CN105303063A - 融合物候数据与遥感数据的叶面积指数反演方法及系统 - Google Patents
融合物候数据与遥感数据的叶面积指数反演方法及系统 Download PDFInfo
- Publication number
- CN105303063A CN105303063A CN201510880380.7A CN201510880380A CN105303063A CN 105303063 A CN105303063 A CN 105303063A CN 201510880380 A CN201510880380 A CN 201510880380A CN 105303063 A CN105303063 A CN 105303063A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- index
- sampling point
- leaf area
- target area
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种融合物候数据与遥感数据的叶面积指数反演方法及系统,包括在目标区域设立若干用于观测的样点,使用植物冠层分析仪于散射光气象条件下测量目标区域中各样点内植物的叶面积指数,记录测量时目标区域的植被物候期;对每个样点分别取平均获取该样点的真实叶面积指数:获取同目标区域同时期观测的多光谱遥感影像,进行预处理得到真实反射率影像,计算各个样点的植被指数;利用植被指数和真实叶面积指数进行相关分析,获取测量时目标区域的植被物候期相应的定量关系模型;根据模型反演分析目标区域在相应植被物候期的植物生长状态。本发明能满足大面积长时期植被叶面积指数的动态监测,解决了实地测量的问题,符合农业和林业应用需求。
Description
技术领域
本发明属于遥感影像数据的信息提取领域,涉及叶面积指数反演方法及系统。
背景技术
叶面积指数LAI(LeafAreaIndex)是指一快地上植物叶片的总面积与占地面积的比值,是生态学研究中的关键参数之一。传统测量LAI的方法无法克服其固有的缺陷:耗费时间和人力物力,难以适用于较大的研究范围,并且会对生态环境有一定的破坏作用,而且不能及时更新数据。目前,LAI的测量方法里间接光学模型测量法的研究较多,主要研究空隙率,即冠层内太阳辐射未被截取的概率,进而出现了一系列基于空隙率分析的冠层LAI分析仪器,但是这种方法仍然无法解决如何快速提取大面积范围的LAI以及如何及时更新的问题。
发明内容
为了克服现有的人工野外测量植被冠层LAI费时费力、难以实时快捷准确获取结果的缺陷,本发明的目的在于提供了一种基于地面物候观测数据与同期遥感数据融合的植被叶面积指数反演技术方案。
本发明的技术方案提供一种融合物候数据与遥感数据的叶面积指数反演方法,包括以下步骤:
步骤一、在目标区域设立若干用于观测的样点,通过设置样点的大小,确保对每个样本有至少一个完整的多光谱遥感卫星像元落在样点内部,并对每个样点的中心点与四角进行定位;
步骤二、根据多光谱遥感卫星星历计算过境日期,使用植物冠层分析仪于散射光气象条件下测量目标区域中各样点内植物的叶面积指数,包括在每个样点的中心与四角分别采集叶面积指数一次以上,并记录测量时目标区域的植被物候期;
步骤三、对每个样点,分别将步骤二中对该样点测量的多个叶面积指数取平均,获取该样点的真实叶面积指数:
步骤四、获取同目标区域同时期观测的多光谱遥感影像,并以相同区域中预先采集的地面控制点或者高空间分辨率遥感影像为基准进行预处理,得到真实反射率影像:
步骤五、根据步骤四生成的真实反射率影像,计算各个样点的植被指数;
步骤六、利用步骤五所得植被指数和步骤三所得各个样点的真实叶面积指数进行相关分析,获取测量时目标区域的植被物候期相应的定量关系模型,
其中,k表示测量时目标区域的植被物候期,pk表示位于植被物候期k的第p个样点,LAIpk为步骤三所得样点pk的真实叶面积指数,VIpk为步骤五所得该样点pk的植被指数,ck1和ck2为植被物候期k的线性拟合系数;
步骤七、根据步骤六所得定量关系模型,使用多光谱遥感影像反演分析目标区域在相应植被物候期的植物生长状态。
而且,所述植被指数为标准差异植被指数NDVI或归一化土壤调节植被指数SAVI。
而且,所述植被指数为标准差异植被指数NDVI,计算方式如下,
NDVI=(ChNIR-ChRed)/(ChNIR+ChRed)
式中,ChRed代表红色波段的反射率,ChNIR代表近红外波段的反射率。
而且,针对目标区域的每种植被物候期分别建立定量关系模型。
而且,当目标区域的植被物候期有K种时,采用k=1,2,…K标识不同植被物候期,植被物候期相应的定量关系模型表示如下,
其中,k表示测量时目标区域的植被物候期,pk表示位于植被物候期k的第p个样点,LAIpk为步骤三所得样点pk的真实叶面积指数,为步骤五所得该样点pk的标准差异植被指数NDVI,ck1和ck2为植被物候期k的线性拟合系数。
本发明还相应提供一种融合物候数据与遥感数据的叶面积指数反演系统,包括以下模块:
第一模块,用于在目标区域设立若干用于观测的样点,通过设置样点的大小,确保对每个样本有至少一个完整的多光谱遥感卫星像元落在样点内部,并对每个样点的中心点与四角进行定位;
第二模块,用于根据多光谱遥感卫星星历计算过境日期,使用植物冠层分析仪于散射光气象条件下测量目标区域中各样点内植物的叶面积指数,包括在每个样点的中心与四角分别采集叶面积指数一次以上,并记录测量时目标区域的植被物候期;
第三模块,用于对每个样点,分别将第二模块所得对该样点测量的多个叶面积指数取平均,获取该样点的真实叶面积指数:
第四模块,用于获取同目标区域同时期观测的多光谱遥感影像,并以相同区域中预先采集的地面控制点或者高空间分辨率遥感影像为基准进行预处理,得到真实反射率影像:
第五模块,用于根据第四模块生成的真实反射率影像,计算各个样点的植被指数;
第六模块,用于利用第五模块所得植被指数和第三模块所得各个样点的真实叶面积指数进行相关分析,获取测量时目标区域的植被物候期相应的定量关系模型,
其中,k表示测量时目标区域的植被物候期,pk表示位于植被物候期k的第p个样点,LAIpk为第三模块所得样点pk的真实叶面积指数,VIpk为第五模块所得该样点pk的植被指数,ck1和ck2为植被物候期k的线性拟合系数;
第七模块,用于根据第六模块所得定量关系模型,使用多光谱遥感影像反演分析目标区域在相应植被物候期的植物生长状态。
而且,所述植被指数为标准差异植被指数NDVI或归一化土壤调节植被指数SAVI。
而且,所述植被指数为标准差异植被指数NDVI,计算方式如下,
NDVI=(ChNIR-ChRed)/(ChNIR+ChRed)
式中,ChRed代表红色波段的反射率,ChNIR代表近红外波段的反射率。
而且,针对目标区域的每种植被物候期分别建立定量关系模型。
而且,当目标区域的植被物候期有K种时,采用k=1,2,…K标识不同植被物候期,植被物候期相应的定量关系模型表示如下,
其中,k表示测量时目标区域的植被物候期,pk表示位于植被物候期k的第p个样点,LAIpk为第三模块所得样点pk的真实叶面积指数,为第五模块所得该样点pk的标准差异植被指数NDVI,ck1和ck2为植被物候期k的线性拟合系数。
本发明提出了一种基于地面物候观测数据与同期遥感数据融合的叶面积指数反演方法,利用实测地面数据结合遥感卫星数据建立了能快速准确反演目标区域植被叶面积指数的模型。本发明能满足大面积长时期植被叶面积指数的动态监测需求,解决了实地测量的不可达性和很大程度上避免了耗时耗费耗力缺点,又能保证反演的准确度与稳定性,并且数据源便于获取,操作步骤简单,该发明非常符合实际的农业和林业应用需求。
附图说明
图1为本发明实施例的流程图。
具体实施方式
为了更好地理解本发明的技术方案,下面结合附图和实施例对本发明做进一步的详细说明。
目前常用的叶面积指数监测方法主要是实地测量与模型反演。实地测量方法过于简单且耗时耗力,也不能大面积长时间动态监测。物理模型反演法模型所需参数较多计算复杂,单一模型都只对特定生态结构有效,这成为推广应用物理模型反演的主要障碍。而本发明考虑到,遥感数据具有大面积,多时相的优点,地面数据具有准确的优势可以作为验证数据,结合地面连续观测与同期遥感数据针对植被不同生长期构建不同的反演模型,实现该区域植被叶面积指数的快速动态监测。
参见图1,本发明实施例包括以下步骤:
步骤一、在目标区域设立分布合理、数量满足统计验证的观测样点:
具体实施时,本领域技术人员可以自行预先设定目标区域,并对目标区域设定分布均匀的样点,建议所选样点数量充足并具有代表性,实施例中每个样点的大小50m×50m,以确保至少一个完整的多光谱遥感卫星像元落在样点内部,并使用GPS对每个样点的中心点与四角定位,以便后续将地面样本区域位置与卫星影像对应样本区域的像元一一对应起来。具体实施时,本领域技术人员可自行设定利用的多光谱遥感卫星,如实施例采用LANDSAT卫星。
步骤二、根据多光谱遥感卫星星历计算过境日期,使用植物冠层分析仪于散射光气象条件下(晴朗天气的清晨或傍晚或者云层均匀的天气)测量目标区域中各样点内植物的叶面积指数:
根据多光谱遥感卫星过境当地日期,选择在当地日出、日落或云层均匀等散射光气象条件下,针对步骤一确定的样点使用植被冠层分析仪(例如PCA-2200)进行采集测量,在每个样点的中心与四角分别采集叶面积指数,可以在同一位置多次采集,并记录测量时目标区域的植被物候期,例如所测量样点植被属于缓慢期、旺盛期或衰落期。其中植被冠层测量仪器所使用的主要原理如下:
P(θ)=e-G(θ)LAI/cosθ(1)
LAY=-lnP(θ)×cosθ/G(θ)(2)
式中,e为数学常数,θ为视角的天顶角,P(θ)为缝隙率,G(θ)为叶片投影在天顶角方向的比例。
步骤三、将步骤二中对每个样点测量的多个叶面积指数(LAI)分别取平均后即获取了各个样点的真实叶面积指数:
具体实施时,可将测量仪器连接数据线导出步骤二采集的叶面积指数LAI,导出到EXCEL软件后进行预处理,计算每个样点的平均叶面积指数。例如,在某个样点的中心与四角分别采集2次,从植被冠层测量仪器总共会得到10个LAI值,求和并处以10,即可得到该样点的平均叶面积指数。
步骤四、获取同目标区域同时期观测的多光谱遥感影像,并以同区域中预先采集的地面控制点或者高空间分辨率遥感影像为基准进行预处理(包括几何纠正与辐射纠正、计算反射率)得到真实反射率影像:
根据测量时多光谱遥感卫星过境当地日期,实施例获取覆盖步骤一所确定目标区域的多光谱遥感影像(如LANDSAT遥感影像),以相同区域的高空间分辨率遥感影像(例如QuickBird、WorldView等遥感影像)为基准对多光谱遥感影像进行几何纠正,包括配准和重采样。然后将配准后多光谱影像进行辐射矫正转换为真实反射率影像。影像数据配准、重采样、辐射矫正等属于影像处理领域的常规方法,具体处理流程不再赘述。
步骤五、根据步骤四生成的真实反射率影像,计算植被指数:
针对步骤四得到的真实反射率影像,计算植被指数如NormalizedDigitalVegetationIndex(NDVI)或归一化土壤调节植被指数SoilAdjustedVegetationIndex(SAVI)等。
实施例采用的改进的NDVI数学表达式见公式(3):
NDVI=(ChNIR-ChRed)/(ChNIR+ChRed)(3)
式中,ChRed代表红色波段的反射率,ChNIR代表近红外波段的反射率。
步骤五计算植被指数所使用的像元就是样本区域对应的卫星像元。根据以上公式,可以获取每个样点相应的植被指数。
步骤六、利用步骤五所得植被指数和步骤三所得各个样点的真实叶面积指数进行相关分析,获取测量时目标区域的植被物候期相应的定量关系模型:
考虑到同一目标区域可能有多个植被物候期,具体实施时,可以在不同植被物候期分别执行步骤一至四,构建各个植被物候期相应的模型。也可以利用连续观察的历史数据,按不同植被物候期分别进行相关分析即可。
其中,k表示测量时目标区域的植被物候期,pk表示位于植被物候期k的第p个样点,LAIpk表示样点pk的叶面积指数拟合值,即步骤三所得该样点的真实叶面积指数;VIpk为步骤五所得该样点pk的植被指数,ck1和ck2为植被物候期k的线性拟合系数。
当目标区域的植被物候期有K种时,为便于标记起见,可以采用k=1,2,…K标识不同植被物候期。
例如,实施例中某目标区域的主要植被种类的植被绿叶生长过程有三个主要阶段缓慢期、旺盛期、衰落期,可以分别建立植被指数与叶面积指数之间的相关的定量关系,得到各个植被物候期相应的模型。,模型可表达如下:
其中,k表示测量时目标区域的植被物候期,K=3,用k=1表示植被生长期,k=2表示植被旺盛期,k=3表示植被衰落期,pk表示位于植被物候期k的第p个样点,LAIpk表示样点pk的叶面积指数拟合值,即步骤三所得该样点的真实叶面积指数;NDVIpk代表样点pk的归一化植被指数,即步骤五所得该样点的植被指数,ck1和ck2为植被物候期k的线性拟合系数。
具体实施时,根据植被绿叶生长过程具体阶段而定,例如某目标区域处于热带,主要植被种类的植被绿叶生长过程没有明显的衰落期,只有缓慢期、旺盛期,相应获取两个阶段的模型参数即可。
步骤七、根据步骤六所得定量关系模型,使用遥感数据大面积反演分析当地的植物生长状态,即使用遥感数据反演分析目标区域在相应植被物候期的植物生长状态:
根据步骤六构建完成该区域植被不同生长期的定量关系模型后,就可以利用遥感数据跟踪反演该地区的植被叶面积指数(LAI),为生态监测等更高级的目标打下基础。即基于目标区域内多光谱遥感影像,通过步骤四、五一样的方式得到实时的植被指数,根据相应植被物候期的定量关系模型计算目标区域内植物生长状态,得到反演的叶面积指数。
综上所述,本发明提出的基于地面物候观测数据与同期遥感数据融合的植被叶面积指数反演方法,根据不同时节构建不同的反演模型,既避免了实地测量的耗时耗费耗力,又能保证反演的准确度与稳定性,并且数据源便于获取,操作步骤简单,该方法更加符合实际的应用需求。
在使用本发明所提供模型进行反演之前,可以进行模型精度评价与分析:
利用美国国家航空航天局(NASA)的陆地卫星计划(LANDSAT)中获取2013至2015年LANDSAT-8陆地成像仪(OLI)获取的多光谱中等空间分辨率影像对内蒙古阿拉善西北地区的柽柳进行叶面积指数的动态监测,并利用多年实地连续测量数据作为参考数据评价本实施例所提供方法的有效性。
为客观评价本实施效果,评价指标选取相关系数R2。相关系数R2又称为确定系数,用来衡量实际测量值与提取值之间的相关性强弱,其数学表达式见公式(4):
其中为第i个样本的LAI估算值,LAIi为第i个样本的LAI参考真实值,LAImean为所有验证样本的LAI参考真实值的均值,N为样本数目。
按照以上评价指标操作要求得到拟合方程以及评价指标系数如表1所示:
表1
从表1的实验结果可知,本发明提出的基于地面物候观测数据与同期遥感数据融合的叶面积指数反演方法具有较高的准确度,其克服了传统统计反演中使用单时相遥感影像反演的不稳定问题,具有快速准确长期监测叶面积指数的优势。
具体实施时,该方法可采用计算机软件技术实现自动运行流程,也可以采用模块化方式提供相应系统。本发明实施例还相应提供一种融合物候数据与遥感数据的叶面积指数反演系统,包括以下模块:
第一模块,用于在目标区域设立若干用于观测的样点,通过设置样点的大小,确保对每个样本有至少一个完整的多光谱遥感卫星像元落在样点内部,并对每个样点的中心点与四角进行定位;
第二模块,用于根据多光谱遥感卫星星历计算过境日期,使用植物冠层分析仪于散射光气象条件下测量目标区域中各样点内植物的叶面积指数,包括在每个样点的中心与四角分别采集叶面积指数一次以上,并记录测量时目标区域的植被物候期;
第三模块,用于对每个样点,分别将第二模块所得对该样点测量的多个叶面积指数取平均,获取该样点的真实叶面积指数:
第四模块,用于获取同目标区域同时期观测的多光谱遥感影像,并以相同区域中预先采集的地面控制点或者高空间分辨率遥感影像为基准进行预处理,得到真实反射率影像:
第五模块,用于根据第四模块生成的真实反射率影像,计算各个样点的植被指数;
第六模块,用于利用第五模块所得植被指数和第三模块所得各个样点的真实叶面积指数进行相关分析,获取测量时目标区域的植被物候期相应的定量关系模型,
其中,k表示测量时目标区域的植被物候期,pk表示位于植被物候期k的第p个样点,LAIpk为第三模块所得样点pk的真实叶面积指数,VIpk为第五模块所得该样点pk的植被指数,ck1和ck2为植被物候期k的线性拟合系数;
第七模块,用于根据第六模块所得定量关系模型,使用多光谱遥感影像反演分析目标区域在相应植被物候期的植物生长状态。
各模块具体实现参见相应步骤,本发明不予赘述。
本发明中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种融合物候数据与遥感数据的叶面积指数反演方法,包括以下步骤:
步骤一、在目标区域设立若干用于观测的样点,通过设置样点的大小,确保对每个样本有至少一个完整的多光谱遥感卫星像元落在样点内部,并对每个样点的中心点与四角进行定位;
步骤二、根据多光谱遥感星历计算过境日期,使用植物冠层分析仪于散射光气象条件下测量目标区域中各样点内植物的叶面积指数,包括在每个样点的中心与四角分别采集叶面积指数一次以上,并记录测量时目标区域的植被物候期;
步骤三、对每个样点,分别将步骤二中对该样点测量的多个叶面积指数取平均,获取该样点的真实叶面积指数:
步骤四、获取同目标区域同时期观测的多光谱遥感影像,并以相同区域中预先采集的地面控制点或者高空间分辨率遥感影像为基准进行预处理,得到真实反射率影像:
步骤五、根据步骤四生成的真实反射率影像,计算各个样点的植被指数;
步骤六、利用步骤五所得植被指数和步骤三所得各个样点的真实叶面积指数进行相关分析,获取测量时目标区域的植被物候期相应的定量关系模型,
LAIpk=ck1+ck2·VIpk
其中,k表示测量时目标区域的植被物候期,pk表示位于植被物候期k的第p个样点,LAIpk为步骤三所得样点pk的真实叶面积指数,VIpk为步骤五所得该样点pk的植被指数,ck1和ck2为植被物候期k的线性拟合系数;
步骤七、根据步骤六所得定量关系模型,使用多光谱遥感影像反演分析目标区域在相应植被物候期的植物生长状态。
2.根据权利要求1所述融合物候数据与遥感数据的叶面积指数反演方法,其特征在于:所述植被指数为标准差异植被指数NDVI或归一化土壤调节植被指数SAVI。
3.根据权利要求2所述融合物候数据与遥感数据的叶面积指数反演方法,其特征在于:所述植被指数为标准差异植被指数NDVI,计算方式如下,
NDVI=(ChNIR-ChRed)/(ChNIR+ChRed)
式中,ChRed代表红色波段的反射率,ChNIR代表近红外波段的反射率。
4.根据权利要求3所述融合物候数据与遥感数据的叶面积指数反演方法,其特征在于:针对目标区域的每种植被物候期分别建立定量关系模型。
5.根据权利要求4所述融合物候数据与遥感数据的叶面积指数反演方法,其特征在于:当目标区域的植被物候期有K种时,采用k=1,2,…K标识不同植被物候期,植被物候期相应的定量关系模型表示如下,
LAIpk=ck1+ck2·NDVIpk
其中,k表示测量时目标区域的植被物候期,pk表示位于植被物候期k的第p个样点,LAIpk为步骤三所得样点pk的真实叶面积指数,NDVIpk为步骤五所得该样点pk的标准差异植被指数NDVI,ck1和ck2为植被物候期k的线性拟合系数。
6.一种融合物候数据与遥感数据的叶面积指数反演系统,包括以下模块:
第一模块,用于在目标区域设立若干用于观测的样点,通过设置样点的大小,确保对每个样本有至少一个完整的多光谱遥感卫星像元落在样点内部,并对每个样点的中心点与四角进行定位;
第二模块,用于根据多光谱遥感卫星星历计算过境日期,使用植物冠层分析仪于散射光气象条件下测量目标区域中各样点内植物的叶面积指数,包括在每个样点的中心与四角分别采集叶面积指数一次以上,并记录测量时目标区域的植被物候期;
第三模块,用于对每个样点,分别将第二模块所得对该样点测量的多个叶面积指数取平均,获取该样点的真实叶面积指数:
第四模块,用于获取同目标区域同时期观测的多光谱遥感影像,并以相同区域中预先采集的地面控制点或者高空间分辨率遥感影像为基准进行预处理,得到真实反射率影像:
第五模块,用于根据第四模块生成的真实反射率影像,计算各个样点的植被指数;
第六模块,用于利用第五模块所得植被指数和第三模块所得各个样点的真实叶面积指数进行相关分析,获取测量时目标区域的植被物候期相应的定量关系模型,
LAIpk=ck1+ck2·VIpk
其中,k表示测量时目标区域的植被物候期,pk表示位于植被物候期k的第p个样点,LAIpk为第三模块所得样点pk的真实叶面积指数,VIpk为第五模块所得该样点pk的植被指数,ck1和ck2为植被物候期k的线性拟合系数;
第七模块,用于根据第六模块所得定量关系模型,使用多光谱遥感影像反演分析目标区域在相应植被物候期的植物生长状态。
7.根据权利要求6所述融合物候数据与遥感数据的叶面积指数反演系统,其特征在于:所述植被指数为标准差异植被指数NDVI或归一化土壤调节植被指数SAVI。
8.根据权利要求7所述融合物候数据与遥感数据的叶面积指数反演系统,其特征在于:所述植被指数为标准差异植被指数NDVI,计算方式如下,
NDVI=(ChNIR-ChRed)/(ChNIR+ChRed)
式中,ChRed代表红色波段的反射率,ChNIR代表近红外波段的反射率。
9.根据权利要求8所述融合物候数据与遥感数据的叶面积指数反演系统,其特征在于:针对目标区域的每种植被物候期分别建立定量关系模型。
10.根据权利要求9所述融合物候数据与遥感数据的叶面积指数反演系统,其特征在于:当目标区域的植被物候期有K种时,采用k=1,2,…K标识不同植被物候期,植被物候期相应的定量关系模型表示如下,
LAIpk=ck1+ck2·NDVIpk
其中,k表示测量时目标区域的植被物候期,pk表示位于植被物候期k的第p个样点,LAIpk为第三模块所得样点pk的真实叶面积指数,NDVIpk为第五模块所得该样点pk的标准差异植被指数NDVI,ck1和ck2为植被物候期k的线性拟合系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510880380.7A CN105303063B (zh) | 2015-12-03 | 2015-12-03 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510880380.7A CN105303063B (zh) | 2015-12-03 | 2015-12-03 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105303063A true CN105303063A (zh) | 2016-02-03 |
CN105303063B CN105303063B (zh) | 2018-09-21 |
Family
ID=55200326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510880380.7A Active CN105303063B (zh) | 2015-12-03 | 2015-12-03 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105303063B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372592A (zh) * | 2016-08-29 | 2017-02-01 | 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 |
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 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 |
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 |
CN109992863A (zh) * | 2019-03-22 | 2019-07-09 | 北京师范大学 | 一种lai反演方法和装置 |
CN110544277A (zh) * | 2019-08-12 | 2019-12-06 | 蔡建楠 | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 |
CN110647781A (zh) * | 2018-06-07 | 2020-01-03 | 中国农业大学 | 一种基于谱图融合的农作物生长信息获取方法及装置 |
CN111738974A (zh) * | 2019-03-25 | 2020-10-02 | 中国科学院光电研究院 | 一种叶面积指数地面采样方法 |
CN112182882A (zh) * | 2020-09-28 | 2021-01-05 | 河海大学 | 一种顾及物侯信息的植被冠层蒸腾反演算法 |
CN112857266A (zh) * | 2020-12-30 | 2021-05-28 | 华东师范大学 | 一种对盛叶期全株总叶面积进行反演估测的方法 |
CN113221765A (zh) * | 2021-05-18 | 2021-08-06 | 河海大学 | 一种基于数字相机影像有效像元的植被物候期提取方法 |
CN113340898A (zh) * | 2021-06-30 | 2021-09-03 | 福建师范大学 | 一种叶面积指数时空变化特征研究方法 |
CN113673490A (zh) * | 2021-10-21 | 2021-11-19 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
CN114707412A (zh) * | 2022-04-08 | 2022-07-05 | 四川大学 | 一种基于植被冠层时变特征的swat模型优化方法 |
CN114821344A (zh) * | 2022-06-24 | 2022-07-29 | 航天宏图信息技术股份有限公司 | 一种叶面积指数计算方法和装置 |
CN116071644A (zh) * | 2022-12-20 | 2023-05-05 | 中化现代农业有限公司 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 |
CN116297243A (zh) * | 2023-02-28 | 2023-06-23 | 北京市农林科学院信息技术研究中心 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102829739A (zh) * | 2012-08-21 | 2012-12-19 | 北京农业信息技术研究中心 | 一种面向对象的作物叶面积指数遥感反演方法 |
-
2015
- 2015-12-03 CN CN201510880380.7A patent/CN105303063B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102829739A (zh) * | 2012-08-21 | 2012-12-19 | 北京农业信息技术研究中心 | 一种面向对象的作物叶面积指数遥感反演方法 |
Non-Patent Citations (3)
Title |
---|
SUN J: "Dynamic monitoring and yield estimation of crops by mainly using the remote sensing technique", 《REMOTE SENSE》 * |
张峰 等: "利用时序植被指数监测作物物候的方法研究", 《农业工程学报》 * |
贾玉秋 等: "基于物候差异分析的冬小麦长势监测", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106372592A (zh) * | 2016-08-29 | 2017-02-01 | 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 |
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 |
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 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 |
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 |
CN110647781B (zh) * | 2018-06-07 | 2022-03-18 | 中国农业大学 | 一种基于谱图融合的农作物生长信息获取方法及装置 |
CN110647781A (zh) * | 2018-06-07 | 2020-01-03 | 中国农业大学 | 一种基于谱图融合的农作物生长信息获取方法及装置 |
CN109992863A (zh) * | 2019-03-22 | 2019-07-09 | 北京师范大学 | 一种lai反演方法和装置 |
CN111738974A (zh) * | 2019-03-25 | 2020-10-02 | 中国科学院光电研究院 | 一种叶面积指数地面采样方法 |
CN111738974B (zh) * | 2019-03-25 | 2023-10-03 | 中国科学院光电研究院 | 一种叶面积指数地面采样方法 |
CN110544277A (zh) * | 2019-08-12 | 2019-12-06 | 蔡建楠 | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 |
CN110544277B (zh) * | 2019-08-12 | 2023-01-10 | 蔡建楠 | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 |
CN112182882A (zh) * | 2020-09-28 | 2021-01-05 | 河海大学 | 一种顾及物侯信息的植被冠层蒸腾反演算法 |
CN112182882B (zh) * | 2020-09-28 | 2022-10-14 | 河海大学 | 一种顾及物侯信息的植被冠层蒸腾反演方法 |
CN112857266A (zh) * | 2020-12-30 | 2021-05-28 | 华东师范大学 | 一种对盛叶期全株总叶面积进行反演估测的方法 |
CN113221765A (zh) * | 2021-05-18 | 2021-08-06 | 河海大学 | 一种基于数字相机影像有效像元的植被物候期提取方法 |
CN113221765B (zh) * | 2021-05-18 | 2022-08-30 | 河海大学 | 一种基于数字相机影像有效像元的植被物候期提取方法 |
CN113340898A (zh) * | 2021-06-30 | 2021-09-03 | 福建师范大学 | 一种叶面积指数时空变化特征研究方法 |
CN113340898B (zh) * | 2021-06-30 | 2023-05-30 | 福建师范大学 | 一种叶面积指数时空变化特征研究方法 |
CN113673490B (zh) * | 2021-10-21 | 2022-01-04 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
CN113673490A (zh) * | 2021-10-21 | 2021-11-19 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
CN114707412A (zh) * | 2022-04-08 | 2022-07-05 | 四川大学 | 一种基于植被冠层时变特征的swat模型优化方法 |
CN114707412B (zh) * | 2022-04-08 | 2023-09-29 | 四川大学 | 一种基于植被冠层时变特征的swat模型优化方法 |
CN114821344A (zh) * | 2022-06-24 | 2022-07-29 | 航天宏图信息技术股份有限公司 | 一种叶面积指数计算方法和装置 |
CN116071644A (zh) * | 2022-12-20 | 2023-05-05 | 中化现代农业有限公司 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 |
CN116071644B (zh) * | 2022-12-20 | 2023-08-08 | 中化现代农业有限公司 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 |
CN116297243A (zh) * | 2023-02-28 | 2023-06-23 | 北京市农林科学院信息技术研究中心 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
CN116297243B (zh) * | 2023-02-28 | 2024-02-02 | 北京市农林科学院信息技术研究中心 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105303063B (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105303063A (zh) | 融合物候数据与遥感数据的叶面积指数反演方法及系统 | |
Bai et al. | Intercomparison and evaluation of three global high-resolution evapotranspiration products across China | |
CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
Zhou et al. | Perspective of Chinese GF-1 high-resolution satellite data in agricultural remote sensing monitoring | |
Yang et al. | MODIS leaf area index products: From validation to algorithm improvement | |
Cui et al. | Estimation of actual evapotranspiration and its components in an irrigated area by integrating the Shuttleworth-Wallace and surface temperature-vegetation index schemes using the particle swarm optimization algorithm | |
WO2018145229A1 (zh) | 一种近地面气温的大面积精确反演方法 | |
Battude et al. | Modeling water needs and total irrigation depths of maize crop in the south west of France using high spatial and temporal resolution satellite imagery | |
Chen et al. | Spatio-temporal prediction of leaf area index of rubber plantation using HJ-1A/1B CCD images and recurrent neural network | |
Chen et al. | A data-model fusion approach for upscaling gross ecosystem productivity to the landscape scale based on remote sensing and flux footprint modelling | |
CN102194127B (zh) | 一种多频率sar数据农作物遥感分类方法 | |
CN108732129A (zh) | 一种用图像表示农田土壤成分的系统及其方法 | |
CN104656098A (zh) | 一种遥感森林生物量反演的方法 | |
CN106845808A (zh) | 基于遥感数据反演的灌区稻田智能灌排决策方法和系统 | |
Khabba et al. | The SudMed program and the Joint International Laboratory TREMA: A decade of water transfer study in the Soil-Plant-Atmosphere system over irrigated crops in semi-arid area | |
CN109063553A (zh) | 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 | |
CN104123409B (zh) | 大田冬小麦开花期遥感估产方法 | |
Olsson et al. | Mapping the reduction in gross primary productivity in subarctic birch forests due to insect outbreaks | |
Sun et al. | Estimates of evapotranspiration from MODIS and AMSR-E land surface temperature and moisture over the Southern Great Plains | |
Xu et al. | Area-averaged evapotranspiration over a heterogeneous land surface: aggregation of multi-point EC flux measurements with a high-resolution land-cover map and footprint analysis | |
Liu et al. | Estimating maize seedling number with UAV RGB images and advanced image processing methods | |
CN103424366A (zh) | 一种多光谱精准识别的智能施肥实施方法 | |
Platonov et al. | Water productivity mapping (WPM) using Landsat ETM+ data for the irrigated croplands of the Syrdarya River basin in Central Asia | |
CN109211791A (zh) | 作物长势监测方法及系统 |
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 |