CN111583050B - 融合多尺度遥感影像的农作物病虫害预警方法及系统 - Google Patents
融合多尺度遥感影像的农作物病虫害预警方法及系统 Download PDFInfo
- Publication number
- CN111583050B CN111583050B CN202010045073.8A CN202010045073A CN111583050B CN 111583050 B CN111583050 B CN 111583050B CN 202010045073 A CN202010045073 A CN 202010045073A CN 111583050 B CN111583050 B CN 111583050B
- Authority
- CN
- China
- Prior art keywords
- data
- pest
- disease
- meteorological
- crop
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 83
- 201000010099 disease Diseases 0.000 title claims abstract description 74
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011160 research Methods 0.000 claims abstract description 22
- 230000000873 masking effect Effects 0.000 claims abstract description 17
- 238000013210 evaluation model Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 241000238631 Hexapoda Species 0.000 claims description 28
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000001717 pathogenic effect Effects 0.000 claims description 3
- 244000038559 crop plants Species 0.000 claims description 2
- 208000015181 infectious disease Diseases 0.000 claims 2
- 238000007619 statistical method Methods 0.000 claims 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 241000209140 Triticum Species 0.000 description 10
- 235000021307 Triticum Nutrition 0.000 description 10
- 241000196324 Embryophyta Species 0.000 description 7
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 101000794020 Homo sapiens Bromodomain-containing protein 8 Proteins 0.000 description 3
- 101001006782 Homo sapiens Kinesin-associated protein 3 Proteins 0.000 description 3
- 101000615355 Homo sapiens Small acidic protein Proteins 0.000 description 3
- WGKGADVPRVLHHZ-ZHRMCQFGSA-N N-[(1R,2R,3S)-2-hydroxy-3-phenoxazin-10-ylcyclohexyl]-4-(trifluoromethoxy)benzenesulfonamide Chemical compound O[C@H]1[C@@H](CCC[C@@H]1N1C2=CC=CC=C2OC2=C1C=CC=C2)NS(=O)(=O)C1=CC=C(OC(F)(F)F)C=C1 WGKGADVPRVLHHZ-ZHRMCQFGSA-N 0.000 description 3
- 102100021255 Small acidic protein Human genes 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 208000022602 disease susceptibility Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及测绘遥感技术领域，尤其涉及一种融合多尺度遥感影像的农作物病虫害预警方法及系统。所述方法包括：提取目标农作物分布数据；进行田块分割提取地块矢量数据；提取关键卫星气象数据代入病虫害气象指数评价模型，逐旬计算所述研究区内病虫害发病指数；通过农作物分布数据对各旬病虫害发病指数执行掩膜操；将执行掩膜操作后的各旬病虫害发病指数作为属性挂接至地块矢量数据属性表中。所述系统包括农作物分布数据模块、地块矢量数据模块，气象指数计算模块和数据输出模块；本发明实施例通过农作物分布数据对各旬病虫害发病指数执行掩膜操作后精准挂接至地块矢量数据属性表中，获得各地块的病虫害发病指数，满足地块精细化管理与监控要求。
Description
技术领域
本发明涉及测绘遥感技术领域，尤其涉及一种融合多尺度遥感影像的农作物病虫害预警方法及系统。
背景技术
农业中很多农作物产量低都是由于病虫害的发生而造成的，做病虫害的防治工作就显得尤为的重要了；近些年随着现代农业的推进，针对于农业中的病虫害问题，建立农作物病虫害数字化监测预警系统对防治病害虫取得了一定效果。
目前对虫害监测预警系统通常依靠基层植保技术人员进行大范围普查，以监测苗情、病情和墒情；结合当地气象站点观测数据与病虫害发生程度建立相关关系，从气象方面实现对农作物的病虫害预警。
现有技术的不足之处在于：
1、受制于气象站点的分布密度、基础数据源单一和数据源的精度等技术难题，只能提供省市级别甚至更大范围的监测结果或者离散点式的预警数据，很少能提供田间地块级别的病虫害发生指数，对精细管理与监控程度不够；
2、依靠基层植保技术人员进行大范围普查和当地气象站点观测数据，无法展开区域连续性的预警防控工作，建立的相关模型也不能实现关键期内的实时预报，所以该方法在准确性、实时性、空间连续性上难以满足业务需求。
发明内容
为克服现有技术存在的问题，本发明实施例提供一种融合多尺度遥感影像的农作物病虫害预警方法及系统，实现田块精细化管理与监控要求。
一方面，本发明实施提供一种融合多尺度遥感影像的农作物病虫害预警方法，包括以下步骤：
S1，提取目标农作物分布数据；具体包括：结合高分卫星16米数据影像和实地调查数据，生成研究区内高分辨率的农作物分布数据；
S2，进行田块分割提取地块矢量数据；具体包括：基于0.5米卫星影像数据，采用深度学习的边缘检测方法进行田块分割，生成所述研究区的地块矢量数据；
S3，提取关键卫星气象数据代入病虫害气象指数评价模型，逐旬计算所述研究区内病虫害发病指数；
S4，通过所述农作物分布数据对各旬所述病虫害发病指数执行掩膜操作；
S5，将执行掩膜操作后的各旬所述病虫害发病指数作为属性挂接至所述地块矢量数据属性表中。
另一方面，本发明提供一种融合多尺度遥感影像的农作物病虫害预警系统，包括：
农作物分布数据模块，提取目标农作物分布数据；具体包括：结合高分卫星16米数据影像和实地调查数据，生成研究区内高分辨率的农作物分布数据；
地块矢量数据模块，进行田块分割提取地块矢量数据；具体包括：基于0.5米卫星影像数据，采用深度学习的边缘检测方法进行田块分割，生成所述研究区的地块矢量数据；
气象指数计算模块，提取关键卫星气象数据代入病虫害气象指数评价模型，逐旬计算所述研究区内病虫害发病指数；
数据输出模块，通过所述农作物分布数据对各旬所述病虫害发病指数执行掩膜操作；将执行掩膜操作后的各旬所述病虫害发病指数作为属性挂接至所述地块矢量数据属性表中。
本发明实施例一种融合多尺度遥感影像的农作物病虫害预警方法及系统，通过农作物分布数据对各旬病虫害发病指数执行掩膜操作后精准挂接至地块矢量数据属性表中，获得各地块各旬的病虫害发病指数，满足现代农业提出的地块精细化管理与监控要求。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种融合多尺度遥感影像的农作物病虫害预警方法流程示意图；
图2为本发明实施例2019年度湖北省汉川市冬小麦种植分布数据图；
图3为本发明实施例2019年湖北省汉川市冬小麦条锈病发生指数图；
图4为本发明实施例2019年度湖北省汉川市杨林沟镇田块分割数据图
图5为本发明实施例2019年湖北省汉川市杨林沟镇田块级别的冬小麦条锈病预警专题图；
图6为本发明实施例一种融合多尺度遥感影像的农作物病虫害预警系统结构示意图；
附图标记：
农作物分布数据模块-1地块矢量数据模块-2气象指数计算模块-3
数据输出模块-4。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
图1为本发明实施例一种融合多尺度遥感影像的农作物病虫害预警方法流程示意图；如图1所示，包括以下步骤：
S1，提取目标农作物分布数据；具体包括：结合高分卫星16米数据影像和实地调查数据，生成研究区内高分辨率的农作物分布数据；
S2，进行田块分割提取地块矢量数据；具体包括：基于0.5米卫星影像数据，采用深度学习的边缘检测方法进行田块分割，生成所述研究区的地块矢量数据；
S3，提取关键卫星气象数据代入病虫害气象指数评价模型，逐旬计算所述研究区内病虫害发病指数；
S4，通过所述农作物分布数据对各旬所述病虫害发病指数执行掩膜操作；
S5，将执行掩膜操作后的各旬所述病虫害发病指数作为属性挂接至所述地块矢量数据属性表中。
进一步地，所述步骤S3具体包括用克里金插值方法将所述关键卫星气象数据插值为10米分辨率后代入所述病虫害气象指数评价模型。
