CN111966952A - 一种叶面积指数数据过滤方法 - Google Patents

一种叶面积指数数据过滤方法 Download PDF

Info

Publication number
CN111966952A
CN111966952A CN202010704063.0A CN202010704063A CN111966952A CN 111966952 A CN111966952 A CN 111966952A CN 202010704063 A CN202010704063 A CN 202010704063A CN 111966952 A CN111966952 A CN 111966952A
Authority
CN
China
Prior art keywords
lai
value
node
time period
data
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
Application number
CN202010704063.0A
Other languages
English (en)
Other versions
CN111966952B (zh
Inventor
陈云坪
魏海昌
孙林
袁子炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010704063.0A priority Critical patent/CN111966952B/zh
Publication of CN111966952A publication Critical patent/CN111966952A/zh
Application granted granted Critical
Publication of CN111966952B publication Critical patent/CN111966952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing

Abstract

本发明公开了一种叶面积指数数据过滤方法，首先根据植物冠层图像或视频计算LAI数据，得到各个节点各个时间段内多个固定间隔的LAI值，然后，对每个节点每个时间段的多个固定间隔的LAI值，用一个大小为n的窗口进行滑动遍历，每次滑动求一个均值和方差，将方差最小窗口的均值作为该节点在该时间段的LAI代表值。这样对于庞大且随环境变化较大的野外采集的叶面积指数数据处理具有优越的效果，提取得到每个节点各个时间段的LAI代表值，剔除了大量无效LAI数据，每个时间段仅保留了一个有效LAI值作为当天代表值，对此情形下的植被生长情况的管理和监测有较大的实际意义和更为广泛的适用性。

Description

一种叶面积指数数据过滤方法
技术领域
本发明属于遥感信息与大数据技术领域，更为具体地讲，涉及一种叶面积指数数据过滤方法，可应用于无线传感器网络通过拍摄冠层图像后间接计算测量的叶面积指数数据的过滤。
背景技术
LAI(Leaf Area Index)即叶面积指数，是指单位土地面积上植物叶片总面积占土地面积的倍数，是反应植物群体生长状况的一个重要指标。LAI大小直接与最终产量高低密切相关，因此对于这一参数的实时监控和测量在农产业上具有极大的实际意义。
研究表明，植物的叶面积指数的测量方法实现了从最初带有破坏性的直接测量法到如今的图像处理法、遥感图像法和传感器法等多种方法的过渡。根据实际需要，许多高效并精确度高的用于测量叶面积指数的先进设备已投入使用，如LAI-2000等。这些设备是通过人工实地手持冠层分析仪器进行测量，对于需要长期观测野外某区域的植物的叶面积指数来说很不方便，于是也有很多学者开始研究自动组网叶面积指数测量方法，叶面积指数数据(LAI数据)是无线传感器网络通过拍摄冠层图像或测量冠层光学信息后间接计算测量的，自动测量系统最快可每3-5分钟获得一次测量结果，每天采集大量的叶面积指数测量植；同时，由于野外采集的叶面积指数数据容易受到自然环境，如光照变化、风扰动等的影响，测量值波动很大，考虑到叶面积指数每日变化不大，如何对这些大量叶面积指数数据中提取出每日叶面积指数的代表值成为了工作重心。
目前国内外学者在LAI数据测量的直接测量以及间接测量都取得了一定的成果，并且也研发了不少新型传感器的设计来实现对LAI数据的监测。但是目前还没有特别针对于这一庞大数据量的数据处理方法，大多数的数据处理方法都是泛泛地去空值、处理缺失值、正则化以及主成分分析等，对于连续测量得到的LAI数据，这种对于环境要求较高、无效数据多的庞大数据来说没有特异性。
发明内容
本发明的目的在于针对现LAI数据测量环境要求高、无效数据多等特点，提出一种叶面积指数数据过滤方法，更为方便地从各个节点各个时间段测得的大量LAI数据中提取出每个节点各个时间段的LAI代表值，方便用户实时了解和管理LAI数据。
为实现上述发明目的，本发明叶面积指数数据过滤方法，其特征在于，包括以下步骤：
(1)、获得各个节点各个时间段固定间隔采集的植物光学信息(如冠层图像、视频或光强度)并计算LAI数据，得到各个节点各个时间段内多个固定间隔的LAI值；
(2)、针对每一个节点的每一个时间段多个固定间隔的LAI值进行运算，得出该节点在该时间段的LAI值：
2.1)、用一个大小为n的窗口滑动遍历固定间隔的LAI值，每次滑动得到n个LAI值；
2.2)、对每次滑动得到n个LAI值，求解其均值和方差；
2.3)、找出所有次滑动得到的方差的最小值，其对应的均值(方差最小窗口的均值)作为该节点在该时间段的LAI代表值。
本发明的目的是这样实现的：
本发明叶面积指数数据过滤方法，首先根据植物冠层图像或视频计算LAI数据，得到各个节点各个时间段内多个固定间隔的LAI值，然后，对每个节点每个时间段的多个固定间隔的LAI值，用一个大小为n的窗口进行滑动遍历，每次滑动求一个均值和方差，将方差最小窗口的均值作为该节点在该时间段的LAI代表值。这样对于庞大且随环境变化较大的野外采集的叶面积指数数据处理具有优越的效果，提取得到每个节点各个时间段的LAI代表值，剔除了大量无效LAI数据，每个时间段仅保留了一个有效LAI值作为当天代表值，对此情形下的植被生长情况的管理和监测有较大的实际意义和更为广泛的适用性。
附图说明
图1是本发明叶面积指数数据过滤方法一种具体实施方式的流程图；
图2是剔除异常值的具体步骤流程图；
图3是每一个节点的每一个时间段(每一天)LAI代表值的具体步骤流程图；
图4是本发明叶面积指数数据过滤方法中LAI数据过滤前后的曲线图，其中，(a)为过滤前，(b)为过滤后。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
图1是本发明叶面积指数数据过滤方法一种具体实施方式的流程图。
在本实施例中，如图1所示，本发明叶面积指数数据过滤方法包括以下步骤：
步骤S1：获取LAI原始数据
(1)、获得各个节点各个时间段固定间隔采集的植物光学信息(如冠层图像、视频或光强度)并计算LAI数据，得到各个节点各个时间段内多个固定间隔的LAI值。
在本实施例中，通过无线传感器网络获取所监测区域的植被冠层图像，并通过其测得的土壤温湿度以及空气温湿度等数据，通过图像分析以及环境变量的数据处理，得到冠层孔隙度等参数，从而进一步计算得到叶面积指数。在本实施例中，所述的时间段为天，所采用的是禹城站2019年5月1日到7月1日所采集到的所有数据，这两个月中每隔五分钟，无线网络传感器网络中的10个节点会计算出10个LAI值。
步骤S2：剔除LAI原始数据中的异常值
在本实施例中，由于LAI原始数据来源于无线传感器网络同测得的土壤、空气温湿度以及拍摄的植被冠层图像或视频，在此基础上进行计算和图像处理得到LAI原始数据，此类环境监测方法对环境有较高要求，比如一天24小时，只有在有光照的白天才能拍摄到用于图像处理的植被冠层图像或视频，因此有异常数据亟待解决。
如图2所示，在本实施例中，剔除LAI原始数据中的异常值的具体步骤为：
步骤S201：划分LAI异常值为六类
将LAI异常值分为六类：当LAI值为45.00时，表示仪器内存存取错误；当LAI值为46.00时，表示通过摄像头拍摄的图像过暗，一般出现在夜间；当LAI值为47.00时，表示拍照失败；当LAI值为48.00时，表示内存分配失败；当LAI值为49.00时，表示拍摄到的图像过曝光；当LAI值为0.00时，表示出现了未知错误。
步骤S202：遍历每个节点的每个时间段(每天)的LAI数据
遍历LAI原始数据，即步骤S1获得的各个节点各个时间段(天)内多个固定间隔的LAI值：用List<string>nodes和List<string>dates类型的数组按行来存放每个节点的每个时间段的LAI原始数据，然后按行进行逐条遍历；
步骤S203：判断LAI值中的异常值并删除
判断每一条LAI值是否等于异常值里的任一数值，若判断结果相等，则删除这一条，这样得到剔除异常值的LAI数据。
步骤S3：计算每个节点每个时间段的LAI代表值
针对每一个节点的每一个时间段(一天)多个固定间隔的LAI值进行运算，得出该节点在该时间段的LAI代表值，如图3所示，包括以下步骤：
步骤S301：确定窗口并滑动取值
用一个大小为n的窗口滑动遍历固定间隔的LAI值，每次滑动得到n个LAI值；在本实施例中，n＝5；
步骤S302：求解其均值和方差
对每次滑动得到n个LAI值，求解其均值和方差；
步骤S303：确定方差最小对应的均值为LAI代表值
找出所有次滑动得到的方差的最小值，并判断其是否大于设定的阈值，如果大于，则认为该节点该时间段(天)LAI数据无效，如果不大于，则其对应的均值作为该节点在该时间段(天)的LAI代表值。
具体而言，在本实施例中，首先获取LAI原始数据，然后剔除由无线传感器网络间接计算测得的LAI数据中的异常值，得到有效数据，然后将LAI原始数据按节点和日期划分，再以5个元素大小的窗口滑动遍历每个节点每天的LAI数据，对每个窗口中的5个LAI值取均值和方差，完成遍历后，对最小方差对应的5个LAI值的均值，即可作为该节点当天的LAI代表值。如果某个节点某天的有效数据(LAI值)数量小于5个，则认定为“too few validdata”。同时，如果按上述方法遍历某节点某天的数据后，得到的最小方差大于0.3，则认定为“invalid data”。
在本实施例中，图4(a)、(b)所示为禹城站的全部LAI数据经过本发明处理前后的比较曲线图，从图4直观可见，数据量从十万级别下降了三个数量级，针对此LAI数据来源的特异性，剔除了大量无效LAI数据，每天仅保留了一个有效LAI值作为当天代表值，大大方便了工作人员对站点LAI数据的实时掌控和监测。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (4)

