CN116580318A - 作物覆盖区域的土壤养分反演方法、装置、设备及介质 - Google Patents
作物覆盖区域的土壤养分反演方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116580318A CN116580318A CN202310534549.8A CN202310534549A CN116580318A CN 116580318 A CN116580318 A CN 116580318A CN 202310534549 A CN202310534549 A CN 202310534549A CN 116580318 A CN116580318 A CN 116580318A
- Authority
- CN
- China
- Prior art keywords
- soil
- vegetation
- wave band
- satellite image
- data
- 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.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 266
- 235000015097 nutrients Nutrition 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims description 35
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000012952 Resampling Methods 0.000 claims description 18
- 238000007499 fusion processing Methods 0.000 claims description 13
- 238000002310 reflectometry Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 12
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 12
- 229910052757 nitrogen Inorganic materials 0.000 claims description 12
- 229910052698 phosphorus Inorganic materials 0.000 claims description 12
- 239000011574 phosphorus Substances 0.000 claims description 12
- 229910052700 potassium Inorganic materials 0.000 claims description 12
- 239000011591 potassium Substances 0.000 claims description 12
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 11
- 229910052799 carbon Inorganic materials 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000011049 filling Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 235000021049 nutrient content Nutrition 0.000 description 7
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000007605 air drying Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052787 antimony Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000009841 combustion method Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Astronomy & Astrophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Processing (AREA)
Abstract
本申请属于农业遥感的技术领域，公开了一种作物覆盖区域的土壤养分反演方法、装置、设备及介质，该方法包括：获取原始多光谱卫星影像数据并进行预处理；基于拓展的超分辨率卷积神经网络融合预处理后的原始卫星多光谱影像数据，得到目标时空分辨率的融合遥感数据集，其中，目标时空分辨率高于原始多光谱卫星影像数据的时空分辨率；提取并计算目标时空分辨率的融合遥感数据集中的植被变量数据；获取土壤样本养分实测数据，并基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型；基于目标预测模型预测农作物覆盖区域的土壤养分。本申请可实现植被覆盖条件下土壤养分的精确估算。
Description
技术领域
本申请涉及农业遥感的技术领域，尤其涉及一种作物覆盖区域的土壤养分反演方法、装置、设备及介质。
背景技术
土壤是人类社会最宝贵的自然资源，是可持续发展的重要基础。土壤是一种具有高度变异的空间连续体，如何准确获取和估计土壤养分含量、量化和表征土壤属性特征对于全球生态系统，农业可持续发展和食品安全具有十分重要的意义。
传统的土壤养分估算方法是基于野外采样与室内化学测定，该方法为点尺度估计，费时费力、成本较高、化学试剂的使用容易造成环境污染，并且难以对大面积土壤养分精确估算。随着遥感技术的进步，遥感卫星提供了对地大尺度观测能力，能够及时地捕捉土壤变化信息，尤其是目前应用最为广泛的多光谱遥感卫星(Landsat-8/9，Sentinel-2等)，可以提供丰富的时空谱信息。利用统计模型构建遥感影像信息与土壤养分之间的函数关系，可以大面积准确预测土壤养分含量，提高对土壤养分的精确估算能力。由于光学遥感技术特点(穿透力弱、易受云雾干扰)，以往研究大多是基于裸土时期光谱影像进行土壤养分的直接反演。然而，对于高强度农业耕作地区，裸土时期通常较短，光学遥感难以直接穿透植被冠层获取土壤信息，加上云雨天气以及传感器自身因素的影响，极大地限制了传统卫星遥感估算方法的应用能力，在植被覆盖地区的应用上具有一定的局限性。
而耕地作物与土壤紧密相关，一方面，土壤为农作物生长提供重要的营养元素(有机质、氮、磷、钾等)；另一方面，农作物秸秆回田也直接影响土壤养分含量的变化。因此，精确掌握土壤养分与作物生长状态之间的函数关系，对于农作物覆盖区土壤养分的估算十分关键。多光谱影像波段如红光、近红外、短波红外以及基于波段计算的植被指数(如NDVI、EVI、MSAVI等)已被国内外学者证明可以有效地表征植被生长状态，能够用以反映土壤养分含量与植被之间的影响关系。相比于单期影像的植被变量，长时间序列的植被变量能够精确地反映植被动态变化与土壤养分的映射关系，对于提高植被变量反演估算土壤养分精度具有重要作用。此外，单颗遥感卫星的重访周期(时间分辨率)一般较长，对于地表变化快速尤其是高强度耕作的农耕地区十分受限，多颗遥感卫星的联用能够提供更加连续的植被变化信息，有利于精确估算土壤养分含量及其空间变异。然而，由于不同卫星之间存在着时空分辨率的不对称(例如Landsat-8/9OLI系列传感器影像时间分辨率为8天，空间分辨率为30m；Sentinel-2MSI传感器影像时间分辨率为5天，空间分辨率为10m-60m)，限制着高时空分辨率植被变量的获取。
常用的多源遥感数据空间尺度转换方法为空间重采样方法，例如最近邻重采样、双线性插值法重采样以及三次卷积法重采样等。然而，该类方法依赖于数据本身质量、原理简单、容易产生额外的偏差与不确定性。并且空间重采样方法只能把高空间分辨率影像转换为低空间分辨率，而无法把低空间分辨率的影像提高到高分辨率，这会导致高分辨率影像与低分辨率影像进行匹配时损失掉高分辨率的优势。
发明内容
本申请提供了一种作物覆盖区域的土壤养分反演方法、装置、设备及介质，可以实现植被覆盖条件下土壤养分的精确估算。
第一方面，本申请实施例提供了一种作物覆盖区域的土壤养分反演方法，该方法包括：
获取原始多光谱卫星影像数据并进行预处理，得到预处理后的原始多光谱卫星影像数据；
基于拓展的超分辨率卷积神经网络融合预处理后的原始多光谱卫星影像数据，得到目标时空分辨率的融合遥感数据集，其中，目标时空分辨率高于原始多光谱卫星影像数据的时空分辨率；
提取并计算所述目标时空分辨率的融合遥感数据集中的植被变量数据；
获取土壤样本养分实测数据，并基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型；
基于所述目标预测模型预测农作物覆盖区域的土壤养分。
进一步的，所述获取原始多光谱卫星影像数据并进行预处理，得到预处理后的原始多光谱卫星影像数据的步骤包括：
获取目标年份的Landsat-8、Landsat-9及Sentinel-2地表反射率数据集；
对目标年份的Landsat-8、Landsat-9及Sentinel-2地表反射率数据集对应的卫星影像数据进行云量筛选与去除；
基于与目标年份相隔预设年份的相同时间点卫星影像数据的平均值对卫星影像数据中的缺失区域进行填充，得到无云的Landsat-8、Landsat-9及Sentinel-2卫星影像数据集；
裁剪无云的Landsat-8、Landsat-9及Sentinel-2卫星影像数据集中用户选定区域的卫星影像数据，得到预处理后的原始多光谱卫星影像数据。
进一步的，所述基于拓展的超分辨率卷积神经网络融合预处理后的原始多光谱卫星影像数据，得到目标时空分辨率的融合遥感数据集的步骤包括：
使用最近邻插值方法将Sentinel-2卫星影像波段11和波段12由第一初始空间分辨率重采样到预设空间分辨率；
将重采样后的预设空间分辨率的Sentinel-2卫星影像波段11和波段12，以及预设空间分辨率的Sentinel-2卫星影像波段2、波段3、波段4和波段8输入至拓展的超分辨率卷积神经网络进行自适应图像融合处理，得到降尺度后的预设空间分辨率的Sentinel-2卫星影像波段11与波段12；
使用最近邻插值方法将Landsat-8卫星影像波段1至波段7与Landsat-9卫星影像波段1至波段7由第二初始空间分辨率重采样到预设空间分辨率；
将降尺度后的预设空间分辨率的Sentinel-2卫星影像波段11与波段12、重采样后的预设空间分辨率的Landsat-8卫星影像波段1至波段7与Landsat-9卫星影像波段1至波段7、以及预设空间分辨率的Sentinel-2卫星影像波段2、波段3、波段4和波段8输入至拓展的超分辨率卷积神经网络进行多时相图像融合处理，得到目标时空分辨率的融合遥感数据集。
进一步的，所述提取并计算所述目标时空分辨率的融合遥感数据集中的植被变量数据的步骤包括：
筛选出所述目标时空分辨率的融合遥感数据集中每一幅融合影像的红光波段、近红外波段以及短波红外波段；
基于所述每一幅融合影像的红光波段组合得到红光波段时间序列植被变量；
基于所述每一幅融合影像的近红外波段组合得到近红外波段时间序列植被变量；
基于所述每一幅融合影像的短波红外波段组合得到短波红外波段时间序列植被变量；
基于所述红光波段时间序列植被变量、近红外波段时间序列植被变量计算归一化植被指数时间序列，得到植被指数时间序列植被变量。
进一步的，所述获取土壤样本养分实测数据的步骤包括：
获取用户选定区域内各采样点土壤样本基于实验室测定的土壤养分实测数据，其中，所述土壤养分实测数据包括土壤有机碳含量、土壤全氮含量、土壤全磷含量及土壤全钾含量。
进一步的，所述基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型的步骤包括：
基于极端梯度提升树算法构建回归模型，所述回归模型为：
其中，为经纬度(x，y)位置处的土壤有机碳含量预测值，/>为经纬度(x，y)位置处的土壤全氮含量预测值，/>为经纬度(x，y)位置处的土壤全磷含量预测值，为经纬度(x，y)位置处的土壤全钾含量预测值，Rs为红光波段时间序列植被变量，NIRs为近红外波段植被变量，SWIRs为短波红外波段时间序列植被变量，NDVIs为植被指数时间序列植被变量，f1、f2、f3、f4为由极端梯度提升树所构建的非线性函数；
基于遗传算法迭代优化所述回归模型，得到优化后的回归模型；
基于土壤样本养分实测数据与植被变量数据对优化后的回归模型进行训练，得到基于目标植被变量反演土壤养分的目标预测模型。
进一步的，在所述基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型的步骤之后包括：
基于精度评估公式对目标预测模型进行精度评价，得到目标预测模型预测精度对应的均方根误差与决定系数，所述精度评价公式为：
其中，R2为目标预测模型预测精度对应的决定系数，RMSE为目标预测模型预测精度对应的均方根误差，n为土壤样本总数，i代表第i个土壤样本，Pi代表第i个土壤样本土壤养分的预测值，Oi代表第i个土壤样本土壤养分的观测值，代表n个土壤样本土壤养分观测值的平均值。
第二方面，本申请实施例还提供一种土壤养分反演装置，该装置包括：
获取与预处理模块，用于获取原始多光谱卫星影像数据并进行预处理，得到预处理后的原始多光谱卫星影像数据；
数据融合模块，用于基于拓展的超分辨率卷积神经网络融合预处理后的原始多光谱卫星影像数据，得到目标时空分辨率的融合遥感数据集，其中，目标时空分辨率高于原始多光谱卫星影像数据的时空分辨率；
提取模块，用于提取并计算所述目标时空分辨率的融合遥感数据集中的植被变量数据；
确定模块，用于获取土壤样本养分实测数据，并基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型；
预测模块，基于所述目标预测模型预测农作物覆盖区域的土壤养分。
进一步的，所述获取与预处理模块，用于：
获取目标年份的Landsat-8、Landsat-9及Sentinel-2地表反射率数据集；
对目标年份的Landsat-8、Landsat-9及Sentinel-2地表反射率数据集对应的卫星影像数据进行云量筛选与去除；
基于与目标年份相隔预设年份的相同时间点卫星影像数据的平均值对卫星影像数据中的缺失区域进行填充，得到无云的Landsat-8、Landsat-9及Sentinel-2卫星影像数据集；
裁剪无云的Landsat-8、Landsat-9及Sentinel-2卫星影像数据集中用户选定区域的卫星影像数据，得到预处理后的原始多光谱卫星影像数据。
进一步的，所述数据融合模块，用于：
使用最近邻插值方法将Sentinel-2卫星影像波段11和波段12由第一初始空间分辨率重采样到预设空间分辨率；
将重采样后的预设空间分辨率的Sentinel-2卫星影像波段11和波段12，以及预设空间分辨率的Sentinel-2卫星影像波段2、波段3、波段4和波段8输入至拓展的超分辨率卷积神经网络进行自适应图像融合处理，得到降尺度后的预设空间分辨率的Sentinel-2卫星影像波段11与波段12；
使用最近邻插值方法将Landsat-8卫星影像波段1至波段7与Landsat-9卫星影像波段1至波段7由第二初始空间分辨率重采样到预设空间分辨率；
将降尺度后的预设空间分辨率的Sentinel-2卫星影像波段11与波段12、重采样后的预设空间分辨率的Landsat-8卫星影像波段1至波段7与Landsat-9卫星影像波段1至波段7、以及预设空间分辨率的Sentinel-2卫星影像波段2、波段3、波段4和波段8输入至拓展的超分辨率卷积神经网络进行多时相图像融合处理，得到目标时空分辨率的融合遥感数据集。
进一步的，所述提取模块，用于：
筛选出所述目标时空分辨率的融合遥感数据集中每一幅融合影像的红光波段、近红外波段以及短波红外波段；
基于所述每一幅融合影像的红光波段组合得到红光波段时间序列植被变量；
基于所述每一幅融合影像的近红外波段组合得到近红外波段时间序列植被变量；
基于所述每一幅融合影像的短波红外波段组合得到短波红外波段时间序列植被变量；
基于所述红光波段时间序列植被变量、近红外波段时间序列植被变量计算归一化植被指数时间序列，得到植被指数时间序列植被变量。
进一步的，所述确定模块，用于：
获取用户选定区域内各采样点土壤样本基于实验室测定的土壤养分实测数据，其中，所述土壤养分实测数据包括土壤有机碳含量、土壤全氮含量、土壤全磷含量及土壤全钾含量。
进一步的，所述基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型的步骤包括：
基于极端梯度提升树算法构建回归模型，所述回归模型为：
其中，为经纬度(x，y)位置处的土壤有机碳含量预测值，/>为经纬度(x，y)位置处的土壤全氮含量预测值，/>为经纬度(x，y)位置处的土壤全磷含量预测值，为经纬度(x，y)位置处的土壤全钾含量预测值，Rs为红光波段时间序列植被变量，NIRs为近红外波段植被变量，SWIRs为短波红外波段时间序列植被变量，NDVIs为植被指数时间序列植被变量，f1、f2、f3、f4为由极端梯度提升树所构建的非线性函数；
基于遗传算法迭代优化所述回归模型，得到优化后的回归模型；
基于土壤样本养分实测数据与植被变量数据对优化后的回归模型进行训练，得到基于目标植被变量反演土壤养分的目标预测模型。
进一步的，所述土壤养分反演装置包括精度评价模块，用于：
基于精度评估公式对目标预测模型进行精度评价，得到目标预测模型预测精度对应的均方根误差与决定系数，所述精度评价公式为：
其中，R2为目标预测模型预测精度对应的决定系数，RMSE为目标预测模型预测精度对应的均方根误差，n为土壤样本总数，i代表第i个土壤样本，Pi代表第i个土壤样本土壤养分的预测值，Oi代表第i个土壤样本土壤养分的观测值，代表n个土壤样本土壤养分观测值的平均值。
第三方面，本申请实施例还提供一种作物覆盖区域的土壤养分反演设备，所述作物覆盖区域的土壤养分反演设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的作物覆盖区域的土壤养分反演程序，其中所述作物覆盖区域的土壤养分反演程序被所述处理器执行时，实现如上述所述的作物覆盖区域的土壤养分反演方法的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有作物覆盖区域的土壤养分反演程序，其中所述作物覆盖区域的土壤养分反演程序被处理器执行时，实现如上述所述的作物覆盖区域的土壤养分反演方法的步骤。
综上，与现有技术相比，本申请实施例提供的技术方案带来的有益效果至少包括：
本申请实施例提供的一种作物覆盖区域的土壤养分反演方法、装置、设备及介质，采用了拓展的超分辨率卷积神经网络时空数据融合算法，对不同时空分辨率的多光谱遥感影像进行有效融合后，获得了高时空分辨率连续的植被变量数据，在此基础上利用高效的极端梯度提升树回归算法构建植被变量与土壤养分之间的函数关系，进一步地提高了农作物覆盖区土壤养分含量的模型估算精度，实现植被覆盖条件下土壤养分的精确估算。
附图说明
图1为本申请一个实施例提供的作物覆盖区域的土壤养分反演方法的流程示意图。
图2为本申请一个实施例提供的拓展的超分辨率卷积神经网络数据融合的流程示意图。
图3为本申请一个实施例提供的作物覆盖区域的土壤养分反演装置的功能模块示意图。
图4为本申请一个实施例方案中涉及的作物覆盖区域的土壤养分反演设备的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参见图1，本申请实施例提供了作物覆盖区域的土壤养分反演方法，该方法具体包括：
步骤S10，获取原始多光谱卫星影像数据并进行预处理，得到预处理后的原始多光谱卫星影像数据；
步骤S20，基于拓展的超分辨率卷积神经网络融合预处理后的原始多光谱卫星影像数据，得到目标时空分辨率的融合遥感数据集，其中，目标时空分辨率高于原始多光谱卫星影像数据的时空分辨率；
步骤S30，提取并计算所述目标时空分辨率的融合遥感数据集中的植被变量数据；
步骤S40，获取土壤样本养分实测数据，并基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型；
步骤S50，基于所述目标预测模型预测农作物覆盖区域的土壤养分。
本实施例中，在构建基于植被变量反演土壤养分的预测模型之前，会获取多光谱卫星影像数据来确定植被变量数据。其中，多光谱卫星影像数据来源于多颗遥感卫星的地球观测数据，多颗遥感卫星的地球观测数据中，又有可能存在云层遮挡影响地面植被变量监测的情况，因此需要对获取的多光谱卫星影像数据进行预处理，减少对植被变量数据的影响。在得到预处理后的原始多光谱卫星影像数据后，由于不同遥感卫星之间存在时间分辨率和空间空分辨率的不对称，对应的原始多光谱卫星影像数据为时空不连续的多时相卫星影像数据，因此需要对预处理后的多光谱遥感卫星影像数据进行有效融合，来获得时空连续的遥感影像数据集。
现有方案中对多源遥感数据进行重采样来转换空间尺度的方式，会导致高分辨率卫星影像与低分辨率卫星影像进行匹配时损失掉高分辨率的优势。因此本实施例基于拓展的超分辨率卷积神经网络融合预处理后的多光谱遥感卫星影像数据，在不损失高分辨率遥感卫星影像分辨率优势的前提下，提高低分辨率遥感卫星影像的空间分辨率，并基于此获取时空连续的高质量的遥感卫星影像数据集，从而提高农作物覆盖区土壤养分含量估算精度。例如，Landsat-8/9OLI系列传感器卫星影像时间分辨率为8天，空间分辨率为30m，Sentinel-2MSI传感器卫星影像时间分辨率为5天，空间分辨率为10m-60m，利用拓展的超分辨率卷积神经网络的时空数据融合算法，对多时相Landsat-8/9数据与Sentinel-2数据进行有效的空间融合，可以得到无缝的高时空分辨率的植被变量数据，其中，融合后的时间分辨率为2～3天，融合后的空间分辨率为10m，即融合遥感影像数据的目标时空分辨率是要高于原始多光谱卫星影像数据的时空分辨率的。
在融合得到高质量目标时空分辨率的融合遥感数据集后，可以将连续时间序列的融合遥感数据集导入到ENVI 5.3软件中，并基于ENVI 5.3软件中提取并计算出植被变量数据。基于土壤养分与植被生长之间的相互影响机制，在提取得到相应的植被变量数据后，先获取之前基于采样确定的土壤样本养分实测数据。利用高效的机器学习回归算法-极端提升树算法来构建土壤养分与植被变量之间的回归模型，再基于土壤样本养分实测数据与植被变量数据训练该回归模型。同时，基于遗传算法来优化此回归模型，以减小此回归模型的复杂度、提高回归模型的运行效率与精度。最后确定的回归模型为基于植被变量反演土壤养分的目标预测模型，基于该目标预测模型即可预测农作物覆盖区域的土壤养分，从而进一步实现对农作物覆盖区域土壤养分的精确估算。
本实施例方案考虑了土壤养分与植被之间的相互影响关系，利用多光谱遥感影像所提取的植被信息对土壤养分进行回归建模，从而实现植被覆盖条件下土壤养分大面积空间估测。通过上述方式可解决以往基于光学遥感的方法选择在裸土时期利用光谱与土壤表面反射率关系直接建模反演土壤养分，而受限于裸土短暂的窗口期、难以估算农作物覆盖区土壤养分含量的问题。
进一步地，一实施例中，所述获取原始多光谱卫星影像数据并进行预处理，得到预处理后的原始多光谱卫星影像数据的步骤包括：
获取目标年份的Landsat-8、Landsat-9及Sentinel-2地表反射率数据集；
对目标年份的Landsat-8、Landsat-9及Sentinel-2地表反射率数据集对应的卫星影像数据进行云量筛选与去除；
基于与目标年份相隔预设年份的相同时间点卫星影像数据的平均值对卫星影像数据中的缺失区域进行填充，得到无云的Landsat-8、Landsat-9及Sentinel-2卫星影像数据集；
裁剪无云的Landsat-8、Landsat-9及Sentinel-2卫星影像数据集中用户选定区域的卫星影像数据，得到预处理后的原始多光谱卫星影像数据。
本实施例中，原始多光谱卫星影像数据包括Landsat-8遥感卫星、Landsat-9遥感卫星及Sentinel-2遥感卫星的影像数据，其中，对多光谱遥感卫星影像数据的获取和预处理可以基于GEE平台(Google Earth Engine，谷歌地球引擎云计算平台)，其整合了自卫星、飞机以及其他传感器的各种地球观测数据，能够在云端快速处理和分析大规模数据、并且数据与代码对用户公开。在获取原始多光谱影像数据之前，会先确定用户选定研究的目标年份与农作物区域。先获取目标年份的Landsat-8、Landsat-9及Sentinel-2地表反射率数据集，再对目标年份的Landsat-8、Landsat-9及Sentinel-2地表反射率数据集对应的卫星影像数据进行云量筛选与去除，以减少对植被变量数据的影响。再基于与目标年份相隔预设年份(如相近3年内)的相同时间点卫星影像数据的平均值对卫星影像数据中的缺失区域进行填充，得到无云的Landsat-8、Landsat-9及Sentinel-2卫星影像数据集，裁剪无云的Landsat-8、Landsat-9及Sentinel-2卫星影像数据集中用户选定区域的卫星影像数据，即可得到预处理后的原始多光谱卫星影像数据。
进一步地，一实施例中，所述基于拓展的超分辨率卷积神经网络融合预处理后的原始多光谱卫星影像数据，得到目标时空分辨率的融合遥感数据集的步骤包括：
使用最近邻插值方法将Sentinel-2卫星影像波段11和波段12由第一初始空间分辨率重采样到预设空间分辨率；
将重采样后的预设空间分辨率的Sentinel-2卫星影像波段11和波段12，以及预设空间分辨率的Sentinel-2卫星影像波段2、波段3、波段4和波段8输入至拓展的超分辨率卷积神经网络进行自适应图像融合处理，得到降尺度后的预设空间分辨率的Sentinel-2卫星影像波段11与波段12；
使用最近邻插值方法将Landsat-8卫星影像波段1至波段7与Landsat-9卫星影像波段1至波段7由第二初始空间分辨率重采样到预设空间分辨率；
将降尺度后的预设空间分辨率的Sentinel-2卫星影像波段11与波段12、重采样后的预设空间分辨率的Landsat-8卫星影像波段1至波段7与Landsat-9卫星影像波段1至波段7、以及预设空间分辨率的Sentinel-2卫星影像波段2、波段3、波段4和波段8输入至拓展的超分辨率卷积神经网络进行多时相图像融合处理，得到目标时空分辨率的融合遥感数据集。
本实施例中，通过构建植被变量与土壤养分的函数关系来反演估算土壤养分，因此采用拓展的超分辨率卷积神经网络模型对Sentinel-2卫星影像波段2、波段3、波段4、波段8、波段11和波段12，Landsat-8卫星影像波段1至波段7与Landsat-9卫星影像波段1至波段7对应的影像数据进行融合，得到目标时空分辨率的融合遥感数据集。其中，Sentinel-2卫星影像波段2、波段3、波段4、波段8、波段11、波段12与Landsat卫星影像的波段1-7的波段范围分别相对应，且上述波段与植被信息有关，可以代表植被变量。
拓展的超分辨率卷积神经网络模型中每个神经元为遥感影像特征，用于处理遥感影像融合任务，可以利用不同分辨率的遥感影像之间的信息关联进行卷积降尺度，将低空间分辨率的遥感影像提升至高空间分辨率的遥感影像。参见图2所示，超分辨率卷积神经网络算法模型由两部分模型结构构成，第一模型结构与第二模型结构的内部构造一致，均是采用2层卷积层与2层子采样层，而模型输入不同，第二模型结构的融合处理基于第一个模型的输出基础上进行。
在第一模型结构中，由于Sentinel-2卫星影像波段11和波段12是20m空间分辨率，与其波段2、波段3、波段4、波段8的10m空间分辨率不匹配，因此需要先将Sentinel-2卫星影像的波段2、波段、3、波段4、波段8、波段11和波段12统一至相同的10m高空间分辨率。具体地，使用最近邻插值方法将Sentinel-2卫星影像的波段11和波段12由第一初始空间分辨率(20m空间分辨率)重采样到预设空间分辨率(10m空间分辨率)，再输入重采样后的预设空间分辨率(10m空间分辨率)的Sentinel-2卫星影像波段11和波段12，以及预设空间分辨率(10m空间分辨率)的Sentinel-2卫星影像波段2、波段3、波段4和波段8进行自适应图像融合处理，得到降尺度后的预设空间分辨率(10m空间分辨率)的Sentinel-2卫星影像波段11与波段12。
在第二模型结构中，使用最近邻插值方法将Landsat-8卫星影像波段1至波段7与Landsat-9卫星影像波段1至波段7由第二初始空间分辨率(30m空间分辨率)重采样到预设空间分辨率(10m空间分辨率)，再输入降尺度后的预设空间分辨率(10m空间分辨率)的Sentinel-2卫星影像波段11与波段12、重采样后的预设空间分辨率(10m空间分辨率)的Landsat-8卫星影像波段1至波段7与Landsat-9卫星影像波段1至波段7、以及预设空间分辨率(10m空间分辨率)的Sentinel-2卫星影像波段2、波段3、波段4和波段8进行多时相图像融合处理，得到目标时空分辨率的融合遥感数据集。其中，由于Landsat卫星和Sentinl-2卫星影像空间范围和成像时间不一致，单张影像无法一一对应，因此选用邻近时间段的多张Sentinl-2影像(即多时相图像)对Landsat-8/9进行融合降尺度。其中，第二模型中涉及的是多时相数据，非单张遥感影像的融合，多时相中每一张原始遥感影像都会融合为新的遥感影像。Landsat-8&9卫星原始影像时间分辨率为8天，Sentinel-2原始卫星影像时间分辨率为5天，二者融合后不改变融合前原始卫星影像数目，但是组合起来因为影像数目变多、相同时间同一地区出现的影像频次增多，因此时间分辨率得到了提高，时间分辨率变为2～3天。
通过上述拓展的超分辨率卷积神经网络模型可以得到连续的时间序列数据集，该融合数据集包括多幅融合后的影像所构成的连续数据：融合前的10m的Sentinl-2波段2、波段3、波段4、波段8，融合后的10m的Sentinl-2的波段11、波段12，以及融合后的10m的Landsat8/9波段1-7。最终融合得到的融合遥感数据集，相对于原始Sentinel-2以及原始的Landsat-8&9影像数目都有所增多，同一地区影像重复出现频次增多，时间间隔变短，空间分辨率也得到了提升，所以最终得到的是高时空分辨率的融合遥感数据集。
上述方式采用了拓展的超分辨率卷积神经网络对多光谱遥感影像进行融合，结合了高分辨率与低分辨率多光谱遥感图像信息，降低多源遥感数据空间重采样过程中的偏差与不确定性，为土壤养分的反演建模提供高质量的、连续的植被变量数据，解决了以往利用多光谱遥感反演估算土壤养分受限于影像质量与数量的问题。
进一步地，一实施例中，所述提取并计算所述目标时空分辨率的融合遥感数据集中的植被变量数据的步骤包括：
筛选出所述目标时空分辨率的融合遥感数据集中每一幅融合影像的红光波段、近红外波段以及短波红外波段；
基于所述每一幅融合影像的红光波段组合得到红光波段时间序列植被变量；
基于所述每一幅融合影像的近红外波段组合得到近红外波段时间序列植被变量；
基于所述每一幅融合影像的短波红外波段组合得到短波红外波段时间序列植被变量；
基于所述红光波段时间序列植被变量、近红外波段时间序列植被变量计算归一化植被指数时间序列，得到植被指数时间序列植被变量。
本实施例中，在融合得到高质量目标时空分辨率的融合遥感数据集后，可以将连续时间序列的融合遥感数据集导入到ENVI 5.3软件中，并基于ENVI 5.3软件中提取并计算出植被变量数据。具体地，针对融合遥感数据集中每一幅融合影像筛选出红光波段、近红外波段、短波红外波段，然后将所有植被覆盖时期影像的红光波段、近红外波段、短波红外波段分别组合成3组遥感波段时间序列植被变量，其中，红光波段时间序列植被变量：Rs＝{(Red Band)i}(i＝1，...，n)；近红外波段时间序列植被变量：NIRs＝{(NIR Band)i}(i＝1，...，n)；短波红外波段时间序列植被变量：SWIRs＝{(SWIRBand)i}(i＝1，...，n)。再利用上述所提取的红光和近红外时间序列计算归一化植被指数(NDVI)时间序列，得到植被指数时间序列植被变量：其中，i为第i个年积日，n为农作物覆盖结束或裸土开始的年积日。通过上述方式，可以提取得到融合遥感数据集中的植被变量数据，该植被变量数据可以用于后续确定预测模型中的训练数据。
进一步地，一实施例中，所述获取土壤样本养分实测数据的步骤包括：
获取用户选定区域内各采样点土壤样本基于实验室测定的土壤养分实测数据，其中，所述土壤养分实测数据包括土壤有机碳含量、土壤全氮含量、土壤全磷含量及土壤全钾含量。
本实施例中，在用户选定区域会利用网格与随机采样相结合的方法设置土壤样本的采样点，具体地，设置等间距的网格点，在每一个网格点处随机设置更小间距的亚采样点，最终每一个采样点的土壤样本将由各亚采样样本均匀混合而得，以保证采样数据的统计特征。为了降低采样对农作物的破坏，选定农田无灌溉积水时期进行采样，每一处采样点亚采样最多不超过5例。采样过程中使用GPS记录每个采样点的经纬度信息，用于后续将土壤样本的养分实测数据与采样点位置进行空间连接。土壤采样后，可以以将采集好的土壤样本放入实验室进行除杂、风干、研磨和过筛处理。将上述处理后的土壤样本分成若干等份，分别用于不同养分含量的测定。在获取土壤样本养分实测数据时，直接获取用户选定区域内各采样点土壤样本基于实验室测定的土壤养分实测数据即可。其中，土壤养分实测数据对应有土壤有机碳(SOC)含量、土壤全氮含量(TN)、土壤全磷含量(TP)及土壤全钾含量(TK)等，SOC和TN使用元素分析仪氧化燃烧法进行测定，TP采用NaOH熔融-钼锑抗比色法测定、TK采用NaOH熔融法测定。
进一步地，一实施例中，所述基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型的步骤包括：
基于极端梯度提升树算法构建回归模型，所述回归模型为：
其中，为经纬度(x，y)位置处的土壤有机碳含量预测值，/>为经纬度(x，y)位置处的土壤全氮含量预测值，/>为经纬度(x，y)位置处的土壤全磷含量预测值，为经纬度(x，y)位置处的土壤全钾含量预测值，Rs为红光波段时间序列植被变量，NIRs为近红外波段植被变量，SWIRs为短波红外波段时间序列植被变量，NDVIs为植被指数时间序列植被变量，f1、f2、f3、f4为由极端梯度提升树所构建的非线性函数；
基于遗传算法迭代优化所述回归模型，得到优化后的回归模型；
基于土壤样本养分实测数据与植被变量数据对优化后的回归模型进行训练，得到基于目标植被变量反演土壤养分的目标预测模型。
本实施例中，利用极端梯度提升树算法构建上述步骤制取的植被变量与土壤养分之间的回归模型，其中，极端梯度提升树算法采用了梯度提升决策树的思想，并结合了正则化技术和并行计算优化策略。具体地，极端梯度提升树在梯度提升树的基础上引入了二阶导数信息(Hessian矩阵)，以优化模型在损失函数上的表现，同时利用Shrinkage和ColumnSubsampling技术避免过拟合，最终通过并行计算和压缩存储等优化手段，实现对回归模型高效率的训练和预测。
在利用极端梯度提升树算法构建上述步骤制取的植被变量与土壤养分之间的回归模型后，考虑到植被变量时间序列数据量庞大，并且可能存在变量与变量之间的多重共线性，将影响极端梯度提升树回归模型的运行效率与建模精度，因此本发明采用遗传算法对极端梯度提升树算法所构建的回归模型进行优化，得到优化后的回归模型，通过降低输入的植被变量数据的维数、筛选影响力更大的植被变量以减小模型运行复杂度，提高预测精度。
具体地，基于遗传算法迭代优化所述回归模型，先将土壤养分实测样本相关联的植被变量组合作为优化目标，植被变量数据作为基因，进行二进制编码，随机生成初始群体。通过选定的适应度函数(如适应度函数为PLS交叉校验均方根误差RMSECV)对初始群体中个体的优劣程度进行运算判断，筛选淘汰低适应度的植被变量组合，得到影响力更大的植被变量组合。直到当植被变量组合的适应度达到给定的阈值，其适应度不再上升时，或迭代次数达到预设的代数时，终止运算得到优化后的最优植被变量组合。在得到最优植被变量组合后，再基于优化后的最优植被变量组合，确定优化后的回归模型，基于土壤样本养分实测数据与植被变量数据对优化后的回归模型进行训练，得到基于目标植被变量反演土壤养分的目标预测模型。通过上述方式提高了土壤养分反演模型的运行效率与精度，得到的目标预测模型具有效率高、鲁棒性好、精度高的优点。
具体地，建模与模型优化操作可以包括：将所有植被变量数据以及经过空间投影后的土壤样本采样点经过空间导入ArcGIS 10.8软件中，利用该软件的空间分析工具【多值提取至点】将植被变量数据提取到土壤养分对应的采样点上；将多值提取后的采样点的属性表导出，得到具有因变量(土壤养分)和自变量(植被变量)的数据矩阵文件；利用R语言xgboost包构建极端梯度提升树回归模型，将操作所得数据矩阵导入回归模型中训练；同时利用R语言caret包的gafs()函数编译遗传算法来优化所建立的极端梯度提升树回归模型，以此减小模型的复杂度、提高模型运行效率与精度。
进一步地，一实施例中，在所述基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型的步骤之后包括：
基于精度评估公式对目标预测模型进行精度评价，得到目标预测模型预测精度对应的均方根误差与决定系数，所述精度评价公式为：
其中，R2为目标预测模型预测精度对应的决定系数，RMSE为目标预测模型预测精度对应的均方根误差，n为土壤样本总数，i代表第i个土壤样本，Pi代表第i个土壤样本土壤养分的预测值，Oi代表第i个土壤样本土壤养分的观测值，代表n个土壤样本土壤养分观测值的平均值。
本实施例中，在确定目标预测模型之后，利用精度评价指标决定系数R2与均方根误差RMSE对目标预测模型进行精度评价，以确保模型估算的准确性与可靠性。
本申请实施例还提供一种作物覆盖区域的土壤养分反演装置。
参照图3，作物覆盖区域的土壤养分反演装置第一实施例的功能模块示意图。
本实施例中，所述作物覆盖区域的土壤养分反演装置包括：
获取与预处理模块10，用于获取原始多光谱卫星影像数据并进行预处理，得到预处理后的原始多光谱卫星影像数据；
数据融合模块20，用于基于拓展的超分辨率卷积神经网络融合预处理后的原始多光谱卫星影像数据，得到目标时空分辨率的融合遥感数据集，其中，目标时空分辨率高于原始多光谱卫星影像数据的时空分辨率；
提取模块30，用于提取并计算所述目标时空分辨率的融合遥感数据集中的植被变量数据；
确定模块40，用于获取土壤样本养分实测数据，并基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型；
预测模块50，基于所述目标预测模型预测农作物覆盖区域的土壤养分。
进一步的，所述获取与预处理模块10，用于：
获取目标年份的Landsat-8、Landsat-9及Sentinel-2地表反射率数据集；
对目标年份的Landsat-8、Landsat-9及Sentinel-2地表反射率数据集对应的卫星影像数据进行云量筛选与去除；
基于与目标年份相隔预设年份的相同时间点卫星影像数据的平均值对卫星影像数据中的缺失区域进行填充，得到无云的Landsat-8、Landsat-9及Sentinel-2卫星影像数据集；
裁剪无云的Landsat-8、Landsat-9及Sentinel-2卫星影像数据集中用户选定区域的卫星影像数据，得到预处理后的原始多光谱卫星影像数据。
进一步的，所述数据融合模块20，用于：
使用最近邻插值方法将Sentinel-2卫星影像波段11和波段12由第一初始空间分辨率重采样到预设空间分辨率；
将重采样后的预设空间分辨率的Sentinel-2卫星影像波段11和波段12，以及预设空间分辨率的Sentinel-2卫星影像波段2、波段3、波段4和波段8输入至拓展的超分辨率卷积神经网络进行自适应图像融合处理，得到降尺度后的预设空间分辨率的Sentinel-2卫星影像波段11与波段12；
使用最近邻插值方法将Landsat-8卫星影像波段1至波段7与Landsat-9卫星影像波段1至波段7由第二初始空间分辨率重采样到预设空间分辨率；
将降尺度后的预设空间分辨率的Sentinel-2卫星影像波段11与波段12、重采样后的预设空间分辨率的Landsat-8卫星影像波段1至波段7与Landsat-9卫星影像波段1至波段7、以及预设空间分辨率的Sentinel-2卫星影像波段2、波段3、波段4和波段8输入至拓展的超分辨率卷积神经网络进行多时相图像融合处理，得到目标时空分辨率的融合遥感数据集。
进一步的，所述提取模块30，用于：
筛选出所述目标时空分辨率的融合遥感数据集中每一幅融合影像的红光波段、近红外波段以及短波红外波段；
基于所述每一幅融合影像的红光波段组合得到红光波段时间序列植被变量；
基于所述每一幅融合影像的近红外波段组合得到近红外波段时间序列植被变量；
基于所述每一幅融合影像的短波红外波段组合得到短波红外波段时间序列植被变量；
基于所述红光波段时间序列植被变量、近红外波段时间序列植被变量计算归一化植被指数时间序列，得到植被指数时间序列植被变量。
进一步的，所述确定模块40，用于：
获取用户选定区域内各采样点土壤样本基于实验室测定的土壤养分实测数据，其中，所述土壤养分实测数据包括土壤有机碳含量、土壤全氮含量、土壤全磷含量及土壤全钾含量。
进一步的，所述基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型的步骤包括：
基于极端梯度提升树算法构建回归模型，所述回归模型为：
其中，为经纬度(x，y)位置处的土壤有机碳含量预测值，/>为经纬度(x，y)位置处的土壤全氮含量预测值，/>为经纬度(x，y)位置处的土壤全磷含量预测值，为经纬度(x，y)位置处的土壤全钾含量预测值，Rs为红光波段时间序列植被变量，NIRs为近红外波段植被变量，SWIRs为短波红外波段时间序列植被变量，NDVIs为植被指数时间序列植被变量，f1、f2、f3、f4为由极端梯度提升树所构建的非线性函数；
基于遗传算法迭代优化所述回归模型，得到优化后的回归模型；
基于土壤样本养分实测数据与植被变量数据对优化后的回归模型进行训练，得到基于目标植被变量反演土壤养分的目标预测模型。
进一步的，所述土壤养分反演装置包括精度评价模块，用于：
基于精度评估公式对目标预测模型进行精度评价，得到目标预测模型预测精度对应的均方根误差与决定系数，所述精度评价公式为：
其中，R2为目标预测模型预测精度对应的决定系数，RMSE为目标预测模型预测精度对应的均方根误差，n为土壤样本总数，i代表第i个土壤样本，Pi代表第i个土壤样本土壤养分的预测值，0i代表第i个土壤样本土壤养分的观测值，代表n个土壤样本土壤养分观测值的平均值。
本申请实施例还提供一种作物覆盖区域的土壤养分反演设备，该作物覆盖区域的土壤养分反演设备可以是个人计算机(personal computer，PC)、笔记本电脑、服务器等具有数据处理功能的设备。
参照图4，图4为本申请实施例方案中涉及的作物覆盖区域的土壤养分反演设备的硬件结构示意图。本申请实施例中，作物覆盖区域的土壤养分反演设备可以包括处理器1001(例如中央处理器Central Processing Unit，CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity，WI-FI接口)；存储器1005可以是高速随机存取存储器(random access memory，RAM)，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图4中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
继续参照图4，图4中作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及作物覆盖区域的土壤养分反演程序。其中，处理器1001可以调用存储器1005中存储的作物覆盖区域的土壤养分反演程序，并执行本申请实施例提供的作物覆盖区域的土壤养分反演方法的步骤。
其中，作物覆盖区域的土壤养分反演程序被执行时所实现的方法可参照本申请作物覆盖区域的土壤养分反演方法的各个实施例，此处不再赘述。
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。
以上所述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 (10)
1.一种作物覆盖区域的土壤养分反演方法，其特征在于，所述方法包括：
获取原始多光谱卫星影像数据并进行预处理，得到预处理后的原始多光谱卫星影像数据；
基于拓展的超分辨率卷积神经网络融合预处理后的原始多光谱卫星影像数据，得到目标时空分辨率的融合遥感数据集，其中，目标时空分辨率高于原始多光谱卫星影像数据的时空分辨率；
提取并计算所述目标时空分辨率的融合遥感数据集中的植被变量数据；
获取土壤样本养分实测数据，并基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型；
基于所述目标预测模型预测农作物覆盖区域的土壤养分。
2.根据权利要求1所述的方法，其特征在于，所述获取原始多光谱卫星影像数据并进行预处理，得到预处理后的原始多光谱卫星影像数据的步骤包括：
获取目标年份的Landsat-8、Landsat-9及Sentinel-2地表反射率数据集；
对目标年份的Landsat-8、Landsat-9及Sentinel-2地表反射率数据集对应的卫星影像数据进行云量筛选与去除；
基于与目标年份相隔预设年份的相同时间点卫星影像数据的平均值对卫星影像数据中的缺失区域进行填充，得到无云的Landsat-8、Landsat-9及Sentinel-2卫星影像数据集；
裁剪无云的Landsat-8、Landsat-9及Sentinel-2卫星影像数据集中用户选定区域的卫星影像数据，得到预处理后的原始多光谱卫星影像数据。
3.根据权利要求1所述的方法，其特征在于，所述基于拓展的超分辨率卷积神经网络融合预处理后的原始多光谱卫星影像数据，得到目标时空分辨率的融合遥感数据集的步骤包括：
使用最近邻插值方法将Sentinel-2卫星影像波段11和波段12由第一初始空间分辨率重采样到预设空间分辨率；
将重采样后的预设空间分辨率的Sentinel-2卫星影像波段11和波段12，以及预设空间分辨率的Sentinel-2卫星影像波段2、波段3、波段4和波段8输入至拓展的超分辨率卷积神经网络进行自适应图像融合处理，得到降尺度后的预设空间分辨率的Sentinel-2卫星影像波段11与波段12；
使用最近邻插值方法将Landsat-8卫星影像波段1至波段7与Landsat-9卫星影像波段1至波段7由第二初始空间分辨率重采样到预设空间分辨率；
将降尺度后的预设空间分辨率的Sentinel-2卫星影像波段11与波段12、重采样后的预设空间分辨率的Landsat-8卫星影像波段1至波段7与Landsat-9卫星影像波段1至波段7、以及预设空间分辨率的Sentinel-2卫星影像波段2、波段3、波段4和波段8输入至拓展的超分辨率卷积神经网络进行多时相图像融合处理，得到目标时空分辨率的融合遥感数据集。
4.根据权利要求1所述的方法，其特征在于，所述提取并计算所述目标时空分辨率的融合遥感数据集中的植被变量数据的步骤包括：
筛选出所述目标时空分辨率的融合遥感数据集中每一幅融合影像的红光波段、近红外波段以及短波红外波段；
基于所述每一幅融合影像的红光波段组合得到红光波段时间序列植被变量；
基于所述每一幅融合影像的近红外波段组合得到近红外波段时间序列植被变量；
基于所述每一幅融合影像的短波红外波段组合得到短波红外波段时间序列植被变量；
基于所述红光波段时间序列植被变量、近红外波段时间序列植被变量计算归一化植被指数时间序列，得到植被指数时间序列植被变量。
5.根据权利要求1所述的方法，其特征在于，所述获取土壤样本养分实测数据的步骤包括：
获取用户选定区域内各采样点土壤样本基于实验室测定的土壤养分实测数据，其中，所述土壤养分实测数据包括土壤有机碳含量、土壤全氮含量、土壤全磷含量及土壤全钾含量。
6.根据权利要求1所述的方法，其特征在于，所述基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型的步骤包括：
基于极端梯度提升树算法构建回归模型，所述回归模型为：
其中，为经纬度(x，y)位置处的土壤有机碳含量预测值，/>为经纬度(x，y)位置处的土壤全氮含量预测值，/>为经纬度(x，y)位置处的土壤全磷含量预测值，为经纬度(x，y)位置处的土壤全钾含量预测值，Rs为红光波段时间序列植被变量，NIRs为近红外波段植被变量，SWIRs为短波红外波段时间序列植被变量，NDVIs为植被指数时间序列植被变量，f1、f2、f3、f4为由极端梯度提升树所构建的非线性函数；
基于遗传算法迭代优化所述回归模型，得到优化后的回归模型；
基于土壤样本养分实测数据与植被变量数据对优化后的回归模型进行训练，得到基于目标植被变量反演土壤养分的目标预测模型。
7.根据权利要求1所述的方法，其特征在于，在所述基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型的步骤之后包括：
基于精度评估公式对目标预测模型进行精度评价，得到目标预测模型预测精度对应的均方根误差与决定系数，所述精度评价公式为：
其中，R2为目标预测模型预测精度对应的决定系数，RMSE为目标预测模型预测精度对应的均方根误差，n为土壤样本总数，i代表第i个土壤样本，Pi代表第i个土壤样本土壤养分的预测值，Oi代表第i个土壤样本土壤养分的观测值，代表n个土壤样本土壤养分观测值的平均值。
8.一种作物覆盖区域的土壤养分反演装置，其特征在于，所述装置包括：
获取与预处理模块，用于获取原始多光谱卫星影像数据并进行预处理，得到预处理后的原始多光谱卫星影像数据；
数据融合模块，用于基于拓展的超分辨率卷积神经网络融合预处理后的原始多光谱卫星影像数据，得到目标时空分辨率的融合遥感数据集，其中，目标时空分辨率高于原始多光谱卫星影像数据的时空分辨率；
提取模块，用于提取并计算所述目标时空分辨率的融合遥感数据集中的植被变量数据；
确定模块，用于获取土壤样本养分实测数据，并基于土壤样本养分实测数据与植被变量数据，使用极端梯度提升树算法与遗传算法确定基于植被变量反演土壤养分的目标预测模型；
预测模块，用于基于所述目标预测模型预测农作物覆盖区域的土壤养分。
9.一种作物覆盖区域的土壤养分反演设备，其特征在于，所述设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的作物覆盖区域的土壤养分反演程序，其中所述作物覆盖区域的土壤养分反演程序被所述处理器执行时，实现如权利要求1至7中任一项所述的作物覆盖区域的土壤养分反演方法的步骤。
10.一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作物覆盖区域的土壤养分反演程序，其中所述作物覆盖区域的土壤养分反演程序被处理器执行时，实现如权利要求1至7中任一项所述的作物覆盖区域的土壤养分反演方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310534549.8A CN116580318B (zh) | 2023-05-11 | 2023-05-11 | 作物覆盖区域的土壤养分反演方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310534549.8A CN116580318B (zh) | 2023-05-11 | 2023-05-11 | 作物覆盖区域的土壤养分反演方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116580318A true CN116580318A (zh) | 2023-08-11 |
| CN116580318B CN116580318B (zh) | 2024-01-05 |
Family
ID=87539065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310534549.8A Active CN116580318B (zh) | 2023-05-11 | 2023-05-11 | 作物覆盖区域的土壤养分反演方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116580318B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116879192A (zh) * | 2023-09-07 | 2023-10-13 | 航天宏图信息技术股份有限公司 | 基于卫星遥感数据的水华预测方法、装置、设备及介质 |
| CN117114513A (zh) * | 2023-10-24 | 2023-11-24 | 北京英视睿达科技股份有限公司 | 基于图像的农作物药肥使用评估方法、装置、设备及介质 |
| CN117216724A (zh) * | 2023-08-22 | 2023-12-12 | 北京石油化工学院 | 一种微生物培养过程中多种物质实时检测的方法 |
| CN117688835A (zh) * | 2023-12-11 | 2024-03-12 | 哈尔滨航天恒星数据系统科技有限公司 | 一种土壤养分反演方法、电子设备及存储介质 |
| CN117852417A (zh) * | 2024-03-07 | 2024-04-09 | 环天智慧科技股份有限公司 | 一种基于降尺度的土壤墒情遥感计算方法 |
| CN117688835B (zh) * | 2023-12-11 | 2024-06-04 | 哈尔滨航天恒星数据系统科技有限公司 | 一种土壤养分反演方法、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110046415A (zh) * | 2019-04-08 | 2019-07-23 | 中国科学院南京地理与湖泊研究所 | 一种时空精细化的土壤有机质含量遥感动态反演方法 |
| CN113466143A (zh) * | 2021-07-01 | 2021-10-01 | 中煤航测遥感集团有限公司 | 土壤养分反演方法、装置、设备及介质 |
| CN114511170A (zh) * | 2021-09-13 | 2022-05-17 | 杭州领见数字农业科技有限公司 | 一种基于多光谱影像的土壤养分估计方法及装置 |
-
2023
- 2023-05-11 CN CN202310534549.8A patent/CN116580318B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110046415A (zh) * | 2019-04-08 | 2019-07-23 | 中国科学院南京地理与湖泊研究所 | 一种时空精细化的土壤有机质含量遥感动态反演方法 |
| CN113466143A (zh) * | 2021-07-01 | 2021-10-01 | 中煤航测遥感集团有限公司 | 土壤养分反演方法、装置、设备及介质 |
| CN114511170A (zh) * | 2021-09-13 | 2022-05-17 | 杭州领见数字农业科技有限公司 | 一种基于多光谱影像的土壤养分估计方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| QIUYUAN TAN 等: "Exploring the Impacts of Data Source, Model Types and Spatial Scales on the Soil Organic Carbon Prediction: A Case Study in the Red Soil Hilly Region of Southern China", REMOTE SENSING, no. 14, pages 1 - 21 * |
| 刘原华 等: "植被指数在GNSS-R 土壤湿度反演中的应用", 计算机应用, no. 2, pages 33 - 36 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117216724A (zh) * | 2023-08-22 | 2023-12-12 | 北京石油化工学院 | 一种微生物培养过程中多种物质实时检测的方法 |
| CN116879192A (zh) * | 2023-09-07 | 2023-10-13 | 航天宏图信息技术股份有限公司 | 基于卫星遥感数据的水华预测方法、装置、设备及介质 |
| CN116879192B (zh) * | 2023-09-07 | 2023-12-12 | 航天宏图信息技术股份有限公司 | 基于卫星遥感数据的水华预测方法、装置、设备及介质 |
| CN117114513A (zh) * | 2023-10-24 | 2023-11-24 | 北京英视睿达科技股份有限公司 | 基于图像的农作物药肥使用评估方法、装置、设备及介质 |
| CN117688835A (zh) * | 2023-12-11 | 2024-03-12 | 哈尔滨航天恒星数据系统科技有限公司 | 一种土壤养分反演方法、电子设备及存储介质 |
| CN117688835B (zh) * | 2023-12-11 | 2024-06-04 | 哈尔滨航天恒星数据系统科技有限公司 | 一种土壤养分反演方法、电子设备及存储介质 |
| CN117852417A (zh) * | 2024-03-07 | 2024-04-09 | 环天智慧科技股份有限公司 | 一种基于降尺度的土壤墒情遥感计算方法 |
| CN117852417B (zh) * | 2024-03-07 | 2024-06-07 | 环天智慧科技股份有限公司 | 一种基于降尺度的土壤墒情遥感计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116580318B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116580318B (zh) | 作物覆盖区域的土壤养分反演方法、装置、设备及介质 | |
| Li et al. | Spatio-temporal fusion for remote sensing data: An overview and new benchmark | |
| US11751499B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that detects disease in crops | |
| US10838936B2 (en) | Computer-implemented methods, computer readable medium and systems for generating an orchard data model for a precision agriculture platform | |
| US10748081B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that identifies generic anomalies in crops | |
| US10395355B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform | |
| US10410334B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform with a satellite data model | |
| Chen et al. | Predicting individual apple tree yield using UAV multi-source remote sensing data and ensemble learning | |
| US10943173B2 (en) | Computer-implemented methods, computer readable medium and systems for generating a satellite data model for a precision agriculture platform | |
| CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
| CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
| CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
| Zhang et al. | Mapping CO2 fluxes of cypress swamp and marshes in the Greater Everglades using eddy covariance measurements and Landsat data | |
| CN114494909A (zh) | 一种大豆生长季空间分布图的生成方法和系统 | |
| Khan et al. | County-level corn yield prediction using supervised machine learning | |
| Zhai et al. | CatBoost algorithm for estimating maize above-ground biomass using unmanned aerial vehicle-based multi-source sensor data and SPAD values | |
| Liu et al. | Open-air grape classification and its application in parcel-level risk assessment of late frost in the eastern Helan Mountains | |
| CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
| Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
| Sun et al. | Leaf area index remote sensing based on Deep Belief Network supported by simulation data | |
| CN116206210A (zh) | 一种基于NAS-Swin的遥感影像农业大棚提取方法 | |
| CN115527108A (zh) | 一种基于多时相Sentinel-2快速识别水土流失人为扰动地块的方法 | |
| CN113435574A (zh) | 一种卷积神经网络土壤速效钾分析模型构建系统及方法 | |
| CN113408700A (zh) | 一种卷积神经网络土壤碱解氮分析模型构建系统及方法 | |
| Bao et al. | A fine digital soil mapping by integrating remote sensing-based process model and deep learning method in Northeast China |
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 |