CN116187100A - 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法 - Google Patents
一种结合作物生长模型估算玉米籽粒蛋白质含量的方法 Download PDFInfo
- Publication number
- CN116187100A CN116187100A CN202310450162.4A CN202310450162A CN116187100A CN 116187100 A CN116187100 A CN 116187100A CN 202310450162 A CN202310450162 A CN 202310450162A CN 116187100 A CN116187100 A CN 116187100A
- Authority
- CN
- China
- Prior art keywords
- lna
- lai
- image
- model
- measure
- 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
Links
- 240000008042 Zea mays Species 0.000 title claims abstract description 66
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 66
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 66
- 235000005822 corn Nutrition 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 25
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 16
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 8
- 238000009825 accumulation Methods 0.000 claims abstract description 4
- 208000036855 Left sided atrial isomerism Diseases 0.000 claims description 37
- 239000002689 soil Substances 0.000 claims description 14
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 4
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 229920001684 low density polyethylene Polymers 0.000 claims description 3
- 239000004702 low-density polyethylene Substances 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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
- G01N33/02—Food
- G01N33/10—Starch-containing substances, e.g. dough
-
- 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
-
- 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
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Mathematical Physics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Medicinal Chemistry (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及农业遥感领域，具体提供了一种结合作物生长模型估算玉米籽粒蛋白质含量的方法，包括如下步骤：S1：获取玉米生长周期内的时间序列数据、多期遥感数据及相应日期的玉米叶面积LAI和叶片氮累积量LNA；S2：构建基于遥感数据的LAI和LNA反演模型；S3：构建最小误差函数，最小误差函数中包括LAI和LNA；S4：引入DSSAT模型，将玉米基础参数输入至DSSAT模型进行模拟，并利用LAI、LNA结果与模型模拟结果相结合构建最小误差函数来判断是否达到了最优输入参数，最终得到最优输入参数对应的玉米籽粒蛋白质含量值。本方案通过将LAI和LNA结合构建误差函数并参与最优模型参数求解，可提高玉米籽粒蛋白质含量的估算精度。
Description
技术领域
本发明涉及农业遥感技术领域，尤其涉及一种结合作物生长模型估算玉米籽粒蛋白质含量的方法。
背景技术
玉米可作为粮食、饲料、油料、能源和制药企业的原料而被广泛使用，是一种重要的粮食作物，在我国甚至全世界都具有很高的经济利用价值。玉米在我国谷物增产总额中的贡献率为40％左右，在我国粮食和饲料生产中占有举足轻重的地位，然而受到玉米生产、加工成本高，高产优质玉米品种资源缺乏等因素的影响，我国每年的玉米进口量仍然逐年增加，蛋白质作为玉米籽粒的重要储存物质，直接影响玉米的产量和品质，因此提高玉米籽粒的蛋白质含量具有重要的经济价值和社会效益。
现有的玉米籽粒蛋白质估算方法多基于田间采样，或利用特定时期的遥感数据与实测玉米籽粒蛋白质含量数据进行统计分析，选取与玉米籽粒蛋白质含量相关的特征变量，进而建立起玉米籽粒蛋白质含量与特征遥感变量间的相关函数关系。现有的对玉米籽粒蛋白质含量进行遥感估产的方案主要存在如下不足：
1、仅仅依靠田间实测方法，对时间和劳动力的耗费较大，效率较低；
2、利用特定时期遥感数据所构建的蛋白质含量估算函数关系过于简单，其区域和年际扩展性差，玉米籽粒蛋白质含量的估算精度低。
综上所述，如何设计一种可结合作物生长模型估算玉米籽粒蛋白质含量的方法，以提高玉米籽粒蛋白质含量的估算精度，是当下亟需解决的问题。
发明内容
本发明为解决上述问题，提供了一种结合作物生长模型估算玉米籽粒蛋白质含量的方法，选择LAI和LNA两个指标作为重要指标来构建最小误差函数，同时结合多时间遥感数据、气象数据和土壤数据进行模拟，可得到最佳玉米籽粒蛋白质含量。
为达到上述目的，本发明提出如下技术方案：一种结合作物生长模型估算玉米籽粒蛋白质含量的方法，包括如下步骤：
S1：获取玉米生长周期内的时间序列数据、多期遥感数据及相应日期的玉米叶面积LAI和叶片氮累积量LNA；
S2：构建基于遥感数据的LAI和LNA反演模型；
S3：构建最小误差函数，最小误差函数中包括LAI和LNA；
S4：引入DSSAT模型，并玉米基础参数输入DSSAT模型进行模拟，并利用遥感数据反演的LAI、LNA结果与模型模拟结果相结合构建最小误差函数来判断是否达到了最优输入参数，最终得到最优输入参数对应的玉米籽粒蛋白质含量值。
优选的，步骤S3中的最小误差函数
如公式（1）所示：
其中，N代表遥感数据获取的次数；LAIsi即LAIsimulation，LAImi即LAIimage_measure_i，LAIsi和LAImi分别代表LAI的第i次模型模拟值和第i次遥感影像观测值；LNAsi即LNAsimulation，LNAmi即LNAimage_measure_i，LNAsi和LNAmi分别代表LNA的第i次模型模拟值和第i次遥感影像观测值。
优选的，LAImi和LNAmi由步骤S2中的反演模型得到，具体表示为公式（2）和公式（3）：
其中kLNA为LNA反演模型中的斜率，kLAI为LAI反演模型中的斜率；bLNA为LNA反演模型中的截距，bLAI为LAI反演模型中的截距；eLNA为LNA反演模型中的随机误差，eLAI为LAI反演模型中的随机误差；VI为遥感指数，VILAIbest_image_i和VILNAbest_image_i分别为与LAI和LNA相关性最高的遥感指数。
优选的，通过公式（2）和公式（3），分别计算所估算周期内每一天遥感影像的LAIimage_measure_i和LNAimage_measure_i，即计算出Image1、Image2、Image3、......、Imagen对应的LAIimage_measure_1、LAIimage_measure_2、LAIimage_measure3、......、LAIimage_measure_n和LNAimage_measure_1、LNAimage_measure_2、LNAimage_measure_3、......、LNAimage_measure_n。
优选的，步骤S4中，将玉米基础参数按照定量梯度取值输入DSSAT模型得到相应的模拟结果，并利用模拟得到的LAI、LNA结果与LAIimage_measure_1、LAIimage_measure_2、LAIimage_measure3、......、LAIimage_measure_n和LNAimage_measure_1、LNAimage_measure_2、LNAimage_measure_3、......、LNAimage_measure_n按公式（1）进行计算，直到筛选出误差函数最小值处所对应的最优输入参数。
优选的，时间序列数据包括气象数据和土壤数据；公式（1）中的LAIsi和LNAsi通过将气象数据、土壤数据和玉米品种数据输入DSSAT模型进行初始条件下玉米生长每日LAI和LNA含量的模拟得到。
优选的，气象数据包括日最高温度(Tmax, ℃)、日最低温度 (Tmin, ℃)、日降水(mm)和日照时数(h)。
优选的，土壤数据包括土壤的初始含碳量、含氮量和含水量。
优选的，多期遥感数据包括红（bandred）、绿（bandgreen）、蓝（bandblue）、近红外（bandnir red）在内的多个波段；VI为包括红（bandred）、绿（bandgreen）、蓝（bandblue）、近红外（bandnir red）在内的各波段组合数据。
优选的，步骤S1中遥感数据的遥感数据源为Landsat或Sentinel2。
本发明有益效果是：
1、本发明将多时间遥感数据、气象数据和土壤数据进行考虑和参与，并选择与玉米籽粒蛋白质含量相关的LAI和LNA两个指标作为重要指标构建反演模型，建立最小误差函数参与最优模型参数求解，与传统特定时期遥感数据所构建的玉米籽粒蛋白质含量估算函数模型相比，可更好的还原作物生长的真实状况，可对不同生长环境条件下的玉米籽粒蛋白质含量进行估算，提高玉米籽粒蛋白质含量的估算精度。
2、本发明中遥感数据的获取便利、作物生长模型模拟的机理强，结合两者的玉米籽粒蛋白质含量估算方法，能够解决人力物力的过度消耗问题。
附图说明
图1为本发明实施例提供的估算方法的整体流程图。
图2为本发明实施例提供的品质参数和生态参数表。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图1-2及具体实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，而不构成对本发明的限制。
一种结合作物生长模型估算玉米籽粒蛋白质含量的方法，包括如下步骤：
S1：获取玉米生长周期内的时间序列数据、多期遥感数据及相应日期的玉米叶面积LAI和叶片氮累积量LNA；遥感数据的遥感数据源为Landsat或Sentinel2。
多期遥感数据包括红（bandred）、绿（bandgreen）、蓝（bandblue）、近红外（bandnir red）在内的多个波段。
时间序列数据包括气象数据和土壤数据；气象数据包括日最高温度(Tmax, ℃)、日最低温度 (Tmin, ℃)、日降水(mm)和日照时数(h)；土壤数据包括土壤的初始含碳量、含氮量和含水量。
S2：构建基于遥感数据的LAI和LNA反演模型；具体表示为公式（2）和公式（3）：
其中kLNA为LNA反演模型中的斜率，kLAI为LAI反演模型中的斜率；bLNA为LNA反演模型中的截距，bLAI为LAI反演模型中的截距；eLNA为LNA反演模型中的随机误差，eLAI为LAI反演模型中的随机误差；VI为遥感指数，VILAIbest_image_i和VILNAbest_image_i分别为与LAI和LNA相关性最高的遥感指数；VI为包括红（bandred）、绿（bandgreen）、蓝（bandblue）、近红外（bandnir red）在内的各波段组合数据，VI可为VI1,VI2,VI3,......,VIn的多种，例如两两波段的比值VI1=bandnir red/bandred，或差值指数VI2=（bandnir red-bandred）/（bandnir red+bandred）。
通过公式（2）和公式（3），分别计算所估算周期内每一天遥感影像的LAIimage_measure_i和LNAimage_measure_i，即计算出Image1、Image2、Image3、......、Imagen对应的LAIimage_measure_1、LAIimage_measure_2、LAIimage_measure3、......、LAIimage_measure_n和LNAimage_measure_1、LNAimage_measure_2、LNAimage_measure_3、......、LNAimage_measure_n。具体的，LAIimage_measure_i为LAI的第i次遥感影像观测值，LNAimage_measure_i为LNA的第i次遥感影像观测值，通过公式（2）和公式（3）计算第一幅图Image1对应的LAIimage_measure_1和LNAimage_measure_1，计算第二幅图Image2对应的LAIimage_measure_2和LNAimage_measure_2，以此类推，计算第n幅图Imagen对应的LAIimage_measure_n和LNAimage_measure_n。
S3：构建最小误差函数，最小误差函数中包括LAI和LNA；最小误差函数
如公式（1）所示：
其中，N代表遥感数据获取的次数；LAIsi即LAIsimulation，LAImi即LAIimage_measure_i，LAIsi和LAImi分别代表LAI的第i次模型模拟值和第i次遥感影像观测值；LNAsi即LNAsimulation，LNAmi即LNAimage_measure_i，LNAsi和LNAmi分别代表LNA的第i次模型模拟值和第i次遥感影像观测值；LAIsi和LNAsi通过将气象数据中日最高温度(Tmax, ℃)、日最低温度(Tmin, ℃)、日降水(mm)、日照时数(h)和土壤数据中土壤的初始含碳量、含氮量和含水量均输入DSSAT模型中进行初始条件下玉米生长每日LAI和LNA含量的模拟得到。
S4：引入DSSAT模型，将玉米基础参数输入DSSAT模型进行模拟，并利用遥感数据反演的LAI、LNA结果与模型模拟结果相结合构建最小误差函数来判断是否达到了最优输入参数，最终得到最优输入参数对应的玉米籽粒蛋白质含量值，其中玉米基础参数包括玉米品种数据、玉米生态数据等多个参数，品种参数和生态参数具体如图2所示。
具体的，将玉米基础参数按照定量梯度取值输入DSSAT模型得到相应的模拟结果，并利用模拟得到的LAI、LNA结果与LAIimage_measure_1、LAIimage_measure_2、LAIimage_measure3、......、LAIimage_measure_n和LNAimage_measure_1、LNAimage_measure_2、LNAimage_measure_3、......、LNAimage_measure_n按公式（1）进行计算，直到筛选出误差函数最小值处所对应的最优输入参数。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制。本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
以上本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种结合作物生长模型估算玉米籽粒蛋白质含量的方法，其特征在于，包括如下步骤：
S1：获取玉米生长周期内的时间序列数据、多期遥感数据及相应日期的玉米叶面积LAI和叶片氮累积量LNA；
S2：构建基于遥感数据的LAI和LNA反演模型；
S3：构建最小误差函数，最小误差函数中包括LAI和LNA；
S4：引入DSSAT模型，将玉米基础参数输入DSSAT模型进行模拟，并利用遥感数据反演的LAI、LNA结果与模型模拟结果相结合构建最小误差函数来判断是否达到了最优输入参数，最终得到最优输入参数对应的玉米籽粒蛋白质含量值。
2.根据权利要求1所述的结合作物生长模型估算玉米籽粒蛋白质含量的方法，其特征在于，步骤S3中的最小误差函数
如公式（1）所示：
其中，N代表遥感数据获取的次数；LAIsi即LAIsimulation，LAImi即LAIimage_measure_i，LAIsi和LAImi分别代表LAI的第i次模型模拟值和第i次遥感影像观测值；LNAsi即LNAsimulation，LNAmi即LNAimage_measure_i，LNAsi和LNAmi分别代表LNA的第i次模型模拟值和第i次遥感影像观测值。
3.根据权利要求2所述的结合作物生长模型估算玉米籽粒蛋白质含量的方法，其特征在于，LAImi和LNAmi由步骤S2中的反演模型得到，具体表示为公式（2）和公式（3）：
其中kLNA为LNA反演模型中的斜率，kLAI为LAI反演模型中的斜率；bLNA为LNA反演模型中的截距，bLAI为LAI反演模型中的截距；eLNA为LNA反演模型中的随机误差，eLAI为LAI反演模型中的随机误差；VI为遥感指数，VILAIbest_image_i和VILNAbest_image_i分别为与LAI和LNA相关性最高的遥感指数。
4.根据权利要求3所述的结合作物生长模型估算玉米籽粒蛋白质含量的方法，其特征在于，通过公式（2）和公式（3），分别计算所估算周期内每一天遥感影像的LAIimage_measure_i和LNAimage_measure_i，即计算出Image1、Image2、Image3、......、Imagen对应的LAIimage_measure_1、LAIimage_measure_2、LAIimage_measure3、......、LAIimage_measure_n和LNAimage_measure_1、LNAimage_measure_2、LNAimage_measure_3、......、LNAimage_measure_n。
5.根据权利要求4所述的结合作物生长模型估算玉米籽粒蛋白质含量的方法，其特征在于，步骤S4中，将玉米基础参数按照定量梯度取值输入DSSAT模型得到相应的模拟结果，并利用模拟得到的LAI、LNA结果与LAIimage_measure_1、LAIimage_measure_2、LAIimage_measure3、......、LAIimage_measure_n和LNAimage_measure_1、LNAimage_measure_2、LNAimage_measure_3、......、LNAimage_measure_n按公式（1）进行计算，直到筛选出误差函数最小值处所对应的最优输入参数。
6.根据权利要求2-5中任一项所述的结合作物生长模型估算玉米籽粒蛋白质含量的方法，其特征在于，时间序列数据包括气象数据和土壤数据；公式（1）中的LAIsi和LNAsi通过将气象数据、土壤数据和玉米品种数据输入DSSAT模型进行初始条件下玉米生长每日LAI和LNA含量的模拟得到。
7.根据权利要求6所述的结合作物生长模型估算玉米籽粒蛋白质含量的方法，其特征在于，气象数据包括日最高温度(Tmax, ℃)、日最低温度 (Tmin, ℃)、日降水(mm)和日照时数(h)。
8.根据权利要求7所述的结合作物生长模型估算玉米籽粒蛋白质含量的方法，其特征在于，土壤数据包括土壤的初始含碳量、含氮量和含水量。
9.根据权利要求7所述的结合作物生长模型估算玉米籽粒蛋白质含量的方法，其特征在于，多期遥感数据包括红（bandred）、绿（bandgreen）、蓝（bandblue）、近红外（bandnir red）在内的多个波段；VI为包括红（bandred）、绿（bandgreen）、蓝（bandblue）、近红外（bandnir red）在内的各波段组合数据。
10.根据权利要求9所述的结合作物生长模型估算玉米籽粒蛋白质含量的方法，其特征在于，步骤S1中遥感数据的遥感数据源为Landsat或Sentinel2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310450162.4A CN116187100B (zh) | 2023-04-25 | 2023-04-25 | 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310450162.4A CN116187100B (zh) | 2023-04-25 | 2023-04-25 | 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116187100A true CN116187100A (zh) | 2023-05-30 |
| CN116187100B CN116187100B (zh) | 2023-07-04 |
Family
ID=86449299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310450162.4A Active CN116187100B (zh) | 2023-04-25 | 2023-04-25 | 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116187100B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117195609A (zh) * | 2023-11-08 | 2023-12-08 | 吉林大学 | 一种区域玉米植株氮营养匮缺的定量诊断方法 |
