CN114549881A - 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 - Google Patents
一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 Download PDFInfo
- Publication number
- CN114549881A CN114549881A CN202210081094.4A CN202210081094A CN114549881A CN 114549881 A CN114549881 A CN 114549881A CN 202210081094 A CN202210081094 A CN 202210081094A CN 114549881 A CN114549881 A CN 114549881A
- Authority
- CN
- China
- Prior art keywords
- region
- wheat
- vegetation index
- regional
- gradual
- 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.)
- Granted
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 64
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000008859 change Effects 0.000 title claims abstract description 24
- 241000196324 Embryophyta Species 0.000 claims abstract description 10
- 238000009827 uniform distribution Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 11
- 229910052757 nitrogen Inorganic materials 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 230000035558 fertility Effects 0.000 description 6
- 239000003337 fertilizer Substances 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000004720 fertilization Effects 0.000 description 4
- 239000000618 nitrogen fertilizer Substances 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 241001024327 Oenanthe <Aves> Species 0.000 description 1
- 241000495841 Oenanthe oenanthe Species 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06F18/23—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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- General Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Agronomy & Crop Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于区域渐变植被指数的小麦早期茎蘖数估测方法，包括如下步骤：步骤一，图像获取：通过多光谱无人机采集田间图像；步骤二，麦苗区域提取，利用超绿值OTSU算法提取麦苗区域；步骤三，区域分级：计算步骤二麦苗区域的植被指数，利用K‑means算法将麦苗区域分为4类；步骤四，渐变特征提取；步骤五，构建渐变植被指数：利用步骤四提取的渐变特征，构建反映区域内植株的紧凑情况、分布均匀情况、粘连强度、紧凑粘连区域的占比情况的指数；步骤六，茎蘖数估测；步骤七，估测模型验证。本发明在植被指数(VIs)的基础上，首次提出小麦群体渐变特征(GCF)，能够较好的反映群体茎蘖状态，对常见模型茎蘖估测上均有较好的效果。
Description
技术领域
本发明涉及一种小麦早期茎蘖数估测方法，具体涉及一种基于区域渐变植被指数的小麦早期茎蘖数估测方法。
背景技术
小麦是全球的重要粮食作物，茎蘖数是影响小麦产量的重要因素，茎蘖数的及时获取不仅对品种选育和小麦生产管理均具有十分重要的意义，而由于小麦的茎蘖多被叶片遮盖，且在整个生育期一直是动态变化的，因此很难直接测量，目前的主要测量手段仍为人工测量，这种测量方式要消耗大量的人力物力。由于茎蘖数测量难度大，在小麦生产和农学参数估测中很少涉及茎蘖数的估测，多通过现代信息手段获取诸如叶面积指数和生物量等农学参数用于辅助生产管理，而忽略茎蘖数的动态变化对产量的本质影响。因此，一个能够快速全面估测茎蘖数量的方法对于小麦的生产管理和品种选育都十分迫切。
近年来，通过光谱技术、图像分析技术以及深度学习技术在农作物监测上均有广泛的研究，构建了一系列农学参数的高通量获取方法。小麦分蘖发生前的苗数估测是反映群体大小的基础，研究人员通过无人机或者相机平台获取彩色可见光图像，利用图像处理和深度学习技术能够快速从图像上获取麦苗数量，为后期的农田管理提供基础数据，这些研究目标是小麦群体产生的开始时期，是进行群体大小分析的第一步，但这些方法无法对分蘖发生后的茎蘖计算。小麦穗数是对于产量有效的分蘖，小麦抽穗期之后，研究人员利用计算机视觉技术对麦穗进行识别和计数，这个研究不仅能够对产量有个初步的估测，在结合基础数据的前提下更能分析群体的有效分蘖情况和个体的分蘖能力，对小麦研究具有十分积极的意义。然而介于这两个时期之间更多的是关注这两个生育期间的生物量估测，叶面积估测和氮素含量等农学参数的估测，以及灾害情况的发生。而关于苗期至抽穗期分蘖发生情况的研究则很少涉及，一些学者直接利用茎蘖数量和光谱反射率建立统计模型，并通过估测的茎蘖数可以提高添加管理效率。然而光谱反射率仅是叶片的光谱反射率，不能够直接反应茎蘖密度，建立的光谱估测模型也为特定叶片情况下的茎蘖间接估测模型，而一旦品种类型，施肥情况或者是生育期发生变化，模型则会造成较大的误差。
茎蘖数量是形成小麦产量的基础，合理的茎蘖数量是小麦获得高产的前提。一种行之有效的小麦茎蘖数估测方法，在农业生产上是必不可少的。本方法通过图像特征和光谱特征构建新的指数即区域渐变植被指数，以及新的模型快速精准估测小麦早期茎蘖数。
发明内容
本发明针对现有技术中的不足，提供一种基于区域渐变植被指数的小麦早期茎蘖数估测方法。
为实现上述目的，本发明采用以下技术方案：
一种基于区域渐变植被指数的小麦早期茎蘖数估测方法，包括如下步骤：
步骤一，图像获取：通过多光谱无人机采集田间图像；
步骤二，麦苗区域提取：将无人机采集的图像裁剪成50cm×50cm的区域，利用超绿值OTSU算法提取麦苗区域；
步骤三，区域分级：计算步骤二麦苗区域的植被指数，根据麦苗区域的植被指数，利用K-means算法将麦苗区域分为4类，即归一化植被指数(Normalized DifferenceVegetation Index，NDVI)最小区域Region A，次小区域Region B,较大区域Region C，最大区域Region D；
步骤四，渐变特征提取：计算步骤三中划分的4个区域即Region A，Region B,Region C，Region D的NDVI均值分别为VmA,VmB，VmC,VmD，4个区域指数的均值为Vm，4个区域面积分别为VaA,VaB，VaC,VaD，4个区域面积的均值为Va；
步骤五，构建渐变植被指数：利用步骤四提取的渐变特征，构建反映区域内植株的紧凑情况的指数Sm；反映区域内植株的分布均匀情况的指数Sa；反映区域茎蘖的粘连强度的指数Rm，以及反映紧凑粘连区域的占比情况的指数Ra；
步骤六，茎蘖数估测：利用模型构建渐变植被指数估测茎蘖数量；
步骤七，估测模型验证：利用独立样本对步骤六构建的估测模型进行验证。
为优化上述技术方案，采取的具体措施还包括：
进一步地，步骤一中，图像获取具体过程如下：利用多光谱无人机于小麦越冬期获取多光谱正射影像，相机影像传感器：6个1/2.9英寸CMOS，包括1个用于可见光成像的彩色传感器和5个用于多光谱成像的单色传感器,有效像素208：蓝(B)：450nm,绿(G)：560nm,红(R)：650nm，红边(RE)：730nm±16nm；，近红外(NIR)：840nm，无穷远固定焦距。无人机规划航线获取影像，选择晴朗的天气于10：00am-2：00pm获取影像，飞行高度为25米，航点和航线重叠率分别为80％和70％，同时获取各个波段的影像，利用反射率为20％，40％和60％的灰布矫正光谱值，利用DJI Terra软件(DJI，China)进行影像拼接和多光谱图像预处理操作。
进一步地，步骤三中，区域分级具体过程为：为了提取渐变特征，首先需要将图像中的麦苗区域根据植被指数大小进行分级，NDVI指数计算公式如下：
NDVI＝(RNIR-RR)/(RNIR+RR) (1)
其中，RNIR为近红外波段反射率，RR为红波段反射率；
利用K-means算法将麦苗区域分为4类，即NDVI最小区域Region A，次小区域Region B，较大区域Region C，最大区域Region D。
进一步地，步骤四中，渐变特征提取具体为：为了构建渐变植被指数，利用公式(2)-(3)计算2个渐变特征，分别为：4个区域指数的均值Vm，4个区域面积的均值Va；
进一步地，步骤五中，构建渐变植被指数具体为：利用2个渐变特征，构建更能反映茎蘖数规律的渐变植被指数，渐变特征Sm能够较好的反映区域内植株的紧凑情况，Sa能够较好的反映区域内植株的分布均匀情况；Rm能够较好的反映区域茎蘖的粘连强度，Rm越大粘连越强，Ra能够较好的反映紧凑粘连区域的占比情况，具体计算公式如下：
进一步地，步骤六中，茎蘖数估测具体为：估测模型构建为Lasso回归；Root MeanSquard Error(RMSE)，mean absolute error(MAE)和coefficient of determination(R2)用于评价模型的优劣。
其中,SSE为误差平方和(Sum of Squares Error)，SST为总离差平方和(Sum ofSquares Total)，m为样本量，pyi为模型预测值，tyi为实测值,y为实测值的均值。
本发明的有益效果是：本发明在植被指数(VIs)的基础上，首次提出小麦群体渐变特征(GCF)，该特征能够大幅度提升VIs估测茎蘖数中的弊端，能够较好的反映群体茎蘖状态，对常见模型茎蘖估测上均有较好的效果，尤其为小麦苗期、越冬期和拔节期田间茎蘖数的快速估测提供一种有效手段，估测效果良好，能够有效解决目前农业生产上对于小麦早期茎蘖数调查依赖人工，耗时费力的现状，该方法的准确率可以满足实际生产中的要求，可以将其应用到农业生产一线，可大量节省人工支出，同时在保证结果的准确性达到要求的基础上，及时的开展田间管理措施，保障小麦生产的稳定性。
附图说明
图1(a)为高氮处理下松散型和紧凑型分蘖状态，图1(b)为低氮处理下松散型和紧凑型分蘖状态；
图2获得分级特征的示意图；
图3(a)为无渐变特征的9个回归模型的验证结果，图3(b)为基于渐变特征的9个回归模型验证结果；
图4(a)为不同施肥和生育进程处理数据独立建模独立验证；图4(b)为不同施肥和生育进程处理数据混合建模独立验证；
图5为渐变优化后的Lasso模型在不同品种和年份上的预测结果；
图6越冬期分蘖数估算结果。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
由于如肥料施用量等不同的种植条件影响，相同茎蘖数的群体往往表现出差异较大的冠层结构。另外，相同种植条件下不同的植株排列形式也导致冠层结构差异较大。如图1所示，同为高施氮小麦群体，组织紧凑的6株小麦和组织松散的相比，冠层结构差异大，紧凑群体的冠层盖度和NDVI值显著小于疏散群体，如图1(a)所示。同为6株小麦，低氮肥处理群体的小麦盖度值和NDVI值也明显小于高氮肥处理，如图1(b)所示。当生育进程相同时，假设所有茎蘖都是均匀分布：麦苗群体盖度越高，茎蘖数越多；但当茎蘖数相同，而茎蘖之间的距离不同时，茎蘖布越疏松盖度越高；茎蘖叶片重叠程度会影响群体的植被指数，如NDVI值会随着重叠程度的增加而增加，但不同的叶片氮素含量会严重影响这种规律。这便导致单纯利用盖度值或植被指数估测茎蘖数造成较大的误差。
为更好的描述群体茎蘖数，本发明设计一种群体渐变特征，获取流程如图2。将无人机获取的图像裁剪成50×50cm的区域,利用超绿值OTSU算法提取麦苗区域，并计算麦苗区域的植被指数，根据麦苗区域的植被指数，利用K-means算法将麦苗区域分为4类，即NDVI最小区域Region A，次小区域Region B,较大区域Region C,最大区域Region D，流程如图2所示。
研究利用linear regression,support vector regression,k-nearestneighbor,random forest regression,adaboost regression,gradient boostingregression,bagging regression,extra tree regression,PLSR(Partial leastsquares regression),Lasso regression 9种常见回归模型比较使用渐变特征和不使用渐变特征对模型精度影响，并筛选最优的茎蘖估测模型。数据中选50％用于建模，50％用于验证，Root Mean Squard Error(RMSE)，mean absolute error(MAE)和coefficient ofdetermination(R2)用于评价模型的优劣。
研究将不同氮肥和密度处理小麦群体的苗期，越冬期和拔节期的数据混合进行建模和验证，模型验证结果显示，当不使用渐变特征进行建模时，如图3(a)所示，9个回归模型的结果均不理想，RMSE和MAE值均较高，K近邻算法(K Neibor)的建模效果最好，R2值仅为0.3，RMSE值却高达18.56。当引入渐变特征后，如图3(b)所示，对9个模型的提升效果明显，平均RMSE降低41％，MAE降低44.7％，R2提升超2倍。引入渐变特征后，Lasso模型的验证精度最高，RMSE仅为10.48，且R2可达0.78，残差分析也显示模型的稳定性较好。
氮肥和生育时期是影像茎蘖监测的首要因子，研究将3个生育时期和4个氮肥处理的数据分别进行独立建模和验证以及混合建模和验证，建模方式为Lasso回归。结果显示，当使用各处理数据进行单独建模时，如图4(a)所示，渐变特征的引入对模型精度的提升作用较小，引入渐变特征的平均RMSE为9.37，未引入的是10.48，MAE分别为7.64和8.71，差异未达到显著水平。当将所有处理数据混在一起建模，如图4(b)所示，分别对各个处理进行验证的结果显示，引入渐变特征能够明显提高模型的精度，引入后的平均RMSE仅为11.01，而未引入和RMSE高达19.19。从结果可以看出，渐变特征能够提高模型对氮肥和生育时期的适应性。
利用Lasso模型对2019和2020年实际生产田的两个品种进行验证，数据包括3各不同的生育期，图5的(a)为渐变优化后的Lasso模型在2019年扬麦16的预测结果，图5的(b)为渐变优化后的Lasso模型在2019年宁麦13的预测结果，图5的(c)为渐变优化后的Lasso模型在2020年扬麦16的预测结果，图5的(d)为渐变优化后的Lasso模型在2020年宁麦13的预测结果，结果显示，模型能够较好的估算茎蘖数。估测模型在不同年份和不同品种上的适用性均较好。模型在品种YM16上两年的平均RMSE为的精度低于NM13，NM13的RMSE值均未超过9。常规栽培条件下，子区域的茎蘖数一般为40至60，数量条件下模型在两个品种上的精度均较高，RMSE值均保持在8左右，相对RMSE均可保持在20％以下。随着茎蘖数的增加，模型的估测精度略有降低，极端条件下会出现相对RMSE超过25％的情况。
研究利用无人机多光谱影像对不同田块小麦进行茎蘖数估测，分别对实际生产田块和2019年及2020年对实验田块进行测试。如图6的(a)所示，左侧为实际生产田块对多光谱图像，中间为NDVI图，右侧为本文方法估测对茎蘖数，实际生产中会存在出苗和施肥不均匀对情况，因此NDVI值分布差异较大，茎蘖分布图能够很好对反应全田茎蘖情况，为田间管理提供决策。图6的(b)和(c)分别为2019年和2020年对实验田的品种、肥料、密度试验，品种均为YM16和NM13，使用了材料方法中所述对4个氮肥3个种植密度，每个处理重复3次，每年种植96个小区，涵盖了目前生产中几乎所有对密度和肥料，结果均能可靠反应茎蘖情况。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (6)
1.一种基于区域渐变植被指数的小麦早期茎蘖数估测方法，其特征在于，包括如下步骤：
步骤一，图像获取：通过多光谱无人机采集田间图像；
步骤二，麦苗区域提取：将无人机采集的图像裁剪成50cm×50cm的区域，利用超绿值OTSU算法提取麦苗区域；
步骤三，区域分级：计算步骤二麦苗区域的植被指数，根据麦苗区域的植被指数，利用K-means算法将麦苗区域分为4类，即归一化植被指数(Normalized DifferenceVegetation Index，NDVI)最小区域Region A，次小区域Region B,较大区域Region C，最大区域Region D；
步骤四，渐变特征提取：计算步骤三中划分的4个区域即Region A，Region B,RegionC，Region D的NDVI均值分别为VmA,VmB，VmC,VmD，4个区域指数的均值为Vm，4个区域面积分别为VaA,VaB，VaC,VaD，4个区域面积的均值为Va；
步骤五，构建渐变植被指数：利用步骤四提取的渐变特征，构建反映区域内植株的紧凑情况的指数Sm；反映区域内植株的分布均匀情况的指数Sa；反映区域茎蘖的粘连强度的指数Rm，以及反映紧凑粘连区域的占比情况的指数Ra；
步骤六，茎蘖数估测：利用模型构建渐变植被指数估测茎蘖数量；
步骤七，估测模型验证：利用独立样本对步骤六构建的估测模型进行验证。
2.根据权利要求1所述的一种基于区域渐变植被指数的小麦早期茎蘖数估测方法，其特征在于，步骤一中，图像获取具体过程如下：利用多光谱无人机于小麦越冬期获取多光谱正射影像，并进行影像拼接和多光谱图像预处理操作。
3.根据权利要求1所述的一种基于区域渐变植被指数的小麦早期茎蘖数估测方法，其特征在于，步骤三中，区域分级具体过程为：为了提取渐变特征，首先需要将图像中的麦苗区域根据植被指数大小进行分级，NDVI指数计算公式如下：
NDVI＝(RNIR-RR)/(RNIR+RR) (1)
其中，RNIR为近红外波段反射率，RR为红波段反射率；
利用K-means算法将麦苗区域分为4类，即NDVI最小区域Region A，次小区域Region B，较大区域Region C，最大区域Region D。
4.根据权利要求3所述的一种基于区域渐变植被指数的小麦早期茎蘖数估测方法，其特征在于，步骤四中，渐变特征提取具体为：为了构建渐变植被指数，利用公式(2)-(3)计算2个渐变特征，分别为：4个区域指数的均值Vm，4个区域面积的均值Va；
5.根据权利要求4所述的一种基于区域渐变植被指数的小麦早期茎蘖数估测方法，其特征在于，步骤五中，构建渐变植被指数具体为：利用2个渐变特征，构建更能反映茎蘖数规律的渐变植被指数，渐变特征Sm能够较好的反映区域内植株的紧凑情况，Sa能够较好的反映区域内植株的分布均匀情况；Rm能够较好的反映区域茎蘖的粘连强度，Rm越大粘连越强，Ra能够较好的反映紧凑粘连区域的占比情况，具体计算公式如下：
6.根据权利要求1所述的一种基于区域渐变植被指数的小麦早期茎蘖数估测方法，其特征在于，步骤六中，茎蘖数估测具体为：估测模型构建为Lasso回归；Root Mean SquardError(RMSE)，mean absolute error(MAE)和coefficient of determination(R2)用于评价模型的优劣。
其中,SSE为误差平方和(Sum of Squares Error)，SST为总离差平方和(Sum ofSquares Total)，m为样本量，pyi为模型预测值，tyi为实测值,
为实测值的均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210081094.4A CN114549881B (zh) | 2022-01-24 | 2022-01-24 | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210081094.4A CN114549881B (zh) | 2022-01-24 | 2022-01-24 | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114549881A true CN114549881A (zh) | 2022-05-27 |
| CN114549881B CN114549881B (zh) | 2023-08-01 |
Family
ID=81672500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210081094.4A Active CN114549881B (zh) | 2022-01-24 | 2022-01-24 | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114549881B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830442A (zh) * | 2022-11-11 | 2023-03-21 | 中国科学院空天信息创新研究院 | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 |
| CN117274359A (zh) * | 2023-10-13 | 2023-12-22 | 扬州大学 | 一种作物群体的株高测算方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109115951A (zh) * | 2018-07-31 | 2019-01-01 | 东北农业大学 | 基于冠层结构与冠层光谱的水稻植株全氮估测方法 |
| CN109459392A (zh) * | 2018-11-06 | 2019-03-12 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
| CN109978047A (zh) * | 2019-03-22 | 2019-07-05 | 南京农业大学 | 一种田间小麦茎蘖数提取方法 |
| CN111310640A (zh) * | 2020-02-12 | 2020-06-19 | 青岛大学 | Landsat8影像绿潮自适应阈值分区智能检测方法 |
| CN113192117A (zh) * | 2021-02-08 | 2021-07-30 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
-
2022
- 2022-01-24 CN CN202210081094.4A patent/CN114549881B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109115951A (zh) * | 2018-07-31 | 2019-01-01 | 东北农业大学 | 基于冠层结构与冠层光谱的水稻植株全氮估测方法 |
| CN109459392A (zh) * | 2018-11-06 | 2019-03-12 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
| CN109978047A (zh) * | 2019-03-22 | 2019-07-05 | 南京农业大学 | 一种田间小麦茎蘖数提取方法 |
| CN111310640A (zh) * | 2020-02-12 | 2020-06-19 | 青岛大学 | Landsat8影像绿潮自适应阈值分区智能检测方法 |
| CN113192117A (zh) * | 2021-02-08 | 2021-07-30 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
Non-Patent Citations (7)
| Title |
|---|
| FRÉDÉRIC COINTAULT ET AL.: "Wheat ear detection by textural analysis for improving the manual countings", 《SPPRA》, pages 1 - 11 * |
| MING-XIANG HE ET AL.: "A Robust Method for Wheatear Detection Using UAV in Natural Scenes", 《DIGITAL OBJECT IDENTIFIER 10.1109/ACCESS.2020.3031896》, pages 189043 - 189053 * |
| 刘家欢 等: "基于冠层图像处理的小麦茎蘖数快速诊断技术", 《河南农业科学》, vol. 48, no. 11, pages 174 - 180 * |
| 刘欣谊 等: "利用无人机图像颜色与纹理特征数据在 小麦生育前期对产量进行预测", 《麦类作物学报》, vol. 40, no. 8, pages 1002 - 1007 * |
| 刘涛: "基于图像分析技术的小麦群体农学参数获取与群体质量评价研究", 《中国博士学位论文全文数据库》, pages 1 - 179 * |
| 吴军华;岳善超;侯鹏;孟庆峰;崔振岭;李斐;陈新平;: "基于主动遥感的冬小麦群体动态监测", 光谱学与光谱分析, vol. 31, no. 02, pages 535 - 538 * |
| 张猛;孙红;李民赞;ZHANG QIN;郑立华;: "基于4波段作物光谱测量仪的小麦分蘖数预测", 农业机械学报, vol. 47, no. 09, pages 341 - 347 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830442A (zh) * | 2022-11-11 | 2023-03-21 | 中国科学院空天信息创新研究院 | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 |
| CN115830442B (zh) * | 2022-11-11 | 2023-08-04 | 中国科学院空天信息创新研究院 | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 |
| CN117274359A (zh) * | 2023-10-13 | 2023-12-22 | 扬州大学 | 一种作物群体的株高测算方法和系统 |
| CN117274359B (zh) * | 2023-10-13 | 2024-04-19 | 扬州大学 | 一种作物群体的株高测算方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114549881B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
| CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
| CN111241912A (zh) | 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 | |
| CN112903600B (zh) | 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 | |
| CN110909679B (zh) | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 | |
| CN114549881A (zh) | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 | |
| CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| CN112861712B (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
| CN115950838A (zh) | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 | |
| CN111242934B (zh) | 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法 | |
| CN116108318B (zh) | 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 | |
| CN102663396B (zh) | 一种水稻乳熟期自动检测的方法 | |
| CN116602106A (zh) | 一种基于无人机的水稻田内变量施肥方法 | |
| CN112287886A (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
| CN117347283A (zh) | 一种适用于农业园区尺度的小麦氮肥推荐方法 | |
| CN114460015A (zh) | 一种用于预测寒地水稻冠层叶绿素含量的方法及模型 | |
| CN109752487A (zh) | 冬小麦叶片氮素含量预估方法及装置 | |
| CN116502901A (zh) | 一种基于光学遥感数据的农田干旱空间分布评价方法 | |
| CN117292267B (zh) | 一种基于物候信息的水稻地上生物量分段估算方法及系统 | |
| Kutugata et al. | Seed rain potential in late-season weed escapes can be estimated using remote sensing | |
| CN117074340A (zh) | 一种基于无人机高光谱遥感图像的小麦氮含量测算方法 | |
| CN112285062B (zh) | 一种高nue水稻筛选标志及筛选方法 | |
| CN115344997B (zh) | 夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法 | |
| CN118209502B (zh) | 烤烟烟叶含钾量估计方法、装置、电子设备及存储介质 | |
| CN115909062A (zh) | 基于多点位融合的小麦产量估测方法 |
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 |