CN114781767A - 估算模型构建方法、估算方法、装置、计算机设备及介质 - Google Patents

估算模型构建方法、估算方法、装置、计算机设备及介质 Download PDF

Info

Publication number
CN114781767A
CN114781767A CN202210715346.4A CN202210715346A CN114781767A CN 114781767 A CN114781767 A CN 114781767A CN 202210715346 A CN202210715346 A CN 202210715346A CN 114781767 A CN114781767 A CN 114781767A
Authority
CN
China
Prior art keywords
spectral data
biomass
pasture
hay
band
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
Application number
CN202210715346.4A
Other languages
English (en)
Other versions
CN114781767B (zh
Inventor
代娜
徐维新
肖强智
王淇玉
校瑞香
祝存兄
梁好
段旭辉
李航
黄坤琳
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202210715346.4A priority Critical patent/CN114781767B/zh
Publication of CN114781767A publication Critical patent/CN114781767A/zh
Application granted granted Critical
Publication of CN114781767B publication Critical patent/CN114781767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种估算模型构建方法、估算方法、装置、计算机设备及介质，所述估算模型构建方法中，计算机设备将在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据和牧草样方的枯萎牧草生物量；在得到多个光谱数据后，基于预设算式确定每个光谱数据对应的修订枯草植被指数；最后利用每个光谱数据对应的修订枯草植被指数和与每个光谱数据同时获取的枯萎牧草生物量进行线性回归，拟合得到修订枯草植被指数与枯萎牧草生物量的映射关系，即枯萎牧草生物量的估算模型，由此，本发明弥补了枯草研究领域的空白，使得后续其他相应的枯草研究能高效地完成枯萎牧草生物量计算。

Description

估算模型构建方法、估算方法、装置、计算机设备及介质
技术领域
本发明涉及草地遥感领域，尤其涉及一种估算模型构建方法、估算方法、装置、计算机设备及介质。
背景技术
草地上的植被生物量能体现植被的光能利用能力、草地生长状态及植被种类变化，因而牧草生物量的估算对于草地资源及其合理利用具有重要意义。
但是，现阶段大多关于植被生物量研究集中在牧草生长季，关于牧草枯萎季的植被生物量研究较少，导致相应的科学研究及牧草枯萎季内的监测评估工作难以正常开展。并且，与绿色植被相比，枯萎/枯干牧草与植被指数很难形成直接联系，导致枯萎季的植被生物量研究受限。
发明内容
有鉴于此，本发明提供一种估算模型构建方法、估算方法、装置、计算机设备及介质，以改善关于牧草枯萎季的植被生物量研究较少，和枯萎/枯干牧草与植被指数很难形成直接联系，导致枯萎季的植被生物量研究受限的现状。
第一方面，本发明实施例提供一种估算模型构建方法，包括：
在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据和所述牧草样方的枯萎牧草生物量，其中，所述光谱数据包括中分辨率成像光谱仪的第三波段光谱数据和第五波段光谱数据；
基于预设算式，计算每个所述光谱数据对应的修订枯草植被指数，其中，所述预设算式包括：
Figure P_220620165511657_657916001
式中，R-DGVI表示修订枯草植被指数，band5表示所述中分辨率成像光谱仪的第五波段光谱数据，band3表示所述中分辨率成像光谱仪的第三波段光谱数据；
对每个所述光谱数据对应的修订枯草植被指数和每个所述光谱数据对应的样方的枯萎牧草生物量进行线性回归，得到枯萎牧草生物量的估算模型。
可选的，在本发明实施例提供的一种可行方式中，所述牧草样方包括预设数量的相同面积大小的子样方；
所述在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据和所述牧草样方的枯萎牧草生物量，包括：
在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据；
逐个对所述牧草样方的每个所述子样方进行牧草刈割以得到所述子样方的枯萎牧草生物量，并在每次刈割后获取所述样方的光谱数据；
对所述预设数量的子样方的牧草重量进行求和，得到所述样方的枯萎牧草生物量。
