CN108662991A - 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 - Google Patents
基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 Download PDFInfo
- Publication number
- CN108662991A CN108662991A CN201810306673.8A CN201810306673A CN108662991A CN 108662991 A CN108662991 A CN 108662991A CN 201810306673 A CN201810306673 A CN 201810306673A CN 108662991 A CN108662991 A CN 108662991A
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- index
- model
- data
- vegetation index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 63
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 63
- 238000011156 evaluation Methods 0.000 title claims abstract description 20
- 238000011160 research Methods 0.000 claims abstract description 10
- 238000002474 experimental method Methods 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 11
- 238000002310 reflectometry Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 101001057166 Homo sapiens Protein EVI2A Proteins 0.000 description 4
- 102100027246 Protein EVI2A Human genes 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- VAYOSLLFUXYJDT-RDTXWAMCSA-N Lysergic acid diethylamide Chemical compound C1=CC(C=2[C@H](N(C)C[C@@H](C=2)C(=O)N(CC)CC)C2)=C3C2=CNC3=C1 VAYOSLLFUXYJDT-RDTXWAMCSA-N 0.000 description 1
- 241001024327 Oenanthe <Aves> Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
- G01B11/285—Measuring arrangements characterised by the use of optical techniques for measuring areas using photoelectric detection means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高空间分辨率遥感卫星影像的地块尺度冬小麦叶面积指数(LAI)估算方法，包括：步骤1、通过冬小麦大田试验，获取采样点的冬小麦抽穗前关键生育时期的叶面积指数数据；步骤2、获取覆盖冬小麦大田试验研究区的高空间分辨率遥感影像，进行预处理后，再经过波段计算得到与步骤1中采样点对应的植被指数；步骤3、将叶面积指数数据和植被指数，部分用于构建模型，剩余部分作为验证数据；步骤4、利用验证数据对构建的模型进行验证，获取模型的决定系数R2和均方根误差，选取决定系数R2最大和均方根误差最小的模型为最优模型；步骤6、将获取的最优模型应用于地块尺度冬小麦叶面积指数估算。
Description
技术领域
本发明涉及冬小麦叶面积指数估算技术领域，具体涉及一种基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法。
背景技术
作物生长发育过程中对冠层生物物理参数的精确估算对优化作物田间管理措施具有重要意义。作为常用的作物冠层指示因子，叶面积指数(LAI)经常被用来监测作物冠层结构的发展变化以及作物估产。LAI的精确估计可以为作物施肥、灌溉、病虫害控制以及粮食生产力提供理论支持。传统的大田定点观测不仅费时费力，而且只能获取单点的LAI值，无法获取面上的LAI的情况。随着遥感技术的发展，在全球尺度上大面积的遥感监测为区域尺度上LAI的精准估算提供了可能。
遥感技术手段根据传感器使用电磁波波长的不同又分为光学遥感和微波遥感。光学遥感使用的电磁波波段范围主要是可见光，而后者主要使用较长波长的电磁波来进行对地观测。光学影像在LAI估算方面已经得到了广泛的应用。主要是由各波段反射率经过数学变换得到的植被指数与LAI建立关系，以达到精确估算的目的。常用的一种估算方法是利用红光和近红外波段的反射率构建植被指数NDVI(归一化差值植被指数)，然后与LAI建立关系。然而，有研究表明NDVI在LAI大于等于3时会出现饱和现象。为了克服这个缺点，众多学者又构建了新的植被指数，如EVI，OSAVI，MTVI2等等，以达到提高LAI估算精度的目的。除此之外，光学遥感影像的时间分辨率和空间分辨率一直是制约遥感影像应用的难题。粗分辨率的遥感影像，如MODIS，AVHRR等，由于时间分辨率高，已经在区域或者全球尺度上LAI估算上得到了广泛的应用。但是由于他们的空间分辨率较低，所以在地块尺度上几乎不能得到利用。
长期以来，由于高空间分辨率卫星对不同地物辨别能力强、空间分辨率高、信息精准等特性，有关高分辨率遥感卫星技术及其应用都涉及到国家安全，属于国家的高度机密，多用于获取敌国经济状况、军事情报、空间地理数据等。直至1999美国成功发射了第一颗商业高分辨率遥感卫星IKONOS，才开启了高空间分辨率卫星应用的新时代。其后，SPOT(SystemeProbatoired’Observation de la Terre)，WorldView，GeoEye等一系列高分辨率遥感卫星的发射升空为地块尺度的相关研究提供了可能。利用遥感观测来估算地面LAI的研究主要集中于两种方式，一种方法是基于物理辐射传输模型，典型的辐射传输模型有SAIL(Suits，1972)，以及与PROSPECT(Jacquemoud et al.，1990)结合后的PROSAIL模型(Jacquemoud，1993)等。辐射传输模型的优点是充分考虑了光在冠层内的多次散射，缺点是输入参数多，存在病态反演问题(Atzberger，2004)等。另一种应用较多的方法是直接利用地面实测的LAI值与同时段内获取的遥感影像波段信息的变换形式--植被指数--建立线性或者非线性回归估算模型，这种方法虽然具有一定的地域局限性，但是由于其简单、直接，仍然得到了广泛的应用(陈拉等，2008；刘占宇等，2008；夏天等，2012；谭昌伟等，2015)。因此，我们首先计算冬小麦LAI与植被指数的相关系数；然后采用线性回归、指数回归、幂回归、二次多项式回归和对数回归等方法建立湿渍害胁迫下叶面积指数遥感估算模型；比较各种模型的显著性水平，综合考虑模型拟合决定系数R2、显著性检验F值以及验证R2和均方根误差(Root mean square error,RMSE)确定最优的模型；最后利用挑选出的最优模型进行湿渍害胁迫下地块尺度叶面积指数动态制图。
目前，利用中、低分辨率遥感影像对冬小麦LAI进行反演方法理论比较成熟，然而，如何进行地块尺度的LAI反演很少被探讨。近十年来关于地块尺度的研究大都是关于面积提取，特征提取，作物分类以及面积估算等方面，鲜见有关于地块尺度冬小麦LAI估算的报道。因此关于如何利用高空间分辨率遥感卫星数据进行地块尺度的冬小麦LAI估算需要进一步探讨。
发明内容
本发明的目的是为高空间分辨率遥感影像在冬小麦LAI估算上的应用提供一种基于高空间分辨率遥感卫星数据的地块尺度冬小麦叶面积指数估算方法，其能对高空间分辨率卫星数据得到的植被指数对LAI的估算能力进行客观评价，并能够获取冬小麦抽穗前LAI的动态变化图，可以在以后更高分辨率遥感卫星数据在冬小麦LAI估算上的应用。
一种基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法，包括如下步骤：
步骤1、通过冬小麦大田试验，获取采样点的冬小麦抽穗前关键生育时期的叶面积指数(LAI)数据；
步骤2、获取覆盖冬小麦大田试验研究区的高空间分辨率遥感影像，进行预处理后，再经过波段计算得到与步骤1中采样点对应的植被指数，将同采样点的叶面积指数(LAI)数据和植被指数一一对应；
步骤3、将步骤2中一一对应的叶面积指数(LAI)数据和植被指数，部分用于构建模型，剩余部分作为验证数据；
步骤4、利用验证数据对步骤3中构建的模型进行验证，获取模型的决定系数R2和均方根误差(RMSE)，选取决定系数R2最大和均方根误差(RMSE)最小的模型为最优模型；
步骤6、将步骤5中获取的最优模型应用于地块尺度冬小麦叶面积指数估算。
以下作为本发明的优选技术方案：
步骤2中，所述的预处理包括：辐射定标、大气校正和几何配准(几何校正)。
所述的植被指数为归一化植被指数(Normalized difference vegetationindex,NDVI)、比值植被指数(Ratio vegetation index,RVI)、增强型植被指数(enhancedvegetation index,EVI)、环境增强型二波段植被指数2(Two-band enhanced vegetationindex,EVI2)、调节型二次三角植被指数(Modified triangular vegetation index 2,MTVI2)、最优土壤调节植被指数(Optimized soil adjusted vegetation index,OSAVI)和绿度归一化植被指数(Green normalized difference vegetation index,GNDVI)。
步骤3中，将步骤2中一一对应的叶面积指数(LAI)数据和植被指数，三分之二用于构建模型，三分之一作为验证数据；
所述的模型为线性回归模型、指数回归模型、二次多项式回归模型、对数回归模型和幂回归模型。
步骤4中，所述的最优模型为基于归一化植被指数(Normalized differencevegetation index,NDVI)的指数回归模型；
所述的最优模型为以NDVI为自变量的指数回归模型：
LAI＝0.075e^(5.665*NDVI)；
其中，LAI表示叶面积指数，NDVI表示归一化植被指数。
与现有技术相比，本发明具有如下优点：
本发明基于多源高空间分辨率遥感卫星数据进行地块尺度冬小麦LAI估算，建立了一种冬小麦LAI估算方法。基于冬小麦抽穗前的多源遥感影像及对应日期的大田观测数据，为冬小麦LAI信息的大面积获取提供了一种简单方便的方法。尤其是高空间分辨率遥感卫星数据的应用，可以为基于粗分辨率遥感影像的叶面积指数的估算方法提供验证。
附图说明
图1为本发明基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法的流程图；
图2为植被指数与LAI散点图，其中，图2中(a)为NDVI植被指数与LAI散点图，图2中(b)为RVI植被指数与LAI散点图，图2中(c)为EVI植被指数与LAI散点图，图2中(d)为OSAVI植被指数与LAI散点图，图2中(e)为EVI2植被指数与LAI散点图，图2中(f)为MTVI2植被指数与LAI散点图，图2中(g)为GNDVI植被指数与LAI散点图；
图3为应用最优模型估算的LAI与实测LAI的验证散点图；
图4为应用最优模型的冬小麦抽穗前动态制图，图4中(a)为利用2014年12月31日的WorldView-3反演得到的冬小麦LAI，图4中(b)为利用遥感数据(2015年2月12日，SPOT-6)反演得到的冬小麦LAI，图4中(c)为利用WorldView-2影像(2015年3月10日)反演得到的冬小麦LAI，图4中(d)为利用2015年3月24日的SPOT-6影像反演得到的冬小麦LAI。
具体实施方式
下面结合附图和实施实例对本发明做进一步说明。
如图1所示，为本发明基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法的流程图，具体来说，首先购买覆盖研究区的高空间分辨率的遥感影像。本发明所涉及的遥感影像的获取是通过与公司签订合同进行编程接收，但是由于研究区天气(如云、雨)的影响，在卫星运行到研究区上空时无法获取到可用的影像。因此，又购买了其他卫星的高空间分辨率的影像。在卫星过境且有可用的高空间分辨率数据时进行大田叶面积指数观测。遥感影像经过预处理过程之后得到地表反射率数据，根据植被指数计算公式获取大田叶面积指数观测采样点的植被指数并将两者一一对应。将四次星地同步观测的叶面积指数和植被指数数据分成两份，一份作为训练数据集(总数的三分之二)，剩余数据作为验证数据集，用以对所构建的模型进行精度验证，并且根据验证指标(决定系数R2和均方根误差(Rootmean square error.RMSE))选择最优的叶面积指数估算模型。根据验证结果，精度最高的模型为以NDVI为自变量的指数模型，可以用来进行叶面积指数的估算。
一种基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法，具体计算方法包括如下步骤：
步骤1、获取2014-2015生长季冬小麦关键生育时期的叶面积指数(LAI)数据，并在大田观测的同时购买高空间分辨率遥感影像；
具体地，在冬小麦抽穗前的关键生育时期，如分蘖期、拔节期和孕穗期进行大田观测。每个小区采点3个，在每个采样点上将0.5x0.5m范围内的冬小麦全部拔出，迅速带回实验室进行茎叶分离。利用LAI 3050对叶片面积进行扫描，进而获取每个样点的叶片面积。根据采样点面积(0.25m2)和对应的叶片总面积计算采样点的叶面积指数。在采样的同时，用手持GPS接收机记录采样点位置，用以获取采样点在影像中对应像元的植被指数。遥感影像的订购是通过与卫星影像公司签订协议，以保证足够可用的卫星影像。由于高空间分辨率影像大都时间分辨率较低，再加上研究区云、雨天气较多，因此，为了保证的数据获取的连续性性，同时购买了其他传感器的遥感卫星影像(即多源遥感卫星数据)，具体为WordView-3、WordView-2、SPOT-6(SystemeProbatoired’Observation de la Terre 6)。
步骤2、对步骤1中获取的遥感数据利用进行预处理，获取地表反射率数据；
具体地，首先根据获取的高空间分辨率遥感数据头文件中给出的参数将DN值(Digital Number，遥感影像像元亮度值)转换为辐亮度，在此过程中每种卫星辐射定标的公式以及参数都存在差异，因此，应严格按照影像头文件以及卫星参数进行定标。然后将辐亮度数据经过大气校正，获取地表反射率数据。最后，为了减少不同卫星传感器获取影像之间的地理偏差，以空间分辨率最高的WorldView-3(获取日期：2014年12月31日)为基准影像，对其他三景影像进行几何校正(即几何配准)，保证校正后的地理偏差在一个像元内。
步骤3、将步骤2中预处理得到的反射率数据经过计算得到植被指数；
具体地，应用植被指数计算公式将影像中的波段反射率进行计算(即波段计算)，得到植被指数的值，植被指数主要采用以下几种：归一化植被指数(Normalizeddifference vegetation index,NDVI)、比值植被指数(Ratio vegetation index,RVI)、增强型二波段植被指数(Two-band enhanced vegetation index,EVI2)、调节型二次三角植被指数(Modified triangular vegetation index2,MTVI2)、最优土壤调节植被指数(Optimized soil adjusted vegetation index,OSAVI)和绿度归一化植被指数(Greennormalized difference vegetation index,GNDVI)。
所述的波段计算方法为根据植被指数计算公式进行遥感数据波段间的加减乘除，例如NDVI的计算公式为：
其中ρNIR和ρred分别表示近红外波段和红光波段的反射率。根据公式，要获取遥感数据某个采样点对应像元的NDVI值，只需将该像元近红外波段与红光波段反射率的差值除以该像元近红外波段与红光波段反射率之和，即可得到该像元的NDVI。
图2为植被指数与LAI散点图，其中，图2中(a)为植被指数NDVI与LAI散点图，图2中(b)为植被指数RVI与LAI散点图，图2中(c)为植被指数EVI与LAI散点图，图2中(d)为植被指数OSAVI与LAI散点图，图2中(e)为植被指数EVI2与LAI散点图，图2中(f)为植被指数MTVI2与LAI散点图，图2中(g)为植被指数GNDVI与LAI散点图。
图2中可以看出指数模型可以很好地模拟冬小麦抽穗前LAI的动态变化。以NDVI与LAI散点图为例(图2a)，冬小麦从播种、出苗至分蘖期这一段时间，由于冬季气温较低，生长发育缓慢，NDVI小于0.3，与之对应的LAI也较低(小于0.5)。次年3月份开始，气温逐渐升高，冬小麦开始返青、拔节直至抽穗，冬小麦经历一个快速生长时期，LAI快速增大，与此同时对应的NDVI值也快速增大，这进一步说明NDVI可以很好的表征冬小麦抽穗前LAI的变化情况。
步骤4、利用步骤1中获取的LAI数据与步骤3中的植被指数数据分别构建线性回归模型、指数回归模型(简称指数模型)、二次多项式回归模型、对数回归模型和幂回归模型，并给出每种植被指数与LAI的散点图；
具体地，将同一采样点的叶面积指数数据与植被指数进行一一配对，为了保证构建模型的准确性和普适性，将数据三分之二作为训练数据集，剩余的三分之一作为验证数据集。每种植被指数对应五种模型，共得到35个不同的模型。模型挑选的过程中，由于每个植被指数都对应五种模型，因此首先从每个植被指数对应的5个模型中挑选出该植被指数对应的最优模型。然后通过比较不同植被指数的对应最优模型得到总的最优叶面积指数估算模型。
步骤5、对步骤4得到的模型分别进行验证，利用决定系数R2(Determinationcoefficient)和均方根误差(Root mean square error,RMSE)对模型反演精度进行评价，确定最优的LAI反演模型；
具体地，利用验证数据集分别对构建的模型进行验证，选择决定系数、均方根误差来表征模型的预测精度，最后选择验证精度最高的模型进行冬小麦叶面积指数反演。最终确定的冬小麦叶面积指数最优估算模型为以NDVI为自变量的指数回归模型。
图3为应用最优模型估算的LAI与实测LAI的验证散点图；通过比较不同植被指数、不同估算方法在验证数据集上的估算能力，最终确定冬小麦叶面积指数的最优估算模型为以NDVI为自变量的指数回归模型：
LAI＝0.075e^(5.665*NDVI)
图3表示了基于NDVI的指数回归模型估算叶面积指数数据与大田实测叶面积指数数据的散点图，验证样本的R2和RMSE分别为0.74和0.64，当LAI小于3的时候，图中的点均匀地分布在1:1线的两侧，但LAI大于3的时候，模型估算值与实测值比，有些低估。但总体来说，基于NDVI的指数模型对叶面积指数的估算精度较高，可以用来进行地块尺度的冬小麦叶面积指数空间制图。
步骤6、根据步骤5中确定的最优估算模型对地块尺度冬小麦LAI进行动态制图；
具体地，利用步骤5获取的最优的反演模型，进行高空间分辨率遥感影像冬小麦LAI动态制图。
图4为应用最优模型的冬小麦抽穗前动态制图，利用NDVI-LAI指数回归模型对冬小麦抽穗前LAI的变化进行估算并制图，获得研究区冬小麦的高空间分辨率叶面积指数动态变化图结果如图4所示。结果表明利用2014年12月31日的WorldView-3反演得到的冬小麦LAI，由于处于分蘖期湿渍害处理之前(图4a)，各小区内大部分像元LAI值小于0.3。分蘖期进行淹水和渍水处理的时间是2015年1月7日到1月26日，处理结束之后获取的第一景遥感数据(2015年2月12日，SPOT-6)反演得到的冬小麦LAI可以看出，分蘖期淹水和渍水小区叶面积指数明显比正常小区偏低(图4b)，淹水和渍水小区的LAI值小于0.3，而正常小区LAI值多分布在0.31～0.6之间；在分蘖期处理结束之后而拔节孕穗期处理开始之前获取一景WorldView-2影像(2015年3月10日)，利用该期影像反演的LAI空间分布可以看出，淹水和渍水处理的小区的LAI值仍然比正常的小(图4c)。拔节～孕穗期处理于2015年3月17日开始，到4月5日结束，在2015年3月24日的SPOT-6影像反演的LAI，分蘖期渍水和淹水处理的小区仍然表现为比正常的偏低，而拔节-孕穗期进行湿渍害处理的小区中，只有淹水处理小区LAI比周围小区LAI值小。可见，基于高空间分辨率的卫星影像数据反演的叶面积指数，可以反映湿渍害对冬小麦的影响，从而为采取相应措施，进行精确管理，减少损失提供依据。
Claims (6)
1.一种基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法，其特征在于，包括如下步骤：
步骤1、通过冬小麦大田试验，获取采样点的冬小麦抽穗前关键生育时期的叶面积指数数据；
步骤2、获取覆盖冬小麦大田试验研究区的高空间分辨率遥感影像，进行预处理后，再经过波段计算得到与步骤1中采样点对应的植被指数，将采样点的叶面积指数数据和植被指数一一对应；
步骤3、将步骤2中一一对应的叶面积指数数据和植被指数，部分用于构建模型，剩余部分作为验证数据；
步骤4、利用验证数据对步骤3中构建的模型进行验证，获取模型的决定系数R2和均方根误差，选取决定系数R2最大和均方根误差最小的模型为最优模型；
步骤5、将步骤4中获取的最优模型应用于地块尺度冬小麦叶面积指数估算。
2.根据权利要求1所述的基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法，其特征在于，步骤2中，所述的预处理包括：辐射定标、大气校正和几何配准。
3.根据权利要求1所述的基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法，其特征在于，步骤2中，所述的植被指数为归一化植被指数、比值植被指数、增强型植被指数、增强型二波段植被指数、调节型二次三角植被指数、最优土壤调节植被指数和绿度归一化植被指数。
4.根据权利要求1所述的基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法，其特征在于，步骤3中，将步骤2中一一对应的叶面积指数数据和植被指数，三分之二用于构建模型，三分之一作为验证数据。
5.根据权利要求1所述的基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法，其特征在于，步骤3中，所述的模型为线性回归模型、指数回归模型、二次多项式回归模型、对数回归模型和幂回归模型。
6.根据权利要求1所述的基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法，其特征在于，步骤4中，所述的最优模型为基于归一化植被指数的指数回归模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810306673.8A CN108662991B (zh) | 2018-04-08 | 2018-04-08 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810306673.8A CN108662991B (zh) | 2018-04-08 | 2018-04-08 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108662991A true CN108662991A (zh) | 2018-10-16 |
| CN108662991B CN108662991B (zh) | 2020-02-07 |
Family
ID=63783242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810306673.8A Active CN108662991B (zh) | 2018-04-08 | 2018-04-08 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108662991B (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2694220C1 (ru) * | 2018-10-23 | 2019-07-10 | Федеральное государственное автономное образовательное учреждение высшего образования "Волгоградский государственный университет" | Способ дистанционного определения антропогенной трансформации фитоценозов в полосе отвода путей транспорта и линий электропередачи |
| CN110188955A (zh) * | 2019-05-31 | 2019-08-30 | 西南大学 | 一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法 |
| CN111175783A (zh) * | 2019-12-31 | 2020-05-19 | 塔里木大学 | 一种棉花冠层叶绿素b含量的卫星遥感监测方法 |
| CN111738974A (zh) * | 2019-03-25 | 2020-10-02 | 中国科学院光电研究院 | 一种叶面积指数地面采样方法 |
| CN111929261A (zh) * | 2020-09-16 | 2020-11-13 | 广州地理研究所 | 基于高光谱植被指数的叶片多酚含量估算方法 |
| CN112364299A (zh) * | 2020-11-11 | 2021-02-12 | 中国科学院东北地理与农业生态研究所 | 用组分频率面积对生态系统属性组分组成结构的描述方法 |
| CN112595267A (zh) * | 2020-12-09 | 2021-04-02 | 中国科学院空天信息创新研究院 | 一种融合因子分析和蚁群小波神经网络模型的夏玉米lai反演方法 |
| CN112634213A (zh) * | 2020-12-15 | 2021-04-09 | 安阳工学院 | 一种无人机预测冬小麦冠层叶面积指数的系统和方法 |
| CN112711989A (zh) * | 2020-12-15 | 2021-04-27 | 中国农业大学 | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 |
| CN113378476A (zh) * | 2021-06-28 | 2021-09-10 | 武汉大学 | 一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法 |
| CN113640230A (zh) * | 2021-08-31 | 2021-11-12 | 河南农业大学 | 一种田间小麦水分利用率快速检测方法及系统 |
| CN114076738A (zh) * | 2021-11-22 | 2022-02-22 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
| CN114821344A (zh) * | 2022-06-24 | 2022-07-29 | 航天宏图信息技术股份有限公司 | 一种叶面积指数计算方法和装置 |
| CN115346120A (zh) * | 2022-08-16 | 2022-11-15 | 中国科学院空天信息创新研究院 | 一种草地地上生物量及其固碳量遥感估算方法 |
| CN115641502A (zh) * | 2022-09-20 | 2023-01-24 | 中国水利水电科学研究院 | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 |
| CN115855841A (zh) * | 2022-09-20 | 2023-03-28 | 中国水利水电科学研究院 | 基于叶面积指数的夏玉米旱情无人机快速监测判别方法 |
| CN116503747A (zh) * | 2023-06-30 | 2023-07-28 | 华中农业大学 | 一种基于多尺度遥感的非均质地表叶面积指数反演方法 |
| CN116593419A (zh) * | 2023-04-14 | 2023-08-15 | 南京农业大学 | 一种缓解lcc与秸秆-土壤背景影响的小麦绿色lai估算方法 |
| CN117649599A (zh) * | 2023-11-07 | 2024-03-05 | 宁波大学 | 基于改进光能利用效率模型的冬小麦产量大面积估算方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012134961A2 (en) * | 2011-03-30 | 2012-10-04 | Weyerhaeuser Nr Company | System and method for forest management using stand development performance as measured by leaf area index |
| CN104182567A (zh) * | 2014-07-25 | 2014-12-03 | 中国科学院东北地理与农业生态研究所 | 面向遥感模型的地表信息空间采样方法 |
| CN106022224A (zh) * | 2016-05-12 | 2016-10-12 | 北京师范大学 | 一种冬小麦识别方法 |
| CN107067433A (zh) * | 2017-04-24 | 2017-08-18 | 电子科技大学 | 一种基于数字图像处理技术的叶面积指数地面测量方法 |
| CN107796764A (zh) * | 2016-09-05 | 2018-03-13 | 南京农业大学 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
-
2018
- 2018-04-08 CN CN201810306673.8A patent/CN108662991B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012134961A2 (en) * | 2011-03-30 | 2012-10-04 | Weyerhaeuser Nr Company | System and method for forest management using stand development performance as measured by leaf area index |
| CN104182567A (zh) * | 2014-07-25 | 2014-12-03 | 中国科学院东北地理与农业生态研究所 | 面向遥感模型的地表信息空间采样方法 |
| CN106022224A (zh) * | 2016-05-12 | 2016-10-12 | 北京师范大学 | 一种冬小麦识别方法 |
| CN107796764A (zh) * | 2016-09-05 | 2018-03-13 | 南京农业大学 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
| CN107067433A (zh) * | 2017-04-24 | 2017-08-18 | 电子科技大学 | 一种基于数字图像处理技术的叶面积指数地面测量方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张春兰等: "基于随机森林算法的冬小麦叶面积指数遥感反演研究", 《中国农业科学》 * |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2694220C1 (ru) * | 2018-10-23 | 2019-07-10 | Федеральное государственное автономное образовательное учреждение высшего образования "Волгоградский государственный университет" | Способ дистанционного определения антропогенной трансформации фитоценозов в полосе отвода путей транспорта и линий электропередачи |
| CN111738974A (zh) * | 2019-03-25 | 2020-10-02 | 中国科学院光电研究院 | 一种叶面积指数地面采样方法 |
| CN111738974B (zh) * | 2019-03-25 | 2023-10-03 | 中国科学院光电研究院 | 一种叶面积指数地面采样方法 |
| CN110188955B (zh) * | 2019-05-31 | 2023-05-12 | 西南大学 | 一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法 |
| CN110188955A (zh) * | 2019-05-31 | 2019-08-30 | 西南大学 | 一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法 |
| CN111175783A (zh) * | 2019-12-31 | 2020-05-19 | 塔里木大学 | 一种棉花冠层叶绿素b含量的卫星遥感监测方法 |
| CN111929261A (zh) * | 2020-09-16 | 2020-11-13 | 广州地理研究所 | 基于高光谱植被指数的叶片多酚含量估算方法 |
| CN111929261B (zh) * | 2020-09-16 | 2021-03-23 | 广州地理研究所 | 基于高光谱植被指数的叶片多酚含量估算方法 |
| CN112364299A (zh) * | 2020-11-11 | 2021-02-12 | 中国科学院东北地理与农业生态研究所 | 用组分频率面积对生态系统属性组分组成结构的描述方法 |
| CN112595267A (zh) * | 2020-12-09 | 2021-04-02 | 中国科学院空天信息创新研究院 | 一种融合因子分析和蚁群小波神经网络模型的夏玉米lai反演方法 |
| CN112711989A (zh) * | 2020-12-15 | 2021-04-27 | 中国农业大学 | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 |
| CN112711989B (zh) * | 2020-12-15 | 2024-03-05 | 中国农业大学 | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 |
| CN112634213A (zh) * | 2020-12-15 | 2021-04-09 | 安阳工学院 | 一种无人机预测冬小麦冠层叶面积指数的系统和方法 |
| CN113378476B (zh) * | 2021-06-28 | 2022-07-19 | 武汉大学 | 一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法 |
| CN113378476A (zh) * | 2021-06-28 | 2021-09-10 | 武汉大学 | 一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法 |
| CN113640230A (zh) * | 2021-08-31 | 2021-11-12 | 河南农业大学 | 一种田间小麦水分利用率快速检测方法及系统 |
| CN113640230B (zh) * | 2021-08-31 | 2022-06-21 | 河南农业大学 | 一种田间小麦水分利用率快速检测方法及系统 |
| CN114076738A (zh) * | 2021-11-22 | 2022-02-22 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
| CN114821344A (zh) * | 2022-06-24 | 2022-07-29 | 航天宏图信息技术股份有限公司 | 一种叶面积指数计算方法和装置 |
| CN114821344B (zh) * | 2022-06-24 | 2022-09-27 | 航天宏图信息技术股份有限公司 | 一种叶面积指数计算方法和装置 |
| CN115346120A (zh) * | 2022-08-16 | 2022-11-15 | 中国科学院空天信息创新研究院 | 一种草地地上生物量及其固碳量遥感估算方法 |
| CN115855841A (zh) * | 2022-09-20 | 2023-03-28 | 中国水利水电科学研究院 | 基于叶面积指数的夏玉米旱情无人机快速监测判别方法 |
| CN115641502B (zh) * | 2022-09-20 | 2023-05-12 | 中国水利水电科学研究院 | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 |
| CN115641502A (zh) * | 2022-09-20 | 2023-01-24 | 中国水利水电科学研究院 | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 |
| CN116593419A (zh) * | 2023-04-14 | 2023-08-15 | 南京农业大学 | 一种缓解lcc与秸秆-土壤背景影响的小麦绿色lai估算方法 |
| CN116593419B (zh) * | 2023-04-14 | 2024-02-27 | 南京农业大学 | 一种缓解lcc与秸秆-土壤背景影响的小麦lai估算方法 |
| CN116503747A (zh) * | 2023-06-30 | 2023-07-28 | 华中农业大学 | 一种基于多尺度遥感的非均质地表叶面积指数反演方法 |
| CN116503747B (zh) * | 2023-06-30 | 2023-09-15 | 华中农业大学 | 一种基于多尺度遥感的非均质地表叶面积指数反演方法 |
| CN117649599A (zh) * | 2023-11-07 | 2024-03-05 | 宁波大学 | 基于改进光能利用效率模型的冬小麦产量大面积估算方法 |
| CN117649599B (zh) * | 2023-11-07 | 2024-05-17 | 宁波大学 | 基于改进光能利用效率模型的冬小麦产量大面积估算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108662991B (zh) | 2020-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108662991A (zh) | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 | |
| CN109581372B (zh) | 一种生态环境遥感监测方法 | |
| CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
| US10527542B2 (en) | Method of calculating TAVI based on a band ratio model and solar altitude angle | |
| CN106780079B (zh) | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 | |
| Sánchez et al. | Monitoring daily evapotranspiration at a regional scale from Landsat-TM and ETM+ data: Application to the Basilicata region | |
| CN100394212C (zh) | 一种大面积作物种植面积及其产量的遥感检测估算方法 | |
| Nuarsa et al. | Spectral characteristics and mapping of rice plants using multi-temporal Landsat data | |
| Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
| CN102215666A (zh) | 植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器 | |
| CN110208878A (zh) | 绿色屋顶气象监测与热岛效应影响评估方法 | |
| CN105160631A (zh) | 一种求辐射校正系数的方法 | |
| CN115950838A (zh) | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 | |
| CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
| CN114782834A (zh) | 基于比值法的农田土壤水分反演方法及系统 | |
| CN112836575A (zh) | 一种基于作物物候期的多时序影像水稻估产方法 | |
| Verma et al. | Modelling of sugarcane yield using LISS-IV data based on ground LAI and yield observations | |
| Beeri et al. | Geographical model for precise agriculture monitoring with real-time remote sensing | |
| CN114460015A (zh) | 一种用于预测寒地水稻冠层叶绿素含量的方法及模型 | |
| WO2023195863A1 (en) | Methods and systems for estimating crop yield from vegetation index data | |
| CN106203673A (zh) | 考虑水分胁迫的农作物生物量遥感估算方法 | |
| Ignar et al. | Spatial mapping of the leaf area index using remote sensing and ground measurements–the Biebrza National Park case study | |
| CN110009584B (zh) | 基于参考光谱匹配的多光谱遥感影像大气校正系统及方法 | |
| Naqvi et al. | Remote estimation of wheat yield based on vegetation indices derived from time series data of Landsat 8 imagery. | |
| Bacsa et al. | Correlation of UAV-based multispectral vegetation indices and leaf color chart observations for nitrogen concentration assessment on rice crops |
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 |