CN111104858B - 一种基于形态模型法的大范围作物物候提取方法 - Google Patents
一种基于形态模型法的大范围作物物候提取方法 Download PDFInfo
- Publication number
- CN111104858B CN111104858B CN201911134130.3A CN201911134130A CN111104858B CN 111104858 B CN111104858 B CN 111104858B CN 201911134130 A CN201911134130 A CN 201911134130A CN 111104858 B CN111104858 B CN 111104858B
- Authority
- CN
- China
- Prior art keywords
- curve
- crop
- vegetation index
- phenological
- pixel
- 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
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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20124—Active shape model [ASM]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于形态模型法的大范围作物物候提取方法。获取局部地理区域多年植被指数时序曲线;利用双重逻辑函数拟合方式对植被指数时序曲线进行平滑拟合;使用农气站的参考曲线和参考点建立形态模型;利用变换进行形态模型拟合;使用最优缩放参数计算获得局部地理区域物候期提取值。本发明的方法利用了曲线的宏观特征,可以减少曲线局部波动和噪声的影响,有更好的提取精度;并且可同时对作物的各个物候期进行提取,无需分别设定不同的度量标准,可应用于大范围作物物候提取。
Description
技术领域
本发明涉及农业遥感领域,具体涉及一种基于形态模型法的大范围作物物候提取方法。
背景技术
农业生产是人类社会的基石,广泛而可靠的农情信息是确保区域和全球粮食安全的重要基础。作物的物候体现在其生理特性及其对环境条件的生理响应随生长而发生的季节性变化,这种变化可以反映气候变化对农业生态系统的影响。作物的物候信息可以为作物灌溉调度和施肥管理提供重要的决策信息;准确的物候期也是作物精确产量预测模型的重要输入信息;另外,物候期也是遥感作物识别的重要基础。
目前物候监测的方法主要有野外观测法、积温模型法和遥感监测等。野外观测法相对简单易行,结果较为准确,但由于主观因素的影响,获得的数据质量难以保证,而且需要大量人力物力,观测周期长、面积小,难以应用在较大范围。积温模型法对输入信息要求较高,包括作物播种日期、气温和不同物候期所对应的积温信息等,这限制了它的应用范围。而遥感技术并无上述缺点,其具有监测范围广、时效高、客观准确等优势。
近年来,国内外学者对遥感物候提取展开了诸多研究,主要有以下几种方法:一、阈值法,即通过使用固定阈值或动态阈值来估计物候阶段;二、移动窗口法,即通过检测时序植被指数曲线在定义的移动时间窗口中的变化来确定物候时期;三、函数拟合法,即用如逻辑函数(Logistic Function)等数学函数来拟合待提取物候的作物的时序植被指数曲线,并根据拟合曲线上存在的特征点来确定物候期。然而这些方法主要关注植被指数时序曲线的局部形态特征点或特征段,这样一方面很容易受到时序曲线上的如噪声带来的局部波动的影响,从而给物候提取结果带来误差;另一方面不同物候期和不同作物需要应用不同的度量标准,方法的通用性较差,很难大范围应用。
发明内容
为了解决背景技术中存在的问题,本发明提出了一种基于形态模型法的大范围作物物候提取方法,利用卫星遥感数据建立植被指数时序曲线,使用形态模型法进行曲线拟合,结合地面观测数据,根据最优拟合缩放参数计算物候提取值,解决了目前遥感作物物候提取应用尺度小、准确性低、通用性差等局限性。
本发明所采用的技术方案是:
步骤S1:植被指数时序曲线获取:根据作物地表分类数据,在局部地理区域中选取待提取物候的作物所在的所有像元,基于卫星遥感图像数据,计算上述各个像元的植被指数,进而得到各个像元的植被指数时序曲线;并且,根据农气站的地理坐标数据,获取农气站所在各个像元的多年植被指数时序曲线;
所述作物地表分类数据是已有的数据,通过对卫星遥感数据进行作物识别,得到不同作物种植的空间分布信息。所述的像元为卫星遥感图像中的像元。
步骤S2:时序曲线平滑拟合:使用双重逻辑函数拟合方式对待提取物候的作物所在各个像元和农气站所在各个像元的植被指数时序曲线进行平滑拟合,得到平滑后的植被指数时序曲线;
步骤S3:形态模型建立:使用农气站记录的地面物候观测值建立形态模型参考点,并使用农气站所在像元的植被指数时序曲线建立对应形态模型参考曲线,由形态模型参考点和形态模型参考曲线构成形态模型,每个农气站建立一个形态模型,多个站点分别建立多个形态模型;
地面物候观测值是指地面作物的物候期,例如小麦的物候期。
步骤S4:形态模型拟合:根据局部地理区域各个像元和农气站的空间关系(空间关系是指距离远近、地理环境相似或者不相似),分别选取与待提取物候的作物所在各个像元对应的最合适的农气站的形态模型,将形态模型参考曲线拟合到像元的平滑植被指数时序曲线,计算拟合后的两曲线之间的均方根误差(RMSE),将均方根误差最小时对应的缩放参数作为该像元的最佳缩放参数,该缩放参数拟合效果最好;
步骤S5:区域物候期提取:根据最佳缩放参数将形态模型参考点进行变换,求得待提取物候的作物所在各个像元的物候提取结果。
本发明采用的植被指数具体为宽动态范围植被指数(WDRVI),所述的宽动态范围植被指数在NDVI的基础上增加了一个加权系数,可以提高NDVI在高植被覆盖度区域的灵敏度。所述的宽动态范围植被指数(WDRVI)计算公式如下式所示:
式中,ρNIR为近红外波段反射率,ρRED为红色波段反射率,α为加权系数,其值根据不同作物而变化,一般取0.1-0.2。
所述步骤S2中的双重逻辑函数拟合方式具体如下:将整个作物生长期的植被指数时序曲线拟合到双重逻辑函数曲线,双重逻辑函数包含六个参数,VI1、VIm、S、A、S′和A′,拟合后的公式表示为:
其中,VI1表示植被指数时序曲线中处于作物非生长期一段(即前半段)的平均植被指数,VIm代表植被指数时序曲线的峰值,t表示时间,S和A分别代表植被指数时序曲线中上升拐点和下降拐点对应的时间,S′和A′分别代表上升拐点和下降拐点处的曲率;VI(t)表示时间t下的植被指数。
上升拐点是指斜率最大的拐点,下降拐点是指斜率最大的拐点。
所述步骤S3中,形态模型与农气站一一对应,代表作物在对应农气站一定空间范围内的典型季节性植被指数响应,形态模型参考点使用农气站多年地面观测物候期的平均值,形态模型参考曲线使用农气站所在的所有像元的多年历史植被指数时序曲线的均值。
所述步骤S4中,与待提取物候的作物所在各个像元最合适的形态模型根据像元和农气站的空间关系选取,综合考虑空间距离和地理环境因素并加权计算处理获得,具体实施可加权计算相似度,以相似度最高的作为最合适的。
所述步骤S4的形态模型拟合过程中,采用以下公式将形态模型参考曲线拟合变换到待提取物候的作物的平滑植被指数时序曲线,具体公式如下:
g(x)=yscale×h(xscale×(x0+tshift))
其中,g(x)代表经过拟合变换后的形态模型参考曲线,h(x)代表形态模型参考曲线,xscale、yscale分别代表x轴、y轴方向上的缩放参数,tshift代表x轴方向的偏移量,x0表示在形态模型参考点;
再采用以下公式处理获得经过拟合变换后的形态模型参考曲线和待提取物候的作物的平滑植被指数时序曲线的两曲线间的均方根误差(RMSE):
其中,x代表逐日日期,n代表曲线的时间间隔,f(x)代表到待提取物候的作物的平滑植被指数时序曲线。
根据均方根误差的最小值确定最佳缩放参数,此时的拟合效果最好。
所述步骤S5中,采用以下公式根据最佳缩放参数将形态模型参考点进行变换,求得待提取物候的作物所在各个像元待提取的物候期,综合局部地理区域所有像元物候期的提取值,得到该区域的物候时空分布情况:
Xest=xscale×(x0+tshift)
其中,x0表示在形态模型参考点的物候期,Xest是提取得到待提取物候的作物的物候期。
所述局部地理区域大小不限,至少包括一个像元。
所述待提取物候期包括作物整个生长期的各个物候期,以玉米作物为例,包括但不限于出苗期、三叶期、返青期、抽穗期、成熟期等。
所述像元为卫星遥感图像数据中的最小像素单元,根据不同卫星遥感产品,像元大小可以为30m×30m、250m×250m、500m×500m等。
本发明方法解决了现有方法进行作物提取物候的局限性。使用形态模型代表作物的典型生长曲线,再通过变换的方式拟合形态模型和作物生长曲线,最后使用得到的最优缩放参数计算待提取物候期。该方法利用到了植被指数时序曲线的宏观特征,可以减少曲线局部波动和噪声的影响,有更好的物候提取精度;另外,该方法可以同时对作物的各个物候期进行提取,无需分别设定不同的度量标准,可应用于大范围作物物候提取。
本发明的有益效果是:
本发明的方法利用了曲线的宏观特征,可以减少曲线局部波动和噪声的影响,有更好的提取精度;并且可同时对作物的各个物候期进行提取,无需分别设定不同的度量标准,可应用于大范围作物物候提取。
附图说明
图1为根据本发明一个具体实施例的局部地理区域及农气站点分布图;
图2为根据本发明一个具体实施例的一种基于形态模型法的大范围作物物候提取方法示意简图;
图3为根据本发明一个具体实施例的双重逻辑函数曲线平滑拟合示意简图;
图4为根据本发明一个具体实施例的形态模型建立流程示意简图;
图5为根据本发明一个具体实施例的形态模型示意简图;
图6为根据本发明一个具体实施例的形态模型变换过程示意简图;
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的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。
大范围的物候提取效果受局部地理区域地理环境和研究作物生长特性等因素影响。本实施例的局部地理区域为我国的东北地区,研究作物为春玉米,本实施例使用形态模型法对我国东北地区春玉米的三叶期、抽穗期、乳熟期和抽穗期四个关键物候期进行了物候提取。如图1所示的局部地理区域及农气站点分布图,在局部地理区域选取三个农气站点,分别为1-双城、2-梨树、3-海城。
如图2所示,本发明的实施例及其实施过程包括以下:
步骤S1:植被指数时序曲线获取:根据作物地表分类数据,获取我国东北地区中种植作物为春玉米的像元对应的MODIS卫星遥感数据,计算各个像元的植被指数,得到对应的植被指数时序曲线。根据三个农气站的地理属性数据,获取对应像元的2003-2013年的MODIS卫星遥感数据和植被指数时序曲线。本实施例中使用的植被指数为宽动态范围植被指数(WDRVI),宽动态范围植被指数在高生物量区域的灵敏度较高,其计算公式如式(1)所示:
式中,ρNIR为近红外波段反射率,ρRED为红色波段反射率,α为加权系数,在本实施例中取0.2。
步骤S2:时序曲线平滑拟合:如图3所示,使用双重逻辑函数拟合方式对各个像元的植被指数时序曲线进行平滑拟合,使用迭代非线性最小二乘法将整个作物生长期的植被指数曲线拟合到双重逻辑函数,得到平滑后的植被指数时序曲线。双重逻辑函数表示如式(2)所示:
步骤S3:形态模型建立:如图4所示的形态模型建立流程示意简图,形态模型参考点使用农气站多年地面观测物候期的平均值,形态模型参考曲线使用农气站除去异常数据后的多年历史植被指数时序曲线的均值。形态模型与农气站一一对应,本实施例中三个站点分别建立三个形态模型。如图5所示,为本实施例建立的一个形态模型示意简图;
步骤S4:形态模型拟合:根据东北地区各个像元三个农气站的空间关系,依据最小加权地理距离分别选取各个像元最合适的形态模型。如图6所示的形态模型变换过程示意简图,将形态模型参考曲线拟合到像元的平滑植被指数时序曲线,如式(3)所示:
g(x)=yscale×h(xscale×(x0+tshift)) (3)
计算两曲线之间的最小均方根误差(RMSE),作为拟合效果最好的缩放参数,且作为该像元的最佳缩放参数,最小均方根误差的计算如式(4)所示:
本实施例计算得到的不同省份的最佳缩放参数结果如下表:
表1:东北区域不同省份的最佳缩放参数(2003-2013年)
步骤S5:区域物候期提取:根据各个像元的最佳缩放参数,将形态模型参考点进行变换,求得各个像元待提取的物候期,物候期提取过程计算公式如式(5):
Xest=xscale×(x0+tshift) (5)
本实施例中四个关键物候期的提取精度RMSE为5.80到10.28天。研究像元大部分物候日期(91.8%)的提取精度在15天以内。具体的物候提取结果如下表所示:
表2:东北区域不同省份的物候提取结果(2003-2013年)
本发明的方法利用了生长期内植被指数曲线的宏观特征,可以减少曲线局部波动和噪声的影响,物候期提取结果准确;另外,该方法可以同时对作物的各个物候期进行提取,无需分别设定不同的度量标准,可应用于大范围作物物候提取。
Claims (10)
1.一种基于形态模型法的大范围作物物候提取方法,包括如下步骤:
步骤S1:植被指数时序曲线获取:根据作物地表分类数据,在局部地理区域中选取待提取物候的作物所在的所有像元,基于卫星遥感图像数据,计算上述各个像元的植被指数,进而得到各个像元的植被指数时序曲线;并且,根据农气站的地理坐标数据,获取农气站所在各个像元的多年植被指数时序曲线;
步骤S2:时序曲线平滑拟合:使用双重逻辑函数拟合方式对待提取物候的作物所在各个像元和农气站所在各个像元的植被指数时序曲线进行平滑拟合,得到平滑后的植被指数时序曲线;
步骤S3:形态模型建立:使用农气站记录的地面物候观测值建立形态模型参考点,并使用农气站所在像元的植被指数时序曲线建立对应形态模型参考曲线,由形态模型参考点和形态模型参考曲线构成形态模型,每个农气站建立一个形态模型,多个站点分别建立多个形态模型;
步骤S4:形态模型拟合:根据局部地理区域各个像元和农气站的空间关系,分别选取与待提取物候的作物所在各个像元对应的最合适的形态模型,将形态模型参考曲线拟合到像元的平滑植被指数时序曲线,计算拟合后的两曲线之间的均方根误差(RMSE),将均方根误差最小时对应的缩放参数作为该像元的最佳缩放参数;
步骤S5:区域物候期提取:根据最佳缩放参数将形态模型参考点进行变换,求得待提取物候的作物所在各个像元的物候提取结果。
4.根据权利要求1所述的一种基于形态模型法的大范围作物物候提取方法,其特征在于:所述步骤S3中,形态模型参考点使用农气站多年地面观测物候期的平均值,形态模型参考曲线使用农气站所在的所有像元的多年历史植被指数时序曲线的均值。
5.根据权利要求1所述的一种基于形态模型法的大范围作物物候提取方法,其特征在于:所述步骤S4中,与待提取物候的作物所在各个像元最合适的形态模型根据像元和农气站的空间关系选取,综合考虑空间距离和地理环境因素并加权计算处理获得。
6.根据权利要求1所述的一种基于形态模型法的大范围作物物候提取方法,其特征在于:所述步骤S4的形态模型拟合过程中,采用以下公式将形态模型参考曲线拟合变换到待提取物候的作物的平滑植被指数时序曲线,具体公式如下:
g(x)=yscale×h(xscale×(x0+tshift))
其中,g(x)代表经过拟合变换后的形态模型参考曲线,h(x)代表形态模型参考曲线,xscale、yscale分别代表x轴、y轴方向上的缩放参数,tshift代表x轴方向的偏移量,x0表示在形态模型参考点;
再采用以下公式处理获得经过拟合变换后的形态模型参考曲线和待提取物候的作物的平滑植被指数时序曲线的两曲线间的均方根误差(RMSE):
其中,x代表逐日日期,n代表曲线的时间间隔,f(x)代表待提取物候的作物的平滑植被指数时序曲线。
7.根据权利要求6所述的一种基于形态模型法的大范围作物物候提取方法,其特征在于:所述步骤S5中,采用以下公式根据最佳缩放参数将形态模型参考点进行变换,求得待提取物候的作物所在各个像元待提取的物候期,综合局部地理区域所有像元物候期的提取值,得到该区域的物候时空分布情况:
Xest=xscale×(x0+tshift)
其中,x0表示在形态模型参考点的物候期,Xest是提取得到待提取物候的作物的物候期。
8.根据权利要求1所述的一种基于形态模型法的大范围作物物候提取方法,其特征在于:所述局部地理区域大小不限,至少包括一个像元。
9.根据权利要求1所述的一种基于形态模型法的大范围作物物候提取方法,其特征在于:所述待提取物候期包括作物整个生长期的各个物候期。
10.根据权利要求1所述的一种基于形态模型法的大范围作物物候提取方法,其特征在于:所述像元为卫星遥感图像数据中的最小像素单元。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911134130.3A CN111104858B (zh) | 2019-11-19 | 2019-11-19 | 一种基于形态模型法的大范围作物物候提取方法 |
US17/778,014 US11734925B2 (en) | 2019-11-19 | 2020-10-29 | Large-scale crop phenology extraction method based on shape model fitting method |
PCT/CN2020/124834 WO2021098471A1 (zh) | 2019-11-19 | 2020-10-29 | 一种基于形态模型法的大范围作物物候提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911134130.3A CN111104858B (zh) | 2019-11-19 | 2019-11-19 | 一种基于形态模型法的大范围作物物候提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111104858A CN111104858A (zh) | 2020-05-05 |
CN111104858B true CN111104858B (zh) | 2022-07-15 |
Family
ID=70420758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911134130.3A Active CN111104858B (zh) | 2019-11-19 | 2019-11-19 | 一种基于形态模型法的大范围作物物候提取方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11734925B2 (zh) |
CN (1) | CN111104858B (zh) |
WO (1) | WO2021098471A1 (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111104858B (zh) | 2019-11-19 | 2022-07-15 | 浙江大学 | 一种基于形态模型法的大范围作物物候提取方法 |
CN112667708A (zh) * | 2020-12-24 | 2021-04-16 | 河南中原光电测控技术有限公司 | 一种基于ndvi时间序列的冬小麦物候期监测方法及装置 |
CN113421255B (zh) * | 2021-07-21 | 2022-08-26 | 中国科学院地理科学与资源研究所 | 一种基于栅格的耕地复种指数提取方法及系统 |
CN113642464B (zh) * | 2021-08-13 | 2023-09-15 | 福州大学 | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 |
CN113850139B (zh) * | 2021-08-25 | 2022-04-08 | 南京林业大学 | 一种基于多源遥感的森林年际物候监测方法 |
CN113822360B (zh) * | 2021-09-24 | 2022-04-22 | 中化现代农业有限公司 | 一种作物的物候期确定方法及装置 |
CN113673490B (zh) * | 2021-10-21 | 2022-01-04 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
CN114092831B (zh) * | 2021-12-02 | 2023-03-24 | 中国科学院东北地理与农业生态研究所 | 一种草本沼泽植被物候信息提取方法 |
CN114332492B (zh) * | 2021-12-15 | 2024-03-19 | 南京林业大学 | 一种基于长时间序列的植被特征提取及选择方法 |
CN114544515B (zh) * | 2022-02-23 | 2024-05-14 | 中国矿业大学 | 一种草原物候遥感监测方法及系统 |
CN114529097B (zh) * | 2022-02-26 | 2023-01-24 | 黑龙江八一农垦大学 | 多尺度农作物物候期遥感降维预测方法 |
CN114782838B (zh) * | 2022-06-17 | 2022-10-18 | 中化现代农业有限公司 | 水稻识别方法、装置、电子设备和存储介质 |
CN116579521B (zh) * | 2023-05-12 | 2024-01-19 | 中山大学 | 产量预测时间窗口确定方法、装置、设备及可读存储介质 |
CN116597157B (zh) * | 2023-07-11 | 2023-09-26 | 中国科学院地理科学与资源研究所 | 基于特征光谱变化的植物物候提取方法及装置 |
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 |
CN117689959A (zh) * | 2024-01-30 | 2024-03-12 | 中交第二公路勘察设计研究院有限公司 | 一种融合植被生命周期特征的遥感分类方法 |
CN117689120B (zh) * | 2024-02-04 | 2024-04-26 | 北京工业大学 | 一种农业火灾的火辐射功率作物精细化分配方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175931A (zh) * | 2019-05-10 | 2019-08-27 | 北京师范大学 | 一种大范围快速提取农作物种植面积和物候信息的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850694B (zh) | 2015-05-13 | 2018-05-04 | 福州大学 | 基于生长期植被指数增量的冬小麦遥感监测方法 |
US10395355B2 (en) * | 2017-05-12 | 2019-08-27 | Harris Lee Cohen | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform |
CN111104858B (zh) | 2019-11-19 | 2022-07-15 | 浙江大学 | 一种基于形态模型法的大范围作物物候提取方法 |
-
2019
- 2019-11-19 CN CN201911134130.3A patent/CN111104858B/zh active Active
-
2020
- 2020-10-29 US US17/778,014 patent/US11734925B2/en active Active
- 2020-10-29 WO PCT/CN2020/124834 patent/WO2021098471A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175931A (zh) * | 2019-05-10 | 2019-08-27 | 北京师范大学 | 一种大范围快速提取农作物种植面积和物候信息的方法 |
Non-Patent Citations (2)
Title |
---|
作物生长模型(CropGrow)研究进展;朱艳等;《中国农业科学》;20200816(第16期);全文 * |
基于MODIS时序植被指数的区域物候信息提取;丁潇等;《测绘与空间地理信息》;20151025(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
US11734925B2 (en) | 2023-08-22 |
WO2021098471A1 (zh) | 2021-05-27 |
US20220406054A1 (en) | 2022-12-22 |
CN111104858A (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
CN108169161B (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 | |
CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
CN111241912A (zh) | 一种基于机器学习算法的多植被指数的水稻产量估测方法 | |
CN108982369B (zh) | 融合gf-1wfv和modis数据的地块尺度作物长势监测方法 | |
CN112858632B (zh) | 一种综合考虑温度和水分胁迫的草地旱情监测方法 | |
CN110909933A (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
CN103971199B (zh) | 一种大范围农作物长势的遥感评级方法 | |
CN112986158B (zh) | 基于无人机多光谱数据的甜菜氮素营养检测方法及系统 | |
CN116029860B (zh) | 基于gis的智慧农业种植区域规划辅助决策系统 | |
CN115062863A (zh) | 基于作物参考曲线和积温校正的苹果的始花期预测方法 | |
CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
CN111275567B (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
CN113269716A (zh) | 一种基于多源遥感数据的香梨成熟期遥感预测方法 | |
CN107273797B (zh) | 基于水体指数变异系数的水稻亚像元识别方法 | |
CN104933699B (zh) | 基于高斯函数拟合方差自动提取地表植被物候信息的方法 | |
CN110516943B (zh) | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 | |
CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
CN114299393A (zh) | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 | |
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 | |
CN112667955B (zh) | 基于遥感估算区域尺度玉米潜在产量与产量差的方法与应用 | |
CN114612794A (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
CN111737876A (zh) | 一种具有时空分布特征的茶叶开采期及采摘时长预测方法 | |
CN114926565B (zh) | 一种基于绿度水分综合指数的大豆制图方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |