CN114782835B - 作物倒伏面积比例检测方法及装置 - Google Patents
作物倒伏面积比例检测方法及装置 Download PDFInfo
- Publication number
- CN114782835B CN114782835B CN202210482156.2A CN202210482156A CN114782835B CN 114782835 B CN114782835 B CN 114782835B CN 202210482156 A CN202210482156 A CN 202210482156A CN 114782835 B CN114782835 B CN 114782835B
- Authority
- CN
- China
- Prior art keywords
- grid
- lodging
- features
- lodging area
- area proportion
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000003595 spectral effect Effects 0.000 claims abstract description 35
- 238000012417 linear regression Methods 0.000 claims description 38
- 230000035945 sensitivity Effects 0.000 claims description 37
- 238000007637 random forest analysis Methods 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000013213 extrapolation Methods 0.000 abstract description 8
- 238000004445 quantitative analysis Methods 0.000 abstract description 6
- 210000004027 cell Anatomy 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 229930002875 chlorophyll Natural products 0.000 description 3
- 235000019804 chlorophyll Nutrition 0.000 description 3
- 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 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012106 screening analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- WPPDXAHGCGPUPK-UHFFFAOYSA-N red 2 Chemical compound C1=CC=CC=C1C(C1=CC=CC=C11)=C(C=2C=3C4=CC=C5C6=CC=C7C8=C(C=9C=CC=CC=9)C9=CC=CC=C9C(C=9C=CC=CC=9)=C8C8=CC=C(C6=C87)C(C=35)=CC=2)C4=C1C1=CC=CC=C1 WPPDXAHGCGPUPK-UHFFFAOYSA-N 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种作物倒伏面积比例检测方法及装置，该方法包括：获取作业区内作物的卫星遥感影像；将卫星遥感影像输入至倒伏面积比例检测模型中，得到倒伏面积比例检测模型输出的倒伏面积比例检测结果；倒伏面积比例检测模型为从样本遥感影像中提取光谱特征和植被指数特征，基于光谱特征和植被指数特征，确定目标尺度格网单元，基于目标尺度格网单元确定敏感特征，基于敏感特征以及敏感特征对应的倒伏面积比例样本数据进行训练得到的。本发明提供的作物倒伏面积比例检测方法及装置，样能够实现对作物倒伏面积的定量分析，扩大了应用范围，实现了大范围区域的空间外推，提高了检测精度，能够满足大范围倒伏作物的监测需求。
Description
技术领域
本发明涉及遥感技术领域，尤其涉及一种作物倒伏面积比例检测方法及装置。
背景技术
获取农作物受灾信息对于指导农业种植和田间管理具有重要的实践意义。由台风、暴雨或者冰雹等极端天气引发的作物倒伏是一种常见且危害较大的农业灾害现象。遥感技术和计算机技术的发展为作物倒伏情况监测提供了丰富的数据源，能够降低作物倒伏调查所需要的人力、物力和时间资源。然而，由于不同种植区作物生长存在空间异质性，极易导致倒伏作物与未倒伏作物之间的光谱特征及后向散射特征混合，使得监测精度较低。
目前利用遥感数据进行的倒伏遥感监测工作，主要集中在获取倒伏与未倒伏作物空间分布结果以及获取作物倒伏程度空间分布结果。这些信息仅能提供倒伏重点区域及其分布的定性参考，无法进行量化分析，限制了应用范围和价值，且仅限于小范围区域，其空间外推能力无法验证，无法满足大范围倒伏作物监测的需求。
发明内容
本发明提供一种作物倒伏面积比例检测方法及装置，用以解决现有技术中仅能提供倒伏重点区域及其分布的定性参考，无法进行量化分析，限制了应用范围和价值，且仅限于小范围区域，其空间外推能力无法验证，无法满足大范围倒伏作物监测的需求的缺陷，实现对作物倒伏面积的定量分析，扩大了应用范围，实现了大范围区域的空间外推，提高了检测精度，能够满足大范围倒伏作物的监测需求。
本发明提供一种作物倒伏面积比例检测方法，该作物倒伏面积比例检测方法包括：获取作业区内作物的卫星遥感影像；将所述卫星遥感影像输入至倒伏面积比例检测模型中，得到所述倒伏面积比例检测模型输出的倒伏面积比例检测结果；所述倒伏面积比例检测模型为从样本遥感影像中提取光谱特征和植被指数特征，基于所述光谱特征和所述植被指数特征，确定目标尺度格网单元，基于所述目标尺度格网单元确定敏感特征，基于所述敏感特征以及所述敏感特征对应的倒伏面积比例样本数据进行训练得到的。
根据本发明提供的作物倒伏面积比例检测方法，所述倒伏面积比例检测模型的训练过程包括：基于所述光谱特征和所述植被指数特征，确定特征集合；将所述特征集合分别集聚至不同尺度的格网单元中，确定所述样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，并基于所述样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，确定不同尺度的格网单元的敏感系数，并基于所述敏感系数，从不同尺度的格网单元中确定所述目标尺度格网单元；基于所述目标尺度格网单元，从所述特征集合中确定敏感特征；基于所述敏感特征，以及所述敏感特征对应的倒伏面积比例样本数据，对初始随机森林模型进行有监督训练，得到所述倒伏面积比例检测模型。
根据本发明提供的作物倒伏面积比例检测方法，所述将所述特征集合分别集聚至不同尺度的格网单元中，确定所述样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，并基于所述样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，确定不同尺度的格网单元的敏感系数，并基于所述敏感系数，从不同尺度的格网单元中确定所述目标尺度格网单元，包括：对所述特征集合进行邻域空间内的像元值集聚，得到新统计值，将所述特征集合的原始像素值替换为所述新统计值；依次遍历所述特征集合中每一子特征，将所述特征集合内所有子特征集聚至不同尺度的格网单元中；对不同尺度的格网单元中的子特征进行矢量化，得到矢量数据；基于所述矢量数据与所述样本遥感影像中的倒伏面积进行叠置分析，确定每一格网单元内部的倒伏面积比例；将格网面积不等于内部像素面积的格网单元进行删除，得到多个备选尺度格网单元的特征集合以及对应的所述倒伏面积比例；基于多个备选尺度格网单元的特征集合以及对应的所述倒伏面积比例，确定不同尺度的格网单元对于所述倒伏面积比例的所述敏感系数；从多个备选尺度格网单元选取所述敏感系数最高的作为所述目标尺度格网单元。
根据本发明提供的作物倒伏面积比例检测方法，所述将所述特征集合分别集聚至不同尺度的格网单元中，包括：在所述特征集合上设定一个正方形的滑动格网，所述滑动格网沿着像素边缘移动，确定所述滑动格网内覆盖的所有像素值的平均值，以所述平均值替代原始像素值；以不重复覆盖的方式，将所述滑动格网在所述特征集合上按照从左至右，从上至下的顺序，依次遍历所述特征集合中每一子特征，生成集聚后的特征集合；其中，所述依次遍历所述特征集合中每一子特征，生成集聚后的特征集合，包括：当所述滑动格网所覆盖的像元面积小于格网面积时，所述滑动格网自动向子特征内部依次移动一个像素单位，直至所述像元面积等于所述格网面积，统计移动后所述滑动格网内覆盖的所有像素值的平均值，以所述平均值替代原始像素值，生成集聚后的特征集合。
根据本发明提供的作物倒伏面积比例检测方法，所述基于所述样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，确定不同尺度的格网单元的敏感系数，包括：基于不同尺度的格网单元的特征集合以及对应的倒伏面积比例，确定所述特征集合中的每一子特征与所述倒伏面积比例的相关系数，计算同一尺度的格网单元中所述子特征的所述相关系数的平均值；将不同尺度的格网单元的特征集合按照所述样本遥感影像中的倒伏面积进行划分，计算每一尺度的格网单元中特征集合的VMR值；基于所述子特征的所述相关系数的平均值和所述特征集合的VMR值，确定不同尺度的格网单元对于所述倒伏面积比例的所述敏感系数；所述基于所述敏感系数，从不同尺度的格网单元中确定所述目标尺度格网单元，包括：当所述子特征最低的所述相关系数的平均值与所述特征集合最高的VMR值出现于同一尺度的格网单元，将对应尺度的格网单元作为所述目标尺度格网单元；或者，当所述子特征的所述相关系数的平均值与所述特征集合的VMR值出现于不同尺度的格网单元，则在所述子特征的所述相关系数的平均值大于相关系数阈值的格网单元中，将所述特征集合的VMR值最低的格网单元作为所述目标尺度格网单元。
根据本发明提供的作物倒伏面积比例检测方法，所述基于所述目标尺度格网单元，从所述特征集合中确定敏感特征，包括：迭代进行以下步骤：将所述特征集合输入至线性回归模型中，所述线性回归模型的模型参数选择最大似然估计中所述线性回归模型的似然函数最大值所对应的参数；基于后退法，依次剔除所述线性回归模型中最无显著性差异的特征，确定所述线性回归模型的AIC值；直至所述线性回归模型的AIC值达到最低水平；确定所述AIC值最低的所述线性回归模型中的子特征作为所述敏感特征。
根据本发明提供的作物倒伏面积比例检测方法，所述基于所述敏感特征，以及所述敏感特征对应的倒伏面积比例样本数据，对初始随机森林模型进行有监督训练，得到所述倒伏面积比例检测模型，包括：通过Bagging重采样方法，随机有放回地从所述敏感特征中生成多个自助样本集，将每一所述自助样本集输入所述初始随机森林模型中的每棵回归树；在所述初始随机森林模型的每个切分点的所有子特征中，随机抽取小于子特征总数的子特征进行生长，基于切分后所有子节点的不纯度加权和对各个切分点进行评分，确定最优的生长节点；对于每棵所述回归树均从上向下进行生长，不断调节所述初始随机森林模型的过程参数，直到模型精度大于精度阈值，得到所述倒伏面积比例检测模型。
本发明还提供一种作物倒伏面积比例检测装置，该作物倒伏面积比例检测装置包括：获取模块，用于获取作业区内作物的卫星遥感影像；输出模块，用于将所述卫星遥感影像输入至倒伏面积比例检测模型中，得到所述倒伏面积比例检测模型输出的倒伏面积比例检测结果；所述倒伏面积比例检测模型为从样本遥感影像中提取光谱特征和植被指数特征，基于所述光谱特征和所述植被指数特征，确定目标尺度格网单元，基于所述目标尺度格网单元确定敏感特征，基于所述敏感特征以及所述敏感特征对应的倒伏面积比例样本数据进行训练得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述作物倒伏面积比例检测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述作物倒伏面积比例检测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述作物倒伏面积比例检测方法。
本发明提供的作物倒伏面积比例检测方法及装置，利用合适尺度的格网单元来从样本遥感图像中提取出敏感特征，对机器学习模型训练得到倒伏面积比例检测模型，利用倒伏面积比例检测模型输出倒伏面积比例检测结果，这样能够实现对作物倒伏面积的定量分析，扩大了应用范围，实现了大范围区域的空间外推，提高了检测精度，能够满足大范围倒伏作物的监测需求。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的作物倒伏面积比例检测方法的流程示意图；
图2是本发明提供的作物倒伏面积比例检测方法的空间集聚方法的原理示意图；
图3是本发明提供的作物倒伏面积比例检测装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
下面结合图1-图4描述本发明的作物倒伏面积比例检测方法及装置。
如图1所示，本发明提供一种作物倒伏面积比例检测方法，该作物倒伏面积比例检测方法包括如下步骤110至步骤120。
步骤110、获取作业区内作物的卫星遥感影像。
可以理解的是，卫星遥感影像可以是人造卫星基于遥感技术拍摄到的作业区内作物的图像，卫星遥感影像可以包括：Google Earth影像和高分一号PMS影像或者Sentinel-2(哨兵2号)卫星影像。
其中，Google Earth影像主要包括卫星图像以及航空图像，其最高空间分辨率可达0.5m，对应视角高度为350m。高分一号PMS影像包含2m空间分辨率的全色波段，以及8m空间分辨率的多光谱波段，其中多光谱波段包含蓝、绿、红和近红外。针对高分一号PMS影像的全色和多光谱波段的预处理过程主要包括：正射校正、辐射定标、大气校正、全色和多光谱波段融合和几何校正。
Sentinel-2卫星是哥白尼计划(GMES)中的地球观测卫星，由两颗极轨卫星A星和B星组成，双星组合后重访周期可达5天。该卫星可覆盖可见光、近红外、红边和短波红外等十三个波段。Sentinel-2(哨兵2号)卫星影像经过了正射校正、辐射定标、大气校正和几何校正等预处理。
步骤120、将卫星遥感影像输入至倒伏面积比例检测模型中，得到倒伏面积比例检测模型输出的倒伏面积比例检测结果。
可以理解的是，倒伏面积比例检测模型可以为机器学习模型，将卫星遥感图像作为倒伏面积比例检测模型的输入，倒伏面积比例检测模型能够输出倒伏面积比例检测结果，倒伏面积比例检测结果可以为空间分布图，也就是在作业区作物地理分布图上标注处对应区域的倒伏面积百分比。
倒伏面积比例检测模型为从样本遥感影像中提取光谱特征和植被指数特征，基于光谱特征和植被指数特征，确定目标尺度格网单元，基于目标尺度格网单元确定敏感特征，基于敏感特征以及敏感特征对应的倒伏面积比例样本数据进行训练得到的。
可以理解的是，倒伏面积比例检测模型可以是通过有监督学习的方式进行训练而成的，训练样本数据集可以包括多个样本遥感影像以及样本遥感影像所对应的倒伏面积比例样本数据，样本遥感影像作为样本，倒伏面积比例样本数据作为样本标签，通过大量的样本，可以训练出检测精度高的倒伏面积比例检测模型。
具体而言，可以从样本遥感影像中提取光谱特征和植被指数特征，光谱特征也可以被称为光谱反射率特征，光谱反射率特征可以包括10个对于植被形态和生理特征敏感的波段：蓝、绿、红、红边1、红边2、红边3、近红外、窄近红外、短波红外1和短波红外2，这些波段可以均被重采样至10m空间分辨率。
植被指数特征可以包括：归一化植被指数(Normalized Difference WaterIndex，NDVI)、复归一化差值植被指数(Reformed Difference Vegetation Index，RDVI)、广义差值植被指数(Generalized Difference Vegetation Index，GDVI)、增强植被指数(Enhanced Vegetation Index，EVI)、红边叶绿素指数(RedEdge Chlorophyll Index，CIrededge)、有效叶面积指数(Specific Leaf Area Vegetation Index，SLAVI)和红边线性插值植被指数(Red-Edge Position Linear Interpolation，REP)。
具体地，在本实施例中，NDVI能够有效反映植被结构和生理变化，被广泛用于作物的长势监测，但应用于植被覆盖度较高的情形易发生过饱和，其计算公式如下：
EVI能够有效抑制大气微粒和气溶胶等影响，增强植被信息，不易发生过饱和，其计算公式如下：
RDVI是基于NDVI改进的植被指数，能够在一定程度上消除土壤背景和太阳高度角变化对于植被反射率的贡献，其计算公式如下：
GDVI在低植被覆盖度的情况下对植被具有较高的敏感性，因而广泛应用于旱地作物的长势监测，其计算公式如下：
GDVI＝NIR-Green；
CIrededge和REP均能够表征植被的叶绿素含量变化，其计算公式如下：
SLAVI对于植被的比叶面积十分敏感，因此能够表征植被冠层结构的变化，其计算公式如下：
其中，Blue、Green、Red和NIR分别是Sentinel-2影像中的蓝、绿、红和近红外波段，RE1、RE2和SWIR2分别是红边1、红边2和短波红外2波段。
可以基于光谱特征和植被指数特征，确定目标尺度格网单元，目标尺度格网单元为一定尺度的网格状窗口组成的测量单元，目标尺度可以为10m×10m、20m×20m、30m×30m、40m×40m、50m×50m、60m×60m、70m×70m、80m×80m、90m×90m或者100m×100m，此处目标尺度格网单元是用于呈现光谱特征和植被指数特征的最佳尺度，此处不具体限定如何根据光谱特征和植被指数特征确定目标尺度格网单元，本领域技术人员可以根据实际情况选择合适的方法确定。
在确定了目标尺度格网单元之后，可以基于目标尺度格网单元确定敏感特征，敏感特征也就是与倒伏面积比例关系最密切的特征，通过敏感特征可以较为准确地预测出倒伏面积比例，在得到了敏感特征之后，就可以根据大量的敏感特征以及敏感特征对应的倒伏面积比例样本数据来对机器学习模型进行训练，得到倒伏面积比例检测模型。
其中，敏感特征来自于样本遥感图像，而每个样本遥感图像均有与之相对应的倒伏面积比例样本数据作为标签，因此从样本遥感图像中提取出来的敏感特征也就具有与之对应的倒伏面积比例样本数据。
本发明提供的作物倒伏面积比例检测方法，利用合适尺度的格网单元来从样本遥感图像中提取出敏感特征，对机器学习模型训练得到倒伏面积比例检测模型，利用倒伏面积比例检测模型输出倒伏面积比例检测结果，这样能够实现对作物倒伏面积的定量分析，扩大了应用范围，实现了大范围区域的空间外推，提高了检测精度，能够满足大范围倒伏作物的监测需求。
在一些实施例中，倒伏面积比例检测模型的训练过程包括：基于光谱特征和植被指数特征，确定特征集合；将特征集合分别集聚至不同尺度的格网单元中，确定样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，并基于样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，确定不同尺度的格网单元的敏感系数，并基于敏感系数，从不同尺度的格网单元中确定目标尺度格网单元；基于目标尺度格网单元，从特征集合中确定敏感特征；基于敏感特征，以及敏感特征对应的倒伏面积比例样本数据，对初始随机森林模型进行有监督训练，得到倒伏面积比例检测模型。
可以理解的是，可以通过高空间分辨率遥感影像及后验知识建立典型的倒伏样本数据集，倒伏样本数据集可以包括多个样本遥感影像，可以在作物发生倒伏现象后，采集Sentinel-2遥感影像，得到样本遥感影像，基于样本遥感影像提取作业区倒伏作物的光谱特征以及植被指数特征，构建特征集合。
可以获取所述高空间分辨率遥感影像中作物倒伏后至收获前的Google Earth影像和高分一号PMS影像，在对高分一号PMS影像进行预处理后，联合Google Earth影像，按照空间分布均匀的原则，建立倒伏样本数据集，倒伏样本数据集可以包括训练样本数据集与验证样本数据集。其中，训练样本数据集可以来自于作业区内某一个地区，验证样本数据集可以来自于作业区内的其他五个地区。
具体地，在倒伏样本数据集建立过程中，与倒伏面积比例检测模型的应用过程相对应，高空间分辨率遥感影像可以采用Google Earth影像和高分一号PMS影像，可以采用Sentinel-2卫星影像来构建特征。换言之，可以利用Google Earth影像和高分一号PMS影像，结合后验知识标记倒伏作物边界，建立倒伏样本数据集。同时，基于Sentinel-2卫星影像提取并计算倒伏样本数据集中多个样本遥感影像的光谱特征和植被指数特征，可以基于光谱特征和植被指数特征，进行叠加组合构建特征集合，然后使用作业区的作物空间分布数据对特征集合进行掩膜处理。
可以利用空间集聚方法，将特征集合集聚至不同尺度的格网单元中，统计不同尺度的格网单元下样本地块的倒伏面积比例，根据倒伏面积比例对不同尺度的格网单元的敏感性确定最优尺度的格网单元，也就是目标尺度格网单元。
可以筛选获得目标尺度格网单元下特征集合的倒伏面积比例估算所依赖的敏感特征，具体地，可以将特征集合中的每一子集利用AIC-Logistic筛选方法依次剔除Logistic模型中显著性水平较高的特征，直至Logistic模型的aic值达到最低，由此将aic值最低时Logistic模型所包含的变量作为敏感特征，本实施例并不限制如何根据目标尺度格网单元筛选出敏感特征的具体方案，本领域技术人员可以根据可行的方法完成对敏感特征的确定过程。
在确定了目标尺度格网单元之后，可以基于目标尺度格网单元确定敏感特征，敏感特征也就是与倒伏面积比例关系最密切的特征，通过敏感特征可以较为准确地预测出倒伏面积比例，在得到了敏感特征之后，就可以根据大量的敏感特征以及敏感特征对应的倒伏面积比例样本数据来对机器学习模型进行训练，得到倒伏面积比例检测模型。可以利用同一区域内倒伏样本训练生成倒伏面积比例检测模型，基于该模型估测其他区域农田地块的倒伏面积比例，并评价倒伏面积比例检测模型的外推能力。利用训练好的倒伏面积比例检测模型，估测整个作业区农田地块的倒伏面积比例。
本实施例通过空间集聚方法，建立倒伏作物实体与单一像素值间的对应关系，解决了目前倒伏面积比例估测结果随机性强和可解释性差的问题，同时空间集聚通过提取像素内部的主要信息来抑制光谱噪声干扰，进一步提高倒伏面积比例估测结果的精度。
在一些实施例中，将特征集合分别集聚至不同尺度的格网单元中，确定样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，并基于样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，确定不同尺度的格网单元的敏感系数，并基于敏感系数，从不同尺度的格网单元中确定目标尺度格网单元，包括：对特征集合进行邻域空间内的像元值集聚，得到新统计值，将特征集合的原始像素值替换为新统计值；依次遍历特征集合中每一子特征，将特征集合内所有子特征集聚至不同尺度的格网单元中；对不同尺度的格网单元中的子特征进行矢量化，得到矢量数据；基于矢量数据与样本遥感影像中的倒伏面积进行叠置分析，确定每一格网单元内部的倒伏面积比例；将格网面积不等于内部像素面积的格网单元进行删除，得到多个备选尺度格网单元的特征集合以及对应的倒伏面积比例；基于多个备选尺度格网单元的特征集合以及对应的倒伏面积比例，确定不同尺度的格网单元对于倒伏面积比例的敏感系数；从多个备选尺度格网单元选取敏感系数最高的作为目标尺度格网单元。
可以理解的是，可以基于空间集聚方法，生成不同尺度的滑动格网，每一尺度的滑动格网均以不重复覆盖且空间衔接的方式从左至右、由上至下遍历特征集合中每一子特征的像素值，位于滑动格网内部的所有像素的平均值被统计并由其替换所有像素的初始值。按照上述操作，依次在每一尺度下执行空间集聚操作。
通过空间集聚的方法将特征集合中的每一子集集聚至不同滑动格网。具体地，不同滑动格网的生成流程如下：设定一个参考的规则尺度的格网单元，例如10m×10m，再以10m为步长在其长度和宽度方向同时扩充10m，依次执行上述操作，直至单一尺度的格网单元达到100m×100m时停止。对集聚生成的栅格格网进行矢量化，通过叠置分析统计每一格网内，倒伏与未倒伏作物的比例。最后结合倒伏面积比例与集聚后像素值间的敏感性确定最优格网单元，也就是目标尺度格网单元。
其中，格网单元的尺度可以包括：10m×10m，20m×20m，30m×30m，40m×40m，50m×50m，60m×60m，70m×70m，80m×80m，90m×90m，100m×100m。
进一步地，将集聚后不同尺度的格网单元的特征集合进行矢量化，得到矢量数据，将矢量数据与样本遥感影像中的倒伏面积进行叠置分析。可以在某一尺度的格网单元下，统计矢量化单一格网内倒伏与未倒伏像素所占的面积，将倒伏像素面积与单位格网面积作比，获取该矢量化格网内部的倒伏面积比例；剔除矢量化单一格网内部倒伏与未倒伏像素面积之和小于单位格网面积的格网。按照上述操作统计所有尺度的格网单元下的倒伏面积比例。
进一步地，统计不同尺度的格网单元下各特征集合中所有子特征与倒伏百分比的敏感系数，从多个备选尺度格网单元选取敏感系数最高的作为目标尺度格网单元。
在一些实施例中，将特征集合分别集聚至不同尺度的格网单元中，包括：在特征集合上设定一个正方形的滑动格网，滑动格网沿着像素边缘移动，确定滑动格网内覆盖的所有像素值的平均值，以平均值替代原始像素值；以不重复覆盖的方式，将滑动格网在特征集合上按照从左至右，从上至下的顺序，依次遍历特征集合中每一子特征，生成集聚后的特征集合；其中，依次遍历特征集合中每一子特征，生成集聚后的特征集合，包括：当滑动格网所覆盖的像元面积小于格网面积时，滑动格网自动向子特征内部依次移动一个像素单位，直至像元面积等于格网面积，统计移动后滑动格网内覆盖的所有像素值的平均值，以平均值替代原始像素值，生成集聚后的特征集合。
可以理解的是，空间集聚方法的基本计算过程可见图2，该图描述了一个20m×20m的滑动格网在某一原始子特征上计算生成新特征的过程示例，为了便于理解所有格网内的数值均为假设值。
在长度和宽度各为w个像素的滑动格网上建立一个以(1,1)为原点，以x和y为横纵坐标，用于描述子特征像元空间位置的平面直角坐标系。同样地，预先在集聚后的特征子集上建立一个以(1,1)为原点，以i和j为横纵坐标的平面直角坐标系。将滑动格网按照从左至右，由上到下的顺序，不重复地遍历、统计其内部所有像素a(x,y)的平均值PM(i,j)，并替换原像素值：
基于上述操作，可得到集聚后的特征子集Mk：
按照上述计算方式，依次对特征集合中所有子特征进行空间集聚，最终生成在特定尺度的格网单元下的特征集合MC：
MC＝[M1,M2,M3,…,Mk]；
其中，(x,y)是在滑动格网中任意一像素的坐标，a(x,y)是滑动格网内坐标(x,y)所对应的像素值。在集聚后的特征集合上同样建立了一个以(1,1)为原点的平面直角坐标系，(i,j)代表集聚后的特征集合中同一子特征内任一像素的坐标，PM(i,j)代表集聚后的子特征中坐标(i,j)所对应的像素值。W是指格网的边长，通过像元数量表示。根据上述方法可以将特征集合集聚至不同尺度的格网单元。
在一些实施例中，基于样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，确定不同尺度的格网单元的敏感系数，包括：基于不同尺度的格网单元的特征集合以及对应的倒伏面积比例，确定特征集合中的每一子特征与倒伏面积比例的相关系数，计算同一尺度的格网单元中子特征的相关系数的平均值；将不同尺度的格网单元的特征集合按照样本遥感影像中的倒伏面积进行划分，计算每一尺度的格网单元中特征集合的VMR值；基于子特征的相关系数的平均值和特征集合的VMR值，确定不同尺度的格网单元对于倒伏面积比例的敏感系数。
可以理解的是，统计不同尺度的格网单元下各特征集合中所有子特征与倒伏面积比例的平均相关系数，包括：计算训练样本数据集中所有格网单元的子特征值与倒伏百分比间的皮尔逊相关系数和显著性差异水平，统计所有子特征的相关系数平均值，按照上述操作统计所有尺度的格网单元的相关系数。
其中，按照不同倒伏百分比水平计算所有子特征的VMR的平均值，包括：基于训练样本集，以0％的倒伏面积比例为基准，以10％为步长生成不同倒伏面积比例水平，计算每一倒伏面积比例水平下所有子特征的平均VMR值。基于所有子特征的平均VMR值，计算所有倒伏面积比例水平的平均VMR值，按照上述操作统计所有尺度的格网单元的VMR值。
对不同尺度的格网单元下的特征集合中的每一子特征的像素值PM(i,j)与对应空间位置(i,j)的倒伏面积比例LP(i,j)进行关联，同时计算每一子特征的平均值倒伏面积比例的平均值/>据此推导出特征集合中每一子特征与倒伏面积比例的相关性rk：
对每一特征集合内的f个子特征的相关性求平均值rmean：
其中，PM(i,j)代表集聚后的子特征中坐标(i,j)所对应的像素值，代表第k个子特征的平均值。LP(i,j)则代表坐标(i,j)所对应的倒伏面积比例，/>代表倒伏面积比例的平均值。rk代表第k个子特征与倒伏面积比例的相关系数。
针对每一特征集合，在计算VMR之前，先以10％的倒伏比例为步长，将训练样本数据集划分成t个组，统计每一组内所有子特征的像素总数n，对n个像素值ai进行求和后，计算其平均值以及方差S2 g，由此推导出VMRg：
然后，对所有组的VMRg求平均值VMRmean：
其中，ai代表任一像素的数值，n代表同一倒伏面积比例的组内所有子特征的像素数量，t为训练集样本的倒伏面积比例被划分的组的数量，和S2 g分别代表第g个组的平均值和方差，VMRg则代表第g个组的方差与平均值的比值，VMRmean为所有组VMRg的平均值。
基于敏感系数，从不同尺度的格网单元中确定目标尺度格网单元，包括：当子特征最低的相关系数的平均值与特征集合最高的VMR值出现于同一尺度的格网单元，将对应尺度的格网单元作为目标尺度格网单元；或者，当子特征的相关系数的平均值与特征集合的VMR值出现于不同尺度的格网单元，则在子特征的相关系数的平均值大于相关系数阈值的格网单元中，将特征集合的VMR值最低的格网单元作为目标尺度格网单元。
可以理解的是，本实施例对于rmean结合VMRmean确定目标尺度格网单元的准则如下：当最低的rmean和最高的VMRmean同时出现于同一尺度的格网单元内，该尺度的格网单元可被认为最优；当最低的rmean和最高的VMRmean出现于不同尺度的格网单元内，则选择拥有较高rmean和较低VMRmean的格网单元为最优，具体可以设定相关系数阈值，在子特征的相关系数的平均值大于相关系数阈值的格网单元中，将特征集合的VMR值最低的格网单元作为目标尺度格网单元。
在一些实施例中，基于目标尺度格网单元，从特征集合中确定敏感特征，包括：迭代进行以下步骤：将特征集合输入至线性回归模型中，线性回归模型的模型参数选择最大似然估计中线性回归模型的似然函数最大值所对应的参数；基于后退法，依次剔除线性回归模型中最无显著性差异的特征，确定线性回归模型的AIC值；直至线性回归模型的AIC值达到最低水平；确定AIC值最低的线性回归模型中的子特征作为敏感特征。
可以理解的是，线性回归模型可以为Logsitic回归分析模型。可以提取目标尺度格网单元下各子特征的特征值，以及每一特征值所对应的倒伏面积比例，基于上述数据构建自变量与因变量相互对应的筛选分析数据集。
将赤池信息准则(Akaike information criterion，AIC)嵌入线性回归模型中，将AIC值作为线性回归模型性能的衡量指标，进而实现特征筛选。可以将筛选分析数据集输入至线性回归模型中，得到倒伏面积比例估算所依赖的敏感特征。
具体地，根据目标尺度格网单元下特征集合的多维组织结构，将每个二维子特征按照既定顺序转换为一维，那么同一空间位置所对应的所有子特征值的集合可表示为(M(i,1),M(i,2),…,M(i,k))，同时在该空间位置上对应着唯一的倒伏百分比值yi。
首先将线性回归模型的参数(β0,β1,…,βk)初始化，然后将筛选分析数据集输入线性回归模型中：
进一步地，采用最大似然法推导线性回归模型的参数，得到线性回归模型的似然函数L(β0,β1,…,βk)为：
本发明选择似然函数L(β0，β1，…，βk)的最大值所对应的参数作为线性回归模型的最优参数，并由此计算线性回归模型的AIC值：
其中，M(i,k)代表第k个子特征中的第i个像素，yi为其像素值所对应的倒伏面积比例。βk为线性回归模型的参数。k代表子特征数量。表示似然函数L最大值时所对应的线性回归模型的参数。
需要说明的是，AIC值越低，线性回归模型的拟合结果越好，因此本实施例通过AIC值对线性回归模型进行评价，并根据每一子特征在线性回归模型中的显著性水平，依次地剔除不显著的子特征直至线性回归模型的AIC值达到最低。将此时的线性回归模型所包含的子特征作为敏感特征。
在一些实施例中，基于敏感特征，以及敏感特征对应的倒伏面积比例样本数据，对初始随机森林模型进行有监督训练，得到倒伏面积比例检测模型，包括：通过Bagging重采样方法，随机有放回地从敏感特征中生成多个自助样本集，将每一自助样本集输入初始随机森林模型中的每棵回归树；在初始随机森林模型的每个切分点的所有子特征中，随机抽取小于子特征总数的子特征进行生长，基于切分后所有子节点的不纯度加权和对各个切分点进行评分，确定最优的生长节点；对于每棵回归树均从上向下进行生长，不断调节初始随机森林模型的过程参数，直到模型精度大于精度阈值，得到倒伏面积比例检测模型。
可以理解的是，可以将训练样本数据集中的敏感特征以及对应的倒伏面积比例样本数据分别作为自变量和因变量输入初始随机森林模型中。
对于初始随机森林模型，在训练样本数据集上的预测结果使用决定系数(Coefficient of Determination，R2)和均方根误差(Root Mean Square Error，RMSE)进行评价。
根据评价结果进行模型的参数优化，即保持其他参数不变，不断优化模型中某一参数，依次优化所有参数。
可以使用最优参数配置下的随机森林模型，也就是倒伏面积比例检测模型，结合验证样本数据集来测试其外推能力，并获取作业区倒伏面积比例的空间分布结果。
具体地，随机森林回归模型的训练过程可以为：采用Bagging重采样方法，随机有放回地从训练样本数据集中生成n个自助样本集，将每一自助样本集输入随机森林中的每棵回归树，并作为其全部的训练数据。
在训练每棵回归树时，通过遍历每个敏感特征及其所有取值方式确定最优切分子特征和切分点，基于切分后各子节点的不纯度加权和G(Mk,vij)评价切分子特征和切分点的选择精度：
其中，Mk为某一切分子特征，vij为切分子特征的一切分值，Nl、Nr和N代表切分后左右子节点训练样本数以及当前节点所有训练样本数，Xl和Xr代表左右子节点的训练样本集，H(x)为表征节点不纯度的函数。
通过精度对比，随机森林模型自动确定最优切分点，并从最优切分点的回归树下逐一进行分支，训练过程中根据随机森林模型预测结果的R2和RMSE，不断优化模型参数，例如，回归树棵树、回归树最大深度、回归树最大和最小叶子结点数等，直至达到预期效果。
基于最优参数配置的随机森林回归模型，也就是倒伏面积比例检测模型，每一像素上倒伏面积比例的预测结果由所有回归树(T)的平均值决定：
其中，为随机森林预测的倒伏面积比例，T为回归树的棵树。M为子特征，θt为独立同分布随机向量，h(M,θt)为基于M和θt的输出。
值得一提的是，本发明利用高时空分辨率的Sentinel-2遥感数据，使用空间集聚方法，生成并确定了用于倒伏面积百分比估测的最优格网单元，建立了倒伏作物与遥感像素值间的对应关系，大大增强了倒伏百分比预测结果的准确性和可解释性。同时，相比于倒伏程度、倒伏与未倒伏边界等定性结果，定量化的作物倒伏百分比信息更有利于产量和经济损失的精确评估。
下面对本发明提供的作物倒伏面积比例检测装置进行描述，下文描述的作物倒伏面积比例检测装置与上文描述的作物倒伏面积比例检测方法可相互对应参照。
如图3所示，本发明还提供一种作物倒伏面积比例检测装置，该作物倒伏面积比例检测装置包括：获取模块310和输出模块320。
获取模块310，用于获取作业区内作物的卫星遥感影像；
输出模块320，用于将卫星遥感影像输入至倒伏面积比例检测模型中，得到倒伏面积比例检测模型输出的倒伏面积比例检测结果；
倒伏面积比例检测模型为从样本遥感影像中提取光谱特征和植被指数特征，基于光谱特征和植被指数特征，确定目标尺度格网单元，基于目标尺度格网单元确定敏感特征，基于敏感特征以及敏感特征对应的倒伏面积比例样本数据进行训练得到的。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行作物倒伏面积比例检测方法，该方法包括：获取作业区内作物的卫星遥感影像；将卫星遥感影像输入至倒伏面积比例检测模型中，得到倒伏面积比例检测模型输出的倒伏面积比例检测结果；倒伏面积比例检测模型为从样本遥感影像中提取光谱特征和植被指数特征，基于光谱特征和植被指数特征，确定目标尺度格网单元，基于目标尺度格网单元确定敏感特征，基于敏感特征以及敏感特征对应的倒伏面积比例样本数据进行训练得到的。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元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。
另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，计算机能够执行上述各方法所提供的作物倒伏面积比例检测方法，该方法包括：获取作业区内作物的卫星遥感影像；将卫星遥感影像输入至倒伏面积比例检测模型中，得到倒伏面积比例检测模型输出的倒伏面积比例检测结果；倒伏面积比例检测模型为从样本遥感影像中提取光谱特征和植被指数特征，基于光谱特征和植被指数特征，确定目标尺度格网单元，基于目标尺度格网单元确定敏感特征，基于敏感特征以及敏感特征对应的倒伏面积比例样本数据进行训练得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的作物倒伏面积比例检测方法，该方法包括：获取作业区内作物的卫星遥感影像；将卫星遥感影像输入至倒伏面积比例检测模型中，得到倒伏面积比例检测模型输出的倒伏面积比例检测结果；倒伏面积比例检测模型为从样本遥感影像中提取光谱特征和植被指数特征，基于光谱特征和植被指数特征，确定目标尺度格网单元，基于目标尺度格网单元确定敏感特征，基于敏感特征以及敏感特征对应的倒伏面积比例样本数据进行训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种作物倒伏面积比例检测方法，其特征在于，包括：
获取作业区内作物的卫星遥感影像；
将所述卫星遥感影像输入至倒伏面积比例检测模型中，得到所述倒伏面积比例检测模型输出的倒伏面积比例检测结果；
所述倒伏面积比例检测模型为从样本遥感影像中提取光谱特征和植被指数特征，基于所述光谱特征和所述植被指数特征，确定目标尺度格网单元，基于所述目标尺度格网单元确定敏感特征，基于所述敏感特征以及所述敏感特征对应的倒伏面积比例样本数据进行训练得到的；
所述倒伏面积比例检测模型的训练过程包括：
基于所述光谱特征和所述植被指数特征，确定特征集合；
将所述特征集合分别集聚至不同尺度的格网单元中，确定所述样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，并基于所述样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，确定不同尺度的格网单元的敏感系数，并基于所述敏感系数，从不同尺度的格网单元中确定所述目标尺度格网单元；
基于所述目标尺度格网单元，从所述特征集合中确定敏感特征；
基于所述敏感特征，以及所述敏感特征对应的倒伏面积比例样本数据，对初始随机森林模型进行有监督训练，得到所述倒伏面积比例检测模型；
所述将所述特征集合分别集聚至不同尺度的格网单元中，确定所述样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，并基于所述样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，确定不同尺度的格网单元的敏感系数，并基于所述敏感系数，从不同尺度的格网单元中确定所述目标尺度格网单元，包括：
对所述特征集合进行邻域空间内的像元值集聚，得到新统计值，将所述特征集合的原始像素值替换为所述新统计值；
依次遍历所述特征集合中每一子特征，将所述特征集合内所有子特征集聚至不同尺度的格网单元中；
对不同尺度的格网单元中的子特征进行矢量化，得到矢量数据；
基于所述矢量数据与所述样本遥感影像中的倒伏面积进行叠置分析，确定每一格网单元内部的倒伏面积比例；
将格网面积不等于内部像素面积的格网单元进行删除，得到多个备选尺度格网单元的特征集合以及对应的所述倒伏面积比例；
基于多个备选尺度格网单元的特征集合以及对应的所述倒伏面积比例，确定不同尺度的格网单元对于所述倒伏面积比例的所述敏感系数；
从多个备选尺度格网单元选取所述敏感系数最高的作为所述目标尺度格网单元。
2.根据权利要求1所述的作物倒伏面积比例检测方法，其特征在于，所述将所述特征集合分别集聚至不同尺度的格网单元中，包括：
在所述特征集合上设定一个正方形的滑动格网，所述滑动格网沿着像素边缘移动，确定所述滑动格网内覆盖的所有像素值的平均值，以所述平均值替代原始像素值；
以不重复覆盖的方式，将所述滑动格网在所述特征集合上按照从左至右，从上至下的顺序，依次遍历所述特征集合中每一子特征，生成集聚后的特征集合；
其中，所述依次遍历所述特征集合中每一子特征，生成集聚后的特征集合，包括：当所述滑动格网所覆盖的像元面积小于格网面积时，所述滑动格网自动向子特征内部依次移动一个像素单位，直至所述像元面积等于所述格网面积，统计移动后所述滑动格网内覆盖的所有像素值的平均值，以所述平均值替代原始像素值，生成集聚后的特征集合。
3.根据权利要求1所述的作物倒伏面积比例检测方法，其特征在于，所述基于所述样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，确定不同尺度的格网单元的敏感系数，包括：
基于不同尺度的格网单元的特征集合以及对应的倒伏面积比例，确定所述特征集合中的每一子特征与所述倒伏面积比例的相关系数，计算同一尺度的格网单元中所述子特征的所述相关系数的平均值；
将不同尺度的格网单元的特征集合按照所述样本遥感影像中的倒伏面积进行划分，计算每一尺度的格网单元中特征集合的VMR值；
基于所述子特征的所述相关系数的平均值和所述特征集合的VMR值，确定不同尺度的格网单元对于所述倒伏面积比例的所述敏感系数；
所述基于所述敏感系数，从不同尺度的格网单元中确定所述目标尺度格网单元，包括：
当所述子特征最低的所述相关系数的平均值与所述特征集合最高的VMR值出现于同一尺度的格网单元，将对应尺度的格网单元作为所述目标尺度格网单元；
或者，当所述子特征的所述相关系数的平均值与所述特征集合的VMR值出现于不同尺度的格网单元，则在所述子特征的所述相关系数的平均值大于相关系数阈值的格网单元中，将所述特征集合的VMR值最低的格网单元作为所述目标尺度格网单元。
4.根据权利要求1所述的作物倒伏面积比例检测方法，其特征在于，所述基于所述目标尺度格网单元，从所述特征集合中确定敏感特征，包括：
迭代进行以下步骤：
将所述特征集合输入至线性回归模型中，所述线性回归模型的模型参数选择最大似然估计中所述线性回归模型的似然函数最大值所对应的参数；
基于后退法，依次剔除所述线性回归模型中最无显著性差异的特征，确定所述线性回归模型的AIC值；
直至所述线性回归模型的AIC值达到最低水平；
确定所述AIC值最低的所述线性回归模型中的子特征作为所述敏感特征。
5.根据权利要求1所述的作物倒伏面积比例检测方法，其特征在于，所述基于所述敏感特征，以及所述敏感特征对应的倒伏面积比例样本数据，对初始随机森林模型进行有监督训练，得到所述倒伏面积比例检测模型，包括：
通过Bagging重采样方法，随机有放回地从所述敏感特征中生成多个自助样本集，将每一所述自助样本集输入所述初始随机森林模型中的每棵回归树；
在所述初始随机森林模型的每个切分点的所有子特征中，随机抽取小于子特征总数的子特征进行生长，基于切分后所有子节点的不纯度加权和对各个切分点进行评分，确定最优的生长节点；
对于每棵所述回归树均从上向下进行生长，不断调节所述初始随机森林模型的过程参数，直到模型精度大于精度阈值，得到所述倒伏面积比例检测模型。
6.一种作物倒伏面积比例检测装置，其特征在于，包括：
获取模块，用于获取作业区内作物的卫星遥感影像；
输出模块，用于将所述卫星遥感影像输入至倒伏面积比例检测模型中，得到所述倒伏面积比例检测模型输出的倒伏面积比例检测结果；
所述倒伏面积比例检测模型为从样本遥感影像中提取光谱特征和植被指数特征，基于所述光谱特征和所述植被指数特征，确定目标尺度格网单元，基于所述目标尺度格网单元确定敏感特征，基于所述敏感特征以及所述敏感特征对应的倒伏面积比例样本数据进行训练得到的；
所述倒伏面积比例检测模型的训练过程包括：
基于所述光谱特征和所述植被指数特征，确定特征集合；
将所述特征集合分别集聚至不同尺度的格网单元中，确定所述样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，并基于所述样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，确定不同尺度的格网单元的敏感系数，并基于所述敏感系数，从不同尺度的格网单元中确定所述目标尺度格网单元；
基于所述目标尺度格网单元，从所述特征集合中确定敏感特征；
基于所述敏感特征，以及所述敏感特征对应的倒伏面积比例样本数据，对初始随机森林模型进行有监督训练，得到所述倒伏面积比例检测模型；
所述将所述特征集合分别集聚至不同尺度的格网单元中，确定所述样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，并基于所述样本遥感影像在不同尺度的格网单元中所对应的倒伏面积比例，确定不同尺度的格网单元的敏感系数，并基于所述敏感系数，从不同尺度的格网单元中确定所述目标尺度格网单元，包括：
对所述特征集合进行邻域空间内的像元值集聚，得到新统计值，将所述特征集合的原始像素值替换为所述新统计值；
依次遍历所述特征集合中每一子特征，将所述特征集合内所有子特征集聚至不同尺度的格网单元中；
对不同尺度的格网单元中的子特征进行矢量化，得到矢量数据；
基于所述矢量数据与所述样本遥感影像中的倒伏面积进行叠置分析，确定每一格网单元内部的倒伏面积比例；
将格网面积不等于内部像素面积的格网单元进行删除，得到多个备选尺度格网单元的特征集合以及对应的所述倒伏面积比例；
基于多个备选尺度格网单元的特征集合以及对应的所述倒伏面积比例，确定不同尺度的格网单元对于所述倒伏面积比例的所述敏感系数；
从多个备选尺度格网单元选取所述敏感系数最高的作为所述目标尺度格网单元。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5中任一项所述作物倒伏面积比例检测方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述作物倒伏面积比例检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210482156.2A CN114782835B (zh) | 2022-05-05 | 2022-05-05 | 作物倒伏面积比例检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210482156.2A CN114782835B (zh) | 2022-05-05 | 2022-05-05 | 作物倒伏面积比例检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114782835A CN114782835A (zh) | 2022-07-22 |
| CN114782835B true CN114782835B (zh) | 2024-04-26 |
Family
ID=82435823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210482156.2A Active CN114782835B (zh) | 2022-05-05 | 2022-05-05 | 作物倒伏面积比例检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114782835B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020014444A (ja) * | 2018-07-27 | 2020-01-30 | 井関農機株式会社 | 穀物収穫システム |
| WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
| CN111461052A (zh) * | 2020-04-13 | 2020-07-28 | 安徽大学 | 基于迁移学习的多个生育期小麦倒伏区域识别方法 |
| WO2021169332A1 (zh) * | 2020-02-26 | 2021-09-02 | 江苏大学 | 一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法 |
| CN114419367A (zh) * | 2021-12-29 | 2022-04-29 | 中国农业大学 | 一种农作物高精度制图方法及系统 |
-
2022
- 2022-05-05 CN CN202210482156.2A patent/CN114782835B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020014444A (ja) * | 2018-07-27 | 2020-01-30 | 井関農機株式会社 | 穀物収穫システム |
| WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
| WO2021169332A1 (zh) * | 2020-02-26 | 2021-09-02 | 江苏大学 | 一种利用敏感代谢物评价潜伏缺素期作物营养状态的方法 |
| CN111461052A (zh) * | 2020-04-13 | 2020-07-28 | 安徽大学 | 基于迁移学习的多个生育期小麦倒伏区域识别方法 |
| CN114419367A (zh) * | 2021-12-29 | 2022-04-29 | 中国农业大学 | 一种农作物高精度制图方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 卫星遥感在台风影响玉米倒伏灾害监测中的应用;任红玲;王萌;刘珂;郭春明;;气象灾害防御;20151215(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114782835A (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
| Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
| CN112749627A (zh) | 一种基于多源遥感影像的烟草动态监测的方法和装置 | |
| CN111462223B (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
| CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
| CN111222539B (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
| CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
| CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
| CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
| Shahrin et al. | Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning | |
| CN114494909B (zh) | 一种大豆生长季空间分布图的生成方法和系统 | |
| CN113609899A (zh) | 基于遥感时序分析的退耕地信息定位显示系统 | |
| CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
| Zhang et al. | Large-scale apple orchard mapping from multi-source data using the semantic segmentation model with image-to-image translation and transfer learning | |
| CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
| CN116579521A (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
| CN115690580A (zh) | 一种玉米倒伏遥感监测方法、系统、电子设备及介质 | |
| CN115830464A (zh) | 基于多源数据的高原山地农业大棚自动提取方法 | |
| Sevillano Marco et al. | Improvement of existing and development of future Copernicus land monitoring products–the ECOLASS project | |
| Wang et al. | Generalized fine-resolution FPAR estimation using Google Earth Engine: Random forest or multiple linear regression | |
| CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
| CN115830442B (zh) | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 | |
| CN117934662A (zh) | 无样本标注的区域大豆制图方法、装置及设备 | |
| 김예화 | Classification of Deforested and Degraded Areas in North Korea Using Phenology-based Indices and Spatiotemporal Data Fusion Method |
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 |