CN117292267B - 一种基于物候信息的水稻地上生物量分段估算方法及系统 - Google Patents
一种基于物候信息的水稻地上生物量分段估算方法及系统 Download PDFInfo
- Publication number
- CN117292267B CN117292267B CN202311588277.6A CN202311588277A CN117292267B CN 117292267 B CN117292267 B CN 117292267B CN 202311588277 A CN202311588277 A CN 202311588277A CN 117292267 B CN117292267 B CN 117292267B
- Authority
- CN
- China
- Prior art keywords
- rice
- biomass
- index
- growth stage
- growth
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 139
- 235000009566 rice Nutrition 0.000 title claims abstract description 139
- 239000002028 Biomass Substances 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 61
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 139
- 230000012010 growth Effects 0.000 claims abstract description 92
- 230000001850 reproductive effect Effects 0.000 claims abstract description 27
- 230000009105 vegetative growth Effects 0.000 claims abstract description 15
- 238000002310 reflectometry Methods 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 20
- 235000016709 nutrition Nutrition 0.000 claims description 13
- 230000035764 nutrition Effects 0.000 claims description 13
- 230000032683 aging Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000003698 anagen phase Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000009331 sowing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000002431 foraging effect Effects 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 11
- 230000008859 change Effects 0.000 description 6
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009758 senescence Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 240000002582 Oryza sativa Indica Group Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000007321 biological mechanism Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 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 1
- 238000004140 cleaning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement 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
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005303 weighing Methods 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
- G06V20/188—Vegetation
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于物候信息的水稻地上生物量分段估算方法及系统,利用多光谱传感器获得整个生育期水稻样本的冠层多光谱反射率计算归一化植被指数,结合水稻的物候信息,判断每一期影像水稻样本所处的生长阶段,并构建相应生长阶段的植被指数,建立植被指数‑水稻地上生物量分段估算模型,实现全生育期的水稻地上生物量估算。本发明考虑水稻营养生长期的地上生物量累积和生殖生长期地上干物质分配的差异性,探寻各生长阶段的敏感波段,并提出分段建模的概念,实现水稻地上生物量估算。本发明只需要使用易于获取的可见光及近红外波段,极大地节约了传感器成本,为高效快捷地进行大规模多品种田间水稻地上生物量的准确估算提供了参考。
Description
技术领域
本发明属于农业遥感技术领域,具体涉及一种基于物候信息的水稻地上生物量分段估算方法及系统。
背景技术
对水稻生物量进行及时、准确的监测,能够帮助农田管理人员掌握水稻的生长情况,实施对应的管理措施,以达到农业精细化管理。水稻地上生物量(AGB,Above-groundBiomass)是指土壤层上以干重表示的所有生物量,包括水稻的茎、叶、穗等器官。水稻地上生物量是水稻生产力的重要指标,与水稻最终产量之间有密切联系。现代育种普遍认为,提高生物量和转化效率是提高产量的关键,而转化效率的提高更加复杂,提高单位面积水稻的生物量是提高产量的主要途径。
水稻生物量的精确估测是精准农业关注的重点问题之一,传统的水稻生物量数据依赖人工进入田间破坏性采样、清洗、烘干、称重和记录等来获取,这类方法需要耗费大量的人力物力,无法应用于大面积的农田。遥感技术以其快捷、无损、覆盖范围广等优势,成为大面积生物量估算的重要手段之一,其中,无人机遥感平台以其简单易操作、可搭载多种传感器、可自由设定数据获取间隔等特点,尤其受到精准农业从业者的青睐。
利用无人机遥感技术进行水稻生物量估算,主要可以分为理论模型和经验模型两大类,理论模型是指基于遥感数据同化的作物生长模型或作物光能利用率模型,输入大量实地测量的作物生长参数和种植区域环境参数来得到作物生物量的模拟数值。理论模型具有一定的理论基础,但是部分参数获取复杂,并且需要大量的环境参数。经验模型则是基于遥感影像获取的冠层光谱多反射率数据或计算得到的植被指数,结合地面一定数量采样点的实测数据,建立遥感数据与地面生理生化参数之间的统计模型,进而实现对水稻生物量的估算。经验模型数据量需求较小,模型简单,但是模型的泛化性较差。这两类方法各有优劣,现有研究大多针对少数几个品种或者无差别地利用机器学习或深度学习模型通过大量样本做训练来实现较高的精度,但是水稻生长过程中生理生化结构和光合色素组分的变化没有被考虑。因此,亟需建立一种考虑水稻生长结构变化且易于使用的水稻生物量估算模型。
发明内容
针对现有技术的不足,本发明提供一种基于物候信息的水稻地上生物量分段估算方法,包括以下步骤:
步骤1,使用多光谱传感器在水稻生育周期中的全部时期获取水稻种植区的多光谱影像,并进行影像波段叠加、几何校正和辐射定标处理,得到全生育期水稻冠层多光谱反射率;
步骤2,利用步骤1提取的冠层多光谱反射率计算所述全部时期所述水稻种植区的归一化植被指数;
步骤3,基于步骤2计算的归一化植被指数和物候信息,对所述全部时期中每一个时期水稻所处的生长阶段进行判断;
步骤4,根据步骤3判断的每一期影像水稻样本所处的生长阶段的敏感波段,分别构建所述生长阶段的植被指数;
步骤5,建立植被指数-水稻地上生物量分段估算模型;
步骤6,根据步骤5中建立的植被指数-水稻地上生物量分段估算模型进行水稻全生育期地上生物量估算,并输出水稻地上生物量估算结果。
而且,所述步骤1中辐射定标的计算公式如下:
(1)
式中,i表示多光谱传感器的波段序号,代表第i波段处的反射率,/>表示第i波段对应像元的DN值,/>与/>分别表示第i波段的增益系数与偏置系数。
通过辐射定标,将多光谱传感器获取的影像像元DN值转换为地表反射率,得到水稻各波段的冠层多光谱反射率。
而且,所述步骤2中全部时期所述水稻种植区归一化植被指数的计算方式为:
(2)
式中,NDVI为归一化植被指数,、/>分别为近红外、红波段的冠层多光谱反射率。
而且,所述步骤3中水稻生长的物候信息为水稻播种125天后一定会进入生殖生长阶段。设置归一化植被指数阈值表征水稻田间的植被覆盖度,水稻的生长阶段包括营养生长阶段和生殖生长阶段,当植被指数小于/>时,认为此时水稻处于营养生长阶段,当植被指数大于等于/>或者水稻播种时间≥125天时,认为此时水稻处于生殖生长阶段。
而且,所述步骤4中根据步骤3设定的生长阶段的判断条件,将整个生长过程中获取的每一期影像数据分为营养生长阶段和生殖生长阶段两大类。营养生长期的敏感波段为近红外、红边波段,生殖生长期的敏感波段为蓝、红波段。营养生长阶段构建的植被指数为绿度指数,具体计算公式如下:
(3)
式中,为绿度指数,/>、/>分别为近红外、红边波段的冠层多光谱反射率;
生殖生长阶段构建的植被指数为衰老指数,具体计算公式如下:
(4)
式中,为衰老指数,/>、/>分别为蓝、红波段的冠层多光谱反射率。
而且,所述步骤5中构建植被指数-水稻地上生物量分段估算模型具体计算公式如下:
(5)
式中,AGB 表示地上生物量,、/>分别为绿度指数和衰老指数。
而且,所述步骤6中将利用营养生长阶段影像计算得到的绿度指数和生殖生长阶段影像计算得到的衰老指数/>分别代入到植被指数-水稻地上生物量分段估算模型的计算公式中进行计算,输出水稻地上生物量的估算结果。
本发明还提供一种基于物候信息的水稻地上生物量分段估算系统,用于实现如上所述的一种基于物候信息的水稻地上生物量分段估算方法。
而且,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于物候信息的水稻地上生物量分段估算方法。
或者,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于物候信息的水稻地上生物量分段估算方法。
与现有技术相比,本发明具有如下优点:
1)本发明建立的水稻地上生物量估算模型考虑了水稻由营养生长向生殖生长转变过程中冠层结构变化,以及营养生长阶段水稻生物量累积和生殖生长阶段水稻生物量分配等生物机理,并结合物候信息来表征水稻生育阶段。
2)本发明创造性地提出了分段估算水稻地上生物量的估算策略,并根据水稻两个生长阶段生理变化特性选择对该阶段生物量敏感的波段构建植被指数。
3)本发明所提方法已经成功应用于不同品种的水稻群体育种实验中,在评估水稻地上生物量方面显示出良好潜力,既不需要较多的影像波段增加传感器成本,也不需要大量的人工标注来训练机器学习模型,在实际估算水稻地上生物量方面中更加简单快捷而具有普适性。
附图说明
图1是本发明实施例水稻地上生物量分段估算方法的流程图。
图2是本发明实施例用于区分水稻两个生长阶段的归一化差植被指数时序变化曲线及阈值示意图。
图3(a)为仅使用绿度指数进行水稻全生育期地上生物量估算结果,图3(b)为仅使用衰老指数/>进行水稻全生育期地上生物量估算结果。
图4(a)为营养生长阶段的模型估测的地上生物量,图4(b)为生殖生长阶段的模型估测的地上生物量。
图5是使用本发明构建的植被指数-水稻地上生物量分段估算模型估测的全生育期地上生物量。
具体实施方式
本发明提供一种基于物候信息的水稻地上生物量分段估算方法及系统,下面结合附图和实施例对本发明的技术方案作进一步说明。
实施例1
以种植在实验田的42个水稻品种为例,阐述本发明方法技术方案的具体实施过程。42个水稻品种包括41个籼稻品种和1个紫稻。水稻于2017年12月10日播种,并于2018年1月5日移栽,到2018年4月15日收割。上述42个品种水稻的种植密度为22.5株/㎡,每个品种种植60株,10株一行,共6行,行距20cm,株距16cm。每6行空1行,以利于品种区别和无人机信息处理。移栽后,每个品种田块被划分为两个子块:一个田块用于直接采样(2m×7m),另一个田块用于遥感观测(7m×7m)。每公顷施用复合肥375Kg(氮磷钾比率为15:15:15),进行常规稻田管理。在水稻的各个发育时期,均安排一架无人机获取所有水稻田块的多光谱图像,共获得12期无人机影像数据。
如图1所示,本发明实施例提供一种基于物候信息的水稻地上生物量分段估算方法,包括以下几个步骤:
步骤1,使用多光谱传感器在水稻生育周期中的全部时期获取水稻种植区的多光谱影像,并在相机自带的软件进行影像波段叠加和几何校正,利用ENVI5.3进行辐射定标处理,提取全生育期水稻冠层多光谱反射率。
传感器可以搭载于无人机或地面平台上,当搭载在无人机上时,无人机传感器应位于水稻种植区上方50-210m的高度获取水稻全生育期的多光谱影像;当搭载在地面平台上时,地面传感器应位于水稻种植区上方1-5米获取水稻全生育期的多光谱影像。
本实施例采用无人机搭载多光谱相机在整个生育期共获取12期多光谱影像。多光谱相机一般采用独立的镜头与传感器,每个传感器前装有可置换的不同波段的滤光片,并有独立的存储CF卡,能够同时获取不同波段的多光谱影像。本实施例中,针对水稻植株的光谱特性,共设定了12个波段的滤波范围,其中心波长分别为490nm、520nm、550nm、570nm、670nm、680nm、700nm、720nm、800nm、850nm、900nm和950nm。数据的采集尽量选择晴朗、无云、无风天气,通常在上午11点到下午1点,具体飞行时间根据田间实际情况和天气状态确定。每次航拍获取影像前,在平坦地面上放置6个定标毯以便后续进行辐射定标。在每次飞行作业中,无人机垂直起落采集整个区域的全景图,采集的影像覆盖所有目标田块和标准定标毯。
本实施例使用多光谱相机在水稻生育周期的各生育期获取水稻种植区的多光谱影像,并在相机自带的软件中完成影像波段叠加、几何校正。由于各个镜头间独立成像,各镜头之间存在一定偏移,因此需要进行影像波段间配准。飞行拍摄前,在实验室内对多光谱相机进行检校,获取其物镜畸变差改正系数,并应用该参数进行波段间光学配准。配准后的12个波段影像处于统一的坐标系统中,使得不同镜头拍摄的同一地物对应影像上的同一个像素。
通过多光谱影像获取到的是影像像元DN(Digital Number,DN)值。辐射定标就是建立影像DN值与实际地表反射率之间的定量关系。航空影像的辐射定标是建立地表反射率和传感器接收辐射信号之间的线性关系。本实施例借助6块经过严密实验室定标的标准定标毯来进行场地定标。6块定标毯在可见光至近红外波段内具有恒定的反射率,依次为0.03、0.12、0.24、0.36、0.56和0.80。每一次无人机飞行作业之前,在田间拍摄范围内田埂处依次铺设这6块定标毯,确保其与所有种植的水稻同时出现在同一张影像上。使用ENVI5.3的ROI(Region of Interest,ROI)工具,圈定影像中的6块定标毯,每块定标毯上圈定的范围为5×5的正方形。统计各个定标毯在12个不同波段上的平均DN值,根据6块定标毯的恒定反射率与统计得到的平均DN值,对每个波段的增益系数和偏置系数使用最小二乘法进行求解,具体求解公式如下:
(1)
式中,与/>分别表示第i波段的增益系数与偏置系数,/>表示反射率为0.03的定标毯在影像上的DN值均值。
通过对线性方程进行求解,可以得到每个波段内的增益系数和偏置系数,然后利用求解得到的增益系数与偏置系数分别对各波段的影像进行辐射定标,得到DN值和地表反射率之间的线性转换关系,计算公式如下:
(2)
式中,i表示多光谱相机的波段序号,代表第i波段的入瞳处辐射值或反射率;表示第i波段对应像元的DN值;/>与/>分别表示第i波段的增益系数与偏置系数。
获得辐射定标的影像后,以单个ROI范围内的反射率作为该品种水稻的冠层多光谱反射率。
步骤2,获取与所述影像对应的时间点所述水稻种植区的实测地上生物量。
在获取无人机多光谱影像的同时同步破坏性采集地面各品种水稻试验区内长势具有代表性的样本植株用于水稻地上生物量真值的确定。采集的样本植株整兜连根挖出,剪掉根部,取其地上部分,清洗干净后分装到信封中,送到烘箱中先以105℃的温度杀青30分钟,再在80℃下恒温烘干至恒重,这一过程大概需要两天。烘干完毕后,对每个样品分别称重并记录重量,最后根据水稻的种植密度,换算为每平方米的地上部分干生物量(g/m²),水稻整个生长过程中共获取12次种植区的水稻地上生物量。
步骤3,利用步骤1提取的冠层多光谱反射率计算所述全部时期所述水稻种植区的归一化植被指数。
全部时期所述水稻种植区归一化植被指数(NDVI)的计算方式为:
(3)
式中,、/>分别为近红外、红波段的冠层多光谱反射率。
步骤4,基于步骤3计算的归一化植被指数和物候信息,对所述全部时期中每一个时期水稻所处的生长阶段进行判断。
水稻生长的物候信息为水稻播种125天后一定会进入生殖生长阶段。设置归一化植被指数阈值表征水稻田间的植被覆盖度,用于水稻生长阶段的判断,本实施例中/>取0.9。水稻的生长阶段包括营养生长阶段和生殖生长阶段,当归一化植被指数小于0.9时,认为此时水稻处于营养生长阶段,当归一化植被指数大于等于0.9或者水稻播种时间≥125天时,认为此时水稻处于生殖生长阶段(如图2)。
步骤5,根据步骤4判断的水稻全部时期中每一期影像水稻样本所处的生长阶段,寻找所述相应生长阶段水稻生物量的敏感波段,并分别构建所述相应生长阶段的植被指数。
根据步骤4设定的生长阶段的判断条件,将整个生长过程中获取的12期影像数据分为营养生长阶段和生殖生长阶段两大类,分别寻找营养生长期和生殖生长期对水稻生物量变化敏感的波段,本实施例中营养生长期的敏感波段为550nm和800nm,生殖生长期的敏感波段为490nm和670nm。
营养生长阶段构建的植被指数为绿度指数(Chlorophyll Index RedEdge,),具体计算公式如下:
(4)
式中,、/>分别为近红外、红边波段的冠层多光谱反射率。
生殖生长阶段构建的植被指数为衰老指数(Simple Ratio blue and red,),具体计算公式如下:
(5)
式中,、/>分别为蓝、红波段的冠层多光谱反射率。
步骤6,基于步骤5得到各生长阶段对应的植被指数和步骤2中得到的实测地上生物量建立植被指数-水稻地上生物量分段估算模型。
分别利用营养生长阶段和生殖生长阶段的影像,根据公式(4)和(5),计算出影像的绿度指数和衰老指数/>,结合影像对应的实测地上生物量,利用最小二乘法求解出植被指数-水稻地上生物量分段估算模型的系数,得到植被指数-水稻地上生物量分段估算模型的具体计算公式如下:
(6)
式中,AGB 表示地上生物量,、/>分别为绿度指数和衰老指数。
图3(a)和图3(b)为不区分生育阶段仅使用绿度指数或衰老指数进行水稻全生育期地上生物量估算结果,可以看到有明显的分段现象,这也从侧面反映了分段计算地上生物量的必要性。
步骤7,根据步骤6中建立的植被指数-水稻地上生物量分段估算模型进行水稻全生育期地上生物量估算,并输出水稻地上生物量估算结果。
将利用营养生长阶段影像计算得到的绿度指数和生殖生长阶段影像计算得到的衰老指数/>分别代入到营养生长和生殖生长阶段的植被指数-水稻地上生物量分段估算模型的计算公式中进行计算,输出水稻地上生物量的估算结果。
验证实验
将使用本发明所提植被指数-水稻地上生物量分段估算模型估算的地上生物量与实测的地上生物量进行比较,以验证本发明所提模型的有效性。表1展示了本实施例42个水稻品种的育种试验田在营养生长、生殖生长阶段和全生育期植被指数-水稻地上生物量分段估算模型的估算精度,包括均方根误差(Root mean square error. RMSE),相对均方根误差(Relative root mean square error, rRMSE),平均绝对误差(Mean absoluteerror, MAE)和归一化的均方根误差(normalized Root mean square error, nRMSE)和全生育期决定系数(coefficient of determination,R2),具体计算方式如下:
(7)
(8)
(9)
(10)
(11)
式中,是实测地上生物量,/>是实测地上生物量的平均值,/>是本发明所提植被指数-水稻地上生物量分段估算模型预测的地上生物量,/>是实测地上生物量的最大值,/>是实测地上生物量的最小值,n是样本数量。
表1 植被指数-水稻地上生物量分段估算模型的估算精度
由表1可以看出,在营养生长和生殖生长阶段,RMSE分别可达21.64 g/㎡和263.41g/㎡,全生育期决定系数R2可达88%,RMSE可达228.38g/㎡,这反映本发明提出的植被指数-水稻地上生物量分段估算模型在营养生长阶段、生殖生长阶段以及整个生育期都取得了较高预测精度。
图4(a)-图4(b)是先将所有的水稻地上生物量样本分为生殖生长期样本和营养生长期样本两类,再分别使用绿度指数和衰老指数进行估算得到的地上生物量,与图3(a)-图3(b)相比,每一类样本的估算精度都得到了提高,生殖生长阶段R2从0.68提升至0.80,营养生长阶段R2从0.00001提升至0.84。
图5是将图4(a)-图4(b)中营养生长和生殖生长阶段的估算结果进行结合,得到水稻全生育期地上生物量的估算结果,图5中估算值与实测值基本位于1:1线附近,表明整体估算效果较好。
实施例2
基于同一发明构思,本发明还提供一种基于物候信息的水稻地上生物量分段估算系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的程序指令执行如上所述的一种基于物候信息的水稻地上生物量分段估算方法。
实施例3
基于同一发明构思,本发明还提供一种基于物候信息的水稻地上生物量分段估算系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于物候信息的水稻地上生物量分段估算方法。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施案例,做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于物候信息的水稻地上生物量分段估算方法,其特征在于,包括以下步骤:
步骤1,使用多光谱传感器在水稻生育周期中的全部时期获取水稻种植区的多光谱影像,并进行影像波段叠加、几何校正和辐射定标处理,得到全生育期水稻冠层多光谱反射率;
步骤2,利用步骤1提取的冠层多光谱反射率计算所述全部时期所述水稻种植区的归一化植被指数;
步骤3,基于步骤2计算的归一化植被指数和物候信息,对所述全部时期中每一个时期水稻所处的生长阶段进行判断;
水稻生长的物候信息为水稻播种125天后一定会进入生殖生长阶段;设置归一化植被指数阈值表征水稻田间的植被覆盖度,水稻的生长阶段包括营养生长阶段和生殖生长阶段,当归一化植被指数小于/>时,认为此时水稻处于营养生长阶段,当归一化植被指数大于等于/>或者水稻播种时间≥125天时,认为此时水稻处于生殖生长阶段;
步骤4,根据步骤3判断的每一期影像水稻样本所处的生长阶段的敏感波段,分别构建所述生长阶段的植被指数;
根据步骤3设定的生长阶段的判断条件,将整个生长过程中获取的每一期影像数据分为营养生长阶段和生殖生长阶段两大类,营养生长期的敏感波段为近红外、红边波段,生殖生长期的敏感波段为蓝、红波段;营养生长阶段构建的植被指数为绿度指数,具体计算公式如下:
(3)
式中,为绿度指数,/>、/> 分别为近红外、红边波段的冠层多光谱反射率;
生殖生长阶段构建的植被指数为衰老指数,具体计算公式如下:
(4)
式中,为衰老指数,/>、/>分别为蓝、红波段的冠层多光谱反射率;
步骤5,建立植被指数-水稻地上生物量分段估算模型;
构建植被指数-水稻地上生物量分段估算模型具体计算公式如下:
(5)
式中,AGB 表示地上生物量,、/>分别为绿度指数和衰老指数;
步骤6,根据步骤5中建立的植被指数-水稻地上生物量分段估算模型进行水稻全生育期地上生物量估算,并输出水稻地上生物量估算结果。
2.如权利要求1所述的一种基于物候信息的水稻地上生物量分段估算方法,其特征在于:步骤1中辐射定标的计算公式如下:
(1)
式中,i表示多光谱传感器的波段序号,代表第i波段处的反射率,/>表示第i波段对应像元的DN值,/>与/>分别表示第i波段的增益系数与偏置系数;
通过辐射定标,将多光谱传感器获取的影像像元DN值转换为地表反射率,得到水稻各波段的冠层多光谱反射率。
3.如权利要求1所述的一种基于物候信息的水稻地上生物量分段估算方法,其特征在于:步骤2中全部时期所述水稻种植区归一化植被指数的计算方式为:
(2)
式中,NDVI为归一化植被指数,、/>分别为近红外、红波段的冠层多光谱反射率。
4.如权利要求1所述的一种基于物候信息的水稻地上生物量分段估算方法,其特征在于:步骤6中将利用营养生长阶段影像计算得到的绿度指数和生殖生长阶段影像计算得到的衰老指数/>分别代入到植被指数-水稻地上生物量分段估算模型的计算公式中进行计算,输出水稻地上生物量的估算结果。
5.一种基于物候信息的水稻地上生物量分段估算系统,其特征在于,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的程序指令执行如权利要求1-4任一项所述的一种基于物候信息的水稻地上生物量分段估算方法。
6.一种基于物候信息的水稻地上生物量分段估算系统,其特征在于,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如权利要求1-4任一项所述的一种基于物候信息的水稻地上生物量分段估算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311588277.6A CN117292267B (zh) | 2023-11-27 | 2023-11-27 | 一种基于物候信息的水稻地上生物量分段估算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311588277.6A CN117292267B (zh) | 2023-11-27 | 2023-11-27 | 一种基于物候信息的水稻地上生物量分段估算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117292267A CN117292267A (zh) | 2023-12-26 |
CN117292267B true CN117292267B (zh) | 2024-02-02 |
Family
ID=89244879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311588277.6A Active CN117292267B (zh) | 2023-11-27 | 2023-11-27 | 一种基于物候信息的水稻地上生物量分段估算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117292267B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6718053B1 (en) * | 1996-11-27 | 2004-04-06 | Chromavision Medical Systems, Inc. | Method and apparatus for automated image analysis of biological specimens |
CN105608293A (zh) * | 2016-01-28 | 2016-05-25 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
CN109884664A (zh) * | 2019-01-14 | 2019-06-14 | 武汉大学 | 一种城市地上生物量光学微波协同反演方法及系统 |
CN114821349A (zh) * | 2022-03-01 | 2022-07-29 | 南京林业大学 | 顾及谐波模型系数和物候参数的森林生物量估算方法 |
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 |
CN115187865A (zh) * | 2022-07-20 | 2022-10-14 | 珠江水利委员会珠江水利科学研究院 | 基于地物光谱的无人机影像近红外波段模拟方法、介质 |
CN115346120A (zh) * | 2022-08-16 | 2022-11-15 | 中国科学院空天信息创新研究院 | 一种草地地上生物量及其固碳量遥感估算方法 |
CN116091939A (zh) * | 2023-01-03 | 2023-05-09 | 南京林业大学 | 基于多尺度地理加权回归的森林地上生物量降尺度方法 |
CN116108318A (zh) * | 2023-04-06 | 2023-05-12 | 华中农业大学 | 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 |
CN116308866A (zh) * | 2023-05-23 | 2023-06-23 | 武汉大学 | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 |
CN116482041A (zh) * | 2023-06-25 | 2023-07-25 | 武汉大学 | 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统 |
US20230316555A1 (en) * | 2020-08-14 | 2023-10-05 | Agriculture Victoria Services Pty Ltd | System and Method for Image-Based Remote Sensing of Crop Plants |
CN117079152A (zh) * | 2023-07-11 | 2023-11-17 | 移动广播与信息服务产业创新研究院(武汉)有限公司 | 一种基于卫星遥感影像的农作物精细分类提取方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180012167A1 (en) * | 2016-07-05 | 2018-01-11 | Sostena, Inc. | System and Method for Crop Management |
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 |
US11270112B2 (en) * | 2019-04-16 | 2022-03-08 | Precision Silver, LLC | Systems and methods for rating vegetation health and biomass from remotely sensed morphological and radiometric data |
US20230162441A1 (en) * | 2021-11-24 | 2023-05-25 | Dendra Systems Ltd. | Generating an above ground biomass prediction model |
-
2023
- 2023-11-27 CN CN202311588277.6A patent/CN117292267B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6718053B1 (en) * | 1996-11-27 | 2004-04-06 | Chromavision Medical Systems, Inc. | Method and apparatus for automated image analysis of biological specimens |
CN105608293A (zh) * | 2016-01-28 | 2016-05-25 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
CN109884664A (zh) * | 2019-01-14 | 2019-06-14 | 武汉大学 | 一种城市地上生物量光学微波协同反演方法及系统 |
US20230316555A1 (en) * | 2020-08-14 | 2023-10-05 | Agriculture Victoria Services Pty Ltd | System and Method for Image-Based Remote Sensing of Crop Plants |
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 |
CN114821349A (zh) * | 2022-03-01 | 2022-07-29 | 南京林业大学 | 顾及谐波模型系数和物候参数的森林生物量估算方法 |
CN115187865A (zh) * | 2022-07-20 | 2022-10-14 | 珠江水利委员会珠江水利科学研究院 | 基于地物光谱的无人机影像近红外波段模拟方法、介质 |
CN115346120A (zh) * | 2022-08-16 | 2022-11-15 | 中国科学院空天信息创新研究院 | 一种草地地上生物量及其固碳量遥感估算方法 |
CN116091939A (zh) * | 2023-01-03 | 2023-05-09 | 南京林业大学 | 基于多尺度地理加权回归的森林地上生物量降尺度方法 |
CN116108318A (zh) * | 2023-04-06 | 2023-05-12 | 华中农业大学 | 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 |
CN116308866A (zh) * | 2023-05-23 | 2023-06-23 | 武汉大学 | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 |
CN116482041A (zh) * | 2023-06-25 | 2023-07-25 | 武汉大学 | 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统 |
CN117079152A (zh) * | 2023-07-11 | 2023-11-17 | 移动广播与信息服务产业创新研究院(武汉)有限公司 | 一种基于卫星遥感影像的农作物精细分类提取方法和系统 |
Non-Patent Citations (12)
Title |
---|
Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley;Juliane Bendig等;International Journal of Applied Earth Observation and Geoinformation;第39卷;第79-87页 * |
Estimation of Rice Aboveground Biomass by UAV Imagery with Photosynthetic Accumulation Models;Kaili Yang等;Plant Phenomics;第05卷;第1-18页 * |
High-resolution airborne hyperspectral and thermal imagery for early detection of Verticilliumwilt of olive using fluorescence, temperature and narrow-band spectral indices;R. Calderón等;Remote Sensing of Environment;第139卷;第231-245页 * |
Remotely Sensed Prediction of Rice Yield at Different Growth Durations Using UAV Multispectral Imagery;Shanjun Luo等;agriculture;第12卷(第1447期);第1-17页 * |
WorldView-2纹理的森林地上生物量反演;蒙诗栎等;遥感学报;第21卷(第05期);第812-834页 * |
基于多生育期光谱累积量分析的无人机遥感水稻估产;于亚娇等;第八届高分辨率对地观测学术年会论文集;第1-16 * |
基于数码相机的玉米冠层SPAD遥感估算;贺英等;中国农业科学;第51卷(第15期);第2886-2897页 * |
基于机器学习结合植被指数阈值的水稻关键生育期识别;杨振忠等;中国农业大学学报;第25卷(第01期);第76-85页 * |
基于高光谱遥感的三峡库区典型消落带植被指数构建研究;彭瑶;中国优秀硕士学位论文全文数据库 基础科学辑(第08期);第A006-489页 * |
无人机多光谱影像的天然草地生物量估算;孙世泽等;遥感学报;第22卷(第05期);第848-856页 * |
红边波段在水稻生育期识别中的应用研究;黄侠等;测绘地理信息;第48卷(第3期);第87-90页 * |
高寒草地生物量变化对归一化物候指数的响应;于惠等;生态学报;第43卷(第19期);第8057-8065页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117292267A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108985588B (zh) | 一种农作物单产遥感估算方法、装置与系统 | |
CN109115776B (zh) | 一种基于颜色和深度信息的穴盘苗长势无损监测方法和装置 | |
Duan et al. | Remote estimation of grain yield based on UAV data in different rice cultivars under contrasting climatic zone | |
CN110567891B (zh) | 一种冬小麦冠层叶绿素估测系统及方法 | |
CN111241912A (zh) | 一种基于机器学习算法的多植被指数的水稻产量估测方法 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
Dong et al. | Deriving maximum light use efficiency from crop growth model and satellite data to improve crop biomass estimation | |
Meng et al. | Corn yield forecasting in northeast china using remotely sensed spectral indices and crop phenology metrics | |
CN112836575A (zh) | 一种基于作物物候期的多时序影像水稻估产方法 | |
CN114140692A (zh) | 基于无人机遥感和深度学习的鲜食玉米成熟度预测方法 | |
CN112580491A (zh) | 作物生长阶段的确定方法、装置、非易失性存储装置 | |
CN116482041B (zh) | 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统 | |
CN116308866B (zh) | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
CN110954650A (zh) | 一种棉花冠层氮素的卫星遥感监测方法 | |
Ahmad et al. | Spatio-temporal analysis of chickpea crop in arid environment by comparing high-resolution UAV image and LANDSAT imagery | |
CN112345467B (zh) | 利用遥感技术估算水稻生理参数的模型及其应用 | |
CN111275567B (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
CN117292267B (zh) | 一种基于物候信息的水稻地上生物量分段估算方法及系统 | |
CN112364691A (zh) | 一种烟草病虫害识别方法 | |
Ku et al. | Identification of new cold tolerant Zoysia grass species using high-resolution RGB and multi-spectral imaging | |
Ribeiro et al. | Can leaf area in rice be defined by a mathematical model? | |
CN114694020B (zh) | 一种棉花蚜虫遥感预报模型的构建方法 | |
Dos Reis et al. | Exploring the potential of high-resolution planetscope imagery for pasture biomass estimation in an integrated crop–livestock system |
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 |