CN112101681B - 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法 - Google Patents

基于遥感ndpi时间序列监测冬小麦干热风灾害的方法 Download PDF

Info

Publication number
CN112101681B
CN112101681B CN202011023331.9A CN202011023331A CN112101681B CN 112101681 B CN112101681 B CN 112101681B CN 202011023331 A CN202011023331 A CN 202011023331A CN 112101681 B CN112101681 B CN 112101681B
Authority
CN
China
Prior art keywords
ndpi
hot air
dry
curve
dry hot
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.)
Expired - Fee Related
Application number
CN202011023331.9A
Other languages
English (en)
Other versions
CN112101681A (zh
Inventor
陈晋
王帅
刘励聪
饶玉晗
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.)
Beijing Normal University
Original Assignee
Beijing Normal University
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 Beijing Normal University filed Critical Beijing Normal University
Priority to CN202011023331.9A priority Critical patent/CN112101681B/zh
Publication of CN112101681A publication Critical patent/CN112101681A/zh
Application granted granted Critical
Publication of CN112101681B publication Critical patent/CN112101681B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067Enterprise or organisation modelling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02Agriculture; Fishing; Forestry; Mining
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供了一种基于遥感NDPI时间序列监测冬小麦干热风灾害的方法,包括:生成NDPI时间序列并对每个小麦像元未发生干热风灾害的NDPI时间序列求均值以得到各像元的候选NDPI参考曲线;对候选NDPI参考曲线进行SG滤波,并采用加权形状模型拟合的方法将各像元SG滤波后的候选NDPI参考曲线匹配到发生干热风灾害当年的NDPI曲线上,以得到各像元的标准NDPI参考曲线;最后分离得到由干热风引起的冬小麦NDPI下降量。本发明在生成标准NDPI参考曲线时充分利用了历史年份的NDPI数据并克服了由田间管理措施、气候变化等引起的NDPI年际变化。在量化干热风灾害时采用双重差分模型避免了NDPI自身下降趋势的干扰,为遥感大尺度上快速监测冬小麦干热风灾害提供了一种行之有效的方法。

Description

基于遥感NDPI时间序列监测冬小麦干热风灾害的方法
技术领域
本发明涉及一种冬小麦干热风灾害的监测方法,主要利用遥感NDPI时间序列来实现冬小麦干热风灾害的大尺度快速监测。属于农业气象灾害遥感监测的范畴。
背景技术
小麦干热风灾害是在小麦扬花灌浆期间出现的高温、低湿并伴有一定风力的灾害性天气,可使小麦水分代谢失衡,严重影响各种生理功能,使千粒重明显下降,导致显著减产。当小麦受到干热风灾害胁迫时,一方面会导致花粉不育、组织脱水、CO2同化降低和光呼吸作用增强,另一方面,会使得旗叶的光合速率、蒸腾速率和气孔导度下降,进而导致灌浆期缩短和千粒重降低,产量下降可达5%~20%。
在气候变暖的背景下,干热风灾害发生的强度和频率都有增加的趋势,监测和评估冬小麦的干热风灾害成为十分紧迫的问题。现有对冬小麦干热风灾害的研究,主要集中在三个方面:(1)干热风气象指标的研究;(2)冬小麦干热风灾害的田间控制实验;(3)冬小麦干热风灾害的作物模型模拟。其中,干热风气象指标的研究已趋于成熟,并且已在全国范围内建立了《小麦干热风灾害等级》气象行业标准。而冬小麦干热风灾害的田间控制实验和作物模型模拟研究在分离影响冬小麦受灾程度的因子以及探究干热风灾害对小麦的影响机理方面起着不可或缺的作用,但它们也具有一定的局限性,例如脱离小麦的真实生产环境,以及难以快速、大范围地应用到冬小麦受灾程度的监测和评估中。
遥感作为一种先进的观测手段,可以以非接触、快速以及经济高效的方式提供大尺度的信息,因此非常适合用于在大尺度上监测和评估冬小麦遭遇灾害性天气后的受灾程度。遥感植被指数(Vegetation Index,缩写为VI)是根据植被的吸收和反射特征(如红色和近红外波段)计算出来的,已经被广泛用于植被活力和生长状态监测。归一化差值植被指数(Normalized difference vegetation index,缩写为NDVI)和增强型植被指数(EnhancedVegetation Index,缩写为EVI)是当前最常用的遥感植被指数。然而,这两种指数都未使用对植物叶片水分含量敏感的短波红外波段(Short-wave infrared band,缩写为SWIR),因此它们对冬小麦干热风胁迫的响应是有限的。
归一化差值物候指数(Normalized difference phenology index,缩写为NDPI)是由王聪等人提出的新型遥感指数,它与NDVI具有相同的构建形式,但是把红光波段的反射率替换为红光和短波红外波段反射率的加权组合。因此,NDPI在监测植被活力和生长状态时,不仅可以减少雪和土壤背景的影响,还对植被叶片含水量的变化敏感,非常适合用来用作冬小麦对干热风灾害的响应指标。
NDPI的计算公式为:
Figure GDA0004134017800000021
上述公式中,ρred、ρNIR、和ρSWIR分别是MODIS日反射率数据中在红光波段、近红外波段和短波红外波段(波长范围:1628–1652nm)接收到的地表反射率;所述MODIS日反射率数据指的是美国地球观测系统系列卫星Aqua和Terra上搭载的中分辨率成像光谱仪(Moderate-resolution imaging spectroradiometer,缩写为MODIS)获取的经过Nadir双向反射率分布函数调整后的地表日反射率数据。
由于干热风常发生在冬小麦的扬花灌浆期,在此生长阶段,小麦的植被指数(VI)的时间序列正处在不断下降的趋势中,因此,很容易和干热风灾害引起的植被指数下降叠加在一起难以区分。如何从植被指数下降的混合信号中将干热风灾害引起的下降量分离出来,是冬小麦干热风灾害遥感监测首要解决的问题。因此,本发明采用NDPI作为冬小麦对干热风灾害的响应指标,在NDPI时间序列的基础上,结合加权形状模型拟合和双重差分模型,为大尺度上快速监测冬小麦干热风灾害提供了新的途径。
发明内容
本发明要解决的技术问题是提供基于遥感NDPI时间序列监测冬小麦干热风灾害的方法,以解决冬小麦干热风灾害的快速、大尺度遥感监测问题。
为解决上述技术问题,本发明提出了基于遥感NDPI时间序列监测冬小麦干热风灾害的方法,用于将干热风引起的冬小麦NDPI下降量从NDPI固有的下降趋势中分离出来,作为量化冬小麦遭遇干热风后受灾程度的指标,所述方法包括如下步骤:
步骤A:根据我国《小麦干热风灾害等级》气象行业标准,从气象数据中提取出各个年份的小麦干热风日;在提取的小麦干热风日的基础上确定待监测干热风灾害事件的开始日期和结束日期;其中,
所述《小麦干热风灾害等级》气象行业标准指的是:中华人民共和国气象行业标准QX/T 82-2019。
步骤B,使用MODIS日反射率数据,计算并得到每年冬小麦生育期范围内每个小麦像元的NDPI时间序列;对未发生干热风灾害或发生干热风灾害较轻年份的NDPI时间序列进行均值处理以得到所研究干热风年份的候选NDPI参考曲线;其中,
所述MODIS日反射率数据是指美国地球观测系统系列卫星Aqua和Terra上搭载的中分辨率成像光谱仪(Moderate resolution imaging spectroradiometer,缩写为MODIS)获取的经过Nadir双向反射率分布函数调整后的地表日反射率数据;
所述均值处理指的是对未发生干热风灾害或发生干热风灾害较轻年份的NDPI曲线上下四分位数之间的NDPI值进行平均处理。
步骤C,对所得到干热风年份的候选NDPI参考曲线进行SG滤波,采用加权形状模型拟合的方法将SG滤波后的候选NDPI参考曲线匹配到所研究干热风年份的NDPI曲线上,以得到所研究干热风年份的标准NDPI参考曲线;
步骤D,基于步骤A中提取的干热风灾害事件的开始日期和结束日期,所研究干热风年份的NDPI曲线,以及步骤C中获取的干热风年份的标准NDPI参考曲线,分离得到由干热风引起的冬小麦NDPI下降量,实现对冬小麦干热风灾害的遥感监测和评估。
优选地,所述步骤C中的SG滤波,指的陈晋等人提出的基于Savitzky–Golay滤波消除NDVI时间序列噪音的方法。
优选地,所述步骤C中的加权形状模型拟合方法指的是在Toshihiro Sakamoto等人提出的形状模型拟合方法的基础上改进得到的加权形状模型拟合方法,拟合公式为:
h(t)=sy×{g(st×(t+t0))}                        (1)
其中g(t)为形状模型,指的是对干热风年份候选NDPI参考曲线进行SG滤波后得到的NDPI曲线。h(t)为匹配后得到的标准NDPI参考曲线。sy、st和t0是3个待优化的缩放和平移因子,分别表示对NDPI曲线值的大小进行缩放、对NDPI曲线进行时间上的缩放以及对NDPI曲线进行时间上的平移;
优化目标函数为加权均方根误差:
Figure GDA0004134017800000041
其中wi是NDPI曲线上第ti天NDPI观测值的权重,f(ti)是所研究干热风年份NDPI曲线上第ti天的NDPI值,h(ti)是匹配后的标准NDPI参考曲线上第ti天的NDPI值。优化的目标是使得wRMSE最小。权重wi的确定,可按照但不限于如下方法确定:
Figure GDA0004134017800000042
Figure GDA0004134017800000043
其中,tDHW是干热风的开始日期,tDHW-1表示干热风发生的前一天。ti是第i个NDPI观测值所在的日期。
优选地,所述步骤D中,分离得到由干热风引起的NDPI下降量,采用的是双重差分模型,所述双重差分模型可表示为:
ΔYt=Yt2-Yt1                       (5)
ΔYc=Yc2-Yc1                       (6)
DD=ΔYt-ΔYc                       (7)
其中,公式5中Yt1和Yt2分别表示在干热风发生前与发生后干热风年份NDPI曲线上的NDPI值,ΔYt表示在干热风发生后干热风年份NDPI曲线的下降量。公式6中Yc1和Yc2分别表示在干热风发生前与发生后标准NDPI参考曲线上的NDPI值,ΔYc表示在干热风发生后标准NDPI参考曲线的下降量。公式7中DD是从干热风年份NDPI曲线下降量中减去标准NDPI参考曲线的下降量,表示在控制NDPI本身固有的下降趋势后分离出来的由干热风引起的冬小麦NDPI下降量。
优选地,公式5和公式6中,在确定干热风发生前干热风年份的NDPI曲线及其对应的标准NDPI参考曲线上的NDPI值时,均选择它们从干热风发生前一天直至干热风结束时间段内的NDPI最大值,以避免云污染及不良大气条件等引起的NDPI低值噪音。与此类似,在确定干热风发生后这两条NDPI曲线上的NDPI值时,均选择它们在干热风结束3-5天内的NDPI最大值。
优选地,在基本的双重差分模型中,公式7中的DD值可通过公式8中回归得到的系数α3进行无偏估计,并可利用统计学中的t检验方法对α3做显著性检验:
Yi=α01D1i2D2i3D1i·D2ii            (8)
其中,Yi是第i个NDPI的观测值,D1是表示分组特征的虚拟变量,D2是表示干热风发生前后的时间虚拟变量,α0,α1,α2和α3是回归系数,εi是回归的残差项。虚拟变量D1和D2的取值可由如下公式定义:
Figure GDA0004134017800000051
Figure GDA0004134017800000052
优选地,为了获取公式8中回归模型的样本,针对每个冬小麦像元,在围绕该像元的k×k个像元大小的正方形区域内,把所有小麦像元作为获取公式8中回归模型的样本点;其中k取7或者9。
优选地,可利用统计学中的t检验方法对公式8中回归得到的系数α3进行显著性检验。通过t检验显著小于0的α3值,即代表明显是由干热风引起的NDPI下降量,并用来量化冬小麦在干热风灾害胁迫下的受灾程度。其中,α3的绝对值越大,表明由干热风引起的NDPI下降量越大,从而说明冬小麦受灾程度越严重。
本发明通过加权形状模型拟合方法将SG滤波后的候选NDPI参考曲线与所研究干热风年份的NDPI曲线进行匹配,得到了干热风年份的标准NDPI参考曲线。然后使用双重差分模型,能够很好地控制NDPI固有的下降趋势,从而将干热风引起的NDPI下降量更好地分离出来,以实现冬小麦干热风灾害的快速、准确和大尺度遥感监测。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释,并不限定本发明的范围。其中,
图1a-1d显示的是基于加权形状模型拟合生成标准NDPI参考曲线的过程以及在干热风发生前后NDPI的取值方式;
其中,图1a显示的是根据未发生干热风灾害(或发生程度较轻)的多年NDPI曲线得到候选NDPI参考曲线的过程,图1b显示的是候选NDPI参考曲线与所研究干热风年份NDPI曲线之间的差异性,图1c显示的是利用加权形状模型拟合方法得到干热风年份标准NDPI参考曲线的过程,图1d显示的是干热风灾害发生前后从干热风年份NDPI曲线及其对应的标准NDPI参考曲线上确定NDPI值的方式。
图2a-2d显示的是基于双重差分模型的冬小麦干热风遥感监测框架;
其中,图2a显示的是双重差分模型的基本原理示意图,图2b显示的是用NDPI时间序列以及双重差分模型监测冬小麦干热风灾害的框架,图2c显示的是对目标小麦像元进行周边区域扩展,图2d显示的是对区域扩展后的小麦像元按照双重差分模型的需求重新组织数据形式后的结果示意图;
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。但本领域的技术人员应该知道,以下实施例并不是对本发明技术方案作的唯一限定,凡是在本发明技术方案精神实质下所做的任何等同变换或改动,均应视为属于本发明的保护范围。
下面详细说明根据本发明提供的基于遥感NDPI时间序列监测冬小麦干热风灾害的方法和具体应用。应当注意的是,本发明所提出的小麦干热风灾害遥感监测方法,经过适当的调整,可以适用于其它作物以及其它灾害的遥感监测中。本实施例虽然以冬小麦干热风灾害遥感监测为示例,但并未限定该方法的适用范围。
小麦对干热风灾害的主要反应包括叶片加速衰老、细胞失水、光合作用降低、光合酶失活以及叶绿体产生氧化损伤等,这些生理和生化反应最终将反映在冬小麦的光谱反射率信号中,亦即在可见光波段的反射率升高,在近红外波段的反射率下降,在短波红外波段的反射率升高。
根据NDPI计算公式可知,在遭遇干热风后,由于近红外波段反射率的降低以及红光和短波红外波段反射率的升高,冬小麦的NDPI会呈现出明显下降的特征。因此根据干热风发生前后NDPI的下降量,即可定量监测和评估冬小麦的受灾程度。然而,干热风一般发生于小麦的扬花灌浆期,在此阶段小麦的NDPI本身就处于快速下降的阶段,NDPI这种固有的下降趋势,会对计算干热风引起的NDPI下降量产生很大干扰。
因此,本发明针对此问题,在冬小麦遭遇干热风灾害后NDPI具有显著下降特征的基础上,开发出了结合加权形状模型拟合和双重差分模型监测冬小麦干热风灾害的方法。
下面详细说明本发明的基于遥感NDPI时间序列监测冬小麦干热风灾害的方法的具体步骤。
步骤A:根据我国《小麦干热风灾害等级》气象行业标准从气象数据中提取出各个年份的小麦干热风日,在提取的小麦干热风日的基础上确定待监测干热风灾害事件的开始日期和结束日期。
其中,小麦干热风日是指在小麦扬花灌浆期间,某日内实际出现的气象要素组合达到了干热风发生的指标要求,该指标可从我国《小麦干热风灾害等级》气象行业标准(QX/T 82—2019)中获得。通常会有连续数天的气象要素组合都达到干热风发生的指标要求,这些天即被认为发生了干热风事件。在这些天中,气象要素组合首次达到干热风发生的指标要求的日期,被称为干热风事件的开始日期。气象要素组合最后一次达到干热风发生的指标要求的日期,被称为干热风事件的结束日期。从各个气象站点提取出的干热风灾害的开始日期和结束日期,后续将分别用于确定各个气象站点周边小麦像元的NDPI曲线上干热风灾害发生前后冬小麦的NDPI值。
步骤B,使用MODIS日反射率数据,计算并得到每年冬小麦生育期范围内(例如从返青期到成熟期)每个小麦像元的NDPI时间序列,对每个小麦像元在未发生干热风灾害(或发生干热风灾害较轻)的年份的NDPI时间序列进行均值处理,得到候选NDPI参考曲线。
其中,NDPI时间序列指的是:在所选择的冬小麦生育期范围内(例如从返青期到成熟期),根据每天的MODIS数据计算当天的NDPI,得到每天每个小麦像元的NDPI值,将每个小麦像元的NDPI值按照时间排列,就会得到每个小麦像元的NDPI时间序列。想象这样一种图像,把一片冬小麦生长区域的图像,划分成包含边长500m的正方形区域的方格纸,每个正方形就是一个小麦像元,每个像元每天都会有一个NDPI数值,这片冬小麦生长区域的NDPI时间序列相当于把每一天的方格纸对齐后一张张摞起来。如果将单个小麦像元的时间序列抽取出来,将其NDPI值作为纵坐标,将时间作为横坐标,就可以得到该小麦像元如图1a中附图标记1标示的曲线那样的NDPI时间序列曲线(简称为该小麦像元的NDPI曲线)。选取未发生干热风灾害或发生干热风灾害较轻年份的NDPI曲线并进行均值处理,即可得到候选NDPI参考曲线。所述均值处理指的是对未发生干热风灾害的年份的NDPI曲线上下四分位数之间的NDPI值进行平均处理。
图1a中,如附图标记1标示的曲线那样的多条浅色曲线代表的是同一个小麦像元在不同年份(未发生干热风灾害或发生干热风灾害较轻)的NDPI时间序列,附图标记4标示的浅色的区域代表这些曲线的上下四分位数范围。通过对落在浅色区域范围内的NDPI曲线求平均,即可得到该小麦像元的NDPI平均曲线(图1a中附图标记2标示的曲线)。在对多年的NDPI曲线求平均时,仅针对上下四分位数范围内的NDPI值求平均的原因是为了避免NDPI空值及其它异常值的影响。均值处理之后获得的即为附图标记2标示的候选NDPI参考曲线。
步骤C,对所得到的候选NDPI参考曲线进行SG滤波,并采用加权形状模型拟合的方式将SG滤波后的候选NDPI参考曲线与同一像元的干热风年份的NDPI曲线进行拟合,以得到干热风年份的标准NDPI参考曲线。SG滤波是陈晋等人提出的基于Savitzky–Golay滤波消除NDVI时间序列噪音的方法,属于现有技术,通过SG滤波可以减小或消除云覆盖、气溶胶等大气因素对MODIS数据造成的噪声影响。加权形状模型拟合方法指的是在ToshihiroSakamoto等人提出的形状模型拟合方法基础上改进得到的加权形状模型拟合方法。
其中,对候选NDPI参考曲线进行SG滤波可在一定程度上消除该曲线上由云污染及不良大气状况等引起的NDPI低值噪音,使得SG滤波后的曲线更接近原NDPI曲线的上包络线,同时也更符合冬小麦生长的实际情况(图1a中附图标记3'标示的曲线)。同理,针对干热风灾害年份的NDPI曲线(图1b中附图标记5标示的曲线),也同样进行SG滤波处理,以得到SG滤波后的灾害年份的NDPI曲线,并作为加权形状模型拟合中的目标曲线(图1b中附图标记6标示的曲线)。经过SG滤波后的候选NDPI参考曲线可被称为形状模型(图1b中附图标记3标示的曲线),并进一步用来与加权形状模型拟合中的目标曲线(图1b中附图标记6标示的曲线)进行拟合。
如图1b所示,在后续进行加权形状模型匹配之前,形状模型(亦即经SG滤波后的候选NDPI参考曲线)与目标曲线(亦即经SG滤波后的灾害年份的NDPI曲线)之间仍然有较大差异,这是由不同年份之间的气候条件、田间管理及栽培措施等条件不同引起的。
为了消除这种差异,可根据公式1和公式2采用加权形状模型拟合的方法将形状模型与目标曲线进行拟合:
h(t)=sy×{g(st×(t+t0))}                        (1)
其中函数g(t)为形状模型,指的是经SG滤波后的候选NDPI参考曲线。h(t)为匹配后得到的标准NDPI参考曲线。sy、st和t0是3个待优化的缩放和平移因子,分别表示对NDPI曲线值的大小进行缩放、对NDPI曲线进行时间上的缩放以及对NDPI曲线进行时间上的平移。sy、st和t0的初始值可分别设置为1,1,0,它们的约束范围可经验地设置为[0.5,1.85],[0.9,1.1]和[-10,10]。优化的目标是使得加权均方根误差(wRMSE)目标函数取得最小值:
Figure GDA0004134017800000101
其中wi是NDPI曲线上第ti天NDPI观测值的权重,f(ti)是目标曲线上第ti天的NDPI值,h(ti)是形状模型上第ti天的NDPI值。权重wi可按照但不限于如下方法确定:
Figure GDA0004134017800000102
Figure GDA0004134017800000103
其中,tDHW是干热风的开始日期,tDHW-1表示干热风发生的前一天。ti是第i个NDPI观测值所在的日期。在参数的优化过程中,仅使用干热风灾害发生前的NDPI数据。
图1c中显示的分别是图1b的形状模型(图1b、1c中附图标记3标示的曲线)和目标NDPI曲线(图1b、1c中附图标记6标示的曲线),以及通过加权形状模型拟合的方式获得的标准NDPI参考曲线(图1c中附图标记7标示的曲线)。图1d显示的是干热风灾害发生前后从干热风年份NDPI曲线及其对应的标准NDPI参考曲线上确定NDPI值的方式,其中附图标记5显示的是干热风灾害年份的NDPI曲线,附图标记7显示的是标准NDPI参考曲线。
步骤D,基于步骤A中提取的干热风灾害事件的开始日期和结束日期,需要研究的干热风年份某个小麦像元的NDPI曲线,以及步骤C中获取的干热风年份同一小麦像元的标准NDPI参考曲线,对小麦像元逐一采用双重差分模型分离得到由干热风引起的NDPI下降量,以实现冬小麦干热风灾害快速、大尺度的遥感监测。其中,分离得到由干热风引起的NDPI下降量,可以采用双重差分模型。
图2a显示的是双重差分模型的基本原理。处理组和控制组的黑色直线都具有相同的下降趋势(即平行趋势),当某个事件发生后,处理组的曲线具有一个显著的下降特征。为了计算该事件对处理组曲线的影响,可采用如下方式:
ΔYt=Yt2-Yt1                      (5)
ΔYc=Yc2-Yc1                      (6)
DD=ΔYt-ΔYc                      (7)
其中,公式5中Yt1和Yt2分别表示某事件发生前后处理组在t1和t2时刻所获取的观测值,ΔYt表示在某事件发生前后处理组观测值的变化量;公式6中Yc1和Yc2分别表示某事件发生前后控制组在t1和t2时刻所获取的观测值,ΔYc表示在某事件发生前后控制组观测值的变化量;公式7中通过从某事件发生前后处理组观测值的变化量中减去控制组观测值的变化量,可去除观测量固有变化趋势的影响,从而分离出某事件对处理组所引起的效应,该效应的大小由DD值表示。
将双重差分原理应用于基于遥感NDPI时间序列的冬小麦干热风灾害遥感监测时,其原理如图2b所示。图2b中曲线5表示遭遇干热风灾害的某冬小麦像元的NDPI曲线,对应于图2a中的处理组。图2b中曲线7表示假设该小麦像元未受到干热风灾害影响时的理想NDPI曲线(亦即标准NDPI参考曲线),对应于图2a中的控制组。在具体实施过程中,图2b中曲线5即为图1b中灾害年份的NDPI曲线5,图2b中曲线7即为图1c中经过加权形状模型拟合后得到的标准NDPI参考曲线7。在干热风灾害发生前(对应于图2a中的t1时间),图2b中干热风年份NDPI曲线5和标准NDPI参考曲线7上的NDPI观测值都取它们在干热风发生前一天到干热风结束期间(对应于图1d中深灰色方框覆盖的范围)内的NDPI最大值,以避免取到由大气条件及云污染等引起的NDPI低值噪音。同样的道理,在干热风发生后,图2b中干热风年份NDPI曲线5和标准NDPI参考曲线7上的NDPI观测值都取干热风结束后3-5天内(对应于图1d中浅灰色方框覆盖的区域)的NDPI最大值。在此基础上,按照公式5-公式7,即可分离出由干热风灾害引起的冬小麦NDPI下降量。该下降量即为公式7中的DD值,在基本的双重差分模型中可由公式8中两个虚拟变量交叉项前面的系数α3来表示:
Yi=α01D1i2D2i3D1i·D2ii            (8)
其中,Yi是第i个NDPI的观测值,D1是表示分组特征的虚拟变量,D2是表示干热风发生前后的时间虚拟变量,α0,α1,α2和α3是回归系数,εi是回归的残差项。虚拟变量D1和D2的取值可由如下公式定义:
Figure GDA0004134017800000121
Figure GDA0004134017800000122
为了实现公式8,需要用到小麦像元及其周边一定范围内的其它小麦像元,也就是对围绕小麦像元进行周边区域扩展,以获得足够的回归样本,同时也为了充分利用数据的空间信息。如图2c所示,可根据干热风年份的标准NDPI参考曲线及干热风灾害的开始日期,按照图1d所示的方法提取出干热风发生前标准NDPI参考曲线上的NDPI观测值作为灾害前控制组的NDPI图层S1。按照相同的方法,可依次提取出灾害后控制组的NDPI图层S2、灾害前处理组的NDPI图层S3和灾害后处理组的NDPI图层S4。此处处理组代表干热风年份的NDPI曲线,控制组代表与其相对应的标准NDPI参考曲线。将4个图层叠加在一起,即可得到如图2c所示的NDPI数据的叠加图像。以图2c中的选定小麦像元X为例,可在围绕该像元的k×k个像元大小的正方形区域内,把四个图层的所有小麦像元都一一提取出来。例如,可以在围绕该像元的边长为7个或9个像元的正方形区域内把四个图层的小麦像元都一一提取出来,重新排列成图2d所示的形式,其中NDPIi即为提取出来的第i个小麦像元的NDPI值。对于D1i,D2i以及交叉项D1i·D2i的取值,以图2d中的前两个浅色小麦像元为例,由于它们是从图2c中灾害发生前的控制组NDPI图层得到的,根据公式9和公式10,它们对应的D1i和D2i都为0,两者相乘得到的交叉项D1i·D2i也为0。再以图2d中的最下方的两个小麦像元为例,由于它们是从图2c中灾害发生后的处理组NDPI图层得到的,根据公式9和公式10,它们对应的D1i和D2i都为1,两者相乘得到的交叉项D1i·D2i也为1。按照相同的方法,可以依次确定其它各小麦像元D1i,D2i以及D1i·D2i的值。
根据图2d中得到的各个小麦像元的NDPI值和两个虚拟变量及其交叉项的值,即可代入公式8中的回归模型并由最小二乘法得到系数α3的值,作为对公式7中的DD值的无偏估计。也就是说,通过公式8中回归得到的系数α3可以直接作为对公式7中DD值的估计,并且这种估计是无偏差的、准确的。因此,系数α3的值可直接用来表示由干热风灾害引起的该选定小麦像元NDPI的下降量,并通过统计学中的t检验来检验其显著性。只有通过显著性检验且小于0的α3才被认为是明显由干热风灾害引起的。通过统计学中t检验的显著小于0的α3值即表示由干热风引起的NDPI下降量,用来量化冬小麦在干热风灾害胁迫下的受灾程度;其中,显著小于0的α3的绝对值越大,表示由干热风引起的NDPI下降量越大,说明冬小麦在干热风胁迫下受灾程度越大。依次对研究区域内所有的小麦像元逐一进行上述操作,即可获取研究区域内所有小麦像元在干热风灾害胁迫下的受灾程度,从而实现冬小麦干热风灾害的快速、大尺度遥感监测。
如上所述,经过步骤A、B、C和D的处理后,每个小麦像元的由干热风灾害引起的NDPI下降量都可以通过双重差分模型估计出来。相比于单时相和多时相的监测方法,本发明充分利用了NDPI时间序列的信息,并充分利用了多年的历史数据和空间信息,能够更好地从NDPI的下降趋势中将干热风引起的NDPI下降量分离出来,从而实现对冬小麦干热风灾害的快速监测。本发明通过加权形状模型拟合方法将SG滤波后的候选NDPI参考曲线与所研究干热风年份的NDPI曲线进行匹配,得到了干热风年份的标准NDPI参考曲线。然后使用双重差分模型,能够很好地控制NDPI固有的下降趋势,从而将干热风引起的NDPI下降量更好地分离出来,以实现冬小麦干热风灾害的快速、准确和大尺度遥感监测。
综上所述,本发明基于遥感NDPI时间序列,采用加权形状模型拟合和双重差分模型的方法来实现对冬小麦干热风灾害的遥感监测。使用NDPI时间序列是因为冬小麦的NDPI是一个对干热风灾害很好的响应指标。使用加权形状模型拟合可以很好地克服由气候、田间管理和栽培措施等条件引起的不同年份NDPI曲线之间的差异。使用双重差分模型,可以很好地控制NDPI固有的变化趋势,从而将干热风灾害引起的NDPI下降量更好地分离出来。本发明充分利用了冬小麦NDPI时间序列的历史信息和空间信息,为在大尺度上快速监测冬小麦干热风灾害提供了一种行之有效的方法。
本领域技术人员应当理解,虽然本发明是按照多个实施例的方式进行描述的,但是并非每个实施例仅包含一个独立的技术方案。说明书中如此叙述仅仅是为了清楚起见,本领域技术人员应当将说明书作为一个整体加以理解,并将各实施例中所涉及的技术方案看作是可以相互组合成不同实施例的方式来理解本发明的保护范围。
以上所述仅为本发明示意性的具体实施方式,并非用以限定本发明的范围。任何本领域的技术人员,在不脱离本发明的构思和原则的前提下所作的等同变化、修改与结合,均应属于本发明保护的范围。

Claims (7)

1.一种基于遥感NDPI时间序列监测冬小麦干热风灾害的方法,用于将干热风引起的冬小麦NDPI下降量从NDPI固有的下降趋势中分离出来,以实现冬小麦干热风灾害快速、大尺度的遥感监测,其特征在于,所述方法包括如下步骤:
步骤A:从气象数据中提取出各个年份的小麦干热风日;在提取的小麦干热风日的基础上确定待监测干热风灾害事件的开始日期和结束日期;
步骤B,使用MODIS日反射率数据,计算并得到每年冬小麦生育期范围内每个小麦像元的NDPI时间序列;对每个小麦像元在未发生干热风灾害的年份的NDPI时间序列进行均值处理以得到所研究干热风年份的候选NDPI参考曲线;其中,所述均值处理指的是对未发生干热风灾害的年份的NDPI曲线上下四分位数之间的NDPI值进行平均处理;
步骤C,对所得到干热风年份的候选NDPI参考曲线进行SG滤波,采用加权形状模型拟合的方法将SG滤波后的候选NDPI参考曲线匹配到所研究干热风年份的NDPI曲线上,以得到干热风年份的标准NDPI参考曲线;
步骤D,基于步骤A中提取的干热风灾害事件的开始日期和结束日期,所研究干热风年份的NDPI曲线,以及步骤C中获取的所研究干热风年份的标准NDPI参考曲线,分离得到由干热风引起的NDPI下降量,以实现冬小麦干热风灾害快速、大尺度的遥感监测;
所述步骤C中的加权形状模型拟合方法的拟合公式为:
h(t)=sy×{g(st×(t+t0))}                        (1)
其中g(t)为形状模型,指的是对候选NDPI参考曲线进行SG滤波后得到的NDPI曲线;h(t)为匹配后得到的标准NDPI参考曲线;sy、st和t0是3个待优化的缩放和平移因子,分别表示对NDPI曲线值的大小进行缩放、对NDPI曲线进行时间上的缩放以及对NDPI曲线进行时间上的平移;
优化目标函数为加权均方根误差:
Figure FDA0004118432600000011
其中wi是NDPI曲线上第ti天NDPI观测值的权重,f(ti)是所研究干热风年份NDPI曲线上第ti天的NDPI值,h(ti)是匹配后的标准NDPI参考曲线上第ti天的NDPI值;优化的目标是使得wRMSE取得最小值。
2.如权利要求1所述的方法,其特征在于,所述权重wi的确定,可按照如下方法确定:
Figure FDA0004118432600000021
Figure FDA0004118432600000022
其中,tDHW是干热风的开始日期,tDHW-1表示干热风发生的前一天;ti是第i个NDPI观测值所在的日期。
3.如权利要求1所述的方法,其特征在于,所述步骤D中,分离得到由干热风引起的NDPI下降量,采用的是双重差分模型,所述双重差分模型可表示为:
ΔYt=Yt2-Yt1                      (5)
ΔYc=Yc2-Yc1                      (6)
DD=ΔYt-ΔYc                      (7)
其中,公式5中Yt1和Yt2分别表示在干热风发生前与发生后干热风年份NDPI曲线上的NDPI值,ΔYt表示在干热风发生后干热风年份NDPI曲线的下降量;公式6中Yc1和Yc2分别表示在干热风发生前与发生后标准NDPI参考曲线上的NDPI值,ΔYc表示在干热风发生后标准NDPI参考曲线的下降量;公式7中DD是从干热风年份NDPI曲线下降量中减去标准NDPI参考曲线的下降量,表示在控制NDPI本身固有的下降趋势后分离出来的由干热风引起的冬小麦NDPI下降量。
4.如权利要求3所述的方法,其特征在于,在确定干热风发生前干热风年份的NDPI曲线及其对应的标准NDPI参考曲线上的NDPI值时,均选择从干热风发生前一天直至干热风结束时间段内的NDPI最大值;在确定干热风发生后这两条NDPI曲线上的NDPI值时,均选择它们在干热风结束3-5天内的NDPI最大值。
5.如权利要求3所述的方法,其特征在于,所述DD值可通过公式8中回归得到的系数α3进行无偏估计,并可利用统计学中的t检验方法对α3做显著性检验:
Yi=α01D1i2D2i3D1i·D2ii                (8)
其中,Yi是第i个NDPI的观测值,D1是表示分组特征的虚拟变量,D2是表示干热风发生前后的时间虚拟变量,α0,α1,α2和α3是回归系数,εi是回归的残差项;虚拟变量D1和D2的取值可由如下公式定义:
Figure FDA0004118432600000031
Figure FDA0004118432600000032
6.如权利要求5所述的方法,其特征在于,针对每个冬小麦像元,在围绕该像元的k×k个像元大小的正方形区域内,把所有小麦像元作为获取公式8中回归模型的样本点;其中k取7或者9。
7.如权利要求5或6所述的方法,其特征在于,通过统计学中t检验的显著小于0的α3值即表示由干热风引起的NDPI下降量,用来量化冬小麦在干热风灾害胁迫下的受灾程度;其中,显著小于0的α3的绝对值越大,表示由干热风引起的NDPI下降量越大,说明冬小麦在干热风胁迫下受灾程度越大。
CN202011023331.9A 2020-09-25 2020-09-25 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法 Expired - Fee Related CN112101681B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011023331.9A CN112101681B (zh) 2020-09-25 2020-09-25 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011023331.9A CN112101681B (zh) 2020-09-25 2020-09-25 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法

Publications (2)

Publication Number Publication Date
CN112101681A CN112101681A (zh) 2020-12-18
CN112101681B true CN112101681B (zh) 2023-04-28

Family

ID=73755407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011023331.9A Expired - Fee Related CN112101681B (zh) 2020-09-25 2020-09-25 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法

Country Status (1)

Country Link
CN (1) CN112101681B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112685468B (zh) * 2020-12-24 2023-03-24 吉林大学 生态系统属性组分组成结构长期演变图形表达方法
CN114970941A (zh) * 2022-03-23 2022-08-30 南湖实验室 一种基于遥感植被物候的花粉信息预测方法
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

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009169882A (ja) * 2008-01-21 2009-07-30 Yamatake Corp データ管理装置、データ管理方法、及びデータ管理プログラム
KR20120081430A (ko) * 2011-01-11 2012-07-19 서울시립대학교 산학협력단 1일 생산성 정보 기반의 공기단축형 발주를 위한 낙찰자 선정 방법
WO2016003861A1 (en) * 2014-06-30 2016-01-07 Siemens Aktiengesellschaft Solar power forecasting using mixture of probabilistic principal component analyzers
CN106780079A (zh) * 2016-11-28 2017-05-31 山东省农业可持续发展研究所 基于遥感数据的冬小麦不同生育期叶面积指数反演方法
CN107392419A (zh) * 2017-06-09 2017-11-24 农业部环境保护科研监测所 华北平原冬小麦夏玉米轮作农田面源污染评价与监测方法
JP2017224268A (ja) * 2016-06-09 2017-12-21 株式会社日立製作所 データ予測システムおよびデータ予測方法
CN107782701A (zh) * 2017-09-20 2018-03-09 北京师范大学 一种多源遥感数据的农业干旱监测方法
WO2018073093A1 (de) * 2016-10-19 2018-04-26 Bayer Cropscience Aktiengesellschaft Bestimmung des korngewichtes einer ähre
CN108243950A (zh) * 2018-03-22 2018-07-06 河北省农林科学院旱作农业研究所 一种辐射诱变定向选育半雨养高产优质冬小麦品种的方法
CN108830249A (zh) * 2018-06-26 2018-11-16 安徽大学 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法
CN108985959A (zh) * 2018-08-09 2018-12-11 安徽大学 一种基于地表温度反演技术的小麦白粉病遥感监测方法
CN110909679A (zh) * 2019-11-22 2020-03-24 中国气象科学研究院 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统
CN111582554A (zh) * 2020-04-17 2020-08-25 北京农业信息技术研究中心 一种农作物长势预测方法及系统
CN111598303A (zh) * 2020-04-20 2020-08-28 广东电网有限责任公司电力调度控制中心 一种基于气象成分分解的夏季短期负荷预测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009169882A (ja) * 2008-01-21 2009-07-30 Yamatake Corp データ管理装置、データ管理方法、及びデータ管理プログラム
KR20120081430A (ko) * 2011-01-11 2012-07-19 서울시립대학교 산학협력단 1일 생산성 정보 기반의 공기단축형 발주를 위한 낙찰자 선정 방법
WO2016003861A1 (en) * 2014-06-30 2016-01-07 Siemens Aktiengesellschaft Solar power forecasting using mixture of probabilistic principal component analyzers
JP2017224268A (ja) * 2016-06-09 2017-12-21 株式会社日立製作所 データ予測システムおよびデータ予測方法
WO2018073093A1 (de) * 2016-10-19 2018-04-26 Bayer Cropscience Aktiengesellschaft Bestimmung des korngewichtes einer ähre
CN106780079A (zh) * 2016-11-28 2017-05-31 山东省农业可持续发展研究所 基于遥感数据的冬小麦不同生育期叶面积指数反演方法
CN107392419A (zh) * 2017-06-09 2017-11-24 农业部环境保护科研监测所 华北平原冬小麦夏玉米轮作农田面源污染评价与监测方法
CN107782701A (zh) * 2017-09-20 2018-03-09 北京师范大学 一种多源遥感数据的农业干旱监测方法
CN108243950A (zh) * 2018-03-22 2018-07-06 河北省农林科学院旱作农业研究所 一种辐射诱变定向选育半雨养高产优质冬小麦品种的方法
CN108830249A (zh) * 2018-06-26 2018-11-16 安徽大学 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法
CN108985959A (zh) * 2018-08-09 2018-12-11 安徽大学 一种基于地表温度反演技术的小麦白粉病遥感监测方法
CN110909679A (zh) * 2019-11-22 2020-03-24 中国气象科学研究院 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统
CN111582554A (zh) * 2020-04-17 2020-08-25 北京农业信息技术研究中心 一种农作物长势预测方法及系统
CN111598303A (zh) * 2020-04-20 2020-08-28 广东电网有限责任公司电力调度控制中心 一种基于气象成分分解的夏季短期负荷预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Chinatsu Yonezawa et al.COSMO-SkyMed data observation of reconstruction process in agricultural fields damaged by the March 11 2011 tsunami.《2014 IEEE Geoscience and Remote Sensing Symposium》.2014,2074-2077. *
张展骞.基于植被指数时间序列的洪涝灾害遥感监测模型.《中国优秀硕士学位论文全文数据库基础科学辑》.2019,(第10期),1-58. *
王静.多源遥感数据的小麦病害预测监测研究.《中国优秀硕士学位论文全文数据库农业科技辑》.2016,(第01期),1-69. *
马慧琴 等.遥感与气象数据结合预测小麦灌浆期白粉病.《农业工程学报》.2016,第32卷(第09期),165-172. *
黄小雪 等.遥感技术在灾害监测中的应用.《四川环境》.2004,(第06期),102-106. *

Also Published As

Publication number Publication date
CN112101681A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112101681B (zh) 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法
Chen et al. An enhanced bloom index for quantifying floral phenology using multi-scale remote sensing observations
Valdés-Gómez et al. Grey mould incidence is reduced on grapevines with lower vegetative and reproductive growth
Liu et al. Monitoring Brazilian soybean production using NOAA/AVHRR based vegetation condition indices
CN106372592B (zh) 一种基于冬小麦面积指数的冬小麦种植面积计算方法
CN104408307B (zh) 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法
Kohorn Shoot morphology and reproduction in jojoba: advantages of sexual dimorphism
Martín et al. Using hyperspectral remote sensing to map grape quality inTempranillo'vineyards affected by iron deficiency chlorosis
Twizeyimana et al. Dynamics of soybean rust epidemics in sequential plantings of soybean cultivars in Nigeria
CN112667955B (zh) 基于遥感估算区域尺度玉米潜在产量与产量差的方法与应用
Zhang et al. Detecting winter canola (Brassica napus) phenological stages using an improved shape-model method based on time-series UAV spectral data
CN109142237B (zh) 一种监测感染松材线虫病枯死马尾松的卫星光谱指数
CN109211802B (zh) 监测感染松材线虫病枯死马尾松的方法
Ribeiro et al. Quantitative forecasting of olive yield in Northern Portugal using a bioclimatic model
Liu et al. Application of UAV-retrieved canopy spectra for remote evaluation of rice full heading date
Stooksbury et al. Climate Change and Large‐Area Corn Yield in the Southeastern United States
CN116452359A (zh) 冬小麦长势的综合评价方法
Wang et al. Monitoring growth condition of spring maize in Northeast China using a process-based model
CN116524225A (zh) 一种基于多源遥感数据的作物分类方法及系统
Liu et al. Crop drought area extraction based on remote sensing time series spatial-temporal fusion vegetation index
CN114740004A (zh) 基于无人机采集玉米高光谱实现检测根腐病和定位的方法
Yang et al. Evaluation of winter-wheat water stress with UAV-based multispectral data and ensemble learning method
CN114332628B (zh) 一种基于典型物候及膜网特征的生姜快速遥感提取方法
Rahimi-Ajdadi Land suitability assessment for second cropping in terms of low temperature stresses using landsat TIRS sensor
Ma et al. A novel approach to detect the spring corn phenology using layered strategy

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20230428