CN111191963A - 一种基于生长期色素变化特征的花生空间分布制图方法 - Google Patents
一种基于生长期色素变化特征的花生空间分布制图方法 Download PDFInfo
- Publication number
- CN111191963A CN111191963A CN202010068868.0A CN202010068868A CN111191963A CN 111191963 A CN111191963 A CN 111191963A CN 202010068868 A CN202010068868 A CN 202010068868A CN 111191963 A CN111191963 A CN 111191963A
- Authority
- CN
- China
- Prior art keywords
- peanut
- anthocyanin
- crops
- period
- index
- 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
- 235000020232 peanut Nutrition 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 53
- 235000017060 Arachis glabrata Nutrition 0.000 title claims abstract description 43
- 235000010777 Arachis hypogaea Nutrition 0.000 title claims abstract description 43
- 235000018262 Arachis monticola Nutrition 0.000 title claims abstract description 43
- 238000009826 distribution Methods 0.000 title claims abstract description 40
- 230000008859 change Effects 0.000 title claims abstract description 39
- 238000013507 mapping Methods 0.000 title claims abstract description 36
- 239000000049 pigment Substances 0.000 title claims abstract description 19
- 241001553178 Arachis glabrata Species 0.000 title claims abstract 30
- 230000012010 growth Effects 0.000 claims abstract description 72
- 229930002877 anthocyanin Natural products 0.000 claims abstract description 56
- 235000010208 anthocyanin Nutrition 0.000 claims abstract description 56
- 239000004410 anthocyanin Substances 0.000 claims abstract description 56
- 150000004636 anthocyanins Chemical class 0.000 claims abstract description 56
- 238000011160 research Methods 0.000 claims abstract description 39
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims abstract description 10
- 230000007423 decrease Effects 0.000 claims abstract description 5
- 239000000126 substance Substances 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004040 coloring Methods 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 2
- 230000003698 anagen phase Effects 0.000 claims 7
- 244000105624 Arachis hypogaea Species 0.000 description 40
- 101001057166 Homo sapiens Protein EVI2A Proteins 0.000 description 15
- 102100027246 Protein EVI2A Human genes 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 244000068988 Glycine max Species 0.000 description 3
- 235000010469 Glycine max Nutrition 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 101100280138 Mus musculus Evi2a gene Proteins 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000031877 prophase Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Pretreatment Of Seeds And Plants (AREA)
Abstract
本发明涉及一种基于生长期色素变化特征的花生空间分布制图方法,包括如下步骤:1、建立研究区植被指数、花青素指数时序数据集;2、根据所述植被指数时序数据集,获取农作物关键物候期;3、构建农作物生长前期花青素变化特征指标;4、根据所述农作物生长前期花青素变化特征指标,建立用于分离花生和其他作物的花生空间分布制图技术方法;5、根据所述花青素指数时序数据集,利用所述花生空间分布制图技术方法,制得研究区花生空间分布图。该方法基于花生开花早、花期较长、花青素含量较高且下降缓慢的特点,将植被指数和花青素指数在农作物关键物候期的时序变化规律应用于花生制图,分类精度高,鲁棒性好,抗干扰能力强。
Description
技术领域
本发明涉及一种大面积农作物遥感方法,具体是一种基于生长期色素变化特征的花生空间分布制图方法,属于农作物生长监测技术领域。
背景技术
及时准确掌握农作物空间分布信息对于制定相关政策及种植结构的调整至关重要。花生是人们生活中重要的油料作物,我国种植面积约占世界的四分之一,且单产和年均总产都是世界之首。快速自动监测花生的空间分布范围,具有重要意义。传统的人工调查方法不仅费时费力,而且难以实现全覆盖,容易受到主观因素的干扰。遥感技术具有宏观、迅速的获取数据能力,为及时、准确地获取地表信息提供了数据来源,已经成为农作物制图的重要手段。
最初,大多采用单时相遥感影像进行作物分类研究,但难以应对不同作物光谱之间的相似性。而时序遥感影像提供了不同季节、不同时期的信息,在农作物分类的不断发展过程中基于关键物候期的方法逐渐成为近年来的主导发展趋势。例如,目前水稻制图相关研究中,主要利用水稻在移栽期需要灌水而使得水体指数增加的特征设计制图方法;而玉米制图方法研究中,发现利用关键物候期内叶片含水量较大的特征进行方法设计更为有效。这些方法充分利用了遥感指数在关键物候期内的变化特征,实现了对农作物物候特征的量化,进一步提高了物候信息准确度以及农作物之间的分异性。但在花生空间分布制图方法研究中,结合关键物候期、综合多个遥感指数的策略还未得到利用。另外,目前学者们主要探究果实或花瓣中花青素的含量,在作物分类方面少有研究,但花青素作为花瓣着色的重要色素,在作物分类方面会有很大的潜力。
因此,本专利基于植被指数获取农作物关键物候期,利用花青素指数在生长前期极差小、波动小以及降幅小的特征,设计一种花生空间分布制图方法。
发明内容
本发明的目的在于提供一种基于生长期色素变化特征的花生空间分布制图方法,该方法分类精度高,鲁棒性好,抗干扰能力强。
为实现上述目的,本发明采用的技术方案是:一种基于生长期色素变化特征的花生空间分布制图方法,其特征在于,包括如下步骤:
步骤S01:建立研究区植被指数、花青素指数时序数据集;
步骤S02:根据所述植被指数时序数据集,获取农作物关键物候期;
步骤S03:构建农作物生长前期花青素变化特征指标;
步骤S04:根据所述农作物生长前期花青素变化特征指标,建立用于分离花生和其他作物的花生空间分布制图技术方法;
步骤S05:根据所述花青素指数时序数据集,利用所述花生空间分布制图技术方法,获得研究区花生空间分布图。
进一步地,所述步骤S01中,基于遥感卫星影像多个波段的反射率数据,在设定的研究周期和研究区中,按照时间顺序逐景依次计算植被指数、花青素指数,从而获得所述研究周期研究区的植被指数、花青素指数时序数据集。
进一步地,所述步骤S02中,在对研究区非植被及植被像元进行掩膜的基础上,对于研究区内耕地区域,逐像元计算植被指数时序曲线的局部最大值,以此确定农作物生长峰值期,并依据农作物生长峰值期,确定农作物生长开始期和农作物生长前期。
进一步地,将所述农作物生长峰值期前50天确定为农作物生长开始期,所述农作物生长开始期至农作物生长峰值期之间的这段时间记为农作物生长前期。
进一步地,所述步骤S03中,花青素是使花瓣着色的重要色素,与其他作物相比,花生在生长前期已经开花,且花期较长,而其他作物花期在生长峰值期之后,因此,在生长前期花生花青素含量较高且下降缓慢;基于此,从极差、标准差、降幅三个方面,刻画花生生长前期花青素的变化特征,以突出花生的花青素在生长前期缓慢下降过程,提高花生与其他作物的分离度;利用这些特征构建的农作物生长前期花青素变化特征指标WA的表达式为:
WA=(ARI max -ARI min )×ARI std × |ARI sum_diffneg |
其中,ARI max -ARI min 、ARI std 、ARI sum_diffneg 分别表示花青素指数在生长前期的极差、标准差、逐日一阶差分负斜率之和。
进一步地,所述步骤S04中,建立的花生空间分布制图技术方法为:设置阈值ω,对于研究区内耕地区域,逐像元计算农作物生长前期花青素变化特征指标WA的数值,并判断是否满足WA<ω,如果是则判定该像元为花生,否则判定该像元为其他作物,从而获得研究区内花生空间分布图。
进一步地,所述阈值ω取值为0.4。
进一步地,该方法适用于农作物或土地利用遥感自动分类领域中。
相较于现有技术,本发明具有以下有益效果:
(1)通过最能体现不同植被生长特征的农作物生长前期,即开始生长期至生长峰值期的这段时间,来研究花生空间分布制图方法,有效地排除了其他时段内信号的干扰;
(2)利用农作物生长前期内花青素指数的极差、标准差以及逐日一阶差分负斜率之和的乘积建立特征指标,充分利用了生长前期花青素的变化过程特征,包括极差、标准差和降幅,很大程度地消除了噪声的干扰,从而提高了分类精度;
(3)可以不借助其他辅助数据,结果稳定可靠,抗噪能力强。
附图说明
图1是本发明实施例的实现流程图。
图2是本发明实施例中花生、大豆的EVI2、ARI指数的时序信号图。
图3是本发明实施例中农作物关键物候期示意图。
图4是本发明实施例中农作物生长前期花青素变化特征指标示意图。
图5是本发明实施例中花生制图技术方法的判断流程图。
图6是本发明实施例中研究区花生空间分布图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
本发明提供一种基于生长期色素变化特征的花生空间分布制图方法,如图1所示,包括如下步骤:
步骤S01:建立研究区植被指数、花青素指数时序数据集。
基于遥感卫星影像多个波段的反射率数据,在设定的研究周期和研究区中,按照时间顺序逐景依次计算植被指数、花青素指数,从而获得所述研究周期研究区的植被指数、花青素指数时序数据集。
哨兵2号(Sentinel-2)作为新型光学遥感卫星,具有宽幅和高时空分辨率以及免费共享等多重优势,其所特有的红光边缘波段,对于监测植被生长与健康状态非常有效。因此,在本实施例中,遥感卫星影像采用哨兵影像。
植被指数是表征植被生长状态以及空间分布密度的因子。常见的植被指数有NDVI和EVI2。NDVI为归一化植被指数,全称为Normalized Difference Vegetation Index。EVI2为增强型植被指数,全称为Enhanced Vegetation Index。EVI2指数的计算公式为:
其中,ρ Red 、ρ NIR 分别表示哨兵影像的红光波段、近红外波段的反射率,红光波段、近红外波段的范围分别为650-680nm、785-899nm。在本实施例中,植被指数采用EVI2指数。
花青素指数(Anthocyanin reflectance index,简称ARI)是一类广泛存在于植物中的水溶性天然色素,植物的主要呈色物质大部分与之有关。花青素的含量及其变化能很好地反应不同农作物本身特性及其花期变化规律。花青素指数的计算公式为:
其中,ρ Green 、ρ VRE1分别表示哨兵影像的绿光波段、第一红光边缘波段的反射率,绿光波段、第一红光边缘波段的范围分别为543-578nm、698-713nm。
在本实施例中,以年份为研究周期。基于无云日的研究区EVI2、ARI指数时序数据集,采用Whittaker Smoother数据平滑方法,逐像元构建研究年份内研究区逐日连续平滑的EVI2、ARI指数时序数据集。本实施例所构建的花生、大豆的EVI2、ARI指数的时序信号图如图2所示。
步骤S02:根据所述植被指数时序数据集,获取农作物关键物候期。
在对研究区非植被及植被像元进行掩膜的基础上,对于研究区内植被区域,逐像元计算植被指数时序曲线的局部最大值,以此确定农作物生长峰值期,并依据农作物生长峰值期,确定农作物生长开始期和农作物生长前期。
在本实施例中,首先,依据植被指数EVI2年内时序曲线的局部最大值,确定农作物生长峰值期。针对研究区域内植被区域,逐像元求算EVI2时序曲线中数值大于0.35的局部最大值。如果同时找到两个或两个以上的局部EVI2最大值,依据相邻两个局部最大值的时间间隔进一步筛选,保留相邻间隔大于60天以上的EVI2局部最大值。并且进一步设置约束条件,在出现多个EVI2局部最大值的情况下,删除与邻近局部最小值差异小于0.15的局部最大值。最终获得满足条件的EVI2局部最大值。将这些EVI2局部最大值记录为Pn,其中n可以取值为1,2,3,分别对应单季作物、双季作物以及三季作物。EVI2局部最大值Pn所在时刻,分别为该生长期所对应的农作物生长峰值期。然后,依据生长峰值期,获得农作物生长开始期。将生长峰值期前50天,确定为农作物生长开始期。将农作物生长开始期至生长峰值期之间的这段时间,记为农作物生长前期。本实施例中获得的农作物关键物候期如图3所示。
步骤S03:构建农作物生长前期花青素变化特征指标。
基于花生开花早、花期较长、花青素含量较高且下降缓慢的特点,从极差、标准差、降幅三个方面,刻画花生生长前期花青素的变化特征,以突出花生的花青素在生长前期缓慢下降过程,提高花生与其他作物的分离度。基于农作物生长前期花青素指数的极差、标准差和逐日一阶差分负斜率之和,构建农作物生长前期花青素变化特征指标WA,其表达式为:
WA=(ARI max -ARI min )×ARI std × |ARI sum_diffneg |
其中,ARI max -ARI min 、ARI std 、ARI sum_diffneg 分别表示花青素指数在生长前期的极差、标准差、逐日一阶差分负斜率之和。
本实施例所构建的花生、大豆的农作物生长前期花青素变化特征指标,如图4所示。
步骤S04:根据所述农作物生长前期花青素变化特征指标,建立用于分离花生和其他作物的花生空间分布制图技术方法。具体方法为:
设置阈值ω,对于研究区内耕地区域,逐像元计算农作物生长前期花青素变化特征指标WA的数值,并判断是否满足WA<ω,如果是则判定该像元为花生,否则判定该像元为其他作物。其判断流程如图5所示。联合所有被判定为花生的像元,即可得到研究区花生空间分布图。在本实施例中,所述阈值ω取值为0.4。
步骤S05:根据所述花青素指数时序数据集,利用所述花生空间分布制图技术方法,制得研究区花生空间分布图。
以吉林省松原市前郭尔罗斯蒙古族自治县(前郭县)为例,绘制花生空间分布图,获得的花生空间分布图如图6所示。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,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)
1.一种基于生长期色素变化特征的花生空间分布制图方法,其特征在于,包括如下步骤:
步骤S01:建立研究区植被指数、花青素指数时序数据集;
步骤S02:根据所述植被指数时序数据集,获取农作物关键物候期;
步骤S03:构建农作物生长前期花青素变化特征指标;
步骤S04:根据所述农作物生长前期花青素变化特征指标,建立用于分离花生和其他作物的花生制图技术方法;
步骤S05:根据所述花青素指数时序数据集,利用所述花生制图技术方法,获得研究区花生空间分布图。
2.根据权利要求1所述的一种基于生长期色素变化特征的花生空间分布制图方法,其特征在于,所述步骤S01中,基于遥感卫星影像多个波段的反射率数据,在设定的研究周期和研究区中,按照时间顺序逐景依次计算植被指数、花青素指数,从而获得所述研究周期研究区的植被指数、花青素指数时序数据集。
3.根据权利要求1所述的一种基于生长期色素变化特征的花生空间分布制图方法,其特征在于,所述步骤S02中,在对研究区非植被及植被像元进行掩膜的基础上,对于研究区内耕地区域,逐像元计算植被指数时序曲线的局部最大值,以此确定农作物生长峰值期,并依据农作物生长峰值期,确定农作物生长开始期和农作物生长前期。
4.根据权利要求3所述的一种基于生长期色素变化特征的花生空间分布制图方法,其特征在于,将所述农作物生长峰值期前50天确定为农作物生长开始期,所述农作物生长开始期至农作物生长峰值期之间的这段时间记为农作物生长前期。
5.根据权利要求1所述的一种基于生长期色素变化特征的花生空间分布制图方法,其特征在于,所述步骤S03中,花青素是使花瓣着色的重要色素,与其他作物相比,花生在生长前期已经开花,且花期较长,而其他作物花期在生长峰值期之后,因此,在生长前期花生花青素含量较高且下降缓慢;基于此,从极差、标准差、降幅三个方面,刻画花生生长前期花青素的变化特征,以突出花生的花青素在生长前期缓慢下降过程,提高花生与其他作物的分离度;利用这些特征构建的农作物生长前期花青素变化特征指标WA的表达式为:
WA=(ARI max -ARI min )×ARI std × |ARI sum_diffneg |
其中,ARI max -ARI min 、ARI std 、ARI sum_diffneg 分别表示花青素指数在生长前期的极差、标准差、逐日一阶差分负斜率之和。
6.根据权利要求1所述的一种基于生长期色素变化特征的花生空间分布制图方法,其特征在于,所述步骤S04中,建立的花生制图技术方法为:设置阈值ω,对于研究区内耕地区域,逐像元计算农作物生长前期花青素变化特征指标WA的数值,并判断是否满足WA<ω,如果是则判定该像元为花生,否则判定该像元为其他作物,从而获得研究区内花生空间分布图。
7.根据权利要求6所述的一种基于生长期色素变化特征的花生空间分布制图方法,其特征在于,所述阈值ω取值为0.4。
8.根据权利要求1至7任一项所述的一种基于生长期色素变化特征的花生空间分布制图方法,其特征在于,该方法适用于农作物或土地利用遥感自动分类领域中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010068868.0A CN111191963A (zh) | 2020-01-21 | 2020-01-21 | 一种基于生长期色素变化特征的花生空间分布制图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010068868.0A CN111191963A (zh) | 2020-01-21 | 2020-01-21 | 一种基于生长期色素变化特征的花生空间分布制图方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111191963A true CN111191963A (zh) | 2020-05-22 |
Family
ID=70708271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010068868.0A Pending CN111191963A (zh) | 2020-01-21 | 2020-01-21 | 一种基于生长期色素变化特征的花生空间分布制图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191963A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612777A (zh) * | 2020-05-23 | 2020-09-01 | 福州大学 | 一种基于叶片衰老失水指数的大豆制图方法 |
CN113376123A (zh) * | 2021-06-13 | 2021-09-10 | 福州大学 | 基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法 |
CN113570251A (zh) * | 2021-07-29 | 2021-10-29 | 福州大学 | 基于生长前后期氮素输出累积指数的土豆制图方法 |
CN114299393A (zh) * | 2021-12-30 | 2022-04-08 | 福州大学 | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 |
CN117808900A (zh) * | 2024-02-29 | 2024-04-02 | 云南省农业科学院质量标准与检测技术研究所 | 一种玉米花丝花青甙显色强度分级方法及装置 |
CN114299393B (zh) * | 2021-12-30 | 2024-07-05 | 福州大学 | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022224A (zh) * | 2016-05-12 | 2016-10-12 | 北京师范大学 | 一种冬小麦识别方法 |
CN106772429A (zh) * | 2016-12-24 | 2017-05-31 | 福州大学 | 基于生长盛期nmdi增减比值指数的玉米自动制图方法 |
CN107340268A (zh) * | 2017-07-07 | 2017-11-10 | 福州大学 | 一种基于遥感时序数据的旱地作物识别方法 |
US20180189564A1 (en) * | 2016-12-30 | 2018-07-05 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
-
2020
- 2020-01-21 CN CN202010068868.0A patent/CN111191963A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022224A (zh) * | 2016-05-12 | 2016-10-12 | 北京师范大学 | 一种冬小麦识别方法 |
CN106772429A (zh) * | 2016-12-24 | 2017-05-31 | 福州大学 | 基于生长盛期nmdi增减比值指数的玉米自动制图方法 |
