CN111783538B - 小麦生物量的遥感估算方法、装置、电子设备及存储介质 - Google Patents
小麦生物量的遥感估算方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111783538B CN111783538B CN202010475902.6A CN202010475902A CN111783538B CN 111783538 B CN111783538 B CN 111783538B CN 202010475902 A CN202010475902 A CN 202010475902A CN 111783538 B CN111783538 B CN 111783538B
- Authority
- CN
- China
- Prior art keywords
- biomass
- wheat
- growth period
- estimated
- period
- 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
- 239000002028 Biomass Substances 0.000 title claims abstract description 133
- 241000209140 Triticum Species 0.000 title claims abstract description 64
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000035558 fertility Effects 0.000 claims abstract description 40
- 238000002310 reflectometry Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 12
- 235000013339 cereals Nutrition 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 238000009395 breeding Methods 0.000 description 5
- 230000001488 breeding effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000004035 Cryptotaenia japonica Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 102000007641 Trefoil Factors Human genes 0.000 description 1
- 235000015724 Trifolium pratense Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000010252 digital analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015816 nutrient absorption Nutrition 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种小麦生物量的遥感估算方法、装置、电子设备及存储介质,该方法包括:获取待估算区域的生育时期类别,并获取待估算区域的植被指数;将生育时期类别的编码和植被指数,输入预设的全生育时期生物量反演模型,输出待估算区域的生物量;其中,全生育时期生物量反演模型,是将小麦所有生育时期类别的编码和对应的植被指数作为自变量,将已知的生物量作为应变量,进行线性拟合得到。该方法能适用于各自生育时期,在使用过程中无需不同的时期构建不同的模型,避免了模型太多并且不方便程序化的问题,也无需考虑除遥感信息以外的高分辨率影像,能够大面积推广。该方法仅需考虑遥感植被指数和生育时期作为输入,具有高效性和便利性。
Description
技术领域
本发明涉及农作物检测领域,尤其涉及一种小麦生物量的遥感估算方法、装置、电子设备及存储介质。
背景技术
小麦是世界上最重要的粮食作物之一,在粮食生产中具有重要的地位。特别是随着全球人口的增长和气候变化的影响,实时的掌握产量的动态,实现小麦产量稳产增产,对保证粮食供应具有重要价值。生物量是冬小麦长势的重要群体指标,快速、无损和准确监测作物生物量对于小麦产量预测和及时的智能化管理有着重要的意义。
目前,遥感技术进行作物、森林、草地等生物量的估测进行了大量研究。最初的研究是构建与生物量的相关性较高的植被指数进行生物量模型的构建。例如,提取归一化植被指数构建草地生物量的线性关系模型,实现草地生物量的估算。这些指数在单一生育时期与生物量的相关性较好,但是在不同生育时期的植被指数与生物量没有统一的模型,造成在应用过程中通常是每个生育时期给出相应的生物量模型。另外,相关学者通过引入与生物量相关的因子,比如株高、纹理特征来综合构建模型,尽量实现不同生育时期的生物量模型反演。例如,基于无人机多光谱影像的水稻地上部生物量估测方法,利用获取的无人机多光谱提取综合植被指数和纹理指数估测水稻生物量。一定程度上提高了模型反演精度和几个生育时期的适用性,但是在测量过程中同时需要考虑使用高分辨率的图像信息来提取纹理特征或者需要高精度的地面表层模型来提取准确的株高,增加了估算过程的复杂性。特别在大尺度应用时,很难提供配套的高分辨率影像与株高等结构信息。
发明内容
为了解决上述问题,本发明实施例提供一种小麦生物量的遥感估算方法、装置、电子设备及存储介质。
第一方面,本发明实施例提供一种小麦生物量的遥感估算方法,包括:获取待估算区域的生育时期类别,并获取待估算区域的植被指数;将所述生育时期类别的编码和所述植被指数,输入预设的全生育时期生物量反演模型,输出待估算区域的生物量;其中,所述全生育时期生物量反演模型,是将小麦所有生育时期类别的编码和对应的植被指数作为自变量,将已知的生物量作为应变量,进行线性拟合得到。
进一步地,所述获取待估算区域的生育时期类别之前,还包括:对于每个生育时期,通过试验获取样本区域的小麦生物量,并获取每个生育时期的作物冠层光谱数据,得到植被指数;基于试验获取的生物量和植被指数,构建各个生育时期的生物量线性关系模型;根据各个生育时期的生物量线性关系模型的系数,构建全生育时期生物量反演模型的系数模型;根据所述系数模型,以及各个生育时期的植被指数,构建所述全生育时期生物量反演模型。
进一步地,所述获取待估算区域的生育时期类别之前,还包括:根据禾谷类作物国际表示法,对小麦各生育时期进行分类和编码。
进一步地,所述植被指数为改进比值植被指数。
进一步地,所述获取待估算区域的植被指数,包括:
MSR=(R800/R670-1)/sqrt(R800/R670+1);
或:
MSR=(Nir/Red-1)/sqrt(Nir/Red+1);
其中,MSR为改进比值植被指数;R800为波段800nm的反射率;R670为波段670nm的反射率;Nir为近红外波段反射率;Red为红波段反射率。
进一步地,所述获取每个生育时期的作物冠层光谱数据之后,还包括:对所述光谱数据进行预处理。
第二方面,本发明实施例提供一种小麦生物量的遥感估算装置,包括:获取模块,用于获取待估算区域的生育时期类别,并获取待估算区域的植被指数;处理模块,用于将所述生育时期类别的编码和所述植被指数,输入预设的全生育时期生物量反演模型,输出待估算区域的生物量;其中,所述全生育时期生物量反演模型,是将小麦所有生育时期类别的编码和对应的植被指数作为自变量,将已知的生物量作为应变量,进行线性拟合得到。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现本发明第一方面小麦生物量的遥感估算方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明第一方面小麦生物量的遥感估算方法的步骤。
本发明实施例提供的小麦生物量的遥感估算方法、装置、电子设备及存储介质,全生育时期生物量反演模型,是将小麦所有生育时期类别的编码和对应的植被指数作为自变量,将已知的生物量作为应变量,进行线性拟合得到,能适用于各自生育时期,在使用过程中无需不同的时期构建不同的模型,避免了模型太多并且不方便程序化的问题,也无需考虑除遥感信息以外的高分辨率影像,能够大面积推广。该方法仅需考虑遥感植被指数和生育时期作为输入,便可以准确估算生物量,具有高效性和便利性。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的小麦生物量的遥感估算方法流程图;
图2为本发明另一实施例提供的小麦生物量的遥感估算方法流程图;
图3为本发明实施例构建的zs分别与k和b的回归模型示意图;
图4为本发明实施例提供的小麦生物量的遥感估算装置结构图;
图5为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
生物量是冬小麦长势的重要群体评价指标,是光合作用及养分吸收的直接表现,也是产量预测的最重要指标。但目前基于遥感构建的模型多数以生育时期单独建模,无法保证模型在生长期内的扩展。本发明实施例以冬小麦为例进行说明,但是该方法同样适用于其他作物(如玉米、水稻、油菜等)的生物量估测。
图1为本发明实施例提供的小麦生物量的遥感估算方法流程图,如图1所示,本发明实施例提供一种小麦生物量的遥感估算方法,包括:
101、获取待估算区域的生育时期类别,并获取待估算区域的植被指数。
在田间生物量和冠层光谱数据获取过程中,先确定待估算区域小麦的生育时期。例如,整个冬小麦的各个生育时期包括:出苗期、三叶期、分叶期、返青期、起身期、拔节期、挑旗期、抽穗期、开花期、灌浆期和成熟期,然后进行编码,用于后期生物量遥感模型的数字化分析。于此同时,可基于现有遥感平台和传感器,获得待估算区域的作物冠层光谱信息,以此获得植被指数。
102、将生育时期类别的编码和植被指数,输入预设的全生育时期生物量反演模型,输出待估算区域的生物量;其中,全生育时期生物量反演模型,是将小麦所有生育时期类别的编码和对应的植被指数作为自变量,将已知的生物量作为应变量,进行线性拟合得到。
在使用模型进行检测之前,获取所有生育时期的生物量数据和对应的植被指数,再对不同的生育时期进行编码,便于模型计算。通过不同的生育时期的,已知生物量作为应变量,植被指数和生育时期的编码作为自变量,进行线性拟合,得到预设的全生育时期生物量反演模型。如根据常规的线性函数y=ax+b进行拟合,将生物量作为应变量y,植被指数作为自变量x,生育时期的编码对应不同a和b。对于待估算区域,将获取的生育时期类别转换为编码,结合植被指数,输入全生育时期生物量反演模型,便可得到对应的生物量值。
本发明实施例提供的小麦生物量的遥感估算方法,全生育时期生物量反演模型,是将小麦所有生育时期类别的编码和对应的植被指数作为自变量,将已知的生物量作为应变量,进行线性拟合得到,能适用于各自生育时期,在使用过程中无需不同的时期构建不同的模型,避免了模型太多并且不方便程序化的问题,也无需考虑除遥感信息以外的高分辨率影像,能够大面积推广。该方法仅需考虑遥感植被指数和生育时期作为输入,便可以准确估算生物量,具有高效性和便利性。
基于上述实施例的内容,作为一种可选实施例,获取待估算区域的生育时期类别之前,还包括:根据禾谷类作物国际表示法,对小麦各生育时期进行分类和编码。
本实施例中,根据禾谷类作物国际表示法(Zadoks,简称zs),对生育时期进行分类并且赋予编码值。表1示出了禾谷类作物生育时期Zadoks表示法,具体参见表1,以下均以此作为生育时期类别进行说明。
表1
基于上述实施例的内容,作为一种可选实施例,植被指数为改进比值植被指数。
基于上述实施例的内容,作为一种可选实施例,获取待估算区域的植被指数,包括:
MSR=(R800/R670-1)/sqrt(R800/R670+1);
或:
MSR=(Nir/Red-1)/sqrt(Nir/Red+1);
其中,MSR为改进比值植被指数;R800为波段800nm的反射率;R670为波段670nm的反射率;Nir为近红外波段反射率;Red为红波段反射率。
在小麦生物量模型构建过程中,计算与生物量具有较高相关性的植被指数,例如归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)和改进比值植被指数(MSR)等。本实施例中,通过实测验证数据进行进一步优选,最终选择与生物量相关性最高的植被指数进行下一步建模,最终选择MSR进行全生育时期生物量模型构建,从而能有效提高估算结果的准确性。
基于上述实施例的内容,作为一种可选实施例,获取待估算区域的生育时期类别之前,还包括:对于每个生育时期,通过试验获取样本区域的小麦生物量,并获取每个生育时期的作物冠层光谱数据,得到植被指数;基于试验获取的生物量和植被指数,构建各个生育时期的生物量线性关系模型;根据各个生育时期的生物量线性关系模型的系数,构建全生育时期生物量反演模型的系数模型;根据系数模型,以及各个生育时期的植被指数,构建全生育时期生物量反演模型。
本实施例主要为全生育时期生物量反演模型的一种建立过程。
图2为本发明另一实施例提供的小麦生物量的遥感估算方法流程图,如图2所示。首先,样本区域的生物量作为模型构建时的已知量,通过试验方式获得(即田间生物量取样),同时获取植被指数。该实施例中还加入了遥感信息的预处理过程,可参加下述预处理实施例,植被指数值选取EVI,即MSR为EVI值。对于每个生育时期,均获得生物量和植被指数,用于全生育时期生物量反演模型的构建。
例如,在田间调查单位面积(S,如1m2)内的冬小麦株数(拔节期及以前)或茎数(挑旗期及以后)N,然后破坏性取样n株/茎(如30),带回实验室置于烘箱内杀青、烘干和称重得到样本的干重W(单位g),最后根据干物重、调查面积和株/茎数换算的样本区域的地上部分的生物量(AGB,kg/ha):
AGB=W×N/n/S×10
其次,不同生育时期生物量反演模型构建,基于试验获取的生物量和植被指数数据,构建各个生育时期的生物量线性关系模型:
AGB=k×MSR+b
其中,AGB为冬小麦生物量;MSR为改进比值植被指数;k为冬小麦zs生育时期构建的生物量模型的斜率;b为冬小麦zs生育时期构建的生物量模型的截距,
模型系数在生育时期的变化规律:分析不同生育时期与生物量反演模型的系数的关系,分别构建模型系数的回归模型:
k=f1(zs)
b=f2(zs)
其中,k为冬小麦zs生育时期构建的生物量模型的斜率;b为冬小麦ZS生育时期构建的生物量模型的截距;zs为冬小麦生育时期的Zadoks国际表示法的编码。图3为本发明实施例构建的zs分别与k和b的回归模型示意图,zs分别与k和b的相关性很高,构建的回归模型精度高。
最后,整合为以植被指数(MSR)和生育周期(zs)为输入的适用于全生育期的生物量反演模型:
AGB=f1(zs)×MSR+f2(zs)
基于上述实施例的内容,作为一种可选实施例,获取每个生育时期的作物冠层光谱数据之后,还包括:对光谱数据进行预处理。
获取作物冠层光谱数据之后,进行光谱信息的预处理。如卫星影像数据的获取需要进行辐射定标、大气校正及正射校正等;无人机影像数据需要进行影像拼接、地理坐标系加载、大气校正及正射校正等。通过对光谱数据进行预处理,能够提高获取的植被指数的准确度,从而提高估算的生物量的精度。
本发明实施例,能够提供一种生育时期和遥感信息为输入的精度高、普适性好、易推广的生物量估算模型。
图4为本发明实施例提供的小麦生物量的遥感估算装置结构图,如图4所示,该小麦生物量的遥感估算装置包括:获取模块401和处理模块402。其中,获取模块401用于获取待估算区域的生育时期类别,并获取待估算区域的植被指数;处理模块402用于将生育时期类别的编码和植被指数,输入预设的全生育时期生物量反演模型,输出待估算区域的生物量;其中,全生育时期生物量反演模型,是将小麦所有生育时期类别的编码和对应的植被指数作为自变量,将已知的生物量作为应变量,进行线性拟合得到。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的,具体流程和详细内容请参照上述方法实施例,此处不再赘述。
本发明实施例提供的小麦生物量的遥感估算装置,全生育时期生物量反演模型,是将小麦所有生育时期类别的编码和对应的植被指数作为自变量,将已知的生物量作为应变量,进行线性拟合得到,能适用于各自生育时期,在使用过程中无需不同的时期构建不同的模型,避免了模型太多并且不方便程序化的问题,也无需考虑除遥感信息以外的高分辨率影像,能够大面积推广。该方法仅需考虑遥感植被指数和生育时期作为输入,便可以准确估算生物量,具有高效性和便利性。
图5为本发明实施例提供的一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和总线504,其中,处理器501,通信接口502,存储器503通过总线504完成相互间的通信。通信接口502可以用于电子设备的信息传输。处理器501可以调用存储器503中的逻辑指令,以执行包括如下的方法:获取待估算区域的生育时期类别,并获取待估算区域的植被指数;将生育时期类别的编码和植被指数,输入预设的全生育时期生物量反演模型,输出待估算区域的生物量;其中,全生育时期生物量反演模型,是将小麦所有生育时期类别的编码和对应的植被指数作为自变量,将已知的生物量作为应变量,进行线性拟合得到。
此外,上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取待估算区域的生育时期类别,并获取待估算区域的植被指数;将生育时期类别的编码和植被指数,输入预设的全生育时期生物量反演模型,输出待估算区域的生物量;其中,全生育时期生物量反演模型,是将小麦所有生育时期类别的编码和对应的植被指数作为自变量,将已知的生物量作为应变量,进行线性拟合得到。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种小麦生物量的遥感估算方法,其特征在于,包括:
获取待估算区域的生育时期类别,并获取待估算区域的植被指数;
将所述生育时期类别的编码和所述植被指数,输入预设的全生育时期生物量反演模型,输出待估算区域的生物量;
其中,所述全生育时期生物量反演模型,是将小麦所有生育时期类别的编码和对应的植被指数作为自变量,将已知的生物量作为应变量,进行线性拟合得到;
所述植被指数为改进比值植被指数;
所述获取待估算区域的植被指数,包括:
MSR=(R800/R670-1)/sqrt(R800/R670+1);
或:
MSR=(Nir/Red-1)/sqrt(Nir/Red+1);
其中,MSR为改进比值植被指数;R800为波段800nm的反射率;R670为波段670nm的反射率;Nir为近红外波段反射率;Red为红波段反射率。
2.根据权利要求1所述的小麦生物量的遥感估算方法,其特征在于,所述获取待估算区域的生育时期类别之前,还包括:
对于每个生育时期,通过试验获取样本区域的小麦生物量,并获取每个生育时期的作物冠层光谱数据,得到植被指数;
基于试验获取的生物量和植被指数,构建各个生育时期的生物量线性关系模型;
根据各个生育时期的生物量线性关系模型的系数,构建全生育时期生物量反演模型的系数模型;
根据所述系数模型,以及各个生育时期的植被指数,构建所述全生育时期生物量反演模型。
3.根据权利要求1所述的小麦生物量的遥感估算方法,其特征在于,所述获取待估算区域的生育时期类别之前,还包括:
根据禾谷类作物国际表示法,对小麦各生育时期进行分类和编码。
4.根据权利要求2所述的小麦生物量的遥感估算方法,其特征在于,所述获取每个生育时期的作物冠层光谱数据之后,还包括:
对所述光谱数据进行预处理。
5.一种小麦生物量的遥感估算装置,其特征在于,包括:
获取模块,用于获取待估算区域的生育时期类别,并获取待估算区域的植被指数;
处理模块,用于将所述生育时期类别的编码和所述植被指数,输入预设的全生育时期生物量反演模型,输出待估算区域的生物量;
其中,所述全生育时期生物量反演模型,是将小麦所有生育时期类别的编码和对应的植被指数作为自变量,将已知的生物量作为应变量,进行线性拟合得到;
所述植被指数为改进比值植被指数;
所述获取模块获取所述待估算区域的植被指数的步骤,包括:
MSR=(R800/R670-1)/sqrt(R800/R670+1);
或:
MSR=(Nir/Red-1)/sqrt(Nir/Red+1);
其中,MSR为改进比值植被指数;R800为波段800nm的反射率;R670为波段670nm的反射率;Nir为近红外波段反射率;Red为红波段反射率。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述小麦生物量的遥感估算方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述小麦生物量的遥感估算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475902.6A CN111783538B (zh) | 2020-05-29 | 2020-05-29 | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475902.6A CN111783538B (zh) | 2020-05-29 | 2020-05-29 | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783538A CN111783538A (zh) | 2020-10-16 |
