CN116597157B - 基于特征光谱变化的植物物候提取方法及装置 - Google Patents
基于特征光谱变化的植物物候提取方法及装置 Download PDFInfo
- Publication number
- CN116597157B CN116597157B CN202310845594.5A CN202310845594A CN116597157B CN 116597157 B CN116597157 B CN 116597157B CN 202310845594 A CN202310845594 A CN 202310845594A CN 116597157 B CN116597157 B CN 116597157B
- Authority
- CN
- China
- Prior art keywords
- plant
- spectrum
- spectral
- test data
- determining
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 224
- 230000008859 change Effects 0.000 title claims abstract description 33
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 230000003595 spectral effect Effects 0.000 claims abstract description 277
- 238000012360 testing method Methods 0.000 claims abstract description 144
- 238000002310 reflectometry Methods 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 6
- 230000035699 permeability Effects 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000002834 transmittance Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 10
- 238000012271 agricultural production Methods 0.000 abstract description 4
- 241000196324 Embryophyta Species 0.000 description 201
- 241000968928 Carex brizoides Species 0.000 description 17
- 241000305612 Erigeron borealis Species 0.000 description 8
- 244000025254 Cannabis sativa Species 0.000 description 7
- 229930002875 chlorophyll Natural products 0.000 description 7
- 235000019804 chlorophyll Nutrition 0.000 description 7
- 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 description 7
- 238000010586 diagram Methods 0.000 description 4
- 235000016709 nutrition Nutrition 0.000 description 4
- 230000035764 nutrition Effects 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000132521 Erigeron Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241001531051 Potentilla chinensis Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 235000005811 Viola adunca Nutrition 0.000 description 1
- 240000009038 Viola odorata Species 0.000 description 1
- 235000013487 Viola odorata Nutrition 0.000 description 1
- 235000002254 Viola papilionacea Nutrition 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003384 imaging method 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
- 230000003287 optical effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000005413 snowmelt Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本公开涉及植物物候期识别领域，提供一种基于特征光谱变化的植物物候提取方法及装置，方法包括：获取同一类型多株待测植物在不同时期的光谱测试数据；预处理光谱测试数据得到不同时期的有效的光谱反射率数据；对各待测植物不同时期的光谱曲线进行一阶求导计算，确定各光谱曲线的一阶导数极值点，将一阶导数极值点作为其所在的光谱曲线的光谱特征点；基于各光谱特征点及各待测植物的实际物候信息，分别确定各待测植物的各物候节点所对应的光谱反射率；根据各待测植物的各物候节点所对应的光谱反射率，确定待测植物所属的类型的各物候期所对应的光谱反射率区间。本公开可有效提高植物物候提取精度，广泛应用于相关科学研究和农业生产管理指导。
Description
技术领域
本公开涉及植物物候期识别技术领域，特别涉及一种基于特征光谱变化的植物物候提取方法及装置。
背景技术
物候观测的出现是为了满足早期农业生长的需求，人们通过记录从冬天到春天、从夏天到秋天不同时期动植物的典型变化信息，确定气候变化的时间节点，以根据该时间节点确定农业上诸如播种、施肥、收获等一系列种植过程的实施时间。
实地物候观测记录叶片形状（叶片展开程度）的变化，往往是基于某一个物种甚至某一个单一植株进行的。然而，虽然实地物候观测对于小范围的局地物候研究十分精确，但从生态系统的观点着眼，单一植物或小面积物种对区域或更大尺度的气候物候研究并不具有充分的代表性，对全球变化的研究也存在一定的局限性。
随着20世纪80年代卫星遥感技术的发展，从外太空开展的对地观测，尤其是利用卫星数据生产的各种连续的全球覆盖的植被指数产品，使大规模的物候研究成为可能。