US20180189564A1 (en) * | 2016-12-30 | 2018-07-05 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
CN107340268A (zh) * | 2017-07-07 | 2017-11-10 | 福州大学 | 一种基于遥感时序数据的旱地作物识别方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612777A (zh) * | 2020-05-23 | 2020-09-01 | 福州大学 | 一种基于叶片衰老失水指数的大豆制图方法 |
CN111612777B (zh) * | 2020-05-23 | 2022-07-22 | 福州大学 | 一种基于叶片衰老失水指数的大豆制图方法 |
CN113376123A (zh) * | 2021-06-13 | 2021-09-10 | 福州大学 | 基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法 |
CN113376123B (zh) * | 2021-06-13 | 2023-08-01 | 福州大学 | 基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法 |
CN113570251A (zh) * | 2021-07-29 | 2021-10-29 | 福州大学 | 基于生长前后期氮素输出累积指数的土豆制图方法 |
CN113570251B (zh) * | 2021-07-29 | 2023-08-11 | 福州大学 | 基于生长前后期氮素输出累积指数的土豆制图方法 |
CN114299393A (zh) * | 2021-12-30 | 2022-04-08 | 福州大学 | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 |
CN114299393B (zh) * | 2021-12-30 | 2024-07-05 | 福州大学 | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 |
CN117808900A (zh) * | 2024-02-29 | 2024-04-02 | 云南省农业科学院质量标准与检测技术研究所 | 一种玉米花丝花青甙显色强度分级方法及装置 |
CN117808900B (zh) * | 2024-02-29 | 2024-05-14 | 云南省农业科学院质量标准与检测技术研究所 | 一种玉米花丝花青甙显色强度分级方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191963A (zh) | 一种基于生长期色素变化特征的花生空间分布制图方法 | |
CN109948596A (zh) | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 | |
CN111666815B (zh) | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 | |
CN105389559A (zh) | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 | |
CN110222475A (zh) | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 | |
CN110852262A (zh) | 基于时间序列高分一号遥感影像的农业用地提取方法 | |
CN107273820A (zh) | 一种土地覆盖遥感分类方法及系统 | |
CN106096630B (zh) | 一种集成像元与对象的水稻自动变化检测方法 | |
CN111612777B (zh) | 一种基于叶片衰老失水指数的大豆制图方法 | |
CN103971027A (zh) | 基于水体与植被指数变化比值指数的水稻自动制图方法 | |
CN111340826A (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
CN107273797B (zh) | 基于水体指数变异系数的水稻亚像元识别方法 | |
CN105893977A (zh) | 一种基于自适应特征选择的水稻制图方法 | |
CN116091938A (zh) | 一种针对单季稻种植面积的多源遥感监测方法 | |
CN107314990A (zh) | 一种春玉米遥感识别方法 | |
CN115393704A (zh) | 一种面向对象的稻虾田遥感自动化监测方法 | |
CN107340268B (zh) | 一种基于遥感时序数据的旱地作物识别方法 | |
CN114549881A (zh) | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 | |
CN106772429A (zh) | 基于生长盛期nmdi增减比值指数的玉米自动制图方法 | |
CN107169940B (zh) | 基于电子识别的单株梨树产量获取方法 | |
CN115861844A (zh) | 一种基于种植概率的水稻早期遥感识别方法 | |
CN114299393B (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 | |
CN117975293B (zh) | 多云雾地区水稻种植区域提取方法 | |
CN113570251B (zh) | 基于生长前后期氮素输出累积指数的土豆制图方法 | |
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 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200522 |