CN110222903A - 一种基于无人机遥感的水稻产量预测方法及系统 - Google Patents
一种基于无人机遥感的水稻产量预测方法及系统 Download PDFInfo
- Publication number
- CN110222903A CN110222903A CN201910509779.2A CN201910509779A CN110222903A CN 110222903 A CN110222903 A CN 110222903A CN 201910509779 A CN201910509779 A CN 201910509779A CN 110222903 A CN110222903 A CN 110222903A
- Authority
- CN
- China
- Prior art keywords
- rice
- rice yield
- growth period
- image
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 201
- 235000009566 rice Nutrition 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims abstract description 31
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 201
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 238000012417 linear regression Methods 0.000 claims description 39
- 238000012937 correction Methods 0.000 claims description 27
- 238000010219 correlation analysis Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 18
- 230000001419 dependent effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000000280 densification Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000035800 maturation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 241000287531 Psittacidae Species 0.000 description 2
- 241001116459 Sequoia Species 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机遥感的水稻产量预测方法及系统。该方法通过无人机获取各个生长期的水稻图像，并计算各个生长期的水稻图像的归一化植被指数，通过建立表示归一化植被指数与产量的关系的模型从而得到水稻产量预测模型，通过该水稻产量预测模型实现对水稻产量的预测。本发明的基于无人机遥感的水稻产量预测方法及系统通过无人机采集图像即可实现对水稻产量的预测，无需根据卫星遥感图像进行产量预测，从而避免云层对水稻产量预测的影响。
Description
技术领域
本发明涉及农产品产量预测领域，特别是涉及一种基于无人机遥感的水稻产量预测方法及系统。
背景技术
产量是作物研究追求的最终目标之一，及时准确地预报水稻产量具有重要的实用价值。传统水稻产量预测采用人工区域调查方法，速度慢、工作量大、成本高，很难及时、大范围获取水稻的长势与产量信息；为了解决这一问题，水稻产量预测的研究转向通过卫星遥感进行产量预测。然而卫星遥感存在受云层影响较大的问题。
发明内容
本发明的目的是提供一种基于无人机遥感的水稻产量预测方法及系统，避免云层对水稻产量预测的影响。
为实现上述目的，本发明提供了如下方案：
一种基于无人机遥感的水稻产量预测方法，包括：
获取无人机在各个水稻生长期采集的各样本区域的多幅水稻图像；所述样本区域为在待测区域中选取的多个均匀分布的区域；
将同一生长时期的同一样本区域的多幅水稻图像拼接成一幅正射影像图；
将每幅所述正射影像图转换成归一化植被指数图；
计算各个生长时期各个样本区域的归一化植被指数图的平均归一化植被指数，得到各生长时期各样本区域的平均归一化植被指数；
获取水稻成熟后的各样本区域的水稻产量；
将不同生长时期的平均归一化植被指数与对应的水稻产量进行相关性分析，确定与水稻产量相关系数超过预设值的生长时期，得到选定生长期；
将所述选定生长期的平均归一化指数作为自变量，将对应的水稻产量作为因变量建立一元线性回归模型和多元逐步回归模型；
通过精度检验确定所述一元线性回归模型和所述多元逐步回归模型中精度较高的模型作为水稻产量预测模型；
利用所述水稻产量预测模型对所述待测区域的水稻产量进行预测。
可选的，所述将同一生长时期的同一样本区域的多幅水稻图像拼接成一幅正射影像图，具体包括：
提取每幅所述水稻图像的特征点；
根据所述特征点将属于同一生长时期的同一样本区域的多幅水稻图像进行特征点匹配；
根据匹配后的特征点将属于同一生长时期的同一样本区域的多幅水稻图像进行拼接，得到拼接后的图像；
对所述拼接后的图像进行点云密集化处理，得到加密后的图像；
将对所述加密后的图像进行几何校正，得到正射影像图。
可选的，所述将每幅所述正射影像图转换成归一化植被指数图，具体包括：
