CN113591631A - 一种基于多源数据的作物估产方法 - Google Patents

一种基于多源数据的作物估产方法 Download PDF

Info

Publication number
CN113591631A
CN113591631A CN202110809210.5A CN202110809210A CN113591631A CN 113591631 A CN113591631 A CN 113591631A CN 202110809210 A CN202110809210 A CN 202110809210A CN 113591631 A CN113591631 A CN 113591631A
Authority
CN
China
Prior art keywords
yield
estimated
crop
indexes
per
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.)
Pending
Application number
CN202110809210.5A
Other languages
English (en)
Inventor
周祖煜
王俊霞
余敏
陈煜人
李天齐
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.)
Hangzhou Lingjian Digital Agricultural Technology Co ltd
Original Assignee
Hangzhou Lingjian Digital Agricultural Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Lingjian Digital Agricultural Technology Co ltd filed Critical Hangzhou Lingjian Digital Agricultural Technology Co ltd
Priority to CN202110809210.5A priority Critical patent/CN113591631A/zh
Publication of CN113591631A publication Critical patent/CN113591631A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多源数据的作物估产方法，包括以下步骤：获取待估产作物的多个历史亩产影响指数和多个历史亩产变化指标；根据最小二乘法，分别以所述多个历史亩产影响指数为自变量、所述多个历史亩产变化指标为因变量进行回归分析，得到多个回归方程；获取目标估产年份的多个产量影响指数，结合所述多个回归方程，计算所述目标估产年份的多个亩产变化指标；将所述多个亩产变化指标输入预先建立的估产模型，预测所述待估产作物的产量。本方案综合考虑作物生长环境和生长特点，结合特定区域的作物物候期，构建包含基准亩产和产量变动量的作物估产模型，其中产量变动量可考虑环境的影响，有助于动态调整估产结果，提高作物估产的精度。

Description

一种基于多源数据的作物估产方法
技术领域
本发明涉及精准农业和农业信息化领域，尤其涉及一种基于多源数据的作物估产方法。
背景技术
作物作为重要的经济作物和国际贸易农产品之一，已成为我国南方广大地区的农业经济支柱产业，随着农业信息技术的研究和应用，传统农业正逐渐向信息农业及科技农业转变，遥感技术由于其大面积同步观测的特点，在科技农业转变的过程中发挥着越来越重要的作用，区别于以往的作物估产方法，遥感技术为对作物综合、宏观、快速和动态观测提供了新的科学技术手段。
当前，将实时的遥感信息与农作物生长机理模型相结合，实现区域作物生长的动态监测，尤其是产量估计，推动遥感信息在我国精准农业估产中的应用具有重要应用价值，而我国作为作物生产的主要国家，预测产量是作物生产精细管理的重要内容。目前国内多数学者运用单时相、多时相光谱估产模型以及与农作物生长相结合的复合估产模型对水稻、小麦、苹果等进行了遥感估产。唐延林等人利用水稻成熟期冠层高光谱数据对水稻进行产量估算；雷彤等人对栖霞市苹果果期的冠层反射光谱进行实测，通过敏感波段与果树比指标建立回归模型，实现了对苹果冠层果量的无损估测；李明霞、欧文浩等人通过比较农作物之间的光谱特征差异以及产量形成的关键时期，利用高光谱遥感技术建立模型，选择估产的最佳时相；樊科研等人提取番茄的主要农学参数，建立基于农学参数的复合光谱估产模型，对番茄4个生育时期进行产量估算；黄敬峰等人利用冬小麦的地面光谱资料和农学参数资料，建立冬小麦发育期的遥感估产模型。然而前人多从产量形成的单一时相出发，建立作物的估产模型，综合考虑作物本身特征及生长环境影响的估产模型则鲜有提及，同时，基于统计调查数据的估产结果多局限在行政单元，无法精确到地块尺度。
发明内容
本发明提供的一种基于多源数据的作物估产方法，旨在使用地理信息和遥感技术，综合考虑统计调查数据及遥感数据，通过分析作物长势及环境影响，构建包含基准亩产和产量变动量的作物估产模型，并最终获取地块尺度及行政单元尺度的作物估产结果。
为实现上述目的，本发明采用以下技术方案：
本发明的一种基于多源数据的作物估产方法，包括以下步骤：
获取待估产作物的多个历史亩产影响指数和多个历史亩产变化指标；
根据最小二乘法，分别以所述多个历史亩产影响指数为自变量、所述多个历史亩产变化指标为因变量进行回归分析，得到多个回归方程；
获取目标估产年份的多个产量影响指数，结合所述多个回归方程，计算所述目标估产年份的多个亩产变化指标；
将所述多个亩产变化指标输入预先建立的估产模型，预测所述待估产作物的产量。
利用地理信息技术和遥感技术，获取待估产果树历年的植被数据、环境数据和产量数据，其中历年产量数据包含亩产变化指标基准亩产和亩产变动量的历史数据，环境数据包含历年的温度数据与降水数据，并利用最大值合成法按月合成陆地表面温度数据，通过公式计算得到得到亩产影响指数即植被状态指数、温度状态指数和降水状态指数的历史数据，再利用回归方程中的最小二乘法，以植被状态指数为自变量、基准亩产为因变量构建第一回归方程，以温度状态指数与降水状态指数为自变量、亩产变动量为因变量构建第二回归方程，根据第一、第二回归方程计算目标估产年份的基准亩产与亩产变动量，将目标估产年份的基准亩产与亩产变动量输入预先建立的估产模型中，结合了地理信息技术和遥感技术，利用遥感技术的客观性、高效性和高精度等优点，使用多源卫星影像数据，综合考虑作物生长环境和生长特点，收集整理植被数据、环境数据及历年产量数据，结合特定区域的作物物候期，构建包含基准亩产和产量变动量的作物估产模型，并利用历年真实产量数据对模型进行验证，最终得到作物估产模型，并制作作物产量分布图及各乡镇产量估算统计表，提高了作物估产的精度。
作为优选，所述获取待估产作物的多个历史亩产影响指数和多个历史亩产变化指标，包括：
获取待估产作物预处理后的多源遥感影像数据和多个历史亩产变化指标，所述预处理包含几何校正及重采样；
获取多个影响指数计算公式，结合处理后的遥感影像数据，计算所述待估产作物的多个历史亩产影响指数。
作为优选，所述将所述多个亩产变化指标输入预先建立的估产模型，预测所述待估产作物的产量，包括：
获取所述待估产作物的历年产量数据，根据所述历年产量数据的偏差计算所述待估产作物的产量修正值；
根据最小二乘法，构建基于所述多个历史亩产变化指标和所述产量修正值的估产模型；
将所述目标估产年份的多个亩产变化指标输入所述估产模型中，得到所述待估产作物的亩产量。
作为优选，所述将所述多个亩产变化指标输入预先建立的估产模型，预测所述待估产作物的产量之后，还包括：
获取所述待估产作物的高分辨率遥感影像数据；
利用卷积神经网络对所述高分辨率遥感影像数据进行训练，得到所述待估产作物的种植分布图；
根据所述种植分布图及预测的产量，绘制所述待估产作物的面状产量图；
按照地块对所述面状产量图进行裁切，得到以地块为单元的作物产量分布图。
一种基于多源数据的作物估产装置，包括：
获取模块，用于获取待估产作物的多个历史亩产影响指数和多个历史亩产变化指标；
分析模块，用于根据最小二乘法，分别以所述多个历史亩产影响指数为自变量、所述多个历史亩产变化指标为因变量进行回归分析，得到多个回归方程；
计算模块，用于获取目标估产年份的多个产量影响指数，结合所述多个回归方程，计算所述目标估产年份的多个亩产变化指标；
估产模块，用于将所述多个亩产变化指标输入预先建立的估产模型，预测所述待估产作物的产量。
作为优选，所述获取模块包括：
处理单元，用于获取待估产作物预处理后的多源遥感影像数据和多个历史亩产变化指标，所述预处理包含几何校正及重采样；
计值单元，用于获取多个影响指数计算公式，结合处理后的遥感影像数据，计算所述待估产作物的多个历史亩产影响指数。
作为优选，所述估产模块包括：
定值单元，用于获取所述待估产作物的历年产量数据，根据所述历年产量数据的偏差计算所述待估产作物的产量修正值；
构建单元，用于根据最小二乘法，构建基于所述多个历史亩产变化指标和所述产量修正值的估产模型；
预测单元，用于将所述目标估产年份的多个亩产变化指标输入所述估产模型中，得到所述待估产作物的亩产量。
作为优选，所述估产模块之后还包括分布模块，包含：
采集单元，用于获取所述待估产作物的高分辨率遥感影像数据；
训练单元，用于利用卷积神经网络对所述高分辨率遥感影像数据进行训练，得到所述待估产作物的种植分布图；
绘制单元，用于根据所述种植分布图及预测的产量，绘制所述待估产作物的面状产量图；
划分单元，用于按照地块对所述面状产量图进行裁切，得到以地块为单元的作物产量分布图。
一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如上述中任一项所述的一种基于多源数据的作物估产方法。
一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述中任一项所述的一种基于多源数据的作物估产方法。
本发明具有如下有益效果：
综合考虑作物生长环境和生长特点，收集整理植被数据、环境数据及历年产量数据，结合特定区域的作物物候期，构建包含基准亩产和产量变动量的作物估产模型，其中产量变动量可考虑环境的影响，有助于动态调整估产结果，提高检测年份作物估产的精度；
基于高分辨率遥感影像通过机器学习及人机交互解译等技术手段获取作物种植分布图，然后利用作物种植分布图对面状产量结果进行裁切，获取地块尺度的产量分布图，然后以各乡镇为单位进行区域统计，获取各区域产量统计结果，最终分别得到以地块为单元的作物产量分布图和以乡镇为单元的作物估产结果，提高了产量分布的精确度，有利于进行作物生长环境观测。
附图说明
图1是本发明实施例实现一种基于多源数据的作物估产方法第一流程图；
图2是本发明实施例实现一种基于多源数据的作物估产方法第二流程图；
图3是本发明实施例实现一种基于多源数据的作物估产方法第三流程图；
图4是本发明实施例实现一种基于多源数据的作物估产方法第四流程图；
图5是本发明实施例实现一种基于多源数据的作物估产方法的具体实施流程图；
图6是本发明实施例实现一种基于多源数据的作物估产装置示意图；
图7是本发明实施例实现一种基于多源数据的作物估产装置的获取模块示意图；
图8是本发明实施例实现一种基于多源数据的作物估产装置的估产模块示意图；
图9是本发明实施例实现一种基于多源数据的作物估产装置的具体实施模块图；
图10是本发明实施例实现一种基于多源数据的作物估产方法的一种电子设备示意图。
具体实施方式
下面将结合附图，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。
本申请的权利要求书和说明书的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式，此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。
实施例1
如图1所示，一种基于多源数据的作物估产方法，包括以下步骤：
S110、获取待估产作物的多个历史亩产影响指数和多个历史亩产变化指标；
S120、根据最小二乘法，分别以所述多个历史亩产影响指数为自变量、所述多个历史亩产变化指标为因变量进行回归分析，得到多个回归方程；
S130、获取目标估产年份的多个产量影响指数，结合所述多个回归方程，计算所述目标估产年份的多个亩产变化指标；
S140、将所述多个亩产变化指标输入预先建立的估产模型，预测所述待估产作物的产量。
根据实施例1可知，利用地理信息技术和遥感技术，获取待估产作物历年的植被数据、环境数据和产量数据，从这些数据中提取出作物关键物候期的数据，再进行几何校正与重采样，其中物候期是指动植物的生长、发育、活动等规律与生物的变化对节候的反应，关键物候期作物的影像数据特征更明显，代表性高，历年产量数据包含亩产变化指标基准亩产和亩产变动量的历年数据，历年环境数据包含温度数据与降水数据，并利用最大值合成法按月合成陆地表面温度数据，通过公式计算得到亩产影响指数即植被状态指数、温度状态指数和降水状态指数的历史数据，再利用回归方程中的最小二乘法，以植被状态指数为自变量、基准亩产为因变量构建第一回归方程，以温度状态指数与降水状态指数为自变量、亩产变动量为因变量构建第二回归方程，根据第一、第二回归方程计算目标估产年份的基准亩产与亩产变动量，将目标估产年份的基准亩产与亩产变动量输入预先建立的估产模型中，预测待估产作物的产量，当然，本发明中构建的回归方程不限于这两种，还可以是以土壤肥力为自变量、趋势亩产为因变量的回归方程，本实施例综合考虑到作物生长的内部因素与外部因素，选择了具有代表性的植被状态指数及温度状态指数和降水状态指数。此方法从多时相出发，综合考虑了作物特定的生长环境和生长特点，及环境对作物产量的影响，适合对各种作物进行估产，不仅提高了估产精度，还解决了现有技术只能预估一种作物产量的问题。
实施例2
如图2所示，一种基于多源数据的作物估产方法，包括：
S210、获取待估产作物预处理后的多源遥感影像数据和多个历史亩产变化指标，所述预处理包含几何校正及重采样；
S220、获取多个影响指数计算公式，结合处理后的遥感影像数据，计算所述待估产作物的多个历史亩产影响指数。
S230、根据最小二乘法，分别以所述多个历史亩产影响指数为自变量、所述多个历史亩产变化指标为因变量进行回归分析，得到多个回归方程；
S240、获取目标估产年份的多个产量影响指数，结合所述多个回归方程，计算所述目标估产年份的多个亩产变化指标；
S250、将所述多个亩产变化指标输入预先建立的估产模型，预测所述待估产作物的产量。
根据实施例2可知，获取的遥感影像数据已经经过几何校正与重采样等预处理，所提到的数据处理方法，仅仅为示例性的，不是对数据处理的限定。其中，遥感的几何校正是指针对遥感成像时，由于飞行器的姿态、高度、速度以及地球自转等因素的影响，造成图像相对于地面目标发生几何畸变进行误差校正的过程，这种畸变表现为像元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等，通过对遥感影像数据进行校正、重采样，使得到的数据更加准确，进而提高估产模型的准确率。
从预处理的数据中提取出对作物产量影响比较大的数据即亩产，包括植被生长状况、地表温度及月降水速率，根据这些数据结合计算公式来计算亩产影响指数即变化范围为0-1的植被状态指数VCI、温度状态指数TCI以及降水状态指数TRCI等无量纲的量，通过无量纲处理便于后续统一进行估产模型的构建，其中，植被生长状况是作物自身的长势，地表温度与月降水速率是影响作物生长的因素，这三个方面综合影响了作物的产量，既考虑了作物本身因素，又考虑了外部环境因素，有利于动态调整估产结果，使估产结果更准确。
实施例3
如图3所示，一种基于多源数据的作物估产方法，包括：
S310、获取待估产作物的多个历史亩产影响指数和多个历史亩产变化指标；
S320、根据最小二乘法，分别以所述多个历史亩产影响指数为自变量、所述多个历史亩产变化指标为因变量进行回归分析，得到多个回归方程；
S330、获取目标估产年份的多个产量影响指数，结合所述多个回归方程，计算所述目标估产年份的多个亩产变化指标；
S340、获取所述待估产作物的历年产量数据，根据所述历年产量数据的偏差计算所述待估产作物的产量修正值；
S350、根据最小二乘法，构建基于所述多个历史亩产变化指标和所述产量修正值的估产模型；
S360、将所述目标估产年份的多个亩产变化指标输入所述估产模型中，得到所述待估产作物的亩产量。
根据实施例3可知，构建基于基准亩产、亩产变动量与产量修正值的估产模型，其中基准亩产基于多年数据的植被状态指数获得，该指数可反应植被长势，通过利用各月VCI建立与亩产的回归关系作为基准亩产；亩产变动量主要根据环境数据获取，选取可以表征温度及降水情况的遥感参量TCI及TRCI作为环境变量，通过分析环境变量及历年产量数据，建立温度及降水情况与产量的关系，最终，利用植被长势得到的基准亩产及基于降水和温度得到的亩产变动量，构建最终的柑橘估产模型，具体公式如下：
Yb＝W1*VCI
△Y＝W2*TRCI+W3*TCI
Y＝W4*Yb+W5*△Y+m
其中，Y为亩产，Yb为基准亩产，△Y为亩产变动量，与降水及温度有关。Wi，i＝1,2,3,4,5为各指标对应的权重，通过与实际产量及实际产量变动量进行回归分析求得，m为产量修正值，也由和实际产量的偏差求得，VCI为植被状态指数，TRCI为降水状态指数，TCI为温度状态指数。根据各月作物长势、降水和地表温度情况，结合历年实际产量数据，得到最终的估产模型。
实施例4
如图4所示，一种基于多源数据的作物估产方法，包括：
S410、获取待估产作物的多个历史亩产影响指数和多个历史亩产变化指标；
S420、根据最小二乘法，分别以所述多个历史亩产影响指数为自变量、所述多个历史亩产变化指标为因变量进行回归分析，得到多个回归方程；
S430、获取目标估产年份的多个产量影响指数，结合所述多个回归方程，计算所述目标估产年份的多个亩产变化指标；
S440、将所述多个亩产变化指标输入预先建立的估产模型，预测所述待估产作物的产量；
S450、获取所述待估产作物的高分辨率遥感影像数据；
S460、利用卷积神经网络对所述高分辨率遥感影像数据进行训练，得到所述待估产作物的种植分布图；
S470、根据所述种植分布图及预测的产量，绘制所述待估产作物的面状产量图；
S480、按照地块对所述面状产量图进行裁切，得到以地块为单元的作物产量分布图。
根据实施例4可知，基于高分辨率遥感影像利用卷积神经网络获取作物的种植分布图，然后利用作物的种植分布图和预测的产量，绘制作物的面状产量图，再以地块为单元对面状产量结果进行裁切，获取地块尺度的产量分布图，然后以各乡镇为单位进行区域统计，获取各区域产量统计结果，最终分别得到以地块为单元的作物产量分布图和以乡镇为单元的作物产量分布图，将最后的估产结果定位到地块单元，提高估产区域的精确度。
实施例5
如图5所示，一种具体的实施方式可为：
S510、获取多源卫星遥感影像数据；
本实施例以柑橘估产为例，利用遥感技术和地理信息技术获取中分辨率成像光谱仪MODIS数据和热带降水测量卫星TRMM数据,主要为植被数据、环境数据和统计数据，而植被数据包括柑橘种植分布数据及柑橘长势数据，环境数据包括温度数据和降水数据，统计数据包括历年产量数据，其中柑橘种植分布数据由高分辨率遥感影像通过机器学习及人机交互解译等技术手段获取；柑橘长势数据根据基于多年遥感植被指数产品获取；温度数据根据基于遥感的地表文图产品获取；降水数据根据热带降水测量卫星的月降水速率数据集TRMM3B43产品获取。
此处收集了示范区2003年到2019年的EOS-MODIS地表温度产品MOD11A2、植被指数产品MOD13A3以及热带降水测量卫星的月降水速率数据集TRMM3B43产品，辅助数据为开州区和奉节县土地利用图、数字高程模型图以及全国1：400万基础地理信息数据。
S520、当所述影像数据为MODIS数据时，就从所述MODIS数据中提取地表温度和归一化植被指数，同时对所述MODIS数据进行重采样，得到MODIS图像数据集；
对MODIS进行处理时，首先利用NASA开发的MRT(MODIS Reprojection Toolsmodis)软件对数据进行批量处理，将原来的Sinusoidal投影转换为WGS84坐标系统，将HDF格式转换为TIFF格式，将LST和NDVI数据提取出来，同时将图像重采样到1km×1km分辨率；然后利用MODIS数据中标记低质量像元的质量控制文件(QC，Quality Control)对MOD11A2数据进行质量控制；接着利用最大值合成法MVC按月合成陆地表面温度数据，以有效消除太阳高度角、卫星视角、轨道飘移及云层遮盖影响；最后利用示范区的矢量边界提取出研究区数据，生成研究范围内的MODIS遥感图像数据集。
S530、当所述影像数据为TRMM数据时，就从所述TRMM数据中提取降水数据，并利用几何校正法对所述降水数据进行修正，同时将修正的降水数据重采样到与MODIS图像数据集同一分辨率；
TRMM热带降水测量卫星(Tropical Rainfall Measuring Mission)是美国地球探测系列卫星的组成部分，属于美国和日本联合开展的一项热带降水测量计划的内容。该数据以HDF格式进行存储，产品包含两个层，分别是降水量(Precipitation)和相对误差(Relative Error)。选取2003年至2019年的TRMM3B43降水数据作为柑橘估产构建过程中的一个因子，首先需要在ENVI(遥感图像处理平台)中对其进行几何校正及重采样，投影和MODIS数据保持一致并将数据重采样到1km×1km分辨率以便和其他遥感数据进行计算。
S540、从重采样的数据中选取变化范围为0-1的无量纲的量作为估产模型的参量，所述无量纲的量包含植被状态指数VCI、温度状态指数TCI以及降水状态指数TRCI；
取遥感参量的过程中，综合考虑植被生长状况、地表温度及月降水速率数据。根据植被指数以及地表温度监测柑橘估产的原理可知，NDVI主要考虑植被状态，但是由于植物在受水分胁迫时短期内仍能保持原有绿色，所以NDVI并不能实时的监测植被水分胁迫指标。地表温度法是基于土壤含水量与地表温度之间此消彼长的内在关系，但很多因素都会对地表温度造成影响，一般情况下，地表温度是由土壤、植被及建筑等不同地物类型组成的混合像元的温度，会造成监测的片面性。为了更有效的进行柑橘估产监测的研究，选取了变化范围为0～1的无量纲的量，分别是植被状态指数VCI(vegetation condition index)、温度状态指数TCI(temperature condition index)以及降水状态指数TRCI(TropicalRainfall condition index)，作为遥感参量因子。
(1)植被状态指数
植被是覆盖地球表面植物群落的总称。绿色植被敏感波段的反射率会随植被状态的变化而变化，从而在遥感影像上被探测出来，由于单波段数据分析提取出植被状态信息的局限性较大，因而可以让遥感光谱反射数据的多个波段参与运算。根据植被反射光谱曲线可知，绿色植被对红光的反射率一般为10～20％，比例相对较低；对近红外的反射较强，一般为40～50％，由此可知，这两个波段的光谱响应差异性明显，并且这种差异性随着植被覆盖度、叶冠结构的变化而变化，因此可以用两波段的比值、差值等进行数学运算，得到能够实现遥感植被状态监测和定量评估的具有指示意义的指数。据统计，国内外20世纪九十年代末期植被指数就已经多达几十种，其中应用广泛的有归一化植被指数(NDVI)、增强型植被指数(EVI)、距平植被指数(AVI)、植被状态指数(VCI)等。本专利选取植被状态指数。
根据Kogan等(1995)提出的植被状态指数(Vegetation Condition Index，VCI)，计算研究区域内某年i月的VCI值。植被状态指数的定义为：
Figure BDA0003167588360000141
式中，NDVImin和NDVImax为同一像元NDVI多年的最小和最大值，NDVIi某年i月具体像元的NDVI值。分母NDVImax减NDVImin代表分析期内NDVI的最大变化范围，反映了当地植被的生境，分子在一定意义上表示了某一特定年份第i个时期研究区的气象信息，值越小表示该时间段作物长势越差。
归一化植被指数NDVI是根据绿色植物光谱特性得出来的，是一种应用较为广泛的植被指数监测方法，可定义为
Figure BDA0003167588360000142
ρnir、ρred分别表示地表在近红外波段和红光波段上的反射率，从农业生产考虑，植被长势越好时，NDVI值越大，反之在旱生生态环境下的植被长势较差，其对应的NDVI值也越小；
(2)温度状态指数
陆地表面温度(Land Surface Temperature，LST)是衡量地球表层能量和温室效应的重要指标。当地表是裸地时，土壤较干燥，导致其热容量减小，昼夜温差大，所以可以利用热红外波段遥感资料反演的地表温度产品，间接进行土壤水分胁迫监测，从而达到监测柑橘估产的目的；对于植被覆盖的区域，可以利用植被冠层温度监测柑橘估产，原理是植被受水分胁迫时，植被叶片气孔关闭，减少了因蒸腾作用造成的水分损失，进而造成地表的潜热通量降低，而感热通量增加，导致植被冠层温度的升高。所以，可用植被冠层温度作为发生柑橘估产的指示器。因此，土地表面温度可用于柑橘估产监测。
温度状态指数(Temperature Condition Index，TCI)强调了温度与植物生长的关系，该指数表明高温对植物生长不利。TCI的定义与VCI的相似:
Figure BDA0003167588360000151
式中，LSTmin和LSTmax为同一像元LST多年的最小和最大值。LSTi某年i月具体像元的LST值。TCI指数模型不受作物生长季的限制，适用于长时间序列及大区域的相对柑橘估产监测，TCI是基于植被冠层或土壤表面温度随着水分胁迫的增加而增加的原理来进行柑橘估产监测。
(3)降水状态指数
降水在全球水与能量循环中起着重要作用，无论是气象柑橘估产、水文柑橘估产、柑橘估产还是社会经济柑橘估产，其核心内容都是水分的缺乏，它反映了天气和气候的变化特征。常规的地面观测站获取的降水量数据，虽然精度较高，但由于分布密度的局限，对于大面积的降水分布特征的观测可能存在缺陷；TRMM(热带降水测量任务)数据为进一步研究降水的时空分布特征提供了条件。
TRMM3B43是月降水速率数据集，单位为mm/h，马苏等参考Kogan等提出的VCI和TCI，对TRMM热带降水数据进行相应变换处理，并用于洞庭湖流域的柑橘估产遥感监测研究，取得了较好的结果，TRCI定义如下：
Figure BDA0003167588360000161
式中，TRMMmin和TRMMmax为同一像元TRMM多年的最小和最大值，TRMMi某年i月具体像元的TRMM值，分母TRMMmax减TRMMmin代表分析期内TRMM的最大变化范围，反映了当地同期月平均降水情况，而分子在一定意义上表示了某一特定年第i个时期研究区的降水情况，所以，TRCI越小，表明降水越少。
S550、根据所述模型参量构建估产模型，并利用所述估产模型计算柑橘亩产量；
模型构建考虑了基准亩产和亩产变动量。其中基准亩产基于多年数据的植被状态指数，该指数可反应植被长势，通过利用各月VCI建立与亩产的回归关系可作为基准亩产；亩产变动量主要根据环境数据获取，选取可以表征温度及降水情况的遥感参量TCI及TRCI作为环境变量，通过分析环境变量，通过历年产量数据，建立温度及降水情况与产量的关系。最终，利用植被长势得到的基准亩产及基于降水和温度得到的产量变动量指标，构建最终的柑橘估产模型，具体公式如下所示：
Yb＝W1*VCI
△Y＝W2*TRCI+W3*TCI
Y＝W4*Yb+W5*△Y+m
式中，Y为亩产，Yb为基准亩产，△Y为亩产变动量，与降水及温度有关，Wi，i＝1，2，3，4，5为各指标对应的权重，通过与实际产量及实际产量变动量进行回归分析求得，m为产量修正值，也由和实际产量的偏差求得，根据各月柑橘长势、降水和地表温度情况，结合历年实际产量数据，最终得到估产模型，用获取的数据来计算目标估产年份的植被状态指数、温度状态指数与降水状态指数，将这些指数输入上述公式中，得到目标估产年份柑橘的产量。
S560、利用卷积神经网络获取柑橘的种植分布图，对所述种植分布图进行区块划分，结合柑橘产量，得到以地块尺度为单元的产量分布图和以行政尺度为单元的作物产量分布图。
从目标图像数据集中提取出柑橘的种植分布图，然后利用柑橘种植分布图对面状产量结果进行裁切，获取地块尺度的产量分布图，然后以各乡镇为单位进行区域统计，获取各区域产量统计结果，最终分别得到以地块为单元的柑橘产量分布图和以乡镇为单元的产量分布图，将估产结果细化到每个田块，优化了估产结果的呈现方式。其中，地块尺度是用地控制和规划信息管理的基本单元，地块因用地条件及周边环境的差异，土地权属、土地管理制度、社会历史的原因，形成了地块尺度的差异。地块尺度的主要特征表现在：①尺寸:地块尺寸是关于二维度量的概念，是指城市土地权属二维的实际大小范围，地块尺寸的大小对城市空间形态有决定性的影响，二维上的地块尺寸的差异将造成三维上的城市形态的差异；②比例：地块比例简单的说就是地块的每一部分或构件与整体之间存在一种数字或倍数关系，而且每一个部分也与其他部分存在着一种数字或倍数关系，对于地块而言，比例主要是针对地块边界的各个边的关系。
实施例6
如图6所示，一种基于多源数据的作物估产装置包括：
获取模块10，用于获取待估产作物的多个历史亩产影响指数和多个历史亩产变化指标；
分析模块20，用于根据最小二乘法，分别以所述多个历史亩产影响指数为自变量、所述多个历史亩产变化指标为因变量进行回归分析，得到多个回归方程；
计算模块30，用于获取目标估产年份的多个产量影响指数，结合所述多个回归方程，计算所述目标估产年份的多个亩产变化指标；
估产模块40，用于将所述多个亩产变化指标输入预先建立的估产模型，预测所述待估产作物的产量。
上述装置的一种实施方式可为：获取模块10获取待估产作物的多个历史亩产影响指数和多个历史亩产变化指标，分析模块20根据最小二乘法，分别以所述多个历史亩产影响指数为自变量、所述多个历史亩产变化指标为因变量进行回归分析，得到多个回归方程，计算模块30获取目标估产年份的多个产量影响指数，结合所述多个回归方程，计算所述目标估产年份的多个亩产变化指标，估产模块40将所述多个亩产变化指标输入预先建立的估产模型，预测所述待估产作物的产量。
实施例7
如图7所示，一种基于多源数据的作物估产装置的获取模块10包括：
处理单元12，用于获取待估产作物预处理后的多源遥感影像数据和多个历史亩产变化指标，所述预处理包含几何校正及重采样；
计值单元14，用于获取多个影响指数计算公式，结合处理后的遥感影像数据，计算所述待估产作物的多个历史亩产影响指数。
上述装置的处理模块10的一种实施方式可为：处理单元12获取待估产作物预处理后的多源遥感影像数据和多个历史亩产变化指标，所述预处理包含几何校正及重采样，计值单元14获取多个影响指数计算公式，结合处理后的遥感影像数据，计算所述待估产作物的多个历史亩产影响指数。
实施例8
如图8所示，一种基于多源数据的作物估产装置的估产模块40包括：
定值单元42，用于获取所述待估产作物的历年产量数据，根据所述历年产量数据的偏差计算所述待估产作物的产量修正值；
构建单元44，用于根据最小二乘法，构建基于所述多个历史亩产变化指标和所述产量修正值的估产模型；
预测单元46，用于将所述目标估产年份的多个亩产变化指标输入所述估产模型中，得到所述待估产作物的亩产量。
上述装置的估产模块40的一种实施方式可为：定值单元42获取所述待估产作物的历年产量数据，根据所述历年产量数据的偏差计算所述待估产作物的产量修正值，构建单元44根据最小二乘法，构建基于所述多个历史亩产变化指标和所述产量修正值的估产模型，预测单元46将所述目标估产年份的多个亩产变化指标输入所述估产模型中，得到所述待估产作物的亩产量。
实施例9
如图9所示，一种具体的实施模块为：
收集模块1，用于获取多源卫星遥感影像数据；
第一处理模块2，用于当所述影像数据为MODIS数据时，就从所述MODIS数据中提取地表温度和归一化植被指数，同时对所述MODIS数据进行重采样，得到MODIS图像数据集；
第二处理模块3，用于当所述影像数据为TRMM数据时，就从所述TRMM数据中提取降水数据，并利用几何校正法对所述降水数据进行修正，同时将修正的降水数据重采样到与MODIS图像数据集同一分辨率；
选取模块4，用于从所述目标区域的图像数据集中选取变化范围为0-1的无量纲的量作为所述模型参量，所述无量纲的量包含植被状态指数VCI、温度状态指数TCI以及降水状态指数TRCI；
预估模块5，用于根据所述模型参量构建估产模型，并利用所述估产模型计算柑橘亩产量；
分布模块6，用于利用卷积神经网络获取柑橘的种植分布图，对所述种植分布图进行区块划分，结合柑橘产量，得到以地块尺度为单元的产量分布图和以行政尺度为单元的作物产量分布图。
实施例10
如图10所示，一种电子设备，包括存储器1001和处理器1002，所述存储器1001用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器1002执行以实现上述的一种基于多源数据的作物估产方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述的一种基于多源数据的作物估产方法。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器1001中，并由处理器1002执行，并由输入接口1005和输出接口1006完成数据的I/O接口传输，以完成本发明,一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，存储器1001、处理器1002,本领域技术人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入器1007、网络接入设备、总线等。
处理器1002可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器1002、数字信号处理器1002(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgRAM503mableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器1002可以是微处理器1002或者该处理器1002也可以是任何常规的处理器1002等。
存储器1001可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器1001也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)等,进一步地，存储器1001还可以既包括计算机设备的内部存储单元也包括外部存储设备,存储器1001用于存储计算机程序以及计算机设备所需的其他程序和数据,存储器1001还可以用于暂时地存储在输出器1008，而前述的存储介质包括U盘、移动硬盘、只读存储器ROM1003、随机存储器RAM1004、碟盘或光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种基于多源数据的作物估产方法，其特征在于，包括以下步骤：
获取待估产作物的多个历史亩产影响指数和多个历史亩产变化指标；
根据最小二乘法，分别以所述多个历史亩产影响指数为自变量、所述多个历史亩产变化指标为因变量进行回归分析，得到多个回归方程；
获取目标估产年份的多个产量影响指数，结合所述多个回归方程，计算所述目标估产年份的多个亩产变化指标；
将所述多个亩产变化指标输入预先建立的估产模型，预测所述待估产作物的产量。
2.根据权利要求1所述的一种基于多源数据的作物估产方法，其特征在于，所述获取待估产作物的多个历史亩产影响指数和多个历史亩产变化指标，包括：
获取待估产作物预处理后的多源遥感影像数据和多个历史亩产变化指标，所述预处理包含几何校正及重采样；
获取多个影响指数计算公式，结合处理后的遥感影像数据，计算所述待估产作物的多个历史亩产影响指数。
3.根据权利要求1所述的一种基于多源数据的作物估产方法，其特征在于，所述将所述多个亩产变化指标输入预先建立的估产模型，预测所述待估产作物的产量，包括：
获取所述待估产作物的历年产量数据，根据所述历年产量数据的偏差计算所述待估产作物的产量修正值；
根据最小二乘法，构建基于所述多个历史亩产变化指标和所述产量修正值的估产模型；
将所述目标估产年份的多个亩产变化指标输入所述估产模型中，得到所述待估产作物的亩产量。
4.根据权利要求1所述的一种基于多源数据的作物估产方法，其特征在于，所述将所述多个亩产变化指标输入预先建立的估产模型，预测所述待估产作物的产量之后，还包括：
获取所述待估产作物的高分辨率遥感影像数据；
利用卷积神经网络对所述高分辨率遥感影像数据进行训练，得到所述待估产作物的种植分布图；
根据所述种植分布图及预测的产量，绘制所述待估产作物的面状产量图；
按照地块对所述面状产量图进行裁切，得到以地块为单元的作物产量分布图。
5.一种基于多源数据的作物估产装置，其特征在于，包括：
获取模块，用于获取待估产作物的多个历史亩产影响指数和多个历史亩产变化指标；
分析模块，用于根据最小二乘法，分别以所述多个历史亩产影响指数为自变量、所述多个历史亩产变化指标为因变量进行回归分析，得到多个回归方程；
计算模块，用于获取目标估产年份的多个产量影响指数，结合所述多个回归方程，计算所述目标估产年份的多个亩产变化指标；
估产模块，用于将所述多个亩产变化指标输入预先建立的估产模型，预测所述待估产作物的产量。
6.根据权利要求5所述的一种基于多源数据的作物估产装置，其特征在于，所述获取模块包括：
处理单元，用于获取待估产作物预处理后的多源遥感影像数据和多个历史亩产变化指标，所述预处理包含几何校正及重采样；
计值单元，用于获取多个影响指数计算公式，结合处理后的遥感影像数据，计算所述待估产作物的多个历史亩产影响指数。
7.根据权利要求5所述的一种基于多源数据的作物估产装置，其特征在于，所述估产模块包括：
定值单元，用于获取所述待估产作物的历年产量数据，根据所述历年产量数据的偏差计算所述待估产作物的产量修正值；
构建单元，用于根据最小二乘法，构建基于所述多个历史亩产变化指标和所述产量修正值的估产模型；
预测单元，用于将所述目标估产年份的多个亩产变化指标输入所述估产模型中，得到所述待估产作物的亩产量。
8.根据权利要求5所述的一种基于多源数据的作物估产装置，其特征在于，所述估产模块之后还包括分布模块，包含：
采集单元，用于获取所述待估产作物的高分辨率遥感影像数据；
训练单元，用于利用卷积神经网络对所述高分辨率遥感影像数据进行训练，得到所述待估产作物的种植分布图；
绘制单元，用于根据所述种植分布图及预测的产量，绘制所述待估产作物的面状产量图；
划分单元，用于按照地块对所述面状产量图进行裁切，得到以地块为单元的作物产量分布图。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1～4中任一项所述的一种基于多源数据的作物估产方法。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序使计算机执行时实现如权利要求1～4中任一项所述的一种基于多源数据的作物估产方法。
CN202110809210.5A 2021-07-16 2021-07-16 一种基于多源数据的作物估产方法 Pending CN113591631A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110809210.5A CN113591631A (zh) 2021-07-16 2021-07-16 一种基于多源数据的作物估产方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110809210.5A CN113591631A (zh) 2021-07-16 2021-07-16 一种基于多源数据的作物估产方法

Publications (1)

Publication Number Publication Date
CN113591631A true CN113591631A (zh) 2021-11-02

Family

ID=78248246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110809210.5A Pending CN113591631A (zh) 2021-07-16 2021-07-16 一种基于多源数据的作物估产方法

Country Status (1)

Country Link
CN (1) CN113591631A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762226A (zh) * 2021-11-09 2021-12-07 成都理工大学 基于高光谱分辨率调整提升树种识别精度的方法及系统
CN114005039A (zh) * 2021-12-31 2022-02-01 成都国星宇航科技有限公司 基于遥感图像的农作物长势评估方法、装置及电子设备
CN114782837A (zh) * 2022-06-17 2022-07-22 中化现代农业有限公司 种植物估产方法、装置、电子设备和存储介质
CN115879653A (zh) * 2023-03-02 2023-03-31 北京四象爱数科技有限公司 一种多因子农作物产量估算方法、设备及介质
CN117274825A (zh) * 2023-11-22 2023-12-22 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
CN117649599A (zh) * 2023-11-07 2024-03-05 宁波大学 基于改进光能利用效率模型的冬小麦产量大面积估算方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762226A (zh) * 2021-11-09 2021-12-07 成都理工大学 基于高光谱分辨率调整提升树种识别精度的方法及系统
CN113762226B (zh) * 2021-11-09 2022-01-07 成都理工大学 基于高光谱分辨率调整提升树种识别精度的方法及系统
CN114005039A (zh) * 2021-12-31 2022-02-01 成都国星宇航科技有限公司 基于遥感图像的农作物长势评估方法、装置及电子设备
CN114782837A (zh) * 2022-06-17 2022-07-22 中化现代农业有限公司 种植物估产方法、装置、电子设备和存储介质
CN115879653A (zh) * 2023-03-02 2023-03-31 北京四象爱数科技有限公司 一种多因子农作物产量估算方法、设备及介质
CN117649599A (zh) * 2023-11-07 2024-03-05 宁波大学 基于改进光能利用效率模型的冬小麦产量大面积估算方法
CN117649599B (zh) * 2023-11-07 2024-05-17 宁波大学 基于改进光能利用效率模型的冬小麦产量大面积估算方法
CN117274825A (zh) * 2023-11-22 2023-12-22 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
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

Similar Documents

Publication Publication Date Title
CN113591631A (zh) 一种基于多源数据的作物估产方法
Zheng et al. Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery
Rojas Operational maize yield model development and validation based on remote sensing and agro‐meteorological data in Kenya
Bala et al. Correlation between potato yield and MODIS‐derived vegetation indices
Son et al. Machine learning approaches for rice crop yield predictions using time-series satellite data in Taiwan
CN111126662B (zh) 基于大数据的灌溉决策制定方法、装置、服务器和介质
CN108984803B (zh) 一种农作物产量空间化的方法及系统
Kim et al. Monitoring canopy growth and grain yield of paddy rice in South Korea by using the GRAMI model and high spatial resolution imagery
Wang et al. Yield estimation of winter wheat in the North China Plain using the remote-sensing–photosynthesis–yield estimation for crops (RS–P–YEC) model
Yu et al. A method to avoid spatial overfitting in estimation of grassland above-ground biomass on the Tibetan Plateau
Gos et al. Combined TBATS and SVM model of minimum and maximum air temperatures applied to wheat yield prediction at different locations in Europe
Sultan et al. Estimating the potential economic value of seasonal forecasts in West Africa: A long-term ex-ante assessment in Senegal
Ju et al. Prediction of summer grain crop yield with a process-based ecosystem model and remote sensing data for the northern area of the Jiangsu Province, China
Dehkordi et al. Yield gap analysis using remote sensing and modelling approaches: Wheat in the northwest of Iran
Jin et al. Assimilating remote sensing data into a crop model improves winter wheat yield estimation based on regional irrigation data
CN113011235A (zh) 基于cpugpu异构平台的多源遥感草地草畜平衡评估方法
CN116580318A (zh) 作物覆盖区域的土壤养分反演方法、装置、设备及介质
Zhang et al. Combining spectral and texture features of UAV hyperspectral images for leaf nitrogen content monitoring in winter wheat
Bandaru et al. Geo-CropSim: A Geo-spatial crop simulation modeling framework for regional scale crop yield and water use assessment
CN116485757A (zh) 一种冬小麦全氮含量预测方法
Xie Combining CERES-Wheat model, Sentinel-2 data, and deep learning method for winter wheat yield estimation
Wang et al. Temporal interpolation of land surface fluxes derived from remote sensing–results with an unmanned aerial system
Liu et al. Evaluating how lodging affects maize yield estimation based on UAV observations
Sun et al. Monitoring rice lodging grade via Sentinel-2A images based on change vector analysis
Liu et al. Open-air grape classification and its application in parcel-level risk assessment of late frost in the eastern Helan Mountains

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