CN107907075A - 花生叶面积指数遥感监测方法 - Google Patents

花生叶面积指数遥感监测方法 Download PDF

Info

Publication number
CN107907075A
CN107907075A CN201711463144.0A CN201711463144A CN107907075A CN 107907075 A CN107907075 A CN 107907075A CN 201711463144 A CN201711463144 A CN 201711463144A CN 107907075 A CN107907075 A CN 107907075A
Authority
CN
China
Prior art keywords
leaf area
satellite
area index
data
calculating
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
Application number
CN201711463144.0A
Other languages
English (en)
Inventor
隋学艳
梁守真
侯学会
王猛
黄文江
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.)
SHANDONG AGRICULTURAL SUSTAINABLE DEVELOPMENT RESEARCH INSTITUTE
Original Assignee
SHANDONG AGRICULTURAL SUSTAINABLE DEVELOPMENT RESEARCH INSTITUTE
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 SHANDONG AGRICULTURAL SUSTAINABLE DEVELOPMENT RESEARCH INSTITUTE filed Critical SHANDONG AGRICULTURAL SUSTAINABLE DEVELOPMENT RESEARCH INSTITUTE
Priority to CN201711463144.0A priority Critical patent/CN107907075A/zh
Publication of CN107907075A publication Critical patent/CN107907075A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments
    • G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明实施例公开了一种花生叶面积指数遥感监测方法，具体包括以下步骤：获取光谱数据；对光谱数据进行处理；进行叶面积指数计算。监测方法简便易行、结果更准确、克服了卫星数据运行周期的影响，实现多星协同监测，提高监测效率、能够实现大面积花生叶面积指数的快速测量，这是遥感监测的最大优势，是其它测试方法不可比拟的。

Description

花生叶面积指数遥感监测方法
技术领域
本发明涉及农作物生理指标测试技术领域，具体地说是一种花生叶面积指数遥感监测方法。
背景技术
《全国农业现代化规划(2016—2020年)》指出农业的根本出路在于现代化，信息化是现代化的重要组成部分，遥感技术是获取农业信息不可或缺的工具，我国将推进信息化与农业深度融合，加强农业遥感，建立农业数据调查分析系统全面发挥遥感监测作用。花生属于耐旱油料作物，长期以来主要种植于灌溉条件差的丘陵薄地，近年来在保证粮食安全的前提下，种植结构逐渐改革，花生种植面积日益增大，越来越多的平原地区开始种植花生，对花生长势的无损监测成为花生现代化种植的重要技术。
叶面积指数是反映作物群体大小的动态指标，叶面积指数测定的方法包括直接测定法和间接测定方法。直接测定方法是一种传统的、具有一定破坏性的方法。间接测定方法有测量参数和光学仪器两种。其中测量参数法中的点接触法和消光系数法均需假定叶片随机分布和叶倾角呈椭圆分布，经验公式法适合于树木。光学仪器法通过计算太阳辐射透过系数、冠层空隙大小、间隙率参数等，进而推算有效叶面积指数，主要适用于树木等高大植被，而不适用于冠层贴近地面的花生。
发明内容
本发明的目的在于提供一种花生叶面积指数遥感监测方法，用于解决目前监测农作物的方法不适合对花生的生理指标进行监测的问题。
本发明解决其技术问题所采取的技术方案是：
花生叶面积指数遥感监测方法，具体包括以下步骤：
获取光谱数据；
对光谱数据进行处理；
进行叶面积指数计算。
进一步地，所述获取光谱数据包括获取地面高光谱数据和获取卫星光谱数据。
进一步地，所述的获取地面高光谱数据具体包括以下方法：
采用便携式光谱仪进行花生冠层光谱测量；
每个采样点获取多条光谱数据；
对多条光谱数据求平均值得到该处理冠层的光谱反射率。
进一步地，在获取地面高光谱数据时，还需要进行测量高度的设定。
进一步地，所述获取卫星光谱数据具体包括以下方法：
在监测区云量小于规定值时，通过卫星过境时间，从中国资源卫星应用中心获取卫星数据。
进一步地，对光谱数据进行处理的方法具体包括：
提取R754；
计算RFDMax；
提取卫星数据光谱反射率。
进一步地，提取R754的方法具体包括：根据采样点的光谱反射率提取在754nm处的光谱反射率；
计算RFDMax的方法具体包括：对原始测试数据进行一阶微分运算得到一阶微分数据；调用MAX函数取得红边幅值RFDMax；
提取卫星数据光谱反射率的方法具体包括：利用遥感数据处理软件，对卫星影像数据进行几何校正和大气校正，得到卫星数据光谱反射率。
进一步地，进行叶面积指数计算包括：
基于R754的叶面积指数的计算、基于RFDMax的叶面积指数的计算、基于卫星数据的叶面积指数的计算。
进一步地，基于R754的叶面积指数的计算具体包括：
将R754带入y＝-21.232x2+34.455x-7.4303(公式一)计算，其中x为R754，y为叶面积指数；
基于RFDMax的叶面积指数的计算具体包括：
将RFDMax带入公式y＝-31590x2+1188.5x-4.8747(公式二)计算，其中x为RFDMax，y为叶面积指数；
基于卫星数据的叶面积指数的计算具体包括：
将卫星传感器对应波段的反射率输入逐步回归分析模型。
进一步地，所述的逐步回归分析模型具体如下表所示：
卫星 传感器 逐步回归分析模型
GF-1 wfv1 y＝-2.494+b4*13.322
GF-1 wfv2 y＝-2.494+b4*13.326
GF-1 wfv3 y＝-2.491+b4*13.323
GF-1 wfv4 y＝-2.495+b4*13.324
GF-2 PMS1 y＝-2.505+b5*13.321
HJ-1A ccd1 y＝-2.495+b4*13.312
HJ-1A ccd2 y＝-2.488+b4*13.316
HJ-1B ccd1 y＝-2.488+b4*13.317
HJ-1B ccd2 y＝-2.484+b4*13.315
Landsat8 TM y＝-2.605+b5*13.339
ZY-1-02C PMS y＝-2.494+b4*13.324
ZY-3 PMS y＝-2.503+b4*13.324
SJ-9A PMS y＝-2.502+b5*13.322
表中，b4表示卫星传感器对应的波段4的反射率，b5表示卫星传感器对应的波段5的反射率，y为叶面积指数。
以上发明内容提供的仅仅是本发明实施例的表述，而不是发明本身。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明实施例利用花生对太阳光的反射率进行监测，监测方法简便易行。
测试区域位于花生顶部，测试仪器对花生冠层信息无干扰，监测结果包含贴近地面的花生叶片，结果更准确。
依据花生植株建立的监测方法，较其他以树木为对象建立的方法，在监测花生叶面积时结果更准确。
通过卫星高光谱响应函数，建立了基于多源卫星数据的花生叶面积指数监测模型，克服了卫星数据运行周期的影响，实现多星协同监测，提高监测效率。
卫星数据光测范围广，能够实现大面积花生叶面积指数的快速测量，这是遥感监测的最大优势，是其它测试方法不可比拟的。
附图说明
此处所说明的附图用来提供对本发明的进一步解释，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例的方法流程示意图；
图2为本发明实施例对测量高度进行设定的示意图；
图3为本发明实施例测试范围示意图；
图4为花生冠层光谱反射率示意图；
图5为光谱反射率与叶面积指数的相关性示意图；
图6为本发明实施例基于R754花生叶面积指数高光谱监测模型示意图；
图7为本发明实施例基于R754花生叶面积指数高光谱监测模型的预测值与真实值示意图；
图8为本发明实施例基于RFDMax花生叶面积指数监测模型示意图；
图9为本发明实施例基于RFDMax花生叶面积指数高光谱监测模型的预测值与真实值。
具体实施方式
为了能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
本发明实施例于山东省济南市济阳县，山东省农业科学院试验基地(北纬36°41′-37°15′东经116°52′-117°27′)设立小区试验，试验地南北走向，由南向北依次布置低肥、中肥、高肥、空白4个水平肥料处理(见表1)，由东向西依次布置山花14号，花育20号2个花生品种。共8个小区，每个小区南北长10m，东西宽3.2m，面积32平方米。自2015年7月1日至2015年9月13日期间，每隔10d左右，在试验田里选取样区进行花生光谱测量，摘取花生叶片测定叶面积指数，共获取40组样本数据。通过上述试验，利用花生不同品种、不同施肥以及不同生育进程产生的叶面积指数差异，增加对光谱的响应梯度，应用统计分析方法，获取对花生冠层叶面积指数敏感的波段，并组成植被指数，构建花生叶面积指数的高光谱估算模型。利用卫星高光谱响应函数，建立卫星叶面积监测模型。
编号 处理名称 处理意义 商品有机肥 尿素 过磷酸钙 硫酸钾
1 空白 无肥料 0 0 0 0
2 低肥 1/2大田高产无机肥 0 10 50 7.5
3 中肥 大田高产无机肥 0 20 100 15
4 高肥 大田高产+有机肥 40 20 100 15
表1肥料处理 单位：kg/亩
表2花生冠层光谱测量时期
采用FieldSpec Handheld(325-1075nm)便携式光谱仪进行花生冠层光谱测量，光谱范围为325-1075nm，采样间隔(波段宽)为1.41nm。光谱采集时间控制在北京时间11:00-13:00，要求天气无风无云，探头垂直于冠层顶。每处理测定1个样点，每样点获取4条光谱数据，每条光谱扫描时间0.2s，以其平均值作为该处理冠层的光谱反射值。光谱仪视场角度25度，花生每垄距离加沟平均距离为0.8m，垄面的宽度0.6m，花生的墩距0.15m。为了观测光谱能够代表地面状况，设定观测点位于花生每垄中间正上方，视场范围为0.8m，计算得观测架高度为1.8m，共10墩花生，在各处理测定前后用标准板进行太阳辐射光谱校正。
光谱数据测试完后，立即采集光谱测试区域花生植株的地上部分，并在光谱测试的临近区域采集花生叶片二十片，放置带有冰块的保温箱，带回实验室。使用直径为0.6cm的打孔器打取20片叶片，称鲜重，计算面积。摘取所有花生植株的叶片，称鲜重，折算叶面积，计算叶面积指数。
如图1所示，花生叶面积指数遥感监测方法，具体包括以下步骤：
S1、获取光谱数据；
S2、对光谱数据进行处理；
S3、进行叶面积指数计算。
获取光谱数据包括获取地面高光谱数据和获取卫星光谱数据。
获取地面高光谱数据具体包括以下方法：
采用便携式光谱仪进行花生冠层光谱测量；
每个采样点获取多条光谱数据；
对多条光谱数据求平均值得到该处理冠层的光谱反射率。
在获取地面高光谱数据时，还需要进行测量高度的设定。
如图2所示，光谱仪视场角度25度，花生每垄加沟平均距离为0.8米，垄面宽度0.6米，墩距0.15米。为了观测光谱能够代表地面状况，设定观测点位于花生垄中间正上方，视场范围为0.8米，计算得观测架高度为1.8米。图中x＝1.8米，y＝0.8米。
如图3所示，测试范围为直径0.8米的圆内，共10墩花生。
获取卫星光谱数据具体包括以下方法：
在监测区云量小于规定值时，通过卫星过境时间，从中国资源卫星应用中心获取卫星数据。
根据天气情况及高分一号GF-1、高分二号GF-2、环境监测星HJ、陆地卫星Landsat、实践9号SJ-9A五颗卫星过境时间，从中国资源卫星应用中心http://www.cresda.com/CN/Satellite/3076.shtml获取卫星数据，要求监测区云量小于10％。
花生冠层的光谱反射率如图4所示：太阳光到达花生冠层后，325-500nm蓝紫光被叶绿素吸收进行光合作用，光谱反射率都很低，不足10％，蓝光波段反射率最小的波段称为“蓝边”；黄绿光(500-600nm)是叶绿素的弱吸收波段，550nm附近呈现小的反射峰，叫“绿峰”，而黄光波段处反射率变小，该吸收区称为“黄边”；600-700nm红光是叶绿素的强吸收波段，在670nm达到最强称为“红谷”；700-760nm是个过渡阶段，反射率随着波长的增加而急剧升高，曲线较陡接近于直线，此波段范围的光谱称为“红边”；受细胞结构及冠层结构的影响，太阳光多次反射，约在760nm左右开始缓慢上升，形成一个“高平台”。
光谱反射率与叶面积指数的相关性如图5所：可见，由于仪器噪声的存在，325-500nm以及900-1075nm光谱反射率波动大，光谱反射率与叶面积指数的相关性波动也较大，不适合用于叶面积指数的反演。剩余波段，500-576nm的绿光波段呈正相关关系，叶面积指数越大，对绿光的反射率也越高，相关性曲线呈现光滑、独立的波峰，波段530nm相关性达到极显著水平；577-702nm波段呈负相关关系，呈现不光滑的多个波峰，相关度均未达到显著水平。702-920nm呈正相关关系，叶面积指数越高对近红外光的反射率越强，且712nm之后光谱反射率与叶面积指数均达到了极显著相关水平。
“三边”即蓝边、黄边、红边，绿峰和红谷是绿色植被光谱反射率曲线的重要形状指示，与生理指标的含量休憩相关。计算14个形状参数，分析形状参数与花生叶面积指数的相关性如下表3所示。
意义 参数 相关性
蓝边幅值 Db 0.6282**
黄边幅值 Dy -0.6535**
蓝边位置 λb -0.3898
黄边位置 λy -0.5527**
红边位置 REP 0.5702**
红边幅值 RFDMax 0.8747**
绿峰高度 Height[540] 0.6713**
绿峰面积 P_Area[540] 0.6708**
绿峰宽度 NH[540] -0.5336**
绿峰位置 λg -0.6554**
红谷深度 Depth[670] 0.4833
红谷面积 Area[670] 0.6125**
红谷宽度 ND[670] -0.6027**
红谷位置 Lo 0.6203**
表3光谱形状参数与叶面积指数的相关性
由表3可见，光谱形状参数与叶面积指数具有较高的相关性，除了蓝边位置和红谷深度外均达到了极显著相关水平。其中以红边幅值相关度最高，达到了0.8747。
因此：对光谱数据进行处理的方法具体包括：
提取R754；
计算RFDMax；
提取卫星数据光谱反射率。
提取R754的方法具体包括：根据采样点的光谱反射率提取在754nm处的光谱反射率；
计算RFDMax的方法具体包括：对原始测试数据进行一阶微分运算得到一阶微分数据；调用MAX函数取得红边幅值RFDMax；
提取卫星数据光谱反射率的方法具体包括：利用遥感数据处理软件，对卫星影像数据进行几何校正和大气校正，得到卫星数据光谱反射率。
进行叶面积指数计算包括：
基于R754的叶面积指数的计算、基于RFDMax的叶面积指数的计算、基于卫星数据的叶面积指数的计算。
基于R754花生叶面积指数高光谱监测模型如图6所示，
基于R754的叶面积指数的计算具体包括：
将R754带入y＝-21.232x2+34.455x-7.4303(公式一)计算，其中x为R754，y为叶面积指数。
得到的基于R754花生叶面积指数高光谱监测模型的预测值与真实值如图7所示。
基于RFDMax花生叶面积指数监测模型如图8所示。
基于RFDMax的叶面积指数的计算具体包括：
将RFDMax带入公式y＝-31590x2+1188.5x-4.8747(公式二)计算，其中x为RFDMax，y为叶面积指数。
得到的基于RFDMax花生叶面积指数高光谱监测模型的预测值与真实值如图9所示。
基于卫星数据的叶面积指数的计算具体包括：
将卫星传感器对应波段的反射率输入逐步回归分析模型。
逐步回归分析模型具体如下表4所示：
表4中，b4表示卫星传感器对应的波段4的反射率，b5表示卫星传感器对应的波段5的反射率，y为叶面积指数。采用高分一号GF-1、高分二号GF-2、环境监测星HJ、陆地卫星Landsat、实践9号SJ-9A，依据卫星搭载的传感器，具有不同的监测模型。中国资源卫星应用中心(http://www.cresda.com/CN/Satellite/3076.shtml)基本都包括蓝光波段、绿光波段、红光波段和近红外波段。卫星传感器波段范围宽，光谱分辨率低，基于卫星数据建立花生叶面积指数的反演模型，需要先通过卫星传感器不同波段的光谱响应函数，将卫星传感器的反射率与高光谱反射率相同化，然后采用逐步回归分析的方法建立模型。
卫星 传感器 逐步回归分析模型 显著性
GF-1 wfv1 y＝-2.494+b4*13.322 0.000
GF-1 wfv2 y＝-2.494+b4*13.326 0.000
GF-1 wfv3 y＝-2.491+b4*13.323 0.000
GF-1 wfv4 y＝-2.495+b4*13.324 0.000
GF-2 PMS1 y＝-2.505+b5*13.321 0.000
HJ-1A ccd1 y＝-2.495+b4*13.312 0.000
HJ-1A ccd2 y＝-2.488+b4*13.316 0.000
HJ-1B ccd1 y＝-2.488+b4*13.317 0.000
HJ-1B ccd2 y＝-2.484+b4*13.315 0.000
Landsat8 TM y＝-2.605+b5*13.339 0.000
ZY-1-02C PMS y＝-2.494+b4*13.324 0.000
ZY-3 PMS y＝-2.503+b4*13.324 0.000
SJ-9A PMS y＝-2.502+b5*13.322 0.000
表4不同卫星、传感器的逐步回归分析模型
由上表4知，每种卫星包含4-5个波段，逐步回归之后，仅近红外波段的发射率进入了模型，并通过了0.0001水平的相关性检验。

Claims (10)

1.花生叶面积指数遥感监测方法，其特征是，具体包括以下步骤：
获取光谱数据；
对光谱数据进行处理；
进行叶面积指数计算。
2.根据权利要求1所述的方法，其特征是，所述获取光谱数据包括获取地面高光谱数据和获取卫星光谱数据。
3.根据权利要求2所述的方法，其特征是，所述的获取地面高光谱数据具体包括以下方法：
采用便携式光谱仪进行花生冠层光谱测量；
每个采样点获取多条光谱数据；
对多条光谱数据求平均值得到该处理冠层的光谱反射率。
4.根据权利要求3所述的方法，其特征是，在获取地面高光谱数据时，还需要进行测量高度的设定。
5.根据权利要求2所述的方法，其特征是，所述获取卫星光谱数据具体包括以下方法：
在监测区云量小于规定值时，通过卫星过境时间，从中国资源卫星应用中心获取卫星数据。
6.根据权利要求1所述的方法，其特征是，对光谱数据进行处理的方法具体包括：
提取R754；
计算RFDMax；
提取卫星数据光谱反射率。
7.根据权利要求6所述的方法，其特征是，提取R754的方法具体包括：根据采样点的光谱反射率提取在754nm处的光谱反射率；
计算RFDMax的方法具体包括：对原始测试数据进行一阶微分运算得到一阶微分数据；调用MAX函数取得红边幅值RFDMax；
提取卫星数据光谱反射率的方法具体包括：利用遥感数据处理软件，对卫星影像数据进行几何校正和大气校正，得到卫星数据光谱反射率。
8.根据权利要求6所述的方法，其特征是，进行叶面积指数计算包括：
基于R754的叶面积指数的计算、基于RFDMax的叶面积指数的计算、基于卫星数据的叶面积指数的计算。
9.根据权利要求8所述的方法，其特征是，基于R754的叶面积指数的计算具体包括：
将R754带入y＝-21.232x2+34.455x-7.4303(公式一)计算，其中x为R754，y为叶面积指数；
基于RFDMax的叶面积指数的计算具体包括：
将RFDMax带入公式y＝-31590x2+1188.5x-4.8747(公式二)计算，其中x为RFDMax，y为叶面积指数；
基于卫星数据的叶面积指数的计算具体包括：
将卫星传感器对应波段的反射率输入逐步回归分析模型。
10.根据权利要求9所述的方法，其特征是，所述的逐步回归分析模型具体如下表所示：
卫星 传感器 逐步回归分析模型 GF-1 wfv1 y＝-2.494+b4*13.322 GF-1 wfv2 y＝-2.494+b4*13.326 GF-1 wfv3 y＝-2.491+b4*13.323 GF-1 wfv4 y＝-2.495+b4*13.324 GF-2 PMS1 y＝-2.505+b5*13.321 HJ-1A ccd1 y＝-2.495+b4*13.312 HJ-1A ccd2 y＝-2.488+b4*13.316 HJ-1B ccd1 y＝-2.488+b4*13.317 HJ-1B ccd2 y＝-2.484+b4*13.315 Landsat8 TM y＝-2.605+b5*13.339 ZY-1-02C PMS y＝-2.494+b4*13.324 ZY-3 PMS y＝-2.503+b4*13.324 SJ-9A PMS y＝-2.502+b5*13.322
表中，b4表示卫星传感器对应的波段4的反射率，b5表示卫星传感器对应的波段5的反射率，y为叶面积指数。
CN201711463144.0A 2017-12-28 2017-12-28 花生叶面积指数遥感监测方法 Pending CN107907075A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711463144.0A CN107907075A (zh) 2017-12-28 2017-12-28 花生叶面积指数遥感监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711463144.0A CN107907075A (zh) 2017-12-28 2017-12-28 花生叶面积指数遥感监测方法

Publications (1)

Publication Number Publication Date
CN107907075A true CN107907075A (zh) 2018-04-13

Family

ID=61871846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711463144.0A Pending CN107907075A (zh) 2017-12-28 2017-12-28 花生叶面积指数遥感监测方法

Country Status (1)

Country Link
CN (1) CN107907075A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109253976A (zh) * 2018-10-22 2019-01-22 北京麦飞科技有限公司 基于光感模块的高光谱实时辐射定标方法
CN110544277A (zh) * 2019-08-12 2019-12-06 蔡建楠 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法
CN111507197A (zh) * 2020-03-23 2020-08-07 中国科学院空天信息创新研究院 一种棉花脱叶剂施药处方图生成方法及装置
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
CN113192117A (zh) * 2021-02-08 2021-07-30 南京农业大学 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1731216A (zh) * 2005-08-19 2006-02-08 广州地理研究所 一种大面积作物种植面积及其产量的遥感检测估算方法
CN1837787A (zh) * 2006-04-19 2006-09-27 南京大学 一种无损伤精准测定棉花生物物理参数的方法
CN102288954A (zh) * 2011-08-01 2011-12-21 高吉喜 一种草地植被覆盖度遥感估测方法
CN102393238A (zh) * 2011-08-01 2012-03-28 高吉喜 一种草地地上干物质量遥感估测方法
WO2012073520A1 (ja) * 2010-12-02 2012-06-07 日本電気株式会社 葉面積指数計測システム、装置、方法及びプログラム
CN102507453A (zh) * 2011-10-25 2012-06-20 南京林业大学 一种黑松松材线虫病的高光谱监测方法
CN103398957A (zh) * 2013-08-12 2013-11-20 河海大学 基于高光谱与激光雷达提取叶面积垂直分布的方法
CN104266982A (zh) * 2014-09-04 2015-01-07 浙江托普仪器有限公司 一种大面积虫害量化监测系统
CN104408307A (zh) * 2014-11-25 2015-03-11 河南农业大学 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法
CN104567754A (zh) * 2014-12-26 2015-04-29 河南省农业科学院农业经济与信息研究所 一种耦合星-地遥感的小麦叶面积指数估算方法
CN104614321A (zh) * 2015-01-20 2015-05-13 山东农业大学 一种基于光谱图像的作物长势实时监测方法
CN105303063A (zh) * 2015-12-03 2016-02-03 武汉大学 融合物候数据与遥感数据的叶面积指数反演方法及系统
CN105352895A (zh) * 2015-11-02 2016-02-24 北京理工大学 高光谱遥感数据植被信息提取方法
CN106469240A (zh) * 2016-09-06 2017-03-01 西北农林科技大学 基于光谱指数的油菜叶片spad估测及估测模型构建方法
CN106568730A (zh) * 2016-11-21 2017-04-19 南京农业大学 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法
CN108254323A (zh) * 2017-11-22 2018-07-06 杭州电子科技大学 一种基于吸收峰特征反演叶面积指数的方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1731216A (zh) * 2005-08-19 2006-02-08 广州地理研究所 一种大面积作物种植面积及其产量的遥感检测估算方法
CN1837787A (zh) * 2006-04-19 2006-09-27 南京大学 一种无损伤精准测定棉花生物物理参数的方法
WO2012073520A1 (ja) * 2010-12-02 2012-06-07 日本電気株式会社 葉面積指数計測システム、装置、方法及びプログラム
CN102288954A (zh) * 2011-08-01 2011-12-21 高吉喜 一种草地植被覆盖度遥感估测方法
CN102393238A (zh) * 2011-08-01 2012-03-28 高吉喜 一种草地地上干物质量遥感估测方法
CN102507453A (zh) * 2011-10-25 2012-06-20 南京林业大学 一种黑松松材线虫病的高光谱监测方法
CN103398957A (zh) * 2013-08-12 2013-11-20 河海大学 基于高光谱与激光雷达提取叶面积垂直分布的方法
CN104266982A (zh) * 2014-09-04 2015-01-07 浙江托普仪器有限公司 一种大面积虫害量化监测系统
CN104408307A (zh) * 2014-11-25 2015-03-11 河南农业大学 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法
CN104567754A (zh) * 2014-12-26 2015-04-29 河南省农业科学院农业经济与信息研究所 一种耦合星-地遥感的小麦叶面积指数估算方法
CN104614321A (zh) * 2015-01-20 2015-05-13 山东农业大学 一种基于光谱图像的作物长势实时监测方法
CN105352895A (zh) * 2015-11-02 2016-02-24 北京理工大学 高光谱遥感数据植被信息提取方法
CN105303063A (zh) * 2015-12-03 2016-02-03 武汉大学 融合物候数据与遥感数据的叶面积指数反演方法及系统
CN106469240A (zh) * 2016-09-06 2017-03-01 西北农林科技大学 基于光谱指数的油菜叶片spad估测及估测模型构建方法
CN106568730A (zh) * 2016-11-21 2017-04-19 南京农业大学 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法
CN108254323A (zh) * 2017-11-22 2018-07-06 杭州电子科技大学 一种基于吸收峰特征反演叶面积指数的方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109253976A (zh) * 2018-10-22 2019-01-22 北京麦飞科技有限公司 基于光感模块的高光谱实时辐射定标方法
CN110544277A (zh) * 2019-08-12 2019-12-06 蔡建楠 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法
CN110544277B (zh) * 2019-08-12 2023-01-10 蔡建楠 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法
CN111507197A (zh) * 2020-03-23 2020-08-07 中国科学院空天信息创新研究院 一种棉花脱叶剂施药处方图生成方法及装置
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
CN113192117A (zh) * 2021-02-08 2021-07-30 南京农业大学 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法
CN113192117B (zh) * 2021-02-08 2022-03-22 南京农业大学 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法

Similar Documents

Publication Publication Date Title
CN107907075A (zh) 花生叶面积指数遥感监测方法
Jin et al. A review of data assimilation of remote sensing and crop models
Liu et al. Measurement and analysis of bidirectional SIF emissions in wheat canopies
Duan et al. Remote estimation of grain yield based on UAV data in different rice cultivars under contrasting climatic zone
Hatfield et al. Application of spectral remote sensing for agronomic decisions
Vaesen et al. Ground-measured spectral signatures as indicators of ground cover and leaf area index: the case of paddy rice
CN100394212C (zh) 一种大面积作物种植面积及其产量的遥感检测估算方法
Agüera et al. Measuring sunflower nitrogen status from an unmanned aerial vehicle-based system and an on the ground device
Fei et al. Comparison of different methods for corn LAI estimation over northeastern China
CN108229403A (zh) 一种用于估算植被叶面积指数的混合模型构建方法
Chen et al. Spatio-temporal prediction of leaf area index of rubber plantation using HJ-1A/1B CCD images and recurrent neural network
CN105445229B (zh) 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法
CN110376167A (zh) 基于无人机高光谱的水稻叶片氮含量监测方法
CN107796764A (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
Bi et al. Estimating vertical chlorophyll concentrations in maize in different health states using hyperspectral LiDAR
CN104502283A (zh) 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型
CN109977548A (zh) 一种针对不同范围的叶面积指数遥感反演方法
Li et al. Critical analysis of methods to estimate the fraction of absorbed or intercepted photosynthetically active radiation from ground measurements: Application to rice crops
CN110378926A (zh) 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法
CN109325433A (zh) 引入地形因子的黑土区大豆生物量多时相遥感反演方法
CN104236486B (zh) 一种棉花叶面积指数快速无损测定方法
Cheng et al. Estimating canopy-scale chlorophyll content in apple orchards using a 3D radiative transfer model and UAV multispectral imagery
CN106501255A (zh) 一种枣树冠层总叶绿素含量的卫星遥感监测方法
Hwang et al. Canopy structural changes explain reductions in canopy-level solar induced chlorophyll fluorescence in Prunus yedoensis seedlings under a drought stress condition
Zhang et al. Generating high-resolution total canopy SIF emission from TROPOMI data: Algorithm and application

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: 20180413