CN117423003B - 一种冬小麦越冬期苗情分级遥感监测方法 - Google Patents
一种冬小麦越冬期苗情分级遥感监测方法 Download PDFInfo
- Publication number
- CN117423003B CN117423003B CN202311746581.9A CN202311746581A CN117423003B CN 117423003 B CN117423003 B CN 117423003B CN 202311746581 A CN202311746581 A CN 202311746581A CN 117423003 B CN117423003 B CN 117423003B
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- seedling
- remote sensing
- image data
- condition
- 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
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 60
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 13
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000009331 sowing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000009418 agronomic effect Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Husbandry (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种冬小麦越冬期苗情分级遥感监测方法,属于图形数据读取技术领域,用于对冬小麦进行苗情分级。本发明根据农学统计数据,应用多种植被指数的遥感信息确定苗情分级阈值,即冬小麦苗情遥感分级阈值与地理空间位置的相关性得到确定,使用权重分配构建苗情识别模型,从而得到不同区域的冬小麦苗情的空间分布。本发明结合了先进的遥感技术和少量统计数据的资源,为冬小麦苗情的精确监测提供了一种有效且广泛适用的解决方法。
Description
技术领域
本发明公开一种冬小麦越冬期苗情分级遥感监测方法,属于图形数据读取和资源管理技术领域。
背景技术
利用遥感技术对冬小麦苗情进行分级的方法尚处于发展阶段,面临一些限制。申请号为202110351494.8的专利申请文件中,公开了作物苗情分级遥感监测方法及装置,使用单一时间的NDVI指数建立了冬小麦苗情遥感监测方法,但是无法解决影像由于云雾的影像造成的数据缺失的问题,同时缺少机理性的相关信息。具体来说,基于监督分类、非监督分类和植被指数时间序列曲线的方法在提取麦田种植面积方面表现出色,但在精确区分冬小麦苗情的不同级别上存在一定的挑战,表现为不确定性较高。另一方面,尽管机器学习方法如人工神经网络、支持向量机和决策树在理论上具有潜力,但它们在实际应用中可能面临拟合现象、学习时间过长等问题,在大范围区域的应用中这些问题会更加突出,从而限制了方法的实用性。这表明,尽管这些遥感监测技术具有潜力,但仍需进一步的优化和发展,以提高它们在冬小麦苗情分级方面的精确度和适用性。
发明内容
本发明的目的在于提供一种冬小麦越冬期苗情分级遥感监测方法,以解决现有技术中,苗情分级准确度不够的问题。
一种冬小麦越冬期苗情分级遥感监测方法,包括:
S1.获取影像数据,选取天气晴朗、云量少的哨兵2卫星的遥感数据,根据波段反射信息获取三类影像数据,包括归一化植被指数NDVI、归一化差异池塘指数NDPI、土壤调节植被指数SAVI数据,根据冬小麦种植空间分布提取结果,提取研究时间段内冬小麦的影像数据,基于研究区行政矢量图,利用云平台对县级冬小麦时序影像集合的影像数据进行提取,对空缺日期应用空间线性插值进行填补;
S2.聚合影像数据,根据冬小麦种植面积提取结果,对S1处理后的影像数据做时间聚合操作,提取当季冬小麦植被指数最大值:
;
式中,对应冬小麦播种期,/>对应冬小麦越冬期,/>表示返回最大时对应的/>,/>即/>,/>对应当季冬小麦植被指数,/>对应冬小麦某个时期;
S3.权重分配和函数构建,对影像数据的三个指数分别赋予权重因子、/>、/>,赋权后求和得到复合指数CTVI,根据农情区域实测统计数据设定一类苗、二类苗和三类苗分级的CTVI阈值/>和/>,CTVI的权重分配为:
;
式中,下标表示该指数对应的当季冬小麦植被指数最大值;
的计算式以及CTVI的权重分配组合即为苗情识别模型;
S4.优化算法参数优化;
S5.得到苗情识别模型的最优参数,结合实际数据完成苗情分级。
S3包括:三个权重因子的总和为3,权重因子确定方法具体为:
S3.1.计算影像数据所在区域的植被覆盖率z%,确定:
;
式中,为中间常数;
S3.2.计算影像数据所在区域的池塘面积占总面积的百分比h%,确定:
;
S3.3.计算影像数据所在区域的土壤覆盖率l%,确定:
;
S3.4.确定三个权重因子后,将三个权重因子进行中间常数消除:
;
式中,表示中间常数消除后的第j个权重因子,/>表示第j个权重因子;
S3.5.将会带至CTVI的权重分配的公式中。
S4包括:得到苗情识别模型共包含5个参数、/>、/>、/>、/>和3个自变量、/>、/>,通过遗传优化算法,仅使用遥感信息和区域统计信息,对苗情识别模型的五个参数进行优化,使用遗传算法进行函数优化:
S4.1.参数初始化及优化范围,根据指数在区域内的最大值和最小值作为参数的范围,并选取范围的中间值作为模型参数的初始值;
S4.2.适应度计算,选择农情区域实测统计数据与区域遥感预测统计数据的均方根误差RMSE值作为适应度函数,以RMSE最小作为优化目标:
;
式中,为个体适应度,/>为训练样本个数,/>为预测统计数据,/>为实测统计数据;
S4.3.迭代计算,使用适应度函数对个体进行适应度评价,遗传算法按与个体适应度成正比的概率来决定当前群体中各个个体遗传到下一代群体中机会的多少,并根据个体适应度的大小来进行复制、交叉和遗传操作,对模型参数进行重复迭代运算,当相邻代无明显变化或达到预先设定迭代次数后,结束迭代计算,对优化个体进行解码,得到优化后的模型参数值;
相邻代无明显变化具体为相邻代差值<0.01;
预先设定迭代次数为500次。
相对比现有技术,本发明具有以下有益效果:本发明综合了遥感信息,在实用性和可行性方面具有较强的表现效果。它不仅能准确预测冬小麦的不同苗情类别,即一类苗、二类苗和三类苗,还具备高度的普适性和空间扩展性。实验结果显示,这种方法能有效捕捉不同地区和条件下的冬小麦的苗情信息,并且准确度高,稳定性和普适性强。此外,该方法可以应用于多种遥感平台,实际使用时可以根据监测作物的面积和特定需求来确定遥感数据的时空分辨率和采集方式。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明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发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
一种冬小麦越冬期苗情分级遥感监测方法,包括:
S1.获取影像数据,选取天气晴朗、云量少的哨兵2卫星的遥感数据,根据波段反射信息获取三类影像数据,包括归一化植被指数NDVI、归一化差异池塘指数NDPI、土壤调节植被指数SAVI数据,根据冬小麦种植空间分布提取结果,提取研究时间段内冬小麦的影像数据,基于研究区行政矢量图,利用云平台对县级冬小麦时序影像集合的影像数据进行提取,对空缺日期应用空间线性插值进行填补;
S2.聚合影像数据,根据冬小麦种植面积提取结果,对S1处理后的影像数据做时间聚合操作,提取当季冬小麦植被指数最大值:
;
式中,对应冬小麦播种期,/>对应冬小麦越冬期,/>表示返回最大时对应的/>,/>即/>,/>对应当季冬小麦植被指数,/>对应冬小麦某个时期;
S3.权重分配和函数构建,对影像数据的三个指数分别赋予权重因子、/>、/>,赋权后求和得到复合指数CTVI,根据农情区域实测统计数据设定一类苗、二类苗和三类苗分级的CTVI阈值/>和/>,CTVI的权重分配为:
;
式中,下标表示该指数对应的当季冬小麦植被指数最大值;
的计算式以及CTVI的权重分配组合即为苗情识别模型;
S4.优化算法参数优化;
S5.得到苗情识别模型的最优参数,结合实际数据完成苗情分级。
S3包括:三个权重因子的总和为3,权重因子确定方法具体为:
S3.1.计算影像数据所在区域的植被覆盖率z%,确定:
;
式中,为中间常数;
S3.2.计算影像数据所在区域的池塘面积占总面积的百分比h%,确定:
;
S3.3.计算影像数据所在区域的土壤覆盖率l%,确定:
;
S3.4.确定三个权重因子后,将三个权重因子进行中间常数消除:
;
式中,表示中间常数消除后的第j个权重因子,/>表示第j个权重因子;
S3.5.将会带至CTVI的权重分配的公式中。
S4包括:得到苗情识别模型共包含5个参数、/>、/>、/>、/>和3个自变量、/>、/>,通过遗传优化算法,仅使用遥感信息和区域统计信息,对苗情识别模型的五个参数进行优化,使用遗传算法进行函数优化:
S4.1.参数初始化及优化范围,根据指数在区域内的最大值和最小值作为参数的范围,并选取范围的中间值作为模型参数的初始值;
S4.2.适应度计算,选择农情区域实测统计数据与区域遥感预测统计数据的均方根误差RMSE值作为适应度函数,以RMSE最小作为优化目标:
;
式中,为个体适应度,/>为训练样本个数,/>为预测统计数据,/>为实测统计数据;
S4.3.迭代计算,使用适应度函数对个体进行适应度评价,遗传算法按与个体适应度成正比的概率来决定当前群体中各个个体遗传到下一代群体中机会的多少,并根据个体适应度的大小来进行复制、交叉和遗传操作,对模型参数进行重复迭代运算,当相邻代无明显变化或达到预先设定迭代次数后,结束迭代计算,对优化个体进行解码,得到优化后的模型参数值;
相邻代无明显变化具体为相邻代差值<0.01;
预先设定迭代次数为500次。
本发明中,植被指数计算具体为:
;
;
;
式中,为近红外波段反射率,/>为红色波段反射率, />为短波红外反射率,α和L分别为0.74、0.7,这是抑制土壤和雪背景变化的最佳有效值。
利用得到的优化后参数值带入苗情识别模型,结合研究区内任一坐标点位的遥感指数作为输入,即可通过苗情识别得到识别结果。检验表明,苗情分级模拟值与实测值具有很好的一致性,采用所构建的苗情识别模型能够较好的实现冬前冬小麦苗类的识别,采用苗情识别模型反演冬小麦苗类结果。
利用遥感技术可以实现大范围的冬小麦苗类反演,为精准农业提供前期基础工作的支撑,更好的利于后续的研究工作开展。但是目前缺乏兼具机理性和便于推广应用的的冬小麦苗类识别模型。本发明的关键点在于使用作物关键物候时期的光谱指数时间聚合数据作为输入,通过构建复合指数函数,将多个单一光谱指数复合为一个能够充分使用遥感信息的综合指数作为苗情识别依据,构建的苗情识别模型可实现在不同尺度上任意地理位置对冬小麦苗类进行遥感层面的识别,将农学领域的多个农艺参数使用遥感信息作为指标代表,最大程度上将农艺参数的田间调查难度用遥感技术的“快”、“准”、“易”的优势进行代替,仅使用遥感数据即可使用苗情识别模型进行冬小麦苗类的分级,为粮食作物的不断增产、改进品质提供了可靠的支撑。
实际应用中,获得一组结果为h%=30%,l%=40%,z%=30%,则计算得,/>,,/>=/>,则利用/>,可知/>,/>,/>,然后带入CTVI的权重分配即可。至于/>和/>的分配,则是本邻域技术人员根据苗情分级可以进行实际选择的数值。
以上实施例仅用于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,或者对其中部分或者全部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范围。
Claims (3)
1.一种冬小麦越冬期苗情分级遥感监测方法,其特征在于,包括:
S1.获取影像数据,选取天气晴朗、云量少的哨兵2卫星的遥感数据,根据波段反射信息获取三类影像数据,包括归一化植被指数NDVI、归一化差异池塘指数NDPI、土壤调节植被指数SAVI数据,根据冬小麦种植空间分布提取结果,提取研究时间段内冬小麦的影像数据,基于研究区行政矢量图,利用云平台对县级冬小麦时序影像集合的影像数据进行提取,对空缺日期应用空间线性插值进行填补;
S2.聚合影像数据,根据冬小麦种植面积提取结果,对S1处理后的影像数据做时间聚合操作,提取当季冬小麦植被指数最大值:
;
式中,对应冬小麦播种期,/>对应冬小麦越冬期,/>表示返回/>最大时对应的/>,/>即/>,/>对应当季冬小麦植被指数,/>对应冬小麦某个时期;
S3.权重分配和函数构建,对影像数据的三个指数分别赋予权重因子、/>、/>,赋权后求和得到复合指数CTVI,根据农情区域实测统计数据设定一类苗、二类苗和三类苗分级的CTVI阈值/>和/>,CTVI的权重分配为:
;
式中,下标表示该指数对应的当季冬小麦植被指数最大值;
的计算式以及CTVI的权重分配组合即为苗情识别模型;
S4.优化算法参数优化;
S5.得到苗情识别模型的最优参数,结合实际数据完成苗情分级。
2.根据权利要求1所述的一种冬小麦越冬期苗情分级遥感监测方法,其特征在于,S3包括:三个权重因子的总和为3,权重因子确定方法具体为:
S3.1.计算影像数据所在区域的植被覆盖率z%,确定:
;
式中,为中间常数;
S3.2.计算影像数据所在区域的池塘面积占总面积的百分比h%,确定:
;
S3.3.计算影像数据所在区域的土壤覆盖率l%,确定:
;
S3.4.确定三个权重因子后,将三个权重因子进行中间常数消除:
;
式中,表示中间常数消除后的第j个权重因子,/>表示第j个权重因子;
S3.5.将带至CTVI的权重分配的公式中。
3.根据权利要求2所述的一种冬小麦越冬期苗情分级遥感监测方法,其特征在于,S4包括:得到苗情识别模型共包含5个参数、/>、/>、/>、/>和3个自变量/>、/>、,通过遗传优化算法,仅使用遥感信息和区域统计信息,对苗情识别模型的五个参数进行优化,使用遗传算法进行函数优化:
S4.1.参数初始化及优化范围,根据指数在区域内的最大值和最小值作为参数的范围,并选取范围的中间值作为模型参数的初始值;
S4.2.适应度计算,选择农情区域实测统计数据与区域遥感预测统计数据的均方根误差RMSE值作为适应度函数,以RMSE最小作为优化目标:
;
式中,为个体适应度,/>为训练样本个数,/>为预测统计数据,/>为实测统计数据;
S4.3.迭代计算,使用适应度函数对个体进行适应度评价,遗传算法按与个体适应度成正比的概率来决定当前群体中各个个体遗传到下一代群体中机会的多少,并根据个体适应度的大小来进行复制、交叉和遗传操作,对模型参数进行重复迭代运算,当相邻代无明显变化或达到预先设定迭代次数后,结束迭代计算,对优化个体进行解码,得到优化后的模型参数值;
相邻代无明显变化具体为相邻代差值<0.01;
预先设定迭代次数为500次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311746581.9A CN117423003B (zh) | 2023-12-19 | 2023-12-19 | 一种冬小麦越冬期苗情分级遥感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311746581.9A CN117423003B (zh) | 2023-12-19 | 2023-12-19 | 一种冬小麦越冬期苗情分级遥感监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117423003A CN117423003A (zh) | 2024-01-19 |
CN117423003B true CN117423003B (zh) | 2024-03-19 |
Family
ID=89532938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311746581.9A Active CN117423003B (zh) | 2023-12-19 | 2023-12-19 | 一种冬小麦越冬期苗情分级遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117423003B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851726A (zh) * | 2024-03-05 | 2024-04-09 | 山东科技大学 | 一种利用冬小麦积温计算叶龄的方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123409A (zh) * | 2014-07-09 | 2014-10-29 | 江苏省农业科学院 | 大田冬小麦开花期遥感估产方法 |
CN108764255A (zh) * | 2018-05-21 | 2018-11-06 | 二十世纪空间技术应用股份有限公司 | 一种冬小麦种植信息的提取方法 |
CN110210990A (zh) * | 2019-05-30 | 2019-09-06 | 河南省农业科学院农业经济与信息研究所 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN112819227A (zh) * | 2021-02-02 | 2021-05-18 | 农业农村部规划设计研究院 | 一种县级尺度冬小麦单产预测方法及系统 |
CN113139717A (zh) * | 2021-03-31 | 2021-07-20 | 北京农业信息技术研究中心 | 作物苗情分级遥感监测方法及装置 |
CN113358613A (zh) * | 2021-05-25 | 2021-09-07 | 西安科技大学 | Sisp指数探测小麦病害方法和sisp指数构建方法 |
WO2022032329A1 (en) * | 2020-08-14 | 2022-02-17 | Agriculture Victoria Services Pty Ltd | System and method for image-based remote sensing of crop plants |
WO2022057319A1 (zh) * | 2020-09-21 | 2022-03-24 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
CN115758232A (zh) * | 2022-09-28 | 2023-03-07 | 山东省气候中心 | 一种基于拟合模型的小麦苗情分类方法及系统 |
CN116310840A (zh) * | 2023-05-11 | 2023-06-23 | 天地信息网络研究院(安徽)有限公司 | 一种融合多关键物候期光谱特征的冬小麦遥感识别方法 |
CN116629453A (zh) * | 2023-07-18 | 2023-08-22 | 山东科技大学 | 一种适用于作物全生育时期的遥感估产方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111104858B (zh) * | 2019-11-19 | 2022-07-15 | 浙江大学 | 一种基于形态模型法的大范围作物物候提取方法 |
-
2023
- 2023-12-19 CN CN202311746581.9A patent/CN117423003B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123409A (zh) * | 2014-07-09 | 2014-10-29 | 江苏省农业科学院 | 大田冬小麦开花期遥感估产方法 |
CN108764255A (zh) * | 2018-05-21 | 2018-11-06 | 二十世纪空间技术应用股份有限公司 | 一种冬小麦种植信息的提取方法 |
WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN110210990A (zh) * | 2019-05-30 | 2019-09-06 | 河南省农业科学院农业经济与信息研究所 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
WO2022032329A1 (en) * | 2020-08-14 | 2022-02-17 | Agriculture Victoria Services Pty Ltd | System and method for image-based remote sensing of crop plants |
WO2022057319A1 (zh) * | 2020-09-21 | 2022-03-24 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
CN112819227A (zh) * | 2021-02-02 | 2021-05-18 | 农业农村部规划设计研究院 | 一种县级尺度冬小麦单产预测方法及系统 |
WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
CN113139717A (zh) * | 2021-03-31 | 2021-07-20 | 北京农业信息技术研究中心 | 作物苗情分级遥感监测方法及装置 |
CN113358613A (zh) * | 2021-05-25 | 2021-09-07 | 西安科技大学 | Sisp指数探测小麦病害方法和sisp指数构建方法 |
CN115758232A (zh) * | 2022-09-28 | 2023-03-07 | 山东省气候中心 | 一种基于拟合模型的小麦苗情分类方法及系统 |
CN116310840A (zh) * | 2023-05-11 | 2023-06-23 | 天地信息网络研究院(安徽)有限公司 | 一种融合多关键物候期光谱特征的冬小麦遥感识别方法 |
CN116629453A (zh) * | 2023-07-18 | 2023-08-22 | 山东科技大学 | 一种适用于作物全生育时期的遥感估产方法 |
Non-Patent Citations (5)
Title |
---|
Combined Multi-Temporal Optical and Radar Parameters for Estimating LAI and Biomass in Winter Wheat Using HJ and RADARSAR-2 Data;Xiuliang Jin et al.;《remote sensing》;20151006;全文 * |
Winter Wheat Yield Estimation Based on Optimal Weighted Vegetation Index and BHT-ARIMA Model;Qiuzhuo Deng et al.;《remote sensing》;20220421;全文 * |
基于地物高光谱和无人机多光谱的黄河三角洲土壤盐分机器学习反演模型;范承志 等;《智慧农业》;20221231;第4卷(第4期);全文 * |
基于综合指标的冬小麦长势无人机遥感监测;裴浩杰 等;《农业工程学报》;20171031;第33卷(第20期);全文 * |
基于遥感数据的冬小麦农情监测研究进展;刘淑云;谷卫刚;朱建华;;农业网络信息;20100226(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117423003A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
Tian et al. | An IPSO-BP neural network for estimating wheat yield using two remotely sensed variables in the Guanzhong Plain, PR China | |
Matsumura et al. | Maize yield forecasting by linear regression and artificial neural networks in Jilin, China | |
Wang et al. | Monitoring maize growth conditions by training a BP neural network with remotely sensed vegetation temperature condition index and leaf area index | |
CN117423003B (zh) | 一种冬小麦越冬期苗情分级遥感监测方法 | |
Wang et al. | A deep learning framework combining CNN and GRU for improving wheat yield estimates using time series remotely sensed multi-variables | |
Sultan et al. | Estimating the potential economic value of seasonal forecasts in West Africa: A long-term ex-ante assessment in Senegal | |
Chilkoti et al. | Multi-objective autocalibration of SWAT model for improved low flow performance for a small snowfed catchment | |
CN109711102A (zh) | 一种作物灾害损失快速评估方法 | |
CN115860269B (zh) | 一种基于三重注意力机制的农作物产量预测方法 | |
CN114529097A (zh) | 多尺度农作物物候期遥感降维预测方法 | |
Igder et al. | Multivariate assimilation of satellite-based leaf area index and ground-based river streamflow for hydrological modelling of irrigated watersheds using SWAT+ | |
Jiang et al. | Learning space-time crop yield patterns with zigzag persistence-based lstm: Toward more reliable digital agriculture insurance | |
Ratri et al. | Calibration of ECMWF seasonal ensemble precipitation reforecasts in Java (Indonesia) using bias-corrected precipitation and climate indices | |
CN116629453A (zh) | 一种适用于作物全生育时期的遥感估产方法 | |
Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
Ha et al. | Impacts of meteorological variables and machine learning algorithms on rice yield prediction in Korea | |
Linker et al. | Concurrent data assimilation and model-based optimization of irrigation scheduling | |
CN114936765A (zh) | 一种考虑空间异质性的农业干旱指数构建方法 | |
Walker et al. | Estimation of rainfall intensity for potential crop production on clay soil with in-field water harvesting practices in a semi-arid area | |
Yang et al. | Seasonal prediction of crop yields in Ethiopia using an analog approach | |
Akhand et al. | Wheat yield prediction in Bangladesh using artificial neural network and satellite remote sensing data | |
Bhartra et al. | Agricultural Yield Estimation of Various Crops in Southern India Using Vegetation Index | |
Milazzo et al. | NDVI prediction of Mediterranean permanent grassland using soil moisture products | |
Han et al. | A graph-based deep learning framework for field scale wheat yield estimation |
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 |