CN115830442B - 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 - Google Patents
一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 Download PDFInfo
- Publication number
- CN115830442B CN115830442B CN202211414911.XA CN202211414911A CN115830442B CN 115830442 B CN115830442 B CN 115830442B CN 202211414911 A CN202211414911 A CN 202211414911A CN 115830442 B CN115830442 B CN 115830442B
- Authority
- CN
- China
- Prior art keywords
- red
- vegetation index
- wheat
- remote sensing
- nir
- 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
Classifications
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Image Processing (AREA)
Abstract
本发明提出一种基于机器学习的小麦茎蘖密度遥感估算方法和系统。其中,方法包括:根据小麦茎蘖的植被结构和生化参数,再应用遥感影像的反射率值,得到植被指数图;根据遥感影像的几何形状的反射率值,计算得到图像纹理特征图;将采样点的点矢量格式的数据与植被指数图和图像纹理特征图对应,得到样本数据;对样本数据中的植被指数进行筛选,进而得到筛选后的样本数据;应用筛选后的样本数据对机器学习模型进行训练;应用训练好的机器学习模型对小麦茎蘖密度进行估算。本发明提出的方案,可以扩展到县级区域进行使用,其精度能保证相对误差在10%之内,可以满足未来应用卫星遥感数据进行大区域冬小麦茎蘖估算的精度要求。
Description
技术领域
本发明属于植物生长状况预估领域,尤其涉及一种基于机器学习的小麦茎蘖密度遥感估算方法和系统。
背景技术
小麦是世界上最重要的粮食作物之一,为世界一半以上的人口提供食物,预计到2050年世界人口将达到90亿,对小麦的需求预计将增加60%–110%。为满足这一需求,小麦年增产必须从目前不足1%的水平提高到至少1.6%。冬小麦的生长周期可分为播种期、出苗期、分蘖期、越冬期、返青期、起生期、拔节期、孕穗期、抽穗期、开花期、灌浆期与成熟期。而分蘖期是小麦生长周期中的关键时期,小麦的产量潜力取决于分蘖期的茎蘖密度,正常或高密度播种情形下,冬小麦秋季至次年1月1日之前产生的分蘖形成籽粒的产量占最终产量的87%以上(Tilley M S,Heiniger R W,Crozier C R.Tiller initiation and itseffects on yield and yield components in winter wheat[J].Agronomy Journal,2019,111(3):1323-1332.)。小麦分蘖是指地面以下或接近地面处从麦株上所发生的小麦分枝,茎蘖密度指的是单位面积(如1m2)内所包含的冬小麦的分蘖数。2010年,徐大胜等指出促进冬前小麦分蘖生长是小麦分蘖成穗的关键(徐大胜,彭素琼.小麦分蘖成穗对产量的影响研究[J].西南农业学报,2010,23(4):1055-1060.)。2016年,杨东清指出增施氮肥可显著提高单株分蘖数和分蘖成穗率,从而提高小麦籽粒产量(杨东清.细胞分裂素参与氮素调控小麦分蘖发育的作用机制及构建合理群体结构的化控途径[D].山东农业大学,2016.)。2017年,佟汉文等指出需要协调有效分蘖数与其他产量性状的关系,避免追肥过早导致穗粒数、成穗数及产量降低(佟汉文,彭敏,刘易科,等.小麦分蘖成穗规律研究进展[J].湖北农业科学,2017,56(24):4700-4702.)。
由此可知,准确、高效、实时地获取冬小麦分蘖期内的茎蘖密度,对改善氮肥管理,获得最佳产量具有重要作用。截止到目前为止,国内外已有关于小麦分蘖研究的报道。例如2016年Boyle RD等通过划定小麦侧视图像中仅包含茎秆与麦叶的特定区域,利用阈值方法分割出茎秆,从而完成了单株小麦分蘖数目的计算(Boyle RD,Corke FMK,DoonanJH.Automated estimation of tiller number in wheat by ribbon detection.MachVis Appl.2016;27:637–46.)。2017年,Duan等基于多视图图像重建小麦幼苗3D结构点云,并利用局部多项式函数提取了分蘖数。(Duan T,Chapman S C,Holland E,et al.Dynamicquantification of canopy structure to characterize early plant vigour inwheat genotypes[J].Journal of Experimental Botany,2016,67(15):4523-4534.)。2018年,李琼砚等通过图像分割技术与形态学处理,完成了单株小麦分蘖数目的检测(李琼砚,高云鹏,翁雨辰.一种基于RGB图像的小麦分蘖数自动检测方法[P].中国专利:CN107993243A,2018-05-04.)以上方法均属于在实验室环境下的小麦单株个体分蘖数测算,无法直接用来提取大田条件下的小麦群体分蘖数。传统的大田环境下小麦分蘖密度的测算通常单纯依靠人工计数或目视判别,耗时、费力、精度低,难以满足大样本、高效率的作业需求;而且,人工计数获取的小麦分蘖密度点源数据在现代集约化大规模农业中,难以代表农田整体的小麦分蘖密度状况,无法反映地块内部的小麦分蘖密度的空间差异。传统的通过人工田间调查获取小麦茎蘖密度信息的方法,时效性与精准度不足,工作量大、效率低而且稀疏的点源统计数据无法精准反映田块内部的小麦茎蘖密度空间差异状况
因此,开始有部分研究尝试利用遥感图像处理技术进行小麦茎蘖密度的测算。例如,2016年,Liu Tao基于小麦的RGB图像,结合ExG植被指数和Otsu阈值分割方法得到小麦分蘖的二值图像,再通过角点检测的计算到分蘖数。首先,计数精度随着苗密度的增加而降低;苗密度过高则无法进行计数。其次,小麦幼苗的计数只能在播种后7天到第二片出苗前的短时间内进行。后期幼苗的计数变得非常困难。(Liu T,Wu W,Chen W,et al.Automatedimage-processing for counting seedlings in a wheat field[J].Precisionagriculture,2016,17(4):392-406.)2017年,Jin Xiuliang基于无人机拍摄的小麦RGB图像的MNVI植被指数,结合区域开放算法和PSO-SVM方法估算小麦分蘖数。(Jin X,Liu S,Baret F,et al.Estimates of plant density of wheat crops at emergence fromvery low altitude UAV imagery[J].Remote Sensing of Environment,2017,198:105-114.)但上述方法只针对出苗期的小麦图像有效,计数精度随着苗密度的增加而降低,苗密度过高则无法进行计数,无法对分蘖期的茎蘖密度进行估计;且对图像的空间分辨率要求很高,需要优于0.40mm。于是,2021年,杜蒙蒙使用大疆Mini 2航拍无人机在小麦分蘖期获取试验田的可视光波段遥感图像,选取了4种比值植被指数和植被覆盖度作为输入,利用人工神经网络在田间尺度上估算了茎蘖密度。(杜蒙蒙,刘颖超.可见光波段无人机遥感图像的小麦茎蘖密度定量反演[J].光谱学与光谱分析,2021,41(12):3828.)该方法的遥感图像未经严格辐射定标,受光照强度的影响严重,无法直接用于定量遥感的反演分析,并间接影响遥感图像的对比度与清晰度;且受限于消费级无人机的滞空时间,监测的覆盖面积很小,不能用于大区域大范围(如县域尺度)的小麦茎蘖密度估算。
发明内容
为解决上述技术问题,本发明提出一种基于机器学习的小麦茎蘖密度遥感估算方法的技术方案,以解决上述技术问题。
本发明第一方面公开了一种基于机器学习的小麦茎蘖密度遥感估算方法,所述方法包括:
步骤S1、在采样点采集小麦茎蘖密度实测值;
步骤S2、采集麦田区域的遥感影像;
步骤S3、根据小麦茎蘖的植被结构和生化参数,再应用遥感影像的反射率值,得到植被指数图;根据遥感影像的几何形状的反射率值,计算得到图像纹理特征图;
步骤S4、将所述采样点的地理位置坐标空间转化成点矢量格式,将点矢量格式的数据与所述植被指数图和图像纹理特征图对应,得到小麦茎蘖密度遥感估算的样本数据;
步骤S5、采用序列后向选择方法对所述样本数据中的植被指数进行筛选,得到最优植被指数图的特征子集,进而得到筛选后的样本数据;
步骤S6、以所述筛选后的样本数据作为机器学习模型的训练输入,以所述小麦茎蘖密度实测值作为机器学习模型的训练输出,对机器学习模型进行训练,得到能够预测小麦茎蘖密度的机器学习模型;
步骤S7、应用训练好的机器学习模型对小麦茎蘖密度进行估算,并对空间可视化。
根据本发明第一方面的方法,在所述步骤S1中,所述在采样点采集小麦茎蘖密度实测值的方法包括:
统计以每个采样点为中心周围预设定大小的方形区域内的分蘖的数量,并除以所述方形区域面积得到小麦茎蘖密度实测值;或者,以拍摄数字照片的方式,通过拍摄每个采样点周围对应的数字相片,以深度学习端到端提取或是数字图像处理的方式提取出所述数字相片中的分蘖数量,当作实际的分蘖数量,再除以数字相片中的面积作为该采样点的小麦茎蘖密度实测值。
根据本发明第一方面的方法,在所述步骤S2中,所述采集麦田区域的遥感影像的方法包括:
通过无人机的图像采集设备在小麦分蘖期采集麦田高光谱和多光谱的遥感影像;或者,通过航天遥感方式,获取遥感卫星拍摄的小麦分蘖期的高光谱和多光谱的遥感影像。
根据本发明第一方面的方法,在所述步骤S3中,所述根据小麦茎蘖的植被结构和生化参数,再应用遥感影像的反射率值,得到植被指数图的方法包括:
根据小麦茎蘖的植被结构和生化参数,应用蓝光波段、绿光波段、红光波段和近红外波段的反射率值,得到植被指数图。
根据本发明第一方面的方法,在所述步骤S3中,所述应用蓝光、绿光、红光和近红外波段的反射率值,得到植被指数图的方法包括:
DVI=ρnir-ρred;
EVI=2.5×(ρnir-ρred)/(ρnir+6×ρred-7.5×ρblue+1);
MTVI=1.2×(1.2×(ρnir-ρgreen)-2.5×(ρred-ρgreen)
NDVI=(ρnir-ρred)/(ρnir+ρred)
NGRDI=(ρgreen-ρred)/(ρgreen+ρred)
SR=ρnir/ρred
OSAVI=(1+0.16)(ρnir-ρred)/(ρnir+ρred+0.16)
RGD=ρred-ρgreen
WDRVI=(0.1×ρnir-ρred)/(0.1×ρnir+ρred)
MCAVI=1.2×(2.5×(ρnir-ρred)-1.3×(ρnir-ρgreen)
其中,ρblue、ρgreen、ρred和ρnir分别代表蓝光波段、绿光波段、红光波段和近红外波段的反射率值;
DVI代表Difference Vegetation Index,即差值植被指数;
EVI代表Enhanced Vegetation Index,即增强植被指数;
MSR代表Modified Simple Ratio Red-Edge Vegetation Index,即修正红边植被指数;
MTVI代表Modified Triangular Vegetation Index,即修正三角植被指数;
NDVI代表Normalized Difference Vegetation Index,即归一化差值植被指数;
NGRDI代表Normalized Green Red Difference Vegetation Index,即归一化绿红差值植被指数;
SR代表Simple Ratio Vegetation Index,即简单比值植被指数;
OSAVI代表Optimized Soil-Adjusted Vegetation Index,即优化土壤调整植被指数;
RGD代表Red Green Difference Vegetation Index,即红绿差值植被指数;
WDRVI代表Wide Dynamic Range Vegetation Index,即宽动态范围植被指数;
MCAVI代表Modified Chlorophyll Absorption in Reflectance VegetationIndex,即改进反射率叶绿素吸收指数;
RDVI代表Renormalized Difference Vegetation Index,即重整归一化差值植被指数。
根据本发明第一方面的方法,在所述步骤S3中,所述根据遥感影像的几何形状的反射率值,计算得到图像纹理特征图的方法包括:
其中,Mean即为均值,Variance即为方差,Homogeneity即为同质度,Contrast即为对比度,Dissimilarity即为非相似度,Entropy即为熵,ASM(Angular Second Moment)即为角二阶矩,Correlation即为相关性。各公式中,i和j分别代表遥感图像上像元的行号和列号,p(i,j)代表所述像元对应的反射率值。
根据本发明第一方面的方法,在所述步骤S5中,所述采用序列后向选择方法对所述样本数据中的植被指数进行筛选,得到最优植被指数图的特征子集的方法包括:
采用序列后向选择方法对高光谱遥感影像中对应的样本数据中的植被指数进行筛选,得到MCARI、RDVI和WDRVI;
采用序列后向选择方法对多光谱遥感影像中对应的样本数据中的植被指数进行筛选,得到NDVI、DVI、MCARI、MSR、RGD、RVI和WDRVI。
本发明第二方面公开了一种基于机器学习的小麦茎蘖密度遥感估算系统,所述系统包括:
第一处理模块,被配置为,在采样点采集小麦茎蘖密度实测值;
第二处理模块,被配置为,采集麦田区域的遥感影像;
第三处理模块,被配置为,根据小麦茎蘖的植被结构和生化参数,再应用遥感影像的反射率值,得到植被指数图;根据遥感影像的几何形状的反射率值,计算得到图像纹理特征图;
第四处理模块,被配置为,将所述采样点的地理位置坐标空间转化成点矢量格式,将点矢量格式的数据与所述植被指数图和图像纹理特征图对应,得到小麦茎蘖密度遥感估算的样本数据;
第五处理模块,被配置为,采用序列后向选择方法对所述样本数据中的植被指数进行筛选,得到最优植被指数图的特征子集,进而得到筛选后的样本数据;
第六处理模块,被配置为,以所述筛选后的样本数据作为机器学习模型的训练输入,以所述小麦茎蘖密度实测值作为机器学习模型的训练输出,对机器学习模型进行训练,得到能够预测小麦茎蘖密度的机器学习模型;
第七处理模块,被配置为,应用训练好的机器学习模型对小麦茎蘖密度进行估算,并对空间可视化。
根据本发明第二方面的系统,所述第一处理模块,被配置为,统计以每个采样点为中心周围预设定大小的方形区域内的分蘖的数量,并除以所述方形区域面积得到小麦茎蘖密度实测值;或者,以拍摄数字照片的方式,通过拍摄每个采样点周围对应的数字相片,以深度学习端到端提取或是数字图像处理的方式提取出所述数字相片中的分蘖数量,当作实际的分蘖数量,再除以数字相片中的面积作为该采样点的小麦茎蘖密度实测值。
根据本发明第二方面的系统,所述第二处理模块,被配置为,所述采集麦田区域的遥感影像包括:
通过无人机的图像采集设备在小麦分蘖期采集麦田高光谱和多光谱的遥感影像;或者,通过航天遥感方式,获取遥感卫星拍摄的小麦分蘖期的高光谱和多光谱的遥感影像。
根据本发明第二方面的系统,所述第三处理模块,被配置为,所述根据小麦茎蘖的植被结构和生化参数,再应用遥感影像的反射率值,得到植被指数图包括:
根据小麦茎蘖的植被结构和生化参数,应用蓝光波段、绿光波段、红光波段和近红外波段的反射率值,得到植被指数图。
根据本发明第二方面的系统,所述第三处理模块,被配置为,所述应用蓝光、绿光、红光和近红外波段的反射率值,得到植被指数图包括:
DVI=ρnir-ρred;
EVI=2.5×(ρnir-ρred)/(ρnir+6×ρred-7.5×ρblue+1);
MTVI=1.2×(1.2×(ρnir-ρgreen)-2.5×(ρred-ρgreen)
NDVI=(ρnir-ρred)/(ρnir+ρred)
NGRDI=(ρgreen-ρred)/(ρgreen+ρred)
SR=ρnir/ρred
OSAVI=(1+0.16)(ρnir-ρred)/(ρnir+ρred+0.16)
RGD=ρred-ρgreen
WDRVI=(0.1×ρnir-ρred)/(0.1×ρnir+ρred)
MCAVI=1.2×(2.5×(ρnir-ρred)-1.3×(ρnir-ρgreen)
其中,ρblue、ρgreen、ρred和ρnir分别代表蓝光波段、绿光波段、红光波段和近红外波段的反射率值;
DVI代表Difference Vegetation Index,即差值植被指数;
EVI代表Enhanced Vegetation Index,即增强植被指数;
MSR代表Modified Simple Ratio Red-Edge Vegetation Index,即修正红边植被指数;
MTVI代表Modified Triangular Vegetation Index,即修正三角植被指数;
NDVI代表Normalized Difference Vegetation Index,即归一化差值植被指数;
NGRDI代表Normalized Green Red Difference Vegetation Index,即归一化绿红差值植被指数;
SR代表Simple Ratio Vegetation Index,即简单比值植被指数;
OSAVI代表Optimized Soil-Adjusted Vegetation Index,即优化土壤调整植被指数;
RGD代表Red Green Difference Vegetation Index,即红绿差值植被指数;
WDRVI代表Wide Dynamic Range Vegetation Index,即宽动态范围植被指数;
MCAVI代表Modified Chlorophyll Absorption in Reflectance VegetationIndex,即改进反射率叶绿素吸收指数;
RDVI代表Renormalized Difference Vegetation Index,即重整归一化差值植被指数。
根据本发明第二方面的系统,所述第三处理模块,被配置为,所述根据遥感影像的几何形状的反射率值,计算得到图像纹理特征图包括:
其中,Mean即为均值,Variance即为方差,Homogeneity即为同质度,Contrast即为对比度,Dissimilarity即为非相似度,Entropy即为熵,ASM(Angular Second Moment)即为角二阶矩,Correlation即为相关性。各公式中,i和j分别代表遥感图像上像元的行号和列号,p(i,j)代表所述像元对应的反射率值。
根据本发明第二方面的系统,所述第五处理模块,被配置为,所述采用序列后向选择方法对所述样本数据中的植被指数进行筛选,得到最优植被指数图的特征子集包括:
采用序列后向选择方法对高光谱遥感影像中对应的样本数据中的植被指数进行筛选,得到MCARI、RDVI和WDRVI;
采用序列后向选择方法对多光谱遥感影像中对应的样本数据中的植被指数进行筛选,得到NDVI、DVI、MCARI、MSR、RGD、RVI和WDRVI。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本公开第一方面中任一项的一种基于机器学习的小麦茎蘖密度遥感估算方法中的步骤。
本发明第四方面公开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执行时,实现本公开第一方面中任一项的一种基于机器学习的小麦茎蘖密度遥感估算方法中的步骤。
可见,本发明提出的方案,可以扩展到县级区域进行使用,其精度能保证相对误差在10%之内,可以满足未来应用卫星遥感数据进行大区域冬小麦茎蘖估算的精度要求。
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为根据本发明实施例的一种基于机器学习的小麦茎蘖密度遥感估算方法的流程图;
图2为根据本发明实施例的小汤山国家精准农业基地冬小麦茎蘖密度空间分布图;
图3为根据本发明实施例的雄安新区冬小麦茎蘖密度分布图;
图4为根据本发明实施例的一种基于机器学习的小麦茎蘖密度遥感估算系统的结构图;
图5为根据本发明实施例的一种电子设备的结构图。
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,所描述的实施例只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。
本发明第一方面公开了一种基于机器学习的小麦茎蘖密度遥感估算方法。图1为根据本发明实施例的一种基于机器学习的小麦茎蘖密度遥感估算方法的流程图,如图1所示,所述方法包括:
步骤S1、在采样点采集小麦茎蘖密度实测值;
步骤S2、采集麦田区域的遥感影像;
步骤S3、根据小麦茎蘖的植被结构和生化参数,再应用遥感影像的反射率值,得到植被指数图;根据遥感影像的几何形状的反射率值,计算得到图像纹理特征图;
步骤S4、将所述采样点的地理位置坐标空间转化成点矢量格式,将点矢量格式的数据与所述植被指数图和图像纹理特征图对应,得到小麦茎蘖密度遥感估算的样本数据;
步骤S5、采用序列后向选择方法对所述样本数据中的植被指数进行筛选,得到最优植被指数图的特征子集,进而得到筛选后的样本数据;
步骤S6、以所述筛选后的样本数据作为机器学习模型的训练输入,以所述小麦茎蘖密度实测值作为机器学习模型的训练输出,对机器学习模型进行训练,得到能够预测小麦茎蘖密度的机器学习模型;
步骤S7、应用训练好的机器学习模型对小麦茎蘖密度进行估算,并对空间可视化。
在步骤S1,在采样点采集小麦茎蘖密度实测值。
在一些实施例中,在所述步骤S1中,所述在采样点采集小麦茎蘖密度实测值的方法包括:
统计以每个采样点为中心周围预设定大小的方形区域内的分蘖的数量,并除以所述方形区域面积得到小麦茎蘖密度实测值;或者,以拍摄数字照片的方式,通过拍摄每个采样点周围对应的数字相片,以深度学习端到端提取或是数字图像处理的方式提取出所述数字相片中的分蘖数量,当作实际的分蘖数量,再除以数字相片中的面积作为该采样点的小麦茎蘖密度实测值。
具体地,统计以每个采样点为中心周围1m×1m的方形区域内的分蘖的数量,并除以所述方形区域面积得到小麦茎蘖密度实测值,即单位面积内茎蘖密度(株/m2)=分蘖数(株)/实测面积(m2);或者,以拍摄数字照片的方式,通过拍摄每个采样点周围对应的数字相片,以深度学习端到端提取或是数字图像处理的方式提取出所述数字相片中的分蘖数量,当作实际的分蘖数量,再除以数字相片中的面积作为该采样点的小麦茎蘖密度实测值;可以选择增加采样点的方式(如五点采样法)来使实测值更具代表性,采样点的选取应尽量分布均匀来保证实测值更具代表性。
在步骤S2,采集麦田区域的遥感影像。
在一些实施例中,在所述步骤S2中,所述采集麦田区域的遥感影像的方法包括:
通过无人机的图像采集设备在小麦分蘖期采集麦田高光谱和多光谱的遥感影像;或者,通过航天遥感方式,获取遥感卫星拍摄的小麦分蘖期的高光谱和多光谱的遥感影像。
具体地,无人机采用固定翼、多旋翼以及直升机形式的无人机,所述图像采集设备使用可以获取350-2500nm波长范围及以内的遥感影像的相机,所述卫星遥感影像使用国内外可获取的含有可见光波段、近红外波段和短波红外波段等波段的影像。
在步骤S3,根据小麦茎蘖的植被结构和生化参数,再应用遥感影像的反射率值,得到植被指数图;根据遥感影像的几何形状的反射率值,计算得到图像纹理特征图。
在一些实施例中,在所述步骤S3中,所述根据小麦茎蘖的植被结构和生化参数,再应用遥感影像的反射率值,得到植被指数图的方法包括:
根据小麦茎蘖的植被结构和生化参数,应用蓝光波段、绿光波段、红光波段和近红外波段的反射率值,得到植被指数图。
所述应用蓝光、绿光、红光和近红外波段的反射率值,得到植被指数图的方法包括:
DVI=ρnir-ρred;
EVI=2.5×(ρnir-ρred)/(ρnir+6×ρred-7.5×ρblue+1);
MTVI=1.2×(1.2×(ρnir-ρgreen)-2.5×(ρred-ρgreen)
NDVI=(ρnir-ρred)/(ρnir+ρred)
NGRDI=(ρgreen-ρred)/(ρgreen+ρred)
SR=ρnir/ρred
OSAVI=(1+0.16)(ρnir-ρred)/(ρnir+ρred+0.16)
RGD=ρred-ρgreen
WDRVI=(0.1×ρnir-ρred)/(0.1×ρnir+ρred)
MCAVI=1.2×(2.5×(ρnir-ρred)-1.3×(ρnir-ρgreen)
其中,ρblue、ρgreen、ρred和ρnir分别代表蓝光波段、绿光波段、红光波段和近红外波段的反射率值;
DVI代表Difference Vegetation Index,即差值植被指数;
EVI代表Enhanced Vegetation Index,即增强植被指数;
MSR代表Modified Simple Ratio Red-Edge Vegetation Index,即修正红边植被指数;
MTVI代表Modified Triangular Vegetation Index,即修正三角植被指数;
NDVI代表Normalized Difference Vegetation Index,即归一化差值植被指数;
NGRDI代表Normalized Green Red Difference Vegetation Index,即归一化绿红差值植被指数;
SR代表Simple Ratio Vegetation Index,即简单比值植被指数;
OSAVI代表Optimized Soil-Adjusted Vegetation Index,即优化土壤调整植被指数;
RGD代表Red Green Difference Vegetation Index,即红绿差值植被指数;
WDRVI代表Wide Dynamic Range Vegetation Index,即宽动态范围植被指数;
MCAVI代表Modified Chlorophyll Absorption in Reflectance VegetationIndex,即改进反射率叶绿素吸收指数;
RDVI代表Renormalized Difference Vegetation Index,即重整归一化差值植被指数。
所述根据遥感影像的几何形状的反射率值,计算得到图像纹理特征图的方法包括:
其中,Mean即为均值,Variance即为方差,Homogeneity即为同质度,Contrast即为对比度,Dissimilarity即为非相似度,Entropy即为熵,ASM(Angular Second Moment)即为角二阶矩,Correlation即为相关性。各公式中,i和j分别代表遥感图像上像元的行号和列号,p(i,j)代表所述像元对应的反射率值。
具体地,获取了sentinel-2遥感影像L1C级产品,并处理到反射率数据,选取了其中10m空间分辨率的蓝、绿、红、近红外等波段的遥感图像;或者,利用M400无人机搭载S185高光谱相机获取了小汤山国家精准农业基地的冬小麦遥感影像,S185高光谱相机可以收集到450-950nm波长范围内间隔4nm采样的共125个波段的高光谱遥感影像,再依据相关性筛选出在蓝、绿、红和近红外波长范围内与茎蘖密度相关性最高波段的图像。
根据小麦茎蘖的植被结构和生化参数,应用蓝光波段、绿光波段、红光波段和近红外波段的反射率值,得到植被指数图,具体公式为:
DVI=ρnir-ρred;
EVI=2.5×(ρnir-ρred)/(ρnir+6×ρred-7.5×ρblue+1);
MTVI=1.2×(1.2×(ρnir-ρgreen)-2.5×(ρred-ρgreen)
NDVI=(ρnir-ρred)/(ρnir+ρred)
NGRDI=(ρgreen-ρred)/(ρgreen+ρred)
SR=ρnir/ρred
OSAVI=(1+0.16)(ρnir-ρred)/(ρnir+ρred+0.16)
RGD=ρred-ρgreen
WDRVI=(0.1×ρnir-ρred)/(0.1×ρnir+ρred)
MCAVI=1.2×(2.5×(ρnir-ρred)-1.3×(ρnir-ρgreen)
其中,ρblue、ρgreen、ρred和ρnir分别代表蓝光波段、绿光波段、红光波段和近红外波段的反射率值;
DVI代表Difference Vegetation Index,即差值植被指数;
EVI代表Enhanced Vegetation Index,即增强植被指数;
MSR代表Modified Simple Ratio Red-Edge Vegetation Index,即修正红边植被指数;
MTVI代表Modified Triangular Vegetation Index,即修正三角植被指数;
NDVI代表Normalized Difference Vegetation Index,即归一化差值植被指数;
NGRDI代表Normalized Green Red Difference Vegetation Index,即归一化绿红差值植被指数;
SR代表Simple Ratio Vegetation Index,即简单比值植被指数;
OSAVI代表Optimized Soil-Adjusted Vegetation Index,即优化土壤调整植被指数;
RGD代表Red Green Difference Vegetation Index,即红绿差值植被指数;
WDRVI代表Wide Dynamic Range Vegetation Index,即宽动态范围植被指数;
MCAVI代表Modified Chlorophyll Absorption in Reflectance VegetationIndex,即改进反射率叶绿素吸收指数;
RDVI代表Renormalized Difference Vegetation Index,即重整归一化差值植被指数。
根据遥感影像的几何形状的反射率值,计算得到图像纹理特征图:
其中,Mean即为均值,Variance即为方差,Homogeneity即为同质度,Contrast即为对比度,Dissimilarity即为非相似度,Entropy即为熵,ASM(Angular Second Moment)即为角二阶矩,Correlation即为相关性。各公式中,i和j分别代表遥感图像上像元的行号和列号,p(i,j)代表所述像元对应的反射率值。
在步骤S4,将所述采样点的地理位置坐标空间转化成点矢量格式,将点矢量格式的数据与所述植被指数图和图像纹理特征图对应,得到小麦茎蘖密度遥感估算的样本数据。
具体地,将所述采样点的地理位置坐标空间转化成点矢量格式,将点矢量格式的数据与所述植被指数图和图像纹理特征图对应,并对打乱后的样本数据按照8:1:1的比例切分训练集、测试集和验证集。
在步骤S5,采用序列后向选择方法对所述样本数据中的植被指数进行筛选,得到最优植被指数图的特征子集,进而得到筛选后的样本数据。
在一些实施例中,在所述步骤S5中,所述采用序列后向选择方法对所述样本数据中的植被指数进行筛选,得到最优植被指数图的特征子集的方法包括:
采用序列后向选择方法对高光谱遥感影像中对应的样本数据中的植被指数进行筛选,得到MCARI、RDVI和WDRVI;
采用序列后向选择方法对多光谱遥感影像中对应的样本数据中的植被指数进行筛选,得到NDVI、DVI、MCARI、MSR、RGD、RVI和WDRVI。
具体地,采用序列后向选择方法对所述样本数据中的植被指数进行筛选,评价函数选择的是贝叶斯信息准则(Bayesian Information Criterion,BIC),算法过程描述为:从样本数据中的植被指数的全集开始,每次从全集中剔除一个植被指数,使得剔除某个植被指数后评价函数值达到最优。对高光谱遥感影像中对应的样本数据中的植被指数进行筛选,得到MCARI、RDVI和WDRVI,对多光谱遥感影像中对应的样本数据中的植被指数进行筛选,得到NDVI、DVI、MCARI、MSR、RGD、RVI和WDRVI,进而得到筛选后的样本数据。
在步骤S6,以所述筛选后的样本数据作为机器学习模型的训练输入,以所述小麦茎蘖密度实测值作为机器学习模型的训练输出,对机器学习模型进行训练,得到能够预测小麦茎蘖密度的机器学习模型。
具体地,机器学习模型可以选择线性模型(最小二乘回归)、非线性模型(如支持向量机)和树形模型(如随机森林),对训练集进行K折训练,将机器学习模型的超参数设置好范围后,利用scikit-learn库中的GridSearchCV函数在指定的参数范围内,按步长依次调整参数,利用调整的参数训练学习器,从所有的参数中找到在测试集上精度最高的参数,得到最佳模型,茎蘖密度估算模型的精度评价指标选择相关系数r和平均相对误差(MeanRelative Error,MRE)。同时为了由于样本数量较少,为了保证得到的模型具有统计意义,防止过拟合,对模型的精度评价结果还会计算p值,只有p<0.05的模型才能被选中。其计算公式如下:
其中,RMSE即均方根误差,MAE即平均绝对误差,MRE即平均相对误差,r即相关系数r,t即t分布。各公式中,yi为预测值,为真实值,/>表示离差,/>表示残差,m为样本个数,p值从相关系数r对应的t分布中得到。/>
调用GridSearchCV函数在上述指定的参数范围内进行格网搜索,通过监控mse的下降训练得到最佳模型,最终通过五折训练的参数验证得到最佳的超参数组合:{'n_estimators':1600,'min_samples_split':50,'min_samples_leaf':1,'max_features':'auto','max_depth':94,'bootstrap':True},并将整个模型以pkl文件格式保存,最终的超参数组合的精度评价指标采用相关系数r和平均相对误差MRE。
基于sentinel-2哨兵数据,以在小汤山国家精准农业基地获得的400个样本对训练该模型,最终得到的精度为训练集上精度(r=0.85,MRE=10.25%,p<0.001)和测试集上精度(r=0.66,MRE=14.13%,p<0.001)。
在步骤S7,应用训练好的机器学习模型对小麦茎蘖密度进行估算,并对空间可视化。
具体地,如图2所示,基于步骤S6实施例中所得到的模型基于2020年11月23日的sentinel-2哨兵数据生成的小汤山国家精准农业基地冬小麦茎蘖密度分布图。
如图3所示,基于步骤S6实施例中所得到的模型基于2020年11月8日的sentinel-2哨兵数据生成的雄安新区冬小麦茎蘖密度分布图。
使用一套独立的验证集样本对上述两个区域的估算结果进行精度评价,其结果如表1所示:
表2
r-value | MRE | p-value | |
小汤山精度验证结果 | 0.84 | 6.58% | <0.001 |
雄安精度验证结果 | 0.65 | 8.58% | <0.001 |
其中,r-value即相关系数r,MRE即相对误差,p-value即p值,用于反映出现统计量极端值的概率。
综上,本发明提出的方案能够扩展到县级区域进行使用,其精度能保证相对误差在10%之内,可以满足未来应用卫星遥感数据进行大区域冬小麦茎蘖估算的精度要求。
本发明第二方面公开了一种基于机器学习的小麦茎蘖密度遥感估算系统。图4为根据本发明实施例的一种基于机器学习的小麦茎蘖密度遥感估算系统的结构图;如图4所示,所述系统100包括:
第一处理模块101,被配置为,在采样点采集小麦茎蘖密度实测值;
第二处理模块102,被配置为,采集麦田区域的遥感影像;
第三处理模块103,被配置为,根据小麦茎蘖的植被结构和生化参数,再应用遥感影像的反射率值,得到植被指数图;根据遥感影像的几何形状的反射率值,计算得到图像纹理特征图;
第四处理模块104,被配置为,将所述采样点的地理位置坐标空间转化成点矢量格式,将点矢量格式的数据与所述植被指数图和图像纹理特征图对应,得到小麦茎蘖密度遥感估算的样本数据;
第五处理模块105,被配置为,采用序列后向选择方法对所述样本数据中的植被指数进行筛选,得到最优植被指数图的特征子集,进而得到筛选后的样本数据;
第六处理模块106,被配置为,以所述筛选后的样本数据作为机器学习模型的训练输入,以所述小麦茎蘖密度实测值作为机器学习模型的训练输出,对机器学习模型进行训练,得到能够预测小麦茎蘖密度的机器学习模型;
第七处理模块107,被配置为,应用训练好的机器学习模型对小麦茎蘖密度进行估算,并对空间可视化。
根据本发明第二方面的系统,所述第一处理模块101,被配置为,统计以每个采样点为中心周围预设定大小的方形区域内的分蘖的数量,并除以所述方形区域面积得到小麦茎蘖密度实测值;或者,以拍摄数字照片的方式,通过拍摄每个采样点周围对应的数字相片,以深度学习端到端提取或是数字图像处理的方式提取出所述数字相片中的分蘖数量,当作实际的分蘖数量,再除以数字相片中的面积作为该采样点的小麦茎蘖密度实测值。
根据本发明第二方面的系统,所述第二处理模块102,被配置为,所述采集麦田区域的遥感影像包括:
通过无人机的图像采集设备在小麦分蘖期采集麦田高光谱和多光谱的遥感影像;或者,通过航天遥感方式,获取遥感卫星拍摄的小麦分蘖期的高光谱和多光谱的遥感影像。
根据本发明第二方面的系统,所述第三处理模块103,被配置为,所述根据小麦茎蘖的植被结构和生化参数,再应用遥感影像的反射率值,得到植被指数图包括:
根据小麦茎蘖的植被结构和生化参数,应用蓝光波段、绿光波段、红光波段和近红外波段的反射率值,得到植被指数图。
根据本发明第二方面的系统,所述第三处理模块103,被配置为,所述应用蓝光、绿光、红光和近红外波段的反射率值,得到植被指数图包括:
DVI=ρnir-ρred;
EVI=2.5×(ρnir-ρred)/(ρnir+6×ρred-7.5×ρblue+1);
MTVI=1.2×(1.2×(ρnir-ρgreen)-2.5×(ρred-ρgreen)
NDVI=(ρnir-ρred)/(ρnir+ρred)
NGRDI=(ρgreen-ρred)/(ρgreen+ρred)
SR=ρnir/ρred
OSAVI=(1+0.16)(ρnir-ρred)/(ρnir+ρred+0.16)
RGD=ρred-ρgreen
WDRVI=(0.1×ρnir-ρred)/(0.1×ρnir+ρred)
MCAVI=1.2×(2.5×(ρnir-ρred)-1.3×(ρnir-ρgreen)
其中,ρblue、ρgreen、ρred和ρnir分别代表蓝光波段、绿光波段、红光波段和近红外波段的反射率值;
DVI代表Difference Vegetation Index,即差值植被指数;
EVI代表Enhanced Vegetation Index,即增强植被指数;
MSR代表Modified Simple Ratio Red-Edge Vegetation Index,即修正红边植被指数;
MTVI代表Modified Triangular Vegetation Index,即修正三角植被指数;
NDVI代表Normalized Difference Vegetation Index,即归一化差值植被指数;
NGRDI代表Normalized Green Red Difference Vegetation Index,即归一化绿红差值植被指数;
SR代表Simple Ratio Vegetation Index,即简单比值植被指数;
OSAVI代表Optimized Soil-Adjusted Vegetation Index,即优化土壤调整植被指数;
RGD代表Red Green Difference Vegetation Index,即红绿差值植被指数;
WDRVI代表Wide Dynamic Range Vegetation Index,即宽动态范围植被指数;
MCAVI代表Modified Chlorophyll Absorption in Reflectance VegetationIndex,即改进反射率叶绿素吸收指数;
RDVI代表Renormalized Difference Vegetation Index,即重整归一化差值植被指数。
根据本发明第二方面的系统,所述第三处理模块103,被配置为,所述根据遥感影像的几何形状的反射率值,计算得到图像纹理特征图包括:
其中,Mean即为均值,Variance即为方差,Homogeneity即为同质度,Contrast即为对比度,Dissimilarity即为非相似度,Entropy即为熵,ASM(Angular Second Moment)即为角二阶矩,Correlation即为相关性。各公式中,i和j分别代表遥感图像上像元的行号和列号,p(i,j)代表所述像元对应的反射率值。
根据本发明第二方面的系统,所述第五处理模块105,被配置为,所述采用序列后向选择方法对所述样本数据中的植被指数进行筛选,得到最优植被指数图的特征子集包括:
采用序列后向选择方法对高光谱遥感影像中对应的样本数据中的植被指数进行筛选,得到MCARI、RDVI和WDRVI;
采用序列后向选择方法对多光谱遥感影像中对应的样本数据中的植被指数进行筛选,得到NDVI、DVI、MCARI、MSR、RGD、RVI和WDRVI。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本发明公开第一方面中任一项的一种基于机器学习的小麦茎蘖密度遥感估算方法中的步骤。
图5为根据本发明实施例的一种电子设备的结构图,如图5所示,电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本公开的技术方案相关的部分的结构图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明第四方面公开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执行时,实现本发明公开第一方面中任一项的一种基于机器学习的小麦茎蘖密度遥感估算方法中的步骤。
请注意,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于机器学习的小麦茎蘖密度遥感估算方法,其特征在于,所述方法包括:
步骤S1、在采样点采集小麦茎蘖密度实测值;
步骤S2、采集麦田区域的遥感影像;
步骤S3、根据小麦茎蘖的植被结构和生化参数,再应用遥感影像的反射率值,得到植被指数图;根据遥感影像的几何形状的反射率值,计算得到图像纹理特征图;
步骤S4、将所述采样点的地理位置坐标空间转化成点矢量格式,将点矢量格式的数据与所述植被指数图和图像纹理特征图对应,得到小麦茎蘖密度遥感估算的样本数据;
步骤S5、采用序列后向选择方法对所述样本数据中的植被指数进行筛选,得到最优植被指数图的特征子集,进而得到筛选后的样本数据;
步骤S6、以所述筛选后的样本数据作为机器学习模型的训练输入,以所述小麦茎蘖密度实测值作为机器学习模型的训练输出,对机器学习模型进行训练,得到能够预测小麦茎蘖密度的机器学习模型;
步骤S7、应用训练好的机器学习模型对小麦茎蘖密度进行估算,并对空间可视化;
在所述步骤S2中,所述采集麦田区域的遥感影像的方法包括:
通过无人机的图像采集设备在小麦分蘖期采集麦田高光谱和多光谱的遥感影像;或者,通过航天遥感方式,获取遥感卫星拍摄的小麦分蘖期的高光谱和多光谱的遥感影像;
在所述步骤S3中,所述根据小麦茎蘖的植被结构和生化参数,再应用遥感影像的反射率值,得到植被指数图的方法包括:
根据小麦茎蘖的植被结构和生化参数,应用蓝光波段、绿光波段、红光波段和近红外波段的反射率值,得到植被指数图;
在所述步骤S3中,所述应用蓝光、绿光、红光和近红外波段的反射率值,得到植被指数图的方法包括:
DVI=ρnir-ρred;
EVI=2.5×(ρnir-ρred)/(ρnir+6×ρred-7.5×ρblue+1);
MTVI=1.2×(1.2×(ρnir-ρgreen)-2.5×(ρred-ρgreen)
NDVI=(ρnir-ρred)/(ρnir+ρred)
NGRDI=(ρgreen-ρred)/(ρgreen+ρred)
SR=ρnir/ρred
OSAVI=(1+0.16)(ρnir-ρred)/(ρnir+ρred+0.16)
RGD=ρred-ρgreen
WDRVI=(0.1×ρnir-ρred)/(0.1×ρnir+ρred)
MCAVI=1.2×(2.5×(ρnir-ρred)-1.3×(ρnir-ρgreen)
其中,ρblue、ρgreen、ρred和ρnir分别代表蓝光波段、绿光波段、红光波段和近红外波段的反射率值;
DVI代表Difference Vegetation Index,即差值植被指数;
EVI代表Enhanced Vegetation Index,即增强植被指数;
MSR代表Modified Simple Ratio Red-Edge Vegetation Index,即修正红边植被指数;
MTVI代表Modified Triangular Vegetation Index,即修正三角植被指数;
NDVI代表Normalized Difference Vegetation Index,即归一化差值植被指数;
NGRDI代表Normalized Green Red Difference Vegetation Index,即归一化绿红差值植被指数;
SR代表Simple Ratio Vegetation Index,即简单比值植被指数;
OSAVI代表Optimized Soil-Adjusted Vegetation Index,即优化土壤调整植被指数;
RGD代表Red Green Difference Vegetation Index,即红绿差值植被指数;
WDRVI代表Wide Dynamic Range Vegetation Index,即宽动态范围植被指数;
MCAVI代表Modified Chlorophyll Absorption in Reflectance Vegetation Index,即改进反射率叶绿素吸收指数;
RDVI代表Renormalized Difference Vegetation Index,即重整归一化差值植被指数;
在所述步骤S5中,所述采用序列后向选择方法对所述样本数据中的植被指数进行筛选,得到最优植被指数图的特征子集的方法包括:
采用序列后向选择方法对高光谱遥感影像中对应的样本数据中的植被指数进行筛选,得到MCARI、RDVI和WDRVI;
采用序列后向选择方法对多光谱遥感影像中对应的样本数据中的植被指数进行筛选,得到NDVI、DVI、MCARI、MSR、RGD、RVI和WDRVI。
2.根据权利要求1所述的一种基于机器学习的小麦茎蘖密度遥感估算方法,其特征在于,在所述步骤S1中,所述在采样点采集小麦茎蘖密度实测值的方法包括:
统计以每个采样点为中心周围预设定大小的方形区域内的分蘖的数量,并除以所述方形区域面积得到小麦茎蘖密度实测值;或者,以拍摄数字照片的方式,通过拍摄每个采样点周围对应的数字相片,以深度学习端到端提取或是数字图像处理的方式提取出所述数字相片中的分蘖数量,当作实际的分蘖数量,再除以数字相片中的面积作为该采样点的小麦茎蘖密度实测值。
3.根据权利要求1所述的一种基于机器学习的小麦茎蘖密度遥感估算方法,其特征在于,在所述步骤S3中,所述根据遥感影像的几何形状的反射率值,计算得到图像纹理特征图的方法包括:
其中,Mean即为均值,Variance即为方差,Homogeneity即为同质度,Contrast即为对比度,Dissimilarity即为非相似度,Entropy即为熵,ASM(Angular Second Moment)即为角二阶矩,Correlation即为相关性;各公式中,i和j分别代表遥感图像上像元的行号和列号,p(i,j)代表所述像元对应的反射率值。
4.一种用于基于机器学习的小麦茎蘖密度遥感估算系统,其特征在于,所述系统包括:
第一处理模块,被配置为,在采样点采集小麦茎蘖密度实测值;
第二处理模块,被配置为,采集麦田区域的遥感影像;
所述采集麦田区域的遥感影像包括:
通过无人机的图像采集设备在小麦分蘖期采集麦田高光谱和多光谱的遥感影像;或者,通过航天遥感方式,获取遥感卫星拍摄的小麦分蘖期的高光谱和多光谱的遥感影像;
第三处理模块,被配置为,根据小麦茎蘖的植被结构和生化参数,再应用遥感影像的反射率值,得到植被指数图;根据遥感影像的几何形状的反射率值,计算得到图像纹理特征图;
所述根据小麦茎蘖的植被结构和生化参数,再应用遥感影像的反射率值,得到植被指数图包括:
根据小麦茎蘖的植被结构和生化参数,应用蓝光波段、绿光波段、红光波段和近红外波段的反射率值,得到植被指数图;
所述应用蓝光、绿光、红光和近红外波段的反射率值,得到植被指数图包括:
DVI=ρnir-ρred;
EVI=2.5×(ρnir-ρred)/(ρnir+6×ρred-7.5×ρblue+1);
MTVI=1.2×(1.2×(ρnir-ρgreen)-2.5×(ρred-ρgreen)
NDVI=(ρnir-ρred)/(ρnir+ρred)
NGRDI=(ρgreen-ρred)/(ρgreen+ρred)
SR=ρnir/ρred
OSAVI=(1+0.16)(ρnir-ρred)/(ρnir+ρred+0.16)
RGD=ρred--ρgreen
WDRVI=(0.1×ρnir-ρred)/(0.1×ρnir+ρred)
MCAVI=1.2×(2.5×(ρnir-ρred)-1.3×(ρnir-ρgreen)
其中,ρblue、ρgreen、ρred和ρnir分别代表蓝光波段、绿光波段、红光波段和近红外波段的反射率值;
DVI代表Difference Vegetation Index,即差值植被指数;
EVI代表Enhanced Vegetation Index,即增强植被指数;
MSR代表Modified Simple Ratio Red-Edge Vegetation Index,即修正红边植被指数;
MTVI代表Modified Triangular Vegetation Index,即修正三角植被指数;
NDVI代表Normalized Difference Vegetation Index,即归一化差值植被指数;
NGRDI代表Normalized Green Red Difference Vegetation Index,即归一化绿红差值植被指数;
SR代表Simple Ratio Vegetation Index,即简单比值植被指数;
OSAVI代表Optimized Soil-Adjusted Vegetation Index,即优化土壤调整植被指数;
RGD代表Red Green Difference Vegetation Index,即红绿差值植被指数;
WDRVI代表Wide Dynamic Range Vegetation Index,即宽动态范围植被指数;
MCAVI代表Modified Chlorophyll Absorption in Reflectance Vegetation Index,即改进反射率叶绿素吸收指数;
RDVI代表Renormalized Difference Vegetation Index,即重整归一化差值植被指数;
第四处理模块,被配置为,将所述采样点的地理位置坐标空间转化成点矢量格式,将点矢量格式的数据与所述植被指数图和图像纹理特征图对应,得到小麦茎蘖密度遥感估算的样本数据;
第五处理模块,被配置为,采用序列后向选择方法对所述样本数据中的植被指数进行筛选,得到最优植被指数图的特征子集,进而得到筛选后的样本数据;
所述采用序列后向选择方法对所述样本数据中的植被指数进行筛选,得到最优植被指数图的特征子集包括:
采用序列后向选择方法对高光谱遥感影像中对应的样本数据中的植被指数进行筛选,得到MCARI、RDVI和WDRVI;
采用序列后向选择方法对多光谱遥感影像中对应的样本数据中的植被指数进行筛选,得到NDVI、DVI、MCARI、MSR、RGD、RVI和WDRVI;
第六处理模块,被配置为,以所述筛选后的样本数据作为机器学习模型的训练输入,以所述小麦茎蘖密度实测值作为机器学习模型的训练输出,对机器学习模型进行训练,得到能够预测小麦茎蘖密度的机器学习模型;
第七处理模块,被配置为,应用训练好的机器学习模型对小麦茎蘖密度进行估算,并对空间可视化。
5.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现权利要求1至3中任一项所述的一种基于机器学习的小麦茎蘖密度遥感估算方法中的步骤。
6.一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,所述计算机程序被处理器执行时,实现权利要求1至3中任一项所述的一种基于机器学习的小麦茎蘖密度遥感估算方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211414911.XA CN115830442B (zh) | 2022-11-11 | 2022-11-11 | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211414911.XA CN115830442B (zh) | 2022-11-11 | 2022-11-11 | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115830442A CN115830442A (zh) | 2023-03-21 |
CN115830442B true CN115830442B (zh) | 2023-08-04 |
Family
ID=85527804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211414911.XA Active CN115830442B (zh) | 2022-11-11 | 2022-11-11 | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830442B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109580512A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种基于光谱和纹理特征的小麦氮素营养监测方法 |
CN110163138A (zh) * | 2019-05-13 | 2019-08-23 | 河南科技大学 | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 |
CN111007042A (zh) * | 2019-12-24 | 2020-04-14 | 中央民族大学 | 一种基于遥感数据异质性的群落多样性估测方法 |
CN111368736A (zh) * | 2020-03-04 | 2020-07-03 | 北京四象爱数科技有限公司 | 基于sar和光学遥感数据的水稻精细化估产方法 |
CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
WO2020192586A1 (zh) * | 2019-03-22 | 2020-10-01 | 南京农业大学 | 一种田间小麦茎蘖数提取方法 |
WO2021028650A1 (en) * | 2019-08-13 | 2021-02-18 | University Of Hertfordshire Higher Education Corporation | Predicting visible/infrared band images using radar reflectance/backscatter images of a terrestrial region |
CN112949657A (zh) * | 2021-03-09 | 2021-06-11 | 河南省现代农业大数据产业技术研究院有限公司 | 一种基于遥感影像纹理特征的林地分布提取方法及装置 |
CN113516177A (zh) * | 2021-06-21 | 2021-10-19 | 中国农业大学 | 基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法 |
KR20220001154A (ko) * | 2020-06-29 | 2022-01-05 | 한국광기술원 | 다중 분광 영상을 이용한 식생 지수 검출 장치 및 방법 |
WO2022032329A1 (en) * | 2020-08-14 | 2022-02-17 | Agriculture Victoria Services Pty Ltd | System and method for image-based remote sensing of crop plants |
CN114266962A (zh) * | 2021-12-06 | 2022-04-01 | 航天科工海鹰集团有限公司 | 一种基于多源遥感数据时序及纹理特征的农作物识别方法 |
CN114549881A (zh) * | 2022-01-24 | 2022-05-27 | 扬州大学 | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 |
CN114639015A (zh) * | 2022-02-22 | 2022-06-17 | 中国地质大学(武汉) | 联合光谱、植被指数和纹理特征的高分影像滑坡检测方法 |
CN115018105A (zh) * | 2021-03-03 | 2022-09-06 | 中国农业大学 | 一种冬小麦气象产量预测方法及系统 |
WO2022213218A1 (en) * | 2021-04-08 | 2022-10-13 | The Governing Council Of The University Of Toronto | System and method for vegetation detection from aerial photogrammetric multispectral data |
CN115271217A (zh) * | 2022-08-01 | 2022-11-01 | 上海兰桂骐技术发展股份有限公司 | 一种基于无人机多源遥感数据的小麦产量预测方法 |
CN115311559A (zh) * | 2022-07-26 | 2022-11-08 | 珠海欧比特宇航科技股份有限公司 | 棉花药害识别方法、装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BRPI1012177A2 (pt) * | 2009-05-14 | 2016-04-05 | Pioneer Hi Bred Int | métodos e sistema para estimar uma característica de planta, métodos de predição de tolerância a seca em uma planta, de predição do teor de um analito-alvo em uma planta, de predição de um teor de introgressão do genoma de um experimento de retrocruzamento. |
AU2016315938B2 (en) * | 2015-08-31 | 2022-02-24 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
US11417089B2 (en) * | 2017-03-23 | 2022-08-16 | Nec Corporation | Vegetation index calculation apparatus, vegetation index calculation method, and computer readable recording medium |
PT3605063T (pt) * | 2017-03-23 | 2023-06-02 | Nec Corp | Dispositivo e método de cálculo do índice de vegetação, e programa de computador |
-
2022
- 2022-11-11 CN CN202211414911.XA patent/CN115830442B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109580512A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种基于光谱和纹理特征的小麦氮素营养监测方法 |
WO2020192586A1 (zh) * | 2019-03-22 | 2020-10-01 | 南京农业大学 | 一种田间小麦茎蘖数提取方法 |
CN110163138A (zh) * | 2019-05-13 | 2019-08-23 | 河南科技大学 | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 |
WO2021028650A1 (en) * | 2019-08-13 | 2021-02-18 | University Of Hertfordshire Higher Education Corporation | Predicting visible/infrared band images using radar reflectance/backscatter images of a terrestrial region |
CN111007042A (zh) * | 2019-12-24 | 2020-04-14 | 中央民族大学 | 一种基于遥感数据异质性的群落多样性估测方法 |
CN111368736A (zh) * | 2020-03-04 | 2020-07-03 | 北京四象爱数科技有限公司 | 基于sar和光学遥感数据的水稻精细化估产方法 |
CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
KR20220001154A (ko) * | 2020-06-29 | 2022-01-05 | 한국광기술원 | 다중 분광 영상을 이용한 식생 지수 검출 장치 및 방법 |
WO2022032329A1 (en) * | 2020-08-14 | 2022-02-17 | Agriculture Victoria Services Pty Ltd | System and method for image-based remote sensing of crop plants |
CN115018105A (zh) * | 2021-03-03 | 2022-09-06 | 中国农业大学 | 一种冬小麦气象产量预测方法及系统 |
CN112949657A (zh) * | 2021-03-09 | 2021-06-11 | 河南省现代农业大数据产业技术研究院有限公司 | 一种基于遥感影像纹理特征的林地分布提取方法及装置 |
WO2022213218A1 (en) * | 2021-04-08 | 2022-10-13 | The Governing Council Of The University Of Toronto | System and method for vegetation detection from aerial photogrammetric multispectral data |
CN113516177A (zh) * | 2021-06-21 | 2021-10-19 | 中国农业大学 | 基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法 |
CN114266962A (zh) * | 2021-12-06 | 2022-04-01 | 航天科工海鹰集团有限公司 | 一种基于多源遥感数据时序及纹理特征的农作物识别方法 |
CN114549881A (zh) * | 2022-01-24 | 2022-05-27 | 扬州大学 | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 |
CN114639015A (zh) * | 2022-02-22 | 2022-06-17 | 中国地质大学(武汉) | 联合光谱、植被指数和纹理特征的高分影像滑坡检测方法 |
CN115311559A (zh) * | 2022-07-26 | 2022-11-08 | 珠海欧比特宇航科技股份有限公司 | 棉花药害识别方法、装置、电子设备及存储介质 |
CN115271217A (zh) * | 2022-08-01 | 2022-11-01 | 上海兰桂骐技术发展股份有限公司 | 一种基于无人机多源遥感数据的小麦产量预测方法 |
Non-Patent Citations (1)
Title |
---|
基于新型植被指数的冬小麦覆盖度遥感估算;陈召霞;徐新刚;徐良骥;杨贵军;邢会敏;贺鹏;;麦类作物学报(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115830442A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
Li et al. | Spatio-temporal fusion for remote sensing data: An overview and new benchmark | |
Gao et al. | Modeling alpine grassland forage phosphorus based on hyperspectral remote sensing and a multi-factor machine learning algorithm in the east of Tibetan Plateau, China | |
CN102829739B (zh) | 一种面向对象的作物叶面积指数遥感反演方法 | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
CN111985543A (zh) | 一种高光谱图像分类模型的构建方法、分类方法及系统 | |
Shu et al. | Improving the estimation accuracy of SPAD values for maize leaves by removing UAV hyperspectral image backgrounds | |
CN112364681B (zh) | 基于二维表的植被覆盖度估算方法及装置 | |
Qiao et al. | Estimating maize LAI by exploring deep features of vegetation index map from UAV multispectral images | |
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 | |
CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
Guan et al. | An improved approach to estimating crop lodging percentage with Sentinel-2 imagery using machine learning | |
Bai et al. | A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery | |
Fei et al. | Bayesian model averaging to improve the yield prediction in wheat breeding trials | |
CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
Shu et al. | Assessing maize lodging severity using multitemporal UAV-based digital images | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
Xu et al. | Vegetation information extraction in karst area based on UAV remote sensing in visible light band | |
Yuan et al. | Research on rice leaf area index estimation based on fusion of texture and spectral information | |
Sun et al. | Monitoring rice lodging grade via Sentinel-2A images based on change vector analysis | |
Zhang et al. | Large-scale apple orchard mapping from multi-source data using the semantic segmentation model with image-to-image translation and transfer learning | |
CN115830442B (zh) | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 | |
Yang et al. | Estimation of rice aboveground biomass by UAV imagery with photosynthetic accumulation models |
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 |