CN114663489A - 一种地块时空特征约束下的农作物叶面积指数遥感反演方法及系统 - Google Patents

一种地块时空特征约束下的农作物叶面积指数遥感反演方法及系统 Download PDF

Info

Publication number
CN114663489A
CN114663489A CN202210292261.XA CN202210292261A CN114663489A CN 114663489 A CN114663489 A CN 114663489A CN 202210292261 A CN202210292261 A CN 202210292261A CN 114663489 A CN114663489 A CN 114663489A
Authority
CN
China
Prior art keywords
leaf area
plot
crop
area index
index
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
CN202210292261.XA
Other languages
English (en)
Inventor
杨颖频
吴志峰
黄启厅
骆剑承
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.)
Guangzhou University
Original Assignee
Guangzhou University
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 Guangzhou University filed Critical Guangzhou University
Priority to CN202210292261.XA priority Critical patent/CN114663489A/zh
Publication of CN114663489A publication Critical patent/CN114663489A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种地块时空特征约束下的农作物叶面积指数遥感反演方法，包括：基于PROSAIL辐射传输模型，模拟不同叶片理化参数、冠层结构参数和土壤性质条件下的冠层方向性反射，构建地块的查找表；基于归一化植被指数时间序列数据，提取地块内作物开始生长日期特征；结合地块内作物开始生长日期特征和MODIS叶面积指数产品，构建作物叶面积指数先验知识；然后获取地块的查找表子集，通过关于作物参数空间自相关性的代价函数，对地块的叶面积指数进行反演，得到反演结果。本发明从作物叶面积指数随作物物候的变化特征和地块内部作物参数的空间自相关性出发，设计了一种新的代价函数，并通过查找表方法反演叶面积指数，效果更好，获得的结果精度更高。

Description

一种地块时空特征约束下的农作物叶面积指数遥感反演方法 及系统
技术领域
本发明涉及农业自动化技术领域，特别涉及一种地块时空特征约束下的农作物叶面积指数遥感反演方法及系统。
背景技术
叶面积指数(LAI)是农作物重要的冠层结构参数，控制着作物光合、呼吸、蒸腾等生物物理过程，是决定作物生物量积累的关键因子，是作物长势监测和产量估算的常用指标。因种植类型、农耕措施、土壤条件等条件的差异，不同地块内作物的叶面积指数表现出差异。快速、准确地获取农田地块内作物的叶面积指数对精准化的农田管理具有重要意义。
目前基于卫星遥感的作物LAI反演方法有经验统计方法和机理模型方法两大类。经验统计方法需构建光谱反射率或植被指数与叶面积指数之间的数学统计关系，简单易行，但是机理性弱，受植被类型、地域、观测条件的影响，建立的统计关系不可迁移。机理模型模拟光在冠层内部的辐射传输过程，可迁移性和可解释性强，在区域和全球尺度研究中得到了广泛应用，包括数值优化方法、查找表方法、与机器学习相结合的方法。然而，遥感反演本质是病态反演问题，遥感观测的波段反射率值通常对应多种参数组合，给作物LAI反演带来不确定性。为了缓解病态反演的问题，先验知识、模型耦合、空间约束、时间约束等正则化方法被提出，证明了空间约束对提高LAI反演精度的有效性。但是，这些空间约束方法需要假设辐射传输模型的一些变量(例如叶倾角、热点参数、聚集指数)在一定空间范围内不变，给机理模型的反演结果带来了不确定性；同时，农作物的物候特征未在模型反演过程中被使用。
因此，如何提供一种效果好的农作物叶面积指数反演方法及系统，是本领域技术人员亟待解决的问题。
发明内容
本发明提供一种地块时空特征约束下的农作物叶面积指数遥感反演方法及系统，旨在解决现有作物叶面积指数反演方法效果较差的问题。
本发明提供的技术方案如下：
一种地块时空特征约束下的农作物叶面积指数遥感反演方法，包括如下步骤：
基于PROSAIL辐射传输模型，模拟不同叶片理化参数、冠层结构参数和土壤性质条件下的冠层方向性反射，构建地块的查找表；
基于归一化植被指数时间序列数据，提取地块内作物开始生长日期特征；
结合地块内作物开始生长日期特征和MODIS叶面积指数产品，构建作物叶面积指数先验知识；
基于叶面积指数先验知识，获取地块的查找表子集，通过关于作物参数空间自相关性的代价函数，对地块的叶面积指数进行反演，得到反演结果。
一种地块时空特征约束下的农作物叶面积指数遥感反演系统，包括：
查找表构建模块，用于基于PROSAIL辐射传输模型，模拟不同叶片理化参数、冠层结构参数和土壤性质条件下的冠层方向性反射，构建地块的查找表；
作物开始生长日期特征提取模块，用于基于归一化植被指数时间序列数据，提取地块内作物开始生长日期特征；
先验知识构建模块，用于结合地块内作物开始生长日期特征和MODIS叶面积指数产品，构建作物叶面积指数先验知识；
作物叶面积指数反演模块，用于基于叶面积指数先验知识，获取地块的查找表子集，通过关于作物参数空间自相关性的代价函数，对地块的叶面积指数进行反演，得到反演结果。
本发明提出的地块时空特征约束下的农作物叶面积指数遥感反演方法及系统，其有益效果包括：
本发明以农田地块为基本空间单元，开展地块时空特征约束下的作物叶面积指数参数反演。反演过程中引入了作物物候信息来约束叶面积指数取值范围，减小叶面积指数反演的不确定性。与现有的空间约束方法中将未知变量设定为固定值不同，本发明基于地理学第一定律“越相近的事物越相似”，从作物定量参数的空间自相关性出发，设计了一种新的代价函数，并通过查找表方法反演叶面积指数，效果更好，可以获取精度较高的叶面积指数结果。
附图说明
为了更清楚的说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，下面的描述中的附图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附图。
图1为本申请实施例提供的地块时空特征约束下的农作物叶面积指数遥感反演方法的流程示意图；
图2为本发明实施例提供的基于生长天数的叶面积指数反演先验知识构建示意图；
图3为本发明实施例提供的基于地块边界空间约束的叶面积指数反演原理示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参见图1所示的流程示意图，本发明实施例提供的一种地块时空特征约束下的农作物叶面积指数遥感反演方法，其包括如下步骤：
S101、基于PROSAIL辐射传输模型，模拟不同叶片理化参数、冠层结构参数和土壤性质条件下的冠层方向性反射，构建地块的查找表。
正向运行PROSAIL辐射传输模型，模拟在不同叶片理化参数、冠层结构参数和土壤性质条件下的冠层方向性反射，PROSAIL查找表的参数化方案如表1所示。将模拟的连续反射率光谱和Sentinel-2光谱响应函数作卷积计算，模拟PROSAIL参数化方案下的Sentinel-2波段的光谱反射率值，构建查找表，记作(LUT)。
表1 PROSAIL查找表参数化方案
Figure BDA0003561978400000031
S102、基于归一化植被指数时间序列数据，提取地块内作物开始生长日期特征。
利用覆盖作物生长季的Sentinel-2和Landsat8遥感时间序列数据，基于近红外波段和红光波段反射率计算归一化植被指数(NDVI)。以农田地块边界为空间约束，以地块内的像元归一化植被指数平均值作为地块的归一化植被指数特征，按照Sentinel-2和Landsat8数据的成像时间先后顺序，构建地块的归一化植被指数时间序列曲线。利用Sentinel-2和Landsat8的数据质量波段排除时间序列曲线上受云污染的观测点。遍历归一化植被指数时间序列曲线，以生长季内归一化植被指数值最低值所对应的时间点(T0)识别为该地块内作物开始生长日期特征，第i个地块的生长日期特征记作
Figure BDA0003561978400000041
S103、结合地块内作物开始生长日期特征和MODIS叶面积指数产品，构建作物叶面积指数先验知识。
参见图2，其为基于生长天数的叶面积指数反演先验知识构建示意图；
利用低空间分辨率的MODIS叶面积指数产品MCD15A3H获取作物叶面积指数随生长天数(growth day，GD)的时间序列曲线，具体步骤为：在待反演区域中选取30个以上的面积大于MCD15A3H产品像元大小(500*500平方米)的地块样本；获取这些地块的低分辨率叶面积指数时间序列曲线，结合地块内作物开始生长日期特征，计算每个叶面积指数时相所对应的作物生长天数，构建一组关于生长天数和叶面积指数的地块样本集；以生长天数为自变量，叶面积指数为因变量，利用二次函数曲线拟合叶面积指数数据点与生长天数之间的经验统计关系，其函数公式为：
yLAI(GD)＝a·GD2+b·GD+c
通过样本的生长天数和叶面积指数值，求解未知参数a、b、c的值，对该二次曲线分别向下和向上平移至刚好包含地块样本集中的所有点，平移距离分别记作ε1和ε2，划定曲线的上范围和下范围，构建作物叶面积指数先验知识。
S104、基于叶面积指数先验知识，获取地块的查找表子集，通过关于作物参数空间自相关性的代价函数，对地块的叶面积指数进行反演，得到反演结果。
给定一景待反演的影像，其观测时相为T，通过计算公式T-T0提取各地块内作物的生长天数，并以地块为单元，基于叶面积指数先验知识，计算各地块在T时刻的叶面积指数取值范围，第i个地块的叶面积指数取值范围计算公式为：
Figure BDA0003561978400000042
将该取值范围记作[LAImin，LAImax]，并提取查找表子集，记作LUT-sub。
参见图3所示的基于地块边界空间约束的叶面积指数反演原理示意图；
以地块为单元，在地块内部逐像元地反演叶面积指数，以待反演像元P0为核心、4个像元大小的距离为半径，取P0的邻域范围，将邻域内的像元i记作Pi，计算Pi至P0的欧式距离记作di，图中P0至Pi的距离如图3所示；由于地块边界处的像元通常为混合像元，需从邻域中排除，将邻域内像元总数记作N。本发明提出一种新的代价函数，其公式为：
Figure BDA0003561978400000051
其中，K为反演所利用的光谱波段数量，本发明利用Sentinel-2的红、绿、近红外波段反演，K＝3；
Figure BDA0003561978400000052
为第k波段的模拟反射率；
Figure BDA0003561978400000053
为第k波段的遥感观测反射率。
以像元P0及邻近像元的绿、红、近红外反射率为输入，基于查找表子集LUT-sub计算代价函数的值，对代价函数计算结果按照从小到大的顺序进行排序，选取前100个最小的值，获取对应的参数组合，将这些参数组合中叶面积指数平均值记作该P0的叶面积指数反演结果。
本发明提出的代价函数将待反演像元P0及其邻域内的像元反射率联合起来，考虑了邻近像元取相同参数解的可能性，并通过像元间的距离来度量该可能性大小，即距离越近、像元取相同解的可能性越大。
本发明以农田地块为基本空间单元，开展地块时空特征约束下的作物叶面积指数参数反演。反演过程中引入了作物物候信息来约束叶面积指数取值范围，减小叶面积指数反演的不确定性。与现有的空间约束方法中将未知变量设定为固定值不同，本发明基于地理学第一定律“越相近的事物越相似”，从作物定量参数的空间自相关性出发，设计了一种新的代价函数，并通过查找表方法反演叶面积指数，效果更好，可以获取精度较高的叶面积指数结果。
本发明实施例还提供了一种地块时空特征约束下的农作物叶面积指数反演系统，其包括：
查找表构建模块，用于基于PROSAIL辐射传输模型，模拟不同叶片理化参数、冠层结构参数和土壤性质条件下的冠层方向性反射，构建地块的查找表；
作物开始生长日期特征提取模块，用于基于归一化植被指数时间序列数据，提取地块内作物开始生长日期特征；
先验知识构建模块，用于结合地块内作物开始生长日期特征和MODIS叶面积指数产品，构建作物叶面积指数先验知识；
作物叶面积指数反演模块，用于基于叶面积指数先验知识，获取地块的查找表子集，通过关于作物参数空间自相关性的代价函数，对地块的叶面积指数进行反演，得到反演结果。
本发明重点是从作物叶面积指数随作物物候的变化特征和地块内部作物参数的空间自相关性出发，设计了一种新的代价函数，并通过查找表方法反演叶面积指数，效果更好，获得的结果精度更高。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。

Claims (10)

1.一种地块时空特征约束下的农作物叶面积指数遥感反演方法，其特征在于，包括如下步骤：
基于PROSAIL辐射传输模型，模拟不同叶片理化参数、冠层结构参数和土壤性质条件下的冠层方向性反射，构建地块的查找表；
基于归一化植被指数时间序列数据，提取地块内作物开始生长日期特征；
结合地块内作物开始生长日期特征和MODIS叶面积指数产品，构建作物叶面积指数先验知识；
基于叶面积指数先验知识，获取地块的查找表子集，通过关于作物参数空间自相关性的代价函数，对地块的叶面积指数进行反演，得到反演结果。
2.如权利要求1所述的地块时空特征约束下的农作物叶面积指数遥感反演方法，其特征在于，所述基于PROSAIL辐射传输模型，模拟不同叶片理化参数、冠层结构参数和土壤性质条件下的冠层方向性反射，包括如下步骤：
正向运行PROSAIL辐射传输模型，模拟在不同叶片理化参数、冠层结构参数和土壤性质条件下的冠层方向性反射。
3.如权利要求1所述的地块时空特征约束下的农作物叶面积指数遥感反演方法，其特征在于，所述构建地块的查找表，包括如下步骤：
将模拟的连续反射率光谱和Sentinel-2光谱响应函数作卷积计算，模拟PROSAIL参数化方案下的Sentinel-2波段的光谱反射率值，构建地块的查找表。
4.如权利要求1所述的地块时空特征约束下的农作物叶面积指数遥感反演方法，其特征在于，所述基于归一化植被指数时间序列数据，提取地块内作物开始生长日期特征，包括如下步骤：
利用覆盖作物生长季的Sentinel-2和Landsat8遥感时间序列数据，基于近红外波段和红光波段反射率计算归一化植被指数，然后提取地块内作物开始生长日期特征。
5.如权利要求4所述的地块时空特征约束下的农作物叶面积指数遥感反演方法，其特征在于，所述计算归一化植被指数之后，还包括如下步骤：
以农田地块边界为空间约束，以地块内的像元归一化植被指数平均值作为地块的归一化植被指数特征，按照Sentinel-2和Landsat8数据的成像时间先后顺序，构建地块的归一化植被指数时间序列曲线。
6.如权利要求4所述的地块时空特征约束下的农作物叶面积指数遥感反演方法，其特征在于，所述提取地块内作物开始生长日期特征，包括：
遍历归一化植被指数时间序列曲线，以生长季内归一化植被指数值最低值所对应的时间点识别为该地块内作物开始生长日期特征。
7.如权利要求6所述的地块时空特征约束下的农作物叶面积指数遥感反演方法，其特征在于，所述遍历归一化植被指数时间序列曲线之前，包括：
利用Sentinel-2和Landsat8的数据质量波段排除时间序列曲线上受云污染的观测点。
8.如权利要求1所述的地块时空特征约束下的农作物叶面积指数遥感反演方法，其特征在于，所述结合地块内作物开始生长日期特征和MODIS叶面积指数产品，构建作物叶面积指数先验知识，包括利用低空间分辨率的MODIS叶面积指数产品MCD15A3H获取作物叶面积指数随生长天数的时间序列曲线；
具体步骤为：
在待反演区域中选取30个以上的面积大于MCD15A3H产品像元大小的地块样本；
获取这些地块的低分辨率叶面积指数时间序列曲线，结合地块内作物开始生长日期特征，计算每个叶面积指数时相所对应的作物生长天数，构建一组关于生长天数和叶面积指数的地块样本集；以生长天数为自变量，叶面积指数为因变量，利用二次函数曲线拟合叶面积指数数据点与生长天数之间的经验统计关系，其函数形式为：
yLAI(GD)＝a·GD2+b·GD+c
通过样本的生长天数和叶面积指数值，求解未知参数a、b、c的值，对该二次曲线分别向下和向上平移至刚好包含地块样本集中的所有点，平移距离分别记作ε1和ε2，划定曲线的上范围和下范围，构建作物叶面积指数先验知识。
9.如权利要求1所述的地块时空特征约束下的农作物叶面积指数遥感反演方法，其特征在于，所述基于叶面积指数先验知识，获取地块的查找表子集，包括：
给定一景待反演的影像，其观测时相为T，通过计算公式T-T0，提取各地块内作物的生长天数，并以地块为单元，基于叶面积指数先验知识，计算各地块在T时刻的叶面积指数取值范围，第i个地块的叶面积指数取值范围计算公式为：
Figure FDA0003561978390000031
将该取值范围记作[LAImin，LAImax]，并提取查找表子集，记作LUT-sub。
10.一种地块时空特征约束下的农作物叶面积指数遥感反演系统，其特征在于，包括：
查找表构建模块，用于基于PROSAIL辐射传输模型，模拟不同叶片理化参数、冠层结构参数和土壤性质条件下的冠层方向性反射，构建地块的查找表；
作物开始生长日期特征提取模块，用于基于归一化植被指数时间序列数据，提取地块内作物开始生长日期特征；
先验知识构建模块，用于结合地块内作物开始生长日期特征和MODIS叶面积指数产品，构建作物叶面积指数先验知识；
作物叶面积指数反演模块，用于基于叶面积指数先验知识，获取地块的查找表子集，通过关于作物参数空间自相关性的代价函数，对地块的叶面积指数进行反演，得到反演结果。
CN202210292261.XA 2022-03-24 2022-03-24 一种地块时空特征约束下的农作物叶面积指数遥感反演方法及系统 Pending CN114663489A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210292261.XA CN114663489A (zh) 2022-03-24 2022-03-24 一种地块时空特征约束下的农作物叶面积指数遥感反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210292261.XA CN114663489A (zh) 2022-03-24 2022-03-24 一种地块时空特征约束下的农作物叶面积指数遥感反演方法及系统

Publications (1)

Publication Number Publication Date
CN114663489A true CN114663489A (zh) 2022-06-24

Family

ID=82030528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210292261.XA Pending CN114663489A (zh) 2022-03-24 2022-03-24 一种地块时空特征约束下的农作物叶面积指数遥感反演方法及系统

Country Status (1)

Country Link
CN (1) CN114663489A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983503A (zh) * 2023-03-18 2023-04-18 杭州领见数字农业科技有限公司 一种作物成熟期预测方法、设备及存储介质
CN116501925A (zh) * 2023-06-26 2023-07-28 山东大学 多源遥感数据下叶面积指数预测方法、系统、设备及介质
CN117313451A (zh) * 2023-09-01 2023-12-29 长安大学 一种基于e-inform模型的作物冠层结构参数反演方法
CN117520715A (zh) * 2023-12-29 2024-02-06 华中农业大学 一种基于prosail模型的水稻叶面积指数反演方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983503A (zh) * 2023-03-18 2023-04-18 杭州领见数字农业科技有限公司 一种作物成熟期预测方法、设备及存储介质
CN116501925A (zh) * 2023-06-26 2023-07-28 山东大学 多源遥感数据下叶面积指数预测方法、系统、设备及介质
CN116501925B (zh) * 2023-06-26 2023-09-05 山东大学 多源遥感数据下叶面积指数预测方法、系统、设备及介质
CN117313451A (zh) * 2023-09-01 2023-12-29 长安大学 一种基于e-inform模型的作物冠层结构参数反演方法
CN117520715A (zh) * 2023-12-29 2024-02-06 华中农业大学 一种基于prosail模型的水稻叶面积指数反演方法

Similar Documents

Publication Publication Date Title
CN114663489A (zh) 一种地块时空特征约束下的农作物叶面积指数遥感反演方法及系统
Zheng et al. Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery
CN111598019B (zh) 基于多源遥感数据的作物类型与种植模式识别方法
CN111368736B (zh) 基于sar和光学遥感数据的水稻精细化估产方法
AU2021282487A1 (en) Forecasting national crop yield during the growing season
CN114821362B (zh) 一种基于多源数据的水稻种植面积提取方法
CN109711102B (zh) 一种作物灾害损失快速评估方法
CN112183428A (zh) 一种小麦种植区域分割与产量预测方法
Son et al. A phenological object-based approach for rice crop classification using time-series Sentinel-1 Synthetic Aperture Radar (SAR) data in Taiwan
Li et al. Estimating aboveground and organ biomass of plant canopies across the entire season of rice growth with terrestrial laser scanning
CN106372592A (zh) 一种基于冬小麦面积指数的冬小麦种植面积计算方法
CN106918816A (zh) 农作物长势监测系统及其数据处理方法和模块
CN103345707A (zh) 一种基于多源遥感数据的农作物成熟期遥感预测方法
WO2018107245A1 (en) Detection of environmental conditions
CA2981473A1 (en) Forecasting national crop yield during the growing season
Ozdarici Ok et al. A segment-based approach to classify agricultural lands by using multi-temporal optical and microwave data
CN113298859A (zh) 一种基于无人机影像的作物氮肥变量管理方法
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
CN114821360A (zh) 作物叶面积指数智能化提取方法、装置及电子设备
WO2024061160A1 (zh) 基于叶面积指数的冬小麦旱情无人机快速监测判别方法
Zhu et al. UAV flight height impacts on wheat biomass estimation via machine and deep learning
CN116308866B (zh) 一种基于冠层反射光谱的水稻穗生物量估算方法及系统
CN112861712A (zh) 基于人工智能与多时相遥感的农业病虫害监测方法
CN112380497B (zh) 用于区域玉米的秸秆系数估算方法及系统
Tang et al. UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard

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