CN106845428B - 一种作物产量遥感估算方法及*** - Google Patents
一种作物产量遥感估算方法及*** Download PDFInfo
- Publication number
- CN106845428B CN106845428B CN201710061522.6A CN201710061522A CN106845428B CN 106845428 B CN106845428 B CN 106845428B CN 201710061522 A CN201710061522 A CN 201710061522A CN 106845428 B CN106845428 B CN 106845428B
- Authority
- CN
- China
- Prior art keywords
- data
- canopy coverage
- temporal
- crop
- coverage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 16
- 239000002028 Biomass Substances 0.000 abstract description 12
- 230000007321 biological mechanism Effects 0.000 abstract description 3
- 239000002689 soil Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000003973 irrigation Methods 0.000 description 4
- 230000002262 irrigation Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000010899 nucleation Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 230000009418 agronomic effect Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种作物产量遥感估算方法及***,所述方法采用作物生长模型开展作物生长过程模拟,如具体可选取输入参数和初始条件较少的新型作物生长模型AquaCrop开展作物生长过程模拟,并以冠层覆盖度作为作物生长模型与多源多时相遥感观测数据间的链接参数,从而实现了一种综合作物生长的生物学机制和多源多时相遥感观测数据,并以冠层覆盖度作为链接参数的作物产量遥感估算方案,相较于定量反演叶面积指数或生物量而言,基于遥感观测数据定量反演冠层覆盖度更为直接、高效,且具有更高的精度和普适性,从而本发明方案为区域作物产量的及时、快速、高精度和高普适性的遥感定量估算提供了基础理论指导和技术方法支撑。
Description
技术领域
本发明属于精准农业中的作物产量估算领域,尤其涉及一种作物产量遥感估算方法及***。
背景技术
作物产量估算对田间管理策略的制定与实施、粮食质量安全评估、病虫害和气象灾害等损失评估具有重要的理论研究意义和现实应用价值,是精准农业领域的研究热点。具有时空连续性的遥感观测相对于耗时费力的地面采样而言,能够及时、准确、大面积地获取作物观测数据,从而为作物产量估算提供了科学数据支持。
作物产量遥感估算方法主要分为统计类和机理类,其中,机理类方法从作物生长过程的农学机制出发,通过选取合理的作物生长模型等机理类模型,以遥感观测数据为输入驱动作物生长模型模拟作物生长过程,从而定量估算作物产量,此类方法从作物生长农学角度出发,物理意义明确,数学逻辑清晰,且普适性强。作物生长模型作为能够综合定量分析作物生理学过程的工具,已经在作物产量估算领域得到了广泛应用,且有效提高了作物田间管理的决策水平。
目前,作物生长模型按驱动方式可大致分为3类,光能驱动模型(如CERES系列模型),CO2驱动模型(如WOFOST模型),以及水分驱动模型(如AquaCrop模型)。从模型输入参数角度而言,前两类模型所需的输入参数众多,需要设定几十至上百个初始条件和输入参数,且土壤参数、品种参数、遗传参数等在区域尺度上不易获取和验证,从而降低了作物生长模型在区域作物估产方面的效率,也限制了模型的广泛应用。第三类模型如AquaCrop模型所需输入参数较少,且各参数更易获取和验证,在作物估产方面较为高效。从作物生长模型与遥感观测数据的链接参数方面而言,前两类模型通常采用叶面积指数作为链接参数,叶面积指数的遥感反演精度影响着后续基于作物生长模型的作物估产精度;第三类模型(AquaCrop模型)通常采用生物量作为链接参数,生物量的遥感反演精度影响着后续基于作物生长模型的作物估产精度,然而,通过利用遥感观测数据定量反演叶面积指数或生物量进行估产的方式,均存在估产效率和精度不够高的缺陷,从而,作物生长模型在作物估产效率和精度方面仍需进一步改进,以契合作物遥感估产对高效率和高精度的现实应用需求。
因此,考虑到作物产量遥感定量估算及时、快速、高精度和普适性的现实应用需求,提供一种更具优势的作物产量遥感估算方案成为本领域的研究热点。
发明内容
有鉴于此,本发明的目的在于提供一种作物产量遥感估算方法及***,旨在使得能够更为及时、快速且高精度、高普适性地实现作物产量的遥感估算。
为此,本发明公开如下技术方案:
一种作物产量遥感估算方法,包括:
获得研究区作物在生长周期内的多源多时相遥感观测数据,并基于所述多源多时相遥感观测数据定量反演作物的冠层覆盖度,得到多时相冠层覆盖度数据;
获得研究区作物的生长模型先验数据,并依据所述生长模型先验数据,设定作物生长模型的输入参数和初始条件;
基于设定的所述输入参数和初始条件,多次运行所述作物生长模型,模拟得到多条冠层覆盖度曲线,以及每条冠层覆盖度曲线对应的作物产量;其中,冠层覆盖度曲线表示作物的冠层覆盖度与不同时相的对应关系;
依据所述多时相冠层覆盖度数据,从所述多条冠层覆盖度曲线中选取出一最优冠层覆盖度曲线,并以所述最优冠层覆盖度曲线对应的作物产量为研究区作物的估算产量。
上述方法,优选的,所述作物生长模型为水分驱动模型AquaCrop。
上述方法,优选的,所述多源多时相遥感观测数据为多源多时相遥感观测影像数据,所述多时相冠层覆盖度数据为多时相的作物冠层覆盖度影像数据,则所述基于所述多源多时相遥感观测数据定量反演作物的冠层覆盖度,包括:
获得预先构建的冠层覆盖度统计反演模型,所述冠层覆盖度统计反演模型用于依据输入的多源多时相遥感观测影像数据定量反演作物的冠层覆盖度影像数据;
将所述多源多时相遥感观测影像数据输入所述冠层覆盖度统计反演模型,得到所述冠层覆盖度统计反演模型输出的多时相的作物冠层覆盖度影像数据。
上述方法,优选的,所述生长模型先验数据包括:研究区概况数据、作物历史数据及作物生理学特性数据,则所述依据生长模型先验数据,设定作物生长模型的输入参数和初始条件,包括:
依据所述研究区概况数据、作物历史数据及作物生理学特性数据构建先验知识库;所述先验知识库用于作为所述作物生长模型的输入参数和初始条件的设定依据;
根据所述先验知识库,设定作物生长模型的输入参数和初始条件。
上述方法,优选的,所述依据所述多时相冠层覆盖度数据,从所述多条冠层覆盖度曲线中选取出一最优冠层覆盖度曲线,包括:
从多条冠层覆盖度曲线中选取出所表征的模拟冠层覆盖度数据与反演得到的多时相冠层覆盖度数据相似度最高的曲线,作为最优冠层覆盖度曲线。
上述方法,优选的,所述从多条冠层覆盖度曲线中选取出所表征的模拟冠层覆盖度数据与反演得到的多时相冠层覆盖度数据相似度最高的曲线,作为最优冠层覆盖度曲线,包括:
计算多时相冠层覆盖度数据,与每条冠层覆盖度曲线在对应时相的数据之间的差异,所述差异具体采用预定的差异评价指标衡量;
选取最小差异值所对应的曲线作为最优冠层覆盖度曲线。
上述方法,优选的,所述差异评价指标为向量夹角,其中,所述向量夹角为:多时相冠层覆盖度数据对应的反演冠层覆盖度向量与冠层覆盖度曲线对应的模拟冠层覆盖度向量之间的夹角。
一种作物产量遥感估算***,包括:
反演单元,用于获得研究区作物在生长周期内的多源多时相遥感观测数据,并基于所述多源多时相遥感观测数据定量反演作物的冠层覆盖度,得到多时相冠层覆盖度数据;
设定单元,用于获得研究区作物的生长模型先验数据,并依据所述生长模型先验数据,设定作物生长模型的输入参数和初始条件;
模拟单元,用于基于设定的所述输入参数和初始条件,多次运行所述作物生长模型,模拟得到多条冠层覆盖度曲线,以及每条冠层覆盖度曲线对应的作物产量;其中,冠层覆盖度曲线表示作物的冠层覆盖度与不同时相的对应关系;
估算单元,用于依据所述多时相冠层覆盖度数据,从所述多条冠层覆盖度曲线中选取出一最优冠层覆盖度曲线,并以所述最优冠层覆盖度曲线对应的作物产量为研究区作物的估算产量。
上述***,优选的,所述多源多时相遥感观测数据为多源多时相遥感观测影像数据,所述多时相冠层覆盖度数据为多时相的作物冠层覆盖度影像数据,则所述反演单元,进一步用于:
获得预先构建的冠层覆盖度统计反演模型,所述冠层覆盖度统计反演模型用于依据输入的多源多时相遥感观测影像数据定量反演作物的冠层覆盖度影像数据;将所述多源多时相遥感观测影像数据输入所述冠层覆盖度统计反演模型,得到所述冠层覆盖度统计反演模型输出的多时相的作物冠层覆盖度影像数据。
上述***,优选的,所述作物生长模型先验数据包括:研究区概况数据、作物历史数据及作物生理学特性数据,则所述设定单元,进一步用于:
依据所述研究区概况数据、作物历史数据及作物生理学特性数据构建先验知识库;所述先验知识库用于作为所述作物生长模型的输入参数和初始条件的设定依据;根据所述先验知识库,设定作物生长模型的输入参数和初始条件。
上述***,优选的,所述估算单元依据所述多时相冠层覆盖度数据,从所述多条冠层覆盖度曲线中选取出一最优冠层覆盖度曲线,进一步包括:
从多条冠层覆盖度曲线中选取出所表征的模拟冠层覆盖度数据与反演得到的多时相冠层覆盖度数据相似度最高的曲线,作为最优冠层覆盖度曲线。
上述***,优选的,所述估算单元从多条冠层覆盖度曲线中选取出所表征的模拟冠层覆盖度数据与反演得到的多时相冠层覆盖度数据相似度最高的曲线,作为最优冠层覆盖度曲线,进一步包括:
计算多时相冠层覆盖度数据,与每条冠层覆盖度曲线在对应时相的数据之间的差异,所述差异具体采用预定的差异评价指标衡量;选取最小差异值所对应的曲线作为最优冠层覆盖度曲线。
由以上方案可知,本发明提供的作物产量遥感估算方法及***,采用作物生长模型开展作物生长过程模拟,如具体可选取输入参数和初始条件较少的新型作物生长模型AquaCrop开展作物生长过程模拟,并以冠层覆盖度作为作物生长模型与多源多时相遥感观测数据间的链接参数,从而实现了一种综合作物生长的生物学机制和多源多时相遥感观测数据,并以冠层覆盖度作为链接参数的作物产量遥感估算方案,相较于定量反演叶面积指数或生物量而言,基于遥感观测数据定量反演冠层覆盖度更为直接、高效,且具有更高的精度和普适性,从而本发明方案为区域作物产量的及时、快速、高精度和高普适性的遥感定量估算提供了基础理论指导和技术方法支撑。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1是本发明实施例一提供的作物产量遥感估算方法的流程图;
图2是本发明实施例一提供的作物产量遥感估算方法的原理示意图;
图3是本发明实施例二提供的本发明方案的一具体应用实例的作物产量遥感定量估算结果示意图;
图4是本发明实施例三提供的作物产量遥感估算***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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。
实施例一
本实施例一提供一种作物产量遥感估算方法,用于为区域作物产量的及时、快速、高精度和高普适性的遥感定量估算提供基础理论指导和技术方法支撑。
为契合作物遥感估产对高效率、高精度及高普适性的现实应用需求,本发明在剖析现有基于作物生长模型开展作物产量遥感定量估算研究的基础上,引入机理性强且所需输入参数较少的新型作物生长模型AquaCrop来模拟作物生长过程,并以在遥感定量反演方面更为高效和高精度的冠层覆盖度替代叶面积指数或生物量,来作为AquaCrop模型与多源多时相遥感观测数据间链接的关键参数,进而开展基于AquaCrop模型的区域作物产量遥感定量估算研究。
其中,AquaCrop模型为国际粮农组织开发的一种水分驱动模型,AquaCrop模型通过综合分析作物物候、冠层覆盖度、根深、生物量和收获指数之间的相互作用,开展作物生长模拟、生物量模拟、产量估算和农田水分管理等研究;该模型所需的输入参数较少,且各参数更易获取和验证,在作物估产方面较为高效,现有的基于AquaCrop模型的作物估产研究中,通常将生物量作为作物生长模型与遥感观测数据间的链接参数,与现有技术相区别,本发明具体采用相较于定量反演叶面积指数或生物量而言,更为直接、高效及高精度的冠层覆盖度,作为AquaCrop模型与多源多时相遥感观测数据链接的关键参数,来实现基于AquaCrop模型的区域作物产量遥感定量估算,接下来,将对本发明实现区域作物产量遥感定量估算的技术方案进行详细阐述。
参考图1示出的作物产量遥感估算方法流程图,所述方法可以包括以下步骤:
步骤101、获得研究区作物在生长周期内的多源多时相遥感观测数据,并基于所述多源多时相遥感观测数据定量反演作物的冠层覆盖度,得到多时相冠层覆盖度数据。
本实施例中,所述多源多时相遥感观测数据具体为多源多时相遥感观测影像数据,所述多时相冠层覆盖度数据具体为多时相的作物冠层覆盖度影像数据。
则该步骤可通过以下过程实现:获得预先构建的冠层覆盖度统计反演模型,所述冠层覆盖度统计反演模型用于依据输入的多源多时相遥感观测影像数据定量反演作物的冠层覆盖度影像数据;将所述多源多时相遥感观测影像数据输入所述冠层覆盖度统计反演模型,得到所述冠层覆盖度统计反演模型输出的多时相的作物冠层覆盖度影像数据。
具体地,可通过相应手段,如通过星地同步野外科学观测实验等来获取作物冠层覆盖度、作物长势和产量等地面调查数据,以及在作物生长周期内的多源多时相遥感观测影像数据;然后,以所获得的各种数据为基础,定量分析作物冠层覆盖度和遥感观测数据之间的统计关系,以构建冠层覆盖度统计反演模型。在此基础上,可将多源多时相遥感观测影像数据输入该冠层覆盖度统计反演模型,进而可得到该模型反演输出的多时相的作物冠层覆盖度影像数据。
冠层覆盖度统计反演模型的输出数据,即所述多时相的作物冠层覆盖度影像数据,用于作为后续针对作物生长模型AquaCrop模拟输出的多条冠层覆盖度曲线进行曲线拟合处理及择优处理的数据依据。
步骤102、获得研究区作物的生长模型先验数据,并依据所述生长模型先验数据,设定作物生长模型的输入参数和初始条件。
其中,所述作物生长模型如上文所述具体为水分驱动模型AquaCrop,本步骤获得的研究区作物的生长模型先验数据,具体包括收集的研究区概况、作物历史数据及作物生理学特性等资料数据。
所述研究区概况数据可以包括但不限于研究区经纬度、土壤类型、土壤水分、土壤养分、作物种植模式、作物水肥管理方式、气象数据、气候条件等信息;所述作物历史数据可以包括但不限于作物播种时间、播种方式、播种量、作物灌溉时间、灌溉方式、灌溉量、作物生育期长势状况、作物产量等信息;所述作物生理学特性数据可以包括但不限于作物的生育期、根深、株型、株高、叶色等。
在收集研究区概况、作物历史数据及作物生理学特性等资料数据的基础上,可利用收集的各种数据来构建先验知识库,所构建的先验知识库用于作为作物生长模型AquaCrop的输入参数和初始条件的设定依据。从而,之后,可基于先验知识库设定AquaCrop模型的输入参数和初始条件,所设定的信息具体可以包括但不限于:
1)8个输入文件:天气文件、温度文件、蒸散文件、降水文件、二氧化碳文件、灌溉文件、管理文件和土壤廓线文件;
2)51个固定值输入参数,包括土壤和根系参数、温度和日期参数、产量/冠层/收获系数参数等;
3)3个可调节输入参数的数值范围,其中3个可调节输入参数分别是最大有效根深、冠层增长系数和最大冠层覆盖度。
步骤103、基于设定的所述输入参数和初始条件,多次运行所述作物生长模型,模拟得到多条冠层覆盖度曲线,以及每条冠层覆盖度曲线对应的作物产量;其中,冠层覆盖度曲线表示作物的冠层覆盖度与不同时相的对应关系。
在设定AquaCrop模型的输入参数和初始条件的基础上,本步骤通过设置3个可调节输入参数的不同数值,并针对每次的设置情况,运行AquaCrop模型,来模拟得到作物对应的多条冠层覆盖度曲线,以及每条冠层覆盖度曲线对应的作物产量。实际实施时,可采用查找表形式承载作物的冠层覆盖度数据及作物产量数据,从而可得到冠层覆盖度查找表和作物产量查找表。
步骤104、依据所述多时相冠层覆盖度数据,从所述多条冠层覆盖度曲线中选取出一最优冠层覆盖度曲线,并以所述最优冠层覆盖度曲线对应的作物产量为研究区作物的估算产量。
其中,参考图2的作物产量遥感估算方法的原理示意图,本步骤可通过冠层覆盖度曲线拟合,从多条冠层覆盖度曲线中选取出所表征的模拟冠层覆盖度数据与反演得到的多时相冠层覆盖度数据相似度最高的曲线,作为最优冠层覆盖度曲线。
具体地,通过冠层覆盖度曲线拟合选取最优冠层覆盖度曲线的实现过程包括:首先计算基于多源多时相遥感观测数据定量反演的冠层覆盖度数据CCrs=(CCrs-t1,CCrs-t2,...CCrs-ti,...CCrs-tn)与AquaCrop模型模拟的多条冠层覆盖度曲线在对应时相的数据CCsim=(CCsim-t1,CCsim-t2,...CCsim-ti,...CCsim-tn)之间的差异,其中,ti代表不同时相的遥感影像数据。
冠层覆盖度数据间的差异具体可采用向量夹角这一差异评价指标进行衡量,其中,所述向量夹角为:多时相冠层覆盖度数据对应的反演冠层覆盖度向量与冠层覆盖度曲线对应的模拟冠层覆盖度向量之间的夹角。向量夹角θ值越小,则表示差异越小。
向量夹角θ的值具体可通过以下三个计算式计算得出:
其中,mean为均值函数,std为标准差函数,arccos为反余弦函数,·为向量内积符号,||为向量的模,CCrs-normal表示归一化的CCrs,CCsim-normal表示归一化的CCsim。
之后,通过查找冠层覆盖度查找表找到向量夹角的最小值,并将该向量夹角的最小值所对应的冠层覆盖度曲线作为表征作物生长过程的最优冠层覆盖度曲线,从而,最终可将最优冠层覆盖度曲线所对应的产量数据作为作物的最优产量,即作为作物产量遥感定量估算的最终结果,进而完成了区域作物的产量估算。
由以上方案可知,本发明提供的作物产量遥感估算方法,采用作物生长模型开展作物生长过程模拟,如具体可选取输入参数和初始条件较少的新型作物生长模型AquaCrop开展作物生长过程模拟,并以冠层覆盖度作为作物生长模型与多源多时相遥感观测数据间的链接参数,从而实现了一种综合作物生长的生物学机制和多源多时相遥感观测数据,并以冠层覆盖度作为链接参数的作物产量遥感估算方案,相较于定量反演叶面积指数或生物量而言,基于遥感观测数据定量反演冠层覆盖度更为直接、高效,且具有更高的精度和普适性,从而本发明方案为区域作物产量的及时、快速、高精度和高普适性的遥感定量估算提供了基础理论指导和技术方法支撑。
实施例二
本实施例二提供本发明的作物产量遥感估算方法的一具体应用实例。
本实施例具体以多源多时相的多光谱遥感影像SPOT和RapidEye为例,开展研究区小麦和油菜的作物产量遥感定量估算实验,其中,多时相遥感影像序列的获取时间为2013年,具体获得的多时相遥感影像序列包括:6月27日一景SPOT影像、7月2日一景RapidEye影像、7月19日一景RapidEye影像、7月21日一景SPOT影像、7月26日一景SPOT影像、8月4日一景RapidEye影像、8月7日一景RapidEye影像、8月17日一景SPOT影像和一景RapidEye影像。在此基础上,利用以上的多时相遥感观测数据,并基于本发明技术方案最终得到的实验结果如图3所示,其中,图3为小麦和油菜产量的遥感估算结果,产量单位为ton/ha。
本发明的技术方案充分利用了多源多时相遥感观测数据提供的作物生长时序观测信息,并以冠层覆盖度作为链接参数来链接作物生长模型AquaCrop与遥感观测数据,与现有技术的采用叶面积指数或生物量作为链接参数相比,本发明能够更为高效和高精度地实现作物产量的遥感定量估算。
实施例三
本发明实施例三提供一种作物产量遥感估算***,参考图4示出的作物产量遥感估算***的结构示意图,该***可以包括:
反演单元41,用于获得研究区作物在生长周期内的多源多时相遥感观测数据,并基于所述多源多时相遥感观测数据定量反演作物的冠层覆盖度,得到多时相冠层覆盖度数据;设定单元42,用于获得研究区作物的生长模型先验数据,并依据所述生长模型先验数据,设定作物生长模型的输入参数和初始条件;模拟单元43,用于基于设定的所述输入参数和初始条件,多次运行所述作物生长模型,模拟得到多条冠层覆盖度曲线,以及每条冠层覆盖度曲线对应的作物产量;其中,冠层覆盖度曲线表示作物的冠层覆盖度与不同时相的对应关系;估算单元44,用于依据所述多时相冠层覆盖度数据,从所述多条冠层覆盖度曲线中选取出一最优冠层覆盖度曲线,并以所述最优冠层覆盖度曲线对应的作物产量为研究区作物的估算产量。
在本发明实施例的一实施方式中,所述反演单元,进一步用于:获得预先构建的冠层覆盖度统计反演模型,所述冠层覆盖度统计反演模型用于依据输入的多源多时相遥感观测影像数据定量反演作物的冠层覆盖度影像数据;将所述多源多时相遥感观测影像数据输入所述冠层覆盖度统计反演模型,得到所述冠层覆盖度统计反演模型输出的多时相的作物冠层覆盖度影像数据。
在本发明实施例的一实施方式中,所述设定单元,进一步用于:
依据所述研究区概况数据、作物历史数据及作物生理学特性数据构建先验知识库;所述先验知识库用于作为所述作物生长模型的输入参数和初始条件的设定依据;根据所述先验知识库,设定作物生长模型的输入参数和初始条件。
在本发明实施例的一实施方式中,所述估算单元依据所述多时相冠层覆盖度数据,从所述多条冠层覆盖度曲线中选取出一最优冠层覆盖度曲线,进一步包括:从多条冠层覆盖度曲线中选取出所表征的模拟冠层覆盖度数据与反演得到的多时相冠层覆盖度数据相似度最高的曲线,作为最优冠层覆盖度曲线。
在本发明实施例的一实施方式中,所述估算单元从多条冠层覆盖度曲线中选取出与所述多时相冠层覆盖度数据的相似度最高的曲线,作为最优冠层覆盖度曲线,进一步包括:计算多时相冠层覆盖度数据,与每条冠层覆盖度曲线在对应时相的数据之间的差异,所述差异具体采用预定的差异评价指标衡量;选取最小差异值所对应的曲线作为最优冠层覆盖度曲线。
此处,需要说明的是,本实施例涉及的作物产量遥感估算***的描述,与上文方法的描述是类似的,且同方法的有益效果描述,对于本发明的作物产量遥感估算***在本实施例中未披露的技术细节,请参照本发明方法实施例的说明,本实施对此不再作赘述。
综上所述,与现有技术的方案相比,本发明的实现作物产量遥感估算的技术方案具有以下优势:
1)本发明在剖析现有作物生长模型与遥感观测数据结合方式的基础上,引入了机理性强且所需参数较少的新型作物生长模型AquaCrop模拟作物生长过程,并以在遥感定量反演方面更为高效和高精度的冠层覆盖度替代叶面积指数或生物量作为AquaCrop模型与多源多时相遥感数据链接的关键参数。从理论分析和数值实践角度出发,本发明技术方案不仅有效地利用了多源多时相遥感观测数据提供的作物生长时序观测信息,而且提升了现有基于作物生长模型的作物产量遥感估算的估算结果精度,能够为作物产量及时、快速、高精度和普适性的遥感定量估算提供基础理论指导和技术方法支撑;
2)在最优冠层覆盖度曲线选取过程中,引入了新型的多时相冠层覆盖度数据差异评价体系,在所引入的新型评价体系中具体采用向量夹角这一差异评价指标,该差异评价指标能够有效地消除数据本身携带的噪声,且能够有效提取冠层覆盖度数据的时相变化信息,与传统的基于差值方式或比值方式评价两数据间的差异相比,更具优势。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
为了描述的方便,描述以上***或装置时以功能分为各种模块或单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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)执行本申请各个实施例或者实施例的某些部分所述的方法。
最后,还需要说明的是,在本文中,诸如第一、第二、第三和第四等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种作物产量遥感估算方法,其特征在于,包括:
获得研究区作物在生长周期内的多源多时相遥感观测数据,并基于所述多源多时相遥感观测数据定量反演作物的冠层覆盖度,得到多时相冠层覆盖度数据;
获得研究区作物的生长模型先验数据,并依据所述生长模型先验数据,设定作物生长模型的输入参数和初始条件;
基于设定的所述输入参数和初始条件,多次运行所述作物生长模型,模拟得到多条冠层覆盖度曲线,以及每条冠层覆盖度曲线对应的作物产量;其中,冠层覆盖度曲线表示作物的冠层覆盖度与不同时相的对应关系;
依据所述多时相冠层覆盖度数据,从所述多条冠层覆盖度曲线中选取出一最优冠层覆盖度曲线,并以所述最优冠层覆盖度曲线对应的作物产量为研究区作物的估算产量;所述最优冠层覆盖度曲线,为所述多条冠层覆盖度曲线中所表征的模拟冠层覆盖度数据与反演得到的多时相冠层覆盖度数据相似度最高的曲线。
2.根据权利要求1所述的方法,其特征在于,所述作物生长模型为水分驱动模型AquaCrop。
3.根据权利要求1所述的方法,其特征在于,所述多源多时相遥感观测数据为多源多时相遥感观测影像数据,所述多时相冠层覆盖度数据为多时相的作物冠层覆盖度影像数据,则所述基于所述多源多时相遥感观测数据定量反演作物的冠层覆盖度,包括:
获得预先构建的冠层覆盖度统计反演模型,所述冠层覆盖度统计反演模型用于依据输入的多源多时相遥感观测影像数据定量反演作物的冠层覆盖度影像数据;
将所述多源多时相遥感观测影像数据输入所述冠层覆盖度统计反演模型,得到所述冠层覆盖度统计反演模型输出的多时相的作物冠层覆盖度影像数据。
4.根据权利要求1所述的方法,其特征在于,所述生长模型先验数据包括:研究区概况数据、作物历史数据及作物生理学特性数据,则所述依据生长模型先验数据,设定作物生长模型的输入参数和初始条件,包括:
依据所述研究区概况数据、作物历史数据及作物生理学特性数据构建先验知识库;所述先验知识库用于作为所述作物生长模型的输入参数和初始条件的设定依据;
根据所述先验知识库,设定作物生长模型的输入参数和初始条件。
5.根据权利要求4所述的方法,其特征在于,所述从多条冠层覆盖度曲线中选取出所表征的模拟冠层覆盖度数据与反演得到的多时相冠层覆盖度数据相似度最高的曲线,作为最优冠层覆盖度曲线,包括:
计算多时相冠层覆盖度数据,与每条冠层覆盖度曲线在对应时相的数据之间的差异,所述差异具体采用预定的差异评价指标衡量;
选取最小差异值所对应的曲线作为最优冠层覆盖度曲线。
6.根据权利要求5所述的方法,其特征在于,所述差异评价指标为向量夹角,其中,所述向量夹角为:多时相冠层覆盖度数据对应的反演冠层覆盖度向量与冠层覆盖度曲线对应的模拟冠层覆盖度向量之间的夹角。
7.一种作物产量遥感估算***,其特征在于,包括:
反演单元,用于获得研究区作物在生长周期内的多源多时相遥感观测数据,并基于所述多源多时相遥感观测数据定量反演作物的冠层覆盖度,得到多时相冠层覆盖度数据;
设定单元,用于获得研究区作物的生长模型先验数据,并依据所述生长模型先验数据,设定作物生长模型的输入参数和初始条件;
模拟单元,用于基于设定的所述输入参数和初始条件,多次运行所述作物生长模型,模拟得到多条冠层覆盖度曲线,以及每条冠层覆盖度曲线对应的作物产量;其中,冠层覆盖度曲线表示作物的冠层覆盖度与不同时相的对应关系;
估算单元,用于依据所述多时相冠层覆盖度数据,从所述多条冠层覆盖度曲线中选取出一最优冠层覆盖度曲线,并以所述最优冠层覆盖度曲线对应的作物产量为研究区作物的估算产量;所述最优冠层覆盖度曲线,为所述多条冠层覆盖度曲线中所表征的模拟冠层覆盖度数据与反演得到的多时相冠层覆盖度数据相似度最高的曲线。
8.根据权利要求7所述的***,其特征在于,所述多源多时相遥感观测数据为多源多时相遥感观测影像数据,所述多时相冠层覆盖度数据为多时相的作物冠层覆盖度影像数据,则所述反演单元,进一步用于:
获得预先构建的冠层覆盖度统计反演模型,所述冠层覆盖度统计反演模型用于依据输入的多源多时相遥感观测影像数据定量反演作物的冠层覆盖度影像数据;将所述多源多时相遥感观测影像数据输入所述冠层覆盖度统计反演模型,得到所述冠层覆盖度统计反演模型输出的多时相的作物冠层覆盖度影像数据。
9.根据权利要求7所述的***,其特征在于,所述作物生长模型先验数据包括:研究区概况数据、作物历史数据及作物生理学特性数据,则所述设定单元,进一步用于:
依据所述研究区概况数据、作物历史数据及作物生理学特性数据构建先验知识库;所述先验知识库用于作为所述作物生长模型的输入参数和初始条件的设定依据;根据所述先验知识库,设定作物生长模型的输入参数和初始条件。
10.根据权利要求9所述的***,其特征在于,所述估算单元从多条冠层覆盖度曲线中选取出所表征的模拟冠层覆盖度数据与反演得到的多时相冠层覆盖度数据相似度最高的曲线,作为最优冠层覆盖度曲线,进一步包括:
计算多时相冠层覆盖度数据,与每条冠层覆盖度曲线在对应时相的数据之间的差异,所述差异具体采用预定的差异评价指标衡量;选取最小差异值所对应的曲线作为最优冠层覆盖度曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710061522.6A CN106845428B (zh) | 2017-01-26 | 2017-01-26 | 一种作物产量遥感估算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710061522.6A CN106845428B (zh) | 2017-01-26 | 2017-01-26 | 一种作物产量遥感估算方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845428A CN106845428A (zh) | 2017-06-13 |
CN106845428B true CN106845428B (zh) | 2020-03-31 |
Family
ID=59121163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710061522.6A Active CN106845428B (zh) | 2017-01-26 | 2017-01-26 | 一种作物产量遥感估算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845428B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609695B (zh) * | 2017-09-04 | 2018-10-23 | 北京信德智图科技有限公司 | 基于可调植被指数的作物产量遥感估算方法 |
CN109766871A (zh) * | 2019-01-30 | 2019-05-17 | 中国科学院地理科学与资源研究所 | 一种基于空间差异同化遥感数据与作物模型的区域农作物估产方法 |
CN113624912B (zh) * | 2020-05-08 | 2024-04-02 | 富联精密电子(天津)有限公司 | 植物生长监控方法、监控装置及可读存储介质 |
CN111528066B (zh) * | 2020-06-22 | 2021-11-12 | 黄河勘测规划设计研究院有限公司 | 一种农业灌溉控制方法及*** |
CN112345458A (zh) * | 2020-10-22 | 2021-02-09 | 南京农业大学 | 一种基于无人机多光谱影像的小麦产量估测方法 |
CN112330672B (zh) * | 2020-11-28 | 2022-07-29 | 华中农业大学 | 基于prosail模型和冠层覆盖度优化的作物叶面积指数反演方法 |
CN112700347A (zh) * | 2020-12-31 | 2021-04-23 | 广州极飞科技有限公司 | 农作物高度生长曲线的生成方法、装置和存储介质 |
CN113705937B (zh) * | 2021-10-27 | 2022-01-14 | 武汉大学 | 一种联合机器视觉与作物模型的农田估产方法 |
CN115577866A (zh) * | 2022-12-09 | 2023-01-06 | 中化现代农业有限公司 | 物候期预测方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033230A (zh) * | 2009-09-25 | 2011-04-27 | 中国农业科学院农业资源与农业区划研究所 | 一种草原卫星遥感监测***及方法 |
CN104517037A (zh) * | 2014-12-23 | 2015-04-15 | 中国科学院遥感与数字地球研究所 | 一种生态承载力的遥感估算方法 |
CN106203673A (zh) * | 2016-06-23 | 2016-12-07 | 北京农业信息技术研究中心 | 考虑水分胁迫的农作物生物量遥感估算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10234439B2 (en) * | 2012-11-07 | 2019-03-19 | Airscout Inc. | Methods and systems for analyzing a field |
US9953241B2 (en) * | 2014-12-16 | 2018-04-24 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for satellite image processing to estimate crop yield |
-
2017
- 2017-01-26 CN CN201710061522.6A patent/CN106845428B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033230A (zh) * | 2009-09-25 | 2011-04-27 | 中国农业科学院农业资源与农业区划研究所 | 一种草原卫星遥感监测***及方法 |
CN104517037A (zh) * | 2014-12-23 | 2015-04-15 | 中国科学院遥感与数字地球研究所 | 一种生态承载力的遥感估算方法 |
CN106203673A (zh) * | 2016-06-23 | 2016-12-07 | 北京农业信息技术研究中心 | 考虑水分胁迫的农作物生物量遥感估算方法 |
Non-Patent Citations (3)
Title |
---|
Estimation of Winter Wheat Biomass and Yield by Combining the AquaCrop Model and Field Hyperspectral Data;wangjihua;《Remote Sensing》;20161124;第8卷(第12期);972-986 * |
Stand biomass estimation method by canopy coverage for application to remote sensing in an arid area of Western Australia;Hideki Suganuma;《Forest Ecology and Management》;20060215;第222卷(第3期);75-87 * |
基于遥感与作物生长模型的冬小麦生长模拟研究;郭建茂;《中国博士学位论文全文数据库 农业科技辑》;20071215(第6期);D047-34 * |
Also Published As
Publication number | Publication date |
---|---|
CN106845428A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845428B (zh) | 一种作物产量遥感估算方法及*** | |
US11714211B2 (en) | Estimating soil properties within a field using hyperspectral remote sensing | |
Jin et al. | Crop model-and satellite imagery-based recommendation tool for variable rate N fertilizer application for the US Corn system | |
CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
CN102215666B (zh) | 植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器 | |
Bannayan et al. | A stochastic modelling approach for real-time forecasting of winter wheat yield | |
Dehkordi et al. | Yield gap analysis using remote sensing and modelling approaches: Wheat in the northwest of Iran | |
CN110705182B (zh) | 耦合作物模型和机器学习的作物育种适应时间预测方法 | |
CN111062358A (zh) | 基于区块链的无人机智能农田信息采集和监控***及方法 | |
Zhou et al. | Modeling winter wheat phenology and carbon dioxide fluxes at the ecosystem scale based on digital photography and eddy covariance data | |
CN112836575A (zh) | 一种基于作物物候期的多时序影像水稻估产方法 | |
Tatsumi | Effects of automatic multi-objective optimization of crop models on corn yield reproducibility in the USA | |
Sultana et al. | The consequences of plant architecture and spatial distribution of light interception on cotton growth and yield. | |
JP2022082636A (ja) | 情報処理装置 | |
Akbarian et al. | Plot level sugarcane yield estimation by machine learning on multispectral images: A case study of Bundaberg, Australia | |
CN107609695B (zh) | 基于可调植被指数的作物产量遥感估算方法 | |
Adekunle | Precision agriculture: Applicability and opportunities for Nigerian agriculture | |
CN107491724A (zh) | 一种冬小麦穗分化期识别方法及装置 | |
Kustas et al. | Forward to the GRAPEX special issue | |
Yu et al. | UAV hyperspectral inversion modeling of rice nitrogen content based on WOA-ELM | |
CN113963263A (zh) | 多年生植被生长属性的确定方法、装置以及存储介质 | |
Zhou et al. | Research on Dynamic Monitoring of Grain Filling Process of Winter Wheat from Time-Series Planet Imageries | |
MORRIS et al. | Using a process-based forest model to estimate the potential productivity of Eucalyptus plantations in southern China | |
Lima et al. | Height Estimation of Soil Erosion in Olive Groves Using a Time-of-Flight Sensor | |
McCarthy et al. | In-season yield prediction using VARIwise |
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 |