CN110245327A - 一种基于gf-1数据重构的小麦单产遥感估算方法 - Google Patents
一种基于gf-1数据重构的小麦单产遥感估算方法 Download PDFInfo
- Publication number
- CN110245327A CN110245327A CN201910244909.4A CN201910244909A CN110245327A CN 110245327 A CN110245327 A CN 110245327A CN 201910244909 A CN201910244909 A CN 201910244909A CN 110245327 A CN110245327 A CN 110245327A
- Authority
- CN
- China
- Prior art keywords
- data
- wheat
- yield
- reconstruction
- ndvi
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 241000209140 Triticum Species 0.000 title claims abstract description 56
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 56
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005520 cutting process Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000012010 growth Effects 0.000 claims description 26
- 238000000611 regression analysis Methods 0.000 claims description 26
- 238000011160 research Methods 0.000 claims description 20
- 230000005855 radiation Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 14
- 238000003908 quality control method Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 239000002028 Biomass Substances 0.000 claims description 9
- 235000013399 edible fruits Nutrition 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000008520 organization Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 208000005156 Dehydration Diseases 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 150000001720 carbohydrates Chemical class 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 235000013305 food Nutrition 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000029553 photosynthesis Effects 0.000 claims description 3
- 238000010672 photosynthesis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000005068 transpiration Effects 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 239000005648 plant growth regulator Substances 0.000 claims description 2
- 239000000843 powder Substances 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Agronomy & Crop Science (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
Abstract
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。
Description
技术领域
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。
背景技术
农作物估产多年来一直是农业遥感中的一个短板，其中制约单产估算最大的两个因素：1.卫星时序数据的缺失；2.气象数据的不精准；3.样本数据严重缺乏，卫星时序数据链的断裂导致无法实时的监测农作物在其生长期中的长势和健康状况。因此，解决数据的时效性和连续性是监测农作物的关键所在；此外，气象数据的空间不准确性也是导致估产模型无法准确建立的重要原因，气象站点获取的数据无法准确的代表地块的数据，和农业气象数据存在一定的差异；样本数据的严重缺失导致模型的建立和验证也存在现实差异；
目前已有的估产主要分为两类：1.单一的使用时间分辨率达到一天的MODIS数据进行NDVI、EVI、RVI、LSW等指数的计算，进而将影响农作物的诸多因子进行多元回归分析或者建立神经网络模型，但这类方法只是单纯的从衡量作物生长情况的表面指标作为影响因子并不能准确的反应出农作物的长势，且未考虑与植被生长息息相关的温度，降水等气象数据，此外，MODIS数据虽然时间分辨率满足作物估产的需求，但是空间分辨率最高250米，无法反映精细的作物空间分布，因此，这种方法仅适合于实验条件下的作物估产；2.基于外业光谱仪采样和干物质量测量的回归模型；具体如下：使用样方光谱反射率计算NDVI值和影像上相应区域的植被NDVI进行对比，通过拟合方程回归分析建立回归模型，然后，使用光谱仪实测的反射率计算的NDVI和外业采集处理后的干物质量建立回归模型，从而将实测的NDVI转换到影像的NDVI，然后过渡到干物质量模型中，即完成了估产的目标；但是该方法大多使用的MODIS数据，分辨率仍然达不到实际要求的空间精度，如果采用高分辨率遥感影像，则无法满足作物生长期内时序数据的全覆盖；
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
本发明为解决现有的数据不连续、估产精度不高、分辨率太低和数据受气象因子影响的问题，而提供估产准确、精度更高的一种基于GF-1数据重构的小麦单产遥感估算方法。
本发明采用的技术方案是：
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。
进一步的，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。
进一步的，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。
进一步的，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。
进一步的，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；
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。
进一步的，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。
进一步的，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（NormalizedDifference 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。
进一步的，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。
本发明的有益效果在于：
1、针对当前已有估产模型的不足，使用数据重构方法解决了空间分辨率较低的问题；
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1是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的流程框图；
图2是本发明中 MODIS在中国区域的分幅图；
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
本发明的核心是提供一种基于GF-1数据重构的小麦单产遥感估算方法。
下面结合附图对本发明的内容作进一步说明：
一种基于GF-1数据重构的小麦单产遥感估算方法，具体实施时，包括下述步骤：
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。
Step2：使用LODPE对MODIS的质量控制波段QA进行质量参数的提取；
为了避免MODIS数据中的噪声对结果产生影响，因此，使用质量控制波段来对波段数据进行纯化，步骤如下：
（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。
（2）对提取出来的QA波段重新使用MRT（软件）进行投影和格式的转换，参数设置参考附图2，主要是波段、采样方法、输出格式、投影类型等的设置；
Step3：对MODIS数据处理后进行光谱曲线S-G滤波分析；
（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。
（2）根据质量因子来纯化MODIS NDVI数据，质量因子的范围是1-10，分别将质量控制波段的范围转换为以下的权重：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；
（3）将原始NDVI数据进行裁剪（注意裁剪时不要对背景值进行掩膜，裁剪后影像须为矩形）,并转换成float类型
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。
b.经过上述处理的NDVI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。
c.将数据导入TimeSat中并进行显示，参数如图7所示，时序数据如图8所示。
d.利用TimeSat进行滤波，需至少输入两年数据，曲线如图9所示。然后使用Timesat对MODIS NDVI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，滤波后的数据如图10所示，使用行政区划进行最终裁剪。
Step4：对研究区域的GF-1数据进行收集处理
（1）对GF-1时序数据进行NDVI的计算，由于不同的传感器之间会存在定标差异，因此，需要以其中一个传感器为基准进行数据的校正处理；
（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。
b.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。
c.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。
d.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；
综上所述，ESTAFM在各种条件下效果相对都比较好，因此，采用ESTAFM进行数据重构，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；
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（NormalizedDifference 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。
Claims (10)
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（NormalizedDifference 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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910244909.4A CN110245327B (zh) | 2019-03-28 | 2019-03-28 | 一种基于gf-1数据重构的小麦单产遥感估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910244909.4A CN110245327B (zh) | 2019-03-28 | 2019-03-28 | 一种基于gf-1数据重构的小麦单产遥感估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110245327A true CN110245327A (zh) | 2019-09-17 |
| CN110245327B CN110245327B (zh) | 2023-04-18 |
Family
ID=67883052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910244909.4A Active CN110245327B (zh) | 2019-03-28 | 2019-03-28 | 一种基于gf-1数据重构的小麦单产遥感估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110245327B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751094A (zh) * | 2019-10-21 | 2020-02-04 | 北京师范大学 | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 |
| CN111521563A (zh) * | 2020-03-20 | 2020-08-11 | 航天信德智图（北京）科技有限公司 | 一种基于gf-1与modis时空融合的水稻提取方法 |
| CN111814326A (zh) * | 2020-07-02 | 2020-10-23 | 中国科学院东北地理与农业生态研究所 | 一种沼泽湿地芦苇地上生物量估算方法 |
| CN112131954A (zh) * | 2020-08-26 | 2020-12-25 | 航天信德智图（北京）科技有限公司 | 基于卷积神经网络的中国北方冬小麦遥感估产 |
| CN112183428A (zh) * | 2020-10-09 | 2021-01-05 | 浙江大学中原研究院 | 一种小麦种植区域分割与产量预测方法 |
| CN112183273A (zh) * | 2020-09-18 | 2021-01-05 | 广州地理研究所 | 一种基于光谱信息及气象数据的小麦条锈病监测方法 |
| CN112347992A (zh) * | 2020-12-01 | 2021-02-09 | 中国林业科学研究院 | 一种荒漠地区时序agb遥感估算方法 |
| CN114528282A (zh) * | 2022-01-20 | 2022-05-24 | 重庆邮电大学 | 基于时空Kriging改进的多云地区MODIS NDVI时间序列重构方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
| CN107122739A (zh) * | 2017-01-23 | 2017-09-01 | 东北农业大学 | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 |
| WO2018145229A1 (zh) * | 2017-02-10 | 2018-08-16 | 广西壮族自治区气象减灾研究所 | 一种近地面气温的大面积精确反演方法 |
| CN108717044A (zh) * | 2018-05-24 | 2018-10-30 | 青海师范大学 | 一种去除植被覆盖影响的表层土壤含水量卫星遥感估算方法 |
-
2019
- 2019-03-28 CN CN201910244909.4A patent/CN110245327B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
| CN107122739A (zh) * | 2017-01-23 | 2017-09-01 | 东北农业大学 | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 |
| WO2018145229A1 (zh) * | 2017-02-10 | 2018-08-16 | 广西壮族自治区气象减灾研究所 | 一种近地面气温的大面积精确反演方法 |
| CN108717044A (zh) * | 2018-05-24 | 2018-10-30 | 青海师范大学 | 一种去除植被覆盖影响的表层土壤含水量卫星遥感估算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李军玲等: "基于MODIS数据的河南省冬小麦产量遥感估算模型", 《生态环境学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751094A (zh) * | 2019-10-21 | 2020-02-04 | 北京师范大学 | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 |
| CN111521563A (zh) * | 2020-03-20 | 2020-08-11 | 航天信德智图（北京）科技有限公司 | 一种基于gf-1与modis时空融合的水稻提取方法 |
| CN111814326A (zh) * | 2020-07-02 | 2020-10-23 | 中国科学院东北地理与农业生态研究所 | 一种沼泽湿地芦苇地上生物量估算方法 |
| CN112131954A (zh) * | 2020-08-26 | 2020-12-25 | 航天信德智图（北京）科技有限公司 | 基于卷积神经网络的中国北方冬小麦遥感估产 |
| CN112183273A (zh) * | 2020-09-18 | 2021-01-05 | 广州地理研究所 | 一种基于光谱信息及气象数据的小麦条锈病监测方法 |
| CN112183428A (zh) * | 2020-10-09 | 2021-01-05 | 浙江大学中原研究院 | 一种小麦种植区域分割与产量预测方法 |
| CN112347992A (zh) * | 2020-12-01 | 2021-02-09 | 中国林业科学研究院 | 一种荒漠地区时序agb遥感估算方法 |
| CN114528282A (zh) * | 2022-01-20 | 2022-05-24 | 重庆邮电大学 | 基于时空Kriging改进的多云地区MODIS NDVI时间序列重构方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110245327B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110245327B (zh) | 一种基于gf-1数据重构的小麦单产遥感估算方法 | |
| CN106600434B (zh) | 基于作物模型与同化技术的作物长势遥感监测方法 | |
| CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
| Battude et al. | Estimating maize biomass and yield over large areas using high spatial and temporal resolution Sentinel-2 like remote sensing data | |
| Shihua et al. | Monitoring paddy rice phenology using time series MODIS data over Jiangxi Province, China | |
| CN101699315B (zh) | 一种作物长势均匀度的监测装置和方法 | |
| Huang et al. | Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model | |
| CN102651096B (zh) | 同化叶面积指数时序曲线特征的冬小麦估产方法 | |
| CN106908415A (zh) | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 | |
| CN109784300A (zh) | 一种农作物科学测产方法及系统 | |
| CN114387516A (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
| CN112257225A (zh) | 一种适用于高寒草地生态系统的npp计算方法 | |
| Li et al. | Mapping rice cropping systems using Landsat-derived renormalized index of normalized difference vegetation index (RNDVI) in the Poyang Lake Region, China | |
| CN113063739A (zh) | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 | |
| Sari et al. | Detecting rice phenology in paddy fields with complex cropping pattern using time series MODIS data | |
| Zhang et al. | Enhanced Feature Extraction From Assimilated VTCI and LAI With a Particle Filter for Wheat Yield Estimation Using Cross-Wavelet Transform | |
| CN112364691B (zh) | 一种烟草病虫害识别方法 | |
| CN115689100A (zh) | 一种基于数据同化的区域作物用水效率评估方法及系统 | |
| Li et al. | An improved threshold method to detect the phenology of winter wheat | |
| Zheng et al. | Using high spatial and temporal resolution data blended from SPOT-5 and MODIS to map biomass of summer maize | |
| CN114972838B (zh) | 基于卫星数据得到的冬小麦识别方法 | |
| Falagas et al. | On the Corellation of Remote Estimated ET and Leaf Stomatal Conductance | |
| Huang et al. | Regional winter wheat yield estimation by assimilating MODIS ET and LAI products into SWAP model | |
| Wakamori et al. | Estimation and monitoring of rice growth stages in northern part of Japan using constellation satellite and GIS | |
| Zhang et al. | Rice growth parameters retrieval in Central China in a complex rice cropping system using multi-temporal and quad polarization Radarsat-2 data |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230615 Address after: No. 61, Building 1, Yard 1, Chengbei Road, Jinshui District, Zhengzhou City, Henan Province 450000 Patentee after: Xu Bo Address before: 450000 building 7, jinkezhihuigu, 500m north of the intersection of Hongyuan road and Hongbao Road, Xingda road street, Jinshui District, Zhengzhou City, Henan Province Patentee before: Guozhi Heng Beidou Hao Nianjing Agricultural Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |