CN107330801A - 一种冬小麦种植比例的计算方法及装置 - Google Patents
一种冬小麦种植比例的计算方法及装置 Download PDFInfo
- Publication number
- CN107330801A CN107330801A CN201710424419.3A CN201710424419A CN107330801A CN 107330801 A CN107330801 A CN 107330801A CN 201710424419 A CN201710424419 A CN 201710424419A CN 107330801 A CN107330801 A CN 107330801A
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- normalized vegetation
- vegetation index
- mrow
- pure
- 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.)
- Pending
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 255
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 255
- 238000000205 computational method Methods 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000002310 reflectometry Methods 0.000 claims abstract description 45
- 238000011160 research Methods 0.000 claims description 63
- 238000003306 harvesting Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 abstract description 4
- 239000012141 concentrate Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 241000196324 Embryophyta Species 0.000 description 6
- 235000013339 cereals Nutrition 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009342 intercropping Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Computer Hardware Design (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供一种冬小麦种植比例的计算方法及装置。所述方法包括：根据近红外波段的反射率和红光波段的反射率获取研究区域内各时相的归一化植被指数；对各时相的归一化植被指数进行叠加得到对应的归一化植被指数集，提取所述归一化植被指数集中纯冬小麦的归一化植被指数集和非冬小麦对应的归一化植被指数集；根据所述纯冬小麦的归一化植被指数集得到纯冬小麦的时间序列曲线，并根据所述非冬小麦对应的归一化植被指数集得到非冬小麦对应的时间序列曲线；根据所述纯冬小麦的时间序列曲线和非冬小麦对应的时间序列曲线，计算获得所述研究区域内冬小麦的种植比例。本发明实现了利用植被指数简易高效准确地获得冬小麦的种植比例。
Description
技术领域
本发明涉及农业遥感技术领域，具体涉及一种冬小麦种植比例的计算方法及装置。
背景技术
农作物精确的空间分布信息是保证粮食安全的重要依据、对农业产业结构的调整以及粮食产量的估算至关重要。作为世界上最主要的粮食作物之一，冬小麦的收获面积占全球粮食作物面积的30％，其产量占全球粮食产量的26％。因此，开发一种快速准确监测冬小麦种植比例的方法，对农情监测具有重要的意义。
目前，冬小麦面积制图已经开展了大量的工作。早期的研究将基于行政单元(省、市、县等)的统计数据转化为基于网格像元的空间信息，以此来获取冬小麦的空间分布信息。另一些研究侧重于利用非监督分类和监督分类等多种技术方法，如k-均值分类、决策树分类和回归树分类法，基于不同地物的光谱特征，来进行冬小麦面积制图。其他研究利用作物的物候特征，采用多时相的遥感影像来建立归一化植被指数时序数据，选取傅里叶分析或聚类分析等技术手段来进行冬小麦面积制图。
然而，这些方法多基于高分辨率遥感影像，且高度依赖于训练样本的数量、质量及其光谱特征，从而使得方法的普适性受到了很大的影响。另外，由于传感器空间分辨率上的限制和我国破碎化程度较高的耕地现状，一个像元内往往会包含几种不同的地物类型，导致大量混合像元的产生。可是，现有的这些方法并未考虑混合像元的问题，对于冬小麦和其他作物间作种植的情况识别误差较大，降低了作物面积的估算精度。
因此，如何简易高效准确的获得冬小麦的种植比例成为一个亟待解决的问题。
发明内容
针对现有技术中的缺陷，本发明实施例提供一种冬小麦种植比例的计算方法及装置。
第一方面，本发明实施例提供了一种冬小麦种植比例的计算方法。所述方法包括：
根据近红外波段的反射率和红光波段的反射率获取研究区域内各时相的归一化植被指数；
对各时相的归一化植被指数进行叠加得到对应的归一化植被指数集，提取所述归一化植被指数集中纯冬小麦的归一化植被指数集和非冬小麦对应的归一化植被指数集；
根据所述纯冬小麦的归一化植被指数集得到冬小麦的时间序列曲线，并根据所述非冬小麦对应的归一化植被指数集得到非冬小麦对应的时间序列曲线；
根据所述纯冬小麦的时间序列曲线和非冬小麦对应的时间序列曲线，计算获得所述研究区域内冬小麦的种植比例。
可选的，所述根据所述纯冬小麦的时间序列曲线和所述非冬小麦对应的时间序列曲线，计算获得所述研究区域内冬小麦的种植比例，具体包括：
所述冬小麦的种植比例PF的运算公式为：
其中，ΔP代表纯冬小麦像元在所述冬小麦的时间序列曲线中两个关键物候期的归一化植被指数的差值；
ΔZ代表非冬小麦像元在对应的时间序列曲线中两个关键物候期的归一化植被指数的差值；
ΔN代表任一像元在对应的时间序列曲线中两个关键物候期的归一化植被指数的差值；
其中，所述关键物候期包括抽穗期和收获期。
可选的，所述根据近红外波段的反射率和红光波段的反射率获取研究区域内各时相的归一化植被指数，具体包括：
获取所述研究区域内各时相的归一化植被指数NDVI：
其中，ρNir为所述近红外波段的反射率，ρRed为所述红光波段的反射率。
可选的，所述根据近红外波段的反射率和红光波段的反射率获取研究区域内各时相的归一化植被指数之后，还包括：
根据所述研究区域内各时相的归一化植被指数，确定所述研究区域内若干个非冬小麦。
可选的，所述对各时相的归一化植被指数进行叠加得到对应的归一化植被指数集之后，还包括：
采用Savitzky-Golay方法对所述归一化植被指数集进行平滑，以去除云层及地面冰雪的影响。
第二方面，本发明实施例提供了一种冬小麦种植比例的计算装置，所述装置包括：
获取模块，用于根据近红外波段的反射率和红光波段的反射率获取研究区域内各时相的归一化植被指数；
提取模块，用于对各时相的归一化植被指数进行叠加得到所有归一化植被指数对应的归一化植被指数集，提取所述归一化植被指数集中冬小麦的归一化植被指数集和非冬小麦对应的归一化植被指数集；
曲线获取模块，用于根据所述冬小麦的归一化植被指数集得到冬小麦的时间序列曲线，并根据所述非冬小麦对应的归一化植被指数集得到非冬小麦对应的时间序列曲线；
处理模块，用于根据所述冬小麦的时间序列曲线和非冬小麦对应的时间序列曲线，计算获得所述研究区域内冬小麦的种植比例。
可选的，所述处理模块具体包括：
所述冬小麦的种植比例PF的运算公式为：
其中，ΔP代表纯冬小麦像元在所述冬小麦的时间序列曲线中两个关键物候期的归一化植被指数的差值；
ΔZ代表非冬小麦像元在对应的时间序列曲线中两个关键物候期的归一化植被指数的差值；
ΔN代表任一像元在对应的时间序列曲线中两个关键物候期的归一化植被指数的差值；
其中，所述关键物候期包括抽穗期和收获期。
可选的，所述获取模块具体包括：
获取所述研究区域内各时相的归一化植被指数NDVI：
其中，ρNir为所述近红外波段的反射率，ρRed为所述红光波段的反射率。
可选的，所述获取模块还用于：
根据所述研究区域内各时相的归一化植被指数，确定所述研究区域内若干个非冬小麦。
可选的，所述提取模块还用于：
采用Savitzky-Golay方法对所述归一化植被指数集进行平滑，以去除云层及地面冰雪的影响。
第三方面，本发明实施例提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述对应的任一方法。
第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述对应的任一方法。
本发明实施例提供的冬小麦种植比例的计算方法及装置，通过对获取到的研究区域内各时相纯冬小麦或非冬小麦的归一化植被指数叠加后获得的归一化植被指数集，提取出纯冬小麦和非冬小麦的时间序列曲线，采集时间序列曲线上的特定值计算获得所述研究区域内冬小麦的种植比例，实现了利用归一化植被指数来简易高效准确的获得冬小麦的种植比例。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中冬小麦种植比例的计算方法的流程示意图；
图2为本发明另一实施例中冬小麦种植比例计算方法的流程示意图；
图3中(a)为本发明实施例的研究区域内，冬小麦的归一化植被指数序列图，
(b)为本发明实施例的研究区域内，非冬小麦(森林)的归一化植被指数时间序列图，
(c)为本发明实施例的研究区域内，非冬小麦像元(其他作物)的归一化植被指数时间序列图，
(d)为本发明实施例的研究区域内，非冬小麦像元(非植被)的归一化植被指数时间序列图；
图4为本发明实施例的研究区域内，计算机程序自动筛选出的纯冬小麦、纯森林及纯裸地像元的归一化植被指数时间序列图；
图5为本发明实施例中野外采样点无人机观测的冬小麦种植面积和利用本发明方法估算的冬小麦面积的对比；
图6为本发明实施例中在县级和市级尺度上，使用国家统计局公布的冬小麦统计面积和利用本发明方法估算的冬小麦面积的对比；
图7为本发明实施例中山东省冬小麦种植比例的空间分布提取结果；
图8为本发明实施例中冬小麦种植比例的计算装置的示意图；
图9为本发明一个实施例提供的电子设备的逻辑框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例是本发明一部分实施例，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。
本发明实施例提供了一种冬小麦种植比例的计算方法，图1为本发明实施例提供的冬小麦种植比例的计算方法的流程示意图，如图1所示，所述方法包括：
步骤101、根据近红外波段的反射率和红光波段的反射率获取研究区域内各时相的归一化植被指数；
其中，所述近红外波段是介于可见光和中红外之间的电磁辐射波，美国材料检测协会将近红外光谱区定义为780-2526纳米的区域，是人们在吸收光谱中发现的第一个非可见光区。
所述红光波段是可见光的一种，可见光是电磁波谱中人眼可以感知的部分，一般人的眼睛可以感知的电磁波的波长在400～760纳米之间，红光的波长范围为：620～760纳米。
所述反射率是反射光与入射光之比；光从一种介质射向另一种介质的交界面时，一部分光返回原来介质中，使光的传播方向发生了改变，这种现象称为光的反射。
所述时相是指环境条件中广度、温度、湿度等都具有明显的周期性，如日周期、月周期和年周期，随着环境条件的周期性变化，群落中各种生物的生长发育都相应有规律地进行，使群落表现出不同的时相。
所述归一化植被指数(Normalized Difference Vegetation Index，NDVI)是反映土地覆盖植被状况的一种遥感指标，定义为近红外通道与可见光通道反射率之差与之和的商，是用来是检测植被生长状态、植被覆盖度和消除部分辐射误差等，NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关。
步骤102、对各时相的归一化植被指数进行叠加得到对应的归一化植被指数集，提取所述归一化植被指数集中纯冬小麦的归一化植被指数集和非冬小麦对应的归一化植被指数集；
其中，所述冬小麦是指在9、10月份播种，次年4、5月份收获的，主要分布在长城以南。冬小麦在生长过程中抗寒的能力极强，其幼苗能够过冬。
所述纯冬小麦是指研究区域中冬小麦的种植比例达到百分之百的像元，即此像元中没有其他的地物类型。
所述非冬小麦是指除冬小麦之外的其他地物，包括森林、裸地和其他作物等。
步骤103、根据所述纯冬小麦的归一化植被指数集得到冬小麦的时间序列曲线，并根据所述非冬小麦对应的归一化植被指数集得到非冬小麦对应的时间序列曲线；
其中，所述时间序列曲线是指根据某地物各时相的归一化植被指数数据连成的曲线。
步骤104、根据所述纯冬小麦的时间序列曲线和非冬小麦对应的时间序列曲线，计算获得所述研究区域内冬小麦的种植比例。
其中，所述种植比例是指某一像元中某地物种植面积与该像元面积之比值。
可选的，所述根据近红外波段的反射率和红光波段的反射率获取研究区域内各时相的归一化植被指数之后，还包括：
根据所述研究区域内各时相的归一化植被指数，确定所述研究区域内若干个非冬小麦。
可选的，所述对各时相的归一化植被指数进行叠加得到对应的归一化植被指数集之后，还包括：
采用Savitzky-Golay方法对所述归一化植被指数集进行平滑，以去除云层及地面冰雪的影响。
其中，所述Savitzky-Golay方法被广泛地运用于数据流平滑除噪，是一种在时域内基于局域多项式最小二乘法拟合的滤波方法，其最大的特点在于在滤除噪声的同时可以确保信号的形状、宽度不变。在此计算方法中，利用所述Savitzky-Golay方法的目的是去除云层及地面冰雪的噪声影响。
可选的，所述根据近红外波段的反射率和红光波段的反射率获取研究区域内各时相的归一化植被指数，具体包括：
获取所述研究区域内各时相的归一化植被指数NDVI：
其中，ρNir为所述近红外波段的反射率，ρRed为所述红光波段的反射率。
可选的，所述根据所述纯冬小麦的时间序列曲线和所述非冬小麦对应的时间序列曲线，计算获得所述研究区域内冬小麦的种植比例，具体包括：
所述冬小麦的种植比例PF的运算公式为：
其中，ΔP代表纯冬小麦像元在所述冬小麦的时间序列曲线中两个关键物候期的归一化植被指数的差值；
ΔZ代表非冬小麦像元在对应的时间序列曲线中两个关键物候期的归一化植被指数的差值；
ΔN代表任一像元在对应的时间序列曲线中两个关键物候期的归一化植被指数的差值；
其中，所述任一像元是研究区域中冬小麦种植比例未知的像元；
所述纯冬小麦像元是研究区域中冬小麦的种植比例达到百分之百的像元，即此像元中没有其他的地物类型。
所述非冬小麦像元是指此像元中包含除冬小麦之外的其他地物，包括森林、裸地和其他作物等。
所述关键物候期包括抽穗期和收获期；
其中，所述物候期是指动植物的生长、发育、活动等规律与生物的变化对节候的反应，正在产生这种反应的时候叫物候期。通过观测和记录一年中植物的生长荣枯，动物的迁徙繁殖和环境的变化等，比较其时空分布的差异，探索动植物发育和活动过程的周期性规律，及其对周围环境条件的依赖关系，进而了解气候的变化规律，及其对动植物的影响。
本发明实施例提供的冬小麦种植比例的方法根据近红外波段的反射率和红光波段的反射率获取研究区域内各种地物各时相的归一化植被指数NDVI；对各地物各时相的NDVI进行叠加得到所有NDVI对应的NDVI集，提取所述NDVI集中纯冬小麦的NDVI集和非冬小麦(包括森林、裸地、其他作物和非植被等)对应的NDVI集；采用Savitzky-Golay方法对所述归一化植被指数集进行平滑，以去除云层及地面冰雪的影响；根据所述冬小麦的NDVI集得到纯冬小麦的时间序列曲线，并根据所述非冬小麦对应的NDVI集得到非冬小麦对应的时间序列曲线；根据所述纯冬小麦的时间序列曲线和非冬小麦对应的时间序列曲线，计算获得所述研究区域内冬小麦的种植比例。
本发明实施例的具体实施方式为：
本发明实施例提出了一种利用物候特征来获得冬小麦种植比例的方法，图2为本发明另一实施例提供的冬小麦种植比例计算方法的流程示意图，如图2所示，首先对研究区域内的遥感影像进行预处理，并计算出各时相的归一化植被指数NDVI，将冬小麦生育期内NDVI影像叠加在一起，得到NDVI时间序列影像数据，并采用Savitzky-Golay的方法对NDVI时序影像进行平滑，进一步去除NDVI时间序列中的噪声；之后在研究区内提取纯冬小麦像元(即冬小麦的种植比例为100％)和两种类型的非冬小麦像元(即冬小麦的种植比例为0％)的NDVI时间序列曲线，并依据秋季的NDVI值来选择非冬小麦像元的类型；然后根据研究区域内纯冬小麦和非冬小麦像元计算冬小麦种植比例。
下面以提取山东省冬小麦种植面积为例对本发明实施例的具体技术实施方案作进一步描述。以下实施例用于说明本发明，但不用来限制本发明的范围。如图2所示，包括一下步骤：
步骤S01：研究区域遥感影像的获取及预处理，并计算出各时相的归一化植被指数NDVI；
我们选择山东省作为本发明的试验区，山东省的地理位置为114°～123°E，34°～39°N，属于温带半湿润季风气候，年降雨量平均为500～800mm/年，累积辐射量约为5.2×106kJ·m-2，无霜期为170～220d。该区是我国重要的粮食生产基地，冬小麦一般在每年10月10日前后播种，下一年6月20日之前完成收获，生育期近8个月。按照冬小麦的发育特点，选取覆盖试验区2015年第271天至2016年第161天的中分辨率成像光谱仪(Moderate-Resolution Imaging Spectroradiometer，MODIS)遥感影像，涵盖冬小麦从种植到收获的整个生育期。利用MODIS数据处理工具(MODIS Reprojection Tool，MRT)将全部影像进行拼接和重投影后，计算不同时相的归一化植被指数NDVI,得到各时相的NDVI影像：
其中，ρNir为近红外波段的反射率，ρRed为红光波段的反射率。
步骤S02：将冬小麦生育期内各时相的NDVI影像叠加在一起,得到NDVI时间序列影像数据；
步骤S03：采用Savitzky-Golay的方法对NDVI时序影像进行平滑，进一步去除NDVI时间序列中的噪声；
之后通过分析野外调查所获取的航拍影像，得到该研究区域内和冬小麦处于同一物候期的主要地物类型的归一化植被指数的季节性变化图，图3为本发明实施例的研究区域内，和冬小麦处于同一生育期的主要地物类型的归一化植被指数时间序列图，包括森林、其他春季作物和非植被，分别如图3(a)、(b)、(c)和(d)所示。
步骤S04：在山东省内提取纯冬小麦像元(即冬小麦的种植比例为100％)的NDVI时间序列曲线；
具体方法是：首先我们认为像元内冬小麦的种植面积越多，抽穗期的NDVI值也越大，冬小麦进入收获期被收割后的NDVI值就越小，越接近于裸地的NDVI值，进而NDVI值在两个关键物候期(抽穗期和收获期)间的差异就会越大。当差异达到最大时，我们认为其为纯冬小麦像元。依据经验知识可以得到北半球冬小麦的抽穗期和收获期的大致时间范围分别在3月上旬-5月中旬之间和5月下旬-7月上旬之间。我们逐像元分别计算NDVI时间序列在两个预判时间范围内的最大NDVI值和最小NDVI值，将这两个时间分别判定为冬小麦生长的关键物候期(抽穗期和收获期)，逐像元求得NDVI在两个关键物候期的差异diff；之后求出diff值最大的像元，此像元为该研究区域的纯冬小麦像元，图4为本发明实施例的研究区域内，计算机程序自动筛选出的纯冬小麦、纯森林及纯裸地像元的归一化植被指数时间序列图，如图4中纯冬小麦像元的归一化植被指数NDVI时间序列曲线。
步骤S05：在山东省内提取非冬小麦像元(即冬小麦种植比例是0％)的NDVI时间序列曲线；
具体方法是：经过野外的实地调查与观测，我们认为与冬小麦同一时期存在的地物类型有春季作物、森林以及裸地。
①在气温较低的秦淮以北等地区，春季作物播种较晚，故在4月下旬到5月上旬(冬小麦关键物候期)的覆盖度较低，对该像元总体的归一化植被指数贡献很小，在这种情况下冬小麦和春季作物的混合像元就相当于是冬小麦和裸地的混合像元。因此我们将裸地这一地物类型选作为一种典型的非冬小麦像元。分析野外调查时无人机获取的航拍影像，得到裸地的归一化植被指数时序数据，其NDVI值在0.2左右，如图4中纯裸地像元的归一化植被指数NDVI时间序列曲线。
②在气温较高的秦淮以南等地区，春季作物播种较早，故在4月下旬到5月上旬(冬小麦关键物候期)的覆盖度较高，对该像元总体的归一化植被指数贡献也较高，这种情况就产生了冬小麦和春季作物的混合像元。由于春季作物的NDVI时间序列曲线和森林的曲线在走势上极其相似，并且为了实现冬小麦种植面积的获得，我们将森林这一地物类型选定为典型的非冬小麦像元。根据MOD12Q1的土地覆盖产品，将所有的森林像元筛选出来，并挑选出NDVI值在7月达到最高值的前10％的像元，将这些像元的NDVI时间序列曲线平均后得到的标准曲线作为该研究区域的非冬小麦像元，如图4中纯森林像元的归一化植被指数NDVI时间序列曲线。
步骤S06：在试验区山东省内判断冬小麦和哪种地物类型混合，进而选择非冬小麦像元的类型；
具体方法是：在步骤S04和S05中，分别得到该试验区纯冬小麦像元和纯森林像元的NDVI时间序列曲线，将它们在前一年秋季(第300天～310天)的平均NDVI值分别标记为NDVIW和NDVIF，任一像元在同一时刻的NDVI值标记为NDVIP，其中纯冬小麦像元在该时刻表现的则是裸土的特性。比较NDVIP到NDVIW和NDVIP到NDVIF间的距离，若前者的距离近则说明该像元内冬小麦与裸地相混合，因此该像元的非冬小麦类型是裸地，反之亦然。
步骤S07：根据纯冬小麦像元和非冬小麦像元，计算冬小麦的种植比例PF：
其中，ΔP代表纯冬小麦像元在所述纯冬小麦的时间序列曲线中两个关键物候期的归一化植被指数的差值；
ΔZ代表非冬小麦像元在对应的时间序列曲线中两个关键物候期的归一化植被指数的差值；
ΔN代表任一像元在对应的时间序列曲线中两个关键物候期的归一化植被指数的差值；
其中，所述关键物候期包括抽穗期和收获期。
依据上述冬小麦识别流程，可实现精确的冬小麦种植比例自动制图，如图7所示。
步骤S08：根据统计资料中的冬小麦统计面积来验证此方法利用遥感估算的冬小麦面积；
图5和图6是本发明方法的验证结果。图5为本发明实施例中野外采样点无人机观测的冬小麦种植面积和利用本发明方法估算的冬小麦面积的对比；图6为本发明实施例中在县级和市级尺度上，使用国家统计局公布的冬小麦统计面积和利用本发明方法估算的冬小麦面积的对比。
本发明实施例提供的冬小麦种植比例的计算方法，通过对获取到的研究区域内各时相纯冬小麦或非冬小麦的归一化植被指数叠加后获得的归一化植被指数集，提取出纯冬小麦和非冬小麦的时间序列曲线，采集时间序列曲线上的特定值计算获得所述研究区域内冬小麦的种植比例，实现了利用归一化植被指数简易高效准确的获得冬小麦的种植比例，同时本发明实施例提供的方法只需要根据两个关键时期的归一化植被指数值的差异来计算冬小麦的比例，可缩短作物物候信息提取时间，减少非关键时期冗余数据对提取过程的干扰，简化工作程序，提高工作效率。
本发明实施例提供一种冬小麦种植比例的计算装置，图8为本发明实施例中冬小麦种植比例的计算装置的结构流程图，如图8所示，所述装置包括：获取模块801，提取模块802，曲线获取模块803和处理模块804；其中，
获取模块801用于根据近红外波段的反射率和红光波段的反射率获取研究区域内各时相的归一化植被指数；提取模块802用于对各时相的归一化植被指数进行叠加得到对应的归一化植被指数集，提取所述归一化植被指数集中纯冬小麦的归一化植被指数集和非冬小麦对应的归一化植被指数集；曲线获取模块803用于根据所述纯冬小麦的归一化植被指数集得到冬小麦的时间序列曲线，并根据所述非冬小麦对应的归一化植被指数集得到非冬小麦对应的时间序列曲线；处理模块804用于根据所述纯冬小麦的时间序列曲线和非冬小麦对应的时间序列曲线，计算获得所述研究区域内冬小麦的种植比例。
可选的，所述获取模块801还用于：根据所述研究区域内各时相的归一化植被指数，确定所述研究区域内若干个非冬小麦。
可选的，所述提取模块802还用于：采用Savitzky-Golay方法对所述归一化植被指数集进行平滑，以去除云层及地面冰雪的影响。
可选的，所述获取模块801具体包括：
获取所述研究区域内各时相的归一化植被指数NDVI：
其中，ρNir为所述近红外波段的反射率，ρRed为所述红光波段的反射率。
可选的，所述处理模块803具体包括：
所述冬小麦的种植比例PF的运算公式为：
其中，ΔP代表纯冬小麦像元在所述冬小麦的时间序列曲线中两个关键物候期的归一化植被指数的差值；
ΔZ代表非冬小麦像元在对应的时间序列曲线中两个关键物候期的归一化植被指数的差值；
ΔN代表任一像元在对应的时间序列曲线中两个关键物候期的归一化植被指数的差值；
其中，所述关键物候期包括抽穗期和收获期。
本发明实施例提供的冬小麦种植比例的计算装置获取模块801根据近红外波段的反射率和红光波段的反射率获取研究区域内各种地物各时相的归一化植被指数NDVI；提取模块802对各地物各时相的NDVI进行叠加得到所有NDVI对应的NDVI集，提取所述NDVI集中纯冬小麦的NDVI集和非冬小麦(包括森林、裸地、其他作物和非植被等)对应的NDVI集；采用Savitzky-Golay方法对所述归一化植被指数集进行平滑，以去除云层及地面冰雪的对归一化植被指数的影响；曲线获取模块803根据所述冬小麦的NDVI集得到纯冬小麦的时间序列曲线，并根据所述非冬小麦对应的NDVI集得到非冬小麦对应的时间序列曲线；处理模块804根据所述纯冬小麦的时间序列曲线和非冬小麦对应的时间序列曲线，计算获得所述研究区域内冬小麦的种植比例。
本发明实施例提供的冬小麦种植比例的计算装置是用于实现本发明实施例提供的冬小麦种植比例的计算方法的，具体实施方式在上述方法实施例中已经具体陈述，在此不再赘述。
本发明实施例提供的冬小麦种植比例的计算装置，通过设置曲线获取模块用于对获取到的研究区域内各时相纯冬小麦或非冬小麦的归一化植被指数叠加后获得的归一化植被指数集，提取出纯冬小麦和非冬小麦的时间序列曲线，处理模块用于采集时间序列曲线上的特定值计算获得所述研究区域内冬小麦的种植比例，实现了利用归一化植被指数简易高效准确的获得冬小麦的种植比例，同时实现了只需要根据两个关键时期的归一化植被指数值的差异来计算冬小麦的比例，可缩短作物物候信息提取时间，减少非关键时期冗余数据对提取过程的干扰，简化工作程序，提高工作效率。
图9为本发明一个实施例提供的电子设备的逻辑框图，如图9所示，所述电子设备，包括：处理器(processor)901、存储器(memory)902和总线903；
其中，所述处理器901和存储器902通过所述总线903完成相互间的通信；所述处理器901用于调用所述存储器902中的程序指令，以执行上述各方法实施例所提供的方法。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
Claims (10)
1.一种冬小麦种植比例的计算方法，其特征在于，所述方法包括：
根据近红外波段的反射率和红光波段的反射率获取研究区域内各时相的归一化植被指数；
对各时相的归一化植被指数进行叠加得到对应的归一化植被指数集，提取所述归一化植被指数集中纯冬小麦的归一化植被指数集和非冬小麦对应的归一化植被指数集；
根据所述纯冬小麦的归一化植被指数集得到纯冬小麦的时间序列曲线，并根据所述非冬小麦对应的归一化植被指数集得到非冬小麦对应的时间序列曲线；
根据所述纯冬小麦的时间序列曲线和非冬小麦对应的时间序列曲线，计算获得所述研究区域内冬小麦的种植比例。
2.根据权利要求1所述的方法，其特征在于，所述根据所述纯冬小麦的时间序列曲线和所述非冬小麦对应的时间序列曲线，计算获得所述研究区域内冬小麦的种植比例，具体包括：
所述冬小麦的种植比例PF的运算公式为：
<mrow>
<mi>P</mi>
<mi>F</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>N</mi>
<mo>-</mo>
<mi>&Delta;</mi>
<mi>Z</mi>
</mrow>
<mrow>
<mi>&Delta;</mi>
<mi>P</mi>
<mo>-</mo>
<mi>&Delta;</mi>
<mi>Z</mi>
</mrow>
</mfrac>
</mrow>
其中，ΔP代表纯冬小麦像元在所述纯冬小麦的时间序列曲线中两个关键物候期的归一化植被指数的差值；
ΔZ代表非冬小麦像元在对应的时间序列曲线中两个关键物候期的归一化植被指数的差值；
ΔN代表任一像元在对应的时间序列曲线中两个关键物候期的归一化植被指数的差值；
其中，所述关键物候期包括抽穗期和收获期。
3.根据权利要求1所述的方法，其特征在于，所述根据近红外波段的反射率和红光波段的反射率获取研究区域内各时相的归一化植被指数，具体包括：
获取所述研究区域内各时相的归一化植被指数NDVI：
<mrow>
<mi>N</mi>
<mi>D</mi>
<mi>V</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&rho;</mi>
<mi>N</mi>
<mi>i</mi>
<mi>r</mi>
<mo>-</mo>
<mi>&rho;</mi>
<mi>Re</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>&rho;</mi>
<mi>N</mi>
<mi>i</mi>
<mi>r</mi>
<mo>+</mo>
<mi>&rho;</mi>
<mi>Re</mi>
<mi>d</mi>
</mrow>
</mfrac>
</mrow>
其中，ρNir为所述近红外波段的反射率，ρRed为所述红光波段的反射率。
4.根据权利要求1所述的方法，其特征在于，所述根据近红外波段的反射率和红光波段的反射率获取研究区域内各时相的归一化植被指数之后，还包括：
根据所述研究区域内各时相的归一化植被指数，确定所述研究区域内非冬小麦时间序列曲线。
5.根据权利要求1所述的方法，其特征在于，所述对各时相的归一化植被指数进行叠加得到对应的归一化植被指数集之后，还包括：
采用Savitzky-Golay方法对所述归一化植被指数集进行平滑，以去除云层及地面冰雪的影响。
6.一种冬小麦种植比例的计算装置，其特征在于，所述装置包括：
获取模块，用于根据近红外波段的反射率和红光波段的反射率获取研究区域内各时相的归一化植被指数；
提取模块，用于对各时相的归一化植被指数进行叠加得到对应的归一化植被指数集，提取所述归一化植被指数集中纯冬小麦的归一化植被指数集和非冬小麦对应的归一化植被指数集；
曲线获取模块，用于根据所述纯冬小麦的归一化植被指数集得到纯冬小麦的时间序列曲线，并根据所述非冬小麦对应的归一化植被指数集得到非冬小麦对应的时间序列曲线；
处理模块，用于根据所述纯冬小麦的时间序列曲线和非冬小麦对应的时间序列曲线，计算获得所述研究区域内冬小麦的种植比例。
7.根据权利要求6所述的装置，其特征在于，所述处理模块具体包括：
所述冬小麦的种植比例PF的运算公式为：
<mrow>
<mi>P</mi>
<mi>F</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>N</mi>
<mo>-</mo>
<mi>&Delta;</mi>
<mi>Z</mi>
</mrow>
<mrow>
<mi>&Delta;</mi>
<mi>P</mi>
<mo>-</mo>
<mi>&Delta;</mi>
<mi>Z</mi>
</mrow>
</mfrac>
</mrow>
其中，ΔP代表纯冬小麦像元在所述冬小麦的时间序列曲线中两个关键物候期的归一化植被指数的差值；
ΔZ代表非冬小麦像元在对应的时间序列曲线中两个关键物候期的归一化植被指数的差值；
ΔN代表任一像元在对应的时间序列曲线中两个关键物候期的归一化植被指数的差值；
其中，所述关键物候期包括抽穗期和收获期。
8.根据权利要求6所述的装置，其特征在于，所述获取模块具体包括：
获取所述研究区域内各时相的归一化植被指数NDVI：
<mrow>
<mi>N</mi>
<mi>D</mi>
<mi>V</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&rho;</mi>
<mi>N</mi>
<mi>i</mi>
<mi>r</mi>
<mo>-</mo>
<mi>&rho;</mi>
<mi>Re</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>&rho;</mi>
<mi>N</mi>
<mi>i</mi>
<mi>r</mi>
<mo>+</mo>
<mi>&rho;</mi>
<mi>Re</mi>
<mi>d</mi>
</mrow>
</mfrac>
</mrow>
其中，ρNir为所述近红外波段的反射率，ρRed为所述红光波段的反射率。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行如权利要求1至5任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710424419.3A CN107330801A (zh) | 2017-06-07 | 2017-06-07 | 一种冬小麦种植比例的计算方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710424419.3A CN107330801A (zh) | 2017-06-07 | 2017-06-07 | 一种冬小麦种植比例的计算方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107330801A true CN107330801A (zh) | 2017-11-07 |
Family
ID=60194507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710424419.3A Pending CN107330801A (zh) | 2017-06-07 | 2017-06-07 | 一种冬小麦种植比例的计算方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107330801A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108362267A (zh) * | 2018-01-09 | 2018-08-03 | 浙江大学 | 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 |
| CN108805079A (zh) * | 2018-06-12 | 2018-11-13 | 中国科学院地理科学与资源研究所 | 冬小麦的识别方法及装置 |
| CN108984803A (zh) * | 2018-10-22 | 2018-12-11 | 北京师范大学 | 一种农作物产量空间化的方法及系统 |
| CN109508633A (zh) * | 2018-09-30 | 2019-03-22 | 广州地理研究所 | 一种基于光学遥感数据的甘蔗分布识别方法 |
| CN117709604A (zh) * | 2024-02-06 | 2024-03-15 | 北京市农林科学院信息技术研究中心 | 面向植保无人机飞防的冬小麦遥感监测方法、装置和设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761447A (zh) * | 2014-02-18 | 2014-04-30 | 中国科学院遥感与数字地球研究所 | 用于地市及县两级粮食补贴核算的种植面积遥感估算方法 |
| CN104615977A (zh) * | 2015-01-26 | 2015-05-13 | 河南大学 | 综合关键季相特征和模糊分类技术的冬小麦遥感识别方法 |
| WO2015160968A1 (en) * | 2014-04-15 | 2015-10-22 | Open Range Consulting | System and method for assessing riparian habitats |
| CN106372592A (zh) * | 2016-08-29 | 2017-02-01 | 中国农业科学院农业资源与农业区划研究所 | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 |
-
2017
- 2017-06-07 CN CN201710424419.3A patent/CN107330801A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761447A (zh) * | 2014-02-18 | 2014-04-30 | 中国科学院遥感与数字地球研究所 | 用于地市及县两级粮食补贴核算的种植面积遥感估算方法 |
| WO2015160968A1 (en) * | 2014-04-15 | 2015-10-22 | Open Range Consulting | System and method for assessing riparian habitats |
| CN104615977A (zh) * | 2015-01-26 | 2015-05-13 | 河南大学 | 综合关键季相特征和模糊分类技术的冬小麦遥感识别方法 |
| CN106372592A (zh) * | 2016-08-29 | 2017-02-01 | 中国农业科学院农业资源与农业区划研究所 | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王连喜 等: ""基于决策树和混合像元分解的江苏省冬小麦种植面积提取"", 《农业工程学报》 * |
| 葛广秀 等: ""基于NDVI密度分割的冬小麦种植面积提取"", 《麦类作物学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108362267A (zh) * | 2018-01-09 | 2018-08-03 | 浙江大学 | 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 |
| CN108362267B (zh) * | 2018-01-09 | 2020-05-22 | 浙江大学 | 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 |
| CN108805079A (zh) * | 2018-06-12 | 2018-11-13 | 中国科学院地理科学与资源研究所 | 冬小麦的识别方法及装置 |
| CN108805079B (zh) * | 2018-06-12 | 2020-10-09 | 中国科学院地理科学与资源研究所 | 冬小麦的识别方法及装置 |
| CN109508633A (zh) * | 2018-09-30 | 2019-03-22 | 广州地理研究所 | 一种基于光学遥感数据的甘蔗分布识别方法 |
| CN108984803A (zh) * | 2018-10-22 | 2018-12-11 | 北京师范大学 | 一种农作物产量空间化的方法及系统 |
| CN117709604A (zh) * | 2024-02-06 | 2024-03-15 | 北京市农林科学院信息技术研究中心 | 面向植保无人机飞防的冬小麦遥感监测方法、装置和设备 |
| CN117709604B (zh) * | 2024-02-06 | 2024-06-11 | 北京市农林科学院信息技术研究中心 | 面向植保无人机飞防的冬小麦遥感监测方法、装置和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Combining spectral and textural information in UAV hyperspectral images to estimate rice grain yield | |
| US20230292647A1 (en) | System and Method for Crop Monitoring | |
| Guo et al. | Integrating spectral and textural information for identifying the tasseling date of summer maize using UAV based RGB images | |
| Clevers et al. | Estimating grassland biomass using SVM band shaving of hyperspectral data | |
| Nguyen et al. | Assessment of rice leaf growth and nitrogen status by hyperspectral canopy reflectance and partial least square regression | |
| Tan et al. | Use of UK-DMC 2 and ALOS PALSAR for studying the age of oil palm trees in southern peninsular Malaysia | |
| Sun et al. | Monitoring maize lodging grades via unmanned aerial vehicle multispectral image | |
| Kordi et al. | Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images | |
| CN107330801A (zh) | 一种冬小麦种植比例的计算方法及装置 | |
| CN113505635B (zh) | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 | |
| JP2006250827A (ja) | 作物の生育状況分析方法 | |
| CN111091052A (zh) | 一种基于最大似然法的玉米倒伏面积提取系统及方法 | |
| Yue et al. | VNAI-NDVI-space and polar coordinate method for assessing crop leaf chlorophyll content and fractional cover | |
| Lakmal et al. | Brown planthopper damage detection using remote sensing and machine learning | |
| Ya et al. | Development of rice growth map using the advanced remote sensing techniques | |
| Sabzchi-Dehkharghani et al. | Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing | |
| Pauly | Applying conventional vegetation vigor indices to UAS-derived orthomosaics: issues and considerations | |
| Jelínek et al. | Winter wheat, winter rape and poppy crop growth evaluation with the help of remote and proximal sensing measurements | |
| Liu et al. | Evaluating how lodging affects maize yield estimation based on UAV observations | |
| Shamal et al. | Assessing spectral similarities between rainfed and irrigated croplands in a humid environment for irrigated land mapping | |
| Liu et al. | Estimating wheat coverage using multispectral images collected by unmanned aerial vehicles and a new sensor | |
| Jadhav et al. | Hyperspectral remote sensing for agricultural management: a survey | |
| Chattopadhyay et al. | Identification of spectral bands to discriminate wheat Spot Blotch using in situ hyperspectral data | |
| Hamzeh et al. | Mapping salinity stress in sugarcane fields with hyperspecteral satellite imagery | |
| Lottering et al. | Spatially optimizing vegetation indices integrated with sparse partial least squares regression to detect and map the effects of Gonipterus scutellatus on the chlorophyll content of eucalyptus plantations |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171107 |
|
| RJ01 | Rejection of invention patent application after publication |