CN108548793B - 一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法 - Google Patents
一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法 Download PDFInfo
- Publication number
- CN108548793B CN108548793B CN201810251635.7A CN201810251635A CN108548793B CN 108548793 B CN108548793 B CN 108548793B CN 201810251635 A CN201810251635 A CN 201810251635A CN 108548793 B CN108548793 B CN 108548793B
- Authority
- CN
- China
- Prior art keywords
- nir
- red
- swir
- vertical
- index
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 102
- 230000003595 spectral effect Effects 0.000 title claims abstract description 51
- 241000209140 Triticum Species 0.000 title claims abstract description 44
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000002689 soil Substances 0.000 claims abstract description 43
- 238000002310 reflectometry Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 208000005156 Dehydration Diseases 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 230000004044 response Effects 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013179 statistical model Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3554—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种综合Nir‑Red‑Swir光谱特征的小麦冠层含水量反演方法，所述方法包括以下步骤：S101、获取遥感数据；S102、获取基于Nir‑Red光谱特征空间的垂直干旱指数；S103、获取基于Nir‑Swir光谱特征空间的短波红外垂直失水指数；S104、根据所述的垂直干旱指数和短波红外垂直失水指数计算综合Nir‑Red‑Swir三波段垂直植被水分指数。本发明通过综合考虑Nir‑Red‑Swir波段反射率对土壤和作物水分状况的响应，建立一种基于Nir‑Red‑Swir三波段的作物含水量遥感监测模型，即三波段垂直植被水分指数，实现了不同覆盖条件下的小麦冠层含水量遥感反演，且反演精度高，不受植被覆盖度影响。
Description
技术领域
本发明涉及植被遥感技术应用领域，特别是一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法。
背景技术
作物含水量是表征作物长势状况的重要因子，已成为遥感监测作物长势的热点之一。目前，基于遥感技术进行作物冠层含水量监测的方法主要包括物理模型和统计模型两种方法。物理模型由于综合考虑了叶片、冠层、土壤和观测情况等因素，更能反映复杂的地表环境，从而反演精度相对更高，被广泛应用于冠层生化参数反演。统计模型法主要是建立光谱指数或光谱指数变型与地面实测植被含水量的线性、指数、多项式等统计模型，进行含水量反演，统计法简单易懂，是估算植被含水量的常用方法。
目前应用最广泛的物理模型为PROSAIL模型，例如基于Hyperion数据实现植物冠层含水量的区域反演以及基于PROSAIL模拟和机载高光谱数据实现不同植被覆盖下的冠层含水量反演；而统计模型有综合EVI和NDWI构建新指数用来估算植被冠层含水量、根据对植被冠层高光谱数据进行所有可能的两两组合构建新型比值指数和归一化指数以及归一化水分指数NDWI。而随着植被含水量遥感反演研究的不断深入，近年来，土壤线思想逐渐被引入到植被含水量遥感反演指数构建中。
但是研究发现，基于可见光或近红外波段的光谱指数，对植被液态水敏感度不够，导致反演精度较低，而短红外波段对植被水分敏感度虽然高于可见光，但其对于叶绿素以及植被覆盖度的变化反映不够。
发明内容
本发明的目的是提供一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法，旨在解决当前利用光谱特征进行小麦冠层含水量反演时由于对植被水分敏感度低或对植被覆盖度的变化不够导致的反演精度低的问题，实现不同覆盖条件下的小麦冠层含水量遥感反演，且反演精度高。
为达到上述技术目的，本发明提供了一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法，包括以下步骤：
S101、获取遥感数据；
S102、获取基于Nir-Red光谱特征空间的垂直干旱指数；
S103、获取基于Nir-Swir光谱特征空间的短波红外垂直失水指数；
S104、根据所述的垂直干旱指数和短波红外垂直失水指数计算综合Nir-Red-Swir三波段垂直植被水分指数。
优选地，所述垂直干旱指数的计算公式为：
其中，M为土壤在Nir-Red光谱特征空间的土壤线斜率，Rred为红波段的反射率，Rnir为近红外波段的反射率。
优选地，所述短波红外垂直失水指数计算公式为：
其中，M为土壤在Nir-Swir二维光谱特征空间的土壤线斜率，Rswir为短波红外波段的反射率，Rnir为近红外波段的反射率。
优选地，所述垂直植被水分指数的计算公式为：
其中，M1为Nir-Red光谱特征空间的土壤线斜率，M2为Nir-Swir光谱特征空间的土壤线斜率；Rred、Rnir、Rswir分别为作物在红波段、近红外波段和短波红外波段的反射率。
优选地，所述遥感数据为四景Landsat 8 OLI影像。
优选地，所述遥感数据需进行数据预处理，所述预处理包括辐射定标、大气校正和几何校正。
优选地，所述数据预处理基于ENVI进行。
优选地，所述垂直干旱指数用于表征区域的干旱状况。
优选地，所述短波红外垂直失水指数用于表征区域植被水分胁迫。
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：
与现有技术相比，本发明通过综合考虑Nir-Red-Swir波段反射率对土壤和作物水分状况的响应，建立一种基于Nir-Red-Swir三波段的作物含水量遥感监测模型，即三波段垂直植被水分指数，避免了分别基于Nir-Red和Nir-Swir光谱特征空间开展作物含水量遥感监测的局限性，解决当前利用光谱特征进行小麦冠层含水量反演时由于对植被水分敏感度低或对植被覆盖度的变化不够导致的反演精度低的问题，实现了不同覆盖条件下的小麦冠层含水量遥感反演，且反演精度高，不受植被覆盖度影响。
附图说明
图1为本发明实施例中所提供的一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法流程图；
图2为本发明实施例中所提供的一种垂直干旱指数构建示意图；
图3为本发明实施例中所提供的一种短波红外垂直失水指数构建示意图；
图4为本发明实施例中所提供的基于TPVWI估测植被含水量与实测植被含水量的对比图。
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。
下面结合附图对本发明实施例所提供的一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法进行详细说明。
如图1所示，本发明实施例公开了一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法，包括以下步骤：
S101、获取遥感数据。
本发明实施例所用遥感数据均来自遥感数据共享网站，获取覆盖试验区的四景Landsat 8OLI影像，成像时间选择为3-26、4-18、5-4和5-13。须保证卫星数据获取时间与地面植被数据采集时间最大相差3天，在此期间，考虑到小麦3天之内地面实测光谱变化较小，且试验区未发生灌溉和降水，故认为地面实测数据与相近时间的卫星影像数据一致。
对获取到的Landsat 8OLI影像进行数据预处理，所述数据预处理基于ENVI进行，包括：辐射定标、大气校正和几何校正等。
S102、获取基于Nir-Red光谱特征空间的垂直干旱指数。
土壤水分是作物生长的主要水分来源，当土壤水分低于某一值后，作物不能从土壤中吸收足够的水分就会表现出干旱特征。植被含水量的多少与所在区域的干旱特征相关，因此需要对所在区域的干旱特征进行提取。
垂直干旱指数通常用于衡量一个区域内的干旱状况，通过区域内的光谱特征来了解其干旱程度。本发明实施例通过采用Nir-Red三角形光谱特征空间中任意一点到土壤基线的垂线L的距离来表征区域的干旱状况，如图2所示，AD线代表地表植被生长状况从全覆盖(A点)到部分覆盖(E点)到无植被覆盖(D点)，水体分布在土壤线靠近B点一侧，湿土分布在土壤线的中部而干土分布在土壤线靠近C点一侧，BC一线的变化代表土壤水分状况的变化。
垂直干旱指数的计算公式如下：
其中，M为土壤在Nir-Red光谱特征空间的土壤线斜率，Rred为红波段的反射率，Rnir为近红外波段的反射率。
垂直干旱指数越大，距离L越远，表征地表越干旱。
S103、获取基于Nir-Swir光谱特征空间的短波红外垂直失水指数。
当植被水分散失超过水分吸收，会发生植被水分胁迫，是植物组织含水量下降，短波红外垂直失水指数是衡量植被失水的重要指标。
Nir和Swir波段的反差构成的指数不仅可以突出植被水分含量的信息，还可以对地表水分含量进行定量的评价，但基于Nir-Swir光谱特征空间的短波红外垂直失水指数由于不能完全排除土壤背景的干扰，其适用于全覆盖植被冠层水分失水率的遥感监测。本发明实施例通过采用Nir和Swir光谱特征空间中任意一点到土壤基线的垂线L的距离来表征植被水分胁迫，如图3所示，CD为Nir-Swir基线，没有植被覆盖的土壤在这条线上，C点为水体或水分饱和的裸露土壤分布，D点为极度干旱的裸露土壤，A点为全植被覆盖高含水冠层，B点为全植被覆盖低含水冠层。
短波红外垂直失水指数的计算公式如下：
其中，M为土壤在Nir-Swir二维光谱特征空间的土壤线斜率，Rswir为短波红外波段的反射率，Rnir为近红外波段的反射率。
短波红外垂直失水指数越大，距离L越远，表征植被水分胁迫越严重。
S104、根据所述的垂直干旱指数和短波红外垂直失水指数计算综合Nir-Red-Swir三波段垂直植被水分指数。
基于Nir-Red光谱特征空间构建的垂直干旱指数PDI能很好的反映地表覆盖及其变化，具有较明显的物理意义，但它只适宜于低植被覆盖区域或者裸土区域的土壤水分监测，在植被覆盖度较大的区域，基于Nir-Red波段探测植被水分精度有限。而SPSI引入了对植被水分比较敏感的短波红外波段，在作物含水量反演研究中精度有所提高，但它是在植被全覆盖条件下建立的作物失水指数，且只能在植被叶子严重缺水而失去水分后有所指示，在低植被覆盖区，SPSI无法消除土壤的影响。
综合考虑Nir-Red-Swir波段反射率对土壤和作物水分状况的响应，建立一种基于Nir-Red-Swir三波段的作物含水量遥感监测模型，即三波段垂直植被水分指数，其计算公式如下：
对某一时期，某一地区的影像来说，
为定值，并不影响TPVWI与VWC的相关关系，因此公式可进一步简化为：
其中，M1为Nir-Red光谱特征空间的土壤线斜率，M2为Nir-Swir光谱特征空间的土壤线斜率；Rred、Rnir、Rswir分别为作物在红波段、近红外波段和短波红外波段的反射率。
为验证TPVWI指数在不同覆盖条件下作物含水量监测的有效性，保证每组都包括返青-拔节-开花灌浆期数据的条件下，本发明将地面实测小麦含水量数据随机分成两组，分别用来建模和验证模型精度。此外，为了检验TPVWI指数在不同覆盖条件下作物含水量监测的有效性，本发明实施例又测试了拔节-开花灌浆期，即基本全覆盖条件下的30个地面小麦含水量数据与TPVWI、PDI、SPSI、PWI和NDVI的拟合方程和相关关系。
计算小麦植株含水量：
对小麦植株含水量数据进行采集，采集时间覆盖小麦返青期-拔节期-开花灌浆期，本发明实施例分别在3-29、4-18、5-6和5-11进行数据采集。
在试验区内随机选取若干个60m*60m且小麦长势比较均一的样品区域，利用GPS获得每个样品区域的四个角点和中心点经纬度，在每个样品区域内随机选取两个30cm*30cm的样方，对该样方内的地上小麦活体全部收割。将收割后的小麦植株样品放入密封袋内带回，并在实验室内对小麦植株样品称量其鲜重，然后在105℃杀青，在80℃下烘干至恒重，从而获得其干重。通过小麦鲜重和干重计算小麦植株含水量，其计算公式如下：
VWC＝(FWC-DWC)/FWC×100％
其中，FWC为小麦样品鲜重(g)，DWC为小麦样品干重(g)。
通过计算小麦真实含水量，建立其与各模型指数的相互关系，如表1所示：
表1不同植被指数与小麦冠层含水量的相关模型
根据表1可以看出，在拔节-开花灌浆期，除NDVI与VWC呈显著相关关系外，其他4种指数与VWC都极显著相关，且TPVWI与VWC拟合模型的决定系数显著高于其它3种指数拟合模型。但基于返青-拔节-开花灌浆期数据建立拟合模型中，只有垂直干旱指数PDI和本文新构建的三波段垂直植被水分指数TPVWI与小麦冠层含水量呈现显著负相关关系，且TPVWI拟合模型的R2优于PDI拟合模型的R2，PWI、SPSI与VWC的相关性较弱。说明新指数综合Red-Nir-Swir三波段光谱特征，不仅能消除部分土壤背景的影响，而且增强了遥感信息对不同覆盖条件下植被含水量的敏感性，在一定程度上提高了作物含水量遥感监测的精度。
通过地面实测VWC数据与TPVWI估测的VWC值进行一一比对，如图4所示，模型预测VWC与实测值之间存在较好关系，其决定系数R2与RMSE分别为0.763和2.32％，该精度能够满足农业、生态对区域植被含水量信息的需求。
本发明实施例通过综合考虑Nir-Red-Swir波段反射率对土壤和作物水分状况的响应，建立一种基于Nir-Red-Swir三波段的作物含水量遥感监测模型，即三波段垂直植被水分指数，避免了分别基于Nir-Red和Nir-Swir光谱特征空间开展作物含水量遥感监测的局限性，解决当前利用光谱特征进行小麦冠层含水量反演时由于对植被水分敏感度低或对植被覆盖度的变化不够导致的反演精度低的问题，实现了不同覆盖条件下的小麦冠层含水量遥感反演，且反演精度高，不受植被覆盖度影响。
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)
1.一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法，其特征在于，包括以下步骤：
S101、获取遥感数据；
S102、获取基于Nir-Red光谱特征空间的垂直干旱指数；
S103、获取基于Nir-Swir光谱特征空间的短波红外垂直失水指数；
S104、根据所述的垂直干旱指数和短波红外垂直失水指数计算综合Nir-Red-Swir三波段垂直植被水分指数，利用所述垂直植被水分指数进行小麦冠层含水量反演，所述垂直植被水分指数的计算公式为：
其中，M1为Nir-Red光谱特征空间的土壤线斜率，M2为Nir-Swir光谱特征空间的土壤线斜率；Rred、Rnir、Rswir分别为作物在红波段、近红外波段和短波红外波段的反射率，PDI为垂直干旱指数，SPSI为短波红外垂直失水指数。
2.根据权利要求1所述的一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法，其特征在于，所述垂直干旱指数的计算公式为：
其中，M1为土壤在Nir-Red光谱特征空间的土壤线斜率，Rred为红波段的反射率，Rnir为近红外波段的反射率。
3.根据权利要求1所述的一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法，其特征在于，所述短波红外垂直失水指数计算公式为：
其中，M2为土壤在Nir-Swir二维光谱特征空间的土壤线斜率，Rswir为短波红外波段的反射率，Rnir为近红外波段的反射率。
4.根据权利要求1所述的一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法，其特征在于，所述遥感数据为四景Landsat 8 OLI影像。
5.根据权利要求4所述的一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法，其特征在于，所述遥感数据需进行数据预处理，所述预处理包括辐射定标、大气校正和几何校正。
6.根据权利要求5所述的一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法，其特征在于，所述数据预处理基于ENVI进行。
7.根据权利要求1或2所述的一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法，其特征在于，所述垂直干旱指数用于表征区域的干旱状况。
8.根据权利要求1或3所述的一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法，其特征在于，所述短波红外垂直失水指数用于表征区域植被水分胁迫。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810251635.7A CN108548793B (zh) | 2018-03-26 | 2018-03-26 | 一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810251635.7A CN108548793B (zh) | 2018-03-26 | 2018-03-26 | 一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108548793A CN108548793A (zh) | 2018-09-18 |
| CN108548793B true CN108548793B (zh) | 2020-07-07 |
Family
ID=63517095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810251635.7A Active CN108548793B (zh) | 2018-03-26 | 2018-03-26 | 一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108548793B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110082300B (zh) * | 2019-05-20 | 2020-03-03 | 中国水利水电科学研究院 | 基于光谱参量的冬小麦冠层含水率监测模型建立方法 |
| CN110118742A (zh) * | 2019-05-27 | 2019-08-13 | 成都理工大学 | 基于光谱分析的陆表植被冠层生态水含量遥感反演方法 |
| CN112649392A (zh) * | 2020-12-15 | 2021-04-13 | 中国农业大学 | 一种快速鉴定小麦节水抗旱性的方法 |
| CN113720798B (zh) * | 2021-08-31 | 2022-04-19 | 南京大学 | 农作物生理和结构表型参数多任务并行的自动观测方法 |
| CN114373516B (zh) * | 2021-11-30 | 2024-07-19 | 中国科学院空天信息创新研究院 | 叶绿素含量遥感反演方法、装置、电子设备、介质和产品 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101187630A (zh) * | 2007-12-05 | 2008-05-28 | 北京大学 | 一种农田干旱监测方法 |
| WO2009136210A1 (en) * | 2008-05-08 | 2009-11-12 | The University Court Of The University Of Edinburgh | Remote sensing system |
| CN102628860A (zh) * | 2012-04-16 | 2012-08-08 | 山东省农业可持续发展研究所 | 一种麦田土壤水分的遥感监测方法 |
| CN106226260A (zh) * | 2016-08-10 | 2016-12-14 | 武汉大学 | 一种结合微波和红外遥感影像的土壤水分反演方法 |
| CN107085712A (zh) * | 2017-04-28 | 2017-08-22 | 山东省农业可持续发展研究所 | 一种基于modis数据的农业干旱监测方法 |
| CN107389895A (zh) * | 2017-06-08 | 2017-11-24 | 环境保护部卫星环境应用中心 | 土壤水分混合型遥感反演方法及系统 |
| CN107782701A (zh) * | 2017-09-20 | 2018-03-09 | 北京师范大学 | 一种多源遥感数据的农业干旱监测方法 |
-
2018
- 2018-03-26 CN CN201810251635.7A patent/CN108548793B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101187630A (zh) * | 2007-12-05 | 2008-05-28 | 北京大学 | 一种农田干旱监测方法 |
| WO2009136210A1 (en) * | 2008-05-08 | 2009-11-12 | The University Court Of The University Of Edinburgh | Remote sensing system |
| CN102628860A (zh) * | 2012-04-16 | 2012-08-08 | 山东省农业可持续发展研究所 | 一种麦田土壤水分的遥感监测方法 |
| CN106226260A (zh) * | 2016-08-10 | 2016-12-14 | 武汉大学 | 一种结合微波和红外遥感影像的土壤水分反演方法 |
| CN107085712A (zh) * | 2017-04-28 | 2017-08-22 | 山东省农业可持续发展研究所 | 一种基于modis数据的农业干旱监测方法 |
| CN107389895A (zh) * | 2017-06-08 | 2017-11-24 | 环境保护部卫星环境应用中心 | 土壤水分混合型遥感反演方法及系统 |
| CN107782701A (zh) * | 2017-09-20 | 2018-03-09 | 北京师范大学 | 一种多源遥感数据的农业干旱监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Drought Mapping Using Two Shortwave Infrared Water Indices with MODIS Data under Vegetated Season;S. H. Zhao et al.;《Journal of Environmental Informatics》;20130627;第21卷(第2期);第102-111页 * |
| Extracting the Spatiotemporal Pattern of Cropping Systems From NDVI Time Series Using a Combination of the Spline and HANTS Algorithms: A Case Study for Shandong Province;Shou-zhen Liang et al.;《Canadian Journal of Remote Sensing》;20161104;第43卷;第1-14页 * |
| 典型农业干旱遥感监测指数的比较及分类体系;孙灏 等;《农业工程学报》;20120731;第28卷(第14期);第147-154页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108548793A (zh) | 2018-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108548793B (zh) | 一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法 | |
| Wolanin et al. | Estimating crop primary productivity with Sentinel-2 and Landsat 8 using machine learning methods trained with radiative transfer simulations | |
| Prabhakara et al. | Evaluating the relationship between biomass, percent groundcover and remote sensing indices across six winter cover crop fields in Maryland, United States | |
| Delegido et al. | Estimating chlorophyll content of crops from hyperspectral data using a normalized area over reflectance curve (NAOC) | |
| Gallo et al. | Spectral estimation of absorbed photosynthetically active radiation in corn canopies | |
| Brantley et al. | Application of hyperspectral vegetation indices to detect variations in high leaf area index temperate shrub thicket canopies | |
| Zhang et al. | Advances in estimation methods of vegetation water content based on optical remote sensing techniques | |
| Mao et al. | Spatiotemporal dynamics of grassland aboveground net primary productivity and its association with climatic pattern and changes in Northern China | |
| Seiler et al. | Monitoring weather impact and crop yield from NOAA AVHRR data in Argentina | |
| Cheng et al. | Using multimodal remote sensing data to estimate regional-scale soil moisture content: A case study of Beijing, China | |
| Huang et al. | Assimilating remotely sensed information with the wheatgrow model based on the ensemble square root filter for improving regional wheat yield forecasts | |
| Zhang et al. | Evaluating maize evapotranspiration using high-resolution UAV-based imagery and FAO-56 dual crop coefficient approach | |
| Cheng et al. | Mapping paddy rice yield in Zhejiang Province using MODIS spectral index | |
| Seo et al. | Effect of meteorological factors on evapotranspiration change of Cnidium officinale Makino | |
| Ahmadi et al. | Assessment the effect of drought and land use change on vegetation using Landsat data | |
| Neale et al. | Cotton canopy reflectance under variable solar zenith angles: Implications of use in evapotranspiration models | |
| Jurečka et al. | Estimating crop yields at the field level using Landsat and MODIS products. | |
| Galvíncio et al. | LAI Improved to dry forest in Semiarid of the Brazil. | |
| Liu et al. | Estimating wheat coverage using multispectral images collected by unmanned aerial vehicles and a new sensor | |
| Linderman et al. | Climate and land-use effects on interannual fAPAR variability from MODIS 250 m data | |
| Hong et al. | Comparison of remote sensing and crop growth models for estimating within-field LAI variability | |
| Davenport et al. | Leaf spectral reflectance for nondestructive measurement of plant nutrient status | |
| Mihai et al. | Drought vegetation monitoring using in situ and satellite data, in the caracal plain of Romania | |
| Cai | Vegetation Observation in the Big Data Era: Sentinel-2 data for mapping the seasonality of land vegetation | |
| Amazirh | Monitoring crops water needs at high spatio-temporal resolution by synergy of optical/thermal and radar observations |
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 |