CN111368736B - 基于sar和光学遥感数据的水稻精细化估产方法 - Google Patents
基于sar和光学遥感数据的水稻精细化估产方法 Download PDFInfo
- Publication number
- CN111368736B CN111368736B CN202010143998.6A CN202010143998A CN111368736B CN 111368736 B CN111368736 B CN 111368736B CN 202010143998 A CN202010143998 A CN 202010143998A CN 111368736 B CN111368736 B CN 111368736B
- Authority
- CN
- China
- Prior art keywords
- rice
- remote sensing
- yield
- field
- image
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于SAR和光学遥感数据的水稻精细化估产方法,属于遥感图像农业应用领域。首先利用光学遥感卫星遥感卫星对水稻种植区进行监测,提取水稻种植区的边缘,标绘各田块的边界。用合成孔径雷达遥感卫星在水稻种植前采集一次图像,然后在水稻种植期间再次对各个田块分别采集SAR影像,根据后向散射系数的变化得到水稻种植时间。最后针对各个田块,计算水稻生长周期内各田块的累积植被指数值∑MaxNDVI;通过随机抽选水稻田块作为样本,根据样本田块亩产量和各田块的累积植被指数值∑MaxNDVI,建立水稻估产模型进行测产,利用验证后的水稻估产模型计算除去样本外的剩余各水稻田块的预估产量。本发明提高了水稻亩产量的估算精度。
Description
技术领域
本发明属于遥感图像农业应用领域,具体涉及一种基于SAR(Synthetic ApertureRadar,合成孔径雷达)和光学遥感数据的水稻精细化估产方法。
背景技术
水稻是我国历史最悠久的农作物之一,其种植历史可追溯到7000年前的新石器时代,是我国重要的粮食作物之一,在整个农业乃至国民经济中占有十分重要的地位,根据《2018年国民经济和社会发展统计公报》,我国水稻种植面积为3019万公顷,约占全国粮食种植总面积的25.8%,其产量为21213万吨,达到全国粮食总产量的32.2%。
水稻种植面积监测以及水稻产量的精确估算,对于我国农业经济发展、粮食政策制定、国家粮食安全以及在世界粮食贸易中都具有极为重要的现实意义。
传统的水稻估产主要采用农学模式和气象模式,把作物生长与主要制约和影响产量的农学因子或气候因子之间用统计分析的方式建立起关系。这类方法依托人工区域,调查速度慢、工作量大、成本高,只能进行大区域范围的统计估产,而且模式计算繁杂,因此不易推广应用。
随着遥感技术的快速发展,水稻遥感估产具有快速及时、客观准确和省工省时等优势,在作物长势监测、产量预测等智慧农业应用方面占有重要的地位。国内外学者在农作物遥感估产方面已取得了大量的研究成果,其主要方法大多是利用光学遥感的光谱信息或者SAR遥感的辐射信息,建立光谱信息或者辐射信息与产量的关系模型,得到预测的农作物产量。这种方法建立的模型简洁明了,计算方便,是一种较为普遍的产量估算模式。
该类方法通常在获取区域范围内水稻种植分布的基础上,利用多年以来的AVHRR或MODIS等中低分辨率遥感数据,计算得到该区域历年来的植被指数,再结合当地农业部门发布的历年水稻总产量,建立植被指数与产量的回归估产模型,最后利用当年的植被指数来计算预报农作物产量。
根据国内外研究结果,利用中低分辨率遥感数据对单一的或大面积的水稻长势和产量的估算虽然可以发挥较好的作用,但是由于遥感数据分辨率低,像元混合光谱现象严重,尤其是在种植结构复杂的地区,通过遥感获取的植被指数值存在一定偏差,使得水稻估产精度的提高受到制约。同时政府部门发布的历年水稻产量一般都是按照行政区域划分,是大区域范围内的统计产量,这也将影响估产模型的精度。
而且在我国南方和西南地区,受土地承包制的约束,各农户或合作社种植的水稻区块面积小且相对分散,真正的单作物大面积种植的情况较少,而且各农户水稻的种植时间跨度教大,同地区水稻的生长阶段时间差异明显,低分辨率遥感估产方法使得不同生长阶段的像元光谱混叠严重,导致获取的植被指数无法准确反映水稻各生长阶段的长势信息,估产精度更难以达到满意的结果。因此传统的水稻遥感估产方法不适用于这种大比例尺农业实际生产的精细化应用。
