CN112836575A - 一种基于作物物候期的多时序影像水稻估产方法 - Google Patents

一种基于作物物候期的多时序影像水稻估产方法 Download PDF

Info

Publication number
CN112836575A
CN112836575A CN202011607157.2A CN202011607157A CN112836575A CN 112836575 A CN112836575 A CN 112836575A CN 202011607157 A CN202011607157 A CN 202011607157A CN 112836575 A CN112836575 A CN 112836575A
Authority
CN
China
Prior art keywords
rice
data
model
yield
ndvi
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
CN202011607157.2A
Other languages
English (en)
Other versions
CN112836575B (zh
Inventor
宋振强
王众娇
高磊
翟建宝
刘彤
赵博文
潘拓
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.)
Harbin Space Star Data System Technology Co ltd
Original Assignee
Harbin Space Star Data System Technology Co ltd
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 Harbin Space Star Data System Technology Co ltd filed Critical Harbin Space Star Data System Technology Co ltd
Priority to CN202011607157.2A priority Critical patent/CN112836575B/zh
Publication of CN112836575A publication Critical patent/CN112836575A/zh
Application granted granted Critical
Publication of CN112836575B publication Critical patent/CN112836575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • 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)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于作物物候期的多时序影像水稻估产方法，属于遥感技术、作物估产技术领域，目的是解决反演结果的精度不准确，模型不稳定以及没有考虑长势、灾害及土壤墒情的影响的问题；该方法采用BP神经网络算法，运用matlab2019b编程、GUI设计建立水稻估产模型，运用水稻物候期的植被指数、水稻长势等级数据、水稻灾害等级数据，土壤墒情数据及实地测产数据，进行模型训练，建立最优模型，利用最优模型结合目标区影像进行水稻估产，得到目标区产量等级分布栅格数。本发明利用遥感技术进行卫星影像数据处理及植被指数、长势、灾害、土壤墒情的提取，反演目标区域产量，节约生产成本进而提高生产效率，同时达到精确估产的目的。

Description

一种基于作物物候期的多时序影像水稻估产方法
技术领域
本发明涉一种基于作物物候期的多时序影像水稻估产方法，尤其涉及基于多时序影像的水稻估产方法，属于遥感技术、作物估产技术领域。
背景技术
近年来，随着卫星遥感、无人机遥感等空间技术的发展，数字农业技术得到了巨大的提升，遥感技术应用于精准农业也逐渐兴起。在《基于相对遥感变量及相对产量信息的水稻遥感估产方法》一文中的方法，是基于研究区内一个种植均匀且长势良好的田块作为基准田，利用孕育期、抽穗期、乳熟期三期数据的相对遥感变量及相对产量，采用多元线性拟合的方式构建估产模型，其中的弊端是需要标准试验田，成本高且不容易大面积推广，而线性分析存在有大部分样本相关性较强时，线性拟合相关性也会很高，这样很难保证反演结果的精度，为此提出一种基于作物物候期的多时序影像水稻估产方法。
发明内容
为解决问题反演结果的精度不准确，模型不稳定以及没有考虑长势、灾害及土壤墒情的影响的问题，本发明提出一种基于作物物候期的多时序影像水稻估产方法，该方法的具体方案为：方法步骤如下：
步骤一，利用ENVI5.3软件完成卫星影像预处理，得到反射率数据；
步骤二，通过步骤一的反射率数据，运用ENVI5.3的监督分类方法，结合水稻样本数据，得到目标区水稻分布矢量数据；再利用水稻分布矢量数据对预处理的影像数据进行裁剪，得到目标区水稻影像数据；
步骤三，通过步骤二的水稻影像数据，结合NDVI、GNDVI、EVI、VCI植被指数公式，经ENVI5.3软件的Band Math工具进行植被指数计算，得到各植被指数的栅格数据；
步骤四，结合水稻影像数据，运用估产模型，反演出栅格数据；
步骤五，利用实地测产的样本点数据，作为模型的目标参数，并利用软件工具提取步骤三的植被指数栅格数据和步骤四的栅格数据，作为模型训练的输入参数；
步骤六，运用Matlab2019b软件完成BP神经网络估产模型构建，利用步骤五的目标参数及输入参数，进行模型训练，得到最优模型；
步骤七，最优模型进行目标区水稻估产，得到水稻产量分布图，完成多时序影像水稻的估产。
进一步地，在步骤三中，所述的结合NDVI、GNDVI、EVI、VCI的植被指数公式，具体公式如下：
(1)归一化植被指数公式：
NDVI＝(ρNIR-ρRED)/(ρNIR+ρRED)，
其中ρNIR代表近红外波段，波段的中心波长为800nm、ρRED代表红波波段，波段的中心波长为680nm；
(2)绿色归一化植被指数公式：
GNDVI＝(ρNIR-ρGREEN)/(ρNIR+ρGREEN)，
其中ρNIR代表近红外波段，波段的中心波长为800nm、ρGREEN代表绿波波段，波段的中心波长为540nm；
(3)增强植被指数公式：
EVI＝2.5*[(ρNIR-ρRED)/(ρNIR+6*ρRED-7.5*ρBLUE+1)]。
其中ρNIR代表近红外波段，波段的中心波长为800nm、ρRED代表红波波段，波段的中心波长为680nm，ρBLUE代表蓝波波段，波段的中心波长为450nm；
(4)植物状态指数：
VCI＝(NDVI-NDVImin)/(NDVImax-NDVImin)；
其中NDVI公式如上(1)，NDVImax最大值，NDVImin最大值。
进一步地，在步骤四中，所述的估产模型包括长势监测模型、灾害监测模型和土壤墒情监测模型。
进一步地，在步骤四中，所述的栅格数据包括长势等级、灾害等级和土壤墒情；其中所述的长势等级从1至11级；所述的灾害等级从1至5级，所述的土壤墒情指土壤的含水量。
进一步地，在步骤五中，所述的软件工具为ArcGIS10.1软件中的Spatial Analyst工具进行提取获得输入参数。
进一步地，在步骤五或六中，所述的BP神经网络估产模型构建过程，具体步骤细化为：
步骤a.，进行前向传导计算，得到激活的函数值；
步骤b，对于最后一层即n1层，计算误差δ(n1)：
步骤c，如果考虑正则化，则为权重的更新方程；
步骤d，采用误差平方和作为损失函数，基于反向传播算法推导，得到最终的方程式；
步骤e，对BP神经网络构建后，利用Matlab的GUI程序设计对模型进行封装。
本发明的有益效果体现在：
基于卫星影像的土壤速效钾分析模型构建系统及方法相比传统方法，有效解决传统方法只能获取“点”上的土壤速效钾含量，满足“面”上对土壤速效钾的大面积获取需求，而通过大量测试土壤速效钾含量指导施肥，降低成本，做到精准全面施肥，从而避免出现施肥过多造成成本投入过大、污染环境，施肥过少导致土壤板结、影响作物生长的问题。
另外，本发明采用BP神经网络非线性拟合方式，避免了极端值对整个模型的影响，使模型更准确、更稳定，本发明不仅考虑作物物候期也同时考虑了长势、灾害及土壤墒情的影响，避免利用标准田来衡量的弊端，更利于推广应用。
附图说明
图1为基于作物物候期得多时序影像水稻估产模型构建流程框图；
图2为基于作物物候期得多时序影像水稻估产分析过程示意图；
图3水稻实地测产样本点分布图；
图4为2019年某市水稻种植分布图；
图5为水稻估产模型反演状态示意图；
图6为水稻估产模型训练均方误差(mse)评价图；
图7为水稻估产模型训练相关系数(R2)评价图；
图8为2019年某市水稻产量分布图。
具体实施方式
下面结合附图对本发明的实施方式进行详细说明：
具体实施方式一：本实施例运用水稻物候期的(分蘖期、抽穗期、灌浆期、成熟期)植被指数(NDVI、GNDVI、EVI、VCI)、水稻长势等级数据(1-11级)、水稻灾害等级数据(1-5级)、土壤墒情数据(土壤含水量)及实地测产数据，进行模型训练，建立最优模型，利用最优模型结合目标区影像进行水稻估产，得到目标区产量等级分布栅格数据。该方法充分考虑了监测水稻生长状态、影响水稻生长的灾情和含水量、物候期等因素，利用多时序影像进行估产，为精确进行农作物估产提供了一种新的思路和方法，具体特征点如下：
特征点一：利用ENVI5.3软件完成卫星影像预处理，得到反射率数据；
特征点二：利用特征点一的反射率数据，运用ENVI5.3的监督分类方法，结合水稻样本数据，得到目标区水稻分布矢量数据，利用水稻分布矢量数据对预处理的影像数据进行裁剪，得到目标区水稻影像数据；
特征点三：利用特征点二的水稻影像数据，结合NDVI、GNDVI、EVI、VCI植被指数公式，利用ENVI5.3软件，Band Math工具进行植被指数计算，得到各植被指数的栅格数据；
特征点四：利用特征点二的水稻影像数据，运用长势监测模型、灾害监测模型、土壤墒情监测模型，反演水稻的长势等级(1-11级)、灾害等级(1-5级)、土壤墒情(含水量)的栅格数据；
特征点五：利用实地测产的样本点数据，作为模型的目标参数，并利用ArcGIS10.1软件，Spatial Analyst工具提取特征点三的植被指数栅格数据的NDVI、GNDVI、EVI、VCI值和特征点四的长势等级(1-11级)、灾害等级(1-5级)、土壤墒情(含水量)栅格数据等级及含水量值，作为模型训练的输入参数；
特征点六：运用Matlab2019b软件完成BP神经网络估产模型构建，利用特征点五的目标参数及输入参数，进行模型训练，得到最优模型，利用最优模型进行目标区水稻估产，得到水稻产量分布图。
根据权利要求1所描述方法，植被指数公式如下：
(1)归一化植被指数公式：
NDVI＝(ρNIR-ρRED)/(ρNIR+ρRED)
其中ρNIR代表近红外波段，波段的中心波长为800nm、ρRED代表红波波段，波段的中心波长为680nm。
(2)绿色归一化植被指数公式：
GNDVI＝(ρNIR-ρGREEN)/(ρNIR+ρGREEN)，
其中ρNIR代表近红外波段，波段的中心波长为800nm、ρGREEN代表绿波波段，波段的中心波长为540nm；
(3)增强植被指数公式：
EVI＝2.5*[(ρNIR-ρRED)/(ρNIR+6*ρRED-7.5*ρBLUE+1)]，
其中ρNIR代表近红外波段，波段的中心波长为800nm、ρRED代表红波波段，波段的中心波长为680nm，ρBLUE代表蓝波波段，波段的中心波长为450nm。
(4)植物状态指数：
VCI＝(NDVI-NDVImin)/(NDVImax-NDVImin)
其中NDVI公式如上(1)，NDVImax最大值，NDVImin最大值。
(5)长势监测模型参考《基于光能利用率模型和定量遥感的水稻生长监测方法研究》论文的方法，灾害监测模型中旱灾利用ENVI5.3软件，TVDI插件工具计算TVDI干旱指数进行监测、涝灾监测模型参考《基于遥感数据的水稻涝灾监测与评估技术研究》论文的方法，土壤墒情参考《基于BP人工神经网络和Radarsat-2遥感影像的土壤墒情监测研究》论文的方法。
具体实施方式二：采用BP神经网络算法，运用matlab2019a软件编程、GUI设计建立水稻估产模型，本实施例提供一种基于作物物候期的多时序影像水稻估产方法，运用水稻物候期的(分蘖期、抽穗期、灌浆期、成熟期)植被指数(NDVI、GNDVI、EVI、VCI)、水稻长势等级数据(1-11级)、水稻灾害等级数据(1-5级)、土壤墒情数据(土壤含水量)及实地测产数据，进行模型训练，建立最优模型，利用最优模型结合目标区影像进行水稻估产，得到目标区产量等级分布栅格数据。该方法充分考虑了监测水稻生长状态、影响水稻生长的灾情和含水量、物候期，利用多时序影像进行估产，为精确进行农作物估产提供思路和方法。
关于水稻收获期，对目标区域进行现场测产样本采集，将采集的样本数据送往实验室进行处理，得到干粒重的实际产量值，同时获取水稻分蘖期、抽穗期、灌浆期、成熟期的影像数据并进行预处理。
基于所述的预处理后影像数据与实地测产样本数据，运用Matlab2019a软件进行估产模型构建，并进行训练，得到最优模型，利用最优模型反演目标区域水稻产量空间分布栅格数据。
首先，利用GIS技术手段将水稻产量空间分布栅格数据逐像素转化为矢量数据；然后将水稻产量矢量数据进行分级，最后将分级后的水稻产量矢量数据，根据耕地边界进行调整和裁剪，形成针对耕地的产量分级数据。
具体实施方式三：除实施例一或二所述的估产方法，还可将估产过程细化分为7个阶段：原始数据获取及处理阶段、目标区水稻分布提取阶段、植被指数提取阶段、长势/灾害/土壤墒情数据提取阶段、BP神经网络法估产模型构建阶段、模型训练输入及目标参数提取阶段、模型训练和验证阶段，以下为各阶段具体实施过程：
1.原始数据获取及处理阶段：
按实地测产要求进行实地样本采集，将实地测产数据送往实验室测量干粒重，得到实地产量数据。
获取分蘖期、抽穗期、灌浆期、成熟期的影像数据，利用ENVI5.3对获取的影像进行辐射定标、大气校正、RPC正射校正、镶嵌、裁剪等预处理，得到目标区反射率数据。
2.目标区水稻分布提取阶段：
利用实际水稻种类识别样本数据(作物种类、经度、纬度)，利用ENVI5.3软件，NewRegion of Interest工具进行水稻标签化处理，运用监督分类(Maximum LikelihoodClassifcation)工具进行目标区域水稻识别，输出栅格数据，运用栅格转矢量工具(Classification to Vector)将识别的水稻栅格数据转为evf数据，运用矢量转换工具(Classic EVF to Shapefile),将evf数据转换为shape数据，利用水稻shape数据对预处理后的各期影像进行裁剪，得到水稻影像数据。
3.植被指数提取阶段：
利用水稻影像数据，运用ENVI5.3软件，Band Math工具，结合NDVI、GNDVI、EVI、VCI公式，得到NDVI、GNDVI、EVI、VCI值的栅格数据，利用ArcGIS软件，Spatial Analyst工具，将NDVI、GNDVI、EVI、VCI值的栅格数据提取至实地测产样本信息中。
4.长势、灾害、墒情数据提取阶段：
长势等级数据提取参考《基于光能利用率模型和定量遥感的水稻生长监测方法研究》论文的方法、灾害等级提取参考《基于遥感数据的水稻涝灾监测与评估技术研究》论文的方法,利用SPSS22软件，进行模型构建，利用ENVI5.3软件，BandMath工具，利用构建的模型公式，得到长势监测栅格数据，分成11个等级，灾害监测栅格数据，分成5个等级，土壤墒情数据提取参考《基于BP人工神经网络和Radarsat-2遥感影像的土壤墒情监测研究》论文的方法，利用Matlab软件进行模型构建，利用模型调用函数(sim)，得到土壤墒情监测栅格数据，利用ArcGIS软件，Spatial Analyst工具，将长势等级、灾害等级及土壤墒情质提取至实地测产样本信息中。
5、BP神经网络模型构建阶段：
BP神经网络的建模计算公式如下：
进行前向传导计算，得到L2，L3，…ln1的激活函数值；
对于最后一层即n1层，计算误差δ(n1)：
δ(n1)＝-(yi-a)
对l＝n1-1，n1-2，n1-3，…2；
Figure BDA0002872122440000071
权重和偏置更新，此处的l＝1时候，a(1)实际上就是输入x；
Figure BDA0002872122440000072
Figure BDA0002872122440000073
如果考虑正则化，则权重的更新方程为：
Figure BDA0002872122440000074
采用误差平方和作为损失函数，基于反向传播算法推导，可得最终的4个方程式，如下：
Figure BDA0002872122440000075
Figure BDA0002872122440000076
Figure BDA0002872122440000077
Figure BDA0002872122440000078
建模的实现是基于Matlab的BP神经网络工具箱，利用Matlab语言，调用神经网络工具箱NETWORK函数，根据规则设置NET函数参数，再调用newff函数(传输函数推荐选择“tansig”“logsig”“tansig”，训练参数推荐选择“trainlm”)，建立BP神经网络函数，再利用train函数进行模型训练，完成BP神经网络模型构建，利用Matlab的GUI程序设计对模型进行封装。
6、模型训练输入及目标参数确定阶段：
实地测产样本数据作物目标参数，提取的NDVI、GNDVI、EVI、VCI、长势等级、灾害等级、土壤墒情值作为输入参数。
7、模型训练和验证阶段：
将样本数据按比例随机分为训练样本(training)、验证样本(validation)、测试样本(test)三个部分，具体分配原则参考清华大学出版社《MATLAB智能算法》一书第2章第2.3小节，训练样本用于BP神经网络模型的训练，验证样本、测试样本用于训练后模型的验证与测试，确保模型的稳定及准确性。结合输入参数和目标参数间的定量关系并利用BP神经网络模型进行训练，得到两者之间存在的定量函数关系，建立水稻估产模型。
具体实施方式四：以下结合附图及具体实施例对原理和特征进行描述：以某省某市的卫星分布图为例，采用该方法最终获得水稻产量等级分布图。
某市2019年水稻耕地面积约254万亩，根据当地实际情况，采集实地测产数据，记录每个采样点的经纬坐标和测产编号，将测产样本送往专业的实验室测试，测得实测样本数据的实际产量，测定产量(斤/亩)及位置展点如图3所示：
查询并下载遥感影像，本实施例下载高分一号数据，分辨率为16米，影像时间分别为2019年6月17日、7月10日、8月31日、9月25日，利用ENVI5.3对影像进行辐射定标、大气校正、RPC正射校正等预处理，利用某市矢量范围进行裁剪；
利用水稻类型识别样本，运用监督分类方法得到2019年某市水稻种植分布范围如下图所示：
根据优化的水稻估产模型计算得到水稻产量分布栅格数据；
利用GIS中栅格转面功能将水稻产量栅格数据逐像素导出，按照影像范围建立渔网，实现按像素导出矢量数据，通过属性表连接实现栅格数据矢量化，其中图5、图6和图7分别为模型训练及验证评价图，图8为2019年某市水稻产量分布图，结合各个分布图可直观的对水稻进行估产。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于作物物候期的多时序影像水稻估产方法，其特征在于：该方法的具体步骤如下：
步骤一，利用ENVI5.3软件完成卫星影像预处理，得到反射率数据；
步骤二，通过步骤一的反射率数据，运用ENVI5.3的监督分类方法，结合水稻样本数据，得到目标区水稻分布矢量数据；再利用水稻分布矢量数据对预处理的影像数据进行裁剪，得到目标区水稻影像数据；
步骤三，通过步骤二的水稻影像数据，结合NDVI、GNDVI、EVI、VCI植被指数公式，经ENVI5.3软件的Band Math工具进行植被指数计算，得到各植被指数的栅格数据；
步骤四，结合水稻影像数据，运用估产模型，反演出栅格数据；
步骤五，利用实地测产的样本点数据，作为模型的目标参数，并利用软件工具提取步骤三的植被指数栅格数据和步骤四的栅格数据，作为模型训练的输入参数；
步骤六，运用Matlab2019b软件完成BP神经网络估产模型构建，利用步骤五的目标参数及输入参数，进行模型训练，得到最优模型；
步骤七，最优模型进行目标区水稻估产，得到水稻产量分布图，完成多时序影像水稻的估产。
2.根据权利要求1所述的一种基于作物物候期的多时序影像水稻估产方法，其特征在于：在步骤三中，所述的结合NDVI、GNDVI、EVI、VCI的植被指数公式，具体公式如下：
(1)归一化植被指数公式：
NDVI＝(ρNIR-ρRED)/(ρNIR+ρRED)，
其中ρNIR代表近红外波段，波段的中心波长为800nm、ρRED代表红波波段，波段的中心波长为680nm；
(2)绿色归一化植被指数公式：
GNDVI＝(ρNIR-ρGREEN)/(ρNIR+ρGREEN)，
其中ρNIR代表近红外波段，波段的中心波长为800nm、ρGREEN代表绿波波段，波段的中心波长为540nm；
(3)增强植被指数公式：
EVI＝2.5*[(ρNIR-ρRED)/(ρNIR+6*ρRED-7.5*ρBLUE+1)]，
其中ρNIR代表近红外波段，波段的中心波长为800nm、ρRED代表红波波段，波段的中心波长为680nm，ρBLUE代表蓝波波段，波段的中心波长为450nm；
(4)植物状态指数：
VCI＝(NDVI-NDVImin)/(NDVImax-NDVImin)；
其中NDVI公式如上(1)，NDVImax最大值，NDVImin最大值。
3.根据权利要求1所述的一种基于作物物候期的多时序影像水稻估产方法，其特征在于：在步骤四中，所述的估产模型包括长势监测模型、灾害监测模型和土壤墒情监测模型。
4.根据权利要求3所述的一种基于作物物候期的多时序影像水稻估产方法，其特征在于：在步骤四中，所述的栅格数据包括长势等级、灾害等级和土壤墒情；其中所述的长势等级从1至11级；所述的灾害等级从1至5级，所述的土壤墒情指土壤的含水量。
5.根据权利要求1所述的一种基于作物物候期的多时序影像水稻估产方法，其特征在于：在步骤五中，所述的软件工具为ArcGIS10.1软件中的SpatialAnalyst工具进行提取获得输入参数。
6.根据权利要求1所述的一种基于作物物候期的多时序影像水稻估产方法，其特征在于：在步骤五或六中，所述的BP神经网络估产模型构建过程，具体步骤细化为：
步骤a，进行前向传导计算，得到激活的函数值；
步骤b，对于最后一层即n1层，计算误差δ(n1)：
步骤c，如果考虑正则化，则为权重的更新方程；
步骤d，采用误差平方和作为损失函数，基于反向传播算法推导，得到最终的方程式；
步骤e，对BP神经网络构建后，利用Matlab的GUI程序设计对模型进行封装。
CN202011607157.2A 2020-12-30 2020-12-30 一种基于作物物候期的多时序影像水稻估产方法 Active CN112836575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011607157.2A CN112836575B (zh) 2020-12-30 2020-12-30 一种基于作物物候期的多时序影像水稻估产方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011607157.2A CN112836575B (zh) 2020-12-30 2020-12-30 一种基于作物物候期的多时序影像水稻估产方法

Publications (2)

Publication Number Publication Date
CN112836575A true CN112836575A (zh) 2021-05-25
CN112836575B CN112836575B (zh) 2023-06-27

Family

ID=75925328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011607157.2A Active CN112836575B (zh) 2020-12-30 2020-12-30 一种基于作物物候期的多时序影像水稻估产方法

Country Status (1)

Country Link
CN (1) CN112836575B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114254964A (zh) * 2022-03-01 2022-03-29 北京市农林科学院信息技术研究中心 水稻区域气候品质评估方法及系统
CN114510528A (zh) * 2022-02-15 2022-05-17 平安科技（深圳）有限公司 农作物产量展示方法、装置电子设备及存储介质
CN114821362A (zh) * 2022-07-01 2022-07-29 江苏省水利科学研究院 一种基于多源数据的水稻种植面积提取方法
CN115759524A (zh) * 2022-10-20 2023-03-07 中国农业大学 一种基于遥感影像植被指数的土壤生产力等级识别方法
CN116541688A (zh) * 2023-04-11 2023-08-04 南京农业大学 一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法
RU2822145C2 (ru) * 2022-07-22 2024-07-02 Публичное Акционерное Общество "Сбербанк России" (Пао Сбербанк) Устройство и способ определения урожайности сельскохозяйственных культур

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102393238A (zh) * 2011-08-01 2012-03-28 高吉喜 一种草地地上干物质量遥感估测方法
CN105389559A (zh) * 2015-11-12 2016-03-09 中国科学院遥感与数字地球研究所 基于高分辨率遥感影像的农业灾害范围识别系统及方法
CN109596533A (zh) * 2018-12-18 2019-04-09 北京航天泰坦科技股份有限公司 一种基于无人机高光谱数据的马铃薯种植管理方法
US10282821B1 (en) * 2015-08-27 2019-05-07 Descartes Labs, Inc. Observational data processing and analysis
CN110751094A (zh) * 2019-10-21 2020-02-04 北京师范大学 一种基于gee综合遥感影像和深度学习方法的作物估产技术

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102393238A (zh) * 2011-08-01 2012-03-28 高吉喜 一种草地地上干物质量遥感估测方法
US10282821B1 (en) * 2015-08-27 2019-05-07 Descartes Labs, Inc. Observational data processing and analysis
CN105389559A (zh) * 2015-11-12 2016-03-09 中国科学院遥感与数字地球研究所 基于高分辨率遥感影像的农业灾害范围识别系统及方法
CN109596533A (zh) * 2018-12-18 2019-04-09 北京航天泰坦科技股份有限公司 一种基于无人机高光谱数据的马铃薯种植管理方法
CN110751094A (zh) * 2019-10-21 2020-02-04 北京师范大学 一种基于gee综合遥感影像和深度学习方法的作物估产技术

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIE SUN等: "County-Level Soybean Yield Prediction Using Deep CNN-LSTM Model", 《SENSORS》 *
申健: "关中地区作物种植信息遥感识别及其动态监测", 《中国博士学位论文全文数据库农业科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114510528A (zh) * 2022-02-15 2022-05-17 平安科技（深圳）有限公司 农作物产量展示方法、装置电子设备及存储介质
CN114510528B (zh) * 2022-02-15 2023-11-17 平安科技（深圳）有限公司 农作物产量展示方法、装置电子设备及存储介质
CN114254964A (zh) * 2022-03-01 2022-03-29 北京市农林科学院信息技术研究中心 水稻区域气候品质评估方法及系统
CN114254964B (zh) * 2022-03-01 2022-05-17 北京市农林科学院信息技术研究中心 水稻区域气候品质评估方法及系统
CN114821362A (zh) * 2022-07-01 2022-07-29 江苏省水利科学研究院 一种基于多源数据的水稻种植面积提取方法
RU2822145C2 (ru) * 2022-07-22 2024-07-02 Публичное Акционерное Общество "Сбербанк России" (Пао Сбербанк) Устройство и способ определения урожайности сельскохозяйственных культур
CN115759524A (zh) * 2022-10-20 2023-03-07 中国农业大学 一种基于遥感影像植被指数的土壤生产力等级识别方法
CN115759524B (zh) * 2022-10-20 2023-12-08 中国农业大学 一种基于遥感影像植被指数的土壤生产力等级识别方法
CN116541688A (zh) * 2023-04-11 2023-08-04 南京农业大学 一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法
CN116541688B (zh) * 2023-04-11 2024-04-26 南京农业大学 一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法

Also Published As

Publication number Publication date
CN112836575B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN109829234B (zh) 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法
CN108921885B (zh) 一种综合三类数据源联合反演森林地上生物量的方法
CN112836575A (zh) 一种基于作物物候期的多时序影像水稻估产方法
CN106372592B (zh) 一种基于冬小麦面积指数的冬小麦种植面积计算方法
CN105740759B (zh) 基于多时相数据中特征提取的中稻信息决策树分类方法
CN110909933B (zh) 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法
CN111241912A (zh) 一种基于机器学习算法的多植被指数的水稻产量估测方法
CN113205014B (zh) 一种基于图像锐化的时序数据耕地提取方法
CN114529097B (zh) 多尺度农作物物候期遥感降维预测方法
CN115950838A (zh) 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法
CN104933699B (zh) 基于高斯函数拟合方差自动提取地表植被物候信息的方法
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
CN114387516A (zh) 一种针对复杂地形环境下中小田块的单季稻sar识别方法
CN114140695B (zh) 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统
CN113252583B (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
CN115759524B (zh) 一种基于遥感影像植被指数的土壤生产力等级识别方法
CN112149827A (zh) 基于卫星影像的土壤速效钾分析模型构建系统及方法
CN117576583A (zh) 一种基于无人机的冬小麦生物量快速高精准估测方法
CN116485757A (zh) 一种冬小麦全氮含量预测方法
CN116188793A (zh) 一种基于卫星遥感影像的紫云英种植面积监测方法
CN116502901A (zh) 一种基于光学遥感数据的农田干旱空间分布评价方法
CN117876870B (zh) 一种基于多源遥感数据的农作物估产的方法和系统
Zhu et al. UAV flight height impacts on wheat biomass estimation via machine and deep learning
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
CN113408700A (zh) 一种卷积神经网络土壤碱解氮分析模型构建系统及方法

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