现有技术中，基于卫星植被指数产品的植被物候提取方法是最早将遥感技术应用于植被物候和植被生态学研究的方法之一(White et al., 2009)。遥感植被指数反映的是绿度(整个冠层的叶面积指数或者叶绿素浓度)，其原理为：植物在生长发育的不同阶段体内叶绿素含量会发生变化，对应的归一化植被指数从红波段和近红外波段差与和的比值也会发生相应改变，从而产生具有年度特征的归一化植被指数（NormalizedDifferenceVegetation Index，NDVI）曲线。基于卫星植被指数产品的植被物候提取方法主要通过检测NDVI数据的年内变化，确定春季最大变化率，得到植被物候活跃生长时间点，以此作为春季物候的标志时期。
然而，由于NDVI数据依据的遥感影像数据在成像过程中会受到云层、冰雪等因素的影响，因此，在一些具有冻土或者冰雪覆盖区域，植被指数产品可能会出现一定偏差，其所反映的可能不完全为植被信息。此时，针对冬季积雪区域，利用前述植被物候提取方法计算得到的数据可能提取到的是冰雪融化物候而不是植被春季萌发物候，从而造成估算上的偏差，无法准确反映自然植被生长周期、农作物长势和营养信息等。
发明内容
本公开旨在至少解决现有技术中存在的问题之一，提供一种基于特征光谱变化的植物物候提取方法及装置。
本公开的一个方面，提供了一种基于特征光谱变化的植物物候提取方法，所述方法包括：
获取同一类型的多株待测植物在不同时期的光谱测试数据；
对所述光谱测试数据进行预处理，得到各株所述待测植物在不同时期的有效的光谱反射率数据；
分别对各株所述待测植物在不同时期的所述光谱反射率数据对应的光谱曲线进行一阶求导计算，确定各个所述光谱曲线的一阶导数极值点，将所述一阶导数极值点作为其所在的所述光谱曲线的光谱特征点；
基于各个所述光谱特征点以及各株所述待测植物的实际物候信息，分别确定各株所述待测植物的各个物候节点所对应的光谱反射率；
根据各株所述待测植物的各个所述物候节点所对应的光谱反射率，确定所述待测植物所属的类型的各个物候期所对应的光谱反射率区间。
可选地，所述分别对各株所述待测植物在不同时期的所述光谱反射率数据对应的光谱曲线进行一阶求导计算，包括：
利用下式所示的一阶导数公式，分别对各个所述光谱曲线进行一阶求导计算：
其中，L表示所述光谱反射率数据对应的光谱图像所获得的能量且满足，ρ表示所述待测植物的光谱反射率，T表示大气透过率，E表示太阳辐照度，L p 表示程辐射，λ表示波长。
可选地，所述确定各个所述光谱曲线的一阶导数极值点，将所述一阶导数极值点作为其所在的所述光谱曲线的光谱特征点，包括：
基于所述一阶导数，分别确定各个所述光谱曲线对应的一阶导数曲线；
分别确定各个所述一阶导数曲线的极大值点；
分别确定各个所述极大值点所对应的所述光谱曲线上的波长位置，将各个所述光谱曲线在对应的所述波长位置的点，作为所述光谱曲线的所述光谱特征点。
可选地，所述基于各个所述光谱特征点以及各株所述待测植物的实际物候信息，分别确定各株所述待测植物的各个物候节点所对应的光谱反射率，包括：
根据所述实际物候信息，分别确定各个所述光谱曲线所对应的物候节点；
将各个所述光谱曲线的所述光谱特征点对应的光谱反射率，确定为各个所述光谱曲线对应的所述物候节点所对应的光谱反射率。
可选地，所述根据各株所述待测植物的各个所述物候节点所对应的光谱反射率，确定所述待测植物所属的类型的各个物候期所对应的光谱反射率区间，包括：
根据各株所述待测植物的各个所述物候节点所对应的光谱反射率，确定所述待测植物所属的类型在各个所述物候节点的光谱反射率阈值；
根据所述待测植物所属的类型在各个所述物候节点的光谱反射率阈值以及各个所述物候节点所处的物候期，确定所述待测植物所属的类型在各个物候期所对应的光谱反射率区间。
可选地，在得到所述待测植物所属的类型在各个物候期所对应的光谱反射率区间之后，所述方法还包括：
获取与所述待测植物同一类型的待判定植物对应的实际光谱反射率；
确定所述实际光谱反射率所处的所述光谱反射率区间；
将所述实际光谱反射率所处的所述光谱反射率区间对应的物候期，确定为所述待判定植物对应的实际物候期。
可选地，所述获取同一类型的多株待测植物在不同时期的光谱测试数据，包括：
选取同一类型的多株所述待测植物，分别对各株所述待测植物打标签标记；
在所述不同时期的预设时间段，利用地物光谱仪分别对白板和打标签标记后的各株所述待测植物进行预设次数的光谱测试，得到白板测试数据及其对应的所述光谱测试数据。
可选地，所述对所述光谱测试数据进行预处理，得到各株所述待测植物在不同时期的有效的光谱反射率数据，包括：
去除所述白板测试数据及其对应的所述光谱测试数据中的无效数据，得到有效的所述白板测试数据及其对应的所述光谱测试数据；
利用有效的所述白板测试数据对其对应的所述光谱测试数据进行校正，得到有效的所述光谱反射率数据。
可选地，所述利用有效的所述白板测试数据对其对应的所述光谱测试数据进行校正，得到有效的所述光谱反射率数据，包括：
将有效的所述光谱测试数据转换为对应的DN值；
利用下式所示的校正公式对所述DN值进行校正，得到有效的所述光谱反射率数据：
其中，Pref表示有效的所述光谱反射率数据，DN表示所述DN值，Pck表示所述DN值对应的所述光谱测试数据所对应的所述白板测试数据。
本公开的另一个方面，提供了一种基于特征光谱变化的植物物候提取装置，所述装置包括：
获取模块，用于获取同一类型的多株待测植物在不同时期的光谱测试数据；
预处理模块，用于对所述光谱测试数据进行预处理，得到各株所述待测植物在不同时期的有效的光谱反射率数据；
计算模块，用于分别对各株所述待测植物在不同时期的所述光谱反射率数据对应的光谱曲线进行一阶求导计算，确定各个所述光谱曲线的一阶导数极值点，将所述一阶导数极值点作为其所在的所述光谱曲线的光谱特征点；
第一确定模块，用于基于各个所述光谱特征点以及各株所述待测植物的实际物候信息，分别确定各株所述待测植物的各个物候节点所对应的光谱反射率；
第二确定模块，用于根据各株所述待测植物的各个所述物候节点所对应的光谱反射率，确定所述待测植物所属的类型的各个物候期所对应的光谱反射率区间。
可选地，所述计算模块，用于分别对各株所述待测植物在不同时期的所述光谱反射率数据对应的光谱曲线进行一阶求导计算，包括：
所述计算模块，用于利用下式所示的一阶导数公式，分别对各个所述光谱曲线进行一阶求导计算：
其中，L表示所述光谱反射率数据对应的光谱图像所获得的能量且满足，ρ表示所述待测植物的光谱反射率，T表示大气透过率，E表示太阳辐照度，L p 表示程辐射，λ表示波长。
可选地，所述计算模块，用于所述确定各个所述光谱曲线的一阶导数极值点，将所述一阶导数极值点作为其所在的所述光谱曲线的光谱特征点，包括：
所述计算模块，用于：
基于所述一阶导数，分别确定各个所述光谱曲线对应的一阶导数曲线；
分别确定各个所述一阶导数曲线的极大值点；
分别确定各个所述极大值点所对应的所述光谱曲线上的波长位置，将各个所述光谱曲线在对应的所述波长位置的点，作为所述光谱曲线的所述光谱特征点。
可选地，所述第一确定模块，用于基于各个所述光谱特征点以及各株所述待测植物的实际物候信息，分别确定各株所述待测植物的各个物候节点所对应的光谱反射率，包括：
所述第一确定模块，用于：
根据所述实际物候信息，分别确定各个所述光谱曲线所对应的物候节点；
