CN111612777A - 一种基于叶片衰老失水指数的大豆制图方法 - Google Patents
一种基于叶片衰老失水指数的大豆制图方法 Download PDFInfo
- Publication number
- CN111612777A CN111612777A CN202010445924.8A CN202010445924A CN111612777A CN 111612777 A CN111612777 A CN 111612777A CN 202010445924 A CN202010445924 A CN 202010445924A CN 111612777 A CN111612777 A CN 111612777A
- Authority
- CN
- China
- Prior art keywords
- index
- vegetation
- growth
- soybean
- water
- 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.)
- Granted
Links
- 244000068988 Glycine max Species 0.000 title claims abstract description 54
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 54
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013507 mapping Methods 0.000 title claims abstract description 34
- 230000032683 aging Effects 0.000 title claims abstract description 8
- 208000005156 Dehydration Diseases 0.000 claims abstract description 44
- 230000014634 leaf senescence Effects 0.000 claims abstract description 18
- 238000011160 research Methods 0.000 claims description 30
- 101001057166 Homo sapiens Protein EVI2A Proteins 0.000 claims description 26
- 102100027246 Protein EVI2A Human genes 0.000 claims description 26
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 3
- 238000001701 resonant Auger electron spectroscopy Methods 0.000 claims 1
- 241000196324 Embryophyta Species 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 5
- 230000035800 maturation Effects 0.000 abstract 1
- 244000105624 Arachis hypogaea Species 0.000 description 5
- 240000008042 Zea mays Species 0.000 description 5
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 5
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 235000005822 corn Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 235000020232 peanut Nutrition 0.000 description 5
- 240000007594 Oryza sativa Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 244000061456 Solanum tuberosum Species 0.000 description 3
- 235000002595 Solanum tuberosum Nutrition 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 235000012015 potatoes Nutrition 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 230000035882 stress Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 208000003643 Callosities Diseases 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000011835 investigation Methods 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
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000009758 senescence Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/30—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)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于叶片衰老失水指数的大豆制图方法,该方法基于植被指数和短波红外水分胁迫指数的年内时序数据集,逐像元检测每个农作物生长周期内植被指数最大值所对应的数值盛期,进而确定农作物生长后期,锁定农作物生长峰值期和生长后期,设计生长峰值期植被水分比值指数,进而依据农作物生长后期植被指数与水分胁迫指数的变化幅度,建立叶片衰老失水指数,构建大豆制图方法流程与方法。相对其他农作物而言,大豆具有生长峰值期植被水分比值指数较大、叶片衰老失水指数数值较小的特点。该方法利用大豆在生长过程中植株水分变异特性,通过分析利用不同农作物成熟衰老过程中水分胁迫特征,进行农作物制图。具有鲁棒性好、分类精度高、自动化程度与抗干扰能力强等特点。
Description
方法领域
本发明涉及农作物制图技术,特别是一种基于叶片衰老失水指数的大豆制图方法。
背景方法
中国是世界上最大的大豆消费国。及时准确获取全国乃至全球大豆空间分布信息,对于我国掌控大豆进出口贸易主动权具有重要意义。传统的农作物面积调查方法,其时效性和覆盖面越来越难以满足我国农情监测的现势性需求。遥感影像具有时效性强、覆盖范围大的特点,在农作物面积监测中发挥着重要作用。近年来,基于时序遥感影像的农作物制图方法,在快速高效获取农作物面积与分布时空变化信息中发挥着越来越重要的作用。特别值得关注的是,通过分析挖掘不同农作物物候规律,提取植被物候特征参数,从而构建农作物制图方法,已经取得了很好的成效。然而,基于植被物候参数的农作物制图方法,面临的最大挑战在于由于不同区域复杂种植模式或年份差异导致的农作物时序影像的类内异质性。如何巧妙挖掘不同农作物在不同生长阶段绿度、叶片水分乃至色素的变化特征,构建能真正体现该农作物生长特性的指标参数,成为大范围长时序农作物遥感制图的前沿发展方向。
哨兵2号(Sentinel-2)作为新型光学遥感卫星,具有较高空间分辨率(10m)、高重访周期以及免费共享等多重优势,在农作物制图方面具有很好的应用潜力。本专利利用新型哨兵影像数据,构建植被指数和水分胁迫指数,通过分析探索大豆衰老成熟过程中水分胁迫规律,建立大豆制图方法。
发明内容
有鉴于此,本发明的目的是提供。
本发明采用以下方案实现:一种基于叶片衰老失水指数的大豆制图方法,包括以下步骤:
步骤S01:构建研究区植被指数、水分胁迫指数年内时序数据集;
步骤S02:剔除研究区非耕地像元;
步骤S03:逐像元获取每个农作物生长周期所对应的农作物生长后期;
步骤S04:构建农作物生长峰值期植被水分比值指数;
步骤S05:构建农作物生长后期叶片衰老失水指数;
步骤S06:建立大豆制图判别准则;
步骤S07:通过步骤S06的判别准则获得研究区大豆空间分布图。
进一步地,所述步骤S01的具体内容为,在研究年份内,逐像元按照观测次序依次计算植被指数EVI2、水分胁迫指数SIWSI,采用Whittaker Smoother方法进行平滑处理,逐像元构建研究区EVI2、SIWSI指数年内时序数据集;
其中,ρRed,ρNIR分别为哨兵影像的红光、近红外波段的反射率;
其中,ρnir、ρswir1表示哨兵影像近红外、短波红外波段的反射率。
进一步地,所述步骤S02的具体内容为,依据植被指数、水分胁迫指数年内时序数据集值域分布特征,剔除研究区非耕地区域;设置耕地像元的判断条件为:植被指数年内时序信号最大值A>θ1,水分胁迫指数年内时序信号最小值B<θ2,水分胁迫指数年内时序信号标准差C>θ3,判断为耕地像元;其中θ1、θ2、
θ3三个阈值均为常数。
进一步地,步骤S03中所述获取农作物生长后期的具体内容为,基于研究区植被指数数据集,逐像元获取植被指数时序曲线的最大值,依据植被指数时序曲线的最大值确定农作物生长峰值期,将农作物生长峰值期到成熟期这段时间,记录为农作物生长后期。
进一步地,所述步骤S04的具体内容为:
基于研究区植被指数、水分胁迫指数年内时序数据集,构建农作物生长峰值期植被水分比值指数,构建体现农作物长势最佳时水分状况,其表达式为:其中,EVI2h、SIWSIh分别表示农作物生长峰值期的增强型植被指数EVI2、水分胁迫指数SIWSI的数值。
进一步地,所述步骤S05的具体内容为:基于研究区植被指数、水分胁迫指数年内时序数据集,构建农作物生长后期叶片衰老失水指数,其表达式为:其中CV=EVI2h-EVI2e;Cs=SIWSIe-SIWSIh;CV,CS分别表示植被指数和水分胁迫指数在生长后期的变化幅度;EVI2h、EVI2e分别表示生长峰值期、成熟期的EVI2数值,SIWSIh、SIWSIe分别表示生长峰值期、成熟期的SIWSI数值。
进一步地,所述步骤S06的具体内容为:大豆制图判别准则为:如果RVWS>ω1并且RAES<ω2,则该像元为大豆,否则为其他农作物;ω1,ω2两个阈值均为常数。
与现有方法相比,本发明具有以下有益效果:
(1)本发明通过锁定最能体现农作物生长发育特性的关键物候期,即农作物生长后期,有效地排除了其他时段内信号的干扰。
(2)本发明通过综合植被指数和短波红外水分胁迫指数,构建农作物生长后期衰老失水指数,采用关键物候期内绿度与水分的相对变化量,能有效地排除不同区域农作物物候期推移、农作物长势差异等带来的类内异质性干扰,提高农作物制图精度。
(3)本发明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为本发明实施例的流程图。
图2为本发明实施例中大豆的EVI2、SIWSI指数的时序信号图。
图3为本发明实施例的中玉米的EVI2、SIWSI指数的时序信号图。
图4为本发明实施例的中花生的EVI2、SIWSI指数的时序信号图。
图5为本发明实施例的中研究区大豆空间分布图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有方法和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供一种基于叶片衰老失水指数的大豆制图方法,包括以下步骤:
步骤S01:构建研究区植被指数、水分胁迫指数年内时序数据集;
基于哨兵波段的反射率数据,依次计算植被指数、短波红外水分胁迫指数。植被指数,能有效地表征植被生长状态以及空间分布密度的因子。本实施例中采用增强型植被指数EVI2(2band Enhanced Vegetation Index),EVI2指数的计算公式为:
其中,ρRed,ρNIR分别为哨兵影像的红光(650-680nm)、近红外波段(785-899nm)的反射率。
短波红外水分胁迫指数(Shortwave InfraredWater Stress Index,简称SIWSI),能同时反映土壤湿度与叶片含水量变化。当地表处于裸露的状态时,SIWSI反映了土壤湿度变化;随着植被生长,地表逐渐被植被覆盖,SIWSI反映植被冠层含水量变化。短波红外水分胁迫指数SIWSI被证明对植被冠层水分状态的短期变化非常敏感。SIWSI值域范围为[-1,1]。如果SIWSI数值大于0,表示植被冠层水分受到胁迫,此时SIWSI数值越大表示水分含量越少;SIWSI数值小于0,表明植被冠层中有足够的水分进行光合作用,SIWSI数值越小表示水分含量越多。短波红外水分胁迫指数SIWSI的计算公式为:
其中,ρnir、ρswir1表示哨兵影像近红外(785-899nm)、短波红外波段(1565-1655nm)的反射率。
基于哨兵波段的反射率数据,在研究年份内逐像元逐景依次分别计算EVI2、SIWSI指数。在研究年份内,逐像元逐景按照观测次序依次检测遥感影像的云覆盖情况,剔除有云的观测值,形成该像元剔除云后的有效观测时序数据集。在此基础上,采用WhittakerSmoother数据平滑方法,对原始EVI2、SIWSI时序数据进行平滑处理,逐像元构建研究年份内研究区逐日连续平滑的EVI2、SIWSI指数时序数据集。本实施例中所构建的大豆、玉米、花生的EVI2、SIWSI指数的时序信号图,分别如图2、图3、图4所示。
步骤S02:剔除研究区非耕地像元;
步骤S03:逐像元获取每个农作物生长周期所对应的农作物生长后期;
步骤S04:构建农作物生长峰值期植被水分比值指数;
步骤S05:构建农作物生长后期叶片衰老失水指数;
步骤S06:建立大豆制图判别准则;
步骤S07:通过步骤S06的判别准则获得研究区大豆空间分布图。
在本实施例中,所述步骤S02的具体内容为,利用土地现状图,或者依据植被指数、水分胁迫指数值域分布特征,剔除研究区非耕地区域;逐像元从步骤S01构建的植被指数年内时序数据集,通过排序获得植被指数年内时序信号的最大值;同时逐像元从水分胁迫指数年内时序数据集,通过排序获得水分胁迫指数年内时序信号最小值,并计算水分胁迫指数年内时序信号标准差;设置耕地像元的判断条件为:植被指数年内时序信号最大值A>θ1,水分胁迫指数年内时序信号最小值B<θ2,(其中,最大值和最小值,是从步骤S01的年内时序数据集里计算得到的。排序就可以得到。)水分胁迫指数年内时序信号标准差C>θ3,判断为耕地像元;其中θ1、θ2、θ3三个阈值均为常数,本实施例中分别为0.3、-0.5、0.2。
在本实施例中,步骤S03中所述获取农作物生长后期的具体内容为,基于研究区植被指数数据集,逐像元获取植被指数时序曲线的最大值,依据植被指数时序曲线的最大值确定农作物生长峰值期,将农作物生长峰值期到成熟期这段时间,记录为农作物生长后期。
具体为,在本实施例中,首先,逐像元求算EVI2时序曲线中数值大于0.35的局部最大值,确定农作物生长峰值期。如果同时找到一个以上的EVI2大于0.35的局部最大值,则依据两个局部最大值的时间间隔进一步筛选:仅保留时间间隔大于60天的所有的EVI2局部最大值;对于时间间隔小于60天的情况,保留EVI2数值较大的那个局部最大值。将研究年份经过筛选后的EVI2局部最大值,按照出现时间进行排序,依次记录为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。
在本实施例中,将农作物生长峰值期到成熟期这段时间,记录为农作物生长后期。不同农作物生长后期所持续的时间并不相同,在本实施例中统一将生长峰值期后D天,确定为农作物成熟期。本实施例中,将D设定为40天,所获得的农作物生长后期如图2、图3、图4所示。
在本实施例中,所述步骤S04的具体内容为:
依据农作物生长峰值期的植被指数和水分胁迫指数,建立基于两者比值的植被水分比值指数(Ratio between Vegetation and Water indices during heading Stage,RVWS,用于刻画不同农作物生长峰值期的生长状态和水分含量情况。
基于研究区植被指数、水分胁迫指数年内时序数据集,构建农作物生长峰值期植被水分比值指数,构建体现农作物长势最佳时水分状况,其表达式为:其中,EVI2h、SIWSIh分别表示农作物生长峰值期的增强型植被指数EVI2、水分胁迫指数SIWSI的数值。
在本实施例中,所述步骤S05的具体内容为:
在本实施例中,依据生长后期植被指数EV2、短波红外水分胁迫指数SIWSI的变异性,构建农作物生长后期叶片衰老失水指数。农作物生长后期叶片衰老失水指数,通过农作物生长后期植被指数与短波红外水分胁迫指数的比值而构建,缩写为:RAES(the Ratio ofchange Amplitude of EVI2 to SIWSI)。其表达式为:
其中CV=EVI2h-EVI2e;Cs=SIWSIe-SIWSIh;EVI2h、EVI2e分别表示生长峰值期、成熟期的EVI2数值,SIWSIh、SIWSIe分别表示生长峰值期、成熟期的SIWSI数值。CV,CS分别表示植被指数和水分胁迫指数在生长后期的变化幅度。
在本实施例中,所述步骤S06的具体内容为:与其他作物相比,大豆的峰值期植被水分比值指数更大,而生长后期叶片衰老失水指数更小;大豆制图判别准则为:如果RVWS>ω1并且RAES<ω2,则该像元为大豆,否则为其他农作物。ω1,ω2两个阈值均为常数,在本实施例中ω1设定为0.4,ω2设定为0.55。
在本实施例中,该方法适用于农作物或土地利用遥感自动分类领域中。
相对玉米、水稻等农作物而言,大豆的生长期较短。因此本实施例中所确定的生长峰值期后40天,对于大豆而言接近成熟,植株和叶片的水分含量很低。而对于玉米和水稻等生长期较长的农作物而言,距离成熟还有一段时间,此时其植株和叶片的水分含量依然相对较高。因此,相对水稻和玉米等生长期较长的农作物而言,大豆在生长后期植被指数的变化幅度CV、水分胁迫指数的变化幅度CS数值均较大,从而导致大豆生长后期叶片衰老失水指数数值偏小。
相对花生、土豆等等生长期长度差异不大的农作物而言,大豆在成熟期的植被指数相对偏低、水分胁迫指数数值偏高。其原因在于花生、土豆等农作物在成熟期时植株和叶片依然保持较为旺盛的生命活力,而大豆在成熟期植株叶片枯黄、水分含量低。因此,与花生、土豆等农作物相比,大豆在生长后期植被指数的变化幅度以及叶片衰老失水指数变化幅度数值更大,同样导致大豆生长后期叶片衰老失水指数数值偏小。
依据所构建的农作物生长峰值期植被水分比值指数RVWS、农作物生长后期叶片衰老失水指数RAES,建立大豆制图判别准则:如果RVWS>ω1,RAES<ω2,则该像元为大豆,否则为其他农作物。ω1,ω2均为常数,在本实施例中ω1设定为0.4,ω2设定为0.55。
利用上述所构建的大豆制图技术流程与方法,获得研究区大豆空间分布图。以黑龙江省齐齐哈尔市拜泉县为例,获得的大豆空间分布图,见图5。
较佳的,本实施例基于植被指数和短波红外水分胁迫指数的年内时序数据集,逐像元检测每个农作物生长周期内植被指数最大值所对应的数值盛期,进而确定农作物生长后期,锁定农作物生长峰值期和生长后期,设计生长峰值期植被水分比值指数,进而依据农作物生长后期植被指数与水分胁迫指数的变化幅度,建立叶片衰老失水指数,构建大豆制图技术流程与方法。相对其他农作物而言,大豆具有生长峰值期植被水分比值指数较大、叶片衰老失水指数数值较小的特点。本实施例利用大豆在生长过程中植株水分变异特性,通过分析利用不同农作物成熟衰老过程中水分胁迫特征,进行农作物制图。具有鲁棒性好、分类精度高、自动化程度与抗干扰能力强等特点。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (7)
1.一种基于叶片衰老失水指数的大豆制图方法,其特征在于:包括以下步骤:
步骤S01:构建研究区植被指数、水分胁迫指数年内时序数据集;
步骤S02:剔除研究区非耕地像元;
步骤S03:逐像元获取每个农作物生长周期所对应的农作物生长后期;
步骤S04:构建农作物生长峰值期植被水分比值指数;
步骤S05:构建农作物生长后期叶片衰老失水指数;
步骤S06:建立大豆制图判别准则;
步骤S07:通过步骤S06的判别准则获得研究区大豆空间分布图。
3.根据权利要求1所述的一种基于叶片衰老失水指数的大豆制图方法,其特征在于:所述步骤S02的具体内容为,依据植被指数、水分胁迫指数年内时序数据集值域分布特征,剔除研究区非耕地区域;设置耕地像元的判断条件为:植被指数年内时序信号最大值A>θ1,水分胁迫指数年内时序信号最小值B<θ2,水分胁迫指数年内时序信号标准差C>θ3,判断为耕地像元;其中θ1、θ2、θ3三个阈值均为常数。
4.根据权利要求1所述的一种基于叶片衰老失水指数的大豆制图方法,其特征在于:步骤S03中所述获取农作物生长后期的具体内容为,基于研究区植被指数数据集,逐像元获取植被指数时序曲线的最大值,依据植被指数时序曲线的最大值确定农作物生长峰值期,将农作物生长峰值期到成熟期这段时间,记录为农作物生长后期。
7.根据权利要求1所述的一种基于叶片衰老失水指数的大豆制图方法,其特征在于:所述步骤S06的具体内容为:大豆制图判别准则为:如果RVWS>ω1并且RAES<ω2,则该像元为大豆,否则为其他农作物;ω1,ω2两个阈值均为常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010445924.8A CN111612777B (zh) | 2020-05-23 | 2020-05-23 | 一种基于叶片衰老失水指数的大豆制图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010445924.8A CN111612777B (zh) | 2020-05-23 | 2020-05-23 | 一种基于叶片衰老失水指数的大豆制图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612777A true CN111612777A (zh) | 2020-09-01 |
CN111612777B CN111612777B (zh) | 2022-07-22 |
Family
ID=72202390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010445924.8A Active CN111612777B (zh) | 2020-05-23 | 2020-05-23 | 一种基于叶片衰老失水指数的大豆制图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612777B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114467722A (zh) * | 2022-01-20 | 2022-05-13 | 上海辰山植物园 | 绿墙自动浇灌控制方法和系统 |
CN114926565A (zh) * | 2022-05-24 | 2022-08-19 | 中国科学院东北地理与农业生态研究所 | 一种基于绿度水分综合指数的大豆制图方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971027A (zh) * | 2014-05-29 | 2014-08-06 | 福州大学 | 基于水体与植被指数变化比值指数的水稻自动制图方法 |
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及系统 |
WO2018111064A1 (es) * | 2016-12-15 | 2018-06-21 | Herrera Cadena Isaac Abraham | Sistema de monitoreo y control de estrés hídrico para optimización de extracción de aceites |
CN108681652A (zh) * | 2018-06-04 | 2018-10-19 | 中国科学院遥感与数字地球研究所 | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 |
US10127451B1 (en) * | 2017-04-24 | 2018-11-13 | Peter Cecil Vanderbilt Sinnott | Method of detecting and quantifying sun-drying crops using satellite derived spectral signals |
CN111191963A (zh) * | 2020-01-21 | 2020-05-22 | 福州大学 | 一种基于生长期色素变化特征的花生空间分布制图方法 |
-
2020
- 2020-05-23 CN CN202010445924.8A patent/CN111612777B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971027A (zh) * | 2014-05-29 | 2014-08-06 | 福州大学 | 基于水体与植被指数变化比值指数的水稻自动制图方法 |
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及系统 |
WO2018111064A1 (es) * | 2016-12-15 | 2018-06-21 | Herrera Cadena Isaac Abraham | Sistema de monitoreo y control de estrés hídrico para optimización de extracción de aceites |
US10127451B1 (en) * | 2017-04-24 | 2018-11-13 | Peter Cecil Vanderbilt Sinnott | Method of detecting and quantifying sun-drying crops using satellite derived spectral signals |
CN108681652A (zh) * | 2018-06-04 | 2018-10-19 | 中国科学院遥感与数字地球研究所 | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 |
CN111191963A (zh) * | 2020-01-21 | 2020-05-22 | 福州大学 | 一种基于生长期色素变化特征的花生空间分布制图方法 |
Non-Patent Citations (3)
Title |
---|
C.AMITRANO ETAL.: "Application of a MEC model for the irrigation control in green and red-leaved lettuce in precision indoor cultivation", 《2019 IEEE INTERNATIONAL WORKSHOP ON METROLOGY FOR AGRICULTURE AND FORESTRY (METROAGRIFOR)》 * |
张玮: "雷竹冠层叶片反射光谱特征及其对叶片水分变化的响应", 《林业科学研究》 * |
陈艳玲: "基于WOFOSTWOFOSTWOFOSTWOFOST作物模型与叶面积指数同化的冬小麦遥感估产研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114467722A (zh) * | 2022-01-20 | 2022-05-13 | 上海辰山植物园 | 绿墙自动浇灌控制方法和系统 |
CN114926565A (zh) * | 2022-05-24 | 2022-08-19 | 中国科学院东北地理与农业生态研究所 | 一种基于绿度水分综合指数的大豆制图方法 |
CN114926565B (zh) * | 2022-05-24 | 2024-04-12 | 中国科学院东北地理与农业生态研究所 | 一种基于绿度水分综合指数的大豆制图方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111612777B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612777B (zh) | 一种基于叶片衰老失水指数的大豆制图方法 | |
CN109948596B (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 | |
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 | |
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 | |
CN107273820A (zh) | 一种土地覆盖遥感分类方法及系统 | |
CN113221806B (zh) | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 | |
CN106599844A (zh) | 一种基于modis传感器的水稻种植区自动提取方法 | |
CN106096630B (zh) | 一种集成像元与对象的水稻自动变化检测方法 | |
CN109543552B (zh) | 基于生长期多特征提取的水稻生长区域制图方法及系统 | |
CN116645603A (zh) | 一种大豆种植区识别和面积测算方法 | |
CN114708490A (zh) | 水稻种植提取及复种指数监测方法、系统、终端及存储介质 | |
CN107314990A (zh) | 一种春玉米遥感识别方法 | |
CN115641504A (zh) | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 | |
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 | |
CN115393704A (zh) | 一种面向对象的稻虾田遥感自动化监测方法 | |
CN106772429A (zh) | 基于生长盛期nmdi增减比值指数的玉米自动制图方法 | |
CN107340268B (zh) | 一种基于遥感时序数据的旱地作物识别方法 | |
Huanli et al. | Improving accuracy of fine leaf crop coverage by improved K-means algorithm | |
CN112418073A (zh) | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 | |
CN115690580A (zh) | 一种玉米倒伏遥感监测方法、系统、电子设备及介质 | |
CN112215184B (zh) | 一种基于三维激光扫描仪的油茶果树产量检测方法 | |
CN112949607A (zh) | 一种基于JM Relief F湿地植被特征优选与融合方法 | |
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 | |
CN111160151A (zh) | 基于雷达时序图像的甘蔗连作范围提取方法及装置、设备 |
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 |