CN109885926A - 基于r语言的作物生长模型空间栅格模拟方法 - Google Patents
基于r语言的作物生长模型空间栅格模拟方法 Download PDFInfo
- Publication number
- CN109885926A CN109885926A CN201910119740.XA CN201910119740A CN109885926A CN 109885926 A CN109885926 A CN 109885926A CN 201910119740 A CN201910119740 A CN 201910119740A CN 109885926 A CN109885926 A CN 109885926A
- Authority
- CN
- China
- Prior art keywords
- data
- grid
- language
- global
- crop 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000012010 growth Effects 0.000 title claims abstract description 47
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 102220203103 rs1057521344 Human genes 0.000 claims description 4
- 102220022382 rs386833443 Human genes 0.000 claims description 4
- 102220295519 rs779762640 Human genes 0.000 claims description 4
- 102220086336 rs864622288 Human genes 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 abstract 1
- 241000209140 Triticum Species 0.000 description 23
- 235000021307 Triticum Nutrition 0.000 description 22
- 230000008859 change Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 230000008635 plant growth Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000021393 food security Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000037039 plant physiology Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000682 scanning probe acoustic microscopy Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于R语言的作物生长模型空间栅格模拟方法,基于事先设定的分辨率以及模拟区域,通过R语言把不同来源的生长模型输入数据等进行矩阵转换、双线性插值处理等预处理,将多源空间数据统一到同一分辨率的区域栅格阵列,并根据阵列编号给不同类型输入数据进行栅格定位匹配,使得所有模型输入数据的预处理更加高效规范,同时利用R语言多线程技术驱动作物生长模型对所有匹配好的空间栅格数据进行多线程并行模拟,不需要直接在模型中模拟,同时多线程也提高了模型模拟效率。本发明的模拟方法具有更高的分辨率和可靠性,有效地提高了模拟效率。
Description
技术领域
本发明属于农业信息技术领域,尤其是一种基于R语言的作物生长模型空间栅格模拟方法。
背景技术
近几十年来,气候变化、品种更替、管理技术的进步给农业生长带来了重大的影响。特别是气候变化导致的气候减产抵消了一大部分品种改良、管理措施进步带来增产,引发了许多区域的粮食安全问题。如何准确有效地在大尺度区域预测和评估气候变化、品种更替、管理技术等对农业生长的贡献,对于我国粮食安全分析具有极其重要的作用。
作物生长模型和统计模型是研究大尺度农业生产的两种基本方法。统计模型由于无需利用详细的田间生产和管理数据进行模型校准和评价,常常用于大尺度农业生产评估,但其难以理解的作物生长的机理和潜在过程。作物生长模型可以将植物生理、农艺、土壤科学和农业气象的知识整合进模型,由于能反映品种基因型、环境条件及管理措施的综合效应,已经成为量化和评估气候变化、适应性措施等对作物生产影响的最有效工具。同时作物机理模型需要大量详细的作物生长、管理、土壤等条件的输入数据,这也为作物生长模型在大尺度区域模拟带来了挑战。
目前作物生长模型在大尺度区域的农业生产预测与评估方法主要是通过对站点尺度的模拟,然后应用反距离权重插值、克里格插值等插值方法进行区域升尺度,或者将各个站点的输入数据进行平均,然后用模型模拟出结果代表该区域的估计值,这种方法无法量化各个模型输入要素的空间变异性,只是将模拟结果进行升尺度,当站点数量少且空间区域大时结果不确定性比较大。近年来,国际上逐渐使用基于不同分辨率的大尺度区域栅格模拟方法。该方法通过把生长模型所需要的各种类型输入数据进行升尺度到栅格水平,然后把升尺度后的栅格数据带入生长模型进行模拟,同时利用实测数据进行模型参数优化,再把优化好参数的模型带入重新模拟。然而,目前空间栅格数据获取来源不一,分辨率和存储格式各异,与作物生长模型耦合比较难,把所有栅格数据整理成模型需要的数据再带入模型的模拟效率较低。
发明内容
本发明所解决的技术问题在于针对来源不一、分辨率和存储格式各异的模型输入数据整理困难,空间数据与作物生长模型耦合困难,模型效率低的问题,提供一种基于R语言的作物生长模型空间栅格模拟方法,高效预处理多源空间数据,并统一到同一设定分辨率的区域栅格阵列,然后耦合作物生长模型实现高效模拟。
实现本发明目的的技术解决方案为:
基于R语言的作物生长模型空间栅格模拟方法,包括以下步骤:
步骤1:设定模拟的空间分辨率,生成全球栅格参考系,采用R语言的raster函数生成该空间分辨率下的全球栅格,该栅格的空间投影为WGS84,经度从西到东为-180°到180°,纬度从北到南为90°到-90°,并根据栅格阵列顺序对全球栅格进行栅格编号,得到编号全球栅格;
步骤2:设定模拟区域,筛选出该模拟区域在全球栅格中对应的栅格编号,得到区域栅格编号;
步骤3:获取作物生长模型的N类多源输入数据,并对每一类输入数据分别进行数据预处理,将每一类输入数据均统一到预设空间分辨率下的全球栅格中,得到对应的N类全球栅格数据;
将N类全球栅格数据与全球栅格参考系进行匹配,得到N类全球栅格数据的栅格编号,同时将每个栅格编号对应的数据均转换成二元属性数据表格和R语言数据存储格式进行存储;
步骤4:将步骤3的N类全球栅格数据的栅格编号分别与步骤2的区域栅格编号进行定位匹配,获得模拟区域对应的N类区域栅格数据;
步骤5:将N类区域栅格数据耦合作物生长模型,采用R语言的多线程函数对模拟区域的栅格点进行并行模拟,再获取作物的观测数据,并采用R语言Optim函数中的梯度法或拟牛顿法对作物生长模型进行模型参数优化;
步骤6:针对模拟区域,选择模拟情景,并对模拟情景进行预处理,将模拟情景统一到预设空间分辨率下,再与区域栅格编号进行匹配;
步骤7:驱动参数优化后的作物生长模型对模拟情景下模拟区域的栅格点进行栅格模拟,得到在该模拟情境下模拟区域对应的模拟结果,并采用R语言画图函数plot将模拟结果进行可视化作图。
进一步的,本发明的基于R语言的作物生长模型空间栅格模拟方法,步骤3中的数据预处理具体包括:
步骤3-1:针对N类多源输入数据分别采用R语言的nc_open函数读取对应全球数据集;
步骤3-2:采用R语言的aperm函数对全球数据集中的数据进行多维矩阵转换,纠正数据的经纬度;
步骤3-3:采用双线性插值法对数据进行分辨率缩放至预设空间分辨率,统一多源输入数据的分辨率,得到N类全球栅格数据。
进一步的,本发明的基于R语言的作物生长模型空间栅格模拟方法,多源输入数据包括:气象数据、土壤数据、管理措施数据、品种数据、观测数据。
进一步的,本发明的基于R语言的作物生长模型空间栅格模拟方法,步骤6中的模拟情景预处理具体包括:
步骤6-1:采用R语言的nc_open函数读取模拟情景全球数据集;
步骤6-2:采用R语言的aperm函数对模拟情景全球数据集进行多维矩阵转换从而纠正数据的经纬度,并采用双线性插值法进行分辨率缩放至预设空间分辨率。
进一步的,本发明的基于R语言的作物生长模型空间栅格模拟方法,双线性插值法利用源图中虚拟点周围4个真实存在的栅格值来共同决定目标图中的一个栅格值,即已知栅格点Q11=(x1,y1)、Q12=(x1,y2)、Q21=(x2,y1)、Q22=(x2,y2),未知栅格点f(x,y)的值的双线性插值计算公式为:
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明的方法是基于栅格模拟的作物空间模拟方法,比起现有基于点模拟然后通过反距离差值或克里格差值的方法具有更高的分辨率,具有更好的可靠性;
2、本发明的方法通过R语言调用作物生长模型进行并行模拟,比起直接用生长模型模拟提高了模拟效率;
3、本发明的方法通过把所有数据源匹配到全球栅格编号,保证输入数据栅格匹配,识别性高,提高模拟效率。
附图说明
图1是本发明的基于R语言的作物生长模型空间栅格模拟方法流程图;
图2是本发明实施例的空间分辨率为50km的全球栅格编号;
图3是本发明实施例的空间分辨率为50km的全球最高温栅格数据;
图4是本发明实施例的全球小麦种植比例图;
图5是本发明实施例的全球小麦品种分类图;
图6是本发明实施例的栅格图,其中图6a为世界陆地区域的栅格图,图6b为中国区域的栅格图;
图7是本发明实施例的空间分辨率为50km的中国2005-2009年平均产量可视化模拟图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
基于R语言的作物生长模型空间栅格模拟方法,如图1所示,包括以下步骤:
步骤1:设定模拟的空间分辨率,生成全球栅格参考系,采用R语言raster包中的raster函数生成该空间分辨率下的全球栅格,该全球栅格的空间投影为WGS84,经度从西到东为-180°到180°,纬度从北到南为90°到-90°,并根据栅格阵列顺序对全球栅格进行栅格编号,得到编号全球栅格;
步骤2:设定模拟区域,筛选出该模拟区域在全球栅格中对应的栅格编号,得到区域栅格编号;
步骤3:获取作物生长模型的N类多源输入数据,并对每一类输入数据分别进行数据预处理,将每一类输入数据均统一到预设空间分辨率下的全球栅格中,得到对应的N类全球栅格数据;
将N类全球栅格数据与全球栅格参考系进行匹配,得到N类全球栅格数据的栅格编号,同时将每个栅格编号对应的数据均转换成二元属性数据表格和R语言数据存储格式进行存储;
步骤4:将步骤3的N类全球栅格数据的栅格编号分别与步骤2的区域栅格编号进行定位匹配,获得模拟区域对应的N类区域栅格数据;
步骤5:将N类区域栅格数据耦合作物生长模型,采用R语言的多线程函数对模拟区域的栅格点进行并行模拟,再获取作物的观测数据,并采用R语言Optim函数中的梯度法或拟牛顿法对作物生长模型进行模型参数优化;
步骤6:针对模拟区域,选择模拟情景,并对模拟情景进行预处理,将模拟情景统一到预设空间分辨率下,再与区域栅格编号进行匹配;
步骤7:驱动参数优化后的作物生长模型对模拟情景下模拟区域的栅格点进行栅格模拟,得到在该模拟情境下模拟区域对应的模拟结果,并采用R语言画图函数plot将模拟结果进行可视化作图。
实施例1
本实施例以模拟2005-2009年中国小麦产量为例,基于R语言的作物生长模型空间栅格模拟方法,具体包括以下步骤:
步骤1:设定模拟的空间分辨率为0.5°×0.5°(即50km×50km),采用R语言raster函数生成该空间分辨率下的全球栅格,全球栅格的空间投影坐标为WGS84,经度从西到东为-180°到180°,纬度从北到南为90°到-90°,并根据栅格阵列顺序(从左上角到右下角)对全球栅格进行栅格编号,得到编号全球栅格,如图2所示是按顺照栅格阵列序进行栅格编号后的栅格图。
设定本例的模拟区域为中国,筛选出该模拟区域在全球栅格中对应的栅格编号,得到区域栅格编号。
步骤2:获取全球气象数据,全球气象数据库主要有CMIP(国际耦合模式比较计划)数据库和NASA发布的AgMERRA和AgCFSR历史气象数据库等,本实施例采用AgMERRA数据库,AgMERRA数据库是为AgMIP(农业模式比较和改进项目)模拟气候对农业的影响而创建的包含农业模型所需的全部气候变量的全球气象数据库。该数据库提供空间分辨率为0.25°×0.25°(25km×25km),覆盖全球,时间范围为1980-2010的气象日值数据。国际上的气象数据通常使用NetCDF(Network Common Data Format,即“网络通用数据格式”)格式存储,作物生长模型并不能直接读取和使用该气象数据,本方法使用R语言的nc_open函数进行读取数据集。由于存储的数据集通常不是按照正规的经纬度进行排列,本方法使用R语言的aperm函数进行多维矩阵转换从而纠正经纬度。通常情况下获取得到的空间数据库分辨率与预设的模拟空间分辨率并不一致,需要使用图像插值(scaler/resize)技术进行分辨率统一,这种方法代价小且使用方便,本方法使用双线性插值法(Bilinear Interpolation)进行图像分辨率缩放,它充分的利用了源图中虚拟点四周的四个真实存在的栅格值(Q11=(x1,y1)、Q12=(x1,y2)、Q21=(x2,y1)、Q22=(x2,y2))来共同决定目标图中的一个栅格值(P=(x,y)),因此缩放效果比简单的最邻近插值要好很多,缩放后图像质量高,不会出现像素值不连续的情况。本实施例中在已知栅格点Q11=(x1,y1)、Q12=(x1,y2)、Q21=(x2,y1)以及Q22=(x2,y2)四个点位置,未知栅格点f(x,y)的值的双线性插值计算公式为:
如图3所示是经过几何维度变换和双线性插值计算后,分辨率为0.5°×0.5°、时间为2005年1月1日的最高温度全球栅格数据。
步骤3:把预处理完转换好分辨率的全球气象栅格数据与全球栅格匹配,并获取其在全球栅格中的编号,如表1所示。然后将每个栅格编号的栅格数据逐一转换成作物生长模型能够直接读取和使用的二元属性数据表格,如表2所示,并最终转化成Rdata(R语言数据存储格式)数据格式存储,以便快速进一步转成其他生长模型所需要的格式。
表1全球气象数据栅格编号
表2编号为AACK的栅格1980-2009年气象数据表格
步骤4:获取全球小麦管理措施数据,首先必须知道种植小麦的区域,本实施例中小麦种植面积来自于SPAM 2005V3.1global data sets数据库(https:// s3.amazonaws.com/mapspam/2005/v3.2/geotiff/spam2005v3r2_global_harv_ area.geotiff.zip),数据分辨率为5arc-minute(0.083°×0.083°),通过使用与步骤2同样的方法(即多维矩阵变换和双线性插值)转化为全球小麦种植面积栅格数据,如图4所示是全球小麦种植比例图。同样地,可以获取雨养小麦种植面积和灌溉小麦种植面积数据。然后通过使用与步骤3同样的方法与全球栅格匹配,并获得雨养小麦和灌溉小麦在全球栅格中的编号。
其次获取全球小麦播种日期数据,本实施例中数据来源于MIRCA2000data sets数据库(http://www.uni-frankfurt.de/45218031/data_download),其经过预处理和全球栅格匹配编号后的数据如表3所示。
表3全球小麦播期数据
步骤5:根据国际玉米小麦改良中心(CIMMYT)对全球小麦的品种分类,按照春小麦、冬小麦、特许小麦品种总共分为12大类(https://data.cimmyt.org/dataset.xhtml? persistentId=hdl:11529/10625),并且已经调好了DSSAT中小麦模型的参数,本实施例中的全球小麦品种分类如图5所示。如果使用DSSAT中的小麦模型,小麦参数已经调好,如果使用其他品种参数,则需要分别对这12大类的品种调参。本实施例使用一种简单作物生长模型(Simple Model),利用联合国粮食及农业组织(FAO)的观测数据,采用R语言Optim函数的拟牛顿法进行参数优化。土壤数据同样使用国际玉米小麦改良中心(CIMMYT)对全球小麦的土壤分类,同样使用步骤2和步骤3的方法与全球栅格匹配,获取相应的栅格编号。
步骤6:选择模拟区域,本实施例的模拟区域为中国,并重新选择模拟情景,本实施例的模拟情景为2005-2009年。先把中国的栅格编号筛选出来,如图6所示,从图6a的世界陆地区域中筛选出图6b的中国栅格。利用步骤2-3对重新选择情景的气象输入数据(2005-2009年气象数据)进行气象栅格数据处理,驱动作物生长模型,然后利用R语言的多线程函数对筛选出来的中国栅格点实施并行模拟,并将模拟结果做图,如图7所示。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进应视为本发明的保护范围。
Claims (5)
1.基于R语言的作物生长模型空间栅格模拟方法,其特征在于,包括以下步骤:
步骤1:设定模拟的空间分辨率,生产全球栅格参考系,采用R语言的raster函数生成该空间分辨率下的全球栅格,该栅格的空间投影为WGS84,经度从西到东为-180°到180°,纬度从北到南为90°到-90°,并根据栅格阵列顺序即从栅格左上角到右下角对全球栅格进行栅格编号,得到编号全球栅格;
步骤2:设定模拟区域,筛选出该模拟区域在全球栅格参考系中对应的栅格编号,得到区域栅格编号;
步骤3:获取作物生长模型的N类多源输入数据,并对每一类输入数据分别进行数据预处理,将每一类输入数据均统一到预设空间分辨率下的全球栅格中,得到对应的N类全球栅格数据;
将N类全球栅格数据与全球栅格参考系进行匹配,得到N类全球栅格数据的栅格编号,同时将每个栅格编号对应的数据均转换成二元属性数据表格和R语言数据存储格式进行存储;
步骤4:将步骤3的N类全球栅格数据的栅格编号分别与步骤2的区域栅格编号进行定位匹配,获得模拟区域对应的N类区域栅格数据;
步骤5:将N类区域栅格数据耦合作物生长模型,采用R语言的多线程函数对模拟区域的栅格点进行并行模拟,再获取作物的观测数据,并采用R语言Optim函数中的梯度法或拟牛顿法对作物生长模型进行模型参数优化;
步骤6:针对模拟区域,选择模拟情景,并对模拟情景进行预处理,将模拟情景统一到预设空间分辨率下,再与区域栅格编号进行匹配;
步骤7:驱动参数优化后的作物生长模型对模拟情景下模拟区域的栅格点进行栅格模拟,得到在该模拟情境下模拟区域对应的模拟结果,并采用R语言画图函数plot将模拟结果进行可视化作图。
2.根据权利要求1所述的基于R语言的作物生长模型空间栅格模拟方法,其特征在于,步骤3中的数据预处理具体包括:
步骤3-1:针对N类多源输入数据分别采用R语言的nc_open函数读取对应全球数据集;
步骤3-2:采用R语言的aperm函数对全球数据集中的数据进行多维矩阵转换,纠正数据的经纬度;
步骤3-3:采用双线性插值法对数据进行分辨率缩放至预设空间分辨率,统一多源输入数据的分辨率,得到N类全球栅格数据。
3.根据权利要求1所述的基于R语言的作物生长模型空间栅格模拟方法,其特征在于,多源输入数据包括:气象数据、土壤数据、管理措施数据、品种数据、观测数据。
4.根据权利要求1所述的基于R语言的作物生长模型空间栅格模拟方法,其特征在于,步骤6中的模拟情景预处理具体包括:
步骤6-1:采用R语言的nc_open函数读取模拟情景全球数据集;
步骤6-2:采用R语言的aperm函数对模拟情景全球数据集进行多维矩阵转换从而纠正数据的经纬度,并采用双线性插值法进行分辨率缩放至预设空间分辨率。
5.根据权利要求2或4所述的基于R语言的作物生长模型空间栅格模拟方法,其特征在于,双线性插值法利用源图中虚拟点周围4个真实存在的栅格值来共同决定目标图中的一个栅格值,即已知栅格点Q11=(x1,y1)、Q12=(x1,y2)、Q21=(x2,y1)、Q22=(x2,y2),未知栅格点f(x,y)的值的双线性插值计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910119740.XA CN109885926A (zh) | 2019-02-18 | 2019-02-18 | 基于r语言的作物生长模型空间栅格模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910119740.XA CN109885926A (zh) | 2019-02-18 | 2019-02-18 | 基于r语言的作物生长模型空间栅格模拟方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109885926A true CN109885926A (zh) | 2019-06-14 |
Family
ID=66928278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910119740.XA Pending CN109885926A (zh) | 2019-02-18 | 2019-02-18 | 基于r语言的作物生长模型空间栅格模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109885926A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156082A (zh) * | 2021-02-23 | 2021-07-23 | 北京农业智能装备技术研究中心 | 一种识别作物根系活动层深度的方法及系统 |
CN113592664A (zh) * | 2021-08-05 | 2021-11-02 | 四川省农业科学院农业信息与农村经济研究所 | 农作物生产空间预测模拟方法、设备、模型及存储介质 |
CN114911853A (zh) * | 2022-04-20 | 2022-08-16 | 中山大学 | 一种基于Python的水文气象数据区域尺度提取及可视化方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090024347A1 (en) * | 2004-03-11 | 2009-01-22 | Rajit Chandra | Thermal Simulation Using Adaptive 3D and Hierarchical Grid Mechanisms |
-
2019
- 2019-02-18 CN CN201910119740.XA patent/CN109885926A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090024347A1 (en) * | 2004-03-11 | 2009-01-22 | Rajit Chandra | Thermal Simulation Using Adaptive 3D and Hierarchical Grid Mechanisms |
Non-Patent Citations (2)
Title |
---|
刘哲 等: "作物遥感精细识别与自动制图研究进展与展望", 《农业机械学报》 * |
车少辉 等: "杉木人工林胸径生长神经网络建模研究", 《西北农林科技大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156082A (zh) * | 2021-02-23 | 2021-07-23 | 北京农业智能装备技术研究中心 | 一种识别作物根系活动层深度的方法及系统 |
CN113592664A (zh) * | 2021-08-05 | 2021-11-02 | 四川省农业科学院农业信息与农村经济研究所 | 农作物生产空间预测模拟方法、设备、模型及存储介质 |
CN113592664B (zh) * | 2021-08-05 | 2023-07-18 | 四川省农业科学院农业信息与农村经济研究所 | 农作物生产空间预测模拟方法、设备、模型及存储介质 |
CN114911853A (zh) * | 2022-04-20 | 2022-08-16 | 中山大学 | 一种基于Python的水文气象数据区域尺度提取及可视化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hui et al. | Image-based dynamic quantification and high-accuracy 3D evaluation of canopy structure of plant populations | |
van Bussel et al. | From field to atlas: Upscaling of location-specific yield gap estimates | |
Chun et al. | Assessing rice productivity and adaptation strategies for Southeast Asia under climate change through multi-scale crop modeling | |
Lososová et al. | Biotic homogenization of Central European urban floras depends on residence time of alien species and habitat types | |
Zhu et al. | Quantification of light interception within image-based 3-D reconstruction of sole and intercropped canopies over the entire growth season | |
Liu et al. | Shifting farming–pastoral ecotone in China under climate and land use changes | |
CN109829234A (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
JP2022120848A (ja) | 情報処理装置、及び、情報処理方法、情報処理システム、並びにプログラム | |
CN109885926A (zh) | 基于r语言的作物生长模型空间栅格模拟方法 | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
CN105740759A (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
CN109582755A (zh) | 一种基于网格的精准农业数据库实现方法 | |
CN104794424A (zh) | 一种新的中低分辨率遥感数据复合的耕地识别方法 | |
Liu et al. | Detecting crop phenology from vegetation index time-series data by improved shape model fitting in each phenological stage | |
CN106845428A (zh) | 一种作物产量遥感估算方法及系统 | |
Beddow et al. | The changing landscape of global agriculture | |
CN108921035A (zh) | 基于空间引力和像元聚集度的亚像元定位方法和系统 | |
CN112686086A (zh) | 一种基于光学-sar协同响应的作物分类方法 | |
Choruma et al. | Simulating the impacts of climate change on maize yields using EPIC: A case study in the Eastern Cape Province of South Africa | |
CN104834971A (zh) | 基于gis和rs的耕地养分管理分区方法 | |
Liang et al. | Prediction of the globally ecological suitability of Panax quinquefolius by the geographic information system for global medicinal plants (GMPGIS) | |
Li et al. | Driving effects of land use and landscape pattern on different spontaneous plant life forms along urban river corridors in a fast-growing city | |
Adekunle | Precision agriculture: Applicability and opportunities for Nigerian agriculture | |
Jurišić et al. | Methodology of development of purpose maps in GIS environment–resource management | |
CN109670426B (zh) | 一种基于陆地卫星遥感影像数据源的地物信息提取方法 |
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: 20190614 |
|
RJ01 | Rejection of invention patent application after publication |