一种基于GF-1数据重构的小麦单产遥感估算方法
专利汇可以提供一种基于GF-1数据重构的小麦单产遥感估算方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及 农作物 产量预测技术领域技术领域，尤其涉及一种基于GF-1数据重构的小麦单产遥感估算方法，包括下述步骤：步骤1）、收集并下载研究区域内时序原始MODIS数据和GF-1数据；步骤2）、提取MODIS的QA 质量 参数；步骤3）、对MODIS数据进行投影转换、纯化、滤波和裁剪；步骤4）、处理GF-1数据；步骤5）、将步骤3)和步骤4）中的数据带入重构模型重构出新的数据；步骤6）、得出小麦种植分布图和NDVI图；步骤7)、收集并处理气象 站点 数据；步骤8）、估产模型估产；步骤9)、估产模型 精度 进行验证分析。本发明提供的一种基于GF-1数据重构的小麦单产遥感估算方法具有估产精准、数据完整、估产模型严密性强和完整性好的优点。，下面是一种基于GF-1数据重构的小麦单产遥感估算方法专利的具体信息内容。
1.一种基于GF-1数据重构的小麦单产遥感估算方法，其特征在于：具体步骤如下：
步骤1）、收集并下载研究区域内作物生长周期内的时序原始MODIS数据和GF-1数据；
步骤2）、使用LODPE工具对原始MODIS的质量控制波段QA进行提取，对提取出来的QA波段使用MRT工具进行投影和格式的转换，得到Geotiff格式和UTM投影的QA波段数据，使用MRT数据对原始MODIS数据进行投影和格式转换，得到投影后的MODIS数据；
步骤3）、将步骤2）中提取的质量控制波段数据由整型转换为浮点型，根据质量控制波段数据中的质量因子数值作为权重来纯化投影后的MODIS数据，将原始MODIS数据进行裁剪并转换成float类型，再使用Timesat软件进行S-G滤波处理；
步骤4）、对GF-1数据进行校正处理，将校正好的数据进行NDVI计算和合成，再进行统一裁剪；
步骤5）、将步骤3）和步骤4）中的数据带入数据重构模型，得出新的数据；
步骤6）、使用具有深度学习的U-Net模型对小麦种植分布进行提取分析，得出对应的小麦分布图；
步骤7）、收集并处理气象站点数据，计算小麦生长周期内的月平均气温；
步骤8)、估产模型估产，根据地面生物量转换过程和转移后的生物量比例，最终得到作物的单产专题图；
步骤9）、对估产模型精度进行验证分析，通过历年的信息计算单位面积内的产量，并与实地调查结果对比，验证估产模型的精度。
2.根据权利要求1所述的一种基于GF-1数据重构的小麦单产遥感估算方法，其特征在于：所述步骤2）中MRT工具进行投影和格式转换包括波段、采样方式、输出格式和投影类型的参数设置。
3.根据权利要求1所述的一种基于GF-1数据重构的小麦单产遥感估算方法，其特征在于：所述步骤3）中所述根据质量控制波段数据中的质量因子数值作为权重来纯化投影后的MODIS数据包括下述步骤：
31）、设置质量因子的范围是1-10；
32）、将质量控制波段的范围进行转换；
33）、设置转换后的权重：0-2认为是未受到噪声影响的，赋权重为1，3-6受噪声影响不大，赋权重为0.6，7-10认为噪声影响比较大，赋权重为0.1。
4.根据权利要求1所述的一种基于GF-1数据重构的小麦单产遥感估算方法，其特征在于：所述步骤3）中的原始MODIS数据裁剪并转换成float类型时，包括下述步骤：
41）、由于其真实MODIS 值与其原始DN值的关系为NDVI=0.0001*DN,故将DN值运算为正常值；
42）、经过上述处理的MODIS数据和质量数据文件名分别保存在两个TXT文件中，第一行为数据总数；
43）、将数据导入TimeSat中并进行显示；
44）、利用TimeSat进行滤波，需至少输入两年数据，然后使用Timesat对MODIS 数据进行光谱曲线的滤波，将滤波后的数据导出，并编辑头文件和投影信息，使用研究区域矢量文件行政区划进行最终裁剪。
5.根据权利要求1所述的一种基于GF-1数据重构的小麦单产遥感估算方法，其特征在于：所述步骤5）数据重构模型采用STARFM、线性回归模型或ESTARFM数据重构模型，针对不同的时相间隔的数据，需要采用不同的方法进行数据的重构，选择原则如下：
51）、在与真实影像的相关性上,ESTARFM和回归分析方法要整体高于STARFM,其中回归分析方法相关程度更高；在相同季相条件下,三种方法的重构结果相似且均具有较高的相关性,并较大程度上优于不同季相的重构结果，此时当输入影像与待预测影像时间间隔较小时,回归分析方法表现出所有情况下最高的相关性；而在不同季相条件下,三种重构方法的相关性差异较大,ESTARFM相关程度较高,STARFM则最低；
52）、在与真实影像的平均差异程度上,STARFM在不同数据条件下表现最为稳定，回归分析方法受噪声影像明显,出现了异常偏差；在不同季相不同时间间隔下,ESTARFM差异最小；在不同季相相同时间间隔时,STARFM具有最低均方根误差；当相同季相不同时间间隔下,ESTARFM效果最佳；而在相邻年份的相同季相的构建中,回归分析方法表现最优；
53）、在全局相似性上,当输入不同季相的数据时,时空融合的方法由于回归分析方法；
而当在相同季相时,回归分析表现与时空融合相当甚至更优；
54）、当输入影像与待预测季相一致且时间间隔较小时,各重构方法的拟合效果最好且误差较低；其次为季相相近时间间隔较大时,也能达到较好的拟合效果,各方法差异并不明显；当重构时相与预测时相相差较大时,ESTARFM能更好的排除季相的影响,得到与真实影像最为接近的拟合结果,而STARFM与回归分析方法则受季相的影响较大。
6.根据权利要求1所述的一种基于GF-1数据重构的小麦单产遥感估算方法，其特征在于：所述步骤6）中小麦的提取分析步骤如下：
（1）外业采集大量的种植小麦的地块位置信息和面积信息，并记录地块对应的产量信息，样方尽量均匀，且分布范围比较广，根据外业的样本制作ROI，使用最大似然法、决策树或者使用深度学习中的语义分割U-Net模型，对研究区域内的小麦进行提取并使用混淆矩阵进行精度验证；
（2）对研究区域内的小麦进行提取结果进行分析，得出对应的小麦分布图，将小麦分布图和NDVI叠加提取得到小麦的种植区域的NDVI图。
7.根据权利要求1所述的一种基于GF-1数据重构的小麦单产遥感估算方法，其特征在于：所述步骤7）包括下述步骤：
（1）收集研究区域内的气象站点数据及周边的站点数据；
（2）使用Kriging插值出研究区域的温度专题图，得到精准的农业气象数据；
（3）计算研究区域的月平均气温，并根据国际组织公布的经验公式计算该地区的太阳总辐射量参数。
8.根据权利要求1所述的一种基于GF-1数据重构的小麦单产遥感估算方法，其特征在于：所述步骤8）包括下述步骤：
（1）计算简单的比值指数：
其中，NIR（Near Infrared）代表近红外波段，RED代表红色波段，NDVI（Normalized Difference Vegetation Index）代表归一化植被指数，SR代表比值指数；
（2）计算作物吸收的光合有效辐射
或者使用下面的公式
其中，PAR是植被能进行光合作用的驱动能量，其能量为到达地表的太阳总辐射量的一个分量，这里取经验值0.48， 表示太阳总辐射量，由世界粮农组织公布的技术文档的经验公式来计算获得，代表作物的生长周期；
（3）对NDVI数据进行直方图处理，值范围为5%-95%，去除NDVI中的异常点—经验值，计算FPAR（植被对入射光合有效辐射的吸收比例）
其中， 和 的取值与植被类型无关，分别取值为0.001和0.95， 和 与植被类型有关，为对应植被类型NDVI的5%和95%所对应的NDVI的值；
（4）计算地上生物量AGB
其中， 代表的是作物早期积累的碳水化合物在整个果实生长期内均匀转移的比例，这里取0.9， 是指光能利用率， 代表果实生长的天数，代表的是最大光能利用率（单位：gMJ-1），冬小麦的最大光能利用率为2.54 gMJ-1， 和 表示环境温度对光利用的抑制影响参数， 则为水分影响胁迫系数， 用来表示水分因子影响植被对光利用的程度； 、 、 均为无量纲参数；
式中， 表示植被生长周期内NDVI值达到最高时的日平均气温（℃）， 表示月平均气温（℃）；
（5）水分胁迫系数的计算
其中， 为近红外波段， 为短波红外波段，由于GF-1影像并没有 ，因此，需要使用另外一种计算方法：
，
其中 代表的是区域实际蒸散量， 代表的是潜在蒸散量（为 多年的最大值），而 使用下面公式进行计算： ，
当月均温在0-26.5℃之间时使用；当温度小于0℃时, ，当温度高于26.5℃时，计算公式为：
其中， 为月均温，为可能蒸散量，为12个月总和的热量指标； 为因纬度而异的日照时数与每月日数的系数；
（6）计算生长期的单产
其中， 和 分别代表的是小麦的生长起始时间和收割时间， 指的是作物将同化物转移到果实的比例。
9.根据权利要求5所述的一种基于GF-1数据重构的小麦单产遥感估算方法，其特征在于：所述数据重构模型采用ESTAFM进行数据重构，ESTAFM在各种条件下效果相对都比较好，不同时间段条件下对数据的NDVI重构结果的相关系数在0.699-0.846之间，满足实际的应用需求。
10.根据权利要求1所述的一种基于GF-1数据重构的小麦单产遥感估算方法，其特征在于：所述步骤4）中所述校正处理包括几何校正、辐射定位和大气校正。
一种基于GF-1数据重构的小麦单产遥感估算方法
技术领域
背景技术
因此，目前存在的数据估产模型无法克服空间数据分辨率的精度，若使用高空间分辨率的数据，又难以满足生长周期内数据的连续性，或者没有考虑气象因子的影响。
发明内容
步骤1）、收集并下载研究区域内作物生长周期内的时序原始MODIS数据和GF-1数据；
步骤2）、使用LODPE工具对原始MODIS的质量控制波段QA进行提取，对提取出来的QA波段使用MRT工具进行投影和格式的转换，得到Geotiff格式和UTM投影的QA波段数据，使用MRT数据对原始MODIS数据进行投影和格式转换，得到投影后的MODIS数据；
步骤3）、将步骤2）中提取的质量控制波段数据由整型转换为浮点型，根据质量控制波段数据中的质量因子数值作为权重来纯化投影后的MODIS数据，将原始MODIS数据进行裁剪并转换成float类型，再使用Timesat软件进行S-G滤波处理；
步骤4）、对GF-1数据进行校正处理，将校正好的数据进行NDVI计算和合成，再进行统一裁剪；
步骤5）、将步骤3）和步骤4）中的数据带入数据重构模型，得出新的数据；
步骤6）、使用具有深度学习的U-Net模型对小麦种植分布进行提取分析，得出对应的小麦分布图；
步骤7）、收集并处理气象站点数据，计算小麦生长周期内的月平均气温；
步骤8)、估产模型估产，根据地面生物量转换过程和转移后的生物量比例，最终得到作物的单产专题图；
步骤9）、对估产模型精度进行验证分析，通过历年的信息计算单位面积内的产量，并与实地调查结果对比，验证估产模型的精度。
32）、将质量控制波段的范围进行转换；
33）、设置转换后的权重：0-2认为是未受到噪声影响的，赋权重为1，3-6受噪声影响不大，赋权重为0.6，7-10认为噪声影响比较大，赋权重为0.1。
42）、经过上述处理的MODIS数据和质量数据文件名分别保存在两个TXT文件中，第一行为数据总数；
43）、将数据导入TimeSat中并进行显示；
44）、利用TimeSat进行滤波，需至少输入两年数据，然后使用Timesat对MODIS 数据进行光谱曲线的滤波，将滤波后的数据导出，并编辑头文件和投影信息，使用研究区域矢量文件行政区划进行最终裁剪。
52）、在与真实影像的平均差异程度上,STARFM在不同数据条件下表现最为稳定，回归分析方法受噪声影像明显,出现了异常偏差；在不同季相不同时间间隔下,ESTARFM差异最小；在不同季相相同时间间隔时,STARFM具有最低均方根误差；当相同季相不同时间间隔下,ESTARFM效果最佳；而在相邻年份的相同季相的构建中,回归分析方法表现最优；
53）、在全局相似性上,当输入不同季相的数据时,时空融合的方法由于回归分析方法；
而当在相同季相时,回归分析表现与时空融合相当甚至更优；
54）、当输入影像与待预测季相一致且时间间隔较小时,各重构方法的拟合效果最好且误差较低；其次为季相相近时间间隔较大时,也能达到较好的拟合效果,各方法差异并不明显；当重构时相与预测时相相差较大时,ESTARFM能更好的排除季相的影响,得到与真实影像最为接近的拟合结果,而STARFM与回归分析方法则受季相的影响较大；
进一步的，所述步骤6）中小麦的提取分析步骤如下：
（1）外业采集大量的种植小麦的地块位置信息和面积信息，并记录地块对应的产量信息，样方尽量均匀，且分布范围比较广，根据外业的样本制作ROI，使用最大似然法、决策树或者使用深度学习中的语义分割U-Net模型，对研究区域内的小麦进行提取并使用混淆矩阵进行精度验证；
（2）对研究区域内的小麦进行提取结果进行分析，得出对应的小麦分布图，将小麦分布图和NDVI叠加提取得到小麦的种植区域的NDVI图。
（2）使用Kriging插值出研究区域的温度专题图，得到精准的农业气象数据；
（3）计算研究区域的月平均气温，并根据国际组织公布的经验公式计算该地区的太阳总辐射量参数。
其中，NIR（Near Infrared）代表近红外波段，RED代表红色波段，NDVI（Normalized Difference Vegetation Index）代表归一化植被指数，SR代表比值指数；
（2）计算作物吸收的光合有效辐射
或者使用下面的公式
其中，PAR是植被能进行光合作用的驱动能量，其能量为到达地表的太阳总辐射量的一个分量，这里取经验值0.48， 表示太阳总辐射量，由世界粮农组织公布的技术文档的经验公式来计算获得，代表作物的生长周期；
（3）对NDVI数据进行直方图处理，值范围为5%-95%，去除NDVI中的异常点—经验值，计算FPAR（植被对入射光合有效辐射的吸收比例）
其中， 和 的取值与植被类型无关，分别取值为0.001和0.95， 和 与
植被类型有关，为对应植被类型NDVI的5%和95%所对应的NDVI的值；
（4）计算地上生物量AGB
其中，代表的是作物早期积累的碳水化合物在整个果实生长期内均匀转移的比例，这里取0.9， 是指光能利用率， 代表果实生长的天数， 代表的是最大光能利用率（单位：gMJ-1），冬小麦的最大光能利用率为2.54 gMJ-1， 和 表示环境温度对光利用的抑制影响参数， 则为水分影响胁迫系数， 用来表示水分因子影响植被对光利用的程度； 、 、 均为无量纲参数；
式中， 表示植被生长周期内NDVI值达到最高时的日平均气温（℃）， 表示月平均气温（℃）；
（5）水分胁迫系数的计算
其中， 为近红外波段， 为短波红外波段，由于GF-1影像并没有 ，因此，需要使用另外一种计算方法：
，
其中 代表的是区域实际蒸散量， 代表的是潜在蒸散量（为 多年的最大值），而 使用下面公式进行计算： ，
当月均温在0-26.5℃之间时使用；当温度小于0℃时, ，当温度高于26.5℃时，计算公式为：
其中， 为月均温，为可能蒸散量，为12个月总和的热量指标； 为因纬度而异的日照时数与每月日数的系数；
（6）计算生长期的单产
其中， 和 分别代表的是小麦的生长起始时间和收割时间， 指的是作物将同化物转移到果实的比例；
进一步的，所述数据重构模型采用ESTAFM进行数据重构，ESTAFM在各种条件下效果相对都比较好，不同时间段条件下对数据的NDVI重构结果的相关系数在0.699-0.846之间，满足实际的应用需求。
2、使用质量控制波段来纯化混合像元，有效的提高了噪声混淆验证的现象并有效缓解了作物生长周期内数据缺失的现状；
3、在模型中加入了温度和光照信息，使得该估产模型有了更好的严密性和完整性，为遥感在农业估产领域提供了更好的途径；
4、通过不同的数据计算水分胁迫指数时，由于波段中心波长的限制，无法使用短波红外，因此，使用实际蒸散量和潜在蒸散量的比值来计算；
总之，本发明提供的一种基于GF-1数据重构的小麦单产遥感估算方法具有估产精准、数据完整、估产模型严密性强和完整性好的优点。
附图说明
图3是本发明实施例中的MRT工具转换参数设置图；
图4是本发明实施例中的质量波段提取命令行设置图；
图5是本发明实施例中的质量控制波段提取结果图；
图6是本发明实施例中的数据类型转换及质量波段数值获取图；
图7是本发明实施例中的滤波参数设置图；
图8是本发明实施例中的时序图像显示图；
图9是本发明实施例中的时序图像的光谱曲线图；
图10是本发明实施例中的编辑头文件和投影信息后的数据图；
图11是本发明实施例中的数据重构结果图；
图12是本发明实施例中的数据重构和原始NDVI数据对比图；
图13是本发明实施例中的产量估计分布图。
具体实施方式
Step1：收集并下载研究区域内作物生长周期内的时序MODIS（NDVI16天合成产品）数据和GF-1数据（收集作物完整的生长周期内的时序数据）
（1）数据简介
MODIS数据是NASA美国国家航天航空局的对地观测卫星计划中的中分辨率传感器，使用EOS-Modis/Terra中的16天合成的NDVI数据，影像的空间分辨率为250m，数据格式为HDF，为MODIS陆地产品中的植被指数产品MOD13；
数据的下载地址为：
https://lpdaac.usgs.gov/dataset_discovery
中国区域的MODIS分幅如图2所示；
（2）数据处理
下载研究区域内作物生长周期内的产品数据集，由于MODIS数据采用的是HDF科学格式数据集进行存储的，且数据投影是Sinusoidal（正弦曲线），如果使用ENVI等软件进行处理，可能会造成空间位置的差异，因此，使用需要先使用MRT工具进行数据投影转换和格式转换，最终得到Geotiff格式和UTM投影，参数设置如图3所示。
（1）使用LDOPE工具进行质量波段的提取：
参数设置参照图4所示，运行的结果如图5所示。
（1）将提取的质量控制波段数据使用ENVI中的Band Math由整型转换为浮点型，结果如图6所示。
a.由于其真实MODIS NDVI值与其原始DN值的关系为NDVI=0.0001*DN,故将DN值运算为正常值。
（2）对校正好的数据进行波段合成，使用行政区划进行数据进行统一的裁剪；
Step5：将处理好数据带入STARFM、线性回归模型或ESTARFM数据重构模型，得到重构后的数据；
针对不同的时相间隔的数据，需要采用不同的方法进行数据的重构，可采用如下原则进行选择：
a.在与真实影像的相关性上,ESTARFM和回归分析方法要整体高于STARFM,其中回归分析方法相关程度更高。同时,在相同季相条件下,三种方法的重构结果相似且均具有较高的相关性,并较大程度上优于不同季相的重构结果；此时,当输入影像与待预测影像时间间隔较小时,回归分析方法表现出所有情况下最高的相关性.而在不同季相条件下,三种重构方法的相关性差异较大,ESTARFM相关程度较高,STARFM则最低。
用需求；
Step6：对小麦种植分布进行提取分析
（1）外业采集大量的种植小麦的地块位置信息和面积信息，并记录地块对应的产量信息，样方尽量均匀，且分布范围比较广，根据外业的样本制作ROI，使用最大似然法、决策树或者使用深度学习中的语义分割U-Net模型，对研究区域内的小麦进行提取并使用混淆矩阵进行精度验证，用户精度和制图精度均在90%以上（此处使用的是深度学习中的U-Net模型）；
（2）对研究区域内的小麦进行提取结果进行分析，得出对应的小麦分布图，将小麦分布图和NDVI叠加提取得到小麦的种植区域的NDVI图；
Step7：收集并处理气象数据
（1）收集研究区域内的气象站点数据及周边的站点数据；
（2）使用Kriging插值出研究区域的温度专题图，得到精准的农业气象数据；
（3）计算研究区域的月平均气温，并根据国际组织公布的经验公式计算该地区的太阳总辐射量参数；
Step8：根据地面生物量转换过程和转移后的生物量比例，最终得到作物的单产专题图；
（1）计算简单的比值指数：
其中，NIR（Near Infrared）代表近红外波段，RED代表红色波段，NDVI（Normalized Difference Vegetation Index）代表归一化植被指数，SR代表比值指数；
（2）计算作物吸收的光合有效辐射
或者使用下面的公式
其中，PAR是植被能进行光合作用的驱动能量，其能量为到达地表的太阳总辐射量的一个分量，这里取经验值0.48， 表示太阳总辐射量，由世界粮农组织公布的技术文档的经验公式来计算获得，代表作物的生长周期；
（3）对NDVI数据进行直方图处理，取值范围为5%-95%，计算FPAR（植被对入射光合有效辐射的吸收比例）
其中， 和 的取值与植被类型无关，分别取值为0.001和0.95， 和 与
植被类型有关，为对应植被类型NDVI的5%和95%所对应的NDVI的值；
（4）计算地上生物量AGB
其中，代表的是作物早期积累的碳水化合物在整个果实生长期内均匀转移的比例，这里取0.9， 是指光能利用率，代表果实生长的天数，代表的是最大光能利用率（单位：gMJ-1），冬小麦的最大光能利用率为2.54 gMJ-1， 和 表示环境温度对光利用的抑制影响参数， 则为水分影响胁迫系数， 用来表示水分因子影响植被对光利用的程度； 、 、 均为无量纲参数；
式中， 表示植被生长周期内NDVI值达到最高时的日平均气温（℃）， 表示月平均气温（℃）；
（5）水分胁迫系数的计算
其中， 为近红外波段， 为短波红外波段，由于GF-1影像并没有 ，因此，需要使用另外一种计算方法：
，
其中 代表的是区域实际蒸散量， 代表的是潜在蒸散量（为 多年的最大值），而 使用下面公式进行计算： ，当月均温在0-26.5℃之间时使用；
当温度小于0℃时， ，当温度高于26.5℃时，计算公式为：
其中， 为月均温， 为可能蒸散量，为12个月总和的热量指标； 为因纬度而异的日照时数与每月日数的系数；
（6）计算生长期的单产
其中， 和 分别代表的是小麦的生长起始时间和收割时间， 指的是作物将同化物转移到果实的比例；
Step9：对模型精度进行验证分析
（1）收集历年来的地块位置信息和产量信息，计算出单位面积内的产量（2）通过将估产模型的结果和已有的实地调查结果进行对比分析，得出估产模型的精度：相关系数范围在0.629 0.655之间，RMSE范围在41.2 65.1g/㎡；
~ ~
根据上述具体实施方式可见，本发明提供的一种基于GF-1数据重构的小麦单产遥感估算方法具有估产精准、数据完整、估产模型严密性强和完整性好的优点。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种与矮蓝麦矮秆基因Rht22紧密连锁的SSR标记及其应用 | 2020-05-15 | 219 |
| 一种同时检测32个单核苷酸多态性位点基因型的方法 | 2020-05-24 | 631 |
| 触摸式电子棋盘 | 2020-05-18 | 127 |
| 扩展数字电视色域的色差信号非线性量化方法 | 2020-05-25 | 256 |
| 利用电话通讯进行翻译服务的方法 | 2020-05-25 | 98 |
| 系列面点发酵蒸制配方及生产工艺 | 2020-05-18 | 43 |
| 一种脱脂处理的胎圈钢丝加工方法 | 2020-05-15 | 268 |
| 采用磷埋层及浓磷埋层技术的双极横向PNP管制作工艺 | 2020-05-22 | 92 |
| 中国未来人口数预测法 | 2020-05-20 | 55 |
| 一种纤维布用双组分防火防污涂料及其制备方法 | 2020-05-17 | 899 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