| CN117236070A (zh) * | 2023-11-08 | 2023-12-15 | 吉林大学 | 基于最佳产量的区域玉米植株磷需求量定量化获取方法 |
| CN117457066A (zh) * | 2023-12-26 | 2024-01-26 | 山东科技大学 | 一种省域尺度的冬小麦籽粒蛋白质含量预测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1704758A (zh) * | 2004-05-28 | 2005-12-07 | 北京农业信息技术研究中心 | 利用遥感和地理信息系统技术实现小麦品质监测预报方法 |
| CN102156128A (zh) * | 2010-04-17 | 2011-08-17 | 江苏省农业科学院 | 一种冬小麦籽粒蛋白质含量遥感监测预报方法 |
| CN103913425A (zh) * | 2014-04-17 | 2014-07-09 | 河南农业大学 | 基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法 |
| CN109115725A (zh) * | 2018-06-14 | 2019-01-01 | 中国农业大学 | 一种玉米冠层lai和叶绿素含量联合反演方法和设备 |
| CN109920472A (zh) * | 2019-01-07 | 2019-06-21 | 北京农业信息技术研究中心 | 一种籽粒蛋白质含量的预测方法及装置 |
| CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
| CN112418073A (zh) * | 2020-11-19 | 2021-02-26 | 安徽农业大学 | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 |
| CN112667955A (zh) * | 2020-12-24 | 2021-04-16 | 青岛大学 | 基于遥感估算区域尺度玉米潜在产量与产量差的方法与应用 |
| CN112834442A (zh) * | 2021-01-04 | 2021-05-25 | 四川大学 | 基于多光谱数据的大区域尺度作物生长实时监测方法 |
| CN115392016A (zh) * | 2022-08-20 | 2022-11-25 | 甘肃农业大学 | 一种基于遥感数据同化的青贮玉米生长发育预测方法 |
| CN115439402A (zh) * | 2022-07-05 | 2022-12-06 | 中国科学院空天信息创新研究院 | 基于SAFY-Sugar模型的糖料蔗单产遥感估算方法和装置 |
| CN115619583A (zh) * | 2022-10-19 | 2023-01-17 | 中国气象局沈阳大气环境研究所 | 一种复合农业气象灾害监测指标体系的构建方法 |
-
2023
- 2023-04-25 CN CN202310450162.4A patent/CN116187100B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1704758A (zh) * | 2004-05-28 | 2005-12-07 | 北京农业信息技术研究中心 | 利用遥感和地理信息系统技术实现小麦品质监测预报方法 |
| CN102156128A (zh) * | 2010-04-17 | 2011-08-17 | 江苏省农业科学院 | 一种冬小麦籽粒蛋白质含量遥感监测预报方法 |
| CN103913425A (zh) * | 2014-04-17 | 2014-07-09 | 河南农业大学 | 基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法 |
| CN109115725A (zh) * | 2018-06-14 | 2019-01-01 | 中国农业大学 | 一种玉米冠层lai和叶绿素含量联合反演方法和设备 |
| CN109920472A (zh) * | 2019-01-07 | 2019-06-21 | 北京农业信息技术研究中心 | 一种籽粒蛋白质含量的预测方法及装置 |
| CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
| CN112418073A (zh) * | 2020-11-19 | 2021-02-26 | 安徽农业大学 | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 |
| CN112667955A (zh) * | 2020-12-24 | 2021-04-16 | 青岛大学 | 基于遥感估算区域尺度玉米潜在产量与产量差的方法与应用 |
| CN112834442A (zh) * | 2021-01-04 | 2021-05-25 | 四川大学 | 基于多光谱数据的大区域尺度作物生长实时监测方法 |
| CN115439402A (zh) * | 2022-07-05 | 2022-12-06 | 中国科学院空天信息创新研究院 | 基于SAFY-Sugar模型的糖料蔗单产遥感估算方法和装置 |
| CN115392016A (zh) * | 2022-08-20 | 2022-11-25 | 甘肃农业大学 | 一种基于遥感数据同化的青贮玉米生长发育预测方法 |
| CN115619583A (zh) * | 2022-10-19 | 2023-01-17 | 中国气象局沈阳大气环境研究所 | 一种复合农业气象灾害监测指标体系的构建方法 |
Non-Patent Citations (7)
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117195609A (zh) * | 2023-11-08 | 2023-12-08 | 吉林大学 | 一种区域玉米植株氮营养匮缺的定量诊断方法 |
| CN117236070A (zh) * | 2023-11-08 | 2023-12-15 | 吉林大学 | 基于最佳产量的区域玉米植株磷需求量定量化获取方法 |
| CN117195609B (zh) * | 2023-11-08 | 2024-01-26 | 吉林大学 | 一种区域玉米植株氮营养匮缺的定量诊断方法 |
| CN117236070B (zh) * | 2023-11-08 | 2024-01-30 | 吉林大学 | 基于最佳产量的区域玉米植株磷需求量定量化获取方法 |
| CN117457066A (zh) * | 2023-12-26 | 2024-01-26 | 山东科技大学 | 一种省域尺度的冬小麦籽粒蛋白质含量预测方法 |
| CN117457066B (zh) * | 2023-12-26 | 2024-03-15 | 山东科技大学 | 一种省域尺度的冬小麦籽粒蛋白质含量预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116187100B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116187100B (zh) | 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法 | |
| CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
| CN110222475B (zh) | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 | |
| CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
| CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
| Vazifedoust et al. | Increasing water productivity of irrigated crops under limited water supply at field scale | |
| CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
| CN105445229B (zh) | 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法 | |
| CN106600434A (zh) | 基于作物模型与同化技术的作物长势遥感监测方法 | |
| CN107505271B (zh) | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 | |
| CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
| CN105675821B (zh) | 一种作物氮素营养无损诊断的图像评价指标的建立方法 | |
| CN113268703B (zh) | 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法 | |
| CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
| CN111241912A (zh) | 一种基于机器学习算法的多植被指数的水稻产量估测方法 | |
| CN104502283A (zh) | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 | |
| CN110569605B (zh) | 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法 | |
| CN110909933A (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
| Yang et al. | Climate change effects on wheat yield and water use in oasis cropland | |
| CN103971199B (zh) | 一种大范围农作物长势的遥感评级方法 | |
| CN112986158B (zh) | 基于无人机多光谱数据的甜菜氮素营养检测方法及系统 | |
| CN111751376A (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
| CN106018284A (zh) | 一种作物长势定量遥感监测方法及系统 | |
| CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
| CN108427862B (zh) | 基于图像分析的多品种全生育期棉花生物量无损测量方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |