CN107014753A - 作物长势监测方法和系统 - Google Patents
作物长势监测方法和系统 Download PDFInfo
- Publication number
- CN107014753A CN107014753A CN201710129313.0A CN201710129313A CN107014753A CN 107014753 A CN107014753 A CN 107014753A CN 201710129313 A CN201710129313 A CN 201710129313A CN 107014753 A CN107014753 A CN 107014753A
- Authority
- CN
- China
- Prior art keywords
- breeding time
- crop
- data
- vegetation index
- ndvi
- 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
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Abstract
本发明公开了一种作物长势监测方法和系统,涉及农业监测技术领域。所述方法包括:获取监测区作物的生育期;获取时间范围为生育期的当前年份遥感数据和历史遥感数据,并对所述遥感数据进行预处理,得到监测区各像元的植被指数数据;以所述生育期为时间范围,进行最大值和最小值合成,得到各像元在当前年份生育期内的植被指数最大值、在历史年份生育期内的植被指数最大值和最小值;通过计算获得在所述监测区内生育期内的最佳植被状况指数:根据所述最佳植被状况指数的数值与级别阈值范围,确定当前作物的长势情况。本发明有效地削弱了农作物生育期内不利天气条件对植被指数数值的影响,克服了作物物候期偏移对农作物长势监测结果的影响。
Description
技术领域
本发明涉及遥感图像处理和农业监测技术领域,特别涉及一种作物长势监测方法和系统。
背景技术
粮食安全问题是当今世界面临的重要问题,各国在进行粮食进出口计划的制定、粮食期货贸易的分析时,为了获得精确的数据支持,需要尽早获得作物长势数据。生育期内的作物生长形势数据往往要比在作物成熟收获之后的数据更能反应作物面积和总产量等,对可能出现的大规模的粮食短缺或盈余等提供宏观调控分析的数据依据。
目前,用于进行作物长势监测的系统都是基于遥感数据来进行监控的。其中,美国国家宇航局(NASA)于1991年发起了一个称为地球科学事业(ESE)的综合性项目,在该项目中的地球观测卫星系列(EOS)部分,有两颗重要的卫星:Terra卫星和Aqua卫星。其中,Terra卫星每天上午从北向南通过赤道,因此又被称为地球观测第一颗上午星(EOS-AM1)。Aqua卫星每天下午从南向北通过赤道,因此被称为地球观测第一颗下午星(EOS-PM1),两颗星均为太阳同步极轨卫星,在数据采集时间上相互配合。中分辨率成像光谱仪(MODerate-resolution Imaging Spectroradiometer,简称MODIS)是Terra卫星和Aqua卫星上搭载的主要传感器之一,两颗星相互配合,每天可重复观测整个地球表面,得到36个波段的观测数据。MODIS自2000年4月开始正式发布数据,MODIS传感器获取的遥感数据因其在时空监测尺度上的优越性,被广泛地用于植被、土地利用状况的监测。
用于进行作物长势监测的系统大多数采用上述方式得到遥感数据,基于遥感数据的同期对比和生长过程对比的方式获知长势情况。
其中,作物长势实时监测结果只能在一个时间断面上反映作物长势,且监测结果非常容易受到作物物候变化和耕地利用状况变化(是否有作物生长,有作物生长的耕地的比率)的影响;作物长势过程监测方法弥补了作物长势实时监测方法只能反映一个较短时间内作物长势的缺点,但由于需要高时间分辨率的时间序列遥感数据,而这类数据通常空间分辨率较低,混合像元现象严重影响作物长势监测结果。而且,无论是实时监测还是生长过程监测,现有系统均未考虑年际间的物候差异对作物长势的影响。不同年份的遥感影像虽然成像时间相对一致(两年中的同一时期),但作物所处物候期不一致,这就导致了遥感数据缺乏可比性,造成作物长势监测结果存在偏差。
发明内容
针对现有技术中的不足,本发明提供了一种作物长势监测方法和系统,解决现有技术中由于作物物候期的年际变化造成作物长势监测结果存在偏差的问题。
为了解决前述的技术问题,本发明提供了一种作物长势的监测方法,其中,包括以下步骤:
获取监测区作物的生育期,所述生育期为从作物播种到所述作物收获的时间区间;
获取时间范围为生育期的当前年份遥感数据和历史遥感数据,并对所述遥感数据进行预处理,得到监测区各像元的植被指数数据;
以所述生育期为时间范围,对所述当前年份的植被指数数据进行最大值合成,得到各像元在当前年份生育期内的植被指数最大值;对历史植被指数数据进行最大值和最小值合成,得到各像元在历史年份生育期内的植被指数最大值和最小值;
根据以下公式,获得在所述监测区内,在生育期内的最佳植被状况指数VCIx:
其中,所述NDVImax_c为当前年份生育期内的植被指数最大值;
所述NDVImax_h为历史年份生育期内的植被指数最大值;
所述NDVImin_h为历史年份生育期内的植被指数最小值;
根据所述最佳植被状况指数VCIx的数值大小与预设的级别阈值范围,确定当前作物的长势情况。
优选地,所述历史遥感数据为当前年份之前的连续N年的植被指数数据,其中,N≥5;
对历史植被指数数据进行最大值和最小值合成,得到各像元在历史年份生育期内的植被指数最大值和最小值,包括:
合成N年中在所述生育期内的各像元NDVI最大值,作为各像元在历史年份在所述生育期内的植被指数最大值NDVImax_h;
合成N年中各年在所述生育期内的各像元NDVI最小值;
计算m个NDVI最小值的平均值NDVImin_h0,其中,3≤m≤N;
比较平均值NDVImin_h0与最小值阈值的大小,将两者之间的较大者作为各像元在历史年份在所述生育期内的植被指数最小值NDVImin_h。
优选地,所述最小值阈值的取值范围为0.15-2.0。
优选地,所述预设的级别为4级,对应的级别阈值范围为:
第1级:VCIx<0.5;
第2级:0.5≤VCIx<0.8;
第3级:0.8≤VCIx≤1.0;和
第4级:VCIx>1.0。
为了解决前述的技术问题,本发明还提供了一种作物长势监测系统,其中,包括:
数据模块,用于提供位于监测区、时间范围为作物生育期的当前年份遥感数据和历史遥感数据,并对所述遥感数据进行预处理,得到监测区各像元的植被指数数据;
极值合成模块,用于合成得到各像元在当前年份生育期内的植被指数最大值、在历史年份生育期内的植被指数最大值和最小值;
计算模块,用于根据以下公式计算生育期内的最佳植被状况指数VCIx:
其中,所述NDVImax_c为当前年份生育期内的植被指数最大值;
所述NDVImax_h为历史年份生育期内的植被指数最大值;
所述NDVImin_h为历史年份生育期内的植被指数最小值;和
评估模块,用于根据所述最佳植被状况指数VCIx的数值与预设的级别阈值范围,确定当前作物的长势情况。
优选地,所述极值合成模块包括:
极值合成单元,用于合成各像元在当前年份生育期内的植被指数最大值NDVImax_c,在历史N年中在所述生育期内的植被指数最大值NDVImax_h,在历史N年中在所述生育期内的各年植被指数最小值,其中N≥5;
计算单元,用于计算m个最小植被指数最小值的平均值NDVImin_h0,其中,3≤m≤N;和
比较确定单元,用于比较所述植被指数最小值的平均值NDVImin_h0与最小值阈值的大小,将两者之间的较大者作为各像元在历史年份在所述生育期内的植被指数最小值NDVImin_h。
优选地,所述最小值阈值的取值范围为0.15-2.0。
优选地,所述数据模块包括:
生育期确定单元,用于统计监测区作物的生育期,所述生育期为从作物播种到所述作物收获的时间区间;
数据获取单元,用于获取生育期内的当前年份和当前年份之前N年的历史年份的遥感数据;
数据处理单元,用于对所述遥感数据进行处理,获得监测区各像元的植被指数数据;和
数据存储单元,用于存储并提供与请求相应的数据。
优选地,所述系统还包括参数配置模块,用于动态配置参数。
优选地,所述系统还包括数据输出模块,用于输出所述评估模块得到的当前作物的长势情况数据。
本发明以时间序列NDVI数据为数据源,将农作物生育期内植被指数峰值与历史同期植被指数峰值进行归一化比较,有效地削弱了农作物生育期内不利天气条件对植被指数数值的影响,克服了现有技术中在作物长势实时对比监测和过程监测中物候期偏移对农作物长势监测结果的影响,为大范围农作物长势监测提供了技术支持。
附图说明
通过参照以下附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1为本发明实施例一提供的一种作物长势的监测方法流程示意图;
图2为本发明实施例二提供的一种作物长势的监测系统原理框图;
图3为本发明实施例二提供的作物长势的监测系统中数据模块的原理框图;
图4为本发明实施例二提供的作物长势的监测系统中极值合成模块的原理框图;
图5为本发明实施例三提供的一种作物长势的监测系统功能框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
附图中的流程图、框图图示了本发明实施例的系统、方法、装置的可能的体系框架、功能和操作,流程图和框图上的方框可以代表一个模块、程序段或仅仅是一段代码,所述模块、程序段和代码都是用来实现规定逻辑功能的可执行指令。也应当注意,所述实现规定逻辑功能的可执行指令可以重新组合,从而生成新的模块和程序段。因此附图的方框以及方框顺序只是用来更好的图示实施例的过程和步骤,而不应以此作为对发明本身的限制。
实施例一
如图1所示,为本发明实施例一提供的一种作物长势的监测方法流程图,包括以下步骤:
步骤S1,获取监测区作物的生育期,所述生育期为从作物生长开始到所述作物成熟的时间区间。
步骤S2,获取时间范围为生育期的当前年份遥感数据和历史遥感数据,并对所述遥感数据进行预处理,得到监测区各像元的植被指数数据。
步骤S3,以所述生育期为时间范围,对所述当前年份的植被指数数据进行最大值合成,得到各像元在当前年份生育期内的植被指数最大值,即生育期内作物生长高峰时期的植被指数;对历史植被指数数据进行最大值和最小值合成,得到各像元在历史年份生育期内的植被指数最大值和最小值。
步骤S4,根据以下公式计算,获得在所述监测区内,在生育期内的作物植被状况指数VCIx:
其中,所述NDVImax_c为当前年份生育期内的植被指数最大值;
所述NDVImax_h为历史年份生育期内的植被指数最大值;
所述NDVImin_h为历史年份生育期内的植被指数最小值。
步骤S5,根据所述植被状况指数VCIx的数值大小与预设的级别阈值范围,确定当前作物的长势情况。
其中,在步骤S1中,基于监测范围的农气站点作物物候数据,统计农作物物候期,主要统计作物生长起始期和作物成熟期。更为具体地,统计农作物生长季的作物播种期和收获期的均值。从所述作物生长起始期到所述作物成熟期,这个时间段即为所述的生育期。以夏粮生长季为例,主要统计夏粮作物播种时间的平均值、收获时间的平均值;对秋粮生长季而言,则主要统计秋粮作物播种时间的平均值和收获时间的平均值,作物播种时间的平均值和收获时间的平均值分别记为Tb和Th。
在步骤S2中,获取的遥感数据是时间序列植被指数数据,来自于中分辨率成像光谱仪(MODerate resolution Imaging Spectro-radiometer,简称MODIS),包括MODIS上午星(Terra)和下午星(Aqua)16日合成归一化植被指数产品,产品编号为MOD13A1和MYD13A2,空间分辨率1000米,时间范围是2011年1月1日至2016年10月30日。在本实施例中共获得了14个不同空间块(h23v04,h24v04,h24v05,h25v05,h25v04,h25v03,h26v06,h26v05,h26v04,h26v03,h27v06,h27v05,h27v04和h28v05)的长时间序列植被指数产品数据。
该数据是从美国国家宇航局(NASA)的Reverb网络工具(http://reverb.echo.nasa.gov)上下载获取。MODIS植被指数产品是由16天内每天的植被指数采用最大值合成方式合成而来,其目标是优先选择近星下点无云像元,尽可能减小残存云、暗影、大气气溶胶和BRDF效应的影响,在仪器特性和地表特性的限制条件下尽可能增加空间和时间的覆盖度,同时保证合成资料的质量及一致性。
对所述遥感数据,即前述的NDVI产品的预处理包括数据拼接、重投影、数据类型转换和数据格式转换等操作。原始数据采用HDF科学数据集(Scientific Data Sets,简称SDSs)的方式分块存储,首先利用MODIS重投影工具对14个不同空间块进行拼接,并从HDF文件中读取NDVI波段数据,直接读取出来的数据是16位有符号整型数据,需要将直接读取的数据除以10000以转换为NDVI实际值,有效范围为-1至1之间。最后利用MODIS重投影工具将NDVI数据投影为Albers110大地坐标系,采用WGS84椭球体,并转换为GEOTIFF数据格式。经过上述的预处理后,得到了监测区各像元的植被指数数据。
在步骤S3中,利用步骤S2预处理后的NDVI数据集,以步骤S1中统计获得的农作物生育期内的作物播种期平均值(Tb)至该生长季作物收获时间的平均值(Th)为监测时间段,合成出该时段内当前年份NDVI最大值(NDVImax_c)、前5年同时段NDVI峰值的最大值(NDVImax_h),并合成出前5年各年份同时段NDVI最小值(NDVImin_h1,NDVImin_h2,NDVImin_h3,NDVImin_h4,NDVImin_h5),并从中确定最小的三个NDVI最小值,计算三个NDVI最小值的均值(NDVImin_h0)。而后比较历史同期三个NDVI最小值的均值(NDVImin_h0)与0.15的大小,取两者间的较大值作为前5年同期NDVI最小值(NDVImin_h)。其中,在本实施例中,采用了前5年的历史数据,本领域的技术人员可知,根据农作物种子基因的进步规律,可以设置其他的数值。在计算历史数据的NDVI最小值时,在本实施例中选取了最小的三个最小值,最小值数量的选择可以根据历史年份数量而灵活设置,其最大为历史年份数量,最小为3。本实施例中的0.15是最小值阈值,用于代表无任何植被生长的裸土NDVI的值,通过设置这一阈值,排除了耕地被水体(灌溉后)、雪(降雪后)覆盖时造成NDVI过低(负值)的影响,根据具体情况,可在0.15-0.2之间选择一个合适的数值。
在步骤S5中,为了对当前作物的长势进行评估,本实施例设置了4个级别,对应的级别阈值分别如下:
第1级:VCIx<0.5,表明作物长势较前5年平均水平偏差;
第2级:0.5≤VCIx<0.8;表明作物长势略好于前5年平均水平;
第3级:0.8≤VCIx≤1.0;表明作物长势好于前5年平均水平;
第4级:VCIx>1.0,表明作物长势超过前5年最佳长势水平;
当最佳植被状况该指数为0时,表示作物状况和历史同期最差水平相同;为1表示作物状况和历史同期最好水平相同;大于1表示当前监测期作物状况超越历史最佳水平。
实施例二
如图2所示,为本发明提供的一种耕地作物长势的监测系统的原理框图,其中,具体包括:数据模块1、极值合成模块2、计算模块3和评估模块4。
其中,所述数据模块1用于提供位于监测区、时间范围为作物生育期的当前年份遥感数据和历史遥感数据,并对所述遥感数据进行预处理,得到监测区各像元的植被指数数据。具体如图3所示,图3为数据模块1的原理框图。所述数据模块1包括生育期确定单元11、数据获取单元12、数据处理单元13和数据存储单元14。其中,生育期确定单元11根据给定的作物种类,向所述数据获取单元12发送数据请求,数据获取单元12根据接收到的数据请求从相关数据库获取农气站点作物物候数据。生育期确定单元11统计给定作物的物候期,即统计作物生长起始期和作物成熟期,计算农作物的播种期和收获期的均值,分别记为Tb和Th,并将得到的作物播种期均值Tb和收获期的均值Th发送给所述数据获取单元12。所述数据获取单元12根据所述的播种期均值Tb和收获期的均值Th获取监测区的当前年份遥感数据和前N年的历史遥感数据。其中,所述的N年为一个可以设定的参数,所述数据获取单元12根据所述参数的参数值,读取相应年份的数据,存储到数据存储单元14中。
所述数据处理单元13用于对所述遥感数据进行处理,例如数据拼接、重投影、数据类型转换和数据格式转换等操作,经过这些处理后,获得监测区各像元的植被指数数据。
数据存储单元14,用于存储数据,包括前面所述的读取的遥感数据、处理后的各像元的植被指数数据及中间处理数据和各种参数的参数值。
所述极值合成模块2,用于合成得到各像元在当前年份生育期内的植被指数最大值、在历史年份生育期内的植被指数最大值和最小值。具体地,如图4所示,所述极值合成模块2包括极值合成单元21、计算单元22和比较确定单元23,其中,所述极值合成单元21根据数据存储单元14中的当前年份的植被指数数据,合成各像元在当前年份生育期内的植被指数最大值NDVImax_c;根据数据存储单元13中的N年历史植被指数数据,合成各像元在N年中在所述生育期内的各像元NDVI最大值NDVImax_h,作为一个实施例,N=5。同时,合成各像元在5年中每一年在所述生育期内的各像元NDVI最小值NDVImin_h1,NDVImin_h2,NDVImin_h3,NDVImin_h4,NDVImin_h5。所述计算单元22从所述5个NDVI最小值中选出最小的3个NDVI最小值,并计算3个最小植被指数的平均值NDVImin_h0。比较确定单元23根据所述计算单元22得到的平均值NDVImin_h0和内部设定的最小值阈值的大小,将两者间的较大值作为各像元在历史年份在所述生育期内的植被指数最小值NDVImin_h。
所述计算模块3根据所述极值合成模块2得到的各个最大值和最小值,根据以下公式,计算得到在所述生育期内的作物最佳植被状况指数VCIx:
其中,所述NDVImax_c为当前年份生育期内的植被指数最大值;
所述NDVImax_h为历史年份生育期内的植被指数最大值;
所述NDVImin_h为历史年份生育期内的植被指数最小值。
所述评估模块4根据所述最佳植被状况指数VCIx的数值与预设的级别阈值范围,确定当前作物的长势情况。例如,级别阈值分别如下:
第1级:VCIx<0.5,表明作物长势较前5年平均水平偏差;
第2级:0.5≤VCIx<0.8;表明作物长势略好于前5年平均水平;
第3级:0.8≤VCIx≤1.0;表明作物长势好于前5年平均水平;
第4级:VCIx>1.0,表明作物长势超过前5年最佳长势水平。
根据计算得到的最佳植被状况指数VCIx的数值,确定其处于哪个级别阈值范围内,从而确定处于哪个级别,根据所在的级别,可以确定作物的长势情况。
实施例三
如图5所示,为本发明实施例三提供的一种作物长势的监测系统功能框图。在本实施例中,除了与实施例二中类似的数据模块1a、极值合成模块2a、计算模块3a和评估模块4a外,还包括参数配置模块5a和数据输出模块,在本实施例中所述的数据输出模块为显示模块6a。其中,所述数据模块1a、极值合成模块2a、计算模块3a和评估模块4a的功能与结构与实施例二相类似,因而在此不再重复说明。
所述参数配置模块5a为用户提供数据输入的接口,用于配置系统所需要的参数,如历史年份N的取值、监测区域的选择、用于计算最小值植被指数的平均值NDVImin_h0的最小值个数m的取值,最小值阈值的选择、评估级别的选择等。
为了向用户输出评估结果,数据输出模块可以为显示模块或打印模块等,在本实施例中为显示模块。当评估模块4a评估完得到当年作物的长势情况后,将作物长势情况的数据通过显示模块6a显示给用户。例如,采用不同的颜色标记不同级别的作物区域,并给出图标说明,从而使用户可以一目了然地看到监测区的作物长势情况。
作为一个应用实施,基于上述方法和系统,对中国全国2016年秋粮生长季最佳植被状况指数进行监测,基于农业气象站点的数据得到秋粮作物播种期平均时间为6月10日,平均收获时间为9月26日,利用2011-2016年各年度6月10日-9月26日期间的NDVI数据计算出2016年秋粮生育期内的最佳植被状况指数,根据各个像元的最佳植被状况指数数据和分级阈值,得到处于四个级别的区域,并采用不同颜色来标记,将该数据以图形的方式显示给用户。从该图中可以得出:在空间上,北方地区作物长势总体较好,新疆、东北三省部分耕地的VCIx大于1.0,即作物长势超过近5年最佳水平;但甘肃东南部、宁夏南部、汾渭平原部分地区VCIx低于0.5,表明作物长势与近5年平均水平相比明显偏差;长江中下游沿江地区VCIx低于0.8但大于0.5,作物长势略好于近5年平均水平。
与现有技术相比,本发明具有以下明显的技术优势:
1.对作物生长季的长势进行综合评估,在开展大范围作物长势监测中,不同地区即使作物物候差异较大,监测结果仍能够真实反映作物长势的空间分布,且不同地区的长势结果具有可比性,适用于大范围作物长势综合监测。
2.采用了结合农业气象站点物候信息与中低分辨率植被指数遥感产品的最佳植被指数构建方法,仅需要免费的中低分辨率的遥感数据即可实现高精度的空间可比的作物长势定量监测结果,在提高了监测精度的同时,降低了成本。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (10)
1.一种作物长势监测方法,其中,包括:
获取监测区作物的生育期,所述生育期为从作物播种到所述作物收获的时间区间;
获取时间范围为生育期的当前年份遥感数据和历史遥感数据,并对所述遥感数据进行预处理,得到监测区各像元的植被指数数据;
以所述生育期为时间范围,对所述当前年份的植被指数数据进行最大值合成,得到各像元在当前年份生育期内的植被指数最大值;对历史植被指数数据进行最大值和最小值合成,得到各像元在历史年份生育期内的植被指数最大值和最小值;
根据以下公式,获得在所述监测区内,在生育期内的最佳植被状况指数VCIx:
其中,所述NDVImax_c为当前年份生育期内的植被指数最大值;
所述NDVImax_h为历史年份生育期内的植被指数最大值;
所述NDVImin_h为历史年份生育期内的植被指数最小值;
根据所述最佳植被状况指数VCIx的数值大小与预设的级别阈值范围,确定当前作物的长势情况。
2.如权利要求1所述的作物长势监测方法,其中,所述历史遥感数据为当前年份之前的连续N年的遥感数据,其中,N≥5;
对历史植被指数数据进行最大值和最小值合成,得到各像元在历史年份生育期内的植被指数最大值和最小值,包括:
合成N年中在所述生育期内的各像元NDVI最大值,作为各像元在历史年份在所述生育期内的植被指数最大值NDVImax_h;
合成N年中各年在所述生育期内的各像元NDVI最小值;
计算m个NDVI最小值的平均值NDVImin_h0,其中,3≤m≤N;
比较平均值NDVImin_h0与最小值阈值的大小,将两者之间的较大者作为各像元在历史年份在所述生育期内的植被指数最小值NDVImin_h。
3.如权利要求2所述的作物长势监测方法,其中,所述最小值阈值的取值范围为0.15-2.0。
4.如权利要求1所述的作物长势监测方法,其中,所述预设的级别为4级,对应的级别阈值范围为:
第1级:VCIx<0.5;
第2级:0.5≤VCIx<0.8;
第3级:0.8≤VCIx≤1.0;和
第4级:VCIx>1.0。
5.一种作物长势监测系统,其中,包括:
数据模块,用于提供位于监测区、时间范围为作物生育期的当前年份遥感数据和历史遥感数据,并对所述遥感数据进行预处理,得到监测区各像元的植被指数数据;
极值合成模块,用于合成得到各像元在当前年份生育期内的植被指数最大值、在历史年份生育期内的植被指数最大值和最小值;
计算模块,用于根据以下公式计算生育期内的最佳植被状况指数VCIx:
其中,所述NDVImax_c为当前年份生育期内的植被指数最大值;
所述NDVImax_h为历史年份生育期内的植被指数最大值;
所述NDVImin_h为历史年份生育期内的植被指数最小值;和
评估模块,用于根据所述最佳植被状况指数VCIx的数值与预设的级别阈值范围,确定当前作物的长势情况。
6.如权利要求5所述的耕地作物长势监测系统,其中,所述极值合成模块包括:
极值合成单元,用于合成各像元在当前年份生育期内的植被指数最大值NDVImax_c,在历史N年中在所述生育期内的植被指数最大值NDVImax_h,在历史N年中在所述生育期内的各年植被指数最小值,其中N≥5;
计算单元,用于计算m个最小植被指数最小值的平均值NDVImin_h0,其中,3≤m≤N;和
比较确定单元,用于比较所述植被指数最小值的平均值NDVImin_h0与最小值阈值的大小,将两者之间的较大者作为各像元在历史年份在所述生育期内的植被指数最小值NDVImin_h。
7.如权利要求6所述的作物长势监测系统,其中,所述最小值阈值的取值范围为0.15-2.0。
8.如权利要求5-7任一所述的作物长势监测系统,其中,所述数据模块包括:
生育期确定单元,用于统计监测区作物的生育期,所述生育期为从作物播种到所述作物收获的时间区间;
数据获取单元,用于获取生育期内的当前年份和当前年份之前N年的历史年份的遥感数据;
数据处理单元,用于对所述遥感数据进行处理,获得监测区各像元的植被指数数据;和
数据存储单元,用于存储并提供与请求相应的数据。
9.如权利要求8所述的作物长势监测系统,其中,还包括参数配置模块,用于动态配置参数。
10.如权利要求5所述的作物长势监测系统,其中,还包括数据输出模块,用于输出所述评估模块得到的当前作物的长势情况数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710129313.0A CN107014753B (zh) | 2017-03-06 | 2017-03-06 | 作物长势监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710129313.0A CN107014753B (zh) | 2017-03-06 | 2017-03-06 | 作物长势监测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107014753A true CN107014753A (zh) | 2017-08-04 |
CN107014753B CN107014753B (zh) | 2020-09-29 |
Family
ID=59439718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710129313.0A Active CN107014753B (zh) | 2017-03-06 | 2017-03-06 | 作物长势监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107014753B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109784685A (zh) * | 2018-12-27 | 2019-05-21 | 固安京蓝云科技有限公司 | 作物长势分析方法及装置 |
CN109919515A (zh) * | 2019-03-25 | 2019-06-21 | 中国气象科学研究院 | 生态环境质量评价方法及装置 |
CN111582554A (zh) * | 2020-04-17 | 2020-08-25 | 北京农业信息技术研究中心 | 一种农作物长势预测方法及系统 |
CN112364302A (zh) * | 2020-11-11 | 2021-02-12 | 中国科学院东北地理与农业生态研究所 | 融合属性分级信息的生态系统属性组分组成结构描述方法 |
CN112581464A (zh) * | 2020-12-25 | 2021-03-30 | 武汉禾大科技有限公司 | 一种作物长势情况分析方法、装置及存储介质 |
CN115511224A (zh) * | 2022-11-11 | 2022-12-23 | 中国农业科学院农业资源与农业区划研究所 | 天地一体化的作物长势智能监测方法、装置及电子设备 |
CN116012720A (zh) * | 2023-03-28 | 2023-04-25 | 航天万源云数据河北有限公司 | 基于高分遥感影像的农作物长势监测方法、设备及介质 |
WO2023165007A1 (zh) * | 2022-03-03 | 2023-09-07 | 平安科技(深圳)有限公司 | 农作物长势的监测方法、系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1710406A (zh) * | 2004-06-18 | 2005-12-21 | 中国农业大学 | 作物长势实时分析仪 |
CN103424405A (zh) * | 2013-08-27 | 2013-12-04 | 华南农业大学 | 一种基于hj-1a/1b ccd数据的干旱监测方法 |
CN103760872A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 精细化农业农作物生长告警与干预装置 |
-
2017
- 2017-03-06 CN CN201710129313.0A patent/CN107014753B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1710406A (zh) * | 2004-06-18 | 2005-12-21 | 中国农业大学 | 作物长势实时分析仪 |
CN103424405A (zh) * | 2013-08-27 | 2013-12-04 | 华南农业大学 | 一种基于hj-1a/1b ccd数据的干旱监测方法 |
CN103760872A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 精细化农业农作物生长告警与干预装置 |
Non-Patent Citations (3)
Title |
---|
蒙继华 等: ""全球农作物长势遥感监测系统的设计和实现"", 《世界科技研究与发展》 * |
黄青等: ""东北地区主要作物种植结构遥感提取及长势监测"", 《农业工程学报》 * |
齐述华等: ""利用NDVI时间序列数据分析植被长势对气候因子的响应"", 《气候变化与生态环境》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109784685A (zh) * | 2018-12-27 | 2019-05-21 | 固安京蓝云科技有限公司 | 作物长势分析方法及装置 |
CN109784685B (zh) * | 2018-12-27 | 2021-10-08 | 固安京蓝云科技有限公司 | 作物长势分析方法及装置 |
CN109919515A (zh) * | 2019-03-25 | 2019-06-21 | 中国气象科学研究院 | 生态环境质量评价方法及装置 |
CN111582554A (zh) * | 2020-04-17 | 2020-08-25 | 北京农业信息技术研究中心 | 一种农作物长势预测方法及系统 |
CN111582554B (zh) * | 2020-04-17 | 2024-02-23 | 北京市农林科学院信息技术研究中心 | 一种农作物长势预测方法及系统 |
CN112364302A (zh) * | 2020-11-11 | 2021-02-12 | 中国科学院东北地理与农业生态研究所 | 融合属性分级信息的生态系统属性组分组成结构描述方法 |
CN112581464A (zh) * | 2020-12-25 | 2021-03-30 | 武汉禾大科技有限公司 | 一种作物长势情况分析方法、装置及存储介质 |
CN112581464B (zh) * | 2020-12-25 | 2024-02-23 | 武汉禾大科技有限公司 | 一种作物长势情况分析方法、装置及存储介质 |
WO2023165007A1 (zh) * | 2022-03-03 | 2023-09-07 | 平安科技(深圳)有限公司 | 农作物长势的监测方法、系统、设备及介质 |
CN115511224A (zh) * | 2022-11-11 | 2022-12-23 | 中国农业科学院农业资源与农业区划研究所 | 天地一体化的作物长势智能监测方法、装置及电子设备 |
CN116012720A (zh) * | 2023-03-28 | 2023-04-25 | 航天万源云数据河北有限公司 | 基于高分遥感影像的农作物长势监测方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107014753B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107014753A (zh) | 作物长势监测方法和系统 | |
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 | |
CN106918816B (zh) | 农作物长势监测系统及其数据处理方法和模块 | |
CN106529451B (zh) | 一种冬小麦—夏玉米种植模式遥感识别方法 | |
Son et al. | A phenological object-based approach for rice crop classification using time-series Sentinel-1 Synthetic Aperture Radar (SAR) data in Taiwan | |
CN101949916B (zh) | 土壤水分供给量的遥感定量反演方法 | |
CN102194127B (zh) | 一种多频率sar数据农作物遥感分类方法 | |
CN105372672B (zh) | 基于时间序列数据的南方冬种作物种植面积提取方法 | |
CN106845806A (zh) | 农田种植状态的遥感监测方法和系统 | |
CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
CN112991247B (zh) | 冬小麦蒸散遥感反演及与作物模型同化方法 | |
CN106845808A (zh) | 基于遥感数据反演的灌区稻田智能灌排决策方法和系统 | |
Ojeda et al. | Effects of soil-and climate data aggregation on simulated potato yield and irrigation water requirement | |
CN103914755A (zh) | 一种确定田间调查及田间管理的空间尺度的方法及系统 | |
Yan et al. | A quantitative knowledge-based model for designing suitable growth dynamics in rice | |
CN107941713A (zh) | 一种基于耦合作物模型同化光谱反射率的水稻估产方法 | |
CN109211791A (zh) | 作物长势监测方法及系统 | |
CN107273797B (zh) | 基于水体指数变异系数的水稻亚像元识别方法 | |
CN107437262A (zh) | 作物种植面积预警方法和系统 | |
Sari et al. | Detecting rice phenology in paddy fields with complex cropping pattern using time series MODIS data | |
Tian et al. | Comparison of two optimization algorithms for estimating regional winter wheat yield by integrating MODIS leaf area index and world food studies model | |
CN115909063A (zh) | 一种中分辨率水稻提取方法及系统 | |
CN112380497B (zh) | 用于区域玉米的秸秆系数估算方法及系统 | |
Yang et al. | Integrating remotely sensed data with an ecosystem model to estimate crop yield in north China | |
CN112667955B (zh) | 基于遥感估算区域尺度玉米潜在产量与产量差的方法与应用 |
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 |