CN111768051A - 一种小麦赤霉病动态预警方法及装置 - Google Patents
一种小麦赤霉病动态预警方法及装置 Download PDFInfo
- Publication number
- CN111768051A CN111768051A CN202010640887.6A CN202010640887A CN111768051A CN 111768051 A CN111768051 A CN 111768051A CN 202010640887 A CN202010640887 A CN 202010640887A CN 111768051 A CN111768051 A CN 111768051A
- Authority
- CN
- China
- Prior art keywords
- wheat
- data
- target
- scab
- prediction
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 242
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 241
- 206010039509 Scab Diseases 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 39
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 45
- 230000003595 spectral effect Effects 0.000 claims description 45
- 201000010099 disease Diseases 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 9
- 238000001556 precipitation Methods 0.000 description 5
- 235000013339 cereals Nutrition 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 241000223195 Fusarium graminearum Species 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- UHPMCKVQTMMPCG-UHFFFAOYSA-N 5,8-dihydroxy-2-methoxy-6-methyl-7-(2-oxopropyl)naphthalene-1,4-dione Chemical compound CC1=C(CC(C)=O)C(O)=C2C(=O)C(OC)=CC(=O)C2=C1O UHPMCKVQTMMPCG-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000223218 Fusarium Species 0.000 description 1
- 241001024327 Oenanthe <Aves> Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/20—Cereals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
- G01J2003/2826—Multispectral imaging, e.g. filter imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Botany (AREA)
- Marine Sciences & Fisheries (AREA)
- Environmental Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种小麦赤霉病动态预警方法及装置,通过历史时期的小麦生长数据提取到小麦抽穗期和开花期对应的气象特征,利用关联性信息在气象特征中筛选得到小麦气象解释因子,并且利用目标数据确定小麦赤霉病光谱解释因子,最后结合小麦气象解释因子和小麦赤霉病光谱解释因子,预测得到小麦赤霉病发病预测数据。本发明结合了小麦赤霉病解释因子的综合性,考虑了遥感数据长时间序列上的信息,对于气象数据的时间定位更准确,使得该方法具有更优的普遍性,提高了预测精度。
Description
技术领域
本发明涉及信息处理技术领域,特别是涉及一种小麦赤霉病动态预警方法及装置。
背景技术
小麦赤霉病为典型的气象型作物病害,小麦抽穗-开花期前后适宜的温度、降雨量、降雨日数、相对湿度是赤霉病菌生长繁殖的主导因素。基于上述原理,目前已有关于构建相关气象模型预测小麦赤霉病发生或发生的严重程度的研究。
目前的研究主要包括以下几个方面:根据小麦发病生育期(开花期前后),选择多个气象因子进行组合,分别计算开花前7天及后10天的气象数据,构建预测模型,结果表明,与赤霉病相关性最强的气象因子为平均相对湿度、平均温度及温度在9℃到30℃间相对湿度大于90%的小时数,并在随后的研究中发现在开花期前40天,部分气象特征即出现差异,且在开花期间发生最大差异,即为小麦对镰刀菌最敏感的时期。但是有研究者指出,小麦在抽穗-开花期间较大的群体密度、过高的郁闭度、过旺或较弱的长势是赤霉病易发的主要农学诱因,且小麦赤霉病的流行是病原菌相互作用、易感寄主的存在和有利的气象条件共同作用的结果。单一利用生长环境信息对病毒进行预测难以提高预测精度,且受气象站点数量、位置的限制,不易于大面积推广。
发明内容
针对于上述问题,本发明提供一种小麦赤霉病动态预警方法及装置,实现了提高预测精度以及提升普遍适用性的目的。
为了实现上述目的,本发明提供了如下技术方案:
一种小麦赤霉病动态预警方法,所述方法包括:
基于历史时期的小麦生长数据,预测得到待预测时间的小麦抽穗期和开花期;
依据获取到的地面气象数据,提取所述小麦抽穗期和开花期对应的气象特征;
获取目标数据,所述目标数据包括小麦赤霉病冠层高光谱数据及其对应的发病严重数据,以及目标地区小麦样本的赤霉病发病严重度数据;
基于所述目标地区小麦样本的赤霉病发病严重度数据,确定气象特征与赤霉病的关联性,并基于所述关联性在所述气象特征中筛选得到小麦气象解释因子;
利用所述目标数据,确定小麦赤霉病光谱解释因子;
基于所述小麦气象解释因子和所述小麦赤霉病光谱解释因子,预测得到待预测时间的目标地区的小麦赤霉病发病预测数据。
可选地,所述基于历史时期的小麦生长数据,预测得到待预测时间的小麦抽穗期和开花期,包括:
基于历史时期的小麦生长数据,拟合生成小麦生长曲线;
依据所述小麦生长曲线,确定待预测时间对应的目标年份的小麦返青期;
根据所述目标年份的小麦返青期,预测得到待预测时间的小麦抽穗期和开花期。
可选地,所述利用所述目标数据,确定小麦赤霉病光谱解释因子,包括:
基于所述小面赤霉病冠层高光谱数据,模拟得到卫星多光谱数据,并计算得到多光谱特征;
利用所目标地区小麦样本的赤霉病发病严重度数据,对所述多光谱特征进行筛选,确定小麦赤霉病光谱解释因子。
可选地,所述方法还包括:
获取目标数据的遥感影像,并基于所述遥感影像确定目标时间对应的影像;
基于所述小麦赤霉病光谱解释因子,计算与所述目标时间对应的影像相匹配的光谱因子;
获取目标地区小麦样本在所述目标时间对应的影像相匹配的光谱因子,将各个所述光谱因子确定为目标光谱因子;
根据所述目标光谱因子和所述气象解释因子构建得到目标预测模型,所述目标预测模型用于获得待预测时间的目标地区的小麦赤霉病发病预测数据。
可选地,所述方法还包括:
基于目标地区的小麦赤霉病发病预测数据,生成小麦赤霉病动态预测图,使得能够基于所述预测图获得各个预测时间的小麦赤霉病发病的预测数据。
一种小麦赤霉病动态预警装置,所述装置包括:
第一预测单元,用于基于历史时期的小麦生长数据,预测得到待预测时间的小麦抽穗期和开花期;
提取单元,用于依据获取到的地面气象数据,提取所述小麦抽穗期和开花期对应的气象特征;
获取单元,用于获取目标数据,所述目标数据包括小麦赤霉病冠层高光谱数据及其对应的发病严重数据,以及目标地区小麦样本的赤霉病发病严重度数据;
第一确定单元,用于基于所述目标地区小麦样本的赤霉病发病严重度数据,确定气象特征与赤霉病的关联性,并基于所述关联性在所述气象特征中筛选得到小麦气象解释因子;
第二确定单元,用于利用所述目标数据,确定小麦赤霉病光谱解释因子;
第二预测单元,用于基于所述小麦气象解释因子和所述小麦赤霉病光谱解释因子,预测得到待预测时间的目标地区的小麦赤霉病发病预测数据。
可选地,所述第一预测单元包括:
拟合子单元,用于基于历史时期的小麦生长数据,拟合生成小麦生长曲线;
第一确定子单元,用于依据所述小麦生长曲线,确定待预测时间对应的目标年份的小麦返青期;
第一预测子单元,用于根据所述目标年份的小麦返青期,预测得到待预测时间的小麦抽穗期和开花期。
可选地,所述第二确定单元包括:
模拟子单元,用于基于所述小面赤霉病冠层高光谱数据,模拟得到卫星多光谱数据,并计算得到多光谱特征;
筛选子单元,用于利用所目标地区小麦样本的赤霉病发病严重度数据,对所述多光谱特征进行筛选,确定小麦赤霉病光谱解释因子。
可选地,所述装置还包括:
影像获取单元,用于获取目标数据的遥感影像,并基于所述遥感影像确定目标时间对应的影像;
计算单元,用于基于所述小麦赤霉病光谱解释因子,计算与所述目标时间对应的影像相匹配的光谱因子;
因子获取单元,用于获取目标地区小麦样本在所述目标时间对应的影像相匹配的光谱因子,将各个所述光谱因子确定为目标光谱因子;
构建单元,用于根据所述目标光谱因子和所述气象解释因子构建得到目标预测模型,所述目标预测模型用于获得待预测时间的目标地区的小麦赤霉病发病预测数据。
可选地,所述装置还包括:
预测图生成单元,用于基于目标地区的小麦赤霉病发病预测数据,生成小麦赤霉病动态预测图,使得能够基于所述预测图获得各个预测时间的小麦赤霉病发病的预测数据。
相较于现有技术,本发明提供了一种小麦赤霉病动态预警方法及装置,通过历史时期的小麦生长数据提取到小麦抽穗期和开花期对应的气象特征,利用关联性信息在气象特征中筛选得到小麦气象解释因子,并且利用目标数据确定小麦赤霉病光谱解释因子,最后结合小麦气象解释因子和小麦赤霉病光谱解释因子,预测得到小麦赤霉病发病预测数据。本发明结合了小麦赤霉病解释因子的综合性,考虑了遥感数据长时间序列上的信息,对于气象数据的时间定位更准确,使得该方法具有更优的普遍性,提高了预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有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的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种小麦赤霉病动态预警方法的流程示意图;
图2为本发明实施例提供一种相关向量机模型及Logistic模型平均ROC曲线;
图3为本发明实施例提供的一种小麦赤霉病动态预警装置的结构示意图。
具体实施方式
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,所描述的实施例仅仅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做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。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在本发明实施例中提供了一种小麦赤霉病动态预警方法,可以综合考虑影响赤霉病发展因子的多样性,提出耦合气象、物候及遥感信息对小麦赤霉病进行预测的方法,实现区域小麦赤霉病精准动态预测。
参见图1,该方法可以包括以下步骤:
S101、基于历史时期的小麦生长数据,预测得到待预测时间的小麦抽穗期和开花期。
具体的,可以基于历史时期的小麦生长数据,拟合生成小麦生长曲线;依据所述小麦生长曲线,确定待预测时间对应的目标年份的小麦返青期;根据所述目标年份的小麦返青期,预测得到待预测时间的小麦抽穗期和开花期。
首先利用地面气象数据进行生育期的提取及预测,并提取得到作物生长环境信息。可以通过历史时期的相关数据实现,如,2014~2017年1月~7月的日均气温(简称TEM)用于生育期提取及预测;2017年1月~7月的TEM、降水量(简称PRE)、相对湿度(简称RHU)、日照时数(简称SSD)作为气象预测数据,用于预测2017年冬小麦赤霉病的严重程度。
基于Whittaker平滑算法对2014-2016年每年1-7月的MODIS LAI(Leaf AreaIndex,叶面积指数)标准产品中的MCD15A3H陆地四级数据产品进行平滑,提取最高点为抽穗期。基于侯学会等人提出的iLAI-Logistic方法,即对平滑曲线计算累积,并利用Logistic函数进行拟合,计算拟合曲线的二阶曲率,提取二阶曲率最大值点对应返青期。用上述方法对2017年的冬小麦返青期进行提取,并基于2014年-2016年冬小麦返青期与抽穗期间的0℃以上积温均值,对2017年冬小麦抽穗期进行预测。并依据农学研究成果,以提取到的抽穗期为起始,当0℃以上积温达105℃时,冬小麦进入开花期。将2017年的抽穗及开花期预测结果进行重采样至Landsat-8相同分辨率30m。
S102、依据获取到的地面气象数据,提取所述小麦抽穗期和开花期对应的气象特征。
S103、获取目标数据;
所述目标数据包括小麦赤霉病冠层高光谱数据及其对应的发病严重数据,以及目标地区小麦样本的赤霉病发病严重度数据;
S104、基于所述目标地区小麦样本的赤霉病发病严重度数据,确定气象特征与赤霉病的关联性,并基于所述关联性在所述气象特征中筛选得到小麦气象解释因子。
利用预测所得抽穗期及开花期时间,分别以3、5、7、11、15为窗口,计算抽穗期前、抽穗期前后、开花期前、开花期前后的平均相对湿度、总日照时数、平均降水量、相对湿度大于80%的天数、15℃≦T≦30℃且相对湿度大于80%的天数、相对湿度大于70%的天数、15℃≦T≦30℃且相对湿度大于70%的天数,共计得到140个特征。利用Kendall相关系数,判断每个特征与赤霉病的发生之间的关联性。筛选出Kendall相关系数绝对值大于0.3的特征共计33个,计算33个特征间的Pearson相关系数,在相关系数较大的两特征间,保留权重大的特征,得到12个特征,最终选择Kendall相关系数排在前五的5个参数,作为小麦赤霉病的气象解释因子。如表1。
表1基于Kendall相关系统的气象特征选取结果
S105、利用所述目标数据,确定小麦赤霉病光谱解释因子;
S106、基于所述小麦气象解释因子和所述小麦赤霉病光谱解释因子,预测得到待预测时间的目标地区的小麦赤霉病发病预测数据。
本发明实施例中应用的试验数据(即目标数据)包括:小麦赤霉病冠层高光谱数据及其对应的发病严重数据,以及目标地区小麦样本的赤霉病发病严重度数据。
在本发明实施例中,所述利用所述目标数据,确定小麦赤霉病光谱解释因子,包括:
基于所述小面赤霉病冠层高光谱数据,模拟得到卫星多光谱数据,并计算得到多光谱特征;
利用所目标地区小麦样本的赤霉病发病严重度数据,对所述多光谱特征进行筛选,确定小麦赤霉病光谱解释因子。
举例说明,小麦赤霉病冠层高光谱数据及对应病情指数数据的获取地点为A县和B县,该区域为亚热带湿润性大陆季风气候,年降水量为1000mm,年均温度为15℃,冬小麦是该区域的主要粮食作物之一且据当地植保部门反映小麦赤霉病为当地主要小麦病害。实验使用ASD光谱仪(Analytical Spectral Devices)获取小麦赤霉病冠层高光谱数据,该光谱仪的测量波谱范围为350-2500nm,测量时间为早上十点至下午两点。在获取小麦赤霉病冠层高光谱数据的同时,实验也会计算冠层的病情指数,具体为在每一个测量冠层中随机抽取10株小麦,根据小麦麦穗中受病害侵染麦粒占全部麦粒的比例确定小麦的病情严重度,记录健康冠层为负例样本0,发病冠层为正例样本1。
对于高光谱数据,首先利用Landsat-8卫星影像的通道响应函数,将冠层实验测量的350-2500nm范围的高光谱反射率转化为对应的Landsat-8卫星的各个波段的反射率,进而得到Landsat-8模拟多光谱数据,该过程的实现公式为:
其中,ρ(λi)为Landsat-8OLI的第i个波段反射率,λmin、λmax为该波段的波长范围起、止值,ρi(λ)为实验得到的该波段范围内的反射率,Φi(λ)为波段响应函数。
对于模拟得到的Landsat-8多光谱反射率,根据表2计算11个植被指数,加之原有的蓝、绿、红、近红外(Blue、Green、Red、NIR)波段,共计15个光谱特征。对采用Relief算法进行提取,以得到使同类样本接近,使不同类样本远离的特征,15个特征的权重。同时利用Pearson相关系数去除冗余度较大的特征。筛选得到Psri、Green、Red、NIR四个光谱特征,其中,植被指数是由模拟到的多光谱反射率计算得到的。
表2植被指数及其计算公式
第二类试验数据,即研究区小麦赤霉病发病严重度数据获取地点为C县及D县小麦种植区,该区域也是亚热带湿润性大陆季风气候,年降水量为1000mm,年均温度为15.7℃,冬小麦是该区域的主要粮食作物之一且小麦赤霉病仍为当地主要小麦病害。在进行小麦赤霉病星地同步观测实验时,实验人员在20m×20m的田块里随机选取五个1m×1m的样方,并在田块的中心用手持GPS(全球定位系统)进行定位获取该田块的经纬度。
对应的,在本发明实施例中还包括:
获取目标数据的遥感影像,并基于所述遥感影像确定目标时间对应的影像;
基于所述小麦赤霉病光谱解释因子,计算与所述目标时间对应的影像相匹配的光谱因子;
获取目标地区小麦样本在所述目标时间对应的影像相匹配的光谱因子,将各个所述光谱因子确定为目标光谱因子;
根据所述目标光谱因子和所述气象解释因子构建得到目标预测模型,所述目标预测模型用于获得待预测时间的目标地区的小麦赤霉病发病预测数据。
举例说明,获取研究区域2017年质量较高的Landsat-8影像,得2月18日、3月6日(仅定远)、4月23日、5月9日四景。分别将四景的Psri、Green、Red、NIR作为样本的光谱特征,加上表1天气特征,共计9个特征。分别构建相关向量机模型及Logistic模型。将45组田块样本的2/3即30组用于模型的构建,将1/3即15组用于模型精度的验证,对研究区2017年小麦赤霉病严重程度进行预测。
利用2月18日、3月6日(仅D县)、4月23日、5月9日的光谱特征,当设置阈值为0.5时,即预测概率大于0.5时为患病小麦,构建的相关向量机模型及Logistic模型在测试集上的精度(即正确率)如表3。在此条件下,相关向量机模型的预测精度高于Logistic模型,且当光谱特征的日期越接近抽穗-开花期时,两个模型的预测精度越高,说明所选光谱特征能够反映作物长势,并在一定程度上反映小麦赤霉病的发展。
表3相关向量机模型及Logistic模型精度
考虑模型的泛化能力,对上述时间的四个样本进行50次随机抽取,绘制两个模型的ROC曲线,对50条ROC曲线(ReceiverOperating Characteristic)并进行平均,得平均ROC曲线,如图2所示。由曲线可以看到,Logistic模型对患病小麦的灵敏度较优,相关向量机模型的特异度较优。计算ROC曲线下面积AUC(AreaUnder Curve),二者在2月18日、3月6日(仅D县)、4月23日、5月9日的样本上均大于0.5,表示二者对于小麦赤霉病的预测均优于随机猜测,具有预测价值,且相关向量机的泛化能力及预测能力优于Logistic。除此之外,当光谱特征日期越接近赤霉病发病时期时,AUC同样增大,预测结果越准确。
将相关向量机及Logistic模型分别应用于研究区域,得到各像元小麦赤霉病发生概率。本文参照GB/T 15796-2011分级标准,依照表4将概率划分为4个风险等级。分别得到利用四个时间的光谱特征与天气特征相结合的赤霉病风险预测结果。基于最终的预测结果,两个模型的预测趋势基本一致,与相关向量机模型的结果相比,Logistic模型在2月18日及3月6日的预测概率偏大,在4月23日及5月9日偏小。
结合以上预测结果,利用2月18日的光谱特征与抽穗开花期的气象特征,还无法准确预测出小麦赤霉病重度区域,主要原因是此时的气象条件还不满足赤霉病菌在田间的入侵或扩展,光谱特征更多地是反映作物长势,对于赤霉病并不敏感。而当光谱特征越接近抽穗-开花期,风险等级为Ⅰ的面积越少,等级为Ⅳ的面积越多,且在成图中表现为越来越聚集。而等级Ⅱ及Ⅲ则向其他等级转换。说明对于无病害或轻度病害及重度病害的预测越来越精准。在整体上,2017年D县的小麦赤霉病情况较为严峻,西北部及东北部均有连片种植区域风险等级为Ⅲ或Ⅳ级,C县则在东北部有连片区域风险等级较高。
综合上述实验结果,可知本技术方案中提出的耦合气象、物候、光谱特征的小麦赤霉病预测方法能够提高赤霉病严重程度的预测精度,揭示其发生发展规律,提供更精准的防控指南。
对应的,在本发明实施例中为了能够获得各个预测时间的小麦赤霉病发发病的预测数据,可以基于目标地区的小麦赤霉病发病预测数据,生成小麦赤霉病动态预测图,使得能够基于所述预测图获得各个预测时间的小麦赤霉病发病的预测数据。
本发明综合考虑了气象、物候、及作物长势信息对小麦赤霉病发生发展的影响,与现有的研究不同之处主要在于两点,一是小麦赤霉病解释因子的综合性,二是考虑了遥感数据长时间序列上的信息,将物候考虑在内,而非凭借田间记录信息,选择接近抽穗-扬花期的气象数据,对于气象数据的时间定位更准确。也基于此,本发明具有更优的普适性。
在本发明实施例还提供了一种小麦赤霉病动态预警装置,参见图3,所述装置包括:
第一预测单元10,用于基于历史时期的小麦生长数据,预测得到待预测时间的小麦抽穗期和开花期;
提取单元20,用于依据获取到的地面气象数据,提取所述小麦抽穗期和开花期对应的气象特征;
获取单元30,用于获取目标数据,所述目标数据包括小麦赤霉病冠层高光谱数据及其对应的发病严重数据,以及目标地区小麦样本的赤霉病发病严重度数据;
第一确定单元40,用于基于所述目标地区小麦样本的赤霉病发病严重度数据,确定气象特征与赤霉病的关联性,并基于所述关联性在所述气象特征中筛选得到小麦气象解释因子;
第二确定单元50,用于利用所述目标数据,确定小麦赤霉病光谱解释因子;
第二预测单元60,用于基于所述小麦气象解释因子和所述小麦赤霉病光谱解释因子,预测得到待预测时间的目标地区的小麦赤霉病发病预测数据。
在上述实施例的基础上,所述第一预测单元包括:
拟合子单元,用于基于历史时期的小麦生长数据,拟合生成小麦生长曲线;
第一确定子单元,用于依据所述小麦生长曲线,确定待预测时间对应的目标年份的小麦返青期;
第一预测子单元,用于根据所述目标年份的小麦返青期,预测得到待预测时间的小麦抽穗期和开花期。
在上述实施例的基础上,所述第二确定单元包括:
模拟子单元,用于基于所述小面赤霉病冠层高光谱数据,模拟得到卫星多光谱数据,并计算得到多光谱特征;
筛选子单元,用于利用所目标地区小麦样本的赤霉病发病严重度数据,对所述多光谱特征进行筛选,确定小麦赤霉病光谱解释因子。
在上述实施例的基础上,所述装置还包括:
影像获取单元,用于获取目标数据的遥感影像,并基于所述遥感影像确定目标时间对应的影像;
计算单元,用于基于所述小麦赤霉病光谱解释因子,计算与所述目标时间对应的影像相匹配的光谱因子;
因子获取单元,用于获取目标地区小麦样本在所述目标时间对应的影像相匹配的光谱因子,将各个所述光谱因子确定为目标光谱因子;
构建单元,用于根据所述目标光谱因子和所述气象解释因子构建得到目标预测模型,所述目标预测模型用于获得待预测时间的目标地区的小麦赤霉病发病预测数据。
在上述实施例的基础上,所述装置还包括:
预测图生成单元,用于基于目标地区的小麦赤霉病发病预测数据,生成小麦赤霉病动态预测图,使得能够基于所述预测图获得各个预测时间的小麦赤霉病发病的预测数据。
发明提供了一种小麦赤霉病动态预警装置,通过历史时期的小麦生长数据提取到小麦抽穗期和开花期对应的气象特征,利用关联性信息在气象特征中筛选得到小麦气象解释因子,并且利用目标数据确定小麦赤霉病光谱解释因子,最后结合小麦气象解释因子和小麦赤霉病光谱解释因子,预测得到小麦赤霉病发病预测数据。本发明结合了小麦赤霉病解释因子的综合性,考虑了遥感数据长时间序列上的信息,对于气象数据的时间定位更准确,使得该方法具有更优的普遍性,提高了预测精度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种小麦赤霉病动态预警方法,其特征在于,所述方法包括:
基于历史时期的小麦生长数据,预测得到待预测时间的小麦抽穗期和开花期;
依据获取到的地面气象数据,提取所述小麦抽穗期和开花期对应的气象特征;
获取目标数据,所述目标数据包括小麦赤霉病冠层高光谱数据及其对应的发病严重数据,以及目标地区小麦样本的赤霉病发病严重度数据;
基于所述目标地区小麦样本的赤霉病发病严重度数据,确定气象特征与赤霉病的关联性,并基于所述关联性在所述气象特征中筛选得到小麦气象解释因子;
利用所述目标数据,确定小麦赤霉病光谱解释因子;
基于所述小麦气象解释因子和所述小麦赤霉病光谱解释因子,预测得到待预测时间的目标地区的小麦赤霉病发病预测数据。
2.根据权利要求1所述的方法,其特征在于,所述基于历史时期的小麦生长数据,预测得到待预测时间的小麦抽穗期和开花期,包括:
基于历史时期的小麦生长数据,拟合生成小麦生长曲线;
依据所述小麦生长曲线,确定待预测时间对应的目标年份的小麦返青期;
根据所述目标年份的小麦返青期,预测得到待预测时间的小麦抽穗期和开花期。
3.根据权利要求1所述的方法,其特征在于,所述利用所述目标数据,确定小麦赤霉病光谱解释因子,包括:
基于所述小面赤霉病冠层高光谱数据,模拟得到卫星多光谱数据,并计算得到多光谱特征;
利用所目标地区小麦样本的赤霉病发病严重度数据,对所述多光谱特征进行筛选,确定小麦赤霉病光谱解释因子。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取目标数据的遥感影像,并基于所述遥感影像确定目标时间对应的影像;
基于所述小麦赤霉病光谱解释因子,计算与所述目标时间对应的影像相匹配的光谱因子;
获取目标地区小麦样本在所述目标时间对应的影像相匹配的光谱因子,将各个所述光谱因子确定为目标光谱因子;
根据所述目标光谱因子和所述气象解释因子构建得到目标预测模型,所述目标预测模型用于获得待预测时间的目标地区的小麦赤霉病发病预测数据。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于目标地区的小麦赤霉病发病预测数据,生成小麦赤霉病动态预测图,使得能够基于所述预测图获得各个预测时间的小麦赤霉病发病的预测数据。
6.一种小麦赤霉病动态预警装置,其特征在于,所述装置包括:
第一预测单元,用于基于历史时期的小麦生长数据,预测得到待预测时间的小麦抽穗期和开花期;
提取单元,用于依据获取到的地面气象数据,提取所述小麦抽穗期和开花期对应的气象特征;
获取单元,用于获取目标数据,所述目标数据包括小麦赤霉病冠层高光谱数据及其对应的发病严重数据,以及目标地区小麦样本的赤霉病发病严重度数据;
第一确定单元,用于基于所述目标地区小麦样本的赤霉病发病严重度数据,确定气象特征与赤霉病的关联性,并基于所述关联性在所述气象特征中筛选得到小麦气象解释因子;
第二确定单元,用于利用所述目标数据,确定小麦赤霉病光谱解释因子;
第二预测单元,用于基于所述小麦气象解释因子和所述小麦赤霉病光谱解释因子,预测得到待预测时间的目标地区的小麦赤霉病发病预测数据。
7.根据权利要求6所述的装置,其特征在于,所述第一预测单元包括:
拟合子单元,用于基于历史时期的小麦生长数据,拟合生成小麦生长曲线;
第一确定子单元,用于依据所述小麦生长曲线,确定待预测时间对应的目标年份的小麦返青期;
第一预测子单元,用于根据所述目标年份的小麦返青期,预测得到待预测时间的小麦抽穗期和开花期。
8.根据权利要求6所述的装置,其特征在于,所述第二确定单元包括:
模拟子单元,用于基于所述小面赤霉病冠层高光谱数据,模拟得到卫星多光谱数据,并计算得到多光谱特征;
筛选子单元,用于利用所目标地区小麦样本的赤霉病发病严重度数据,对所述多光谱特征进行筛选,确定小麦赤霉病光谱解释因子。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
影像获取单元,用于获取目标数据的遥感影像,并基于所述遥感影像确定目标时间对应的影像;
计算单元,用于基于所述小麦赤霉病光谱解释因子,计算与所述目标时间对应的影像相匹配的光谱因子;
因子获取单元,用于获取目标地区小麦样本在所述目标时间对应的影像相匹配的光谱因子,将各个所述光谱因子确定为目标光谱因子;
构建单元,用于根据所述目标光谱因子和所述气象解释因子构建得到目标预测模型,所述目标预测模型用于获得待预测时间的目标地区的小麦赤霉病发病预测数据。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
预测图生成单元,用于基于目标地区的小麦赤霉病发病预测数据,生成小麦赤霉病动态预测图,使得能够基于所述预测图获得各个预测时间的小麦赤霉病发病的预测数据。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010640887.6A CN111768051A (zh) | 2020-07-06 | 2020-07-06 | 一种小麦赤霉病动态预警方法及装置 |
GB2101354.5A GB2596887B (en) | 2020-07-06 | 2021-02-01 | Method and device for dynamic early-warning of wheat scab |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010640887.6A CN111768051A (zh) | 2020-07-06 | 2020-07-06 | 一种小麦赤霉病动态预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111768051A true CN111768051A (zh) | 2020-10-13 |
Family
ID=72724690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010640887.6A Pending CN111768051A (zh) | 2020-07-06 | 2020-07-06 | 一种小麦赤霉病动态预警方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111768051A (zh) |
GB (1) | GB2596887B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505920A (zh) * | 2021-06-25 | 2021-10-15 | 国家粮食和物资储备局科学研究院 | 一种预测小麦收获期呕吐毒素含量的方法及系统 |
CN114925932A (zh) * | 2022-06-13 | 2022-08-19 | 中国科学院空天信息创新研究院 | 作物病害严重程度预测方法、系统、存储介质及电子设备 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154428B (zh) * | 2022-02-09 | 2022-09-23 | 中国科学院地理科学与资源研究所 | 目标物种潜在入侵风险评估方法及装置 |
CN115081718A (zh) * | 2022-06-27 | 2022-09-20 | 中国科学院空天信息创新研究院 | 一种植物病株率预测方法和装置 |
CN115082797B (zh) * | 2022-07-05 | 2023-08-22 | 安徽农业大学 | 一种大田环境下早期小麦赤霉病监测预警方法及系统 |
CN115399161B (zh) * | 2022-08-30 | 2023-10-13 | 大理春沐源农业科技有限公司 | 梳花处理方法 |
CN116028834B (zh) * | 2023-02-28 | 2023-12-12 | 中国农业科学院植物保护研究所 | 一种基于XGBoost算法的小麦赤霉病预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630651A (zh) * | 2013-11-12 | 2014-03-12 | 江苏省农业科学院 | 冬小麦扬花期赤霉病遥感监测方法 |
JP2017053804A (ja) * | 2015-09-11 | 2017-03-16 | 株式会社東芝 | 確率的気象予測装置、確率的気象予測方法およびプログラム |
CN107085753A (zh) * | 2017-04-21 | 2017-08-22 | 河北农业大学 | 一种冬小麦赤霉病的预测方法 |
CN110044831A (zh) * | 2019-05-16 | 2019-07-23 | 河南工业大学 | 同时利用两种特定波长的可见光进行赤霉病小麦筛选 |
CN110132860A (zh) * | 2019-05-29 | 2019-08-16 | 安徽大学 | 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 |
CN110363675A (zh) * | 2019-07-12 | 2019-10-22 | 中科光启空间信息技术有限公司 | 一种基于卫星遥感的小麦赤霉病监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN210465246U (zh) * | 2019-05-30 | 2020-05-05 | 南京农业大学 | 小麦感染赤霉病等级及病粒率高光谱无损检测装置的光谱采集装置 |
CN110741889B (zh) * | 2019-11-28 | 2021-03-12 | 河南省农业科学院植物保护研究所 | 一种预测小麦赤霉病初始侵染源丰富度的方法 |
-
2020
- 2020-07-06 CN CN202010640887.6A patent/CN111768051A/zh active Pending
-
2021
- 2021-02-01 GB GB2101354.5A patent/GB2596887B/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630651A (zh) * | 2013-11-12 | 2014-03-12 | 江苏省农业科学院 | 冬小麦扬花期赤霉病遥感监测方法 |
JP2017053804A (ja) * | 2015-09-11 | 2017-03-16 | 株式会社東芝 | 確率的気象予測装置、確率的気象予測方法およびプログラム |
CN107085753A (zh) * | 2017-04-21 | 2017-08-22 | 河北农业大学 | 一种冬小麦赤霉病的预测方法 |
CN110044831A (zh) * | 2019-05-16 | 2019-07-23 | 河南工业大学 | 同时利用两种特定波长的可见光进行赤霉病小麦筛选 |
CN110132860A (zh) * | 2019-05-29 | 2019-08-16 | 安徽大学 | 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 |
CN110363675A (zh) * | 2019-07-12 | 2019-10-22 | 中科光启空间信息技术有限公司 | 一种基于卫星遥感的小麦赤霉病监测方法 |
Non-Patent Citations (3)
Title |
---|
任义方 等: "江苏省小麦赤霉病气象风险评估技术", 江苏农业科学, 31 March 2020 (2020-03-31), pages 92 - 97 * |
张旭晖;高苹;居为民;王筛祥;王建林;武金岗;: "小麦赤霉病气象等级预报模式研究", 安徽农业科学, no. 23, 10 August 2008 (2008-08-10), pages 10030 - 10032 * |
徐敏 等: "随机森林机器算法在江苏省小麦赤霉病病穗率预测中的应用", 气象学报, 29 February 2020 (2020-02-29), pages 143 - 153 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505920A (zh) * | 2021-06-25 | 2021-10-15 | 国家粮食和物资储备局科学研究院 | 一种预测小麦收获期呕吐毒素含量的方法及系统 |
CN113505920B (zh) * | 2021-06-25 | 2022-03-18 | 国家粮食和物资储备局科学研究院 | 一种预测小麦收获期呕吐毒素含量的方法及系统 |
CN114925932A (zh) * | 2022-06-13 | 2022-08-19 | 中国科学院空天信息创新研究院 | 作物病害严重程度预测方法、系统、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
GB202101354D0 (en) | 2021-03-17 |
GB2596887A (en) | 2022-01-12 |
GB2596887B (en) | 2022-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768051A (zh) | 一种小麦赤霉病动态预警方法及装置 | |
Meroni et al. | Comparing land surface phenology of major European crops as derived from SAR and multispectral data of Sentinel-1 and-2 | |
CN110287944B (zh) | 基于深度学习的多光谱遥感影像的农作物虫害监测方法 | |
Ribeiro et al. | Modelling drought-related yield losses in Iberia using remote sensing and multiscalar indices | |
CN110008905B (zh) | 基于遥感影像红边波段的区域尺度小麦条锈病监测方法 | |
Zhang et al. | Integrating remotely sensed and meteorological observations to forecast wheat powdery mildew at a regional scale | |
CN102072885B (zh) | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 | |
De Castro et al. | Applying neural networks to hyperspectral and multispectral field data for discrimination of cruciferous weeds in winter crops | |
Busetto et al. | Analysing spatial–temporal changes in rice cultivation practices in the Senegal River Valley using MODIS time-series and the PhenoRice algorithm | |
Guo et al. | Nomination-favoured opinion pool for optical-SAR-synergistic rice mapping in face of weakened flooding signals | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
CN113378747B (zh) | 一种小麦条锈病遥感预测方法及装置 | |
Zhao et al. | Forecasting the wheat powdery mildew (Blumeria graminis f. Sp. tritici) using a remote sensing-based decision-tree classification at a provincial scale | |
CN116645603A (zh) | 一种大豆种植区识别和面积测算方法 | |
Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
CN111474117B (zh) | 作物病害监测的方法及装置 | |
Shu et al. | Assessing maize lodging severity using multitemporal UAV-based digital images | |
CN114842338A (zh) | 一种耦合遥感和气象数据的小麦条锈病预测方法及装置 | |
López-Granados et al. | Classifying irrigated crops as affected by phenological stage using discriminant analysis and neural networks | |
Naqvi et al. | Remote estimation of wheat yield based on vegetation indices derived from time series data of Landsat 8 imagery. | |
Zhao et al. | Cropland abandonment mapping at sub-pixel scales using crop phenological information and MODIS time-series images | |
Sun et al. | Monitoring rice lodging grade via Sentinel-2A images based on change vector analysis | |
CN115526713A (zh) | 一种农户贷款的授信额度确定方法及装置 | |
Lottering et al. | Spatially optimizing vegetation indices integrated with sparse partial least squares regression to detect and map the effects of Gonipterus scutellatus on the chlorophyll content of eucalyptus plantations | |
Dutta | Assessment of tea bush health and yield using geospatial techniques |
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 |