CN104266982B - 一种大面积虫害量化监测系统 - Google Patents
一种大面积虫害量化监测系统 Download PDFInfo
- Publication number
- CN104266982B CN104266982B CN201410448644.7A CN201410448644A CN104266982B CN 104266982 B CN104266982 B CN 104266982B CN 201410448644 A CN201410448644 A CN 201410448644A CN 104266982 B CN104266982 B CN 104266982B
- Authority
- CN
- China
- Prior art keywords
- pixel points
- insect pest
- sampling
- unit
- quantifies
- 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)
- Catching Or Destruction (AREA)
Abstract
本发明提供了一种大面积虫害量化监测系统。本发明采用机载或星载高光谱遥感摄像设备取得特定波段的遥感图像,对遥感图像执行必要的前处理,消除干扰和测量误差,然后遥感图像的像素级尺度上提取光谱特征,代入多维植物参量模型反演植物生态指标,从而根据这一指标量化判定遥感检测区域的虫害状况。
Description
技术领域
本发明涉及农业信息技术,更具体地,涉及一种大面积虫害量化监测系统。
背景技术
虫害给农业生产所造成的损失非常巨大,据测算,每年有20%左右的预计农作物产量被害虫所消耗或破坏。另一方面,为了对抗虫害而大量使用的农药又带来了环境污染和食品残留毒性的问题。虫害在爆发期之前一般具有相对比较长的发展期,因而,通过对虫害的分布状况、严重程度以及变化趋势进行严密监控,实现早期防范和干预,不但是限制虫害范围和减少作物损失的有效手段,也能够从整体上降低农药的施用量。
现有技术中,监测虫害的技术手段主要有诱捕采样法以及遥感监测法。诱捕采样法是在田间设立监测点,安装捕虫设施,通过灯光、仿声、饵料、胶盘、网洞等手段吸引和捕获害虫,能过辨别害虫种类和统计数量来定性和定量分析当前的虫害状况。随着技术的发展,目前的捕虫设施引入了各种自动化的手段,例如通过红外计数器等装置进行自动计数,或者在拍照后运用背景分离、边缘提取和模式对比进行害虫种类的识别,特别是基于无线通信技术实现了监测点数据的远程上传。通过对大量监测点采样数据的统计分析,可以了解到虫害的状况和发展趋势。但是应用于大面积监测时,诱捕采样法还存在很多不足,例如,害虫从分布规律上看可分为散发型、群聚型、迁飞型等多种类型,对于空间均匀设置的监测点来说,对于后两种分布规律下的害虫的采样难以做到全面和准确;监测点对害虫的诱捕采样在较短的时间区间内具有较大偶然性,必须经过相对较长的时间区间以及多次的样品比对方才具有统计学意义,因而监测表现出滞后和低效;另外监测点建设成本偏高、采样密度往往不够、维护困难等因素也制约了其应用推广。
遥感监测法利用卫星或机载雷达设备或者多波段光学遥感设备在大面积区域内针对虫害进行直接测量,具有监测结果直观、易于分析判断、时效性强、监测效率高的优点,但是精确度比较低,进行定量分析比较困难。
近年来,通过采用高光谱遥感技术,将光谱分离为极小甚至达纳米级分辨率的窄波段进行信息接收,实现了宽谱域的光谱成像,极大地增强了地面观测能力和光谱微小差异的识别能力。从理论上说,作物受到害虫损害后,由于其叶片、枝干、根茎等部位的生理形态改变,其光谱在某些波段上与正常状态光谱呈现比较大的差异性。因而,通过对大面积作物进行高光谱遥感,能够大规模、高时效性地直接监测虫害状况及其变化趋势。
但是,在现有技术中,针对虫害作物进行大面积高光谱检测和分析尚存在难点:植物光谱对外界环境因素敏感,影像背景、光照、气象条件都会产生不可忽略的影响;植物光谱本身表现出充分的时间动态性,而在现有技术中缺少数据过滤和信息提取的有效算法,给虫害灾情的识别和定量研究带来困难。
发明内容
根据现有技术中的上述需求,本发明提供了一种大面积虫害量化监测系统。本发明采用机载或星载高光谱遥感摄像设备取得特定波段的遥感图像,对遥感图像执行必要的前处理,消除干扰和测量误差,然后遥感图像的像素级尺度上提取光谱特征,代入多维植物参量模型反演植物生态指标,从而根据这一指标量化判定遥感检测区域的虫害状况。
本发明所述的大面积虫害量化监测系统,其特征在于,包括:
机载或星载高光谱成像仪,用于获得大面积区域的高光谱遥感成像数据,所述高光谱遥感成像数据具有110个测量波段、5nm以内的平均光谱分辨率以及100m以内的空间分辨率,光谱范围包括600-800nm波段范围的可见光近红外波段;
前处理单元,对所述高光谱遥感成像数据进行前处理,消除空气吸收散射、地表背景辐射、太阳光照辐射及仪器误差的干扰,并且纠正遥感成像数据的几何变形;
抽样单元,从前处理后高光谱遥感成像数据中抽取预定密度的采样像素点,取得所述采样像素点的光谱系数;
反演计算单元,根据所述采样像素点的光谱系数,基于多个衡量标准的植物参量模型,反演计算采样像素点位置的植物生态指标集合;
分析单元,根据各采样像素点的植物生态指标集合,判断其虫害状况评级数值,并基于全部采样像素点的虫害状况评级数值,确定大范围的虫害状况量化评级。
优选的是,所述前处理单元包括:大气校正单元,用于根据太阳光照对应测量波段响应函数,根据太阳辐照角及日地距离针对空气对光谱的吸收和散射进行校正。
优选的是,所述前处理单元包括几何纠正单元,用于基于人工选取的定位点,对高光谱遥感成像数据进行重采样和双线性空间内插,获得所述前处理后高光谱遥感成像数据。
优选的是,所述抽样单元包括:空间采样单元,用于根据预定的采样方案,从所述前处理后高光谱遥感成像数据提取空间均匀分布或者非均匀分布的采样像素点,所述采样像素点的数量除以高光谱遥感成像数据对应的空间区域面积所获得的采样平均密度应大于所述预定密度;光谱系数计算单元,从所述采样像素点的前处理后高光谱遥感成像数据中提取采样像素点特定测量波段的反射率数值,通过组合所述特定测量波段的反射率数值计算光谱系数。
优选的是,所述组合所述特定测量波段的反射率数值是将所提取的若干个特定测量波段的反射率数值按照不同的权重因子进行线性加权。
优选的是,提取的若干个特定测量波段包括至少一个可见光近红外波段范围内的特定测量波段。
优选的是,所述反演计算单元包括:光化学植被指数(PRI)计算模块,将所述光谱系数代入光化学植被指数(PRI)计算模型计算光化学植被指数(PRI);叶绿素吸收比值指数(CARI)计算单元,将所述光谱系数代入叶绿素吸收比值指数(CARI)计算模型计算叶绿素吸收比值指数(CARI);连续型冠层(PROSAIL)计算模块,用于将所述光谱系数代入连续型冠层(PROSAIL)计算模型获得相应的连续型冠层(PROSAIL)输出值。
优选的是,所述分析单元保存各等级的虫害状况参数参照表,通过比较所述光化学植被指数(PRI)、叶绿素吸收比值指数(CARI)和所述连续型冠层(PROSAIL)输出值与所述虫害状况参数参照表中的参照值,根据是否满足评级条件确定虫害状况评级数值。
优选的是,所述分析单元基于全部采样像素点中各等级的虫害状况评级数值的比例,确定大范围的虫害状况量化评级。
优选的是,所述分析单元基于全部采样像素点中各等级的虫害状况评级数值的加权平均,确定大范围的虫害状况量化评级。
本发明采用高光谱遥感测量的方式对大面积范围的植被生长状况进行实地测量,并且在精确处理遥感图像数据的基础上,提取相关性比较大的光谱波段,通过综合评定多种植物生态指标来确定目标范围内的虫害等级;本发明将对大面积范围的虫害分析转换为以采样点为单位的定量分析,实现了精确和简便的量化测量。本发明的测量可靠性强,时效性好,数据处理效率高,而且通过综合评价能够比较准确地反映出大范围尺度上的虫害真实情况,适用于规模化农业生产中对广域范围内虫害状况的实时监管。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明:
图1是本发明所述大面积虫害量化监测系统的结构框图;
图2是本发明所述大面积虫害量化监测系统的前处理单元结构示意图;
图3是本发明所述大面积虫害量化监测系统的抽样单元结构示意图;
图4是本发明所述大面积虫害量化监测系统的反演计算单元结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案,并使本发明的上述目的、特征和优点能够更加明显易懂,下面结合实施例及实施例附图对本发明作进一步详细的说明。
当虫害发生之后,由于作物的茎、叶均受到啃食或其它破坏,造成其颜色、枝叶形态、密集度均有明显变化,这些变化会导致某些波段的高光谱遥感图像与同种正常作物相比呈现出比较明显的差异性,特别是700-1000nm波段范围的可见光近红外波段,对作物冠层的因虫害变化表现出了充足的敏感度。因此,本发明通过机载或星载高光谱成像仪对大面积范围的植被进行遥感测量,并提取其中虫害敏感波段上的数据,进行量化分析评估。
图1是本发明所述的大面积虫害量化监测系统的结构框图。如图1所示,本系统包括机载或星载高光谱成像仪1、前处理单元2、抽样单元3、反演计算单元4和分析单元5。
机载或星载高光谱成像仪1对待测的大面积农业作物区域执行高光谱遥感,获得相应的高光谱遥感成像数据。机载或星载高光谱成像仪1实际上是由成像仪和高光谱仪共同组成的,因此可以获得遥感区域的空间图像信息和光谱信息二者,基于FISS技术,使空间图像信息的拍摄与光谱信息的测量能够同步融合,从而实现遥感光谱成像,可以针对其中的每个空间像素点提取各波段上的光谱数据,这样能够对每个空间像素点对应地面目标的光谱特征进行分析判断。高光谱仪具有110个测量波段,测量波段具有5nm以内的平均光谱分辨率,可以获得地面目标一定波段范围内连续和精细的光谱数据。成像仪的空间分辨率达到100m以内,基本可以满足识别小片农田作物的成像要求。植物中叶绿素对绿光反射作用强烈,而对红光吸收作用强,因此在光谱的近红外波段(650nm至800nm)会形成“红边”效应。由于虫害对作物的破坏,导致受害区域冠层的叶绿素含量相比正常状况发生明显变化,近红外波段的光谱特征与冠层变化具有非常高的相关性,因此光谱仪的光谱范围应该包括600-800nm波段范围。
光谱成像数据会受到空气吸收散射、地表背景辐射及仪器误差等方面因素干扰,使得所采集的光谱数据与实际的光谱特征存在一定的偏差。前处理单元2用于对所述高光谱遥感成像数据进行前处理,消除上述多方面因素的干扰,并且纠正遥感成像数据的几何变形。图2是前处理单元的结构示意图,可见该单元元包括下面介绍的若干个功能部分。大气校正单元201根据太阳光照对应测量波段响应函数(其中ρ为大气层顶表观反射率、d为日地距离,Li是某一波段的辐亮度数据,Esi为该波段对应的大气层顶平均太阳辐照度,Esi可以通过大气层外太阳光谱辐照度与传感器各波段光谱响应函数的积分值计算),从参照表取得太阳辐照角及日地距离等相关因数,计算光谱各波段的表观反射率,该表观反射率消除了大气分子和气溶胶对光谱的吸收和散射以及极化效应,并且保留了原始光谱数据的特征,达到了校正的目的。几何纠正单元202用于消除高光谱遥感成像数据的图像变形。首先由人工选取定位点,所述定位点均匀分布在整幅影像上,并且具有清晰和明显的定位识别特征;几何纠正单元202基于所述定位点,通过对高光谱遥感成像数据进行重采样和双线性空间内插,获得所述前处理后高光谱遥感成像数据。
抽样单元3从前处理后高光谱遥感成像数据中抽取预定密度的采样像素点,取得所述采样像素点的光谱系数。参见图3所示的结构图,该单元具体包括:空间采样单元301,用于根据预定的采样方案,从所述前处理后高光谱遥感成像数据提取空间均匀分布或者非均匀分布的采样像素点,所述采样像素点的数量除以高光谱遥感成像数据对应的空间区域面积所获得的采样平均密度应大于所述预定密度。光谱系数计算单元302从所述采样像素点的前处理后高光谱遥感成像数据中提取采样像素点特定测量波段的反射率数值,该单元可以从每个采样像素点的全光谱遥感数据中抽取若干个特定波段范围上的反射率数值,例如在上文提到的近红外波段范围内提取若干个与主要作物种类冠层光谱分布区域相对应的特定测量波段,并且通过组合所述特定测量波段的反射率数值计算光谱系数。通过对特定测量波段的选择,能够部分消除背景干扰的影响,并且对特定作物类型由虫害所引起的冠层变化具有充分的敏感度。
反演计算单元4根据所述采样像素点的光谱系数,基于多个不同衡量标准的植物参量模型,反演计算采样像素点位置的植物生态指标集合。上文已经介绍过,农田作物在特定波段上的光谱系数表现出了其冠层的生态特征,因此基于该光谱系数代入不同的模型,可以反演推算一系列反映作物生长状况的指数,目前常用的指数包括PRI、CARI以及PROSAIL。参见图4的反演计算单元结构示意图,该单元包括以下执行并行计算的模块。光化学植被指数(PRI)计算模块401,用于将所述光谱系数代入光化学植被指数(PRI)计算模型计算光化学植被指数(PRI)。所述PRI是一个生理学上的反射率植被指数,反映了植物叶片的叶绿素水平。PRI的计算方法为:PRI=(RREF-R531)/(RREF+R531),其中RREF是特定测量波段上的波长反射率,一般选取550nm和570nm波段。但是,PRI指数应用于大尺度范围时存在误差,因此可能完全作为评价作物生长状况的唯一指数。叶绿素吸收比值指数(CARI)计算单元402将所述光谱系数代入叶绿素吸收比值指数(CARI)计算模型计算叶绿素吸收比值指数(CARI)。CARI模型计算冠层叶绿素反演指数CCII,并且将CCII作为反演植被生化参量的依据。CCII的计算方法为:CCII=TCARI/OSAVI,其中TCARI=3[(R700-R670)-0.2(R700-R550)(R700/R670)],式中R700,R670,R550分别表示700nm,670nm及550nm波段的反射率,OSAVI是土壤调整植被指数,用于消除土壤背景影响。连续型冠层(PROSAIL)计算模块403用于将所述光谱系数代入连续型冠层(PROSAIL)计算模型获得相应的连续型冠层(PROSAIL)输出值。PROSAIL计算模型考虑了光线入射到叶片的微观角度影响,可以有效模拟植被冠层光谱。
所述分析单元5保存各等级的虫害状况参数参照表,通过比较所述光化学植被指数(PRI)、叶绿素吸收比值指数(CARI)和所述连续型冠层(PROSAIL)输出值与所述虫害状况参数参照表中的参照值,根据是否满足评级条件确定虫害状况评级数值。所述分析单元5基于全部采样像素点中各等级的虫害状况评级数值的比例,确定大范围的虫害状况量化评级。例如虫害状况评级分为无虫害、轻微虫害、中等虫害、严重虫害和极严重虫害,则根据被确定为各等级的采样像素点所占的比例,评估整个大面积范围的虫害等级。所述分析单元5还可以基于全部采样像素点中各等级的虫害状况评级数值的加权平均,确定大范围的虫害状况量化评级。分析单元所获得的分析结果可以通过灾情地图等可视化的手段进行展示,从而为评估虫害等级、预测发展趋势提供必要的数据支持。
所述机载或星载高光谱成像仪1可以通过无线远程通信传输所采集的原始遥感影像数据,而所述前处理单元2、抽样单元3、反演计算单元4和分析单元5设置在地面站点,接收所述原始遥感影像数据并执行上面所介绍的各阶段的处理。
本发明采用高光谱遥感测量的方式对大面积范围的植被生长状况进行实地测量,并且在精确处理遥感图像数据的基础上,提取相关性比较大的光谱波段,通过综合评定多种植物生态指标来确定目标范围内的虫害等级;本发明将对大面积范围的虫害分析转换为以采样点为单位的定量分析,实现了精确和简便的量化测量。本发明的测量可靠性强,时效性好,数据处理效率高,而且通过综合评价能够比较准确地反映出大范围尺度上的虫害真实情况,适用于规模化农业生产中对广域范围内虫害状况的实时监管。
以上所述,仅为本发明的具体实施方式,本发明还可以应用在其它设备中;以上描述中的尺寸和数量均仅为参考性的,本领域技术人员可根据实际需要选择适当的应用尺寸,而不脱离本发明的范围。本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求所界定的保护范围为准。
Claims (3)
1.一种大面积虫害量化监测系统,其特征在于,包括:
机载或星载高光谱成像仪,用于获得大面积区域的高光谱遥感成像数据,所述高光谱遥感成像数据具有110个测量波段、5nm以内的平均光谱分辨率以及100m以内的空间分辨率,光谱范围包括600-800nm波段范围的可见光近红外波段;
前处理单元,对所述高光谱遥感成像数据进行前处理,消除空气吸收散射、地表背景辐射、太阳光照辐射及仪器误差的干扰,并且纠正遥感成像数据的几何变形;
抽样单元,从前处理后高光谱遥感成像数据中抽取预定密度的采样像素点,取得所述采样像素点的光谱系数;
反演计算单元,根据所述采样像素点的光谱系数,基于多个衡量标准的植物参量模型,反演计算采样像素点位置的植物生态指标集合;
分析单元,根据各采样像素点的植物生态指标集合,判断其虫害状况评级数值,并基于全部采样像素点的虫害状况评级数值,确定大范围的虫害状况量化评级;
其中,所述前处理单元包括大气校正单元和几何纠正单元;所述大气校正单元用于根据太阳光照对应测量波段响应函数,根据太阳辐照角及日地距离针对空气对光谱的吸收和散射进行校正;所述几何纠正单元用于基于人工选取的定位点,对高光谱遥感成像数据进行重采样和双线性空间内插,获得所述前处理后高光谱遥感成像数据;
所述抽样单元包括空间采样单元和光谱系数计算单元;所述空间采样单元用于根据预定的采样方案,从所述前处理后高光谱遥感成像数据提取空间均匀分布或者非均匀分布的采样像素点,所述采样像素点的数量除以高光谱遥感成像数据对应的空间区域面积所获得的采样平均密度应大于所述预定密度;所述光谱系数计算单元用于从所述采样像素点的前处理后高光谱遥感成像数据中提取采样像素点特定测量波段的反射率数值,通过将所提取的若干个特定测量波段的反射率数值按照不同的权重因子进行线性加权来组合所述特定测量波段的反射率数值,计算光谱系数;提取的若干个特定测量波段包括至少一个可见光近红外波段范围内的特定测量波段;
所述反演计算单元包括:光化学植被指数(PRI)计算模块,将所述光谱系数代入光化学植被指数(PRI)计算模型计算光化学植被指数(PRI);叶绿素吸收比值指数(CARI)计算单元,将所述光谱系数代入叶绿素吸收比值指数(CARI)计算模型计算叶绿素吸收比值指数(CARI);连续型冠层(PROSAIL)计算模块,用于将所述光谱系数代入连续型冠层(PROSAIL)计算模型获得相应的连续型冠层(PROSAIL)输出值;
所述分析单元保存各等级的虫害状况参数参照表,通过比较所述光化学植被指数(PRI)、叶绿素吸收比值指数(CARI)和所述连续型冠层(PROSAIL)输出值与所述虫害状况参数参照表中的参照值,根据是否满足评级条件确定虫害状况评级数值。
2.根据权利要求1所述的大面积虫害量化监测系统,其特征在于,所述分析单元基于全部采样像素点中各等级的虫害状况评级数值的比例,确定大范围的虫害状况量化评级。
3.根据权利要求1所述的大面积虫害量化监测系统,其特征在于,所述分析单元基于全部采样像素点中各等级的虫害状况评级数值的加权平均,确定大范围的虫害状况量化评级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410448644.7A CN104266982B (zh) | 2014-09-04 | 2014-09-04 | 一种大面积虫害量化监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410448644.7A CN104266982B (zh) | 2014-09-04 | 2014-09-04 | 一种大面积虫害量化监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104266982A CN104266982A (zh) | 2015-01-07 |
CN104266982B true CN104266982B (zh) | 2017-03-15 |
Family
ID=52158523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410448644.7A Active CN104266982B (zh) | 2014-09-04 | 2014-09-04 | 一种大面积虫害量化监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104266982B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881727A (zh) * | 2015-01-13 | 2015-09-02 | 北京师范大学 | 一种基于遥感抽样的农作物灾情损失评估方法 |
CN105511529B (zh) * | 2015-12-28 | 2017-11-03 | 安徽科技学院 | 一种设施农业环境智能控制方法 |
CN105784604A (zh) * | 2016-03-04 | 2016-07-20 | 北京大学深圳研究生院 | 一种植物衰退等级的检测方法 |
WO2017182440A1 (en) * | 2016-04-18 | 2017-10-26 | Faunaphotonics Aps | Improvements in or relating to optical remote sensing systems for aerial and aquatic fauna, and use thereof |
CN109406412A (zh) | 2017-08-18 | 2019-03-01 | 广州极飞科技有限公司 | 一种植物健康状态监控方法及装置 |
CN107907075A (zh) * | 2017-12-28 | 2018-04-13 | 山东省农业可持续发展研究所 | 花生叶面积指数遥感监测方法 |
CN108684282B (zh) * | 2018-04-11 | 2023-07-07 | 北京麦飞科技有限公司 | 一种农业察打一体机系统及喷洒控制方法 |
CN108596254B (zh) * | 2018-04-25 | 2021-07-13 | 福州大学 | 耦合叶片多表征的刚竹毒蛾危害检测方法 |
CN109856998A (zh) * | 2018-06-04 | 2019-06-07 | 山东省农业可持续发展研究所 | 一种基于大数据的农业病虫害管理系统 |
CN109006630B (zh) * | 2018-06-06 | 2023-09-19 | 岭南师范学院 | 一种海产品物种鉴定装置 |
CN109006744B (zh) * | 2018-06-20 | 2021-04-16 | 广东省农业科学院植物保护研究所 | 桔小实蝇辐照不羽化防疫处理系统以及处理方法 |
CN110321774B (zh) * | 2019-04-04 | 2022-05-17 | 平安科技(深圳)有限公司 | 农作物灾情评估方法、装置、设备及计算机可读存储介质 |
CN110658211A (zh) * | 2019-11-08 | 2020-01-07 | 河南农业大学 | 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法 |
CN112327294B (zh) * | 2020-10-23 | 2023-10-20 | 北京理工大学 | 基于多频点极化特征的昆虫体型参数反演方法和装置 |
CN113189015A (zh) * | 2021-04-23 | 2021-07-30 | 宿州学院 | 一种基于高光谱遥感的虫害监测系统及方法 |
CN114189538A (zh) * | 2021-12-09 | 2022-03-15 | 中科计算技术西部研究院 | 林业数据监测云平台、方法及存储介质 |
CN115187860B (zh) * | 2022-07-11 | 2023-07-18 | 浙江甲骨文超级码科技股份有限公司 | 一种植物病虫害评估方法及系统 |
CN115909113B (zh) * | 2023-01-09 | 2023-06-16 | 广东博幻生态科技有限公司 | 一种无人机遥感监测调查林业有害生物的方法 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6211906B1 (en) * | 1995-09-07 | 2001-04-03 | Flight Landata, Inc. | Computerized component variable interference filter imaging spectrometer system method and apparatus |
CN1677085A (zh) * | 2004-03-29 | 2005-10-05 | 中国科学院遥感应用研究所 | 对地观测技术的农业应用集成系统及其方法 |
CN1837787A (zh) * | 2006-04-19 | 2006-09-27 | 南京大学 | 一种无损伤精准测定棉花生物物理参数的方法 |
CN101477682A (zh) * | 2009-02-11 | 2009-07-08 | 中国科学院地理科学与资源研究所 | 一种利用加权多项式模型实现遥感影像几何校正的方法 |
CN103760872A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 精细化农业农作物生长告警与干预装置 |
-
2014
- 2014-09-04 CN CN201410448644.7A patent/CN104266982B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6211906B1 (en) * | 1995-09-07 | 2001-04-03 | Flight Landata, Inc. | Computerized component variable interference filter imaging spectrometer system method and apparatus |
CN1677085A (zh) * | 2004-03-29 | 2005-10-05 | 中国科学院遥感应用研究所 | 对地观测技术的农业应用集成系统及其方法 |
CN1837787A (zh) * | 2006-04-19 | 2006-09-27 | 南京大学 | 一种无损伤精准测定棉花生物物理参数的方法 |
CN101477682A (zh) * | 2009-02-11 | 2009-07-08 | 中国科学院地理科学与资源研究所 | 一种利用加权多项式模型实现遥感影像几何校正的方法 |
CN103760872A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 精细化农业农作物生长告警与干预装置 |
Non-Patent Citations (2)
Title |
---|
基于环境星数据可见光、近红外波段的大气校正方法研究;刘其悦;《中国优秀硕士学位论文全文数据库 基础科学辑》;20110615(第06期);第9-12、40页 * |
植被特征参数遥感反演及在东亚飞蝗监测中的应用;吴彤;《中国优秀博硕士学位论文全文数据库 (硕士) 农业科技辑》;20061215(第12期);第3、9、27、40-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104266982A (zh) | 2015-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104266982B (zh) | 一种大面积虫害量化监测系统 | |
Zeng et al. | A review of vegetation phenological metrics extraction using time-series, multispectral satellite data | |
CN110472184B (zh) | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 | |
CN107067334B (zh) | 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统 | |
Clevers et al. | A framework for monitoring crop growth by combining directional and spectral remote sensing information | |
Pu et al. | Extraction of red edge optical parameters from Hyperion data for estimation of forest leaf area index | |
Le Maire et al. | Calibration and validation of hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll content, leaf mass per area, leaf area index and leaf canopy biomass | |
Champagne et al. | Validation of a hyperspectral curve-fitting model for the estimation of plant water content of agricultural canopies | |
Fang | Canopy clumping index (CI): A review of methods, characteristics, and applications | |
CN105809148B (zh) | 基于遥感时空谱融合的作物干旱识别及风险评估方法 | |
Clevers | Imaging spectrometry in agriculture-plant vitality and yield indicators | |
CN111091052A (zh) | 一种基于最大似然法的玉米倒伏面积提取系统及方法 | |
Pouliot et al. | Evaluation of compositing period and AVHRR and MERIS combination for improvement of spring phenology detection in deciduous forests | |
CN108414455B (zh) | 用于农业保险理赔的农作物雹灾遥感监测方法 | |
CN110927120B (zh) | 一种植被覆盖度预警方法 | |
Gim et al. | Improved mapping and change detection of the start of the crop growing season in the US Corn Belt from long-term AVHRR NDVI | |
CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
Susaki et al. | Validation of MODIS albedo products of paddy fields in Japan | |
CN104567754A (zh) | 一种耦合星-地遥感的小麦叶面积指数估算方法 | |
CN111738066A (zh) | 综合多源遥感信息的网格化水稻纹枯病生境评价方法 | |
Clevers et al. | Imaging spectrometry for agricultural applications | |
Belwalkar et al. | Evaluation of SIF retrievals from narrow-band and sub-nanometer airborne hyperspectral imagers flown in tandem: Modelling and validation in the context of plant phenotyping | |
CN106568730B (zh) | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 | |
Zarco-Tejada et al. | Remote sensing of vegetation biophysical parameters for detecting stress condition and land cover changes | |
Smith et al. | Forest canopy structural properties |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20180928 Address after: 310015 1101, room 3, 88 Xiangyuan Road, Gongshu District, Hangzhou, Zhejiang. Patentee after: ZHEJIANG TUOPUYUN AGRICULTURAL SCIENCE AND TECHNOLOGY CO., LTD. Address before: 310015 1-2, 36 Xiangmao Road, Hangzhou, Zhejiang. Patentee before: Zhejiang Top Instrument Co., Ltd. |
|
TR01 | Transfer of patent right |