对所述正射影像图进行辐射校正，得到辐射校正后的图像；
利用指数计算器对所述辐射校正后的图像进行红光波段指数计算和近红外波段指数计算，生成红光波段指数图和近红外波段指数图；
利用指数计算器对所述红光波段指数图和所述近红外波段指数图进行归一化植被指数计算，得到归一化植被指数图。
可选的，所述将不同生长时期的平均归一化植被指数与对应的水稻产量进行相关性分析，确定与水稻产量相关系数超过预设值的生长时期，得到选定生长期，具体包括：
选取三分之二的样本区域内的平均归一化植被指数和对应的水稻产量作为建模样本，选取剩余三分之一的样本区域内的平均归一化植被指数和对应的水稻产量作为检验样本；
利用spss软件中的相关性分析将建模样本中不同生长时期的平均归一化植被指数与对应的水稻产量进行相关性分析，确定与水稻产量相关系数超过预设值的生长时期。
可选的，所述通过精度检验确定所述一元线性回归模型和所述多元逐步回归模型中精度较高的模型作为水稻产量预测模型，具体包括：
利用所述检验样本计算所述一元线性回归模型与所述多元逐步回归模型的决定系数、均方根误差和相对误差；所述决定系数为回归平方和与总离均差平方和之比；所述均方根误差为预测值与真值的差的平方和与观测次数比值的平方根；所述相对误差为绝对误差与真值的百分比；
根据所述决定系数与1的接近程度、所述均方根误差与0的接近程度以及所述相对误差与0的接近程度确定所述一元线性回归模型与所述多元逐步回归模型的精度；
确定所述一元线性回归模型与所述多元逐步回归模型中精度较高的模型作为水稻产量预测模型。
本发明还公开一种基于无人机遥感的水稻产量预测系统，包括：
水稻图像获取模块，用于获取无人机在各个水稻生长期采集的各样本区域的多幅水稻图像；所述样本区域为在待测区域中选取的多个均匀分布的区域；
拼接模块，用于将同一生长时期的同一样本区域的多幅水稻图像拼接成一幅正射影像图；
归一化植被指数图转换模块，用于将每幅所述正射影像图转换成归一化植被指数图；
平均归一化植被指数计算模块，用于计算各个生长时期各个样本区域的归一化植被指数图的平均归一化植被指数，得到各生长时期各样本区域的平均归一化植被指数；
产量获取模块，用于获取水稻成熟后的各样本区域的水稻产量；
相关性分析模块，用于将不同生长时期的平均归一化植被指数与对应的水稻产量进行相关性分析，确定与水稻产量相关系数超过预设值的生长时期，得到选定生长期；
回归模型建立模块，用于将所述选定生长时期的平均归一化指数作为自变量，将对应的水稻产量作为因变量建立一元线性回归模型和多元逐步回归模型；
回归模型比较模块，用于通过精度检验确定所述一元线性回归模型和所述多元逐步回归模型中精度较高的模型作为水稻产量预测模型；
预测模块，用于利用所述水稻产量预测模型对所述待测区域的水稻产量进行预测。
可选的，所述拼接模块包括：
特征提取单元，用于提取每幅所述水稻图像的特征点；
特征匹配单元，用于根据所述特征点将属于同一生长时期的同一样本区域的多幅水稻图像进行特征点匹配；
图像拼接单元，用于根据匹配后的特征点将属于同一生长时期的同一样本区域的多幅水稻图像进行拼接，得到拼接后的图像；
点云加密单元，用于对所述拼接后的图像进行点云密集化处理，得到加密后的图像；
正射影像生成单元，用于将对所述加密后的图像进行几何校正，得到正射影像图。
可选的，所述归一化植被指数图转换模块包括：
辐射校正单元，用于对所述正射影像图进行辐射校正，得到辐射校正后的图像；
红光和近红外波段指数计算单元，用于利用指数计算器对所述辐射校正后的图像进行红光波段指数计算和近红外波段指数计算，生成红光波段指数图和近红外波段指数图；
归一化植被指数计算单元，用于利用指数计算器对所述红光波段指数图和所述近红外波段指数图进行归一化植被指数计算，得到归一化植被指数图。
可选的，所述相关性分析模块包括：
样本划分单元，用于选取三分之二的样本区域内的平均归一化植被指数和对应的水稻产量作为建模样本，选取剩余三分之一的样本区域内的平均归一化植被指数和对应的水稻产量作为检验样本；
相关性分析与对比单元，用于利用spss软件中的相关性分析将建模样本中不同生长时期的平均归一化植被指数与对应的水稻产量进行相关性分析，确定与水稻产量相关系数超过预设值的生长时期。
可选的，所述回归模型比较模块包括：
比较参数计算单元，用于利用所述检验样本计算所述一元线性回归模型与所述多元逐步回归模型的决定系数、均方根误差和相对误差；所述决定系数为回归平方和与总离均差平方和之比；所述均方根误差为预测值与真值的差的平方和与观测次数比值的平方根；所述相对误差为绝对误差与真值的百分比；
精度确定单元，用于根据所述决定系数与1的接近程度、所述均方根误差与0的接近程度以及所述相对误差与0的接近程度确定所述一元线性回归模型与所述多元逐步回归模型的精度；
水稻产量预测模型确定单元，用于确定所述一元线性回归模型与所述多元逐步回归模型中精度较高的模型作为水稻产量预测模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明公开一种基于无人机遥感的水稻产量预测方法及系统，通过无人机获取各个生长期的水稻图像，并计算各个生长期的水稻图像的归一化植被指数，通过建立表示归一化植被指数与产量的关系的模型从而得到水稻产量预测模型，通过该水稻产量预测模型实现对水稻产量的预测。该方法及系统通过无人机采集图像即可实现对水稻产量的预测，无需根据卫星遥感图像进行产量预测，从而避免云层对水稻产量预测的影响。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，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1的基于无人机遥感的水稻产量预测方法的方法流程图；
图2为本发明实施例2基于无人机遥感的水稻产量预测系统的系统结构图。
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、完整地描述，显然，所描述的实施例仅仅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。
本发明的目的是提供一种基于无人机遥感的水稻产量预测方法及系统，避免云层对水稻产量预测的影响。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
图1为本发明实施例1的基于无人机遥感的水稻产量预测方法的方法流程图。
本发明的基于无人机遥感的水稻产量预测方法的方法首先在待测区域利用水稻的一次生长周期建立水稻归一化植被指数与水稻产量关系模型，即为水稻产量预测模型，然后利用该水稻产量预测模型对以后的水稻产量进行预测。
参见图1，该基于无人机遥感的水稻产量预测方法，包括：
步骤101：获取无人机在各个水稻生长期采集的各样本区域的多幅水稻图像；所述样本区域为在待测区域中选取的多个均匀分布的区域。
在本发明的实施例中，在待测区域选取均匀分布的30个正方形区域(2m*2m)作为样本点，分别获取正方形区域四个顶点的GPS定位。分别在水稻分蘖期，拔节期、抽穗期、成熟期，选择天气晴朗的日期，用无人机携带parrot Sequoia农业专用多光谱相机沿地面站规划的航行飞行获取水稻图像，航线覆盖所有正方形区域。parrot Sequoia农业专用多光谱相机自带一个1600万像素RGB三原色传感器和四个120万像素窄带和同步化单色传感器(绿光green、红光red、红边光red_edge和近红外光nir)。飞机的飞行高度100m，地面分辨率为12.4cm，设置航向重叠率为90％，旁向重叠率为80％。
在飞机采集到水稻图像后，将水稻图像导出并进行检查。检查内容为确认图像的完整性、清晰度和畸变程度。若存在图像缺失、清晰度差和畸变严重的现象，则控制无人机复飞重新采集水稻图像，直到检查合格。
步骤102：将同一生长时期的同一样本区域的多幅水稻图像拼接成一幅正射影像图。
将检查合格的图像输入到PIX4DMAPPER软件。该步骤是利用PIX4DMAPPER软件的农业多光谱模板进行拼接和正射图像转换。
该步骤102具体包括：
提取每幅所述水稻图像的特征点。根据所述特征点将属于同一生长时期的同一样本区域的多幅水稻图像进行特征点匹配。根据匹配后的特征点将属于同一生长时期的同一样本区域的多幅水稻图像进行拼接，得到拼接后的图像。对所述拼接后的图像进行点云密集化处理，得到加密后的图像。将对所述加密后的图像进行几何校正，得到正射影像图。
步骤103：将每幅所述正射影像图转换成归一化植被指数图。
该步骤是利用PIX4DMAPPER软件的指数计算器实现的。该步骤103具体包括：
对所述正射影像图进行辐射校正，得到辐射校正后的图像。利用指数计算器对所述辐射校正后的图像进行红光波段指数计算和近红外波段指数计算，生成红光波段指数图和近红外波段指数图。利用指数计算器对所述红光波段指数图和所述近红外波段指数图进行归一化植被指数计算，得到归一化植被指数图。
归一化指数的计算公式为NDVI＝(nir-red)/(nir+red)。其中nir为近红外波段反射率，red为红光波段反射率。
步骤104：计算各个生长时期各个样本区域的归一化植被指数图的平均归一化植被指数，得到各生长时期各样本区域的平均归一化植被指数。
将各个生长时期各个样本区域的归一化植被指数图导入arcmap软件。提取各个样本区域的GPS定位数据，将定位数据导入arcmap软件，并计算各样本区域在各个生长期的平均归一化植被指数。
步骤105：获取水稻成熟后的各样本区域的水稻产量。
平均归一化植被指数和水稻产量均为样本数据，用于构建水稻产量预测模型。
步骤106：将不同生长时期的平均归一化植被指数与对应的水稻产量进行相关性分析，确定与水稻产量相关系数超过预设值的生长时期，得到选定生长期。
该步骤106具体包括：
随机选取三分之二的样本区域内的平均归一化植被指数和对应的水稻产量作为建模样本，选取剩余三分之一的样本区域内的平均归一化植被指数和对应的水稻产量作为检验样本；利用spss软件中的相关性分析将建模样本中不同生长时期的平均归一化植被指数与对应的水稻产量进行相关性分析，确定与水稻产量相关系数超过预设值的生长时期，作为本发明的一个具体实施方式，将通过0.05水平显著性检验的平均归一化植被指数的生长时期作为与水稻产量相关系数超过预设值的生长时期。
步骤107：将所述选定生长时期的平均归一化指数作为自变量，将对应的水稻产量作为因变量建立一元线性回归模型和多元逐步回归模型。
利用SPSS(Statistical Product and Service Solutions，统计产品与服务解决方案)软件构建一元线性回归模型和多元逐步回归模型。
一元线性回归模型：y一元＝a+bx。其中x为自变量，a和b为系数，y一元为因变量，为x的均数，为y的均数。
多元逐步回归模型：y多元＝b0+b1x1+…+bpxp，其中x1～xp均为自变量，b0～bp均为回归系数。y多元为因变量。回归系数的估计是通过最小二乘法寻找适宜的系数b0～bp。
两个回归模型的拟合程度是由决定系数R2、残差平方和SSR和均方根误差RMSE来检验的。拟合结果在使决定系数R2最接近于1、残差平方和SSR和均方根误差RMSE最接近于0时即可确定拟合的系数最佳，以最佳系数作为回归模型的系数确定最终的一元线性回归模型和多元逐步回归模型。
残差平方和SSR：根据回归方程计算得到的预测值与真值yi之间的差异称为残差，残差平方和是把每个残差平方之后加起来，其值越小，表明拟合程度越好，yi是第i次观测所得到的一元线性回归模型或多元逐步回归模型因变量的真值，是计算得到第i次观测所对应的一元线性回归模型或多元逐步回归模型因变量的的预测值。
均方根误差RMSE，是预测值与真值的差的平方和与观测总次数n比值的平方根，
决定系数R2，是回归平方和与总离均差平方和之比，反映回归模型对因变量的变异的解释程度， 是yi的均值。
步骤108：通过精度检验确定所述一元线性回归模型和所述多元逐步回归模型中精度较高的模型作为水稻产量预测模型。
利用所述检验样本计算所述一元线性回归模型与所述多元逐步回归模型的决定系数、均方根误差和相对误差；所述决定系数为回归平方和与总离均差平方和之比；所述均方根误差为预测值与真值的差的平方和与观测次数比值的平方根；所述相对误差为绝对误差与真值的百分比；相对误差
根据所述决定系数与1的接近程度、所述均方根误差与0的接近程度以及所述相对误差与0的接近程度确定所述一元线性回归模型与所述多元逐步回归模型的精度；
确定所述一元线性回归模型与所述多元逐步回归模型中精度较高的模型作为水稻产量预测模型。当所述一元线性回归模型与所述多元逐步回归模型的精度差别较小时，可以选取任意一个模型作为水稻产量预测模型。
步骤109：利用所述水稻产量预测模型对所述待测区域的水稻产量进行预测。
在进行产量预测时，需要确定水稻产量预测模型的自变量数据，即需要采集待测区域内的图像并计算待测区域内与水稻产量相关系数超过预设值的生长时期的平均归一化植被指数作为水稻产量预测模型的自变量数据，将该自变量输入输入水稻产量预测模型即可得到预测的产量。
实施例2：
图2为本发明实施例2基于无人机遥感的水稻产量预测系统的系统结构图。
参见图2，该基于无人机遥感的水稻产量预测系统，包括：
水稻图像获取模块201，用于获取无人机在各个水稻生长期采集的各样本区域的多幅水稻图像；所述样本区域为在待测区域中选取的多个均匀分布的区域。
拼接模块202，用于将同一生长时期的同一样本区域的多幅水稻图像拼接成一幅正射影像图。
归一化植被指数图转换模块203，用于将每幅所述正射影像图转换成归一化植被指数图。
平均归一化植被指数计算模块204，用于计算各个生长时期各个样本区域的归一化植被指数图的平均归一化植被指数，得到各生长时期各样本区域的平均归一化植被指数。
产量获取模块205，用于获取水稻成熟后的各样本区域的水稻产量。
相关性分析模块206，用于将不同生长时期的平均归一化植被指数与对应的水稻产量进行相关性分析，确定与水稻产量相关系数超过预设值的生长时期，得到选定生长期。
回归模型建立模块207，用于将所述选定生长期的平均归一化指数作为自变量，将对应的水稻产量作为因变量建立一元线性回归模型和多元逐步回归模型。
回归模型比较模块208，用于通过精度检验确定所述一元线性回归模型和所述多元逐步回归模型中精度较高的模型作为水稻产量预测模型。
预测模块209，用于利用所述水稻产量预测模型对所述待测区域的水稻产量进行预测。
可选的，所述拼接模块202包括：
特征提取单元，用于提取每幅所述水稻图像的特征点。特征匹配单元，用于根据所述特征点将属于同一生长时期的同一样本区域的多幅水稻图像进行特征点匹配。图像拼接单元，用于根据匹配后的特征点将属于同一生长时期的同一样本区域的多幅水稻图像进行拼接，得到拼接后的图像。点云加密单元，用于对所述拼接后的图像进行点云密集化处理，得到加密后的图像。正射影像生成单元，用于将对所述加密后的图像进行几何校正，得到正射影像图。
可选的，所述归一化植被指数图转换模块203包括：
辐射校正单元，用于对所述正射影像图进行辐射校正，得到辐射校正后的图像。红光和近红外波段指数计算单元，用于利用指数计算器对所述辐射校正后的图像进行红光波段指数计算和近红外波段指数计算，生成红光波段指数图和近红外波段指数图。归一化植被指数计算单元，用于利用指数计算器对所述红光波段指数图和所述近红外波段指数图进行归一化植被指数计算，得到归一化植被指数图。
可选的，所述相关性分析模块206包括：
样本划分单元，用于选取三分之二的样本区域内的平均归一化植被指数和对应的水稻产量作为建模样本，选取剩余三分之一的样本区域内的平均归一化植被指数和对应的水稻产量作为检验样本。相关性分析与对比单元，用于利用spss软件中的相关性分析将建模样本中不同生长时期的平均归一化植被指数与对应的水稻产量进行相关性分析，确定与水稻产量相关系数超过预设值的生长时期。
可选的，所述回归模型比较模块208包括：
比较参数计算单元，用于利用所述检验样本计算所述一元线性回归模型与所述多元逐步回归模型的决定系数、均方根误差和相对误差；所述决定系数为回归平方和与总离均差平方和之比；所述均方根误差为预测值与真值的差的平方和与观测次数比值的平方根；所述相对误差为绝对误差与真值的百分比。精度确定单元，用于根据所述决定系数与1的接近程度、所述均方根误差与0的接近程度以及所述相对误差与0的接近程度确定所述一元线性回归模型与所述多元逐步回归模型的精度。水稻产量预测模型确定单元，用于确定所述一元线性回归模型与所述多元逐步回归模型中精度较高的模型作为水稻产量预测模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明公开一种基于无人机遥感的水稻产量预测方法及系统，通过无人机获取各个生长期的水稻图像，并计算各个生长期的水稻图像的归一化植被指数，通过建立表示归一化植被指数与产量的关系的模型从而得到水稻产量预测模型，通过该水稻产量预测模型实现对水稻产量的预测。该方法及系统通过无人机采集图像即可实现对水稻产量的预测，无需根据卫星遥感图像进行产量预测，从而避免云层对水稻产量预测的影响。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于无人机遥感的水稻产量预测方法，其特征在于，包括：
获取无人机在各个水稻生长期采集的各样本区域的多幅水稻图像；所述样本区域为在待测区域中选取的多个均匀分布的区域；
将同一生长时期的同一样本区域的多幅水稻图像拼接成一幅正射影像图；
将每幅所述正射影像图转换成归一化植被指数图；
计算各个生长时期各个样本区域的归一化植被指数图的平均归一化植被指数，得到各生长时期各样本区域的平均归一化植被指数；
获取水稻成熟后的各样本区域的水稻产量；
将不同生长时期的平均归一化植被指数与对应的水稻产量进行相关性分析，确定与水稻产量相关系数超过预设值的生长时期，得到选定生长期；
将所述选定生长期的平均归一化指数作为自变量，将对应的水稻产量作为因变量建立一元线性回归模型和多元逐步回归模型；
通过精度检验确定所述一元线性回归模型和所述多元逐步回归模型中精度较高的模型作为水稻产量预测模型；
利用所述水稻产量预测模型对所述待测区域的水稻产量进行预测。
2.根据权利要求1所述的基于无人机遥感的水稻产量预测方法，其特征在于，所述将同一生长时期的同一样本区域的多幅水稻图像拼接成一幅正射影像图，具体包括：
提取每幅所述水稻图像的特征点；
根据所述特征点将属于同一生长时期的同一样本区域的多幅水稻图像进行特征点匹配；
根据匹配后的特征点将属于同一生长时期的同一样本区域的多幅水稻图像进行拼接，得到拼接后的图像；
对所述拼接后的图像进行点云密集化处理，得到加密后的图像；
将对所述加密后的图像进行几何校正，得到正射影像图。
3.根据权利要求1所述的基于无人机遥感的水稻产量预测方法，其特征在于，所述将每幅所述正射影像图转换成归一化植被指数图，具体包括：
对所述正射影像图进行辐射校正，得到辐射校正后的图像；
利用指数计算器对所述辐射校正后的图像进行红光波段指数计算和近红外波段指数计算，生成红光波段指数图和近红外波段指数图；
利用指数计算器对所述红光波段指数图和所述近红外波段指数图进行归一化植被指数计算，得到归一化植被指数图。
4.根据权利要求1所述的基于无人机遥感的水稻产量预测方法，其特征在于，所述将不同生长时期的平均归一化植被指数与对应的水稻产量进行相关性分析，确定与水稻产量相关系数超过预设值的生长时期，得到选定生长期，具体包括：
选取三分之二的样本区域内的平均归一化植被指数和对应的水稻产量作为建模样本，选取剩余三分之一的样本区域内的平均归一化植被指数和对应的水稻产量作为检验样本；
利用spss软件中的相关性分析将建模样本中不同生长时期的平均归一化植被指数与对应的水稻产量进行相关性分析，确定与水稻产量相关系数超过预设值的生长时期。
5.根据权利要求4所述的基于无人机遥感的水稻产量预测方法，其特征在于，所述通过精度检验确定所述一元线性回归模型和所述多元逐步回归模型中精度较高的模型作为水稻产量预测模型，具体包括：
利用所述检验样本计算所述一元线性回归模型与所述多元逐步回归模型的决定系数、均方根误差和相对误差；所述决定系数为回归平方和与总离均差平方和之比；所述均方根误差为预测值与真值的差的平方和与观测次数比值的平方根；所述相对误差为绝对误差与真值的百分比；
根据所述决定系数与1的接近程度、所述均方根误差与0的接近程度以及所述相对误差与0的接近程度确定所述一元线性回归模型与所述多元逐步回归模型的精度；
确定所述一元线性回归模型与所述多元逐步回归模型中精度较高的模型作为水稻产量预测模型。
6.一种基于无人机遥感的水稻产量预测系统，其特征在于，包括：
水稻图像获取模块，用于获取无人机在各个水稻生长期采集的各样本区域的多幅水稻图像；所述样本区域为在待测区域中选取的多个均匀分布的区域；
拼接模块，用于将同一生长时期的同一样本区域的多幅水稻图像拼接成一幅正射影像图；
归一化植被指数图转换模块，用于将每幅所述正射影像图转换成归一化植被指数图；
平均归一化植被指数计算模块，用于计算各个生长时期各个样本区域的归一化植被指数图的平均归一化植被指数，得到各生长时期各样本区域的平均归一化植被指数；
产量获取模块，用于获取水稻成熟后的各样本区域的水稻产量；
相关性分析模块，用于将不同生长时期的平均归一化植被指数与对应的水稻产量进行相关性分析，确定与水稻产量相关系数超过预设值的生长时期，得到选定生长期；
回归模型建立模块，用于将所述选定生长期的平均归一化指数作为自变量，将对应的水稻产量作为因变量建立一元线性回归模型和多元逐步回归模型；
回归模型比较模块，用于通过精度检验确定所述一元线性回归模型和所述多元逐步回归模型中精度较高的模型作为水稻产量预测模型；
预测模块，用于利用所述水稻产量预测模型对所述待测区域的水稻产量进行预测。
7.根据权利要求6所述的基于无人机遥感的水稻产量预测系统，其特征在于，所述拼接模块包括：
特征提取单元，用于提取每幅所述水稻图像的特征点；
特征匹配单元，用于根据所述特征点将属于同一生长时期的同一样本区域的多幅水稻图像进行特征点匹配；
图像拼接单元，用于根据匹配后的特征点将属于同一生长时期的同一样本区域的多幅水稻图像进行拼接，得到拼接后的图像；
点云加密单元，用于对所述拼接后的图像进行点云密集化处理，得到加密后的图像；
正射影像生成单元，用于将对所述加密后的图像进行几何校正，得到正射影像图。
8.根据权利要求6所述的基于无人机遥感的水稻产量预测系统，其特征在于，所述归一化植被指数图转换模块包括：
辐射校正单元，用于对所述正射影像图进行辐射校正，得到辐射校正后的图像；
红光和近红外波段指数计算单元，用于利用指数计算器对所述辐射校正后的图像进行红光波段指数计算和近红外波段指数计算，生成红光波段指数图和近红外波段指数图；
归一化植被指数计算单元，用于利用指数计算器对所述红光波段指数图和所述近红外波段指数图进行归一化植被指数计算，得到归一化植被指数图。
9.根据权利要求6所述的基于无人机遥感的水稻产量预测系统，其特征在于，所述相关性分析模块包括：
样本划分单元，用于选取三分之二的样本区域内的平均归一化植被指数和对应的水稻产量作为建模样本，选取剩余三分之一的样本区域内的平均归一化植被指数和对应的水稻产量作为检验样本；
相关性分析与对比单元，用于利用spss软件中的相关性分析将建模样本中不同生长时期的平均归一化植被指数与对应的水稻产量进行相关性分析，确定与水稻产量相关系数超过预设值的生长时期。
10.根据权利要求9所述的基于无人机遥感的水稻产量预测系统，其特征在于，所述回归模型比较模块包括：
比较参数计算单元，用于利用所述检验样本计算所述一元线性回归模型与所述多元逐步回归模型的决定系数、均方根误差和相对误差；所述决定系数为回归平方和与总离均差平方和之比；所述均方根误差为预测值与真值的差的平方和与观测次数比值的平方根；所述相对误差为绝对误差与真值的百分比；
精度确定单元，用于根据所述决定系数与1的接近程度、所述均方根误差与0的接近程度以及所述相对误差与0的接近程度确定所述一元线性回归模型与所述多元逐步回归模型的精度；
水稻产量预测模型确定单元，用于确定所述一元线性回归模型与所述多元逐步回归模型中精度较高的模型作为水稻产量预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910509779.2A CN110222903B (zh) | 2019-06-13 | 2019-06-13 | 一种基于无人机遥感的水稻产量预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910509779.2A CN110222903B (zh) | 2019-06-13 | 2019-06-13 | 一种基于无人机遥感的水稻产量预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110222903A true CN110222903A (zh) | 2019-09-10 |
| CN110222903B CN110222903B (zh) | 2021-08-31 |
Family
ID=67816811
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910509779.2A Active CN110222903B (zh) | 2019-06-13 | 2019-06-13 | 一种基于无人机遥感的水稻产量预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110222903B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110736710A (zh) * | 2019-11-07 | 2020-01-31 | 航天信德智图（北京）科技有限公司 | 一种基于ndvi时间序列的玉米产量评估方法 |
| CN111695723A (zh) * | 2020-05-28 | 2020-09-22 | 中科卫星应用德清研究院 | 一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法 |
| CN111798326A (zh) * | 2020-06-24 | 2020-10-20 | 安徽大学 | 基于可见光影像的小麦产量计算模型的构建方法及其应用 |
| CN111932388A (zh) * | 2020-07-06 | 2020-11-13 | 广东技术师范大学 | 基于多层级变量分析的作物产量预测方法和装置 |
| CN112184703A (zh) * | 2020-10-27 | 2021-01-05 | 广东技术师范大学 | 基于时空回溯的玉米穗期无人机图像对齐方法与系统 |
| CN112215714A (zh) * | 2020-09-08 | 2021-01-12 | 北京农业智能装备技术研究中心 | 基于无人机的稻穗检测方法及装置 |
| CN113240648A (zh) * | 2021-05-18 | 2021-08-10 | 北京师范大学 | 一种多时相可见光影像的植被长势监测分析方法和装置 |
| CN116453003A (zh) * | 2023-06-14 | 2023-07-18 | 之江实验室 | 一种基于无人机监测智能识别水稻生长势的方法和系统 |
| CN116757867A (zh) * | 2023-08-18 | 2023-09-15 | 山东征途信息科技股份有限公司 | 一种基于多源数据融合的数字乡村构建方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102706876A (zh) * | 2012-04-28 | 2012-10-03 | 中国神华能源股份有限公司 | 固体污染源区域的监测方法和装置以及数据处理设备 |
| CN105445214A (zh) * | 2015-11-27 | 2016-03-30 | 安徽科技学院 | 一种农业工程遥感监测方法 |
| CN106407880A (zh) * | 2015-07-31 | 2017-02-15 | 埃森哲环球服务有限公司 | 使用图像处理的存量、生长和风险预测 |
| CN107271382A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种不同生育期油菜叶片spad值遥感估算方法 |
| US20180158179A1 (en) * | 2014-08-22 | 2018-06-07 | The Climate Corporation | Methods for agronomic and agricultural monitoring using unmanned aerial systems |
| CN108460361A (zh) * | 2018-03-23 | 2018-08-28 | 苏州市农业科学院 | 一种作物监测装置及方法 |
| CN109459392A (zh) * | 2018-11-06 | 2019-03-12 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
| CN109508693A (zh) * | 2018-12-10 | 2019-03-22 | 浙江大学 | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 |
-
2019
- 2019-06-13 CN CN201910509779.2A patent/CN110222903B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102706876A (zh) * | 2012-04-28 | 2012-10-03 | 中国神华能源股份有限公司 | 固体污染源区域的监测方法和装置以及数据处理设备 |
| US20180158179A1 (en) * | 2014-08-22 | 2018-06-07 | The Climate Corporation | Methods for agronomic and agricultural monitoring using unmanned aerial systems |
| CN106407880A (zh) * | 2015-07-31 | 2017-02-15 | 埃森哲环球服务有限公司 | 使用图像处理的存量、生长和风险预测 |
| CN105445214A (zh) * | 2015-11-27 | 2016-03-30 | 安徽科技学院 | 一种农业工程遥感监测方法 |
| CN107271382A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种不同生育期油菜叶片spad值遥感估算方法 |
| CN108460361A (zh) * | 2018-03-23 | 2018-08-28 | 苏州市农业科学院 | 一种作物监测装置及方法 |
| CN109459392A (zh) * | 2018-11-06 | 2019-03-12 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
| CN109508693A (zh) * | 2018-12-10 | 2019-03-22 | 浙江大学 | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 |
Non-Patent Citations (3)
| Title |
|---|
| KEJIAN SHEN 等: "Crop Area Estimation from UAV Transect and MSR Image Data Using Spatial Sampling Method", 《PROCEDIA ENVIRONMENTAL SCIENCES》 * |
| 李昂 等: "基于无人机高清数码影像的水稻产量估算", 《沈阳农业大学学报》 * |
| 赵晓庆 等: "基于无人机载高光谱空间尺度优化的大豆育种产量估算", 《农业工程学报》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110736710A (zh) * | 2019-11-07 | 2020-01-31 | 航天信德智图（北京）科技有限公司 | 一种基于ndvi时间序列的玉米产量评估方法 |
| CN110736710B (zh) * | 2019-11-07 | 2022-12-09 | 航天信德智图（北京）科技有限公司 | 一种基于ndvi时间序列的玉米产量评估方法 |
| CN111695723B (zh) * | 2020-05-28 | 2022-04-22 | 中科卫星应用德清研究院 | 一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法 |
| CN111695723A (zh) * | 2020-05-28 | 2020-09-22 | 中科卫星应用德清研究院 | 一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法 |
| CN111798326A (zh) * | 2020-06-24 | 2020-10-20 | 安徽大学 | 基于可见光影像的小麦产量计算模型的构建方法及其应用 |
| CN111932388A (zh) * | 2020-07-06 | 2020-11-13 | 广东技术师范大学 | 基于多层级变量分析的作物产量预测方法和装置 |
| CN111932388B (zh) * | 2020-07-06 | 2021-07-16 | 广东技术师范大学 | 基于多层级变量分析的作物产量预测方法和装置 |
| CN112215714A (zh) * | 2020-09-08 | 2021-01-12 | 北京农业智能装备技术研究中心 | 基于无人机的稻穗检测方法及装置 |
| CN112215714B (zh) * | 2020-09-08 | 2024-05-10 | 北京农业智能装备技术研究中心 | 基于无人机的稻穗检测方法及装置 |
| CN112184703A (zh) * | 2020-10-27 | 2021-01-05 | 广东技术师范大学 | 基于时空回溯的玉米穗期无人机图像对齐方法与系统 |
| CN113240648A (zh) * | 2021-05-18 | 2021-08-10 | 北京师范大学 | 一种多时相可见光影像的植被长势监测分析方法和装置 |
| CN116453003A (zh) * | 2023-06-14 | 2023-07-18 | 之江实验室 | 一种基于无人机监测智能识别水稻生长势的方法和系统 |
| CN116453003B (zh) * | 2023-06-14 | 2023-09-01 | 之江实验室 | 一种基于无人机监测智能识别水稻生长势的方法和系统 |
| CN116757867A (zh) * | 2023-08-18 | 2023-09-15 | 山东征途信息科技股份有限公司 | 一种基于多源数据融合的数字乡村构建方法及系统 |
| CN116757867B (zh) * | 2023-08-18 | 2023-11-03 | 山东征途信息科技股份有限公司 | 一种基于多源数据融合的数字乡村构建方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110222903B (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110222903A (zh) | 一种基于无人机遥感的水稻产量预测方法及系统 | |
| Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
| Guo et al. | Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping | |
| CN107389036B (zh) | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 | |
| CN109212505B (zh) | 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法 | |
| CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
| US10527542B2 (en) | Method of calculating TAVI based on a band ratio model and solar altitude angle | |
| CN107909607B (zh) | 一种年度区域植被覆盖度计算方法 | |
| Devia et al. | High-throughput biomass estimation in rice crops using UAV multispectral imagery | |
| CN105608293B (zh) | 融合光谱与纹理特征的森林地上生物量反演方法及系统 | |
| CN104867180B (zh) | 一种集成uav与lidar的森林林分特征反演方法 | |
| CN102749071B (zh) | 一种基于无人机航空摄影监测土壤侵蚀的方法 | |
| CN110221311A (zh) | 基于tls和uav自动化提取高郁闭林分树高的方法 | |
| CN110927082A (zh) | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 | |
| CN108007438A (zh) | 无人机航空摄影遥感湿地植物生物量的估测方法 | |
| CN106092915B (zh) | 一种草地绿色植物与枯萎植物重量比例遥感估算方法 | |
| CN108169138A (zh) | 一种利用热红外图像的水稻倒伏监测方法 | |
| CN109342337A (zh) | 一种重度盐渍土盐分获取方法、系统及装置 | |
| CN109344550A (zh) | 一种基于国产高分卫星遥感数据的森林蓄积量反演方法及系统 | |
| CN105046046B (zh) | 一种集合卡尔曼滤波局地化方法 | |
| CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
| CN107832655A (zh) | 一种基于无人机近地面成像的航拍系统及棉花产量估测方法 | |
| CN109427091A (zh) | 一种基于高光谱遥感和摄影测量技术的生物量模型研建方法 | |
| CN109870419B (zh) | 一种采用航空高光谱数据预测黑土氮磷钾含量的方法 | |
| CN107145728A (zh) | 一种荒漠草原非生长季枯草重量遥感估算方法 |
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 |