CN113361952B - 一种芦苇生长情况评估方法 - Google Patents

一种芦苇生长情况评估方法 Download PDF

Info

Publication number
CN113361952B
CN113361952B CN202110714712.XA CN202110714712A CN113361952B CN 113361952 B CN113361952 B CN 113361952B CN 202110714712 A CN202110714712 A CN 202110714712A CN 113361952 B CN113361952 B CN 113361952B
Authority
CN
China
Prior art keywords
reed
area
harvesting
water depth
range
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
Application number
CN202110714712.XA
Other languages
English (en)
Other versions
CN113361952A (zh
Inventor
任政
陈玲
张丽
张殷钦
孙鹏程
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.)
Hebei University of Engineering
Original Assignee
Hebei University of Engineering
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 Hebei University of Engineering filed Critical Hebei University of Engineering
Priority to CN202110714712.XA priority Critical patent/CN113361952B/zh
Publication of CN113361952A publication Critical patent/CN113361952A/zh
Application granted granted Critical
Publication of CN113361952B publication Critical patent/CN113361952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • 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
    • G06T2207/10041—Panchromatic image
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Mining & Mineral Resources (AREA)
  • Operations Research (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Cultivation Of Plants (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种芦苇生长情况评估方法，其包括以下步骤：S1：利用遥感技术获取芦苇分布的范围：S2：获取种植芦苇的研究区的高精度地形数据，利用高精度地形数据获取逐日或逐旬的水位数据；S3：结合水位数据分析芦苇生长质量与水深的关系；S4：通过芦苇生长质量与水深的关系，并结合芦苇生长期内的水深变化数据，分析不同区域内的芦苇生长质量。本发明能快速、高效地评估芦苇生长情况、生长面积和产量等，为芦苇生产管理提供支撑，工作人员根据评估的情况，为芦苇的收割和养殖制定精准的决策。

Description

一种芦苇生长情况评估方法
技术领域
本发明涉及芦苇种植技术领域，具体涉及一种芦苇生长情况评估方法。
背景技术
芦苇杆中纤维素含量较高，可以用来造纸和人造纤维，同时也可用于药用， 主治，热病烦渴，胃热呕吐，噎膈，反胃，肺痿，肺痈，表热证，解河豚鱼毒。 不同的应用需求对芦苇根、茎、叶等器官的性状要求不同。如造纸要求由芦苇 的总生物量最大；苇席要求芦苇茎的产量最大、直径大小要符合一定的标准； 苇画要求芦苇叶的产量最大、质量达标等等。
近年来，由于经济社会高速发展，水环境水生态压力较大，芦苇收割和资 源化利用是重要的治理手段。现有技术里没有对芦苇的生长情况评估的方法， 都是采用的认为的评估方式，导致得到的结果偏差大，芦苇生产管理很不合理， 所以急需开展对芦苇生长的情况进行精确评估。
发明内容
针对现有技术的上述不足，本发明提供了一种快速、高效评估芦苇生长情 况的评估方法
为达到上述发明目的，本发明所采用的技术方案为：
提供一种芦苇生长情况评估方法，其包括以下步骤：
S1：利用遥感技术获取芦苇分布的范围：
S2：获取种植芦苇的研究区的高精度地形数据，利用高精度地形数据获取 逐日或逐旬的水位数据；
S3：结合水位数据分析芦苇生长质量与水深的关系；
S4：通过芦苇生长质量与水深的关系，并结合芦苇生长期内的水深变化数 据，分析不同区域内的芦苇生长质量。
进一步地，步骤S1包括：
S11：获取研究区的遥感影像，并对遥感影像数据进行预处理，获得高精度 遥感影像；
S12：在研究区内选取样本区域；
S13：结合步骤S12中的多块样本区域的特征，对高精度遥感影像的地物进 行分类，获得实验样本，实验样本为研究区不同地物类型的范围；
S14：对步骤S13中的实验样本进行精度验证，判断实验样本是否满足精度 要求，若是，获得满足精度的实验样本，进入步骤S15；否则，进入步骤S12， 重新选择样本区域；
S15：提取满足精度要求的实验样本中的芦苇，得到研究区内遥感解译的芦 苇分布范围A；
S16：获取研究区的地形数据；
S17：获取研究区内的芦苇在发芽期和生长期的水深数据；
S18：根据芦苇的生境要求，在研究区内确定符合生境要求的芦苇分布范围 B；
S19：计算步骤S15中遥感解译的芦苇分布范围A和步骤8中符合生境要求 的芦苇分布范围B的交集，得到准确的芦苇分布范围C。
进一步地，步骤S11中获得高精度遥感影像的方法包括以下步骤：
S111：遥感影像包括多光谱影像和全色影像，通过对多光谱影像进行辐射 定标、大气校正、正射校正，对全色影像进行辐射定标、正射校正，并将处理 后的多光谱影像和全色影像进行图像融合，得到融合后的遥感影像；
S112：结合地图影像对融合后的遥感影像进行几何校正；
S113：对研究区内的多幅影像进行裁剪和镶嵌拼接，得到研究区内完整的 高精度遥感影像。
进一步地，步骤S12中获得多块样本区域的方法包括以下步骤：
S121：根据高精度遥感影像将研究区内划分为不同的地物类型，并确定不 同地物类型的影像纹理特征及分布范围；
S122：根据不同地物类型的影像纹理特征，在高精度遥感影像中选择30～40 块对应的地物斑块作为样本区域。
进一步地，步骤S14中对实验样本进行精度验证的方法包括以下步骤：
S141：对研究区域进行目视解译，结合实地考察和地图数据对目视解译的 结果做对比修正，将修正后的目视解译的结果作为验证样本；
S142：将实验样本和验证样本对比，计算正确分类的实验样本的数量以及 实验样本的分类精度，
Kappa＝(po-pe)/(1-pe)
其中，Kappa为分类精度系数，po为所有正确分类的样本数之和除以总样本 数；
pe＝(a1b1+a2b2+…+anbn)/n2
其中，a1、a2、…、an为验证样本中的每一种地物类型的数量，b1、b2、。。。、 bn为实验样本中的每一种地物类型的数量；
S143：分类精度系数分为5个级别，分类精度系数数值在0～0.2之间，则为 极低一致性；分类精度系数数值在0.21～0.4之间，则为一般一致性；分类精度系数数值在0.41～0.6之间，则为中等一致性；分类精度系数数值在0.61～0.8之 间，则为高度一致性；分类精度系数数值0.81～1之间，则为完全一致；
S144：若分类精度系数数值小于0.81时，则返回步骤2，重新选择样本区 域和实验样本，直至分类精度系数数值大于等于0.81。
进一步地，步骤S17中芦苇在发芽期和生长期的水深数据为：4～5月份为芦 苇的发芽期，要求水深小于0.3m；6～10月份为芦苇的生长期，6月份的要求水 深为小于0.63m，7月份的要求水深小于0.96m，8月份的要求水深为小于1.29m， 9～10月份的要求水深小于1.63m。
进一步地，步骤S18中确定研究区内符合生境要求的芦苇分布范围B的方 法包括以下步骤：
S181：根据研究区内4-10月份的水位高度数据以及研究区内的地形高度数 据，分别用研究区内4-10月份的水位高度数据减去研究区内的地形高度数据， 得到在4-10月份中，研究区内每个月的水深分布情况；
S182：根据4-5月份的水深数据，提取水深小于0.3m的范围B1；根据6月 份水深数据，提取水深小于0.63m的范围B2；根据7月份水深数据，提取水深 小于0.96m的范围B3；根据8月份水深数据，提取水深小于1.29m的范围B4； 9～10月份，提取水深小于1.63m的范围B5；
S183：计算B1、B2、B3、B4和B5范围的交集，得到符合生境要求的芦 苇分布范围B。
进一步地，步骤S3中水深与芦苇高度的关系模型为：
Y＝-a×h+b；
水深与芦苇的茎粗的关系模型为：
D＝-c×h+d；
水深与芦苇种植密度的关系模型为：
Q＝e×h+f；
水深与芦苇产量的关系模型为：
G＝-i×h3+j×h2-k×h+l；
其中，Y、D、Q和G分别为芦苇高度、芦苇的茎粗、芦苇种植密度和芦苇 产量；a、b、c、d、e、f、i、j、k均为大于0的常数，h为水深。
进一步地，步骤S4包括：
S41：利用逐日或逐旬的水位数据减去高精度地形数据，得到逐日或逐旬的 水深变化数据；
S42：利用水深与芦苇高度的关系模型、水深与芦苇的茎粗的关系模型、水 深与芦苇种植密度的关系模型和水深与芦苇产量的关系模型分析不同区域芦苇 各性状的质量。
进一步地，步骤S42具体包括：
S421：利用研究区中芦苇发育期的水深数据中逐日或逐旬的水深数据，结 合深与芦苇高度的关系模型、水深与芦苇的茎粗的关系模型、水深与芦苇种植 密度的关系模型和水深与芦苇产量的关系模型，得到不同区域中的芦苇高度、 芦苇的茎粗、芦苇种植密度和芦苇产量；
S422：根据研究区内的功能区划分，确定各功能区的收割范围、收割量和 生物量的收割系数；包括：
S4221：对研究区内旅游功能区采用分片轮流收割，缓冲区域和其他区域全 部收割；具体为：
研究区内的旅游功能区采取50％面积的收割，且两年收割一次；收割量为 芦苇地面以上高度减去10cm的留茬，收割范围的面积为A1，则：
N1＝S1_收割量/S1_总产量
S1_收割量＝S1_茎+S1_叶鞘+S1_叶面
其中，N1为旅游功能区的生物量收割系数，S1_收割量为旅游功能区内芦苇各器官的总收割量，S1_总产量为旅游功能区内芦苇理论上的总产量，S1茎、S1叶鞘和S1叶面分别 为旅游功能区内的茎、叶鞘和叶面的收割量；
S4222：对研究区内道路或航道周围100m范围内的芦苇秋季收割，收割量 为地上部分的90％；其他需要收割的区域的收割方式为：芦苇地面以上高度或 水面上或冰面上10cm留茬，道路或航道周围的收割面积为A2；则
N2＝S2_收割量/S2_总产量
S2_收割量＝S2_茎+S2_叶鞘+S2_叶面
其中，N2为道路或航道周围100m范围内秋季或冬季收割芦苇的生物量收割系 数，S2_收割量为不同季节收割芦苇不同器官的总收割量，S2茎、S2叶鞘和S2叶面分别为 道路或航道周围100m范围内的茎、叶鞘和叶面的收割量；
S4223：对研究区内生态红线范围内的村庄全部搬迁，核心区的部分全部收 割，生态红线范围内的收割面积为A3，则：
N3＝S3_收割量/S3_总产量
S3_收割量＝S3_茎+S3_叶鞘+S3_叶面
其中，N3为生态红线范围内的生物量收割系数，S3_收割量为生态红线范围内的总收割量，S3茎、S3叶鞘和S3叶面分别为生态红线范围内的茎、叶鞘和叶面的收割量；
S4224：对研究区内居民地周边50m范围内采用轮流收割，居民地周边50m 范围内芦苇收割范围的面积A4为；则：
N4＝S4_收割量/S4_总产量
S4_收割量＝S4_茎+S4_叶鞘+S4_叶面
其中，N4为居民地周边50m范围内的生物量收割系数，S4_收割量的居民地周边50m 范围内的总收割量，S4_茎、S4_叶鞘和S4_叶面分别为居民地周边50m范围内的茎、叶 鞘和叶面的收割量；
S4225：结合步骤S611-S614，计算出研究区域内芦苇收割的总面积A：
A＝A1+A2+A3+A4-a
其中，a为A1、A2、A3和A4对应的收割范围之间重复计算的面积；
S423：计算研究区内芦苇的资源量，包括芦苇的保留面积，收割面积、芦 苇收割总量，芦苇各器官收割的分量；包括：
S4231：计算保留区域的面积：
B＝C-A
其中，B为保留区域的面积，C为研究区域的总面积；
S4232：计算芦苇收割区域的芦苇总收割量：
S收割量＝S1_收割量+S2_收割量+S3_收割量+S4_收割量-ε
其中，ε为各收割量中重复计算的收割量；
S4233：计算研究区域内各芦苇器官的总收割量：
其中，S茎、S叶鞘和S叶面分别为研究区内芦苇的茎、叶鞘和叶面的总收割量， Si_茎、Si_叶鞘和Si_叶面分别为第i个要素确定的芦苇收割范围内茎、叶鞘和叶面的对 应收割量，i为旅游功能区、道路或航道、生态红线范围或居民地周边，ε茎、ε叶鞘和ε叶面分别为芦苇收割范围内茎、叶鞘和叶面收割量重复计算量。
本发明的有益效果为：本发明不仅可以测得芦苇整个生长周期的分布范围， 而且可以根据研究区的水位数据和地形数据，准确的分析和预测芦苇分布范围， 可以全面了解芦苇分布范围，为芦苇种植管理和政策制定提供了有力的依据。
本发明可以实时的监测芦苇分布的范围，替代了人工野外调查芦苇分布范 围，工作量小、周期短、成本低，降低了调查人员的工作强度；对生态环境有 一定的指示作用，可以根据芦苇的分布范围对研究区内的生态环境进行恢复和保护。
同时，本发明能快速、高效地评估芦苇生长情况、生长面积和产量等，为 芦苇生产管理提供支撑，工作人员根据评估的情况，为芦苇的收割和养殖制定 精准的决策。由于芦苇不同的器官具有不同的生产用途。详细地将芦苇各个器 官的产量进行统计，提供了详细的芦苇生长质量情况，确保在养殖的过程中， 芦苇能根据市场需要达到最大的产量。
附图说明
图1为芦苇生长情况评估方法的流程图。
图2为白洋淀年平均水位与芦苇面积关系图。
图3为白洋淀年平均水位与芦苇产量关系图。
图4为白洋淀芦苇样地位置图。
图5为芦苇的水深与株高的关系图。
图6为芦苇的水深与茎粗的关系图。
图7为芦苇的水深与密度的关系图。
图8为芦苇的水深与产量的关系图。
图9为水面面积与水位的关系图。
图10为芦苇水位-芦苇面积的关系图(基于水位-面积与芦苇适宜生长水深 计算)。
图11为白洋淀水位-芦苇产量关系图。
图12为白洋淀水位对应不同芦苇深度的产量图。
图13为白洋淀水位6.5m不同株高和株茎对应的芦苇面积和产量图。
图14为白洋淀水位7.0m不同株高和株茎对应的芦苇面积和产量图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理 解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的 普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精 神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保 护之列。
如图1所示，本方案提供的芦苇生长情况评估方法包括以下步骤：
S1：利用遥感技术获取芦苇分布的范围：包括：
S11：获取研究区的遥感影像，并对遥感影像数据进行预处理，获得高精度 遥感影像；包括：
S111：遥感影像包括多光谱影像和全色影像，通过对多光谱影像进行辐射 定标、大气校正、正射校正，对全色影像进行辐射定标、正射校正，并将处理 后的多光谱影像和全色影像进行图像融合，得到融合后的遥感影像；
S112：结合地图影像对融合后的遥感影像进行几何校正；
S113：对研究区内的多幅影像进行裁剪和镶嵌拼接，得到研究区内完整的 高精度遥感影像。
S12：在研究区内选取样本区域，包括以下步骤：
S121：根据高精度遥感影像将研究区内划分为不同的地物类型，并确定不 同地物类型的影像纹理特征及分布范围；
S122：根据不同地物类型的影像纹理特征，在高精度遥感影像中选择30～40 块对应的地物斑块作为样本区域。
S13：结合步骤S12中的多块样本区域的特征，对高精度遥感影像的地物进 行分类，获得实验样本，实验样本为研究区不同地物类型的范围；
S14：对步骤S13中的实验样本进行精度验证，判断实验样本是否满足精度 要求，若是，获得满足精度的实验样本，进入步骤S15；否则，进入步骤S12， 重新选择样本区域；包括以下步骤：
S141：对研究区域进行目视解译，结合实地考察和地图数据对目视解译的 结果做对比修正，将修正后的目视解译的结果作为验证样本；
S142：将实验样本和验证样本对比，计算正确分类的实验样本的数量以及 实验样本的分类精度，
Kappa＝(po-pe)/(1-pe)
其中，Kappa为分类精度系数，po为所有正确分类的样本数之和除以总样本 数；
pe＝(a1b1+a2b2+…+anbn)/n2
其中，a1、a2、…、an为验证样本中的每一种地物类型的数量，b1、b2、。。。、 bn为实验样本中的每一种地物类型的数量；
S143：分类精度系数分为5个级别，分类精度系数数值在0～0.2之间，则为 极低一致性；分类精度系数数值在0.21～0.4之间，则为一般一致性；分类精度系数数值在0.41～0.6之间，则为中等一致性；分类精度系数数值在0.61～0.8之 间，则为高度一致性；分类精度系数数值0.81～1之间，则为完全一致；
S144：若分类精度系数数值小于0.81时，则返回步骤2，重新选择样本区 域和实验样本，直至分类精度系数数值大于等于0.81。
S15：提取满足精度要求的实验样本中的芦苇，得到研究区内遥感解译的芦 苇分布范围A；
S16：获取研究区的地形数据；
S17：获取研究区内的芦苇在发芽期和生长期的水深数据；4～5月份为芦苇 的发芽期，要求水深小于0.3m；6～10月份为芦苇的生长期，6月份的要求水深 为小于0.63m，7月份的要求水深小于0.96m，8月份的要求水深为小于1.29m， 9～10月份的要求水深小于1.63m。
S18：根据芦苇的生境要求，在研究区内确定符合生境要求的芦苇分布范围 B；包括：
S181：根据研究区内4-10月份的水位高度数据以及研究区内的地形高度数 据，分别用研究区内4-10月份的水位高度数据减去研究区内的地形高度数据， 得到在4-10月份中，研究区内每个月的水深分布情况；
S182：根据4-5月份的水深数据，提取水深小于0.3m的范围B1；根据6月 份水深数据，提取水深小于0.63m的范围B2；根据7月份水深数据，提取水深 小于0.96m的范围B3；根据8月份水深数据，提取水深小于1.29m的范围B4； 9～10月份，提取水深小于1.63m的范围B5；
S183：计算B1、B2、B3、B4和B5范围的交集，得到符合生境要求的芦 苇分布范围B。
S19：计算步骤S15中遥感解译的芦苇分布范围A和步骤8中符合生境要求 的芦苇分布范围B的交集，得到准确的芦苇分布范围C。
S2：获取种植芦苇的研究区的高精度地形数据，利用高精度地形数据获取 逐日或逐旬的水位数据；
S3：结合水位数据分析芦苇生长质量与水深的关系；水深与芦苇高度的关 系模型为：
Y＝-a×h+b；
水深与芦苇的茎粗的关系模型为：
D＝-c×h+d；
水深与芦苇种植密度的关系模型为：
Q＝e×h+f；
水深与芦苇产量的关系模型为：
G＝-i×h3+j×h2-k×h+l；
其中，Y、D、Q和G分别为芦苇高度、芦苇的茎粗、芦苇种植密度和芦苇 产量；a、b、c、d、e、f、i、j、k均为大于0的常数，h为水深。
S4：通过芦苇生长质量与水深的关系，并结合芦苇生长期内的水深变化数 据，分析不同区域内的芦苇生长质量。包括：
S41：利用逐日或逐旬的水位数据减去高精度地形数据，得到逐日或逐旬的 水深变化数据；
S42：利用水深与芦苇高度的关系模型、水深与芦苇的茎粗的关系模型、水 深与芦苇种植密度的关系模型和水深与芦苇产量的关系模型分析不同区域芦苇 各性状的质量。具体包括：
S421：利用研究区中芦苇发育期的水深数据中逐日或逐旬的水深数据，结 合深与芦苇高度的关系模型、水深与芦苇的茎粗的关系模型、水深与芦苇种植 密度的关系模型和水深与芦苇产量的关系模型，得到不同区域中的芦苇高度、 芦苇的茎粗、芦苇种植密度和芦苇产量；
S422：根据研究区内的功能区划分，确定各功能区的收割范围、收割量和 生物量的收割系数；包括：
S4221：对研究区内旅游功能区采用分片轮流收割，缓冲区域和其他区域全 部收割；具体为：
研究区内的旅游功能区采取50％面积的收割，且两年收割一次；收割量为 芦苇地面以上高度减去10cm的留茬，收割范围的面积为A1，则：
N1＝S1_收割量/S1_总产量
S1_收割量＝S1_茎+S1_叶鞘+S1_叶面
其中，N1为旅游功能区的生物量收割系数，S1_收割量为旅游功能区内芦苇各器官的总收割量，S1_总产量为旅游功能区内芦苇理论上的总产量，S1茎、S1叶鞘和S1叶面分别 为旅游功能区内的茎、叶鞘和叶面的收割量；
S4222：对研究区内道路或航道周围100m范围内的芦苇秋季收割，收割量 为地上部分的90％；其他需要收割的区域的收割方式为：芦苇地面以上高度或 水面上或冰面上10cm留茬，道路或航道周围的收割面积为A2；则
N2＝S2_收割量/S2_总产量
S2_收割量＝S2_茎+S2_叶鞘+S2_叶面
其中，N2为道路或航道周围100m范围内秋季或冬季收割芦苇的生物量收割系 数，S2_收割量为不同季节收割芦苇不同器官的总收割量，S2茎、S2叶鞘和S2叶面分别为 道路或航道周围100m范围内的茎、叶鞘和叶面的收割量；
S4223：对研究区内生态红线范围内的村庄全部搬迁，核心区的部分全部收 割，生态红线范围内的收割面积为A3，则：
N3＝S3_收割量/S3_总产量
S3_收割量＝S3_茎+S3_叶鞘+S3_叶面
其中，N3为生态红线范围内的生物量收割系数，S3_收割量为生态红线范围内的总收割量，S3茎、S3叶鞘和S3叶面分别为生态红线范围内的茎、叶鞘和叶面的收割量；
S4224：对研究区内居民地周边50m范围内采用轮流收割，居民地周边50m 范围内芦苇收割范围的面积A4为；则：
N4＝S4_收割量/S4_总产量
S4_收割量＝S4_茎+S4_叶鞘+S4_叶面
其中，N4为居民地周边50m范围内的生物量收割系数，S4_收割量的居民地周边50m 范围内的总收割量，S4_茎、S4_叶鞘和S4_叶面分别为居民地周边50m范围内的茎、叶 鞘和叶面的收割量；
S4225：结合步骤S611-S614，计算出研究区域内芦苇收割的总面积A：
A＝A1+A2+A3+A4-a
其中，a为A1、A2、A3和A4对应的收割范围之间重复计算的面积。
S423：计算研究区内芦苇的资源量，包括芦苇的保留面积，收割面积、芦 苇收割总量，芦苇各器官收割的分量；包括：
S4231：计算保留区域的面积：
B＝C-A
其中，B为保留区域的面积，C为研究区域的总面积；
S4232：计算芦苇收割区域的芦苇总收割量：
S收割量＝S1_收割量+S2_收割量+S3_收割量+S4_收割量-ε
其中，ε为各收割量中重复计算的收割量；
S4233：计算研究区域内各芦苇器官的总收割量：
其中，S茎、S叶鞘和S叶面分别为研究区内芦苇的茎、叶鞘和叶面的总收割量， Si_茎、Si_叶鞘和Si_叶面分别为第i个要素确定的芦苇收割范围内茎、叶鞘和叶面的对 应收割量，i为旅游功能区、道路或航道、生态红线范围或居民地周边，ε茎、ε叶鞘和ε叶面分别为芦苇收割范围内茎、叶鞘和叶面收割量重复计算量。
下面以白洋淀芦苇的生长情况为例进行分析，具体分析水深与芦苇生长质 量的关系。
如图2所示，近几十年来，白洋淀的地表水位随年份和季节波动较大，当淀 区水位低于6.5m(大沽)时称为半干淀，当水位低于5.5m时称为干淀，淀区年 平均水位和芦苇面积，如表1所示。
表1白洋淀年平均水位和芦苇面积表
年份 年平均水位(m) 芦苇面积(km2)
1978 8.26 161.34
1980 7.87 149.24
1984 5.50 90.50
1990 8.35 148.83
1991 8.61 116.08
1996 8.61 125.06
1998 7.81 177.30
2000 6.71 175.34
2003 6.00 152.60
2010 6.41 158.22
2013 8.70 116.92
2017 7.22 178.47
根据淀区年平均水位和芦苇面积，进行拟合，如图2所示。
根据图2，可以得知1978～2017年的水位与芦苇面积显著性相关，其相关系 数R2＝0.8936，且呈二次函数相关，相关函数表达为：
F＝-28.895z2+416.35z-1318.7
由上式可知：
令时，即z＝7.20时，F＝181.10。即临界水位在7.20m时，芦苇 分布面积达到最大值181.10km2。当淀区水位低于临界水位时，芦苇无法获得充 足的水分，导致芦苇面积减少；而当淀区水位高于临界水位时，苇地遭到洪水 淹没，由苇田转变为白洋淀水域面积。
下面对白洋淀芦苇产量进行分析分析：
第一是简单的面积～芦苇产量关系，如下表2所示：
表2白洋淀年平均水位和芦苇产量表
年份 1978 1980 1984 1990 1991 1996 1998
年平均水位(m) 8.26 7.87 5.50 8.35 8.61 8.61 7.81
芦苇产量(万吨) 3.28 4.76 4.86 2.08 2.22 2.55 3.69
根据淀区年平均水位和芦苇产量，进行拟合，如图3所示。可以得知1978～1998 年的水位与芦苇产量相关，其相关系数R2＝0.7992，且呈二次函数相关，相关函 数表达为：
P＝-0.6819z2+8.7594z-22.68
可知：
令时，即z＝6.42时，P＝5.45。即水位在6.42m时，芦苇产量达到 最大值5.45万吨。根据苇田面积，计算相应的淀内年平均水位；根据平均水位， 从而计算芦苇的产量，如下表3所示。
表3不同年份实际芦苇产量与计算产量对比表
从上表3可以看出，尽管1949年和1937年芦苇实际产量均小于计算产量， 相对误差分别为22.10％和39.32％，这是因为上述拟定面积～水位～产量的关系是 基于1978年之后的数据，在解放之初和抗战时期，人为因素造成苇田芦苇遭到 不同程度的破坏，导致产量减少。然而，对于1982年的芦苇产量，其计算值与 实测值基本相等，表明根据芦苇面积，借助芦苇面积～平均水位～芦苇产量关系， 能较好的估算白洋淀芦苇产量。
下面分析复杂的面积与芦苇产量的关系：
芦苇作为典型的挺水植物，对水生环境的适应力很强。随着水深的梯度变化， 芦苇的生长发育也会随之发生相关性变化。研究发现，芦苇的株高、密度、茎 粗(茎的直径)、芦苇生物量与水深的梯度变化关系密切。
考虑样地位置的水深，于2011年在远离旅游景区和养殖区的台田和沼泽内 布置了12个监测采样区，其中，台田、沼泽样区个数均为6个(图4)。在每 个区域内随机设置3个1m×1m的样方，在芦苇生长季末期，采用收割法采集样 方内的芦苇地上部分。根据不同深度梯度，记录样方内芦苇株数、测定芦苇株高和茎粗，最后将芦苇齐根割下带回实验室进行生物量(干重)测定。
水深与株高的关系：
根据水深与株高数据，二者呈线性相关，如图5所示。
Y＝-80.607h+295.26
从图5可以看出，二者相关系数R2＝0.89。随着水深增加，单颗芦苇的株高减小，台地芦苇(水深为负)的株高大于沼泽芦苇(水深为正)。
由上式可知，当h＝1.63，Y＝163.87，即水深达到1.63m时，芦苇的生长高度 为163.87cm，芦苇露出水面的高度仅为0.87cm，遭到淹没而不能生长，此时芦 苇生长达到极限水深。
水深与茎粗的关系：
根据水深与茎粗数据，二者呈线性相关，如图6所示。
D＝-0.3452h+0.8123
从图6可以看出，二者相关系数R2＝0.9012。随着水深增加，单颗芦苇的茎粗减小，台地芦苇的茎粗大于沼泽芦苇。
由上式可知，当h＝2.35，D＝0。由此可以看出，水深超过2.35m时，芦苇由 于茎非常细，而无法生长。
水深与密度的关系：
根据水深与密度数据，二者呈线性相关，如图7所示。
Q＝16.102h+52.65
从图7可以看出，二者相关系数R2＝0.9365。随着水深增加，芦苇的密度增 加，台地芦苇的密度小于沼泽芦苇。
由上式可知，当h＝-3.27，Q＝0。由此可以看出，苇田高于水面3.27m时， 芦苇无法获得水分而死亡。
水深与产量的关系：
从上面分析，可以看出台地芦苇随着水深逐渐向沼泽芦苇发展，芦苇变矮、 苇茎变细，而苇株间距变短(芦苇变密)，芦苇生长水深范围在-3.27m～1.63m， 当苇田高程超出水面高度3.27m，芦苇不能获得其生长需求水分而死亡，当芦苇 根部淹没深度超过1.63m，芦苇遭到淹没死亡。研究表明，常见的白洋淀芦苇生 长水深为[-0.5,1]，即水面以上0.5m和水面以下1m范围内。
根据水深与芦苇生物量数据，拟合关系曲线，如图8所示。
G＝-1.05h3+0.97h2-0.09h+0.72
从图8可以看出，水深与芦苇生物量的相关系数R2＝0.9307，曲线存在两个 极值。对于地台芦苇，苇田离水面的高度0.5m时，单位苇田的生物量为最大， 其值为1.14kg/m2；对于沼泽芦苇，水深为0.50m时，单位苇田的生物量为最大， 其值为0.79kg/m2，水深为1.0m时，单位苇田的生物量为0.55kg/m2。
将不同水深芦苇单产进行离散化，见下表4。
表4水深与芦苇单产的关系表
/>
不同水深芦苇产量：
根据白洋淀水位～水面面积关系曲线，见图9。选取不同的水位，以芦苇生 长的临界水深[-0.5,1]，计算芦苇生长的临界水深范围内相应的水面面积变化值，与2章中白洋淀水位～芦苇面积相比较，见图10所示。
取不同水位，计算相应水位不同水深芦苇面积，结合表4，计算不同水深芦 苇的总产量，见图11-图12。
情景水位芦苇产量分析：
选取白洋淀特征水位6.5m和7.0m，进行情景水位芦苇产量分析。如表5 和表6所示，
表5不同水深的芦苇性状
水深(m) 产量(kg/m2) 株高(cm) 茎粗(cm) 密度(株/m2)
[0.7,1.0] 0.68 226.74 0.52 66
[0.5,0.7] 0.78 246.90 0.61 62
[0.3,0.5] 0.77 263.02 0.67 59
[0.1,0.3] 0.73 279.14 0.74 56
[-0.1,0.1] 0.73 295.26 0.81 53
[-0.3,-0.1] 0.80 311.38 0.88 49
[-0.5,-0.3] 0.99 327.50 0.95 46
表6情景水位的产量和面积
不同芦苇性状的产量分布：
如图13为：白洋淀水位6.5m不同株高和株茎对应的芦苇面积和产量，图 14为：白洋淀水位7.0m不同株高和株茎对应的芦苇面积和产量。
芦苇分为茎、叶和叶鞘，一株芦苇的总重量为茎重量、叶鞘重量和叶重量。 根据李博等人1的研究成果，茎、叶鞘和叶面占芦苇总量分别为34％、36％和30％， 如下表7和表8所示。
表7水位6.5m时相应的产量分布
表8水位7.0m时相应的产量分布
本发明不仅可以测得芦苇整个生长周期的分布范围，而且可以根据研究区 的水位数据和地形数据，准确的分析和预测芦苇分布范围，可以全面了解芦苇分布范围，为芦苇种植管理和政策制定提供了有力的依据。
本发明可以实时的监测芦苇分布的范围，替代了人工野外调查芦苇分布范 围，工作量小、周期短、成本低，降低了调查人员的工作强度；对生态环境有 一定的指示作用，可以根据芦苇的分布范围对研究区内的生态环境进行恢复和 保护。
同时，本发明能快速、高效地评估芦苇生长情况、生长面积和产量等，为 芦苇生产管理提供支撑，工作人员根据评估的情况，为芦苇的收割和养殖制定 精准的决策。由于芦苇不同的器官具有不同的生产用途。详细地将芦苇各个器 官的产量进行统计，提供了详细的芦苇生长质量情况，确保在养殖的过程中， 芦苇能根据市场需要达到最大的产量。

Claims (9)

1.一种芦苇生长情况评估方法，其特征在于，包括以下步骤：
S1：利用遥感技术获取芦苇分布的范围；
S2：获取种植芦苇的研究区的高精度地形数据，利用高精度地形数据获取逐日或逐旬的水位数据；
S3：结合水位数据分析芦苇生长质量与水深的关系；
所述步骤S3中水深与芦苇高度的关系模型为：
Y＝-a×h+b；
所述水深与芦苇的茎粗的关系模型为：
D＝-c×h+d；
所述水深与芦苇种植密度的关系模型为：
Q＝e×h+f；
所述水深与芦苇产量的关系模型为：
G＝-i×h3+j×h2-k×h+l；
其中，Y、D、Q和G分别为芦苇高度、芦苇的茎粗、芦苇种植密度和芦苇产量；a、b、c、d、e、f、i、j、k、l均为大于0的常数，根据水深与芦苇生物量采样数据拟合关系曲线获得；h为水深；
S4：通过芦苇生长质量与水深的关系，并结合芦苇生长期内的水深变化数据，分析不同区域内的芦苇生长质量；
步骤S4包括：
S41：利用逐日或逐旬的水位数据减去高精度地形数据，得到逐日或逐旬的水深变化数据；
S42：利用水深与芦苇高度的关系模型、水深与芦苇的茎粗的关系模型、水深与芦苇种植密度的关系模型和水深与芦苇产量的关系模型分析不同区域芦苇各性状的质量；
进一步地，步骤S42具体包括：
S421：利用研究区中芦苇发育期的水深数据中逐日或逐旬的水深数据，结合深与芦苇高度的关系模型、水深与芦苇的茎粗的关系模型、水深与芦苇种植密度的关系模型和水深与芦苇产量的关系模型，得到不同区域中的芦苇高度、芦苇的茎粗、芦苇种植密度和芦苇产量；
S422：根据研究区内的功能区划分，确定各功能区的收割范围、收割量和生物量的收割系数；包括：
S4221：对研究区内旅游功能区采用分片轮流收割，缓冲区域和其他区域全部收割；具体为：
研究区内的旅游功能区采取50％面积的收割，且两年收割一次；收割量为芦苇地面以上高度减去10cm的留茬，收割范围的面积为A1，则：
N1＝S1_收割量/S1_总产量
S1_收割量＝S1_茎+S1_叶鞘+S1_叶面
其中，N1为旅游功能区的生物量收割系数，S1_收割量为旅游功能区内芦苇各器官的总收割量，S1_总产量为旅游功能区内芦苇理论上的总产量，S1茎、S1叶鞘和S1叶面分别为旅游功能区内的茎、叶鞘和叶面的收割量；
S4222：对研究区内道路或航道周围100m范围内的芦苇秋季收割，收割量为地上部分的90％；其他需要收割的区域的收割方式为：芦苇地面以上高度或水面上或冰面上10cm留茬，道路或航道周围的收割面积为A2；则
N2＝S2_收割量/S2_总产量
S2_收割量＝S2_茎+S2_叶鞘+S2_叶面
其中，N2为道路或航道周围100m范围内秋季或冬季收割芦苇的生物量收割系数，S2_收割量为不同季节收割芦苇不同器官的总收割量，S2茎、S2叶鞘和S2叶面分别为道路或航道周围100m范围内的茎、叶鞘和叶面的收割量；
S4223：对研究区内生态红线范围内的村庄全部搬迁，核心区的部分全部收割，生态红线范围内的收割面积为A3，则：
N3＝S3_收割量/S3_总产量
S3_收割量＝S3_茎+S3_叶鞘+S3_叶面
其中，N3为生态红线范围内的生物量收割系数，S3_收割量为生态红线范围内的总收割量，S3茎、S3叶鞘和S3叶面分别为生态红线范围内的茎、叶鞘和叶面的收割量；
S4224：对研究区内居民地周边50m范围内采用轮流收割，居民地周边50m范围内芦苇收割范围的面积A4为；则：
N4＝S4_收割量/S4_总产量
S4_收割量＝S4_茎+S4_叶鞘+S4_叶面
其中，N4为居民地周边50m范围内的生物量收割系数，S4_收割量的居民地周边50m范围内的总收割量，S4_茎、S4_叶鞘和S4_叶面分别为居民地周边50m范围内的茎、叶鞘和叶面的收割量；
S4225：结合步骤S611-S614，计算出研究区域内芦苇收割的总面积A：
A＝A1+A2+A3+A4-a
其中，a为A1、A2、A3和A4对应的收割范围之间重复计算的面积；
S423：计算研究区内芦苇的资源量，包括芦苇的保留面积，收割面积、芦苇收割总量，芦苇各器官收割的分量；包括：
S4231：计算保留区域的面积：
B＝C-A
其中，B为保留区域的面积，C为研究区域的总面积；
S4232：计算芦苇收割区域的芦苇总收割量：
S收割量＝S1_收割量+S2_收割量+S3_收割量+S4_收割量-ε
其中，ε为各收割量中重复计算的收割量；
S4233：计算研究区域内各芦苇器官的总收割量：
其中，S茎、S叶鞘和S叶面分别为研究区内芦苇的茎、叶鞘和叶面的总收割量，Si_茎、Si_叶鞘和Si_叶面分别为第i个要素确定的芦苇收割范围内茎、叶鞘和叶面的对应收割量，i为旅游功能区、道路或航道、生态红线范围或居民地周边，ε茎、ε叶鞘和ε叶面分别为芦苇收割范围内茎、叶鞘和叶面收割量重复计算量。
2.根据权利要求1所述的芦苇生长情况评估方法，其特征在于，所述步骤S1包括：
S11：获取研究区的遥感影像，并对遥感影像数据进行预处理，获得高精度遥感影像；
S12：在研究区内选取样本区域；
S13：结合步骤S12中的多块样本区域的特征，对高精度遥感影像的地物进行分类，获得实验样本，实验样本为研究区不同地物类型的范围；
S14：对步骤S13中的实验样本进行精度验证，判断实验样本是否满足精度要求，若是，获得满足精度的实验样本，进入步骤S15；否则，进入步骤S12，重新选择样本区域；
S15：提取满足精度要求的实验样本中的芦苇，得到研究区内遥感解译的芦苇分布范围A；
S16：获取研究区的地形数据；
S17：获取研究区内的芦苇在发芽期和生长期的水深数据；
S18：根据芦苇的生境要求，在研究区内确定符合生境要求的芦苇分布范围B；
S19：计算步骤S15中遥感解译的芦苇分布范围A和步骤S18中符合生境要求的芦苇分布范围B的交集，得到准确的芦苇分布范围C。
3.根据权利要求2所述的芦苇生长情况评估方法，其特征在于，所述步骤S11中获得高精度遥感影像的方法包括以下步骤：
S111：遥感影像包括多光谱影像和全色影像，通过对多光谱影像进行辐射定标、大气校正、正射校正，对全色影像进行辐射定标、正射校正，并将处理后的多光谱影像和全色影像进行图像融合，得到融合后的遥感影像；
S112：结合地图影像对融合后的遥感影像进行几何校正；
S113：对研究区内的多幅影像进行裁剪和镶嵌拼接，得到研究区内完整的高精度遥感影像。
4.根据权利要求2所述的芦苇生长情况评估方法，其特征在于，所述步骤S12中获得多块样本区域的方法包括以下步骤：
S121：根据高精度遥感影像将研究区内划分为不同的地物类型，并确定不同地物类型的影像纹理特征及分布范围；
S122：根据不同地物类型的影像纹理特征，在高精度遥感影像中选择30～40块对应的地物斑块作为样本区域。
5.根据权利要求2所述的芦苇生长情况评估方法，其特征在于，所述步骤S14中对实验样本进行精度验证的方法包括以下步骤：
S141：对研究区域进行目视解译，结合实地考察和地图数据对目视解译的结果做对比修正，将修正后的目视解译的结果作为验证样本；
S142：将实验样本和验证样本对比，计算正确分类的实验样本的数量以及实验样本的分类精度，
Kappa＝(po-pe)/(1-pe)
其中，Kappa为分类精度系数，po为所有正确分类的样本数之和除以总样本数；
pe＝(a1b1+a2b2+…+anbn)/n2
其中，a1、a2、…、an为验证样本中的每一种地物类型的数量，b1、b2、。。。、bn为实验样本中的每一种地物类型的数量；
S143：分类精度系数分为5个级别，分类精度系数数值在0～0.2之间，则为极低一致性；分类精度系数数值在0.21～0.4之间，则为一般一致性；分类精度系数数值在0.41～0.6之间，则为中等一致性；分类精度系数数值在0.61～0.8之间，则为高度一致性；分类精度系数数值0.81～1之间，则为完全一致；
S144：若分类精度系数数值小于0.81时，则返回步骤2，重新选择样本区域和实验样本，直至分类精度系数数值大于等于0.81。
6.根据权利要求2所述的芦苇生长情况评估方法，其特征在于，所述步骤S17中芦苇在发芽期和生长期的水深数据为：4～5月份为芦苇的发芽期，要求水深小于0.3m；6～10月份为芦苇的生长期，6月份的要求水深为小于0.63m，7月份的要求水深小于0.96m，8月份的要求水深为小于1.29m，9～10月份的要求水深小于1.63m。
7.根据权利要求2所述的芦苇生长情况评估方法，其特征在于，所述步骤S18中确定研究区内符合生境要求的芦苇分布范围B的方法包括以下步骤：
S181：根据研究区内4-10月份的水位高度数据以及研究区内的地形高度数据，分别用研究区内4-10月份的水位高度数据减去研究区内的地形高度数据，得到在4-10月份中，研究区内每个月的水深分布情况；
S182：根据4-5月份的水深数据，提取水深小于0.3m的范围B1；根据6月份水深数据，提取水深小于0.63m的范围B2；根据7月份水深数据，提取水深小于0.96m的范围B3；根据8月份水深数据，提取水深小于1.29m的范围B4；9～10月份，提取水深小于1.63m的范围B5；
S183：计算B1、B2、B3、B4和B5范围的交集，得到符合生境要求的芦苇分布范围B。
8.根据权利要求1所述的芦苇生长情况评估方法，其特征在于，所述步骤S4包括：
S41：利用逐日或逐旬的水位数据减去高精度地形数据，得到逐日或逐旬的水深变化数据；
S42：利用水深与芦苇高度的关系模型、水深与芦苇的茎粗的关系模型、水深与芦苇种植密度的关系模型和水深与芦苇产量的关系模型分析不同区域芦苇各性状的质量。
9.根据权利要求8所述的芦苇生长情况评估方法，其特征在于，所述步骤S42具体包括：
S421：利用研究区中芦苇发育期的水深数据中逐日或逐旬的水深数据，结合深与芦苇高度的关系模型、水深与芦苇的茎粗的关系模型、水深与芦苇种植密度的关系模型和水深与芦苇产量的关系模型，得到不同区域中的芦苇高度、芦苇的茎粗、芦苇种植密度和芦苇产量。
CN202110714712.XA 2021-06-25 2021-06-25 一种芦苇生长情况评估方法 Active CN113361952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110714712.XA CN113361952B (zh) 2021-06-25 2021-06-25 一种芦苇生长情况评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110714712.XA CN113361952B (zh) 2021-06-25 2021-06-25 一种芦苇生长情况评估方法

Publications (2)

Publication Number Publication Date
CN113361952A CN113361952A (zh) 2021-09-07
CN113361952B true CN113361952B (zh) 2024-05-14

Family

ID=77536558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110714712.XA Active CN113361952B (zh) 2021-06-25 2021-06-25 一种芦苇生长情况评估方法

Country Status (1)

Country Link
CN (1) CN113361952B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435326A (zh) * 2021-06-25 2021-09-24 中国水利水电科学研究院 一种基于遥感和生境特征的芦苇空间分布识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004065056A (ja) * 2002-08-05 2004-03-04 Taisei Corp ヨシ類生育用湿地
CN108617184A (zh) * 2017-03-21 2018-10-09 潜江市知识产权协会 一种水位促进芦苇有效繁殖的方法
CN111814326A (zh) * 2020-07-02 2020-10-23 中国科学院东北地理与农业生态研究所 一种沼泽湿地芦苇地上生物量估算方法
WO2021068176A1 (zh) * 2019-10-11 2021-04-15 安徽中科智能感知产业技术研究院有限责任公司 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004065056A (ja) * 2002-08-05 2004-03-04 Taisei Corp ヨシ類生育用湿地
CN108617184A (zh) * 2017-03-21 2018-10-09 潜江市知识产权协会 一种水位促进芦苇有效繁殖的方法
WO2021068176A1 (zh) * 2019-10-11 2021-04-15 安徽中科智能感知产业技术研究院有限责任公司 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法
CN111814326A (zh) * 2020-07-02 2020-10-23 中国科学院东北地理与农业生态研究所 一种沼泽湿地芦苇地上生物量估算方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
2015年中国海岸带盐沼遥感监测与生态服务价值评估;罗敏;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》;2 研究区域、数据和方法 *
半干旱区湿地芦苇种群生态特征动态变化研究――以莫莫格湿地为例;王雪宏;佟守正;吕宪国;;湿地科学(03);全文 *
许秀丽.鄱阳湖洲滩芦苇种群特征及其与淹水深度和地下水埋深的关系.《湿地学科》.2014,第12卷(第6期),第715-720页. *
鄱阳湖洲滩芦苇种群特征及其与淹水深度和地下水埋深的关系;许秀丽;《湿地学科》;第12卷(第6期);第715-720页 *
黄河三角洲芦苇适宜水深的研究;张希画;郝迎东;张建霞;张成涛;;中国高新技术企业;20080615(12);全文 *

Also Published As

Publication number Publication date
CN113361952A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN108921885B (zh) 一种综合三类数据源联合反演森林地上生物量的方法
CN109948596B (zh) 一种基于植被指数模型进行水稻识别和种植面积提取的方法
CN112800973B (zh) 一种基于植被物候特征决策的互花米草提取方法
CN110472184A (zh) 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法
BR112020005986A2 (pt) método e sistema para a execução da análise de dados com relação à fenotipagem
Bumgarner et al. Digital image analysis to supplement direct measures of lettuce biomass
CN114387516B (zh) 一种针对复杂地形环境下中小田块的单季稻sar识别方法
CN113221806B (zh) 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法
CN112182882B (zh) 一种顾及物侯信息的植被冠层蒸腾反演方法
CN114065481B (zh) 基于大数据的草地数据监测方法、系统和可读存储介质
CN113361952B (zh) 一种芦苇生长情况评估方法
CN116645603A (zh) 一种大豆种植区识别和面积测算方法
CN113570273A (zh) 一种灌溉耕地统计数据的空间化方法及系统
CN112837267A (zh) 一种预测转基因玉米抗药性的数字检测方法及系统
CN116482041A (zh) 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统
CN117011694A (zh) 一种基于级联循环网络的林木生长参数预测方法
CN105974091B (zh) 林下草本植被枯枝落叶层丰富度的遥感量化探测方法
CN113435326A (zh) 一种基于遥感和生境特征的芦苇空间分布识别方法
CN115994939A (zh) 一种基于地面激光点云的树木叶面积估算方法
CN113449984B (zh) 一种芦苇资源量评估方法
Jayasekara et al. Mapping the vegetation cover and habitat categorization of Maduru Oya and Horton Plains National Parks using Landsat 8 (OLI) imagery to assist the ecological studies
Barnes et al. Relations between soil factors and herbage yields of natural grassland on sandy soils in the south‐eastern Transvaal
Borges et al. Models generated in neutron probe calibration in latosol cultivated with coffee and signalgrass.
CN118328807A (zh) 一种长节型杖藤的种质筛选方法及系统
Tang et al. Grazing affects ecosystem traits by regulating plateau pika activities at the landscape scale

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