CN115015258A - 一种农作物长势与土壤水分关联确定方法及相关装置 - Google Patents

一种农作物长势与土壤水分关联确定方法及相关装置 Download PDF

Info

Publication number
CN115015258A
CN115015258A CN202210864984.2A CN202210864984A CN115015258A CN 115015258 A CN115015258 A CN 115015258A CN 202210864984 A CN202210864984 A CN 202210864984A CN 115015258 A CN115015258 A CN 115015258A
Authority
CN
China
Prior art keywords
crop
growth
soil moisture
model
image
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.)
Granted
Application number
CN202210864984.2A
Other languages
English (en)
Other versions
CN115015258B (zh
Inventor
张金龙
张娟
祁元
李茜
杨瑞
李相锋
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.)
Longdong University
Northwest Institute of Eco Environment and Resources of CAS
Original Assignee
Longdong University
Northwest Institute of Eco Environment and Resources of CAS
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 Longdong University, Northwest Institute of Eco Environment and Resources of CAS filed Critical Longdong University
Priority to CN202210864984.2A priority Critical patent/CN115015258B/zh
Publication of CN115015258A publication Critical patent/CN115015258A/zh
Application granted granted Critical
Publication of CN115015258B publication Critical patent/CN115015258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Geology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请提供了一种农作物长势与土壤水分关联确定方法及相关装置，涉及作物长势监测技术领域。首先采集无人机在多个试验样区航拍的多光谱图像和热红外遥感图像；其中，多光谱图像中包含能够表征作物长势的光谱、纹理及空间分布信息，然后依据多光谱图像中表征作物长势的光谱、纹理、空间分布信息以及预设的农作物实测长势数据构建作物综合长势模型，再依据多光谱图像与热红外遥感图像生成土壤水分估算模型；最后于依据作物综合长势模型与土壤水分估算模型进行关联分析，以生成关联模型。本申请提供的农作物长势与土壤水分关联确定方法及相关装置具有数据采集效率高、可以确定作物长势与土壤水分相关性的优点。

Description

一种农作物长势与土壤水分关联确定方法及相关装置
技术领域
本申请涉及作物长势监测技术领域，具体而言，涉及一种农作物长势与土壤水分关联确定方法及相关装置。
背景技术
目前，农作物长势与土壤水分的确定，一般采用田间数据采集的方式进行，其数据采集量较大，导致其效率较低。
同时，现有技术中均是将农作物长势与土壤水分的独立分析，二者的相关性无法确定。
综上，现有技术中存在农作物长势与土壤水分确定的效率低，且二者相关性无法确定的问题。
发明内容
本申请的目的在于提供一种农作物长势与土壤水分关联确定方法及相关装置，以解决现有技术中存在的农作物长势与土壤水分确定的效率低，且二者相关性无法确定的问题。
为了实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种农作物长势与土壤水分关联确定方法，所述方法包括：
采集无人机在多个试验样区航拍的多光谱图像和热红外遥感图像；其中，所述多光谱图像中包含能够表征作物长势的光谱、纹理及空间分布信息；
依据所述多光谱图像中表征作物长势的光谱、纹理、空间分布信息以及预设的农作物实测长势数据构建作物综合长势模型；
试验样区依据所述多光谱图像与所述热红外遥感图像生成土壤水分估算模型；
依据预设的关联模型将所述作物综合长势模型与所述土壤水分估算模型进行关联分析。
可选地，所述关联模型满足公式：
Figure BDA0003756710170000021
其中，Ixy表示关联模型，xi为作物长势表示值，
Figure BDA0003756710170000024
为试验样区内作物长势平均值；yi为土壤水分值；
Figure BDA0003756710170000025
为试验样区内土壤水分平均值；Wij为作物长势和土壤水分两个指标之间的空间连接矩阵，n表示试验样区的数量。
可选地，在依据预设的关联模型将所述作物综合长势模型与所述土壤水分估算模型进行关联分析的步骤之后，所述方法还包括：
分析所述作物长势受土壤水分的影响程度；其中，所述影响程度满足公式：
Figure BDA0003756710170000022
Figure BDA0003756710170000023
其中，βi(k)为关联系数；ri为关联度，y(k)为归一化作物长势值；xi(k)为归一化土壤水分含量值，i为像元列表索引；n为像元个数；k为预设的指标个数，ρ为预设的分辨系数。
可选地，依据所述多光谱图像中作物长势的光谱、纹理、空间分布信息以及预设的农作物实测长势数据构建作物综合长势模型的步骤包括：
对所述多光谱图像进行预处理；
依据预处理后的多光谱图像中表征作物长势的光谱、纹理、空间分布信息构建作物覆盖度模型；
依据所述多光谱图像构建叶绿素含量模型；
将作物覆盖度与叶绿素含量进行归一化，并通过加权求和结合预设的农作物实测长势数据得到作物综合长势模型。
可选地，对所述多光谱图像进行预处理的步骤包括：
对所述多光谱图像进行辐射校正、影像拼接、正射校正、几何校正以及影像裁剪。
可选地，依据所述多光谱图像与所述热红外遥感图像生成土壤水分估算模型的步骤包括：
将完成预处理后的多光谱图像与热红外遥感图像进行影像配准；
依据所述多光谱图像与热红外遥感图像获取作物的冠层温度与土壤地表温度；
依据所述作物的冠层温度生成作物水分胁迫指数；
将所述作物水分胁迫指数与预设的实测土壤含水率进行拟合，以建立土壤水分估算模型。
可选地，所述作物水分胁迫指数满足公式：
Figure BDA0003756710170000041
其中，CWSI表示作物水分胁迫指数，Tc为作物冠层温度，Tmin为试验样区作物冠层温度最小值；Tmax为试验样区作物冠层温度最大值；其中Tmin-2用于表示湿参考面；Tmax+5用于表示干参考面。
第二方面，本申请实施例还提供了一种农作物长势与土壤水分关联确定装置，所述装置包括：
数据采集单元，用于采集无人机在多个试验样区航拍的多光谱图像和热红外遥感图像；其中，多光谱图像中包含能够表征作物长势的光谱、纹理及空间分布信息试验样区；
处理单元，用于依据多光谱图像中表征作物长势的光谱、纹理、空间分布信息以及预设的农作物实测长势数据构建作物综合长势模型；
处理单元，还用于依据所述多光谱图像与所述热红外遥感图像生成土壤水分估算模型；
处理单元，还用于依据所述作物综合长势模型与所述土壤水分估算模型进行关联分析，以生成关联模型。
第三方面，本申请实施例还提供了一种电子设备，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现上述的方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的方法。
相对于现有技术，本申请具有以下有益效果：
本申请提供了一种农作物长势与土壤水分关联确定方法及相关装置，首先采集无人机在多个试验样区航拍的多光谱图像和热红外遥感图像；其中，多光谱图像中包含能够表征作物长势的光谱、纹理及空间分布信息，然后依据多光谱图像中表征作物长势的光谱、纹理、空间分布信息以及预设的农作物实测长势数据构建作物综合长势模型，再依据多光谱图像与热红外遥感图像生成土壤水分估算模型；最后于依据作物综合长势模型与土壤水分估算模型进行关联分析，以生成关联模型。一方面，本申请采用无人机航拍的方式实现图像的采集，因此数据采集效率更高。另一方面，由于本申请利用关联模型对作物综合长势模型与土壤水分估算模型进行了关联分析，因此可以确定出二者的相关性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。
图1为本申请实施例提供的电子设备的模块示意图。
图2为本申请实施例提供的农作物长势与土壤水分关联确定方法的示例性流程图。
图3为本申请实施例提供的图2中S104的子步骤的示例性流程图。
图4为本申请实施例提供的图2中S106的子步骤的示例性流程图。
图5为本申请实施例提供的农作物长势与土壤水分关联确定装置的模块示意图。
图中：100-电子设备；101-处理器；102-存储器；103-通信接口；200-农作物长势与土壤水分关联确定装置；210-数据采集单元；220-处理单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
正如背景技术中所述，现有技术中在的确定，农作物长势与土壤水分时，不仅效率较低，且二者的相关性无法确定。
有鉴于此，本申请提供了一种农作物长势与土壤水分关联确定方法，通过利用无人机航拍方式采集多光谱图像与热红外遥感图像，并在确定作物综合长势模型与所述土壤水分估算模型后，将二者进行关联分析，进而获取二者的相关性。
需要说明的是，本申请提供的农作物长势与土壤水分关联确定方法可以应用于电子设备中，例如计算机、手机等智能电子设备。可选地，图1示出本申请实施例提供的电子设备100的一种示意性结构框图，电子设备100包括存储器102、处理器101和通信接口103，该存储器102、处理器101和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
存储器102可用于存储软件程序及模块，如本申请实施例提供的农作物长势与土壤水分关联确定装置200对应的程序指令或模块，处理器101通过执行存储在存储器102内的软件程序及模块，从而执行各种功能应用以及数据处理，进而执行本申请实施例提供的定位方法的步骤。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器102可以是，但不限于，随机存取存储器102(Random Access Memory，RAM)，只读存储器102(Read Only Memory，ROM)，可编程只读存储器102(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器102(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除可编程只读存储器102(Electric Erasable ProgrammableRead-Only Memory，EEPROM)等。
处理器101可以是一种集成电路芯片，具有信号处理能力。该处理器101可以是通用处理器101，包括中央处理器101(Central Processing Unit，CPU)、网络处理器101(Network Processor，NP)等；还可以是数字信号处理器101(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图1所示的结构仅为示意，电子设备100还可以包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
下面对本申请提供的农作物长势与土壤水分关联确定方法进行示例性说明：
作为一种实现方式，请参阅图2，该农作物长势与土壤水分关联确定方法包括：
S102，采集无人机在多个试验样区航拍的多光谱图像和热红外遥感图像；其中，多光谱图像中包含能够表征作物长势的光谱、纹理及空间分布信息试验样区。
S104，依据多光谱图像中表征作物长势的光谱、纹理、空间分布信息以及预设的农作物实测长势数据构建作物综合长势模型。
S106，依据多光谱图像与热红外遥感图像生成土壤水分估算模型。
S108，依据预设的关联模型将作物综合长势模型与土壤水分估算模型进行关联分析。
可以理解地，采用无人机拍摄的方式实现图像的获取，可以使得数据采集效率更高。同时，对作物综合长势模型与土壤水分估算模型进行关联分析，可以明确确定出二者的相关性。
需要说明的是，本申请所述的作物，可以指各种农作物，例如玉米、土豆等农作物。并且，在通过无人机采集多光谱图像与热红外遥感图像时，可以将作物划分为不同的试验样区，在确定作物综合长势模型与土壤水分估算模型时，可以将所有试验样区的数据同时带入，以保证模型的精准度。
例如，在选定试验样区时，可以选定10个试验样区进行无人机图像采集，可选地，该10个试验样区在地理位置上可以相邻，也可以相互隔离，在此不做限定。
为了对作物信息进行精准采集，无人机平台上需要搭载多光谱相机，进而拍摄多光谱图像，在一种实现方式中，多光谱相机中的传感器需要包含5个的波段，其中心波长分别为蓝(450nm)、绿(530nm)、红(675nm)、红边(730nm)、近红外(850nm)，进而可以获取5个光谱波段的图像。
同时，为了对温度信息进行采集，无人机上还搭载有热红外相机，例如，热红外相机中的热红外传感器波段位于7.5-13.5μm区间。
由于天气状况会对多光谱相机与热红外相机的拍摄造成一定的影响，因此在进行图像拍摄时，可以选定在太阳光照强度稳定，天气晴朗无云时开展无人机遥感作业，同时，合理设置拍照时间间隔和飞行速度，提前规划航向，使得航向和旁箱重叠均不低于50％。
此外，由于不同作物的发育期不同，且在每个发育期内，作物的综合长势、土壤水分均会存在明显差异，因此为了更好的实现分析，可以在作物的关键生育期内，对作物进行数据采集并分析，进而得到作物在不同生育期内，作物综合长势模型与所述土壤水分估算模型之间的关联模型。
例如，针对小麦作物而言，其作物关键期可分为出苗、分蘖、拔节、抽穗、开花、乳熟、蜡熟以及完熟等时期，当在小麦处于开花时期时，利用无人机进行图像采集，然后分析出作物综合长势与土壤水分之间的关联模型，则该关联模型为开花时期的模型，依次类推，可以确定乳熟时期、完熟时期等的关联模型等，在此不做赘述。
作为一种实现方式，请参阅图3，S104的步骤包括：
S1041，对多光谱图像进行预处理。
S1042，依据预处理后的多光谱图像中表征作物长势的光谱、纹理、空间分布信息构建作物覆盖度模型。
S1043，依据多光谱图像构建叶绿素含量模型。
S1044，将作物覆盖度与叶绿素含量进行归一化，并通过加权求和结合预设的农作物实测长势数据得到作物综合长势模型。
其中，本申请对多光谱图像进行预处理的步骤包括：
对多光谱图像进行辐射校正、影像拼接、正射校正、几何校正以及影像裁剪。当然地，在实际处理过程中，图像预处理过程也可能由于成像光谱仪种类、型号等有所差异，在此不做限定。
其中，辐射校正是为了降低无人机飞行过程中由于光线、天气等因素造成的影像辐射畸变，一般可以采用白板法将测得的DN值转换为较为真实的地表反射率，即在地面上铺设白板，该白板的反射率已知，且将其是为标准反射率的值。则反射率计算公式如下：
Figure BDA0003756710170000101
式中，Ri为目标地物在i波段的反射率；DNi为目标地物在i波段的DN值(DigitalNumber，遥感影像像元亮度值)；DNsi为标准板在i波段的DN值Rsi为标准板在i波段的反射率。并且，本申请所述的反射率即表征影像辐射。
并且，无人机获取的是单景影像，要获得较为完整的试验样区影像需要影像拼接过程，即将无人机拍摄的多张图像拼接为一张图像。其中，若无人机成像光谱仪无自带拼接软件，可以采用Agisoft Photoscan软件进行影像拼接。
可选地，影像拼接过程又可包括如下步骤：
步骤a，影像筛选：
按照预设定需求，筛选出航线内可用的影像。一般要求可用的航拍影像需要满足航向重叠在60％～80％之间，旁向重叠在15％～60％之间，同时需要剔除起飞及降落阶段拍摄的影像。
步骤b，影像对齐：
软件根据影像的坐标、高程、相似度等信息寻找同名地物点，为了提高精度，可加入实测控制点，完成影像自动配准。
步骤c，影像拼接：
配准完成后，根据研究需求设置不同密度等级的点云数据，进而生成网格、纹理，即可完成影像拼接。
此外，为校正由于飞行姿态等因素导致的投影变形，需要进行正射校正。正射校正可以采用地面控制点实现。一般情况下，无人机遥感平台自身具备测量位置和姿态数据的功能，因此可根据遥感系统提供的位置和姿态数据提取外方位元素，结合地面控制点实现影像的正射校正处理，正射校正可在ENVI软件中实现。
正射校正的步骤包括：
步骤1，建立坐标纠正变换函数：
设待校正影像上的像点坐标为(X,Y)，校正后相应的像点坐标为(x,y)，则校正后的坐标表示为:
x＝a0+a1X+a2Y+a3X2+a4XY+a5Y2…
y＝b0+b1X+b2Y+b3X2+b4XY+b5Y2…
式中ai和bi为待求系数，使用一定数量的坐标点对，基于最小二乘法求解。
步骤2，确定影像输出范围:
将原始影像4个边界点按照纠正变换函数投影到地面坐标系中，得到对应的坐标值，图像总行列数计算公式为：
Figure BDA0003756710170000121
Figure BDA0003756710170000122
步骤3，计算地面点坐标:
设正射影像上任意一点p的坐标为(X′，Y′)，左下角地面图廓点坐标为(X0，Y0)，p点对应的地面坐标为(Xp，Yp)：
Xp＝X0+MX′
Yp＝Y0+MY′
步骤4，计算像点坐标：
基于纠正变换函数计算像点坐标(x,y)。
步骤5，灰度插值：
求得的像点坐标不一定位于像素中心位置，因此采用最邻近插值法计算灰度值，将像点的灰度值赋给矫正后的像素，完成正射校正。
为实现影像的精确定位，需要地面控制点实现进行几何校正。其中，可以采用ENVI软件中的几何校正工具完成。
最后，根据研究区范围批量裁剪影像，裁剪时尽量将裁剪范围设置略大于研究区范围。
需要说明的是，作物长势监测主要包括三部分内容：首先基于作物类型分析能够反应作物长势的关键生态参数，常用的有作物地上生物量、覆盖度、叶绿素含量等，本申请中，采用作物植被覆盖度、叶绿素含量为作物长势生态参数；其次基于作物长势生态参数，结合遥感数据光谱特性，筛选或构建能够模拟作物长势生态参数的遥感表征指数；最后结合实测数据，基于遥感表征指数构建模拟作物长势生态参数反演模型。
因此，在对光谱图像预处理后，需要依据预处理后的多光谱图像信息确定植被覆盖度。当前基于无人遥感模拟植被覆盖度的方法主要包括三类，分别为颜色空间法、植被指数法和机器学习分类法，其中植被指数法由于原理简单，且精度较高，被广泛应用植被覆盖度模拟中，本申请采用植被指数法构建作物覆盖度模型。
其中，基于植被指数法的覆盖度模拟包括3部分内容：首先筛选符合需求的植被指数，其次建立植被指数和植被覆盖度之间的模拟模型，最后对模拟结果精度进行验证。
(1)植被指数筛选
选取归一化植被指数(NDVI)、可见光大气阻抗指数(Visible atmosphericallyresistant index，VARI)、比值植被指数(Ratio vegetation index,RVI)、红边指数(Vogelmann red edge index,VREI)和红边NDVI(Red edge NDVI,RENDVI)，具体计算公式如下：
NDVI＝(R_nir-R_red)/(R_nir+R_red)
VARI＝(R_green-R_red)/(R_green+R_red-R_blue)
RVI＝R_nir/R_red
VERI＝R_nir/R_rededge
RENDVI＝(R_nir-R_rededge)/(R_nir+R_rededge)
构建模型之前，首先需要采用pearson相关系数(r)和spearman相关系数(p)两种方式评价筛选的植被指数对植被覆盖度的估计能力，选取pearson相关系数(r)和spearman相关系数(p)均较高的指数建立基于无人机多光谱遥感的覆盖度估计模型。
(2)构建模型
基于无人机多光谱植被指数或特征模拟农作物覆盖度时空分布的关键环节为选择合适建模方法，包括参数回归和非参数回归法，其中参数回归法中包含简单的线性回归、逻辑回归等算法；非参数回归法主要包括人工神经网络(Artificial neural networks，ANN)、随机森林(Random forest，RF)、支持向量机(Support vector machines，SVM)以及偏最小二乘(Partial least square regression，PLSR)等算法。
(3)精度评价
采用估计误差(Estimation error,EE)、平均绝对估计误差(Mean absoluteerror,MAE)、均方根误差(Root mean square deviation,RMSE)以及决定系数(Coefficient of determination,R2)作为评价作物覆盖度估计精度的指标。当精度评价满足需求时，则确定作物覆盖度模型。
叶绿素含量是反映作物长势的重要理化参数，高效准确估计叶绿素含量对于监测作物长势特别是作物产量预测具有重要意义。基于无人机多光谱影像的叶绿素含量模拟以作物光谱特征为基础，通过筛选与叶绿素含量相关性较高的敏感性植被指数，建立作物不同生育期叶绿素含量反演模型，实现叶面积指数大面积模拟。
叶绿素含量模型构建包括：
(1)植被指数筛选
综合已有研究成果，总结对叶绿素含量敏感的植被指数。采用pearson相关系数(r)和spearman相关系数(p)两种方式评价筛选的植被指数对叶绿素含量的估计能力，选取pearson相关系数(r)和spearman相关系数(p)均较高的5种指数建立基于无人机多光谱遥感的叶绿素含量估计模型。
(2)构建模型
采用偏最小二乘回归算法，建立植被指数和叶绿素含量的线性模型，基于样本点对求解模型回归系数。其中，叶绿素含量模型满足公式：
Y＝a0+a1X1+a2X2+a3X3+a4X4+a5X5
式中，Y为模拟叶绿素含量；a0～a5为模型回归系数；X0～X5为与叶绿素含量相关性最高的5个植被指数。
(3)精度评价
采用估计误差(Estimation error,EE)、平均绝对估计误差(Mean absoluteerror,MAE)、均方根误差(Root mean square deviation,RMSE)以及决定系数(Coefficient of determination,R2)作为评价作物覆盖度估计精度的指标。当精度评价达到阈值时，则完成叶绿素含量模型的构建。
在确定作物覆盖度模型、绿素含量模型后，即可将反映作物长势的作物覆盖度、叶绿素含量、地上生物量等进行综合，构建作物综合长势指标。
需要说明的是，本申请所述的地上生物量采用田间数据采集的方式确定，例如，通过田间拍照等方式确定地上生物量。可以理解地，该地上生物量即可表示标准值。
在构建作物综合长势指标时，首先将植被覆盖度、叶绿素含量进行归一化，归一化计算公式如下：
Figure BDA0003756710170000161
式中，i代表指标类别；Ui代表归一化后的指标值；Xi代表指标原始值；max(Xi)代表指标最大值。
其次，每个指标经过归一化后，采用专家打分的方式赋值权重，通过植被加权求和得到综合长势指数(CGI)。
Figure BDA0003756710170000162
作为一种实现方式，请参阅图4，S106包括：
S1061，将完成预处理后的多光谱图像与热红外遥感图像进行影像配准。
S1062，依据多光谱图像与热红外遥感图像获取作物的冠层温度与土壤地表温度。
S1063，依据作物的冠层温度生成作物水分胁迫指数。
S1064，将作物水分胁迫指数与预设的实测土壤含水率进行拟合，以建立土壤水分估算模型。
多光谱图像的预处理与上述预处理方式相同，在此不做赘述。需要说明的是，热红外遥感图像主要用于获取冠层温度与土壤温度，而在无人机采集图像的过程中，可能由于天气等因此，造成拍摄的多光谱图像存在误差。
因此，在一种可选的实现方式中，可以采用同步测量地面均匀布置黑面和白面辐射定标版及水面的温度，用于热红外图像的温度校正。其中，黑面和白面的辐射定标版与水面的温度均为标准值，进而在无人机拍摄该位置的热红外遥感图像时，若确定的温度与标准值不同，则依据该标准值进行温度校正。
其中，无人机热红外遥感图像预处理具体实现步骤根据成像光谱仪种类、型号等有所差异，大体上包含影像拼接、温度校正、几何校正以及影像裁剪等，其中影像拼接、几何校正以及影像裁剪详细过程与无人机多光谱图像预处理过程一致。无人机热红外遥感图像需要进行温度校正，常用线性校正法，即建立温度控制点地面测量值与无人机热红外图像测量值之间的线性回归方程。首先可在ENVI中提取热红外图像上与实测同名点位置一致像元的温度值，导出后建立实测值和估计值的回归方程。
除此之外，无人机遥感图像还要和多光谱图像进行影像配准，配准通过目视法查找两景影像的同名控制点，控制点尽量均匀分布，配准可在ENVI中实现。
在确定多光谱图像与热红外遥感图像进行预处理后，可以结合无人机多光谱遥感和热红外遥感图像，用于构建作物水分胁迫指数，结合实测土壤水分数据，可进一步实现农田土壤水分反演，指导作物水分胁迫分析。
获取作物的冠层温度与土壤地表温度的步骤包括：
(1)基于植被指数的植土分离
由于可见光图像分辨率较为清晰，波段信息较多，能较好地区分出作物像素和背景像素，多用于获取作物冠层分布信息。首先需要多无人机多光谱遥感的光谱特征进行分析，筛选出对作物敏感的植被指数，采用阈值分割法即可实现作物覆盖区和地表土壤区的划分。
2)作物冠层和土壤表层温度信息提取
将提取的作物覆盖区和地表土壤区矢量数据分别叠加至热红外图像中做掩膜处理，可分别得到作物冠层和土壤表层温度数据。其中，物冠层和土壤表层温度数据分别包括最大值、最小值和平均值。
3)作物全覆盖时冠层温度提取
一般情况下，作物在乳熟期可以达到对地表的全覆盖，可用于提取作物全覆盖时期的作物冠层温度，分别统计最大值、最小值和平均值。
然后，通过对作物冠层模拟温度和实测温度进行线性拟合，计算决定系数(R2)进行评价。
Figure BDA0003756710170000181
需要说明的是，实测温度可以通过田间数据采集获取，并将其作为标准值。
当作物冠层模拟温度与实测温度之间相近时，则可进行作物水分胁迫指数计算。
作物水分胁迫指数(CWSI)计算采用JONES等提出的简化公式：
Figure BDA0003756710170000191
式中，Tc为作物冠层温度，Tmin为采样小区作物冠层温度最小值；Tmax为采样小区作物冠层温度最大值；其中(Tmin-2)用于表示湿参考面；(Tmax+5)用于表示干参考面。
然后通过拟合作物水分胁迫指数和实测土壤含水率，分析作物水分胁迫指数和土壤含水率的相关性，建立不同生育期作物土壤水分估算模型。模型精度采用决定系数(R2)进行评价。
在确定作物综合长势模型与土壤水分估算模型后，即可分别采用双变量自相关分析模型、灰色关联度模型以及回归分析模型评价作物长势和土壤水分之间的空间关联关系。
其中，关联模型满足公式：
Figure BDA0003756710170000192
其中，Ixy表示关联模型，xi为作物长势表示值，
Figure BDA0003756710170000193
为试验样区内作物长势平均值；yi为土壤水分值；
Figure BDA0003756710170000194
为试验样区内土壤水分平均值；Wij为作物长势和土壤水分两个指标之间的空间连接矩阵，n表示试验样区的数量。
灰色关联分析模型根据因素之间发展趋势的相似或者相异程度衡量因素之间的关联程度。以作物在不同生育期的作物长势和土壤水分为变量，通过模型定量计算作物长势受土壤水分的影响程度。生成作物长势受土壤水分的影响程度；其中，所述影响程度满足公式：
Figure BDA0003756710170000201
Figure BDA0003756710170000202
其中，βi(k)为关联系数；ri为关联度，y(k)为归一化作物长势值；xi(k)为归一化土壤水分含量值，i为像元列表索引；n为像元个数；k为预设的指标个数，ρ为预设的分辨系数。本申请中，K取值为1，ρ取值为0.5。
在此基础上，可以建立不同生育期作物长势和土壤水分的回归分析模型，计算相关系数，分析两因子之间的相关程度。
基于上述实现方式，请参阅图5，本申请实施例还提供了一种农作物长势与土壤水分关联确定装,200，该装置包括：
数据采集单元210，用于采集无人机在多个试验样区航拍的多光谱图像和热红外遥感图像；其中，多光谱图像中包含能够表征作物长势的光谱、纹理及空间分布信息。
可以理解地，通过数据采集单元210可以执行S102。
处理单元220，用于依据多光谱图像中表征作物长势的光谱、纹理、空间分布信息以及预设的农作物实测长势数据构建作物综合长势模型。
可以理解地，通过处理单元220可以执行S104。
处理单元220，还用于依据所述多光谱图像与所述热红外遥感图像生成土壤水分估算模型。
可以理解地，通过处理单元220可以执行S106。
处理单元220，还用于依据预设的关联模型将作物综合长势模型与土壤水分估算模型进行关联分析。
可以理解地，通过处理单元220可以执行S108。
当然地，在上述实现方式中的每一步骤均有一对应的功能模块，由于上述实施例已经详细描述，因此在此不再进行赘述。
综上所述，本申请提供了一种农作物长势与土壤水分关联确定方法及相关装置，首先采集无人机在多个试验样区航拍的多光谱图像和热红外遥感图像；其中，多光谱图像中包含能够表征作物长势的光谱、纹理及空间分布信息，然后依据多光谱图像中表征作物长势的光谱、纹理、空间分布信息以及预设的农作物实测长势数据构建作物综合长势模型，再依据多光谱图像与热红外遥感图像生成土壤水分估算模型；最后于依据作物综合长势模型与土壤水分估算模型进行关联分析，以生成关联模型。一方面，本申请采用无人机航拍的方式实现图像的采集，因此数据采集效率更高。另一方面，由于本申请利用关联模型对作物综合长势模型与土壤水分估算模型进行了关联分析，因此可以确定出二者的相关性。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
也要注意的是，框图和或流程图中的每个方框、以及框图和或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (10)

1.一种农作物长势与土壤水分关联确定方法，其特征在于，所述方法包括：
采集无人机在多个试验样区航拍的多光谱图像和热红外遥感图像；其中，所述多光谱图像中包含能够表征作物长势的光谱、纹理及空间分布信息；
依据所述多光谱图像中表征作物长势的光谱、纹理、空间分布信息以及预设的农作物实测长势数据构建作物综合长势模型；
试验样区依据所述多光谱图像与所述热红外遥感图像生成土壤水分估算模型；
依据预设的关联模型将所述作物综合长势模型与所述土壤水分估算模型进行关联分析。
2.如权利要求1所述的农作物长势与土壤水分关联确定方法，其特征在于，所述关联模型满足公式：
Figure FDA0003756710160000011
其中，Ixy表示关联模型，xi为作物长势表示值，
Figure FDA0003756710160000012
为试验样区内作物长势平均值；yi为土壤水分值；
Figure FDA0003756710160000013
为试验样区内土壤水分平均值；Wij为作物长势和土壤水分两个指标之间的空间连接矩阵，n表示试验样区的数量。
3.如权利要求1所述的农作物长势与土壤水分关联确定方法，其特征在于，在依据预设的关联模型将所述作物综合长势模型与所述土壤水分估算模型进行关联分析的步骤之后，所述方法还包括：
分析所述作物长势受土壤水分的影响程度；其中，所述影响程度满足公式：
Figure FDA0003756710160000021
Figure FDA0003756710160000022
其中，βi(k)为关联系数；ri为关联度，y(k)为归一化作物长势值；xi(k)为归一化土壤水分含量值，i为像元列表索引；n为像元个数；k为预设的指标个数，ρ为预设的分辨系数。
4.如权利要求1所述的农作物长势与土壤水分关联确定方法，其特征在于，依据所述多光谱图像中作物长势的光谱、纹理、空间分布信息以及预设的农作物实测长势数据构建作物综合长势模型的步骤包括：
对所述多光谱图像进行预处理；
依据预处理后的多光谱图像中表征作物长势的光谱、纹理、空间分布信息构建作物覆盖度模型；
依据所述多光谱图像构建叶绿素含量模型；
将作物覆盖度与叶绿素含量进行归一化，并通过加权求和结合预设的农作物实测长势数据得到作物综合长势模型。
5.如权利要求4所述的农作物长势与土壤水分关联确定方法，其特征在于，对所述多光谱图像进行预处理的步骤包括：
对所述多光谱图像进行辐射校正、影像拼接、正射校正、几何校正以及影像裁剪。
6.如权利要求1所述的农作物长势与土壤水分关联确定方法，其特征在于，依据所述多光谱图像与所述热红外遥感图像生成土壤水分估算模型的步骤包括：
将完成预处理后的多光谱图像与热红外遥感图像进行影像配准；
依据所述多光谱图像与热红外遥感图像获取作物的冠层温度与土壤地表温度；
依据所述作物的冠层温度生成作物水分胁迫指数；
将所述作物水分胁迫指数与预设的实测土壤含水率进行拟合，以建立土壤水分估算模型。
7.如权利要求6所述的农作物长势与土壤水分关联确定方法，其特征在于，所述作物水分胁迫指数满足公式：
Figure FDA0003756710160000031
其中，CWSI表示作物水分胁迫指数，Tc为作物冠层温度，Tmin为试验样区作物冠层温度最小值；Tmax为试验样区作物冠层温度最大值；其中Tmin-2用于表示湿参考面；Tmax+5用于表示干参考面。
8.一种农作物长势与土壤水分关联确定装置，其特征在于，所述装置包括：
数据采集单元，用于采集无人机在多个试验样区航拍的多光谱图像和热红外遥感图像；其中，多光谱图像中包含能够表征作物长势的光谱、纹理及空间分布信息试验样区；
处理单元，用于依据多光谱图像中表征作物长势的光谱、纹理、空间分布信息以及预设的农作物实测长势数据构建作物综合长势模型；
处理单元，还用于依据所述多光谱图像与所述热红外遥感图像生成土壤水分估算模型；
处理单元，还用于依据预设的关联模型将所述作物综合长势模型与所述土壤水分估算模型进行关联分析。
9.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
CN202210864984.2A 2022-07-21 2022-07-21 一种农作物长势与土壤水分关联确定方法及相关装置 Active CN115015258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210864984.2A CN115015258B (zh) 2022-07-21 2022-07-21 一种农作物长势与土壤水分关联确定方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210864984.2A CN115015258B (zh) 2022-07-21 2022-07-21 一种农作物长势与土壤水分关联确定方法及相关装置

Publications (2)

Publication Number Publication Date
CN115015258A true CN115015258A (zh) 2022-09-06
CN115015258B CN115015258B (zh) 2023-06-27

Family

ID=83080160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210864984.2A Active CN115015258B (zh) 2022-07-21 2022-07-21 一种农作物长势与土壤水分关联确定方法及相关装置

Country Status (1)

Country Link
CN (1) CN115015258B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117169138A (zh) * 2023-11-02 2023-12-05 天津市农业发展服务中心 一种基于遥感数据的区域墒情监测方法
CN117592604A (zh) * 2023-11-22 2024-02-23 河北省农林科学院旱作农业研究所 一种水高效小麦品种无人机载遥感鉴定方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609148A (zh) * 2009-07-08 2009-12-23 北京农业信息技术研究中心 遥感影像数据处理和发布的方法
CN103839184A (zh) * 2014-02-21 2014-06-04 三峡大学 一种农作物群体长势多空间尺度自适应监测方法及装置
CN104614321A (zh) * 2015-01-20 2015-05-13 山东农业大学 一种基于光谱图像的作物长势实时监测方法
CN108195989A (zh) * 2018-02-01 2018-06-22 山西省医药与生命科学研究院 一种基于抗血栓谱效关系的黄刺玫化学成分评价方法
CN111624269A (zh) * 2020-05-26 2020-09-04 山东中医药大学附属医院 一种筛选桂枝茯苓丸中治疗子宫腺肌病药效物质的方法
CN112712071A (zh) * 2021-03-26 2021-04-27 北京简巨科技有限公司 作物长势检测方法及其相关设备
CN114676636A (zh) * 2022-04-01 2022-06-28 自然资源部国土卫星遥感应用中心 一种综合植被和生境特征的草原区土壤水分快速反演方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609148A (zh) * 2009-07-08 2009-12-23 北京农业信息技术研究中心 遥感影像数据处理和发布的方法
CN103839184A (zh) * 2014-02-21 2014-06-04 三峡大学 一种农作物群体长势多空间尺度自适应监测方法及装置
CN104614321A (zh) * 2015-01-20 2015-05-13 山东农业大学 一种基于光谱图像的作物长势实时监测方法
CN108195989A (zh) * 2018-02-01 2018-06-22 山西省医药与生命科学研究院 一种基于抗血栓谱效关系的黄刺玫化学成分评价方法
CN111624269A (zh) * 2020-05-26 2020-09-04 山东中医药大学附属医院 一种筛选桂枝茯苓丸中治疗子宫腺肌病药效物质的方法
CN112712071A (zh) * 2021-03-26 2021-04-27 北京简巨科技有限公司 作物长势检测方法及其相关设备
CN114676636A (zh) * 2022-04-01 2022-06-28 自然资源部国土卫星遥感应用中心 一种综合植被和生境特征的草原区土壤水分快速反演方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FANG HONGLIANG等: "New insights of global vegetation structural properties through an analysis of canopy clumping index, fractional vegetation cover, and leaf area index", SCIENCE OF REMOTE SENSING, vol. 4, pages 1 - 15 *
PAUL D. COLAIZZI等: "Estimating Soil Moisture Under Low Frequency Surface Irrigation Using Crop Water Stress Index", vol. 129, no. 1, pages 354 - 35 *
Y. COHEN等: "Estimation of leaf water potential by thermal imagery and spatial analysis", vol. 56, no. 417, pages 1843 - 1852 *
裴浩杰等: "基于综合指标的冬小麦长势无人机遥感监测", vol. 33, no. 20, pages 74 - 82 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117169138A (zh) * 2023-11-02 2023-12-05 天津市农业发展服务中心 一种基于遥感数据的区域墒情监测方法
CN117169138B (zh) * 2023-11-02 2024-01-09 天津市农业发展服务中心 一种基于遥感数据的区域墒情监测方法
CN117592604A (zh) * 2023-11-22 2024-02-23 河北省农林科学院旱作农业研究所 一种水高效小麦品种无人机载遥感鉴定方法

Also Published As

Publication number Publication date
CN115015258B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
US20230316555A1 (en) System and Method for Image-Based Remote Sensing of Crop Plants
Lu et al. Improved estimation of aboveground biomass in wheat from RGB imagery and point cloud data acquired with a low-cost unmanned aerial vehicle system
US11521380B2 (en) Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron
CN110414738B (zh) 一种农作物产量预测方法及系统
CN111461052A (zh) 基于迁移学习的多个生育期小麦倒伏区域识别方法
CN115015258B (zh) 一种农作物长势与土壤水分关联确定方法及相关装置
CN111289441B (zh) 多光谱下的大田作物含水量确定方法、系统及设备
CN109726705B (zh) 红树林信息的提取方法、装置及电子设备
CN113029971B (zh) 一种作物冠层氮素监测方法及系统
CN112345458A (zh) 一种基于无人机多光谱影像的小麦产量估测方法
CN115481368B (zh) 一种基于全遥感机器学习的植被覆盖度估算方法
US6990410B2 (en) Cloud cover assessment: VNIR-SWIR
Zhang et al. Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images
CN107895136B (zh) 一种煤矿区域识别方法及系统
CN114219847B (zh) 基于物候特征的作物种植面积确定方法、系统及存储介质
CN110647932B (zh) 一种种植作物结构遥感影像分类方法及装置
US11594015B1 (en) Detecting changes in forest composition
Liu et al. Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data
CN114199800A (zh) 一种水稻纹枯病识别方法、系统、设备及介质
Gauci et al. A Machine Learning approach for automatic land cover mapping from DSLR images over the Maltese Islands
Ashaari et al. Comparison of model accuracy in tree canopy density estimation using single band, vegetation indices and forest canopy density (FCD) based on Landsat-8 imagery (case study: Peat Swamp Forest in Riau Province)
CN112991425B (zh) 一种水域水位提取方法、系统及存储介质
US11222206B2 (en) Harvest confirmation system and method
CN113884444A (zh) 模型建立方法、预测spad值的方法、装置及电子设备
US20240035962A1 (en) Detecting changes in forest composition

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