CN110414738B - 一种农作物产量预测方法及系统 - Google Patents
一种农作物产量预测方法及系统 Download PDFInfo
- Publication number
- CN110414738B CN110414738B CN201910706370.XA CN201910706370A CN110414738B CN 110414738 B CN110414738 B CN 110414738B CN 201910706370 A CN201910706370 A CN 201910706370A CN 110414738 B CN110414738 B CN 110414738B
- Authority
- CN
- China
- Prior art keywords
- characteristic variable
- data set
- decision tree
- training
- crop
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明提出了一种农作物产量预测方法及系统。所述农作物产量预测方法首先根据获取的遥感影像和气象数据建立第一特征变量数据集,并进一步的对第一特征变量数据集进行相关性分析、主成分分析和重要性分析,获取第二特征变量数据集、第三特征变量数据集和第四特征变量数据集;然后利用第一特征变量数据集、第二特征变量数据集、第三特征变量数据集和第四特征变量数据集建立四个产量预测决策树模型,然后从四个产量预测决策树模型中选取最优产量预测决策树模型,利用最优产量预测决策树模型进行农作物产量的预测。本发明可以根据预测区域的差别选取最优的产量预测决策树模型,适用于大区域的农作物的产量预测,并提高了产量的预测精度。
Description
技术领域
本发明涉及农作物产量领域,特别是涉及一种农作物产量预测方法及系统。
背景技术
现有的遥感估产方案是根据传统的回归统计方法进行估算的,通过对相关的特征变量与作物实测产量之间进行统计分析,从而建立起产量与特征变量间的相关函数关系,然后利用相关函数关系进行产量的预测,现有的遥感估产方案存在以下两点不足:函数关系简单,区域适用性差而且产量估算精度低。
发明内容
本发明的目的是提供一种农作物产量预测方法及系统,以实现对大区域的农作物产量的高精度预测。
为实现上述目的,本发明提供了如下方案:
一种农作物产量预测方法,所述预测方法包括如下步骤:
获取多个采样点的农作物全生育期的遥感影像和气象数据;
根据每个采样点的遥感影像获取每个采样点的农作物的生长状态信息数据;所述生长状态信息数据包括农作物反射率、归一化差值植被指数、比值植被指数、增强植被指数、绿度植被指数和FPAR值;
建立包括生长状态信息数据、气象数据和实测的农作物产量数据的第一特征变量数据集;并将所述第一特征变量数据集划分为第一特征变量训练集和第一特征变量验证集;
对所述第一特征变量数据集进行相关性分析,获取相关系数大于相关系数阈值的特征变量组成的第二特征变量数据集;并将所述第二特征变量数据集划分为第二特征变量训练集和第二特征变量验证集;
对所述第二特征变量数据集进行主成分分析,获取所述第二特征变量数据集中的主成分变量组成的第三特征变量数据集;并将所述第三特征变量数据集划分为第三特征变量训练集和第三特征变量验证集;
对所述第二特征变量数据集进行重要性分析,获取重要性大于重要性阈值的特征变量组成的第四特征变量数据集;并将所述第四特征变量数据集划分为第四特征变量训练集和第四特征变量验证集;
分别利用第一特征变量训练集、第二特征变量训练集、第三特征变量数据集和第四特征变量训练集建立并训练得到四个产量预测决策树模型;
分别利用第一特征变量验证集、第二特征变量验证集、第三特征变量数据集和第四特征变量验证集,对四个所述产量预测决策树模型进行验证,将所述验证误差最小的产量预测决策树模型作为最优产量预测决策树模型;
利用所述最优产量预测决策树模型对农作物的产量进行预测。
可选的,所述分别利用第一特征变量训练集、第二特征变量训练集、第三特征变量数据集和第四特征变量训练集建立并训练得到四个产量预测决策树模型;,具体包括:
从第i个特征变量训练集中有放回的抽取K个训练样本集,得到K个训练样本集;i=1,2,3,4;
建立K个决策树;
分别利用K个训练样本集对K个所述决策树进行分割,得到K个分割后的决策树;
分别将K个所述训练样本输入K个所述分割后的决策树进行产量预测,得到K个产量预测结果;
计算K个产量预测结果的平均值,作为预测产量;
计算预测产量和实际产量的差值的平方,得到预测误差;
判断本次迭代的预测误差与上一次迭代的预测误差的差值是否小于误差变化阈值,得到第一判断结果;
若所述第一判断结果表示本次迭代的预测误差与上一次迭代的预测误差的差值小于误差变化阈值,则输出K个所述分割后的决策树,作为第i个特征变量训练集生成的产量预测决策树模型;
若所述第一判断结果表示本次迭代的预测误差与上一次迭代的预测误差的差值不小于误差变化阈值,则使K的数值增加1,返回步骤“从第i个特征变量训练集中有放回的抽取K个训练样本集,得到K个训练样本集和K个袋外数据集”,进行下一次迭代计算。
可选的,所述分别利用K个训练样本集对K个所述决策树进行分割,得到K个分割后的决策树,具体包括:
将第k个训练样本集设置为待分类样本集;从待分类样本集中无放回的抽取Mk个特征变量;k=1,2,3,...,K;
分别利用Mk个特征变量将待分类样本集分为两个训练样本子集,得到Mk个分类结果;
分别计算Mk个分类结果中每个分类结果的两个训练样本子集的均方差的和,得到M个分割均方差;
选取分割均方差最小的分类结果对决策树进行分割,得到分割后的决策树;
判断是否分割到叶子节点,得到第二判断结果;
若所述第二判断结果表示分割到叶子节点,则输出所述分割后的决策树,作为第k个训练样本集分割后的决策树;
若所述第二判断结果表示没有分割到叶子节点,则将分割均方差最小的分类结果的两个训练样本子集分别设置为两个所述待分类样本集,返回步骤“分别利用Mk个特征变量将待分类样本集分为两个训练样本子集,得到Mk个分类结果”。
可选的,所述根据每个采样点的遥感影像获取每个采样点的农作物的生长状态信息数据,具体包括:
根据所述遥感影像的像元亮度值确定农作物反射率;
根据所述农作物反射率,利用公式NDVI=(ρNIR-ρR)/(ρNIR+ρR),计算农作物的归一化差值植被指数NDVI;
根据所述农作物反射率,利用公式RVI=ρNIR/ρR,计算农作物的比值植被指数RVI;
根据所述农作物反射率,利用公式EVI=2.5×(ρNIR-ρR)/(ρNIR+6.0×ρR-7.5×ρB+1),计算农作物的增强植被指数EVI;
根据所述农作物反射率,利用公式G=ρNIR/ρG,计算农作物的绿度植被指数G;
其中,ρNIR为近红外波段的农作物反射率,ρR为红光波段的农作物反射率,ρB为蓝光波段的农作物反射率,ρG为绿光波段的农作物反射率,NDVI(x,t)表示t时刻像元x的归一化差值植被指数,NDVImax和NDVImin分别为植被覆盖最大和最小时的归一化差值植被指数,FPARmax和FPARmin为植被覆盖最大和无植被时的FPAR值。
可选的,所述建立包括生长状态信息数据、气象数据和实测的农作物产量数据的第一特征变量数据集,之前还包括:
对所述气象数据进行插值处理,得到气象插值影像。
一种农作物产量预测系统,所述预测系统包括:
遥感影像和气象数据获取模块,用于获取多个采样点的农作物全生育期的遥感影像和气象数据;
生长状态信息数据获取模块,用于根据每个采样点的遥感影像获取每个采样点的农作物的生长状态信息数据;所述生长状态信息数据包括农作物反射率、归一化差值植被指数、比值植被指数、增强植被指数、绿度植被指数和FPAR值;
第一特征变量数据集建立模块,用于建立包括生长状态信息数据、气象数据和实测的农作物产量数据的第一特征变量数据集;并将所述第一特征变量数据集划分为第一特征变量训练集和第一特征变量验证集;
第二特征变量数据集获取模块,用于对所述第一特征变量数据集进行相关性分析,获取相关系数大于相关系数阈值的特征变量组成的第二特征变量数据集;并将所述第二特征变量数据集划分为第二特征变量训练集和第二特征变量验证集;
第三特征变量数据集获取模块,用于对所述第二特征变量数据集进行主成分分析,获取所述第二特征变量数据集中的主成分变量组成的第三特征变量数据集;并将所述第三特征变量数据集划分为第三特征变量训练集和第三特征变量验证集;
第四特征变量数据集获取模块,用于对所述第二特征变量数据集进行重要性分析,获取重要性大于重要性阈值的特征变量组成的第四特征变量数据集;并将所述第四特征变量数据集划分为第四特征变量训练集和第四特征变量验证集;
产量预测决策树模型建立模块,用于分别利用第一特征变量训练集、第二特征变量训练集、第三特征变量数据集和第四特征变量训练集建立并训练得到四个产量预测决策树模型;
最优产量预测决策树模型选取模块,用于分别利用第一特征变量验证集、第二特征变量验证集、第三特征变量数据集和第四特征变量验证集,对四个所述产量预测决策树模型进行验证,将所述验证误差最小的产量预测决策树模型作为最优产量预测决策树模型;
产量预测模块,用于利用所述最优产量预测决策树模型对农作物的产量进行预测。
可选的,所述产量预测决策树模型建立模块,具体包括:
有放回取样子模块,用于从第i个特征变量训练集中有放回的抽取K个训练样本集,得到K个训练样本集;i=1,2,3,4;
决策树建立子模块,用于建立K个决策树;
决策树分割子模块,用于分别利用K个训练样本集对K个所述决策树进行分割,得到K个分割后的决策树;
预测产量获取子模块,用于分别将K个所述训练样本输入K个所述分割后的决策树进行产量预测,得到K个产量预测结果;计算K个产量预测结果的平均值,作为预测产量;
预测误差计算子模块,用于计算预测产量和实际产量的差值的平方,得到预测误差;
第一判断模块,用于判断本次迭代的预测误差与上一次迭代的预测误差的差值是否小于误差变化阈值,得到第一判断结果;
第i个特征变量训练集的产量预测决策树模型输出子模块,用于若所述第一判断结果表示本次迭代的预测误差与上一次迭代的预测误差的差值小于误差变化阈值,则输出K个所述分割后的决策树,作为第i个特征变量训练集生成的产量预测决策树模型;
参数调整子模块,用于若所述第一判断结果表示本次迭代的预测误差与上一次迭代的预测误差的差值不小于误差变化阈值,则使K的数值增加1,返回步骤“从第i个特征变量训练集中有放回的抽取K个训练样本集,得到K个训练样本集和K个袋外数据集”,进行下一次迭代计算。
可选的,所述决策树分割子模块,具体包括:
无放回取样单元,用于将第k个训练样本集设置为待分类样本集;从待分类样本集中无放回的抽取Mk个特征变量;k=1,2,3,...,K;
分类单元,用于分别利用Mk个特征变量将待分类样本集分为两个训练样本子集,得到Mk个分类结果;
分割均方差计算单元,用于分别计算Mk个分类结果中每个分类结果的两个训练样本子集的均方差的和,得到M个分割均方差;
决策树分割单元,用于选取分割均方差最小的分类结果对决策树进行分割,得到分割后的决策树;
第二判断单元,用于判断是否分割到叶子节点,得到第二判断结果;
第k个训练样本集分割后的决策树输出单元,用于若所述第二判断结果表示分割到叶子节点,则输出所述分割后的决策树,作为第k个训练样本集分割后的决策树;
返回单元,用于若所述第二判断结果表示没有分割到叶子节点,则将分割均方差最小的分类结果的两个训练样本子集分别设置为两个所述待分类样本集,调用分类单元,执行步骤“分别利用Mk个特征变量将待分类样本集分为两个训练样本子集,得到Mk个分类结果”。
可选的,所述生长状态信息数据获取模块,具体包括:
农作物反射率确定子模块,用于根据所述遥感影像的像元亮度值确定农作物反射率;
归一化差值植被指数计算子模块,用于根据所述农作物反射率,利用公式NDVI=(ρNIR-ρR)/(ρNIR+ρR),计算农作物的归一化差值植被指数NDVI;
比值植被指数计算子模块,用于根据所述农作物反射率,利用公式RVI=ρNIR/ρR,计算农作物的比值植被指数RVI;
增强植被指数计算子模块,用于根据所述农作物反射率,利用公式EVI=2.5×(ρNIR-ρR)/(ρNIR+6.0×ρR-7.5×ρB+1),计算农作物的增强植被指数EVI;
绿度植被指数计算子模块,用于根据所述农作物反射率,利用公式G=ρNIR/ρG,计算农作物的绿度植被指数G;
其中,ρNIR为近红外波段的农作物反射率,ρR为红光波段的农作物反射率,ρB为蓝光波段的农作物反射率,ρG为绿光波段的农作物反射率,NDVI(x,t)表示t时刻像元x的归一化差值植被指数,NDVImax和NDVImin分别为植被覆盖最大和最小时的归一化差值植被指数,FPARmax和FPARmin为植被覆盖最大和无植被时的FPAR值。
可选的,所述农作物产量预测系统还包括:
差值模块,用于对所述气象数据进行插值处理,得到气象插值影像。
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:
本发明提出了一种农作物产量预测方法及系统。所述农作物产量预测方法首先根据获取的遥感影像和气象数据建立第一特征变量数据集,并进一步的对第一特征变量数据集进行相关性分析、主成分分析和重要性分析,获取第二特征变量数据集、第三特征变量数据集和第四特征变量数据集;然后利用第一特征变量数据集、第二特征变量数据集、第三特征变量数据集和第四特征变量数据集建立四个产量预测决策树模型,然后从四个产量预测决策树模型中选取最优产量预测决策树模型,利用最优产量预测决策树模型进行农作物产量的预测。本发明可以根据预测区域的差别选取最优的产量预测决策树模型,适用于大区域的农作物的产量预测,并提高了产量的预测精度。
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为本发明提供的一种农作物产量预测方法的流程图;
图2为本发明提供的产量预测决策树模型的参数K确定的原理图;
图3为本发明提供的一种农作物产量预测系统的结构图。
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农作物产量预测方法及系统,以实现对大区域的农作物产量的高精度预测。
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。
以水稻为例,对本发明的农作物产量预测方法及系统进行详细的介绍,但是本发明的农作物产量预测方法并不仅仅应用于水稻的产量的预测。
如图1所示一种农作物产量预测方法,所述预测方法包括如下步骤:
步骤101,获取多个采样点的农作物全生育期的遥感影像和气象数据.
本发明以HJ-1A/B卫星影像数据作为主要遥感影像数据来源,以Landsat卫星影像数据作为补充,获取水稻全生育期(Growing Season,GS)内的遥感数据,其中HJ-1A/B卫星数据含有四个波段,包含蓝、绿、红、近红波段,波长范围从0.43-0.90μm,空间分辨率为30米;Landsat卫星含有9个波段,其中包含蓝、绿、红、近红波段,波长范围从0.43-1.38μm,多光谱波段空间分辨率为30米。
气象数据来源于中国气象数据网站发布的站点的气象信息,数据集为中国地面气候资料日值数据集(V3.0)包括温度、降水、辐射等。
实测数据来源于野外样品采集,采集了16个水稻样本点。
步骤102,根据每个采样点的遥感影像获取每个采样点的农作物的生长状态信息数据;所述生长状态信息数据包括农作物反射率、归一化差值植被指数、比值植被指数、增强植被指数、绿度植被指数和FPAR值。
具体包括:
根据所述遥感影像的像元亮度值确定农作物反射率;利用ENVI软件对HJ-1A/B卫星以及Landsat卫星的原始遥感影像数据进行预处理操作使得原始数据的DN值转化为反射率数据。其中,预处理操作包括:辐射定标:原始数据的DN值转化为反射率数据;大气校正:消除因大气影响而产生的辐射误差,反映真实农作物反射率;正射校正:改正了因地形起伏和传感器误差而引起的像点位移误差,即,通过辐射定标处理将DN值转换为了反射率数据,通过大气校正和正射校正消除反射率数据的误差。
根据所述农作物反射率,利用公式NDVI=(ρNIR-ρR)/(ρNIR+ρR),计算农作物的归一化差值植被指数NDVI。
根据所述农作物反射率,利用公式RVI=ρNIR/ρR,计算农作物的比值植被指数RVI。
根据所述农作物反射率,利用公式EVI=2.5×(ρNIR-ρR)/(ρNIR+6.0×ρR-7.5×ρB+1),计算农作物的增强植被指数EVI。
根据所述农作物反射率,利用公式G=ρNIR/ρG,计算农作物的绿度植被指数G。
其中,ρNIR为近红外波段的农作物反射率,ρR为红光波段的农作物反射率,ρB为蓝光波段的农作物反射率,ρG为绿光波段的农作物反射率,NDVI(x,t)表示t时刻像元x的归一化差值植被指数,NDVImax和NDVImin分别为植被覆盖最大和最小时的归一化差值植被指数,FPARmax和FPARmin为植被覆盖最大和无植被时的FPAR值。
步骤103,建立包括生长状态信息数据、气象数据和实测的农作物产量数据的第一特征变量数据集;并将所述第一特征变量数据集划分为第一特征变量训练集和第一特征变量验证集。
本发明还对所述气象数据进行插值处理,得到气象插值影像,然后利用气象插值影像代替气象数据,建立第一特征变量数据集,具体包括:利用ARCGIS软件的空间插值工具对气象站点信息进行空间插值,生成温度、降水、太阳辐射的空间插值影像。
利用ARCGIS提点工具,分别提取16个实测采样点对应的遥感影像上5个生育期4个波段反射率数值(近红外波段、红光波段、蓝光波段和绿光波段,共5*4=20个特征变量)、4个植被指数数值(归一化差值植被指数、比值植被指数、增强植被指数和绿度植被指数,共5*4=20个特征变量),FPAR数值(1个特征变量)、气象插值影像的每个生育期的平均温度(5个特征变量)、每个生育期的平均降水量(5个特征变量)、太阳总辐射(5个特征变量)、每个生育期的最高温度(5个特征变量)、每个生育期的最低温度的数值(5个特征变量),生成66个特征变量的数据集。
水稻的5个生育期分别为:出苗-分蘖、分蘖-抽穗、抽穗-灌浆、灌浆-成熟和成熟-收获。
将16个采样点的实测产量以及对应的全部特征变量整理成16行67列的数据集形式,作为第一特征变量数据集RFR1。
步骤104,对所述第一特征变量数据集进行相关性分析,获取相关系数大于相关系数阈值的特征变量组成的第二特征变量数据集;并将所述第二特征变量数据集划分为第二特征变量训练集和第二特征变量验证集。
通过相关性分析,从全部特征变量中确定出相关系数较大的15个特征变量,将16个采样点的实测产量以及对应的15个特征变量整理成16行16列的数据集,作为第二特征变量数据集RFR2。相关性分析通过SPSS软件计算产量与特征变量之间的相关系数,用相关系数来体现产量与特征变量之间的线性相关程度,相关系数越大表示变量相关性越强。
步骤105,对所述第二特征变量数据集进行主成分分析,获取所述第二特征变量数据集中的主成分变量组成的第三特征变量数据集;并将所述第三特征变量数据集划分为第三特征变量训练集和第三特征变量验证集。
通过主成分分析,从第二特征变量数据集的15个特征变量中确定3个主成分变量,将16个采样点的实测产量以及对应的3个主成分变量整理成16行4列的数据集作为第三特征变量数据集RFR3。主成分分析通过SPSS软件将一组相关变量通过线性变换转成另一组不相关的变量,去除特征变量之间的共线性,提取的主成分变量最大的包含原变量的所有信息。
步骤106,对所述第二特征变量数据集进行重要性分析,获取重要性大于重要性阈值的特征变量组成的第四特征变量数据集;并将所述第四特征变量数据集划分为第四特征变量训练集和第四特征变量验证集。
从所述第二特征变量数据集中有放回的抽取K个训练样本集,同时得到K个袋外数据集;
袋外数据(out-of-bag data,OOB)重要性分析主要基于OOB数据,通过袋外误差增长百分率来衡量特征变量的重要性,针对一个决策树,将OOB数据对应变量打乱前打乱后分别带入决策树,计算其误差的增长百分率(IncMSE%),假设森林中有N棵树,对于第K颗树的误差增长百分率为:
其中i为第i个特征变量,OOBK1为第K个决策树的袋外数据集对应的袋外误差,OOBK2第K个决策树的袋外数据集对应的打乱后袋外误差。
对于N棵树如果该变量在OOB数据上打乱后对决策树的结果没什么影响,及打乱后的均方误差的差值很小,则说明该变量不重要。最终在第二特征变量数据集15个相关性高的特征变量基础上提取了14个重要性较高的特征变量,将16个采样点的实测产量以及对应的14个特征变量整理成16行15列的数据集作为第四特征变量数据集RFR4。
分别将四个16个采样点的特征变量数据集分成四个12个采样点的样本数据组成的特征变量训练集和四个4个采样点的样本数据组成的特征变量验证集。
步骤107,分别利用第一特征变量训练集、第二特征变量训练集、第三特征变量数据集和第四特征变量训练集建立并训练得到四个产量预测决策树模型。
具体包括:
从第i个特征变量训练集中有放回的抽取K个训练样本集,得到K个训练样本集;i=1,2,3,4;当i=1,2,3,4时,第i个特征变量训练集分别表示第一特征变量数据集、第二特征变量数据集、第三特征变量数据集和第四特征变量数据集。一个训练样本集里的训练样本个数与特征变量训练集的样本个数相同。其中因为进行有放回随机抽样,故每个训练样本集中存在未被选到的样本,每次未被选中的样本组成K个袋外数据集
建立K个决策树;一个训练样本集建立一颗决策树。
分别利用K个训练样本集对K个所述决策树进行分割,得到K个分割后的决策树;
分别将K个所述训练样本输入K个所述分割后的决策树进行产量预测,得到K个产量预测结果;计算K个产量预测结果的平均值,作为预测产量;利用随机森林程序包内部的预测函数predict函数,利用每个决策树进行预测,并将预测值取平均值作为最终的产量预测值。
计算预测产量和实际产量的差值的平方,得到预测误差;即预测误差=(预测值-实测值)2。
判断本次迭代的预测误差与上一次迭代的预测误差的差值是否小于误差变化阈值,得到第一判断结果;本发明的决策树个数K也就是有放回抽样次数K,根据预测误差与决策树个数的曲线获得,如图2所示。在有放回随机抽样增加的的过程中,预测误差逐渐趋于恒定,即相邻两次迭代的预测误差的差值趋于0。
若所述第一判断结果表示本次迭代的预测误差与上一次迭代的预测误差的差值小于误差变化阈值,则输出K个所述分割后的决策树,作为第i个特征变量训练集生成的产量预测决策树模型。
若所述第一判断结果表示本次迭代的预测误差与上一次迭代的预测误差的差值不小于误差变化阈值,则使K的数值增加1,返回步骤“从第i个特征变量训练集中有放回的抽取K个训练样本集,得到K个训练样本集和K个袋外数据集”,进行下一次迭代计算。
其中,所述分别利用K个训练样本集对K个所述决策树进行分割,得到K个分割后的决策树,具体包括:
将第k个训练样本集设置为待分类样本集;从待分类样本集中无放回的抽取Mk个特征变量;k=1,2,3,...,K;,无放回抽取的特征变量个数Mk可根据每个训练样本集的袋外误差决定,本发明设置为总变量的1/3,利用对于第一特征变量训练集,67/3然后取整的值,即22。
分别利用Mk个特征变量将待分类样本集分为两个训练样本子集,得到Mk个分类结果。
分别计算Mk个分类结果中每个分类结果的两个训练样本子集的均方差的和,得到M个分割均方差。
选取分割均方差最小的分类结果对决策树进行分割,得到分割后的决策树。
判断是否分割到叶子节点,得到第二判断结果。
若所述第二判断结果表示分割到叶子节点,则输出所述分割后的决策树,作为第k个训练样本集分割后的决策树。
若所述第二判断结果表示没有分割到叶子节点,则将分割均方差最小的分类结果的两个训练样本子集分别设置为两个所述待分类样本集,返回步骤“分别利用Mk个特征变量将待分类样本集分为两个训练样本子集,得到Mk个分类结果”。
步骤108,分别利用第一特征变量验证集、第二特征变量验证集、第三特征变量数据集和第四特征变量验证集,对四个所述产量预测决策树模型进行验证,将所述验证误差最小的产量预测决策树模型作为最优产量预测决策树模型;
步骤109,利用所述最优产量预测决策树模型对农作物的产量进行预测。
如图3所示,本发明还提供一种农作物产量预测系统,所述预测系统包括:
遥感影像和气象数据获取模块301,用于获取多个采样点的农作物全生育期的遥感影像和气象数据;
生长状态信息数据获取模块302,用于根据每个采样点的遥感影像获取每个采样点的农作物的生长状态信息数据;所述生长状态信息数据包括农作物反射率、归一化差值植被指数、比值植被指数、增强植被指数、绿度植被指数和FPAR值。
所述生长状态信息数据获取模块302具体包括:农作物反射率确定子模块,用于根据所述遥感影像的像元亮度值确定农作物反射率;归一化差值植被指数计算子模块,用于根据所述农作物反射率,利用公式NDVI=(ρNIR-ρR)/(ρNIR+ρR),计算农作物的归一化差值植被指数NDVI;
比值植被指数计算子模块,用于根据所述农作物反射率,利用公式RVI=ρNIR/ρR,计算农作物的比值植被指数RVI;增强植被指数计算子模块,用于根据所述农作物反射率,利用公式EVI=2.5×(ρNIR-ρR)/(ρNIR+6.0×ρR-7.5×ρB+1),计算农作物的增强植被指数EVI;绿度植被指数计算子模块,用于根据所述农作物反射率,利用公式G=ρNIR/ρG,计算农作物的绿度植被指数G;FPAR值计算子模块,用于根据所述归一化差值植被指数,利用公式计算农作物的FPAR值;其中,ρNIR为近红外波段的农作物反射率,ρR为红光波段的农作物反射率,ρB为蓝光波段的农作物反射率,ρG为绿光波段的农作物反射率,NDVI(x,t)表示t时刻像元x的归一化差值植被指数,NDVImax和NDVImin分别为植被覆盖最大和最小时的归一化差值植被指数,FPARmax和FPARmin为植被覆盖最大和无植被时的FPAR值。
第一特征变量数据集建立模块303,用于建立包括生长状态信息数据、气象数据和实测的农作物产量数据的第一特征变量数据集;并将所述第一特征变量数据集划分为第一特征变量训练集和第一特征变量验证集;
第二特征变量数据集获取模块304,用于对所述第一特征变量数据集进行相关性分析,获取相关系数大于相关系数阈值的特征变量组成的第二特征变量数据集;并将所述第二特征变量数据集划分为第二特征变量训练集和第二特征变量验证集;
第三特征变量数据集获取模块305,用于对所述第二特征变量数据集进行主成分分析,获取所述第二特征变量数据集中的主成分变量组成的第三特征变量数据集;并将所述第三特征变量数据集划分为第三特征变量训练集和第三特征变量验证集;
第四特征变量数据集获取模块306,用于对所述第二特征变量数据集进行重要性分析,获取重要性大于重要性阈值的特征变量组成的第四特征变量数据集;并将所述第四特征变量数据集划分为第四特征变量训练集和第四特征变量验证集;
产量预测决策树模型建立模块307,用于分别利用第一特征变量训练集、第二特征变量训练集、第三特征变量数据集和第四特征变量训练集建立并训练得到四个产量预测决策树模型。
所述产量预测决策树模型建立模块307,具体包括:有放回取样子模块,用于从第i个特征变量训练集中有放回的抽取K个训练样本集,得到K个训练样本集;i=1,2,3,4;决策树建立子模块,用于建立K个决策树;决策树分割子模块,用于分别利用K个训练样本集对K个所述决策树进行分割,得到K个分割后的决策树;预测产量获取子模块,用于分别将K个所述训练样本输入K个所述分割后的决策树进行产量预测,得到K个产量预测结果;计算K个产量预测结果的平均值,作为预测产量;预测误差计算子模块,用于计算预测产量和实际产量的差值的平方,得到预测误差;第一判断模块,用于判断本次迭代的预测误差与上一次迭代的预测误差的差值是否小于误差变化阈值,得到第一判断结果;第i个特征变量训练集的产量预测决策树模型输出子模块,用于若所述第一判断结果表示本次迭代的预测误差与上一次迭代的预测误差的差值小于误差变化阈值,则输出K个所述分割后的决策树,作为第i个特征变量训练集生成的产量预测决策树模型;参数调整子模块,用于若所述第一判断结果表示本次迭代的预测误差与上一次迭代的预测误差的差值不小于误差变化阈值,则使K的数值增加1,返回步骤“从第i个特征变量训练集中有放回的抽取K个训练样本集,得到K个训练样本集和K个袋外数据集”,进行下一次迭代计算。
其中,所述决策树分割子模块,具体包括:无放回取样单元,用于将第k个训练样本集设置为待分类样本集;从待分类样本集中无放回的抽取Mk个特征变量;k=1,2,3,...,K;分类单元,用于分别利用Mk个特征变量将待分类样本集分为两个训练样本子集,得到Mk个分类结果;分割均方差计算单元,用于分别计算Mk个分类结果中每个分类结果的两个训练样本子集的均方差的和,得到M个分割均方差;决策树分割单元,用于选取分割均方差最小的分类结果对决策树进行分割,得到分割后的决策树;第二判断单元,用于判断是否分割到叶子节点,得到第二判断结果;第k个训练样本集分割后的决策树输出单元,用于若所述第二判断结果表示分割到叶子节点,则输出所述分割后的决策树,作为第k个训练样本集分割后的决策树;返回单元,用于若所述第二判断结果表示没有分割到叶子节点,则将分割均方差最小的分类结果的两个训练样本子集分别设置为两个所述待分类样本集,调用分类单元,执行步骤“分别利用Mk个特征变量将待分类样本集分为两个训练样本子集,得到Mk个分类结果”。
最优产量预测决策树模型选取模块308,用于分别利用第一特征变量验证集、第二特征变量验证集、第三特征变量数据集和第四特征变量验证集,对四个所述产量预测决策树模型进行验证,将所述验证误差最小的产量预测决策树模型作为最优产量预测决策树模型。
产量预测模块309,用于利用所述最优产量预测决策树模型对农作物的产量进行预测。
所述农作物产量预测系统还包括:差值模块,用于对所述气象数据进行插值处理,得到气象插值影像。
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:
本发明提出了一种农作物产量预测方法及系统。所述农作物产量预测方法首先根据获取的遥感影像和气象数据建立第一特征变量数据集,并进一步的对第一特征变量数据集进行相关性分析、主成分分析和重要性分析,获取第二特征变量数据集、第三特征变量数据集和第四特征变量数据集;然后利用第一特征变量数据集、第二特征变量数据集、第三特征变量数据集和第四特征变量数据集建立四个产量预测决策树模型,然后从四个产量预测决策树模型中选取最优产量预测决策树模型,利用最优产量预测决策树模型进行农作物产量的预测。本发明可以根据预测区域的差别选取最优的产量预测决策树模型,适用于大区域的农作物的产量预测,并提高了产量的预测精度。
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,所描述的实施例仅仅是本发明的一部分实施例,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。
Claims (6)
1.一种农作物产量预测方法,其特征在于,所述预测方法包括如下步骤:
获取多个采样点的农作物全生育期的遥感影像和气象数据;
根据每个采样点的遥感影像获取每个采样点的农作物的生长状态信息数据;所述生长状态信息数据包括农作物反射率、归一化差值植被指数、比值植被指数、增强植被指数、绿度植被指数和FPAR值;
建立包括生长状态信息数据、气象数据和实测的农作物产量数据的第一特征变量数据集;并将所述第一特征变量数据集划分为第一特征变量训练集和第一特征变量验证集;
对所述第一特征变量数据集进行相关性分析,获取相关系数大于相关系数阈值的特征变量组成的第二特征变量数据集;并将所述第二特征变量数据集划分为第二特征变量训练集和第二特征变量验证集;
对所述第二特征变量数据集进行主成分分析,获取所述第二特征变量数据集中的主成分变量组成的第三特征变量数据集;并将所述第三特征变量数据集划分为第三特征变量训练集和第三特征变量验证集;
对所述第二特征变量数据集进行重要性分析,获取重要性大于重要性阈值的特征变量组成的第四特征变量数据集;并将所述第四特征变量数据集划分为第四特征变量训练集和第四特征变量验证集;
分别利用第一特征变量训练集、第二特征变量训练集、第三特征变量数据集和第四特征变量训练集建立并训练得到四个产量预测决策树模型;
分别利用第一特征变量验证集、第二特征变量验证集、第三特征变量数据集和第四特征变量验证集,对四个所述产量预测决策树模型进行验证,将所述验证误差最小的产量预测决策树模型作为最优产量预测决策树模型;
利用所述最优产量预测决策树模型对农作物的产量进行预测;
所述分别利用第一特征变量训练集、第二特征变量训练集、第三特征变量数据集和第四特征变量训练集建立并训练得到四个产量预测决策树模型,具体包括:
从第i个特征变量训练集中有放回的抽取K个训练样本集,得到K个训练样本集;i=1,2,3,4;
建立K个决策树;
分别利用K个训练样本集对K个所述决策树进行分割,得到K个分割后的决策树;
分别将K个所述训练样本输入K个所述分割后的决策树进行产量预测,得到K个产量预测结果;
计算K个产量预测结果的平均值,作为预测产量;
计算预测产量和实际产量的差值的平方,得到预测误差;
判断本次迭代的预测误差与上一次迭代的预测误差的差值是否小于误差变化阈值,得到第一判断结果;
若所述第一判断结果表示本次迭代的预测误差与上一次迭代的预测误差的差值小于误差变化阈值,则输出K个所述分割后的决策树,作为第i个特征变量训练集生成的产量预测决策树模型;
若所述第一判断结果表示本次迭代的预测误差与上一次迭代的预测误差的差值不小于误差变化阈值,则使K的数值增加1,返回步骤“从第i个特征变量训练集中有放回的抽取K个训练样本集,得到K个训练样本集和K个袋外数据集”,进行下一次迭代计算;
所述分别利用K个训练样本集对K个所述决策树进行分割,得到K个分割后的决策树,具体包括:
将第k个训练样本集设置为待分类样本集;从待分类样本集中无放回的抽取Mk个特征变量;k=1,2,3,...,K;
分别利用Mk个特征变量将待分类样本集分为两个训练样本子集,得到Mk个分类结果;
分别计算Mk个分类结果中每个分类结果的两个训练样本子集的均方差的和,得到M个分割均方差;
选取分割均方差最小的分类结果对决策树进行分割,得到分割后的决策树;
判断是否分割到叶子节点,得到第二判断结果;
若所述第二判断结果表示分割到叶子节点,则输出所述分割后的决策树,作为第k个训练样本集分割后的决策树;
若所述第二判断结果表示没有分割到叶子节点,则将分割均方差最小的分类结果的两个训练样本子集分别设置为两个所述待分类样本集,返回步骤“分别利用Mk个特征变量将待分类样本集分为两个训练样本子集,得到Mk个分类结果”。
2.根据权利要求1所述的农作物产量预测方法,其特征在于,所述根据每个采样点的遥感影像获取每个采样点的农作物的生长状态信息数据,具体包括:
根据所述遥感影像的像元亮度值确定农作物反射率;
根据所述农作物反射率,利用公式NDVI=(ρNIR-ρR)/(ρNIR+ρR),计算农作物的归一化差值植被指数NDVI;
根据所述农作物反射率,利用公式RVI=ρNIR/ρR,计算农作物的比值植被指数RVI;
根据所述农作物反射率,利用公式EVI=2.5×(ρNIR-ρR)/(ρNIR+6.0×ρR-7.5×ρB+1),计算农作物的增强植被指数EVI;
根据所述农作物反射率,利用公式G=ρNIR/ρG,计算农作物的绿度植被指数G;
其中,ρNIR为近红外波段的农作物反射率,ρR为红光波段的农作物反射率,ρB为蓝光波段的农作物反射率,ρG为绿光波段的农作物反射率,NDVI(x,t)表示t时刻像元x的归一化差值植被指数,NDVImax和NDVImin分别为植被覆盖最大和最小时的归一化差值植被指数,FPARmax和FPARmin为植被覆盖最大和无植被时的FPAR值。
3.根据权利要求1所述的农作物产量预测方法,其特征在于,所述建立包括生长状态信息数据、气象数据和实测的农作物产量数据的第一特征变量数据集,之前还包括:
对所述气象数据进行插值处理,得到气象插值影像。
4.一种农作物产量预测系统,其特征在于,所述预测系统包括:
遥感影像和气象数据获取模块,用于获取多个采样点的农作物全生育期的遥感影像和气象数据;
生长状态信息数据获取模块,用于根据每个采样点的遥感影像获取每个采样点的农作物的生长状态信息数据;所述生长状态信息数据包括农作物反射率、归一化差值植被指数、比值植被指数、增强植被指数、绿度植被指数和FPAR值;
第一特征变量数据集建立模块,用于建立包括生长状态信息数据、气象数据和实测的农作物产量数据的第一特征变量数据集;并将所述第一特征变量数据集划分为第一特征变量训练集和第一特征变量验证集;
第二特征变量数据集获取模块,用于对所述第一特征变量数据集进行相关性分析,获取相关系数大于相关系数阈值的特征变量组成的第二特征变量数据集;并将所述第二特征变量数据集划分为第二特征变量训练集和第二特征变量验证集;
第三特征变量数据集获取模块,用于对所述第二特征变量数据集进行主成分分析,获取所述第二特征变量数据集中的主成分变量组成的第三特征变量数据集;并将所述第三特征变量数据集划分为第三特征变量训练集和第三特征变量验证集;
第四特征变量数据集获取模块,用于对所述第二特征变量数据集进行重要性分析,获取重要性大于重要性阈值的特征变量组成的第四特征变量数据集;并将所述第四特征变量数据集划分为第四特征变量训练集和第四特征变量验证集;
产量预测决策树模型建立模块,用于分别利用第一特征变量训练集、第二特征变量训练集、第三特征变量数据集和第四特征变量训练集建立并训练得到四个产量预测决策树模型;
最优产量预测决策树模型选取模块,用于分别利用第一特征变量验证集、第二特征变量验证集、第三特征变量数据集和第四特征变量验证集,对四个所述产量预测决策树模型进行验证,将所述验证误差最小的产量预测决策树模型作为最优产量预测决策树模型;
产量预测模块,用于利用所述最优产量预测决策树模型对农作物的产量进行预测;
所述产量预测决策树模型建立模块,具体包括:
有放回取样子模块,用于从第i个特征变量训练集中有放回的抽取K个训练样本集,得到K个训练样本集;i=1,2,3,4;
决策树建立子模块,用于建立K个决策树;
决策树分割子模块,用于分别利用K个训练样本集对K个所述决策树进行分割,得到K个分割后的决策树;
预测产量获取子模块,用于分别将K个所述训练样本输入K个所述分割后的决策树进行产量预测,得到K个产量预测结果;计算K个产量预测结果的平均值,作为预测产量;
预测误差计算子模块,用于计算预测产量和实际产量的差值的平方,得到预测误差;
第一判断模块,用于判断本次迭代的预测误差与上一次迭代的预测误差的差值是否小于误差变化阈值,得到第一判断结果;
第i个特征变量训练集的产量预测决策树模型输出子模块,用于若所述第一判断结果表示本次迭代的预测误差与上一次迭代的预测误差的差值小于误差变化阈值,则输出K个所述分割后的决策树,作为第i个特征变量训练集生成的产量预测决策树模型;
参数调整子模块,用于若所述第一判断结果表示本次迭代的预测误差与上一次迭代的预测误差的差值不小于误差变化阈值,则使K的数值增加1,返回步骤“从第i个特征变量训练集中有放回的抽取K个训练样本集,得到K个训练样本集和K个袋外数据集”,进行下一次迭代计算;
所述决策树分割子模块,具体包括:
无放回取样单元,用于将第k个训练样本集设置为待分类样本集;从待分类样本集中无放回的抽取Mk个特征变量;k=1,2,3,...,K;
分类单元,用于分别利用Mk个特征变量将待分类样本集分为两个训练样本子集,得到Mk个分类结果;
分割均方差计算单元,用于分别计算Mk个分类结果中每个分类结果的两个训练样本子集的均方差的和,得到M个分割均方差;
决策树分割单元,用于选取分割均方差最小的分类结果对决策树进行分割,得到分割后的决策树;
第二判断单元,用于判断是否分割到叶子节点,得到第二判断结果;
第k个训练样本集分割后的决策树输出单元,用于若所述第二判断结果表示分割到叶子节点,则输出所述分割后的决策树,作为第k个训练样本集分割后的决策树;
返回单元,用于若所述第二判断结果表示没有分割到叶子节点,则将分割均方差最小的分类结果的两个训练样本子集分别设置为两个所述待分类样本集,调用分类单元,执行步骤“分别利用Mk个特征变量将待分类样本集分为两个训练样本子集,得到Mk个分类结果”。
5.根据权利要求4所述的农作物产量预测系统,其特征在于,所述生长状态信息数据获取模块,具体包括:
农作物反射率确定子模块,用于根据所述遥感影像的像元亮度值确定农作物反射率;
归一化差值植被指数计算子模块,用于根据所述农作物反射率,利用公式NDVI=(ρNIR-ρR)/(ρNIR+ρR),计算农作物的归一化差值植被指数NDVI;
比值植被指数计算子模块,用于根据所述农作物反射率,利用公式RVI=ρNIR/ρR,计算农作物的比值植被指数RVI;
增强植被指数计算子模块,用于根据所述农作物反射率,利用公式EVI=2.5×(ρNIR-ρR)/(ρNIR+6.0×ρR-7.5×ρB+1),计算农作物的增强植被指数EVI;
绿度植被指数计算子模块,用于根据所述农作物反射率,利用公式G=ρNIR/ρG,计算农作物的绿度植被指数G;
其中,ρNIR为近红外波段的农作物反射率,ρR为红光波段的农作物反射率,ρB为蓝光波段的农作物反射率,ρG为绿光波段的农作物反射率,NDVI(x,t)表示t时刻像元x的归一化差值植被指数,NDVImax和NDVImin分别为植被覆盖最大和最小时的归一化差值植被指数,FPARmax和FPARmin为植被覆盖最大和无植被时的FPAR值。
6.根据权利要求4所述的农作物产量预测系统,其特征在于,所述农作物产量预测系统还包括:
差值模块,用于对所述气象数据进行插值处理,得到气象插值影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910706370.XA CN110414738B (zh) | 2019-08-01 | 2019-08-01 | 一种农作物产量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910706370.XA CN110414738B (zh) | 2019-08-01 | 2019-08-01 | 一种农作物产量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414738A CN110414738A (zh) | 2019-11-05 |
CN110414738B true CN110414738B (zh) | 2022-03-22 |
Family
ID=68365199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910706370.XA Active CN110414738B (zh) | 2019-08-01 | 2019-08-01 | 一种农作物产量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414738B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN112149887A (zh) * | 2020-09-08 | 2020-12-29 | 北京工业大学 | 一种基于数据时空特征的pm2.5浓度预测方法 |
CN112785047A (zh) * | 2021-01-06 | 2021-05-11 | 上海信联信息发展股份有限公司 | 农作物的采收量预测方法和装置 |
CN114780599A (zh) * | 2022-04-06 | 2022-07-22 | 四川农业大学 | 基于小麦品比试验数据的综合分析系统 |
CN114782837B (zh) * | 2022-06-17 | 2022-10-18 | 中化现代农业有限公司 | 种植物估产方法、装置、电子设备和存储介质 |
CN115471760B (zh) * | 2022-10-31 | 2023-02-28 | 吉林高分遥感应用研究院有限公司 | 玉米长势监测方法、系统、电子设备及计算机存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103383348A (zh) * | 2013-05-28 | 2013-11-06 | 吉林大学 | 植被覆盖区高光谱遥感蚀变矿物提取方法 |
CN106897570A (zh) * | 2017-03-02 | 2017-06-27 | 山东师范大学 | 一种基于机器学习的慢性阻塞性肺疾病测试系统 |
CN106951979A (zh) * | 2017-02-20 | 2017-07-14 | 中国农业大学 | 遥感、作物模型与气象预报融合的作物成熟期预测方法 |
CN107766883A (zh) * | 2017-10-13 | 2018-03-06 | 华中师范大学 | 一种基于加权决策树的优化随机森林分类方法及系统 |
CN108229403A (zh) * | 2018-01-08 | 2018-06-29 | 中国科学院遥感与数字地球研究所 | 一种用于估算植被叶面积指数的混合模型构建方法 |
CN109711597A (zh) * | 2018-11-14 | 2019-05-03 | 东莞理工学院 | 一种基于分层随机森林模型的铜镍硫化物矿床成矿预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915445B (zh) * | 2012-09-17 | 2015-08-19 | 杭州电子科技大学 | 一种改进型的神经网络高光谱遥感影像分类方法 |
CN107389548B (zh) * | 2017-08-02 | 2019-12-13 | 浙江大学 | 一种油菜产量的早期预测方法及油菜角果遮光装置 |
US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
-
2019
- 2019-08-01 CN CN201910706370.XA patent/CN110414738B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103383348A (zh) * | 2013-05-28 | 2013-11-06 | 吉林大学 | 植被覆盖区高光谱遥感蚀变矿物提取方法 |
CN106951979A (zh) * | 2017-02-20 | 2017-07-14 | 中国农业大学 | 遥感、作物模型与气象预报融合的作物成熟期预测方法 |
CN106897570A (zh) * | 2017-03-02 | 2017-06-27 | 山东师范大学 | 一种基于机器学习的慢性阻塞性肺疾病测试系统 |
CN107766883A (zh) * | 2017-10-13 | 2018-03-06 | 华中师范大学 | 一种基于加权决策树的优化随机森林分类方法及系统 |
CN108229403A (zh) * | 2018-01-08 | 2018-06-29 | 中国科学院遥感与数字地球研究所 | 一种用于估算植被叶面积指数的混合模型构建方法 |
CN109711597A (zh) * | 2018-11-14 | 2019-05-03 | 东莞理工学院 | 一种基于分层随机森林模型的铜镍硫化物矿床成矿预测方法 |
Non-Patent Citations (1)
Title |
---|
长春地区玉米产量遥感估算方法研究;安秦;《中国优秀博硕士学位论文全文数据库(硕士) 农业科技辑》;20190115;正文第10-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110414738A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414738B (zh) | 一种农作物产量预测方法及系统 | |
CN106780091B (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
US20230316555A1 (en) | System and Method for Image-Based Remote Sensing of Crop Plants | |
CN110119728B (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
CN106951836B (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN111461052A (zh) | 基于迁移学习的多个生育期小麦倒伏区域识别方法 | |
CN113392775B (zh) | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 | |
CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN112749627A (zh) | 一种基于多源遥感影像的烟草动态监测的方法和装置 | |
CN113850139B (zh) | 一种基于多源遥感的森林年际物候监测方法 | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
CN110363246A (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
US6990410B2 (en) | Cloud cover assessment: VNIR-SWIR | |
CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
CN114648705A (zh) | 一种基于卫星遥感的碳汇监测系统及方法 | |
CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
CN112434569A (zh) | 一种无人机热成像系统 | |
CN112991425B (zh) | 一种水域水位提取方法、系统及存储介质 | |
CN110070513A (zh) | 遥感影像的辐射校正方法及系统 | |
AU2021101780A4 (en) | Aboveground Biomass Estimation and Scale Conversion for Mean Regional Spectral Units | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
CN114529838A (zh) | 基于卷积神经网络的土壤含氮量反演模型构建方法及系统 |
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 |