CN111275567A - 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 - Google Patents
基于无人机影像的senp棉花产量估算方法及估算模型构建方法 Download PDFInfo
- Publication number
- CN111275567A CN111275567A CN202010043187.9A CN202010043187A CN111275567A CN 111275567 A CN111275567 A CN 111275567A CN 202010043187 A CN202010043187 A CN 202010043187A CN 111275567 A CN111275567 A CN 111275567A
- Authority
- CN
- China
- Prior art keywords
- cotton
- ndvi
- yield
- model
- area
- 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
- 229920000742 Cotton Polymers 0.000 title claims abstract description 256
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000010276 construction Methods 0.000 title claims abstract description 22
- OUSYFDXGONIFSX-UHFFFAOYSA-N 2-sulfooxyprop-2-enoic acid Chemical compound OC(=O)C(=C)OS(O)(=O)=O OUSYFDXGONIFSX-UHFFFAOYSA-N 0.000 title claims abstract 16
- 238000012360 testing method Methods 0.000 claims abstract description 70
- 240000002024 Gossypium herbaceum Species 0.000 claims abstract description 11
- 235000004341 Gossypium herbaceum Nutrition 0.000 claims abstract description 11
- 241000219146 Gossypium Species 0.000 claims abstract 56
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 15
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 241000196324 Embryophyta Species 0.000 claims description 8
- 239000003550 marker Substances 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 244000299507 Gossypium hirsutum Species 0.000 description 195
- 238000011160 research Methods 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 230000005200 bud stage Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 244000025596 Cassia laevigata Species 0.000 description 1
- 235000006693 Cassia laevigata Nutrition 0.000 description 1
- 235000009429 Gossypium barbadense Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000004713 Pisum sativum Species 0.000 description 1
- 235000010582 Pisum sativum Nutrition 0.000 description 1
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000005204 bell stage Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 229940124513 senna glycoside Drugs 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 235000018322 upland cotton Nutrition 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机影像的SENP棉花产量估算方法及估算模型构建方法,估算模型构建方法包含:选择样区;在苗期获取可见光遥感影像数据并通过U‑Net模型提取单株棉花苗在样区的空间位置图和棉花苗总株数;在棉花生育关键期获取多次多光谱数据并根据该多光谱数据与实测试验区棉花实际产量及实测的每个试验区单株棉花的平均成铃数先后分析获取单株成铃数估算回归模型,将该单株成铃数估算回归模型与实测的单个成铃的平均单铃重结合得到单株棉花的预测产量模型,同时,构建棉花吐絮系数模型;利用棉花苗总株数、单株棉花的预测产量模型以及棉花吐絮系数模型创建SENP棉花产量估算模型,利用该估算模型可解决现有棉花估产模型估产精度不高的问题。
Description
技术领域
本发明涉及一种基于无人机影像的SENP棉花产量估算方法及估算模型构建方法。
背景技术
在棉花的种植过程中,产量预测对制定棉花生产管理、保障国家粮食安全、维持农业可持续发展有直接的作用,是影响区域经济发展的重要因素,受到各级政府的重视。新疆是我国重要的棉花生产基地,新疆棉花自1995年起,其总产、单产、品质、人均占有量以及外调量等就一直连续居全国主要产棉区首位。根据2019年的最新数据,2018年新疆棉花产量高达511.1万吨,播种面积3737万亩,占全国棉花产量的 83.8%。因此,棉花作为新疆农业经济发展的重要支柱产业,在新疆的整体国民经济活动中具有举足轻重的作用,对这样一个产棉大区而言,棉花产量是影响区域经济发展的重要因素,获取准确的产量估算数据能够对棉花的生产进行及时、有效的调控与管理,为区域农业经营管理和宏观决策提供参考信息,不仅有利于农民生产计划的安排,也有利于棉花外贸和进出口计划的制定,便于提前实施相应的管理与决策,从而获得更好的经济及环境效益。
目前,随着信息技术的发展,对棉花产量估算的研究已经从传统的地面测量发展到了多维时空的遥感估算。遥感估产的基本原理是基于卫星传感器记录的棉花在不同生长阶段的光谱反射率差异,根据统计数据、野外试验数据与植被指数之间的相关关系,通过遥感影像计算植被指数,建立、检验最佳估产模型等流程,最终实现对某一研究区域棉花产量的预测。现有常用的棉花产量遥感估算方法主要有光谱估产法、卫星遥感估产法、光谱与卫星遥感估产复合法,其中,光谱估产法主要通过对棉花光谱特征值与棉花的长势和产量进行相关性分析来反映棉花长势;卫星遥感估产法主要原理在于利用棉花生长过程中对红波段具有强吸收,而对近红外波段具有强反射的特点,通过对红波段和近红波段进行不同组合来建立多种植被指数,进而预测棉花产量;光谱与卫星遥感复合法是结合实地测量和卫星遥感的优点,建立多元复合回归模型进行估产。
在棉花遥感估产的应用领域,美国最早于19世纪70年代开展了“大面积作物估产试验”(LACIE计划),对棉花估产产生了较大的影响,我国使用卫星遥感技术进行农作物产量预测研究始于20世纪80年代“六五”规划期间,并在局部地区开展产量估算试验。目前,我国对多种农作物遥感估产系统的研究日趋完善,其中水稻、小麦遥感估产方法已比较成熟,棉花遥感正在被广泛的研究,但总的来看,虽然有关棉花遥感估产的研究已取得了较大进展,但其模型精度仍会受到遥感数据不确定性的影响,例如,植被指数饱和、大气校正误差以及云覆盖量过大等,因此,受到诸多因素的影响导致现有估产方法的普适性不足。
目前针对新疆地区的棉花估产遥感监测方法和技术成熟度不高,对棉花估产研究不够深入,同时,在实际估产应用中,仍然无法克服基于高空遥感影像的方法受下垫面、大气效应、作物物候等影响的问题,估产精度有待进一步提高,而近些年的研究表明,基于无人机的低空高分辨率遥感技术可以有效的消除或者减弱这些干扰因素,通过获取更高分辨率的影像数据,增加局部区域的采样精度十分有利于区域棉花估产精度的提升,虽然增加数据的采样精度对估产精度有一定的提升,但目前大多研究通常仅使用棉花某个生育期的NDVI值、LAI值等与产量进行一元线性回归分析建立估产模型,也有研究者利用多个时期的植被指数与产量数据进行拟合后进行估产,虽然取得了一定的效果,但现有的估产模型中均未能将棉花出苗对整个生育期产量的影响考虑进来,而苗期数据的缺失对棉花估产精度有较大的影响,因此,基于上述问题的分析,本发明提供了一种基于无人机影像的SENP棉花产量估算方法及估算模型构建方法。
发明内容
本发明的目的是提供一种基于无人机影像的SENP棉花产量估算方法及估算模型构建方法,解决现有棉花估产模型估产精度不高的问题。
本发明提供了一种基于无人机影像的SENP棉花产量估算模型构建方法,包含以下步骤:
S1:选择多个样区,该样区包含试验区和验证区;
S2:在棉花出苗期,利用无人机获取样区高分辨率的可见光遥感影像数据,并将获取的可见光遥感影像数据输入U-Net模型以提取单株棉花苗在样区的空间位置图和棉花苗总株数;
S3:在棉花生育关键期,利用无人机获取样区内不同时期的多次多光谱数据并计算出每一次多光谱数据对应的NDVI指数图,获取每个试验区每一次的NDVI指数图并获取每一次NDVI指数图对应的NDVI指数均值,将每一次NDVI指数均值分别与实测的试验区棉花实际产量进行拟合分析得到棉花在生育关键期的综合NDVI指数;获取每个试验区的综合NDVI指数均值,并将每个试验区的综合NDVI指数取均值后分别与实测的对应试验区单株棉花的平均成铃数进行相关分析和回归分析得到以综合 NDVI指数为自变量的单株成铃数估算回归模型,将该单株成铃数估算回归模型与实测的单个成铃的平均单铃重结合得到样区内单株棉花的预测产量模型;
其中,T为吐絮系数,n为样区数量,h为每个样区已吐絮成铃数,z为样区总成铃数,L为比例系数,该比例系数L的计算方法为:L=W÷e,W为样区未吐絮棉铃的实测产量,e为样区单铃均值重量;
S5:利用S2中提取的样区内棉花苗总株数、S3中单株棉花的预测产量模型以及 S4中棉花的吐絮系数模型创建SENP棉花产量估算模型。
作为本申请的优选方案,在步骤S2中,利用U-Net模型提取单株棉花苗在样区的空间位置图和棉花苗总株数的过程包含训练阶段和计算阶段,
训练阶段包含将获取的所有可见光遥感影像数据和设置的真实标签组成训练样本输入U-Net模型中进行特征深度学习,得到预测概率分布图,然后采用交叉熵函数衡量计算结果与真实标签之间的损失值,采用Adam优化算法以缩小损失值为目标,不断迭代更新U-Net模型中的超级参数直至损失值缩小至给定的阈值范围内则训练结束,得到最优的U-Net模型;
计算阶段包含利用已训练好的U-Net模型对待处理的单株棉花苗在样区的空间位置和棉花苗总株数进行获取,得到最终结果。
作为本申请的优选方案,在步骤S3中,获取每个试验区每一次的NDVI指数图,并根据NDVI指数图获取对应的NDVI指数均值后分别与实测的试验区棉花实际产量进行拟合分析得到棉花在生育关键期的综合NDVI指数的步骤包含:
S41:根据实验样区所在空间位置的矢量边界对多个NDVI指数图进行裁剪,得到每个试验区多组NDVI指数图,根据多组NDVI指数图可计算出每个试验区每组NDVI 指数图对应的NDVI指数均值,具体计算方式为:
其中,ANDVI表示NDVI指数均值,NDVIi表示试验区中每组NDVI指数图中每个像元的NDVI值,m表示试验区中每组NDVI指数图中像元的个数;
S42:将每个试验区每组NDVI指数均值与实测的试验区棉花实际产量之间进行相关分析,得到棉花在生育关键期的多组NDVI指数均值与棉花实际产量的相关系数,将得到的多组相关系数进行归一化处理继而得到每组NDVI指数均值在棉花生长状态指数计算中的权重系数,具体计算方式为:其中,xi为不同组NDVI 指数均值在棉花生长状态指数计算中的权重系数,wi为不同组NDVI指数均值与棉花实际产量的相关系数值,N为多光谱数据的采集次数;
S43:将采集的每次NDVI指数与其对应的权重系数进行乘积,然后将多个乘积加权求和即可得到棉花在生育关键期的综合NDVI指数,具体计算公式为:,
式中,表示综合NDVI指数,表示不同次的NDVI指数结果,为不同组NDVI 指数均值在棉花生长状态指数计算中的权重系数,为为多光谱数据的采集次数。
作为本申请的优选方案,在步骤S3中,在获取每个试验区的综合NDVI指数取平均值之前,利用实验样区所在空间位置的矢量边界对综合NDVI指数图进行裁剪,得到每个试验区的综合NDVI指数图。
作为本申请的优选方案,实验样区所在空间位置的矢量边界的获取方法包含:在拍摄前,分别在每个试验区的中心设置标记物,图像拍摄后,在可见光遥感影像中找到每个标记物的位置,并基于标记物的中心分别向上下左右扩展一定距离,该扩展距离根据实验样区的大小确定,如此便可得到实验样区的位置与矢量边界。
作为本申请的优选方案,利用验证区的实测数据对U-Net模型提取的单株棉花苗在样区的空间位置和棉花苗总株数的精度以及SENP棉花产量估算模型的估产结果的精度进行评估和验证,在对单株棉花苗在样区的空间位置和棉花苗总株数的精度进行评估验证时,选择精确率、召回率和F1值三个指标,该三个指标越接近100,则说明提取精度越高;在对SENP棉花产量估算模型的精度进行评估时,选取决定系数R2、均方根误差RMSE和相对误差ME三个指标来检验棉花产量估算模型的可靠性,R2 取值越接近于1,说明拟合度越好,R2值越大,RMSE值越小表明预测能力越强,精度高且稳定性好。
作为本申请的优选方案,在步骤S3中,所述棉花生育关键期包含苗期、蕾期、铃期和吐絮期。
本申请还提供了一种棉花产量估算方法,包括利用上述方法构建的模型来估算某区域的棉花产值。
与现有技术相比,本申请中的该基于无人机影像的SENP棉花产量估算模型构建方法将棉花出苗信息以及吐絮系数作为棉花估产模型的参数之一,同时,对棉花在整个生长期的生长状态进行监测,通过综合评价单株棉苗的生长状态获取其预估结铃数,进而得到单株棉花预估产量,利用获取的单株棉花预估产量、棉花出苗数据来以及吐絮系数构建估产模型,利用该估产模型可很大程度上提高棉花的估产精度。
附图说明
图1为本发明实施例一提供的研究区域的结构示意图。
图2为本发明实施例一提供的U-Net模型结构示意图。
图3为本发明实施例一提供的无人机采集的可见光遥感影像原始图。
图4为本发明实施例一提供的利用U-Net模型提取可见光遥感影像中苗木信息的示意图。
图5为本发明实施例一提供的多时相NDVI指数示意图。
图6为本发明实施例一提供的多组NDVI指数均值与棉花实际产量结果之间的相关线性图。
图7为本发明实施例一提供的SENP棉花产量估算模型构建方法流程图。
具体实施方式
实施例1:
一、研究区概况和选种
研究区位于新疆生产建设兵团第八师石河子垦区,东经86°01′17″-86°01′33″,北纬44°29′36″-44°29′49″,位于天山北麓中段,古尔班通古特大沙漠南缘,该地区地势平坦,平均海拔高度约450.8米,自东南向西北倾斜,属典型的温带大陆性气候,冬季长而严寒,夏季短而炎热。该地区年平均气温在6.5-7.2℃之间,北部地区气温低,南部高,年降水量为125.0-207.7mm之间,无霜期为168-171天,日照充沛,年日照时数为2721-2818小时。研究区内耕地平整连片,条田建设规范,棉花种植的机械化和规模化水平较高,是中国最适宜实施遥感估产和精准农业的地区之一;该研究区的总面积约为637.08亩,在该研究区选择40个分布均匀且大小为2×2m的样区作为试验区,同时,在该研究区选择20个分布均匀且大小为5×5m的样区作为验证区,研究区示意图参见图1,该试验区共计约565.65亩。
本实验选用的棉花品种为新陆早64号,是新疆兵团第八师种植面积最广的品种之一,该品种属早熟陆地棉常规产品,生育期123天,植株塔型,茎秆坚硬抗倒伏,生长稳健,叶片中等大小,叶上举,通透性好,铃卵圆形,较大,吐絮畅,宜机采,衣分43.6%左右,纤维长度约30mm,断裂比强度30.2cN/tex,马克隆值4.2,整齐度85.5%。
二、数据采集设备概况
无人机数据的获取采用法国造SenseFly eBee Plus固定翼测绘无人机飞行平台,内置RTK功能,可见光数据的采集搭载专为摄影测量而优化设计的RGB传感器sense FlyS.O.D.A相机,多光谱数据的采集搭载Red Edge-MX 5通道多光谱相机。
三、数据获取
1、单株棉花苗的空间位置和棉花苗总株数的获取方法
1.1棉花出苗后,在无人机中设定其在样区飞行航线和航高,该无人机携带senseFly S.O.D.A相机获取样区分辨率为2.3-2.8cm的可见光遥感影像数据,获取的可见光遥感影像数据利用Pix4D软件并根据白板数据进行辐射定标和影像拼接处理,参见图 3,为本实施例提供的无人机采集的可见光遥感影像原始图,本实施例中,无人机在设定航线中飞行时航向重叠度为80%,旁向重叠度为60%。
1.2将处理后的可见光遥感影像数据输入U-Net模型以提取棉花苗在样区的空间位置图和棉花苗总株数,本实施例中,U-Net模型是2015年由Ranneberger等人提出的一种改进的FCN结构,最初应用于医学影像的语义分割,该U-Net模型结构参见图 2,它由左半边的压缩通道和右半边的扩展通道组成,因结构清晰优雅呈U状而得名。压缩通道是典型的卷积神经网络结构,它重复采用2个卷积层和1个最大池化层结构,每进行一次池化操作后特征图的维数就增加1倍。在扩展通道,先进行1次反卷积操作,使特征图的维数减半,然后拼接对应压缩通道裁剪得到的特征图,重新组成一个 2倍大小的特征图,再采用2个卷积层进行特征提取,并重复这一结构。在最后的输出层,用2个卷积层将64维的特征图映射成2维的输出图。
利用该U-Net模型提取单株棉花苗在样区的空间位置图和棉花苗总株数的过程包含训练阶段和计算阶段;
训练阶段包含将获取的所有可见光遥感影像数据和设置的真实标签组成训练样本输入U-Net模型中进行特征深度学习,得到预测概率分布图,然后采用交叉熵函数衡量计算结果与真实标签之间的损失值,采用Adam优化算法以缩小损失值为目标,不断迭代更新U-Net模型中的超级参数直至损失值缩小至给定的阈值范围内,则训练结束,得到最优的U-Net模型;本实施例中,真实标签为人为在遥感影像数据中对部分苗木的标定,该标定的苗木作为U-Net模型在深度学习中对苗木认知和识别样本参数, U-Net模型利用真实标签可对可见光遥感影像数据中的苗木所具有的特征进行更具体和更全面的认知和学习,在U-Net模型认知到苗木所具有的特征时可对可见光遥感影像数据中的所有苗木进行识别和提取,本实施例中,U-Net模型深度学习所用到的苗木特征包含苗木颜色信息、高度信息以及叶瓣数量等能够反映苗木特点的数据。
计算阶段包含利用已训练好的U-Net模型对待处理的单株棉花苗在样区的空间位置和棉花苗总株数进行计算和提取,得到最终结果,参见图4,为U-Net模型提取可见光遥感影像中苗木信息(单株棉花苗在样区的空间位置和棉花苗总株数)的示意图。
2、单株棉花预测产量的获取方法
2.1植被指数选择
植被指数与棉花产量有明显的相关性,目前,常用来对作物长势和产量估算进行研究的植被指数包含归一化植被指数(NDVI)、差值植被指数(DVI)、比值植被指数 (RVI)、垂直植被指数(PVI)以及调整土壤植被指数(SAVI)等5种,上述各植被指数的计算公式参见表1,
表1基于红光与近红外波段的各植被指数的计算方法
注:ρR、ρNIR分别为红、近红外波段的反射率;S、I分别为土壤线的斜率与截距, S=1.07,I=0.06。
具体哪种植被指数能够更好的对棉花在生育关键期内的生长状态进行监控,前期通过对棉花在蕾期、铃期、吐絮期生长的3个关键期的5种植被指数(NDVI、DVI、RVI、 PVI、SAVI2)分别与棉花实际产量数据进行相关性分析后,得到了每个时期5种植被指数与实际产量的相关系数,参见表2,
参见表2,各指被指数与棉花实际产量的相关系数
由表2可知,归一化植被指数NDVI在棉花生长的每个时期均与棉花最终实际产量之间的相关系数最大,因此,基于上述研究,本实施例选择将归一化植被指数作为对棉花生长状态监测的指标。
由于棉花各时期的生长状态受到多种因素的影响,为了能够构建精准的估产模型,本实施例优选采集棉花不同生育期的NDVI数据进行模型构建和估产,如此不仅可以对棉花各个生长期的生长状态进行监控,而且可对棉花各个生长期的生长数据进行综合分析,避免使用某一特定生育期NDVI值对产量作用的差异引起估算误差,进而影响模型的估产精度。
2.2多时相NDVI数据的获取
在苗期、蕾期、铃期和吐絮期,也即5-9月份,通过无人机携带Red Edge-MX 5 通道多光谱相机获取样区内10次多光谱数据并计算出每一次多光谱数据对应的NDVI 指数图,共计获取10次(组)多时相NDVI指数图,参见图5;本实施例中,多光谱数据的获取次数优选但不限定为10次,具体根据实际需要设定,本实施例优选在5-9 月时间段每个月获取2次多光谱数据;本实施例中,无人机获取的多光谱数据的分辨率为0.9-1.1cm。
2.3多时相NDVI数据在棉花生长中的权重系数
2.3.1根据实验样区所在空间位置的矢量边界对10次NDVI指数图进行裁剪,也即利用该矢量边界对10次NDVI指数图分别进行裁剪进而得到40个试验区共计400 个2×2m的NDVI指数图,裁剪后每个试验区可有10组NDVI指数图,利用该10组 NDVI指数图计算每个试验区每组的NDVI指数均值ANDVI,具体计算公式为:其中,NDVIi表示试验区中每组NDVI指数图中每个像元的 NDVI值,m表示试验区中每组NDVI指数图中像元的个数;每个试验区计算可得到 10组NDVI指数均值结果,该10组NDVI指数均值结果包含棉花在苗期、蕾期、铃期和吐絮期的生长指数,也即在本实施例中,利用该10组NDVI指数均值结果可表示对应试验区内棉花的综合生长状态。
本实施例中,实验样区所在空间位置的矢量边界的获取方法包含:在拍摄前,分别在每个试验区的中心设置标记物,该标记物优选为一根2m长的花杆和放置在花杆顶端直径约为20cm的红色圆盘,图像拍摄后,在可见光遥感影像中找到每个标记物的位置,由于试验区的大小为2×2m,因此可基于标记物的中心分别向上下左右扩展 1m,如此便可得到实验样区的位置与矢量边界;本实施例中,经实验表明,利用该方法采集的地面数据与无人机数据的匹配精度要高于其他定位方式(手持GPS等)。
2.3.2将每个试验区内10组NDVI指数均值分别与40个试验区内棉花实际产量结果进行相关性分析,也即将400个NDVI指数均值分别与40个试验区内的棉花实际产量结果进行相关性分析,并将40个试验区处于相同获取时期的NDVI指数均值与棉花实际产量结果的相关系数取均值,最终得到棉花在苗期、蕾期、铃期和吐絮期(5-9月份) 共计10次的NDVI指数均值与试验区棉花实际产量的相关系数,本实施例中,通过计算得到10次NDVI指数均值分别与棉花实际产量的相关系数,参见表3,
表3 10次NDVI指数均值分别与棉花实际产量的相关系数
由表3可知,在第5次和第6获取的NDVI指数的均值与棉花实际产量的相关系数最大,根据棉花实际生长阶段可知,第5次和第6次采集的时间为棉花铃期,也即棉花铃期的NDVI与实际产量之间的相关性较大,而苗期、蕾期和吐絮期的相关性则相对较小;参见图6,为10次NDVI指数均值与棉花实际产量结果之间的相关线性图。
2.3.3将得到的10次相关系数进行归一化处理继而得到每次NDVI指数均值在棉花生长状态指数计算中的权重系数,具体地,将得到的10次相关系数求和,并用每一组的相关系数与相关系数之和进行比值运算,继而得到每组NDVI指数均值在棉花生长状态指数计算中的权重系数,具体计算公式为:
其中,xi为不同组NDVI指数均值在棉花生长状态指数计算中的权重系数,wi为不同组NDVI指数均值与棉花实际产量的相关系数值,N为10。
本实施例中,经计算,10次NDVI指数均值在棉花生长状态指数计算中的权重系数参见表4,
表4 10次NDVI指数均值分别与棉花实际产量的权重系数
式中,CNDVI表示综合NDVI指数,NDVIi表示不同次的NDVI指数结果,xi为不同次NDVI指数均值在棉花生长状态指数计算中的权重系数,N为10。
2.3.5先利用实验样区所在空间位置的矢量边界对综合NDVI指数图进行裁剪,得到40个试验区共计40个2×2m的综合NDVI指数图,然后获取每个试验区的综合NDVI 指数均值,该综合NDVI指数均值的计算公式为:其中, ACNDVI表示CNDVI指数均值,NDVIi表示每个试验区内CNDVI指数图中每个像元的CNDVI指数值,M表示每个试验区内CNDVI指数图中像元的个数。
将获取的每个试验区的综合NDVI指数平均值分别与对应试验区内单株棉花的平均成铃数进行相关分析和回归分析,得到以综合NDVI为自变量的单株棉花成铃数估算回归模型,该回归模型为:L=a×CNDVI+b,式中,L表示单株成铃数,a、b为模型系数,将该单株成铃数估算回归模型与实测的单个成铃的平均单铃重结合得到样区内单株棉花的预测产量模型,该模型为Y=L×W,式中,L表示单株成铃数(个),W 表示单个铃重(kg)。
本实施例中,样区内每株苗木的估算成铃数和单株预测产量的获取方法为:
选择ENVI软件中的波段运算,将上述计算的综合NDVI指数结果带入单株棉花成铃数估算回归模型就可得到整个样区的成铃数空间分布结果图,在图中,每个像元的值表示该位置单株棉花的估算成铃数,然后利用ArcGIS软件,将成铃数空间分布结果图作为底图,将提取的单株棉花苗在样区的空间位置图与成铃数空间分布结果图进行叠加,本实施例中,单株棉花苗在试验区的空间位置图为点要素,提取成铃数空间分布结果图中与每个点要素具有相同位置的像元值就可获取每株苗木的估算成铃数;将每株棉苗的估算成铃数与实测的试验区内单个成铃的平均单铃重计算即可得到单株棉花的预测产量。
本实施例中,通过采集样区棉花生长不同时期的多组NDVI能够准确地反映棉花在不同生长时期的生长状态,利用每个试验区内多组NVDI均值分别与试验区棉花实测产量进行拟合得到各组NDVI均值与棉花实测产量之间的权重系数,利用该权重系数计算出棉花在整个生长过程中的综合NDVI指数模型,获取每个试验区内综合NDVI 指数均值并分别与试验区实测的单株苗木平均成铃数进行相关分析,从而较为精准的获取每株棉花的预测成铃数,如此,大大提高了估产模型的准确性和普适性。
其中,T为吐絮系数,n为样区数量,h为每个样区已吐絮成铃数,z为样区总成铃数,L为比例系数,该比例系数L的计算方法为:L=W÷e,W为样区未吐絮棉铃的实测产量,e为样区单铃重量。
4、实测数据获取方法
在每个样区选择多个样点,也即在试验区和验证区分别选择多个样点,于棉花生长后期(棉花收获前3-5天)将样点内的棉花苗拔出,然后通过对样点内苗木的采摘以及计数从而获取每个样点对应的样区内的单株棉花的平均成铃数、单个成铃的平均单铃重、已吐絮成铃数、已吐絮成铃总铃重、已吐絮成铃单铃重量,未吐絮棉铃数、未吐絮棉铃总铃重、未吐絮棉铃单铃重量以及棉花实际产量。
四、模型构建
利用提取的样区内棉花苗总株数、单株棉花的预测产量模型以及棉花的吐絮系数模型创建基于棉花出苗量及成铃数的棉花产量估算模型,也即SENP(Seedling Emergenceand Number of Peaches)棉花估产模型为,该估产模型为:
式中,SENP代表某区域的棉花预测产量(kg),v代表某区域的棉花出苗总数量; C代表棉花苗(株)在某区域的空间位置,Y代表某区域单株棉花的预测产量(kg), T代表某区域棉花的吐絮系数,参见图7,为本实施例提供的SENP棉花产量估算模型构建方法流程图。
五、模型验证和结果分析
选取20个5×5m的样区作为验证区,利用验证区的实测数据对U-Net模型提取的单株棉花苗在样区的空间位置和棉花苗总株数的精度以及SENP棉花产量估算模型的估产结果的精度进行评估和验证,在对单株棉花苗在样区的空间位置和棉花苗总株数的精度进行评估时,选择精确率、召回率和F1值三个指标,该三个指标越接近100,则说明提取精度越高;在对SENP棉花产量估算模型的精度进行评估时,选取决定系数R2、均方根误差RMSE和相对误差ME三个指标来检验棉花产量估算模型的可靠性,R2取值越接近于1,说明拟合度越好,R2值越大,RMSE值越小表明预测能力越强,精度高且稳定性好。
经验证,U-Net模型通过深度学习后能够有效地将棉花苗信息从可见光遥感影像数据中提取出来,且精度较高,精确率、召回率、F1值分别达到了93.88%、97.87%、95.83%,因此,采用U-Net模型能够准确且高效的获取可见光遥感影像数据中的棉花苗信息,同时,经计算,估产的决定系数R2达到了0.92,均方根误差RMSE仅为6.04,相对误差ME仅为1.38%,因此,说明利用SENP模型估算的棉花产量准确度极高;进一步通过验证发现,该研究样区域的棉花产量相对较高,同时棉花的产量与长势存在一定的正相关关系,即长势好,则产量较高,符合实际生产情况,这也间接说明实验使用棉花长势进行估产的理论依据是可行的。
综上分析可知,本实施例采用无人机遥感技术,将从样区采集的棉花苗木信息(苗木位置信息和株数信息)作为模型构建参数之一,同时,构建样区吐絮系数模型,并在棉花生育关键期获取多组NDVI指数图,该多组NDVI指数图中包含棉花各生育期 (苗期、蕾期、、铃期、吐絮期)的指数,利用试验区内多组NDVI指数均值与试验区内棉花实测产量相关分析获取能够反映棉花在整个生育关键期生长状态的综合NDVI 指数模型,将每个试验区的综合NDVI指数均值与试验区单株棉花平均成铃数拟合分析获取单株棉花预估产量模型,最后将单株棉花预估产量模型、棉花苗木信息以及样区吐絮系数模型进行计算从而构建基于无人机影像的SENP棉花产量估算模型,利用该SENP棉花产量估算模型能够准确的反映某一区域的棉花产量,也即,该SENP棉花产量估算模型的精度十分可靠,相较于其他估产方法有较高的估产精度。
实施例2:
本实施例提供了一种棉花产量估算方法,该方法包含使用实施例1中所述的方法构建的模型来估算某区域的棉花产量。
以上所述的仅是本发明的实施例,方案中公知的常识在此未做过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明的前提下,还可以做出若干改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以权力要求的内容为准说明书中的具体实施方式等记载可以用于解释权力要求的内容。
Claims (10)
1.一种基于无人机影像的SENP棉花产量估算模型构建方法,其特征在于,包含以下步骤:
S1:选择多个样区,该样区包含试验区和验证区;
S2:在棉花出苗期,利用无人机获取样区高分辨率的可见光遥感影像数据,并将获取的可见光遥感影像数据输入U-Net模型以提取单株棉花苗在样区的空间位置图和棉花苗总株数;
S3:在棉花生育关键期,利用无人机获取样区内不同时期的多次多光谱数据并计算出每一次多光谱数据对应的NDVI指数图,获取每个试验区每一次的NDVI指数图并获取每一次NDVI指数图对应的NDVI指数均值,将每一次NDVI指数均值分别与实测的试验区棉花实际产量进行拟合分析得到棉花在生育关键期的综合NDVI指数;获取每个试验区的综合NDVI指数均值,并将每个试验区的综合NDVI指数取均值后分别与实测的对应试验区单株棉花的平均成铃数进行相关分析和回归分析得到以综合NDVI指数为自变量的单株成铃数估算回归模型,将该单株成铃数估算回归模型与实测的单个成铃的平均单铃重结合得到样区内单株棉花的预测产量模型;
其中,T为吐絮系数,n为样区数量,h为每个样区已吐絮成铃数,z为样区总成铃数,L为比例系数,该比例系数L的计算方法为:L=W÷e,W为样区未吐絮棉铃的实测产量,e为样区单铃均值重量;
S5:利用S2中提取的样区内棉花苗总株数、S3中单株棉花的预测产量模型以及S4中棉花的吐絮系数模型创建SENP棉花产量估算模型。
2.如权利要求1所述的基于无人机影像的SENP棉花产量估算模型构建方法,其特征在于,在步骤S2中,利用U-Net模型提取单株棉花苗在样区的空间位置图和棉花苗总株数的过程包含训练阶段和计算阶段,
训练阶段包含将获取的所有可见光遥感影像数据和设置的真实标签组成训练样本输入U-Net模型中进行特征深度学习,得到预测概率分布图,然后采用交叉熵函数衡量计算结果与真实标签之间的损失值,采用Adam优化算法以缩小损失值为目标,不断迭代更新U-Net模型中的超级参数直至损失值缩小至给定的阈值范围内则训练结束,得到最优的U-Net模型;
计算阶段包含利用已训练好的U-Net模型对待处理的单株棉花苗在样区的空间位置和棉花苗总株数进行获取,得到最终结果。
3.如权利要求1所述的基于无人机影像的SENP棉花产量估算模型构建方法,其特征在于,在步骤S3中,获取每个试验区每一次的NDVI指数图,并根据NDVI指数图获取对应的NDVI指数均值后分别与实测的试验区棉花实际产量进行拟合分析得到棉花在生育关键期的综合NDVI指数的步骤包含:
S41:根据实验样区所在空间位置的矢量边界对多个NDVI指数图进行裁剪,得到每个试验区多组NDVI指数图,根据多组NDVI指数图可计算出每个试验区每组NDVI指数图对应的NDVI指数均值,具体计算方式为:
其中,ANDVI表示NDVI指数均值,NDVIi表示试验区中每组NDVI指数图中每个像元的NDVI值,m表示试验区中每组NDVI指数图中像元的个数;
S42:将每个试验区每组NDVI指数均值与实测的试验区棉花实际产量之间进行相关分析,得到棉花在生育关键期的多组NDVI指数均值与棉花实际产量的相关系数,将得到的多组相关系数进行归一化处理继而得到每组NDVI指数均值在棉花生长状态指数计算中的权重系数,具体计算方式为:其中,xi为不同组NDVI指数均值在棉花生长状态指数计算中的权重系数,wi为不同组NDVI指数均值与棉花实际产量的相关系数值,N为多光谱数据的采集次数;
S43:将采集的每次NDVI指数与其对应的权重系数进行乘积,然后将多个乘积加权求和即可得到棉花在生育关键期的综合NDVI指数,具体计算公式为:
式中,CNDVI表示综合NDVI指数,NDVIi表示不同次的NDVI指数结果,xi为不同组NDVI指数均值在棉花生长状态指数计算中的权重系数,N为为多光谱数据的采集次数。
4.如权利要求1所述的基于无人机影像的SENP棉花产量估算模型构建方法,其特征在于,在步骤S3中,在获取每个试验区的综合NDVI指数取平均值之前,利用实验样区所在空间位置的矢量边界对综合NDVI指数图进行裁剪,得到每个试验区的综合NDVI指数图。
5.如权利要求3或4所述的基于无人机影像的SENP棉花产量估算模型构建方法,其特征在于,实验样区所在空间位置的矢量边界的获取方法包含:在拍摄前,分别在每个试验区的中心设置标记物,图像拍摄后,在可见光遥感影像中找到每个标记物的位置,并基于标记物的中心分别向上下左右扩展一定距离,该扩展距离根据实验样区的大小确定,如此便可得到实验样区的位置与矢量边界。
6.如权利要求1所述的基于无人机影像的SENP棉花产量估算模型构建方法,其特征在于,利用验证区的实测数据对U-Net模型提取的单株棉花苗在样区的空间位置和棉花苗总株数的精度以及SENP棉花产量估算模型的估产结果的精度进行评估和验证,在对单株棉花苗在样区的空间位置和棉花苗总株数的精度进行评估验证时,选择精确率、召回率和F1值三个指标,该三个指标越接近100,则说明提取精度越高;在对SENP棉花产量估算模型的精度进行评估时,选取决定系数R2、均方根误差RMSE和相对误差ME三个指标来检验棉花产量估算模型的可靠性,R2取值越接近于1,说明拟合度越好,R2值越大,RMSE值越小表明预测能力越强,精度高且稳定性好。
7.如权利要求1-4任一项所述的基于无人机影像的SENP棉花产量估算模型构建方法,其特征在于,在步骤S3中,所述棉花生育关键期包含苗期、蕾期、铃期和吐絮期。
8.如权利要求5所述的基于无人机影像的SENP棉花产量估算模型构建方法,其特征在于,在步骤S3中,所述棉花生育关键期包含苗期、蕾期、铃期和吐絮期。
9.如权利要求6所述的基于无人机影像的SENP棉花产量估算模型构建方法,其特征在于,在步骤S3中,所述棉花生育关键期包含苗期、蕾期、铃期和吐絮期。
10.一种棉花产量估算方法,其特征在于,包括利用权利要求1-9任一项所述的方法构建的模型来估算某区域的棉花产值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010043187.9A CN111275567B (zh) | 2020-01-15 | 2020-01-15 | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010043187.9A CN111275567B (zh) | 2020-01-15 | 2020-01-15 | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275567A true CN111275567A (zh) | 2020-06-12 |
CN111275567B CN111275567B (zh) | 2022-04-29 |
Family
ID=71001579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010043187.9A Active CN111275567B (zh) | 2020-01-15 | 2020-01-15 | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275567B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705937A (zh) * | 2021-10-27 | 2021-11-26 | 武汉大学 | 联合机器视觉与作物模型的作物估产方法 |
CN115294448A (zh) * | 2022-07-18 | 2022-11-04 | 北京爱科农科技有限公司 | 一种农作物育种小区苗数计数方法、装置及系统 |
CN115753758A (zh) * | 2022-10-28 | 2023-03-07 | 中国农业大学 | 基于无人机多光谱预测棉田吐絮率的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130139277A1 (en) * | 2011-03-07 | 2013-05-30 | Syngenta Participations Ag | Agricultural business applications and methods of use |
CN106485345A (zh) * | 2016-09-06 | 2017-03-08 | 西北农林科技大学 | 棉花全生育期冠层spad值遥感估算及估算模型构建方法 |
CN107832655A (zh) * | 2017-02-21 | 2018-03-23 | 石河子大学 | 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 |
-
2020
- 2020-01-15 CN CN202010043187.9A patent/CN111275567B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130139277A1 (en) * | 2011-03-07 | 2013-05-30 | Syngenta Participations Ag | Agricultural business applications and methods of use |
CN106485345A (zh) * | 2016-09-06 | 2017-03-08 | 西北农林科技大学 | 棉花全生育期冠层spad值遥感估算及估算模型构建方法 |
CN107832655A (zh) * | 2017-02-21 | 2018-03-23 | 石河子大学 | 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 |
Non-Patent Citations (5)
Title |
---|
DALEZIOS N R: ""Cotton yield estimation based on NOAA/AVHRR produced NDVI"", 《PHYSICS & CHEMISTRY OF THE EARTH 》 * |
LINGHUA MENG: ""Cotton Yield Estimation Model Based on Fusion Image from MODIS and Landsat Data"", 《IEEE》 * |
程乙峰: ""新疆北疆棉花遥感估产模型研究"", 《中国优秀硕士论文电子期刊网》 * |
郭鹏等: ""基于无人机可见光遥感的棉花"", 《新疆农业科学》 * |
高中灵: ""基于时间序列 NDVI相似性分析的棉花估产"", 《农业工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705937A (zh) * | 2021-10-27 | 2021-11-26 | 武汉大学 | 联合机器视觉与作物模型的作物估产方法 |
CN115294448A (zh) * | 2022-07-18 | 2022-11-04 | 北京爱科农科技有限公司 | 一种农作物育种小区苗数计数方法、装置及系统 |
CN115753758A (zh) * | 2022-10-28 | 2023-03-07 | 中国农业大学 | 基于无人机多光谱预测棉田吐絮率的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111275567B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shanmugapriya et al. | Applications of remote sensing in agriculture-A Review | |
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 | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
Shao et al. | Rice monitoring and production estimation using multitemporal RADARSAT | |
CN107273820B (zh) | 一种土地覆盖遥感分类方法及系统 | |
Bégué et al. | Spatio-temporal variability of sugarcane fields and recommendations for yield forecast using NDVI | |
Johnson | Temporal stability of an NDVI‐LAI relationship in a Napa Valley vineyard | |
CN111275567B (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
CN110472184A (zh) | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 | |
CN106600434A (zh) | 基于作物模型与同化技术的作物长势遥感监测方法 | |
CN111209871B (zh) | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 | |
CN109740570B (zh) | 一种基于地形指数和物候差异的梯田遥感识别方法 | |
CN115950838B (zh) | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 | |
CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
CN116308866B (zh) | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 | |
CN110309969A (zh) | 基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法 | |
CN107273797B (zh) | 基于水体指数变异系数的水稻亚像元识别方法 | |
Zhang et al. | Evaluating maize evapotranspiration using high-resolution UAV-based imagery and FAO-56 dual crop coefficient approach | |
CN114299393A (zh) | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 | |
CN114694020B (zh) | 一种棉花蚜虫遥感预报模型的构建方法 | |
Stoyanova et al. | Unmanned drone multispectral imaging for assessment of wheat and oilseed rape habitus. | |
Peng et al. | Remote sensing monitoring of tobacco field based on phenological characteristics and time series image—A case study of Chengjiang County, Yunnan Province, China | |
Zafar et al. | Crop type mapping by integrating satellite data and crop calendar over Okara District, Punjab (Pakistan) | |
Machado et al. | Stress conditions in soybean areas based on measurements of soil-plant-atmosphere system and UAV images | |
Sbahi et al. | Evaluation of the Efficiency of Agricultural Production in the Pivotal Farms Utilizing Remote Sensing Techniques |
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 |