CN106780079B - 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 - Google Patents
基于遥感数据的冬小麦不同生育期叶面积指数反演方法 Download PDFInfo
- Publication number
- CN106780079B CN106780079B CN201611065149.3A CN201611065149A CN106780079B CN 106780079 B CN106780079 B CN 106780079B CN 201611065149 A CN201611065149 A CN 201611065149A CN 106780079 B CN106780079 B CN 106780079B
- Authority
- CN
- China
- Prior art keywords
- lai
- winter wheat
- data
- growth
- inversion
- 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
Images
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明公开了一种基于遥感数据的冬小麦不同生育期叶面积指数反演方法，它包括以下过程：获取LAI实测数据；获取遥感数据并进行预处理；将冬小麦整个生育期划分为3个阶段，选择NDVI、EVI、EVI2、RVI和OSAVI 5个植被指数进行全生育期和不同生育期冬小麦的LAI反演，并分析LAI实测数据与各植被指数间的一元线性、指数、对数和幂函数形式的相关关系；比较冬小麦不同生育期不同指数反演的结果；根据冬小麦不同生育期不同指数反演结果的比较，得出冬小麦不同生育期的最优反演指数和拟合模型。本发明说明GF‑1数据在作物长势遥感研究中有很大的应用前景，能有效改善中国农业遥感监测长期依赖国外数据的局面。
Description
技术领域
本发明涉及一种基于遥感数据(GF-1卫星数据)的冬小麦不同生育期叶面积指数反演方法。
背景技术
叶面积指数(Leaf Area Index，LAI)是反映作物长势个体特征和群体特征的关键指标，成为作物长势监测中的主要关注指标之一[1]。遥感技术以其及时有效、无损等优势成为作物LAI监测的主要手段[2]、[3]。2013年我国成功发射的GF-1卫星兼顾高时间、高空间分辨率，原则上可以打破LandSat等国外卫星的严重依赖。GF-1卫星在农业遥感中已发挥了重要作用，如在作物种植面积调查方面，刘国栋等人[4]根据作物物候历，建立了基于GF-1数据的农作物种植面积遥感抽样调查方法，表明GF-1数据完全可以应用于县级农作物种植面积提取；林子晶等人[5]则发现，对HJ星和GF-1数据进行融合，更有利于县级作物种植面积的准确提取；杨闫君等人[6]、[7]则利用GF-1的高时间分辨率特征，构建不同地物的NDVI序列，有助于作物信息提取和早期识别；且近几年，国家统计局也多是基于GF-1数据开展农作物种植面积遥感调查业务[8]。GF-1卫星在作物长势监测中的研究也已有不少，贾玉秋等[9]利用GF-1数据和TM8数据分别进行玉米LAI反演，并对结果进行比较，得出GF-1卫星的高时间分辨率以及高空间分辨率特征能够代替传统中分辨率数据成为农业遥感长势监测中的重要数据源；李粉玲等人[10]、[11]基于GF-1开展区域上的冬小麦叶片氮含量和SPAD值的遥感估算，结果也较为理想。
在冬小麦的不同生长时期，观测视场内植被和土壤背景信息不断变化，使得小麦光谱反射率不断变化，使用单一的遥感指标并不能很好的反演作物长势信息[12]、[13]。但目前基于GF-1数据监测作物长势中，鲜有考虑作物不同生育期的研究。
发明内容
针对现有技术的不足，本发明提供了一种基于遥感数据的冬小麦不同生育期叶面积指数反演方法，其通过分析不同遥感参数在冬小麦整个生育期和不同生育期对LAI反演的精度和结果差异，从而提高GF-1卫星WFV数据在冬小麦LAI反演精度和长势监测能力，为GF-1卫星监测作物长势研究提供参考。
本发明解决其技术问题采取的技术方案是：基于遥感数据的冬小麦不同生育期叶面积指数反演方法，其特征是，包括以下过程：
1)获取LAI实测数据
在冬小麦的返青期、拔节期、抽穗期、开花期和灌浆期分别至少进行一次现场数据采集，数据采集后随机选取10-17个长势比较均一的试验小区，并在每个试验小区内随机选两个30cm*30cm的样方，利用收货法获取样方内的全部地上活体，将所有小麦植株的茎、叶分开，选取20～23片完整的样品叶，取样品中宽窄较为一致的地方，剪成6～8cm长度的小段，用直尺测量每个叶片的长度和宽度，分别称量样品叶和剩余叶鲜重，按照公式(1)，利用比重法获取每个样方的LAI：
其中，W1表示裁剪样品叶的鲜重，W2表示剩余样品叶的鲜重，S表示裁剪样品叶的总面积；以两个样方的LAI均值作为该试验小区的LAI实测数据；
2)获取遥感数据并进行预处理
获取6景GF-1卫星WFV数据并对获取的GF-1卫星WFV数据进行预处理，用以获得真实的地物光谱信息；
3)构建植被指数
将冬小麦整个生育期划分为3个阶段，即返青期和拔节期为冬小麦生长前期，抽穗期为冬小麦生长中期，开花期和灌浆期为冬小麦生长后期；选择NDVI、EVI、EVI2、RVI和OSAVI 5个植被指数进行全生育期和不同生育期冬小麦的LAI反演，并分析LAI实测数据与各植被指数间的一元线性、指数、对数和幂函数形式的相关关系；
4)比较冬小麦不同生育期不同指数反演的结果
冬小麦不同生育期不同指数反演结果的比较包括：41)冬小麦全生育期不同指数LAI反演结果比较；42)冬小麦生长前期不同指数LAI反演结果比较；43)冬小麦生长中期不同指数LAI反演结果比较；44)冬小麦生长后期不同指数LAI反演结果比较；
5)得出冬小麦不同生育期不同指数的反演结论
根据冬小麦不同生育期不同指数反演结果的比较，得出冬小麦不同生育期的最优反演指数和拟合模型。
优选地，所述对GF-1卫星WFV数据进行预处理的过程为采用ENVI5.1遥感处理软件对获取的GF-1卫星WFV数据进行辐射校正、大气校正和几何校正预处理的过程。
优选地，所述对GF-1卫星WFV数据进行预处理的过程包括以下步骤：
21)借助影像自带的RPC文件对每幅原始影像进行几何粗校正；
22)利用中国资源卫星中心发布的2016年GF-1卫星WFV定标文件对所有几何粗校正后的影像进行辐射定标，将原始DN值转换为辐亮度；
23)利用FLAASH模型对辐亮度进行大气校正，得到真实地表反射率数据；
24)利用一景经过精校正的TM7影像，对6景GF-1卫星WFV数据进行几何精校正，将误差控制在0.5个像元内。
优选地，步骤21)中，借助影像自带的RPC文件对每幅原始影像进行几何粗校正的具体步骤为：
启动ENVI5.1软件>Toolbox>Geometric Correction>Orthorectification>RPCOrthorectification，打开RPC自动添加对话框，在input file浏览，选中一期待处理的GF1卫星WFV数据，DEM file默认，点击next，出现RPC Refinement对话框，点击Advanced，设置output pixel size为16m，image resampling方式为Cubic Convolution；
步骤22)中，对所有几何粗校正后的影像进行辐射定标并将原始DN值转换为辐亮度的具体步骤为：
Toolbox>Radiometric Correction>Radiometric Calibration，在input file浏览1)中经RPC处理后的GF-1卫星WFV数据，打开辐射定标对话框，Calibration Type选择：Radiance，单击Apply FLAASH Setting，选择输出路径和文件名，点击OK完成辐射定标；
步骤23)中，利用FLAASH模型对辐亮度进行大气校正得到真实地表反射率数据的具体步骤为：
Toolbox>Radiometric Correction>Atmospheric Correction Module>FLAASHAtmospheric Correction，打开FLAASH大气校正的工作流，主要设置如下：
a、文件输入输出设置：
input radiance image：选择步骤22)中经辐射定标后的文件；
output reflectance file：选择非系统盘中数据flaash处理后的数据存放目录，并命名；
output directory for FLAASH files：选择非系统盘的工作文件夹目录；
b、传感器基本信息设置：
sensor type：Multispectral>UNKNOWN-MSI.
Scene Center Location自动从影像中获取；
Sensor Altitude：GF-1为645km；
Pixel Size：16m；
Ground Elevation：根据研究区海拔信息填写
Flight Date：可以在数据上点击右键，选择View Metadata，查看Time中读的时间参数；
c、大气校正参数设置：
Atmospheric Model：根据研究区所在位置选择；
Aerosol Model：根据研究区选择；
Water Retrieval：No；
Aerosol Retrieval：(2-B)and(K-T)；
点击Multispectral setting>Kaufman-Tanre Aerosol Retrieval>fileterfunction file，选择GF-1WFV*对应的参数文件。
优选地，在步骤2)中，获取的GF-1卫星数据与LAI实测数据的时间间隔小于3天。
优选地，分析LAI实测数据与各植被指数间相关关系的过程为：
31)根据构建的植被指数和LAI实测数据进行不同植被指数与LAI的相关关系分析模型，分析模型如下：
LAIk＝f(VIki)
其中，k表示冬小麦不同生育期，k＝全生育期、生长前期、生长中期或生长后期；VIki表示第k个生育期的第i个植被指数参数，i＝NDVI、EVI、EVI2、RVI或OSAVI；f(VIki)为分析模型的表现形式，f(VIki)分别为线性、指数、对数和幂函数形式；
32)基于植被指数的分析模型建立LAI拟合模型；
33)评LAI拟合模型的拟合度以判决系数R2表示，判决系数R2为：
其中，xki为第k生育期的第i个实测LAI值，yfki为基于f形式的回归模型拟合的第k个生育期的第i个LAI模拟值，k为全生育期、生长前期、生长中期或生长后期，f为线性、指数、对数和幂函数；
34)基于LAI拟合模型选择判决系数R2最大参数的反演模型进行LAI反演，并利用LAI实测数据进行验证模型精度，评价指标为相关系数r和均方根误差RMSE：
其中，xi为第i个LAI实测数据，yi为相应的第i个LAI模拟值，
分别为LAI实测数据、模拟LAI值的平均值，N表示参数评价的LAI值个数；
其中，xi为第i个LAI实测数据，yi为相应的第i个LAI模拟值，N表示参数评价的LAI值个数；
35)得到冬小麦不同生育期LAI的最佳回归模型。
优选地，所述冬小麦不同生育期的最优反演指数和拟合模型具体为：
51)构建的5种植被指数在冬小麦全生育期与LAI不同形式模型的极显著相关系数都在0.7以上，均可进行LAI遥感反演研究，但以EVI构建的幂函数模型相关系数最高，达到0.9082，而RVI的拟合效果不如NDVI、EVI、EVI2和OSAVI；
52)冬小麦生长前期，5种植被指数与LAI的相关关系均优于全生育期，极显著相关系数达到0.71以上，由于冬小麦生长前期视场内冠层覆盖特点，以修正土壤背景信息的OSAVI与LAI的幂函数形式的相关关系最为显著，r＝0.9110，且模拟LAI与实测LAI的RMSE较小，为0.2706，模拟精度较高；
53)5种植被指数反演冬小麦生长中期LAI效果较差，仅NDVI、EVI2和OSAVI构建的线性和对数模型的回归系数达到0.05的显著水平，以EVI2构建的对数模型相关系数最好，为0.4827；
54)受麦穗对冠层反射率的影响，在冬小麦生长后期，RVI与LAI的相关关系优于其他4种植被指数，其指数形式模型的r＝0.8143，反演精度较高。
本发明的有益效果是：
本发明基于GF-1卫星构建5种常用的植被指数:归一化植被指数(NormalizedDifference Vegetation Index，NDVI)、增强型植被指数(Enhanced Vegetation Index，EVI)、双波段增强植被指数(2-bands enhanced vegetation index，EVI2)、比值植被指数(ratio vegetation index，RVI)、优化土壤调节植被指数(Optimization of soil-adjusted vegetation index，OSAVI)和地面实测冬小麦LAI，开展不同生育期的LAI反演研究，得出以下结论：基于GF-1数据构建的植被指数能很好的反演冬小麦不同生育期LAI，但精度最优的指标在不同生育期存在差异：EVI构建的幂函数模型在反演全生育期LAI时表现最好，相关系数r达到0.9082；冬小麦生长前期，修正土壤信息的OSAVI指数反演精度优于NDVI、EVI、EVI2和RVI，相关系数为0.9110；生长中期，各指数反演LAI的效果较差，仅NDVI、EVI2和OSAVI构建的线性和对数模型的相关系数达到0.05的显著水平，以EVI2构建的对数模型相关系数最好，为0.4827；生长后期，RVI反演LAI效果最好，其指数形式模型的r＝0.8143，反演精度较高。本发明通过分析不同遥感参数在冬小麦整个生育期和不同生育期对LAI反演的精度和结果差异，从而提高了GF-1卫星WFV数据在冬小麦LAI反演精度和长势监测能力，为GF-1卫星监测作物长势研究提供了参考。本发明证明了GF-1数据在作物长势遥感研究中有很大的应用前景，能有效改善中国农业遥感监测长期依赖国外数据的局面。
附图说明
图1为本发明的方法流程图；
图2为不同生育期LAI随时间变化的示意图；
图3a为冬小麦生长全生育期基于EVI的LAI的回归分析示意图；
图3b为冬小麦生长全生育期基于EVI的LAI的反演示意图；
图4a为冬小麦生长前期基于OSAVI的LAI的回归分析示意图；
图4b为冬小麦生长前期基于OSAVI的LAI的反演示意图；
图5a为冬小麦生长中期基于EVI2的LAI的回归分析示意图；
图5b为冬小麦生长中期基于EVI2的LAI的反演示意图；
图6a为冬小麦生长后期基于RVI的LAI的回归分析示意图；
图6b为冬小麦生长后期基于RVI的LAI的反演示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示，本发明的一种基于遥感数据的冬小麦不同生育期叶面积指数反演方法，它包括以下过程：
1)获取LAI实测数据
在冬小麦的返青期、拔节期、抽穗期、开花期和灌浆期分别至少进行一次现场数据采集，数据采集后随机选取10-17个长势比较均一的试验小区，并在每个试验小区内随机选两个30cm*30cm的样方，利用收货法获取样方内的全部地上活体，将所有小麦植株的茎、叶分开，选取20～23片完整的样品叶，取样品中宽窄较为一致的地方，剪成6～8cm长度的小段，用直尺测量每个叶片的长度和宽度，分别称量样品叶和剩余叶鲜重，按照公式(1)，利用比重法获取每个样方的LAI：
其中，W1表示裁剪样品叶的鲜重，W2表示剩余样品叶的鲜重，S表示裁剪样品叶的总面积；以两个样方的LAI均值作为该试验小区的LAI实测数据；
2)获取遥感数据并进行预处理
获取6景GF-1卫星WFV数据并对获取的GF-1卫星WFV数据进行预处理，用以获得真实的地物光谱信息；
3)构建植被指数
将冬小麦整个生育期划分为3个阶段，即返青期和拔节期为冬小麦生长前期，抽穗期为冬小麦生长中期，开花期和灌浆期为冬小麦生长后期；选择NDVI、EVI、EVI2、RVI和OSAVI 5个植被指数进行全生育期和不同生育期冬小麦的LAI反演，并分析LAI实测数据与各植被指数间的一元线性、指数、对数和幂函数形式的相关关系；
4)比较冬小麦不同生育期不同指数反演的结果
冬小麦不同生育期不同指数反演结果的比较包括：41)冬小麦全生育期不同指数LAI反演结果比较；42)冬小麦生长前期不同指数LAI反演结果比较；43)冬小麦生长中期不同指数LAI反演结果比较；44)冬小麦生长后期不同指数LAI反演结果比较；
5)得出冬小麦不同生育期不同指数的反演结论
根据冬小麦不同生育期不同指数反演结果的比较，得出冬小麦不同生育期的最优反演指数和拟合模型。
下面结合申请人的具体研究情况对本申请进行详细阐述。
1材料与方法
1.1研究区概况
田间试验在中国科学院禹城综合试验站(116.57°E，36.83°N)进行。该站位于山东省德州市禹城市东南，平均海拔约20m，土壤属潮土，成土母质为黄河冲积物，质地以粉砂和轻壤为主，PH值约为8.5，土壤有机质含量为0.6％～1.0％，土壤肥力中等，以地下水为主要灌溉水源。试验区冬小麦播种时间为2015年10月中旬，大田种植，正常水肥管理。
1.2地面数据获取
在从冬小麦返青期开始，2016年3月21日-2016年5月16日期间，在冬小麦的每个关键生育期(返青期、拔节期、抽穗期、开花期和灌浆期)，至少进行一次地面数据采集，每次在试验区内随机选取10-17个长势比较均一的试验小区(表1)，在每个试验小区内随机选两个30cm*30cm的样方，利用收货法获取样方内的全部地上活体，装入密封袋保鲜，带回室内将所有小麦植株的茎、叶分开，选取20～23片完整的样品叶，取其中宽窄较为一致的地方，剪成6～8cm长度的小段，用直尺测量每个叶片的长度和宽度，分别称量样品叶和剩余叶鲜重，按照公式(1)，利用比重法获取每个样方的LAI：
其中，W1表示裁剪样品叶的鲜重，W2表示剩余样品叶的鲜重，S表示裁剪样品叶的总面积，以两个样方LAI均值作为该试验小区的LAI指标。
1.3遥感数据获取与预处理
GF-1卫星于2013年4月26日发射，其中搭载了4台WFV多光谱相机，重访周期为4d(day，天)。自2016年3月18日开始查询，将GF-1数据获取时间与地面数据采集时间间隔控制在3d之内，且确保选取影像云量最小，在试验段内共获取GF-1数据6景，如表1所示。
表1地面数据采集时间及GF-1数据获取情况
由于获取的GF-1卫星WFV数据为1级的相对辐射校正产品，进行冬小麦LAI反演前需要对不同传感器获取的数据进行辐射校正、大气校正和几何校正等预处理，以获得真实的地物光谱信息。本申请对GF-1数据预处理在ENVI5.1下进行，主要步骤如下：
1)借助影像自带的RPC(rational polynomial coefficient)文件对每幅原始影像进行几何粗校正，软件操作步骤为：
启动ENVI5.1>Toolbox>Geometric Correction>Orthorectification>RPCOrthorectification，打开RPC自动添加对话框，在input file浏览，选中一期待处理的GF1数据，DEM file默认，点击next，出现RPC Refinement对话框，点击Advanced，设置outputpixel size为16m，image resampling方式为Cubic Convolution；
2)利用中国资源卫星中心发布的2016年GF-1WFV定标文件对所有几何粗校正后的影像进行辐射定标，将原始DN(digital number)值转换为辐亮度，软件操作步骤为：
Toolbox>Radiometric Correction>Radiometric Calibration，在input file浏览1)中经RPC处理后的GF-1数据，打开辐射定标对话框，Calibration Type选择：Radiance，单击Apply FLAASH Setting，选择输出路径和文件名，点击OK。完成辐射定标；
3)利用FLAASH模型对辐亮度进行大气校正，得到真实地表反射率数据，软件操作步骤为：
Toolbox>Radiometric Correction>Atmospheric Correction Module>FLAASHAtmospheric Correction，打开FLAASH大气校正的工作流，主要设置如下：
a、文件输入输出设置：
input radiance image：选择2)中经辐射定标后的文件；
output reflectance file：选择非系统盘中数据flaash处理后的数据存放目录，并命名；
output directory for FLAASH files：选择非系统盘的工作文件夹目录；
b、传感器基本信息设置：
sensor type：Multispectral>UNKNOWN-MSI.
Scene Center Location自动从影像中获取；
Sensor Altitude：GF-1为645km；
Pixel Size：16m；
Ground Elevation：根据研究区海拔信息填写
Flight Date：可以在数据上点击右键，选择View Metadata，查看Time中读的时间参数；
c、大气校正参数设置：
Atmospheric Model：根据研究区所在位置选择；
Aerosol Model：根据研究区选择；
Water Retrieval：No；
Aerosol Retrieval：2-Band(K-T)
点击Multispectral setting>Kaufman-Tanre Aerosol Retrieval>fileter functionfile，选择GF-1WFV*对应的参数文件。(该参数文件可从中国资源卫星应用中心下载)
4)利用一景经过精校正的TM7(122035)影像，对6景GF-1数据进行几何精校正，将误差控制在0.5个像元内。
1.4植被指数构建
植被LAI的遥感反演，一般是根据地面测得的光谱数据或获得的卫星数据进行相关分析，以建立遥感指标与地面实测LAI间的关系。
图2表示冬小麦整个生育期LAI的变化。从图2中可以看出冬小麦的LAI从返青期不断增加，在抽穗期达到峰值，此后又逐渐降低。根据研究目的和冬小麦整个生育期LAI的变化规律，本申请将冬小麦整个生育期划分为3个阶段：返青期和拔节期为冬小麦生长前期，抽穗期为冬小麦生长中期，开花期和灌浆期为冬小麦生长后期。
本申请基于预处理后的GF-1数据选择物理意义比较明确的5个植被指数进行全生育期和不同生育期冬小麦LAI反演(表2)。为简化回归模型形式，我们只分析LAI与各植被指数间的一元线性、指数、对数和幂函数形式的相关关系。
表2冬小麦LAI反演植被指数计算公式
上述公式中的分别指GF-1数据的第一波段、第三波段和第四波段的反射率。
2结果与分析
根据1.4构建的植被指数和1.2的地面实测得到的冬小麦不同生育期LAI数据，进行不同植被指数与LAI的相关分析，相关分析模型表示如下：
LAIk＝f(VIki)
其中，k表示冬小麦不同生育期，具体到本申请，k＝全生育期、生长前期、生长中期、生长后期；VIki表示第k个生育期的第i个植被指数参数，具体到本申请，i＝1(NDVI),2(EVI)，3(EVI2)，4(RVI)，5(OSAVI)。f(VIki)为相关模型的表现形式，具体到本申请，f(VIki)分别为线性、指数、对数、幂函数形式。
评价不同参数拟合模型的拟合度以判决系数R2表示：
其中，xki为第k生育期的第i个实测LAI值，yfki为基于f形式的回归模型拟合的第k个生育期的第i个LAI模拟值，具体到本申请，k为全生育期、生长前期、生长中期、生长后期，f为线性、指数、对数和幂函数。
基于GF-1数据构建的5种植被指数模型建立LAI拟合模型，结果见表3-1和表3-2：
表3-1:
表3-2：
基于上述表3模型，选择判决系数R2最大的参数的反演模型进行LAI反演，并利用地面实测LAI进行验证模型精度，评价指标为相关系数r和均方根误差RMSE：
其中，xi为第i个地面实测LAI值，yi为相应的第i个LAI模拟值，
分别为地面实测LAI、模拟LAI值的平均值。N表示参数评价的LAI值个数。
其中，xi为第i个地面实测LAI值，yi为相应的第i个LAI模拟值，N表示参数评价的LAI值个数。
得到本申请中基于GF-1反演冬小麦不同生育期LAI的最佳回归模型，见表4所示：
表4：
GF-1卫星以4d的覆盖周期提供了16m空间分辨率的卫星数据，与目前常用的Landsat系列、SPOT系列、HJ-CCD系列等相比有很大的优势。本文利用GF-1卫星数据构建的5种常用的植被指数，很好的模拟了冬小麦不同生育期LAI，说明GF-1数据在分生育期的作物长势遥感研究中也有很大的应用前景，能有效改善中国农业遥感监测业务长期依赖国外数据源的局面。且本文基于不同生育期的地面实测LAI开展LAI遥感参数反演，分析不同冬小麦不同生育期LAI的最佳反演植被指数参数，相比在整个生育期使用单一的植被指数反演LAI，RMSE明显降低，精度有所提高。
2.1冬小麦全生育期不同指数LAI反演结果比较
表5冬小麦生长全生育期各植被指数与LAI的回归分析
根据表5，在整个生育期，基于GF-1数据构建的5种植被指数与LAI的线性、指数、对数和幂函数关系在p<0.001水平下都呈极显著相关关系，且以EVI构建的幂函数模型相关系数最高，达到0.9082(图3a)，而RVI与LAI的指数关系模型的相关系数最低，为0.7012。根据回归模型反演冬小麦整个生育期LAI，并利用地面实测数据对反演结果进行验证，结果如图3b所示。根据模型反演得到的LAI与实测LAI之间的相关系数r＝0.8393，RMSE＝2.4054。
2.2冬小麦生长前期不同指数LAI反演结果比较
表6冬小麦生长前期各植被指数与LAI的回归分析
与全生育期相关分析结果类似，冬小麦生长前期，5种植被指数与LAI的线性、指数、对数和幂函数关系在p<0.001水平下都呈极显著相关关系(表6)。但冬小麦生长前期，尤其是返青期，观测视场内土壤所占比重可能达到40％左右，随着冬小麦不断生长，到拔节期土壤所占比重逐渐下降，但冬小麦并不能完全覆盖地面，遥感信号仍掺杂一部分土壤背景信息，因此，在冬小麦生长前期，修正了土壤背景信息的OSAVI指数与LAI的相关性优于构建的其它4植被指数，且以幂函数形式的相关关系最为显著(r＝0.9110)(表6，图4a)。根据OSAVI与LAI的幂函数关系模型，基于GF-1数据的构建的OSAVI指数模拟LAI，其结果与地面实测LAI的关系在0.001水平下显著相关，RMSE＝0.2706(图4b)。
2.3冬小麦生长中期不同指数LAI反演结果比较
表7冬小麦生长中期各植被指数与LAI的回归分析
根据回归分析，构建的5种植被指数与冬小麦生长中期LAI的相关关系较差，只有NDVI、EVI2和OSAVI构建的线性和对数模型的回归系数达到0.05的显著水平(表7)，EVI和RVI与LAI的相关关系都没有通过0.05的显著性检验。基于EVI2指数构建的对数模型反演LAI指数的相关系数为0.4827，高于其它指数构建的反演模型(图5a)。在冬小麦生长中期，LAI达到最大值，观测视场内以小麦信息为主，土壤背景对小麦冠层反射率基本没有影响影响，且各器官生物量迅速增加，EVI2对作物群体生物量较为敏感[19]，所以该阶段基于EVI2监测LAI的效果较好。由地面实测LAI数据验证EVI2构建的冬小麦生长中期LAI反演模型，得到反演值与真实值之间的相关系数r＝0.749，RMSE＝0.9152，反演结果较好(图5b)。
2.4冬小麦生长后期不同指数LAI反演结果比较
表8冬小麦生长后期各植被指数与LAI的回归分析
冬小麦生长后期，小麦营养生长逐渐停止，开始以生殖生长为主，LAI逐渐减小，麦穗信息在冠层光谱信息中所占的比重较大，使得近红外波段反射率较生长前期高[12]、[20]，而RVI通过校正红边参数，对作物观测光谱反射率进行有效校正，能更好的监测该阶段LAI(表8)。基于RVI建立的指数形式的LAI反演模型精度最高，其r＝0.8143，且与地面实测LAI数据的相关系数达到0.8088，相对误差RMSE为0.8226，反演结果较好，均通过0.001的显著性检验(图6a和图6b)。
3结论与讨论
GF-1卫星以4d的覆盖周期提供了16m空间分辨率的卫星数据，与目前常用的Landsat系列、SPOT系列、HJ-CCD系列等相比有很大的优势。本文利用GF-1卫星数据构建的5种常用的植被指数，很好的模拟了冬小麦不同生育期LAI，说明GF-1数据在分生育期的作物长势遥感研究中也有很大的应用前景，能有效改善中国农业遥感监测业务长期依赖国外数据源的局面。且本文基于不同生育期的地面实测LAI开展LAI遥感参数反演，分析不同冬小麦不同生育期LAI的最佳反演植被指数参数，相比在整个生育期使用单一的植被指数反演LAI，RMSE明显降低，精度有所提高。
本申请涉及到的参考文献：
[1]WANG Dong-wei，WANG Jin-di，LIANG Shun-lin(王东伟，王锦地，梁顺林.).Sci China:Earth Sci(中国科学：地球科学)，2010，40(1):73.
[2]Hasegawa K，Matsuyama H，Tsuzuki H，et al.Remote Sensing ofEnvironment，2010，114(3):514.
[3]Liu J，Pattey E，Jego G.Remote Sensing of Environment，2012，123:347..
[4]LIU Guo-dong，WU Ming-quan，NIU Zheng，et al(刘国栋，邬明权，牛铮，等).Transactions of the CSAE(农业工程学报)，2015，31(5):160.
[5]LIN Zi-jing，LI Wei-guo，SHEN Shuang-he，et al(林子晶，李卫国，申双和，等).Jiangsu Journal of Agriculture Science(江苏农业学报)，2016，32(1):111.
[6]YANG Yan-jun，ZHAN Yu-lin，TIAN Qing-jiu，et al(杨闫君，占玉林，田庆久，等).Transactions of the CSAE(农业工程学报)，2015，31(24):155.
[7]WANG Li-min，LIU Jia，YANG Fu-gang，et al(王利民，刘佳，杨福刚，等).Early recognition of winter wheat area based on GF-1satellite[J].Transactions of the CSAE(农业工程学报)，2015，31(11):194.
[8]State Administration of Science.Technology and Industry forNational Defence，PRC(国家国防科技工业局).http://www.sastind.gov.cn/n112/n117/c394448/content.html.2014-08-21.
[9]JIA Yu-qiu，LI Bing，CHENG Yong-zheng，et al(贾玉秋，李冰，程永政，等).Transactions of the CSAE(农业工程学报)，2015，31(9):173.
[10]LI Fen-ling，CHANG Qing-rui，SHEN Jian，et al(李粉玲，常庆瑞，申健，等).Transactions of the CSAE(农业工程学报)，2016，32(9):157.
[11]LI Fen-ling，WANG Li，LIU Jing，et al(李粉玲，王力，申健，等).Transactions of the Chinese Society for Agricultural Machinery(农业机械学报)，2015，46(9):273.
[12]ZHAO Juan，HUANG Wen-jiang，ZHANG Yao-hong，et al(赵娟，黄文江，张耀鸿，等).Spectroscopy and Spectral Analysis(光谱学与光谱分析)，2013，33(9)：2546.
[13]ZHAO Hu，PEI Zhi-yuan，MA Shang-jie，et al(赵虎，裴志远，马尚杰，等).Transactions of the CSAE(农业工程学报)，2012，28(10):172.
[14]Zheng G，Moskal L.Sensors，2009，9(4):2719.
[15]Huete A，Liu H Q，Batchily K，et al.Remote Sensing of Environment，1997，59(3):440.
[16]Jiang Z，Huete A，Didan K，et al.Remote Sensing of Environment，2008，112(10):3833.
[17]Baret F，Guyot G.Remote Sensing of Environment，1991，35(2/3):161.
[18]Geneviève R，Steven M.D.，Baret F.Remote Sensing of Environment，1996，
55(2):95.
[19]Jiang Z，Huete A R，Didan K，et al.Remote Sensing of Environment，2008，112(10):3833.
[20]LIU Liang-yun，WANG Ji-hua，SONG Xiao-yu，et al(刘良云，王纪华，宋晓宇，等).Journal of Remote Sensing(遥感学报)，2005，9(3):323.
以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视为本发明的保护范围。
Claims (6)
1.基于遥感数据的冬小麦不同生育期叶面积指数反演方法，其特征是，包括以下过程：
1)获取LAI实测数据
在冬小麦的返青期、拔节期、抽穗期、开花期和灌浆期分别至少进行一次现场数据采集，数据采集后随机选取10-17个长势比较均一的试验小区，并在每个试验小区内随机选两个30cm*30cm的样方，利用收货法获取样方内的全部地上活体，将所有小麦植株的茎、叶分开，选取20～23片完整的样品叶，取样品中宽窄较为一致的地方，剪成6～8cm长度的小段，用直尺测量每个叶片的长度和宽度，分别称量样品叶和剩余叶鲜重，按照公式(1)，利用比重法获取每个样方的LAI：
其中，W1表示裁剪样品叶的鲜重，W2表示剩余样品叶的鲜重，S表示裁剪样品叶的总面积；以两个样方的LAI均值作为该试验小区的LAI实测数据；
2)获取遥感数据并进行预处理
获取6景GF-1卫星WFV数据并对获取的GF-1卫星WFV数据进行预处理，用以获得真实的地物光谱信息；
所述对GF-1卫星WFV数据进行预处理的过程为采用ENVI5.1遥感处理软件对获取的GF-1卫星WFV数据进行辐射校正、大气校正和几何校正预处理的过程。
3)构建植被指数
将冬小麦整个生育期划分为3个阶段，即返青期和拔节期为冬小麦生长前期，抽穗期为冬小麦生长中期，开花期和灌浆期为冬小麦生长后期；选择NDVI、EVI、EVI2、RVI和OSAVI 5个植被指数进行全生育期和不同生育期冬小麦的LAI反演，并分析LAI实测数据与各植被指数间的一元线性、指数、对数和幂函数形式的相关关系；
4)比较冬小麦不同生育期不同指数反演的结果
冬小麦不同生育期不同指数反演结果的比较包括：41)冬小麦全生育期不同指数LAI反演结果比较；42)冬小麦生长前期不同指数LAI反演结果比较；43)冬小麦生长中期不同指数LAI反演结果比较；44)冬小麦生长后期不同指数LAI反演结果比较；
5)得出冬小麦不同生育期不同指数的反演结论
根据冬小麦不同生育期不同指数反演结果的比较，得出冬小麦不同生育期的最优反演指数和拟合模型。
2.根据权利要求1所述的基于遥感数据的冬小麦不同生育期叶面积指数反演方法，其特征是，所述对GF-1卫星WFV数据进行预处理的过程包括以下步骤：
21)借助影像自带的RPC文件对每幅原始影像进行几何粗校正；
22)利用2016年GF-1卫星WFV对应的定标系数对所有几何粗校正后的影像进行辐射定标，将原始DN值转换为辐亮度；
23)利用FLAASH模型对辐亮度进行大气校正，得到真实地表反射率数据；
24)利用一景经过精校正的TM7影像，对6景GF-1卫星WFV数据进行几何精校正，将误差控制在0.5个像元内。
3.根据权利要求2所述的基于遥感数据的冬小麦不同生育期叶面积指数反演方法，其特征是，
步骤21)中，借助影像自带的RPC文件对每幅原始影像进行几何粗校正的具体步骤为：
启动ENVI5.1软件>Toolbox>Geometric Correction>Orthorectification>RPCOrthorectification，打开RPC自动添加对话框，在input file浏览，选中一期待处理的GF1卫星WFV数据，DEM file默认，点击next，出现RPC Refinement对话框，点击Advanced，设置output pixel size为16m，image resampling方式为Cubic Convolution；
步骤22)中，对所有几何粗校正后的影像进行辐射定标并将原始DN值转换为辐亮度的具体步骤为：
Toolbox>Radiometric Correction>Radiometric Calibration，在input file浏览步骤21)中经RPC处理后的GF-1卫星WFV数据，打开辐射定标对话框，Calibration Type选择：Radiance，单击Apply FLAASH Setting，选择输出路径和文件名，点击OK完成辐射定标；
步骤23)中，利用FLAASH模型对辐亮度进行大气校正得到真实地表反射率数据的具体步骤为：
Toolbox>Radiometric Correction>Atmospheric Correction Module>FLAASHAtmospheric Correction，打开FLAASH大气校正的工作流，主要设置如下：
a、文件输入输出设置：
input radiance image：选择步骤22)中经辐射定标后的文件；
output reflectance file：选择非系统盘中数据flaash处理后的数据存放目录，并命名；
output directory for FLAASH files：选择非系统盘的工作文件夹目录；
b、传感器基本信息设置：
sensor type：Multispectral>UNKNOWN-MSI.
