CN113033262B - 模型训练方法和农作物产量预估方法 - Google Patents

模型训练方法和农作物产量预估方法 Download PDF

Info

Publication number
CN113033262B
CN113033262B CN201911352742.XA CN201911352742A CN113033262B CN 113033262 B CN113033262 B CN 113033262B CN 201911352742 A CN201911352742 A CN 201911352742A CN 113033262 B CN113033262 B CN 113033262B
Authority
CN
China
Prior art keywords
ndvi
sample
target
original
determining
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
Application number
CN201911352742.XA
Other languages
English (en)
Other versions
CN113033262A (zh
Inventor
刘一珉
卞军伟
廖鹏程
董景文
翁倩
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.)
China Mobile Communications Group Co Ltd
China Mobile Chengdu ICT Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Chengdu ICT 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 China Mobile Communications Group Co Ltd, China Mobile Chengdu ICT Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201911352742.XA priority Critical patent/CN113033262B/zh
Publication of CN113033262A publication Critical patent/CN113033262A/zh
Application granted granted Critical
Publication of CN113033262B publication Critical patent/CN113033262B/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
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Multimedia (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种模型训练方法和农作物产量预估方法。该方法包括：获取样本归一化植被指数NDVI、样本土壤水分SM和样本中分辨率成像光谱仪MODIS遥感数据和样本农作物产量；根据样本NDVI、样本SM和样本MODIS遥感数据，确定农作物每个生长期分别对应的NDVI和SM；根据农作物每个生长期分别对应的NDVI和SM以及样本农作物产量，训练产量预估模型，提高了农作物估产精度。

Description

模型训练方法和农作物产量预估方法
技术领域
本发明属于卫星遥感数据技术领域，尤其涉及一种模型训练方法和农作物产量预估方法。
背景技术
为了能够科学制定农产品进出口计划、调控粮食市场以及指导种植结构调整等，需要精准、及时地开展区域粮食作物的产量监测和评估。而农作物作为主要的粮食作物，能够精准、及时的预测农作物的产量，才能够保证农作物的稳产和高产，保障粮食安全。
目前，对农作物进行估产主要利用历史气象数据和卫星遥感数据。但是历史气象数据具有很强的地域性，不同地区的历史气象数据变化比较大，因此利用历史气象数据和卫星遥感数据对农作物进行估产，还不能进行大范围的农作物产量估测，导致农作物估产精度低。
发明内容
本发明实施例提供一种模型训练方法和农作物产量预估方法，能够解决目前农作物估产精度低的问题。
第一方面，提供了一种模型训练方法，其特征在于，方法包括：
获取样本归一化植被指数(Normalized Difference Vegetation Index，NDVI)、样本土壤水分(Soil Moisture，SM)和样本中分辨率成像光谱仪(Moderate-resolutionImaging Spectroradiometer，MODIS)遥感数据和样本农作物产量；
根据样本NDVI、样本SM和样本MODIS遥感数据，确定农作物每个生长期分别对应的NDVI和SM；
根据农作物每个生长期分别对应的NDVI和SM以及样本农作物产量，训练产量预估模型。
在一种可能的实现方式中，根据样本NDVI、样本SM和样本MODIS遥感数据，确定农作物每个生长期对应的NDVI和SM，包括：
根据样本NDVI，确定农作物在每个生长期内的NDVI时间序列数据集；
根据每个生长期的NDVI时间序列数据集、样本SM和样本MODIS遥感数据，确定农作物每个生长期对应的NDVI和SM。
在一种可能的实现方式中，样本NDVI包括第一样本NDVI和第二样本NDVI；根据样本NDVI，确定农作物在生长期内的NDVI时间序列数据集，包括：
将第一样本NDVI和第二样本NDVI进行最小二乘回归，得到目标样本NDVI；
对目标样本NDVI进行滤波；
对进行滤波后的目标样本NDVI进行线性插值，得到农作物在生长期内的NDVI时间序列数据集。
在一种可能的实现方式中，样本MODIS遥感数据包括陆地表面温度LST、第三样本NDVI和地表反照率；根据NDVI时间序列数据集、样本SM和样本MODIS遥感数据，确定农作物每个生长期对应的NDVI和SM，包括：
建立样本SM与LST、第三样本NDVI、地表反照率之间的线性关系；
分别对LST、第三样本NDVI、地表反照率进行重采样，得到目标LST、目标第三样本NDVI和目标地表反照率；
根据线性关系、目标LST、目标第三样本NDVI和目标地表反照率，确定目标SM；
采用NDVI时间序列数据集反演目标SM，确定农作物每个生长期对应的NDVI和SM。
在一种可能的实现方式中，在训练产量预估模型之后，该方法还包括：
确定多个反向传播BP神经网络的权值和阈值；
根据农作物每个生长期分别对应的NDVI和SM以及样本农作物产量，采用人工蜂群(Artificial Bee Colony，ABC)算法和粒子群优化(Particle Swarm Optimization，PSO)算法，确定目标权值和目标阈值；
将目标权值和目标阈值作为产量预估模型权值和阈值，得到优化后的产量预估模型。
第二方面，提供了一种农作物产量预估方法，该方法包括：
获取产量待预测数据，产量待预测数据包括待预测原始NDVI、待预测原始SM和原始MODIS遥感数据；
根据待预测原始NDVI、待预测原始SM和原始MODIS遥感数据，确定农作物在每个生长期内分别对应的NDVI和SM；
将农作物在每个生长期内分别对应的NDVI和SM输入至如第一方面或第一方面任一可能实现方式中的产量预估模型，确定农作物产量。
在一种可能的实现方式中，根据待预测原始NDVI、待预测原始SM和原始MODIS遥感数据，确定农作物在每个生长期内分别对应的NDVI和SM，包括：
根据待预测原始NDVI，确定农作物在生长期内的NDVI时间序列数据集；
根据NDVI时间序列数据集、待预测原始SM和原始MODIS遥感数据，确定农作物每个生长期对应的NDVI和SM。
在一种可能的实现方式中，待预测原始NDVI包括第一原始NDVI和第二原始NDVI；根据待预测原始NDVI，确定农作物在生长期内的NDVI时间序列数据集，包括：
将第一原始NDVI和第二原始NDVI进行最小二乘回归，得到目标NDVI；
对目标NDVI进行滤波；
对进行滤波后的目标NDVI进行线性插值，得到农作物在生长期内的NDVI时间序列数据集。
在一种可能的实现方式中，原始MODIS遥感数据包括陆地表面温度LST、第三原始NDVI和地表反照率；根据NDVI时间序列数据集、待预测原始SM和原始MODIS遥感数据，确定农作物每个生长期对应的NDVI和SM，包括：
建立原始SM与LST、第三原始NDVI、地表反照率之间的线性关系；
分别对LST、第三原始NDVI、地表反照率进行重采样，得到目标LST、目标第三NDVI和目标地表反照率；
根据线性关系、目标LST、目标样本NDVI和目标地表反照率，确定目标SM；
采用NDVI时间序列数据集反演目标SM，确定农作物每个生长期对应的NDVI和SM。
第三方面，提供了一种模型训练装置，该装置包括：
获取模块，用于获取样本归一化植被指数NDVI、样本土壤水分SM和样本中分辨率成像光谱仪MODIS遥感数据和样本农作物产量；
确定模块，用于根据样本NDVI、样本SM和样本MODIS遥感数据，确定农作物每个生长期分别对应的NDVI和SM；
训练模块，用于根据农作物每个生长期分别对应的NDVI和SM以及样本农作物产量，训练产量预估模型。
第四方面，提供了一种农作物产量预估装置，该装置包括：
获取模块，用于获取产量待预测数据，产量待预测数据包括待预测原始NDVI、待预测原始SM和原始MODIS遥感数据；
确定模块，用于根据待预测原始NDVI、待预测原始SM和原始MODIS遥感数据，确定农作物在每个生长期内分别对应的NDVI和SM；
产量确定模块，用于将农作物在每个生长期内分别对应的NDVI和SM输入至如第一方面或第一方面任一可能实现方式中的产量预估模型，确定农作物产量。
第五方面，提供了一种电子设备，该设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现如第一方面或者第一方面的任一可能实现方式中的方法，和实现如第二方面或者第二方面的任一可能实现方式中的方法。
第六方面，提供了一种计算机存储介质，该计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面或者第一方面的任一可能实现方式中的方法，和实现如第二方面或者第二方面的任一可能实现方式中的方法。
基于提供的模型训练方法和农作物产量预估方法，通过获取样本归一化植被指数NDVI、样本土壤水分SM和样本中分辨率成像光谱仪MODIS遥感数据和样本农作物产量；根据样本NDVI、样本SM和样本MODIS遥感数据，确定农作物每个生长期分别对应的NDVI和SM；根据农作物每个生长期分别对应的NDVI和SM以及样本农作物产量，训练产量预估模型，提高了农作物估产精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，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是本发明实施例提供的一种模型训练方法的流程示意图；
图2是本发明实施例提供的一种基于Ts/NDVI特征空间定义TVDI的示意图；
图3是本发明实施例提供的一种S-G滤波前后NDVI时间序列曲线对比的示意图；
图4是本发明实施例提供的一种基于NDVI特性和有效积温获取冬小麦关键生育期的示意图；
图5是本发明实施例提供的一种ABPSO混合优化算法的流程示意图；
图6是本发明实施例提供的一种PSO优化BP神经网络预测模型的流程示意图；
图7是本发明实施例提供的一种农作物产量预估方法的流程示意图；
图8是本发明实施例提供的一种模型训练装置的结构示意图；
图9是本发明实施例提供的一种农作物产量预估装置的结构示意图；
图10是本发明实施例提供的一种冬小麦产量预估方法的流程示意图；
图11是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前，人工麦田实地抽样调查方式，对于大面积农作物产量的估测难以及时获得大范围的产量数据信息，在很大程度上影响到农作物管理措施的制定或粮食政策的调整，较难带动或引导农民获取更大的经济效益。基于农作物生长模型与遥感数据同化预测农作物产量中，农作物生长模型需要的参数需要根据研究区域的具体情况确定，会导致预测精度产生偏差。且气象数据由于其波动性和不确定性较大，不适用于不同地区的作物产量反演，鲁棒性较低。
因此，本发明实施例提供了一种模型训练方法和农作物产量预估方法，能够提高农作物估产精度。
为了方便理解本发明实施例，首先对本发明实施例中模型训练方法进行详细介绍。
图1是本发明实施例提供的一种模型训练方法的流程示意图。
如图1所示，本发明实施例提供的一种模型训练方法可以包括：
S101：获取样本归一化植被指数NDVI、样本土壤水分SM和样本MODIS遥感数据和样本农作物产量。
在本发明的一个实施例中，样本NDVI包括第一样本NDVI和第二样本NDVI。其中，第一样本NDVI是通过遥感卫星HJ-1CCD获取的；第二样本NDVI是通过遥感卫星Landsat-8OLI获取的。样本SM是通过AMSR-E遥感卫星获得。
为了准确地提取出农作物的生长期信息，需要高空间、高时间分辨率遥感数据集。Landsat数据具有相对较高的空间分辨率，但是其时间分辨率偏低，同时大多数农作物容易受到气候的影响，数据源不足等情况将会变得更加严重。环境与灾害监测预报小卫星星座A星、B星(HJ-1A/B)具有4个空间分辨率为40m的可见光波段，重访周期为4天(组网后重访周期为2天)，与Landsat-8OLI传感器拥有相似的可见光波段组合和空间分辨率，具有可比性。因此，本发明实施例采用第一样本NDVI和第二样本NDVI，提高数据的空间、时间分辨率。
为了更准确的预测农作物产量，还需要获取样本SM。其中，样本SM是将原始SM降尺度后，得到的小尺度、高分辨率的空间的样本SM。其中，原始SM降尺度的数据源是通过对陆地表面温度进行内插得到。陆地表面温度内插的原理为，缺失像元与可用像元之间存在空间传输机制，此相关关系可通过计算量化得出，作为时间空间临近像元间关系：某影像获取时间为t，若两个像元温度变化相似，则这两个像元很大可能具有相同的温度梯度，变化从时间t到t0。假设具有相似温度变化的像元存在于LST影像中，则不同时间t和t0间存在函数关系。其中，不同时间t和t0间的函数关系满足下述公式(1)：
Tt＝f(Tt0) (1)
其中，Tt，Tt0均表示影像时间。
临近时空上的影像像元间的传输可通过简单的线性回归表达，则目标影像和参考影像间像元关系满足下述公式(2)：
LSTt＝a×LSTt0+b (2)
其中，LSTt0表示时间t0的陆地表面温度影像；LSTt表示时间t的参考陆地表面温度影像；a，b为临近时间影像像元间的回归系数。
基于邻近时空的温度空间分布的相似度，寻找缺失像元影像天数的最邻近的高覆盖度(大于等于90％)影像作为参照影像。
温度植被干旱指数(Temperature Vegetation Dryness Index，TVDI)是基于地表温度(Ts)和归一化植被指数用于土壤水分监测的表征相对干旱程度的指数，其中，NDVI是通过MODIS获取得到。TVDI越大，土壤水分越低，TVDI越小，土壤水分越高。TVDI满足下述公式(3)：
Figure BDA0002335055030000081
其中，Tsmin表示最小地表温度，对应的是湿边，也即最高土壤水分线；Ts是任意像元的地表温度，Tsmax＝a+b×NDVI为某一NDVI对应的最高温度，对应的是干边，也即最低土壤水分线；a、b是干边拟合方程的系数植被指数。
如图2所示，以Ts为横坐标，以植被指数NDVI为纵坐标构建散点图，得到成三角形形状的特征空间。根据特征空间构成，提取每日LST和8天NDVI所构成特征空间的最大值和最小值的拟合方程得到干湿边方程。利用python语言编程基于每天的干湿边计算求得1KMdaily的TVDI计算结果，验证了三角形蒸散理论的可行性。
S102：根据样本NDVI、样本SM和样本MODIS遥感数据，确定农作物每个生长期分别对应的NDVI和SM。
在本发明的一个实施例中，农作物的生长期为农作物一年中显著可见的生长期间。例如，冬小麦的生长期包括返青期、拔节期、抽穗期、开花期和成熟期。在确定农作物在每个生长期分别对应的NDVI和SM之前，需要对样本NDVI、样本SM和样本MODIS遥感数据进行数据融合。
首先，在进行数据融合之前，需要构建样本NDVI时间序列数据集。
具体的，样本NDVI包括第一样本NDVI和第二样本NDVI；根据样本NDVI，确定农作物在生长期内的NDVI时间序列数据集，包括：
将第一样本NDVI和第二样本NDVI进行最小二乘回归，得到目标样本NDVI；
对目标样本NDVI进行滤波；
对进行滤波后的目标样本NDVI进行线性插值，得到农作物在生长期内的NDVI时间序列数据集。
在一个实施例中，第一样本NDVI和第二样本NDVI能够相互校正。为了满足相互校正的需要和NDVI时间序列数据集的构建，对HJ-1CCD和Landsat-8OLI影像的选择需遵循以下四个基本原则：HJ-1CCD和Landsat-8OLI卫星的重返周期分别为4天(两台组网后为2天)和16天，获取HJ-1CCD和Landsat-8OLI的时间差应该在一天之内；遥感影像数据集的时间跨度应该包含整个农作物的生长期；提取的影像对中都应该无云遮蔽；样点处于HJ-1A/B CCD卫星天顶角小于30°的区域。
收集满足以上原则覆盖小麦田区域的第一样本NDVI(HJ-1CCD遥感数据)和第二样本NDVI(Landsat-8OLI遥感数据)用作相互校正，用以构建NDVI时间序列数据集。
最小二乘法(OLS)是应用最为广泛的回归模型之一，其基本原则是最优拟合直线，使得各点到直线的距离的和最小，在具体计算中，为残差平方和最小的过程。本发明实施例可以使用最小二乘法融合不同传感器间的NDVI。
在用第一样本NDVI估测第二样本NDVI的过程中，只有第一样本NDVI的误差被考虑在模型当中，第二样本NDVI被认为是无差数据集；在用第二样本NDVI估测第一样本NDVI时，需要重新建立模型，两个模型中参数不可逆，因此，最小二乘法模型为非对称回归模型。最小二乘法模型满足下述公式(4)：
Figure BDA0002335055030000091
其中，a为截距，b为斜率，X表示第一样本NDVI，
Figure BDA0002335055030000092
表示第二样本NDVI的估测结果。
几何平均数(GM)模型是一个对称回归模型，模型假设X和Y对误差的贡献相同，但是在交换估测参数时可逆，几何平均数模型参数的具体计算过程满足下述公式(5)：
Figure BDA0002335055030000101
其中，Xi为像元i对应影像的第一样本NDVI，Yi为像元i对应影像的第二样本NDVI；
Figure BDA0002335055030000102
和
Figure BDA0002335055030000103
分别是第一样本NDVI和第二样本NDVI的均值，
Figure BDA0002335055030000104
和
Figure BDA0002335055030000105
分别是预测的像元i对应的第一样本NDVI值和第二样本NDVI值，n为数据集样本容量。
因为GM为对称模型，通过公式(4)转换，可得下述公式(6)：
Figure BDA0002335055030000106
其中，
Figure BDA0002335055030000107
c，d分别为系数。
Figure BDA0002335055030000108
表示通过第二样本NDVI预测得到的第一样本NDVI值；Y表示第二样本NDVI。
基于实验样地的植被指数，借助OLS回归模型，将Landsat-8植被指数转化为对应的HJ-1CCD植被指数，决定系数代表OLS回归模型精度；同时利用GM建立回归模型用于一致性分析。
其中，OLS和GM回归分析模型如表一所示：
表一OLS和GM回归分析模型
Figure BDA0002335055030000109
结合公式(4)和表一，通过最小二乘法回归模型对第一样本NDVI和第二样本NDVI进行相互校正，将第二样本NDVI转化为对应的第一样本NDVI，重建时间分辨率更高的NDVI时间序列数据集，用于小麦生育期的提取。
基于上述实施例得到的样本NDVI时间序列数据集，需要根据样本NDVI时间序列数据集，确定农作物每个生长期内的样本NDVI时间序列数据集。
具体的，对样本NDVI时间序列数据集进行滤波，例如，采用S-G进行滤波。以将十月下旬到次年六月中旬的冬小麦为例，S-G滤波前后NDVI时间序列曲线如图3所示，经过S-G滤波后的归一化植被指数NDVI数据波动小。
在确保时间序列的曲线形态基础上，对NDVI时间序列数据集进行线性插补，得到完整的覆盖农作物生长期的逐日时间序列。线性插补的优势在于其局部重构和窗口内插模式，能够实现较高的执行率和插补精度，不易出现过度拟合而造成插补偏移的现象，两幅连续NDVI线性插补满足下述公式(7)：
Figure BDA0002335055030000111
其中，VI表示需要插补的NDVI，VI0、VI1表示已经获取的经过S-G滤波处理的NDVI时间序列数据集，DOY为每幅影像对应的儒略历日期。
以冬小麦为例，插值结果如图4所示，在冬小麦生育期内(2月至6月)，其NDVI变化曲线近似于抛物线。进入抽穗期后，冬小麦的长势较好，叶片的生长状况在整个生育期中属于最好时期，冬小麦NDVI在整个生育期中处于峰值。因此，从滤波后的NDVI时间序列中提取NDVI最大值所对应的天数顺序，即为当年冬小麦的抽穗期。从返青期到抽穗期，冬小麦的NDVI呈单调递增，在抽穗期达到极大值后，从抽穗期到开花期，处于下降状态。返青期到抽穗期这一增长过程，由Logisitc曲线较为准确地拟合出来。从拟合的曲线中提取出二阶导数的最大值，最大值所对应的天数顺序即为冬小麦的返青期。
根据时间序列的特征提取返青期和抽穗期，在此基础上，从抽穗期开始计算累积NDVI，累积NDVI达到近三年抽穗期到开花期累计NDVI的平均值时，则当天为开花期。同理，在返青期的基础上得到拔节期。
此外，在确定NDVI时间序列数据集之后，还包括下述步骤：
根据每个生长期的NDVI时间序列数据集、样本SM和样本MODIS遥感数据，确定农作物每个生长期对应的NDVI和SM。
在一个实施例中，农作物每个生长期对应的NDVI均需要对NDVI时间序列数据集进行插补得到，具体实施方式与上述确定农作物每个生长期对应的NDVI的实施方式相同，在此不再陈述。
除了确定农作物每个生长期对应的NDVI以外，还需要确定农作物每个生长期对应的SM。
具体的，建立样本SM与LST、第三样本NDVI、地表反照率之间的线性关系；
分别对LST、第三样本NDVI、地表反照率进行重采样，得到目标LST、目标第三样本NDVI和目标地表反照率；
根据线性关系、目标LST、目标第三样本NDVI和目标地表反照率，确定目标SM；
采用NDVI时间序列数据集反演目标SM，确定农作物每个生长期对应的NDVI和SM。
在一个实施例中，样本MODIS遥感数据包括陆地表面温度(Land SurfaceTemperature，LST)、第三样本NDVI和地表反照率(Albedo)。
建立二阶多项式描述地表土壤水分和NDVI，LST，地表反照率之间的多元线性关系，多元线性关系满足下述公式(8)：
M＝∑∑∑aijkNDVI*(i)T*(j)A*(k) (8)
其中，NDVI*表示归一化后的NDVI，T*表示归一化后的LST，A*表示归一化后的地表反照率。其中，aijk表示拟合系数。
将公式(8)展开式，可得下述公式(9)：
Figure BDA0002335055030000121
其中，a000，a001，a010，a110表示拟合系数。
确定样本SM和LST、第三样本NDVI和地表反照率之间的多元线性关系后，对土壤水分、LST、第三样本NDVI和地表反照率进行重采样。例如，将1km遥感影像重新插值得到25km遥感影像，具体利用滑动平均法，使重采样后的MODIS产品空间分辨率与微波数据空间分辨率一致。
利用重采样后的25km分辨率的第三样本NDVI，LST，地表反照率与25km微波土壤水分数据进行多元线性回归，每张遥感影像获得一套25km的回归系数，利用得到的回归系数与对应日期的1km空间分辨率的NDVI，LST，地表反照率进行运算得到1km内的SM，即为目标SM。
为了统一NDVI和目标SM的空间分辨率，可以将得到的目标SM与站点观测的土壤数据结合得到更高分辨率的目标SM(反距离插值)。
根据得到的NDVI时间序列数据集反演目标SM，确定农作物每个生长期对应的NDVI和SM，例如，基于冬小麦NDVI时间序列数据集提取的生长期的具体日期，选择日期相近的多源遥感数据反演目标SM。
得到农作物每个生长期分别对应的NDVI和SM后，训练产量预估模型。
S103：根据农作物每个生长期分别对应的NDVI和SM以及样本农作物产量，训练产量预估模型。
在本发明的一个实施例中，将农作物每个生长期分别对应的NDVI和SM输入至反向传播(Back Propagation，BP)神经网络中，得到农作物产量的预测值。根据农作物产量的预测值和样本农作物产量，训练得到产量预估模型。
为了提供产量预估模型的精度，在训练得到产量预估模型后，还需要对产量预估模型进行优化，具体的：
确定多个反向传播BP神经网络的权值和阈值；
根据农作物每个生长期分别对应的NDVI和SM以及样本农作物产量，采用人工蜂群ABC算法和粒子群优化PSO算法，确定目标权值和目标阈值；
将目标权值和目标阈值作为产量预估模型权值和阈值，得到优化后的产量预估模型。
在基本PSO算法，粒子初始化以后，在不变异的情况下容易向当前的最优点飞行，导致算法整体收敛于局部最优，对全局的搜索性能并不理想；而在ABC算法中，3种蜂群之间的信息交流充足，易产生新的随机解，因此算法具有较强的全局搜索能力，但是对于最优解的搜索效率有明显的下降趋势，算法收敛速度缓慢。综合考虑，本发明实施例提出的一种PSO与ABC混合优化的方法，结合两种算法的优势，提高混合算法的搜索精度和搜索效率。
该混合群智能算法的步骤如图5所示，S501：初始化种群，PSO参数，ABC参数。初始化种群数为η＝m∪n，其中子群A群体个数为m，按照PSO算法进化，子群B群体个数为n，按照ABC算法进化。
S502：计算PSO适应值GAbest。
S503：计算ABC适应值GBbest。
S504：更新个体最优和全局最优。
S505：比较GAbest是否优于GBbest。若是，执行S506。若否，执行S507。
S506：GBbest替代GAbest。
S507：更新粒子位置。
S508：是否达到最终条件。若是，执行SS509。若否，从S502和S503开始循环执行。
S509：输出最优值。
S510：引领蜂进行全局搜索并记录位置。
S511：选择所有适应值中最差的值记为GBworst。
S512：比较GAbest是否优于GBworst。若是，执行S513。若否，执行S514。
S513：GAbest随机替代ABC的替代值。
S514：跟随蜂在现有蜜源附近寻找新蜜源。
S515：计算适应值GBbest。
上述过程的先后执行顺序以图5为准。
基于上述过程，具体包括：
取m∩n个体作为m与n的共享个体，一般取值范围为[-8，10]。
记录A，B的适应值GAbest与GBbest。在ABC每次迭代以后记录子群B的最差适应值GBwost；比较GBwost与GAbest的值，若GAbest优于GBwost则将GAbest代入子群B中随机取代(除之GBwost外)任意一个适应值，否则不做任何操作；ABC迭代结束，将GBbest代入PSO算法比较，若GBbest优于GAbest，则将GBbest取代GAbest的值，随后迭代PSO算法；重复上述步骤直至适应值达到最优或结束条件。
在上述算法中可以明显看出，混合优化算法的前期利用ABC算法可以有效地做到全局搜索，而迭代到后期时又可以利用PSO寻找到的适应值迅速做到最优值的收敛。2种群智能算法之间结合紧密，双方不仅依靠自身的搜索能力，还能有效地共享信息、协作进化，提高算法的收敛性和效率。
了解到PSO算法和ABC算法后，基于PSO算法和ABC算法对产量预测模型进行优化。PSO算法对BP神经网络的优化过程如下：训练网络模型时，将BP神经网络的权值和阈值作为PSO算法的种群参数，将BP神经网络的误差传递函数作为PSO算法的适应度函数，PSO迭代至最优；随后将优化后的权值与阈值作为BP神经网络的初始值，代入训练数据进行迭代，产生相应的网络模型，利用测试数据进行预测。
具体的，如图6所示，初始化BP神经网络参数，建立网络层数及隐含层节点数；初始化优化算法，确定种群数量与初始值，然后使用算法寻找BP神经网络的最优值；载入数据，对数据进行预处理。BP神经网络对数据集做一次迭代，返回的误差函数作为优化算法的适应值；优化算法根据适应值更新粒子位置，将更新后的最优值返回BP神经网络作为下一次迭代的权值和阈值；将迭代获得的权值和阈值代入BP神经网络，作为BP神经网络的权值和阈值，重复迭代至优化算法的结束条件；将最终的粒子位置返回给BP神经网络作为产量预估模型的初始值；BP神经网络迭代至最优网络结构；测试数据输入至产量预估模型中，输出预测结果。
本发明实施例提供的基于提供的模型训练方法，通过获取样本归一化植被指数NDVI、样本土壤水分SM和样本中分辨率成像光谱仪MODIS遥感数据和样本农作物产量；根据样本NDVI、样本SM和样本MODIS遥感数据，确定农作物每个生长期分别对应的NDVI和SM；根据农作物每个生长期分别对应的NDVI和SM以及样本农作物产量，训练产量预估模型，提高了农作物估产精度。
图7为本发明实施例提供的一种农作物产量预估方法流程示意图。
如图7所示，本发明实施例提供的一种农作物产量预估方法包括：
S701：获取产量待预测数据，产量待预测数据包括待预测原始NDVI、待预测原始SM和原始MODIS遥感数据。
在本发明的一个实施例中，待测原始NDVI包括第一原始NDVI和第二原始NDVI，其中，第一原始NDVI是通过遥感卫星HJ-1CCD获取的；第二原始NDVI是通过遥感卫星Landsat-8OLI获取的。待预测原始SM是通过AMSR-E遥感卫星获得。
为了准确地提取出农作物的生长期信息，需要高空间、高时间分辨率遥感数据集。Landsat数据具有相对较高的空间分辨率，但是其时间分辨率偏低，同时大多数农作物容易受到气候的影响，数据源不足等情况将会变得更加严重。环境与灾害监测预报小卫星星座A星、B星(HJ-1A/B)具有4个空间分辨率为40m的可见光波段，重访周期为4天(组网后重访周期为2天)，与Landsat-8OLI传感器拥有相似的可见光波段组合和空间分辨率，具有可比性。因此，本发明实施例采用第一原始NDVI和第二原始NDVI，提高数据的空间、时间分辨率。
为了更准确的预测农作物产量，还需要获取待预测原始SM。其中，待预测原始SM降尺度后，得到的小尺度、高分辨率的空间的待预测原始SM。其中，待预测原始SM降尺度的数据源是通过对陆地表面温度进行内插得到。陆地表面温度内插的原理为，缺失像元与可用像元之间存在空间传输机制，此相关关系可通过计算量化得出，作为时间空间临近像元间关系：某影像获取时间为t，若两个像元温度变化相似，则这两个像元很大可能具有相同的温度梯度，变化从时间t到t0。假设具有相似温度变化的像元存在于LST影像中，则不同时间t和t0间存在函数关系。t和t0间存在函数关系如图1所对应实施例中相同，再次不再重复描述。
S702：根据待预测原始NDVI、待预测原始SM和原始MODIS遥感数据，确定农作物在每个生长期内分别对应的NDVI和SM。
在本发明的一个实施例中，农作物的生长期为农作物一年中显著可见的生长期间。例如，冬小麦的生长期包括返青期、拔节期、抽穗期、开花期和成熟期。在确定农作物在每个生长期分别对应的NDVI和SM之前，需要对待预测原始NDVI、待预测原始SM和待原始MODIS遥感数据进行数据融合。
首先，在进行数据融合之前，需要构建NDVI时间序列数据集。
具体的，待预测原始NDVI包括第一原始NDVI和第二原始NDVI；根据待预测原始NDVI，确定农作物在生长期内的NDVI时间序列数据集，包括：
将第一原始NDVI和第二原始NDVI进行最小二乘回归，得到目标NDVI；
对目标NDVI进行滤波；
对进行滤波后的目标NDVI进行线性插值，得到农作物在生长期内的NDVI时间序列数据集。
在本发明实施例中，构建NDVI时间序列数据集如图1所对应实施例中构建样本NDVI时间序列数据集方式相同，再次不再重复描述。
确定农作物在生长期内的NDVI时间序列数据集之后，还包括：
根据NDVI时间序列数据集、待预测原始SM和原始MODIS遥感数据，确定农作物每个生长期对应的NDVI和SM。
具体的，原始MODIS遥感数据包括陆地表面温度LST、第三原始NDVI和地表反照率；根据NDVI时间序列数据集、待预测原始SM和原始MODIS遥感数据，确定农作物每个生长期对应的NDVI和SM，包括：
建立原始SM与LST、第三原始NDVI、地表反照率之间的线性关系；
分别对LST、第三原始NDVI、地表反照率进行重采样，得到目标LST、目标第三NDVI和目标地表反照率；
根据线性关系、目标LST、目标样本NDVI和目标地表反照率，确定目标SM；
采用NDVI时间序列数据集反演目标SM，确定农作物每个生长期对应的NDVI和SM。
在本发明的一个实施例中，为了统一NDVI和目标SM的空间分辨率，可以将得到的目标SM与站点观测的土壤数据结合得到更高分辨率的目标SM(反距离插值)。
根据得到的NDVI时间序列数据集反演目标SM，确定农作物每个生长期对应的NDVI和SM，例如，基于冬小麦NDVI时间序列数据集提取的生长期的具体日期，选择日期相近的多源遥感数据反演目标SM。
S703：将农作物在每个生长期内分别对应的NDVI和SM输入至产量预估模型，确定农作物产量。
分别对LST、第三原始NDVI、地表反照率进行重采样，得到目标LST、目标第三NDVI和目标地表反照率；
根据线性关系、目标LST、目标样本NDVI和目标地表反照率，确定目标SM；
采用NDVI时间序列数据集反演目标SM，确定农作物每个生长期对应的NDVI和SM。
本发明实施例提供的获取产量待预测数据，产量待预测数据包括待预测原始NDVI、待预测原始SM和原始MODIS遥感数据；根据待预测原始NDVI、待预测原始SM和原始MODIS遥感数据，确定农作物在每个生长期内分别对应的NDVI和SM；将农作物在每个生长期内分别对应的NDVI和SM输入至产量预估模型，确定农作物产量，提高了农作物估产精度。
以冬小麦为例，如图8所示，本发明实施例基于多源遥感数据融合归一化植被指数NDVI和土壤水分SM，利用混合群智能算法优化BP神经网络预估冬小麦产量。
具体的，针对归一化植被指数NDVI，获取HJ-1CCD NDVI和Landsat-8NDVI。对HJ-1CCD NDVI和Landsat-8NDVI进行最小二乘回归，得到校正后的NDVI。对校正后的NDVI进行S-G滤波，并对滤波后的NDVI进行时序数平滑插值，得到融合后的NDVI。
针对土壤水分SM，获取AMSR-E SM和MODIS LST，NDVI，地表反照率(Albedo)。建立土壤水分SM和MODIS LST、NDVI、地表反照率(Albedo)之间的多元线性关系。并对土壤水分SM(AMSR-E SM)和MODIS LST、NDVI、地表反照率(Albedo)进行重采样。基于土壤水分SM和MODIS LST、NDVI、地表反照率(Albedo)之间的多元线性关系，对重采样后的土壤水分SM和MODIS LST、NDVI、地表反照率(Albedo)进行多元线性回归，得到融合后的SM。
将融合后的NDVI和融合后的SM输入至产量预估模型中，冬小麦产量预测结果。其中，产量预估模型是通过混合群智能算法优化得到。
图9是本发明实施例提供的一种模型训练装置的结构示意图。如图9所示，该装置可以包括：获取模块901、确定模块902、训练模块903。
获取模块901，用于获取样本归一化植被指数NDVI、样本土壤水分SM和样本中分辨率成像光谱仪MODIS遥感数据和样本农作物产量；
确定模块902，用于根据样本NDVI、样本SM和样本MODIS遥感数据，确定农作物每个生长期分别对应的NDVI和SM；
训练模块903，用于根据农作物每个生长期分别对应的NDVI和SM以及样本农作物产量，训练产量预估模型。
可选的，确定模块902，具体用于：
根据样本NDVI，确定农作物在每个生长期内的NDVI时间序列数据集；
根据每个生长期的NDVI时间序列数据集、样本SM和样本MODIS遥感数据，确定农作物每个生长期对应的NDVI和SM。
可选的，样本NDVI包括第一样本NDVI和第二样本NDVI；确定模块902，具体用于：
将第一样本NDVI和第二样本NDVI进行最小二乘回归，得到目标样本NDVI；
对目标样本NDVI进行滤波；
对进行滤波后的目标样本NDVI进行线性插值，得到农作物在生长期内的NDVI时间序列数据集。
可选的，样本MODIS遥感数据包括陆地表面温度LST、第三样本NDVI和地表反照率；确定模块902具体用于：
建立样本SM与LST、第三样本NDVI、地表反照率之间的线性关系；
分别对LST、第三样本NDVI、地表反照率进行重采样，得到目标LST、目标第三样本NDVI和目标地表反照率；
根据线性关系、目标LST、目标第三样本NDVI和目标地表反照率，确定目标SM；
采用NDVI时间序列数据集反演目标SM，确定农作物每个生长期对应的NDVI和SM。
可选的，该装置还包括优化模块，用于：
确定多个反向传播BP神经网络的权值和阈值；
根据农作物每个生长期分别对应的NDVI和SM以及样本农作物产量，采用人工蜂群(Artificial Bee Colony，ABC)算法和粒子群优化(Particle Swarm Optimization，PSO)算法，确定目标权值和目标阈值；
将目标权值和目标阈值作为产量预估模型权值和阈值，得到优化后的产量预估模型。
本发明实施例提供的模型训练装置执行图1所示的方法中的各个步骤，并能够达到提高农作物估产精度的技术效果，为简洁描述，再此不在详细赘述。
本发明实施例提供的模型训练装置，通过获取模块901用于获取样本归一化植被指数NDVI、样本土壤水分SM和样本中分辨率成像光谱仪MODIS遥感数据和样本农作物产量；确定模块902，用于根据样本NDVI、样本SM和样本MODIS遥感数据，确定农作物每个生长期分别对应的NDVI和SM；训练模块903，用于根据农作物每个生长期分别对应的NDVI和SM以及样本农作物产量，训练产量预估模型，提高了农作物估产精度。
图10是本发明实施例提供的一种农作物产量预估装置的结构示意图。
如图10所示，该装置可以包括：获取模块1001、确定模块1002和产量确定模块1003。
获取模块1001，用于获取产量待预测数据，产量待预测数据包括待预测原始NDVI、待预测原始SM和原始MODIS遥感数据；
确定模块1002，用于根据待预测原始NDVI、待预测原始SM和原始MODIS遥感数据，确定农作物在每个生长期内分别对应的NDVI和SM；
产量确定模块1003，用于将农作物在每个生长期内分别对应的NDVI和SM输入至产量预估模型，确定农作物产量。
可选的，确定模块1002，具体用于：
根据待预测原始NDVI，确定农作物在生长期内的NDVI时间序列数据集；
根据NDVI时间序列数据集、待预测原始SM和原始MODIS遥感数据，确定农作物每个生长期对应的NDVI和SM。
可选的，待预测原始NDVI包括第一原始NDVI和第二原始NDVI；确定模块1002，具体用于：
将第一原始NDVI和第二原始NDVI进行最小二乘回归，得到目标NDVI；
对目标NDVI进行滤波；
对进行滤波后的目标NDVI进行线性插值，得到农作物在生长期内的NDVI时间序列数据集。
可选的，原始MODIS遥感数据包括陆地表面温度LST、第三原始NDVI和地表反照率；确定模块1002，具体用于：
建立原始SM与LST、第三原始NDVI、地表反照率之间的线性关系；
分别对LST、第三原始NDVI、地表反照率进行重采样，得到目标LST、目标第三NDVI和目标地表反照率；
根据线性关系、目标LST、目标样本NDVI和目标地表反照率，确定目标SM；
采用NDVI时间序列数据集反演目标SM，确定农作物每个生长期对应的NDVI和SM。
本发明实施例提供的农作物产量预估装置执行图6所示的方法中的各个步骤，并能够达到提高农作物估产精度的技术效果，为简洁描述，再此不在详细赘述。
本发明实施例提供的一种农作物产量预估装置，通过获取模块1001，用于获取产量待预测数据，产量待预测数据包括待预测原始NDVI、待预测原始SM和原始MODIS遥感数据；确定模块1002，用于根据待预测原始NDVI、待预测原始SM和原始MODIS遥感数据，确定农作物在每个生长期内分别对应的NDVI和SM；产量确定模块1003，用于将农作物在每个生长期内分别对应的NDVI和SM输入至产量预估模型，确定农作物产量，提高了农作物估产精度。
图11示出了本发明实施例提供的一种电子设备的硬件结构示意图。
在电子设备可以包括处理器1101以及存储有计算机程序指令的存储器1102。
具体地，上述处理器1101可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器1102可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器1102可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器1102可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器1102可在综合网关容灾设备的内部或外部。在特定实施例中，存储器1102是非易失性固态存储器。在特定实施例中，存储器1102包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器1101通过读取并执行存储器1102中存储的计算机程序指令，以实现上述实施例中的任意一种小麦产量预测方法。
在一个示例中，电子设备还可包括通信接口1103和总线1110。其中，如图11所示，处理器1101、存储器1102、通信接口1103通过总线1110连接并完成相互间的通信。
通信接口1103，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线1110包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线1110可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
该电子设备可以执行本发明实施例中的模型训练方法或农作物产量预估方法，从而实现结合图1描述的模型训练方法或图7描述的农作物产量预估方法。
另外，结合上述实施例中的小麦产量预测方法，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种小麦产量预测方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种模型训练方法，其特征在于，所述方法包括：
获取样本归一化植被指数NDVI、样本土壤水分SM和样本中分辨率成像光谱仪MODIS遥感数据和样本农作物产量；
根据所述样本NDVI、所述样本SM和所述样本MODIS遥感数据，确定农作物每个生长期分别对应的NDVI和SM；
根据所述农作物每个生长期分别对应的NDVI和SM以及所述样本农作物产量，训练产量预估模型；
所述根据所述样本NDVI、所述样本SM和所述样本MODIS遥感数据，确定农作物每个生长期对应的NDVI和SM，包括：
根据所述样本NDVI，确定所述农作物的NDVI时间序列数据集；
根据所述NDVI时间序列数据集、所述样本SM和所述样本MODIS遥感数据，确定所述农作物每个生长期对应的NDVI和SM；
所述样本MODIS遥感数据包括陆地表面温度LST、第三样本NDVI和地表反照率；所述根据所述NDVI时间序列数据集、所述样本SM和所述样本MODIS遥感数据，确定所述农作物每个生长期对应的NDVI和SM，包括：
建立所述样本SM与所述LST、所述第三样本NDVI、所述地表反照率之间的线性关系；
分别对所述LST、所述第三样本NDVI、所述地表反照率进行重采样，得到目标LST、目标第三样本NDVI和目标地表反照率；
根据所述线性关系、所述目标LST、所述目标第三样本NDVI和所述目标地表反照率，确定目标SM；
采用所述NDVI时间序列数据集反演所述目标SM，确定所述农作物每个生长期对应的NDVI和SM。
2.根据权利要求1所述的方法，其特征在于，所述样本NDVI包括第一样本NDVI和第二样本NDVI；所述根据所述样本NDVI，确定NDVI时间序列数据集，包括：
将所述第一样本NDVI和所述第二样本NDVI进行最小二乘回归，得到目标样本NDVI；
对所述目标样本NDVI进行滤波；
对进行滤波后的目标样本NDVI进行线性插值，得到所述农作物的NDVI时间序列数据集。
3.根据权利要求1所述的方法，其特征在于，在训练产量预估模型之后，所述方法还包括：
确定多个反向传播BP神经网络的权值和阈值；
根据所述农作物每个生长期分别对应的NDVI和SM以及所述样本农作物产量，采用人工蜂群ABC算法和粒子群优化PSO算法，确定目标权值和目标阈值；
将所述目标权值和所述目标阈值作为所述产量预估模型权值和阈值，得到优化后的产量预估模型。
4.一种农作物产量预估方法，其特征在于，所述方法包括：
获取产量待预测数据，所述产量待预测数据包括待预测原始NDVI、待预测原始SM和原始MODIS遥感数据；
根据所述待预测原始NDVI、所述待预测原始SM和所述原始MODIS遥感数据，确定农作物在每个生长期内分别对应的NDVI和SM；
将所述农作物在每个生长期内分别对应的NDVI和SM输入至如权利要求1-3任意一项所述的产量预估模型，确定农作物产量；
所述根据所述待预测原始NDVI、所述待预测原始SM和所述原始MODIS遥感数据，确定农作物在每个生长期内分别对应的NDVI和SM，包括：
根据所述待预测原始NDVI，确定所述农作物在生长期内的NDVI时间序列数据集；
根据所述NDVI时间序列数据集、所述待预测原始SM和所述原始MODIS遥感数据，确定所述农作物每个生长期对应的NDVI和SM；
所述原始MODIS遥感数据包括陆地表面温度LST、第三原始NDVI和地表反照率；所述根据所述NDVI时间序列数据集、所述待预测原始SM和所述原始MODIS遥感数据，确定所述农作物每个生长期对应的NDVI和SM，包括：
建立所述原始SM与所述LST、所述第三原始NDVI、所述地表反照率之间的线性关系；
分别对所述LST、所述第三原始NDVI、所述地表反照率进行重采样，得到目标LST、目标第三NDVI和目标地表反照率；
根据所述线性关系、所述目标LST、所述目标样本NDVI和所述目标地表反照率，确定目标SM；
采用所述NDVI时间序列数据集反演所述目标SM，确定所述农作物每个生长期对应的NDVI和SM。
5.根据权利要求4所述的方法，其特征在于，所述待预测原始NDVI包括第一原始NDVI和第二原始NDVI；所述根据所述待预测原始NDVI，确定所述农作物在生长期内的NDVI时间序列数据集，包括：
将所述第一原始NDVI和所述第二原始NDVI进行最小二乘回归，得到目标NDVI；
对所述目标NDVI进行滤波；
对进行滤波后的目标NDVI进行线性插值，得到所述农作物在生长期内的NDVI时间序列数据集。
6.一种模型训练装置，其特征在于，所述装置包括：
获取模块，用于获取样本归一化植被指数NDVI、样本土壤水分SM和样本中分辨率成像光谱仪MODIS遥感数据和样本农作物产量；
确定模块，用于根据所述样本NDVI、所述样本SM和所述样本MODIS遥感数据，确定农作物每个生长期分别对应的NDVI和SM；
训练模块，用于根据所述农作物每个生长期分别对应的NDVI和SM以及所述样本农作物产量，训练产量预估模型；
确定模块具体用于：
根据所述样本NDVI，确定所述农作物的NDVI时间序列数据集；
根据所述NDVI时间序列数据集、所述样本SM和所述样本MODIS遥感数据，确定所述农作物每个生长期对应的NDVI和SM；
所述样本MODIS遥感数据包括陆地表面温度LST、第三样本NDVI和地表反照率；确定模块还具体用于：
建立所述样本SM与所述LST、所述第三样本NDVI、所述地表反照率之间的线性关系；
分别对所述LST、所述第三样本NDVI、所述地表反照率进行重采样，得到目标LST、目标第三样本NDVI和目标地表反照率；
根据所述线性关系、所述目标LST、所述目标第三样本NDVI和所述目标地表反照率，确定目标SM；
采用所述NDVI时间序列数据集反演所述目标SM，确定所述农作物每个生长期对应的NDVI和SM。
7.一种农作物产量预估装置，其特征在于，所述装置包括：
获取模块，用于获取产量待预测数据，所述产量待预测数据包括待预测原始NDVI、待预测原始SM和原始MODIS遥感数据；
确定模块，用于根据所述待预测原始NDVI、所述待预测原始SM和所述原始MODIS遥感数据，确定农作物在每个生长期内分别对应的NDVI和SM；
产量确定模块，用于将所述农作物在每个生长期内分别对应的NDVI和SM输入至如权利要求1-3任意一项所述的产量预估模型，确定农作物产量；
确定模块具体用于：
根据所述待预测原始NDVI，确定所述农作物在生长期内的NDVI时间序列数据集；
根据所述NDVI时间序列数据集、所述待预测原始SM和所述原始MODIS遥感数据，确定所述农作物每个生长期对应的NDVI和SM；
所述原始MODIS遥感数据包括陆地表面温度LST、第三原始NDVI和地表反照率；确定模块还具体用于：
建立所述原始SM与所述LST、所述第三原始NDVI、所述地表反照率之间的线性关系；
分别对所述LST、所述第三原始NDVI、所述地表反照率进行重采样，得到目标LST、目标第三NDVI和目标地表反照率；
根据所述线性关系、所述目标LST、所述目标样本NDVI和所述目标地表反照率，确定目标SM；
采用所述NDVI时间序列数据集反演所述目标SM，确定所述农作物每个生长期对应的NDVI和SM。
8.一种电子设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-3任意一项所述的模型训练预测方法、或实现如权利要求4或5所述的农作物产量预估方法。
9.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-3任意一项所述的模型训练方法、或实现如权利要求4或5所述的农作物产量预估方法。
CN201911352742.XA 2019-12-25 2019-12-25 模型训练方法和农作物产量预估方法 Active CN113033262B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911352742.XA CN113033262B (zh) 2019-12-25 2019-12-25 模型训练方法和农作物产量预估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911352742.XA CN113033262B (zh) 2019-12-25 2019-12-25 模型训练方法和农作物产量预估方法

Publications (2)

Publication Number Publication Date
CN113033262A CN113033262A (zh) 2021-06-25
CN113033262B true CN113033262B (zh) 2022-08-05

Family

ID=76452299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911352742.XA Active CN113033262B (zh) 2019-12-25 2019-12-25 模型训练方法和农作物产量预估方法

Country Status (1)

Country Link
CN (1) CN113033262B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537604B (zh) * 2021-07-21 2023-10-10 中国农业大学 耦合过程模型和深度学习的农作物产量预测方法及装置
CN113553549B (zh) * 2021-07-26 2023-04-14 中国科学院西北生态环境资源研究院 一种植被覆盖度反演方法、装置、电子设备及存储介质
CN113554232A (zh) * 2021-07-26 2021-10-26 吉林大学 一种农作物产量预测方法及系统
CN114782829A (zh) * 2022-06-22 2022-07-22 浙江甲骨文超级码科技股份有限公司 产量预估模型的构建方法及系统、产量预估方法及系统
CN114782832B (zh) * 2022-06-24 2022-11-04 中国农业科学院农业资源与农业区划研究所 农作物提取方法、装置、可读存储介质及电子设备
CN116432859B (zh) * 2023-05-08 2023-10-27 中山大学 一种作物产量统计数据降尺度方法
CN117496363A (zh) * 2023-08-28 2024-02-02 广东省国土资源测绘院 融合主被动微波遥感的作物产量估算方法、系统及设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033230A (zh) * 2009-09-25 2011-04-27 中国农业科学院农业资源与农业区划研究所 一种草原卫星遥感监测系统及方法
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
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
CN103824223A (zh) * 2014-02-21 2014-05-28 浙江大学 基于MapReduce和神经网络的农作物产量遥感估算方法
CN104134095A (zh) * 2014-04-17 2014-11-05 中国农业大学 一种基于尺度转换和数据同化的农作物产量估测方法
CN104463359A (zh) * 2014-12-01 2015-03-25 河海大学常州校区 一种基于bp神经网络的疏浚作业产量预测模型分析方法
CN108985588A (zh) * 2018-06-28 2018-12-11 中国科学院遥感与数字地球研究所 一种农作物单产遥感估算方法、装置与系统
CN109142359A (zh) * 2018-08-23 2019-01-04 中国水利水电科学研究院 一种基于时间序列遥感数据的农作物长势监测方法
CN109508824A (zh) * 2018-11-07 2019-03-22 西京学院 一种农作物生长态势检测及产量预估方法
CN109509112A (zh) * 2018-10-31 2019-03-22 武汉珈和科技有限公司 基于modis ndvi的全球大豆和玉米主产区产量评估方法及系统
CN109919395A (zh) * 2019-04-01 2019-06-21 安徽大学 一种基于短周期遥感区域数据的冬小麦产量估测方法
CN110427995A (zh) * 2019-07-24 2019-11-08 中国科学院遥感与数字地球研究所 一种基于多源遥感数据的贝叶斯土壤水分估算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7702597B2 (en) * 2004-04-20 2010-04-20 George Mason Intellectual Properties, Inc. Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033230A (zh) * 2009-09-25 2011-04-27 中国农业科学院农业资源与农业区划研究所 一种草原卫星遥感监测系统及方法
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
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
CN103824223A (zh) * 2014-02-21 2014-05-28 浙江大学 基于MapReduce和神经网络的农作物产量遥感估算方法
CN104134095A (zh) * 2014-04-17 2014-11-05 中国农业大学 一种基于尺度转换和数据同化的农作物产量估测方法
CN104463359A (zh) * 2014-12-01 2015-03-25 河海大学常州校区 一种基于bp神经网络的疏浚作业产量预测模型分析方法
CN108985588A (zh) * 2018-06-28 2018-12-11 中国科学院遥感与数字地球研究所 一种农作物单产遥感估算方法、装置与系统
CN109142359A (zh) * 2018-08-23 2019-01-04 中国水利水电科学研究院 一种基于时间序列遥感数据的农作物长势监测方法
CN109509112A (zh) * 2018-10-31 2019-03-22 武汉珈和科技有限公司 基于modis ndvi的全球大豆和玉米主产区产量评估方法及系统
CN109508824A (zh) * 2018-11-07 2019-03-22 西京学院 一种农作物生长态势检测及产量预估方法
CN109919395A (zh) * 2019-04-01 2019-06-21 安徽大学 一种基于短周期遥感区域数据的冬小麦产量估测方法
CN110427995A (zh) * 2019-07-24 2019-11-08 中国科学院遥感与数字地球研究所 一种基于多源遥感数据的贝叶斯土壤水分估算方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
A comparison of machine learning algorithms for regional wheat yield prediction using NDVI time series of SPOT-VGT;Michiel Stas 等;《2016 Fifth International Conference on Agro-Geoinformatics》;20160929;第1-5页 *
Crop yield estimation model for Iowa using remote sensing and surface parameters;Anup K. Prasad 等;《International Journal of Applied Earth Observation and Geoinformation》;20050728;第8卷(第1期);第26-33页 *
Regional yield estimation for winter wheat with MODIS-NDVI data in Shandong, China;Jianqiang Ren 等;《International Journal of Applied Earth Observation and Geoinformation》;20080116;第10卷(第4期);第403-413页 *
Sugarcane Crop Yield Forecasting Model Using Supervised Machine Learning;Ramesh A. Medar 等;《MECS 2019》;20190820;第11-20页 *
基于生态因子的冬小麦产量遥感估测研究;李卫国 等;《麦类作物学报》;20090915;第29卷(第5期);第906-909页 *
基于粗糙集理论和 BP 神经网络的大豆产量预测;王凤花 等;《纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会论文集》;20090822;第1-3页 *
基于遥感 DSI 指数的干旱与冬小麦产量相关性分析;黄健熙 等;《农业机械学报》;20150325;第46卷(第3期);第166-173页 *
灰色理论和神经网络对粮食产量的预测;徐小华 等;《鸡西大学学报》;20141020;第14卷(第10期);第44-45页 *

Also Published As

Publication number Publication date
CN113033262A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN113033262B (zh) 模型训练方法和农作物产量预估方法
US11275197B2 (en) Forecasting national crop yield during the growing season
US9652840B1 (en) System and method for remote nitrogen monitoring and prescription
US20220061236A1 (en) Accessing agriculture productivity and sustainability
US20220261928A1 (en) Crop yield forecasting models
Schlosser et al. Distributional regression forests for probabilistic precipitation forecasting in complex terrain
EP3719722A1 (en) Forecasting national crop yield during the growing season
Byakatonda et al. Prediction of onset and cessation of austral summer rainfall and dry spell frequency analysis in semiarid Botswana
US11762125B2 (en) Forecasting national crop yield during the growing season
CN116227758B (zh) 基于遥感技术和深度学习的农产品成熟度预测方法及系统
CN108537679B (zh) 遥感与作物模型融合的区域尺度作物出苗日期估算方法
Swain et al. A framework for managing irrigation water requirements under climatic uncertainties over Beed district, Maharashtra, India
Srikanth et al. Small Holders Farming Predictive Analysis Using Peer-To-Peer Approach
Jiang et al. Learning space-time crop yield patterns with zigzag persistence-based lstm: Toward more reliable digital agriculture insurance
CN117423003B (zh) 一种冬小麦越冬期苗情分级遥感监测方法
Ayub et al. Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning
Kanna et al. A maize crop yield optimization and healthcare monitoring framework using firefly algorithm through iot
Tabatabaii et al. Comparison of computed sugar beet evapotranspiration by the Penman-Monteith equation using measured climatological parameters and predicted products of GFS, ECMWF and GFS meteorological forecasting models in the Jovein region
Jala et al. Machine Learning, Deep Learning Models for Agro-Meteorology Applications
Pompei et al. Validation of retrieval algorithms for the infrared remote sensing of precipitation with the Sardinian rain gauge network data
Bhartra et al. Agricultural Yield Estimation of Various Crops in Southern India Using Vegetation Index
Piccard et al. Potato monitoring in Belgium with “WatchITGrow”
Koutroumpas et al. A Sentinel based agriculture monitoring scheme for the control of the CAP and food security
Taravat et al. Estimation of Sugarcane Yield Using Multi-Temporal Sentinel 2 Satellite Imagery and Random Forest Regression
Henriette Within-Season Crop Type Mapping Based On The Time Series Of Sentinel-1, Sentinel-2, Weather, And Historical Cropland Data

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