CN115471760A - 玉米长势监测方法、系统、电子设备及计算机存储介质 - Google Patents

玉米长势监测方法、系统、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN115471760A
CN115471760A CN202211341210.8A CN202211341210A CN115471760A CN 115471760 A CN115471760 A CN 115471760A CN 202211341210 A CN202211341210 A CN 202211341210A CN 115471760 A CN115471760 A CN 115471760A
Authority
CN
China
Prior art keywords
vegetation index
index
corn
remote sensing
growth
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211341210.8A
Other languages
English (en)
Other versions
CN115471760B (zh
Inventor
陈圣波
徐锡统
崔亮
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.)
Jilin High Resolution Remote Sensing Applied Research Institute Co ltd
Original Assignee
Jilin High Resolution Remote Sensing Applied Research Institute Co ltd
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 Jilin High Resolution Remote Sensing Applied Research Institute Co ltd filed Critical Jilin High Resolution Remote Sensing Applied Research Institute Co ltd
Priority to CN202211341210.8A priority Critical patent/CN115471760B/zh
Publication of CN115471760A publication Critical patent/CN115471760A/zh
Application granted granted Critical
Publication of CN115471760B publication Critical patent/CN115471760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G01N2021/1797—Remote sensing in landscape, e.g. crops

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种玉米长势监测方法、系统、电子设备及计算机存储介质，涉及遥感领域，方法包括获取玉米的第一遥感影像和第二遥感影像；根据第一遥感影像和第二遥感影像利用深度学习算法进行预测，得到带有预测时间的高分辨率预测影像；对带有预测时间的高分辨率预测影像进行波段计算，得到归一化差值植被指数、比值植被指数、增强植被指数和绿度植被指数；根据归一化差值植被指数的最大值和最小值确定光合有效辐射吸收比例；以光合有效辐射吸收比例为回归系数，根据比值植被指数、增强植被指数和绿度植被指数，构建玉米长势监测模型；根据玉米长势监测模型对玉米不同阶段的长势进行监测。本发明能够提高玉米长势的监测精度。

Description

玉米长势监测方法、系统、电子设备及计算机存储介质
技术领域
本发明涉及遥感领域，特别是涉及一种玉米长势监测方法、系统、电子设备及计算机存储介质。
背景技术
玉米长势的监测在提升田间管理方面具有重要意义，通过对不同生长期的及时监测，识别病虫害的发生、杂草对玉米根系的影响，并精准控制灌溉水量、追肥等，进行更加精确的田间管理，有益于玉米产量、秸秆还田、土壤肥力修复等工作。现有的玉米长势监测仍集中于实地考察，进而制定追肥方案等，成本较高，时效性较低。基于遥感技术的监测是一种非实地、非接触式的监测方法，且避免了大量人力消耗，可以简单高效的获取玉米实时长势情况。现有应用遥感技术的长势监测方法不足如下：
现阶段对于玉米不同生长期的长势监测不连续。玉米不同生长期差异较大，缺少适用于不同生长期的监测模型。应用低分辨率影像的遥感玉米长势监测忽略了大量光谱与纹理信息，无法反应地块尺度上玉米的田间实际长势情况。高空间分辨率卫星的轨道较低，重访周期长，时间分辨率低，且影像可能受到云、雾等天气因素影像，极易错过玉米关键生长期。因此，需要一种可以提高玉米长势监测精度的方法。
发明内容
本发明的目的是提供一种玉米长势监测方法、系统、电子设备及计算机存储介质，以提高玉米长势的监测精度。
为实现上述目的，本发明提供了如下方案：
一种玉米长势监测方法，包括：
获取玉米的第一遥感影像和第二遥感影像；所述第一遥感影像的分辨率大于所述第二遥感影像的分辨率；
根据所述第一遥感影像和所述第二遥感影像利用深度学习算法进行预测，得到带有预测时间的高分辨率预测影像；
对所述带有预测时间的高分辨率预测影像进行波段计算，得到归一化差值植被指数、比值植被指数、增强植被指数和绿度植被指数；
根据所述归一化差值植被指数的最大值和最小值确定光合有效辐射吸收比例；
以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建玉米长势监测模型；所述玉米长势监测模型包括出苗期玉米生长指数、拔节期与抽雄期玉米生长指数和花粒期玉米生长指数；
根据所述玉米长势监测模型对玉米不同阶段的长势进行监测。
可选地，所述根据所述第一遥感影像和所述第二遥感影像利用深度学习算法进行预测，得到带有预测时间的高分辨率预测影像，具体包括：
分别将所述第一遥感影像和两个所述第二遥感影像进行两层卷积和激活，得到三个两次卷积结果；
分别对三个所述两次卷积结果进行一层卷积，得到三个三次卷积结果；
将三个所述三次卷积结果进行加权求和，得到带有预测时间的高分辨率预测影像。
可选地，所述对所述带有预测时间的高分辨率预测影像进行波段计算，得到归一化差值植被指数、比值植被指数、增强植被指数和绿度植被指数，具体包括：
根据所述带有预测时间的高分辨率预测影像的近红外波段和红光波段计算所述归一化差值植被指数；
根据所述带有预测时间的高分辨率预测影像的近红外波段和红光波段计算所述比值植被指数；
根据所述带有预测时间的高分辨率预测影像的近红外波段、红光波段和蓝光波段计算所述增强植被指数；
根据所述带有预测时间的高分辨率预测影像的近红外波段、红光波段、蓝光波段和绿光波段计算所述绿度植被指数。
可选地，所述以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建玉米长势监测模型，具体包括：
以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数和所述绿度植被指数构建所述出苗期玉米生长指数；
以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数和所述增强植被指数构建所述拔节期与抽雄期玉米生长指数；
以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建所述花粒期玉米生长指数。
本发明还提供一种玉米长势监测系统，包括：
获取模块，用于获取玉米的第一遥感影像和第二遥感影像；所述第一遥感影像的分辨率大于所述第二遥感影像的分辨率；
预测模块，用于根据所述第一遥感影像和所述第二遥感影像利用深度学习算法进行预测，得到带有预测时间的高分辨率预测影像；
波段计算模块，用于对所述带有预测时间的高分辨率预测影像进行波段计算，得到归一化差值植被指数、比值植被指数、增强植被指数和绿度植被指数；
光合有效辐射吸收比例确定模块，用于根据所述归一化差值植被指数的最大值和最小值确定光合有效辐射吸收比例；
构建模块，以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建玉米长势监测模型；所述玉米长势监测模型包括出苗期玉米生长指数、拔节期与抽雄期玉米生长指数和花粒期玉米生长指数；
监测模块，用于根据所述玉米长势监测模型对玉米不同阶段的长势进行监测。
可选地，所述预测模块，具体包括：
卷积和激活单元，用于分别将所述第一遥感影像和两个所述第二遥感影像进行两层卷积和激活，得到三个两次卷积结果；
一层卷积单元，用于分别对三个所述两次卷积结果进行一层卷积，得到三个三次卷积结果；
加权求和单元，用于将三个所述三次卷积结果进行加权求和，得到带有预测时间的高分辨率预测影像。
可选地，所述波段计算模块，具体包括：
归一化差值植被指数计算单元，用于根据所述带有预测时间的高分辨率预测影像的近红外波段和红光波段计算所述归一化差值植被指数；
比值植被指数计算单元，用于根据所述带有预测时间的高分辨率预测影像的近红外波段和红光波段计算所述比值植被指数；
增强植被指数计算单元，用于根据所述带有预测时间的高分辨率预测影像的近红外波段、红光波段和蓝光波段计算所述增强植被指数；
绿度植被指数计算单元，用于根据所述带有预测时间的高分辨率预测影像的近红外波段、红光波段、蓝光波段和绿光波段计算所述绿度植被指数。
可选地，所述构建模块，具体包括：
出苗期玉米生长指数构建单元，用于以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数和所述绿度植被指数构建所述出苗期玉米生长指数；
拔节期与抽雄期玉米生长指数构建单元，用于以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数和所述增强植被指数构建所述拔节期与抽雄期玉米生长指数；
花粒期玉米生长指数构建单元，用于以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建所述花粒期玉米生长指数。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述任意一项所述的方法。
本发明还提供一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述任意一项所述的方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明获取玉米的第一遥感影像和第二遥感影像；所述第一遥感影像的分辨率大于所述第二遥感影像的分辨率；根据所述第一遥感影像和所述第二遥感影像利用深度学习算法进行预测，得到带有预测时间的高分辨率预测影像；对所述带有预测时间的高分辨率预测影像进行波段计算，得到归一化差值植被指数、比值植被指数、增强植被指数和绿度植被指数；根据所述归一化差值植被指数的最大值和最小值确定光合有效辐射吸收比例；以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建玉米长势监测模型；根据所述玉米长势监测模型对玉米不同阶段的长势进行监测。利用深度学习算法预测带有预测时间的高分辨率预测影像，兼顾玉米长势的地块尺度监测与关键生长期监测，通过玉米长势监测模块对玉米不同阶段的长势进行监测，从而提高玉米长势的监测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的玉米长势监测方法流程图；
图2为M-SRCNN模型结构示意图；
图3为真实影像图；
图4为低分辨率影像图；
图5为使用深度学习算法进行时空融合后得到的高分辨率影像图。
具体实施方式
下面将结合本发明实施例中的附图，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。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。
本发明的目的是提供一种玉米长势监测方法、系统、电子设备及计算机存储介质，以提高玉米长势的监测精度。
神经网络：一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
M-SRCNN：基于多流数据输入的超分辨率卷积神经网络。
比值植被指数（Ratio Vegetation Index，RVI）。
归一化植被指数（Normalized Difference Vegetation Index，NDVI）。
增强性植被指数（Enhanced Vegetation Index，EVI）。
大气阻抗植被指数（Green Atmospherically Resistant Vegetation Index，GARI）。
光合有效辐射吸收比例（Fraction of Photosyntheticlly Active Radiation，FPAR）。
出苗期：在温度、水分、土壤条件适宜的情况下，种子从萌发到子叶出土的时间段。
拔节期：玉米生长过程中，茎的节间向上迅速伸长的时期。
抽雄期：玉米抽穗期中雄穗的抽出阶段。
花粒期：玉米从抽雄到成熟的阶段。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供了一种玉米长势监测方法，包括：
步骤101：获取玉米的第一遥感影像和第二遥感影像；所述第一遥感影像的分辨率大于所述第二遥感影像的分辨率。第一遥感影像为高分辨率遥感影像，第二遥感影像为低分辨率遥感影像。
以高分一号WFV影像数据作为第一遥感影像来源，以MODIS卫星影像中的MOD09A1数据作为第二遥感影像补充，实时获取玉米全生长期内的遥感数据，其中高分1号WFV数据含有四个波段，包含蓝、绿、红和近红外波段，波长范围为450-900μm，空间分辨率为16米；MOD09A1产品含有7个波段，其中包含蓝、绿、红、近红外、热红外及两个中红外波段，波长范围为450-2155μm，空间分辨率为500米。在时空融合时，选取使用其中的蓝、绿、红和近红外波段。
步骤102：根据所述第一遥感影像和所述第二遥感影像利用深度学习算法进行预测，得到带有预测时间的高分辨率预测影像。
步骤102，具体包括：分别将所述第一遥感影像和两个所述第二遥感影像进行两层卷积和激活，得到三个两次卷积结果；分别对三个所述两次卷积结果进行一层卷积，得到三个三次卷积结果；将三个所述三次卷积结果进行加权求和，得到带有预测时间的高分辨率预测影像。
数据集建立流程：
本发明中共用到t1、t2和t3三个时相的遥感影像，对应三景第二遥感影像L1、L2、L3和三景第一遥感影像H1、H2、H3。
首先对MODIS和高分一号WFV影像数据进行预处理。针对高分一号WFV影像数据，进行了辐射定标、大气校正、几何校正等处理。MODIS数据下载后首先使用MRT、EVNI5.3进行镶嵌、裁剪，并重采样至与高分一号WFV影像数据相同的16m空间分辨率，最后提取与高分一号WFV影像数据中波段范围相匹配的四个波段。其中，MRT为MODIS重校准工具。
在建立数据集时，首先将各时相的遥感影像随机裁剪为128*128*4的小区域，再批量输入。其中，128、128和4分别为影像行数、影像列数、通道数。训练集的样本由t1和t2时相下的低分辨率影像L1和L2以及t1时相下的高分辨率影像H1构成，训练集的标签是由t2时相下的高分辨率影像H2构成；测试集的样本由t2和t3时相下的低分辨率影像L2和L3以及t2时相下的高分辨率影像H2构成，测试集的标签是由t3时相下的高分辨率影像H3构成。
如图2所示，本发明中深度学习算法采用基于多流数据输入的超分辨率卷积神经网络（M-SRCNN）模型。
此网络为多流数据输入网络，共包含三个分支。每个分支的输入数据分别为L1、L2和H1。各分支分别包含三个卷积层。每个卷积核的尺寸分别为32*9*9、32*5*5和4*5*5。其中，32和4为卷积核的通道数，9和5为卷积核的尺寸。在前两个卷积层后都分别设置一个Relu激活函数层。相较于sigmoid和tanh等函数，Relu函数使网络训练更快，增加网络的非线性，同时可以防止网络训练时出现梯度消失，有效减少过拟合。并在最后将三个分支的输出进行加权求和，得到t2时相下高分辨率影像H2。训练时，训练次数为100，每批样本的大小设置为16，学习率为0.02，并且学习率按指数衰减，损失函数采用均方根误差，损失函数的参数优化方式采用随机梯度下降法。在测试时将三个分支的输入数据替换为L2、L3和H2，得到t3时相下的高分辨率影像H3。图2中的h与w分别表示影像的高度与宽度，也可以称为影像行数与影像列数，这里均为128。
如图3-图5所示，融合结果与真实影像较为接近。深度学习方法可以重构出田块内部的空间细节，预测反射率的精度较高，总体性能较稳定。
步骤103：对所述带有预测时间的高分辨率预测影像进行波段计算，得到归一化差值植被指数、比值植被指数、增强植被指数和绿度植被指数。
步骤103，具体包括：根据所述带有预测时间的高分辨率预测影像的近红外波段和红光波段计算所述归一化差值植被指数；根据所述带有预测时间的高分辨率预测影像的近红外波段和红光波段计算所述比值植被指数；根据所述带有预测时间的高分辨率预测影像的近红外波段、红光波段和蓝光波段计算所述增强植被指数；根据所述带有预测时间的高分辨率预测影像的近红外波段、红光波段、蓝光波段和绿光波段计算所述绿度植被指数。
通过深度学习算法得到的带有预测时间的高分辨率预测影像得到密集时序数据，对获取的密集时序数据进行波段计算。获取每幅影像的归一化差值植被指数（NDVI）、比值植被指数（RVI）、增强植被指数（EVI）、绿度植被指数（GARI）数据。公式如下：
Figure 87630DEST_PATH_IMAGE001
Figure 876725DEST_PATH_IMAGE002
Figure 214166DEST_PATH_IMAGE003
Figure 700380DEST_PATH_IMAGE004
其中，
Figure 97863DEST_PATH_IMAGE005
为近红外波段的地表反射率，
Figure 905413DEST_PATH_IMAGE006
为红光波段的地表反射率，
Figure 780965DEST_PATH_IMAGE007
为蓝光波段的地表反射率，
Figure 324948DEST_PATH_IMAGE008
为绿光波段的地表反射率。
步骤104：根据所述归一化差值植被指数的最大值和最小值确定光合有效辐射吸收比例。
计算归一化差值植被指数（NDVI）的最大值最小值后，进一步计算，获得FPAR数据。公式如下：
Figure 440802DEST_PATH_IMAGE009
Figure 188179DEST_PATH_IMAGE010
表示t时刻像元x的NDVI值，
Figure 647848DEST_PATH_IMAGE011
和
Figure 62648DEST_PATH_IMAGE012
分别为植被覆盖最大和最小时的NDVI值，
Figure 83825DEST_PATH_IMAGE013
和
Figure 318497DEST_PATH_IMAGE014
为植被覆盖最大和无植被时的FPAR值，一般取值分别为0.95和0.001。
步骤105：以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建玉米长势监测模型；所述玉米长势监测模型包括出苗期玉米生长指数、拔节期与抽雄期玉米生长指数和花粒期玉米生长指数。
步骤105，具体包括：以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数和所述绿度植被指数构建所述出苗期玉米生长指数；以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数和所述增强植被指数构建所述拔节期与抽雄期玉米生长指数；以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建所述花粒期玉米生长指数。
建立长势监测模型：基于四种光谱指数NDVI、RVI、EVI与GARI，以FPAR为回归系数，构建玉米生长指数(maize growth index，MGI)，出苗期MGI计算如下：
Figure 535852DEST_PATH_IMAGE015
拔节期与抽雄期MGI计算如下：
Figure 857024DEST_PATH_IMAGE016
花粒期MGI计算如下：
Figure 517944DEST_PATH_IMAGE017
Figure 239912DEST_PATH_IMAGE018
表示t时刻像元x的玉米生长指数，
Figure 41384DEST_PATH_IMAGE019
表示t时刻像元x的FPAR，
Figure 899618DEST_PATH_IMAGE020
表示t时刻像元x的RVI，
Figure 528177DEST_PATH_IMAGE021
表示t时刻像元x的EVI。
步骤106：根据所述玉米长势监测模型对玉米不同阶段的长势进行监测。
以像元及其周围9*9范围内存在玉米作物的像元为计算阈值的单元，计算这些网格的均值
Figure 737441DEST_PATH_IMAGE022
与标准差
Figure 562178DEST_PATH_IMAGE023
。当
Figure 586503DEST_PATH_IMAGE024
，即为长势差的区域，当
Figure 323646DEST_PATH_IMAGE025
，即为长势中的区域，当
Figure 551365DEST_PATH_IMAGE026
，即为长势好的区域。
以高空间分辨率密集时序数据集为基础，完成了地块尺度的玉米全生长期长势遥感监测，进而能够有针对性的对不同类型区域进行田间管理，包括灌溉、追肥、除虫等进一步规划。
本发明通过深度学习方法生成密集时序的高分辨率影像集，应用于长势监测，避免云、雾等天气因素干扰，对地块尺度进行监测，覆盖玉米所有的关键生长期，兼顾玉米长势的地块尺度监测与关键生长期监测。对玉米关键生长期：出苗期、拔节期、抽雄期与花粒期，构建玉米生长指数，建立适用于不同阶段的长势监测模型，有效提升监测效率与准确度。
本发明还提供一种玉米长势监测系统，包括：
获取模块，用于获取玉米的第一遥感影像和第二遥感影像；所述第一遥感影像的分辨率大于所述第二遥感影像的分辨率。
预测模块，用于根据所述第一遥感影像和所述第二遥感影像利用深度学习算法进行预测，得到带有预测时间的高分辨率预测影像。
波段计算模块，用于对所述带有预测时间的高分辨率预测影像进行波段计算，得到归一化差值植被指数、比值植被指数、增强植被指数和绿度植被指数。
光合有效辐射吸收比例确定模块，用于根据所述归一化差值植被指数的最大值和最小值确定光合有效辐射吸收比例。
构建模块，以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建玉米长势监测模型；所述玉米长势监测模型包括出苗期玉米生长指数、拔节期与抽雄期玉米生长指数和花粒期玉米生长指数。
监测模块，用于根据所述玉米长势监测模型对玉米不同阶段的长势进行监测。
作为一种可选地实施方式，所述预测模块，具体包括：
卷积和激活单元，用于分别将所述第一遥感影像和两个所述第二遥感影像进行两层卷积和激活，得到三个两次卷积结果。
一层卷积单元，用于分别对三个所述两次卷积结果进行一层卷积，得到三个三次卷积结果。
加权求和单元，用于将三个所述三次卷积结果进行加权求和，得到带有预测时间的高分辨率预测影像。
作为一种可选地实施方式，所述波段计算模块，具体包括：
归一化差值植被指数计算单元，用于根据所述带有预测时间的高分辨率预测影像的近红外波段和红光波段计算所述归一化差值植被指数。
比值植被指数计算单元，用于根据所述带有预测时间的高分辨率预测影像的近红外波段和红光波段计算所述比值植被指数。
增强植被指数计算单元，用于根据所述带有预测时间的高分辨率预测影像的近红外波段、红光波段和蓝光波段计算所述增强植被指数。
绿度植被指数计算单元，用于根据所述带有预测时间的高分辨率预测影像的近红外波段、红光波段、蓝光波段和绿光波段计算所述绿度植被指数。
作为一种可选地实施方式，所述构建模块，具体包括：
出苗期玉米生长指数构建单元，用于以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数和所述绿度植被指数构建所述出苗期玉米生长指数。
拔节期与抽雄期玉米生长指数构建单元，用于以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数和所述增强植被指数构建所述拔节期与抽雄期玉米生长指数。
花粒期玉米生长指数构建单元，用于以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建所述花粒期玉米生长指数。
本发明还提供一种电子设备，包括：
一个或多个处理器。
存储装置，其上存储有一个或多个程序。
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述任意一项所述的方法。
本发明还提供一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述任意一项所述的方法。
低空间分辨率卫星的轨道较高，时间分辨率高，高空间分辨率卫星的轨道较低，时间分辨率低。对于直接获取的卫星影像，时间分辨率与空间分辨率难以兼顾。使用深度学习方法，在保证高空间分辨率的条件下，有效提升了遥感影像的时间分辨率，能够兼顾玉米的地块尺度监测与关键生长期监测。因此，通过采用生成的具有高时空分辨率的影像集，以及多关键生长期的高精度长势监测模型，对地块尺度的玉米长势进行全生长期实时监测，有效提高监测精度，为提升玉米产量的方案制定提供可靠参考。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种玉米长势监测方法，其特征在于，包括：
获取玉米的第一遥感影像和第二遥感影像；所述第一遥感影像的分辨率大于所述第二遥感影像的分辨率；
根据所述第一遥感影像和所述第二遥感影像利用深度学习算法进行预测，得到带有预测时间的高分辨率预测影像；
对所述带有预测时间的高分辨率预测影像进行波段计算，得到归一化差值植被指数、比值植被指数、增强植被指数和绿度植被指数；
根据所述归一化差值植被指数的最大值和最小值确定光合有效辐射吸收比例；
以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建玉米长势监测模型；所述玉米长势监测模型包括出苗期玉米生长指数、拔节期与抽雄期玉米生长指数和花粒期玉米生长指数；
根据所述玉米长势监测模型对玉米不同阶段的长势进行监测。
2.根据权利要求1所述的玉米长势监测方法，其特征在于，所述根据所述第一遥感影像和所述第二遥感影像利用深度学习算法进行预测，得到带有预测时间的高分辨率预测影像，具体包括：
分别将所述第一遥感影像和两个所述第二遥感影像进行两层卷积和激活，得到三个两次卷积结果；
分别对三个所述两次卷积结果进行一层卷积，得到三个三次卷积结果；
将三个所述三次卷积结果进行加权求和，得到带有预测时间的高分辨率预测影像。
3.根据权利要求1所述的玉米长势监测方法，其特征在于，所述对所述带有预测时间的高分辨率预测影像进行波段计算，得到归一化差值植被指数、比值植被指数、增强植被指数和绿度植被指数，具体包括：
根据所述带有预测时间的高分辨率预测影像的近红外波段和红光波段计算所述归一化差值植被指数；
根据所述带有预测时间的高分辨率预测影像的近红外波段和红光波段计算所述比值植被指数；
根据所述带有预测时间的高分辨率预测影像的近红外波段、红光波段和蓝光波段计算所述增强植被指数；
根据所述带有预测时间的高分辨率预测影像的近红外波段、红光波段、蓝光波段和绿光波段计算所述绿度植被指数。
4.根据权利要求1所述的玉米长势监测方法，其特征在于，所述以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建玉米长势监测模型，具体包括：
以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数和所述绿度植被指数构建所述出苗期玉米生长指数；
以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数和所述增强植被指数构建所述拔节期与抽雄期玉米生长指数；
以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建所述花粒期玉米生长指数。
5.一种玉米长势监测系统，其特征在于，包括：
获取模块，用于获取玉米的第一遥感影像和第二遥感影像；所述第一遥感影像的分辨率大于所述第二遥感影像的分辨率；
预测模块，用于根据所述第一遥感影像和所述第二遥感影像利用深度学习算法进行预测，得到带有预测时间的高分辨率预测影像；
波段计算模块，用于对所述带有预测时间的高分辨率预测影像进行波段计算，得到归一化差值植被指数、比值植被指数、增强植被指数和绿度植被指数；
光合有效辐射吸收比例确定模块，用于根据所述归一化差值植被指数的最大值和最小值确定光合有效辐射吸收比例；
构建模块，以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建玉米长势监测模型；所述玉米长势监测模型包括出苗期玉米生长指数、拔节期与抽雄期玉米生长指数和花粒期玉米生长指数；
监测模块，用于根据所述玉米长势监测模型对玉米不同阶段的长势进行监测。
6.根据权利要求5所述的玉米长势监测系统，其特征在于，所述预测模块，具体包括：
卷积和激活单元，用于分别将所述第一遥感影像和两个所述第二遥感影像进行两层卷积和激活，得到三个两次卷积结果；
一层卷积单元，用于分别对三个所述两次卷积结果进行一层卷积，得到三个三次卷积结果；
加权求和单元，用于将三个所述三次卷积结果进行加权求和，得到带有预测时间的高分辨率预测影像。
7.根据权利要求5所述的玉米长势监测系统，其特征在于，所述波段计算模块，具体包括：
归一化差值植被指数计算单元，用于根据所述带有预测时间的高分辨率预测影像的近红外波段和红光波段计算所述归一化差值植被指数；
比值植被指数计算单元，用于根据所述带有预测时间的高分辨率预测影像的近红外波段和红光波段计算所述比值植被指数；
增强植被指数计算单元，用于根据所述带有预测时间的高分辨率预测影像的近红外波段、红光波段和蓝光波段计算所述增强植被指数；
绿度植被指数计算单元，用于根据所述带有预测时间的高分辨率预测影像的近红外波段、红光波段、蓝光波段和绿光波段计算所述绿度植被指数。
8.根据权利要求5所述的玉米长势监测系统，其特征在于，所述构建模块，具体包括：
出苗期玉米生长指数构建单元，用于以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数和所述绿度植被指数构建所述出苗期玉米生长指数；
拔节期与抽雄期玉米生长指数构建单元，用于以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数和所述增强植被指数构建所述拔节期与抽雄期玉米生长指数；
花粒期玉米生长指数构建单元，用于以所述光合有效辐射吸收比例为回归系数，根据所述比值植被指数、所述增强植被指数和所述绿度植被指数，构建所述花粒期玉米生长指数。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至4中任意一项所述的方法。
10.一种计算机存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的方法。
