CN116501925B - 多源遥感数据下叶面积指数预测方法、系统、设备及介质 - Google Patents
多源遥感数据下叶面积指数预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116501925B CN116501925B CN202310752528.3A CN202310752528A CN116501925B CN 116501925 B CN116501925 B CN 116501925B CN 202310752528 A CN202310752528 A CN 202310752528A CN 116501925 B CN116501925 B CN 116501925B
- Authority
- CN
- China
- Prior art keywords
- red
- lookup table
- value
- vegetation index
- index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001228 spectrum Methods 0.000 claims abstract description 50
- 238000002310 reflectometry Methods 0.000 claims abstract description 46
- 230000008859 change Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 13
- 229930002875 chlorophyll Natural products 0.000 claims description 9
- 235000019804 chlorophyll Nutrition 0.000 claims description 9
- 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 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 235000021466 carotenoid Nutrition 0.000 claims description 4
- 150000001747 carotenoids Chemical class 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims 2
- 238000012216 screening Methods 0.000 claims 2
- 101100379081 Emericella variicolor andC gene Proteins 0.000 description 7
- 238000000985 reflectance spectrum Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000006798 recombination Effects 0.000 description 3
- 238000005215 recombination Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 208000036855 Left sided atrial isomerism Diseases 0.000 description 2
- 241001000340 Sitticus Species 0.000 description 2
- 241000209149 Zea Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000035800 maturation Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 235000004035 Cryptotaenia japonica Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 101100149325 Escherichia coli (strain K12) setC gene Proteins 0.000 description 1
- 102000007641 Trefoil Factors Human genes 0.000 description 1
- 235000015724 Trifolium pratense Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9017—Indexing; Data structures therefor; Storage structures using directory or table look-up
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- 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
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种多源遥感数据下叶面积指数预测方法、系统、设备及介质，涉及叶面积指数数据预测技术领域，包括：构建不同生长周期内生长参数与冠层反射光谱对应关系的反射率查找表；构建基于红边波段的新型红边植被指数，对连续高光谱，在反射率查找表中进行对应生长周期内冠层反射光谱的匹配；对不连续高光谱，根据对应生长周期下的波段组合确定红边植被指数，以此在红边植被指数查找表中进行匹配，通过构建查找表解决多源异构数据对预测精度的影像，通过构建代价函数解决多解问题，提高检索匹配效率和精度。
Description
技术领域
本发明涉及叶面积指数数据预测技术领域，特别是涉及一种多源遥感数据下叶面积指数预测方法、系统、设备及介质。
背景技术
通过预测作物的叶面积指数（Leaf Area Index,LAI）可以用来表征作物长势状况，现有存在基于辐射传输理论的预测模型，但是该模型输入参数较多，容易出现不同模型参数组合得到相同植被理化参数的反演结果，即出现反演多解的病态情况，致使反演结果的不确定性和不稳定性增大，且由于参数组合较多，进行LAI预测时需要遍历数据库所有反射率数据，耗时长。
随着无人机及卫星技术的兴起，摆脱了长期依赖地面勘测的传统方式，为多尺度、大范围作物长势监测提供可能。但由于搭载平台不同，无人机高光谱数据与卫星多光谱数据的波段信息差异较大，无人机高光谱数据的波段范围为400-1000nm，光谱分辨率为1nm、包含272个波段，而卫星多光谱数据在400-1000nm范围内仅含有几个波段，且波段不连续。
那么，由于多光谱卫星数据是不连续的高光谱数据，无法直接与建立的查找表进行完整的反射光谱比较，如果只进行单波段的反射率比较，会出现同一波段在查找表中有若干个相同反射率的情况，造成极大的误差。
发明内容
为了解决上述问题，本发明提出了一种多源遥感数据下叶面积指数预测方法、系统、设备及介质，通过分别构建不同生长周期新型红边植被指数查找表，解决多源异构数据对预测精度的影响，以及通过构建代价函数解决多解问题，提高检索匹配效率和精度。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种多源遥感数据下叶面积指数预测方法，包括：
根据作物在各生长周期内的生长参数，确定生长参数的取值范围和变化步长，并基于此分别模拟冠层反射光谱，从而构建各生长周期内的生长参数与冠层反射光谱对应关系的反射率查找表；
根据作物在各生长周期内的遥感数据，将红光波段和三条红边波段进行两两组合并分别计算植被指数，由此确定各生长周期下的最优红边植被指数，根据最优红边植被指数对应的波段组合，将反射率查找表中的冠层反射光谱转换为红边植被指数，以此构建红边植被指数查找表；
针对连续高光谱的实测遥感数据，在反射率查找表中进行对应生长周期内冠层反射光谱的匹配，以得到对应的叶面积指数值；
针对不连续高光谱的实测遥感数据，根据对应生长周期下的波段组合确定红边植被指数，以此在红边植被指数查找表中进行匹配，得到对应的叶面积指数值。
由于传统计算植被指数一般采用近红外波段及红光波段，但红边波段（670-760nm）与植被的各种理化参数紧密相关，是描述植物色素状态和健康状况的重要的指示波段。因此，本发明根据作物在各生长周期内的光谱曲线，充分利用卫星红边波段优势，提出引入三条红边波段与红光波段进行两两组合分别计算植被指数，由此确定各生长周期下的最优红边植被指数，根据最优红边植被指数对应的波段组合，将反射率查找表中的冠层反射光谱转换为红边植被指数，以此构建新型的红边植被指数查找表。
作为可选择的实施方式，所述匹配的过程包括：根据实测数据与查找表中的模拟数据的均方根误差得到差异值，并以此构建代价函数，根据代价函数值选择查找表中对应的叶面积指数值。
作为可选择的实施方式，所述代价函数为：计算实测数据与查找表中第j行位置的模拟数据的差异值，按j=1到m的遍历顺序得到m个差异值，经从小到大排序后选择排名前N位的差异值并求平均后，根据平均值得到对应的叶面积指数值，m为总行数。
为解决查找表中包含的参数组合众多，在逆转查找表进行检索匹配时出现的多解问题（即不同参数组合有相同模拟光谱），本发明提出将代价函数值从小到大排列后，选取前N位并在查找表中匹配到对应LAI计算其平均值，将该平均值作为最终反演值，以解决多解问题。
作为可选择的实施方式，由不同的波段组合分别得到植被指数后，结合各生长周期内的生长参数，通过线性和非线性的统计回归模型进行拟合，并进行拟合结果的评估，由此选择出最优红边植被指数对应的波段组合。
作为可选择的实施方式，对冠层反射光谱中对应的波段组合计算红边植被指数，由此构建各生长周期内的生长参数与红边植被指数对应关系的指数查找表。
作为可选择的实施方式，所述生长参数包括叶片结构参数、叶片生化参数、观测环境参数和冠层结构参数；其中，叶片生化参数包括叶绿素含量、干物质含率、类胡萝卜素含量和等效水厚度；观测环境参数包括热点参数、土壤背景反射率、太阳天顶角和观测天顶角；冠层结构参数包括叶面积指数和叶片平均叶倾角；将除了叶面积指数和叶绿素含量之外的其余生长参数均设定为固定值，具体设置为各生长周期内实测值的均值。
作为可选择的实施方式，所述取值范围为将各生长周期内叶面积指数和叶绿素含量的实测值最小值作为取值下线，实测值最大值作为取值上线。
第二方面，本发明提供一种多源遥感数据下叶面积指数预测系统，包括：
反射率查找表构建模块，被配置为根据作物在各生长周期内的生长参数，确定各关键期生长参数的取值范围和变化步长，并基于此，分别模拟冠层反射光谱，从而构建各生长周期内的生长参数与冠层反射光谱对应关系的反射率查找表；
指数查找表构建模块，被配置为根据作物在各生长周期内的遥感数据，将红光波段和三条红边波段进行两两组合并分别计算植被指数，由此确定各生长周期下的最优红边植被指数，根据最优红边植被指数对应的波段组合，将反射率查找表中的冠层反射光谱转换为红边植被指数，以此构建红边植被指数查找表；
第一匹配模块，被配置为针对连续高光谱的实测遥感数据，在反射率查找表中进行对应生长周期内冠层反射光谱的匹配，以得到对应的叶面积指数值；
第二匹配模块，被配置为针对不连续高光谱的实测遥感数据，根据对应生长周期下的波段组合确定红边植被指数，以此在红边植被指数查找表中进行匹配，得到对应的叶面积指数值。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
本发明根据作物在各生长周期内的生长参数，确定生长参数的取值范围和变化步长，并基于此分别模拟冠层反射光谱，从而构建各生长周期内的生长参数与冠层反射光谱对应关系的反射率查找表，缩小数据量，并通过构建代价函数，判断查找表中的数据匹配程度，解决逆转查找表进行检索匹配时所存在的多解问题，提高检索匹配效率和精度。
本发明提出基于波段优化重构的红边植被指数计算方法，引入红边波段进行优化重组，并与实测LAI值进行拟合后，确定各生长周期下的最优红边植被指数，建立红边植被指数查找表，以降低多源异构数据对LAI反演精度的影响。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的多源遥感数据下叶面积指数预测方法流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，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、系统、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。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
本实施例提供一种多源遥感数据下叶面积指数预测方法，如图1所示，包括：
根据作物在各生长周期内的生长参数，确定生长参数的取值范围和变化步长，并基于此分别模拟冠层反射光谱，从而构建各生长周期内的生长参数与冠层反射光谱对应关系的反射率查找表；
根据作物在各生长周期内的遥感数据，将红光波段和三条红边波段进行两两组合并分别计算植被指数，由此确定各生长周期下的最优红边植被指数，根据最优红边植被指数对应的波段组合，将反射率查找表中的冠层反射光谱转换为红边植被指数，以此构建红边植被指数查找表；
针对连续高光谱的实测遥感数据，在反射率查找表中进行对应生长周期内冠层反射光谱的匹配，以得到对应的叶面积指数值；
针对不连续高光谱的实测遥感数据，根据对应生长周期下的波段组合确定红边植被指数，以此在红边植被指数查找表中进行匹配，得到对应的叶面积指数值。
现有预测模型是通过叶片结构参数N和叶片生化参数模拟叶片反射率和透过率/>，再结合观测环境参数和冠层结构参数模拟冠层反射率/>，那么可根据实测冠层反射数据逆转查找表确定对应的LAI；其中，叶片生化参数包括叶绿素含量C ab、干物质含率C dm、类胡萝卜素含量C car和等效水厚度C w；观测环境参数包括热点参数hpot、土壤背景反射率/>、太阳天顶角/>和观测天顶角/>；冠层结构参数包括叶面积指数LAI和叶片平均叶倾角ALA。
在现有的结论中，LAI和C ab的数值变化对冠层反射率模拟值在可见光到近红外光范围（400~900nm）内会产生较大的影响，说明LAI和C ab的参数敏感性强；而N、ALA、C dm和C w的数值变化引起的冠层反射率模拟值在该波段范围内的波动影响较小，说明这几种参数敏感性弱。
由于本实施例使用的无人机光谱波段的范围在400nm~1000nm之间，而在此范围只有LAI和C ab的参数敏感性强，因此本实施例将除LAI和C ab之外的其余实测生长参数均设定为固定值，其数值分别为各生长周期内采样值的均值；然后，将各生长周期内的LAI、C ab的实测最小值作为取值下线、实测最大值作为取值上线，并设定C ab的变化步长为1μg/cm²、LAI的变化步长为0.5m²/m²。
本实施例选取玉米为例，获取玉米三叶期、拔节期、抽穗期和成熟期的历史实测的生长参数，包括：叶片结构参数、叶片生化参数、观测环境参数和冠层结构参数；其中，基于先验知识，给叶片结构参数N取值1.4，类胡萝卜素含量C car取值9μg/cm²，叶倾角ALA取值30°，热点参数hpot取值0.1，土壤背景反射率取值0.08；叶面积指数LAI、叶绿素含量C ab、干物质含率C dm和等效水厚度C w均根据实测值进行取值，具体如表1所示。
表1 各参数设置
在本实施例中，根据设置的LAI和C ab的取值范围和变化步长，在各生长周期内分别进行冠层反射光谱模拟；如按表1的参数设置进行模拟，最终得到包含13×6种LAI和C ab组合的三叶期冠层反射光谱查找表，包含16×7种LAI和C ab组合的拔节期冠层反射光谱查找表；包含15×8种LAI和C ab组合的抽穗期冠层反射光谱查找表；包含13×6种LAI和C ab组合的抽成熟期冠层反射光谱查找表；4个时期一共模拟出了388条冠层反射光谱，共同组建成包含各生长周期内的生长参数与冠层反射光谱对应关系的反射率查找表，在各生长周期，冠层反射光谱与叶面积指数LAI和叶绿素含量Cab有一一对应的关系，因此可将实测得冠层反射率与查找表中的反射率进行对比，依据两者的最大相似度逆转查找表得到对应的LAI和Cab，从而实现LAI的反演。
在本实施例中，为了保证查找表的匹配精度，构建代价函数来评估匹配精度，代价函数Cost为：
（1）
（2）
式中：为实测冠层反射率与查找表第j行位置的冠层反射率的差异；/>为实测冠层反射光谱第i波段的反射率；/>为查找表中冠层反射光谱的第i波段第j行位置对应的反射率；n为光谱波段数，在本实施例中，无人机的高光谱波段为272，卫星遥感数据的多光谱波段为8；m为查找表对应关系的行数，可设三叶期为78，拔节期为112，抽穗期为120，成熟期为78。
本实施例通过实测光谱和模拟光谱的均方根误差来表示反射率的差异，并以此构造代价函数Cost，从而判断遍历查找表检索的匹配度，Cost（D j）值越小，说明匹配度越高，故每个采样点的实测光谱按j=1到m的遍历顺序得到m个Cost（D j）值，从小到大排序并选择最小值Cost（D j）在查找表中对应的LAI值。
但是，因为查找表包含的参数组合众多，在进行检索匹配时会出现多解的情况，比如不同参数组合有相同模拟光谱，故本实施例按值从小到大排列后，选取排序前5%的Cost（D j）值在查找表对应的LAI值并计算平均值，将该平均值作为最终反演值LAIfinal；其中i的取值范围为1到排名前5%的行数Per5%；
（3）
在本实施例中，对于连续高光谱的实测遥感数据，如将无人机影像处理后得到的连续高光谱的实测遥感数据，由于高光谱是连续的，所以可直接在反射率查找表进行检索匹配，将该高光谱作为实测的冠层反射光谱，与反射率查找表中的冠层反射光谱进行检索匹配，将匹配度的前5%的查找表中冠层反射光谱对应的LAI平均值作为LAI反演值。
而对于不连续的高光谱数据，无法直接与反射率查找表进行完整的反射光谱比较，如果只进行单波段的反射率比较，会出现同一波段在查找表中有若干个相同反射率的情况，造成极大的误差，因此本实施例提出基于波段优化重构的红边植被指数计算方法。
Sentinel-2号是唯一包含2条红边波段的多光谱卫星（总共12个波段，本实施例只展示所需波段信息），其重访周期仅为5天，能够快捷高效的实现作物生长各阶段的长势监测。本实施例研究的范围是可见光（B2、B3、B4）和红边波段（B5、B6、B7），表2展示了该范围内Sentinel-2包含的波段信息。
表2 Sentinel-2波段信息
多光谱卫星数据需要借助植被指数才能准确转换到高光谱数据查找表中。传统的植被指数（Normalized Difference Vegetation Index，NDVI）的计算主要基于植被近红外波段陡增的光谱特性，所选的红光波段λred和近红外光波段λnir分别是λred= B4，λnir= B8或B8a，计算公式为NDVI=；而随着卫星光谱载荷设计的发展，为获取更多光谱信息，波段个数也随之增加，因此，需要精确考量投入计算的波段位置，故本实施例考虑引入红边波段B5、B6、B7进行优化重组并与传统NDVI指数结果进行对比。
将B4、B5、B6、B7这4个波段进行两两组合，代替传统植被指数NDVI计算方式中的λred和λnir，得到红边植被指数rNDVI-k[λred，λedge]；表3为重组波段结果。
表3重组波段结果
由此，本实施例选用传统植被指数NDVI[B4，B8]、改良重组的红边植被指数rNDVI- k，（rNDVI-1 [B4，B5]，rNDVI-2 [B4，B6]，rNDVI-3 [B4，B7]，rNDVI-4 [B5，B6]，rNDVI-5[B5，B7]，rNDVI-6[B6，B7]）；k表示改良重组的红边植被指数的种类数；
将上述6种结果作为叶面积指数反演模型的拟合变量，利用准同步实测LAI样本n=20的建模集，通过线性和非线性的统计回归模型（一次函数、二次函数、幂函数、对数函数和指数函数）进行拟合并建立叶面积指数LAI的反演模型。使用决定系数R²、均方根误差RMSE和标准均方根误差NRMSE来评估和检验反演模型的精度和可靠性，通过这3种指标来进行模型的比较和评价，如表4所示，最后选出不同生长周期最优拟合精度对应的波段组合。
表4 LAI拟合模型精度评价
综上所述，在完整生长周期内，基于红边植被指数的反演模型克服传统植被指数的拟合模型在LAI处于高水平（LAI>3.5m²/m²）状态时的饱和效应缺陷。本实施例除在拔节期选择rNDVI-4[B5，B6]外，其余生长期均采用rNDVI-2[B4，B6]进行rNDVI-k植被指数计算。
然后，根据上述选择的最优红边植被指数对应的波段组合，将反射率查找表中的冠层反射光谱转换为红边植被指数，以此构建红边植被指数查找表；那么，针对不连续高光谱的实测遥感数据，根据对应生长周期下的波段组合确定红边植被指数，以此在指数查找表中进行检索匹配，选取排序前5%的Cost（D j）值在查找表对应的LAI平均值作为LAI反演值。
从表5中可以看出，无论是无人机的高光谱数据还是卫星遥感数据，在反演时，虽然不同生长期存在一定差异，但LAI平均反演精度相当，说明本实施例方法可以有效解决多源、多尺度遥感数据不一致性的问题。
表5 LAI反演结果验证精度统计
实施例2
本实施例提供一种多源遥感数据下叶面积指数预测系统，包括：
反射率查找表构建模块，被配置为根据作物在各生长周期内的生长参数，确定生长参数的取值范围和变化步长，并基于此分别模拟冠层反射光谱，从而构建各生长周期内的生长参数与冠层反射光谱对应关系的反射率查找表；
根据作物在各生长周期内的遥感数据，将红光波段和三条红边波段进行两两组合并分别计算植被指数，由此确定各生长周期下的最优红边植被指数，根据最优红边植被指数对应的波段组合，将反射率查找表中的冠层反射光谱转换为红边植被指数，以此构建红边植被指数查找表；
第一匹配模块，被配置为针对连续高光谱的实测遥感数据，在反射率查找表中进行对应生长周期内冠层反射光谱的匹配，以得到对应的叶面积指数值；
第二匹配模块，被配置为针对不连续高光谱的实测遥感数据，根据对应生长周期下的波段组合确定红边植被指数，以此在红边植被指数查找表中进行匹配，得到对应的叶面积指数值。
此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。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申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (6)
1.多源遥感数据下叶面积指数预测方法，其特征在于，包括：根据作物在各生长周期内的生长参数，确定生长参数的取值范围和变化步长，并基于此分别模拟冠层反射光谱，从而构建各生长周期内的生长参数与冠层反射光谱对应关系的反射率查找表；
根据作物在各生长周期内的遥感数据，将红光波段和三条红边波段进行两两组合并分别计算植被指数，由此确定各生长周期下的最优红边植被指数，根据最优红边植被指数对应的波段组合，将反射率查找表中的冠层反射光谱转换为红边植被指数，以此构建红边植被指数查找表；
由不同的波段组合分别得到植被指数后，结合各生长周期内的生长参数，通过线性和非线性的统计回归模型进行拟合，并进行拟合结果的评估，由此选择出最优红边植被指数对应的波段组合；
构建基于红边波段的新型植被指数，并筛选出冠层反射光谱中对应的波段组合计算红边植被指数，由此构建各生长周期内的生长参数与红边植被指数对应关系的红边植被指数查找表；
针对连续高光谱的实测遥感数据，在反射率查找表中进行对应生长周期内冠层反射光谱的匹配，以得到对应的叶面积指数值；
针对不连续高光谱的实测遥感数据，根据对应生长周期下的波段组合确定红边植被指数，以此在红边植被指数查找表中进行匹配，得到对应的叶面积指数值；
所述匹配的过程包括：根据实测数据与查找表中的模拟数据的均方根误差得到差异值，并以此构建代价函数，根据代价函数值选择查找表中对应的叶面积指数值；
所述代价函数为：计算实测数据与查找表中第j行位置的模拟数据的差异值，按j＝1到m的遍历顺序得到m个差异值，经从小到大排序后选择排名前N位的差异值并求平均后，根据平均值得到对应的叶面积指数值，m为总行数。
2.如权利要求1所述的多源遥感数据下叶面积指数预测方法，其特征在于，所述生长参数包括叶片结构参数、叶片生化参数、观测环境参数和冠层结构参数；其中，叶片生化参数包括叶绿素含量、干物质含率、类胡萝卜素含量和等效水厚度；观测环境参数包括热点参数、土壤背景反射率、太阳天顶角和观测天顶角；冠层结构参数包括叶面积指数和叶片平均叶倾角；将除了叶面积指数和叶绿素含量之外的其余生长参数均设定为固定值，具体设置为各生长周期内实测值的均值。
3.如权利要求2所述的多源遥感数据下叶面积指数预测方法，其特征在于，所述取值范围为将各生长周期内叶面积指数和叶绿素含量的实测值最小值作为取值下线，实测值最大值作为取值上线。
4.多源遥感数据下叶面积指数预测系统，其特征在于，包括：
反射率查找表构建模块，被配置为根据作物在各生长周期内的生长参数，确定生长参数的取值范围和变化步长，并基于此分别模拟冠层反射光谱，从而构建各生长周期内的生长参数与冠层反射光谱对应关系的反射率查找表；
指数查找表构建模块，被配置为根据作物在各生长周期内的遥感数据，将红光波段和三条红边波段进行两两组合并分别计算植被指数，由此确定各生长周期下的最优红边植被指数，根据最优红边植被指数对应的波段组合，将反射率查找表中的冠层反射光谱转换为红边植被指数，以此构建红边植被指数查找表；
由不同的波段组合分别得到植被指数后，结合各生长周期内的生长参数，通过线性和非线性的统计回归模型进行拟合，并进行拟合结果的评估，由此选择出最优红边植被指数对应的波段组合；
构建基于红边波段的新型植被指数，并筛选出冠层反射光谱中对应的波段组合计算红边植被指数，由此构建各生长周期内的生长参数与红边植被指数对应关系的红边植被指数查找表；
第一匹配模块，被配置为针对连续高光谱的实测遥感数据，在反射率查找表中进行对应生长周期内冠层反射光谱的匹配，以得到对应的叶面积指数值；
第二匹配模块，被配置为针对不连续高光谱的实测遥感数据，根据对应生长周期下的波段组合确定红边植被指数，以此在红边植被指数查找表中进行匹配，得到对应的叶面积指数值；
所述匹配的过程包括：根据实测数据与查找表中的模拟数据的均方根误差得到差异值，并以此构建代价函数，根据代价函数值选择查找表中对应的叶面积指数值；
所述代价函数为：计算实测数据与查找表中第j行位置的模拟数据的差异值，按j＝1到m的遍历顺序得到m个差异值，经从小到大排序后选择排名前N位的差异值并求平均后，根据平均值得到对应的叶面积指数值，m为总行数。
5.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-3任一项所述的方法。
6.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-3任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310752528.3A CN116501925B (zh) | 2023-06-26 | 2023-06-26 | 多源遥感数据下叶面积指数预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310752528.3A CN116501925B (zh) | 2023-06-26 | 2023-06-26 | 多源遥感数据下叶面积指数预测方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116501925A CN116501925A (zh) | 2023-07-28 |
| CN116501925B true CN116501925B (zh) | 2023-09-05 |
Family
ID=87325101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310752528.3A Active CN116501925B (zh) | 2023-06-26 | 2023-06-26 | 多源遥感数据下叶面积指数预测方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116501925B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117520715A (zh) * | 2023-12-29 | 2024-02-06 | 华中农业大学 | 一种基于prosail模型的水稻叶面积指数反演方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
| CN109115725A (zh) * | 2018-06-14 | 2019-01-01 | 中国农业大学 | 一种玉米冠层lai和叶绿素含量联合反演方法和设备 |
| GB202101106D0 (en) * | 2020-07-14 | 2021-03-10 | Aerospace Information Research Institute Chinese Academy Of Sciences | Method and device for performing inversion of crop leaf area index |
| CN113345004A (zh) * | 2021-08-05 | 2021-09-03 | 航天宏图信息技术股份有限公司 | 一种植被叶面积指数的估算方法和装置 |
| CN114663489A (zh) * | 2022-03-24 | 2022-06-24 | 广州大学 | 一种地块时空特征约束下的农作物叶面积指数遥感反演方法及系统 |
| WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
-
2023
- 2023-06-26 CN CN202310752528.3A patent/CN116501925B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
| CN109115725A (zh) * | 2018-06-14 | 2019-01-01 | 中国农业大学 | 一种玉米冠层lai和叶绿素含量联合反演方法和设备 |
| GB202101106D0 (en) * | 2020-07-14 | 2021-03-10 | Aerospace Information Research Institute Chinese Academy Of Sciences | Method and device for performing inversion of crop leaf area index |
| WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
| CN113345004A (zh) * | 2021-08-05 | 2021-09-03 | 航天宏图信息技术股份有限公司 | 一种植被叶面积指数的估算方法和装置 |
| CN114663489A (zh) * | 2022-03-24 | 2022-06-24 | 广州大学 | 一种地块时空特征约束下的农作物叶面积指数遥感反演方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于高分辨率遥感影像的玉米田叶面积指数反演;黄楚荻;鲁蕾;刘勇;刘巨峰;;浙江农业学报(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116501925A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11454534B2 (en) | Method and system for optical and microwave synergistic retrieval of aboveground biomass | |
| Jin et al. | Deep neural network algorithm for estimating maize biomass based on simulated Sentinel 2A vegetation indices and leaf area index | |
| Li et al. | Multi-LUTs method for canopy nitrogen density estimation in winter wheat by field and UAV hyperspectral | |
| Song et al. | Wavelength selection and spectral discrimination for paddy rice, with laboratory measurements of hyperspectral leaf reflectance | |
| CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
| CN102788752B (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
| CN116501925B (zh) | 多源遥感数据下叶面积指数预测方法、系统、设备及介质 | |
| CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
| CN111855591A (zh) | 水稻地上部碳氮比遥感反演模型和方法 | |
| CN115128013A (zh) | 一种基于分区算法的土壤有机质含量空间预测评估方法 | |
| Li et al. | Comparison of four chemometric techniques for estimating leaf nitrogen concentrations in winter wheat (Triticum aestivum) based on hyperspectral features | |
| Yuan et al. | Research on rice leaf area index estimation based on fusion of texture and spectral information | |
| CN113466143B (zh) | 土壤养分反演方法、装置、设备及介质 | |
| CN113537108B (zh) | 一种基于无人机高光谱遥感的农作物叶绿素含量反演方法 | |
| CN110987830A (zh) | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 | |
| Marshall et al. | Biomass modeling of four leading world crops using hyperspectral narrowbands in support of HyspIRI mission | |
| CN117035066A (zh) | 一种耦合地理加权与随机森林的地表温度降尺度方法 | |
| Chen et al. | Prediction of nitrogen, phosphorus, and potassium contents in apple tree leaves based on in-situ canopy hyperspectral reflectance using stacked ensemble extreme learning machine model | |
| CN113159420A (zh) | 一种GSA-MLs相结合的小麦LAI估算方法 | |
| CN116883874A (zh) | 一种用于芳樟矮林综合长势的评估方法及系统 | |
| CN117173565A (zh) | 一种深度迁移学习估算大区域小麦植被覆盖度方法和系统 | |
| CN113884444A (zh) | 模型建立方法、预测spad值的方法、装置及电子设备 | |
| CN114692971B (zh) | 一种基于产量差的作物产量预测方法及装置 | |
| Zhao et al. | Spatial-spectral feature extraction for in-field chlorophyll content estimation using hyperspectral imaging | |
| Jingyong et al. | A Hyperspectral Image-Based Method for Estimating Water and Chlorophyll Contents in Maize Leaves under Drought Stress |
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 |