CN103971199B - 一种大范围农作物长势的遥感评级方法 - Google Patents
一种大范围农作物长势的遥感评级方法 Download PDFInfo
- Publication number
- CN103971199B CN103971199B CN201410140447.9A CN201410140447A CN103971199B CN 103971199 B CN103971199 B CN 103971199B CN 201410140447 A CN201410140447 A CN 201410140447A CN 103971199 B CN103971199 B CN 103971199B
- Authority
- CN
- China
- Prior art keywords
- sequential
- evi
- data
- evi data
- 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.)
- Active
Links
Abstract
本发明公开了一种大范围农作物长势的遥感评级方法,其包括:A、获取评价年份的时序分辨率成像光谱仪MODIS数据,所述MODIS数据包含有质量评价信息,并进行预处理获取时序增强植被指数EVI数据;B、修正时序EVI数据;C、获取对比年份的时序EVI数据,并将其与修正后的时序EVI数据进行相似度分析,找到长势评价的基准时序EVI数据;D、根据基准时序EVI数据,分级评价评价年份指定期数的时序EVI数据。本发明能够适应大范围、复杂种植制度的作物长势监测要求,相对于传统简单的历史同期对比法,能够有效的避免农作物物候变化和农作物种植结构变化的影响。
Description
技术领域
本发明涉及遥感图像处理技术领域,具体涉及一种大范围农作物长势的遥感评级方法。
背景技术
农作物关系到国计民生,在农作物生长期内尽早掌握农作物生长形势在一定情况下比精确估计作物种植面积和总产量本身还重要。
而遥感技术因其获取地表信息速度快、覆盖范围广、周期短、实时性强等特点,故常应用于大范围农作物长势监测中。但开展大范围的农作物长势监测必须解决3个问题:(1)精度问题。一些方法在小范围内进行实验可达到理想的高精度,但在大范围应用时精度难以保证。(2)速度与效率问题。在全球范围内多种农作物的耕种与收获季节分布于全年的各个月份,且密度频繁。为达到实时监测的目的,长势监测方法必须满足速度快、效率高的要求,因此,一些适合在小区域应用的精确处理方法不适应大范围内运行的要求。(3)成本问题。一些在小范围试验的成功方法推广到全球范围时因成本太高而不实用。
基于遥感技术的作物长势评价方法主要分为定性和定量两种类型。定量方法一般用于作物的个体长势评价,如吴炳方等基于MERIS数据反演出作物的冠层氮素浓度,从而对农作物的个体长势作出定量评价。然而定量方法由于不够直观,且本身概念上也存在较多不确定性,因此在实际应用中多以定性或半定量的方法来进行长势评价。目前,包括北美、欧洲、以及我国的气象局、农业部等都采用定性的长势监测方法。
目前,进行农作物长势评价最常用、也是最具操作性的方法是历史同期对比的方法,即利用实时遥感数据与历史同期进行对比,并按对比结果进行长势的评级。但这种方法存在以下缺陷:(1)并未考虑作物物候变化的影响。由于受不同年份气象条件不同的影响,作物的生长期可能有较大差距,那么进行历年同期数据对比便存在较大的不合理性。(2)目前作物长势分等定级没有统一标准,且缺少对分级标准的研究,导致不同机构得出不同的长势分级结果。
发明内容
有鉴于此,本发明要解决的技术问题在于提供一种大范围农作物长势的遥感评级方法,可避免农作物物候变化和农作物种植结构变化额影响。
为解决上述技术问题,本发明的技术方案是这样实现的:
一种大范围农作物长势的遥感评级方法,其包括:
A、获取评价年份的时序分辨率成像光谱仪MODIS数据,所述MODIS数据包含有质量评价信息,并进行预处理获取时序增强植被指数EVI数据;
B、修正时序EVI数据;
C、获取对比年份的时序EVI数据,并将其与修正后的时序EVI数据进行相似度分析,找到长势评价的基准时序EVI数据;
D、根据基准时序EVI数据,分级评价评价年份指定期数的时序EVI数据。
作为优选方案,所述步骤A中的时序MODIS数据为由地表反射率获取的数据或植被指数。
作为优选方案,当时序MODIS数据为由地表反射率获取的数据时,
正常地区:增强植被指数
云、雪覆盖的地区:增强植被指数
其中,G、L、C1、C2为参数,ρnir表示近红外波段地表反射率,ρred表示红光波段地表反射率,ρblue表示蓝光波段地表反射率。
作为优选方案,参数G取值为2.5,L取值为1.0,C1取值为6,C2取值为7.5。
作为优选方案,质量评价信息包括可靠性的参数及有效性的参数。
作为优选方案,步骤B包括:
B1、计算时序EVI数据的质量权重Wqa和距离权重Wdis:其中,
在可靠性为0时,Wqa=1;在可靠性为1时,Wqa=1—有效性×0.1;在可靠性为2时,Wqa=0.1;在可靠性为3时,Wqa=0;
距离权重其中dis表示为当前中心时序EVI数据与周边时序EVI数据的间隔期数;
B2、根据时序EVI的权重,修正时序EVI数据:其中,
若当前时序EVI数据的质量权重Wqa=1,则EVI不变;
若当前时序EVI数据的质量权重Wqa<1,则根据公式:综合权重W=Wqa×Wdis,以当前时序EVI数据为中心,计算在设定范围内的n个时序EVI数据相对于当前时序EVI数据的综合权重;根据综合权重W和公式:修正后的计算EVI的数据,其中,其中N≥1,EVIi表示以当前EVI为中心的第i个时序的数据,Wi表示EVIi数据对应的综合权重;
B3、绘制修正后的EVI数据遥感示意图。
作为优选方案,步骤C包括:
C1、选取评价年份的多期遥感图像的同一指定像元,则获得一关于时序EVI数据的矢量,并同时取以该像元为中心的n×n窗口内共n2个EVI时序数据,即获得n2个EVI数据的矢量,其中,n>1;
C2、根据步骤C1,获取对比年份的时序EVI数据的矢量;
C3、根据公式:计算指定的时序EVI数据的矢量与对比年份的时序EVI数据的矢量之间的距离Li;
其中,sevik表示指定的时序EVI数据的矢量中的第k个元素,bevik表示对比年份中第i个时序EVI数据的矢量中的第k个的元素,m表示矢量元素的个数;
C4、根据一设置阈值,滤除距离大于设定阈值的矢量,得到长势评价的基准时序EVI。
作为优选方案,所述设置阈值为0.8~1。
作为优选方案,步骤D包括:
D1、抽取与评价年份指定期数相应的基准时序EVI数据组;
D2、计算抽取的基准时序EVI数据组的均值Mean和标准差SD;
D3、根据均值Mean和标准差SD,对评价年份指定期数的农作物长势分级:
当该评价年份指定期数的农作物长势时序EVI数据大于(Mean+2×SD)时为一级;
当该评价年份指定期数的农作物长势时序EVI数据大于(Mean+SD),小于(Mean+2×SD)时,为二级;
当该评价年份指定期数的农作物长势时序EVI数据大于(Mean-SD),小于(Mean+SD)时,为三级;
当该评价年份指定期数的农作物长势时序EVI数据大于(Mean-2×SD),小于(Mean-SD)时,为四级;
当该评价年份指定期数的农作物长势时序EVI数据小于(Mean-2×SD)时为五级。
作为优选方案,所述三级为农作物正常长势标准。
本发明达到的技术效果如下:
1、本发明能够适应大范围、复杂种植制度的作物长势监测要求,相对于传统简单的历史同期对比法,能够有效的避免农作物物候变化和农作物种植结构变化的影响。
2、本发明采用均值、标准差作为长势分级的标准,相对与传统的分级方法更具科学性。
3、本发明充分利用了遥感技术可以在大范围内以像元为单位反应作物的生长状况,降低了监测成本,同时提高了监测结果的客观性。
附图说明
图1为本发明大范围农作物长势的遥感评级方法的流程图;
图2为修正后的EVI数据遥感示意图。
具体实施方式
如图1所示,本发明大范围农作物长势的遥感评级方法包括:
步骤100:获取时序MODIS数据,所述MODIS数据包括质量评价参数,并进行预处理获取时序增强植被指数EVI数据。
其中,本发明主要采用中分辨率成像光谱仪(Moderate-resolution ImagingSpectral Imager,简称MODIS)数据,作为基础数据。
本发明采用增强植被指数(Enhanced Vegetation Index,EVI)作为长势评价基础。时序MODIS数据为由地表反射率(MOD09)获取的数据或植被指数(MOD13)。
当时序MODIS数据为由地表反射率获取的数据时,EVI的计算公式分为两种:
正常地区,增强植被指数
云、雪覆盖的地区:增强植被指数
其中,G、L、C1、C2为参数,ρnir表示近红外波段地表反射率,ρred表示红光波段地表反射率,ρblue表示蓝光波段地表反射率。一般情况下,参数G取值为2.5,L取值为1.0,C1取值为6,C2取值为7.5。
在获取时序EVI数据的同时,还应当获取其相应的质量评价参数,其中质量评价信息包含在时序MODIS数据集中,一般包含云量、云阴影、气溶胶厚度、成像角度、可靠性的参数、有效性的参数以及综合评价等一系列指标。
步骤200:修正时序EVI数据。
时序EVI数据有时容易受云等因素的影响,导致EVI值常出现明显的异常值,导致长势评价的结果受到较大影响。因此,必须过滤云等干扰因素的影响,同时最大可能的保留原有效数值。
本发明采用一种类似于加权移动平均算法的方法对时序EVI曲线进行平滑,其具体实现步骤为:
步骤201:计算时序EVI数据的质量权重Wqa和距离权重Wdis。
其中,质量权重Wqa是基于数据的质量评价信息计算得到的,如下表所示,以MOD13为例,本发明质量权重Wqa计算方法为:
可靠性 | Wqa | 备注 |
0 | 1 | 质量好的 |
1 | 1.0-有用性×0.1 | 质量较好,但略有瑕疵 |
2 | 0.1 | 冰雪覆盖的 |
3 | 0 | 有云的 |
其中,可靠性(Reliability)、有用性(Usefulness)均是MOD13数据的质量评价信息,能够直接从数据中读取得到。
距离权重Wdis主要利用时序EVI中,相邻时间段的EVI的相关性较高,而且时间上离得越近的相关性越高。距离权重与具体的时序位置有关,假设一个时序EVI序列{evi1,evi2,evi3,..,evin}中一个evii,则其附近的点数的距离权重为:其中dis表示为当前中心时序EVI数据与周边时序EVI数据的间隔期数。
步骤202:根据时序EVI的权重,修正时序EVI数据。
若当前时序EVI数据的质量权重Wqa=1,则EVI不变;
若当前时序EVI数据的质量权重Wqa<1,则根据公式:综合权重W=Wqa×Wdis,以当前时序EVI数据为中心,计算在设定范围内的n个时序EVI数据相对于当前时序EVI数据的综合权重;根据综合权重W和公式:修正后的计算EVI的数据,其中N≥1,EVIi表示以当前EVI为中心的第i个时序的数据,Wi表示EVIi数据对应的权重。
步骤203:绘制修正后的EVI数据遥感示意图。
如图2所示为修正后的EVI数据遥感示意图。
步骤300:获取对比年份的时序EVI数据,并将其与修正后的时序EVI数据进行相似度分析,找到长势评价的基准时序EVI数据。
对农作物的长势评价需要将评价年份的农作物生长状况与对比年份的同期进行对比,才能得到较可靠的农作物生长。但由于历年的同一块地区可能种植了不同的作物,或种植同一种作物但物候不同,这导致每一年的EVI时序曲线都有较大差别。因此,需要找出对比年份与本年种植制度差距较小的年份来进行对比,去掉哪些明显与评价年份种植制度不一样的年份。
具体步骤包括:
步骤301:选取评价年份的多期遥感图像的同一指定像元,则获得一关于时序EVI数据的矢量,并同时取以该像元为中心的n×n窗口内共n2个EVI时序数据,即获得n2个EVI数据的矢量,其中,n>1。
例如,评价年份以2013年、采集期数以18期,窗口以3×3,指定像元为[2,3](即修正后的EVI数据遥感示意图中第2行,第3列的数据)为例,则获取的是1~18期中修正后的EVI数据遥感示意图中的[2,3]的全部数据,形成一关于时序EVI数据的矢量,该矢量中有18个元素。并获取以该像元为中心的3×3窗口内的共9个EVI时序数据,即获得9个EVI数据的矢量。
步骤302:根据步骤301,获取对比年份的时序EVI数据的矢量;
对比年份以2003~2012(10年)为例,则按照步骤301,共获取90个时序EVI数据的矢量。
步骤303:根据公式:计算指定的时序EVI数据的矢量与对比年份的时序EVI数据的矢量之间的距离。
其中,Li表示指定的时序EVI数据的矢量与对比年份的时序EVI数据的矢量之间的距离;sevik表示指定的时序EVI数据的矢量第k个元素,bevik表示对比年份中第i个时序EVI数据的矢量第k的元素,m表示矢量元素的个数。
步骤304:根据一设置阈值,滤除距离大于设定阈值的矢量,得到长势评价的基准时序EVI。
其中,设定阈值为0.8~1,但并不以此为限,可以根据需要设置。
步骤400:根据基准时序EVI数据,分级评价评价年份指定期数的时序EVI数据。
具体包括:
步骤401:抽取与评价年份指定期数相应的基准时序EVI数据组。
例如,评价年份中指定期数为第18期,则从所有基准时序EVI数据中抽取第18期的时序EVI数据,获得一基准时序EVI数据组。
步骤402:计算抽取的基准时序EVI数据组的均值Mean和标准差SD。
步骤403:根据均值Mean和标准差SD,对评价年份指定期数的农作物长势分级:
当该评价年份指定期数的农作物长势时序EVI数据大于(Mean+2×SD)时为一级(农作物长势特别好);
当该评价年份指定期数的农作物长势时序EVI数据大于(Mean+SD),小于(Mean+2×SD)时,为二级(农作物长势较好);
当该评价年份指定期数的农作物长势时序EVI数据大于(Mean-SD),小于(Mean+SD)时,为三级(农作物长势正常);
当该评价年份指定期数的农作物长势时序EVI数据大于(Mean-2×SD),小于(Mean-SD)时,为四级(农作物长势较差);
当该评价年份指定期数的农作物长势时序EVI数据小于(Mean-2×SD)时为五级(农作物长势特别差)。
本发明充分利用了遥感技术可以在大范围内以像元为单位反应作物的生长状况,降低了监测成本,同时提高了监测结果的客观性。能够适应大范围、复杂种植制度的作物长势监测要求,相对于传统简单的历史同期对比法,能够有效的避免农作物物候变化和农作物种植结构变化的影响。采用均值、标准差作为长势分级的标准,相对与传统的分级方法更具科学性。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (5)
1.一种大范围农作物长势的遥感评级方法,其特征在于,其包括:
A、获取评价年份的时序分辨率成像光谱仪MODIS数据,所述MODIS数据包含有质量评价信息,并进行预处理获取时序增强植被指数EVI数据;
B、修正时序EVI数据;
C、获取对比年份的时序EVI数据,并将其与修正后的时序EVI数据进行相似度分析,找到长势评价的基准时序EVI数据;
D、根据基准时序EVI数据,分级评价评价年份指定期数的时序EVI数据;
所述步骤A中的时序MODIS数据为由地表反射率获取的数据或植被指数;
当时序MODIS数据为由地表反射率获取的数据时,
正常地区:增强植被指数
云、雪覆盖的地区:增强植被指数
其中,G、L、C1、C2为参数,ρnir表示近红外波段地表反射率,ρred表示红光波段地表反射率,ρblue表示蓝光波段地表反射率;
参数G取值为2.5,L取值为1.0,C1取值为6,C2取值为7.5;
质量评价信息包括可靠性的参数及有效性的参数;
步骤B包括:
B1、计算时序EVI数据的质量权重Wqa和距离权重Wdis:其中,
在可靠性为0时,Wqa=1;在可靠性为1时,Wqa=1—有效性×0.1;在可靠性为2时,Wqa=0.1;在可靠性为3时,Wqa=0;
距离权重其中dis表示为当前中心时序EVI数据与周边时序EVI数据的间隔期数;
B2、修正时序EVI数据:其中,
若当前时序EVI数据的质量权重Wqa=1,则EVI不变;
若当前时序EVI数据的质量权重Wqa<1,则根据公式:综合权重W=Wqa×Wdis,以当前时序EVI数据为中心,计算在设定范围内的n个时序EVI数据相对于当前时序EVI数据的综合权重;根据综合权重W和公式:修正后的计算EVI的数据,其中,n≥1,EVIi表示以当前EVI为中心的第i个时序的数据,Wi表示EVIi数据对应的综合权重;
B3、绘制修正后的EVI数据遥感示意图。
2.根据权利要求1所述的大范围农作物长势的遥感评级方法,其特征在于,步骤C包括:
C1、选取评价年份的多期遥感图像的同一指定像元,则获得一关于时序EVI数据的矢量,并同时取以该像元为中心的n×n窗口内共n2个EVI时序数据,即获得n2个EVI数据的矢量,其中,n>1;
C2、根据步骤C1,获取对比年份的时序EVI数据的矢量;
C3、根据公式:计算指定的时序EVI数据的矢量与对比年份的时序EVI数据的矢量之间的距离Li;
其中,sevik表示指定的时序EVI数据的矢量中的第k个元素,beviik表示对比年份中第i个时序EVI数据的矢量中的第k个的元素,m表示矢量元素的个数;
C4、根据一设置阈值,滤除距离大于设定阈值的矢量,得到长势评价的基准时序EVI。
3.根据权利要求2所述的大范围农作物长势的遥感评级方法,其特征在于,所述设置阈值为0.8~1。
4.根据权利要求3所述的大范围农作物长势的遥感评级方法,其特征在于,步骤D包括:
D1、抽取与评价年份指定期数相应的基准时序EVI数据组;
D2、计算抽取的基准时序EVI数据组的均值Mean和标准差SD;
D3、根据均值Mean和标准差SD,对评价年份指定期数的农作物长势分级:
当该评价年份指定期数的农作物长势时序EVI数据大于(Mean+2×SD)时为一级;
当该评价年份指定期数的农作物长势时序EVI数据大于(Mean+SD),小于(Mean+2×SD)时,为二级;
当该评价年份指定期数的农作物长势时序EVI数据大于(Mean-SD),小于(Mean+SD)时,为三级;
当该评价年份指定期数的农作物长势时序EVI数据大于(Mean-2×SD),小于(Mean-SD)时,为四级;
当该评价年份指定期数的农作物长势时序EVI数据小于(Mean-2×SD)时为五级。
5.根据权利要求4所述的大范围农作物长势的遥感评级方法,其特征在于,所述三级为农作物正常长势标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410140447.9A CN103971199B (zh) | 2014-04-08 | 2014-04-08 | 一种大范围农作物长势的遥感评级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410140447.9A CN103971199B (zh) | 2014-04-08 | 2014-04-08 | 一种大范围农作物长势的遥感评级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103971199A CN103971199A (zh) | 2014-08-06 |
CN103971199B true CN103971199B (zh) | 2017-09-05 |
Family
ID=51240662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410140447.9A Active CN103971199B (zh) | 2014-04-08 | 2014-04-08 | 一种大范围农作物长势的遥感评级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103971199B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104833637B (zh) * | 2015-04-17 | 2018-04-10 | 中国科学院遥感与数字地球研究所 | 基于植被指数时谱数据的蓝藻水华监测方法及装置 |
CN106295096B (zh) * | 2015-05-18 | 2020-04-14 | 中国科学院遥感与数字地球研究所 | 一种对遥感数据进行观测质量分级的方法 |
CN111095339A (zh) * | 2017-09-01 | 2020-05-01 | 柯尼卡美能达株式会社 | 作物栽培支持装置 |
CN109211791B (zh) * | 2018-08-10 | 2020-09-22 | 北京观微科技有限公司 | 作物长势监测方法及系统 |
CN110487793A (zh) * | 2019-08-29 | 2019-11-22 | 北京麦飞科技有限公司 | 病虫害时间动态分布监测方法及系统 |
CN112270501B (zh) * | 2020-11-17 | 2021-11-02 | 深圳市兆航物流有限公司 | 一种基于SaaS的供应链物流云系统 |
CN115511224B (zh) * | 2022-11-11 | 2023-04-07 | 中国农业科学院农业资源与农业区划研究所 | 天地一体化的作物长势智能监测方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090003034A (ko) * | 2006-11-23 | 2009-01-09 | 한국전자통신연구원 | 정보 자산 식별 및 평가 방법 |
CN103335953A (zh) * | 2013-06-04 | 2013-10-02 | 中国科学院遥感与数字地球研究所 | 一种个体与群体特征相结合的农作物长势遥感评价方法 |
-
2014
- 2014-04-08 CN CN201410140447.9A patent/CN103971199B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090003034A (ko) * | 2006-11-23 | 2009-01-09 | 한국전자통신연구원 | 정보 자산 식별 및 평가 방법 |
CN103335953A (zh) * | 2013-06-04 | 2013-10-02 | 中国科学院遥感与数字地球研究所 | 一种个体与群体特征相结合的农作物长势遥感评价方法 |
Non-Patent Citations (2)
Title |
---|
MODIS时序数据在县级尺度作物长势监测分析中的应用;于堃等;《江苏农业学报》;20131231;第29卷(第06期);第1278-1290页 * |
基于时序MODIS-EVI监测华中地区耕地复种指数;王立辉等;《长江流域资源与环境》;20100531;第19卷(第05期);第530-531页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103971199A (zh) | 2014-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103971199B (zh) | 一种大范围农作物长势的遥感评级方法 | |
CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
CN109345555B (zh) | 基于多时相多源遥感数据进行水稻识别的方法 | |
CN108985260A (zh) | 一种遥感及气象一体化水稻估产方法 | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN104457626B (zh) | 一种基于激光雷达点云技术的植物叶面积指数测定方法 | |
CN109726698B (zh) | 基于遥感数据进行季度灌溉面积识别的方法 | |
Sakamoto et al. | Detecting spatiotemporal changes of corn developmental stages in the US corn belt using MODIS WDRVI data | |
Lin et al. | Monitoring of winter wheat distribution and phenological phases based on MODIS time-series: A case study in the Yellow River Delta, China | |
Meng et al. | Corn yield forecasting in northeast china using remotely sensed spectral indices and crop phenology metrics | |
CN104199027B (zh) | 基于紧致极化雷达大面积近实时监测水稻物候期的方法 | |
CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN103699803A (zh) | 一种基于多光谱遥感信息的区域作物养分管理方法 | |
CN111368736A (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
Wu et al. | Characterizing spatial patterns of phenology in cropland of China based on remotely sensed data | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
CN116824384A (zh) | 一种基于标准曲线的大豆识别方法 | |
CN112906537A (zh) | 一种基于卷积神经网络的农作物识别方法及系统 | |
Sabzchi-Dehkharghani et al. | Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
Zhao et al. | Detection and mapping of hail damage to corn using domestic remotely sensed data in China | |
Ya et al. | Development of rice growth map using the advanced remote sensing techniques | |
Chu et al. | Phenology detection of winter wheat in the Yellow River delta using MODIS NDVI time-series data | |
Chu et al. | Estimation of winter wheat phenology under the influence of cumulative temperature and soil salinity in the Yellow River Delta, China, using MODIS time-series data | |
Barnetson et al. | Assessing Landsat fractional ground-cover time series across Australia’s arid rangelands: separating grazing impacts from climate variability |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |