CN116258959B - 基于云计算快速评估洪水对作物长势影响的方法及系统 - Google Patents

基于云计算快速评估洪水对作物长势影响的方法及系统 Download PDF

Info

Publication number
CN116258959B
CN116258959B CN202211723672.6A CN202211723672A CN116258959B CN 116258959 B CN116258959 B CN 116258959B CN 202211723672 A CN202211723672 A CN 202211723672A CN 116258959 B CN116258959 B CN 116258959B
Authority
CN
China
Prior art keywords
flood
water
crop growth
cloud computing
crop
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
CN202211723672.6A
Other languages
English (en)
Other versions
CN116258959A (zh
Inventor
张朝
韩继冲
陶福禄
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.)
Beijing Normal University
Original Assignee
Beijing Normal University
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 Beijing Normal University filed Critical Beijing Normal University
Priority to CN202211723672.6A priority Critical patent/CN116258959B/zh
Publication of CN116258959A publication Critical patent/CN116258959A/zh
Application granted granted Critical
Publication of CN116258959B publication Critical patent/CN116258959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于云计算快速评估洪水对作物长势影响的方法及系统，所述方法包括S1:确定洪水事件期间被洪水淹没的作物的淹没面积，以确定目标区域；S2：针对目标区域，基于遥感影像，确定洪水事件年作物生长期间的作物植被指数；S3：基于S2，计算洪水对作物长势的短期损害指数(SVGDI)；以及S4：基于短期损害指数(SVGDI)以及长期损害指数(LVGDI)评估洪水对作物的损害程度。

Description

基于云计算快速评估洪水对作物长势影响的方法及系统
技术领域
本发明涉及农业遥感技术领域，更具体涉及一种基于云计算快速评估洪水对作物长势影响的方法及系统。
背景技术
洪水是全球影响最大的自然灾害之一，洪水对农作物的生产造成了严重影响。评估洪水对作物长势的影响对于洪水灾害损失评估具有重要意义。
目前基于遥感技术对作物长势进行评估的方法主要是基于作物的不同植被指数生长曲线变化，例如归一化植被指数NDVI和叶面积指数LAI。这类指数确实能有效监测作物生长状况，因为作物对红外波段光谱具有高反射率。传统的评估方法是通常直接比较灾害年植被指数和历史正常年同期植被指数的均值差异来评估作物长势受损程度。然而这种均值差异方法通常忽略了不同年份作物物候差异导致的误差，同时由于均值对离群值很敏感，用均值代表正常年平均生长状况极易带来系统性的误差，同时传统评估方法没有区分洪水对作物长势的短期和长期影响差异。
因此，需要新的技术和方法，以提高洪水对农作物生产影响评估的精准性和时效性，从而有利于灾后农业的精准救助和生产恢复的科学指导。
发明内容
为解决基于遥感数据在评估洪水对作物长势影响的传统方法中存在的作物物候差异会影响长势损害的评估结果，不区分对长势的短期和长期损害的问题，本发明基于云计算平台(GEE)，创建了一种能够快速地计算的洪水对作物的短期和长期的长势损害，并降低物候差异对长势监测结果影响的新技术。
根据本发明的一方面，提供了一种基于云计算快速评估洪水对作物长势影响的方法，包括如下步骤：
S1:获取相关的遥感影像资料，并基于遥感影像来确定洪水事件期间被洪水淹没的作物的淹没面积，以确定目标区域；
S2：针对目标区域，基于遥感影像，确定洪水事件年作物生长期间的作物植被指数、以及洪水事件年之前的若干年中正常年份同期作物生长期间的植被指数、植被指数的中值和标准差SDt，t表示日期；
S3：基于S2，计算洪水对作物长势的短期损害指数(SVGDI)以及长期损害指数(LVGDI)，包括计算所述洪水事件年作物生长期间的农作物植被指数与所述正常年份同期作物生长期间的植被指数的差值△VIt，当差值△VIt小于0并且其绝对值大于所述标准差SDt时，则将该差值定义为DIt，其中SVGDI定义为：洪水事件期间和结束后的若干天内DIt的最小值减去洪水事件发生之前若干天内DIt的中值；LVGDI定义为：洪水事件开始发生到作物收获期间，所述差值△VIt小于0的天数占总天数的比例；以及
S4：基于短期损害指数(SVGDI)以及长期损害指数(LVGDI)评估洪水对作物的损害程度。
根据本发明的实施方案，其中所述云计算为基于Google Earth Engine(GEE)的云计算，所述遥感影像选自Terra和Aqua的MODIS每日反射率数据，当然也可以采用其他合适的遥感影像。
根据本发明的实施方案，其中植被指数(VI)选自增强植被指数(EVI)、增强植被指数2(EVI2)和归一化植被指数(NDVI)等等。
根据本发明的实施方案，其中步骤S1中，淹没面积的确定包括：识别潜在水体面积(Waterpotential)以及真实水体(Waterreal)，基于真实水体确定从洪水开始到洪水结束期间的最大水体淹没面积(Watermax)并剔除洪水期间的最大水体淹没面积内的永久水体区域(Waterpermanent)，得到洪水的最大淹没面积(Floodmax)，然后利用最大淹没面积(Floodmax)和洪水年的作物种植面积图层叠加，得到洪水对作物的淹没面积，实施方案中，永久水体使用的是Joint Research Centre(JRC)数据，本领域技术人员也可以根据具体情况使用其他永久水体产品进行替代。
根据本发明的实施方案，其中利用下式计算最大淹没面积(Floodmax)：
Waterrumber，t＝Number(Waterpotential，t-1Waterpotential，t) (式4)
Waterreal，t＝Waternumber，t，if Waternumber，t≥0.5 (式5)
Watermax＝max(Waterreal，t) (式6)
Floodmax＝Watermax-Waterpermanent (式7)
其中，LSWI为地表水指数，HAND为排水沟高度地形数据；Waternumber表示识别为潜在水体的次数，t表示日期，Bnir为近红外波段反射率，Bred为红波段反射率，Bblue为蓝波段反射率，Bswir1为短波红外1波段反射率，Bswir2为短波红外2波段反射率；实施方案中，识别水体的方法中的距离最近的排水沟高度地形数据的阈值范围可以在(30，100)，本领域技术人员也可以根据具体情况来进行适当的调整阈值。
根据本发明的实施方案，其中步骤S2中，包括使用质量评估波段(QA)去除云影响的污染像素，对植被指数时间序列进行均值滤波来填充缺失值；例如，使用滤波的方法来填充数据的时间序列缺失值，滤波的方法采用的是均值滤波法，或者使用其他滤波方法替代，如Savitzky-Golay滤波。洪水事件年之前的若干年为五年或合适的年数。
根据本发明的实施方案，其中步骤S3中，所述若干天为7-10天。
根据本发明的实施方案，其中步骤S4中，将SVGDI和LVGDI进行分级，对洪水类型造成的作物长势损害的程度进行分级评估，分为轻度，中度和重度：
轻度：K1≤SVGDI<0，0<LVGDI≤L1
中度：K2≤SVGDI<S1，L1<LVGDI≤L2
重度：SVGDI<S2，L2<LVGDI
其中所述阈值K1和K2的范围分别为(-0.1，-0.3)和(-0.4，-0.6)；阈值L1和L2的范围分别为(0.3，0.5)和(0.6，0.8)。
根据本发明的另一方面，提供一种基于云计算快速评估洪水对作物长势影响的系统，其特征在于，包括：一个或多个处理器；以及存储器，所述存储器存储有可由所述一个或多个处理器执行的指令，所述指令使得所述系统执行根据本发明所述的方法。
与现有技术相比，本发明减少了物候差异对作物长势损害评估结果的影响，并将长势损害评估分为了短期和长期影响。本发明基于云计算平台不需要在本地处理数据，可实现快速处理，降低了成本。为开展像元尺度下不同洪水类型对作物长势的短期和长期影响提供了支持。
附图说明
附图中相同的附图标记标示了相同或类似的部件或部分。本发明的目标及特征考虑到如下结合附图的描述将更加明显，附图中：
图1为根据本发明实施方案的基于云计算快速评估洪水对作物长势影响的方法的流程示意图；
图2为根据本发明实施方案的洪水淹没作物面积图；
图3为根据本发明实施方案的洪水对玉米长势的短期和长期影响的一个样点植被指数EVI曲线图；以及
图4为根据本发明实施方案的评估洪水对玉米长势的短期和长期不同损害程度的空间分布图。
具体实施方式
为清楚的说明本发明中的方案，下面给出优选的实施例，以下的说明本质上仅仅是示例性的而并不是为了限制本公开的应用或用途。
下面以2021年河南省7·20洪水事件对玉米长势的影响作为目标，结合附图示例性说明本发明的方法的具体应用。
附图1为依据本发明实施例的基于云计算快速评估洪水对作物长势影响的方法的流程示意图，具体包括以下步骤：
S1：基于云计算平台(GEE)，使用Terra和Aqua的MODIS的每次观测数据计算7·20河南洪水事件开始(2021-7-20)发生到结束(2021-8-5)期间的增强植被指数(EVI)和地表水指数(LSWI)时间序列，再结合红波段，短波红外2波段和距离最近的排水沟高度地形数据(HAND)设置阈值(式3)，识别每次观测的潜在水体面积(Waterpotential)，分别将相邻连续两次的Terra和Aqua的潜在水体信号计算结果相加(Waternumber)，如果像素被识别为潜在水体的次数≥0.5，则判定该像素为真实的水体(Waterreal)。基于每次观测的真实水体计算从洪水开始到洪水结束期间的最大水体淹没面积(Watermax)。然后基于Joint Research Centre(JRC)数据，剔除洪水期间的最大水体淹没面积内的永久水体区域(Waterpermanent)，得到洪水的最大淹没面积(Floodmax)。最后，最大淹没范围和洪水年的玉米种植面积图层叠加，得到洪水对作物的淹没面积，如图2所示。其中最大淹没面积的计算如下，以增强植被指数(EVI)为例，
Waternumber，t＝Number(Waterpotential，t-1，Waterpotential，t) (式4)
Waterreal，t＝Waternumber，t，if Waternumber，t≥0.5 (式5)
Watermax＝max(Waterreal，t) (式6)
Floodmax＝Watermax-Waterpermanent (式7)
其中Bnir为近红外波段反射率，Bred为红波段反射率，Bblue为蓝波段反射率，Bswir1为短波红外1波段反射率，Bswir2为短波红外2波段反射率。
S2：计算洪水年玉米生长期间(6月-10月)和历史前5个未发生洪水的正常年份同期的增强植被指数(EVI)，使用质量评估波段(QA)去除云影响的污染像素，对植被指数时间序列进行均值滤波来填充缺失值(缺失值填充为前后时间点值的平均)。求历史年份同期的玉米植被指数的中值(mEVIt)和标准差(SDt)。标准差表示为玉米的植被指数的正常波动范围。其中，
式中，t表示不同日期，y表示年，n表示年数，median表示求取中值，mean表示求取均值，SD表示标准差。
目标区域的玉米的EVI指数在正常年和洪水年的间隔8天的生长曲线如附图3所示，图中实线为洪水年，虚线为正常年波动的最小值。
S3:将洪水事件年(2021年)的植被指数减去历史年(2017-2020)同期的植被指数中值，得到两者的差值(ΔEVIt)，只保留低于正常波动范围的值(DIt)，也即当差值ΔEVIt小于0并且其绝对值大于所述标准差SDt时，则将该差值定义为DIt。洪水对玉米长势的短期损害指数(SVGDI)为：洪水期间和洪水结束后的8天内像素DI的最小值减去洪水发生前8天内DI的中值。洪水对玉米长势的长期损害指数(LVGDI)为：洪水开始发生到作物收获期间，ΔEVIt小于0的天数占总天数的比例。其中，
ΔEVIt＝EVIt-mEVIt (式11)
SVGDI＝min(DIta)-median(DItb)(式13)
式中，t表示不同日期，a和b分别表示洪水发生后(洪水期间和洪水结束后的8天：2021年7月20日到2021年8月13日)和洪水发生前(洪水发生前8天:2021年7月12日到2021年7月19日)，median表示求取中值，min表示求取最小值，number表示满足条件的元素的个数，SVGDI值越小，表示玉米长势受到的短期影响越大。LVGDI值越大，表示玉米长势受到的长期影响越大。
S4：将SVGDI和LVGDI进行分级，对不同洪水类型造成的玉米长势损害的程度进行分级评估，分为三种类别(轻度，中度和重度)。应该理解的是，本领域技术人员可以根据本发明的教导并结合具体情况来选择适当的阈值。
轻度：-0.30≤SVGDI<0，0<LVGDI≤0.5
中度：-0.45≤SVGDI<-0.30，0.5<LVGDI≤0.7
重度：SVGDI<-0.45，0.7<LVGDI
最终获得洪水对玉米长势的短期损害等级和长期损害等级，结果如附图4所示。
本研究的结果与2021年地方农业统计相比较，结果非常吻合，其表本发明方法科学合理，识别结果具有重要的科学和经济价值。
与现有技术相比，本发明减少了物候差异对长势评估结果的影响，并将长势影响结果分为了短期和长期长势损害指数。本发明基于云计算平台不需要在本地处理数据，可实现云端快速处理，降低了成本。为开展像元尺度下不同洪水类型对作物长势的短期和长期影响提供了支持。结果表明，本发明方法识别结果具有较高的精度，具有重要的科学和经济价值。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的装置及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于云计算快速评估洪水对作物长势影响的方法，包括如下步骤：
S1:获取相关的遥感影像资料，并基于遥感影像来确定洪水事件期间被洪水淹没的作物的淹没面积，以确定目标区域；
S2：针对目标区域，基于遥感影像，确定洪水事件年作物生长期间的作物植被指数、以及洪水事件年之前的若干年中正常年份同期作物生长期间的植被指数、植被指数的中值和标准差SDt，t表示日期；
S3：基于S2，计算洪水对作物长势的短期损害指数SVGDI以及长期损害指数LVGDI，包括计算所述洪水事件年作物生长期间的农作物植被指数与所述正常年份同期作物生长期间的植被指数的差值△VIt，其中SVGDI定义为：洪水事件期间和结束后的若干天内DIt的最小值减去洪水事件发生之前若干天内DIt的中值，DIt为小于0并且其绝对值大于所述标准差SDt时的差值△VIt；LVGDI定义为：洪水事件开始发生到作物收获期间，所述差值△VIt小于0的天数占总天数的比例；以及
S4：基于短期损害指数SVGDI以及长期损害指数LVGDI评估洪水对作物的损害程度。
2.根据权利要求1所述的基于云计算快速评估洪水对作物长势影响的方法，其特征在于，所述云计算为基于Google Earth Engine的云计算，所述遥感影像选自Terra和Aqua的MODIS每日反射率数据。
3.根据权利要求1所述的基于云计算快速评估洪水对作物长势影响的方法，其特征在于，植被指数VI选自增强植被指数EVI、增强植被指数2EVI2和归一化植被指数NDVI。
4.根据权利要求3所述的基于云计算快速评估洪水对作物长势影响的方法，其特征在于，步骤S1中，淹没面积的确定包括：识别潜在水体面积Waterpotential以及真实水体Waterreal，基于真实水体确定从洪水开始到洪水结束期间的最大水体淹没面积Watermax并剔除洪水期间的最大水体淹没面积内的永久水体区域Waterpermanent，得到洪水的最大淹没面积Floodmax，然后利用最大淹没面积Floodmax和洪水年的作物种植面积图层叠加，得到洪水对作物的淹没面积。
5.根据权利要求4所述的基于云计算快速评估洪水对作物长势影响的方法，其特征在于，其中利用下式计算最大淹没面积Floodmax：
Waternumber，t＝Number(Waterpotential，t-1，Waterpotenial，t) (式4)
Waterrel，t＝Waternumber，t，if Waternumber，t≥0.5 (式5)
Watemax＝max(Watereal，t) (式6)
Floodmax＝Watermaxx-Waterpermanent (式7)
其中，LSWI为地表水指数，HAND为排水沟高度地形数据；Waternumber表示识别为潜在水体的次数，t表示日期，Bnir为近红外波段反射率，Bred为红波段反射率，Bblue为蓝波段反射率，Bswir1为短波红外1波段反射率，Bswir2为短波红外2波段反射率。
6.根据权利要求1所述的基于云计算快速评估洪水对作物长势影响的方法，其特征在于，步骤S2中，包括使用质量评估波段QA去除云影响的污染像素，对植被指数时间序列进行均值滤波来填充缺失值；洪水事件年之前的若干年为五年。
7.根据权利要求1所述的基于云计算快速评估洪水对作物长势影响的方法，其特征在于，步骤S3中，所述若干天为7-10天。
8.根据权利要求1所述的基于云计算快速评估洪水对作物长势影响的方法，其特征在于，步骤S4中，将SVGDI和LVGDI进行分级，对洪水类型造成的作物长势损害的程度进行分级评估，
分为轻度，中度和重度：
轻度：K1≤SVGDI<0，0<LVGDI≤L1
中度：K2≤SVGDI<S1，L1<LVGDI≤L2
重度：SVGDI<S2，L2<LVGDI
其中所述阈值K1和K2的范围分别为(-0.1，-0.3)和(-0.4，-0.6)；阈值L1和L2的范围分别为(0.3，0.5)和(0.6，0.8)。
9.一种基于云计算快速评估洪水对作物长势影响的系统，其特征在于，包括：一个或多个处理器；以及存储器，所述存储器存储有可由所述一个或多个处理器执行的指令，所述指令使得所述系统执行根据权利要求1至8中任一项所述的方法。
CN202211723672.6A 2022-12-30 2022-12-30 基于云计算快速评估洪水对作物长势影响的方法及系统 Active CN116258959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211723672.6A CN116258959B (zh) 2022-12-30 2022-12-30 基于云计算快速评估洪水对作物长势影响的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211723672.6A CN116258959B (zh) 2022-12-30 2022-12-30 基于云计算快速评估洪水对作物长势影响的方法及系统

Publications (2)

Publication Number Publication Date
CN116258959A CN116258959A (zh) 2023-06-13
CN116258959B true CN116258959B (zh) 2023-09-26

Family

ID=86680191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211723672.6A Active CN116258959B (zh) 2022-12-30 2022-12-30 基于云计算快速评估洪水对作物长势影响的方法及系统

Country Status (1)

Country Link
CN (1) CN116258959B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913361A (zh) * 2016-04-08 2016-08-31 民政部国家减灾中心 一种洪涝灾害评估系统和方法
KR101754333B1 (ko) * 2016-01-27 2017-07-06 (주)도명이엔지 항공레이저측량과 공간정보를 사용한 침수지역의 홍수피해액 계산 방법
CN107463901A (zh) * 2017-08-07 2017-12-12 中国科学院遥感与数字地球研究所 多尺度区域洪涝灾害危险性遥感评估方法和系统
CN110793921A (zh) * 2019-11-14 2020-02-14 山东省农业可持续发展研究所 一种抽雄授粉期玉米洪涝灾害遥感监测与评估方法与系统
CN113191292A (zh) * 2021-05-11 2021-07-30 四川大学 一种溃决洪水淹没范围快速提取方法
CN113361403A (zh) * 2021-06-03 2021-09-07 中国地质大学（武汉） 改进的基于ndfi洪水提取方法、系统、终端及应用
CN113723849A (zh) * 2021-09-07 2021-11-30 北京师范大学 一种基于时空特征的洪涝事件及风险识别方法与系统
CN115019188A (zh) * 2022-03-10 2022-09-06 武汉大学 基于多源遥感数据的洲滩植被量动态解译方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11907819B2 (en) * 2019-11-20 2024-02-20 University Of Connecticut Systems and methods to generate high resolution flood maps in near real time

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101754333B1 (ko) * 2016-01-27 2017-07-06 (주)도명이엔지 항공레이저측량과 공간정보를 사용한 침수지역의 홍수피해액 계산 방법
CN105913361A (zh) * 2016-04-08 2016-08-31 民政部国家减灾中心 一种洪涝灾害评估系统和方法
CN107463901A (zh) * 2017-08-07 2017-12-12 中国科学院遥感与数字地球研究所 多尺度区域洪涝灾害危险性遥感评估方法和系统
CN110793921A (zh) * 2019-11-14 2020-02-14 山东省农业可持续发展研究所 一种抽雄授粉期玉米洪涝灾害遥感监测与评估方法与系统
CN113191292A (zh) * 2021-05-11 2021-07-30 四川大学 一种溃决洪水淹没范围快速提取方法
CN113361403A (zh) * 2021-06-03 2021-09-07 中国地质大学（武汉） 改进的基于ndfi洪水提取方法、系统、终端及应用
CN113723849A (zh) * 2021-09-07 2021-11-30 北京师范大学 一种基于时空特征的洪涝事件及风险识别方法与系统
CN115019188A (zh) * 2022-03-10 2022-09-06 武汉大学 基于多源遥感数据的洲滩植被量动态解译方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Accurately mapping global wheat production system using deep learning algorithms;Yuchuan Luo.et al;《International Journal of Applied Earth Observation and Geoinformation》;第110卷;全文 *
flood crop Remote sensing Vegetation index Median standard deviation Regression model to estimate flood impact on corn yield using MODIS NDVI and USDA cropland data layer;Ranjay Shrestha.et al;《Journal of Integrative Agriculture》;第16卷(第02期);全文 *
基于GF-1遥感数据监测的岩溶洼地洪涝灾害特征分析;钟仕全等;《气象研究与应用》(第01期);全文 *
耕地暴雨洪水灾害多源卫星遥感监测方法研究;苏亚丽;《中国优秀硕士学位论文全文数据库 基础科学辑》(第12期);全文 *

Also Published As

Publication number Publication date
CN116258959A (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN111461053B (zh) 基于迁移学习的多个生育期小麦倒伏区域识别系统
Kirkman Baseline and monitoring methods for seagrass meadows
Lin et al. Monitoring of winter wheat distribution and phenological phases based on MODIS time-series: A case study in the Yellow River Delta, China
CN108169161A (zh) 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法
CN106803059B (zh) 一种遥感植被指数时间序列森林监测方法
CN111402169B (zh) 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法
US10062119B2 (en) Method for automated crop insurance loss adjusting for prevented planting conditions
CN111751286B (zh) 基于变化检测算法的土壤水分提取方法
Taghadosi et al. Trend analysis of soil salinity in different land cover types using Landsat time series data (case study Bakhtegan Salt Lake)
Wang et al. An automated extraction of small-and middle-sized rice fields under complex terrain based on SAR time series: A case study of Chongqing
JPWO2019130568A1 (ja) 評価情報生成システム、評価情報生成方法、およびプログラム
CN116050647B (zh) 一种基于遥感的流域洪涝受灾强度重现期推求方法
CN114926743A (zh) 一种基于动态时间窗口的作物分类方法及系统
Shahrokhnia et al. Remotely sensed spatial and temporal variations of vegetation indices subjected to rainfall amount and distribution properties
Sabzchi-Dehkharghani et al. Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing
Pimple et al. A history of the rehabilitation of mangroves and an assessment of their diversity and structure using Landsat annual composites (1987–2019) and transect plot inventories
CN116258959B (zh) 基于云计算快速评估洪水对作物长势影响的方法及系统
Stasolla et al. Applying Sentinel-1 time series analysis to sugarcane harvest detection
Van Niel et al. A simple method to improve field-level rice identification: toward operational monitoring with satellite remote sensing
CN109141371B (zh) 冬小麦受灾识别方法、装置及设备
CN114429467A (zh) 一种基于遥感技术的玉米损害程度判别方法
CN111339909B (zh) 一种基于多尺度区域生长的地表线状水体的提取算法
Wallace et al. Assessment and monitoring of rangeland vegetation composition using multi-temporal Landsat data
Suwanlee et al. DROUGHT MONITORING FROM 2001–2019 IN NORTHEAST THAILAND USING MODIS NDVI IMAGE TIME SERIES AND Savitzky-Golay APPROACH
AU2021103519A4 (en) A system for water stress identification in crops and method there of

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