CN110188955B - 一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法 - Google Patents
一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法 Download PDFInfo
- Publication number
- CN110188955B CN110188955B CN201910470551.7A CN201910470551A CN110188955B CN 110188955 B CN110188955 B CN 110188955B CN 201910470551 A CN201910470551 A CN 201910470551A CN 110188955 B CN110188955 B CN 110188955B
- Authority
- CN
- China
- Prior art keywords
- data
- chlorophyll fluorescence
- remote sensing
- autumn grain
- grain 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
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 58
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 58
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000011160 research Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000001506 fluorescence spectroscopy Methods 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims 1
- 230000029553 photosynthesis Effects 0.000 description 9
- 238000010672 photosynthesis Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000243 photosynthetic effect Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 230000005855 radiation Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/04—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, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法,包括以下步骤:1)获取秋粮产量统计数据;2)获取星载土地覆盖数据,基于星载土地覆盖数据,统计求取每个研究区内识别为农田的像元数目;3)获取覆盖研究区的遥感数据,提取农田像元处的有效叶绿素荧光值,求取每个研究区内叶绿素荧光遥感数据平均像元值,对叶绿素荧光值进行转换,得到转换后的叶绿素荧光值;4)分析秋粮产量统计数据和转换后的叶绿素荧光值的相关性,得到二次多项式拟合方程,选取拟合效果最优的方程作为秋粮遥感估产模型。本发明方法能够在已有土地覆盖数据的前提下,获取大尺度的秋粮产量数据。
Description
技术领域
本发明涉及一种基于遥感叶绿素荧光的大尺度秋粮产量估算方法,属于定量遥感的技术领域。
背景技术
太阳能诱导叶绿素荧光(SIF)是指叶绿素分子吸收光量子(主要指蓝光和红光),被激发的叶绿素重新发射光子回到基态而产生的一种光信号。绿色植物在进行光合作用的时候,植物体内的叶绿素会利用吸收光能的一部分来进行光合作用,剩余的吸收光能可以以长波的形式发射荧光,或者以热能的形式向外耗散,其本质上是植物叶绿素光合作用过程中释放出的能量,波长在600到800nm之间,在685nm和740nm附近各有一个峰值,能直接反映植物实际光合作用的动态变化。除此之外,同其他与植被相关的卫星遥感产品(比如NDVI、EVI)相比,卫星叶绿素荧光产品受云和土壤背景等噪声的影响更小。通常来说,云和土壤背景的反射信号会被叠加到植被的反射信号中,所以基于混合反射信号构建的植被指数或多或少都会受到这些噪声的影响,而叶绿素荧光信号主要来源于植被叶绿素的荧光发射,土壤和云背景不会产生荧光信号,因此基于叶绿素荧光遥感数据受土壤和云背景的影响要比植被指数数据小得多。所以,将基于遥感的叶绿素荧光产品用于植被相关的研究是可靠且可行的。当前,用遥感产品进行估产的方法有很多,比如植被指数、叶面积指数、光合有效辐射等,这些产品都存在着对光合作用不够敏感的问题。因此,本方法提出了利用对光合作用更加敏感的叶绿素荧光遥感的大尺度秋粮产量估算方法。
发明内容
本发明目的是针对当前基于遥感植被指数、光合有效辐射、叶面积指数等其他遥感产品的作物估产方法不够直接和精确,从而探索一种与植被光合作用直接相关的,基于叶绿素荧光遥感的大尺度秋粮产量估算方法。
为实现上述技术目的,本发明采用如下技术方案:
一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法,包括如下步骤:
1)获取秋粮产量统计数据;
2)获取星载土地覆盖数据,基于星载土地覆盖数据,统计求取每个研究区内识别为农田的像元数目;
3)获取覆盖研究区的星载OCO-2SIF数据,提取步骤2)中识别为农田的像元处的有效叶绿素荧光值,之后求取每个研究区内叶绿素荧光遥感数据平均像元值,对叶绿素荧光值进行转换;对每个研究区而言,以农田的像元数目乘以叶绿素荧光遥感数据的平均像元值,得到转换后的叶绿素荧光值;
4)分析秋粮产量统计数据和转换后的叶绿素荧光值的相关性,得到二次多项式拟合方程,选取拟合效果最优的方程作为秋粮遥感估产模型。
作为本发明的进一步改进,所述步骤2)中,选用的土地覆盖数据为MODIS 500米分辨率的MOD12Q1数据。
作为本发明的进一步改进,所述步骤3)中,获取6-8月的星载OCO-2SIF数据;获取的秋粮产量统计数据时间与遥感叶绿素荧光数据时间相匹配。
作为本发明的进一步改进,依据OCO-2SIF数据IGBP分类指标,依次提取出农田处SIF 757和SIF 771两个波段的有效的叶绿素荧光值。
作为本发明的进一步改进,所述步骤3)中,将提取的有效叶绿素荧光值依据其分辨率转换为栅格数据,再重采样为与土地覆盖数据相同的分辨率;通过ArcGIS分区统计,求取每个研究区内的叶绿素荧光遥感数据平均像元值。
作为本发明的进一步改进,所述步骤4)中,基于月尺度和季节尺度分别分析秋粮产量统计数据和转换后的叶绿素荧光值的相关性,得到二次多项式拟合方程,针对两个波段分别选取拟合效果最优的两个方程为秋粮遥感估产模型。
作为本发明的进一步改进,所述方法还包括步骤5),对建立的秋粮遥感估产模型进行验证:利用估算年份的叶绿素荧光(SIF)和两个波段上最优的估产模型来对产量分别估算;利用统计数据分别对两个波段上的估产精度进行验证,最终得到估算效果最优的遥感估产模型。
本发明能够克服利用植被指数、叶面积指数、光合有效辐射等对光合作用不敏感的遥感参数,无法精确有效地预测农作物产量的缺陷,而日光诱导叶绿素荧光是光合作用的伴生产物,对光合作用有很强的敏感性,能对作物的产量进行准确的遥感反演。
附图说明
图1研究区SIF数据分布图;
图2月尺度上SIF与统计产量相关关系图;
图3季节尺度上SIF与统计产量相关关系图;
图4基于SIF估算的产量与统计产量相关关系图。
具体实施方式
下面结合附图说明与具体实施方式对本发明的技术方案作进一步阐述。
中国是世界上主要的粮食生产国,秋粮产量占我国全年粮食产量的70%以上。实施例以中国各省级行政区划为例进行估算分析,包括如下步骤:
步骤一、秋粮产量统计数据的获取:
1)在中国国家***官网查询下载与遥感叶绿素荧光数据时间相匹配的2015年和2016年的全国分省份秋粮产量数据。
步骤二、星载土地覆盖数据获取
2)下载覆盖中国的MODIS分辨率为500米的2015年和2016年的MOD12Q1土地覆盖数据。通过ArcGIS分区统计,分别求取2015年和2016年每个行政区内的识别为农田的像元个数。
步骤三、星载OCO-2SIF数据的获取及波段提取
3)下载获取覆盖中国的OCO-2SIF 2015年和2016年从6月到8月的数据,依据OCO-2SIF数据IGBP分类指标,依次提取出IGBP=12农田处SIF 757和SIF 771两个波段的有效的叶绿素荧光值,同时利用SIF数据中的修正因子对数据进行修正,并过滤掉无效的负值。并依据其分辨率1.29×2.25km2转换为栅格数据,再重采样为与MOD12Q1数据相同的500米分辨率。
步骤四、基于叶绿素荧光的秋粮遥感估产模型建立
6)分析2015年月和季节两个尺度秋粮产量统计数据和转换后的两个波段的荧光值的相关性,得到二次多项式拟合方程,月尺度下两个波段的二次多项式拟合方程如图2所示,季节尺度下两个波段的二次多项式拟合方程如图3所示,最佳拟合方程为七月的两个波段的二次多项式拟合方程,估产模型如表1所示。
步骤五、基于叶绿素荧光遥感的秋粮产量估算和验证
7)利用2016年基于遥感的叶绿素荧光数据和上一步得到的两个波段上最优的估产模型来对产量分别估算。
8)利用2016年的统计数据分别对两个波段上的估产精度进行验证,如图4所示。对比各时间尺度和各波段的R2和RMSE,七月SIF757的估算模型表现最佳,其R2和RMSE分别为0.687和737.928万吨。
表1基于遥感叶绿素荧光(SIF)两个波段上的秋粮估产模型建立
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (5)
1.一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法,其特征在于,包括如下步骤:
1)获取秋粮产量统计数据;
2)获取星载土地覆盖数据,基于星载土地覆盖数据,统计求取每个研究区内识别为农田的像元数目;
3)获取覆盖研究区的星载OCO-2SIF数据,提取步骤2)中识别为农田的像元处的SIF757和SIF 771两个波段的有效叶绿素荧光值,之后将提取的有效叶绿素荧光值依据其分辨率转换为栅格数据,再重采样为与土地覆盖数据相同的分辨率;通过ArcGIS分区统计,求取每个研究区内叶绿素荧光遥感数据平均像元值,对叶绿素荧光值进行转换;对每个研究区而言,以农田的像元数目乘以叶绿素荧光遥感数据的平均像元值,得到转换后的叶绿素荧光值;
4)分析秋粮产量统计数据和转换后的叶绿素荧光值的相关性,得到二次多项式拟合方程,选取拟合效果最优的方程作为秋粮遥感估产模型。
2.根据权利要求1所述的方法,其特征在于,所述步骤2)中,选用的土地覆盖数据为MODIS 500米分辨率的MOD12Q1数据。
3.根据权利要求1所述的方法,其特征在于,所述步骤3)中,获取6-8月的星载OCO-2SIF数据;获取的秋粮产量统计数据时间与遥感叶绿素荧光数据时间相匹配。
4.根据权利要求1所述的方法,其特征在于,所述步骤4)中,基于月尺度和季节尺度分别分析秋粮产量统计数据和转换后的叶绿素荧光值的相关性,得到二次多项式拟合方程,针对两个波段分别选取拟合效果最优的两个方程为秋粮遥感估产模型。
5.根据权利要求4所述的方法,其特征在于,还包括步骤5),对建立的秋粮遥感估产模型进行验证:利用估算年份的叶绿素荧光遥感数据和两个波段上最优的估产模型对产量分别估算,利用产量统计数据分别对两个波段上的估产精度进行验证,获取得到估算效果最优的遥感估产模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910470551.7A CN110188955B (zh) | 2019-05-31 | 2019-05-31 | 一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910470551.7A CN110188955B (zh) | 2019-05-31 | 2019-05-31 | 一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188955A CN110188955A (zh) | 2019-08-30 |
CN110188955B true CN110188955B (zh) | 2023-05-12 |
Family
ID=67719470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910470551.7A Active CN110188955B (zh) | 2019-05-31 | 2019-05-31 | 一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188955B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113008843B (zh) * | 2019-12-22 | 2022-02-18 | 中国科学院空天信息创新研究院 | 基于tropomi叶绿素荧光遥感的冬小麦旱情监测方法 |
CN116975522B (zh) * | 2023-09-22 | 2023-12-22 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 基于通量数据的叶绿素荧光遥感传感器退化校正方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2009110572A (ru) * | 2009-03-23 | 2010-09-27 | Екатерина Петровна Кондратенко (RU) | Способ прогнозирования урожайности яровой пшеницы |
EP2294447A1 (en) * | 2008-05-08 | 2011-03-16 | The University Court Of The University of Edinburgh | Remote sensing system |
CN102186974A (zh) * | 2008-08-19 | 2011-09-14 | 巴斯夫植物科学有限公司 | 通过在植物或其部分中提高或产生一种或更多活性具有提高产量的植物 |
CN104462809A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感与gis相结合的草地生产力估算方法 |
FR3018117A1 (fr) * | 2014-03-03 | 2015-09-04 | Polyor Sarl | Procede de calibration de diagnostiques de l'etat physiologique de cultures agronomiques |
KR101584041B1 (ko) * | 2015-09-08 | 2016-01-13 | 성균관대학교산학협력단 | 광합성과 광보호 양자 수율 지도 형성 방법 |
CN107316116A (zh) * | 2017-08-23 | 2017-11-03 | 吉林大学 | 一种叶类蔬菜产量预测方法 |
CN107356569A (zh) * | 2017-06-06 | 2017-11-17 | 河南农业大学 | 基于叶绿素荧光预测小麦籽粒产量的方法及其模型的构建方法 |
CN108596400A (zh) * | 2018-05-07 | 2018-09-28 | 中国农业科学院农业环境与可持续发展研究所 | 基于遥感影像的大尺度粮食单产的栅格化方法 |
CN108662991A (zh) * | 2018-04-08 | 2018-10-16 | 浙江大学 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
CN108764188A (zh) * | 2018-06-02 | 2018-11-06 | 太原理工大学 | 一种沙棘果品产量遥感精确估算方法 |
CN109509112A (zh) * | 2018-10-31 | 2019-03-22 | 武汉珈和科技有限公司 | 基于modis ndvi的全球大豆和玉米主产区产量评估方法及*** |
-
2019
- 2019-05-31 CN CN201910470551.7A patent/CN110188955B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2294447A1 (en) * | 2008-05-08 | 2011-03-16 | The University Court Of The University of Edinburgh | Remote sensing system |
CN102186974A (zh) * | 2008-08-19 | 2011-09-14 | 巴斯夫植物科学有限公司 | 通过在植物或其部分中提高或产生一种或更多活性具有提高产量的植物 |
RU2009110572A (ru) * | 2009-03-23 | 2010-09-27 | Екатерина Петровна Кондратенко (RU) | Способ прогнозирования урожайности яровой пшеницы |
FR3018117A1 (fr) * | 2014-03-03 | 2015-09-04 | Polyor Sarl | Procede de calibration de diagnostiques de l'etat physiologique de cultures agronomiques |
CN104462809A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感与gis相结合的草地生产力估算方法 |
KR101584041B1 (ko) * | 2015-09-08 | 2016-01-13 | 성균관대학교산학협력단 | 광합성과 광보호 양자 수율 지도 형성 방법 |
CN107356569A (zh) * | 2017-06-06 | 2017-11-17 | 河南农业大学 | 基于叶绿素荧光预测小麦籽粒产量的方法及其模型的构建方法 |
CN107316116A (zh) * | 2017-08-23 | 2017-11-03 | 吉林大学 | 一种叶类蔬菜产量预测方法 |
CN108662991A (zh) * | 2018-04-08 | 2018-10-16 | 浙江大学 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
CN108596400A (zh) * | 2018-05-07 | 2018-09-28 | 中国农业科学院农业环境与可持续发展研究所 | 基于遥感影像的大尺度粮食单产的栅格化方法 |
CN108764188A (zh) * | 2018-06-02 | 2018-11-06 | 太原理工大学 | 一种沙棘果品产量遥感精确估算方法 |
CN109509112A (zh) * | 2018-10-31 | 2019-03-22 | 武汉珈和科技有限公司 | 基于modis ndvi的全球大豆和玉米主产区产量评估方法及*** |
Non-Patent Citations (2)
Title |
---|
基于光能利用率模型的玉米遥感估产研究;安秦等;《地理空间信息》;20190418(第04期);全文 * |
日光诱导叶绿素荧光估算中国典型生态***总初级生产力的能力;刘青瑞等;《遥感技术与应用》;20170415;第32卷(第02期);第363-371页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110188955A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985588B (zh) | 一种农作物单产遥感估算方法、装置与*** | |
CN104915674B (zh) | Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法 | |
CN101699315B (zh) | 一种作物长势均匀度的监测装置和方法 | |
Wang et al. | Predicting grain yield and protein content in wheat by fusing multi-sensor and multi-temporal remote-sensing images | |
WO2023087630A1 (zh) | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 | |
Xiao et al. | Mapping paddy rice agriculture in southern China using multi-temporal MODIS images | |
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
CN106780079B (zh) | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 | |
Shang et al. | Mapping spatial variability of crop growth conditions using RapidEye data in Northern Ontario, Canada | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及*** | |
CN104266982B (zh) | 一种大面积虫害量化监测*** | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
CN102324098B (zh) | 一种结合实验室定标和均匀景统计的相对辐射定标方法 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN109934109B (zh) | 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 | |
CN105787457A (zh) | 一种modis卫星集成dem提高植被分类遥感精度的估算方法 | |
CN109919083A (zh) | 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 | |
CN112836575B (zh) | 一种基于作物物候期的多时序影像水稻估产方法 | |
CN110188955B (zh) | 一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法 | |
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 | |
Chen et al. | Rice crop mapping using Sentinel-1A phenological metrics | |
CN105404873A (zh) | 一种基于ndvi时间序列坐标转换的冬小麦识别方法 | |
CN115235997A (zh) | 一种基于卫星高光谱影像的土壤质地反演方法 | |
CN102445421A (zh) | 一种用于快速诊断烤烟氮素叶色卡的制备方法 | |
Boschetti et al. | Estimation of rice production at regional scale with a Light Use Efficiency model and MODIS time series. |
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 |