CN107451522A - 一种农业干旱监测与预警预报方法 - Google Patents
一种农业干旱监测与预警预报方法 Download PDFInfo
- Publication number
- CN107451522A CN107451522A CN201710299315.4A CN201710299315A CN107451522A CN 107451522 A CN107451522 A CN 107451522A CN 201710299315 A CN201710299315 A CN 201710299315A CN 107451522 A CN107451522 A CN 107451522A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- msup
- data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 239000002689 soil Substances 0.000 claims abstract description 57
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 30
- 230000008878 coupling Effects 0.000 claims abstract description 25
- 238000010168 coupling process Methods 0.000 claims abstract description 25
- 238000005859 coupling reaction Methods 0.000 claims abstract description 25
- 230000003698 anagen phase Effects 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 230000012010 growth Effects 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 238000013500 data storage Methods 0.000 claims description 7
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002845 discoloration Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 20
- 230000003287 optical effect Effects 0.000 description 17
- 241000209140 Triticum Species 0.000 description 9
- 235000021307 Triticum Nutrition 0.000 description 9
- 230000006378 damage Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 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 3
- 244000061456 Solanum tuberosum Species 0.000 description 2
- 235000002595 Solanum tuberosum Nutrition 0.000 description 2
- 238000013506 data mapping Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Peptides Or Proteins (AREA)
Abstract
本发明属于农业技术领域，公开了一种农业干旱监测与预警预报方法，进行测量地面，获得地面的光学和微波数据；分析温度‑植被指数和被动微波数据反演土壤水分机理机制，利用地面的光学和微波数据，进行光学和微波遥感数据耦合并反演农田土壤水分；分析农作物不同生长期的光谱数据，建立农作物生长期遥感识别模型，结合农田反演的土壤水分数据和作物生长期信息，确定农作物生长期田间干旱程度。本发明能精确土壤水分判定干旱状况，反映真实的农田旱情。
Description
技术领域
本发明属于农业技术领域，尤其涉及一种农业干旱监测与预警预报方法。
背景技术
干旱是世界范围内最为严重的气候灾害之一，已经严重地影响了人类社会、经济的可持续发展，并且威胁着人类赖以生存的自然环境。我国的农业大省，降水季节波动与年际变化显著，空间分布不均匀，农业干旱发生频繁且危害严重，给当地带来了巨大的经济损失，如何减轻旱灾风险是面临的长期而艰巨的任务。干旱监测预报是防旱抗旱工程规划和实施的基础，快速准确掌握区域干旱状况，有利于决策和管理部门快速响应，减少由于干旱而造成的各方面的损失。因此，研究探讨切实可行的干旱监测方法，对促进农业生产、保障粮食安全、提升政府应对自然灾害能力和社会的可持续发展有十分重要的意义。
传统的基于台站网络的监测方法对大范围的旱情监测和评估缺乏实效性和代表性，难以满足大范围监测的需要。遥感可以快速、高效地获取监测区连续面空间上的信息,对旱情的监测、评估和预警具有快速、及时、宏观等特点。但由于干旱发生发展以及自然条件的复杂性，采用单一的遥感数据进行干旱监测，无论光学遥感还是微波遥感，都存在一定的局限性和不确定性。不同传感器可提供地物不同特征的遥感信息，它们之间存在一定的互补性，因此，多源数据协同利用在一定程度上可弥补单一数据源的不足，提高遥感干旱监测精度和实用性。但是如何将数据源的信息进行有效耦合，最大程度发挥不同传感器的优势？这是当前遥感干旱监测亟待解决的问题，同时也是国际科学的前沿问题和遥感反演的一个重要研究方向。
国内外研究现状：
从20世纪60年代开始，国内外就有人尝试从地面遥感、航空遥感和卫星遥感等不同层次，使用可见光、红外、微波(L,C,X)等遥感波段，通过地区蒸发估计、作物表面温度、土壤热容量、植物水分胁迫及叶片含水量等监测方法，对作物生长的土壤含水状况、作物缺水或供水状况、植被指数等指标所反映的作物生长状况的分析，直接或间接地对作物旱情进行研究。其方法具体可归结为反射率法、热惯量法、植被指数法(如NDVI[10,11]、VCI[12]、NDWI、AVI)、温度-植被指数法(如VSWI、VTCI、TDVI)、微波法，以及结合气象数据的作物缺水指数法和水分亏缺指数法。
由于各反演方法都是在特定的条件下建立并发展起来的，因而不可避免地带有一定的局限性。反射率法操作简便快捷，但易受周围环境及自身成分性质等的影响，只适用于地形平坦，地貌单一且土壤组成比较典型的地区；植被指数法一般在植被覆盖度较高的地区或时段，能够取得比较好的效果；热惯量法适合于裸地或植被生长初期土壤水分的反演；作物缺水指数法和水分亏缺指数需要气象数据的配合；温度-植被指数法可以有效地克服土壤背景的影响，在不同的植被覆盖区都可取得较好结果，但计算所用的光学数据受天气条件的限制。云层的影响不但制约了反演精度，而且造成结果在空间上分布不连续，这也是光学遥感普遍存在的问题。微波遥感可全天候全天时监测，但是微波信号易受地表植被干扰，且主动微波遥感成本较高，雷达参数与目标特征参数间的关系复杂，很多不确定性问题有待深入研究；被动微波遥感是大尺度土壤水分监测的一种非常有效的手段，但空间分辨率较低，在区域尺度上的应用受到限制。
鉴于微波和光学遥感在干旱监测的优势与不足，联合光学和微波遥感数据开展土壤水分反演成为当前研究的一个热点。Dabrowska-Zielinska等人使用 AVHRR、ATSR、RADARSAT等数据反演土壤湿度；Zhang等人基于ASAR影像数据和光学影像数据，结合水云模型构建了小麦土壤含水量的反演算法；马等构建了以L波段土壤发射率和NDVI为自变量的土壤水分反演模型，余等将ASAR和 TM数据联合反演土壤水分。这些成果表明，联合光学与微波的遥感数据得到的反演结果相对单一数据源反演结果均有所提高。
综上所述，现有技术存在的问题是：目前的研究在模型构建时，土壤水分、温度由实地采集，而地物的反射和发射信息来自星载或机载传感器。由于受环境的影响以及校正算法的不确定性，来自卫星的信息可能会在一定程度上失真，加上光学和微波数据获取的非同步性，导致构建的反演模型的适用性偏低；现有技术不能通过构建稳健可靠的光学-微波协同的反演模型，开展地面控制性实验，获取同步的地物的反射、发射、土壤水分、植被覆盖度等信息。
发明内容
为解决现有技术存在的问题，本发明的目的在于提供一种农业干旱监测与预警预报方法。
本发明是这样实现的，一种农业干旱监测与预警预报方法，所述农业干旱监测与预警预报方法包括：
进行测量地面，获得地面的光学和微波数据；
分析温度-植被指数和被动微波数据反演土壤水分机理机制，利用地面的光学和微波数据，进行光学和微波遥感数据耦合并反演农田土壤水分；
分析农作物不同生长期的光谱数据，建立农作物生长期遥感识别模型；
结合农田反演的土壤水分数据和作物生长期信息，确定农作物生长期田间干旱程度；
进行光学和微波遥感数据耦合并反演农田土壤水分信号处理方法包括：
设目标与决策层中有决策指标p1,p2,…,pm，目标与决策层下的网络架构层有C1,C2,…,CN个指标集，其中Ci中有元素
以目标与决策层决策指标ps(s＝1,2,…,m)为准则，以Cj中元素ejk(k＝1,2,…,nj)为次准则，将指标集Ci中指标按其对ejk的影响力大小进行间接优势度比较，即在准则ps下构造判断矩阵：
并由特征根法得权重向量
对于k＝1,2..,ni重复上述步骤，得到式(1)所示矩阵Wij；
其中，Wij的列向量为Ci中的元素对Cj中元素的影响程度排序向量；若Cj中元素不受Ci中元素影响，则Wij＝0；
对于i＝1,2,...,N；j＝1,2,...,N重复B，可获得决策准则ps下的超矩阵W:
在所述超矩阵W中，元素Wij反映元素i对元素j的一步优势度；还可以计算 W2，其元素wij 2表示元素i对元素j的二步优势度，W2仍然列为归一化矩阵，以此类推，可以计算W3，W4，…，当W∞存在时，W∞的第j列就是准则ps下网络架构层中各元素对于j的极限相对权重向量，则
其中每一行的数值，即为相应元素的局部权重向量；当某一行全部为0时，则相应的局部权重为1；将局部权重按元素顺序排列即得到局部权重向量；
确定农作物生长期田间干旱程度的图像处理方法包括：
构建高分辨率图像训练集
输出高分辨率图像THR。
进一步，构建高分辨率训练集具体包括：
(a)搜集多幅彩色高分辨率自然图像；
(b)将高分辨率自然图像从红、绿、蓝RGB颜色空间转换到亮度、蓝色色度、红色色度YCbCr颜色空间；
(c)收集所有亮度图像作为高分辨率训练图像集其中表示第p幅高分辨率亮度图像，n表示图像的数量。
进一步，所述输出高分辨率图像THR，具体包括：
对低分辨率输入图像块集XT中的每个图像块xt q,其对应的高分辨率输出图像块由如下公式求得：
其中表示待求的高分辨率输出图像块；表示与对应的高分辨率训练图像块；表示与对应的高分辨率K近邻；wqp是求得的重建系数；
将所有得到的高分辨率输出图像块拼接起来，重叠区域像素取平均值，得到最终的高分辨率输出亮度图像
将得到的彩色图像的色变图像和插值放大到与同样的大小，得到和联合高分辨率亮度图像由YCbCr颜色空间转换到RGB颜色空间，将转换结果作为高分辨率输出图像。
进一步，所述低分辨率输入图像块集XT中的每个图像块xt q，中，将图像按从上到下、从左到右的顺序分成相互重叠的方形图像块；将所有方形图像块分别用列矢量表示；
收集所有列矢量生成低分辨率输入图像块集其中xt q表示低分辨率输入图像块集中的第q个列矢量，Nt表示输入图像块的数量。
将高分辨率训练图像集中所有图像按从上到下、从左到右的顺序分成相互重叠的方形图像块。
进一步，所述得到的彩色图像包括：
将高分辨率训练图像集中所有图像按从上到下、从左到右的顺序分成相互重叠的方形图像块；
将所有方形图像块分别用列矢量表示；
收集所有列矢量生成高分辨率训练图像块集其中表示中的第p个列矢量，Ns表示训练图像块的数量，它们与是一一对应的。
进一步，所述分析农作物不同生长期的光谱数据，建立农作物生长期遥感识别模型中，通过农业干旱监测系统内置的数据处理模块建立建立农作物生长期遥感识别模型；所述遥感识别模型的建立包括；
利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；
确定每个所述区域的颜色值和质心；
根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型；
所述显著性模型为：
其中，Si1为区域Ri中任一像素点的显著性值，w(Rj)为区域Rj中的像素点的个数，DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值，DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，DS(Ri,Rj)为：Center(Ri)为所述区域Ri的质心， Center(Rj)为所述区域Rj的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；
或按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型。
进一步，确定农作物生长期田间干旱程度，还需进行数据的缓存；所述缓存通过农业干旱监测系统内置的数据储存模块进行储存；所述数据储存包括：
方式一：在记录缓存中，选择与待添加数据具有相同数量级的记录数据进行替换；
或方式二：在记录缓存中，选择与待添加数据具有不同数量级的记录缓存页，回收该缓存页所占用的空间，利用所回收的空间为所述待添加数据分配新的记录缓存页，将所述待添加数据写入该新的记录缓存页。
进一步，选择所述方式一或方式二的方法包括：
获得与所述待添加数据具有相同数量级的记录数据的访问频率Frec、以及与待添加数据具有不同数量级的记录缓存页的访问频率Fpage；
判断Frec＞replace_page_ratio*Fpage是否成立，如果是，则选择所述方式一，否则选择所述方式二；
其中replace_page_ratio为预设的替换控制参数，replace_page_ratio ∈(0,1]。
进一步，所述与待添加数据具有不同数量级的记录缓存页的访问频率Fpage 的获得方法为：
Fpage＝(Fmin+Fmax)/2*N；
其中，Fmin为该记录缓存页中时间戳最早的数据的访问频率，Fmax为该记录缓存页中时间戳最晚的数据的访问频率，N为该记录缓存页的数据记录总量。
进一步，进行光学和微波遥感数据耦合并反演农田土壤水分信号处理前，需先进行农田土壤水分信号的预处理，所述农田土壤水分信号的预处理包括：
对进行光学和微波遥感数据耦合并反演的跳频混合信号时频域矩阵进行预处理；具体包括：
对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定根据接收信号的平均能量来确定；
找出p时刻(p＝0,1,2,…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b1(p,q),b2(p,q),…,bM(p,q)]T，其中
进一步，得到的跳频混合信号时频域矩阵进行预处理后，还需进行：
利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；对所有求均值并取整，得到源信号个数的估计即：
找出的时刻，用ph表示，对每一段连续取值的ph求中值，用表示第l段相连ph的中值，则表示第l个频率跳变时刻的估计。
进一步，根据估计得到的以及估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：
这里表示第l跳对应的个混合矩阵列向量估计值；估计每一跳对应的载频频率，用表示第 l跳对应的个频率估计值，计算公式如下：
本发明开展了大田实验，以地面观测数据为基础研究光学和被动微波信息的耦合方法，构建耦合光学和微波信息的农田干旱监测模型，为政府和农业生产部门提供了更为准确的旱情数据，最大程度上减少干旱带来的损失。
本发明基于地面测量数据建立了耦合光学和被动微波信息的土壤水分反演模型，在深入分析温度-植被指数和被动微波数据反演土壤水分机理机制的基础上，综合利用光学和微波数据优势，构建耦合光学和微波遥感数据的农田土壤水分反演模型，弥补了使用单一数据反演土壤水分的不足，进一步提高土壤水分反演精度。构建了小麦生长期的遥感识别模型，作物在不同的生长期需水量不同，传统的干旱监测未考虑作物在不同时期的真实需水量，仅仅依据土壤水分判定干旱状况，不能反映真实的农田旱情。本发明在分析小麦在不同生长期的光谱数据的基础上，发展了小麦生长期的遥感识别模型，实现了小麦关键生长期的遥感确定，为下一步农田干旱的判定奠定了基础，避免了仅仅依赖土壤水分来判定农田干旱程度。
本发明耦合光学和被动微波信息的土壤水分反演模块测量方法，遵循了科学性与实用性、完整性与可操作性、代表性与系统性、定性指标与定量指标结合、静态指标与动态指标相统一的原则；概括起来有以下几个方面：
1、综合性原则；指标体系能够全面反映待评对象的综合情况，能从环境、经济、技术和能资源利用等方面进行分析，充分利用多学科知识以及学科间的交叉和综合知识，以保证综合评价的全面性和可靠性。
2、科学性原则；客观、真实、准确的反映被评价对象的“属性，有些指标可能目前尚无必要获取数据或者难以获取确切的数据，但与综合评价关系较大仍可作为建议指标提出。
3、可行性原则，评价指标应有明确的含义和以一定的现实统计作为基础，可以根据获得的数据进行计算分析。
4、系统性原则；要能充分反映环境属性、资源属性、经济属性和技术属性的各项指标，并注意从中抓住影响较大的主要因素。
5、静态评价和动态评价相结合的原则；在评价中，既考虑到了被评对象的现有状态，又考虑到了未来的发展。
6、定性评价和定量评价相结合的原则，在评价中，既把握被评对象“质”的一面，对其进行定性分析，又要把握住被评对象“量”的一面，对其进行定量分析，即评价指标尽可能的量化。但对某些指标量化难度较大，此时也可采用定性指标来描述，以便从质和量的角度，对评价对象得出科学的评价结论。
本发明的测量方法在建立评价的指标体系的基础上，对位于各网络层元素的相互关系建立判断矩阵，并基于网络架构的方法求出极限超矩阵及各底层指标权重，通过与现有方法对比，本发明得到的数据更加全面合理。
耦合光学和微波遥感数据的农土壤水分反演模块的反演的图像精确度比现有技术的精确度提高近5个百分点。
本发明同一个数据储存模块中，包括两种缓存，其中，记录缓存是以数据行为单位进行数据读写，当仅有少量热点数据发生变化时，可以只对记录缓存进行更新，从而提高缓存的利用率，降低对缓存的更新频率。从而保证对数据的访问具有便利性。本发明的摇感识别模型的图像识别精确度比现有技术的图像识别提高了近6个百分点，达到识别度98.12％。
本发明的预处理信号的准确率由现有技术的92％提高到96.85％，提高了近5％。
附图说明
图1是本发明实施例提供的农业干旱监测与预警预报方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作进一步描述。
如图1所示，本发明实施例提供的农业干旱监测与预警预报方法，方法包括：
S101:进行测量地面，获得地面的光学和微波数据；
S102:分析温度-植被指数和被动微波数据反演土壤水分机理机制，利用地面的光学和微波数据，进行光学和微波遥感数据耦合并反演农田土壤水分；
S103:分析农作物不同生长期的光谱数据，建立农作物生长期遥感识别模型；
S104：结合农田反演的土壤水分数据和作物生长期信息，确定农作物生长期田间干旱程度。
进行光学和微波遥感数据耦合并反演农田土壤水分信号处理方法包括：
设目标与决策层中有决策指标p1,p2,…,pm，目标与决策层下的网络架构层有C1,C2,…,CN个指标集，其中Ci中有元素
以目标与决策层决策指标ps(s＝1,2,…,m)为准则，以Cj中元素ejk(k＝1,2,…,nj)为次准则，将指标集Ci中指标按其对ejk的影响力大小进行间接优势度比较，即在准则ps下构造判断矩阵：
并由特征根法得权重向量
对于k＝1,2..,ni重复上述步骤，得到式(1)所示矩阵Wij；
其中，Wij的列向量为Ci中的元素对Cj中元素的影响程度排序向量；若Cj中元素不受Ci中元素影响，则Wij＝0；
对于i＝1,2,...,N；j＝1,2,...,N重复B，可获得决策准则ps下的超矩阵W:
在所述超矩阵W中，元素Wij反映元素i对元素j的一步优势度；还可以计算 W2，其元素wij 2表示元素i对元素j的二步优势度，W2仍然列为归一化矩阵，以此类推，可以计算W3，W4，…，当W∞存在时，W∞的第j列就是准则ps下网络架构层中各元素对于j的极限相对权重向量，则
其中每一行的数值，即为相应元素的局部权重向量；当某一行全部为0时，则相应的局部权重为1；将局部权重按元素顺序排列即得到局部权重向量；
确定农作物生长期田间干旱程度的图像处理方法包括：
构建高分辨率图像训练集
输出高分辨率图像THR。
构建高分辨率训练集具体包括：
(a)搜集多幅彩色高分辨率自然图像；
(b)将高分辨率自然图像从红、绿、蓝RGB颜色空间转换到亮度、蓝色色度、红色色度YCbCr颜色空间；
(c)收集所有亮度图像作为高分辨率训练图像集其中表示第p幅高分辨率高度图像，n表示图像的数量。
所述输出高分辨率图像THR，具体包括：
对低分辨率输入图像块集XT中的每个图像块，其对应的高分辨率输出图像块由如下公式求得：
其中表示待求的高分辨率输出图像块；表示与对应的高分辨率训练图像块；表示与对应的高分辨率K近邻；wqp是求得的重建系数；
将所有得到的高分辨率输出图像块拼接起来，重叠区域像素取平均值，得到最终的高分辨率输出亮度图像
将得到的彩色图像的色变图像和插值放大到与同样的大小，得到和联合高分辨率高度图像由YCbCr颜色空间转换到RGB颜色空间，将转换结果作为高分辨率输出图像。
低分辨率输入图像块集XT中的每个图像块中，将图像按从上到下、从左到右的顺序分成相互重叠的方形图像块；
将所有方形图像块分别用列矢量表示；
收集所有列矢量生成低分辨率输入图像块集其中表示低分辨率输入图像块集中的第q个列矢量，Nt表示输入图像块的数量。
将高分辨率训练图像集中所有图像按从上到下、从左到右的顺序分成相互重叠的方形图像块。
得到的彩色图像包括：
将高分辨率训练图像集中所有图像按从上到下、从左到右的顺序分成相互重叠的方形图像块；
将所有方形图像块分别用列矢量表示；
收集所有列矢量生成高分辨率训练图像块集其中表示中的第P个列矢量，Ns表示训练图像块的数量，它们与是一一对应的。
进一步，所述分析农作物不同生长期的光谱数据，建立农作物生长期遥感识别模型中，通过农业干旱监测系统内置的数据处理模块建立建立农作物生长期遥感识别模型；所述遥感识别模型的建立包括；
利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；
确定每个所述区域的颜色值和质心；
根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型；
所述显著性模型为：
其中，Si1为区域Ri中任一像素点的显著性值，w(Rj)为区域Rj中的像素点的个数，DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值，DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，DS(Ri,Rj)为：Center(Ri)为所述区域Ri的质心， Center(Rj)为所述区域Rj的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；
或按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型。
进一步，确定农作物生长期田间干旱程度，还需进行数据的缓存；所述缓存通过农业干旱监测系统内置的数据储存模块进行储存；所述数据储存包括：
方式一：在记录缓存中，选择与待添加数据具有相同数量级的记录数据进行替换；
或方式二：在记录缓存中，选择与待添加数据具有不同数量级的记录缓存页，回收该缓存页所占用的空间，利用所回收的空间为所述待添加数据分配新的记录缓存页，将所述待添加数据写入该新的记录缓存页。
进一步，选择所述方式一或方式二的方法包括：
获得与所述待添加数据具有相同数量级的记录数据的访问频率Frec、以及与待添加数据具有不同数量级的记录缓存页的访问频率Fpage；
判断Frec＞replace_page_ratio*Fpage是否成立，如果是，则选择所述方式一，否则选择所述方式二；
其中replace_page_ratio为预设的替换控制参数，replace_page_ratio ∈(0,1]。
进一步，所述与待添加数据具有不同数量级的记录缓存页的访问频率Fpage 的获得方法为：
Fpage＝(Fmin+Fmax)/2*N；
其中，Fmin为该记录缓存页中时间戳最早的数据的访问频率，Fmax为该记录缓存页中时间戳最晚的数据的访问频率，N为该记录缓存页的数据记录总量。
进一步，进行光学和微波遥感数据耦合并反演农田土壤水分信号处理前，需先进行农田土壤水分信号的预处理，所述农田土壤水分信号的预处理包括：
对进行光学和微波遥感数据耦合并反演的跳频混合信号时频域矩阵进行预处理；具体包括：
对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定根据接收信号的平均能量来确定；
找出p时刻(p＝0,1,2,…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b1(p,q),b2(p,q),…,bM(p,q)]T，其中
进一步，得到的跳频混合信号时频域矩阵进行预处理后，还需进行：
利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；对所有求均值并取整，得到源信号个数的估计即：
找出的时刻，用ph表示，对每一段连续取值的ph求中值，用表示第l段相连ph的中值，则表示第l个频率跳变时刻的估计。
进一步，根据估计得到的以及估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：
这里表示第l跳对应的个混合矩阵列向量估计值；估计每一跳对应的载频频率，用表示第 l跳对应的个频率估计值，计算公式如下：
本发明开展了大田实验，以地面观测数据为基础研究光学和被动微波信息的耦合方法，构建耦合光学和微波信息的农田干旱监测模型，为政府和农业生产部门提供了更为准确的旱情数据，最大程度上减少干旱带来的损失。
本发明基于地面测量数据建立了耦合光学和被动微波信息的土壤水分反演模型，在深入分析温度-植被指数和被动微波数据反演土壤水分机理机制的基础上，综合利用光学和微波数据优势，构建耦合光学和微波遥感数据的农土壤水分反演模型，弥补了使用单一数据反演土壤水分的不足，进一步提高土壤水分反演精度。构建了小麦生长期的遥感识别模型，作物在不同的生长期需水量不同，传统的干旱监测未考虑作物在不同时期的真实需水量，仅仅依据土壤水分判定干旱状况，不能反映真实的农田旱情。本发明在分析小麦在不同生长期的光谱数据的基础上，发展了小麦生长期的遥感识别模型，实现了小麦关键生长期的遥感确定，为下一步农田干旱的判定奠定了基础，避免了仅仅依赖土壤水分来判定农田干旱程度。
本发明耦合光学和被动微波信息的土壤水分反演模块测量方法，遵循了科学性与实用性、完整性与可操作性、代表性与系统性、定性指标与定量指标结合、静态指标与动态指标相统一的原则；概括起来有以下几个方面：
1、综合性原则；指标体系能够全面反映待评对象的综合情况，能从环境、经济、技术和能资源利用等方面进行分析，充分利用多学科知识以及学科间的交叉和综合知识，以保证综合评价的全面性和可靠性。
2、科学性原则；客观、真实、准确的反映被评价对象的“属性，有些指标可能目前尚无必要获取数据或者难以获取确切的数据，但与综合评价关系较大仍可作为建议指标提出。
3、可行性原则，评价指标应有明确的含义和以一定的现实统计作为基础，可以根据获得的数据进行计算分析。
4、系统性原则；要能充分反映环境属性、资源属性、经济属性和技术属性的各项指标，并注意从中抓住影响较大的主要因素。
5、静态评价和动态评价相结合的原则；在评价中，既考虑到了被评对象的现有状态，又考虑到了未来的发展。
6、定性评价和定量评价相结合的原则，在评价中，既把握被评对象“质”的一面，对其进行定性分析，又要把握住被评对象“量”的一面，对其进行定量分析，即评价指标尽可能的量化。但对某些指标量化难度较大，此时也可采用定性指标来描述，以便从质和量的角度，对评价对象得出科学的评价结论。
本发明的测量方法在建立评价的指标体系的基础上，对位于各网络层元素的相互关系建立判断矩阵，并基于网络架构的方法求出极限超矩阵及各底层指标权重，通过与现有方法对比，本发明得到的数据更加全面合理。
耦合光学和微波遥感数据的农土壤水分反演模块的反演的图像精确度比现有技术的精确度提高近5个百分点
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种农业干旱监测与预警预报方法，其特征在于，所述农业干旱监测与预警预报方法包括：
进行测量地面，获得地面的光学和微波数据；
分析温度-植被指数和被动微波数据反演土壤水分机理机制，利用地面的光学和微波数据，进行光学和微波遥感数据耦合并反演农田土壤水分；
分析农作物不同生长期的光谱数据，建立农作物生长期遥感识别模型；
结合农田反演的土壤水分数据和作物生长期信息，确定农作物生长期田间干旱程度；
进行光学和微波遥感数据耦合并反演农田土壤水分信号处理方法包括：
设目标与决策层中有决策指标p1,p2,…,pm，目标与决策层下的网络架构层有C1,C2,…,CN个指标集，其中Ci中有元素
以目标与决策层决策指标ps(s＝1,2,…,m)为准则，以Cj中元素ejk(k＝1,2,…,nj)为次准则，将指标集Ci中指标按其对ejk的影响力大小进行间接优势度比较，即在准则ps下构造判断矩阵：
并由特征根法得权重向量
对于k＝1,2..,ni重复上述步骤，得到式(1)所示矩阵Wij；
<mrow>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>jn</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>jn</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<msub>
<mi>in</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<msub>
<mi>in</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<msub>
<mi>in</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>jn</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Wij的列向量为Ci中的元素对Cj中元素的影响程度排序向量；若Cj中元素不受Ci中元素影响，则Wij＝0；
对于i＝1,2,...,N；j＝1,2,...,N重复B，可获得决策准则ps下的超矩阵W:
在所述超矩阵W中，元素Wij反映元素i对元素j的一步优势度；还可以计算W2，其元素wij 2表示元素i对元素j的二步优势度，W2仍然列为归一化矩阵，以此类推，可以计算W3，W4，…，当W∞存在时，W∞的第j列就是准则ps下网络架构层中各元素对于j的极限相对权重向量，则
<mrow>
<msup>
<mi>W</mi>
<mi>&infin;</mi>
</msup>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>W</mi>
<mn>11</mn>
</msub>
<mi>&infin;</mi>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>W</mi>
<mn>12</mn>
</msub>
<mi>&infin;</mi>
</msup>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>W</mi>
<mrow>
<mn>1</mn>
<mi>N</mi>
</mrow>
</msub>
<mi>&infin;</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>W</mi>
<mn>21</mn>
</msub>
<mi>&infin;</mi>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>W</mi>
<mn>22</mn>
</msub>
<mi>&infin;</mi>
</msup>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>W</mi>
<mrow>
<mn>2</mn>
<mi>N</mi>
</mrow>
</msub>
<mi>&infin;</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>W</mi>
<mrow>
<mi>N</mi>
<mn>1</mn>
</mrow>
</msub>
<mi>&infin;</mi>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>W</mi>
<mrow>
<mi>N</mi>
<mn>2</mn>
</mrow>
</msub>
<mi>&infin;</mi>
</msup>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>W</mi>
<mrow>
<mi>N</mi>
<mi>N</mi>
</mrow>
</msub>
<mi>&infin;</mi>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中每一行的数值，即为相应元素的局部权重向量；当某一行全部为0时，则相应的局部权重为1；将局部权重按元素顺序排列即得到局部权重向量；
<mrow>
<mi>Q</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>q</mi>
<mn>11</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>q</mi>
<mrow>
<mn>1</mn>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>21</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>q</mi>
<mrow>
<mn>2</mn>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
</mrow>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>q</mi>
<mrow>
<mi>N</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>q</mi>
<mrow>
<msub>
<mi>Nn</mi>
<mi>N</mi>
</msub>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
确定农作物生长期田间干旱程度的图像处理方法包括：
构建高分辨率图像训练集
输出高分辨率图像THR；
构建高分辨率训练集具体包括：
(a)搜集多幅彩色高分辨率自然图像；
(b)将高分辨率自然图像从红、绿、蓝RGB颜色空间转换到亮度、蓝色色度、红色色度YCbCr颜色空间；
(c)收集所有亮度图像作为高分辨率训练图像集其中表示第p幅高分辨率亮度图像，n表示图像的数量；
所述输出高分辨率图像THR，具体包括：
对低分辨率输入图像块集XT中的每个图像块xt q,其对应的高分辨率输出图像块由如下公式求得：
<mrow>
<msubsup>
<mi>y</mi>
<mi>t</mi>
<mi>q</mi>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msubsup>
<mi>y</mi>
<mi>s</mi>
<mi>p</mi>
</msubsup>
<mo>&Element;</mo>
<msubsup>
<mi>N</mi>
<mi>q</mi>
<mi>h</mi>
</msubsup>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mrow>
<mi>q</mi>
<mi>p</mi>
</mrow>
</msub>
<msubsup>
<mi>y</mi>
<mi>s</mi>
<mi>p</mi>
</msubsup>
</mrow>
其中表示待求的高分辨率输出图像块；表示与对应的高分辨率训练图像块；表示与对应的高分辨率K近邻；wqp是求得的重建系数；
将所有得到的高分辨率输出图像块拼接起来，重叠区域像素取平均值，得到最终的高分辨率输出亮度图像
将得到的彩色图像的色变图像和插值放大到与同样的大小，得到和联合高分辨率亮度图像由YCbCr颜色空间转换到RGB颜色空间，将转换结果作为高分辨率输出图像；
低分辨率输入图像块集XT中的每个图像块xt q，中，
将图像按从上到下、从左到右的顺序分成相互重叠的方形图像块；
将所有方形图像块分别用列矢量表示；
收集所有列矢量生成低分辨率输入图像块集其中xt q表示低分辨率输入图像块集中的第q个列矢量，Nt表示输入图像块的数量。
将高分辨率训练图像集中所有图像按从上到下、从左到右的顺序分成相互重叠的方形图像块；
得到的彩色图像包括：
将高分辨率训练图像集中所有图像按从上到下、从左到右的顺序分成相互重叠的方形图像块；
将所有方形图像块分别用列矢量表示；
收集所有列矢量生成高分辨率训练图像块集其中表示中的第p个列矢量，Ns表示训练图像块的数量，它们与是一一对应的。
2.如权利要求1所述的农业干旱监测与预警预报方法，其特征在于，所述分析农作物不同生长期的光谱数据，建立农作物生长期遥感识别模型中，通过农业干旱监测系统内置的数据处理模块建立建立农作物生长期遥感识别模型；所述遥感识别模型的建立包括；
利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；
确定每个所述区域的颜色值和质心；
根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型；
所述显著性模型为：
其中，Si1为区域Ri中任一像素点的显著性值，w(Rj)为区域Rj中的像素点的个数，DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值，DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，DS(Ri,Rj)为：Center(Ri)为所述区域Ri的质心，Center(Rj)为所述区域Rj的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；
或按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型。
3.如权利要求1所述的农业干旱监测与预警预报方法，其特征在于，确定农作物生长期田间干旱程度，还需进行数据的缓存；所述缓存通过农业干旱监测系统内置的数据储存模块进行储存；所述数据储存包括：
方式一：在记录缓存中，选择与待添加数据具有相同数量级的记录数据进行替换；
或方式二：在记录缓存中，选择与待添加数据具有不同数量级的记录缓存页，回收该缓存页所占用的空间，利用所回收的空间为所述待添加数据分配新的记录缓存页，将所述待添加数据写入该新的记录缓存页。
4.如权利要求3所述的农业干旱监测与预警预报方法，其特征在于，选择所述方式一或方式二的方法包括：
获得与所述待添加数据具有相同数量级的记录数据的访问频率Frec、以及与待添加数据具有不同数量级的记录缓存页的访问频率Fpage；
判断Frec＞replace_page_ratio*Fpage是否成立，如果是，则选择所述方式一，否则选择所述方式二；
其中replace_page_ratio为预设的替换控制参数，replace_page_ratio∈(0,1]。
5.如权利要求4所述的农业干旱监测与预警预报方法，其特征在于，所述与待添加数据具有不同数量级的记录缓存页的访问频率Fpage的获得方法为：
Fpage＝(Fmin+Fmax)/2*N；
其中，Fmin为该记录缓存页中时间戳最早的数据的访问频率，Fmax为该记录缓存页中时间戳最晚的数据的访问频率，N为该记录缓存页的数据记录总量。
6.如权利要求1所述的农业干旱监测与预警预报方法，其特征在于，进行光学和微波遥感数据耦合并反演农田土壤水分信号处理前，需先进行农田土壤水分信号的预处理，所述农田土壤水分信号的预处理包括：
对进行光学和微波遥感数据耦合并反演的跳频混合信号时频域矩阵进行预处理；具体包括：
对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定根据接收信号的平均能量来确定；
找出p时刻(p＝0,1,2,…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b1(p,q),b2(p,q),…,bM(p,q)]T，其中
7.如权利要求6所述的农业干旱监测与预警预报方法，其特征在于，得到的跳频混合信号时频域矩阵进行预处理后，还需进行：
利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；对所有求均值并取整，得到源信号个数的估计即：
<mrow>
<mover>
<mi>N</mi>
<mrow>
<mo>^</mo>
<mo>^</mo>
</mrow>
</mover>
<mo>=</mo>
<mi>r</mi>
<mi>u</mi>
<mi>u</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>p</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>P</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>N</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
找出的时刻，用ph表示，对每一段连续取值的ph求中值，用表示第l段相连ph的中值，则表示第l个频率跳变时刻的估计。
8.如权利要求7所述的农业干旱监测与预警预报方法，其特征在于，根据估计得到的以及估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：
<mrow>
<msub>
<mover>
<mi>a</mi>
<mo>^</mo>
</mover>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>p</mi>
<mo>&NotEqual;</mo>
<msub>
<mi>p</mi>
<mi>h</mi>
</msub>
</mrow>
<mrow>
<msub>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<msubsup>
<mi>b</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>p</mi>
</mrow>
<mn>0</mn>
</msubsup>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<msub>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>p</mi>
<mo>&NotEqual;</mo>
<msub>
<mi>p</mi>
<mi>h</mi>
</msub>
</mrow>
<mrow>
<msub>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<msubsup>
<mi>b</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>p</mi>
</mrow>
<mn>0</mn>
</msubsup>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>l</mi>
<mo>></mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
<mo>;</mo>
</mrow>
这里表示第l跳对应的个混合矩阵列向量估计值；估计每一跳对应的载频频率，用表示第l跳对应的个频率估计值，计算公式如下：
<mrow>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>c</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>p</mi>
<mo>&NotEqual;</mo>
<msub>
<mi>p</mi>
<mi>h</mi>
</msub>
</mrow>
<mrow>
<msub>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<msubsup>
<mi>f</mi>
<mi>o</mi>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<msub>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>p</mi>
<mo>&NotEqual;</mo>
<msub>
<mi>p</mi>
<mi>h</mi>
</msub>
</mrow>
<mrow>
<msub>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<msubsup>
<mi>f</mi>
<mi>o</mi>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>l</mi>
<mo>></mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
<mo>.</mo>
</mrow>
5
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710299315.4A CN107451522A (zh) | 2017-04-28 | 2017-04-28 | 一种农业干旱监测与预警预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710299315.4A CN107451522A (zh) | 2017-04-28 | 2017-04-28 | 一种农业干旱监测与预警预报方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107451522A true CN107451522A (zh) | 2017-12-08 |
Family
ID=60486463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710299315.4A Pending CN107451522A (zh) | 2017-04-28 | 2017-04-28 | 一种农业干旱监测与预警预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107451522A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108389199A (zh) * | 2018-03-14 | 2018-08-10 | 广东石油化工学院 | 一种危险品运输安全检测方法及其系统 |
| CN108540326A (zh) * | 2018-04-17 | 2018-09-14 | 广东水利电力职业技术学院（广东省水利电力技工学校） | 一种基于CANopen总线的工业嵌入式控制系统 |
| 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 |
| CN109298424A (zh) * | 2018-11-28 | 2019-02-01 | 广东电网有限责任公司 | 一种基于雷达拼图的杆塔电力线路天气监测方法和装置 |
| CN111737651A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
| US10996179B2 (en) | 2019-03-11 | 2021-05-04 | Skaha Remote Sensing Ltd. | System and method to detect ground moisture |
| CN112834446A (zh) * | 2020-12-31 | 2021-05-25 | 中国地质调查局沈阳地质调查中心 | 一种基于航空高光谱的黑土地质量综合评价方法 |
| CN113196294A (zh) * | 2018-12-11 | 2021-07-30 | 克莱米特公司 | 使用机器学习方法利用卫星数据来映射土壤属性 |
| CN113642729A (zh) * | 2021-08-26 | 2021-11-12 | 福建省致青生态环保有限公司 | 基于机器学习的智能沼液施用方法、系统及存储介质 |
| CN114118820A (zh) * | 2021-11-30 | 2022-03-01 | 水利部牧区水利科学研究所 | 一种旱情监测方法、装置及计算机设备 |
| CN114154892A (zh) * | 2021-12-08 | 2022-03-08 | 农业农村部规划设计研究院 | 一种基于信息扩散的农业干旱等级划分方法 |
| CN116778343A (zh) * | 2023-08-15 | 2023-09-19 | 安徽迪万科技有限公司 | 一种用于综合识别的目标图像特征提取方法 |
| CN117079143A (zh) * | 2023-10-16 | 2023-11-17 | 南京佳格耕耘科技有限公司 | 基于遥感数据的农田动态监测系统 |
| CN117315466A (zh) * | 2023-09-20 | 2023-12-29 | 北京佳格天地科技有限公司 | 一种生长监测管理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102331986A (zh) * | 2010-07-12 | 2012-01-25 | 阿里巴巴集团控股有限公司 | 一种数据库缓存管理方法及一种数据库服务器 |
| CN103051367A (zh) * | 2012-11-27 | 2013-04-17 | 西安电子科技大学 | 一种基于聚类的同步正交跳频信号盲源分离方法 |
| CN103473619A (zh) * | 2013-09-26 | 2013-12-25 | 西安电子科技大学 | 一种基于网络架构的分析方法及其应用 |
| US20140213454A1 (en) * | 2013-01-31 | 2014-07-31 | Valent Biosciences Corporation | Methods to induce drought tolerance in crops |
| CN103996189A (zh) * | 2014-05-05 | 2014-08-20 | 小米科技有限责任公司 | 图像分割方法及装置 |
| CN104036468A (zh) * | 2014-06-19 | 2014-09-10 | 西安电子科技大学 | 基于预放大非负邻域嵌入的单帧图像超分辨重建方法 |
-
2017
- 2017-04-28 CN CN201710299315.4A patent/CN107451522A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102331986A (zh) * | 2010-07-12 | 2012-01-25 | 阿里巴巴集团控股有限公司 | 一种数据库缓存管理方法及一种数据库服务器 |
| CN103051367A (zh) * | 2012-11-27 | 2013-04-17 | 西安电子科技大学 | 一种基于聚类的同步正交跳频信号盲源分离方法 |
| US20140213454A1 (en) * | 2013-01-31 | 2014-07-31 | Valent Biosciences Corporation | Methods to induce drought tolerance in crops |
| CN103473619A (zh) * | 2013-09-26 | 2013-12-25 | 西安电子科技大学 | 一种基于网络架构的分析方法及其应用 |
| CN103996189A (zh) * | 2014-05-05 | 2014-08-20 | 小米科技有限责任公司 | 图像分割方法及装置 |
| CN104036468A (zh) * | 2014-06-19 | 2014-09-10 | 西安电子科技大学 | 基于预放大非负邻域嵌入的单帧图像超分辨重建方法 |
Non-Patent Citations (3)
| Title |
|---|
| 中国科学技术学会: "《学科发展蓝皮书2005卷》", 31 March 2006, 中国科学技术出版社 * |
| 林雪: "《多源多时相遥感数据的新郑市干旱监测研究》", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 马红章等: "《光学与微波数据协同反演农田区土壤水分》", 《遥感学报》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108389199A (zh) * | 2018-03-14 | 2018-08-10 | 广东石油化工学院 | 一种危险品运输安全检测方法及其系统 |
| CN108540326A (zh) * | 2018-04-17 | 2018-09-14 | 广东水利电力职业技术学院（广东省水利电力技工学校） | 一种基于CANopen总线的工业嵌入式控制系统 |
| 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 |
| CN109298424A (zh) * | 2018-11-28 | 2019-02-01 | 广东电网有限责任公司 | 一种基于雷达拼图的杆塔电力线路天气监测方法和装置 |
| CN113196294A (zh) * | 2018-12-11 | 2021-07-30 | 克莱米特公司 | 使用机器学习方法利用卫星数据来映射土壤属性 |
| US10996179B2 (en) | 2019-03-11 | 2021-05-04 | Skaha Remote Sensing Ltd. | System and method to detect ground moisture |
| CN111737651B (zh) * | 2020-06-22 | 2024-02-20 | 黄河勘测规划设计研究院有限公司 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
| CN111737651A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
| CN112834446A (zh) * | 2020-12-31 | 2021-05-25 | 中国地质调查局沈阳地质调查中心 | 一种基于航空高光谱的黑土地质量综合评价方法 |
| CN112834446B (zh) * | 2020-12-31 | 2024-06-11 | 中国地质调查局沈阳地质调查中心 | 一种基于航空高光谱的黑土地质量综合评价方法 |
| CN113642729A (zh) * | 2021-08-26 | 2021-11-12 | 福建省致青生态环保有限公司 | 基于机器学习的智能沼液施用方法、系统及存储介质 |
| CN114118820A (zh) * | 2021-11-30 | 2022-03-01 | 水利部牧区水利科学研究所 | 一种旱情监测方法、装置及计算机设备 |
| CN114154892B (zh) * | 2021-12-08 | 2023-05-23 | 农业农村部规划设计研究院 | 一种基于信息扩散的农业干旱等级划分方法 |
| CN114154892A (zh) * | 2021-12-08 | 2022-03-08 | 农业农村部规划设计研究院 | 一种基于信息扩散的农业干旱等级划分方法 |
| CN116778343A (zh) * | 2023-08-15 | 2023-09-19 | 安徽迪万科技有限公司 | 一种用于综合识别的目标图像特征提取方法 |
| CN116778343B (zh) * | 2023-08-15 | 2023-11-14 | 安徽迪万科技有限公司 | 一种用于综合识别的目标图像特征提取方法 |
| CN117315466A (zh) * | 2023-09-20 | 2023-12-29 | 北京佳格天地科技有限公司 | 一种生长监测管理方法及系统 |
| CN117315466B (zh) * | 2023-09-20 | 2024-04-09 | 北京佳格天地科技有限公司 | 一种生长监测管理方法及系统 |
| CN117079143A (zh) * | 2023-10-16 | 2023-11-17 | 南京佳格耕耘科技有限公司 | 基于遥感数据的农田动态监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107451522A (zh) | 一种农业干旱监测与预警预报方法 | |
| Bradley et al. | Characterizing the landscape dynamics of an invasive plant and risk of invasion using remote sensing | |
| Mendelsohn et al. | Country-specific market impacts of climate change | |
| Chirici et al. | Non-parametric and parametric methods using satellite images for estimating growing stock volume in alpine and Mediterranean forest ecosystems | |
| CN103034910B (zh) | 基于多源信息的区域尺度病虫害预测方法 | |
| CN103364781B (zh) | 基于遥感数据与地理信息系统的粮田地面参照点筛选方法 | |
| Liu et al. | Population density and image texture | |
| Huang et al. | A land-use spatial optimum allocation model coupling a multi-agent system with the shuffled frog leaping algorithm | |
| Li et al. | Zoning land for agricultural protection by the integration of remote sensing, GIS, and cellular automata | |
| CN110263111A (zh) | 基于先验知识的土地利用/覆被信息时空监测方法 | |
| Svoray et al. | Ecological sustainability in rangelands: the contribution of remote sensing | |
| CN105069482A (zh) | 基于空间正则化流形学习算法的高光谱遥感图像分类方法 | |
| CN110472281B (zh) | 一种估算时空连续地表水热通量的数据同化方法 | |
| Del Frate et al. | Monitoring urban land cover in Rome, Italy, and its changes by single-polarization multitemporal SAR images | |
| Otgonbayar et al. | Land suitability evaluation for agricultural cropland in Mongolia using the spatial MCDM method and AHP based GIS | |
| Budhiraja et al. | Urban heat island effect of a polynuclear megacity Delhi–Compactness and thermal evaluation of four sub-cities | |
| CN114863289B (zh) | 一种基于土地利用的动态遥感监测方法与系统 | |
| CN108738031A (zh) | 面向协同感知的多传感器联合部署模型构建方法 | |
| Kropp et al. | Semiquantitative assessment of regional climate vulnerability: the North-Rhine Westphalia study | |
| Liu et al. | Scenario farmland protection zoning based on production potential: A case study in China | |
| Liu et al. | Assessing maize drought hazard for agricultural areas based on the fuzzy gamma model | |
| Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
| CN103364792B (zh) | 用户驱动的粮食遥感地面参照信息收集方法 | |
| Victor et al. | An application of GIS-based multi-criteria decision making approach for land evaluation and suitability mapping for Rice cultivation in Oye-Ekiti, Nigeria | |
| Hu et al. | Nonlinear relations of urban morphology to thermal anomalies: A cross-time comparative study based on Grad-CAM and SHAP |
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: 20171208 |
|
| RJ01 | Rejection of invention patent application after publication |