CN110147720B - 一种玉米叶片等效水厚度反演方法及系统 - Google Patents
一种玉米叶片等效水厚度反演方法及系统 Download PDFInfo
- Publication number
- CN110147720B CN110147720B CN201910283469.3A CN201910283469A CN110147720B CN 110147720 B CN110147720 B CN 110147720B CN 201910283469 A CN201910283469 A CN 201910283469A CN 110147720 B CN110147720 B CN 110147720B
- Authority
- CN
- China
- Prior art keywords
- parameters
- calibrated
- parameter
- corn
- lookup table
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供了一种玉米叶片等效水厚度反演方法及系统,包括:根据各参数的敏感程度确定PROSAIL模型中需标定的参数;将需标定的参数作为可变参数结合PROSAIL模型,获取查找表;对需标定的参数进行标定得到需标定的参数对应的后验分布,并根据需标定的参数对应的后验分布以及玉米冠层实际光谱反射率,构建基于权重差和形式的代价函数;在代价函数取最小值时,利用查找表反演得到玉米叶片的等效水厚度。通过对PROSAIL模型进行全局敏感性确定需标定的参数和查找表的可变参数,并对可变参数进行标定和不确定分析,得到了参数和PROSAIL模型在反演过程中的不确定性,并通过在代价函数中加入可变修正项,有效避免了反演的病态问题,提高了反演精度。
Description
技术领域
本发明涉及农业遥感技术领域,更具体地,涉及一种玉米叶片等效水厚度反演方法及系统。
背景技术
玉米生长过程中冠层及叶片的各类参数,如叶面积指数、叶绿素含量、叶片等效水厚度,是反映生长状况和进行长势监测的重要参数。对这些参数进行实时的反演和监测,对玉米的估产和病虫害监测有重要意义。卫星遥感,从可见光到近红外波段,提供了可用于反演这些重要参数的连续时空信息,植被冠层的反射率信息能反映植被冠层结构和叶片生理生化特征。其中,叶片等效水厚度是反映玉米生长过程中水分含量变化的重要参数,其定义为单位占地面积上叶片的水分含量,单位为g/cm2或cm。
运用遥感信息反演叶片等效水厚度的主要方法有经验模型法和物理模型法。其中,经验模型法主要是通过建立特定植被指数与等效水厚度的统计关系来估计叶片等效水厚度,这种方法需要“足够多”的样本数量,调查成本高、空间覆盖有限,且由于土壤与作物覆盖类型的复杂多样导致所构建的模型具有地域性与尺度性。物理模型反演法是利用几何光学模型、辐射传输模型和混合模型等冠层反射率模型,通过模型的组合运算来模拟得到玉米叶片等效水厚度,这种方法能考虑到玉米生长过程中各项参数的影响,更具有科学性。
目前,有许多利用PROSAIL模型反演植被冠层参数的研究,但是在反演叶片等效水厚度的研究中,由于模型内部机理的不同以及冠层参数与叶片参数的差异,反演精度难以达到要求;同时,使用最小化代价函数在查找表中寻找最优值时,常会因遥感观测信息量的不足而导致等效水厚度存在病态反演的问题。
发明内容
本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的玉米叶片等效水厚度反演方法及系统。
第一方面本发明实施例提供了一种玉米叶片等效水厚度反演方法,包括:
对PROSAIL模型进行全局敏感性分析得到各参数的敏感程度,并根据各参数的敏感程度确定所述PROSAIL模型中需标定的参数;
将所述需标定的参数作为可变参数结合所述PROSAIL模型,获取用于反演玉米叶片等效水厚度的查找表;对所述需标定的参数进行马尔科夫链蒙特卡洛标定得到所述需标定的参数对应的后验分布,并根据所述需标定的参数对应的后验分布以及玉米冠层实际光谱反射率,构建基于权重差和形式的代价函数;
在所述代价函数取最小值时,利用所述查找表反演得到玉米叶片的等效水厚度。
另一方面本发明实施例提供了一种玉米叶片等效水厚度反演系统,包括:
需标定参数确定模块,用于对PROSAIL模型进行全局敏感性分析得到各参数的敏感程度,并根据各参数的敏感程度确定所述PROSAIL模型中需标定的参数;
查找表和代价函数获取模块,用于将所述需标定的参数作为可变参数结合所述PROSAIL模型,获取用于反演玉米叶片等效水厚度的查找表;对所述需标定的参数进行马尔科夫链蒙特卡洛标定得到所述需标定的参数对应的后验分布,并根据所述需标定的参数对应的后验分布以及玉米冠层实际光谱反射率,构建基于权重差和形式的代价函数;
反演模块,用于在所述代价函数取最小值时,利用所述查找表反演得到玉米叶片的等效水厚度。
第三方面本发明实施例提供了包括处理器、通信接口、存储器和总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信,处理器可以调用存储器中的逻辑指令,以执行第一方面提供的玉米叶片等效水厚度反演方法。
第四方面本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面提供的玉米叶片等效水厚度反演方法。
本发明实施例提供的一种玉米叶片等效水厚度反演方法及系统,通过对PROSAIL模型进行全局敏感性确定需标定的参数和查找表的可变参数,并对可变参数进行标定和不确定分析,得到了参数和PROSAIL模型在反演过程中的不确定性,并通过在代价函数中加入可变修正项,有效避免了反演的病态问题,提高了反演精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例提供的一种玉米叶片等效水厚度反演方法的流程图;
图2为本发明实施例提供的一种玉米叶片等效水厚度反演系统的结构框图;
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
图1为本发明实施例提供的一种玉米叶片等效水厚度反演方法的流程图,如图1所示,包括:
S101,对PROSAIL模型进行全局敏感性分析得到各参数的敏感程度,并根据各参数的敏感程度确定所述PROSAIL模型中需标定的参数;
S102,将所述需标定的参数作为可变参数结合所述PROSAIL模型,获取用于反演玉米叶片等效水厚度的查找表;对所述需标定的参数进行马尔科夫链蒙特卡洛标定得到所述需标定的参数对应的后验分布,并根据所述需标定的参数对应的后验分布以及玉米冠层实际光谱反射率,构建基于权重差和形式的代价函数;
S103,在所述代价函数取最小值时,利用所述查找表反演得到玉米叶片的等效水厚度。
在步骤S101中,PROSAIL模型是叶片光学模型PROSPECT与冠层辐射传输模型SAIL模型的耦合模型,是目前使用最广泛的冠层辐射传输模型之一。该模型正向输入叶片参数(叶片结构参数、叶绿素含量、类胡萝卜素含量、棕色素含量、等效水厚度、干物质含量)、冠层参数(叶面积指数、平均叶倾角、散射/直射光)和环境参数(土壤系数、热点参数、太阳天顶角、观测天顶角、相对方位角),模拟从可见光到中红外波段(400-2500nm)之间的植被冠层反射率波谱。该模型严格遵循物理模型规律,且考虑了植被对太阳辐射的吸收、二向反射、叶片反射透射率、叶片结构参数等因素的影响,能较为真实的模拟植被真实冠层情况,并且具有很高的稳定性,经常被用于植被参数的遥感定量反演中。
各参数的敏感程度表达各个参数的变化对模型结果变化的直接或间接影响程度。参数的敏感程度越大,说明其对模型结果的直接或间接影响越大。可以理解的是,为了使得模型在反演过程中得到的结果更准确,需对敏感程度高的参数进行标定,及敏感程度高的参数为需标定的参数。
在步骤S102中,对需标定的参数进行标定得到需标定的参数对应的后验分布,即对查找表中的可变参数进行标定,即对可变参数在反验过程中的不确定性进行分析。根据需标定的参数对应的后验分布以及玉米冠层实际光谱反射率,构建基于权重差和形式的代价函数,即在代价函数中加入对可变参数的修正项,可提高反演精度,同时避免病态反演。
在步骤S103中,在所述代价函数取最小值时,玉米冠层模拟光谱反射率与玉米冠层实际光谱反射率之间误差最小,可变参数与对应的标准值之间误差最小,此时从查找表中反演得到的玉米叶片等效水厚度最准确。
本发明实施例提供的一种玉米叶片等效水厚度反演方法,通过对PROSAIL模型进行全局敏感性确定需标定的参数和查找表的可变参数,并对可变参数进行标定和不确定分析,得到了参数和PROSAIL模型在反演过程中的不确定性,并通过在代价函数中加入可变修正项,有效避免了反演的病态问题,提高了反演精度。
在上述实施例中,所述对PROSAIL模型进行全局敏感性分析得到各参数的敏感程度,并根据各参数的敏感程度确定所述PROSAIL模型中需标定的参数,具体包括:
利用模型全局敏感性分析方法对PROSAIL模型进行全局敏感性分析得到各参数的敏感程度;
将各参数中敏感程度超过预设敏感性阈值的参数确定为所述PROSAIL模型中需标定的参数。
其中,本发明实施例中所采用模型全局敏感性分析方法为扩展傅立叶幅度灵敏度检验法(E-FAST),但需要说明的是,本发明实施例并不以此为限。
具体地,扩展傅立叶幅度灵敏度检验法(E-FAST)是结合Sobol法和FAST法提出的全局敏感性分析方法,融合了Sobol方法对交互效应的计算能力和FAST方法的高效性。该方法需要更少的样本并且有更快的计算速度和稳定性。它采用了模型方差分析的思想,认为模型输出的方差是由输入参数变化及参数之间的相互作用引起,可以反映模型输出对输入参数的敏感性。因此,通过分解模型输出的方差可以得到各个参数及参数之间的耦合作用对总方差的贡献比重,即为参数敏感性指数。通过对模型方差的分解,E-FAST方法定量获得各个参数的各阶敏感性以及总体敏感性指数,表达各个参数的变化对模型结果变化的直接和间接影响程度。参数的敏感程度越大,说明其对模型结果的直接和间接影响越大。
设定PROSAIL模型各输入参数的取值范围如表1所示,在本发明实施例中通过蒙特卡洛方法采样生成2970组随机参数组,输入到模型中得到反射率波谱,选择哨兵二号卫星可见光和近红外波段对应的中心波长的模拟结果,分析各参数的敏感性。
表1
通过对各参数的一阶和全局敏感型指数的分析,结合相关研究和叶片等效水厚度的反演需求,确定需标定的参数和查找表的可变参数。需标定参数和查找表可变参数选取基本相同,都是PROSAIL模型敏感性高的参数,但是在反演研究中考虑到查找表的大小和运行速度,根据特定波段敏感性指数和经验,会舍弃一些可变参数。例如,在本发明实施例中,确定进需标定标定的参数有:叶面积指数、叶片结构系数、等效水厚度、热点系数、叶绿素含量、干物质含量;在查找表中的可变参数有:等效水厚度、叶面积指数、干物质含量、叶片结构系数,其余参数在研究中设为定值。
在上述实施例中,所述将所述需标定的参数作为输入参数结合所述PROSAIL模型,获取用于反演玉米叶片等效水厚度的查找表,具体包括:
将所述需标定的参数作为可变参数,所述PROSAIL模型中除所述需标定的参数外的参数作为固定参数,构建所述查找表。
具体地,根据上述实施例的分析可知,本发明实施例中查找表各可变参数可以设定如表2所示。另外,没有被选为可变参数而被舍弃的需标定的参数可设定为对应的后验分布均值。其余固定参数包括背景参数及角度信息,根据影像头文件得到。
表2
在上述实施例中,所述对所述需标定的参数进行标定得到所述需标定的参数对应的后验分布,具体包括:
利用马尔可夫链蒙特卡洛方法MCMC对所述需标定的参数进行标定得到所述需标定的参数对应的后验分布。
其中,马尔可夫链蒙特卡洛方法(MCMC)产生于19世纪50年代早期,是在贝叶斯理论框架下,将马尔科夫(Markov)过程引入到通过计算机进行模拟的蒙特卡洛方法(MonteCarlo)中,实现抽样分布随模拟的进行而改变的动态模拟,构造合适的马尔科夫链进行抽样而使用蒙特卡洛方法进行积分计算,即马尔科夫链可以收敛到平稳分布。在本发明实施例中,使用了一种融入了snooker更新的差分进化马尔科夫链算法。差分进化马尔科夫链(DE-MC)算法通过多条平行链的运行,以实现更好地参数搜索空间。但是标准DE-MC方法中并行链数必须大于空间维数。为了提高采样效率,引入snooker更新算法以部分取代其中的平行方向更新,克服了DE-MC中并行链数必须大于空间维数的限制。
具体地,在本发明实施例中,根据现有的观测数据及模型缺省范围,设定马尔科夫链的初始状态及参数变化范围,并指定所有参数的先验分布为均匀分布。在本发明实施例中,认为反射率服从以观测值为期望的高斯分布,由于概率密度可能非常小,为了避免位数舍入引起的误差,所有概率密度的计算均通过取对数形式计算,由此确立似然函数:
logLref=-0.5(x-xobs)T∑-1(x-xobs)-0.5klog(2π)-log(det∑)
式中,log表示取对数;Lref表示似然函数(likelihood function)的返回值;矢量x和xobs分别表示对应不同波段反射率的模型模拟值和观测值;Σ表示反射率观测值的协方差矩阵,不同波段反射率观测值相互独立,且方差均取0.002;k表示空间维数,即反射率观测值的个数;detΣ表示Σ的行列式值。
本发明实施例中设定DE-MC种群(并行链)数目为4,每5次采样进行一次种群进化(链的更新),每10000次迭代通过比方差法进行一次收敛性判断,计算诊断指标R,R>1时,表明链没有达到收敛,若R≈1,表明链已经处于静止状态。本发明实施例中当连续超过3次诊断指标R<1.03,则认为马尔科夫链达到收敛。收敛后舍弃前2000次采样(burn-in),为解决自相关问题,每隔5次对链进行细化,最终得到参数的后验样本及其分布。
在上述实施例中,在所述根据所述需标定的参数对应的后验分布以及玉米冠层实际光谱反射率,构建基于权重差和形式的代价函数之前,还包括:
获取研究区玉米各生育期的卫星影像数据,并对所述卫星影像数据进行影像预处理得到所述玉米冠层实际光谱反射率。
在上述实施例中,所述根据所述需标定的参数对应的后验分布以及玉米冠层实际光谱反射率,构建基于权重差和形式的代价函数,具体包括:
将玉米冠层模拟光谱反射率与所述玉米冠层实际光谱反射率之间误差作为第一误差,将所述查找表的可变参数与所述可变参数经标定后的标准值之间的误差作为第二误差;
