CN112085781B - 一种基于光谱重构技术提取冬小麦种植面积的方法 - Google Patents

一种基于光谱重构技术提取冬小麦种植面积的方法 Download PDF

Info

Publication number
CN112085781B
CN112085781B CN202010931975.1A CN202010931975A CN112085781B CN 112085781 B CN112085781 B CN 112085781B CN 202010931975 A CN202010931975 A CN 202010931975A CN 112085781 B CN112085781 B CN 112085781B
Authority
CN
China
Prior art keywords
winter wheat
ndvi
time sequence
image
data
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
Application number
CN202010931975.1A
Other languages
English (en)
Other versions
CN112085781A (zh
Inventor
李石磊
李方杰
高懋芳
李召良
任建强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Agricultural Resources and Regional Planning of CAAS
Original Assignee
Institute of Agricultural Resources and Regional Planning of CAAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Agricultural Resources and Regional Planning of CAAS filed Critical Institute of Agricultural Resources and Regional Planning of CAAS
Priority to CN202010931975.1A priority Critical patent/CN112085781B/zh
Publication of CN112085781A publication Critical patent/CN112085781A/zh
Application granted granted Critical
Publication of CN112085781B publication Critical patent/CN112085781B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于光谱重构技术提取冬小麦种植面积的方法，步骤1：获取研究区内整个冬小麦生育期的多景高质量遥感影像并进行预处理；步骤2：计算每幅影像的归一化植被指数，通过波段合成、SG滤波等处理获得研究区内遥感影像的NDVI时序曲线数据；步骤3：选取部分冬小麦样点并获取其NDVI时序曲线数据作为冬小麦训练数据集；步骤4：对冬小麦训练数据集进行奇异向量分解得到冬小麦NDVI时序曲线的前若干个奇异分量；步骤5：利用得到的奇异分量逐像元对整幅影像的NDVI时序曲线进行重构；步骤6：比较整幅影像重构NDVI时序数据与原始NDVI时序数据之间的相似性。本发明利用冬小麦生长的物候规律进行种植面积提取，原理简单，操作方便，且具有较强的普适性。

Description

一种基于光谱重构技术提取冬小麦种植面积的方法
技术领域
本发明属于农作物种植面积遥感提取的技术领域，特别是涉及一种基于光谱重构技术提取冬小麦种植面积的方法。
背景技术
冬小麦是我国主要粮食作物之一，其播种面积和产量在全国粮食生产中均占有举足轻重的地位。近年来，随着农业结构调整的深入和农业市场经济的发展，农村的种植业结构发生了很大变化，冬小麦生产的发展面临着新的挑战。及时、准确地获取冬小麦种植信息，对于冬小麦生产管理、长势监测以及产量估算和确保国家粮食安全等具有重要意义。
目前，农作物种植面积提取的遥感方法主要可分三大类，基于单一影像的作物识别方法、基于时间序列影像的作物识别方法和基于多源数据融合的作物识别方法。其中，相对单一遥感影像，基于时间序列影像的作物识别方法能够描述同一作物在不同生长发育阶段的光谱差异，在一定程度上克服了因“异物同谱”现象而导致的错分、漏分现象。近年来有相关的学者对基于频谱相似的遥感影像分类(如光谱相关性(SCM)、光谱角(SAM)、光谱信息散度(SID)等)也进行了一些研究，然而这些方法大多用于土地覆盖类型变化监测或高光谱遥感影像的分类，尽管有少部分学者也将其应用到农作物种植面积提取中，但大多是通过描述影像目标像元原始光谱曲线与光谱库已有参考光谱曲线之间的差异来进行地物识别，对于计算像元和像元之间的相似性来进行农作物种植面积提取的研究较少。
发明内容
为了解决上述技术问题中的不足之处，本发明提供了一种基于光谱重构技术的冬小麦种植面积提取方法。
为了解决上述技术问题，本发明采用的技术方案是：
一种基于光谱重构技术的冬小麦种植面积提取方法，包括以下步骤：
步骤1：获取研究区内整个冬小麦生育期的多景高质量遥感影像并进行预处理；
步骤2：计算每幅影像的归一化植被指数(NDVI)，通过波段合成、SG滤波等处理获得研究区内遥感影像的NDVI时序曲线数据；
步骤3：选取部分冬小麦样点并获取其NDVI时序曲线数据作为冬小麦训练数据集；
步骤4：对冬小麦训练数据集进行奇异向量分解得到冬小麦NDVI时序曲线的前若干个奇异分量；
步骤5：利用得到的奇异分量逐像元对整幅影像的NDVI时序曲线进行重构；
步骤6：比较整幅影像重构NDVI时序数据与原始NDVI时序数据之间的相似性，引入光谱角作为相似性指数，通过设置阈值实现冬小麦种植面积的提取。
所述的基于光谱重构技术的冬小麦种植面积提取方法，所述步骤1中，获取的多景高质量影像需在时间上要有连续性，而且受云的影响要小，影像预处理包括辐射定标、大气校正和裁剪等步骤。
所述的基于光谱重构技术的冬小麦种植面积提取方法，所述步骤2中，计算研究区内每幅影像的归一化植被指数(NDV)然后通过波段合成获得NDVI时序曲线数据，并采用Savitzky-Golay滤波平滑技术对NDVI时序曲线数据进行平滑处理；
所述的基于光谱重构技术的冬小麦种植面积提取方法，所述步骤3中，利用Googleearth高分辨率卫星影像以及实测数据等获取冬小麦样点数据，并将其NDVI时序数据作为训练数据集；
所述的基于光谱重构技术的冬小麦种植面积提取方法，所述步骤4中，对冬小麦训练数据进行奇异向量分解，得到冬小麦NDVI时序数据的前若干个奇异分量；奇异向量分解的具体公式如下：
M＝USVT
式中，M是要分解的矩阵，U为左奇异向量矩阵，S为奇异值组成的对角矩阵，V为右奇异向量矩阵，T为转置符。
所述的基于光谱重构技术的冬小麦种植面积提取方法，所述步骤5中，选取前若干个奇异向量对整幅影像的NDVI时序数据进行重构，奇异向量的个数要适度，使重构的NDVI时序数据有足够的区分度；
所述的基于光谱重构技术的冬小麦种植面积提取方法，所述步骤6中，引入光谱角作为阈值，逐像元判断重构的NDVI时序曲线与原始NDVI时序曲线的相似性，以达到高精度提取冬小麦种植面积的目的；若光谱角小于该阈值，则判断待判像元为冬小麦种植区，光谱角的具体公式如下：
Figure BDA0002670534060000031
式中，θ是两曲线间角度的大小，xi为原始NDVI曲线中第i波段对应的NDIV值，yi为重构后NDVI曲线中第i波段对应的NDIV值。
本发明提供了一种基于光谱重构技术的冬小麦种植面积提取方法，该方法基于冬小麦生长期的物候规律，将奇异向量分解技术应用到冬小麦面积提取中，利用相似性度量的方法进行冬小麦面积提取，原理简单、精度高、适用性强，可以大范围推广应用。
本发明具有以下有益效果：提供了一种基于光谱重构技术的冬小麦种植面积提取方法。该方法利用冬小麦生长的物候规律，结合光谱角匹配技术进行冬小麦种植面积的提取，提高了冬小麦种植面积提取结果的精度，同时具有较强的普适性，更容易进行推广应用。
附图说明
图1为冬小麦和非冬小麦NDVI时序曲线；
图2为冬小麦和非冬小麦验证样点数据；
图3为濮阳县冬小麦种植面积提取结果；
图4为本方法提取结果精度与其他方法结果精度对比；
具体实施方式
以下结合附图对本发明进行详细说明。
步骤1：从网站下载河南省濮阳县2017年10月至2018年6月的20景哨兵2号数据，这些数据不受云的影响，空间分辨率为10米。然后利用ENVI软件对数据进行辐射定标、大气校正和裁剪等预处理。
步骤2：分别计算经过预处理之后得到的每幅影像的归一化植被指数(NDVI)，通过波段合成、Savitzky-Golay滤波等处理获得研究区内遥感影像的NDVI时序曲线数据。冬小麦和非冬小麦NDVI时序曲线如图1所示。NDVI计算公式如下：
Figure BDA0002670534060000041
式中，ρNIR表示近红外波段的反射率，ρR表示红光波段的反射率。
步骤3：利用Google earth高分辨率卫星影像选取部分冬小麦样点并获取其NDVI时序曲线数据作为冬小麦训练数据集，另外选取约2000个冬小麦和非冬小麦样点作为验证数据集。验证样点在研究区内的分布如图2所示。
步骤4：对选取的约300条冬小麦训练数据集进行奇异向量分解得到冬小麦NDVI时序曲线的前若干个奇异分量；奇异向量分解公式如下：
M＝USVT
式中，M是要分解的矩阵，U为左奇异向量矩阵，S为奇异值组成的对角矩阵，V为右奇异向量矩阵，T为转置符。
步骤5：利用得到的前2个奇异分量逐像元对整幅影像的NDVI时序曲线进行重构。重构公式为：
Figure BDA0002670534060000042
式中，NDVIR表示重构得到的NDVI时序曲线，ωi为奇异向量vi的权重，i表示时序。
步骤6：比较整幅影像重构NDVI时序数据与原始NDVI时序数据之间的相似性，引入光谱角作为阈值，逐像元判断重构的NDVI时序曲线与原始NDVI时序曲线的相似性；
相似性是利用计算所得的光谱角大小来判断的，光谱角越小，相似性越高，若光谱角小于该阈值，则判断待判像元为冬小麦种植区，实现冬小麦种植面积的提取，根据冬小麦训练样点中光谱角的最大值来确定本方法阈值。冬小麦种植面积提取结果如图3所示，并利用验证样点数据对提取结果进行精度验证，所得结果与其他方法对比，结果如图4所示。光谱角的具体公式如下：
Figure BDA0002670534060000051
式中，θ是两曲线间角度的大小，xi为原始NDVI曲线中第i波段对应的NDIV值，yi为重构后NDVI曲线中第i波段对应的NDIV值。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种基于光谱重构技术提取冬小麦种植面积的方法，其特征在于，包括以下步骤：
步骤1：获取研究区内整个冬小麦生育期的多景高质量遥感影像并进行预处理；
步骤2：计算每幅影像的归一化植被指数NDVI，通过波段合成、SG滤波获得研究区内遥感影像的NDVI时序曲线数据；
步骤3：选取部分冬小麦样点并获取其NDVI时序曲线数据作为冬小麦训练数据集；
步骤4：对冬小麦训练数据集进行奇异向量分解得到冬小麦NDVI时序曲线的前若干个奇异分量；
步骤5：利用得到的前若干个奇异分量逐像元对整幅影像的NDVI时序曲线进行重构；
步骤6：比较整幅影像重构NDVI时序数据与原始NDVI时序数据之间的相似性，引入光谱角作为相似性指数，通过设置阈值实现冬小麦种植面积的提取。
2.如权利要求1所述的方法，其特征在于，所述步骤1中，获取的多景高质量影像需在时间上要有连续性，而且受云的影响要小，影像预处理包括辐射定标、大气校正和裁剪步骤。
3.如权利要求1所述的方法，其特征在于，所述步骤2中，计算研究区内每幅影像的归一化植被指数然后通过波段合成获得NDVI时序曲线数据，并采用Savitzky-Golay滤波平滑技术对NDVI时序曲线数据进行平滑处理。
4.如权利要求1所述的方法，其特征在于，所述步骤3中，利用Google earth高分辨率卫星影像以及实测数据获取冬小麦样点数据，并将其NDVI时序数据作为训练数据集。
5.如权利要求1所述的方法，其特征在于，所述步骤4中，对冬小麦训练数据进行奇异向量分解，得到冬小麦NDVI时序数据的前若干个奇异分量；奇异向量分解的具体公式如下：
M＝USVT
式中，M是要分解的矩阵，U为左奇异向量矩阵，S为奇异值组成的对角矩阵，V为右奇异向量矩阵，T为转置符。
6.如权利要求1所述的方法，其特征在于，所述步骤5中，选取前若干个奇异向量对整幅影像的NDVI时序数据进行重构，奇异向量的个数要适度，使重构的NDVI时序数据有足够的区分度。
7.如权利要求1所述的方法，其特征在于，所述步骤6中，引入光谱角作为阈值，逐像元判断重构的NDVI时序曲线与原始NDVI时序曲线的相似性，以达到高精度提取冬小麦种植面积的目的；若光谱角小于该阈值，则判断待判像元为冬小麦种植区，光谱角的具体公式如下：
Figure FDA0002904238670000021
式中，θ是两曲线间角度的大小，xi为原始NDVI曲线中第i波段对应的NDVI值，yi为重构后NDVI曲线中第i波段对应的NDVI值。
CN202010931975.1A 2020-09-08 2020-09-08 一种基于光谱重构技术提取冬小麦种植面积的方法 Active CN112085781B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010931975.1A CN112085781B (zh) 2020-09-08 2020-09-08 一种基于光谱重构技术提取冬小麦种植面积的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010931975.1A CN112085781B (zh) 2020-09-08 2020-09-08 一种基于光谱重构技术提取冬小麦种植面积的方法

Publications (2)

Publication Number Publication Date
CN112085781A CN112085781A (zh) 2020-12-15
CN112085781B true CN112085781B (zh) 2021-05-11

Family

ID=73733160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010931975.1A Active CN112085781B (zh) 2020-09-08 2020-09-08 一种基于光谱重构技术提取冬小麦种植面积的方法

Country Status (1)

Country Link
CN (1) CN112085781B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642579B (zh) * 2021-07-08 2024-08-06 湖南元想科技有限公司 南荻生长区域确定、分割方法及系统
CN114112987B (zh) * 2021-11-23 2024-05-24 国家卫星气象中心(国家空间天气监测预警中心) 冬小麦判识阈值确定方法以及冬小麦判识方法
CN114219847B (zh) * 2022-02-18 2022-07-01 清华大学 基于物候特征的作物种植面积确定方法、系统及存储介质
CN115063690B (zh) * 2022-06-24 2024-06-07 电子科技大学 一种基于ndvi时序特征的植被分类方法
CN117830860A (zh) * 2024-03-06 2024-04-05 江苏省基础地理信息中心 一种冬小麦种植结构的遥感自动提取方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708289A (zh) * 2012-05-07 2012-10-03 山东省农业可持续发展研究所 一种基于冬小麦种植制度利用中分辨率卫星数据提取黄淮平原区冬小麦种植面积的方法
CN105372672A (zh) * 2015-12-07 2016-03-02 广州地理研究所 基于时间序列数据的南方冬种作物种植面积提取方法
CN106372592A (zh) * 2016-08-29 2017-02-01 中国农业科学院农业资源与农业区划研究所 一种基于冬小麦面积指数的冬小麦种植面积计算方法
CN106446555A (zh) * 2016-09-29 2017-02-22 福州大学 基于时序相似性的植被变化发生时间检测方法
CN108596819A (zh) * 2018-03-28 2018-09-28 广州地理研究所 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法
CN109765194A (zh) * 2019-01-25 2019-05-17 中国中医科学院中药研究所 基于高光谱成像技术的枸杞子产地识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3321661A4 (en) * 2015-07-10 2019-01-16 Sony Corporation INSPECTION DEVICE, INSPECTION PROCEDURE AND PROGRAM
CN109738067B (zh) * 2018-12-25 2021-01-15 浙江农林大学暨阳学院 一种估计窄带多光谱相机合成光谱灵敏度的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708289A (zh) * 2012-05-07 2012-10-03 山东省农业可持续发展研究所 一种基于冬小麦种植制度利用中分辨率卫星数据提取黄淮平原区冬小麦种植面积的方法
CN105372672A (zh) * 2015-12-07 2016-03-02 广州地理研究所 基于时间序列数据的南方冬种作物种植面积提取方法
CN106372592A (zh) * 2016-08-29 2017-02-01 中国农业科学院农业资源与农业区划研究所 一种基于冬小麦面积指数的冬小麦种植面积计算方法
CN106446555A (zh) * 2016-09-29 2017-02-22 福州大学 基于时序相似性的植被变化发生时间检测方法
CN108596819A (zh) * 2018-03-28 2018-09-28 广州地理研究所 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法
CN109765194A (zh) * 2019-01-25 2019-05-17 中国中医科学院中药研究所 基于高光谱成像技术的枸杞子产地识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于Google Earch Engine 平台的观众冬小麦面积时空变化检测;郭新 等;《干旱地区农业研究》;20200531;第38卷(第3期);全文 *
基于不同时相遥感的冬小麦种植面积的提取;王庆林 等;《江苏农业学报》;20141231;全文 *

Also Published As

Publication number Publication date
CN112085781A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN112085781B (zh) 一种基于光谱重构技术提取冬小麦种植面积的方法
Chen et al. Mapping croplands, cropping patterns, and crop types using MODIS time-series data
CN111598019B (zh) 基于多源遥感数据的作物类型与种植模式识别方法
CN110796001B (zh) 一种卫星影像覆膜农田识别与提取方法及系统
CN112183209B (zh) 一种基于多维特征融合的区域农作物分类方法及系统
Xia et al. Exploring the potential of Chinese GF-6 images for crop mapping in regions with complex agricultural landscapes
CN113850139B (zh) 一种基于多源遥感的森林年际物候监测方法
CN106950177A (zh) 一种gf‑4卫星遥感影像的水体提取方法
CN108519339B (zh) 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法
CN114821362A (zh) 一种基于多源数据的水稻种植面积提取方法
CN115861629A (zh) 一种高分耕地影像提取方法
CN114778483A (zh) 用于监测山地的遥感影像近红外波段地形阴影校正方法
CN117475313A (zh) 一种基于训练样本自动化提取的大尺度冬小麦早期识别方法
CN106568730B (zh) 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法
Zou et al. The fusion of satellite and unmanned aerial vehicle (UAV) imagery for improving classification performance
CN115861788A (zh) 一种基于高分辨率卫星遥感影像的耕地地块提取方法
Ramadanningrum et al. Image-based tea yield estimation using Landsat-8 OLI and Sentinel-2B images
CN116863341A (zh) 基于时间序列卫星遥感影像的作物分类和识别方法和系统
CN111751295A (zh) 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用
CN116206211A (zh) 综合时序遥感信息和KL-divergence的地物类型识别方法
Chen et al. A novel method for identifying crops in parcels constrained by environmental factors through the integration of a Gaofen-2 high-resolution remote sensing image and Sentinel-2 time series
Fu et al. Examination of the performance of ASEL and MPViT algorithms for classifying mangrove species of multiple natural reserves of Beibu Gulf, south China
CN109446965A (zh) 一种基于无人机数据的烟田自动识别方法
CN112577954A (zh) 城市绿地地上生物量估测方法
Deng et al. Winter wheat planting area extraction technique using multi-temporal remote sensing images based on field parcel

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