CN103839184A - 一种农作物群体长势多空间尺度自适应监测方法及装置 - Google Patents
一种农作物群体长势多空间尺度自适应监测方法及装置 Download PDFInfo
- Publication number
- CN103839184A CN103839184A CN201410060106.0A CN201410060106A CN103839184A CN 103839184 A CN103839184 A CN 103839184A CN 201410060106 A CN201410060106 A CN 201410060106A CN 103839184 A CN103839184 A CN 103839184A
- Authority
- CN
- China
- Prior art keywords
- growing way
- crops
- colony
- cgmi1
- cgmi2
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种农作物群体长势多空间尺度自适应监测方法及装置,包括以下步骤:监测农作物群体形态结构和群体生理活性的地表参量;根据所述地表参量构建用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量;根据所述遥感可估算长势参量对农作物群体长势进行评估。本发明结合农学知识与植被遥感响应机制构建能够综合定量表征农作物群体形态结构和群体生理活性的遥感可估算长势参量,根据所述遥感可估算长势参量制定具有空间尺度自适应能力的阈值划分策略,扩展定量阈值划分方法的空间尺度通用性和可移植性,实现了综合定量分级农作物群体长势状况的有益效果。
Description
技术领域
本发明涉及农业遥感监测技术领域,尤其涉及一种农作物群体长势多空间尺度自适应监测方法及装置。
背景技术
在农业生产过程中,及时准确地获取区域农作物群体长势信息是进行农作物产量和品质预估的必要前提,也是快速有效地制定适宜的农业生产田间管理措施的重要依据。目前,遥感定量监测是获取区域农作物群体长势信息的主要途径,其以空间遥感技术获取的宏观区域地物电磁波信息为数据源,通过定量估算群体长势参量获取农作物长势信息。现有的遥感可估算农作物群体长势参量种类繁多,可以大致从群体形态结构和群体生理活性角度进行描述,其中群体形态结构表征参量主要表征农作物在近期生长发育中群体数量的多寡,如植被覆盖度、叶面积指数等;而群体生理活性表征参量则主要表征当前农作物群体的营养健康状况,如冠层叶片色素含量、冠层叶片色素密度等;此外,植被指数作为群体长势的快速定量评估指标,也在农业定量遥感领域应用广泛。考虑到农作物群体长势在不同的光照、温度、水分、气体、土壤等外界环境条件下会有所不同,故为定量分析农作物群体长势状况及其空间分布形态和特征,需基于遥感获取的农作物群体长势信息开展分级评估研究,而定量划分群体长势参量阈值则是开展分级评估的数据基础和应用前提。现有的阈值划分策略主要依据地面观测数据及先验知识制定,在多空间尺度遥感监测农作物群体长势应用方面的通用性和可移植性有待进一步提高。
发明内容
(一)要解决的技术问题
1)现有的遥感可估算农作物群体长势参量或侧重于表征群体结构特征,或侧重于表征群体生理特征,或侧重于表征群体长势分布状况,缺乏将农学知识与植被遥感响应机制相结合的、综合定量表征农作物群体形态结构和群体生理活性的遥感可估算长势参量。
2)现有的农作物群体长势分级评估体系采用的长势参量阈值划分策略,侧重于以研究区地面观测数据和先验知识为主要依据制定。此类策略依赖于研究区的实地观测数据和历史数据累积,无法实现农作物群体长势多空间尺度自适应监测和定量分级评估的应用需求。
3)现有的依据农作物群体长势遥感定量监测结果建立的肥水管理决策支持系统,缺乏群体长势的动态描述指标,由于未对阶段性长势(以群体形态结构为主要参数)和现势性长势(以群体生理活性为主要参数)两个不同层次加以区分,故而未能实现综合定量地对农作物群体长势空间分布动态的评估。
(二)技术方案
为此目的,一种农作物群体长势多空间尺度自适应监测方法及装置,包括以下步骤:
监测农作物群体形态结构和群体生理活性的地表参量;
根据所述地表参量构建用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量;
根据所述遥感可估算长势参量对农作物群体长势进行评估。
优选地,所述监测农作物群体形态结构和群体生理活性的地表参量,具体包括:
监测农作物群体的叶面积指数LAI和冠层叶绿素密度CCD。
优选地,所述根据所述地表参量构建用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量,具体包括:
获取农作物群体的叶面积指数LAI和冠层叶绿素密度CCD;
