CN108446999A - 基于冠气温差和遥感信息进行灌区不同作物et估算方法 - Google Patents
基于冠气温差和遥感信息进行灌区不同作物et估算方法 Download PDFInfo
- Publication number
- CN108446999A CN108446999A CN201810342013.5A CN201810342013A CN108446999A CN 108446999 A CN108446999 A CN 108446999A CN 201810342013 A CN201810342013 A CN 201810342013A CN 108446999 A CN108446999 A CN 108446999A
- Authority
- CN
- China
- Prior art keywords
- data
- crop
- lst
- irrigated area
- farmland
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 241001269238 Data Species 0.000 claims abstract description 10
- 230000005855 radiation Effects 0.000 claims abstract description 8
- 230000002123 temporal effect Effects 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 238000002156 mixing Methods 0.000 claims abstract description 5
- 230000005068 transpiration Effects 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 16
- 230000012010 growth Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000009313 farming Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000009395 breeding Methods 0.000 claims description 3
- 230000001488 breeding effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 230000008439 repair process Effects 0.000 claims 1
- 238000003973 irrigation Methods 0.000 abstract description 8
- 230000002262 irrigation Effects 0.000 abstract description 8
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 229920001935 styrene-ethylene-butadiene-styrene Polymers 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于冠气温差和遥感信息进行灌区不同作物ET估算方法，其步骤：根据至少两年典型农田详细试验历史观测数据，对S‑I模型进行特征参数a、b的标定和确定，获得可靠精准的标定后S‑I模型；利用灌区作物生育期内Landsat和MODIS遥感影像数据，采用增强时空自适应融合算法对Landsat7与MODIS数据进行融合，得到灌区作物生育期内每日30m空间分辨率的LST数据集；LST为地表温度；结合当地气象局常规观测资料获得区域内田间净辐射Rn、空气温度Ta的分布，利用标定后S‑I模型，在高空间分辨率的LST数据集的基础上，估算区域作物ET。本发明能快速准确的对区域作物ET的估算，从而为灌区农业灌溉管理提供及时、准确的数据。
Description
技术领域
本发明涉及一种作物ET估算方法，特别是关于一种基于冠气温差和遥感信息进行灌区不同作物ET(腾发量)估算方法。
背景技术
随着我国城镇化进程的加快，农村劳动力逐渐向城市二三产业转移；农村劳动力大量流失使得一家一户的传统农业经营方式难以为继，农业集约化经营成为现代农业发展的必然趋势，我国的农业灌溉逐步从单一、分片小块农田转向连片、大农场。中国是一个水资源严重短缺的国家，水资源供需矛盾突出仍然是可持续发展的主要瓶颈，农业是最主要的水资源消耗部门。农业用水占全球总用水量的70％,在一些非洲和亚洲国家，农业用水比例达85％-90％。近年来农业用水量约占经济社会用水总量的62％，部分地区高达90％以上，农业用水效率不高，节水潜力很大(康绍忠，2014；许迪等，2010)。在此背景下，对灌区灌溉管理在实时、精量、自动化等方面提出了更高要求。
作物冠层温度Tc是一个很好的干旱监测和灌溉决策指标，从上世纪六七十年代已经开展了大量的研究，有坚实的理论基础和广阔的应用前景(Hiller等，1974；Jackson等,1977；Jackson等，1981)。遥感技术在获取陆面参数，特别是大尺度陆面参数方面具有独特的优势，从遥感影像上可直接获取到重要的生态学特征和生物生长参数(Kustas等，2009)。将田间实时观测数据与区域遥感图片反演准实时数据结合起来，进行区域农田作物灌溉决策，则能够充分利用二者的优点，从而达到灌区灌溉管理的精量、实时和自动化。
基于能量平衡原理的遥感反演作物腾发量(Evapotranspiration，ET)估算模型中，比如双源模型TSEB、SEBS、三温模型3T等，在利用遥感影像的不同波段数据时，要进行基于遥感空间反照率和辐射率的地表物理参数反演、热量粗糙长度的计算和显热通量的计算，最后获得潜热通量ET。整个计算过程参数较多，过程复杂，在实际应用中需要专业性非常强的人员去操作才能实现。而灌区农业用水管理部门和一般从业人员很难达到这个要求。Jackson等在1977年提出来一个基于午间作物冠气温差来估算每日ET的方法，Seguin和Itier在1983年利用小麦地实验数据对该方法进行了简化，得到了一个估算作物ET的简化方法：ET-Rn＝a+b(Tc-Ta)，简称为S-I模型。式中Rn为田间净辐射，a、b为特征参数，Tc是冠层温度，Ta是空气温度。此后有不少学者利用该方法得到了验证和应用，但是都是在田间尺度，没能在较大尺度进行检验和应用。由遥感数据反演的高精度地表温度(Land SurfaceTemperature，LST)，在大型灌区种植结构比较单一或者地表植被覆盖度很高的情况下，可以等同于农田作物冠层温度Tc。由此思路，可为利用S-I模型来准确估算灌区大尺度农田作物ET，提供了一个很好的方法。
发明内容
针对上述问题，本发明的目的是提供一种基于冠气温差和遥感信息进行灌区不同作物ET估算方法，其能实现对区域作物的ET进行快速准确的估算，从而为灌区农业灌溉管理提供及时、准确的数据。
为实现上述目的，本发明采取以下技术方案：一种基于冠气温差和遥感信息进行灌区不同作物ET估算方法，其特征在于包括以下步骤：1)根据至少两年典型农田详细试验历史观测数据，对S-I模型进行特征参数a、b的标定和确定，获得可靠精准的标定后S-I模型；2)利用灌区作物生育期内Landsat8和MODIS遥感影像数据，采用增强时空自适应融合算法对Landsat8与MODIS数据进行融合，得到灌区作物生育期内每日30m空间分辨率的LST数据集；LST为地表温度；3)结合当地气象局常规观测资料获得区域内田间净辐射Rn、空气温度Ta的分布，利用标定后S-I模型，在高空间分辨率的LST数据集的基础上，估算区域作物ET。
进一步，所述步骤1)中，基于至少两年试验观测数据的S-I模型特征参数a、b的标定与确定方法，包括以下步骤：1.1)根据至少两年试验历史观测数据分别获得第一年作物生长期内连续观测资料和第二年作物生长期内连续观测资料；1.2)根据第一年作物生长期内连续观测资料确定农田第一年实际腾发量ET1；由试验观测得到田间净辐射Rn、空气温度Ta和冠层温度Tc数据，拟合特征参数a、b；1.3)根据第二年作物生长期内连续观测资料确定农田第二年实际腾发量ET2；根据拟合参数a、b和S-I模型公式，计算农田模拟腾发量ETm；1.4)对农田第二年实际腾发量ET2与农田模拟腾发量ETm进行回归分析，根据二者之间的决定系数R2二者之间关系进而确定特征参数，若ET2与ETm之间关系较好，则确定特征参数a、b；1.5)若农田第二年实际腾发量ET2与农田腾发量ETm之间的关系较差，则继续田间试验观测作为试验历史观测数据，进而积累数据以获得合理的拟合特征参数。
进一步，所述步骤1.1)中，试验观测数据包括通过田间试验观测获取到的每日连续观测典型农田气象数据、每日连续观测典型农田作物冠层温度、典型农田土壤水分变化数据观测数据、典型农田每次灌溉水量观测数据以及典型农田作物生理生态指标观测数据。
进一步，当决定系数R2大于预先设定值时，则ET2与ETm之间关系较好；反之，则ET2与ETm之间关系较差。
进一步，所述决定系数R2的预先设定值为0.8。
进一步，所述步骤2)中，利用Landsat8和MODIS数据获取农田LST数据集的方法包括以下步骤：2.1)将灌区作物生育期内现有Landsat ETM+遥感影像数据经过辐射、大气校正、条带修复、镶嵌和裁剪，选取晴空或少量云覆盖的遥感影像数据，反演得到每16天30m空间分辨率LST数据；2.2)根据灌区作物生育期每日MODIS遥感影像数据，剔除有云或者异常数据，进而反演得到每日1km LST数据；2.3)采用增强时空自适应融合算法对每16天30m空间分辨率LST数据与每日1km LST数据进行融合，生成生育期内每日30m空间分辨率的LST数据集；2.4)根据每日30m空间分辨率的LST数据集和灌区主要作物种植结构遥感数据集及作物系数Kc数据，生成灌区作物LST分布图；2.5)由LST分布图确定灌区作物生育期内每日30m空间分辨率的LST数据集。
进一步，所述步骤2.4)中，根据作物系数Kc，对出现的缺失数据进行线性插补。
本发明由于采取以上技术方案，其具有以下优点：1、本发明基于S-I模型的简化公式，在利用田间精细观测数据对公式特征参数标定的基础上，结合遥感大区域反演地面温度LST数据，实现快速准确的对区域作物ET的估算，从而为灌区农业灌溉管理提供及时、准确的数据。2、本发明利用田间实际数据标定和校核S-I模型的作物特征参数a、b，符合本区域作物生长特性，能够比较精细的估算出作物ET。3、本发明利用遥感数据融合方法，获得区域高分LST数据，从而利用标定后的S-I模型进行区域作物ET估算，实现了作物ET由点到面的尺度转换和有效利用。4、本发明简化了常规遥感反演ET模型参数较多和过程繁杂，在大型灌区用水评估和调度中，提供了一个相对简化、精确的方法，为农业水管理的智能化和信息化提供了有效途径。
综上所述，本发明可以适应更广的区域范围，提高灌区作物需水量评估的可靠性，为灌区现代化建设与农田水分管理提供技术支撑。
附图说明
图1是本发明的整体流程示意图；
图2是本发明的基于最少两年试验数据的S-I模型特征参数a、b标定与确定流程示意图；
图3是本发明的利用Landsat和MODIS数据获取农田LST数据集流程示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示，本发明提供一种基于冠气温差和遥感信息进行灌区不同作物腾发量(ET)的估算方法，其包括以下步骤：
1)根据至少两年典型农田详细试验历史观测数据，对S-I模型进行特征参数a、b的标定和确定，获得可靠精准的标定后S-I模型；
2)利用灌区作物生育期内Landsat8(美国NASA的陆地卫星)和MODIS(EOS卫星上中分辨率成像光谱仪)遥感影像数据，采用增强时空自适应融合算法(ESTARFM)对Landsat8与MODIS数据进行融合，得到灌区作物生育期内每日30m空间分辨率的LST(地表温度)数据集；
3)结合当地气象局常规观测资料获得区域内田间净辐射Rn、空气温度Ta的分布，利用标定后S-I模型，在高空间分辨率的LST数据集的基础上，估算区域作物ET。
上述步骤1)中，如图2所示，基于至少两年试验观测数据的S-I模型特征参数a、b的标定与确定方法，包括以下步骤：
1.1)根据至少两年试验观测数据分别获得第一年作物生长期内连续观测资料和第二年作物生长期内连续观测资料；
试验观测数据包括通过田间试验观测获取到的每日连续观测典型农田气象数据、每日连续观测典型农田作物冠层温度、典型农田土壤水分变化数据观测数据、典型农田每次灌溉水量观测数据以及典型农田作物生理生态指标观测数据等；
1.2)根据第一年作物生长期内连续观测资料确定农田第一年实际腾发量ET1；由试验观测得到田间净辐射Rn、空气温度Ta和冠层温度Tc数据，拟合特征参数a、b；
1.3)根据第二年作物生长期内连续观测资料确定农田第二年实际腾发量ET2；根据上述拟合参数a、b和S-I模型公式，计算农田模拟腾发量ETm；
1.4)对农田第二年实际腾发量ET2与农田模拟腾发量ETm进行回归分析，根据二者之间的决定系数R2判断二者之间关系进而确定特征参数，若ET2与ETm之间关系较好，则确定特征参数a、b；
1.5)若农田第二年实际腾发量ET2与农田模拟腾发量ETm之间的关系较差，则继续田间试验观测作为试验历史观测数据，进而积累数据以获得合理的拟合特征参数。
上述步骤中，当决定系数R2大于预先设定值时，则ET2与ETm之间关系较好；反之，则ET2与ETm之间关系较差；在本实施例中，预先设定值为0.8。
上述步骤2)中，如图3所示，利用Landsat 8和MODIS数据获取农田高时空分辨率的LST数据集的方法包括以下步骤：
2.1)将灌区作物生育期内现有Landsat ETM+遥感影像数据经过辐射、大气校正、条带修复、镶嵌和裁剪，选取晴空或少量云覆盖的遥感影像数据，反演得到每16天30m空间分辨率LST数据；
2.2)根据灌区作物生育期每日MODIS遥感影像数据，剔除有云或者异常数据，进而反演得到每日1km LST数据；
2.3)采用增强时空自适应融合算法(ESTARFM)对每16天30m空间分辨率LST数据与每日1km LST数据进行融合，生成生育期内每日30m空间分辨率的LST数据集；
2.4)根据每日30m空间分辨率的LST数据集和灌区主要作物种植结构遥感数据集、作物系数Kc等数据，生成灌区作物LST分布图；根据作物系数Kc，对可能出现的缺失数据进行线性插补；
2.5)由LST分布图确定灌区作物生育期内每日30m空间分辨率的LST数据集。
上述各实施例仅用于说明本发明，各个步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。
Claims (7)
1.一种基于冠气温差和遥感信息进行灌区不同作物ET估算方法，其特征在于包括以下步骤：
1)根据至少两年典型农田详细试验历史观测数据，对S-I模型进行特征参数a、b的标定和确定，获得可靠精准的标定后S-I模型；
2)利用灌区作物生育期内Landsat8和MODIS遥感影像数据，采用增强时空自适应融合算法对Landsat8与MODIS数据进行融合，得到灌区作物生育期内每日30m空间分辨率的LST数据集；LST为地表温度；
3)结合当地气象局常规观测资料获得区域内田间净辐射Rn、空气温度Ta的分布，利用标定后S-I模型，在高空间分辨率的LST数据集的基础上，估算区域作物ET。
2.如权利要求1所述ET估算方法，其特征在于：所述步骤1)中，基于至少两年试验观测数据的S-I模型特征参数a、b的标定与确定方法，包括以下步骤：
1.1)根据至少两年试验历史观测数据分别获得第一年作物生长期内连续观测资料和第二年作物生长期内连续观测资料；
1.2)根据第一年作物生长期内连续观测资料确定农田第一年实际腾发量ET1；由试验观测得到田间净辐射Rn、空气温度Ta和冠层温度Tc数据，拟合特征参数a、b；
1.3)根据第二年作物生长期内连续观测资料确定农田第二年实际腾发量ET2；根据拟合参数a、b和S-I模型公式，计算农田模拟腾发量ETm；
1.4)对农田第二年实际腾发量ET2与农田模拟腾发量ETm进行回归分析，根据二者之间的决定系数R2二者之间关系进而确定特征参数，若ET2与ETm之间关系较好，则确定特征参数a、b；
1.5)若农田第二年实际腾发量ET2与农田腾发量ETm之间的关系较差，则继续田间试验观测作为试验历史观测数据，进而积累数据以获得合理的拟合特征参数。
3.如权利要求2所述ET估算方法，其特征在于：所述步骤1.1)中，试验观测数据包括通过田间试验观测获取到的每日连续观测典型农田气象数据、每日连续观测典型农田作物冠层温度、典型农田土壤水分变化数据观测数据、典型农田每次灌溉水量观测数据以及典型农田作物生理生态指标观测数据。
4.如权利要求2或3所述ET估算方法，其特征在于：当决定系数R2大于预先设定值时，则ET2与ETm之间关系较好；反之，则ET2与ETm之间关系较差。
5.如权利要求4所述ET估算方法，其特征在于：所述决定系数R2的预先设定值为0.8。
6.如权利要求1-3任一项所述ET估算方法，其特征在于：所述步骤2)中，利用Landsat8和MODIS数据获取农田LST数据集的方法包括以下步骤：
2.1)将灌区作物生育期内现有Landsat ETM+遥感影像数据经过辐射、大气校正、条带修复、镶嵌和裁剪，选取晴空或少量云覆盖的遥感影像数据，反演得到每16天30m空间分辨率LST数据；
2.2)根据灌区作物生育期每日MODIS遥感影像数据，剔除有云或者异常数据，进而反演得到每日1km LST数据；
2.3)采用增强时空自适应融合算法对每16天30m空间分辨率LST数据与每日1km LST数据进行融合，生成生育期内每日30m空间分辨率的LST数据集；
2.4)根据每日30m空间分辨率的LST数据集和灌区主要作物种植结构遥感数据集及作物系数Kc数据，生成灌区作物LST分布图；
2.5)由LST分布图确定灌区作物生育期内每日30m空间分辨率的LST数据集。
7.如权利要求6所述ET估算方法，其特征在于：所述步骤2.4)中，根据作物系数Kc，对出现的缺失数据进行线性插补。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810342013.5A CN108446999B (zh) | 2018-04-17 | 2018-04-17 | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810342013.5A CN108446999B (zh) | 2018-04-17 | 2018-04-17 | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108446999A true CN108446999A (zh) | 2018-08-24 |
| CN108446999B CN108446999B (zh) | 2022-02-25 |
Family
ID=63199982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810342013.5A Active CN108446999B (zh) | 2018-04-17 | 2018-04-17 | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108446999B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109186774A (zh) * | 2018-08-30 | 2019-01-11 | 清华大学 | 地表温度信息获取方法、装置、计算机设备和存储介质 |
| CN109934515A (zh) * | 2019-04-18 | 2019-06-25 | 中国水利水电科学研究院 | 一种作物精量灌溉决策方法及系统 |
| CN110111379A (zh) * | 2019-05-06 | 2019-08-09 | 新疆农业大学 | 一种基于MODIS与Landsat数据的改进型地表温度日较差降尺度估算方法 |
| CN110210142A (zh) * | 2019-06-05 | 2019-09-06 | 扬州大学 | 一种南方大型灌区水稻实时需水量测算方法 |
| CN110929222A (zh) * | 2019-10-24 | 2020-03-27 | 中山大学 | 基于遥感植被冠层水分指数的灌溉农田识别方法 |
| CN111079256A (zh) * | 2019-11-18 | 2020-04-28 | 珠江水利委员会珠江水利科学研究院 | 一种基于遥感的灌溉水有效利用系数测算方法 |
| CN111223002A (zh) * | 2020-02-26 | 2020-06-02 | 中国水利水电科学研究院 | 一种玉米区域干物质产量或青储产量评估方法和系统 |
| CN112906477A (zh) * | 2021-01-21 | 2021-06-04 | 中国农业科学院农田灌溉研究所 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
| CN113273477A (zh) * | 2021-04-19 | 2021-08-20 | 江苏农林职业技术学院 | 一种智能滴灌系统及方法 |
| CN113748867A (zh) * | 2021-09-10 | 2021-12-07 | 中国水利水电科学研究院 | 一种农田表面温度监测数据精量甄别方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105510231A (zh) * | 2015-11-25 | 2016-04-20 | 北京师范大学 | 一种农田土壤水分遥感反演方法 |
| CN105760814A (zh) * | 2016-01-25 | 2016-07-13 | 中国水利水电科学研究院 | 一种基于数据挖掘的干旱监测方法 |
| CN106872665A (zh) * | 2015-12-11 | 2017-06-20 | 张成才 | 基于遥感的土壤墒情监测方法 |
-
2018
- 2018-04-17 CN CN201810342013.5A patent/CN108446999B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105510231A (zh) * | 2015-11-25 | 2016-04-20 | 北京师范大学 | 一种农田土壤水分遥感反演方法 |
| CN106872665A (zh) * | 2015-12-11 | 2017-06-20 | 张成才 | 基于遥感的土壤墒情监测方法 |
| CN105760814A (zh) * | 2016-01-25 | 2016-07-13 | 中国水利水电科学研究院 | 一种基于数据挖掘的干旱监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| L. OLIVERA-GUERRA等: "An operational method for the disaggregation of land surface temperature to estimate actual evapotranspiration in the arid region of Chile", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
| 白亮亮 等: "基于数据融合算法的灌区蒸散发空间降尺度研究", 《农业机械学报》 * |
| 黄凌旭 等: "利用作物冠气温差估算农田蒸散量", 《中国农村水利水电》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109186774B (zh) * | 2018-08-30 | 2019-11-22 | 清华大学 | 地表温度信息获取方法、装置、计算机设备和存储介质 |
| CN109186774A (zh) * | 2018-08-30 | 2019-01-11 | 清华大学 | 地表温度信息获取方法、装置、计算机设备和存储介质 |
| CN109934515B (zh) * | 2019-04-18 | 2021-03-23 | 中国水利水电科学研究院 | 一种作物精量灌溉决策方法及系统 |
| CN109934515A (zh) * | 2019-04-18 | 2019-06-25 | 中国水利水电科学研究院 | 一种作物精量灌溉决策方法及系统 |
| CN110111379B (zh) * | 2019-05-06 | 2023-01-31 | 新疆农业大学 | 一种基于MODIS与Landsat数据的改进型地表温度日较差降尺度估算方法 |
| CN110111379A (zh) * | 2019-05-06 | 2019-08-09 | 新疆农业大学 | 一种基于MODIS与Landsat数据的改进型地表温度日较差降尺度估算方法 |
| CN110210142A (zh) * | 2019-06-05 | 2019-09-06 | 扬州大学 | 一种南方大型灌区水稻实时需水量测算方法 |
| CN110210142B (zh) * | 2019-06-05 | 2023-02-28 | 扬州大学 | 一种南方大型灌区水稻实时需水量测算方法 |
| CN110929222A (zh) * | 2019-10-24 | 2020-03-27 | 中山大学 | 基于遥感植被冠层水分指数的灌溉农田识别方法 |
| CN111079256A (zh) * | 2019-11-18 | 2020-04-28 | 珠江水利委员会珠江水利科学研究院 | 一种基于遥感的灌溉水有效利用系数测算方法 |
| CN111079256B (zh) * | 2019-11-18 | 2023-08-29 | 珠江水利委员会珠江水利科学研究院 | 一种基于遥感的灌溉水有效利用系数测算方法 |
| CN111223002A (zh) * | 2020-02-26 | 2020-06-02 | 中国水利水电科学研究院 | 一种玉米区域干物质产量或青储产量评估方法和系统 |
| CN111223002B (zh) * | 2020-02-26 | 2023-10-31 | 中国水利水电科学研究院 | 一种玉米区域干物质产量或青储产量评估方法和系统 |
| CN112906477A (zh) * | 2021-01-21 | 2021-06-04 | 中国农业科学院农田灌溉研究所 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
| CN112906477B (zh) * | 2021-01-21 | 2022-09-02 | 中国农业科学院农田灌溉研究所 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
| CN113273477A (zh) * | 2021-04-19 | 2021-08-20 | 江苏农林职业技术学院 | 一种智能滴灌系统及方法 |
| CN113748867B (zh) * | 2021-09-10 | 2022-04-26 | 中国水利水电科学研究院 | 一种农田表面温度监测数据精量甄别方法及系统 |
| CN113748867A (zh) * | 2021-09-10 | 2021-12-07 | 中国水利水电科学研究院 | 一种农田表面温度监测数据精量甄别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108446999B (zh) | 2022-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108446999A (zh) | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 | |
| Faramarzi et al. | Modelling blue and green water resources availability in Iran | |
| Wang et al. | Effects of climate change on maize production, and potential adaptation measures: a case study in Jilin Province, China | |
| CN109934515A (zh) | 一种作物精量灌溉决策方法及系统 | |
| CN109582755A (zh) | 一种基于网格的精准农业数据库实现方法 | |
| Sun et al. | A systematic review of research studies on the estimation of net primary productivity in the Three-River Headwater Region, China | |
| CN108958329A (zh) | 一种滴灌水肥一体化智能决策方法 | |
| CN104794336A (zh) | 一种农田秸秆资源空间分布估算方法 | |
| CN114462518A (zh) | 考虑多要素空间依赖性的区域蒸散发变化归因分析方法 | |
| CN116757357A (zh) | 一种耦合多源遥感信息的土地生态状况评估方法 | |
| CN108399577A (zh) | 一种基于蒸散发的林地植被生态需水的定量测算方法 | |
| 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 | |
| CN114897423B (zh) | 基于作物水分指示线的农田灌溉概率指数计算方法 | |
| CN113868826B (zh) | 一种基于栅格尺度耕地农田生产能力重心变化的测度方法 | |
| Zhang et al. | Agricultural drought characteristics in a typical plain region considering irrigation, crop growth, and water demand impacts | |
| Ansari et al. | Simulating streamflow through the SWAT model in the keduang sub-watershed, wonogiri regency, Indonesia | |
| CN114781199A (zh) | 水源涵养对气候变化的响应分析方法、装置、介质和设备 | |
| Liu et al. | Estimation and spatiotemporal variation analysis of net primary productivity in the upper Luanhe River Basin in China from 2001 to 2017 combining with a downscaling method | |
| Besbes et al. | Predictability of water resources with global climate models. Case of Northern Tunisia | |
| CN104102806A (zh) | 多品种农作物的农业气候区划方法 | |
| Yan et al. | Estimation of agricultural water productivity and application | |
| Bagli et al. | Agro-pedo-climatological zoning of Italy | |
| Gangi et al. | Comparison between a rigid and flexible border irrigation scheduling: a pilot case study in Northern Italy | |
| Chen et al. | Modification and testing of SWAT for paddy field water consumption and yield | |
| Belsare et al. | Computing for climate resilience in agriculture |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |