CN101858971A - 一种基于modis数据的水稻单产遥感估算方法 - Google Patents
一种基于modis数据的水稻单产遥感估算方法 Download PDFInfo
- Publication number
- CN101858971A CN101858971A CN 201010190186 CN201010190186A CN101858971A CN 101858971 A CN101858971 A CN 101858971A CN 201010190186 CN201010190186 CN 201010190186 CN 201010190186 A CN201010190186 A CN 201010190186A CN 101858971 A CN101858971 A CN 101858971A
- Authority
- CN
- China
- Prior art keywords
- evi
- rice
- wave band
- surface reflection
- earth surface
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 95
- 235000009566 rice Nutrition 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 24
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 94
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 11
- 238000013179 statistical model Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000002123 temporal effect Effects 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 2
- 230000001850 reproductive effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
一种基于MODIS数据的水稻单产遥感估算方法,包括:1)获取待监测区域的水稻生长发育过程中MODIS09遥感数据,计算植被指数EVI和水指数LSWI;2)利用水指数LSWI与植被指数EVI的关系,提取水稻像元;3)获取不同时期与水稻对应的植被指数EVI值;4)统计不同时期不同设定行政单元内植被指数EVI的平均值,获取所有设定行政单元的平均EVI;5)建立设定行政单元的平均EVI与水稻单产之间的统计模型;6)利用所要估算年份水稻生育期内的植被指数EVI估算所有设定行政单元的水稻产量,平均后求得待监测区域的水稻单产。本发明时间和空间分辨率和估产精度相对较高,并适合大范围监测水稻产量。
Description
技术领域
本发明涉及卫星遥感和对地观测应用于水稻单产领域,特别涉及一种基于MODIS数据的水稻单产遥感估算方法。
背景技术
传统的水稻估产速度慢、工作量大、成本高。目前获取水稻产量数据的渠道可概括为:各级统计部门根据农作物产量抽样调查推算的数据和面上调查汇总的数据,农业部门面上调查汇总的数据,气象部门根据前期气象条件和预报模式计算的产量数据。与常规的统计方法相比,遥感技术在水稻种植面积提取和产量估算方面具有独特的优势。遥感技术具有多光谱、多时相和宏观特性的特点,有快速、准确、动态的优点,能和地理信息系统和全球定位系统结合,可以实现信息收集和分析的定时、定量、定位,不仅可以获取水稻种植面积,实现空间分布的准确定位,而且能用于产量估算,还具有宏观、经济和客观等优点。水稻遥感估产就是通过收集、分析各种地物的不同光谱特征,利用卫星传感器记录地表信息、辨别水稻种植区域,提取不同时期水稻的植被指数信息,建立水稻关键生育期植被指数与水稻单产之间的关系,对水稻进行估产。前期使用遥感数据以NOAA和LANDSAT卫星数据为主,但是由于时间或空间分辨率不能同时满足估产条件而影响估产精度。
发明内容
为了克服现有水稻单产遥感估算方法的时间和空间分辨率低、精度低、不适合大范围监测水稻产量的不足,本发明提供一种时间和空间分辨率和估产精度相对较高,并适合大范围监测水稻产量的基于MODIS数据的水稻单产遥感估算方法。
本发明解决其技术问题所采用的技术方案是:
一种基于MODIS数据的水稻单产遥感估算方法,所述估算方法包括:
1)、获取待监测区域的水稻生长发育过程中MODIS09遥感数据,所述待监测区域由多个设定行政单元组成,所述MODIS09遥感数据包括红波段的地表反射率、近红波段的地表反射率、蓝波段的地表反射率、以及近红外和短波红外波段处的地表反射率;
计算植被指数EVI和水指数LSWI,其中,光谱指数EVI按照如下公式(1)计算:
式(1)中,RED表示红波段的地表反射率,对应MODIS数据第一个波段;NIR表示近红波段的地表反射率,对应MODIS数据第二个波段;BLUE表示蓝波段的地表反射率,对应MODIS数据第三个波段;水指数LSWI按照如下公式(2)计算:
式(2)中,NIR和SWIR分别表示MODIS近红外和短波红外波段处的地表反射率;
2)、提取水稻像元:利用水指数LSWI与植被指数EVI的关系,提取水稻像元,其过程为:在灌水移栽期LSWI>0.12,EVI<0.26,(LSWI+0.05)>EVI,且其后第6到11个8天合成的图像的平均EVI>0.35;
3)、依据步骤2)中确定的水稻像元位置,获取不同时期与水稻对应的植被指数EVI值;
4)、统计不同时期不同设定行政单元内植被指数EVI的平均值,获取所有设定行政单元的平均EVI;
5)、建立设定行政单元的平均EVI与水稻单产之间的统计模型;
6)、依据步骤5)所建模型,利用所要估算年份水稻生育期内的植被指数EVI估算所有设定行政单元的水稻产量,平均后求得待监测区域的水稻单产。
进一步,所述步骤5)中,所述统计模型是多元回归模型、逐步回归模型或者神经网络模型,也可以采用其他人工智能模型。
再进一步,所述待检测区域为省级区域,所述设定行政单元为县级或地区级行政单元。
本发明的技术构思为:中分辨率成像光谱仪(MODIS)具有36个光谱波段,扫描宽度为2330km,地面分辨率为250m、500m、1000m。由于MODIS数据具有较好的时、空分辨率,可以充分利用MODIS时间分辨率和空间分辨率的优势用于水稻产量监测。
本发明的有益效果主要表现在:(1)、能够显著的提高省级水稻单产监测精度,主要是因为步骤1)利用水稻典型盛期光谱特征,提高了水稻像元提取精度;(2)、由于MODIS数据的使用,提高了时间分辨,在水稻生育期内可以获取更多较高分辨率的遥感影像;(3)、适合大范围监测水稻产量。
附图说明
图1是基于MODIS数据的省级水稻单产遥感估算方法的流程图;
图2是利用MODIS数据提取的2001年水稻像元(图中横坐标为经度;纵坐标为纬度);
图3是利用MODIS数据提取的2002年水稻像元(图中横坐标为经度;纵坐标为纬度);
图4是利用MODIS数据提取的2003年水稻像元(图中横坐标为经度;纵坐标为纬度);
图5是利用MODIS数据提取的2005年水稻像元(图中横坐标为经度;纵坐标为纬度);
图6是利用MODIS数据提取的2005年水稻像元(图中横坐标为经度;纵坐标为纬度);
图7是利用MODIS数据提取的2006年水稻像元(图中横坐标为经度;纵坐标为纬度);
图8是利用MODIS数据提取的2007年水稻像元(图中横坐标为经度;纵坐标为纬度)。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图8,一种基于MODIS数据的水稻单产遥感估算方法,所述估算方法包括:
1)、获取待监测区域的水稻生长发育过程中MODIS09遥感数据,所述待监测区域由多个设定行政单元组成,所述MODIS09遥感数据包括红波段的地表反射率、近红波段的地表反射率、蓝波段的地表反射率、以及近红外和短波红外波段处的反射率;
计算植被指数EVI和水指数LSWI,其中,植被指数EVI按照如下公式(1)计算:
式(1)中,RED表示红波段的地表反射率,对应MODIS数据第一个波段;NIR表示近红波段的地表反射率,对应MODIS数据第二个波段;BLUE表示蓝波段的地表反射率,对应MODIS数据第三个波段;水指数LSWI按照如下公式(2)计算:
式(2)中,NIR和SWIR分别表示MODIS近红外和短波红外波段处的地表反射率;
2)、提取水稻像元:利用水指数LSWI与植被指数EVI的关系,提取水稻像元,其过程为:在灌水移栽期LSWI>0.12,EVI<0.26,(LSWI+0.05)>EVI,且其后第6到11个8天合成的图像的平均EVI>0.35;
3)、依据步骤2)中确定的水稻像元位置,获取不同时期与水稻对应的植被指数EVI值;
4)、统计不同时期不同设定行政单元内植被指数EVI的平均值,获取所有设定行政单元的平均EVI;
5)、建立设定行政单元的平均EVI与水稻单产之间的统计模型;
6)、依据步骤5)所建模型,利用所要估算年份水稻生育期内的植被指数EVI估算所有设定行政单元的水稻产量,平均后求得待监测区域的水稻单产。
所述步骤5)中,所述统计模型是多元回归模型、逐步回归模型或者神经网络模型,也可以采用其他人工智能模型。
所述待检测区域为省级区域,所述设定行政单元为县级或是地区级行政单元。
下面将以江苏省为例,给出一个利用本发明开展省级水稻遥感估产的例子。要指出的是,所给出的实例是为了说明本发明方法的技术特点和功能特点,以使能更易于理解本发明,而不是限制本发明的使用范围。
参阅图1,它是本发明的基于NDVI水稻叶面积指数估算的波段宽度确定的流程图,具体步骤如下:
1.获取遥感数据及其他相关数据
在本实例中,水稻像元提取是采用2001年到2007年的MODIS时间序列数据(8天合成的MODIS09A1数据)。另外,还有江苏省省界矢量图和地级市的界线矢量图。
2.植被指数计算
利用MODIS09A1数据,使用以下公式计算植被指数EVI和水指数LSWI。
式中,RED:红波段的地表反射率,对应MODIS数据第一个波段;
NIR:近红波段的地表反射率,对应MODIS数据第二个波段;
BLUE:蓝波段的地表反射率,对应MODIS数据第三个波段。
SWIR:短波红外波段的地表反射率;
3.水稻像元提取的依据
水稻有别于其他地物的地方在于水稻种植在灌水的水田中,尤其是在水稻移栽前和水稻移栽初期,反射光谱中水信息特别明显。其他植被一般不具备这个特征,因此可以利用这个特征可以提取水稻像元。
水稻种植生长发育经历从稻田灌水->秧苗移栽->营养生长->生殖生长的各个水稻生殖发育期,这个过程中,植被指数(比如EVI)有小逐渐变大,再逐步变小,而对于水光谱指数(对水比较敏感,比如LSWI)与地表水密切相关,一般在地表水存在时量值比较大。因此可以利用建立两者之间的关系来确定水稻像元。对于江苏省,因为一般种植的是一季稻或是单季晚稻,其提取算法为:在灌水移栽期LSWI>0.12,EVI<0.26,(LSWI+0.05)>EVI,且其后第6到11个8天合成的图像的平均EVI>0.35。采用的遥感影像处理软件为ENVI。
利用上面提到的方法分别对2001年至2007年的MODIS数据进行处理,获取不同年份的水稻像元分布图,如图2到图8。
4.依据以上所确定的水稻像元位置,获取不同时期与水稻对应的植被指数EVI值;
5.通过ARCGIS中的Spatial Analyst Tools->Zonal->Zonal Statistics asTable求算江苏省内县级行政单元内水稻的平均EVI值。
6.建立估产模型进行估产
将2001、2002、2003、2004、2006、2007年的水稻产量与EVI177-EVI297建立多元回归模型,建模是利用SPSS的多元回归功能,建模时以水稻单产为因变量,以EVI177到EVI297为自变量,建模结果如下:
Y=8437.121+0.189×EVI177-0.007×EVI185-0.431×EVI193+0.103×
EVI201+0.012×EVI209-0.266×EVI217+0.188×EVI225+0.248×
EVI233-0.064×EVI241+0.035×EVI249-0.388×EVI257+0.248×
EVI265+0.305×EVI273-0.403×EVI281+0.624×EVI289
-0.525×EVI297
其中Y表示水稻单产,EVI177表示第177天所在8天合成的植被指数,其他的也同样,所构建模型的R2为0.43。利用2005年的数据对上述模型进行检验,计算模拟的2005水稻产量,与实际产量相比较,其相关系数为0.38,均方根误差为431.9公斤/公顷,平均相对误差为4.5%。
Claims (3)
1.一种基于MODIS数据的水稻单产遥感估算方法,其特征在于:所述估算方法包括:
1)、获取待监测区域的水稻生长发育过程中MODIS09遥感数据,所述待监测区域由多个设定行政单元组成,所述MODIS09遥感数据包括红波段的地表反射率、近红波段的地表反射率、蓝波段的地表反射率、以及近红外和短波红外波段处的地表反射率;
计算植被指数EVI和水指数LSWI,其中,植被指数EVI按照如下公式(1)计算:
式(1)中,RED表示红波段的地表反射率,对应MODIS数据第一个波段;NIR表示近红波段的地表反射率,对应MODIS数据第二个波段;BLUE表示蓝波段的地表反射率,对应MODIS数据第三个波段;水指数LSWI按照如下公式(2)计算:
式(2)中,NIR和SWIR分别表示MODIS近红外和短波红外波段处的地表反射率;
2)、提取水稻像元:利用水指数LSWI与植被指数EVI的关系,提取水稻像元,其过程为:在灌水移栽期LSWI>0.12,EVI<0.26,(LSWI+0.05)>EVI,且其后第6到11个8天合成的图像的平均EVI>0.35;
3)、依据步骤2)中确定的水稻像元位置,获取不同时期与水稻对应的植被指数EVI值;
4)、统计不同时期不同设定行政单元内植被指数EVI的平均值,获取所有设定行政单元的平均EVI;
5)、建立设定行政单元的平均EVI与水稻单产之间的统计模型;
6)、依据步骤5)所建模型,利用所要估算年份水稻生育期内的植被指数EVI估算所有设定行政单元的水稻产量,平均后求得待监测区域的水稻单产。
2.如权利要求1所述的一种基于MODIS数据的水稻单产遥感估算方法,其特征在于:所述步骤5)中,所述统计模型是多元回归模型、逐步回归模型或者神经网络模型。
3.如权利要求1或2所述的一种基于MODIS数据的水稻单产遥感估算方法,其特征在于:所述待检测区域为省级区域,所述设定行政单元为县级或地区级行政单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010190186 CN101858971A (zh) | 2010-06-02 | 2010-06-02 | 一种基于modis数据的水稻单产遥感估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010190186 CN101858971A (zh) | 2010-06-02 | 2010-06-02 | 一种基于modis数据的水稻单产遥感估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101858971A true CN101858971A (zh) | 2010-10-13 |
Family
ID=42944986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010190186 Pending CN101858971A (zh) | 2010-06-02 | 2010-06-02 | 一种基于modis数据的水稻单产遥感估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101858971A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679131A (zh) * | 2013-01-23 | 2014-03-26 | 福州大学 | 基于时序遥感影像的多季农作物自动识别方法 |
CN103778622A (zh) * | 2013-10-29 | 2014-05-07 | 中国科学院东北地理与农业生态研究所 | 一种基于ndvi与lswi相结合的湿地信息提取方法 |
CN104778451A (zh) * | 2015-03-31 | 2015-07-15 | 中国科学院上海技术物理研究所 | 一种考虑草地高度因子的草地生物量遥感反演方法 |
CN105388475A (zh) * | 2015-10-27 | 2016-03-09 | 中国热带农业科学院橡胶研究所 | 一种在palsar森林分类结果中去除高生物量甘蔗的方法 |
CN105740759A (zh) * | 2016-01-15 | 2016-07-06 | 武汉珈和科技有限公司 | 基于多时相数据中特征提取的中稻信息决策树分类方法 |
CN105787457A (zh) * | 2016-03-08 | 2016-07-20 | 浙江工商大学 | 一种modis卫星集成dem提高植被分类遥感精度的估算方法 |
CN106599844A (zh) * | 2016-12-14 | 2017-04-26 | 中国科学院南京地理与湖泊研究所 | 一种基于modis传感器的水稻种植区自动提取方法 |
CN107122739A (zh) * | 2017-01-23 | 2017-09-01 | 东北农业大学 | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 |
CN107340268A (zh) * | 2017-07-07 | 2017-11-10 | 福州大学 | 一种基于遥感时序数据的旱地作物识别方法 |
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 |
CN108984803A (zh) * | 2018-10-22 | 2018-12-11 | 北京师范大学 | 一种农作物产量空间化的方法及系统 |
CN109508693A (zh) * | 2018-12-10 | 2019-03-22 | 浙江大学 | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 |
CN109754127A (zh) * | 2019-01-31 | 2019-05-14 | 浙江大学 | 基于无人机成像高光谱的水稻籽粒直链淀粉含量估测方法 |
CN109918826A (zh) * | 2019-03-19 | 2019-06-21 | 福州大学 | 一种基于关键物候期多源植被参量的水稻估产方法 |
CN109948596A (zh) * | 2019-04-26 | 2019-06-28 | 电子科技大学 | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 |
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 |
CN110472184A (zh) * | 2019-08-22 | 2019-11-19 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
CN111521563A (zh) * | 2020-03-20 | 2020-08-11 | 航天信德智图(北京)科技有限公司 | 一种基于gf-1与modis时空融合的水稻提取方法 |
CN112183428A (zh) * | 2020-10-09 | 2021-01-05 | 浙江大学中原研究院 | 一种小麦种植区域分割与产量预测方法 |
CN113313671A (zh) * | 2021-04-30 | 2021-08-27 | 武汉光谷信息技术股份有限公司 | 一种结合卫星影像和modis数据的水稻估产方法 |
CN115775354A (zh) * | 2023-02-10 | 2023-03-10 | 天地信息网络研究院(安徽)有限公司 | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1651859A (zh) * | 2004-06-08 | 2005-08-10 | 赵彦云 | 用于作物单产和森林单位蓄积量估计的分层回归遥感抽样技术 |
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系统技术实现小麦品质监测预报方法 |
CN1794280A (zh) * | 2005-12-29 | 2006-06-28 | 江苏省农业科学院 | 一种农作物轮作产量损失的遥感估算方法 |
JP2006320240A (ja) * | 2005-05-18 | 2006-11-30 | Satake Corp | リモートセンシングによる作物情報測定方法 |
-
2010
- 2010-06-02 CN CN 201010190186 patent/CN101858971A/zh active Pending
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系统技术实现小麦品质监测预报方法 |
CN1651859A (zh) * | 2004-06-08 | 2005-08-10 | 赵彦云 | 用于作物单产和森林单位蓄积量估计的分层回归遥感抽样技术 |
JP2006320240A (ja) * | 2005-05-18 | 2006-11-30 | Satake Corp | リモートセンシングによる作物情報測定方法 |
CN1794280A (zh) * | 2005-12-29 | 2006-06-28 | 江苏省农业科学院 | 一种农作物轮作产量损失的遥感估算方法 |
Non-Patent Citations (3)
Title |
---|
《中国水稻科学》 20100115 邓睿等 基于中分辨率成像光谱仪(MODIS)数据的水稻遥感估产研究--以江苏省为例 1-3 第24卷, 第1期 2 * |
《农业工程学报》 20050531 程乾等 数字高程模型和多时相MODIS数据复合的水稻种植面积遥感估算方法研究 全文 1-3 第21卷, 第05期 2 * |
《遥感信息》 20080531 张海珍等 基于MODIS数据的成都市水稻遥感估产研究 全文 1-3 , 第05期 2 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679131B (zh) * | 2013-01-23 | 2016-11-16 | 福州大学 | 基于时序遥感影像的多季农作物自动识别方法 |
CN103679131A (zh) * | 2013-01-23 | 2014-03-26 | 福州大学 | 基于时序遥感影像的多季农作物自动识别方法 |
CN103778622A (zh) * | 2013-10-29 | 2014-05-07 | 中国科学院东北地理与农业生态研究所 | 一种基于ndvi与lswi相结合的湿地信息提取方法 |
CN104778451A (zh) * | 2015-03-31 | 2015-07-15 | 中国科学院上海技术物理研究所 | 一种考虑草地高度因子的草地生物量遥感反演方法 |
CN104778451B (zh) * | 2015-03-31 | 2017-10-13 | 中国科学院上海技术物理研究所 | 一种考虑草地高度因子的草地生物量遥感反演方法 |
CN105388475B (zh) * | 2015-10-27 | 2018-01-19 | 中国热带农业科学院橡胶研究所 | 一种在palsar森林分类结果中去除高生物量甘蔗的方法 |
CN105388475A (zh) * | 2015-10-27 | 2016-03-09 | 中国热带农业科学院橡胶研究所 | 一种在palsar森林分类结果中去除高生物量甘蔗的方法 |
CN105740759A (zh) * | 2016-01-15 | 2016-07-06 | 武汉珈和科技有限公司 | 基于多时相数据中特征提取的中稻信息决策树分类方法 |
CN105740759B (zh) * | 2016-01-15 | 2019-01-15 | 武汉珈和科技有限公司 | 基于多时相数据中特征提取的中稻信息决策树分类方法 |
CN105787457A (zh) * | 2016-03-08 | 2016-07-20 | 浙江工商大学 | 一种modis卫星集成dem提高植被分类遥感精度的估算方法 |
CN106599844A (zh) * | 2016-12-14 | 2017-04-26 | 中国科学院南京地理与湖泊研究所 | 一种基于modis传感器的水稻种植区自动提取方法 |
CN107122739A (zh) * | 2017-01-23 | 2017-09-01 | 东北农业大学 | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 |
CN107122739B (zh) * | 2017-01-23 | 2020-07-17 | 东北农业大学 | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 |
CN107340268A (zh) * | 2017-07-07 | 2017-11-10 | 福州大学 | 一种基于遥感时序数据的旱地作物识别方法 |
CN107340268B (zh) * | 2017-07-07 | 2019-07-09 | 福州大学 | 一种基于遥感时序数据的旱地作物识别方法 |
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 |
CN108984803A (zh) * | 2018-10-22 | 2018-12-11 | 北京师范大学 | 一种农作物产量空间化的方法及系统 |
CN109508693A (zh) * | 2018-12-10 | 2019-03-22 | 浙江大学 | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 |
CN109508693B (zh) * | 2018-12-10 | 2021-01-08 | 浙江大学 | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 |
CN109754127A (zh) * | 2019-01-31 | 2019-05-14 | 浙江大学 | 基于无人机成像高光谱的水稻籽粒直链淀粉含量估测方法 |
CN109918826A (zh) * | 2019-03-19 | 2019-06-21 | 福州大学 | 一种基于关键物候期多源植被参量的水稻估产方法 |
CN109918826B (zh) * | 2019-03-19 | 2022-07-22 | 福州大学 | 一种基于关键物候期多源植被参量的水稻估产方法 |
CN109948596A (zh) * | 2019-04-26 | 2019-06-28 | 电子科技大学 | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 |
CN109948596B (zh) * | 2019-04-26 | 2022-04-22 | 电子科技大学 | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 |
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 |
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 |
CN110472184A (zh) * | 2019-08-22 | 2019-11-19 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
CN110472184B (zh) * | 2019-08-22 | 2022-11-04 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
CN111521563A (zh) * | 2020-03-20 | 2020-08-11 | 航天信德智图(北京)科技有限公司 | 一种基于gf-1与modis时空融合的水稻提取方法 |
CN112183428A (zh) * | 2020-10-09 | 2021-01-05 | 浙江大学中原研究院 | 一种小麦种植区域分割与产量预测方法 |
CN113313671A (zh) * | 2021-04-30 | 2021-08-27 | 武汉光谷信息技术股份有限公司 | 一种结合卫星影像和modis数据的水稻估产方法 |
CN115775354A (zh) * | 2023-02-10 | 2023-03-10 | 天地信息网络研究院(安徽)有限公司 | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 |
CN115775354B (zh) * | 2023-02-10 | 2023-04-25 | 天地信息网络研究院(安徽)有限公司 | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101858971A (zh) | 一种基于modis数据的水稻单产遥感估算方法 | |
Xia et al. | Mapping evapotranspiration with high-resolution aircraft imagery over vineyards using one-and two-source modeling schemes | |
Jin et al. | Crop model-and satellite imagery-based recommendation tool for variable rate N fertilizer application for the US Corn system | |
Becker-Reshef et al. | A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data | |
Bastiaanssen et al. | Irrigation performance indicators based on remotely sensed data: a review of literature | |
CN110472184A (zh) | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 | |
Shang et al. | Mapping spatial variability of crop growth conditions using RapidEye data in Northern Ontario, Canada | |
Morel et al. | Coupling a sugarcane crop model with the remotely sensed time series of fIPAR to optimise the yield estimation | |
Zhong et al. | Phenology-based crop classification algorithm and its implications on agricultural water use assessments in California’s Central Valley | |
Sakamoto et al. | Detecting spatiotemporal changes of corn developmental stages in the US corn belt using MODIS WDRVI data | |
CN106845808A (zh) | 基于遥感数据反演的灌区稻田智能灌排决策方法和系统 | |
WO2018107245A1 (en) | Detection of environmental conditions | |
CN111062526B (zh) | 一种冬小麦单产预测方法及系统 | |
CN103969632A (zh) | 一种利用雷达遥感数据监测小麦倒伏的方法及装置 | |
CN113361191A (zh) | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 | |
Li et al. | Mapping rice cropping systems using Landsat-derived renormalized index of normalized difference vegetation index (RNDVI) in the Poyang Lake Region, China | |
Sharma et al. | Quantification and mapping of surface residue cover for maize and soybean fields in south central Nebraska | |
Beeri et al. | Geographical model for precise agriculture monitoring with real-time remote sensing | |
Rulinda et al. | Image mining for drought monitoring in eastern Africa using Meteosat SEVIRI data | |
Sari et al. | Estimation of water consumption of lowland rice in tropical area based on heterogeneous cropping calendar using remote sensing technology | |
CN107491724B (zh) | 一种冬小麦穗分化期识别方法及装置 | |
Cai et al. | Water productivity mapping using remote sensing data of various resolutions to support more crop per drop | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
Vanino et al. | Earth observation for improving irrigation water management: A case-study from Apulia Region in Italy | |
Bretreger et al. | Monitoring irrigation volumes using climate data and remote sensing observations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20101013 |