CN116310862A - 基于遥感的农作物监测估产方法、装置、设备和存储介质 - Google Patents

基于遥感的农作物监测估产方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN116310862A
CN116310862A CN202310109679.7A CN202310109679A CN116310862A CN 116310862 A CN116310862 A CN 116310862A CN 202310109679 A CN202310109679 A CN 202310109679A CN 116310862 A CN116310862 A CN 116310862A
Authority
CN
China
Prior art keywords
crop
acquisition period
target area
crops
crop type
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
CN202310109679.7A
Other languages
English (en)
Inventor
俞乐
杜贞容
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202310109679.7A priority Critical patent/CN116310862A/zh
Publication of CN116310862A publication Critical patent/CN116310862A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Image Processing (AREA)

Abstract

本文提供了一种基于遥感的农作物监测估产方法、装置、设备和存储介质，其中方法包括：当目标区域中农作物播种后，按照预定计划采集陆地卫星地表反射率影像；根据采集的陆地卫星地表反射率影像，确定目标区域中农作物在采集时段的物候特征；将目标区域中农作物在采集时段的物候特征输入预训练的农作物类型识别模型中，得到目标区域中农作物类型；基于目标区域中任一农作物类型在采集时段的标准物候特征，对任一农作物类型在采集时段的物候特征进行监测，得到监测结果；基于目标区域中任一农作物类型在采集时段的物候特征，对任一农作物类型的农作物估产。本文能够有效利用遥感数据，提前监测和估测农作物产量，进而服务农业生产。

Description

基于遥感的农作物监测估产方法、装置、设备和存储介质
技术领域
本发明涉及农业领域，特别地，涉及基于遥感的农作物监测估产方法、装置、设备和存储介质。
背景技术
农作物监测和估产是农业风险管理、供应链干预、作物管理等农业应用的基础，对指导农业生产、制定贸易策略、保障粮食安全等有重大的意义。然而，当前的监测和估产方法对遥感数据的利用明显不足，导致农作物监测和估产结果大多存在一定滞后性，难以运用于实际农业生产。
因此，现在亟需一种农基于遥感的农作物监测估产方法，能够有效利用遥感数据，提前监测和估测农作物产量，进而服务农业生产。
发明内容
本文实施例的目的在于提供一种基于遥感的农作物监测估产方法、装置、设备和存储介质，以有效利用遥感数据，提前监测和估测农作物产量，进而服务农业生产。
为达到上述目的，一方面，本文实施例提供了一种基于遥感的农作物监测估产方法，包括：
当目标区域中农作物播种后，按照预定计划采集陆地卫星地表反射率影像；
根据采集的陆地卫星地表反射率影像，确定目标区域中农作物在采集时段的物候特征；
将目标区域中农作物在采集时段的物候特征输入预训练的农作物类型识别模型中，得到目标区域中农作物类型，其中所述农作物类型识别模型通过目标区域中预设采样点在采集时段的物候特征和对应的农作物类型预训练得到；
基于目标区域中任一农作物类型在采集时段的标准物候特征，对任一农作物类型在采集时段的物候特征进行监测，得到监测结果；
基于目标区域中任一农作物类型在采集时段的物候特征，对任一农作物类型的农作物估产。
优选的，所述目标区域中预设采样点在采集时段的物候特征和对应的农作物类型的确定方法包括：
由目标区域中随机生成预设采样点；
根据若干已知类型的农作物在采集时段的陆地卫星地表反射率影像，确定若干已知类型的农作物在采集时段的物候特征；
利用比较法将预设采样点在采集时段的物候特征与若干已知类型的农作物在采集时段的物候特征进行比较，确定预设采样点对应的初始农作物类型；
利用验证法通过所述若干已知类型的农作物在采集时段的物候特征对预设采样点对应的初始农作物类型进行验证，得到预设采样点对应的农作物类型。
优选的，所述利用比较法将预设采样点在采集时段的物候特征与若干已知类型的农作物在采集时段的物候特征进行比较，确定预设采样点对应的初始农作物类型进一步包括：
利用动态时间归整算法，计算所述预设采样点在采集时段的物候特征分别与若干已知类型的农作物在采集时段的物候特征之间的相似度值；
将若干已知类型的农作物中相似度值大于设定阈值的已知类型确定为预设采样点对应的初始农作物类型。
优选的，所述利用验证法通过所述若干已知类型的农作物在采集时段的物候特征对预设采样点对应的初始农作物类型进行验证，得到预设采样点对应的农作物类型进一步包括：
将预设采样点在采集时段的物候特征输入预训练的随机森林分类器中，得到预设采样点对应的分类类型，其中随机森林分类器通过若干已知类型的农作物在采集时段的物候特征和对应的类型预训练得到；
当所述初始农作物类型与所述分类类型一致时，将初始农作物类型或分类类型作为预设采样点的农作物类型；
当所述初始农作物类型与所述分类类型不一致时，舍弃对应的预设采样点。
优选的，所述根据采集的陆地卫星地表反射率影像，确定目标区域中农作物在采集时段的物候特征进一步包括：
根据采集的陆地卫星地表反射率影像，计算目标区域中农作物在采集时段的陆地卫星地表反射率影像的逐旬均值光谱特征，将所述逐旬均值光谱特征作为目标区域中农作物在采集时段的物候特征。
优选的，所述基于目标区域中任一农作物类型在采集时段的标准物候特征对任一农作物类型在采集时段的物候特征进行监测，得到监测结果进一步包括：
计算目标区域中任一农作物类型在历史时段的物候特征的均值和标准差，其中历史时段与采集时段对应一致；
根据所述历史时段的物候特征的均值和标准差，得到任一农作物类型在采集时段的标准物候特征；
若任一农作物类型在采集时段的物候特征与对应的标准物候特征一致，则得到监测结果为正常；
若任一农作物类型在采集时段的物候特征与对应的标准物候特征不一致，则得到监测结果为异常。
优选的，所述基于目标区域中任一农作物类型在采集时段的物候特征，对任一农作物类型的农作物估产进一步包括：
将目标区域中任一农作物类型在采集时段的影响因子输入至预训练的估产模型中，对任一农作物类型的农作物估产；
其中采集时段的影响因子包括采集时段的物候特征和其他农作物生长影响数据，所述估产模型通过任一农作物类型在历史时段的影响因子和实际产量预训练得到，历史时段与采集时段对应一致，历史时段的影响因子包括历史时段的物候特征和其他农作物生长影响数据。
另一方面，本文实施例提供了一种基于遥感的农作物监测估产装置，所述装置包括：
采集模块，用于当目标区域中农作物播种后，按照预定计划采集陆地卫星地表反射率影像；
物候特征确定模块，用于根据采集的陆地卫星地表反射率影像，确定目标区域中农作物在采集时段的物候特征；
作物类型确定模块，用于将目标区域中农作物在采集时段的物候特征输入预训练的农作物类型识别模型中，得到目标区域中农作物类型，其中所述农作物类型识别模型通过目标区域中预设采样点在采集时段的物候特征和对应的农作物类型预训练得到；
监测模块，用于基于目标区域中任一农作物类型在采集时段的标准物候特征，对任一农作物类型在采集时段的物候特征进行监测，得到监测结果；
估产模块，用于基于目标区域中任一农作物类型在采集时段的物候特征，对任一农作物类型的农作物估产。
又一方面，本文实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述任意一项所述方法的指令。
又一方面，本文实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述任意一项所述方法的指令。
由以上本文实施例提供的技术方案可见，本文实施例通过采集陆地卫星地表反射率影像，得到目标区域在采集时段的物候特征，进一步通过农作物类型识别模型得到目标区域的农作物类型，以确定目标区域中农作物的分布情况，在此基础上对不同类型的农作物进行监测和估产，随着时间序列采集陆地卫星地表反射率影像，依时序得到监测结果和估产数据，进而能够实现随农作物的生长进行提前监测和估产，且监测和估产数据可随农作物的生长状况进行定时更新，工作人员提前感知农作物生长状况，从而更好的服务农业生产。
为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本文的一些实施例，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他的附图。
图1示出了本文实施例提供的一种基于遥感的农作物监测估产方法的流程示意图；
图2示出了本文实施例提供的基于目标区域中任一农作物类型在采集时段的标准物候特征对任一农作物类型在采集时段的物候特征进行监测，得到监测结果的流程示意图；
图3示出了本文实施例提供的农作物A的植被健康指数示意图；
图4示出了本文实施例提供的农作物A的总初级生产力的均值示意图；
图5示出了本文实施例提供的目标区域中预设采样点在采集时段的物候特征和对应的农作物类型的确定方法的流程示意图；
图6示出了本文实施例提供的用于确定预设采样点对应的初始农作物类型的流程示意图；
图7示出了本文实施例提供的验证法对初始农作物类型进行验证的流程示意图；
图8示出了本文实施例提供的一种基于遥感的农作物监测估产装置的模块结构示意图；
图9示出了本文实施例提供的计算机设备的结构示意图。
附图符号说明：
100、采集模块；
200、物候特征确定模块；
300、作物类型确定模块；
400、监测模块；
500、估产模块；
902、计算机设备；
904、处理器；
906、存储器；
908、驱动机构；
910、输入/输出模块；
912、输入设备；
914、输出设备；
916、呈现设备；
918、图形用户接口；
920、网络接口；
922、通信链路；
924、通信总线。
具体实施方式
下面将结合本文实施例中的附图，对本文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文一部分实施例，而不是全部的实施例。基于本文中的实施例，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，都属于本文保护的范围。
农作物监测和估产是农业风险管理、供应链干预、作物管理等农业应用的基础，对指导农业生产、制定贸易策略、保障粮食安全等有重大的意义。然而，当前的监测和估产方法对遥感数据的利用明显不足，导致农作物监测和估产结果大多存在一定滞后性，难以运用于实际农业生产。
为了解决上述问题，本文实施例提供了一种基于遥感的农作物监测估产方法。图1是本文实施例提供的一种基于遥感的农作物监测估产方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参照图1，本文提供了一种基于遥感的农作物监测估产方法，包括：
S101：当目标区域中农作物播种后，按照预定计划采集陆地卫星地表反射率影像；
S102：根据采集的陆地卫星地表反射率影像，确定目标区域中农作物在采集时段的物候特征；
S103：将目标区域中农作物在采集时段的物候特征输入预训练的农作物类型识别模型中，得到目标区域中农作物类型，其中所述农作物类型识别模型通过目标区域中预设采样点在采集时段的物候特征和对应的农作物类型预训练得到；
S104：基于目标区域中任一农作物类型在采集时段的标准物候特征，对任一农作物类型在采集时段的物候特征进行监测，得到监测结果；
S105：基于目标区域中任一农作物类型在采集时段的物候特征，对任一农作物类型的农作物估产。
目标区域指的是需要进行农作物监测的区域，当目标区域中农作物播种后可以通过遥感技术采集陆地卫星地表反射率影像，其中预定计划可以为农作物播种之后，按照每日一次或者每两日一次的频率采集的陆地卫星地表反射率影像。在本文实施例中，根据采集的陆地卫星地表反射率影像，计算目标区域中农作物在采集时段的陆地卫星地表反射率影像的逐旬均值光谱特征，将所述逐旬均值光谱特征作为目标区域中农作物在采集时段的物候特征。
由于通过采样的方式只能对目标区域的采样区域进行作物类型标注，不能覆盖整个目标区域，因此要通过农作物类型识别模型确定目标区域的作物类型。
采集时段指的是从农作物播种至最后一次采集所历经的时间段，具体的农作物在采集时段的物候特征如下例子所示，例如1月1日播种农作物A后按照每日一次的频率采集陆地卫星地表反射率影像，第10日得到1月上旬的所有陆地卫星地表反射率影像，计算10日内地表反射率影像的光谱特征均值作为农作物A在上旬的物候特征f0，对应的采集时段的物候特征为{f0}。第11-20日得到1月中旬的所有陆地卫星地表反射率影像，计算11-20日内地表反射率影像的光谱特征均值作为农作物A在中旬的物候特征f1，则对应的采集时段的物候特征为{f0，f1}。
其中光谱特征指的可以是归一化植被指数(NDVI)和增强植被指数(EVI)等，由于同一时间，不同农作物的地上生物量不同(如小麦分蘖的时候，大豆可能才刚出苗)，而对于同一种作物，在不同时期的生物量也有可能不同。这一生物量的不同，可以通过陆地卫星地表反射率影像捕捉到(如生物量越大，NDVI等植被指数也越大)。以小麦为例，构建NDVI时序，就可以通过曲线的起伏反映出小麦“出苗-分蘖-抽穗-乳化-收获”的物候历。这里使用逐旬的时序，是为了缩短时序中各点的时间间隔(当前大部分相关研究中的物候特征时序是逐月或16天)，更好的反映出不同作物在生长中的差异。
在本文实施例中，通过目标区域中预设采样点在采集时段的物候特征和对应的农作物类型预训练一农作物类型识别模型，该农作物类型识别模型可以为联合注意力机制的GRU网络模型(Attention based GRU,AGRU)，AGRU网络模型在GRU网络的基础上加入attention层，可以提高不同农作物类型识别的精准度。
需要说明的是，农作物类型识别模型可以随采集时段的变化进行不断的更新，例如上一采集时段是1月上旬，目标区域中预设采样点在采集时段的物候特征是{f0}，根据预设采样点的物候特征以及对应的农作物类型，训练农作物类型识别模型。下一采集时段是1月中旬，目标区域中预设采样点在采集时段的物候特征是{f0,f1}，根据下一采集时段的物候特征以及对应的农作物类型，再次训练农作物类型识别模型，实现农作物类型识别模型的更新。
农作物类型识别模型更新的原因是：在先的采集时段中训练得到的农作物类型识别模型不够准确，导致通过识别模型对目标区域中农作物类型识别有误；但若在先后多个采集时段中训练得到的识别模型对目标区域中农作物类型的识别结果均相同，则可以准确无误的确定目标区域中农作物类型，无需进行识别模型的更新，也无需在后续的采集时段中执行S103步骤。
对于目标区域中任一农作物类型来说，在采集时段内均对应有标准物候特征，即标准的逐旬均值光谱特征，任一类型的农作物在采集时段的物候特征与标准的逐旬均值光谱特征比较之后，可以得到目标区域中任一类型的农作物的生长状况，即得到监测结果。
同样的，由于逐旬均值光谱特征可以反映农作物的生长状况，因此基于任一类型的农作物在采集时段的逐旬均值光谱特征可以对农作物进行估产，进而预测相应类型农作物的产量。
在本文实施例中，通过采集陆地卫星地表反射率影像，得到目标区域在采集时段的物候特征，进一步通过农作物类型识别模型得到目标区域的农作物类型，以确定目标区域中农作物的分布情况，在此基础上对不同类型的农作物进行监测和估产，随着时间序列采集陆地卫星地表反射率影像，依时序得到监测结果和估产数据，进而能够实现随农作物的生长进行提前监测和估产，且监测和估产数据可随农作物的生长状况进行定时更新，工作人员提前感知农作物生长状况，从而更好的服务农业生产。
需要说明的是，参照图2，所述基于目标区域中任一农作物类型在采集时段的标准物候特征对任一农作物类型在采集时段的物候特征进行监测，得到监测结果进一步包括：
S201：计算目标区域中任一农作物类型在历史时段的物候特征的均值和标准差，其中历史时段与采集时段对应一致；
S202：根据所述历史时段的物候特征的均值和标准差，得到任一农作物类型在采集时段的标准物候特征；
S203：若任一农作物类型在采集时段的物候特征与对应的标准物候特征一致，则得到监测结果为正常；
S204：若任一农作物类型在采集时段的物候特征与对应的标准物候特征不一致，则得到监测结果为异常。
除了需要对采集时段的物候特征进行监测之外，还需要对其他数据进行监测，其他数据包括：农业压力指数、干旱指数、平均植被健康指数、植被健康指数和总初级生产力等。对于其他数据的监测与对物候特征的监测方法一致，具体的：
步骤1：计算目标区域中任一农作物类型在历史时段的其他数据的均值和标准差，其中历史时段与采集时段对应一致；
步骤2：根据所述历史时段的其他数据的均值和标准差，得到任一农作物类型在采集时段的标准数据；
步骤3：若任一农作物类型在采集时段的其他数据与对应的标准数据一致，则得到监测结果为正常；
步骤4：若任一农作物类型在采集时段的其他数据与对应的标准数据不一致，则得到监测结果为异常。
在本文实施例中，历史时段与采集时段对应一致，例如采集时段对应农作物A播种后在1月上旬采集得到的物候特征和其他数据，则历史时段对应过去三年或者过去五年同类型的农作物A播种后在1月上旬采集得到的物候特征和其他数据。
计算历史时段(过去三年或者过去五年)农作物A播种后在1月上旬采集得到的物候特征的均值和标准差，以及其他数据的均值和标准差，根据均值和标准差计算得到标准物候特征或标准数据：[Mean-Std,Mean+Std]；其中Mean为物候特征的均值或者其他数据的均值，Std为物候特征的标准差或者其他数据的标准差。需要注意的是，由于本文实施例中农作物的物候特征为逐旬均值光谱特征，因此其他数据也应当与物候特征保持一致，为逐旬均值数据，而历史时段对应的物候特征同样也是逐旬均值光谱特征，历史时段对应的其他数据同样也是逐旬均值数据。
可以看出，无论是标准物候特征还是标准数据，均包括多个值，多个值组成一取值区间。若任一农作物类型在采集时段的物候特征属于标准物候特征对应的取值区间，则表明物候特征与标准物候特征一致，其他数据也同理，在此不再赘述，本文实施例中可以呈现不同监测结果的正常或者异常情况。
参照图3和图4，图中分别示出了农作物A在2016-2020年5年植被健康指数和总初级生产力的均值，具体的，以农作物A在1月上旬时植被健康指数的均值x的计算方法为例：分别计算得到2016-2020年中每年在1月上旬的植被健康指数的均值x1至x5(x1至x5是对应于每年1月上旬1月1日-1月10日这10日内植被健康指数的均值)，进一步计算x1至x5的均值，即(x1+x2+x3+x4+x5)/5，得到农作物在1月上旬时植被健康指数的均值x。据图中所示，可以计算得到农作物A在2016-2020年5年植被健康指数和总初级生产力的标准差，进而计算得到对应的标准植被健康指数和标准总初级生产力。
本文实施例中可以呈现不同监测结果的正常或者异常情况，例如农作物A在采集时段的物候特征正常，其他数据中的农业压力指数、平均植被健康指数和植被状况指数均正常，干旱指数异常，可以就干旱指数异常发出警报，用于提示工作人员关注农作物A的干旱情况。
其中，任一农作物类型在历史时段的物候特征和其他数据可以通过国际粮农组织农业压力指数系统(FAO-ASIS系统)的发布得到，FAO-ASIS系统会发布不同农作物类型的逐旬物候特征和其他数据。
在本文实施例中，所述基于目标区域中任一农作物类型在采集时段的物候特征，对任一农作物类型的农作物估产进一步包括：
将目标区域中任一农作物类型在采集时段的影响因子输入至预训练的估产模型中，对任一农作物类型的农作物估产；
其中采集时段的影响因子包括采集时段的物候特征和其他农作物生长影响数据，所述估产模型通过任一农作物类型在历史时段的影响因子和实际产量预训练得到，历史时段与采集时段对应一致，历史时段的影响因子包括历史时段的物候特征和其他农作物生长影响数据。
其中其他农作物生长影响数据包括地形数据、气候数据和上文中的其他数据(农业压力指数、干旱指数、平均植被健康指数、植被健康指数和总初级生产力等)。对于估产模型来说，可以为DNN模型，通过历史时段的影响因子和实际产量预训练估产模型，历史时段与采集时段对应一致，例如，农作物A播种后，在采集时段为1月上旬时，采集得到的影响因子a，则历史时段对应去年或者前年的1月上旬，历史时段对应的影响因子为a'，利用a'和农作物A的最终产量训练估产模型。
当然，估产模型可以随采集时段的变化进行不断的更新，例如在1月中旬采集得到的影响因子发生变化，由原本的a变成b，在采集时段为1月中旬时，采集得到的影响因子按照时序包括a和b，历史时段对应去年或者前年同类型的1月中旬，历史时段对应的影响因子按照时序包括a'和b'，进一步利用a'和b'，以及农作物A的最终产量进一步训练估产模型。
利用预训练的估产模型对农作物进行估产，需要说明的是，对于不同类型的农作物对应的估产模型不同，但估产模型的预训练方式相同，这样能够针对性的对不同类型的农作物进行估产，提高估产的准确度。
在本文实施例中，参照图5，所述目标区域中预设采样点在采集时段的物候特征和对应的农作物类型的确定方法包括：
S301：由目标区域中随机生成预设采样点；
S302：根据若干已知类型的农作物在采集时段的陆地卫星地表反射率影像，确定若干已知类型的农作物在采集时段的物候特征；
S303：利用比较法将预设采样点在采集时段的物候特征与若干已知类型的农作物在采集时段的物候特征进行比较，确定预设采样点对应的初始农作物类型；
S304：利用验证法通过所述若干已知类型的农作物在采集时段的物候特征对预设采样点对应的初始农作物类型进行验证，得到预设采样点对应的农作物类型。
由于已知目标区域的全局农作物在采集时段的物候特征，则目标区域中随机生成的预设采样点在采集时段的物候特征是已知量。
可以利用目前已经公开的多套农作物制图产品以及现有的作物样本确定已知区域中的农作物类型，获取已知区域中已知类型的农作物在采集时段的陆地卫星地表反射率影像，可以确定已知类型农作物在采集时段的物候特征。
参照图6，S303中具体为：
S3031：利用动态时间归整算法，计算所述预设采样点在采集时段的物候特征分别与若干已知类型的农作物在采集时段的物候特征之间的相似度值；
S3032：将若干已知类型的农作物中相似度值大于设定阈值的已知类型确定为预设采样点对应的初始农作物类型。
其中，将预设采样点在采集时段内目标区域的逐旬均值光谱特征按照时序排列，作为物候特征{f0，f1，...，ft}，将某一已知类型的农作物在采集时段的逐旬均值光谱特征按照时序排列，作为物候特征
Figure BDA0004076329630000121
利用动态时间归整算法(TWDTW算法)计算两者之间的相似度值，其中TWDTW算法在动态时间弯曲(DTW)算法的基础上引入了时间权重因子，在对时序曲线的区间范围进行划分时根据数据源的匹配程度进行自动调整，可有效降低农作物物候特征的匹配误差，根据相似度值可以确定预设采样点的初始农作物类型。
为了确保农作物类型的准确度，可以通过本文实施例的验证法对初始农作物类型进行验证，参照图7，具体为：
S3041：将预设采样点在采集时段的物候特征输入预训练的随机森林分类器中，得到预设采样点对应的分类类型，其中随机森林分类器通过若干已知类型的农作物在采集时段的物候特征和对应的类型预训练得到；
S3042：当所述初始农作物类型与所述分类类型一致时，将初始农作物类型或分类类型作为预设采样点的农作物类型；
S3043：当所述初始农作物类型与所述分类类型不一致时，舍弃对应的预设采样点。
其中，使用随机森林分类器的目的是为了提高样本点标注的效率。
基于上述所述的一种基于遥感的农作物监测估产方法，本文实施例还提供一种基于遥感的农作物监测估产装置。所述的装置可以包括使用了本文实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本文实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本文实施例具体的装置的实施可以参见前述方法的实施，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。
具体地，图8是本文实施例提供的一种基于遥感的农作物监测估产装置一个实施例的模块结构示意图，参照图8所示，本文实施例提供的一种基于遥感的农作物监测估产装置包括：采集模块100、物候特征确定模块200、作物类型确定模块300、监测模块400、估产模块500。
采集模块100，用于当目标区域中农作物播种后，按照预定计划采集陆地卫星地表反射率影像；
物候特征确定模块200，用于根据采集的陆地卫星地表反射率影像，确定目标区域中农作物在采集时段的物候特征；
作物类型确定模块300，用于将目标区域中农作物在采集时段的物候特征输入预训练的农作物类型识别模型中，得到目标区域中农作物类型，其中所述农作物类型识别模型通过目标区域中预设采样点在采集时段的物候特征和对应的农作物类型预训练得到；
监测模块400，用于基于目标区域中任一农作物类型在采集时段的标准物候特征，对任一农作物类型在采集时段的物候特征进行监测，得到监测结果；
估产模块500，用于基于目标区域中任一农作物类型在采集时段的物候特征，对任一农作物类型的农作物估产。
参照图9所示，基于上述所述的一种基于遥感的农作物监测估产方法，本文一实施例中还提供一种计算机设备902，其中上述方法运行在计算机设备902上。计算机设备902可以包括一个或多个处理器904，诸如一个或多个中央处理单元(CPU)或图形处理器(GPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备902还可以包括任何存储器906，其用于存储诸如代码、设置、数据等之类的任何种类的信息，一具体实施方式中，存储器906上并可在处理器904上运行的计算机程序，所述计算机程序被所述处理器904运行时，可以执行根据上述方法的指令。非限制性的，比如，存储器906可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备902的固定或可移除部件。在一种情况下，当处理器904执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备902可以执行相关联指令的任一操作。计算机设备902还包括用于与任何存储器交互的一个或多个驱动机构908，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备902还可以包括输入/输出模块910(I/O)，其用于接收各种输入(经由输入设备912)和用于提供各种输出(经由输出设备914)。一个具体输出机构可以包括呈现设备916和相关联的图形用户接口918(GUI)。在其他实施例中，还可以不包括输入/输出模块910(I/O)、输入设备912以及输出设备914，仅作为网络中的一台计算机设备。计算机设备902还可以包括一个或多个网络接口920，其用于经由一个或多个通信链路922与其他设备交换数据。一个或多个通信总线924将上文所描述的部件耦合在一起。
通信链路922可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路922可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图1-图7中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图7所示的方法。
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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(可以是个人计算机，服务器，或者网络设备等)执行本文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。
本文中应用了具体实施例对本文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文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，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文的限制。

Claims (10)

1.一种基于遥感的农作物监测估产方法，其特征在于，包括：
当目标区域中农作物播种后，按照预定计划采集陆地卫星地表反射率影像；
根据采集的陆地卫星地表反射率影像，确定目标区域中农作物在采集时段的物候特征；
将目标区域中农作物在采集时段的物候特征输入预训练的农作物类型识别模型中，得到目标区域中农作物类型，其中所述农作物类型识别模型通过目标区域中预设采样点在采集时段的物候特征和对应的农作物类型预训练得到；
基于目标区域中任一农作物类型在采集时段的标准物候特征，对任一农作物类型在采集时段的物候特征进行监测，得到监测结果；
基于目标区域中任一农作物类型在采集时段的物候特征，对任一农作物类型的农作物估产。
2.根据权利要求1所述的基于遥感的农作物监测估产方法，其特征在于，所述目标区域中预设采样点在采集时段的物候特征和对应的农作物类型的确定方法包括：
由目标区域中随机生成预设采样点；
根据若干已知类型的农作物在采集时段的陆地卫星地表反射率影像，确定若干已知类型的农作物在采集时段的物候特征；
利用比较法将预设采样点在采集时段的物候特征与若干已知类型的农作物在采集时段的物候特征进行比较，确定预设采样点对应的初始农作物类型；
利用验证法通过所述若干已知类型的农作物在采集时段的物候特征对预设采样点对应的初始农作物类型进行验证，得到预设采样点对应的农作物类型。
3.根据权利要求2所述的基于遥感的农作物监测估产方法，其特征在于，所述利用比较法将预设采样点在采集时段的物候特征与若干已知类型的农作物在采集时段的物候特征进行比较，确定预设采样点对应的初始农作物类型进一步包括：
利用动态时间归整算法，计算所述预设采样点在采集时段的物候特征分别与若干已知类型的农作物在采集时段的物候特征之间的相似度值；
将若干已知类型的农作物中相似度值大于设定阈值的已知类型确定为预设采样点对应的初始农作物类型。
4.根据权利要求3所述的基于遥感的农作物监测估产方法，其特征在于，所述利用验证法通过所述若干已知类型的农作物在采集时段的物候特征对预设采样点对应的初始农作物类型进行验证，得到预设采样点对应的农作物类型进一步包括：
将预设采样点在采集时段的物候特征输入预训练的随机森林分类器中，得到预设采样点对应的分类类型，其中随机森林分类器通过若干已知类型的农作物在采集时段的物候特征和对应的类型预训练得到；
当所述初始农作物类型与所述分类类型一致时，将初始农作物类型或分类类型作为预设采样点的农作物类型；
当所述初始农作物类型与所述分类类型不一致时，舍弃对应的预设采样点。
5.根据权利要求1所述的基于遥感的农作物监测估产方法，其特征在于，所述根据采集的陆地卫星地表反射率影像，确定目标区域中农作物在采集时段的物候特征进一步包括：
根据采集的陆地卫星地表反射率影像，计算目标区域中农作物在采集时段的陆地卫星地表反射率影像的逐旬均值光谱特征，将所述逐旬均值光谱特征作为目标区域中农作物在采集时段的物候特征。
6.根据权利要求1所述的基于遥感的农作物监测估产方法，其特征在于，所述基于目标区域中任一农作物类型在采集时段的标准物候特征对任一农作物类型在采集时段的物候特征进行监测，得到监测结果进一步包括：
计算目标区域中任一农作物类型在历史时段的物候特征的均值和标准差，其中历史时段与采集时段对应一致；
根据所述历史时段的物候特征的均值和标准差，得到任一农作物类型在采集时段的标准物候特征；
若任一农作物类型在采集时段的物候特征与对应的标准物候特征一致，则得到监测结果为正常；
若任一农作物类型在采集时段的物候特征与对应的标准物候特征不一致，则得到监测结果为异常。
7.根据权利要求1所述的基于遥感的农作物监测估产方法，其特征在于，所述基于目标区域中任一农作物类型在采集时段的物候特征，对任一农作物类型的农作物估产进一步包括：
将目标区域中任一农作物类型在采集时段的影响因子输入至预训练的估产模型中，对任一农作物类型的农作物估产；
其中采集时段的影响因子包括采集时段的物候特征和其他农作物生长影响数据，所述估产模型通过任一农作物类型在历史时段的影响因子和实际产量预训练得到，历史时段与采集时段对应一致，历史时段的影响因子包括历史时段的物候特征和其他农作物生长影响数据。
8.一种基于遥感的农作物监测估产装置，其特征在于，所述装置包括：
采集模块，用于当目标区域中农作物播种后，按照预定计划采集陆地卫星地表反射率影像；
物候特征确定模块，用于根据采集的陆地卫星地表反射率影像，确定目标区域中农作物在采集时段的物候特征；
作物类型确定模块，用于将目标区域中农作物在采集时段的物候特征输入预训练的农作物类型识别模型中，得到目标区域中农作物类型，其中所述农作物类型识别模型通过目标区域中预设采样点在采集时段的物候特征和对应的农作物类型预训练得到；
监测模块，用于基于目标区域中任一农作物类型在采集时段的标准物候特征，对任一农作物类型在采集时段的物候特征进行监测，得到监测结果；
估产模块，用于基于目标区域中任一农作物类型在采集时段的物候特征，对任一农作物类型的农作物估产。
9.一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述计算机程序被所述处理器运行时，执行根据权利要求1-7任意一项所述方法的指令。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器运行时，执行根据权利要求1-7任意一项所述方法的指令。
CN202310109679.7A 2023-02-02 2023-02-02 基于遥感的农作物监测估产方法、装置、设备和存储介质 Pending CN116310862A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310109679.7A CN116310862A (zh) 2023-02-02 2023-02-02 基于遥感的农作物监测估产方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310109679.7A CN116310862A (zh) 2023-02-02 2023-02-02 基于遥感的农作物监测估产方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN116310862A true CN116310862A (zh) 2023-06-23

Family

ID=86796906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310109679.7A Pending CN116310862A (zh) 2023-02-02 2023-02-02 基于遥感的农作物监测估产方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN116310862A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116935227A (zh) * 2023-08-03 2023-10-24 沃杰(北京)科技有限公司 基于卫星遥感影像的农作物产量分析方法、系统和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116935227A (zh) * 2023-08-03 2023-10-24 沃杰(北京)科技有限公司 基于卫星遥感影像的农作物产量分析方法、系统和介质
CN116935227B (zh) * 2023-08-03 2024-06-14 广东花城园林有限公司 基于卫星遥感影像的农作物产量分析方法、系统和介质

Similar Documents

Publication Publication Date Title
AU2020201559B2 (en) Computer-generated accurate yield map data using expert filters and spatial outlier detection
US20160224703A1 (en) Growth stage determination system and method
CN105787801B (zh) 精确农业系统
US10586105B2 (en) Method and system for crop type identification using satellite observation and weather data
US9652840B1 (en) System and method for remote nitrogen monitoring and prescription
CN111582554B (zh) 一种农作物长势预测方法及系统
US20210183045A1 (en) Server of crop growth stage determination system, growth stage determination method, and storage medium storing program
US20170161560A1 (en) System and method for harvest yield prediction
US20190108631A1 (en) System and method for field pattern analysis
US20180059691A1 (en) Predicting Crop Productivity via Intervention Planning on Small-scale Farms
EP3816879A1 (en) A method of yield estimation for arable crops and grasslands and a system for performing the method
GB2608044A (en) Estimation of crop type and/or sowing date
CN115205695B (zh) 一种根据种植数据确定种植策略的方法和系统
CN116310862A (zh) 基于遥感的农作物监测估产方法、装置、设备和存储介质
Meroni et al. Early detection of biomass production deficit hot-spots in semi-arid environment using FAPAR time series and a probabilistic approach
CN115601585A (zh) 基于图片分析的农业病虫害诊断方法及装置
CN118097422A (zh) 一种农业环境监测预警方法
Niu et al. Estimating maize plant height using a crop surface model constructed from UAV RGB images
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
CA3144030A1 (en) Sensor fusion
Cal et al. Automatic Classification of Agricultural Summer Crops in Uruguay
Aslahishahri et al. Kl-divergence as a proxy for plant growth
Atzberger et al. Estimation of inter-annual winter crop area variation and spatial distribution with low resolution NDVI data by using neural networks trained on high resolution images
Henriette Within-Season Crop Type Mapping Based On The Time Series Of Sentinel-1, Sentinel-2, Weather, And Historical Cropland Data
GHOsH et al. Crop supply forecasting for food management: A review of practices, developments and options

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