CN111798327A - 基于高光谱影像的小麦产量计算模型的构建方法及其应用 - Google Patents
基于高光谱影像的小麦产量计算模型的构建方法及其应用 Download PDFInfo
- Publication number
- CN111798327A CN111798327A CN202010590387.6A CN202010590387A CN111798327A CN 111798327 A CN111798327 A CN 111798327A CN 202010590387 A CN202010590387 A CN 202010590387A CN 111798327 A CN111798327 A CN 111798327A
- Authority
- CN
- China
- Prior art keywords
- wheat
- sample
- image
- yield
- hyperspectral
- 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.)
- Pending
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 174
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 174
- 238000004364 calculation method Methods 0.000 title claims abstract description 40
- 238000010276 construction Methods 0.000 title description 3
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 26
- 230000005855 radiation Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 15
- 238000002310 reflectometry Methods 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 9
- 210000005069 ears Anatomy 0.000 claims description 9
- 241001024327 Oenanthe <Aves> Species 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 101150021453 ARI1 gene Proteins 0.000 claims description 2
- 101150107506 ARIH2 gene Proteins 0.000 claims description 2
- 102100038513 E3 ubiquitin-protein ligase ARIH2 Human genes 0.000 claims description 2
- 102100037250 EP300-interacting inhibitor of differentiation 1 Human genes 0.000 claims description 2
- 102100037245 EP300-interacting inhibitor of differentiation 2 Human genes 0.000 claims description 2
- 241000828585 Gari Species 0.000 claims description 2
- 101000881670 Homo sapiens EP300-interacting inhibitor of differentiation 1 Proteins 0.000 claims description 2
- 101000881675 Homo sapiens EP300-interacting inhibitor of differentiation 2 Proteins 0.000 claims description 2
- 101000882194 Homo sapiens Protein FAM71F2 Proteins 0.000 claims description 2
- 102100039014 Protein FAM71F2 Human genes 0.000 claims description 2
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 2
- 101150076105 ari-2 gene Proteins 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 101150009632 prx2 gene Proteins 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 206010033307 Overweight Diseases 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 240000005373 Panax quinquefolius Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000011440 grout Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明特别涉及一种基于高光谱影像的小麦产量计算模型的构建方法,包括如下步骤:A、拍摄实验麦田的高光谱图像;B、对麦田高光谱图像进行预处理得到训练集和测试集;C计算样本特征值;D、人工计算样本的小麦产量;E、将训练集的特征值和对应的小麦产量输入随机森林算法中进行训练,得到每种特征的权重系数,选取最优特征组合;F、将训练集的最优特征组合和对应的小麦产量代入进行训练即可得到小麦产量计算模型;本发明还公开了利用该模型计算小麦产量的方法。以高光谱波段以及植被指数来作为样本的特征值,这些特征值能很好地作为小麦产量评估依据;利用随机森林算法挑选最优特征组合,可以大幅减少后期小麦产量计算量和处理速度,并且计算结果的精确度也能够得到保证。
Description
技术领域
本发明涉及农业自动化技术领域,特别涉及一种基于高光谱影像的小麦产量计算模型的构建方法及其应用。
背景技术
小麦作为我国三大粮食作物之一,其产量关乎着国计民生,是国家经济正常发展的基石。国家统计局的数据显示,2019年小麦产量达到13106万吨(2621亿斤),同比增长2.1%,而播种面积为22984千公顷(34477万亩),同比下降1.8%。这主要是国家正全面推动深化农村改革的“以科技驱动农业,逐步引导中国农业进入数字化、自动化时代”政策有关。即利用新一代信息技术对小麦生产中的产量进行监测,以期利用有限的耕地资源实现最大粮食产出的目的,满足新时期下因经济发展、人口上升所带来的巨大小麦产量需求。
遥感技术作为一种行之有效的地球观测技术,具有尺度大、效率高、无损伤等优点,被广泛地应用于各种精准农业相关课题研究。目前,遥感技术按空间尺度的不同可分为卫星遥感、航空遥感、无人机遥感、近地遥感。卫星遥感以卫星为监测平台,覆盖范围极广、监测尺度极大,但是易受天气影响,若监测地区有云层、浓雾遮挡,则部分传感器不能很好地获取到有效信息,而且卫星遥感具有固定的回访周期,不能保证即时即刻获取数据;航空遥感灵活性较高,且具备一定的抗天气影响能力,而且监测尺度大小也能随需求做出相应改变,但是其部署成本较高,具有一定风险性;近地遥感能获取到高分辨率的数据,但是一般仅能做到“点”上的监测,无法快速便捷地做到“面”上的监测;无人机遥感以无人机为平台,具有极大的灵活性和安全性,获取的数据具有分辨率高、时效快、不受云层影响等优点,近年来已逐渐成为作物长势监测、农情分析的热门手段。利用无人机遥感技术进行作物产量反演的任务中,通常使用线性回归算法和偏最小二乘回归算法来建立模型,这些模型的计算精度不高。
发明内容
本发明的首要目的在于提供一种基于高光谱影像的小麦产量计算模型的构建方法,能够快速的构建出小麦产量计算模型,且得到的模型计算精度高。
为实现以上目的,本发明采用的技术方案为:一种基于高光谱影像的小麦产量计算模型的构建方法,包括如下步骤:A、通过无人机拍摄实验麦田的高光谱图像;B、对麦田高光谱图像进行预处理得到感兴趣区域后进行处理得到样本,并将样本按一定比例分成训练集和测试集;C、根据样本的高光谱图像计算样本的特征值,特征值为样本区域在不同波段的光谱反射率或利用不同波段光谱反射率计算得到的植被指数;D、人工计算样本的小麦产量;E、将训练集的特征值和对应的小麦产量输入随机森林算法中进行训练,得到每种特征的权重系数,选取最优特征组合;F、利用线性回归算法、偏最小二乘回归算法、支持向量机算法、决策树算法、随机森林算法、梯度提升树算法中的任一种,将训练集的最优特征组合和对应的小麦产量代入进行训练即可得到小麦产量计算模型。
与现有技术相比,本发明存在以下技术效果:通过原始图像不同波段的光谱反射率或利用不同波段光谱反射率计算得到的植被指数来作为样本的特征值,这些特征值能很好地作为小麦产量评估依据;同时,利用随机森林算法对训练集进行初步训练,可以得到每种特征值的权重系数,再根据权重系数挑选最优特征组合,可以大幅减少后期小麦产量计算量和处理速度,并且计算结果的精确度也能够得到保证。
本发明的另一个目的在于提供一种小麦产量计算方法,可以准确的计算小麦产量。
为实现以上目的,本发明采用的技术方案为:一种小麦产量计算方法,包括如下步骤:S1、通过无人机拍摄待测麦田的高光谱图像;S2、对待测麦田的高光谱图像进行剪裁得到待测麦田区块的高光谱图像;S3、根据待测麦田区块的高光谱图像中每个像素点在不同波段的光谱反射率得到特征值;S4、将待测麦田区块高光谱图像中所有像素点的特征值代入模型中计算得到该像素点对应的产量;S5、对所有像素点的产量求取平均值即可得到该麦田的小麦产量;所述步骤S4中的模型按前述步骤A-F构建得到。
与现有技术相比,本发明存在以下技术效果:根据构建好的模型,将待测麦田进行预处理得到感兴趣区域,然后直接利用模型对感兴趣区域进行产量计算,这样就可以计算出待测麦田中的产量分布,从而可以方便的计算出待测麦田中小麦的产量,模型事先可根据实验田块构建好,这里只需要将图像预处理后代入模型中即可方便的计算得出,处理速度非常快。
附图说明
图1是步骤B41中麦田区域的高光谱图像;
图2是步骤B42的示意图,其中第一行第一列是人工标记获得,其他部分是自动处理获得;
图3是步骤B43的示意图;
图4是本发明实施例一中波段权重系数图;
图5是本发明实施例一中小麦测试样本的产量实测值与不同模型的预测值关系图,这里是以最优波段组合作为特征值、以六种不同算法分别建立模型;
图6是本发明实施例二中植被指数权重系数图;
图7是本发明实施例二中小麦测试样本的产量实测值与不同模型的预测值关系图,这里是以最优植被指数组合作为特征值、以六种不同算法分别建立模型;
图8是本发明实施例三中小麦测试样本的产量实测值与不同模型的预测值关系图,这里是以不同组合的特征值、以梯度提升树算法分别建立模型;
图9是小麦产量反演图。
具体实施方式
下面结合图1至图9,对本发明做进一步详细叙述。
本发明公开了一种基于高光谱影像的小麦产量计算模型的构建方法,包括如下步骤:A、通过无人机拍摄实验麦田的高光谱图像;B、对麦田高光谱图像进行预处理得到感兴趣区域后进行处理得到样本,并将样本按一定比例分成训练集和测试集,这个比例可以根据需要进行设置,本发明中具体地,按照3:1的比例将样本随机分为训练集和测试集;C、根据样本的高光谱图像计算样本的特征值,特征值为样本区域在不同波段的光谱反射率或利用不同波段光谱反射率计算得到的植被指数;D、人工计算样本的小麦产量;E、将训练集的特征值和对应的小麦产量输入随机森林算法中进行训练,得到每种特征的权重系数,选取最优特征组合;F、利用线性回归算法、偏最小二乘回归算法、支持向量机算法、决策树算法、随机森林算法、梯度提升树算法中的任一种,将训练集的最优特征组合和对应的小麦产量代入进行训练即可得到小麦产量计算模型。通过原始图像不同波段的光谱反射率或利用不同波段光谱反射率计算得到的植被指数来作为样本的特征值,这些特征值能很好地作为小麦产量评估依据;同时,利用随机森林算法对训练集进行初步训练,可以得到每种特征值的权重系数,再根据权重系数挑选最优特征组合,可以大幅减少后期小麦产量计算量和处理速度,并且计算结果的精确度也能够得到保证。
进一步地,所述的步骤A中,无人机拍摄的高光谱图像包括CUB文件和JPG文件,所拍摄的田块上布设有像控点,步骤B包括如下步骤:B1、对无人机拍摄的高光谱图像进行辐射校正用于校正原始影像固有的辐射畸变;由于无人机搭载的传感器系统的稳定性以及无人机在飞行时不可控的天气状况,获取得到的影像会存在一定的辐射畸变,因此需要对影像进行辐射校正以校正原始影像固有的辐射畸变,可以采用“白板定标法”进行高光谱影像的辐射校正。B2、对辐射校正后的高光谱图像拼接得到一副完整的高光谱大图;B3、根据像控点坐标对高光谱大图进行几何校正,像控点坐标通过全球导航卫星系统定位得到;B4、对高光谱大图进行剪裁得到样本。辐射校正以后,再进行拼接、几何校正以及剪裁即可方便的得到样本。
由于无人机在飞行过程中会受到风速、风向等因素影响造成航迹偏移,以及自身所带GPS精度较低,使得最后的成图会有一定的几何畸变以及地理坐标偏移问题,因此需要在拼接过程中引入像控点进行几何校正。本发明中,通过在无人机成像过程中于田块四个方位角布设像控点,利用TRIMBLE R2高精度RTK动态GNSS测量系统确定像控点坐标,并在影像拼接流程中的生成正射影像步骤前导入像控点坐标信息,便于Photoscan软件自动对影像进行几何校正。校正完毕后的图像中,我们就可以执行剪裁步骤。
对于高光谱图像,其包含信息较多、文件量较大,且其格式(CUB+JPG)并不能直接导入Photoscan软件进行影像拼接,因此需要进行额外的格式转换处理。故本发明中进一步地,所述的步骤B2中,按如下步骤进行影像拼接:B21、将辐射校正后的高光谱图像转换为BSQ数据格式,生成CUE/HDR格式的文件;B22、将其进一步转换成JPG格式;B23、对原始数据的全色影像进行拼接;B24、将全色影像替换为步骤B22中生成的JPG文件;B25、重新生成正射影像并导出。在上述高光谱图像拼接流程中,由于步骤B22生成的JPG文件大小通常为200MB以上,若直接对其进行影像拼接操作,则需要花费极大量的时间与硬件资源,因此先对全色影像(文件大小为40KB左右)进行拼接,生成3D网格模型后统一进行文件替换,进而重建正射影像,即可节省大量时间与硬件资源。
为了更方便的剪裁得到样本,这里进一步地,所述的步骤B4中,包括如下步骤:B41、人工剪裁出麦田区域,该麦田区域由多行、多列麦田区块构成,麦田区域中的小麦品种有多个。为了保证获取的数据的有效性与完整性,无人机的航迹需额外覆盖到研究区的周边地区,经过影像拼接生成的完整影像也包括了一部分研究区的外延部分,出于后续数据处理效率的考虑,需要对影像拼接和几何校正生成的完整影像进行影像裁剪处理,之所以剪裁出多行多列的麦田区块,是为了方便下一步处理,图1即为感兴趣区域(即Region ofInterest,ROI),这里之所以使用彩色图像,是因为只有彩色图像才能清晰的示意图不同波段的差异。
参阅图2,由于小区之间的田畦与田畦沟大小并不是完全一致,需要人工辅助生成ROI。具体地,B32、人工标记麦田区域中第一行、第一列中麦田区块,再根据第一行和第一列的麦田区块坐标自动推算出其他行列麦田区块的坐标。图2中,第一行及第一列(即白色ROI部分)为人工标记而得,利用白色ROI的坐标,计算除第一行第一列以外的各行各列的ROI(即黑色ROI部分)与第一行第一列的ROI的距离差,进而推算出黑色ROI的坐标,从而完成选取感兴趣区域这一数据处理步骤。
参阅图3,进一步地,为了得到更多的样本构成训练集和测试集,这里进一步地,B34、将每个麦田区块等比例分成多行多列得到麦田子区块,每个麦田子区块即一个样本,这个行列数可以根据实际需要来进行设定。
植被指数通过两个或多个光谱之间的数学变换计算而来,主要用于度量植被的某些特性如长势、含水量、墒情等,并能够在时域及空域对不同植被间的某些特性进行交叉比对,是精准农业领域一项强有力的工具。本发明中,可以采用不同波段的光谱反射率来作为特征值,也可以根据这些波段的光谱反射率计算植被指数来作为特征值。
本发明中优选地,所述的步骤C中,样本的特征值包括99个波段的光谱反射率,波段范围为458~850nm且光谱间隔为4nm,即以{R458、R462、R464、…、R846、R850}作为特征值,其中R458表示该样本区域波长为458nm处的平均光谱反射率值。
进一步地,所述的步骤C中,样本的特征值为99个波段计算得出的40种植被指数NDVI、GNDVI、RVI、NDWI、DVI、PVI、SAVI、MSAVI2、ARVI、EVI、GARI、GDVI、GRVI、IPVI、LAI、MNLI、MSR、NLI、OSAVI、RDVI、SR、VARI、MCARI、MTVI、RENDVI、TCARI、TVI、VREI1、VREI2、PRI、PSRI、ARI1、ARI2、CRI1、CRI2、CARI、HNDVI、MTCI、PSNDa、PSNDb,以上植被指数是通过如下公式计算得到的:
为了实现模型的训练,样本的输出值即这里的小麦产量我们必须要知道。本发明中具体地,所述的步骤D中,小麦产量按如下步骤计算得到:D1、统计样本某一区域或整个区域中麦穗数量L并计算所统计区域的面积S;D2、随机挑选多个麦穗进行脱粒,统计麦穗上的穗粒数N;D3、将多个麦穗上脱下的籽粒混匀后分成多份,每份有X粒籽粒,统计各份籽粒并求平均值得到每份籽粒的重量M;D4、样本的小麦产量按如下公式计算得到:产量=(L×N×M)/(X×S)。这里通过数对麦穗数量、麦穗上的籽粒数以及籽粒重量等多种参数进行测量,然后通过简单的运算即可得到较为准确的小麦产量。
参阅图4和图6,进一步地,所述的步骤E中,按如下步骤选取最优特征组合:E1、将所有特征按照权重系数从大到小进行排序;E2、按照排序挑选前若干个特征使得这些特征的权重系数之和大于设定阈值;E3、满足步骤E2条件的若干个特征即最优特征组合。比如,本案实施例一中,我们对99个波段特征值的权重系数进行了计算,得到如图4所示的权重系数图,然后我们计算占比较大的特征值的权重之和,假设设定值为95%,那么我们应该从大到小逐个挑选特征,使得所挑选的特征的权重之和为95%。不同产地、不同的小麦品种,可能计算出的特征权重排序不一样,只要根据上述步骤就可以选择出合适的最优特征组合。利用最优特征组合去构建模型,可以避免特征冗余并节省计算量。本案实施例二中,我们对40个光谱植被指数的权重系数进行了计算并排序,得到如图6所示的权重系数图,排序后,我们直接从左向右逐个挑选加入最优特征组合,直至所挑选的特征权重之后为95%就停止挑选,因而排序更有利于特征的挑选。
参阅图5和图7,所述的步骤F中,包括如下步骤:F1、将训练集的最优特征组合以及小麦产量分别利用线性回归算法、偏最小二乘回归算法、支持向量机算法(即SVM)、决策树算法、随机森林算法、梯度提升树算法(即GBRT)建立六个模型;F2、根据测试集的数据,按如下公式计算六个模型的决定系数R2或均方根误差RMSE:
其中,fi为第i个样本的预测值,为因变量均值;F3、取六个模型中决定系数R2最接近1的那个模型或取六个模型中均方根误差RMSE值最小的那个模型作为最终模型。这里通过采用常见的算法,根据数据集构建多个模型,然后通过对模型的评估来挑选出最佳的模型,这样构建出的模型计算小麦产量更准确。
图5是本实施例一中所测得数据,从图中我们可以看出,线性回归算法和偏最小二乘回归算法的决定系数最低,精度劣于其他的算法,SVM算法在本发明中仍然取得了相对较好的结果,且随机森林和GBRT算法优于单纯的决策树算法。此外,由于本发明中特征量较多,基于Boosting原则的GBRT算法能有效地降低Bias(偏差),使得模型的拟合能力得到进一步增强,因此效果最佳,决定系数达到了0.82,RMSE为205.55,而基于Bagging原则的随机森林算法在拟合能力上较之GBRT算法要稍逊一筹,因此随机森林模型的精度要低于GBRT的,决定系数为0.79,RMSE为218.27。综上可见,GBRT算法最适合进行高光谱波段特征下小麦产量计算模型的构建。
图7是本实施例二中所测得数据,从图中我们可以看出,GBRT算法的决定系数最高,达到了0.87,RMSE最低,为172.51,可见高光谱植被指数为输入变量时,基于Boosting原则的GBRT算法仍然最适合进行小麦产量反演模型的建立。
本发明中还提供了实施例三,在前述研究的基础上,分别对高光谱全波段输入、优选36波段输入、高权重3波段输入、高光谱全部40种植被指数输入、优选23个植被指数输入、高权重的3个植被指数输入共6种情况,并基于GBRT算法进行小麦产量反演模型的构建,对比不同输入情况下的影响,结果如图8所示。可以发现优选的36个波段和23种植被指数所建立的模型均优于其它的,证实了优选的波段组合和植被指数组合的总体有效信息要好于全部的波段组合和植被指数组合,且要好于简单的3波段组合和3种植被指数组合,说明了优选的波段组合和植被指数组合在保证信息完整性的同时避免了信息冗余的干扰。此外,基于植被指数建立的模型的性能明显优于基于波段建立的模型的性能,可见由波段计算而来的植被指数所包含的信息质量要优于单波段的。
以上各种模型之间的优劣,是在案具体实施例中的计算结果,不具有普适性,不同地区、不同品种的小麦采用上述步骤可能挑选出不同的最优特征组合。以上三个实施例,只是提供一种小麦产量计算模型的构建思路,按以上思路即可构建出最优的小麦产量计算模型,从而能够准确的对小麦产量进行计算。
本发明还公开了一种小麦产量计算方法,包括如下步骤:S1、通过无人机拍摄待测麦田的高光谱图像;S2、对待测麦田的高光谱图像进行剪裁得到待测麦田区块的高光谱图像;S3、根据待测麦田区块的高光谱图像中每个像素点在不同波段的光谱反射率得到特征值;S4、将待测麦田区块高光谱图像中所有像素点的特征值代入模型中计算得到该像素点对应的产量;S5、对所有像素点的产量求取平均值即可得到该麦田的小麦产量;所述步骤S4中的模型按前述步骤A-F构建。根据构建好的模型,将待测麦田进行预处理得到感兴趣区域,然后直接利用模型对感兴趣区域进行产量计算,这样就可以计算出待测麦田中的产量分布,从而可以方便的计算出待测麦田中小麦的产量,模型事先可根据实验田块构建好,这里只需要将图像预处理后代入模型中即可方便的计算得出,处理速度非常快。
进一步地,所述的步骤S1和步骤A中拍摄的是麦田的灌浆期图像。之所以采用灌浆期的图像,是因为:当小麦处于灌浆期时,小麦群体的叶面积最大、光合作用最强,裸土面积最小,而且灌浆期无人机图像提取的特征最为稳定,因此,能充分有效地计算小麦产量。扬花期小麦群体的密度比灌浆期低、叶面积较小,裸土面积较大,导致扬花期无人机图像提取的特征干扰因素增多,不能充分有效地体现小麦自身特征,因此模型精度低于灌浆期的。当小麦处于成熟期时,小麦叶片变黄后植株间空隙加大导致群体裸土面积增加,不同小麦品种冠层的群体特征差异较小,因此模型计算精度最差。
所述的步骤A-F按照前面优选方案进行,步骤B43中将新的麦田区块等比例分成三行三列得到麦田子区块;所述的步骤F中,我们直接利用梯度提升树算法进行训练得到小麦产量计算模型。
选择上述最佳的模型,对2019年度白湖农场拍摄的灌浆期高光谱影像进行产量反演填图,结果如图9所示。小麦产量反演图中不同小区的产量同样表现出明显的不均一性,而且产量高区域基本集中在小区中部附近,这是由于小麦种植生长过程中具有“边际效应”,由于水分、肥力的流失,造成了田畦边界处的小麦营养不良的现象,最终导致了田畦边界处的小麦产量低于田畦中心区域的小麦产量。图中不同颜色对应不同的产量,颜色较亮的区域对应了高产量区,颜色较暗的区域对应低产量区,如第1行第8列、第2行第6列、第3行第9列均为显著高亮区域,分别对应宁麦13号(实测产量为6294.71kg/hm2)、生选6号(实测产量为6094.73kg/hm2)、生选6号(实测产量为6094.73kg/hm2);第1行第3列、第2行第2列、第3s行第6列均为较暗区域,分别对应扬麦9号(实测产量为5194.66kg/hm2)、扬麦19号(实测产量为4877.98kg/hm2)、扬麦22号(实测产量为4939.09kg/hm2),上述数据充分说明了小麦产量计算的准确性。
Claims (10)
1.一种基于高光谱影像的小麦产量计算模型的构建方法,其特征在于:包括如下步骤:
A、通过无人机拍摄实验麦田的高光谱图像;
B、对麦田高光谱图像进行预处理得到感兴趣区域后进行处理得到样本,并将样本按一定比例分成训练集和测试集;
C、根据样本的高光谱图像计算样本的特征值,特征值为样本区域在不同波段的光谱反射率或利用不同波段光谱反射率计算得到的植被指数;
D、人工计算样本的小麦产量;
E、将训练集的特征值和对应的小麦产量输入随机森林算法中进行训练,得到每种特征的权重系数,选取最优特征组合;
F、利用线性回归算法、偏最小二乘回归算法、支持向量机算法、决策树算法、随机森林算法、梯度提升树算法中的任一种,将训练集的最优特征组合和对应的小麦产量代入进行训练即可得到小麦产量计算模型。
2.如权利要求1所述的基于高光谱影像的小麦产量计算模型的构建方法,其特征在于:所述的步骤A中,无人机拍摄的高光谱图像包括CUB文件和JPG文件,所拍摄的田块上布设有像控点,步骤B包括如下步骤:
B1、对无人机拍摄的高光谱图像进行辐射校正用于校正原始影像固有的辐射畸变;
B2、对辐射校正后的高光谱图像拼接得到一副完整的高光谱大图;
B3、根据像控点坐标对高光谱大图进行几何校正,像控点坐标通过全球导航卫星系统定位得到;
B4、对高光谱大图进行剪裁得到样本。
3.如权利要求2所述的基于高光谱影像的小麦产量计算模型的构建方法,其特征在于:所述的步骤B2中,按如下步骤进行影像拼接:
B21、将辐射校正后的高光谱图像转换为BSQ数据格式,生成CUE/HDR格式的文件;
B22、将其进一步转换成JPG格式;
B23、对原始数据的全色影像进行拼接;
B24、将全色影像替换为步骤B22中生成的JPG文件;
B25、重新生成正射影像并导出。
4.如权利要求3所述的基于高光谱影像的小麦产量计算模型的构建方法,其特征在于:所述的步骤B4中,包括如下步骤:
B41、人工剪裁出麦田区域,该麦田区域由多行、多列麦田区块构成,麦田区域中的小麦品种有多个;
B42、人工标记麦田区域中第一行、第一列中麦田区块,再根据第一行和第一列的麦田区块坐标自动推算出其他行列麦田区块的坐标;
B43、将每个麦田区块等比例分成多行多列得到麦田子区块,每个麦田子区块即一个样本。
5.如权利要求1-4任一项所述的基于高光谱影像的小麦产量计算模型的构建方法,其特征在于:所述的步骤C中,样本的特征值包括99个波段的光谱反射率,波段范围为458~850nm且光谱间隔为4nm。
6.如权利要求5所述的基于高光谱影像的小麦产量计算模型的构建方法,其特征在于:所述的步骤C中,样本的特征值为99个波段计算得出的40种植被指数NDVI、GNDVI、RVI、NDWI、DVI、PVI、SAVI、MSAVI2、ARVI、EVI、GARI、GDVI、GRVI、IPVI、LAI、MNLI、MSR、NLI、OSAVI、RDVI、SR、VARI、MCARI、MTVI、RENDVI、TCARI、TVI、VREI1、VREI2、PRI、PSRI、ARI1、ARI2、CRI1、CRI2、CARI、HNDVI、MTCI、PSNDa、PSNDb。
7.如权利要求1-4任一项所述的基于高光谱影像的小麦产量计算模型的构建方法,其特征在于:所述的步骤D中,小麦产量按如下步骤计算得到:
D1、统计样本某一区域或整个区域中麦穗数量L并计算所统计区域的面积S;
D2、随机挑选多个麦穗进行脱粒,统计麦穗上的穗粒数N;
D3、将多个麦穗上脱下的籽粒混匀后分成多份,每份有X粒籽粒,统计各份籽粒并求平均值得到每份籽粒的重量M;
D4、样本的小麦产量按如下公式计算得到:产量=(L×N×M)/(X×S)。
8.如权利要求1-4任一项所述的基于高光谱影像的小麦产量计算模型的构建方法,其特征在于:所述的步骤E中,按如下步骤选取最优特征组合:
E1、将所有特征按照权重系数从大到小进行排序;
E2、按照排序挑选前若干个特征使得这些特征的权重系数之和大于设定阈值;
E3、满足步骤E2条件的若干个特征即最优特征组合;
所述的步骤F中,包括如下步骤:
F1、将训练集的最优特征组合以及小麦产量分别利用线性回归算法、偏最小二乘回归算法、支持向量机算法、决策树算法、随机森林算法、梯度提升树算法建立六个模型;
F2、根据测试集的数据,按如下公式计算六个模型的决定系数R2或均方根误差RMSE:
F3、取六个模型中决定系数R2最接近1的那个模型或取六个模型中均方根误差RMSE值最小的那个模型作为最终模型。
9.一种小麦产量计算方法,其特征在于:包括如下步骤:
S1、通过无人机拍摄待测麦田的高光谱图像;
S2、对待测麦田的高光谱图像进行剪裁得到待测麦田区块的高光谱图像;
S3、根据待测麦田区块的高光谱图像中每个像素点在不同波段的光谱反射率得到特征值;
S4、将待测麦田区块高光谱图像中所有像素点的特征值代入模型中计算得到该像素点对应的产量;
S5、对所有像素点的产量求取平均值即可得到该麦田的小麦产量;
所述步骤S4中的模型按如下步骤构建得到:
A、通过无人机拍摄实验麦田的高光谱图像;
B、对麦田高光谱图像进行预处理得到感兴趣区域后进行处理得到样本,并将样本按一定比例分成训练集和测试集;
C、根据样本的高光谱图像计算样本的特征值,特征值为样本区域在不同波段的光谱反射率或利用不同波段光谱反射率计算得到的植被指数;
D、人工计算样本的小麦产量;
E、将训练集的特征值和对应的小麦产量输入随机森林算法中进行训练,得到每种特征的权重系数,选取最优特征组合;
F、利用线性回归算法、偏最小二乘回归算法、支持向量机算法、决策树算法、随机森林算法、梯度提升树算法中的任一种,将训练集的最优特征组合和对应的小麦产量代入进行训练即可得到小麦产量计算模型。
10.如权利要求9所述的小麦产量计算方法,其特征在于:所述的步骤S1和步骤A中拍摄的是麦田的灌浆期图像;
所述的步骤A中,无人机拍摄的高光谱图像包括CUB文件和JPG文件,所拍摄的田块上布设有像控点;
所述的步骤B中,包括如下步骤:B1、对无人机拍摄的高光谱图像进行辐射校正用于校正原始影像固有的辐射畸变;B21、将辐射校正后的高光谱图像转换为BSQ数据格式,生成CUE/HDR格式的文件;B22、将其进一步转换成JPG格式;B23、对原始数据的全色影像进行拼接;B24、将全色影像替换为步骤B22中生成的JPG文件;B25、重新生成正射影像并导出;B3、根据像控点坐标对高光谱大图进行几何校正,像控点坐标通过全球导航卫星系统定位得到;B41、人工剪裁出麦田区域,该麦田区域由多行、多列麦田区块构成,麦田区域中的小麦品种有多个;B42、人工标记麦田区域中第一行、第一列中麦田区块,再根据第一行和第一列的麦田区块坐标自动推算出其他行列麦田区块的坐标;B43、将每个麦田区块等比例分成多行多列得到麦田子区块,每个麦田子区块即一个样本;
所述的步骤C中,样本的特征值为99个波段的光谱反射率,波段范围为458~850nm且光谱间隔为4nm;或者样本的特征值为99个波段计算得出的40种植被指数;
所述的步骤D中,小麦产量按如下步骤计算得到:D1、统计样本某一区域或整个区域中麦穗数量L并计算所统计区域的面积S;D2、随机挑选多个麦穗进行脱粒,统计麦穗上的穗粒数N;D3、将多个麦穗上脱下的籽粒混匀后分成多份,每份有X粒籽粒,统计各份籽粒并求平均值得到每份籽粒的重量M;D4、样本的小麦产量按如下公式计算得到:产量=(L×N×M)/(X×S);
所述的步骤E中,按如下步骤选取最优特征组合:E1、将所有特征按照权重系数从大到小进行排序;E2、按照排序挑选前若干个特征使得这些特征的权重系数之和大于95%;E3、满足步骤E2条件的若干个特征即最优特征组合;
所述的步骤F中,利用梯度提升树算法进行训练得到小麦产量计算模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010590387.6A CN111798327A (zh) | 2020-06-24 | 2020-06-24 | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010590387.6A CN111798327A (zh) | 2020-06-24 | 2020-06-24 | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798327A true CN111798327A (zh) | 2020-10-20 |
Family
ID=72803694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010590387.6A Pending CN111798327A (zh) | 2020-06-24 | 2020-06-24 | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798327A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112161938A (zh) * | 2020-11-05 | 2021-01-01 | 江西省农业科学院作物研究所 | 一种基于高光谱技术测定油菜产量的方法 |
CN113063742A (zh) * | 2021-03-24 | 2021-07-02 | 和数科技(浙江)有限公司 | 一种植被生物量测量方法、系统、存储介质及终端 |
CN113743819A (zh) * | 2021-09-15 | 2021-12-03 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
CN113901966A (zh) * | 2021-12-07 | 2022-01-07 | 武汉光谷信息技术股份有限公司 | 一种融合多源地理信息数据的农作物分类方法 |
CN114119536A (zh) * | 2021-11-22 | 2022-03-01 | 河南省农业科学院农业经济与信息研究所 | 基于云平台技术的作物氮含量快速监测与诊断方法 |
CN114264620A (zh) * | 2021-11-24 | 2022-04-01 | 淮阴工学院 | 一种基于python语言的便捷式光谱数据分析系统和方法 |
CN114441457A (zh) * | 2022-02-08 | 2022-05-06 | 南京农业大学 | 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法 |
CN116563706A (zh) * | 2023-05-08 | 2023-08-08 | 哈尔滨工业大学 | 一种针对多光谱图像反射率多特征的作物产量估计方法 |
WO2024019632A1 (ru) * | 2022-07-22 | 2024-01-25 | Публичное Акционерное Общество "Сбербанк России" | Устройство и способ определения урожайности сельскохозяйственных культур |
CN116579446B (zh) * | 2022-11-28 | 2024-03-26 | 中国科学院地理科学与资源研究所 | 一种利用表型特征估算高精度小麦籽粒产量的方法 |
WO2024061160A1 (zh) * | 2022-09-20 | 2024-03-28 | 中国水利水电科学研究院 | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 |
WO2024085780A1 (ru) * | 2022-10-17 | 2024-04-25 | Публичное Акционерное Общество "Сбербанк России" | Устройство и способ определения видов сельскохозяйственных культур |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502283A (zh) * | 2014-12-15 | 2015-04-08 | 南京农业大学 | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 |
CN107796764A (zh) * | 2016-09-05 | 2018-03-13 | 南京农业大学 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
US20180293671A1 (en) * | 2015-03-27 | 2018-10-11 | Omniearth, Inc. | System and method for predicting crop yield |
CN110398466A (zh) * | 2019-08-05 | 2019-11-01 | 北京绿土科技有限公司 | 基于遥感反演的农作物生长状态监测方法 |
CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
-
2020
- 2020-06-24 CN CN202010590387.6A patent/CN111798327A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502283A (zh) * | 2014-12-15 | 2015-04-08 | 南京农业大学 | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 |
US20180293671A1 (en) * | 2015-03-27 | 2018-10-11 | Omniearth, Inc. | System and method for predicting crop yield |
CN107796764A (zh) * | 2016-09-05 | 2018-03-13 | 南京农业大学 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
CN110398466A (zh) * | 2019-08-05 | 2019-11-01 | 北京绿土科技有限公司 | 基于遥感反演的农作物生长状态监测方法 |
CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
Non-Patent Citations (3)
Title |
---|
刘小辉: "基于无人机影像的小麦叶绿素含量及产量定反演研究", 《中国优秀硕士学位论文全文数据库(工程科技II辑)》 * |
王浩: "面向遥感影像的水域提取算法研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
赵晓庆等: "基于无人机载高光谱空间尺度优化的大豆育种产量估算", 《农业工程学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112161938A (zh) * | 2020-11-05 | 2021-01-01 | 江西省农业科学院作物研究所 | 一种基于高光谱技术测定油菜产量的方法 |
CN113063742A (zh) * | 2021-03-24 | 2021-07-02 | 和数科技(浙江)有限公司 | 一种植被生物量测量方法、系统、存储介质及终端 |
CN113743819A (zh) * | 2021-09-15 | 2021-12-03 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
CN113743819B (zh) * | 2021-09-15 | 2024-03-26 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
CN114119536B (zh) * | 2021-11-22 | 2023-07-04 | 河南省农业科学院农业经济与信息研究所 | 基于云平台技术的作物氮含量快速监测与诊断方法 |
CN114119536A (zh) * | 2021-11-22 | 2022-03-01 | 河南省农业科学院农业经济与信息研究所 | 基于云平台技术的作物氮含量快速监测与诊断方法 |
CN114264620A (zh) * | 2021-11-24 | 2022-04-01 | 淮阴工学院 | 一种基于python语言的便捷式光谱数据分析系统和方法 |
CN113901966A (zh) * | 2021-12-07 | 2022-01-07 | 武汉光谷信息技术股份有限公司 | 一种融合多源地理信息数据的农作物分类方法 |
CN113901966B (zh) * | 2021-12-07 | 2022-03-11 | 武汉光谷信息技术股份有限公司 | 一种融合多源地理信息数据的农作物分类方法 |
CN114441457B (zh) * | 2022-02-08 | 2022-11-22 | 南京农业大学 | 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法 |
CN114441457A (zh) * | 2022-02-08 | 2022-05-06 | 南京农业大学 | 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法 |
WO2024019632A1 (ru) * | 2022-07-22 | 2024-01-25 | Публичное Акционерное Общество "Сбербанк России" | Устройство и способ определения урожайности сельскохозяйственных культур |
WO2024061160A1 (zh) * | 2022-09-20 | 2024-03-28 | 中国水利水电科学研究院 | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 |
WO2024085780A1 (ru) * | 2022-10-17 | 2024-04-25 | Публичное Акционерное Общество "Сбербанк России" | Устройство и способ определения видов сельскохозяйственных культур |
CN116579446B (zh) * | 2022-11-28 | 2024-03-26 | 中国科学院地理科学与资源研究所 | 一种利用表型特征估算高精度小麦籽粒产量的方法 |
CN116563706A (zh) * | 2023-05-08 | 2023-08-08 | 哈尔滨工业大学 | 一种针对多光谱图像反射率多特征的作物产量估计方法 |
CN116563706B (zh) * | 2023-05-08 | 2024-05-17 | 哈尔滨工业大学 | 一种针对多光谱图像反射率多特征的作物产量估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798327A (zh) | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 | |
Jin et al. | Deep neural network algorithm for estimating maize biomass based on simulated Sentinel 2A vegetation indices and leaf area index | |
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
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 | |
CN105678281B (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
Betbeder et al. | Assimilation of LAI and dry biomass data from optical and SAR images into an agro-meteorological model to estimate soybean yield | |
CN106780079B (zh) | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 | |
CN112711989B (zh) | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 | |
CN110927082A (zh) | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 | |
CN105372672B (zh) | 基于时间序列数据的南方冬种作物种植面积提取方法 | |
CN111462223B (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
CN108918820B (zh) | 获取耕地土壤盐渍化程度等级分布的方法和装置 | |
CN109522929A (zh) | 一种基于多源图像融合的自然环境下麦田杂草识别方法 | |
CN114612794B (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
Yu et al. | Deep convolutional neural networks for estimating maize above-ground biomass using multi-source UAV images: A comparison with traditional machine learning algorithms | |
CN109977991A (zh) | 基于高清卫星遥感的林业资源采集方法 | |
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 | |
CN112380980A (zh) | 一种人工龙竹林lai遥感估测最佳尺度选择方法 | |
CN116229289A (zh) | 一种基于无人机的冬小麦生物量快速高精准估测方法 | |
CN113205014A (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
CN105678280B (zh) | 基于纹理特征的地膜覆盖农田遥感监测方法 | |
CN113435574A (zh) | 一种卷积神经网络土壤速效钾分析模型构建系统及方法 | |
CN117876870A (zh) | 一种基于多源遥感数据的农作物估产的方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201020 |
|
RJ01 | Rejection of invention patent application after publication |