CN115841615A - 一种基于无人机多光谱数据的烟草产量预测方法及装置 - Google Patents

Abstract

本申请提供了一种基于无人机多光谱数据的烟草产量预测方法及装置，属于烟草种植管理技术领域，包括：获取样本区域的多光谱数据并进行预处理，得到数字正射影像；采用面向对象分析方法对其进行分割并提取，得到第一烟草植株图像；计算每株烟草植被指数的均值并获取每株烟草的实测产量和位置信息，依据位置信息对植被指数均值和实测产量配对并代入随机森林回归模型中训练，建立产量预测模型；获取待测区域的多光谱数据，处理后代入产量预测模型中计算，得到烟草产量的预测结果。本方案中在建立产量预测模型之前，先对影像进行分割和特征提取，以获得相对独立的烟草植株影像，避免其它植被杂质对产量预测模型的精度造成影响，从而提高模型的准确性。

Description

一种基于无人机多光谱数据的烟草产量预测方法及装置

技术领域

本发明属于烟草种植管理技术领域，尤其涉及一种基于无人机多光谱数据的烟草产量预测方法及装置。

背景技术

作物产量预测是国家制定农业政策不可缺少的重要农业情报，及时准确地预测可为农业经营管理提供有效支撑，也是发展精准农业的迫切需求。

烟草是我国重要的经济产物之一，在我国经济收入中占有重要的地位，其播种面积和产量的变化直接影响着全国国民经济的收入。因此，准确的估算烟草的产量，对于加强烟草的生产管理，为各级政府提供及时、准确、直观的信息具有重大的意义。

传统的烟草估产，主要是依据气象、农学以及统计上报的产量来进行产量的估算，这种方法不仅费时费力，而且缺乏足够的精度。

近20年来，随着遥感技术的发展，国内外利用遥感技术进行农业研究逐渐占据农业领域的重要地位，成为许多作物估产的重要工具，并且具备覆盖面积广、高效、经济等特点。同时，无人机技术的飞速发展，也为农田数据的快速获取，精准农业应用提供了有力的保障。

现有公开了一种基于无人机高光谱大田烟草产量预测方法及系统(专利申请号为：CN202011429022.1)，其包括：通过无人机实时获取大田烟草高光谱图像数据；对所述高光谱图像数据进行坐标加载，并提取处理相应的原始光谱曲线；获取大田样方产量估算值，并根据所述大田样方产量估算值，结合光谱特征曲线构建大田烟草产量预测模型；最终生成所述大田烟草相对应的产量预测数据。

该公开方案采用光谱特征曲线与产量估算值(经过计算得到的，近似实际产量)建立映射模型，从而通过无人机采集多光谱数据来预测大田烟草的产量，但是由于大田烟草的种植区域中不仅仅具有烟草的影像，还存在土壤，杂草等杂质，直接通过该区域整体的光谱特征曲线来建立映射模型，会造成精度不高的问题。

发明内容

本申请提供了一种基于无人机多光谱数据的烟草产量预测方法及装置，旨在解决上述通过种植区域整体的光谱特征曲线来建立映射模型会造成产量预测结果精度不高，影像中的土壤、杂草等杂质会对最终产量预测结果造成影响的问题。

为了实现上述目的，本发明采用以下技术方案，包括：

使用无人机获取样本区域的多光谱数据并进行预处理，得到数字正射影像；

采用面向对象分析方法对数字正射影像进行分割并在分割层中进行地物的分类和提取，得到第一烟草植株图像；

根据第一烟草植株图像并采用分区统计的方式计算每株烟草植被指数的均值，获取样本区域中每株烟草的实测产量和位置信息，依据位置信息对每株烟草的植被指数均值和实测产量配对并代入随机森林回归模型中训练，建立产量预测模型；

获取待测区域的多光谱数据并进行对象提取，得到第二烟草植株图像，依据第二烟草植株图像计算植被指数，将计算结果代入产量预测模型中计算，得到待测区域中烟草产量的预测结果。

作为优选，采用面向对象分析方法对数字正射影像进行分割，具体为：

基于数字正射影像中烟草的实际影像特征设置光谱异质性和形状异质性，并通过距离矢量法确定分割的最佳尺度；

根据光谱异质性和形状异质性且采用最佳尺度对数字正射影像按照影像对象进行分割，得到影像分割图像。

作为优选，光谱异质性的计算公式为：

其中，h_color为光谱异质性，

n₀₁，/>

n₀₂分别是两个响铃区域的方差和面积，w_c表示要参与合并波段的权重，/>

n_merge分别为合并之后的面积和方差；

形状异质性的计算公式为：

h_shape＝w_compact·h_compact+(1-w_compact)·h_smooth，

其中，h_shape为形状异质性，h_compact和h_smooth分别表示紧致度参数和光滑度参数，w_compact为紧致度的权重。

作为优选，在分割层中进行地物的分类和提取，得到第一烟草植株图像，具体为：

对数字正射影像进行烟草特征的提取，得到光谱特征和纹理特征；

基于光谱特征和纹理特征并采用随机森林方法对影像分割图像中的对象进行分类，提取出烟草植株对象进行开运算，得到第一烟草植株图像。

作为优选，光谱特征包括归一化植被指数、增强植被指数、比值植被指数、近红外波段反射率、红波段反射率、蓝波段反射率和绿波段反射率；纹理特征包括能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度以及最大相关系数。

作为优选，采用分区统计的方式计算每株烟草植被指数的均值，具体为：

基于第一烟草植株图像计算烟草整体的植被指数，得到植被指数特征图像；

将第一烟草植株图像与植被指数特征图像叠加，取二者重合部分得到第三烟草植株图像，基于第三烟草植株图像计算每株烟草范围的像素均值，得到每株烟草植被指数的均值。

作为优选，植被指数为植被近红外反射率指数，植被近红外反射率指数的计算公式为：

其中，ρ_NIR为影像中的近红外波段反射率，ρ_Red为影像红波段反射率，NIRv为植被近红外反射率指数。

一种基于无人机多光谱数据的烟草产量预测装置，包括：

数据预处理模块：用于使用无人机获取样本区域的多光谱数据并进行预处理，得到数字正射影像；

烟草植株分割提取模块：用于采用面向对象分析方法对数字正射影像进行分割并在分割层中进行地物的分类和提取，得到第一烟草植株图像；

产量预测模型建立模块：用于根据第一烟草植株图像并采用分区统计的方式计算每株烟草植被指数的均值，获取样本区域中每株烟草的实测产量和位置信息，依据位置信息对每株烟草的植被指数均值和实测产量配对并代入随机森林回归模型中训练，建立产量预测模型；

烟草产量预测模块：用于获取待测区域的多光谱数据并进行对象提取，得到第二烟草植株图像，依据第二烟草植株图像计算植被指数，将计算结果代入产量预测模型中计算，得到待测区域中烟草产量的预测结果。

一种基于无人机多光谱数据的烟草产量预测装置，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如上述中任一项所述的一种基于无人机多光谱数据的烟草产量预测方法。

一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时实现如上述中任一项所述的一种基于无人机多光谱数据的烟草产量预测方法。

本发明具有以下有益效果：

(1)本方案中在基于多光谱数据中的烟草影像建立产量预测模型之前，先对影像进行分割和特征提取，以获得相对独立的烟草植株影像，避免其它植被杂质对产量预测模型的精度造成影响；

(2)在训练建立产量预测模型时，选取光谱特征中的植被近红外反射率指数(NIRv)作为自变量输入数据进行训练，使得在成功建立产量预测模型之后，可以通过计算NIRv指数的数值来预测烟草的产量，采用NIRv植被指数相较于NDVI这类植被指数来说，能在一定程度上消除土壤背景的影响，不容易出现过饱和现象，并且该植被指数与植被叶绿素荧光高度相关，能够有效的提高烟草产量估算的精度；

(3)本方案在制作训练样本进行模型训练的过程中，样本精确到每一株烟草的产量和NIRv均值，并获取其相应的空间精准定位，以便减少烟草植株之间其他地物的影响，使得训练样本不存在杂质，训练后建立的产量预测模型精度更高；

(4)在对影像进行分割时，根据烟草的实际影像特征设置相应的光谱异质性和形状异质性，并依据距离矢量法确定最佳的分割尺度，以实现最好的分割结果，使得对烟草对象的提取最为精准。

附图说明

图1为本发明中一种基于无人机多光谱数据的烟草产量预测方法的流程图

图2为本发明实施例1中产量预测方案具体流程的示意图

图3为本发明实施例1中整幅影像分割为互相邻近子区域的示意图

图4为本发明实施例1中距离矢量法确定最佳分割尺度的原理说明示意图

图5为本发明中一种基于无人机多光谱数据的烟草产量预测装置的结构示意图

具体实施方式

实施例1

如图1所示，一种基于无人机多光谱数据的烟草产量预测方法，包括：

S11、使用无人机获取样本区域的多光谱数据并进行预处理，得到数字正射影像；

S12、采用面向对象分析方法对数字正射影像进行分割并在分割层中进行地物的分类和提取，得到第一烟草植株图像；

S13、根据第一烟草植株图像并采用分区统计的方式计算每株烟草植被指数的均值，获取样本区域中每株烟草的实测产量和位置信息，依据位置信息对每株烟草的植被指数均值和实测产量配对并代入随机森林回归模型中训练，建立产量预测模型；

S14、获取待测区域的多光谱数据并进行对象提取，得到第二烟草植株图像，依据第二烟草植株图像计算植被指数，将计算结果代入产量预测模型中计算，得到待测区域中烟草产量的预测结果。

上述方案的一种实施方式为：本实施例方案在总结现有基于无人机数据进行烟草产量估算存在的缺陷的基础上，通过从样本的采集、用于烟草产量估算的特征的选取，以及烟草产量估算的基本单元和模型共三个方面提出了更加准确的烟草产量估算方法。具体方案如下，且流程如图2所示。

1、无人机多光谱数据的获取与预处理

在烟草采收期前，利用无人机搭载多光谱传感器对烟草大田目标区域(该烟草大田目标区域即“样本区域”)进行烟草的多光谱数据采集。所拍摄的大田内布设像控点，用于多光谱图像拼接时的绝对定向。然后对采集的数据进行预处理。预处理的过程如下：首先，利用野外获取的白板定标数据对多光谱数据进行辐射校正；其次，采用SIFT算法对进行特征点的提取与匹配；然后，对匹配后的影像进行空中三角测量加密解算，空三解算完成后，加入事先布设的像控点进行平差解算，确保影像的绝对空间位置准确；最后，在计算结果的基础上对影像进行拼接，生成数字正射影像DOM。

2、面向对象的烟株提取

面向对象分析方法的核心就是根据不同对象本身的特性创建影像对象，然后根据这些对象层对地物进行分类和提取。创建影像对象的过程即是影像的分割过程，它基于影像对象内部一致性和联通性等原则，将整幅影像分割为互相邻近的子区域，如图3所示。其分割出的对象的大小形态会随着分割参数的设置的不同而表现出差异性，进而影响到地物提取的准确性。因而，合理的影像分割结果是保障高精度地物提取结果的关键。本方案在影像的实际分割过程中，结合烟草的实际影像特征(该实际影像特征是指：不同地区拍摄的影像和不同时间获取的影像，它们所包含的地物类型和作物的特征是不一样的，这就需要结合实际情况去调整分割的相关参数)，设置合适的光谱异质性和形状异质性参数(计算公式如下)，并通过距离矢量法确定最佳的分割尺度，最终获得对提取烟草植株而言最佳的分割结果，该分割结果即“影像分割图像”。

光谱异质性的计算公式为：

其中，h_color为光谱异质性，

n₀₁，/>

n₀₂分别是两个响铃区域的方差和面积，w_c表示要参与合并波段的权重，/>

n_merge分别为合并之后的面积和方差；

形状异质性的计算公式为：

h_shape＝w_compact·h_compact+(1-w_compact)·h_smooth，

其中，h_shape为形状异质性，h_compact和h_smooth分别表示紧致度参数和光滑度参数，w_compact为紧致度的权重。

距离矢量法指的是分割后的影像对象的矢量边界在纵向和横向两个方向上与实体边界线的距离大小；如图4所示，其中矩形框为影像中实体的轮廓线，圆弧为分割后影像对象的边界线。实线为正值，表示对象的边界线在实际边界外部；虚线为负值，表示对象的边界线在实际边界内部。影像多尺度分割后呈现的关系为如下三种情况：a、分割尺度过小，圆弧处于矩形内部；b、分割尺度过大，矩形方框处于圆弧内部；c、分割尺度适当，但分割后对象边界与实体边缘轮廓线不吻合，需调节其他参数的设置。调节好其他参数设置之后，使得分割后的对象边界与实体边缘轮廓线吻合，此时的分割尺度为最佳的分割尺度。

在分割后的无人机多光谱影像中(即影像分割图像中)，影像对象继承了原有的影像的反射率信息和高空间分辨率的几何纹理信息。但是这些原有的信息对不同的地物不够敏感(这里不敏感指代的是仅仅靠多光谱数据的原始信息(如反射率)，不能够很好的区分不同地物。比如假设烟草的反射率是0.52～0.73，杂草的反射率0.53～0.71，这样就很难仅仅通过反射率将两者区分开，所以才需要进一步计算其他的特征)，特别是对烟草而言，为了更加准确的提取出不同的烟株，需要对原有的信息进行增强，即进行相关特征的提取。

本方案针对烟草的影像情况，主要选择了两方面的特征：光谱特征和纹理特征。其中光谱特征主要是指各影像对象对应的各光谱波段的反射率值，以及多种植被指数，包括归一化植被指数NDVI、增强植被指数EVI、比值植被指数RVI、近红外波段反射率、红波段反射率、蓝波段反射率和绿波段反射率等；纹理特征则通过灰度共生矩阵表示，即能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度以及最大相关系数共计14种特征。在数字正射影像的基础上结合上述内容进行烟草特征的提取，得到光谱特征和纹理特征。

最后，在对象分割和特征提取的基础上，均匀的选择合适的烟草识别训练样本，对训练样本进行对象分割，对分割后的对象采用随机森林方法进行分类，提取出烟草植株对象，并在分类后的图像上通过图像形态学中的开运算(先腐蚀运算，再膨胀运算)处理，获得相互独立的烟草植株图斑，采用上述操作，对影像分割图像中的对象采用随机森林方法进行分类，获得的烟草植株图斑即“第一烟草植株图像”。

3、产量实测数据

在烟草采收期前，利用GPS定位法建立野外实测样地，工作区内均匀布设样方，利用无人机获取工作区内的多光谱数据，在后期烟草采收时，记录样方内每株烟草的产量及其空间位置即记录每株烟草的“实测产量和位置信息”。

4、产量估算模型的构建与产量估算

对外业获取的无人机多光谱数据进行处理，采用第2节中的方法提取每株烟草的图斑边界，同时计算影像的NIRv(near-infrared reflectance vegetation，植被近红外反射率指数)，根据烟株的图斑的范围进行分区统计每株烟草的NIRv均值。

分区统计具体为：首先利用第2节中的方式获取了每株烟草的图斑范围(图层1)，然后这里计算了NIRv特征(图层2，基本单元是像素)，图层1和图层2叠加在一起，就可以知道每株烟草在NIRv图层上的范围，取每个范围内的像素均值作为该株烟草的NIRv值。

上述计算了NIRv特征可以等同为“基于第一烟草植株图像计算烟草整体的植被指数，得到植被指数特征图像”，植被指数特征图像即图层2；第一烟草植株图像即图层1；图层1和图层2叠加在一起之后等同于第三烟草植株图像。

本方案中选择NIRv(near-infrared reflectance vegetation，植被近红外反射率指数)为建模中的植被指数，NIRv表示为归一化植被指数NDVI与近红外波段反射率的乘积，与植被叶绿素荧光高度相关，基于机理推导、模型模拟和遥感数据的分析结果均显示，NIRv可以作为SIF(日光诱导叶绿素荧光，Sun/Solar-induced ChlorophyllFluorescence)的替代产品，它在一定程度上消除了土壤背景的影响，此外相较于NDVI等植被指数，NIRv不容易出现过饱和现象，具体计算公式如下：

其中，ρ_NIR为影像中的近红外波段反射率，ρ_Red为影像红波段反射率，NIRv为植被近红外反射率指数。

然后根据每株烟草的NIRv均值和其对应的产量统计结果作为输入参数，利用随机森林回归模型建立NIRv与产量相互映射的产量预测模型。

建立产量预测模型之后，即可在检测大田区域中烟草的产量时，通过无人机获取该大田区域的多光谱数据，再对多光谱数据进行上述第1、2节的处理，提取其中的烟草植株图像，再计算其NIRv指数后，代入产量预测模型中处理，得到大田区域中烟草的预测产量。其中，可以基于烟草植株图像计算每株的NIRv指数，代入模型中算出产量，再按照区域范围，将烟草产量汇总后得到总的预测产量；也可以直接计算区域范围内所有烟草整体的NIRv指数，代入模型中直接得到总的预测产量。

上述中，大田区域等同于待测区域；其中的烟草植株图像等同于第二烟草植株图像。

实施例2

如图5所示，一种基于无人机多光谱数据的烟草产量预测装置，包括：

数据预处理模块10：用于使用无人机获取样本区域的多光谱数据并进行预处理，得到数字正射影像；

烟草植株分割提取模块20：用于采用面向对象分析方法对数字正射影像进行分割并在分割层中进行地物的分类和提取，得到第一烟草植株图像；

产量预测模型建立模块30：用于根据第一烟草植株图像并采用分区统计的方式计算每株烟草植被指数的均值，获取样本区域中每株烟草的实测产量和位置信息，依据位置信息对每株烟草的植被指数均值和实测产量配对并代入随机森林回归模型中训练，建立产量预测模型；

烟草产量预测模块40：用于获取待测区域的多光谱数据并进行对象提取，得到第二烟草植株图像，依据第二烟草植株图像计算植被指数，将计算结果代入产量预测模型中计算，得到待测区域中烟草产量的预测结果。

上述装置的一种实施方式为，在数据预处理模块10中，使用无人机获取样本区域的多光谱数据并进行预处理，得到数字正射影像，在烟草植株分割提取模块20中，采用面向对象分析方法对数字正射影像进行分割并在分割层中进行地物的分类和提取，得到第一烟草植株图像，在产量预测模型建立模块30中，根据第一烟草植株图像并采用分区统计的方式计算每株烟草植被指数的均值，获取样本区域中每株烟草的实测产量和位置信息，依据位置信息对每株烟草的植被指数均值和实测产量配对并代入随机森林回归模型中训练，建立产量预测模型，在烟草产量预测模块40中，获取待测区域的多光谱数据并进行对象提取，得到第二烟草植株图像，依据第二烟草植株图像计算植被指数，将计算结果代入产量预测模型中计算，得到待测区域中烟草产量的预测结果。

实施例3

在上述实施例基础上，本实施例提供了一种电子设备。

实施例4

在上述实施例基础上，本实施例提供了一种存储介质。

以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。

Claims (10)

1.一种基于无人机多光谱数据的烟草产量预测方法，其特征在于，包括：

使用无人机获取样本区域的多光谱数据并进行预处理，得到数字正射影像；

采用面向对象分析方法对数字正射影像进行分割并在分割层中进行地物的分类和提取，得到第一烟草植株图像；

根据第一烟草植株图像并采用分区统计的方式计算每株烟草植被指数的均值，获取样本区域中每株烟草的实测产量和位置信息，依据位置信息对每株烟草的植被指数均值和实测产量配对并代入随机森林回归模型中训练，建立产量预测模型；

获取待测区域的多光谱数据并进行对象提取，得到第二烟草植株图像，依据第二烟草植株图像计算植被指数，将计算结果代入产量预测模型中计算，得到待测区域中烟草产量的预测结果。

2.根据权利要求1所述的一种基于无人机多光谱数据的烟草产量预测方法，其特征在于，采用面向对象分析方法对数字正射影像进行分割，具体为：

基于数字正射影像中烟草的实际影像特征设置光谱异质性和形状异质性，并通过距离矢量法确定分割的最佳尺度；

根据光谱异质性和形状异质性且采用最佳尺度对数字正射影像按照影像对象进行分割，得到影像分割图像。

3.根据权利要求2所述的一种基于无人机多光谱数据的烟草产量预测方法，其特征在于，光谱异质性的计算公式为：

其中，h_color为光谱异质性，

n₀₁，

n₀₂分别是两个响铃区域的方差和面积，w_c表示要参与合并波段的权重，

n_merge分别为合并之后的面积和方差；

形状异质性的计算公式为：

h_shape＝w_compact·h_compact+(1-w_compact)·h_smooth，

其中，h_shape为形状异质性，h_compact和h_smooth分别表示紧致度参数和光滑度参数，w_compact为紧致度的权重。

4.根据权利要求2所述的一种基于无人机多光谱数据的烟草产量预测方法，其特征在于，在分割层中进行地物的分类和提取，得到第一烟草植株图像，具体为：

对数字正射影像进行烟草特征的提取，得到光谱特征和纹理特征；

基于光谱特征和纹理特征并采用随机森林方法对影像分割图像中的对象进行分类，提取出烟草植株对象进行开运算，得到第一烟草植株图像。

5.根据权利要求4所述的一种基于无人机多光谱数据的烟草产量预测方法，其特征在于，光谱特征包括归一化植被指数、增强植被指数、比值植被指数、近红外波段反射率、红波段反射率、蓝波段反射率和绿波段反射率；纹理特征包括能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度以及最大相关系数。

6.根据权利要求1所述的一种基于无人机多光谱数据的烟草产量预测方法，其特征在于，采用分区统计的方式计算每株烟草植被指数的均值，具体为：

基于第一烟草植株图像计算烟草整体的植被指数，得到植被指数特征图像；

将第一烟草植株图像与植被指数特征图像叠加，取二者重合部分得到第三烟草植株图像，基于第三烟草植株图像计算每株烟草范围的像素均值，得到每株烟草植被指数的均值。

7.根据权利要求6所述的一种基于无人机多光谱数据的烟草产量预测方法，其特征在于，植被指数为植被近红外反射率指数，植被近红外反射率指数的计算公式为：

其中，ρ_NIR为影像中的近红外波段反射率，ρ_Red为影像红波段反射率，NIRv为植被近红外反射率指数。

8.一种基于无人机多光谱数据的烟草产量预测装置，其特征在于，包括：

数据预处理模块：用于使用无人机获取样本区域的多光谱数据并进行预处理，得到数字正射影像；

烟草植株分割提取模块：用于采用面向对象分析方法对数字正射影像进行分割并在分割层中进行地物的分类和提取，得到第一烟草植株图像；

产量预测模型建立模块：用于根据第一烟草植株图像并采用分区统计的方式计算每株烟草植被指数的均值，获取样本区域中每株烟草的实测产量和位置信息，依据位置信息对每株烟草的植被指数均值和实测产量配对并代入随机森林回归模型中训练，建立产量预测模型；

烟草产量预测模块：用于获取待测区域的多光谱数据并进行对象提取，得到第二烟草植株图像，依据第二烟草植株图像计算植被指数，将计算结果代入产量预测模型中计算，得到待测区域中烟草产量的预测结果。

9.一种基于无人机多光谱数据的烟草产量预测装置，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-7中任一项所述的一种基于无人机多光谱数据的烟草产量预测方法。

10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被计算机执行时实现如权利要求1-7中任一项所述的一种基于无人机多光谱数据的烟草产量预测方法。

Images