CN109444055A - 一种盐碱地土壤盐分含量的高光谱计算方法 - Google Patents
一种盐碱地土壤盐分含量的高光谱计算方法 Download PDFInfo
- Publication number
- CN109444055A CN109444055A CN201811622338.5A CN201811622338A CN109444055A CN 109444055 A CN109444055 A CN 109444055A CN 201811622338 A CN201811622338 A CN 201811622338A CN 109444055 A CN109444055 A CN 109444055A
- Authority
- CN
- China
- Prior art keywords
- salt content
- hyperion
- soil salt
- calculation method
- alkaline land
- 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
Abstract
一种盐碱地土壤盐分含量的高光谱计算方法,包括获得光谱数据并对光谱数据进行处理;选取特征波段;以及建立预测模型并估计土壤盐分含量。本发明提供的盐碱地土壤盐分含量的高光谱计算方法是集成STD‑SPA‑ANN的一种土壤盐化含量预测模型,主要是将光谱曲线进行标准化变换(STD),然后利用连续投影算法(SPA)进行特征波段的选取,最后将选取的特征波段应用到人工神经网络(ANN)中进行盐分含量的预测。通过本发明的方法解决了将全波段应用到模型或运用相关分析时主观性强、运算量大、计算速度慢、模型不稳定的问题。
Description
技术领域
本发明涉及高光谱计算方法,尤其涉及一种盐碱地土壤盐分含量的高光谱计算方法。
背景技术
盐碱地主要是指土壤盐分含量高,并且难以生长植被尤其是农作物的土壤。土壤盐渍化造成的土壤板结、肥力下降、酸碱失衡、土地退化等后果严重制约农业和可持续发展,更严重的还会破坏环境和生态系统,造成生态失衡。近年来,盐碱地已经成为了影响资源、环境和生态的全球性问题,同时也是制约社会经济可持续发展的因素之一。尤其是在干旱半干旱地区,土壤盐渍化是其面临的重要的生态和环境问题之一。快速、大面积的监测识别土壤的盐碱化以及盐碱化程度是合理优化利用盐碱地的前提,同时也对该区域农业和生态资源的可持续利用具有重要意义。
传统意义上的土地盐碱化调查具有费时费力、调查结果不准确、不容易揭示土壤盐碱化时空动态分布等缺点。相比较于传统调查,遥感为土壤盐分监测提供了有效的技术手段,通过将野外实测光谱与土壤理化信息相结合,深入探索盐碱土光谱中的含盐量信息,可以快速、大面积的识别土壤盐分含量信息,判断土壤盐碱化程度。这对于有效控制土壤盐碱化、合理开发利用盐碱地资源保持生态系统可持续发展具有重要意义。
利用高光谱研究土壤盐渍化程度的研究,主要是以土壤电导率为指示因子,具体方法主要包括,利用全波段进行回归分析、通过相关分析寻找特征波段,并利用特征波段进行回归分析。J.Farifteh(2007)将实验室测量的光谱数据全波段应用到PLSR分析和ANN分析中,虽然获取了较为理想的结果,但是输入数据量大模型运算时间久且不稳定;AmalAllbed(2014)测量了三个站点的光谱数据并和对应的土壤电导率数据进行相关分析,其研究结果表明用相关分析选定的对土壤盐分敏感波长范围在三个站点是不同的,通过相关分析选择的敏感波段主观性强、且没有充分考虑波段之间的关系。
发明内容
针对现有的全波段应用到模型或运用相关分析时主观性强、运算量大、计算速度慢、模型不稳定的问题,本发明提供了一种盐碱地土壤盐分含量的高光谱计算方法。
本发明提供的盐碱地土壤盐分含量的高光谱计算方法,包括:步骤1:获得光谱数据并对光谱数据进行处理;步骤2:选取特征波段;步骤3:建立预测模型并估计土壤盐分含量。
优选的,在上述盐碱地土壤盐分含量的高光谱计算方法中,在步骤1中,将获取的光谱数据进行去噪和插值处理,然后将波谱数据进行平滑处理。
优选的,在上述盐碱地土壤盐分含量的高光谱计算方法中,在步骤1中,获取的光谱数据首先是利用仪器自带的软件进行去噪和插值处理,将原始的 1024个波段插值成为2175个波段,然后将波谱数据进行平滑处理,采用的是五点平滑法,其中样本矩阵X(N*p),N为样本数,p为波段数,k=1,2,3,···,p,i为样本。
平滑的波谱曲线进行标准化处理:
其中,
优选的,在上述盐碱地土壤盐分含量的高光谱计算方法中,在步骤2中,使用连续投影算法完成特征波段的选取。
优选的,在上述盐碱地土壤盐分含量的高光谱计算方法中,连续投影算法的具体方法为:
记x[k(0)]为初始迭代向量,N为需要提取的变量个数,光谱矩阵为J列,
a):迭代开始前,在波谱矩阵中随机选择一列j,把建模集的第j列赋值给 x(j),记为x[k(0)];
b):把未选入的列向量位置的集合设为集合s,
c):分别计算x(j)对剩下列向量的投影:
d):记k(n)=arg(max(||Pxj||),j∈s;
e):令x(j)=Pxj,j∈s
f):n=n+1,如果n<N,回到b)循环计算;
每次,b)循环结束后,模型对应于初始的k(0)和N选择了对应的波段组合 {x[k(n)],n=0,……,N-1},将此组合计算验证集的预测标准偏差(RMSECV),
然后,回到a)循环,重新选择一个初始波段k(0),再通过计算选择与之对应的波段组合,然后计算验证集的预测标准偏差(RMSECV)。通过多次循环(循环次数为波段数),判断验证集的预测标准偏差(RMSECV)是否为最小值,如果是最小值,则输出其选择的波段。
优选的,在上述盐碱地土壤盐分含量的高光谱计算方法中,步骤3中,使用人工神经网络方法中的反向传播网络进行预测模型的建立。
优选的,在上述盐碱地土壤盐分含量的高光谱计算方法中,预测模型的数学关系为
其中,wi是每一个特征到每一个结点上的权重,xn是选择的N个特征波段的集合,yn是测量的对应土壤的土壤盐分含量值。
优选的,在上述盐碱地土壤盐分含量的高光谱计算方法中,在步骤3中,采用人工神经网络方法建立预测模型时,采用的是2层的结构,第一层设置5 个结点,第二层设置2个结点。
优选的,在上述盐碱地土壤盐分含量的高光谱计算方法中,在步骤3中,还包括将步骤2中选择的特征波段作为自变量输入到预测模型中。
优选的,在上述盐碱地土壤盐分含量的高光谱计算方法中,在步骤1中,获取光谱数据时,采用五点采样法进行光谱数据的采集。
本发明提供的盐碱地土壤盐分含量的高光谱计算方法是集成 STD-SPA-ANN的一种土壤盐化含量预测模型,主要是将光谱曲线进行标准化变换(STD),然后利用连续投影算法(SPA)进行特征波段的选取,最后将选取的特征波段应用到人工神经网络(ANN)中进行盐分含量的预测。通过本发明的方法解决了将全波段应用到模型或运用相关分析时主观性强、运算量大、计算速度慢、模型不稳定的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1是根据本发明的盐碱地土壤盐分含量的高光谱计算方法的技术流程图。其中,a为波谱曲线预处理过程,b为SPA特征波段选择流程,c为ANN建模模拟过程。
图2波谱特征及选择的波段。其中,a为原始波谱曲线对比图,b为标准化波谱曲线对比图,c为原始波谱曲线选的特征波段,d为标准化波谱曲线选择的特征波段。
图3模型估计结果对比。其中,a为RS-ALL-ANN模型估计结果,b为STD-ALL-ANN模型估计结果,c为RS-SPA-ANN模型估计结果,d为 STD-SPA-ANN模型估计结果。
具体实施方式
本发明提供的盐碱地土壤盐分含量的高光谱计算方法包括获得光谱数据并对光谱数据进行处理;选取特征波段;以及建立预测模型并进行土壤盐分含量的预测。
图1是本发明提供的盐碱地土壤盐分含量的高光谱计算方法的技术流程图,下面结合图1对本发明的盐碱地土壤盐分含量的高光谱计算方法进行进一步地说明。
实验数据是2018年4月8日到4月12日在宁夏回族自治区石嘴山市沿引黄灌区的耕地采集的,共计采集了60组数据,采集时间恰好是冬季雪融化之后,耕地灌溉之前,是盐碱地的返盐期,这一时期的数据受其他外界因素影响少,并且能很好的表明土壤盐渍化信息。数据采集主要是包括野外光谱测量及土壤样品采集。光谱测量时,为减少空间分布不均造成的误差,我们采用五点采样法,在10m*10m的区域进行,采集到的五个光谱数据的平均值作为每一个样点的光谱数据。其次,为减少测量误差,每次测量前都用白板进行校正,然后将探头垂直地面60cm的地方进行光谱测量,同时测量时间在上午10点到下午2 点之间。为了减少人为误差,在土壤未受扰动前最先测量土壤光谱信息,并且,测量人员穿深色外套。光谱测量的仪器是SVC HR-1024i,波段范围是 350nm-2500nm,视场角为25°。采集的土壤样本数据送到了宁夏农业技术推广站,并由相关人员测量土壤相关的理化参数。
本发明的盐碱地土壤盐分含量的高光谱计算方法的具体流程如下:
(1)光谱数据处理(如图1中的框a所示)
获取的光谱数据首先是利用仪器自带的软件进行去噪和插值处理,将原始的1024个波段插值成为2175个波段。然后将波谱数据进行平滑处理,采用的是五点平滑法,其中,样本矩阵X(N*p),N为样本数,p为波段数,k=1,2,3,···, p,其中,i为样本。
平滑的波谱曲线进行标准化处理:
其中,
(2)选取特征波段(如图1中的框b所示)
特征波段选取用的是连续投影算法,它能够从光谱信息中充分寻找含有最低限度的冗余信息的变量组,使得变量之间的共线wo性达到最小。同时能大大减少建模所用变量的个数,提高建模的速度和效率。具体方法:
记x[k(0)]为初始迭代向量,N为需要提取的变量个数。光谱矩阵为J列,即,J集合。
a):迭代开始前,在波谱矩阵中随机选择一列j,把建模集的第j列赋值给 x(j),记为x[k(0)];
b):把未选入的列向量位置的集合设为集合s,
c):分别计算x(j)对剩下列向量的投影:
具体见图1流程所示;
d):记k(n)=arg(max(||Pxj||),j∈s,即,k(n)为投影最大的波长;
e):令x(j)=Pxj,j∈s
f):n=n+1,如果n<N,回到b循环计算;
每次,b)循环结束后,模型对应于初始的k(0)和N选择了对应的波段组合 {x[k(n)],n=0,……,N-1},将此组合计算验证集的预测标准偏差(RMSECV),
然后,回到a)循环,重新选择一个初始波段k(0),再通过计算选择与之对应的波段组合,然后计算RMSECV。通过多次循环(循环次数为波段数),判断 RMSECV是否为最小值,如果是最小值,则输出其选择的波段。
(3)建立预测模型并估计土壤盐分含量(如图1中的框c所示)
将步骤(2)中选择的特征波段作为自变量输入到预测模型中,xn是选择的 N个特征波段的集合,yn是测量的对应土壤的土壤盐分含量值。这里使用的是 ANN方法中的反向传播网络即(BPN)。此模型最基本的数学关系是:
其中wi是每一个特征到每一个结点上的权重,建模的过程就是利用建模数据确定权重,使得模型的估计结果与测量值之间的差异最小。然后将测试数据输入到建立好的预测模型中进行土壤盐分含量的估计。
研究结果
将60个样本数据随机分成2组,第一组40个数据,用于特征波段的提取和建模;第二组20个数据用于模型的验证。在进行特征波段选取的时候,设置 N为1-39,最终会获得取得较小RMSECV的时候,可选择的最少的波段数对应的波段。进行ANN建模的时候,采用的是2层的结构,第一层设置5个结点,第二层设置2个结点。
首先,在运算时间上,用全波段直接进行ANN建模并验证需要至少12小时的时间。将全波段进行SPA特征提取后进行ANN建模,需要时间不超过5 分钟。
图2(a,b)是不同盐分含量土壤的原始波谱曲线和标准化后的波谱曲线形态,其中图2(c,d)分别为原始波谱曲线选的特征波段和标准化波谱曲线选择的特征波段,由图2可知,不同的盐分含量的曲线在近红外波段表现出明显的差异。利用SPA方法提取的特征波也同样主要集中在近红外波段。当选择的波段数量最少(4个)的时候,四个波段的分布同样可以反映盐分含量不同的土壤光谱曲线的差异。说明SPA方法提取的特征波段是适用于土壤盐分含量估计的。
将基于STD-SPA-ANN模型得到的估计结果与RS-ALL-ANN(RS为原始波段,ALL表示全波段)、RS-SPA-ANN和STD-ALL-ANN这三个模型进行对比。对比结果如表1所示。R2表示估计值与测量值之间的相关性,取值范围在0-1 之间,R2越大,说明模型的估计结果越好;RPD(性能与偏差比率)为标准化 RMSE提供了基础表示模型的精度,RPD小于1.5时,表示模型估计结果不好,此模型不适用于这一类别的估计,RPD大于1.5并小于2.0时,模型估计结果不好,但是可以接受,RPD大于2.0时,模型估计结果非常好,此模型很适用于此类别的估计;MAPE表示平均绝对误差百分比,是一个相对值,可以评估同一组数据的不同模型的估计结果,当对比同一组数据不同的模型时,值越小表示模型的效果越好。表1和图3,通过SPA特征波段提取然后进行ANN建模相比于利用全波段建模各项指标均有提升,即利用SPA方法能够提高模型的建模精度。将光谱进行标准化变换后进行土壤盐分含量估计的效果比利用原始波段进行盐分含量估计的效果好。此提出的STD-SPA-ANN模型,相比较于传统常见的模型,R2由0.788提升到了0.874,提升了0.086,RPD由1.921提升到了 2.317,提升了0.314,MAPE由55%降低到了42.8%,降低了5.1%。因此,此模型解决了应用传统方法传统模型进行土壤盐分含量估计的主观性强、运算量大、计算速度慢、模型不稳定的问题。
表1各个模型估计结果对比
本发明提供的盐碱地土壤盐分含量的高光谱计算方法是集成 STD-SPA-ANN的一种土壤盐化含量预测模型,主要是将光谱曲线进行标准化变换(STD),然后利用连续投影算法(SPA)进行特征波段的选取,最后将选取的特征波段应用到人工神经网络(ANN)中进行盐分含量的估计。通过本发明的方法解决了将全波段应用到模型或运用相关分析时主观性强、运算量大、计算速度慢、模型不稳定的问题。
以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种盐碱地土壤盐分含量的高光谱计算方法,其特征在于,包括:
步骤1:获得光谱数据并对光谱数据进行处理;
步骤2:选取特征波段;
步骤3:建立预测模型并估计土壤盐分含量。
2.根据要求1所述的盐碱地土壤盐分含量的高光谱计算方法,其特征在于,在步骤1中,将获取的光谱数据进行去噪和插值处理,然后将波谱数据进行平滑处理。
3.根据要求1所述的盐碱地土壤盐分含量的高光谱计算方法,其特征在于,在步骤1中,获取的光谱数据首先是利用仪器自带的软件进行去噪和插值处理,将原始的1024个波段插值成为2175个波段,然后将波谱数据进行平滑处理,采用的是五点平滑法:其中,样本矩阵X(N*p),N为样本数,p为波段数,k=1,2,3,···,p,其中,i为样本,
平滑的波谱曲线进行标准化处理:
其中,
4.根据要求1所述的盐碱地土壤盐分含量的高光谱计算方法,其特征在于,在步骤2中,使用连续投影算法完成所述特征波段的选取。
5.根据要求4所述的盐碱地土壤盐分含量的高光谱计算方法,其特征在于,连续投影算法的具体方法为:
记x[k(0)]为初始迭代向量,N为需要提取的变量个数,光谱矩阵为J列,
a):迭代开始前,在波谱矩阵中随机选择一列j,把建模集的第j列赋值给x(j),记为x[k(0)];
b):把未选入的列向量位置的集合设为集合s,
c):分别计算x(j)对剩下列向量的投影:
d):记k(n)=arg(max(||Pxj||),j∈s;
e):令x(j)=Pxj,j∈s
f):n=n+1,如果n<N,回到b)循环计算;
每次,b)循环结束后,模型对应于初始的k(0)和N选择了对应的波段组合{x[j(n)],n=0,……,N-1},将此组合计算验证集的预测标准偏差(RMSECV),
然后,回到a)循环,重新选择一个初始波段k(0),再通过计算选择与之对应的波段组合,然后计算验证集的预测标准偏差(RMSECV)。通过多次循环(循环次数为波段数),判断验证集的预测标准偏差(RMSECV)是否为最小值,如果是最小值,则输出其选择的波段。
6.根据要求1所述的盐碱地土壤盐分含量的高光谱计算方法,其特征在于,步骤3中,使用人工神经网络方法中的反向传播网络进行所述预测模型的建立。
7.根据要求6所述的盐碱地土壤盐分含量的高光谱计算方法,其特征在于,所述预测模型的数学关系为
其中wi是每一个特征到每一个结点上的权重,xn是选择的N个特征波段的集合,yn是测量的对应土壤的土壤盐分含量值。
8.根据要求6所述的盐碱地土壤盐分含量的高光谱计算方法,其特征在于,在步骤3中,采用人工神经网络方法建立预测模型时,采用的是2层的结构,第一层设置5个结点,第二层设置2个结点。
9.根据要求1所述的盐碱地土壤盐分含量的高光谱计算方法,其特征在于,在步骤3中,还包括将步骤2中选择的所述特征波段作为自变量输入到所述预测模型中。
10.根据要求1所述的盐碱地土壤盐分含量的高光谱计算方法,其特征在于,在步骤1中,获取光谱数据时,采用五点采样法进行光谱数据的采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811622338.5A CN109444055A (zh) | 2018-12-28 | 2018-12-28 | 一种盐碱地土壤盐分含量的高光谱计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811622338.5A CN109444055A (zh) | 2018-12-28 | 2018-12-28 | 一种盐碱地土壤盐分含量的高光谱计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109444055A true CN109444055A (zh) | 2019-03-08 |
Family
ID=65540379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811622338.5A Pending CN109444055A (zh) | 2018-12-28 | 2018-12-28 | 一种盐碱地土壤盐分含量的高光谱计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109444055A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110771A (zh) * | 2019-04-24 | 2019-08-09 | 中国科学院东北地理与农业生态研究所 | 基于地表图像的盐渍土含盐量估算方法 |
CN113297722A (zh) * | 2021-04-21 | 2021-08-24 | 山东师范大学 | 滨海土壤盐分评估方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915445A (zh) * | 2012-09-17 | 2013-02-06 | 杭州电子科技大学 | 一种改进型的神经网络高光谱遥感影像分类方法 |
CN106918566A (zh) * | 2017-03-09 | 2017-07-04 | 长江勘测规划设计研究有限责任公司 | 基于高光谱数据的土壤水分、盐分信息联合提取方法 |
-
2018
- 2018-12-28 CN CN201811622338.5A patent/CN109444055A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915445A (zh) * | 2012-09-17 | 2013-02-06 | 杭州电子科技大学 | 一种改进型的神经网络高光谱遥感影像分类方法 |
CN102915445B (zh) * | 2012-09-17 | 2015-08-19 | 杭州电子科技大学 | 一种改进型的神经网络高光谱遥感影像分类方法 |
CN106918566A (zh) * | 2017-03-09 | 2017-07-04 | 长江勘测规划设计研究有限责任公司 | 基于高光谱数据的土壤水分、盐分信息联合提取方法 |
Non-Patent Citations (3)
Title |
---|
史晓霞: "基于CA模型的土壤盐渍化时空演变模拟与预测", 《农业工程学报》 * |
吴龙国: "基于高光谱成像技术的土壤水盐及番茄植株水分诊断机理与模型研究", 《中国博士学位论文全文数据库 农业科技辑》 * |
李晨: "滨海盐土土壤水分的高光谱参数及估测模型", 《应用生态学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110771A (zh) * | 2019-04-24 | 2019-08-09 | 中国科学院东北地理与农业生态研究所 | 基于地表图像的盐渍土含盐量估算方法 |
CN113297722A (zh) * | 2021-04-21 | 2021-08-24 | 山东师范大学 | 滨海土壤盐分评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hassan-Esfahani et al. | Assessment of optimal irrigation water allocation for pressurized irrigation system using water balance approach, learning machines, and remotely sensed data | |
Liaqat et al. | Evaluation of MODIS and Landsat multiband vegetation indices used for wheat yield estimation in irrigated Indus Basin | |
AU2017377078B2 (en) | Classification of soil texture and content by near-infrared spectroscopy | |
Mattia et al. | Using a priori information to improve soil moisture retrieval from ENVISAT ASAR AP data in semiarid regions | |
Guo et al. | Integrating remote sensing information with crop model to monitor wheat growth and yield based on simulation zone partitioning | |
Guerif et al. | Adjustment procedures of a crop model to the site specific characteristics of soil and crop using remote sensing data assimilation | |
Aksoy et al. | Assessing the performance of machine learning algorithms for soil salinity mapping in Google Earth Engine platform using Sentinel-2A and Landsat-8 OLI data | |
Wang et al. | Monitoring maize growth conditions by training a BP neural network with remotely sensed vegetation temperature condition index and leaf area index | |
Zhou et al. | Perspective of Chinese GF-1 high-resolution satellite data in agricultural remote sensing monitoring | |
US20180292339A1 (en) | Systems and methods for high resolution plant root zone soil mapping and crop modeling | |
Jones et al. | Fuzzy composite programming to combine remote sensing and crop models for decision support in precision crop management | |
Zhang et al. | Study on factors affecting corn yield based on the Cobb-Douglas production function | |
Nouri et al. | Remote sensing techniques for predicting evapotranspiration from mixed vegetated surfaces | |
Yang et al. | Winter wheat SPAD estimation from UAV hyperspectral data using cluster-regression methods | |
Araya et al. | Phenologic metrics derived from MODIS NDVI as indicators for plant available water-holding capacity | |
CN105739575A (zh) | 一种设施蔬菜环境参数的数据融合方法、装置及系统 | |
Dong et al. | Comparison and analysis of data assimilation algorithms for predicting the leaf area index of crop canopies | |
Yi et al. | Evaluation of MODIS surface reflectance products for wheat leaf area index (LAI) retrieval | |
Yeganeh et al. | Monitoring rangeland ground cover vegetation using multitemporal MODIS data | |
Zhuo et al. | Integrating remotely sensed water stress factor with a crop growth model for winter wheat yield estimation in the North China Plain during 2008–2018 | |
Fortes Gallego et al. | Using NDVI and guided sampling to develop yield prediction maps of processing tomato crop | |
Jiang et al. | Mapping interannual variability of maize cover in a large irrigation district using a vegetation index–phenological index classifier | |
Yang et al. | Estimating soil moisture content using laboratory spectral data | |
CN114863289B (zh) | 一种基于土地利用的动态遥感监测方法与系统 | |
Yang et al. | Effect of spring irrigation on soil salinity monitoring with UAV-borne multispectral sensor |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |