CN106447079A - 一种基于Radarsat‑2的喀斯特山区烟草产量预测方法 - Google Patents
一种基于Radarsat‑2的喀斯特山区烟草产量预测方法 Download PDFInfo
- Publication number
- CN106447079A CN106447079A CN201610784665.5A CN201610784665A CN106447079A CN 106447079 A CN106447079 A CN 106447079A CN 201610784665 A CN201610784665 A CN 201610784665A CN 106447079 A CN106447079 A CN 106447079A
- Authority
- CN
- China
- Prior art keywords
- tobacco
- sample
- radarsat
- nicotiana tabacum
- tobacco production
- 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.)
- Pending
Links
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 116
- 241000208125 Nicotiana Species 0.000 title claims abstract description 73
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 244000061176 Nicotiana tabacum Species 0.000 claims description 44
- 230000035800 maturation Effects 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 8
- 230000010287 polarization Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 230000001360 synchronised effect Effects 0.000 abstract description 5
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 235000019504 cigarettes Nutrition 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000008986 qingzhen Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明公开了一种基于Radarsat‑2的喀斯特山区烟草产量预测方法,该方法首先建立野外样地、进行采样,并采集烟草成熟期各样地烟草生长参数,获取样地内烟草实测产量;然后对与烟草成熟期同步的Radarsat‑2雷达数据进行预处理,获取烟草样本后向散射系数;再根据烟草成熟期各样地生长参数与对应的Radarsat‑2雷达数据后向散射系数建立烟草产量预测模型;最后将野外同期采样的样地内烟草实测产量与烟草产量预测模型预测的样地内烟草产量预测值进行比较,从而论证预测方法的合理性。本发明可以有效对高原山区农情减灾防灾进行合理掌控,从而满足喀斯特山区以及更广区域烟草产量预测和监测的需要。
Description
技术领域
本发明涉及一种烟草产量预测方法,尤其是一种基于Radarsat-2的喀斯特山区烟草产量预测方法,属于农作物生长监测技术领域。
背景技术
农业是人类社会赖以生存的基本生活资料的来源,是社会分工和国民经济等其他部门成为独立生产部门的前提和进一步发展的基础,也是一切非生产部门存在和发展的基础。农作物的播种面积、产量等信息是国家制定粮食政策和经济发展计划的重要依据,因此,对农作物的监测和估产起着越来越重要的作用。烟草作为重要的经济作物,对烟草定量监测具有重要的意义。然而,贵州喀斯特山区地处亚热带季风气候区,常年多云多雨,光学遥感数据获取难度较大;另外,贵州山区喀斯特地貌大面积出露地表,地势崎岖、地块破碎,使得烟草种植区分布不集中,烟草种植示范区地形复杂多样,烟草农业生产难以集约化;在烟草生长监测和烟叶估产方面显示出极大的困难,也难以实现对农作物的反演。
发明内容
本发明所要解决的技术问题在于提供一种基于Radarsat-2的喀斯特山区烟草产量预测方法,该方法可以实现农作物生产的精准调控,为山地高效农业建设提供技术决策支持。
为解决上述技术问题,本发明采用的技术方案如下:
一种基于Radarsat-2的喀斯特山区烟草产量预测方法,它包括以下步骤:
(1)利用GPS定位法建立野外样地,采用网格布点法进行采样;在烟草成熟期,在确保野外实测数据与Radarsat-2雷达数据获取同步的情况下,在获取Radarsat-2雷达数据的相同日期,采集样地内烟草生长参数,将烟叶样本称鲜重,获取样地内烟草实测产量Oi;
(2)对与烟草成熟期同步的Radarsat-2雷达数据进行预处理,获取VH极化方式下的样地内烟草样本后向散射系数为:x=10*log(ks*|DN|2)+log10(sinθloc),x为样地内烟草样本后向散射系数,loc表示当地的入射角,可以通过GIM文件换算获得;Ks为绝对定标常数;DN表示像元的灰度值,DN(p2 real p2 img)/A,A为增益值,从Sigma定标查找表文件中读取;SLC影像每个像元的值是用复数表示的,preal是其实部,pimg是其虚部;
(3)根据成熟期样地内烟草生长参数及样地内烟草实测产量,结合与烟草成熟期同步的Radarsat-2雷达数据在VH极化方式下的样地内烟草样本后向散射系数,建立烟草产量预测模型:
y为样地内烟草产量预测值,x为样地内烟草样本后向散射系数;
(4)将野外同期采样的样地内烟草实测产量与烟草产量预测模型预测的样地内烟草产量预测值进行比较,利用误差统计模型进行综合评价,论证预测方法的合理性,估产模型验证公式为:式中RE为相对误差系数,yi为样地内烟草产量预测值,Oi为样地内烟草实测产量值。
上述的基于Radarsat-2的喀斯特山区烟草产量预测方法,具体说,步骤(1)中所述的烟草生长参数包括株距、垄距、单株叶片数、叶宽和叶长等参数。
前述的基于Radarsat-2的喀斯特山区烟草产量预测方法,具体说,步骤(2)中是利用ENVI SARscape软件,通过读取头文件、正射校正、多视处理、滤波、辐射定标与地理编码,对与烟草成熟期同步的Radarsat-2雷达数据进行预处理。
前述的基于Radarsat-2的喀斯特山区烟草产量预测方法,具体来说,步骤(2)中的正射校正流程包括如下步骤:A)输入SAR图像和DEM数据;B)输入最佳传感器飞行轨道等参数;C)反算格网点像点,生成模拟图像;D)输入三维控制点GCP坐标;E)结算校正模型;F)输出正射影像图。
本发明的有益效果:与现有技术相比,本发明针对喀斯特山区复杂的气候和环境特征以及传统农作物监测技术存在花费大、监测范围小、时效性低的局限,探索出了一套基于微波遥感的从数据采集到雷达影像处理、分析、估产的喀斯特高原山区作物监测研究方法和技术路线,丰富了贵州省运用SAR影像处理技术对高原山区烟草农情进行实时监测的技术手段,有效的对高原山区农情减灾防灾进行合理掌控,满足了喀斯特山区以及更广区域烟草产量预测和监测的需要,充分发挥了自然系统的自我调控作用,从而维护了生态与经济的平衡,以求得生态效益与经济效益的统一,构建了一个健康、美好、和谐的现代高效农业,促进了生态环境的良性循环。合成孔径雷达(SAR)是一种高分辨率微波传感器,作为一种主动式传感器,不受光照和天气条件的限制,具有观测范围广、周期短、数据时效强、全天时、全天候对地观测特点,可以透过地表和植被获取地下信息。本发明结合合成孔径雷达能够穿透云雨和土壤的能力,利用雷达微波遥感技术(Radarsat-2雷达卫星),采集烟草种植示范区烟草各生长期野外数据和烟草种植示范区基础地理环境数据,监测其生长过程,分析其长势并建立烟草估产模型,提出了“解决贵州多云多雨地区与复杂地形农情遥感监测数据获取瓶颈问题”的技术方法,实现了农作物生产的精准调控,具有较好的社会效益和经济效益。
附图说明
图1为本发明的技术流程图。
下面结合附图和具体实施方式对本发明作进一步的说明。
具体实施方式
实施例1:如图1所示,基于Radarsat-2的喀斯特山区烟草产量预测方法,包括以下步骤:
步骤一,基于喀斯特山区自然环境特征,结合烟草生长周期,选择采样方法,科学确定采样时间和采样地点,获取烟草成熟期各样地生长参数。具体的说,包括以下步骤:
首先,在确保野外实测数据与Radarsat-2雷达数据获取同步或准同步的情况下,利用GPS定位法建立野外样地,采用网格布点法进行采样,建立16m*16m采样地。由于不同时节、光照、热量、降水等自然地理条件不同,同时烟草生长具有明显的时间性,考虑到烟草成熟期生长参数与最终产量比较接近,因此选择烟草成熟期为研究期。以贵州省清镇市流长国家现代烟草农业基地单元为研究区,利用GPS等定位仪器,在研究区布设样地。样地的布设采用人工选点,利用卷尺作为基本测量工具,样地为正方形,考虑到雷达数据空间分辨率为8m,为了保证样地大小与雷达影像相元大小的一致性,在试验中选择16m*16m的样方,采用网格布点法进行采样,均匀分布于实验基地。
然后,在烟草成熟期,为保证与雷达数据实现同步获取,在获取Radarsat-2雷达数据的相同日期,采集样地内烟草的株距、垄距、单株叶片数、叶宽和叶长等生长参数,将烟叶样本称鲜重,获取样地内烟草实测产量Oi。
步骤二,对与烟草成熟期同步的Radarsat-2雷达数据进行预处理,提取样地内烟草样本后向散射系数;
(1)利用ENVI SARscape软件,通过读取头文件、正射校正、多视处理、滤波、地理编码、辐射定标等,对与烟草成熟期同步的Radarsat-2雷达数据进行预处理。
①读取头文件:选择适当的文件类型,导入数据。
②正射校正:具体流程包括如下:A)输入SAR图像和DEM数据;B)输入最佳传感器飞行轨道等参数;C)反算格网点像点,生成模拟图像;D)输入三维控制点(GCP)坐标;E)结算校正模型;F)输出正射影像图。
多视处理:为了使得距离向和方位向两个方向上的采样间隔相接近,在ArimuthLooks和Range Looks分别选择输入4和3,用这种方法对研究的全极化SAR数据进行多视处理,从而对图像达到一定的去噪效果,也使得两个方向上的采样间隔相接近。
③滤波:滤波是指在图像空间(x,y)或者空间频率域对输入图像应用若干滤波函数而获得改进的输出图像的技术。其效果有噪声的消除、边缘及线的增强、图像的清晰化等。申请人尝试了Gamma/Gaussian滤波以及分别尝试了Frost、lee、Median滤波器的5*5、7*7、9*9、11*11窗口,对比这几种滤波器,以及不同窗口的滤波结果,通过目视评价和定量分析滤波后影像的各性能参数,最后选取Gamma/Gaussian滤波。
基于辐射定标公式:提取DN值及提取烟草不同极化方式下的样地内烟草样本后向散射系数。
对影像进行地理编码以及绝对辐射定标,经过绝对辐射定标后,影像的DN值就代表了后向散射系数。Radarsat-2影像的辐射定标过程根据产品给出的Sigma定标查找表文件利用公式(1)实现。
DN(p2 real p2 img)/A (1)
式中,A为增益值,从Sigma定标查找表文件中读取;SLC影像每个像元的值是用复数表示的,preal是其实部,pimg是其虚部。
x=10*log(ks*|DN|2)+log10(sinθloc) (2)
式中,x表示样地内烟草样本后向散射系数;DN表示像元的灰度值;loc表示当地的入射角,可以通过GIM文件换算获得;Ks为绝对定标常数。定标之后,影像像元值就是样地内烟草样本后向散射系数。
步骤三,将烟草成熟期样地内烟草生长参数与对应的Radarsat-2雷达数据后向散射系数建立烟草产量预测模型:
(1)根据成熟期各样地内烟草生长参数及样地内烟草实测产量,结合与烟草成熟期同步的Radarsat-2雷达数据在不同极化方式下的烟草样方后向散射系数,建立烟草产量预测方法;
根据成熟期烟草实测产量数据,结合与之对应样地的Radarsat-2雷达数据后向散射系数,利用SPSS19.0软件对其中30个样地旺长期、成熟期烟草叶片数据与后向散射系数进行相关性分析,即采用三次多项式模型、二次多项式模型、一元一次线性回归模型等对二者进行回归分析。不同模型的模拟结果表明,基于SAR后向散射系数的三次多项式模型拟合精度最高,详见表1。
表1烟草参量预测模型
利用SPSS19.0软件,通过各种数学统计分析,选择最优烟草产量预测方法。在四个极化方式下,从整体拟合度来看:VH>HV>HH>VV,说明VH极化方式下的拟合效果最优,在其方式下的拟合模型最好,对预测最有利。因此,在成熟期烟草产量最优预测模型为:R2=0.7917,式中y为样地内烟草产量预测值,x为样地内烟草样本后向散射系数,R2为拟合度。
步骤四,基于精度验证模型结合采样数据,论证预测方法合理性:
为评价烟草产量预测模型模拟效果及精度验证,通过野外同期采样的另外11个样地数据与估产模型模拟数据进行比较,并利用误差统计模型对喀斯特山区烟草产量预测方法进行综合评价,论证预测方法的合理性。估产模型验证公式如下:
RE为相对误差系数,yi为样地内烟草产量预测值,Oi为样地内烟草实测产量值。成熟期(RE)平均相对误差系数为5.92%,模型的总体精度达到94%以上。说明利用SAR影像后向散射系数与烟草叶片鲜重建立的三次多项式预测模型能较好地反映烟草产量状况,能够满足喀斯特山区大面积、精准化地对烟草叶片产量估算,结果见表2。
表2烟草产量预测模型精度分析
Claims (4)
1.一种基于Radarsat-2的喀斯特山区烟草产量预测方法,其特征在于,包括以下步骤:
(1)利用GPS定位法建立野外样地,采用网格布点法进行采样;在烟草成熟期,在确保野外实测数据与Radarsat-2雷达数据获取同步的情况下,在获取Radarsat-2雷达数据的相同日期,采集样地内烟草生长参数,将烟叶样本称鲜重,获取样地内烟草实测产量Oi;
(2)对与烟草成熟期同步的Radarsat-2雷达数据进行预处理,获取VH极化方式下的样地内烟草样本后向散射系数为:x=10*log(ks*|DN|2)+log10(sinθloc),x为样地内烟草样本后向散射系数,loc表示当地的入射角,通过GIM文件换算获得;Ks为绝对定标常数;DN表示像元的灰度值,DN(p2 real p2 img)/A,A为增益值,从Sigma定标查找表文件中读取;SLC影像每个像元的值是用复数表示的,preal是其实部,pimg是其虚部;
(3)根据成熟期样地内烟草生长参数及样地内烟草实测产量,结合与烟草成熟期同步的Radarsat-2雷达数据在VH极化方式下的样地内烟草样本后向散射系数,建立烟草产量预测模型:
y为样地内烟草产量预测值,x为样地内烟草样本后向散射系数;
(4)将野外同期采样的样地内烟草实测产量与烟草产量预测模型预测的样地内烟草产量预测值进行比较,利用误差统计模型进行综合评价,论证预测方法的合理性,估产模型验证公式为:式中RE为相对误差系数,yi为样地内烟草产量预测值,Oi为样地内烟草实测产量值。
2.根据权利要求1所述的基于Radarsat-2的喀斯特山区烟草产量预测方法,其特征在于,步骤(1)中所述的烟草生长参数包括株距、垄距、单株叶片数、叶宽和叶长。
3.根据权利要求1所述的基于Radarsat-2的喀斯特山区烟草产量预测方法,其特征在于,步骤(2)中是利用ENVI SARscape软件,通过读取头文件、正射校正、多视处理、滤波、辐射定标与地理编码,对与烟草成熟期同步的Radarsat-2雷达数据进行预处理。
4.根据权利要求1所述的基于Radarsat-2的喀斯特山区烟草产量预测方法,其特征在于,步骤(2)中所述的正射校正流程包括:A)输入SAR图像和DEM数据;B)输入最佳传感器飞行轨道等参数;C)反算格网点像点,生成模拟图像;D)输入三维控制点GCP坐标;E)结算校正模型;F)输出正射影像图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610784665.5A CN106447079A (zh) | 2016-08-31 | 2016-08-31 | 一种基于Radarsat‑2的喀斯特山区烟草产量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610784665.5A CN106447079A (zh) | 2016-08-31 | 2016-08-31 | 一种基于Radarsat‑2的喀斯特山区烟草产量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106447079A true CN106447079A (zh) | 2017-02-22 |
Family
ID=58091890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610784665.5A Pending CN106447079A (zh) | 2016-08-31 | 2016-08-31 | 一种基于Radarsat‑2的喀斯特山区烟草产量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447079A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229999A (zh) * | 2017-05-31 | 2017-10-03 | 深圳前海弘稼科技有限公司 | 作物产量的预测方法、系统、计算机设备及可读存储介质 |
CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
CN109725311A (zh) * | 2018-12-25 | 2019-05-07 | 核工业北京地质研究院 | 一种基于雷达卫星提取地质构造的方法 |
CN110150078A (zh) * | 2019-05-27 | 2019-08-23 | 福建中烟工业有限责任公司 | 一种确定福建烟区烟草移栽日期的方法和系统 |
CN111898807A (zh) * | 2020-07-14 | 2020-11-06 | 云南省烟草农业科学研究院 | 一种基于全基因组选择烟叶产量预测方法及应用 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194127A (zh) * | 2011-05-13 | 2011-09-21 | 中国科学院遥感应用研究所 | 一种多频率sar数据农作物遥感分类方法 |
CN104199027A (zh) * | 2014-08-29 | 2014-12-10 | 中国科学院遥感与数字地球研究所 | 基于紧致极化雷达大面积近实时监测水稻物候期的方法 |
CN104766135A (zh) * | 2015-03-25 | 2015-07-08 | 中国农业科学院农业信息研究所 | 一种预测农作物产量的方法、装置及系统 |
-
2016
- 2016-08-31 CN CN201610784665.5A patent/CN106447079A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194127A (zh) * | 2011-05-13 | 2011-09-21 | 中国科学院遥感应用研究所 | 一种多频率sar数据农作物遥感分类方法 |
CN104199027A (zh) * | 2014-08-29 | 2014-12-10 | 中国科学院遥感与数字地球研究所 | 基于紧致极化雷达大面积近实时监测水稻物候期的方法 |
CN104766135A (zh) * | 2015-03-25 | 2015-07-08 | 中国农业科学院农业信息研究所 | 一种预测农作物产量的方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
符勇: "高分辨率星载SAR在高原山地烟草产量估测中的应用研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229999A (zh) * | 2017-05-31 | 2017-10-03 | 深圳前海弘稼科技有限公司 | 作物产量的预测方法、系统、计算机设备及可读存储介质 |
CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
CN109725311A (zh) * | 2018-12-25 | 2019-05-07 | 核工业北京地质研究院 | 一种基于雷达卫星提取地质构造的方法 |
CN110150078A (zh) * | 2019-05-27 | 2019-08-23 | 福建中烟工业有限责任公司 | 一种确定福建烟区烟草移栽日期的方法和系统 |
CN110150078B (zh) * | 2019-05-27 | 2021-04-30 | 福建中烟工业有限责任公司 | 一种确定福建烟区烟草移栽日期的方法和系统 |
CN111898807A (zh) * | 2020-07-14 | 2020-11-06 | 云南省烟草农业科学研究院 | 一种基于全基因组选择烟叶产量预测方法及应用 |
CN111898807B (zh) * | 2020-07-14 | 2024-02-27 | 云南省烟草农业科学研究院 | 一种基于全基因组选择烟叶产量预测方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guerif et al. | Adjustment procedures of a crop model to the site specific characteristics of soil and crop using remote sensing data assimilation | |
Launay et al. | Assimilating remote sensing data into a crop model to improve predictive performance for spatial applications | |
Le Maire et al. | MODIS NDVI time-series allow the monitoring of Eucalyptus plantation biomass | |
Sun et al. | Crop leaf area index retrieval based on inverted difference vegetation index and NDVI | |
CN106447079A (zh) | 一种基于Radarsat‑2的喀斯特山区烟草产量预测方法 | |
Kong et al. | Quantitative estimation of biomass of alpine grasslands using hyperspectral remote sensing | |
Wu et al. | Regional winter wheat yield estimation based on the WOFOST model and a novel VW-4DEnSRF assimilation algorithm | |
Bojanowski et al. | Calibration of solar radiation models for Europe using Meteosat Second Generation and weather station data | |
Lorenzo et al. | Present and future climate conditions for winegrowing in Spain | |
Patel et al. | Satellite-derived vegetation temperature condition index to infer root zone soil moisture in semi-arid province of Rajasthan, India | |
Ahmad et al. | Satellite remote sensing and GIS-based crops forecasting & estimation system in Pakistan | |
Fortes Gallego et al. | Using NDVI and guided sampling to develop yield prediction maps of processing tomato crop | |
Patenaude et al. | Integrating remote sensing datasets into ecological modelling: a Bayesian approach | |
Cheng et al. | Mapping paddy rice yield in Zhejiang Province using MODIS spectral index | |
CN105631401A (zh) | 一种基于遥感和地理信息的烟田烟草品质监测预报方法 | |
Sus et al. | A data assimilation framework for constraining upscaled cropland carbon flux seasonality and biometry with MODIS | |
Rossi et al. | Operational monitoring of daily crop water requirements at the regional scale with time series of satellite data | |
Scudiero et al. | Downscaling Landsat 7 canopy reflectance employing a multi-soil sensor platform | |
CN109765247B (zh) | 一种不同生育阶段麦类作物覆盖区域土壤水分反演方法 | |
Vanino et al. | Earth observation for improving irrigation water management: A case-study from Apulia Region in Italy | |
Graf et al. | Insights from field phenotyping improve satellite remote sensing based in-season estimation of winter wheat growth and phenology | |
Zhang et al. | Enhanced Feature Extraction From Assimilated VTCI and LAI With a Particle Filter for Wheat Yield Estimation Using Cross-Wavelet Transform | |
Chiesi et al. | Combination of ground and satellite data for the operational estimation of daily evapotranspiration | |
Bach et al. | Integrative use of multitemporal rapideye and TerraSAR-X data for agricultural monitoring | |
Faqe Ibrahim et al. | Sentinel‐2 accurately estimated wheat yield in a semi-arid region compared with Landsat 8 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |
|
RJ01 | Rejection of invention patent application after publication |