CN112304902B - 一种农作物物候的实时监测方法和装置 - Google Patents
一种农作物物候的实时监测方法和装置 Download PDFInfo
- Publication number
- CN112304902B CN112304902B CN202011200422.5A CN202011200422A CN112304902B CN 112304902 B CN112304902 B CN 112304902B CN 202011200422 A CN202011200422 A CN 202011200422A CN 112304902 B CN112304902 B CN 112304902B
- Authority
- CN
- China
- Prior art keywords
- evi
- target
- time sequence
- remote sensing
- sensing image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000002310 reflectometry Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 4
- 229920000742 Cotton Polymers 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000003750 conditioning effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000002156 mixing 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
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- 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
-
- 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
Landscapes
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种农作物物候的实时监测方法和装置，涉及物候提取的技术领域，包括：获取目标区域的遥感图像，并计算遥感图像中目标作物的EVI时间序列，其中，遥感图像包括：当前遥感图像和历史遥感图像；对每个遥感图像的EVI时间序列进行优化，得到每个遥感图像的中间EVI时间序列，并计算出当前遥感图像对应的中间EVI时间序列的平均EVI时间序列；基于平均EVI时间序列，构建参考EVI曲线；以及基于当前遥感图像对应的EVI时间序列，构建目标EVI曲线；利用参考EVI曲线和目标EVI曲线，对目标区域的目标作物进行物候监测，解决了现有技术中无法对农作物的物候进行实时监测的技术问题。
Description
技术领域
本发明涉及物候提取的技术领域，尤其是涉及一种农作物物候的实时监测方法和装置。
背景技术
农作物物候定义为作物开始生长、发展、成熟、结束生长等多个关键的时间节点。作物物候是作物识别、作物长势监测、作物估产等生态模型的重要输入参数。作物物候不仅依赖于温度、土壤湿度、降雨等气候条件，同时也取决于作物种类、种子质量、农民的实践等多种因素。在作物生长过程中对其物候进行实时或近实时的监测，对作物长势的评价和农田高效管理（包括施肥、灌溉、收割、病虫害治理）起着至关重要的作用。另外，从粮食安全和商业角度来说，对作物产量的预估必不可少，而实时的物候信息也正是产量预估的前提。
然而，对于农业应用而言，目前这些物候产品的空间分辨率太低，无法抓住小尺度农田内作物的物候特征的空间差异。由于是在异质性较高的地方，多种农作物的混合甚至是农田与非农田地表的混合，使得这些产品的可靠性变得更低。近期的一些研究已经表明了利用30米分辨率的Landsat数据对于植被长势监测的有效性和重要性。更加重要的是，这些产品中所利用的物候提取算法，需要全年的植被指数时间序列作为主要的输入数据，这在作物生长过程期间是不可能完整获取的。因此，目前的物候产品只能在作物的整个生长季结束后才能产生和发布，这对作物物候实时监测的需求，价值十分有限。另外，从技术上而言，MODIS Collection 5和VIIRS物候产品中所使用的曲线拟合技术需要的运算量较大，对于现有的30米等高分辨率的物候数据产品而言，还存在运算负担较大，生产效率偏低等问题。
针对上述问题，还未提出有效的解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种农作物物候的实时监测方法和装置，以缓解了现有技术中无法对农作物的物候进行实时监测的技术问题。
第一方面，本发明实施例提供了一种农作物物候的实时监测方法，包括：获取目标区域的遥感图像，并计算所述遥感图像中目标作物的EVI时间序列，其中，所述遥感图像包括：当前遥感图像和历史遥感图像；对每个遥感图像的EVI时间序列进行优化，得到每个遥感图像的中间EVI时间序列，并计算出所述当前遥感图像对应的中间EVI时间序列的平均EVI时间序列；基于所述平均EVI时间序列，构建参考EVI曲线；以及基于所述当前遥感图像对应的EVI时间序列，构建目标EVI曲线；利用所述参考EVI曲线和所述目标EVI曲线，对所述目标区域的目标作物进行实时物候监测。
进一步地，计算所述遥感图像中目标作物的EVI时间序列，包括：利用目标作物的掩膜辅助数据，提取出所述遥感图像中的目标作物的像元；利用所述目标作物的像元和预设公式，计算出所述目标作物的EVI时间序列，其中，所述预设公式为，其中，/>，/>分别为像元在近红外、红光、蓝光波段的反射率，/>是增益系数，/>为常参数，/>为土壤调节系数。
进一步地，对每个遥感图像的EVI时间序列进行优化，包括：对每个遥感图像的EVI时间序列依次执行云阴影去除步骤，得到每个遥感图像的第一EVI时间序列；利用线性插值算法，对所述第一EVI时间序列中的缺值进行插补，得到每个遥感图像的第二EVI时间序列；利用Savitzky-Golay算法，对所述第二EVI时间序列进行滤波，得到每个遥感图像的第三EVI时间序列；利用样条函数对所述第三EVI时间序列进行插值，得到每个遥感图像的中间EVI时间序列。
进一步地，利用所述参考EVI曲线和所述目标EVI曲线，对所述目标区域的目标作物进行实时物候监测，包括：将所述目标EVI曲线在时间维度上进行平移，得到多个中间EVI曲线；分别计算每个中间EVI曲线与所述平均EVI时间序列的相关性，得到多个相关性系数；确定出目标相关性系数，并确定出所述目标相关性系数对应的中间EVI曲线与所述目标EVI曲线之间的移动步长，其中，所述目标相关性系数为所述多个相关性系数中的最大值；利用所述移动步长和所述参考EVI曲线，计算出所述目标作物的目标物候参数，其中，所述目标物候参数为指定时间点的物候参数。
进一步地，所述相关性系数的计算公式为：，其中，/>为相关性系数，/>为参考EVI曲线与目标EVI曲线重合部分所包含的天数，/>和/>分别是第/>个重合天里的参考曲线EVI值和目标EVI曲线EVI值，/>为第/>个重合天的加权系数；其中，/>，，/>为第/>个重合天/>与参考EVI曲线的物候时间/>之间的天数之差。
进一步地，利用所述移动步长和所述参考EVI曲线，计算出所述目标作物的物候参数，其中，利用曲线拟合算法，确定出所述参考EVI曲线中的目标点，其中，所述目标点包括：曲率变化率最大和曲率变化率最小的点；基于所述目标点，确定出参考EVI曲线的物候时间；利用预设公式，所述移动步长和参考EVI曲线的物候时间，计算出所述目标作物的物候参数，其中，预设公式为，其中，/>为目标物候参数，/>为移动步长。
第二方面，本发明实施例还提供了一种农作物物候的实时监测装置，包括：获取单元，优化单元，构建单元和监测单元，其中，所述获取单元，用于获取目标区域的遥感图像，并计算所述遥感图像中目标作物的EVI时间序列，其中，所述遥感图像包括：当前遥感图像和历史遥感图像；所述优化单元，用于对每个遥感图像的EVI时间序列进行优化，得到每个遥感图像的中间EVI时间序列，并计算出所述当前遥感图像对应的中间EVI时间序列的平均EVI时间序列；所述构建单元，用于基于所述平均EVI时间序列，构建参考EVI曲线；以及基于所述当前遥感图像对应的EVI时间序列，构建目标EVI曲线；所述监测单元，用于利用所述参考EVI曲线和所述目标EVI曲线，对所述目标区域的目标作物进行实时物候监测。
进一步地，所述优化单元还用于：利用目标作物的掩膜辅助数据，提取出所述遥感图像中的目标作物的像元；
利用所述目标作物的像元和预设公式，计算出所述目标作物的EVI时间序列，其中，所述预设公式为，其中，/>，/>分别为像元在近红外、红光、蓝光波段的反射率，/>是增益系数，/>为常参数，/>为土壤调节系数。
第三方面，本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行第一方面中所述方法的步骤。
在本发明实施例中，获取目标区域的遥感图像，并计算遥感图像中目标作物的EVI时间序列，其中，遥感图像包括：当前遥感图像和历史遥感图像；对每个遥感图像的EVI时间序列进行优化，得到每个遥感图像的中间EVI时间序列，并计算出当前遥感图像对应的中间EVI时间序列的平均EVI时间序列；基于平均EVI时间序列，构建参考EVI曲线；以及基于当前遥感图像对应的EVI时间序列，目标EVI曲线；利用参考EVI曲线和目标EVI曲线，对目标区域的目标作物进行物候进行估算，达到了对农作物物候进行实时监测的目的，进而解决了现有技术中无法对农作物的物候进行实时监测的技术问题，从而实现了对农作物的物候进行实时监测技术效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种农作物物候的实时监测方法的流程图；
图2为本发明实施例提供的第一EVI时间序列的示意图；
图3为本发明实施例提供的第二EVI时间序列的示意图；
图4为本发明实施例提供的第三EVI时间序列的示意图；
图5为本发明实施例提供的第四EVI时间序列的示意图；
图6为本发明实施例提供的一个棉花像元2014-2018五年平均EVI年时间序列的示意图；
图7为本发明实施例提供的五年平均开始生长日期的示意图；
图8为本发明实施例提供的五年平均结束生长日期的示意图；
图9为本发明实施例提供的一个棉花像元2014-2018年五年平均EVI时间序列和2019年EVI全年时间序列的示意图；
图10为本发明实施例提供的一个棉花像元2014-2018年五年平均EVI时间序列和2019年EVI部分时间序列的示意图；
图11为本发明实施例提供的一种农作物物候的实时监测装置的示意图；
图12为本发明实施例提供的一种电子设备的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
目前，农作物和植被物候监测大致分为实地观测和遥感监测两种手段：
1.实地观测：美国农业部（USDA）国家农业统计服务中心（NASS）多年来展开了大范围的作物物候的实地观测。每年大约有4000名遍布全美的工作人员依照NASS的标准利用肉眼观察和主观判断的方式对各地作物的物候时间点进行汇总和上报。NASS则在每年的作物生长季内发布周报，提供郡和州级别上的作物物候统计数据。但是，在郡尺度上的数据缺少郡内部的空间差异信息，对于许多需要在具体农田尺度上进行的精准农业管理，作用十分有限。另一种可行的实地观测手段是利用无人机（UAV）；然而由于高昂的成本，利用无人机的作物物候监测很难在上大面积的开展实施。
2.遥感监测：遥感技术提供了低成本、大面积作物物候监测的唯一手段。目前已有多个遥感卫星的应用产品中包括了植被和农作物物候产品，包括SPOT-VEGETATION (1km分辨率)、AVHRR (1km分辨率)、MODIS (500m分辨率)、VIIRS (500m分辨率)等。遥感物候监测的基本方法包括两个步骤：1）利用数学方法构建光滑的、无缺值的遥感植被指数时间序列；2）在该植被指数时间序列上提取相关的物候参数。第二步中的提取方法主要包括以下几种：
绝对阈值法。即根据经验预先设定阈值，当植被指数发展到超过（低于）该阈值时，则判定作物开始生长（结束生长）；
相对阈值法。即设定一个某时刻植被指数相比于年度植被指数最大值的比例，当植被指数超过（低于）该比例时，则判定作物开始生长（结束生长）；
曲线拟合法。用特定的数学函数去拟合遥感观测到的植被指数时间序列，然后找到该拟合函数曲线上曲率变化最大（最小）处，判定为作物开始生长（结束生长）。
作为使用最为广泛的两个物候产品，MODIS地表覆盖动态（MCD12Q2）Collection 5便是利用III中所述的曲线拟合法；在Collection 6中开始使用II中所述的阈值法。VIIRS全球地表物候产品则继承了MODIS Collection 5中的曲线拟合法。目前的物候产品在区域到全球尺度上对植被物候的描述是很成功的，也为全球生态系统和气候变化的大尺度研究提供了基础。
但是，上述的额物候产品只能在作物的整个生长季结束后才能产生和发布，这对作物物候实时监测的需求，价值十分有限，针对上述问题，本申请提出以下实施例。
实施例一：
根据本发明实施例，提供了一种农作物物候的实时监测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种农作物物候的实时监测方法流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取目标区域的遥感图像，并计算所述遥感图像中目标作物的EVI时间序列，其中，所述遥感图像包括：当前遥感图像和历史遥感图像；
步骤S104，对每个遥感图像的EVI时间序列进行优化，得到每个遥感图像的中间EVI时间序列，并计算出所述当前遥感图像对应的中间EVI时间序列的平均EVI时间序列；
步骤S106，基于所述平均EVI时间序列，构建参考EVI曲线；以及基于所述当前遥感图像对应的EVI时间序列，构建目标EVI曲线；
步骤S108，利用所述参考EVI曲线和所述目标EVI曲线，对所述目标区域的目标作物进行实时物候监测。
在本发明实施例中，通过获取目标区域的遥感图像，并计算遥感图像中目标作物的EVI时间序列，其中，遥感图像包括：当前遥感图像和历史遥感图像；对每个遥感图像的EVI时间序列进行优化，得到每个遥感图像的中间EVI时间序列，并计算出当前遥感图像对应的中间EVI时间序列的平均EVI时间序列；基于平均EVI时间序列，构建参考EVI曲线；以及基于当前遥感图像对应的EVI时间序列，目标EVI曲线；利用参考EVI曲线和目标EVI曲线，对目标区域的目标作物进行物候进行估算，达到了对农作物物候进行实时监测的目的，进而解决了现有技术中无法对农作物的物候进行实时监测的技术问题，从而实现了对农作物的物候进行实时监测技术效果。
在本发明实施例中，步骤S102包括如下步骤：
步骤11，利用目标作物的掩膜辅助数据，提取出所述遥感图像中的目标作物的像元；
步骤12，利用所述目标作物的像元和预设公式，计算出所述目标作物的EVI时间序列，其中，所述预设公式为，其中，/>，/>分别为像元在近红外、红光、蓝光波段的反射率，/>是增益系数，/>为常参数，/>为土壤调节系数。
在本发明实施例中，30m分辨率的Landsat-8 陆地成像仪（Operational LandImagery，OLI）数据为例，以阿瓦提县的棉花为研究案例进行阐述。Landsat-8是美国NASA和USGS于2013年联合发射的一颗Landsat系列极轨卫星。搭载于该卫星之上的陆地成像仪OLI传感器提供覆盖可见光、近红外、及短波红外光谱范围的观测数据。本申请中收集了覆盖研究区阿瓦提县的2014-2019六年间的Landsat-8二级产品（提供地表反射率）序列影像。其中，2019年作为目标年份，2019年的遥感图像为当前遥感图像，2014-2018年作为目标年份近五年的历史年份，2014-2018年的烟感图像为历史遥感图像。
首先利用阿瓦提县的矢量文件，将该区域从每一景Landsat-8影像中切割出来。然后利用目标作物棉花的掩摸辅助数据，从每副子影像上提取棉花像元。针对棉花像元，利用下述公式计算增强型植被指数（Enhanced Vegetation Index, EVI），次步骤完成后，即可得到研究区里每个棉花像元在2014-2019每一年的全年EVI时间序列数据。
；
，/>分别为像元在近红外、红光、蓝光波段的反射率，取值范围为0-1；对于Landsat-8 OLI而言，此三项分别为第二、第四、第五波段的反射率；/>是增益系数，取值为2.5；/>是常参数，取值分别为6.0和7.5；/>是土壤调节系数，取值为1；EVI的理论取值范围为-1到1之间。
在本发明实施例中，步骤S104包括如下步骤：
步骤S21，对每个遥感图像的EVI时间序列依次执行云阴影去除步骤，得到每个遥感图像的第一EVI时间序列；
步骤S22，利用线性插值算法，对所述第一EVI时间序列中的缺值进行插补，得到每个遥感图像的第二EVI时间序列；
步骤S23，利用Savitzky-Golay算法，对所述第二EVI时间序列进行滤波，得到每个遥感图像的第三EVI时间序列；
步骤S24，利用样条函数对所述第三EVI时间序列进行插值，得到每个遥感图像的中间EVI时间序列。
在本发明实施例中，EVI时间序列I是由遥感影像的光学波段组合而成，云和云阴影会压迫作物近红外和可见光波段的反射率差异，从而造成EVI时间序列上的突然降低（如图2所示）。因此有必要对每一年的EVI时间序列进行优化处理。优化步骤包括：
2.1 云和云阴影去除：
利用Landsat-8数据QA字节中自带的云掩膜字段，将受云和云阴影污染的像元从EVI时间序列中去除。
Landsat-8数据中每一个像元都带一个QA字节，其中第3 bit为云阴影信息，具体如下：
0=非云阴影；
1 =云阴影；
其中，第6-7 bit为云信息，具体如下：
00 =无云；
01 =低概率有云；
10 =中概率有云；
11 =高概率有云；
去云和云阴影过程就是将第3bit为1或第6-7 bit为10和11的像元的EVI值设为填充值。
2.2 插值法进行缺值填补：
云和云阴影像元去除后，EVI时间序列上将出现缺值的现象。利用线性差值的方法，将2.1中得到的EVI时间序列中的缺值进行插补，得到完整的EVI时间序列（如图3所示）。
2.3 Savitzky-Golay (SG)滤波：
虽然云和云阴影像元已经被去除和进行了线性插补，但仍然存在一些受薄云或者未被云掩摸信息识别出的云影响的像元。利用Chen et al. (2004)提出的Savitzky-Golay方法对2.2中得到的EVI时间序列进行滤波，得到更为平滑的EVI时间序列（如图4所示）。
2.4 样条函数插值：
由于Landsat-8数据的时间分辨率为16天，2.3中得到的EVI时间序列16天才有一次数据。而很多作物在快速生长期内长势变化较快，因此需要以天为单位来提供物候参数才有更高的实用价值。此步骤利用样条函数对2.3中得到的EVI时间序列进行插值，最终得到天尺度上的EVI时间序列曲线（如图5所示）。
在本发明实施例中，步骤S108包括如下步骤：
步骤S31，将所述目标EVI曲线在时间维度上进行平移，得到多个中间EVI曲线；
步骤S32，分别计算每个中间EVI曲线与所述平均EVI时间序列的相关性，得到多个相关性系数；
步骤S33，确定出目标相关性系数，并确定出所述目标相关性系数对应的中间EVI曲线与所述目标EVI曲线之间的移动步长，其中，所述目标相关性系数为所述多个相关性系数中的最大值；
步骤S34，利用所述移动步长和所述参考EVI曲线，计算出所述目标作物的目标物候参数，其中，所述目标物候参数为指定时间点的物候参数。
具体的，步骤S34，包括：
步骤S341，利用曲线拟合算法，确定出所述参考EVI曲线中的目标点，其中，所述目标点包括：曲率变化率最大和曲率变化率最小的点；
步骤S342，基于所述目标点，确定出参考EVI曲线的物候时间；
步骤S343，利用预设公式，所述移动步长和参考EVI曲线的物候时间，计算出所述目标作物的物候参数，其中，预设公式为，其中，/>为目标物候参数，/>为移动步长。
在本发明实施例中，对于每一个作物像元，对其近5年（不包括当前目标年份）优化后的EVI年时间序列进行平均，得到多年平均EVI年时间序列。针对本方法的案例而言，则对于每一个阿瓦提县的棉花像元，计算其2014-2018五年间的平均EVI时间序列，得到如图6所示的曲线。针对该曲线，利用Zhang et al. (2003)提出的曲线拟合方法（CCRmax），找到曲线上曲率变化率最大和最小的点，其对应的日期分别判定为作物开始生长日期（Start-of-Season, SOS）和结束生长日期（End-of-Season, EOS）。如图6所示曲线经过上述计算后，则得到该棉花像元2014-2018年5年平均的开始生长日期为从1月1日算起的第128天（如图7所示，即5月8日），5年平均的结束生长日期为第303天（如图8所示，即10月30日），5年平均的生长季长度则为结束生长与开始生长日之差，即为176天，即5年平均的物候参数。
先以目标年份已结束，已获取到全年EVI时间序列曲线的情形来进行方法阐述，然后在此基础上描述目标年份实时物候监测的方法。
将作物像元在目标年份的EVI年时间序列（记为目标EVI曲线）与近五年平均EVI时间序列（记为参考EVI曲线）进行相关性分析（如图9所示）。本方法采用加权的自相关光谱匹配系数（）来衡量该两条EVI曲线之间的相关度，其计算方法如下述公式所示：
；
为相关性系数，/>为参考EVI曲线与目标EVI曲线重合部分所包含的天数，/>和/>分别是第/>个重合天里的参考曲线EVI值和目标EVI曲线EVI值，/>为第/>个重合天的加权系数，由下述公式确定：
;
；
其中，为第/>个重合天/>与参考EVI曲线的物候时间/>之间的天数之差。
接下来将目标曲线在时间维度上进行左右平移，每平移一步都再次计算目标曲线与参考曲线之间的值。根据主要农作物的生产特征，本方法规定目标曲线左右移动的步长不超过30步。经此操作后，则得到一组包含61个/>值的集合，从中找出最大的/>值，其对应的移动步长记为/>（本申请规定目标曲线向左移动时步长为负值，向右移动时步长为正值，无移动时步长为0）。
如图10所示，图10显示了对作物物候进行实时监测的情形，即在目标年份作物生长期尚未结束的时间点上进行。以该图为例，当前日期为2019年第180天（即6月29日），此时，农作物像元的EVI时间序列曲线仅有全年曲线的一部分（1月1日至6月29日），则同样截取参考EVI曲线第1-180天的部分，二者进行上述的相关性分析，找出最大时对应的目标EVI曲线移动步长，记为/>。
得到目标曲线位移和参考EVI曲线对应的物候参数，即可计算目标年份的物候参数。若/>= 0，则表示目标年份相较于近5年平均状况的EVI发展趋势没有变化，那么目标年份的SOS（或EOS）与近5年平均SOS（或EOS）相同。若/>≠ 0，则利用下述公式进行计算：
；
其中，为目标物候参数，/>为近5年平均物候参数，/>则目标年份的目标物候参数（即，目标年份内指定时间点的物候参数）。
随着目标年份的时间推移，能够获取的EVI时间序列曲线逐渐趋于完整，可根据需求不断的更新和校正物候参数的估算。相比于传统方法只能在全年结束获得完整EVI曲线后才能进行物候监测，本申请以历史年份数据为依据，充分利用了曲线相关性在曲线不完整的情况下仍可以有效估算这一巨大优势，实现了对作物物候的实时或近实时监测。
实施例二：
本发明实施例还提供了一种农作物物候的实时监测装置，该农作物物候的监测装置用于执行本发明实施例上述内容所提供的农作物物候的监测方法，以下是本发明实施例提供的农作物物候的监测装置的具体介绍。
如图11所示，图11为上述农作物物候的监测装置的示意图，该农作物物候的监测装置包括：获取单元10，优化单元20，构建单元30和监测单元40。
所述获取单元10，用于获取目标区域的遥感图像，并计算所述遥感图像中目标作物的EVI时间序列，其中，所述遥感图像包括：当前遥感图像和历史遥感图像；
所述优化单元20，用于对每个遥感图像的EVI时间序列进行优化，得到每个遥感图像的中间EVI时间序列，并计算出所述当前遥感图像对应的中间EVI时间序列的平均EVI时间序列；
所述构建单元30，用于基于所述平均EVI时间序列，构建参考EVI曲线；以及基于所述当前遥感图像对应的EVI时间序列，构建目标EVI曲线；
所述监测单元40，用于利用所述参考EVI曲线和所述目标EVI曲线，对所述目标区域的目标作物进行实时物候监测。
在本发明实施例中，通过获取目标区域的遥感图像，并计算遥感图像中目标作物的EVI时间序列，其中，遥感图像包括：当前遥感图像和历史遥感图像；对每个遥感图像的EVI时间序列进行优化，得到每个遥感图像的中间EVI时间序列，并计算出当前遥感图像对应的中间EVI时间序列的平均EVI时间序列；基于平均EVI时间序列，构建参考EVI曲线；以及基于当前遥感图像对应的EVI时间序列，目标EVI曲线；利用参考EVI曲线和目标EVI曲线，对目标区域的目标作物进行物候进行估算，达到了对农作物物候进行实时监测的目的，进而解决了现有技术中无法对农作物的物候进行实时监测的技术问题，从而实现了对农作物的物候进行实时监测技术效果。
实施例三：
本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
参见图12，本发明实施例还提供一种电子设备100，包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。
其中，存储器61可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口63（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图12中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。
处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种农作物物候的实时监测方法，其特征在于，包括：
获取目标区域的遥感图像，并计算所述遥感图像中目标作物的EVI时间序列，其中，所述遥感图像包括：当前遥感图像和历史遥感图像；
对每个遥感图像的EVI时间序列进行优化，得到每个遥感图像的中间EVI时间序列，并计算出所述当前遥感图像对应的中间EVI时间序列的平均EVI时间序列；
基于所述平均EVI时间序列，构建参考EVI曲线；以及基于所述当前遥感图像对应的EVI时间序列，构建目标EVI曲线；
利用所述参考EVI曲线和所述目标EVI曲线，对所述目标区域的目标作物进行实时物候监测；
其中，计算所述遥感图像中目标作物的EVI时间序列，包括：
利用目标作物的掩膜辅助数据，提取出所述遥感图像中的目标作物的像元；
利用所述目标作物的像元和预设公式，计算出所述目标作物的EVI时间序列，其中，所述预设公式为，其中，/>，/>分别为像元在近红外、红光、蓝光波段的反射率，/>是增益系数，/>为常参数，/>为土壤调节系数；
其中，对每个遥感图像的EVI时间序列进行优化，包括：
对每个遥感图像的EVI时间序列依次执行云阴影去除步骤，得到每个遥感图像的第一EVI时间序列；
利用线性插值算法，对所述第一EVI时间序列中的缺值进行插补，得到每个遥感图像的第二EVI时间序列；
利用Savitzky-Golay算法，对所述第二EVI时间序列进行滤波，得到每个遥感图像的第三EVI时间序列；
利用样条函数对所述第三EVI时间序列进行插值，得到每个遥感图像的中间EVI时间序列；
其中，利用所述参考EVI曲线和所述目标EVI曲线，对所述目标区域的目标作物进行实时物候监测，包括：
将所述目标EVI曲线在时间维度上进行平移，得到多个中间EVI曲线；
分别计算每个中间EVI曲线与所述平均EVI时间序列的相关性，得到多个相关性系数；
确定出目标相关性系数，并确定出所述目标相关性系数对应的中间EVI曲线与所述目标EVI曲线之间的移动步长，其中，所述目标相关性系数为所述多个相关性系数中的最大值；
利用所述移动步长和所述参考EVI曲线，计算出所述目标作物的目标物候参数，其中，所述目标物候参数为指定时间点的物候参数。
2.根据权利要求1所述的方法，其特征在于，
所述相关性系数的计算公式为：，其中，为相关性系数，/>为参考EVI曲线与目标EVI曲线重合部分所包含的天数，/>和 />分别是第/>个重合天里的参考曲线EVI值和目标EVI曲线EVI值，/>为第/>个重合天的加权系数；
其中，，/>，/>为第/>个重合天/>与参考EVI曲线的物候时间/>之间的天数之差。
3.根据权利要求2所述的方法，其特征在于，利用所述移动步长和所述参考EVI曲线，计算出所述目标作物的物候参数，其中，
利用曲线拟合算法，确定出所述参考EVI曲线中的目标点，其中，所述目标点包括：曲率变化率最大和曲率变化率最小的点；
基于所述目标点，确定出参考EVI曲线的物候时间；
利用预设公式，所述移动步长和参考EVI曲线的物候时间，计算出所述目标作物的物候参数，其中，预设公式为，/>为目标物候参数，/>为移动步长。
4.一种农作物物候的实时监测装置，其特征在于，包括：获取单元，优化单元，构建单元和监测单元，其中，
所述获取单元，用于获取目标区域的遥感图像，并计算所述遥感图像中目标作物的EVI时间序列，其中，所述遥感图像包括：当前遥感图像和历史遥感图像；
所述优化单元，用于对每个遥感图像的EVI时间序列进行优化，得到每个遥感图像的中间EVI时间序列，并计算出所述当前遥感图像对应的中间EVI时间序列的平均EVI时间序列；
所述构建单元，用于基于所述平均EVI时间序列，构建参考EVI曲线；以及基于所述当前遥感图像对应的EVI时间序列，构建目标EVI曲线；
所述监测单元，用于利用所述参考EVI曲线和所述目标EVI曲线，对所述目标区域的目标作物进行实时物候监测；
其中，计算所述遥感图像中目标作物的EVI时间序列，包括：
利用目标作物的掩膜辅助数据，提取出所述遥感图像中的目标作物的像元；
利用所述目标作物的像元和预设公式，计算出所述目标作物的EVI时间序列，其中，所述预设公式为，/>，/>分别为像元在近红外、红光、蓝光波段的反射率，/>是增益系数，/>为常参数，/>为土壤调节系数；
其中，对每个遥感图像的EVI时间序列进行优化，包括：
对每个遥感图像的EVI时间序列依次执行云阴影去除步骤，得到每个遥感图像的第一EVI时间序列；
利用线性插值算法，对所述第一EVI时间序列中的缺值进行插补，得到每个遥感图像的第二EVI时间序列；
利用Savitzky-Golay算法，对所述第二EVI时间序列进行滤波，得到每个遥感图像的第三EVI时间序列；
利用样条函数对所述第三EVI时间序列进行插值，得到每个遥感图像的中间EVI时间序列；
其中，利用所述参考EVI曲线和所述目标EVI曲线，对所述目标区域的目标作物进行实时物候监测，包括：
将所述目标EVI曲线在时间维度上进行平移，得到多个中间EVI曲线；
分别计算每个中间EVI曲线与所述平均EVI时间序列的相关性，得到多个相关性系数；
确定出目标相关性系数，并确定出所述目标相关性系数对应的中间EVI曲线与所述目标EVI曲线之间的移动步长，其中，所述目标相关性系数为所述多个相关性系数中的最大值；
利用所述移动步长和所述参考EVI曲线，计算出所述目标作物的目标物候参数，其中，所述目标物候参数为指定时间点的物候参数。
5.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器用于存储支持处理器执行权利要求1至3任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
6.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，计算机程序被处理器运行时执行上述权利要求1至3任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011200422.5A CN112304902B (zh) | 2020-11-02 | 2020-11-02 | 一种农作物物候的实时监测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011200422.5A CN112304902B (zh) | 2020-11-02 | 2020-11-02 | 一种农作物物候的实时监测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112304902A CN112304902A (zh) | 2021-02-02 |
| CN112304902B true CN112304902B (zh) | 2023-10-20 |
Family
ID=74334144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011200422.5A Active CN112304902B (zh) | 2020-11-02 | 2020-11-02 | 一种农作物物候的实时监测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112304902B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139717B (zh) * | 2021-03-31 | 2023-10-20 | 北京农业信息技术研究中心 | 作物苗情分级遥感监测方法及装置 |
| CN114255395A (zh) * | 2021-07-06 | 2022-03-29 | 中国农业大学 | 多源遥感数据融合的农作物分类方法、系统、设备及介质 |
| CN113469145B (zh) * | 2021-09-01 | 2021-12-21 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
| CN113822360B (zh) * | 2021-09-24 | 2022-04-22 | 中化现代农业有限公司 | 一种作物的物候期确定方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106897707A (zh) * | 2017-03-02 | 2017-06-27 | 苏州中科天启遥感科技有限公司 | 基于多源中分的特征影像时间序列合成方法及装置 |
| CN107122739A (zh) * | 2017-01-23 | 2017-09-01 | 东北农业大学 | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 |
| CN109141371A (zh) * | 2018-08-21 | 2019-01-04 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
| AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
| 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 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5950166B2 (ja) * | 2013-03-25 | 2016-07-13 | ソニー株式会社 | 情報処理システム、および情報処理システムの情報処理方法、撮像装置および撮像方法、並びにプログラム |
| US10586105B2 (en) * | 2016-12-30 | 2020-03-10 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
| CA3129643C (en) * | 2019-04-26 | 2022-07-05 | Farmers Edge Inc. | Refined average for zoning method and system |
-
2020
- 2020-11-02 CN CN202011200422.5A patent/CN112304902B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107122739A (zh) * | 2017-01-23 | 2017-09-01 | 东北农业大学 | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 |
| CN106897707A (zh) * | 2017-03-02 | 2017-06-27 | 苏州中科天启遥感科技有限公司 | 基于多源中分的特征影像时间序列合成方法及装置 |
| CN109141371A (zh) * | 2018-08-21 | 2019-01-04 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
| 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 |
| AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
Non-Patent Citations (1)
| Title |
|---|
| 基于EVI-ＲBF的玉米长势监测及产量预测;唐俊等;江苏农业学报;第36卷(第3期);第577-583页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112304902A (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112304902B (zh) | 一种农作物物候的实时监测方法和装置 | |
| CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
| CN108985588B (zh) | 一种农作物单产遥感估算方法、装置与系统 | |
| Feng et al. | Cotton yield estimation from UAV-based plant height | |
| Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
| EP3648574A1 (en) | Methods and systems for irrigation guidance | |
| CN109829234A (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
| US20210345567A1 (en) | Method and system for plant stress determination and irrigation based thereon | |
| CN107122739B (zh) | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 | |
| CN210570820U (zh) | 一种农业检测预警系统 | |
| CN107392503A (zh) | 一种玉米高温热害风险的评估方法 | |
| CN114331753A (zh) | 农事智能化的方法、装置及控制设备 | |
| CN116029860B (zh) | 基于gis的智慧农业种植区域规划辅助决策系统 | |
| CN112734083A (zh) | 一种基于机器视觉的水稻收割机路径规划控制系统 | |
| CN107347849B (zh) | 一种基于高光谱实时探测技术的智能喷洒系统 | |
| Feng et al. | Cotton yield estimation based on plant height from UAV-based imagery data | |
| CN107437262B (zh) | 作物种植面积预警方法和系统 | |
| Soontranon et al. | An agricultural monitoring system: field server data collection and analysis on paddy field | |
| CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
| CN113225372A (zh) | 草地生态健康监测系统 | |
| Memduhoğlu | Identifying impervious surfaces for rainwater harvesting feasibility using unmanned aerial vehicle imagery and machine learning classification | |
| CN116863348A (zh) | 一种基于Landsat和Sentinel-2A遥感影像的春玉米苗情监测方法 | |
| CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 | |
| CN109918826B (zh) | 一种基于关键物候期多源植被参量的水稻估产方法 | |
| CN112949441A (zh) | 一种植物覆盖率或者荒漠化监测系统 |
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 |