CN108985260B - 一种遥感及气象一体化水稻估产方法 - Google Patents

一种遥感及气象一体化水稻估产方法 Download PDF

Info

Publication number
CN108985260B
CN108985260B CN201810883382.5A CN201810883382A CN108985260B CN 108985260 B CN108985260 B CN 108985260B CN 201810883382 A CN201810883382 A CN 201810883382A CN 108985260 B CN108985260 B CN 108985260B
Authority
CN
China
Prior art keywords
rice
target area
remote sensing
yield
year
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
Application number
CN201810883382.5A
Other languages
English (en)
Other versions
CN108985260A (zh
Inventor
马天舒
邵靖净
李光丽
席家驹
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.)
Space Star Technology Co Ltd
Original Assignee
Space Star Technology Co Ltd
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 Space Star Technology Co Ltd filed Critical Space Star Technology Co Ltd
Priority to CN201810883382.5A priority Critical patent/CN108985260B/zh
Publication of CN108985260A publication Critical patent/CN108985260A/zh
Application granted granted Critical
Publication of CN108985260B publication Critical patent/CN108985260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Abstract

本发明涉及一种遥感及气象一体化水稻估产方法，包括：输入目标区域内农作物种植的遥感影像数据；利用最大似然监督分类算法获取所需区域的农作物种植分类信息；估算出目标区域内水稻种植面积；利用目标区域历年选取时间段内的气象监测数据和FPAR光合作用有效辐射系数，进行历年水稻长势分析结果；以遥感影像数据生成当年水稻生长过程曲线，获得当年目标区域水稻长势分析结果；根据目标区域气象监测数据评估得到目标区域灾害损失并区分灾种；建立水稻估产模型，并计算获得目标区域水稻总产量。本发明可实现高精度的大宗农作物估产，提高物估产结果的准确性，以用于满足农业生产管理、农业保险、期货等行业应用的专业化需求。

Description

一种遥感及气象一体化水稻估产方法
技术领域
本发明属于农业遥感技术领域，涉及一种遥感及气象一体化水稻估产方法。
背景技术
从古至今，如何为我国粮食安全及农产品贸易提供及时准确的作物长势、灾害损失定量评估、产量预估等信息，一直是国家生存与发展的重大问题。而今，上至国家决策层面，下至农业保险、期货市场及农户，在农作物生长过程中都希望尽可能精确估计作物产量。而传统的农作物估产主要采用农学模式和气象模式，进行人工区域调查，速度慢、工作量大、成本高，且不利于范围农作物的时空动态监测。
随着遥感技术的发展，农业遥感估产以及进入了一个全新的时期，农作物遥感估产建立了作物光谱和产量之间的关系，利用光谱来获取作物的生长信息。农业部、国家气象局、中国科学院均对农作物遥感估产技术开展了大范围的研究和应用。但是，农作物产量的形成受气象、土壤、水分等多种因素的影响，因此目前采用单一的卫星遥感数据或气象卫星数据的监测精度只能到70％-80％，误差来自于遥感数据本身的误差、数据解译过程误差等，单一遥感手段都都不足以满足高精度、专业化的农作物估产应用需求。因此需要通过多源遥感信息融合和相互验证来提高农作物遥感估产的精度。
发明内容
发明所要解决的课题是，如何利用气象遥感监测手段提高农作物遥感估产的精度，实现高精度的大宗农作物估产。
用于解决课题的技术手段是，本发明一种遥感及气象一体化水稻估产方法，包括以下步骤：
步骤1、输入目标区域内农作物种植的遥感影像数据；
步骤2、根据不同地物及各农作物之间的光谱特征差异，利用最大似然监督分类算法获取所需区域的农作物种植分类信息；
步骤3、根据农作物种植分类信息分类别统计像元个数，及根据遥感影像数据中的空间分辨率计算单个像元面积，并相乘估算出目标区域内水稻种植面积；
步骤4、利用目标区域历年选取时间段内的气象监测数据和FPAR光合作用有效辐射系数，进行历年水稻长势分析结果；
步骤5、以遥感影像数据生成当年水稻生长过程曲线，通过比较当年与历年间的水稻长势差异，基于历年水稻长势分析结果利用NDVI距平模型获得当年目标区域水稻长势分析结果；
步骤6、根据目标区域历年选取时间段内的气象监测数据，评估目标区域是否遭受洪涝灾害，及评估得到目标区域灾害损失并区分灾种；
步骤7、基于当年目标区域水稻长势分析结果、目标区域灾害损失、采集的目标区域现场水稻数据建立水稻估产模型，并由模型计算获得目标区域的水稻单产；根据水稻单产结合目标区域内水稻种植面积得到目标区域水稻总产量。
进一步地，作为本发明的一种优选技术方案：所述步骤1输入经几何校正的遥感影像数据。
进一步地，作为本发明的一种优选技术方案：所述步骤2采用最大似然监督分类算法获取农作物种植分类信息，具体为：
对遥感影像数据中已知物种类别信息的样本进行统计分析，获得各个类别对应的特征的条件概率分布，并以该条件概率分布和类别的先验概率作为分类的依据；
计算遥感影像数据内所需区域中物种特征对于各个类别的后验概率，并将计算的最大后验概率的类别确定为物种特征所归属的类别。
进一步地，作为本发明的一种优选技术方案：所述步骤2中还包括对获得的农作物种植分类信息投票滤波，去除分类后类别中的孤立点。
进一步地，作为本发明的一种优选技术方案，所述步骤6评估得到目标区域灾害损失，具体为：
根据目标区域历年选取时间段内的气象监测数据，采用归一化差值水体指数多波段比值法抓取非植被覆盖湿地信息，以计算洪涝灾害面积；
采用归一化植被指数法抓取地表植被覆盖信息；
根据遥感影像数据确定目标区域淹没历时，并结合洪涝灾害面积、地表植被覆盖信息建立淹没历时与产量损失的统计关系，以获得目标区域灾害损失。
发明效果为：
本发明的一种遥感及气象一体化水稻产量评估方法，考虑水稻遥感估产的适应性以及估产的精度，方法的建立和提高体现在以下二个方面：(1)基于气象观测数据和高分辨率卫星影像一体化监测手段，构建估产模型，提升水稻和玉米的估产精度；(2)形成遥感气象一体化农作物估产过程，充分提高遥感农作物估产作业标准化水平，增强遥感农作物估产结果的准确性。
因此，本发明可充分利用气象遥感监测手段和高分辨率遥感监测信息融合，结合辅助背景数据，如历史气象数据、历史产量数据等，形成从宏观到微观的农作物监测能力，选取黑龙江五常市卫国乡作为试验区，开展水稻的产量评估。建立了从农作物种植格局监测、农作物长势监测、农作物灾害评估到农作物产量评估一套遥感、气象一体化水稻产量评估流程，实现高精度的大宗农作物估产，以用于满足农业生产管理、农业保险、期货等行业应用的专业化需求，支撑农作物遥感估产产业化推广。
附图说明
图1为本发明水稻产量评估方法的流程示意图。
图2为本发明中融合监测水稻长势等级分布图。
图3为本发明中黑龙江省五常市卫国乡水稻灾害等级分布图。
具体实施方式
以下，基于附图针对本发明进行详细地说明。
如图1所示，本发明设计了一种遥感及气象一体化水稻估产方法，考虑水稻遥感估产的适应性以及估产的精度，方法的建立和提高体现在以下二个方面：(1)基于气象监测数据和高分辨率卫星遥感影像数据一体化监测手段，构建水稻估产模型，提升水稻和玉米的估产精度；(2)形成遥感气象一体化农作物估产过程，充分提高遥感农作物估产作业标准化水平，增强遥感农作物估产结果的准确性。具体地，本发明方法包括以下步骤：
步骤1、输入目标区域内农作物种植的遥感影像数据。
输入目标区域内的遥感影像数据，本方法输入的是GF1、GF2进行几何校正后的数据，以及FY3D MERSI-2反演的植被指数产品，作为目标区域水稻遥感信息提取待处理数据。
步骤2、根据不同地物及各农作物之间的光谱特征差异，利用GF1、GF2数据，利用最大似然监督分类算法快速、准确获取所需区域的农作物种植分类信息。
所述最大似然监督分类算法，实现对大范围遥感影像数据进行监督分类，并输出类别标号影像的算法。算法包含最大似然监督分类和投票滤波后处理两大部分，其中最大似然监督分类还包含分类器训练和分类决策两个小部分。
其中，最大似然监督分类算法分类过程具体如下：
(1)对分类器训练：对遥感影像数据中已知物种类别信息的样本进行统计分析，获得各个类别对应的特征的条件概率分布，并以该条件概率分布和类别的先验概率作为分类的依据；
(2)分类决策：最大似然分类决策是对位置类别的特征进行归类的过程。主要通过计算遥感影像数据内所需区域中物种特征对于各个类别的后验概率完成，并将计算的最大后验概率的类别确定为物种特征所归属的类别。
所述投票滤波后处理过程具体如下：
投票滤波处理是一种常用的分类后处理方法，主要对获得的农作物种植分类信息投票滤波，用于去除分类后类别图像中的孤立点，平滑分类图像。
步骤3、基于农作物分类结果，根据农作物种植分类信息分类别统计像元个数的多少，及根据遥感影像数据中固定传感器的空间分辨率计算单个像元面积，从而相乘估算出目标区域内水稻种植面积。
步骤4、利用目标区域历年选取时间段内的气象监测数据和FPAR光合作用有效辐射系数，进行历年水稻长势分析结果。
本实施例选取黑龙江五常市卫国乡作为试验区，开展水稻的产量评估。以黑龙江省五常市为目标区域，利用五常市卫国乡5月-11月间的气象数据和FPAR光合作用有效辐射系数产品，进行水稻的长势分析得到结果，分析结果如图2所示，获得融合监测水稻长势等级分布。
步骤5、以遥感影像数据生成当年水稻生长过程曲线，通过比较当年与历年间的水稻长势的相似和差异，基于历年水稻长势分析结果利用NDVI距平模型获得当年目标区域水稻长势分析结果，其具体过程如下：
(1)作物生长的实时监测：利用年际遥感影像数据反映的作物生长状况信息对比，同时综合物候、农业气象等辅助数据来提取水稻作物长势监测分级图，获取水稻作物长势状况空间分布变化。
(2)水稻作物生长趋势分析：主要以时序遥感影像数据生成作物生长过程曲线，通过比较当年与典型年间的相似和差异，做出对当年作物长势的评价。主要采用NDVI距平模型进行长势监测分析，得到当年目标区域水稻长势分析结果。
其中，所述NDVI距平模型为：ΔNDVIaverage＝(NDVI今年-NDVIaverage)/NDVIaverage。
并且，利用遥感气象FPAR值宏观监测五常市卫国乡水稻长势情况，利用GF2数据进行归一化植被指数计算进行微观精细化监测，综合分析目标区域水稻的长势情况进行长势分级，本次试验分5级长势情况，如好、较好、持平、稍差、差。
步骤6、根据目标区域历年选取时间段内的气象监测数据，评估目标区域是否遭受洪涝灾害，及评估得到目标区域灾害损失并区分灾种，该过程具体如下：
(1)根据目标区域气象监测数据，评估目标区域在2017年7月-8月遭受洪涝灾害，采用归一化差值水体指数NDWI多波段比值方法，抓取非植被覆盖湿地信息，主要是明水水体的主要特征用以计算洪涝灾害面积。
(2)采用归一化植被指数NDVI方法，则可以抓取地表植被覆盖信息。
(3)根据不同时期的遥感影像数据确定目标区域淹没历时，并结合洪涝灾害面积、地表植被覆盖信息建立淹没历时与产量损失的统计关系，以获得目标区域灾害损失，即可对目标区域灾害损失情况进行初步评估；而后外业采集人员提供实地勘察的样本数据后，通过样本数据确定绝产、重度灾害、中度灾害、轻度灾害的指数变化值，计算出灾后各灾害等级的指数范围，将受灾区域划分出受灾等级，如图3所示，划分出黑龙江省五常市卫国乡水稻灾害等级分布。其中，灾害等级划分标准如下：
表1灾害等级划分标准
Figure BDA0001755009530000061
步骤7、基于当年目标区域水稻长势分析结果、目标区域灾害损失、采集的目标区域现场水稻数据,建立遥感估产模型，即建立NDVI与水稻作物单产的统计关系的线性回归模型，采用逐步回归关系来建立水稻估产模型，再进行水稻产量评估，由模型计算获得目标区域的水稻单产；根据水稻单产结合目标区域内水稻种植面积得到目标区域水稻总产量。该过程具体如下：
(1)水稻采样：进行目标区域现场数据采集，建立样本，共选择了30个采样点，每个采样点选择5个水稻采集样本,并结合当年目标区域水稻长势分析结果、目标区域灾害损失建立水稻估计模型，进行目标区域水稻估产,见表2。样本点内随机取X垄量，测量行距，量取Y株，测量株距，计算每平方米穴数；顺次采摘一定穴数的稻穗，脱粒称重，调查粒数，然后依据标准公式计算产量。
表2黑龙江省五常市卫国乡水稻遥感估产减产情况统计(单位：亩)
村名 3成以下 3-4成 4-5成 5-6成 6-7成 7-8成 8成以上
长安村 14927.98 2155.06 396.82 92.29 65.05 8.10 42.18
友好村 10504.71 2663.84 616.36 155.32 65.82 1.53 51.46
卫国村 14112.11 2141.32 436.37 99.97 56.75 18.03 33.36
保家村 20271.64 1005.91 390.35 157.21 60 20.76 67.00
西安村 13135.16 1305.48 296.85 68.3 32.06 23.13 53.07
兴水村 22305.3 2017.73 553.84 190.04 102.49 122.26 50.01
总计 95256.91 11289.34 2690.59 763.13 382.17 193.81 297.08
(2)计算水稻单产：水稻单产(公斤/亩)＝有效穗(万/亩)×穗粒数(粒)×结实率(％)×千粒重(克)×10-6×85％。
(3)计算水稻总产量：水稻总产量＝种植面积*单位面积产量(单产)，
最终经过误差分析，本发明产量评估结果的精度能够达到94％-95％，能够满足实际业务化应用需求，见表3。
表3黑龙江省五常市卫国乡水稻遥感估产精度验证结果
Figure BDA0001755009530000071
由此，本发明可充分利用气象遥感监测手段和高分辨率遥感监测信息融合，建立水稻产量评估方法，实现高精度的大宗农作物估产，提高物估产结果的准确性，以用于满足农业生产管理、农业保险、期货等行业应用的专业化需求。
需要说明的是，以上说明仅是本发明的优选实施方式，应当理解，对于本领域技术人员来说，在不脱离本发明技术构思的前提下还可以做出若干改变和改进，这些都包括在本发明的保护范围内。

Claims (4)

1.一种遥感及气象一体化水稻估产方法，其特征在于，包括以下步骤：
步骤1、输入目标区域内农作物种植的遥感影像数据；
步骤2、根据不同地物及各农作物之间的光谱特征差异，利用最大似然监督分类算法获取所需区域的农作物种植分类信息；
步骤3、根据农作物种植分类信息分类别统计像元个数，及根据遥感影像数据中的空间分辨率计算单个像元面积，并相乘估算出目标区域内水稻种植面积；
步骤4、利用目标区域历年选取时间段内的气象监测数据和FPAR光合作用有效辐射系数，进行历年水稻长势分析结果；
步骤5、以遥感影像数据生成当年水稻生长过程曲线，通过比较当年与历年间的水稻长势差异，基于历年水稻长势分析结果利用NDVI距平模型获得当年目标区域水稻长势分析结果；
步骤6、根据目标区域历年选取时间段内的气象监测数据，评估目标区域是否遭受洪涝灾害，及评估得到目标区域灾害损失并区分灾种；其中，评估得到目标区域灾害损失，具体为：根据目标区域历年选取时间段内的气象监测数据，采用归一化差值水体指数多波段比值法抓取非植被覆盖湿地信息，以计算洪涝灾害面积；采用归一化植被指数法抓取地表植被覆盖信息；根据遥感影像数据确定目标区域淹没历时，并结合洪涝灾害面积、地表植被覆盖信息建立淹没历时与产量损失的统计关系，以获得目标区域灾害损失；
步骤7、基于当年目标区域水稻长势分析结果、目标区域灾害损失、采集的目标区域现场水稻数据建立水稻估产模型，并由模型计算获得目标区域的水稻单产；根据水稻单产结合目标区域内水稻种植面积得到目标区域水稻总产量。
2.根据权利要求1所述的遥感及气象一体化水稻估产方法，其特征在于，所述步骤1输入经几何校正的遥感影像数据。
3.根据权利要求1所述的遥感及气象一体化水稻估产方法，其特征在于，所述步骤2采用最大似然监督分类算法获取农作物种植分类信息，具体为：
对遥感影像数据中已知物种类别信息的样本进行统计分析，获得各个类别对应的特征的条件概率分布，并以该条件概率分布和类别的先验概率作为分类的依据；
计算遥感影像数据内所需区域中物种特征对于各个类别的后验概率，并将计算的最大后验概率的类别确定为物种特征所归属的类别。
4.根据权利要求1所述的遥感及气象一体化水稻估产方法，其特征在于，所述步骤2中还包括对获得的农作物种植分类信息投票滤波，去除分类后类别中的孤立点。
CN201810883382.5A 2018-08-06 2018-08-06 一种遥感及气象一体化水稻估产方法 Active CN108985260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810883382.5A CN108985260B (zh) 2018-08-06 2018-08-06 一种遥感及气象一体化水稻估产方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810883382.5A CN108985260B (zh) 2018-08-06 2018-08-06 一种遥感及气象一体化水稻估产方法

Publications (2)

Publication Number Publication Date
CN108985260A CN108985260A (zh) 2018-12-11
CN108985260B true CN108985260B (zh) 2022-03-04

Family

ID=64555578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810883382.5A Active CN108985260B (zh) 2018-08-06 2018-08-06 一种遥感及气象一体化水稻估产方法

Country Status (1)

Country Link
CN (1) CN108985260B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816542B (zh) * 2019-01-28 2023-04-07 中国平安财产保险股份有限公司四川分公司 一种农作物减产理赔方法及系统
CN110399860B (zh) * 2019-08-02 2021-04-09 吉林高分遥感应用研究院有限公司 一种玉米涝灾监测方法及系统
CN110458618A (zh) * 2019-08-09 2019-11-15 天津市测绘院 农地价值计算方法、装置、服务器及存储介质
CN110533544A (zh) * 2019-08-28 2019-12-03 中国科学院遥感与数字地球研究所 农作物冷冻害定损理赔方法及系统
CN112749597A (zh) * 2019-10-31 2021-05-04 北京珈和遥感科技有限公司 基于gf1高分辨率影像的作物区域单产遥感估测方法
CN110793921A (zh) * 2019-11-14 2020-02-14 山东省农业可持续发展研究所 一种抽雄授粉期玉米洪涝灾害遥感监测与评估方法与系统
CN110992421B (zh) * 2019-12-25 2023-06-06 中国农业科学院农业信息研究所 一种在轨预测特定农作物种植面积的方法和系统
CN113033670B (zh) * 2021-03-29 2023-06-23 华南农业大学 一种基于Sentinel-2A/B数据的水稻种植面积提取方法
CN113269716A (zh) * 2021-04-08 2021-08-17 塔里木大学 一种基于多源遥感数据的香梨成熟期遥感预测方法
CN112991431B (zh) * 2021-04-15 2021-09-17 北京英视睿达科技有限公司 区域面积确定方法、装置及电子设备
CN113744074A (zh) * 2021-09-06 2021-12-03 北京超图软件股份有限公司 确定农业作物的减灾保产措施的方法和装置
CN113743832B (zh) * 2021-11-05 2022-04-08 中化现代农业有限公司 水稻灾害监测系统及方法
CN114331753B (zh) * 2022-03-04 2022-06-14 阿里巴巴达摩院(杭州)科技有限公司 农事智能化的方法、装置及控制设备
CN115205695B (zh) * 2022-04-06 2024-03-15 布瑞克(苏州)农业互联网股份有限公司 一种根据种植数据确定种植策略的方法和系统
CN114529826B (zh) * 2022-04-24 2022-08-30 江西农业大学 一种基于遥感影像数据的水稻估产方法、装置及设备
CN114782837B (zh) * 2022-06-17 2022-10-18 中化现代农业有限公司 种植物估产方法、装置、电子设备和存储介质
CN115019184B (zh) * 2022-07-28 2023-02-07 北京卫星信息工程研究所 基于遥感影像的石漠化程度自动分级方法及装置
CN116012720B (zh) * 2023-03-28 2023-06-09 航天万源云数据河北有限公司 基于高分遥感影像的农作物长势监测方法、设备及介质
CN116595333B (zh) * 2023-05-18 2024-04-09 中国农业大学 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法
CN116665066A (zh) * 2023-07-31 2023-08-29 平安科技（深圳）有限公司 遥感数据处理方法、平台、计算机设备和可读存储介质
CN116935227A (zh) * 2023-08-03 2023-10-24 沃杰(北京)科技有限公司 基于卫星遥感影像的农作物产量分析方法、系统和介质
CN116823918B (zh) * 2023-08-30 2023-12-22 北京市农林科学院信息技术研究中心 作物苗株数测量方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732299A (zh) * 2015-04-03 2015-06-24 中国农业科学院农业信息研究所 一种玉米产量组合预测系统和方法
CN105631847A (zh) * 2014-10-31 2016-06-01 航天恒星科技有限公司 多光谱图像的处理方法及装置
CN106960267A (zh) * 2016-01-08 2017-07-18 环境保护部南京环境科学研究所 一种食叶类农业虫害风险评估方法
CN107909039A (zh) * 2017-11-16 2018-04-13 武汉大学 基于并行算法的高分辨率遥感影像的地表覆盖分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631847A (zh) * 2014-10-31 2016-06-01 航天恒星科技有限公司 多光谱图像的处理方法及装置
CN104732299A (zh) * 2015-04-03 2015-06-24 中国农业科学院农业信息研究所 一种玉米产量组合预测系统和方法
CN106960267A (zh) * 2016-01-08 2017-07-18 环境保护部南京环境科学研究所 一种食叶类农业虫害风险评估方法
CN107909039A (zh) * 2017-11-16 2018-04-13 武汉大学 基于并行算法的高分辨率遥感影像的地表覆盖分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于MODIS数据的成都市水稻遥感估产研究;张海珍 等;《遥感应用》;20080531;第63-67页 *
基于中分辨率成像光谱仪（MODIS）数据的水稻遥感估产研究—以江苏省为例;邓睿 等;《中国水稻科学》;20100131;第87-92页 *
基于农作物灾情的长江中下游地区粮食产量损失评估;张轶 等;《中国农业气象》;20180430;第280-291页 *
返青期没顶淹水对粳稻生长及产量的影响与对策;赵青松，钟志仁，袁毅;《中国稻米》;20171231;第66-68页 *

Also Published As

Publication number Publication date
CN108985260A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN108985260B (zh) 一种遥感及气象一体化水稻估产方法
Lu et al. Mapping and monitoring land degradation risks in the Western Brazilian Amazon using multitemporal Landsat TM/ETM+ images
CN110926430B (zh) 一种空地一体化红树林监测系统及控制方法
CN111368736B (zh) 基于sar和光学遥感数据的水稻精细化估产方法
CN110110595B (zh) 一种基于卫星遥感影像的农田画像及药肥大数据分析方法
CN109919083A (zh) 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法
Wang et al. Classification of rice yield using UAV-based hyperspectral imagery and lodging feature
Shu et al. Improving the estimation accuracy of SPAD values for maize leaves by removing UAV hyperspectral image backgrounds
Yang et al. Cotton hail disaster classification based on drone multispectral images at the flowering and boll stage
Vasilyevich Machine learning methods in digital agriculture: Algorithms and cases
CN113657158A (zh) 基于Google Earth Engine的大尺度大豆种植区域提取算法
CN116188793A (zh) 一种基于卫星遥感影像的紫云英种植面积监测方法
CN114140695B (zh) 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统
CN108037123A (zh) 一种杂交稻钵体盘播种性能参数精密检测方法
CN114782840A (zh) 一种基于无人机rgb影像的小麦物候期实时分类方法
Xiong Crop growth remote sensing monitoring and its application
Jha et al. Wheat acreage estimation using remote sensing in tarai region of Uttarakhand
Xie et al. Estimating stomatal conductance of citrus under water stress based on multispectral imagery and machine learning methods
Scott et al. Estimation of Pyrethrum flower number using digital imagery
CN115830442B (zh) 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统
CN115116558B (zh) 一种重金属含量动态预测方法
McCarthy et al. Future farming: Machine vision for nitrogen assessment in grain crops
Wang et al. Four supervised classification methods for monitoring cotton field of Verticillium wilt using TM image.
Wanninayaka et al. Artificial neural network to estimate the paddy yield prediction using remote sensing, weather and non weather variable in Ampara district, Sri Lanka
Abdullahi et al. Advances of image processing in precision 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