CN110210990A - 基于高分卫星遥感数据的冬小麦冻害监测方法 - Google Patents
基于高分卫星遥感数据的冬小麦冻害监测方法 Download PDFInfo
- Publication number
- CN110210990A CN110210990A CN201910462431.2A CN201910462431A CN110210990A CN 110210990 A CN110210990 A CN 110210990A CN 201910462431 A CN201910462431 A CN 201910462431A CN 110210990 A CN110210990 A CN 110210990A
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- investigation
- high score
- vegetation index
- ndvi
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 118
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 230000006378 damage Effects 0.000 title claims abstract description 19
- 208000027418 Wounds and injury Diseases 0.000 title claims abstract description 18
- 230000008014 freezing Effects 0.000 title claims abstract description 18
- 238000007710 freezing Methods 0.000 title claims abstract description 18
- 208000014674 injury Diseases 0.000 title claims abstract description 18
- 238000011835 investigation Methods 0.000 claims abstract description 67
- 230000009746 freeze damage Effects 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000003306 harvesting Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 208000001034 Frostbite Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000021393 food security Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
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)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- General Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于高分卫星遥感数据的冬小麦冻害监测方法,用以解决现有冬小麦冻害监测缺少定量模型、精度低的问题。本发明的步骤为:地面调查样点获取;高分一号卫星遥感数据获取与预处理;冬小麦种植空间分布提取;利用波段计算预处理后的高分卫星遥感数据的归一化植被指数图层,与冬小麦种植空间分布结果进行叠加;地面调查点冬小麦植被指数获取;冬小麦种植区域NDVI的归一化;植被指数NDVI比值计算;灾害等级的划定。本发明将植被指数的差异通过比值的方法进行放大处理,快速地进行冬小麦冻害的监测,迅速估计灾害的发生与范围,结合地面调查进行灾害等级的划分,对于评估灾害造成的损失,进行农业保险快速理赔具有重要的意义。
Description
技术领域
本发明涉及冬小麦冻害遥感监测的技术领域,尤其涉及一种基于高分卫星遥感数据的冬小麦冻害监测方法。
背景技术
冻害是冬小麦较为严重常见的自然灾害之一,对冬小麦的生长发育造成严重的影响,最终影响产量,从而使粮食安全问题显得更为突出。近年来,冬小麦冻害发生频繁,2018年河南、山东等小麦严重的受冻面积在100万亩左右,冻害已成为制约小麦高产的重要因素之一。但是长期以来,冻害的受灾状况主要是通过定点观测地面最低温度,结合冬小麦的发育期,推算冻害的程度,再通过大田随机调查进行冻害面积的估计。这种传统监测方法无法快速准确获取大尺度范围冻害发生的时空特征,在现代化农业管理中,也就无法实现冻害的大面积精确监测及准确统计。遥感监测作为一种新兴的现代化技术手段,可以迅速估计灾害的发生与范围,结合地面调查,快速进行灾害等级的划分,对于评估灾害造成的损失,进行农业保险快速理赔具有重要的意义。
目前,采用遥感技术进行冬小麦冻害评估的研究主要采用的是植被指数差值法和地面最低温度反演法。2002年杨邦杰等利用NOAA-AVHRR卫星21个时相的数据提取的冬小麦的归一化植被指数(NDVI)差值,根据NDVI的突变特征,进行了冬小麦冻害发生的确认;2008年李章成等通过霜箱模拟冬小麦冻害,利用冠层高光谱近红外、红波段反射率面积构成的NDVI差异进行冻害识别,同时利用其差异分级进行冻害等级划分;2005年张雪芬等、2017年郭军玲等采用遥感数据、光谱数据结合气象数据,采用地面温度反演法研究了晚霜冻害对冬小麦产生的影响。但是,考虑到冻害评估的时效性,冬小麦生长发育规律以及自身对冻害胁迫的恢复性,植被指数差值法虽然简单易行,但当冻害发生灾害的程度不一时,尤其是冬小麦处于旺盛生长时期,植被指数呈现出的缓慢增大的规律使得差值不能将冻害区分,因此急需一种新的植被指数处理方法将灾害发生后植被指数的差异显示出来。
发明内容
针对现有利用卫星遥感数据进行冬小麦冻害监测的方法缺少定量模型、精度低的技术问题,本发明提出一种基于高分卫星遥感数据的冬小麦冻害监测方法,通过将冬小麦发生冻害后植被指数的差异通过比值的方法进行放大处理,借助国产高分一号卫星数据进行冬小麦冻害的监测,大大提交了精度且效率高,突破了传统的技术。
为了达到上述目的,本发明的技术方案是这样实现的:一种基于高分卫星遥感数据的冬小麦冻害监测方法,其步骤如下:
步骤(1)、地面调查样点获取:冬小麦冻害发生后,记录生长正常和绝收的地面调查点的位置;
步骤(2)、高分一号卫星遥感数据获取与预处理:从中国资源卫星应用中心获取灾害发生后的高分一号卫星数据的遥感影像,进行FLAASH大气校正,采用3次多项式以RapidEye影像为参考进行配准,结果以文件格式存储于电脑中;
步骤(3)、冬小麦种植空间分布提取:采用监督分类方法提取步骤(2)结果的文件,得到冬小麦种植空间分布矢量结果,并将提取的分布矢量结果转化为栅格数据;
步骤(4)、冬小麦种植区域归一化植被指数NDVI的计算:利用波段计算求得步骤(2)中预处理后的高分卫星遥感数据的归一化植被指数图层,将归一化植被指数图层与步骤(3)中的冬小麦种植空间分布结果进行叠加,得到冬小麦种植区域的NDVI值图层;
步骤(5)、地面调查点冬小麦植被指数NDVI的获取:将步骤(1)中记录冬小麦生长正常和绝收的地面调查点的位置信息与步骤(4)中的冬小麦种植区域的NDVI值图层进行叠加,获取生长正常和绝收的地面调查点位置的NDVI值,然后对各个地面调查点分别计算出生长正常和绝收情况下的NDVI平均值;
步骤(6)、冬小麦种植区域植被指数NDVI的归一化:将步骤(4)中得到的冬小麦种植区域的NDVI值进行归一化处理得到比值r;
步骤(7)、植被指数NDVI比值μ比计算:对步骤(5)得到的冬小麦生长正常调查点的植被指数NDVI平均值和冬小麦绝收调查点的植被指数NDVI平均值进行比值运算得到植被指数NDVI比值μ比;
步骤(8)、灾害等级的划定:根据步骤(5)得到的植被指数NDVI比值μ比对步骤(6)中的比值r进行分类,根据农学指标结合经验模型分别确定分类系数,确定正常和绝收两类结果,根据正常和绝收两类结果确定其他受灾等级;
步骤(9)、精度评价:采用地面验证的方法对所划分的结果进行验证。
所述步骤(1)中生长正常和绝收的地面调查点的位置利用GPS定位仪记录。
所述步骤(2)中高分一号卫星数据为高分一号WFV1传感器获取的数据,高分一号WFV1传感器重访周期为4天。
所述FLAASH大气校正是在遥感影像处理软件中采用MODTRAN 4+辐射传输模型进行处理的;所述3次多项式的配准误差在0.5个像元以内。
所述步骤(3)中的监督分类方法为支持向量机分类方法。
所述步骤(4)中利用波段计算归一化植被指数NDVI的方法为:
其中,NIR为高分一号卫星近红外波段光谱的反射率值,R为红光波段反射率值。
所述步骤(5)中冬小麦生长正常的地面调查点的植被指数NDVI值为μ正,冬小麦绝收的地面调查点的植被指数NDVI值为μ绝,n1为冬小麦生长正常的地面调查点的个数,n2为冬小麦绝收的地面调查点的个数,则冬小麦生长正常调查点的植被指数NDVI平均值和冬小麦绝收调查点的植被指数NDVI平均值分别为:
所述步骤(6)中比值r的计算公式为:
其中,μl为调查点l对应的植被指数NDVI值,l为冬小麦生长正常调查点和绝收调查点的总个数,μmax为调查点植被指数NDVI的最大值;
所述步骤(7)中植被指数NDVI比值μ比的计算公式为:
其中,为冬小麦生长正常调查点的NDVI平均值,为冬小麦绝收调查的NDVI平均值。
所述步骤(8)中,当r>0.95时,确定为正常,未受灾;
当r<k×μ比时,确定为绝收,受灾最严重;其中,k为根据地面点进行确定比例系数;
根据地面调查点和经验模型确定其他受灾等级:
当k1×μ比<r<k2×μ比时,确定为中间受灾等级,k1和k2为根据地面点确定的比例系数,且k1<k2。
本发明的有益效果:通过获取的地面调查冬小麦冻害发生后正常情况和绝收情况下的GPS坐标位置与高分卫星数据归一化植被指数图层进行叠加,获得所有地面调查点正常情况和绝收情况下归一化植被指数的平均值,然后计算出绝收情况与正常情况的比值,结合经验模型进行冬小麦冻害等级的确定。本发明采用比值的方法,将冬小麦冻害发生后植被指数之间的差异进行分化,借助高分一号卫星高时间分辨率与高空间分辨率的优势,突破了冬小麦冻害与高分卫星遥感数据之间的定量关系,将冬小麦发生冻害后植被指数的差异通过比值的方法进行放大处理,可以快速地进行冬小麦冻害的监测,精确、迅速估计灾害的发生与范围,结合地面调查,快速进行灾害等级的划分,对于评估灾害造成的损失,进行农业保险快速理赔具有重要的意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图。
图2为本发明冬小麦冻害结果分级示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种基于高分卫星遥感数据的冬小麦冻害监测方法,其步骤如下:
步骤(1)地面调查样点获取:冬小麦冻害发生后,利用GPS定位仪记录生长正常和绝收调查点的位置,导出之后,以文件形式存放在电脑中。
2018年4月初,延津县冬小麦发生了冻害,冻害发生后的2018年4月25日,调查小组采用GPS定位仪获取了冬小麦生长正常点位置数据178个,绝收点位置数据356个。
步骤(2)高分一号卫星遥感数据获取与预处理:从中国资源卫星应用中心获取灾害发生后的高分一号卫星数据的遥感影像,进行FLAASH大气校正,采用3次多项式以RapidEye影像为参考进行配准,配准误差控制在0.5个像元以内,结果以文件格式存储电脑中。
高分一号卫星配置了两台组合宽幅大于60km的2m分辨率全色、8m分辨率多光谱相机和4台组合宽幅大于800km的16m分辨率多光谱相机,可实现在同一颗卫星上高分辨率和宽幅成像能力的结合。本发明高分一号卫星数据为高分一号WFV1传感器获取的数据,高分一号WFV1传感器重访周期为4天,在实际应用中也可采用与此具有类型参数的传感器获取的数据。中国资源卫星应用中心的网址为:http://www.cresda.com/CN/。FLAASH大气校正是在遥感影像处理软件中采用MODTRAN 4+辐射传输模型进行处理的。获取的高分一号卫星遥感数据为2018年5月30日,经过该步骤处理后得到遥感影像可以用来进行冬小麦面积的提取和归一化植被指数NDVI的计算。
步骤(3)冬小麦种植空间分布提取:采用监督分类方法提取步骤(2)的文件结果,得到冬小麦种植空间分布矢量结果,并将提取的分布矢量结果转化为栅格数据,以文件形式存放在电脑中。
本发明所采用的冬小麦种植空间面积提取的监督分类方法为支持向量机分类方法。
步骤(4)冬小麦种植区域归一化植被指数(NDVI)的计算:利用波段计算求得步骤(2)中预处理后的高分卫星遥感数据的归一化植被指数图层,将归一化植被指数图层与步骤(3)中的冬小麦种植空间分布结果进行叠加,得到冬小麦种植区域的NDVI值图层,以文件形式存放在电脑中。
植被指数NDVI计算公式为:
其中,NIR为高分一号卫星近红外波段光谱的反射率值,R为红光波段反射率值。NIR和R均是高分一号卫星本身携带传感器监测的波段信息。
步骤(5)地面调查点冬小麦植被指数NDVI的获取:将步骤(1)中记录冬小麦生长正常和绝收调查点的位置信息与步骤(4)中的冬小麦种植区域的NDVI值图层进行叠加,获取地面调查点位置的NDVI值,生长正常和绝收情况下的NDVI值分别记为μ正和μ绝;然后对各个调查点分别计算出生长正常和绝收情况下的NDVI平均值,分别记为和
NDVI平均值的和的计算公式为:
其中,为冬小麦生长正常调查点的NDVI平均值,为冬小麦绝收调查点的NDVI平均值,n1为冬小麦生长正常调查点的个数,n2为冬小麦绝收调查点的个数。
步骤(6)冬小麦种植区域NDVI的归一化:将步骤(4)中得到的冬小麦种植区域的NDVI值进行归一化处理,结果记为比值r。
比值r的计算公式为:
其中,μl为调查点l对应的NDVI值,l为冬小麦生长正常调查点和绝收调查点的总个数,l值范围为1到534,μmax为调查点NDVI的最大值。
步骤(7)NDVI比值(μ比)计算:对步骤(5)得到的冬小麦生长正常调查点的NDVI平均值和冬小麦绝收调查点的NDVI平均值进行比值运算,得到比值μ比。
比值μ比的计算公式为:
其中,为冬小麦生长正常调查点的NDVI平均值,为冬小麦绝收调查的NDVI平均值。本实例中得到μ比的值为0.25。
步骤(8)灾害等级的划定:根据步骤(5)得到的比值μ比对步骤(6)中的比值r进行分类,根据农学指标结合经验模型分别确定分类系数,首先确定正常和绝收两类结果。农学指标具体见表1。
表1冬小麦冻害农学指标
本实例中,k值为1。
当r>0.85时,确定为正常,未受灾。即为“长势正常”。
当r<k×μ比时,即r<0.25时,确定为受灾最严重,冻害四级。
当k1×μ比<r<k2×μ比时,即0.25<r<0.45,确定为冻害三级。
0.45<r<0.65,确定为冻害二级。
0.65<r<0.85,确定为冻害一级。
具体结果见附图2。
步骤(9)精度评价:采用地面验证的方法对所划分的结果进行验证,精度在0.93以上。
使用手持GPS记录各级别冻伤小麦位置数据64个。将该数据导入分类结果,正确率达0.94。
本发明采用比值的方法,将冬小麦冻害发生后植被指数之间的差异进行分化,借助高分一号卫星高时间分辨率与高空间分辨率的优势,将冬小麦发生冻害后植被指数的差异通过比值的方法进行放大处理,可以精确、快速地估计灾害的发生与范围,结合地面调查,进行灾害等级的划分,对农业保险快速理赔具有重要的意义。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于高分卫星遥感数据的冬小麦冻害监测方法,其特征在于,其步骤如下:
步骤(1)、地面调查样点获取:冬小麦冻害发生后,记录生长正常和绝收的地面调查点的位置;
步骤(2)、高分一号卫星遥感数据获取与预处理:从中国资源卫星应用中心获取灾害发生后的高分一号卫星数据的遥感影像,进行FLAASH大气校正,采用3次多项式以RapidEye影像为参考进行配准,结果以文件格式存储于电脑中;
步骤(3)、冬小麦种植空间分布提取:采用监督分类方法提取步骤(2)结果的文件,得到冬小麦种植空间分布矢量结果,并将提取的分布矢量结果转化为栅格数据;
步骤(4)、冬小麦种植区域归一化植被指数NDVI的计算:利用波段计算求得步骤(2)中预处理后的高分卫星遥感数据的归一化植被指数图层,将归一化植被指数图层与步骤(3)中的冬小麦种植空间分布结果进行叠加,得到冬小麦种植区域的NDVI值图层;
步骤(5)、地面调查点冬小麦植被指数NDVI的获取:将步骤(1)中记录冬小麦生长正常和绝收的地面调查点的位置信息与步骤(4)中的冬小麦种植区域的NDVI值图层进行叠加,获取生长正常和绝收的地面调查点位置的NDVI值,然后对各个地面调查点分别计算出生长正常和绝收情况下的NDVI平均值;
步骤(6)、冬小麦种植区域植被指数NDVI的归一化:将步骤(4)中得到的冬小麦种植区域的NDVI值进行归一化处理得到比值r;
步骤(7)、植被指数NDVI比值μ比计算:对步骤(5)得到的冬小麦生长正常调查点的植被指数NDVI平均值和冬小麦绝收调查点的植被指数NDVI平均值进行比值运算得到植被指数NDVI比值μ比;
步骤(8)、灾害等级的划定:根据步骤(5)得到的植被指数NDVI比值μ比对步骤(6)中的比值r进行分类,根据农学指标结合经验模型分别确定分类系数,确定正常和绝收两类结果,根据正常和绝收两类结果确定其他受灾等级;
步骤(9)、精度评价:采用地面验证的方法对所划分的结果进行验证。
2.根据权利要求1所述的基于高分卫星遥感数据的冬小麦冻害监测方法,其特征在于,所述步骤(1)中生长正常和绝收的地面调查点的位置利用GPS定位仪记录。
3.根据权利要求1所述的基于高分卫星遥感数据的冬小麦冻害监测方法,其特征在于,所述步骤(2)中高分一号卫星数据为高分一号WFV1传感器获取的数据,高分一号WFV1传感器重访周期为4天。
4.根据权利要求3所述的基于高分卫星遥感数据的冬小麦冻害监测方法,其特征在于,所述FLAASH大气校正是在遥感影像处理软件中采用MODTRAN4+辐射传输模型进行处理的;所述3次多项式的配准误差在0.5个像元以内。
5.根据权利要求1所述的基于高分卫星遥感数据的冬小麦冻害监测方法,其特征在于,所述步骤(3)中的监督分类方法为支持向量机分类方法。
6.根据权利要求1所述的基于高分卫星遥感数据的冬小麦冻害监测方法,其特征在于,所述步骤(4)中利用波段计算归一化植被指数NDVI的方法为:
其中,NIR为高分一号卫星近红外波段光谱的反射率值,R为红光波段反射率值。
7.根据权利要求1所述的基于高分卫星遥感数据的冬小麦冻害监测方法,其特征在于,所述步骤(5)中冬小麦生长正常的地面调查点的植被指数NDVI值为μ正,冬小麦绝收的地面调查点的植被指数NDVI值为μ绝,n1为冬小麦生长正常的地面调查点的个数,n2为冬小麦绝收的地面调查点的个数,则冬小麦生长正常调查点的植被指数NDVI平均值和冬小麦绝收调查点的植被指数NDVI平均值分别为:
8.根据权利要求1所述的基于高分卫星遥感数据的冬小麦冻害监测方法,其特征在于,所述步骤(6)中比值r的计算公式为:
其中,μl为调查点l对应的植被指数NDVI值,l为冬小麦生长正常调查点和绝收调查点的总个数,μmax为调查点植被指数NDVI的最大值;
所述步骤(7)中植被指数NDVI比值μ比的计算公式为:
其中,为冬小麦生长正常调查点的NDVI平均值,为冬小麦绝收调查的NDVI平均值。
9.根据权利要求1所述的基于高分卫星遥感数据的冬小麦冻害监测方法,其特征在于,所述步骤(8)中,当r>0.95时,确定为正常,未受灾;
当r<k×μ比时,确定为绝收,受灾最严重;其中,k为根据地面点进行确定比例系数;
根据地面调查点和经验模型确定其他受灾等级:
当k1×μ比<r<k2×μ比时,确定为中间受灾等级,k1和k2为根据地面点确定的比例系数,且k1<k2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910462431.2A CN110210990B (zh) | 2019-05-30 | 2019-05-30 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910462431.2A CN110210990B (zh) | 2019-05-30 | 2019-05-30 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210990A true CN110210990A (zh) | 2019-09-06 |
CN110210990B CN110210990B (zh) | 2021-06-01 |
Family
ID=67789532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910462431.2A Active CN110210990B (zh) | 2019-05-30 | 2019-05-30 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210990B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991333A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种地上生物量预警方法 |
CN110991332A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被指数预警方法 |
CN111832643A (zh) * | 2020-07-07 | 2020-10-27 | 塔里木大学 | 星地多源降水数据融合冬小麦湿渍害遥感监测系统及方法 |
CN112084839A (zh) * | 2020-07-21 | 2020-12-15 | 航天信德智图(北京)科技有限公司 | 一种天空地一体解析小地块玉米受非生物胁迫成因的方法 |
CN114429467A (zh) * | 2022-01-26 | 2022-05-03 | 自然资源部第一航测遥感院(陕西省第五测绘工程院) | 一种基于遥感技术的玉米损害程度判别方法 |
CN114972838A (zh) * | 2022-03-18 | 2022-08-30 | 江苏天汇空间信息研究院有限公司 | 基于卫星数据得到的冬小麦识别方法 |
CN115201210A (zh) * | 2022-08-12 | 2022-10-18 | 河南省农业科学院农业经济与信息研究所 | 一种基于卫星数据的小麦黄花叶病遥感监测方法 |
CN117423003A (zh) * | 2023-12-19 | 2024-01-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073869A (zh) * | 2010-12-27 | 2011-05-25 | 中国农业大学 | 基于点位数据和遥感影像数据的区域耕地质量监测方法 |
CN104881727A (zh) * | 2015-01-13 | 2015-09-02 | 北京师范大学 | 一种基于遥感抽样的农作物灾情损失评估方法 |
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
US20180325103A1 (en) * | 2017-04-03 | 2018-11-15 | Spogen Biotech Inc. | Agricultural compositions for improved crop productivity and enhanced phenotypes |
CN109063553A (zh) * | 2018-06-22 | 2018-12-21 | 中国矿业大学 | 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 |
-
2019
- 2019-05-30 CN CN201910462431.2A patent/CN110210990B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073869A (zh) * | 2010-12-27 | 2011-05-25 | 中国农业大学 | 基于点位数据和遥感影像数据的区域耕地质量监测方法 |
CN104881727A (zh) * | 2015-01-13 | 2015-09-02 | 北京师范大学 | 一种基于遥感抽样的农作物灾情损失评估方法 |
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
US20180325103A1 (en) * | 2017-04-03 | 2018-11-15 | Spogen Biotech Inc. | Agricultural compositions for improved crop productivity and enhanced phenotypes |
CN109063553A (zh) * | 2018-06-22 | 2018-12-21 | 中国矿业大学 | 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 |
Non-Patent Citations (4)
Title |
---|
丁美花 等: ""基于MODIS数据的甘蔗冻害监测_以广西来宾市为例"", 《热带作物学报》 * |
佘宝: ""油菜冻害卫星遥感监测与评估方法研究"", 《中国博士学位论文全文数据库 农业科技辑》 * |
王静: "" 多源遥感数据的小麦病害预测监测研究"", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
郑利娟: ""基于高分一_六号卫星影像特征的农作物分类研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991333A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种地上生物量预警方法 |
CN110991332A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被指数预警方法 |
CN111832643A (zh) * | 2020-07-07 | 2020-10-27 | 塔里木大学 | 星地多源降水数据融合冬小麦湿渍害遥感监测系统及方法 |
CN112084839A (zh) * | 2020-07-21 | 2020-12-15 | 航天信德智图(北京)科技有限公司 | 一种天空地一体解析小地块玉米受非生物胁迫成因的方法 |
CN112084839B (zh) * | 2020-07-21 | 2024-03-05 | 沈阳农业大学 | 一种天空地一体解析小地块玉米受非生物胁迫成因的方法 |
CN114429467A (zh) * | 2022-01-26 | 2022-05-03 | 自然资源部第一航测遥感院(陕西省第五测绘工程院) | 一种基于遥感技术的玉米损害程度判别方法 |
CN114972838A (zh) * | 2022-03-18 | 2022-08-30 | 江苏天汇空间信息研究院有限公司 | 基于卫星数据得到的冬小麦识别方法 |
CN114972838B (zh) * | 2022-03-18 | 2024-04-30 | 江苏天汇空间信息研究院有限公司 | 基于卫星数据得到的冬小麦识别方法 |
CN115201210A (zh) * | 2022-08-12 | 2022-10-18 | 河南省农业科学院农业经济与信息研究所 | 一种基于卫星数据的小麦黄花叶病遥感监测方法 |
CN117423003A (zh) * | 2023-12-19 | 2024-01-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
CN117423003B (zh) * | 2023-12-19 | 2024-03-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110210990B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210990A (zh) | 基于高分卫星遥感数据的冬小麦冻害监测方法 | |
Xia et al. | Mapping evapotranspiration with high-resolution aircraft imagery over vineyards using one-and two-source modeling schemes | |
Zhong et al. | Phenology-based crop classification algorithm and its implications on agricultural water use assessments in California’s Central Valley | |
Sakamoto et al. | A crop phenology detection method using time-series MODIS data | |
Yang et al. | Investigating impacts of drought and disturbance on evapotranspiration over a forested landscape in North Carolina, USA using high spatiotemporal resolution remotely sensed data | |
Wang et al. | Large-area rice yield forecasting using satellite imageries | |
Son et al. | A phenological object-based approach for rice crop classification using time-series Sentinel-1 Synthetic Aperture Radar (SAR) data in Taiwan | |
CN101858971A (zh) | 一种基于modis数据的水稻单产遥感估算方法 | |
Holecz et al. | An operational remote sensing based service for rice production estimation at national scale | |
CN105372672A (zh) | 基于时间序列数据的南方冬种作物种植面积提取方法 | |
She et al. | Assessing winter oilseed rape freeze injury based on Chinese HJ remote sensing data | |
Son et al. | Field-scale rice yield prediction from Sentinel-2 monthly image composites using machine learning algorithms | |
Yeganeh et al. | Monitoring rangeland ground cover vegetation using multitemporal MODIS data | |
Cheng et al. | Mapping paddy rice yield in Zhejiang Province using MODIS spectral index | |
Singh et al. | Deriving phenological metrics from landsat-OLI for sugarcane crop type mapping: a case study in North India | |
Naqvi et al. | Remote estimation of wheat yield based on vegetation indices derived from time series data of Landsat 8 imagery. | |
Sari et al. | Detecting rice phenology in paddy fields with complex cropping pattern using time series MODIS data | |
Smith et al. | A comparison of NDVI and MTVI2 for estimating LAI using CHRIS imagery: a case study in wheat | |
Jin et al. | Application of QuickBird imagery in fuel load estimation in the Daxinganling region, China | |
Singh et al. | A wavelet-based approach for monitoring plantation crops (tea: Camellia sinensis) in North East India | |
Zhang et al. | Effects of image spatial resolution and statistical scale on water stress estimation performance of MGDEXG: A new crop water stress indicator derived from RGB images | |
Van Niel et al. | A simple method to improve field-level rice identification: toward operational monitoring with satellite remote sensing | |
Waine et al. | Towards improving the accuracy of opium yield estimates with remote sensing | |
Gers et al. | Using SPOT4 satellite imagery to monitor area harvested by small scale sugarcane farmers at Umfolozi | |
Abuzar et al. | Classification of seasonal images for monitoring irrigated crops in a salinity-affected area of Australia |
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 |