CN109543654B - 一种反映农作物生长状况的改进型植被指数的构建方法 - Google Patents
一种反映农作物生长状况的改进型植被指数的构建方法 Download PDFInfo
- Publication number
- CN109543654B CN109543654B CN201811529383.6A CN201811529383A CN109543654B CN 109543654 B CN109543654 B CN 109543654B CN 201811529383 A CN201811529383 A CN 201811529383A CN 109543654 B CN109543654 B CN 109543654B
- Authority
- CN
- China
- Prior art keywords
- vegetation index
- remote sensing
- vegetation
- red
- crops
- 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 18
- 239000002689 soil Substances 0.000 description 15
- 241000209140 Triticum Species 0.000 description 6
- 235000021307 Triticum Nutrition 0.000 description 6
- 230000005855 radiation Effects 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000012298 atmosphere Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
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
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供的一种反映农作物生长状况的改进型植被指数的构建方法，主要对从遥感影像中反演的植被指数进行了创新，从而更能精确地反映农作物的生长状况。本发明的核心创新点在于对归一化植被指数进行了改进，加入对植被生长状况及其敏感的红边波段斜率，形成一个基于三个波段的改进型植被指数。这个改进型的植被指数有效地表达了农作物时空生长状况的差异。验证结果表明：相比传统的归一化植被指数，本专利提出的改进型植被指数更能表达农作物之间的生长微小差异，稳定性强，适用范围更广。本专利的方法主要适用于基于卫星或者无人机遥感获取的遥感图像反演农作物生长状况的应用，同时可应用于其他植被生长状况信息的反演。
Description
技术领域
本发明属于农作物长势监测领域，特别涉及基于卫星遥感或者无人机遥感的农作物生长状况的监测领域。
背景技术
作物的生长状况是光照、温度、土壤、大气、肥料、病虫害、管理措施等多因素的共同作用的结果。农作物生长状况的监测包括农作物生长早期的苗情、生长发育中后期的作物植株发育形势，以及在产量方面的指定性特征。农作生长状况的监测可以分为随时间变化的监测以及长势好坏在空间分布上的监测。遥感技术具有宏观、适时和动态的优点，同时能满足时间、空间上的农作物生长状况监测。因此，利用遥感数据动态监测区域作物生长状况已经被广泛的应用。
遥感对农作物开展监测的原理如下：农作物的叶绿素吸收了可见光部分波段，在遥感影像上表现为吸收峰；叶片在近红外波段、红边波段上高反射，在遥感影像表现为突峰。很多学者通过利用波段之间的组合运算，构建植被指数作为监测指标来反映农作物的生长状况。
目前用于农作物生长状况监测的植被指数主要有[王正兴,刘闯,Alfredo HUETE.植被指数研究进展:从AVHRR-NDVI到MODIS-EVI[J].生态学报,2003,(5):979-987.]：归一化植被指数(NDVI)、比值植被指数(RVI)、绿度植被指数(GVI)、垂直植被指数(PVI)、土壤调节植被指数(SAVI)、增强型植被指数(EVI)等。主要的植被指数计算方法如下：
(1)归一化植被指数(NDVI)
归一化植被指数主要采用近红外波段和红色波段进行计算，计算公式如下：
其中，Nir是近红外波段，R是红色波段。NDVI值的范围在[-1,1]之间。当NDVI的值为负时表示该地物类型为岩石、裸地、建筑等非植被；当NDVI的值为正值时表示该地物类型为植被，值越高，植被的生长状态就越好等。NDVI的局限性表现在当植被有较高的覆盖度时，NDVI有较低的灵敏度。
(2)比值植被指数(RVI)
比值植被指数(RVI)采用近红外波段和红外波段进行计算，计算公式如下：
RVI＝Nir/R
其中，Nir是近红外波段，R是红色波段。植被RVI值大于2，非植被(裸地、水体、建筑等)的RVI的值接近1。植被RVI是绿色植物健康程度的灵敏指标，可用于检测和估算植物生物量。该指数的缺陷在于当植被覆盖度较低(低于50％)时，敏感性较低；此外，RVI受大气条件的较大，存在较大的噪声。
(3)绿度植被指数(GVI)
绿度植被指数(GVI)是遥感图像经过K-T变换后表示绿度的分量。其基本原理是：植被生长过程中的光谱形状呈“穗帽”状，而土壤光谱构成一条土壤亮度线；K-T变换得到的第一个分量表示土壤亮度，第二个分量表示绿度，第三个分量随传感567器不同而表达不同的含义。绿度植被指数(GVI)有效的反映了植被和土壤之间的差异，它的缺陷在于它是各波段辐射亮度值的加权和，而辐射亮度是大气辐射、太阳辐射、环境辐射的综合结果，受外界的条件影响较大。
(4)垂直植被指数(PVI)
垂直植被指数(PVI)主要采用土壤和植被在近红外和红外波段上的反射率进行计算，计算公式如下：
其中，SR是土壤在红色波段上反射率；SNIR是土壤在近红外波段上的反射率；VR是植被在红色波段上的反射率；VNIR是植被在近红外波段上的反射率。该公式表达的含义是：在R-NIR波段的二维坐标系内，植被像元到土壤亮度线的垂直距离。垂直植被指数(PVI)较好地消除了土壤背景的影响，对大气的敏感度相比其他植被指数较小。
(5)土壤调节植被指数(SAVI)
土壤调节植被指数(SAVI)主要采用红外波段、红色波段和植被密度进行计算，计算公式如下所示：
SAVI＝(Nir-R)*(1+L)/(Nir+R+L)
其中，Nir是近红外波段的反射率，R是红色波段的反射率。L是表达植被密度变化的参数，取值范围为0至1；当植被覆盖度很高时为0，很低时为1。该指数的优势在于考虑植被密度以消除土壤的影响；劣势在于植被密度很难测算，该指数的实际应用程度不高。
(6)增强型植被指数(EVI)
增强型植被指数(EVI)主要采用红外波段、红色波段和蓝色波段进行计算，计算公式如下：
其中，Nir是近红外波段的反射率，R是红色波段的反射率，B是蓝色波段的反射率。EVI的值范围是[-1，1]，适合植被覆盖度较高的区域，一般绿色植被区的范围是0.2-0.8。EVI作为反映植被生理物理参数的一个指标，优势在于减少了大气和土壤噪声的影响。
在以上6个主要的植被指数中，归一化植被指数(NDVI)和增强型植被指数(EVI)由于其简便的计算和参数的可获性较高，常作为农作物长势监测、生长状况监测、估产的变量[薛利红,曹卫星,罗卫红,等.光谱植被指数与水稻叶面积指数相关性的研究[J].植物生态学报,2004,(1):47-52.]
发明内容
本发明要解决的技术问题是：目前所有监测农作物生长状况的植被指数主要采用了红色波段和近红外波段，忽略能够对植被营养水平、健康程度的红边波段。本发明提供了一种反映农作物生长状况的改进型植被指数的构建方法，该指数对归一化植被指数(NDVI)进行改进，应用于农作物的生长状况的监测并验证改进型指数的适用性。
本发明解决其技术问题所采用的技术方案是：
一种反映农作物生长状况的改进型植被指数的构建方法，包含以下步骤：
步骤1)：获取遥感影像，进行标准化预处理；
步骤2)：土地覆盖类型遥感分类，提取农作物范围；
步骤3)：计算红边斜率；
步骤4)：计算改进型植被指数；
具体地，上述步骤1)具体为：获取遥感影像，并获取影像的红边波段的光谱波长值λRe以微米um为单位)、红色波段的光谱波长λRed(以微米um为单位)，对该遥感影像进行辐射定标、大气校正、几何校正标准化预处理，获得遥感图像上红边波段的反射率ρRe，遥感图像上红色波段的反射率ρRed。
其中，遥感影像一般是通过卫星或者无人机搭载传感器的方式获取。
具体地，上所述步骤2)具体为：对标准预处理之后的遥感影像采用分类算法进行土地覆盖分类，从土地覆盖分类图中提取农作物的空间范围。
具体地，上述分类算法为最大似然法、支持向量机或平行六面体。当然也可以是其他可行的方法。
具体地，上述步骤3)具体为：计算红边斜率ρ′Re，计算公式如下：
具体地，上述步骤4)具体为：计算改进型植被指数AVI，计算公式如下：
其中，ρNir是遥感图像上近红外波段的反射率；a,b,c分别是三个波段的权重。
本发明的有益效果是：将本发明的构建方法用于单景无人机遥感影像分析空间上农作物的生长状况时，NDVI的均值为0.45，方差为0.15；EVI的均值为0.48，方差为0.22；AVI的均值为0.53，方差为0.24。AVI的方差大，指数表达波峰之间的差异明显优于NDVI和EVI。将本发明的构建方法用于不同时相分析农作物在时间上的生长状况时，NDVI的均值为0.46，方差为0.21；EVI的均值为0.50，方差为0.25；AVI的均值为0.54，方差为0.25。根据地面实际调查对比发现，AVI指数方差稳定，能够反映作物在时间上的差异。以上分析说明，本专利提出的AVI指数适用于农作物生长状况的时空分析。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明专利总体技术路线图。
图2中(a)为江苏省常州武进地区2018年4月20日无人机遥感影像；(b)为江苏省常州武进地区2018年4月20日无人机遥感影像中提取的农作物范围；
图3中，(a)为江苏省常州武进地区2018年5月23日无人机遥感影像；(b)为江苏省常州武进地区2018年5月23日无人机遥感影提取的农作物范围。
图4为江苏省常州武进地区2018年4月20日无人机遥感影像计算的农作物范围内的(a)归一化植被指数(NDVI)、(b)增强型植被指数(EVI)、(c)改进型植被指数(AVI)的直方图对比；
图5为江苏省常州武进地区2018年5月23日无人机遥感影像计算的农作物范围内的归一化植被指数(NDVI)、增强型植被指数(EVI)、改进型植被指数(AVI)的直方图对比。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
实施案例1：案例1主要用于验证该改进型指数(AVI)应用于同一时期反映农作物生长状况的空间差异的适用性。案例1采用无人机(大疆M200)搭载法国Parrot Sequoia多光谱传感器获取了江苏省常州武进地区一副0.5公里*0.5公里的多光谱影像。ParrotSequoia多光谱传感器获取的影像包括以下波段：近红外波段(790nm)，红边波段(735nm)，红色波段(660nm)，绿光波段(550nm)，蓝光波段(482nm)。影像的波段满足本专利的要求。影像的中心坐标为119°59'11.154″E、31°37'17.372″N。影像的获取时间为2018年4月20日。影像的空间分辨率为0.06米。无人机获取数据后对影像分别做了以下遥感影像预处理：无人机图像拼接、正射校正、大气校正与几何校正。采用支持向量机分类算法对影像进行分类，分类的类型包括：建设用地、道路、冬小麦、森林、水体、灌丛、大棚蔬菜、裸地。本案例将改进型指数与以往农作物生长状况监测文献中常用的NDVI和EVI两个植被指数进行比较。比较的方法主要采用均值、方差和直方图等参数进行比较。
试验结果表明：通过2018年4月20日单期的无人机影像计算的冬小麦种植范围内的归一化植被指数(NDVI)、增强型植被指数(EVI)、改进型植被指数(AVI)的直方图比较发现：NDVI的均值为0.45，方差为0.15；EVI的均值为0.48，方差为0.22；AVI的均值为0.53，方差为0.24。每种指数的直方图都有两个波峰，这表明部分田块生长状况明显优于另一部分的地块；但是AVI指数表达波峰之间的差异明显优于NDVI和EVI。这表明本专利提出的AVI指数能够明显的反映农作物在空间上的差异性。
实施案例2：案例2主要用于验证该改进型指数(AVI)应用于同一地区反映农作物生长状况时间上的差异的适用性。案例2是在案例1的基础上开展的。案例2采用同样的无人机和多光谱传感器获取了案例1中同一地区2018年5月23日的影像，与案例1的数据构成了同一地区不同时间的两幅影像。该影像的数据预处理与案例1相同。已知该区域从2018年4月20日至5月23日并无农作物灾害、自然灾害等发生；冬小麦生长状况良好。野外采集的案例2将改进型指数与以往农作物生长状况监测文献中常用的NDVI和EVI两个植被指数进行比较。验证的方法主要采用两期影像AVI、NDVI和EVI的均值、方差和直方图进行比较。
试验结果表明：通过2018年5月23日单期的无人机影像计算的冬小麦种植范围内的归一化植被指数(NDVI)、增强型植被指数(EVI)、改进型植被指数(AVI)的直方图比较发现：NDVI的均值为0.46，方差为0.21；EVI的均值为0.50，方差为0.25；AVI的均值为0.54，方差为0.25。5月份的每种指数的均值均高于4月份，这表明冬小麦5月份的生长状况良好，属于正常生长。5月份AVI值的方差与4月份相近，但是均值发生了显著变化，这表明每个田块的冬小麦相比上一个阶段都生长状况良好；而NDVI和AVI的均值虽然表现为增长，但是方差也发生了显著的变化，很难用于判断其整体的长势情况。从直方图的角度来看，AVI的直方图明显还有两个波峰，但是NDVI的两个波峰变成一个，EVI有两个波峰但是没有AVI明显。这表明加入红边波段以后，AVI指数更能反映出田块之间生长状况在空间上的细微差异。综上所述，本专利提出的AVI指数能够明显的反映农作物在时间和空间上的差异性。
其中江苏省常州武进地区2018年4月20日、5月23日无人机遥感影像计算的农作物范围内的归一化植被指数(NDVI)、增强型植被指数(EVI)、改进型植被指数(AVI)的均值和方差对比数据如表1所示。
表1：
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (6)
1.一种反映农作物生长状况的改进型植被指数的构建方法，包含以下步骤：
步骤1)：获取遥感影像，进行标准化预处理；
步骤2)：土地覆盖类型遥感分类，提取农作物范围；
步骤3)：计算红边斜率；
步骤4)：计算改进型植被指数；
所述步骤4)具体为：计算改进型植被指数AVI，计算公式如下：
其中，ρNir是遥感图像上近红外波段的反射率；a，b，c分别是三个波段的权重；
所述步骤1)具体为：获取遥感影像，并获取影像的红边波段的光谱波长值λRe、红色波段的光谱波长λRed，对该遥感影像进行辐射定标、大气校正、几何校正标准化预处理，获得遥感图像上红边波段的反射率ρRe，遥感图像上红色波段的反射率ρRed；
所述步骤3)具体为：计算红边斜率ρ′Re，计算公式如下：
2.如权利要求1所述的一种反映农作物生长状况的改进型植被指数的构建方法，其特征在于：所述步骤2)具体为：对标准预处理之后的遥感影像采用分类算法进行土地覆盖分类，从土地覆盖分类图中提取农作物的空间范围。
3.如权利要求2所述的一种反映农作物生长状况的改进型植被指数的构建方法，其特征在于：所述步骤2)中的分类算法为最大似然法、支持向量机或平行六面体算法。
4.如权利要求1所述的一种反映农作物生长状况的改进型植被指数的构建方法，其特征在于：所述步骤4)中权重a的取值为1。
5.如权利要求1所述的一种反映农作物生长状况的改进型植被指数的构建方法，其特征在于：所述步骤4)中权重b的取值为0.5。
6.如权利要求1所述的一种反映农作物生长状况的改进型植被指数的构建方法，其特征在于：所述步骤4)中权重c的取值为1.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811529383.6A CN109543654B (zh) | 2018-12-14 | 2018-12-14 | 一种反映农作物生长状况的改进型植被指数的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811529383.6A CN109543654B (zh) | 2018-12-14 | 2018-12-14 | 一种反映农作物生长状况的改进型植被指数的构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109543654A CN109543654A (zh) | 2019-03-29 |
| CN109543654B true CN109543654B (zh) | 2023-04-18 |
Family
ID=65854918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811529383.6A Active CN109543654B (zh) | 2018-12-14 | 2018-12-14 | 一种反映农作物生长状况的改进型植被指数的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109543654B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110634077B (zh) * | 2019-07-29 | 2022-12-13 | 中国地质大学（武汉） | 一种基于混合植被指数计算植被指数的方法 |
| CN113822107B (zh) * | 2020-08-11 | 2024-01-19 | 山东理工大学 | 一种融合多种植被指数的土地荒漠化提取方法及装置 |
| CN112598881B (zh) * | 2020-12-03 | 2022-03-25 | 中煤航测遥感集团有限公司 | 一种地质灾害监测方法、装置及计算机设备 |
| CN112581464B (zh) * | 2020-12-25 | 2024-02-23 | 武汉禾大科技有限公司 | 一种作物长势情况分析方法、装置及存储介质 |
| CN112785590B (zh) * | 2021-02-09 | 2022-09-13 | 河北地质大学 | 一种基于双差值归一化的植被指数计算方法 |
| CN113516100A (zh) * | 2021-08-02 | 2021-10-19 | 中化现代农业有限公司 | 一种基于植被指数差异性的作物生长分析方法及系统 |
| CN117522377A (zh) * | 2023-11-07 | 2024-02-06 | 眉山市大数据产业发展有限公司 | 一种适用于农业信息化的大数据分析应用系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101561502A (zh) * | 2009-05-07 | 2009-10-21 | 福州大学 | 地形校正植被指数的构造方法 |
| 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 |
| CN105929406A (zh) * | 2016-04-25 | 2016-09-07 | 珠江水利委员会珠江水利科学研究院 | 一种农业旱情遥感监测方法 |
| CN108020511A (zh) * | 2016-11-01 | 2018-05-11 | 中国科学院遥感与数字地球研究所 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101995380B (zh) * | 2010-10-11 | 2012-07-18 | 中国科学院植物研究所 | 一种基于高光谱植被指数监测土壤石油污染的方法 |
| CN105893977B (zh) * | 2016-04-25 | 2019-08-09 | 福州大学 | 一种基于自适应特征选择的水稻制图方法 |
| CN106650604B (zh) * | 2016-10-21 | 2019-10-11 | 河北工程大学 | 一种基于植被指数思想的地物信息遥感提取方法 |
-
2018
- 2018-12-14 CN CN201811529383.6A patent/CN109543654B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101561502A (zh) * | 2009-05-07 | 2009-10-21 | 福州大学 | 地形校正植被指数的构造方法 |
| 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 |
| CN105929406A (zh) * | 2016-04-25 | 2016-09-07 | 珠江水利委员会珠江水利科学研究院 | 一种农业旱情遥感监测方法 |
| CN108020511A (zh) * | 2016-11-01 | 2018-05-11 | 中国科学院遥感与数字地球研究所 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109543654A (zh) | 2019-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109543654B (zh) | 一种反映农作物生长状况的改进型植被指数的构建方法 | |
| Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
| CN107273820B (zh) | 一种土地覆盖遥感分类方法及系统 | |
| CN104915674B (zh) | Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法 | |
| Gnyp et al. | Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages | |
| CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
| CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
| Sun et al. | Monitoring maize lodging grades via unmanned aerial vehicle multispectral image | |
| CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
| Chen et al. | Predicting individual apple tree yield using UAV multi-source remote sensing data and ensemble learning | |
| CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
| CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
| CN112711989A (zh) | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 | |
| CN111882242A (zh) | 一种植被指数在牧草生物量估算研究中的评价方法 | |
| CN113011235A (zh) | 基于cpugpu异构平台的多源遥感草地草畜平衡评估方法 | |
| CN116129276A (zh) | 一种地形复杂地区主要粮食作物遥感精细分类方法 | |
| Park | Estimating plant water stress and evapotranspiration using very-high-resolution (VHR) UAV imagery | |
| Zou et al. | The fusion of satellite and unmanned aerial vehicle (UAV) imagery for improving classification performance | |
| Kang et al. | Construction of multidimensional features to identify tea plantations using multisource remote sensing data: A case study of Hangzhou city, China | |
| Ramadanningrum et al. | Image-based tea yield estimation using Landsat-8 OLI and Sentinel-2B images | |
| CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
| Chen et al. | An improved fusion of Landsat-7/8, Sentinel-2, and Sentinel-1 data for monitoring alfalfa: Implications for crop remote sensing | |
| CN115876721A (zh) | 一种农作物分类方法、系统、介质、计算机设备及终端 | |
| Peng et al. | Remote sensing monitoring of tobacco field based on phenological characteristics and time series image—A case study of Chengjiang County, Yunnan Province, China | |
| Parreiras et al. | Exploring the Harmonized Landsat Sentinel (hls) Datacube to Map AN Agricultural Landscape in the Brazilian Savanna |
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 |