CN107316017B - 基于作物信息遥感精确反演的非点源污染源强估算方法 - Google Patents

基于作物信息遥感精确反演的非点源污染源强估算方法 Download PDF

Info

Publication number
CN107316017B
CN107316017B CN201710481829.1A CN201710481829A CN107316017B CN 107316017 B CN107316017 B CN 107316017B CN 201710481829 A CN201710481829 A CN 201710481829A CN 107316017 B CN107316017 B CN 107316017B
Authority
CN
China
Prior art keywords
crop
remote sensing
fertilization
fertilizing
crops
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
Application number
CN201710481829.1A
Other languages
English (en)
Other versions
CN107316017A (zh
Inventor
吴太夏
王树东
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.)
Hohai University HHU
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Hohai University HHU
Institute of Remote Sensing and Digital Earth of CAS
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 Hohai University HHU, Institute of Remote Sensing and Digital Earth of CAS filed Critical Hohai University HHU
Priority to CN201710481829.1A priority Critical patent/CN107316017B/zh
Publication of CN107316017A publication Critical patent/CN107316017A/zh
Application granted granted Critical
Publication of CN107316017B publication Critical patent/CN107316017B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Geometry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于作物信息遥感精确反演的非点源污染源强估算方法，包括步骤：1，获取连续的同类型同一物候作物的高时间分辨率遥感图像；2，提取遥感图像的EVI时序数据，得到此作物的物候曲线；以获取作物不同施肥节点不同施肥类型的施肥量；3，将高空间分辨率和高时间分辨率的遥感数据进行ESTARFM时空融合，提取融合后遥感图像的EVI时序数据；4，根据融合后的EVI时序数据得到作物不同施肥节点的种植面积；5，根据作物不同施肥节点的施肥量和种植面积，估算非点源污染源强。本发明通过遥感图像准确的提取作物类型，通过作物物候特征和施肥信息，确定施肥量随作物生长的累积过程，为非点源污染源强提供更为精确的估算值。

Description

基于作物信息遥感精确反演的非点源污染源强估算方法
技术领域
本发明涉及环境保护技术领域，具体涉及一种基于作物信息遥感精确反演的非点源污染源强估算方法。
背景技术
名词解释：
非点源污染指溶解性或固体物质在大面积降雨和径流冲刷作用下汇入受纳水体(河流、湖泊等)而引起的水体污染，其主要来源包括农药化肥的过量使用、农村生活污水等。
污染源是指造成环境污染的污染物发生源，通常指向环境中排放的有害物质或对环境产生的有害影响的场所、设备或人体。
污染源强主要用于计算污染物的总量。
农业面源污染是最为重要且分布最广泛的面源污染。全球30％～50％的地表已受到非点源污染的影响。非点源污染已成为江河湖泊，尤其是巢湖、太湖、滇池等湖泊水质恶化的主要原因；非点源污染主要集中在水土流失严重的地区和农业区，然而长期以来中国重点控制点源污染，侧重城市环境管理，至今尚未把非点源污染纳入水污染总量控制中去，导致中国非点源研究相对滞后。
非点源污染具有随机性、时空差异性、潜伏性和滞后性等特点，其地理边界和位置难以准确的识别和确定，加上涉及范围广、影响因素及作用过程复杂多样，对它的形成机理尚不清楚。目前的非点源污染二元模型中，受限于长期连续同步监测数据匮乏，常使用统计分析方法对模型各参数进行估算，造成非点源污染源强估算模型存在较大的精度与不确定性问题。
非点源污染模型的构建必须与农业生产活动联系，考虑农作物生长机理、耕作方式、施肥、灌溉、收割等，涉及农业生产的方方面面。这也是非点源污染模型构建的一大难点。传统的抽样或监测手段在空间分布上和时间跨度上都有局限，缺乏动态性数据支持，导致污染累计过程不清。另外，不同作物其产生的非点源污染是不同的，目前作物类型区分不明确，常常用统一的标准来估算污染源强，造成精确度不够。对于大面积非点源污染源强估算，传统的方法在进行农田施肥量估算时，由于缺乏准确的物候信息，很难进行不同区域不同作物的施肥量估算，往往将整个作物的生长周期作为一个参数来计算，在存在多茬种植时容易造成很大的误差。
综上所述，目前国内外非点源污染模型偏向应用型，模型具有明显的区域性，不利于推广，由于受缺乏实测的详尽的非点源污染负荷各环节监测资料，模型存在的不确定性等的影响，模拟结果缺乏有效的验证、缺乏可靠性。
发明内容
本发明的目的在于克服现有技术中的不足，提供了一种基于作物信息遥感精确反演的非点源污染源强估算方法，利用高时间分辨率、高空间分辨率数据的融合数据对研究区内非点源污染的时空分布进行反演估算，获取作物的施肥节点和种植面积，进而估算出非点源污染源强。
为解决上述技术问题，本发明提供了一种基于作物信息遥感精确反演的非点源污染源强估算方法，其特征是，包括以下步骤：
步骤S1，获取连续的同类型同一物候作物的高时间分辨率遥感图像；
步骤S2，提取遥感图像的EVI时序数据，得到此作物的物候曲线；以获取作物不同施肥节点不同施肥类型的施肥量；
步骤S3，将高空间分辨率和高时间分辨率的遥感数据进行ESTARFM时空融合，提取融合后遥感图像的EVI时序数据；
步骤S4，根据融合后的EVI时序数据得到作物不同施肥节点的种植面积；
步骤S5，根据作物不同施肥节点的施肥量和种植面积，估算非点源污染源强。
进一步的，在步骤S4中，时间节点t是否种植此作物类型i判别模型为：
Figure BDA0001329525210000031
式中，TAi为作物i的生长判定系数，EVIt为特征时间节点t的EVI值，EVIt0为植被生长起始点t0的EVI值，且t>t0；判定时，如果TAi>a，则说明该目标区域有作物类型i种植；
根据遥感图像信息计算此作物的种植面积：
Figure BDA0001329525210000032
式中，Ai为作物类型i的种植面积，此公式中n为像元数，p为像元空间分辨率，q为判定为作物i的像元数；
计算在施肥节点时刻作物的种植面积，需要先判断在施肥节点时作物是否还有种植，因此，先根据判别模型计算
Figure BDA0001329525210000033
根据TAik判断作物类型i在施肥节点k是否有种植，若有种植作物类型i，则此作物类型i在施肥节点k的种植面积Aik为Ai，若没有种植作物类型i,则此作物类型i在施肥节点k的种植面积Aik为0。
进一步，种植区的土地分为平耕地和坡耕地，平耕地或坡耕地的种植面积计算过程：
Figure BDA0001329525210000034
式中，Afi为作物类型i的平耕地的种植面积，n1为像元数，p为像元空间分辨率，q1为判定为作物i的像元数；
Figure BDA0001329525210000041
式中，Asi为作物类型i的坡耕地的种植面积，n2为像元数，p为像元空间分辨率，q2为判定为作物i的像元数。
进一步的，依据估算模型计算出污染源强，模型公式如下：
平耕地污染源强估算模型：
Figure BDA0001329525210000042
坡耕地污染源强估算模型：
Figure BDA0001329525210000043
式中，Qf为平耕地农田产生的非点源污染物排放总量；Qs为坡耕地农田产生的非点源污染物排放总量；i为作物类型；n为总类型数；j为污染物指标类型，m为类型数；k为施肥的时间节点，pi为施肥的时间节点数，Aik为作物类型i在施肥节点k的种植面积，ωijk为作物类型i在施肥节点k施肥类型j的重量；εf为平耕地修正系数，εs为坡耕地修正系数。
进一步的，将农田种植作物类型分为粮食、杂粮和蔬菜共三个类型。
进一步的，对遥感图像进行S-G滤波。
进一步的，施肥类型包括氮、磷和氨氮3种类型。
与现有技术相比，本发明所达到的有益效果是：本发明充分考虑农作物非点源污染负荷是随着不同施肥的时间节点而累积的，通过遥感的技术方法从空间上准确的提取作物类型，通过作物物候特征和施肥节点，确定施肥量随作物生长的累积过程，为非点源污染源强提供更为精确的估算值。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本发明的一种基于作物信息遥感精确反演的非点源污染源强估算方法，包括以下步骤：
步骤S1，获取连续的同类型同一物候作物的高时间分辨率遥感图像；
基于多年的土地利用数据，将农田种植分为粮食种植区、杂粮种植区和蔬菜种植区，相应的，本发明中将作物类型主要分为粮食、杂粮和蔬菜共三个类型。
遥感图像中包含多种类型作物，以遥感图像中某一类型的作物图像作为目标区域，选择同类型同一物候的作物在某时间段内连续的高时间分辨率的遥感数据序列备用，确定像元全部为同类型同一物候的作物。在本发明中用变量i代表作物类型；n为总类型数(本发明中n为3)。此处先选择作物类型i的高时间分辨率遥感图像作为目标区域。
已知从遥感图像中提取的EVI(增强植被指数)能够很好地反映高植被覆盖区的植被生长状况。
EVI的计算公式为：
Figure BDA0001329525210000051
式中：G为放大系数，ρnir为近红外波段地表反射率，ρred为红波段地表反射率，ρblue为蓝波段地表反射率，L为土壤背景调节系数，C1,C2为大气修正红光、蓝光校正系数，本实施例中取L＝1,C1＝6,C2＝7.5,G＝2.5。
选择高时间分辨率的遥感数据，由于传感器，云层大气等因素影响，不可避免的会产生一些噪声，在EVI数据使用前可进行滤波和重构。S-G滤波器对这些噪声有较好的去除作用，并且其重构的时序数据能够清晰描述序列的长期变化趋势以及局部的突变信息，对植被指数时序数据的重构有较好的适用性。利用S-G滤波算法，EVI时序数据进行重构。S-G滤波是1964年Savitzky和Golay提出的一种应用最小二乘法确定加权系数进行移动窗口加权平均的滤波方法，移动窗口的大小对时序数据的重建效果起主要作用。
步骤S2，提取遥感图像的EVI时序数据，得到此作物的物候曲线；以获取作物不同施肥节点不同施肥类型的施肥量。
滤波后的遥感图像取出了噪声，提取此遥感图像的EVI时序数据，可以获得此作物的物候曲线，由物候曲线可以知道此作物播种、发芽、生长、成熟的全生长周期规律。
在作物的整个生长周期内需要在不同的时间节点进行施肥，通常施用的肥料类型主要包括氮、磷和氨氮3种类型。并且在不同的时间节点，施肥的量与作物的生长规律和当地的施肥习惯均有关。根据作物的生长规律和当地的施肥方式，确定不同施肥节点不同施肥类型的施肥量(重量)，此施肥节点是指根据作物的情况应该进行施肥的时间节点，在本发明中用变量k代表作物施肥的时间节点，pi为施肥的时间节点总数。
步骤S3，将高空间分辨率和高时间分辨率的遥感数据进行ESTARFM时空融合，提取融合后遥感图像的EVI时序数据。
ESTARFM融合模型由STARFM模型的基础上发展而来的，其考虑到了模拟数据与基准数据之间的时间差异，并引入混合像元分解理论，一定程度上克服了STARFM在地物类型复杂情况下适用性较差的缺点(gao，2006；zhu，2010)。ESTARFM(Enhanced Spatial andTemporal Adaptive Reflectance Fusion Model)，利用高空间分辨率和高时间分辨率的反射率数据在像元距离，光谱，获取时间等信息的差异，模拟出MODIS数据对应时相的landsat反射率数据，具体计算过程参见现有技术。
融合后的遥感数据具有高空间高时间分辨率的特征，landsat数据按时间顺序放在一起组成一个数据集，即为EVI时序数据(物候曲线)。
步骤S4，根据融合后的EVI时序数据得到作物不同施肥节点的种植面积。
根据物候曲线的特征，取曲线上两个具有不同特征的点，判别该区域内是否有作物类型种植，此作物类型判别模型为：
Figure BDA0001329525210000071
式中，TAi为作物i的生长判定系数，EVIt为特征时间节点t的EVI值,EVIt0为植被生长起始点t0的EVI值，且t>t0。判定时，如果TAi>a，则说明该目标区域有作物类型i种植，此a为设定值，可由不同作物的经验值确定。
已知遥感图像的每个像素都具有面积的含义，基于获取的各种植面积上种植的作物，根据某时间节点的遥感图像信息计算此作物的种植面积：
Figure BDA0001329525210000072
式中，Ai为作物类型i的种植面积，此公式中n为像元数，p为像元空间分辨率，q为判定为作物i的像元数。
估算污染源强时候对于平耕地和坡耕地的估算公式是不同的，因此还需进一步判断此种植区是属于平耕地还是坡耕地。通过坡度数据(DEM)数据得到坡度信息，判断的具体过程如下：
如果耕地的坡度Slope≤b(式中，Slope为坡度，b为坡耕地设定的数值)，则判断该地块为平耕地，否则为坡耕地。
Figure BDA0001329525210000073
式中，Afi为作物类型i的平耕地的种植面积，n1为像元数，p为像元空间分辨率，q1为判定为作物i的像元数。
Figure BDA0001329525210000081
式中，Asi为作物类型i的坡耕地的种植面积，n2为像元数，p为像元空间分辨率，q2为判定为作物i的像元数。
农田污染源强主要考虑将农田施用的肥料作为污染源，估算其污染物总量，因此需要计算在施肥节点时刻作物的种植面积，而在计算此值之前需要先判断在施肥节点时作物是否还有种植。
因此，先根据判别模型计算
Figure BDA0001329525210000082
根据TAik判断作物类型i在施肥节点k是否有种植，若有种植作物类型i，则此作物类型i在施肥节点k的种植面积Aik为Ai(平耕地时种植面积为Afi，坡耕地时种植面积为Asi),若没有种植作物类型i,则此作物类型i在施肥节点k的种植面积Aik为0。
步骤S5，根据作物不同施肥节点的施肥量和种植面积，估算非点源污染源强。
估算待监测区域的所有作为类型的污染物总量时，按照以上步骤计算出所有作物类型的施肥量和种植面积，在依据以下估算模型计算出污染源强，模型公式如下：
平耕地污染源强估算模型：
Figure BDA0001329525210000083
坡耕地污染源强估算模型：
Figure BDA0001329525210000084
式中，Qf为平耕地农田产生的非点源污染物排放总量；Qs为坡耕地农田产生的非点源污染物排放总量；i为作物类型；n为总类型数(本实施例中为3)；j为污染物指标类型(或者称为施用的肥料类型，也可简称为施肥类型)，主要包括氮、磷和氨氮3种类型，m为类型数；k为施肥的时间节点，pi为施肥的时间节点数，Aik为作物类型i在施肥节点k的种植面积(在平耕地模型中指平耕地面积，在坡耕地模型中指坡耕地面积)，ωijk为作物类型i在施肥节点k施肥类型j的重量；εf为平耕地修正系数，土壤、化肥和降水量为其影响因子，此数值通常采用经验值，εs为坡耕地修正系数，坡度、土壤、化肥和降水量为其影响因子，此数值通常采用经验值。
本发明旨在充分考虑农作物非点源污染负荷是随着不同施肥的时间节点而累积的，通过遥感的技术方法从空间上准确的提取作物类型，通过作物物候特征和施肥节点，确定施肥随作物生长的累积过程，为非点源污染负荷提供更为精确的估算值。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (4)

1.基于作物信息遥感精确反演的非点源污染源强估算方法，其特征是，包括以下步骤：
步骤S1，获取连续的同类型同一物候作物的高时间分辨率遥感图像；
步骤S2，提取遥感图像的EVI时序数据，得到此作物的物候曲线；以获取作物不同施肥节点不同施肥类型的施肥量；
步骤S3，将高空间分辨率和高时间分辨率的遥感数据进行ESTARFM时空融合，提取融合后遥感图像的EVI时序数据；
步骤S4，根据融合后的EVI时序数据得到作物不同施肥节点的种植面积；
在步骤S4中，时间节点t是否种植此作物类型i判别模型为：
Figure FDA0002424847850000011
式中，TAi为作物i的生长判定系数，EVIt为特征时间节点t的EVI值，EVIt0为植被生长起始点t0的EVI值，且t>t0；判定时，如果TAi>a，则说明有作物类型i种植；
根据遥感图像信息计算此作物的种植面积：
Figure FDA0002424847850000012
式中，Ai为作物类型i的种植面积，此公式中n为像元数，p为像元空间分辨率，q为判定为作物i的像元数；
计算在施肥节点时刻作物的种植面积，需要先判断在施肥节点时作物是否还有种植，因此，先根据判别模型计算
Figure FDA0002424847850000013
根据TAik判断作物类型i在施肥节点k是否有种植，若有种植作物类型i，则此作物类型i在施肥节点k的种植面积Aik为Ai，若没有种植作物类型i,则此作物类型i在施肥节点k的种植面积Aik为0；
步骤S5，根据作物不同施肥节点的施肥量和种植面积，估算非点源污染源强；
种植区的土地分为平耕地和坡耕地，平耕地或坡耕地的种植面积计算过程：
Figure FDA0002424847850000021
式中，Afi为作物类型i的平耕地的种植面积，n1为像元数，p为像元空间分辨率，q1为判定为作物i的像元数；
Figure FDA0002424847850000022
式中，Asi为作物类型i的坡耕地的种植面积，n2为像元数，p为像元空间分辨率，q2为判定为作物i的像元数；
依据估算模型计算出污染源强，模型公式如下：
平耕地污染源强估算模型：
Figure FDA0002424847850000023
坡耕地污染源强估算模型：
Figure FDA0002424847850000024
式中，Qf为平耕地农田产生的非点源污染物排放总量；Qs为坡耕地农田产生的非点源污染物排放总量；i为作物类型；n为总类型数；j为污染物指标类型，m为类型数；k为施肥的时间节点，pi为施肥的时间节点数，Aik为作物类型i在施肥节点k的种植面积，ωijk为作物类型i在施肥节点k施肥类型j的重量；εf为平耕地修正系数，εs为坡耕地修正系数。
2.根据权利要求1所述的基于作物信息遥感精确反演的非点源污染源强估算方法，其特征是，将农田种植作物类型分为粮食、杂粮和蔬菜共三个类型。
3.根据权利要求1所述的基于作物信息遥感精确反演的非点源污染源强估算方法，其特征是，对遥感图像进行S-G滤波。
4.根据权利要求1所述的基于作物信息遥感精确反演的非点源污染源强估算方法，其特征是，施肥类型包括氮、磷和氨氮3种类型。
CN201710481829.1A 2017-06-22 2017-06-22 基于作物信息遥感精确反演的非点源污染源强估算方法 Active CN107316017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710481829.1A CN107316017B (zh) 2017-06-22 2017-06-22 基于作物信息遥感精确反演的非点源污染源强估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710481829.1A CN107316017B (zh) 2017-06-22 2017-06-22 基于作物信息遥感精确反演的非点源污染源强估算方法

Publications (2)

Publication Number Publication Date
CN107316017A CN107316017A (zh) 2017-11-03
CN107316017B true CN107316017B (zh) 2020-08-11

Family

ID=60182112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710481829.1A Active CN107316017B (zh) 2017-06-22 2017-06-22 基于作物信息遥感精确反演的非点源污染源强估算方法

Country Status (1)

Country Link
CN (1) CN107316017B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108664542A (zh) * 2018-03-09 2018-10-16 北京市劳动保护科学研究所 一种大气污染物排放清单排放量分配方法及系统
CN112464746B (zh) * 2020-11-10 2023-09-12 清华苏州环境创新研究院 一种卫星影像和机器学习的水质监测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4310758A (en) * 1980-04-10 1982-01-12 Purdue Research Foundation Method for evaluating moisture tensions of soils using spectral data
WO1996037936A1 (en) * 1995-05-26 1996-11-28 Imperial College Of Science, Technology & Medicine A resonant cascade-raman radiation source
US6459084B1 (en) * 1997-05-30 2002-10-01 University Of Central Florida Area receiver with antenna-coupled infrared sensors
CN102156886A (zh) * 2010-12-27 2011-08-17 中国农业大学 基于统计数据和遥感影像数据的区域化肥投入空间化方法
CN102867120A (zh) * 2012-09-05 2013-01-09 环境保护部卫星环境应用中心 一种基于遥感像元的非点源污染计算方法
CN104200080A (zh) * 2014-08-22 2014-12-10 中国科学院遥感与数字地球研究所 一种农业区水资源环境诊断方法及其系统
CN105809148A (zh) * 2016-03-29 2016-07-27 中国科学院遥感与数字地球研究所 基于遥感时空谱融合的作物干旱识别及风险评估方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4310758A (en) * 1980-04-10 1982-01-12 Purdue Research Foundation Method for evaluating moisture tensions of soils using spectral data
WO1996037936A1 (en) * 1995-05-26 1996-11-28 Imperial College Of Science, Technology & Medicine A resonant cascade-raman radiation source
US6459084B1 (en) * 1997-05-30 2002-10-01 University Of Central Florida Area receiver with antenna-coupled infrared sensors
CN102156886A (zh) * 2010-12-27 2011-08-17 中国农业大学 基于统计数据和遥感影像数据的区域化肥投入空间化方法
CN102867120A (zh) * 2012-09-05 2013-01-09 环境保护部卫星环境应用中心 一种基于遥感像元的非点源污染计算方法
CN104200080A (zh) * 2014-08-22 2014-12-10 中国科学院遥感与数字地球研究所 一种农业区水资源环境诊断方法及其系统
CN105809148A (zh) * 2016-03-29 2016-07-27 中国科学院遥感与数字地球研究所 基于遥感时空谱融合的作物干旱识别及风险评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《北京山区流域土地利用系统非点源污染环境风险评价与SPARROW模拟》;何锋;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;20140831;全文 *
《松涛水库流域非点源污染负荷模拟模型》;郑东海;《环境科学学报》;20091231;全文 *

Also Published As

Publication number Publication date
CN107316017A (zh) 2017-11-03

Similar Documents

Publication Publication Date Title
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
Napoli et al. Simulation of field-measured soil loss in Mediterranean hilly areas (Chianti, Italy) with RUSLE
de Wit et al. Estimating regional winter wheat yield with WOFOST through the assimilation of green area index retrieved from MODIS observations
Ma et al. Estimating regional winter wheat yield by assimilation of time series of HJ-1 CCD NDVI into WOFOST–ACRM model with Ensemble Kalman Filter
Ribbes Rice field mapping and monitoring with RADARSAT data
Li et al. Assessing the site-specific impacts of climate change on hydrology, soil erosion and crop yields in the Loess Plateau of China
Yin et al. A coupled human-natural system analysis of water yield in the Yellow River basin, China
Lo et al. Field characterization of field capacity and root zone available water capacity for variable rate irrigation
CN108509836A (zh) 双极化合成孔径雷达与作物模型数据同化的作物估产方法
Sakamoto et al. Detecting spatiotemporal changes of corn developmental stages in the US corn belt using MODIS WDRVI data
Desai et al. Multi-site calibration of hydrological model and assessment of water balance in a semi-arid river basin of India
Xie et al. Assimilation of leaf area index and surface soil moisture with the CERES-wheat model for winter wheat yield estimation using a particle filter algorithm
CN108537679B (zh) 遥感与作物模型融合的区域尺度作物出苗日期估算方法
Wu et al. Assimilating MODIS-LAI into crop growth model with EnKF to predict regional crop yield
Licciardello et al. Evaluation of the PESERA model in two contrasting environments
Irmak et al. Large-scale and long-term trends and magnitudes in irrigated and rainfed maize and soybean water productivity: grain yield and evapotranspiration frequency, crop water use efficiency, and production functions
Srivastava et al. Aspect-controlled spatial and temporal soil moisture patterns across three different latitudes
CN107316017B (zh) 基于作物信息遥感精确反演的非点源污染源强估算方法
CN110516943B (zh) 一种基于地表温度的春灌期灌溉面积动态监测遥感方法
Lu et al. Multi-variable assimilation into a modified AquaCrop model for improved maize simulation without management or crop phenology information
CN112418016A (zh) 基于sar的灌溉信息提取方法及装置
Salem et al. Initial effect of shifting from traditional to no-tillage on runoff retention and sediment reduction under rainfall simulation
Neale et al. Crop and irrigation water management using high resolution airborne remote sensing
CN114611699A (zh) 土壤水分降尺度方法、装置、电子设备及存储介质
Rank et al. Climate change impact on hydrologic system in Aji River Basin

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