CN101982055A - 基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法 - Google Patents
基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法 Download PDFInfo
- Publication number
- CN101982055A CN101982055A CN2010102719054A CN201010271905A CN101982055A CN 101982055 A CN101982055 A CN 101982055A CN 2010102719054 A CN2010102719054 A CN 2010102719054A CN 201010271905 A CN201010271905 A CN 201010271905A CN 101982055 A CN101982055 A CN 101982055A
- Authority
- CN
- China
- Prior art keywords
- rice
- yield
- plot
- remote sensing
- provincial
- 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
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法,包括以下步骤:S1.根生成带有空间位置信息的省级年度早稻、晚稻及一季稻抽样调查地块实割实测标准亩产数据集;S2.分析MODIS植被指数产品,从不同角度比较分析Terra与Aqua MODIS EVI之间的关系;S3.建立基于地块水平的水稻各生育期的一次线性、二次非线性、以及各生育期的逐步回归省级水稻单产遥感拟合模型;S4.确定最优模型所用的比较指标为均方根误差;S5.通过各比较指标及误差分析,选择最优单产拟合模型,利用上一年的最优遥感拟合模型,预测下一年的水稻单产。本发明时间和空间分辨率和估产精度相对较高。
Description
技术领域
基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法,具体地说,本发明采用统计局统计抽样调查地块实割实测数据、Terra与Aqua EVI相结合的遥感数据,建立一种优于传统的统计与遥感相结合的水稻遥感估产方法。
背景技术
水稻是世界主要粮食作物之一,水稻产量估算对各级政府制定农业生产和农村政策,确保我国乃至世界粮食安全具有重要的意义。
国家统计局承担着全国水稻产量的调查职能,经过几十年的努力,依托统计理论,建立了统计调查报表制度。尤其在农村抽样调查方面,建立了完善的抽样调查体系(对农户、对地块的目录抽样调查)。水稻单产的估算通常采取统计法(包括农业统计报表法和抽样调查法)、气象估产法或农学估产法。然而,随着我国社会经济的快速发展,用先进技术改造传统的统计调查方法,提高工作效率,已成为农村社会经济调查统计当前面临和亟待解决的首要问题之一。以遥感为主的3S高新技术具有全覆盖、及时、客观等特点,为改进和提升传统水稻种植面积及产量估算方法提供了良好的借鉴。
水稻遥感估产模式,一般可分为统计相关分析模式(包括统计产量数据、产量构成三要素与遥感信息的两种估产模式)、生理生态过程模式。基于产量构成三要素的统计相关遥感估产模式与生理生态过程遥感估产模式,由于数据获取难度较大,目前还难以在大范围内推广应用。国家及地方统计局长期以来积累各级行政单元的水稻产量数据,为大面积进行基于统计产量的遥感估产模式研究提供了较好的数据源。基于统计产量数据与遥感信息的统计相关分析估产模型能够有效的利用统计数据,实现统计与遥感数据的相结合,且构建简单,计算方便,是一种较为普遍的产量估算模式。然而,这种构造水稻遥感估产模型的方法常先进行基于卫星遥感影像的水稻面积提取,或通过实地、抽样获取部分水稻种植样点,以获取水稻田的遥感信息。国家统计局另一重要的数据源是:通过建立完善的调查体系,在全国31个省(市、区),设立857个抽样县(市),以及100万个左右的调查地块。但到目前为止,基于统计局统计抽样调查地块实割实测数据的水稻遥感估产研究还未曾报道。
发明内容
为了克服现有省级水稻单产遥感估算方法的时间和空间分辨率低、精度低的不足,本发明提供一种时间和空间分辨率和估产精度相对较高的基于统计局统计抽样调查地块实割实测数据的省级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:
一种基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法,包括以下步骤:
S1.根据省级水稻单产抽样调查方案,分析省级年度早稻、晚稻及一季稻抽样调查地块实割实测标准亩产数据及其空间位置信息,生成带有空间位置信息的省级年度早稻、晚稻及一季稻抽样调查地块实割实测标准亩产数据集;
S2.分析MODIS植被指数产品,从不同角度比较分析Terra与AquaMODISEVI之间的关系;先后进行基于像元水平的MOD09GA与MYD09GA EVI比较,基于3×3像元水平的MOD09GA与MYD09GA EVI比较,以证明Terra与AquaMODIS EVI结合使用的可行性,使之在保持空间分辨率不变的前提下,将时间分辨率提高一倍。结果表明:在水稻种植区、水稻生长期间有超过50%的MOD09GA、MYD09GA EVI偏差绝对值小于0.03;有超过85%的偏差绝对值小于0.08;超过95%的偏差绝对值小于0.1。基于3×3像元水平的MOD09GA与MYD09GA EVI之间的差别比基于单个像元的更小,可以结合用于基于水稻抽样地块的遥感估产研究。
S3.利用年度早稻、晚稻及一季稻抽样调查地块实割实测标准亩产数据、以及对应空间位置的3×3像元MOD13Q1、MYD13Q1EVI,根据水稻抽样地块空间分布特点,均匀选取部分地块作为验证,其他地块用于构建遥感估产模型,建立基于地块水平的水稻各生育期的一次线性、二次非线性、以及各生育期的逐步回归省级水稻单产遥感拟合模型;
S4.比较上述不同方法建立于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感拟合模型,确定最优模型所用的比较指标为均方根误差,均方根误差RMSE计算表达式如下:
S5.通过各比较指标及误差分析,选择相对误差及RMSE最小的模型为最优单产拟合模型,利用上一年的最优遥感拟合模型,预测下一年的水稻单产。
作为优选的一种方案,所述的步骤S1中省级水稻单产抽样调查方案,包括以下::
(1)预估产:水稻收获前10-15天,依照水稻逐丘播种面积核实登记,对调查村民小组所有种植水稻的地块进行逐丘临田估产,登记每块种植水稻地块的预估亩产,然后,计算调查点的平均亩产;
(2)抽样:根据估产资料,将亩产高低排队,以地块播种面积为辅助指标进行累计,编制抽样框,采取半距起点等距抽样的方法,抽取出8个实测地块;
(3)实测:用10平方尺测规,在实测样本地块中,均匀割取5个小样本;
(4)推算方法:
预计产量:
实测产量:
当调查点水稻种植地块数据多于8块,通过排队抽选出来8个地块进行实测,因此:
当调查点水稻种植地块数据为8块或少于8块时,采用的是全部实测,因此:
进一步,所述步骤S2中,分析MODIS植被指数,Terra与Aqua MODIS EVI之间的关系分别从以下两个方面进行比较分析:
(1)基于像元水平的MOD09GA与MYD09GA EVI比较
(2)基于3×3像元水平的MOD09GA与MYD09GA EVI比较
比较内容包括各组两数据集的散点图、相关系数、各区间偏差绝对值。比较结果表明MOD09GA与MYD09GAEVI在水稻种植区、水稻生长期间有超过50%的Terra与Aqua MODIS EVI误差绝对值小于0.03;有超过85%的误差绝对值小于0.08;超过95%的误差绝对值小于0.1。且基于3×3像元水平的MOD09GA与MYD09GA EVI之间的差别比基于单个像元的更小。比较结果表明基于3×3像元水平的MOD09GA与MYD09GA EVI之间的差别比基于单个像元的更小,可以结合用于基于水稻抽样地块的遥感估产研究。
再进一步,所述步骤S4中,采采用了决定系数r2、均方根误差和相对误差,选择决定系数r2通过显著性检验,且均方根误差和相对误差最小的模型作为最佳模型。
本发明的有益效果主要表现在:基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算的依据是水稻产量与水稻生长过程中遥感参数(植被指数)的关系;时间和空间分辨率和估产精度相对较高。
附图说明
图1为本发明实施例的湖南省国家水稻抽样县空间分布;
图2为2006(a)、2007(b)年湖南省早稻抽样地块空间分布;
图3为2006(a)、2007(b)年湖南省晚稻抽样地块空间分布;
图4为2006(a)、2007(b)年湖南省一季稻抽样地块空间分布;
图5为基于像元水平的2006-2007年湖南省水稻抽样调查地块所对应的MOD09GA与MYD09GA EVI比较;
图6为基于3×3像元水平的2006-2007年湖南省水稻抽样地块所对应的MOD09GA与MYD09GA EVI比较;
图7为本发明的基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算流程图;
图8为湖南省各地块基于最优遥感拟合模型与实测数据的水稻单产比较(2006-2007);
图9 2007年湖南省各地块水稻单产预测结果与实测值比较;
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9,一种基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法,包括以下步骤:
S1.根据省级水稻单产抽样调查方案,分析省级年度早稻、晚稻及一季稻抽样调查地块实割实测标准亩产数据及其空间位置信息,生成带有空间位置信息的省级年度早稻、晚稻及一季稻抽样调查地块实割实测标准亩产数据集;
S2.分析MODIS植被指数产品,从不同角度比较分析Terra与AquaMODISEVI之间的关系;先后进行基于像元水平的MOD09GA与MYD09GA EVI比较,基于3×3像元水平的MOD09GA与MYD09GA EVI比较,以证明Terra与AquaMODIS EVI结合使用的可行性,使之在保持空间分辨率不变的前提下,将时间分辨率提高一倍。结果表明:在水稻种植区、水稻生长期间有超过50%的MOD09GA、MYD09GA EVI偏差绝对值小于0.03;有超过85%的偏差绝对值小于0.08;超过95%的偏差绝对值小于0.1。基于3×3像元水平的MOD09GA与MYD09GA EVI之间的差别比基于单个像元的更小,可以结合用于基于水稻抽样地块的遥感估产研究。
S3.利用年度早稻、晚稻及一季稻抽样调查地块实割实测标准亩产数据、以及对应空间位置的3×3像元MOD13Q1、MYD13Q1 EVI,根据水稻抽样地块空间分布特点,均匀选取部分地块作为验证,其他地块用于构建遥感估产模型,建立基于地块水平的水稻各生育期的一次线性、二次非线性、以及各生育期的逐步回归省级水稻单产遥感拟合模型;
S4.比较上述不同方法建立于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感拟合模型,确定最优模型所用的比较指标为均方根误差,均方根误差RMSE计算表达式如下:
S5.通过各比较指标及误差分析,选择相对误差及RMSE最小的模型为最优单产拟合模型,利用上一年的最优遥感拟合模型,预测下一年的水稻单产。
所述的步骤S1中省级水稻单产抽样调查方案,包括以下::
(1)预估产:水稻收获前10-15天,依照水稻逐丘播种面积核实登记,对调查村民小组所有种植水稻的地块进行逐丘临田估产,登记每块种植水稻地块的预估亩产,然后,计算调查点的平均亩产;
(2)抽样:根据估产资料,将亩产高低排队,以地块播种面积为辅助指标进行累计,编制抽样框,采取半距起点等距抽样的方法,抽取出8个实测地块;
(3)实测:用10平方尺测规,在实测样本地块中,均匀割取5个小样本;
(4)推算方法:
预计产量:
实测产量:
当调查点水稻种植地块数据多于8块,通过排队抽选出来8个地块进行实测,因此:
当调查点水稻种植地块数据为8块或少于8块时,采用的是全部实测,因此:
所述步骤S2中,分析MODIS植被指数,Terra与AquaMODIS EVI之间的关系分别从以下两个方面进行比较分析:
(1)基于像元水平的MOD09GA与MYD09GA EVI比较
(2)基于3×3像元水平的MOD09GA与MYD09GAEVI比较
比较内容包括各组两数据集的散点图、相关系数、各区间偏差绝对值。比较结果表明MOD09GA与MYD09GA EVI在水稻种植区、水稻生长期间有超过50%的Terra与Aqua MODIS EVI误差绝对值小于0.03;有超过85%的误差绝对值小于0.08;超过95%的误差绝对值小于0.1。且基于3×3像元水平的MOD09GA与MYD09GA EVI之间的差别比基于单个像元的更小。比较结果表明基于3×3像元水平的MOD09GA与MYD09GA EVI之间的差别比基于单个像元的更小,可以结合用于基于水稻抽样地块的遥感估产研究。
所述步骤S4中,采用了决定系数r2、均方根误差和相对误差,选择决定系数r2通过显著性检验,且均方根误差和相对误差最小的模型作为最佳模型。
根据图1至图9给出本发明的一个实施例,即完成湖南省2006-2007年水稻单产遥感估算。要指出的是,所给出的实施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范围。
参阅图7,它是本发明的基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算流程图,具体步骤如下:
S1001.MOD13Q1、MYD13Q1 EVI比较分析及结合,生育期数据、水稻抽样调查地块实割实测数据、及地块空间位置数据集的生成;
S1002.利用GIS技术,提取各地块对应的各生育期MOD13Q1、MYD13Q1相结合的EVI。
S1003.建立MODIS EVI与地块标准亩产数据的各主要生育期(分蘖期、孕穗期、抽穗期、乳熟期及成熟期)的一次线性、二次非线性、及逐步回归单产遥感拟合模型。
S1004.综合分析验证指标决定系数r2、均方根误差(RMSE)和相对误差,比较不同方法建立的省级水稻单产遥感估算拟合模型,确定省级水稻单产遥感估算最佳拟合模型。
S1005.使用最佳拟合模型,完成实例的2007年湖南省早稻、晚稻、及一季稻省级单产的预测。
1.步骤S1001中MOD13Q1、MYD13Q1 EVI比较分析及结合具体实施如下:根据植被指数产品的算法,植被指数产品是在分析每天的反射率数据的基础上得到的,本研究选择MOD09GA与MYD09GA每天的反射率产品进行比较,既能避免水稻生长引起的两卫星观测数据的变化,又能间接的说明MOD13Q1和MYD13Q1产品结合使用的可能性。为了排除水稻生长变化对EVI的影响,选择每天的MOD09GA与MYD09GA产品。在一天内,Terra和Aqua对地表观测时间间隔较短,此期间水稻生长变化对反射率的影响可以忽略不计。为了排除天气对EVI的影响,利用MOD09GA与MYD09GA产品中数据质量控制信息,提取上下午都是晴天无云的数据。为了排除非水稻植被的干扰,利用2006-2007年早稻、晚稻及一季稻地块的空间位置信息,提取地块所对应像元的近红外、红光、蓝光波段数据,计算得到湖南省2006-2007年早晚稻及一季稻地块所对应的水稻生长期间MOD09GA与MYD09GAEVI。比较结果如图5所示。从图5中也可以看出,有些点偏离1∶1线较远。为了得到MOD09GA与MYD09GA EVI之间差异的量化数据,本研究对以上处理得到的MOD09GA与MYD09GA EVI误差绝对值进行统计分析,结果如表1所示。由表可知:有超过50%像元的MOD09GA与MYD09GA EVI误差绝对值小于0.03;87.62%像元的误差绝对值小于0.08;95.73%像元的误差绝对值小于0.1;只有4.27%像元的误差绝对值大于0.1。表1为基于像元水平的2006-2007年湖南省水稻抽样地块所对应的MOD09GA与MYD09GAEVI偏差绝对值在各区间的百分比;
表1
本研究的水稻遥感估产是基于地块所对应的3×3像元水平的。为了更进一步说明本研究利用Terra和Aqua MODIS EVI进行水稻遥感估产的可行性,下面进行基于3×3像元水平的MOD09GA与MYD09GA EVI比较。
与基于像元水平的MOD09GA与MYD09GA EVI比较一样,为了排除水稻生长变化、天气等对EVI的影响,也选择晴天无云的、每天的反射率产品MOD09GA与MYD09GA。在进行3×3像元重采样后,计算EVI进行比较分析,结果如图6所示,同样得到基于3×3像元水平的MOD09GA与MYD09GA EVI之间差异分析如表2所示。表2为基于3×3像元水平的2006-2007年湖南省水稻抽样地块所对应的MOD09GA与MYD09GA EVI偏差绝对值在各区间的百分比
表2
由图6可知:基于3×3像元水平的MOD09GA与MYD09GA EVI集中分布在1∶1线附件。比较表1、2可知,在MOD09GA与MYD09GAEVI误差绝对值相同区间内,基于3×3像元水平比基于单个像元水平的有更大的百分比。另外,计算得到基于单个像元与3×3像元水平的MOD09GA与MYD09GA EVI的标准偏差分别为0.12、0.11。
综合以上分析可知,基于3×3像元水平的MOD09GA与MYD09GAEVI之间的差别比基于单个像元的更小,可以结合用于基于水稻抽样地块的遥感估产研究。
2.步骤S1003、S1004.建立MODIS EVI与地块标准亩产数据的各主要生育期(分蘖期、孕穗期、抽穗期、乳熟期及成熟期)的一次线性、二次非线性、及逐步回归单产遥感拟合模型,以及模型的误差分析。具体实施如下:
根据2006-2007年早稻、晚稻及一季稻遥感估产的各主要生育期的一次线性、二次非线性、及逐步回归水稻遥感估产模型。经过误差分析,选择最优单产遥感拟合模型,结果如表3所示。可以看出,各年水稻遥感估产模型中,以二次非性线模型或回归模型精度较高,且时相集中在水稻生长的孕穗期到抽穗期。表3为2006-2007年湖南省基于地块实割实测数据的水稻单产最优遥感拟合模型及其误差分析(单位:公斤/公顷,%)
表3
由表3可知,水稻单产拟合模型的建模与验证地块的相对误差都小于2%,2006年早稻及2007年晚稻的RMSE较小,其他各模型的RMSE较大。将建模和验证地块综合,利用最优拟合模型拟合地块单产,得到2006-2007年各地块拟合与实割实测标准亩产数据进行比较(图8)。由图可知,与实测值比较,点主要集中在1∶1线附件。
根据湖南省水稻单产抽样调查方案中的推算方法,得到2006-2007年基于地块的湖南省水稻单产,结果如表4所示。可以看出,在省级水平上,基于地块的水稻单产最优遥感拟合模型的拟合值与统计值的相对误差小于2%,其中2006年早稻、2007年一季稻的RMSE较小。表4为2006-2007年湖南省基于地块实割实测数据省级水稻单产最优遥感拟合结果及误差分析(单位:公斤/公顷,%)
表4
3.步骤S1005.使用最佳拟合模型,完成实例的2007年湖南省早稻、晚稻、及一季稻省级单产的预测。具体实施如下:
在基于地块实割实测数据的最优拟合模型的基础上,通过提取与2006年最优遥感估产模型所对应生育期的2007年各地块3×3像元水平的MOD13Q1与MYD13Q1 EVI值。代入2006年最优拟合模型预测2007年的省级水稻单产,从而得到基于2006年水稻总产最优遥感拟合模型的2007年湖南省水稻单产预测结果,所得早稻、晚稻及一季稻单产遥感预测结果与实测值误差分析如表5所示。比较表5与表4可知,省级水稻单产预测结果相对于拟合结果而言,RMSE及相对误差明显要大,但相对误差仍然小于5%。表5为2007年湖南省基于地块实割实测数据水稻单产遥感预测结果及误差分析(单位:公斤/公顷,%)
表5
另外,2007年早稻、晚稻及一季稻单产遥感预测结果与实测值比较所得的散点图如图9所示。由图可知,虽然一些地块预测结果与统计值相差较大,但总体上集中分布于1∶1线附近,说明预测结果与统计值在空间分布上具有较好的一致性。
Claims (4)
1.一种基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法,其特征在于:所述省级水稻单产遥感估算方法包括以下步骤:
S1.根据省级水稻单产抽样调查方案,分析省级年度早稻、晚稻及一季稻抽样调查地块实割实测标准亩产数据及其空间位置信息,生成带有空间位置信息的省级年度早稻、晚稻及一季稻抽样调查地块实割实测标准亩产数据集;
S2.分析MODIS植被指数产品,先后进行基于像元水平的MOD09GA与MYD09GAEVI比较,基于3×3像元水平的MOD09GA与MYD09GAEVI比较;
S3.利用年度早稻、晚稻及一季稻抽样调查地块实割实测标准亩产数据、以及对应空间位置的3×3像元MOD13Q1、MYD13Q1EVI,根据水稻抽样地块空间分布特点,均匀选取部分地块作为验证,其他地块用于构建遥感估产模型,建立基于地块水平的水稻各生育期的一次线性、二次非线性、以及各生育期的逐步回归省级水稻单产遥感拟合模型;
S4.比较上述不同方法建立于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感拟合模型,确定最优模型所用的比较指标为均方根误差,均方根误差RMSE计算表达式如下:
S5.通过各比较指标及误差分析,选择相对误差及RMSE最小的模型为最优单产拟合模型,利用上一年的最优遥感拟合模型,预测下一年的水稻单产。
2.如权利要求1所述的基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法,其特征在于:所述的步骤S1中省级水稻单产抽样调查方案,包括以下::
(1)预估产:水稻收获前10-15天,依照水稻逐丘播种面积核实登记,对调查村民小组所有种植水稻的地块进行逐丘临田估产,登记每块种植水稻地块的预估亩产,然后,计算调查点的平均亩产;
(2)抽样:根据估产资料,将亩产高低排队,以地块播种面积为辅助指标进行累计,编制抽样框,采取半距起点等距抽样的方法,抽取出8个实测地块;
(3)实测:用10平方尺测规,在实测样本地块中,均匀割取5个小样本;
(4)推算方法:
预计产量:
实测产量:
当调查点水稻种植地块数据多于8块,通过排队抽选出来8个地块进行实测,因此:
当调查点水稻种植地块数据为8块或少于8块时,采用的是全部实测,因此:
3.如权利要求1或2所述的基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法,其特征在于:所述步骤S2中,分析MODIS植被指数,Terra与Aqua MODIS EVI之间的关系分别从以下两个方面进行比较分析:
(1)基于像元水平的MOD09GA与MYD09GA EVI比较
(2)基于3×3像元水平的MOD09GA与MYD09GA EVI比较比较内容包括各组两数据集的散点图、相关系数、各区间偏差绝对值。
比较结果表明MOD09GA与MYD09GA EVI在水稻种植区、水稻生长期间有超过50%的Terra与Aqua MODIS EVI误差绝对值小于0.03;有超过85%的误差绝对值小于0.08;超过95%的误差绝对值小于0.1。且基于3×3像元水平的MOD09GA与MYD09GA EVI之间的差别比基于单个像元的更小。比较结果表明基于3×3像元水平的MOD09GA与MYD09GA EVI之间的差别比基于单个像元的更小,可以结合用于基于水稻抽样地块的遥感估产研究。
4.如权利要求1或2所述的基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法,其特征在于:所述步骤S4中,采用了决定系数r2、均方根误差和相对误差,选择决定系数r2通过显著性检验,且均方根误差和相对误差最小的模型作为最佳模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102719054A CN101982055B (zh) | 2010-08-28 | 2010-08-28 | 基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102719054A CN101982055B (zh) | 2010-08-28 | 2010-08-28 | 基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101982055A true CN101982055A (zh) | 2011-03-02 |
CN101982055B CN101982055B (zh) | 2013-02-13 |
Family
ID=43618987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102719054A Expired - Fee Related CN101982055B (zh) | 2010-08-28 | 2010-08-28 | 基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101982055B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592180A (zh) * | 2011-12-21 | 2012-07-18 | 山东省农业科学院科技信息工程技术研究中心 | 一种基于生态区尺度的冬小麦干旱风险预警方法 |
CN107274036A (zh) * | 2017-07-25 | 2017-10-20 | 中国农业科学院农业信息研究所 | 一种最优趋势单产模型的确定方法及系统 |
CN114529826A (zh) * | 2022-04-24 | 2022-05-24 | 江西农业大学 | 一种基于遥感影像数据的水稻估产方法、装置及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2010
- 2010-08-28 CN CN2010102719054A patent/CN101982055B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Non-Patent Citations (3)
Title |
---|
《世界科技研究与发展》 20091031 孙俊英 湖北省粮食单产遥感估算方法 897-900 1-4 第31卷, 第5期 * |
《农业工程学报》 20080228 徐新刚,等 农作物单产遥感估算模型研究进展 1-4 第24卷, 第2期 * |
《遥感应用》 20080531 张海珍 基于MODIS数据的成都市水稻遥感估产计算 1-4 , * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592180A (zh) * | 2011-12-21 | 2012-07-18 | 山东省农业科学院科技信息工程技术研究中心 | 一种基于生态区尺度的冬小麦干旱风险预警方法 |
CN107274036A (zh) * | 2017-07-25 | 2017-10-20 | 中国农业科学院农业信息研究所 | 一种最优趋势单产模型的确定方法及系统 |
CN107274036B (zh) * | 2017-07-25 | 2020-04-03 | 中国农业科学院农业信息研究所 | 一种农作物产量的预测方法及系统 |
CN114529826A (zh) * | 2022-04-24 | 2022-05-24 | 江西农业大学 | 一种基于遥感影像数据的水稻估产方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN101982055B (zh) | 2013-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107356569B (zh) | 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 | |
Zhao et al. | Exploring the relationships between climatic variables and climate-induced yield of spring maize in Northeast China | |
Bussay et al. | Improving operational maize yield forecasting in Hungary | |
Zhang et al. | Evaluation of the APSIM-Wheat model in terms of different cultivars, management regimes and environmental conditions | |
CN105445229B (zh) | 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法 | |
CN107341577A (zh) | 一种农作物产量预测方法及系统 | |
CN104483271B (zh) | 光学反射模型与微波散射模型协同的森林生物量反演方法 | |
Tian et al. | Changes in production potentials of rapeseed in the Yangtze River Basin of China under climate change: A multi-model ensemble approach | |
Wang et al. | Differences in ecosystem water-use efficiency among the typical croplands | |
CN104521699A (zh) | 田间智能灌溉在线控制管理方法 | |
CN104584751A (zh) | 基于冬油菜氮素营养无损检测的施肥方法 | |
Wang et al. | Interdecadal variation of potato climate suitability in China | |
Huang et al. | Assessing grain crop water productivity of China using a hydro-model-coupled-statistics approach: Part I: Method development and validation | |
Boote et al. | Sentinel site data for crop model improvement—definition and characterization | |
Ren et al. | Estimating nutrient requirements for winter oilseed rape based on QUEFTS analysis | |
CN103927684A (zh) | 木薯智能施肥系统 | |
Ali et al. | Deep soil water deficit and recovery in alfalfa fields of the Loess Plateau of China | |
Ilić et al. | Forecasting corn production in Serbia using ARIMA model | |
Dan et al. | Delineating the rice crop activities in Northeast China through regional parametric synthesis using satellite remote sensing time-series data from 2000 to 2015 | |
Zhou et al. | Modeling winter wheat phenology and carbon dioxide fluxes at the ecosystem scale based on digital photography and eddy covariance data | |
CN101836561A (zh) | 一种海滨盐土蓖麻产量预测模型及其构建方法和应用 | |
Wang et al. | Rice yield estimation based on an NPP model with a changing harvest index | |
CN101546419A (zh) | 一种耕地粮食生产能力核算方法 | |
Chen et al. | Simulation analysis of lucerne–wheat crop rotation on the Loess Plateau of Northern China | |
CN101982055B (zh) | 基于统计局统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130213 Termination date: 20130828 |