能表达作物特征的有效影像数据。具体如图2所示,为根据本发明实施例一种农作物单产遥感估算方法中进行作物遥感数据预处理的流程图,包括:辐射定标、大气校正、几何校正、正射校正、影像镶嵌和影像裁剪等。
其中,辐射定标是指建立遥感传感器的数字量化输出值DN值与其所对应视场中辐射亮度值之间的定量关系。GF-1定标系数在中国资源卫星应用中心网站下载,利用以下公式将GF-1WFV各载荷的通道观测值(DN值)转换为表观辐亮度值:
Lε(λε)=Gain·DN+Bias
式中,Lε(λε)表示转换后表观辐亮度,Gain表示定标斜率,DN表示卫星载荷观测值,Bias表示定标截距。
在大气校正过程中,考虑到所有用于遥感的辐射能均要通过地球的大气层,并且与大气层发生相互作用(散射、吸收等),大气的衰减作用对不同波长的光是有选择性的,为获得地物真实的反射率,减弱大气条件对遥感数据影响的处理过程称为大气校正。例如,采用ENVI软件中的FLAASH(Fast Line-of-sigh Atmospheric Analysis of SpectralHypercubes)模块进行大气校正。FLAASH是由光学成像研究所-波谱科学研究所在美国空气动力实验室支持下开发的大气校正模块,采用了MODTRAN4+辐射传输模型,可根据研究区的标准大气模型和气溶胶类型进行地表反射率计。
原始遥感影像通常存在着几何畸形,这些几何畸变有的是由于卫星的姿态、轨道以及地球的运动和形状等外部因素引起的,有的是由于遥感器本身结构性能和扫描镜的不规则运动、检测器采样延迟、探测器的配置、波段间的配准失调等内部因素引起的。几何校正的目的就是纠正这些因素引起的影像变形,几何校正包括普通的几何校正和正射校正。正射校正是借助地形高程模型(DEM),对影像的每一个像元进行影像变形的校正,使遥感影像更符合正射投影的要求。
在上述数据处理的基础上,进行几何精校正,例如以经过实际测量控制点校正的OLI影像为基准,采用二次多项式法进行几何精校正,使研究所用影像具有几何一致性。
最后,进行重投影、裁剪。为保证本发明实施例所使用的所有影像具有相同的投影信息,需要对影像进行重投影处理,然后按研究区范围对影像进行裁剪,获取有效影像数据。
在根据上述处理获取有效影像数据的基础上,由于作物轮作的存在,需要对每年的作物种植类型进行识别,作物识别主要使用GF-2数据,在土地利用类型等基础数据基础上采用面向田块分类方法,实现研究区内棉花种植地块的有效识别。
具体的,首先以上述有效影像数据为基础,通过影像分割和人工矢量化方式,获得研究区田块边界数据,即获取目标田块边界。然后,提取目标田块边界范围内影像数据的光谱反射率特征、植被指数特征和影像纹理体征等分类特征,并选取MLC(最大似然)、SVM(支持向量机)或NN(神经网络)等监督分类方法,对田块级的特征影像进行分类,研究各分类特征及分类方法对作物遥感识别结果的影响,识别作物类别。
具体的,在步骤S2中,对作物的第一净生产力NPP进行计算。具体对于不同的作物类别,同等条件下得到的产量可能不同,因此,综合考虑作物本身因素,包括作物类别和作物的植被指数时间序列,以及作物生长环境条件因素,包括日照参数、气象参数等,进行作物第一净生产力的计算。可以理解的是,其中的植被指数时间序列可以是通过对按照时间顺序获取的多帧作物遥感数据的分析和处理所得。
具体的,在步骤S3中,在根据上述步骤计算得到作物第一净生产力的前提下,需要根据作物第一净生产力进行进一步计算以得到作物类别所对应的作物产量。具体首先要对作物生长的生长环境信息中土壤水分信息、作物蒸散信息及作物生长信息进行初始化设定,并在此基础上确定作物生长生理生化过程参数,然后基于作物第一净生产力和作物生长生理生化过程参数,进行综合评定计算,获取对作物产量的估算结果。
本发明实施例提供的一种农作物单产遥感估算方法,根据作物遥感数据对作物类别进行识别,并在此基础上综合考虑作物生长光能利用率和作物生长生理生化过程,能够更有效的发挥遥感数据的作用,充分利用作物的生长机理,确保在更大尺度上对作物单产估算的精度、效率和稳定性。
根据上述实施例,具体通过利用光能利用率模型CASA,估算作物第一净生产力。具体的,基于作物类别、日照参数、气象参数和作物的植被指数时间序列,估算作物第一净生产力的步骤进一步包括:
基于日照参数中的日照时长信息、天文辐射信息和日温差信息,计算太阳总辐射,并基于作物的植被指数时间序列,计算光合有效辐射吸收比;
基于太阳总辐射和光合有效辐射吸收比,计算光合有效辐射;
基于气象参数的温度信息、降雨信息和太阳辐射信息,确定温度/水分胁迫因子,并基于温度/水分胁迫因子,计算光能利用率;
基于作物类别、光合有效辐射和光能利用率,利用光能利用率模型CASA,估算作物第一净生产力。
可以理解的是,在利用CASA模型进行作物第一净生产力的估算时,需要先对作物生长过程中的光合有效辐射APAR和光能利用率分别进行计算。具体综合考虑日照参数、气象参数和作物植被指数时间序列,分别对这两个指标进行求解。
其中在计算光合有效辐射时,一方面基于日照时长信息、天文辐射信息和日温差信息,利用光能利用率模型CASA,计算太阳总辐射SQL,另一方面根据作物植被指数时间序列计算光合有效辐射吸收比FRAR,然后在此基础上,计算作物生长过程中的光合有效辐射APAR。
其中在计算光能利用率时,基于获取的气象数据进行。例如本发明一个实施例中使用了温度数据、降雨数据和太阳辐射数据,该数据在中国气象数据网下载。将下载好的数据在文本文档中整理好作为输入数据。之后对这些气象参数数据进行综合分析和处理,确定作物生长的温度/水分胁迫因子,并在此基础上,计算光能利用率。
然后,在根据上述步骤确定作物生长的光合有效辐射和光能利用率之后,利用光能利用率模型CASA,对作物类别、光合有效辐射和光能利用率进行综合分析、计算,获取作物第一净生产力。
根据上述实施例,基于作物第一净生产力,结合作物生长环境信息和作物生长生理生化过程参数,估算作物单产量的步骤进一步包括:基于作物生长环境信息,初始化设定作物生长环境,并进行作物类别对应的作物生长过程的土壤水分模拟和作物蒸散模拟,获取包括作物TSUM参数和作物发育阶段DVS的作物生长生理生化过程参数;基于作物第一净生产力和作物生长生理生化过程参数,估算作物单产量。
可以理解的是,作物的产量与作物本身和作物的生长环境息息相关,其中在根据上述实施例计算得到作物第一净生产力的基础上,还需综合考虑作物生长的土壤水分、作物蒸散作用等初始信息。具体通过对作物生长环境土壤水分、作物蒸腾及作物生长状态的初始化,进行作物生长过程模拟,获取地块中作物的包括作物TSUM参数和作物发育阶段DVS的作物生长生理生化过程参数,并在此基础上结合根据上述实施例获取的作物第一净生产力,估算对应的作物产量。
在上述实施例的基础上,该估算方法还包括:
基于作物类别和作物生长环境信息,构建作物类别对应的WOFOST模型;
分别在干物质分配、水分胁迫和养分胁迫三个层面,对光能利用率模型CASA和WOFOST模型进行模型耦合,获取耦合模型;
基于作物类别、日照参数、气象参数和作物的植被指数时间序列,利用耦合模型,估算作物单产量。
可以理解的是,本实施例通过耦合光能利用率模型(Carnegie-Ames-StanfordApproach,CASA)和作物模型(World Food Studies,WOFOST)解决现有技术存在的问题。耦合CASA模型和WOFOST模型得到CASA-WOFOST单产估算模型,可以同时兼顾到CASA模型的运算速度和WOFOST模型的机理优势,同时能有效发挥遥感数据的作用,确保在较大尺度上进行单产估算的精度和稳定性,对主要粮食作物的估算精度可以达到85-90%。
具体的,CASA模型是耦合模型的主体框架,通过对作物第一净生产力的逐日模拟,得到干物质累积量(生物量),再通过收获指数得到作物产量,同时加入WOFOST模型的相关模块提升CASA模型在单产估算方面的能力。
具体主要对干物质分配、蒸腾作用(土壤水循环)和养分胁迫作用(养分吸收及利用)三个过程进行耦合。耦合分为三级,第一级是将干物质分配过程进行耦合,增加CASA模型对不同生育期内干物质向存储器官分配的模拟能力,从而代替收获指数,避免不必要的误差;第二级是对水分胁迫的耦合,提升其对极端天气条件的应对能力,第三级是对养分胁迫的耦合,通过增加养分模块使CASA模型具备模拟作物对速效氮磷钾的吸收和利用的模拟能力。最后在CASA-WOFOST单产估算耦合模型参数标定和遥感数据同化实现的基础上对作物生长进行模拟,并通过考虑养分胁迫作用得到最终的单产估算结果。
应当理解的是,由于上述后面两级的耦合方式依然涉及较多的待标定参数,因此只在发生异常胁迫的时候对相应模块进行调用,以保证模型运行速度和成本。
本发明实施例提供的一种农作物单产遥感估算方法,通过耦合得到的CASA-WOFOST单产估算模型可以同时兼顾到CASA模型的运算速度和WOFOST模型的机理优势,能够更有效的发挥遥感数据的作用,充分利用作物的生长机理,确保在更大尺度上对作物单产估算的精度、效率和稳定性。
进一步的,在获取耦合模型的步骤之后,该方法还包括:采用文献资料法、农场数据搜集、田间观测和遥感反演的方式,对输入模型的气象参数、作物生长生理生化过程参数和土壤参数,相应进行农场尺度、地块尺度和像元尺度的参数标定。
可以理解的是,在根据上述实施例进行参数敏感性分析和地面观测数据集获取的基础上,进行耦合模型参数的标定。模型标定主要通过四种方式进行:文献资料法、农场数据搜集、田间观测和遥感反演。
具体在进行模型参数标定时,主要分为以下几种尺度进行:除温度以外的气象数据、大部分作物参数和土壤参数在农场尺度上进行标定;部分的土壤养分参数在地块尺度上标定;部分核心参数(作物生育期、叶面积指数等)在像元尺度进行标定。主要的标定参数包括气象参数、作物参数和土壤参数等。
为进一步说明本发明的技术方案,提供如下优选的处理流程,但不对本发明的保护范围进行限制。
参考图3,为本发明实施例另一种农作物单产遥感估算方法的流程图,其中该方法的运算可认为是包括数据获取与预处理、基于作物时序遥感数据的作物类别识别、CASA模型估算作物NPP和融合WOFOST模型估算作物产量几个处理流程的运算过程。
其中在数据获取阶段,对包括作物时序遥感数据、地理空间数据、统一年鉴数据、气象数据和太阳参数等的数据进行收集。然后在数据预处理阶段,对作物时序遥感数据,顺次进行辐射定标、大气校正、几何校正、正射校正、影像镶嵌和影像裁剪等的预处理,获取有效的作物影像数据。
然后在作物类别遥感识别阶段,分别基于有效作物影像数据,进行分类特征提取、作物信息提取和精度评价/统计。即,基于有效作物影像数据,通过影像NDVI提取,并进行时序NDVI平滑重构,获取时间序列NDVI。选取时间序列NDVI中的部分数据作为训练样本输入,同时基于有效作物影像数据,通过目视解释获取作物的真实类别。以作物的真实类别为样本标签,将训练样本输入和样本标签一起输入作物类别识别模型,对作物类别识别模型进行训练,通过精度评价统计,得到理想的作物类别识别模型。再利用该理想的作物类别识别模型对待识别的影像特征进行作物类别识别。
在CASA模型估算作物NPP阶段,利用光能利用率模型CASA,根据日照参数,包括如日照时长、天文辐射即日温度差等,获取太阳总辐射,同时根据植被指数时间序列获取光合有效辐射吸收比,再根据太阳总辐射和光合有效辐射吸收比,确定日照条件的光合有效辐射APAR。另一方面,根据气象数据,包括如温度、降雨、太阳辐射等,获取温度/水分胁迫因子,并基于此确定光能利用率。最后基于光合有效辐射APAR和光能利用率,获取作物所对应的第一净生产力NPP。
最后在融合WOFOST模型估算作物产量阶段,首先对模型的土壤水分模拟模块、作物生长模块和作物蒸散模块分别进行初始化参数设定。在此基础上,利用WOFOST模型确定作物TSUM信息、作物发育阶段DVS参数和储存器官分配系数。最后基于这些信息参数和作物的第一净生产力NPP,估算作物产量。
作为本发明实施例的另一个方面,本实施例提供一种农作物单产遥感估算装置,参考图4,为本发明实施例一种农作物单产遥感估算装置的结构框图,包括:至少一个存储器1、至少一个处理器2、通信接口3和总线4。
其中,存储器1、处理器2和通信接口3通过总线4完成相互间的通信,通信接口3用于估算装置与模型输入相关参数的获取或存储设备之间的信息传输;存储器1中存储有可在处理器2上运行的计算机程序,处理器2执行所述计算机程序时,实现如上述实施例所述的农作物单产遥感估算方法。
可以理解为,所述的农作物单产遥感估算装置中至少包含存储器1、处理器2、通信接口3和总线4,且存储器1、处理器2和通信接口3通过总线4形成相互之间的通信连接,并可完成相互间的通信。
通信接口3实现农作物单产遥感估算装置与模型输入相关参数的获取或存储设备之间的通信连接,并可完成相互间信息传输,如通过通信接口3实现对作物遥感数据、日照参数及气象参数等的获取等。
农作物单产遥感估算装置运行时,处理器2调用存储器1中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:基于作物遥感数据,顺次进行辐射定标、大气校正、几何校正、正射校正、影像镶嵌和影像裁剪的预处理,获取有效影像数据;以及基于作物类别、日照参数、气象参数和作物的植被指数时间序列,估算作物第一净生产力等。
本发明另一个实施例中,提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上述实施例所述的农作物单产遥感估算方法。
可以理解为,上述的存储器1中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。或者,实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的农作物单产遥感估算装置的实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,既可以位于一个地方,或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上实施方式的描述,本领域的技术人员可以清楚地了解,各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令,用以使得一台计算机设备(如个人计算机,服务器,或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。
本发明实施例提供的一种农作物单产遥感估算装置和一种非暂态计算机可读存储介质,根据作物遥感数据对作物类别进行识别,并在此基础上综合考虑作物生长光能利用率和作物生长生理生化过程,能够更有效的发挥遥感数据的作用,充分利用作物的生长机理,确保在更大尺度上对作物单产估算的精度、效率和稳定性。
作为本发明实施例的又一个方面,本实施例提供一种农作物单产遥感估算***,该***包括如上述实施例所述的农作物单产遥感估算装置以及与之通信连接的模型输入相关参数的获取或存储设备。其中的模型输入相关参数包括作物遥感数据、日照参数、气象参数和作物生长环境信息等。
该***用于在上述各实施例中基于作物遥感图像,利用光能利用率与作物生长过程的融合,实现作物单产量的估算。因此,在上述各实施例中的农作物单产遥感估算中的描述和定义,可以用于本发明实施例中各个执行模块的理解。
可以理解的是,本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
