CN105445214B - 一种农业工程遥感监测方法 - Google Patents

一种农业工程遥感监测方法 Download PDF

Info

Publication number
CN105445214B
CN105445214B CN201510852093.5A CN201510852093A CN105445214B CN 105445214 B CN105445214 B CN 105445214B CN 201510852093 A CN201510852093 A CN 201510852093A CN 105445214 B CN105445214 B CN 105445214B
Authority
CN
China
Prior art keywords
mrow
msup
crops
msub
reflectance spectrum
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
Application number
CN201510852093.5A
Other languages
English (en)
Other versions
CN105445214A (zh
Inventor
马万征
李忠芳
汪建飞
谢越
邹海明
李飞跃
范行军
谢晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing zhongnongxinda Information Technology Co.,Ltd.
Original Assignee
Anhui University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN201510852093.5A priority Critical patent/CN105445214B/zh
Publication of CN105445214A publication Critical patent/CN105445214A/zh
Application granted granted Critical
Publication of CN105445214B publication Critical patent/CN105445214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种农业工程遥感监测方法，其采用遥感对农作物进行监控，并对农作物生长状况和蝗虫病害进行监测，其通过对农作物红外反射光谱的研究，为了提高监测精度，对发射的红外光谱进行合理筛选，去掉了一部分不适用的、无可比性的光谱，大大提高了农业工程的监控精度，确保了农作物良好生长的环境，一旦农作物生长出现异常，高监测方法就可以将异常发送给监测点，提高了农业工程监控的智能型和准确性，大大提高了农业可持续发展，促进了遥感技术在农业工程中的应用。

Description

一种农业工程遥感监测方法
技术领域
本发明涉及基于地理信息遥感平台的农业监控技术领域，具体为一种农业工程遥感监测方法，属于农业工程技术领域。
背景技术
近年来，随着卫星遥感技术的迅速发展，国内外已在借助遥感手段来反演许多生态环境参数，例如植被指数、农田温度、土壤水分等。农业生态指数遥感监测方法的优势在于它能利用遥感的空间信息获取特征，快速地掌握整个地区农田地表特征的面状信息。与传统的以定性判断为依据的农业生态评价相比，建立我国农业生态指数遥感监测评价，将能够为决策提供科学依据。该研究分析现有的农业生态评价指标和方法，建立我国农业工程监控的体系，研究提出可用于监测我国不同地区农业生态系统健康程度的，农业生态指数及其监测评价方法，为开展我国农业生态监测评价提供技术支撑。但是，目前的农业工程采用遥控检测的方法准确度较低，还仅仅用于试验阶段，尤其是采用反射光谱来监测农业中的农作物生长状态过程中，反射光谱的不合理比较与利用，大大降低了监测的精度，制约着遥感技术在农业工程的应用。因此，研究提出一种能够提高精度的农业遥感工程状态的监测方法，是新时期我国社会主义新农村建设的迫切需要，也是确保实现农业可持续发展的需要。
基于以上技术问题，本发明提供了一种农业工程遥感监测方法，其通过对农作物红外反射光谱的研究，为了提高监测精度，对发射的红外光谱进行合理筛选，去掉了一部分不适用的、无可比性的光谱，大大提高了农业工程的监控精度，确保了农作物良好生长的环境，一旦农作物生长出现异常，高监测方法就可以将异常发送给监测点，提高了农业工程监控的智能型和准确性，大大提高了农业可持续发展，促进了遥感技术在农业工程中的应用。
发明内容
本发明的目的是提供一种结构和使用简单、合理，精度高，性能稳定的一种农业工程遥感监测方法。
为实现上述目的，本发明采用如下技术方案：一种农业工程遥感监测方法，其特征在于，其包括以下步骤：
(1)、分析农作物在正常生长的各个时期农作物的红外波段反射光的光谱特性，并将该分析得到的光谱特性存储于标准数据库；
(2)、利用遥感无人机上安装的机载光谱成像仪来采集此刻农作物的红外波段反射光谱；
(3)、基于所采集的农作物的红外波段反射光谱，过滤排除掉来自特殊区域部位的红外波段反射光谱；
(4)、将过滤之后的红外波段反射光谱与所述标准数据库中的光谱特性进行比较，利用统计学方法构建遥感光谱指数监控模型，分析得出此刻农作物的生长情况；
(5)、如果农作物生长情况高于设定的阈值，则表明农作物生长良好；
(6)、如果分析得出的农作物的生长情况低于设定的阈值，则卫星气象站点获取农作物所在区域的温度、湿度和植被覆盖度，并将获得的温度、湿度和植被覆盖度与存储于比较数据库中的蝗虫种群发育温度、湿度和植被覆盖度进行比较，采用蝗虫发育预警模型进行预测，得出蝗虫风险预测结果；
(7)、根据预测的结果，将农作物的蝗虫风险预测结果发送给监控点。
进一步，作为优选，所述步骤(3)中过滤排除掉来自特殊区域部位的红外波段反射光谱所采用的方法是基于光谱的反射率、波峰和发射陡坡进行判断的，其中，将不满足以下条件的反射光谱特性的区域的反射光谱均过滤掉：所采集的反射的红外波段的反射率为13-18％，且在0.88μm-0.95μm间有一个反射的陡坡，且在1.05-1.08μm处有一峰值。
进一步，作为优选，所述步骤(4)中，遥感光谱指数监控模型采用如下公式计算得出：
其中，c为光速，λ为红外波段反射光谱的反射波长，h为普朗克常数，h＝6.626076×10-34J·S；k为波尔兹曼系数，k＝1.380658×10-23J/K；T为摄氏温度；
ti为所采集的红外波段反射光谱，ri为存储于标准数据库中的参考光谱，参考光谱，nb为波段数，α的取值范围为0-90°；
当采用上述模型计算出的所采集的反射光谱的D小于同时期的标准数据库中反射光谱的D，且所采集的反射光谱的α大于同时期的标准数据库中反射光谱的α时，表明此刻农作物生长良好。
进一步，作为优选，所述步骤(6)中，蝗虫发育预警模型是采用温度、湿度和植被覆盖度的遥感反演的斜率来判定，具体评价算法为：
PIMD＝a×T+b×LWC+c×NDVI；
其中，PIMD为蝗虫灾害报警指数，a为存储于比较数据库中的蝗虫种群发育温度的反演斜率，b为存储于比较数据库中的蝗虫种群发育湿度的反演斜率，c为存储于比较数据库中的蝗虫种群发育植被覆盖度的反演斜率，LWC为所采集的湿度，NDVI为所采集的植被覆盖度。
进一步，作为优选，所述步骤(2)中，包括利用遥感无人机上安装的视频影像摄像机采集图像数据，并将图像数据直接发送给监控点的步骤。
本发明的有益效果在于：
本发明提供的一种农业工程遥感监测方法，其通过对农作物红外反射光谱的研究，为了提高监测精度，对发射的红外光谱进行合理筛选，去掉了一部分不适用的、无可比性的光谱，大大提高了农业工程的监控精度，确保了农作物良好生长的环境，一旦农作物生长出现异常，高监测方法就可以将异常发送给监测点，提高了农业工程监控的智能型和准确性，大大提高了农业可持续发展，促进了遥感技术在农业工程中的应用。
附图说明
图1是本发明的一种农业工程遥感监测方法的流程示意图；
具体实施方式
以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。
如图1所示，本发明提供一种农业工程遥感监测方法，其特征在于，其包括以下步骤：
(1)、分析农作物在正常生长的各个时期农作物的红外波段反射光的光谱特性，并将该分析得到的光谱特性存储于标准数据库；
(2)、利用遥感无人机上安装的机载光谱成像仪来采集此刻农作物的红外波段反射光谱；
(3)、基于所采集的农作物的红外波段反射光谱，过滤排除掉来自特殊区域部位的红外波段反射光谱，由于特殊区域，比如叶尖或者个别干枯的叶片，其反射光谱均会出现较大的不同，拿着这些反射红外光谱特性与标准数据库中的光谱比较，就好比苹果与香蕉的比较，是没有可比性的，因此，该过滤步骤可以大大提高监测的准确性；
(4)、将过滤之后的红外波段反射光谱与所述标准数据库中的光谱特性进行比较，利用统计学方法构建遥感光谱指数监控模型，分析得出此刻农作物的生长情况；
(5)、如果农作物生长情况高于设定的阈值，则表明农作物生长良好；
(6)、如果分析得出的农作物的生长情况低于设定的阈值，则卫星气象站点获取农作物所在区域的温度、湿度和植被覆盖度，并将获得的温度、湿度和植被覆盖度与存储于比较数据库中的蝗虫种群发育温度、湿度和植被覆盖度进行比较，采用蝗虫发育预警模型进行预测，得出蝗虫风险预测结果；
(7)、根据预测的结果，将农作物的蝗虫风险预测结果发送给监控点。
在本实施例中，所述步骤(3)中过滤排除掉来自特殊区域部位的红外波段反射光谱所采用的方法是基于光谱的反射率、波峰和发射陡坡进行判断的，其中，将不满足以下条件的反射光谱特性的区域的反射光谱均过滤掉：所采集的反射的红外波段的反射率为13-18％，且在0.88μm-0.95μm间有一个反射的陡坡，且在1.05-1.08μm处有一峰值。
进一步，作为优选，所述步骤(4)中，遥感光谱指数监控模型采用如下公式计算得出：
其中，c为光速，λ为红外波段反射光谱的反射波长，h为普朗克常数，h＝6.626076×10-34J·S；k为波尔兹曼系数，k＝1.380658×10-23J/K；T为摄氏温度；
ti为所采集的红外波段反射光谱，ri为存储于标准数据库中的参考光谱，参考光谱，nb为波段数，α的取值范围为0-90°；
当采用上述模型计算出的所采集的反射光谱的D小于同时期的标准数据库中反射光谱的D，且所采集的反射光谱的α大于同时期的标准数据库中反射光谱的α时，表明此刻农作物生长良好。
而在所述步骤(6)中，蝗虫发育预警模型是采用温度、湿度和植被覆盖度的遥感反演的斜率来判定，具体评价算法为：
PIMD＝a×T+b×LWC+c×NDVI；
其中，PIMD为蝗虫灾害报警指数，a为存储于比较数据库中的蝗虫种群发育温度的反演斜率，b为存储于比较数据库中的蝗虫种群发育湿度的反演斜率，c为存储于比较数据库中的蝗虫种群发育植被覆盖度的反演斜率，LWC为所采集的湿度，NDVI为所采集的植被覆盖度。此外，在所述步骤(2)中，包括利用遥感无人机上安装的视频影像摄像机采集图像数据，并将图像数据直接发送给监控点的步骤。
本发明通过对农作物红外反射光谱的研究，为了提高监测精度，对发射的红外光谱进行合理筛选，去掉了一部分不适用的、无可比性的光谱，大大提高了农业工程的监控精度，确保了农作物良好生长的环境，一旦农作物生长出现异常，高监测方法就可以将异常发送给监测点，提高了农业工程监控的智能型和准确性，大大提高了农业可持续发展，促进了遥感技术在农业工程中的应用。
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 (4)

1.一种农业工程遥感监测方法，其特征在于，其包括以下步骤：
(1)、分析农作物在正常生长的各个时期农作物的红外波段反射光的光谱特性，并将该分析得到的光谱特性存储于标准数据库；
(2)、利用遥感无人机上安装的机载光谱成像仪来采集此刻农作物的红外波段反射光谱；
(3)、基于所采集的农作物的红外波段反射光谱，过滤排除掉来自特殊区域部位的红外波段反射光谱，其中，特殊区域至少包括农作物叶尖部、干枯叶片的区域；
(4)、将过滤之后的红外波段反射光谱与所述标准数据库中的光谱特性进行比较，利用统计学方法构建遥感光谱指数监控模型，分析得出此刻农作物的生长情况；
(5)、如果农作物生长情况高于设定的阈值，则表明农作物生长良好；
(6)、如果分析得出的农作物的生长情况低于设定的阈值，则卫星气象站点获取农作物所在区域的温度、湿度和植被覆盖度，并将获得的温度、湿度和植被覆盖度与存储于比较数据库中的蝗虫种群发育温度、湿度和植被覆盖度进行比较，采用蝗虫发育预警模型进行预测，得出蝗虫风险预测结果；
(7)、根据预测的结果，将农作物的蝗虫风险预测结果发送给监控点；
所述步骤(3)中过滤排除掉来自特殊区域部位的红外波段反射光谱所采用的方法是基于光谱的反射率、波峰和发射陡坡进行判断的，其中，将不满足以下条件的反射光谱特性的区域的反射光谱均过滤掉：所采集的反射的红外波段的反射率为13-18％，且在0.88μm-0.95μm间有一个反射的陡坡，且在1.05-1.08μm处有一峰值。
2.根据权利要求1所述的一种农业工程遥感监测方法，其特征在于，所述步骤(4)中，遥感光谱指数监控模型采用如下公式计算得出：
<mrow> <mi>D</mi> <mo>=</mo> <mn>2</mn> <msup> <mi>&amp;pi;hc</mi> <mn>2</mn> </msup> <msup> <mi>v</mi> <mn>3</mn> </msup> <msup> <mrow> <mo>(</mo> <msup> <mi>e</mi> <mfrac> <mrow> <mi>c</mi> <mi>h</mi> <mi>v</mi> </mrow> <mrow> <mi>k</mi> <mi>T</mi> </mrow> </mfrac> </msup> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>;</mo> <mi>v</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>&amp;lambda;</mi> </mfrac> <mo>;</mo> </mrow>
<mrow> <mi>&amp;alpha;</mi> <mo>=</mo> <msup> <mi>cos</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>&amp;lsqb;</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>b</mi> </msub> </munderover> <msub> <mi>t</mi> <mi>i</mi> </msub> <msub> <mi>r</mi> <mi>i</mi> </msub> </mrow> <mrow> <msup> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>b</mi> </msub> </munderover> <msubsup> <mi>t</mi> <mi>i</mi> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> </msup> <msup> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>b</mi> </msub> </munderover> <msup> <msub> <mi>r</mi> <mi>i</mi> </msub> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> </msup> </mrow> </mfrac> <mo>&amp;rsqb;</mo> <mo>;</mo> </mrow>
其中，c为光速，λ为红外波段反射光谱的反射波长，h为普朗克常数，h＝6.626076×10-34J·S；k为波尔兹曼系数，k＝1.380658×10-23J/K；T为摄氏温度；
ti为所采集的红外波段反射光谱，ri为存储于标准数据库中的参考光谱，参考光谱，nb为波段数，α的取值范围为0-90°；
当采用上述模型计算出的所采集的反射光谱的D小于同时期的标准数据库中反射光谱的D，且所采集的反射光谱的α大于同时期的标准数据库中反射光谱的α时，表明此刻农作物生长良好。
3.根据权利要求1所述的一种农业工程遥感监测方法，其特征在于，所述步骤(6)中，蝗虫发育预警模型是采用温度、湿度和植被覆盖度的遥感反演的斜率来判定，具体评价算法为：
PIMD＝a×T+b×LWC+c×NDVI；
其中，PIMD为蝗虫灾害报警指数，a为存储于比较数据库中的蝗虫种群发育温度的反演斜率，b为存储于比较数据库中的蝗虫种群发育湿度的反演斜率，c为存储于比较数据库中的蝗虫种群发育植被覆盖度的反演斜率，LWC为所采集的湿度，NDVI为所采集的植被覆盖度。
4.根据权利要求1所述的一种农业工程遥感监测方法，其特征在于，所述步骤(2)中，包括利用遥感无人机上安装的视频影像摄像机采集图像数据，并将图像数据直接发送给监控点的步骤。
CN201510852093.5A 2015-11-27 2015-11-27 一种农业工程遥感监测方法 Active CN105445214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510852093.5A CN105445214B (zh) 2015-11-27 2015-11-27 一种农业工程遥感监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510852093.5A CN105445214B (zh) 2015-11-27 2015-11-27 一种农业工程遥感监测方法

Publications (2)

Publication Number Publication Date
CN105445214A CN105445214A (zh) 2016-03-30
CN105445214B true CN105445214B (zh) 2018-02-13

Family

ID=55555669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510852093.5A Active CN105445214B (zh) 2015-11-27 2015-11-27 一种农业工程遥感监测方法

Country Status (1)

Country Link
CN (1) CN105445214B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017221756A1 (ja) * 2016-06-22 2017-12-28 ソニー株式会社 センシングシステム、センシング方法、及び、センシング装置
CN108267175B (zh) * 2018-02-06 2021-01-08 首欣（北京）科技有限公司 一种基于无人机的农作物监测方法和装置
CN109360376A (zh) * 2018-09-13 2019-02-19 航天信德智图（北京）科技有限公司 感染松材线虫病枯死马尾松卫星监测空间数据库
CN110222903B (zh) * 2019-06-13 2021-08-31 苏州市农业科学院 一种基于无人机遥感的水稻产量预测方法及系统
CN110361344A (zh) * 2019-08-30 2019-10-22 北京麦飞科技有限公司 基于高光谱的病害程度诊断方法
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
CN113218898A (zh) * 2021-05-06 2021-08-06 塔里木大学 一种基于光谱分析的植物病害遥感特征提取方法
CN113537929B (zh) * 2021-06-30 2024-07-12 云南警官学院 一种基于区块链的工业大麻种植监管系统及方法
CN114128532B (zh) * 2021-11-17 2023-08-04 广东省农业科学院植物保护研究所 一种应用于温室大棚的虫害智能监测及防治系统
CN116401557B (zh) * 2023-03-28 2023-11-14 中国科学院地理科学与资源研究所 一种农业面源污染遥感监测与预警方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7494944B2 (en) * 2004-12-10 2009-02-24 Rhodia Inc. Method for durable hydrophilization of a hydrophobic surface
JP2010166851A (ja) * 2009-01-22 2010-08-05 Chiharu Hongo 作物の収量予測方法及びその装置
WO2010132731A1 (en) * 2009-05-14 2010-11-18 Lightner Jonathan E Inverse modeling for characteristic prediction from multi-spectral and hyper-spectral remote sensed datasets
CN103034910A (zh) * 2012-12-03 2013-04-10 北京农业信息技术研究中心 基于多源信息的区域尺度病虫害预测方法
CN103761674A (zh) * 2014-01-27 2014-04-30 林兴志 基于遥感与海量气候信息的农作物生长期告警与干预方法
CN103955606A (zh) * 2014-04-23 2014-07-30 北京大学 一种基于遥感技术的草原蝗灾渐进式预测方法
CN104914454A (zh) * 2015-06-15 2015-09-16 中国人民解放军国防科学技术大学 一种农业工程遥感监测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7494944B2 (en) * 2004-12-10 2009-02-24 Rhodia Inc. Method for durable hydrophilization of a hydrophobic surface
JP2010166851A (ja) * 2009-01-22 2010-08-05 Chiharu Hongo 作物の収量予測方法及びその装置
WO2010132731A1 (en) * 2009-05-14 2010-11-18 Lightner Jonathan E Inverse modeling for characteristic prediction from multi-spectral and hyper-spectral remote sensed datasets
CN103034910A (zh) * 2012-12-03 2013-04-10 北京农业信息技术研究中心 基于多源信息的区域尺度病虫害预测方法
CN103761674A (zh) * 2014-01-27 2014-04-30 林兴志 基于遥感与海量气候信息的农作物生长期告警与干预方法
CN103955606A (zh) * 2014-04-23 2014-07-30 北京大学 一种基于遥感技术的草原蝗灾渐进式预测方法
CN104914454A (zh) * 2015-06-15 2015-09-16 中国人民解放军国防科学技术大学 一种农业工程遥感监测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Mapping of Desert Locust Habitats in Africa Using Landsat Thematic Mapper Data;Dmiser et al.;《GeoJournal》;19941231;全文 *
The potential of satellite remote sensing of ecological conditions for survey and forecasting desert-locust activity;C.J.Tucker et al.;《International Journal of Remote Sensing》;19851231;第6卷(第1期);全文 *
东亚飞蝗灾害的遥感监测机理与方法研究;韩秀珍;《中国优秀博硕士学位论文全文数据库（博士）农业科技辑》;20030915;东亚飞蝗灾害的遥感监测机理与方法研究 *
基于Landsat8 卫星数据的蝗虫遥感监测方法研究;黄健熙等;《农业机械学报》;20150531;第46卷(第5期);全文 *
集成GIS 和RS 技术的作物病虫害监测预报研究进展;宫彦萍等;《农业工程学报》;20080930;第24卷;全文 *

Also Published As

Publication number Publication date
CN105445214A (zh) 2016-03-30

Similar Documents

Publication Publication Date Title
CN105445214B (zh) 一种农业工程遥感监测方法
Anthony et al. On crop height estimation with UAVs
AU2021282487A1 (en) Forecasting national crop yield during the growing season
Doraiswamy et al. Crop yield assessment from remote sensing
Serneels et al. Land cover changes around a major east African wildlife reserve: the Mara Ecosystem (Kenya)
Honrado et al. UAV imaging with low-cost multispectral imaging system for precision agriculture applications
Castro Gomez Joint use of Sentinel-1 and Sentinel-2 for land cover classification: A machine learning approach
CN111832518B (zh) 基于时空融合的tsa遥感影像土地利用方法
CN105511529B (zh) 一种设施农业环境智能控制方法
CN103345707A (zh) 一种基于多源遥感数据的农作物成熟期遥感预测方法
Lu et al. IBM PAIRS curated big data service for accelerated geospatial data analytics and discovery
Chen et al. Retrieval of cotton plant water content by UAV-based vegetation supply water index (VSWI)
Marín et al. Urban lawn monitoring in smart city environments
Awais et al. Assessment of optimal flying height and timing using high-resolution unmanned aerial vehicle images in precision agriculture
Siegfried et al. Combining a cotton ‘Boll Area Index’with in-season unmanned aerial multispectral and thermal imagery for yield estimation
Assiri et al. Leaf area index and aboveground biomass estimation of an alpine peatland with a UAV multi-sensor approach
KR102681472B1 (ko) 무인항공기 기반 다중분광영상을 활용한 소규모 저수지의 수생식물 탐지 방법 및 시스템
KR102192693B1 (ko) 농작물 손해사정 평가를 위한 농작물 피해 분석 시스템 및 이를 이용한 농작물 손해사정 평가 방법
Chen et al. Comparison of CWSI and Ts-Ta-VIs in moisture monitoring of dryland crops (sorghum, maize) based on UAV remote sensing
Song et al. An effective leaf area index estimation method for wheat from UAV-based point cloud data
Livanos et al. Extraction of reflectance maps for smart farming applications using unmanned aerial vehicles
Ramachandra et al. Analysis of land surface temperature and rainfall with landscape dynamics in Western Ghats, India
Jiang et al. Automated segmentation of individual leafy potato stems after canopy consolidation using YOLOv8x with spatial and spectral features for UAV-based dense crop identification
Li et al. Selection of predictor variables in downscaling land surface temperature using random forest algorithm
CN103364792A (zh) 用户驱动的粮食遥感地面参照信息收集方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20200330

Address after: 100193 yard 58, Dongbei Wangxi Road, Haidian District, Beijing

Patentee after: Beijing bozhichuan Technology Service Co., Ltd.

Address before: Anhui Science and Technology University Anhui 233100 Dragon Lake City of Bengbu Province

Patentee before: ANHUI SCIENCE AND TECHNOLOGY University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210719

Address after: 100089 room 101-205, 2f, building 18, courtyard east, No. 10, northwest Wangdong Road, Haidian District, Beijing

Patentee after: Beijing zhongnongxinda Information Technology Co.,Ltd.

Address before: Courtyard 58, Dongbeiwang West Road, Haidian District, Beijing 100193

Patentee before: Beijing bozhichuan Technology Service Co.,Ltd.