CN106018284A - 一种作物长势定量遥感监测方法及系统 - Google Patents
一种作物长势定量遥感监测方法及系统 Download PDFInfo
- Publication number
- CN106018284A CN106018284A CN201610319134.9A CN201610319134A CN106018284A CN 106018284 A CN106018284 A CN 106018284A CN 201610319134 A CN201610319134 A CN 201610319134A CN 106018284 A CN106018284 A CN 106018284A
- Authority
- CN
- China
- Prior art keywords
- leaf area
- index
- crop
- leaf
- remote sensing
- 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
- 230000012010 growth Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 230000005855 radiation Effects 0.000 claims description 47
- 238000011161 development Methods 0.000 claims description 21
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 20
- 230000005484 gravity Effects 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 239000003337 fertilizer Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 24
- 230000018109 developmental process Effects 0.000 description 18
- 230000006872 improvement Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000000243 photosynthetic effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000012272 crop production Methods 0.000 description 4
- 230000029553 photosynthesis Effects 0.000 description 4
- 238000010672 photosynthesis Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001850 reproductive effect Effects 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Physics & Mathematics (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明公开了一种作物长势定量遥感监测方法及系统,其中所述方法包括:通过遥感反演获取作物实际叶面积指数并记录;通过作物模型模拟获取作物潜在生产力叶面积指数并记录;根据所述实际叶面积指数和潜在生产力叶面积指数计算叶面积差异指数;根据所述叶面积差异指数定量判断作物长势。通过实施本方法,在分析和研究作物高产群体生理生态参数特征的基础上,链接遥感对现实作物群体叶面积指数的可反演性和作物生长模型对光温生产潜力的可模拟性,由此提出叶面积指数差异指数的定义、构建方式及计算方法,并实现在区域上应用示范,探索在遥感共性产品的基础上,建立具备行业特征的作物长势定量遥感方法及监测系统。
Description
技术领域
本发明属于定量遥感领域,更具体地说,本发明涉及一种作物长势定量遥感监测方法及系统。
背景技术
作物长势是农业遥感监测的重要内容,对作物生产状况的预警及其产量的预测都有重要意义,前人在此方面开展了较多研究,并对当前作物长势遥感监测提出了需要迫切解决的问题。但农作物长势遥感监测机理研究不够,作物生长生理生态信息与遥感监测信息间的关联与区别研究有待加强,且因为缺乏作物长势评价标准,导致大尺度作物长势监测结果在时空上对比性不强。由此可看出,遥感监测作物长势技术上还有很大的发展空间。
发明内容
本发明的目的在于:提供一种可监测和判断作物长势的定量遥感监测方法及系统。
为了实现上述发明目的,本发明提供了一种作物长势定量遥感监测方法,所述方法包括:
通过遥感反演获取作物实际叶面积指数并记录;
通过作物模型模拟获取作物潜在生产力叶面积指数并记录;
根据所述实际叶面积指数和潜在生产力叶面积指数计算叶面积差异指数;
根据所述叶面积差异指数定量判断作物长势。
作为本发明作物长势定量遥感监测方法的一种改进,所述通过所述实际叶面积指数和潜在生产力叶面积指数计算叶面积差异指数的方法为:
其中LAIav为实际叶面积指数,LAIcv为潜在生产力叶面积指数。
作为本发明作物长势定量遥感监测方法的一种改进,所述作物实际叶面积指数LAIav的计算方式为:
LAIav=f(q,t,w,f,s)
=Q·f(Q)·f(T)·f(W)·f(F)·f(S)
=f(NDVI)
其中,所述Q为光照因素、T为温度因素、W为水因素、F肥因素、S为社会因素,NVDI为植被覆盖指数。
作为本发明作物长势定量遥感监测方法的一种改进,所述作物潜在生产力叶面积指数LAIcv计算方式为:
LAIcv=f(s,t)
=Q·f(Q)·f(T)(f(W)=1;f(F)=1;f(S)=1)
=f(PAR,AFPAR,RUE,IFt,IFa,Fleaf,SLW)
其中,PAR为光合有效辐射,AFPAR为吸收性光合有效辐射,RUE为光合有效辐射利用率,IFt为温度影响因子,IFa为叶龄影响因子,Fleaf为叶比重,SLW为比叶重。
作为本发明作物长势定量遥感监测方法的一种改进,所述潜在生产力叶面积指数LAIcv计算方法具体为:
其中,DMleaf为叶片重,SLW为比叶重,DM为总干物质积累量,Fleaf为叶比重,DS为生长发育进程,DMi为日干物质积累量,n为生长发育期天数。
作为本发明作物长势定量遥感监测方法的一种改进,所述日干物质积累量DMi的计算方法为:
DMi=PARi×RUE×AFPARi×IFt×IFa
其中,PAR为光合有效辐射,RUE为太阳辐射利用率,AFPARi为吸收性光合有效辐射比率,IFt为温度影响因子,IFa为叶龄影响因子;
其中,PAR=ηPAR×SR,ηPAR为光合有效辐射占太阳总辐射的比值,即光合有效辐射系数,SR为太阳总辐射;
其中,IFt=1-0.003×(T-30)2,T为温度因素;
其中,
DS为生长发育进程。
作为本发明作物长势定量遥感监测方法的一种改进,所述太阳总辐射SR的计算方法为:
其中,ER为天文辐射量(118.109MJ·m-2·d-1),Ts为日照时数,Td为日长,a、b为待定系数。
作为本发明作物长势定量遥感监测方法的一种改进,所述待定系数a=0.25,b=0.48。
作为本发明作物长势定量遥感监测方法的一种改进,通过遥感反演获取不同时段的作物实际叶面积指数并记录;
通过作物模型模拟获取不同时段的作物潜在生产力叶面积指数并记录;
根据所述实际叶面积指数和潜在生产力叶面积指数计算不同时段的叶面积差异指数;
根据所述叶面积差异指数定量判断不同时段的作物长势。
作为本发明作物长势定量遥感监测方法的一种改进,所述根据所述叶面积差异指数定量判断作物长势的方法为:
比较所述叶面积差异指数与阈值之间的大小关系;
若所述叶面积差异指数大于或等于阈值,则判断所述作物长势优良;
若所述叶面积差异指数小于阈值,则判断所述作物长势较差。
为了实现上述发明目的,本发明提供了一种作物长势定量遥感监测系统,所述系统包括:
第一监测模块,用于通过遥感反演获取作物实际叶面积指数并记录;
第二监测模块,用于通过作物模型模拟获取作物潜在生产力叶面积指数并记录;
计算模块,用于根据所述实际叶面积指数和潜在生产力叶面积指数计算叶面积差异指数;
判断模块,用于根据所述叶面积差异指数定量判断作物长势。
与现有技术相比,通过实施本方法及系统,在分析和研究作物高产群体生理生态参数特征的基础上,链接遥感对现实作物群体叶面积指数的可反演性和作物生长模型对光温生产潜力的可模拟性,由此提出叶面积指数差异指数的定义、构建方式及计算方法,并实现在区域上应用示范,探索在遥感共性产品的基础上,建立具备行业特征的作物长势遥感监测方法。
附图说明
图1是本发明的作物长势定量遥感监测方法的第一实施例流程图;
图2是本发明的作物长势定量遥感监测系统的第一实施例示意图。
具体实施方式
为了使本发明的目的、技术方案及其有益技术效果更加清晰,以下结合附图和具体实施方式,对本发明进行进一步详细说明。应当理解的是,本说明书中描述的具体实施方式仅仅是为了解释本发明,并非为了限定本发明。
实施例一
如图1所示,在本发明的作物长势定量遥感监测方法的第一实施例中,该监测方法包括以下步骤:
步骤S1,通过遥感反演获取作物实际叶面积指数并记录;
步骤S2,通过作物模型模拟获取作物潜在生产力叶面积指数并记录;
步骤S3,根据该实际叶面积指数和潜在生产力叶面积指数计算叶面积差异指数;
步骤S4,根据该叶面积差异指数定量判断作物长势。
在定量监测判断作物长势过程中,可通过遥感反演的方式获取不同时段的作物实际叶面积指数,并记录不同时段的实际叶面积指数。通过作物模型模拟的方式获取不同时段的作物潜在生产力叶面积指数,并记录不同时段的潜在生产力叶面积指数,根据所记录的不同时段的实际叶面积指数和潜在生产力叶面积指数计算叶面积差异指数,并根据该叶面积差异指数定量判断不同时段的作物长势。
其中,步骤S1和步骤S2不分先后,步骤S2可在步骤S1之前实施。
具体的,该通过实际叶面积指数和潜在生产力叶面积指数计算叶面积差异指数的计算方法为:
其中LAIav为实际叶面积指数,LAIcv为潜在生产力叶面积指数。
根据叶面积差异指数定量判断作物长势的方法具体为:
比较所计算出的叶面积差异指数与阈值之间的大小关系,若叶面积差异指数大于或等于阈值,则判断作物长势优良;若叶面积差异指数小于阈值,则判断作物长势较差或一般。
此处所谓阈值,也可称为一般“基于先验知识的阈值”,其数值设置依赖于对先有知识的积累参考,可谓是个经验值,可依据实际经验及需要进行设置。优选的,该阈值为1。
进一步的,根据叶面积差异指数定量判断作物长势的方法还可以是:将计算出的叶面积差异指数与预设区间指数进行比较,若计算出的叶面积差异指数位于第一预设区间内,则认为该作物长势优良,若计算出的叶面积差异指数位于第二预设区间内,则认为该作物长势一般,若计算出的叶面积差异指数位于第三预设区间内,则认为该作物长势较差。
通过实施本方法,在分析和研究作物高产群体生理生态参数特征的基础上,链接遥感对现实作物群体叶面积指数的可反演性和作物生长模型对光温生产潜力的可模拟性,由此提出叶面积指数差异指数的定义、构建方式及计算方法,并实现在区域上应用示范,探索在遥感共性产品的基础上,建立具备行业特征的作物长势遥感监测方法。
通过获取叶面积差异指数,可根据其获取的作物长势相关信息并判断作物长势,如:(1)叶面积差异指数体现了作物群体现实生长状况与当地光温条件下可实现的群体生长状况的差异,告诉生产者当前作物生长状况处于怎样的水平,与最好能够达到的目标还有多大差距;(2)叶面积差异指数是作物生长现实状况的一种定量表达,在作物生长的不同阶段都有可比性,可以实现生长现实状况的连续时间序列表达,体现农业耕作措施调整的情况下,对作物生长的影响。(3)叶面积差异指数能为遥感作物长势的定量分级提供依据,可以是定量遥感分析的标尺,特别是对作物旺长有显著的监测诊断作用,为遥感作物长势诊断结果与大田肥水的运筹的链接提供了桥梁。(4)叶面积差异指数所表达的信息可以与气候、土壤、管理信息相结合,实现作物生长差异的障碍因素诊断,为作物生产管理的具体措施提供决策性信息。
实施例二
本实施例在第一实施例的基础上,该作物长势定量遥感监测方法还包括:在作物生产潜力研究上,作物生产潜力可以分为光合潜力、光温潜力、光温水潜力(气候生产潜力)、土地生产潜力和社会生产潜力五个层次。
社会生产潜力:YM=Q·f(Q)·f(T)·f(W)·f(S)·f(M)
土地生产潜力:YS=Q·f(Q)·f(T)·f(W)·f(S)(f(M=1))
气候生产潜力:YW=Q·f(Q)·f(T)·f(W)(f(S)=1;f(M)=1)
光温生产潜力:YT=Q·f(Q)·f(T)(f(W)=1;f(S)=1;f(M)=1)
光合生产潜力:YQ=Q·f(Q)(f(T)=1;f(W)=1;f(S)=1;f(M)=1)
YQ为作物光合生产潜力;YT为作物光温生产潜力;YW为作物气候生产潜力;YS为作物光温水生产潜力,即土壤生产潜力;YM为作物社会生产潜力。Q表示单位时间、单位面积上的太阳总辐射;f(Q)、f(T)、f(W)、f(S)、f(M)分别表示光合、温度、水分、土壤、社会有效系数。
光合生产潜力是指在外界环境条件和作物群体结构、长势及农业技术措施都适宜的情况下,仅由作物光合效率决定的最高产量,是作物产量的理论上线状态。光温生产潜力是在一定的光、温条件下,其它环境因素(水分、二氧化碳、养分等)和作物群体因素处于最适宜状态,作物利用当地的光、温资源的潜在生产力状态。光温水生产潜力是假设作物品种、土壤肥力、耕作技术适宜时,在当地光、热、水气候条件下单位面积可能达到的最高产量的状态。土地生产潜力是指在现有耕作技术水平及与之相适应的各项措施下土地的最大生产能力的状态。社会生产力是指实现受社会生产条件、经济状况、生产水平等因素制约下的最大生产能力的状态。
LAIav是受光照、温度、水、肥和社会几个因素的影响,这些因素影响的最终LAI(Leaf Area Index,叶面指数)表现可由遥感数据反演,具体表示方法如下:
LAIav=f(s,t,w,f,s)
=Q·f(Q)·f(T)·f(W)·f(S)·f(M)
=f(NDVI)
其中,Q为光照因素、T为温度因素、W为水因素、F为肥因素、S为社会因素,NVDI为植被覆盖指数。
LAIcv是假设在特定区域,作物当地光热资源条件下,不受水、肥和社会条件的影响作物群体的LAI,该值将基于作物光能利用理论及现实作物高产生理生态理论,通过作物生长模型模拟近似计算,具体表示方法如下:
LAIcv=f(s,t)
=Q·f(Q)·f(T)(f(W)=1;f(S)=1;f(M)=1)
=f(PAR,AFPAR,RUE,IFt,IFa,Fleaf,SLW)
其中,PAR为光合有效辐射,AFPAR为吸收性光合有效辐射,RUE为光合有效辐射利用率,IFt为温度影响因子,IFa为叶龄影响因子,Fleaf为叶比重,SLW为比叶重。
进一步的,潜在生产力叶面积指数将根据叶片重与比叶重获得,表达式如下:
LAIcv是潜在生产力叶面积指数,SLW为比叶重。
作物叶面积指数和干物质积累模型通过光能利用的方式建立,主要根据群体对太阳辐射的吸收量(Sa)和辐射利用率(RUE)计算干物质生产量。
DM为总干物质积累量,DMi为日干物质积累量,n为生长发育期天数。
进一步的,
DMi=PARi×RUE×FPARi×IFt×IFa
其中,PARi为日光合有效辐射,RUE为辐射利用率,FPARi为光合有效辐射系数,IFt是温度影响因子,IFa是株龄影响因子。
其中,
PAR=ηPAR×SR
其中,PAR是光合有效辐射值,ηPAR是光合有效辐射占太阳总辐射的比值,SR是经过天文辐射量与日照时数关系计算的到的太阳总辐射。
通过分析关于光合有效辐射占太阳总辐射的比值,不同月份对应的比值不同,优选其1月为0.450、2月为0.451、3月为0.458、4月为0.455、5月为0.448、6月为0.440、7月为0.437、8月为0.430、9月为0.436、10月为0.437、11月为0.441、12月为0.449。
以下方程就为利用实际日照时数计算太阳总辐射量的过程:
其中SR为太阳总辐射量。ER为天文辐射量,Ts为日照时数,Td为日长,a、b为待定系数,Ts通过气象站获得。优选的,待定系数a=0.25,b=0.48。
Td、ER计算方法如下:
其中Sc为太阳常数,取118.109MJ·m-2·d-1,EO为地球赤道偏心率校正因子,Φ为气象站点地理纬度,ωs为日落的时角,δ为赤纬。EO、δ、ωs计算方法如下:EO=1.00011+0.034221cosΓ+0.00128sinΓ+0.000719cos2Γ+0.000077sin2Γ
ωs=arccos(-tanφtanδ)
其中Γ为年角,其计算方法如下:
进一步的,作物群体光合有效辐射吸收率:
FPAR=1-St-Sr
St和Sr分别表示作物冠层的反射率和透过率。
计算冠层反射率的方程:
Sr=0.0499LAI-0.285
通过朗伯比尔定律获得作物群体冠层底部的光透过率的方程:
St=e-1.06×LAI
辐射利用率(Radiation use efficiency,RUE)是作物生长时段内干物质的积累量与该时段作物冠层拦截太阳辐射量中有效光合辐射的比值,单位为g/MJ。
随着产量和最大干物质积累量的增加,每日干物质增长量也增加,本发明中对RUE取值为1.9g·MJ-1。
温度变化的直接作用对象是冠层的光合效率,间接作用于RUE。诸多研究表明了作物光合作用速率与温度有显著关系。
因此,温度影响因子IFt计算方式为:
IFt=1-0.003×(T-30)2
其中,T为温度值;
叶龄影响因子IFa计算方式为:
DS表示生长发育度。
进一步的,
PDT表示生理发育时间,DRi表示某个生育期的日生长发育量。
VPDT表示作物在一个生育时期内所需生理发育时间,
每日生长发育量的计算方法如下:
VPDT=SPDT×MI
SPDT表示每个生育时期的标准生理发育时间,MI表示每个品种的熟性指数。在完成播种-出苗,出苗-现蕾,现蕾-开花,开花-吐絮四个阶段将需要SPDT为2.5、17.5、27.5、60.0,本发明将采用此为标准计算作物的熟性。
作物熟性的计算方法如下:
其中,i:发育时期,Mi、Ni表示样本数;Ma(i):作物在第i发育时期的熟性指数,MTREa(i)为对照作物第i生育期所需生理发育时间均值,NRTEi为某品种第i生育期所需生理发育时间。
进一步的,本发明采用相对热效应来表现温度对作物生长发育的影响。在经研究成果后,在各生长发育期,相对热效应的生物学上限温度、下限温度及最适温度关系式如下:
RTE(T)表示温度为T时的相对热效应,TL表示下限温度,TO表示最适温度,TH表示上限温度,PDT表示生理发育时间。
其中,RTE(Tav)、RTE(Tmax)、RTE(Tmin)分别表示一天中的平均温度、最大温度和最小温度时的相对热效应;RTEi表示每日相对热效应。
对昼夜温差大的西北地区,日均温由如下计算:
Tav=0.68Tmax+0.32Tmin
Tmax、Tmin表示一天中的最大和最小温度。
对昼夜温差小的区域,日均温如下表示:
Ti表示一天中某时刻温度。
进一步的,叶片干物质积累量表示为:
DMleaf=DM×Fleaf
其中,DMleaf表示叶片重,Fleaf表示叶比重。
从总体上分析,叶比重是水生育进程的推进而逐渐减小的,但不同产量水平作物植株的叶比重有差异,这种差异主要体现在开花前后。以新疆不同产量水平作物冠层叶比重分析,在开花前,产量越高叶比重越大;在开花后,产量水平越高,叶比重反而越低;造成这种结果的主要原因可能应该归咎于在为了达到较高产量在生长前期,作物群体应该尽量增加叶片对地面的覆盖程度,截获尽量多的太阳光能,积累更多的干物质量;而在开花后,作物群体转向以生殖生长为中心,叶片不以增长过多,造成群体郁闭,而是应该尽量提高生殖器官的比例,增加高产的潜力。
叶比重计算方法如下:
叶面积指数将根据单位作物冠层叶重与比叶重获得,表达式如下:
LAI是叶面积指数,SLW为比叶重。
比叶重(Specific Leaf Weight,SLW)是指单位叶面积的叶片重量(干重或鲜重),不过通常用干重来表示。是衡量叶片光合作用性能的一个参数。它与叶片的光合作用、叶面积指数、叶片的发育相联系,同一叶片随着叶龄的增长而减少的倾向。
比叶重的计算方程如下:
SLW=3.25×DS2-3.4×DS+48.4
优选的,在本发明中所描述的作物优选为棉花,该作物长势定量遥感监测方法用于对棉花长势定量遥感监测判断。
实施例三
如图2所示,在本发明的作物长势定量遥感监测系统的第一实施例中,该监测系统包括:
第一监测模块100,用于通过遥感反演获取作物实际叶面积指数并记录;
第二监测模块200,用于通过作物模型模拟获取作物潜在生产力叶面积指数并记录;
计算模块300,用于根据实际叶面积指数和潜在生产力叶面积指数计算叶面积差异指数;
判断模块400,用于根据叶面积差异指数定量判断作物长势。
在定量监测判断作物长势过程中,第一监测模块100可通过遥感反演的方式获取不同时段的作物实际叶面积指数,并记录不同时段的实际叶面积指数。第二监测模块200通过作物模型模拟的方式获取不同时段的作物潜在生产力叶面积指数,并记录不同时段的潜在生产力叶面积指数,计算模块300根据所记录的不同时段的实际叶面积指数和潜在生产力叶面积指数计算叶面积差异指数,判断模块400根据该叶面积差异指数定量判断不同时段的作物长势,供用户了解作物不同时段的长势。
其中,第一监测模块100通过遥感辐传输模型或者统计模型,对经过几何和辐射校正的遥感数据进行反演,用于通过遥感反演获取作物实际叶面积指数并记录。第二监测模块200以作物冠层的光截获以及在作物体的转化和利用为理论基础,通过所构建的作物生长模型,对高产状态下作物LAI进行模拟,用于通过作物模型模拟获取作物潜在生产力叶面积指数并记录。
本发明的作物长势定量遥感监测系统采用如实施例一或实施例二所描述的作物长势定量遥感监测方法,此处不再赘述。
根据上述说明书的揭示和教导,本发明所属领域的技术人员还可以对上述实施方式进行适当的变更和修改。因此,本发明并不局限于上面揭示和描述的具体实施方式,对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外,尽管本说明书中使用了一些特定的术语,但这些术语只是为了方便说明,并不对本发明构成任何限制。
Claims (10)
1.一种作物长势定量遥感监测方法,其特征在于,所述方法包括:
通过遥感反演获取作物实际叶面积指数并记录;
通过作物模型模拟获取作物潜在生产力叶面积指数并记录;
根据所述实际叶面积指数和潜在生产力叶面积指数计算叶面积差异指数;
根据所述叶面积差异指数定量判断作物长势。
2.根据权利要求1所述的方法,其特征在于,所述通过所述实际叶面积指数和潜在生产力叶面积指数计算叶面积差异指数的方法为:
其中LAIav为实际叶面积指数,LAIcv为潜在生产力叶面积指数。
3.根据权利要求2所述的方法,其特征在于,所述作物实际叶面积指数LAIav的计算方式为:
LAIav=f(q,t,w,f,s)
=Q·f(Q)·f(T)·f(W)·f(F)·f(S)
=f(NDVI)
其中,所述Q为光照因素、T为温度因素、W为水因素、F肥因素、S为社会因素,NVDI为植被覆盖指数。
4.根据权利要求3所述的方法,其特征在于,所述作物潜在生产力叶面积指数LAIcv计算方式为:
LAIcv=f(s,t)
=Q·f(Q)·f(T) (f(W)=1;f(F)=1;f(S)=1)
=f(PAR,AFPAR,RUE,IFt,IFa,Fleaf,SLW)
其中,PAR为光合有效辐射,AFPAR为吸收性光合有效辐射,RUE为光合有效辐射利用率,IFt为温度影响因子,IFa为叶龄影响因子,Fleaf为叶比重,SLW为比叶重。
5.根据权利要求2所述的方法,其特征在于,所述潜在生产力叶面积指数LAIcv计算方法具体为:
其中,DMleaf为叶片重,SLW为比叶重,DM为总干物质积累量,Fleaf为叶比重,DS为生长发育进程,DMi为日干物质积累量,n为生长发育期天数。
6.根据权利要求5所述的方法,其特征在于,所述日干物质积累量DMi的计算方法为:
DMi=PARi×RUE×AFPARi×IFt×IFa
其中,PAR为光合有效辐射,RUE为太阳辐射利用率,AFPARi为吸收性光合有效辐射比率,IFt为温度影响因子,IFa为叶龄影响因子;
其中,PAR=ηPAR×SR,ηPAR为光合有效辐射占太阳总辐射的比值,即光合有效辐射系数,SR为太阳总辐射;
其中,IFt=1-0.003×(T-30)2,T为温度因素;
其中,
DS为生长发育进程。
7.根据权利要求6所述的方法,其特征在于,所述太阳总辐射SR的计算方法为:
其中,ER为天文辐射量(118.109MJ·m-2·d-1),Ts为日照时数,Td为日长,a、b为待定系数,所述待定系数a=0.25,b=0.48。
8.根据权利要求1所述的方法,其特征在于,所述方法具体为:
通过遥感反演获取不同时段的作物实际叶面积指数并记录;
通过作物模型模拟获取不同时段的作物潜在生产力叶面积指数并记录;
根据所述实际叶面积指数和潜在生产力叶面积指数计算不同时段的叶面积差异指数;
根据所述叶面积差异指数定量判断不同时段的作物长势。
9.根据权利要求2所述的方法,其特征在于,所述根据所述叶面积差异指数定量判断作物长势的方法为:
比较所述叶面积差异指数与阈值之间的大小关系;
若所述叶面积差异指数大于或等于阈值,则判断所述作物长势优良;
若所述叶面积差异指数小于阈值,则判断所述作物长势较差。
10.一种作物长势定量遥感监测系统,其特征在于,所述系统包括:
第一监测模块,用于通过遥感反演获取作物实际叶面积指数并记录;
第二监测模块,用于通过作物模型模拟获取作物潜在生产力叶面积指数并记录;
计算模块,用于根据所述实际叶面积指数和潜在生产力叶面积指数计算叶面积差异指数;
判断模块,用于根据所述叶面积差异指数定量判断作物长势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610319134.9A CN106018284B (zh) | 2016-05-12 | 2016-05-12 | 一种作物长势定量遥感监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610319134.9A CN106018284B (zh) | 2016-05-12 | 2016-05-12 | 一种作物长势定量遥感监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106018284A true CN106018284A (zh) | 2016-10-12 |
CN106018284B CN106018284B (zh) | 2018-10-30 |
Family
ID=57099764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610319134.9A Active CN106018284B (zh) | 2016-05-12 | 2016-05-12 | 一种作物长势定量遥感监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106018284B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985959A (zh) * | 2018-08-09 | 2018-12-11 | 安徽大学 | 一种基于地表温度反演技术的小麦白粉病遥感监测方法 |
CN109187356A (zh) * | 2018-08-30 | 2019-01-11 | 南京都宁大数据科技有限公司 | 基于卫星遥感数据的大豆长势预测方法 |
CN109726698A (zh) * | 2019-01-07 | 2019-05-07 | 中国水利水电科学研究院 | 基于遥感数据进行季度灌溉面积识别的方法 |
CN111401613A (zh) * | 2020-03-06 | 2020-07-10 | 黑龙江力苗科技开发有限公司 | 一种温室作物产量预报方法 |
CN111984908A (zh) * | 2020-08-05 | 2020-11-24 | 安徽科技学院 | 一种基于光能的生产潜力的估算方法 |
CN112215522A (zh) * | 2020-10-29 | 2021-01-12 | 中国水利水电科学研究院 | 农作物长势监测系统、方法、计算机设备及存储介质 |
CN112904920A (zh) * | 2021-01-15 | 2021-06-04 | 康子秋 | 一种预测温室作物光合作用干物质产量的方法 |
CN114091774A (zh) * | 2021-11-26 | 2022-02-25 | 广州极飞科技股份有限公司 | 一种作物产量预估方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6366681B1 (en) * | 1999-04-07 | 2002-04-02 | Space Imaging, Lp | Analysis of multi-spectral data for extraction of chlorophyll content |
CN103983217A (zh) * | 2014-05-28 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 一种叶面积指数测量方法及系统 |
-
2016
- 2016-05-12 CN CN201610319134.9A patent/CN106018284B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6366681B1 (en) * | 1999-04-07 | 2002-04-02 | Space Imaging, Lp | Analysis of multi-spectral data for extraction of chlorophyll content |
CN103983217A (zh) * | 2014-05-28 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 一种叶面积指数测量方法及系统 |
Non-Patent Citations (3)
Title |
---|
李宗南: ""基于光能利用率模型和定量遥感的玉米生长监测方法研究"", 《中国博士学位论文全文数据库农业科技辑》 * |
王东伟: ""遥感数据与作物生长模型同化方法及其应用研究"", 《中国博士学位论文全文数据库农业科技辑》 * |
闫岩等: ""基于遥感数据与作物生长模型同化的冬小麦长势监测与估产方法研究"", 《遥感学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985959A (zh) * | 2018-08-09 | 2018-12-11 | 安徽大学 | 一种基于地表温度反演技术的小麦白粉病遥感监测方法 |
CN108985959B (zh) * | 2018-08-09 | 2021-05-28 | 安徽大学 | 一种基于地表温度反演技术的小麦白粉病遥感监测方法 |
CN109187356A (zh) * | 2018-08-30 | 2019-01-11 | 南京都宁大数据科技有限公司 | 基于卫星遥感数据的大豆长势预测方法 |
CN109726698A (zh) * | 2019-01-07 | 2019-05-07 | 中国水利水电科学研究院 | 基于遥感数据进行季度灌溉面积识别的方法 |
CN109726698B (zh) * | 2019-01-07 | 2020-10-27 | 中国水利水电科学研究院 | 基于遥感数据进行季度灌溉面积识别的方法 |
CN111401613A (zh) * | 2020-03-06 | 2020-07-10 | 黑龙江力苗科技开发有限公司 | 一种温室作物产量预报方法 |
CN111984908A (zh) * | 2020-08-05 | 2020-11-24 | 安徽科技学院 | 一种基于光能的生产潜力的估算方法 |
CN112215522A (zh) * | 2020-10-29 | 2021-01-12 | 中国水利水电科学研究院 | 农作物长势监测系统、方法、计算机设备及存储介质 |
CN112904920A (zh) * | 2021-01-15 | 2021-06-04 | 康子秋 | 一种预测温室作物光合作用干物质产量的方法 |
CN112904920B (zh) * | 2021-01-15 | 2022-05-10 | 康子秋 | 一种预测温室作物光合作用干物质产量的方法 |
CN114091774A (zh) * | 2021-11-26 | 2022-02-25 | 广州极飞科技股份有限公司 | 一种作物产量预估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106018284B (zh) | 2018-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106018284B (zh) | 一种作物长势定量遥感监测方法及系统 | |
Jones et al. | Future climate impact on the productivity of sugar beet (Beta vulgaris L.) in Europe | |
US20220075344A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
CN110909933B (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
Mhizha et al. | Use of the FAO AquaCrop model in developing sowing guidelines for rainfed maize in Zimbabwe | |
Ghaffari et al. | Climate change and winter wheat management: a modelling scenario for south-eastern England | |
Tofa et al. | Modeling planting-date effects on intermediate-maturing maize in contrasting environments in the Nigerian Savanna: An Application of DSSAT Model | |
Fukui et al. | A methodology for estimating phenological parameters of rice cultivars utilizing data from common variety trials | |
Yan et al. | A quantitative knowledge-based model for designing suitable growth dynamics in rice | |
Pereira et al. | Potato potential yield based on climatic elements and cultivar characteristics | |
CN116562139A (zh) | 一种糖料蔗种植区域碳汇量计算方法 | |
CN114254964A (zh) | 水稻区域气候品质评估方法及系统 | |
Pavlova et al. | Assessment approach of the spatial wheat cultivation risk for the main cereal cropping regions of Russia | |
Higashide | Light interception by tomato plants (Solanum lycopersicum) grown on a sloped field | |
CN105447317B (zh) | 作物气候产量潜力的分析方法 | |
Irmak et al. | Dynamics of photosynthetic photon flux density and light extinction coefficient to assess radiant energy interactions for maize canopy | |
Ma et al. | Optimizing ET-based irrigation scheduling for wheat and maize with water constraints | |
CN113762768B (zh) | 基于天气发生器和作物模型的农业旱灾动态风险评估方法 | |
Wang et al. | Simulating growth and evaluating the regional adaptability of cotton fields with non-film mulching in Xinjiang | |
CN112380497A (zh) | 用于区域玉米的秸秆系数估算方法及系统 | |
Aharari et al. | Development of IoT-based smart agriculture monitoring system for red radish plants production | |
Le Roux | Seasonal maize yield simulations for South Africa using a multi-model ensemble system | |
Pilloni et al. | Transpiration and water use efficiency of sorghum canopies have a large genetic variability and are positively related under naturally high evaporative demand | |
Kijovský et al. | Economical potential of agricultural soils in the gemer region in slovakia | |
Tatsch et al. | A preliminary evaluation of the Cropsyst model for sugarcane in the southeast of Brazil |
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 |