CN113516100A - 一种基于植被指数差异性的作物生长分析方法及系统 - Google Patents
一种基于植被指数差异性的作物生长分析方法及系统 Download PDFInfo
- Publication number
- CN113516100A CN113516100A CN202110878766.XA CN202110878766A CN113516100A CN 113516100 A CN113516100 A CN 113516100A CN 202110878766 A CN202110878766 A CN 202110878766A CN 113516100 A CN113516100 A CN 113516100A
- Authority
- CN
- China
- Prior art keywords
- vegetation index
- vegetation
- difference
- index
- analyzed
- 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.)
- Withdrawn
Links
- 230000012010 growth Effects 0.000 title claims abstract description 60
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 44
- 239000013598 vector Substances 0.000 claims description 38
- 239000002689 soil Substances 0.000 claims description 13
- 230000003750 conditioning effect Effects 0.000 claims description 12
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 230000005856 abnormality Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 241000209094 Oryza Species 0.000 description 6
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 235000009566 rice Nutrition 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008635 plant growth Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 241001450781 Bipolaris oryzae Species 0.000 description 2
- 241001556089 Nilaparvata lugens Species 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 244000038559 crop plants Species 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000009546 growth abnormality Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 241000098289 Cnaphalocrocis medinalis Species 0.000 description 1
- 206010042209 Stress Diseases 0.000 description 1
- 241001617088 Thanatephorus sasakii Species 0.000 description 1
- 241000255901 Tortricidae Species 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008654 plant damage Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于植被指数差异性的作物生长分析方法及系统，属于农业监测技术领域，所述方法包括以下步骤：S1，计算参考地块与待分析地块的植被指数之间的差异性；S2，基于所述差异性，确定所述植被指数对应的作物生长差异等级；S3，基于所述差异等级，对待分析地块的作物生长进行分析。该方法对作物生长情况的分析精度和稳定性较高，可操作性强，可移植程度高。
Description
技术领域
本发明属于农业监测技术领域，尤其涉及一种基于植被指数差异性的作物生长分析方法及系统。
背景技术
为降低作物异常生长对农业生产的危害，各地在种植一线建立了多个植保站来监测作物生长异常发生的地点、范围和严重程度。但这种基于人工调查鉴别的方法费时费力且主观化严重。随着物联网技术的发展，各种农情监测设备可以通过网络传输实现作物生长异常的集中监测，但这些设备在监测方面往往具有滞后性，且在较大尺度内形成空间全域布设监测短期内仍是不可能实现的，难以满足实际生产需求。遥感技术作为一种宏观性强、时效快、经济成本低且数据综合力强的新技术，在作物生长异常监测方面具有广阔应用潜力。
利用遥感技术监测作物生长异常的物理基础主要是当作物受到胁迫时，往往会发生不同的应激症状或植株损伤，引发作物植株光谱反射的变化，从而被遥感传感器捕捉。为证明这一理论，研究人员开展了大量的地面研究。Wang等人利用ASDFieldspec3地物光谱仪发现水稻褐斑病和水稻纹枯病发病早期会引起990nm附近的红边波段发生异常，但由于人类视觉的限制，这一异常难以被人工察觉；Yang和Cheng的研究发现水稻受褐飞虱侵扰时，737～925nm范围内的近红外波段反射率会发生改变；Liu等人通过对水稻稻穗的光谱分析发现水稻颖枯病会引发850nm附近波段的反射率发生变化；刘占宇等人研究发现水稻细菌性褐斑病同样可以通过光谱异常现象监测出来；黄建荣等人的研究发现水稻受稻纵卷叶螟危害后，水稻叶片的光谱会发生明显变化，且受到的危害程度不同，波段也不同；Yang等人研究发现水稻褐飞虱和卷叶螟危害后有相似的光谱异常发生。以上研究表明，作物受不同胁迫时，其光谱反射率会在一定波段范围内发生变化，但这些波段可能会有一些重叠。因此，利用遥感技术监测作物光谱反射异常从而监测作物生长异常是可行的，但要监测具体某一种胁迫造成的异常还需要进一步探索。
虽然利用遥感技术观测作物生长异常的可行性已经在多次地面试验中被证实，但是鲜有在区域尺度利用对地观测技术监测作物生长异常的研究。目前，对待分析地块的作物生长情况的分析精度较低，稳定性不高。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于植被指数差异性的作物生长分析方法及系统，通过计算参考地块与待分析地块的植被指数之间的差异性，确定植被指数对应的作物生长差异等级，进而基于差异等级，对待分析地块的作物生长进行分析。该方法对作物生长情况的分析精度和稳定性较高，可操作性强，可移植程度高。
根据本发明的一个方面，本发明提供了一种基于植被指数差异性的作物生长分析方法，所述方法包括以下步骤：
S1:计算参考地块与待分析地块的植被指数之间的差异性；
S2:基于所述差异性，确定所述植被指数对应的作物生长差异等级；
S3:基于所述差异等级，对待分析地块的作物生长进行分析。
优选地，所述计算参考地块与待分析地块的植被指数之间的差异性，包括：
获取所述参考地块和所述待分析地块的遥感影像，基于所述遥感影像分别计算所述参考地块的植被指数和所述待分析地块的植被指数，根据所述参考地块的植被指数和所述待分析地块的植被指数确定植被指数的差异性。
优选地，所述根据所述参考地块的植被指数和所述待分析地块的植被指数确定植被指数的差异性，包括：基于
参考地块概率测度：
待分析地块概率测度：
参考地块自信息：Ki(x)＝-ln(pi)
待分析地块自信息：Ki(y)＝-ln(qi)
待分析地块相对于参考地块的相对熵为：
参考地块相对于待分析地块的相对熵为：
获得植被差异性指数VID：VID(x,y)＝D(x||y)+D(y||x)
其中，
是植被指数集合Z；Z中一个元素λi代表一种植被指数，I是Z中元素个数；参考地块植被指数向量x＝(x1,…,xL)T；待分析地块植被指数向量y＝(y1,…,yL)T；L表示植被指数向量x、y的分量的个数；p＝(p1,p2,…,pI)T为基于x得到的期望概率向量；q＝(q1,q2,…,qI)T为基于y得到的期望概率向量。
优选地，所述基于所述差异性，确定所述植被指数对应的作物生长差异等级，包括：
根据所述植被差异性指数VID的值域，确定所述植被指数对应的作物生长差异等级，所述植被指数包括归一化差值指数NDI、绿叶指数GLI、归一化差值植被指数NDVI、绿波段归一化植被指数GNDVI、土壤调节植被指数SAVI、土壤调节优化植被指数OSAVI、修正简单比值指数MSR。
根据本发明的另一方面，本发明还提供了一种基于植被指数差异性的作物生长分析系统，所述系统包括：
计算模块，用于计算参考地块与待分析地块的植被指数之间的差异性；
确定模块，用于基于所述差异性，确定所述植被指数对应的作物生长差异等级；
分析模块，用于基于所述差异等级，对待分析地块的作物生长进行分析。
优选地，所述计算参考地块与待分析地块的植被指数之间的差异性，包括：
获取所述参考地块和所述待分析地块的遥感影像，基于所述遥感影像分别计算所述参考地块的植被指数和所述待分析地块的植被指数，根据所述参考地块的植被指数和所述待分析地块的植被指数确定植被指数的差异性。
优选地，所述根据所述参考地块的植被指数和所述待分析地块的植被指数确定植被指数的差异性，包括：基于
参考地块概率测度：
待分析地块概率测度：
参考地块自信息：Ki(x)＝-ln(pi)
待分析地块自信息：Ki(y)＝-ln(qi)
待分析地块相对于参考地块的相对熵为：
参考地块相对于待分析地块的相对熵为：
获得植被差异性指数VID：VID(x,y)＝D(x||y)+D(y||x)
其中，
是植被指数集合Z；Z中一个元素λi代表一种植被指数，I是Z中元素个数；参考地块植被指数向量x＝(x1,…,xL)T；待分析地块植被指数向量y＝(y1,…,yL)T；L表示植被指数向量x、y的分量的个数；p＝(p1,p2,…,pI)T为基于x得到的期望概率向量；q＝(q1,q2,…,qI)T为基于y得到的期望概率向量。
优选地，所述基于所述差异性，确定所述植被指数对应的作物生长差异等级，包括：
根据所述植被差异性指数VID的值域，确定所述植被指数对应的作物生长差异等级，所述植被指数包括归一化差值指数NDI、绿叶指数GLI、归一化差值植被指数NDVI、绿波段归一化植被指数GNDVI、土壤调节植被指数SAVI、土壤调节优化植被指数OSAVI、修正简单比值指数MSR。
根据本发明的另一方面，本发明还提供了一种计算机设备，所述设备包括：处理器、存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现基于植被指数差异性的作物生长分析方法的步骤。
根据本发明的另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现基于植被指数差异性的作物生长分析方法的步骤。
有益效果：本发明通过计算参考地块与待分析地块的植被指数之间的差异性，确定植被指数对应的作物生长差异等级，进而基于差异等级，对待分析地块的作物生长进行分析。该方法对作物生长情况的分析精度和稳定性较高，可操作性强，可移植程度高。
通过参照以下附图及对本发明的具体实施方式的详细描述，本发明的特征及优点将会变得清楚。
附图说明
图1是本发明的基于植被指数差异性的作物生长分析方法流程图；
图2是本发明的基于植被指数差异性的作物生长分析系统示意图；
图3是本发明的执行基于植被指数差异性的作物生长分析方法的计算机设备示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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做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。
实施例1
图1是本发明的基于植被指数差异性的作物生长分析方法流程图。如图1所示，本发明提供一种基于植被指数差异性的作物生长分析方法，所述方法包括以下步骤：
S1:计算参考地块与待分析地块的植被指数之间的差异性。
具体地，所述计算参考地块与待分析地块的植被指数之间的差异性，包括：
获取所述参考地块和所述待分析地块的遥感影像，基于所述遥感影像分别计算所述参考地块的植被指数和所述待分析地块的植被指数，根据所述参考地块的植被指数和所述待分析地块的植被指数确定植被指数的差异性。
其中的植被指数包括但不限于如下植被指数：归一化差值指数NDI、绿叶指数GLI、归一化差值植被指数NDVI、绿波段归一化植被指数GNDVI、土壤调节植被指数SAVI、土壤调节优化植被指数OSAVI、修正简单比值指数MSR。
这些植被指数的计算公式如表1所示：
表1：植被指数及其表达形式
由于植被指数是一种通过光谱计算获取地表植被信息的度量手段，假设每种植被指数变量随机分布，本实施例基于信息理论提出一种计算相同植被指数之间相似性差异的方法。该方法通过信息测度原理，将每个植被指数向量视为具有概率统计特性的信息源，从而将植被指数相似性问题假设为植被指数向量之间概率行为差异问题。
具体而言，对于一组植被指数向量x＝(x1,…,xL)T，其中xL代表每个像元的指数值，假设
是一个植被指数Z的集合，集合中任意一个元素λi代表一种植被指数。参考地块植被指数向量x＝(x1,…,xL)T；待分析地块植被指数向量y＝(y1,…,yL)T；L表示植被指数向量x、y的分量的个数；以x为随机变量进行建模，定义概率空间(Ω,Σ,Ρ)，Ω是样本空间，Σ是事件空间，Ρ为概率测度。因为x代表水稻生长期间水稻田区域的植被指数，因此x为非负的。根据以上假设，可以定义概率测度：
参考地块概率测度：
待分析地块概率测度：
p＝(p1,p2,…,pI)T为基于x得到的期望概率向量；q＝(q1,q2,…,qI)T为基于y得到的期望概率向量。因此，任何植被指数向量x＝(x1,…,xL)T可以看作是一个单一的信息源，其统计数据受向量p＝(p1,p2,…,pI)T约束，从而使得向量Ρ可用于描述植被指数的可变性。
根据Fano信息理论，定义参考农田(x)和普通农田(y)的自信息，即参考地块和待分析地块的自信息：
参考地块自信息：Ki(x)＝-ln(pi)
待分析地块自信息：Ki(y)＝-ln(qi)
y相对于x的相对熵(即散度)，即待分析地块相对于参考地块的相对熵为：
对应的，x相对于y的散度，即参考地块相对于待分析地块的相对熵为：
植被差异性指数VID：
VID(x,y)＝D(x||y)+D(y||x)
其中，q＝(q1,q2,…,qI)T为基于y得到的期望概率向量；待分析地块植被指数向量y＝(y1,…,yL)T为单一的信息源；
是植被指数集合Z；Z中一个元素λi代表一种植被指数，I是Z中元素个数。
VID通过度量两组相同植被指数之间的互信息大小确定两组相同植被指数之间的相似程度。VID值越高，说明两组相同植被指数之间的相似性越低；同理，VID值越低，则两组相同植被指数之间的相似性越高。
S2:基于所述差异性，确定所述植被指数对应的作物生长差异等级。
具体地，根据所述植被差异性指数VID的值域，确定所述植被指数对应的作物生长差异等级，各个植被指数对应的作物生长差异等级如表2所示：
表2：各个植被指数对应的作物生长差异等级
S3:基于所述差异等级，对待分析地块的作物生长进行分析。
具体地，以植被指数NDVI为例：
NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关；
总的来说,NDVI对绿色植物敏感,与植物分布密度呈线性关系,是植物生长状况和空间分布密度的最佳指标,但在低植被覆盖区存在扩大和在高植被区存在压缩的情况。
若待分析地块的植被指数NDVI对应的VID范围在0-0.06，则表明该待分析地块的作物的生长出现了一级异常；若待分析地块的植被指数NDVI对应的VID范围在0.06-0.16，则表明该待分析地块的作物的生长出现了二级异常，其余的植被指数的异常分级判断依次类推。
本实施例将空间特性的植被指数影像假设成了具有概率统计特性的信息量，并基于信息理论首次提出了植被差异性指数VID计算方法。该方法的提出，可以将遥感对植被区域的单一观测由静态装换成动态，为利用遥感技术对植被区域进行变化监测提供了全新手段和思路。通过对差异性指数的分级，可以实现差异级别与作物生长差异之间的强相关性。
本实施例可操作性强。精度可以达到97.62％。这为现代化农业科技创新示范园创造了新的应用途径，增加了其内在价值。
本实施例的方法可移植程度高。本实施例选用可见光、近红外的多种植被指数。其中，可见光波段的NDI和多光谱波段的NDVI在监测作物生长异常方面取得了较高的精度。该方法在未来可以完全移植到其他中高分辨率卫星数据(如Landsat、Spot、Quickbird等)以及无人机遥感影像中。还可以将该方法扩展到具有红遍波段的多光谱数据以及高光谱数据中，进一步提高该方法的稳定性和准确性。
实施例2
图2是本发明的基于植被指数差异性的作物生长分析系统示意图。如图2所示，本发明还提供了一种基于植被指数差异性的作物生长分析系统，所述系统包括：
计算模块，用于计算参考地块与待分析地块的植被指数之间的差异性；
确定模块，用于基于所述差异性，确定所述植被指数对应的作物生长差异等级；
分析模块，用于基于所述差异等级，对待分析地块的作物生长进行分析。
优选地，所述计算参考地块与待分析地块的植被指数之间的差异性，包括：
获取所述参考地块和所述待分析地块的遥感影像，基于所述遥感影像分别计算所述参考地块的植被指数和所述待分析地块的植被指数，根据所述参考地块的植被指数和所述待分析地块的植被指数确定植被指数的差异性。
优选地，所述根据所述参考地块的植被指数和所述待分析地块的植被指数确定植被指数的差异性，包括：基于
参考地块概率测度：
待分析地块概率测度：
参考地块自信息：Ki(x)＝-ln(pi)
待分析地块自信息：Ki(y)＝-ln(qi)
待分析地块相对于参考地块的相对熵为：
参考地块相对于待分析地块的相对熵为：
获得植被差异性指数VID：VID(x,y)＝D(x||y)+D(y||x)
其中，
是植被指数集合Z；Z中一个元素λi代表一种植被指数，I是Z中元素个数；参考地块植被指数向量x＝(x1,…,xL)T；待分析地块植被指数向量y＝(y1,…,yL)T；L表示植被指数向量x、y的分量的个数；p＝(p1,p2,…,pI)T为基于x得到的期望概率向量；q＝(q1,q2,…,qI)T为基于y得到的期望概率向量。
优选地，所述基于所述差异性，确定所述植被指数对应的作物生长差异等级，包括：
根据所述植被差异性指数VID的值域，确定所述植被指数对应的作物生长差异等级，所述植被指数包括归一化差值指数NDI、绿叶指数GLI、归一化差值植被指数NDVI、绿波段归一化植被指数GNDVI、土壤调节植被指数SAVI、土壤调节优化植被指数OSAVI、修正简单比值指数MSR。
本发明实施例2中各个模块所执行的方法步骤的具体实施过程与实施例1中的各个步骤的实施过程相同，在此不再赘述。
实施例3
图3是本发明的执行基于植被指数差异性的作物生长分析方法的计算机设备示意图。如图3所示，本发明提供的计算机设备包括：处理器、存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现实施例1中的方法步骤，具体的实现过程可以参考实施例1中的方法步骤的实现过程，在此不再赘述。
实施例4
根据本发明的另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现实施例1中的方法步骤，具体的实现过程可以参考实施例1中的方法步骤的实现过程，在此不再赘述。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种基于植被指数差异性的作物生长分析方法，其特征在于，所述方法包括以下步骤：
S1:计算参考地块与待分析地块的植被指数之间的差异性；
S2:基于所述差异性，确定所述植被指数对应的作物生长差异等级；
S3:基于所述差异等级，对待分析地块的作物生长进行分析。
2.根据权利要求1所述的方法，其特征在于，所述计算参考地块与待分析地块的植被指数之间的差异性，包括：
获取所述参考地块和所述待分析地块的遥感影像，基于所述遥感影像分别计算所述参考地块的植被指数和所述待分析地块的植被指数，根据所述参考地块的植被指数和所述待分析地块的植被指数确定植被指数的差异性。
3.根据权利要求2所述的方法，其特征在于，所述根据所述参考地块的植被指数和所述待分析地块的植被指数确定植被指数的差异性，包括：基于
参考地块概率测度：
待分析地块概率测度：
参考地块自信息：Ki(x)＝-ln(pi)
待分析地块自信息：Ki(y)＝-ln(qi)
待分析地块相对于参考地块的相对熵为：
参考地块相对于待分析地块的相对熵为：
获得植被差异性指数VID：VID(x,y)＝D(x||y)+D(y||x)
其中，
是植被指数集合Z；Z中一个元素λi代表一种植被指数，I是Z中元素个数；参考地块植被指数向量x＝(x1,…,xL)T；待分析地块植被指数向量y＝(y1,…,yL)T；L表示植被指数向量x、y的分量的个数；p＝(p1,p2,…,pI)T为基于x得到的期望概率向量；q＝(q1,q2,…,qI)T为基于y得到的期望概率向量。
4.根据权利要求3所述的方法，其特征在于，所述基于所述差异性，确定所述植被指数对应的作物生长差异等级，包括：
根据所述植被差异性指数VID的值域，确定所述植被指数对应的作物生长差异等级，所述植被指数包括归一化差值指数NDI、绿叶指数GLI、归一化差值植被指数NDVI、绿波段归一化植被指数GNDVI、土壤调节植被指数SAVI、土壤调节优化植被指数OSAVI、修正简单比值指数MSR。
5.一种基于植被指数差异性的作物生长分析系统，其特征在于，所述系统包括：
计算模块，用于计算参考地块与待分析地块的植被指数之间的差异性；
确定模块，用于基于所述差异性，确定所述植被指数对应的作物生长差异等级；
分析模块，用于基于所述差异等级，对待分析地块的作物生长进行分析。
6.根据权利要求5所述的系统，其特征在于，所述计算参考地块与待分析地块的植被指数之间的差异性，包括：
获取所述参考地块和所述待分析地块的遥感影像，基于所述遥感影像分别计算所述参考地块的植被指数和所述待分析地块的植被指数，根据所述参考地块的植被指数和所述待分析地块的植被指数确定植被指数的差异性。
7.根据权利要求6所述的系统，其特征在于，所述根据所述参考地块的植被指数和所述待分析地块的植被指数确定植被指数的差异性，包括：基于
参考地块概率测度：
待分析地块概率测度：
参考地块自信息：Ki(x)＝-ln(pi)
待分析地块自信息：Ki(y)＝-ln(qi)
待分析地块相对于参考地块的相对熵为：
参考地块相对于待分析地块的相对熵为：
获得植被差异性指数VID：VID(x,y)＝D(x||y)+D(y||x)
其中，
是植被指数集合Z；Z中一个元素λi代表一种植被指数，I是Z中元素个数；参考地块植被指数向量x＝(x1,…,xL)T；待分析地块植被指数向量y＝(y1,…,yL)T；L表示植被指数向量x、y的分量的个数；p＝(p1,p2,…,pI)T为基于x得到的期望概率向量；q＝(q1,q2,…,qI)T为基于y得到的期望概率向量。
8.根据权利要求7所述的系统，其特征在于，所述基于所述差异性，确定所述植被指数对应的作物生长差异等级，包括：
根据所述植被差异性指数VID的值域，确定所述植被指数对应的作物生长差异等级，所述植被指数包括归一化差值指数NDI、绿叶指数GLI、归一化差值植被指数NDVI、绿波段归一化植被指数GNDVI、土壤调节植被指数SAVI、土壤调节优化植被指数OSAVI、修正简单比值指数MSR。
9.一种计算机设备，其特征在于，所述设备包括：处理器、存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1-4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110878766.XA CN113516100A (zh) | 2021-08-02 | 2021-08-02 | 一种基于植被指数差异性的作物生长分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110878766.XA CN113516100A (zh) | 2021-08-02 | 2021-08-02 | 一种基于植被指数差异性的作物生长分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113516100A true CN113516100A (zh) | 2021-10-19 |
Family
ID=78068920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110878766.XA Withdrawn CN113516100A (zh) | 2021-08-02 | 2021-08-02 | 一种基于植被指数差异性的作物生长分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113516100A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023165007A1 (zh) * | 2022-03-03 | 2023-09-07 | 平安科技（深圳）有限公司 | 农作物长势的监测方法、系统、设备及介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543654A (zh) * | 2018-12-14 | 2019-03-29 | 常州大学 | 一种反映农作物生长状况的改进型植被指数的构建方法 |
-
2021
- 2021-08-02 CN CN202110878766.XA patent/CN113516100A/zh not_active Withdrawn
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543654A (zh) * | 2018-12-14 | 2019-03-29 | 常州大学 | 一种反映农作物生长状况的改进型植被指数的构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李福根: "利用植被指数非相似性监测水稻病虫害方法研究", 《中国农业信息》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023165007A1 (zh) * | 2022-03-03 | 2023-09-07 | 平安科技（深圳）有限公司 | 农作物长势的监测方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jin et al. | Deep neural network algorithm for estimating maize biomass based on simulated Sentinel 2A vegetation indices and leaf area index | |
| Sonobe et al. | Crop classification from Sentinel-2-derived vegetation indices using ensemble learning | |
| Morais et al. | The use of machine learning methods to estimate aboveground biomass of grasslands: A review | |
| Clevers et al. | Estimating grassland biomass using SVM band shaving of hyperspectral data | |
| Zhen et al. | Mapping leaf chlorophyll content of mangrove forests with Sentinel-2 images of four periods | |
| Adeluyi et al. | Estimating the phenological dynamics of irrigated rice leaf area index using the combination of PROSAIL and Gaussian Process Regression | |
| Yue et al. | Estimation of winter-wheat above-ground biomass using the wavelet analysis of unmanned aerial vehicle-based digital images and hyperspectral crop canopy images | |
| Ding et al. | Comparison of fractional vegetation cover estimations using dimidiate pixel models and look-up table inversions of the PROSAIL model from Landsat 8 OLI data | |
| Mercier et al. | Evaluation of Sentinel-1 and-2 time series for estimating LAI and biomass of wheat and rapeseed crop types | |
| Psomiadis et al. | Evaluation and cross-comparison of vegetation indices for crop monitoring from sentinel-2 and worldview-2 images | |
| Mandal et al. | Crop biophysical parameters estimation with a multi-target inversion scheme using the Sentinel-1 SAR data | |
| Singh et al. | Multispectral mapping of key grassland nutrients in KwaZulu-Natal, South Africa | |
| Abdikan et al. | A comparative analysis of SLR, MLR, ANN, XGBoost and CNN for crop height estimation of sunflower using Sentinel-1 and Sentinel-2 | |
| Wen et al. | Measurement of nitrogen content in rice by inversion of hyperspectral reflectance data from an unmanned aerial vehicle | |
| Abebe et al. | Assimilation of leaf Area Index from multisource earth observation data into the WOFOST model for sugarcane yield estimation | |
| Afrasiabian et al. | Effects of spatial, temporal, and spectral resolutions on the estimation of wheat and barley leaf area index using multi-and hyper-spectral data (case study: Karaj, Iran) | |
| Wang et al. | Estimation of rice aboveground biomass by combining canopy spectral reflectance and unmanned aerial vehicle-based red green blue imagery data | |
| Zhao et al. | Should phenological information be applied to predict agronomic traits across growth stages of winter wheat? | |
| Marin et al. | Unmanned aerial vehicle to evaluate frost damage in coffee plants | |
| Veysi et al. | Relationship between field measurement of soil moisture in the effective depth of sugarcane root zone and extracted indices from spectral reflectance of optical/thermal bands of multispectral satellite images | |
| Dong et al. | Combining leaf fluorescence and active canopy reflectance sensing technologies to diagnose maize nitrogen status across growth stages | |
| CN113516100A (zh) | 一种基于植被指数差异性的作物生长分析方法及系统 | |
| Chang et al. | Biomass estimation of crops and natural shrubs by combining red-edge ratio with normalized difference vegetation index | |
| Zhu et al. | Estimation of canopy water content for wheat through combining radiative transfer model and machine learning | |
| Sun et al. | Monitoring rice lodging grade via Sentinel-2A images based on change vector analysis |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211019 |