CN113139717B - 作物苗情分级遥感监测方法及装置 - Google Patents
作物苗情分级遥感监测方法及装置 Download PDFInfo
- Publication number
- CN113139717B CN113139717B CN202110351494.8A CN202110351494A CN113139717B CN 113139717 B CN113139717 B CN 113139717B CN 202110351494 A CN202110351494 A CN 202110351494A CN 113139717 B CN113139717 B CN 113139717B
- Authority
- CN
- China
- Prior art keywords
- vegetation index
- seedling
- classification
- area
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000005315 distribution function Methods 0.000 claims abstract description 27
- 230000001419 dependent effect Effects 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 6
- 241000209140 Triticum Species 0.000 description 29
- 235000021307 Triticum Nutrition 0.000 description 29
- 238000004891 communication Methods 0.000 description 6
- 235000013339 cereals Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000012272 crop production Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Abstract
本发明提供一种作物苗情分级遥感监测方法及装置,该方法包括:获取二级区域的植被指数;根据二级区域的苗情分级统计数据,确定每种苗情等级的统计概率;根据二级区域植被指数的概率密度分布函数,确定苗情分级的植被指数阈值,以使得根据概率密度分布函数得到的苗情等级概率,与统计概率一致;以多个二级区域的纬度为自变量,植被指数阈值为应变量进行拟合,得到分级阈值模型;基于分级阈值模型和二级区域的纬度,确定每个二级区域的植被指数分级阈值;基于所有二级区域的植被指数分级阈值,确定一级区域的苗情分级。该方法可以提取不同地区、不同条件下的作物苗情状况,苗情分级结果具有较高的精度,普适性和稳定性较强,无需耗费大量人力物力。
Description
技术领域
本发明涉及作物苗情监测技术领域,尤其涉及一种作物苗情分级遥感监测方法及装置。
背景技术
小麦是我国的主要粮食作物,其高产稳产是保障国家粮食安全的关键,及时准确地掌握冬小麦生长监测和长势定量评价技术已成为农业部门农情调度和广大农民的重要科学决策依据,也是促进农业生产科学管理,确保农作物增产丰收的重中之重。根据冬小麦的苗情长势情况,农学调查时将其分为不同的级别,即一类苗、二类苗、三类苗以及旺长苗。一、二类苗的比例越高,对小麦丰产丰收越有利。
目前,在实际生产中为掌握冬小麦苗情分级多需要农技人员选取代表性样点,通常0.1hm2至少需要3个样点,实地调查播种期、基本苗、叶龄、生育进程、亩茎蘖数及单株茎蘖数以及土壤、气候等指标,综合考量给出结果。若要掌握县级、市级、省级乃至全国情况,所需人力物力更不可估量。并且该种方法给出的结果受调查人员主观影响较大,存在同一区域不同调查人员,给出结果不一致的现象。再者这种设点抽样的方式,以点带面也往往会存在偏差。因此,如何开展简单高效精准的农情分级监测,及时准确大面积的获取冬小麦长势情况,对于农业部门掌握全国各地的小麦长势信息,及时做出调度和决策具有重要意义。
目前的冬小麦苗情监测以目测手查为主,多为设点抽样上报,该方法所需人力物力随监测面积的增大而成倍增加,且以点带面较容易产生偏差。再者苗情的判定指标繁杂、涉及的调查因素较多,判定结果受调查人员主观影响较强,存在不同的调查人员,给出结果不一致的现象。
发明内容
针对现有技术存在的问题,本发明提供一种作物苗情分级遥感监测方法及装置。
本发明提供一种作物苗情分级遥感监测方法,包括:获取二级区域的遥感数据,确定植被指数;根据二级区域的苗情分级统计数据,确定每种苗情等级的统计概率;获取二级区域植被指数的概率密度分布函数,并确定苗情分级的植被指数阈值,以使得根据植被指数阈值从概率密度分布函数得到的苗情等级概率,与所述统计概率一致;以多个二级区域的纬度为自变量,对应的植被指数阈值为应变量进行线性拟合,得到具有纬度变量的植被指数分级阈值模型;基于所述植被指数分级阈值模型和二级区域的纬度,确定一级区域中每个二级区域随纬度变化的植被指数分级阈值;根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级;其中,所述一级区域由多个二级区域构成。
根据本发明一个实施例的作物苗情分级遥感监测方法,所述植被指数为归一化植被指数NDVI。
根据本发明一个实施例的作物苗情分级遥感监测方法,所述二级区域为县级或区级区域,所述一级区域为省或市级区域。
根据本发明一个实施例的作物苗情分级遥感监测方法,确定苗情分级的植被指数阈值,以使得根据植被指数阈值从概率密度分布函数得到的概率,与所述统计概率一致,包括:
其中,Ni和Nj分别为苗情等级两侧的阈值,划分NDVI值最高的等级时,Nj为1;划分NDVI最低的等级时,Ni为k,k为待分级作物NDVI与其它作物NDVI的分类界限值;P为统计概率。
根据本发明一个实施例的作物苗情分级遥感监测方法,所述根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级,具体为:根据一级区域中,每个二级区域随纬度变化的植被指数分级阈值,确定所有二级区域的苗情分级。
根据本发明一个实施例的作物苗情分级遥感监测方法,所述以多个二级区域的纬度为自变量,对应的植被指数阈值为应变量进行线性拟合,得到具有纬度变量的植被指数分级阈值模型,包括根据下式确定:
Thre1=a*Lat+b
Thre2=average(Threc_Thre2)
其中,Thre1为一类苗和二类苗的NDVI划分阈值,Thre2为二类苗和三类苗的NDVI划分阈值;average(Threc_Thre2)表示不同二级区域的二类苗和三类苗的NDVI划分阈值的均值;Lat表示纬度;a和b表示拟合参数。
根据本发明一个实施例的作物苗情分级遥感监测方法,根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级之后,还包括:根据一级区域的苗情分级,绘制苗情遥感监测图。
本发明还提供一种作物苗情分级遥感监测装置,包括:数据获取模块,用于获取二级区域的遥感数据,确定植被指数;阈值确定模块,用于根据二级区域的苗情分级统计数据,确定每种苗情等级的统计概率;获取二级区域植被指数的概率密度分布函数,并确定苗情分级的植被指数阈值,以使得根据植被指数阈值从概率密度分布函数得到的苗情等级概率,与所述统计概率一致;分级阈值生成模块,用于以多个二级区域的纬度为自变量,对应的植被指数阈值为应变量进行线性拟合,得到具有纬度变量的植被指数分级阈值模型;基于所述植被指数分级阈值模型和二级区域的纬度,确定一级区域中每个二级区域随纬度变化的植被指数分级阈值;苗情分级模块,用于根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级;其中,所述一级区域由多个二级区域构成。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述作物苗情分级遥感监测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述作物苗情分级遥感监测方法的步骤。
本发明提供的作物苗情分级遥感监测方法及装置,通过基于遥感信息的作物苗情分级,可以提取不同地区、不同条件下的作物苗情状况,苗情分级结果具有较高的精度,普适性和稳定性较强,无需耗费大量的人力物力。对于提高作物生产和管理效率,维护粮食和生态安全具有重要意义。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的作物苗情分级遥感监测方法的流程示意图;
图2是本发明提供的农情统计分级比例与NDVI阈值划分比例的相关性分析;
图3是本发明提供的作物苗情分级遥感监测装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
遥感技术具有宏观、适时和动态的特点,利用遥感数据监测区域冬小麦苗情长势具有无可比拟的优势。目前,冬小麦苗情分级的遥感监测方法非常有限。其中,基于监督分类、非监督分类及植被指数的时间序列曲线等分类方法,对于麦田种植面积提取具有明显的优势,但在冬小麦苗情级别分类上不确定性较大,所得结果往往与实际调查情况不符,对指导农业生产的意义不大。
综合考虑冬小麦苗情分级工作的繁杂以及获取所需数据的难易情况,本发明基于官方农情统计数据,应用概率分布函数确定遥感信息(植被指数)的苗情分级阈值,在此基础上还可通过与地理空间位置信息(纬度)建立相关关系,得到适用于不同区域更大范围的、简洁而又可靠的冬小麦苗情遥感监测方法。该方法基于较易获取的遥感信息(植被指数)以及少量的农情统计数据,实现冬小麦苗情分级的高精度遥感探测,同时便于在不同空间尺度上应用拓展,实用性和普适性较强。另外,该方法的思路也适用于其他作物(如玉米、水稻、油菜等)苗情的预测。
下面结合图1-图4描述本发明的作物苗情分级遥感监测方法及装置。图1是本发明提供的作物苗情分级遥感监测方法的流程示意图,如图1所示,本发明提供作物苗情分级遥感监测方法,包括:
101、获取二级区域的遥感数据,确定植被指数。
二级区域为一级区域的下属区域,通常二级区域为县级,一级区域为省市级别,以下以此为例说明。县级区域的苗情分级统计数据可根据官方农情统计数据得到,如一类、二类和三类苗情的分布统计数据。
根据遥感影像提取植被指数,可选取天气晴朗、云量少的MODIS遥感数据,根据波段反射信息获取植被指数数据。例如为NDVI植被指数,以下以此为例进行说明。
根据作物种植面积提取结果和所获取的MODIS影像的NDVI数据,提取当季作物的NDVI;并基于当前的行政矢量图,对县级作物NDVI进行提取:
NDVI=(NIR-R)/(NIR+R)
其中,NDVI为归一化差值植被指数;R为红外波段;NIR为近红外波段。
102、根据二级区域的苗情分级统计数据,确定每种苗情等级的统计概率;获取二级区域植被指数的概率密度分布函数,并确定苗情分级的若干植被指数阈值,以使得根据植被指数阈值从概率密度分布函数得到的苗情等级概率,与所述统计概率一致。
基于县级作物的遥感信息和官方农情统计数据,利用概率分布函数提取县级一类苗、二类苗和三类苗分级的NDVI阈值。
一方面,通过二级区域的苗情分级统计数据,可以确定一类苗、二类苗和三类苗的概率。例如,一类苗、二类苗和三类苗的统计概率分布为0.2、0.3和0.5,分别记为P1、P2和P3,则一类苗的统计概率为P1=0.2。
另一方面,植被指数的概率密度分布函数,是以植被指数为自变量的函数,记为f(NDVI),NDVI取值0到1,所有等级可根据不同的被指数阈值进行划分。例如,三个等级可以由至少两个植被指数阈值进行划分,设为N1和N2划分,假设N1最大,NDVI取值N1~1则为一类苗。在植被指数的概率密度分布函数上,从N1到1进行积分,便可得到一类苗的概率由于P(N1≤NDVI<1)和P1相等,从而得到划分一类苗和二类苗分级的植被指数阈值N1。以此类推,可得到所有等级的植被指数划分阈值。
103、以多个二级区域的纬度为自变量,对应的植被指数阈值为应变量进行线性拟合,得到具有纬度变量的植被指数分级阈值模型;基于所述植被指数分级阈值模型和二级区域的纬度,确定一级区域中每个二级区域随纬度变化的植被指数分级阈值。
虽然利用遥感信息在同一区域不同生育时期对冬小麦苗情分级准确性较高,但由于地理差异的存在使在更大面积区域推广时估算精度受限。因此,鉴于不同地区冬小麦生育进程及生态条件的不同,构建结合地理信息的冬小麦苗情遥感划分方法对简化苗情分级的亦非常重要。
考虑到不同地理位置的苗情分级阈值不同,为了保证苗情分级精度,103中对若干二级区域得到的植被指数阈值进行扩展,以准确适用一级区域的所有二级区域。
104、根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级。
通过二级区域的统计数据,得到了决定性的植被指数分级阈值。以此对整个一级区域进行苗情等级的划分。例如,利用县级区域的一类苗、二类苗和三类苗的NDVI阈值提取值,对省级苗情状况进行分析,从而以较小的工作量,实现了大范围的苗情分级工作。
本发明的作物苗情分级遥感监测方法,通过基于遥感信息的作物苗情分级,对于提高作物生产和管理效率,维护粮食和生态安全具有重要意义。检验结果表明,该发明方法可以提取不同地区、不同条件下的作物苗情状况,苗情分级结果具有较高的精度,普适性和稳定性较强,无需耗费大量的人力物力。同时,该方法思路适用于不同遥感平台(星-机-地等)和不同生育时期(拔节期、挑旗期和开花期等),实际应用中可根据作物监测面积和具体需求,确定所需遥感数据的时空分辨率和收集方式。
在一个实施例中,所述植被指数为归一化植被指数NDVI。在一个实施例中,所述二级区域为县级或区级区域,所述一级区域为省或市级区域。上述实施例已举例说明,此处不再赘述。
在一个实施例中,确定苗情分级的植被指数阈值,以使得根据植被指数阈值从概率密度分布函数得到的概率,与所述统计概率一致,包括:
其中,Ni和Nj分别为苗情等级两侧的阈值,划分NDVI值最高的等级时,Nj为1;划分NDVI最低的等级时,Ni为k,k为待分级作物NDVI与其它作物NDVI的分类界限值;P为统计概率。
以冬小麦为例,将冬小麦划分为三个等级,具体使用两个阈值N1和N2,可通过下式确定。
其中,k为冬小麦NDVI与非冬小麦NDVI的分类界限值。N1为一类苗和二类苗的NDVI划分阈值,N2为二类苗和三类苗的NDVI划分阈值;P(k≤NDVI<N2)、P(N2≤NDVI<N1)和P(N1≤NDVI<1)分别为,三类苗、二类苗和一类苗的概率,其取值可根据统计数据概率得到。
在一个实施例中,所述根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级,具体为:根据一级区域中,每个二级区域随纬度变化的植被指数分级阈值,确定所有二级区域的苗情分级。上述实施例104步骤已做说明,此处不再赘述。
在一个实施例中,所述以多个二级区域的纬度为自变量,对应的植被指数阈值为应变量进行线性拟合,得到具有纬度变量的植被指数分级阈值模型,包括根据下式确定:
Thre1=a*Lat+b
Thre2=average(Threc_Thre2)
其中,Thre1为一类苗和二类苗的NDVI划分阈值,Thre2为二类苗和三类苗的NDVI划分阈值;average(Threc_Thre2)表示不同二级区域的二类苗和三类苗的NDVI划分阈值的均值;Lat表示纬度;a和b表示拟合参数。
一般地,同一省份(本案例为河南省)的相同纬度的海陆位置、海拔高度及洋流等大致相同,故而在河南省的同一纬度具有相似的气候条件。对NDVI划分阈值和纬度信息进行相关性分析。一类苗和二类苗的NDVI阈值随纬度升高而增加,相关性达到显著水平,在省市级尺度推广时的一类苗和二类苗的NDVI划分根据NDVI阈值与纬度的相关关系进行分级;而二类苗和三类苗的划分阈值与纬度无关,故在省市级尺度推广时的二类苗和三类苗的NDVI划分根据县级尺度的平均值进行。一类苗和二类苗的NDVI划分阈值与纬度的相关关系见上述公式。然后利用结合地理信息的一类苗、二类苗和三类苗的NDVI阈值提取方法,对省级苗情状况进行分析。一个实例的分析结果见表1:
表1某省冬小麦官方苗情分级统计结果与MODIS阈值统计结果的对比
检验证明,基于该方法取得的NDVI冬小麦苗情分级阈值区域扩展性较高。
在一个实施例中,根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级之后,还包括:根据一级区域的苗情分级,绘制苗情遥感监测图。
利用具有地理特征的NDVI划分阈值所得的冬小麦MODIS遥感分级结果和官方农情统计数据进行对比(见图2)。示例中不同级别的冬小麦比例预测结果较优,检验证明,结合地理特征取得的NDVI划分阈值具有县级尺度扩展性。
下面对本发明提供的作物苗情分级遥感监测装置进行描述,下文描述的作物苗情分级遥感监测装置与上文描述的作物苗情分级遥感监测方法可相互对应参照。
图3是本发明提供的作物苗情分级遥感监测装置的结构示意图,如图3所示,该作物苗情分级遥感监测装置包括:数据获取模块301、阈值确定模块302、分级阈值生成模块303和苗情分级模块304。其中,数据获取模块301用于获取二级区域的遥感数据,确定植被指数;阈值确定模块302用于根据二级区域的苗情分级统计数据,确定每种苗情等级的统计概率;获取二级区域植被指数的概率密度分布函数,并确定苗情分级的植被指数阈值,以使得根据植被指数阈值从概率密度分布函数得到的苗情等级概率,与所述统计概率一致;分级阈值生成模块303用于以多个二级区域的纬度为自变量,对应的植被指数阈值为应变量进行线性拟合,得到具有纬度变量的植被指数分级阈值模型;基于所述植被指数分级阈值模型和二级区域的纬度,确定一级区域中每个二级区域随纬度变化的植被指数分级阈值;苗情分级模块304用于根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级;其中,所述一级区域由多个二级区域构成。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的,具体流程和详细内容请参照上述方法实施例,此处不再赘述。
本发明实施例提供的作物苗情分级遥感监测装置,通过基于遥感信息的作物苗情分级,对于提高作物生产和管理效率,维护粮食和生态安全具有重要意义。检验结果表明,该发明方法可以提取不同地区、不同条件下的作物苗情状况,苗情分级结果具有较高的精度,普适性和稳定性较强,无需耗费大量的人力物力。
图4是本发明提供的电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行作物苗情分级遥感监测方法,该方法包括:获取二级区域的遥感数据,确定植被指数;根据二级区域的苗情分级统计数据,确定每种苗情等级的统计概率;获取二级区域植被指数的概率密度分布函数,并确定苗情分级的植被指数阈值,以使得根据植被指数阈值从概率密度分布函数得到的苗情等级概率,与所述统计概率一致;以多个二级区域的纬度为自变量,对应的植被指数阈值为应变量进行线性拟合,得到具有纬度变量的植被指数分级阈值模型;基于所述植被指数分级阈值模型和二级区域的纬度,确定一级区域中每个二级区域随纬度变化的植被指数分级阈值;根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级;其中,所述一级区域由多个二级区域构成。
此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的作物苗情分级遥感监测方法,该方法包括:获取二级区域的遥感数据,确定植被指数;根据二级区域的苗情分级统计数据,确定每种苗情等级的统计概率;获取二级区域植被指数的概率密度分布函数,并确定苗情分级的植被指数阈值,以使得根据植被指数阈值从概率密度分布函数得到的苗情等级概率,与所述统计概率一致;以多个二级区域的纬度为自变量,对应的植被指数阈值为应变量进行线性拟合,得到具有纬度变量的植被指数分级阈值模型;基于所述植被指数分级阈值模型和二级区域的纬度,确定一级区域中每个二级区域随纬度变化的植被指数分级阈值;根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级;其中,所述一级区域由多个二级区域构成。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的作物苗情分级遥感监测方法,该方法包括:获取二级区域的遥感数据,确定植被指数;根据二级区域的苗情分级统计数据,确定每种苗情等级的统计概率;获取二级区域植被指数的概率密度分布函数,并确定苗情分级的植被指数阈值,以使得根据植被指数阈值从概率密度分布函数得到的苗情等级概率,与所述统计概率一致;以多个二级区域的纬度为自变量,对应的植被指数阈值为应变量进行线性拟合,得到具有纬度变量的植被指数分级阈值模型;基于所述植被指数分级阈值模型和二级区域的纬度,确定一级区域中每个二级区域随纬度变化的植被指数分级阈值;根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级;其中,所述一级区域由多个二级区域构成。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种作物苗情分级遥感监测方法,其特征在于,包括:
获取二级区域的遥感数据,确定植被指数;
根据二级区域的苗情分级统计数据,确定每种苗情等级的统计概率;获取二级区域植被指数的概率密度分布函数,并确定苗情分级的植被指数阈值,以使得根据植被指数阈值从概率密度分布函数得到的苗情等级概率,与所述统计概率一致,该方法可确定某个二级区域的苗情分级;
以多个二级区域的纬度为自变量,对应的植被指数阈值为应变量进行线性拟合,得到具有纬度变量的植被指数分级阈值模型;基于所述植被指数分级阈值模型和二级区域的纬度,确定一级区域中每个二级区域随纬度变化的植被指数分级阈值;
根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级;
其中,所述一级区域由多个二级区域构成;
所述根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级,具体为:
根据一级区域中,每个二级区域随纬度变化的植被指数分级阈值,确定所有二级区域的苗情分级;
所述以多个二级区域的纬度为自变量,对应的植被指数阈值为应变量进行线性拟合,得到具有纬度变量的植被指数分级阈值模型,包括根据下式确定:
Thre1=a*Lat+b
Thre2=average(Threc_Thre2)
其中,Thre1为一类苗和二类苗的NDVI划分阈值,Thre2为二类苗和三类苗的NDVI划分阈值;average(Threc_Thre2)表示不同二级区域的二类苗和三类苗的NDVI划分阈值的均值;Lat表示纬度;a和b表示拟合参数。
2.根据权利要求1所述的作物苗情分级遥感监测方法,其特征在于,所述植被指数为归一化植被指数NDVI。
3.根据权利要求1所述的作物苗情分级遥感监测方法,其特征在于,所述二级区域为县级或区级区域,所述一级区域为省或市级区域。
4.根据权利要求2所述的作物苗情分级遥感监测方法,其特征在于,确定苗情分级的植被指数阈值,以使得根据植被指数阈值从概率密度分布函数得到的概率,与所述统计概率一致,包括:
其中,Ni和Nj分别为苗情等级两侧的阈值,划分NDVI值最高的等级时,Nj为1;划分NDVI最低的等级时,Ni为k,k为待分级作物NDVI与其它作物NDVI的分类界限值;P为统计概率。
5.根据权利要求1所述的作物苗情分级遥感监测方法,其特征在于,根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级之后,还包括:
根据一级区域的苗情分级,绘制苗情遥感监测图。
6.一种作物苗情分级遥感监测装置,其特征在于,包括:
数据获取模块,用于获取二级区域的遥感数据,确定植被指数;
阈值确定模块,用于根据二级区域的苗情分级统计数据,确定每种苗情等级的统计概率;获取二级区域植被指数的概率密度分布函数,并确定苗情分级的若干植被指数阈值,以使得根据植被指数阈值从概率密度分布函数得到的苗情等级概率,与所述统计概率一致;
分级阈值生成模块,用于以多个二级区域的纬度为自变量,对应的植被指数阈值为应变量进行线性拟合,得到具有纬度变量的植被指数分级阈值模型;基于所述植被指数分级阈值模型和二级区域的纬度,确定一级区域中每个二级区域随纬度变化的植被指数分级阈值;
苗情分级模块,用于根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级;
其中,所述一级区域由多个二级区域构成;
所述根据一级区域的植被指数和所述植被指数分级阈值,确定一级区域的苗情分级,具体为:
根据一级区域中,每个二级区域随纬度变化的植被指数分级阈值,确定所有二级区域的苗情分级;
所述以多个二级区域的纬度为自变量,对应的植被指数阈值为应变量进行线性拟合,得到具有纬度变量的植被指数分级阈值模型,包括根据下式确定:
Thre1=a*Lat+b
Thre2=average(Threc_Thre2)
其中,Thre1为一类苗和二类苗的NDVI划分阈值,Thre2为二类苗和三类苗的NDVI划分阈值;average(Threc_Thre2)表示不同二级区域的二类苗和三类苗的NDVI划分阈值的均值;Lat表示纬度;a和b表示拟合参数。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述作物苗情分级遥感监测方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述作物苗情分级遥感监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110351494.8A CN113139717B (zh) | 2021-03-31 | 2021-03-31 | 作物苗情分级遥感监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110351494.8A CN113139717B (zh) | 2021-03-31 | 2021-03-31 | 作物苗情分级遥感监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113139717A CN113139717A (zh) | 2021-07-20 |
CN113139717B true CN113139717B (zh) | 2023-10-20 |
Family
ID=76811630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110351494.8A Active CN113139717B (zh) | 2021-03-31 | 2021-03-31 | 作物苗情分级遥感监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139717B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423003B (zh) * | 2023-12-19 | 2024-03-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008282075A (ja) * | 2007-05-08 | 2008-11-20 | Central Res Inst Of Electric Power Ind | バイオマス利用計画支援方法、装置およびプログラム |
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 |
CN105760654A (zh) * | 2016-01-25 | 2016-07-13 | 沈阳农业大学 | 一种表征水稻生长状态的水稻叶片ndvi拟合模型的构建方法 |
CN108710864A (zh) * | 2018-05-25 | 2018-10-26 | 北华航天工业学院 | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 |
CN108764255A (zh) * | 2018-05-21 | 2018-11-06 | 二十世纪空间技术应用股份有限公司 | 一种冬小麦种植信息的提取方法 |
CN109001125A (zh) * | 2018-06-13 | 2018-12-14 | 吉林大学 | 一种基于高分一号卫星图像的苗情探测方法及系统 |
CN109829234A (zh) * | 2019-01-30 | 2019-05-31 | 北京师范大学 | 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 |
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 |
KR20200020209A (ko) * | 2018-08-16 | 2020-02-26 | (주)노루기반시스템즈 | 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치 |
CN112304902A (zh) * | 2020-11-02 | 2021-02-02 | 航天宏图信息技术股份有限公司 | 一种农作物物候的实时监测方法和装置 |
-
2021
- 2021-03-31 CN CN202110351494.8A patent/CN113139717B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008282075A (ja) * | 2007-05-08 | 2008-11-20 | Central Res Inst Of Electric Power Ind | バイオマス利用計画支援方法、装置およびプログラム |
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 |
CN105760654A (zh) * | 2016-01-25 | 2016-07-13 | 沈阳农业大学 | 一种表征水稻生长状态的水稻叶片ndvi拟合模型的构建方法 |
CN108764255A (zh) * | 2018-05-21 | 2018-11-06 | 二十世纪空间技术应用股份有限公司 | 一种冬小麦种植信息的提取方法 |
CN108710864A (zh) * | 2018-05-25 | 2018-10-26 | 北华航天工业学院 | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 |
CN109001125A (zh) * | 2018-06-13 | 2018-12-14 | 吉林大学 | 一种基于高分一号卫星图像的苗情探测方法及系统 |
KR20200020209A (ko) * | 2018-08-16 | 2020-02-26 | (주)노루기반시스템즈 | 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치 |
CN109829234A (zh) * | 2019-01-30 | 2019-05-31 | 北京师范大学 | 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 |
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 |
CN112304902A (zh) * | 2020-11-02 | 2021-02-02 | 航天宏图信息技术股份有限公司 | 一种农作物物候的实时监测方法和装置 |
Non-Patent Citations (5)
Title |
---|
inter wheat yield estimation based on support vector machine regression and multi-temporal remote sensing data;Li Rui 等;Transactions of the Chinese Society of Agricultural Engineering;第25卷(第6期);第114-117页 * |
Remote sensing inversion of leaf area index based on support vector machine regression in winter wheat;Liang Dong 等;Transactions of the Chinese Society of Agricultural Engineering;第29卷(第1期);第117-123页 * |
基于概率模型的冬小麦白粉病监测研究;刘林毅 等;中国农业信息;第30卷(第1期);第79-92页 * |
基于遥感影像植被指数变化量分析的冬小麦长势动态监测;陆洲 等;麦类作物学报;第40卷(第10期);第1257-1264页 * |
旱冻双重胁迫下的冬小麦幼苗长势遥感监测研究;孙晨红 等;麦类作物学报;第34卷(第05期);第635-641页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113139717A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Medar et al. | Crop yield prediction using machine learning techniques | |
Rodriguez-Galiano et al. | An assessment of the effectiveness of a random forest classifier for land-cover classification | |
Tourne et al. | Strategies to optimize modeling habitat suitability of Bertholletia excelsa in the Pan‐Amazonia | |
CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
Fan et al. | Estimation of the nitrogen content of potato plants based on morphological parameters and visible light vegetation indices | |
Sun et al. | Extracting distribution and expansion of rubber plantations from Landsat imagery using the C5. 0 decision tree method | |
Ranjani et al. | Crop yield prediction using machine learning algorithm | |
Diniz et al. | Forecasting frost risk in forest plantations by the combination of spatial data and machine learning algorithms | |
CN116129262A (zh) | 一种面向宜机化改造的耕地适宜性评价方法及系统 | |
CN113139717B (zh) | 作物苗情分级遥感监测方法及装置 | |
Jiménez et al. | Analysis of Andean blackberry (Rubus glaucus) production models obtained by means of artificial neural networks exploiting information collected by small-scale growers in Colombia and publicly available meteorological data | |
Kasimatis et al. | Implementation of a decision support system for prediction of the total soluble solids of industrial tomato using machine learning models | |
CN113570273A (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
Prabavathi et al. | A Comprehensive Review on Machine Learning Approaches for Yield Prediction Using Essential Soil Nutrients | |
Hussain et al. | A Systematic Review on Crop-Yield Prediction through Unmanned Aerial Vehicles | |
CN114720665B (zh) | 测土配方施肥土壤全氮异常值检测方法及装置 | |
CN116129284A (zh) | 一种基于时间序列变化特征的撂荒地遥感提取方法 | |
WO2023131949A1 (en) | A versatile crop yield estimator | |
Rao et al. | Crop yield prediction by using machine learning techniques | |
Chandana et al. | A comprehensive survey of classification algorithms for formulating crop yield prediction using data mining techniques | |
Vikas et al. | Agricultural Land Classification Based on Machine Learning Algorithms | |
Singh et al. | Wheat Crop Yield Assessment Using Decision Tree Algorithms. | |
Zhou et al. | Improving soil moisture estimation by assimilating remotely sensed data into crop growth model for agricultural drought monitoring | |
Li et al. | Application of Random Forest in Identifying Winter Wheat Using Landsat8 Imagery | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 1107, block a, Nongke building, No. 11, Shuguang garden middle road, Haidian District, Beijing, 100097 Patentee after: Information technology research center of Beijing Academy of agricultural and Forestry Sciences Address before: 1107, block a, Nongke building, No. 11, Shuguang garden middle road, Haidian District, Beijing, 100097 Patentee before: BEIJING RESEARCH CENTER FOR INFORMATION TECHNOLOGY IN AGRICULTURE |
|
CP01 | Change in the name or title of a patent holder |