CN114782829A - 产量预估模型的构建方法及系统、产量预估方法及系统 - Google Patents
产量预估模型的构建方法及系统、产量预估方法及系统 Download PDFInfo
- Publication number
- CN114782829A CN114782829A CN202210710052.2A CN202210710052A CN114782829A CN 114782829 A CN114782829 A CN 114782829A CN 202210710052 A CN202210710052 A CN 202210710052A CN 114782829 A CN114782829 A CN 114782829A
- Authority
- CN
- China
- Prior art keywords
- yield
- remote sensing
- sample
- growth period
- target growth
- 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 56
- 238000005070 sampling Methods 0.000 claims abstract description 74
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 239000002028 Biomass Substances 0.000 claims description 84
- 238000010276 construction Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 235000013311 vegetables Nutrition 0.000 claims description 7
- 235000013305 food Nutrition 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 description 66
- 238000012549 training Methods 0.000 description 29
- 238000012795 verification Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 9
- 241000209094 Oryza Species 0.000 description 8
- 235000007164 Oryza sativa Nutrition 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000001035 drying Methods 0.000 description 7
- 235000009566 rice Nutrition 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000011497 Univariate linear regression Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种产量预估模型的构建方法及系统、产量预估方法及系统，其中构建方法包括：基于所述样本特征数据和所述样本产量构建产量预估模型，其中，获取样本特征数据的方法包括以下步骤：获取所述植株采样区在对应目标生育期下的遥感影像；获取各遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像；对各校正影像进行遥感特征提取，获得相应的样本特征数据。本发明基于太阳天顶角和观测角度对原始的遥感影像进行校正，基于校正影像进行特征提取，使所得遥感特征具有多角度多时相的特点，基于该遥感特征进行产量预估，能够有效提高预估精度。
Description
技术领域
本发明涉及作物的产量预测领域，尤其涉及一种基于航空遥感或无人机遥感的产量预估模型的构建方法及系统、产量预估方法及系统。
背景技术
精确的作物产量信息对于农民田间管理具有深刻的指导意义。
现今对于具有明显生育期变化的作物的估产往往基于遥感技术进行估产，具体方案为，根据收集目标作物不同生育期的遥感影像并生成相应的正射影像，对所得正射影像进行特征提取，获得相应的遥感特征，基于所提取的遥感特征进行产量预估。
发明内容
本发明针对现有技术中基于正射影像提取遥感特征，未充分利用所采集的遥感影像的缺点，提供了一种产量预估模型的构建方法及系统，以及基于该产量预估模型所实现的产量预估方法及系统。
为了解决上述技术问题，本发明通过下述技术方案得以解决：
一种产量预估模型的构建方法，包括以下步骤：
确定植株采样区并配置目标生育期；
本领域技术人员可以根据实际需要，自行设定需要进行关注的生育期，即，目标生育期；
获取所述植株采样区在各个目标生育期所对应的遥感特征，获得与所述目标生育期相对应的样本特征数据，并获取所述植株采样区的作物产量，获得样本产量；
本发明所述的产量为经济产量；
基于所述样本特征数据和所述样本产量构建产量预估模型；
针对待测区域和目标作物，如存在历史数据时，将所述待测区域作为植株采样区，基于所述历史数据确定样本特征数据；如不存在历史数据时，则于所述待测区域中选择若干个区域块作为植株采样区，采集当前植株采样区在各个目标生育期所对应的遥感影像，并对所述遥感影像进行特征提取，获得相应的样本特征数据；
历史数据包括目标作物的历史产量，以及待测区域中，目标作物在各个目标生育期所对应历史遥感影像。
其中，获取样本特征数据的方法包括以下步骤：
获取所述植株采样区在对应目标生育期下的遥感影像；
获取各遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像；
对各校正影像进行遥感特征提取，获得相应的样本特征数据。
在遥感领域中，采集的遥感影像将被直接生成对应区域的正射影像，后续基于所述正射影像进行研究分析，不对原始拥有航向和旁向重叠度的影像进行深入研究，此方案造成了一定的影像资源浪费，且在产量预估场景下，忽视了各遥感图像所包含的遥感特征；
本发明基于太阳天顶角和观测角度对原始的遥感影像进行校正，基于校正影像进行特征提取，对应目标生育期下的遥感特征具有多角度多时相的特点，基于该遥感特征进行产量预估，预估结果与实际产量更贴合。
作为一种可实施方式：
所述产量预估模型包括生物量预测模型和产量预测模型；
获取所述植株采样区在各个目标生育期所对应的样本生物量；
基于所述样本特征数据和所述样本生物量构建所述生物量预测模型；
基于所述样本生物量和所述样本产量构建所述产量预测模型。
在实际使用过程中，所述生物量预测模型的输入为待测区域在各个目标生育期所对应的遥感特征数据，输出为各目标生育期的预估生物量，所述产量预测模型的输入为各预估生物量，输出为相应的预估产量；
遥感特征与生物量和植被长势的关系更密切，且生物量与作物的经济产量关系密切，故本发明采用生物量作为中间量，间接预测目标作物的产量，此方案比直接基于遥感特征进行产量预估的方案更为精准。
进一步地：
所述生物量预测模型包括若干个反演模型，所述反演模型与所述目标生育期一一对应。
即，基于各目标生育期所对应的遥感特征和样本生物量，构建与目标生育期一一对应的反演模型；
在实际使用中，基于目标生育期选择对应的反演模型，将待测区域在所述目标生育期所对应的遥感特征输入所述反演模型，由所述反演模型输出待测区域在所述目标生育期的预估生物量。
进一步地：
所述产量预测模型为单时相回归模型或多时相回归模型。
所述单时相回归模型包括与目标生育期一一对应的一元回归模型；
即，基于目标生育期，构建样本生物量与样本产量的一元回归模型，在实际使用过程中，待测区域在所述目标生育期所对应的预估生物量输入所述一元回归模型，由所述一元回归模型输出相应的预估产量；
在当前年度，可基于成熟期所对应的一元回归模型进行产量预估，在后续年度，可基于各一元回归模型于各目标生育期进行产量预估，以预测作物的生长趋势。
所述多时相回归模型为一个或多个多元回归模型；
当多时相回归模型为一个多元回归模型时，所述多元回归模型为N元回归模型，N为目标生育期的数量；
当多时相回归模型包括多个多元回归模型时，所述多元回归模型为n元回归模型，其中2≤n≤N，且n为正整数。
作为一种可实施方式：
遥感特征包括遥感指数、纹理特征和波段指数。
所述遥感指数包括但不限于归一化植被指数（NDVI）、归一化水体指数（NDWI）和温度植被干旱指数（TVDI）；
所述纹理特征包括但不限于灰度共生矩阵（GLCM）、灰度差向量矩阵（GLOM）、和Gabor变换；
所述波段指数包括但不限于强度、亮度和贡献度。
作为一种可实施方式，获取遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像的具体步骤为：
获取所述遥感影像所对应的传感器信息、采集时间信息、区域位置信息和海拔信息，例如采用无人机采集遥感影像时，传感器信息指无人机搭载的成像传感器的参数数据，；
基于所述采集时间信息、所述区域位置信息和所述海拔信息计算获得相应的太阳天顶角；
基于所述传感器信息、所述区域位置信息和所述海拔信息计算获得相应的观测角度；
所述太阳天顶角和所述观测角度对所述遥感影像进行校正，校正公式为：
其中，IMG old 为遥感影像，IMG new 为相应的校正影像，α为相对应的观测角度，θ为相对应的太阳天顶角。
一种产量预估模型的构建系统，包括：
配置模块，用于确定植株采样区并配置目标生育期；
数据获取模块，用于获取所述植株采样区在各个目标生育期所对应的遥感特征，获得与所述目标生育期相对应的样本特征数据，并获取所述植株采样区的作物产量，获得样本产量；
模型构建模块，用于基于所述样本特征数据和所述样本产量构建产量预估模型；
所述数据获取模块包括特征提取单元和产量获取单元；
所述特征提取单元包括：
影像提取子单元，用于获取所述植株采样区在相应目标生育期下的遥感影像；
影像校正子单元，用于获取各遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像；
特征提取子单元，用于对各校正影像进行特征提取，获得所述植株采样区在相应目标生育期下的遥感特征。
作为一种可实施方式：
所述数据获取模块还包括生物量获取单元，所述生物量获取单元用于获取所述植株采样区在各个目标生育期所对应的样本生物量；
所述产量预估模型包括生物量预测模型和产量预测模型，所述模型构建模块，包括：
反演模块，用于基于所述样本特征数据和所述样本生物量构建所述生物量预测模型；
回归映射模块，用于基于所述样本生物量和所述样本产量构建所述产量预测模型。
一种产量预估方法，用于预测大田粮食作物和蔬菜的产量，包括以下步骤：
基于待测区域和目标生育期，获取相应的遥感特征数据，所述遥感特征数据包括所述待测区域在对应目标生育期下的遥感特征；
将所述遥感特征数据输入产量预估模型，由所述产量预估模型输出相应的预估产量；
所述产量预估模型为上述任意一项所述的构建方法所构建的产量预估模型；
其中，获取所述待测区域在对应目标生育期下的遥感特征的方法包括以下步骤：
获取所述待测区域在对应目标生育期下的遥感影像；
获取各遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像；
对各校正影像进行特征提取，获得相应的遥感特征。
一种产量预估系统，用于预测大田粮食作物和蔬菜的产量，包括：
预处理模块，用于基于待测区域和目标生育期，获取相应的遥感特征数据，所述遥感特征数据包括所述待测区域在对应目标生育期下的遥感特征；
预估模块，用于将所述遥感特征输入产量预估模型，由所述产量预估模型输出相应的预估产量，所述产量预估模型为上述任意一项所述的构建方法所构建的产量预估模型；
所述预处理模块包括：
获取单元，获取所述待测区域在对应目标生育期下的遥感影像；
校正单元，获取各遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像；
提取单元，对各校正影像进行遥感特征提取，获得所述待测区域在对应目标生育期下的遥感特征。
本发明由于采用了以上技术方案，具有显著的技术效果：
本发明基于太阳天顶角和观测角度对原始的遥感影像进行校正，基于校正影像进行特征提取，目标生育期和待测区域所对应的遥感特征具有多角度多时相的特点，基于该遥感特征进行模型构建，使所得的产量预估模型更为准确。
本发明中将生物量作为中间量，通过生物量预测模型和产量预测模型的设计，进一步提高产量预估的精准性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，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。
图1是样本特征数据的获取流程示意图；
图2是本发明一种产量预估模型的构建系统的模块连接示意图；
图3是本发明一种产量预估方法的工作流程示意图；
图4是本发明一种产量预估系统的模块连接示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1、一种产量预估模型的构建方法，基于植株采样区所对应的作物产量和所述植株采样区在各个目标生育期所对应的遥感特征，建立遥感特征与作物产量的回归模型；
具体包括以下步骤：
S100、确定植株采样区并配置目标生育期；
S110、植株采样区的选取；
本领域技术人员可根据实际情况，自行设定植株采样区的选取规则和选取数量，为减少采样对整个待测区域的破坏，本实施例于待测区域中，按照“X”的样式选取多个区域块作为植株采样区，基于各植株采样区，于当年利用无人机采集的遥感影像进行遥感特征的提取和产量预估模型的构建。
注，还可基于现有航空遥感技术实现遥感影像的采集。
S120、目标生育期的确定；
本领域技术人员可根据实际要进行产量预测的目标作物，自行设置需要进行关注的生育期；
目标作物为地面部分具有明显生育期变化的作物，例如大田粮食作物（水稻、小麦及玉米等）和蔬菜；
本实施例中目标作物为水稻，所确定的目标生育期为拔节孕穗期、抽穗开花期和灌浆结实期。
S200、获取所述植株采样区在各个目标生育期所对应的遥感特征，获得与所述目标生育期相对应的样本特征数据，并获取所述植株采样区的作物产量，获得样本产量；
S210、样本特征数据的获取；
每个植株采样区均具有与目标生育期一一对应的样本特征数据，且各样本特征数据的获取方式均相同，故以下仅对单个植株采样区在单个目标生育期下的样本特征数据的获取方式进行详细介绍；
参照图1，具体获取步骤包括：
S211、获取所述植株采样区在对应目标生育期下的遥感影像；
本领域技术人员可根据实际需要自行设置遥感影像采集方案；
本实施例中，采用无人机搭载多光谱遥感器，并配置航向重叠重叠率为80%，旁向重叠率70%，地面分辨率高于0.05m×0.05m，选择天气晴朗的日期，于早上9点至下午3点之间采集待测区域的原始影像，获得相应的原始影像集；
基于植株采样区的位置信息，以及目标生育期所对应时间信息，从所得原始影像集中，提取所述植株采样区在对应目标生育期下的原始影像。
本领域技术人员可直接将所提取的所述原始影像作为遥感影像，还可对所述原始影像进行预处理后，将处理后的图像作为遥感影像；
由于传感器系统误差等原因，所获取的原始影像存在一定的几何畸变与定位误差，故本实施例中，基于原始影像所对应的传感器信息和区域位置信息，以及预设的几何控制点的坐标信息，对所述原始影像进行正射校正和几何精校正后，以获得相应的遥感影像；
注：
本领域技术人员可预先根据实际需要，于待测区域周边设置几何控制点，并记录几何控制点的坐标；
正射校正和几何精校正为本领域常规技术手段，故不在本说明书中对其进行详细介绍。
S212、获取各遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像；
具体包括以下步骤：
①、获取所述遥感影像所对应的传感器信息、采集时间信息、区域位置信息和海拔信息；
所述传感器信息为无人机搭载的成像传感器（即，多光谱遥感器）的相关参数；
所述区域位置信息包括待测区域的中心经纬度，以及各植株采样区的中心经纬度；
所述海拔信息包括待测区域的海拔位置数据，以及各植株采样区的海拔位置数据。
②、基于所述采集时间信息、所述区域位置信息和所述海拔信息计算获得相应的太阳天顶角；
具体为，基于采集时间信息、待测区域的中心经纬度和待测区域的海拔位置数据，采用现有已公开的太阳天顶角算法计算获得相应的太阳天顶角。
③、基于所述传感器信息、所述区域位置信息和所述海拔信息计算获得相应的观测角度；
具体为，基于传感器信息、对应植株采样区的中心经纬度和海拔位置数据，采用现有已公开的观测角度算法计算获得相应的太阳天顶角。
④、所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得校正图像；
校正公式为：
其中，IMG old 为遥感影像，IMG new 为相应的校正影像，α为相对应的观测角度，θ为相对应的太阳天顶角。
S213、对各校正影像进行遥感特征提取，获得相应的样本特征数据。
即，同一植株采样区、同一生育期所对应的校正图像（遥感图像），具有不同角度和不同时相，本实施通过对其进行各校正图像进行特征提取，使得所提取的遥感特征更丰富全面，能够提高所构建的产量预估模型的预估精度。
本实施例中，所提取的遥感特征包括但不限于遥感指数、纹理特征和波段指数。
所述遥感指数包括但不限于归一化植被指数（NDVI）、归一化水体指数（NDWI）和温度植被干旱指数（TVDI）；
所述纹理特征包括但不限于灰度共生矩阵（GLCM）、灰度差向量矩阵（GLOM）、和Gabor变换，本领域技术人员可根据实际需要选择灰度共生矩阵（GLCM）和灰度差向量矩阵（GLOM）所使用的统计量，包括但不限于均值、方差和对比度；Gabor变换为现有已公开的先切块，后计算对应块能量的频率域计算方法。
所述波段指数包括但不限于强度、亮度和贡献度，所述强度为HIS彩色空间的亮度，所述亮度为所有波段的光谱平均值，所述贡献率为波段光谱值与所有波段光谱值之和的比值。
S220、样本产量的获取：
在成熟区，对各植株采样区中的水稻植株进行采样；
将采样的植株脱粒后称重，得相应的水稻采样产量；
基于所得水稻采样产量，以面积为单位换算获得所在植株采样区的作物产量，获得相应的样本产量。
S300、基于所述样本特征数据和所述样本产量构建产量预估模型；
所述产量预估模型为单时相回归模型或多时相回归模型；
本实施例中，产量预估模型的构建步骤包括：
S311、样本划分：
基于植株采样区，对样本特征数据和样本产量按照8：2的比例分为训练样本与验证样本；
S312、基于训练样本构建与目标生育期一一对应的一元回归模型，获得单时相模型；
将训练样本中的样本特征数据按照目标生育期分组，获得与目标生育期相对应的训练特征组；
基于训练特征组和样本产量构建与目标生育组相对应的一元回归模型，获得相应的单时相回归模型，例如基于；
一元回归模型的输入是对应目标生育期的样本特征数据，输出是预估产量；
S313、将目标生育期划分为多个生长阶段，基于训练样本构建与所述生长阶段一一对应的多元回归模型，获得多时相回归模型；
各生长阶段互不相同，且各目标阶段包括至少两个生长生育期；
本实施例中基于目标生育期，划分获得第一生长阶段和第二生长阶段，第一生长阶段包括拔节孕穗期和抽穗开花期，第二生长阶段包括拔节孕穗期、抽穗开花期和灌浆结实期。
构建目标生长阶段所对应的多时相回归模型的步骤为：
将训练样本中的样本特征数据按照目标生育期分组，获得与目标生育期相对应的训练特征组；
汇总目标生长阶段所对应的各目标生育期的样本特征数据，获得汇总特征数据；
基于所述汇总特征数据和训练样本中的样本产量构建多元回归模型，获得相应目标生长阶段所对应的多时相回归模型；
多元回归模型的输入是对应目标生长阶段的汇总特征数据，输出是预估产量。
S314、基于验证样本进行精度检验：
基于验证样本对所构建的单时相回归模型、多时相回归模型进行验证，基于所得验证结果确定产量预估模型；
本实施例中验证指标为均方根误差RMSE，本领域技术人员可根据实际需要自行选择验证指标，无需对其进行详细限定。
以水稻为例，水稻冠层的多角度反射信息与水稻的长势和产量有着密切的关系，本实施例所设计的校正影像包含多角度反射信息，本实施例对各校正影像进行特征提取，获得具有不同角度的遥感特征，从而构建遥感特征与作物产量的产量预估模型，能够有效提高该产量预估模型的预估精度。
本实施例适用于无历史数据的情况下，对当年作物的产量预估，亦可在后续年度，基于待测区域中目标作物的遥感特征进行产量预估。
实施例2、于实施例1中增加生物量的测量，并基于样本特征数据、生物量和样本产量构建产量预估模型，其余均等同于实施例1；
本实施例中，于实施例1的步骤S200中增加获取植株采样区在各个目标生育期所对应的样本生物量的步骤，具体为：
步骤S230、获取样本生物量；
在植株采样区内采用破坏性采样方法采集陆上植株，获得植株样本；
记录所述植株采样区中作物植株的植株总数；
测量所采集的植株样本的烘干前重量和烘干后重量，基于烘干前重量和烘干后重量确定干物质重量，其中烘干后重量为，使用恒温烘干法，利用烘箱，将植株样本彻底烘干后利用天平所测定的重量；
基于所述干物质重量和所述植株总数计算所在植株采样区的总体干物质含量，获得对应植株采样区的样本生物量。
本实施例中，将实施例1中步骤S300更改为基于样本特征数据、样本生物量和样本产量构建产量预估模型；
本实施例中产量预估模型包括生物量预测模型和产量预测模型；
具体包括以下步骤：
S320、基于所述样本特征数据和所述样本生物量构建所述生物量预测模型；
构建步骤为：
S321、准备第一训练数据；
第一训练数据包括第一训练样本和第一验证样本；
本实施例中，基于植株采样区，随机选择80%的植株采样区作为第一训练样本区域，将剩余20%的植株采样区作为第一验证样本区域；
将第一训练样本区域所对应的样本特征数据和样本生物量作为第一训练样本，将第一验证样本区域所对应的样本特征数据和样本生物量作为第一验证样本。
S322、利用第一训练数据构建生物量预测模型；
所述生物量预测模型包括若干个反演模型，所述反演模型与所述目标生育期一一对应。
构建目标生育期所对应的反演模型的具体步骤为：
基于目标生育期，从所述第一训练样本中提取相应的样本遥感数据和样本生物量，构建若干个遥感特征反演生物量的多元模型，所述多元模型的数量与第一训练样本区域的数量相同；
所述多元模型如下所示：
M=f(p
1
,p
2
,p
3
,…,p
k
)；
其中，M表示目标生育期下植株采样区所对应的样本生物量，p表示目标生育期下植株采样区所对应的遥感特征，k为遥感特征类别的总数。
基于目标生育期，从所述第一验证样本中提取相应的样本遥感数据和样本生物量，对所构建的各多元模型进行验证，获得相应的验证精度；
基于所述验证精度从各多元模型提取所述目标生育期的反演模型。
本实施例中，在构建多元模型后，即利用第一验证样本对其进行验证，获得相应的验证精度，并将所得验证精度与预设的验证精度阈值进行比较，当验证精度与预设的验证精度阈值相匹配时，则将该多元模型作为反演模型。
S330、基于所述样本生物量和所述样本产量构建所述产量预测模型。
所述产量预测模型为单时相回归模型或多时相回归模型。
构建步骤为：
S331、准备第二训练数据；
第二训练数据包括第二训练样本和第二验证样本；
本实施例中，基于植株采样区，随机选择80%的植株采样区作为第二训练样本区域，将剩余20%的植株采样区作为第二验证样本区域；
将第二训练样本区域所对应的样本生物量和样本产量作为第二训练样本，将第二验证样本区域所对应的样本生物量和样本产量作为第二验证样本。
S332、利用第二训练样本构建单时相回归模型；
基于目标生育期，从所述第二训练样本中提取相应的样本生物量和样本产量，构建若干个一元回归模型
所述第i个目标生育期所对应的一元回归模型为：
Pro=μ(M(T
i
))；
其中，Pro表示对应植株采样区的样本产量，T i 表示第i个目标生育期，共有N个生育期，M(T i )表示所述植株采样区第i个目标生育期所对应的样本生物量，μ为权重系数。
上述一元回归模型的输入是对应目标生育期的预估生物量，输出是预估产量；
S333、利用第二训练数据构建多时相回归模型；
可将目标生育期划分为多个生长阶段，基于第二训练样本构建与所述生长阶段一一对应的多元回归模型，获得多时相回归模型，还可基于所有目标生育期构建一个多元回归模型；
本实施例对利用基于第二训练样本，基于所有目标生育期构建一个多元回归模型作为多时相回归模型的方案进行详细介绍：
多元回归模型为：
Pro=μ(M(T
1
),M(T
2
),M(T
3
),…,M(T
n
))
其中，Pro表示对应植株采样区的样本产量，T n 表示第n个目标生育期，n=N，N表示目标生育期的总数，M(T n )表示所述植株采样区第n个目标生育期所对应的样本生物量，μ为权重系数。
上述多元回归模型的输入是所有目标生育期所对应的预估生物量，输出是预估产量；
S334、利用第二验证数据进行模型验证；
基于验证样本对所构建的单时相回归模型、多时相回归模型进行验证，基于所得验证结果确定产量预估模型；
本实施例中验证指标为均方根误差RMSE，本领域技术人员可根据实际需要自行选择验证指标，无需对其进行详细限定。
遥感特征与生物量和植被长势的关系更密切，且生物量与作物的经济产量关系密切，本实施例中采用生物量作为中间量，通过生物量预测模型和产量预测模型的设计，进一步提高产量预估的精准性。
实施例3、一种产量预估模型的构建系统，如图2所示，包括：
配置模块100，用于确定植株采样区并配置目标生育期；
数据获取模块200，用于获取所述植株采样区在各个目标生育期所对应的遥感特征，获得与所述目标生育期相对应的样本特征数据，并获取所述植株采样区的作物产量，获得样本产量；
模型构建模块300，用于基于所述样本特征数据和所述样本产量构建产量预估模型；
所述数据获取模块200包括特征提取单元和产量获取单元；
所述特征提取单元包括：
影像提取子单元，用于获取所述植株采样区在相应目标生育期下的遥感影像；
影像校正子单元，用于获取各遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像；
特征提取子单元，用于对各校正影像进行特征提取，获得所述植株采样区在相应目标生育期下的遥感特征。
进一步地：
所述数据获取模块200还包括生物量获取单元，所述生物量获取单元用于获取所述植株采样区在各个目标生育期所对应的样本生物量；
所述产量预估模型包括生物量预测模型和产量预测模型，所述模型构建模块300，包括：
反演模块，用于基于所述样本特征数据和所述样本生物量构建所述生物量预测模型；
回归映射模块，用于基于所述样本生物量和所述样本产量构建所述产量预测模型。
本实施例为方法实施例1与方法实施例2所对应的装置实施例，由于其与对应方法实施例基本相似，所以描述的比较简单，相关之处参见对应方法实施例的部分说明即可。
实施例4、一种产量预估方法，用于预测大田粮食作物或蔬菜的产量，包括以下步骤：
基于待测区域和目标生育期，获取相应的遥感特征数据，所述遥感特征数据包括所述待测区域在对应目标生育期下的遥感特征；
将所述遥感特征数据输入产量预估模型，由所述产量预估模型输出相应的预估产量；
本领域技术人员可根据实际需要自行设定遥感特征数据，例如所采用的产量预估模型是灌浆结实期所对应的单时相回归模型时，则提取待测区域于灌浆结实期下的遥感特征作为遥感特征数据，所采用的产量预估模型是包含所有目标生育期的多时相回归模型时，则提取待测区域于所有目标生育期下的遥感特征作为遥感特征数据。
所述产量预估模型为实施例1或2所述的构建方法所构建的产量预估模型。
其中，获取所述待测区域在对应目标生育期下的遥感特征的方法包括以下步骤：
获取所述待测区域在对应目标生育期下的遥感影像；
获取各遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像；
对各校正影像进行特征提取，获得相应的遥感特征。
即，将待测区域代替实施例1中植株采样区，按照实施例1中S210所述的步骤进行遥感特征提取。
进一步地：
如图3所示，产量预估模型包括生物量预测模型和产量预测模型，将所述遥感特征数据输入产量预估模型，由所述产量预估模型输出相应的预估产量的具体步骤为：
将所述遥感特征数据输入生物量预测模型，由生物量预测模型输出对应目标生育期的预估生物量；
将所得预估生物量输入所述产量预测模型，由所述产量预测模型输出相应的预估产量。
所述生物量预测模型包括与目标生育期一一对应的反演模型；
在实际使用过程中，将遥感特征数据按照目标生育期进行分组，获得生育期特征数据；
基于目标生育期，将所述生育期特征数据输入至相应的反演模型，由反演模型输出所述目标生育期下待测区域所对应的预估生物量。
实施例5、一种产量预估系统，用于预测大田粮食作物和蔬菜的产量，如图4所示，包括：
预处理模块10，用于基于待测区域和目标生育期，获取相应的遥感特征数据，所述遥感特征数据包括所述待测区域在对应目标生育期下的遥感特征；
预估模块20，用于将所述遥感特征输入产量预估模型，由所述产量预估模型输出相应的预估产量，所述产量预估模型为上述任意一项所述的构建方法所构建的产量预估模型；
所述预处理模块10包括：
获取单元11，获取所述待测区域在对应目标生育期下的遥感影像；
校正单元12，获取各遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像；
提取单元13，对各校正影像进行遥感特征提取，获得所述待测区域在对应目标生育期下的遥感特征。
进一步地：
所述预估模块20包括：
生物量预估单元21，用于将所述遥感特征数据输入生物量预测模型，由生物量预测模型输出对应目标生育期的预估生物量；
产量预估单元22，用于将所得预估生物量输入所述产量预测模型，由所述产量预测模型输出相应的预估产量。
本实施例为方法实施例4所对应的装置实施例而言，由于其与对应方法实施例基本相似，所以描述的比较简单，相关之处参见对应方法实施例的部分说明即可。
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。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是：
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (10)
1.一种产量预估模型的构建方法，其特征在于包括以下步骤：
确定植株采样区并配置目标生育期；
获取所述植株采样区在各个目标生育期所对应的遥感特征，获得与所述目标生育期相对应的样本特征数据，并获取所述植株采样区的作物产量，获得样本产量；
基于所述样本特征数据和所述样本产量构建产量预估模型；
其中，获取样本特征数据的方法包括以下步骤：
获取所述植株采样区在对应目标生育期下的遥感影像；
获取各遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像；
对各校正影像进行遥感特征提取，获得相应的样本特征数据。
2.根据权利要求1所述的产量预估模型的构建方法，其特征在于：
所述产量预估模型包括生物量预测模型和产量预测模型；
获取所述植株采样区在各个目标生育期所对应的样本生物量；
基于所述样本特征数据和所述样本生物量构建所述生物量预测模型；
基于所述样本生物量和所述样本产量构建所述产量预测模型。
3.根据权利要求2所述的产量预估模型的构建方法，其特征在于：
所述生物量预测模型包括若干个反演模型，所述反演模型与所述目标生育期一一对应。
4.根据权利要求2所述的产量预估模型的构建方法，其特征在于：
所述产量预测模型为单时相回归模型或多时相回归模型。
5.根据权利要求1至4任一所述的产量预估模型的构建方法，其特征在于：
遥感特征包括遥感指数、纹理特征和波段指数。
6.根据权利要求1至4任一所述的产量预估模型的构建方法，其特征在于，获取遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像的具体步骤为：
获取所述遥感影像所对应的传感器信息、采集时间信息、区域位置信息和海拔信息；
基于所述采集时间信息、所述区域位置信息和所述海拔信息计算获得相应的太阳天顶角；
基于所述传感器信息、所述区域位置信息和所述海拔信息计算获得相应的观测角度；
所述太阳天顶角和所述观测角度对所述遥感影像进行校正，校正公式为：
其中，IMG old 为遥感影像，IMG new 为相应的校正影像，α为相对应的观测角度，θ为相对应的太阳天顶角。
7.一种产量预估模型的构建系统，其特征在于，包括：
配置模块，用于确定植株采样区并配置目标生育期；
数据获取模块，用于获取所述植株采样区在各个目标生育期所对应的遥感特征，获得与所述目标生育期相对应的样本特征数据，并获取所述植株采样区的作物产量，获得样本产量；
模型构建模块，用于基于所述样本特征数据和所述样本产量构建产量预估模型；
所述数据获取模块包括特征提取单元和产量获取单元；
所述特征提取单元包括：
影像提取子单元，用于获取所述植株采样区在相应目标生育期下的遥感影像；
影像校正子单元，用于获取各遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像；
特征提取子单元，用于对各校正影像进行特征提取，获得所述植株采样区在相应目标生育期下的遥感特征。
8.根据权利要求7所述的产量预估模型的构建系统，其特征在于：
所述数据获取模块还包括生物量获取单元，所述生物量获取单元用于获取所述植株采样区在各个目标生育期所对应的样本生物量；
所述产量预估模型包括生物量预测模型和产量预测模型，所述模型构建模块，包括：
反演模块，用于基于所述样本特征数据和所述样本生物量构建所述生物量预测模型；
回归映射模块，用于基于所述样本生物量和所述样本产量构建所述产量预测模型。
9.一种产量预估方法，用于预测大田粮食作物或蔬菜的产量，其特征在于，包括以下步骤：
基于待测区域和目标生育期，获取相应的遥感特征数据，所述遥感特征数据包括所述待测区域在对应目标生育期下的遥感特征；
将所述遥感特征数据输入产量预估模型，由所述产量预估模型输出相应的预估产量；
所述产量预估模型为权利要求1至6任意一项所述的构建方法所构建的产量预估模型；
其中，获取所述待测区域在对应目标生育期下的遥感特征的方法包括以下步骤：
获取所述待测区域在对应目标生育期下的遥感影像；
获取各遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像；
对各校正影像进行特征提取，获得相应的遥感特征。
10.一种产量预估系统，用于预测大田粮食作物或蔬菜的产量，其特征在于，包括：
预处理模块，用于基于待测区域和目标生育期，获取相应的遥感特征数据，所述遥感特征数据包括所述待测区域在对应目标生育期下的遥感特征；
预估模块，用于将所述遥感特征输入产量预估模型，由所述产量预估模型输出相应的预估产量，所述产量预估模型为权利要求1至6任意一项所述的构建方法所构建的产量预估模型；
所述预处理模块包括：
获取单元，用于获取所述待测区域在对应目标生育期下的遥感影像；
校正单元，用于获取各遥感影像所对应太阳天顶角和观测角度，并基于所述太阳天顶角和所述观测角度对所述遥感影像进行校正，获得相应的校正影像；
提取单元，用于对各校正影像进行特征提取，获得所述待测区域在对应目标生育期下的遥感特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210710052.2A CN114782829A (zh) | 2022-06-22 | 2022-06-22 | 产量预估模型的构建方法及系统、产量预估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210710052.2A CN114782829A (zh) | 2022-06-22 | 2022-06-22 | 产量预估模型的构建方法及系统、产量预估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114782829A true CN114782829A (zh) | 2022-07-22 |
Family
ID=82422347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210710052.2A Pending CN114782829A (zh) | 2022-06-22 | 2022-06-22 | 产量预估模型的构建方法及系统、产量预估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114782829A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102162850A (zh) * | 2010-04-12 | 2011-08-24 | 江苏省农业科学院 | 基于模型的小麦产量遥感监测预报方法 |
| 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 |
| CN110132223A (zh) * | 2019-04-29 | 2019-08-16 | 中国科学院遥感与数字地球研究所 | 一种图像地形辐射校正方法及装置 |
| CN110428107A (zh) * | 2019-08-06 | 2019-11-08 | 吉林大学 | 一种玉米产量遥感预测方法及系统 |
| CN110907364A (zh) * | 2019-11-26 | 2020-03-24 | 中国科学院空间应用工程与技术中心 | 基于星历参数的光学遥感影像大气校正方法及装置 |
| CN113008834A (zh) * | 2021-02-09 | 2021-06-22 | 中国农业大学 | 基于遥感影像的地表反射率校正方法及装置 |
| CN113033262A (zh) * | 2019-12-25 | 2021-06-25 | 中移(成都)信息通信科技有限公司 | 模型训练方法和农作物产量预估方法 |
| CN113378747A (zh) * | 2021-06-22 | 2021-09-10 | 中国科学院空天信息创新研究院 | 一种小麦条锈病遥感预测方法及装置 |
| CN114120132A (zh) * | 2021-12-02 | 2022-03-01 | 二十一世纪空间技术应用股份有限公司 | 一种气象和红边波段遥感结合的农作物估产方法和装置 |
-
2022
- 2022-06-22 CN CN202210710052.2A patent/CN114782829A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102162850A (zh) * | 2010-04-12 | 2011-08-24 | 江苏省农业科学院 | 基于模型的小麦产量遥感监测预报方法 |
| 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 |
| CN110132223A (zh) * | 2019-04-29 | 2019-08-16 | 中国科学院遥感与数字地球研究所 | 一种图像地形辐射校正方法及装置 |
| CN110428107A (zh) * | 2019-08-06 | 2019-11-08 | 吉林大学 | 一种玉米产量遥感预测方法及系统 |
| CN110907364A (zh) * | 2019-11-26 | 2020-03-24 | 中国科学院空间应用工程与技术中心 | 基于星历参数的光学遥感影像大气校正方法及装置 |
| CN113033262A (zh) * | 2019-12-25 | 2021-06-25 | 中移(成都)信息通信科技有限公司 | 模型训练方法和农作物产量预估方法 |
| CN113008834A (zh) * | 2021-02-09 | 2021-06-22 | 中国农业大学 | 基于遥感影像的地表反射率校正方法及装置 |
| CN113378747A (zh) * | 2021-06-22 | 2021-09-10 | 中国科学院空天信息创新研究院 | 一种小麦条锈病遥感预测方法及装置 |
| CN114120132A (zh) * | 2021-12-02 | 2022-03-01 | 二十一世纪空间技术应用股份有限公司 | 一种气象和红边波段遥感结合的农作物估产方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 赵银娣编著: "《遥感数字图像处理教程 IDL编程实现》", 31 December 2015, 北京：测绘出版社 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pôças et al. | Remote sensing for estimating and mapping single and basal crop coefficientes: A review on spectral vegetation indices approaches | |
| Hlatshwayo et al. | Mapping forest aboveground biomass in the reforested Buffelsdraai landfill site using texture combinations computed from SPOT-6 pan-sharpened imagery | |
| JP6285875B2 (ja) | 植物成長分析システム、及び植物成長分析方法 | |
| CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
| CN112001374B (zh) | 一种高光谱影像的云检测方法和装置 | |
| CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
| Rodrigues et al. | Monitoring vegetation dynamics inferred by satellite data using the PhenoSat tool | |
| CN111126662A (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
| CN115761486B (zh) | 一种基于多期稻田影像特征的水稻种植区判定方法和系统 | |
| CN114120132A (zh) | 一种气象和红边波段遥感结合的农作物估产方法和装置 | |
| JP2020140347A (ja) | 作物管理システム及び作物管理方法 | |
| CN107437262B (zh) | 作物种植面积预警方法和系统 | |
| CN111783538B (zh) | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 | |
| CN113378747A (zh) | 一种小麦条锈病遥感预测方法及装置 | |
| CN112304902A (zh) | 一种农作物物候的实时监测方法和装置 | |
| CN112446397A (zh) | 基于遥感和随机森林的产草量估算方法、装置及存储介质 | |
| CN113743819A (zh) | 农作物估产的方法、装置、电子设备及存储介质 | |
| CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| CN117372903A (zh) | 一种利用无人机方向性纹理获取水稻agb的方法 | |
| CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
| CN114782829A (zh) | 产量预估模型的构建方法及系统、产量预估方法及系统 | |
| CN116379935A (zh) | 基于多光谱影像的岛礁浅海水深预测方法、装置以及设备 | |
| US20240177478A1 (en) | Information processing device, information processing method, and program | |
| CN115541032A (zh) | 基于无人机热红外遥感影像的烟株温度提取方法 | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220722 |