CN116187859A - 灌区农作物低温冷害监测与诊断方法、装置、设备及介质 - Google Patents
灌区农作物低温冷害监测与诊断方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116187859A CN116187859A CN202310227943.7A CN202310227943A CN116187859A CN 116187859 A CN116187859 A CN 116187859A CN 202310227943 A CN202310227943 A CN 202310227943A CN 116187859 A CN116187859 A CN 116187859A
- Authority
- CN
- China
- Prior art keywords
- farmland
- temperature
- crops
- data
- low
- 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
Links
- 230000002595 cold damage Effects 0.000 title claims abstract description 84
- 230000002262 irrigation Effects 0.000 title claims abstract description 72
- 238000003973 irrigation Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 69
- 208000009084 Cold Injury Diseases 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 28
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 28
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 201000009240 nasopharyngitis Diseases 0.000 claims description 3
- 230000005855 radiation Effects 0.000 abstract description 7
- 230000035479 physiological effects, processes and functions Effects 0.000 abstract description 3
- 239000003570 air Substances 0.000 description 76
- 230000002354 daily effect Effects 0.000 description 59
- 238000004590 computer program Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 11
- 239000002689 soil Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 240000008042 Zea mays Species 0.000 description 8
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 8
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 8
- 235000005822 corn Nutrition 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000012952 Resampling Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 238000012958 reprocessing Methods 0.000 description 2
- 230000003938 response to stress Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 208000003643 Callosities Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及一种灌区农作物低温冷害监测与诊断方法、装置、设备及介质，包括：采集灌区农田多源数据；基于农田多源数据计算关键指标，其中，关键指标包括：陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF和太阳赤纬δ；将计算得到的关键指标通过预先构建的灌区农田空气温度估算模型计算得到农田日平均空气温度，并基于农田作物的低温冷害判定标准进行农田作物低温冷害的监测及诊断。本发明能够基于灌区农田作物生长实际情况，利用多源遥感数据，综合考虑地表温度、作物长势、冠层生理、太阳辐射等多因子影响，对灌区农田空气温度进行精确估算，具有较强的可操作性，实用性强，便于推广。
Description
技术领域
本发明是关于一种灌区农作物低温冷害监测与诊断方法、装置、设备及介质，涉及灌区灌溉管理和农业气象灾害领域。
背景技术
近年来，受全球气候变化影响，极端灾害事件(例如：极端高温、低温、干旱、降水等)频繁发生，对农作物生长、生理发育及最终产量产生较大影响。其中，低温冷害是影响农作物高效生产的常见自然灾害之一，其危害主要通过延缓作物的发育速度、降低作物的生物量(例如：株高、叶面积、分蘖数等)、损害作物的生殖器官而影响正常结实等造成作物减产。加强农作物低温冷害实时监测与诊断，是抵御农业气象灾害、保障粮食安全的关键环节。大型灌区和现代化农场是保证粮食安全的主战场。区域尺度低温冷害监测与诊断研究，通常是基于空气温度的精确估算与确定相应的低温冷害判定标准而开展，其关键问题是灌区农田空气温度Ta的精确估算。以往经常利用国家气象网站所述的气象站点监测与空间插值技术，实现区域尺度的空气温度估算。然而受气象站点布设密度、相关参数时空差异等因素影响，尤其是国家气象网站布设位置往往不是在农田内部，上述方法估算的空气温度不能精确代表灌区农田实际状况，在空间异质性较大的地区其精度更是无法保障。另外，由于灌区面积巨大且种植结构复杂，通过增设和密布农田气象站点可提高数据精度，但由于需要巨大的经济投入而很难实现。
遥感技术为大尺度范围内农田空气温度估算提供了一种快速、有效的手段。遥感监测数据产品地表温度LST联结了陆地-大气之间的能量交换过程，是热红外遥感领域指征由太阳辐射驱动能量平衡过程的良好指标，可用于估算空气温度。基于LST的空气温度估算方法主要包括：温度-植被指数法、能量平衡法、统计方法等。其中，温度-植被指数法是基于一定植被覆盖度下的植被辐射温度与周围空气温度相当的假设，利用植被指数和地表温度的负相关关系获得空气温度，但是该方法受当地季节、生态系统类型、土壤水分等影响较大，普适性相对较差。能量平衡法基于热力学原理，认为地表净辐射为土壤热通量、感热通量和潜热通量的总和，但是该方法需要大量参数，参数获取不便。统计方法考虑了较多的影响因素，准确性相对较高，但是仍缺少对农作物生理过程影响的考虑，估算结果对于农田作物环境的指向性和作物对气象灾害响应的实时性相对较差。
综上，现有基于LST的空气温度估算方法，考虑的影响因子包括了“绿度”植被指数、太阳天顶角、经度、纬度、海拔等。这些参数虽然可以在一定程度上表征不同因素对低温冷害的响应状况，但是并非专门针对农作物环境而开展，并且影响因子中缺乏关于作物冠层生理作用对温度胁迫响应状况的考虑，导致结果实时性差，不能准确、及时地反应灌区农田作物遭遇低温冷害的时间、范围和程度。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，针对上述问题，本发明的目的是提供一种能够对灌区农田空气温度进行精确估算且能够对灌区农田作物低温冷害程度进行实时监测与诊断的灌区农作物低温冷害监测与诊断方法、装置、设备及介质。
为了实现上述发明目的，本发明采用的技术方案为：
第一方面，本发明提供的一种灌区农作物低温冷害监测与诊断方法，包括：
采集灌区农田多源数据；
基于农田多源数据计算关键指标，其中，关键指标包括：陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF和太阳赤纬δ；
将计算得到的关键指标通过预先构建的灌区农田空气温度估算模型计算得到农田日平均空气温度，并基于农田作物的低温冷害判定标准进行农田作物低温冷害的监测及诊断。
进一步地，灌区农田多源数据包括遥感数据和时间序列数据；
遥感数据包括Landsat 8、MOD11A2/MOD11A1、MOD13A2、GOSIF数据；
时间序列数据包括儒略日J。
进一步地，计算关键指标，包括：
利用增强型自适应反射率时空融合模型ESTARFM分别融合基于Landsat 8反演的LST/EVI与MOD11A2-LST/MOD13A2-EVI获取高时空分辨率的陆地表面温度LST和增强型植被指数EVI数据；
利用GOSIF数据获取日光诱导叶绿素荧光SIF数据；
根据儒略日J计算太阳赤纬δ数据。
进一步地，建立的灌区农田空气温度估算模型为：
Ta＝a*LST+b*EVI+c*SIF+d*δ+e
式中，Ta为农田日平均空气温度，a、b、c、d、e为待定系数。
进一步地，农田作物的低温冷害包括障碍型、延迟型或混合型。
进一步地，障碍型低温冷害的判定标准为：抽雄期连续3日平均气温≤18℃，灌浆乳熟期连续3日平均气温≤16℃；
延迟型低温冷害的判定标准为：≥10℃的积温距平值在-70℃·d到-120℃·d时为一般低温冷害年，低于-120℃·d为严重冷害年；
混合型低温冷害的判定标准为：障碍型低温冷害、延迟型低温冷害在同一个生育期同时或接连发生；
其中，≥10℃的积温距平的计算方法为：
式中，CDD为≥10℃的积温距平；Tai为第i天≥10℃的日均温；
为日均温≥10℃活动积温的常年平均值，n为总天数。
进一步地，还包括获取参数的敏感性的步骤，包括：将陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF、太阳赤纬δ和农田日平均空气温度Ta数据输入IBMSPSS Amos 26Graphics软件，进行通径分析输出各参数对农田日平均空气温度Ta的直接作用和间接作用，获取参数的敏感性。
第二方面，本发明还提供一种灌区农作物低温冷害监测与诊断装置，该装置包括：
多源数据采集模块，被配置为采集灌区农田多源数据；
指标计算模块，被配置为基于农田多源数据计算关键指标，其中，关键指标包括：陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF、太阳赤纬δ；
灾害诊断模块，被配置为将计算得到的关键指标通过预先构建的灌区农田空气温度估算模型计算得到农田日平均空气温度，并基于农田作物的低温冷害判定标准实现农田作物低温冷害的监测及诊断。
第三方面，本发明还提供一种电子设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述方法中的任一方法的指令。
第四方面，本发明还提供一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述方法中的任一方法。
本发明由于采取以上技术方案，其具有以下特点：
1、本发明能够基于灌区农田作物生长实际情况，利用多源遥感数据，综合考虑地表温度、作物长势、冠层生理、太阳辐射等多因子影响，对灌区农田空气温度进行精确估算；同时结合相应农田作物的低温冷害判定标准，实现灌区农田作物低温冷害程度的监测与诊断，为灌区抵御和控制农业气象灾害提供科学依据与技术支撑；另外，本发明中使用的所有参数即：陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF、太阳赤纬δ都比较容易获得，预测方法简单，数据获取方便，无需专业的技术团队与业务培训，具有较强的可操作性，实用性强，便于推广。
2、与现有技术相比，本发明基于灌区农田作物生长实际情况，考虑了灌区真实的农田生长环境与作物冠层生理响应，能够针对灌区农田作物开展大面积、实时、快速的低温冷害监测与诊断，具有较好的实用性。
3、与现有技术相比，本发明提出的灌区农田空气温度估算模型经过灌区长时间序列实测资料率定和校验，所预测的结果准确，精度大大提升，能更好的服务于灾害防御和农业生产。
综上，本发明能够广泛应用于灌区农田作物低温冷害程度的监测与诊断中。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
图1是本发明一实施例的灌区农田玉米低温冷害监测与诊断方法流程图。
图2是本发明一实施例的灌区农田空气温度估算模型率定和验证方法流程图。
图3是本发明一实施例的玉米低温冷害判定标准示意图。
图4是本发明一实施例的电子设备结构图。
具体实施方式
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
由于以往进行区域空气温度估算并非专门针对农田作物环境而开展，并且影响因子中缺乏关于作物冠层生理作用对温度胁迫响应状况的考虑，导致结果实时性差，不能准确、及时地反应灌区农田作物遭遇低温冷害的时间、范围和程度。本发明提供一种灌区农作物低温冷害监测与诊断方法、装置、设备及介质，包括：采集灌区农田多源数据；基于农田多源数据计算关键指标，其中，关键指标包括：陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF和太阳赤纬δ；将计算得到的关键指标通过预先构建的灌区农田空气温度估算模型计算得到农田日平均空气温度，并基于农田作物的低温冷害判定标准进行农田作物低温冷害的监测及诊断。本发明能够基于灌区农田作物生长实际情况，利用多源遥感数据，综合考虑地表温度、作物长势、冠层生理、太阳辐射等多因子影响，对灌区农田空气温度进行精确估算。
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例一：本实施例提供的灌区农作物低温冷害监测与诊断方法，包括：
S1、采集灌区农田多源数据
具体地，采集的灌区农田多源数据包括地面数据、遥感数据和时间序列数据。
地面数据包括农田日平均空气温度Ta、农田作物冠层温度Tc和土壤温度Ts。
遥感数据包括Landsat 8、MOD11A2/MOD11A1、MOD13A2、GOSIF，其中，Landsat8需要经过辐射定标、大气校正、图形镶嵌、图形裁剪等预处理，MOD11A2/MOD11A1、MOD13A2需要经过格式转换、投影转换、重采样、图形裁剪等预处理，GOSIF需要经过投影转换、重采样、图形裁剪等预处理，使其坐标系统、空间分辨率、空间范围等互相匹配一致。
时间序列数据包括儒略日J。
S2、计算关键指标
具体地，计算关键指标包括：
S21、基于垂直温度梯度，利用土壤温度Ts获取监测点农田平均空气温度Ta；
S22、利用增强型自适应反射率时空融合模型ESTARFM分别融合基于Landsat 8反演的LST/EVI与MOD11A2-LST/MOD13A2-EVI获取高时空分辨率的陆地表面温度LST/增强型植被指数EVI数据，包括：
利用待预测时期前、后两个时期基于Landsat 8遥感影像反演的LST/EVI数据和MOD11A2-LST/MOD13A2-EVI数据以及待预测时期的MOD11A2-LST/MOD13A2-EVI数据，模拟出待预测时期8天时间尺度、30m空间分辨率的LST数据和16天时间尺度、30m空间分辨率的EVI数据，融合操作在ENVI/IDL环境下完成，以此为例，不限于此。
S23、利用GOSIF数据获取日光诱导叶绿素荧光SIF数据。
具体地，SIF是植被在光合中心发射出的光谱信号(650-800nm)，具有红光(690nm)和近红外(740nm)两个波峰，能够直接反应植被实际光合作用的动态变化，对环境胁迫的响应更加迅速、敏捷。本实施例将该参数引入灌区农田空气温度估算模型可以实时反应灌区农田作物遭遇低温冷害前后的光合作用变化。
S24、根据儒略日J计算太阳赤纬δ数据。
式中，δ为太阳赤纬数据。
S3、建立灌区农田空气温度估算模型
具体地，根据农田日平均空气温度Ta、陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF、太阳赤纬δ数据，基于多元线性回归(MLR)方法，建立灌区农田空气温度估算模型，并率定模型参数及验证模型精度。
进一步地，所建立的灌区农田空气温度估算模型为：
Ta＝a*LST+b*EVI+c*SIF+d*δ+e
式中，a、b、c、d、e为待定系数。
更进一步地，待定系数a、b、c、d、e通过以下方式获得：
利用ArcGIS软件对遥感影像的栅格数据—陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF进行采样，获取对应监测点位置的像元值，结合计算获取的太阳赤纬δ与实测的农田日平均空气温度Ta，代入灌区农田空气温度估算模型，得到模型中的系数值a、b、c、d、e。
进一步，需要采用另外的观测数据对灌区农田空气温度估算模型进行验证，若符合预设精度要求则验证通过，若不符合要求则重新采集数据，重新建立相应模型。
S4、根据相应农田作物的低温冷害判定标准，实现农田作物低温冷害的发生时间、范围与程度的监测及诊断。
具体地，将灌区农田空气温度估算模型应用于灌区农田作物低温冷害监测与诊断，通过输入研究区每日陆地表面温度LST、每日增强型植被指数EVI、每日日光诱导叶绿素荧光SIF、每日太阳赤纬δ数据，逐日、逐像元计算农田日平均空气温度Ta，同时结合相应农田作物的低温冷害判定标准，即可监测、诊断灌区农田作物低温冷害的发生时间、范围与程度。
其中，每日陆地表面温度LST由MOD11A1-LST数据获取；每日增强型植被指数EVI由MOD13A2-EVI数据经过Savitzky-Golay(S-G)滤波时间序列平滑处理后获取；每日日光诱导叶绿素荧光SIF由GOSIF-SIF数据经过S-G滤波时间序列平滑处理后获取；每日太阳赤纬δ通过儒略日J计算获取。
进一步地，农田作物低温冷害的判定标准，需要根据不同作物生长生产对热量和环境温度的需求确定相应的积温/温度阈值。
在一个优选的实施例中，还包括敏感性分析的步骤，包括根据灌区农田空气温度估算模型，选择观测时段内的实测数据，利用通径分析方法，对陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF、太阳赤纬δ的敏感性进行评估，分析模型参数陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF、太阳赤纬δ对农田日平均空气温度Ta的直接作用和间接作用，获取敏感参数，便于未来进行灾害监测与预警。
如图1所示，下面以玉米为具体实施例详细说明本发明提供的灌区农田玉米低温冷害监测与诊断方法，包括：
S1、采集灌区农田多源数据
具体地，本实施例中利用热红外多参数实时采集系统CTMS和低功耗区域墒情监测仪LESW进行观测和采集。采集的灌区农田多源数据包括地面数据、遥感数据和时间序列数据。其中，本实施例采集的地面数据主要包括农田每日平均空气温度Ta、每日冠层温度Tc、每日土壤不同深度(例如10、20、40cm)温度Ts，其中，农田每日平均空气温度Ta、每日冠层温度Tc采用CTMS温度传感器或红外传感器获得，每日土壤不同深度温度Ts由CTMS和LESW采用温度传感器获得。
本实施例采集的遥感数据主要包括：Landsat 8、MOD11A2/MOD11A1、MOD13A2、GOSIF数据，其中，Landsat 8、MOD11A2/MOD11A1、MOD13A2数据在美国NASA网站(https://www.nasa.gov/)下载获取，GOSIF数据在Global Ecology Group网站(https://globalecology.unh.edu/)下载获取。遥感数据获取后经过辐射定标、大气校正、图形镶嵌、裁剪、重采样等预处理，使其坐标系统、空间分辨率、空间范围等互相匹配一致。
时间序列数据主要包括：儒略日J。
S2、计算关键指标，包括：
S21、基于垂直温度梯度，利用每日土壤不同深度温度Ts计算监测点每日平均空气温度Ta。
为了获取更多的样本数据对模型进行训练和验证，需要利用LESW监测的每日土壤不同深度温度Ts获取对应监测点每日平均空气温度Ta，具体方法为：首先对CTMS监测点的每日土壤不同深度温度Ts和同一位置的每日平均空气温度Ta数据进行多元回归分析，获取垂直方向的温度梯度关系Ta＝f(Ts)，然后利用该垂直温度梯度关系由LESW实测的每日土壤不同深度温度Ts推算出当前位置的农田每日平均空气温度Ta作为实测样本数据。
S22、利用增强型自适应反射率时空融合模型ESTARFM分别融合基于Landsat 8反演的LST/EVI与MOD11A2-LST/MOD13A2-EVI获取高时空分辨率的陆地表面温度LST/增强型植被指数EVI，具体方法为：利用ENVI/IDL软件对Landsat 8影像数据进行辐射定标、大气校正、图形镶嵌、图形裁剪等预处理，采用大气校正法计算陆地表面温度LST，通过波段运算工具计算增强型植被指数EVI；利用MODIS Reprojection Tool(MRT)工具对MOD11A2、MOD13A2产品数据进行格式转换、投影转换等预处理，并重采样至30m格网大小，分别获取研究区范围内的LST、EVI；利用待预测时期前、后两个时期基于研究区Landsat 8遥感影像反演的LST/EVI数据和MOD11A2-LST/MOD13A2-EVI数据以及待预测时期的MOD11A2-LST/MOD13A2-EVI数据，模拟出待预测时期8天时间尺度、30m空间分辨率的陆地表面温度LST/16天时间尺度、30m空间分辨率的增强型植被指数EVI数据。上述融合操作在ENVI/IDL环境下完成。
为了保证数据融合结果的准确性，分别利用同一时间同一区域基于Landsat 8反演的LST和当天11:00时刻由CTMS观测的冠层温度Tc对LST融合结果进行验证，具体方法为：对比同一时间同一区域基于Landsat 8反演的LST和基于ESTARFM融合的LST像元值，若符合预设精度要求则验证通过，若不符合要求则重新处理数据，重新进行数据融合；利用ArcGIS软件对基于ESTARFM融合的LST数据进行采样，提取CTMS监测点位置的LST，对比该值与当天11:00时刻由CTMS观测的冠层温度Tc值，若符合预设精度要求则验证通过，若不符合要求则重新处理数据，重新进行数据融合。利用同一时间同一区域基于Landsat 8反演的EVI对EVI融合结果进行验证，具体方法同上。
S23、利用ArcGIS软件对GOSIF数据进行投影转换、重采样、图形裁剪等预处理，获取研究区作物SIF数据，使其坐标系统、空间分辨率、空间范围等与其他遥感数据匹配一致。
S24、根据J计算太阳赤纬δ数据：
S3、根据农田日平均空气温度Ta、陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF、太阳赤纬δ数据，基于MLR方法，建立灌区农田空气温度估算模型，并率定模型参数、验证模型精度。
具体地，建立的灌区农田空气温度估算模型为：
Ta＝a*LST+b*EVI+c*SIF+d*δ+e
如图2所示，为了确定灌区农田空气温度估算模型中的待定系数a、b、c、d、e，需要进行模型参数率定，包括：
利用ArcGIS软件对研究区陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF的栅格数据进行采样，提取对应监测点位置的像元值，结合计算获取的太阳赤纬δ数据与实测的农田日平均空气温度Ta数据，将其中一年的观测数据代入灌区农田空气温度估算模型，得到模型中的系数值a、b、c、d、e。
为了保证本实施例中灌区农田空气温度估算的准确，引入验证步骤以检验模型精度，具体过程为：
采用至少一年的数据对灌区农田空气温度估算模型进行验证，即用研究区采集的陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF、太阳赤纬δ数据代入已经建立的灌区农田空气温度估算模型得到研究区农田日平均空气温度Ta估算值；利用ArcGIS中的采样工具，提取监测点位置的像元值，将该估算值与田间Ta的实测值进行对比分析，分析计算得到灌区农田空气温度估算模型精度，如果该模型精度达到预设精度要求时，该空气温度估算模型即为最终的灌区农田空气温度估算模型；如果精度没有达到预设精度，则需要重新获得新一年的试验参数，将该试验参数重新代入空气温度估算模型进行模型率定和验证，直到获得的空气温度估算模型符合预设精度要求为止。
S4、将空气温度估算模型应用于玉米作物。根据建立的灌区农田空气温度估算模型，通过输入研究区每日陆地表面温度LST、每日增强型植被指数EVI、每日日光诱导叶绿素荧光SIF、每日太阳赤纬δ数据，逐日、逐像元计算研究区农田Ta，结合玉米低温冷害判定标准，监测并诊断研究区玉米遭遇的低温冷害的发生时间、灾害范围与程度评估。其中，“逐日、逐像元计算研究区农田Ta”指的是，通过计算获取研究区范围内(所有像元)每天的农田日平均空气温度Ta，具体过程是：对每个像元而言，分别将当天该位置处的每日陆地表面温度LST、每日增强型植被指数EVI、每日日光诱导叶绿素荧光SIF、每日太阳赤纬δ数据代入预先构建好的空气温度估算模型，即可得到该像元位置的农田日平均空气温度Ta，整个研究区包含若干像元，逐一计算即可得到当天研究区范围内的农田日平均空气温度Ta。
进一步地，每日陆地表面温度LST由MOD11A1-LST数据获取；每日增强型植被指数EVI由MOD13A2-EVI数据经过S-G滤波时间序列平滑处理后获取；每日日光诱导叶绿素荧光SIF由GOSIF-SIF数据经过S-G滤波时间序列平滑处理后获取；每日太阳赤纬δ通过儒略日J计算获取。
本实施例中玉米遭遇的低温冷害主要分为3种类型：障碍型、延迟型、混合型。
如图3所示，障碍型低温冷害的判定标准为：抽雄期连续3日平均气温≤18℃，灌浆乳熟期连续3日平均气温≤16℃；
延迟型低温冷害的判定标准为：≥10℃的积温距平值在-70℃·d到-120℃·d时为一般低温冷害年，低于-120℃·d为严重冷害年；
混合型低温冷害的判定标准为：障碍型低温冷害、延迟型低温冷害在同一个生育期同时或接连发生。其中，≥10℃的积温距平的计算方法为：
式中，CDD为≥10℃的积温距平；Tai为第i天≥10℃的日均温；
为日均温≥10℃活动积温的常年平均值。
进一步地，还基于通径分析方法，分析模型参数陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF、太阳赤纬δ对农田日平均空气温Ta的直接作用和间接作用，获取敏感参数，便于未来进行灾害监测与预警，包括：
将步骤S2中获取的陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF、太阳赤纬δ和农田日平均空气温度Ta数据输入IBM SPSS Amos 26Graphics软件，进行通径分析，输出各参数对农田日平均空气温度Ta的直接作用和间接作用，获取参数的敏感性，通过敏感参数的变化可以方便、快捷地反应农田日平均空气温度Ta的实际状况，利于对农田灾害进行实时监测和早期预警。
实施例二：上述实施例一提供了灌区农田作物低温冷害监测与诊断方法，与之相对应地，本实施例提供一种灌区农田作物低温冷害监测与诊断装置。本实施例提供的装置可以实施实施例一的灌区农田作物低温冷害监测与诊断方法，该装置可以通过软件、硬件或软硬结合的方式来实现。为了描述的方便，描述本实施例时以功能分为各种单元分别描述。当然，在实施时可以把各单元的功能在同一个或多个软件和/或硬件中实现。例如，该装置可以包括集成的或分开的功能模块或功能单元来执行实施例一各方法中的对应步骤。由于本实施例的装置基本相似于方法实施例，所以本实施例描述过程比较简单，相关之处可以参见实施例一的部分说明即可，本发明提供的灌区农田作物低温冷害监测与诊断装置的实施例仅仅是示意性的。
本实施例提供一种灌区农田作物低温冷害监测与诊断装置，包括：
多源数据采集模块，被配置为采集农田多源数据，包括地面数据、遥感数据和时间序列数据。
指标计算模块，被配置为计算关键指标，包括陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF和太阳赤纬δ指标；
灾害诊断模块，被配置为将当前生育期内每日的陆地表面温度LST、每日增强型植被指数EVI、每日日光诱导叶绿素荧光SIF和每日太阳赤纬δ代入预先构建的灌区农田空气温度估算模型获取逐日、逐像元的农田日平均空气温度Ta，同时结合预设的低温冷害判定标准，诊断灌区农田作物遭遇低温冷害的时间、范围与程度。
实施例三：本实施例提供一种与本实施例一所提供的灌区农田作物低温冷害监测与诊断方法对应的电子设备，电子设备可以是用于客户端的电子设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例一的方法。
如图4所示，电子设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。总线可以是工业标准体系结构(ISA，IndustryStandard Architecture)总线，外部设备互连(PCI，Peripheral Component)总线或扩展工业标准体系结构(EISA，Extended Industry Standard Component)总线等等。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以执行实施例一的方法，其实现原理和技术效果与实施例一类似，在此不再赘述。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算设备的限定，具体的计算设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个优选的实施例中，上述的存储器中的逻辑指令可以通过软件功能单元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)执行本申请各个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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、光盘等各种可以存储程序代码的介质。
在一个优选的实施例中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。
实施例四：本实施例提供一种计算机程序产品，计算机程序产品可以是包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述实施例一所提供的方法，其实现原理和技术效果与实施例一类似，在此不再赘述。
在一个优选的实施例中，计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备，例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。计算机可读存储介质存储计算机程序指令，该计算机程序指令使计算机执行上述实施例一提供的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。在本说明书的描述中，参考术语“一个优选的实施例”、“进一步地”、“具体地”、“本实施例中”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
本申请是参照根据本申请实施例的方法、设备(装置)、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装置。
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。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种灌区农作物低温冷害监测与诊断方法，其特征在于包括：
采集灌区农田多源数据；
基于农田多源数据计算关键指标，其中，关键指标包括陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF和太阳赤纬δ；
将计算得到的关键指标通过预先构建的灌区农田空气温度估算模型计算得到农田日平均空气温度，并基于农田作物的低温冷害判定标准进行农田作物低温冷害的监测及诊断。
2.根据权利要求1所述的灌区农作物低温冷害监测与诊断方法，其特征在于，灌区农田多源数据包括遥感数据和时间序列数据，其中，
遥感数据包括Landsat 8、MOD11A2/MOD11A1、MOD13A2、GOSIF数据；
时间序列数据包括儒略日J。
3.根据权利要求2所述的灌区农作物低温冷害监测与诊断方法，其特征在于，计算关键指标，包括：
利用增强型自适应反射率时空融合模型ESTARFM分别融合基于Landsat 8反演的LST/EVI与MOD11A2-LST/MOD13A2-EVI获取高时空分辨率的陆地表面温度LST和增强型植被指数EVI数据；
利用GOSIF数据获取日光诱导叶绿素荧光SIF数据；
根据儒略日J计算太阳赤纬δ数据。
4.根据权利要求1所述的灌区农作物低温冷害监测与诊断方法，其特征在于，建立的灌区农田空气温度估算模型为：
Ta＝a*LST+b*EVI+c*SIF+d*δ+e
式中，Ta为农田日平均空气温度，a、b、c、d、e为待定系数。
5.根据权利要求1所述的灌区农作物低温冷害监测与诊断方法，其特征在于，农田作物的低温冷害包括障碍型、延迟型或混合型。
6.根据权利要求5所述的灌区农作物低温冷害监测与诊断方法，其特征在于，障碍型低温冷害的判定标准为：抽雄期连续3日平均气温≤18℃，灌浆乳熟期连续3日平均气温≤16℃；
延迟型低温冷害的判定标准为：≥10℃的积温距平值在-70℃·d到-120℃·d时为一般低温冷害年，低于-120℃·d为严重冷害年；
混合型低温冷害的判定标准为：障碍型低温冷害、延迟型低温冷害在同一个生育期同时或接连发生；
其中，≥10℃的积温距平的计算方法为：
式中，CDD为≥10℃的积温距平；Tai为第i天≥10℃的日均温；
为日均温≥10℃活动积温的常年平均值，n为总天数。
7.根据权利要求1所述的灌区农作物低温冷害监测与诊断方法，其特征在于，还包括获取参数的敏感性的步骤，包括：将陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF、太阳赤纬δ和农田日平均空气温度Ta数据输入IBM SPSS Amos 26Graphics软件，进行通径分析输出各参数对农田日平均空气温度Ta的直接作用和间接作用，获取参数的敏感性。
8.一种灌区农作物低温冷害监测与诊断装置，其特征在于，该装置包括：
多源数据采集模块，被配置为采集灌区农田多源数据；
指标计算模块，被配置为基于农田多源数据计算关键指标，其中，关键指标包括：陆地表面温度LST、增强型植被指数EVI、日光诱导叶绿素荧光SIF、太阳赤纬δ；
灾害诊断模块，被配置为将计算得到的关键指标通过预先构建的灌区农田空气温度估算模型计算得到农田日平均空气温度，并基于农田作物的低温冷害判定标准实现农田作物低温冷害的监测及诊断。
9.一种电子设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310227943.7A CN116187859A (zh) | 2023-03-10 | 2023-03-10 | 灌区农作物低温冷害监测与诊断方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310227943.7A CN116187859A (zh) | 2023-03-10 | 2023-03-10 | 灌区农作物低温冷害监测与诊断方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116187859A true CN116187859A (zh) | 2023-05-30 |
Family
ID=86438452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310227943.7A Pending CN116187859A (zh) | 2023-03-10 | 2023-03-10 | 灌区农作物低温冷害监测与诊断方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116187859A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117147007A (zh) * | 2023-10-30 | 2023-12-01 | 山东省气候中心 | 一种设施农业低温冷害预报系统 |
-
2023
- 2023-03-10 CN CN202310227943.7A patent/CN116187859A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117147007A (zh) * | 2023-10-30 | 2023-12-01 | 山东省气候中心 | 一种设施农业低温冷害预报系统 |
| CN117147007B (zh) * | 2023-10-30 | 2024-01-12 | 山东省气候中心 | 一种设施农业低温冷害预报系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Mapping crop phenology in near real-time using satellite remote sensing: Challenges and opportunities | |
| Zheng et al. | Instability of remote sensing based ecological index (RSEI) and its improvement for time series analysis | |
| Li et al. | Using NDVI percentiles to monitor real-time crop growth | |
| Petrie et al. | The accuracy and utility of a low cost thermal camera and smartphone-based system to assess grapevine water status | |
| Liu et al. | Performance of different drought indices for agriculture drought in the North China Plain | |
| Guo et al. | Integrating remote sensing information with crop model to monitor wheat growth and yield based on simulation zone partitioning | |
| CN105825177A (zh) | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 | |
| Siyal et al. | Rice yield estimation using Landsat ETM+ Data | |
| Sun et al. | Retrieval of rapeseed leaf area index using the PROSAIL model with canopy coverage derived from UAV images as a correction parameter | |
| CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
| Yan et al. | Estimating aboveground biomass in Mu Us Sandy Land using Landsat spectral derived vegetation indices over the past 30 years | |
| Bandaru et al. | Estimating crop net primary production using national inventory data and MODIS-derived parameters | |
| WO2011102520A1 (ja) | 水稲収量予測モデル生成方法、及び水稲収量予測方法 | |
| He et al. | Estimating the aboveground dry biomass of grass by assimilation of retrieved LAI into a crop growth model | |
| Liu et al. | Quantitative analysis and hyperspectral remote sensing of the nitrogen nutrition index in winter wheat | |
| Chen et al. | A comparison of two adaptive multivariate analysis methods (PLSR and ANN) for winter wheat yield forecasting using Landsat-8 OLI images | |
| Xie et al. | Hyperspectral characteristics and growth monitoring of rice (Oryza sativa) under asymmetric warming | |
| AU2017376837A1 (en) | Detection of environmental conditions | |
| Zhao et al. | Forecasting the wheat powdery mildew (Blumeria graminis f. Sp. tritici) using a remote sensing-based decision-tree classification at a provincial scale | |
| Li et al. | Estimating plant traits of alpine grasslands on the Qinghai-Tibetan Plateau using remote sensing | |
| CN116187859A (zh) | 灌区农作物低温冷害监测与诊断方法、装置、设备及介质 | |
| Ma et al. | Prediction of vegetation phenology with atmospheric reanalysis over semiarid grasslands in Inner Mongolia | |
| CN104236486A (zh) | 一种棉花叶面积指数快速无损测定方法 | |
| Assiri et al. | Leaf area index and aboveground biomass estimation of an alpine peatland with a UAV multi-sensor approach | |
| Zhang et al. | Improved estimation of leaf area index by reducing leaf chlorophyll content and saturation effects based on red-edge bands |
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 |