CN109142359A - 一种基于时间序列遥感数据的农作物长势监测方法 - Google Patents
一种基于时间序列遥感数据的农作物长势监测方法 Download PDFInfo
- Publication number
- CN109142359A CN109142359A CN201810965873.4A CN201810965873A CN109142359A CN 109142359 A CN109142359 A CN 109142359A CN 201810965873 A CN201810965873 A CN 201810965873A CN 109142359 A CN109142359 A CN 109142359A
- Authority
- CN
- China
- Prior art keywords
- image
- time series
- crop
- information
- remote sensing
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于时间序列遥感数据的农作物长势监测方法,具体步骤如下:S1、采用传感器采集指定监测区域内作物的原始长势信息;S2、将采集到的影像发送到远程监控平台;S3、读取时间序列遥感影像,并从读取的时间序列遥感影像中选择某几段时序的时间序列遥感影像,并对时间序列遥感影响通过影像波段合成方法进行合成;S4、从通过影像波段合成方法合成得到具有多个波段的合成影像,从中按预设算法提取特征参数;S5、根据所述特征参数与预设值的偏离程度评估所述指定监测区域内作物的长势情况。本发明通过采用不同时间序列的农作物生长状态,通过传感器获取待监测作物的各种反映作物长势的参数,通过综合分析各种参数值,能够更精确的获得作物的长势情况。
Description
技术领域
本发明涉及作物检测技术领域,具体是一种基于时间序列遥感数据的农作物长势监测方法。
背景技术
作物长势是指作物生长的状况与趋势,或者说,作物生长的态势,通过监测作物的长势情况,可以及时了解作物的生长状况、病虫害或作物营养状况,从而指导人们采取对应的管理措施,进而保证作物的正常生长。
现有作物长势的监测方法主要为人工直接观察法,即:观察者通过观察作物的几何尺寸、形状或颜色等外观特征来判别作物生长的情况,例如:作物缺水、缺肥或病虫害等。
人工直接观察法存在的主要缺陷为:(一)需要耗费大量人力,并且,效率极低。(二)需要观察者具有丰富的经验和农作知识,并且,通常只能给出定性结论,所以,观察结果的主观性强,无法更客观的反映作物的实际长势情况。
现有的非人工监测方法技术不成熟,同样无法客观的反映作物长势情况。
发明内容
本发明的目的在于提供一种基于时间序列遥感数据的农作物长势监测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于时间序列遥感数据的农作物长势监测方法,具体步骤如下:
S1、采用一个以上传感器分别采集指定监测区域内作物的原始长势信息;
S2、将采集到的影像发送到远程监控平台;
S3、读取时间序列遥感影像,并从读取的时间序列遥感影像中选择某几段时序的时间序列遥感影像,并对时间序列遥感影响通过影像波段合成方法进行合成;
S4、从通过影像波段合成方法合成得到具有多个波段的合成影像,从中按预设算法提取特征参数;
S5、根据所述特征参数与预设值的偏离程度评估所述指定监测区域内作物的长势情况。
作为本发明进一步的方案:所述S1中传感器为固定式传感器。
作为本发明再进一步的方案:所述固定式传感器可以包括地上固定式传感器和地下固定式传感器。
作为本发明再进一步的方案:所述地上固定式传感器可以为近红外传感器、可见光传感器;地下固定式传感器可以为湿度传感器、用于测量土壤肥力的传感器、用于测量土壤酸碱度的传感器。
作为本发明再进一步的方案:所述S3中对选取的某几段时间序列遥感影像分别进行重投影和重采样,并获得重采样影像,具体过程为:
2.1)根据选取的每一段时间序列遥感影像的地理信息范围,确定重投影后影像范围,并获取影像覆盖区域;
2.2)根据影像覆盖区域左上角点坐标及分辨率确定重投影后的影像大小;
2.3)对影像进行重采样,即根据步骤2.1)及2.2)得到的重投影影像大小、分辨率和左上角点坐标,对选取的时间序列遥感影像进行重采样,为构建的重投影影像各个像素点赋值。
作为本发明再进一步的方案:所述步骤2.3)中对影像进行重采样的具体过程为:
2.31)从重投影后影像的左上角像素点坐标开始,逐像素遍历步骤2.2)中构建的重投影影像,将重投影影像上的左上角点坐标计算到重投影前时间序列遥感影像上;
2.32)在重投影前的时间序列遥感影像上进行重采样,得到重投影影像中对应像元的DN值;
2.33)对覆盖区域内的所有像素点重复步骤2.31)及2.32),得到重采样影像。
作为本发明再进一步的方案:所述步骤2.32)中采用卷积方式进行采样,具体为:根据重投影后影像左上角像素点坐标(m,n)计算得出的重投影前的时间序列遥感影像中左上角像素点(x,y),令i代表行数,j代表列数,α=x-i,β=y-j,i=Integer(x),j=Integer(y),其中,Integer为取整。取与计算点(x,y)周围相邻的16个像素点参与计算,在x方向上,设m=j-1,j,j+1,j+2,计算公式为:
∫(x,m)=a2(a-1)∫(i+2,m)+a(1+a-a2)∫(i+1,m)+(1-2a2+a3)∫(i,m)-a(1-a)2∫(i-1,m)。
作为本发明再进一步的方案:所述S5的具体步骤如下:
5.1)将指定监测区域内各个植株的株高值与期望株高均值作方差运算,得到实际株高方差值;判断实际株高方差值与预设方差值的偏离程度;
5.2)求所述指定监测区域内各个植株的所述株高值的平均值,得到实际株高均值;判断所述实际株高均值与所述期望株高均值的偏离程度;
5.3)分别判断所述茎粗信息、叶子的颜色信息、叶子的形状信息、叶子的水分信息、叶子的养分信息、叶面积信息、果实或谷粒的几何尺寸信息、果实或谷粒的形状信息、果实或谷粒的颜色信息、果实或谷粒的水分信息、果实或谷粒的氧分信息、土壤的水分信息、土壤的酸碱度信息、土壤的肥力信息与各自对应的期望值的偏离程度。
与现有技术相比,本发明的有益效果是:本发明设计新颖,通过使用本发明提供的基于时间序列遥感数据的农作物长势监测方法通过在待监测作物的不同空间位置点分别安装多个各种类型的传感器,同时通过采用不同时间序列的合成图像,从而通过传感器获取待监测作物的各种反映作物长势的参数,通过综合分析各种参数值,能够更精确的获得作物的长势情况,因此,一方面,可以指导人们及时改变作物所处环境,从而增加作物产量;另一方面,还可以更全面精确的预测作物的产量。
附图说明
图1为基于时间序列遥感数据的农作物长势监测方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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。
请参阅图1,本发明实施例中,一种基于时间序列遥感数据的农作物长势监测方法,包括以下步骤:
S1、采用一个以上传感器分别采集指定监测区域内作物的原始长势信息;
具体来说,作物生长初期,随着作物生长,叶子结构中叶孔的增加、叶子表面散热能力增强,近红外波段值逐渐增加,叶绿素吸收能力增强,烘波段的值逐渐减少,NDVI只逐渐增加,而在作物生长末期,由于枝干由绿色变为黄色,叶绿素吸收能里减少,相应的红波段的反射值将会增加,叶面的叶孔相对收缩,散发的热量降低,近红外波段的值将会减少,因此,NDVI有明显的下降,因此利用近红外波段和红波段的线性组合可以很好的反映作物的生长过程特征,将作物的NDVI值以时间为横坐标排列起来,便形成作物生长的NDVI动态迹线。
具体的,可以采用固定式传感器、便携式传感器和无人机传感器相结合的方式;以及,采用近红外传感器和可见光传感器结合的方式。
其中,固定式传感器可以包括:地上固定式传感器和地下固定式传感器;地上固定式传感器可以为近红外传感器、可见光传感器;地下固定式传感器可以为湿度传感器、用于测量土壤肥力的传感器、用于测量土壤酸碱度的传感器。
进一步的,用于测量土壤肥力的传感器包括以下传感器中的一种或几种:交流阻抗式传感器、电容式传感器、电感电容LC振荡器式传感器、电阻电容RC振荡器式传感器、电阻电感电容RLC振荡器式传感器、离子敏传感器;用于测量土壤酸碱度的传感器包括以下传感器中的一种或几种:PH传感器、交流阻抗式传感器、电容式传感器、电感电容LC振荡器式传感器、电阻电容RC振荡器式传感器、电阻电感电容RLC振荡器式传感器;近红外传感器为具有固定频率的近红外水份传感器。
通过上述各类传感器的结合,获取的原始长势信息包括:作物影像图片信息、作物的红外谱图信息、作物所处土壤的肥力原始信息、作物所处土壤的水分原始信息和作物所处土壤的酸碱度原始信息;其中,作物影像图片信息通过可见光传感器获取,作物的红外谱图信息通过近红外传感器获取。
另外,本发明中,S1具体包括:
在种子种植时,每隔第一固定数量的正常种子,播撒第二固定数量的异常种子;其中,正常种子生长成的作物为正常作物,异常种子生长成的作物为异常作物;
其中,第一固定数量和第二固定数量的具体值根据实际需要进行调整,异常种子包括以下种子的一种或几种:对病虫害敏感的种子、对土壤水份敏感的种子、对土壤肥力变化敏感的种子和对重金属敏感的种子。
本发明中,对病虫害敏感的种子具体指抗病虫害能力差的种子;对土壤水份敏感的种子具体指抗干旱能力差的种子;对土壤肥力变化敏感的种子具体指对土壤肥力依赖很大的种子;对重金属敏感的种子具体指接触重金属时变化显著的种子。
当使用这些异常种子时,有利于传感器监测***对异常种子生长成的异常作物进行监测,从而提前发出病虫害、缺水、缺肥的预警。
而且,通过种植对重金属敏感的种子,通过地面以上光学传感器对特异种子生长成的特异作物进行监测,比如,坏死,颜色变化等等,还可以提供土壤的重金属污染情况,从而可以实时广泛监测大面积的土地,省去时间上滞后以及昂贵的实验室分析过程。
根据正常作物的特征参数与异常作物的特征参数的偏离程度评估所述正常作物的长势情况。
由于异常作物对虫害、肥力、水分等特别敏感,所以,监测异常作物在不同生长阶段的长势情况,并与异常作物周围的正常作物的长势情况进行比较,可以对预防正常作物的病虫害进行早期预警,或者,为正常作物提供施肥,灌水等前期信息。
S2、将采集到并合成的影像发送到远程监控平台,具体的,可以通过有线网络和/或无线网络的方式将采集到的所述原始长势信息发送给远程监控平台,从而方便远程监控平台实时获得作物的长势情况,提高了监测效率。
S3、读取时间序列遥感影像,并从读取的时间序列遥感影像中选择某几段时序的时间序列遥感影像,由于遥感影像是以一定的地面分辨率进行排列的,所以影像的像平面坐标(x,y)与其投影坐标间(DB,DL)也具有线性的关系,具体为:
式中,ai,bi,dxi,dyi为影像存储的地理坐标信息,i为影像编号,ai,bi为影像左上角点的大地坐标,dxi,dyi为影像的列方向和行方向的分辨率。
根据数据挖掘的具体目标,选择相应时间序列遥感影像,例如需要提取某段时间城市边界的变化区域,则可以选择相应时间段内每个月的月平均数据进行处理,如果没有特定目的,则可以以一年为周期,选择一年内每个月的月平均数据进行处理,具体可以根据实际需要进行选取,在此不做限定。
S3、对选取的某几段时间序列遥感影像进行重投影和重采样,获得重采样影像,本发明中的影像重投影是指将地理坐标影像通过建立点与点之间函数关系的方法投影为平面坐标,即将曲面转化为平面的过程,具体过程为:
1)根据选取的时间序列遥感影像的地理信息范围,确定重投影后影像范围,并获取影像覆盖区域。根据公式(1)获取步骤2中选取的每幅遥感影像的左上角像素点投影坐标及右下角点投影坐标i为影像编号,求取所有遥感影像的最大值及的最大值作为遥感影像公共覆盖区域的左上角点坐标同时求取所有遥感影像的最小值及的最小值作为遥感影像公共覆盖区域右下角点坐标。
2)根据影像覆盖区域左上角点坐标及分辨率确定重投影后的影像大小。
将步骤1)得出的公共覆盖区域的左上角点及右下角点坐标带入公式(2),求取重投影后的影像大小,假设重投影后影像宽度为w,高度为h:
式中,dx、dy为重投影后的影像分辨率,设定为原始输入影像分辨率的平均值,根据计算得出的重投影影像的高度、宽度及分辨率构建一幅重投影影像,此时影像中各像素点的值为空值。
3)影像重采样,即根据步骤1)、步骤2)得到的重投影影像大小、分辨率和左上角点坐标,对选取的时间序列遥感影像进行重采样,为步骤2)构建的重投影影像各个像素点赋值,具体过程为:
3.1)从重投影后影像的左上角像素点坐标开始,逐像素遍历步骤2)中构建的重投影影像,将重投影影像上的左上角点坐标(m,n)计算到重投影前时间序列遥感影像(x,y)上,计算公式如下:
3.2)在重投影前的时间序列夜间遥感影像上进行采样,得到重投影影像中对应像元的DN值。
由于(x,y)非整像素,本发明利用卷积方式进行采样,本发明实施例以双三次卷积方法进行说明,但是不限于此,具体为:根据步骤3.1)中重投影后影像左上角像素点坐标(m,n)计算得出的重投影前的时间序列遥感影像中左上角像素点(x,y),令i代表行数,j代表列数,α=x-i,β=y-j,i=Integer(x),j=Integer(y),其中,Integer为取整。取与计算点(x,y)周围相邻的16个像素点参与计算,在x方向上,设m=j-1,j,j+1,j+2,计算公式为:
∫(x,m)=a2(a-1)∫(i+2,m)+a(1+a-a2)∫(i+1,m)+(1-2a2+a3)∫(i,m)-a(1-a)2∫(i-1,m) (4)
3.3)对重采样后遥感影像的每个像素点重复步骤3.1)及3.2),对步骤2)中所有获得的覆盖区域内的所有像素点的亮度值分别进行计算,得到重采样影像。
S4、从通过影像波段合成方法合成得到具有多个波段的合成影像,中按预设算法提取特征参数。
实际使用中,可以根据先验知识对合成影像的特征种类预先进行判断,当提取特征类别已知的情况下,对合成影像还可以采用基于机器学习方法进行模式识别,得出分类结果,具体为:针对步骤4中产生的合成影像,逐像素遍历影像各像素点DN值,构建特征向量(DN1,DN2,......,DNn),然后对这些特征向量利用机器学习的方法进行模式识别,本发明的机器学习方法以支持向量机方法为实施例进行说明,但是不限于此。
具体的,提取到的特征参数包括:作物个体特征参数和作物群体特征参数。其中,作物个体特征参数包括以下信息中的一种或几种:株高值、茎粗信息、叶子的颜色信息、叶子的形状信息、叶子的水分信息、叶子的养分信息、叶面积信息、果实或谷粒的几何尺寸信息、果实或谷粒的形状信息、果实或谷粒的颜色信息、果实或谷粒的水分信息、果实或谷粒的养分信息、土壤的水分信息、土壤的酸碱度信息和土壤的肥力信息。其中,所述果实或谷粒的养分信息包括:纤维信息、淀粉信息和蛋白质信息,作物群体特征参数包括以下信息中的一种或几种:株距、行距、株高平均值和株高方差值。
S5、根据所述特征参数与预设值的偏离程度评估所述指定监测区域内作物的长势情况。
本步骤具体为:综合以下各项的偏离程度评估所述指定监测区域内作物的长势情况:
5.1)将指定监测区域内各个植株的株高值与期望株高均值作方差运算,得到实际株高方差值;判断实际株高方差值与预设方差值的偏离程度。
植株的株高分布情况和株距直接影响作物的长势情况,例如:如果植株的株高分布不均匀,会导致高的植株阻碍低的植株吸收太阳光;同时,由于高的植株在土壤中的根深度也高于低的植株,所以高的植株过多吸收土壤中的水分和肥力,从而导致低的植株无法吸取到土壤中充足的水分和肥力,最终导致低的植株的长势情况较差。
所以,本发明中,将株高值与期望株高均值运算得到的方差值作为评估作物长势情况的一个参考因素。
5.2)求所述指定监测区域内各个植株的所述株高值的平均值,得到实际株高均值;判断所述实际株高均值与所述期望株高均值的偏离程度。
5.3)分别判断所述茎粗信息、叶子的颜色信息、叶子的形状信息、叶子的水分信息、叶子的养分信息、叶面积信息、果实或谷粒的几何尺寸信息、果实或谷粒的形状信息、果实或谷粒的颜色信息、果实或谷粒的水分信息、果实或谷粒的氧分信息、土壤的水分信息、土壤的酸碱度信息、土壤的肥力信息与各自对应的期望值的偏离程度。
由于本发明中,在作物所在的指定监测区域中布置了多个各种类型的传感器,所以,通过对各个传感器采集到的信息进行后续处理后,可以得到各种类型的反映作物长势情况的参数,从而能够更全面准确的预测作物的长势情况。
综上所述,通过使用本发明提供的作物长势的监测方法,通过在待监测作物的不同空间位置点分别安装多个各种类型的传感器,从而通过传感器获取待监测作物的各种反映作物长势的参数,通过综合分析各种参数值,能够更精确的获得作物的长势情况,因此,一方面,可以指导人们及时改变作物所处环境,从而增加作物产量;另一方面,还可以更全面精确的预测作物的产量。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种基于时间序列遥感数据的农作物长势监测方法,其特征在于,具体步骤如下:
S1、采用一个以上传感器分别采集指定监测区域内作物的原始长势信息;
S2、将采集到的影像发送到远程监控平台;
S3、读取时间序列遥感影像,并从读取的时间序列遥感影像中选择某几段时序的时间序列遥感影像,并对时间序列遥感影响通过影像波段合成方法进行合成;
S4、从通过影像波段合成方法合成得到具有多个波段的合成影像,从中按预设算法提取特征参数;
S5、根据所述特征参数与预设值的偏离程度评估所述指定监测区域内作物的长势情况。
2.根据权利要求1所述的一种基于时间序列遥感数据的农作物长势监测方法,其特征在于,所述S1中传感器为固定式传感器。
3.根据权利要求2所述的一种基于时间序列遥感数据的农作物长势监测方法,其特征在于,所述固定式传感器可以包括地上固定式传感器和地下固定式传感器。
4.根据权利要求1所述的一种基于时间序列遥感数据的农作物长势监测方法,其特征在于,所述地上固定式传感器可以为近红外传感器、可见光传感器;地下固定式传感器可以为湿度传感器、用于测量土壤肥力的传感器、用于测量土壤酸碱度的传感器。
5.根据权利要求1所述的一种基于时间序列遥感数据的农作物长势监测方法,其特征在于,所述S3中对选取的某几段时间序列遥感影像分别进行重投影和重采样,并获得重采样影像,具体过程为:
2.1)根据选取的每一段时间序列遥感影像的地理信息范围,确定重投影后影像范围,并获取影像覆盖区域;
2.2)根据影像覆盖区域左上角点坐标及分辨率确定重投影后的影像大小;
2.3)对影像进行重采样,即根据步骤2.1)及2.2)得到的重投影影像大小、分辨率和左上角点坐标,对选取的时间序列遥感影像进行重采样,为构建的重投影影像各个像素点赋值。
6.根据权利要求5所述的一种基于时间序列遥感数据的农作物长势监测方法,其特征在于,所述步骤2.3)中对影像进行重采样的具体过程为:
2.31)从重投影后影像的左上角像素点坐标开始,逐像素遍历步骤2.2)中构建的重投影影像,将重投影影像上的左上角点坐标计算到重投影前时间序列遥感影像上;
2.32)在重投影前的时间序列遥感影像上进行重采样,得到重投影影像中对应像元的DN值;
2.33)对覆盖区域内的所有像素点重复步骤2.31)及2.32),得到重采样影像。
7.根据权利要求6所述的一种基于时间序列遥感数据的农作物长势监测方法,其特征在于,所述步骤2.32)中采用卷积方式进行采样,具体为:根据重投影后影像左上角像素点坐标(m,n)计算得出的重投影前的时间序列遥感影像中左上角像素点(x,y),令i代表行数,j代表列数,α=x-i,β=y-j,i=Integer(x),j=Integer(y),其中,Integer为取整。取与计算点(x,y)周围相邻的16个像素点参与计算,在x方向上,设m=j-1,j,j+1,j+2,计算公式为:
∫(x,m)=a2(a-1)∫(i+2,m)+a(1+a-a2)∫(i+1,m)
+(1-2a2+a3)∫(i,m)-a(1-a)2∫(i-1,m)。
8.根据权利要求1所述的一种基于时间序列遥感数据的农作物长势监测方法,其特征在于,所述S5的具体步骤如下:
5.1)将指定监测区域内各个植株的株高值与期望株高均值作方差运算,得到实际株高方差值;判断实际株高方差值与预设方差值的偏离程度;
5.2)求所述指定监测区域内各个植株的所述株高值的平均值,得到实际株高均值;判断所述实际株高均值与所述期望株高均值的偏离程度;
5.3)分别判断所述茎粗信息、叶子的颜色信息、叶子的形状信息、叶子的水分信息、叶子的养分信息、叶面积信息、果实或谷粒的几何尺寸信息、果实或谷粒的形状信息、果实或谷粒的颜色信息、果实或谷粒的水分信息、果实或谷粒的氧分信息、土壤的水分信息、土壤的酸碱度信息、土壤的肥力信息与各自对应的期望值的偏离程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810965873.4A CN109142359A (zh) | 2018-08-23 | 2018-08-23 | 一种基于时间序列遥感数据的农作物长势监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810965873.4A CN109142359A (zh) | 2018-08-23 | 2018-08-23 | 一种基于时间序列遥感数据的农作物长势监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109142359A true CN109142359A (zh) | 2019-01-04 |
Family
ID=64790992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810965873.4A Pending CN109142359A (zh) | 2018-08-23 | 2018-08-23 | 一种基于时间序列遥感数据的农作物长势监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109142359A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753035A (zh) * | 2019-03-11 | 2019-05-14 | 佛山科学技术学院 | 一种营养实时可控的植物生长*** |
CN110942039A (zh) * | 2019-11-29 | 2020-03-31 | 中国农业科学院农业资源与农业区划研究所 | 一种主要农作物高温灾害遥感监测预报***及方法 |
CN111160250A (zh) * | 2019-12-30 | 2020-05-15 | 安徽易刚信息技术有限公司 | 一种基于人工神经网络的蓝莓生长期检测方法及装置 |
CN111721711A (zh) * | 2020-06-17 | 2020-09-29 | 国家基础地理信息中心 | 耕地变化检测方法、装置、电子设备和存储介质 |
CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
GB2582610A (en) * | 2019-03-27 | 2020-09-30 | Anuland Ltd | A system for crop management |
CN112329733A (zh) * | 2020-11-27 | 2021-02-05 | 河南大学 | 一种基于gee云平台的冬小麦长势监测及分析方法 |
CN112348412A (zh) * | 2020-11-30 | 2021-02-09 | 恒瑞通(福建)信息技术有限公司 | 一种服务于乡村振兴领域的农田监测方法及终端 |
CN112733582A (zh) * | 2019-10-28 | 2021-04-30 | 广州极飞科技有限公司 | 农作物产量的确定方法及装置、非易失性存储介质 |
CN113033262A (zh) * | 2019-12-25 | 2021-06-25 | 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 |
CN115524329A (zh) * | 2022-09-20 | 2022-12-27 | 北京世纪国源科技股份有限公司 | 基于gee的作物生长监测方法、装置、设备及存储介质 |
CN115690590A (zh) * | 2023-01-04 | 2023-02-03 | 中化现代农业有限公司 | 作物生长异常监测方法、装置、设备及存储介质 |
CN116012720A (zh) * | 2023-03-28 | 2023-04-25 | 航天万源云数据河北有限公司 | 基于高分遥感影像的农作物长势监测方法、设备及介质 |
CN117151477A (zh) * | 2023-10-31 | 2023-12-01 | 中化现代农业有限公司 | 作物异常识别方法、装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102954816A (zh) * | 2012-01-13 | 2013-03-06 | 北京盈胜泰科技术有限公司 | 作物长势的监测方法 |
CN104730005A (zh) * | 2015-03-27 | 2015-06-24 | 中国农业科学院农业信息研究所 | 地空一体化农业监测***及方法 |
JP2016123369A (ja) * | 2015-01-06 | 2016-07-11 | 株式会社日立製作所 | 植物成長分析システム、及び植物成長分析方法 |
CN105930867A (zh) * | 2016-04-19 | 2016-09-07 | 中国科学院遥感与数字地球研究所 | 一种基于时间序列夜光遥感影像的数据挖掘方法 |
-
2018
- 2018-08-23 CN CN201810965873.4A patent/CN109142359A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102954816A (zh) * | 2012-01-13 | 2013-03-06 | 北京盈胜泰科技术有限公司 | 作物长势的监测方法 |
JP2016123369A (ja) * | 2015-01-06 | 2016-07-11 | 株式会社日立製作所 | 植物成長分析システム、及び植物成長分析方法 |
CN104730005A (zh) * | 2015-03-27 | 2015-06-24 | 中国农业科学院农业信息研究所 | 地空一体化农业监测***及方法 |
CN105930867A (zh) * | 2016-04-19 | 2016-09-07 | 中国科学院遥感与数字地球研究所 | 一种基于时间序列夜光遥感影像的数据挖掘方法 |
Non-Patent Citations (2)
Title |
---|
朱寿东等: "基于时间序列影像的中观尺度农作物长势监测采样方法", 《农业工程学报》 * |
陈怀亮等: "农作物长势遥感监测业务化应用与研究进展", 《气象与环境科学》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753035A (zh) * | 2019-03-11 | 2019-05-14 | 佛山科学技术学院 | 一种营养实时可控的植物生长*** |
WO2020193372A1 (en) * | 2019-03-27 | 2020-10-01 | Anuland Limited | An above and below ground autonomous sensor system for crop management |
GB2582610B (en) * | 2019-03-27 | 2021-12-08 | Anuland Ltd | A system for crop management |
GB2582610A (en) * | 2019-03-27 | 2020-09-30 | Anuland Ltd | A system for crop management |
CN112733582A (zh) * | 2019-10-28 | 2021-04-30 | 广州极飞科技有限公司 | 农作物产量的确定方法及装置、非易失性存储介质 |
CN110942039A (zh) * | 2019-11-29 | 2020-03-31 | 中国农业科学院农业资源与农业区划研究所 | 一种主要农作物高温灾害遥感监测预报***及方法 |
CN113033262A (zh) * | 2019-12-25 | 2021-06-25 | 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 |
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 |
CN111160250A (zh) * | 2019-12-30 | 2020-05-15 | 安徽易刚信息技术有限公司 | 一种基于人工神经网络的蓝莓生长期检测方法及装置 |
CN111727443B (zh) * | 2020-05-15 | 2023-10-31 | 安徽中科智能感知科技股份有限公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN111721711A (zh) * | 2020-06-17 | 2020-09-29 | 国家基础地理信息中心 | 耕地变化检测方法、装置、电子设备和存储介质 |
CN112329733B (zh) * | 2020-11-27 | 2022-08-30 | 河南大学 | 一种基于gee云平台的冬小麦长势监测及分析方法 |
CN112329733A (zh) * | 2020-11-27 | 2021-02-05 | 河南大学 | 一种基于gee云平台的冬小麦长势监测及分析方法 |
CN112348412A (zh) * | 2020-11-30 | 2021-02-09 | 恒瑞通(福建)信息技术有限公司 | 一种服务于乡村振兴领域的农田监测方法及终端 |
CN115524329A (zh) * | 2022-09-20 | 2022-12-27 | 北京世纪国源科技股份有限公司 | 基于gee的作物生长监测方法、装置、设备及存储介质 |
CN115690590A (zh) * | 2023-01-04 | 2023-02-03 | 中化现代农业有限公司 | 作物生长异常监测方法、装置、设备及存储介质 |
CN116012720A (zh) * | 2023-03-28 | 2023-04-25 | 航天万源云数据河北有限公司 | 基于高分遥感影像的农作物长势监测方法、设备及介质 |
CN117151477A (zh) * | 2023-10-31 | 2023-12-01 | 中化现代农业有限公司 | 作物异常识别方法、装置、电子设备和存储介质 |
CN117151477B (zh) * | 2023-10-31 | 2024-01-23 | 中化现代农业有限公司 | 作物异常识别方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109142359A (zh) | 一种基于时间序列遥感数据的农作物长势监测方法 | |
Wang et al. | Estimating the fractional cover of photosynthetic vegetation, non-photosynthetic vegetation and bare soil from MODIS data: Assessing the applicability of the NDVI-DFI model in the typical Xilingol grasslands | |
Anderson et al. | Upscaling ground observations of vegetation water content, canopy height, and leaf area index during SMEX02 using aircraft and Landsat imagery | |
Miller et al. | Drought response of urban trees and turfgrass using airborne imaging spectroscopy | |
US7058197B1 (en) | Multi-variable model for identifying crop response zones in a field | |
CN101699315B (zh) | 一种作物长势均匀度的监测装置和方法 | |
Sonnentag et al. | Tracking the structural and functional development of a perennial pepperweed (Lepidium latifolium L.) infestation using a multi-year archive of webcam imagery and eddy covariance measurements | |
CN105004320B (zh) | 一种高分卫星数据陆表植被覆盖度反演方法及*** | |
Varhola et al. | Estimation of watershed-level distributed forest structure metrics relevant to hydrologic modeling using LiDAR and Landsat | |
CN107084688A (zh) | 一种基于地块尺度的农作物面积动态变化遥感监测方法 | |
CN108195767A (zh) | 河口湿地外来种监测方法 | |
CN109784300A (zh) | 一种农作物科学测产方法及*** | |
Hufkens et al. | Impacts and uncertainties of upscaling of remote-sensing data validation for a semi-arid woodland | |
Song et al. | Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data | |
Kong et al. | Evaluation of four image fusion NDVI products against in-situ spectral-measurements over a heterogeneous rice paddy landscape | |
CN111582575A (zh) | 一种多时空尺度下城市热环境形成发展主导因素识别方法 | |
Pieri et al. | Estimation of actual evapotranspiration in fragmented Mediterranean areas by the spatio-temporal fusion of NDVI data | |
Pauly | Applying conventional vegetation vigor indices to UAS-derived orthomosaics: issues and considerations | |
Püssa | Forest edges on medium resolution landsat thematic mapper satellite images | |
Cui et al. | Optimal spatial resolution of remote-sensing imagery for monitoring cantaloupe greenhouses | |
WO2006024686A1 (es) | Procedimiento para la discriminación y cuantificación de olivar con cubiertas vegetales mediante teledetección con sensores de alta resolución espacial | |
Zheng et al. | Using high spatial and temporal resolution data blended from SPOT-5 and MODIS to map biomass of summer maize | |
Gomez et al. | Sentinel-2 images to assess soil surface characteristics over a rainfed Mediterranean cropping system | |
Bruce | Object oriented classification: case studies using different image types with different spatial resolutions | |
CN113283281A (zh) | 基于多时相遥感影像的茭白种植面积提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |
|
RJ01 | Rejection of invention patent application after publication |