CN114821344B - 一种叶面积指数计算方法和装置 - Google Patents
一种叶面积指数计算方法和装置 Download PDFInfo
- Publication number
- CN114821344B CN114821344B CN202210720661.6A CN202210720661A CN114821344B CN 114821344 B CN114821344 B CN 114821344B CN 202210720661 A CN202210720661 A CN 202210720661A CN 114821344 B CN114821344 B CN 114821344B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image data
- sensing image
- fitting
- classification
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种叶面积指数计算方法和装置,涉及遥感观测的技术领域,包括:基于样本遥感影像数据的目标数据,对样本遥感影像数据的包含的像素点进行分类;基于遥感影像数据叶面积指数数据,确定出每一分类对应的最优拟合函数和最优拟合函数的拟合参数;基于每一分类对应的目标数据构建第一JSON串,并基于每一分类对应的最优拟合函数和最优拟合函数的拟合参数构建第二JSON串,并基于第一JSON串和第二JSON串构建模型库;在获取到待处理遥感影像数据之后,基于第一JSON串和第二JSON串,计算出待处理遥感影像数据中包含的像素点的叶面积指数,解决了现有的叶面积指数计算方法的计算精度和普适性较差的技术问题。
Description
技术领域
本发明涉及遥感观测的技术领域,尤其是涉及 一种叶面积指数计算方法和装置。
背景技术
叶面积指数(leaf area index, LAI)是植被冠层结构重要参数之一,指一定土地面积上植物叶面面积总和与土地面积之比。它与植被的密度、结构(单层或复层)、树木的生物学特性(分枝角、叶着生角、耐荫性等)和环境条件(光照、水分、土壤营养状况)有关,是表示植被利用光能状况、冠层结构和植物生长状况的一个综合指标。
大量研究表明,可重复、全球覆盖的遥感观测为动态估计和监测陆地表面生物物理量提供了强有力的工具。遥感可以快速、大范围、周期性地提取区域乃至全球的植被参数,并能够提供分布情况,提高了数据的精度和可获取性。目前已有很多关于LAI遥感反演算法的研究,国内外学者已经开展了很多研究。但是,目前研究算法普遍针对特定区域,不具有普适性。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供 一种叶面积指数计算方法和装置,以缓解现有的叶面积指数计算方法的计算精度和普适性较差的技术问题。
第一方面,本发明实施例提供了一种叶面积指数计算方法,包括: 获取样本遥感影像数据和所述样本遥感影像数据对应的叶面积指数数据;基于所述样本遥感影像数据的目标数据,对所述样本遥感影像数据包含的像素点进行分类,其中,所述目标数据包括:遥感影像数据类型、拍摄时间、土地覆被类型和地理气候类型;基于所述遥感影像数据对应的叶面积指数数据,确定出每一分类对应的最优拟合函数和最优拟合函数的拟合参数;基于每一分类对应的目标数据构建第一JSON串,并基于每一分类对应的最优拟合函数和最优拟合函数的拟合参数构建第二JSON串,并基于所述第一JSON串和所述第二JSON串构建模型库;在获取到待处理遥感影像数据之后,基于所述第一JSON串和所述第二JSON串,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数。
进一步地,对所述样本遥感影像数据包含的像素点进行分类,包括:
基于所述样本遥感影像数据的目标数据,确定出所述样本遥感影像数据中的目标像素点,其中,所述目标像素点为所述样本遥感影像数据包含的像素点对应的目标数据相同的像素点;将所述目标像素点,确定为同一分类。
进一步地,基于所述遥感影像数据对应的叶面积指数数据,确定出每一分类对应的最优拟合函数和最优拟合函数的拟合参数,包括:基于所述样本遥感影像数据包含的像素点的叶面积指数,计算每一分类对应的预设拟合函数的拟合指标,其中,所述拟合指标包括:皮尔逊相关系数,决定系数和均方根误差;基于所述拟合指标,确定出每一分类对应的拟合函数的综合优度指标,并确定出每一分类对应的目标拟合函数,其中,所述综合优度指标为各个拟合指标与各个拟合指标对应的权重值的乘积之和,所述最优拟合函数为每一分类对应的综合优度指标的最大值对应的拟合函数; 基于每一分类中包含的像素点的像素值和叶面积指数,确定出每一分类对应的最优拟合函数的拟合参数。
进一步地,基于所述第一JSON串和所述第二JSON串,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数,包括:确定出所述待处理遥感影像数据对应的目标数据,并基于待处理遥感影像数据对应的目标数据,所述第一JSON串和所述第二JSON串,确定出所述待处理遥感影像数据中包含的像素点对应的最优拟合函数和最优拟合函数的拟合参数;基于待处理遥感影像数据中包含的像素点的像素值,所述待处理遥感影像数据中包含的像素点对应的最优拟合函数和最优拟合函数的拟合参数,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数。
第二方面,本发明实施例还提供了一种叶面积指数计算装置,包括:获取单元,分类单元,确定单元,构建单元和计算单元,其中,所述获取单元,用于获取样本遥感影像数据和所述样本遥感影像数据对应的叶面积指数数据;所述分类单元,用于基于所述样本遥感影像数据的目标数据,对所述样本遥感影像数据包含的像素点进行分类,其中,所述目标数据包括:遥感影像数据类型、拍摄时间、土地覆被类型和地理气候类型;所述确定单元,用于基于所述遥感影像数据对应的叶面积指数数据,确定出每一分类对应的最优拟合函数和最优拟合函数的拟合参数;所述构建单元,用于基于每一分类对应的目标数据构建第一JSON串,并基于每一分类对应的最优拟合函数和最优拟合函数的拟合参数构建第二JSON串,并基于所述第一JSON串和所述第二JSON串构建模型库;所述计算单元,用于在获取到待处理遥感影像数据之后,基于所述第一JSON串和所述第二JSON串,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数。
进一步地,所述分类单元,用于:基于所述样本遥感影像数据的目标数据,确定出所述样本遥感影像数据中的目标像素点,其中,所述目标像素点为所述样本遥感影像数据包含的像素点对应的目标数据相同的像素点;将所述目标像素点,确定为同一分类。
进一步地,所述确定单元,用于:基于所述样本遥感影像数据包含的像素点的叶面积指数,计算每一分类对应的预设拟合函数的拟合指标,其中,所述拟合指标包括:皮尔逊相关系数,决定系数和均方根误差;基于所述拟合指标,确定出每一分类对应的拟合函数的综合优度指标,并确定出每一分类对应的目标拟合函数,其中,所述综合优度指标为各个拟合指标与各个拟合指标对应的权重值的乘积之和,所述最优拟合函数为每一分类对应的综合优度指标的最大值对应的拟合函数; 基于每一分类中包含的像素点的像素值和叶面积指数,确定出每一分类对应的最优拟合函数的拟合参数。
第三方面,本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例还提供了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。
在本发明实施例中,通过获取样本遥感影像数据和所述样本遥感影像数据对应的叶面积指数数据;基于所述样本遥感影像数据的目标数据,对所述样本遥感影像数据包含的像素点进行分类,其中,所述目标数据包括:遥感影像数据类型、拍摄时间、土地覆被类型和地理气候类型;基于所述遥感影像数据对应的叶面积指数数据,确定出每一分类对应的最优拟合函数和最优拟合函数的拟合参数;基于每一分类对应的目标数据构建第一JSON串,并基于每一分类对应的最优拟合函数和最优拟合函数的拟合参数构建第二JSON串,并基于所述第一JSON串和所述第二JSON串构建模型库;在获取到待处理遥感影像数据之后,基于所述第一JSON串和所述第二JSON串,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数,本申请通过对遥感影像数据进行细化分类,达到了对针对不同遥感影像数据的叶面积指数进行计算的目的,进而解决了现有的叶面积指数计算方法的计算精度和普适性较差的技术问题的技术问题,从而实现了提高叶面积指数计算方法的计算精度和普适性技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种叶面积指数的计算方法的流程图;
图2为本发明实施例提供的一种叶面积指数计算装置的示意图;
图3为本发明实施例提供的 一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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做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。
实施例一:
根据本发明实施例,提供了一种叶面积指数的计算方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种叶面积指数的计算方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取样本遥感影像数据和所述样本遥感影像数据对应的叶面积指数数据;
步骤S104,基于所述样本遥感影像数据的目标数据,对所述样本遥感影像数据包含的像素点进行分类,其中,所述目标数据包括:遥感影像数据类型、拍摄时间、土地覆被类型和地理气候类型;
需要说明的是,土地覆被类型包括:谷类及草本作物,灌木,阔叶作物,稀疏草原,混交林,郁闭灌丛。
步骤S106,基于所述遥感影像数据对应的叶面积指数数据,确定出每一分类对应的最优拟合函数和最优拟合函数的拟合参数;
步骤S108,基于每一分类对应的目标数据构建第一JSON串,并基于每一分类对应的最优拟合函数和最优拟合函数的拟合参数构建第二JSON串,并基于所述第一JSON串和所述第二JSON串构建模型库;
步骤S110,在获取到待处理遥感影像数据之后,基于所述第一JSON串和所述第二JSON串,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数。
在本发明实施例中,通过获取样本遥感影像数据和所述样本遥感影像数据对应的叶面积指数数据;基于所述样本遥感影像数据的目标数据,对所述样本遥感影像数据包含的像素点进行分类,其中,所述目标数据包括:遥感影像数据类型、拍摄时间、土地覆被类型和地理气候类型;基于所述遥感影像数据对应的叶面积指数数据,确定出每一分类对应的最优拟合函数和最优拟合函数的拟合参数;基于每一分类对应的目标数据构建第一JSON串,并基于每一分类对应的最优拟合函数和最优拟合函数的拟合参数构建第二JSON串,并基于所述第一JSON串和所述第二JSON串构建模型库;在获取到待处理遥感影像数据之后,基于所述第一JSON串和所述第二JSON串,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数,本申请通过对遥感影像数据进行细化分类,达到了对针对不同遥感影像数据的叶面积指数进行计算的目的,进而解决了现有的叶面积指数计算方法的计算精度和普适性较差的技术问题的技术问题,从而实现了提高叶面积指数计算方法的计算精度和普适性技术效果。
需要说明的是,由于JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式,具有可读性、可扩展性高的特点,易于人阅读和编写,同时也易于机器解析和生成,因此,通过JSON串记录遥感影像数据的目标数据、最优拟合函数和最优拟合函数的拟合参数能够支持对拟合函数和分类维度的扩展。
在本发明实施例中,步骤S104包括如下步骤:
步骤S11,基于所述样本遥感影像数据的目标数据,确定出所述样本遥感影像数据中的目标像素点,其中,所述目标像素点为所述样本遥感影像数据包含的像素点对应的目标数据相同的像素点;
步骤S12,将所述目标像素点,确定为同一分类。
下面以样本遥感影像数据为MODIS的NDVI数据(MOD13Q1),样本遥感影像数据对应的叶面积指数数据GLASS的LAI数据(LAI500M)、MODIS的LAI 数据(MOD15A2H)为例对上述方法进行说明。
在对样本遥感影像数据的包含的像素点进行分类之前,需要对样本遥感影像数据和样本遥感影像数据对应的叶面积指数数据进行预处理。
首先,从样本遥感影像数据中提取出目标数据,其中,拍摄时间的类型包括:春季、夏季、秋季和冬季。
先将NDVI数据、GLASS的LAI数据、MODIS的LAI 数据、土地覆被数据和地理气候分布数据进行格式转换,都转成tif数据;然后由于GLASS的LAI数据和MODIS的LAI 数据是8天合成数据,将这两种数据合成到16天,生成GLASS和MODIS的16天合成LAI 数据;将四类数据匹配到同一投影,同一分辨率,同一尺寸下。
对数据预处理后的结果进行筛选,选择GLASS LAI和MODIS LAI误差小于0.1的像素点,每景数据随机选择50000个点,将符合的点数据保存到数据集里。
然后,对数据集中的像素点进行分类,即,将数据集中包含的像素点对应的目标数据相同的像素点确定为同一类。
在本发明实施例中,步骤S106包括如下步骤:
步骤S21,基于所述样本遥感影像数据包含的像素点的叶面积指数,计算每一分类对应的预设拟合函数的拟合指标,其中,所述拟合指标包括:皮尔逊相关系数,决定系数和均方根误差;
步骤S22,基于所述拟合指标,确定出每一分类对应的拟合函数的综合优度指标,并确定出每一分类对应的目标拟合函数,其中,所述综合优度指标为各个拟合指标与各个拟合指标对应的权重值的乘积,所述最优拟合函数为每一分类对应的综合优度指标的最大值对应的拟合函数;
步骤S23, 基于每一分类中包含的像素点的像素值和叶面积指数,确定出每一分类对应的最优拟合函数的拟合参数。
在本发明实施例中,拟合函数包括:二次函数、线性函数、指数函数、幂函数和对数函数这五种拟合函数。
然后,利用上述五种拟合函数对每一分类进行拟合,确定出物种拟合函数对于每一分类的最优拟合函数。
接着,基于样本遥感影像数据的包含的像素点的叶面积指数,计算每一分类对应的预设拟合函数的拟合指标,其中,拟合指标包括:皮尔逊相关系数,决定系数和均方根误差。
在计算出每一分类对应的预设拟合函数的拟合指标之后,计算出每一分类对应的每个拟合函数的各个拟合指标与各个拟合指标对应的权重值的乘积之和(即,综合优度指标),并将综合优度指标的最大值对应的拟合函数确定为每一分类对应的目标拟合函数。
在本发明实施例中,步骤S110包括如下步骤:
步骤S31,确定出所述待处理遥感影像数据对应的目标数据,并基于待处理遥感影像数据对应的目标数据,所述第一JSON串和所述第二JSON串,确定出所述待处理遥感影像数据中包含的像素点对应的最优拟合函数和最优拟合函数的拟合参数;
步骤S32,基于待处理遥感影像数据中包含的像素点的像素值,所述待处理遥感影像数据中包含的像素点对应的最优拟合函数和最优拟合函数的拟合参数,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数。
在本发明实施例中,在获取到待处理遥感影像数据之后,确定出每个像素点对应的目标数据,然后,根据目标数据,第一JSON串和第二JSON查找每个像素点对应的最优拟合函数和最优拟合函数的拟合参数,最后,将最优拟合函数的拟合参数和像素点的像素值带入最优拟合函数,得到像素点的叶面积指数。
在本发明实施例中,可以根据分批次确定不同目标参数对应的最优拟合函数和最优拟合函数的拟合参数,从而计算不同分类条件遥感影像数据的叶面积指数。
需要说明的是,在本发明实施例的模型库,采用JSON格式保存模型参数和分类条件参数,拟合函数扩展。除二次函数、线性函数、指数函数、幂数函数、对数函数五类拟合函数之外,支持增加任意数量和类型拟合函数。同样,对于分类参数可以进行任意扩展,如增加分类参数。
进一步地,本申请通过土地覆被类型,拍摄时间,地理气候类型,数据源,从而实现对问题域细分,在每细分类型获得最优拟合函数和最优拟合函数的拟合参数,能够有效提高拟合精度。
另外,还需要说明的是,本发明实施例中,工作人员可以在模型库中可以任意添加其它拟合函数,以及添加本发明实施例中所提供的目标数据以外的其它目标数据,在添加其它目标数据之后,可以执行上述步骤,从而得到其它目标数据对应的最优拟合函数和最优拟合函数的拟合参数。
本发明实施例具备以下优点:
扩展性:能够根据实际需要细化、增加分类,并针对变化的分类进行补充训练;
多版本:允许不同粗细粒度分类同时存在,根据第一JSON串匹配适合的拟合函数和拟合参数;
灵活性:可以分别针对子集进行训练,最终形成完整拟合函数和参数模型库,应用于叶面积指数的计算。也可对分类的子集进行局部重新训练和分类维度细化。
实施例二:
本发明实施例还提供了一种叶面积指数计算装置,该叶面积指数计算装置用于执行本发明实施例上述内容所提供的叶面积指数的计算方法,以下是本发明实施例提供的叶面积指数计算装置的具体介绍。
如图2所示,图2为上述 叶面积指数计算装置的示意图,该 叶面积指数计算装置包括:获取单元10,分类单元20,确定单元30,构建单元40和计算单元50。
所述获取单元10,用于获取样本遥感影像数据和所述样本遥感影像数据对应的叶面积指数数据;
所述分类单元20,用于基于所述样本遥感影像数据的目标数据,对所述样本遥感影像数据包含的像素点进行分类,其中,所述目标数据包括:遥感影像数据类型、拍摄时间、土地覆被类型和地理气候类型;
所述确定单元30,用于基于所述遥感影像数据对应的叶面积指数数据,确定出每一分类对应的最优拟合函数和最优拟合函数的拟合参数;
所述构建单元40,用于基于每一分类对应的目标数据构建第一JSON串,并基于每一分类对应的最优拟合函数和最优拟合函数的拟合参数构建第二JSON串,并基于所述第一JSON串和所述第二JSON串构建模型库;
所述计算单元50,用于在获取到待处理遥感影像数据之后,基于所述第一JSON串和所述第二JSON串,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数。
在本发明实施例中,通过获取样本遥感影像数据和所述样本遥感影像数据对应的叶面积指数数据;基于所述样本遥感影像数据的目标数据,对所述样本遥感影像数据包含的像素点进行分类,其中,所述目标数据包括:遥感影像数据类型、拍摄时间、土地覆被类型和地理气候类型;基于所述遥感影像数据对应的叶面积指数数据,确定出每一分类对应的最优拟合函数和最优拟合函数的拟合参数;基于每一分类对应的目标数据构建第一JSON串,并基于每一分类对应的最优拟合函数和最优拟合函数的拟合参数构建第二JSON串,并基于所述第一JSON串和所述第二JSON串构建模型库;在获取到待处理遥感影像数据之后,基于所述第一JSON串和所述第二JSON串,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数,本申请通过对遥感影像数据进行细化分类,达到了对针对不同遥感影像数据的叶面积指数进行计算的目的,进而解决了现有的叶面积指数计算方法的计算精度和普适性较差的技术问题的技术问题,从而实现了提高叶面积指数计算方法的计算精度和普适性技术效果。
实施例三:
本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
参见图3,本发明实施例还提供一种电子设备100,包括:处理器60,存储器61,总线62和通信接口63,所述处理器60、通信接口63和存储器61通过总线62连接;处理器60用于执行存储器61中存储的可执行模块,例如计算机程序。
其中,存储器61可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器61用于存储程序,所述处理器60在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中,或者由处理器60实现。
处理器60可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61,处理器60读取存储器61中的信息,结合其硬件完成上述方法的步骤。
实施例四:
本发明实施例还提供了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,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,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,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,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: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种叶面积指数的计算方法,其特征在于,包括:
获取样本遥感影像数据和所述样本遥感影像数据对应的叶面积指数数据;
基于所述样本遥感影像数据的目标数据,对所述样本遥感影像数据包含的像素点进行分类,其中,所述目标数据包括:遥感影像数据类型、拍摄时间、土地覆被类型和地理气候类型;
基于所述遥感影像数据对应的叶面积指数数据,确定出每一分类对应的最优拟合函数和最优拟合函数的拟合参数;
基于每一分类对应的目标数据构建第一JSON串,并基于每一分类对应的最优拟合函数和最优拟合函数的拟合参数构建第二JSON串,并基于所述第一JSON串和所述第二JSON串构建模型库;
在获取到待处理遥感影像数据之后,基于所述第一JSON串和所述第二JSON串,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数;
基于所述遥感影像数据对应的叶面积指数数据,确定出每一分类对应的最优拟合函数和最优拟合函数的拟合参数,包括:
基于所述样本遥感影像数据包含的像素点的叶面积指数,计算每一分类对应的预设拟合函数的拟合指标,其中,所述拟合指标包括:皮尔逊相关系数,决定系数和均方根误差;
基于所述拟合指标,确定出每一分类对应的拟合函数的综合优度指标,并确定出每一分类对应的目标拟合函数,其中,所述综合优度指标为各个拟合指标与各个拟合指标对应的权重值的乘积之和,所述最优拟合函数为每一分类对应的综合优度指标的最大值对应的拟合函数;
基于每一分类中包含的像素点的像素值和叶面积指数,确定出每一分类对应的最优拟合函数的拟合参数。
2.根据权利要求1所述的方法,其特征在于,对所述样本遥感影像数据包含的像素点进行分类,包括:
基于所述样本遥感影像数据的目标数据,确定出所述样本遥感影像数据中的目标像素点,其中,所述目标像素点为所述样本遥感影像数据包含的像素点对应的目标数据相同的像素点;
将所述目标像素点,确定为同一分类。
3.根据权利要求1所述的方法,其特征在于,基于所述第一JSON串和所述第二JSON串,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数,包括:
确定出所述待处理遥感影像数据对应的目标数据,并基于待处理遥感影像数据对应的目标数据,所述第一JSON串和所述第二JSON串,确定出所述待处理遥感影像数据中包含的像素点对应的最优拟合函数和最优拟合函数的拟合参数;
基于待处理遥感影像数据中包含的像素点的像素值,所述待处理遥感影像数据中包含的像素点对应的最优拟合函数和最优拟合函数的拟合参数,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数。
4.一种叶面积指数计算装置,其特征在于,包括:获取单元,分类单元,确定单元,构建单元和计算单元,其中,
所述获取单元,用于获取样本遥感影像数据和所述样本遥感影像数据对应的叶面积指数数据;
所述分类单元,用于基于所述样本遥感影像数据的目标数据,对所述样本遥感影像数据包含的像素点进行分类,其中,所述目标数据包括:遥感影像数据类型、拍摄时间、土地覆被类型和地理气候类型;
所述确定单元,用于基于所述遥感影像数据对应的叶面积指数数据,确定出每一分类对应的最优拟合函数和最优拟合函数的拟合参数;
所述构建单元,用于基于每一分类对应的目标数据构建第一JSON串,并基于每一分类对应的最优拟合函数和最优拟合函数的拟合参数构建第二JSON串,并基于所述第一JSON串和所述第二JSON串构建模型库;
所述计算单元,用于在获取到待处理遥感影像数据之后,基于所述第一JSON串和所述第二JSON串,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数;
其中,所述确定单元,用于:
基于所述样本遥感影像数据包含的像素点的叶面积指数,计算每一分类对应的预设拟合函数的拟合指标,其中,所述拟合指标包括:皮尔逊相关系数,决定系数和均方根误差;
基于所述拟合指标,确定出每一分类对应的拟合函数的综合优度指标,并确定出每一分类对应的目标拟合函数,其中,所述综合优度指标为各个拟合指标与各个拟合指标对应的权重值的乘积之和,所述最优拟合函数为每一分类对应的综合优度指标的最大值对应的拟合函数;
基于每一分类中包含的像素点的像素值和叶面积指数,确定出每一分类对应的最优拟合函数的拟合参数。
5.根据权利要求4所述的装置,其特征在于,所述分类单元,用于:
基于所述样本遥感影像数据的目标数据,确定出所述样本遥感影像数据中的目标像素点,其中,所述目标像素点为所述样本遥感影像数据包含的像素点对应的目标数据相同的像素点;
将所述目标像素点,确定为同一分类。
6.根据权利要求4所述的装置,其特征在于,所述计算单元,用于:
确定出所述待处理遥感影像数据对应的目标数据,并基于待处理遥感影像数据对应的目标数据,所述第一JSON串和所述第二JSON串,确定出所述待处理遥感影像数据中包含的像素点对应的最优拟合函数和最优拟合函数的拟合参数;
基于待处理遥感影像数据中包含的像素点的像素值,所述待处理遥感影像数据中包含的像素点对应的最优拟合函数和最优拟合函数的拟合参数,计算出所述待处理遥感影像数据中包含的像素点的叶面积指数。
7.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至3任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
8.一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,其特征在于,计算机程序被处理器运行时执行上述权利要求1至3任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210720661.6A CN114821344B (zh) | 2022-06-24 | 2022-06-24 | 一种叶面积指数计算方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210720661.6A CN114821344B (zh) | 2022-06-24 | 2022-06-24 | 一种叶面积指数计算方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114821344A CN114821344A (zh) | 2022-07-29 |
CN114821344B true CN114821344B (zh) | 2022-09-27 |
Family
ID=82522176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210720661.6A Active CN114821344B (zh) | 2022-06-24 | 2022-06-24 | 一种叶面积指数计算方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114821344B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008111725A (ja) * | 2006-10-30 | 2008-05-15 | Tokyo Electric Power Co Inc:The | 葉面積指数算出装置、葉面積指数算出方法及びそのプログラム |
CN103278112A (zh) * | 2013-05-17 | 2013-09-04 | 中国科学院对地观测与数字地球科学中心 | 一种基于遥感图像的叶面积指数反演方法及装置 |
CN108662991A (zh) * | 2018-04-08 | 2018-10-16 | 浙江大学 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
CN109977548A (zh) * | 2019-03-27 | 2019-07-05 | 南京林业大学 | 一种针对不同范围的叶面积指数遥感反演方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303063B (zh) * | 2015-12-03 | 2018-09-21 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
WO2021062247A1 (en) * | 2019-09-25 | 2021-04-01 | Blue River Technology Inc. | Treating plants using feature values and ground planes extracted from a single image |
CN113256567B (zh) * | 2021-05-08 | 2023-09-22 | 中国农业大学 | 香蕉叶面积指数检测方法及系统 |
-
2022
- 2022-06-24 CN CN202210720661.6A patent/CN114821344B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008111725A (ja) * | 2006-10-30 | 2008-05-15 | Tokyo Electric Power Co Inc:The | 葉面積指数算出装置、葉面積指数算出方法及びそのプログラム |
CN103278112A (zh) * | 2013-05-17 | 2013-09-04 | 中国科学院对地观测与数字地球科学中心 | 一种基于遥感图像的叶面积指数反演方法及装置 |
CN108662991A (zh) * | 2018-04-08 | 2018-10-16 | 浙江大学 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
CN109977548A (zh) * | 2019-03-27 | 2019-07-05 | 南京林业大学 | 一种针对不同范围的叶面积指数遥感反演方法 |
Non-Patent Citations (1)
Title |
---|
基于滁州市TM数据的叶面积指数估算模型研建;樊荣荣 等;《安徽农业科学》;20161231;第44卷(第21期);241-244 * |
Also Published As
Publication number | Publication date |
---|---|
CN114821344A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126511B (zh) | 一种基于植被指数融合的lai定量模型建立的方法 | |
Gao et al. | Object-based classification with features extracted by a semi-automatic feature extraction algorithm–SEaTH | |
Peters et al. | Synergy of very high resolution optical and radar data for object-based olive grove mapping | |
CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
US11790410B2 (en) | System and method for natural capital measurement | |
Yu et al. | Multi-temporal remote sensing of land cover change and urban sprawl in the coastal city of Yantai, China | |
CN110751035A (zh) | 一种制种玉米的识别方法及装置 | |
Yalcin | Phenology monitoring of agricultural plants using texture analysis | |
Song et al. | Object-based feature selection for crop classification using multi-temporal high-resolution imagery | |
CN111222539A (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 | |
CN112906537A (zh) | 一种基于卷积神经网络的农作物识别方法及系统 | |
Hall et al. | Object-based analysis of grapevine canopy relationships with winegrape composition and yield in two contrasting vineyards using multitemporal high spatial resolution optical remote sensing | |
CN114494909B (zh) | 一种大豆生长季空间分布图的生成方法和系统 | |
Mazarire et al. | Exploring machine learning algorithms for mapping crop types in a heterogeneous agriculture landscape using Sentinel-2 data. A case study of Free State Province, South Africa | |
Ang et al. | A novel ensemble machine learning and time series approach for oil palm yield prediction using Landsat time series imagery based on NDVI | |
Guo et al. | Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field | |
He et al. | Recognition of soybean pods and yield prediction based on improved deep learning model | |
Parida et al. | Crop types discrimination and yield prediction using sentinel-2 data and AquaCrop model in hazaribagh district, Jharkhand | |
Zhang et al. | Enhancing model performance in detecting lodging areas in wheat fields using UAV RGB Imagery: Considering spatial and temporal variations | |
CN114821344B (zh) | 一种叶面积指数计算方法和装置 | |
CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
Sitokonstantinou et al. | A sentinel based agriculture monitoring scheme for the control of the cap and food security | |
CN116503681A (zh) | 一种平原和丘陵区的作物识别特征优选方法及系统 | |
Nakajima et al. | Biomass estimation of World rice (Oryza sativa L.) core collection based on the convolutional neural network and digital images of canopy | |
CN115719453A (zh) | 一种基于深度学习的水稻种植结构遥感提取方法 |
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 |