CN111815014A - 一种基于无人机低空遥感信息的作物产量预测方法及系统 - Google Patents
一种基于无人机低空遥感信息的作物产量预测方法及系统 Download PDFInfo
- Publication number
- CN111815014A CN111815014A CN202010417855.XA CN202010417855A CN111815014A CN 111815014 A CN111815014 A CN 111815014A CN 202010417855 A CN202010417855 A CN 202010417855A CN 111815014 A CN111815014 A CN 111815014A
- Authority
- CN
- China
- Prior art keywords
- yield
- factor
- measurement
- crop
- correlation coefficient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012937 correction Methods 0.000 claims abstract description 138
- 238000001228 spectrum Methods 0.000 claims abstract description 131
- 238000004519 manufacturing process Methods 0.000 claims abstract description 85
- 238000002310 reflectometry Methods 0.000 claims abstract description 69
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000010220 Pearson correlation analysis Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 260
- 230000003595 spectral effect Effects 0.000 claims description 60
- 238000010206 sensitivity analysis Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 4
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Development Economics (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于无人机低空遥感信息的作物产量预测方法及系统。该方法包括:获取无人机航拍采集的多张图像;无人机航拍采用多光谱相机对作物冠层进行拍摄,得到包括多种不同波段的反射光谱图像,对多张图像进行拼接,得到拼接图像;对拼接图像进行光谱校正,得到拼接图像中每个像素点的反射率;采用阈值分割法对拼接图像进行分割,得到作物产量预测目标区域;采用皮尔逊相关性分析方法对每个波段的反射率与作物生长状况和产量进行相关性分析,得到特征波段;根据特征波段构建测产因子;根据测产因子和作物产量预测目标区域的作物种植面积,确定作物产量预测目标区域的作物产量预测值。本发明可以提高作物产量预测的准确度,并降低劳动强度。
Description
技术领域
本发明涉及产量预测领域,特别是涉及一种基于无人机低空遥感信息的作物产量预测方法及系统。
背景技术
监测粮食作物的种植面积和产量历来受到高度重视,不管是政府还是科学研究者都致力于研究如何能够及时地了解并准确地掌握粮食作物种植产量等信息。同时,作物种植信息的及时获取可为政府制定农业生产政策提供科学依据,这对于确保粮食安全具有非常重要的意义。在农业生产中,作物产量及时准确预测,也能为更好地实施农作物管理具有重要意义,特别是在农作物保险、收获计划、仓储需求、现金流预算、营养、农药、水等投入决策的测定等方面。
传统的作物产量预测方法主要依靠农户的经验知识或大面积的破坏性采样,因此存在劳动强度大、预测准确度低的问题。
发明内容
本发明的目的是提供一种基于无人机低空遥感信息的作物产量预测方法及系统,以提高作物产量预测的准确度,并降低劳动强度。
为实现上述目的,本发明提供了如下方案:
一种基于无人机低空遥感信息的作物产量预测方法,包括:
获取无人机航拍采集的多张图像;所述无人机航拍采用多光谱相机对作物冠层进行拍摄,得到包括多种不同波段的反射光谱图像;
对多张图像进行拼接,得到拼接图像;所述拼接图像中包括多个光谱校正板;
根据所述光谱校正板的标定校正系数对所述拼接图像进行光谱校正,得到所述拼接图像中每个像素点的反射率;
根据每个像素点的反射率,采用阈值分割法对所述拼接图像进行分割,得到作物产量预测目标区域;
采用皮尔逊相关性分析方法对每个波段的反射率与作物生长状况和产量进行相关性分析,得到特征波段;所述特征波段为相关性最高的多个波段;
根据所述特征波段构建测产因子;
根据所述测产因子和所述作物产量预测目标区域的作物种植面积,确定所述作物产量预测目标区域的作物产量预测值。
可选的,所述对多张图像进行拼接,得到拼接图像,具体包括:
获取所述无人机航拍的航向重复率和旁向重复率;所述航向重复率为所述无人机航拍时同一条航带上相邻两张图像的重复率;所述旁向重复率为所述无人机航拍时相邻两条航带的拍摄范围重复率;
根据所述航向重复率和所述旁向重复率对所有图像进行图像拼接,并进行正射影像校正,得到拼接图像。
可选的,所述根据所述光谱校正板的标定校正系数对所述拼接图像进行光谱校正,得到所述拼接图像中每个像素点的反射率,具体包括:
获取所述每个光谱校正板的反射率,得到每个光谱校正板的标定校正系数;
根据每个光谱校正板对应的坐标点进行函数拟合,得到反射率校正函数;所述光谱校正板对应的坐标点的横坐标为所述光谱校正板中所有像素点的平均光谱值,所述光谱校正板对应的坐标点的纵坐标为所述光谱校正板的标定校正系数;所述反射率校正函数为R=k*DN+b;其中,R为像素点的反射率,DN为像素点的光谱值,k和b为所述反射率校正函数中的系数;
根据所述拼接图像中每个像素点的光谱值,利用所述反射率校正函数得到所述拼接图像中每个像素点的反射率。
可选的,所述根据所述特征波段构建测产因子,具体包括:
获取测产因子模型;所述测产因子模型为:
X1=(B11+B12)-1
X2=(B21-B22)
X3=(B31-B32)/(B31+B32)
X4=(B41/B42)
其中,X1为第一测产因子模型,B11为第一测产因子中第一特征波段的光谱值,B12为第一测产因子中第二特征波段的光谱值;X2为第二测产因子模型,B21为第二测产因子中第一特征波段的光谱值,B22为第二测产因子中第二特征波段的光谱值;X3为第三测产因子模型,B31为第三测产因子中第一特征波段的光谱值,B32为第三测产因子中第二特征波段的光谱值;X4为第四测产因子模型,B41为第四测产因子中第一特征波段的光谱值,B42为第四测产因子中第二特征波段的光谱值;X5为第五测产因子模型,B51为第五测产因子中第一特征波段的光谱值,B52为第五测产因子中第二特征波段的光谱值;X6为第六测产因子模型,B61为第六测产因子中第一特征波段的光谱值,B62为第六测产因子中第二特征波段的光谱值;
确定所有波段组合;所述波段组合为所有特征波段中任意两个特征波段的组合;
利用敏感性分析方法确定测产因子;所述测产因子包括第一测产因子、第二测产因子、第三测产因子、第四测产因子、第五测产因子和第六测产因子;所述第一测产因子中的波段组合使得第一相关系数最高,所述第一相关系数为所述第一测产因子与作物产量的相关系数;所述第二测产因子中的波段组合使得第二相关系数最高,所述第二相关系数为所述第二测产因子与作物产量的相关系数;所述第三测产因子中的波段组合使得第三相关系数最高,所述第三相关系数为所述第三测产因子与作物产量的相关系数;所述第四测产因子中的波段组合使得第四相关系数最高,所述第四相关系数为所述第四测产因子与作物产量的相关系数;所述第五测产因子中的波段组合使得第五相关系数最高,所述第五相关系数为所述第五测产因子与作物产量的相关系数;所述第六测产因子中的波段组合使得第六相关系数最高,所述第六相关系数为所述第六测产因子与作物产量的相关系数。
可选的,所述根据所述测产因子和所述作物产量预测目标区域的作物种植面积,确定所述作物产量预测目标区域的作物产量预测值,具体包括:
获取单位产量预测模型;所述单位产量预测模型为:
M=α*X1+β*X2+γ*X3+δ*X4+ε*X5+θ*X6
其中,α、β、γ、δ、ε和θ为测产系数,M为单位产量预测值;
根据所述单位产量预测模型和所述作物产量预测目标区域的作物种植面积,利用公式F=M*N确定所述作物产量预测目标区域的作物产量预测值;其中,N为所述作物产量预测目标区域的作物种植面积,F为所述作物产量预测目标区域的作物产量预测值。
本发明还提供一种基于无人机低空遥感信息的作物产量预测系统,包括:
图像获取模块,用于获取无人机航拍采集的多张图像;所述无人机航拍采用多光谱相机对作物冠层进行拍摄,得到包括多种不同波段的反射光谱图像;
拼接模块,用于对多张图像进行拼接,得到拼接图像;所述拼接图像中包括多个光谱校正板;
光谱校正模块,用于根据所述光谱校正板的标定校正系数对所述拼接图像进行光谱校正,得到所述拼接图像中每个像素点的反射率;
图像分割模块,用于根据每个像素点的反射率,采用阈值分割法对所述拼接图像进行分割,得到作物产量预测目标区域;
相关性分析模块,用于采用皮尔逊相关性分析方法对每个波段的反射率与作物生长状况和产量进行相关性分析,得到特征波段;所述特征波段为相关性最高的多个波段;
测产因子构建模块,用于根据所述特征波段构建测产因子;
作物产量预测值确定模块,用于根据所述测产因子和所述作物产量预测目标区域的作物种植面积,确定所述作物产量预测目标区域的作物产量预测值。
可选的,所述拼接模块具体包括:
航拍重复率获取单元,用于获取所述无人机航拍的航向重复率和旁向重复率;所述航向重复率为所述无人机航拍时同一条航带上相邻两张图像的重复率;所述旁向重复率为所述无人机航拍时相邻两条航带的拍摄范围重复率;
图像拼接单元,用于根据所述航向重复率和所述旁向重复率对所有图像进行图像拼接,并进行正射影像校正,得到拼接图像。
可选的,所述光谱校正模块具体包括:
标定校正系数获取单元,用于获取所述每个光谱校正板的反射率,得到每个光谱校正板的标定校正系数;
反射率校正函数拟合单元,用于根据每个光谱校正板对应的坐标点进行函数拟合,得到反射率校正函数;所述光谱校正板对应的坐标点的横坐标为所述光谱校正板中所有像素点的平均光谱值,所述光谱校正板对应的坐标点的纵坐标为所述光谱校正板的标定校正系数;所述反射率校正函数为R=k*DN+b;其中,R为像素点的反射率,DN为像素点的光谱值,k和b为所述反射率校正函数中的系数;
反射率确定单元,用于根据所述拼接图像中每个像素点的光谱值,利用所述反射率校正函数得到所述拼接图像中每个像素点的反射率。
可选的,所述测产因子构建模块具体包括:
测产因子模型获取单元,用于获取测产因子模型;所述测产因子模型为:
X1=(B11+B12)-1
X2=(B21-B22)
X3=(B31-B32)/(B31+B32)
X4=(B41/B42)
其中,X1为第一测产因子模型,B11为第一测产因子中第一特征波段的光谱值,B12为第一测产因子中第二特征波段的光谱值;X2为第二测产因子模型,B21为第二测产因子中第一特征波段的光谱值,B22为第二测产因子中第二特征波段的光谱值;X3为第三测产因子模型,B31为第三测产因子中第一特征波段的光谱值,B32为第三测产因子中第二特征波段的光谱值;X4为第四测产因子模型,B41为第四测产因子中第一特征波段的光谱值,B42为第四测产因子中第二特征波段的光谱值;X5为第五测产因子模型,B51为第五测产因子中第一特征波段的光谱值,B52为第五测产因子中第二特征波段的光谱值;X6为第六测产因子模型,B61为第六测产因子中第一特征波段的光谱值,B62为第六测产因子中第二特征波段的光谱值;
波段组合确定单元,用于确定所有波段组合;所述波段组合为所有特征波段中任意两个特征波段的组合;
测产因子确定单元,用于利用敏感性分析方法确定测产因子;所述测产因子包括第一测产因子、第二测产因子、第三测产因子、第四测产因子、第五测产因子和第六测产因子;所述第一测产因子中的波段组合使得第一相关系数最高,所述第一相关系数为所述第一测产因子与作物产量的相关系数;所述第二测产因子中的波段组合使得第二相关系数最高,所述第二相关系数为所述第二测产因子与作物产量的相关系数;所述第三测产因子中的波段组合使得第三相关系数最高,所述第三相关系数为所述第三测产因子与作物产量的相关系数;所述第四测产因子中的波段组合使得第四相关系数最高,所述第四相关系数为所述第四测产因子与作物产量的相关系数;所述第五测产因子中的波段组合使得第五相关系数最高,所述第五相关系数为所述第五测产因子与作物产量的相关系数;所述第六测产因子中的波段组合使得第六相关系数最高,所述第六相关系数为所述第六测产因子与作物产量的相关系数。
可选的,所述作物产量预测值确定模块具体包括:
单位产量预测模型获取单元,用于获取单位产量预测模型;所述单位产量预测模型为:
M=α*X1+β*X2+γ*X3+δ*X4+ε*X5+θ*X6
其中,α、β、γ、δ、ε和θ为测产系数,M为单位产量预测值;
作物产量预测单元,用于根据所述单位产量预测模型和所述作物产量预测目标区域的作物种植面积,利用公式F=M*N确定所述作物产量预测目标区域的作物产量预测值;其中,N为所述作物产量预测目标区域的作物种植面积,F为所述作物产量预测目标区域的作物产量预测值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
(1)劳动强度和作业成本低,作业效率高。传统作物测产需要测量行距、株距,还需要破坏性取样测量每穗总粒数、结实率、千粒重等参数才能最后计算得出预测亩产量,劳动强度大、成本高、耗费时间长。而本发明利用无人机平台采集作物冠层光谱图像数据,飞行速度为2.5m/s,速度快,时间短,无需人员进入水田即可估测大面积作物产量。
(2)精准度高、稳定。传统的作物产量预测方法主观性强,主要依靠操作人员的专业知识,操作人员的专业知识和经验高低不同导致测量精度高低不一,难以保持稳定度和可信度。本发明设备成熟稳定,测量过程固定化、流程化,排除人为影响,经过实际生产验证,精度均能达到96%以上,稳定性达到98%以上。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于无人机低空遥感信息的作物产量预测方法的流程示意图;
图2为本发明基于无人机低空遥感信息的作物产量预测系统的结构示意图;
图3为本发明具体实施案例的流程示意图;
图4为本发明具体实施案例中校正板的位置示意图;
图5为本发明具体实施案例中航拍图;
图6为本发明具体实施案例中不同波段组合对应的测产因子相关系数图;
图7为本发明具体实施案例中产量预测分布图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于无人机低空遥感信息的作物产量预测方法的流程示意图。如图1所示,本发明基于无人机低空遥感信息的作物产量预测方法包括以下步骤:
步骤100:获取无人机航拍采集的多张图像。所述无人机航拍采用多光谱相机对作物冠层进行拍摄,得到包括多种不同波段的反射光谱图像。在无人机航拍采集信息之前,在作物测产目标区域无遮挡处放置多块光谱校正板,用于后续光谱校正,拍摄的多张图像中有的图像包括光谱校正板。多光谱相机朝无人机航向方向布置且设置为航向跟随,采集图像信息时,无人机的自稳云台保证镜头方向与地面保持垂直。同时由无人机飞控系统固定时间间隔给出触发信号,多光谱相机、位置姿态记录器同时拍照采集信息,触发信号频率不大于1.5HZ。多光谱相机拍摄得到作物冠层的多种不同波段光的反射光谱信息;位置姿态记录仪获取gps经纬度地理位置信息,无人机的俯仰角、横滚角和航向角,海拔高度,以及光照度信息数据,进而反馈至无人机的路径规划软件中,进一步规划无人机的飞行路径。
步骤200:对多张图像进行拼接,得到拼接图像。图像拼接时,根据航向前后重复和旁向左右重复部分图像相同特征进行拼接。具体的,首先,获取所述无人机航拍的航向重复率和旁向重复率;所述航向重复率为所述无人机航拍时同一条航带上相邻两张图像的重复率;所述旁向重复率为所述无人机航拍时相邻两条航带的拍摄范围重复率。然后,根据所述航向重复率和所述旁向重复率以及相邻图片之间的相同特征对所有图像进行图像拼接,并进行正射影像校正,得到拼接图像,拼接图像中包括所有的光谱校正板。
步骤300:根据光谱校正板的标定校正系数对拼接图像进行光谱校正,得到拼接图像中每个像素点的反射率。光谱校正板的标定校正系数是指每个光谱校正板的反射率,每个光谱校正板的反射率是已知的,可以通过以下方式提前获得:在已知光强E1的标准光下分别测出每个光谱校正板的反射光强E2,则每个光谱校正板对应的反射率为Ri=E1/E2,即为标定板校正系数。
对于每个光谱校正板来说,以光谱校正板中所有像素点的平均光谱值为横坐标,以标定矫正系数为纵坐标,形成光谱校正板对应的坐标点。例如,以4个光谱校正板为例,可以得到四个光谱校正板对应的坐标点为:(DN1,R1)、(DN2,R2)、(DN3,R3)、(DN4,R4)。根据所有光谱校正板对应的坐标点进行线性拟合,得到光谱与反射率之间的反射率校正函数R=k*DN+b;其中,R为像素点的反射率,DN为像素点的光谱值,k和b为所述反射率校正函数中的系数。
进而,根据拼接图像中每个像素点的光谱值,利用所述反射率校正函数得到拼接图像中每个像素点的反射率,完成光谱校正。
步骤400:根据每个像素点的反射率,采用阈值分割法对拼接图像进行分割,得到作物产量预测目标区域。利用测产目标区域与非目标作物种植区域的反射率不同,对校正后的拼接图像采用阈值分割法去除道路、田埂等多余部分,将精确的作物产量预测目标区域分割出来。
步骤500:采用皮尔逊相关性分析方法对每个波段的反射率与作物生长状况和产量进行相关性分析,得到特征波段。所述特征波段为相关性最高的多个波段。
步骤600:根据特征波段构建测产因子。具体过程如下:
获取测产因子模型;所述测产因子模型为:
X1=(B11+B12)-1
X2=(B21-B22)
X3=(B31-B32)/(B31+B32)
X4=(B41/B42)
其中,X1为第一测产因子模型,B11为第一测产因子中第一特征波段的光谱值,B12为第一测产因子中第二特征波段的光谱值;X2为第二测产因子模型,B21为第二测产因子中第一特征波段的光谱值,B22为第二测产因子中第二特征波段的光谱值;X3为第三测产因子模型,B31为第三测产因子中第一特征波段的光谱值,B32为第三测产因子中第二特征波段的光谱值;X4为第四测产因子模型,B41为第四测产因子中第一特征波段的光谱值,B42为第四测产因子中第二特征波段的光谱值;X5为第五测产因子模型,B51为第五测产因子中第一特征波段的光谱值,B52为第五测产因子中第二特征波段的光谱值;X6为第六测产因子模型,B61为第六测产因子中第一特征波段的光谱值,B62为第六测产因子中第二特征波段的光谱值。
确定所有波段组合;所述波段组合为所有特征波段中任意两个特征波段的组合。
利用敏感性分析方法确定测产因子。所述测产因子包括第一测产因子、第二测产因子、第三测产因子、第四测产因子、第五测产因子和第六测产因子;所述第一测产因子中的波段组合使得第一相关系数最高,所述第一相关系数为所述第一测产因子与作物产量的相关系数;所述第二测产因子中的波段组合使得第二相关系数最高,所述第二相关系数为所述第二测产因子与作物产量的相关系数;所述第三测产因子中的波段组合使得第三相关系数最高,所述第三相关系数为所述第三测产因子与作物产量的相关系数;所述第四测产因子中的波段组合使得第四相关系数最高,所述第四相关系数为所述第四测产因子与作物产量的相关系数;所述第五测产因子中的波段组合使得第五相关系数最高,所述第五相关系数为所述第五测产因子与作物产量的相关系数;所述第六测产因子中的波段组合使得第六相关系数最高,所述第六相关系数为所述第六测产因子与作物产量的相关系数。不同测产因子中的第一特征波段可以相同也可以不同,不同测产因子中的第二特征波段可以相同也可以不同。
步骤700:根据测产因子和作物产量预测目标区域的作物种植面积,确定作物产量预测目标区域的作物产量预测值。具体过程如下:
获取单位产量预测模型;所述单位产量预测模型为:
M=α*X1+β*X2+γ*X3+δ*X4+ε*X5+θ*X6
其中,α、β、γ、δ、ε和θ为测产系数,M为单位产量预测值。关于测产系数α、β、γ、δ、ε和θ,可以通过将已知田块种植作物产量和该田块对应的测产因子代入本发明的单位产量预测模型中求得,在具体实施例中,也可以采用其他方式确定上述测产系数。
根据所述单位产量预测模型和所述作物产量预测目标区域的作物种植面积,利用公式F=M*N确定所述作物产量预测目标区域的作物产量预测值;其中,N为所述作物产量预测目标区域的作物种植面积,F为所述作物产量预测目标区域的作物产量预测值。
图2为本发明基于无人机低空遥感信息的作物产量预测系统的结构示意图。如图2所示,本发明基于无人机低空遥感信息的作物产量预测系统包括以下结构:
图像获取模块201,用于获取无人机航拍采集的多张图像;所述无人机航拍采用多光谱相机对作物冠层进行拍摄,得到包括多种不同波段的反射光谱图像。
拼接模块202,用于对多张图像进行拼接,得到拼接图像。所述拼接图像中包括多个光谱校正板。
光谱校正模块203,用于根据所述光谱校正板的标定校正系数对所述拼接图像进行光谱校正,得到所述拼接图像中每个像素点的反射率。
图像分割模块204,用于根据每个像素点的反射率,采用阈值分割法对所述拼接图像进行分割,得到作物产量预测目标区域。
相关性分析模块205,用于采用皮尔逊相关性分析方法对每个波段的反射率与作物生长状况和产量进行相关性分析,得到特征波段;所述特征波段为相关性最高的多个波段。
测产因子构建模块206,用于根据所述特征波段构建测产因子。
作物产量预测值确定模块207,用于根据所述测产因子和所述作物产量预测目标区域的作物种植面积,确定所述作物产量预测目标区域的作物产量预测值。
作为另一实施例,本发明基于无人机低空遥感信息的作物产量预测系统中,所述拼接模块202具体包括:
航拍重复率获取单元,用于获取所述无人机航拍的航向重复率和旁向重复率;所述航向重复率为所述无人机航拍时同一条航带上相邻两张图像的重复率;所述旁向重复率为所述无人机航拍时相邻两条航带的拍摄范围重复率。
图像拼接单元,用于根据所述航向重复率和所述旁向重复率对所有图像进行图像拼接,并进行正射影像校正,得到拼接图像。
作为另一实施例,本发明基于无人机低空遥感信息的作物产量预测系统中,所述光谱校正模块203具体包括:
标定校正系数获取单元,用于获取所述每个光谱校正板的反射率,得到每个光谱校正板的标定校正系数。
反射率校正函数拟合单元,用于根据每个光谱校正板对应的坐标点进行函数拟合,得到反射率校正函数;所述光谱校正板对应的坐标点的横坐标为所述光谱校正板中所有像素点的平均光谱值,所述光谱校正板对应的坐标点的纵坐标为所述光谱校正板的标定校正系数;所述反射率校正函数为R=k*DN+b;其中,R为像素点的反射率,DN为像素点的光谱值,k和b为所述反射率校正函数中的系数。
反射率确定单元,用于根据所述拼接图像中每个像素点的光谱值,利用所述反射率校正函数得到所述拼接图像中每个像素点的反射率。
作为另一实施例,本发明基于无人机低空遥感信息的作物产量预测系统中,所述测产因子构建模块206具体包括:
测产因子模型获取单元,用于获取测产因子模型;所述测产因子模型为:
X1=(B11+B12)-1
X2=(B21-B22)
X3=(B31-B32)/(B31+B32)
X4=(B41/B42)
其中,X1为第一测产因子模型,B11为第一测产因子中第一特征波段的光谱值,B12为第一测产因子中第二特征波段的光谱值;X2为第二测产因子模型,B21为第二测产因子中第一特征波段的光谱值,B22为第二测产因子中第二特征波段的光谱值;X3为第三测产因子模型,B31为第三测产因子中第一特征波段的光谱值,B32为第三测产因子中第二特征波段的光谱值;X4为第四测产因子模型,B41为第四测产因子中第一特征波段的光谱值,B42为第四测产因子中第二特征波段的光谱值;X5为第五测产因子模型,B51为第五测产因子中第一特征波段的光谱值,B52为第五测产因子中第二特征波段的光谱值;X6为第六测产因子模型,B61为第六测产因子中第一特征波段的光谱值,B62为第六测产因子中第二特征波段的光谱值。
波段组合确定单元,用于确定所有波段组合;所述波段组合为所有特征波段中任意两个特征波段的组合。
测产因子确定单元,用于利用敏感性分析方法确定测产因子;所述测产因子包括第一测产因子、第二测产因子、第三测产因子、第四测产因子、第五测产因子和第六测产因子;所述第一测产因子中的波段组合使得第一相关系数最高,所述第一相关系数为所述第一测产因子与作物产量的相关系数;所述第二测产因子中的波段组合使得第二相关系数最高,所述第二相关系数为所述第二测产因子与作物产量的相关系数;所述第三测产因子中的波段组合使得第三相关系数最高,所述第三相关系数为所述第三测产因子与作物产量的相关系数;所述第四测产因子中的波段组合使得第四相关系数最高,所述第四相关系数为所述第四测产因子与作物产量的相关系数;所述第五测产因子中的波段组合使得第五相关系数最高,所述第五相关系数为所述第五测产因子与作物产量的相关系数;所述第六测产因子中的波段组合使得第六相关系数最高,所述第六相关系数为所述第六测产因子与作物产量的相关系数。
作为另一实施例,本发明基于无人机低空遥感信息的作物产量预测系统中,所述作物产量预测值确定模块207具体包括:
单位产量预测模型获取单元,用于获取单位产量预测模型;所述单位产量预测模型为:
M=α*X1+β*X2+γ*X3+δ*X4+ε*X5+θ*X6
其中,α、β、γ、δ、ε和θ为测产系数,M为单位产量预测值。
作物产量预测单元,用于根据所述单位产量预测模型和所述作物产量预测目标区域的作物种植面积,利用公式F=M*N确定所述作物产量预测目标区域的作物产量预测值;其中,N为所述作物产量预测目标区域的作物种植面积,F为所述作物产量预测目标区域的作物产量预测值。
下面提供一个具体实施案例进一步说明本发明的方案。
图3为本发明具体实施案例的流程示意图,如图3所示,本实施例中包括以下步骤:
第一步:作物测产目标区域放置4块标准光谱校正板;
第二步:在作物抽穗初期采用携带多光谱成像系统的无人机进行航拍采集作物多光谱图像信息;
第三步:根据图像特征完成多光谱图像拼接;
第四步:对得到图像分别进行图像畸变校正和光谱校正处理;
第五步:对图像进行分割,分割出作物测产目标区域;
第六步:提取目标区域的各波段光谱值;
第七步:根据作物冠层各波段光谱值与作物生长状况和产量的相关性筛选出611nm-870nm波段范围内光谱值;
第八步:利用特征波段构建的各波段光谱值运算法则建立测产因子;
第九步:运用敏感性分析再次筛选出特征测产因子;
第十步:将测产因子代入作物产量预测公式,计算得出测产目标区域的作物亩产量;
第十一步:根据目标区域作物种植面积和预测的作物亩产值计算出总产量。
图4为本发明具体实施案例中校正板的位置示意图,如图2所示,晴朗少云的天气照度情况下,首先在目标作物大田边放置4块光谱校正板和1块校正布。本实施例利用浙江大学设计生产的SH-8-px-RS-02型八旋翼无人机和无人机云台搭载RGB相机和25波段多光谱相机,采集作物大田图像和光谱信息,无人机飞行高度设置为25米,飞行速度为2.5m/s,,拍摄角度始终垂直向下,覆盖整片作物试验区域。
多光谱相机朝无人机航向方向布置且设置为航向跟随,无人机航向重复率设置为60%,无人机旁向重复率设置为55%。采集图像信息时,自稳云台保证镜头方向与地面保持垂直。由无人机飞控系统固定时间间隔0.91s给出触发信号,多光谱相机、位置姿态记录器同时拍照采集信息,如图5所示,图5为本发明具体实施案例中航拍图。
然后根据照片航向前后重复和旁向左右重复部分图像相同特征,利用拼图软件完成图像拼接,利用4块校正板和标定校正系数,完成图像光谱校正。用作物测产目标区域与周边区域的光谱值不同,对校正后多光谱图像分割去除道路、田埂等多余部分,获得精确粮食测产目标区域。利用去土壤背景算法去除大田内土壤和水等干扰多光谱信息,进一步提取出测产目标区域内各像素点的光谱值,以及各波段整体最大值、最小值和平均值。
根据作物冠层各波段光谱值与作物生长状况和产量的相关性进行特征波段筛选,如表1所示,表1为各波段对应的相关性。
表1各波段与产量相关性
本实施例筛选得到相关性高的611nm-870nm波段范围内24个波段光谱值,作为特征波段。
在构建测产因子时,由于每个测产因子对应的第一特征波段和第二特征波段分别能取611nm-870nm波段范围内24个波段光谱值,则每个测产因子Xn(n=1、2、3、4、5、6)有24*24=576种波段组合方式,为了找到测产因子与作物产量相关系数最高的波段组合,运用敏感性分析(现有方法)再次筛选出每个测产因子对应的第一特征波段和第二特征波段。图6为本发明具体实施案例中不同波段组合对应的测产因子相关系数图,从图6所示的几个方面综合分析,图6(a)部分为测产因子X1与产量相关系数图,(b)部分为测产因子X2与产量相关系数图,(c)部分为测产因子X3与产量相关系数图,(d)部分为测产因子X4与产量相关系数图,(e)部分为测产因子X5与产量相关系数图,(f)部分为测产因子X6与产量相关系数图。本实施例中测产因子X1、X3、X4中特征波段分别为838nm、784nm波段;测产因子X2中特征波段分别为745nm和849nm波段,建模因子X6中特征波段分别为679nm和718nm波段,测产因子X5中特征波段分别为849nm和679nm波段。
最后利用包含测产因子的单位产量预测模型以及作物产量预测目标区域的作物种植面积得到作物产量预测目标区域的作物产量预测值,如图7所示,图7为本发明具体实施案例中产量预测分布图。本实施例中单位产量预测模型中的测产系数α、β、γ、δ、ε和θ,可以通过将已知田块种植作物产量和对应的测产因子代入本发明的单位产量预测模型中求得。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对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方法及其核心思想;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 (10)
1.一种基于无人机低空遥感信息的作物产量预测方法,其特征在于,包括:
获取无人机航拍采集的多张图像;所述无人机航拍采用多光谱相机对作物冠层进行拍摄,得到包括多种不同波段的反射光谱图像;
对多张图像进行拼接,得到拼接图像;所述拼接图像中包括多个光谱校正板;
根据所述光谱校正板的标定校正系数对所述拼接图像进行光谱校正,得到所述拼接图像中每个像素点的反射率;
根据每个像素点的反射率,采用阈值分割法对所述拼接图像进行分割,得到作物产量预测目标区域;
采用皮尔逊相关性分析方法对每个波段的反射率与作物生长状况和产量进行相关性分析,得到特征波段;所述特征波段为相关性最高的多个波段;
根据所述特征波段构建测产因子;
根据所述测产因子和所述作物产量预测目标区域的作物种植面积,确定所述作物产量预测目标区域的作物产量预测值。
2.根据权利要求1所述的基于无人机低空遥感信息的作物产量预测方法,其特征在于,所述对多张图像进行拼接,得到拼接图像,具体包括:
获取所述无人机航拍的航向重复率和旁向重复率;所述航向重复率为所述无人机航拍时同一条航带上相邻两张图像的重复率;所述旁向重复率为所述无人机航拍时相邻两条航带的拍摄范围重复率;
根据所述航向重复率和所述旁向重复率对所有图像进行图像拼接,并进行正射影像校正,得到拼接图像。
3.根据权利要求1所述的基于无人机低空遥感信息的作物产量预测方法,其特征在于,所述根据所述光谱校正板的标定校正系数对所述拼接图像进行光谱校正,得到所述拼接图像中每个像素点的反射率,具体包括:
获取所述每个光谱校正板的反射率,得到每个光谱校正板的标定校正系数;
根据每个光谱校正板对应的坐标点进行函数拟合,得到反射率校正函数;所述光谱校正板对应的坐标点的横坐标为所述光谱校正板中所有像素点的平均光谱值,所述光谱校正板对应的坐标点的纵坐标为所述光谱校正板的标定校正系数;所述反射率校正函数为R=k*DN+b;其中,R为像素点的反射率,DN为像素点的光谱值,k和b为所述反射率校正函数中的系数;
根据所述拼接图像中每个像素点的光谱值,利用所述反射率校正函数得到所述拼接图像中每个像素点的反射率。
4.根据权利要求1所述的基于无人机低空遥感信息的作物产量预测方法,其特征在于,所述根据所述特征波段构建测产因子,具体包括:
获取测产因子模型;所述测产因子模型为:
X1=(B11+B12)-1
X2=(B21-B22)
X3=(B31-B32)/(B31+B32)
X4=(B41/B42)
其中,X1为第一测产因子模型,B11为第一测产因子中第一特征波段的光谱值,B12为第一测产因子中第二特征波段的光谱值;X2为第二测产因子模型,B21为第二测产因子中第一特征波段的光谱值,B22为第二测产因子中第二特征波段的光谱值;X3为第三测产因子模型,B31为第三测产因子中第一特征波段的光谱值,B32为第三测产因子中第二特征波段的光谱值;X4为第四测产因子模型,B41为第四测产因子中第一特征波段的光谱值,B42为第四测产因子中第二特征波段的光谱值;X5为第五测产因子模型,B51为第五测产因子中第一特征波段的光谱值,B52为第五测产因子中第二特征波段的光谱值;X6为第六测产因子模型,B61为第六测产因子中第一特征波段的光谱值,B62为第六测产因子中第二特征波段的光谱值;
确定所有波段组合;所述波段组合为所有特征波段中任意两个特征波段的组合;
利用敏感性分析方法确定测产因子;所述测产因子包括第一测产因子、第二测产因子、第三测产因子、第四测产因子、第五测产因子和第六测产因子;所述第一测产因子中的波段组合使得第一相关系数最高,所述第一相关系数为所述第一测产因子与作物产量的相关系数;所述第二测产因子中的波段组合使得第二相关系数最高,所述第二相关系数为所述第二测产因子与作物产量的相关系数;所述第三测产因子中的波段组合使得第三相关系数最高,所述第三相关系数为所述第三测产因子与作物产量的相关系数;所述第四测产因子中的波段组合使得第四相关系数最高,所述第四相关系数为所述第四测产因子与作物产量的相关系数;所述第五测产因子中的波段组合使得第五相关系数最高,所述第五相关系数为所述第五测产因子与作物产量的相关系数;所述第六测产因子中的波段组合使得第六相关系数最高,所述第六相关系数为所述第六测产因子与作物产量的相关系数。
5.根据权利要求4所述的基于无人机低空遥感信息的作物产量预测方法,其特征在于,所述根据所述测产因子和所述作物产量预测目标区域的作物种植面积,确定所述作物产量预测目标区域的作物产量预测值,具体包括:
获取单位产量预测模型;所述单位产量预测模型为:
M=α*X1+β*X2+γ*X3+δ*X4+ε*X5+θ*X6
其中,α、β、γ、δ、ε和θ为测产系数,M为单位产量预测值;
根据所述单位产量预测模型和所述作物产量预测目标区域的作物种植面积,利用公式F=M*N确定所述作物产量预测目标区域的作物产量预测值;其中,N为所述作物产量预测目标区域的作物种植面积,F为所述作物产量预测目标区域的作物产量预测值。
6.一种基于无人机低空遥感信息的作物产量预测系统,其特征在于,包括:
图像获取模块,用于获取无人机航拍采集的多张图像;所述无人机航拍采用多光谱相机对作物冠层进行拍摄,得到包括多种不同波段的反射光谱图像;
拼接模块,用于对多张图像进行拼接,得到拼接图像;所述拼接图像中包括多个光谱校正板;
光谱校正模块,用于根据所述光谱校正板的标定校正系数对所述拼接图像进行光谱校正,得到所述拼接图像中每个像素点的反射率;
图像分割模块,用于根据每个像素点的反射率,采用阈值分割法对所述拼接图像进行分割,得到作物产量预测目标区域;
相关性分析模块,用于采用皮尔逊相关性分析方法对每个波段的反射率与作物生长状况和产量进行相关性分析,得到特征波段;所述特征波段为相关性最高的多个波段;
测产因子构建模块,用于根据所述特征波段构建测产因子;
作物产量预测值确定模块,用于根据所述测产因子和所述作物产量预测目标区域的作物种植面积,确定所述作物产量预测目标区域的作物产量预测值。
7.根据权利要求6所述的基于无人机低空遥感信息的作物产量预测系统,其特征在于,所述拼接模块具体包括:
航拍重复率获取单元,用于获取所述无人机航拍的航向重复率和旁向重复率;所述航向重复率为所述无人机航拍时同一条航带上相邻两张图像的重复率;所述旁向重复率为所述无人机航拍时相邻两条航带的拍摄范围重复率;
图像拼接单元,用于根据所述航向重复率和所述旁向重复率对所有图像进行图像拼接,并进行正射影像校正,得到拼接图像。
8.根据权利要求6所述的基于无人机低空遥感信息的作物产量预测系统,其特征在于,所述光谱校正模块具体包括:
标定校正系数获取单元,用于获取所述每个光谱校正板的反射率,得到每个光谱校正板的标定校正系数;
反射率校正函数拟合单元,用于根据每个光谱校正板对应的坐标点进行函数拟合,得到反射率校正函数;所述光谱校正板对应的坐标点的横坐标为所述光谱校正板中所有像素点的平均光谱值,所述光谱校正板对应的坐标点的纵坐标为所述光谱校正板的标定校正系数;所述反射率校正函数为R=k*DN+b;其中,R为像素点的反射率,DN为像素点的光谱值,k和b为所述反射率校正函数中的系数;
反射率确定单元,用于根据所述拼接图像中每个像素点的光谱值,利用所述反射率校正函数得到所述拼接图像中每个像素点的反射率。
9.根据权利要求6所述的基于无人机低空遥感信息的作物产量预测系统,其特征在于,所述测产因子构建模块具体包括:
测产因子模型获取单元,用于获取测产因子模型;所述测产因子模型为:
X1=(B11+B12)-1
X2=(B21-B22)
X3=(B31-B32)/(B31+B32)
X4=(B41/B42)
其中,X1为第一测产因子模型,B11为第一测产因子中第一特征波段的光谱值,B12为第一测产因子中第二特征波段的光谱值;X2为第二测产因子模型,B21为第二测产因子中第一特征波段的光谱值,B22为第二测产因子中第二特征波段的光谱值;X3为第三测产因子模型,B31为第三测产因子中第一特征波段的光谱值,B32为第三测产因子中第二特征波段的光谱值;X4为第四测产因子模型,B41为第四测产因子中第一特征波段的光谱值,B42为第四测产因子中第二特征波段的光谱值;X5为第五测产因子模型,B51为第五测产因子中第一特征波段的光谱值,B52为第五测产因子中第二特征波段的光谱值;X6为第六测产因子模型,B61为第六测产因子中第一特征波段的光谱值,B62为第六测产因子中第二特征波段的光谱值;
波段组合确定单元,用于确定所有波段组合;所述波段组合为所有特征波段中任意两个特征波段的组合;
测产因子确定单元,用于利用敏感性分析方法确定测产因子;所述测产因子包括第一测产因子、第二测产因子、第三测产因子、第四测产因子、第五测产因子和第六测产因子;所述第一测产因子中的波段组合使得第一相关系数最高,所述第一相关系数为所述第一测产因子与作物产量的相关系数;所述第二测产因子中的波段组合使得第二相关系数最高,所述第二相关系数为所述第二测产因子与作物产量的相关系数;所述第三测产因子中的波段组合使得第三相关系数最高,所述第三相关系数为所述第三测产因子与作物产量的相关系数;所述第四测产因子中的波段组合使得第四相关系数最高,所述第四相关系数为所述第四测产因子与作物产量的相关系数;所述第五测产因子中的波段组合使得第五相关系数最高,所述第五相关系数为所述第五测产因子与作物产量的相关系数;所述第六测产因子中的波段组合使得第六相关系数最高,所述第六相关系数为所述第六测产因子与作物产量的相关系数。
10.根据权利要求9所述的基于无人机低空遥感信息的作物产量预测系统,其特征在于,所述作物产量预测值确定模块具体包括:
单位产量预测模型获取单元,用于获取单位产量预测模型;所述单位产量预测模型为:
M=α*X1+β*X2+γ*X3+δ*X4+ε*X5+θ*X6
其中,α、β、γ、δ、ε和θ为测产系数,M为单位产量预测值;
作物产量预测单元,用于根据所述单位产量预测模型和所述作物产量预测目标区域的作物种植面积,利用公式F=M*N确定所述作物产量预测目标区域的作物产量预测值;其中,N为所述作物产量预测目标区域的作物种植面积,F为所述作物产量预测目标区域的作物产量预测值。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417855.XA CN111815014B (zh) | 2020-05-18 | 2020-05-18 | 一种基于无人机低空遥感信息的作物产量预测方法及系统 |
AU2020101709A AU2020101709A4 (en) | 2020-05-18 | 2020-08-07 | Crop yield prediction method and system based on low-altitude remote sensing information from unmanned aerial vehicle |
US17/034,163 US11631166B2 (en) | 2020-05-18 | 2020-09-28 | Crop yield prediction method and system based on low-altitude remote sensing information from unmanned aerial vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417855.XA CN111815014B (zh) | 2020-05-18 | 2020-05-18 | 一种基于无人机低空遥感信息的作物产量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815014A true CN111815014A (zh) | 2020-10-23 |
CN111815014B CN111815014B (zh) | 2023-10-10 |
Family
ID=72432507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010417855.XA Active CN111815014B (zh) | 2020-05-18 | 2020-05-18 | 一种基于无人机低空遥感信息的作物产量预测方法及系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11631166B2 (zh) |
CN (1) | CN111815014B (zh) |
AU (1) | AU2020101709A4 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906627A (zh) * | 2021-03-15 | 2021-06-04 | 西南大学 | 一种基于语义分割的青花椒识别方法 |
CN112949411A (zh) * | 2021-02-04 | 2021-06-11 | 南京大学 | 一种光谱图像校正方法及装置 |
CN115100447A (zh) * | 2022-07-18 | 2022-09-23 | 浙江大学 | 基于热红外图像配准融合的水稻结实率测量装置及方法 |
CN115294482A (zh) * | 2022-09-26 | 2022-11-04 | 山东常生源生物科技股份有限公司 | 一种基于无人机遥感图像的食用菌产量估算方法 |
CN115388993A (zh) * | 2022-10-08 | 2022-11-25 | 山东省果树研究所 | 一种果树产量测量装置及测量方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113466142B (zh) * | 2021-06-17 | 2023-04-21 | 塔里木大学 | 一种多尺度果品散射偏振光谱成像定量检测方法 |
CN114240758B (zh) * | 2021-12-24 | 2022-08-05 | 柳州市侗天湖农业生态旅游投资有限责任公司 | 一种以四边形地块为参照物的山区茶园低空图像拼接方法 |
CN114693528A (zh) * | 2022-04-19 | 2022-07-01 | 浙江大学 | 无人机低空遥感图像拼接质量评估与降冗方法及系统 |
CN114666005B (zh) * | 2022-05-26 | 2022-10-04 | 广东德九新能源有限公司 | 一种察打一体化组合设备的察打实现方法 |
CN115393196B (zh) * | 2022-10-25 | 2023-03-24 | 之江实验室 | 一种无人机面阵摆扫的红外多序列影像无缝拼接方法 |
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 |
CN117726051B (zh) * | 2024-02-08 | 2024-05-10 | 北京市农林科学院智能装备技术研究中心 | 特色农作物产量预测方法、装置及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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
- 2020-05-18 CN CN202010417855.XA patent/CN111815014B/zh active Active
- 2020-08-07 AU AU2020101709A patent/AU2020101709A4/en not_active Ceased
- 2020-09-28 US US17/034,163 patent/US11631166B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 (1)
Title |
---|
汤文超: ""无人机多光谱影像油菜估产方法研究"", 《中国博士学位论文全文数据库农业科技辑》, no. 2020, pages 2 - 6 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949411A (zh) * | 2021-02-04 | 2021-06-11 | 南京大学 | 一种光谱图像校正方法及装置 |
CN112949411B (zh) * | 2021-02-04 | 2024-02-09 | 南京大学 | 一种光谱图像校正方法及装置 |
CN112906627A (zh) * | 2021-03-15 | 2021-06-04 | 西南大学 | 一种基于语义分割的青花椒识别方法 |
CN115100447A (zh) * | 2022-07-18 | 2022-09-23 | 浙江大学 | 基于热红外图像配准融合的水稻结实率测量装置及方法 |
CN115100447B (zh) * | 2022-07-18 | 2024-05-17 | 浙江大学 | 基于热红外图像配准融合的水稻结实率测量装置及方法 |
CN115294482A (zh) * | 2022-09-26 | 2022-11-04 | 山东常生源生物科技股份有限公司 | 一种基于无人机遥感图像的食用菌产量估算方法 |
CN115294482B (zh) * | 2022-09-26 | 2022-12-20 | 山东常生源生物科技股份有限公司 | 一种基于无人机遥感图像的食用菌产量估算方法 |
CN115388993A (zh) * | 2022-10-08 | 2022-11-25 | 山东省果树研究所 | 一种果树产量测量装置及测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111815014B (zh) | 2023-10-10 |
US20210358106A1 (en) | 2021-11-18 |
AU2020101709A4 (en) | 2020-09-17 |
US11631166B2 (en) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815014B (zh) | 一种基于无人机低空遥感信息的作物产量预测方法及系统 | |
CN111461053B (zh) | 基于迁移学习的多个生育期小麦倒伏区域识别系统 | |
CN111461052B (zh) | 基于迁移学习的多个生育期小麦倒伏区域识别方法 | |
US20230316555A1 (en) | System and Method for Image-Based Remote Sensing of Crop Plants | |
De la Casa et al. | Soybean crop coverage estimation from NDVI images with different spatial resolution to evaluate yield variability in a plot | |
CN110567891B (zh) | 一种冬小麦冠层叶绿素估测系统及方法 | |
Verger et al. | Green area index from an unmanned aerial system over wheat and rapeseed crops | |
CN110222903B (zh) | 一种基于无人机遥感的水稻产量预测方法及系统 | |
CN108169138B (zh) | 一种利用热红外图像的水稻倒伏监测方法 | |
US10585210B2 (en) | Apparatus for radiometric correction and orthorectification of aerial imagery | |
Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
Yang et al. | Yield estimation from hyperspectral imagery using spectral angle mapper (SAM) | |
US20190258859A1 (en) | Systems and methods for mapping emerged plants | |
JP2003009664A (ja) | 作物生育量測定装置、作物生育量測定方法、作物生育量測定プログラム及びその作物生育量測定プログラムを記録したコンピュータ読取可能な記録媒体 | |
CN111028096A (zh) | 一种天、空、地一体化数据融合的系统和方法 | |
US11721008B2 (en) | Multispectral filters | |
CN109813286A (zh) | 一种基于无人机的倒伏灾害遥感定损方法 | |
CN113063739A (zh) | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 | |
Belton et al. | Crop height monitoring using a consumer-grade camera and UAV technology | |
CN112147078A (zh) | 一种农作物表型信息多源遥感监测方法 | |
CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及系统 | |
CN111598937A (zh) | 一种基于标定区块对靶校正的农田测亩方法及系统 | |
CN114913418A (zh) | 一种基于无人机和遥感模型的秸秆综合利用识别方法 | |
CN113063740A (zh) | 一种基于多源遥感数据的小麦冠层氮含量监测方法 |
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 |