CN117994060A - 作物单位面积产量确定方法、装置及设备 - Google Patents

作物单位面积产量确定方法、装置及设备 Download PDF

Info

Publication number
CN117994060A
CN117994060A CN202410105853.5A CN202410105853A CN117994060A CN 117994060 A CN117994060 A CN 117994060A CN 202410105853 A CN202410105853 A CN 202410105853A CN 117994060 A CN117994060 A CN 117994060A
Authority
CN
China
Prior art keywords
images
sample
vegetation index
space
gpp
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
CN202410105853.5A
Other languages
English (en)
Inventor
胡亚京
汪磊
李强
刘阁
杨久河
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.)
Beijing Guanwei Technology Co ltd
Original Assignee
Beijing Guanwei Technology Co ltd
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 Beijing Guanwei Technology Co ltd filed Critical Beijing Guanwei Technology Co ltd
Priority to CN202410105853.5A priority Critical patent/CN117994060A/zh
Publication of CN117994060A publication Critical patent/CN117994060A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Processing (AREA)

Abstract

本申请提供一种作物单位面积产量确定方法、装置及设备，涉及遥感图像处理技术领域，方法包括：获取第一遥感设备在目标时段内拍摄的针对目标区域的多个第一地表反射率图像，以及第二遥感设备在所述目标时段内拍摄的针对所述目标区域的多个第二地表反射率图像；基于多个第一地表反射率图像和多个第二地表反射率图像，得到多个生育时期各自对应的时空融合植被指数影像；将多个生育时期各自对应的时空融合植被指数影像，输入至预先构建的作物估产模型中，得到目标作物的单位面积产量。本申请的方案能够提高作物单位面积产量估测的准确性。

Description

作物单位面积产量确定方法、装置及设备
技术领域
本申请涉及遥感图像处理技术领域，尤其涉及一种作物单位面积产量确定方法、装置及设备。
背景技术
在生产实践中，经常涉及作物单位面积产量的估测。
目前相关技术中，主要是通过单一时相作物估产方法进行作物单位面积产量估测的。具体的，首先获取高空间分辨率的哨兵2号(Sentinel-2)数据，基于Sentinel-2数据生成相应的植被指数影像，并基于植被指数影像构建单一时相估产模型，通过单一时相估产模型即可实现作物单位面积产量的估测。
然而，受卫星传感器时空分辨率的限制，上述单一时相作物估产方法难以获取部分时期的Sentinel-2数据，导致作物单位面积产量的估测准确性较低。
发明内容
本申请提供一种作物单位面积产量确定方法、装置及设备，以解决目前作物单位面积产量的估测准确性较低的技术问题。
第一方面，本申请提供一种作物单位面积产量确定方法，包括：
获取第一遥感设备在目标时段内拍摄的针对目标区域的多个第一地表反射率图像，以及第二遥感设备在所述目标时段内拍摄的针对所述目标区域的多个第二地表反射率图像；所述第一遥感设备的第一空间分辨率大于所述第二遥感设备的第二空间分辨率，所述第一遥感设备的第一时间分辨率小于所述第二遥感设备的第二时间分辨率；所述目标区域内种植有目标作物，所述目标时段包括所述目标作物的多个生育时期；
基于所述多个第一地表反射率图像和所述多个第二地表反射率图像，得到所述多个生育时期各自对应的时空融合植被指数影像，所述时空融合植被指数影像包括时空融合NDVI影像和时空融合EVI影像；
将所述多个生育时期各自对应的时空融合植被指数影像，输入至预先构建的作物估产模型中，得到所述目标作物的单位面积产量；
其中，所述作物估产模型是基于多个第一样本进行训练得到的，各第一样本中包括所述多个生育时期各自对应的样本时空融合植被指数影像和单位面积产量标签。
在一种可能的实施方式中，所述基于所述多个第一地表反射率图像和所述多个第二地表反射率图像，得到所述多个生育时期各自对应的时空融合植被指数影像，包括：
基于所述多个第一地表反射率图像，生成多个第一月尺度植被指数影像；
基于所述多个第二地表反射率图像，生成多个第二月尺度植被指数影像和多个旬尺度植被指数影像；
基于所述多个第一月尺度植被指数影像、所述多个第二月尺度植被指数影像和所述多个旬尺度植被指数影像，得到所述多个生育时期各自对应的时空融合植被指数影像。
在一种可能的实施方式中，所述基于所述多个第一月尺度植被指数影像、所述多个第二月尺度植被指数影像和所述多个旬尺度植被指数影像，得到所述多个生育时期各自对应的时空融合植被指数影像，包括：
针对所述多个旬尺度植被指数影像中、各旬对应的旬尺度植被指数影像，在所述多个第一月尺度植被指数影像中确定所述旬尺度植被指数影像对应的第一参考植被指数影像，并在所述多个第二月尺度植被指数影像中确定所述旬尺度植被指数影像对应的第二参考植被指数影像；将所述旬尺度植被指数影像、所述第一参考植被指数影像和所述第二参考植被指数影像，输入至预先构建的时空数据融合模型中，得到对应的旬尺度时空融合植被指数影像；
针对各生育时期，确定所述生育时期包括的多个旬；基于所述多个旬各自对应的旬尺度时空融合植被指数影像，得到所述生育时期对应的时空融合植被指数影像；
其中，所述时空数据融合模型是基于多个第二样本进行训练得到的，各第二样本包括样本旬尺度植被指数影像、所述样本旬尺度植被指数影像对应的第一样本参考植被指数影像、第二样本参考植被指数影像以及对应的旬尺度时空融合植被指数影像标签。
在一种可能的实施方式中，所述单位面积产量标签对应的空间分辨率为所述第二空间分辨率；所述基于多个第一样本进行训练，包括：
针对各第一样本，对所述第一样本中包括的所述多个生育时期各自对应的样本时空融合植被指数影像进行升尺度处理，得到所述多个生育时期各自对应的目标样本时空融合植被指数影像；
将所述多个第一样本各自对应的目标样本时空融合植被指数影像，输入至初始作物估产模型中，得到所述目标作物的预测单位面积产量；
基于所述预测单位面积产量和对应的单位面积产量标签，更新所述初始作物估产模型的模型参数，得到所述作物估产模型；
其中，所述样本时空融合植被指数影像对应的空间分辨率为所述第一空间分辨率，所述目标样本时空融合植被指数影像对应的空间分辨率为所述第二空间分辨率。
在一种可能的实施方式中，所述方法还包括：
获取所述第二遥感设备在所述多个生育时期内拍摄的针对所述目标区域的多个初始GPP图像；
对多个初始GPP图像进行预处理，得到多个GPP图像；
对所述多个GPP图像进行累加处理，得到所述目标区域内所述目标作物的累计GPP数据；
将所述累计GPP数据输入至线性回归模型中，得到所述单位面积产量标签；
其中，所述线性回归模型是基于多个第三样本进行训练得到的，各第三样本包括样本区域的多个样本GPP图像和所述样本区域包括的多个样本子区域各自对应的产量标签。
在一种可能的实施方式中，所述基于多个第三样本进行训练，包括：
针对各第三样本，执行以下操作：
对所述第三样本包括的多个样本GPP图像进行处理，得到所述多个样本子区域各自的子样本GPP图像；
针对各样本子区域，对所述样本子区域的子样本GPP图像进行逐像素点累加处理和平均处理，得到所述样本子区域内所述目标作物的样本累计GPP数据；
将所述多个样本子区域各自对应的样本累计GPP数据输入至初始线性回归模型，得到所述多个样本子区域各自对应的预测产量；
基于所述多个样本子区域各自对应的预测产量和所述多个样本子区域各自对应的产量标签，更新所述初始线性回归模型的模型参数，得到所述线性回归模型。
在一种可能的实施方式中，所述对所述第三样本包括的多个样本GPP图像进行处理，得到所述多个样本子区域各自的子样本GPP图像，包括：
对所述样本GPP图像进行像素点累加处理，得到样本累加GPP图像；
基于所述样本区域的土地利用类型分类图，对所述样本累加GPP图像进行处理，得到所述多个样本子区域各自的子样本GPP图像。
在一种可能的实施方式中，所述对多个初始GPP图像进行预处理，得到多个GPP图像，包括：
获取所述目标区域对应的叶面积指数数据；
对所述叶面积指数数据进行滤波处理，得到滤波后的叶面积指数数据；
基于所述叶面积指数数据和所述滤波后的叶面积指数数据，确定叶面积指数比值；
基于所述叶面积指数比值，对所述多个初始GPP图像进行平滑校正，得到所述多个GPP图像。
第二方面，本申请提供一种作物单位面积产量确定装置，包括：
获取模块，用于获取第一遥感设备在目标时段内拍摄的针对目标区域的多个第一地表反射率图像，以及第二遥感设备在所述目标时段内拍摄的针对所述目标区域的多个第二地表反射率图像；所述第一遥感设备的第一空间分辨率大于所述第二遥感设备的第二空间分辨率，所述第一遥感设备的第一时间分辨率小于所述第二遥感设备的第二时间分辨率；所述目标区域内种植有目标作物，所述目标时段包括所述目标作物的多个生育时期；
第一处理模块，用于基于所述多个第一地表反射率图像和所述多个第二地表反射率图像，得到所述多个生育时期各自对应的时空融合植被指数影像，所述时空融合植被指数影像包括时空融合NDVI影像和时空融合EVI影像；
第二处理模块，用于将所述多个生育时期各自对应的时空融合植被指数影像，输入至预先构建的作物估产模型中，得到所述目标作物的单位面积产量；
其中，所述作物估产模型是基于多个第一样本进行训练得到的，各第一样本中包括所述多个生育时期各自对应的样本时空融合植被指数影像和单位面积产量标签。
在一种可能的实施方式中，所述第一处理模块具体用于：
基于所述多个第一地表反射率图像，生成多个第一月尺度植被指数影像；
基于所述多个第二地表反射率图像，生成多个第二月尺度植被指数影像和多个旬尺度植被指数影像；
基于所述多个第一月尺度植被指数影像、所述多个第二月尺度植被指数影像和所述多个旬尺度植被指数影像，得到所述多个生育时期各自对应的时空融合植被指数影像。
在一种可能的实施方式中，所述第一处理模块具体用于：
针对所述多个旬尺度植被指数影像中、各旬对应的旬尺度植被指数影像，在所述多个第一月尺度植被指数影像中确定所述旬尺度植被指数影像对应的第一参考植被指数影像，并在所述多个第二月尺度植被指数影像中确定所述旬尺度植被指数影像对应的第二参考植被指数影像；将所述旬尺度植被指数影像、所述第一参考植被指数影像和所述第二参考植被指数影像，输入至预先构建的时空数据融合模型中，得到对应的旬尺度时空融合植被指数影像；
针对各生育时期，确定所述生育时期包括的多个旬；基于所述多个旬各自对应的旬尺度时空融合植被指数影像，得到所述生育时期对应的时空融合植被指数影像；
其中，所述时空数据融合模型是基于多个第二样本进行训练得到的，各第二样本包括样本旬尺度植被指数影像、所述样本旬尺度植被指数影像对应的第一样本参考植被指数影像、第二样本参考植被指数影像以及对应的旬尺度时空融合植被指数影像标签。
在一种可能的实施方式中，所述第二处理模块还用于：
针对各第一样本，对所述第一样本中包括的所述多个生育时期各自对应的样本时空融合植被指数影像进行升尺度处理，得到所述多个生育时期各自对应的目标样本时空融合植被指数影像；
将所述多个第一样本各自对应的目标样本时空融合植被指数影像，输入至初始作物估产模型中，得到所述目标作物的预测单位面积产量；
基于所述预测单位面积产量和对应的单位面积产量标签，更新所述初始作物估产模型的模型参数，得到所述作物估产模型；
其中，所述样本时空融合植被指数影像对应的空间分辨率为所述第一空间分辨率，所述目标样本时空融合植被指数影像对应的空间分辨率为所述第二空间分辨率。
在一种可能的实施方式中，所述第二处理模块还用于：
获取所述第二遥感设备在所述多个生育时期内拍摄的针对所述目标区域的多个初始GPP图像；
对多个初始GPP图像进行预处理，得到多个GPP图像；
对所述多个GPP图像进行累加处理，得到所述目标区域内所述目标作物的累计GPP数据；
将所述累计GPP数据输入至线性回归模型中，得到所述单位面积产量标签；
其中，所述线性回归模型是基于多个第三样本进行训练得到的，各第三样本包括样本区域的多个样本GPP图像和所述样本区域包括的多个样本子区域各自对应的产量标签。
在一种可能的实施方式中，所述第二处理模块还用于：
针对各第三样本，执行以下操作：
对所述第三样本包括的多个样本GPP图像进行处理，得到所述多个样本子区域各自的子样本GPP图像；
针对各样本子区域，对所述样本子区域的子样本GPP图像进行逐像素点累加处理和平均处理，得到所述样本子区域内所述目标作物的样本累计GPP数据；
将所述多个样本子区域各自对应的样本累计GPP数据输入至初始线性回归模型，得到所述多个样本子区域各自对应的预测产量；
基于所述多个样本子区域各自对应的预测产量和所述多个样本子区域各自对应的产量标签，更新所述初始线性回归模型的模型参数，得到所述线性回归模型。
在一种可能的实施方式中，所述第二处理模块还用于：
对所述样本GPP图像进行像素点累加处理，得到样本累加GPP图像；
基于所述样本区域的土地利用类型分类图，对所述样本累加GPP图像进行处理，得到所述多个样本子区域各自的子样本GPP图像。
在一种可能的实施方式中，所述第二处理模块还用于：
获取所述目标区域对应的叶面积指数数据；
对所述叶面积指数数据进行滤波处理，得到滤波后的叶面积指数数据；
基于所述叶面积指数数据和所述滤波后的叶面积指数数据，确定叶面积指数比值；
基于所述叶面积指数比值，对所述多个初始GPP图像进行平滑校正，得到所述多个GPP图像。
第三方面，本申请提供一种电子设备，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，所述处理器执行所述程序时实现如第一方面任一项所述的作物单位面积产量确定方法。
第四方面，本申请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，所述计算机程序被处理器执行时实现如第一方面任一项所述的作物单位面积产量确定方法。
本申请提供的作物单位面积产量确定方法、装置及设备，首先获取第一遥感设备在目标时段内拍摄的针对目标区域的多个第一地表反射率图像，以及第二遥感设备在目标时段内拍摄的针对目标区域的多个第二地表反射率图像，并基于多个第一地表反射率图像和多个第二地表反射率图像，得到多个生育时期各自对应的时空融合植被指数影像，时空融合植被指数影像包括时空融合NDVI影像和时空融合EVI影像；最后将多个生育时期各自对应的时空融合植被指数影像，输入至预先构建的作物估产模型中，得到目标作物的单位面积产量；其中，作物估产模型是基于多个第一样本进行训练得到的，各第一样本中包括多个生育时期各自对应的样本时空融合植被指数影像和单位面积产量标签。针对单一时相作物估产方法难以获取部分时期的遥感数据的问题，本申请实施例通过第一遥感设备获取的高分辨率的第一地表反射率图像和第二遥感设备获取的高时间分辨率的第二地表反射率图像重建时空融合植被指数影像，由于第二遥感设备属于高时间分辨率的遥感设备，能够获取不同时期的遥感数据，从而能够提高作物单位面积产量估测的准确性。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为一种单一时相作物估产方法的流程图；
图2为一种多时相作物估产方法的流程图；
图3为本申请实施例提供的作物单位面积产量确定方法的流程图；
图4为本申请实施例提供的获取多个生育时期各自对应的时空融合植被指数影像的示意图；
图5为本申请实施例提供的生成单位面积产量标签的流程图；
图6为本申请实施例提供的线性回归模型处理示意图；
图7为本申请实施例提供的作物估产模型处理示意图；
图8为本申请实施例提供的作物单位面积产量确定装置的结构示意图；
图9为本申请实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请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。
作物估产指的是预测作物产量的过程，准确高效地进行作物估产，对于指导作物的生产管理具有重要的意义。
目前的作物估产方法，主要可分为基于统计回归模型的作物估产方法和基于作物生长模型的估产方法。其中，基于统计回归模型的作物估产方法是指通过构建统计回归模型建立遥感特征参数与作物单位面积产量之间的关系，进而对作物单产进行估测。相比于基于作物生长模型的作物估产方法，基于统计回归模型的作物估产方法无需输入大量参数，能够基于研究区的遥感数据和产量数据自动学习估产模型，因此更适用于区域的作物单产估测。
遥感影像计算的植被指数是基于统计回归模型的作物估产方法中常用的遥感特征参数。目前常用于作物估产的植被指数主要包括归一化植被指数(NormalizedDifference Vegetation Index，NDVI)、增强植被指数(Enhanced Vegetation Index，EVI)等。研究表明，作物在生育期内的最大NDVI和EVI与最终产量具有很好的相关性。此外，综合多生育时期的作物估产模型可以达到更高的估产精度，因此，根据遥感卫星的特点，当前基于植被指数作物估产方法可分为基于高空间分辨率、低时间分辨率卫星的单一时相作物估产方法，以及基于高时间分辨率、低空间分辨率卫星的多时相作物估产方法。
图1为一种单一时相作物估产方法的流程图，如图1所示，以作物为夏玉米，高空间分辨率、低时间分辨率卫星为Sentinel-2卫星为例，在夏玉米生育时期内获取最大Sentinel-2NDVI影像和最大Sentinel-2EVI影像(通常在8月中旬)，对应的空间分辨率在10-30m范围内。
然后，针对Sentinel-2数据，构建单时相作物估产模型，将最大Sentinel-2NDVI影像和最大Sentinel-2EVI影像输入构建的单时相作物估产模型，估算10-30m(例如20m)空间分辨率的夏玉米的单位面积产量。
图2为一种多时相作物估产方法的流程图，如图2所示，以作物为夏玉米，高时间分辨率、低空间分辨率遥感设备为泰拉(Terra)中分辨率成像光谱仪(Moderate-resolutionImaging Spectroradiometer，MODIS)为例，在夏玉米生育时期内获取逐日的多时相MODISNDVI影像和多时相MODIS EVI影像，对应的空间分辨率在250-1000m范围内。并应用最大值合成法计算每旬的MODIS NDVI影像和MODIS EVI影像，然后计算不同生育时期(出苗-拔节期、拔节-抽雄期、抽雄-乳熟期、乳熟-成熟期)的平均MODIS NDVI影像和平均MODIS EVI影像。
然后，针对MODIS数据，构建多时相作物估产模型，将各生育时期对应的平均MODISNDVI影像和平均MODIS EVI影像输入构建的多时相作物估产模型，估算250-1000m空间分辨率的夏玉米的单位面积产量。
上述作物估产方法主要包含以下不足：受卫星传感器时空分辨率的限制，Sentinel-2等高空间分辨率卫星无法实现基于多时相卫星影像的作物产量估测，尤其在云量较多的地区甚至可能无法获取8月中旬附近(抽雄期)的Sentinel-2影像，导致作物估产的准确性较低，而MODIS等高时间分辨率卫星则无法实现田块尺度的作物产量估测。
基于此，本申请实施例提供一种作物单位面积产量确定方法，提高目前田块尺度的作物产量估测的准确性。
图3为本申请实施例提供的作物单位面积产量确定方法的流程图，如图3所示，该方法包括：
S31，获取第一遥感设备在目标时段内拍摄的针对目标区域的多个第一地表反射率图像，以及第二遥感设备在目标时段内拍摄的针对所述目标区域的多个第二地表反射率图像。
其中，第一遥感设备的第一空间分辨率大于第二遥感设备的第二空间分辨率，第一遥感设备的第一时间分辨率小于第二遥感设备的第二时间分辨率；目标区域内种植有目标作物，目标时段包括目标作物的多个生育时期。
具体的，目标区域为待确定作物单位面积产量的区域，通过第一遥感设备拍摄可以得到多个第一地表反射率图像，多个第一地表反射率图像为第一遥感设备在目标时段内的不同时刻拍摄得到的地表反射率图像，第一地表反射率图像中各像素点的像素值用于指示相应的反射率。
通过第二遥感设备拍摄可以得到多个第二地表反射率图像，多个第二地表反射率图像为第二遥感设备在目标时段内的不同时刻拍摄得到的地表反射率图像，第二地表反射率图像中各像素点的像素值用于指示相应的反射率。
在本申请实施例中，第一遥感设备为高空间分辨率、低时间分辨率的遥感设备，第二遥感设备为低空间分辨率、高时间分辨率的遥感设备。
其中，空间分辨率指的是遥感图像上能够详细区分的最小单元的尺寸或大小，用于表征遥感影像分辨地面目标细节的指标，可以用像元大小来表示。像元越小，空间分辨率越大，空间细节越清晰，越能够显示更小的地面细节。由于第一遥感设备的第一空间分辨率大于第二遥感设备的第二空间分辨率，因此第一地表反射率图像相比第二地表反射率图像能够更清晰的表示目标区域的细节。
时间分辨率指的是在同一区域进行的两次相邻的遥感观测的最小时间间隔，最小时间间隔越大，时间分辨率越低，最小时间间隔越小，时间分辨率越高。由于第一遥感设备的第一时间分辨率小于第二遥感设备的第二时间分辨率，因此在同一目标时段内，多个第一地表反射率图像的数量小于多个第二地表反射率图像的数量。
由于第一遥感设备的第一空间分辨率大于第二遥感设备的第二空间分辨率，第一地表反射率图像对应的区域范围通常小于第二地表反射率图像对应的区域范围，因此可以基于第一地表反射率图像对应的区域范围对第二地表反射率图像进行裁剪，最终得到的多个第一地表反射率图像和多个第二地表反射率图像对应的区域范围均为目标区域。
S32，基于多个第一地表反射率图像和多个第二地表反射率图像，得到多个生育时期各自对应的时空融合植被指数影像，时空融合植被指数影像包括时空融合NDVI影像和时空融合EVI影像。
在得到多个第一地表反射率图像和多个第二地表反射率图像后，可以基于多个第一地表反射率图像和多个第二地表反射率图像，得到不同空间分辨率的植被指数影像，植被指数影像包括NDVI影像和EVI影像。然后将不同空间分辨率的植被指数影像进行融合，从而得到多个生育时期各自对应的时空融合植被指数影像。
具体的，基于多个第一地表反射率图像和多个第二地表反射率图像，得到多个生育时期各自对应的时空融合植被指数影像的过程，包括如下步骤a至步骤c：
步骤a，基于多个第一地表反射率图像，生成多个第一月尺度植被指数影像。
针对各第一地表反射率图像，基于植被指数的计算公式，即可生成该第一地表反射率图像对应的植被指数影像。在本申请实施例中，植被指数影像包括NDVI和EVI，因此针对各第一地表反射率图像，均可生成第一地表反射率图像对应的NDVI影像和EVI影像。
在得到各第一地表反射率图像对应的植被指数影像后，即可基于各第一地表反射率图像对应的植被指数影像生成多个第一月尺度植被指数影像。
目标时段包括多个月份，针对这多个月份中的各月份而言，在多个第一地表反射率图像中确定处于该月份内的第一地表反射率图像，然后基于最大值合成法对处于该月份内的第一地表反射率图像对应的植被指数影像进行处理，从而生成该月份对应的第一月尺度植被指数影像。
具体的，以植被指数影像包括NDVI影像为例，设处于某个月份内的第一地表反射率图像对应的NDVI影像的数量为M个，M为正整数，这M个NDVI影像的像素点一一对应。针对该月份对应的第一月尺度植被指数影像上的任意像素点，首先确定其在这M个NDVI影像上各自对应的像素点，并将其在这M个NDVI影像上各自对应的像素点中对应像素值最大的像素点的像素值，作为该月份对应的第一月尺度NDVI影像上的该像素点的像素值。植被指数影像包括EVI影像的情况下，生成第一月尺度EVI影像的过程与此类似，此处不再赘述。第一月尺度植被指数影像包括第一月尺度NDVI影像和第一月尺度EVI影像。
图4为本申请实施例提供的获取多个生育时期各自对应的时空融合植被指数影像的示意图，如图4所示，以第一遥感设备为Sentinel-2卫星、目标区域为华北平原、目标时段为6-10月为例，获取6-10月内的Sentinel-2地表反射率图像(即第一地表反射率图像)。
然后，针对目标时段内的各月份，基于处于该月份内的Sentinel-2地表反射率图像，计算得到该月份对应的Sentinel-2NDVI影像(即第一月尺度NDVI影像)和该月份对应的Sentinel-2EVI影像(即第一月尺度EVI影像)。如图4所示，Sentinel-2地表反射率图像对应的空间分辨率为20m空间分辨率(20m表示影像的像元大小)，各月份对应的Sentinel-2NDVI影像和Sentinel-2EVI影像对应的空间分辨率也均为20m空间分辨率。
步骤b，基于多个第二地表反射率图像，生成多个第二月尺度植被指数影像和多个旬尺度植被指数影像。
目标时段包括多个月份，针对这多个月份中的各月份而言，在多个第二地表反射率图像中确定处于该月份内的第二地表反射率图像，然后基于最大值合成法对处于该月份内的第二地表反射率图像对应的植被指数影像进行处理，从而生成该月份对应的第二月尺度植被指数影像。第二月尺度植被指数影像包括第二月尺度NDVI影像和第二月尺度EVI影像。
如图4所示，以第二遥感设备为MODIS为例，获取6-10月内的Terra MODIS地表反射率图像(即第二地表反射率图像)。然后，针对目标时段内的各月份，基于处于该月份内的Terra MODIS地表反射率图像，计算得到该月份对应的Terra MODIS NDVI影像(即第二月尺度NDVI影像)和该月份对应的Terra MODIS EVI影像(即第二月尺度EVI影像)。如图4所示，Terra MODIS地表反射率图像对应的空间分辨率为500m空间分辨率(500m表示影像的像元大小)，各月份对应的Terra MODIS NDVI影像和Terra MODIS EVI影像对应的空间分辨率也均为500m空间分辨率。
目标时段包括多个旬，针对这多个旬中的各旬而言，在多个第二地表反射率图像中确定处于该旬内的第二地表反射率图像，然后基于最大值合成法对处于该旬内的第二地表反射率图像对应的植被指数影像进行处理，从而生成该旬对应的旬尺度植被指数影像。旬尺度植被指数影像包括旬尺度NDVI影像和旬尺度EVI影像。
如图4所示，针对目标时段内的各旬，基于处于该旬内的Terra MODIS地表反射率图像，计算得到该旬对应的Terra MODIS NDVI影像(即旬尺度NDVI影像)和该旬对应的Terra MODIS EVI影像(即旬尺度EVI影像)。如图4所示，各旬对应的Terra MODIS NDVI影像和Terra MODIS EVI影像对应的空间分辨率也均为500m空间分辨率。
步骤c，基于多个第一月尺度植被指数影像、多个第二月尺度植被指数影像和多个旬尺度植被指数影像，得到多个生育时期各自对应的时空融合植被指数影像。
在本申请实施例中，可以基于预先构建的时空数据融合模型对上述得到的第一月尺度植被指数影像、第二月尺度植被指数影像和旬尺度植被指数影像进行融合，从而得到相应的多个生育时期各自对应的时空融合植被指数影像。
具体的，针对多个旬尺度植被指数影像中、各旬对应的旬尺度植被指数影像，在多个第一月尺度植被指数影像中确定旬尺度植被指数影像对应的第一参考植被指数影像，并在多个第二月尺度植被指数影像中确定旬尺度植被指数影像对应的第二参考植被指数影像；将旬尺度植被指数影像、第一参考植被指数影像和第二参考植被指数影像，输入至预先构建的时空数据融合模型中，得到对应的旬尺度时空融合植被指数影像。
其中，时空数据融合模型是基于多个第二样本进行训练得到的，各第二样本包括样本旬尺度植被指数影像、样本旬尺度植被指数影像对应的第一样本参考植被指数影像、第二样本参考植被指数影像以及对应的旬尺度时空融合植被指数影像标签。
在本申请实施例中，时空数据融合模型例如可以为增强时空自适应反射率融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM)，或者其他可能的模型架构，本申请实施例对此不作限定。
时空数据融合模型可以用于重建旬尺度时空融合植被指数影像，旬尺度时空融合植被指数影像的空间分辨率为第一空间分辨率。针对目标时段内的任意一个旬对应的旬尺度植被指数影像，在重建该旬对应的旬尺度时空融合植被指数影像的过程中，时空数据融合模型的输入包括该旬尺度植被指数影像对应的第一参考植被指数影像和对应的第二参考植被指数影像。
具体的，在多个第一月尺度植被指数影像中确定该旬尺度植被指数影像对应的第一参考植被指数影像，并在多个第二月尺度植被指数影像中确定该旬尺度植被指数影像对应的第二参考植被指数影像。其中，第一参考植被指数影像和第二参考植被指数影像对应的月份是相同的。例如第一参考植被指数影像为多个第一月尺度植被指数影像中A月份对应的第一月尺度植被指数影像，则第二参考植被指数影像为多个第二月尺度植被指数影像中A月份对应的第二月尺度植被指数影像。并且，第一参考植被指数影像对应的空间分辨率为第一空间分辨率，对应的时间分辨率为第一时间分辨率，第一参考植被指数影像属于高空间分辨率、低时间分辨率的植被指数影像；第二参考植被指数影像对应的空间分辨率为第二空间分辨率，对应的时间分辨率为第二时间分辨率，第二参考植被指数影像属于低空间分辨率、高时间分辨率的植被指数影像。
然后，将该旬尺度植被指数影像输入至时空数据融合模型中，将对应的第一参考植被指数影像和第二参考植被指数影像也输入至时刻数据融合模型中，作为该旬尺度植被指数影像的参考植被指数影像，通过时刻数据融合模型对该旬尺度植被指数影像、第一参考植被指数影像和第二参考植被指数影像进行时空融合，从而得到对应的旬尺度时空融合植被指数影像。
如图4所示，针对各旬对应的Terra MODIS NDVI影像，将某月份对应的Sentinel-2NDVI影像、某月份对应的Terra MODIS NDVI影像和该旬对应的Terra MODIS NDVI影像输入至时空数据融合模型中，得到该旬对应的旬尺度时空融合NDVI影像。针对各旬对应的Terra MODIS EVI影像，将某月份对应的Sentinel-2EVI影像、某月份对应的Terra MODISEVI影像和该旬对应的Terra MODIS EVI影像输入至时空数据融合模型中，得到该旬对应的旬尺度时空融合EVI影像。
以ESTARFM模型为例，根据ESTARFM时空数据融合模型的日期设置方法，设置类别数为30，滑动窗口大小为50。以7-8月的旬尺度的20m空间分辨率植被指数重建为例，将6月对应的Sentinel-2NDVI影像和8月对应的Terra MODIS NDVI影像作为参考影像输入ESTARFM模型，同时输入7月和8月每旬对应的Terra MODIS NDVI影像，即可得到7月和8月每旬对应的旬尺度时空融合NDVI影像；将6月对应的Sentinel-2EVI影像和8月对应的TerraMODIS EVI影像作为参考影像输入ESTARFM模型，同时输入7月和8月每旬的Terra MODISEVI影像，即可得到7月和8月每旬对应的旬尺度时空融合EVI影像。
以9月的旬尺度的20m空间分辨率植被指数重建为例，将8月对应的Sentinel-2NDVI影像和10月对应的Terra MODIS NDVI影像作为参考影像输入ESTARFM模型，同时输入9月每旬对应的Terra MODIS NDVI影像，即可得到9月每旬对应的旬尺度时空融合NDVI影像；将8月对应的Sentinel-2EVI影像和10月对应的Terra MODIS EVI影像作为参考影像输入ESTARFM模型，同时输入9月每旬对应的Terra MODIS EVI影像，即可得到9月每旬对应的旬尺度时空融合EVI影像。
旬尺度时空融合植被指数影像包括旬尺度时空融合NDVI影像和旬尺度时空融合EVI影像，如图4所示，旬尺度时空融合NDVI影像和旬尺度时空融合EVI影像的空间分辨率均为20m空间分辨率，等于第一空间分辨率。
通过上述方式，可以得到各个旬对应的旬尺度时空融合植被指数影像，然后基于目标作物各生育时期对应的日期，对各个旬对应的旬尺度时空融合植被指数影像进行处理，即可得到各生育时期对应的时空融合植被指数影像。
针对目标作物的各生育时期，首先确定该生育时期包括的多个旬，不同的生育时期包括的旬不同。在确定了该生育时期包括的多个旬后，基于多个旬各自对应的旬尺度时空融合植被指数影像，得到生育时期对应的时空融合植被指数影像。
具体的，在得到该生育时期包括的多个旬各自对应的旬尺度时空融合植被指数影像后，由于多个旬各自对应的旬尺度时空融合植被指数影像的像素点是一一对应的。针对该生育时期对应的时空融合植被指数影像中的任意像素点，确定其在这多个旬各自对应的旬尺度时空融合植被指数影像中的像素值，然后将其在这多个旬各自对应的旬尺度时空融合植被指数影像中的像素值取平均值，即可作为该像素点的像素值。通过上述方法，即可得到该生育时期对应的时空融合植被指数影像中的各像素点的像素值，进而得到该生育时期对应的时空融合植被指数影像。
针对每个生育时期，均可以通过上述方法进行处理，从而得到多个生育时期各自对应的时刻融合植被指数影像。如图4所示，通过各旬对应的旬尺度时空融合NDVI影像，可以得到各生育时期对应的时空融合NDVI影像；通过各旬对应的旬尺度时空融合EVI影像，可以得到各生育时期对应的时空融合EVI影像。其中，各生育时期对应的时空融合NDVI影像和时空融合EVI影像对应的空间分辨率也为20m空间分辨率，即第一空间分辨率。
S33，将多个生育时期各自对应的时空融合植被指数影像，输入至预先构建的作物估产模型中，得到目标作物的单位面积产量。
其中，作物估产模型是基于多个第一样本进行训练得到的，各第一样本中包括多个生育时期各自对应的样本时空融合植被指数影像和单位面积产量标签。
在通过作物估产模型对多个生育时期各自对应的时空融合植被指数影像处理，得到目标作物的单位面积产量之前，首先要对作物估产模型进行训练。
目前，训练作物估产模型通常需要大量的产量训练样本，然而在实际情况下，难以获取足够数量的地面实测产量样点数据，导致限制了作物估产模型的训练，作物估产模型的精度无法保证。
基于此，本申请实施例提供一种基于目标作物在生育时期的累积GPP生成大量可用于田块尺度的作物估产模型训练的第一样本，下面将结合图5对具体的实现过程进行介绍。
图5为本申请实施例提供的生成单位面积产量标签的流程图，如图5所示，包括：
S51，获取第二遥感设备在多个生育时期内拍摄的针对目标区域的多个初始总初级生产力(Gross Primary Productivity，GPP)图像。
第二遥感设备可以在不同年份的多个生育时期内拍摄，得到多个初始GPP图像，初始GPP图像用于指示目标区域的GPP数据。
S52，对多个初始GPP图像进行预处理，得到多个GPP图像。
预处理的过程即为对多个初始GPP图像进行平滑校正的过程，在本申请实施例中，可以通过叶面积指数数据实现对初始GPP图像的平滑校正。
首先获取目标区域对应的叶面积指数数据，然后对叶面积指数数据进行滤波处理，得到滤波后的叶面积指数数据。其中，滤波处理的方式例如可以包括S-G滤波处理，或者其他合适的滤波处理，本申请实施例对此不作限定。通过滤波处理得到滤波后的叶面积指数数据，然后基于滤波前的叶面积指数数据和滤波后的叶面积指数数据，确定叶面积指数比值，从而基于该叶面积指数比值，对多个初始GPP图像进行平滑校正，得到多个GPP图像。
以多个初始GPP图像包括2017-2022年华北平原研究区内7-9月的8天尺度的500m空间分辨率的Terra MODIS GPP图像，叶面积指数数据包括4天尺度的500m空间分辨率LAI图像为例，通过针对MODIS数据的处理工具(MODIS Reprojection Tool，MRT)进行预处理。然后，对4天尺度的500m空间分辨率叶面积指数(Leaf Area Index，LAI)图像上包络线S-G滤波(Savitzky-Golay滤波，一种基于多项式拟合的滤波方法)处理，滤波核大小为5，得到平滑的时间序列LAI数据。然后计算滤波后和滤波前各日期LAI的比值，并将该比值与相同日期的GPP图像进行相乘，得到平滑校正后的多个GPP图像。
S53，对多个GPP图像进行累加处理，得到目标区域内目标作物的累计GPP数据。
具体的，将多个GPP图像中对应像素点的像素值进行累加，得到累加后的GPP图像，累加后的GPP图像中的各像素点的像素值，为该像素点在多个GPP图像中对应像素点的像素值之和，累加后的GPP图像反映的是目标区域内目标作物的累计GPP数据。
S54，将累计GPP数据输入至线性回归模型中，得到单位面积产量标签。
线性回归模型是基于多个第三样本进行训练得到的，各第三样本包括样本区域的多个样本GPP图像和样本区域包括的多个样本子区域各自对应的产量标签。
在通过线性回归模型对累计GPP数据进行处理之前，首先要基于多个第三样本对线性回归模型进行训练。
针对各第三样本，执行以下操作1.1至1.4：
1.1、对第三样本包括的多个样本GPP图像进行处理，得到多个样本子区域各自的子样本GPP图像。
首先对样本GPP图像进行像素点累加处理，得到样本累加GPP图像。对样本GPP图像进行像素点累加处理的过程，是将多个样本GPP图像对应的像素点进行相加。样本累加GPP图像中的各像素点的像素值，为该像素点在多个样本GPP图像中对应像素点的像素值之和。
在得到样本累加GPP图像后，基于样本区域的土地利用类型分类图，对样本累加GPP图像进行处理，得到多个样本子区域各自的子样本GPP图像。
样本累加GPP图像对应的区域为样本区域，基于样本区域的土地利用类型分类图，可以将样本区域划分为多个样本子区域，进而通过对样本累加GPP图像进行划分，得到多个样本子区域各自的子样本GPP图像，子样本GPP图像为样本累加GPP图像的一部分，子样本GPP图像对应的区域为样本子区域。
1.2、针对各样本子区域，对样本子区域的子样本GPP图像进行逐像素点累加处理和平均处理，得到样本子区域内目标作物的样本累计GPP数据。
针对各样本子区域，对该样本子区域的子样本GPP图像进行逐像素点累加处理的过程，是将该样本子区域的子样本GPP图像中的多个像素点的像素值进行相加，得到相加后的像素值的过程。而对该样本子区域的子样本GPP图像进行平均处理的过程，就是将相加后的像素值除以该子样本GPP图像上的像素点的数量，得到该样本子区域内目标作物的样本累计GPP数据的过程。
1.3、将多个样本子区域各自对应的样本累计GPP数据输入至初始线性回归模型，得到多个样本子区域各自对应的预测产量。
通过上述处理，能够将单个样本区域对应的样本GPP图像划分成多个子样本区域各自对应的子样本GPP图像，得到多个子样本区域内目标作物的样本累计GPP数据，从而极大的扩充了可用于训练线下回归模型的样本数量。
在得到多个样本子区域各自对应的样本累计GPP数据后，将多个样本子区域各自对应的样本累计GPP数据输入至初始线性回归模型，通过初始线性回归模型对多个样本子区域各自对应的样本累计GPP数据进行处理，得到多个样本子区域各自对应的预测产量。
1.4、基于多个样本子区域各自对应的预测产量和多个样本子区域各自对应的产量标签，更新初始线性回归模型的模型参数，得到线性回归模型。
多个样本子区域各自对应的产量标签，可以通过统计相应样本子区域的单产数据获取。初始线性回归模型输出的预测产量与实际的产量之间可能存在差异，因此基于多个样本子区域各自对应的预测产量和多个样本子区域各自对应的产量标签，更新初始线性回归模型的模型参数，得到线性回归模型。
对每个第三样本，均可以执行上述操作，从而完成一轮训练过程，最终得到训练好的线性回归模型。
图6为本申请实施例提供的线性回归模型处理示意图，如图6所示，针对线性回归模型处理包括训练和预测两个过程。图6中的多个Terra MODIS GPP图像，针对训练过程，多个Terra MODIS GPP图像即为第三样本包括的多个样本GPP图像，针对预测过程，多个TerraMODIS GPP图像即为第二遥感设备在多个生育时期内拍摄的针对目标区域的多个初始GPP图像。
针对训练过程，以样本区域为华北平原研究区为例，获取2017-2022年华北平原研究区内7-9月的8天尺度的500m空间分辨率的Terra MODIS GPP图像和4天尺度的500m空间分辨率LAI数据，并利用MRT工具进行预处理。
然后，对华北平原研究区内7-9月的4天尺度LAI数据上包络线S-G滤波处理，滤波核大小为5，得到平滑的时间序列LAI数据。然后计算滤波后和滤波前各日期LAI的比值，并将该比值与相同日期的Terra MODIS GPP图像进行相乘，得到平滑校正后的Terra MODISGPP图像。
对华北平原研究区内7-9月平滑校正后的Terra MODIS GPP图像进行累加，得到夏玉米生育期的累积GPP数据，并按照华北平原的土地利用类型分类图中的夏玉米种植区分布范围以及各县的范围对500m空间分辨率的GPP数据进行逐像元累加并取平均，从而得到华北平原各县夏玉米在其生育期的平均累积GPP数据。
然后，将华北平原各县夏玉米在其生育期的平均累积GPP数据输入至初始线性回归模型，通过初始线性回归模型输出华北平原各县夏玉米的预测产量，结合统计的各县的年鉴夏玉米单产数据，更新出现线性回归模型的模型参数。
在得到训练好的线性回归模型后，线性回归模型具备基于累计GPP数据预测单位面积产量的能力。因此将目标区域内目标作物的累计GPP数据输入至线性回归模型中，即可得到单位面积产量标签，该单位面积产量标签对应的空间分辨率为第二空间分辨率。
在得到各第一样本中的单位面积产量标签后，就可以基于多个第一样本训练作物估产模型。
针对各第一样本，首先对第一样本中包括的多个生育时期各自对应的样本时空融合植被指数影像进行升尺度处理，得到多个生育时期各自对应的目标样本时空融合植被指数影像。其中，样本时空融合植被指数影像对应的空间分辨率为第一空间分辨率，目标样本时空融合植被指数影像对应的空间分辨率为第二空间分辨率。
由于多个生育时期各自对应的样本时空融合植被指数影像，其对应的空间分辨率为第一空间分辨率，而单位面积产量标签对应的空间分辨率为第二空间分辨率，为了使得两者保持一致，因此需要对样本时空融合植被指数影像进行升尺度处理，得到目标样本时空融合植被指数影像，目标样本时空融合植被指数影像对应的空间分辨率为第一空间分辨率。升尺度处理的过程，即为对样本时空融合植被指数影像进行重采样的过程。
然后，将多个第一样本各自对应的目标样本时空融合植被指数影像，输入至初始作物估产模型中，得到目标作物的预测单位面积产量。基于预测单位面积产量和对应的单位面积产量标签，更新初始作物估产模型的模型参数，得到作物估产模型。
图7为本申请实施例提供的作物估产模型处理示意图，如图7所示，针对作物估产模型处理包括训练和预测两个过程。
针对训练过程，图7中的各生育时期对应的时空融合NDVI影像和时空融合EVI影像即为第一样本中包括的多个生育时期各自对应的样本时空融合植被指数影像，图7中的500m空间分辨率的夏玉米单位面积产量即为第一样本中包括的单位面积产量标签。
将20m空间分辨率的各生育时期对应的时空融合NDVI影像和时空融合EVI影像进行空间升尺度处理，得到500m空间分辨率的各生育时期对应的时空融合NDVI影像和时空融合EVI影像。然后，将其输入至作物估产模型中，得到预测的单位面积产量。再结合500m空间分辨率的夏玉米单位面积产量这一标签，更新作物估产模型的参数。
针对预测过程，图7中的各生育时期对应的时空融合NDVI影像和时空融合EVI影像即为基于多个第一地表反射率图像和多个第二地表反射率图像，得到的多个生育时期各自对应的时空融合植被指数影像。将其输入至作物估产模型，即可得到目标作物的单位面积产量。
综上，本申请实施例的方案，首先获取第一遥感设备在目标时段内拍摄的针对目标区域的多个第一地表反射率图像，以及第二遥感设备在目标时段内拍摄的针对目标区域的多个第二地表反射率图像，并基于多个第一地表反射率图像和多个第二地表反射率图像，得到多个生育时期各自对应的时空融合植被指数影像，时空融合植被指数影像包括时空融合NDVI影像和时空融合EVI影像；最后将多个生育时期各自对应的时空融合植被指数影像，输入至预先构建的作物估产模型中，得到目标作物的单位面积产量；其中，作物估产模型是基于多个第一样本进行训练得到的，各第一样本中包括多个生育时期各自对应的样本时空融合植被指数影像和单位面积产量标签。针对单一时相作物估产方法难以获取部分时期的遥感数据的问题，本申请实施例通过第一遥感设备获取的高分辨率的第一地表反射率图像和第二遥感设备获取的高时间分辨率的第二地表反射率图像重建时空融合植被指数影像，由于第二遥感设备属于高时间分辨率的遥感设备，能够获取不同时期的遥感数据，从而能够提高作物单位面积产量估测的准确性。相较于多时相作物估产方法，能够实现田块尺度的作物产量估测。
进一步的，本申请实施例的方案，通过将样本区域按照县域划分为多个样本子区域，仅需利用几十个县尺度产量数据与累积GPP数据构建线性回归模型，即可通过累积GPP数据生成大量产量训练样本。该线性回归模型在短期内(例如10年内的任何一年)的相同区域可重复使用，无需重新训练。依靠这些生成的训练样本，可以实现对复杂机器学习模型的训练，无需依赖大量的产量训练样本。
下面对本申请提供的作物单位面积产量确定装置进行描述，下文描述的作物单位面积产量确定装置与上文描述的作物单位面积产量确定方法可相互对应参照。
图8为本申请实施例提供的作物单位面积产量确定装置的结构示意图，如图8所示，该装置包括：
获取模块81，用于获取第一遥感设备在目标时段内拍摄的针对目标区域的多个第一地表反射率图像，以及第二遥感设备在所述目标时段内拍摄的针对所述目标区域的多个第二地表反射率图像；所述第一遥感设备的第一空间分辨率大于所述第二遥感设备的第二空间分辨率，所述第一遥感设备的第一时间分辨率小于所述第二遥感设备的第二时间分辨率；所述目标区域内种植有目标作物，所述目标时段包括所述目标作物的多个生育时期；
第一处理模块82，用于基于所述多个第一地表反射率图像和所述多个第二地表反射率图像，得到所述多个生育时期各自对应的时空融合植被指数影像，所述时空融合植被指数影像包括时空融合NDVI影像和时空融合EVI影像；
第二处理模块83，用于将所述多个生育时期各自对应的时空融合植被指数影像，输入至预先构建的作物估产模型中，得到所述目标作物的单位面积产量；
其中，所述作物估产模型是基于多个第一样本进行训练得到的，各第一样本中包括所述多个生育时期各自对应的样本时空融合植被指数影像和单位面积产量标签。
在一种可能的实施方式中，所述第一处理模块82具体用于：
基于所述多个第一地表反射率图像，生成多个第一月尺度植被指数影像；
基于所述多个第二地表反射率图像，生成多个第二月尺度植被指数影像和多个旬尺度植被指数影像；
基于所述多个第一月尺度植被指数影像、所述多个第二月尺度植被指数影像和所述多个旬尺度植被指数影像，得到所述多个生育时期各自对应的时空融合植被指数影像。
在一种可能的实施方式中，所述第一处理模块82具体用于：
针对所述多个旬尺度植被指数影像中、各旬对应的旬尺度植被指数影像，在所述多个第一月尺度植被指数影像中确定所述旬尺度植被指数影像对应的第一参考植被指数影像，并在所述多个第二月尺度植被指数影像中确定所述旬尺度植被指数影像对应的第二参考植被指数影像；将所述旬尺度植被指数影像、所述第一参考植被指数影像和所述第二参考植被指数影像，输入至预先构建的时空数据融合模型中，得到对应的旬尺度时空融合植被指数影像；
针对各生育时期，确定所述生育时期包括的多个旬；基于所述多个旬各自对应的旬尺度时空融合植被指数影像，得到所述生育时期对应的时空融合植被指数影像；
其中，所述时空数据融合模型是基于多个第二样本进行训练得到的，各第二样本包括样本旬尺度植被指数影像、所述样本旬尺度植被指数影像对应的第一样本参考植被指数影像、第二样本参考植被指数影像以及对应的旬尺度时空融合植被指数影像标签。
在一种可能的实施方式中，所述第二处理模块83还用于：
针对各第一样本，对所述第一样本中包括的所述多个生育时期各自对应的样本时空融合植被指数影像进行升尺度处理，得到所述多个生育时期各自对应的目标样本时空融合植被指数影像；
将所述多个第一样本各自对应的目标样本时空融合植被指数影像，输入至初始作物估产模型中，得到所述目标作物的预测单位面积产量；
基于所述预测单位面积产量和对应的单位面积产量标签，更新所述初始作物估产模型的模型参数，得到所述作物估产模型；
其中，所述样本时空融合植被指数影像对应的空间分辨率为所述第一空间分辨率，所述目标样本时空融合植被指数影像对应的空间分辨率为所述第二空间分辨率。
在一种可能的实施方式中，所述第二处理模块83还用于：
获取所述第二遥感设备在所述多个生育时期内拍摄的针对所述目标区域的多个初始总初级生产力GPP图像；
对多个初始GPP图像进行预处理，得到多个GPP图像；
对所述多个GPP图像进行累加处理，得到所述目标区域内所述目标作物的累计GPP数据；
将所述累计GPP数据输入至线性回归模型中，得到所述单位面积产量标签；
其中，所述线性回归模型是基于多个第三样本进行训练得到的，各第三样本包括样本区域的多个样本GPP图像和所述样本区域包括的多个样本子区域各自对应的产量标签。
在一种可能的实施方式中，所述第二处理模块83还用于：
针对各第三样本，执行以下操作：
对所述第三样本包括的多个样本GPP图像进行处理，得到所述多个样本子区域各自的子样本GPP图像；
针对各样本子区域，对所述样本子区域的子样本GPP图像进行逐像素点累加处理和平均处理，得到所述样本子区域内所述目标作物的样本累计GPP数据；
将所述多个样本子区域各自对应的样本累计GPP数据输入至初始线性回归模型，得到所述多个样本子区域各自对应的预测产量；
基于所述多个样本子区域各自对应的预测产量和所述多个样本子区域各自对应的产量标签，更新所述初始线性回归模型的模型参数，得到所述线性回归模型。
在一种可能的实施方式中，所述第二处理模块83还用于：
对所述样本GPP图像进行像素点累加处理，得到样本累加GPP图像；
基于所述样本区域的土地利用类型分类图，对所述样本累加GPP图像进行处理，得到所述多个样本子区域各自的子样本GPP图像。
在一种可能的实施方式中，所述第二处理模块83还用于：
获取所述目标区域对应的叶面积指数数据；
对所述叶面积指数数据进行滤波处理，得到滤波后的叶面积指数数据；
基于所述叶面积指数数据和所述滤波后的叶面积指数数据，确定叶面积指数比值；
基于所述叶面积指数比值，对所述多个初始GPP图像进行平滑校正，得到所述多个GPP图像。
图9为本申请实施例提供的一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行作物单位面积产量确定方法，该方法包括：获取第一遥感设备在目标时段内拍摄的针对目标区域的多个第一地表反射率图像，以及第二遥感设备在所述目标时段内拍摄的针对所述目标区域的多个第二地表反射率图像；所述第一遥感设备的第一空间分辨率大于所述第二遥感设备的第二空间分辨率，所述第一遥感设备的第一时间分辨率小于所述第二遥感设备的第二时间分辨率；所述目标区域内种植有目标作物，所述目标时段包括所述目标作物的多个生育时期；基于所述多个第一地表反射率图像和所述多个第二地表反射率图像，得到所述多个生育时期各自对应的时空融合植被指数影像，所述时空融合植被指数影像包括时空融合NDVI影像和时空融合EVI影像；将所述多个生育时期各自对应的时空融合植被指数影像，输入至预先构建的作物估产模型中，得到所述目标作物的单位面积产量；其中，所述作物估产模型是基于多个第一样本进行训练得到的，各第一样本中包括所述多个生育时期各自对应的样本时空融合植被指数影像和单位面积产量标签。
此外，上述的存储器930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，本申请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)执行本申请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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本申请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作物单位面积产量确定方法，该方法包括：获取第一遥感设备在目标时段内拍摄的针对目标区域的多个第一地表反射率图像，以及第二遥感设备在所述目标时段内拍摄的针对所述目标区域的多个第二地表反射率图像；所述第一遥感设备的第一空间分辨率大于所述第二遥感设备的第二空间分辨率，所述第一遥感设备的第一时间分辨率小于所述第二遥感设备的第二时间分辨率；所述目标区域内种植有目标作物，所述目标时段包括所述目标作物的多个生育时期；基于所述多个第一地表反射率图像和所述多个第二地表反射率图像，得到所述多个生育时期各自对应的时空融合植被指数影像，所述时空融合植被指数影像包括时空融合NDVI影像和时空融合EVI影像；将所述多个生育时期各自对应的时空融合植被指数影像，输入至预先构建的作物估产模型中，得到所述目标作物的单位面积产量；其中，所述作物估产模型是基于多个第一样本进行训练得到的，各第一样本中包括所述多个生育时期各自对应的样本时空融合植被指数影像和单位面积产量标签。
又一方面，本申请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执行上述各方法提供的作物单位面积产量确定方法，该方法包括：获取第一遥感设备在目标时段内拍摄的针对目标区域的多个第一地表反射率图像，以及第二遥感设备在所述目标时段内拍摄的针对所述目标区域的多个第二地表反射率图像；所述第一遥感设备的第一空间分辨率大于所述第二遥感设备的第二空间分辨率，所述第一遥感设备的第一时间分辨率小于所述第二遥感设备的第二时间分辨率；所述目标区域内种植有目标作物，所述目标时段包括所述目标作物的多个生育时期；基于所述多个第一地表反射率图像和所述多个第二地表反射率图像，得到所述多个生育时期各自对应的时空融合植被指数影像，所述时空融合植被指数影像包括时空融合NDVI影像和时空融合EVI影像；将所述多个生育时期各自对应的时空融合植被指数影像，输入至预先构建的作物估产模型中，得到所述目标作物的单位面积产量；其中，所述作物估产模型是基于多个第一样本进行训练得到的，各第一样本中包括所述多个生育时期各自对应的样本时空融合植被指数影像和单位面积产量标签。
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申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (10)

1.一种作物单位面积产量确定方法，其特征在于，包括：
获取第一遥感设备在目标时段内拍摄的针对目标区域的多个第一地表反射率图像，以及第二遥感设备在所述目标时段内拍摄的针对所述目标区域的多个第二地表反射率图像；所述第一遥感设备的第一空间分辨率大于所述第二遥感设备的第二空间分辨率，所述第一遥感设备的第一时间分辨率小于所述第二遥感设备的第二时间分辨率；所述目标区域内种植有目标作物，所述目标时段包括所述目标作物的多个生育时期；
基于所述多个第一地表反射率图像和所述多个第二地表反射率图像，得到所述多个生育时期各自对应的时空融合植被指数影像，所述时空融合植被指数影像包括时空融合归一化植被指数NDVI影像和时空融合增强植被指数EVI影像；
将所述多个生育时期各自对应的时空融合植被指数影像，输入至预先构建的作物估产模型中，得到所述目标作物的单位面积产量；
其中，所述作物估产模型是基于多个第一样本进行训练得到的，各第一样本中包括所述多个生育时期各自对应的样本时空融合植被指数影像和单位面积产量标签。
2.根据权利要求1所述的方法，其特征在于，所述基于所述多个第一地表反射率图像和所述多个第二地表反射率图像，得到所述多个生育时期各自对应的时空融合植被指数影像，包括：
基于所述多个第一地表反射率图像，生成多个第一月尺度植被指数影像；
基于所述多个第二地表反射率图像，生成多个第二月尺度植被指数影像和多个旬尺度植被指数影像；
基于所述多个第一月尺度植被指数影像、所述多个第二月尺度植被指数影像和所述多个旬尺度植被指数影像，得到所述多个生育时期各自对应的时空融合植被指数影像。
3.根据权利要求2所述的方法，其特征在于，所述基于所述多个第一月尺度植被指数影像、所述多个第二月尺度植被指数影像和所述多个旬尺度植被指数影像，得到所述多个生育时期各自对应的时空融合植被指数影像，包括：
针对所述多个旬尺度植被指数影像中、各旬对应的旬尺度植被指数影像，在所述多个第一月尺度植被指数影像中确定所述旬尺度植被指数影像对应的第一参考植被指数影像，并在所述多个第二月尺度植被指数影像中确定所述旬尺度植被指数影像对应的第二参考植被指数影像；将所述旬尺度植被指数影像、所述第一参考植被指数影像和所述第二参考植被指数影像，输入至预先构建的时空数据融合模型中，得到对应的旬尺度时空融合植被指数影像；
针对各生育时期，确定所述生育时期包括的多个旬；基于所述多个旬各自对应的旬尺度时空融合植被指数影像，得到所述生育时期对应的时空融合植被指数影像；
其中，所述时空数据融合模型是基于多个第二样本进行训练得到的，各第二样本包括样本旬尺度植被指数影像、所述样本旬尺度植被指数影像对应的第一样本参考植被指数影像、第二样本参考植被指数影像以及对应的旬尺度时空融合植被指数影像标签。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述单位面积产量标签对应的空间分辨率为所述第二空间分辨率；所述基于多个第一样本进行训练，包括：
针对各第一样本，对所述第一样本中包括的所述多个生育时期各自对应的样本时空融合植被指数影像进行升尺度处理，得到所述多个生育时期各自对应的目标样本时空融合植被指数影像；
将所述多个第一样本各自对应的目标样本时空融合植被指数影像，输入至初始作物估产模型中，得到所述目标作物的预测单位面积产量；
基于所述预测单位面积产量和对应的单位面积产量标签，更新所述初始作物估产模型的模型参数，得到所述作物估产模型；
其中，所述样本时空融合植被指数影像对应的空间分辨率为所述第一空间分辨率，所述目标样本时空融合植被指数影像对应的空间分辨率为所述第二空间分辨率。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
获取所述第二遥感设备在所述多个生育时期内拍摄的针对所述目标区域的多个初始总初级生产力GPP图像；
对多个初始GPP图像进行预处理，得到多个GPP图像；
对所述多个GPP图像进行累加处理，得到所述目标区域内所述目标作物的累计GPP数据；
将所述累计GPP数据输入至线性回归模型中，得到所述单位面积产量标签；
其中，所述线性回归模型是基于多个第三样本进行训练得到的，各第三样本包括样本区域的多个样本GPP图像和所述样本区域包括的多个样本子区域各自对应的产量标签。
6.根据权利要求5所述的方法，其特征在于，所述基于多个第三样本进行训练，包括：
针对各第三样本，执行以下操作：
对所述第三样本包括的多个样本GPP图像进行处理，得到所述多个样本子区域各自的子样本GPP图像；
针对各样本子区域，对所述样本子区域的子样本GPP图像进行逐像素点累加处理和平均处理，得到所述样本子区域内所述目标作物的样本累计GPP数据；
将所述多个样本子区域各自对应的样本累计GPP数据输入至初始线性回归模型，得到所述多个样本子区域各自对应的预测产量；
基于所述多个样本子区域各自对应的预测产量和所述多个样本子区域各自对应的产量标签，更新所述初始线性回归模型的模型参数，得到所述线性回归模型。
7.根据权利要求6所述的方法，其特征在于，所述对所述第三样本包括的多个样本GPP图像进行处理，得到所述多个样本子区域各自的子样本GPP图像，包括：
对所述样本GPP图像进行像素点累加处理，得到样本累加GPP图像；
基于所述样本区域的土地利用类型分类图，对所述样本累加GPP图像进行处理，得到所述多个样本子区域各自的子样本GPP图像。
8.根据权利要求5所述的方法，其特征在于，所述对多个初始GPP图像进行预处理，得到多个GPP图像，包括：
获取所述目标区域对应的叶面积指数数据；
对所述叶面积指数数据进行滤波处理，得到滤波后的叶面积指数数据；
基于所述叶面积指数数据和所述滤波后的叶面积指数数据，确定叶面积指数比值；
基于所述叶面积指数比值，对所述多个初始GPP图像进行平滑校正，得到所述多个GPP图像。
9.一种作物单位面积产量确定装置，其特征在于，包括：
获取模块，用于获取第一遥感设备在目标时段内拍摄的针对目标区域的多个第一地表反射率图像，以及第二遥感设备在所述目标时段内拍摄的针对所述目标区域的多个第二地表反射率图像；所述第一遥感设备的第一空间分辨率大于所述第二遥感设备的第二空间分辨率，所述第一遥感设备的第一时间分辨率小于所述第二遥感设备的第二时间分辨率；所述目标区域内种植有目标作物，所述目标时段包括所述目标作物的多个生育时期；
第一处理模块，用于基于所述多个第一地表反射率图像和所述多个第二地表反射率图像，得到所述多个生育时期各自对应的时空融合植被指数影像，所述时空融合植被指数影像包括时空融合NDVI影像和时空融合EVI影像；
第二处理模块，用于将所述多个生育时期各自对应的时空融合植被指数影像，输入至预先构建的作物估产模型中，得到所述目标作物的单位面积产量；
其中，所述作物估产模型是基于多个第一样本进行训练得到的，各第一样本中包括所述多个生育时期各自对应的样本时空融合植被指数影像和单位面积产量标签。
10.一种电子设备，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至8任一项所述的作物单位面积产量确定方法。
CN202410105853.5A 2024-01-25 2024-01-25 作物单位面积产量确定方法、装置及设备 Pending CN117994060A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410105853.5A CN117994060A (zh) 2024-01-25 2024-01-25 作物单位面积产量确定方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410105853.5A CN117994060A (zh) 2024-01-25 2024-01-25 作物单位面积产量确定方法、装置及设备

Publications (1)

Publication Number Publication Date
CN117994060A true CN117994060A (zh) 2024-05-07

Family

ID=90902012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410105853.5A Pending CN117994060A (zh) 2024-01-25 2024-01-25 作物单位面积产量确定方法、装置及设备

Country Status (1)

Country Link
CN (1) CN117994060A (zh)

Similar Documents

Publication Publication Date Title
Zeng et al. A review of vegetation phenological metrics extraction using time-series, multispectral satellite data
EP3455742B1 (en) Statistical blending of weather data sets
JP6147579B2 (ja) 収量予測システムおよび収量予測装置
CN112348812B (zh) 林分年龄信息测量方法及装置
CN107122739B (zh) 基于Extreme数学模型重构VI时间序列曲线的作物估产模型
CN110163303B (zh) 一种基于格网的遥感影像并行分类方法及系统
CN113223040B (zh) 基于遥感的香蕉估产方法、装置、电子设备和存储介质
Holecz et al. An operational remote sensing based service for rice production estimation at national scale
CN114419367B (zh) 一种农作物高精度制图方法及系统
CN114120101A (zh) 一种土壤水分多尺度综合感知方法
Zhang et al. An object-based spatiotemporal fusion model for remote sensing images
LU501209B1 (en) Method and apparatus for improving spatial resolution of data, computer-readable storage medium, and terminal device
WO2024020542A1 (en) Methods to estimate field-level carbon, water and nutrient implications for agriculture
Holmlund et al. Constraining 135 years of mass balance with historic structure-from-motion photogrammetry on Storglaciären, Sweden
Tang et al. Self-adapting extraction of cropland phenological transitions of rotation agroecosystems using dynamically fused NDVI images
Guo et al. Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field
Chen et al. Crop NDVI time series construction by fusing Sentinel-1, Sentinel-2, and environmental data with an ensemble-based framework
Bhadra et al. End-to-end 3D CNN for plot-scale soybean yield prediction using multitemporal UAV-based RGB images
Wang et al. Virtual image-based cloud removal for Landsat images
CN116863341B (zh) 基于时间序列卫星遥感影像的作物分类和识别方法和系统
Niu et al. Estimating maize plant height using a crop surface model constructed from UAV RGB images
CN116579521B (zh) 产量预测时间窗口确定方法、装置、设备及可读存储介质
CN116071644B (zh) 逐日叶面积指数数据反演方法、装置、设备及存储介质
CN117994060A (zh) 作物单位面积产量确定方法、装置及设备
CN114359725B (zh) 基于作物模型与同化技术的作物长势遥感监测系统及方法

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