CN112819227A - 一种县级尺度冬小麦单产预测方法及系统 - Google Patents
一种县级尺度冬小麦单产预测方法及系统 Download PDFInfo
- Publication number
- CN112819227A CN112819227A CN202110143834.8A CN202110143834A CN112819227A CN 112819227 A CN112819227 A CN 112819227A CN 202110143834 A CN202110143834 A CN 202110143834A CN 112819227 A CN112819227 A CN 112819227A
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- determining
- yield
- remote sensing
- leaf area
- 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
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- 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
Abstract
本发明涉及一种县级尺度冬小麦单产预测方法及系统。该方法包括:获取研究区冬小麦生育期内的高分遥感影像数据;根据所述高分遥感影像数据,确定绿色叶绿素植被指数;根据所述绿色叶绿素植被指数,确定冬小麦归一化最大叶面积指数;基于作物生长模型,建立冬小麦归一化最大叶面积指数与单产的关系模型;将所述冬小麦遥感归一化最大叶面积指数输入至所述关系模型中,得到冬小麦遥感预测单产值。本发明能够快速精确地对冬小麦的产量进行预测。
Description
技术领域
本发明涉及小麦单产预测领域,特别是涉及一种县级尺度冬小麦单产预测方法及系统。
背景技术
目前农作物产量预测技术方法中,或者预测参数过多调参过程太复杂,无法在收获前获得预测产量值,或者没有机理性无法解释作物生长特点,均无法满足当前的农作物产量遥感监测业务化运行需求。因此,亟需一种快速精确地对冬小麦的产量进行预测的方法及系统。
发明内容
本发明的目的是提供一种县级尺度冬小麦单产预测方法及系统,能够快速精确地对冬小麦的产量进行预测。
为实现上述目的,本发明提供了如下方案:
一种县级尺度冬小麦单产预测方法,包括:
获取研究区冬小麦生育期内的高分遥感影像数据;
根据所述高分遥感影像数据,确定绿色叶绿素植被指数;
根据所述绿色叶绿素植被指数,确定冬小麦归一化最大叶面积指数;
基于作物生长模型,建立冬小麦归一化最大叶面积指数与单产的关系模型;
将所述冬小麦遥感归一化最大叶面积指数输入至所述关系模型中,得到冬小麦遥感预测单产值。
可选地,所述根据所述高分遥感影像数据,确定绿色叶绿素植被指数,具体包括:
根据所述高分遥感影像数据,确定近红外波段数据和绿光波段数据;
根据所述近红外波段数据和所述绿光波段数据采用公式GCVI=ρNIR/ρGRN-1,确定绿色叶绿素植被指数;
其中,ρNIR为近红外波段数据,ρGRN为绿光波段数据,GCVI为绿色叶绿素植被指数。
可选地,所述根据所述绿色叶绿素植被指数,确定冬小麦归一化最大叶面积指数,具体包括:
根据所述绿色叶绿素植被指数采用公式LAI=-0.003×GCVI2+0.64×GCVI-0.37,确定冬小麦归一化叶面积指数;
根据所述冬小麦归一化叶面积指数,确定冬小麦归一化最大叶面积指数。
可选地,所述基于作物生长模型建立冬小麦归一化最大叶面积指数与单产的关系模型,具体包括:
通过与田间实测或调查数据对比的方法确定作物生长模型所需输入的品种参数值,所述品种参数值包括春化敏感性系数、光周期敏感性系数、灌浆到成熟期所需有效积温、单位茎重的谷粒数、最大谷粒重、潜在灌浆速率和光能利用率;
获取样本站点气象数据、土壤数据和管理数据,所述管理数据包括冬小麦播期、播种密度、灌溉、施肥和播前土壤水分;
将所述品种参数值、所述样本站点气象数据、所述土壤数据和所述管理数据输入至所述作物生长模型,得到冬小麦产量模拟结果输出,所述输出结果包括逐日的日期、生育期、生物量、株高、叶面积指数、产量、植株体内氮含量、植株水分吸收量、植株的氮需求和植株的叶片数量;
根据所述冬小麦产量模拟结果输出,确定冬小麦模拟叶面积指数和模拟产量值;
根据所述冬小麦模拟叶面积指数和模拟产量值,建立冬小麦归一化最大叶面积指数与单产的关系模型。
可选地,还包括:
根据所述冬小麦遥感预测单产值,确定研究区冬小麦单产遥感分布图;
根据所述研究区冬小麦单产遥感分布图,利用地理信息系统软件制图统计研究区冬小麦单产。
一种县级尺度冬小麦单产预测系统,包括:
高分遥感影像数据获取模块,用于获取研究区冬小麦生育期内的高分遥感影像数据;
绿色叶绿素植被指数确定模块,用于根据所述高分遥感影像数据,确定绿色叶绿素植被指数;
冬小麦归一化最大叶面积指数确定模块,用于根据所述绿色叶绿素植被指数,确定冬小麦归一化最大叶面积指数;
关系模型确定模块,用于基于作物生长模型,建立冬小麦归一化最大叶面积指数与单产的关系模型;
冬小麦单产预测模块,用于将所述冬小麦遥感归一化最大叶面积指数输入至所述关系模型中,得到冬小麦遥感预测单产值。
可选地,所述绿色叶绿素植被指数确定模块,具体包括:
波段数据确定单元,用于根据所述高分遥感影像数据,确定近红外波段数据和绿光波段数据;
绿色叶绿素植被指数确定单元,用于根据所述近红外波段数据和所述绿光波段数据采用公式GCVI=ρNIR/ρGRN-1,确定绿色叶绿素植被指数;
其中,ρNIR为近红外波段数据,ρGRN为绿光波段数据,GCVI为绿色叶绿素植被指数。
可选地,所述冬小麦归一化最大叶面积指数确定模块,具体包括:
冬小麦归一化叶面积指数确定单元,用于根据所述绿色叶绿素植被指数采用公式LAI=-0.003×GCVI2+0.64×GCVI-0.37,确定冬小麦归一化叶面积指数;
冬小麦归一化最大叶面积指数确定单元,用于根据所述冬小麦归一化叶面积指数,确定冬小麦归一化最大叶面积指数。
可选地,还包括:
冬小麦单产遥感分布图确定模块,用于根据所述冬小麦遥感预测单产值,确定研究区冬小麦单产遥感分布图;
研究区冬小麦单产确定模块,用于根据所述研究区冬小麦单产遥感分布图,利用地理信息系统软件制图统计研究区冬小麦单产。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种县级尺度冬小麦单产预测方法,通过获取研究区冬小麦生育期内的高分遥感影像数据;根据所述高分遥感影像数据,确定绿色叶绿素植被指数;根据所述绿色叶绿素植被指数,确定冬小麦归一化最大叶面积指数;基于作物生长模型,建立冬小麦归一化最大叶面积指数与单产的关系模型;将所述冬小麦遥感归一化最大叶面积指数输入至所述关系模型中,得到冬小麦遥感预测单产值。本发明将遥感数据和作物生长模型相结合,能够快速精确地对冬小麦的产量进行预测。
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,下面描述中的附图仅仅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为本发明县级尺度冬小麦单产预测方法流程图;
图2为本发明县级尺度冬小麦单产预测系统结构图。
具体实施方式
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,所描述的实施例仅仅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。
本发明的目的是提供一种县级尺度冬小麦单产预测方法及系统,能够快速精确地对冬小麦的产量进行预测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明县级尺度冬小麦单产预测方法流程图。如图1所示,一种县级尺度冬小麦单产预测方法包括:
步骤101:获取研究区冬小麦生育期内的高分遥感影像数据。
筛选研究区冬小麦生育期内的高分遥感影像数据。筛选出符合无云或云量少于10%的高分遥感卫星影像,然后对高分遥感卫星影像进行预处理,预处理包括大气校正、辐射校正和几何校正。
对比选取冬小麦识别最佳相遥感影像,利用面向对象法或目视解译法提取研究区冬小麦种植面积,得到研究区冬小麦种植分布图。小麦种植分布图是从高分遥感影像提取植被指数的底图和基础,确保提取的植被指数是冬小麦的。
步骤102:根据所述高分遥感影像数据,确定绿色叶绿素植被指数,具体包括:
根据所述高分遥感影像数据,确定近红外波段数据和绿光波段数据;
根据所述近红外波段数据和所述绿光波段数据采用公式GCVI=ρNIR/ρGRN-1,确定绿色叶绿素植被指数;
其中,ρNIR为近红外波段数据,ρGRN为绿光波段数据,GCVI为绿色叶绿素植被指数。
步骤103:根据所述绿色叶绿素植被指数,确定冬小麦归一化最大叶面积指数,具体包括:
根据所述绿色叶绿素植被指数采用公式LAI=-0.003×GCVI2+0.64×GCVI-0.37,确定冬小麦归一化叶面积指数;
根据所述冬小麦归一化叶面积指数,确定冬小麦归一化最大叶面积指数。
步骤104:基于作物生长模型,建立冬小麦归一化最大叶面积指数与单产的关系模型,具体包括:
步骤1041:通过与田间实测或调查数据对比的方法确定作物生长模型所需输入的品种参数值,所述品种参数值包括春化敏感性系数、光周期敏感性系数、灌浆到成熟期所需有效积温、单位茎重的谷粒数、最大谷粒重、潜在灌浆速率和光能利用率。
步骤1042:获取样本站点气象数据、土壤数据和管理数据,所述管理数据包括冬小麦播期、播种密度、灌溉、施肥和播前土壤水分。
步骤1043:将所述品种参数值、所述样本站点气象数据、所述土壤数据和所述管理数据输入至所述作物生长模型,得到冬小麦产量模拟结果输出,所述输出结果包括逐日的日期、生育期、生物量、株高、叶面积指数、产量、植株体内氮含量、植株水分吸收量、植株的氮需求和植株的叶片数量。
步骤1044:根据所述冬小麦产量模拟结果输出,确定冬小麦模拟叶面积指数和模拟产量值。
步骤1045:根据所述冬小麦模拟叶面积指数和模拟产量值,建立冬小麦归一化最大叶面积指数与单产的关系模型。
作物生长模型即APSIM模型由澳大利亚的联邦科工组织以及昆士兰州政府的农业生产系统组(APSRU)开发的机理模型,用于模拟农业生产系统中气候、土壤、作物和管理的相互作用(McCown et al.,1995)。
提取冬小麦开花期的最大叶面积指数平均值和单产值,将最大叶面积指数进行归一化处理后,利用统计分析软件PASW statistics来分析归一化最大叶面积指数和单产的相关性,得到回归拟合方程,选取拟合效果最优的方程作为冬小麦单产和最大叶面积指数的关系模型(Y=a+bLAImax)。
步骤105:将所述冬小麦遥感归一化最大叶面积指数输入至所述关系模型中,得到冬小麦遥感预测单产值。
本发明还包括:
步骤106:根据所述冬小麦遥感预测单产值,确定研究区冬小麦单产遥感分布图。
步骤107:根据所述研究区冬小麦单产遥感分布图,利用地理信息系统软件制图统计研究区冬小麦单产。
在步骤107之后还可以对冬小麦单产的预测结果进行精度评价,具体的,将基于高分遥感卫星影像数据提取的冬小麦单产估算结果,使用ARCGIS几何分区统计功能将像元统计到县级尺度,与统计数据进行对比分析,计算决定系数(R2)和均方根误差(RMSE)。R2越大,RMSE越小,遥感影像提取的冬小麦单产估算结果的数据精度越高。
图2为本发明县级尺度冬小麦单产预测系统结构图。如图2所示,一种县级尺度冬小麦单产预测系统包括:
高分遥感影像数据获取模块201,用于获取研究区冬小麦生育期内的高分遥感影像数据。
绿色叶绿素植被指数确定模块202,用于根据所述高分遥感影像数据,确定绿色叶绿素植被指数。
冬小麦归一化最大叶面积指数确定模块203,用于根据所述绿色叶绿素植被指数,确定冬小麦归一化最大叶面积指数。
关系模型确定模块204,用于基于作物生长模型,建立冬小麦归一化最大叶面积指数与单产的关系模型。
冬小麦单产预测模块205,用于将所述冬小麦遥感归一化最大叶面积指数输入至所述关系模型中,得到冬小麦遥感预测单产值。
所述绿色叶绿素植被指数确定模块202,具体包括:
波段数据确定单元,用于根据所述高分遥感影像数据,确定近红外波段数据和绿光波段数据。
绿色叶绿素植被指数确定单元,用于根据所述近红外波段数据和所述绿光波段数据采用公式GCVI=ρNIR/ρGRN-1,确定绿色叶绿素植被指数。
其中,ρNIR为近红外波段数据,ρGRN为绿光波段数据,GCVI为绿色叶绿素植被指数。
所述冬小麦归一化最大叶面积指数确定模块203,具体包括:
冬小麦归一化叶面积指数确定单元,用于根据所述绿色叶绿素植被指数采用公式LAI=-0.003×GCVI2+0.64×GCVI-0.37,确定冬小麦归一化叶面积指数。
冬小麦归一化最大叶面积指数确定单元,用于根据所述冬小麦归一化叶面积指数,确定冬小麦归一化最大叶面积指数。
本发明的县级尺度冬小麦单产预测系统还包括:
冬小麦单产遥感分布图确定模块206,用于根据所述冬小麦遥感预测单产值,确定研究区冬小麦单产遥感分布图。
研究区冬小麦单产确定模块207,用于根据所述研究区冬小麦单产遥感分布图,利用地理信息系统软件制图统计研究区冬小麦单产。
相对于现有技术,本发明是将遥感数据、机理模型和统计方法相融合的一种方法,可以克服目前作物产量预测的业务化运行局限性。并且可以在冬小麦成熟收获前快速获得产量预测值,计算更简单快捷,在进行遥感估产业务化运行中不仅可以快速预测单产,而且较好的节省计算力。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种县级尺度冬小麦单产预测方法,其特征在于,包括:
获取研究区冬小麦生育期内的高分遥感影像数据;
根据所述高分遥感影像数据,确定绿色叶绿素植被指数;
根据所述绿色叶绿素植被指数,确定冬小麦归一化最大叶面积指数;
基于作物生长模型,建立冬小麦归一化最大叶面积指数与单产的关系模型;
将所述冬小麦遥感归一化最大叶面积指数输入至所述关系模型中,得到冬小麦遥感预测单产值。
2.根据权利要求1所述的县级尺度冬小麦单产预测方法,其特征在于,所述根据所述高分遥感影像数据,确定绿色叶绿素植被指数,具体包括:
根据所述高分遥感影像数据,确定近红外波段数据和绿光波段数据;
根据所述近红外波段数据和所述绿光波段数据采用公式GCVI=ρNIR/ρGRN-1,确定绿色叶绿素植被指数;
其中,ρNIR为近红外波段数据,ρGRN为绿光波段数据,GCVI为绿色叶绿素植被指数。
3.根据权利要求1所述的县级尺度冬小麦单产预测方法,其特征在于,所述根据所述绿色叶绿素植被指数,确定冬小麦归一化最大叶面积指数,具体包括:
根据所述绿色叶绿素植被指数采用公式LAI=-0.003×GCVI2+0.64×GCVI-0.37,确定冬小麦归一化叶面积指数;
根据所述冬小麦归一化叶面积指数,确定冬小麦归一化最大叶面积指数。
4.根据权利要求1所述的县级尺度冬小麦单产预测方法,其特征在于,所述基于作物生长模型建立冬小麦归一化最大叶面积指数与单产的关系模型,具体包括:
通过与田间实测或调查数据对比的方法确定作物生长模型所需输入的品种参数值,所述品种参数值包括春化敏感性系数、光周期敏感性系数、灌浆到成熟期所需有效积温、单位茎重的谷粒数、最大谷粒重、潜在灌浆速率和光能利用率;
获取样本站点气象数据、土壤数据和管理数据,所述管理数据包括冬小麦播期、播种密度、灌溉、施肥和播前土壤水分;
将所述品种参数值、所述样本站点气象数据、所述土壤数据和所述管理数据输入至所述作物生长模型,得到冬小麦产量模拟结果输出,所述输出结果包括逐日的日期、生育期、生物量、株高、叶面积指数、产量、植株体内氮含量、植株水分吸收量、植株的氮需求和植株的叶片数量;
根据所述冬小麦产量模拟结果输出,确定冬小麦模拟叶面积指数和模拟产量值;
根据所述冬小麦模拟叶面积指数和模拟产量值,建立冬小麦归一化最大叶面积指数与单产的关系模型。
5.根据权利要求1所述的县级尺度冬小麦单产预测方法,其特征在于,还包括:
根据所述冬小麦遥感预测单产值,确定研究区冬小麦单产遥感分布图;
根据所述研究区冬小麦单产遥感分布图,利用地理信息系统软件制图统计研究区冬小麦单产。
6.一种县级尺度冬小麦单产预测系统,其特征在于,包括:
高分遥感影像数据获取模块,用于获取研究区冬小麦生育期内的高分遥感影像数据;
绿色叶绿素植被指数确定模块,用于根据所述高分遥感影像数据,确定绿色叶绿素植被指数;
冬小麦归一化最大叶面积指数确定模块,用于根据所述绿色叶绿素植被指数,确定冬小麦归一化最大叶面积指数;
关系模型确定模块,用于基于作物生长模型,建立冬小麦归一化最大叶面积指数与单产的关系模型;
冬小麦单产预测模块,用于将所述冬小麦遥感归一化最大叶面积指数输入至所述关系模型中,得到冬小麦遥感预测单产值。
7.根据权利要求6所述的县级尺度冬小麦单产预测系统,其特征在于,所述绿色叶绿素植被指数确定模块,具体包括:
波段数据确定单元,用于根据所述高分遥感影像数据,确定近红外波段数据和绿光波段数据;
绿色叶绿素植被指数确定单元,用于根据所述近红外波段数据和所述绿光波段数据采用公式GCVI=ρNIR/ρGRN-1,确定绿色叶绿素植被指数;
其中,ρNIR为近红外波段数据,ρGRN为绿光波段数据,GCVI为绿色叶绿素植被指数。
8.根据权利要求6所述的县级尺度冬小麦单产预测系统,其特征在于,所述冬小麦归一化最大叶面积指数确定模块,具体包括:
冬小麦归一化叶面积指数确定单元,用于根据所述绿色叶绿素植被指数采用公式LAI=-0.003×GCVI2+0.64×GCVI-0.37,确定冬小麦归一化叶面积指数;
冬小麦归一化最大叶面积指数确定单元,用于根据所述冬小麦归一化叶面积指数,确定冬小麦归一化最大叶面积指数。
9.根据权利要求6所述的县级尺度冬小麦单产预测系统,其特征在于,还包括:
冬小麦单产遥感分布图确定模块,用于根据所述冬小麦遥感预测单产值,确定研究区冬小麦单产遥感分布图;
研究区冬小麦单产确定模块,用于根据所述研究区冬小麦单产遥感分布图,利用地理信息系统软件制图统计研究区冬小麦单产。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110143834.8A CN112819227A (zh) | 2021-02-02 | 2021-02-02 | 一种县级尺度冬小麦单产预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110143834.8A CN112819227A (zh) | 2021-02-02 | 2021-02-02 | 一种县级尺度冬小麦单产预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112819227A true CN112819227A (zh) | 2021-05-18 |
Family
ID=75860608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110143834.8A Pending CN112819227A (zh) | 2021-02-02 | 2021-02-02 | 一种县级尺度冬小麦单产预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819227A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113640230A (zh) * | 2021-08-31 | 2021-11-12 | 河南农业大学 | 一种田间小麦水分利用率快速检测方法及系统 |
CN116432859A (zh) * | 2023-05-08 | 2023-07-14 | 中山大学 | 一种作物产量统计数据降尺度方法 |
CN117423003A (zh) * | 2023-12-19 | 2024-01-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
-
2021
- 2021-02-02 CN CN202110143834.8A patent/CN112819227A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113640230A (zh) * | 2021-08-31 | 2021-11-12 | 河南农业大学 | 一种田间小麦水分利用率快速检测方法及系统 |
CN113640230B (zh) * | 2021-08-31 | 2022-06-21 | 河南农业大学 | 一种田间小麦水分利用率快速检测方法及系统 |
CN116432859A (zh) * | 2023-05-08 | 2023-07-14 | 中山大学 | 一种作物产量统计数据降尺度方法 |
CN116432859B (zh) * | 2023-05-08 | 2023-10-27 | 中山大学 | 一种作物产量统计数据降尺度方法 |
CN117423003A (zh) * | 2023-12-19 | 2024-01-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
CN117423003B (zh) * | 2023-12-19 | 2024-03-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pôças et al. | Remote sensing for estimating and mapping single and basal crop coefficientes: A review on spectral vegetation indices approaches | |
US11617313B2 (en) | Controlling agricultural production areas | |
Leroux et al. | Maize yield estimation in West Africa from crop process-induced combinations of multi-domain remote sensing indices | |
CN106600434B (zh) | 基于作物模型与同化技术的作物长势遥感监测方法 | |
Doraiswamy et al. | Crop yield assessment from remote sensing | |
CN110956381A (zh) | 一种远程农业信息智能分析系统及农业环境调控方法 | |
US7702597B2 (en) | Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters | |
CN112819227A (zh) | 一种县级尺度冬小麦单产预测方法及系统 | |
CN111898922B (zh) | 一种多尺度农作物产量评估方法及系统 | |
WO2018107245A1 (en) | Detection of environmental conditions | |
CN112070297A (zh) | 农事活动的天气指标预测方法、装置、设备及存储介质 | |
CN108205718B (zh) | 一种粮食作物抽样测产方法及系统 | |
AU2023203307A1 (en) | Controlling Agricultural Production Areas | |
CN115577866A (zh) | 物候期预测方法、装置、电子设备和存储介质 | |
CN110008621B (zh) | 基于双重流依赖集合平方根滤波同化算法的作物模型遥感同化估产方法 | |
Gebremedhin et al. | Deriving potential evapotranspiration from satellite-based reference evapotranspiration, Upper Tekeze Basin, Northern Ethiopia | |
CN113063739A (zh) | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 | |
CN115439402A (zh) | 基于SAFY-Sugar模型的糖料蔗单产遥感估算方法和装置 | |
CN113553697B (zh) | 基于长时序多源数据的煤炭开采植被扰动分析方法 | |
Della Nave et al. | Calibrating APSIM for forage sorghum using remote sensing and field data under sub-optimal growth conditions | |
RU2379879C2 (ru) | Способ прогнозирования урожайности зерновых культур на основе данных космического мониторинга и моделирования биопродуктивности | |
Liang et al. | CanopyCAM–an edge-computing sensing unit for continuous measurement of canopy cover percentage of dry edible beans | |
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 | |
Kirui et al. | Calibration and parameterization of APSIM-wheat using earth observation data for wheat simulation in Kenya | |
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 |
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 |