发明内容
本发明针对以上问题,提出了一种微观层面的水稻估产方法,基于多源多分辨率SAR和光学遥感图像,利用高分辨率光学图像获取水稻种植区域范围,利用雷达图像中雷达散射特性判别水稻种植时间,利用中分辨率多光谱图像获取水稻区域植被指数,最后采用分时建模方式进行水稻产量估算,具体是一种基于SAR和光学遥感数据的水稻精细化估产方法,满足我国南方和西南地区水稻精细化估产的需要。
所述方法包括如下步骤:
步骤一、针对某水稻种植区,分别利用光学遥感卫星和合成孔径雷达遥感卫星进行监测,获取各监测影像进行预处理,并制作种植区高分辨率正射底图。
光学遥感卫星包括高分辨率光学遥感卫星和中分辨率光学遥感卫星
预处理包括:对高分辨率光学遥感卫星采集的图像数据,进行大气校正、正射校正、图像融合和图像镶嵌等处理,并进行分幅裁剪,形成工作区高分辨率正射底图。
对中分辨率光学遥感卫星采集的图像数据,进行大气校正、正射校正和图像镶嵌等处理。
对合成孔径雷达遥感卫星采集的图像数据,进行辐射校正、多视处理、配准、斑点滤波和正射校正等处理,获取经过辐射校正后的标准雷达图像数据,即后向散射系数并几何校正后数据。
最后,以高分辨率正射底图为基准,将中分辨率光学遥感卫星采集的图像和合成孔径雷达遥感卫星采集的图像分别进行配准处理。
步骤二、利用GIS技术提取水稻种植区的边缘,在高分辨率正射底图上人工标绘种植区中各田块的边界,并将相关信息存储在属性表中。
属性表中存储的是各田块的地块归属、坐标和面积等属性字段信息。
步骤三、针对各水稻田块,用合成孔径雷达遥感卫星在进行水稻种植前采集一次图像;
步骤四、在水稻种植期间,合成孔径雷达遥感卫星再次对各个田块分别采集SAR影像,判断各个田块的SAR影像与种植前的图像中后向散射系数是否有变化,如果有,则该田块已经种植水稻,水稻种植时间即为SAR影像拍摄时间之前;否则,该田块没有种植水稻,水稻种植时间为SAR影像拍摄时间之后。
将各田块对应的水稻种植时间添加到对应的属性表中。
步骤五、针对各个田块,计算水稻生长周期内各田块的累积植被指数值∑MaxNDVI。
具体步骤如下:
步骤501、针对田块i,用中分辨率光学遥感卫星在生长周期的每个时间段内分别采集一次图像;
步骤502、针对某时间段采集的图像,分别计算该图像中每个像素的归一化植被指数值;
针对像素a,归一化植被指数的计算公式如下:
其中,RNIR为遥感图像中像素a的近红外波段反射率,RR为遥感图像中像素a的红外波段反射率。
步骤503、从该图像中所有像素的归一化植被指数值中选择最大值,作为田块i在该时间段内的植被指数值;
同理得到田块i在水稻生长周期的各时间段内的植被指数值;
步骤504、针对田块i,将水稻生长周期各个时间段内所有的植被指数值进行累积求和,记为∑MaxNDVIi。
步骤六、随机抽选若干分布均衡且具有代表性的水稻田块作为样本进行人工采样测产,人工获取各样本田块的水稻测产亩产量。
确保种植时间前后的水稻田块的有效样本分别不少4个;
步骤七、根据各样本田块的水稻测产亩产量和各田块的累积植被指数值∑MaxNDVI,建立以水稻种植时间为分时区的水稻估产模型。
具体为:首先,根据水稻种植时间将各样本分为两个时区:分别为SAR影像拍摄时间之前和SAR影像拍摄时间之后;
然后,将所有样本的水稻测产亩产量和各样本对应的累积植被指数值∑MaxNDVI进行相关性拟合;并求解线性回归系数,从而建立水稻分时区的估产模型。
利用线性拟合关系表达的水稻估产模型如下:
水稻种植日期在SAR影像拍摄时间之前的水稻估产模型为:Y=a*X+b;
水稻种植日期在SAR影像拍摄时间之后的水稻估产模型为::Y=c*X+d;
其中,Y为人工测产获得各样本田地的亩产量,单位kg;X为样本田块累积植被指数值∑MaxNDVI;a、b、c和d分别为待求解的线性回归系数。
步骤八、利用水稻估产模型,计算除去样本外的剩余各水稻田块的预估产量;
本发明的优点在于:
1)、一种基于SAR和光学遥感数据的水稻精细化估产方法,基于高分辨率光学正射图像获取高精度水稻田块图斑,在此基础上利用中高分辨率光学遥感图像进行归一化植被指数计算,将它们各自的时间和空间分辨率优势融合起来,提高了模型的估算精度。
2)、一种基于SAR和光学遥感数据的水稻精细化估产方法,根据水稻田块图斑,判断田块对应合成孔径雷达图像中后向散射系数的变化,区分水稻种植时间,构建了分时水稻估产模型,很大程度上避免在统一估产模型下因水稻生长发育期不同而造成的植被指数误差,使估产结果更加精确。
附图说明
图1为本发明一种基于SAR和光学遥感数据的水稻精细化估产方法的流程图。
具体实施方式
下面结合附图对本发明进行详细说明。
本发明所述的基于SAR和光学遥感数据的水稻精细估产方法如图1所示,包括以下步骤:
步骤一、针对某水稻种植区,分别利用光学遥感卫星和合成孔径雷达遥感卫星进行监测,获取多源多分辨率多时相监测影像,并对各图像进行预处理,制作种植区高分辨率正射底图。
根据遥感卫星数据的特点和数据获取时间等情况,结合监测要求和遥感数据分辨率属性,合理选择遥感数据源。遥感数据源包括中、高分辨率光学遥感卫星数据和合成孔径雷达遥感卫星数据。
要求高分辨率光学卫星数据能够全覆盖水稻种植区域范围,中分辨率光学遥感卫星数据和合成孔径雷达遥感卫星数据单次成像能够覆盖水稻种植区域范围。
预处理包括:对高分辨率光学遥感卫星采集的图像数据,进行大气校正、正射校正、图像融合和图像镶嵌等处理,并进行分幅裁剪,形成工作区高分辨率正射底图。
对中分辨率光学遥感卫星采集的图像数据,进行大气校正、正射校正和图像镶嵌等处理。
对合成孔径雷达遥感卫星采集的图像数据,进行辐射校正、多视处理、配准、斑点滤波和正射校正等处理,获取经过辐射校正后的标准雷达图像数据,即后向散射系数并几何校正后数据。
最后,以高分辨率正射底图为基准,将中分辨率光学遥感卫星采集的图像和合成孔径雷达遥感卫星采集的图像分别进行配准处理。
步骤二、利用GIS技术提取水稻种植区的边缘,在高分辨率正射底图上人工标绘种植区中各田块的边界,并将相关信息存储在属性表中。
采用GIS软件进行人工解译或者计算机辅助提取高分辨率图像中水稻种植范围的边缘,在高分辨率正射底图上人工标绘各种植区的田块边界,并在属性表中建立相应的地块归属、坐标、面积等属性字段,从而获取水稻种植面积及相关地理空间信息。将解译成果进行边界修正、拼接、拓扑检查、修改,确保水稻田块图斑数据无自相交、缝隙、重叠等错误。
步骤三、针对各水稻田块,用合成孔径雷达遥感卫星在进行水稻种植前采集一次图像;
步骤四、在水稻种植期间,合成孔径雷达遥感卫星再次对各个田块分别采集SAR影像,判断各个田块的SAR影像与种植前的图像中后向散射系数是否有变化,如果有,则该田块已经种植水稻,水稻种植时间即为SAR影像拍摄时间之前;否则,该田块没有种植水稻,水稻种植时间为SAR影像拍摄时间之后。
在水稻种植前后获取的多时相合成孔径雷达图像中,利用水稻位置提取对应的多时相图像的后向散射系数,结合水体的微波散射特性差异,通过对各期合成孔径雷达图像的雷达后向散射系数进行阈值分割,提取水稻田块灌水信息,进而区分水稻种植时间,并将该信息添加到属性表。
步骤五、针对各个田块,计算水稻生长周期内各田块的累积植被指数值∑MaxNDVI。
具体步骤如下:
步骤501、针对田块i,用中分辨率光学遥感卫星在生长周期的每个时间段内分别采集一次图像;
步骤502、针对某时间段采集的图像,分别计算该图像中每个像素的归一化植被指数值;
针对像素a,归一化植被指数的计算公式如下:
其中,RNIR为遥感图像中像素a的近红外波段反射率,RR为遥感图像中像素a的红外波段反射率。
步骤503、从该图像中所有像素的归一化植被指数值中选择最大值,作为田块i在该时间段内的植被指数值;
同理得到田块i在水稻生长周期的各时间段内的植被指数值;
步骤504、针对田块i,将水稻生长周期各个时间段内所有的植被指数值进行累积求和,记为∑MaxNDVIi。
步骤六、根据水稻田块位置和种植时间,实地随机抽选若干分布均衡且具有代表性的水稻田块作为样本进行人工采样测产,人工获取各样本田块的水稻测产亩产量。
考虑降低气候、水稻品种和培育方式等因素对水稻产量的影响,采用当年产量具有实时性、可靠性等优势,能有效提高建模精度。首先,根据随机抽样的原则,选取工作区内分布均衡、种植时间和植被指数各有差异的水稻田块作为样本进行人工采样,再根据农学估算方法,处理采集的水稻样本数据,分别得到各样本田块的水稻亩产量。
确保种植时间前后的水稻田块的有效样本分别不少于4个;
步骤七、根据各样本田块的水稻测产亩产量和各田块的累积植被指数值∑MaxNDVI,建立以水稻种植时间为分时区的水稻估产模型。
具体为:首先,根据水稻种植时间将中分辨率光学遥感卫星采集的各图像样本分为两个时区:分别为SAR影像拍摄时间之前和SAR影像拍摄时间之后;
然后,将所有样本的水稻测产亩产量和各样本对应的累积植被指数值∑MaxNDVI进行相关性拟合;并求解线性回归系数,从而建立水稻分时区的估产模型。
利用线性拟合关系表达的水稻估产模型如下:
水稻种植日期在SAR影像拍摄时间之前的水稻估产模型为:Y=a*X+b;
水稻种植日期在SAR影像拍摄时间之后的水稻估产模型为::Y=c*X+d;
其中,Y为人工测产获得各样本田地的亩产量,单位kg;X为样本田块累积植被指数值∑MaxNDVI;a、b、c和d分别为待求解的线性回归系数。
最后,利用建模样本外的水稻测产亩产量数据作为验证数据,对上述测产模型进行估产精度验证。
根据建模以外样本田块的累积植被指数和分时区估产模型,分别计算样本田块的亩产量,该计算结果与样本田块水稻测产亩产量进行误差分析,验证本方法的估产精度。
步骤八、利用水稻估产模型,计算除去样本外的剩余各水稻田块的预估产量;
根据所有田块的累积植被指数和分时区估产模型,分别计算得到全部水稻田块对应的亩产量,结合各田块的种植面积,计算得到卫星遥感估产的总产量。其中面积过小或植被指数异常的田地,不纳入计算统计。
实施例
下面选取四川某地2019年水稻收入保险项目为例,对本发明提供的基于光学和SAR遥感数据的水稻遥感估产方法进行说明。
根据项目总体要求及技术指标,进行基础资料收集,主要包括光学卫星数据、雷达卫星数据及相关矢量数据,并进行遥感数据预处理。利用高分二号光学遥感卫星数据生成分辨率优于1m的工作区遥感影像正射底图,以此为基础,在GIS软件中解译水稻田图斑,并添加相关属性信息到属性表;利用经过处理的哨兵1号合成孔径雷达数据,结合水体微波散射特性进行阈值分割,获取水稻种植时间;利用经过处理的哨兵2号中分辨率光学数据,根据水稻生长周期内对应影像计算相应的累积归一化植被指数;根据人工采集的样本处理结果,选择部分样本产量结果作为建模样本数据,结合水稻种植时间区分结果,分别对样本田块产量及对应的累积归一化植被指数进行相关性拟合,建立分时估产模型,得到田块亩产量(Y,单位kg/亩)与植被指数X的线性拟合关系式为:①种植期在4月25日之前:Y=855.61*X-106.2;②种植期在4月25日及其后:Y=837.56*X-25.354;根据估产模型计算得到工作区水稻田块产量,并以建模外的其余样本数据对计算得到的田块产量进行对比分析,验证估产模型的精度,结果见表1。
表1
由表1可知:估产结果平均绝对误差率4.59%,其中,8个样本绝对误差率小于5%,2个样本绝对误差率大于5%;若剔除2个误差率过大的异常值,则样本校验平均误差率为2.37%。同时,最终估产结果与农户电话回访得到的实际收割亩产量有较好的一致性,说明本方法卫星遥感估产模型具有比较高的精度,估产结果真实、可靠。
上述实例的结果说明利用本发明提出的方法,进行水稻卫星遥感估产建立的估产模型及估产结果都具有比较高的精度,满足大比例尺农业生产应用需求,为微观尺度上的水稻产量估计提供了有效的技术支撑,具有较好的实际生产应用价值。
Claims (4)
1.基于SAR和光学遥感数据的水稻精细化估产方法,其特征在于,包括如下步骤:
步骤一、针对某水稻种植区,分别利用光学遥感卫星和合成孔径雷达遥感卫星进行监测,获取各监测影像进行预处理,并制作种植区高分辨率正射底图;
步骤二、利用GIS技术提取水稻种植区的边缘,在高分辨率正射底图上人工标绘种植区中各田块的边界,并将相关信息存储在属性表中;
属性表中存储的是各田块的地块归属、坐标和面积;
步骤三、针对各水稻田块,用合成孔径雷达遥感卫星在进行水稻种植前采集一次图像;
步骤四、在水稻种植期间,合成孔径雷达遥感卫星再次对各个田块分别采集SAR影像,判断各个田块的SAR影像与种植前的图像中后向散射系数是否有变化,如果有,则该田块已经种植水稻,水稻种植时间即为SAR影像拍摄时间之前;否则,该田块没有种植水稻,水稻种植时间为SAR影像拍摄时间之后;
将各田块对应的水稻种植时间添加到对应的属性表中;
步骤五、针对各个田块,计算水稻生长周期内各田块的累积植被指数值∑maxNDVI;
具体步骤如下:
步骤501、针对田块i,用中分辨率光学遥感卫星在生长周期的每个时间段内分别采集一次图像;
步骤502、针对某时间段采集的图像,分别计算该图像中每个像素的归一化植被指数值;
针对像素a,归一化植被指数的计算公式如下:
其中,RNIR为遥感图像中像素a的近红外波段反射率,RR为遥感图像中像素a的红外波段反射率;
步骤503、从该图像中所有像素的归一化植被指数值中选择最大值,作为田块i在该时间段内的植被指数值;
同理得到田块i在水稻生长周期的各时间段内的植被指数值;
步骤504、针对田块i,将水稻生长周期各个时间段内所有的植被指数值进行累积求和,记为∑MaxNDVIi;
步骤六、随机抽选若干分布均衡的水稻田块作为样本进行人工采样测产,人工获取各样本田块的水稻测产亩产量;
确保种植时间前后的水稻田块的有效样本分别不少4个;
步骤七、根据各样本田块的水稻测产亩产量和各田块的累积植被指数值∑MaxNDVI,建立以水稻种植时间为分时区的水稻估产模型;
步骤八、利用水稻估产模型,计算除去样本外的剩余各水稻田块的预估产量。
2.如权利要求1所述的基于SAR和光学遥感数据的水稻精细化估产方法,其特征在于,所述的步骤一中光学遥感卫星包括高分辨率光学遥感卫星和中分辨率光学遥感卫星。
3.如权利要求1所述的基于SAR和光学遥感数据的水稻精细化估产方法,其特征在于,步骤一中所述的预处理包括:
对高分辨率光学遥感卫星采集的图像数据,进行大气校正、正射校正、图像融合和图像镶嵌处理,并进行分幅裁剪,形成工作区高分辨率正射底图;
对中分辨率光学遥感卫星采集的图像数据,进行大气校正、正射校正和图像镶嵌处理;
对合成孔径雷达遥感卫星采集的图像数据,进行辐射校正、多视处理、配准、斑点滤波和正射校正处理,获取经过辐射校正后的标准雷达图像数据,即后向散射系数并几何校正后数据;
最后,以高分辨率正射底图为基准,将中分辨率光学遥感卫星采集的图像和合成孔径雷达遥感卫星采集的图像分别进行配准处理。
4.如权利要求1所述的基于SAR和光学遥感数据的水稻精细化估产方法,其特征在于,所述的步骤七具体为:
首先,根据水稻种植时间将各样本分为两个时区:分别为SAR影像拍摄时间之前和SAR影像拍摄时间之后;
然后,将所有样本的水稻测产亩产量和各样本对应的累积植被指数值∑MaxNDVI进行相关性拟合;并求解线性回归系数,从而建立水稻分时区的估产模型;
利用线性拟合关系表达的水稻估产模型如下:
水稻种植日期在SAR影像拍摄时间之前的水稻估产模型为:Y=a*X+b;
水稻种植日期在SAR影像拍摄时间之后的水稻估产模型为:Y=c*X+d;
其中,Y为人工测产获得各样本田地的亩产量,单位kg;X为样本田块累积植被指数值∑MaxNDVI;a、b、c和d分别为待求解的线性回归系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010143998.6A CN111368736B (zh) | 2020-03-04 | 2020-03-04 | 基于sar和光学遥感数据的水稻精细化估产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010143998.6A CN111368736B (zh) | 2020-03-04 | 2020-03-04 | 基于sar和光学遥感数据的水稻精细化估产方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368736A CN111368736A (zh) | 2020-07-03 |
CN111368736B true CN111368736B (zh) | 2020-12-01 |
Family
ID=71210248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010143998.6A Active CN111368736B (zh) | 2020-03-04 | 2020-03-04 | 基于sar和光学遥感数据的水稻精细化估产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368736B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112433213B (zh) * | 2020-10-21 | 2023-05-23 | 中国电子科技集团公司第二十九研究所 | 一种sar干涉测量结果与光学影像位置偏移综合纠正方法 |
CN112711989B (zh) * | 2020-12-15 | 2024-03-05 | 中国农业大学 | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 |
CN112819846B (zh) * | 2021-01-27 | 2021-09-21 | 成都四象纵横遥感科技有限公司 | 面向多云雨地区的基于多载荷遥感图像的水稻估产方法 |
CN114627148B (zh) * | 2021-07-05 | 2024-01-02 | 广东省科学院广州地理研究所 | 一种基于微波遥感的海岸带养殖水体对象提取方法及装置 |
CN113963268B (zh) * | 2021-10-19 | 2022-06-28 | 成都四象纵横遥感科技有限公司 | 一种针对大型工程建设的施工状态变化监测方法 |
CN114529826B (zh) * | 2022-04-24 | 2022-08-30 | 江西农业大学 | 一种基于遥感影像数据的水稻估产方法、装置及设备 |
CN115830442B (zh) * | 2022-11-11 | 2023-08-04 | 中国科学院空天信息创新研究院 | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 |
CN115761486A (zh) * | 2022-11-15 | 2023-03-07 | 重庆市地理信息和遥感应用中心 | 一种基于多期稻田影像特征的水稻种植区判定方法和系统 |
CN116563720B (zh) * | 2023-07-12 | 2023-10-03 | 华中师范大学 | 协同光学-微波物候特征的单双季水稻样本自动生成方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102162850A (zh) * | 2010-04-12 | 2011-08-24 | 江苏省农业科学院 | 基于模型的小麦产量遥感监测预报方法 |
CN110686591A (zh) * | 2019-10-14 | 2020-01-14 | 潍坊中科晶上智能装备研究院有限公司 | 一种基于农机gps定位数据的农田作业面积测算方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7047133B1 (en) * | 2003-01-31 | 2006-05-16 | Deere & Company | Method and system of evaluating performance of a crop |
CN100394212C (zh) * | 2005-08-19 | 2008-06-11 | 广州地理研究所 | 一种大面积作物种植面积及其产量的遥感检测估算方法 |
US9875430B1 (en) * | 2016-03-30 | 2018-01-23 | Descartes Labs, Inc. | Iterative relabeling using spectral neighborhoods |
CN108509836B (zh) * | 2018-01-29 | 2021-10-08 | 中国农业大学 | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 |
-
2020
- 2020-03-04 CN CN202010143998.6A patent/CN111368736B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102162850A (zh) * | 2010-04-12 | 2011-08-24 | 江苏省农业科学院 | 基于模型的小麦产量遥感监测预报方法 |
CN110686591A (zh) * | 2019-10-14 | 2020-01-14 | 潍坊中科晶上智能装备研究院有限公司 | 一种基于农机gps定位数据的农田作业面积测算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111368736A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
Zhou et al. | Perspective of Chinese GF-1 high-resolution satellite data in agricultural remote sensing monitoring | |
CN111598019B (zh) | 基于多源遥感数据的作物类型与种植模式识别方法 | |
Liu et al. | Large-scale crop mapping from multisource remote sensing images in google earth engine | |
CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
CN112819846B (zh) | 面向多云雨地区的基于多载荷遥感图像的水稻估产方法 | |
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 | |
CN109508633B (zh) | 一种基于光学遥感数据的甘蔗分布识别方法 | |
Li et al. | Estimating aboveground and organ biomass of plant canopies across the entire season of rice growth with terrestrial laser scanning | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN109063553A (zh) | 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 | |
Xu et al. | Classification method of cultivated land based on UAV visible light remote sensing | |
CN111738066A (zh) | 综合多源遥感信息的网格化水稻纹枯病生境评价方法 | |
Dong et al. | Using RapidEye imagery to identify within-field variability of crop growth and yield in Ontario, Canada | |
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 | |
Huang et al. | Early mapping of winter wheat in Henan province of China using time series of Sentinel-2 data | |
CN115861629A (zh) | 一种高分耕地影像提取方法 | |
Boschetti et al. | Estimation of rice production at regional scale with a Light Use Efficiency model and MODIS time series. | |
CN114821360A (zh) | 作物叶面积指数智能化提取方法、装置及电子设备 | |
Chu et al. | Estimation of winter wheat phenology under the influence of cumulative temperature and soil salinity in the Yellow River Delta, China, using MODIS time-series data | |
Zhu et al. | UAV flight height impacts on wheat biomass estimation via machine and deep learning | |
TAO et al. | Fusing multi-source data to map spatio-temporal dynamics of winter rape on the Jianghan Plain and Dongting Lake Plain, China | |
WO2023131949A1 (en) | A versatile crop yield estimator | |
CN115830464A (zh) | 基于多源数据的高原山地农业大棚自动提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |