CN107831168A - 遥感技术测量水田防护林防护效果的方法 - Google Patents
遥感技术测量水田防护林防护效果的方法 Download PDFInfo
- Publication number
- CN107831168A CN107831168A CN201711016170.9A CN201711016170A CN107831168A CN 107831168 A CN107831168 A CN 107831168A CN 201711016170 A CN201711016170 A CN 201711016170A CN 107831168 A CN107831168 A CN 107831168A
- Authority
- CN
- China
- Prior art keywords
- paddy field
- shelter
- remote sensing
- forest
- protection effect
- 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
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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种遥感技术测量水田防护林防护效果的方法,包括以下步骤:(1)采集测量区域遥感影像;(2)从所述遥感影像中提取防护林水田空间信息;(3)计算水田归一化植被指数以代表水稻长势,并利用最大化合成法计算水田最大归一化植被指数值;(4)对所述防护林水田空间信息设置采样点;(5)根据设置的所述采样点进行归一化植被指数提取,并采用缓冲区分析法计算水田防护林防护效果。本发明提供的遥感技术测量水田防护林防护效果的方法通过提取防护林区的水田空间信息以及水田归一化植被指数,讨论不同林带距离、长度和角度等配置方式对水稻长势的影响,本发明可以为今后水田防护林营建提供科学基础。
Description
技术领域
本发明涉及农业技术领域,特别涉及一种遥感技术测量水田防护林防护效 果的方法。
背景技术
水田防护林是农田防护林的重要组成部分,是水稻产量的生态保障。由于 人类经营活动(如灌溉等)对水田的影响比旱田更大,决定了其在防止风害、 调节小区域气候和提高水稻产量等功能上的重要性。有关防护林的相关研究可 以追溯到上世纪50年代,研究重点多倾向于防护林的防风效能方面,针对水田 防护林的相关研究则相对较少,目前水田防护林的相关研究主要从造林树种选 择和防风机理两个方面开展。进入20世纪以来,随着遥感技术的发展,许多学 者开始利用遥感技术开展对防护林的相关研究,利用遥感影像进行作物的产量 预测、长势监测、防护林生态效益评价和防护林空间配置模式等研究。进而开展了遥感技术下防护林景观格局的研究和农田防护林对作物长势影响的研究。
综上所述,针对农田防护林的研究无论从广度和深度上都已趋于成熟,而 水田防护林通常被作为农田防护林的一部分进行研究,缺乏系统的独立研究, 而在水田防护林对水稻长势影响方面相关研究多停留在点的尺度,缺少空间尺 度上大范围的研究。同时水田防护林对水稻长势的影响程度,其营建的过程中 具体空间配置模式如长度、角度等对水稻长势的影响仍需进一步研究。传统防 护林防护效益衡量方法是以地面监测点为单位,以实际防护作物产量为方法进 行计算,本方法利用遥感数据计算作物相关生长指标,如NDVI(归一化植被指 数)、生物量、叶面积指数等参数,以网格法和缓冲区分析法,从空间角度衡量 防护林防护效能。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种遥感技术测量水田防 护林防护效果的方法。所述技术方案如下:
一方面,一种遥感技术测量水田防护林防护效果的方法,包括以下步骤:
(1)采集测量区域遥感影像;
(2)从所述遥感影像中提取防护林水田空间信息;
(3)计算水田归一化植被指数以代表水稻长势,并利用最大化合成法计算 水田最大归一化植被指数值;
(4)对所述防护林水田空间信息设置采样点;
(5)根据设置的所述采样点进行归一化植被指数提取,并采用缓冲区分析 法计算水田防护林防护效果。
进一步的,所述步骤(1)采集测量区域遥感影像的步骤具体包括:
确定研究区域范围,利用测量区域空间范围确定影像的行列号,进而通过 行列号直接检索影像;
确定遥感影像的时间范围,通过确定时间范围选择遥感影像;
排除所述遥感影像中云含量高于10%的遥感影像;
得到所述测量区域遥感影像。
进一步的,所述步骤(2)从所述遥感影像中提取防护林水田空间信息前, 还包括对所述遥感影像预处理的步骤,所述预处理包括辐射定标、大气校正和 全色融合。
进一步的,所述步骤(2)从所述遥感影像中提取防护林水田空间信息的具 体步骤包括:
根据测定区域地物类型,确定分类体系;
选择训练样地;
选择分类器,进行分类,并输出分类结果;
对所述分类结果进行后处理;
对后处理后的所述分类结果验证精度,以确定分类结果;
从分类结果中提取出防护林与水田的空间分布信息。
进一步的,所述步骤(3)计算水田归一化植被指数的方法为:
NDVI=(NIR-R)/(NIR+R)
其中NIR为波长范围为0.845-0.885μm的近红外波段,R为波长范围为 0.630-0.680μm的红波段。
进一步的,所述步骤(3)采用最大化合成法计算水田最大归一化植被指数 值的方法具体为:
Bmax=B1>B2>B3>B4……Bn
其中B1-Bn分别代表每个时段的NDVI数据,Bmax代表该研究区域特定时 间内的最大NDVI值。
进一步的,所述步骤(5)中的缓冲区分析法具体为:以防护林带为中心在 防护林两侧以50m为间隔设置10个缓冲区,用以量化防护林防护距离,提取缓 冲区内水田NDVI,实现水田防护林防护效果的分析。
进一步的,所述步骤(2)中分类体系包括水体、居民工矿用地、林地、草 地、盐碱地、沙地、耕地和水田。
进一步的,所述步骤(2)中对分类结果进行后处理包括对分类结果更改类 别颜色、分类后统计、小斑块处理和栅矢转换。
本发明实施例提供的技术方案带来的有益效果是:本发明提供的遥感技术 测量水田防护林防护效果的方法通过提取防护林区的水田空间信息以及水田归 一化植被指数,讨论不同林带距离、长度和角度等配置方式对水稻长势的影响, 本发明可以为今后水田防护林营建提供科学基础。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明实施方式 作进一步地详细描述。
本技术采用的遥感影像为美国Landsat 8 OLI卫星遥感影像,该系列卫星遥 感数据统一归美国地质勘探局管理,并免费向全球用户提供L1级数据,所以其 主要采集方法为通过美国地质勘探局网站(http://www.usgs.gov/)数据窗口进行 下载。
(1)影像采集的过程:
本技术中遥感影像数据主要应用在水田空间分布获取和水稻NDVI值分析 两个部分,两部分内容对遥感影像的要求不同,但采集过程可以统一归纳为以 下几个步骤:
1.确定研究区域范围,利用研究区域空间范围确定影像的行列号,进而通过 行列号直接检索影像。
2.确定所需求遥感影像的时间范围(例如本技术中,水田空间分布获取需要 选择每年10月份左右的遥感影像,而水稻NDVI值分析中所需的则是研究时间 段内水稻生长季每年5-9月内的所有遥感影像),通过确定时间范围选择遥感影 像。
3.排除影像中云含量高于10%的遥感影像。
4.将选择好的遥感影像加入购物车,并利用注册账号获取下载地址,下载影 像。
(2)预处理方法:
由于L1级遥感数据产品只经过系统辐射校正和地面控制点几何校正,并没 有进行遥感影像的光谱方面的校正,所以L1级产品使用时需经过辐射定标、大 气校正、全色融合等一系列预处理工作,本技术主要利用Envi 5.2软件进行遥感 影像处理,具体步骤如下:
辐射定标:
1.将原始的影像打开以后,选择Basic Tools–Preprocessing–CalibrationUtilities–Landsat Calibration,进入辐射定标模块。
2.进入下一步参数选择:根据传感器类型选择Landsat 8。从遥感影像的头文 件中获取Data Acquisition的时间,Sun elevation,Calibration Type选择为 Radiance,输出文件。
大气校正:
本技术中的大气校正采用ENVI的FLAASH模块,具体步骤如下:
1.FLAASH模块的进入方法是Basic Tools–Preprocessing–CalibrationUtilities–FLAASH。
2.FLAASH模块的操作界面分为三块:最上部设定输入输出文件;中间设定 传感器的参数;下部设定大气参数。
3.首先设定输入输出文件。FLAASH模块要求输入辐亮度图像,输出反射率 图像。之前我们进行了辐射定标,得到辐亮度图像,在这里要把BSQ格式的图 像转换为BIL或者BIP格式的图像,然后再Input Radiance Image中选择转换格 式后的图像。(BasicTools–Convert Data(BSQ,BIL,BIP))。当输入图像后, 程序会选择Scale Factor,即原始辐亮度单位与ENVI默认辐亮度单位之间的比 例。ENVI默认的辐亮度单位是μW/cm2/sr/nm,而之前我们做辐射定标时单位是 W/m2/sr/μm,二者之间转换的比例是10,因此在中选择Singlescale factor,填写 10000。
4.在Output Reflectance File和Output Directory for FLAASH files里面设定输 出文件的文件名和位置。
5.设定传感器参数。首先是Scene Center Location,即遥感图像中心的坐标, 以及Flight Date,Flight Time GMT,这三者都可以在影像的头文件中找到,填 入即可。
6.在Sensor Type菜单中选择Landsat 8。此时Sensor altitude自动填上为705km。而Pixel Size填为30m。
7.根据遥感影像研究区实际情况,填写Ground Elevation,比如长春市为 225km。
8.大气参数部分:a)Atmospheric Model(大气模式):共有Sub-Arctic Winter(SAW),Mid-Latitude Winter(MLW),U.S.Standard(US),Sub-Arctic Summer (SAS),Mid-Latitude Summer(MLS)和Tropical(T)。根据经纬度和时间可 以选定研究区的大气模式,见ENVI Help。b)Aerosol Model(气溶胶模式):有 Rural,Urban,Maritime和Tropospheric四种选择。根据实际情况选择即可。关 于此四种模式的解释见ENVI Help。
全色融合:
为提高分析空间精度,本技术利用GS融合方法将8波段30米的多光谱数 据和15米的全色数据进行融合,得到具有15米空间分辨率的多光谱遥感影像, 具体步骤如下:
1.启动ENVI 5.2软件,打开大气校正后的影像数据;
2.工具箱中,双击Image Sharpening->Gram-Schmidt Pan Sharpening,进入影像融合模块;
3.在对应位置分别选择多光谱数据文件与全色数据文件;
4.在Pan Sharpening Parameters参数面板,选择传感器类型为:Landsat 8 OLI,重采样方法选择Cubic,选择输出得到融合后的影像。
至此,完成本技术中遥感影像采集与预处理步骤。
(3)防护林及水田空间信息的提取
为了获取研究区域内防护林与水田的空间分布信息,本技术需要对遥感影 像进行计算机自动分类。鉴于本技术中用于分类的遥感影像获取时间为10月份, 地物类别光谱差异明显、可分离度高,分类方法选择较为高效、精确的监督分 类方法,分类器为最大似然。监督分类方法的原理为通用的数学方法,本技术 中以ENVI 5.2软件为分类平台,具体如下:
1.确定分类体系。本技术中针对研究区域地物类型,确定分类体系为水体、 居民工矿用地、林地、草地、盐碱地、沙地、耕地、水田等。
2.训练样地选择。在图层管理器Layer Manager中,基础影像图层上右键, 选择"New Region Of Interest",打开Region of Interest(ROI)Tool面板,下面学 习利用选择样本。为分类体系中的每个类别分别选择一定数量的样本信息。
3.选择分类器。在Toolbox/Classification/Supervised Classification找到相应的 分类方法本技术中分类器选择为最大似然(maxlikehood)。
4.开始分类,并输出分类结果。
5.分类后处理。对分类结果进行更改类别颜色、分类后统计、小斑块处理、 栅矢转换等分类后处理操作。
6.精度验证。对分类结果进行评价,确定分类的精度和可靠性。选择的感兴 趣区(验证样本区)。通过主菜单->Classification->Post Classification->ConfusionMatrix或者ROC Curves来选择。
7.确定分类结果,并从分类结果中提取出防护林与水田的空间分布信息。
(4)NDVI计算
NDVI就是归一化植被指数,植被一般是对近红外光反射明显而较亮,而由 于光合作用吸收红光比较暗,与其它地物在遥感影像上形成强烈差异,因此利 用近红外与红波段的这个计算,植被的值明显偏高,可以很容易把植物区分开 来,归一化的好处是数值范围比较集中。
NDVI能反映出植物冠层的背景影响,如土壤、潮湿地面、雪、枯叶、粗超 度等,且与植被覆盖有关,-1≤NDVI≤1,负值表示地面覆盖为云、水、雪等, 对可见光高反射;0表示有岩石或裸土等,NIR和R近似相等;正值,表示有植 被覆盖,且随覆盖度增大而增大。
归一化植被指数是反映农作物长势和营养信息的重要参数之一,它与作物 的叶面积指数、光合速率和净初级生产力等重要生长指数都有很高的相关性, NDVI很大程度上可以反映作物的长势信息,故本文直接利用水田区域内的 NDVI值代表水稻的长势。在Envi5.2软件中打开经过预处理和全色波段融合后 的影像,利用band math模块,按照NDVI计算公式参照式1:
NDVI=(NIR-R)/(NIR+R) (1)
其中NIR为波长范围为0.845-0.885μm的近红外波段,R为波长范围为 0.630-0.680μm的红波段,分别对应Landsat 8OLI影像中的第4和第5波段。
(5)最大化合成法计算
由于遥感影像只能代表该区域内瞬时的地物状态,而本技术的目标为衡量 水田防护林对水稻生长的影响,需要体现整个水稻生长到收获过程中的长势信 息,为此,我们采用最大化合成法(MVC)对两年间水稻生长季的所有影像分 别计算NDVI值并进行最大化合成,选取每一个像元在两年的生长季中最大的 NDVI值以消除云和异常点的影响,获得连续的、代表研究区内整体情况的NDVI 数据。
最大化合成法的计算原理是通过比对每个像素不同时间的NDVI数据,取 每个像素不同NDVI数据的最大数值,重新合成一张新图像,从而代表该区域 一段时间内NDVI的最大值。在Envi5.2软件中可利用band math模块,按照式 2进行计算:
Bmax=B1>B2>B3>B4……Bn (2)
其中B1-Bn分别代表每个时段的NDVI数据。Bmax代表该研究区域特定时 间内的最大NDVI值。
(6)采样点设置
为便于控制精度与后期分析,本技术利用设置采样点的方法,将NDVI栅 格数据对应像素的值提取到对应矢量点数据之中,操作在ArcGIS 10.2软件中实 现,具体步骤如下:
1.在ArcGIS中加载经过最大化合成后的NDVI栅格数据,以及研究区域范 围面状矢量数据。
2.利用fishnet工具依据研究区域范围,在其中生成50×50m大小的空间网 格,并同时生成中心点数据,工具在Data Management Tools—>Feature Class—>CreateFishnet之中。
3.将NDVI值提取到采样点。打开Toolbox,依此找到Spatial Analyst Tools—>Extraction—>Extract Value to Points,按照提示输入对应数据,完成NDVI 值提取。
(7)生成掩膜,根据掩膜排除采样点
由于NDVI计算与采样点设置等步骤中没有单独计算水田NDVI值,为剔 除无效采样点,降低无效采样点对分析结果的影响,本技术采用掩膜技术屏蔽 无效采样点,操作在ArcGIS 10.2软件中实现,具体步骤如下:
1.单独提取地类。在ArcGIS软件中加载分类结果栅格数据,利用栅格转矢 量工具将分类结果转换为矢量数据,并利用属性选择工具选择水田以外的其他 类型数据,将其删除,最终得到研究区域内水田空间分布数据。
2.掩膜生成。在ArcGIS软件中新建面状空间数据集,将水田空间分布数据 导入,形成研究区域水田空间掩膜。
3.排除采样点。将水田空间掩膜数据与采样点数据叠加,利用空间选择工具 将与水田掩膜数据重叠的采样点选中,利用反选工具选择水田以外的其他点数 据,删除。至此完成采样点排除步骤。
(8)防护林带缓冲区生成
以防护林带为中心,每条防护林带以50m为间距,在防护林两侧分别生成 10个缓冲区。操作在ArcGIS 10.2软件中实现,具体步骤如下:
1.打开arctoolbox,依次打开analysis tools,找到proximity,在该工具下找 到buffer zone打开。
2.打开缓冲区工具buffer zone。在界面中设置:input features=“防护林矢量数据”;ouput feature class=“输出缓冲区数据”;distances=防护林距离设置为50m;buffer unit=10。设置完成后,点击确定,至此完成缓冲区的生成。
(9)不同距离缓冲区内水田NDVI值的提取
将缓冲区数据与水田NDVI数据进行叠加,利用生成好的缓冲区数据与水 田NDVI数据,将水田NDVI数据值提取至缓冲区内,这样就可以分析不同水 田防护林距离对水田NDVI值的影响。操作在ArcGIS 10.2软件中实现,具体 步骤如下:
1.在ArcGIS 10.2软件中加载缓冲区数据与水田NDVI数据。
2.打开arctoolbox,依次打开Spatial analysis tools,找到extraction,在该工具下找到extract by mask打开。
3.打开提取工具extract by mask在界面中设置:input raster=“水田NDVI数据”,mask=“缓冲区文件”,output=“输出文件”,至此完成不同距离缓冲区内水 田NDVI值的提取。
本发明提供的遥感技术测量水田防护林防护效果的方法通过提取防护林区 的水田空间信息以及水田归一化植被指数,讨论不同林带距离、长度和角度等 配置方式对水稻长势的影响,本发明可以为今后水田防护林营建提供科学基础。
对于上述技术特征的其他的替代方案,本发明在此不再一一列举。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的 保护范围之内。
Claims (9)
1.遥感技术测量水田防护林防护效果的方法,其特征在于,包括以下步骤:
(1)采集测量区域遥感影像;
(2)从所述遥感影像中提取防护林水田空间信息;
(3)计算水田归一化植被指数以代表水稻长势,并利用最大化合成法计算水田最大归一化植被指数值;
(4)对所述防护林水田空间信息设置采样点;
(5)根据设置的所述采样点进行归一化植被指数提取,并采用缓冲区分析法计算水田防护林防护效果。
2.如权利要求1所述的遥感技术测量水田防护林防护效果的方法,其特征在于,所述步骤(1)采集测量区域遥感影像的步骤具体包括:
确定研究区域范围,利用测量区域空间范围确定影像的行列号,进而通过行列号直接检索影像;
确定遥感影像的时间范围,通过确定时间范围选择遥感影像;
排除所述遥感影像中云含量高于10%的遥感影像;
得到所述测量区域遥感影像。
3.如权利要求2所述的遥感技术测量水田防护林防护效果的方法,其特征在于,所述步骤(2)从所述遥感影像中提取防护林水田空间信息前,还包括对所述遥感影像预处理的步骤,所述预处理包括辐射定标、大气校正和全色融合。
4.如权利要求3所述的遥感技术测量水田防护林防护效果的方法,其特征在于,所述步骤(2)从所述遥感影像中提取防护林水田空间信息的具体步骤包括:
根据测定区域地物类型,确定分类体系;
选择训练样地;
选择分类器,进行分类,并输出分类结果;
对所述分类结果进行后处理;
对后处理后的所述分类结果验证精度,以确定分类结果;
从所述分类结果中提取出防护林与水田的空间分布信息。
5.如权利要求4所述的遥感技术测量水田防护林防护效果的方法,其特征在于,所述步骤(3)计算水田归一化植被指数的方法为:
NDVI=(NIR-R)/(NIR+R)
其中NIR为波长范围为0.845-0.885μm的近红外波段,R为波长范围为0.630-0.680μm的红波段。
6.如权利要求5所述的遥感技术测量水田防护林防护效果的方法,其特征在于,所述步骤(3)利用最大化合成法计算水田最大归一化植被指数值的方法具体为:
Bmax=B1>B2>B3>B4……Bn
其中B1-Bn分别代表每个时段的NDVI数据,Bmax代表该研究区域特定时间内的最大NDVI值。
7.如权利要求6所述的遥感技术测量水田防护林防护效果的方法,其特征在于,所述步骤(5)中的缓冲区分析法具体为:以防护林带为中心在防护林两侧以50m为间隔设置10个缓冲区,用以量化防护林防护距离,提取缓冲区内水田NDVI,实现水田防护林防护效果的分析。
8.如权利要求7所述的遥感技术测量水田防护林防护效果的方法,其特征在于,所述步骤(2)中分类体系包括水体、居民工矿用地、林地、草地、盐碱地、沙地、耕地和水田。
9.如权利要求8所述的遥感技术测量水田防护林防护效果的方法,其特征在于,所述步骤(2)中对分类结果进行后处理包括对分类结果更改类别颜色、分类后统计、小斑块处理和栅矢转换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711016170.9A CN107831168A (zh) | 2017-10-25 | 2017-10-25 | 遥感技术测量水田防护林防护效果的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711016170.9A CN107831168A (zh) | 2017-10-25 | 2017-10-25 | 遥感技术测量水田防护林防护效果的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107831168A true CN107831168A (zh) | 2018-03-23 |
Family
ID=61649728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711016170.9A Pending CN107831168A (zh) | 2017-10-25 | 2017-10-25 | 遥感技术测量水田防护林防护效果的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107831168A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764188A (zh) * | 2018-06-02 | 2018-11-06 | 太原理工大学 | 一种沙棘果品产量遥感精确估算方法 |
CN109086715A (zh) * | 2018-07-31 | 2018-12-25 | 天图软件科技有限公司 | 基于通导遥数据中间件的系统、装置和数据处理的方法 |
CN109856056A (zh) * | 2018-12-26 | 2019-06-07 | 北京林业大学 | 一种沙化土地遥感快速识别方法 |
CN109919395A (zh) * | 2019-04-01 | 2019-06-21 | 安徽大学 | 一种基于短周期遥感区域数据的冬小麦产量估测方法 |
CN111537510A (zh) * | 2020-05-09 | 2020-08-14 | 东北林业大学 | 一种基于空间信息技术的农田防护林防风效应计量方法 |
CN112857327A (zh) * | 2021-01-06 | 2021-05-28 | 华北水利水电大学 | 一种农田防护林带林木株数遥感识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235952A (zh) * | 2013-04-03 | 2013-08-07 | 中国科学院遥感应用研究所 | 一种基于高分辨率遥感影像的城市绿度空间的度量方法 |
CN102982486B (zh) * | 2012-11-14 | 2015-08-12 | 北京农业信息技术研究中心 | 一种基于作物长势遥感监测信息的施肥决策方法 |
CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
CN106529451A (zh) * | 2016-10-28 | 2017-03-22 | 山东省农业可持续发展研究所 | 一种冬小麦—夏玉米种植模式遥感识别方法 |
CN107145872A (zh) * | 2017-05-12 | 2017-09-08 | 河海大学 | 基于gis缓冲区分析的荒漠河岸林空间分布获取方法 |
-
2017
- 2017-10-25 CN CN201711016170.9A patent/CN107831168A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982486B (zh) * | 2012-11-14 | 2015-08-12 | 北京农业信息技术研究中心 | 一种基于作物长势遥感监测信息的施肥决策方法 |
CN103235952A (zh) * | 2013-04-03 | 2013-08-07 | 中国科学院遥感应用研究所 | 一种基于高分辨率遥感影像的城市绿度空间的度量方法 |
CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
CN106529451A (zh) * | 2016-10-28 | 2017-03-22 | 山东省农业可持续发展研究所 | 一种冬小麦—夏玉米种植模式遥感识别方法 |
CN107145872A (zh) * | 2017-05-12 | 2017-09-08 | 河海大学 | 基于gis缓冲区分析的荒漠河岸林空间分布获取方法 |
Non-Patent Citations (4)
Title |
---|
史晓亮等: "基于RS和GIS的农田防护林对作物产量影响的评价方法", 《农业工程学报》 * |
吴黎: "《MODIS遥感信息处理方法及应用》", 30 June 2017, 哈尔滨工程大学出版社 * |
聂勇等: "1982-2009年珠穆朗玛峰自然保护区植被指数变化", 《地理科学进展》 * |
郝晋珉: "《土地利用规划学》", 28 February 2007, 中国农业大学出版社 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764188A (zh) * | 2018-06-02 | 2018-11-06 | 太原理工大学 | 一种沙棘果品产量遥感精确估算方法 |
CN109086715A (zh) * | 2018-07-31 | 2018-12-25 | 天图软件科技有限公司 | 基于通导遥数据中间件的系统、装置和数据处理的方法 |
CN109856056A (zh) * | 2018-12-26 | 2019-06-07 | 北京林业大学 | 一种沙化土地遥感快速识别方法 |
CN109856056B (zh) * | 2018-12-26 | 2021-07-13 | 北京林业大学 | 一种沙化土地遥感快速识别方法 |
CN109919395A (zh) * | 2019-04-01 | 2019-06-21 | 安徽大学 | 一种基于短周期遥感区域数据的冬小麦产量估测方法 |
CN111537510A (zh) * | 2020-05-09 | 2020-08-14 | 东北林业大学 | 一种基于空间信息技术的农田防护林防风效应计量方法 |
CN111537510B (zh) * | 2020-05-09 | 2021-04-20 | 东北林业大学 | 一种基于空间信息技术的农田防护林防风效应计量方法 |
CN112857327A (zh) * | 2021-01-06 | 2021-05-28 | 华北水利水电大学 | 一种农田防护林带林木株数遥感识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107831168A (zh) | 遥感技术测量水田防护林防护效果的方法 | |
Peña-Barragán et al. | Object-based crop identification using multiple vegetation indices, textural features and crop phenology | |
WIDLOWSKI et al. | Canopy structure parameters derived from multi-angular remote sensing data for terrestrial carbon studies | |
Leboeuf et al. | A shadow fraction method for mapping biomass of northern boreal black spruce forests using QuickBird imagery | |
George et al. | Forest tree species discrimination in western Himalaya using EO-1 Hyperion | |
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 | |
CN109345555A (zh) | 基于多时相多源遥感数据进行水稻识别的方法 | |
Sun et al. | Monitoring maize lodging grades via unmanned aerial vehicle multispectral image | |
Estes et al. | Habitat selection by a rare forest antelope: A multi-scale approach combining field data and imagery from three sensors | |
Kang et al. | Construction of multidimensional features to identify tea plantations using multisource remote sensing data: A case study of Hangzhou city, China | |
Hu et al. | Comparison of the performance of multi-source three-dimensional structural data in the application of monitoring maize lodging | |
Liu et al. | Evaluating how lodging affects maize yield estimation based on UAV observations | |
Zhao et al. | Evaluation of the soil profile quality of subsided land in a coal mining area backfilled with river sediment based on monitoring wheat growth biomass with UAV systems | |
Zhu et al. | UAV flight height impacts on wheat biomass estimation via machine and deep learning | |
Mirik et al. | Evaluating biomass of Juniper Trees (Juniperus pinchotii) from imagery-derived canopy area using the support vector machine classifier | |
Fasil et al. | Integration of GIS, remote sensing, and spectral indices for evaluation of forest canopy density model in drought and wet years in Western Ghats region of humid tropical Kerala, India | |
Sims et al. | Assessing the health of Pinus radiata plantations using remote sensing data and decision tree analysis | |
Galvão et al. | Crop Type Discrimination Using Hyperspectral Data: Advances and Perspectives | |
Middleton et al. | Imaging spectroscopy in soil-water based site suitability assessment for artificial regeneration to Scots pine | |
Xiao et al. | Construction of terrain information extraction model in the karst mountainous terrain fragmentation area based on UAV remote sensing | |
Zhu et al. | Extraction and analysis of urban vegetation information based on remote sensing image | |
Adjorlolo | Estimating woody vegetation cover in an African Savanna using remote sensing and geostatistics. | |
Lanne | Monitoring indigenous tropical montane forests in the Taita Hills using airborne digital camera imagery | |
Maphanga et al. | Using multisource remotely sensed data and cloud computing approaches to map non-native species in the semi-arid savannah rangelands of Mpumalanga, South Africa | |
Jiang et al. | Estimation of leaf area index (LAI) of Poyang Lake basin in summer using GF-1 data |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180323 |