具体地，该方法首先利用高分一号(GF1)卫星16米数据影像和实地调查数据，采用监督分类法，提取目标农作物分布数据；再利用谷歌影像0.5米数据依靠深度学习的边缘检测方法提取地块分割矢量文件，之后利用高时间分辨率(3小时)的SMAP和TRMM卫星影像数据，近实时提取研究区内气温、气压、比湿、降水和风速等病虫害关键气象数据，并用克里金(krige)插值方法将关键气象数据插值为10米分辨率，然后将关键气象数据代入病虫害气象指数评价模型，逐旬生成病虫害发病指数；气象指数评价模型为百分比模型，具体包括在农作物易感病时段内，以旬为周期，将关键气象数据代入利用数理统计方法建立的气象数据致病日贡献值公式，计算得到周期内关键气象数据对作物染病的日贡献值，继而求取旬均值，之后利用气象数据综合评价公式，生成该周期内的病虫害发病指数，最后依据各周期的病虫害发病指数计算生成监测时段内的病虫害发生指数均值；最后利用目标农作物分布数据对各旬病虫害发病指数执行掩膜操作，将目标农作物的病虫害发病指数精准挂接至地块分割矢量文件，获得各地块的病虫害发病指数，满足现代农业提出的地块精细化管理与监控要求。
例如，利用高分一号(GF1)卫星16米影像数据和实地调查数据，采用监督分类法，提取汉川市冬小麦种植分布数据，图2为2019年度湖北省汉川市冬小麦种植分布数据图；再利用谷歌影像0.5米数据依靠深度学习的边缘检测方法提取汉川市杨林沟镇田块分割数据图，图4为本发明实施例2019年度湖北省汉川市杨林沟镇田块分割数据图；利用高时间分辨率(3小时)的SMAP和TRMM卫星影像数据，近实时提取汉川市内气温、气压、比湿、降水和风速等病虫害关键气象要素数据，用克里金(krige)插值方法将气象关键数据插值为10米分辨率，然后将关键气象要素代入病虫害气象指数评价模型，逐旬生成汉川市冬小麦条锈病发生指数图，如图3所示；利用汉川市冬小麦种植分布数据对其各旬冬小麦条锈病发生指数执行掩膜操作，进行特征匹配；将执行掩膜操作后的各旬冬小麦条锈病发生指数作为属性挂接至地块矢量数据属性表中，生成如图5所示的2019年湖北省汉川市杨林沟镇田块级别的冬小麦条锈病预警专题图，实现农田精细化管理与监控。
基于上述实施例，图6为本发明实施例一种融合多尺度遥感影像的农作物病虫害预警系统结构示意图；如图6所示，包括：
农作物分布数据模块1，提取目标农作物分布数据；具体包括：结合高分卫星16米数据影像和实地调查数据，生成研究区内高分辨率的农作物分布数据；
地块矢量数据模块2，进行田块分割提取地块矢量数据；具体包括：基于0.5米卫星影像数据，采用深度学习的边缘检测方法进行田块分割，生成所述研究区的地块矢量数据；
气象指数计算模块3，提取关键卫星气象数据代入病虫害气象指数评价模型，逐旬计算所述研究区内病虫害发病指数；
数据输出模块4，通过所述农作物分布数据对各旬所述病虫害发病指数执行掩膜操作；将执行掩膜操作后的各旬所述病虫害发病指数作为属性挂接至所述地块矢量数据属性表中。
本发明实施例一种融合多尺度遥感影像的农作物病虫害预警系统执行上述方法，通过农作物分布数据对各旬病虫害发病指数执行掩膜操作后精准挂接至地块矢量数据属性表中，获得各地块各旬的病虫害发病指数，满足现代农业提出的地块精细化管理与监控要求；通过多尺度遥感卫星影像数据提取，保证了的实时性、精确性、空间连续性；SMAP和TRMM卫星数据免费，不需要通过购置相关仪器获取气象数据，降低成本。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种融合多尺度遥感影像的农作物病虫害预警方法，其特征在于，包括以下步骤：
S1，提取目标农作物分布数据；具体包括：结合高分卫星16米数据影像和实地调查数据，生成研究区内高分辨率的农作物分布数据；
S2，进行田块分割提取地块矢量数据；具体包括：基于0.5米卫星影像数据，采用深度学习的边缘检测方法进行田块分割，生成所述研究区的地块矢量数据；
S3，提取关键卫星气象数据代入病虫害气象指数评价模型，逐旬计算所述研究区内病虫害发病指数；具体为：提取研究区内气温、气压、比湿、降水和风速病虫害关键气象数据，在农作物易感病时段内，以旬为周期，将关键气象数据代入利用数理统计方法建立的气象数据致病日贡献值公式，计算得到周期内关键气象数据对作物染病的日贡献值，继而求取旬均值，之后利用气象数据综合评价公式，生成该周期内的病虫害发病指数，最后依据各周期的病虫害发病指数计算生成监测时段内的病虫害发生指数均值；
S4，通过所述农作物分布数据对各旬所述病虫害发病指数执行掩膜操作；
S5，将执行掩膜操作后的各旬所述病虫害发病指数作为属性挂接至所述地块矢量数据属性表中。
2.根据权利要求1所述的一种融合多尺度遥感影像的农作物病虫害预警方法，其特征在于，所述步骤S3具体包括用克里金插值方法将所述关键卫星气象数据插值为10米分辨率后代入所述病虫害气象指数评价模型。
3.一种融合多尺度遥感影像的农作物病虫害预警系统，其特征在于，包括：
农作物分布数据模块，提取目标农作物分布数据；具体包括：结合高分卫星16米数据影像和实地调查数据，生成研究区内高分辨率的农作物分布数据；
地块矢量数据模块，进行田块分割提取地块矢量数据；具体包括：基于0.5米卫星影像数据，采用深度学习的边缘检测方法进行田块分割，生成所述研究区的地块矢量数据；
气象指数计算模块，提取关键卫星气象数据代入病虫害气象指数评价模型，逐旬计算所述研究区内病虫害发病指数；具体为：提取研究区内气温、气压、比湿、降水和风速病虫害关键气象数据，在农作物易感病时段内，以旬为周期，将关键气象数据代入利用数理统计方法建立的气象数据致病日贡献值公式，计算得到周期内关键气象数据对作物染病的日贡献值，继而求取旬均值，之后利用气象数据综合评价公式，生成该周期内的病虫害发病指数，最后依据各周期的病虫害发病指数计算生成监测时段内的病虫害发生指数均值；
数据输出模块，通过所述农作物分布数据对各旬所述病虫害发病指数执行掩膜操作；将执行掩膜操作后的各旬所述病虫害发病指数作为属性挂接至所述地块矢量数据属性表中。
4.根据权利要求3所述的一种融合多尺度遥感影像的农作物病虫害预警系统，其特征在于，所述气象指数计算模块具体包括用克里金插值方法将所述关键卫星气象数据插值为10米分辨率后代入所述病虫害气象指数评价模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010045073.8A CN111583050B (zh) | 2020-01-16 | 2020-01-16 | 融合多尺度遥感影像的农作物病虫害预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010045073.8A CN111583050B (zh) | 2020-01-16 | 2020-01-16 | 融合多尺度遥感影像的农作物病虫害预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111583050A CN111583050A (zh) | 2020-08-25 |
| CN111583050B true CN111583050B (zh) | 2022-10-14 |
Family
ID=72111376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010045073.8A Active CN111583050B (zh) | 2020-01-16 | 2020-01-16 | 融合多尺度遥感影像的农作物病虫害预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111583050B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381951A (zh) * | 2020-11-20 | 2021-02-19 | 北京林业大学 | 一种松材线虫病成灾率的空间格网化方法 |
| CN112949917A (zh) * | 2021-02-20 | 2021-06-11 | 廖廓 | 基于气象数据的茶叶茶小绿叶蝉虫害预警方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2012241119A1 (en) * | 1999-07-21 | 2012-11-01 | Dow Agrosciences Llc | Pest control techniques |
| CN110335158A (zh) * | 2019-06-24 | 2019-10-15 | 中国科学院遥感与数字地球研究所 | 农作物病虫害定损理赔方法及系统 |
-
2020
- 2020-01-16 CN CN202010045073.8A patent/CN111583050B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2012241119A1 (en) * | 1999-07-21 | 2012-11-01 | Dow Agrosciences Llc | Pest control techniques |
| CN110335158A (zh) * | 2019-06-24 | 2019-10-15 | 中国科学院遥感与数字地球研究所 | 农作物病虫害定损理赔方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| An evaluation of forest health insect and disease survey data and satellite-based remote sensing forest change detection methods: Case studies in the United States;Housman I W;《Remote Sensing》;20181231;第10卷(第8期);全文 * |
| 基于GIS的农作物病虫害预警系统的初步建立;罗菊花等;《农业工程学报》;20081230(第12期);全文 * |
| 基于TM影像的小麦全蚀病危害信息提取;乔红波等;《麦类作物学报》;20090715(第04期);全文 * |
| 基于多源数据融合的农作物病虫害监测技术研究;武洪峰;《现代化农业》;20150515(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111583050A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163472B (zh) | 大范围极端干旱应急监测与影响评估方法及系统 | |
| Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
| CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
| Liu et al. | Shifting farming–pastoral ecotone in China under climate and land use changes | |
| CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
| CN107392892B (zh) | 基于图像的玉米生育前期干旱胁迫自动识别方法 | |
| Sannier et al. | Real-time vegetation monitoring with NOAA-AVHRR in Southern Africa for wildlife management and food security assessment | |
| Lin et al. | Monitoring of winter wheat distribution and phenological phases based on MODIS time-series: A case study in the Yellow River Delta, China | |
| US20140099000A1 (en) | Device and method for detecting plantation rows | |
| CN111583050B (zh) | 融合多尺度遥感影像的农作物病虫害预警方法及系统 | |
| WO2023116454A1 (zh) | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 | |
| CN111784082B (zh) | 一种基于大数据的gis山洪预防预警系统 | |
| CN110427798A (zh) | 一种青菜智能识别及叶色环境变化预测的方法 | |
| CN113609899B (zh) | 基于遥感时序分析的退耕地信息定位显示系统 | |
| CN114612896B (zh) | 基于遥感图像的水稻产量预测方法、装置以及设备 | |
| CN111537668B (zh) | 基于气象卫星数据的作物病虫害遥感监测方法及装置 | |
| CN107437262B (zh) | 作物种植面积预警方法和系统 | |
| He et al. | Recognition of soybean pods and yield prediction based on improved deep learning model | |
| Yang et al. | Fraction vegetation cover extraction of winter wheat based on RGB image obtained by UAV | |
| Xie et al. | Investigating long-term trends of climate change and their spatial variations caused by regional and local environments through data mining | |
| CN118153802A (zh) | 遥感与多环境因素耦合的小麦关键物候期预测方法及装置 | |
| CN117854212A (zh) | 基于深度卷积神经网络与遥感图像的森林火灾监测方法 | |
| CN117455939A (zh) | 遥感卫星图像的耕地边界提取方法 | |
| Ji et al. | Integrating the temperature vegetation dryness index and meteorology parameters to dynamically predict crop yield with fixed date intervals using an integral regression model | |
| Zhou et al. | Modelling spatio-temporal pattern of landuse change using multi-temporal remotely sensed imagery |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221212 Address after: 572024 Area A042, Floor 4, Building 4, Baitai Industrial Park, Yazhou Bay Science and Technology City, Yazhou District, Sanya City, Hainan Province Patentee after: Sanya Jiahe Remote Sensing Technology Co.,Ltd. Address before: No. 88, 6th Floor, Building B3, Wuda Science and Technology Park, No. 3, Wudayuan Fourth Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province 430000 Patentee before: WUHAN JIAHE TECHNOLOGY CO.,LTD. |
|
| TR01 | Transfer of patent right |