CN113223040B - 基于遥感的香蕉估产方法、装置、电子设备和存储介质 - Google Patents
基于遥感的香蕉估产方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113223040B CN113223040B CN202110535198.3A CN202110535198A CN113223040B CN 113223040 B CN113223040 B CN 113223040B CN 202110535198 A CN202110535198 A CN 202110535198A CN 113223040 B CN113223040 B CN 113223040B
- Authority
- CN
- China
- Prior art keywords
- period
- remote sensing
- cloud
- vegetation index
- vegetation
- 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
- 241000234295 Musa Species 0.000 title claims abstract description 63
- 235000018290 Musa x paradisiaca Nutrition 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000000877 morphologic effect Effects 0.000 claims abstract description 18
- 238000003064 k means clustering Methods 0.000 claims abstract description 17
- 230000008878 coupling Effects 0.000 claims abstract description 12
- 238000010168 coupling process Methods 0.000 claims abstract description 12
- 238000005859 coupling reaction Methods 0.000 claims abstract description 12
- 235000021015 bananas Nutrition 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 3
- 230000012010 growth Effects 0.000 description 9
- 238000003306 harvesting Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009105 vegetative growth Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013179 statistical model 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marine Sciences & Fisheries (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Animal Husbandry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Agronomy & Crop Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种基于遥感的香蕉估产方法、装置、电子设备和存储介质,其中所述基于遥感的香蕉估产方法包括:获取香蕉的田块尺度的遥感影像;使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影;使用基于皮尔逊相关系数时空耦合的最优特征选择策略,选取各时期最佳植被指数特征;将所述各时期的最佳植被指数特征输入训练好的支持向量回归SVR估产模型,得到预估产量。本申请融合K均值聚类和形态学操作的自动去云算法能有效检测出遥感影像中的云和云阴影区域,消除了云和云阴影对作物估产准确性的影响。
Description
技术领域
本发明涉及农业遥感技术领域,特别是涉及一种基于遥感的田块尺度香蕉估产方法、装置、电子设备和存储介质。
背景技术
及时、全面、准确地估算香蕉产量,可为种植者提供变量施肥、灌溉、收获计划、营销和远期销售等方面的决策。传统香蕉估产方法是利用目测或抽样技术,结合研究区的天气状况、作物品种、土地类型以及病虫害发生状况等因素进行估算,该方法耗时费力且易受人为主观因素影响。目前主要的测产方式是采用固定在收割机上的测产仪器进行测量,但此方法是在收获完成后才能获得产量信息,不适用于未来销售策略的制定。遥感技术具有获取成本低、覆盖范围广和能连续动态监测等优势,在作物产量估算中得到广泛关注。
基于遥感技术的产量估算方法主要有两种。一是运用数据同化技术,将遥感反演参数信息集成到作物的生长模型中,实现作物生长状态监测和产量估算。但该方法需要大量和精确参数的输入,而且估产模型空间泛化能力弱和计算成本高。二是利用经验统计模型方法预测作物产量,此方法无需事先对基础数据分布进行假设,而是利用植被指数等变量来预测产量,简单易行,在遥感估产中得到了广泛应用。哨兵2号(Sentinel-2)卫星传感器(Sentinel-2A和Sentinel-2B)以高时间分辨率和高空间分辨率获取时间序列影像,为监测香蕉生长状况和预测作物产量提供了机会。但采用卫星遥感方式监测香蕉生长易受到云和云阴影的影响,精准剔除影像中的云和云阴影覆盖区域可有效改善作物估产精度。目前,基于Sentinel-2卫星的去云方法主要有三种。一是通过QA60质量波段标记实现去云;二是利用波段组合和归一化雪盖(NDSI)指数,计算云量分数实现去云;三是采用s2cloudless算法去云。以上三种方法主要应用于大尺度区域去云,而田块尺度的去云算法鲜有研究。
基于卫星影像的植被指数时间序列监测可以提供作物冠层随时间变化的度量,可以反映作物出苗、成熟和收获的过程,因此构建多时相遥感估产模型估算作物产量比单一时相更具潜在优势。但现有研究表明,通过植被指数时间序列构建估产模型过程中往往难以确定获得最佳预测模型的输入特征变量,导致估产精度偏低。
发明内容
本发明的目的是提供一种基于遥感的香蕉估产方法、装置、电子设备和存储介质,用于解决现有技术中的至少部分问题。
具体地,本发明实施例提供了以下技术方案:
第一方面,本发明实施例提供了一种基于遥感的香蕉估产方法,包括:
获取香蕉的田块尺度的遥感影像;
使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影;
使用基于皮尔逊相关系数时空耦合的最优特征选择策略,选取各时期最佳植被指数特征;
将所述各时期的最佳植被指数特征输入训练好的支持向量回归(SVR)估产模型,得到预估产量。
进一步地,所述使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影包括:
提取含云遥感影像中绿波段和近红外波段的光谱反射率值构建集合;
使用融合K均值聚类的算法分别得到所述遥感影像中的云覆盖区域和云阴影覆盖区域,并得到所述遥感影像的云掩膜影像;
使用形态学开运算方法对云掩膜影像进行处理,去除所述遥感影像中的云和云阴影。
进一步地,所述基于皮尔逊相关系数时空耦合的最优特征选择策略包括:
计算同时期不同植被指数间的相关关系和不同时期各植被指数间的相关关系;
计算各时期不同植被指数的最大特征因子,得到第一时期和与第一时期对应的植被指数特征;
去除所述第一时期和与第一时期对应的植被指数特征,计算剩余各时期不同植被指数的最大特征因子,得到第二时期和与第二时期对应的植被指数特征。
进一步地,所述方法还包括:构建和训练SVR估产模型,所述构建和训练SVR估产模型包括:
将包括植被指数特征和香蕉产量的数据划分为训练集和测试集;
确定核函数;
基于所述训练集,进行参数寻优,选择关键参数;
基于所述测试集,利用均方根误差、平均绝对误差和决定系数评估所述SVR估产模型。
进一步地,所述核函数为径向基核函数。
第二方面,本发明实施例提供了一种基于遥感的香蕉估产装置,包括:
遥感影像获取模块,用于获取香蕉的田块尺度的遥感影像;
遥感影像处理模块,使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影;
植被指数特征选取模块,使用基于皮尔逊相关系数时空耦合的最优特征选择策略,选取各时期最佳植被指数特征;
估产模型处理模块,将所述各时期的最佳植被指数特征输入训练好的支持向量回归(SVR)估产模型,得到预估产量。
第三方面,本发明实施例提供了一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如第一方面所述基于遥感的香蕉估产方法的步骤。
第四方面,本发明实施例提供了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,该计算机程序被处理器执行时实现如第一方面所述基于遥感的香蕉估产方法的步骤。
本发明实施例提供了一种基于遥感的香蕉估产方法、装置、电子设备和存储介质,融合K均值聚类和形态学操作的自动去云算法能有效检测出遥感影像中的云和云阴影区域,消除了云和云阴影对香蕉估产准确性的影响;基于皮尔逊相关系数的时间序列最优特征提取方法能在特征变量选取过程中既确保了特征变量与产量间的高相关性,又确保了不同时期所选特征变量间的低冗余性,从而获得香蕉时序估产模型的最佳输入组合特征;SVR估产模型是一种基于结构风险最小化原理的用于解决小样本、非线性及高维问题的机器学习方法,该方法能有效提升香蕉产量预测精度。
附图说明
图1是根据本发明实施例的基于遥感的香蕉估产方法的流程图;
图2是根据本发明实施例的基于遥感的香蕉估产方法的另一流程图;
图3是根据本发明实施例的基于遥感的香蕉估产装置的示意图;
图4是根据本发明实施例的电子设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地描述。以下实施例是用于说明本申请,而不是用来限制本申请的范围。
在本申请的实施例中,需要说明的是,本文中出现的目标作物均为香蕉,但本领域技术人员可以做出各种替换和修改而不超出本申请的范围。
参考图1,图1是根据本发明实施例的基于遥感的香蕉估产方法的流程图,包括:
步骤110,获取目标作物的田块尺度的遥感影像;
步骤120,使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影;
步骤130,使用基于皮尔逊相关系数时空耦合的最优特征选择策略,选取各时期最佳植被指数特征;
步骤140,将所述各时期的最佳植被指数特征输入训练好的支持向量回归(SVR)估产模型,得到预估产量。
可选地,通过各数据中心或订购商业卫星遥感数据来获取特定时间和地区的遥感影像。
在本申请的实施例中,可以基于特定示例区建立估产模型,从而提高预测准确度,因此在下面的实施例中根据某示例区的已有数据构建估产模型并预测,需要说明的是,示例区的地理位置、面积等等均非限制性特征,本领域的技术人员可以根据具体情况做出不超出本申请范围的修改和替换。
在本申请的实施例中,示例区位于广西壮族自治区崇左市扶绥县广西捷佳润科技股份有限公司香蕉种植基地,示例区共71块香蕉田块,占地面积约140.11公顷。研究对象为香蕉经济作物,香蕉品种为威廉斯B6,其生长过程大致可分为定植期、营养生长期、孕蕾抽蕾期、幼果期和采收期等5个生育期。定植期就是将香蕉苗移栽至大田的过程;一般每年3月份对香蕉苗进行移栽定植;香蕉苗从定植期长到30张叶片的时期为香蕉营养生长期,时间为每年的4月至5月份;孕蕾抽蕾期大致为每年的6月至7月份,该时期花芽开花及孕果穗;幼果期和采收期指香蕉果的肥度、饱满度逐渐增长,直到达到采收要求,时间大致为每年的8月至10月份。从营养生长期到幼果期是影响香蕉产量和质量的关键生育期,也是香蕉估产的最佳时期,因此本实施例选取的遥感影像成像时间为每年的5月至9月份。
参考图2,根据本申请的基于遥感的田块尺度香蕉产量估测方法,包括如下步骤:
S1,遥感影像获取:获取示例区位置信息,通过谷歌地球引擎(Google EarthEngine,GEE)平台获取示例区香蕉生长周期内多时相Sentinel-2L1C级卫星遥感影像,对遥感影像进行辐射定标和大气校正,并利用最近邻插值法将校正后影像的空间分辨率重采样为10m,使得各波段分辨率统一。
可选地,示例区位置信息是通过使用司南RTK T300型位置测量仪进行测定得到的。
其中,本申请所选用的遥感数据为Sentinel-2影像数据,Sentinel-2卫星搭载的多光谱传感器具有13个波段,包括10m、20m和60m三种空间分辨率,其中10m分辨率的波段为红波段(Red)、绿波段(Green)、蓝波段(Blue)、近红外波段(NIR);20m分辨率的波段为3个红边波段(RE1、RE2、RE3)、近红外波段(Narrow NIR)、短波红外(SWIR1、SWIR2);60m分辨率的波段为海岸波段(coastal aersol)、水汽波段(water vapour)、卷云波段(SWIR cirrus)。
其中,所选取的影像数据成像时间如表1所示:
表1获取的sentinel-2影像成像时间
可选地,使用Sen2Cor软件对获取的所有Sentinel-2大气顶端反射率(TOA)L1C级数据进行辐射定标和大气校正,获得大气底层反射率(BOA)L2A级数据。
S2,作物产量获取:获取示例区2019至2020年各田块香蕉产量数据,并求取71个地块的单产数据。其中,通过广西捷佳润科技股份有限公司的已有资料获得了示例区2019-2020年的香蕉产量。
S3,含云影像去云:剔除云覆盖高于50%的影像,利用融合K均值聚类和形态学操作的自动去云算法去除云和云阴影。含云遥感影像一般存在白色厚云覆盖区域、无云区域、黑色云阴影覆盖区域等3种区域,通过Green波段能辨别云覆盖区域,利用NIR波段能分离云阴影覆盖区域,因此,通过Green和NIR两个波段能有效区分这3类区域。基于此,提出一种云和云阴影自动检测和去除方法,算法实现过程如下:
S31,对于任一含云遥感影像I∈Rm×n×b,其中,m×n表示每个波段的像素点个数,b表示影像的波段数量,提取该影像Green和NIR两个波段的光谱反射率值构建样本集S={A1,A2,A3,…,Am×n},其中Ai={bgreen,bnir},bgreen、bnir分别表示Green和NIR波段的光谱反射率值。
S32,在样本集中任意选择3个初始聚类中心μ1,μ2,μ3,计算样本集中各点到聚类中心的欧式距离,并将其划分到离该点最近的聚类中。样本Ai到最近的聚类中心Ci的欧式距离为:
Ci=argmin||Ai-μj||2(j=1,2,3) (1)
式中,μj为第j个聚类中心。
S33,计算各聚类中所有点的坐标平均值,并将这个平均值作为新的聚类中心。新的聚类中心μj表示为
S34,重复执行S32和S33,直到聚类中心不再移动为止。最终可以将3个聚类中心μ1,μ2,μ3完成聚类,比较这3个聚类中心的Green波段和NIR波段的光谱反射率值。其中,Green波段光谱反射率值最大的聚类中心对应的聚类为白色厚云覆盖区域,NIR波段光谱反射率值最小的聚类中心对应的聚类为黑色云阴影覆盖区域。将云和云影像覆盖区域像素值均设置为1,无云影像的像素值设置为0,则可得到该遥感影像的云掩膜影像Ω。
S35,利用形态学开运算方法对云掩摸影像进行处理,以滤除云掩摸影像的异常像素点(独立像素点和较小区域像素点)和平滑云覆盖区域。开运算计算公式为
式中,B表示3×3矩形阵列结构元,表示腐蚀操作,/>表示膨胀操作。
S4,最优植被指数特征选取:对去云后的Sentinel-2影像各波段进行波段组合运算,获取17种植被指数,如表2所示:
表2植被指数
对每幅影像各地块的植被指数进行求平均,组合所有影像的所有地块的17个植被指数,可得到一个三维矩阵Xt×f×v。其中,t表示作物生长周期内的时相数据,f表示地块,v表示植被指数。因变量Y表示各地块的单产。为了缓解维数灾难问题,去除不相关植被指数特征,提出一种基于皮尔逊相关系数时空耦合的最优特征选择策略,以获得各时期最佳植被指数特征。该方法具体步骤如下:
S41,计算同时期不同植被指数间的相关关系ρ1:
式中,n表示地块数量,xim和xin表示同时期的两个植被指数特征。
S42,同理,计算不同时期各植被指数间的相关关系ρ2
式中,xui和xwi表示不同时期的两个植被指数特征。
S43,计算各时期植被指数特征与产量之间的关系r:
S44,求取各时期不同植被指数的最大特征因子F:
F=max(r-ρ1-p2) (7)
记录该特征因子对应的时期和植被指数特征
S45,去除上述对应时期,求取剩余时期各植被指数对应的最大特征因子F'
F'=max(r'-ρ1'-p2'-p0) (8)
式中,p0表示该时期的该植被指数特征与上述已选取的植被指数特征的关系。
S46,同理,依据S45,可获取每个时期对应的最佳植被指数特征。
S5,构建和训练估产模型:利用S4中所获得的各时期最佳植被指数特征和S2中对应各地块香蕉产量数据,基于支持向量回归(Support Vector Regression,SVR)算法构建和训练估产模型,并采用均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)和决定系数(coefficient of determination,R2)作为估产效果的评价指标。
可选地,SVR模型构建和训练包括以下步骤:
S51,划分训练集和测试集。使用sklearn软件包中的“training_test_split”函数,将包括植被指数特征和香蕉产量的数据以7:3的比例随机分为训练集和测试集。
S52,标准化训练和测试数据集。将2019-2020年期间的训练数据集进行标准化,使其均值为0,单位标准差,可消除模型输入由于量纲和单位不同造成的影响,使数据更加适应回归建模与分析。
S52,确定核函数。常用的核函数有多项式核函数、径向基(RBF)核函数、Sigmoid核函数等,选用不同的核函数可以构造出不同的支持向量回归模型。研究表明,当缺少先验知识时,选用径向基核函数训练建模的效果较好,所得模型的总体性能较高,所以本申请选择的核函数为径向基核函数。
S53,优选关键参数。基于香蕉产量训练集,利用网格搜索和5-fold交叉验证的方法(GridSearchCV库)进行参数寻优,确定C和gamma的值分别为10和5。
S54,估产模型验证。将优化后的估产模型运用到测试集上,并计算回归模型的评价指标(R2、RMSE和MAE),如表3所示:
表3估产结果
其中,RMSE、MAE和R2具体计算公式如下:
式中,N表示测试集中的样本数量,yi表示实际测量的作物产量值,表示预测的作物产量值,/>为作物实际产量的平均值。
可选地,估产模型是在Python 3.7.6的scikit-learn库中实现的。
下面对本发明提供的基于遥感的作物估产装置进行描述,下文描述的基于遥感的作物估产装置与上文描述的基于遥感的香蕉估产方法可相互对应参照。参考图3,图3是根据本发明实施例的基于遥感的作物估产装置的示意图。基于遥感的作物估产装置包括:
遥感影像获取模块310,用于获取目标作物的田块尺度的遥感影像;
遥感影像处理模块320,使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影;
植被指数特征选取模块330,使用基于皮尔逊相关系数时空耦合的最优特征选择策略,选取各时期最佳植被指数特征;
估产模型处理模块340,将所述各时期的最佳植被指数特征输入训练好的支持向量回归(SVR)估产模型,得到预估产量。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行基于遥感的香蕉估产方法,该方法包括:获取目标作物的田块尺度的遥感影像;使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影;使用基于皮尔逊相关系数时空耦合的最优特征选择策略,选取各时期最佳植被指数特征;将所述各时期的最佳植被指数特征输入训练好的支持向量回归(SVR)估产模型,得到预估产量。
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基于遥感的香蕉估产方法,该方法包括:获取目标作物的田块尺度的遥感影像;使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影;使用基于皮尔逊相关系数时空耦合的最优特征选择策略,选取各时期最佳植被指数特征;将所述各时期的最佳植被指数特征输入训练好的支持向量回归(SVR)估产模型,得到预估产量。
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提供的基于遥感的香蕉估产方法,该方法包括:获取目标作物的田块尺度的遥感影像;使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影;使用基于皮尔逊相关系数时空耦合的最优特征选择策略,选取各时期最佳植被指数特征;将所述各时期的最佳植被指数特征输入训练好的支持向量回归(SVR)估产模型,得到预估产量。
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。
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (7)
1.一种基于遥感的香蕉估产方法,其特征在于,包括:
获取香蕉的田块尺度的遥感影像;
使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影;
使用基于皮尔逊相关系数时空耦合的最优特征选择策略,选取各时期最佳植被指数特征;
将所述各时期的最佳植被指数特征输入训练好的支持向量回归SVR估产模型,得到预估产量;
所述使用基于皮尔逊相关系数时空耦合的最优特征选择策略,选取各时期最佳植被指数特征,包括:
步骤1、计算同时期不同植被指数间的相关关系和不同时期各植被指数间的相关关系/>;并计算各时期植被指数特征与产量之间的关系/>;
步骤2、根据公式,计算所述各时期不同植被指数的最大特征因子/>,记录所述最大特征因子/>对应的第一时期及与所述第一时期对应的植被指数特征;
步骤3、去除所述第一时期和与第一时期对应的植被指数特征,计算剩余各时期不同植被指数的最大特征因子,记录所述最大特征因子/>对应的第二时期及与所述第二时期对应的植被指数特征;再将所述第二时期确定为新的所述第一时期,并将与所述第二时期对应的植被指数特征确定为新的所述与第一时期对应的植被指数特征;其中,剩余各时期不同植被指数的最大特征因子/>由公式/>;/>表示所述剩余各时期的植被指数特征与所述第一时期对应的植被指数特征的关系;/>表示所述剩余各时期植被指数特征与产量之间的关系;/>表示所述剩余各时期中同时期不同植被指数间的相关关系;/>示所述剩余各时期中不同时期各植被指数间的相关关系;
步骤4、重复执行上述步骤3,直到选取各时期对应的最佳植被指数特征。
2.根据权利要求1所述的基于遥感的香蕉估产方法,其特征在于,所述使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影,包括:
提取含云遥感影像中绿波段和近红外波段的光谱反射率值构建集合;
使用融合K均值聚类的算法分别得到所述遥感影像中的云覆盖区域和云阴影覆盖区域,并得到所述遥感影像的云掩膜影像;
使用形态学开运算方法对云掩膜影像进行处理,去除所述遥感影像中的云和云阴影。
3.根据权利要求1所述的基于遥感的香蕉估产方法,其特征在于,所述方法还包括:构建和训练SVR估产模型,所述构建和训练SVR估产模型包括:
将包括历史植被指数特征和历史香蕉产量的数据作为训练集和测试集;
确定模型的核函数;
基于所述训练集,进行参数寻优,选择关键参数;
基于测试集,利用均方根误差、平均绝对误差和决定系数评估所述SVR估产模型。
4.根据权利要求3所述的基于遥感的香蕉估产方法,其特征在于,所述核函数为径向基核函数。
5.一种基于遥感的香蕉估产装置,其特征在于,包括:
遥感影像获取模块,用于获取香蕉的田块尺度的遥感影像;
遥感影像处理模块,使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影;
植被指数特征选取模块,用于步骤1、计算同时期不同植被指数间的相关关系和不同时期各植被指数间的相关关系/>;并计算各时期植被指数特征与产量之间的关系/>;步骤2、根据公式/>,计算所述各时期不同植被指数的最大特征因子/>,记录所述最大特征因子/>对应的第一时期及与所述第一时期对应的植被指数特征;步骤3、去除所述第一时期和与第一时期对应的植被指数特征,计算剩余各时期不同植被指数的最大特征因子/>,记录所述最大特征因子/>对应的第二时期及与所述第二时期对应的植被指数特征;再将所述第二时期确定为新的所述第一时期,并将与所述第二时期对应的植被指数特征确定为新的所述与第一时期对应的植被指数特征;其中,剩余各时期不同植被指数的最大特征因子/>由公式/>;/>表示所述剩余各时期的植被指数特征与所述第一时期对应的植被指数特征的关系;/>表示所述剩余各时期植被指数特征与产量之间的关系;/>表示所述剩余各时期中同时期不同植被指数间的相关关系;/>表示所述剩余各时期中不同时期各植被指数间的相关关系;步骤4、重复执行上述步骤3,直到选取各时期对应的最佳植被指数特征;
估产模型处理模块,将所述各时期的最佳植被指数特征输入训练好的支持向量回归SVR估产模型,得到预估产量。
6.一种电子设备,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,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4任一项所述基于遥感的香蕉估产方法的步骤。
7.一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,该计算机程序被处理器执行时实现如权利要求1至4任一项所述基于遥感的香蕉估产方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110535198.3A CN113223040B (zh) | 2021-05-17 | 2021-05-17 | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110535198.3A CN113223040B (zh) | 2021-05-17 | 2021-05-17 | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113223040A CN113223040A (zh) | 2021-08-06 |
CN113223040B true CN113223040B (zh) | 2024-05-14 |
Family
ID=77092442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110535198.3A Active CN113223040B (zh) | 2021-05-17 | 2021-05-17 | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113223040B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743819B (zh) * | 2021-09-15 | 2024-03-26 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
CN115524329B (zh) * | 2022-09-20 | 2023-07-07 | 北京世纪国源科技股份有限公司 | 基于gee的作物生长监测方法、装置、设备及存储介质 |
CN117274825B (zh) * | 2023-11-22 | 2024-02-23 | 北京航天绘景科技有限公司 | 一种基于遥感技术的作物产出评估方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327452A (zh) * | 2016-08-14 | 2017-01-11 | 曾志康 | 一种面向多云雨地区的碎片化遥感影像合成方法及装置 |
CN107122739A (zh) * | 2017-01-23 | 2017-09-01 | 东北农业大学 | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 |
CN108362267A (zh) * | 2018-01-09 | 2018-08-03 | 浙江大学 | 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 |
CN109508693A (zh) * | 2018-12-10 | 2019-03-22 | 浙江大学 | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 |
CN111241912A (zh) * | 2019-12-18 | 2020-06-05 | 安徽易刚信息技术有限公司 | 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 |
CN111797712A (zh) * | 2020-06-16 | 2020-10-20 | 南京信息工程大学 | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140043184A (ko) * | 2012-09-28 | 2014-04-08 | 한국전자통신연구원 | 에너지 소비량 예측 장치 및 방법 |
US9721181B2 (en) * | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
-
2021
- 2021-05-17 CN CN202110535198.3A patent/CN113223040B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327452A (zh) * | 2016-08-14 | 2017-01-11 | 曾志康 | 一种面向多云雨地区的碎片化遥感影像合成方法及装置 |
CN107122739A (zh) * | 2017-01-23 | 2017-09-01 | 东北农业大学 | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 |
CN108362267A (zh) * | 2018-01-09 | 2018-08-03 | 浙江大学 | 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 |
CN109508693A (zh) * | 2018-12-10 | 2019-03-22 | 浙江大学 | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 |
CN111241912A (zh) * | 2019-12-18 | 2020-06-05 | 安徽易刚信息技术有限公司 | 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 |
CN111797712A (zh) * | 2020-06-16 | 2020-10-20 | 南京信息工程大学 | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 |
Non-Patent Citations (2)
Title |
---|
Using NDVI Time Series Curve Change Rate to Estimate Winter Wheat Yield;Zhonglin Ji et al.;《IGARSS 2020 - 2020 IEEE International Geoscience and Remote Sensing Symposium》;20210217;全文 * |
基于无人机多时相植被指数的冬小麦产量估测;程千 等;《农业机械学报》;20210203;第52卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113223040A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
Iqbal et al. | Gray level co-occurrence matrix (GLCM) texture based crop classification using low altitude remote sensing platforms | |
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
Devia et al. | High-throughput biomass estimation in rice crops using UAV multispectral imagery | |
Guo et al. | Integrating spectral and textural information for identifying the tasseling date of summer maize using UAV based RGB images | |
JP5626056B2 (ja) | 農作物画像処理プログラム、農作物画像処理方法及び農作物画像処理装置 | |
EP4150515A1 (en) | System and method for crop monitoring | |
CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
US11816834B2 (en) | Unmanned aerial system genotype analysis using machine learning routines | |
Bai et al. | A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery | |
Olenskyj et al. | End-to-end deep learning for directly estimating grape yield from ground-based imagery | |
Zhou et al. | Wheat phenology detection with the methodology of classification based on the time-series UAV images | |
Zhu et al. | Identification of soybean based on Sentinel-1/2 SAR and MSI imagery under a complex planting structure | |
Sharma et al. | Technological advancements in automated crop pest and disease detection: A review & ongoing research | |
Li et al. | Estimation of nitrogen content in wheat using indices derived from RGB and thermal infrared imaging | |
Sankaran et al. | Can High-Resolution Satellite Multispectral Imagery Be Used to Phenotype Canopy Traits and Yield Potential in Field Conditions? | |
Akbarian et al. | Plot level sugarcane yield estimation by machine learning on multispectral images: A case study of Bundaberg, Australia | |
CN116579521A (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
CN114782835A (zh) | 作物倒伏面积比例检测方法及装置 | |
Srivastava et al. | A Time Series Approach for Wheat Crop Harvest Detection using Multispectral Data | |
Wong et al. | Automated Corn Ear Height Prediction Using Video-Based Deep Learning | |
Sadiq et al. | A review on the imaging approaches in agriculture with crop and soil sensing methodologies | |
Goel et al. | Machine learning-based remote monitoring and predictive analytics system for monitoring and livestock monitoring | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
Morelli-Ferreira et al. | Comparison of machine learning techniques in cotton yield prediction using satellite remote sensing |
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 |