CN115372284B - 一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的方法 - Google Patents

一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的方法 Download PDF

Info

Publication number
CN115372284B
CN115372284B CN202211314999.8A CN202211314999A CN115372284B CN 115372284 B CN115372284 B CN 115372284B CN 202211314999 A CN202211314999 A CN 202211314999A CN 115372284 B CN115372284 B CN 115372284B
Authority
CN
China
Prior art keywords
model
radiation
scattering
data
proportion
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
CN202211314999.8A
Other languages
English (en)
Other versions
CN115372284A (zh
Inventor
李文娟
吴文斌
余强毅
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.)
Institute of Agricultural Resources and Regional Planning of CAAS
Original Assignee
Institute of Agricultural Resources and Regional Planning of CAAS
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 Institute of Agricultural Resources and Regional Planning of CAAS filed Critical Institute of Agricultural Resources and Regional Planning of CAAS
Priority to CN202211314999.8A priority Critical patent/CN115372284B/zh
Publication of CN115372284A publication Critical patent/CN115372284A/zh
Application granted granted Critical
Publication of CN115372284B publication Critical patent/CN115372284B/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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
    • G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Dispersion Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提出一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的方法，包括：基于多年历史总PAR观测数据和IOT上的PAR传感器的实测入射PAR数据，估算IOT实时PAR的散射比例；针对S1得到的IOT实时PAR的散射比例，建立每个波段的散射比例和PAR的散射比例的多元回归模型，使用多元回归模型估算微型光谱仪每个波段的散射比例；耦合冠层辐射传输模型和线性半经验核驱动模型，估算每天的绿色叶片叶面积指数、叶片叶绿素含量和冠层叶绿素含量。本发明在不使用辐射定标板的情况下，提取相对辐射数据进行参数的反演，突破了必须使用辐射定标板的局限，可以得到高精度、连续的农作物叶面积指数和叶绿素含量。

Description

一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿 素含量的方法
技术领域
本发明涉及反演技术领域，更具体地，涉及一种基于微型光谱仪连续观测提取农作物叶面积指数和叶绿素含量的方法。
背景技术
获取每日连续农作物参数，对于农田的智能化管理十分重要。农作物叶面积指数、叶绿素含量是其中最为重要的两个参数，他们与农田施肥密切相关。目前，可以使用手持仪器或者搭载在多种遥感平台上的传感器测量叶面积指数和叶绿素含量。但是，手持仪器需要耗费大量的人力，难以获取每日连续的数据。基于无人机、卫星等遥感平台的传感器，则会受到云、雨等天气状况的影响，难以获取连续数据。搭载在地面物联网IOT上的传感器则可以突破天气状况的影响，可以获取每日连续的观测数据。目前常见的搭载在IOT上的传感器主要是RGB相机，可以使用简单的孔隙率原理计算出叶面积指数，然而计算叶绿素含量需要用更多的波段，仅从RGB图像中很难准确计算出叶绿素含量，进而影响农作物氮含量的计算，影像施肥决策。因此，亟需发展可以从地面IOT搭载的传感器上同步提取叶面积指数和叶绿素含量的算法。另外，当前的算法主要是从一天内某一时刻获取的数据提取参数，并未考虑一天之内冠层的辐射和反射率变化，会对叶面积指数和叶绿素含量的计算造成一定误差。
发明内容
针对背景技术中的问题，本发明提出一种基于微型光谱仪连续观测提取农作物叶面积指数和叶绿素含量的方法，包括：
S1，基于多年历史总PAR观测数据和IOT上的PAR传感器的实测入射PAR数据，估算IOT实时PAR的散射比例；
S2，针对S1得到的IOT实时PAR的散射比例，建立每个波段的散射比例和PAR的散射比例的多元回归模型，使用所述多元回归模型估算微型光谱仪每个波段的散射比例；
S3，耦合冠层辐射传输模型和线性半经验核驱动模型，估算每天的绿色叶片叶面积指数、叶片叶绿素含量和冠层叶绿素含量。
本发明还提出一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的系统，其特征在于，包括处理器，所述处理器能够实现如前所述的方法。
在本发明中，使用微型光谱仪，在不使用辐射定标板的情况下，提取相对辐射数据进行参数的反演，突破了以往必须使用辐射定标板计算绝对反射率进行反演的局限。在参数反演过程中，考虑了一天内不同天气情况下所有的太阳入射辐射，即直射辐射和散射辐射，而不是假设散射辐射为0。本发明利用气象站提供的历史多年的太阳总辐射、散射辐射数据，创新性地使用反向传播神经网络训练学习方法，输入IOT实测的太阳总辐射，反演计算得到实时的散射辐射，进而计算出散射比例。
本发明可以同时获取每日叶面积指数和叶绿素含量，不仅时间连续，而且精度高。更具体的创新点还包括：
1) 使用微型光谱仪，在不使用辐射定标板的情况下，提取相对辐射数据进行参数的反演，突破了以往必须使用辐射定标板计算绝对反射率进行反演的局限。
2) 参数反演过程中，考虑了一天内不同天气情况下所有的太阳入射辐射，即直射辐射和散射辐射，而不是假设散射辐射为0。
3) 利用气象站提供的历史多年的太阳总辐射、散射辐射数据，创新性地使用反向传播神经网络训练学习方法，输入IOT实测的太阳总辐射，反演计算得到实时的散射辐射，进而计算出散射比例。
4) 改进已有的冠层辐射传输模型，建立考虑散射比例的辐射传输模型，并计算相对反射率。
5) 耦合冠层辐射传输模型和线性半经验核驱动模型，将模型训练的相对反射率和地面观测的相对辐射数据，分别由线性半经验核驱动模型表达，通过反演权重系数的方式，考虑一天内的反射率和辐射变化。
6)基于耦合后的模型考虑每日的太阳辐射变化，建立反向传播神经网络，实现每日连续叶面积指数和叶绿素含量的同步估算，为农田智慧管理提供必要的输入数据。
附图说明
为了更容易理解本发明，将通过参照附图中示出的具体实施方式更详细地描述本发明。这些附图只描绘了本发明的典型实施方式，不应认为对本发明保护范围的限制。
图1为本发明的方法的一个实施例的流程图。
图2为本发明的方法的另一个实施例的流程图。
图3为本发明的方法的实验效果图。
具体实施方式
下面参照附图描述本发明的实施方式，以便于本领域的技术人员可以更好的理解本发明并能予以实施，但所列举的实施例不作为本发明的限定，在不冲突的情况下，下述的实施例及实施例中的技术特征可以相互组合，其中相同的部件用相同的附图标记表示。
在本发明中，采用了地面物联网IOT设备。IOT上搭载有：微型光谱仪和测量PAR（光合有效辐射）的PAR传感器。
如图1-2所示，本发明的方法包括S1-S5。
S1，基于多年历史总PAR观测数据和IOT上PAR传感器的实测入射PAR数据，估算IOT实时PAR的散射比例
Figure 970333DEST_PATH_IMAGE001
。更具体地，步骤S1包括S11-S12。
S11，太阳入射辐射分为直射PAR和由云等散射引起的散射PAR两部分。通过地面气象观测站获取多年总辐射PAR和散射PAR，作为输入数据来训练第一反向传播神经网络模型。优选地，还将如下数据输入到所述第一反向传播神经网络模型来对该模型进行训练：太阳天顶角和日地距离，多年历史PAR的散射比例。
反向传播神经网络模型是遥感领域常用的神经网络模型之一，适用于非线性问题的处理，具有功能稳定、结构原理易于理解、精度较高和容错率强的优势，因而本发明选择其进行参数反演。
S12，以地面IOT（物联网）上PAR传感器实测的入射PAR数据作为输入，通过已训练的第一反向传播神经网络模型反演得到散射PAR数据，通过散射PAR数据和所述入射PAR数据计算IOT实时PAR的散射比例
Figure 418632DEST_PATH_IMAGE002
。即，散射比例=散射PAR/入射PAR。
优选地，还将太阳天顶角和日地距离输入到以训练的第一反向传播神经网络模型进行反演。
S2，针对S1得到的实时PAR的散射比例
Figure 870473DEST_PATH_IMAGE003
，建立每个波段的散射比例和PAR的散射比例的多元回归模型，使用所述多元回归模型估算IOT的微型光谱仪每个波段
Figure 49038DEST_PATH_IMAGE004
的散射比例
Figure 801094DEST_PATH_IMAGE005
。更具体地，步骤S2包括S21-S23。
S21，使用大气辐射传输模型（优选使用6S大气辐射传输模型），模拟计算IOT上搭载的微型光谱仪的每个波段的散射比例，以及对应的PAR的散射比例。
S22，建立每个波段的散射比例和PAR的散射比例的一元线性或非线性回归模型。
具体来说，对每个波段的散射比例，以PAR的散射比例为自变量x，以该波段的散射比例为因变量y，使用最小二乘法建立二者间的正规方程，求解方程组系数得到回归方程的表达式。
通常是分别建立一元线性回归方程（y=ax+b）、一元非线性回归方程（y=anxn+an−1xn −1+......+a0x0，其中n代表阶数，大于等于2），进行拟合，将拟合后的估计的y值与实际的因变量y进行对比，计算二者间的相关系数，取其中相关系数最大的那个回归方程作为最终的方程。
如下为得到的一组一元回归模型关系实例，针对某研究区，经过测试，确定了
Figure 810507DEST_PATH_IMAGE006
与
Figure 608698DEST_PATH_IMAGE007
之间的一元五次关系式（如下表所示）。
Figure DEST_PATH_IMAGE008
S23，将此多元回归关系运用到步骤S12得到的实测PAR的散射比例上，进而计算得到实时的每个波段的散射比例。
S3，耦合冠层辐射传输模型和线性半经验核驱动模型，估算每天的绿色叶片叶面积指数GAI、叶片叶绿素含量LCC和冠层叶绿素含量CCC。更具体地，步骤S3包括S31-S35。可用的冠层辐射传输模型包括了一维冠层辐射传输模型PROSAIL、ACRM和SLC等。也可以使用三维冠层辐射传输模型，例如DART、Raytran等。
S31，按照模型的输入参数（例如冠层结构、生理参数与太阳、观测角度），自行设定每个参数的输入范围及步长，如叶面积指数设为0到7，步长是1，叶倾角设为30°-60°，步长为10°等，输入参数间自由组合，生成一个训练数据集，将每一组训练数据集输入到冠层辐射传输模型，模拟出IOT微型光谱仪对应波段的反射率。进一步，以多波段的反射率均值为分母，分别计算每个波段的相对反射率。
Figure 604336DEST_PATH_IMAGE009
其中，
Figure 474814DEST_PATH_IMAGE010
代表波段
Figure 140282DEST_PATH_IMAGE011
上的冠层辐射传输模型模拟反射率，或者IOT微型光谱仪实测的辐射，
Figure 347141DEST_PATH_IMAGE012
为太阳天顶角，
Figure 615311DEST_PATH_IMAGE013
为观测天顶角，
Figure 76380DEST_PATH_IMAGE014
为相对方位角，即太阳方位角减去观测方位角。
Figure 693175DEST_PATH_IMAGE015
代表相对值，即冠层辐射传输模型模拟的相对反射率，或者IOT微型光谱仪实测的相对辐射值。
S32，基于S31中得到的每日反射率，建立第一核驱动模型，并得到第一核驱动权重系数。
1）同时模拟一天内的多组数据，对每组数据给定一个PAR波段的散射比例，建立第一核驱动模型：
Figure 341325DEST_PATH_IMAGE016
其中，
Figure 147607DEST_PATH_IMAGE017
代表由线性半经验核驱动模型模拟得到的数据，
Figure 525499DEST_PATH_IMAGE018
和
Figure 516457DEST_PATH_IMAGE019
分别为各向同性散射、体散射与几何光学散射对应的权重系数。
Figure 776537DEST_PATH_IMAGE020
分别为体散射核与几何光学核。
2）对每一天的模拟数据，对第一核驱动模型使用优化算法，计算核驱动模型中的权重系数：
Figure 261876DEST_PATH_IMAGE021
其中，J代表优化算法的非线性函数关系表达式。
S33，以S32模拟得到的每个波段的第一核驱动模型权重系数为输入，以对应的GAI、LCC和CCC为输出，分别训练第二反向传播神经网络模型。
S34，对IOT地面实测的数据，采用S31-S32同样的方法，计算每日核驱动模型权重系数。具体包括：
1）基于IOT微型光谱仪每个波段散射比例，建立第二核驱动模型。第二核驱动模型与第一核驱动模型类型是相同的，区别是可以根据需要K值不同。
2）基于IOT微型光谱仪实测的辐射数据，对第二核驱动模型使用优化算法，计算每日核驱动模型权重系数。
S35，以S34得到的IOT实测的每日核驱动权重系数为输入，使用S33训练后的第二反向传播神经网络模型进行反演，分别得到每日GAI、LCC和CCC。
其中，第二反向传播神经网络模型可以与第一反向传播神经网络模型相同或不同。
本发明耦合了冠层辐射传输模型和线性半经验核驱动模型，将辐射传输模型训练的相对反射率和地面观测的相对辐射数据，分别由线性半经验核驱动模型表达，通过反演权重系数的方式，考虑一天内的反射率和辐射变化。基于耦合后的模型考虑每日的太阳辐射变化，建立反向传播神经网络，实现每日连续叶面积指数和叶绿素含量的同步估算，为农田智慧管理提供必要的输入数据。
图3中横坐标为地面验证数据，纵坐标为IOT反演得到的结果，三个子图分别代表了GAI、LCC和CCC的IOT反演结果与地面验证数据的对比。可以看出：经过地面验证数据集的验证，本发明可以得到高精度、连续的GAI、LCC和CCC。
以上所述的实施例，只是本发明较优选的具体实施方式，本说明书使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。

Claims (9)

1.一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的方法，其特征在于，包括：
S1，基于多年历史总光合有效辐射观测数据和地面物联网上的光合有效辐射传感器的实测入射光合有效辐射数据，估算地面物联网实时光合有效辐射的散射比例；
S2，针对S1得到的地面物联网实时光合有效辐射的散射比例，建立每个波段的散射比例和光合有效辐射的散射比例的多元回归模型，使用所述多元回归模型估算微型光谱仪每个波段的散射比例；
S3，耦合冠层辐射传输模型和线性半经验核驱动模型，估算每天的绿色叶片叶面积指数、叶片叶绿素含量和冠层叶绿素含量，包括：S31，将训练数据集输入到冠层辐射传输模型，模拟出地面物联网上的微型光谱仪对应波段的反射率；S32，基于S31中得到的每日反射率，建立第一核驱动模型，并得到第一核驱动权重系数；S33，以S32模拟得到的每个波段的第一核驱动模型权重系数为输入，以对应的绿色叶片叶面积指数、叶片叶绿素含量和冠层叶绿素含量为输出，分别训练第二反向传播神经网络模型；S34，对地面物联网地面实测的数据，采用S31-S32同样的方法，计算每日核驱动模型权重系数；S35，以S34得到的地面物联网实测的每日核驱动权重系数为输入，使用S33训练后的第二反向传播神经网络模型进行反演，分别得到每日绿色叶片叶面积指数、叶片叶绿素含量和冠层叶绿素含量。
2.根据权利要求1所述的方法，其特征在于，步骤S1包括：
S11，将多年历史总光合有效辐射和散射光合有效辐射，作为输入数据来训练第一反向传播神经网络模型；
S12，以所述实测入射光合有效辐射数据作为输入，通过已训练的第一反向传播神经网络模型反演得到散射光合有效辐射数据，通过散射光合有效辐射数据和所述实测入射光合有效辐射数据计算地面物联网实时光合有效辐射的散射比例。
3.根据权利要求2所述的方法，其特征在于，步骤S2包括：
S21，使用大气辐射传输模型模拟计算地面物联网上的微型光谱仪的每个波段的散射比例，以及对应的光合有效辐射的散射比例；
S22，建立每个波段的散射比例和光合有效辐射的散射比例的回归模型；
S23，将此回归模型运用到步骤S12得到的实测光合有效辐射的散射比例上，计算得到实时的每个波段的散射比例。
4.根据权利要求1所述的方法，其特征在于，步骤S32包括：
1）同时模拟一天内的多组数据，对每组数据给定一个光合有效辐射波段的散射比例，建立第一核驱动模型；
2）对每一天的模拟数据，对第一核驱动模型使用优化算法，计算核驱动模型中的权重系数。
5.根据权利要求4所述的方法，其特征在于，第一核驱动模型为：
Figure 456585DEST_PATH_IMAGE002
其中，
Figure 436042DEST_PATH_IMAGE003
代表由线性半经验核驱动模型模拟得到的数据，
Figure 543676DEST_PATH_IMAGE004
和
Figure 998272DEST_PATH_IMAGE005
分别为各向同性散射、体散射与几何光学散射对应的权重系数，
Figure 78224DEST_PATH_IMAGE006
和
Figure 228582DEST_PATH_IMAGE007
分别为体散射核与几何光学核。
6.根据权利要求5所述的方法，其特征在于，核驱动模型中的权重系数的计算公式为：
Figure 761195DEST_PATH_IMAGE009
其中，J代表优化算法的非线性函数关系表达式，
Figure 287991DEST_PATH_IMAGE010
代表波段
Figure 19187DEST_PATH_IMAGE011
上的冠层辐射传输模型模拟反射率，或者地面物联网微型光谱仪实测的辐射，
Figure 543709DEST_PATH_IMAGE012
为太阳天顶角，
Figure 563618DEST_PATH_IMAGE013
为观测天顶角，
Figure DEST_PATH_IMAGE014
为相对方位角，即太阳方位角减去观测方位角，
Figure 425263DEST_PATH_IMAGE015
代表冠层辐射传输模型模拟的相对反射率或者地面物联网微型光谱仪实测的相对辐射值。
7.根据权利要求2所述的方法，其特征在于，在步骤S12中，
还将太阳天顶角和日地距离输入到以训练的第一反向传播神经网络模型进行反演。
8.根据权利要求3所述的方法，其特征在于，建立回归模型的方法包括：
对每个波段的散射比例，以光合有效辐射的散射比例为自变量，以该波段的散射比例为因变量，使用最小二乘法建立二者间的正规方程，求解方程组系数得到回归方程的表达式，作为回归模型。
9.一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的系统，其特征在于，包括处理器，所述处理器能够实现如权利要求1-8中任一项所述的方法。
CN202211314999.8A 2022-10-26 2022-10-26 一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的方法 Active CN115372284B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211314999.8A CN115372284B (zh) 2022-10-26 2022-10-26 一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211314999.8A CN115372284B (zh) 2022-10-26 2022-10-26 一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的方法

Publications (2)

Publication Number Publication Date
CN115372284A CN115372284A (zh) 2022-11-22
CN115372284B true CN115372284B (zh) 2022-12-27

Family

ID=84072918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211314999.8A Active CN115372284B (zh) 2022-10-26 2022-10-26 一种基于微型光谱仪观测数据提取农作物叶面积指数和叶绿素含量的方法

Country Status (1)

Country Link
CN (1) CN115372284B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203679A (zh) * 2017-06-23 2017-09-26 国家海洋局第海洋研究所 一种高层建筑遮荫影响绿地光合固碳能力的评价方法
CN114819150A (zh) * 2022-06-28 2022-07-29 自然资源部第二海洋研究所 一种极地海洋冬季初级生产力遥感反演方法
CN114913406A (zh) * 2021-01-29 2022-08-16 南京农业大学 一种基于光学特性参数反演的叶绿素含量估测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0808340D0 (en) * 2008-05-08 2008-06-18 Univ Edinburgh Remote sensing system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203679A (zh) * 2017-06-23 2017-09-26 国家海洋局第海洋研究所 一种高层建筑遮荫影响绿地光合固碳能力的评价方法
CN114913406A (zh) * 2021-01-29 2022-08-16 南京农业大学 一种基于光学特性参数反演的叶绿素含量估测方法
CN114819150A (zh) * 2022-06-28 2022-07-29 自然资源部第二海洋研究所 一种极地海洋冬季初级生产力遥感反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
太阳辐射强度与观测角度对冬小麦冠层反射高光谱的影响;郭建茂等;《农业工程学报》;20160531;第32卷(第10期);第157-163页 *

Also Published As

Publication number Publication date
CN115372284A (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN109459392B (zh) 一种基于无人机多光谱影像的水稻地上部生物量估测方法
Pôças et al. Remote sensing for estimating and mapping single and basal crop coefficientes: A review on spectral vegetation indices approaches
CN109115725B (zh) 一种玉米冠层lai和叶绿素含量联合反演方法和设备
Duveiller et al. Retrieving wheat Green Area Index during the growing season from optical time series measurements based on neural network radiative transfer inversion
CN105004320B (zh) 一种高分卫星数据陆表植被覆盖度反演方法及系统
CN105608293B (zh) 融合光谱与纹理特征的森林地上生物量反演方法及系统
CN110222903B (zh) 一种基于无人机遥感的水稻产量预测方法及系统
CN108662991A (zh) 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法
Clevers et al. Using SPOT data for calibrating a wheat growth model under mediterranean conditions
CN104266982A (zh) 一种大面积虫害量化监测系统
CN112163375B (zh) 一种基于神经网络的长时间序列近地面臭氧反演方法
CN106845428A (zh) 一种作物产量遥感估算方法及系统
CN112287892A (zh) 基于无人机高光谱和机器学习算法的乔木生物量测算方法
CN109344550A (zh) 一种基于国产高分卫星遥感数据的森林蓄积量反演方法及系统
CN116665073A (zh) 一种基于多源数据的玉米产量遥感估测方法
Kuester et al. Simulation of multitemporal and hyperspectral vegetation canopy bidirectional reflectance using detailed virtual 3-D canopy models
CN110658211A (zh) 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法
Hmida et al. Crop biophysical properties estimation based on LiDAR full-waveform inversion using the DART RTM
CN110321774A (zh) 农作物灾情评估方法、装置、设备及计算机可读存储介质
CN106096656A (zh) 一种基于稀疏表示及bp神经网络技术的土壤近红外光谱分析方法
US20240167947A1 (en) CEEMDAN-based method for screening and monitoring soil moisture stress in agricultural fields
CN114460015A (zh) 一种用于预测寒地水稻冠层叶绿素含量的方法及模型
CN113553697A (zh) 基于长时序多源数据的煤炭开采植被扰动分析方法
CN111783538A (zh) 小麦生物量的遥感估算方法、装置、电子设备及存储介质
CN117876870B (zh) 一种基于多源遥感数据的农作物估产的方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant