| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 141 | 一种植被日尺度叶面积指数的获取方法、装置及设备 | CN202410563178.0 | 2024-05-08 | CN118395068A | 2024-07-26 | 李思恩; 王春雨; 袁香凝; 黄思宇 |
| 本发明公开了一种植被日尺度叶面积指数的获取方法、装置及设备，涉及生物技术领域，包括：经过定位观测和数据处理获取连续多日冠层叶片的日尺度归一化植被指数以及冠层叶片间隔日期的日尺度叶面积指数；选取与叶面积指数相同日期的日尺度归一化植被指数并将其作为因变量，将叶面积指数作为自变量进行回归分析；通过决定性系数、平均误差、均方根误差和纳什效率系数作为评价指标，选取最优回归方程作为预测模型；将连续多日冠层叶片的日尺度归一化植被指数输入预测模型，获得连续多日的日尺度叶面积指数。本发明能够不破坏样本且低成本的建立预测模型，获取连续多日的叶面积指数。 | ||||||
| 142 | 融合物候数据的森林叶面积指数的高时间分辨率估算方法 | CN202311848900.7 | 2023-12-28 | CN117932488A | 2024-04-26 | 徐振招 |
| 本发明公开了一种融合物候数据的森林叶面积指数的高时间分辨率估算方法。本发明的有益之处在于：本发明的有益效果：本发明的技术方案基于物候观测数据，能够更准确地反映出森林叶面积指数的变化，实现对森林叶面积指数的高时间分辨率估算。这一方法克服了现有技术无法捕捉快速生态变化的不足，提供了对森林叶面积指数季节性变化和短期动态的更清晰视图。此外，本发明所采用的技术方案操作简便，成本低，适用性强，使得即使在资源有限的环境下也能进行高效的叶面积指数监测和估算。本发明方法有效地解决了现有技术在时间分辨率、数据准确性和适应性的缺陷，在全球气候变化及其对森林生态系统研究和管理中具有显著的科学价值和广泛的应用前景。 | ||||||
| 143 | 一种多云多雾地区高时空分辨率叶面积指数产品生成方法 | CN202410057473.9 | 2024-01-12 | CN117893919A | 2024-04-16 | 张国东; 尹高飞; 张翼; 李宗岩; 王昶景; 马杜娟; 谢江流 |
| 本发明涉及定量遥感卫星产品生成技术领域,具体地说是一种多云多雾地区高时空分辨率叶面积指数产品生成方法，本发明集成时空融合、数据同化与深度学习技术，其中时空融合技术为深度学习技术提供更多的学习信息，数据同化技术为深度学习技术提供高精度的学习目标，而深度学习技术有效解决多云多雾地区数据缺失问题，这三种技术相辅相成，填补了多云多雾地区高时空分辨率LAI产品的空白。 | ||||||
| 144 | 基于同位素和叶面积指数量化降雨水汽来源的方法和装置 | CN202210793231.7 | 2022-07-05 | CN115144556B | 2024-03-26 | 彭培艺; 刁伟; 彭永勤; 张春泽; 马倩; 袁浩 |
| 本发明公开了一种基于同位素和叶面积指数量化降雨水汽来源的方法和装置，方法包括：获取样本区域内的水文气象数据和降雨同位素数据进行预处理，利用水文气象数据和降雨同位素数据分别计算降雨水汽、蒸发水汽、蒸腾水汽和对流水汽中同一种同位素的含量；确定叶面积指数与蒸发蒸腾作用比值之间的拟合关系；设定模型约束条件并构建水源混合模型，以便通过所述水源混合模型计算不同水汽来源对降雨的贡献。本发明通过一种稳定同位素即可划分三种降雨水汽的来源，降低了量化水文循环过程对同位素数据的依赖，大大减少了区分降雨水汽来源所需要的同位素检测成本，同时通过计算每一种水汽来源具体对降雨水汽的贡献量，从而能够精确反映区域水循环过程的时空变化特征。 | ||||||
| 145 | 基于深度学习的无遥感监测期流域叶面积指数的重建方法 | CN202311562566.9 | 2023-11-22 | CN117649327A | 2024-03-05 | 段浩; 李秋菊; 徐浩玮; 韩成昕; 秦韬; 赵红莉; 杜军凯; 冶运涛; 张双虎; 仇亚琴; 李豪; 朱浩; 周逸凡; 甘甜 |
| 本发明公开了一种基于深度学习的无遥感监测期流域叶面积指数的重建方法，所述重建方法包括：获得空间分辨率一致的流域的气象因子及LAI的月尺度数据；对同一空间分辨率下的流域的DEM进行分区，在分区内随机设置采样点；通过采样点的同一空间分辨率下的气象因子及LAI的月尺度数据和DEM静态数据构建深度学习模型，对无遥感监测时段的LAI进行预测；通过修正的S‑G滤波算法对预测得到的LAI数据或含预测数据的长序列LAI数据进行滤波处理，得到流域长序列LAI逐日数据。本发明通过深度学习模型实现了对无遥感监测时段LAI的数据重建，有助于实现相关地表参数的计算，提升流域水循环与能量循环的分析能力。 | ||||||
| 146 | 作物叶面积指数高光谱遥感监测方法、装置、设备及介质 | CN202410071958.3 | 2024-01-18 | CN117589093A | 2024-02-23 | 李贺丽; 杨贵军; 冯海宽; 龙慧灵; 宋晓宇; 杨小冬; 杨浩; 徐波; 胡海棠 |
| 本发明提供作物叶面积指数高光谱遥感监测方法、装置、设备及介质，涉及遥感数据处理技术领域，其中方法包括：获取目标作物的高光谱遥感数据，高光谱遥感数据是对高光谱数据采集设备采集的原始遥感数据进行预处理后得到的；基于高光谱遥感数据，提取目标作物的作物冠层在多个预设波段的反射率作为目标反射率，预设波段至少包括920nm波段、1095nm波段、741nm波段以及747nm波段；基于预设波段确定对应的目标模型，将预设波段对应的目标反射率输入至目标模型中，得到目标作物的叶面积指数，目标模型为对目标反射率进行线性运算的模型。本发明可以实现适应多种条件下作物LAI的计算，稳健性高。 | ||||||
| 147 | 基于无人机多光谱反演叶面积指数估测棉花脱叶进程方法 | CN202310664798.9 | 2023-06-06 | CN116796293A | 2023-09-22 | 杜明伟; 王玉坤; 田晓莉; 李召虎; 段留生; 王瑶; 张振旺; 张明才; 杜鑫; 张立祯 |
| 本发明提出一种基于无人机多光谱反演叶面积指数估测棉花脱叶进程方法，包括，获取不同时期棉花脱叶前后的叶面积指数；获取棉田多光谱影像数据；对棉花多光谱影像数据进行预处理，获得棉花冠层多光谱影像反射率数据；根据光谱影像反射率数据通过植被指数计算公式获得不同小区棉花冠层的植被指数；根据叶面积指数和植被指数进行植被指数与叶面积指数的一元线性回归建模与预测；通过对植被指数与叶面积指数的模型进行评价，获得反演叶面积指数精度最高的植被指数。通过本发明提出的方法，可以为棉田脱叶情况进行动态监测以及适时收获提供参考，为区域尺度的精准农业管理和决策提供重要理论基础与技术支撑。 | ||||||
| 148 | 一种基于高分卫星遥感数据反演植被叶面积指数的方法 | CN202310776728.2 | 2023-06-29 | CN116758427A | 2023-09-15 | 杨雪宁; 张选泽; 张永强; 全宇; 郑玉峰 |
| 本发明公开了一种基于高分卫星遥感数据反演植被叶面积指数的方法，包括以下处理步骤：准备卫星遥感数据；逐像元计算归一化植被指数；步骤三、根据叶面积指数的精度对归一化植被指数分组，采用正态分布函数拟合每组归一化植被指数的概率分布曲线，分布概率最大处的归一化植被指数即为每个叶面积指数所对应的归一化植被指数；反演高分辨率叶面积指数。本发明基于低分辨率卫星遥感数据确定植被指数与叶面积指数的分布规律，构建简单、灵活、易于操作的高分辨率叶面积指数反演方法，减少地面测量的工作量；采用线性插值法计算叶面积指数，减少拟合曲线不完美造成的误差，提高了估算精度。 | ||||||
| 149 | 一种基于多尺度遥感的非均质地表叶面积指数反演方法 | CN202310793690.X | 2023-06-30 | CN116503747A | 2023-07-28 | 徐保东; 金文捷; 胡琼; 王聪 |
| 本发明公开了一种基于多尺度遥感数据的非均质地表叶面积指数反演，下载不同尺度的遥感卫星的卫星影像，如十米级遥感影像和百米级遥感影像；基于十米级遥感影像获取LAI；十米级LAI结果与百米级遥感影像的反射率进行协同，构建LAI‑reflectance数据集；基于先验知识的采样策略进行样本选取；基于多种机器学习模型进行反演模型优选，获取精度较高的非均质地表的叶面积指数。本发明协同多种尺度遥感卫星影像，通过基于先验知识和模拟退火算法的样本选取方法，充分协同十米级遥感影像的信息和百米级遥感影像的信息，提高了非均质地表叶面积指数的反演精度。 | ||||||
| 150 | 用于确定作物叶面积指数的方法、装置及处理器 | CN202211608562.5 | 2022-12-14 | CN116128953A | 2023-05-16 | 宋扬; 丁丽; 籍延宝 |
| 本申请实施例提供一种用于确定作物叶面积指数的方法、装置及处理器。方法包括：获取作物所在种植区域中的待测区域的三维点云数据；在待测区域中选定模拟观测点，并确定模拟观测区域；获取模拟观测区域的全部三维点云数据并进行预处理，以划分多个网格；根据每个网格包括的三维点云数据确定每个网格对应的作物的体素数据；控制无人机设备上搭载的图像采集设备在模拟观测点以多个观测角度扫描模拟观测区域，以得到在每个观测角度下模拟观测区域的目标网格的目标体素数据；针对每个观测角度，确定与观测角度对应的目标体素数据之间的缝隙比例；根据缝隙比例确定待测区域中的作物的叶面积指数，以大幅度提高确定叶面积指数的效率及准确性。 | ||||||
| 151 | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 | CN202211147826.1 | 2022-09-20 | CN115641502B | 2023-05-12 | 宋文龙; 刘宏洁; 刘汉宇; 史杨军; 邢学成; 卢奕竹; 李坚; 林林; 卢文静; 陈修华; 桂荣洁 |
| 本发明公开了一种基于叶面积指数的冬小麦旱情无人机快速监测判别方法，包括：1)通过无人机多载荷低空遥感技术获取多光谱影像和地面实测叶面积指数(LAI)，计算植被指数NDVI、DVI、RVI、EVI、OSAVI和TCARI；2)计算的植被指数分别与实测叶面积指数在不同生育期构建回归方程，并从中选择该生育期的最优模型方程；3)根据最优模型方程，反演各个生育期的冬小麦LAI，并对不同干旱胁迫等级之间的叶面积指数阈值进行率定；4)通过实时监测获得待测地块的多光谱影像计算出所需要的植被指数，反演得到LAI值，与阈值进行比对，判断实时旱情等级。本发明的方法用于冬小麦旱情监测判别精度高、速度快，实用性强。 | ||||||
| 152 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 | CN202211644209.2 | 2022-12-20 | CN116071644A | 2023-05-05 | 秦志珩; 王宏斌; 郭朝贺; 杨子龙; 糜欣苑; 郭梦妍; 刘志强; 张晓阳; 郝文雅; 宫帅; 黄海强; 宋卫玲; 叶英新; 魏佳爽 |
| 本发明提供一种逐日叶面积指数数据反演方法、装置、设备及存储介质，涉及图像处理技术领域，包括：获取第一遥感影像集；对第一遥感影像集进行时空融合处理，得到逐日高分遥感影像集；将逐日高分遥感影像集的植被指数数据输入至叶面积指数反演模型，得到逐日高分叶面积指数数据；叶面积指数反演模型是根据逐日融合遥感影像集对应的植被指数数据以及逐日低分叶面积指数数据进行迭代训练得到。本发明通过对遥感影像集进行时空融合，构建得到逐日的高空间分辨率遥感影像集，进而利用叶面积指数反演模型来反演得到高时空分辨率的叶面积指数数据，且叶面积指数反演模型的构建无需进行添加地面实测的叶面积指数数据，极大地节省了时间成本。 | ||||||
| 153 | 一种矿区地表植被叶面积指数遥感计算方法及电子设备 | CN202211120240.6 | 2022-09-14 | CN115526098B | 2023-04-18 | 李全生; 郭俊廷; 李军; 张彩月; 张成业; 张村; 阎跃观 |
| 本发明公开了一种矿区地表植被叶面积指数遥感计算方法及电子设备其方法包括：S1、利用构建的PROSAIL耦合模型耦合卫星传感器的遥感数据及结合地面实测光谱、参数数据建立植被参数反演模型；S2、搭建包含植被参数反演模型的人工深度神经网络，采用蚁群算法以均方误差作为蚂蚁的适应度值、以蚂蚁种群确定的最短路径作为最优的初始权重和偏置参数赋给人工深度神经网络进行训练与测试；S3、通过植被参数反演模型输入矿区地表植被遥感数据，然后输出叶面积指数。本发明对矿区进行长时序高时空分辨率叶面积指数遥感监测，提高了叶面积指数反演的精度，为矿区植被状况监管的信息化提供依据，为矿区生态治理和生态恢复提供决策技术支持。 | ||||||
| 154 | 一种中国区域30米8天时空连续的叶面积指数产品生成方法 | CN202310017459.1 | 2023-01-06 | CN115952738A | 2023-04-11 | 张国东; 梁顺林; 马晗; 何涛 |
| 本发明公开了中国区域30米8天时空连续的叶面积指数产品生成方法，包括：S1，建立Landsat8晴空地表反射率与GLASS V6叶面积指数产品的第一随机森林模型；S2，在训练样点上，分别使用线性解混和薄板样条函数插值方法得到样点像元叶面积指数的时间预测和空间预测；S3，以时间预测、空间预测、临近日期晴空Landsat叶面积指数值，GLASS叶面积指数作为输入，以样点真实晴空Landsat叶面积指数值作为输出，训练第二随机森林模型；S4，对云污染像元，加权从多个临近日期预测的叶面积指数值，并使用GLASS叶面积指数对加权结果进行拉伸，得到云污染像元叶面积指数的最终估算。本发明能够合理反映各种植被生长的季节变化和地表突变，时空连续且无噪声，能够处理长期Landsat数据缺失的问题。 | ||||||
| 155 | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 | CN202211147826.1 | 2022-09-20 | CN115641502A | 2023-01-24 | 宋文龙; 刘宏洁; 刘汉宇; 史杨军; 邢学成; 卢奕竹; 李坚; 林林; 卢文静; 陈修华; 桂荣洁 |
| 本发明公开了一种基于叶面积指数的冬小麦旱情无人机快速监测判别方法，包括：1)通过无人机多载荷低空遥感技术获取多光谱影像和地面实测叶面积指数(LAI)，计算植被指数NDVI、DVI、RVI、EVI、OSAVI和TCARI；2)计算的植被指数分别与实测叶面积指数在不同生育期构建回归方程，并从中选择该生育期的最优模型方程；3)根据最优模型方程，反演各个生育期的冬小麦LAI，并对不同干旱胁迫等级之间的叶面积指数阈值进行率定；4)通过实时监测获得待测地块的多光谱影像计算出所需要的植被指数，反演得到LAI值，与阈值进行比对，判断实时旱情等级。本发明的方法用于冬小麦旱情监测判别精度高、速度快，实用性强。 | ||||||
| 156 | 一种矿区地表植被叶面积指数遥感计算方法及电子设备 | CN202211120240.6 | 2022-09-14 | CN115526098A | 2022-12-27 | 李全生; 郭俊廷; 李军; 张彩月; 张成业; 张村; 阎跃观 |
| 本发明公开了一种矿区地表植被叶面积指数遥感计算方法及电子设备其方法包括：S1、利用构建的PROSAIL耦合模型耦合卫星传感器的遥感数据及结合地面实测光谱、参数数据建立植被参数反演模型；S2、搭建包含植被参数反演模型的人工深度神经网络，采用蚁群算法以均方误差作为蚂蚁的适应度值、以蚂蚁种群确定的最短路径作为最优的初始权重和偏置参数赋给人工深度神经网络进行训练与测试；S3、通过植被参数反演模型输入矿区地表植被遥感数据，然后输出叶面积指数。本发明对矿区进行长时序高时空分辨率叶面积指数遥感监测，提高了叶面积指数反演的精度，为矿区植被状况监管的信息化提供依据，为矿区生态治理和生态恢复提供决策技术支持。 | ||||||
| 157 | 基于同位素和叶面积指数量化降雨水汽来源的方法和装置 | CN202210793231.7 | 2022-07-05 | CN115144556A | 2022-10-04 | 彭培艺; 刁伟; 彭永勤; 张春泽; 马倩; 袁浩 |
| 本发明公开了一种基于同位素和叶面积指数量化降雨水汽来源的方法和装置，方法包括：获取样本区域内的水文气象数据和降雨同位素数据进行预处理，利用水文气象数据和降雨同位素数据分别计算降雨水汽、蒸发水汽、蒸腾水汽和对流水汽中同一种同位素的含量；确定叶面积指数与蒸发蒸腾作用比值之间的拟合关系；设定模型约束条件并构建水源混合模型，以便通过所述水源混合模型计算不同水汽来源对降雨的贡献。本发明通过一种稳定同位素即可划分三种降雨水汽的来源，降低了量化水文循环过程对同位素数据的依赖，大大减少了区分降雨水汽来源所需要的同位素检测成本，同时通过计算每一种水汽来源具体对降雨水汽的贡献量，从而能够精确反映区域水循环过程的时空变化特征。 | ||||||
| 158 | 无人机多源遥感预测棉花叶面积指数的方法及系统 | CN202210570891.9 | 2022-05-24 | CN114998728A | 2022-09-02 | 康绍忠; 颜谱臣; 冯杨明; 王璐 |
| 本发明公开了一种无人机多源遥感预测棉花叶面积指数的方法及系统，利用无人机搭载的5通道多光谱相机和激光雷达获取棉花种植区的遥感影像，以及样方棉花叶面积指数地面实测值；对遥感影像进行处理获得各样方植被指数及结构参数；分别提取植被指数和结构参数与地面实测叶面积指数相关系数最高的3个特征数据，将其作为输入，实测叶面积指数作为输出，利用支持向量机的机器学习算法通过训练建立棉花种植区叶面积指数估测模型，并用训练好的模型进行棉花叶面积指数估测。本发明的方法相对于利用单一因素对叶面积指数进行反演具有更好的适用性和更高的反演精度。 | ||||||
| 159 | 一种基于叶面积指数的茶园产量预测方法及装置 | CN202210076145.4 | 2022-01-23 | CN114612380A | 2022-06-10 | 周祖煜; 陈煜人; 王校常; 林波; 张澎彬; 白博文; 莫志敏; 张浩; 李天齐; 刘俊 |
| 本申请提供了一种基于叶面积指数的茶园产量预测方法及装置，涉及遥感检测技术领域，包括：获取待测茶园图像数据并进行大气校正、空间分辨率重采样和坐标系转换，得到第一数据；根据预设公式并带入所述第一数据进行待测茶园的叶面积指数计算，得到第二数据；根据所述第二数据和一芽一叶的单次产量进行回归拟合，得到第一方程，根据所述第一方程叠加温度系数和遮荫管理并按照采摘模式对所述待测茶园的产量进行计算，得到茶园预测产量。本技术方案是基于遥感影像并根据茶树的光谱特性，反演其叶面积指数，建立叶面积指数与茶叶的回归关系进行间接估产，不依赖于地面激光雷达或是人工进行测量，减少人力物力的耗费，同时提高了预测的效率和准确度。 | ||||||
| 160 | 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 | CN202110719452.5 | 2021-06-28 | CN113378476A | 2021-09-10 | 马晗 |
| 本发明涉及一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法，包括如下步骤：步骤1，基于现有叶面积指数和地表覆盖分类产品，利用聚类分析和最小差规则创建可代表全球主要土地覆盖类型的训练样本；步骤2，通过训练长短时记忆、门控递归单元、和双向LSTM深度学习模型，确定最佳叶面积指数估算模型；步骤3，通过将BiLSTM模型分别应用于MODIS 500米和250米地表反射率，生成分辨率为500米和250米的叶面积指数中间产品；步骤4，利用时空加权平均后处理合并两个250米和500米分辨率LAI中间产品，从而得到全球250米分辨率时空连续的叶面积指数产品。本发明可以填补目前产品在高纬地区的空白，是目前唯一可满足全球气候观测系统模拟碳循环的叶面积指数产品。 | ||||||
QQ群二维码
意见反馈
意见反馈