CN109187356A - 基于卫星遥感数据的大豆长势预测方法 - Google Patents
基于卫星遥感数据的大豆长势预测方法 Download PDFInfo
- Publication number
- CN109187356A CN109187356A CN201811009908.3A CN201811009908A CN109187356A CN 109187356 A CN109187356 A CN 109187356A CN 201811009908 A CN201811009908 A CN 201811009908A CN 109187356 A CN109187356 A CN 109187356A
- Authority
- CN
- China
- Prior art keywords
- soybean
- remote sensing
- value
- image
- growing way
- 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
- 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
-
- 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
- G01N2021/1793—Remote sensing
Abstract
本发明公开了一种基于卫星遥感数据的大豆长势预测方法。该方法包括以下步骤:(1)在指定的大豆监测区域内通过遥感卫星采集大豆的遥感数据;(2)对采集到的大豆遥感数据进行预处理;(3)从处理后的大豆长势遥感数据中提取长势信息并分析长势情况。本发明通过遥感卫星在指定的大豆监测区域内获取大豆的长势信息,并进行数据处理,通过提取大豆叶片面积和叶片颜色长势信息并进行分析,能够精确地获得大豆的长势情况,指导生产。
Description
技术领域
本发明涉及卫星遥感技术领域,尤其涉及一种基于卫星遥感数据的大豆长势预测方法。
背景技术
大豆是我国主要的粮食与油料作物之一。目前我国的大豆种植面积、产量与出口量一直处于世界领先位置。我国同时在不同生态地区研究并推广适宜的高产配套技术与田间管理措施。我国是大豆故乡,也是大豆传统出口国。由于我国人民生活水平不断提高,对大豆的消费需求持续强劲。通过对大豆的长势进行监测,可以及时了解大豆的生长状况、病虫害或作物营养状况,从而指导人们采取对应的管理措施,进而保证大豆的正常生长。
现有对大豆长势的监测方法主要为人工直接观察法,即:观察者通过观察大豆的几何尺寸、形状或颜色等外观特征来判别作物生长的情况,例如:大豆缺水、缺肥或病虫害等。
人工直接观察法存在的主要缺陷为:
1、需要耗费大量人力,并且,效率极低。
2、需要观察者具有丰富的经验和农作知识,并且,通常只能给出定性结论,所以,观察结果的主观性强,无法更客观的反映作物的实际长势情况。
发明内容
本发明要解决的技术问题是提供一种基于卫星遥感数据的大豆长势预测方法。
为了解决上述技术问题,本发明采用的技术方案是,基于卫星遥感数据的大豆长势预测方法,包括以下步骤:
(1)在指定的大豆监测区域内通过遥感卫星采集大豆的遥感数据;
(2)对采集到的大豆遥感数据进行预处理;
(3)从处理后的大豆遥感数据中提取大豆长势信息并分析大豆长势情况。
作为优选,在步骤(1)中,具体为在指定的大豆监测区域的不同空间位置点利用遥感卫星在不同的高度以不同分辨率的照相设备获取大豆遥感摄像,利用遥感卫星的不同波段的特性和作用,采集所述指定监测区域内大豆的遥感图像。
作为进一步优选,遥感数据包括遥感卫星数据,即CCD、HSI和IRS数据。
作为更进一步优选,在步骤(1)中,所述遥感数据还包括按照大豆的生育期采集大豆的遥感图像,所述大豆的生育期包括出苗期、幼苗期、分化期、结荚期、鼓粒期、成熟期。
再进一步的优选是,将大豆的遥感图像按大豆数量分割成若干相等的份数,即称为等份。
作为优选,在步骤(2)中,预处理包括以下步骤:
(2a)图像镶嵌:所谓图像镶嵌就是图像的拼接过程;首先要指定一幅参考图像,作为镶嵌过程中对比度匹配及镶嵌后输出图像的地理投影、像元大小、数据类型的基准;然后图像镶嵌中,均要保证相邻图幅间有一定的重复覆盖区,镶嵌之前有必要对各镶嵌图像之间在全幅或重复覆盖区上进行精确匹配,以便均衡化镶嵌后输出图像的亮度值和对比度;最后在重复覆盖区,各图像之间应有较高的配准精度,必要时要在图像之间利用控制点进行配准;
(2b)几何校正:利用ENVI4.7软件采用图像-图像方式对遥感卫星的CCD、IRS数据进行几何校正,几何控制点均匀分布于参考与待校正图像中,满足图像几何校正的精度要求;
(2c)辐射校正:具体为改正或消除遥感图像成像过程中附加在传感器输出的辐射能量中的各种噪声的过程;首先对大豆遥感影像进行定标,利用遥感卫星自带的定标系数进行辐射定标,将无单位的DN值转换为辐亮度Lλ,得到天顶辐射能量值(单位:W/(m2.sr.μm)),定标公式为
Lλ=gain·DN+offset (1)
式(1)中,Lλ是从像元值计算得到的地物在传感器入瞳处的辐射亮度,或称等效辐射亮度,gain是定标增益,单位是w-1.m2.sr.μm,offset是图像产品的定标偏置,单位是W/(m2.sr.μm);
(2d)大气校正:采用ENVI中的FLAASH校正模块进行大豆遥感图像的大气校正,FLAASH模块输入辐亮度图像单位为mW/(cm2.sr.nm);首先设定输入输出文件,FLAASH模块要求输入辐亮度图像,输出反射率图像;在步骤(2c)中进行了辐射定标,得到辐亮度图像,将辐亮度产品进行单位换算,并进行从BSQ存储格式到BIL或BIP存储格式的转换;其次是设定传感器参数,用于确定相对于一个指定的地面点时,太阳、地面目标和传感器之间的空间几何关系,传感器参数包括传感器高度、景中心经纬度、地面平均高程;最后是设定大气参数,大气参数包括水汽含量和近地表温度。
作为优选,在步骤(3)中,长势信息包括但不限于大豆叶片面积和叶片颜色,具体步骤如下:
(3a)计算大豆植株的叶片在每一等份的面积占比;根据所述面积占比绘制大豆的长势曲线,并判断所述面积占比是否在生育期的预设占比阈值范围内;
(3b)将大豆遥感图像根据预设灰度阈值转化为灰度图像,识别出所述灰度图像中叶片的像素点,每一等份中叶片的像素点占该等份的总像素点的比例为面积占比;
(3c)获取大豆遥感图像的每个像素点的RGB值中的R值、G值和B值,分别计算每一等份的R值、G值、B值;
(3d)分别根据每一等份的R值、G值、B值绘制大豆的长势曲线,并判断每一等份的R值、G值、B值是否在所述大豆生育期的预设颜色阈值范围内。
作为优选,步骤(3)中,还包括将采集到的大豆遥感图像或大豆长势信息上传至服务器,存储在服务器上,工作人员可在相应的客户端上读取长势信息,查看大豆的实时图像,以便对大豆的长势进行判定。
本发明的有益效果是:
通过遥感卫星在指定的大豆监测区域内获取待监测大豆的长势信息,并进行数据处理,通过提取大豆叶片面积和叶片颜色长势信息并进行分析,能够精确地获得大豆的长势情况,指导生产。
具体实施方式
一种基于卫星遥感数据的大豆长势预测方法,包括如下步骤;
1、通过遥感卫星采集在指定监测区域内大豆的遥感数据:
2、将采集到的所述大豆遥感数据进行预处理;
3、从处理后的所述大豆长势遥感数据中提取长势信息并分析长势情况;
其具体步骤如下:
1、通过遥感卫星采集在指定监测区域内大豆的遥感数据。其实际工作原理具体为:
在大豆监测区域的不同空间位置点利用遥感卫星在不同的高度以不同分辨率的照相设备获取大豆遥感摄像,利用遥感卫星的不同波段的特性和作用,按照大豆的生育期采集所述指定监测区域内大豆的遥感图像。大豆生育期包括出苗期、分枝期、花荚期、成熟期。同时将所述大豆遥感图像分割成若干等份,形成网格,且每一等份中的大豆数量相等。优选的,每一网格中包含一株大豆植株,该植株位于网格中心。所述的大豆遥感数据还包括遥感卫星数据,即CCD、HSI和IRS数据。
2、将采集到的大豆长势遥感数据进行预处理
对于采集到的大豆长势遥感数据进行预处理,可以通过下述步骤来实现。
步骤2a:图像镶嵌,所谓图像镶嵌就是图像的拼接过程。首先要指定一幅参考图像,作为镶嵌过程中对比度匹配及镶嵌后输出图像的地理投影、像元大小、数据类型的基准;然后图像镶嵌中,一般均要保证相邻图幅间有一定的重复覆盖区,镶嵌之前有必要对各镶嵌图像之间在全幅或重复覆盖区上进行精确匹配,以便均衡化镶嵌后输出图像的亮度值和对比度;最后在重复覆盖区,各图像之间应有较高的配准精度,必要时要在图像之间利用控制点进行配准。
步骤2b:几何校正。利用ENVI4.7软件采用图像-图像方式对遥感卫星的CCD、IRS数据进行几何校正,几何控制点均匀分布于参考与待校正图像中,满足图像几何校正的精度要求。
步骤2c:辐射校正。具体为改正或消除遥感图像成像过程中附加在传感器输出的辐射能量中的各种噪声的过程。引起辐射畸变的原因主要概括为两部分:一是传感器本身所产生的误差;二是大气对辐射的影响。这些失真不是地面目标本身的辐射,它对图像的使用和理解造成影响。首先对遥感影像进行定标,利用遥感卫星自带的定标系数进行辐射定标,将无单位的DN值转换为辐亮度Lλ,得到天顶辐射能量值(单位:W/(m2.sr.μm)),定标公式为
Lλ=gain·DN+offset (1)
式(1)中,Lλ是从像元值计算得到的地物在传感器入瞳处的辐射亮度,或称等效辐射亮度,gain是定标增益,单位是w-1.m2.sr.μm,offset是图像产品的定标偏置,单位是W/(m2.sr.μm)。
步骤2d:大气校正,本发明采用ENVI中的FLAASH校正模块进行大豆遥感图像的大气校正,FLAASH模块输入辐亮度图像单位为mW/(cm2.sr.nm),因此首先设定输入输出文件,FLAASH模块要求输入辐亮度图像,输出反射率图像。在步骤2c我们进行了辐射定标,得到辐亮度图像,将辐亮度产品进行单位换算,并进行从BSQ存储格式到BIL(或BIP)存储格式的转换;其次是设定传感器参数,用于确定相对于一个指定的地面点时,太阳、地面目标和传感器之间的空间几何关系,传感器参数包括传感器高度、景中心经纬度、地面平均高程;最后是设定大气参数,大气参数包括水汽含量和近地表温度。
3、从处理后的所述大豆长势遥感数据中提取长势信息:
本步骤中,提取到的大豆长势信息包括但不限于大豆叶片面积和叶片颜色。本实施例以大豆叶片面积和叶片颜色分析大豆的长势情况。具体过程如下:
步骤3a:计算大豆植株的叶片在每一等份的面积占比。将所述大豆遥感图像根据预设灰度阈值转化为灰度图像;识别出所述灰度图像中叶片的像素点;每一等份中叶片的像素点占所述等份的总像素点的比例为面积占比。
其中,大豆植株图像中,叶片以外的部分为背景图像部分,预设灰度阈值以能够区分叶片和背景图像为准,将所述大豆遥感图像转化为灰度图像。根据灰度的不同,识别出所述灰度图像中叶片的像素点,计算每一等份中叶片的像素点占所述等份的总像素点的比例,即为面积占比。叶片的面积占比能直观地反映出叶片的生长情况,面积占比越大,越接近与成熟。
步骤3b:根据所述面积占比绘制大豆的长势曲线,并判断所述面积占比是否在所述生育期的预设占比阈值范围内。大豆的叶面积占比在生育期内是有一个发展过程的,呈现出一定的动态消长变化,随着时间和生育期的增长,大致呈现一个单峰曲线变化,即在营养生长期,叶片陆续长出,营养体不断增长随着下层叶片开始脱落,在结荚期前后叶面积停止增长,达到一个高峰,后来随着叶片的逐渐变黄和脱落,叶面积指数不断下降,直到成熟期叶片完全脱落
以所述面积占比纵坐标,以监控的大豆生育期为横坐标,绘制大豆的长势曲线,该长势曲线可以直观的看出大豆长势是否正常。
步骤3c:获取所述大豆遥感图像的每个像素点的RGB的R值,G值和B值,分别计算每一等份所述R值的平均值,所述G值的平均值和所述B值的平均值
每个像素点的RGB值表示为三位取值0~255的十进制数,即RGB(0,0,0)表示黑色,RGB(255,255,255)表示白色。获取所述大豆遥感图像的每个像素点的RGB值中的R值,G值和B值。
步骤3d:分别根据所述R值的平均值,所述G值的平均值和所述B值的平均值绘制大豆的长势曲线,并判断所述R值的平均值,所述G值的平均值和所述B值的平均值是否在所述大豆生育期的预设颜色阈值范围内。
分别以所述述R值的平均值,所述G值的平均值和所述B值的平均值为纵坐标,以采集生育期为横坐标建立坐标系,绘制大豆的长势曲线,并上传到服务器,供工作人员可通过相应的客户端读取并查看。
所述的大豆叶片颜色预设阈值范围可根据大豆的生育期设定,同时,可通过叶片颜色判断出营养是否适宜,营养不良会导致叶片发黄,肥料过多会造成烧苗,某种营养元素过多会造成叶片颜色过深等等吗,都能通过叶片颜色进行判断。
本实施例提供了一种基于卫星遥感数据的大豆长势预测方法。该方法通过遥感卫星在待监测区获取待监测大豆的长势信息,并进行数据处理,通过提取大豆叶片面积和叶片颜色长势信息并进行分析,能够精确地获得大豆的长势情况,指导生产。
以上所述的本发明实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明的权利要求保护范围之内。
Claims (8)
1.基于卫星遥感数据的大豆长势预测方法,包括以下步骤:
(1)在指定的大豆监测区域内通过遥感卫星采集大豆的遥感数据;
(2)对采集到的大豆遥感数据进行预处理;
(3)从处理后的大豆遥感数据中提取大豆长势信息并分析大豆长势情况。
2.根据权利要求1所述的大豆长势预测方法,其特征在于:在步骤(1)中,具体为在指定的大豆监测区域的不同空间位置点利用遥感卫星在不同的高度以不同分辨率的照相设备获取大豆遥感摄像,利用遥感卫星的不同波段的特性和作用,采集所述指定监测区域内大豆的遥感图像。
3.根据权利要求2所述的大豆长势预测方法,其特征在于:所述遥感数据包括遥感卫星数据,即CCD、HSI和IRS数据。
4.根据权利要求3所述的大豆长势预测方法,其特征在于:在步骤(1)中,所述遥感数据还包括按照大豆的生育期采集大豆的遥感图像,所述大豆的生育期包括出苗期、幼苗期、分化期、结荚期、鼓粒期、成熟期。
5.根据权利要求4所述的大豆长势预测方法,其特征在于:将大豆的遥感图像按大豆数量分割成若干相等的份数,即称为等份。
6.根据权利要求1所述的大豆长势预测方法,其特征在于:在步骤(2)中,所述预处理包括以下步骤:
(2a)图像镶嵌:所谓图像镶嵌就是图像的拼接过程;首先要指定一幅参考图像,作为镶嵌过程中对比度匹配及镶嵌后输出图像的地理投影、像元大小、数据类型的基准;然后图像镶嵌中,均要保证相邻图幅间有一定的重复覆盖区,镶嵌之前有必要对各镶嵌图像之间在全幅或重复覆盖区上进行精确匹配,以便均衡化镶嵌后输出图像的亮度值和对比度;最后在重复覆盖区,各图像之间应有较高的配准精度,必要时要在图像之间利用控制点进行配准;
(2b)几何校正:利用ENVI4.7软件采用图像-图像方式对遥感卫星的CCD、IRS数据进行几何校正,几何控制点均匀分布于参考与待校正图像中,满足图像几何校正的精度要求;
(2c)辐射校正:具体为改正或消除遥感图像成像过程中附加在传感器输出的辐射能量中的各种噪声的过程;首先对大豆遥感影像进行定标,利用遥感卫星自带的定标系数进行辐射定标,将无单位的DN值转换为辐亮度Lλ,得到天顶辐射能量值(单位:W/(m2.sr.μm)),定标公式为
Lλ=gain·DN+offset (1)
式(1)中,Lλ是从像元值计算得到的地物在传感器入瞳处的辐射亮度,或称等效辐射亮度,gain是定标增益,单位是w-1.m2.sr.μm,offset是图像产品的定标偏置,单位是W/(m2.sr.μm);
(2d)大气校正:采用ENVI中的FLAASH校正模块进行大豆遥感图像的大气校正,FLAASH模块输入辐亮度图像单位为mW/(cm2.sr.nm);首先设定输入输出文件,FLAASH模块要求输入辐亮度图像,输出反射率图像;在步骤(2c)中进行了辐射定标,得到辐亮度图像,将辐亮度产品进行单位换算,并进行从BSQ存储格式到BIL或BIP存储格式的转换;其次是设定传感器参数,用于确定相对于一个指定的地面点时,太阳、地面目标和传感器之间的空间几何关系,传感器参数包括传感器高度、景中心经纬度、地面平均高程;最后是设定大气参数,大气参数包括水汽含量和近地表温度。
7.根据权利要求1所述的大豆长势预测方法,其特征在于:在步骤(3)中,所述长势信息包括但不限于大豆叶片面积和叶片颜色,具体步骤如下:
(3a)计算大豆植株的叶片在每一等份的面积占比;根据所述面积占比绘制大豆的长势曲线,并判断所述面积占比是否在生育期的预设占比阈值范围内;
(3b)将大豆遥感图像根据预设灰度阈值转化为灰度图像,识别出所述灰度图像中叶片的像素点,每一等份中叶片的像素点占该等份的总像素点的比例为面积占比;
(3c)获取大豆遥感图像的每个像素点的RGB值中的R值、G值和B值,分别计算每一等份的R值、G值、B值;
(3d)分别根据每一等份的R值、G值、B值绘制大豆的长势曲线,并判断每一等份的R值、G值、B值是否在所述大豆生育期的预设颜色阈值范围内。
8.根据权利要求1所述的大豆长势预测方法,其特征在于:步骤(3)中,还包括将采集到的大豆遥感图像或大豆长势信息上传至服务器,存储在服务器上,工作人员可在相应的客户端上读取长势信息,查看大豆的实时图像,以便对大豆的长势进行判定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811009908.3A CN109187356A (zh) | 2018-08-30 | 2018-08-30 | 基于卫星遥感数据的大豆长势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811009908.3A CN109187356A (zh) | 2018-08-30 | 2018-08-30 | 基于卫星遥感数据的大豆长势预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109187356A true CN109187356A (zh) | 2019-01-11 |
Family
ID=64917613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811009908.3A Pending CN109187356A (zh) | 2018-08-30 | 2018-08-30 | 基于卫星遥感数据的大豆长势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109187356A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343783A (zh) * | 2021-05-18 | 2021-09-03 | 北京科技大学 | 一种农作物智能识别与长势预测方法及系统 |
CN114926466A (zh) * | 2022-07-21 | 2022-08-19 | 山东省土地发展集团有限公司 | 基于大数据的土地一体化监测和决策方法、平台 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1704758A (zh) * | 2004-05-28 | 2005-12-07 | 北京农业信息技术研究中心 | 利用遥感和地理信息系统技术实现小麦品质监测预报方法 |
CN102954816A (zh) * | 2012-01-13 | 2013-03-06 | 北京盈胜泰科技术有限公司 | 作物长势的监测方法 |
CN106018284A (zh) * | 2016-05-12 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种作物长势定量遥感监测方法及系统 |
CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
CN106682570A (zh) * | 2016-11-04 | 2017-05-17 | 东莞市隆声智能科技有限公司 | 一种植物的长势监控方法和装置 |
CN106680215A (zh) * | 2015-11-10 | 2017-05-17 | 核工业北京地质研究院 | 一种适合于热红外高光谱遥感的SiO2含量定量计算方法 |
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
CN106918816A (zh) * | 2017-03-21 | 2017-07-04 | 中国科学院遥感与数字地球研究所 | 农作物长势监测系统及其数据处理方法和模块 |
CN107014753A (zh) * | 2017-03-06 | 2017-08-04 | 中国科学院遥感与数字地球研究所 | 作物长势监测方法和系统 |
CN108133006A (zh) * | 2017-12-22 | 2018-06-08 | 北京卫星信息工程研究所 | 一种面向农业应用的卫星遥感产品系统 |
CN108195766A (zh) * | 2017-12-18 | 2018-06-22 | 河海大学 | 一种基于遥感影像的水质监测方法 |
CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
-
2018
- 2018-08-30 CN CN201811009908.3A patent/CN109187356A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1704758A (zh) * | 2004-05-28 | 2005-12-07 | 北京农业信息技术研究中心 | 利用遥感和地理信息系统技术实现小麦品质监测预报方法 |
CN102954816A (zh) * | 2012-01-13 | 2013-03-06 | 北京盈胜泰科技术有限公司 | 作物长势的监测方法 |
CN106680215A (zh) * | 2015-11-10 | 2017-05-17 | 核工业北京地质研究院 | 一种适合于热红外高光谱遥感的SiO2含量定量计算方法 |
CN106018284A (zh) * | 2016-05-12 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种作物长势定量遥感监测方法及系统 |
CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
CN106682570A (zh) * | 2016-11-04 | 2017-05-17 | 东莞市隆声智能科技有限公司 | 一种植物的长势监控方法和装置 |
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
CN107014753A (zh) * | 2017-03-06 | 2017-08-04 | 中国科学院遥感与数字地球研究所 | 作物长势监测方法和系统 |
CN106918816A (zh) * | 2017-03-21 | 2017-07-04 | 中国科学院遥感与数字地球研究所 | 农作物长势监测系统及其数据处理方法和模块 |
CN108195766A (zh) * | 2017-12-18 | 2018-06-22 | 河海大学 | 一种基于遥感影像的水质监测方法 |
CN108133006A (zh) * | 2017-12-22 | 2018-06-08 | 北京卫星信息工程研究所 | 一种面向农业应用的卫星遥感产品系统 |
CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
Non-Patent Citations (1)
Title |
---|
陈明辉,黎夏: "遥感图像预处理", 《遥感技术在城市发展与规划中的综合应用研究与实践》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343783A (zh) * | 2021-05-18 | 2021-09-03 | 北京科技大学 | 一种农作物智能识别与长势预测方法及系统 |
CN114926466A (zh) * | 2022-07-21 | 2022-08-19 | 山东省土地发展集团有限公司 | 基于大数据的土地一体化监测和决策方法、平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
White et al. | Measuring fractional cover and leaf area index in arid ecosystems: digital camera, radiation transmittance, and laser altimetry methods | |
Sonnentag et al. | Digital repeat photography for phenological research in forest ecosystems | |
US20230292647A1 (en) | System and Method for Crop Monitoring | |
Thorp et al. | Color image segmentation approach to monitor flowering in lesquerella | |
CN106778888A (zh) | 一种基于无人机遥感的果园病虫害普查系统和方法 | |
US20200182697A1 (en) | Active illumination 2d and/or 3d imaging device for agriculture | |
WO2020047579A1 (en) | Method and system for plant stress determination and irrigation based thereon | |
CN104155298B (zh) | 基于光强补偿及图像灰度值的土壤表层含水率测量方法 | |
Rasti et al. | A survey of high resolution image processing techniques for cereal crop growth monitoring | |
Sakamoto et al. | Detecting seasonal changes in crop community structure using day and night digital images | |
CN112345458A (zh) | 一种基于无人机多光谱影像的小麦产量估测方法 | |
Sakamoto et al. | Application of day and night digital photographs for estimating maize biophysical characteristics | |
CN108596029A (zh) | 农作物分类方法、装置、计算机设备和存储介质 | |
CN109187356A (zh) | 基于卫星遥感数据的大豆长势预测方法 | |
JP4140052B2 (ja) | 作物の生育診断方法における画像の補正方法 | |
Hama et al. | Examination of appropriate observation time and correction of vegetation index for drone-based crop monitoring | |
KR20190069648A (ko) | 인삼의 영상 이미지 분석을 통한 생육량 측정 방법 | |
Pauly | Applying conventional vegetation vigor indices to UAS-derived orthomosaics: issues and considerations | |
Ahmad et al. | Spatio-temporal analysis of chickpea crop in arid environment by comparing high-resolution UAV image and LANDSAT imagery | |
CN106709922A (zh) | 基于图像的牧草覆盖度和生物量自动检测方法 | |
Liang et al. | CanopyCAM–an edge-computing sensing unit for continuous measurement of canopy cover percentage of dry edible beans | |
CN109272416A (zh) | 一种大棚农作物种植系统 | |
CN114494689A (zh) | 番茄干旱胁迫的识别方法 | |
Shajahan et al. | Monitoring plant phenology using phenocam: A review | |
XUE et al. | Estimating light interception using the color attributes of digital images of cotton canopies |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190111 |
|
WD01 | Invention patent application deemed withdrawn after publication |