根据所述叶面积指数LAI和冠层叶绿素密度CCD计算用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量,所述遥感可估算长势参量包括第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2,其中:
CGMI1=LAI*CCD
CGMI1用于表征单位土地面积内的所有叶片面积上的叶绿素含量;
CGMI2用于表征单位叶片面积上的叶绿素含量。
优选地,所述根据所述遥感可估算长势参量对农作物群体长势进行评估,具体包括:
对所述第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2进行具有空间尺度自适应能力的定量阈值划分;
根据所述定量阈值划分结果以所述CGMI1和CGMI2为坐标轴绘制数值散点图;
根据落入所述数值散点图的所述CGMI1和CGMI2的数值对农作物群体长势进行评估。
优选地,所述方法还包括:
当所述CGMI1和CGMI2的数值未落入所述数值散点图时,根据预设的农作物群体长势评估体系对农作物群体长势进行评估。
优选地,所述对所述第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2进行具有空间尺度自适应能力的定量阈值划分,具体包括:
计算所述CGMI1的均值μ1和标准差σ1;
计算所述CGMI2的均值μ2和标准差σ2;
以μ1-σ1/2和μ1+σ1/2为所述CGMI1的划分阈值进行定量阈值划分;
以μ2-σ2/2和μ2+σ2/2为所述CGMI2的划分阈值进行定量阈值划分。
优选地,所述根据落入所述数值散点图的所述CGMI1和CGMI2的数值对农作物群体长势进行评估,具体包括:
计算落入所述数值散点图的所有数值散点的拟合直线:
若所述拟合直线与CGMI1轴的夹角小于预设角度,则判断所述数值散点归属于CGMI1轴上表征的农作物群体长势状况;
若所述拟合直线与CGMI2轴的夹角小于预设角度,则判断所述数值散点归属于CGMI2轴上表征的农作物群体长势状况。
此外,本发明还提出了一种农作物群体长势多空间尺度自适应监测装置,包括:
监测模块、参量构建模块和评估模块;
监测模块,用于监测农作物群体形态结构和群体生理活性的地表参量;
参量构建模块,用于根据所述地表参量构建用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量;
评估模块,用于根据所述遥感可估算长势参量对农作物群体长势进行评估。
优选地,所述参量构建模块包括:
获取单元,用于获取农作物群体的叶面积指数LAI和冠层叶绿素密度CCD;
计算单元,用于根据所述叶面积指数LAI和冠层叶绿素密度CCD计算用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量;
其中,所述遥感可估算长势参量包括第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2,其中:
CGMI1=LAI*CCD
CGMI1用于表征单位土地面积内的所有叶片面积上的叶绿素含量;
CGMI2用于表征单位叶片面积上的叶绿素含量。
优选地,所述评估模块包括:
阈值划分单元,用于对所述第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2进行具有空间尺度自适应能力的定量阈值划分;
数值散点图单元,用于根据所述定量阈值划分结果以所述CGMI1和CGMI2为坐标轴绘制数值散点图;
评估单元,用于根据落入所述数值散点图的所述CGMI1和CGMI2的数值对农作物群体长势进行评估。
(三)有益效果
本发明将农学知识与植被遥感响应机制相结合,构建满足农业生产需求,且能够综合定量表征农作物群体形态结构和群体生理活性的遥感可估算长势参量;采用数理统计知识探讨分析和定量描述农作物群体长势参量的多空间尺度分布形态与特征,制定具有空间尺度自适应能力的长势参量阈值划分策略,扩展定量阈值划分方法的空间尺度通用性和可移植性;从农作物群体形态特征和群体生理特征两方面出发,建立群体长势定量监测和分级评估体系,实现了综合定量分级农作物群体长势状况的有益效果。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1是本发明一种农作物群体长势多空间尺度自适应监测方法流程图;
图2是本发明实施例中农作物群体长势评估体系的示意图;
图3是本发明一种农作物群体长势多空间尺度自适应监测装置模块图。
具体实施方式
下面将结合附图对本发明的实施例进行详细描述。
