CN112733780A - 一种基于卫星影像的土壤有效磷分析模型构建系统及方法 - Google Patents
一种基于卫星影像的土壤有效磷分析模型构建系统及方法 Download PDFInfo
- Publication number
- CN112733780A CN112733780A CN202110069811.7A CN202110069811A CN112733780A CN 112733780 A CN112733780 A CN 112733780A CN 202110069811 A CN202110069811 A CN 202110069811A CN 112733780 A CN112733780 A CN 112733780A
- Authority
- CN
- China
- Prior art keywords
- model
- soil
- module
- analysis
- available phosphorus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
- Image Processing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明是一种基于卫星影像的土壤有效磷分析模型构建系统及方法,为解决土壤有效磷含量指导施肥,耗时耗力成本高,无法做到精准全面施肥的问题;本发明采用斯皮尔曼敏感分析技术和GA+BP神经网络算法,运用matlab编程、GUI设计建立土壤有效磷反演模型,运用敏感波段、敏感波段数学变换及实地土壤样本采集数据等多参数进行逐像素精细化分析技术,针对土壤施肥的有效磷进行定量化分析,得到播种前目标区域土壤有效磷含量分布栅格数据;本发明相比传统方法,利用遥感技术进行卫星影像数据处理,利用Matlab技术完成模型构建,结合GIS技术完成反射率信息与土壤样本数据关联、栅格矢量化并指导施肥处方图制作,可以节约生产成本、提高生产效率,达到耕地保护的目的。
Description
技术领域
本发明是一种基于卫星影像的土壤有效磷分析模型构建系统及方法,属于遥感技术、变量施肥技术领域。
背景技术
当前,在土壤有效磷检测,一般是通过现场测土以“点”代“面”衡量整片农田土壤有效磷含量,此方法需要现场采集大量的测土数据,不仅样本采集测定的成本高、也消耗大量的人力物力,增加生产成本,精度很难保证。
近年来,随着卫星遥感、无人机遥感等空间技术的发展,数字农业技术得到了巨大的提升,遥感技术应用于精准农业也逐渐兴起。在《黑土养分信息提取的高光谱遥感方法研究》、《土壤主要养分含量的高光谱估测研究》两篇论文中分别提出采用BP神经网络及GA-PLS方法反演土壤全钾、有效磷含量,其中采用BP神经网络的缺点是随机性及参数调整不确定性高,训练不够稳定,而GA-PLS方法是一种线性关系,有大部分样本相关性较强时,线性拟合相关性也会很高,这样很难保证反演结果的精度,本发明采用遗传+用BP神经网络的方法,解决了BP神经网络的缺点是随机性及参数调整不确定性高,训练不够稳定的缺点,有采用非线性拟合方式,提升反演精度。
发明内容
为解决现有BP神经网络随机性大及参数调整不确定性高,训练不够稳定的问题,本发明提出一种基于卫星影像的土壤有效磷分析模型构建系统及方法,本发明的方案如下:
方案一:一种基于卫星影像的土壤有效磷分析模型构建系统,该系统包括原始数据获取模块,模型建立模块和模型封装模块;模块之间按顺次逻辑顺序连接;
其中原始数据获取模块负责收集卫星影像数据并生成报表;
模型建立模块包括敏感性方法编码模块和GA-BP神经网络编码模块,负责敏感性分析以及BP神经网络算法的构建;
模型封装模块包括GUI设计模块和模型封装,用于将模型进行最后封装完成分析模型的构建。
进一步地,所述的原始数据获取模块使用SPSS软件完成;所述的模型建立模块所使用的软件为Matlab软件;
其中,所述的敏感性方法编码模块负责敏感性模型的建立并分析敏感波段;所述的GA-BP神经网络编码模块负责反演模型的建立以及进行数据反演过程;
所述的GA-BP神经网络编码模块,通过所述的敏感性方法编码模块得到的输入参数进行反演过程。
方案二:一种基于卫星影像的土壤有效磷分析模型构建方法,是基于上述系统为基础而实现的,包括如下方法步骤:
步骤一,利用SPSS软件完成卫星影像波段信息及其变换信息与土壤有效磷含量的敏感性分析,输出报表;
步骤二,运用步骤一得到的敏感分析报表,选取3-5个对土壤有效磷含量最为敏感的波段,作为所述的模型建立模块训练的输入参数;
步骤三,对步骤二得到的敏感波段,利用数学公式进行变换分析,提升步骤二得到的敏感波段有效信息量;
步骤四,对步骤三变换后波段,运用SPSS软件敏感分析,再次得到3-5个敏感的变换波段,作为所述的模型建立模块训练的输入参数,得到样本数据集,完成敏感性方法编码模块构建过程;;
步骤五,运用所述的GA-BP神经网络编码模块完成反演模型构建,使用遗传算法,以步骤二和步骤四作为模型训练输入参数,以实地土壤样本采集数据实验室分析的有效磷含量为目标参数,完成土壤有效磷反演模型构建;
步骤六,利用所述的GUI设计模块进行图形接口的构建,最终利用所述的模型封装对土壤有效磷反演模型进行封装。
进一步地,所述的敏感性方法编码模块构建过程,步骤细化为:
步骤s1,进行敏感性分析,确认敏感波段并采用数学变换;
步骤s2,通过步骤s1获取的样本数据集合结合有效磷实测数据,分别建立训练样本集、测试样本集和验证样本集。
进一步地,所述的敏感性方法编码模块,模型构建方法选用斯皮尔曼相关性分析,包括如下数学变换:
进一步地,在步骤五中所述的遗传算法包括遗传算法、进化算法和变异算法;所述的BP神经网络算法选择非线性最小二乘算法。
进一步地,在步骤五或六中,最终通过所述的模型建立模块和所述的模型封装模块将样本数据按比例随机分为训练样本验证样本和测试样本三个部分,参考MATLAB智能算法,结合输入参数和目标参数间的定量关系并利用GA-BP神经网络模型进行训练,完成土壤有效磷反演模型。
本发明的有益效果体现在:
1.本发明通过借个GUI设计进行图形接口的构建,并利用遗传算法,克服和改进BP神经网络算法的随机性和不确定性,使得应用神经网络的土壤有效磷反演模型精度更高,取值更为准确;
2.本发明无需通过现场测土以“点”代“面”衡量整片农田土壤有效磷含量,不需要采集大量的测土数据,进而降低采集测定的成本、减少大量的人力物力的消耗;
3.本发明通过土壤有效磷分析模型得出的分析结果,极大程度降低生产成本,并对有效磷的投放精度做到最佳保证,更利于实施应用。
附图说明
图1为基于卫星影像的土壤有效磷分析系统模块逻辑流程图
图2为基于卫星影像的土壤有效磷分析模块功能示意图;
图3为基于卫星影像的土壤有效磷分析方法拓展图;
图4为有效磷实地采样位置分布示意图;
图5为模型遗传算法遗传代数误差图;
图6为模型反演状态示意图;
图7为模型训练均方误差(mse)评价图;
图8为模型训练误差评价图;
图9为模型训练相关系数(R2)评价图;
图10某农场试验田土壤有效磷含量分布图。
具体实施方式
下面结合附图对本发明的实施方式进行详细说明:
具体实施方式一:本实施例提出了一种基于卫星影像的土壤有效磷分析模型构建技术系统及方法,相比传统方法,有效解决传统方法只能获取“点”上的土壤有效磷含量,远远不能满足“面”上对土壤有效磷的大面积获取需求,而通过大量测试土壤有效磷含量指导施肥,耗时耗力成本高,且往往无法做到精准全面施肥,可能出现施肥过多造成成本投入过大、污染环境,施肥过少导致土壤板结、影响作物生长的问题
农作物播种前,对目标区域进行现场土壤样本采集,将采集的样本数据送往实验室进行分析,测定土壤样本中有效磷含量,同时获取采集样本期间的影像数据。
基于所述的遥感数据及测定的播种前的土壤有效磷数据,进行敏感性分析模型构建、土壤有效磷反演模型构建,利用构建的模型得到目标区域土壤有效磷含量的空间分布栅格数据;
利用GIS技术手段将土壤有效磷含量的空间分布栅格数据逐像素转化成矢量数据;
将土壤有效磷含量矢量数据数据进行分级;
将分级后的土壤有效磷含量矢量数据,根据用户耕地边界进行调整和裁剪,形成针对每块耕地的有效磷含量数据。
具体实施方式二:本实施例分为7阶段:分别为原始数据获取阶段、敏感性分析模型构建及影像敏感分析阶段、敏感波段数学变换阶段、变换波段敏感分析阶段、模型训练输入及目标参数确定阶段、GA-BP神经网络模型构建阶段阶段、模型训练和验证阶段,具体过程如下:
1、原始数据获取阶段:
按照《土壤样本采集技术规范》的要求进行目标区域土壤样本采集、封装及标定,目标区域土壤样点采集,采用等距采样法采集作业区0~20cm的耕层土壤,采用5分法将土壤充分混合均匀后取土1kg,采样间距根据作业范围大小而定,一般旱田间隔100m,水田每个网格均布9个点。利用GPS获取采样点经度、纬度及高程信息。采样完成后,土壤样本进入实验室进行处理,依据《NY/T889-2004土壤有效磷和缓解钾含量测定》标准,测定准确的土壤有效磷含量;
获取农作物播种前,样本采集期间影像数据,利用ENVI5.3对获取的影像数据进行辐射定标、大气校正、滤波处理及重采样处理;
2、影像波段变换:
对敏感波段进行11种数学变换,利用ENVI5.3软件,bandmath工具可以进行倒数变换(1/R)、倒数的对数变换(lg(1/R))、对数变换(lgR)、对数的倒数变换(1/lgR)、均方根变换利用ENVI5.3软件,Image Derivative工具可以进行一阶导数(R′)、倒数的一阶导数(1/R)′、对数的一阶导数(lgR)′、均方根的一阶导数倒数的对数的一阶导数(lg(1/R))′和对数的倒数的一阶导数(1/lgR)′的变换;
3、敏感性分析:
利用版本为10.1及以上的ArcGIS软件,Spatial Analyst工具提值至点功能,将预处理后影像每个波段的反射率信息及数学变换波段反射率信息提取至土壤采样点信息中,利用SPSS软件基于斯皮尔曼相关性分析算法对影像每个波段反射率值与其对应的有效磷含量进行敏感性分析,根据软件输出的报表,标注显著性相关,则输出的结果达到0.05显著性水平时,右上角用“*”表示比较显著,若达到0.01显著性水平时,右上角用“**”表示极显著。选取敏感性高的波段作为反演模型训练的输入参数,一般选择3-5个;
5、模型训练输入及目标参数确定阶段:
选取单一形式输入参数(预处理后影像敏感波段、数学变换敏感波段)或双形式组合输入参数(预处理后影像敏感波段-数学变换敏感波段),以现场土壤样本实验室测定的有效磷为目标参数。
6、GA-BP神经网络模型构建阶段:
利用Matlab的遗传算法工具箱及BP神经网络工具箱,基于
Matlab语言,调用遗传算法工具箱的initializega函数,初始化种群,调用ga函数,寻找BP神经网络最优权值和阈值。利用神经网络工具箱NETWORK函数,将最优权值和阈值传递给NET函数,再调用newff函数(传输函数推荐选择“tansig”“logsig”“tansig”,训练参数推荐选择“trainlm”),建立BP神经网络函数,再利用train函数进行模型训练,完成GA-BP神经网络模型构建,利用Matlab的GUI程序设计对模型进行封装。
7、模型训练和验证阶段:
将样本数据按比例随机分为训练样本(training)、验证样本(validation)、测试样本(test)三个部分,具体分配原则根据MATLAB智能算法的描述,训练样本用于GA-BP神经网络模型的训练,验证样本、测试样本用于训练后模型的验证与测试,确保模型的稳定及准确性。结合输入参数和目标参数间的定量关系并利用GA-BP神经网络模型进行训练,得到两者之间存在的定量函数关系,建立土壤有效磷反演模型。
具体实施方式三:本实施方式以某省某农场农田为例,采用本实施例的方法,最终获得耕地土壤有效磷含量分布图如图3所示:
某农场试验田475亩,根据当地实际情况,采集土壤样本,记录每个采样点的经纬坐标和土样编号,将土样送往专业的第三方土壤检测进行实验室测试,测得每个样本中有效磷含量,测定的含量(mg/kg)及位置展点如图4位置分布(注:图上标记数据为有效磷含量值);
查询并下载遥感影像,本实施例下载哨兵一号,分辨率为10米,影像时间分别为2020年5月29日、6月13日,利用ENVI5.3对影像进行辐射定标、大气校正、滤波处理、波段重采样处理,利用矢量范围进行裁剪;
利用敏感性分析模型得到预处理后影像数据波段与土壤样本有效磷含量敏感分析表如下:
2020年05月29日影像数据波段敏感性分析结果
**.在置信度(双测)为0.01时,相关性是显著的;
*.在置信度(双测)为0.05时,相关性是显著的;
N为样本数量。
2020年06月13日影像数据波段敏感性分析结果
**.在置信度(双测)为0.01时,相关性是显著的;
*.在置信度(双测)为0.05时,相关性是显著的;
N为样本数量。
根据优化的反演模型计算得到土壤有效磷含量栅格数据;
利用GIS中栅格转面功能将反演土壤有效磷含量栅格数据逐像素导出,按照影像范围建立渔网,实现按像素导出矢量数据,通过属性表连接实现栅格数据矢量化。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于卫星影像的土壤有效磷分析模型构建系统,其特征在于:该系统包括原始数据获取模块,模型建立模块和模型封装模块;模块之间按顺次逻辑顺序连接;
其中原始数据获取模块负责收集卫星影像数据并生成报表;
模型建立模块包括敏感性方法编码模块和GA-BP神经网络编码模块,负责敏感性分析以及BP神经网络算法的构建;
模型封装模块包括GUI设计模块和模型封装模块,用于将模型进行最后封装完成分析模型的构建。
2.根据权利要求1所述的一种基于卫星影像的土壤有效磷分析模型构建系统,其特征在于:所述的原始数据获取模块使用SPSS软件完成;所述的模型建立模块所使用的软件为Matlab软件;
其中,所述的敏感性方法编码模块负责敏感性模型的建立并分析敏感波段;所述的GA-BP神经网络编码模块负责反演模型的建立以及进行数据反演过程;
所述的GA-BP神经网络编码模块,通过所述的敏感性方法编码模块得到的输入参数进行反演过程。
3.一种基于卫星影像的土壤有效磷分析模型构建方法,是基于上述权利要求1-2中任一一项所述的系统而实现的,其特征在于:包括如下方法步骤:
步骤一,利用SPSS软件完成卫星影像波段信息及其变换信息与土壤有效磷含量的敏感性分析,输出报表;
步骤二,运用步骤一得到的敏感分析报表,选取3-5个对土壤有效磷含量最为敏感的波段,作为所述的模型建立模块训练的输入参数;
步骤三,对步骤二得到的敏感波段,利用数学公式进行变换分析,提升步骤二得到的敏感波段有效信息量;
步骤四,对步骤三变换后波段,运用SPSS软件敏感分析,再次得到3-5个敏感的变换波段,作为所述的模型建立模块训练的输入参数,得到样本数据集,完成敏感性方法编码模块构建过程;
步骤五,运用所述的GA-BP神经网络编码模块完成反演模型构建,使用遗传算法,以步骤二和步骤四作为模型训练输入参数,以实地土壤样本采集数据实验室分析的有效磷含量为目标参数,完成土壤有效磷反演模型构建;
步骤六,利用所述的GUI设计模块进行图形接口的构建,最终利用所述的模型封装对土壤有效磷反演模型进行封装。
4.根据权利要求3所述的一种基于卫星影像的土壤有效磷分析模型构建方法,其特征在于:所述的敏感性方法编码模块构建过程,步骤细化为:
步骤s1,进行敏感性分析,确认敏感波段并采用数学变换;
步骤s2,通过步骤s1获取的样本数据集合结合有效磷实测数据,分别建立训练样本集、测试样本集和验证样本集。
6.根据权利要求5所述的一种基于卫星影像的土壤有效磷分析模型构建方法,其特征在于:在步骤五中所述的遗传算法包括遗传算法、进化算法和变异算法;所述的BP神经网络算法选择非线性最小二乘算法。
7.根据权利要求6所述的一种基于卫星影像的土壤有效磷分析模型构建方法,其特征在于:在步骤五或六中,最终通过所述的模型建立模块和所述的模型封装模块将样本数据按比例随机分为训练样本验证样本和测试样本三个部分,参考MATLAB智能算法,结合输入参数和目标参数间的定量关系并利用GA-BP神经网络模型进行训练,完成土壤有效磷反演模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110069811.7A CN112733780A (zh) | 2021-01-19 | 2021-01-19 | 一种基于卫星影像的土壤有效磷分析模型构建系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110069811.7A CN112733780A (zh) | 2021-01-19 | 2021-01-19 | 一种基于卫星影像的土壤有效磷分析模型构建系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112733780A true CN112733780A (zh) | 2021-04-30 |
Family
ID=75592476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110069811.7A Pending CN112733780A (zh) | 2021-01-19 | 2021-01-19 | 一种基于卫星影像的土壤有效磷分析模型构建系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733780A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154627A (zh) * | 2022-02-10 | 2022-03-08 | 山东省地质矿产勘查开发局第七地质大队(山东省第七地质矿产勘查院) | 一种基于gis与双层神经网络的土壤剖面测量方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046415A (zh) * | 2019-04-08 | 2019-07-23 | 中国科学院南京地理与湖泊研究所 | 一种时空精细化的土壤有机质含量遥感动态反演方法 |
CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN112149827A (zh) * | 2020-09-27 | 2020-12-29 | 哈尔滨航天恒星数据系统科技有限公司 | 基于卫星影像的土壤速效钾分析模型构建系统及方法 |
-
2021
- 2021-01-19 CN CN202110069811.7A patent/CN112733780A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046415A (zh) * | 2019-04-08 | 2019-07-23 | 中国科学院南京地理与湖泊研究所 | 一种时空精细化的土壤有机质含量遥感动态反演方法 |
CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN112149827A (zh) * | 2020-09-27 | 2020-12-29 | 哈尔滨航天恒星数据系统科技有限公司 | 基于卫星影像的土壤速效钾分析模型构建系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154627A (zh) * | 2022-02-10 | 2022-03-08 | 山东省地质矿产勘查开发局第七地质大队(山东省第七地质矿产勘查院) | 一种基于gis与双层神经网络的土壤剖面测量方法及设备 |
CN114154627B (zh) * | 2022-02-10 | 2022-05-20 | 山东省地质矿产勘查开发局第七地质大队(山东省第七地质矿产勘查院) | 一种基于gis与双层神经网络的土壤剖面测量方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
CN111399508B (zh) | 智慧农业系统和智慧农业方法 | |
Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
CN112149827A (zh) | 基于卫星影像的土壤速效钾分析模型构建系统及方法 | |
CN105372672B (zh) | 基于时间序列数据的南方冬种作物种植面积提取方法 | |
CN109757175B (zh) | 一种基于无人机监测的玉米水肥一体化变量施肥方法 | |
CN111798327A (zh) | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 | |
CN110427995A (zh) | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 | |
CN112836575B (zh) | 一种基于作物物候期的多时序影像水稻估产方法 | |
CN108647401B (zh) | 一种基于空间遥感技术的流域氮磷污染评估方法 | |
CN102445421B (zh) | 一种用于快速诊断烤烟氮素叶色卡的制备方法 | |
CN116188793A (zh) | 一种基于卫星遥感影像的紫云英种植面积监测方法 | |
CN114511170A (zh) | 一种基于多光谱影像的土壤养分估计方法及装置 | |
CN116027010A (zh) | 一种多源卫星测量土壤水分的数据校正方法 | |
CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
Liu et al. | Winter wheat yield estimation based on assimilated Sentinel-2 images with the CERES-Wheat model | |
CN112733780A (zh) | 一种基于卫星影像的土壤有效磷分析模型构建系统及方法 | |
CN111965330A (zh) | 一种基于双极化类发射率的裸露土壤含水量反演方法 | |
CN113408701A (zh) | 一种卷积神经网络土壤有机质分析模型构建系统及方法 | |
CN113435574A (zh) | 一种卷积神经网络土壤速效钾分析模型构建系统及方法 | |
CN113420875A (zh) | 一种卷积神经网络土壤有效磷分析模型构建系统及方法 | |
CN106501454A (zh) | 一种枣树冠层叶绿素b含量的卫星遥感监测方法 | |
CN113408700A (zh) | 一种卷积神经网络土壤碱解氮分析模型构建系统及方法 | |
WO2023131949A1 (en) | A versatile crop yield estimator | |
Dige | Precision agriculture in india: Opportunities and challenges |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |
|
RJ01 | Rejection of invention patent application after publication |