CN110929222A - 基于遥感植被冠层水分指数的灌溉农田识别方法 - Google Patents
基于遥感植被冠层水分指数的灌溉农田识别方法 Download PDFInfo
- Publication number
- CN110929222A CN110929222A CN201911018107.8A CN201911018107A CN110929222A CN 110929222 A CN110929222 A CN 110929222A CN 201911018107 A CN201911018107 A CN 201911018107A CN 110929222 A CN110929222 A CN 110929222A
- Authority
- CN
- China
- Prior art keywords
- irrigation
- farmland
- index
- annual precipitation
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于遥感植被冠层水分指数的灌溉农田识别方法,具体是基于农田和附近森林的遥感植被冠层水分指数差值与平均年降水量之间的回归关系的灌溉识别方法。由于降水的作用,使得每个区域的灌溉阈值随着平均年降水量的增大而减小。因此,灌溉阈值的确定可以在空间上实现滑动取值,即在平均年降水量越大的地方灌溉阈值越小,平均年降水量越小的地方灌溉阈值越大。通过设计线性回归方程,充分利用灌溉农田像元与附近森林像元的水分指数的差值,与平均年降水量之间的线性回归关系,可以实现灌溉阈值在空间上的变化,从而实现灌溉农田的识别。该方法具有不依赖于先验知识、鲁棒性好、分类精度高、识别能力强等特点。
Description
技术领域
本发明涉及农业遥感技术领域,更具体地,涉及一种基于农田和附近森林的遥感植被冠层水分指数差值与年降水量之间的回归关系的灌溉识别方法。
背景技术
灌溉作物精确的空间分布信息是保证粮食安全的重要依据,对农业产业结构的调整以及粮食产量的估算至关重要。特别是在干旱地区,灌溉是作物生产的重要条件。在中国,仅占总耕地40%的灌溉耕地,生产了占全国的74%的粮食。因此,开发一种快速准确监测灌溉分布的方法,对农情监测具有重要的意义。高精度的光学遥感和合成孔径雷达由于受数据可获得性及计算能力的限制,很难应用于大范围的灌溉面积制图。目前,区域或国家尺度灌溉面积制图大都采用中等分辨率的遥感数据,这些数据具有较高的时间分辨率并且数据比较容易获取。
目前,灌溉识别制图已经开展了大量的工作。对灌区和非灌区进行分类的方法主要有三种。(1)联合国粮食及农业组织开发的水资源调查(FAO),利用统计数据绘制了灌区的全球分布图,但是统计数据通常基于县/区域信息(甚至更粗的信息),且数据来自不同的年份。因此,调查数据不能准确、及时地反映灌区和非灌区的空间分布;(2)美国地质调查局(USGS)和国际水资源管理研究所(IWMI)利用非监督分类的方法对全球灌溉和雨养地区进行了分类,绘制出全球土地覆盖类型图(GLCC)和全球灌溉分布图(GIMA)。该方法在局部信息稀疏的情况下任然能使用;但这个方法很难控制覆盖类型的数量。另外,分类组合的覆盖类型,受主观因素的影响;(3)Ozdogan和Gutman(2008)使用决策树监督分类的方法绘制出了美国灌区和非灌区的地图,其优点是易于对训练样本进行控制,但其分类的准确率通常受到训练样本的显著影响。因此,如何简易高效准确的识别灌溉分布成为一个亟待解决的问题。
发明内容
本发明所要解决的技术问题是克服现有灌溉识别制图中的缺陷和不足,提供一种基于遥感植被冠层水分指数与平均年降水之间的回归关系的灌溉识别方法。所述方法不依赖于田间观测,鲁棒性好分类精度高;可进一步提高对不同年降水量地区的灌溉识别度,提高中等分辨率遥感数据的灌溉识别能力。本发明尤其适用于大区域范围的灌溉农田识别。
本发明的目的是提供一种基于遥感植被冠层水分指数的灌溉农田识别方法。
本发明的上述目的是通过以下技术方案给予实现的:
一种基于遥感植被冠层水分指数的灌溉农田识别方法,包括如下步骤:
S1.采集待研究区的遥感数据和气象数据,获得研究区内各农田像元水分指数(LSWI)、植被指数(NDVI)、年降水量时序数据集;
S2.根据S1获得的水分指数、植被指数,得到各农田像元生长季内水分指数(lswiMean)、植被指数的平均值(ndviMean);
S3.根据土地覆盖图找到研究区各农田像元附近与之植被指数相等的森林像元,并确定农田像元与森林像元两者水分指数平均值的差值,形成一张差值图;
S4.根据现有统计资料中研究区内灌溉面积,对上述S3中得到的研究区内的所有像元的差值进行排序,确定研究区的水分指数差值排序与其灌溉面积对应的卡值,即灌溉阈值;
S5.根据S4获得的灌溉阈值,确定研究区所有的灌溉阈值与该研究区对应的年降水量之间的回归关系;
S6.依据S5中获得的回归关系,将年降水量作为输入参数,得到每个像元的灌溉阈值;
S7.利用S3中得到的差值图与S6得到灌溉阈值图进行灌溉识别;当差值大于灌溉阈值,则判断该点有灌溉;反之,则认为没有灌溉。
本发明方法利用灌溉作用对农田水分指数的影响特性,根据农田像元和附近植被指数相等的森林像元,两者水分指数差值随着年降水量的增加而减小的关系,二者具有显著的线性相关性。由于降水的作用,使得每个研究区域的灌溉阈值随着平均年降水量的增大而减小。因此,灌溉阈值的确定可以在空间上实现滑动取值,即在平均年降水量越大的地方灌溉阈值越小,平均年降水量越小的地方灌溉阈值越大。通过设计线性回归方程可以实现灌溉阈值在空间上的变化,从而实现灌溉农田的识别。本发明充分利用灌溉农田像元与附近植被指数相等的森林像元的水分指数的差值,与平均年降水量之间的线性回归关系。通过计算这种线性关系,可以用于灌溉阈值的确定,从而识别灌溉的有无。该方法具有不依赖于先验知识、鲁棒性好、分类精度高、识别能力强等特点。
优选地,步骤S1所述水分指数与植被指数是根据MODIS产品计算得出的,具体地,是根据MOD09A1产品计算得出的;年降水量是根据国家气象数据月降水量产品计算得出的。
优选地,步骤S3中的土地覆盖图是根据MODIS产品计算得出的,具体是根据MCD12Q1产品计算得出的。
优选地,步骤S2生长季为7~8月份,即第201~241天;即获取第201~ 241天的LSWI、NDVI数据,分别计算其平均值lswiMean、ndviMean。
优选地,步骤S3的森林像元要求第135天的NDVI值大于0.6,从而剔除土地覆盖图MCD12Q1产品中非森林的像元。
优选地,步骤S3中所述差值为农田格点的LSWI平均值减去附近至少30个森林格点的LSWI平均值,其中要求选取的30个森林的NDVI平均值与农田格点的相等,误差为0.05。
具体地,步骤S5中所述回归关系为Y=aX+b;其中,Y为该研究区的灌溉阈值,X为该研究区平均年降水量,a、b为常数。
本发明还请求保护上述任一项所述的方法在一年中灌溉农田分布的遥感自动识别方面的应用。
优选地,所述灌溉农田为种植玉米、水稻等夏季作物的灌溉农田。
本发明充分利用灌溉农田像元与附近森林像元的水分指数的差值,与年降水量之间的线性回归关系。由于人为灌溉的作用,使得农田与附近森林像元的水分指数差值随着年降水量的增大而减小。因此,灌溉阈值的确定可以在空间上实现滑动取值,即在年降水量越大的地方灌溉阈值越小,年降水量越小的地方灌溉阈值越大。通过设计线性回归方程可以实现灌溉阈值在空间上的变化,从而实现灌溉农田的识别。
与现有技术变比,本发明具有以下有益效果:
(1)本发明能够用于进行中等分辨率尺度上的灌溉识别,提高了灌溉的识别能力。
(2)本发明通过计算植被7~8月内水分指数的平均值以及年降水总量,而非某个时刻水分指数的值,能在很大程度上消除噪声和瞬间降水带来的干扰。
(3)本发明相较于其它灌溉识别制图方法,利用水分指数和植被指数指标,简洁方便,易于操作。
(4)本发明不借助于观察数据,自动性强,鲁棒性好分类精度比较高,结果稳定可靠。
附图说明
图1为本发明的实现流程图。
图2为随机挑取的5个灌溉和非灌溉农田像元平均一年的LSWI、NDVI时序信号图。
图3为省级水平灌溉阈值(LSWIdiff0)与平均年降水之间的回归关系。a为用选取的16个省份拟合的线性回归方程,b为利用剩余的15个省份再进行验证。
图4为在省级和地级市尺度上,使用国家统计局公布的灌溉统计面积和利用本发明方法识别的灌溉面积结果对比,其中实线代表趋势线、虚线代表1:1线。图a中红色的点代表的是用于拟合的16个省份,黑色的点代表是的用于验证的剩下15个省份;图b为在地级市尺度上进行定比对,黑色的点代表的是选取的地级市。
图5为中国的灌溉空间分布图,为利用本方法识别我国灌区的最后结果图。
具体实施方式
以下结合说明书附图和具体实施例来进一步说明本发明,但实施例并不对本发明做任何形式的限定。除非特别说明,本发明采用的试剂、方法和设备为本技术领域常规试剂、方法和设备。除非特别说明,以下实施例所用试剂和材料均为市购。
实施例1
基于遥感植被冠层水分指数与年降水之间的回归关系的中国灌区识别方法,以中国灌区识别为例,实现流程如图1所示,具体包括如下步骤:
步骤S1:构建水分指数、植被指数、年降水量时序数据集;首先根据 MOD09A1每8天合成的反射率产品,计算水分指数LSWI(band2、band6)、植被指数NDVI(band1、band2)。利用Savitzky-Golay filter等滤波去噪方法,对原始年内时序数据集进行平滑去噪处理。共获得46幅年内时序数据集,作为灌溉识别的数据基础。根据十年来气象数据台站的每天的降水数据,计算十年的年降水平均值,然后用插值的方法,将台站数据转化成面降水栅格数据。
步骤S2:计算每个像元生长季内水分指数、植被指数的平均值;取201~241 天的NDVI、LSWI数据,分别计算其平均值ndviMean、lswiMean。其部分结果如图2所示。
步骤S3:计算农田像元与附近森林像元的水分指数的差值;
根据土地覆盖图找到每个农田像元附近的森林像元,并计算水分指数平均值的差值,形成一张差值图。利用土地覆盖图MCD12Q1产品,其中农田像元为 landcover=12,森林像元为forest=1,2,3,4,5,森林像元同时要求第135天的 NDVI值大于0.6,从而剔除土地覆盖图MCD12Q1产品中非森林的像元。具体做法是:对每一个landcover=12的像元,都找到附近的30个森林像元(forest=1, 2,3,4,5),要求是这30个森林像元的ndviMean相等,误差为0.05。然后计算农田像元的lswiMean与这30个森林的lswiMean的平均值的差值,记录下每个农田像元所在位置的差值,形成一张差值图。
步骤S4:确定每个省统计灌溉面积与水分指数差值排序对应的卡值,即灌溉阈值;
根据省级水平统计资料中灌溉面积,对上述S3中计算的省级水平所有像元的差值进行排序,找到每个省水分指数差值与其灌溉面积对应的卡值;其中,卡值的确定是通过排序数乘以像元的单位面积等于统计面积。若不能完全相等,则通过上下取整,确定一个最接近的排序对应的差值,即为该省的灌溉阈值。
步骤S5:确定32个省的灌溉阈值与省年降水量的回归方程;
各省的年降水量的计算是将S1中栅格数据按照每个省的矢量图范围,计算里面所有像元的平均值。然后计算出省级水平的灌溉阈值与年降水量之间的线性回归方程:Y=aX+b;其中,Y为该省的灌溉阈值,X为该省年降水量,a、b为常数。图3a为根据选取的16个省份拟合的线性回归方程,b表示利用剩余的 15个省份再进行验证;表明所述线性回归方程拟合度好。
步骤S6:确定每个像元的灌溉阈值;
依据S5中的回归关系,将年降水量栅格数据作为输入参数,计算出每个像元的灌溉阈值,形成一张灌溉阈值图。
步骤S7:利用S3中得到的差值图与S5灌溉阈值图进行灌溉识别。对这2 张图的每一个农田像元进行判断,当差值大于灌溉阈值,则判断该点有灌溉,标记为1;反之,则认为没有灌溉,标记为0;形成一张灌溉二进制图。
步骤S8:方法验证,在省级和地级市尺度上使用国家统计局公布的灌溉统计面积与利用上述方法识别的灌溉面积结果对比,其结果见图4所示,其中实线代表趋势线、虚线代表1:1线,图a中红色的点代表的是用于拟合的16个省份,黑色的点代表是的用于验证的剩下15个省份。表明本发明上述识别方法在不同尺度上分类精度高,结果稳定可靠。
最后利用上述方法,得到如图5所示的中国的灌溉空间分布图。
本方法适用于种植玉米、水稻等夏季作物的灌溉农田的遥感自动识别领域中。
依据上述灌溉识别流程,可实现比较精确的灌溉自动制图。
以上是本发明的较佳实施例,凡依本发明技术方案所做的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (8)
1.一种基于遥感植被冠层水分指数的灌溉农田识别方法,包括如下步骤:
S1.采集待研究区的遥感数据和气象数据,获得研究区内各农田像元水分指数、植被指数、年降水量时序数据集;
S2.根据S1获得的水分指数、植被指数,得到各农田像元生长季内水分指数、植被指数的平均值;
S3.根据土地覆盖图找到各农田像元附近与之植被指数相等的森林像元,并确定农田像元与森林像元两者水分指数平均值的差值,形成一张差值图;
S4.根据现有统计资料中研究区内灌溉面积,对上述S3中得到的研究区内的所有像元的差值进行排序,确定研究区的水分指数差值排序与其灌溉面积对应的卡值,即灌溉阈值;
S5.得到研究区所有的灌溉阈值与该研究区对应的年降水量之间的回归关系;
S6.依据S5获得的回归关系,将年降水量作为输入参数,得到每个像元的灌溉阈值;
S7.利用S3中得到的差值图与S6得到灌溉阈值图进行灌溉识别;当差值大于灌溉阈值,则判断该点有灌溉;反之,则认为没有灌溉。
2.根据权利要求1所述的方法,其特征在于,步骤S1所述水分指数与植被指数是根据MOD09A1产品计算得出;年降水量是根据国家气象数据月降水量产品计算得出。
3.根据权利要求1所述的方法,其特征在于,步骤S3中的土地覆盖图是根据MCD12Q1产品计算得出。
4.根据权利要求1所述的方法,其特征在于,步骤S2所述生长季为7~8月份,即第201~241天。
5.根据权利要求1所述的方法,其特征在于,步骤S3所述差值为农田的水分指数平均值减去附近至少30个森林的水分指数平均值,要求农田和森林的植被指数平均值相等,误差为0.05。
6.根据权利要求1所述的方法,其特征在于,步骤S5所述回归关系为Y=aX+b;其中,Y为该研究区的灌溉阈值,X为该研究区平均年降水量,a、b为常数。
7.权利要求1~6任一项所述的方法在灌溉农田分布的遥感自动识别方面的应用。
8.根据权利要求7所述的应用,其特征在于,所述灌溉农田为种植夏季作物的灌溉农田。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018107.8A CN110929222A (zh) | 2019-10-24 | 2019-10-24 | 基于遥感植被冠层水分指数的灌溉农田识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018107.8A CN110929222A (zh) | 2019-10-24 | 2019-10-24 | 基于遥感植被冠层水分指数的灌溉农田识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110929222A true CN110929222A (zh) | 2020-03-27 |
Family
ID=69849380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911018107.8A Pending CN110929222A (zh) | 2019-10-24 | 2019-10-24 | 基于遥感植被冠层水分指数的灌溉农田识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929222A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221789A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块灌溉设施识别方法及装置 |
CN113470175A (zh) * | 2021-06-11 | 2021-10-01 | 北京大学 | 基于光学梯形模型的灌溉区域制图方法 |
CN115376016A (zh) * | 2022-08-16 | 2022-11-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
CN104732045A (zh) * | 2015-04-22 | 2015-06-24 | 民政部国家减灾中心 | 一种基于作物生长模型确定作物旱灾自然脆弱性曲线的方法 |
CN106599844A (zh) * | 2016-12-14 | 2017-04-26 | 中国科学院南京地理与湖泊研究所 | 一种基于modis传感器的水稻种植区自动提取方法 |
CN107944413A (zh) * | 2017-12-04 | 2018-04-20 | 中国科学院南京地理与湖泊研究所 | 基于光谱指数排序法的水生植被遥感分类阈值计算方法 |
CN108268735A (zh) * | 2018-01-29 | 2018-07-10 | 浙江大学 | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 |
CN108362267A (zh) * | 2018-01-09 | 2018-08-03 | 浙江大学 | 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 |
CN108446999A (zh) * | 2018-04-17 | 2018-08-24 | 中国水利水电科学研究院 | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 |
CN108955620A (zh) * | 2018-02-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种农田灌区面积遥感提取的方法及系统 |
-
2019
- 2019-10-24 CN CN201911018107.8A patent/CN110929222A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
CN104732045A (zh) * | 2015-04-22 | 2015-06-24 | 民政部国家减灾中心 | 一种基于作物生长模型确定作物旱灾自然脆弱性曲线的方法 |
CN106599844A (zh) * | 2016-12-14 | 2017-04-26 | 中国科学院南京地理与湖泊研究所 | 一种基于modis传感器的水稻种植区自动提取方法 |
CN107944413A (zh) * | 2017-12-04 | 2018-04-20 | 中国科学院南京地理与湖泊研究所 | 基于光谱指数排序法的水生植被遥感分类阈值计算方法 |
CN108362267A (zh) * | 2018-01-09 | 2018-08-03 | 浙江大学 | 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 |
CN108268735A (zh) * | 2018-01-29 | 2018-07-10 | 浙江大学 | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 |
CN108955620A (zh) * | 2018-02-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种农田灌区面积遥感提取的方法及系统 |
CN108446999A (zh) * | 2018-04-17 | 2018-08-24 | 中国水利水电科学研究院 | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 |
Non-Patent Citations (1)
Title |
---|
KUNLUN XIANG等: "Mapping Irrigated Areas of Northeast China in Comparison to Natural Vegetation", 《REMOTE SENSING》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221789A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块灌溉设施识别方法及装置 |
CN113470175A (zh) * | 2021-06-11 | 2021-10-01 | 北京大学 | 基于光学梯形模型的灌溉区域制图方法 |
CN113470175B (zh) * | 2021-06-11 | 2023-02-28 | 北京大学 | 基于光学梯形模型的灌溉区域制图方法 |
CN115376016A (zh) * | 2022-08-16 | 2022-11-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Monitoring of soil moisture variability in relation to rice cropping systems in the Vietnamese Mekong Delta using MODIS data | |
Tenreiro et al. | Using NDVI for the assessment of canopy cover in agricultural crops within modelling research | |
Heupel et al. | A progressive crop-type classification using multitemporal remote sensing data and phenological information | |
Liaqat et al. | Evaluation of MODIS and Landsat multiband vegetation indices used for wheat yield estimation in irrigated Indus Basin | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
CN109726698B (zh) | 基于遥感数据进行季度灌溉面积识别的方法 | |
CN108169161A (zh) | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 | |
Zhao et al. | Using satellite remote sensing to understand maize yield gaps in the North China Plain | |
CN110929222A (zh) | 基于遥感植被冠层水分指数的灌溉农田识别方法 | |
Chen et al. | Investigating rice cropping practices and growing areas from MODIS data using empirical mode decomposition and support vector machines | |
de Carvalho et al. | Selection of imagery data and classifiers for mapping Brazilian semideciduous Atlantic forests | |
CN102156886A (zh) | 基于统计数据和遥感影像数据的区域化肥投入空间化方法 | |
Mathur | Satellite-based crop yield prediction using machine learning algorithm | |
CN116188465A (zh) | 基于图像处理技术的作物生长状态检测方法 | |
Shahrin et al. | Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning | |
Smyth et al. | Extent, accuracy and repeatability of bare sand and vegetation cover in dunes mapped from aerial imagery is highly variable | |
CN108875146B (zh) | 一种考虑变化过程的地表覆盖连续变化检测方法 | |
Wurster et al. | Monitoring crop status in the continental United States using the SMAP level-4 carbon product | |
CN116843217A (zh) | 一种基于欧式空间距离法的农业干旱监测方法 | |
Qin et al. | Inundation impact on croplands of 2020 flood event in three Provinces of China | |
Rouze et al. | Evaluating unoccupied aerial systems (UAS) imagery as an alternative tool towards cotton-based management zones | |
Silatsa et al. | A quarter century experience in soil salinity mapping and its contribution to sustainable soil management and food security in Morocco | |
CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 | |
Albano et al. | Status and Trends of Groundwater Dependent Vegetation in Relation to Climate and Shallow Groundwater in the Harney Basin, Oregon | |
Dubois et al. | Copernicus sentinel-2 data for the determination of groundwater withdrawal in the maghreb region |
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 |