CN109461152A - 一种健康植被检测方法 - Google Patents
一种健康植被检测方法 Download PDFInfo
- Publication number
- CN109461152A CN109461152A CN201811347588.2A CN201811347588A CN109461152A CN 109461152 A CN109461152 A CN 109461152A CN 201811347588 A CN201811347588 A CN 201811347588A CN 109461152 A CN109461152 A CN 109461152A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- value
- reflectivity
- growing season
- wave band
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种健康植被检测方法,本方法包括如下步骤:获取待检测区域的地表反射率图像;基于地表反射率图像合成彩色图像;将彩色图像划分为若干个区域;基于每个区域730nm‑760nm波段地表反射率值的像素面积与660nm‑690nm波段地表反射率值的像素面积的比值,计算每个区域的健康植被检测指数值;将健康植被检测指数值在[7,13]范围内的区域判定为健康植被区域。本发明对待检测区域的地表反射率图像进行检测,基于病植被或枯萎植被和健康植被叶绿素含量不同导致吸收的红外波段不同,实现了待检测区域中健康植被的识别。
Description
技术领域
本申请涉及植物检测技术领域,尤其涉及一种健康植被检测方法。
背景技术
近年来,干旱、半干旱地区的荒漠化趋势越来越明显,防治土地荒漠化,维持物种多样性,保护天然植被,尤其是濒危物种,具有重要意义,同时也是改善生态环境,维持生态平衡,提高生态系统服务功能的迫切需要。沙冬青是古老的荒漠残遗种,被列为国家二级保护植物,固沙保土性能好,保存了特殊的抗逆基因,是人类开展遗传研究工程的宝贵基因库,对研究亚洲中部荒漠植物区系的起源具有重要科研价值。然而近几十年来,由于风沙大,降雨少,气温逐年升高,蒸发强等恶劣的气候因素以及放牧,垦荒,采矿等人为的破坏,沙冬青生长环境逐渐恶化,再加上其繁殖方式的单一,沙冬青分布面积越来越小,种群数量日趋下降,处于濒危状态。因此,利用一定的技术手段及时地诊断濒危植物衰退等级对其保护工作具有重要参考价值。自然界中任何地物都具有其自身的电磁辐射规律,不同地物由于其化学组分和物理结构的差异,具有独特且稳定的光谱反射和吸收特征,高光谱技术正是基于这一原理,通过遥感传感器在原理物体的同时,获取地物的光谱特征信息。高光谱技术由于其快速、无损的特点而逐渐取代传统方法,成为植物生长状况诊断的新方法而被广泛使用。
本发明公开了一种健康植被检测方法,对待检测区域的地表反射率图像进行检测,基于病植被或枯萎植被和健康植被叶绿素含量不同导致吸收的红外波段不同,实现了对大面积的待检测区域中健康植被的快速识别。
发明内容
针对现有技术存在的上述不足,本申请要解决的技术问题是:如何识别待检测区域中的健康植被。
为解决上述技术问题,本申请采用了如下的技术方案:
一种健康植被检测方法,本方法包括如下步骤:
S1、获取待检测区域的地表反射率图像;
S2、基于地表反射率图像合成彩色图像;
S3、将彩色图像划分为若干个区域;
S4、基于每个区域730nm-760nm波段地表反射率值的像素面积与660nm-690nm波段地表反射率值的像素面积的比值,计算每个区域的健康植被检测指数值;
S5、将健康植被检测指数值在[7,13]范围内的区域判定为健康植被区域。
优选地,步骤S1包括如下步骤:
S101、获取待检测区域的原始光谱辐照度;
S102、基于原始光谱辐照度图像经过辐射定标、大气矫正转换为地表反射率图像。
优选地,步骤S2包括如下步骤:
S201、从地表反射率图像选择R、G、B三个波段;
S202、以每个波段为中心,对于每个波段,分别获取所述波段的地表反射率值以及若干个所述波段的相邻波段的地表反射率值;
S203、基于每个波段的地表反射率值及其相邻波段的地表反射率值求每个波段的平均地表反射率值;
S204、将每个波段的平均地表反射率值放大,放大后的平均地表反射率值与全色图像的波段值处于同一等级;
S205、基于全色图像的波段值的截断范围对放大后的平均地表反射率值进行截断,并基于截断后的平均地表反射率值合成彩色图像。
优选地,步骤S5之后还包括如下步骤:
S6、对于健康植被区域之外的区域,将每个区域550nm-750nm波段的地表反射率值的倒数积分,得到每个区域的病植被或枯萎植被检测指数值。
优选地,步骤S6之后还包括如下步骤:
S7、将病植被或枯萎植被检测指数值在[2.5,5]范围内的区域判定为病植被或枯萎植被区域。
优选地,步骤S6之后还包括如下步骤:
S8、将病植被或枯萎植被检测指数值在(5,10.5]范围内的区域判定为土壤区域。
综上所述,本发明公开了一种健康植被检测方法,本方法包括如下步骤:获取待检测区域的地表反射率图像;基于地表反射率图像合成彩色图像;将彩色图像划分为若干个区域;基于每个区域730nm-760nm波段地表反射率值的像素面积与660nm-690nm波段地表反射率值的像素面积的比值,计算每个区域的健康植被检测指数值;将健康植被检测指数值在[7,13]范围内的区域判定为健康植被区域。本发明对待检测区域的地表反射率图像进行检测,基于病植被或枯萎植被和健康植被叶绿素含量不同导致吸收的红外波段不同,实现了待检测区域中健康植被的识别。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步的详细描述,其中:
图1为本发明公开的一种健康植被检测方法的流程图;
图2为本发明中健康植被的健康植被检测指数值示意图;
图3为直接采用三个波段合成的彩色图像示意图;
图4为采用求平均值的方法以后合成的彩色图像示意图;
图5为病植被或枯萎植被的病植被或枯萎植被检测指数值示意图;
图6为在土壤背景下的病植被或枯萎植被检测指数值示意图。
具体实施方式
下面结合附图对本申请作进一步的详细说明。
如图1所示,本发明公开了一种健康植被检测方法,本方法包括如下步骤:
S1、获取待检测区域的地表反射率图像;
S2、基于地表反射率图像合成彩色图像;
S3、将彩色图像划分为若干个区域;
在本发明中,每个区域的面积可以是400*400。
S4、基于每个区域730nm-760nm波段地表反射率值的像素面积与660nm-690nm波段地表反射率值的像素面积的比值,计算每个区域的健康植被检测指数值;
健康植被、病植被或枯萎植被外观上的表现普遍为健康植被树叶为绿色,病植被或枯萎植被树叶为黄色或红色,这主要因为两种树的叶绿素含量不同造成的。故健康植被、病植被或枯萎植被判断可根据叶绿素含量的不同进行判别。叶绿素定量判别方法为红外光学参数评价,由于低空高光谱遥感数据存在各种干扰因素,因此分析化学中,为了减少干扰项引起误差的通常使用两个波长的比值,以消除两个波长中相似的背景信号,需要不同波段的波长才能实现矫正背景信号。树木光谱在红光波段叶绿素强烈吸收形成波谷,在近红外波段几乎不吸收形成反射峰。病植被或枯萎植被会引起叶绿素的浓度或含量下降,波谷和反射峰的比值会减弱。故本方法采用红光波段的波谷的660nm-690nm之间15个波段积分得到波谷的面积,近红外反射峰730nm-760nm之间15个波段积分得到反射峰的面积,用近红外反射峰(730nm-760nm波段)的面积/红光吸收谷(660nm-690nm波段)的面积,建立每个区域的健康植被检测指数因为健康植被、病植被或枯萎植被的叶绿素含量不同,近红外反射峰和红光吸收谷的面积比也不同,由面积比值可以区别出健康植被、病植被或枯萎植被,此外,采用15个波段积分可以更好的矫正背景信号。
S5、将健康植被检测指数值在[7,13]范围内的区域判定为健康植被区域。
如图2所示,健康植被的健康植被检测指数值集中在[7,13],因此,本发明中将健康植被检测指数值在[7,13]范围内的区域判定为健康植被区域。
本发明对待检测区域的地表反射率图像进行检测,基于病植被或枯萎植被和健康植被叶绿素含量不同导致吸收的红外波段不同,实现了待检测区域中健康植被的识别。因为高光谱数据波段窄、波段多,能以足够的光谱分辨率区分出那些具有诊断性光谱特征的植被和土壤,比全色图像更能准确识别健康植被。
具体实施时,步骤S1包括如下步骤:
S101、获取待检测区域的原始光谱辐照度;
S102、基于原始光谱辐照度图像经过辐射定标、大气矫正转换为地表反射率图像。
具体实施时,步骤S2包括如下步骤:
S201、从地表反射率图像选择R、G、B三个波段;
在本发明中可以选择波长640nm、550nm、460nm的3个波段进行彩色合成,这样所得彩色图像最接近原始景物真实颜色。
S202、以每个波段为中心,对于每个波段,分别获取所述波段的地表反射率值以及若干个所述波段的相邻波段的地表反射率值;
S203、基于每个波段的地表反射率值及其相邻波段的地表反射率值求每个波段的平均地表反射率值;
在本发明中可以选择640.7980nm、549.9210nm和460.8980nm三个波段合成(波段实际值与理论值有误差),但由于高光谱波段窄,一个波段宽度只有2nm左右,波段窄,包含信息量少,故三个波段合成后,色彩与原始景物真实颜色有偏差,如图3所示,大部分树木呈绿色,但较模糊,地表反射率图像只有少量红点,不易分辨。因此对地表反射率图像进行平滑处理,分别对640.7980nm、549.9210nm和460.8980nm三个波段,以每个波段为中心,左右共取相邻5个波段的地表反射率值进行平均,以640.7980nm波段为中心左右共取637.089000nm、638.943000nm、640.798000nm、642.653000nm、644.507000nm一共5个波段的地表反射率值进行平均,以549.9210nm波段为中心,左右共取546.2110nm、548.0660nm、549.9210nm、551.7750nm、553.6300nm一共5个波段的地表反射率值进行平均,以460.8980nm波段为中心,左右共取457.1880nm、459.0430nm、460.8980nm、462.7520nm和464.6070nm一共5个波段的地表反射率值进行平均。
S204、将每个波段的平均地表反射率值放大,放大后的平均地表反射率值与全色图像的波段值处于同一等级;
因为地表反射率图像的平均地表反射率值与全色图像灰度值相差10000倍,因此,将平均地表反射率值扩大10000倍,使各波段平均值与全色图像三波段值在同一等级上。
S205、基于全色图像的波段值的截断范围对放大后的平均地表反射率值进行截断,并基于截断后的平均地表反射率值合成彩色图像。
根据全色图像波段值的截断范围再对地表反射率图像波段进行截断,将截断后的三种平均值用ENVI软件进行彩色合成,合成后的彩色图像从视觉上会接近全色图像,如图4可以清晰的看到彩色图像中大部分树木呈绿色,土地和树林界限清晰。
具体实施时,步骤S5之后还包括如下步骤:
S6、对于健康植被区域之外的区域,将每个区域550nm-750nm波段的地表反射率值的倒数积分,得到每个区域的病植被或枯萎植被检测指数值;
在健康植被区域以外的区域,一部分土壤背景为红色,与病植被或枯萎植被的红色树叶混淆。土壤背景与病植被或枯萎植被的红色树叶的因成份不同,光谱反射率的倒数在550nm-750nm波段的数值差别非常大,将550nm-750nm的反射率倒数积分,建立指数可将土壤背景、病植被或枯萎植被的红色树叶光谱差异极大化。
S7、将病植被或枯萎植被检测指数值在[2.5,5]范围内的区域判定为病植被或枯萎植被区域;
S8、将病植被或枯萎植被检测指数值在(5,10.5]范围内的区域判定为土壤区域。
如图5及图6所示,可以看出病植被或枯萎植被的病植被或枯萎植被检测指数值集中在[2.5,5],土壤背景的病植被或枯萎植被检测指数值集中在(5,10.5],可以由指数区别出病植被或枯萎植被、土壤背景。
最后说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管通过参照本申请的优选实施例已经对本申请进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本申请的精神和范围。
Claims (6)
1.一种健康植被检测方法,其特征在于,本方法包括如下步骤:
S1、获取待检测区域的地表反射率图像;
S2、基于地表反射率图像合成彩色图像;
S3、将彩色图像划分为若干个区域;
S4、基于每个区域730nm-760nm波段地表反射率值的像素面积与660nm-690nm波段地表反射率值的像素面积的比值,计算每个区域的健康植被检测指数值;
S5、将健康植被检测指数值在[7,13]范围内的区域判定为健康植被区域。
2.如权利要求1所述的健康植被检测方法,其特征在于,步骤S1包括如下步骤:
S101、获取待检测区域的原始光谱辐照度;
S102、基于原始光谱辐照度图像经过辐射定标、大气矫正转换为地表反射率图像。
3.如权利要求1所述的健康植被检测方法,其特征在于,步骤S2包括如下步骤:
S201、从地表反射率图像选择R、G、B三个波段;
S202、以每个波段为中心,对于每个波段,分别获取所述波段的地表反射率值以及若干个所述波段的相邻波段的地表反射率值;
S203、基于每个波段的地表反射率值及其相邻波段的地表反射率值求每个波段的平均地表反射率值;
S204、将每个波段的平均地表反射率值放大,放大后的平均地表反射率值与全色图像的波段值处于同一等级;
S205、基于全色图像的波段值的截断范围对放大后的平均地表反射率值进行截断,并基于截断后的平均地表反射率值合成彩色图像。
4.如权利要求1所述的健康植被检测方法,其特征在于,步骤S5之后还包括如下步骤:
S6、对于健康植被区域之外的区域,将每个区域550nm-750nm波段的地表反射率值的倒数积分,得到每个区域的病植被或枯萎植被检测指数值。
5.如权利要求4所述的健康植被检测方法,其特征在于,步骤S6之后还包括如下步骤:
S7、将病植被或枯萎植被检测指数值在[2.5,5]范围内的区域判定为病植被或枯萎植被区域。
6.如权利要求4所述的健康植被检测方法,其特征在于,步骤S6之后还包括如下步骤:
S8、将病植被或枯萎植被检测指数值在(5,10.5]范围内的区域判定为土壤区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811347588.2A CN109461152B (zh) | 2018-11-13 | 2018-11-13 | 一种健康植被检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811347588.2A CN109461152B (zh) | 2018-11-13 | 2018-11-13 | 一种健康植被检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109461152A true CN109461152A (zh) | 2019-03-12 |
CN109461152B CN109461152B (zh) | 2021-06-01 |
Family
ID=65610240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811347588.2A Active CN109461152B (zh) | 2018-11-13 | 2018-11-13 | 一种健康植被检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109461152B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021014991A (ja) * | 2019-07-10 | 2021-02-12 | 国立研究開発法人農業・食品産業技術総合研究機構 | クロロフィル含有量の測定方法及び果実の熟度判定方法 |
CN112683822A (zh) * | 2020-12-17 | 2021-04-20 | 淮阴师范学院 | 基于可见光波段的植被与非植被识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1924927A (zh) * | 2006-09-18 | 2007-03-07 | 武汉大学 | 一种dmc彩色合成影像的辐射再处理方法 |
KR101263121B1 (ko) * | 2011-09-07 | 2013-05-15 | 경북대학교 산학협력단 | 위성 적외영상 자료를 이용한 현업용 기상레이더 반사도 합성자료의 채프에코 제거 방법 |
CN103335947A (zh) * | 2013-05-29 | 2013-10-02 | 浙江大学 | 一种室外便携式油菜菌核病实时检测系统和方法 |
CN104462809A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感与gis相结合的草地生产力估算方法 |
US20150301468A1 (en) * | 2014-04-16 | 2015-10-22 | Canon Kabushiki Kaisha | Image forming apparatus which corrects for color misregistration |
CN105825177A (zh) * | 2016-03-09 | 2016-08-03 | 西安科技大学 | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 |
US20170323460A1 (en) * | 2016-05-06 | 2017-11-09 | Ohio State Innovation Foundation | Image color data normalization and color matching system for translucent material |
-
2018
- 2018-11-13 CN CN201811347588.2A patent/CN109461152B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1924927A (zh) * | 2006-09-18 | 2007-03-07 | 武汉大学 | 一种dmc彩色合成影像的辐射再处理方法 |
KR101263121B1 (ko) * | 2011-09-07 | 2013-05-15 | 경북대학교 산학협력단 | 위성 적외영상 자료를 이용한 현업용 기상레이더 반사도 합성자료의 채프에코 제거 방법 |
CN103335947A (zh) * | 2013-05-29 | 2013-10-02 | 浙江大学 | 一种室外便携式油菜菌核病实时检测系统和方法 |
US20150301468A1 (en) * | 2014-04-16 | 2015-10-22 | Canon Kabushiki Kaisha | Image forming apparatus which corrects for color misregistration |
CN104462809A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感与gis相结合的草地生产力估算方法 |
CN105825177A (zh) * | 2016-03-09 | 2016-08-03 | 西安科技大学 | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 |
US20170323460A1 (en) * | 2016-05-06 | 2017-11-09 | Ohio State Innovation Foundation | Image color data normalization and color matching system for translucent material |
Non-Patent Citations (4)
Title |
---|
DANIEL A SIMS等: ""Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages"", 《REMOTE SENSING OF ENVIRONMENT》 * |
GEORGE ALAN BLACKBURN: ""Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis"", 《REMOTE SENSING OF ENVIRONMENT》 * |
胡秀娟等: ""水土流失区生态修复后植被健康的遥感判别"", 《应用生态学报》 * |
陈兵等: ""病害胁迫对棉叶光谱反射率和叶绿素荧光特性的影响"", 《农业工程学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021014991A (ja) * | 2019-07-10 | 2021-02-12 | 国立研究開発法人農業・食品産業技術総合研究機構 | クロロフィル含有量の測定方法及び果実の熟度判定方法 |
JP7360649B2 (ja) | 2019-07-10 | 2023-10-13 | 国立研究開発法人農業・食品産業技術総合研究機構 | クロロフィル含有量の測定方法及び果実の熟度判定方法 |
CN112683822A (zh) * | 2020-12-17 | 2021-04-20 | 淮阴师范学院 | 基于可见光波段的植被与非植被识别方法 |
CN112683822B (zh) * | 2020-12-17 | 2024-04-05 | 淮阴师范学院 | 基于可见光波段的植被与非植被识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109461152B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peña-Barragán et al. | Object-based crop identification using multiple vegetation indices, textural features and crop phenology | |
Klemas | Remote sensing of coastal wetland biomass: An overview | |
Vicente et al. | Identification of mineral components in tropical soils using reflectance spectroscopy and advanced spaceborne thermal emission and reflection radiometer (ASTER) data | |
Schmidt et al. | Spectral discrimination of vegetation types in a coastal wetland | |
Pickup et al. | Estimating changes in vegetation cover over time in arid rangelands using Landsat MSS data | |
Xu et al. | Incorporation of satellite remote sensing pan-sharpened imagery into digital soil prediction and mapping models to characterize soil property variability in small agricultural fields | |
Banerjee et al. | High-throughput phenotyping using digital and hyperspectral imaging-derived biomarkers for genotypic nitrogen response | |
Sjöström et al. | Evaluation of satellite based indices for gross primary production estimates in a sparse savanna in the Sudan | |
de Almeida et al. | Principal component analysis applied to a time series of MODIS images: the spatio-temporal variability of the Pantanal wetland, Brazil | |
Ray et al. | Use of hyperspectral remote sensing data for crop stress detection: ground-based studies | |
Bratsch et al. | Relationships between hyperspectral data and components of vegetation biomass in Low Arctic tundra communities at Ivotuk, Alaska | |
Salih | Classification and mapping of land cover types and attributes in Al-Ahsaa Oasis, Eastern Region, Saudi Arabia using Landsat-7 data | |
CN109461152A (zh) | 一种健康植被检测方法 | |
Ahmad et al. | Forest health estimation in Sholayar Reserve Forest, Kerala using AVIRIS-NG hyperspectral data | |
Setiawan et al. | Identifying change trajectory over the Sumatra's forestlands using moderate image resolution imagery | |
Wu et al. | Research of foliar dust content estimation by reflectance spectroscopy of Euonymus japonicus Thunb | |
De Almeida et al. | Monitoring soil–plant interactions and maize yield by satellite vegetation indexes, soil electrical conductivity and management zones | |
Shrestha et al. | Investigating remote sensing properties for soil salinty mapping: A case study in Korat province of Thailand | |
Melendez-Pastor et al. | Mapping soil salinization of agricultural coastal areas in Southeast Spain | |
Zhang et al. | New reflectance spectral vegetation indices for estimating rice nitrogen nutrition iii: development of a new vegetation index based on canopy red-edge reflectance spectra to monitor rice canopy leaf nitrogen concentration | |
Dutkiewicz | Evaluating hyperspectral imagery for mapping the surface symptoms of dryland salinity | |
Sebego et al. | Mapping of Colophospermum mopane using Landsat TM in eastern Botswana | |
Lunagaria et al. | Determination of optimal narrow bands for vegetation indices to discriminate nitrogen status in wheat crop | |
Nuarsa et al. | Modification of input images for improving the accuracy of rice field classification using MODIS data | |
ARAÚJO | Detection of agricultural drought impacts on soybeans production in Brazil (1983-2016) using precipitation anomalies, NDVI and ESPI |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Min Jiayuan Inventor after: Li Hongqun Inventor after: Zhang Lili Inventor after: Wang Dingyi Inventor before: Min Jiayuan Inventor before: Li Hongqun Inventor before: Wang Dingyi |
|
CB03 | Change of inventor or designer information |