CN113743819A - 农作物估产的方法、装置、电子设备及存储介质 - Google Patents
农作物估产的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113743819A CN113743819A CN202111078078.1A CN202111078078A CN113743819A CN 113743819 A CN113743819 A CN 113743819A CN 202111078078 A CN202111078078 A CN 202111078078A CN 113743819 A CN113743819 A CN 113743819A
- Authority
- CN
- China
- Prior art keywords
- yield
- vegetation
- time phase
- crop
- key time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 230000012010 growth Effects 0.000 claims abstract description 39
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 16
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 14
- 239000002689 soil Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 229910052757 nitrogen Inorganic materials 0.000 claims description 7
- 239000000049 pigment Substances 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 7
- 240000008042 Zea mays Species 0.000 description 18
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 18
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 17
- 235000005822 corn Nutrition 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 230000003595 spectral effect Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 241000209094 Oryza Species 0.000 description 5
- 235000007164 Oryza sativa Nutrition 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 235000009566 rice Nutrition 0.000 description 5
- 241000209140 Triticum Species 0.000 description 4
- 235000021307 Triticum Nutrition 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000003516 soil conditioner Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明是关于一种农作物估产的方法、装置、电子设备及存储介质,该方法包括:基于待估产农作物的关键物候期,确定遥感影像的关键时相;获取所述的关键时相的遥感影像,计算多个植被指数;分别构建各个植被指数与所述的实测产量数据的回归模型;对同一生长期内的各个植被指数与实测产量数据的回归模型的拟合优度进行排序,筛选出关键时相的优选植被指数;基于关键时相的优选植被指数和实测产量数据,构建估产模型,估算农作物的产量。本发明基于遥感数据,结合农作物生长特性,通过作物关键物候期分析,结合优选植被指数以及实测数据构建区域农作物产量估算模型,可用于快速区域产量估算,提高产量估计结果的可靠性。
Description
技术领域
本发明涉及农作物生产技术领域,特别是涉及农作物估产的方法、装置、电子设备及存储介质。
背景技术
农作物生长状况的动态监测和产量及时、准确预测,对于国家粮食政策的制定、农村经济的发展以及对外粮食贸易都有重要意义。随着遥感技术的发展,高时间分辨率、高空间分辨率以及高波谱分辨率的遥感数据不断涌现,使遥感数据在作物估产的精细度与准确度不断提高,利用遥感数据与统计数据相结合预测农作物产量已经成为遥感估产领域的趋势。遥感估产研究也从单一作物发展到多种作物,从小区域应用发展到大区域应用,从单一信息源发展到多种遥感信息源的综合应用,监测精度也在不断提高。
然而,在现有的农作物估产的方法中还存在如下不足:
(1)利用单一参数建模的经验统计模型原理简单,但稳定性不高;
(2)光能利用率模型对不同生育期作物生理过程的差异考虑不足、受人为因素干扰强;
(3)作物生长模型参数过多、运行成本高、参数本地化周期较长,只能模拟单点作物产量再插值到区域范围,区域化产量结果不精确。
(4)耦合模型构建过程复杂,不同区域参数获取途径不稳定,耦合原理和方法还有待于进一步的研究和完善。
建模影像时相单一、建模指数单一、模型简单易实现但模型稳定较差,估产结果不理想;或者建模参数过多、参数较难获取、成本运行过高、模型复杂较难实现、估产周期较长、大范围推广较难,这些因素均限制了区域遥感估产技术进一步应用与发展。
发明内容
本发明的主要目的在于,提供一种农作物估产的方法、装置、电子设备及存储介质,所要解决的技术问题是使农作物产量估算更加快速和准确。
本发明的目的及解决其技术问题是采用以下技术方案来实现的。依据本发明提出的一种农作物估产的方法,其包括以下步骤:
基于待估产农作物的关键物候期,确定待估产农作物估产所用遥感影像的关键时相;
获取所述的关键时相的遥感影像,计算所述的关键时相的遥感影像的多个植被指数;
获取实测产量数据,分别构建各个植被指数与所述的实测产量数据的回归模型;
对同一生长期内的各个植被指数与实测产量数据的回归模型的拟合优度进行排序,筛选出关键时相的优选植被指数;
基于关键时相的优选植被指数和实测产量数据,构建估产模型,估算农作物的产量。
本发明的目的及解决其技术问题还可采用以下技术措施进一步实现。
优选的,前述的农作物估产的方法,其中基于待估产农作物的关键物候期,确定待估产农作物估产所用遥感影像的关键时相,包括:
选择待估产农作物的研究区,结合研究区待估产农作物的物候特征,确定农作物物候期及其特征;
基于农作物不同生长阶段,筛选出农作物旺盛生长且在遥感影像上可以观察到明显植被信息的时期,确定农作物产量估算的关键物候期;
基于农作物产量估算的关键物候期,确定待估产农作物估产所用遥感影像的关键时相。
优选的,前述的农作物估产的方法,其中获取所述的关键时相的遥感影像,计算所述的关键时相的遥感影像的多个植被指数,包括:
在获取待估产作物的关键时相的遥感影像之后,对其进行预处理;
对预处理后的关键时相的遥感影像进行计算,得到关键时相的遥感影像的多个植被指数。
优选的,前述的农作物估产的方法,其中所述的预处理包括:辐射定标、大气校正、几何精纠正和图像配准;其中,所述的大气校正选用FLAASH大气校正模型。
优选的,前述的农作物估产的方法,其中所述的多个植被指数包括:绿色归一化植被指数、归一化植被指数、差值植被指数、作物氮反应指数、调整土壤亮度的植被指数、植被衰减指数、比值植被指数、土壤调整植被指数和结构加强色素植被指数。
优选的,前述的农作物估产的方法,其中获取实测产量数据,分别构建各个植被指数与所述的实测产量数据的回归模型,包括:
对实测产量点逐个进行检查,筛除实测产量误差点,得到实测产量数据;
分别构建关键时相各植被指数与所述的实测产量数据的回归模型。
优选的,前述的农作物估产的方法,其中对同一生长期内的各个植被指数与实测产量数据的回归模型的拟合优度进行排序,筛选出关键时相的优选植被指数,包括:
采用模型的拟合优度对农作物关键时相各植被指数与实测产量数据的回归模型分别进行评价;
按照拟合优度大小筛选出可反映作物生长状态的3-5个优选植被指数。
本发明的目的及解决其技术问题还采用以下的技术方案来实现。依据本发明提出的一种农作物估产的装置,所述装置包括:
确定单元,用于基于待估产农作物的关键物候期,确定待估产农作物估产所用遥感影像的关键时相;
获取单元,用于获取所述的关键时相的遥感影像,计算所述的关键时相的遥感影像的多个植被指数;
模型构建单元,用于获取实测产量数据,分别构建各个植被指数与所述的实测产量数据的回归模型;
筛选单元,用于对同一生长期内的各个植被指数与实测产量数据的回归模型的拟合优度进行排序,筛选出关键时相的优选植被指数;
估产单元,用于基于关键时相的优选植被指数和实测产量数据,构建估产模型,估算农作物的产量。
本发明的目的及解决其技术问题还采用以下的技术方案来实现。依据本发明提出的一种电子设备,其包括存储器以及处理器,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器读取并运行时,执行前述任一项所述的方法的步骤。
本发明的目的及解决其技术问题还采用以下的技术方案来实现。依据本发明提出的一种存储介质,所述存储介质上存储有计算机程序指令,所述计算机程序指令被计算机读取并运行时,执行前述任一项所述的方法的步骤。
借由上述技术方案,本发明提出的农作物估产的方法、装置、电子设备及存储介质至少具有下列优点:
1、本发明通过农作物关键物候期分析,结合优选植被指数与实测数据建模方法,实现了区域农作物产量估算。本发明通过充分考虑植被指数与作物生长状态的关系,以及不同植被指数信息互补关系,旨在克服单一参数经验统计模型稳定性较差的缺点、克服光能利用模型对不同生育期作物生理过程的差异考虑不足、受人为因素干扰强的缺点,克服作物生长模型参数过多、运行成本高、估产周期较长的缺点,克服耦合模型构建过程复杂、参数较难获取、局部应用受限的缺点,旨在使区域农作物产量估算更加准确、快速、便捷,易于大范围推广和使用,更具有经济效益。
2、本发明基于遥感数据,结合农作物生长特性,通过作物关键物候期分析,结合优选植被指数以及实测数据构建区域农作物产量估算模型,可用于快速区域产量估算,使区域农作物产量估算更加快速和准确,开展应用范围广、精度高、运行成本低、估产周期短、易于大范围推广和使用。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
为了更清楚地说明本申请实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施方式,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请一个实施方式提供的电子设备的结构示意图;
图2为本申请一个实施方式提供的农作物估产的方法的流程示意图;
图3为本申请一个实施方式提供的农作物估产的方法的详细流程示意图;
图4为本申请一个实施方式提供的农作物估产的装置的结构示意图;
图5a为本申请实施例提供的新疆某县春玉米产量分布图;
图5b为图5a的A处的局部放大图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的农作物估产的方法、装置、电子设备及存储介质其具体实施方式、结构、特征及其功效,详细说明如后。在下述说明中,不同的“一实施例”或“实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
请参照图1,本申请实施方式提供一种电子设备100的结构示意图,所述电子设备可以是个人电脑、平板电脑、智能手机、个人数字助理等。
电子设备100包括:处理器101、存储器102、通信接口103和通信总线,通信总线用于实现这些组件的连接通信。
存储器102用于存储待估产的农作物在每个物候期的遥感影像以及本申请实施方式提供的农作物估产的方法及装置对应的计算程序指令等各种数据,其中,存储器102可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read OnlyMemory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(ElectricErasable Programmable Read-OnlyMemory,EEPROM)等。
处理器101用于读取并运行存储于存储器中的计算机程序指令时,执行本申请实施方式提供的农作物估产的方法的步骤,以从存储器中获取待估产的农作物的关键时相遥感影像,并基于关键时相遥感影像,计算关键时相的多个植被指数,然后基于实测产量数据,分别构建关键时相的各个植被指数与实测产量数据的回归模型;对同一生长期内的各个植被指数与实测产量数据的回归模型的拟合优度进行排序,筛选出关键时相优选植被指数;最后基于关键时相优选植被指数和实测产量数据,构建估产模型,估算农作物的产量。
进一步的,处理器101可能是一种集成电路芯片,具有信号的处理能力。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施方式中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
通信接口103,可以使用任何收发器一类的装置,将农作物的产量估产结果送至与电子设备100通信连接的用户终端显示。
请参照图2,图2为本申请实施方式提供的农作物估产的方法的流程图,所述方法应用于如图1所示的电子设备100,下面将对图2所示的流程进行详细阐述,所述方法包括以下步骤:
S100,基于待估产农作物的关键物候期,确定待估产农作物估产所用遥感影像的关键时相;
该步骤S100具体包括:
S101、选择待估产农作物的研究区,结合研究区待估产农作物的物候特征,确定农作物物候期及其特征;
S102、基于农作物不同生长阶段,筛选出农作物旺盛生长且在遥感影像上可以观察到明显植被信息的时期,确定农作物产量估算的关键物候期;
S103、基于农作物产量估算的关键物候期,确定待估产农作物估产所用遥感影像的关键时相。
在该步骤S100中,物候期是指动植物的生长、发育、活动等规律与生物的变化对节候的反映,正在产生这种反映的时候叫物候期。分析农作物适合利用遥感进行估产的物候期,即为关键物候期,可将具有典型植被光谱特征的植物生长旺盛阶段作为待估产农作物的关键物候期。
需要说明的是,S100中的关键物候期是指与农作物种类密切相关,并且对该农作物的产量影响较大的物候期。农作物的关键物候期可有多个,不同农作物具有不同的关键物候期。本申请实施方式通过采用关键物候期,可以获得更准确的估产结果,且计算复杂度也较小。
具体的,为了在保证产量估计结果精确度的基础上,降低产量估计方法的计算复杂度,针对每种待估产农作物,只通过该农作物在关键物候期的遥感影像,实现对该农作物的产量的准确估产,例如水稻,可以仅需获取水稻在孕育期、抽穗期或乳熟期的数据,实现对水稻产量的估产,无需再获取水稻在幼苗期、分蘖期、蜡熟期以及成熟期的数据。再例如小麦,可以只通过获取小麦在孕穗期、抽穗期、灌浆期的数据,实现对小麦产量的估产,无需再获取小麦在播种期、出苗期、拔节期、越冬期、返青期、起身期(生物学拔节)、开花期及成熟期的数据。
在一种可能的实施方式中,S100可以按照如下方式实施:电子设备100接收待估产的农作物在关键物候期的遥感影像,将该物候期的遥感影像存储至存储器102,在需要对待估产农作物的产量进行估算时,从存储器102中获取待估产的农作物在关键物候期的遥感影像。其中,在本实施方式中,所述待估产农作物可以是,但不限于,水稻、小麦、玉米、大豆等。
在另一种可能的实施方式中,待估产的农作物在关键物候期的遥感影像可以为通过卫星拍摄到的遥感影像。
由于通过无人机获取到的遥感影像的分辨率比通过卫星获取到的遥感影像高,所以本申请实施方式也可以利用无人机获取农作物的影像数据。
S200,获取所述的关键时相的遥感影像,计算所述的关键时相的遥感影像的多个植被指数;
该步骤S200具体包括:
S201、在获取待估产作物的关键时相的遥感影像之后,对其进行预处理;
其中,所述预处理包括:辐射定标、大气校正、几何精纠正和图像配准。
进一步的,大气校正选用FLAASH大气校正模型,FLAASH基于MODTRAN4+辐射传输模型生成,有效去除遥感成像时水蒸气及气溶胶散射效应,同时基于像素级的校正,校正目标像元和邻近像元交叉辐射的邻近效应。
S202、对预处理后的关键时相的遥感影像进行计算,得到关键时相的遥感影像的多个植被指数。
本实施方式中,关键时相的遥感影像的多个植被指数包括但不限于:绿色归一化植被指数(GNDVI)、归一化植被指数(NDVI)、差值植被指数(DVI)、作物氮反应指数(NRI)、调整土壤亮度的植被指数(OSAVI)、植被衰减指数(PSRI)、比值植被指数(RVI)、土壤调整植被指数(SAVI)和结构加强色素植被指数(SIPI)、绿度植被指数(GVI)、垂直植被指数(PVI)、大气抗阻植被指数(ARVI)、绿度总和指数(SG)。
在一些优选实施方式中,关键时相的遥感影像的多个植被指数包括:绿色归一化植被指数(GNDVI)、归一化植被指数(NDVI)、差值植被指数(DVI)、作物氮反应指数(NRI)、调整土壤亮度的植被指数(OSAVI)、植被衰减指数(PSRI)、比值植被指数(RVI)、土壤调整植被指数(SAVI)和结构加强色素植被指数(SIPI)。
以上选择的这些植被指数可反映作物生长发育状态,具有典型性与代表性。
根据关键时相的遥感影像的蓝波段、绿波段、红波段以及近红外波段,计算关键时相的多个植被指数。
绿色归一化植被指数(GNDVI)、归一化植被指数(NDVI)、差值植被指数(DVI)、作物氮反应指数(NRI)、调整土壤亮度的植被指数(OSAVI)、植被衰减指数(PSRI)、比值植被指数(RVI)、土壤调整植被指数(SAVI)和结构加强色素植被指数(SIPI)的计算公式分别为下式(1)~(9):
GNDVI=(B4-B2)/(B4+B2) (1)
NDVI=(B4-B2)/(B4+B2) (2)
DVI=(B4-B3)/(B4+B3) (3)
NRI=(B2-B3)/(B2+B3) (4)
OSAVI=(1+0.16)×B4-B3)/(B4+B3+0.16) (5)
PSRI=(B3-B1)/B4 (6)
RVI=B4/B3 (7)
SAVI=(B4-B3)/(B4+B3+0.5)×(1+0.5) (8)
SIPI=(B4+B1)/(B4-B1) (9)
其中,B1、B2、B3、B4分别代表遥感影像的蓝波段、绿波段、红波段、近红外波段。
S300,获取实测产量数据,分别构建各个植被指数与所述的实测产量数据的回归模型;
该步骤S300具体包括:
S301、对实测产量点逐个进行检查,筛除实测产量误差点,得到实测产量数据;
在本步骤中,实测产量是指在待估产区域均匀地选择待估产作物的采样地块并进行实割实测,由此获得采样地块的实际产量,即为实测产量。由于在实割实测过程中会存在误差,例如产量记录误差、定位经纬度偏差等,因此筛除数值异常、定位异常的实测产量。在对实测产量点逐个进行检查时,把实测点与遥感影像、地块的空间分布数据进行叠加,如果实测点的位置不在玉米地块内,比如在路上或者其他种类地块,就将其筛除。
S302、分别构建关键时相各植被指数与所述的实测产量数据的回归模型。
农作物关键时相各多植被指数和实测产量数据的回归模型如下:
Y=agndviXgndvi+Zgndvi (10)
Y=andviXndvi+Zndvi (11)
Y=adviXdvi+Zdvi (12)
Y=anriXnri+Znri (13)
Y=aosaviXosavi+Zosavi (14)
Y=apsriXpsri+Zpsri (15)
Y=arvXrvi+Zrvi (16)
Y=asaviXsavi+Zsavi (17)
Y=asipiXsipi+Zsipi (18)
其中,Y代表实测点产量数据,agndvi,…,asipi代表回归方程系数,Xgndvi,…,Xsipi代表各个植被指数数据,Zgndvi,…,Zsipi代表误差项。
S400,对同一生长期内的各个植被指数与实测产量数据的回归模型的拟合优度进行排序,筛选出关键时相的优选植被指数;
采用模型的拟合优度(R2)对农作物关键时相植被指数和产量的回归模型分别进行评价;
进一步的,按照拟合优度大小筛选出农作物关键时相可以反映作物生长状态的3-5个优选植被指数;
考虑到单一参数的估产模型稳定性较差,参数过多可能会引入与实测产量相关性较小的植被指数,因此,本实施方式优选3-5个植被指数作为优选植被指数。
具体的,按照拟合优度(R2)从大到小的顺序进行排列,选择排在前3-5位对应的植被指数作为关键时相的优选植被指数。例如,当选择前5位作为优选植被指数时,分别为Index1、Index2、Index3、Index4和Index5;当选择前4位作为优选植被指数时,分别为Index1、Index2、Index3和Index4;当选择前3位作为优选植被指数时,分别为Index1、Index2和Index3。
更进一步的,选择前3位作为关键时相的优选植被指数,分别为Index1、Index2、Index3。
这些指数与产量具有较高的相关性,能够较好地反映农作物的生长状态及产量变化,因此,Index1、Index2、Index3为优选植被指数。
S500,基于关键时相的优选植被指数和实测产量数据,构建估产模型,估算农作物的产量。
具体的,利用得到的Index1、Index2、Index3构建农作物关键时相优选植被指数的估产模型,以式(20)表示;
Yield=b1Index1+b2Index2+b3Index3+Z (20)
其中,Yield代表模型模拟的最终产量,b1、b2、b3代表优选植被指数贡献系数,Index1、Index2、Index3代表农作物关键物时相优选植被指数,Z代表误差项。
利用得到的基于关键时相优选植被指数的估产模型可快速计算出区域农作物产量分布结果,并制图、输出。
请参照图3,本申请实施方式提供的农作物估产的方法的详细流程图,其中,该方法的运算过程包括:
第一阶段:确定待估产农作物估产所用遥感影像的关键时相,并获取该关键时相遥感影像;其中,关键时相遥感影像需要具有蓝波段、绿波段、红波段以以及近红外波段。
第二阶段,基于关键时相的遥感影像,计算关键时相的遥感影像的多个植被指数;其中,多个植被指数分别为绿色归一化植被指数(GNDVI)、归一化植被指数(NDVI)、差值植被指数(DVI)、作物氮反应指数(NRI)、调整土壤亮度的植被指数(OSAVI)、植被衰减指数(PSRI)、比值植被指数(RVI)、土壤调整植被指数(SAVI)和结构加强色素植被指数(SIPI)的计算公式分别如式(1)~(9)所示;
第四阶段,获取实测产量数据,分别构建各个植被指数与所述的实测产量数据的回归模型;并对同一生长期内的各个植被指数与实测产量数据的回归模型的拟合优度(R2)进行排序,筛选出关键时相的优选植被指数;优选前3位作为关键时相的优选植被指数,分别为Index1、Index2、Index3。
第五阶段,基于关键时相优选植被指数和实测产量数据,构建估产模型,并估算该区域内待估产农作物的产量。其中,利用得到的Index1、Index2、Index3构建农作物关键时相优选植被指数的估产模型,如公式(20)所示,确定作物的产量。
请参照图4,图4是本申请实施方式提供的一种农作物估产的装置400的结构框图。下面将对图4所示的结构框图进行阐述,所示装置包括:
确定单元410,用于基于待估产农作物的关键物候期,确定待估产农作物估产所用遥感影像的关键时相;
获取单元420,用于获取所述的关键时相的遥感影像,计算所述的关键时相的遥感影像的多个植被指数;
模型构建单元430,用于获取实测产量数据,分别构建各个植被指数与所述的实测产量数据的回归模型;
筛选单元440,用于对同一生长期内的各个植被指数与实测产量数据的回归模型的拟合优度进行排序,筛选出关键时相的优选植被指数;
估产单元450,用于基于关键时相的优选植被指数和实测产量数据,构建估产模型,估算农作物的产量。
本实施方式对的各功能单元实现各自功能的过程,请参见上述图2所示实施方式中描述的内容,此处不再赘述。
此外,本申请实施方式还提供了一种存储介质,在该存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行本申请任一项实施方式所提供的方法。
综上所述,本申请各实施方式提出的农作物估产的方法、装置、电子设备及存储介质,所述方法包括:基于待估产农作物的关键物候期,确定待估产农作物的关键时相遥感影像;获取所述的关键时相遥感影像,确定关键时相的多个植被指数;基于实测产量数据,分别构建关键时相的各个植被指数的回归模型;对同一生长期内产量和各植被指数的回归模型的拟合优度进行排序,筛选出关键时相优选植被指数;基于关键时相优选植被指数和实测产量数据,构建估产模型,估算农作物的产量。
本发明基于遥感数据,结合农作物生长特性,通过作物关键物候期分析,结合优选植被指数以及实测数据构建区域农作物产量估算模型,可用于快速区域产量估算,使区域农作物产量估算更加快速和准确,开展应用范围广、精度高、运行成本低、估产周期短、易于大范围推广和使用。
在本申请所提供的实施方式中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施方式仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施方式中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
下面将结合具体实施例对本发明作进一步说明,但不能理解为是对本发明保护范围的限制,该领域的技术人员根据上述本发明的内容对本发明作出的一些非本质的改进和调整,仍属于本发明的保护范围。
下面以新疆维吾尔自治区某县为例,结合附图和具体实施方式对本发明作进一步详细的说明。
实施例
一种基于优选植被指数的春玉米快速估产方法,具体包括以下步骤:
步骤一、结合该县春玉米光谱特征分析,明确春玉米产量估算的关键物候期,物候期分析如表1所示。
表1 春玉米物候期
由表1可见,该县春玉米在4月下旬播种,5月上旬出苗,在此光谱特征为裸地信息,6月拔节期开始进入旺盛生长阶段,符合植被光谱特征;7月中旬到7月下旬开花期及乳熟期属于植被生长旺盛阶段,具有典型植被光谱特征;8月到9月初植被由乳熟期进入成熟期同样属于旺盛生长阶段,具有典型植被光谱特征。综上所述,7月中旬到9月初为春玉米产量估算的关键物候期。
因此,结合春玉米光谱特征分析和区域物候分析,并结合遥感数据的可用性,最终确定该县春玉米估产遥感数据关键时相为7月30日。
步骤二、获取关键时相遥感影像,并进行预处理;
在本实施例中获取7月30日的该县HJ-1号卫星影像进行预处理,多光谱影像波段为近红外、红、绿、蓝四个波段,对影像进行辐射定标、FLAASH大气校正预处理后,利用Landsat/TM 30米正射影像为参考影像,进行几何精纠正,纠正精度为平原区0.5-1个像元,确保影像几何位置准确。
步骤三、对预处理后遥感影像计算多种可以反映作物生长发育状态的植被指数;
对预处理后的影像计算可以反映春玉米生长发育状态的植被指数,分别为:绿色归一化植被指数(GNDVI)、归一化植被指数(NDVI)、差值植被指数(DVI)、作物氮反应指数(NRI)、调整土壤亮度的植被指数(OSAVI)、植被衰减指数(PSRI)、比值植被指数(RVI)、土壤调整植被指数(SAVI)、结构加强色素植被指数(SIPI),计算公式如(1)~(9)所示。
步骤四、构建春玉米关键时相植被指数优选模型;
(1)检查、筛选实测点产量数据,分析数据分布合理性、作物品种正确性等,剔除不合理数据。
(2)构建春玉米关键时相植被指数和实测产量的回归模型。
将关键时相影像分别计算的9个植被指数和实测产量建立回归模型。对同一生长期内产量和各指数模型的拟合优度R2进行排序,当满足拟合优度(R2)达到该时期最大值前3位时的模型输入植被指数为春玉米关键时相优选植被指数。该时期的优选植被指数为NRI、RVI、SIPI;
步骤五、利用关键时相优选植被指数和实测数据构建回归模型,获得全区域作物产量数据并制图,得到最终的估产模型为:
Y=863.7439NRI+372.645RVI+1398.564PSRI+779.231 (21)
其中,该模型均方根误差为18.93,模型回归系数为0.74,说明该模型精度较高、可靠性较高。
由估产模型得到该县春玉米产量面积分布图,该县春玉米具体产量分布如图5a和图5b所示,并得到该县2019年春玉米的平均估算产量为861.39公斤/亩。
本发明采用的农作物估产的方法,仅利用遥感影像与实测产量数据即可实现区域大范围农作物产量的估算,数据较易获取,可操作性强,快速便捷。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种农作物估产的方法,其特征在于,包括以下步骤:
基于待估产农作物的关键物候期,确定待估产农作物估产所用遥感影像的关键时相;
获取所述的关键时相的遥感影像,计算所述的关键时相的遥感影像的多个植被指数;
获取实测产量数据,分别构建各个植被指数与所述的实测产量数据的回归模型;
对同一生长期内的各个植被指数与实测产量数据的回归模型的拟合优度进行排序,筛选出关键时相的优选植被指数;
基于关键时相的优选植被指数和实测产量数据,构建估产模型,估算农作物的产量。
2.根据权利要求1所述的农作物估产的方法,其特征在于,基于待估产农作物的关键物候期,确定待估产农作物估产所用遥感影像的关键时相,包括:
选择待估产农作物的研究区,结合研究区待估产农作物的物候特征,确定农作物物候期及其特征;
基于农作物不同生长阶段,筛选出农作物旺盛生长且在遥感影像上可以观察到明显植被信息的时期,确定农作物产量估算的关键物候期;
基于农作物产量估算的关键物候期,确定待估产农作物估产所用遥感影像的关键时相。
3.根据权利要求1所述的农作物估产的方法,其特征在于,获取所述的关键时相的遥感影像,计算所述的关键时相的遥感影像的多个植被指数,包括:
在获取待估产作物的关键时相的遥感影像之后,对其进行预处理;
对预处理后的关键时相的遥感影像进行计算,得到关键时相的遥感影像的多个植被指数。
4.根据权利要求3所述的农作物估产的方法,其特征在于,所述的预处理包括:辐射定标、大气校正、几何精纠正和图像配准;其中,所述的大气校正选用FLAASH大气校正模型。
5.根据权利要求3所述的农作物估产的方法,其特征在于,所述的多个植被指数包括:绿色归一化植被指数、归一化植被指数、差值植被指数、作物氮反应指数、调整土壤亮度的植被指数、植被衰减指数、比值植被指数、土壤调整植被指数和结构加强色素植被指数。
6.根据权利要求1所述的农作物估产的方法,其特征在于,获取实测产量数据,分别构建各个植被指数与所述的实测产量数据的回归模型,包括:
对实测产量点逐个进行检查,筛除实测产量误差点,得到实测产量数据;
分别构建关键时相各植被指数与所述的实测产量数据的回归模型。
7.根据权利要求1所述的农作物估产的方法,其特征在于,对同一生长期内的各个植被指数与实测产量数据的回归模型的拟合优度进行排序,筛选出关键时相的优选植被指数,包括:
采用模型的拟合优度对农作物关键时相各植被指数与实测产量数据的回归模型分别进行评价;
按照拟合优度大小筛选出可反映作物生长状态的3-5个优选植被指数。
8.一种农作物估产的装置,其特征在于,所述装置包括:
确定单元,用于基于待估产农作物的关键物候期,确定待估产农作物估产所用遥感影像的关键时相;
获取单元,用于获取所述的关键时相的遥感影像,计算所述的关键时相的遥感影像的多个植被指数;
模型构建单元,用于获取实测产量数据,分别构建各个植被指数与所述的实测产量数据的回归模型;
筛选单元,用于对同一生长期内的各个植被指数与实测产量数据的回归模型的拟合优度进行排序,筛选出关键时相的优选植被指数;
估产单元,用于基于关键时相的优选植被指数和实测产量数据,构建估产模型,估算农作物的产量。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器读取并运行时,执行如权利要求1-7中任一项所述的方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序指令,所述计算机程序指令被计算机读取并运行时,执行如权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111078078.1A CN113743819B (zh) | 2021-09-15 | 2021-09-15 | 农作物估产的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111078078.1A CN113743819B (zh) | 2021-09-15 | 2021-09-15 | 农作物估产的方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743819A true CN113743819A (zh) | 2021-12-03 |
CN113743819B CN113743819B (zh) | 2024-03-26 |
Family
ID=78738888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111078078.1A Active CN113743819B (zh) | 2021-09-15 | 2021-09-15 | 农作物估产的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743819B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114510528A (zh) * | 2022-02-15 | 2022-05-17 | 平安科技(深圳)有限公司 | 农作物产量展示方法、装置电子设备及存储介质 |
CN116579521A (zh) * | 2023-05-12 | 2023-08-11 | 中山大学 | 产量预测时间窗口确定方法、装置、设备及可读存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101480143A (zh) * | 2009-01-21 | 2009-07-15 | 华中科技大学 | 一种预测灌区作物单产量的方法 |
CN104123409A (zh) * | 2014-07-09 | 2014-10-29 | 江苏省农业科学院 | 大田冬小麦开花期遥感估产方法 |
KR101822410B1 (ko) * | 2016-07-22 | 2018-01-29 | 아인정보기술 주식회사 | 작물 영상을 사용한 작물 생육 진단 장치 |
CN108363949A (zh) * | 2017-12-27 | 2018-08-03 | 二十世纪空间技术应用股份有限公司 | 一种基于物候分析的棉花遥感监测方法 |
CN110243406A (zh) * | 2019-06-21 | 2019-09-17 | 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 |
CN111241912A (zh) * | 2019-12-18 | 2020-06-05 | 安徽易刚信息技术有限公司 | 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 |
CN111798327A (zh) * | 2020-06-24 | 2020-10-20 | 安徽大学 | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 |
CN112345458A (zh) * | 2020-10-22 | 2021-02-09 | 南京农业大学 | 一种基于无人机多光谱影像的小麦产量估测方法 |
CN112881327A (zh) * | 2021-01-25 | 2021-06-01 | 安徽皖南烟叶有限责任公司 | 一种基于新型植被指数的烟叶spad值估测方法 |
CN113052433A (zh) * | 2021-02-22 | 2021-06-29 | 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 |
CN113223040A (zh) * | 2021-05-17 | 2021-08-06 | 中国农业大学 | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 |
US20210279867A1 (en) * | 2020-03-09 | 2021-09-09 | International Business Machines Corporation | Crop yield estimation |
-
2021
- 2021-09-15 CN CN202111078078.1A patent/CN113743819B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101480143A (zh) * | 2009-01-21 | 2009-07-15 | 华中科技大学 | 一种预测灌区作物单产量的方法 |
CN104123409A (zh) * | 2014-07-09 | 2014-10-29 | 江苏省农业科学院 | 大田冬小麦开花期遥感估产方法 |
KR101822410B1 (ko) * | 2016-07-22 | 2018-01-29 | 아인정보기술 주식회사 | 작물 영상을 사용한 작물 생육 진단 장치 |
CN108363949A (zh) * | 2017-12-27 | 2018-08-03 | 二十世纪空间技术应用股份有限公司 | 一种基于物候分析的棉花遥感监测方法 |
CN110243406A (zh) * | 2019-06-21 | 2019-09-17 | 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 |
CN111241912A (zh) * | 2019-12-18 | 2020-06-05 | 安徽易刚信息技术有限公司 | 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 |
US20210279867A1 (en) * | 2020-03-09 | 2021-09-09 | International Business Machines Corporation | Crop yield estimation |
CN111798327A (zh) * | 2020-06-24 | 2020-10-20 | 安徽大学 | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 |
CN112345458A (zh) * | 2020-10-22 | 2021-02-09 | 南京农业大学 | 一种基于无人机多光谱影像的小麦产量估测方法 |
CN112881327A (zh) * | 2021-01-25 | 2021-06-01 | 安徽皖南烟叶有限责任公司 | 一种基于新型植被指数的烟叶spad值估测方法 |
CN113052433A (zh) * | 2021-02-22 | 2021-06-29 | 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 |
CN113223040A (zh) * | 2021-05-17 | 2021-08-06 | 中国农业大学 | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114510528A (zh) * | 2022-02-15 | 2022-05-17 | 平安科技(深圳)有限公司 | 农作物产量展示方法、装置电子设备及存储介质 |
CN114510528B (zh) * | 2022-02-15 | 2023-11-17 | 平安科技(深圳)有限公司 | 农作物产量展示方法、装置电子设备及存储介质 |
CN116579521A (zh) * | 2023-05-12 | 2023-08-11 | 中山大学 | 产量预测时间窗口确定方法、装置、设备及可读存储介质 |
CN116579521B (zh) * | 2023-05-12 | 2024-01-19 | 中山大学 | 产量预测时间窗口确定方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113743819B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
CN106918816B (zh) | 农作物长势监测***及其数据处理方法和模块 | |
CN111126662B (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
CN113743819A (zh) | 农作物估产的方法、装置、电子设备及存储介质 | |
CN111798327A (zh) | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 | |
CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN110647932B (zh) | 一种种植作物结构遥感影像分类方法及装置 | |
Warren et al. | Agricultural applications of high-resolution digital multispectral imagery | |
CN114120132A (zh) | 一种气象和红边波段遥感结合的农作物估产方法和装置 | |
CN111783538B (zh) | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 | |
CN113850706A (zh) | 一种地区碳测算方法、展示平台、云服务器及存储介质 | |
Wang et al. | Estimation of rice aboveground biomass by combining canopy spectral reflectance and unmanned aerial vehicle-based red green blue imagery data | |
CN115545311A (zh) | 一种农作物估产方法、装置、存储介质及电子设备 | |
Fukano et al. | GIS-based analysis for UAV-supported field experiments reveals soybean traits associated with rotational benefit | |
CN114821360A (zh) | 作物叶面积指数智能化提取方法、装置及电子设备 | |
CN110991714A (zh) | 一种农作物倒伏灾情监测方法及*** | |
CN104198397B (zh) | 氮磷钾交互作用下温室作物营养含量检测的方法 | |
Guo et al. | Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field | |
CN112632796A (zh) | 氮含量确定方法、作业方法、装置、电子设备及存储介质 | |
WO2023131949A1 (en) | A versatile crop yield estimator | |
CN116186392A (zh) | 柑橘品种的种植推荐方法、装置、终端设备和存储介质 | |
CN114359725B (zh) | 基于作物模型与同化技术的作物长势遥感监测***及方法 | |
CN114529838A (zh) | 基于卷积神经网络的土壤含氮量反演模型构建方法及*** | |
JP2023174067A (ja) | メタン排出量推定システム及び方法並びにプログラム |
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 |