可选的，在本发明实施例提供的一种可行方式中，所述估算模型包括：
Figure P_220620165511689_689173001
式中，Y表示枯萎牧草生物量，X表示修订枯草植被指数。
可选的，在本发明实施例提供的一种可行方式中，所述方法还包括：
对每个所述预设时间间隔的所述样方的枯萎牧草生物量进行线性回归以拟合枯萎牧草生物量与时间的线性关系，得到生物量衰减预测模型，其中，所述生物量衰减预测模型，包括：
Figure P_220620165511720_720426001
式中，Y表示枯萎牧草生物量，x表示时间。
第二方面，本发明实施例提供一种估算方法，包括：
获取待检测区域的光谱数据，其中，所述光谱数据包括中分辨率成像光谱仪的第三波段光谱数据和第五波段光谱数据；
基于预设算式，计算所述光谱数据对应的修订枯草植被指数，其中，所述预设算式包括：
Figure P_220620165511753_753094001
式中，R-DGVI表示修订枯草植被指数，band5表示所述中分辨率成像光谱仪的第五波段光谱数据，band3表示所述中分辨率成像光谱仪的第三波段光谱数据；
将所述修订枯草植被指数输入至枯萎牧草生物量的估算模型中，得到所述待检测区域的枯草生物量估算结果，其中，所述估算模型通过第一方面中公开的任一种所述的估算模型构建方法得到。
可选的，在本发明实施例提供的一种可行方式中，所述方法还包括：
根据预设的枯草生物量等级映射表，得到所述修订枯草植被指数对应的枯草生物量的等级，其中，所述枯草生物量等级映射表包括不同修订枯草植被指数对应的枯草生物量等级。
第三方面，本发明实施例提供一种估算模型构建装置，包括：
获取模块，用于在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据和所述牧草样方的枯萎牧草生物量，其中，所述光谱数据包括中分辨率成像光谱仪的第三波段光谱数据和第五波段光谱数据；
计算模块，用于基于预设算式，计算每个所述光谱数据对应的修订枯草植被指数，其中，所述预设算式包括：
Figure P_220620165511784_784876001
式中，R-DGVI表示修订枯草植被指数，band5表示所述中分辨率成像光谱仪的第五波段光谱数据，band3表示所述中分辨率成像光谱仪的第三波段光谱数据；
线性回归模块，用于对每个所述光谱数据对应的修订枯草植被指数和每个所述光谱数据对应的样方的枯萎牧草生物量进行线性回归，得到枯萎牧草生物量的估算模型。
第四方面，本发明实施例提供一种估算装置，包括：
光谱数据获取模块，用于获取待检测区域的光谱数据，其中，所述光谱数据包括中分辨率成像光谱仪的第三波段光谱数据和第五波段光谱数据；
枯草植被指数计算模块，用于基于预设算式，计算所述光谱数据对应的修订枯草植被指数，其中，所述预设算式包括：
Figure P_220620165511800_800458001
式中，R-DGVI表示修订枯草植被指数，band5表示所述中分辨率成像光谱仪的第五波段光谱数据，band3表示所述中分辨率成像光谱仪的第三波段光谱数据；
生物量估算模块，用于将所述修订枯草植被指数输入至枯萎牧草生物量的估算模型中，得到所述待检测区域的枯草生物量估算结果，其中，所述估算模型通过第一方面中公开的任一种所述的估算模型构建方法得到。
第三方面，本发明实施例提供一种计算机设备，包括存储器以及处理器，存储器存储有计算机程序，计算机程序在处理器上运行时执行如第一方面中任一种公开的估算模型构建方法，或如第二方面中任一种公开的估算方法。
第四方面，本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序在处理器上运行时执行如第一方面中任一种公开的估算模型构建方法，或如第二方面中任一种公开的估算方法。
本发明实施例提供的估算模型构建方法中，计算机设备将在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据和牧草样方的枯萎牧草生物量；在得到多个光谱数据后，基于预设算式确定每个光谱数据对应的修订枯草植被指数；最后利用每个光谱数据对应的修订枯草植被指数和与每个光谱数据同时获取的枯萎牧草生物量进行线性回归，拟合得到修订枯草植被指数与枯萎牧草生物量的映射关系，即枯萎牧草生物量的估算模型。
基于此，本发明实施例实现了基于遥感数据确定地面枯萎牧草生物量的方法，弥补了枯草研究领域的空白；并且，因枯萎牧草生物量的估算模型的提出，使得后续其他相应的枯草研究能高效地完成枯萎牧草生物量计算。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1示出了本发明实施例提供的估算模型构建方法的流程示意图；
图2示出了本发明实施例提供的第一种数据分布图；
图3示出了本发明实施例提供的第二种数据分布图；
图4示出了本发明实施例提供的估算方法的流程示意图；
图5示出了本发明实施例提供的估算模型构建装置的结构示意图；
图6示出了本发明实施例提供的估算装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图，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。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
实施例1
参照图1，示出了本发明实施例提供的第一种估算模型构建方法的流程示意图，本发明实施例提供的估算模型构建方法包括：
S110，在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据和所述牧草样方的枯萎牧草生物量，其中，所述光谱数据包括中分辨率成像光谱仪的第三波段光谱数据和第五波段光谱数据；
也即，本发明实施例在牧草枯萎期间，将基于中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer，MODIS）定期采集牧草样方的光谱数据以在后续过程中基于光谱分析确定枯萎牧草与光谱的关系，同时，还将获取牧草样方的枯萎牧草生物量，进而在确定枯萎牧草与光谱的关系后，进而确定光谱与枯萎牧草生物量的关系。
可以理解的是，不同品种的牧草对应的枯萎期不同，进而本发明实施例中的牧草枯萎期需根据实际情况选择，如在一种可行方式中，因针对的是青藏高原高寒冬季牧草，故所述牧草枯萎期为当年8月至次年4月。
还可以理解的是，枯萎牧草生物量的获取亦需根据实际情况设置，如在本发明实施例提供的一种可行方式中，所述牧草样方包括预设数量的相同面积大小的子样方；
进而，所述S110包括：
在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据；
逐个对所述牧草样方的每个所述子样方进行牧草刈割以得到所述子样方的枯萎牧草生物量，并在每次刈割后获取所述样方的光谱数据；
对所述预设数量的子样方的牧草重量进行求和，得到所述样方的枯萎牧草生物量。
也即，本发明实施例每隔预设时间间隔，首先将在对子样方进行过牧草刈割前，获取所有子样方对应的全覆盖牧草光谱数据；接着，逐个对每个子样方进行牧草刈割以对刈割得到的牧草进行称重，从而得到子样方的牧草重量；每完成一个子样方的牧草刈割后，将采集一次样方的光谱数据。可以理解的是，在完成预设数量个子样方的牧草刈割后，将得到预设数量的牧草刈割后的光谱数据、预设数量的牧草重量以及一个全覆盖牧草光谱数据。
最后，将预设数量的牧草重量求和得到样方对应的总重，即得到样方的枯萎牧草生物量。
基于此，每隔预设时间间隔后，将得到预设数量的牧草刈割后的光谱数据和每个光谱数据对应的枯萎牧草生物量，以及全覆盖牧草光谱数据和全覆盖牧草光谱数据对应的样方的枯萎牧草生物量。
还可以理解的是，子样方的数量和对各个子样方进行牧草刈割的顺序均可根据实际需要设置，如在本发明实施例提供的一种实例中，一个完整样方的面积为50×50cm，包含25个面积为10×10cm的子样方。其中，25个子样方中处于最中间位置的子样方将被标记为第1子样方，第1子样方周围的各个子样方将以东南西北的顺序，逐个标记为第2至25子样方。基于此，本发明实施例将以按照序号从小至大的顺序，逐个对25个子样方进行牧草刈割，并进行相应的光谱数据采集。基于此种实例，共计将得到25个子样方对应的枯萎牧草生物量和光谱数据，以及一个完整样方对应的枯萎牧草生物量和全覆盖牧草光谱数据。
此外，可以理解的是，本发明实施例中的预设时间间隔可根据实际情况设置，如在一种可行方式中，当牧草枯萎期为当年8月至次年4月时，预设时间间隔为一个月，也即每个月的月末针对样方进行一次光谱数据和枯萎牧草生物量的采集。
S120，基于预设算式，计算每个所述光谱数据对应的修订枯草植被指数，其中，所述预设算式包括：
Figure P_220620165511831_831733001
式中，R-DGVI表示修订枯草植被指数，band5表示所述中分辨率成像光谱仪的第五波段光谱数据，band3表示所述中分辨率成像光谱仪的第三波段光谱数据。
需说明的是，因申请人经大量的实验验证后确定，MODIS的第5波段与第3波段为枯萎牧草的敏感波段，故本发明实施例采用MODIS的第5波段与第3波段计算枯萎期牧草在地面影像中的分布，即DGVI。
Figure P_220620165511847_847356001
进一步的，因利用DGVI计算公式和多个牧草试验场中得到的枯萎牧草生物量进行拟合后，发现DGVI和枯萎牧草生物量形成负相关关系，具体可参考图2，示出了本发明实施例提供的第一种数据分布图。图中的黑心实心矩形表示由枯萎牧草生物量和DGVI构成的数据点，斜线为y=-1604.4x+1267.3对应的直线，y表示枯萎牧草生物量，x表示DGVI，y=-1604.4x+1267.3为对多个样本的枯萎牧草生物量和DGVI进行线性回归后得到，R2=0.5627表示枯萎牧草生物量和DGVI的相关系数的平方。
更进一步的，又因在枯萎牧草生物量的估算过程中，正相关关系更符合常规的计算分析逻辑，故为对枯萎期牧草生物量进行估算，本发明实施例提出一种用于计算枯萎期牧草在地面上的分布的算式，也即：
Figure P_220620165511878_878602001
式中，R-DGVI（Revised-Dead Grass Vegetation Index）表示修订枯草植被指数，band5表示所述中分辨率成像光谱仪的第五波段光谱数据，band3表示所述中分辨率成像光谱仪的第三波段光谱数据。
S130，对每个所述光谱数据对应的修订枯草植被指数和每个所述光谱数据对应的样方的枯萎牧草生物量进行线性回归，得到枯萎牧草生物量的估算模型。
也即，本发明实施例将利用先前每隔预设时间间隔得到的修订枯萎牧草生物量和同步采集到的光谱数据对应的修订枯草植被指数进行线性回归，以拟合枯萎牧草生物量和光谱数据的映射关系，即枯萎牧草生物量的估算模型。
可选的，在本发明实施例提供的一种可行方式中，拟合得到的估算模型的具体形式，即所述估算模型包括：
Figure P_220620165511909_909888001
式中，Y表示枯萎牧草生物量，X表示修订枯草植被指数。
为更好的说明本发明实施例提供的估算模型的有效性，请参考图3，示出了本发明实施例提供的第二种数据分布图。其中，各个黑色实心矩形代表由修订枯草植被指数和枯萎牧草生物量构成的数据点，黑色斜线表示本发明实施例提供的估算模型所形成的直线。R2=0.5627表示修订枯草植被指数和枯萎牧草生物量的相关系数的值。不难发现的是，图3和图2的各个数据点分别对应相同的枯萎牧草生物量。
本发明实施例提供的估算模型构建方法中，计算机设备将在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据和牧草样方的枯萎牧草生物量；在得到多个光谱数据后，基于预设算式确定每个光谱数据对应的修订枯草植被指数；最后利用每个光谱数据对应的修订枯草植被指数和与每个光谱数据同时获取的枯萎牧草生物量进行线性回归，拟合得到修订枯草植被指数与枯萎牧草生物量的映射关系，即枯萎牧草生物量的估算模型。
基于此，本发明实施例实现了基于遥感数据确定地面枯萎牧草生物量的方法，弥补了枯草研究领域的空白；并且，因枯萎牧草生物量的估算模型的提出，使得后续其他相应的枯草研究能高效地完成枯萎牧草生物量计算。
可选的，在本发明实施例提供的一种可行方式中，所述方法还包括：
对每个所述预设时间间隔的所述样方的枯萎牧草生物量进行线性回归以拟合枯萎牧草生物量与时间的线性关系，得到生物量衰减预测模型，其中，所述生物量衰减预测模型，包括：
Figure P_220620165511925_925487001
式中，Y表示枯萎牧草生物量，x表示时间。
也即，本发明实施例间利用获取到的不同时间节点的枯萎牧草生物量，拟合时间与枯萎牧草生物量的关系，进而确定牧草枯萎期的不同时间节点下，枯萎牧草生物量的变化情况。
基于此，本发明实施例还能实现牧草枯萎期间牧草生物量的衰减描述，从而能配合前述估算模型，确定不同地区的不同时间下的牧草生物量及牧草生物量衰减情况。
实施例2
参照图4，示出了本发明实施例提供的一种估算模型构建方法的流程示意图，本发明实施例提供的估算模型构建方法包括：
S210，获取待检测区域的光谱数据，其中，所述光谱数据包括中分辨率成像光谱仪的第三波段光谱数据和第五波段光谱数据；
S220，基于预设算式，计算所述光谱数据对应的修订枯草植被指数，其中，所述预设算式包括：
Figure P_220620165511958_958676001
式中，R-DGVI表示修订枯草植被指数，band5表示所述中分辨率成像光谱仪的第五波段光谱数据，band3表示所述中分辨率成像光谱仪的第三波段光谱数据；
S230，将所述修订枯草植被指数输入至枯萎牧草生物量的估算模型中，得到所述待检测区域的枯草生物量估算结果，其中，所述估算模型通过实施例1中任一种所述的估算模型构建方法得到。
可以理解的是，在利用实施例1提供的估算模型构建方法完成估算模型的构建，以得到修订枯草植被指数与枯萎牧草生物量的关系后，即可在获取到的待检测区域的光谱数据后，利用前述修订枯草植被指数的计算公式，将光谱数据转换为对应的修订枯草植被指数，再将修订枯草植被指数输入至估算模型，从而得到待检测区域对应的枯萎牧草生物量的估计值。
本发明实施例提供的此种估算方法，使得任意地区的枯草生物量计算均可根据卫星遥感实现，从而提高枯草生物量的计算效率。并且，基于估算结果能推导不同时间节点的枯草生物量，从而能有效安排各个生态环境保护与畜牧生产的决策指挥。
进一步的，根据图3和前述估算模型可知，基于估算模型得到的估算结果虽然具备一定的准确性与适用性，然而，通过估算模型估算的结果却会表现出一定的离散性，且计算结果的线性收敛性在不同覆盖程度上并不具有一致的分布，如低覆盖草地的离散性偏大，因将导致一定误差。基于此，本发明实施例提供了一种可行方式以弥补此种误差，即所述方法还包括：
根据预设的枯草生物量等级映射表，得到所述修订枯草植被指数对应的枯草生物量的等级，其中，所述枯草生物量等级映射表包括不同修订枯草植被指数对应的枯草生物量等级。
可以理解的是，草地牧草产量在服务精度上的需求并不需要准确至某一数值，结合《天然草原等级评定技术规范》中的草原等级的划分标准与要求，本发明实施例将枯草生物量划分为5个等级，并经申请人利用前述估算模型进行大量实验验证，给出5个枯草生物量等级对应的R-DGVI区间，具体可参考表1。
表1
枯草生物量等级 枯草生物量 (kg/mu) <i>R </i>- <i>DGVI</i>
无植被 / 0.00-0.21
Grade1 0-50 0.21-0.24
Grade2 50-100 0.24-0.27
Grade3 100-200 0.27-0.33
Grade4 200-300 0.33-0.40
Grade5 >300 0.40-0.60
云雪 / >0.60
基于此，本发明实施例即可根据得到修订枯草植被指数确定对应的枯草生物量等级，从而避免了前述误差对估算结果的影响。
实施例3
与本发明实施例提供的估算模型构建方法相对应的，本发明实施例还提供一种估算模型构建装置，参照图5，示出了本发明实施例提供的估算模型构建装置的结构示意图，本发明实施例提供的估算模型构建装置300，包括：
获取模块310，用于在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据和所述牧草样方的枯萎牧草生物量，其中，所述光谱数据包括中分辨率成像光谱仪的第三波段光谱数据和第五波段光谱数据；
计算模块320，用于基于预设算式，计算每个所述光谱数据对应的修订枯草植被指数，其中，所述预设算式包括：
Figure P_220620165511989_989922001
式中，R-DGVI表示修订枯草植被指数，band5表示所述中分辨率成像光谱仪的第五波段光谱数据，band3表示所述中分辨率成像光谱仪的第三波段光谱数据；
线性回归模块330，用于对每个所述光谱数据对应的修订枯草植被指数和每个所述光谱数据对应的样方的枯萎牧草生物量进行线性回归，得到枯萎牧草生物量的估算模型。
可选的，在本发明实施例提供的一种可行方式中，所述牧草样方包括预设数量的相同面积大小的子样方；
所述，获取模块310包括：
第一光谱获取子模块，用于在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据；
第二光谱获取子模块，用于逐个对所述牧草样方的每个所述子样方进行牧草刈割以得到所述子样方的枯萎牧草生物量，并在每次刈割后获取所述样方的光谱数据；
生物量获取子模块，用于对所述预设数量的子样方的牧草重量进行求和，得到所述样方的枯萎牧草生物量。
可选的，在本发明实施例提供的一种可行方式中，所述估算模型包括：
Figure P_220620165512005_005545001
式中，Y表示枯萎牧草生物量，X表示修订枯草植被指数。
可选的，在本发明实施例提供的一种可行方式中，所述装置还包括：
衰减预测模型构建模块，用于对每个所述预设时间间隔的所述样方的枯萎牧草生物量进行线性回归以拟合枯萎牧草生物量与时间的线性关系，得到生物量衰减预测模型，其中，所述生物量衰减预测模型，包括：
Figure P_220620165512036_036805001
式中，Y表示枯萎牧草生物量，x表示时间。
本申请实施例提供的估算模型构建装置能够实现实施例1中估算模型构建方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
实施例4
与本发明实施例提供的估算方法相对应的，本发明实施例还提供一种估算装置，参照图6，示出了本发明实施例提供的估算的结构示意图，本发明实施例提供的估算装置400，包括：
光谱数据获取模块410，用于获取待检测区域的光谱数据，其中，所述光谱数据包括中分辨率成像光谱仪的第三波段光谱数据和第五波段光谱数据；
枯草植被指数计算模块420，用于基于预设算式，计算所述光谱数据对应的修订枯草植被指数，其中，所述预设算式包括：
Figure P_220620165512068_068068001
式中，R-DGVI表示修订枯草植被指数，band5表示所述中分辨率成像光谱仪的第五波段光谱数据，band3表示所述中分辨率成像光谱仪的第三波段光谱数据；
生物量估算模块430，用于将所述修订枯草植被指数输入至枯萎牧草生物量的估算模型中，得到所述待检测区域的枯草生物量估算结果，其中，所述估算模型通过实施例1中任一种所述的估算模型构建方法得到。
可选的，在本发明实施例提供的一种可行方式中，所述装置还包括：
等级获取模块，用于根据预设的枯草生物量等级映射表，得到所述修订枯草植被指数对应的枯草生物量的等级，其中，所述枯草生物量等级映射表包括不同修订枯草植被指数对应的枯草生物量等级。
本申请实施例提供的估算装置能够实现实施例2中估算方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机设备，包括存储器以及处理器，存储器存储有计算机程序，计算机程序在处理器上运行时执行如实施例1中公开的估算模型构建方法，或如实施例2中公开的估算方法。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序在处理器上运行时执行如实施例1中公开的估算模型构建方法，或如实施例2中公开的估算方法。
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，附图中的流程图和结构图显示了根据本发明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，结构图和/或流程图中的每个方框、以及结构图和/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，在本发明各个实施例中的各功能模块或单元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，也可以两个或更多个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，本发明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（可以是智能手机、个人计算机、服务器、或者网络设备等）执行本发明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（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种估算模型构建方法，其特征在于，包括：
在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据和所述牧草样方的枯萎牧草生物量，其中，所述光谱数据包括中分辨率成像光谱仪的第三波段光谱数据和第五波段光谱数据；
基于预设算式，计算每个所述光谱数据对应的修订枯草植被指数，其中，所述预设算式包括：
Figure P_220620165508415_415222001
式中，R-DGVI表示修订枯草植被指数，band5表示所述中分辨率成像光谱仪的第五波段光谱数据，band3表示所述中分辨率成像光谱仪的第三波段光谱数据；
对每个所述光谱数据对应的修订枯草植被指数和每个所述光谱数据对应的样方的枯萎牧草生物量进行线性回归，得到枯萎牧草生物量的估算模型。
2.根据权利要求1所述的估算模型构建方法，其特征在于，所述牧草样方包括预设数量的相同面积大小的子样方；
所述在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据和所述牧草样方的枯萎牧草生物量，包括：
在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据；
逐个对所述牧草样方的每个所述子样方进行牧草刈割以得到所述子样方的枯萎牧草生物量，并在每次刈割后获取所述样方的光谱数据；
对所述预设数量的子样方的牧草重量进行求和，得到所述样方的枯萎牧草生物量。
3.根据权利要求1所述的估算模型构建方法，其特征在于，所述估算模型包括：
Figure P_220620165508462_462092001
式中，Y表示枯萎牧草生物量，X表示修订枯草植被指数。
4.根据权利要求1所述的估算模型构建方法，其特征在于，所述方法还包括：
对每个所述预设时间间隔的所述样方的枯萎牧草生物量进行线性回归以拟合枯萎牧草生物量与时间的线性关系，得到生物量衰减预测模型，其中，所述生物量衰减预测模型，包括：
Figure P_220620165508493_493335001
式中，Y表示枯萎牧草生物量，x表示时间。
5.一种估算方法，其特征在于，包括：
获取待检测区域的光谱数据，其中，所述光谱数据包括中分辨率成像光谱仪的第三波段光谱数据和第五波段光谱数据；
基于预设算式，计算所述光谱数据对应的修订枯草植被指数，其中，所述预设算式包括：
Figure P_220620165508524_524584001
式中，R-DGVI表示修订枯草植被指数，band5表示所述中分辨率成像光谱仪的第五波段光谱数据，band3表示所述中分辨率成像光谱仪的第三波段光谱数据；
将所述修订枯草植被指数输入至枯萎牧草生物量的估算模型中，得到所述待检测区域的枯草生物量估算结果，其中，所述估算模型通过权利要求1-4任一项所述的估算模型构建方法得到。
6.根据权利要求5所述的估算方法，其特征在于，所述方法还包括：
根据预设的枯草生物量等级映射表，得到所述修订枯草植被指数对应的枯草生物量的等级，其中，所述枯草生物量等级映射表包括不同修订枯草植被指数对应的枯草生物量等级。
7.一种估算模型构建装置，其特征在于，包括：
获取模块，用于在牧草枯萎期间，每隔预设时间间隔获取牧草样方的光谱数据和所述牧草样方的枯萎牧草生物量，其中，所述光谱数据包括中分辨率成像光谱仪的第三波段光谱数据和第五波段光谱数据；
计算模块，用于基于预设算式，计算每个所述光谱数据对应的修订枯草植被指数，其中，所述预设算式包括：
Figure P_220620165508541_541633001
式中，R-DGVI表示修订枯草植被指数，band5表示所述中分辨率成像光谱仪的第五波段光谱数据，band3表示所述中分辨率成像光谱仪的第三波段光谱数据；
线性回归模块，用于对每个所述光谱数据对应的修订枯草植被指数和每个所述光谱数据对应的样方的枯萎牧草生物量进行线性回归，得到枯萎牧草生物量的估算模型。
8.一种估算装置，其特征在于，包括：
光谱数据获取模块，用于获取待检测区域的光谱数据，其中，所述光谱数据包括中分辨率成像光谱仪的第三波段光谱数据和第五波段光谱数据；
枯草植被指数计算模块，用于基于预设算式，计算所述光谱数据对应的修订枯草植被指数，其中，所述预设算式包括：
Figure P_220620165508573_573435001
式中，R-DGVI表示修订枯草植被指数，band5表示所述中分辨率成像光谱仪的第五波段光谱数据，band3表示所述中分辨率成像光谱仪的第三波段光谱数据；
生物量估算模块，用于将所述修订枯草植被指数输入至枯萎牧草生物量的估算模型中，得到所述待检测区域的枯草生物量估算结果，其中，所述估算模型通过权利要求1-4任一项所述的估算模型构建方法得到。
9.一种计算机设备，其特征在于，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行如权利要求1-4任一项所述的估算模型构建方法，或如权利要求5-6任一项所述的估算方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在处理器上运行时执行如权利要求1-4任一项所述的估算模型构建方法，或如权利要求5-6任一项所述的估算方法。
CN202210715346.4A 2022-06-23 2022-06-23 估算模型构建方法、估算方法、装置、计算机设备及介质 Active CN114781767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210715346.4A CN114781767B (zh) 2022-06-23 2022-06-23 估算模型构建方法、估算方法、装置、计算机设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210715346.4A CN114781767B (zh) 2022-06-23 2022-06-23 估算模型构建方法、估算方法、装置、计算机设备及介质

Publications (2)

Publication Number Publication Date
CN114781767A true CN114781767A (zh) 2022-07-22
CN114781767B CN114781767B (zh) 2022-10-28

Family

ID=82422450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210715346.4A Active CN114781767B (zh) 2022-06-23 2022-06-23 估算模型构建方法、估算方法、装置、计算机设备及介质

Country Status (1)

Country Link
CN (1) CN114781767B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862069A (zh) * 2022-07-07 2022-08-05 成都信息工程大学 预测模型构建方法、预测方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7068816B1 (en) * 2002-01-15 2006-06-27 Digitalglobe, Inc. Method for using remotely sensed data to provide agricultural information
CN102393238A (zh) * 2011-08-01 2012-03-28 高吉喜 一种草地地上干物质量遥感估测方法
CN106092915A (zh) * 2016-05-31 2016-11-09 太原理工大学 一种草地绿色植物与枯萎植物重量比例遥感估算方法
CN107145728A (zh) * 2017-04-27 2017-09-08 太原理工大学 一种荒漠草原非生长季枯草重量遥感估算方法
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
CN113252583A (zh) * 2021-06-25 2021-08-13 成都信息工程大学 一种基于枯草植被指数计算高寒枯草覆盖度的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7068816B1 (en) * 2002-01-15 2006-06-27 Digitalglobe, Inc. Method for using remotely sensed data to provide agricultural information
CN102393238A (zh) * 2011-08-01 2012-03-28 高吉喜 一种草地地上干物质量遥感估测方法
CN106092915A (zh) * 2016-05-31 2016-11-09 太原理工大学 一种草地绿色植物与枯萎植物重量比例遥感估算方法
CN107145728A (zh) * 2017-04-27 2017-09-08 太原理工大学 一种荒漠草原非生长季枯草重量遥感估算方法
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
CN113252583A (zh) * 2021-06-25 2021-08-13 成都信息工程大学 一种基于枯草植被指数计算高寒枯草覆盖度的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
安海波等: "基于优化光谱指数的牧草生物量估算", 《光谱学与光谱分析》 *
杨淑霞 等: "基于MODIS逐日地表反射率数据的青南地区草地生长状况遥感监测研究", 《草业学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862069A (zh) * 2022-07-07 2022-08-05 成都信息工程大学 预测模型构建方法、预测方法、装置、设备及介质

Also Published As

Publication number Publication date
CN114781767B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
Kastens et al. Image masking for crop yield forecasting using AVHRR NDVI time series imagery
Bai et al. Jujube yield prediction method combining Landsat 8 Vegetation Index and the phenological length
Gallou et al. Elevational gradient and human effects on butterfly species richness in the French Alps
Bretas et al. Prediction of aboveground biomass and dry‐matter content in Brachiaria pastures by combining meteorological data and satellite imagery
CN114781767B (zh) 估算模型构建方法、估算方法、装置、计算机设备及介质
Yamusa et al. Rainfall variability and crop production in the North-western semi-arid zone of Nigeria
Abidoye et al. Structural Ricardian analysis of south-east Asian agriculture
Di Stefano et al. Diet selection by the swamp wallaby (Wallabia bicolor): feeding strategies under conditions of changed food availability
CN109752487A (zh) 冬小麦叶片氮素含量预估方法及装置
CN117371529B (zh) 作物表型数据知识图谱生成方法、装置、电子设备及介质
Farbo et al. Preliminary concerns about agronomic interpretation of NDVI Time Series from Sentinel-2 data: phenology and thermal efficiency of winter wheat in Piemonte (NW Italy)
CN116482041B (zh) 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统
CN111579565B (zh) 农业干旱监测方法、系统及存储介质
CN116070742A (zh) 用于预测作物产量的方法、装置、存储介质及处理器
Kogan Global Warming Crop Yield and Food Security
CN115496999A (zh) 田间立地秸秆产量估计方法及装置
Gerling et al. The impact of climate change on the profit-maximising timing of grassland use and conservation costs
Warner et al. Agricultural impacts of the 2015/2016 drought in Ethiopia using high-resolution data fusion methodologies
Linna et al. Intelligent data service for farmers
Morganti et al. Post-fledging habitat selection of a Purple Heron Ardea purpurea revealed by GPS/GSM telemetry.
CN111721711A (zh) 耕地变化检测方法、装置、电子设备和存储介质
Zhang et al. Potential benefits of variable rate nitrogen topdressing strategy coupled with zoning technique: A case study in a town-scale rice production system
CN117575836B (zh) 农作物生长适宜性评价方法、装置、电子设备和存储介质
CN113255592B (zh) 枯草光谱识别方法及系统
Du et al. Growth Monitoring of Weak Gluten Wheat Using Visible and Multispectral UAV Imagery

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