1.一种叶面积指数数据过滤方法，其特征在于，包括以下步骤：
(1)、获得各个节点各个时间段固定间隔采集植物光学信息(如冠层图像、视频或光强度)并计算LAI(Leaf Area Index，叶面积指数)数据，得到各个节点各个时间段内多个固定间隔的LAI值；
(2)、针对每一个节点的每一个时间段多个固定间隔的LAI值进行运算，得出该节点在该时间段的LAI值：
2.1)、用一个大小为n的窗口滑动遍历固定间隔的LAI值，每次滑动得到n个LAI值；
2.2)、对每次滑动得到n个LAI值，求解其均值和方差；
2.3)、找出所有次滑动得到的方差的最小值，其对应的均值(方差最小窗口的均值)作为该节点在该时间段的LAI代表值。
2.根据权利要求1所述的叶面积指数数据过滤方法，其特征在于，在步骤(1)后，步骤(2)之前，还包括剔除LAI原始数据中的异常值：
步骤S201：划分LAI异常值为六类
将LAI异常值分为六类：当LAI值为45.00时，表示仪器内存存取错误；当LAI值为46.00时，表示通过摄像头拍摄的图像过暗，一般出现在夜间；当LAI值为47.00时，表示拍照失败；当LAI值为48.00时，表示内存分配失败；当LAI值为49.00时，表示拍摄到的图像过曝光；当LAI值为0.00时，表示出现了未知错误；
步骤S202：遍历每个节点的每个时间段(每天)的LAI数据
遍历LAI原始数据，即步骤S1获得的各个节点各个时间段(天)内多个固定间隔的LAI值：用List<string>nodes和List<string>dates类型的数组按行来存放每个节点的每个时间段的LAI原始数据，然后按行进行逐条遍历；
步骤S203：判断LAI值中的异常值并删除
判断每一条LAI值是否等于异常值里的任一数值，若判断结果相等，则用删除这一条，这样得到剔除异常值的LAI数据，用于步骤(2)的运算。
3.根据权利要求1所述的叶面积指数数据过滤方法，其特征在于，步骤2.3)中，找出所有次滑动得到的方差的最小值，需要进一步判断其是否大于设定的阈值，如果大于，则认为该节点该时间段(天)LAI数据无效，如果不大于，才认为其对应的均值为该节点在该时间段(天)的LAI代表值。
4.根据权利要求3所述的叶面积指数数据过滤方法，其特征在于，所述设定的阈值为0.3。
CN202010704063.0A 2020-07-21 2020-07-21 一种叶面积指数数据过滤方法 Active CN111966952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010704063.0A CN111966952B (zh) 2020-07-21 2020-07-21 一种叶面积指数数据过滤方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010704063.0A CN111966952B (zh) 2020-07-21 2020-07-21 一种叶面积指数数据过滤方法

Publications (2)

Publication Number Publication Date
CN111966952A true CN111966952A (zh) 2020-11-20
CN111966952B CN111966952B (zh) 2023-04-18

Family

ID=73362270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010704063.0A Active CN111966952B (zh) 2020-07-21 2020-07-21 一种叶面积指数数据过滤方法

Country Status (1)

Country Link
CN (1) CN111966952B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113328444A (zh) * 2021-07-05 2021-08-31 国网江苏省电力有限公司信息通信分公司 一种将云计算用于电力潮流计算的方法
CN116305875A (zh) * 2023-02-17 2023-06-23 中国科学院地理科学与资源研究所 数值天气预报模式中叶面积指数的数据处理方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012073520A1 (ja) * 2010-12-02 2012-06-07 日本電気株式会社 葉面積指数計測システム、装置、方法及びプログラム
CN104200457A (zh) * 2014-07-21 2014-12-10 华南农业大学 基于广角摄像的离散型冠层叶面积指数检测系统和方法
CN107705309A (zh) * 2017-10-15 2018-02-16 南京林业大学 激光点云中林木参数评估方法
CN107727010A (zh) * 2017-10-31 2018-02-23 北京农业信息技术研究中心 一种测量农作物叶面积指数的方法
CN109859231A (zh) * 2019-01-17 2019-06-07 电子科技大学 一种基于光学图像的叶面积指数提取阈值分割方法
CN111337434A (zh) * 2020-03-06 2020-06-26 东北大学 一种矿区复垦植被生物量估算方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012073520A1 (ja) * 2010-12-02 2012-06-07 日本電気株式会社 葉面積指数計測システム、装置、方法及びプログラム
CN104200457A (zh) * 2014-07-21 2014-12-10 华南农业大学 基于广角摄像的离散型冠层叶面积指数检测系统和方法
CN107705309A (zh) * 2017-10-15 2018-02-16 南京林业大学 激光点云中林木参数评估方法
CN107727010A (zh) * 2017-10-31 2018-02-23 北京农业信息技术研究中心 一种测量农作物叶面积指数的方法
CN109859231A (zh) * 2019-01-17 2019-06-07 电子科技大学 一种基于光学图像的叶面积指数提取阈值分割方法
CN111337434A (zh) * 2020-03-06 2020-06-26 东北大学 一种矿区复垦植被生物量估算方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113328444A (zh) * 2021-07-05 2021-08-31 国网江苏省电力有限公司信息通信分公司 一种将云计算用于电力潮流计算的方法
CN116305875A (zh) * 2023-02-17 2023-06-23 中国科学院地理科学与资源研究所 数值天气预报模式中叶面积指数的数据处理方法及装置
CN116305875B (zh) * 2023-02-17 2023-08-29 中国科学院地理科学与资源研究所 数值天气预报模式中叶面积指数的数据处理方法及装置

Also Published As

Publication number Publication date
CN111966952B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN111966952B (zh) 一种叶面积指数数据过滤方法
CN105403245A (zh) 日光温室无线传感器多数据融合方法
CN113221765B (zh) 一种基于数字相机影像有效像元的植被物候期提取方法
Chianucci et al. Estimation of leaf area index in isolated trees with digital photography and its application to urban forestry
CN105445214A (zh) 一种农业工程遥感监测方法
CN115018343A (zh) 矿井海量瓦斯监测数据异常识别与处置系统及方法
CN110598553A (zh) 基于遥感影像与地形数据的原真地貌采矿破坏区探测方法
CN111105173A (zh) 一种植物适宜生长区域评价方法和设备
CN111444774A (zh) 一种基于无人机航测技术的森林资源监测方法
CN115015486B (zh) 一种基于回归树模型的碳排放量测算方法
CN114460080A (zh) 一种水稻病虫智能监控系统
CN117540238A (zh) 一种工业数字化信息采集装置用数据安全管理方法
Balti et al. Big data based architecture for drought forecasting using LSTM, ARIMA, and Prophet: Case study of the Jiangsu Province, China
CN114414742A (zh) 一种基于人工智能的城市绿化日常养护在线智能监测管理云系统
Ma et al. Identification of forest disturbance and estimation of forest age in subtropical mountainous areas based on Landsat time series data
Genno et al. Apple growth evaluated automatically with high-definition field monitoring images
CN117474539A (zh) 一种校园一卡通数据智能管理方法
CN206115670U (zh) 一种自动化分析作物产量影响因素的系统
CN111869532A (zh) 一种兰花自动化培植系统及培植方法
CN115526275B (zh) 一种用于用电安全的远程多源数据监测分析方法及系统
CN107607474B (zh) 一种自适应农业干旱的高精度遥感监测方法
Kabala et al. A customizable and use friendly R package to process big data from the Tree Talker system
CN111625525B (zh) 一种环境数据修复/填充方法及系统
CN111207881B (zh) 水压监测系统
CN110674453B (zh) 一种获取棉花叶片丛聚指数的数字图像方法及系统

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
GR01 Patent grant
GR01 Patent grant