CN116994126A - 基于冠层反射率光谱的作物叶面积指数获取方法及装置 - Google Patents

基于冠层反射率光谱的作物叶面积指数获取方法及装置 Download PDF

Info

Publication number
CN116994126A
CN116994126A CN202310735628.5A CN202310735628A CN116994126A CN 116994126 A CN116994126 A CN 116994126A CN 202310735628 A CN202310735628 A CN 202310735628A CN 116994126 A CN116994126 A CN 116994126A
Authority
CN
China
Prior art keywords
spectrum
leaf area
area index
crop
canopy
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
CN202310735628.5A
Other languages
English (en)
Inventor
孙伟超
刘朔
刘庆杰
项磊
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202310735628.5A priority Critical patent/CN116994126A/zh
Publication of CN116994126A publication Critical patent/CN116994126A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供的基于冠层反射率光谱的作物叶面积指数获取方法及装置，属于遥感技术领域，包括：在待测作物的冠层反射率光谱中确定重要光谱；将重要光谱输入至作物叶面积指数估算模型，获取由作物叶面积指数估算模型输出的待测作物的作物叶面积指数；作物叶面积指数是由作物叶面积指数估算模型根据重要光谱进行计算得到的。本发明提供的基于冠层反射率光谱的作物叶面积指数获取方法及装置，根据农作物的冠层光谱响应特征，通过在作物冠层反射率光谱数据中选择叶面积指数估算的重要光谱，进而利用少量的光谱实现农作物叶面积指数估算，在提高模型精度的同时，降低了模型的复杂度，节省了计算资源，增强了模型的适用性。

Description

基于冠层反射率光谱的作物叶面积指数获取方法及装置
技术领域
本发明涉及遥感技术领域，尤其涉及一种基于冠层反射率光谱的作物叶面积指数获取方法及装置。
背景技术
叶面积指数(Leaf Area Index，LAI)是重要的冠层参数，广泛的应用于农作物产量预估。遥感技术能够对大范围的植被信息进行非破坏性的监测，是一种有效的植被冠层参数估算技术。遥感技术植被LAI估算主要以多光谱遥感技术为主。高光谱遥感结合了多光谱遥感技术和光谱技术，显著提升了光谱测量能力。
高光谱遥感农作物LAI估算，主要有两种方法。一是，利用高光谱遥感数据构建植被指数，根据植被指数与LAI的相关性，利用植被指数估算LAI。另一种是直接利用全谱段的高光谱数据，采用多元回归、机器学习等方法建立LAI估算模型，实现LAI估算。
然而，上述方案难以平衡LAI估算精度和模型复杂度，浪费计算资源，且模型的适用性较低。
发明内容
本发明提供的基于冠层反射率光谱的作物叶面积指数获取方法及装置，用以解决现有技术中难以平衡LAI估算精度和模型复杂度，浪费计算资源，且模型的适用性较低的问题，实现利用少量的重要光谱实现农作物LAI估算，在提高模型精度的同时，降低了模型的复杂度，节省了计算资源，增强了模型的适用性。
本发明提供一种基于冠层反射率光谱的作物叶面积指数获取方法，包括：
在待测作物的冠层反射率光谱中确定重要光谱；
将所述重要光谱输入至作物叶面积指数估算模型，获取由所述作物叶面积指数估算模型输出的所述待测作物的作物叶面积指数；
所述作物叶面积指数是由所述作物叶面积指数估算模型根据所述重要光谱进行计算得到的。
根据本发明提供的一种基于冠层反射率光谱的作物叶面积指数获取方法，在将所述重要光谱输入至作物叶面积指数估算模型之前，还包括：
获取作物多个样本的初始冠层反射率光谱数据和样本叶面积指数；
基于每个样本的初始冠层反射率光谱数据和样本叶面积指数，确定重要光谱区间；
基于所述重要光谱区间，在每个初始冠层反射率光谱数据中确定样本的重要光谱；
将每个样本的重要光谱，以及与所述每个样本光谱对应的样本叶面积指数的组合作为一个样本；
利用多个样本对作物叶面积指数估算模型进行训练。
根据本发明提供的一种基于冠层反射率光谱的作物叶面积指数获取方法，所述利用多个样本对作物叶面积指数估算模型进行训练，包括：
基于所述多个样本，构建训练集和验证集；
将所述训练集中的训练样本输入至所述作物叶面积指数估算模型，以对所述作物叶面积指数估算模型进行训练；
将所述验证集中的验证样本输入至训练后的所述作物叶面积指数估算模型，获取由所述作物叶面积指数估算模型输出的验证样本对应的估算叶面积指数；
利用预设损失函数根据所述验证样本的估算叶面积指数和样本叶面积指数计算损失值；
在所述损失值小于预设阈值，或对所述作物叶面积指数估算模型的训练次数达到预设次数的情况下，所述作物叶面积指数估算模型训练完成。
根据本发明提供的一种基于冠层反射率光谱的作物叶面积指数获取方法，在待测作物的冠层反射率光谱中确定重要光谱，包括：
获取所述待测作物的冠层反射率光谱；
基于待测作物的冠层反射率光谱响应特征，确定作物叶面积指数估算的重要光谱区间；
结合所述重要光谱区间和获取的待测作物的冠层反射率光谱，确定作物叶面积指数估算的重要光谱区间的光谱范围；
从获取的待测作物的冠层反射率光谱中，提取所确定光谱范围中的重要光谱。
根据本发明提供的一种基于冠层反射率光谱的作物叶面积指数获取方法，在所述冠层反射率光谱包括便携光谱仪获取的反射率光谱曲线的情况下，在待测作物的冠层反射率光谱中确定重要光谱之前，还包括：
对所述反射率光谱曲线进行预处理，生成所述冠层反射率光谱；
所述对所述反射率光谱曲线进行预处理包括：光谱噪声去除、光谱波段提取、光谱特征增强、光谱重采样。
根据本发明提供的一种基于冠层反射率光谱的作物叶面积指数获取方法，在所述冠层反射率光谱包括高光谱遥感图像的情况下，在待测作物的冠层反射率光谱中确定重要光谱之前，还包括：
对所述高光谱遥感图像进行预处理，确定预处理后的遥感图像；
从所述预处理后的遥感图像中提取反射率光谱，确定所述冠层反射率光谱；
所述对所述高光谱遥感图像进行预处理包括以下至少一项：对所述高光谱遥感图像进行辐射定标、对所述高光谱遥感图像进行大气校正、对所述高光谱遥感图像进行几何精校正、对所述高光谱遥感图像进行噪声去除、对所述高光谱遥感图像进行光谱特征增强处理、对所述高光谱遥感图像进行光谱重采样。
本发明还提供一种服务器，所述服务器中设置有处理器；还包括存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时执行如上述任一种所述基于冠层反射率光谱的作物叶面积指数获取方法。
本发明还提供一种基于冠层反射率光谱的作物叶面积指数获取装置，包括：
确定模块，用于在待测作物的冠层反射率光谱中确定重要光谱；
获取模块，用于将所述重要光谱输入至作物叶面积指数估算模型，获取由所述作物叶面积指数估算模型输出的所述待测作物的作物叶面积指数；所述作物叶面积指数是由所述作物叶面积指数估算模型根据所述重要光谱进行计算得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于冠层反射率光谱的作物叶面积指数获取方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于冠层反射率光谱的作物叶面积指数获取方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于冠层反射率光谱的作物叶面积指数获取方法。
本发明提供的基于冠层反射率光谱的作物叶面积指数获取方法及装置，根据农作物的冠层光谱响应特征，通过在作物冠层反射率光谱数据中选择叶面积指数估算的重要光谱，进而利用少量的重要光谱实现农作物LAI估算，在提高模型精度的同时，降低了模型的复杂度，节省了计算资源，增强了模型的适用性。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的基于冠层反射率光谱的作物叶面积指数获取方法的流程示意图之一；
图2是本发明提供的地物光谱仪测量的样本植株在350-1000nm的冠层反射率光谱；
图3是本发明提供的利用350-1000nm全谱段的冠层反射率光谱得到的烟株LAI估算结果的散点图；
图4是本发明提供的利用重要区间的冠层反射率光谱得到的烟株LAI估算结果的散点图；
图5是本发明提供的基于冠层反射率光谱的作物叶面积指数获取方法的流程示意图之二；
图6是本发明提供的基于冠层反射率光谱的作物叶面积指数获取装置的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
农作物产量是农业的重要指标，开展农作物产量预估不仅有利于农作物田间种植管理，而且对农作物的加工、销售和贸易等具有指导作用。
常规的农作物产量预估方法主要是通过田间调查，选择有代表性的样区，获取样区内的农作物产量，以此为基础外推到整个种植区域，得到区域的作物产量。
这种调查方法不仅效率低、误差大、具有破坏性，而且时效性差，通常作物都已成熟，对相关农业活动的指导作用不足。
针对不同的应用场景和多光谱遥感数据特点，发展了各种植被指数，满足不同的植被LAI估算需求。
多光谱遥感技术由于光谱分辨率低，对植被冠层的精细探测能力有限。高光谱遥感集成了遥感技术和光谱技术，具有纳米级的光谱分辨率，显著提升了植被冠层的探测能力。利用高光谱遥感开展农作物LAI估算，进而进行农作物产量预估具有广阔的应用前景。
下面结合图1-图7描述本发明的实施例所提供的基于冠层反射率光谱的作物叶面积指数获取方法及装置。
本发明实施例提供的基于冠层反射率光谱的作物叶面积指数获取方法，执行主体可以为电子设备或者电子设备中能够实现该基于冠层反射率光谱的作物叶面积指数获取方法的软件或功能模块或功能实体，本发明实施例中电子设备包括但不限于服务器。需要说明的是，上述执行主体并不构成对本发明的限制。
图1是本发明提供的基于冠层反射率光谱的作物叶面积指数获取方法的流程示意图之一，如图1所示，包括但不限于以下步骤：
首先，在步骤S1中，在待测作物的冠层反射率光谱中确定重要光谱。
其中，待测作物可以是小麦、玉米、大豆、烟株等农作物，在本发明后续实施例中均以对烟株进行叶面积指数估算为例进行说明，其不视为对本发明保护范围的限定。
重要光谱可以是利用光谱测量仪对待测作物进行测量后选择出特定波段的光谱数据。
可选地，在所述冠层反射率光谱包括便携光谱仪获取的反射率光谱曲线的情况下，在待测作物的冠层反射率光谱中确定重要光谱之前，还包括：
对所述反射率光谱曲线进行预处理，生成所述冠层反射率光谱；
所述对所述反射率光谱曲线进行预处理包括：光谱噪声去除、光谱波段提取、光谱特征增强、光谱重采样。
对于便携光谱仪获取的反射率光谱曲线，根据需要进行预处理，得到预处理后的反射率光谱曲线。其中预处理包括但不限于噪声去除、波段提取、特征增强和光谱重采样等处理。
其中，光谱重采样可以是利用光谱响应函数(Spectral Response Function)或光谱平均值通过计算实现的。
可选地，在所述冠层反射率光谱包括高光谱遥感图像的情况下，在待测作物的冠层反射率光谱中确定重要光谱之前，还包括：
对所述高光谱遥感图像进行预处理，确定预处理后的遥感图像；
从所述预处理后的遥感图像中提取反射率光谱，确定所述冠层反射率光谱；
所述对所述高光谱遥感图像进行预处理包括以下至少一项：对所述高光谱遥感图像进行辐射定标、对所述高光谱遥感图像进行大气校正、对所述高光谱遥感图像进行几何精校正、对所述高光谱遥感图像进行噪声去除、对所述高光谱遥感图像进行光谱特征增强处理、对所述高光谱遥感图像进行光谱重采样。
对于高光谱遥感图像，根据所获取的高光谱遥感图像的处理级别并结合数据特点，进行相应的预处理，预处理过程包括但不限于辐射定标、大气校正、几何精校正、噪声去除、特征增强、光谱重采样等。
首先，利用辐射定标系数对高光谱遥感图像进行辐射定标，得到辐射亮度遥感图像。
其次、对所述辐射亮度遥感图像进行大气校正，得到反射率遥感图像。
最后、对所述反射率遥感图像进行几何精校正，得到校正后的反射率遥感图像。
其中，几何校正可分为两种：几何粗校正和几何精校正；几何粗校正是针对引起畸变原因而进行的校正；几何精校正是利用控制点进行的几何校正，其是用一种数学模型来近似描述遥感图像的几何畸变过程，并利用畸变的遥感图像与参考图像之间的一些对应点(即控制点数据对)求得这个几何畸变模型，然后利用此模型进行几何畸变的校正，这种校正不考虑引起畸变的原因；因此，本发明实施例对所述反射率遥感图像采用几何精校正进行处理。
根据采样时记录的采样点坐标，从校正后的反射率遥感图像提取冠层反射率光谱。
对高光谱遥感图像的光谱重采样可以在完整的遥感图像处理平台(TheEnvironment for Visualizing Images，ENVI)中调用平台的光谱重采样模块实现的。
其中，为确保作物叶面积指数估算模型的估算效果，对于相同地物光谱仪或高光谱相机采集的冠层反射率光谱，待测作物光谱的预处理应与样本光谱的预处理相似。
对于不同光谱仪或者高光谱相机采集的冠层反射率光谱，应对待测作物的光谱进行适当预处理，使得样本光谱建立的估算模型能够应用于待测作物光谱。
可选地，在待测作物的冠层反射率光谱中确定重要光谱，包括：
获取所述待测作物的冠层反射率光谱；
基于待测作物的冠层反射率光谱响应特征，确定作物叶面积指数估算的重要光谱区间；
结合所述重要光谱区间和获取的待测作物的冠层反射率光谱，确定作物叶面积指数估算的重要光谱区间的光谱范围；
从获取的待测作物的冠层反射率光谱中，提取所确定光谱范围中的重要光谱。
本发明中的作物叶面积指数估算模型可根据需求在作物的各个生长时期进行构建。
考虑到高光谱数据相邻波段之间存在较高的相关性，且高光谱数据光谱分辨率高、波段个数多，为降低光谱数据冗余和模型复杂度，可以采用波段选择算法进行波段选择。
例如，选择遗传算法(Genetic Algorithm，GA)进行波段选择，偏最小二乘回归(Partial Least Squares Regression，PLSR)进行模型构建。在确定绿光和红边区域为重要光谱区间的情况下，在GA-PLSR建模过程中，将绿光和红边区域的波段先输入GA程序进行波段选择，将选择出来的波段输入PLSR进行建模，以构建作物叶面积指数估算模型。
根据本发明提供的基于冠层反射率光谱的作物叶面积指数获取方法，通过结合光谱仪采集的冠层反射率光谱，得到与作物的叶面指数具有强相关性的重要光谱，进而为叶面指数的精确估算提供基础。
可选地，在将所述重要光谱输入至作物叶面积指数估算模型之前，还包括：
获取作物多个样本的初始冠层反射率光谱数据和样本叶面积指数；
基于每个样本的初始冠层反射率光谱数据和样本叶面积指数，确定重要光谱区间；
基于所述重要光谱区间，在每个初始冠层反射率光谱数据中确定样本的重要光谱；
将每个样本的重要光谱，以及与所述每个样本光谱对应的样本叶面积指数的组合作为一个样本；
利用多个样本对作物叶面积指数估算模型进行训练。
具体地，在估产地区，选择有代表性的植株作为高光谱数据采集和LAI测量的样本，即作物样本；
利用地物光谱仪或高光谱遥感相机测量待估算区域农作物和选定作物样本的初始冠层反射率光谱；或者，对于高光谱遥感相机获取的初始高光谱遥感图像，按照数据级别进行相应的预处理，得到几何位置精准的反射率遥感图像；
农作物LAI可以是LAI测量仪器测量的LAI值，也可以是利用植株叶片测量数据进一步计算得到的植株LAI值。
例如，以某地某烟草品种园为研究区，按照施肥量将试验田分为4个等级，共有12个田块。在每个田块内选择3株有代表性的烟株作为样本，共确定36个样本。
利用ASD Field Spec 3地物光谱仪测量烟株冠层反射率光谱，获得36个作物样本和其余待估算烟株的初始冠层反射率光谱；
对选定的36个样本进行农艺性状测量，得到烟株叶片的个数、叶长、叶宽等数据。利用测量的农艺性状计算烟株的叶面积，再除以每个烟株的占地面积，得到烟株的LAI值。
作物叶面积指数估算模型可以是基于曲线拟合、多元回归、机器学习或深度学习等算法构建的。
根据农作物的冠层光谱响应，确定绿光和红边区域(Red Edge Region)是冠层反射率光谱估算农作物LAI的重要光谱区间；在冠层反射率光谱中，提取处于重要光谱区间中的样本的重要光谱或待测作物的重要光谱。
其中，样本的重要光谱用于构建作物叶面积指数估算模型，待测作物的重要光谱用于输入至作物叶面积指数估算模型，以估算待测作物的叶面积指数。
图2是本发明提供的地物光谱仪测量的样本植株在350-1000nm的冠层反射率光谱，如图2所示，横坐标为波长(Wavelength)，单位是纳米(nm)；纵坐标是反射率(Reflectance)，数据为百分数(％)；绿光的光谱范围主要为500-600nm，红边区域的光谱范围主要为680-780nm，由于不同的光谱测量仪器所能采集的光谱范围不同，因此可以根据光谱仪的波段设置，对每个重要光谱区间的光谱范围进行调整，以确保采集到的冠层反射率光谱中能够包含重要光谱区间的光谱波段。
按照样本植株冠层反射率光谱数据的处理，对待估算植株反射率光谱进行相应处理。
例如，ASD光谱仪的光谱范围为350-2500nm，在野外原位光谱测量时，大气中的水汽在1400nm和1900nm附近存在强烈的大气水汽，为排除水汽吸收对野外原位测量光谱的影响，从350-2500nm的光谱区间截取350-1000nm的冠层反射率光谱用于作物的LAI估算；
由于ASD光谱仪的350-1000nm的光谱范围，完全覆盖了绿光500-600nm和红边区域680-780nm的光谱范围，结合获取的冠层反射率光谱数据，将500-600nm作为绿光的光谱区间，680-780nm作为红边区域的光谱范围。
按照重要光谱区间，从350-1000nm的冠层反射率光谱中提取500-600nm和680-780nm的冠层反射率光谱，作为重要光谱，用于对作物叶面积指数估算模型的训练和LAI估算。
可选地，所述利用多个样本对作物叶面积指数估算模型进行训练，包括：
基于所述多个样本，构建训练集和验证集；
将所述训练集中的训练样本输入至所述作物叶面积指数估算模型，以对所述作物叶面积指数估算模型进行训练；
将所述验证集中的验证样本输入至训练后的所述作物叶面积指数估算模型，获取由所述作物叶面积指数估算模型输出的验证样本对应的估算叶面积指数；
利用预设损失函数根据所述验证样本的估算叶面积指数和样本叶面积指数计算损失值；
在所述损失值小于预设阈值，或对所述作物叶面积指数估算模型的训练次数达到预设次数的情况下，所述作物叶面积指数估算模型训练完成。
采用多元回归的方法建立基于冠层反射率光谱的作物叶面积指数估算模型，例如，采用PLSR构建作物叶面积指数估算模型；
在获得多个样本之后，构建训练集和验证集，训练集中包括多个训练样本，验证集中包括多个验证样本；
对于训练集中的任意一个训练样本，将该训练样本中的重要光谱和样本叶面积指数同时输入至作物叶面积指数估算模型，输出该训练样本对应的估算叶面积指数。
在训练集中的训练样本对作物叶面积指数估算模型进行训练之后，将验证集中的验证样本依次输入至训练后的作物叶面积指数估算模型，得到训练后的作物叶面积指数估算模型输出的估算叶面积指数。
在此基础上，利用预设损失函数根据验证集中的验证样本对应的估算叶面积指数和样本叶面积指数计算损失值。
预设损失函数可以为均方根误差(Root Mean Square Error，RMSE)函数，对应的，损失值为RMSE。在其他实施例中，预设损失函数可以根据实际需求进行设置，此处不作具体限定。
在计算获得损失值之后，本轮训练过程结束，更新作物叶面积指数估算模型中的模型参数，之后再进行下一轮训练。在训练的过程中，若针对某个训练后的模型计算获得的损失值小于预设阈值，则作物叶面积指数估算模型训练完成。
或者，在对作物叶面积指数估算模型的训练次数达到预设次数的情况下，选择损失值最小的一次的训练后的模型。预设次数可以为预先设定的迭代次数。
具体地，整个迭代过程主要由GA来驱动，GA选出一批波段，对应构建样本，PLSR构建对应的作物叶面积指数估算模型，利用这一批样本对作物叶面积指数估算模型进行训练和验证，利用损失函数计算损失值；GA再执行一次波段选择，PLSR再次构建作物叶面积指数估算模型，再计算损失值，再继续迭代。直至达到预先设定的迭代次数，然后从RMSE中选出最小的值对应的模型，作为最终作物叶面积指数估算模型。
根据本发明提供的基于冠层反射率光谱的作物叶面积指数获取方法，通过构建和训练作物叶面积指数估算模型，进而为作物叶面积指数的精确估算提供基础。
进一步地，在步骤S2中，将所述重要光谱输入至作物叶面积指数估算模型，获取由所述作物叶面积指数估算模型输出的所述待测作物的作物叶面积指数；所述作物叶面积指数是由所述作物叶面积指数估算模型根据所述重要光谱进行计算得到的。
将待测作物的重要光谱输入至作物叶面积指数估算模型，作物叶面积指数估算模型根据待测作物光谱数据对叶面指数进行计算，进而得到待测作物的叶面积指数并输出。
图3是本发明提供的利用350-1000nm全谱段的冠层反射率光谱得到的烟株LAI估算结果的散点图，图4是本发明提供的利用重要区间的冠层反射率光谱得到的烟株LAI估算结果的散点图，在图3和图4中，横坐标为测量的LAI(Measured LAI)，纵坐标为作物叶面积指数估算模型输出的估算的LAI(Estimated LAI)；RMSE为均方根误差，表示利用训练样本建立的作物叶面积指数估算模型得到的验证样本叶面积指数估算结果与验证样本实测值的均方根误差，RMSE越小，表示模型的估算能力越强；R2(Coefficient of determination)为决定系数，表示利用训练样本建立的作物叶面积指数估算模型在验证样本叶面积指数估算中的决定系数；R2越接近1，表示模型的估算能力越强，可见，重要区间的冠层反射率光谱的估算结果准确率更高，具有更好的估算效果。
本发明提供的基于冠层反射率光谱的作物叶面积指数获取方法，根据农作物的冠层光谱响应特征，通过在作物冠层反射率光谱数据中选择LAI估算的重要光谱，进而利用少量的重要光谱实现农作物LAI估算，在提高模型精度的同时，降低了模型的复杂度，节省了计算资源，增强了模型的适用性。
图5是本发明提供的基于冠层反射率光谱的作物叶面积指数获取方法的流程示意图之二，如图5所示，包括：
首先，获取样本植株的高光谱遥感数据和样本LAI数据，以及待测植株的高光谱遥感数据；
接着，根据高光谱遥感数据，获取样本植株和待测植株的反射率光谱数据；
再者，在样本植株的反射率光谱数据中提取重要光谱，得到样本植株的重要光谱；
然后，构建作物叶面积指数估算模型；
其次，利用样本植株的重要光谱和样本LAI数据的组合，对作物叶面积指数估算模型进行训练；
具体地，在得到多个样本之后，将多个样本划分为训练集和验证集；
对于训练集中任意一个训练样本，将该训练样本中的样本重要光谱和样本叶面积指数同时输入至作物叶面积指数估算模型，输出该训练样本对应的估算叶面积指数。
在训练集中的训练样本对作物叶面积指数估算模型进行训练之后，将验证集中的验证样本依次输入至训练后的作物叶面积指数估算模型，得到训练后的作物叶面积指数估算模型输出的估算叶面积指数。
在此基础上，利用预设损失函数根据验证集中的验证样本对应的估算叶面积指数和样本叶面积指数计算损失值。
在计算获得损失值之后，本轮训练过程结束，更新作物叶面积指数估算模型中的模型参数，之后再进行下一轮训练。在训练的过程中，若针对某个训练后的模型计算获得的损失值小于预设阈值，则作物叶面积指数估算模型训练完成。
或者，在对作物叶面积指数估算模型的训练次数达到预设次数的情况下，选择损失值最小的一次的训练后的模型。预设次数可以为预先设定的迭代次数。
具体地，整个迭代过程主要由GA来驱动，GA选出一批波段，对应构建样本，PLSR构建对应的作物叶面积指数估算模型，利用这一批样本对作物叶面积指数估算模型进行训练和验证，利用损失函数计算损失值；GA再执行一次波段选择，PLSR再次构建作物叶面积指数估算模型，再计算损失值，再继续迭代。直至达到预先设定的迭代次数，然后从RMSE中选出最小的值对应的模型，作为最终作物叶面积指数估算模型。
最后，将待测植株的光谱数据输入至作物叶面积指数估算模型，以获取LAI估算结果。
下面对本发明提供的服务器进行描述，下文描述的服务器与上文描述的基于冠层反射率光谱的作物叶面积指数获取方法可相互对应参照。
本发明还提供一种服务器，所述服务器中设置有处理器；还包括存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时执行如上述任一实施例所述基于冠层反射率光谱的作物叶面积指数获取方法。
本发明提供的服务器，根据农作物的冠层光谱响应特征，通过在作物冠层反射率光谱数据中选择叶面积指数估算的重要光谱，进而利用少量的重要光谱实现农作物LAI估算，在提高模型精度的同时，降低了模型的复杂度，节省了计算资源，增强了模型的适用性。
下面对本发明提供的基于冠层反射率光谱的作物叶面积指数获取装置进行描述，下文描述的基于冠层反射率光谱的作物叶面积指数获取装置与上文描述的基于冠层反射率光谱的作物叶面积指数获取方法可相互对应参照。
图6是本发明提供的基于冠层反射率光谱的作物叶面积指数获取装置的结构示意图，如图6所示，包括：
确定模块601，用于在待测作物的冠层反射率光谱中确定重要光谱；
获取模块602，用于将所述重要光谱输入至作物叶面积指数估算模型，获取由所述作物叶面积指数估算模型输出的所述待测作物的作物叶面积指数；所述作物叶面积指数是由所述作物叶面积指数估算模型根据所述重要光谱进行计算得到的。
在装置运行的过程中，确定模块601在待测作物的冠层反射率光谱中确定重要光谱；获取模块602将所述重要光谱输入至作物叶面积指数估算模型，获取由所述作物叶面积指数估算模型输出的所述待测作物的作物叶面积指数；所述作物叶面积指数是由所述作物叶面积指数估算模型根据所述重要光谱进行计算得到的。
本发明提供的基于冠层反射率光谱的作物叶面积指数获取装置，根据农作物的冠层光谱响应特征，通过在作物冠层反射率光谱数据中选择叶面积指数估算的重要光谱，进而利用少量的重要光谱实现农作物LAI估算，在提高模型精度的同时，降低了模型的复杂度，节省了计算资源，增强了模型的适用性。
图7是本发明提供的电子设备的结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行基于冠层反射率光谱的作物叶面积指数获取方法，该方法包括：在待测作物的冠层反射率光谱中确定重要光谱；将所述重要光谱输入至作物叶面积指数估算模型，获取由所述作物叶面积指数估算模型输出的所述待测作物的作物叶面积指数；所述作物叶面积指数是由所述作物叶面积指数估算模型根据所述重要光谱进行计算得到的。
此外，上述的存储器730中的逻辑指令可以通过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，本发明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)执行本发明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(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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于冠层反射率光谱的作物叶面积指数获取方法，该方法包括：在待测作物的冠层反射率光谱中确定重要光谱；将所述重要光谱输入至作物叶面积指数估算模型，获取由所述作物叶面积指数估算模型输出的所述待测作物的作物叶面积指数；所述作物叶面积指数是由所述作物叶面积指数估算模型根据所述重要光谱进行计算得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以上述各方法提供的基于冠层反射率光谱的作物叶面积指数获取方法，该方法包括：在待测作物的冠层反射率光谱中确定重要光谱；将所述重要光谱输入至作物叶面积指数估算模型，获取由所述作物叶面积指数估算模型输出的所述待测作物的作物叶面积指数；所述作物叶面积指数是由所述作物叶面积指数估算模型根据所述重要光谱进行计算得到的。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于冠层反射率光谱的作物叶面积指数获取方法，其特征在于，包括：
在待测作物的冠层反射率光谱中确定重要光谱；
将所述重要光谱输入至作物叶面积指数估算模型，获取由所述作物叶面积指数估算模型输出的所述待测作物的作物叶面积指数；
所述作物叶面积指数是由所述作物叶面积指数估算模型根据所述重要光谱进行计算得到的。
2.根据权利要求1所述的基于冠层反射率光谱的作物叶面积指数获取方法，其特征在于，在将所述重要光谱输入至作物叶面积指数估算模型之前，还包括：
获取作物多个样本的初始冠层反射率光谱数据和样本叶面积指数；
基于每个样本的初始冠层反射率光谱数据和样本叶面积指数，确定重要光谱区间；
基于所述重要光谱区间，在每个初始冠层反射率光谱数据中确定样本的重要光谱；
将每个样本的重要光谱，以及与所述每个样本光谱对应的样本叶面积指数的组合作为一个样本；
利用多个样本对作物叶面积指数估算模型进行训练。
3.根据权利要求2所述的基于冠层反射率光谱的作物叶面积指数获取方法，其特征在于，所述利用多个样本对作物叶面积指数估算模型进行训练，包括：
基于所述多个样本，构建训练集和验证集；
将所述训练集中的训练样本输入至所述作物叶面积指数估算模型，以对所述作物叶面积指数估算模型进行训练；
将所述验证集中的验证样本输入至训练后的所述作物叶面积指数估算模型，获取由所述作物叶面积指数估算模型输出的验证样本对应的估算叶面积指数；
利用预设损失函数根据所述验证样本的估算叶面积指数和样本叶面积指数计算损失值；
在所述损失值小于预设阈值，或对所述作物叶面积指数估算模型的训练次数达到预设次数的情况下，所述作物叶面积指数估算模型训练完成。
4.根据权利要求1所述的基于冠层反射率光谱的作物叶面积指数获取方法，其特征在于，在待测作物的冠层反射率光谱中确定重要光谱，包括：
获取所述待测作物的冠层反射率光谱；
基于待测作物的冠层反射率光谱响应特征，确定作物叶面积指数估算的重要光谱区间；
结合所述重要光谱区间和获取的待测作物的冠层反射率光谱，确定作物叶面积指数估算的重要光谱区间的光谱范围；
从获取的待测作物的冠层反射率光谱中，提取所确定光谱范围中的重要光谱。
5.根据权利要求1-4中任一项所述的基于冠层反射率光谱的作物叶面积指数获取方法，其特征在于，在所述冠层反射率光谱包括便携光谱仪获取的反射率光谱曲线的情况下，在待测作物的冠层反射率光谱中确定重要光谱之前，还包括：
对所述反射率光谱曲线进行预处理，生成所述冠层反射率光谱；
所述对所述反射率光谱曲线进行预处理包括：光谱噪声去除、光谱波段提取、光谱特征增强、光谱重采样。
6.根据权利要求1-4中任一项所述的基于冠层反射率光谱的作物叶面积指数获取方法，其特征在于，在所述冠层反射率光谱包括高光谱遥感图像的情况下，在待测作物的冠层反射率光谱中确定重要光谱之前，还包括：
对所述高光谱遥感图像进行预处理，确定预处理后的遥感图像；
从所述预处理后的遥感图像中提取反射率光谱，确定所述冠层反射率光谱；
所述对所述高光谱遥感图像进行预处理包括以下至少一项：对所述高光谱遥感图像进行辐射定标、对所述高光谱遥感图像进行大气校正、对所述高光谱遥感图像进行几何精校正、对所述高光谱遥感图像进行噪声去除、对所述高光谱遥感图像进行光谱特征增强处理、对所述高光谱遥感图像进行光谱重采样。
7.一种服务器，其特征在于，所述服务器中设置有处理器；还包括存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时执行如权利要求1-6任一项所述基于冠层反射率光谱的作物叶面积指数获取方法。
8.一种基于冠层反射率光谱的作物叶面积指数获取装置，其特征在于，包括：
确定模块，用于在待测作物的冠层反射率光谱中确定重要光谱；
获取模块，用于将所述重要光谱输入至作物叶面积指数估算模型，获取由所述作物叶面积指数估算模型输出的所述待测作物的作物叶面积指数；所述作物叶面积指数是由所述作物叶面积指数估算模型根据所述重要光谱进行计算得到的。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述基于冠层反射率光谱的作物叶面积指数获取方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述基于冠层反射率光谱的作物叶面积指数获取方法。
CN202310735628.5A 2023-06-20 2023-06-20 基于冠层反射率光谱的作物叶面积指数获取方法及装置 Pending CN116994126A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310735628.5A CN116994126A (zh) 2023-06-20 2023-06-20 基于冠层反射率光谱的作物叶面积指数获取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310735628.5A CN116994126A (zh) 2023-06-20 2023-06-20 基于冠层反射率光谱的作物叶面积指数获取方法及装置

Publications (1)

Publication Number Publication Date
CN116994126A true CN116994126A (zh) 2023-11-03

Family

ID=88529099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310735628.5A Pending CN116994126A (zh) 2023-06-20 2023-06-20 基于冠层反射率光谱的作物叶面积指数获取方法及装置

Country Status (1)

Country Link
CN (1) CN116994126A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117589093A (zh) * 2024-01-18 2024-02-23 北京市农林科学院信息技术研究中心 作物叶面积指数高光谱遥感监测方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117589093A (zh) * 2024-01-18 2024-02-23 北京市农林科学院信息技术研究中心 作物叶面积指数高光谱遥感监测方法、装置、设备及介质
CN117589093B (zh) * 2024-01-18 2024-04-23 北京市农林科学院信息技术研究中心 作物叶面积指数高光谱遥感监测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN111414891B (zh) 基于激光雷达与光学遥感的输电线路通道树高反演方法
CN111289441B (zh) 多光谱下的大田作物含水量确定方法、系统及设备
CN112348812B (zh) 林分年龄信息测量方法及装置
WO2021012898A1 (zh) 基于人工智能的农业保险查勘方法及相关设备
CN111161362A (zh) 一种茶树生长状态光谱影像鉴别方法
CN110579186B (zh) 基于逆高斯过程反演叶面积指数的农作物长势监测方法
CN113963260A (zh) 一种冬小麦种植区的提取方法、装置和计算机设备
CN111474117B (zh) 作物病害监测的方法及装置
CN113223040B (zh) 基于遥感的香蕉估产方法、装置、电子设备和存储介质
CN112881327B (zh) 一种基于新型植被指数的烟叶spad值估测方法
CN116994126A (zh) 基于冠层反射率光谱的作物叶面积指数获取方法及装置
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
CN113237836A (zh) 一种基于高光谱图像的烤烟叶水分含量估测方法
CN115015258A (zh) 一种农作物长势与土壤水分关联确定方法及相关装置
Cointault et al. Texture, color and frequential proxy-detection image processing for crop characterization in a context of precision agriculture
CN111582035B (zh) 一种果树树龄识别方法、装置、设备及存储介质
CN111751295A (zh) 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用
CN117541835A (zh) 基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及系统
CN117630000B (zh) 土壤含盐量评估方法、装置、电子设备及存储介质
CN117589093B (zh) 作物叶面积指数高光谱遥感监测方法、装置、设备及介质
CN115830442B (zh) 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统
CN111507223B (zh) 植物物种beta多样性的估算方法及系统
CN116994127A (zh) 基于冠层反射率光谱的烟株叶片重量估算方法及装置
CN111476172B (zh) 植物物种beta多样性的估算方法及系统
CN116380811B (zh) 一种基于氧气吸收带的云检测方法

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