Scene Center Location自动从影像中获取；
Sensor Altitude：GF-1为645km；
Pixel Size：16m；
Ground Elevation：根据研究区海拔信息填写
Flight Date：在数据上点击右键，选择View Metadata，查看Time中读的时间参数；
c、大气校正参数设置：
Atmospheric Model：根据研究区所在位置选择；
Aerosol Model：根据研究区选择；
Water Retrieval：No；
Aerosol Retrieval：2-Band(K-T)；
点击Multispectral setting>Kaufman-Tanre Aerosol Retrieval>fileterfunction file，选择GF-1WFV*对应的参数文件。
4.根据权利要求1所述的基于遥感数据的冬小麦不同生育期叶面积指数反演方法，其特征是，在步骤2)中，获取的GF-1卫星数据与LAI实测数据的时间间隔小于3天。
5.根据权利要求1所述的基于遥感数据的冬小麦不同生育期叶面积指数反演方法，其特征是，分析LAI实测数据与各植被指数间相关关系的过程为：
31)根据构建的植被指数和LAI实测数据进行不同植被指数与LAI的相关关系分析模型，分析模型如下：
LAIk＝f(VIki)
其中，k表示冬小麦不同生育期，k＝全生育期、生长前期、生长中期或生长后期；VIki表示第k个生育期的第i个植被指数参数，i＝NDVI、EVI、EVI2、RVI或OSAVI；f(VIki)为分析模型的表现形式，f(VIki)分别为线性、指数、对数和幂函数形式；
32)基于植被指数的分析模型建立LAI拟合模型；
33)评LAI拟合模型的拟合度以判决系数R2表示，判决系数R2为：
其中，xki为第k生育期的第i个实测LAI值，yfki为基于f形式的回归模型拟合的第k个生育期的第i个LAI模拟值，k为全生育期、生长前期、生长中期或生长后期，f为线性、指数、对数和幂函数；
34)基于LAI拟合模型选择判决系数R2最大参数的反演模型进行LAI反演，并利用LAI实测数据进行验证模型精度，评价指标为相关系数r和均方根误差RMSE：
其中，xi为第i个LAI实测数据，yi为相应的第i个LAI模拟值，
分别为LAI实测数据、模拟LAI值的平均值，N表示参数评价的LAI值个数；
其中，xi为第i个LAI实测数据，yi为相应的第i个LAI模拟值，N表示参数评价的LAI值个数；
35)得到冬小麦不同生育期LAI的最佳回归模型。
6.根据权利要求1所述的基于遥感数据的冬小麦不同生育期叶面积指数反演方法，其特征是，所述冬小麦不同生育期的最优反演指数和拟合模型具体为：
51)构建的5种植被指数在冬小麦全生育期与LAI不同形式模型的极显著相关系数都在0.7以上，均进行LAI遥感反演研究，但以EVI构建的幂函数模型相关系数最高，达到0.9082，而RVI的拟合效果不如NDVI、EVI、EVI2和OSAVI；
52)冬小麦生长前期，5种植被指数与LAI的相关关系均优于全生育期，极显著相关系数达到0.71以上，由于冬小麦生长前期视场内冠层覆盖特点，以修正土壤背景信息的OSAVI与LAI的幂函数形式的相关关系最为显著，r＝0.9110，且模拟LAI与实测LAI的RMSE较小，为0.2706，模拟精度较高；
53)5种植被指数反演冬小麦生长中期LAI效果较差，仅NDVI、EVI2和OSAVI构建的线性和对数模型的回归系数达到0.05的显著水平，以EVI2构建的对数模型相关系数最好，为0.4827；
54)受麦穗对冠层反射率的影响，在冬小麦生长后期，RVI与LAI的相关关系优于其他4种植被指数，RVI的指数形式模型的r＝0.8143，反演精度较高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611065149.3A CN106780079B (zh) | 2016-11-28 | 2016-11-28 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611065149.3A CN106780079B (zh) | 2016-11-28 | 2016-11-28 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106780079A CN106780079A (zh) | 2017-05-31 |
| CN106780079B true CN106780079B (zh) | 2020-12-29 |
Family
ID=58904532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611065149.3A Active CN106780079B (zh) | 2016-11-28 | 2016-11-28 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106780079B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108303044B (zh) * | 2018-02-01 | 2020-02-21 | 苏州市农业科学院 | 一种叶面积指数获取方法及系统 |
| CN109141371B (zh) * | 2018-08-21 | 2020-04-03 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
| 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 |
| CN109615551A (zh) * | 2018-11-15 | 2019-04-12 | 中国农业科学院农业资源与农业区划研究所 | 基于微波散射和冠层模拟的麦类作物叶面积指数反演方法 |
| CN109765247B (zh) * | 2018-11-15 | 2021-06-08 | 中国农业科学院农业资源与农业区划研究所 | 一种不同生育阶段麦类作物覆盖区域土壤水分反演方法 |
| CN109977548B (zh) * | 2019-03-27 | 2023-06-30 | 南京林业大学 | 一种针对不同范围的叶面积指数遥感反演方法 |
| CN111079256B (zh) * | 2019-11-18 | 2023-08-29 | 珠江水利委员会珠江水利科学研究院 | 一种基于遥感的灌溉水有效利用系数测算方法 |
| CN111126511B (zh) * | 2020-01-02 | 2023-11-03 | 国智恒北斗好年景农业科技有限公司 | 一种基于植被指数融合的lai定量模型建立的方法 |
| CN111783538B (zh) * | 2020-05-29 | 2023-12-08 | 北京农业信息技术研究中心 | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 |
| CN111829957A (zh) * | 2020-07-07 | 2020-10-27 | 塔里木大学 | 基于无人机多光谱遥感反演冬小麦植株含水率系统及方法 |
| CN112101681B (zh) * | 2020-09-25 | 2023-04-28 | 北京师范大学 | 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法 |
| CN112330672B (zh) * | 2020-11-28 | 2022-07-29 | 华中农业大学 | 基于prosail模型和冠层覆盖度优化的作物叶面积指数反演方法 |
| CN113192117B (zh) * | 2021-02-08 | 2022-03-22 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
| CN116124709B (zh) * | 2022-09-20 | 2023-09-12 | 中国水利水电科学研究院 | 基于叶绿素相对含量的冬小麦旱情无人机监测判别方法 |
| CN115950838B (zh) * | 2022-09-20 | 2023-08-01 | 中国水利水电科学研究院 | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 |
| CN115855841B (zh) * | 2022-09-20 | 2023-08-01 | 中国水利水电科学研究院 | 基于叶面积指数的夏玉米旱情无人机快速监测判别方法 |
| CN115641502B (zh) * | 2022-09-20 | 2023-05-12 | 中国水利水电科学研究院 | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102651096A (zh) * | 2012-04-28 | 2012-08-29 | 中国农业大学 | 同化叶面积指数时序曲线特征的冬小麦估产方法 |
| 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 |
| CN104457626A (zh) * | 2014-12-08 | 2015-03-25 | 中国科学院合肥物质科学研究院 | 一种基于激光雷达点云技术的植物叶面积指数测定方法 |
| CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
-
2016
- 2016-11-28 CN CN201611065149.3A patent/CN106780079B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102651096A (zh) * | 2012-04-28 | 2012-08-29 | 中国农业大学 | 同化叶面积指数时序曲线特征的冬小麦估产方法 |
| 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 |
| CN104457626A (zh) * | 2014-12-08 | 2015-03-25 | 中国科学院合肥物质科学研究院 | 一种基于激光雷达点云技术的植物叶面积指数测定方法 |
| CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 不同生育时期冬小麦叶面积指数高光谱遥感监测模型;贺佳等;《农业工程学报》;20141231;第0-4章 * |
| 小麦生物量和真实叶面积指数的高光谱遥感估算模型;候学会等;《国土资源遥感》;20121215;第1-3章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106780079A (zh) | 2017-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106780079B (zh) | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 | |
| CN110472184B (zh) | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 | |
| Fensholt et al. | Evaluation of MODIS and NOAA AVHRR vegetation indices with in situ measurements in a semi‐arid environment | |
| Dobrowski et al. | Grapevine dormant pruning weight prediction using remotely sensed data | |
| Nuarsa et al. | Rice yield estimation using Landsat ETM+ data and field observation | |
| Nuarsa et al. | Spectral characteristics and mapping of rice plants using multi-temporal Landsat data | |
| Banskota et al. | An LUT-based inversion of DART model to estimate forest LAI from hyperspectral data | |
| Meng et al. | Corn yield forecasting in northeast china using remotely sensed spectral indices and crop phenology metrics | |
| Ehammer et al. | Statistical derivation of fPAR and LAI for irrigated cotton and rice in arid Uzbekistan by combining multi-temporal RapidEye data and ground measurements | |
| Han et al. | Monitoring model of corn lodging based on Sentinel-1 radar image | |
| Xu et al. | Evaluating spatial representativeness of station observations for remotely sensed leaf area index products | |
| Nourani et al. | Hydrological model parameterization using NDVI values to account for the effects of land cover change on the rainfall–runoff response | |
| CN113177942A (zh) | 大豆种植区遥感监测识别方法、装置、电子设备和介质 | |
| Cheng et al. | Dynamics of spectral bio-indicators and their correlations with light use efficiency using directional observations at a Douglas-fir forest | |
| Houborg et al. | Utility of an image-based canopy reflectance modeling tool for remote estimation of LAI and leaf chlorophyll content at regional scales | |
| Bartoszek | Usefulness of MODIS data for assessment of the growth and development of winter oilseed rape. | |
| Wittamperuma et al. | Remote-sensing-based biophysical models for estimating LAI of irrigated crops in Murry darling basin | |
| Na et al. | Estimating leaf area index of paddy rice from RapidEye imagery to assess evapotranspiration in Korean paddy fields | |
| Yang et al. | Assessing shaded-leaf effects on photochemical reflectance index (PRI) for water stress detection in winter wheat | |
| Davranche et al. | Radiometric Normalization of SPOT-5 Scenes | |
| Yanjun et al. | Winter wheat extraction using curvilinear integral of GF-1 NDVI time series | |
| De Santis et al. | Evaluation of remotely-sensed evapotranspiration datasets at different spatial and temporal scales at forest and grassland sites in Italy | |
| Vogelmann et al. | Characterization of intra-annual reflectance properties of land cover classes in southeastern South Dakota using Landsat TM and ETM+ data | |
| Ren et al. | Regional yield prediction of winter wheat based on retrieval of Leaf area index by remote sensing technology | |
| Gitelson et al. | Remote estimation of gross primary productivity in maize and soybean |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |