CN114925997B - 一种农田物联网多光谱传感器有效数据的筛选方法 - Google Patents
一种农田物联网多光谱传感器有效数据的筛选方法 Download PDFInfo
- Publication number
- CN114925997B CN114925997B CN202210501208.6A CN202210501208A CN114925997B CN 114925997 B CN114925997 B CN 114925997B CN 202210501208 A CN202210501208 A CN 202210501208A CN 114925997 B CN114925997 B CN 114925997B
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- value
- internet
- things
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012216 screening Methods 0.000 title claims abstract description 16
- 230000001932 seasonal effect Effects 0.000 claims abstract description 24
- 238000009434 installation Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- YLQBMQCUIZJEEH-UHFFFAOYSA-N Furan Chemical compound C=1C=COC=1 YLQBMQCUIZJEEH-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种农田物联网多光谱传感器有效数据的筛选方法,其步骤如下:规范安装和使用农田物联网多光谱传感器,获取多光谱传感器的地理位置信息;在一年时间内,利用上行光传感器于当地时间10点和14点感知晴日太阳入射光强获取输出量化值(DN),分别构建10点季节变化模型(M_DN10)和14点季节变化模型(M_DN14);在使用过程中,提取任意一个数据中的上行光传感器DN值,将其与10点季节变化模型和14点季节变化模型中对应数据进行比对,判断该数据获取条件是否属于晴日天气,进而对该数据的有效性进行判别。通过本发明构建的方法可实现农田物联网多光谱采集数据有效性的自主判别和筛选,从而保证农田物联网多光谱传感器监测作物长势信息的精度。
Description
技术领域
本发明涉及数字农业技术领域,尤其涉及一种农田物联网多光谱传感器有效数据的筛选方法。
背景技术
农田物联网多光谱传感器可通过测量作物反射光谱构建植被指数对作物长势信息进行实时、无损监测,对于指导农业生产具有重要意义。以太阳光作为光源的被动光源多光谱传感器具有装置简单、无需额外提供光源等优点,在农田环境中具有较强的实用性。但是,只有在晴日天气条件下于当地时间10点到14点获取到的数据才能被用于监测诊断农田作物长势。目前,农田物联网多光谱传感器自身多不具备自主判断数据获取是否符合晴日天气条件的标准和能力,国内外相关产品提供的解决方案则主要是依赖人工经验划定植被指数阈值对数据的有效性进行判别,存在较大的主观误差。
由于地球公转和自转,同一地点的地外太阳入射光强在一年之中是呈规律性周期变化的。因此,在排除云团、水汽等因素干扰的晴日天气条件下,到达地表同一地点的太阳入射光强在一年之中也呈现出一定的规律性周期变化。上述晴日地表太阳入射光强周期性变化的规律及模型,在以下文献中有描述:宋爱国,王福然.北京地区晴天太阳辐射模型初探[J].太阳能学报,1993(03):251-255;邱国全,夏艳君,杨鸿毅.晴天太阳辐射模型的优化计算[J].太阳能学报,2001(04):456-460。此外,一天之中太阳入射光强从日出到日落随时间推移也表现出先升后降在正午达到最大的动态变化趋势。由于农田物联网多光谱传感器测量时对环境的最低要求为晴日10点和14点。因此,在这两个时间点之间太阳入射光强大于两个临界时间点的晴日入射光强均可被认为是符合测量环境的晴日天气。
被动光源多光谱传感器的每个波段通道均包含有上行光传感器和下行光传感器两个感光元件。其中,上行光传感器可感知太阳入射光强(L)并将其转化为相应的输出量化值(DN),通常情况下二者之间存在线性相关,即L=Gain×DN+Bias。上述线性关系在以下文献中有描述:董继飞.CGMD302型便携式作物生长监测诊断仪的优化[D].南京农业大学,2015。由于太阳入射光强(L)和传感器输出量化值(DN)之间存在的对应关系。因此,可借鉴晴日太阳入射光强季节性周期变化模型结构,基于上行光传感器感知晴日太阳入射光强后获取到的输出量化值(DN)构建季节变化模型,并利用模型判断数据获取是否属于晴日天气,实现对农田物联网传感器获取数据的有效性进行判别。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的农田物联网多光谱传感器有效数据的筛选方法。
为了实现上述目的,本发明采用了如下技术方案:
一种农田物联网多光谱传感器有效数据的筛选方法,包括以下步骤:
S1:确定区域,分别选择10点和14点两个本地时;
S2:判断天气是否为晴日天气;
S3:在判断天气为晴日天气后,利用农田物联网多光谱传感器的上行光传感器感知太阳入射光强度并获取输出量化值(DN),建立10点DN值数据集和14点DN值数据集;
S4:分别基于10点DN值数据集和14点DN值数据集构建10点晴日上行光传感器DN值季节变化模型(M_DN10i)和14点晴日上行光传感器DN值季节变化模型(M_DN14i),模型构型如下:
cosθz=cosΦ×cosδ×cosω+sinΦ×sinδ
式中,M_NDi为上行光传感器的输出量化值,a、b、c为模型系数,Φ为农田物联网传感器安装点纬度,δ为太阳赤纬,ω为太阳时角,θz为太阳高度角,i为一年之中的日数(元旦i=1)。
S5:在使用过程中,提取任意一个数据中的上行光传感器DN值,将其与M_DN10i模型和M_DN14i模型中对应数据进行比较,判断该数据获取是否属于晴日天气,进而对该数据的有效性进行判别。
进一步地,在步骤S1中,确定10点和14点为本地时的方式为通过测量多光谱传感器所在地理位置信息,计算其与120°E线之间的间隔换算得到。
进一步地,在步骤S2中,把总云量<20%的实时天气判定为晴日天气。
进一步地,在步骤S3中,10点DN值数据集和14点DN值数据集获取可不在同一天进行,但需保证测量时的天气为晴日天气。
进一步地,在步骤S4中,10点晴日上行光传感器DN值季节变化模型(M_DN10i)和14点晴日上行光传感器DN值季节变化模型(M_DN14i)为两个独立模型,二者仅构型相同,系数完全独立。
进一步地,在步骤S5中,受到气候、海拔等因素的影响,为保证使用精度,建立的模型在一个县或市区范围内使用。
相比于现有技术,本发明的有益效果在于:通过本发明构建的方法可以快速、准确地对农田物联网多光谱采集的数据进行筛选,从而保证农田作物长势信息监测的精度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明数据判别的流程图;
图2为本发明构建的10点晴日上行光传感器输出量化值季节变化模型;
图3为本发明构建的14点晴日上行光传感器输出量化值季节变化模型。
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。
参照图1-3,农田物联网多光谱传感器有效数据的筛选方法,包括以下步骤:
S1:确定区域,分别选择10点和14点两个本地时;
S2:判断天气是否为晴日天气;
S3:在判断天气为晴日天气后,利用农田物联网多光谱传感器的上行光传感器感知太阳入射光强度并获取输出量化值(DN),建立10点DN值数据集和14点DN值数据集;
S4:分别基于10点DN值数据集和14点DN值数据集构建10点晴日上行光传感器DN值季节变化模型(M_DN10i)和14点晴日上行光传感器DN值季节变化模型(M_DN14i),模型构型如下:
cosθz=cosΦ×cosδ×cosω+sinΦ×sinδ
式中,M_NDi为上行光传感器的输出量化值,a、b、c为模型系数,Φ为农田物联网传感器安装点纬度,δ为太阳赤纬,ω为太阳时角,θz为太阳高度角,i为一年之中的日数(元旦i=1)。
S5:在使用过程中,提取任意一个数据中的上行光传感器DN值,将其与M_DN10i模型和M_DN14i模型中对应数据进行比较,判断该数据获取是否属于晴日天气,进而对该数据的有效性进行判别。
为了更好的理解本发明,以下对实施步骤进一步说明。
作为同一发明的优选实施例,具体包括以下步骤:
S11:确定本地时,不同地区同一时间本地时存在较大偏差,会对模型构建和数据筛选造成影响,为减小误差并方便操作,以北京时间基准线120°E为标准,以15°经度为范围,对本地时进行调整,具体操作如下所示:
127.5°E~142.5°E:本地时=北京时间+1:00;
112.5°E~127.5°E:本地时=北京时间;
97.5°E~112.5°E:本地时=北京时间-1:00;
82.5°E~97.5°E:本地时=北京时间-2:00;
67.5°E~82.5°E:本地时=北京时间-3:00;
S21:判断晴日天气,把总云量<20%的实时天气判定为晴日天气;
S31:一年之中,平均间隔7天左右,分别选择10点、和14点两个本地时,在判断天气为晴日天气后,利用农田物联网多光谱传感器的上行光传感器感知太阳入射光强度并获取输出量化值(DN)。同时,记录输出量化值(DN)数据记录时的日期,并转化为一年中的所在日数(i,元旦i=1);
S41:构建模型,在获取到一年的上行光传感器输出量化值数据后。首先按照数据获取时间不同进行分类,分别命名为10点DN值数据集和14点DN值数据集。然后基于10点DN值数据集构建10点晴日上行光传感器输出量化值季节变化模型,基于14点数据集构建14点晴日上行光传感器输出量化值季节变化模型。两个模型最后均可被表述为模拟输出量化值(MD_N10i和M_DN14i)与一年中日数(i)之间的相关关系,其中:
10点季节变化模型具体描述如下:
cosθz=cosΦ×cosδ×cosω+sinΦ×sinδ (2)
式中,M_DN10i为上行光传感器在10点感知太阳入射光强后获取到的输出量化值,a、b、c为待拟合模型的系数,Φ为农田物联网传感器安装点纬度,δ为太阳赤纬,ω为太阳时角,θz为太阳高度角,i为一年之中的日数。
14点季节变化模型具体描述入下:
cosθz=cosΦ×cosδ×cosω+sinΦ×sinδ (5)
式中,M_DN14i为上行光传感器在14点感知太阳入射光强后获取的输出量化值,d、e、f为待拟合模型的系数,Φ为农田物联网传感器安装点纬度,δ为太阳赤纬,ω为太阳时角,θz为太阳高度角,i为一年之中的日数。
S51:数据判别筛选。此步骤需基于步骤101、步骤201和步骤301完成模型构建后进行,对于农田物联网传感器获取的任意一个数据,均可提取计算其所在的日数(i)、本地时(t)和上行光传感器的输出量化值(DNi),其中:
具体的步骤为:根据t值对数据(Data)进行第一次数据判别,若10:00<t≤12:00,则该数据为有效数据,归于有效数据集1(记为Data 1);若12:00<t≤14:00,则该数据为有效数据,归于有效数据集2(记为Data 2),其余数据为无效数据,舍弃;
对两个有效数据集(Data 1和Data 2)中的数据进行第二次判别,对于Data 1中的数据,利用数据的日数信息i,基于步骤301所建立的10点晴日上行光传感器输出量化值季节变化模型计算出当天10点的模拟输出量化值(M_DN10i),然后将其与实际量化输出值(NDi)进行比较,若NDi≥M_DN10i,则对应数据为有效数据,归于有效数据集1-1(记为Data1-1),反之则为无效数据,舍弃;
对于Data 2中的数据,根据数据的日数信息i通过步骤301所建立的14点晴日上行光传感器输出量化值季节变化模型计算出当天14点的模拟输出量化值(M_DN14i),然后将其与实际量化输出值(NDi)进行比较,若NDi≥M_DN14i,则对应数据为有效数据,归于有效数据集2-1(记为Data 2-1),反之则为归于无效数据,舍弃;
最后,利用筛选出来的两个有效数据集(Data 1-1和Data 2-1)中的数据与相对应的下行光传感器获取数据对作物长势进行监测。
为了更加清晰的了解本申请的实施步骤,以下对实时步骤进一步说明。
步骤S11中,目前仅列出中国地域范围内本地时的计算公式,若要在其他国家和地区使用,同样可以北京时间基准线120°E为标准,以15°经度为范围,对本地时进行调整。
步骤S21中,上行光传感器输出量化值(DN)数据获取时,需通过目测方法判断天空总云量是否在小于20%,若目视判断困难,可借助手机和遮光板对天空正上方进行拍照,最后以相片中心为圆心,截取最大直径圆,通过划分方格的方法计算出天空总云量。
步骤S31中,10点和14点数据获取可不在同一天进行,但需保证测量时的天气为云量小于20%的晴日天气。
步骤S31中,农田物联网多光谱传感器安装时,需保证上行光传感器在水平面内处于仪器的最南面,在垂直面上需朝向正上方。还需保证10点到14点之间上行光传感器不会被周围其他高大物体和传感器其他部件阴影遮挡。
步骤S31中,农田物联网多光谱传感器出厂和使用过程中,需定期对上行光传感器和下行光传感器的输出量化值(DN)测试精度进行校正。使不同仪器测量太阳入射光强后输出量化值数据保持一致或提供一个准确可靠的校正参数。
步骤S41中,Φ为农田物联网传感器安装点的纬度,可在安装时利用GPS等设备进行测量。
步骤S41中,ω为太阳时角,本地时10点取值-30°,本地时14点取值30°。
步骤S41中,受到气候、海拔等因素的影响,为保证使用精度,通过步骤4所建立的模型建议在一个县域范围内使用。
步骤S51中,在实际使用过程中,农田物联网多光谱传感器安装和使用需与步骤S311中的要求保持一致;
步骤S51中,对于仪器的使用范围需与步骤S411中所要求的保持一致。
在上述具体实施方案的基础上,以下结合实例进一步说明。
具体包括以下步骤:
步骤S111:装置安装:将农田物联网多光谱传感器安装于江西省农业科学院高安基地试验田中,安装时需确保传感器不被周围高大建筑、树木和电线杆等遮挡,同时还需确保传感器不被仪器其他部件遮挡;
步骤S211:记录农田物联网多光谱传感器安装的地理信息。安装完成后,用GPS测量多光谱传感器的地理信息,包括经度和维度。本实例在江西省农业科学院高安基地内进行,地理信息为:28.256944°N,115.119299°E;
步骤S311:调整本地时,多光谱传感器安装地点经度为115.935345°E,在112.5°E~127.5°E内。本地时(t)调整为:本地时=北京时间;
步骤S411:数据采集,从年初开始,间隔7天左右,利用上行光传感器分别采集上午10点数据和下午14点数据。实例数据利用730nm上行光传感器对数据进行采集;
步骤S511:构建10点模型,连立方程(1)、(2)、(3),然后将多光谱传感器地理信息(28.256944°N,115.119299°E)和上午10点数据带入连立方程。通过拟合得出上午10点模型,具体如下方程和附图2所示;
cosθz=0.880834×cosδ×0.866025+0.473426×sinδ (8)
步骤S611:构建14点模型。连立方程(4)、(5)、(6),然后将多光谱传感器地理信息(28.256944°N,115.119299°E)和下午14点数据带入连立方程,通过拟合得出下午14点模型,具体如方程(10)(11)(12)和附图3所示。
(12)
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种农田物联网多光谱传感器有效数据的筛选方法,其特征在于,包括以下步骤:
S1:确定区域,分别选择10点和14点两个本地时;
S2:判断天气是否为晴日天气;
S3:在判断天气为晴日天气后,利用农田物联网多光谱传感器的上行光传感器感知太阳入射光强度并获取输出量化值DN,建立10点DN值数据集和14点DN值数据集;
S4:分别基于10点DN值数据集和14点DN值数据集构建10点晴日上行光传感器DN值季节变化模型M_DN10i和14点晴日上行光传感器DN值季节变化模型M_DN14i,模型构型如下:
式中,M_NDi为上行光传感器的输出量化值,a、b、c为模型系数,Φ为农田物联网传感器安装点纬度,δ为太阳赤纬,ω为太阳时角,θz为太阳高度角,i为一年之中的日数,其中,元旦i=1;
S5:在使用过程中,提取任意一个数据中的上行光传感器DN值,将其与M_DN10i模型和M_DN14i模型中对应数据进行比较,判断该数据获取是否属于晴日天气,进而对该数据的有效性进行判别。
2.根据权利要求1所述的农田物联网多光谱传感器有效数据的筛选方法,其特征在于,在步骤S1中,确定10点和14点为本地时的方式为通过测量多光谱传感器所在地理位置信息,计算其与120°E线之间的间隔换算得到。
3.根据权利要求2所述的农田物联网多光谱传感器有效数据的筛选方法,其特征在于,在步骤S2中,把总云量<20%的实时天气判定为晴日天气。
4.根据权利要求3所述的农田物联网多光谱传感器有效数据的筛选方法,其特征在于,在步骤S3中,10点DN值数据集和14点DN值数据集获取可不在同一天进行,但需保证测量时的天气为晴日天气。
5.根据权利要求4所述的农田物联网多光谱传感器有效数据的筛选方法,其特征在于,在步骤S4中,10点晴日上行光传感器DN值季节变化模型M_DN10i和14点晴日上行光传感器DN值季节变化模型M_DN14i为两个独立模型,二者仅构型相同,系数完全独立。
6.根据权利要求5所述的农田物联网多光谱传感器有效数据的筛选方法,其特征在于,在步骤S5中,受到气候、海拔因素的影响,为保证使用精度,建立的模型在一个县或市区范围内使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210501208.6A CN114925997B (zh) | 2022-05-09 | 2022-05-09 | 一种农田物联网多光谱传感器有效数据的筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210501208.6A CN114925997B (zh) | 2022-05-09 | 2022-05-09 | 一种农田物联网多光谱传感器有效数据的筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114925997A CN114925997A (zh) | 2022-08-19 |
CN114925997B true CN114925997B (zh) | 2024-03-19 |
Family
ID=82809246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210501208.6A Active CN114925997B (zh) | 2022-05-09 | 2022-05-09 | 一种农田物联网多光谱传感器有效数据的筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925997B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115266610B (zh) * | 2022-09-27 | 2023-01-13 | 慧诺云谱(海南)科技有限公司 | 一种植物生长监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109031473A (zh) * | 2018-06-19 | 2018-12-18 | 中国科学院地理科学与资源研究所 | 完全晴天的自动判断方法和装置 |
CN109253976A (zh) * | 2018-10-22 | 2019-01-22 | 北京麦飞科技有限公司 | 基于光感模块的高光谱实时辐射定标方法 |
CN109542129A (zh) * | 2018-12-13 | 2019-03-29 | 沈阳佳晔能源科技股份有限公司 | 一种太阳能光伏二维制动跟踪控制系统 |
CN114069721A (zh) * | 2021-11-15 | 2022-02-18 | 中国农业大学 | 考虑空间耦合的农业园区能源互联网静态安全分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9322951B2 (en) * | 2007-02-12 | 2016-04-26 | Locus Energy, Inc. | Weather and satellite model for estimating solar irradiance |
-
2022
- 2022-05-09 CN CN202210501208.6A patent/CN114925997B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109031473A (zh) * | 2018-06-19 | 2018-12-18 | 中国科学院地理科学与资源研究所 | 完全晴天的自动判断方法和装置 |
CN109253976A (zh) * | 2018-10-22 | 2019-01-22 | 北京麦飞科技有限公司 | 基于光感模块的高光谱实时辐射定标方法 |
CN109542129A (zh) * | 2018-12-13 | 2019-03-29 | 沈阳佳晔能源科技股份有限公司 | 一种太阳能光伏二维制动跟踪控制系统 |
CN114069721A (zh) * | 2021-11-15 | 2022-02-18 | 中国农业大学 | 考虑空间耦合的农业园区能源互联网静态安全分析方法 |
Non-Patent Citations (1)
Title |
---|
北方干寒地区日光温室太阳辐射预测模型构建;毕玉革;麻硕士;徐轶群;;农机化研究;20101201(第12期);17-20+24 * |
Also Published As
Publication number | Publication date |
---|---|
CN114925997A (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102539336B (zh) | 基于环境一号卫星的可吸入颗粒物估算方法及系统 | |
Forbrich et al. | Marsh‐atmosphere CO2 exchange in a New England salt marsh | |
CN107607486B (zh) | 一种土壤全氮检测方法及装置 | |
CN109031473B (zh) | 完全晴天的自动判断方法和装置 | |
CN114925997B (zh) | 一种农田物联网多光谱传感器有效数据的筛选方法 | |
Bair et al. | Hourly mass and snow energy balance measurements from Mammoth Mountain, CA USA, 2011–2017 | |
CN112559958B (zh) | 基于风云4号卫星反演地表太阳总辐射和直接辐射的方法 | |
CN116450700B (zh) | 极轨卫星地表温度时间归一化方法、装置及电子设备 | |
CN112580982A (zh) | 一种基于多时相遥感和casa模型的生态保护红线实施评估 | |
CN112651108B (zh) | 一种解耦气象要素和植被动态对水文要素影响的方法 | |
CN115375036A (zh) | 遥感、光能利用率模型与气象融合的作物成熟期预测方法 | |
Kim et al. | Improving the usage of the Korea Meteorological Administration's digital forecasts in agriculture: IV. Estimation of daily sunshine duration and solar radiation based on'Sky Condition'product | |
Huang et al. | Topographic effects on estimating net primary productivity of green coniferous forest in complex terrain using Landsat data: a case study of Yoshino Mountain, Japan | |
CN116519913B (zh) | 基于星载和地基平台融合的gnss-r数据土壤水分监测方法 | |
CN115326721A (zh) | 一种作物水分胁迫估算的方法 | |
Huang et al. | A global grid model for the estimation of zenith tropospheric delay considering the variations at different altitudes | |
Liu et al. | Estimation of land surface evapotranspiration over complex terrain based on multi‐spectral remote sensing data | |
Bosch et al. | Global and direct photosynthetically active radiation parameterizations for clear-sky conditions | |
Wang et al. | Spatial Downscaling of Remote Sensing Precipitation Data in the Beijing-Tianjin-Hebei Region | |
CN106802606B (zh) | 一种农业环境保温被控制系统及方法 | |
He et al. | Spatial and Temporal Differences in Surface Albedo over Different Underlying Surfaces in the Badain Fijaran Desert, China | |
CN211236250U (zh) | 一种基于全球导航卫星信号的地表环境参数监测仪 | |
Do et al. | Experimental evaluation of solar radiation and solar efficacy models and performance of data-driven models | |
KR102222541B1 (ko) | 적산 일사량을 이용한 경사면의 낮 기온 추정 방법 | |
Quan et al. | A quality-assured dataset of nine radiation components observed at the Shangdianzi regional GAW station in China (2013− 2022) |
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 |