CN108304973A - 基于积温、辐射和土壤含水量的区域作物成熟期预测方法 - Google Patents
基于积温、辐射和土壤含水量的区域作物成熟期预测方法 Download PDFInfo
- Publication number
- CN108304973A CN108304973A CN201810140432.0A CN201810140432A CN108304973A CN 108304973 A CN108304973 A CN 108304973A CN 201810140432 A CN201810140432 A CN 201810140432A CN 108304973 A CN108304973 A CN 108304973A
- Authority
- CN
- China
- Prior art keywords
- crop
- measured
- maturity period
- maturity
- time
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明属于农业遥感领域,涉及一种基于积温、辐射和土壤含水量的区域作物成熟期预测方法,具体步骤为:S1将待测作物全生育期的MODIS NDVI数据按时间序列合成,用随机森林算法提取出种植区域;S2构建在充分灌溉条件下从抽穗到成熟期的积温和辐射模型;S3以农业气象站点为结点,构建泰森多边形;S4标定研究区待测作物的SWAP模型;S5建立全生育期土壤水分含量和待测作物成熟日期在水分胁迫条件下的成熟期修正因子查找表;S6逐格网单元动态调整积温与辐射的成熟期模型结果,获得最优的待测作物成熟期预测结果。本发明的方法融合了统计模型和机理模型的优势,能够在大区域尺度预测作物成熟期,提高了作物成熟期预测的精度。
Description
技术领域
本发明属于农业遥感领域,具体涉及一种基于积温、辐射和土壤含水量的区域作物成熟期预测方法。
背景技术
农作物成熟期是重要的农学参数,由于受到光温水等条件影响,成熟期具有较强的空间变异性。现有技术中使用统计模型进行预测,存在的缺点为缺少光、温和水相互作用对成熟期的综合影响。现有技术中使用机理模型进行预测,存在的缺点为输入参数较多,计算量大,难以应用于大区域尺度的成熟期预测。目前缺乏将统计模型和机理模型结合使用的成熟期预测方法。本发明综合了统计模型与机理模型的优势,在保证精度的前提下,提高了执行效率。
发明内容
针对现有技术中单独使用统计模型或使用机理模型进行预测存在的缺陷,本发明提供一种基于积温、辐射和土壤含水量的区域作物成熟期预测方法。
本发明提供一种基于积温、辐射和土壤含水量的区域作物成熟期预测方法,具体步骤如下:
S1、将研究区内待测作物全生育期的MODIS NDVI数据按时间序列合成,按照待测作物时间序列物候特征用随机森林算法(RandomForest)提取出待测作物的种植区域;
S2、基于农业气象站点观测的生育期数据和国家级气象站点观测的温度和日照时数,计算从抽穗期到成熟期有效积温和太阳辐射阈值,构建待测作物在充分灌溉条件下从抽穗到成熟期的积温和辐射模型;
S3、以农业气象站点为结点,构建泰森多边形,以农业气象站点的有效积温和太阳辐射阈值代表其所在泰森多边形的阈值;
S4、以气象、作物、土壤和作物管理参数并将其作为输入,标定研究区待测作物的SWAP模型;
S5、结合土壤初始含水量、降雨和灌溉信息,利用SWAP模型,逐格网单元估算模拟充分灌溉条件下待测作物全生育期土壤水分含量和成熟日期,建立全生育期土壤水分含量和待测作物成熟日期在水分胁迫条件下的成熟期修正因子查找表;
S6、逐个待测作物格网单元利用S5建立的在水分胁迫条件下的成熟期修正因子查找表,动态调整积温与辐射的成熟期模型结果,获得最优的待测作物成熟期预测结果。
MODIS是搭载在terra和aqua卫星上的一个重要的传感器,是卫星上唯一将实时观测数据通过x波段向全世界直接广播,并可以免费接收数据并无偿使用的星载仪器,全球许多国家和地区都在接收和使用MODIS数据。NDVI是Normalized Difference VegetationIndex(植物覆盖指数)的简写。泰森多边形为以荷兰气候学家A·H·Thiessen提出的泰森多边形法构建的多边形。SWAP模型是以土壤-水分-大气-作物系统模拟的模型。
步骤S1中所述提取出待测作物的种植区域,具体方法如下:
先收集覆盖待测作物关键生育期的空间分辨率500米、步长4天的MODIS NDVI产品,并合成时间序列曲线,运用滤波方法消除云的污染,构建研究区内待测作物全生育期(出苗到成熟期)的NDVI曲线特征,用随机森林算法进行种植区的提取。
步骤S2所述抽穗期,其提取方法如下:利用S1中的MODIS LAI时间序列曲线,通过动态阈值法提取研究区待测作物抽穗期日期,即LAI(叶面积指数)值达到峰值时所对应的日期。
其中,步骤S2中构建待测作物在充分灌溉条件下从抽穗到成熟期的积温和辐射模型,具体方法如下:先计算从抽穗期到成熟期的有效积温和太阳辐射的历史五年平均值作为模型阈值,在预测年份根据公式(1)、公式(2)逐像元判断是否达到成熟期,具体公式如下:
GDD≥Tmean (1)
式中,GDD指预测年份抽穗到成熟期的有效积温;Rsi是预测年份日太阳总辐射量;n是抽穗到成熟期的天数;Tmean和Rmean分别为有效积温和太阳辐射阈值。
步骤S5所述充分灌溉条件下待测作物全生育期土壤水分含量的估算应该选用充分灌溉的像元进行计算。
步骤S5所述建立全生育期土壤水分含量和待测作物成熟日期在水分胁迫条件下的成熟期修正因子查找表,具体方法如下:假定充分灌溉条件下,待测作物成熟日期为T1,待测作物全生育期土壤水分含量为V1,保持土壤初始含水量和降水信息不变,以充分灌溉量为起始灌溉量,以50方/公顷为变化步长依次减少,运行SWAP模型并输出待测作物成熟日期数据集T2,同时计算出相应的待测作物全生育期土壤水分含量数据集V2,以V2和(T2-T1),建立水分盈亏和待测作物成熟日期变化天数的查找表。
步骤S6逐个待测作物格网单元利用S5建立的在水分胁迫条件下的成熟期修正因子查找表,动态调整积温与辐射的成熟期模型结果,获得最优的待测作物成熟期预测结果具体步骤为:获取每个格网单元的全生育期土壤含水量,再根据查找表动态修正待测作物抽穗期到成熟期积温-辐射模型模拟的成熟期结果。
其中,所述待测作物优选为冬小麦,还可以是玉米和水稻等作物。
本发明还提供所述基于积温、辐射和土壤含水量的区域作物成熟期预测方法在指导农作物生产中的应用。
本发明与现有技术相比,有益效果为:
本发明的方法融合了统计模型和机理模型的优势,能够在大区域尺度预测作物成熟期,提高了作物成熟期预测的精度。
附图说明
图1为本发明实施例1对冬小麦实施一种基于积温、辐射和土壤含水量的区域作物成熟期预测方法的流程示意图。
图2为本发明实施例1于2015年的冬小麦成熟期预测结果图。
具体实施方式
下面结合实施例,对本范明的具体实施方式做进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例1
以本发明基于积温、辐射和土壤含水量的区域作物成熟期预测方法针对冬小麦进行出苗日期估算流程示意图参见附图1。
选择河北、河南、山东三省作为研究区域,该区域地处东经110°12′E—122°42′,北纬31°17′N—42°41′。研究区总面积50.9万平方公里,地形较为平坦,耕地占总面积40%以上,属暖温带季风性气候,年日照时数2300h左右,年平均降水量650mm左右。
本实施例具体步骤如下:
S1、将研究区内冬小麦全生育期的MODIS NDVI数据按时间序列合成,按照冬小麦时间序列物候特征用随机森林算法提取出冬小麦的种植区域;
所述提取出冬小麦的种植区域,具体方法如下:先收集覆盖冬小麦关键生育期的空间分辨率500米、步长4天的MODIS NDVI产品,并合成时间序列曲线,运用滤波方法消除云的污染,构建研究区内冬小麦全生育期(出苗到成熟期)的NDVI曲线特征,用随机森林算法进行种植区的提取。
S2、基于农业气象站点观测的生育期数据和国家级气象站点观测的温度和日照时数,计算从抽穗期到成熟期有效积温和太阳辐射阈值,构建冬小麦在充分灌溉条件下从抽穗到成熟期的积温和辐射模型;
所述抽穗期,其提取方法如下:利用S1中的MODIS LAI时间序列曲线,通过动态阈值法提取研究区冬小麦抽穗期日期,即LAI值达到峰值时所对应的日期。
构建冬小麦在充分灌溉条件下从抽穗到成熟期的积温和辐射模型,具体方法如下:先计算从抽穗期到成熟期的有效积温和太阳辐射的历史五年平均值作为模型阈值,在预测年份根据公式(1)、公式(2)逐像元判断是否达到成熟期,具体公式如下:
GDD≥Tmean (1)
式中,GDD指预测年份抽穗到成熟期的有效积温;Rsi是预测年份日太阳总辐射量;n是抽穗到成熟期的天数;Tmean和Rmean分别为有效积温和太阳辐射阈值。
S3、以农业气象站点为结点,构建泰森多边形,以农业气象站点的有效积温和太阳辐射阈值代表其所在泰森多边形的阈值。
S4、以气象、作物、土壤和作物管理参数并将其作为输入,标定研究区冬小麦的SWAP模型。
S5、结合土壤初始含水量、降雨和灌溉信息,利用SWAP模型,逐格网单元估算模拟充分灌溉条件下冬小麦全生育期土壤水分含量和成熟日期,建立全生育期土壤水分含量和冬小麦成熟日期在水分胁迫条件下的成熟期修正因子查找表;
步骤S5所述充分灌溉条件下冬小麦全生育期土壤水分含量的估算应该选用充分灌溉的像元进行计算。
步骤S5所述建立全生育期土壤水分含量和冬小麦成熟日期在水分胁迫条件下的成熟期修正因子查找表,具体方法如下:假定充分灌溉条件下,冬小麦成熟日期为T1,冬小麦全生育期土壤水分含量为V1,保持土壤初始含水量和降水信息不变,以充分灌溉量为起始灌溉量,以50方/公顷为变化步长依次减少,运行SWAP模型并输出冬小麦成熟日期数据集T2,同时计算出相应的冬小麦全生育期土壤水分含量数据集V2,以V2和(T2-T1),建立水分盈亏和冬小麦成熟日期变化天数的查找表。
S6、逐个冬小麦格网单元利用S5建立的在水分胁迫条件下的成熟期修正因子查找表,动态调整积温与辐射的成熟期模型结果,获得最优的冬小麦成熟期预测结果。具体步骤为:获取每个格网单元的全生育期土壤含水量,再根据查找表动态修正冬小麦抽穗期到成熟期积温-辐射模型模拟的成熟期结果。
附图2是本实施例的于2015年得到的预测结果图。经验证,相比于只考虑温度和辐射的统计模型,精度显著提高,具体体现为RMSE降低了1d;相对于复杂机理模型,执行效率提高了3倍。
本发明的方法同样可以用于预测水稻、玉米等作物的成熟期。
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (9)
1.一种基于积温、辐射和土壤含水量的区域作物成熟期预测方法,其特征在于,具体步骤如下:
S1、将研究区内待测作物全生育期的MODIS NDVI数据按时间序列合成,按照待测作物时间序列物候特征用随机森林算法提取出待测作物的种植区域;
S2、基于农业气象站点观测的生育期数据和国家级气象站点观测的温度和日照时数,计算从抽穗期到成熟期有效积温和太阳辐射阈值,构建待测作物在充分灌溉条件下从抽穗到成熟期的积温和辐射模型;
S3、以农业气象站点为结点,构建泰森多边形,以农业气象站点的有效积温和太阳辐射阈值代表其所在泰森多边形的阈值;
S4、以气象、作物、土壤和作物管理参数并将其作为输入,标定研究区待测作物的SWAP模型;
S5、结合土壤初始含水量、降雨和灌溉信息,利用SWAP模型,逐格网单元估算模拟充分灌溉条件下待测作物全生育期土壤水分含量和成熟日期,建立全生育期土壤水分含量和待测作物成熟日期在水分胁迫条件下的成熟期修正因子查找表;
S6、逐个待测作物格网单元利用S5建立的在水分胁迫条件下的成熟期修正因子查找表,动态调整积温与辐射的成熟期模型结果,获得最优的待测作物成熟期预测结果。
2.如权利要求1所述的方法,其特征在于,步骤S1中所述提取出待测作物的种植区域,具体方法如下:
先收集覆盖待测作物关键生育期的空间分辨率500米、步长4天的MODIS NDVI产品,并合成时间序列曲线,运用滤波方法消除云的污染,构建研究区内待测作物全生育期的NDVI曲线特征,用随机森林算法进行种植区的提取。
3.如权利要求1所述的方法,其特征在于,步骤S2所述抽穗期,其提取方法如下:利用S1中的MODIS LAI时间序列曲线,通过动态阈值法提取研究区待测作物抽穗期日期,即LAI(叶面积指数)值达到峰值时所对应的日期。
4.如权利要求1所述的方法,其特征在于,步骤S2中所述构建待测作物在充分灌溉条件下从抽穗到成熟期的积温和辐射模型,具体方法如下:先计算从抽穗期到成熟期的有效积温和太阳辐射的历史五年平均值作为模型阈值,在预测年份根据公式(1)、公式(2)逐像元判断是否达到成熟期:
GDD≥Tmean (1)
式中,GDD指预测年份抽穗到成熟期的有效积温;Rsi是预测年份日太阳总辐射量;n是抽穗到成熟期的天数;Tmean和Rmean分别为有效积温和太阳辐射阈值。
5.如权利要求1所述的方法,其特征在于,步骤S5所述充分灌溉条件下待测作物全生育期土壤水分含量的估算应该选用充分灌溉的像元进行计算。
6.如权利要求1所述的方法,其特征在于,步骤S5所述建立全生育期土壤水分含量和待测作物成熟日期在水分胁迫条件下的成熟期修正因子查找表,具体方法如下:假定充分灌溉条件下,待测作物成熟日期为T1,待测作物全生育期土壤水分含量为V1,保持土壤初始含水量和降水信息不变,以充分灌溉量为起始灌溉量,以50方/公顷为变化步长依次减少,运行SWAP模型并输出待测作物成熟日期数据集T2,同时计算出相应的待测作物全生育期土壤水分含量数据集V2,以V2和(T2-T1),建立水分盈亏和待测作物成熟日期变化天数的查找表。
7.如权利要求1所述的方法,其特征在于,所述步骤S6具体步骤为:获取每个格网单元的全生育期土壤含水量,再根据查找表动态修正待测作物抽穗期到成熟期积温-辐射模型模拟的成熟期结果。
8.如权利要求1-7任一项所述的方法,其特征在于,所述作物为冬小麦、玉米或水稻中的任一种。
9.权利要求1-8任一项所述基于积温、辐射和土壤含水量的区域作物成熟期预测方法在指导农作物生产中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810140432.0A CN108304973A (zh) | 2018-02-11 | 2018-02-11 | 基于积温、辐射和土壤含水量的区域作物成熟期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810140432.0A CN108304973A (zh) | 2018-02-11 | 2018-02-11 | 基于积温、辐射和土壤含水量的区域作物成熟期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108304973A true CN108304973A (zh) | 2018-07-20 |
Family
ID=62865325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810140432.0A Pending CN108304973A (zh) | 2018-02-11 | 2018-02-11 | 基于积温、辐射和土壤含水量的区域作物成熟期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304973A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175931A (zh) * | 2019-05-10 | 2019-08-27 | 北京师范大学 | 一种大范围快速提取农作物种植面积和物候信息的方法 |
CN110414858A (zh) * | 2019-08-05 | 2019-11-05 | 吉林大学 | 一种基于区块链技术的优质稻谷收储作业5t管理方法 |
CN111931988A (zh) * | 2020-07-09 | 2020-11-13 | 黑龙江省农业科学院农业遥感与信息研究所 | 遥感影像、作物模型与气象预报融合水稻成熟期预测方法 |
CN112001543A (zh) * | 2020-08-24 | 2020-11-27 | 浙江省气候中心 | 基于地温的农作物生长期预测方法及相关设备 |
CN112949939A (zh) * | 2021-03-30 | 2021-06-11 | 福州市电子信息集团有限公司 | 基于随机森林模型的出租车载客热点预测方法 |
CN113936254A (zh) * | 2021-12-17 | 2022-01-14 | 江苏省气候中心 | 结合积温订正的水稻发育期识别模型训练方法、识别方法及装置 |
CN114219847A (zh) * | 2022-02-18 | 2022-03-22 | 清华大学 | 基于物候特征的作物种植面积确定方法、系统及存储介质 |
CN116307297A (zh) * | 2023-05-22 | 2023-06-23 | 中国农业大学 | 农作物的播种时间和收获时间确定方法和装置 |
TWI815111B (zh) * | 2021-05-06 | 2023-09-11 | 國立屏東科技大學 | 水稻幼穗分化期之估計方法及其系統 |
CN117391472A (zh) * | 2023-10-26 | 2024-01-12 | 北京麦麦趣耕科技有限公司 | 一种用于小麦生育期预测的装置、方法及其应用 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955860A (zh) * | 2014-04-17 | 2014-07-30 | 中国农业大学 | 一种基于集合卡尔曼滤波同化的区域作物估产方法 |
CN104134095A (zh) * | 2014-04-17 | 2014-11-05 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
CN106951979A (zh) * | 2017-02-20 | 2017-07-14 | 中国农业大学 | 遥感、作物模型与气象预报融合的作物成熟期预测方法 |
-
2018
- 2018-02-11 CN CN201810140432.0A patent/CN108304973A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955860A (zh) * | 2014-04-17 | 2014-07-30 | 中国农业大学 | 一种基于集合卡尔曼滤波同化的区域作物估产方法 |
CN104134095A (zh) * | 2014-04-17 | 2014-11-05 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
CN106951979A (zh) * | 2017-02-20 | 2017-07-14 | 中国农业大学 | 遥感、作物模型与气象预报融合的作物成熟期预测方法 |
Non-Patent Citations (1)
Title |
---|
黄健熙: "面向农机导航与调度的区域冬小麦成熟期", 《导航与位置服务技术研究和行业应用成果》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175931B (zh) * | 2019-05-10 | 2020-04-24 | 北京师范大学 | 一种大范围快速提取农作物种植面积和物候信息的方法 |
CN110175931A (zh) * | 2019-05-10 | 2019-08-27 | 北京师范大学 | 一种大范围快速提取农作物种植面积和物候信息的方法 |
CN110414858B (zh) * | 2019-08-05 | 2023-02-03 | 吉林大学 | 一种基于区块链技术的优质稻谷收储作业5t管理方法 |
CN110414858A (zh) * | 2019-08-05 | 2019-11-05 | 吉林大学 | 一种基于区块链技术的优质稻谷收储作业5t管理方法 |
CN111931988A (zh) * | 2020-07-09 | 2020-11-13 | 黑龙江省农业科学院农业遥感与信息研究所 | 遥感影像、作物模型与气象预报融合水稻成熟期预测方法 |
CN112001543A (zh) * | 2020-08-24 | 2020-11-27 | 浙江省气候中心 | 基于地温的农作物生长期预测方法及相关设备 |
CN112949939A (zh) * | 2021-03-30 | 2021-06-11 | 福州市电子信息集团有限公司 | 基于随机森林模型的出租车载客热点预测方法 |
CN112949939B (zh) * | 2021-03-30 | 2022-12-06 | 福州市电子信息集团有限公司 | 基于随机森林模型的出租车载客热点预测方法 |
TWI815111B (zh) * | 2021-05-06 | 2023-09-11 | 國立屏東科技大學 | 水稻幼穗分化期之估計方法及其系統 |
CN113936254A (zh) * | 2021-12-17 | 2022-01-14 | 江苏省气候中心 | 结合积温订正的水稻发育期识别模型训练方法、识别方法及装置 |
CN113936254B (zh) * | 2021-12-17 | 2022-03-01 | 江苏省气候中心 | 结合积温订正的水稻发育期识别模型训练方法、识别方法及装置 |
CN114219847A (zh) * | 2022-02-18 | 2022-03-22 | 清华大学 | 基于物候特征的作物种植面积确定方法、系统及存储介质 |
CN114219847B (zh) * | 2022-02-18 | 2022-07-01 | 清华大学 | 基于物候特征的作物种植面积确定方法、系统及存储介质 |
CN116307297A (zh) * | 2023-05-22 | 2023-06-23 | 中国农业大学 | 农作物的播种时间和收获时间确定方法和装置 |
CN116307297B (zh) * | 2023-05-22 | 2023-08-22 | 中国农业大学 | 农作物的播种时间和收获时间确定方法和装置 |
CN117391472A (zh) * | 2023-10-26 | 2024-01-12 | 北京麦麦趣耕科技有限公司 | 一种用于小麦生育期预测的装置、方法及其应用 |
CN117391472B (zh) * | 2023-10-26 | 2024-02-13 | 北京麦麦趣耕科技有限公司 | 一种用于小麦生育期预测的装置、方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304973A (zh) | 基于积温、辐射和土壤含水量的区域作物成熟期预测方法 | |
CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
Vazifedoust et al. | Increasing water productivity of irrigated crops under limited water supply at field scale | |
CN103413035B (zh) | 一种农田净灌溉用水模型及估算灌溉用水量的方法 | |
Campos et al. | Combining a water balance model with evapotranspiration measurements to estimate total available soil water in irrigated and rainfed vineyards | |
CN110766299B (zh) | 一种基于遥感数据的流域植被变化分析方法 | |
Vazifedoust et al. | Assimilation of satellite data into agrohydrological models to improve crop yield forecasts | |
CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
CN106845808A (zh) | 基于遥感数据反演的灌区稻田智能灌排决策方法和系统 | |
CN106908415A (zh) | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 | |
CN109934515A (zh) | 一种作物精量灌溉决策方法及系统 | |
Van Dam et al. | Assessing options to increase water productivity in irrigated river basins using remote sensing and modelling tools | |
Wang et al. | Summer maize growth under different precipitation years in the Huang-Huai-Hai Plain of China | |
CN113361191A (zh) | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 | |
Lathuillière et al. | Rain-fed and irrigated cropland-atmosphere water fluxes and their implications for agricultural production in Southern Amazonia | |
CN108802728A (zh) | 双极化合成孔径雷达与作物模型同化的作物灌溉指导方法 | |
CN110599360A (zh) | 一种干旱区农作物生长季蒸散发高分辨率遥感估算方法 | |
CN107941713A (zh) | 一种基于耦合作物模型同化光谱反射率的水稻估产方法 | |
Chen et al. | Informing the SWAT model with remote sensing detected vegetation phenology for improved modeling of ecohydrological processes | |
Nyolei et al. | High resolution mapping of agricultural water productivity using SEBAL in a cultivated African catchment, Tanzania | |
McNider et al. | A real-time gridded crop model for assessing spatial drought stress on crops in the Southeastern United States | |
CN110516943B (zh) | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 | |
Tan et al. | A method for downscaling daily evapotranspiration based on 30-m surface resistance | |
Han et al. | Improving wheat yield estimates by integrating a remotely sensed drought monitoring index into the simple algorithm for yield estimate model | |
CN114897423A (zh) | 基于作物水分指示线的农田灌溉概率指数计算方法 |
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: 20180720 |
|
RJ01 | Rejection of invention patent application after publication |