CN114862069A - 预测模型构建方法、预测方法、装置、设备及介质 - Google Patents

预测模型构建方法、预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN114862069A
CN114862069A CN202210791364.0A CN202210791364A CN114862069A CN 114862069 A CN114862069 A CN 114862069A CN 202210791364 A CN202210791364 A CN 202210791364A CN 114862069 A CN114862069 A CN 114862069A
Authority
CN
China
Prior art keywords
pasture
preset
leaf area
area index
prediction model
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
Application number
CN202210791364.0A
Other languages
English (en)
Inventor
肖强智
徐维新
代娜
王淇玉
祝存兄
校瑞香
梁好
段旭辉
李航
黄坤琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202210791364.0A priority Critical patent/CN114862069A/zh
Publication of CN114862069A publication Critical patent/CN114862069A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种预测模型构建方法、预测方法、装置、设备及介质，涉及草地遥感领域。预测模型构建方法包括：获取预设牧草衰败期内，每隔预设时间间隔的刈割后的牧草样方对应的牧草照片；统计每张牧草照片中的牧草像元数量和纸张像元数量；基于预设算式，利用预设大小、牧草样方的面积、牧草像元数量和纸张像元数量，计算牧草样方对应的叶面积指数；对每个预设时间间隔和对应的叶面积指数进行线性回归，得到牧草叶面积指数的预测模型。基于此，本发明填补了牧草衰败期的牧草研究空白；并且，因本发明拟合的是时间和实际测量得到的叶面积指数的映射关系，避免了如光谱或其他环境变量可能带来的误差，从而保证了预测模型的有效性。

Description

预测模型构建方法、预测方法、装置、设备及介质
技术领域
本发明涉及草地遥感领域，尤其涉及一种预测模型构建方法、预测方法、装置、设备及介质。
背景技术
叶面积指数是一个无量纲度量参数，定义为单位地表面积上叶子表面积总和的一半，与植被生长期、物种种类、叶簇、叶倾角和非叶物质等因素有关。
现阶段常通过遥感观测和指数反演方法估算不同区域尺度的叶面积指数。但是，由于多光谱波段不连续和其他观测因素，基于指数反演方法的叶面积指数估算存在一定误差。并且，大多数的叶面积指数估算均为针对牧草生长期的研究，而牧草衰败期间的叶面积指数估算难题尚未得到解决。
发明内容
有鉴于此，本发明提供一种预测模型构建方法、预测方法、装置、设备及介质，以解决牧草衰败期间的叶面积指数估算难题。
第一方面，本发明实施例提供一种预测模型构建方法，包括：
在预设牧草衰败期内，每隔预设时间间隔获取刈割后的第一牧草样方对应的牧草照片，其中，所述牧草照片包括所述第一牧草样方中的牧草均匀放置在预设大小的纸张上的照片；
统计每张所述牧草照片中的牧草像元数量和纸张像元数量；
基于预设算式，利用所述预设大小、所述第一牧草样方的面积及所述牧草照片中的所述牧草像元数量和所述纸张像元数量，计算所述第一牧草样方对应的叶面积指数，其中，所述预设算式包括：
Figure P_220627114326959_959066001
式中，L表示叶面积指数，C 1表示所述牧草像元数量，C 2表示所述纸张像元数量，S 1表示所述预设大小，S 2表示所述第一牧草样方的面积；
对每个所述预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型。
可选的，在本发明实施例提供的一种可行方式中，一个第二牧草样方包括第一预设数量的所述第一牧草样方；
所述在预设牧草衰败期内，每隔预设时间间隔获取刈割后的第一牧草样方对应的牧草照片，包括：
在预设牧草衰败期内，每隔预设时间间隔从刈割后的第二牧草样方中随机选取第二预设数量的第一牧草样方，并获取所述第二预设数量的第一牧草样方中每个第一牧草样方对应的牧草照片，其中，所述第二预设数量小于所述第一预设数量；
所述对每个所述预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型，包括：
将所述第二预设数量的第一牧草样方的叶面积指数的平均值作为所述第二牧草样方的叶面积指数；
对每个所述预设时间间隔和每个所述预设时间间隔的所述第二牧草样方对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型。
可选的，在本发明实施例提供的一种可行方式中，所述在预设牧草衰败期内，每隔预设时间间隔获取刈割后的第一牧草样方对应的牧草照片之后，所述统计每张所述牧草照片中的牧草像元数量和纸张像元数量之前，所述方法还包括：
对每张所述牧草照片进行几何校正，以将每张所述牧草照片校正为垂直正射照片；
对校正后的每张牧草照片进行亮度调整处理，以凸显牧草照片中的牧草叶片；
基于预设阈值，对亮度调整处理后的每张牧草照片进行二值化处理，以将牧草照片中的牧草叶片与其他物体区分，得到亮度调整处理后的每张牧草照片对应的第二牧草照片；
所述统计每张所述牧草照片中的牧草像元数量和纸张像元数量，包括：
统计每张所述第二牧草照片中的牧草像元数量和纸张像元数量。
可选的，在本发明实施例提供的一种可行方式中，所述对每个所述预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型，包括：
基于多项式模型，对每个所述预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型。
可选的，在本发明实施例提供的一种可行方式中，所述预测模型包括：
Figure P_220627114326990_990319001
式中，L表示叶面积指数，t表示时间。
第二方面，本发明实施例提供一种预测方法，包括：
获取用户输入的待预测时间，其中，所述待预测时间属于预设牧草衰败期内；
将所述待预测时间输入至牧草叶面积指数的预测模型，得到所述待预测时间对应的牧草叶面积指数，其中，所述预测模型通过第一方面中任一种所述的预测模型构建方法得到。
第三方面，本发明实施例提供一种预测模型构建装置，包括：
获取模块，用于在预设牧草衰败期内，每隔预设时间间隔获取刈割后的第一牧草样方对应的牧草照片，其中，所述牧草照片包括所述第一牧草样方中的牧草均匀放置在预设大小的纸张上的照片；
统计模块，用于统计每张所述牧草照片中的牧草像元数量和纸张像元数量；
计算模块，用于基于预设算式，利用所述预设大小、所述第一牧草样方的面积及所述牧草照片中的所述牧草像元数量和所述纸张像元数量，计算所述第一牧草样方对应的叶面积指数，其中，所述预设算式包括：
Figure P_220627114327021_021549001
式中，L表示叶面积指数，C 1表示所述牧草像元数量，C 2表示所述纸张像元数量，S 1表示所述预设大小，S 2表示所述第一牧草样方的面积；
拟合模块，用于对每个所述预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型。
第四方面，本发明实施例提供一种预测装置，包括：
时间获取模块，用于获取用户输入的待预测时间，其中，所述待预测时间属于预设牧草衰败期内；
指数计算模块，用于将所述待预测时间输入至牧草叶面积指数的预测模型，得到所述待预测时间对应的牧草叶面积指数，其中，所述预测模型通过第一方面中所述的预测模型构建方法得到。
第五方面，本发明实施例提供一种计算机设备，包括存储器以及处理器，存储器存储有计算机程序，计算机程序在处理器上运行时执行如第一方面中所述的预测模型构建方法，或如第二方面中所述的预测方法。
第六方面，本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序在处理器上运行时执行如第一方面中所述的预测模型构建方法，或如第二方面中所述的预测方法。
本发明实施例提出的预测模型构建方法中，获取预设牧草衰败期内，每隔预设时间间隔的刈割后的第一牧草样方对应的牧草照片，以在后续过程中基于牧草照片中的牧草对应的像素点的数量确定牧草叶片面积；接着，统计每张牧草照片中的牧草像元数量和纸张像元数量，即确定牧草照片中牧草的像素点的数量，和纸张的像素点的数量；然后，基于预设算式，利用纸张的尺寸大小，即预设大小，和第一牧草样方的面积，以及统计得到的牧草像元数量和纸张像元数量，计算第一牧草样方对应的叶面积指数；最后，对每个预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型，也即确定时间节点与牧草叶面积指数的映射关系。
基于此，本发明实施例填补了牧草衰败期的牧草研究空白；并且，因本发明实施例拟合的是时间和实际测量得到的叶面积指数的映射关系，避免了如光谱或其他环境变量可能带来的误差，从而保证了预测模型的有效性；此外，将本发明实施例应用后，其他涉及牧草衰败期的牧草叶面积计算的研究，均可采用本发明实施例提供的方式确定牧草叶面积与时间的映射关系，进而高效地完成牧草叶面积测算，不仅如此，因预测模型能表示牧草叶面积指数与时间节点的映射关系，故能揭示牧草叶面积指数的变化规律，从而方便其他研究人员确定不同品种的牧草的叶面积指数变化规律。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1示出了本发明实施例提供的第一种预测模型构建方法的流程示意图；
图2示出了本发明实施例提供的预测模型示意图；
图3示出了本发明实施例提供的第二种预测模型构建方法的流程示意图；
图4a、图4b、图4c及图4d分别示出了本发明实施例提供的第一图像、第二图像、第三图像及第四图像；
图5示出了本发明实施例提供的预测方法的流程示意图；
图6示出了本发明实施例提供的预测模型构建装置的结构示意图；
图7示出了本发明实施例提供的预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
实施例1
参照图1，示出了本发明实施例提供的第一种预测模型构建方法的流程示意图，本发明实施例提供的预测模型构建方法包括：
步骤S110，在预设牧草衰败期内，每隔预设时间间隔获取刈割后的第一牧草样方对应的牧草照片，其中，所述牧草照片包括所述第一牧草样方中的牧草均匀放置在预设大小的纸张上的照片。
可以理解的是，因牧草品种的不同，不同牧草的牧草衰败期亦将不同。在本发明实施例的一种实例中，因研究对象为青海海北西海镇的高寒牧草，故预设牧草衰败期为每年8月至来年4月。
还可以理解的是，本发明实施例中牧草照片的获取方式可根据实际情况设置，如在本发明实施例提供的一种可行方式中，牧草照片的获取过程为：在第一牧草样方中的牧草完成收割，且第一牧草样方中的部分牧草被均匀且不重叠地铺放在预设大小的纸张后，计算机设备控制拍摄装置对纸张及纸张上的牧草进行拍摄，进而得到第一牧草样方对应的牧草照片。
优选的，在本发明实施例提供的可行方式中，预设大小的纸张为A3纸，即大小为297mm×420mm的纸张。
此外，不难理解的是，铺放在纸张上的牧草的数量根据实际情况设置。
以及，本发明实施例中的预设时间间隔亦可根据实际情况设置，如在本发明实施例提供的一种可行方式中，预设时间间隔为一个月。
还需说明的是，本发明实施例未限定第一牧草样方的数量，换言之，可同时获取多个第一牧草样方对应的牧草照片以扩充数据量，进而保证预测模型能得到大量的数据支撑，从而确保模型与实际情况贴切。
步骤S120，统计每张所述牧草照片中的牧草像元数量和纸张像元数量。
可以理解的是，二维图像是由若干个网状排列的像素组成的，因此，可根据二维图像的分辨率和二维图像中物体的实际面积计算出每个像素对应的实际面积；进而，在统计出二维图像中物体所占的像素个数后，即可通过物体的像素个数和像素对应的实际面积，得到物体对应的实际面积。
基于此，本发明实施例对牧草照片中的牧草像元数量和纸张像元数量进行统计，以在后续过程中通过牧草像元数量和纸张像元数量确定牧草的叶面积。
此外，还可以理解的是，统计像元数量的方式可根据实际情况设置，如在本发明实施例提供的一种可行方式中，计算机设备基于预设的目标检测模型完成牧草和纸张的检测以得到牧草和纸张在图像中对应的区域，再基于牧草和纸张在图像中对应的区域，完成牧草像元数量和纸张像元数量的统计。
步骤S130，基于预设算式，利用所述预设大小、所述第一牧草样方的面积及所述牧草照片中的所述牧草像元数量和所述纸张像元数量，计算所述第一牧草样方对应的叶面积指数，其中，所述预设算式包括：
Figure P_220627114327052_052797001
式中，L表示叶面积指数，C 1表示所述牧草像元数量，C 2表示所述纸张像元数量，S 1表示所述预设大小，S 2表示所述第一牧草样方的面积。
可以理解的是，S 1和S 2为固定值，C 1和C 2已在前一步骤S120中获取。
还可以理解的是，叶面积指数表示为单位地表面积上叶子表面积总和的一半。在本发明实施例提供的预设算式中，C 1和C 2的比值乘以S 1，表示牧草照片中所有牧草对应的总叶片面积；总叶片面积与第一牧草样方的面积S 2的比值，即表示第一牧草样方的叶面积指数。
步骤S140，对每个所述预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型。
也即，本发明实施例中的计算机设备对每个时间间隔和根据每个时间间隔获取到的牧草照片得到的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，进而确定不同时间节点对应的叶面积指数。
此外，可以理解的是，因在牧草衰败期间牧草将逐渐衰败，并直至干枯，可知牧草的叶面积亦将不断缩小。因此，本发明实施例提出的牧草叶面积指数的预测模型亦能视作牧草叶面积指数衰变模型。
可选的，在本发明实施例提供的一种可行方式中，所述预测模型包括：
Figure P_220627114327069_069854001
式中，L表示叶面积指数，t表示时间。
为更好地说明本发明实施例提供的预测模型的有效性，请参考图2，示出了本发明实施例提供的预测模型示意图。需说明的是，图2所示的预测模型对应2020年8月至2021年4月期间，中青海海北西海镇的高寒牧草。
还需说明的是，图2所示的曲线对应图中的L=5.21-1.47t+0.28t2-0.02t3，也即本发明实施例提供的预测模型。而图中的R2=0.99则表示预测模型中叶面积指数L与时间t的相关性系数的平方。
此外，可以理解的是，采用何种数学模型以进行叶面积指数与时间的关系拟合为可根据实际情况设置的内容，如在本发明实施例提供的一种可行方式中，因多项式模型能对局部变化趋势进行较好的拟合，因而采用多项式模型以进行拟合，即所述S130，包括：
基于多项式模型，对每个所述预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型。
可以理解的是，多项式（Polynomial）是指由变量、系数，及变量和系数间的加、减、乘及幂运算而形成的表达式。
还可以理解的是，因本发明实施例中预测模型用于表示一段时间序列中，不同时间点对应的叶面积指数，因而能表明叶面积指数的趋势变化。而多项式模型能给出较好的对局部变化趋势的拟合，故采用多项式模型构建预测模型。
进一步的，在一种采用多项式模型进行拟合的实例中，预测模型包括：
Figure P_220627114327101_101614001
式中，L表示叶面积指数，t表示时间。
本发明实施例提出的预测模型构建方法中，获取预设牧草衰败期内，每隔预设时间间隔的刈割后的第一牧草样方对应的牧草照片，以在后续过程中基于牧草照片中的牧草对应的像素点的数量确定牧草叶片面积；接着，统计每张牧草照片中的牧草像元数量和纸张像元数量，即确定牧草照片中牧草的像素点的数量，和纸张的像素点的数量；然后，基于预设算式，利用纸张的尺寸大小，即预设大小，和第一牧草样方的面积，以及统计得到的牧草像元数量和纸张像元数量，计算第一牧草样方对应的叶面积指数；最后，对每个预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型，也即确定时间节点与牧草叶面积指数的映射关系。
基于此，本发明实施例填补了牧草衰败期的牧草研究空白；并且，因本发明实施例拟合的是时间和实际测量得到的叶面积指数的映射关系，避免了如光谱或其他环境变量可能带来的误差，从而保证了预测模型的有效性；此外，将本发明实施例应用后，其他涉及牧草衰败期的牧草叶面积计算的研究，均可采用本发明实施例提供的方式确定牧草叶面积与时间的映射关系，进而高效地完成牧草叶面积测算，不仅如此，因预测模型能表示牧草叶面积指数与时间节点的映射关系，故能揭示牧草叶面积指数的变化规律，从而方便其他研究人员确定不同品种的牧草的叶面积指数变化规律。
可选的，为确保预测模型能贴切实际情况，在本发明实施例提供的一种可行方式中，一个第二牧草样方包括第一预设数量的所述第一牧草样方；
进而，所述步骤S110，包括：
在预设牧草衰败期内，每隔预设时间间隔从刈割后的第二牧草样方中随机选取第二预设数量的第一牧草样方，并获取所述第二预设数量的第一牧草样方中每个第一牧草样方对应的牧草照片，其中，所述第二预设数量小于所述第一预设数量；
进而，所述步骤S120，包括：
将所述第二预设数量的第一牧草样方的叶面积指数的平均值作为所述第二牧草样方的叶面积指数；
对每个所述预设时间间隔和每个所述预设时间间隔的所述第二牧草样方对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型。
需理解的是，此种可行方式中的第一牧草样方即为第二牧草样方的子样方。
进一步发，本发明实施例为提高用于拟合预测模型的叶面积指数的可信程度，故未直接采用根据第一牧草样方对应的牧草照片而得到的叶面积指数，而是通过对多个，即第二预设数量的第一牧草样方进行牧草照片获取和叶面积指数获取。并在得到第二预设数量的第一牧草样方的叶面积指数后，对第二预设数量的第一牧草样方的叶面积指数进行平均值的计算，以将得到的平均值作为第二牧草样方的叶面积指数。
可以理解的是，样方中各个子样方的叶面积指数应一致，故本发明实施例将一个完整样方划分为多个子样方，并利用多个子样方的叶面积指数的平均值来替代完整样方的叶面积指数，由此减少样方中不同区域的牧草生长情况可能存在差异而带来的偏差。进而，在进行预测模型的拟合时，将采用完整样方，即第二牧草样方的叶面积指数来进行，由此确保预测模型的有效性。
还可以理解的是，为避免选取样方中的子样方时可能出现的主观选取现象，本发明实施例采用的是随机选取子样方的方式，即随机选取第二预设数量的第一牧草样方。
示范性的，在本发明实施例提供的一种实例中，1个完整样方包含9个子样方，每次在获取子样方的牧草照片时，随机挑选3个子样方以进行牧草照片获取，并对根据3个子样方对应的牧草照片而得到的3个叶面积指数进行平均值计算，以将计算得到的平均值作为完整样方的叶面积指数。
可选的，为确保牧草像元数量和纸张像元数量的统计无误，并提高预测模型的有效性，在本发明实施例提供的一种可行方式中，具体请参考图3，示出了本发明实施例提供的第二种预测模型构建方法的流程示意图，即在此种可行方式中，所述步骤S110之后，所述步骤S120之前，所述方法还包括：
步骤S150，对每张所述牧草照片进行几何校正，以将每张所述牧草照片校正为垂直正射照片；
步骤S160，对校正后的每张牧草照片进行亮度调整处理，以凸显牧草照片中的牧草叶片；
步骤S170，基于预设阈值，对亮度调整处理后的每张牧草照片进行二值化处理，以将牧草照片中的牧草叶片与其他物体区分，得到亮度调整处理后的每张牧草照片对应的第二牧草照片；
进而，所述步骤S120，包括：
步骤S121，统计每张所述第二牧草照片中的牧草像元数量和纸张像元数量。
也即，本发明实施例将对获取到的牧草照片依次进行几何校正、亮度调整及二值化处理，以使牧草照片中牧草与其他物体进行区分，从而能准确地完成牧草像元的统计。
为更好地说明本发明实施例提供的此种图像处理方式，请参考图4a，图4b，图4c及图4d，分别示出了本发明实施例提供的第一图像、第二图像、第三图像及第四图像。其中，第一图像为经过几何校正的牧草照片，第二图像为对第一图像进行亮度调整后的牧草照片，第三图像为未采用预设阈值时，对第二图像进行二值化处理后的牧草照片，第四图像为采用预设阈值时，对第二图像进行二值化处理后的牧草照片。
基于此，本发明实施例使得处理后的牧草照片中的牧草叶片是否突出，进而计算机设备能准确且快速地完成牧草像元的采集，并由此保证了预测模型的准确性。
实施例2
参照图5，示出了本发明实施例提供的预测方法的流程示意图，本发明实施例提供的预测方法，包括：
步骤S210，获取用户输入的待预测时间，其中，所述待预测时间属于预设牧草衰败期内；
步骤S220，将所述待预测时间输入至牧草叶面积指数的预测模型，得到所述待预测时间对应的牧草叶面积指数，其中，所述预测模型通过实施例1中的预测模型构建方法得到。
可以理解的是，在基于本发明实施例1提供的预测模型构建方法完成预测模型构建后，即可将预设牧草衰败期中任意的时间点输入至预测模型中，进而将得到对应的牧草叶面积指数。
由此，本发明实施例实现了牧草衰败期内，牧草叶面积指数的高效预测；并且，根据不同时间节点对应的牧草叶面积指数，能准确地确定牧草的变化趋势，进而能高效地完成对应的环境保护策略设置，和相应的畜牧生产的决策指挥。
实施例3
与本发明实施例1提供的预测模型构建方法相对应的，本发明实施例3还提供一种预测模型构建装置，参照图6，示出了本发明实施例提供的预测模型构建装置的结构示意图，本发明实施例提供的预测模型构建装置300，包括：
获取模块310，用于在预设牧草衰败期内，每隔预设时间间隔获取刈割后的第一牧草样方对应的牧草照片，其中，所述牧草照片包括所述第一牧草样方中的牧草均匀放置在预设大小的纸张上的照片；
统计模块320，统计每张所述牧草照片中的牧草像元数量和纸张像元数量；
计算模块330，用于基于预设算式，利用所述预设大小、所述第一牧草样方的面积及所述牧草照片中的所述牧草像元数量和所述纸张像元数量，计算所述第一牧草样方对应的叶面积指数，其中，所述预设算式包括：
Figure P_220627114327132_132895001
式中，L表示叶面积指数，C 1表示所述牧草像元数量，C 2表示所述纸张像元数量，S 1表示所述预设大小，S 2表示所述第一牧草样方的面积；
拟合模块340，用于对每个所述预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型。
可选的，在本发明实施例提供的一种可行方式中，一个第二牧草样方包括第一预设数量的所述第一牧草样方；
所述获取模块还用于在预设牧草衰败期内，每隔预设时间间隔从刈割后的第二牧草样方中随机选取第二预设数量的第一牧草样方，并获取所述第二预设数量的第一牧草样方中每个第一牧草样方对应的牧草照片，其中，所述第二预设数量小于所述第一预设数量；
所述拟合模块，包括：
指数获取子模块，用于将所述第二预设数量的第一牧草样方的叶面积指数的平均值作为所述第二牧草样方的叶面积指数；
线性回归子模块，用于对每个所述预设时间间隔和每个所述预设时间间隔的所述第二牧草样方对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型。
可选的，在本发明实施例提供的一种可行方式中，所述装置还包括：
校正模块，用于对每张所述牧草照片进行几何校正，以将每张所述牧草照片校正为垂直正射照片；
亮度调整模块，用于对校正后的每张牧草照片进行亮度调整处理，以凸显牧草照片中的牧草叶片；
二值化模块，用于基于预设阈值，对亮度调整处理后的每张牧草照片进行二值化处理，以将牧草照片中的牧草叶片与其他物体区分，得到亮度调整处理后的每张牧草照片对应的第二牧草照片；
所述统计模块还用于统计每张所述第二牧草照片中的牧草像元数量和纸张像元数量。
可选的，在本发明实施例提供的一种可行方式中，所述拟合模块还用于基于多项式模型，对每个所述预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型。
可选的，在本发明实施例提供的一种可行方式中，所述预测模型包括：
Figure P_220627114327164_164168001
式中，L表示叶面积指数，t表示时间。
本申请实施例提供的预测模型构建装置300能够实现实施例1对应的预测模型构建方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
与本发明实施例2提供的预测方法相对应的，本发明实施例2还提供一种预测装置，参照图7，示出了本发明实施例提供的预测装置的结构示意图，本发明实施例提供的预测装置400，包括：
时间获取模块410，用于获取用户输入的待预测时间，其中，所述待预测时间属于预设牧草衰败期内；
指数计算模块420，用于将所述待预测时间输入至牧草叶面积指数的预测模型，得到所述待预测时间对应的牧草叶面积指数，其中，所述预测模型通过实施例1中的预测模型构建方法得到。
本申请实施例提供的预测装置400能够实现实施例2对应的预测方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机设备，包括存储器以及处理器，存储器存储有计算机程序，计算机程序在处理器上运行时执行如实施例1对应的预测模型构建方法，或如实施例2对应的预测方法。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序在处理器上运行时执行如实施例1对应的预测模型构建方法，或如实施例2对应的预测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是智能手机、个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种预测模型构建方法，其特征在于，包括：
在预设牧草衰败期内，每隔预设时间间隔获取刈割后的第一牧草样方对应的牧草照片，其中，所述牧草照片包括所述第一牧草样方中的牧草均匀放置在预设大小的纸张上的照片；
统计每张所述牧草照片中的牧草像元数量和纸张像元数量；
基于预设算式，利用所述预设大小、所述第一牧草样方的面积及所述牧草照片中的所述牧草像元数量和所述纸张像元数量，计算所述第一牧草样方对应的叶面积指数，其中，所述预设算式包括：
Figure P_220627114324111_111391001
式中，L表示叶面积指数，C 1表示所述牧草像元数量，C 2表示所述纸张像元数量，S 1表示所述预设大小，S 2表示所述第一牧草样方的面积；
对每个所述预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型。
2.根据权利要求1所述的预测模型构建方法，其特征在于，一个第二牧草样方包括第一预设数量的所述第一牧草样方；
所述在预设牧草衰败期内，每隔预设时间间隔获取刈割后的第一牧草样方对应的牧草照片，包括：
在预设牧草衰败期内，每隔预设时间间隔从刈割后的第二牧草样方中随机选取第二预设数量的第一牧草样方，并获取所述第二预设数量的第一牧草样方中每个第一牧草样方对应的牧草照片，其中，所述第二预设数量小于所述第一预设数量；
所述对每个所述预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型，包括：
将所述第二预设数量的第一牧草样方的叶面积指数的平均值作为所述第二牧草样方的叶面积指数；
对每个所述预设时间间隔和每个所述预设时间间隔的所述第二牧草样方对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型。
3.根据权利要求1所述的预测模型构建方法，其特征在于，所述在预设牧草衰败期内，每隔预设时间间隔获取刈割后的第一牧草样方对应的牧草照片之后，所述统计每张所述牧草照片中的牧草像元数量和纸张像元数量之前，所述方法还包括：
对每张所述牧草照片进行几何校正，以将每张所述牧草照片校正为垂直正射照片；
对校正后的每张牧草照片进行亮度调整处理，以凸显牧草照片中的牧草叶片；
基于预设阈值，对亮度调整处理后的每张牧草照片进行二值化处理，以将牧草照片中的牧草叶片与其他物体区分，得到亮度调整处理后的每张牧草照片对应的第二牧草照片；
所述统计每张所述牧草照片中的牧草像元数量和纸张像元数量，包括：
统计每张所述第二牧草照片中的牧草像元数量和纸张像元数量。
4.根据权利要求1所述的预测模型构建方法，其特征在于，所述对每个所述预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型，包括：
基于多项式模型，对每个所述预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型。
5.根据权利要求1或4所述的预测模型构建方法，其特征在于，所述预测模型包括：
Figure P_220627114324158_158257001
式中，L表示叶面积指数，t表示时间。
6.一种预测方法，其特征在于，包括：
获取用户输入的待预测时间，其中，所述待预测时间属于预设牧草衰败期内；
将所述待预测时间输入至牧草叶面积指数的预测模型，得到所述待预测时间对应的牧草叶面积指数，其中，所述预测模型通过权利要求1-5任一项所述的预测模型构建方法得到。
7.一种预测模型构建装置，其特征在于，包括：
获取模块，用于在预设牧草衰败期内，每隔预设时间间隔获取刈割后的第一牧草样方对应的牧草照片，其中，所述牧草照片包括所述第一牧草样方中的牧草均匀放置在预设大小的纸张上的照片；
统计模块，用于统计每张所述牧草照片中的牧草像元数量和纸张像元数量；
计算模块，用于基于预设算式，利用所述预设大小、所述第一牧草样方的面积及所述牧草照片中的所述牧草像元数量和所述纸张像元数量，计算所述第一牧草样方对应的叶面积指数，其中，所述预设算式包括：
Figure P_220627114324189_189539001
式中，L表示叶面积指数，C 1表示所述牧草像元数量，C 2表示所述纸张像元数量，S 1表示所述预设大小，S 2表示所述第一牧草样方的面积；
拟合模块，用于对每个所述预设时间间隔和对应的叶面积指数进行线性回归，以拟合叶面积指数与时间的关系，得到牧草叶面积指数的预测模型。
8.一种预测装置，其特征在于，包括：
时间获取模块，用于获取用户输入的待预测时间，其中，所述待预测时间属于预设牧草衰败期内；
指数计算模块，用于将所述待预测时间输入至牧草叶面积指数的预测模型，得到所述待预测时间对应的牧草叶面积指数，其中，所述预测模型通过权利要求1-5任一项所述的预测模型构建方法得到。
9.一种计算机设备，其特征在于，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行如权利要求1-5任一项所述的预测模型构建方法，或执行如权利要求6所述的预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在处理器上运行时执行如权利要求1-5任一项所述的预测模型构建方法，或执行如权利要求6所述的预测方法。
CN202210791364.0A 2022-07-07 2022-07-07 预测模型构建方法、预测方法、装置、设备及介质 Pending CN114862069A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210791364.0A CN114862069A (zh) 2022-07-07 2022-07-07 预测模型构建方法、预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210791364.0A CN114862069A (zh) 2022-07-07 2022-07-07 预测模型构建方法、预测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114862069A true CN114862069A (zh) 2022-08-05

Family

ID=82626390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210791364.0A Pending CN114862069A (zh) 2022-07-07 2022-07-07 预测模型构建方法、预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114862069A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107727010A (zh) * 2017-10-31 2018-02-23 北京农业信息技术研究中心 一种测量农作物叶面积指数的方法
CN109118484A (zh) * 2018-08-10 2019-01-01 中国气象局气象探测中心 一种基于机器视觉的获取植被覆盖度和叶面积指数的方法
CN113252583A (zh) * 2021-06-25 2021-08-13 成都信息工程大学 一种基于枯草植被指数计算高寒枯草覆盖度的方法
CN113505486A (zh) * 2021-07-14 2021-10-15 中国科学院空天信息创新研究院 一种三维复杂地表叶面积指数反演方法及系统
CN114120158A (zh) * 2021-11-29 2022-03-01 四川省自然资源科学研究院 基于超低空遥感的叶面积统计方法、装置及存储介质
CN114781767A (zh) * 2022-06-23 2022-07-22 成都信息工程大学 估算模型构建方法、估算方法、装置、计算机设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107727010A (zh) * 2017-10-31 2018-02-23 北京农业信息技术研究中心 一种测量农作物叶面积指数的方法
CN109118484A (zh) * 2018-08-10 2019-01-01 中国气象局气象探测中心 一种基于机器视觉的获取植被覆盖度和叶面积指数的方法
CN113252583A (zh) * 2021-06-25 2021-08-13 成都信息工程大学 一种基于枯草植被指数计算高寒枯草覆盖度的方法
CN113505486A (zh) * 2021-07-14 2021-10-15 中国科学院空天信息创新研究院 一种三维复杂地表叶面积指数反演方法及系统
CN114120158A (zh) * 2021-11-29 2022-03-01 四川省自然资源科学研究院 基于超低空遥感的叶面积统计方法、装置及存储介质
CN114781767A (zh) * 2022-06-23 2022-07-22 成都信息工程大学 估算模型构建方法、估算方法、装置、计算机设备及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
任丽梅: "优质（专用）小麦生产管理氮肥决策系统的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 农业科技辑》 *
李正泉等: "通量贡献区叶面积指数空间分布的测定", 《中国生态农业学报》 *
梁好 等: "基于PROSAIL模型的高寒冬季枯草关键参数阈值率定", 《光谱学与光谱分析》 *

Similar Documents

Publication Publication Date Title
US11391569B2 (en) Method and device for monitoring water volume change, computer device and storage medium
Hlatshwayo et al. Mapping forest aboveground biomass in the reforested Buffelsdraai landfill site using texture combinations computed from SPOT-6 pan-sharpened imagery
CN109146879B (zh) 一种检测骨龄的方法及装置
JP6285875B2 (ja) 植物成長分析システム、及び植物成長分析方法
CN110222598B (zh) 一种视频行为识别方法、装置、存储介质和服务器
CN108288252B (zh) 图像批处理方法、装置及电子设备
CN110348769B (zh) 用于评价海洋牧场的方法、装置和系统
CN108419135B (zh) 相似度确定方法、装置及电子设备
CN113160183A (zh) 一种高光谱数据处理方法、设备及介质
CN109255786B (zh) 一种检测骨龄的方法及装置
Parplies et al. Phenomapping of rangelands in South Africa using time series of RapidEye data
CN111474117A (zh) 作物病害监测的方法及装置
CN112461342B (zh) 水产品称重方法、终端设备及存储介质
CN114862069A (zh) 预测模型构建方法、预测方法、装置、设备及介质
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
CN110570376B (zh) 一种图像去雨方法、装置、设备和计算机可读存储介质
CN110334381B (zh) 蒸散发估算的方法、装置和计算机存储介质
CN113011220A (zh) 穗数识别方法、装置、存储介质及处理器
CN113421255B (zh) 一种基于栅格的耕地复种指数提取方法及系统
Proulx et al. A novel photographic approach for monitoring the structural heterogeneity and diversity of grassland ecosystems
CN108243037B (zh) 网站流量异常确定方法及装置
CN111581407B (zh) 一种构建全球地理定位参考影像数据库的方法、装置及介质
CN114782837A (zh) 种植物估产方法、装置、电子设备和存储介质
Convertino et al. Inferring species richness and turnover by statistical multiresolution texture analysis of satellite imagery
CN108697055B (zh) 确定植物的生物量

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: 20220805