CN113884444A - 模型建立方法、预测spad值的方法、装置及电子设备 - Google Patents
模型建立方法、预测spad值的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113884444A CN113884444A CN202010638769.1A CN202010638769A CN113884444A CN 113884444 A CN113884444 A CN 113884444A CN 202010638769 A CN202010638769 A CN 202010638769A CN 113884444 A CN113884444 A CN 113884444A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- spectral
- spad
- sensing image
- reflectivity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000003595 spectral effect Effects 0.000 claims abstract description 177
- 238000002310 reflectometry Methods 0.000 claims abstract description 152
- 238000012360 testing method Methods 0.000 claims description 44
- 238000012937 correction Methods 0.000 claims description 30
- 229930002875 chlorophyll Natural products 0.000 claims description 14
- 235000019804 chlorophyll Nutrition 0.000 claims description 14
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 14
- 230000005855 radiation Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000000691 measurement method Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 59
- 241000209094 Oryza Species 0.000 description 29
- 235000007164 Oryza sativa Nutrition 0.000 description 29
- 235000009566 rice Nutrition 0.000 description 29
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000005070 ripening Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本申请涉及模型建立方法、预测SPAD值的方法、装置及电子设备,属于农作物监测技术领域。该方法包括:获取不同区域的同一作物的遥感影像和对应的冠层叶片SPAD实测值;针对每个区域,从该区域对应的遥感影像中提取光谱反射率,并基于光谱反射率计算植被指数;利用不同区域的光谱反射率和对应的植被指数、冠层叶片SPAD实测值,建立该作物的SPAD值反演模型。通过获取不同地区、同一种类的农作物遥感影像,并测定该农作物冠层叶片的SPAD值,建立适用于不同地区、不同类型传感器监测数据的预测农作物冠层叶片SPAD值的通用反演模型,以解决现有测量方法需要进入田间实测,导致费时费力,不能满足作物的快速监测需求的问题。
Description
技术领域
本申请属于农作物监测技术领域,具体涉及一种模型建立方法、预测SPAD值的方法、装置及电子设备。
背景技术
水稻、玉米、小米等作为重要的粮食作物,在中国各个地区都有着广泛的种植。SPAD(Soil and Plant Analyzer Development,土壤与作物分析开发)叶绿素仪是一种快速诊断植物叶片叶绿素相对含量的仪器,该仪器所测得的植物叶片SPAD值与叶绿素含量有着较高的相关性,常用于作物的叶绿素诊断和追肥推荐。传统的SPAD值测量方法需要进入田间实测,结果较为准确,但费时费力,不能满足大范围农作物的快速监测。
发明内容
鉴于此,本申请的目的在于提供一种模型建立方法、预测SPAD值的方法、装置及电子设备,以改善现有SPAD值测量方法需要进入田间实测,导致费时费力,不能满足大范围农作物的快速监测需求的问题。
本申请的实施例是这样实现的:
第一方面,本申请实施例提供了一种模型建立方法,包括:获取不同区域的同一作物的遥感影像和对应的冠层叶片SPAD实测值;针对每个区域,从该区域对应的遥感影像中提取光谱反射率,并基于所述光谱反射率计算植被指数;利用不同区域的光谱反射率和对应的植被指数、冠层叶片SPAD实测值,建立该作物的SPAD值反演模型。本申请实施例中,通过获取不同地区、同一品种的农作物遥感影像,并测定该农作物冠层叶片的SPAD值,然后从遥感影像中提取光谱反射率,并基于光谱反射率计算植被指数,最后利用不同区域的光谱反射率和对应的植被指数、冠层叶片SPAD实测值,建立适用于不同地区的预测农作物冠层叶片SPAD值的通用反演模型,以解决现有SPAD值测量方法需要进入田间实测,导致费时费力,不能满足大范围农作物的快速监测需求的问题。
结合第一方面实施例的一种可能的实施方式,所述遥感影像包括:高光谱遥感影像和多光谱遥感影像;从该区域对应的遥感影像中提取光谱反射率,并基于所述光谱反射率计算植被指数,包括:从该区域对应的所述高光谱遥感影像中提取高光谱反射率,以及从所述多光谱遥感影像中提取多光谱反射率;按照所述多光谱反射率的波段对所述高光谱反射率进行重采样,使重采样后的高光谱反射率的波段与所述多光谱反射率的波段一致;分别根据所述多光谱反射率和重采样后的高光谱反射率计算各自的植被指数。本申请实施例中,通过分别从高光谱遥感影像和多光谱遥感影像中提取对应的光谱反射率,并按照多光谱波段对高光谱反射率进行重采样,使重采样后的高光谱反射率的波段与多光谱反射率的波段一致,分别根据多光谱反射率和重采样后的高光谱反射率计算各自的植被指数,使得最终建立的SPAD反演模型还可以适用于不同类型传感器监测数据的农作物冠层叶片SPAD值的预测。
结合第一方面实施例的一种可能的实施方式,从该区域对应的遥感影像中提取光谱反射率,包括:对该区域对应的遥感影像进行预处理,从预处理后的遥感影像中提取所述光谱反射率。本申请实施例中,在从遥感影像中提取光谱反射率时,先对遥感影像进行预处理,然后再从预处理后的遥感影像中提取光谱反射率,以提高提取的光谱反射率的准确度。
结合第一方面实施例的一种可能的实施方式,该区域对应的遥感影像的数量为多个,对该区域对应的遥感影像进行预处理,从预处理后的遥感影像中提取所述光谱反射率,包括:对多个初始的遥感影像进行筛选处理,去除无效影像;对筛选处理后的多个初始的遥感影像进行辐射校正;对辐射校正后的多个初始的遥感影像进行拼接,得到完整覆盖该区域的目标遥感影像;对所述目标遥感影像进行几何校正,并从几何校正后的目标遥感影像中提取所述光谱反射率。本申请实施例中,对遥感影像进行包括筛选、辐射校正、拼接、几何校正在内的预处理,使得最终得到的遥感影像完整覆盖该区域,以保证提取到的光谱反射率尽可能的准确。
结合第一方面实施例的一种可能的实施方式,该区域包括多个试验田,从几何校正后的目标遥感影像中提取所述光谱反射率,包括:在所述几何校正后的目标遥感影像上圈出各个试验田的边界轮廓;针对每个边界轮廓,将该边界轮廓内所有像元的光谱反射率的平均值作为该试验田的光谱反射率;相应地,基于所述光谱反射率计算植被指数,包括:基于每个试验田对应的光谱反射率计算各自的植被指数。本申请实施例中,当区域包括多个试验田时,在几何校正后的目标遥感影像上圈出各个试验田的边界轮廓,并提取各试验田作物的光谱反射率,在提取时,将该边界轮廓内所有像元的光谱反射率的平均值作为该试验田的光谱反射率,进而使得提取的各个试验田的光谱反射率的准确、可靠。
结合第一方面实施例的一种可能的实施方式,利用不同区域的光谱反射率和对应的植被指数、冠层叶片SPAD实测值,建立该作物的SPAD值反演模型,包括:分析不同区域的光谱反射率、植被指数与冠层叶片SPAD实测值的相关性,确定最优建模变量;利用所述最优建模变量和对应的冠层叶片SPAD实测值,建立所述SPAD值反演模型。本申请实施例中,在建立SPAD值反演模型时,通过分析不同区域的光谱反射率、植被指数与冠层叶片SPAD实测值的相关性,以此来确定最优建模变量,然后利用最优建模变量和对应的冠层叶片SPAD实测值,建立SPAD值反演模型,在保证建立的SPAD值反演模型精度的同时,还可以加快模型建立速度。
结合第一方面实施例的一种可能的实施方式,所述光谱反射率包括:近红外、红边、红、绿和蓝波段的光谱反射率,基于所述光谱反射率计算植被指数,包括:基于近红外、红波段的光谱反射率,分别计算归一化植被指数和比值植被指数;基于近红外、绿波段的光谱反射率,分别计算绿波段归一化植被指数和绿波段比值植被指数;基于近红外、红边波段的光谱反射率,分别计算红边归一化植被指数和红边比值植被指数;基于红、蓝波段的光谱反射率,计算归一化叶绿素指数;近红外、红边、红波段的光谱反射率,计算陆地叶绿素指数。
第二方面,本申请实施例还提供了一种预测SPAD值的方法,包括:获取待预测农作物的遥感影像;从所述遥感影像中提取光谱反射率,并根据所述光谱反射率计算植被指数;根据所述光谱反射率、计算出的植被指数和利用如上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式提供的方法建立的SPAD值反演模型,得到所述待预测农作物的SPAD值。本申请实施例中,获取待预测农作物的遥感影像,并从中提取光谱反射率以及计算植被指数,最后将光谱反射率、计算出的植被指数作为自变量,利用事先建立的通用SPAD值反演模型,即可快速得到SPAD值,而无需进入田间实测。
第三方面,本申请实施例还提供了一种模型建立装置,包括:获取模块、计算模块以及建立模块;获取模块,用于获取不同区域的同一作物的遥感影像和对应的冠层叶片SPAD实测值;计算模块,用于针对每个区域,从该区域对应的遥感影像中提取光谱反射率,并基于所述光谱反射率计算植被指数;建立模块,用于利用不同区域的光谱反射率和对应的植被指数、冠层叶片SPAD实测值,建立该作物的SPAD值反演模型。
第四方面,本申请实施例还提供了一种电子设备,包括:存储器和处理器,所述处理器与所述存储器连接;所述存储器,用于存储程序;所述处理器,用于调用存储于所述存储器中的程序,以执行上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式提供的方法,或者,以执行上述第二方面实施例提供的方法。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例而了解。本申请的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。通过附图所示,本申请的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图,重点在于示出本申请的主旨。
图1示出了本申请实施例提供的一种模型建立方法的流程示意图。
图2示出了本申请实施例提供的A、B区域试验田的边界轮廓示意图。
图3示出了本申请实施例提供的光谱反射率与水稻冠层叶片SPAD值进行相关性分析的结果示意图。
图4示出了本申请实施例提供的植被指数与水稻冠层叶片SPAD值进行相关性分析的结果示意图。
图5示出了本申请实施例提供的预测SPAD值与冠层叶片SPAD实测值的线性关系示意图。
图6示出了本申请实施例提供的一种预测SPAD值的方法的流程示意图。
图7示出了本申请实施例提供的一种模型建立装置的模块框图。
图8示出了本申请实施例提供的一种预测SPAD值的装置的模块框图。
图9示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
再者,本申请中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
鉴于传统的SPAD值测量方法需要进入田间实测,虽然结果较为准确,但是费时费力,不能满足大范围农作物的快速监测。考虑到近年来,以低空无人机为平台的遥感技术发展迅速,并逐渐被应用在农作物长势监测研究中。因此本申请提供了一种使用无人机搭载多种类型传感器,获取不同地区、同一品种的农作物遥感影像,并测定该农作物冠层叶片的SPAD值,使用偏最小二乘回归方法,建立适用于不同地区、不同类型传感器监测数据的预测农作物冠层叶片SPAD值的通用反演模型。本申请实施例提供的模型建立方法,如图1所示,下面将结合图1,对本申请实施例提供的模型建立方法进行说明。
步骤S101:获取不同区域的同一作物的遥感影像和对应的冠层叶片SPAD实测值。
为了克服区域差异导致基于某个固定区域的作物的遥感影像和对应的冠层叶片SPAD实测值建立的该作物的SPAD值反演模型仅适用于该区域的问题,本申请实施例中,获取不同区域的同一作物的遥感影像和对应的冠层叶片SPAD实测值,例如,获取位于A区域和B区域两地的水稻试验田中水稻的遥感影像和对应的冠层叶片SPAD实测值。需要说明的是,本申请实施例中,至少需要获取两个不同区域的同一作物的遥感影像和对应的冠层叶片SPAD实测值。
其中,同一区域获取的遥感影像可以是高光谱遥感影像,也可以是多光谱遥感影像,还可以是既包含高光谱遥感影像又包含多光谱遥感影像。此外,不同区域获取的遥感影像可以不同,例如,A区域获取的是高光谱遥感影像,B区域获取的是多光谱遥感影像。
使用无人机获取水稻高光谱遥感影像的过程可以是,分别在水稻生长过程中不同生育期,使用无人机搭载高成像光谱仪获取水稻高光谱遥感影像。例如,获取水稻从拔节期到蜡熟期生长过程中的高光谱遥感影像,使用无人机搭载Cubert S185高光谱成像仪,在不同地区的水稻试验田上空进行航飞,获取试验田水稻的高光谱遥感影像。其中,高光谱遥感影像的波长范围为450nm~998nm,波段数为138,光谱采样间隔为4nm;单景全色影像分辨率为1000×1000pixel(像素),高光谱影像分辨率为50×50pixel(像素)。无人机设定自动航线的航向重叠率85%,旁向重叠率70%,飞行高度100m,设置为等时间间隔自动拍摄,时间间隔为1s。
使用无人机获取水稻多光谱遥感影像的过程可以是,分别在水稻生长过程中不同生育期,使用无人机搭载多光谱成像仪获取水稻多光谱遥感影像。例如,获取水稻从拔节期到蜡熟期生长过程中的多光谱遥感影像,使用无人机搭载Micasense RedEdge3多光谱成像仪,在不同地区的水稻试验田上空进行航飞,获取试验田水稻的多光谱遥感影像。其中,多光谱遥感影像的波段数为5,各波段对应的中心波长分别为475nm(蓝波段,Blue)、560nm(绿波段,Green)、668nm(红波段,Red)、717nm(红边波段,Red-edge)和840nm(近红外波段,NIR)。其中,蓝、绿波段宽度为20nm,红、红边波段宽度为10nm,近红外波段宽度为40nm;单张影像分辨率为1280×960pixels(像素)。无人机设定自动航线的航向重叠率85%,旁向重叠率75%,飞行高度100m,设置传感器为等时间间隔自动拍摄,时间间隔为1s。
例如,对于A区域,前后进行5次试验,时间分别为2016年7月19日、8月16日,2017年7月9日、8月10日和9月11日。对于B区域,前后进行8次试验,时间分别为2017年8月4日、8月11日、9月8日、10月10日,2018年7月19日、8月23日、9月29日、10月15日。两个区域的试验时间跨度均覆盖水稻从拔节期到蜡熟期。需要说明的是,该方法不仅适用于水稻,也适用于其他的农作物(如玉米、小麦、大豆等),因此不能将本申请实施的示例,理解成是对本申请的限制。
获取作物的冠层叶片SPAD实测值的过程可以是:使用SPAD-502型手持式叶绿素仪,在试验田内均匀、随机选取20片水稻冠层叶片并测定其SPAD值,每个叶片不同部位测量3次,最后取20个叶片的平均值作为该试验田水稻冠层叶片的SPAD实测值。其中,SPAD测量与无人机飞行测量同步进行。需要说明的是,获取作物的冠层叶片SPAD实测值的过程也可以不限于此,如随机选取的水稻冠层叶片的数量可以相应的增加或减少,此外,还可以相应的增加或减少对每个叶片的测量次数等。
其中,需要说明的是,上述获取的不同区域的同一作物的遥感影像和对应的该作物的冠层叶片SPAD实测值,可以是事先获得后存储在数据库中,需要时直接从数据库中获取的。
步骤S102:针对每个区域,从该区域对应的遥感影像中提取光谱反射率,并基于所述光谱反射率计算植被指数。
在获取到不同区域的同一作物的遥感影像和对应的冠层叶片SPAD实测值后,针对每个区域,从该区域对应的遥感影像中提取光谱反射率,并基于提取出的光谱反射率计算植被指数。其中,由于从每个区域对应的遥感影像中提取光谱反射率,并基于光谱反射率计算植被指数的过程相同,因此为了简要说明,此处仅从一个区域(例如A区域)对应的遥感影像中提取光谱反射率,并基于该光谱反射率计算植被指数的过程进行说明。
一种实施方式下,从A区域对应的遥感影像中提取光谱反射率的过程可以是:对A区域对应的遥感影像进行预处理,从预处理后的遥感影像中提取光谱反射率,例如,当对应的遥感影像的数量为多个时,一种实施方式下的预处理可以是:首先对多个初始的遥感影像进行筛选处理,去除无效影像,然后根据仪器自带的参考校正板的反射率参数对筛选处理后的多个初始的遥感影像进行辐射校正,然后根据中心点坐标对辐射校正后的多个初始的遥感影像进行拼接,得到完整覆盖该区域的目标遥感影像,最后,根据地面控制点坐标对拼接后的影像进行几何校正。后续从预处理后的遥感影像中提取光谱反射率,便是指从几何校正后的目标遥感影像中提取光谱反射率。其中,需要说明的是,上述的预处理并不限于上述的筛选、辐射校正、拼接、几何校正等处理,还可以在此基础上增加或减少处理,例如,增加筛选/过滤处理,如筛选/过滤掉清晰度不高的影像,之后再进行筛选、辐射校正、拼接、几何校正等处理。
其中,若该区域仅包括一个试验田,则从预处理后的遥感影像中提取光谱反射率,也即从几何校正后的目标遥感影像中提取光谱反射率的过程可以是,统计几何校正后的目标遥感影像中各个像元的光谱反射率,将几何校正后的目标遥感影像中所有像元的光谱反射率的平均值作为该几何校正后的目标遥感影像的光谱反射率。
若该区域包括多个试验田时,例如,设有不同梯度施氮处理的36个试验田,其中,不同施氮处理的试验田之间水稻冠层叶片SPAD值有着显著差异。则从几何校正后的目标遥感影像中提取光谱反射率的过程可以是:在几何校正后的目标遥感影像上圈出各个试验田的边界轮廓(共36个);针对每个边界轮廓,将该边界轮廓内所有像元的光谱反射率的平均值作为该试验田的光谱反射率,这样便可以得到36个试验田各自的光谱反射率。该种实施方式下的示意图如图2所示,在得到几何校正后的目标遥感影像后,在该遥感影像上圈出感兴趣区域(Region Of Interest,ROI)也即各个试验田的边界轮廓(共36个),并将每个试验田内所有像元的光谱反射率的平均值作为该试验田水稻的光谱反射率数据,这样便可以得到36个试验田各自的光谱反射率。相应地,在计算植被指数时,基于每个试验田对应的光谱反射率计算各自的植被指数(有36组植被指数)。
其中,当遥感影像包括:高光谱遥感影像和多光谱遥感影像时,从该区域对应的遥感影像中提取光谱反射率,并基于该光谱反射率计算植被指数的过程为:从该区域对应的高光谱遥感影像中提取高光谱反射率,以及从多光谱遥感影像中提取多光谱反射率;按照多光谱反射率的波段对高光谱反射率进行重采样,使重采样后的高光谱反射率的波段与多光谱反射率的波段一致(也即使重采样后的高光谱反射率的波段仅包括近红外、红边、红、绿和蓝波段这5个波段),例如,根据Micasense RedEdge3多光谱成像仪的光谱响应函数,对Cubert S185数据对应波段的反射率进行积分处理,使两种传感器影像数据的波段保持一致;最后分别根据多光谱反射率和重采样后的高光谱反射率计算各自的植被指数。其中对高光谱遥感影像或多光谱遥感影像进行预处理的过程与上述预处理过程相同。
本申请实施例中,选用在两种传感器上都适用的植被指数,参与不同地区水稻冠层叶片SPAD值遥感反演模型的构建,因此在基于光谱反射率计算植被指数,作为一种实施方式,计算两种传感器上都适用的归一化植被指数NDVI、比值植被指数RVI、绿波段归一化植被指数GNDVI、绿波段比值植被指数GRVI、红边归一化植被指数RENDVI、红边比值植被指数RERVI、归一化叶绿素指数NPCI、陆地叶绿素指数MTCI。其中,多光谱反射率包括:近红外、红边、红、绿和蓝波段的光谱反射率;由于重采样后的高光谱反射率的波段与所述多光谱反射率的波段一致,因此重采样后的高光谱反射率也包括:近红外、红边、红、绿和蓝波段的光谱反射率。在基于光谱反射率计算植被指数时,会基于多光谱反射率计算上述的8个植被指数,以及基于重采样后的高光谱反射率计算上述的8个植被指数。需要说明的是,上述的8个植被指数是经过发明人反复试验后从200多个植被指数中筛选出来的,并不是随机选取的,所选用的8个植被指数为在上述两种传感器上都适用的植被指数。
其中,如果每个区域包括36个试验田,且每个区域的遥感影像均包括:高光谱遥感影像和多光谱遥感影像,则每个试验田会对应两个光谱反射率(高光谱反射率和多光谱反射率),这样一个区域会对应36个多光谱反射率和36个重采样后的高光谱反射率,在计算植被指数时,会分别基于36个多光谱反射率计算36组植被指数(每组植被指数均包括上述的8个植被指数),以及会分别基于36个重采样后的高光谱反射率计算36组植被指数(每组植被指数均包括上述的8个植被指数),这样对于同一个区域来说,会得到72组植被指数。
其中,基于多光谱反射率计算上述的8个植被指数与基于重采样后的高光谱反射率计算上述的8个植被指数的原理相同,不同的是,具体参数不同,因此下面仅以基于其中的一种光谱反射率计算上述的8个植被指数的过程进行说明。基于光谱反射率计算植被指数的过程可以是:基于近红外、红波段的光谱反射率,分别计算归一化植被指数NDVI和比值植被指数RVI;基于近红外、绿波段的光谱反射率,分别计算绿波段归一化植被指数GNDVI和绿波段比值植被指数GRVI;基于近红外、红边波段的光谱反射率,分别计算红边归一化植被指数RENDVI和红边比值植被指数RERVI;基于红、蓝波段的光谱反射率,计算归一化叶绿素指数NPCI;近红外、红边、红波段的光谱反射率,计算陆地叶绿素指数MTCI。其中,计算公式分别为:NDVI=(RNIR-Rred)/(RNIR+Rred),RVI=RNIR/Rred,GNDVI=(RNIR–Rgreen)/(RNIR+Rgreen),GRVI=RNIR/Rgreen,RENDVI=(RNIR–Rred-edge)/(RNIR+Rred-edge),RERVI=RNIR/Rred-edge,NPCI=(Rred-Rblue)/(Rred+Rblue),MTCI=(RNIR-Rred-edge)/(Rred-edge–Rred),式中,RNIR、Rred-edge、Rred、Rgreen和Rblue分别为近红外、红边、红、绿和蓝波段的光谱反射率。
步骤S103:利用不同区域的光谱反射率和对应的植被指数、冠层叶片SPAD实测值,建立该作物的SPAD值反演模型。
在得到各个区域的光谱反射率和对应的植被指数、冠层叶片SPAD实测值后,将不同区域的数据汇总,然后利用不同区域的光谱反射率和对应的植被指数、冠层叶片SPAD实测值,建立该作物的SPAD值反演模型,这样就得到了适用于不同地区、不同类型传感器监测数据的预测农作物冠层叶片SPAD值的通用反演模型。
如果A、B两个区域均包括36个试验田,且每个区域的遥感影像均包括:高光谱遥感影像和多光谱遥感影像,对于一次试验来说,这样对于A区域有36个多光谱反射率和对应的36组植被指数以及36个冠层叶片SPAD实测值、36个重采样后的高光谱反射率和对应的36组植被指数以及36个冠层叶片SPAD实测值;对于B区域有36个多光谱反射率和对应的36组植被指数以及36个冠层叶片SPAD实测值、36个重采样后的高光谱反射率和对应的36组植被指数以及36个冠层叶片SPAD实测值。其中,每个光谱反射率(多光谱反射率或重采样后的高光谱反射率)包括近红外、红边、红、绿和蓝波段的光谱反射率);每组植被指数包括上述的8个植被指数。若对A区域前后进行试验5次,对B区域前后进行试验8次,则A区域有360个样本,B区域有576个样本。
可选地,利用不同区域的光谱反射率和对应的植被指数、冠层叶片SPAD实测值,建立SPAD值反演模型的过程可以是:分析不同区域的光谱反射率、植被指数与冠层叶片SPAD实测值的相关性,确定最优建模变量;利用所述最优建模变量和对应的冠层叶片SPAD实测值,建立所述SPAD值反演模型。其中,一种实施方式下,确定最优建模变量的过可以是,将光谱反射率与水稻冠层叶片SPAD值进行相关性分析,其分析结果,如图3所示,由分析结果可知,在绿光波段、红光波段时,两种光谱反射率的相关系数的绝对值都很大,可见,水稻冠层叶片SPAD值与绿光波段、红光波段的光谱反射率显著相关。将植被指数与水稻冠层叶片SPAD值进行相关性分析,其分析结果,如图4所示,由分析结果可知,每个植被指数下的两种光谱反射率的相关系数的绝对值都很大,可见,这8个植被指数与水稻冠层叶片SPAD值均显著相关。由此可以确定最优建模变量为绿光波段、红光波段的光谱反射率,以及上述的8个植被指数,即Rgreen、Rred、NDVI、RVI、GNDVI、GRVI、RENDVI、RERVI、NPCI、MTCI。又一种实施方式下,将所有数据汇总,将5个波段的光谱反射率,8个植被指数作为自变量,使用偏最小二乘回归方法,根据自变量在模型中的重要程度(Very Important Person,VIP)对自变量进行筛选:即不断尝试去除VIP值最低的自变量,同时观察模型精度,最终选择模型精度最高的自变量组合。最终确定的模型的最优自变量为Rgreen、Rred、NDVI、RVI、GNDVI、GRVI、RENDVI、RERVI、NPCI、MTCI。根据所确定的最优建模变量(Rgreen、Rred、NDVI、RVI、GNDVI、GRVI、RENDVI、RERVI、NPCI、MTCI)和对应的冠层叶片SPAD实测值,来建立SPAD值反演模型,得到的模型表达式为:
SPAD=16.71+0.68Rgreen-1.7Rred+27.59NDVI-0.31RVI+3.38GNDVI–0.78GRVI+14.54RENDVI+0.69RERVI–6.6NPCI+0.81MTCI。
得到SPAD值反演模型后,使用该模型对验证数据进行预测,其预测SPAD值与冠层叶片的SPAD实测值的线性关系如图5所示。其中,使用该模型预测的SPAD值与冠层叶片的SPAD实测值的相关系数R的平方为0.81,R2=0.81,两者的均方根误差(Root Mean SquareError,RMSE)为3.33,即RMSE=3.33,可见该SPAD值反演模型的精度是很高的。
本申请实施例还提供了一种预测SPAD值的方法,如图6所示,下面将结合图6对其所包含的步骤进行说明。
步骤S201:获取待预测农作物的遥感影像。
当需要预测待预测农作物的SPAD值,获取该待预测农作物的遥感影像。其中该遥感影像可以是多光谱遥感影像,也可以是高光谱遥感影像。
步骤S202:从所述遥感影像中提取光谱反射率,并根据所述光谱反射率计算植被指数。
该部分与上述的模型建立方法中相应部分的原理相同,此处不再介绍。其中,从多光谱遥感影像中提取光谱反射率并计算植被指数的过程与从高光谱遥感影像中提取光谱反射率并计算植被指数的过程几乎相同,不同的是,若为高光谱遥感影像,则在得到高光谱反射率后,需要根据按照多光谱的波段对高光谱反射率进行重采样,使重采样后的高光谱反射率的波段与多光谱的波段一致,然后基于重采样后的高光谱反射率计算植被指数。
步骤S203:根据所述光谱反射率、计算出的植被指数和利用事先建立的SPAD值反演模型,得到所述待预测农作物的SPAD值。
在得到光谱反射率以及植被指数后,根据光谱反射率中的绿光波段、红光波段的光谱反射率,以及计算出的8个植被指数和利用上述的模型建立方法事先建立的SPAD值反演模型,便可得到该待预测农作物的SPAD值。也即根据模型表达式SPAD=16.71+0.68Rgreen-1.7Rred+27.59NDVI-0.31RVI+3.38GNDVI–0.78GRVI+14.54RENDVI+0.69RERVI–6.6NPCI+0.81MTCI,将自变量参数带入该表达式中,便可得到预测的SPAD值。
本申请实施例还提供了一种模型建立装置100,如图7所示,该模型建立装置100包括:获取模块110、计算模块120以及建立模块130。
获取模块110,用于获取不同区域的同一作物的遥感影像和对应的冠层叶片SPAD实测值。
计算模块120,用于针对每个区域,从该区域对应的遥感影像中提取光谱反射率,并基于所述光谱反射率计算植被指数。
建立模块130,用于利用不同区域的光谱反射率和对应的植被指数、冠层叶片SPAD实测值,建立该作物的SPAD值反演模型。
可选地,所述遥感影像包括:高光谱遥感影像和多光谱遥感影像;计算模块120,具体用于:从该区域对应的所述高光谱遥感影像中提取高光谱反射率,以及从所述多光谱遥感影像中提取多光谱反射率;按照所述多光谱反射率的波段对所述高光谱反射率进行重采样,使重采样后的高光谱反射率的波段与所述多光谱反射率的波段一致;分别根据所述多光谱反射率和重采样后的高光谱反射率计算各自的植被指数。
可选地,计算模块120,具体用于:对该区域对应的遥感影像进行预处理,从预处理后的遥感影像中提取所述光谱反射率。
可选地,计算模块120,具体用于:对多个初始的遥感影像进行筛选处理,去除无效影像;对筛选处理后的多个初始的遥感影像进行辐射校正;对辐射校正后的多个初始的遥感影像进行拼接,得到完整覆盖该区域的目标遥感影像;对所述目标遥感影像进行几何校正,并从几何校正后的目标遥感影像中提取所述光谱反射率。
可选地,计算模块120,具体用于:在所述几何校正后的目标遥感影像上圈出各个试验田的边界轮廓;针对每个边界轮廓,将该边界轮廓内所有像元的光谱反射率的平均值作为该试验田的光谱反射率;相应地,计算模块120,还具体用于基于每个试验田对应的光谱反射率计算各自的植被指数。
所述光谱反射率包括:近红外、红边、红、绿和蓝波段的光谱反射率;计算模块120,具体用于:基于近红外、红波段的光谱反射率,分别计算归一化植被指数和比值植被指数;基于近红外、绿波段的光谱反射率,分别计算绿波段归一化植被指数和绿波段比值植被指数;基于近红外、红边波段的光谱反射率,分别计算红边归一化植被指数和红边比值植被指数;基于红、蓝波段的光谱反射率,计算归一化叶绿素指数;近红外、红边、红波段的光谱反射率,计算陆地叶绿素指数。
建立模块130,具体用于:分析不同区域的光谱反射率、植被指数与冠层叶片SPAD实测值的相关性,确定最优建模变量;利用所述最优建模变量和对应的冠层叶片SPAD实测值,建立所述SPAD值反演模型。
本申请实施例所提供的模型建立装置100,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本申请实施例还提供了一种预测SPAD值的装置200,如图8所示,该预测SPAD值的装置200包括:获取模块210、计算模块220以及预测模块230。
获取模块210,用于获取待预测农作物的遥感影像。
计算模块220,用于从所述遥感影像中提取光谱反射率,并根据所述光谱反射率计算植被指数。
预测模块230,用于根据所述光谱反射率、计算出的植被指数和利用事先建立的SPAD值反演模型,得到所述待预测农作物的SPAD值。
本申请实施例所提供的预测SPAD值的装置200,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
如图9所示,图9示出了本申请实施例提供的一种电子设备300的结构框图。所述电子设备300包括:收发器310、存储器320、通讯总线330以及处理器340。
所述收发器310、所述存储器320、处理器340各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线330或信号线实现电性连接。其中,收发器310用于收发配置报文。存储器320用于存储计算机程序,如存储有图7中所示的软件功能模块,即模型建立装置100,或者如存储有图8中所示的软件功能模块,即预测SPAD值的装置200。其中,模型建立装置100或者预测SPAD值的装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器320中或固化在所述电子设备300的操作系统(operating system,OS)中的软件功能模块。所述处理器340,用于执行存储器320中存储的可执行模块,例如模型建立装置100包括的软件功能模块或计算机程序。例如,处理器340,用于获取不同区域的同一作物的遥感影像和对应的冠层叶片SPAD实测值;用于针对每个区域,从该区域对应的遥感影像中提取光谱反射率,并基于所述光谱反射率计算植被指数;用于利用不同区域的光谱反射率和对应的植被指数、冠层叶片SPAD实测值,建立该作物的SPAD值反演模型。
所述处理器340,用于执行存储器320中存储的可执行模块,例如预测SPAD值的装置200包括的软件功能模块或计算机程序。所述处理器340,用于获取待预测农作物的遥感影像;从所述遥感影像中提取光谱反射率,并根据所述光谱反射率计算植被指数;根据所述光谱反射率、计算出的植被指数和利用事先建立的SPAD值反演模型,得到所述待预测农作物的SPAD值。
其中,存储器320可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器340可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器340也可以是任何常规的处理器等。
其中,上述的电子设备300,包括但不限于计算机、服务器等。
本申请实施例还提供了一种非易失性计算机可读取存储介质(以下简称存储介质),该存储介质上存储有计算机程序,该计算机程序被计算机如上述的电子设备300运行时,执行上述所示的模型建立方法或者预测SPAD值的方法。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请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,笔记本电脑,服务器,或者电子设备等)执行本申请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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种模型建立方法,其特征在于,包括:
获取不同区域的同一作物的遥感影像和对应的冠层叶片SPAD实测值;
针对每个区域,从该区域对应的遥感影像中提取光谱反射率,并基于所述光谱反射率计算植被指数;
利用不同区域的光谱反射率和对应的植被指数、冠层叶片SPAD实测值,建立该作物的SPAD值反演模型。
2.根据权利要求1所述的方法,其特征在于,所述遥感影像包括:高光谱遥感影像和多光谱遥感影像;从该区域对应的遥感影像中提取光谱反射率,并基于所述光谱反射率计算植被指数,包括:
从该区域对应的所述高光谱遥感影像中提取高光谱反射率,以及从所述多光谱遥感影像中提取多光谱反射率;
按照所述多光谱反射率的波段对所述高光谱反射率进行重采样,使重采样后的高光谱反射率的波段与所述多光谱反射率的波段一致;
分别根据所述多光谱反射率和重采样后的高光谱反射率计算各自的植被指数。
3.根据权利要求1所述的方法,其特征在于,从该区域对应的遥感影像中提取光谱反射率,包括:
对该区域对应的遥感影像进行预处理,从预处理后的遥感影像中提取所述光谱反射率。
4.根据权利要求3所述的方法,其特征在于,该区域对应的遥感影像的数量为多个,对该区域对应的遥感影像进行预处理,从预处理后的遥感影像中提取所述光谱反射率,包括:
对多个初始的遥感影像进行筛选处理,去除无效影像;
对筛选处理后的多个初始的遥感影像进行辐射校正;
对辐射校正后的多个初始的遥感影像进行拼接,得到完整覆盖该区域的目标遥感影像;
对所述目标遥感影像进行几何校正,并从几何校正后的目标遥感影像中提取所述光谱反射率。
5.根据权利要求4所述的方法,其特征在于,该区域包括多个试验田,从几何校正后的目标遥感影像中提取所述光谱反射率,包括:
在所述几何校正后的目标遥感影像上圈出各个试验田的边界轮廓;
针对每个边界轮廓,将该边界轮廓内所有像元的光谱反射率的平均值作为该试验田的光谱反射率;
相应地,基于所述光谱反射率计算植被指数,包括:
基于每个试验田对应的光谱反射率计算各自的植被指数。
6.根据权利要求1所述的方法,其特征在于,利用不同区域的光谱反射率和对应的植被指数、冠层叶片SPAD实测值,建立该作物的SPAD值反演模型,包括:
分析不同区域的光谱反射率、植被指数与冠层叶片SPAD实测值的相关性,确定最优建模变量;
利用所述最优建模变量和对应的冠层叶片SPAD实测值,建立所述SPAD值反演模型。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述光谱反射率包括:近红外、红边、红、绿和蓝波段的光谱反射率,基于所述光谱反射率计算植被指数,包括:
基于近红外、红波段的光谱反射率,分别计算归一化植被指数和比值植被指数;
基于近红外、绿波段的光谱反射率,分别计算绿波段归一化植被指数和绿波段比值植被指数;
基于近红外、红边波段的光谱反射率,分别计算红边归一化植被指数和红边比值植被指数;
基于红、蓝波段的光谱反射率,计算归一化叶绿素指数;
近红外、红边、红波段的光谱反射率,计算陆地叶绿素指数。
8.一种预测SPAD值的方法,其特征在于,包括:
获取待预测农作物的遥感影像;
从所述遥感影像中提取光谱反射率,并根据所述光谱反射率计算植被指数;
根据所述光谱反射率、计算出的植被指数和利用如权利要求1-7中任一项所述的方法建立的SPAD值反演模型,得到所述待预测农作物的SPAD值。
9.一种模型建立装置,其特征在于,包括:
获取模块,用于获取不同区域的同一作物的遥感影像和对应的冠层叶片SPAD实测值;
计算模块,用于针对每个区域,从该区域对应的遥感影像中提取光谱反射率,并基于所述光谱反射率计算植被指数;
建立模块,用于利用不同区域的光谱反射率和对应的植被指数、冠层叶片SPAD实测值,建立该作物的SPAD值反演模型。
10.一种电子设备,其特征在于,包括:
存储器和处理器,所述处理器与所述存储器连接;
所述存储器,用于存储程序;
所述处理器,用于调用存储于所述存储器中的程序,以执行如权利要求1-7中任一项所述的方法,或者,执行如权利要求8所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010638769.1A CN113884444A (zh) | 2020-07-03 | 2020-07-03 | 模型建立方法、预测spad值的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010638769.1A CN113884444A (zh) | 2020-07-03 | 2020-07-03 | 模型建立方法、预测spad值的方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113884444A true CN113884444A (zh) | 2022-01-04 |
Family
ID=79012052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010638769.1A Pending CN113884444A (zh) | 2020-07-03 | 2020-07-03 | 模型建立方法、预测spad值的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113884444A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024055783A1 (zh) * | 2022-09-13 | 2024-03-21 | 苏州得墨忒耳科技有限公司 | 马铃薯产量的预测方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469240A (zh) * | 2016-09-06 | 2017-03-01 | 西北农林科技大学 | 基于光谱指数的油菜叶片spad估测及估测模型构建方法 |
CN106485345A (zh) * | 2016-09-06 | 2017-03-08 | 西北农林科技大学 | 棉花全生育期冠层spad值遥感估算及估算模型构建方法 |
CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
CN107271382A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种不同生育期油菜叶片spad值遥感估算方法 |
CN108760660A (zh) * | 2018-08-17 | 2018-11-06 | 山东农业大学 | 一种返青期冬小麦叶绿素含量估算方法 |
-
2020
- 2020-07-03 CN CN202010638769.1A patent/CN113884444A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469240A (zh) * | 2016-09-06 | 2017-03-01 | 西北农林科技大学 | 基于光谱指数的油菜叶片spad估测及估测模型构建方法 |
CN106485345A (zh) * | 2016-09-06 | 2017-03-08 | 西北农林科技大学 | 棉花全生育期冠层spad值遥感估算及估算模型构建方法 |
CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
CN107271382A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种不同生育期油菜叶片spad值遥感估算方法 |
CN108760660A (zh) * | 2018-08-17 | 2018-11-06 | 山东农业大学 | 一种返青期冬小麦叶绿素含量估算方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024055783A1 (zh) * | 2022-09-13 | 2024-03-21 | 苏州得墨忒耳科技有限公司 | 马铃薯产量的预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Detection of rice sheath blight using an unmanned aerial system with high-resolution color and multispectral imaging | |
DadrasJavan et al. | UAV-based multispectral imagery for fast Citrus Greening detection | |
Wachendorf et al. | Remote sensing as a tool to assess botanical composition, structure, quantity and quality of temperate grasslands | |
Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
Herrmann et al. | LAI assessment of wheat and potato crops by VENμS and Sentinel-2 bands | |
Mariotto et al. | Hyperspectral versus multispectral crop-productivity modeling and type discrimination for the HyspIRI mission | |
Darvishzadeh et al. | Leaf Area Index derivation from hyperspectral vegetation indicesand the red edge position | |
Théau et al. | Estimation of forage biomass and vegetation cover in grasslands using UAV imagery | |
Gutiérrez et al. | Ground based hyperspectral imaging for extensive mango yield estimation | |
CN108956505B (zh) | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 | |
JP2012196167A (ja) | 植物種識別方法 | |
CN111062251A (zh) | 基于无人机成像的农田棉蚜为害等级模型的监测方法 | |
CN111289441A (zh) | 多光谱下的大田作物含水量确定方法、系统及设备 | |
CN115015258B (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
Cho et al. | Mapping beech (Fagus sylvatica L.) forest structure with airborne hyperspectral imagery | |
CN111474117B (zh) | 作物病害监测的方法及装置 | |
Huang et al. | Identifying and Mapping Stripe Rust in Winter Wheat using Multi-temporal Airborne Hyperspectral Images. | |
CN109870419B (zh) | 一种采用航空高光谱数据预测黑土氮磷钾含量的方法 | |
Waiphara et al. | Optical imaging resources for crop phenotyping and stress detection | |
CN113884444A (zh) | 模型建立方法、预测spad值的方法、装置及电子设备 | |
Yeom et al. | Separability analysis and classification of rice fields using KOMPSAT-2 High Resolution Satellite Imagery | |
Willis et al. | Assessing yield parameters by remote sensing techniques | |
Liu et al. | Estimating wheat coverage using multispectral images collected by unmanned aerial vehicles and a new sensor | |
CN111476172B (zh) | 植物物种beta多样性的估算方法及系统 | |
Rafezall et al. | Detection of palm oil health through multispectral UAV platform |
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 |