CN106529451B - 一种冬小麦—夏玉米种植模式遥感识别方法 - Google Patents
一种冬小麦—夏玉米种植模式遥感识别方法 Download PDFInfo
- Publication number
- CN106529451B CN106529451B CN201610961000.7A CN201610961000A CN106529451B CN 106529451 B CN106529451 B CN 106529451B CN 201610961000 A CN201610961000 A CN 201610961000A CN 106529451 B CN106529451 B CN 106529451B
- Authority
- CN
- China
- Prior art keywords
- summer
- winter wheat
- data
- remote sensing
- cropping pattern
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241000209140 Triticum Species 0.000 claims abstract description 20
- 235000021307 Triticum Nutrition 0.000 claims abstract description 20
- 240000008042 Zea mays Species 0.000 claims abstract description 14
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims abstract description 14
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims abstract description 14
- 235000005822 corn Nutrition 0.000 claims abstract description 14
- 241001269238 Data Species 0.000 claims abstract description 11
- 238000003066 decision tree Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000010189 synthetic method Methods 0.000 claims abstract description 8
- 238000003306 harvesting Methods 0.000 claims description 9
- 240000002234 Allium sativum Species 0.000 claims description 6
- 240000007594 Oryza sativa Species 0.000 claims description 6
- 235000007164 Oryza sativa Nutrition 0.000 claims description 6
- 235000004611 garlic Nutrition 0.000 claims description 6
- 235000009566 rice Nutrition 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000009395 breeding Methods 0.000 claims description 4
- 230000001488 breeding effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 240000008574 Capsicum frutescens Species 0.000 claims description 3
- 229920000742 Cotton Polymers 0.000 claims description 3
- 244000068988 Glycine max Species 0.000 claims description 3
- 235000010469 Glycine max Nutrition 0.000 claims description 3
- 244000061456 Solanum tuberosum Species 0.000 claims description 3
- 235000002595 Solanum tuberosum Nutrition 0.000 claims description 3
- 239000001390 capsicum minimum Substances 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000009331 sowing Methods 0.000 claims description 3
- 235000013311 vegetables Nutrition 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000015572 biosynthetic process Effects 0.000 abstract description 4
- 238000003786 synthesis reaction Methods 0.000 abstract description 4
- 238000012271 agricultural production Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 235000017060 Arachis glabrata Nutrition 0.000 description 2
- 244000105624 Arachis hypogaea Species 0.000 description 2
- 235000010777 Arachis hypogaea Nutrition 0.000 description 2
- 235000018262 Arachis monticola Nutrition 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 235000020232 peanut Nutrition 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- -1 light Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000003971 tillage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种冬小麦—夏玉米种植模式遥感识别方法,具体包括以下过程:1)、获取数据;2)、数据处理;3)、建立决策树;4)、运行决策树,制作冬小麦—夏玉米种植模式专题图。本发明所用数据量少,利用两组数据的最大合成法,以及简单的大小逻辑比较,建立决策树,本发使用了8天合成数据,又用前后两个8天合成数据进行最大合成,进行云剔除,提取精度提高;本发明根据冬小麦——夏玉米种植区的耕作制度特点而制定,拥有较高的提取精度。
Description
技术领域
本发明涉及地物遥感识别方法技术领域,具体地说是一种冬小麦—夏玉米种植模式遥感识别方法。
背景技术
农业生产与工业生产不同,狭义的农业生产,生产的对象是植物,受水、光、气、热、土等5大自然环境要素的影响。不同的植物,生长发育要求的自然条件不同,因此在空间的分布上具有明显的地域差异,不同的地域,生产的结构品种和数量都不同。长期以来农民根据自然条件以及市场需求形成了相对固定的生产模式,如单作、间作、套作等,中国20世纪时,农业耕作主要以人工为主,为了更为充分地利用光能和热能,提高单位土地的产出率,普遍采取间作与套作的种植模式。进入21世纪,随着农业机械化程度的提高,育种技术的进步,以及人口城市化农村劳动力减少,农业生产单作逐渐成为主流的种植模式。
黄淮海平原属半干旱、半湿润地区,热量资源可满足喜凉、喜温作物一年两熟的要求,该区主要种植模式是冬小麦——夏玉米,即冬春季节单作冬小麦,夏秋季节单作夏玉米。冬小麦、玉米是中国重要的粮食作物,准确地获取冬小麦——夏玉米的种植区域信息对于农业资源优化配置、粮食贸易及相关政策的制定尤为重要,是保障区域和全球粮食安全的重要依据。
种植模式的调查方法主要有两种:
一种是农业生产管理部门通过常年实地调查获取,调查的结果是某一生产区域存在的种植模式种类,而未形成面积统计及确切的地理位置数据。
另一种是利用时间序列的遥感影像数据,提取复种指数及农作物种植模式。如CN201410030444-一种耕地复种指数自动提取方法、CN201210085386-一种农作物种植模式识别方法。两种方法均需要全年的遥感影像数据,提取时农作物均已收获,对于当年作物的生产管理、农产品贸易、相关政策的制定已不具备指导意义。
发明内容
本发明的目的在于提供一种冬小麦—夏玉米种植模式遥感识别方法,用于解决现有的植被识别模式已不具备指导意义的问题。
本发明解决其技术问题所采取的技术方案是:一种冬小麦—夏玉米种植模式遥感识别方法,其特征是,具体包括以下过程:
1)、获取数据;
2)、数据处理;
3)、建立决策树;
4)、运行决策树,制作冬小麦—夏玉米种植模式专题图。
进一步地,所述1)中获取数据的方式具体为:
从美国航空航天局数据共享站点下载地球观测卫星系列中分辨率成像光谱仪modis 8天合成空间分辨率为250m前两波段表观反射率文件。
进一步地,所述的数据包括上一年儒历289、297、321、329,至当年儒历97、105、129、137、169、177、209和217共12组关键生育期的数据。
进一步地,所述2)中数据处理的具体步骤包括:
21)、利用遥感图像处理软件对12组数据进行albers投影转换;
22)、裁剪感兴趣区域数据;
23)、利用波谱计算工具,计算12组数据的归一化差值植被指数ndvi;
24)、计算关键生育期最大ndvi值,得到自定义变量s1、s2、s3、s4、s5、s8;
25)、利用波谱计算工具,根据s1、s2、s3、s5计算s6和s7。
进一步地,23)中植被指数ndvi具体计算方法为:
将12组数据分别带入公式ndvi=(rnir-rred)/(rnir+rred)。
进一步地,24)的具体过程为:
241)、根据最大合成法剔除云影响,获得关键生育期最大ndvi;
242)、计算自定义变量s1、s2、s3、s4、s5、s8。
进一步地,241)中所述最大合成法的具体公式为:b1*(b1ge b2)+b2*(b2gt b1),b1表示所选关键生育期前8天合成数据的nvdi值,b2表示所选生育期后8天合成数据的nvdi值;
所述s1表示10月中下旬的最大ndvi值,所需的儒历数据为289和297;
所述s2表示11月中下旬的最大ndvi值,所需儒历数据为321和329;
所述s3表示4月中上旬的最大ndvi值,所需儒历数据为97和105;
所述s4表示5月中上旬的最大ndvi值,所需儒历数据为129和137;
所述s5表示6月中下旬的最大ndvi值,所述儒历数据为169和177;
所述s8表示7月下旬至8月上旬的最大ndvi值,所需儒历数据为209和217。
进一步地,25)中s6和s7的具体计算过程为:
s6=s2-s1,s7=s3-s5;
s6表示秋种作物出苗时与播种时ndvi的差值;
s7表示秋种作物春季生长旺盛时与收获时ndvi的差值。
进一步地,3)中建立决策树的具体过程为:
31)、node1,判断“s6gt 0”,如果s6gt 0,提取10月份播种越冬的植被,包括小麦和大蒜,稻茬麦11月中下旬ndvi值小于10月中下旬水稻田的ndvi值,可排除冬小麦—水稻种植模式;
32)、node2-2,判断“s7gt 0.2”,进行夏收作物;如果s7大于0.2,则表示麦收种玉米6月中下旬玉米刚出苗;否则,则表示大蒜地块移植辣椒或棉花;
33)、node3-4,判断“s4gt 0.6”,如果s4小于0.6,则表示温室蔬菜完成一茬生长;否则,则表示冬小麦处于抽穗开花期;
34)、node4-8,判断“s8gt 0.7”,如果s8小于0.7,则表示冬小麦接茬大豆、土豆和花生;否则,则表示该地块种植为夏玉米。
进一步地,4)的具体步骤为:
利用感兴趣区矢量数据对node4-8得出的结果进行掩膜,统计得出感兴趣区该年度冬小麦—夏玉米种植模式的面积。
本发明的有益效果是:
1、现有技术通常用了全年数据,本发明所用数据量少,只用了6个关键生育期数据。
2、本发明用了两组数据的最大合成法,以及简单的大小逻辑比较,决策树清晰,计算方法简便,易于推广。
3、在夏玉米播种后,利用拔节期数据将玉米玉其他作物进行区分,提取时间早。
4、云是影响解译结果准确性的重要因素,本发明使用了8天合成数据,为了进一步降低云的影响,每一个关键生育期ndvi值,又用前后两个8天合成数据进行最大合成,在云剔除效果上要优于全年滤波变换。
5、现有方法多为直接下载16天合成的evi或ndvi植被指数产品,虽然都是为了消除云的影响,但其空间分辨率为500m*500m。8天合成数据的空间分辨率是250m*250m,进ndvi值计算,然后将两期8天合成数据进行最大合成后的空间分辨率仍为250m*250m,混合像元数降低,提取精度提高。
6、本发明根据冬小麦—夏玉米种植区的耕作制度特点而制定,除了混合像元及个别受灾地块外,拥有较高的提取精度。
附图说明
图1为本发明的步骤逻辑图;
图2为本发明数据处理的步骤逻辑图;
图3为本发明决策树的结构图;
图4为本发明实施例的冬小麦—夏玉米种植模式专题图。
具体实施方式
如图1所示,一种冬小麦—夏玉米种植模式遥感识别方法,其特征是,具体包括以下过程:
步骤1)、获取数据;
步骤2)、数初处理;
步骤3)、建立决策树;
步骤4)、运行决策树,制作冬小麦—夏玉米种植模式专题图。
步骤1)中获取数据的方式具体为:
从美国航空航天局数据共享站点ftp://ladsweb.nascom.nasa.gov/allData/5/MOD09Q1/2015/下载2015年度地球观测卫星系列中分辨率成像光谱仪modis 8天合成空间分辨率为250m前两波段表观反射率文件,包括上一年儒历289、297、321、329,至当年儒历97、105、129、137、169、177、209和217共12组关键生育期的数据。
如图2所示,数据处理的具体步骤包括:
21)、利用遥感图像处理软件对12组数据进行albers投影转换;
22)、裁剪感兴趣区域数据;
23)、利用波谱计算工具,计算12组数据的归一化差值植被指数ndvi;
24)、计算关键生育期最大ndvi值,得到自定义变量s1、s2、s3、s4、s5、s8;
25)、利用波谱计算工具,根据s1、s2、s3、s5计算s6和s7。
23)中植被指数ndvi具体计算方法为:
将12组数据分别带入公式ndvi=(rnir-rred)/(rnir+rred)。
24)的具体过程为:
241)、根据最大合成法剔除云影响,获得关键生育期最大ndvi值;
242)、计算自定义变量s1、s2、s3、s4、s5、s8。
241)中所述最大合成法的具体公式为:b1*(b1ge b2)+b2*(b2gt b1),b1表示所选关键生育期前8天合成数据的nvdi值,b2表示所选生育期后8天合成数据的nvdi值;
所述s1表示10月中下旬的最大ndvi值,所需的儒历数据为289和297;
所述s2表示11月中下旬的最大ndvi值,所需儒历数据为321和329;
所述s3表示4月中上旬的最大ndvi值,所需儒历数据为97和105;
所述s4表示5月中上旬的最大ndvi值,所需儒历数据为129和137;
所述s5表示6月中下旬的最大ndvi值,所述儒历数据为169和177;
所述s8表示7月下旬至8月上旬的最大ndvi值,所需儒历数据为209和217。
25)中s6和s7的具体计算过程为:
s6=s2-s1,s7=s3-s5;
s6表示秋种作物出苗时与播种时ndvi的差值;
s7表示秋种作物春季生长旺盛时与收获时ndvi的差值。
如图3所示,建立决策树的具体过程为:
31)、node1,判断“s6gt 0”,如果s6gt 0,提取10月份播种越冬的植被,包括小麦和大蒜,稻茬麦11月中下旬ndvi值小于10月中下旬水稻田的ndvi值,可排除冬小麦—水稻种植模式;
32)、node2-2,判断“s7gt 0.2”,进行夏收作物;如果s7大于0.2,则表示麦收种玉米6月中下旬玉米刚出苗;否则,则表示大蒜地块移植辣椒或棉花;
33)、node3-4,判断“s4gt 0.6”,如果s4小于0.6,则表示温室蔬菜完成一茬生长;否则,则表示冬小麦处于抽穗开花期;
34)、node4-8,判断“s8gt 0.7”,如果s8小于0.7,则表示冬小麦接茬大豆、土豆和花生;否则,则表示该地块种植为夏玉米。
如图4所示,利用山东省矢量数据对node4-8得出的结果进行掩膜,统计得出山东省2014-2015年度冬小麦—夏玉米种植模式的亩数共4450万亩。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种冬小麦—夏玉米种植模式遥感识别方法,其特征是,具体包括以下过程:
1)、获取数据;
2)、数据处理;
3)、建立决策树;
4)、运行决策树,制作冬小麦—夏玉米种植模式专题图;
所述3)中建立决策树的具体过程为:
31)、node1,判断“s6 gt 0”,如果s6 gt 0,提取10月份播种越冬的植被,包括小麦和大蒜,稻茬麦11月中下旬ndvi值小于10月中下旬水稻田的ndvi值,可排除冬小麦—水稻种植模式;
32)、node2-2,判断“s7 gt 0.2”,进行夏收作物;如果s7大于0.2,则表示麦收种玉米6月中下旬玉米刚出苗;否则,则表示大蒜地块移植辣椒或棉花;
33)、node3-4,判断“s4 gt 0.6”,如果s4小于0.6,则表示温室蔬菜完成一茬生长;否则,则表示冬小麦处于抽穗开花期;
34)、node4-8,判断“s8 gt 0.7”,如果s8小于0.7,则表示冬小麦接茬大豆、土豆和花生;否则,则表示该地块种植为夏玉米;
所述s4表示5月中上旬的最大ndvi值,所需儒历数据为129和37;
所述s6表示秋种作物出苗时与播种时ndvi的差值;
所述s7表示秋种作物春季生长旺盛时与收获时ndvi的差值;
所述s8表示7月下旬至8月上旬的最大ndvi值,所需儒历数据为209和217。
2.根据权利要求1所述的一种冬小麦—夏玉米种植模式遥感识别方法,其特征是,所述1)中获取数据的方式具体为:
从美国航空航天局数据共享站点下载地球观测卫星系列中分辨率成像光谱仪modis 8天合成空间分辨率为250m前两波段表观反射率文件。
3.根据权利要求2所述的一种冬小麦—夏玉米种植模式遥感识别方法,其特征是,所述的数据包括上一年儒历289、297、321、329,至当年儒历97、105、129、137、169、177、209和217共12组关键生育期的数据。
4.根据权利要求1所述的一种冬小麦—夏玉米种植模式遥感识别方法,其特征是,所述2)中数据处理的具体步骤包括:
21)、利用遥感图像处理软件对12组数据进行albers投影转换;
22)、裁剪感兴趣区域数据;
23)、利用波谱计算工具,计算12组数据的归一化差值植被指数ndvi;
24)、计算关键生育期最大ndvi值,得到自定义变量s1、s2、s3、s4、s5、s8;
25)、利用波谱计算工具,根据s1、s2、s3、s5计算s6和s7。
5.根据权利要求4所述的一种冬小麦—夏玉米种植模式遥感识别方法,其特征是,23)中植被指数ndvi具体计算方法为:
将12组数据分别带入公式ndvi=(rnir-rred)/(rnir+rred)。
6.根据权利要求5所述的一种冬小麦—夏玉米种植模式遥感识别方法,其特征是,24)的具体过程为:
241)、根据最大合成法剔除云影响,获得关键生育期最大ndvi;
242)、计算自定义变量s1、s2、s3、s4、s5、s8。
7.根据权利要求6所述的一种冬小麦—夏玉米种植模式遥感识别方法,其特征是,241)中所述最大合成法的具体公式为:b1*(b1 ge b2)+b2*(b2 gt b1),b1表示所选关键生育期前8天合成数据的nvdi值,b2表示所选生育期后8天合成数据的nvdi值;
所述s1表示10月中下旬的最大ndvi值,所需的儒历数据为289和297;
所述s2表示11月中下旬的最大ndvi值,所需儒历数据为321和329;
所述s3表示4月中上旬的最大ndvi值,所需儒历数据为97和105;
所述s5表示6月中下旬的最大ndvi值,所述儒历数据为169和177。
8.根据权利要求4所述的一种冬小麦—夏玉米种植模式遥感识别方法,其特征是,25)中s6和s7的具体计算过程为:
s6=s2-s1,s7=s3-s5。
9.根据权利要求1所述的一种冬小麦—夏玉米种植模式遥感识别方法,其特征是,4)的具体步骤为:
利用感兴趣区矢量数据对node4-8得出的结果进行掩膜,统计得出感兴趣区冬小麦—夏玉米种植模式的面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610961000.7A CN106529451B (zh) | 2016-10-28 | 2016-10-28 | 一种冬小麦—夏玉米种植模式遥感识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610961000.7A CN106529451B (zh) | 2016-10-28 | 2016-10-28 | 一种冬小麦—夏玉米种植模式遥感识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106529451A CN106529451A (zh) | 2017-03-22 |
CN106529451B true CN106529451B (zh) | 2019-06-18 |
Family
ID=58325745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610961000.7A Active CN106529451B (zh) | 2016-10-28 | 2016-10-28 | 一种冬小麦—夏玉米种植模式遥感识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529451B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107831168A (zh) * | 2017-10-25 | 2018-03-23 | 吉林省林业科学研究院 | 遥感技术测量水田防护林防护效果的方法 |
US20190325390A1 (en) | 2018-04-24 | 2019-10-24 | Indigo Ag, Inc. | Agricultural transportation route selection and load optimization |
CN110140625A (zh) * | 2019-05-07 | 2019-08-20 | 中国农业大学 | 一种黑龙港低平原地区两年三熟节水轮作方法 |
CN110298322B (zh) * | 2019-07-02 | 2021-05-14 | 北京师范大学 | 一种基于遥感数据的耕地提取方法及系统 |
CN110909679B (zh) * | 2019-11-22 | 2020-09-18 | 中国气象科学研究院 | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 |
CN111345214A (zh) * | 2020-03-13 | 2020-06-30 | 武汉禾大科技有限公司 | 一种基于卫星影像数据的新疆棉花区域识别方法及系统 |
WO2022020448A1 (en) * | 2020-07-21 | 2022-01-27 | Indigo Ag, Inc. | Remote sensing algorithms for mapping regenerative agriculture |
CN112101256B (zh) * | 2020-09-21 | 2021-07-09 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
CN115775354B (zh) * | 2023-02-10 | 2023-04-25 | 天地信息网络研究院(安徽)有限公司 | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 |
CN117690024B (zh) * | 2023-12-18 | 2024-06-14 | 宁波大学 | 一种针对多种植模式水稻田的一体化遥感识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102668899A (zh) * | 2012-03-28 | 2012-09-19 | 北京师范大学 | 一种农作物种植模式识别方法 |
CN102708289A (zh) * | 2012-05-07 | 2012-10-03 | 山东省农业可持续发展研究所 | 一种基于冬小麦种植制度利用中分辨率卫星数据提取黄淮平原区冬小麦种植面积的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9390331B2 (en) * | 2014-04-15 | 2016-07-12 | Open Range Consulting | System and method for assessing riparian habitats |
-
2016
- 2016-10-28 CN CN201610961000.7A patent/CN106529451B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102668899A (zh) * | 2012-03-28 | 2012-09-19 | 北京师范大学 | 一种农作物种植模式识别方法 |
CN102708289A (zh) * | 2012-05-07 | 2012-10-03 | 山东省农业可持续发展研究所 | 一种基于冬小麦种植制度利用中分辨率卫星数据提取黄淮平原区冬小麦种植面积的方法 |
Non-Patent Citations (3)
Title |
---|
基于MODIS NDVI多年时序数据的农作物种植识别;许青云 等;《农业工程学报》;20140630;第30卷(第11期);摘要、正文第1-4节 |
基于种植制度利用 MODIS 数据提取冬小麦种植面积;隋学艳 等;《农业工程学报》;20101031;摘要、正文第1-3节 |
最大合成处理;envi;《http://wenku.it168.com/d_000850254.shtml》;20130602;第1页 |
Also Published As
Publication number | Publication date |
---|---|
CN106529451A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529451B (zh) | 一种冬小麦—夏玉米种植模式遥感识别方法 | |
CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
Driessen et al. | Land-use systems analysis | |
Cunha et al. | Very early prediction of wine yield based on satellite data from VEGETATION | |
Karunaratne et al. | Calibration and validation of FAO-AquaCrop model for irrigated and water deficient bambara groundnut | |
CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
Mao et al. | Resource use efficiency, ecological intensification and sustainability of intercropping systems | |
Jayanthi et al. | Development and validation of canopy reflectance-based crop coefficient for potato | |
CN113177345B (zh) | 一种网格化作物种植布局优化方法 | |
CN106600434A (zh) | 基于作物模型与同化技术的作物长势遥感监测方法 | |
CN104412290A (zh) | 农事支持装置和方法、程序、记录介质以及农事支持系统 | |
CN110909933A (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 | |
Pirttioja et al. | Using impact response surfaces to analyse the likelihood of impacts on crop yield under probabilistic climate change | |
Xu et al. | Regional crop yield assessment by combination of a crop growth model and phenology information derived from MODIS | |
Zhao et al. | Modeling climatically suitable areas for soybean and their shifts across China | |
CN107014753A (zh) | 作物长势监测方法和系统 | |
CN102708289A (zh) | 一种基于冬小麦种植制度利用中分辨率卫星数据提取黄淮平原区冬小麦种植面积的方法 | |
Liu et al. | Spatiotemporal changes of rice phenology in China under climate change from 1981 to 2010 | |
Yang et al. | A VI-based phenology adaptation approach for rice crop monitoring using UAV multispectral images | |
CN109543552A (zh) | 基于生长期多特征提取的水稻生长区域制图方法及系统 | |
CN116502901A (zh) | 一种基于光学遥感数据的农田干旱空间分布评价方法 | |
Ribas et al. | An update of new flood-irrigated rice cultivars in the SimulArroz model | |
CN115909063A (zh) | 一种中分辨率水稻提取方法及系统 | |
Hunink et al. | Climate Change Impact Assessment on Crop Production in Albania | |
Akinbule et al. | Time of intercropping of Egusi melon with pepper species on growth and yields |
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 |