CN106501255B - 一种枣树冠层总叶绿素含量的卫星遥感监测方法 - Google Patents

一种枣树冠层总叶绿素含量的卫星遥感监测方法 Download PDF

Info

Publication number
CN106501255B
CN106501255B CN201610927925.XA CN201610927925A CN106501255B CN 106501255 B CN106501255 B CN 106501255B CN 201610927925 A CN201610927925 A CN 201610927925A CN 106501255 B CN106501255 B CN 106501255B
Authority
CN
China
Prior art keywords
satellite remote
nir
correction
chlorophyll content
jujube tree
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.)
Expired - Fee Related
Application number
CN201610927925.XA
Other languages
English (en)
Other versions
CN106501255A (zh
Inventor
彭杰
柳维扬
周煊
刘新路
曲浩亮
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.)
Tarim University
Original Assignee
Tarim University
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 Tarim University filed Critical Tarim University
Priority to CN201610927925.XA priority Critical patent/CN106501255B/zh
Publication of CN106501255A publication Critical patent/CN106501255A/zh
Application granted granted Critical
Publication of CN106501255B publication Critical patent/CN106501255B/zh
Expired - Fee Related 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
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits

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)
  • Image Processing (AREA)

Abstract

本发明提供了一种枣树冠层总叶绿素含量的卫星遥感监测方法，包括如下步骤：确定待监测区域；下载待监测区域的卫星遥感影像；对下载的卫星遥感影像依次进行几何精校正、辐射校正、大气校正；对大气校正后的卫星遥感影像进行裁剪，得到监测区域影像；通过ENVI5.1软件计算监测区域选取像元的6个植被指数；将6个植被指数通过波段运算代入模型，计算出每个像元的枣树冠层总叶绿素含量；其中，Y为枣树冠层的总叶绿素含量，单位为mg/g。本发明提供的方法实现了区域尺度快速、准确、经济、环保的获取枣树冠层总叶绿素含量数据，避免了测定过程中化学尾液排放对环境的污染和对人体的伤害，大大简化了操作步骤，缩短了监测时间。

Description

一种枣树冠层总叶绿素含量的卫星遥感监测方法
技术领域
本发明属于卫星遥感监测技术领域，具体涉及一种枣树冠层总叶绿素含量的卫星遥感监测方法。
背景技术
叶绿素是植物中的主要色素，也是最重要的色素，高等植物叶绿素由两种，叶绿素a和叶绿素b，他们参与光能吸收、传递和转化，控制着叶片吸收太阳辐射的量，从而控制着光合作用的潜力及初级生产力。利用叶绿素含量还可以进行准确地间接估计植物营养状态。叶绿素的改变是环境胁迫和物候期的指示，在植物收到胁迫以及在衰老进程中，叶绿素含量会降低，叶绿素a和叶绿素b的壁纸也会因非生物因素的影响而发生变化。因此，测定总叶绿素、叶绿素a、叶绿素b含量能够洞察到有关植物与环境相互作用的有用信息。因此，在枣树种植培育过程中，其中的总叶绿素也是一种非常重要的生物化学参数，快速获取总叶绿素含量信息是监测枣树生长发育及品质保证的前提。
传统技术测量植物叶片总叶绿素浓度需要高效液相色谱法，这既耗费时间。人力，又对植物造成损伤，而且也很昂贵，领外，从田间到实验室的运输和样本制备过程中很可能损失植物总叶绿素，从而导致植物色素含量发生变化，因此，传统技术所具有的破坏性性质及诸多不足，限制了监测植物总叶绿素时间动态的能力。
而卫星遥感可以快速、经济、环保、无损的监测大面积(县域尺度及以上或1万亩及以上)枣树冠层的总叶绿素含量。但目前关于利用卫星遥感数据应用于枣树冠层总叶绿素含量的研究甚少，尤其是缺乏相应的枣树总叶绿素含量反演模型。
发明内容
为了解决现有技术中存在的问题，本发明提供了一种枣树冠层总叶绿素含量的卫星遥感监测方法，包括如下步骤：
S1：确定待监测区域；
S2：下载待监测区域的卫星遥感影像；
S3：对下载的卫星遥感影像进行几何精校正；
S4：对几何精校正后的卫星遥感影像进行辐射校正；
S5：对辐射校正后的卫星遥感影像进行大气校正；
S6：对大气校正后的卫星遥感影像进行裁剪，得到监测区域影像；
S7：计算监测区域影像中每个像元的NR、NNIR、NG、NDVI、GNDVI、GDVI共6个植被指数；
S8：将与每个像元对应的6个植被指数NR、NNIR、NG、NDVI、GNDVI、GDVI通过ENVI5.1软件的波段运算功能代入枣树冠层总叶绿素含量的模型，
Y＝-4.795485NR+9.196773NNIR-4.403481NG-6.010363NDVI-2.169555GNDVI+64.81255GDVI+0.26422，计算出监测区域中对应像元的枣树冠层总叶绿素含量；
其中，Y为枣树冠层的总叶绿素含量，单位为mg/g。
优选地，S2中，所述卫星遥感影像来源于Landsat 8卫星，所述Landsat 8卫星空间分辨率为30米。
更优选地，S7中，所述NR的计算公式为：NR＝R/(NIR+R+G)；所述NNIR的计算公式为：NNIR＝NIR/(NIR+R+G)；所述NG的计算公式为：NG＝G/(NIR+R+G)；所述NDVI的计算公式为：NDVI＝(NIR-R)/(NIR+R)；所述GNDVI的计算公式为：GNDVI＝(NIR-G)/(NIR+G)；所述GDVI的计算公式为：GDVI＝NIR-G；
其中，G代表Landsat 8卫星遥感影像大气校正后的TM3波段的反射率，其波段区间为0.525-0.600μm；R代表Landsat 8卫星遥感影像大气校正后的TM4波段的反射率，其波段区间为0.630-0.680μm；NIR代表Landsat 8卫星遥感影像大气校正后的TM5波段的反射率，其波段区间为0.845-0.885μm。
优选地，S3-S5中，所述几何精校正、所述辐射校正、所述大气校正均在软件ENVI5.1中完成。
更优选地，所述大气校正采用FLAASHAtmospheric Correction方法。
本发明提供的枣树冠层总叶绿素含量的卫星遥感监测方法，实现了待监测区域快速、准确、经济、环保的获取枣树冠层总叶绿素含量数据，相较于传统的室内化学分析测定方法来讲，该发明不需要配制任何化学试剂，避免了测定过程中化学尾液排放对环境的污染和对人体的伤害，同时也大大简化了操作步骤，缩短了监测时间，而相对于光谱测定方法来讲，该发明的优势是在大面积枣园总叶绿素含量监测时更快速、更省力、更经济。该发明能满足农业生产中区域尺度的枣园能在短时间内获取枣树冠层总叶绿素数据的需求，为枣树田间管理提供依据，适合推广应用于区域尺度(县域尺度及以上或1万亩及以上)的枣树冠层总叶绿素含量监测。
附图说明
图1为本发明实施例中提供的枣树冠层总叶绿素含量实测值与卫星遥感监测值散点图(n＝30)。
具体实施方式
为了使本领域技术人员更好地理解本发明的技术方案能予以实施，下面结合具体实施例对本发明作进一步说明，但所举实施例不作为对本发明的限定。
一种枣树冠层总叶绿素含量的卫星遥感监测方法，具体包括以下步骤：查询Landsat8卫星在该待监测区域的过境时间，该Landsat8卫星的分辨率为30米，卫星过境时如果天气晴朗无云，下载Landsat8卫星在该待监测区域当日的遥感影像。本实施例的具体实施时间为2016年8月9日，待监测区域为新疆一师11团地域内的巴山公司的红枣基地，当日天空晴朗无云。本实施例共采集了60个枣树冠层的样品，其中30个样品用于构建枣树冠层总叶绿素含量的反演模型，另外30个用于检验模型的反演精度。
下载该监测区域的卫星遥感影像后，对卫星遥感影像进行几何精校正，然后对几何精校正后的卫星遥感影像进行辐射校正，接着对辐射校正后的卫星遥感影像进行大气校正，最后对大气校正后的卫星遥感影像进行裁剪，裁剪出监测区域影像。上述几何精校正、辐射校正、大气校正依次进行，且在软件ENVI5.1中完成。
在监测区域影像内，以相对于实际地面面积为30m*30m且边线的朝向为正南正北或正东正西方向的的正方形作为一个像元，随机选取多个像元作为对应多个待监测的取样单元，并以选取的取样单元的对角线交叉点为中心，记录该中心的地理坐标信息，以代表该取样单元的位置信息，在所述取样单元内采用5点法取样，相邻两个取样单元的中心点之间的距离不小于50米，本实例共采集60个取样单元的信息。在裁剪后的Landsat 8卫星影像上利用ArcGis软件的Extraction功能提取每个取样单元的枣树冠层的TM3波段、TM4波段、TM5波段的反射率。然后通过TM3波段、TM4波段、TM5波段的反射率数据计算每个取样单元的枣树冠层的NG、NR、NNIR、RVI、GRVI、DVI、GDVI、NDVI、GNDVI、SAVI、GSAVI、OSAVI、GOSAVI、MSAVI2、GMSAVI2、RDVI、GRDVI共17个植被指数。
同时，采集对应取样单元的叶片，具体为在与上述同一取样单元内采用5点法取样，然后混合成一个样，取样时需均匀的采集枣树冠层上、中、下部位的叶片，采集好的样品带回实验室后烘干研磨成粉状样品，进行化学分析测定其总叶绿素含量。
具体的，上述各植被指数的具体计算公式为：NG＝G/(NIR+R+G)；
NR＝R/(NIR+R+G)；NNIR＝NIR/(NIR+R+G)；RVI＝NIR/R；GRVI＝NIR/G；
DVI＝NIR–R；GDVI＝NIR-G；NDVI＝(NIR-R)/(NIR+R)；GNDVI＝(NIR-G)/(NIR+G)；SAVI＝1.5*[(NIR-R)/(NIR+R+0.5)]；GSAVI＝1.5*[(NIR-G)/(NIR+G+0.5)]；
OSAVI＝(NIR-R)/(NIR+R+0.16)；GOSAVI＝(NIR-G)/(NIR+G+0.16)；
MSAVI2＝0.5*[2*(NIR+1)-SQRT((2*NIR+1)2-8*(NIR-R))]；GMSAVI2＝0.5*[2*(NIR+1)-SQRT((2*NIR+1)2-8*(NIR-G))]；RDVI＝SQRT(NDVI*DVI)；
GRDVI＝SQRT(GNDVI*GDVI)；其中，上述各计算公式中，G代表Landsat 8卫星遥感影像大气校正后的TM3波段的反射率，其波段区间为0.525-0.600μm；R代表Landsat 8卫星遥感影像大气校正后的TM4波段的反射率，其波段区间为0.630-0.680μm；NIR代表Landsat8卫星遥感影像大气校正后的TM5波段的反射率，其波段区间为0.845-0.885μm。
将每个取样单元内采集的枣树冠层样品采用传统的室内化学分析方法获得的总叶绿素含量标准结果与NG、NR、NNIR、RVI、GRVI、DVI、GDVI、NDVI、GNDVI、SAVI、GSAVI、OSAVI、GOSAVI、MSAVI2、GMSAVI2、RDVI、GRDVI数值进行相关性矩阵分析，选择相关性达极显著水平的植被指数作为建模入选因子，但如果入选的植被指数之间的自相关性达极显著水平，则只选取其中与总叶绿素含量相关性最高的植被指数作为入选因子。
根据以上方法本次共选出NR、NNIR、NG、NDVI、GNDVI、GDVI共6个植被指数作为枣树冠层总叶绿素含量的建模因子。
根据30个采用传统的室内化学分析方法获得的总叶绿素含量数据与其对应的取样单元的NR、NNIR、NG、NDVI、GNDVI、GDVI数值，采用偏最小二乘法构建枣树冠层总叶绿素含量的模型，其模型为：
Y＝-4.795485NR+9.196773NNIR-4.403481NG-6.010363NDVI-2.169555GNDVI+64.81255GDVI+0.26422；其中，Y为为枣树冠层的总叶绿素含量，单位为mg/g。
将剩余30个取样单元的NR、NNIR、NG、NDVI、GNDVI、GDVI数值代入模型进行反演：
Y＝-4.795485NR+9.196773NNIR-4.403481NG-6.010363NDVI-2.169555GNDVI+64.81255GDVI+0.26422，计算其对应的总叶绿素含量数据，并将其与传统的室内化学分析方法的测定结果进行比较，检验该模型的反演精度。
表1是利用传统的室内化学分析方法获取的枣树冠层总叶绿素含量的真实值与利用上述枣树冠层总叶绿素含量卫星遥感监测模型得到的监测值的统计数据。
表1枣树冠层总叶绿素含量测定值与卫星遥感监测结果的对比(样本数为30)
从表1可知，真实值与监测值二者的平均值、最大值、最小值非常相近。图1是枣树冠层总叶绿素含量检测值与真实值的拟合程度。其中真实值的测定方法为国标法开氏-蒸馏法。真实值与检测值之间的决定系数(R2)达到0.82，均方根误差(RMSE)仅有0.23mg/g，平均绝对误差(MAE)只有0.18mg/g，标准差与均方根误差比(RPD)达到2.27，根据RPD评价标准，RPD>2.0，说明模型具有高精度预测的能力。该结果表明，本发明的方法可以准确、快速的监测枣树冠层总叶绿素含量。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，其保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内，本发明的保护范围以权利要求书为准。

Claims (3)

1.一种枣树冠层总叶绿素含量的卫星遥感监测方法，其特征在于，包括如下步骤：
S1：确定待监测区域；
S2：下载待监测区域的卫星遥感影像；所述卫星遥感影像来源于Landsat 8卫星，所述Landsat 8卫星空间分辨率为30米；
S3：对下载的卫星遥感影像进行几何精校正；
S4：对几何精校正后的卫星遥感影像进行辐射校正；
S5：对辐射校正后的卫星遥感影像进行大气校正；
S6：对大气校正后的卫星遥感影像进行裁剪，得到监测区域影像；
S7：计算监测区域影像中每个像元的NR、NNIR、NG、NDVI、GNDVI、GDVI共6个植被指数；
所述NR的计算公式为：NR＝R/(NIR+R+G)；所述NNIR的计算公式为：NNIR＝NIR/(NIR+R+G)；所述NG的计算公式为：NG＝G/(NIR+R+G)；所述NDVI的计算公式为：NDVI＝(NIR-R)/(NIR+R)；所述GNDVI的计算公式为：GNDVI＝(NIR-G)/(NIR+G)；所述GDVI的计算公式为：GDVI＝NIR-G；
其中，G代表Landsat 8卫星遥感影像大气校正后的TM3波段的反射率，其波段区间为0.525-0.600μm；R代表Landsat 8卫星遥感影像大气校正后的TM4波段的反射率，其波段区间为0.630-0.680μm；NIR代表Landsat 8卫星遥感影像大气校正后的TM5波段的反射率，其波段区间为0.845-0.885μm；
S8：将与每个像元对应的6个植被指数NR、NNIR、NG、NDVI、GNDVI、GDVI通过ENVI5.1软件的波段运算功能代入枣树冠层总叶绿素含量的模型，
Y＝-4.795485NR+9.196773NNIR-4.403481NG-6.010363NDVI-2.169555GNDVI+64.81255GDVI+0.26422，计算出监测区域中对应像元的枣树冠层总叶绿素含量；
其中，Y为枣树冠层的总叶绿素含量，单位为mg/g。
2.根据权利要求1所述的枣树冠层总叶绿素含量的卫星遥感监测方法，其特征在于，S3-S5中，所述几何精校正、所述辐射校正、所述大气校正均在软件ENVI5.1中完成。
3.根据权利要求2所述的枣树冠层总叶绿素含量的卫星遥感监测方法，其特征在于，所述大气校正采用FLAASH Atmospheric Correction方法。
CN201610927925.XA 2016-10-31 2016-10-31 一种枣树冠层总叶绿素含量的卫星遥感监测方法 Expired - Fee Related CN106501255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610927925.XA CN106501255B (zh) 2016-10-31 2016-10-31 一种枣树冠层总叶绿素含量的卫星遥感监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610927925.XA CN106501255B (zh) 2016-10-31 2016-10-31 一种枣树冠层总叶绿素含量的卫星遥感监测方法

Publications (2)

Publication Number Publication Date
CN106501255A CN106501255A (zh) 2017-03-15
CN106501255B true CN106501255B (zh) 2019-01-29

Family

ID=58319612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610927925.XA Expired - Fee Related CN106501255B (zh) 2016-10-31 2016-10-31 一种枣树冠层总叶绿素含量的卫星遥感监测方法

Country Status (1)

Country Link
CN (1) CN106501255B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109115725B (zh) * 2018-06-14 2020-04-14 中国农业大学 一种玉米冠层lai和叶绿素含量联合反演方法和设备
CN108920857B (zh) * 2018-07-10 2020-06-02 南京大学 一种日光诱导叶绿素荧光的模拟方法
CN111175782A (zh) * 2019-12-31 2020-05-19 塔里木大学 一种棉花冠层叶绿素含量的卫星遥感监测方法
CN110954650A (zh) * 2019-12-31 2020-04-03 塔里木大学 一种棉花冠层氮素的卫星遥感监测方法
CN111175783A (zh) * 2019-12-31 2020-05-19 塔里木大学 一种棉花冠层叶绿素b含量的卫星遥感监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101762463A (zh) * 2009-12-16 2010-06-30 中国烟草总公司郑州烟草研究院 一种基于冠层多光谱的烤烟鲜烟叶叶绿素含量测定方法
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
CN105300894A (zh) * 2015-11-03 2016-02-03 塔里木大学 土壤中氯离子的检测方法
CN105823736A (zh) * 2016-05-23 2016-08-03 塔里木大学 一种枣树冠层类胡萝卜素含量的检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101762463A (zh) * 2009-12-16 2010-06-30 中国烟草总公司郑州烟草研究院 一种基于冠层多光谱的烤烟鲜烟叶叶绿素含量测定方法
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
CN105300894A (zh) * 2015-11-03 2016-02-03 塔里木大学 土壤中氯离子的检测方法
CN105823736A (zh) * 2016-05-23 2016-08-03 塔里木大学 一种枣树冠层类胡萝卜素含量的检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Detection of biotic stree(Venturia inaequalis) in apple trees using hyperspectral data:Non-parametric statistical approaches and physiological implications;Stephanie Delalieux等;《European Journal of Agronomy》;20070731;第27卷(第1期);第130-143页
Hyperspectral indices to diagnose leaf biotic stress of apple plants，considering leaf phenology;S.Delalieux等;《International Journal of Remote Sensing》;20090430;第30卷(第8期);第1887-1912页
棉田土壤水分的高光谱定量遥感模型;向红英 等;《土壤通报》;20160430;第47卷(第2期);第272-277页
植物色素高光谱遥感研究进展;伍维模 等;《塔里木大学学报》;20091231;第21卷(第4期);第61-68页

Also Published As

Publication number Publication date
CN106501255A (zh) 2017-03-15

Similar Documents

Publication Publication Date Title
AU2020101095A4 (en) A Satellite Remote Sensing Monitoring Method for the Content of Chlorophyll A in the Canopy of Jujube Trees
CN106501255B (zh) 一种枣树冠层总叶绿素含量的卫星遥感监测方法
CN106501816B (zh) 一种枣树冠层氮含量的卫星遥感监测方法
CN110927082A (zh) 一种基于无人机成像高光谱遥感的冬小麦产量预测方法
CN106504240B (zh) 一种枣树冠层叶绿素a含量的卫星遥感监测方法
CN108876917A (zh) 一种森林地上生物量遥感估测通用模型构建方法
Rautiainen et al. Coupling forest canopy and understory reflectance in the Arctic latitudes of Finland
CN1731216A (zh) 一种大面积作物种植面积及其产量的遥感检测估算方法
CN106501454B (zh) 一种枣树冠层叶绿素b含量的卫星遥感监测方法
Song et al. Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data
CN114202675A (zh) 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统
CN106324617B (zh) 一种枣树冠层类胡萝卜素含量的卫星遥感监测方法
CN105158413A (zh) 一种用于遥感监测高寒草地基准样地的建立方法
Zhu et al. Mapping crop leaf area index from multi-spectral imagery onboard an unmanned aerial vehicle
CN116773516A (zh) 一种基于遥感数据的土壤碳含量分析系统
Yue et al. Mapping cropland rice residue cover using a radiative transfer model and deep learning
Tang et al. UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard
Fernández-Sarría et al. Estimation of walnut structure parameters using terrestrial photogrammetry based on structure-from-motion (SfM)
Wittamperuma et al. Remote-sensing-based biophysical models for estimating LAI of irrigated crops in Murry darling basin
Alvarez-Mendoza et al. Estimation of Nitrogen in the soil of balsa trees in Ecuador using Unmanned aerial vehicles
CN111027523A (zh) 一种棉花冠层类胡萝卜素含量的卫星遥感监测方法
CN106092909A (zh) 一种枣树冠层叶绿素含量的检测方法
Jung et al. Application of airborne hyperspectral and thermal images to analyse urban microclimate
Ji et al. Synchronous Retrieval of Wheat Cab and LAI from UAV Remote Sensing: Application of the Optimized Estimation Inversion Framework
Ma et al. Mapping leaf area index for the urban area of Nanjing city, China using IKONOS remote sensing data

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190129

Termination date: 20191031

CF01 Termination of patent right due to non-payment of annual fee