本发明实施例提供的一种农作物单产遥感估算***,通过设置如上所述的估算装置以及相应的参数获取或储存设备,根据作物遥感数据对作物类别进行识别,并在此基础上综合考虑作物生长光能利用率和作物生长生理生化过程,能够更有效的发挥遥感数据的作用,充分利用作物的生长机理,确保在更大尺度上对作物单产估算的精度、效率和稳定性。
另外,本领域内的技术人员应当理解的是,在本发明的申请文件中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的说明书中,说明了大量具体细节。然而应当理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似的,应当理解的是,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种农作物单产遥感估算方法,其特征在于,包括:
基于作物遥感数据,识别作物类别;
基于所述作物类别、日照参数、气象参数和作物的植被指数时间序列,估算作物第一净生产力;其中,所述作物的植被指数时间序列是通过对按照时间顺序获取的多帧作物遥感数据的分析和处理所得;
基于所述作物第一净生产力,结合作物生长环境信息和作物生长生理生化过程参数,估算作物单产量;
其中,所述基于所述作物类别、日照参数、气象参数和作物的植被指数时间序列,估算作物第一净生产力的步骤进一步包括:
基于所述日照参数中的日照时长信息、天文辐射信息和日温差信息,计算太阳总辐射,并基于所述作物的植被指数时间序列,计算光合有效辐射吸收比;
基于所述太阳总辐射和所述光合有效辐射吸收比,计算光合有效辐射;
基于所述气象参数的温度信息、降雨信息和太阳辐射信息,确定温度/水分胁迫因子,并基于所述温度/水分胁迫因子,计算光能利用率;
基于所述作物类别、所述光合有效辐射和所述光能利用率,利用光能利用率模型CASA,估算所述作物第一净生产力。
2.根据权利要求1所述的方法,其特征在于,所述估算作物第一净生产力的步骤进一步包括:具体通过利用光能利用率模型CASA,估算所述作物第一净生产力。
3.根据权利要求2所述的方法,其特征在于,所述基于所述作物第一净生产力,结合作物生长环境信息和作物生长生理生化过程参数,估算作物单产量的步骤进一步包括:
基于所述作物生长环境信息,初始化设定作物生长环境,并进行所述作物类别对应的作物生长过程的土壤水分模拟和作物蒸散模拟,获取包括作物TSUM参数和作物发育阶段DVS的作物生长生理生化过程参数;
基于所述作物第一净生产力和所述作物生长生理生化过程参数,估算所述作物单产量。
4.根据权利要求3所述的方法,其特征在于,在所述基于所述作物生长环境信息,初始化设定作物生长环境的步骤之前,还包括:
基于所述作物类别和所述作物生长环境信息,构建所述作物类别对应的WOFOST模型;
相应的,所述基于所述作物第一净生产力,结合作物生长环境信息和作物生长生理生化过程参数,估算作物单产量的步骤进一步包括:
分别在干物质分配、水分胁迫和养分胁迫三个层面,对所述光能利用率模型CASA和所述WOFOST模型进行模型耦合,获取耦合模型;
基于所述作物类别、所述日照参数、所述气象参数和所述作物的植被指数时间序列,利用所述耦合模型,估算所述作物单产量。
5.根据权利要求1所述的方法,其特征在于,所述基于作物遥感数据,识别作物类别的步骤进一步包括:
基于所述作物遥感数据,顺次进行辐射定标、大气校正、几何校正、正射校正、影像镶嵌和影像裁剪的预处理,获取有效影像数据;
基于所述有效影像数据,顺次进行影像分割处理和人工矢量化处理,获取目标田块边界;
提取所述目标田块边界范围内影像数据的光谱反射率特征、植被指数特征和影像纹理体征,并基于所述光谱反射率特征、所述植被指数特征和所述影像纹理体征,利用基于监督的分类算法,识别所述作物类别。
6.根据权利要求4所述的方法,其特征在于,在所述获取耦合模型的步骤之后,还包括:
采用文献资料法、农场数据搜集、田间观测和遥感反演的方式,对输入模型的所述气象参数、所述作物生长生理生化过程参数和土壤参数,相应进行农场尺度、地块尺度和像元尺度的参数标定。
7.一种农作物单产遥感估算装置,其特征在于,包括:至少一个存储器、至少一个处理器、通信接口和总线;
所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信,所述通信接口用于所述估算装置与模型输入参数获取或存储设备之间的信息传输;
所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1至6中任一所述的方法。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至6中任一所述的方法。
9.一种农作物单产遥感估算***,其特征在于,包括:如权利要求7所述的估算装置以及所述模型输入参数获取或存储设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810689070.0A CN108985588B (zh) | 2018-06-28 | 2018-06-28 | 一种农作物单产遥感估算方法、装置与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810689070.0A CN108985588B (zh) | 2018-06-28 | 2018-06-28 | 一种农作物单产遥感估算方法、装置与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985588A CN108985588A (zh) | 2018-12-11 |
CN108985588B true CN108985588B (zh) | 2021-09-03 |
Family
ID=64539419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810689070.0A Active CN108985588B (zh) | 2018-06-28 | 2018-06-28 | 一种农作物单产遥感估算方法、装置与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985588B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614763B (zh) * | 2019-01-30 | 2019-09-06 | 北京师范大学 | 一种基于多源信息分步校正作物模型的区域作物估产方法 |
CN109919395A (zh) * | 2019-04-01 | 2019-06-21 | 安徽大学 | 一种基于短周期遥感区域数据的冬小麦产量估测方法 |
CN110243406B (zh) * | 2019-06-21 | 2021-06-15 | 武汉思众空间信息科技有限公司 | 农作物估产方法、装置、电子设备及存储介质 |
CN110276304A (zh) * | 2019-06-25 | 2019-09-24 | 北京师范大学 | 基于降尺度的高分辨率植被生产力遥感估算方法 |
CN110176067A (zh) * | 2019-07-03 | 2019-08-27 | 中国水利水电科学研究院 | 一种wofost-par耦合模型建立方法 |
CN110458618A (zh) * | 2019-08-09 | 2019-11-15 | 天津市测绘院 | 农地价值计算方法、装置、服务器及存储介质 |
CN110930002A (zh) * | 2019-11-12 | 2020-03-27 | 秒针信息技术有限公司 | 一种实现物料管控的方法、装置、计算机存储介质及终端 |
CN113033262B (zh) * | 2019-12-25 | 2022-08-05 | 中移(成都)信息通信科技有限公司 | 模型训练方法和农作物产量预估方法 |
US11935242B2 (en) | 2020-03-09 | 2024-03-19 | International Business Machines Corporation | Crop yield estimation |
US11500876B2 (en) | 2020-04-29 | 2022-11-15 | International Business Machines Corporation | Method for duplicate determination in a graph |
US11941056B2 (en) | 2020-04-29 | 2024-03-26 | International Business Machines Corporation | Method for weighting a graph |
CN113052433B (zh) * | 2021-02-22 | 2024-02-06 | 中国科学院空天信息创新研究院 | 基于关键时相和农田景观特征参量的作物单产估算方法 |
US11823448B2 (en) | 2021-04-29 | 2023-11-21 | International Business Machines Corporation | Agricultural crop identification using satellite and crop rotation |
US11531656B1 (en) | 2021-06-08 | 2022-12-20 | International Business Machines Corporation | Duplicate determination in a graph |
CN116935227B (zh) * | 2023-08-03 | 2024-06-14 | 广东花城园林有限公司 | 基于卫星遥感影像的农作物产量分析方法、***和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1704758A (zh) * | 2004-05-28 | 2005-12-07 | 北京农业信息技术研究中心 | 利用遥感和地理信息***技术实现小麦品质监测预报方法 |
CN1731216A (zh) * | 2005-08-19 | 2006-02-08 | 广州地理研究所 | 一种大面积作物种植面积及其产量的遥感检测估算方法 |
CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
US9953241B2 (en) * | 2014-12-16 | 2018-04-24 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for satellite image processing to estimate crop yield |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10096073B2 (en) * | 2011-05-13 | 2018-10-09 | The Climate Corporation | Systems to prescribe and deliver fertilizer over agricultural fields and related methods |
CN103886213B (zh) * | 2014-04-03 | 2017-01-25 | 北京大学 | 一种农作物总初级生产力的遥感估算方法及*** |
US10275731B2 (en) * | 2016-07-06 | 2019-04-30 | Agrian, Inc. | Multi-year crop yield analysis using remotely-sensed imagery for missing or incomplete yield events for site-specific variable rate applications |
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及*** |
-
2018
- 2018-06-28 CN CN201810689070.0A patent/CN108985588B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1704758A (zh) * | 2004-05-28 | 2005-12-07 | 北京农业信息技术研究中心 | 利用遥感和地理信息***技术实现小麦品质监测预报方法 |
CN1731216A (zh) * | 2005-08-19 | 2006-02-08 | 广州地理研究所 | 一种大面积作物种植面积及其产量的遥感检测估算方法 |
US9953241B2 (en) * | 2014-12-16 | 2018-04-24 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for satellite image processing to estimate crop yield |
CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
Non-Patent Citations (2)
Title |
---|
"基于遥感与作物生长模型的冬小麦生长模拟研究";郭建茂;《中国博士学位论文全文数据库 农业科技辑》;20071215;第1.2.4-2.4节、图2.2 * |
"遥感在种植业保险估损中的应用";蒙继华等;《遥感技术与应用》;20170430;第32卷(第2期);第3.5节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108985588A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985588B (zh) | 一种农作物单产遥感估算方法、装置与*** | |
Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
Odi-Lara et al. | Estimating evapotranspiration of an apple orchard using a remote sensing-based soil water balance | |
Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
Dong et al. | Deriving maximum light use efficiency from crop growth model and satellite data to improve crop biomass estimation | |
Kim et al. | Monitoring canopy growth and grain yield of paddy rice in South Korea by using the GRAMI model and high spatial resolution imagery | |
Chen et al. | Retrieval of cotton plant water content by UAV-based vegetation supply water index (VSWI) | |
Meiyan et al. | Improved estimation of canopy water status in maize using UAV-based digital and hyperspectral images | |
Jeong et al. | Application of an unmanned aerial system for monitoring paddy productivity using the GRAMI-rice model | |
Li et al. | Estimating plant traits of alpine grasslands on the Qinghai-Tibetan Plateau using remote sensing | |
Yang et al. | Leaf nitrogen spectral reflectance model of winter wheat (Triticum aestivum) based on PROSPECT: simulation and inversion | |
Zhou et al. | Remote sensing of regional-scale maize lodging using multitemporal GF-1 images | |
Tu et al. | A time-efficient fractional vegetation cover estimation method using the dynamic vegetation growth information from time series Glass FVC product | |
Chen et al. | LAI-NOS: An automatic network observation system for leaf area index based on hemispherical photography | |
Yuan et al. | Research on rice leaf area index estimation based on fusion of texture and spectral information | |
Lyu et al. | UAV time-series imagery with novel machine learning to estimate heading dates of rice accessions for breeding | |
Kawamura et al. | Mapping herbage biomass and nitrogen status in an Italian ryegrass (Lolium multiflorum L.) field using a digital video camera with balloon system | |
Liu et al. | Open-air grape classification and its application in parcel-level risk assessment of late frost in the eastern Helan Mountains | |
Trivedi et al. | Remote sensing and geographic information system applications for precision farming and natural resource management | |
Li et al. | Daily monitoring of Effective Green Area Index and Vegetation Chlorophyll Content from continuous acquisitions of a multi-band spectrometer over winter wheat | |
Guillén-Climent et al. | Estimating radiation interception in heterogeneous orchards using high spatial resolution airborne imagery | |
Dong et al. | Assessing the consistency of crop leaf area index derived from seasonal Sentinel-2 and Landsat 8 imagery over Manitoba, Canada | |
CN115496999A (zh) | 田间立地秸秆产量估计方法及装置 | |
CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 | |
CN115271991A (zh) | 一种农作物净初级生产力的估算方法及装置 |
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 |