CN102829739B - 一种面向对象的作物叶面积指数遥感反演方法 - Google Patents
一种面向对象的作物叶面积指数遥感反演方法 Download PDFInfo
- Publication number
- CN102829739B CN102829739B CN201210299570.6A CN201210299570A CN102829739B CN 102829739 B CN102829739 B CN 102829739B CN 201210299570 A CN201210299570 A CN 201210299570A CN 102829739 B CN102829739 B CN 102829739B
- Authority
- CN
- China
- Prior art keywords
- lai
- index
- crop
- ndvi
- red
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种面向对象的作物叶面积指数遥感反演方法,包括:获取多光谱遥感数据;利用获取的多光谱遥感数据计算作物群体生物量光谱指数NDVI、作物养分光谱指数BRI和水分敏感光谱指数NDWI;依据作物群体生物量光谱指数NDVI、作物养分光谱指数BRI和水分敏感光谱指数NDWI,利用均值漂移算法进行面向对象分割及编码;按照编码顺序依次对各对象进行像元原始光谱均值并得出与LAI敏感的光谱指数SAVI,以及纹理结构的计算;建立地面LAI观测数据、与LAI敏感的光谱指数SAVI和纹理结构计算的回归模型;利用回归模型对没有地面LAI观测数据的对象进行反演计算,获得没有地面LAI观测数据对象的LAI。
Description
技术领域
本发明涉及农业信息技术领域,特别涉及一种面向对象的作物叶面积指数遥感反演方法。
背景技术
利用遥感技术进行大范围作物叶面积指数(LAI,Leaf areaindex)反演已经成为较为成熟的技术手段和方法,主要利用多光谱遥感筛选出与LAI敏感波段,进而利用敏感波段计算出光谱指数,再利用实地测量的LAI数据和光谱指数建立模型,然后将模型应用到其他像元对应的光谱指数上,就可以得到完整影像对应区域的所有像元LAI。可以看出,LAI的反演计算是逐个像元进行的,在反演大范围LAI或多个时相LAI时,计算效率比较低。对于作物来说,由于在局地相同的地理、气象条件下,相邻像元间作物长势的差异并不是十分明显,而是以斑块状同质像元呈现,斑块内部作物长势总体上是一致的,所以再按照逐个像元反演LAI显然是没有必要的。如果将作物LAI反演由逐像元改为逐个对象计算,则计算效率将会极大提高。这里所说的对象既包括了斑块的空间范围,也含有斑块区域内像元的空间纹理结构特征和光谱特征。关于面向对象的图像分割技术已经较为成熟,并且已成功应用到遥感领域,在考虑像元光谱特征基础上,还要考虑图像纹理结构、上下文关系等,实现多尺度遥感图像分割。但目前关于面向对象的遥感图像分割侧重于地表分类或者地物识别精度的提高,针对作物长势状况的面向对象分割还欠缺。所以,把面向对象的遥感图像分割技术引入到LAI反演中来更有实际应用价值。
对于背景技术方案,存在的主要缺陷为:
(1)目前,所有利用遥感数据反演作物LAI的算法都是基于逐像元计算的,由于遥感器观测存在一定噪声,且遥感数据处理过程中也存在一定误差,不可避免的存在部分像元反演出的LAI是错误的,这给LAI的后续分析和应用带来较大问题;
(2)在进行作物长势诊断及变量肥水实施过程中,需要对以‘像元’为基础进行LAI空间插值处理,形成作物长势空间分布的处方图。因此,插值处理会带来一定的误差;而且这种单独依赖LAI的长势诊断及处方图可靠性不高,主要是由于LAI只是体现了作物群体生物量的大小,必须还要结合表征作物养分、水分的相关信息,才能全面的表达作物长势情况。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是利用遥感数据事先得到关于作物生物量、养分及水分的空间分布特征,并对其进行面向对象的分割和提取,得到具有不同生物量、养分及水分组合特征的空间单元,这种单元虽然大小各异,但相同类别单元对应的作物具有相同的生物量、养分及水分信息,在此基础上针对各对象再进行LAI反演。
(二)技术方案
一种面向对象的作物叶面积指数遥感反演方法,包括:
获取多光谱遥感数据;
利用获取的多光谱遥感数据计算作物群体生物量光谱指数NDVI、作物养分光谱指数BRI和水分敏感光谱指数NDWI;
依据作物群体生物量光谱指数NDVI、作物养分光谱指数BRI和水分敏感光谱指数NDWI,利用均值漂移算法进行面向对象分割及编码;
按照编码顺序依次对各对象进行像元原始光谱均值并得出与LAI敏感的光谱指数SAVI,以及纹理结构的计算;
建立地面LAI观测数据、与LAI敏感的光谱指数SAVI和纹理结构计算的回归模型;
利用回归模型对没有地面LAI观测数据的对象进行反演计算,获得没有地面LAI观测数据对象的LAI。
其中,
所述作物群体生物量光谱指数NDVI的计算公式为
所述作物养分光谱指数BRI的计算公式为
所述水分敏感光谱指数NDWI的计算公式为
其中,Rblue为蓝波段,其波长范围为0.45-0.52微米;Rgreen为绿波段,其波长范围为0.52-0.60微米;Rred为红波段,其波长范围为0.63-0.69微米;Rnir为近红外波段,其波长范围为0.76-0.90微米。
其中,所述利用均值漂移算法进行面相对象分割的过程为:
依据均值漂移分割算法核函数公式:
其中,C—归一化常数;k—核函数;hs—MS算法的空间带宽系数;hr—MS算法的光谱指数带宽系数;通过控制核带宽参数h=(hs,hr)来决定分割精度,通常设置hs=7,hr=6.5;
xs表示空间坐标,xr表示r维特征向量;分量xs∈{0<i≤w,0<j≤h},h、w分别是图像行高与列宽;xr∈{L,u,v},L、u、v分别对应NDVI、BRI及NDWI经过色彩空间LUV变换后的三个色彩分量。
其中,所述光谱敏感指数SAVI的计算公式为,
其中,Rred为红波段,其波长范围为0.63-0.69微米;Rnir为近红外波段,其波长范围为0.76-0.90微米;L为对应NDVI经过色彩空间LUV变换后的色彩分量。
其中,所述纹理结构计算包括熵值计算和同质度计算;
所述熵值计算的公式为:熵值
所述同质度的计算公式为:
同质度
其中,Pi,j(d,θ)为利用对象内像元NDVI、BRI及NDWI计算的灰度共生矩阵,N为对象内部像元数目;i、j为自然数。
其中,所述回归模型为
LAI=am·[SAVI EntNDVI EntBRI EntNDWI HomoNDVI HomoBRI HomoNDWI]T其中am=[a0 a1 a2 a3 a4 a5 a6]为回归系数,SAVI为光谱敏感指数,Rblue为蓝波段,Rgreen为绿波段,Rred为红波,;Rnir为近红外波段,Ent为熵值,Homo为同质度。
(三)有益效果
本发明提出的技术方案直接面向农田作业变量处方图生成目标,利用多光谱遥感数据提取与作物生物量、养分及水分相关的光谱指数,并基于面向对象的图像分割方法实现三种组合光谱指数的分割,通过对分割对象进行统一编码即可获得作物长势状况空间分布图。在此基础上充分利用遥感数据的光谱信息和空间纹理信息,并建立作物LAI与光谱指数(SAVI)、纹理参数(熵、同质度)间的回归模型,将模型应用于所有分割对象实现面向对象的LAI反演。此方法适合大多数具有相同光谱波段的卫星、航空及地面遥感数据,由于同时考虑了光谱信息和纹理信息,避免了逐像元反演中由于像元本身误差造成的精度较低等问题;另外,作物LAI反演是基于对象进行,大幅提高了LAI反演的计算效率,而且反演结果可直接作物农田管理的作业处方图,避免了逐像元反演再空间插值带来的误差。
附图说明
图1是本发明技术方案的流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1是本发明技术方案的主流程图。如图1所示,本发明提出面向对象的作物LAI反演方法包括下列步骤:
(1)获取多光谱遥感数据,数据中包含以下四个波段反射率数据:蓝波段(Rblue),波长范围为0.45-0.52微米;绿波段(Rgreen),波长范围为0.52-0.60微米;红波段(Rred),波长范围为0.63-0.69微米;近红外波段(Rnir),波长范围为0.76-0.90微米。同时获取地面观测LAI数据,并利用差分GPS进行观测点精准定位,保证定位误差小于5米。
(2)利用遥感数据四个波段反射率光谱计算与作物群体生物量、作物养分及水分敏感的光谱指数NDVI、BRI及NDWI,具体公式为:
(3)利用计算的NDVI、BRI及NDWI,选择均值漂移(Mean-Shift,MS)算法进行面向对象分割。由于MS算法完全依靠特征空间中的样本点进行分析,不需要任何先验知识,且收敛速度快,近年来被广泛应用于图像分割。
考虑NDVI、BRI及NDWI三个光谱指数(r=3),同时考虑三者的空间信息(s=2),就组成一个r+s=5维的向量x=(xs,xr)。其中xs表示空间坐标,xr表示r维特征向量,则MS分割算法核函数公式:
式中:C—归一化常数;k—核函数;hs—MS算法的空间带宽系数;hr—MS算法的光谱指数带宽系数;通过控制核带宽参数h=(hs,hr)来决定分割精度,通常设置hs=7,hr=6.5。分量xs∈{0<i≤w,0<j≤h},h、w分别是图像行高与列宽;xr∈{L,u,v},L、u、v分别对应NDVI、BRI及NDWI经过色彩空间LUV变换后的三个色彩分量。
利用公式(4)经过逐像元迭代计算,即可得到分割后的对象。在此基础上,对不同类别对象进行编码,并保证相同类别的对象具有相同编码,这就意味着具有相同编码的对象所对应的NDVI、BRI及NDWI相同,对应的作物生物量、养分及水分状况相同。
(4)经过对分割对象及编码后,可以按照编码顺序依次对各对象进行光谱及空间特征计算。首先根据各对象所包含像元对应的原始多光谱反射率进行均值计算,得到代表对象的平均反射光谱,进而计算与LAI敏感的光谱指数SAVI:
另外,对分割对象内部各像元NDVI、BRI及NDWI值进行纹理结构计算,包括熵和同质度。
熵(Entropy,Ent)是反映图像中纹理的复杂程度或非均匀度。熵大时,纹理复杂;反之,纹理简单。公式为:
同质度(Homogeneity,Homo),又称逆差矩,用来度量图像纹理局部变化的多少,反映图像的均质性。Homo大时,纹理不均匀;反之,Homo小时,纹理均匀。公式为:
其中Pi,j(d,θ)为利用对象内像元NDVI、BRI及NDWI计算的灰度共生矩阵,N为对象内部像元数目。
(5)利用地面观测LAI数据,并根据观测点位置查找到对应的分割对象,提取对象对应的SAVI及EntNDVI、EntBRI、EntNDWI、HomoNDVI、HomoBRI、HomoNDWI值,并建立相应的回归模型:
LAI=am·[SAVI EntNDVI EntBRI EntNDWI HomoNDVI HomoBRI HomoNDWI]T(8)其中am=[a0 a1 a2 a3 a4 a5 a6]为回归系数。
(6)利用公式(8)对其他没有地面观测的对象进行LAI计算,即可得到所有对象的LAI值,完成面向对象的LAI反演。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (5)
1.一种面向对象的作物叶面积指数遥感反演方法,其特征在于,包括:
获取多光谱遥感数据;
利用获取的多光谱遥感数据计算作物群体生物量光谱指数NDVI、作物养分光谱指数BRI和水分敏感光谱指数NDWI;
依据作物群体生物量光谱指数NDVI、作物养分光谱指数BRI和水分敏感光谱指数NDWI,利用均值漂移算法进行面向对象分割及编码;
按照编码顺序依次对各对象进行像元原始光谱均值并得出与叶面积指数LAI敏感的光谱指数SAVI,以及纹理结构的计算;
建立地面LAI观测数据、与LAI敏感的光谱指数SAVI和纹理结构计算的回归模型;
利用回归模型对没有地面LAI观测数据的对象进行反演计算,获得没有地面LAI观测数据对象的LAI;
其中,所述利用均值漂移算法进行面向对象分割的过程为:
依据均值漂移分割算法核函数公式:
其中,C—归一化常数;k—核函数;hs—MS算法的空间带宽系数;hr—MS算法的光谱指数带宽系数;通过控制核带宽参数h=(hs,hr)来决定分割精度,设置hs=7,hr=6.5;
xs表示空间坐标,xr表示r维特征向量;分量xs∈{0<i≤w,0<j≤h},h、w分别是图像行高与列宽;xr∈{L,u,v},L、u、v分别对应NDVI、BRI及NDWI经过色彩空间LUV变换后的三个色彩分量。
2.如权利要求1所述的方法,其特征在于,
所述作物群体生物量光谱指数NDVI的计算公式为
所述作物养分光谱指数BRI的计算公式为
所述水分敏感光谱指数NDWI的计算公式为
其中,Rblue为蓝波段,其波长范围为0.45-0.52微米;Rgreen为绿波段,其波长范围为0.52-0.60微米;Rred为红波段,其波长范围为0.63-0.69微米;Rnir为近红外波段,其波长范围为0.76-0.90微米。
3.如权利要求1所述的方法,其特征在于,所述光谱指数SAVI的计算公式为,
其中,Rred为红波段,其波长范围为0.63-0.69微米;Rnir为近红外波段,其波长范围为0.76-0.90微米;L为对应NDVI经过色彩空间LUV变换后的色彩分量。
4.如权利要求1所述的方法,其特征在于,所述纹理结构计算包括熵值计算和同质度计算;
所述熵值计算的公式为:熵值
所述同质度的计算公式为:
同质度
其中,Pi,j(d,θ)为利用对象内像元NDVI、BRI及NDWI计算的灰度共生矩阵,N为对象内部像元数目;i、j为自然数;d为计算灰度共生矩阵时相邻两个像素i与j的距离,θ为计算灰度共生矩阵时相邻两个像素i与j直线连接方向与直角坐标轴间的夹角。
5.如权利要求1所述的方法,其特征在于,所述回归模型为LAI=am·[SAVI EntNDVI EntBRI EntNDWI HomoNDVI HomoBRI HomoNDWI]T
其中am=[a0 a1 a2 a3 a4 a5 a6]为回归系数,SAVI为与LAI敏感的光谱指数,Rblue为蓝波段,Rgreen为绿波段,Rred为红波,Rnir为近红外波段,Ent为熵值,Homo为同质度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210299570.6A CN102829739B (zh) | 2012-08-21 | 2012-08-21 | 一种面向对象的作物叶面积指数遥感反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210299570.6A CN102829739B (zh) | 2012-08-21 | 2012-08-21 | 一种面向对象的作物叶面积指数遥感反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102829739A CN102829739A (zh) | 2012-12-19 |
CN102829739B true CN102829739B (zh) | 2015-03-25 |
Family
ID=47332960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210299570.6A Active CN102829739B (zh) | 2012-08-21 | 2012-08-21 | 一种面向对象的作物叶面积指数遥感反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102829739B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201900001891A1 (it) * | 2019-02-11 | 2020-08-11 | Univ Degli Studi Di Palermo | Metodo per il monitoraggio di superfici vegetali |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103075980A (zh) * | 2012-12-27 | 2013-05-01 | 中国热带农业科学院橡胶研究所 | 一种利用lai-2000冠层分析仪测量橡胶林有效叶面积指数的方法 |
CN103196838B (zh) * | 2013-03-15 | 2014-11-26 | 辽宁师范大学 | 一种海岸河口富营养化高光谱遥感监测方法 |
CN104748703B (zh) * | 2013-12-27 | 2017-09-08 | 中国科学院深圳先进技术研究院 | 一种叶面积指数尺度下推方法及系统 |
CN103942459A (zh) * | 2014-05-13 | 2014-07-23 | 扬州大学 | 一种遥感监测小麦叶面积指数的方法 |
CN104330058B (zh) * | 2014-11-25 | 2017-05-03 | 东北林业大学 | 一种利用植物冠层分析仪测定叶面积指数的校正方法 |
CN104567754A (zh) * | 2014-12-26 | 2015-04-29 | 河南省农业科学院农业经济与信息研究所 | 一种耦合星-地遥感的小麦叶面积指数估算方法 |
CN104899394B (zh) * | 2015-06-23 | 2017-10-10 | 中国科学院遥感与数字地球研究所 | 一种实用的叶面积指数遥感反演方法 |
CN105352893B (zh) * | 2015-07-15 | 2018-02-06 | 电子科技大学 | 一种适用于植被稀疏区的叶绿素反演方法 |
CN105303063B (zh) * | 2015-12-03 | 2018-09-21 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
CN105608293B (zh) * | 2016-01-28 | 2019-10-11 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
CN106248003B (zh) * | 2016-08-24 | 2018-10-16 | 电子科技大学 | 一种三维激光点云提取植被冠层聚集度指数的方法 |
CN106372592B (zh) * | 2016-08-29 | 2019-07-16 | 中国农业科学院农业资源与农业区划研究所 | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 |
CN106501816B (zh) * | 2016-10-31 | 2018-12-25 | 塔里木大学 | 一种枣树冠层氮含量的卫星遥感监测方法 |
CN106501255B (zh) * | 2016-10-31 | 2019-01-29 | 塔里木大学 | 一种枣树冠层总叶绿素含量的卫星遥感监测方法 |
CN106324617B (zh) * | 2016-10-31 | 2018-08-03 | 塔里木大学 | 一种枣树冠层类胡萝卜素含量的卫星遥感监测方法 |
CN106780079B (zh) * | 2016-11-28 | 2020-12-29 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
CN108205718B (zh) * | 2018-01-16 | 2021-10-15 | 北京师范大学 | 一种粮食作物抽样测产方法及系统 |
CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
CN111650129B (zh) * | 2020-03-05 | 2022-07-01 | 广东省科学院广州地理研究所 | 一种荔枝叶片钙含量预测方法及预测装置 |
CN112308024A (zh) * | 2020-11-23 | 2021-02-02 | 中国水利水电科学研究院 | 一种水体信息提取方法 |
IL305516A (en) * | 2021-02-28 | 2023-10-01 | The State Of Israel Ministry Of Agriculture & Rural Development Agricultural Res Organization Aro Vo | Estimation of crop coefficient vector based on multispectral remote sensing |
CN113111892B (zh) * | 2021-05-12 | 2021-10-22 | 中国科学院地理科学与资源研究所 | 一种基于无人机影像的作物种植行提取方法 |
-
2012
- 2012-08-21 CN CN201210299570.6A patent/CN102829739B/zh active Active
Non-Patent Citations (5)
Title |
---|
ASTER影像提取植被信息的NDVI与SAVUI法比较;秦鹏等;《热带地理》;20080930;第28卷(第5期);第419-422页 * |
偏最小二乘回归在Hyperion影像叶面积指数反演中的应用;孙华等;《中国农业通报》;20120430(第7期);第44-52页 * |
叶面积指数(LAI)的遥感定量方法综述;方秀琴等;《国土资源遥感》;20030930(第3期);第58-62页 * |
基于纹理特征的高分辨率遥感图像土地利用分类研究;胡玉福等;《地理与地理信息科学》;20110930;第27卷(第5期);第42-45,68页 * |
邓广.高空间分辨率遥感影像单株立木识别与树冠分割算法研究.《中国博士学位论文全文数据库·信息科技辑》.2010, * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201900001891A1 (it) * | 2019-02-11 | 2020-08-11 | Univ Degli Studi Di Palermo | Metodo per il monitoraggio di superfici vegetali |
WO2020165671A1 (en) * | 2019-02-11 | 2020-08-20 | Università Degli Studi Di Palermo | Method for monitoring vegetation ground covers |
Also Published As
Publication number | Publication date |
---|---|
CN102829739A (zh) | 2012-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102829739B (zh) | 一种面向对象的作物叶面积指数遥感反演方法 | |
Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
AU2020101054A4 (en) | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
Sahebjalal et al. | Analysis of land use-land covers changes using normalized difference vegetation index (NDVI) differencing and classification methods | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
Guo et al. | Biomass and vegetation coverage survey in the Mu Us sandy land-based on unmanned aerial vehicle RGB images | |
CN111582194B (zh) | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 | |
Hill et al. | Characterizing vegetation cover in global savannas with an annual foliage clumping index derived from the MODIS BRDF product | |
CN109767409B (zh) | 基于遥感影像的滑坡变化检测方法、存储介质和电子设备 | |
Yue et al. | Method for accurate multi-growth-stage estimation of fractional vegetation cover using unmanned aerial vehicle remote sensing | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
Wang et al. | Unsupervised discrimination between lodged and non-lodged winter wheat: A case study using a low-cost unmanned aerial vehicle | |
CN115187865B (zh) | 基于地物光谱的无人机影像近红外波段模拟方法、介质 | |
Ozdarici Ok et al. | A segment-based approach to classify agricultural lands by using multi-temporal optical and microwave data | |
CN110765977A (zh) | 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法 | |
Li et al. | A new method for surface water extraction using multi-temporal Landsat 8 images based on maximum entropy model | |
CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
CN115861629A (zh) | 一种高分耕地影像提取方法 | |
Xu et al. | Vegetation information extraction in karst area based on UAV remote sensing in visible light band | |
CN109377476B (zh) | 遥感影像云检测特征参数的动态阈值获取方法及装置 | |
Chen et al. | 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing | |
CN108229426B (zh) | 一种基于差分描述子的遥感图像变化向量变化检测法 | |
Xu et al. | MP-Net: An efficient and precise multi-layer pyramid crop classification network for remote sensing images | |
CN116310864A (zh) | 一种作物倒伏自动识别方法、系统、电子设备及介质 |
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 |