CN117496363B - 融合主被动微波遥感的作物产量估算方法、系统及设备 - Google Patents
融合主被动微波遥感的作物产量估算方法、系统及设备 Download PDFInfo
- Publication number
- CN117496363B CN117496363B CN202311087531.4A CN202311087531A CN117496363B CN 117496363 B CN117496363 B CN 117496363B CN 202311087531 A CN202311087531 A CN 202311087531A CN 117496363 B CN117496363 B CN 117496363B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- crop yield
- optical thickness
- data
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000003287 optical effect Effects 0.000 claims abstract description 129
- 238000011160 research Methods 0.000 claims abstract description 61
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 37
- 101000794020 Homo sapiens Bromodomain-containing protein 8 Proteins 0.000 claims abstract description 25
- 101001006782 Homo sapiens Kinesin-associated protein 3 Proteins 0.000 claims abstract description 25
- 101000615355 Homo sapiens Small acidic protein Proteins 0.000 claims abstract description 25
- WGKGADVPRVLHHZ-ZHRMCQFGSA-N N-[(1R,2R,3S)-2-hydroxy-3-phenoxazin-10-ylcyclohexyl]-4-(trifluoromethoxy)benzenesulfonamide Chemical compound O[C@H]1[C@@H](CCC[C@@H]1N1C2=CC=CC=C2OC2=C1C=CC=C2)NS(=O)(=O)C1=CC=C(OC(F)(F)F)C=C1 WGKGADVPRVLHHZ-ZHRMCQFGSA-N 0.000 claims abstract description 25
- 102100021255 Small acidic protein Human genes 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims description 28
- 239000002689 soil Substances 0.000 claims description 22
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000003908 quality control method Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 241000209094 Oryza Species 0.000 description 9
- 235000007164 Oryza sativa Nutrition 0.000 description 9
- 235000009566 rice Nutrition 0.000 description 9
- 238000005259 measurement Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 235000013339 cereals Nutrition 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 239000005427 atmospheric aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000021393 food security Nutrition 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种融合主被动微波遥感的作物产量估算方法、系统及相关设备，涉及作物产量估算遥感领域，其包括步骤：获取遥感数据并对该遥感数据进行预处理，所述遥感数据至少包含有SMAP植被光学厚度产品、Sentinel‑1SAR后向散射数据、作物产量数据和Sentinel‑2植被指数产品；根据所述Sentinel‑1SAR后向散射数据和建立的研究区的土壤‑植被散射模型，反演获得植被含水量分布信息；根据所述植被含水量分布信息和SMAP植被光学厚度产品，建立微波植被光学厚度降尺度模型；根据所述作物产量数据和所述微波植被光学厚度降尺度模型，建立高分辨率作物产量动态估算模型，根据所述高分辨率作物产量动态估算模型，反演获得研究区作物产量。
Description
技术领域
本发明涉及作物产量估算遥感领域，具体涉及一种融合主被动微波遥感的作物产量估算方法、系统及设备。
背景技术
快速、准确地估算作物产量对于农田管理措施及国家粮食安全政策的制定至关重要。水稻作为最重要的粮食作物之一，提供了全球近50％人口的食物来源。实时监测水稻的生长状况并预测其产量，对保障粮食安全和促进农业可持续发展具有至关重要的意义。
利用遥感技术对农作物长势和产量进行监测，是当前农业遥感监测的研究热点之一。从光学遥感获得的植被物理特性通常用于作物产量的估算研究中，包括可见光-红外植被指数(例如，归一化植被指数(NDVI)、增强植被指数(EVI)和叶面积指数(LAI)等)。以上植被指数与植被的光合作用成分有关，能够反映作物的生长状况和光合作用强度，因此被广泛应用于不同尺度的作物产量估算研究中。但是光学遥感容易受到云雨天气影响导致数据缺失，以及在作物茂密的地区存在信号饱和问题，限制了利用光学遥感进行作物产量估算的精度。
与光学遥感的可见光-红外植被指数不同，来源于微波遥感的植被光学厚度(Vegetation Optical Depth,VOD)产品，代表植被对微波辐射吸收和散射的衰减特性，与地表以上植被含水量成正相关，可以用来表征作物生长状况。与光学遥感获取的植被指数相比，植被光学厚度由于具有较强的穿透能力，不仅代表叶片的理化状况，也包含了作物的含水量和结构信息。因此，植被光学厚度不仅具有全天候、全天时、不受云雨干扰的连续观测特性，而且对植被冠层具有较强的穿透能力，不易出现信号饱和现象。基于以上优势，不同波段(L/C/X)的微波植被光学厚度产品已广泛应用于植被物候监测和作物产品估算等研究中。
但是，现有的植被光学厚度产品空间分辨率普遍较低(25-40km)，缺少公里级的高分辨率植被光学厚度产品，无法满足区域尺度作物产量估算等研究的需求。随着Sentinel-1以及我国高分三号等卫星的运行，以合成孔径雷达(Synthesis Aperture Radar,SAR)为代表的主动微波遥感凭借高空间分辨率和全天候覆盖特性，为提高植被光学厚度产品分辨率提供了有利契机。
发明内容
针对现有技术中的微波植被光学厚度(VOD)产品空间分辨率较低，在区域尺度无法准确估算作物产量动态变化的问题，本发明提供一种融合主被动微波遥感的作物产量估算方法、系统及相关设备，从而实现区域尺度水稻产量动态监测，为评估区域作物产量及保障粮食安全提供数据支撑。
为实现上述目的，本发明采用如下技术方案进行：
第一方面，本发明提供了一种融合主被动微波遥感的作物产量估算方法，其包括步骤：
获取遥感数据并对该遥感数据进行预处理，所述遥感数据至少包含有SMAP植被光学厚度产品、Sentinel-1 SAR后向散射数据、作物产量数据和Sentinel-2植被指数产品；
根据所述Sentinel-1 SAR后向散射数据和建立的研究区的土壤-植被散射模型，反演获得植被含水量分布信息；
根据所述植被含水量分布信息和SMAP植被光学厚度产品，建立微波植被光学厚度降尺度模型；
根据所述作物产量数据和所述微波植被光学厚度降尺度模型，建立高分辨率作物产量动态估算模型，根据所述高分辨率作物产量动态估算模型，反演获得研究区作物产量。
可选地，还包括对所述高分辨率作物产量动态估算模型的精度进行评价的步骤：
采用直接验证方法或间接验证法对所述高分辨率作物产量动态估算模型的精度进行评价，其中，
直接验证方法：根据作物产量数据，构建作物产量产品的地面验证数据库，通过计算调整后的决定系数和均方根误差，对模型估算精度进行直接评价；
间接验证法：借助来源于Sentinel-2植被指数产品，通过计算空间相关性，对研究区作物产量的年际变化趋势进行验证。
可选地，对所述SMAP植被光学厚度产品进行预处理，具体包括：通过质量控制文件去除受地形、霜冻条件和水体影响较大像元，在应用以上筛选条件之后，通过选择每天升轨和降轨中质量较高的数据，计算合成植被光学厚度的年均值，最终采用曲线拟合和残差过滤的方法，对融合后的植被光学厚度日观测产品进行过滤和平滑，进一步去除区域信号扰动对植被光学厚度产品的影响；对所述Sentinel-1 SAR后向散射数据进行预处理，具体包括以下操作：轨道校正、辐射定标、多视处理、滤波处理和地形校正。
可选地，所述土壤-植被散射模型将植被层假定为一个各向同性散射体，把地表后向散射描述为植被直接散射与经过植被双程衰减的土壤散射之和，通过以下设定公式表示：
σo＝σo veg+τ2σo soil
σo veg＝AV1 E cosθ(1-τ2)
σo soil＝C+Dmv
τ2＝exp(-2BV2/cosθ)
式中，σo是冠层总体后向散射；σo veg和σo soil分别是植被和土壤的后向散射贡献；τ2表示冠层双向衰减；θ是入射角；V1和V2是植被冠层描述；参数A，B和E是经验系数。
可选地，建立微波植被光学厚度降尺度模型，具体包括：
以植被含水量分布信息作为高分辨率植被光学厚度辅助变量信息，在机器学习模型梯度提升决策树框架下，在低分辨率尺度下与微波植被光学厚度建立回归模型，引入梯度提升决策树回归表达辅助变量和微波植被光学厚度之间的非线性关系，然后将回归模型应用于高分辨率的辅助变量，从而获得研究区高分辨率微波植被光学厚度产品，用于下一步研究区作物产量的反演。
可选地，以研究区作物产量的本底数据为响应变量，以高分辨率微波植被光学厚度产品为预测变量，构建基于植被光学厚度的高分辨率作物产量动态估算模型，在此基础上，基于高分辨率微波植被光学厚度产品，反演获得研究区设定时间的作物产量。
可选地，根据高分辨率作物产量动态估算模型，反演获得研究区作物产量，具体包括：采用logistic函数拟合来反演植被光学厚度与作物产量的关系。
第二方面，本发明提供了一种融合主被动微波遥感的作物产量估算系统，其包括：
数据获取单元，其用于获取遥感数据并对该遥感数据进行预处理，所述遥感数据至少包含有SMAP植被光学厚度产品、Sentinel-1 SAR后向散射数据、作物产量数据和Sentinel-2植被指数产品；
数据处理单元，其用于执行以下步骤：
根据所述Sentinel-1 SAR后向散射数据和建立的研究区的土壤-植被散射模型，反演获得植被含水量分布信息；
根据所述植被含水量分布信息和SMAP植被光学厚度产品，建立微波植被光学厚度降尺度模型；
根据所述作物产量数据和所述微波植被光学厚度降尺度模型，建立高分辨率作物产量动态估算模型，根据所述高分辨率作物产量动态估算模型，反演获得研究区作物产量。
第三方面，本发明还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
第四方面，本发明还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
第五方面，本发明还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明与现有技术相比，其有益效果在于：本发明的作物产量估算方法实现了区域尺度作物产量动态精准估算。本发明提出的主被动微波融合的思路，不仅解决了光学遥感易受云雨天气影响导致数据缺失及信号饱和的问题，而且借助SAR提升了微波植被光学厚度(VOD)产品空间分辨率，并发展了基于高分辨率植被光学厚度产品的作物产量动态估算方法，实现了区域尺度作物产量的精细化监测，为农田科学管控、保障粮食安全提供数据支撑和决策支持。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图进行简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的技术路线图；
图2是本发明实施例提供的梯度提升决策树算法流程图；
图3是本发明实施例提供的研究区预处理和质量控制后数据图(Sentinel-1 VV和VH)；
图4是本发明实施例提供的Sentinel-1后向散射数据与植被光学厚度拟合关系图；
图5是本发明实施例提供的研究区高分辨率植被光学厚度降尺度模型精度图；
图6是本发明实施例提供的研究区植被光学厚度(VOD)降尺度结果图；
图7是本发明实施例提供的水稻作物产量估算模型精度验证图；
图8是本发明实施例提供的研究区水稻作物产量估算结果示意图；
图9是本发明实施例提供的系统设备示意图；
图10是本发明实施例提供的一种电子设备示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例：
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
参见图1，一种融合主被动微波遥感的作物产量估算方法，具体可以包括步骤：
步骤1：获取遥感数据并对该遥感数据进行预处理，所述遥感数据至少包含有SMAP植被光学厚度产品、Sentinel-1 SAR后向散射数据、作物产量数据和Sentinel-2植被指数产品。
该步骤中，需要对各种类的遥感数据和对应的预处理进行简单介绍：
(1)SMAP植被光学厚度产品
获取来源于SMAP卫星(SoilMoisture Active and Passive)提供的L波段微波植被光学厚度产品，空间分辨率为9km，时间分辨率为1-3天。该产品采用多时相双通道算法反演生成，具有全天候、全天时、不受云雨干扰的连续观测能力。与光学植被指数相比，SMAP卫星植被光学厚度产品对作物的叶和茎组分都比较敏感，而且不易受到大气气溶胶和云层的影响。对于获取的SMAP原始数据，首先通过质量控制文件去除受地形、霜冻条件和水体影响较大像元。在应用以上筛选条件之后，通过选择每天升轨和降轨中质量较高的数据，计算合成植被光学厚度的年均值。最终采用曲线拟合和残差过滤的方法，对融合后的植被光学厚度日观测产品进行过滤和平滑，进一步去除区域信号扰动对植被光学厚度产品的影响。
(2)Sentinel-1 SAR后向散射数据
获取来源于哨兵1号卫星(Sentinel-1)提供的后向散射产品(干涉宽幅模式地距多视Level-1级数据)，空间分辨率为10m，时间分辨率为12天。哨兵1号卫星凭借其丰富的观测数据、高重访周期(6/12天)、高分辨率(10m)的优势，可为高分辨率微波植被光学厚度产品反演提供辅助信息。对于获取的Sentinel-1原始数据，开展数据预处理，包括轨道校正、辐射定标、多视处理、滤波处理、地形校正等，从而得到高质量的后向散射数据。
(3)作物产量数据
研究区内作物产量数据来源于广东省历年统计年鉴，包括了广东省内各市、县的农作物总产量、单产、种植面积等数据。此外，作物产量数据还包括野外测量结果，在研究区每个田块设定三个取样点，每个样点设置1m*1m样区，测量样区内水稻产量。作物产量数据用于与高分辨率植被光学厚度产品建立拟合关系，进而反演生成基于植被光学厚度的作物产量数据。
(4)Sentinel-2植被指数(NDVI)产品
归一化植被指数(Normalized Difference Vegetation Index,NDVI)数据来源于哨兵2号(Sentinel-2)产品，空间分辨率为10m。NDVI植被指数与植被的光合作用成分有关，因此与作物叶片生物量呈指数或者线性相关，可以用于植被光学厚度季节波动的修正和间接验证作物产量变化。
步骤2：根据所述Sentinel-1 SAR后向散射数据和建立的研究区的土壤-植被散射模型，反演获得植被含水量分布信息。
该步骤中，哨兵1号卫星提供的高分辨率后向散射数据，包含了土壤水分与植被含水量信息，其中植被含水量可以用来指示作物产量的空间分布。本实施例拟基于Sentinel-1后向散射数据，利用水云模型发展土壤水分与植被含水量的分离算法，提取植被含水量分布相关的信息，用于高分辨率植被光学厚度产品降尺度算法。
基于水云模型(或称土壤-植被散射模型)，根据研究区作物分布的实际情况，结合研究区土壤水分数据、Sentinel-1后向散射数据，构建适宜于研究区的土壤-植被散射模型。水云模型将植被层假定为一个各向同性散射体，把地表后向散射描述为植被直接散射与经过植被双程衰减的土壤散射之和，可以通过以下公式表示：
σo＝σo veg+τ2σo soil
σo soil＝C+Dmv
τ2＝exp(-2BV2/cosθ)
式中，σo是冠层总体后向散射；σo veg和σo soil分别是植被和土壤的后向散射贡献；τ2表示冠层双向衰减；θ是入射角；V1和V2是植被冠层描述；参数A，B和E是经验系数。由于水云模型简洁的表达方式以及合理的微波散射机制假设，被广泛应用于地表上层碳储量反演、植被覆盖下土壤水分反演等研究。
步骤3：根据所述植被含水量分布信息和SMAP植被光学厚度产品，建立微波植被光学厚度降尺度模型。
该步骤中，针对传统降尺度方法在模型泛化方面的不足，在机器学习模型梯度提升决策树(GBDT)支持下，构建SMAP微波植被光学厚度降尺度模型。参见图2，梯度提升决策树是一种集合学习方法，与传统的回归树不同，梯度提升决策树通过反复迭代训练决策树来最小化损失函数，在梯度提升中结合多种决策树生成预测模型，因此具有较好的可解释性和鲁棒性。
(1)对于梯度提升决策树(GBDT)模型，首先初始化回归树f0(x)：
(2)对于第2棵到第M棵回归树，计算损失函数得到的残差：
(3)对于当前第M棵树，遍历它的可行的切分点以及阈值，找到最优的预测值γ对应的参数，使得尽可能逼近残差：
其中Rjm为第M棵子树所有的划分方法中节点预测值的集合，即第M棵回归树可能达到的预测值。
(4)不断迭代以上过程：
(5)最终得到回归树：
基于高分辨率植被光学厚度辅助信息，在机器学习模型梯度提升决策树(GBDT)框架下，首先在低分辨率(9km)尺度下与微波植被光学厚度建立回归模型，引入梯度提升决策树回归表达辅助变量和植被光学厚度之间的非线性关系，然后将回归模型应用于高分辨率的辅助变量，从而获得研究区高分辨率(1km)植被光学厚度产品，用于下一步作物产量反演。
步骤4：根据所述作物产量数据和所述微波植被光学厚度降尺度模型，建立高分辨率作物产量动态估算模型，根据所述高分辨率作物产量动态估算模型，反演获得研究区作物产量。
借助于研究区作物产量本底数据(野外测量数据、统计年鉴数据)，以研究区作物产量本底数据为响应变量，以高分辨率植被光学厚度产品为预测变量，构建基于植被光学厚度的高分辨率作物产量动态估算模型。在此基础上，基于高分辨率植被光学厚度年际产品，反演获得研究区2017-2022年作物产量年际产品。
目前已有研究采用不同的经验函数来反演植被光学厚度与作物产量的关系，例如线性回归、arctangent函数拟合和logistic函数拟合等。结合前期实验结果，本研究采用logistic函数拟合来反演植被光学厚度与作物产量的关系。
式中a、b、c、d为回归参数，拟合曲线反映了作物产量(单位为MgC/ha)与植被光学厚度的关系。
利用步骤4训练的作物产量估算模型，基于高分辨率植被光学厚度年际产品，反演获得研究区2017-2022年作物产量年际产品，从而实现区域尺度作物产量动态监测，为评估区域作物产量及保障粮食安全提供数据支撑。
某些实施例中，还包括对所述高分辨率作物产量动态估算模型的精度进行评价的步骤：
对于生成的研究区作物产量年际产品，结合野外测量数据、作物产量统计年鉴和多种遥感植被指数产品，分别采用直接验证和间接验证的方法，对作物产量估算模型的精度进行评价。
(1)直接验证方法：根据野外测量作物产量数据，构建作物产量产品的地面验证数据库，通过计算调整后的决定系数(R2)和均方根误差(RMSE)，对模型估算精度进行直接评价。
(2)间接验证法：借助来源于光学遥感的植被指数产品(如NDVI、LAI等)，通过计算空间相关性(R)，对研究区作物产量的年际变化趋势进行验证。
实施例2
步骤11数据获取与预处理
获取肇庆市研究区2017-2022年SMAP植被光学厚度产品、Sentinel-1 SAR产品、Sentinel-2植被指数(NDVI)产品和作物产量数据等。
对SMAP植被光学厚度产品进行质量控制，首先通过质量控制文件(QA)去除受地形、霜冻条件和水体影响较大像元。然后通过选择每天升轨和降轨中质量较高的数据，计算合成植被光学厚度的年均值。最终采用曲线拟合和残差过滤的方法，对融合后的植被光学厚度日观测产品进行过滤和平滑，进一步去除区域信号扰动对植被光学厚度产品的影响。对Sentinel-1 SAR产品进行预处理，包括辐射定标、地形校正、多视和滤波处理等；对Sentinel-2植被指数(NDVI)产品进行质量控制，去除云雨天气和气溶胶影响，研究区预处理和质量控制后数据(Sentinel-1 VV和VH)如图3所示。
步骤12基于Sentinel-1植被含水量反演
基于水云模型，根据研究区作物分布的实际情况，结合研究区土壤水分数据、Sentinel-1后向散射数据，构建适宜于研究区的土壤-植被散射模型。利用水云模型发展土壤水分与植被含水量的分离算法，提取出与植被含水量分布相关的信息，用于高分辨率植被光学厚度产品降尺度算法。
首先建立Sentinel-1后向散射数据(VV和VH)与微波植被光学厚度产品的拟合关系，然后基于Sentinel-1后向散射数据和土壤水分数据，利用水云模型提取与植被含水量有关信息，Sentinel-1后向散射数据与植被光学厚度拟合关系如图4所示。
步骤13植被光学厚度降尺度模型构建
基于高分辨率植被光学厚度辅助信息，在机器学习模型梯度提升决策树(GBDT)框架下，首先在低分辨率(9km)尺度下与微波植被光学厚度建立回归模型，引入梯度提升决策树回归表达辅助变量和植被光学厚度之间的非线性关系，然后将回归模型应用于高分辨率的辅助变量，从而获得研究区高分辨率(1km)植被光学厚度产品，用于下一步作物产量反演。
研究区高分辨率植被光学厚度降尺度模型精度如图5所示，研究区植被光学厚度(VOD)降尺度结果如图6所示。
步骤14作物产量估算模型构建与精度验证
借助于研究区作物产量本底数据(野外测量数据、统计年鉴数据)，以研究区作物产量本底数据为响应变量，以高分辨率植被光学厚度产品为预测变量，构建基于植被光学厚度的高分辨率作物产量动态估算模型。
采用bootstrap抽样方法(抽样率＝80％，迭代次数＝100)对作物产量估算模型进行训练；其余数据(20％)用于模型验证。通过迭代训练，对于以上公式中参数a、b、c、d，拟合结果分别为95.45、19.81、0.33和2.69。
对于生成的研究区作物产量年际产品，结合野外测量数据、作物产量统计年鉴和多种遥感植被指数产品，分别采用直接验证和间接验证的方法，对作物产量估算模型的精度进行评价。水稻作物产量估算模型精度验证如图7所示。
步骤15研究区作物产量估算与系统设备
利用步骤4训练的作物产量估算模型，基于高分辨率植被光学厚度年际产品，反演获得研究区2017-2022年作物产量年际产品。研究区水稻作物产量估算结果如图8所示。
实施例3
参见图9，本发明所涉及的作物产量估算系统及设备，主要包括数据集成与预处理、植被含水量反演模块、植被光学厚度降尺度模块、作物产量估算与验证等模块。其中数据集成与预处理模块主要涉及主被动微波遥感数据(如SMAP植被光学厚度产品和Sentinel-1后向散射数据)、统计数据和野外测量数据的在线获取与预处理。植被含水量反演模块主要涉及水云模型参数化和基于Sentinel-1后向散射系统的植被含水量反演，为下一步植被光学厚度降尺度提供空间辅助信息。植被光学厚度降尺度模型主要涉及机器学习模型梯度提升决策树(GBDT)参数化和基于SMAP植被光学厚度产品降尺度，生成高分辨率植被光学厚度产品。作物产量估算与验证模块主要涉及作物产量动态估算模型构建与精度验证，从而实现区域尺度作物产量动态监测，为评估区域作物产量及保障粮食安全提供数据支撑。
实施例4
基于同一发明构思，本发明实施例还提供一种融合主被动微波遥感的作物产量估算系统，其包括：
数据获取单元，其用于获取遥感数据并对该遥感数据进行预处理，所述遥感数据至少包含有SMAP植被光学厚度产品、Sentinel-1 SAR后向散射数据、作物产量数据和Sentinel-2植被指数产品；
数据处理单元，其用于执行以下步骤：
根据所述Sentinel-1 SAR后向散射数据和建立的研究区的土壤-植被散射模型，反演获得植被含水量分布信息；
根据所述植被含水量分布信息和SMAP植被光学厚度产品，建立微波植被光学厚度降尺度模型；
根据所述作物产量数据和所述微波植被光学厚度降尺度模型，建立高分辨率作物产量动态估算模型，根据所述高分辨率作物产量动态估算模型，反演获得研究区作物产量。
由于该系统是本发明实施例的融合主被动微波遥感的作物产量估算方法对应的系统，并且该系统解决问题的原理与该方法相似，因此该系统的实施可以参见上述方法实施例的实施过程，重复之处不再赘述。
实施例5
参见图10，基于同一发明构思，本发明实施例还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行，以实现如上所述的融合主被动微波遥感的作物产量动态估算方法。
可以理解的是，存储器可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选地，该存储器包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器可用于存储指令、程序、代码、代码集或指令集。存储器可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等；存储数据区可存储根据服务器的使用所创建的数据等。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行服务器的各种功能和处理数据。可选地，处理器可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器可集成中央处理器(Central Processing Unit，CPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统和应用程序等；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器中，单独通过一块芯片进行实现。
由于该电子设备是本发明实施例的融合主被动微波遥感的作物产量估算方法对应的电子设备，并且该电子设备解决问题的原理与该方法相似，因此该电子设备的实施可以参见上述方法实施例的实施过程，重复之处不再赘述。
实施例6
基于同一发明构思，本发明实施例还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上所述的融合主被动微波遥感的作物产量估算方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一种计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
由于该存储介质是本发明实施例的融合主被动微波遥感的作物产量估算方法对应的存储介质，并且该存储介质解决问题的原理与该方法相似，因此该存储介质的实施可以参见上述方法实施例的实施过程，重复之处不再赘述。
实施例7
在一些可能的实施方式中，本发明实施例的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的融合主被动微波遥感的作物产量估算方法的步骤。其中，用于执行各个实施例的可执行的计算机程序代码或“代码”可以用诸如C、C++、C#、Smalltalk、Java、JavaScript、Visual Basic、结构化查询语言(例如，Transact-SQL)、Perl之类的高级编程语言或者用各种其它编程语言编写。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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发明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。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。
Claims (8)
1.一种融合主被动微波遥感的作物产量估算方法，其特征在于，包括步骤：
获取遥感数据并对该遥感数据进行预处理，所述遥感数据至少包含有SMAP植被光学厚度产品、Sentinel-1SAR后向散射数据、作物产量数据和Sentinel-2植被指数产品；
根据所述Sentinel-1SAR后向散射数据和建立的研究区的土壤-植被散射模型，反演获得植被含水量分布信息；
根据所述植被含水量分布信息和SMAP植被光学厚度产品，建立微波植被光学厚度降尺度模型；其中，建立微波植被光学厚度降尺度模型，具体包括：
以植被含水量分布信息作为高分辨率植被光学厚度辅助变量信息，在机器学习模型梯度提升决策树框架下，在低分辨率尺度下与微波植被光学厚度建立回归模型，引入梯度提升决策树回归表达辅助变量和微波植被光学厚度之间的非线性关系，然后将回归模型应用于高分辨率的辅助变量，从而获得研究区高分辨率微波植被光学厚度产品，用于下一步研究区作物产量的反演；
根据所述作物产量数据和所述微波植被光学厚度降尺度模型，建立高分辨率作物产量动态估算模型，根据所述高分辨率作物产量动态估算模型，反演获得研究区作物产量；
还包括对所述高分辨率作物产量动态估算模型的精度进行评价的步骤：
采用直接验证方法或间接验证法对所述高分辨率作物产量动态估算模型的精度进行评价，其中，
直接验证方法：根据作物产量数据，构建作物产量产品的地面验证数据库，通过计算调整后的决定系数和均方根误差，对模型估算精度进行直接评价；
间接验证法：借助来源于Sentinel-2植被指数产品，通过计算空间相关性，对研究区作物产量的年际变化趋势进行验证。
2.根据权利要求1所述的融合主被动微波遥感的作物产量估算方法，其特征在于，对所述SMAP植被光学厚度产品进行预处理，具体包括：通过质量控制文件去除受地形、霜冻条件和水体影响较大像元，在应用以上筛选条件之后，通过选择每天升轨和降轨中质量高的数据，计算合成植被光学厚度的年均值，最终采用曲线拟合和残差过滤的方法，对融合后的植被光学厚度日观测产品进行过滤和平滑，进一步去除区域信号扰动对植被光学厚度产品的影响；对所述Sentinel-1SAR后向散射数据进行预处理，具体包括以下操作：轨道校正、辐射定标、多视处理、滤波处理和地形校正。
3.根据权利要求1所述的融合主被动微波遥感的作物产量估算方法，其特征在于，所述土壤-植被散射模型将植被层假定为一个各向同性散射体，把地表后向散射描述为植被直接散射与经过植被双程衰减的土壤散射之和，通过以下设定公式表示：
σo＝σo veg+τ2σo soil
σo soil＝C+Dmv
t2＝exp(-2BV2/cosq)
式中，σo是冠层总体后向散射；σo veg和σo soil分别是植被和土壤的后向散射贡献；τ2表示冠层双向衰减；θ是入射角；V1和V2是植被冠层描述；参数A，B和E是经验系数。
4.根据权利要求1所述的融合主被动微波遥感的作物产量估算方法，其特征在于，
以研究区作物产量的本底数据为响应变量，以高分辨率微波植被光学厚度产品为预测变量，构建基于植被光学厚度的高分辨率作物产量动态估算模型，在此基础上，基于高分辨率微波植被光学厚度产品，反演获得研究区设定时间的作物产量。
5.根据权利要求4所述的融合主被动微波遥感的作物产量估算方法，其特征在于，根据高分辨率作物产量动态估算模型，反演获得研究区作物产量，具体包括：采用logistic函数拟合来反演植被光学厚度与作物产量的关系。
6.一种融合主被动微波遥感的作物产量估算系统，其特征在于，包括：
数据获取单元，其用于获取遥感数据并对该遥感数据进行预处理，所述遥感数据至少包含有SMAP植被光学厚度产品、Sentinel-1SAR后向散射数据、作物产量数据和Sentinel-2植被指数产品；
数据处理单元，其用于执行以下步骤：
根据所述Sentinel-1SAR后向散射数据和建立的研究区的土壤-植被散射模型，反演获得植被含水量分布信息；
根据所述植被含水量分布信息和SMAP植被光学厚度产品，建立微波植被光学厚度降尺度模型；其中，建立微波植被光学厚度降尺度模型，具体包括：
以植被含水量分布信息作为高分辨率植被光学厚度辅助变量信息，在机器学习模型梯度提升决策树框架下，在低分辨率尺度下与微波植被光学厚度建立回归模型，引入梯度提升决策树回归表达辅助变量和微波植被光学厚度之间的非线性关系，然后将回归模型应用于高分辨率的辅助变量，从而获得研究区高分辨率微波植被光学厚度产品，用于下一步研究区作物产量的反演；
根据所述作物产量数据和所述微波植被光学厚度降尺度模型，建立高分辨率作物产量动态估算模型，根据所述高分辨率作物产量动态估算模型，反演获得研究区作物产量；
还包括对所述高分辨率作物产量动态估算模型的精度进行评价的步骤：
采用直接验证方法或间接验证法对所述高分辨率作物产量动态估算模型的精度进行评价，其中，
直接验证方法：根据作物产量数据，构建作物产量产品的地面验证数据库，通过计算调整后的决定系数和均方根误差，对模型估算精度进行直接评价；
间接验证法：借助来源于Sentinel-2植被指数产品，通过计算空间相关性，对研究区作物产量的年际变化趋势进行验证。
7.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行，以实现如权利要求1至5任一所述的融合主被动微波遥感的作物产量动态方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至5任一所述的融合主被动微波遥感的作物产量估算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311087531.4A CN117496363B (zh) | 2023-08-28 | 2023-08-28 | 融合主被动微波遥感的作物产量估算方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311087531.4A CN117496363B (zh) | 2023-08-28 | 2023-08-28 | 融合主被动微波遥感的作物产量估算方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117496363A CN117496363A (zh) | 2024-02-02 |
| CN117496363B true CN117496363B (zh) | 2024-06-11 |
Family
ID=89671437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311087531.4A Active CN117496363B (zh) | 2023-08-28 | 2023-08-28 | 融合主被动微波遥感的作物产量估算方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117496363B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3709274A (en) * | 1969-07-14 | 1973-01-09 | Austria Tabakwerke Ag | Method and apparatus for regulating output in tobacco cutting machines |
| CN106258686A (zh) * | 2016-08-11 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种改进的水云模型及应用该模型的水稻参数反演方法 |
| CN106990121A (zh) * | 2017-03-30 | 2017-07-28 | 中国科学院遥感与数字地球研究所 | 一种全极化sar数据土壤含水量反演方法 |
| CN108681652A (zh) * | 2018-06-04 | 2018-10-19 | 中国科学院遥感与数字地球研究所 | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 |
| CN109615551A (zh) * | 2018-11-15 | 2019-04-12 | 中国农业科学院农业资源与农业区划研究所 | 基于微波散射和冠层模拟的麦类作物叶面积指数反演方法 |
| CN110221301A (zh) * | 2019-07-24 | 2019-09-10 | 中国科学院遥感与数字地球研究所 | 土壤水分反演方法及装置 |
| CN112906310A (zh) * | 2021-04-19 | 2021-06-04 | 中国农业科学院农业资源与农业区划研究所 | 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法 |
| CN113033262A (zh) * | 2019-12-25 | 2021-06-25 | 中移(成都)信息通信科技有限公司 | 模型训练方法和农作物产量预估方法 |
| CN115166731A (zh) * | 2022-07-19 | 2022-10-11 | 西北农林科技大学 | 基于无人机微波及多光谱的非均质覆被农田土壤水分反演方法 |
| CN116432859A (zh) * | 2023-05-08 | 2023-07-14 | 中山大学 | 一种作物产量统计数据降尺度方法 |
| CN116452023A (zh) * | 2022-12-23 | 2023-07-18 | 西南大学 | 基于低频微波雷达vod数据的公里级碳储量评估算法 |
-
2023
- 2023-08-28 CN CN202311087531.4A patent/CN117496363B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3709274A (en) * | 1969-07-14 | 1973-01-09 | Austria Tabakwerke Ag | Method and apparatus for regulating output in tobacco cutting machines |
| CN106258686A (zh) * | 2016-08-11 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种改进的水云模型及应用该模型的水稻参数反演方法 |
| CN106990121A (zh) * | 2017-03-30 | 2017-07-28 | 中国科学院遥感与数字地球研究所 | 一种全极化sar数据土壤含水量反演方法 |
| CN108681652A (zh) * | 2018-06-04 | 2018-10-19 | 中国科学院遥感与数字地球研究所 | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 |
| CN109615551A (zh) * | 2018-11-15 | 2019-04-12 | 中国农业科学院农业资源与农业区划研究所 | 基于微波散射和冠层模拟的麦类作物叶面积指数反演方法 |
| CN110221301A (zh) * | 2019-07-24 | 2019-09-10 | 中国科学院遥感与数字地球研究所 | 土壤水分反演方法及装置 |
| CN113033262A (zh) * | 2019-12-25 | 2021-06-25 | 中移(成都)信息通信科技有限公司 | 模型训练方法和农作物产量预估方法 |
| CN112906310A (zh) * | 2021-04-19 | 2021-06-04 | 中国农业科学院农业资源与农业区划研究所 | 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法 |
| CN115166731A (zh) * | 2022-07-19 | 2022-10-11 | 西北农林科技大学 | 基于无人机微波及多光谱的非均质覆被农田土壤水分反演方法 |
| CN116452023A (zh) * | 2022-12-23 | 2023-07-18 | 西南大学 | 基于低频微波雷达vod数据的公里级碳储量评估算法 |
| CN116432859A (zh) * | 2023-05-08 | 2023-07-14 | 中山大学 | 一种作物产量统计数据降尺度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于流依赖背景误差同化系统的冬小麦估产研究;吴尚蓉;《中国博士学位论文全文数据库 (农业科技辑)》;20190815(第8期);第1-76页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117496363A (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Garioud et al. | Recurrent-based regression of Sentinel time series for continuous vegetation monitoring | |
| Kong et al. | A robust method for reconstructing global MODIS EVI time series on the Google Earth Engine | |
| Tian et al. | A deep learning framework under attention mechanism for wheat yield estimation using remotely sensed indices in the Guanzhong Plain, PR China | |
| Phung et al. | Monitoring rice growth status in the Mekong Delta, Vietnam using multitemporal Sentinel-1 data | |
| Leempoel et al. | Very high‐resolution digital elevation models: are multi‐scale derived variables ecologically relevant? | |
| Zhang et al. | Estimating soil salinity with different fractional vegetation cover using remote sensing | |
| Li et al. | Fusion of optical and SAR images based on deep learning to reconstruct vegetation NDVI time series in cloud-prone regions | |
| Zhu et al. | An advanced change detection method for time-series soil moisture retrieval from Sentinel-1 | |
| Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
| Jahan et al. | Modelling the vegetation–climate relationship in a boreal mixedwood forest of Alberta using normalized difference and enhanced vegetation indices | |
| CN111798132B (zh) | 基于多源时序遥感深度协同下的耕地动态监测方法及系统 | |
| CN116450700B (zh) | 极轨卫星地表温度时间归一化方法、装置及电子设备 | |
| Huang et al. | A methodology to reconstruct LAI time series data based on generative adversarial network and improved Savitzky-Golay filter | |
| Ohana-Levi et al. | Using satellite thermal-based evapotranspiration time series for defining management zones and spatial association to local attributes in a vineyard | |
| Huang et al. | Two-step fusion method for generating 1 km seamless multi-layer soil moisture with high accuracy in the Qinghai-Tibet plateau | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| CN106447079A (zh) | 一种基于Radarsat‑2的喀斯特山区烟草产量预测方法 | |
| CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
| CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
| CN117690024B (zh) | 一种针对多种植模式水稻田的一体化遥感识别方法 | |
| Eugene et al. | Rice modeling using long time series of high temporal resolution vegetation indices in Nepal | |
| CN118094397A (zh) | 冠层基高预测方法、装置、电子设备及存储介质 | |
| Chen et al. | Application of the vineyard data assimilation (VIDA) system to vineyard root-zone soil moisture monitoring in the California Central Valley | |
| CN117496363B (zh) | 融合主被动微波遥感的作物产量估算方法、系统及设备 | |
| CN117405704A (zh) | 一种星载gnss-r土壤湿度降尺度反演方法 |
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 |