CN112380497B - 用于区域玉米的秸秆系数估算方法及系统 - Google Patents
用于区域玉米的秸秆系数估算方法及系统 Download PDFInfo
- Publication number
- CN112380497B CN112380497B CN202011187729.6A CN202011187729A CN112380497B CN 112380497 B CN112380497 B CN 112380497B CN 202011187729 A CN202011187729 A CN 202011187729A CN 112380497 B CN112380497 B CN 112380497B
- Authority
- CN
- China
- Prior art keywords
- corn
- remote sensing
- sensing data
- leaf area
- area index
- 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
- 240000008042 Zea mays Species 0.000 title claims abstract description 185
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 185
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 183
- 235000005822 corn Nutrition 0.000 title claims abstract description 183
- 239000010902 straw Substances 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000007789 sealing Methods 0.000 claims abstract description 62
- 230000003595 spectral effect Effects 0.000 claims description 35
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000002310 reflectometry Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 239000011664 nicotinic acid Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 208000003643 Callosities Diseases 0.000 abstract description 5
- 206010020649 Hyperkeratosis Diseases 0.000 abstract description 5
- 239000002689 soil Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000009973 maize Nutrition 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 241001057636 Dracaena deremensis Species 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000006394 Sorghum bicolor Species 0.000 description 1
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- 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
- G06T2207/20024—Filtering details
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pure & Applied Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Analysis (AREA)
- Immunology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Environmental & Geological Engineering (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
Abstract
本发明实施例提供一种用于区域玉米的秸秆系数估算方法及系统，该方法包括：获取目标区域的玉米生长季内的遥感数据集和近地面气温数据集，所述遥感数据集包括封垄前遥感数据和封垄后遥感数据；根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数；通过集合卡尔曼方法，将所述时序玉米冠层叶面积指数和所述近地面气温数据集同化至WOFOST模型中，并根据同化结果，获取所述目标区域的玉米秸秆系数。本发明实施例通过对玉米生长季内的遥感数据和近地面气温数据进行分析，提高不同区域范围内玉米秸秆系数估算精度和速度，从而将秸秆系数的估算粒度提高的遥感的像素单元尺度。
Description
技术领域
本发明涉及农业定量遥感反演技术领域，尤其涉及一种用于区域玉米的秸秆系数估算方法及系统。
背景技术
作物秸秆是由作物收获后田间地上部分的生物量组成的，与作物经济产量、农业生产条件和自然条件等因素密切相关。作物秸秆与谷物籽粒、棉花纤维以及薯类根茎等经济产出有一定的比例关系，这就是“秸秆系数”，也称“草谷比”。因此，作物的秸秆系数是作物产量(即籽粒重量)与田间秸秆量(即茎秆和叶的重量)之间的比例关系，是估算作物田间秸秆量的关键参数。由于各种作物的秸秆系数是稳定的，针对秸秆系数的研究对秸秆资源量估算、生物质原料资源及能源潜力评估具有重要意义。
目前，我国作物秸秆系数的计算方法多是基于中国统计年鉴中的作物产量数据和地面采集的秸秆产量进行的，但存在以下不足之处：1、受工作量和实地采集时效性等条件限制，目前对于作物秸秆系数值的样本量不足，这导致秸秆系数值与实际值之间有较大偏差；2、同一作物在同一个省市自治区的秸秆系数取值相同，但是我国多数省份从南到北以及从西到东的土壤、气候、耕作制度和栽培条件差异很大，同一作物的秸秆系数在同一省份内实际上是不同的。
因此，现在亟需一种用于区域玉米的秸秆系数估算方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种用于区域玉米的秸秆系数估算方法及系统。
第一方面，本发明实施例提供了一种用于区域玉米的秸秆系数估算方法，包括：
获取目标区域的玉米生长季内的遥感数据集和近地面气温数据集，所述遥感数据集包括封垄前遥感数据和封垄后遥感数据；
根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数；
通过集合卡尔曼方法，将所述时序玉米冠层叶面积指数和所述近地面气温数据集同化至WOFOST模型中，并根据同化结果，获取所述目标区域的玉米秸秆系数。
进一步地，所述根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数，包括：
通过土壤-叶片-冠层模型，对所述目标区域的玉米生长季内的封垄前遥感数据进行反演，得到第一叶面积指数，其中，所述土壤-叶片-冠层模型是通过Hapke模型、PROSPECT模型和4SAIL2模型构建得到的；
通过PROSAIL模型，对所述目标区域的玉米生长季内的封垄后遥感数据的进行反演，得到第二叶面积指数；
根据所述第一叶面积指数和所述第二叶面积指数，获取所述目标区域的玉米生长季内的时序玉米冠层叶面积指数。
进一步地，所述遥感数据集包括Landsat TM/ETM+/OLI光谱反射率遥感数据、MODIS光谱反射率遥感数据和MOD15叶面积指数影像数据。
进一步地，所述通过土壤-叶片-冠层模型，对所述目标区域的玉米生长季内的封垄前遥感数据进行反演，得到第一叶面积指数，包括：
确定土壤-叶片-冠层模型的敏感参数，并对敏感参数确定后的土壤-叶片-冠层模型进行正向模拟，构建得到敏感参数与冠层光谱反射率之间的查找表；
基于所述查找表和多智能体的仿生粒子群优化算法，获取所述土壤-叶片-冠层模型与封垄前遥感数据之间的最优解，以反演得到第一叶面积指数。
进一步地，在所述根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数之前，所述方法还包括：
通过改进的卡尔曼滤波法，对所述Landsat TM/ETM+/OLI光谱反射率遥感数据、所述MODIS光谱反射率遥感数据和所述MOD15叶面积指数影像数据进行影像重建处理，得到重建后的遥感数据集，以根据所述重建后的遥感数据集对玉米生长季内的冠层叶面积指数进行反演。
进一步地，在所述获取目标区域的玉米生长季内的遥感数据集和近地面气温数据集之后，所述方法还包括：
对所述Landsat TM/ETM+/OLI光谱反射率遥感数据进行辐射定标预处理和大气校正预处理，得到预处理后的Landsat TM/ETM+/OLI光谱反射率遥感数据；
对所述MODIS光谱反射率遥感数据和所述MOD15叶面积指数影像数据进行HDF数据格式转换预处理、地理投影预处理、重采样预处理和掩膜预处理，得到预处理后的MODIS光谱反射率遥感数据和MOD15叶面积指数影像数据；
通过Kriging插值法，对点状近地面气温数据进行空间插值，得到所述目标区域的近地面气温数据集。
进一步地，所述通过集合卡尔曼方法，将所述时序玉米冠层叶面积指数和所述近地面气温数据集同化至WOFOST模型中，并根据同化结果，获取所述目标区域的玉米秸秆系数，包括：
根据所述近地面气温数据，获取所述目标区域的第一积温和第二积温，所述第一积温为玉米出苗到开花的积温，所述第二积温为玉米开花到成熟的积温；
根据所述时序玉米冠层叶面积指数，获取叶面积指数最大增长速率；
通过所述集合卡尔曼方法，将所述第一积温、所述第二积温和所述叶面积指数最大增长速率同化至WOFOST模型，得到所述目标区域的玉米干物质量、玉米茎重量和玉米叶重量；
根据所述玉米干物质量、所述玉米茎重量和所述玉米叶重量，获取所述目标区域的玉米秸秆系数。
第二方面，本发明实施例提供了一种用于区域玉米的秸秆系数估算系统，包括：
数据集获取模块，用于获取目标区域的玉米生长季内的遥感数据集和近地面气温数据集，所述遥感数据集包括封垄前遥感数据和封垄后遥感数据；
反演模块，用于根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数；
秸秆系数估算模块，用于通过集合卡尔曼方法，将所述时序玉米冠层叶面积指数和所述近地面气温数据集同化至WOFOST模型中，并根据同化结果，获取所述目标区域的玉米秸秆系数。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种用于区域玉米的秸秆系数估算方法及系统，通过对玉米生长季内的遥感数据和近地面气温数据进行分析，提高不同区域范围内玉米秸秆系数的估算精度和速度，从而将秸秆系数的估算粒度提高的遥感的像素单元尺度上。
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一简单地介绍，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的用于区域玉米的秸秆系数估算方法的流程示意图；
图2为本发明实施例提供的土壤-叶片-冠层模型的耦合示意图；
图3为本发明实施例提供的基于WOFOST模型形成茎、叶和籽粒的示意图；
图4为本发明实施例提供的用于区域玉米的秸秆系数估算系统的结构示意图；
图5为本发明实施例提供的电子设备结构示意图。
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作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。
针对现有秸秆系数受样本工作量和实地采集时效性等条件限制，以及不同土壤、气候、耕作制度和栽培条件差异较大，导致不同区域范围内的秸秆系数存在不同的问题，本发明实施例通过同化遥感反演的冠层叶面积指数(Leaf Area Index，简称LAI)和近地面气温数据到WOFOST作物生长模型中，从而实现区域范围内以栅格单元量化的玉米秸秆系数估算。需要说明的是，本发明实施例提供的方法也可以对其他作物进行秸秆系数估算，例如，高粱、小麦和水稻等。
图1为本发明实施例提供的用于区域玉米的秸秆系数估算方法的流程示意图，如图1所示，本发明实施例提供了一种用于区域玉米的秸秆系数估算方法，包括：
步骤101，获取目标区域的玉米生长季内的遥感数据集和近地面气温数据集，所述遥感数据集包括封垄前遥感数据和封垄后遥感数据。
在本发明实施例中，可通过获取玉米生长季内的Landsat TM/ETM+/OLI反射率、MODIS反射率和MOD15 LAI影像数据，构建目标区域中玉米生长季内的遥感数据集；同时，构建该目标区域的近地面气温数据集，其中近地面气温数据集中的数据为点状气象数据。优选地，在本发明实施例中，对遥感影像数据行影像格式转换、地理投影和重采样等预处理，对点状气象数据进行空间插值预处理，从而构建用于秸秆系数估算的基础数据集。
步骤102，根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数。
在本发明实施例中，针对玉米冠层在整个生长季内冠层特征发生变化的特征，分别对玉米整个生长季中两个阶段的玉米冠层进行LAI反演，其中，在玉米封垄前，充分考虑背景土壤对于遥感像元反射率的贡献，采用土壤-叶片-冠层(Soil-Leaf-Canopy，简称SLC)模型中的Hapke土壤BRDF模型，刻画土壤反射率，从而提高玉米冠层LAI反演精度；封垄后采用PROSAIL冠层辐射传输模型，进行LAI的高精度反演，从而形成具有时空连续的时序玉米冠层叶面积指数，进一步地通过该时序玉米冠层叶面积指数，获取LAI最大增长速率。本发明实施例针对玉米封垄前玉米冠层为离散模型，玉米封垄后冠层为连续模型的特点，在封垄前使用土壤-叶片-冠层SLC耦合模型进行LAI反演，在封垄后使用PROSAIL模型进行LAI反演，从而获取更为准确的LAI最大增长速率。
步骤103，通过集合卡尔曼方法，将所述时序玉米冠层叶面积指数和所述近地面气温数据集同化至WOFOST模型中，并根据同化结果，获取所述目标区域的玉米秸秆系数。
在本发明实施例中，近地面气温数据集以栅格形式存储，根据该近地面气温数据，计算出玉米苗到开花的积温(℃)以及开花到成熟的积温(℃)，然后，采用集合卡尔曼方法，将这两种积温，联合上述实施例中通过LAI反演结果求算的LAI最大增长速率，同化至WOFOST模型，并基于同化结果，生成目标区域范围内的玉米干物质量、茎和叶的重量，从而估算目标区域范围内，以栅格单元量化的玉米秸秆系数。
本发明实施例提供的用于区域玉米的秸秆系数估算方法，通过对玉米生长季内的遥感数据和近地面气温数据进行分析，提高不同区域范围内玉米秸秆系数的估算精度和速度，从而将秸秆系数的估算粒度提高的遥感的像素单元尺度上。
在上述实施例的基础上，所述根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数，包括：
通过土壤-叶片-冠层模型，对所述目标区域的玉米生长季内的封垄前遥感数据进行反演，得到第一叶面积指数，其中，所述土壤-叶片-冠层模型是通过Hapke模型、PROSPECT模型和4SAIL2模型构建得到的；
通过PROSAIL模型，对所述目标区域的玉米生长季内的封垄后遥感数据的进行反演，得到第二叶面积指数；
根据所述第一叶面积指数和所述第二叶面积指数，获取所述目标区域的玉米生长季内的时序玉米冠层叶面积指数。
在本发明实施例中，玉米封垄前的遥感反射率是玉米植株和背景土壤的混合像元，为减轻土壤背景对LAI反演的精度影响，本发明实施例利用耦合Hapke土壤BRDF模型、PROSPECT叶片光谱模拟模型以及4SAIL2冠层反射率模型的SLC模型，在考虑土壤背景影响条件下，提高玉米封垄前的冠层LAI反演精度。图2为本发明实施例提供的土壤-叶片-冠层模型的耦合示意图，通过Hapke模型、PROSPECT模型和4SAIL2模型构建SLC模型的过程可参考图2所示。
在上述实施例的基础上，所述遥感数据集包括Landsat TM/ETM+/OLI光谱反射率遥感数据、MODIS光谱反射率遥感数据和MOD15叶面积指数影像数据。
在上述实施例的基础上，在所述获取目标区域的玉米生长季内的遥感数据集和近地面气温数据集之后，所述方法还包括：
对所述Landsat TM/ETM+/OLI光谱反射率遥感数据进行辐射定标预处理和大气校正预处理，得到预处理后的Landsat TM/ETM+/OLI光谱反射率遥感数据；
对所述MODIS光谱反射率遥感数据和所述MOD15叶面积指数影像数据进行HDF数据格式转换预处理、地理投影预处理、重采样预处理和掩膜预处理，得到预处理后的MODIS光谱反射率遥感数据和MOD15叶面积指数影像数据；
通过Kriging插值法，对点状近地面气温数据进行空间插值，得到所述目标区域的近地面气温数据集。
在本发明实施例中，以吉林省范围内的玉米生长季内的遥感数据和气温数据估算秸秆系数进行说明，其中，Landsat TM/ETM+/OLI光谱反射率影像的预处理工作包括辐射定标和大气校正等预处理，在ENVI5.3软件中完成；MODIS光谱反射率和MOD15 LAI影像产品的影像存储格式为HDF格式，使用的影像格式转换软件为HDF-EOS To GeoTIFF ConversionTool(HEG)；近地面气温数据为点状数据，在ArcGIS 10.0软件中利用Kriging插值方法进行空间插值为面状数据，以栅格形式存储。
在上述实施例的基础上，所述通过土壤-叶片-冠层模型，对所述目标区域的玉米生长季内的封垄前遥感数据进行反演，得到第一叶面积指数，包括：
确定土壤-叶片-冠层模型的敏感参数，并对敏感参数确定后的土壤-叶片-冠层模型进行正向模拟，构建得到敏感参数与冠层光谱反射率之间的查找表；
基于所述查找表和多智能体的仿生粒子群优化算法，获取所述土壤-叶片-冠层模型与封垄前遥感数据之间的最优解，以反演得到第一叶面积指数。
在本发明实施例中，SLC耦合模型的输入参数包括4类，包括土壤BRDF参数、叶片参数、冠层参数和卫星-太阳相对位置参数，其中，其中，土壤BRDF参数包括单次散射反照率(ω)、热点峰值的相对幅度(B0)、控制峰值的宽度(h)以及用于计算散射相函数的参数b、c；叶片参数包括叶绿素a+b的含量(Cab)、叶片等效水厚度(Cw)、叶片干物质含量(Cm)、衰老物质含量(Cs)和叶肉结构参数(N)；冠层参数包括叶面积指数(LAI)、叶倾角概率密度分布函数(LIDFa、LIDFb)、热点系数(hot)、植被覆盖度(Cv)、树冠性状因子(ζ)和分层因子(D)；卫星-太阳相对位置参数包括太阳天顶角(θs)、观测天顶角(θv)和太阳-观测相对方位角(ψ)。为降低冠层LAI反演的不确定性，以及提高反演效率，在LAI反演前首先进行SLC模型的参数敏感性分析，在本发明实施例中，采用的敏感性分析方法为基于方差分解的Sobol方法。Sobol方法的核心思想是通过蒙特卡洛法采样，将模型分解为单个参数，以及参数之间相互组合的敏感度函数，主要用来计算模型输入参数的一阶敏感度和总体敏感度。设非线性模型的表达式为y＝f(x)，y是整个非线性模型的输出，x＝[x1,x2,…,xk]T是模型的输入参数变量，则该非线性模型的总方差表达式为：
其中，x被重新调整为一个k维的超立方体Ωk，Ωk＝{x|0≤xi≤1,i＝1,…,k}；是总方差，Vij是参数xi和xj相互作用的方差。在筛选出SLC模型的敏感参数后，在模型的正向模拟过程中，除卫星-太阳相对位置参数(太阳天顶角、观测天顶角、太阳-观测相对方位角)从遥感影像头文件中获取外，其他敏感输入参数取值范围的确定是结合先验知识和实地调查数据。通过模型正向模拟，建立敏感输入参数与冠层光谱反射率之间的查找表，用于冠层LAI反演。
进一步地，利用基于多个智能体的仿生粒子群优化算法(Particle swarmoptimization，简称PSO)，该算法是一类概率型的全局优化算法，不依赖于优化问题本身的严格数学性质，具有自组织和进化性以及记忆功能，所有粒子都保存优解的相关知识，而且具有本质并行性。在本发明实施例中，利用粒子群优化算法PSO，求解所观测遥感影像的光谱反射率与查找表中输入参数-光谱反射率之间的全局最优解，从而反演封垄前玉米冠层LAI。PSO算法的流程包括初始化、个体极值与全局最优解以及更新速度和位置三个步骤，其中更新速度和位置的算法为：
Vid＝ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xgd)；
Xid＝Xid+Vid；
其中，ω为惯性因子，可用于调整全局寻优和局部寻优能力，其值为负，值较大时，全局寻优和局部寻优能力都比较强；值较小时，全局寻优能力弱，局部寻优能力强。C1和C2称为加速常数，前者为每个粒子的个体学习因子，后者为每个粒子的社会学习因子，一般取C1＝C2∈[0，4]。random(0，1)表示区间[0，1]上的随机数。Pid表示第i个变量的个体极值的第d维，Pgd表示全局最优解的第d维。
在上述实施例的基础上，在所述根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数之前，所述方法还包括：
通过改进的卡尔曼滤波法，对所述Landsat TM/ETM+/OLI光谱反射率遥感数据、所述MODIS光谱反射率遥感数据和所述MOD15叶面积指数影像数据进行影像重建处理，得到重建后的遥感数据集，以根据所述重建后的遥感数据集对玉米生长季内的冠层叶面积指数进行反演。
在本发明实施例中，针对玉米生长季为雨热同季的夏季时，会导致影像缺失严重的问题，采用改进的卡尔曼滤波方法进行高时空分辨率影像重建，构建用于叶面积指数最大增长速率求算的遥感数据集。同时，针对Landsat系列影像的光谱范围与MODIS影像光谱范围之间的差异，利用各自影像的光谱响应函数，通过光谱映射(Spectral Mapping)方法进行光谱匹配，消除两种影像之间因传感器不同带来的系统偏差。
进一步地，针对玉米种植区内田埂与玉米种植区交错分布、以家庭为单位的小农户生产经营方式产生的小地块管理方式等问题，导致混合像元普遍存在的问题，在高时空分辨率影像重建时考虑混合像元的存在，需要改进传统的卡尔曼滤波方法；同时，考虑玉米种植区的纯净像元和玉米种植区中其他地物的混合像元的前提下，改进卡尔曼滤波的时间子模型与观测子模型，解决传统卡尔曼滤波算法不考虑混合像元的问题。改进后的卡尔曼滤波算法的时间子模型和观测子模型为：
其中，xi(k)和xi(k-1)是地类i在当前状态k和前一状态k-1的模型估计值，二者用状态转移矩阵A(State-Transition Matrix)连接；i＝1时，像元为纯净像元，i≠1时为混合像元。假设在tk时刻得到一个测量值，并且将它用于对随机系统在tk时刻的状态x的估计值进行更新。测量子模型中，测量值zk与状态通过一个方程线性相关，其中H为测量灵敏度矩阵，wi(k-1)和vi(k)分别为过程噪声和测量噪声。如果随机变量x和z是联合高斯分布，则最优线性估计与一般的最优估计是等效的，继而基于观测值zk得到的更新估计。本发明实施例针对玉米生长季为雨热同季的夏季而导致影像缺失严重的问题，采用改进的卡尔曼滤波方法进行高时空分辨率影像重建，构建用于LAI最大增长速率求算的遥感数据集。
在上述实施例的基础上，所述通过集合卡尔曼方法，将所述时序玉米冠层叶面积指数和所述近地面气温数据集同化至WOFOST模型中，并根据同化结果，获取所述目标区域的玉米秸秆系数，包括：
根据所述近地面气温数据，获取所述目标区域的第一积温和第二积温，所述第一积温为玉米出苗到开花的积温，所述第二积温为玉米开花到成熟的积温；
根据所述时序玉米冠层叶面积指数，获取叶面积指数最大增长速率；
通过所述集合卡尔曼方法，将所述第一积温、所述第二积温和所述叶面积指数最大增长速率同化至WOFOST模型，得到所述目标区域的玉米干物质量、玉米茎重量和玉米叶重量；
根据所述玉米干物质量、所述玉米茎重量和所述玉米叶重量，获取所述目标区域的玉米秸秆系数。
在本发明实施例中，基于上述实施例中重建后的遥感数据集，针对玉米冠层在整个生长季内冠层特征发生变化的特征，联合使用SLC模型和PROSAIL模型进行整个生长季的玉米冠层LAI反演：在玉米封垄前，充分考虑背景土壤对于遥感像元反射率的贡献，采用SLC模型中的Hapke土壤BRDF模型刻画土壤反射率，提高玉米冠层LAI反演精度；封垄后采用PROSAIL冠层辐射传输模型进行LAI的高精度反演，从而形成具有时空连续的时序玉米冠层LAI，求算叶面积指数最大增长速率。进一步地，联合时序LAI反演结果和近地面气温数据集，将LAI最大增长速率、出苗到开花的积温(℃)以及开花到成熟的积温(℃)，采用集合卡尔曼方法同化至WOFOST模型。基于时序遥感数据集和WOFOST模型的同化结果，生成区域范围内的玉米干物质量、茎和叶的重量，利用公式(秸秆系数＝茎叶重量/总干物质量)，估算区域范围内，以栅格单元量化的玉米秸秆系数，从而解决传统秸秆系数估算中样本点少导致偏差、空间差异性无法刻画的问题。图3为本发明实施例提供的基于WOFOST模型形成茎、叶和籽粒的示意图，WOFOST模型模拟特定的土壤和气候条件下作物生长的过程可参考图3所示。
图4为本发明实施例提供的用于区域玉米的秸秆系数估算系统的结构示意图，如图4所示，本发明实施例提供了一种用于区域玉米的秸秆系数估算系统，包括数据集获取模块401、反演模块402和秸秆系数估算模块403，其中，数据集获取模块401用于获取目标区域的玉米生长季内的遥感数据集和近地面气温数据集，所述遥感数据集包括封垄前遥感数据和封垄后遥感数据；反演模块402用于根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数；秸秆系数估算模块403用于通过集合卡尔曼方法，将所述时序玉米冠层叶面积指数和所述近地面气温数据集同化至WOFOST模型中，并根据同化结果，获取所述目标区域的玉米秸秆系数。
本发明实施例提供的用于区域玉米的秸秆系数估算系统，通过对玉米生长季内的遥感数据和近地面气温数据进行分析，提高不同区域范围内玉米秸秆系数的估算精度和速度，从而将秸秆系数的估算粒度提高的遥感的像素单元尺度上。
本发明实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图5为本发明实施例提供的电子设备结构示意图，参照图5，该电子设备可以包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令，以执行如下方法：获取目标区域的玉米生长季内的遥感数据集和近地面气温数据集，所述遥感数据集包括封垄前遥感数据和封垄后遥感数据；根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数；通过集合卡尔曼方法，将所述时序玉米冠层叶面积指数和所述近地面气温数据集同化至WOFOST模型中，并根据同化结果，获取所述目标区域的玉米秸秆系数。
此外，上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的用于区域玉米的秸秆系数估算方法，例如包括：获取目标区域的玉米生长季内的遥感数据集和近地面气温数据集，所述遥感数据集包括封垄前遥感数据和封垄后遥感数据；根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数；通过集合卡尔曼方法，将所述时序玉米冠层叶面积指数和所述近地面气温数据集同化至WOFOST模型中，并根据同化结果，获取所述目标区域的玉米秸秆系数。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种用于区域玉米的秸秆系数估算方法，其特征在于，包括：
获取目标区域的玉米生长季内的遥感数据集和近地面气温数据集，所述遥感数据集包括封垄前遥感数据和封垄后遥感数据；
根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数；
通过集合卡尔曼方法，将所述时序玉米冠层叶面积指数和所述近地面气温数据集同化至WOFOST模型中，并根据同化结果，获取所述目标区域的玉米秸秆系数；
所述根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数，包括：
通过土壤-叶片-冠层模型，对所述目标区域的玉米生长季内的封垄前遥感数据进行反演，得到第一叶面积指数，其中，所述土壤-叶片-冠层模型是通过Hapke模型、PROSPECT模型和4SAIL2模型构建得到的；
通过PROSAIL模型，对所述目标区域的玉米生长季内的封垄后遥感数据的进行反演，得到第二叶面积指数；
根据所述第一叶面积指数和所述第二叶面积指数，获取所述目标区域的玉米生长季内的时序玉米冠层叶面积指数；
所述遥感数据集包括Landsat TM/ETM+/OLI光谱反射率遥感数据、MODIS光谱反射率遥感数据和MOD15叶面积指数影像数据。
2.根据权利要求1所述的用于区域玉米的秸秆系数估算方法，其特征在于，所述通过土壤-叶片-冠层模型，对所述目标区域的玉米生长季内的封垄前遥感数据进行反演，得到第一叶面积指数，包括：
确定土壤-叶片-冠层模型的敏感参数，并对敏感参数确定后的土壤-叶片-冠层模型进行正向模拟，构建得到敏感参数与冠层光谱反射率之间的查找表；
基于所述查找表和多智能体的仿生粒子群优化算法，获取所述土壤-叶片-冠层模型与封垄前遥感数据之间的最优解，以反演得到第一叶面积指数。
3.根据权利要求1所述的用于区域玉米的秸秆系数估算方法，其特征在于，在所述根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数之前，所述方法还包括：
通过改进的卡尔曼滤波法，对所述Landsat TM/ETM+/OLI光谱反射率遥感数据、所述MODIS光谱反射率遥感数据和所述MOD15叶面积指数影像数据进行影像重建处理，得到重建后的遥感数据集，以根据所述重建后的遥感数据集对玉米生长季内的冠层叶面积指数进行反演。
4.根据权利要求1所述的用于区域玉米的秸秆系数估算方法，其特征在于，在所述获取目标区域的玉米生长季内的遥感数据集和近地面气温数据集之后，所述方法还包括：
对所述Landsat TM/ETM+/OLI光谱反射率遥感数据进行辐射定标预处理和大气校正预处理，得到预处理后的Landsat TM/ETM+/OLI光谱反射率遥感数据；
对所述MODIS光谱反射率遥感数据和所述MOD15叶面积指数影像数据进行HDF数据格式转换预处理、地理投影预处理、重采样预处理和掩膜预处理，得到预处理后的MODIS光谱反射率遥感数据和MOD15叶面积指数影像数据；
通过Kriging插值法，对点状近地面气温数据进行空间插值，得到所述目标区域的近地面气温数据集。
5.根据权利要求1所述的用于区域玉米的秸秆系数估算方法，其特征在于，所述通过集合卡尔曼方法，将所述时序玉米冠层叶面积指数和所述近地面气温数据集同化至WOFOST模型中，并根据同化结果，获取所述目标区域的玉米秸秆系数，包括：
根据所述近地面气温数据，获取所述目标区域的第一积温和第二积温，所述第一积温为玉米出苗到开花的积温，所述第二积温为玉米开花到成熟的积温；
根据所述时序玉米冠层叶面积指数，获取叶面积指数最大增长速率；
通过所述集合卡尔曼方法，将所述第一积温、所述第二积温和所述叶面积指数最大增长速率同化至WOFOST模型，得到所述目标区域的玉米干物质量、玉米茎重量和玉米叶重量；
根据所述玉米干物质量、所述玉米茎重量和所述玉米叶重量，获取所述目标区域的玉米秸秆系数。
6.一种用于区域玉米的秸秆系数估算系统，其特征在于，包括：
数据集获取模块，用于获取目标区域的玉米生长季内的遥感数据集和近地面气温数据集，所述遥感数据集包括封垄前遥感数据和封垄后遥感数据；
反演模块，用于根据所述封垄前遥感数据和所述封垄后遥感数据，对玉米生长季内的冠层叶面积指数进行反演，获取时序玉米冠层叶面积指数；
秸秆系数估算模块，用于通过集合卡尔曼方法，将所述时序玉米冠层叶面积指数和所述近地面气温数据集同化至WOFOST模型中，并根据同化结果，获取所述目标区域的玉米秸秆系数；
反演模块具体用于：
通过土壤-叶片-冠层模型，对所述目标区域的玉米生长季内的封垄前遥感数据进行反演，得到第一叶面积指数，其中，所述土壤-叶片-冠层模型是通过Hapke模型、PROSPECT模型和4SAIL2模型构建得到的；
通过PROSAIL模型，对所述目标区域的玉米生长季内的封垄后遥感数据的进行反演，得到第二叶面积指数；
根据所述第一叶面积指数和所述第二叶面积指数，获取所述目标区域的玉米生长季内的时序玉米冠层叶面积指数；
所述遥感数据集包括Landsat TM/ETM+/OLI光谱反射率遥感数据、MODIS光谱反射率遥感数据和MOD15叶面积指数影像数据。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述用于区域玉米的秸秆系数估算方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述用于区域玉米的秸秆系数估算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011187729.6A CN112380497B (zh) | 2020-10-29 | 2020-10-29 | 用于区域玉米的秸秆系数估算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011187729.6A CN112380497B (zh) | 2020-10-29 | 2020-10-29 | 用于区域玉米的秸秆系数估算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112380497A CN112380497A (zh) | 2021-02-19 |
| CN112380497B true CN112380497B (zh) | 2024-03-22 |
Family
ID=74577513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011187729.6A Active CN112380497B (zh) | 2020-10-29 | 2020-10-29 | 用于区域玉米的秸秆系数估算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112380497B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115753625B (zh) * | 2022-11-02 | 2024-04-19 | 中国农业大学 | 区域作物的产量估测方法、装置、电子设备及存储介质 |
| CN116756921B (zh) * | 2023-05-10 | 2024-10-01 | 北京市农林科学院信息技术研究中心 | 基于冠层光合模型的高光效株型特征确定方法及系统 |
| CN118446559A (zh) * | 2024-07-08 | 2024-08-06 | 中国科学院空天信息创新研究院 | 基于数据与知识双重驱动的大豆单产遥感估算方法及装置 |
| CN118551341A (zh) * | 2024-07-30 | 2024-08-27 | 北京市农林科学院智能装备技术研究中心 | 玉米作物系数测算方法、装置、设备、介质及程序产品 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102855351A (zh) * | 2012-08-09 | 2013-01-02 | 中国科学院地理科学与资源研究所 | 一种基于统计数据和遥感数据的农作物秸秆资源空间化方法 |
| CN104794336A (zh) * | 2015-04-17 | 2015-07-22 | 武汉大学 | 一种农田秸秆资源空间分布估算方法 |
| CN105184234A (zh) * | 2015-08-20 | 2015-12-23 | 北京市环境保护监测中心 | 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 |
| CN111505016A (zh) * | 2020-04-21 | 2020-08-07 | 北京中科锐景科技有限公司 | 一种秸秆焚烧排放清单估算方法 |
-
2020
- 2020-10-29 CN CN202011187729.6A patent/CN112380497B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102855351A (zh) * | 2012-08-09 | 2013-01-02 | 中国科学院地理科学与资源研究所 | 一种基于统计数据和遥感数据的农作物秸秆资源空间化方法 |
| CN104794336A (zh) * | 2015-04-17 | 2015-07-22 | 武汉大学 | 一种农田秸秆资源空间分布估算方法 |
| CN105184234A (zh) * | 2015-08-20 | 2015-12-23 | 北京市环境保护监测中心 | 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 |
| CN111505016A (zh) * | 2020-04-21 | 2020-08-07 | 北京中科锐景科技有限公司 | 一种秸秆焚烧排放清单估算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吉林省主要农作物秸秆系数测定及资源评价;祝延立那伟郗登宝赵新颖;《农业科技通讯》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112380497A (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112380497B (zh) | 用于区域玉米的秸秆系数估算方法及系统 | |
| CN109829234B (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 | |
| Franch et al. | Improving the timeliness of winter wheat production forecast in the United States of America, Ukraine and China using MODIS data and NCAR Growing Degree Day information | |
| Campos et al. | Remote sensing-based crop biomass with water or light-driven crop growth models in wheat commercial fields | |
| CN110909933B (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
| Bai et al. | Growth simulation and yield prediction for perennial jujube fruit tree by integrating age into the WOFOST model | |
| CA2981473A1 (en) | Forecasting national crop yield during the growing season | |
| 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 | |
| CN118072178B (zh) | 基于分类后百分比数据同化的玉米产量估算方法及系统 | |
| Wang et al. | Rice yield estimation based on an NPP model with a changing harvest index | |
| CN116415704A (zh) | 一种基于多数据融合与同化的区域精量灌溉方法及系统 | |
| CN108537679B (zh) | 遥感与作物模型融合的区域尺度作物出苗日期估算方法 | |
| Zhangzhong et al. | Development of an evapotranspiration estimation method for lettuce via mobile phones using machine vision: Proof of concept | |
| Zhu et al. | UAV flight height impacts on wheat biomass estimation via machine and deep learning | |
| CN117571626A (zh) | Modis ndvi对草地生物量遥感估测饱和性评估方法及系统 | |
| Hayman et al. | A framework for improved predictions of the climate impacts on potential yields of UK winter wheat and its applicability to other UK crops | |
| Wei et al. | Application of remote sensing technology in crop estimation | |
| Hu et al. | Retrieval of photosynthetic capability for yield gap attribution in maize via model-data fusion | |
| CN115689100A (zh) | 一种基于数据同化的区域作物用水效率评估方法及系统 | |
| Xu et al. | Considering different water supplies can improve the accuracyof the WOFOST crop model and remote sensing assimilation in predicting wheat yield | |
| Huang et al. | Markov chain monte carlo and four-dimensional variational approach based winter wheat yield estimation | |
| Zheng et al. | Using high spatial and temporal resolution data blended from SPOT-5 and MODIS to map biomass of summer maize | |
| Zhuo et al. | Assimilating SAR and optical remote sensing data into WOFOST model for improving winter wheat yield estimation | |
| Sargordi et al. | Spatio-temporal variation of wheat and silage maize water requirement using CGMS model | |
| Wang et al. | Consistency and uncertainty of remote sensing-based approaches for regional yield gap estimation: A comprehensive assessment of process-based and data-driven models |
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 |