CN111783538B true CN111783538B (zh) | 2023-12-08 |
Family
ID=72753938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010475902.6A Active CN111783538B (zh) | 2020-05-29 | 2020-05-29 | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783538B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346120B (zh) * | 2022-08-16 | 2023-06-20 | 中国科学院空天信息创新研究院 | 一种草地地上生物量及其固碳量遥感估算方法 |
CN116629453B (zh) * | 2023-07-18 | 2023-10-24 | 山东科技大学 | 一种适用于作物全生育时期的遥感估产方法 |
CN116735538B (zh) * | 2023-08-15 | 2024-05-24 | 山东科技大学 | 一种基于氮素分配模型的作物氮素累积量遥感预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102162850A (zh) * | 2010-04-12 | 2011-08-24 | 江苏省农业科学院 | 基于模型的小麦产量遥感监测预报方法 |
CN102650587A (zh) * | 2012-05-11 | 2012-08-29 | 中国农业大学 | 基于sebal-hj模型的农作物生物量反演方法 |
CN106203673A (zh) * | 2016-06-23 | 2016-12-07 | 北京农业信息技术研究中心 | 考虑水分胁迫的农作物生物量遥感估算方法 |
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
CN109508693A (zh) * | 2018-12-10 | 2019-03-22 | 浙江大学 | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 |
CN109948596A (zh) * | 2019-04-26 | 2019-06-28 | 电子科技大学 | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10586105B2 (en) * | 2016-12-30 | 2020-03-10 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
-
2020
- 2020-05-29 CN CN202010475902.6A patent/CN111783538B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102162850A (zh) * | 2010-04-12 | 2011-08-24 | 江苏省农业科学院 | 基于模型的小麦产量遥感监测预报方法 |
CN102650587A (zh) * | 2012-05-11 | 2012-08-29 | 中国农业大学 | 基于sebal-hj模型的农作物生物量反演方法 |
CN106203673A (zh) * | 2016-06-23 | 2016-12-07 | 北京农业信息技术研究中心 | 考虑水分胁迫的农作物生物量遥感估算方法 |
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
CN109508693A (zh) * | 2018-12-10 | 2019-03-22 | 浙江大学 | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 |
CN109948596A (zh) * | 2019-04-26 | 2019-06-28 | 电子科技大学 | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 |
Non-Patent Citations (4)
Title |
---|
Estimate of winter-wheat above-ground biomass based on UAV ultrahigh- ground-resolution image textures and vegetation indices;Jibo Yue 等;《ISPRS Journal of Photogrammetry and Remote Sensing》;第150卷;226-244 * |
基于无人机高光谱长势指标的冬小麦长势监测;陶惠林 等;《农业机械学报》;第51卷(第2期);180-191 * |
基于综合指标的冬小麦长势无人机遥感监测;裴浩杰 等;《农业工程学报》;第33卷(第20期);74-82 * |
小麦生物量及产量与无人机图像特征参数的相关性;杨俊 等;《农业工程学报》;第35卷(第23期);104-110 * |
Also Published As
Publication number | Publication date |
---|---|
CN111783538A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | Deep neural network algorithm for estimating maize biomass based on simulated Sentinel 2A vegetation indices and leaf area index | |
Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
CN111783538B (zh) | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 | |
CN109459392B (zh) | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 | |
CN108985588B (zh) | 一种农作物单产遥感估算方法、装置与系统 | |
CN110287944B (zh) | 基于深度学习的多光谱遥感影像的农作物虫害监测方法 | |
Li et al. | Principal variable selection to explain grain yield variation in winter wheat from features extracted from UAV imagery | |
CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
CN110579186B (zh) | 基于逆高斯过程反演叶面积指数的农作物长势监测方法 | |
CN111044516B (zh) | 一种水稻叶绿素含量遥感估测方法 | |
Wang et al. | Winter wheat chlorophyll content retrieval based on machine learning using in situ hyperspectral data | |
CN113268923A (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
CN114821362A (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN112557393A (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
Chivasa et al. | Phenology-based discrimination of maize (Zea mays L.) varieties using multitemporal hyperspectral data | |
CN114219847A (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
Wang et al. | Estimation of rice aboveground biomass by combining canopy spectral reflectance and unmanned aerial vehicle-based red green blue imagery data | |
Fei et al. | Bayesian model averaging to improve the yield prediction in wheat breeding trials | |
CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
CN115479902A (zh) | 基于波长的叶绿素含量测定模型构建方法及其系统 | |
Yuan et al. | Research on rice leaf area index estimation based on fusion of texture and spectral information | |
CN114460015A (zh) | 一种用于预测寒地水稻冠层叶绿素含量的方法及模型 | |
CN113743819A (zh) | 农作物估产的方法、装置、电子设备及存储介质 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 1107, block a, Nongke building, No. 11, Shuguang garden middle road, Haidian District, Beijing, 100097 Patentee after: Information technology research center of Beijing Academy of agricultural and Forestry Sciences Address before: 1107, block a, Nongke building, No. 11, Shuguang garden middle road, Haidian District, Beijing, 100097 Patentee before: BEIJING RESEARCH CENTER FOR INFORMATION TECHNOLOGY IN AGRICULTURE |