CN110751094B - 一种基于gee综合遥感影像和深度学习方法的作物估产方法 - Google Patents
一种基于gee综合遥感影像和深度学习方法的作物估产方法 Download PDFInfo
- Publication number
- CN110751094B CN110751094B CN201910997911.9A CN201910997911A CN110751094B CN 110751094 B CN110751094 B CN 110751094B CN 201910997911 A CN201910997911 A CN 201910997911A CN 110751094 B CN110751094 B CN 110751094B
- Authority
- CN
- China
- Prior art keywords
- data
- crop
- yield
- model
- deep learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000011160 research Methods 0.000 claims abstract description 44
- 239000002689 soil Substances 0.000 claims abstract description 32
- 230000004807 localization Effects 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims abstract description 4
- 241000209140 Triticum Species 0.000 claims description 27
- 235000021307 Triticum Nutrition 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 240000007594 Oryza sativa Species 0.000 claims description 3
- 235000007164 Oryza sativa Nutrition 0.000 claims description 3
- 240000008042 Zea mays Species 0.000 claims description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 3
- 235000005822 corn Nutrition 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于GEE综合遥感影像和深度学习方法的作物估产技术,包括:S1:利用GEE平台将研究时段内遥感数据和气象数据与所述地理空间数据进行空间匹配;S2:提取研究区域内的所述研究时段内每年作物的栅格种植区;S3:利用GEE平台提取作物关键生育期内月值影响因子和土壤属性因子;S4:计算每个县作物栅格的质点空间位置信息;S5:利用深度学习框架keras平台搭建机器深度学习产量预测模型,并实现模型的本地化;S6:利用本地化的模型来预测所述研究时段中待预测年份的作物产量。
Description
技术领域
本发明涉及农业遥感技术领域,具体而言涉及一种基于Google Earth Engine(GEE)平台综合遥感影像和深度学习方法的作物估产技术。
背景技术
农业是人类社会生活基本资料的来源,也是国民经济的根基。粮食生产是农业部门的核心,粮食安全关乎人民的生存与国家的稳定。适时、准确、大范围的监测作物生长状况、预报粮食产量对保障农民利益,保证该地区乃至全国的粮食安全都有非常重要的意义。目前主流估产模型分为统计估产模型、光能利用率模型、作物生长模型和耦合模型四大类。统计估产模型主要是依托于统计理论,通过构建作物影响因子(卫星数据反演的气象参数、遥感植被指数)与单产之间的统计关系建立线性回归模型实现产量估算;光能利用率模型主要是利用遥感估算生物量(AGB)或净初级生产力(NPP),加上修正的收获指数(EI),进行农业产量估算;作物生长机理模型主要是通过输入大量的参数(田间管理措施,气象、土壤信息和品种特性),对作物生长及产量形成过程以天步长、小时长实现动态模拟,该类模型主要适用于点尺度的作物产量模拟和预测;耦合模型主要是将LAI(Leaf Area Index)等遥感参数同化到作物生长机理模型进而实现大范围的产量估算。但是现有的这些方法都未能精准实现高精度(格网化)的作物估产。
基于统计估产模型虽然简单易用,但需操作人员具有丰富的经验,另外这种统计方法易出现过拟合和时空维度普适性差的特点,不宜推广等缺点。光能利用率参数模型虽充分发挥遥感获取大范围信息的优势,但部分参数量化(如光能利用效率、收获指数等)需要进一步加强研究。作物生长机理模型较为复杂,需要大量和精确参数的输入,并且有些参数的获取代价十分大,制约了作物模型大范围地区进行推广,因此该类模型主要限制于点尺度的产量估算和预测。耦合模型从同化的方法、数据的选择和同化的精度都存在很大的不确定性,且需要大量的输入数据,计算耗时过长,且误差的累积往往导致最后的估算精度不够高。所以目前的估产研究大都基于行政(国家、省、市县)、点(如农气站、实验田)和田块尺度,仍缺乏格网化高精度、大范围的估产研究。
因此,需要新技术来至少部分解决农业遥感领域中上述局限性。
发明内容
遥感因其快速、宏观、动态等特点被广泛应用于农业估产和监测。另外,随着计算机计算的发展,GEE(Google Earth Engine)平台具有海量共享的遥感数据、气象数据和地理数据,具有支持并行云端运算的特点,为大规模遥感数据的处理与数据挖掘提供了技术平台。近些年来机器学习方法方兴未艾,也有被应用到农业领域中的报道。但是基于深度学习和先进的遥感算法应用于大区域的县级和田块尺度的产量估算仍然处于初级尝试阶段,这为实现格网化的作物估产提供了可能。
为解决现有作物估产存在的地面实测输入数据繁杂、难以获取,估产模型空间泛化能力较弱和同化算法不确定性和计算成本高等问题,本发明基于深度学习和先进的遥感算法,利用GEE平台的遥感卫星数据、气象和土壤数据创建了一种大区域范围从区域(县级)到网格(1-km)的作物估产新技术方法。
根据本发明一方面,提供了一种基于Google Earth Engine平台综合遥感影像和深度学习方法的作物估产技术,包括如下步骤:
S1:获取研究区域内的地理空间数据,并将该数据输入GEE平台,然后利用GEE平台将研究时段内遥感数据和气象数据与所述地理空间数据进行空间匹配;
S2:基于研究时段内作物的多时相植被指数数据,通过重构植被指数时间序列曲线,提取研究区域内的所述研究时段内每年作物的栅格种植区;
S3:基于步骤S2提取的栅格种植区,利用GEE平台提取作物关键生育期内月值影响因子和土壤属性因子,所述月值影响因子包括县级平均气候因子和植被指数;
S4:基于GEE平台的高程数据、所述地理空间数据中的县域边界数据以及步骤S2中所提取的每年作物的栅格种植区,计算每个县作物栅格的质点空间位置信息,所述空间位置信息包括经度、纬度和高程;
S5:利用深度学习框架keras平台搭建深度学习产量预测模型,并利用所述研究时段内所述研究区域中县级产量记录数据以及相应的所述月值影响因子、土壤属性因子和所述空间位置信息来对所述深度学习产量预测模型进行优化,实现模型的本地化;
S6:利用本地化的模型来预测所述研究时段中待预测年份的作物产量,包括:对于每个作物格点,将所述研究时段中除所述待预测年份之外的其他年份的县级产量记录数据、相应的月值影响因子、土壤属性因子和以及空间位置信息作为训练数据输入到所述本地化的模型中,然后将待预测年份的相应月值影响因子以及空间位置信息输入到所述本地化的模型中,运行模型获得研究区域内待预测年份的作物产量。
根据本发明的实施方案,S1步骤还包括对遥感数据进行预处理,所述预处理包括去云处理和去雪处理。
根据本发明的实施方案,S2步骤中,所述植被指数选自EVI、NDVI或者LAI。
根据本发明的实施方案,步骤S5中深度学习产量预测模型选自DNN模型,
其中,DNN模型包括输入层、输出层和多个全连接层,输入层用于输入所述月值影响因子、土壤属性因子和以及所述空间位置信息,输入的特征向量通过全连接层变换达到输出层,在输出层得到产量估算结果,其中每个全连接层表示为式(2):
C=f(Wx+b) (2)
其中,f表示激活函数,W表示权重矩阵,x为输入向量,b为偏置项,c输出向量;
根据本发明的实施方案,步骤S1中,所述地理空间数据包括县级、省级边界数据以及土壤数据。
根据本发明的实施方案,DNN模型中多个全连接层为五层,第一层到第五层的神经元的数目分别为528、384、128、64和32。
根据本发明的实施方案,步骤S2中,重构植被指数时间序列曲线包括:提取各格点植被指数时间序列数据,利用S-G滤波方法来重构植被指数时间序列曲线,其中,S-G滤波由公式(1)表示:
其中,yj*为合成序列数据,yj+i代表原始序列数据,n为滑动窗口所包括的数据点2m+1,Ci为滤波系数,取值范围为[0,1]。
根据本发明的实施方案,所述作物选自小麦、玉米、水稻。
本发明提供了一种基于GEE云平台和深度学习算法的可扩展性区域尺度和田块间农业估产方法,主要是利用深度学习框架keras平台搭建DNN(Deep Neural Networks,深度神经网络)深度学习估产模型,以作物主要生育期内的月值MODIS数据的增强型植被指数(Enhanced Vegetation Index,EVI)、月值气象数据、土壤属性因子和空间位置信息为影响因子作为输入数据,作物县级实际单产数据为输出数据,进而实现长时间序列区域作物县级和田块产量估算。
与现有技术相比,本发明方法不需要地面实测数据,所有的遥感数据和气象数据也不需要下载本地,可依托GEE云平台和强大的后台处理器,在线编程方式获取和处理数据,有效的避免了数据下载和影像预处理等繁杂的过程。该类方法易操作且空间泛化能力强,不受地面实测数据的难以获取的限制,能够估算县级和高精度(例如1-km格网化)的产量,可长时间动态评估产量在时间和空间上的变异,为开展县级尺度甚至是田块尺度的产量差异原因的研究提供支持。
附图说明
附图中相同的附图标记标示了相同或类似的部件或部分。本发明的目标及特征考虑到如下结合附图的描述将更加明显,附图中:
图1为依据本发明一个实施方案的基于GEE(Google Earth Engine)平台综合遥感影像和深度学习方法的作物估产方法的流程示意图;
图2为根据本发明一个实施方案的利用GEE平台对EVI进行处理获得的冬小麦生长曲线图;
图3为根据本发明一个实施方案的构建的DNN深度学习估产模型;
图4为根据本发明一个实施方案的2015年深度学习模型县级产量模拟值与记录值散点图;
图5为根据本发明一个实施方案的2015年深度学习模型县级产量模拟值与记录值空间分布对比图;
图6为根据本发明一个实施方案的2011年深度学习模型田块产量模拟值与记录值空间分布对比图;
图7为根据本发明一个实施方案的2011-2013年深度学习模型田块产量模拟值与实测值散点对比图。
具体实施方式
为清楚地说明本发明中的方案,下面给出优选的实施例并结合附图详细说明。以下的说明本质上仅仅是示例性的而并不是为了限制本公开的应用或用途
应该理解的是,本发明所引用的Google Earth Engine平台、遥感模型以及机器学习模型本身是已知的,例如模型的各个子模块、各种参数、运行原理机制等等,因此本发明重点阐述各平台、遥感数据和模型之间的结合。
图1为依据本发明一个实施方案的基于GEE(Google Earth Engine)平台综合遥感影像和深度学习方法的作物估产方法的流程示意图。本发明的基于GEE(Google EarthEngine)平台综合遥感影像和深度学习方法的作物估产技术,具体包括以下步骤:
S1:获取研究区域内的地理空间数据,并将该数据输入GEE平台,然后利用GEE平台将研究时段内遥感数据和气象数据与所述地理空间数据进行空间匹配。
地理空间数据主要是包括县级、省级边界数据和土壤数据,其中所述的土壤数据例如可以来源于联合国粮农组织(FAO)和维也纳国际应用系统研究所(IIASA)所构建的世界土壤数据库(Harmonized World Soil Database version 1.1)(HWSD),主要包括上层土壤和下层土壤属性共14个属性(因子),每层的土壤属性包括参考深度(REF_DEPTH),土壤质地(USDA_TEX),有机碳含量(OC),酸碱度(PH),土壤的阳离子交换能力(CEC_SOIL)和土壤容重(REF_BULK),空间分辨率约~1km。
遥感数据例如可以采用MODIS(moderate resolution imagingspectroradiometer)产品中的MOD13A2数据集中的EVI产品,该产品空间分辨率为1km,时间分辨率为16天。气象数据可以采用是TerraClimate产品,空间分辨率是~4km,时间分辨率为月。当然也可以采用其他合适的数据来源,例如植被指数可以采用EVI,也可以NDVI或者LAI。
因此,S1具体步骤可以为:将本地的地理空间数据通过GEE平台的Assets库中的Table Upload功能上传县和省级等矢量数据,通过Assets库中的Image Upload功能上传土壤属性等栅格数据,并进行空间位置匹配。
另外,S1步骤还可以包括对遥感数据进行预处理,所述预处理包括去云处理和去雪处理。这些预处理的方法为本领域所熟知,例如S1中所述的去云和去冰雪处理,可以利用MOD13A2数据集中提供的质量控制(QA),QA波段中0表示数据良好;1表示有用的边缘数据;2表示有冰雪覆盖;3表示有云层覆盖。处理数据时,只用提取0数据,用来去掉云和冰雪的影响。
S2:基于研究时段内作物的多时相植被指数数据,通过重构植被指数时间序列曲线,提取研究区域内的所述研究时段内每年作物的栅格种植区;所述作物可以选自小麦、玉米、水稻等。
更具体地,以MODIS为例,利用已有的土地利用数据提取耕地类型,再将作物关键生育期内的MODIS EVI数据按时间序列合成,并以格点为单元使用S-G(Savitzky-Golay)滤波得到连续的EVI曲线。然后,识别EVI曲线的特征点来判断该类作物的关键生育期。为了提高识别效率,根据农气站记录对作物的关键生育期时间范围进行约束,之后在约束的时间范围内进行物候期识别。最后将至少有两次能够有效识别物候期的格点当做该类农作物的种植格点,获取研究区内作物栅格空间分布图,空间分辨率为1km,时间分辨率为1年。
其中所述的土地利用数据可以采用中国科学院地理科学与资源研究所1000m土地利用分类图,1995年,2000年,2005年,2010,和2015年共计5期。
其中所述S-G滤波的设计思想能够找到合适的滤波系数(Ci)以保护高阶距,即在对基础函数进行近似时,不是常数窗口,而是使用高阶多项式,实现滑动窗内的最小二乘拟合。其基本原理可由公式(1)表达:
yj*为合成序列数据,yj+i代表原始序列数据,Ci为滤波系数(取值范围[0-1]),n为滑动窗口所包括的数据点(2m+1)。
S3:基于步骤S2提取的栅格种植区,利用GEE平台提取作物关键生育期内月值影响因子和土壤属性因子,所述月值影响因子包括县级平均气候因子和植被指数。
更具体地,以MODIS为例,可以利用S2提取研究区每年的作物栅格点种植数据,对气象数据和EVI进行掩膜处理;对EVI数据进行MVC(maximum value composite)提取月值EVI值。最后依据县域边界对EVI值和气象数据进行Reduce操作,得到作物生育期内每个县的月值EVI和气象数据值。其中所述的气象数据包括月值的月平均最高温度(Tmax:℃)、月平均最低温度(Tmin:℃)、月降雨量(Pre:mm)。
其中所述的MVC方法指的是最大值合成法,该方法本身为本领域所熟知,是指在指定时间范围内,逐像元提取影像集合的最大值,最后合成一副影像。这种方法能够有效的减少云、大气、和太阳高度的影响;所述的Reduce操作指的是利用GEE平台的reduceRegions功能中的mean()函数,能够计算作物掩膜后影响因子的县域均值。
S4:基于GEE平台的高程数据、所述地理空间数据中的县域边界数据以及步骤S2中所提取的每年作物的栅格种植区,计算每个县作物栅格的质点空间位置信息,所述空间位置信息包括经度、纬度和高程;
S5:利用深度学习框架keras平台搭建机器深度学习产量预测模型,并利用所述研究时段内所述研究区域中县级产量记录数据以及相应的所述月值影响因子和所述空间位置信息来对所述深度学习产量预测模型进行优化,实现模型的本地化。
所述的Keras是基于Theano的一个高度模块化的神经网络库,可用来搭建神经网络模型。在本发明中,构建了DNN深度学习产量预测模型。
所述DNN模型是一种只有全连接层的神经元结构组成的模型。包括输入层、输出层和隐含层,其中隐藏层由一系列全连接层组成。输入的特征向量通过隐含层变换达到输出层,在输出层得到产量估算结果。所有全连接层以向量x为输入,然后是非线性函数的激活函数f,最后输出向量c,其中每个全连接层表示为式(2):
C=f(Wx+b) (2)
其中W表示权重矩阵,b表示偏置项。
所述模型优化指的是模型结构和对应的参数优化,模型结构的优化主要包括模型的框架(全连接层的层数),优化的参数(神经元个数、激活函数、优化函数、学习率和最大迭代次数等),这样的优化(本地化)其原理为本领域所熟知,在此并不赘述。
S6:利用本地化的模型来预测所述研究时段中待预测年份的作物产量,包括:对于每个作物格点,将待预测年份的相应月值影响因子以及空间位置信息输入到所述本地化的模型中,运行模型获得研究区域内待预测年份的作物产量。
根据本发明的实施方案,还可以包括对所构建的模型进行验证的步骤。也即,将GEE输出的县级产量数据、月值影响因子以及空间位置信息(土壤因子)输入到经过训练的神经网络训练模型,得到研究区的农作物县级产量估算值,采用均方根误差(RMSE)和决定系数(R2)对县级尺度和田块尺度产量的模拟值和记录值的偏差进行估算。
均方根误差(RMSE)的计算公式定义为式(5):
决定系数(R2)的计算公式定义为(6):
实施例
下面以冬小麦为例,示例性说明本发明的方法的具体应用。
下面结合实施例,对本发明的具体实施方式作进一步详细描述。以下实例用于说明本发明,但不用来限制本发明的范围。
本研究选择中国冬小麦主产县作为研究区域,覆盖山西、云南、广州、天津、甘肃、陕西、湖北、河北、山东、河南、安徽和四川、北京和宁夏自治区,共629个县,大致范围在东经101.1°E~119.5°E,北纬23.4°N~41.4°N之间。所选县覆盖了我国冬小麦主产区,研究区地势相对平坦,土壤十分肥沃,地势西高东低,属于典型温带季风气候。研究区冬小麦通常在10月初播种,次年5月底或6月初收获。
步骤S1,获取冬小麦主产县的县级地理空间数据,并将该数据输入GEE平台,然后利用GEE平台将研究时段内遥感数据(MODIS)和气象数据与县级进行空间匹配,利用GEE平台对2000-2015年遥感数据进行预处理,主要包括去云和去雪等处理。
步骤S2,基于2000-2015年内多时相的EVI数据,通过重构EVI时间序列曲线的提取每年的冬小麦种植区。首先利用土地利用数据的耕地类提取各耕地格点EVI时间序列数据,构建S-G滤波方法平滑研究区冬小麦的EVI时序曲线。通过分析相邻农气站记录的作物生育期和冬小麦的生长特征曲线,根据物候提取算法并依据以下原则提取冬小麦种植面积:冬小麦1月至2月处于返青期,EVI小于0.4;4月至5月处于抽穗期,EVI最大值超过0.7;6月冬小麦处于成熟期;将完全符合算法提取规则并能同时提取出冬小麦整个生长季节的返青期和抽穗期的耕地格点作为冬小麦种植格点。EVI重构具体结果参见附图2。
步骤S3,基于S2提取的2000-2015年冬小麦栅格种植区,利用GEE平台提取冬小麦主要生育期内(10月到次年6月)月值的县域平均气候因子(Tmax、Tmin和Pre)和植被指数值(EVI)、土壤因子(顶层和下层的REF_DEPTH、USDA_TEX、OC、PH、CEC_SOIL,和REF_BULK)等信息;其中16天时间分辨率的EVI利用MVC合成月值EVI。
步骤S4,基于GEE平台的高程数据和步骤S2提取的2000-2015年冬小麦栅格种植区,逐年计算每个县冬小麦的空间位置信息(经纬度和高程)。
步骤S5:利用keras平台搭建DNN深度学习产量预测模型,利用2001-2014年的县级产量数据和影响因子作为训练数据集,对模型结构和参数进行优化,实现模型的本地化,使其具备可靠的产量预测能力;最终模型的搭建框架如图3所示。
参考图3,DNN主要是使用了5个隐含层(全连接层),每个全连接层包含不同的神经元,从第一层到第五层的神经元的数目分别为528、384、128、64和32。在研究了更深层次的网络结构和更多的神经元后,发现这种模型结构能够在训练精度和过拟合之间提供最佳的平衡。此外,反向传播算法调整神经网络中相关参数的取值。最后神经网络算法选址的优化器是RMSprop,学习率初始值为0.1,每100次迭代除以0.1,batch size设置为268,迭代最大轮数设置为2000;所有隐藏层都使用ReLU激活函数,输出层没有激活函数,同时加入了L2正则化和dropout(0.5)避免过拟合,这些技术手段本身为本领域中所熟知。
步骤S6,估产和验证,将县级产量数据和选取的影响因子输入到经过训练的神经网络估产模型,为了评估这些模型的实用性,我们对2011-2015年的每一年都进行了递归的后推预测,以评估这些模型是否可以在不同的年份进行推广运算,收集2001-2014年数据作为训练数据,预测2015冬小麦产量,然后应用2001-2013年和2015年的数据预测2014年的作物产量。然后,将2001-2012年和2013-2015年的数据应用于预测2014年的作物产量,以此类推,直到2011年。最后利用RMSE和R2评估模型模拟精度,结果表明模型能捕捉到县域尺度冬小麦产量的变化,R2为0.84~0.87,RMSE为679.08~842.75kg/ha,2011-2015年各县级市冬小麦产量预测均表现良好,平均R2为0.85,RMSE为742.49kg/ha(参见表1),且模型估算的县级产量空间于与实际记录的县级产量较为一致(参见图4和5)。
逐格点运行S5的步骤,得到研究区内逐格点的冬小麦产量估算值,并进行空间制图,利用2011-2013年农气站实测的田块产量进行对比验证。通过与实际田块产量精度对比研究发现,冬小麦估产空间格局能够较好地反映出田块间产量的空间异质性,明显呈现出东北高,周围产量低的空间分布。模型在田块间产量模拟表现相对较好,平均R2值为0.71,RMSE值为1127kg/ha。具体参见附图6和7。
表1.县级产量模拟值和实测值的RMSE和R2
由此,本研究基于GEE平台和深度学习算法,在县级尺度和田块尺度上对中国冬小麦主产区进行长时间序列产量预测和制图。估产结果精度较高且基本上可以表征县级和田块间产量的空间差异性。证明该方法可以很好地反映作物对气候和田间管理的响应,为作物产量提前预测以及灾害损失评估的业务化运行提供了新思路。
本发明提供了一种基于GEE云平台和深度学习算法的可扩展性区域尺度和田块间农业估产方法。主要是利用深度学习框架keras平台搭建DNN(Deep Neural Networks,深度神经网络)、深度学习估产模型,以作物主要生育期内的月值MODIS数据的增强型植被指数(Enhanced Vegetation Index,EVI)、月值气象数据、土壤数据和空间位置信息为影响因子作为输入数据,农作物县级实际单产数据为输出数据,进而实现长时间序列区域作物县级和田块产量估算。
本发明相比于现有技术,能够实现诸多的有益技术效果:
1、本发明提供了一种简单、易行可扩展的从县级到田块尺度的新型产量估算方式;
2、充分利用了先进的遥感技术和深度学习算法,结合辅助的背景信息,如气象数据、农气站数据,形成从宏观到微观的作物估产和监测能力。相对于传统的作物产量估算方法,该方法需要输入数据量更少,不需要地面实测数据;因此模型不受地面实测数据的难以获取的限制,易操作且空间泛化能力强,尤其适用于以获取地面精细数据的地区和国家。
3、该方法依托google云平台和强大的后台处理器,在线编程的方式获取和处理共享数据,有效的避免了下载,预处理影像等繁杂的过程,节约了大量的成本和时间。
4、该方法不局限于作物估产,也可以用作农作物种植面积提取、作物长势监测、农作物灾害损失评估等各方面的农业应用,例如该模型能够估算县级甚至田块间的收益,可动态评估产量在时间和空间上的变异,为开展田块尺度的产量差异原因的研究提供数据支持。
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装置及其核心思想;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 (7)
1.一种基于GEE平台综合遥感影像和深度学习方法的作物估产方法,包括如下步骤:
S1:获取研究区域内的地理空间数据,并将该数据输入GEE平台,然后利用GEE平台将研究时段内遥感数据和气象数据与所述地理空间数据进行空间匹配;
S2:基于研究时段内作物的多时相植被指数数据,通过重构植被指数时间序列曲线,提取研究区域内的所述研究时段内每年作物的栅格种植区;
S3:基于步骤S2提取的栅格种植区,利用GEE平台提取作物关键生育期内月值影响因子和土壤属性因子,所述月值影响因子包括县级平均气候因子和植被指数;
S4:基于GEE平台的高程数据、所述地理空间数据中的县域边界数据以及步骤S2中所提取的每年作物的栅格种植区,计算每个县作物栅格的质点空间位置信息,所述空间位置信息包括经度、纬度和高程;
S5:利用深度学习框架keras平台搭建深度学习产量预测模型,并利用所述研究时段内所述研究区域中县级产量记录数据以及相应的所述月值影响因子、土壤属性因子和所述空间位置信息来对所述深度学习产量预测模型进行优化,实现模型的本地化;
S6:利用本地化的模型来预测所述研究时段中待预测年份的作物产量,包括:对于每个作物格点,将待预测年份的相应月值影响因子、土壤属性因子以及空间位置信息输入到所述本地化的模型中,运行模型获得研究区域内待预测年份的作物产量;
其中,步骤S5中深度学习产量预测模型为DNN模型,
其中,DNN模型包括输入层、输出层和多个全连接层,输入层用于输入所述月值影响因子、土壤属性因子以及所述空间位置信息,输入的特征向量通过全连接层变换达到输出层,在输出层得到产量估算结果,其中每个全连接层表示为式(2):
C=f(Wx+b) (2)
其中,f表示激活函数,W表示权重矩阵,x为输入向量,b为偏置项,C为输出向量。
2.根据权利要求1所述的作物估产方法,其特征在于,S1步骤还包括对遥感数据进行预处理,所述预处理包括去云处理和去雪处理。
3.根据权利要求1所述的作物估产方法,其特征在于,S2步骤中,所述植被指数选自EVI、NDVI或者LAI。
4.根据权利要求1所述的作物估产方法,其特征在于,步骤S1中,所述地理空间数据包括县级、省级边界数据以及土壤属性数据。
5.根据权利要求1所述的作物估产方法,其特征在于,DNN模型中多个全连接层为五层,第一层到第五层的神经元的数目分别为528、384、128、64和32。
7.根据权利要求1所述的作物估产方法,其特征在于,所述作物选自小麦、玉米、水稻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910997911.9A CN110751094B (zh) | 2019-10-21 | 2019-10-21 | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910997911.9A CN110751094B (zh) | 2019-10-21 | 2019-10-21 | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751094A CN110751094A (zh) | 2020-02-04 |
CN110751094B true CN110751094B (zh) | 2020-08-28 |
Family
ID=69279040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910997911.9A Active CN110751094B (zh) | 2019-10-21 | 2019-10-21 | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751094B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695533B (zh) * | 2020-06-16 | 2022-08-12 | 中国科学院地理科学与资源研究所 | 冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法 |
CN111798132B (zh) * | 2020-07-06 | 2023-05-02 | 北京师范大学 | 基于多源时序遥感深度协同下的耕地动态监测方法及系统 |
CN112347992B (zh) * | 2020-12-01 | 2023-07-18 | 中国林业科学研究院 | 一种荒漠地区时序agb遥感估算方法 |
CN112836575B (zh) * | 2020-12-30 | 2023-06-27 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于作物物候期的多时序影像水稻估产方法 |
CN113034363B (zh) * | 2021-03-11 | 2024-04-09 | 云南电网有限责任公司电力科学研究院 | 基于GEE深度时空经验Kringing区域尺度的氮氧化物速降方法 |
CN113269716A (zh) * | 2021-04-08 | 2021-08-17 | 塔里木大学 | 一种基于多源遥感数据的香梨成熟期遥感预测方法 |
CN113033474A (zh) * | 2021-04-14 | 2021-06-25 | 海南大学 | 基于融合算法及模型的红树林资源遥感解译方法 |
CN113466135A (zh) * | 2021-06-09 | 2021-10-01 | 汕头大学 | 一种基于gee的海水水质在线反演监测方法 |
CN113378785A (zh) * | 2021-07-05 | 2021-09-10 | 中煤航测遥感集团有限公司 | 森林类型识别方法及装置 |
CN114202702B (zh) * | 2021-10-12 | 2022-06-21 | 中国农业科学院农业资源与农业区划研究所 | 基于D-fG参数遥感获取的冬小麦动态收获指数遥感估算方法 |
CN114529097B (zh) * | 2022-02-26 | 2023-01-24 | 黑龙江八一农垦大学 | 多尺度农作物物候期遥感降维预测方法 |
CN114943060B (zh) * | 2022-05-16 | 2023-04-21 | 成都理工大学 | 基于深度学习与插值回归的页岩气总有机碳预测方法 |
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 |
CN116432859B (zh) * | 2023-05-08 | 2023-10-27 | 中山大学 | 一种作物产量统计数据降尺度方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134095B (zh) * | 2014-04-17 | 2017-02-15 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
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 |
CN107491724B (zh) * | 2017-06-29 | 2019-11-26 | 中国农业大学 | 一种冬小麦穗分化期识别方法及装置 |
CN107832892B (zh) * | 2017-11-17 | 2021-12-28 | 北京大学 | 一种基于组合优化的多块地选种决策优化方法 |
CN108665107A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 农作物产量预测方法和系统 |
CN109002917A (zh) * | 2018-07-13 | 2018-12-14 | 山东省农业信息中心 | 基于lstm神经网络的粮食总产量多维时间序列预测方法 |
CN109829234B (zh) * | 2019-01-30 | 2019-09-27 | 北京师范大学 | 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 |
CN110245327B (zh) * | 2019-03-28 | 2023-04-18 | 国智恒北斗好年景农业科技有限公司 | 一种基于gf-1数据重构的小麦单产遥感估算方法 |
-
2019
- 2019-10-21 CN CN201910997911.9A patent/CN110751094B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110751094A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
Huang et al. | Assimilating a synthetic Kalman filter leaf area index series into the WOFOST model to improve regional winter wheat yield estimation | |
Lehnert et al. | Retrieval of grassland plant coverage on the Tibetan Plateau based on a multi-scale, multi-sensor and multi-method approach | |
WO2018145229A1 (zh) | 一种近地面气温的大面积精确反演方法 | |
Huang et al. | The improved winter wheat yield estimation by assimilating GLASS LAI into a crop growth model with the proposed Bayesian posterior-based ensemble Kalman filter | |
CN106951979A (zh) | 遥感、作物模型与气象预报融合的作物成熟期预测方法 | |
CN109800921B (zh) | 基于遥感物候同化和粒子群优化的区域冬小麦估产方法 | |
CN104462809A (zh) | 一种基于遥感与gis相结合的草地生产力估算方法 | |
CN105912836A (zh) | 一种纯遥感数据驱动的流域水循环模拟方法 | |
CN114387516B (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 | |
CN109711102A (zh) | 一种作物灾害损失快速评估方法 | |
CN112651108B (zh) | 一种解耦气象要素和植被动态对水文要素影响的方法 | |
CN109033543A (zh) | 一种地表异质区植被覆盖度估算方法、装置及设备 | |
CN110633841A (zh) | 基于集合采样的省级范围地块尺度快速数据同化产量预测方法 | |
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 | |
Wang et al. | Rice yield estimation based on an NPP model with a changing harvest index | |
Wu et al. | Evaluation of winter wheat yield simulation based on assimilating LAI retrieved from networked optical and SAR remotely sensed images into the WOFOST model | |
Zhang et al. | Developing a process-based and remote sensing driven crop yield model for maize (PRYM–Maize) and its validation over the Northeast China Plain | |
CN114062439B (zh) | 一种利用时间序列遥感影像联合估算土壤剖面盐分的方法 | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
Xie | Combining CERES-Wheat model, Sentinel-2 data, and deep learning method for winter wheat yield estimation | |
Honda et al. | Agriculture information service built on geospatial data infrastructure and crop modeling | |
CN117611997A (zh) | 一种可解释的森林地上生物量遥感估算方法及装置 | |
Wang et al. | Consistent, accurate, high resolution, long time-series mapping of built-up land in the North China Plain | |
Wang et al. | Exploring the feasibility of winter wheat freeze injury by integrating grey system model with RS and GIS |
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 |