CN115830458B - 基于日光诱导叶绿素荧光的农田灌溉频率确定方法及装置 - Google Patents
基于日光诱导叶绿素荧光的农田灌溉频率确定方法及装置 Download PDFInfo
- Publication number
- CN115830458B CN115830458B CN202310084953.XA CN202310084953A CN115830458B CN 115830458 B CN115830458 B CN 115830458B CN 202310084953 A CN202310084953 A CN 202310084953A CN 115830458 B CN115830458 B CN 115830458B
- Authority
- CN
- China
- Prior art keywords
- sunlight
- index
- chlorophyll fluorescence
- induced chlorophyll
- induced
- 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
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 144
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 144
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 title claims abstract description 144
- 238000003973 irrigation Methods 0.000 title claims abstract description 107
- 230000002262 irrigation Effects 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001556 precipitation Methods 0.000 claims abstract description 76
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 73
- 238000001514 detection method Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000012952 Resampling Methods 0.000 claims description 21
- 238000002310 reflectometry Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000029553 photosynthesis Effects 0.000 description 16
- 238000010672 photosynthesis Methods 0.000 description 16
- 230000008859 change Effects 0.000 description 10
- 239000000523 sample Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000000243 photosynthetic effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000013505 freshwater Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明实施例提供了一种基于日光诱导叶绿素荧光的农田灌溉频率确定方法及装置，涉及农田灌溉技术领域，其中，该方法包括：获取待检测农田区域的可用于SIF反演的卫星遥感数据；根据所述卫星遥感数据获得日光诱导叶绿素荧光指数；将所述日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型，所述检测模型输出所述待检测农田区域的灌溉频率，其中，所述检测模型是以历史日光诱导叶绿素荧光指数、历史植被水分指数和历史降水量训练机器学习组件得到的。该方案有利于提高确定灌溉频率的准确性、时效性。
Description
技术领域
本发明涉及农田灌溉技术领域，特别涉及一种基于日光诱导叶绿素荧光的农田灌溉频率确定方法及装置。
背景技术
灌溉是保护作物免受水分胁迫、提高作物产量的农业实践。一方面，灌溉农田仅占耕地总量的20%，却贡献了全球粮食产量的40%，另一方面，灌溉农业是最大的用水部门，用到的淡水资源主要包括湖泊、河流、地下水等，其中农业灌溉用水占据了淡水资源消耗的70%以上，这给可持续水资源管理带来了压力，特别是在干旱和半干旱地区。灌溉作为人类活动影响农业产生最主要的方式之一，是实现2060年碳中和最有力的农业措施，在保障粮食安全方面起着重要作用。此外，灌溉通过改变蒸散(ET)、土壤水分和地表温度(LST)对全球和区域气候变化产生影响，准确的灌溉信息及其特征对于理解水和能量循环、生物圈大气相互作用和气候变化至关重要，因此，灌溉的范围、频率等信息越来越受到多学科社区的关注，包括遥感、水文学和气象学。
传统的农田灌溉信息检测方法包括：（1）传感器监测法，通过在田间布设土壤湿度传感器，利用土壤湿度变化情况检测灌溉信息；（2）人工调查统计法，通过工作人员下基层调查灌溉信息并打点记录。传统检测方法耗时费力，且只能得到若干点的数据，覆盖范围有限，代表性较差，无法快速反映空间灌溉信息，影响到农田灌溉管理措施的时效性。
遥感被公认为是提取灌溉信息的有效工具，关于利用遥感绘制灌溉地图的研究很多，但主要集中在绘制灌溉面积上，没有考虑频率信息。MODIS和Landsat等数据已被用于区域和全球范围的灌区制图。利用光学遥感数据检测灌溉信息可以用以下假设来描述：灌溉补充作物水分亏缺，从而使作物生长更快，这意味着植被光谱信息可以用来识别灌溉是否发生，植被光谱信息如遥感图像中的植被指数或绿度等。
光学遥感手段检测灌溉信息存在的问题是：农田在灌溉后，作物光合速率加快，作物生长仍然是一个缓慢的过程，植被指数或绿度对于响应灌溉变化的滞后性明显，使得基于植被光谱信息（植被指数或绿度）检测灌溉信息时存在时效性差、准确性低。
发明内容
有鉴于此，本发明实施例提供了一种基于日光诱导叶绿素荧光的农田灌溉频率确定方法，以解决现有技术中基于植被光谱信息（植被指数或绿度）检测灌溉信息时存在时效性差、准确性低的技术问题。该方法包括：
获取待检测农田区域的卫星遥感数据；
根据所述卫星遥感数据获得日光诱导叶绿素荧光指数；
将所述日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型，所述检测模型输出所述待检测农田区域的灌溉频率，其中，所述检测模型是以历史日光诱导叶绿素荧光指数、历史植被水分指数和历史降水量训练机器学习组件得到的。
本发明实施例还提供了一种基于日光诱导叶绿素荧光的农田灌溉频率确定装置，以解决现有技术中基于植被光谱信息（植被指数或绿度）检测灌溉信息时存在时效性差、准确性低的技术问题。该装置包括：
数据获取模块，用于获取待检测农田区域的卫星遥感数据；
反演模块，用于根据所述卫星遥感数据获得日光诱导叶绿素荧光指数；
灌溉频率确定模块，用于将所述日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型，所述检测模型输出所述待检测农田区域的灌溉频率，其中，所述检测模型是以历史日光诱导叶绿素荧光指数、历史植被水分指数和历史降水量训练机器学习组件得到的。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意的基于日光诱导叶绿素荧光的农田灌溉频率确定方法，以解决现有技术中基于植被光谱信息（植被指数或绿度）检测灌溉信息时存在时效性差、准确性低的技术问题。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的基于日光诱导叶绿素荧光的农田灌溉频率确定方法的计算机程序，以解决现有技术中基于植被光谱信息（植被指数或绿度）检测灌溉信息时存在时效性差、准确性低的技术问题。
与现有技术相比，本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括：提出了根据待检测农田区域的卫星遥感数据来获得日光诱导叶绿素荧光指数，进而将日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型，检测模型即可输出待检测农田区域的灌溉频率，实现了基于日光诱导叶绿素荧光指数来确定待检测农田区域的灌溉频率，由于农田在灌溉后，作物光合速率加快，植被叶绿素荧光作为探测植物光合作用的理想“探针”，能直接反映植物实际光合速率的动态变化，即日光诱导叶绿素荧光指数可以实时、动态的直接反映植物实际光合速率的动态变化情况，进而采用日光诱导叶绿素荧光指数代替现有技术中的绿度或植被指数作为检测灌溉频率的理想指标，有利于提高确定灌溉频率的准确性、时效性；同时，在采用日光诱导叶绿素荧光指数的同时，还结合了植被水分指数和降水量等数据，植被水分指数能有效、实时地反映植被冠层的水分含量，加入降水量数据可以排除降水量对确定灌溉频率的干扰，进一步有利于提高确定灌溉频率的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种基于日光诱导叶绿素荧光的农田灌溉频率确定方法的流程图；
图2是本发明实施例提供的一种基于机器学习对OCO-2卫星的SIF进行空间补全的流程示意图；
图3是本发明实施例提供的一种训练检测模型的流程示意图；
图4是本发明实施例提供的一种计算机设备的结构框图；
图5是本发明实施例提供的一种基于日光诱导叶绿素荧光的农田灌溉频率确定装置的结构框图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请发明人发现，农田在灌溉后，作物光合速率会明显加快，但作物生长仍然是一个缓慢的过程，与作物生长有关的植被指数或绿度等数据，对于响应灌溉变化的滞后性明显，即基于与作物生长有关的植被指数或绿度等数据确定的灌溉频率是存在滞后性的，且不够准确；本申请发明人还发现，日光诱导叶绿素荧光SIF是植物在太阳光照条件下，由光合中心发射出的光谱信号(650—800nm)，具有红光(690nm左右)和近红外(740nm左右)两个波峰，能直接反映植物实际光合作用的动态变化，可以将植被叶绿素荧光作为探测植物光合作用的理想“探针”，能直接反映植物实际光合速率的动态变化，进而提出了基于与作物光合作用速率有关的数据来确定灌溉频率，因此，提出了基于日光诱导叶绿素荧光指数来确定灌溉频率的上述基于日光诱导叶绿素荧光的农田灌溉频率确定方法，以提高确定灌溉频率的准确性和时效性。
在本发明实施例中，提供了一种基于日光诱导叶绿素荧光的农田灌溉频率确定方法，如图1所示，该方法包括：
步骤S101：获取待检测农田区域的卫星遥感数据；
步骤S102：根据所述卫星遥感数据获得光诱导叶绿素荧光指数；
步骤S103：将所述日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型，所述检测模型输出所述待检测农田区域的灌溉频率，其中，所述检测模型是以历史日光诱导叶绿素荧光指数、历史植被水分指数和历史降水量训练机器学习组件得到的。
由图1所示的流程可知，在本发明实施例中，提出了采用待检测农田区域的微波遥感数据来获得日光诱导叶绿素荧光指数，进而将日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型，检测模型即可输出待检测农田区域的灌溉频率，实现了基于日光诱导叶绿素荧光指数来确定待检测农田区域的灌溉频率，由于农田在灌溉后，作物光合速率加快，植被叶绿素荧光作为探测植物光合作用的理想“探针”，能直接反映植物实际光合速率的动态变化，即日光诱导叶绿素荧光指数可以实时、动态的直接反映植物实际光合速率的动态变化情况，进而采用日光诱导叶绿素荧光指数代替现有技术中的绿度或植被指数作为检测灌溉频率的理想指标，有利于提高确定灌溉频率的准确性、时效性；同时，在采用日光诱导叶绿素荧光指数的同时，还结合了植被水分指数和降水量等数据，植被水分指数能有效、实时地反映植被冠层的水分含量，加入降水量数据可以排除降水量对确定灌溉频率的干扰，进一步有利于提高确定灌溉频率的准确性。
具体实施时，上述待检测农田区域的卫星遥感数据是可用于SIF反演或者可直接提取SIF的卫星遥感数据，例如，可以通过以下遥感卫星或传感器来获取上述卫星遥感数据，OCO-2、SCIAMACHY、GOSAT、GOME-2、TanSat、TPOPOMI、FLEX，其中，OCO-2数据中包括有SIF，可以直接从OCO-2数据中提取出SIF，SCIAMACHY等其他卫星遥感数据中未包括SIF，但可以用于反演得到SIF。
具体实施时，为了进一步提高灌溉频率的准确度，在本实施例中，上述卫星遥感数据可以采用OCO-2数据，可以对OCO-2的SIF产品数据进行预处理，例如，在OCO-2三种观测模式（星下点、耀斑和目标）中，可以采用星下点模式，因为它在每个重复周期中遵循相似的地面轨迹，允许随着时间的推移进行可靠的变化检测。为了减少日光诱导叶绿素荧光指数的随机噪声，可以使用加权因子的方法将日光诱导叶绿素荧光指数（SIF）中两个波长的平均值缩放到757nm，具体可以通过以下公式实现：(SIF757+1.5×SIF771)/2。
具体实施时，OCO-2数据不是空间连续的，它是一条一条的，相邻两条数据之间是有间隙的，同样，日光诱导叶绿素荧光指数也是不完整的数据，相邻两条数据之间也是有间隙的，为了进一步提高灌溉频率的准确度，在本实施例中，提出了对日光诱导叶绿素荧光指数进行空间补全，例如，在将所述日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型之前，获取所述待检测农田区域的地表反射率；
将所述地表反射率输入补全模型，得到所述日光诱导叶绿素荧光指数中间隙的日光诱导叶绿素荧光指数，称为所述日光诱导叶绿素荧光指数的缺失数据，并将得到的所述日光诱导叶绿素荧光指数的缺失数据补入所述日光诱导叶绿素荧光指数中的间隙上，得到空间补全后的所述日光诱导叶绿素荧光指数，其中，所述补全模型是以历史地表反射率和历史日光诱导叶绿素荧光指数中间隙的缺失数据为样本训练机器学习组件得到的。
具体实施时，如图2所示，上述补全模型可以通过训练人工神经网络（ANN）得到。例如，将未缺失的OCO-2 SIF条带数据与对应的MODIS BRDF7个地表反射率数据输入人工神经网络（ANN）进行训练。再将OCO-2 SIF轨道间空隙处位置对应的MODIS数据集作为预测因子，运用训练好的ANN模型来预测OCO-2轨道间的空隙SIF。为推导出最优ANN模型，ANN模型可以使用前馈多层感知器架构，自动优化隐藏层nl和每层神经元数nn，使用nl(1-3)和nn(3-15，奇数，仅用于减少计算成本)的多个组合进行优化，并采用五折交叉验证来最小化RMSE。自动确定nl和nn试图识别最佳性能模型，同时，最小化模型过拟合的可能性。
具体的，为了确保日光诱导叶绿素荧光指数空间补全的精度，在将日光诱导叶绿素荧光指数输入补全模型进行空间补全之前，可以对SIF像元进行质量控制，可以根据预设的质量控制准则筛选数据，例如，剔除日光诱导叶绿素荧光指数反演时反演失败的数据，剔除较大太阳天顶角和云像元数据。最终空间补全后的日光诱导叶绿素荧光指数的数据分辨率可以为0.05°，时间分辨率可以为16天。
具体实施时，植被水分指数NDWI能有效地反映植被冠层的水分含量，在植被冠层受水分胁迫时，NDWI能及时地响应，这对于旱情监测具有重要意义，在本实施例中，提出了通过以下方式确定植被水分指数，例如，获取所述待检测农田区域的光学遥感数据；计算所述光学遥感数据的中红外波段与近红外波段的归一化比值，将所述比值确定为所述植被水分指数。
具体实施时，为了进一步提高确定农田灌溉频率的准确性，在本实施例中，提出了在确定农田灌溉频率之前，使日光诱导叶绿素荧光指数、植被水分指数和降水量这些数据在空间尺度上匹配，例如，按照预设空间分辨率对所述日光诱导叶绿素荧光指数、所述植被水分指数和所述降水量进行重采样，使得重采样后的所述日光诱导叶绿素荧光指数、所述植被水分指数和所述降水量的空间分辨率均为预设空间分辨率，进而将重采样后的所述日光诱导叶绿素荧光指数、所述植被水分指数和所述降水量输入所述检测模型。
具体实施时，由于灌溉次数(村庄尺度)、降水量(0.0625°)、植被水分指数NDWI（0.05°）及日光诱导叶绿素荧光指数SIF(0.05°)等数据具有不同的空间分辨率和数据结构，为了提高灌溉频率的精度，需要重采样以使这些数据集在空间尺度上匹配。因此，可以按照预设空间分辨率对日光诱导叶绿素荧光指数、所述植被水分指数和所述降水量进行重采样，预设空间分辨率的具体大小可以根据需求确定，例如，预设空间分辨率可以是0.05°，将所述灌溉次数和所述降水量重新采样为0.05°×0.05°的单元大小。
具体实施时，重采样后的每个0.05°降水像素可能被一个网格(重采样前的空间分辨率为0.0625°)完全覆盖或被几个网格部分覆盖，为了精准确定重采样后的每个降水像素的降水，以便提高降水数据的准确性，在本实施例中，提出了通过以下公式计算重采样后的每个像素的降水量：
其中，
为重采样后的该像素的降水量，
是第
个组成所述重采样后的该像素的网格占所述重采样后的该像素的面积百分比，
是第
个组成所述重采样后的该像素的网格的降水量，n是组成所述重采样后的该像素的网格总个数。
具体实施时，将灌溉频率(村庄尺度)重采样为0.05°后，在村庄边界处会出现部分0.05°像元被几个不同村庄网格所覆盖，同样可以利用上述面积百分比加权法公式（24）计算部分像元的灌溉频率再取整。
具体实施时，为了进一步提高确定农田灌溉频率的精度，在本实施例中，提出了将日光诱导叶绿素荧光指数、所述植被水分指数和所述降水量等数据插值为等距时间序列的数据集，例如，将重采样后的所述植被水分指数以及所述降水量进行线性插值，线性插值后的所述植被水分指数以及线性插值后的所述降水量均与所述日光诱导叶绿素荧光指数时间序列匹配，再将所述日光诱导叶绿素荧光指数、线性插值后的所述植被水分指数和线性插值后的所述降水量按照时间序列进行排序，将每个像素对应的按照时间序列排序且空间分辨率一致的所述日光诱导叶绿素荧光指数、所述植被水分指数和所述降水量输入所述检测模型。
具体实施时，上述时间序列是建立在像素层面上的。由于OCO-2的SIF数据时间间隔为16天，我们对其他数据的时间序列进行线性插值，以匹配OCO-2反演的SIF数据。为了去除时间序列中的噪声，应用了Savitzky-Golay滤波器对时间序列进行平滑处理，最后对SIF、NDWI、Pre进行归一化处理。
具体实施时，上述检测模型可以通过训练随机森林RF得到，上述检测模型检测灌溉频率（IrrigationFrequency，IF）的映射关系为：
IF=RF(SIF，NDWI，Pre)
为避免在进行检测过程中灌溉频率出现小数，需要将检测模型的输出转换为监督分类问题的形式，而不是回归问题。然后建立灌溉频率IF与日光诱导叶绿素荧光SIF、植被水分指数NDWI、降雨量Pre的关系模型。
具体实施时，如图3所示，在训练上述检测模型的过程中，采集待检测农田区域过去一段时长内的可用于SIF反演的卫星遥感数据，所述卫星遥感数据以采用历史的OCO-2数据为例，通过OCO-2数据获得历史日光诱导叶绿素荧光指数，并对历史日光诱导叶绿素荧光指数进行空间补全，采用MODIS计算得到历史植被水分指数，进而按照预设空间分辨率对历史降水量（降雨量）、历史日光诱导叶绿素荧光指数以及历史植被水分指数进行重采样，实现空间尺寸匹配，进而将重采样后的历史降水量（降雨量）以及历史植被水分指数进行线性插值，得到等距的时间序列数据集，再将历史日光诱导叶绿素荧光指数、线性插值后的历史降水量、线性插值后的历史植被水分指数按照历史时间序列进行排序，得到每个像元时间序列对应的数据集，最后，将待检测农田区域的地物分类数据、灌溉频率、历史降水量（降雨量）、历史日光诱导叶绿素荧光指数以及历史植被水分指数作为样本，将对应时间序列像元不同特征组合作为一个训练样本集，输入到随机森林RF模型利用空间交叉验证方法进行训练，循环10次，每次抽取样本的90%进行训练，10%进行验证，最后计算平均误差。
具体实施时，在训练上述检测模型的过程中，可以采用第一预设时长内的历史相关数据集作为样本进行训练，在使用检测模型确定待检测农田区域的农田灌溉频率的过程中，可以采用第二预设时长内的相关数据集进行检测，上述第一预设时长和第二预设时长可以相同也可以不同，上述第一预设时长和第二预设时长的具体时长可以根据需求确定，例如，可以是几个月、半年、一年等。
在本实施例中，提供了一种计算机设备，如图4所示，包括存储器401、处理器402及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意的基于日光诱导叶绿素荧光的农田灌溉频率确定方法。
具体的，该计算机设备可以是计算机终端、服务器或者类似的运算装置。
在本实施例中，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的基于日光诱导叶绿素荧光的农田灌溉频率确定方法的计算机程序。
具体的，计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读存储介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
基于同一发明构思，本发明实施例中还提供了一种基于日光诱导叶绿素荧光的农田灌溉频率确定装置，如下面的实施例所述。由于基于日光诱导叶绿素荧光的农田灌溉频率确定装置解决问题的原理与基于日光诱导叶绿素荧光的农田灌溉频率确定方法相似，因此基于日光诱导叶绿素荧光的农田灌溉频率确定装置的实施可以参见基于日光诱导叶绿素荧光的农田灌溉频率确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是本发明实施例的基于日光诱导叶绿素荧光的农田灌溉频率确定装置的一种结构框图，如图5所示，该装置包括：
数据获取模块501，用于获取待检测农田区域的卫星遥感数据；
反演模块502，用于根据所述卫星遥感数据获得日光诱导叶绿素荧光指数；
灌溉频率确定模块503，用于将所述日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型，所述检测模型输出所述待检测农田区域的灌溉频率，其中，所述检测模型是以历史日光诱导叶绿素荧光指数、历史植被水分指数和历史降水量训练机器学习组件得到的。
在一个实施例中，上述装置还包括：
噪声处理模块，用于在将所述日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型之前，去除所述日光诱导叶绿素荧光指数中的随机噪声。
在一个实施例中，上述装置还包括：
在将所述日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型之前，获取所述待检测农田区域的地表反射率；
将所述地表反射率输入补全模型，得到所述日光诱导叶绿素荧光指数中间隙的日光诱导叶绿素荧光指数，称为所述日光诱导叶绿素荧光指数的缺失数据，并将得到的所述日光诱导叶绿素荧光指数的缺失数据补入所述日光诱导叶绿素荧光指数中的间隙上，得到空间补全后的所述日光诱导叶绿素荧光指数，其中，所述补全模型是以历史地表反射率和历史日光诱导叶绿素荧光指数中间隙的缺失数据为样本训练机器学习组件得到的。
在一个实施例中，上述装置还包括：
植被水分指数计算模块，用于获取所述待检测农田区域的光学遥感数据；计算所述光学遥感数据的中红外波段与近红外波段的归一化比值，将所述比值确定为所述植被水分指数。
在一个实施例中，灌溉频率确定模块，用于按照预设空间分别率对所述日光诱导叶绿素荧光指数、所述植被水分指数和所述降水量进行重采样，将重采样后的所述日光诱导叶绿素荧光指数、所述植被水分指数和所述降水量输入所述检测模型。
在一个实施例中，上述装置还包括：
降水量计算模块，用于通过以下公式计算重采样后的每个像素的降水量：
其中，
为重采样后的该像素的降水量，
是第
个组成所述重采样后的该像素的网格占所述重采样后的该像素的面积百分比，
是第
个组成所述重采样后的该像素的网格的降水量，n是组成所述重采样后的该像素的网格总个数。
将灌溉频率(村庄尺度)重采样为0.05°后，在村庄边界处会出现部分0.05°像元被几个不同村庄网格所覆盖，同样可以利用上述面积百分比加权法公式计算部分像元的灌溉频率再取整。
在一个实施例中，灌溉频率确定模块，用于将重采样后的所述植被水分指数以及所述降水量进行线性插值，线性插值后的所述植被水分指数以及线性插值后的所述降水量均与所述日光诱导叶绿素荧光指数时间序列匹配，再将所述日光诱导叶绿素荧光指数、线性插值后的所述植被水分指数和线性插值后的所述降水量按照时间序列进行排序，将每个像素对应的按照时间序列排序且空间分辨率一致的所述日光诱导叶绿素荧光指数、所述植被水分指数和所述降水量输入所述检测模型。
本发明实施例实现了如下技术效果：提出了根据待检测农田区域的微波遥感数据来获得日光诱导叶绿素荧光指数，进而将日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型，检测模型即可输出待检测农田区域的灌溉频率，实现了基于日光诱导叶绿素荧光指数来确定待检测农田区域的灌溉频率，由于农田在灌溉后，作物光合速率加快，植被叶绿素荧光作为探测植物光合作用的理想“探针”，能直接反映植物实际光合速率的动态变化，即日光诱导叶绿素荧光指数可以实时、动态的直接反映植物实际光合速率的动态变化情况，进而采用日光诱导叶绿素荧光指数代替现有技术中的绿度或植被指数作为检测灌溉频率的理想指标，有利于提高确定灌溉频率的准确性、时效性；同时，在采用日光诱导叶绿素荧光指数的同时，还结合了植被水分指数和降水量等数据，植被水分指数能有效、实时地反映植被冠层的水分含量，加入降水量数据可以排除降水量对确定灌溉频率的干扰，进一步有利于提高确定灌溉频率的准确性。
显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于日光诱导叶绿素荧光的农田灌溉频率确定方法，其特征在于，包括：
获取待检测农田区域的卫星遥感数据；
根据所述卫星遥感数据获得日光诱导叶绿素荧光指数；
将所述日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型，所述检测模型输出所述待检测农田区域的灌溉频率，其中，所述检测模型是以历史日光诱导叶绿素荧光指数、历史植被水分指数和历史降水量训练机器学习组件得到的，所述植被水分指数反映植被冠层的水分含量；
所述方法还包括：
在将所述日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型之前，获取所述待检测农田区域的地表反射率；
将所述地表反射率输入补全模型，得到所述日光诱导叶绿素荧光指数中间隙的日光诱导叶绿素荧光指数，称为所述日光诱导叶绿素荧光指数的缺失数据，并将得到的所述日光诱导叶绿素荧光指数的缺失数据补入所述日光诱导叶绿素荧光指数中的间隙上，得到空间补全后的所述日光诱导叶绿素荧光指数，其中，所述补全模型是以历史地表反射率和历史日光诱导叶绿素荧光指数中间隙的缺失数据为样本训练机器学习组件得到的；
所述方法还包括：
获取所述待检测农田区域的光学遥感数据；
计算所述光学遥感数据的中红外波段与近红外波段的归一化比值，将所述比值确定为所述植被水分指数。
2.如权利要求1所述的基于日光诱导叶绿素荧光的农田灌溉频率确定方法，其特征在于，还包括：
在将所述日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型之前，去除所述日光诱导叶绿素荧光指数中的随机噪声。
3.如权利要求1至2中任一项所述的基于日光诱导叶绿素荧光的农田灌溉频率确定方法，其特征在于，将所述日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型，包括：
按照预设空间分别率对所述日光诱导叶绿素荧光指数、所述植被水分指数和所述降水量进行重采样，将重采样后的所述日光诱导叶绿素荧光指数、所述植被水分指数和所述降水量输入所述检测模型。
4.如权利要求3所述的基于日光诱导叶绿素荧光的农田灌溉频率确定方法，其特征在于，还包括：
通过以下公式计算重采样后的每个像素的降水量：
其中，
为重采样后的该像素的降水量，
是第
个组成所述重采样后的该像素的网格占所述重采样后的该像素的面积百分比，
是第
个组成所述重采样后的该像素的网格的降水量，n是组成所述重采样后的该像素的网格总个数。
5.如权利要求3所述的基于日光诱导叶绿素荧光的农田灌溉频率确定方法，其特征在于，将重采样后的所述日光诱导叶绿素荧光指数、所述植被水分指数和所述降水量输入所述检测模型，包括：
将重采样后的所述植被水分指数以及所述降水量进行线性插值，线性插值后的所述植被水分指数以及线性插值后的所述降水量均与所述日光诱导叶绿素荧光指数时间序列匹配，再将所述日光诱导叶绿素荧光指数、线性插值后的所述植被水分指数和线性插值后的所述降水量按照时间序列进行排序，将每个像素对应的按照时间序列排序且空间分辨率一致的所述日光诱导叶绿素荧光指数、所述植被水分指数和所述降水量输入所述检测模型。
6.一种基于日光诱导叶绿素荧光的农田灌溉频率确定装置，其特征在于，包括：
数据获取模块，用于获取待检测农田区域的卫星遥感数据；
反演模块，用于根据所述卫星遥感数据获得日光诱导叶绿素荧光指数；
灌溉频率确定模块，用于将所述日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型，所述检测模型输出所述待检测农田区域的灌溉频率，其中，所述检测模型是以历史日光诱导叶绿素荧光指数、历史植被水分指数和历史降水量训练机器学习组件得到的，所述植被水分指数反映植被冠层的水分含量；
所述装置还包括：
补全模块，用于在将所述日光诱导叶绿素荧光指数、植被水分指数和降水量输入检测模型之前，获取所述待检测农田区域的地表反射率；将所述地表反射率输入补全模型，得到所述日光诱导叶绿素荧光指数中间隙的日光诱导叶绿素荧光指数，称为所述日光诱导叶绿素荧光指数的缺失数据，并将得到的所述日光诱导叶绿素荧光指数的缺失数据补入所述日光诱导叶绿素荧光指数中的间隙上，得到空间补全后的所述日光诱导叶绿素荧光指数，其中，所述补全模型是以历史地表反射率和历史日光诱导叶绿素荧光指数中间隙的缺失数据为样本训练机器学习组件得到的；
所述装置还包括：
植被水分指数计算模块，用于获取所述待检测农田区域的光学遥感数据；计算所述光学遥感数据的中红外波段与近红外波段的归一化比值，将所述比值确定为所述植被水分指数。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的基于日光诱导叶绿素荧光的农田灌溉频率确定方法。
8.一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存储有执行权利要求1至5中任一项所述的基于日光诱导叶绿素荧光的农田灌溉频率确定方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310084953.XA CN115830458B (zh) | 2023-02-09 | 2023-02-09 | 基于日光诱导叶绿素荧光的农田灌溉频率确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310084953.XA CN115830458B (zh) | 2023-02-09 | 2023-02-09 | 基于日光诱导叶绿素荧光的农田灌溉频率确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115830458A CN115830458A (zh) | 2023-03-21 |
| CN115830458B true CN115830458B (zh) | 2023-05-09 |
Family
ID=85520930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310084953.XA Active CN115830458B (zh) | 2023-02-09 | 2023-02-09 | 基于日光诱导叶绿素荧光的农田灌溉频率确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115830458B (zh) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3049792B1 (en) * | 2013-09-25 | 2019-09-25 | FOSS Analytical A/S | Method and device for determining a nutritional state of a plant |
| CN111126662B (zh) * | 2019-11-25 | 2023-04-28 | 中工武大设计研究有限公司 | 基于大数据的灌溉决策制定方法、装置、服务器和介质 |
| CN114626010A (zh) * | 2022-01-27 | 2022-06-14 | 北京市农业技术推广站 | 一种基于CatBoost的灌溉量计算方法及系统 |
| CN115684107B (zh) * | 2022-10-17 | 2024-05-24 | 南京农业大学 | 一种基于日光诱导叶绿素荧光指数的水稻盐胁迫早期定量监测方法 |
-
2023
- 2023-02-09 CN CN202310084953.XA patent/CN115830458B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115830458A (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Integrating satellite-derived climatic and vegetation indices to predict smallholder maize yield using deep learning | |
| Anderson et al. | Technologies for forecasting tree fruit load and harvest timing—from ground, sky and time | |
| Son et al. | A phenological object-based approach for rice crop classification using time-series Sentinel-1 Synthetic Aperture Radar (SAR) data in Taiwan | |
| US20210209705A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
| Kordi et al. | Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images | |
| Zhou et al. | Integrating climate and satellite remote sensing data for predicting county-level wheat yield in China using machine learning methods | |
| Medar et al. | Sugarcane crop yield forecasting model using supervised machine learning | |
| Taylor et al. | Considerations on spatial crop load mapping | |
| CN102073869A (zh) | 基于点位数据和遥感影像数据的区域耕地质量监测方法 | |
| Kwaghtyo et al. | Smart farming prediction models for precision agriculture: a comprehensive survey | |
| WO2018107245A1 (en) | Detection of environmental conditions | |
| CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
| Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
| Ngie et al. | Estimation of Maize grain yield using multispectral satellite data sets (SPOT 5) and the random forest algorithm | |
| CN102156886A (zh) | 基于统计数据和遥感影像数据的区域化肥投入空间化方法 | |
| Arshad et al. | Applicability of machine learning techniques in predicting wheat yield based on remote sensing and climate data in Pakistan, South Asia | |
| US20220309595A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
| Shah et al. | Crop yield prediction using remote sensing and meteorological data | |
| Dinh et al. | Nested leave-two-out cross-validation for the optimal crop yield model selection | |
| CN114821360A (zh) | 作物叶面积指数智能化提取方法、装置及电子设备 | |
| Mishra et al. | Crop classification by using dual-pol SAR vegetation indices derived from Sentinel-1 SAR-C data | |
| Rouze et al. | Evaluating unoccupied aerial systems (UAS) imagery as an alternative tool towards cotton-based management zones | |
| Deb et al. | Remote sensing techniques in horticulture | |
| CN115830458B (zh) | 基于日光诱导叶绿素荧光的农田灌溉频率确定方法及装置 | |
| CN115526713A (zh) | 一种农户贷款的授信额度确定方法及装置 |
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 |