CN109360117A - 一种农作物种植模式识别方法 - Google Patents
一种农作物种植模式识别方法 Download PDFInfo
- Publication number
- CN109360117A CN109360117A CN201811166783.5A CN201811166783A CN109360117A CN 109360117 A CN109360117 A CN 109360117A CN 201811166783 A CN201811166783 A CN 201811166783A CN 109360117 A CN109360117 A CN 109360117A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- crop
- crops
- year
- growth
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 3
- 238000011160 research Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013519 translation Methods 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Environmental Sciences (AREA)
- Forests & Forestry (AREA)
- Ecology (AREA)
- Botany (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种农作物种植模式识别方法。输入遥感植被指数时间序列数据,确定植被生长阈值;通过选择训练样本对参数进行优化,得到农作物的最短生长季长度、最长生长季长度和最小生长幅度;再提取植被生长信息(一年内的植被生长季个数、每个生长季的长度和生长幅度),并根据优化后的参数排除非农作物;然后计算农作物生长季的个数得到一年内的复种指数;最后根据前一年、当年和后一年的农作物复种指数综合确定农作物种植模式。采用本发明的技术方案,可以直接对遥感植被指数时间序列数据进行农作物种植模式识别,克服了参数取值的经验性以及峰值数目与种植模式不一一对应的问题,具备较强的抗噪声能力,所需参数少,通用性强。
Description
本发明涉及农业遥感技术领域,尤其涉及一种农作物种植模式识别方法。
种植模式(Cropping pattern,CP)是作物轮作的空间表达,是对农作物前后茬顺序的概括。作物种植模式关系到水、热、光、土壤肥力等资源的充分利用,是提高田块单产和总产的重要技术环节,对于高效、可控农业管理具有非常重要的意义。伴随着世界范围光、热、水等农业自然资源的重新分配、世界人口的持续增加和耕地存量潜在的减少趋势,种植模式也发生着变化。及时、准确监测农业种植模式及其时空变化,有利于预测粮食产量及其变化和制定农业发展政策。合理的种植模式应有利于土地、阳光、热量和水等各种资源的最有效利用,取得当时条件下农作物生产的最佳社会、经济和环境效益,并能可持续地发展。农作物种植模式监测可以及时发现并纠正不适当的种植方式,保持耕地的可持续发展潜力,进而保障粮食安全。
国内外学者尝试采用气象数据或统计数据、以行政区为最小研究单元反映区域和全球种植模式,从宏观上展示种植模式的空间变化。但农业自然条件具有局部小气候的特点,内部差异不可忽略。比如以农户为单元的种植管理模式使区域种植模式复杂多样,这种方法不能准确地描述种植模式的空间特征。此外,气象资料和统计数据的获取也存在一定的滞后性,统计数据本身存在一定误差,给研究结果带来了不确定性。对于空间范围大、时效性要求高的种植模式研究,这种方法难以达到要求。
卫星遥感是探测土地利用/覆盖格局及变化的最有效手段,遥感数据是获取农作物种植模式的理想数据源。农作物种植模式遥感识别方法有两种:一种是基于多时相中高分辨率遥感影像的识别方法,一种是基于时间序列遥感数据的识别方法。
基于多时相中高分辨率影像的种植模式识别方法利用不同农作物生长季的多时相、中高分辨率多光谱卫星图像识别农作物种植模式。具体方法是在一年中每个农作物生长季都获取多景中高分辨率多光谱图像,对不同生长季的影像分别进行解译和分类,提取各生长季的农作物;在对不同生长季种植农作物的情况进行分析,从而确定农作物的种植模式。由于受卫星重访周期和天气状况的影响,在作物生长季里获取充足的、质量较好的中高分辨率数据非常困难,限制了该方法在大尺度种植模式识别中的应用。
卫星遥感技术的发展,为我们提供了长期的重复观测数据,使得我们可以研究事物的长时间变化,以发现其中的特征和规律。近二十年国内外用遥感时间序列数据对自然植被物候学进行了广泛而深入的研究,有许多成熟的算法和模型识别植被物候特征。而耕地上种植的农作物在对气候、水文、人文等因子的影响过程中也体现出明显的物候特征,这使得利用遥感时间序列数据对种植模式进行识别成为可能。
遥感数据反演的植被指数能够较好地反映出植被生长状况,而时间序列的植被指数则是植被动态变化监测的标志,即植被指数的时序变化对应于植被的生长与衰弱等季节活动过程。对耕地而言,植被指数的时序动态变化体现了农作物的生长过程,即从播种、出苗、拔节、抽穗到成熟、收割的周期性态势。一年一熟区域的耕地植被指数曲线在一年内完成一个循环的动态过程,一年两熟区域的耕地完成两个循环,一年三熟区域的耕地将完成三个生长周期。因此,利用时间序列植被指数的周期性变化可以完成耕地种植模式的监测。
目前基于时间序列数据的种植模式研究都是以遥感时间序列植被指数数据为基础,首先采用各种滤波去噪算法得到较为平滑的农作物生长曲线,然后进行种植模式的提取。遥感种植模式的判别方法主要包括分类法、光谱(时序谱)匹配法和峰值法。分类法是直接对滤波去噪后的时间序列植被指数曲线采用遥感分类技术获取不同种植模式类别。光谱匹配法先对时间序列植被指数滤波去噪,再根据典型点建立起种植模式标准曲线库,然后采用光谱匹配技术计算去噪后的时间序列植被指数曲线与种植模式标准曲线的匹配度,从而确定各种种植模式类别。
峰值法的基本假设为:耕地上一年之内种植作物的次数与耕地的植被指数变化曲线的峰值较吻合,即一年一熟种植模式的植被指数曲线在年内形成明显的单峰,一年两熟种植模式耕地的植被指数曲线形成双峰。因此,通过监测植被指数曲线的峰值个数可以确定耕地的种植模式。峰值法又分为直接比较法和二次差分法。从目前来看,峰值法由于简单易用在耕地种植模式监测中得到了最为广泛的应用。
概况起来,目前基于遥感时间序列数据的种植模式提取方法主要包括如下三种技术方案:
技术方案一:分类法。采用遥感分类技术对去噪后的时间序列植被指数数据进行分类,根据每一类农作物的时间序列曲线确定种植模式。分类方法可以是监督分类方法,也可以是非监督分类方法。
分类法要求操作人员对研究区的农作物种植模式非常熟悉,由此选择样本进行分类识别种植模式(监督分类),或对聚类结果进行种植模式判别(非监督分类)。分类精度一方面依赖于分类方法的选择,另一方面依赖于研究者的经验。因此,分类法识别种植模式的可重复性较差、区域适应程度较低。
技术方案二:光谱匹配法。先根据典型点的植被指数时序曲线建立种植模式标准曲线库,然后计算每像元的植被指数时序曲线与标准种植模式曲线的匹配度。匹配度是指考虑物候、播种时间差异等原因,对植被指数时序曲线的时间轴进行相对平移,计算各像元的植被指数时序曲线和标准种植模式库的植被指数时序曲线在不同时间位置上的匹配度。以匹配度作为相似性指标来识别种植模式,选取匹配度最大时的种植模式作为待识别像元的种植模式。
光谱匹配法要求事先建立一个完整的种植模式标准曲线库,由于遥感植被指数时序的变异较大,种植模式标准曲线库很难穷尽所有可能的种植模式标准曲线,而且同样要求研究者对研究区的农作物种植模式非常熟悉。
技术方案三:峰值法。首先采用直接比较法或二次差分法对植被指数时序数据提取峰值,经过一定的判别,确定峰值个数。然后根据峰值的数目确定像元的种植模式。直接比较法是在一个判断区间内将每一时间点的植被指数值和前后相邻几个时间点的植被指数值进行比较,得到该区间内植被指数值最大的时间点,即为该区间内的峰;如此反复,可以得到整个耕地生长季内所有峰值的数量及其时间分布点。二次差分法将一年内时间序列植被指数的N个植被指数按时间顺序形成数组,首先用后面的植被指数值减去其前面的植被指数值,形成N-1个的新值;对这N-1个的新值进行重新赋值,如果是负数则定为-1,如果是正数则定为1;然后对新赋值的N-1个值按上面的方法再进行一次差分,得到N-2个由-2、0、2组成的数组,其中元素为-2且前后元素皆为0的点就是峰值点。
峰值法有三个不足:第一,峰值法对噪声敏感,对时间序列数据滤波去噪声算法的要求高。目前的滤波方法虽然可以较好地消除一些明显的噪声,但滤波后的曲线并不是完全光滑的曲线,仍然存在一些细微噪声,而峰值法会将每一峰值都检测出来。第二,该方法依赖于研究者经验和区域特性,方法的普适性不强。第三,峰值数目和种植模式不是一一对应的关系,以峰值数目代表种植模式是不准确的。峰值数目反映的是耕地在一年内种植作物的次数(复种指数),但一个完整的种植模式有时并不能在一年内完成,需要两年或更多的时间。比如在二年三熟区,种植模式是稳定的,但是第一年和第二年的峰值数目一般是不一样的。因此两年之间的峰值个数变化是一种“伪变化”,由此推断种植模式的变化更是不合理。
总之,现有基于遥感植被指数时序数据识别农作物种植模式的方法区域适应性低、通用性较弱。
本发明的目的在于提出一种农作物种植模式识别方法,输入遥感植被指数时序数据和少量训练样本就可以实现农作物种植模式的提取,所需参数少、通用性强。
为达此目的,本发明采用以下技术方案:
一种农作物种植模式识别方法,包括以下步骤:
A、输入遥感植被指数时间序列数据;
B、确定植被生长阈值,将同一地区裸地和植被覆盖区在春夏季最早出现差异时的植被指数值确定为植被生长阈值;
C、选择农作物训练样本;
D、参数优化,根据训练样本对研究区农作物最短生长季长度、最长生长季长度和最小生长幅度这3个参数进行随机组合,选择对训练样本种植模式识别精度最高的参数取值组合作为最优参数;
E、提取植被生长信息;
F、排除非农作物区域,依次判断待识别像元的植被生长季长度是否介于农作物最短生长季长度和农作物最长生长季长度之间、植被生长幅度是否大于农作物最小生长幅度,这2项条件中只要有1项不满足,则将该待识别像元判定为非农作物区域;
G、根据农作物生长季个数确定一年内的农作物复种指数;
H、根据前一年、当年和后一年的农作物复种指数综合确定农作物种植模式。
步骤E中,提取的植被生长信息包括一年内的植被生长季个数、每个生长季的长度和生长幅度3个指标,具体提取步骤包括:(1)将植被指数时序数据所有时间点的值与植被生长阈值作比较,将大于或等于0的时间点赋值为1,小于0的时间点赋值为0,从而得到一条由0和1值组成的时间序列;(2)对新时间序列中连续为1的值进行累加,如果遇到0,则重新开始累加,得到一条累加后的时间序列;(3)针对累加后的时间序列,所有为1的值所在的时间点确定为植被生长季的起始日期,所有大于0且紧随其后第一个为0的值所在的时间点确定为植被生长季的结束日期,提取的植被生长季起始日期与植被生长季结束日期相间排列,若最后一个为植被生长季起始日期,则将其删除;(4)根据一年内植被生长季起始日期出现的次数来确定植被生长季个数,根据每个生长季的起始与结束日期来确定植被生长季长度,根据植被生长季起始日期与结束日期之间的植被指数最大值与植被生长季起始日期的植被指数值之差来确定生长季幅度。
步骤H中,根据前一年、当年和后一年的复种指数综合确定农作物种植模式,3年的复种指数组合共有43种情况,具体的步骤包括:(1)在所有含有0的组合中,三年复种指数全为0时确定为非耕地,当年复种指数为0而前一年或后一年中有不为0的情况时确定为休闲耕地,对于其他含0的组合,当年的种植模式按当年的复种指数确定(复种指数为1表示一年一熟的种植模式,复种指数为2表示一年两熟的种植模式,复种指数为3表示一年三熟的种植模式);(2)剩下的所有含3的组合,当年的种植模式按当年的复种指数确定;(3)对剩下的由1和2构成的组合,采用两种原则确定,一是相同性原则,只要当年的复种指数与前一年或后一年中任意一年的复种指数相同,则按相同的复种指数确定当年的种植模式;二是对称性原则,对(1,2,1)和(2,1,2)组合,它们都是两年内完成三次农作物种植,因此种植模式为二年三熟。
采用了本发明的技术方案,可直接对遥感植被指数时序数据提取农作物种植模式,具有以下优势:
(1)原理简单,运算效率高,容易用程序语言实现。
(2)不需要其他辅助数据,抗噪声能力强,结果比较可靠、稳定,特别适用于为农业部门或政府部门及时地提供有关农作物种植模式的空间分布信息。
(3)所需参数少,降低了区域的适用性要求,提高了方法的通用性。
(4)人为干预少,自动化运行的程度高。
Claims (1)
1.一种农作物种植模式识别方法,其特征在于,包括以下步骤:
A、输入遥感植被指数时间序列数据;
B、确定植被生长阈值,将同一地区裸地和植被覆盖区在春夏季最早出现差异时的植被指数值确定为植被生长阈值;
C、选择农作物训练样本;
D、参数优化,根据训练样本对研究区农作物最短生长季长度、最长生长季长度和最小生长幅度这3个参数进行随机组合,选择对训练样本种植模式识别精度最高的参数取值组合作为最优参数;
E、提取植被生长信息;
F、排除非农作物区域,依次判断待识别像元的植被生长季长度是否介于农作物最短生长季长度和农作物最长生长季长度之间、植被生长幅度是否大于农作物最小生长幅度,这2项条件中只要有1项不满足,则将该待识别像元判定为非农作物区域;
G、根据农作物生长季个数确定一年内的农作物复种指数;
H、根据前一年、当年和后一年的农作物复种指数综合确定农作物种植模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811166783.5A CN109360117A (zh) | 2018-10-08 | 2018-10-08 | 一种农作物种植模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811166783.5A CN109360117A (zh) | 2018-10-08 | 2018-10-08 | 一种农作物种植模式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109360117A true CN109360117A (zh) | 2019-02-19 |
Family
ID=65348393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811166783.5A Withdrawn CN109360117A (zh) | 2018-10-08 | 2018-10-08 | 一种农作物种植模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109360117A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110376202A (zh) * | 2019-06-13 | 2019-10-25 | 浙江水利水电学院 | 基于成像高光谱技术的茶树炭疽病病斑识别方法 |
CN110909679A (zh) * | 2019-11-22 | 2020-03-24 | 中国气象科学研究院 | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 |
CN112148785A (zh) * | 2020-09-24 | 2020-12-29 | 中国科学院空天信息创新研究院 | 一种作物分布制图 |
CN112840348A (zh) * | 2019-10-11 | 2021-05-25 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
CN113221790A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种基于雷达数据的田块轮作模式生成方法及装置 |
CN113963263A (zh) * | 2021-12-23 | 2022-01-21 | 中国农业大学 | 多年生植被生长属性的确定方法、装置以及存储介质 |
WO2022020448A1 (en) * | 2020-07-21 | 2022-01-27 | Indigo Ag, Inc. | Remote sensing algorithms for mapping regenerative agriculture |
US11915329B2 (en) | 2018-04-24 | 2024-02-27 | Indigo Ag, Inc. | Interaction management in an online agricultural system |
-
2018
- 2018-10-08 CN CN201811166783.5A patent/CN109360117A/zh not_active Withdrawn
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11915329B2 (en) | 2018-04-24 | 2024-02-27 | Indigo Ag, Inc. | Interaction management in an online agricultural system |
CN110376202A (zh) * | 2019-06-13 | 2019-10-25 | 浙江水利水电学院 | 基于成像高光谱技术的茶树炭疽病病斑识别方法 |
CN110376202B (zh) * | 2019-06-13 | 2021-11-19 | 浙江水利水电学院 | 基于成像高光谱技术的茶树炭疽病病斑识别方法 |
CN112840348A (zh) * | 2019-10-11 | 2021-05-25 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
CN112840348B (zh) * | 2019-10-11 | 2024-05-03 | 安徽中科智能感知科技股份有限公司 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
CN110909679A (zh) * | 2019-11-22 | 2020-03-24 | 中国气象科学研究院 | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 |
CN110909679B (zh) * | 2019-11-22 | 2020-09-18 | 中国气象科学研究院 | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 |
WO2022020448A1 (en) * | 2020-07-21 | 2022-01-27 | Indigo Ag, Inc. | Remote sensing algorithms for mapping regenerative agriculture |
US11978251B2 (en) | 2020-07-21 | 2024-05-07 | Indigo Ag, Inc. | Remote sensing algorithms for mapping regenerative agriculture |
CN112148785A (zh) * | 2020-09-24 | 2020-12-29 | 中国科学院空天信息创新研究院 | 一种作物分布制图 |
CN112148785B (zh) * | 2020-09-24 | 2021-09-28 | 中国科学院空天信息创新研究院 | 一种作物分布制图方法 |
CN113221790A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种基于雷达数据的田块轮作模式生成方法及装置 |
CN113963263A (zh) * | 2021-12-23 | 2022-01-21 | 中国农业大学 | 多年生植被生长属性的确定方法、装置以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109360117A (zh) | 一种农作物种植模式识别方法 | |
CN102668899B (zh) | 一种农作物种植模式识别方法 | |
Boschetti et al. | PhenoRice: A method for automatic extraction of spatio-temporal information on rice crops using satellite data time series | |
CN108955620B (zh) | 一种农田灌区面积遥感提取的方法及系统 | |
CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
CN110909679B (zh) | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 | |
JP2012198688A (ja) | 農作物画像処理プログラム、農作物画像処理方法及び農作物画像処理装置 | |
Concepcion, II et al. | Lettuce canopy area measurement using static supervised neural networks based on numerical image textural feature analysis of haralick and gray level co-occurrence matrix. | |
CN112215090A (zh) | 融合物候知识的遥感水稻制图方法及其应用 | |
BAI et al. | Growth simulation and yield prediction for perennial jujube fruit tree by integrating age into the WOFOST model | |
CN105023011A (zh) | 一种基于hmm的农作物物候动态估计方法 | |
Irmak et al. | Large-scale and long-term trends and magnitudes in irrigated and rainfed maize and soybean water productivity: grain yield and evapotranspiration frequency, crop water use efficiency, and production functions | |
CN115861831A (zh) | 基于作物物候知识的时间序列遥感数据农作物识别方法 | |
US11864552B2 (en) | Digital detection method and system for predicting drug resistance of transgenic maize | |
Pandey et al. | Discrimination of sugarcane crop and cane yield estimation using Landsat and IRS resourcesat satellite data | |
CN107340268B (zh) | 一种基于遥感时序数据的旱地作物识别方法 | |
CN115438934A (zh) | 一种基于区块链的农作物生长环境监测方法及系统 | |
Zheng et al. | Using high spatial and temporal resolution data blended from SPOT-5 and MODIS to map biomass of summer maize | |
Rajpoot et al. | JUTE CROP PRODUCTION ESTIMATION IN MAJOR STATES OF INDIA: A COMPARATIVE STUDY OF LAST 6 YEARS’FASAL AND DES ESTIMATES | |
CN111160151A (zh) | 基于雷达时序图像的甘蔗连作范围提取方法及装置、设备 | |
Ammann et al. | Aphid predators reduce pest aphids and are better predicted by classical habitat maps than floral resource maps | |
CN109918826A (zh) | 一种基于关键物候期多源植被参量的水稻估产方法 | |
Aktas et al. | Phenology based NDVI time-series compensation for yield estimation analysis | |
CN113376123B (zh) | 基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法 | |
Yang et al. | Integrating multidimensional feature indices and phenological windows for mapping cropping patterns in complex agricultural landscape regions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190219 |
|
WW01 | Invention patent application withdrawn after publication |