CN202211341210.8A 2022-10-31 2022-10-31 玉米长势监测方法、系统、电子设备及计算机存储介质 Active CN115471760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211341210.8A CN115471760B (zh) 2022-10-31 2022-10-31 玉米长势监测方法、系统、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211341210.8A CN115471760B (zh) 2022-10-31 2022-10-31 玉米长势监测方法、系统、电子设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN115471760A true CN115471760A (zh) 2022-12-13
CN115471760B CN115471760B (zh) 2023-02-28

Family

ID=84336652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211341210.8A Active CN115471760B (zh) 2022-10-31 2022-10-31 玉米长势监测方法、系统、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN115471760B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708307A (zh) * 2012-06-26 2012-10-03 上海大学 一种应用于城市的植被指数构造方法
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
CN110414738A (zh) * 2019-08-01 2019-11-05 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
CN110428107A (zh) * 2019-08-06 2019-11-08 吉林大学 一种玉米产量遥感预测方法及系统
CN111507303A (zh) * 2020-04-28 2020-08-07 同济大学 一种湿地植物种类检测方法
CN112861810A (zh) * 2021-03-23 2021-05-28 中国科学院、水利部成都山地灾害与环境研究所 一种基于时序遥感观测数据的人工林种植时间自动检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708307A (zh) * 2012-06-26 2012-10-03 上海大学 一种应用于城市的植被指数构造方法
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
CN110414738A (zh) * 2019-08-01 2019-11-05 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
CN110428107A (zh) * 2019-08-06 2019-11-08 吉林大学 一种玉米产量遥感预测方法及系统
CN111507303A (zh) * 2020-04-28 2020-08-07 同济大学 一种湿地植物种类检测方法
CN112861810A (zh) * 2021-03-23 2021-05-28 中国科学院、水利部成都山地灾害与环境研究所 一种基于时序遥感观测数据的人工林种植时间自动检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周斌 等: ""盘锦湿地植被生态质量监测评价研究"", 《环境科学与管理》 *
赵燕红 等: ""植被生态遥感参数定量反演研究方法进展"", 《遥感学报》 *

Also Published As

Publication number Publication date
CN115471760B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
Cao et al. Integrating multi-source data for rice yield prediction across China using machine learning and deep learning approaches
Schut et al. Assessing yield and fertilizer response in heterogeneous smallholder fields with UAVs and satellites
Aggelopoulou et al. Yield prediction in apple orchards based on image processing
Dobrowski et al. Grapevine dormant pruning weight prediction using remotely sensed data
Duan et al. Remote estimation of grain yield based on UAV data in different rice cultivars under contrasting climatic zone
CN105046242B (zh) 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法
Chahbi et al. Estimation of the dynamics and yields of cereals in a semi-arid area using remote sensing and the SAFY growth model
CN114821362B (zh) 一种基于多源数据的水稻种植面积提取方法
Zhou et al. Reconstruction of time series leaf area index for improving wheat yield estimates at field scales by fusion of Sentinel-2,-3 and MODIS imagery
Ye et al. Potential of airborne hyperspectral imagery to estimate fruit yield in citrus
Escolà et al. Using Sentinel-2 images to implement Precision Agriculture techniques in large arable fields: First results of a case study
Zhu et al. Optimization of multi-source UAV RS agro-monitoring schemes designed for field-scale crop phenotyping
Warren et al. Agricultural applications of high-resolution digital multispectral imagery
CN114926748A (zh) Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法
Jeong et al. Application of an unmanned aerial system for monitoring paddy productivity using the GRAMI-rice model
CN113223040A (zh) 基于遥感的香蕉估产方法、装置、电子设备和存储介质
Amankulova et al. Sunflower crop yield prediction by advanced statistical modeling using satellite-derived vegetation indices and crop phenology
Jiao et al. Monitoring crop growth using a canopy structure dynamic model and time series of synthetic aperture radar (SAR) data
Deng et al. Optimum sampling window size and vegetation index selection for low-altitude multispectral estimation of root soil moisture content for Xuxiang Kiwifruit
Campos et al. Analyzing the effect of shadow on the relationship between ground cover and vegetation indices by using spectral mixture and radiative transfer models
Tunca et al. Accurate leaf area index estimation in sorghum using high-resolution UAV data and machine learning models
CN115471760B (zh) 玉米长势监测方法、系统、电子设备及计算机存储介质
Laluet et al. A sensitivity analysis of a FAO-56 dual crop coefficient-based model under various field conditions
Ye et al. Application of narrow-band TBVI in estimating fruit yield in citrus
Abimbola et al. Improving crop modeling to better simulate maize yield variability under different irrigation managements

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