CN113673490B - 一种物候期自适应的作物生理参数遥感估测方法及系统 - Google Patents
一种物候期自适应的作物生理参数遥感估测方法及系统 Download PDFInfo
- Publication number
- CN113673490B CN113673490B CN202111227513.2A CN202111227513A CN113673490B CN 113673490 B CN113673490 B CN 113673490B CN 202111227513 A CN202111227513 A CN 202111227513A CN 113673490 B CN113673490 B CN 113673490B
- Authority
- CN
- China
- Prior art keywords
- accumulated temperature
- crop
- formula
- equation
- phenological
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明公开了一种物候期自适应的作物生理参数遥感估测方法及系统,通过参数化特定作物冠层的植被指数、生理参数及其回归系数随积温的变化模式,建立锚点运动方程来使离散的分段植被指数‑生理参数关系连续化。该方法解决了传统单一回归关系法由于忽略物候效应引入的模型结构误差,也解决了基于生育期的分段函数法不连续的问题。相比其他植被指数,该方法基于宽动态范围植被指数(WDRVI)进行参数化,不仅可以减轻植被指数在作物高绿度期的饱和现象,而且在实际运用场景中对光线的快速变化表现出更好的容错性。该发明建立了植被指数、作物生理参数和物候期的连续关系,对作物生理参数的跨年预测及跨区域预测有很强的普适性和运用潜力。
Description
技术领域
本发明属于定量遥感和作物监测技术领域,涉及一种作物生理参数估测方法及系统,具体涉及一种物候期自适应的作物生理参数遥感估测方法及系统。
背景技术
科学且有针对性的田间管理对提高化肥、灌溉水利用率,实现作物增产以及减少农业面源污染有着重要作用。然而,实时且精准的作物田间管理依赖于区域尺度下作物生理参数(如叶面积指数、地上生物量、冠层氮含量等)的准确估测。
基于遥感技术进行区域作物监测的方法主要可以分为物理模型反演法和统计模型法两大类。利用光谱反演辐射传输模型往往会遇到同谱异质的问题,并且众多的模型参数难以校验,限制了其在实际中的运用。统计法通过建立光谱特征与作物生理参数之间的统计模型来对目标变量进行估测。其中,基于植被指数的单一关系法直接建立作物叶生长期或全生育期的植被指数和目标变量的回归方程,因其运用简单而被广泛用于作物监测。然而,这种方法基于目标变量只与植被指数数值有关的假设,忽略了作物不同物候期冠层结构及色素变化的影响,因此存在较大的模型结构误差。
针对不同物候期分段建立植被指数与目标变量之间的回归方程可以降低单一关系法的固有结构误差。然而,分段方法建立的多个回归方程在时间上不连续。在实际运用时,如果此刻作物正处于两个物候期的交接时期,采用此方法将会使预测值有较大的突变从而引入较大的不确定性。
发明内容
本发明的目的是提供一种物候自适应的作物生理参数遥感估测方法及系统,该方法参数化了植被指数、作物物候和目标生理参数之间的连续关系,对图像采集设备及采集天气条件灵活性强,能在作物生长期内任一时间点对多种作物生理参数进行估测,估测误差小,普适性强。
本发明的方法所采用的技术方案是:一种物候期自适应的作物生理参数遥感估测方法,包括以下步骤:
步骤1:构建物候自适应的作物生理参数遥感估测模型;
具体实现包括以下子步骤:
步骤1.1:定义并针对特定作物参数化作物植被指数形状方程v(x)、目标生理参数随积温变化方程p(x)和回归方程斜率随积温变化方程k(x);
其中,采用三分段logistics函数f(x)来模拟v(x),公式为:
式中,x为作物生长季有效参考积温,简称参考积温;y0、s、t0、r分别为f(x)的起点值、终点值、拐点积温和生长率系数;
采用二阶多项式来模拟p(x)和k(x),公式为:
p(x)=a1 x2+b1x+c1 (公式3)
k(x)=a2 x2+b2x+c2 (公式4)
式中a1,b1,c1,a2,b2,c2为拟合系数,采用最小二乘法进行参数优化;
步骤1.2:构建物候自适应方程;
构建锚点随积温的运动方程a(v(x),p(x)),并假设以k(x)为斜率的线型方程通过锚点a:
y=k(x)*[WDRVI-v(x)]+p(x) (公式5)
式中,v为待估测的作物生理参数;WDRVI为宽动态范围植被指数,公式为:
式中,Rnir、Rred分别表示近红波段和红波段的反射率;
步骤2:获取多光谱遥感影像,对影像进行三维重建并辐射定标后生成区域正射反射率影像,并计算宽动态范围植被指数WDRVI;
步骤3:推算参考积温;
若作物种植日期及气象数据已知,则计算实际积温并转化为参考积温,公式为:
式中,GDDr和GDDa分别为参考积温和实际积温,r为实际叶成长期长度和参考长度之比,GDDpanicle_init为实际出现圆锥花序对应的积温;
若作物种植日期及气象数据未知,但有可利用的遥感RGB影像数据,则先通过深度卷积神经网络识别RGB影像中作物的物候期:
作物物候期=f(RGB影像) (公式8)
式中f(x)为训练好的卷积神经网络;再基于查找表的方法得到与该物候期对应的参考积温;
若作物种植日期及气象数据未知,但有可利用的时序遥感WDRVI数据,则利用形状方程v(x)拟合时序WDRVI观测数据来推算参考积温偏移量,以此来推算参考积温,公式为:
g(x)=yscale×v(xscale×(x-xshift)) (公式9)
GDDr=xscale×(GDDbase-xshift) (公式10)
式中,g(x)是拟合转换后的v(x),y_scale,x_scale和x_shift为利用最小二乘法优化得到的拟合参数,分别代表植被指数缩放系数、积温缩放系数、积温漂移系数,GDDbase为预设的基准积温;
步骤4:作物生理参数估测;
将步骤2中计算的WDRVI和步骤3中推算得到的参考积温代入步骤1中建立的物候自适应方程,即可求得当前影像采集时刻的目标作物生理参数。
本发明的系统所采用的技术方案是:一种物候期自适应的作物生理参数遥感估测系统,包括以下模块:
模块1,用于构建物候自适应的作物生理参数遥感估测模型;
具体实现包括以下子模块:
模块1.1,用于定义并针对特定作物参数化作物植被指数形状方程v(x)、目标生理参数随积温变化方程p(x)和回归方程斜率随积温变化方程k(x);
其中,采用三分段logistics函数f(x)来模拟v(x),公式为:
式中,x为作物生长季有效参考积温,简称参考积温;y0、s、t0、r分别为f(x)的起点值、终点值、拐点积温和生长率系数;
采用二阶多项式来模拟p(x)和k(x),公式为:
p(x)=a1x2+b1x+c1 (公式3)
k(x)=a2x2+b2x+c2 (公式4)
式中a1,b1,c1,a2,b2,c2为拟合系数,采用最小二乘法进行参数优化;
模块1.2,用于构建物候自适应方程;
构建锚点随积温的运动方程a(v(x),p(x)),并假设以k(x)为斜率的线型方程通过锚点a:
y=k(x)*[WDRVI-v(x)]+p(x) (公式5)
式中,y为待估测的作物生理参数;WDRVI为宽动态范围植被指数,公式为:
式中,Rnir、Rred分别表示近红波段和红波段的反射率;
模块2,用于获取多光谱遥感影像,对影像进行三维重建并辐射定标后生成区域正射反射率影像,并计算宽动态范围植被指数WDRVI;
模块3,用于推算参考积温;
若作物种植日期及气象数据已知,则计算实际积温并转化为参考积温,公式为:
式中,GDDr和GDDa分别为参考积温和实际积温,r为实际叶成长期长度和参考长度之比,GDDpanicle_init为实际出现圆锥花序对应的积温;
若作物种植日期及气象数据未知,但有可利用的遥感RGB影像数据,则先通过深度卷积神经网络识别RGB影像中作物的物候期:
作物物候期=f(RGB影像) (公式8)
式中f(x)为训练好的卷积神经网络;再基于查找表的方法得到与该物候期对应的参考积温;
若作物种植日期及气象数据未知,但有可利用的时序遥感WDRVI数据,则利用形状方程v(x)拟合时序WDRVI观测数据来推算参考积温偏移量,以此来推算参考积温,公式为:
g(x)=yscale×v(xscale×(x-xshift)) (公式9)
GDDr=xscale×(GDDbase-xshift) (公式10)
式中,g(x)是拟合转换后的v(x),y_scale,x_scale和x_shift为利用最小二乘法优化得到的拟合参数,分别代表植被指数缩放系数、积温缩放系数、积温漂移系数,GDDbase为预设的基准积温;
模块4,用于作物生理参数估测;
将模块2中计算的WDRVI和模块3中推算得到的参考积温代入模块1中建立的物候自适应方程,即可求得当前影像采集时刻的目标作物生理参数。
本发明的有益效果包括:
1、本发明建立的物候自适应方程在时间上具有连续性,因此可以在生长期内任意时间节点使用本方法。
2、本发明采用的WDRVI指数具有对影像中阴影区域的补偿作用,因此在实际运用中对天气的要求更加灵活。
3、本发明建立的物候自适应方程具有较高的通用性,适用于多种作物生理参数的估测。
4、本发明有效结合光谱信息(计算植被指数)和纹理信息(深度卷积神经网络从RGB影像中识别田块尺度的物候期来推算参考积温),可以做到作物生理参数的精准近实时估测。
附图说明
图1为本发明实施例的方法原理图。
图2(a)为本发明实施例中宽动态范围植被指数对影像阴影的补偿作用示意图,其中,图像为合成GUB影像;
图2(b)为本发明实施例中宽动态范围植被指数对影像阴影的补偿作用示意图,其中,图像为增强植被指数(EVI)图像。
图2(c)为本发明实施例中宽动态范围植被指数对影像阴影的补偿作用示意图,其中图像为宽动态范围植被指数(WDRVI)图像。
图3(a)为本发明实施例中物候自适应模型子模块随积温的稳定变化模式示意图,具体表示宽动态范围植被指数(WDRVI)-积温变化模式。
图3(b)为本发明实施例中物候自适应模型子模块随积温的稳定变化模式示意图,具体表示叶面积指数(LAI)-积温变化模式。
图3(c)为本发明实施例中物候自适应模型子模块随积温的稳定变化模式示意图,具体表示斜率-积温变化模式。
图4为本发明实施例中物候自适应模型的三维可视化图。
图5(a)为本发明实施例中本发明对比经典方法对作物生理参数的估测效果示意图,其中,采用单一关系法。
图5(b)为本发明实施例中本发明对比经典方法对作物生理参数的估测效果示意图,其中采用分段关系法。
图5(c)为本发明实施例中本发明对比经典方法对作物生理参数的估测效果示意图,其中采用物候自适应法。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本实施例观测数据来源于连续两年(2018-2019)在广西宾阳县水稻种植试验区采集的无人机遥感数据及配套地面观测数据。其中,2018年的数据用于建立模型,2019年的数据用于模型测试。
请见图1,本发明提供的一种物候期自适应的作物生理参数遥感估测方法,包括以下步骤:
步骤1:构建物候自适应的作物生理参数遥感估测模型;
具体实现包括以下子步骤:
步骤1.1:定义参数化作物植被指数形状方程v(x)、目标参数随积温变化方程p(x)和回归方程斜率随积温变化方程k(x);
本实施例中,水稻作物的v(x)体现出“双平台特征”(拥有该特征的作物包括但不限于水稻),即抽穗后WDRVI快速下降后再次趋于平缓,直到成熟中期再次快速下降。
因此,采用三分段logistics函数f(x)来模拟v(x),公式为:
式中,x为作物生长季有效参考积温,简称参考积温;y0、s、t0、r分别为f(x)的起点值、终点值、拐点积温和生长率系数;
采用二阶多项式来模拟p(x)和k(x),公式为:
p(x)=a1x2+b1x+c1 (公式3)
k(x)=a2x2+b2x+c2 (公式4)
式中a1,b1,c1,a2,b2,c2为拟合系数,采用最小二乘法进行参数优化;
步骤1.2:构建物候自适应方程;构建锚点随积温的运动方程a(v(x),p(x)),并假设以k(x)为斜率的线型方程通过锚点a:
y=k(x)*[WDRVI-v(x)]+p(x) (公式5)
式中,v为待估测的作物生理参数。该方程适用于多种作物生理参数,公式1-4需要针对目标作物生理参数进行参数标定,WDRVI为宽动态范围植被指数;
其中,Rnir、Rred分别表示近红波段和红波段的反射率。
本实施例建立的通过锚点a的物候自适应模型具有时间连续性。
如图3(a)、图3(b)和图3(c)所示,本实施例以估测叶面积指数(LAI)为例,连续两年的实验数据证明WDRVI,LAI以及其线型方程的斜率与积温存在着稳定的变化模式。因此,采用2018年数据参数化作物植被指数形状模型v(x)(crop shape model)、目标参数随积温变化方程p(x)以及回归方程斜率随积温变化方程k(x)如表1所示。三维可视化后的物候自适应模型如图4所示。
表1.参数化物候自适应LAI估测模型
步骤2:获取多光谱遥感影像,对影像进行三维重建并辐射定标后生成区域正射反射率影像,并计算宽动态范围植被指数WDRVI;
如图2(a)所示,光照条件变化往往使无人机采集的影像中存在阴影,本实施例中,采用宽动态范围植被指数WDRVI(图2(c))比常用的增强型植被指数EVI(图2(b))提高了无人机影像采集过程对光照条件的宽容度,从而减少阴影问题,提高作物生理指标估测精度;
步骤3:推算参考积温;
在实际运用时,由于作物品种不同造成实际作物生长期与参考作物生长期不符,因此需要推算参考积温对作物生理参数进行预测。本发明提出了三种参考积温的推算方法以适应不同的运用场景:
1)计算实际积温并转化为参考积温,其需要作物先验知识和气象数据,适合小范围的小农户运用。公式为:
式中,GDDr和GDDa分别为参考积温和实际积温,r为实际叶成长期长度和参考长度之比,GDDpanicle_init为实际出现圆锥花序对应的积温;
2)通过深度卷积神经网络识别RGB影像中作物的物候期,公式为
作物物候期=f(RGB影像) (公式8)
其中f(x)为训练好的卷积神经网络。并基于查找表的方法得到与该物候期对应的参考积温;该方式建立了物候期与参考积温的查找表,仅仅需要田块物候期数据,不仅适合小农户(目视观测),也适合大面积遥感运用(卷积神经网络观测)。
3)通过植被指数形状方程v(x)拟合观测的时序植被指数数据,计算每个田块的积温偏移量来推算参考积温,公式为:
g(x)=yscale×v(xscale×(x-xshift)) (公式9)
GDDr=xscale×(GDDbase-xshift) (公式10)
式中,g(x)是拟合转换后的v(x),y_scale,x_scale和x_shift为利用最小二乘法优化得到的拟合参数,分别代表植被指数缩放系数、积温缩放系数、积温漂移系数,GDDbase为预设的基准积温。
本实施例中,采用第一种方式进行推算,因实验中两年品种相同,取参数r=1。若采用第二种方式,则需建立物候期-参考积温的查找表如表2。
表2.水稻物候期(BBCH)与参考积温查找表
步骤4:作物生理参数估测;
将观测到的宽动态范围植被指数和步骤3中推算得到的参考积温代入步骤1中建立的物候自适应方程,即可求得当前影像采集时刻的目标作物生理参数。
本实施例中,利用2019年的实验数据的全生育期的数据做跨年测试,并对比单一经验公式法和分段关系法,结果如图5(a)、图5(b)和图5(c)。
结果表明,传统的单一关系法仅仅适用于叶成长期的LAI估测,其运用在全生育是出现了较大的偏差(图5(a),R2=0.155,RMSE=1.452)。对于分段关系法,由于其随时间不连续,因此在物候交接期出现预测突变(图5(b),R2=0.687,RMSE=0.614)。本发明提出的物候自适应法建立了连续的植被指数、物候和目标变量直接的关系,在全生育期内任意时间对目标变量进行估测都有稳定且高精度的估测效果(图5(c),R2=0.799,RMSE=0.536)。因此,本发明提出的方法在实际运用中具有更高的灵活性和兼容性。
本发明建立的作物生理参数物候自适应模型可以根据特定物候期动态生成估测方程(公式4),降低由物候引起的估测不确定性;
本发明建立的作物水稻形状曲线方程(公式1)可以较好模拟水稻时序植被指数出现的“双平台特征”(即抽穗后WDRVI快速下降后再次趋于平缓,直到成熟中期再次快速下降),提高作物生理指标估测精度。
本发明采用宽动态范围植被指数WDRVI进行建模,可以提高无人机影像采集过程对光照条件的宽容度,从而减少阴影问题。
本发明提出了多种参考积温推算方法,可以适应包括田块小尺度,区域大尺度等多种运用场景。
本发明通过参数化特定作物冠层的植被指数、生理参数及其回归系数随积温的变化模式,建立锚点运动方程来使离散的分段植被指数-生理参数关系连续化。该方法解决了传统单一回归关系法由于忽略物候效应引入的模型结构误差,也解决了基于生育期的分段函数法不连续的问题。相比其他植被指数,该方法基于宽动态范围植被指数(WDRVI)进行参数化,不仅可以减轻植被指数在作物高绿度期的饱和现象,而且在实际运用场景中对光线的快速变化表现出更好的容错性。该发明建立了植被指数、作物生理参数和物候期的连续关系,对作物生理参数的跨年预测及跨区域预测有很强的普适性和运用潜力。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (2)
1.一种物候期自适应的作物生理参数遥感估测方法,其特征在于,包括以下步骤:
步骤1:构建物候自适应的作物生理参数遥感估测模型;
具体实现包括以下子步骤:
步骤1.1:定义并针对特定作物参数化作物植被指数形状方程v(x)、目标生理参数随积温变化方程p(x)和回归方程斜率随积温变化方程k(x);
其中,采用三分段logistics函数f(x)来模拟v(x),公式为:
式中,x为作物生长季有效参考积温,简称参考积温;y0、s、t0、r分别为f(x)的起点值、终点值、拐点积温和生长率系数;
采用二阶多项式来模拟p(x)和k(x),公式为:
p(x)=a1x2+b1x+c1 (公式3)
k(x)=a2x2+b2x+c2 (公式4)
式中a1,b1,c1,a2,b2,c2为拟合系数,采用最小二乘法进行参数优化;
步骤1.2:构建物候自适应方程;
构建锚点随积温的运动方程a(v(x),p(x)),并假设以k(x)为斜率的线型方程通过锚点a:
y=k(x)*[WDRVI-v(x)]+p(x) (公式5)
式中,y为待估测的作物生理参数;WDRVI为宽动态范围植被指数,公式为:
式中,Rnir、Rred分别表示近红波段和红波段的反射率;
步骤2:获取多光谱遥感影像,对影像进行三维重建并辐射定标后生成区域正射反射率影像,并计算宽动态范围植被指数WDRVI;
步骤3:推算参考积温;
若作物种植日期及气象数据已知,则计算实际积温并转化为参考积温,公式为:
式中,GDDr和GDDa分别为参考积温和实际积温,r为实际叶成长期长度和参考长度之比,GDDpanicle_init为实际出现圆锥花序对应的积温;
若作物种植日期及气象数据未知,但有可利用的遥感RGB影像数据,则先通过深度卷积神经网络识别RGB影像中作物的物候期:
作物物候期=f(RGB影像) (公式8)
式中f(x)为训练好的卷积神经网络;再基于查找表的方法得到与该物候期对应的参考积温;
若作物种植日期及气象数据未知,但有可利用的时序遥感WDRVI数据,则利用形状方程v(x)拟合时序WDRVI观测数据来推算参考积温偏移量,以此来推算参考积温,公式为:
g(x)=yscale×v(xscale×(x-xshift)) (公式9)
GDDr=xscale×(GDDbase-xshift) (公式10)
式中,g(x)是拟合转换后的v(x),y_scale,x_scale和x_shift为利用最小二乘法优化得到的拟合参数,分别代表植被指数缩放系数、积温缩放系数、积温漂移系数,GDDbase为预设的基准积温;
步骤4:作物生理参数估测;
将步骤2中计算的WDRVI和步骤3中推算得到的参考积温代入步骤1中建立的物候自适应方程,即可求得当前影像采集时刻的目标作物生理参数。
2.一种物候期自适应的作物生理参数遥感估测系统,其特征在于,包括以下模块:
模块1,用于构建物候自适应的作物生理参数遥感估测模型;
具体实现包括以下子模块:
模块1.1,用于定义并针对特定作物参数化作物植被指数形状方程v(x)、目标生理参数随积温变化方程p(x)和回归方程斜率随积温变化方程k(x);
其中,采用三分段logistics函数f(x)来模拟v(x),公式为:
式中,x为作物生长季有效参考积温,简称参考积温;y0、s、t0、r分别为f(x)的起点值、终点值、拐点积温和生长率系数;
采用二阶多项式来模拟p(x)和k(x),公式为:
p(x)=a1x2+b1x+c1 (公式3)
k(x)=a2x2+b2x+c2 (公式4)
式中a1,b1,c1,a2,b2,c2为拟合系数,采用最小二乘法进行参数优化;
模块1.2,用于构建物候自适应方程;
构建锚点随积温的运动方程a(v(x),p(x)),并假设以k(x)为斜率的线型方程通过锚点a:
y=k(x)*[WDRVI-v(x)]+p(x) (公式5)
式中,y为待估测的作物生理参数;WDRVI为宽动态范围植被指数,公式为:
式中,Rnir、Rred分别表示近红波段和红波段的反射率;
模块2,用于获取多光谱遥感影像,对影像进行三维重建并辐射定标后生成区域正射反射率影像,并计算宽动态范围植被指数WDRVI;
模块3,用于推算参考积温;
若作物种植日期及气象数据已知,则计算实际积温并转化为参考积温,公式为:
式中,GDDr和GDDa分别为参考积温和实际积温,r为实际叶成长期长度和参考长度之比,GDDpanicle_init为实际出现圆锥花序对应的积温;
若作物种植日期及气象数据未知,但有可利用的遥感RGB影像数据,则先通过深度卷积神经网络识别RGB影像中作物的物候期:
作物物候期=f(RGB影像) (公式8)
式中f(x)为训练好的卷积神经网络;再基于查找表的方法得到与该物候期对应的参考积温;
若作物种植日期及气象数据未知,但有可利用的时序遥感WDRVI数据,则利用形状方程v(x)拟合时序WDRVI观测数据来推算参考积温偏移量,以此来推算参考积温,公式为:
g(x)=yscale×v(xscale×(x-xshift)) (公式9)
GDDr=xscale×(GDDbase-xshift) (公式10)
式中,g(x)是拟合转换后的v(x),y_scale,x_scale和x_shift为利用最小二乘法优化得到的拟合参数,分别代表植被指数缩放系数、积温缩放系数、积温漂移系数,GDDbase为预设的基准积温;
模块4,用于作物生理参数估测;
将模块2中计算的WDRVI和模块3中推算得到的参考积温代入模块1中建立的物候自适应方程,即可求得当前影像采集时刻的目标作物生理参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111227513.2A CN113673490B (zh) | 2021-10-21 | 2021-10-21 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111227513.2A CN113673490B (zh) | 2021-10-21 | 2021-10-21 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673490A CN113673490A (zh) | 2021-11-19 |
CN113673490B true CN113673490B (zh) | 2022-01-04 |
Family
ID=78550790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111227513.2A Active CN113673490B (zh) | 2021-10-21 | 2021-10-21 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673490B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114544515B (zh) * | 2022-02-23 | 2024-05-14 | 中国矿业大学 | 一种草原物候遥感监测方法及系统 |
CN114529097B (zh) * | 2022-02-26 | 2023-01-24 | 黑龙江八一农垦大学 | 多尺度农作物物候期遥感降维预测方法 |
CN114925947B (zh) * | 2022-03-04 | 2023-04-07 | 武汉大学 | 一种物候自适应的作物生理指标深度学习估测方法及系统 |
CN116629453B (zh) * | 2023-07-18 | 2023-10-24 | 山东科技大学 | 一种适用于作物全生育时期的遥感估产方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
CN105760978A (zh) * | 2015-07-22 | 2016-07-13 | 北京师范大学 | 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法 |
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 |
CN111104858A (zh) * | 2019-11-19 | 2020-05-05 | 浙江大学 | 一种基于形态模型法的大范围作物物候提取方法 |
CN113221765A (zh) * | 2021-05-18 | 2021-08-06 | 河海大学 | 一种基于数字相机影像有效像元的植被物候期提取方法 |
CN113361191A (zh) * | 2021-05-24 | 2021-09-07 | 中国科学院空天信息创新研究院 | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308094A (zh) * | 2012-03-06 | 2013-09-18 | 西北农林科技大学 | 一种温室作物耗水量估算方法 |
CN105023011A (zh) * | 2015-08-19 | 2015-11-04 | 苏州奥诺遥感科技有限公司 | 一种基于hmm的农作物物候动态估计方法 |
CN107423850B (zh) * | 2017-07-04 | 2020-06-30 | 中国农业大学 | 基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 |
CN109711102B (zh) * | 2019-01-27 | 2020-07-31 | 北京师范大学 | 一种作物灾害损失快速评估方法 |
CN109977802A (zh) * | 2019-03-08 | 2019-07-05 | 武汉大学 | 强噪音背景下作物分类识别方法 |
CN110648020A (zh) * | 2019-09-12 | 2020-01-03 | 中国农业大学 | 一种温室作物需水量预测方法及装置 |
CN112560570B (zh) * | 2020-09-29 | 2023-07-25 | 中国科学院大学 | 一种协同降尺度与数据融合的高分辨率地表温度估算方法 |
CN112183632A (zh) * | 2020-09-29 | 2021-01-05 | 中国水利水电科学研究院 | 一种面向对象的多源遥感信息融合种植结构提取方法 |
-
2021
- 2021-10-21 CN CN202111227513.2A patent/CN113673490B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760978A (zh) * | 2015-07-22 | 2016-07-13 | 北京师范大学 | 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法 |
CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
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 |
CN111104858A (zh) * | 2019-11-19 | 2020-05-05 | 浙江大学 | 一种基于形态模型法的大范围作物物候提取方法 |
CN113221765A (zh) * | 2021-05-18 | 2021-08-06 | 河海大学 | 一种基于数字相机影像有效像元的植被物候期提取方法 |
CN113361191A (zh) * | 2021-05-24 | 2021-09-07 | 中国科学院空天信息创新研究院 | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113673490A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113673490B (zh) | 一种物候期自适应的作物生理参数遥感估测方法及系统 | |
CN110309985B (zh) | 一种农作物产量预测方法及系统 | |
CN109829234B (zh) | 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 | |
CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
CN111008733B (zh) | 一种作物生长管控方法和系统 | |
CN108446999B (zh) | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 | |
Li et al. | Prediction of plant transpiration from environmental parameters and relative leaf area index using the random forest regression algorithm | |
CN114331753B (zh) | 农事智能化的方法、装置及控制设备 | |
CN112052988B (zh) | 耦合多目标优化和集合同化的作物产量估测方法及应用 | |
CN110119767B (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
CN110414738A (zh) | 一种农作物产量预测方法及系统 | |
CN114442705B (zh) | 一种基于物联网的智慧农业系统及控制方法 | |
KR102320987B1 (ko) | 클라우드 기반 실시간 온실 환경 의사결정지원 서버 및 이를 이용한 실시간 온실 환경 의사결정지원 시스템 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
CN115222100A (zh) | 基于三维循环卷积神经网络和多时相遥感影像的农作物产量预测方法 | |
CN110648020A (zh) | 一种温室作物需水量预测方法及装置 | |
CN108537679B (zh) | 遥感与作物模型融合的区域尺度作物出苗日期估算方法 | |
CN111062526A (zh) | 一种冬小麦单产预测方法及系统 | |
CN102542560A (zh) | 一种水稻移栽后密度自动检测的方法 | |
CN107273797B (zh) | 基于水体指数变异系数的水稻亚像元识别方法 | |
Zhangzhong et al. | Development of an evapotranspiration estimation method for lettuce via mobile phones using machine vision: Proof of concept | |
CN112380497B (zh) | 用于区域玉米的秸秆系数估算方法及系统 | |
CN109918826B (zh) | 一种基于关键物候期多源植被参量的水稻估产方法 | |
CN110781602B (zh) | 基于特征空间法来获取时空连续的土壤水方法 | |
CN114925947A (zh) | 一种物候自适应的作物生理指标深度学习估测方法及系统 |
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 |