CN111931988A - 遥感影像、作物模型与气象预报融合水稻成熟期预测方法 - Google Patents
遥感影像、作物模型与气象预报融合水稻成熟期预测方法 Download PDFInfo
- Publication number
- CN111931988A CN111931988A CN202010659303.XA CN202010659303A CN111931988A CN 111931988 A CN111931988 A CN 111931988A CN 202010659303 A CN202010659303 A CN 202010659303A CN 111931988 A CN111931988 A CN 111931988A
- Authority
- CN
- China
- Prior art keywords
- rice
- remote sensing
- crop
- maturity
- period
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 108
- 235000009566 rice Nutrition 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 47
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 107
- 238000000638 solvent extraction Methods 0.000 claims abstract description 11
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 7
- 238000003306 harvesting Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000035800 maturation Effects 0.000 claims abstract description 3
- 239000002245 particle Substances 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 9
- 241000607479 Yersinia pestis Species 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 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
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 239000007787 solid Substances 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本发明属于水稻成熟期预测技术领域，公开了一种遥感影像、作物模型与气象预报融合水稻成熟期预测方法，包括：对水稻种植区域进行分区；标定各分区水稻生长ORYZA2000模型参数；收集反映水稻关键生育期的产品并合成时间序列曲线；筛选出对成熟期敏感的参数，构建代价函数，获得优化参数数据集；驱动ORYZA2000作物生长模型，并将TIGGE集合预报数据作为ORYZA2000未来时段的气象输入，预测水稻成熟期；生成区域水稻成熟期预测空间分布图，及时采收水稻。本发明融合了遥感数据和作物模型优势，既能在区域尺度上预测成熟期，又能提高作物模型的预测精度，且气象预报数据的应用提高了动态预测的精度，实用性更强。
Description
技术领域
本发明属于水稻成熟期预测技术领域，尤其涉及一种遥感影像、作物模型与气象预报融合水稻成熟期预测方法。
背景技术
目前，农业遥感系指利用遥感技术进行农业资源调查，土地利用现状分析，农业病虫害监测，农作物估产等农业应用的综合技术，可通过获取农作物影像数据，包括其农作物生长情况、预报预测农作物病虫害。将遥感技术与农学各学科及其技术结合起来，为农业发展服务的一门综合性很强的技术。主要包括利用遥感技术进行土地资源的调查，土地利用现状的调查与分析，农作物长势的监测与分析，病虫害的预测，以及农作物的估产等，是当前遥感应用的最大用户之一。利用遥感技术监测农作物种植面积、农作物长势信息，快速监测和评估农业干旱和病虫害等灾害信息，估算全球范围、全国和区域范围的农作物产量，为粮食供应数量分析与预测预警提供信息。遥感卫星能够快速准确地获取地面信息，结合地理信息系统(GIS)和全球定位系统(GPS)等其他现代高新技术，可以实现农情信息收集和分析的定时、定量、定位，客观性强，不受人为干扰，方便农事决策，使发展精准农业成为可能。农作物遥感基本原理：遥感影像的红波段和近红外波段的反射率及其组合与作物的叶面积指数、太阳光合有效辐射、生物量具有较好的相关性。通过卫星传感器记录的地球表面信息，辨别作物类型，建立不同条件下的产量预报模型，集成农学知识和遥感观测数据，实现作物产量的遥感监测预报。可从遥感集市下载获取影像数据，通过各大终端产品定期获取专题信息产品监测与服务报告，同时又避免手工方法收集数据费时费力且具有某种破坏性的缺陷。但是，现有技术中将遥感数据和作物生长模型数据同化以及引入气象预报数据来实现区域水稻成熟期预测的方法尚未见报道。
综上所述，现有技术存在的问题及缺陷是：现有技术中将遥感数据和作物生长模型数据同化以及引入气象预报数据来实现区域水稻成熟期预测的方法尚未见报道。
发明内容
针对现有技术存在的问题，本发明提供了一种遥感影像、作物模型与气象预报融合水稻成熟期预测方法。
本发明是这样实现的，一种遥感影像、作物模型与气象预报融合水稻成熟期预测方法，所述遥感影像、作物模型与气象预报融合水稻成熟期预测方法包括以下步骤：
第一步，根据气象数据、种植模式和产量水平对水稻种植区域进行分区。
第二步，基于农业气象站点观测数据，标定各分区水稻生长的ORYZA2000模型参数。
第三步，收集反映水稻关键生育期的产品并合成时间序列曲线。
第四步，筛选出对成熟期敏感的参数，构建基于归一化的Sentinel-2LAI和ORYZA2000模拟LAI的代价函数，采用粒子群算法，利用粒子适应度值大小评价粒子的优劣，构建代价函数，获得优化参数数据集。
第五步，用所得优化参数数据集驱动ORYZA2000作物生长模型，并将TIGGE集合预报数据作为ORYZA2000未来时段的气象输入，预测水稻成熟期。
第六步，逐格网单元运行第五步，生成区域水稻成熟期预测空间分布图，指导水稻的及时采收。
进一步，所述第一步之前，还包括：
(I)通过中分辨率成像光谱仪得到具有高空间分辨率的水稻MODIS影像数据，并计算所述水稻MODIS影像数据的MODIS NDVI值；
(II)将所述MODIS NDVI值按时间序列进行重构，得到高时间分辨率的水稻MODISNDVI时间序列；
(III)通过所述水稻MODIS NDVI时间序列，提取被预测年份前N年内水稻生育期的MODIS NDVI值和被预测年份水稻抽穗期的MODIS NDVI值。
进一步，所述计算所述水稻MODIS影像数据的MODIS NDVI值的公式如下：
其中，(xw/2，yw/2)表示滑动窗口的中心像元，ti和tj表示影像的获取时间，Wij表示权重函数，(xi，yj)表示像元的位置，VL(xi，yj，ti)表示ti时刻给定位置(xi，yj)10m分辨率的影像数据的反射率，所述VM(xi，yj，ti)表示ti时刻给定位置(xi，yj)250m分辨率的MODIS影像数据重采样后的反射率。
进一步，所述第一步中对水稻种植区域进行分区的方法，包括：
1)将待测水稻全生育期的MODIS NDVI数据按时间序列合成；
2)按照待测水稻MODIS NDVI时间序列物候特征结合气象数据、种植模式和产量水平利用随机森林算法对水稻种植区域进行分区。
进一步，所述第四步中采用SCE_UA算法对代价函数进行最小化，并结合如权利要求4所述的归一化处理，代价函数按如下公式所示：
其中，J为代价函数值，LAIoi代表遥感LAI值，LAImi代表作物生长模型模拟LAI值，LAIomax和LAIsmax分别代表遥感或模型模拟LAI时间序列曲线上的最大值，LAIomin和LAIsmin分别代表其最小值，n代表遥感LAI值的观测次数。
进一步，所述第三步中收集反映水稻关键生育期的空间分辨率10-20米、步长5-7天的Sentinel-2LAI产品并合成时间序列曲线，运用滤波方法消除云的影响。
进一步，所述第五步中提前5-10天预测水稻成熟期。
进一步，所述第五步中预测水稻成熟期的方法，包括：
(a)分别计算水稻被预测年份前N年内生育期的积分面积Y，采用的公式为：
其中，Sa为作物生育期中的抽穗期，Sb为作物生育期中的成熟期；
(b)计算水稻被预测年份前N年内生育期的积分面积Y的平均值M，利用所述平均值M及被预测年份抽穗期的MODIS NDVI值计算得到被预测年份的水稻成熟期。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的遥感影像、作物模型与气象预报融合水稻成熟期预测方法。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述的遥感影像、作物模型与气象预报融合水稻成熟期预测方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的遥感影像、作物模型与气象预报融合水稻成熟期预测方法融合了遥感数据和作物模型的优势，既能在在大区域尺度上预测水稻成熟期，提高了水稻模型的预测精度，且气象预报数据的应用又提高了动态预测的精度，实用性更强。
附图说明
图1是本发明实施例提供的遥感影像、作物模型与气象预报融合水稻成熟期预测方法流程图。
图2是本发明实施例提供的根据气象数据、种植模式和产量水平对水稻种植区域进行分区之前的方法流程图。
图3是本发明实施例提供的对水稻种植区域进行分区的方法流程图。
图4是本发明实施例提供的预测水稻成熟期的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种遥感影像、作物模型与气象预报融合水稻成熟期预测方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的遥感影像、作物模型与气象预报融合水稻成熟期预测方法包括以下步骤：
S101，根据气象数据、种植模式和产量水平等对水稻种植区域进行分区。
S102，基于农业气象站点观测数据，标定各分区水稻生长的ORYZA2000模型参数。
S103，收集反映水稻关键生育期的空间分辨率10-20米、步长5-7天的Sentinel-2LAI产品并合成时间序列曲线，运用滤波方法消除云的影响。
S104，在全局敏感性分析的基础上，筛选出对成熟期敏感的参数，构建基于归一化的Sentinel-2LAI和ORYZA2000模拟LAI的代价函数，采用粒子群算法，利用粒子适应度值大小评价粒子的优劣，构建代价函数,获得优化参数数据集。
S105，用步骤S104所得优化参数数据集驱动ORYZA2000作物生长模型，并将TIGGE集合预报数据作为ORYZA2000未来时段的气象输入，提前5-10天预测水稻成熟期。
S106，逐格网单元运行步骤S105，生成区域水稻成熟期预测空间分布图，指导水稻的及时采收。
下面结合具体实施例对本发明作进一步描述。
实施例1
本发明实施例提供的遥感影像、作物模型与气象预报融合水稻成熟期预测方法如图1所示，作为优选实施例，如图2所示，本发明实施例提供的根据气象数据、种植模式和产量水平对水稻种植区域进行分区之前，还包括：
S201，通过中分辨率成像光谱仪得到具有高空间分辨率的水稻MODIS影像数据，并计算所述水稻MODIS影像数据的MODIS NDVI值。
S202，将所述MODIS NDVI值按时间序列进行重构，得到高时间分辨率的水稻MODISNDVI时间序列。
S203，通过所述水稻MODIS NDVI时间序列，提取被预测年份前N年内水稻生育期的MODIS NDVI值和被预测年份水稻抽穗期的MODIS NDVI值。
本发明实施例提供的所述计算所述水稻MODIS影像数据的MODIS NDVI值的公式如下：
其中，(xw/2，yw/2)表示滑动窗口的中心像元，ti和tj表示影像的获取时间，Wij表示权重函数，(xi，yj)表示像元的位置，VL(xi，yj，ti)表示ti时刻给定位置(xi，yj)10m分辨率的影像数据的反射率，所述VM(xi，yj，ti)表示ti时刻给定位置(xi，yj)250m分辨率的MODIS影像数据重采样后的反射率。
实施例2
本发明实施例提供的遥感影像、作物模型与气象预报融合水稻成熟期预测方法如图1所示，作为优选实施例，如图3所示，本发明实施例提供的对水稻种植区域进行分区的方法包括：
S301，将待测水稻全生育期的MODIS NDVI数据按时间序列合成。
S302，按照待测水稻MODIS NDVI时间序列物候特征结合气象数据、种植模式和产量水平利用随机森林算法对水稻种植区域进行分区。
实施例3
本发明实施例提供的遥感影像、作物模型与气象预报融合水稻成熟期预测方法如图1所示，作为优选实施例，如图4所示，本发明实施例提供的预测水稻成熟期的方法包括：
S401，分别计算水稻被预测年份前N年内生育期的积分面积Y。
S402，计算水稻被预测年份前N年内生育期的积分面积Y的平均值M，利用所述平均值M及被预测年份抽穗期的MODIS NDVI值计算得到被预测年份的水稻成熟期。
本发明实施例提供的计算水稻被预测年份前N年内生育期的积分面积Y，采用的公式为：
其中，Sa为作物生育期中的抽穗期，Sb为作物生育期中的成熟期；
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种遥感影像、作物模型与气象预报融合水稻成熟期预测方法，其特征在于，所述遥感影像、作物模型与气象预报融合水稻成熟期预测方法包括以下步骤：
第一步，根据气象数据、种植模式和产量水平对水稻种植区域进行分区；
第二步，基于农业气象站点观测数据，标定各分区水稻生长的ORYZA2000模型参数；
第三步，收集反映水稻关键生育期的产品并合成时间序列曲线；
第四步，筛选出对成熟期敏感的参数，构建基于归一化的Sentinel-2LAI和ORYZA2000模拟LAI的代价函数，采用粒子群算法，利用粒子适应度值大小评价粒子的优劣，构建代价函数，获得优化参数数据集；
第五步，用所得优化参数数据集驱动ORYZA2000作物生长模型，并将TIGGE集合预报数据作为ORYZA2000未来时段的气象输入，预测水稻成熟期；
第六步，逐格网单元运行第五步，生成区域水稻成熟期预测空间分布图，指导水稻的及时采收。
2.如权利要求1所述的遥感影像、作物模型与气象预报融合水稻成熟期预测方法，其特征在于，所述第一步之前，还包括：
(I)通过中分辨率成像光谱仪得到具有高空间分辨率的水稻MODIS影像数据，并计算所述水稻MODIS影像数据的MODIS NDVI值；
(II)将所述MODIS NDVI值按时间序列进行重构，得到高时间分辨率的水稻MODIS NDVI时间序列；
(III)通过所述水稻MODIS NDVI时间序列，提取被预测年份前N年内水稻生育期的MODIS NDVI值和被预测年份水稻抽穗期的MODIS NDVI值。
3.如权利要求2所述的遥感影像、作物模型与气象预报融合水稻成熟期预测方法，其特征在于，所述计算所述水稻MODIS影像数据的MODIS NDVI值的公式如下：
其中，(xw/2，yw/2)表示滑动窗口的中心像元，ti和tj表示影像的获取时间，Wij表示权重函数，(xi，yj)表示像元的位置，VL(xi，yj，ti)表示ti时刻给定位置(xi，yj)10m分辨率的影像数据的反射率，所述VM(xi，yj，ti)表示ti时刻给定位置(xi，yj)250m分辨率的MODIS影像数据重采样后的反射率。
4.如权利要求1所述的遥感影像、作物模型与气象预报融合水稻成熟期预测方法，其特征在于，所述第一步中对水稻种植区域进行分区的方法，包括：
1)将待测水稻全生育期的MODIS NDVI数据按时间序列合成；
2)按照待测水稻MODIS NDVI时间序列物候特征结合气象数据、种植模式和产量水平利用随机森林算法对水稻种植区域进行分区。
5.如权利要求1所述的遥感影像、作物模型与气象预报融合水稻成熟期预测方法，其特征在于，所述第四步中采用SCE_UA算法对代价函数进行最小化，并结合如权利要求4所述的归一化处理，代价函数按如下公式所示：
其中，J为代价函数值，LAIoi代表遥感LAI值，LAImi代表作物生长模型模拟LAI值，LAIomax和LAIsmax分别代表遥感或模型模拟LAI时间序列曲线上的最大值，LAIomin和LAIsmin分别代表其最小值，n代表遥感LAI值的观测次数。
6.如权利要求1所述的遥感影像、作物模型与气象预报融合水稻成熟期预测方法，其特征在于，所述第三步中收集反映水稻关键生育期的空间分辨率10-20米、步长5-7天的Sentinel-2 LAI产品并合成时间序列曲线，运用滤波方法消除云的影响。
7.如权利要求1所述的遥感影像、作物模型与气象预报融合水稻成熟期预测方法，其特征在于，所述第五步中提前5-10天预测水稻成熟期。
8.如权利要求1所述的遥感影像、作物模型与气象预报融合水稻成熟期预测方法，其特征在于，所述第五步中预测水稻成熟期的方法，包括：
(a)分别计算水稻被预测年份前N年内生育期的积分面积Y，采用的公式为：
其中，Sa为作物生育期中的抽穗期，Sb为作物生育期中的成熟期；
(b)计算水稻被预测年份前N年内生育期的积分面积Y的平均值M，利用所述平均值M及被预测年份抽穗期的MODIS NDVI值计算得到被预测年份的水稻成熟期。
9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～8任意一项所述的遥感影像、作物模型与气象预报融合水稻成熟期预测方法。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～8任意一项所述的遥感影像、作物模型与气象预报融合水稻成熟期预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010659303.XA CN111931988A (zh) | 2020-07-09 | 2020-07-09 | 遥感影像、作物模型与气象预报融合水稻成熟期预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010659303.XA CN111931988A (zh) | 2020-07-09 | 2020-07-09 | 遥感影像、作物模型与气象预报融合水稻成熟期预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111931988A true CN111931988A (zh) | 2020-11-13 |
Family
ID=73312301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010659303.XA Pending CN111931988A (zh) | 2020-07-09 | 2020-07-09 | 遥感影像、作物模型与气象预报融合水稻成熟期预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111931988A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269716A (zh) * | 2021-04-08 | 2021-08-17 | 塔里木大学 | 一种基于多源遥感数据的香梨成熟期遥感预测方法 |
| CN114565134A (zh) * | 2022-01-25 | 2022-05-31 | 中国科学院地理科学与资源研究所 | 水稻生长期的预测方法、装置、设备及可读存储介质 |
| CN115983503A (zh) * | 2023-03-18 | 2023-04-18 | 杭州领见数字农业科技有限公司 | 一种作物成熟期预测方法、设备及存储介质 |
| CN116012720A (zh) * | 2023-03-28 | 2023-04-25 | 航天万源云数据河北有限公司 | 基于高分遥感影像的农作物长势监测方法、设备及介质 |
| CN116227758A (zh) * | 2023-05-10 | 2023-06-06 | 江西师范大学 | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 |
| CN116597319A (zh) * | 2023-04-19 | 2023-08-15 | 北京师范大学 | 一种海冰日数据综合处理方法、装置及计算设备 |
| CN117132175A (zh) * | 2023-10-27 | 2023-11-28 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感数据源的新开垦耕地质量评价方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951979A (zh) * | 2017-02-20 | 2017-07-14 | 中国农业大学 | 遥感、作物模型与气象预报融合的作物成熟期预测方法 |
| CN107423850A (zh) * | 2017-07-04 | 2017-12-01 | 中国农业大学 | 基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 |
| CN107941713A (zh) * | 2017-10-17 | 2018-04-20 | 河海大学 | 一种基于耦合作物模型同化光谱反射率的水稻估产方法 |
| CN108304973A (zh) * | 2018-02-11 | 2018-07-20 | 中国农业大学 | 基于积温、辐射和土壤含水量的区域作物成熟期预测方法 |
| CN110390287A (zh) * | 2019-07-17 | 2019-10-29 | 中科光启空间信息技术有限公司 | 一种基于卫星遥感的作物成熟期预测方法 |
-
2020
- 2020-07-09 CN CN202010659303.XA patent/CN111931988A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951979A (zh) * | 2017-02-20 | 2017-07-14 | 中国农业大学 | 遥感、作物模型与气象预报融合的作物成熟期预测方法 |
| CN107423850A (zh) * | 2017-07-04 | 2017-12-01 | 中国农业大学 | 基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 |
| CN107941713A (zh) * | 2017-10-17 | 2018-04-20 | 河海大学 | 一种基于耦合作物模型同化光谱反射率的水稻估产方法 |
| CN108304973A (zh) * | 2018-02-11 | 2018-07-20 | 中国农业大学 | 基于积温、辐射和土壤含水量的区域作物成熟期预测方法 |
| CN110390287A (zh) * | 2019-07-17 | 2019-10-29 | 中科光启空间信息技术有限公司 | 一种基于卫星遥感的作物成熟期预测方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269716A (zh) * | 2021-04-08 | 2021-08-17 | 塔里木大学 | 一种基于多源遥感数据的香梨成熟期遥感预测方法 |
| CN114565134A (zh) * | 2022-01-25 | 2022-05-31 | 中国科学院地理科学与资源研究所 | 水稻生长期的预测方法、装置、设备及可读存储介质 |
| CN115983503A (zh) * | 2023-03-18 | 2023-04-18 | 杭州领见数字农业科技有限公司 | 一种作物成熟期预测方法、设备及存储介质 |
| CN116012720A (zh) * | 2023-03-28 | 2023-04-25 | 航天万源云数据河北有限公司 | 基于高分遥感影像的农作物长势监测方法、设备及介质 |
| CN116012720B (zh) * | 2023-03-28 | 2023-06-09 | 航天万源云数据河北有限公司 | 基于高分遥感影像的农作物长势监测方法、设备及介质 |
| CN116597319A (zh) * | 2023-04-19 | 2023-08-15 | 北京师范大学 | 一种海冰日数据综合处理方法、装置及计算设备 |
| CN116597319B (zh) * | 2023-04-19 | 2024-02-02 | 北京师范大学 | 一种海冰日数据综合处理方法、装置及计算设备 |
| CN116227758A (zh) * | 2023-05-10 | 2023-06-06 | 江西师范大学 | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 |
| CN116227758B (zh) * | 2023-05-10 | 2023-08-08 | 江西师范大学 | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 |
| CN117132175A (zh) * | 2023-10-27 | 2023-11-28 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感数据源的新开垦耕地质量评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111931988A (zh) | 遥感影像、作物模型与气象预报融合水稻成熟期预测方法 | |
| EP3455742B1 (en) | Statistical blending of weather data sets | |
| AU2016244067B2 (en) | Forecasting national crop yield during the growing season | |
| Phung et al. | Monitoring rice growth status in the Mekong Delta, Vietnam using multitemporal Sentinel-1 data | |
| Hopkinson et al. | The uncertainty in conifer plantation growth prediction from multi-temporal lidar datasets | |
| Gao et al. | Simple method for retrieving leaf area index from Landsat using MODIS leaf area index products as reference | |
| Tian et al. | A global analysis of multifaceted urbanization patterns using Earth Observation data from 1975 to 2015 | |
| Vicente-Serrano et al. | A near real-time drought monitoring system for Spain using automatic weather station network | |
| EP3719722A1 (en) | Forecasting national crop yield during the growing season | |
| CN114419431A (zh) | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 | |
| Khan et al. | Investigating the potential of a global precipitation forecast to inform landslide prediction | |
| WO2023088366A1 (zh) | 一种利用时间序列遥感影像联合估算土壤剖面盐分的方法 | |
| Mohanasundaram et al. | Reconstructing NDVI and land surface temperature for cloud cover pixels of Landsat-8 images for assessing vegetation health index in the Northeast region of Thailand | |
| Cui et al. | Investigating the impact of the temporal resolution of MODIS data on measured phenology in the prairie grasslands | |
| Sisheber et al. | Detecting the long-term spatiotemporal crop phenology changes in a highly fragmented agricultural landscape | |
| Rulinda et al. | Image mining for drought monitoring in eastern Africa using Meteosat SEVIRI data | |
| CN115244553A (zh) | 使用地理空间特征和机器学习预测有害生物压力的系统和方法 | |
| CN111579565B (zh) | 农业干旱监测方法、系统及存储介质 | |
| CN114359725B (zh) | 基于作物模型与同化技术的作物长势遥感监测系统及方法 | |
| CN111931987A (zh) | 时间序列lai曲线积分面积区域水稻成熟期预测方法 | |
| Propastin | Satellite-based monitoring system for assessment of vegetation vulnerability to locust hazard in the River Ili delta (Lake Balkhash, Kazakhstan) | |
| Sevillano Marco et al. | Improvement of existing and development of future Copernicus land monitoring products–the ECOLASS project | |
| Parisse et al. | MADIA-Meteorological variables for agriculture: A dataset for the Italian area | |
| Amherdt et al. | Field maturity detection via interferometric synthetic aperture radar images time-series: a case study for maize crop | |
| CN117787542B (zh) | 一种干旱风险评估方法、装置、计算机设备及存储介质 |
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 |
Application publication date: 20201113 |