将所述第一误差和所述第二误差之和作为所述代价函数。
其中,所述可变参数经标定后的标准值为所述可变参数经标定后得到的后验分布的均值。
具体地,代价函数是估算参数的模拟值与观测值达到一致的标准,通过代价函数的约束将模拟玉米冠层光谱反射率与真实玉米冠层光谱反射率之间的误差最小化,加入参数修正项规避病态反演问题,在本发实施例中代价函数可以为:
式中,RS2A为哨兵二号影像输入的玉米冠层实际光谱反射率,Rmod为PROSAIL模型输出的玉米冠层模拟光谱反射率,PLUT为查找表中的可变参数,PMCMC为MCMC方法标定的参数参考值,通过多次迭代查找Δ趋近于0时候对应的EWT值。n,m在不同的反演需求下可以手动调整,在上述公式中泛指选择的卫星反演波段数和修正项中参数的个数。
在本发明实施例中,选取的用于反演的哨兵二号卫星波段有8,8A,11,12波段,修正项中的选取的参数有叶面积指数、叶片结构系数、干物质含量。当代价函数取最小时,对应模拟光谱的输入参数即为该位置上等效水厚度EWT的取值结果。
图2为本发明实施例提供的一种玉米叶片等效水厚度反演系统的结构框图,如图2所示,包括:需标定参数确定模块201、查找表和代价函数获取模块202及反演模块203。其中,
需标定参数确定模块201用于对PROSAIL模型进行全局敏感性分析得到各参数的敏感程度,并根据各参数的敏感程度确定所述PROSAIL模型中需标定的参数;查找表和代价函数获取模块202用于将所述需标定的参数作为可变参数结合所述PROSAIL模型,获取用于反演玉米叶片等效水厚度的查找表;对所述需标定的参数进行马尔科夫链蒙特卡洛标定得到所述需标定的参数对应的后验分布,并根据所述需标定的参数对应的后验分布以及玉米冠层实际光谱反射率,构建基于权重差和形式的代价函数。反演模块,用于在所述代价函数取最小值时203利用所述查找表反演得到玉米叶片的等效水厚度。
具体地,需标定参数确定模块201具体用于:
利用模型全局敏感性分析方法对PROSAIL模型进行全局敏感性分析得到各参数的敏感程度;
将各参数中敏感程度超过预设敏感性阈值的参数确定为所述PROSAIL模型中需标定的参数。
进一步地,查找表和代价函数获取模块202具体用于:
将所述需标定的参数作为可变参数,所述PROSAIL模型中除所述需标定的参数外的参数作为固定参数,获取每组参数模拟的400-2500nm的冠层反射率波谱,共同构建所述查找表。
进一步地,所述系统还包括,玉米冠层实际光谱反射率获取模块,具体用于:
获取研究区玉米各生育期的卫星影像数据,并对所述卫星影像数据进行影像预处理得到所述玉米冠层实际光谱反射率。
进一步地,找表和代价函数获取模块202具体用于:
将玉米冠层模拟光谱反射率与所述玉米冠层实际光谱反射率之间误差作为第一误差,将所述查找表的可变参数与所述可变参数经标定后的标准值之间的误差作为第二误差;
将所述第一误差和所述第二误差之和作为所述代价函数。
本发明实施例提供的一种玉米叶片等效水厚度反演系统,通过对PROSAIL模型进行全局敏感性确定需标定的参数和查找表的可变参数,并对可变参数进行标定和不确定分析,得到了参数和PROSAIL模型在反演过程中的不确定性,并通过在代价函数中加入可变修正项,有效避免了反演的病态问题,提高了反演精度。
图3为本发明实施例提供的一种电子设备的结构示意图,如图3所示,电子设备包括:处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和总线304,其中,处理器301,通信接口302,存储器303通过总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令,以执行如下方法,例如包括:对PROSAIL模型进行全局敏感性分析得到各参数的敏感程度,并根据各参数的敏感程度确定所述PROSAIL模型中需标定的参数;将所述需标定的参数作为可变参数结合所述PROSAIL模型,获取用于反演玉米叶片等效水厚度的查找表;对所述需标定的参数进行马尔科夫链蒙特卡洛标定得到所述需标定的参数对应的后验分布,并根据所述需标定的参数对应的后验分布以及玉米冠层实际光谱反射率,构建基于权重差和形式的代价函数;在所述代价函数取最小值时,利用所述查找表反演得到玉米叶片的等效水厚度。
上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:对PROSAIL模型进行全局敏感性分析得到各参数的敏感程度,并根据各参数的敏感程度确定所述PROSAIL模型中需标定的参数;将所述需标定的参数作为可变参数结合所述PROSAIL模型,获取用于反演玉米叶片等效水厚度的查找表;对所述需标定的参数进行马尔科夫链蒙特卡洛标定得到所述需标定的参数对应的后验分布,并根据所述需标定的参数对应的后验分布以及玉米冠层实际光谱反射率,构建基于权重差和形式的代价函数;在所述代价函数取最小值时,利用所述查找表反演得到玉米叶片的等效水厚度。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的通信设备等实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以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精神和范围。
Claims (8)
1.一种玉米叶片等效水厚度反演方法,其特征在于,包括:
对PROSAIL模型进行全局敏感性分析得到各参数的敏感程度,并根据各参数的敏感程度确定所述PROSAIL模型中需标定的参数;
将所述需标定的参数作为可变参数结合所述PROSAIL模型,获取用于反演玉米叶片等效水厚度的查找表;对所述需标定的参数进行马尔科夫链蒙特卡洛标定得到所述需标定的参数对应的后验分布,并根据所述需标定的参数对应的后验分布以及玉米冠层实际光谱反射率,构建基于权重差和形式的代价函数;
在所述代价函数取最小值时,利用所述查找表反演得到玉米叶片的等效水厚度;
其中,根据所述需标定的参数对应的后验分布以及玉米冠层实际光谱反射率,构建基于权重差和形式的代价函数,具体包括:
将玉米冠层模拟光谱反射率与所述玉米冠层实际光谱反射率之间误差作为第一误差,将所述查找表的可变参数与所述可变参数经标定后的标准值之间的误差作为第二误差;
将所述第一误差和所述第二误差之和作为所述代价函数。
2.根据权利要求1所述方法,其特征在于,所述对PROSAIL模型进行全局敏感性分析得到各参数的敏感程度,并根据各参数的敏感程度确定所述PROSAIL模型中需标定的参数,具体包括:
利用模型全局敏感性分析方法对PROSAIL模型进行全局敏感性分析得到各参数的敏感程度;
将各参数中敏感程度超过预设敏感性阈值的参数确定为所述PROSAIL模型中需标定的参数。
3.根据权利要求1所述方法,其特征在于,所述将所述需标定的参数作为可变参数结合所述PROSAIL模型,获取用于反演玉米叶片等效水厚度的查找表,具体包括:
将所述需标定的参数作为可变参数,所述PROSAIL模型中除所述需标定的参数外的参数作为固定参数,获取每组参数模拟的400-2500nm的冠层反射率波谱,共同构建所述查找表。
4.根据权利要求1所述方法,其特征在于,在所述根据所述需标定的参数对应的后验分布以及玉米冠层实际光谱反射率,构建基于权重差和形式的代价函数之前,还包括:
获取研究区玉米各生育期的卫星影像数据,并对所述卫星影像数据进行影像预处理得到所述玉米冠层实际光谱反射率。
5.根据权利要求1所述方法,其特征在于,所述可变参数经标定后的标准值为所述可变参数经标定后得到的后验分布的均值。
6.一种玉米叶片等效水厚度反演系统,其特征在于,包括:
需标定参数确定模块,用于对PROSAIL模型进行全局敏感性分析得到各参数的敏感程度,并根据各参数的敏感程度确定所述PROSAIL模型中需标定的参数;
查找表和代价函数获取模块,用于将所述需标定的参数作为可变参数结合所述PROSAIL模型,获取用于反演玉米叶片等效水厚度的查找表;对所述需标定的参数进行马尔科夫链蒙特卡洛标定得到所述需标定的参数对应的后验分布,并根据所述需标定的参数对应的后验分布以及玉米冠层实际光谱反射率,构建基于权重差和形式的代价函数;
反演模块,用于在所述代价函数取最小值时,利用所述查找表反演得到玉米叶片的等效水厚度;
其中,所述查找表和代价函数获取模块具体用于:
将玉米冠层模拟光谱反射率与所述玉米冠层实际光谱反射率之间误差作为第一误差,将所述查找表的可变参数与所述可变参数经标定后的标准值之间的误差作为第二误差;
将所述第一误差和所述第二误差之和作为所述代价函数。
7.一种电子设备,其特征在于,包括处理器、通信接口、存储器和总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信,处理器可以调用存储器中的逻辑指令,以执行如权利要求1至5任一项所述的玉米叶片等效水厚度反演方法。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至5任一项所述的玉米叶片等效水厚度反演方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910283469.3A CN110147720B (zh) | 2019-04-10 | 2019-04-10 | 一种玉米叶片等效水厚度反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910283469.3A CN110147720B (zh) | 2019-04-10 | 2019-04-10 | 一种玉米叶片等效水厚度反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110147720A CN110147720A (zh) | 2019-08-20 |
CN110147720B true CN110147720B (zh) | 2021-05-14 |
Family
ID=67588311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910283469.3A Active CN110147720B (zh) | 2019-04-10 | 2019-04-10 | 一种玉米叶片等效水厚度反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147720B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113376123B (zh) * | 2021-06-13 | 2023-08-01 | 福州大学 | 基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法 |
CN113252592B (zh) * | 2021-06-25 | 2021-10-08 | 成都信息工程大学 | 枯草参数率定方法 |
CN117313451A (zh) * | 2023-09-01 | 2023-12-29 | 长安大学 | 一种基于e-inform模型的作物冠层结构参数反演方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346808B (zh) * | 2011-06-08 | 2013-06-12 | 北京师范大学 | 一种从hj-1卫星数据反演lai的方法 |
CN102650587B (zh) * | 2012-05-11 | 2014-08-13 | 中国农业大学 | 基于sebal-hj模型的农作物生物量反演方法 |
CN108537679B (zh) * | 2018-02-08 | 2022-04-12 | 中国农业大学 | 遥感与作物模型融合的区域尺度作物出苗日期估算方法 |
CN109115725B (zh) * | 2018-06-14 | 2020-04-14 | 中国农业大学 | 一种玉米冠层lai和叶绿素含量联合反演方法和设备 |
-
2019
- 2019-04-10 CN CN201910283469.3A patent/CN110147720B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110147720A (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147720B (zh) | 一种玉米叶片等效水厚度反演方法及系统 | |
Anderson et al. | Achieving robustness across season, location and cultivar for a NIRS model for intact mango fruit dry matter content | |
CN109115725B (zh) | 一种玉米冠层lai和叶绿素含量联合反演方法和设备 | |
Zhao et al. | Hyperspectral remote sensing of plant biochemistry using Bayesian model averaging with variable and band selection | |
Müller et al. | The Ocean Colour Climate Change Initiative: I. A methodology for assessing atmospheric correction processors based on in-situ measurements | |
Baret et al. | Estimating canopy characteristics from remote sensing observations: Review of methods and associated problems | |
Verrelst et al. | Retrieval of vegetation biophysical parameters using Gaussian process techniques | |
Anderson et al. | Achieving robustness across season, location and cultivar for a NIRS model for intact mango fruit dry matter content. II. Local PLS and nonlinear models | |
Jiang et al. | Quantitative detection of fatty acid value during storage of wheat flour based on a portable near-infrared (NIR) spectroscopy system | |
Kumar et al. | Postharvest performance of apple phenotypes predicted by near-infrared (NIR) spectral analysis | |
Sharabian et al. | Significant wavelengths for prediction of winter wheat growth status and grain yield using multivariate analysis | |
CN110579186B (zh) | 基于逆高斯过程反演叶面积指数的农作物长势监测方法 | |
CN110569605B (zh) | 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法 | |
CN111044516A (zh) | 一种水稻叶绿素含量遥感估测方法 | |
CN111735772B (zh) | 改进的级联神经网络的高光谱数据地表反射率反演方法 | |
CN115479902A (zh) | 基于波长的叶绿素含量测定模型构建方法及其系统 | |
Bai et al. | Model robustness in estimation of blueberry SSC using NIRS | |
Yuan et al. | Research on rice leaf area index estimation based on fusion of texture and spectral information | |
Cheng et al. | Evaluation of the effect of leaf spatial aggregation on chlorophyll content retrieval in open-canopy apple orchards | |
Ong et al. | Visible and near-infrared spectroscopic determination of sugarcane chlorophyll content using a modified wavelength selection method for multivariate calibration | |
Patel et al. | Retrieving canopy nitrogen concentration and aboveground biomass with deep learning for ryegrass and barley: Comparing models and determining waveband contribution | |
Zhang et al. | Hyperspectral model based on genetic algorithm and SA-1DCNN for predicting Chinese cabbage chlorophyll content | |
Janni et al. | Novel near-infrared sampling apparatus for single kernel analysis of oil content in maize | |
Chakraborty | Bayesian multiple response kernel regression model for high dimensional data and its practical applications in near infrared spectroscopy | |
Liu et al. | A novel wavelength selection strategy for chlorophyll prediction by MWPLS and GA |
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 |