CN114120132A - 一种气象和红边波段遥感结合的农作物估产方法和装置 - Google Patents

一种气象和红边波段遥感结合的农作物估产方法和装置 Download PDF

Info

Publication number
CN114120132A
CN114120132A CN202111460938.8A CN202111460938A CN114120132A CN 114120132 A CN114120132 A CN 114120132A CN 202111460938 A CN202111460938 A CN 202111460938A CN 114120132 A CN114120132 A CN 114120132A
Authority
CN
China
Prior art keywords
data
remote sensing
meteorological
obtaining
yield
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
Application number
CN202111460938.8A
Other languages
English (en)
Inventor
周会珍
陈晨
李冬冬
齐文娟
朱菊蕊
王联霞
于艳
何建军
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.)
Twenty First Century Aerospace Technology Co ltd
Original Assignee
Twenty First Century Aerospace Technology Co ltd
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 Twenty First Century Aerospace Technology Co ltd filed Critical Twenty First Century Aerospace Technology Co ltd
Priority to CN202111460938.8A priority Critical patent/CN114120132A/zh
Publication of CN114120132A publication Critical patent/CN114120132A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种气象和红边波段遥感结合的农作物估产方法和装置，基于所述农作物物候期，获得区域内遥感影像，根据预处理后的区域内遥感影像、匹配气象数据，获得植被指数、气象因子；根据实测产量训练数据、植被指数、气象因子，采用多元逐步回归算法，获得多时相估产模型；通过实测精度验证数据对多时相估产模型进行精度验证，确定所述多时相估产模型，获得农作物估产结果。解决了遥感估产多依赖于构建单一时相的植被指数与实测产量间的回归关系，忽略了作物生长的动态变化和气象因子在作物生长过程中的重要影响，而存在制约遥感估产评估结果精准度的技术问题。

Description

一种气象和红边波段遥感结合的农作物估产方法和装置
技术领域
本发明涉及作物产量估算技术领域，尤其涉及一种气象和红边波段遥感结合的农作物估产方法和装置。
背景技术
粮食问题是民生最基本的问题，关系到社会安宁、政局稳定和人民安居乐业。我国作为世界上的农业大国，用占世界7％的耕地养活着世界21％的人口，任务非常艰巨，情势非常紧迫。正因如此，及时掌握农作物的面积与产量、苗情状况，提前做出分析与管理决策显得尤为重要。遥感技术在农业中发挥的作用，产生了良好的社会效益和经济效益。遥感技术所具有运行周期短、探测范围大、时效性强和费用成本低的特点，较之以传统的统计手段在很大程度上避免了人为因素的干扰，大大的节省了时间、人力、物力、财力，可以快速准确的提取作物种植面积、监测作物长势情况和进行作物产量估算。此外，遥感技术的成熟也可以为有关部门提供农作物的空间分布情况，能够从更宏观的角度来研究作物生长的规律性及分布的合理性，为生产管理提供了有效的指导。现有的利用遥感技术进行农作物产量估算的方法主要为：基于多元线性回归等统计分析方法，构建归一化植被指数(NDVI)、增强型植被指数(EVI)、叶面积指数(LAI)等与作物产量的关系，进行回归分析预测作物产量的预测。
但本申请发明人发现上述技术至少存在如下技术问题：
现有技术中遥感估产多依赖于构建单一时相的植被指数与实测产量间的回归关系，忽略了作物生长的动态变化和气象因子在作物生长过程中的重要影响，而存在制约遥感估产评估结果精准度的技术问题。
发明内容
本申请实施例通过提供一种气象和红边波段遥感结合的农作物估产方法和装置，解决了现有技术中遥感估产多依赖于构建单一时相的植被指数与实测产量间的回归关系，忽略了作物生长的动态变化和气象因子在作物生长过程中的重要影响，而存在制约遥感估产评估结果精准度的技术问题。达到了利用多源多时遥感数据和气象数据，应用对植被生长敏感的红边波段，结合实测产量数据利用多元逐步回归方法构建多时相估产模型，实现了全面考虑多方对产量的影响因素，能够实现区域农作物精确的产量估算的技术效果。
鉴于上述问题，提出了本申请实施例提供一种气象和红边波段遥感结合的农作物估产方法和装置。
第一方面，本申请实施例提供了一种气象和红边波段遥感结合的农作物估产方法，所述方法应用于农作物估产系统，所述方法包括：获得农作物物候期；基于所述农作物物候期，获得区域内遥感影像，并对所述区域内遥感影像进行预处理；获得匹配气象数据；根据预处理后的所述区域内遥感影像、所述匹配气象数据，获得植被指数、气象因子；获得实测样本产量值集合，其中，所述实测样本产量值集合包括实测产量训练数据、实测精度验证数据；根据所述实测产量训练数据、所述植被指数、所述气象因子，构建模型训练数据；采用多元逐步回归算法，利用所述模型训练数据进行模型训练，获得多时相估产模型；通过所述实测精度验证数据对所述多时相估产模型进行精度验证，确定所述多时相估产模型，并获得所述多时相估产模型的输出结果，所述输出结果包括农作物估产结果。
另一方面，本申请还提供了一种气象和红边波段遥感结合的农作物估产装置，所述装置包括：
第一获得单元，所述第一获得单元用于获得农作物物候期；
第一执行单元，所述第一执行单元用于基于所述农作物物候期，获得区域内遥感影像，并对所述区域内遥感影像进行预处理；
第二获得单元，所述第二获得单元用于获得匹配气象数据；
第三获得单元，所述第三获得单元用于根据预处理后的所述区域内遥感影像、所述匹配气象数据，获得植被指数、气象因子；
第四获得单元，所述第四获得单元用于获得实测样本产量值集合，其中，所述实测样本产量值集合包括实测产量训练数据、实测精度验证数据；
第一构建单元，所述第一构建单元用于根据所述实测产量训练数据、所述植被指数、所述气象因子，构建模型训练数据；
第五获得单元，所述第五获得单元用于采用多元逐步回归算法，利用所述模型训练数据进行模型训练，获得多时相估产模型；
第二执行单元，所述第二执行单元用于通过所述实测精度验证数据对所述多时相估产模型进行精度验证，确定所述多时相估产模型，并获得所述多时相估产模型的输出结果，所述输出结果包括农作物估产结果。
第三方面，本发明提供了一种计算机设备，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，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供了一种气象和红边波段遥感结合的农作物估产方法和装置，通过获得农作物物候期；基于所述农作物物候期，获得区域内遥感影像，并对所述区域内遥感影像进行预处理；获得匹配气象数据；根据预处理后的所述区域内遥感影像、所述匹配气象数据，获得植被指数、气象因子；获得实测样本产量值集合，其中，所述实测样本产量值集合包括实测产量训练数据、实测精度验证数据；根据所述实测产量训练数据、所述植被指数、所述气象因子，构建模型训练数据；采用多元逐步回归算法，利用所述模型训练数据进行模型训练，获得多时相估产模型；通过所述实测精度验证数据对所述多时相估产模型进行精度验证，确定所述多时相估产模型，并获得所述多时相估产模型的输出结果，所述输出结果包括农作物估产结果。达到了利用多源多时遥感数据和气象数据，应用对植被生长敏感的红边波段，结合实测产量数据利用多元逐步回归方法构建多时相估产模型，实现了全面考虑多方对产量的影响因素，能够实现区域农作物精确的产量估算的技术效果。从而解决现有技术中遥感估产多依赖于构建单一时相的植被指数与实测产量间的回归关系，忽略了作物生长的动态变化和气象因子在作物生长过程中的重要影响，而存在制约遥感估产评估结果精准度的技术问题。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例的一种气象和红边波段遥感结合的农作物估产方法的流程示意图；
图2为本申请实施例二中大豆实测样本点空间分布图；
图3为本申请实施例二中大豆产量估算制图的示意图；
图4为本申请实施例的一种气象和红边波段遥感结合的农作物估产装置的结构示意图；
图5为本申请实施例示例性计算机设备的结构示意图。
附图标记说明：第一获得单元11，第一执行单元12，第二获得单元13，第三获得单元14，第四获得单元15，第一构建单元16，第五获得单元17，第二执行单元18，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
本申请实施例通过提供一种气象和红边波段遥感结合的农作物估产方法和装置，用以解决现有技术中遥感估产多依赖于构建单一时相的植被指数与实测产量间的回归关系，忽略了作物生长的动态变化和气象因子在作物生长过程中的重要影响，而存在制约遥感估产评估结果精准度的技术问题。
下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
针对上述技术问题，本申请提供的技术方案总体思路如下：
获得农作物物候期；基于所述农作物物候期，获得区域内遥感影像，并对所述区域内遥感影像进行预处理；获得匹配气象数据；根据预处理后的所述区域内遥感影像、所述匹配气象数据，获得植被指数、气象因子；获得实测样本产量值集合，其中，所述实测样本产量值集合包括实测产量训练数据、实测精度验证数据；根据所述实测产量训练数据、所述植被指数、所述气象因子，构建模型训练数据；采用多元逐步回归算法，利用所述模型训练数据进行模型训练，获得多时相估产模型；通过所述实测精度验证数据对所述多时相估产模型进行精度验证，确定所述多时相估产模型，并获得所述多时相估产模型的输出结果，所述输出结果包括农作物估产结果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
图1为本申请实施例一种气象和红边波段遥感结合的农作物估产方法的流程示意图，如图1所示，本申请实施例提供了一种气象和红边波段遥感结合的农作物估产方法，所述方法应用于农作物估产系统，所述系统包括遥感影像采集设备，所述方法包括：
步骤S100：获得农作物物候期；
进一步的，所述获得农作物物候期，包括：获得农作物品种信息；获得地域信息；根据所述农作物品种信息、所述地域信息，获得地区物候期特征信息；根据所述地区物候期特征信息，确定所述农作物物候期。
具体而言，根据农作物品种信息如大豆、玉米、小麦等不同的品种有着不同的生长周期，地域信息即农作物进行种植的地区信息，种植地区不同受到气候、土壤、水分、地域等影响会产生不同的生长周期，结合具体的品种和地域特征，确定农作物的地区物候期特征信息，利用地区物候期特征信息进行遥感信息的采集，即根据区域的气候特点确定农作物的生长物候信息，确定农作物产量估算的关键物候期2-3个,基于农作物产量估算的关键物候期，确定估产所用的遥感影像的关键时相，以便于遥感影像进行对应物候期的采集选择。
步骤S200：基于所述农作物物候期，获得区域内遥感影像，并对所述区域内遥感影像进行预处理；
进一步的，选择具有能够独特反映植被生长的红边波段和高重访周期等优势的卫星影像，例如sentinel-2、GF-6等。所述区域内遥感影像包括Sentinel-2遥感数据、GF6遥感数据，通过网络对所采集到遥感影像进行下载，当所述区域内遥感影像为Sentinel-2遥感数据，所述对所述区域内遥感影像进行预处理，包括：获得预设大气校正方法；根据所述预设大气校正方法对所述Sentinel-2遥感数据进行大气校正，获得校正遥感数据；对所述校正遥感数据进行数据重采样，获得重采样遥感数据；根据所述重采样遥感数据进行坐标系标准化处理，完成对所述区域内遥感影像的预处理。
进一步的，当所述区域内遥感影像为GF6遥感数据，所述对所述区域内遥感影像进行预处理，包括：辐射定标、影像平均高程统计、大气校正、几何校正其中一种或者多种。
具体而言，按照确定的农作物物候期，通过遥感影像采集设备收集遥感影像，其中本申请采用的遥感影像为sentinel-2和GF-6，sentinel-2和GF-6具有的红边波段，对植被生长的形态特征以及叶绿素、氮等生理活性特征都有着很强的正相关性以及指示性，克服了可见光波段对于植被生化组分不敏感的局限，因此本申请实施例以sentinel-2为主要数据源，GF-6为辅助数据源，以云量影响小为主要选择依据；再对收集的遥感影像进行相应的预处理。
其中，Sentinel-2遥感数据为L1C/L2A级别的产品数据，该数据已经完成了辐射校正、几何校正、辐射定标的处理，只需要对下载的数据进行大气校正和重采样。对于Sentinel-2遥感数据的预处理主要包括：大气校正(仅针对L1C级别的数据)为了使遥感图像能更加准确的表征地物的物理特征(光谱反射率、光谱辐射量度等)提高植被指数的动态变化范围，采用大气校正的方法来消除大气对地物辐射的吸收和散射等影响。大气校正前原始影像地类的光谱曲线非常不合理，与实际相差甚远，大气校正后各种地类的光谱曲线更趋于接近真实情况。利用欧空局提供的Sen2cor软件包对Sentinel-2光谱数据进行大气校正，得到L2A级别产品。
重采样；利用SNAP软件包对经过大气校正的数据重采样，将所有波段利用最邻近法重采样为10m。
坐标系转换；由于sentinel-2数据原始坐标系为非标准格式(World GeodeticSystem 1984)，在后续转tiff等操作时会出错，所以需要通过处理将其改为标准格式的坐标系(WGS-84)。
GF-6的预处理包括：辐射定标；通过处理将影像各波段原始像素值(DN值)转换为能定量反应地物真实属性的地表反射率或辐射率，用来计算各种长势监测所需的植被指数。
图像DN值转换为辐亮度图像的公式如下式所示：
L＝Gain*DN+Bias
式中Gain为绝对定标系数增益，Bias为绝对定标系数偏移量，转换后辐亮度单位为W/cm2·sr-1·μm-1。
影像平均高程统计:由于大气校正时需要影像的平均高程，因此我们基于全球高程数据统计遥感影像的平均高程。
大气校正通过FLAASH模型对影像进行大气校正消除或削弱卫星传感器等携带的系统误差，以及大气辐射传输过程中产生的误差。几何校正通过处理消除影像的几何畸变和实地位置偏差，并使其具有正射投影性质，校正结果误差在一个像元以内。
步骤S300：获得匹配气象数据；
进一步的，所述获得匹配气象数据，包括：获得气象数据集合；根据所述气象数据集合，获得数据类型、数据时间信息；对所述气象数据集合进行格式转换，获得预设格式气象数据集合；基于所述数据类型，分别根据所述数据时间信息进行时间重采样操作，获得时间重采样气象数据，其中，所述时间重采样操作为按照数据时间信息进行逐小时累加或平均得到逐月数据；根据所述时间重采样气象数据进行空间重采样操作，获得所述匹配气象数据，其中，所述空间重采样操作为对逐月数据进行三次卷积处理，以匹配所述区域内遥感影像。
具体而言，根据区域内农作物的物候信息，选择下载气象数据得到气象数据集；然后对下载的气象数据集进行预处理，气象数据集的预处理主要包括时间处理、空间重采样等，以匹配遥感数据。具体为现转换格式至预设格式气象数据集合，原始文件为nc格式，通过处理转换为tiff格式。在对转完格式的气象数据集合进行，时间重采样，将逐小时的温度求取平均得到逐月的平均温度，逐小时的降水和太阳辐射累加得到逐月总降水和总太阳辐射。最后进行空间重采样：将逐月的数据由原始0.1°×0.1°利用三次卷积法重采样为10m×10m以匹配遥感影像。
步骤S400：根据预处理后的所述区域内遥感影像、所述匹配气象数据，获得植被指数、气象因子；
进一步的，所述根据预处理后的所述区域内遥感影像、所述匹配气象数据，获得植被指数、气象因子，包括：根据预处理后的所述区域内遥感影像、所述匹配气象数据，提取遥感影像波段值、气象数据气象值；根据所述遥感影像波段值，计算获得所述植被指数；根据所述气象数据气象值，计算获得所述气象因子。
具体而言，采集的遥感影像为基于多源、多时相数据，结合实测样本点的经纬度信息，提取遥感影像和气象数据对应像元的波段值和气象值，然后根据波段值计算能够反映农作物长势的植被指数。根据所述遥感影像波段值，计算获得所述植被指数；根据所述气象数据气象值，计算获得所述气象因子。其中，选择影响农作物生长的系列气象因子，例如温度、降水、太阳辐射等，选择能够表征植被生长状况的系列植被指数，例如基于红边的归一化植被指数NDVI、基于红边的比值植被指数RVI、基于红边的调整亮度植被指数SAVI、基于红边的优化土壤校正植被指数OSAVI、基于红边的作物氮反应指数NRI、基于红边的植被衰减指数PSRI、结构加强色素植被指数SIPI、绿色归一化植被指数GNDVI、基于红边的差值植被指数DVI等。达到了利用植被指数可以实时监测作物整个生长发育过程中的长势状态，遥感植被长势指标与作物产量有着密切的关系，根据植被光谱反射率变化规律，并结合植被生长发育阶段、植被覆盖等因素，可以对农作物生长状态进行有效监测，为进行准确的作物产量估计奠定了基础。
步骤S500：获得实测样本产量值集合，其中，所述实测样本产量值集合包括实测产量训练数据、实测精度验证数据；
具体而言，根据农作物的种植情况进行实时监测，得到实际的产量信息，包括利用行政区划矢量数据、作物空间分布数据和实测数据的采集与数据处理，其中包括对实测产量数据的预处理，具体可以为对实测产量数据的解译、筛选实测产量数据，查看实测空间分布位置，剔除位于农作物与其他地类边界处的不合理数据。同时将得到的实测样本产量值集合进行训练样本和验证样本的分类，通常选择实测样本产量值集合以3：1的比例划分，其中基于3/4的样本量构建估产模型即作为实测产量训练数据，剩余1/4的实测点进行精度的交叉验证即作为实测精度验证数据；最后基于作物的空间分布数据裁剪影像并制图。
步骤S600：根据所述实测产量训练数据、所述植被指数、所述气象因子，构建模型训练数据；
步骤S700：采用多元逐步回归算法，利用所述模型训练数据进行模型训练，获得多时相估产模型；
进一步的，所述采用多元逐步回归算法，利用所述模型训练数据进行模型训练，获得多时相估产模型，包括：拟合所述植被指数、所述气象因子与所述实测产量训练数据之间的多元回归函数；对所述多元回归函数进行变量逐步优化，直到达到预设条件为止，获得优化变量；利用所述优化变量对所述多元回归函数进行优化，获得优化多元回归函数，基于所述优化多元回归函数构建所述多时相估产模型。
具体而言，根据提取出的多时相气象值和计算出的多时相植被指数、实测产量训练数据构建模型训练数据，采用多元逐步回归与实测产量值构建多时相估产模型。利用提取出的多时相气象值和计算出的多时相植被指数与实测产量训练数据即实测产量值构建拟合方程，实际应用中，为实现对因变量的预测，自变量的选择常以建立“最优”的方程为前提，即选用的自变量对因变量的影响显著，剔除影响不显著的变量，逐步回归方法是依据此原则而提出来的分析方法。根据变量对因变量影响的大小考虑所有的自变量，从大到小的一个一个进入回归方程，效果不显著变量最后不一定进入方程。每一步都要进行效果显著性检验，以保证在引入新变量前回归方程中只含有对影响显著的变量，而不显著的变量已被剔除。这一过程一直继续下去，直到在回归方程中的变量都不能剔除而又无新变量可以引入时为止，这时逐步回归过程结束。采用多元逐步回归，筛选敏感因子，构建多时相估产模型。
步骤S800：通过所述实测精度验证数据对所述多时相估产模型进行精度验证，确定所述多时相估产模型，并获得所述多时相估产模型的输出结果，所述输出结果包括农作物估产结果。
进一步的，所述通过所述实测精度验证数据对所述多时相估产模型进行精度验证，确定所述多时相估产模型，包括：根据所述实测精度验证数据，获得验证大气数据、验证植被指数信息；将所述验证大气数据、所述验证植被指数信息输入所述多时相估产模型，获得预测值；根据所述预测值、所述实测精度验证数据，获得模型精度；判断所述模型精度是否达到预设要求，当达到时，确定所述多时相估产模型。
具体而言，利用实测精度验证数据对确定的多时相估产模型有效验证和评价，基于未参与建模的采样点对估产结果进行精度验证，计算公式如下：
Figure BDA0003388623930000121
其中，δ为预测精度，N为预测值，L为实际值。利用计算处的预测精度进行加权平均，得到精度平均值，用来评价模型的精度，精度达到了预设要求时，则表明模型的精度符合要求，可以进行精准的农作物产品评估，预设要求优选的为不小于90％，当然不限于此，越高表明估产结果越可靠。从而达到了利用多源多时遥感数据和气象数据，应用对植被生长敏感的红边波段，结合实测产量数据利用多元逐步回归方法构建多时相估产模型，实现了全面考虑多方对产量的影响因素，能够实现区域农作物精确的产量估算的技术效果。解决了现有技术中遥感估产多依赖于构建单一时相的植被指数与实测产量间的回归关系，忽略了作物生长的动态变化和气象因子在作物生长过程中的重要影响，而存在制约遥感估产评估结果精准度的技术问题。
综上，本申请可达到以下有益效果：
1、收集了基础数据(气象、作物空间分布、实测数据等)，采集了遥感数据，并对获取的数据进行了整理和预处理。
2、以sentinel-2和GF6为主要数据源，应用对植被生长敏感的红边波段进行了NDVI等植被指数的反演。
3、应用多源多时相植被指数和气象数据，结合实测产量数据基于多元逐步回归方法构建多时相估产模型，能够实现区域农作物较为精确的产量估算，为农业普查、粮农贸易、粮食安全、农业保险等提供信息支持和政策依据。
实施例二
为了更清楚的解释一种气象和红边波段遥感结合的农作物估产方法的技术方案，本申请实施例以黑龙江省讷河市大豆为例，对本发明作进一步详细的说明，但不限定此。
步骤一：在农作物物候期内，获取研究区的多源多时相遥感影像并进行预处理；
(1)明确黑龙江省讷河市大豆的物候期
由于不同作物在不同时期的生育状况不同，根据农业气象观测资料查询结果，结合外业实际调查情况，对黑龙江省讷河市大豆的生长阶段进行了简单的划分：播种期、出苗期、幼苗期、开花期、结荚期、鼓粒期和成熟期。物候特征表如下表1所示，作为黑龙江省讷河市大豆遥感估产影像时相选择确定的参考。
Figure BDA0003388623930000131
Figure BDA0003388623930000141
表1
(2)根据黑龙江省讷河市大豆物候期，采集遥感影像
根据黑龙江省讷河市大豆的物候特征表，以及众多前人对大豆遥感估产时相选择的研究分析，大豆的最佳估产时相为7、8、9月，查询并下载该时相的遥感影像。遥感影像的质量要求：云、雪覆盖量应小于10％，且不能覆盖农作物种植区等重点区域；能全部覆盖研究区；信息丰富、无明显噪声、斑点和坏线。
最终选取的遥感影像如下表2所示：
Figure BDA0003388623930000142
表2
(3)遥感影像的预处理
对于Sentinel-2
下载的Sentinel-2遥感数据为L1C/L2A级别的产品数据，该数据已经完成了辐射校正、几何校正、辐射定标的处理，只需要对下载的数据进行大气校正和重采样。
大气校正(仅针对L1C级别的数据)
为了使遥感图像能更加准确的表征地物的物理特征(光谱反射率、光谱辐射量度等)提高植被指数的动态变化范围，采用大气校正的方法来消除大气对地物辐射的吸收和散射等影响。大气校正前原始影像地类的光谱曲线非常不合理，与实际相差甚远，大气校正后各种地类的光谱曲线更趋于接近真实情况。
利用欧空局提供的Sen2cor软件包对Sentinel-2光谱数据进行大气校正，得到L2A级别产品。
重采样
利用SNAP软件包对经过大气校正的数据重采样，将所有波段利用最邻近法重采样为10m。
坐标系转换
由于sentinel-2数据原始坐标系为非标准格式(World Geodetic System 1984)，在后续转tiff等操作时会出错，所以需要通过处理将其改为标准格式的坐标系(WGS-84)。
对于GF6
辐射定标
通过处理将影像各波段原始像素值(DN值)转换为能定量反应地物真实属性的地表反射率或辐射率，用来计算各种长势监测所需的植被指数。
图像DN值转换为辐亮度图像的公式如下式所示：
L＝Gain*DN+Bias
式中Gain为绝对定标系数增益，Bias为绝对定标系数偏移量，转换后辐亮度单位为W/cm2·sr-1·μm-1。
影像平均高程统计
由于大气校正时需要影像的平均高程，因此我们基于全球高程数据统计遥感影像的平均高程。
大气校正
通过FLAASH模型对影像进行大气校正消除或削弱卫星传感器等携带的系统误差，以及大气辐射传输过程中产生的误差。
几何校正
通过处理消除影像的几何畸变和实地位置偏差，并使其具有正射投影性质，校正结果误差在一个像元以内。
步骤二：气象数据的获取与处理；
经研究发现，影响大豆生长的气候因素主要包括光照、水分和温度等三个方面。根据讷河市大豆的关键物候期，选择下载2019年7、8、9月ERA5逐小时的温度、降水和太阳辐射数据。原始文件为nc格式，通过处理转换为tiff格式。将逐小时的温度求取平均得到逐月的平均温度，逐小时的降水和太阳辐射累加得到逐月总降水和总太阳辐射。将逐月的数据由原始0.1°×0.1°利用三次卷积法重采样为10m×10m以匹配遥感影像。
步骤三：行政区划矢量数据、作物空间分布数据和实测数据的采集与数据处理；
收集黑龙江省讷河市的行政区划矢量数据、2019年大豆的空间分布数据和2019年大豆实测数据。其中大豆空间分布的提取方法是依据周等人的研究，数据精确度高，能保证实际应用的需求。对采集到的17个采样点查看其空间分布以及其与大豆空分的匹配性，无异常点。将17个样点作为有效值用于模型的建立和检验，建立矢量的样点空间分布图，如图2所示。从中均匀随机抽取4个样点用于生成模型的检验，未纳入建立估产模型。剩余13个样点用作建立产量与不同遥感影像的植被指数及气象数据的回归模型。
步骤四：基于经过预处理后的遥感影像和气象数据，确定实测样本点对应像元的植被指数和气象因子；
利用植被指数可以实时监测作物整个生长发育过程中的长势状态，遥感植被长势指标与作物产量有着密切的关系，根据植被光谱反射率变化规律，并结合植被生长发育阶段、植被覆盖等因素，可以对农作物生长状态进行监测。多波段的光谱信息组合可以有效地突出植被信息，植被指数可以通过不同波段的光谱，进行相应组合得到无量纲的参数，是遥感估产的重要指标，计算公式如下表3所示：
Figure BDA0003388623930000171
表3
因此根据实测样本点的经纬度信息，提取对应像元的2019.07.29、2019.08.30和2019.09.16三个时相遥感影像各波段反射率值和2019年7、8、9月的气象值；再基于反射率值计算各个时相的植被指数。由于sentinel-2的第5、6、7、8a波段和GF6的第5、6波段均为红边波段，与植被生长有很强的相关性，经过试验，我们选择使用sentinel-2的第5波段和GF6的第5波段计算出的植被指数与作物产量有更强的相关性。
步骤五：采用多元逐步回归方法，构建多时相植被指数及气象因子与实测产量值的估产模型；
将三个时相分别基于实测点提取出的植被指数和7、8、9月的气象值全部作为作物产量的影响因子，与实测产量值Y构建拟合方程，拟合所采用的函数形式如下：
Y＝a+b1×X1+b2×X2+b3×X3+b4×X4+b5×X5+…
实际应用中，为实现对因变量的预测，自变量的选择常以建立“最优”的方程为前提，即选用的自变量对因变量的影响显著，剔除影响不显著的变量，逐步回归方法是依据此原则而提出来的分析方法。根据变量对因变量影响的大小考虑所有的自变量，从大到小的一个一个进入回归方程，效果不显著变量最后不一定进入方程。每一步都要进行F检验，以保证在引入新变量前回归方程中只含有对影响显著的变量，而不显著的变量已被剔除。
F＝S1 2/S2 2
Figure BDA0003388623930000181
在给定水平α下作显著性检验，如果显著(F≥Fα)则将该变量引入回归方程，这一过程一直继续下去，直到在回归方程中的变量都不能剔除而又无新变量可以引入时为止，这时逐步回归过程结束。
采用多元逐步回归，筛选敏感因子，构建多时相估产模型：
Yield＝206.469+380.69×SAVI0729-571.11×OSAVI0729-129.21×DVI0830
步骤六：精度交叉验证及专题图制作；
根据多时相估产模型估算讷河市大豆产量，并利用大豆空间分布数据对估产影像进行裁剪；制图利用QGIS软件，确定比例尺，增加图例、指北针，完成大豆产量估算制图，如图3所示。
为了对本发明方法进行有效验证和评价，基于未参与建模的4个采样点对估产结果进行精度验证，计算公式如下：
Figure BDA0003388623930000191
式中，δ为预测精度，N为预测值，L为实际值。
交叉验证结果如下：
Figure BDA0003388623930000192
平均精度92.66％达到实际应用要求。
上面结合图表对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以对其作出种种变化。
实施例三
基于与前述实施例中一种气象和红边波段遥感结合的农作物估产方法同样发明构思，本发明还提供了一种气象和红边波段遥感结合的农作物估产装置，如图4所示，所述装置包括：
第一获得单元11，所述第一获得单元11用于获得农作物物候期；
第一执行单元12，所述第一执行单元12用于基于所述农作物物候期，获得区域内遥感影像，并对所述区域内遥感影像进行预处理；
第二获得单元13，所述第二获得单元13用于获得匹配气象数据；
第三获得单元14，所述第三获得单元14用于根据预处理后的所述区域内遥感影像、所述匹配气象数据，获得植被指数、气象因子；
第四获得单元15，所述第四获得单元15用于获得实测样本产量值集合，其中，所述实测样本产量值集合包括实测产量训练数据、实测精度验证数据；
第一构建单元16，所述第一构建单元16用于根据所述实测产量训练数据、所述植被指数、所述气象因子，构建模型训练数据；
第五获得单元17，所述第五获得单元17用于采用多元逐步回归算法，利用所述模型训练数据进行模型训练，获得多时相估产模型；
第二执行单元18，所述第二执行单元18用于通过所述实测精度验证数据对所述多时相估产模型进行精度验证，确定所述多时相估产模型，并获得所述多时相估产模型的输出结果，所述输出结果包括农作物估产结果。
进一步的，所述装置还包括：
第六获得单元，所述第六获得单元用于获得预设大气校正方法；
第七获得单元，所述第七获得单元用于根据所述预设大气校正方法对所述Sentinel-2遥感数据进行大气校正，获得校正遥感数据；
第八获得单元，所述第八获得单元用于对所述校正遥感数据进行数据重采样，获得重采样遥感数据；
第三执行单元，所述第三执行单元用于根据所述重采样遥感数据进行坐标系标准化处理，完成对所述区域内遥感影像的预处理。
进一步的，当所述区域内遥感影像为GF6遥感数据，所述对所述区域内遥感影像进行预处理，包括：辐射定标、影像平均高程统计、大气校正、几何校正其中一种或者多种。
进一步的，所述装置还包括：
第九获得单元，所述第九获得单元用于获得气象数据集合；
第十获得单元，所述第十获得单元用于根据所述气象数据集合，获得数据类型、数据时间信息；
第十一获得单元，所述第十一获得单元用于对所述气象数据集合进行格式转换，获得预设格式气象数据集合；
第四执行单元，所述第四执行单元用于基于所述数据类型，分别根据所述数据时间信息进行时间重采样操作，获得时间重采样气象数据，其中，所述时间重采样操作为按照数据时间信息进行逐小时累加或平均得到逐月数据；
第十二获得单元，所述第十二获得单元用于根据所述时间重采样气象数据进行空间重采样操作，获得所述匹配气象数据，其中，所述空间重采样操作为对逐月数据进行三次卷积处理，以匹配所述区域内遥感影像。
进一步的，所述装置还包括：
第十三获得单元，所述第十三获得单元用于获得农作物品种信息；
第十四获得单元，所述第十四获得单元用于获得地域信息；
第十五获得单元，所述第十五获得单元用于根据所述农作物品种信息、所述地域信息，获得地区物候期特征信息；
第一确定单元，所述第一确定单元用于根据所述地区物候期特征信息，确定所述农作物物候期。
进一步的，所述装置还包括：
第一拟合单元，所述第一拟合单元用于拟合所述植被指数、所述气象因子与所述实测产量训练数据之间的多元回归函数；
第十六获得单元，所述第十六获得单元用于对所述多元回归函数进行变量逐步优化，直到达到预设条件为止，获得优化变量；
第十七获得单元，所述第十七获得单元用于利用所述优化变量对所述多元回归函数进行优化，获得优化多元回归函数，基于所述优化多元回归函数构建所述多时相估产模型。
进一步的，所述装置还包括：
第十八获得单元，所述第十八获得单元用于根据所述实测精度验证数据，获得验证大气数据、验证植被指数信息；
第十九获得单元，所述第十九获得单元用于将所述验证大气数据、所述验证植被指数信息输入所述多时相估产模型，获得预测值；
第二十获得单元，所述第二十获得单元用于根据所述预测值、所述实测精度验证数据，获得模型精度；
第一判断单元，所述第一判断单元用于判断所述模型精度是否达到预设要求，当达到时，确定所述多时相估产模型。
进一步的，所述装置还包括：
第一提取单元，所述第一提取单元用于根据预处理后的所述区域内遥感影像、所述匹配气象数据，提取遥感影像波段值、气象数据气象值；
第二十一获得单元，所述第二十一获得单元用于根据所述遥感影像波段值，计算获得所述植被指数；
第二十二获得单元，所述第二十二获得单元用于根据所述气象数据气象值，计算获得所述气象因子。
前述图1实施例一中的一种气象和红边波段遥感结合的农作物估产方法的各种变化方式和具体实例同样适用于本实施例的一种气象和红边波段遥感结合的农作物估产装置，通过前述对一种气象和红边波段遥感结合的农作物估产方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种气象和红边波段遥感结合的农作物估产装置的实施方法，所以为了说明书的简洁，在此不再详述。
示例性电子设备
下面参考图5来描述本申请实施例的计算机设备。
图5图示了根据本申请实施例的计算机设备的结构示意图。
基于与前述实施例中一种气象和红边波段遥感结合的农作物估产方法的发明构思，本发明还提供一种计算机设备，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种气象和红边波段遥感结合的农作物估产方法的任一方法的步骤。
其中，在图5中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种气象和红边波段遥感结合的农作物估产方法，其中，所述方法应用于农作物估产系统，所述方法包括：
获得农作物物候期；
基于所述农作物物候期，获得区域内遥感影像，并对所述区域内遥感影像进行预处理；
获得匹配气象数据；
根据预处理后的所述区域内遥感影像、所述匹配气象数据，获得植被指数、气象因子；
获得实测样本产量值集合，其中，所述实测样本产量值集合包括实测产量训练数据、实测精度验证数据；
根据所述实测产量训练数据、所述植被指数、所述气象因子，构建模型训练数据；
采用多元逐步回归算法，利用所述模型训练数据进行模型训练，获得多时相估产模型；
通过所述实测精度验证数据对所述多时相估产模型进行精度验证，确定所述多时相估产模型，并获得所述多时相估产模型的输出结果，所述输出结果包括农作物估产结果。
2.如权利要求1所述的方法，其中，所述区域内遥感影像包括Sentinel-2遥感数据、GF6遥感数据，当所述区域内遥感影像为Sentinel-2遥感数据，所述对所述区域内遥感影像进行预处理，包括：
获得预设大气校正方法；
根据所述预设大气校正方法对所述Sentinel-2遥感数据进行大气校正，获得校正遥感数据；
对所述校正遥感数据进行数据重采样，获得重采样遥感数据；
根据所述重采样遥感数据进行坐标系标准化处理，完成对所述区域内遥感影像的预处理。
3.如权利要求2所述的方法，其中，当所述区域内遥感影像为GF6遥感数据，所述对所述区域内遥感影像进行预处理，包括：辐射定标、影像平均高程统计、大气校正、几何校正其中一种或者多种。
4.如权利要求1所述的方法，其中，所述获得匹配气象数据，包括：
获得气象数据集合；
根据所述气象数据集合，获得数据类型、数据时间信息；
对所述气象数据集合进行格式转换，获得预设格式气象数据集合；
基于所述数据类型，分别根据所述数据时间信息进行时间重采样操作，获得时间重采样气象数据，其中，所述时间重采样操作为按照数据时间信息进行逐小时累加或平均得到逐月数据；
根据所述时间重采样气象数据进行空间重采样操作，获得所述匹配气象数据，其中，所述空间重采样操作为对逐月数据进行三次卷积处理，以匹配所述区域内遥感影像。
5.如权利要求1所述的方法，其中，所述获得农作物物候期，包括：
获得农作物品种信息；
获得地域信息；
根据所述农作物品种信息、所述地域信息，获得地区物候期特征信息；
根据所述地区物候期特征信息，确定所述农作物物候期。
6.如权利要求1所述的方法，其中，所述采用多元逐步回归算法，利用所述模型训练数据进行模型训练，获得多时相估产模型，包括：
拟合所述植被指数、所述气象因子与所述实测产量训练数据之间的多元回归函数；
对所述多元回归函数进行变量逐步优化，直到达到预设条件为止，获得优化变量；
利用所述优化变量对所述多元回归函数进行优化，获得优化多元回归函数，基于所述优化多元回归函数构建所述多时相估产模型。
7.如权利要求1所述的方法，其中，所述通过所述实测精度验证数据对所述多时相估产模型进行精度验证，确定所述多时相估产模型，包括：
根据所述实测精度验证数据，获得验证大气数据、验证植被指数信息；
将所述验证大气数据、所述验证植被指数信息输入所述多时相估产模型，获得预测值；
根据所述预测值、所述实测精度验证数据，获得模型精度；
判断所述模型精度是否达到预设要求，当达到时，确定所述多时相估产模型。
8.如权利要求1所述的方法，其中，所述根据预处理后的所述区域内遥感影像、所述匹配气象数据，获得植被指数、气象因子，包括：
根据预处理后的所述区域内遥感影像、所述匹配气象数据，提取遥感影像波段值、气象数据气象值；
根据所述遥感影像波段值，计算获得所述植被指数；
根据所述气象数据气象值，计算获得所述气象因子。
9.一种气象和红边波段遥感结合的农作物估产装置，其中，所述装置包括：
第一获得单元，所述第一获得单元用于获得农作物物候期；
第一执行单元，所述第一执行单元用于基于所述农作物物候期，获得区域内遥感影像，并对所述区域内遥感影像进行预处理；
第二获得单元，所述第二获得单元用于获得匹配气象数据；
第三获得单元，所述第三获得单元用于根据预处理后的所述区域内遥感影像、所述匹配气象数据，获得植被指数、气象因子；
第四获得单元，所述第四获得单元用于获得实测样本产量值集合，其中，所述实测样本产量值集合包括实测产量训练数据、实测精度验证数据；
第一构建单元，所述第一构建单元用于根据所述实测产量训练数据、所述植被指数、所述气象因子，构建模型训练数据；
第五获得单元，所述第五获得单元用于采用多元逐步回归算法，利用所述模型训练数据进行模型训练，获得多时相估产模型；
第二执行单元，所述第二执行单元用于通过所述实测精度验证数据对所述多时相估产模型进行精度验证，确定所述多时相估产模型，并获得所述多时相估产模型的输出结果，所述输出结果包括农作物估产结果。
10.一种计算机设备，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，其中，所述处理器执行所述程序时实现权利要求1-8任一项所述方法的步骤。
CN202111460938.8A 2021-12-02 2021-12-02 一种气象和红边波段遥感结合的农作物估产方法和装置 Pending CN114120132A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111460938.8A CN114120132A (zh) 2021-12-02 2021-12-02 一种气象和红边波段遥感结合的农作物估产方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111460938.8A CN114120132A (zh) 2021-12-02 2021-12-02 一种气象和红边波段遥感结合的农作物估产方法和装置

Publications (1)

Publication Number Publication Date
CN114120132A true CN114120132A (zh) 2022-03-01

Family

ID=80365690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111460938.8A Pending CN114120132A (zh) 2021-12-02 2021-12-02 一种气象和红边波段遥感结合的农作物估产方法和装置

Country Status (1)

Country Link
CN (1) CN114120132A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114331753A (zh) * 2022-03-04 2022-04-12 阿里巴巴达摩院(杭州)科技有限公司 农事智能化的方法、装置及控制设备
CN114529826A (zh) * 2022-04-24 2022-05-24 江西农业大学 一种基于遥感影像数据的水稻估产方法、装置及设备
CN114782829A (zh) * 2022-06-22 2022-07-22 浙江甲骨文超级码科技股份有限公司 产量预估模型的构建方法及系统、产量预估方法及系统
CN115204479A (zh) * 2022-07-01 2022-10-18 南京信息工程大学 基于多源遥感数据的作物适生区预测方法及系统
CN115272860A (zh) * 2022-08-02 2022-11-01 西南大学 一种水稻种植区的确定方法、系统、电子设备及存储介质
CN116579521A (zh) * 2023-05-12 2023-08-11 中山大学 产量预测时间窗口确定方法、装置、设备及可读存储介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114331753A (zh) * 2022-03-04 2022-04-12 阿里巴巴达摩院(杭州)科技有限公司 农事智能化的方法、装置及控制设备
CN114331753B (zh) * 2022-03-04 2022-06-14 阿里巴巴达摩院(杭州)科技有限公司 农事智能化的方法、装置及控制设备
CN114529826A (zh) * 2022-04-24 2022-05-24 江西农业大学 一种基于遥感影像数据的水稻估产方法、装置及设备
CN114529826B (zh) * 2022-04-24 2022-08-30 江西农业大学 一种基于遥感影像数据的水稻估产方法、装置及设备
CN114782829A (zh) * 2022-06-22 2022-07-22 浙江甲骨文超级码科技股份有限公司 产量预估模型的构建方法及系统、产量预估方法及系统
CN115204479A (zh) * 2022-07-01 2022-10-18 南京信息工程大学 基于多源遥感数据的作物适生区预测方法及系统
CN115272860A (zh) * 2022-08-02 2022-11-01 西南大学 一种水稻种植区的确定方法、系统、电子设备及存储介质
CN116579521A (zh) * 2023-05-12 2023-08-11 中山大学 产量预测时间窗口确定方法、装置、设备及可读存储介质
CN116579521B (zh) * 2023-05-12 2024-01-19 中山大学 产量预测时间窗口确定方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN114120132A (zh) 一种气象和红边波段遥感结合的农作物估产方法和装置
Zheng et al. Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery
Sun et al. Red-edge band vegetation indices for leaf area index estimation from Sentinel-2/MSI imagery
CN106600434B (zh) 基于作物模型与同化技术的作物长势遥感监测方法
AU2021282487A1 (en) Forecasting national crop yield during the growing season
Leroux et al. Crop monitoring using vegetation and thermal indices for yield estimates: case study of a rainfed cereal in semi-arid West Africa
CN106918816B (zh) 农作物长势监测系统及其数据处理方法和模块
CN110927120B (zh) 一种植被覆盖度预警方法
CN114740180A (zh) 基于多源遥感数据的土壤有机碳估算方法及装置
Zhang et al. THE MODEL OF WHEAT YIELD FORECAST BASED ON MODIS-NDVI–A CASE STUDY OF XINXIANG
CN113252583B (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
CN110687053A (zh) 一种基于高光谱影像的区域有机质含量估算方法和装置
CN115796344A (zh) 一种区域尺度上森林植被碳储量的估算方法
CN114819737B (zh) 公路路域植被的碳储量估算方法、系统及存储介质
Afrasiabian et al. Effects of spatial, temporal, and spectral resolutions on the estimation of wheat and barley leaf area index using multi-and hyper-spectral data (case study: Karaj, Iran)
Zahran et al. Remote sensing based water resources and agriculture spatial indicators system
CN116485757A (zh) 一种冬小麦全氮含量预测方法
Dong et al. Combining leaf fluorescence and active canopy reflectance sensing technologies to diagnose maize nitrogen status across growth stages
CN112733445A (zh) 基于蒸散量植被指数空间特征的大区域尺度土壤水分反演方法
CN117571626A (zh) Modis ndvi对草地生物量遥感估测饱和性评估方法及系统
Naqvi et al. Remote estimation of wheat yield based on vegetation indices derived from time series data of Landsat 8 imagery.
CN113313671A (zh) 一种结合卫星影像和modis数据的水稻估产方法
Graf et al. Insights from field phenotyping improve satellite remote sensing based in-season estimation of winter wheat growth and phenology
WO2023131949A1 (en) A versatile crop yield estimator
CN113340898B (zh) 一种叶面积指数时空变化特征研究方法

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