本发明提出了一种农作物群体长势多空间尺度自适应监测方法及装置,能够适应基于多空间尺度遥感观测数据开展群体长势定量监测和分级评估的应用需求,且多尺度下的群体长势监测结果具有空间一致性,这是由于:在综合考量叶面积指数LAI(Leaf area index)对农作物群体形态结构的表征能力和冠层叶绿素密度CCD(CanopyChlorophyll Density)对农作物群体生理活性的表征能力的基础上,将农学知识与植被遥感响应机制相结合所构建的新型长势参量农作物长势监测指数CGMI(Crop Growth Monitoring Index),能够从群体结构特征和群体生理特征两方面出发,综合定量描述群体长势状况;依据数据统计分布直方图和正态/偏正态分布理论制定的长势参量阈值划分策略,在提高长势参量阈值划分准确性的同时,也有效地增强了阈值划分的空间尺度自适应能力;从农作物群体结构大小和群体生理活性强弱特性出发所构建的群体长势分级评估体系,能够定量监测群体长势状况及其空间分布形态和特征。
本发明实施例提出了一种农作物群体长势多空间尺度自适应监测方法,如图1所示,包括以下步骤:
S101监测农作物群体形态结构和群体生理活性的地表参量;
S102根据所述地表参量构建用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量;
S103根据所述遥感可估算长势参量对农作物群体长势进行评估。
优选地,所述监测农作物群体形态结构和群体生理活性的地表参量,具体包括:
监测农作物群体的叶面积指数LAI和冠层叶绿素密度CCD。
优选地,所述根据所述地表参量构建用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量,具体包括:
获取农作物群体的叶面积指数LAI和冠层叶绿素密度CCD;
根据所述叶面积指数LAI和冠层叶绿素密度CCD计算用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量,所述遥感可估算长势参量包括第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2,其中:
CGMI1=LAI*CCD
CGMI1用于表征单位土地面积内的所有叶片面积上的叶绿素含量,其数值范围的两个端点分别表征群体小、生理活性弱的农作物区和群体大、生理活性强的农作物区;
CGMI2用于表征单位叶片面积上的叶绿素含量,其数值范围的两个端点分别表征群体大、生理活性弱的农作物区和群体小、生理活性强的农作物区。
优选地,所述根据所述遥感可估算长势参量对农作物群体长势进行评估,具体包括:
对所述第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2进行具有空间尺度自适应能力的定量阈值划分;
根据所述定量阈值划分结果以所述CGMI1和CGMI2为坐标轴绘制数值散点图;
根据落入所述数值散点图的所述CGMI1和CGMI2的数值对农作物群体长势进行评估。
在上述2类农作物群体长势参量CGMI1和CGMI2构建的基础上,为开展群体长势多空间尺度自适应监测和定量分级评估,需首先制定具有空间尺度自适应能力的长势参量阈值划分策略,然后从群体形态结构和群体生理活性两个层次出发,建立定量描述农作物群体长势空间分布形态和特征的分级评估体系。
优选地,所述方法还包括:
当所述CGMI1和CGMI2的数值未落入所述数值散点图时,根据预设的农作物群体长势评估体系对农作物群体长势进行评估。
如图2所示,根据农作物群体长势参量CGMI1和CGMI2的阈值划分结果本实施例预先还制定了农作物群体长势评估体系。本实施例从群体形态结构和群体生理活性两个层次出发,将群体长势划分为9个等级:群体小、群体生理活性弱(CG1);群体小、群体生理活性适中(CG2);群体适中、群体生理活性弱(CG3);群体小、群体生理活性强(CG4);群体适中、群体生理活性适中(CG5);群体大、群体生理活性弱(CG6);群体适中、群体生理活性强(CG7);群体大、群体生理活性适中(CG8);群体大、群体生理活性强(CG9)。
本发明实施例提供的农作物群体长势评估体系可以实现节约肥料和保护环境,精准农业推行“变量施肥”,即要求一个区域不同地块间甚至一个地块内的不同位置,根据土壤肥力或作物长势,进行等级划分,以便投入不同的肥料,多需多补,少需少补,避免浪费。但是,等级划分过少,会降低变量带来增效;等级划分过多又会使作业麻烦而增加成本。因此,本发明实施例划分出9个等级为上限,具体决策时可根据实际情况再适当合并。例如对于小麦、大麦、水稻、玉米等禾谷类作物:(1)在营养生长为主的前中期,农业生产重点是培育壮苗,此时若土壤干旱则植株较小,茎杆较弱,若土壤水分过多则由于土壤缺氧,易造成植株变黄,生长延迟;若土壤养分供应不足则植株生理活性较弱,而供应过多则群体过大,透光性差,抑制生长;故为建立合理的群体结构,有效解决群体发展与个体发展的矛盾,提高肥水对群体构建的效率,需按CG1>CG2>CG3>CG4>CG5>CG6>CG7>CG8>CG9决策肥水用量,通过增加灌溉量,促进小群体的生长,通过增施肥料,改善生理活性较弱群体的营养状况;(2)在生殖生长为主的中后期,农业生产的重点是提高成穗率和结实率、防止早衰、提高粒重与增产,此时若土壤缺肥缺水则严重影响穗发育,若肥水过多则造成营养体过大,群体结构不良,光合产物减少,碳氮比例失调等,为协调营养生长与生殖生长,群体与个体关系,创造合理的群体结构和碳氮营养,改善光合条件,生产和积累较多的光合产物,需按CG1>CG3>CG2>CG4>CG6>CG5>CG8>CG7>CG9决策肥水用量,保证水肥供应充足,避免群体过大和防止早衰。
本发明实施例提出的一种农作物群体长势多空间尺度自适应监测方法,相对于以田间采样调查为基础的测土配方施肥技术而言,需要较少的人力、物力投入,时效性强,且可以同时获取宏观区域农作物群体观测信息,现势性好,能够更好地辅助开展田间肥水决策;实现了精准农业所需“处方图”从定性到定量的转化,并且兼顾了作物营养生长期与生殖生长期(将营养生长与生殖生长并进期也视为生殖生长期)特点,给予群体形态结构和群体生理活性两个层次不同的权重,能够大幅提高田间肥水决策准确度和效率。
优选地,所述对所述第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2进行具有空间尺度自适应能力的定量阈值划分,具体包括:
计算所述CGMI1的均值μ1和标准差σ1;
计算所述CGMI2的均值μ2和标准差σ2;
以μ1-σ1/2和μ1+σ1/2为所述CGMI1的划分阈值进行定量阈值划分;
以μ2-σ2/2和μ2+σ2/2为所述CGMI2的划分阈值进行定量阈值划分。
本实施例将第一农作物长势监测指数CGMI1的数值处于μ1-σ1/2和μ1+σ1/2的群体评估为群体适中、群体生理活性适中的农作物群体长势状况;第二农作物长势监测指数CGMI2的数值处于μ2-σ2/2和μ2+σ2/2的群体评估为群体适中、群体生理活性适中的农作物群体长势状况。
优选地,所述根据落入所述数值散点图的所述CGMI1和CGMI2的数值对农作物群体长势进行评估,具体包括:
计算落入所述数值散点图的所有数值散点的拟合直线:
若所述拟合直线与CGMI1轴的夹角小于预设角度,则判断所述数值散点归属于CGMI1轴上表征的农作物群体长势状况;
若所述拟合直线与CGMI2轴的夹角小于预设角度,则判断所述数值散点归属于CGMI2轴上表征的农作物群体长势状况。
本发明提出的阈值划分策略结合了数据统计分布直方图与正态/偏正态分布理论。
以CGMI1和CGMI2为坐标轴绘制数值散点图,判断数值点是否落入2个参量所表征的农作物群体大小和群体生理活性强弱特性不同的区域,若数值点落入此类区域,则本发明针对此类情形提出了斜率划分策略,即:计算落入此类区域的所有数值散点的拟合直线,若拟合直线与CGMI1轴的夹角小于30°则归于CGMI1轴上所属的农作物群体长势状况;若拟合直线与CGMI2轴的夹角小于30°则归于CGMI2轴上所属的农作物群体长势状况;否则属于两者的中间类别。其中,之所以选择以30°为拟合直线所属区域的判别阈值,是基于数据均分的原则。
本发明提出的技术方案在多空间尺度遥感定量监测和分级评估农作物群体长势方面,不仅具有空间尺度自适应监测能力,而且具有在不同地表复杂度的下垫面内应用的可移植性。分别以内蒙古海拉尔农垦拉布大林农牧场区(农田下垫面:集中连片的农田规模较大,空间分布较为均衡)和北京市顺义区和昌平区(城镇下垫面:集中连片的农田规模较小,空间分布不均衡)获取的春大麦和冬小麦多空间尺度遥感观测数据为信息源,开展农作物群体长势定量监测和分级评估数值实验,结果如下:
在内蒙古海拉尔农垦拉布大林农牧场研究区,本发明提出的技术方案展现了很好的遥感定量监测和分级评估农作物群体长势的空间一致性。基于ALOS-AVNIR2影像定量划分研究区群体长势等级包括:CG1(占33.69%)、CG5(占48.89%)、CG9(占17.42%),基于HJ1A-CCD2影像定量划分研究区群体长势等级包括:CG1(占32.93%)、CG5(占48.21%)、CG9(占18.86%),基于MOD09A1影像定量划分研究区群体长势等级包括:CG1(占29.75%)、CG5(占49.53%)、CG9(占20.72%);以基于10m空间分辨率ALOS-AVNIR2影像得到的群体长势等级划分结果为基准,定量对比分析可知,30m空间分辨率的HJ1A-CCD2影像定量划分CG1、CG5、CG9的正确比例分别为67.79%、76.90%、77.34%,500m空间分辨率的MOD09A1影像定量划分CG1、CG5、CG9的正确比例分别为35.77%、61.59%、54.73%。
2)在北京市顺义和昌平研究区,本发明提出的技术方案展现了较好的遥感定量监测和分级评估农作物群体长势的空间一致性。基于IKONOS-Multispectral影像定量划分研究区群体长势等级包括:CG1(占45.05%)、CG5(占33.42%)、CG9(占21.53%),基于HJ1B-CCD2影像定量划分研究区群体长势等级包括:CG4(占27.85%)、CG5(占35.17%)、CG6(占18.69%)、CG9(占18.29%),基于MOD09A1影像定量划分研究区群体长势等级包括:CG1(占4.17%)、CG2(占25.00%)、CG5(占50.69%)、CG9(占20.14%);以基于4m空间分辨率IKONOS-Multispectral影像得到的群体长势等级划分结果为基准,定量对比分析可知,30m空间分辨率的HJ1B-CCD2影像定量划分CG1、CG5、CG9的正确比例分别为0.00%、29.02%、69.11%,500m空间分辨率的MOD09A1影像定量划分CG1、CG5、CG9的正确比例分别为4.78%、50.61%、28.05%。
本发明实施例还提出了一种农作物群体长势多空间尺度自适应监测装置,如图3所示,包括:
监测模块1、参量构建模块2和评估模块3;
监测模块1,用于监测农作物群体形态结构和群体生理活性的地表参量;
参量构建模块2,用于根据所述地表参量构建用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量;
评估模块3,用于根据所述遥感可估算长势参量对农作物群体长势进行评估。
优选地,所述参量构建模块2包括:
获取单元,用于获取农作物群体的叶面积指数LAI和冠层叶绿素密度CCD;
计算单元,用于根据所述叶面积指数LAI和冠层叶绿素密度CCD计算用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量;
其中,所述遥感可估算长势参量包括第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2,其中:
CGMI1=LAI*CCD
CGMI1用于表征单位土地面积内的所有叶片面积上的叶绿素含量,其数值范围的两个端点分别表征群体小、生理活性弱的农作物区和群体大、生理活性强的农作物区;
CGMI2用于表征单位叶片面积上的叶绿素含量,其数值范围的两个端点分别表征群体大、生理活性弱的农作物区和群体小、生理活性强的农作物区。
优选地,所述评估模块3包括:
阈值划分单元,用于对所述第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2进行具有空间尺度自适应能力的定量阈值划分;
数值散点图单元,用于根据所述定量阈值划分结果以所述CGMI1和CGMI2为坐标轴绘制数值散点图;
评估单元,用于根据落入所述数值散点图的所述CGMI1和CGMI2的数值对农作物群体长势进行评估。
通过采用本发明提供的一种农作物群体长势多空间尺度自适应监测方法及装置,将农学知识与植被遥感响应机制相结合,构建满足农业生产需求,且能够综合定量表征农作物群体形态结构和群体生理活性的遥感可估算长势参量;采用数理统计知识探讨分析和定量描述农作物群体长势参量的多空间尺度分布形态与特征,制定具有空间尺度自适应能力的长势参量阈值划分策略,扩展定量阈值划分方法的空间尺度通用性和可移植性;从农作物群体形态特征和群体生理特征两方面出发,建立群体长势定量监测和分级评估体系,实现了综合定量分级农作物群体长势状况的有益效果。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种农作物群体长势多空间尺度自适应监测方法及装置,其特征在于,包括以下步骤:
监测农作物群体形态结构和群体生理活性的地表参量;
根据所述地表参量构建用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量;
根据所述遥感可估算长势参量对农作物群体长势进行评估。
2.根据权利要求1所述的方法,其特征在于,所述监测农作物群体形态结构和群体生理活性的地表参量,具体包括:
监测农作物群体的叶面积指数LAI和冠层叶绿素密度CCD。
3.根据权利要求2所述的方法,其特征在于,所述根据所述地表参量构建用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量,具体包括:
获取农作物群体的叶面积指数LAI和冠层叶绿素密度CCD;
根据所述叶面积指数LAI和冠层叶绿素密度CCD计算用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量,所述遥感可估算长势参量包括第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2,其中:
CGMI1=LAI*CCD
CGMI1用于表征单位土地面积内的所有叶片面积上的叶绿素含量;
CGMI2用于表征单位叶片面积上的叶绿素含量。
4.根据权利要求3所述的方法,其特征在于,所述根据所述遥感可估算长势参量对农作物群体长势进行评估,具体包括:
对所述第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2进行具有空间尺度自适应能力的定量阈值划分;
根据所述定量阈值划分结果以所述CGMI1和CGMI2为坐标轴绘制数值散点图;
根据落入所述数值散点图的所述CGMI1和CGMI2的数值对农作物群体长势进行评估。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
当所述CGMI1和CGMI2的数值未落入所述数值散点图时,根据预设的农作物群体长势评估体系对农作物群体长势进行评估。
6.根据权利要求4所述的方法,其特征在于,所述对所述第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2进行具有空间尺度自适应能力的定量阈值划分,具体包括:
计算所述CGMI1的均值μ1和标准差σ1;
计算所述CGMI2的均值μ2和标准差σ2;
以μ1-σ1/2和μ1+σ1/2为所述CGMI1的划分阈值进行定量阈值划分;
以μ2-σ2/2和μ2+σ2/2为所述CGMI2的划分阈值进行定量阈值划分。
7.根据权利要求4所述的方法,其特征在于,所述根据落入所述数值散点图的所述CGMI1和CGMI2的数值对农作物群体长势进行评估,具体包括:
计算落入所述数值散点图的所有数值散点的拟合直线:
若所述拟合直线与CGMI1轴的夹角小于预设角度,则判断所述数值散点归属于CGMI1轴上表征的农作物群体长势状况;
若所述拟合直线与CGMI2轴的夹角小于预设角度,则判断所述数值散点归属于CGMI2轴上表征的农作物群体长势状况。
8.一种农作物群体长势多空间尺度自适应监测装置,其特征在于,包括:监测模块、参量构建模块和评估模块;
监测模块,用于监测农作物群体形态结构和群体生理活性的地表参量;
参量构建模块,用于根据所述地表参量构建用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量;
评估模块,用于根据所述遥感可估算长势参量对农作物群体长势进行评估。
9.根据权利要求8所述的装置,其特征在于,所述参量构建模块包括:
获取单元,用于获取农作物群体的叶面积指数LAI和冠层叶绿素密度CCD;
计算单元,用于根据所述叶面积指数LAI和冠层叶绿素密度CCD计算用于综合定量表征所述农作物群体形态结构和群体生理活性的遥感可估算长势参量;
其中,所述遥感可估算长势参量包括第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2,其中:
CGMI1=LAI*CCD
CGMI1用于表征单位土地面积内的所有叶片面积上的叶绿素含量;
CGMI2用于表征单位叶片面积上的叶绿素含量。
10.根据权利要8所述的装置,其特征在于,所述评估模块包括:
阈值划分单元,用于对所述第一农作物长势监测指数CGMI1和第二农作物长势监测指数CGMI2进行具有空间尺度自适应能力的定量阈值划分;
数值散点图单元,用于根据所述定量阈值划分结果以所述CGMI1和CGMI2为坐标轴绘制数值散点图;
评估单元,用于根据落入所述数值散点图的所述CGMI1和CGMI2的数值对农作物群体长势进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060106.0A CN103839184A (zh) | 2014-02-21 | 2014-02-21 | 一种农作物群体长势多空间尺度自适应监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060106.0A CN103839184A (zh) | 2014-02-21 | 2014-02-21 | 一种农作物群体长势多空间尺度自适应监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103839184A true CN103839184A (zh) | 2014-06-04 |
Family
ID=50802656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410060106.0A Pending CN103839184A (zh) | 2014-02-21 | 2014-02-21 | 一种农作物群体长势多空间尺度自适应监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103839184A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766135A (zh) * | 2015-03-25 | 2015-07-08 | 中国农业科学院农业信息研究所 | 一种预测农作物产量的方法、装置及系统 |
CN107609695A (zh) * | 2017-09-04 | 2018-01-19 | 北京信德智图科技有限公司 | 基于可调植被指数的作物产量遥感估算方法 |
CN108038087A (zh) * | 2017-12-29 | 2018-05-15 | 浙江省公众信息产业有限公司 | 水肥灌溉决策方法、装置和系统、计算机可读存储介质 |
CN108318071A (zh) * | 2017-12-26 | 2018-07-24 | 潘荣兰 | 一种监测准确的农作物生长监测系统 |
CN109948535A (zh) * | 2019-03-19 | 2019-06-28 | 广东省农业科学院农业生物基因研究中心 | 一种作物种子生产主要生育期肥水条件的智慧监控方法 |
CN114757326A (zh) * | 2021-06-22 | 2022-07-15 | 布瑞克农业大数据科技集团有限公司 | 一种基于人工智能确定农场作物施肥配方的方法和系统 |
CN115015258A (zh) * | 2022-07-21 | 2022-09-06 | 中国科学院西北生态环境资源研究院 | 一种农作物长势与土壤水分关联确定方法及相关装置 |
-
2014
- 2014-02-21 CN CN201410060106.0A patent/CN103839184A/zh active Pending
Non-Patent Citations (1)
Title |
---|
董莹莹: "《农作物群体长势遥感监测及长势参量空间尺度问题研究》", 《万方数据知识服务平台 学位论文》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766135A (zh) * | 2015-03-25 | 2015-07-08 | 中国农业科学院农业信息研究所 | 一种预测农作物产量的方法、装置及系统 |
CN107609695A (zh) * | 2017-09-04 | 2018-01-19 | 北京信德智图科技有限公司 | 基于可调植被指数的作物产量遥感估算方法 |
CN107609695B (zh) * | 2017-09-04 | 2018-10-23 | 北京信德智图科技有限公司 | 基于可调植被指数的作物产量遥感估算方法 |
CN108318071A (zh) * | 2017-12-26 | 2018-07-24 | 潘荣兰 | 一种监测准确的农作物生长监测系统 |
CN108038087A (zh) * | 2017-12-29 | 2018-05-15 | 浙江省公众信息产业有限公司 | 水肥灌溉决策方法、装置和系统、计算机可读存储介质 |
CN108038087B (zh) * | 2017-12-29 | 2021-02-02 | 浙江省公众信息产业有限公司 | 水肥灌溉决策方法、装置和系统、计算机可读存储介质 |
CN109948535A (zh) * | 2019-03-19 | 2019-06-28 | 广东省农业科学院农业生物基因研究中心 | 一种作物种子生产主要生育期肥水条件的智慧监控方法 |
CN114757326A (zh) * | 2021-06-22 | 2022-07-15 | 布瑞克农业大数据科技集团有限公司 | 一种基于人工智能确定农场作物施肥配方的方法和系统 |
CN114757326B (zh) * | 2021-06-22 | 2023-04-07 | 布瑞克农业大数据科技集团有限公司 | 一种基于人工智能确定农场作物施肥配方的方法和系统 |
CN115015258A (zh) * | 2022-07-21 | 2022-09-06 | 中国科学院西北生态环境资源研究院 | 一种农作物长势与土壤水分关联确定方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103839184A (zh) | 一种农作物群体长势多空间尺度自适应监测方法及装置 | |
Chen et al. | Spatial and temporal changes of soil properties and soil fertility evaluation in a large grain-production area of subtropical plain, China | |
Xu et al. | Nutrient requirements for maize in China based on QUEFTS analysis | |
Hedley | The role of precision agriculture for improved nutrient management on farms | |
Ullrich et al. | Application of the Soil and Water Assessment Tool (SWAT) to predict the impact of alternative management practices on water quality and quantity | |
Granatstein et al. | The need for a soil quality index: local and regional perspectives | |
Xu et al. | Estimating nutrient uptake requirements for rice in China | |
Götze et al. | Environmental impacts of different crop rotations in terms of soil compaction | |
CN107392376A (zh) | 一种农作物气象产量预测方法及系统 | |
Maraseni et al. | Integrated analysis for a carbon-and water-constrained future: an assessment of drip irrigation in a lettuce production system in eastern Australia | |
Bu et al. | Attainable yield achieved for plastic film-mulched maize in response to nitrogen deficit | |
CN109197437A (zh) | 一种寒地半干旱区玉米大垄双行膜下滴灌的水肥高效调控方法 | |
Zhou et al. | Arable land use intensity change in China from 1985 to 2005: evidence from integrated cropping systems and agro economic analysis | |
Seidel et al. | Simulating root growth as a function of soil strength and yield with a field-scale crop model coupled with a 3D architectural root model | |
Longchamps et al. | Improving N use efficiency by integrating soil and crop properties for variable rate N management | |
Billen et al. | Carbon sequestration in soils of SW-Germany as affected by agricultural management—calibration of the EPIC model for regional simulations | |
Svoboda et al. | Ecological efficiency of maize-based cropping systems for biogas production | |
Singh et al. | Spatial variation in level of agricultural development in Bulandshahr district of western Uttar Pradesh (India) | |
Barbanti et al. | Assessing wheat spatial variation based on proximal and remote spectral vegetation indices and soil properties | |
Gundoshmian et al. | Energy use pattern in production of Sugar Beet in west Azerbaijan province of Iran | |
CN113762631B (zh) | 一种基于产量反应和土壤肥力的设施黄瓜专用肥配肥及其推荐施用方法 | |
Yang et al. | Analysis of black soil compaction with driver-agricultural machinery-soil system under corn sowing with high-power tractor in Northeast China | |
de Campos Bernardi et al. | Mapeamento de produtividade, retorno econômico, condutividade elétrica do solo e zonas de manejo de milho irrigado para silagem | |
CN117973921A (zh) | 一种农业管理方法及系统 | |
PICHURA et al. | THE INFLUENCE OF GROWTH-REGULATING AGENTS ON THE YIELD OF SUNFLOWER HYBRIDS IN THE STEPPE ZONE OF UKRAINE: ANALYSIS AND FORECAST |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140604 |