CN114782837B - 种植物估产方法、装置、电子设备和存储介质 - Google Patents

种植物估产方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114782837B
CN114782837B CN202210683708.6A CN202210683708A CN114782837B CN 114782837 B CN114782837 B CN 114782837B CN 202210683708 A CN202210683708 A CN 202210683708A CN 114782837 B CN114782837 B CN 114782837B
Authority
CN
China
Prior art keywords
vegetation index
yield
change
plant
relative
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
Application number
CN202210683708.6A
Other languages
English (en)
Other versions
CN114782837A (zh
Inventor
郭朝贺
杨子龙
宋卫玲
王宏斌
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.)
Sinochem Agriculture Holdings
Original Assignee
Sinochem Agriculture Holdings
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 Sinochem Agriculture Holdings filed Critical Sinochem Agriculture Holdings
Priority to CN202210683708.6A priority Critical patent/CN114782837B/zh
Publication of CN114782837A publication Critical patent/CN114782837A/zh
Application granted granted Critical
Publication of CN114782837B publication Critical patent/CN114782837B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及农业智能检测技术领域，提供一种种植物估产方法、装置、电子设备和存储介质，方法包括：获取待估产区域的多时相遥感影像数据，待估产区域为待估产种植物所处的区域；将多时相遥感影像数据输入至产量预测模型，得到产量预测模型输出的产量预测结果；其中，产量预测模型用于基于对多时相遥感影像数据提取得到的植被指数的相对变化特征，进行产量预测；相对变化特征是基于对多时相遥感影像样本数据提取得到的物候变化特征，与样本种植物产量进行相关性分析确定的，相对变化特征为与样本种植物产量的相关性符合预设相关性要求的特征，样本种植物产量为多时相遥感影像样本数据对应的产量。本发明可以提高种植物估产的准确性。

Description

种植物估产方法、装置、电子设备和存储介质
技术领域
本发明涉及农业智能检测技术领域，尤其涉及一种种植物估产方法、装置、电子设备和存储介质。
背景技术
随着卫星技术的迅速发展和遥感数据分析技术的快速发展，卫星遥感在获取大区域的地表监测数据方面具有高效性，基于此，为大区域的种植物进行估产提供了支持。
目前，种植物估产多采用其生育期内多个时间点的遥感影像数据，分析各个时期的作物生长指数，进而评估各时间点的健康营养状况，最后基于各时间点的健康营养状况，评估种植物的产量。然而，通过固定生育期的遥感影像数据进行产量预测，由于同一遥感影像上的不同地块的种植物存在差异，例如移栽期或播种期的差异、物候期的差异，从而导致产量预测结果存在误差；同时，由于同一遥感影像上的种植物可能为不同品种，或者其种植条件存在不同，而现有估产方法只能评估单一品种或单一种植条件的种植物产量，从而导致产量预测结果准确性降低。
综上，如何提高种植物估产的准确性，是目前亟需解决的问题。
发明内容
本发明提供一种种植物估产方法、装置、电子设备和存储介质，用以解决现有技术中种植物产量预测结果准确性低的缺陷，实现高准确的种植物估产。
本发明提供一种种植物估产方法，包括：
获取待估产区域的多时相遥感影像数据，所述待估产区域为待估产种植物所处的区域；
将所述多时相遥感影像数据输入至产量预测模型，得到所述产量预测模型输出的产量预测结果；
其中，所述产量预测模型用于基于对所述多时相遥感影像数据提取得到的植被指数的相对变化特征，进行产量预测；
所述相对变化特征是基于对多时相遥感影像样本数据提取得到的物候变化特征，与样本种植物产量进行相关性分析确定的，所述相对变化特征为与所述样本种植物产量的相关性符合预设相关性要求的特征，所述样本种植物产量为所述多时相遥感影像样本数据对应的产量。
根据本发明提供的一种种植物估产方法，所述相对变化特征通过如下步骤确定：
获取所述多时相遥感影像样本数据，以及所述样本种植物产量；
对所述多时相遥感影像样本数据，进行不同时相的植被指数提取处理，得到第一植被指数集；
对所述第一植被指数集进行特征提取，得到所述物候变化特征；
将所述物候变化特征与所述样本种植物产量进行相关性分析；
基于相关性分析结果，确定所述相对变化特征。
根据本发明提供的一种种植物估产方法，所述第一植被指数集包括第一归一化植被指数NDVI指数集；
所述对所述第一植被指数集进行特征提取，得到所述物候变化特征，包括：
基于所述第一NDVI指数集，确定第一生长发育区间；
从所述第一植被指数集确定出所述第一生长发育区间对应的第二植被指数集；
对所述第二植被指数集进行特征提取，得到所述物候变化特征。
根据本发明提供的一种种植物估产方法，所述对所述第二植被指数集进行特征提取，得到所述物候变化特征，包括：
对所述第二植被指数集进行生长发育时期分类；
对分类后的第二植被指数集进行特征提取，得到各生长发育时期的所述物候变化特征，以供确定所述各生长发育时期的所述相对变化特征。
根据本发明提供的一种种植物估产方法，所述物候变化特征包括以下至少一种：植被指数的绝对累积值、所述绝对累积值的变化率、植被指数的相对累积值、所述相对累积值的变化率、植被指数的变化量和植被指数的变化率；
所述绝对累积值为植被指数与时间的积分值；
所述绝对累积值的变化率为所述绝对累积值与时间的比值；
所述相对累积值为植被指数的相对值与时间的积分值，所述相对值为植被指数与初始指数相减的值，所述初始指数为时间最早的植被指数；
所述相对累积值的变化率为所述相对累积值与时间的比值；
所述变化量为时间最晚的植被指数与时间最早的植被指数的差值；
所述植被指数的变化率为所述变化量与时间的比值。
根据本发明提供的一种种植物估产方法，所述将所述多时相遥感影像数据输入至产量预测模型，得到所述产量预测模型输出的产量预测结果，包括：
将所述多时相遥感影像数据输入至所述产量预测模型的植被指数提取层，进行不同时相的植被指数提取处理，得到所述植被指数提取层输出的第三植被指数集；
将所述第三植被指数集输入至所述产量预测模型的特征提取层，得到所述特征提取层输出的所述相对变化特征；
将所述相对变化特征输入至所述产量预测模型的产量预测层，得到所述产量预测层输出的所述产量预测结果。
根据本发明提供的一种种植物估产方法，所述第三植被指数集包括第二NDVI指数集；
所述将所述第三植被指数集输入至所述产量预测模型的特征提取层，得到所述特征提取层输出的所述相对变化特征，包括：
将所述第二NDVI指数集输入至所述特征提取层的生长发育区间预测层，得到所述生长发育区间预测层输出的第二生长发育区间；
将所述第三植被指数集和所述第二生长发育区间输入至所述特征提取层的指数去除层，对非发育区间外的植被指数进行去除，得到所述指数去除层输出的第四植被指数集；
将所述第四植被指数集输入至所述特征提取层的指数分类层，进行生长发育时期分类，得到所述指数分类层输出的分类后的第四植被指数集；
将所述分类后的第四植被指数集中各生长发育时期的植被指数集，输入至所述特征提取层的相对变化特征提取层，得到所述相对变化特征提取层输出的所述各生长发育时期的所述相对变化特征。
本发明还提供一种种植物估产装置，包括：
获取模块，用于获取待估产区域的多时相遥感影像数据，所述待估产区域为待估产种植物所处的区域；
预测模块，用于将所述多时相遥感影像数据输入至产量预测模型，得到所述产量预测模型输出的产量预测结果；
其中，所述产量预测模型用于基于对所述多时相遥感影像数据提取得到的植被指数的相对变化特征，进行产量预测；
所述相对变化特征是基于对多时相遥感影像样本数据提取得到的物候变化特征，与样本种植物产量进行相关性分析确定的，所述相对变化特征为与所述样本种植物产量的相关性符合预设相关性要求的特征，所述样本种植物产量为所述多时相遥感影像样本数据对应的产量。
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种植物估产方法。
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种植物估产方法。
本发明提供的种植物估产方法、装置、电子设备和存储介质，获取待估产区域的多时相遥感影像数据，待估产区域为待估产种植物所处的区域；将多时相遥感影像数据输入至产量预测模型，得到产量预测模型输出的产量预测结果。通过上述方式，获取多时相遥感影像数据进行产量预测，可以高频次连续监测数据，从而可以考虑完整的种植物发育过程，可以将完整的发育曲线提取出来，进而可以避免移栽期或播种期的差异和物候期差异等差异，从而提高种植物估产的准确性；同时，产量预测模型用于基于对多时相遥感影像数据提取得到的植被指数的相对变化特征，进行产量预测，基于此，由于提取的特征为植被指数的相对变化特征，即使待估产种植物存在不同品种或存在种植条件不同的情况，通过提取的相对变化特征进行产量预测，可以适应于不同种植物品种和不同种植条件的种植物估产，进而进一步提高种植物估产的准确性；此外，相对变化特征是基于对多时相遥感影像样本数据提取得到的物候变化特征，与样本种植物产量进行相关性分析确定的，进而可以充分考虑物候变化特征，并基于物候变化特征确定相对变化特征，进而提高相对变化特征确定的准确性，进而进一步提高种植物估产的准确性。
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为本发明提供的种植物估产方法的流程示意图之一；
图2为本发明提供的植被指数的曲线示意图；
图3为本发明提供的种植物估产方法的流程示意图之二；
图4为本发明提供的种植物估产方法的流程示意图之三；
图5为本发明提供的种植物估产装置的结构示意图；
图6为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。
随着卫星技术的迅速发展和遥感数据分析技术的快速发展，卫星遥感在获取大区域的地表监测数据方面具有高效性，基于此，为大区域的种植物进行估产提供了支持。
目前，种植物估产多采用其生育期内多个时间点的遥感影像数据，例如在水稻估产中，生育期包括拔节期、灌浆期、蜡熟期等，分析各个时期的作物生长指数，进而评估各时间点的健康营养状况，最后基于各时间点的健康营养状况，评估种植物的产量。然而，通过固定生育期的遥感影像数据进行产量预测，由于同一遥感影像上的不同地块的种植物存在差异，例如移栽期或播种期的差异、物候期的差异，从而导致产量预测结果存在误差；同时，由于同一遥感影像上的种植物可能为不同品种，或者其种植条件存在不同，而现有估产方法只能评估单一品种或单一种植条件的种植物产量，例如，在挑选植被指数时多利用植被指数的绝对值，未考虑不同种植物品种或不同种植条件的差异性，从而导致产量预测结果准确性降低。
综上，如何提高种植物估产的准确性，是目前亟需解决的问题。
针对上述问题，本发明提出以下各实施例。图1为本发明提供的种植物估产方法的流程示意图之一，如图1所示，该种植物估产方法包括：
步骤110，获取待估产区域的多时相遥感影像数据，所述待估产区域为待估产种植物所处的区域。
此处，每一遥感影像可以覆盖较大的区域，基于此，可以实现对待估产区域的全覆盖，即对待估产种植物的全覆盖。
此处，待估产种植物可以根据实际情况设定，例如，水稻、小麦、玉米等等。本发明实施例及以下各实施例，以水稻为例进行说明。
此处，多时相遥感影像数据包括多个时间点的遥感影像，其具体包括多少时间点的遥感影像，可以根据实际需求进行设定。
该多时相遥感影像数据可以通过遥感卫星进行采集获取，本发明实施例对遥感卫星的类型不作具体限定，例如，哨兵2卫星。
在一具体实施例中，确定待估产种植物的生育周期。例如，待估产种植物为水稻，则水稻的生育周期可以设定为五个月；由于水稻的生育周期一般不会超过5个月，因此，将水稻的生育周期设定为五个月，可以保证覆盖了水稻的整体生育周期，即从插秧到当前时间点的全部发育过程。
具体地，可以在生育周期内设定采样频率，进而基于该采样频率获取遥感影像。例如，生育周期为五个月，采样频率为5天一次，则该多时相遥感影像数据包括当前时间点往回准备5个月内的每5天一次的遥感影像。
可以理解的是，将该采样频率设定为高频率，可以高频次连续监测数据追踪，从而可以考虑较为完整的种植物发育过程，可以将完整的发育曲线提取出来，因此，即使同一遥感影像中不同地块之间的移栽期或播种期的差异较大以及物候期差异较大等，通过提取完整的发育曲线，可以进一步避免这些差异，从而进一步提高种植物估产的准确性。
步骤120，将所述多时相遥感影像数据输入至产量预测模型，得到所述产量预测模型输出的产量预测结果。
其中，所述产量预测模型用于基于对所述多时相遥感影像数据提取得到的植被指数的相对变化特征，进行产量预测；
所述相对变化特征是基于对多时相遥感影像样本数据提取得到的物候变化特征，与样本种植物产量进行相关性分析确定的，所述相对变化特征为与所述样本种植物产量的相关性符合预设相关性要求的特征，所述样本种植物产量为所述多时相遥感影像样本数据对应的产量。
此处，相对变化特征为植被指数的相对变化量，该相对变化量为最晚时刻的植被指数与最早时刻的植被指数相减的值。该相对变化特征可以包括一个或多个。
在一具体实施例中，相对变化特征可以包括第一相对特征、第二相对特征、第三相对特征。基于此，产量预测模型用于基于对多时相遥感影像数据提取得到的第一相对特征、第二相对特征、第三相对特征，进行产量预测。
此处，产量预测模型为机器学习模型，该产量预测模型的具体类型可以根据实际需要设定。
在一具体实施例中，该产量预测模型为多元线性回归模型，从而可以通过相对变化特征与种植物产量的相关性系数，确定该产量预测结果。
为便于理解，假设相对变化特征包括：第一相对特征x1、第二相对特征x2、第三相对特征x3，该产量预测模型如下所示：
y=357.238-10.293*x1-342.715*x2+374.063*x3；
其中，多元线性回归模型中的常数项和回归系数可以相关性分析得到；y为产量预测结果。
此处，物候变化特征用于表征物候变化情况。该物候变化特征可以包括但不限于以下一种或多种：植被指数的绝对累积值、所述绝对累积值的变化率、植被指数的相对累积值、所述相对累积值的变化率、植被指数的变化量和植被指数的变化率等等。
其中，绝对累积值为植被指数与时间的积分值，例如，植被指数为NDVI（Normalized Difference Vegetation Index，归一化植被指数），如图2所示，各NDVI指数按照时间顺序排序，共包括：2019年6月9号对应的0.2、2019年6月24号对应的0.4、2019年6月29号对应的0.6、2019年7月4号对应的0.8，则绝对累积值为10.5，即图2中曲线与时间轴构成的图形的面积。
其中，绝对累积值的变化率为绝对累积值与时间的比值，例如绝对累积值为10.5，时长为25天，则绝对累积值的变化率为0.42。
其中，相对累积值为植被指数的相对值与时间的积分值，相对值为植被指数与初始指数相减的值，初始指数为时间最早的植被指数。例如，植被指数为NDVI，如图2所示，各NDVI指数按照时间顺序排序，共包括：2019年6月9号对应的0.2、2019年6月24号对应的0.4、2019年6月29号对应的0.6、2019年7月4号对应的0.8，则初始指数为0.2，各相对值为0、0.2、0.4、0.6，则相对累积值为5.5。
其中，相对累积值的变化率相对累积值的变化率为相对累积值与时间的比值，例如相对累积值为5.5，时长为25天，则相对累积值的变化率为0.22。
其中，植被指数的变化量为时间最晚的植被指数与时间最早的植被指数的差值。例如，植被指数为NDVI，如图2所示，各NDVI指数按照时间顺序排序，共包括：0.2、0.4、0.6、0.8，则植被指数的变化量为0.6。
其中，植被指数的变化率植被指数的变化率为变化量与时间的比值，例如，植被指数的变化量为0.6，时长为25天，则植被指数的变化率为0.024。
此处，样本种植物产量为多时相遥感影像样本数据对应的产量，即多时相遥感影像样本数据的标注标签。
此处，相关性分析方法可以根据实际需要进行设定，例如通过Pearson相关系数对物候变化特征进行相关性评价。
此处，预设相关性要求可以根据实际需要进行设定。在一具体实施例中，预设相关性要求为与样本种植物产量的相关性最高的相对变化特征。
需要说明的是，产量预测模型是基于多时相遥感影像数据样本进行训练得到的。具体地，产量预测模型是基于多时相遥感影像数据样本提取得到的相对变化特征与其样本种植物产量进行训练得到的。
本发明实施例提供的种植物估产方法，获取待估产区域的多时相遥感影像数据，待估产区域为待估产种植物所处的区域；将多时相遥感影像数据输入至产量预测模型，得到产量预测模型输出的产量预测结果。通过上述方式，获取多时相遥感影像数据进行产量预测，可以高频次连续监测数据，从而可以考虑完整的种植物发育过程，可以将完整的发育曲线提取出来，进而可以避免移栽期或播种期的差异和物候期差异等差异，从而提高种植物估产的准确性；同时，产量预测模型用于基于对多时相遥感影像数据提取得到的植被指数的相对变化特征，进行产量预测，基于此，由于提取的特征为植被指数的相对变化特征，即使待估产种植物存在不同品种或存在种植条件不同的情况，通过提取的相对变化特征进行产量预测，可以适应于不同种植物品种和不同种植条件的种植物估产，进而进一步提高种植物估产的准确性；此外，相对变化特征是基于对多时相遥感影像样本数据提取得到的物候变化特征，与样本种植物产量进行相关性分析确定的，进而可以充分考虑物候变化特征，并基于物候变化特征确定相对变化特征，进而提高相对变化特征确定的准确性，进而进一步提高种植物估产的准确性。
基于上述实施例，图3为本发明提供的种植物估产方法的流程示意图之二，如图3所示，所述相对变化特征通过如下步骤确定：
步骤310，获取所述多时相遥感影像样本数据，以及所述样本种植物产量。
此处，多时相遥感影像样本数据为多时相遥感影像数据对应的样本数据，该多时相遥感影像样本数据可以为历史数据，本发明实施例对此不作具体限定。
此处，每一遥感影像样本可以覆盖较大的区域，基于此，可以实现对待估产区域的全覆盖，即对种植物的全覆盖。该多时相遥感影像样本数据包括多个时间点的遥感影像样本，其具体包括多少时间点的遥感影像样本，可以根据实际需求进行设定。
该多时相遥感影像样本数据可以通过遥感卫星进行采集获取，本发明实施例对遥感卫星的类型不作具体限定，例如，哨兵2卫星。
在一具体实施例中，确定待估产种植物的生育周期。例如，待估产种植物为水稻，则水稻的生育周期可以设定为五个月；由于水稻的生育周期一般不会超过5个月，因此，将水稻的生育周期设定为五个月，可以保证覆盖了水稻的整体生育周期，即从插秧到当前时间点的全部发育过程。
具体地，可以在生育周期内设定采样频率，进而基于该采样频率获取遥感影像样本。例如，生育周期为五个月，采样频率为5天一次，则该多时相遥感影像样本数据包括当前时间点往回准备5个月内的每5天一次的遥感影像样本。
可以理解的是，将该采样频率设定为高频率，可以高频次连续监测数据追踪，从而可以考虑较为完整的种植物发育过程，可以将完整的发育曲线提取出来，因此，即使同一遥感影像中不同地块之间的移栽期或播种期的差异较大以及物候期差异较大等，通过提取完整的发育曲线，可以进一步避免这些差异，从而进一步提高相对变化特征的确定准确性。
此处，样本种植物产量为多时相遥感影像样本数据的标注标签，该样本种植物产量可以为多时相遥感影像样本数据对应的真实产量数据。
步骤320，对所述多时相遥感影像样本数据，进行不同时相的植被指数提取处理，得到第一植被指数集。
具体地，对多时相遥感影像样本数据中各时相的遥感影像样本进行植被指数提取处理，得到各时相的植被指数，进而将各时相的植被指数确定为第一植被指数集。更为具体地，计算多时相遥感影像样本数据中每一遥感影像样本的植被指数，得到各遥感影像样本的植被指数，进而将各遥感影像样本的植被指数确定为第一植被指数集。
此处，第一植被指数集可以包括多种植被指数集。在一具体实施例中，第一植被指数集包括NDVI指数集和绿波段叶绿素（CIgreen，CIG）指数集。
该第一植被指数集中各植被指数有对应的时间属性，进而可以基于该第一植被指数集确定植被指数变化曲线，即植被指数随时间变化的植被指数变化情况，例如NDVI指数变化曲线、绿波段叶绿素指数变化曲线。
步骤330，对所述第一植被指数集进行特征提取，得到所述物候变化特征。
此处，物候变化特征可以包括但不限于以下一种或多种：植被指数的绝对累积值、所述绝对累积值的变化率、植被指数的相对累积值、所述相对累积值的变化率、植被指数的变化量和植被指数的变化率等等。
为便于理解，例如，第一植被指数集包括NDVI指数集和绿波段叶绿素指数集，NDVI指数集包括4个NDVI指数，且4个NDVI指数按照时间顺序排序为0.2、0.4、0.6、0.8，绿波段叶绿素指数集包括4个绿波段叶绿素指数，且4个绿波段叶绿素指数按照时间顺序排序为0.3、0.4、0.7、0.9，则NDVI指数的绝对累积值为2，NDVI指数的相对累积值为1.2，NDVI指数的变化量为0.6，绿波段叶绿素指数的绝对累积值为2.3，绿波段叶绿素指数的相对累积值为1.1，绿波段叶绿素指数的变化量为0.6。
步骤340，将所述物候变化特征与所述样本种植物产量进行相关性分析。
此处，相关性分析方法可以根据实际需要进行设定，例如通过Pearson相关系数将各物候变化特征与样本种植物产量进行相关性评价。
步骤350，基于相关性分析结果，确定所述相对变化特征。
具体地，基于相关性分析结果和预设相关性要求，确定相对变化特征。
在一具体实施例中，预设相关性要求为与样本种植物产量的相关性最高的相对变化特征。
为便于理解，例如，第一植被指数集包括NDVI指数集和绿波段叶绿素指数集，物候变化特征包括NDVI指数的绝对累积值、NDVI指数的绝对累积值的变化率、NDVI指数的相对累积值、NDVI指数的相对累积值的变化率、NDVI指数的变化量和NDVI指数的变化率，以及绿波段叶绿素指数的绝对累积值、绿波段叶绿素指数的绝对累积值的变化率、绿波段叶绿素指数的相对累积值、绿波段叶绿素指数的相对累积值的变化率、绿波段叶绿素指数的变化量和绿波段叶绿素指数的变化率；基于此，将上述12个物候变化特征分别与样本种植物产量进行相关性分析，得到12个相关性分析结果，进而基于12个相关性分析结果，确定与样本种植物产量相关性最高的植被指数，如与样本种植物产量相关性最高的植被指数为NDVI指数，则相对变化特征为NDVI指数的变化量。
在另一实施例中，对第一植被指数集进行生长发育时期分类，对分类后的第一植被指数集进行特征提取，得到各生长发育时期的物候变化特征。
在一具体实施例中，各生长发育时期可以包括长势爬升期、长势平台期、长势衰落期。物候变化特征包括长势爬升期的植被指数的绝对累积值、长势爬升期的植被指数的绝对累积值的变化率、长势爬升期的植被指数的相对累积值、长势爬升期的植被指数的相对累积值的变化率、长势爬升期的植被指数的变化量和长势爬升期的植被指数的变化率，以及长势平台期的植被指数的绝对累积值、长势平台期的植被指数的绝对累积值的变化率、长势平台期的植被指数的相对累积值、长势平台期的植被指数的相对累积值的变化率、长势平台期的植被指数的变化量和长势平台期的植被指数的变化率，以及长势衰落期的植被指数的绝对累积值、长势衰落期的植被指数的绝对累积值的变化率、长势衰落期的植被指数的相对累积值、长势衰落期的植被指数的相对累积值的变化率、长势衰落期的植被指数的变化量和长势衰落期的植被指数的变化率。
进一步地，第一植被指数集包括NDVI指数集和绿波段叶绿素指数集。基于此，将上述36个物候变化特征分别与样本种植物产量进行相关性分析，得到36个相关性分析结果，进而基于36个相关性分析结果，确定与样本种植物产量相关性最高的生长发育时期的植被指数，如与样本种植物产量相关性最高的各生长发育时期的植被指数包括长势爬升期的NDVI指数、长势平台期的绿波段叶绿素指数、长势衰落期的绿波段叶绿素指数，则相对变化特征包括长势爬升期的NDVI指数的变化量、长势平台期的绿波段叶绿素指数的变化量、长势衰落期的绿波段叶绿素指数的变化量。
可以理解的是，本发明实施例为特征工程的具体步骤，通过本发明实施例，可以更好地筛选出相对变化特征，进而提升产量预测模型的训练效果，从而提高产量预测模型的精确性，最终进一步提高种植物估产的准确性。
本发明实施例提供的种植物估产方法，通过上述方式，对多时相遥感影像样本数据进行植被指数提取处理，进而基于第一植被指数集提取物候变化特征，进而将物候变化特征与样本种植物产量进行相关性分析，从而在确定相对变化特征时，可以充分考虑物候变化特征，进而提高相对变化特征确定的准确性，进而进一步提高种植物估产的准确性。
基于上述任一实施例，该方法中，所述第一植被指数集包括第一归一化植被指数NDVI指数集；上述步骤330包括：
基于所述第一NDVI指数集，确定第一生长发育区间；
从所述第一植被指数集确定出所述第一生长发育区间对应的第二植被指数集；
对所述第二植被指数集进行特征提取，得到所述物候变化特征。
具体地，由于第一NDVI指数集中各NDVI指数均有对应的时间属性，基于此，基于第一NDVI指数集可以提取出属于种植物发育变化的部分，进而可以将非种植物发育变化的部分去除掉，进而得到第一生长发育区间对应的第二植被指数集。
此处，第一植被指数集还可以包括第一绿波段叶绿素指数集，当然，还可以包括其他植被指数集。在一具体实施例中，第一植被指数集包括第一NDVI指数集和第一绿波段叶绿素指数集。
此处，第一生长发育区间为种植物发生发育变化的时间段，即种植物生育期的时间段。
此处，第二植被指数集仅仅包括第一生长发育区间内的植被指数。具体地，第二植被指数集包括第一生长发育区间内的NDVI指数集和第一生长发育区间内的绿波段叶绿素指数集。
此处，对第二植被指数集进行特征提取，得到物候变化特征，与上述实施例中对第一植被指数集进行特征提取，得到物候变化特征的步骤基本相同，此处不再一一赘述。
本发明实施例提供的种植物估产方法，将第一植被指数集中第一生长发育区间外的植被指数去除，从而基于更加准确的第二植被指数集进行物候变化特征的提取，可以提高物候变化特征的准确性，进而进一步提高相对变化特征确定的准确性，进而进一步提高种植物估产的准确性。
基于上述任一实施例，该方法中，所述对所述第二植被指数集进行特征提取，得到所述物候变化特征，包括：
对所述第二植被指数集进行生长发育时期分类；
对分类后的第二植被指数集进行特征提取，得到各生长发育时期的所述物候变化特征，以供确定所述各生长发育时期的所述相对变化特征。
此处，各生长发育时期可以根据实际需要进行设定。在一具体实施例中，各生长发育时期可以包括长势爬升期、长势平台期、长势衰落期。
在一具体实施例中，基于第二植被指数集中NDVI指数集，确定各生长发育时期的时间，进而基于各生长发育时期的时间确定分类后的第二植被指数集。
其中，长势爬升期为NDVI指数向上变化的时期；长势平台期为NDVI指数达到饱和的时期，即NDVI指数变化不大的时期；长势衰落期为NDVI指数向下变化的时期。
例如，第二植被指数集中第二NDVI指数集包括2019年6月9号对应的0.2、2019年6月24号对应的0.4、2019年6月29号对应的0.6、2019年7月4号对应的0.8、2019年7月29号对应的0.85、2019年8月18号对应的0.9、2019年8月28号对应的0.87、2019年9月2号对应的0.86、2019年9月22号对应的0.65、2019年9月27号对应的0.45、2019年10月2号对应的0.35，则长势爬升期为2019年6月9号至2019年7月4号，长势平台期为2019年7月4号至2019年9月2号，长势衰落期为2019年9月2号至2019年10月2号。
此处，物候变化特征可以包括但不限于以下一种或多种：植被指数的绝对累积值、所述绝对累积值的变化率、植被指数的相对累积值、所述相对累积值的变化率、植被指数的变化量和植被指数的变化率等等。
在一实施例中，第二植被指数集包括NDVI指数集和绿波段叶绿素指数集。基于此，物候变化特征包括长势爬升期的NDVI指数的绝对累积值、长势爬升期的NDVI指数的绝对累积值的变化率、长势爬升期的NDVI指数的相对累积值、长势爬升期的NDVI指数的相对累积值的变化率、长势爬升期的NDVI指数的变化量和长势爬升期的NDVI指数的变化率，以及长势爬升期的绿波段叶绿素指数的绝对累积值、长势爬升期的绿波段叶绿素指数的绝对累积值的变化率、长势爬升期的绿波段叶绿素指数的相对累积值、长势爬升期的绿波段叶绿素指数的相对累积值的变化率、长势爬升期的绿波段叶绿素指数的变化量和长势爬升期的绿波段叶绿素指数的变化率，以及长势平台期的NDVI指数的绝对累积值、长势平台期的NDVI指数的绝对累积值的变化率、长势平台期的NDVI指数的相对累积值、长势平台期的NDVI指数的相对累积值的变化率、长势平台期的NDVI指数的变化量和长势平台期的NDVI指数的变化率，以及长势平台期的绿波段叶绿素指数的绝对累积值、长势平台期的绿波段叶绿素指数的绝对累积值的变化率、长势平台期的绿波段叶绿素指数的相对累积值、长势平台期的绿波段叶绿素指数的相对累积值的变化率、长势平台期的绿波段叶绿素指数的变化量和长势平台期的绿波段叶绿素指数的变化率，以及长势衰落期的NDVI指数的绝对累积值、长势衰落期的NDVI指数的绝对累积值的变化率、长势衰落期的NDVI指数的相对累积值、长势衰落期的NDVI指数的相对累积值的变化率、长势衰落期的NDVI指数的变化量和长势衰落期的NDVI指数的变化率，以及长势衰落期的绿波段叶绿素指数的绝对累积值、长势衰落期的绿波段叶绿素指数的绝对累积值的变化率、长势衰落期的绿波段叶绿素指数的相对累积值、长势衰落期的绿波段叶绿素指数的相对累积值的变化率、长势衰落期的绿波段叶绿素指数的变化量和长势衰落期的绿波段叶绿素指数的变化率。
基于此，将上述36个物候变化特征分别与样本种植物产量进行相关性分析，得到36个相关性分析结果，进而基于36个相关性分析结果，确定与样本种植物产量相关性最高的各生长发育时期的植被指数，如与样本种植物产量相关性最高的各生长发育时期的植被指数包括长势爬升期的NDVI指数、长势平台期的绿波段叶绿素指数、长势衰落期的绿波段叶绿素指数，则相对变化特征包括长势爬升期的NDVI指数的变化量、长势平台期的绿波段叶绿素指数的变化量、长势衰落期的绿波段叶绿素指数的变化量。
本发明实施例提供的种植物估产方法，通过上述方式，对植被指数集进行生长发育时期分类，从而可以确定各生长发育时期的物候变化特征，进而可以确定各生长发育时期的相对变化特征，即使待估产种植物存在不同品种或存在种植条件不同的情况，通过不同生长发育时期的相对变化特征进行产量预测，可以适应于不同种植物品种和不同种植条件的种植物估产，进而进一步提高种植物估产的准确性；同时，相比只确定整体发育的相对变化特征，该不同生长发育区间的相对变化特征更加准确，即进一步提高相对变化特征确定的准确性，进而进一步提高种植物估产的准确性。
基于上述任一实施例，该方法中，所述物候变化特征包括以下至少一种：植被指数的绝对累积值、所述绝对累积值的变化率、植被指数的相对累积值、所述相对累积值的变化率、植被指数的变化量和植被指数的变化率；所述绝对累积值为植被指数与时间的积分值；所述绝对累积值的变化率为所述绝对累积值与时间的比值；所述相对累积值为植被指数的相对值与时间的积分值，所述相对值为植被指数与初始指数相减的值，所述初始指数为时间最早的植被指数；所述相对累积值的变化率为所述相对累积值与时间的比值；所述变化量为时间最晚的植被指数与时间最早的植被指数的差值；所述植被指数的变化率为所述变化量与时间的比值。
基于上述任一实施例，图4为本发明提供的种植物估产方法的流程示意图之三，如图4所示，上述步骤120包括：
步骤121，将所述多时相遥感影像数据输入至所述产量预测模型的植被指数提取层，进行不同时相的植被指数提取处理，得到所述植被指数提取层输出的第三植被指数集。
具体地，基于植被指数提取层，对多时相遥感影像数据中各时相的遥感影像样本进行植被指数提取处理，得到各时相的植被指数，进而将各时相的植被指数确定为第三植被指数集。更为具体地，计算多时相遥感影像数据中每一遥感影像的植被指数，得到各遥感影像的植被指数，进而将各遥感影像的植被指数确定为第三植被指数集。
此处，第三植被指数集可以包括多种植被指数集。在一具体实施例中，第三植被指数集包括NDVI指数集和绿波段叶绿素指数集。该第三植被指数集中各植被指数有对应的时间属性，进而可以基于该第三植被指数集确定植被指数变化曲线，即植被指数随时间变化的植被指数变化情况，例如NDVI指数变化曲线、绿波段叶绿素指数变化曲线。
步骤122，将所述第三植被指数集输入至所述产量预测模型的特征提取层，得到所述特征提取层输出的所述相对变化特征。
此处，相对变化特征由上述实施例的特征工程的步骤确定。
在一实施例中，相对变化特征包括各生长发育时期的相对变化特征，例如，长势爬升期的NDVI指数的变化量、长势平台期的绿波段叶绿素指数的变化量、长势衰落期的绿波段叶绿素指数的变化量。在另一实施例中，相对变化特征为NDVI指数的变化量。
在一实施例中，第三植被指数集包括第二NDVI指数集；上述步骤122包括：将第二NDVI指数集输入至特征提取层的生长发育区间预测层，得到生长发育区间预测层输出的第二生长发育区间；将第三植被指数集和第二生长发育区间输入至特征提取层的指数去除层，对非发育区间外的植被指数进行去除，得到指数去除层输出的第四植被指数集；将第四植被指数集输入至特征提取层的相对变化特征提取层，得到相对变化特征提取层输出的相对变化特征。
在另一实施例中，上述步骤122包括：将第三植被指数集输入至特征提取层的指数分类层，进行生长发育时期分类，得到指数分类层输出的分类后的第三植被指数集；将分类后的第三植被指数集中各生长发育时期的植被指数集，输入至特征提取层的相对变化特征提取层，得到相对变化特征提取层输出的各生长发育时期的相对变化特征。
步骤123，将所述相对变化特征输入至所述产量预测模型的产量预测层，得到所述产量预测层输出的所述产量预测结果。
需要说明的是，产量预测模型是基于多时相遥感影像数据样本进行训练得到的。具体地，产量预测模型的产量预测层是基于多时相遥感影像数据样本提取得到的相对变化特征与其样本种植物产量进行训练得到的。
本发明实施例提供的种植物估产方法，通过上述特征工程确定的相对变化特征，可以更好地筛选出相对变化特征，进而提升产量预测模型的训练效果，从而在产量预测模型进行产量预测时，可以对植被指数集提取对应的相对变化特征，进而提高产量预测模型的精确性，最终进一步提高种植物估产的准确性。
基于上述任一实施例，该方法中，所述第三植被指数集包括第二NDVI指数集；上述步骤122包括：
将所述第二NDVI指数集输入至所述特征提取层的生长发育区间预测层，得到所述生长发育区间预测层输出的第二生长发育区间；
将所述第三植被指数集和所述第二生长发育区间输入至所述特征提取层的指数去除层，对非发育区间外的植被指数进行去除，得到所述指数去除层输出的第四植被指数集；
将所述第四植被指数集输入至所述特征提取层的指数分类层，进行生长发育时期分类，得到所述指数分类层输出的分类后的第四植被指数集；
将所述分类后的第四植被指数集中各生长发育时期的植被指数集，输入至所述特征提取层的相对变化特征提取层，得到所述相对变化特征提取层输出的所述各生长发育时期的所述相对变化特征。
具体地，由于第二NDVI指数集中各NDVI指数均有对应的时间属性，基于此，基于第二NDVI指数集可以提取出属于待估产种植物发育变化的部分，进而可以将非种植物发育变化的部分去除掉，进而得到第二生长发育区间对应的第四植被指数集。
此处，第二生长发育区间为待估产种植物发生发育变化的时间段，即待估产种植物生育期的时间段。
此处，第四植被指数集仅仅包括第二生长发育区间内的植被指数。具体地，第四植被指数集包括第二生长发育区间内的NDVI指数集和第二生长发育区间内的绿波段叶绿素指数集。
此处，各生长发育时期可以根据实际需要进行设定。在一具体实施例中，各生长发育时期可以包括长势爬升期、长势平台期、长势衰落期。
在一具体实施例中，基于第四植被指数集中NDVI指数集，确定各生长发育时期的时间，进而基于各生长发育时期的时间确定分类后的第四植被指数集。其中，长势爬升期为NDVI指数向上变化的时期；长势平台期为NDVI指数达到饱和的时期，即NDVI指数变化不大的时期；长势衰落期为NDVI指数向下变化的时期。
在一实施例中，第二植被指数集包括NDVI指数集和绿波段叶绿素指数集。基于此，相对变化特征可以包括长势爬升期的NDVI指数的变化量、长势平台期的绿波段叶绿素指数的变化量、长势衰落期的绿波段叶绿素指数的变化量。
本发明实施例提供的种植物估产方法，通过上述方式，将第三植被指数集中第二生长发育区间外的植被指数去除，从而基于更加准确的第四植被指数集进行相对变化特征的提取，进而进一步提高种植物估产的准确性；此外，对植被指数集进行生长发育时期分类，从而可以确定各生长发育时期的相对变化特征，即使待估产种植物存在不同品种或存在种植条件不同的情况，通过不同生长发育时期的相对变化特征进行产量预测，可以适应于不同种植物品种和不同种植条件的种植物估产，进而进一步提高种植物估产的准确性；同时，相比只确定整体发育的相对变化特征，该不同生长发育区间的相对变化特征更加准确，进而进一步提高种植物估产的准确性。
下面对本发明提供的种植物估产装置进行描述，下文描述的种植物估产装置与上文描述的种植物估产方法可相互对应参照。
图5为本发明提供的种植物估产装置的结构示意图，如图5所示，该种植物估产装置，包括：
获取模块510，用于获取待估产区域的多时相遥感影像数据，所述待估产区域为待估产种植物所处的区域；
预测模块520，用于将所述多时相遥感影像数据输入至产量预测模型，得到所述产量预测模型输出的产量预测结果；
其中，所述产量预测模型用于基于对所述多时相遥感影像数据提取得到的植被指数的相对变化特征，进行产量预测；
所述相对变化特征是基于对多时相遥感影像样本数据提取得到的物候变化特征，与样本种植物产量进行相关性分析确定的，所述相对变化特征为与所述样本种植物产量的相关性符合预设相关性要求的特征，所述样本种植物产量为所述多时相遥感影像样本数据对应的产量。
基于上述任一实施例，该装置还包括：
影像获取模块，用于获取所述多时相遥感影像样本数据，以及所述样本种植物产量；
指数提取模块，用于对所述多时相遥感影像样本数据，进行不同时相的植被指数提取处理，得到第一植被指数集；
特征提取模块，用于对所述第一植被指数集进行特征提取，得到所述物候变化特征；
相关性分析模块，用于将所述物候变化特征与所述样本种植物产量进行相关性分析；
特征确定模块，用于基于相关性分析结果，确定所述相对变化特征。
基于上述任一实施例，所述第一植被指数集包括第一归一化植被指数NDVI指数集；
该特征提取模块包括：
区间确定单元，用于基于所述第一NDVI指数集，确定第一生长发育区间；
指数确定单元，用于从所述第一植被指数集确定出所述第一生长发育区间对应的第二植被指数集；
第一特征提取单元，用于对所述第二植被指数集进行特征提取，得到所述物候变化特征。
基于上述任一实施例，该第一特征提取单元还用于：
对所述第二植被指数集进行生长发育时期分类；
对分类后的第二植被指数集进行特征提取，得到各生长发育时期的所述物候变化特征，以供确定所述各生长发育时期的所述相对变化特征。
基于上述任一实施例，所述物候变化特征包括以下至少一种：植被指数的绝对累积值、所述绝对累积值的变化率、植被指数的相对累积值、所述相对累积值的变化率、植被指数的变化量和植被指数的变化率；
所述绝对累积值为植被指数与时间的积分值；
所述绝对累积值的变化率为所述绝对累积值与时间的比值；
所述相对累积值为植被指数的相对值与时间的积分值，所述相对值为植被指数与初始指数相减的值，所述初始指数为时间最早的植被指数；
所述相对累积值的变化率为所述相对累积值与时间的比值；
所述变化量为时间最晚的植被指数与时间最早的植被指数的差值；
所述植被指数的变化率为所述变化量与时间的比值。
基于上述任一实施例，该预测模块520包括：
指数提取单元，用于将所述多时相遥感影像数据输入至所述产量预测模型的植被指数提取层，进行不同时相的植被指数提取处理，得到所述植被指数提取层输出的第三植被指数集；
第二特征提取单元，用于将所述第三植被指数集输入至所述产量预测模型的特征提取层，得到所述特征提取层输出的所述相对变化特征；
产量预测单元，用于将所述相对变化特征输入至所述产量预测模型的产量预测层，得到所述产量预测层输出的所述产量预测结果。
基于上述任一实施例，所述第三植被指数集包括第二NDVI指数集；该第二特征提取单元还用于：
将所述第二NDVI指数集输入至所述特征提取层的生长发育区间预测层，得到所述生长发育区间预测层输出的第二生长发育区间；
将所述第三植被指数集和所述第二生长发育区间输入至所述特征提取层的指数去除层，对非发育区间外的植被指数进行去除，得到所述指数去除层输出的第四植被指数集；
将所述第四植被指数集输入至所述特征提取层的指数分类层，进行生长发育时期分类，得到所述指数分类层输出的分类后的第四植被指数集；
将所述分类后的第四植被指数集中各生长发育时期的植被指数集，输入至所述特征提取层的相对变化特征提取层，得到所述相对变化特征提取层输出的所述各生长发育时期的所述相对变化特征。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行种植物估产方法，该方法包括：获取待估产区域的多时相遥感影像数据，所述待估产区域为待估产种植物所处的区域；将所述多时相遥感影像数据输入至产量预测模型，得到所述产量预测模型输出的产量预测结果；其中，所述产量预测模型用于基于对所述多时相遥感影像数据提取得到的植被指数的相对变化特征，进行产量预测；所述相对变化特征是基于对多时相遥感影像样本数据提取得到的物候变化特征，与样本种植物产量进行相关性分析确定的，所述相对变化特征为与所述样本种植物产量的相关性符合预设相关性要求的特征，所述样本种植物产量为所述多时相遥感影像样本数据对应的产量。
此外，上述的存储器630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。
另一方面，本发明还提供一种计算机程序产品，所述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，所述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种植物估产方法，该方法包括：获取待估产区域的多时相遥感影像数据，所述待估产区域为待估产种植物所处的区域；将所述多时相遥感影像数据输入至产量预测模型，得到所述产量预测模型输出的产量预测结果；其中，所述产量预测模型用于基于对所述多时相遥感影像数据提取得到的植被指数的相对变化特征，进行产量预测；所述相对变化特征是基于对多时相遥感影像样本数据提取得到的物候变化特征，与样本种植物产量进行相关性分析确定的，所述相对变化特征为与所述样本种植物产量的相关性符合预设相关性要求的特征，所述样本种植物产量为所述多时相遥感影像样本数据对应的产量。
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种植物估产方法，该方法包括：获取待估产区域的多时相遥感影像数据，所述待估产区域为待估产种植物所处的区域；将所述多时相遥感影像数据输入至产量预测模型，得到所述产量预测模型输出的产量预测结果；其中，所述产量预测模型用于基于对所述多时相遥感影像数据提取得到的植被指数的相对变化特征，进行产量预测；所述相对变化特征是基于对多时相遥感影像样本数据提取得到的物候变化特征，与样本种植物产量进行相关性分析确定的，所述相对变化特征为与所述样本种植物产量的相关性符合预设相关性要求的特征，所述样本种植物产量为所述多时相遥感影像样本数据对应的产量。
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 (9)

1.一种种植物估产方法，其特征在于，包括：
获取待估产区域的多时相遥感影像数据，所述待估产区域为待估产种植物所处的区域；
将所述多时相遥感影像数据输入至产量预测模型，得到所述产量预测模型输出的产量预测结果；
其中，所述产量预测模型用于基于对所述多时相遥感影像数据提取得到的植被指数的相对变化特征，进行产量预测；
所述相对变化特征是基于对多时相遥感影像样本数据提取得到的物候变化特征，与样本种植物产量进行相关性分析确定的，所述相对变化特征为与所述样本种植物产量的相关性符合预设相关性要求的特征，所述样本种植物产量为所述多时相遥感影像样本数据对应的产量；
所述物候变化特征包括以下至少一种：植被指数的绝对累积值、所述绝对累积值的变化率、植被指数的相对累积值、所述相对累积值的变化率、植被指数的变化量和植被指数的变化率；
所述绝对累积值为植被指数与时间的积分值；
所述绝对累积值的变化率为所述绝对累积值与时间的比值；
所述相对累积值为植被指数的相对值与时间的积分值，所述相对值为植被指数与初始指数相减的值，所述初始指数为时间最早的植被指数；
所述相对累积值的变化率为所述相对累积值与时间的比值；
所述变化量为时间最晚的植被指数与时间最早的植被指数的差值；
所述植被指数的变化率为所述变化量与时间的比值。
2.根据权利要求1所述的种植物估产方法，其特征在于，所述相对变化特征通过如下步骤确定：
获取所述多时相遥感影像样本数据，以及所述样本种植物产量；
对所述多时相遥感影像样本数据，进行不同时相的植被指数提取处理，得到第一植被指数集；
对所述第一植被指数集进行特征提取，得到所述物候变化特征；
将所述物候变化特征与所述样本种植物产量进行相关性分析；
基于相关性分析结果，确定所述相对变化特征。
3.根据权利要求2所述的种植物估产方法，其特征在于，所述第一植被指数集包括第一归一化植被指数NDVI指数集；
所述对所述第一植被指数集进行特征提取，得到所述物候变化特征，包括：
基于第一NDVI指数集，确定第一生长发育区间；
从所述第一植被指数集确定出所述第一生长发育区间对应的第二植被指数集；
对所述第二植被指数集进行特征提取，得到所述物候变化特征。
4.根据权利要求3所述的种植物估产方法，其特征在于，所述对所述第二植被指数集进行特征提取，得到所述物候变化特征，包括：
对所述第二植被指数集进行生长发育时期分类；
对分类后的第二植被指数集进行特征提取，得到各生长发育时期的所述物候变化特征，以供确定所述各生长发育时期的所述相对变化特征。
5.根据权利要求1所述的种植物估产方法，其特征在于，所述将所述多时相遥感影像数据输入至产量预测模型，得到所述产量预测模型输出的产量预测结果，包括：
将所述多时相遥感影像数据输入至所述产量预测模型的植被指数提取层，进行不同时相的植被指数提取处理，得到所述植被指数提取层输出的第三植被指数集；
将所述第三植被指数集输入至所述产量预测模型的特征提取层，得到所述特征提取层输出的所述相对变化特征；
将所述相对变化特征输入至所述产量预测模型的产量预测层，得到所述产量预测层输出的所述产量预测结果。
6.根据权利要求5所述的种植物估产方法，其特征在于，所述第三植被指数集包括第二NDVI指数集；
所述将所述第三植被指数集输入至所述产量预测模型的特征提取层，得到所述特征提取层输出的所述相对变化特征，包括：
将所述第二NDVI指数集输入至所述特征提取层的生长发育区间预测层，得到所述生长发育区间预测层输出的第二生长发育区间；
将所述第三植被指数集和所述第二生长发育区间输入至所述特征提取层的指数去除层，对非发育区间外的植被指数进行去除，得到所述指数去除层输出的第四植被指数集；
将所述第四植被指数集输入至所述特征提取层的指数分类层，进行生长发育时期分类，得到所述指数分类层输出的分类后的第四植被指数集；
将所述分类后的第四植被指数集中各生长发育时期的植被指数集，输入至所述特征提取层的相对变化特征提取层，得到所述相对变化特征提取层输出的所述各生长发育时期的所述相对变化特征。
7.一种种植物估产装置，其特征在于，包括：
获取模块，用于获取待估产区域的多时相遥感影像数据，所述待估产区域为待估产种植物所处的区域；
预测模块，用于将所述多时相遥感影像数据输入至产量预测模型，得到所述产量预测模型输出的产量预测结果；
其中，所述产量预测模型用于基于对所述多时相遥感影像数据提取得到的植被指数的相对变化特征，进行产量预测；
所述相对变化特征是基于对多时相遥感影像样本数据提取得到的物候变化特征，与样本种植物产量进行相关性分析确定的，所述相对变化特征为与所述样本种植物产量的相关性符合预设相关性要求的特征，所述样本种植物产量为所述多时相遥感影像样本数据对应的产量；
所述物候变化特征包括以下至少一种：植被指数的绝对累积值、所述绝对累积值的变化率、植被指数的相对累积值、所述相对累积值的变化率、植被指数的变化量和植被指数的变化率；
所述绝对累积值为植被指数与时间的积分值；
所述绝对累积值的变化率为所述绝对累积值与时间的比值；
所述相对累积值为植被指数的相对值与时间的积分值，所述相对值为植被指数与初始指数相减的值，所述初始指数为时间最早的植被指数；
所述相对累积值的变化率为所述相对累积值与时间的比值；
所述变化量为时间最晚的植被指数与时间最早的植被指数的差值；
所述植被指数的变化率为所述变化量与时间的比值。
8.一种电子设备，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6任一项所述种植物估产方法。
9.一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6任一项所述种植物估产方法。
CN202210683708.6A 2022-06-17 2022-06-17 种植物估产方法、装置、电子设备和存储介质 Active CN114782837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210683708.6A CN114782837B (zh) 2022-06-17 2022-06-17 种植物估产方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210683708.6A CN114782837B (zh) 2022-06-17 2022-06-17 种植物估产方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN114782837A CN114782837A (zh) 2022-07-22
CN114782837B true CN114782837B (zh) 2022-10-18

Family

ID=82421565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210683708.6A Active CN114782837B (zh) 2022-06-17 2022-06-17 种植物估产方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114782837B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542403B (zh) * 2023-07-06 2023-10-20 航天宏图信息技术股份有限公司 作物产量预测方法、装置、电子设备及可读存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355143A (zh) * 2016-08-25 2017-01-25 中国农业大学 多源多时相高分遥感影像的制种玉米田识别方法及系统
CN108985260B (zh) * 2018-08-06 2022-03-04 航天恒星科技有限公司 一种遥感及气象一体化水稻估产方法
CN109522788B (zh) * 2018-09-30 2020-11-06 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
CN110472525B (zh) * 2019-07-26 2021-05-07 浙江工业大学 一种时间序列遥感植被指数的噪声检测方法
CN110414738B (zh) * 2019-08-01 2022-03-22 吉林高分遥感应用研究院有限公司 一种农作物产量预测方法及系统
CN110472184B (zh) * 2019-08-22 2022-11-04 电子科技大学 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法
CN110751094B (zh) * 2019-10-21 2020-08-28 北京师范大学 一种基于gee综合遥感影像和深度学习方法的作物估产方法
CN113269716A (zh) * 2021-04-08 2021-08-17 塔里木大学 一种基于多源遥感数据的香梨成熟期遥感预测方法
CN113221806B (zh) * 2021-05-25 2022-02-01 河南大学 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法
CN113591631A (zh) * 2021-07-16 2021-11-02 杭州领见数字农业科技有限公司 一种基于多源数据的作物估产方法
CN113963260A (zh) * 2021-10-20 2022-01-21 中科三清科技有限公司 一种冬小麦种植区的提取方法、装置和计算机设备
CN114219847B (zh) * 2022-02-18 2022-07-01 清华大学 基于物候特征的作物种植面积确定方法、系统及存储介质

Also Published As

Publication number Publication date
CN114782837A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
Zhou et al. Using colour features of cv.‘Gala’apple fruits in an orchard in image processing to predict yield
Zhou et al. Strawberry maturity classification from UAV and near-ground imaging using deep learning
US20210209705A1 (en) System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain
CN114782838B (zh) 水稻识别方法、装置、电子设备和存储介质
CN111460990B (zh) 一种基于大数据的高寒牧区草原虫害监测预警系统及方法
CN111582554A (zh) 一种农作物长势预测方法及系统
Costa et al. Measuring pecan nut growth utilizing machine vision and deep learning for the better understanding of the fruit growth curve
Rodrigues et al. Monitoring vegetation dynamics inferred by satellite data using the PhenoSat tool
CN114782837B (zh) 种植物估产方法、装置、电子设备和存储介质
CN114461903A (zh) 作物品种适宜推广区域确定方法及装置
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
CN114419367A (zh) 一种农作物高精度制图方法及系统
CN111582035B (zh) 一种果树树龄识别方法、装置、设备及存储介质
CN115620151B (zh) 物候期识别方法、装置、电子设备和存储介质
CN115690580A (zh) 一种玉米倒伏遥感监测方法、系统、电子设备及介质
CN111579565A (zh) 农业干旱监测方法、系统及存储介质
CN113240340B (zh) 基于模糊分类的大豆种植区分析方法、装置、设备和介质
Bóbeda et al. Using regression trees to predict citrus load balancing accuracy and costs
CN112488230A (zh) 基于机器学习的作物水分胁迫程度判定方法和装置
CN112734119A (zh) 一种基于空间养分聚类分析的玉米产量预测方法
CN113223040B (zh) 基于遥感的香蕉估产方法、装置、电子设备和存储介质
CN115660236B (zh) 作物物候期预测方法、装置、电子设备和存储介质
Lakshmi et al. Plant phenotyping through Image analysis using nature inspired optimization techniques
CN116542403B (zh) 作物产量预测方法、装置、电子设备及可读存储介质
CN115909300A (zh) 一种仁果类果树产量预测模型构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant