CN109325433A - 引入地形因子的黑土区大豆生物量多时相遥感反演方法 - Google Patents

引入地形因子的黑土区大豆生物量多时相遥感反演方法 Download PDF

Info

Publication number
CN109325433A
CN109325433A CN201811073363.2A CN201811073363A CN109325433A CN 109325433 A CN109325433 A CN 109325433A CN 201811073363 A CN201811073363 A CN 201811073363A CN 109325433 A CN109325433 A CN 109325433A
Authority
CN
China
Prior art keywords
biomass
soybean
model
sample
vegetation 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.)
Pending
Application number
CN201811073363.2A
Other languages
English (en)
Inventor
张新乐
徐梦园
刘焕军
潘越
杨昊轩
鲍依临
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.)
Northeast Agricultural University
Original Assignee
Northeast Agricultural University
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 Northeast Agricultural University filed Critical Northeast Agricultural University
Priority to CN201811073363.2A priority Critical patent/CN109325433A/zh
Publication of CN109325433A publication Critical patent/CN109325433A/zh
Pending legal-status Critical Current

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids

Abstract

本发明公开了引入地形因子的黑土区大豆生物量多时相遥感反演方法，包括如下步骤：步骤一，地形特征信息获取；步骤二，生物量样本数据获取；步骤三，获取植被指数；步骤四，分段建模；步骤五，建立反演模型；步骤六，生物量预测；步骤七，生成图层；其中在上述的步骤一中，实地测量裸土期内地块高精度DEM数据，使用定位精度为厘米级的海星达iRTK2对研究区地块进行实地测量；本发明，在传统植被指数基础上，创新性的加入地形相关因子，不仅提高了传统模型的精度和稳定性，而且也能够对作物生长多时期反演估算；同时，解决了以往单纯用植被指数模型精度不高，稳定性不强的问题，也解决了生物量反演时空不连续的问题。

Description

引入地形因子的黑土区大豆生物量多时相遥感反演方法
技术领域
本发明涉及大豆生物量多时期精准反演与监测技术领域，具体为引入地 形因子的黑土区大豆生物量多时相遥感反演方法。
背景技术
生物量是作物长势监测的重要指标，单位面积生物量反映了作物群体长 势，是作物产量估算的基础。生物量估算是服务现代农业的一项重要内容， 及时准确的生物量模拟为田块尺度作物精准管理提供技术支持，对国家农业 决策、农田生产管理、粮食仓储安全等都有重要意义。
传统地面调查监测的统计模型与物理模型难以实用化，无论是从时间还 是从空间角度来获取生物量，都有一定难度和局限；随着遥感技术的发展， 较高空间分辨率遥感数据可以准确捕获农田土壤与作物信息，能更为快速、 准确、高效、无破坏地对生物量进行估算。目前基于传统遥感植被指数的估 算模型方法因素单一，精度和稳定性低，且无法对作物生长过程连续性表征， 难以满足田块尺度精准管理的要求,因此，设计引入地形因子的黑土区大豆生 物量多时相遥感反演方法是很有必要的。
发明内容
本发明的目的在于提供引入地形因子的黑土区大豆生物量多时相遥感反 演方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
引入地形因子的黑土区大豆生物量多时相遥感反演方法，包括如下步骤： 步骤一，地形特征信息获取；步骤二，生物量样本数据获取；步骤三，获取 植被指数；步骤四，分段建模；步骤五，建立反演模型；步骤六，生物量预 测；步骤七，生成图层；
其中在上述的步骤一中，实地测量裸土期内地块高精度DEM数据，使用 定位精度为厘米级的海星达iRTK2对研究区地块进行实地测量；将得到的780 个精确坐标和高程点，在ArcGIS中生成TIN图层，并转成高精度DEM栅格数 据，并提取地形特征信息；
其中在上述的步骤二中，分时段采集大豆整个生长期内，多期生物量样 本数据，在大豆生长期批次均匀采样，覆盖整个样区，每个样点面积为 2.2m×2m；统计每个样点大豆株数，并在其中随机选取若干株长势均匀的植 物样本，齐根剪取；在实验室中，将植物样品于80℃恒温烘干，获得植物 地上部分干生物量；用以下公式：Wj＝wjk×n/k，将其换算成采样点1m×1 m区域内大豆的地上干生物量；
其中在上述的步骤三中，订购研究区地块大豆生长各时期高精度遥感影 像，进行正射校正和地形校正，提取植被指数；
其中在上述的步骤四中，根据作物生长不同时期状况，提取对应样点地 形和对应时期的植被指数信息，进行分段建模；
其中在上述的步骤五中，在SPSS中，随机选取各时期样本数目的三分之 二建模，三分之一验证；模型建立需要将植被指数、地形特征与作物生物量 的相关性进行分析，选取相关系数最高的植被指数和海拔、坡度、坡向因子 为备选估测因子，分别建立单一植被指数模型和引入地形因子的多元回归、 神经网络、随机森林模型；模型构建前，为避免输入变量之间的相关性的影 响，减少变维系数，先对上述变量进行主成分提取，建立基于主成分的大豆 地上干生物量预测反演模型；
其中在上述的步骤六中，将其余样本带入各时期反演模型进行生物量预 测，通过预测精度及均方根误差进行精度评价，可将样本数据分为为训练样 本和验证样本，计算模型的决定系数R2和均方根误差RMSE，R2接近1，表 示模型的相关性越好，拟合程度越高，方程越可靠；RMSE越小，表示方程的 稳定性越高，结果越可靠；计算获得最佳模型为多元回归模型，试验区与验 证区R2分别＝0.91和0.89；RMSE＝75.59和93.99，计算公式为：
其中，作物长势及产量是 由作物种类、田间管理、气候、土壤质地等多种因素综合作用的结果，考虑 到田块尺度统一的耕种和施肥管理措施，气候在田块内部又相差甚微，地形导致的土壤水分、温度、有机质等空间差异，就成为主导作物生长的重要因 素；加入适当地形因子，有助于整体上提高模型的精度和稳定性；
其中在上述的步骤七中，选择模型精度和验证精度最高的模型作为各时 期生物量最优反演模型，带入ArcGIS中生成图层。
根据上述技术方案，所述步骤一中，高精度DEM栅格数据的分辨率为4 米。
根据上述技术方案，所述步骤二中，Wj(kg/m 2)表示第j个样单位面 积内大豆地上干生物量；wjk表示第j个样单位面积内随机割取的大豆总干 质量；n(株)为单位面积内大豆总株数；k(株)为样区内被割取称质量的大豆 株数。
根据上述技术方案，所述步骤三中，高精度遥感影像为SPOT-6影像，多 光谱波段空间分辨率6m。
根据上述技术方案，所述步骤六中，yi为生物量预测值，y为生物量样 本值，为实际样本值的平均值，n为样本个数。
根据上述技术方案，所述步骤三和步骤四中，植被指数包括RVI比值植 被指数、NDVI归一化差异植被指数、GNDVI绿波段归一化植被指数、DVI差 值植被指数和EVI增强型植被指数。
与现有技术相比，本发明的有益效果是：本发明，在传统植被指数基础 上，创新性的加入地形相关因子，提高了传统模型的精度和稳定性，并能够 对作物生长多时期反演估算；解决了以往单纯用植被指数模型精度不高，稳 定性不强的问题，同时也解决了生物量反演时空不连续的问题；本发明对田 块尺度精准管理及生物量遥感估算及监测具有实际意义。
附图说明
图1是本发明的方法流程图；
图2是生物量6月份遥感反演图；
图3是生物量7月份遥感反演图；
图4是生物量8月份遥感反演图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-4，本发明提供一种技术方案：
引入地形因子的黑土区大豆生物量多时相遥感反演方法，包括如下步骤： 步骤一，地形特征信息获取；步骤二，生物量样本数据获取；步骤三，获取 植被指数；步骤四，分段建模；步骤五，建立反演模型；步骤六，生物量预 测；步骤七，生成图层；
其中在上述的步骤一中，实地测量裸土期内地块高精度DEM数据，使用 定位精度为厘米级的海星达iRTK2对研究区地块进行实地测量；将得到的780 个精确坐标和高程点，在ArcGIS中生成TIN图层，并转成分辨率为4米的高 精度DEM栅格数据，在ArcGIS中提取海拔、坡向、坡度、剖面曲率，利用 ERDAS 9.2建模，计算坡长、地形湿度等地形因子；
其中在上述的步骤二中，在大豆生长期内,从6月15日开始到8月13 日大豆生长期内，分3批次均匀采样60个，覆盖整个样区，每个样点面积为 2.2m×2m；统计每个样点大豆株数，并在其中随机选取若干株长势均匀的植 物样本，齐根剪取；在实验室中，将植物样品于80℃恒温烘干，获得植物 地上部分干生物量；用以下公式：Wj＝wjk×n/k，将其换算成采样点1m ×1m区域内大豆的地上干生物量；
其中在上述的步骤三中，编程订购2016-6-9、2016-7-18、2016-8-8、3 期SPOT-6影像，多光谱波段空间分辨率6m；利用ENVI5.1对影像进行辐射 定标、大气校正、正射校正的处理，在ArcGIS 10.1中对影像进行裁剪；然 后对裁剪后的影像进行C模型地形校正；
其中在上述的步骤四中，基于国内外植被指数研究状况和本研究区实地 状况，选择已构建的被认为有潜在预测作物生物量能力的植被指数，根据作 物生长不同时期状况，提取对应样点地形和对应时期的植被指数信息，进行 分段建模；
其中在上述的步骤五中，在SPSS中，根据作物生长状态不同将60个样 本分为两部分，7、8月份一起建模，6月份单独建模；随机选取各部分三分 之二样点用来建模，三分之一验证；以地形参数和植被指数参数作为输入量， 建立不同时期生物量反演模型；
其中在上述的步骤六中，将其余样本带入各时期反演模型进行生物量预 测，通过预测精度及均方根误差进行精度评价，可将样本数据分为为训练样 本和验证样本，计算模型的决定系数R2和均方根误差RMSE，R2接近1，表 示模型的相关性越好，拟合程度越高，方程越可靠；RMSE越小，表示方程的 稳定性越高，结果越可靠；计算获得最佳模型为多元回归模型，试验区与验 证区R2分别＝0.91和0.89；RMSE＝75.59和93.99，计算公式为：
其中在上述的步骤七中，选择模型精度和验证精度最高的模型作为各时 期生物量最优反演模型，选择多元回归模型，在ArcGIS中反演出田块内大豆 生物量年内多时期空间分布情况，该生物量反演图能够准确反演大豆生长期 内时空格局连续性变化，为田间精准管理提供指导。
根据上述技术方案，步骤一中，高精度DEM栅格数据的分辨率为4米。
根据上述技术方案，步骤二中，Wj(kg/m 2)表示第j个样单位面积内 大豆地上干生物量；wjk表示第j个样单位面积内随机割取的大豆总干质量； n(株)为单位面积内大豆总株数；k(株)为样区内被割取称质量的大豆株数。
根据上述技术方案，步骤三中，高精度遥感影像为SPOT-6影像，多光谱 波段空间分辨率6m。
根据上述技术方案，步骤六中，yi为生物量预测值，y为生物量样本值， 为实际样本值的平均值，n为样本个数。
根据上述技术方案，步骤三和步骤四中，植被指数包括RVI比值植被指 数、NDVI归一化差异植被指数、GNDVI绿波段归一化植被指数、DVI差值植 被指数和EVI增强型植被指数。
表1为大豆生物量模型预测与验证表：
表2为大豆生物量反演模型结果：
基于上述，本发明的优点在于，本发明，实地测量裸土期内地块高精度 DEM数据，使用定位精度为厘米级的海星达iRTK2对研究区地块进行实地测 量；将得到的780个精确坐标和高程点，在ArcGIS中生成TIN图层，并转成 分辨率为4米的高精度DEM栅格数据，在ArcGIS中提取海拔、坡向、坡度、 剖面曲率，利用ERDAS 9.2建模，计算坡长、地形湿度等地形因子；在大豆 生长期内,从6月15日开始到8月13日大豆生长期内，分3批次均匀采样 60个，覆盖整个样区，每个样点面积为2.2m×2m；统计每个样点大豆株数， 并在其中随机选取若干株长势均匀的植物样本，齐根剪取；在实验室中，将 植物样品于80℃恒温烘干，获得植物地上部分干生物量；用以下公式： Wj＝wjk×n/k，Wj(kg/m 2)表示第j个样单位面积内大豆地上干生物量； wjk表示第j个样单位面积内随机割取的大豆总干质量；n(株)为单位面积内 大豆总株数；k(株)为样区内被割取称质量的大豆株数，将其换算成采样点1 m×1m区域内大豆的地上干生物量；编程订购2016-6-9、2016-7-18、 2016-8-8，3期SPOT-6影像，多光谱波段空间分辨率6m；利用ENVI5.1对影 像进行辐射定标、大气校正、正射校正的处理，在ArcGIS 10.1中对影像进 行裁剪；然后对裁剪后的影像进行C模型地形校正；基于国内外植被指数研 究状况和本研究区实地状况，选择已构建的被认为有潜在预测作物生物量能 力的植被指数，植被指数包括RVI比值植被指数、NDVI归一化差异植被指数、 GNDVI绿波段归一化植被指数、DVI差值植被指数和EVI增强型植被指数，根 据作物生长不同时期状况，提取对应样点地形和对应时期的植被指数信息， 进行分段建模；在SPSS中，根据作物生长状态不同将60个样本分为两部分， 7、8月份一起建模，6月份单独建模；随机选取各部分三分之二样点用来建 模，三分之一验证；以地形参数和植被指数参数作为输入量，建立不同时期 生物量反演模型；将其余样本带入各时期反演模型进行生物量预测，通过预 测精度及均方根误差进行精度评价，可将样本数据分为为训练样本和验证样 本，计算模型的决定系数R2和均方根误差RMSE，R2接近1，表示模型的相 关性越好，拟合程度越高，方程越可靠；RMSE越小，表示方程的稳定性越高， 结果越可靠；计算获得最佳模型为多元回归模型，试验区与验证区R2分别 ＝0.91和0.89；RMSE＝75.59和93.99，计算公式为：
其中，yi为生物量预测值， y为生物量样本值，为实际样本值的平均值，n为样本个数，作物长势及 产量是由作物种类、田间管理、气候、土壤质地等多种因素综合作用的结果， 考虑到田块尺度统一的耕种和施肥管理措施，气候在田块内部又相差甚微， 地形导致的土壤水分、温度、有机质等空间差异，就成为主导作物生长的重 要因素；加入适当地形因子，有助于整体上提高模型的精度和稳定性；选择 模型精度和验证精度最高的模型作为各时期生物量最优反演模型，带入 ArcGIS中生成图层，选择多元回归模型，在ArcGIS中反演出田块内大豆生 物量年内多时期空间分布情况，该生物量反演图能够准确反演大豆生长期内 时空格局连续性变化，为田间精准管理提供指导。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来 将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示 这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、 “包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系 列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明 确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有 的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而 言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行 多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限 定。

Claims (6)

1.引入地形因子的黑土区大豆生物量多时相遥感反演方法，包括如下步骤：步骤一，地形特征信息获取；步骤二，生物量样本数据获取；步骤三，获取植被指数；步骤四，分段建模；步骤五，建立反演模型；步骤六，生物量预测；步骤七，生成图层；其特征在于：
其中在上述的步骤一中，实地测量裸土期内地块高精度DEM数据，使用定位精度为厘米级的海星达iRTK2对研究区地块进行实地测量；将得到的780个精确坐标和高程点，在ArcGIS中生成TIN图层，并转成高精度DEM栅格数据，并提取地形特征信息；
其中在上述的步骤二中，分时段采集大豆整个生长期内，多期生物量样本数据，在大豆生长期批次均匀采样，覆盖整个样区，每个样点面积为2.2m×2m；统计每个样点大豆株数，并在其中随机选取若干株长势均匀的植物样本，齐根剪取；在实验室中，将植物样品于80℃恒温烘干，获得植物地上部分干生物量；用以下公式：Wj＝wjk×n/k，将其换算成采样点1m×1m区域内大豆的地上干生物量；
其中在上述的步骤三中，订购研究区地块大豆生长各时期高精度遥感影像，进行正射校正和地形校正，提取植被指数；
其中在上述的步骤四中，根据作物生长不同时期状况，提取对应样点地形和对应时期的植被指数信息，进行分段建模；
其中在上述的步骤五中，在SPSS中，随机选取各时期样本数目的三分之二建模，三分之一验证；模型建立需要将植被指数、地形特征与作物生物量的相关性进行分析，选取相关系数最高的植被指数和海拔、坡度、坡向因子为备选估测因子，分别建立单一植被指数模型和引入地形因子的多元回归、神经网络、随机森林模型；模型构建前，为避免输入变量之间的相关性的影响，减少变维系数，先对上述变量进行主成分提取，建立基于主成分的大豆地上干生物量预测反演模型；
其中在上述的步骤六中，将其余样本带入各时期反演模型进行生物量预测，通过预测精度及均方根误差进行精度评价，可将样本数据分为为训练样本和验证样本，计算模型的决定系数R2和均方根误差RMSE，R2接近1，表示模型的相关性越好，拟合程度越高，方程越可靠；RMSE越小，表示方程的稳定性越高，结果越可靠；计算获得最佳模型为多元回归模型，试验区与验证区R2分别＝0.91和0.89；RMSE＝75.59和93.99，计算公式为：
其中，作物长势及产量是由作物种类、田间管理、气候、土壤质地等多种因素综合作用的结果，考虑到田块尺度统一的耕种和施肥管理措施，气候在田块内部又相差甚微，地形导致的土壤水分、温度、有机质等空间差异，就成为主导作物生长的重要因素；加入适当地形因子，有助于整体上提高模型的精度和稳定性；
其中在上述的步骤七中，选择模型精度和验证精度最高的模型作为各时期生物量最优反演模型，带入ArcGIS中生成图层。
2.根据权利要求1所述的引入地形因子的黑土区大豆生物量多时相遥感反演方法，其特征在于：所述步骤一中，高精度DEM栅格数据的分辨率为4米。
3.根据权利要求1所述的引入地形因子的黑土区大豆生物量多时相遥感反演方法，其特征在于：所述步骤二中，Wj(kg/m 2)表示第j个样单位面积内大豆地上干生物量；wjk表示第j个样单位面积内随机割取的大豆总干质量；n(株)为单位面积内大豆总株数；k(株)为样区内被割取称质量的大豆株数。
4.根据权利要求1所述的引入地形因子的黑土区大豆生物量多时相遥感反演方法，其特征在于：所述步骤三中，高精度遥感影像为SPOT-6影像，多光谱波段空间分辨率6m。
5.根据权利要求1所述的引入地形因子的黑土区大豆生物量多时相遥感反演方法，其特征在于：所述步骤六中，yi为生物量预测值，y为生物量样本值，为实际样本值的平均值，n为样本个数。
6.根据权利要求1所述的引入地形因子的黑土区大豆生物量多时相遥感反演方法，其特征在于：所述步骤三和步骤四中，植被指数包括RVI比值植被指数、NDVI归一化差异植被指数、GNDVI绿波段归一化植被指数、DVI差值植被指数和EVI增强型植被指数。
CN201811073363.2A 2018-09-14 2018-09-14 引入地形因子的黑土区大豆生物量多时相遥感反演方法 Pending CN109325433A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811073363.2A CN109325433A (zh) 2018-09-14 2018-09-14 引入地形因子的黑土区大豆生物量多时相遥感反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811073363.2A CN109325433A (zh) 2018-09-14 2018-09-14 引入地形因子的黑土区大豆生物量多时相遥感反演方法

Publications (1)

Publication Number Publication Date
CN109325433A true CN109325433A (zh) 2019-02-12

Family

ID=65265238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811073363.2A Pending CN109325433A (zh) 2018-09-14 2018-09-14 引入地形因子的黑土区大豆生物量多时相遥感反演方法

Country Status (1)

Country Link
CN (1) CN109325433A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287457A (zh) * 2019-07-02 2019-09-27 吉林大学 基于卫星雷达遥感数据的玉米生物量反演测算方法
CN112362591A (zh) * 2020-11-30 2021-02-12 江苏海洋大学 基于数字高程模型的植被反演的方法
CN113449984A (zh) * 2021-06-25 2021-09-28 中国水利水电科学研究院 一种芦苇资源量评估方法
CN114593713A (zh) * 2021-03-02 2022-06-07 华东师范大学 一种潮滩植被区地形反演方法及系统
WO2022173383A1 (en) * 2021-02-11 2022-08-18 Saengprachatanarug Khwantri Method for determining height of crop covered soil surface from sea level through use of aerial photographs

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104656098A (zh) * 2015-02-03 2015-05-27 南京林业大学 一种遥感森林生物量反演的方法
CN104778451A (zh) * 2015-03-31 2015-07-15 中国科学院上海技术物理研究所 一种考虑草地高度因子的草地生物量遥感反演方法
CN106021872A (zh) * 2016-05-10 2016-10-12 浙江大学 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法
CN108229403A (zh) * 2018-01-08 2018-06-29 中国科学院遥感与数字地球研究所 一种用于估算植被叶面积指数的混合模型构建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104656098A (zh) * 2015-02-03 2015-05-27 南京林业大学 一种遥感森林生物量反演的方法
CN104778451A (zh) * 2015-03-31 2015-07-15 中国科学院上海技术物理研究所 一种考虑草地高度因子的草地生物量遥感反演方法
CN106021872A (zh) * 2016-05-10 2016-10-12 浙江大学 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法
CN108229403A (zh) * 2018-01-08 2018-06-29 中国科学院遥感与数字地球研究所 一种用于估算植被叶面积指数的混合模型构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张新乐等: "引入地形因子的黑土区大豆干生物量遥感反演模型及验证", 《农业工程学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287457A (zh) * 2019-07-02 2019-09-27 吉林大学 基于卫星雷达遥感数据的玉米生物量反演测算方法
CN110287457B (zh) * 2019-07-02 2023-02-17 吉林大学 基于卫星雷达遥感数据的玉米生物量反演测算方法
CN112362591A (zh) * 2020-11-30 2021-02-12 江苏海洋大学 基于数字高程模型的植被反演的方法
CN112362591B (zh) * 2020-11-30 2023-03-14 江苏海洋大学 基于数字高程模型的植被反演的方法
WO2022173383A1 (en) * 2021-02-11 2022-08-18 Saengprachatanarug Khwantri Method for determining height of crop covered soil surface from sea level through use of aerial photographs
CN114593713A (zh) * 2021-03-02 2022-06-07 华东师范大学 一种潮滩植被区地形反演方法及系统
CN113449984A (zh) * 2021-06-25 2021-09-28 中国水利水电科学研究院 一种芦苇资源量评估方法
CN113449984B (zh) * 2021-06-25 2023-12-29 中国水利水电科学研究院 一种芦苇资源量评估方法

Similar Documents

Publication Publication Date Title
CN108921885B (zh) 一种综合三类数据源联合反演森林地上生物量的方法
Huang et al. Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation
Jin et al. A review of data assimilation of remote sensing and crop models
Xia et al. Mapping evapotranspiration with high-resolution aircraft imagery over vineyards using one-and two-source modeling schemes
Betbeder et al. Assimilation of LAI and dry biomass data from optical and SAR images into an agro-meteorological model to estimate soybean yield
CN110751094B (zh) 一种基于gee综合遥感影像和深度学习方法的作物估产方法
CN105678281B (zh) 基于光谱和纹理特征的地膜覆盖农田遥感监测方法
CN109325433A (zh) 引入地形因子的黑土区大豆生物量多时相遥感反演方法
CN102033230B (zh) 一种草原卫星遥感监测系统及方法
CN112287892B (zh) 基于无人机高光谱和机器学习算法的乔木生物量测算方法
CN106600434A (zh) 基于作物模型与同化技术的作物长势遥感监测方法
Zhu et al. Foliage clumping index over China's landmass retrieved from the MODIS BRDF parameters product
CN110427995A (zh) 一种基于多源遥感数据的贝叶斯土壤水分估算方法
CN105758806B (zh) 基于光谱特征的地膜覆盖农田遥感监测方法
Chen et al. Predicting individual apple tree yield using UAV multi-source remote sensing data and ensemble learning
CN109063657A (zh) 面向均值地域光谱单元的地上生物量估算和尺度转换方法
He et al. Using LiDAR data to measure the 3D green biomass of Beijing urban forest in China
Cao et al. Estimation of forest structural parameters using UAV-LiDAR data and a process-based model in ginkgo planted forests
CN113011372B (zh) 一种盐碱化土地自动监测和识别方法
Ji et al. Crop yield estimation at field scales by assimilating time series of Sentinel-2 data into a modified CASA-WOFOST coupled model
CN109934109A (zh) 一种基于遥感的黄土高原水土流失区林草植被信息提取方法
Shi et al. Estimation of sugarcane yield by assimilating UAV and ground measurements via ensemble Kalman filter
CN107632967A (zh) 一种草地产草量估算方法
CN110378926A (zh) 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法
Wu et al. Estimation of cotton canopy parameters based on unmanned aerial vehicle (UAV) oblique photography

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: 20190212

RJ01 Rejection of invention patent application after publication