将各个所述光谱曲线的所述光谱特征点对应的光谱反射率，确定为各个所述光谱曲线对应的所述物候节点所对应的光谱反射率。
可选地，所述第二确定模块，用于根据各株所述待测植物的各个所述物候节点所对应的光谱反射率，确定所述待测植物所属的类型的各个物候期所对应的光谱反射率区间，包括：
所述第二确定模块，用于：
根据各株所述待测植物的各个所述物候节点所对应的光谱反射率，确定所述待测植物所属的类型在各个所述物候节点的光谱反射率阈值；
根据所述待测植物所属的类型在各个所述物候节点的光谱反射率阈值以及各个所述物候节点所处的物候期，确定所述待测植物所属的类型在各个物候期所对应的光谱反射率区间。
可选地，所述装置还包括判定模块，所述判定模块，用于：
获取与所述待测植物同一类型的待判定植物对应的实际光谱反射率；
确定所述实际光谱反射率所处的所述光谱反射率区间；
将所述实际光谱反射率所处的所述光谱反射率区间对应的物候期，确定为所述待判定植物对应的实际物候期。
可选地，所述获取模块，用于获取同一类型的多株待测植物在不同时期的光谱测试数据，包括：
所述获取模块，用于：
选取同一类型的多株所述待测植物，分别对各株所述待测植物打标签标记；
在所述不同时期的预设时间段，利用地物光谱仪分别对白板和打标签标记后的各株所述待测植物进行预设次数的光谱测试，得到白板测试数据及其对应的所述光谱测试数据。
可选地，所述预处理模块，用于对所述光谱测试数据进行预处理，得到各株所述待测植物在不同时期的有效的光谱反射率数据，包括：
所述预处理模块，用于：
去除所述白板测试数据及其对应的所述光谱测试数据中的无效数据，得到有效的所述白板测试数据及其对应的所述光谱测试数据；
利用有效的所述白板测试数据对其对应的所述光谱测试数据进行校正，得到有效的所述光谱反射率数据。
可选地，所述预处理模块，用于利用有效的所述白板测试数据对其对应的所述光谱测试数据进行校正，得到有效的所述光谱反射率数据，包括：
所述预处理模块，用于：
将有效的所述光谱测试数据转换为对应的DN值；
利用下式所示的校正公式对所述DN值进行校正，得到有效的所述光谱反射率数据：
其中，Pref表示有效的所述光谱反射率数据，DN表示所述DN值，Pck表示所述DN值对应的所述光谱测试数据所对应的所述白板测试数据。
本公开的另一个方面，提供了一种电子设备，包括：
至少一个处理器；以及，
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前文记载的基于特征光谱变化的植物物候提取方法。
本公开的另一个方面，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现前文记载的基于特征光谱变化的植物物候提取方法。
本公开实施例相对于现有技术而言，利用待测植物的特征光谱曲线变化结合实际物候信息进行植物物候期判断和提取，不仅有效提高了植物物候提取精度，使得植物物候提取结果能够准确反映自然植被生长周期和农作物长势和营养信息等，还可将植物物候提取结果广泛应用于植被生态系统对气候变化的响应机制研究、植被生态系统结构和碳循环的改变研究，并在农业方面为农业生产管理指导等提供更加准确的大尺度的科学数据。
附图说明
一个或多个实施方式通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施方式的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1为本公开一实施方式提供的一种基于特征光谱变化的植物物候提取方法的流程图；
图2为本公开另一实施方式提供的健康绿色植被的光谱曲线示意图；
图3为本公开另一实施方式提供的光谱曲线及其对应的一阶导数曲线的示意图；
图4为本公开另一实施方式提供的一种基于特征光谱变化的植物物候提取装置的结构示意图；
图5为本公开另一实施方式提供的电子设备的结构示意图。
具体实施方式
为使本公开实施方式的目的、技术方案和优点更加清楚，下面将结合附图对本公开的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本公开各实施方式中，为了使读者更好地理解本公开而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本公开所要求保护的技术方案。以下各个实施方式的划分是为了描述方便，不应对本公开的具体实现方式构成任何限定，各个实施方式在不矛盾的前提下可以相互结合相互引用。
本公开的一个实施方式涉及一种基于特征光谱变化的植物物候提取方法，其流程如图1所示，包括：
步骤S110，获取同一类型的多株待测植物在不同时期的光谱测试数据。
具体的，待测植物的类型可以是高山嵩草、钉柱委陵菜等自然生长的植物，也可以是小麦、水稻等农作物，本实施方式对此并不限制。
需要说明的是，本实施方式并不限制获取同一类型的多株待测植物在不同时期的光谱测试数据的具体方法。例如，步骤S110可以通过地物光谱仪获取光谱测试数据，也可以通过接收用户输入的相关数据获取光谱测量数据。
优选的，步骤S110包括：选取同一类型的多株待测植物，分别对各株待测植物打标签标记；在不同时期的预设时间段，利用地物光谱仪分别对白板和打标签标记后的各株待测植物进行预设次数的光谱测试，得到白板测试数据及其对应的光谱测试数据。
具体的，在对各株待测植物打标签标记时，可以将各个标记分别置于各株待测植物旁边的适当位置，以确保不同时期的光谱测试能够分别针对所选取的多株待测植物进行。
预设的时间段可以是晴朗无云、风力较小且风向稳定的时间段，以将云层、风力等对光谱测试的影响降低到最小。
单次光谱测试过程包括：将地物光谱仪的光谱探头设置在与太阳照射方向迎面的位置处，先令光谱探头面向白板，对白板进行光谱测试，之后，令光谱探头分别面向各株待测植物，且令光谱探头与各株待测植物的垂直距离小于距离阈值如20厘米，以排除待测植物之外的其他植物的干扰，确保各株待测植物在进行光谱测试时的完整性，在此基础上分别对各株待测植物进行光谱测试。
需要说明的是，为了降低误差，可以通过多次测量求平均值的方式得到最终的白板测试数据及其对应的光谱测试数据。具体的，在利用地物光谱仪分别对白板和各株待测植物进行光谱测试时，可以在同一时期内将上述单次光谱测试过程连续重复预设次数如至少5次，之后将各次光谱测试过程所得的白板测试数据的平均值作为最终的白板测试数据，同时将各次光谱测试过程所得的同一株待测植物的光谱测试数据的平均值作为对应株待测植物最终的光谱测试数据。
需要进一步说明的是，若对待测植物进行光谱测试时的天气状况、太阳、云层等相对于对白板进行光谱测试时发生变化，则需要重新对白板进行光谱测试，之后再对待测植物进行光谱测试，以进一步降低误差。
步骤S120，对光谱测试数据进行预处理，得到各株待测植物在不同时期的有效的光谱反射率数据。
具体的，预处理过程用于利用各株待测植物的光谱测试数据得到各株待测植物的有效的光谱反射率数据，以进一步排除干扰，降低误差。
示例性的，步骤S120包括：去除白板测试数据及其对应的光谱测试数据中的无效数据，得到有效的白板测试数据及其对应的光谱测试数据。利用有效的白板测试数据对其对应的光谱测试数据进行校正，得到有效的光谱反射率数据。
具体的，这里的无效数据包括但不限于光谱测试过程中因人为或天气等问题导致的明显异于其他数据的光谱数据。在去除无效数据时，可以通过人工比对方式实现，也可以通过光谱曲线比对方式或其他方式实现，本实施方式对此并不限制，只要能够去除白板测试数据及其对应的光谱测试数据中的无效数据即可。其中，光谱曲线比对方式去除无效数据，是指通过将白板测试数据或光谱测试数据所分别对应的光谱曲线与对应标准的光谱曲线进行比对，将趋势变化明显不一致位置处对应的白板测试数据或光谱测试数据去除。
通过去除无效数据，可进一步剥离云层、冰雪等噪音对植物物候信息提取造成的混淆，从而进一步提高植物物候提取精度。
示例性的，利用有效的白板测试数据对其对应的光谱测试数据进行校正，得到有效的光谱反射率数据，包括：将有效的光谱测试数据转换为对应的DN值；利用下式所示的校正公式对DN值进行校正，得到有效的光谱反射率数据：
其中，Pref表示有效的光谱反射率数据，DN表示DN值，Pck表示DN值对应的光谱测试数据所对应的白板测试数据。
具体的，这里的DN值（Digital Number）用于表征待测植物的灰度值，可利用地物光谱仪将各株待测植物的有效的光谱测试数据转换获得。光谱测试数据所对应的白板测试数据，指的是与光谱测试数据同一时期的白板测试数据。
分别将各个时期各株待测植物对应的DN值及该DN值对应的白板测试数据代入上述校正公式，即可得到各株待测植物在各个时期分别对应的有效的光谱反射率数据，从而在此基础上即可得到各株待测植物在各个时期分别对应的光谱曲线，以根据光谱曲线对各株待测植物的特征谱段进行分析。
步骤S130，分别对各株待测植物在不同时期的光谱反射率数据对应的光谱曲线进行一阶求导计算，确定各个光谱曲线的一阶导数极值点，将一阶导数极值点作为其所在的光谱曲线的光谱特征点。
具体的，将横坐标设置为可见光波长，纵坐标设置为待测植物的光谱反射率，基于待测植物的光谱反射率数据即可绘制得到待测植物的光谱曲线。如图2所示，健康的绿色植物具有其独特的反射光谱特征曲线。在可见光的蓝紫光波段，植被的光谱反射率较低，一般低于0.1；在可见光的绿光波段，植被叶片中的叶绿素会强烈反射绿光波段的电磁波，在反射光谱特征曲线中形成一个小的反射峰，称为“绿峰”；随着波长向长波方向移动，植被强烈吸收红光谱段的电磁波，反射率迅速下降，670nm～680nm波长区间，在反射光谱特征曲线中形成一个很深的吸收谷，称为“红谷”；进入可见光的红外区间，植被的光谱反射率急剧上升，到800nm波长附近达到顶峰，称为“红外肩”，反射光谱特征曲线在该红外区间的相应位置处形成略向长波方向倾斜、波状起伏的高反射平台，称作“红外平台”。由于红谷和红外平台的综合作用，这段红外区间的光谱反射率曲线十分陡峻，几乎表现为近似垂直的直线，称为红边，此即植被著名的红外陡坡效应。
红外肩是监测植被叶绿素含量变化最敏感的部位，因此，通过对待测植物在不同时期的光谱反射率数据对应的光谱曲线的一阶导数变换，即可通过一阶导数中极值点的位置判断红外肩的具体位置。
示例性的，步骤S130中，分别对各株待测植物在不同时期的光谱反射率数据对应的光谱曲线进行一阶求导计算，包括：利用下式所示的一阶导数公式，分别对各个光谱曲线进行一阶求导计算：
其中，L表示光谱反射率数据对应的光谱图像所获得的能量且满足，ρ表示待测植物的光谱反射率，T表示大气透过率，E表示太阳辐照度，L p 表示程辐射，λ表示波长。
具体的，步骤S130可以通过完整的遥感图像处理平台（The Environment forVisualizing Images，ENVI）等软件或者通过其他方式对各株待测植物在不同时期的光谱反射率数据对应的光谱曲线进行公式拟合，利用上述一阶导数公式对各光谱曲线进行一阶求导计算，以消除部分大气效应，辅助确定待测植物的特征光谱位置。
举例而言，将待测植物的类型选取为高山嵩草，基于2022年的6月16日（16thJune）和7月28日（28th July）两个时期分别对青藏高原上的同一株高山嵩草进行光谱测试所得的光谱测试数据，得到的该株高山嵩草分别在对应日期的有效的光谱反射率数据及其对应光谱曲线的一阶导数如下表1所示（由于篇幅限制，表1仅节选了部分数据）。表1中的波长即指可见光波长，反射率1指高山嵩草在2022年6月16日的光谱反射率，反射率2指高山嵩草在2022年7月28日的光谱反射率，相应的，一阶导数1即指对高山嵩草在2022年6月16日的光谱反射率曲线进行一阶求导计算得到的与光谱反射率相对应的一阶导数，一阶导数2即指对高山嵩草在2022年7月28日的光谱反射率曲线进行一阶求导得到的与光谱反射率相对应的一阶导数。
表1 不同时期高山嵩草的光谱反射率数据及其对应光谱曲线的一阶导数
续表1 不同时期高山嵩草的光谱反射率数据及其对应光谱曲线的一阶导数
示例性的，步骤S130中，确定各个光谱曲线的一阶导数极值点，将一阶导数极值点作为其所在的光谱曲线的光谱特征点，包括：基于一阶导数，分别确定各个光谱曲线对应的一阶导数曲线；分别确定各个一阶导数曲线的极大值点；分别确定各个极大值点所对应的光谱曲线上的波长位置，将各个光谱曲线在对应的波长位置的点，作为光谱曲线的光谱特征点。
举例而言，基于上述2022年的6月16日和7月28日两个时期分别对青藏高原上的同一株高山嵩草进行光谱测试所得的光谱测试数据，可得该株高山嵩草在对应日期的光谱曲线如图3中的上图所示，其中，标号1光谱曲线表示高山嵩草在2022年6月16日的光谱反射率对应的光谱曲线，标号2光谱曲线表示高山嵩草在2022年7月28日的光谱反射率对应的光谱曲线。
青藏高原地区的高山嵩草生长季较短，主要集中在5月至9月，其中，6月中上旬为返青期，7月下旬为生长旺盛期，在生长旺盛期，高山嵩草的叶绿素含量达到较高水平，同一株高山嵩草的光谱反射率变化即可指示该高山嵩草的叶绿素含量变化。例如，标号1光谱曲线到标号2光谱曲线的纵坐标位移变化即光谱反射率变化，即可指示高山嵩草在2022年的6月16日至7月28日期间的叶绿素含量变化，对应高山嵩草在一年生长周期中的物候相从返青期进入生长旺盛期。
相应的，利用上述一阶导数公式对图3中的上图所示的各光谱曲线进行一阶求导计算，即可得到各光谱曲线的一阶导数，从而根据各光谱曲线的一阶导数即可绘制得到对应的一阶导数曲线如图3中的下图所示，其中，图3下图中的标号1一阶导数曲线表示图3上图中的标号1光谱曲线对应的一阶导数曲线，图3下图中的标号2一阶导数曲线表示图3上图中的标号2光谱曲线对应的一阶导数曲线。一阶导数曲线能够反映光谱曲线的变化状态。由图3可知，波长550nm附近两个时期的一阶导数曲线波动有明显差异，波长700nm处两个时期的一阶导数曲线均取得极大值，且不同时期的极大值明显不同，说明波长550nm附近以及波长700nm处两个时期的光谱曲线具有不同的变化状态；而在波长550nm附近以及波长700nm处之外的其他部分波长位置，两个时期的一阶导数曲线几乎重叠，说明相应波长位置处两个时期的光谱曲线变化基本一致。
如图3所示，图3中下图所示的标号1一阶导数曲线和标号2一阶导数曲线分别在点A和点B处取得极大值，即点A和点B分别为标号1一阶导数曲线和标号2一阶导数曲线的极大值点，据此，标号1一阶导数曲线和标号2一阶导数曲线的极大值点所对应的光谱曲线上的波长位置即为点A和点B所对应的波长位置即波长700nm处，在此基础上，将图3中上图所示的各光谱曲线在对应波长位置处的点即标号1光谱曲线和标号2光谱曲线在波长700nm处的点，作为对应光谱曲线的光谱特征点，即将标号1光谱曲线在波长700nm处的点A'作为该标号1光谱曲线的光谱特征点，将标号2光谱曲线在波长700nm处的点B'作为该标号2光谱曲线的光谱特征点。
通过利用各光谱曲线对应的一阶导数曲线的极大值点确定各光谱曲线的光谱特征点，可以使各光谱特征点的位置确定更加准确，从而进一步提高植物物候提取的精度。
步骤S140，基于各个光谱特征点以及各株待测植物的实际物候信息，分别确定各株待测植物的各个物候节点所对应的光谱反射率。
具体的，各株待测植物的实际物候信息，可以在对各株待测植物分别进行光谱测试的同时，通过人工调查观测并记录植物物候相获得。
示例性的，步骤S140包括：根据实际物候信息，分别确定各个光谱曲线所对应的物候节点；将各个光谱曲线的光谱特征点对应的光谱反射率，确定为各个光谱曲线对应的物候节点所对应的光谱反射率。
举例而言，一并结合上表1和图3，当作为待测植物的高山嵩草的实际物候信息包括6月中上旬为返青期、7月下旬为生长旺盛期时，标号1光谱曲线上的光谱特征点A'对应的物候节点即为返青期物候节点，标号2光谱曲线上的光谱特征点B'对应的物候节点即为生长旺盛期物候节点。在此情况下，由于光谱特征点A'对应的光谱反射率为7.9093，光谱特征点B'对应的光谱反射率为8.9737，因此，光谱特征点A'对应的物候节点即返青期物候节点所对应的光谱反射率即为7.9093，光谱特征点B'对应的物候节点即生长旺盛期物候节点所对应的光谱反射率即为8.9737。
步骤S150，根据各株待测植物的各个物候节点所对应的光谱反射率，确定待测植物所属的类型的各个物候期所对应的光谱反射率区间。
具体的，由于待测植物的各个物候期分别有其各自的物候节点，因此，在得到待测植物各个物候期包括的各个物候节点所分别对应的光谱反射率的基础上，即可得到待测植物所属的类型的各个物候期所分别对应的光谱反射率区间。
示例性的，步骤S150包括：根据各株待测植物的各个物候节点所对应的光谱反射率，确定待测植物所属的类型在各个物候节点的光谱反射率阈值；根据待测植物所属的类型在各个物候节点的光谱反射率阈值以及各个物候节点所处的物候期，确定待测植物所属的类型在各个物候期所对应的光谱反射率区间。
具体的，待测植物所属的类型在各个物候节点的光谱反射率阈值可以设置为各株待测植物在各个物候节点的光谱反射率的平均值。待测植物所属的类型在各个物候期所对应的光谱反射率区间可以通过对应物候期的光谱反射率阈值±标准差的方式确定，也可以通过各株待测植物在各个物候节点的光谱反射率的最小值和最大值确定。其中，标准差指的是各株待测植物在与光谱反射率阈值相对应的物候期所对应的光谱反射率标准差。
举例而言，假设待测植物为5株高山嵩草，且这5株高山嵩草在返青期物候节点所对应的光谱反射率分别为7.9093、7.9092、7.9094、7.9095、7.9091，则可将高山嵩草这一类型的植物在返青期物候节点的光谱反射率阈值确定为这5株高山嵩草在返青期物候节点对应的光谱反射率的平均值即7.9093。类似的，当这5株高山嵩草在生长旺盛期物候节点所对应的光谱反射率分别为8.9737、8.9735、8.9736、8.9739、8.9738时，这5株高山嵩草在生长旺盛期物候节点对应的光谱反射率阈值可确定为这5株高山嵩草在生长旺盛期物候节点对应的光谱反射率的平均值即8.9737。在此基础上，在通过对应物候期的光谱反射率阈值±标准差的方式确定待测植物所属的类型在各个物候期所对应的光谱反射率区间时，分别计算这5株高山嵩草在返青期物候节点和生长旺盛期物候节点对应的光谱反射率的标准差，之后即可通过光谱反射率阈值±标准差的方式得到待测植物高山嵩草在返青期和生长旺盛期所分别对应的光谱反射率区间。而在通过各株待测植物在各个物候节点的光谱反射率的最小值和最大值确定待测植物所属的类型在各个物候期所对应的光谱反射率区间时，待测植物高山嵩草在返青期所对应的光谱反射率区间即为[7.9091，7.9095]，待测植物高山嵩草在生长旺盛期所对应的光谱反射率区间即为[8.9735，8.9739]。
示例性的，在得到待测植物所属的类型在各个物候期所对应的光谱反射率区间之后，基于特征光谱变化的植物物候提取方法还包括：获取与待测植物同一类型的待判定植物对应的实际光谱反射率；确定实际光谱反射率所处的光谱反射率区间；将实际光谱反射率所处的光谱反射率区间对应的物候期，确定为待判定植物对应的实际物候期。
举例而言，假设待判定植物为青藏高原上的另一株高山嵩草，该待判定植物对应的实际光谱反射率为8.2542，则在高山嵩草的返青期对应的光谱反射率区间为[7.9091，7.9095]，生长旺盛期对应的光谱反射率区间为[8.9735，8.9739]时，可以发现：实际光谱反射率8.2542所处的光谱反射率区间介于[7.9091，7.9095] 与[8.9735，8.9739]之间，且与区间[7.9091，7.9095]更为接近，因此，实际光谱反射率8.2542所对应的高山嵩草的物候期即为返青期之后生长旺盛期之前，换句话说，待判定植物在实际光谱反射率为8.2542时对应的实际物候期即为返青期之后生长旺盛期之前。
通过利用光谱反射率区间与植物物候期的对应关系判断同一类型植物的实际物候期，不仅提高了植物物候期判断的准确性，还可有效指导相关科学研究和实际应用。
本公开实施方式相对于现有技术而言，利用待测植物的特征光谱曲线变化结合实际物候信息进行植物物候期判断和提取，不仅有效提高了植物物候提取精度，使得植物物候提取结果能够准确反映自然植被生长周期和农作物长势和营养信息等，还可将植物物候提取结果广泛应用于植被生态系统对气候变化的响应机制研究、植被生态系统结构和碳循环的改变研究，并在农业方面为农业生产管理指导等提供更加准确的大尺度的科学数据。
本公开的另一个实施方式涉及一种基于特征光谱变化的植物物候提取装置，如图4所示，包括：
获取模块401，用于获取同一类型的多株待测植物在不同时期的光谱测试数据；
预处理模块402，用于对光谱测试数据进行预处理，得到各株待测植物在不同时期的有效的光谱反射率数据；
计算模块403，用于分别对各株待测植物在不同时期的光谱反射率数据对应的光谱曲线进行一阶求导计算，确定各个光谱曲线的一阶导数极值点，将一阶导数极值点作为其所在的光谱曲线的光谱特征点；
第一确定模块404，用于基于各个光谱特征点以及各株待测植物的实际物候信息，分别确定各株待测植物的各个物候节点所对应的光谱反射率；
第二确定模块405，用于根据各株待测植物的各个物候节点所对应的光谱反射率，确定待测植物所属的类型的各个物候期所对应的光谱反射率区间。
示例性的，计算模块403用于分别对各株待测植物在不同时期的光谱反射率数据对应的光谱曲线进行一阶求导计算，包括：
计算模块403用于利用下式所示的一阶导数公式，分别对各个光谱曲线进行一阶求导计算：
其中，L表示光谱反射率数据对应的光谱图像所获得的能量且满足，ρ表示待测植物的光谱反射率，T表示大气透过率，E表示太阳辐照度，L p 表示程辐射，λ表示波长。
示例性的，计算模块403用于确定各个光谱曲线的一阶导数极值点，将一阶导数极值点作为其所在的光谱曲线的光谱特征点，包括：
计算模块403用于：基于一阶导数，分别确定各个光谱曲线对应的一阶导数曲线；分别确定各个一阶导数曲线的极大值点；分别确定各个极大值点所对应的光谱曲线上的波长位置，将各个光谱曲线在对应的波长位置的点，作为光谱曲线的光谱特征点。
示例性的，第一确定模块404用于基于各个光谱特征点以及各株待测植物的实际物候信息，分别确定各株待测植物的各个物候节点所对应的光谱反射率，包括：
第一确定模块404用于：根据实际物候信息，分别确定各个光谱曲线所对应的物候节点；将各个光谱曲线的光谱特征点对应的光谱反射率，确定为各个光谱曲线对应的物候节点所对应的光谱反射率。
示例性的，第二确定模块405用于根据各株待测植物的各个物候节点所对应的光谱反射率，确定待测植物所属的类型的各个物候期所对应的光谱反射率区间，包括：
第二确定模块405用于：根据各株待测植物的各个物候节点所对应的光谱反射率，确定待测植物所属的类型在各个物候节点的光谱反射率阈值；根据待测植物所属的类型在各个物候节点的光谱反射率阈值以及各个物候节点所处的物候期，确定待测植物所属的类型在各个物候期所对应的光谱反射率区间。
示例性的，基于特征光谱变化的植物物候提取装置还包括判定模块，判定模块，用于：获取与待测植物同一类型的待判定植物对应的实际光谱反射率；确定实际光谱反射率所处的光谱反射率区间；将实际光谱反射率所处的光谱反射率区间对应的物候期，确定为待判定植物对应的实际物候期。
示例性的，获取模块401用于获取同一类型的多株待测植物在不同时期的光谱测试数据，包括：
获取模块401用于：选取同一类型的多株待测植物，分别对各株待测植物打标签标记；在不同时期的预设时间段，利用地物光谱仪分别对白板和打标签标记后的各株待测植物进行预设次数的光谱测试，得到白板测试数据及其对应的光谱测试数据。
示例性的，预处理模块402用于对光谱测试数据进行预处理，得到各株待测植物在不同时期的有效的光谱反射率数据，包括：
预处理模块402用于：去除白板测试数据及其对应的光谱测试数据中的无效数据，得到有效的白板测试数据及其对应的光谱测试数据；利用有效的白板测试数据对其对应的光谱测试数据进行校正，得到有效的光谱反射率数据。
示例性的，预处理模块402用于利用有效的白板测试数据对其对应的光谱测试数据进行校正，得到有效的光谱反射率数据，包括：
预处理模块402用于：将有效的光谱测试数据转换为对应的DN值；利用下式所示的校正公式对DN值进行校正，得到有效的光谱反射率数据：
其中，Pref表示有效的光谱反射率数据，DN表示DN值，Pck表示DN值对应的光谱测试数据所对应的白板测试数据。
本公开实施方式提供的基于特征光谱变化的植物物候提取装置的具体实现方法，可以参见本公开实施方式提供的基于特征光谱变化的植物物候提取方法所述，此处不再赘述。
本公开实施方式相对于现有技术而言，利用待测植物的特征光谱曲线变化结合实际物候信息进行植物物候期判断和提取，不仅有效提高了植物物候提取精度，使得植物物候提取结果能够准确反映自然植被生长周期和农作物长势和营养信息等，还可将植物物候提取结果广泛应用于植被生态系统对气候变化的响应机制研究、植被生态系统结构和碳循环的改变研究，并在农业方面为农业生产管理指导等提供更加准确的大尺度的科学数据。
本公开的另一个实施方式涉及一种电子设备，如图5所示，包括：
至少一个处理器501；以及，
与至少一个处理器501通信连接的存储器502；其中，
存储器502存储有可被至少一个处理器501执行的指令，指令被至少一个处理器501执行，以使至少一个处理器501能够执行上述实施方式所述的基于特征光谱变化的植物物候提取方法。
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本公开的另一个实施方式涉及一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述实施方式所述的基于特征光谱变化的植物物候提取方法。
即，本领域技术人员可以理解，实现上述实施方式所述方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备（可以是单片机，芯片等）或处理器（processor）执行本公开各个实施方式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（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施方式是实现本公开的具体实施方式，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本公开的精神和范围。
Claims (9)
1.一种基于特征光谱变化的植物物候提取方法，其特征在于，所述方法包括：
获取同一类型的多株待测植物在不同时期的光谱测试数据；
对所述光谱测试数据进行预处理，得到各株所述待测植物在不同时期的有效的光谱反射率数据；
分别对各株所述待测植物在不同时期的所述光谱反射率数据对应的光谱曲线进行一阶求导计算，确定各个所述光谱曲线的一阶导数极值点，将所述一阶导数极值点作为其所在的所述光谱曲线的光谱特征点；
基于各个所述光谱特征点以及各株所述待测植物的实际物候信息，分别确定各株所述待测植物的各个物候节点所对应的光谱反射率；
根据各株所述待测植物的各个所述物候节点所对应的光谱反射率，确定所述待测植物所属的类型的各个物候期所对应的光谱反射率区间；
所述获取同一类型的多株待测植物在不同时期的光谱测试数据，包括：
选取同一类型的多株所述待测植物，分别对各株所述待测植物打标签标记；
在所述不同时期的预设时间段，利用地物光谱仪分别对白板和打标签标记后的各株所述待测植物进行预设次数的光谱测试，得到白板测试数据及其对应的所述光谱测试数据。
2.根据权利要求1所述的方法，其特征在于，所述分别对各株所述待测植物在不同时期的所述光谱反射率数据对应的光谱曲线进行一阶求导计算，包括：
利用下式所示的一阶导数公式，分别对各个所述光谱曲线进行一阶求导计算：
其中，L表示所述光谱反射率数据对应的光谱图像所获得的能量且满足L=T·E·ρ+L p ，ρ表示所述待测植物的光谱反射率，T表示大气透过率，E表示太阳辐照度，L p 表示程辐射，λ表示波长。
3.根据权利要求2所述的方法，其特征在于，所述确定各个所述光谱曲线的一阶导数极值点，将所述一阶导数极值点作为其所在的所述光谱曲线的光谱特征点，包括：
基于所述一阶导数，分别确定各个所述光谱曲线对应的一阶导数曲线；
分别确定各个所述一阶导数曲线的极大值点；
分别确定各个所述极大值点所对应的所述光谱曲线上的波长位置，将各个所述光谱曲线在对应的所述波长位置的点，作为所述光谱曲线的所述光谱特征点。
4.根据权利要求3所述的方法，其特征在于，所述基于各个所述光谱特征点以及各株所述待测植物的实际物候信息，分别确定各株所述待测植物的各个物候节点所对应的光谱反射率，包括：
根据所述实际物候信息，分别确定各个所述光谱曲线所对应的物候节点；
将各个所述光谱曲线的所述光谱特征点对应的光谱反射率，确定为各个所述光谱曲线对应的所述物候节点所对应的光谱反射率。
5.根据权利要求4所述的方法，其特征在于，所述根据各株所述待测植物的各个所述物候节点所对应的光谱反射率，确定所述待测植物所属的类型的各个物候期所对应的光谱反射率区间，包括：
根据各株所述待测植物的各个所述物候节点所对应的光谱反射率，确定所述待测植物所属的类型在各个所述物候节点的光谱反射率阈值；
根据所述待测植物所属的类型在各个所述物候节点的光谱反射率阈值以及各个所述物候节点所处的物候期，确定所述待测植物所属的类型在各个物候期所对应的光谱反射率区间。
6.根据权利要求1所述的方法，其特征在于，在得到所述待测植物所属的类型在各个物候期所对应的光谱反射率区间之后，所述方法还包括：
获取与所述待测植物同一类型的待判定植物对应的实际光谱反射率；
确定所述实际光谱反射率所处的所述光谱反射率区间；
将所述实际光谱反射率所处的所述光谱反射率区间对应的物候期，确定为所述待判定植物对应的实际物候期。
7.根据权利要求1所述的方法，其特征在于，所述对所述光谱测试数据进行预处理，得到各株所述待测植物在不同时期的有效的光谱反射率数据，包括：
去除所述白板测试数据及其对应的所述光谱测试数据中的无效数据，得到有效的所述白板测试数据及其对应的所述光谱测试数据；
利用有效的所述白板测试数据对其对应的所述光谱测试数据进行校正，得到有效的所述光谱反射率数据。
8.根据权利要求7所述的方法，其特征在于，所述利用有效的所述白板测试数据对其对应的所述光谱测试数据进行校正，得到有效的所述光谱反射率数据，包括：
将有效的所述光谱测试数据转换为对应的DN值；
利用下式所示的校正公式对所述DN值进行校正，得到有效的所述光谱反射率数据：
其中，表示有效的所述光谱反射率数据，DN表示所述DN值，/>表示所述DN值对应的所述光谱测试数据所对应的所述白板测试数据。
9.一种基于特征光谱变化的植物物候提取装置，其特征在于，所述装置包括：
获取模块，用于获取同一类型的多株待测植物在不同时期的光谱测试数据；
预处理模块，用于对所述光谱测试数据进行预处理，得到各株所述待测植物在不同时期的有效的光谱反射率数据；
计算模块，用于分别对各株所述待测植物在不同时期的所述光谱反射率数据对应的光谱曲线进行一阶求导计算，确定各个所述光谱曲线的一阶导数极值点，将所述一阶导数极值点作为其所在的所述光谱曲线的光谱特征点；
第一确定模块，用于基于各个所述光谱特征点以及各株所述待测植物的实际物候信息，分别确定各株所述待测植物的各个物候节点所对应的光谱反射率；
第二确定模块，用于根据各株所述待测植物的各个所述物候节点所对应的光谱反射率，确定所述待测植物所属的类型的各个物候期所对应的光谱反射率区间；
所述获取模块，用于获取同一类型的多株待测植物在不同时期的光谱测试数据，包括：
所述获取模块，用于：
选取同一类型的多株所述待测植物，分别对各株所述待测植物打标签标记：
在所述不同时期的预设时间段，利用地物光谱仪分别对自板和打标签标记后的各株所述待测植物进行预设次数的光谱测试，得到自板测试数据及其对应的所述光谱测试数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310845594.5A CN116597157B (zh) | 2023-07-11 | 2023-07-11 | 基于特征光谱变化的植物物候提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310845594.5A CN116597157B (zh) | 2023-07-11 | 2023-07-11 | 基于特征光谱变化的植物物候提取方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116597157A CN116597157A (zh) | 2023-08-15 |
| CN116597157B true CN116597157B (zh) | 2023-09-26 |
Family
ID=87604690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310845594.5A Active CN116597157B (zh) | 2023-07-11 | 2023-07-11 | 基于特征光谱变化的植物物候提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597157B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117571658B (zh) * | 2024-01-16 | 2024-03-26 | 航天宏图信息技术股份有限公司 | 基于vbfp的高原高寒草地物候期监测方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105352895A (zh) * | 2015-11-02 | 2016-02-24 | 北京理工大学 | 高光谱遥感数据植被信息提取方法 |
| CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
| CN114429591A (zh) * | 2022-01-26 | 2022-05-03 | 中国农业科学院草原研究所 | 一种基于机器学习的植被生物量自动监测方法及系统 |
| CN114694020A (zh) * | 2022-03-04 | 2022-07-01 | 新疆农业大学 | 一种棉花蚜虫遥感预报模型的构建方法 |
| CN114782840A (zh) * | 2022-04-20 | 2022-07-22 | 南京农业大学 | 一种基于无人机rgb影像的小麦物候期实时分类方法 |
| CN116091938A (zh) * | 2022-12-29 | 2023-05-09 | 宁波大学 | 一种针对单季稻种植面积的多源遥感监测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
| CN111104858B (zh) * | 2019-11-19 | 2022-07-15 | 浙江大学 | 一种基于形态模型法的大范围作物物候提取方法 |
-
2023
- 2023-07-11 CN CN202310845594.5A patent/CN116597157B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105352895A (zh) * | 2015-11-02 | 2016-02-24 | 北京理工大学 | 高光谱遥感数据植被信息提取方法 |
| CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
| CN114429591A (zh) * | 2022-01-26 | 2022-05-03 | 中国农业科学院草原研究所 | 一种基于机器学习的植被生物量自动监测方法及系统 |
| CN114694020A (zh) * | 2022-03-04 | 2022-07-01 | 新疆农业大学 | 一种棉花蚜虫遥感预报模型的构建方法 |
| CN114782840A (zh) * | 2022-04-20 | 2022-07-22 | 南京农业大学 | 一种基于无人机rgb影像的小麦物候期实时分类方法 |
| CN116091938A (zh) * | 2022-12-29 | 2023-05-09 | 宁波大学 | 一种针对单季稻种植面积的多源遥感监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 近地遥感在森林冠层物候动态监测中的应用;刘帆;王传宽;王兴昌;;应用生态学报(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116597157A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Prabhakara et al. | Evaluating the relationship between biomass, percent groundcover and remote sensing indices across six winter cover crop fields in Maryland, United States | |
| Hmimina et al. | Evaluation of the potential of MODIS satellite data to predict vegetation phenology in different biomes: An investigation using ground-based NDVI measurements | |
| Nigon et al. | Hyperspectral aerial imagery for detecting nitrogen stress in two potato cultivars | |
| Fitzgerald et al. | Measuring and predicting canopy nitrogen nutrition in wheat using a spectral index—The canopy chlorophyll content index (CCCI) | |
| Bauer | Spectral inputs to crop identification and condition assessment | |
| CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
| Zhao et al. | Effect of vertical distribution of crop structure and biochemical parameters of winter wheat on canopy reflectance characteristics and spectral indices | |
| CN108169161A (zh) | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 | |
| CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| Urban et al. | Estimating sowing dates from satellite data over the US Midwest: A comparison of multiple sensors and metrics | |
| CN116597157B (zh) | 基于特征光谱变化的植物物候提取方法及装置 | |
| Leamer et al. | Seasonal changes in reflectance of two wheat cultivars 1 | |
| Dalezios et al. | Remotely sensed methodologies for crop water availability and requirements in precision farming of vulnerable agriculture | |
| CN111882242A (zh) | 一种植被指数在牧草生物量估算研究中的评价方法 | |
| Mokarram et al. | RELATIONSHIP BETWEEN LAND COVER AND VEGETATION INDICES. CASE STUDY: EGHLID PLAIN, FARS PROVINCE, IRAN. | |
| Sabzchi-Dehkharghani et al. | Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing | |
| Zhang et al. | Evaluating maize evapotranspiration using high-resolution UAV-based imagery and FAO-56 dual crop coefficient approach | |
| CN106203673A (zh) | 考虑水分胁迫的农作物生物量遥感估算方法 | |
| Yu et al. | Hyperspectral database prediction of ecological characteristics for grass species of alpine grasslands | |
| Yadav et al. | Estimation of soil moisture through water cloud model using sentinel-1A SAR data | |
| Käfer et al. | Modeling Pinus elliottii growth with multitemporal Landsat data: a study case in southern Brazil | |
| Al-Bakri et al. | Assessment of remote sensing indices for drought monitoring in Jordan | |
| Hong et al. | Comparison of remote sensing and crop growth models for estimating within-field LAI variability | |
| Mihaylov et al. | Tracking The Development Of Six Wheat Varieties Using Infrared Imaging And Image Processing Algorithms | |
| Davenport et al. | Leaf spectral reflectance for nondestructive measurement of plant nutrient status |
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 |