CN110991714A - 一种农作物倒伏灾情监测方法及*** - Google Patents
一种农作物倒伏灾情监测方法及*** Download PDFInfo
- Publication number
- CN110991714A CN110991714A CN201911149932.1A CN201911149932A CN110991714A CN 110991714 A CN110991714 A CN 110991714A CN 201911149932 A CN201911149932 A CN 201911149932A CN 110991714 A CN110991714 A CN 110991714A
- Authority
- CN
- China
- Prior art keywords
- lodging
- index
- disaster
- vegetation
- indexes
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 240000008042 Zea mays Species 0.000 abstract description 41
- 235000002017 Zea mays subsp mays Nutrition 0.000 abstract description 41
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 abstract description 40
- 235000005822 corn Nutrition 0.000 abstract description 40
- 238000012937 correction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 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
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000010496 root system development Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种农作物倒伏灾情监测方法及***，该方法包括：获取目标区域中农作物的若干最优植被指数；根据若干最优植被指数和倒伏灾情指数模型，获取目标区域中所述农作物的倒伏灾情指数；根据农作物的倒伏灾情指数，获取农作物的灾情等级。本发明实施例首先从目标区域中选取少量的农作物样本，然后根据有限个农作物样本的预设倒伏灾情指数和最优植被指数，建立倒伏灾情指数和最优植被指数之间的关系模型，也就是倒伏灾情指数模型，从而预测出整个目标区域的灾情。本发明实施例通过有限个农作物样本来推算整个目标区域的倒伏情况，具有覆盖范围广、客观性好、时效性高等优点，且成本较低，仅需少量人员即可实现的玉米倒伏全覆盖监测。
Description
技术领域
本发明涉及农业技术领域，尤其涉及一种农作物倒伏灾情监测方法及***。
背景技术
在玉米生产中，或由于品种抗倒伏性能差，或由于土壤板结根系发育不良，以及近年来强风暴雨等恶劣天气的频率增高，玉米在关键生育期经常会受到倒伏的威胁，严重影响了玉米籽粒产量、品质和机械收获能力。
及时、客观、快速和定量地监测玉米的倒伏发生范围和受灾程度，可以为农艺救灾技术扶持、品种改良以及农业保险快速理赔提供可靠的信息支撑。当前玉米倒伏灾情信息主要通过基层农技推广人员的人工目测手查、田间取样等方式进行调查统计，通过部分样本地块的调查信息推测整个区域内玉米倒伏发生比例和灾情程度，上报给农业管理部门和农业保险公司应用。
倒伏作为台风暴雨的衍生灾害之一。近年来我国中东部遭遇台风暴雨频次日益增多，玉米主产区大范围倒伏灾害时有发生，倒伏胁迫已成为玉米生产的主要灾害之一。
传统的玉米倒伏灾情监测以人工目测手查、田间取样等方式为主，虽然真实性和可靠性较高，但耗时、费力，主观性较强，对于调查人员的主观经验具有较大依赖性，且缺乏统一的田间调查标准；受工作量的限制，往往只能选择数量有限的样本地块进行实测，样本量的多少与工作量成反比，存在代表性、时效性、客观性等不足，已难以满足大范围防灾减灾的需求。
因此，亟需一种新的农作物倒伏灾情监测方法。
发明内容
为了解决上述问题，本发明实施例提供一种农作物倒伏灾情监测方法及***。
第一方面，本发明实施例提供一种农作物倒伏灾情监测方法，包括：获取目标区域中农作物的若干最优植被指数；
根据若干最优植被指数和倒伏灾情指数模型，获取所述目标区域中所述农作物的倒伏灾情指数，所述倒伏灾情指数模型根据训练区域中农作物样本的预设倒伏灾情指数和所述训练区域中农作物样本的若干最优植被指数获得，所述农作物样本的预设倒伏灾情指数根据所述农作物样本的倒伏比例和倒伏倾角获得，所述训练区域为所述目标区域中的一部分；
根据所述农作物的倒伏灾情指数，获取所述农作物的灾情等级。
优选地，所述训练区域中农作物样本的若干最优植被指数，具体通过如下方式获得：
根据所述农作物样本的若干植被指数，获取每一植被指数与所述预设倒伏灾情指数的相关性系数，所述植被指数根据多光谱遥感影像获得；
根据每一植被指数与所述倒伏灾情指数的相关性系数，获取若干植被指数组合，对于任一植被指数组合，所述任一植被指数组合中包括若干个植被指数；
获取每一植被指数组合的AIC指标；
根据每一植被指数组合的AIC指标，选取最优植被指数组合，所述最优植被指数组合中包含的所有植被指数为最优植被指数。
优选地，根据每一植被指数与所述倒伏灾情指数的相关性系数，获取若干植被指数组合，具体包括：
将相关性系数最大的植被指数作为基础植被指数；
在所述基础之别指数的基础上，按照相关性系数从大到小的顺序，依次增加其它植被指数，从而获取多个植被指数组合。
优选地，所述根据每一植被指数组合的AIC指标，选取最优植被指数组合，具体包括：
将AIC指标最小的植被指数组合作为所述最优植被指数组合。
优选地，所述倒伏灾情指数模型根据所述训练区域中农作物样本的预设倒伏灾情指数和所述训练区域中农作物样本的若干最优植被指数获得，具体包括：
根据所述训练区域中农作物样本的预设倒伏灾情指数和所述训练区域中农作物样本的若干最优植被指数，利用偏最小二乘法建立所述倒伏灾情指数模型。
优选地，所述倒伏灾情指数模型具体为：
y＝7.062-14.123*GNDVI+5.2*NDVI，
其中，y表示所述倒伏灾情指数，GNDVI为最优植被指数，表示绿波段归一化植被指数，NDVI为最优植被指数，表示归一化植被指数。
优选地，所述农作物样本的预设倒伏灾情指数根据所述农作物样本的倒伏比例和倒伏倾角获得，具体包括：
LDI＝(LR+LA)/2，
其中，LDI为所述预设倒伏灾情指数，LR表示所述倒伏比例，LA表示所述倒伏倾角。
第二方面，本发明实施例提供一种农作物倒伏灾情监测***，包括：最优模块，用于获取目标区域中农作物的若干最优植被指数；
计算模块，用于根据若干最优植被指数和倒伏灾情指数模型，获取所述目标区域中所述农作物的倒伏灾情指数，所述倒伏灾情指数模型根据所述目标区域中农作物样本的预设倒伏灾情指数和所述目标区域中农作物样本的若干最优植被指数获得，所述农作物样本的预设倒伏灾情指数根据所述农作物样本的倒伏比例和倒伏倾角获得；
分级模块，用于根据所述农作物的倒伏灾情指数，获取所述农作物的灾情等级。
第三方面，本发明实施例提供一种电子设备，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，处理器执行程序时实现本发明第一方面提供的一种农作物倒伏灾情监测方法的步骤。
第四方面，本发明实施例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本发明第一方面提供的一种农作物倒伏灾情监测方法的步骤。
本发明实施例提供的一种农作物倒伏灾情监测方法及***，首先从目标区域中选取少量的农作物样本，然后根据有限个农作物样本的预设倒伏灾情指数和最优植被指数，建立倒伏灾情指数和最优植被指数之间的关系模型，也就是倒伏灾情指数模型，从而预测出整个目标区域的灾情。本发明实施例通过有限个农作物样本来推算整个目标区域的倒伏情况，具有覆盖范围广、客观性好、时效性高等优点，且成本较低，仅需少量人员即可实现的玉米倒伏全覆盖监测。
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为本发明实施例提供的一种农作物倒伏灾情监测方法的流程图；
图2为本发明又一实施例提供的一种农作物倒伏灾情监测方法的流程图；
图3为本发明实施例提供的一种农作物倒伏灾情监测***的结构示意图；
图4为本发明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
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
图1为本发明实施例提供的一种农作物倒伏灾情监测方法的流程图，如图1所示，该方法包括：
S1，获取目标区域中农作物的若干最优植被指数；
S2，根据若干最优植被指数和倒伏灾情指数模型，获取所述目标区域中所述农作物的倒伏灾情指数，所述倒伏灾情指数模型根据训练区域中农作物样本的预设倒伏灾情指数和所述训练区域中农作物样本的若干最优植被指数获得，所述农作物样本的预设倒伏灾情指数根据所述农作物样本的倒伏比例和倒伏倾角获得，所述训练区域为所述目标区域中的一部分；
S3，根据所述农作物的倒伏灾情指数，获取所述农作物的灾情等级。
本发明实施例中的农作物为玉米，以玉米为例对本发明实施例中的方案进行说明，但不限于此。
玉米遭受倒伏胁迫后群体结构和形态发生较大变化，影响遥感探测视场内茎、叶、穗的贡献比例及植株组分受光条件，导致群体冠层光谱特性发生改变，玉米倒伏冠层对于多光谱波段上所表现的特征差异，是卫星遥感监测玉米倒伏灾情等级的基础。
首先获取目标区域中农作物的一个或者多个最优植被指数，最优植被指数是从许多个植被指数中选取出来的、最能反应玉米倒伏情况的参数，最优植被指数可以是一个，也可以是多个，具体根据实际情况确定。
本发明实施例中，最优植被指数是通过对多光谱遥感影像数据进行处理得到的，通过卫星和农业定量遥感技术，获取目标区域的多光谱遥感影像数据，对目标区域中多光谱遥感影像数据进行辐射定标、大气校正、几何纠正等预处理后，得到植被指数，然后从植被指数中选取出最优植被指数。
然后将获得的最优植被指数输入到倒伏灾情指数模型中，就可以得到整个目标区域的倒伏灾情指数。具体地，首先在目标区域中选取出一小块训练区域，根据训练区域中少量的玉米样本建立倒伏灾情指数模型，获取这些玉米样本的倒伏比例和倒伏倾角，倒伏比例和倒伏倾角是反映倒伏对玉米胁迫灾情程度的两个重要维度。
倒伏比例(Lodging ratio，简称LR)是指在倒伏玉米面积占多光谱影像像元面积内的比例，像元内倒伏比例越大，胁迫程度越高，茎秆、土壤背景与下部黄叶暴露度越高，冠层反射率越高。
倒伏倾角(Lodging angle，简称LA)是指倒伏植株偏离直立方向的角度，倒伏倾角越大则胁迫程度越重，同样影响玉米茎秆、土壤背景、下部黄叶等组分在遥感探测视场内的暴露度，进而影响冠层光谱反射率。
根据训练区域中的倒伏比例和倒伏倾角，就可以计算得到这些训练区域中玉米样本的预设倒伏灾情指数。
根据多个玉米样本的倒伏灾情指数和最优植被指数，建立倒伏灾情指数和最优植被指数之间的关系，即倒伏灾情指数模型。当需要对整个目标区域的倒伏灾情指数进行预测时，直接将整个目标区域的最优植被指数输入到倒伏灾情指数模型中，就可以得到目标区域的倒伏灾情指数。
然后根据倒伏灾情指数模型的大小，对目标区域倒伏灾情进行分级。
本发明实施例提供的一种农作物倒伏灾情监测方法及***，首先从目标区域中选取少量的农作物样本，然后根据有限个农作物样本的预设倒伏灾情指数和最优植被指数，建立倒伏灾情指数和最优植被指数之间的关系模型，也就是倒伏灾情指数模型，从而预测出整个目标区域的灾情。本发明实施例通过有限个农作物样本来推算整个目标区域的倒伏情况，具有覆盖范围广、客观性好、时效性高等优点，且成本较低，仅需少量人员即可实现的玉米倒伏全覆盖监测。
在上述实施例的基础上，优选地，所述训练区域中农作物样本的若干最优植被指数，具体通过如下方式获得：
根据所述农作物样本的若干植被指数，获取每一植被指数与所述预设倒伏灾情指数的相关性系数，所述植被指数根据多光谱遥感影像获得；
根据每一植被指数与所述倒伏灾情指数的相关性系数，获取若干植被指数组合，对于任一植被指数组合，所述任一植被指数组合中包括若干个植被指数；
获取每一植被指数组合的AIC指标；
根据每一植被指数组合的AIC指标，选取最优植被指数组合，所述最优植被指数组合中包含的所有植被指数为最优植被指数。
具体地，获取训练区域中玉米样本的最优植被指数模型的步骤具体如下：
首先获取该训练区域的多光谱遥感影像数据，
首先获取训练区域玉米倒伏后的多光谱遥感影像，通过对多光谱遥感影像数据进行辐射定标、大气校正、几何纠正等预处理，得到训练区域的多个植被指数。
本发明实施例中，植被指数包括：绿波段归一化植被指数、归一化植被指数、优化土壤调节植被指数、比值植被指数、结构不敏感植被指数、增强型植被指数、归一化叶绿素比值植被指数、蓝波段归一化植被指数、氮素反射植被指数和差值植被指数。
然后对每个植被指数与预设倒伏灾情指数进行先关性分析，计算每个植被指数与预设倒伏灾情指数的相关系数。
相关性分析是对具备相关关系的变量进行分析，衡量变量间相关密切程度的统计分析方法。某一植被指数的相关系数越高，则说明该指数对于玉米倒伏灾情指数的表征能力越强。
本发明实施例中，选取能有效表征作物长势的10个植被指数，采用多光谱影像(GF-1WFV)计算植被指数，分别提取野外样本对应的植被指数值，与倒伏灾情指数进行相关性分析并排序，表1为本发明实施例中植被指数与倒伏灾情指数的相关系数排序表，相关性排序是按照相关系数的绝对值进行排序的，由表1可知，除植被指数NRI和DVI外，8种植被指数与倒伏灾情指数呈显著相关。
表1
然后根据计算出来的相关性系数，对这10个植被指数进行排列组合，就可以得到多个植被指数组合，然后计算每个植被指数组合的AIC指标，AIC全称为Akaikeinformation criterion，中文含义表示赤池信息量准则，是衡量统计模型拟合优良性的一种标准，建立在信息熵的基础上，可以权衡所估计模型的复杂度和拟合效果，按照AIC指标极小化准则对植被指数组合进行选择，各植被指数组合的AIC值越小，所建立的倒伏灾情指数模型精度越高，因此，将AIC指标值最小的植被指数组合作为最优植被指数组合，最优植被指数组合所包含的植被指数称为最优植被指数。
在上述实施例的基础上，优选地，根据每一植被指数与所述倒伏灾情指数的相关性系数，获取若干植被指数组合，具体包括：
将相关性系数最大的植被指数作为基础植被指数；
在所述基础之别指数的基础上，按照相关性系数从大到小的顺序，依次增加其它植被指数，从而获取多个植被指数组合。
具体地，本发明实施例中，相关性系数最大的植被指数为GNDVI，因此，GNDVI即为本申请中的基础植被指数，表2为本发明实施例中10个多个植被指数组合的示意表，如表2所示，在该基础植被指数的基础上，按照相关性系数从大到小的顺序进行排列，以此在基础植被指数的基础上进行增加，就可以得到多个植被指数组合。
表2
在上述实施例的基础上，优选地，所述根据每一植被指数组合的AIC指标，选取最优植被指数组合，具体包括：
将AIC指标最大的植被指数组合作为所述最优植被指数组合。
在赤池信息量准则下，对上述植被指数组合按相关系数大小逐次计算变量间的AIC值，AIC值最小时则确定为表征玉米倒伏灾情指数的最优植被指数组合，从表2中可以看出，最优植被指数组合为GNDVI、NDVI组合，GNDVI和NDVI均为最优植被指数。
偏最小二乘法是一种数学优化技术，对预设灾情指数、GNDVI、NDVI进行拟合，通过最小化误差的平方和找到一组数据的最佳函数匹配，得到灾情指数模型。
在上述实施例的基础上，优选地，所述倒伏灾情指数模型根据所述训练区域中农作物样本的预设倒伏灾情指数和所述训练区域中农作物样本的若干最优植被指数获得，具体包括：
根据所述训练区域中农作物样本的预设倒伏灾情指数和所述训练区域中农作物样本的若干最优植被指数，利用偏最小二乘法建立所述倒伏灾情指数模型。
根据上述的植被指数组合筛选结果，当植被指数组合为2个时，AIC值最小，选取相关性较高的GNDVI和NDVI组合，采用偏最小二乘法构建玉米的倒伏灾情指数模型，当需要对目标区域的灾情进行测量时，将目标区域的多光谱影像计算出的GNDVI和NDVI图像代入该模型，生成玉米倒伏灾情指数空间分布图。
在上述实施例的基础上，优选地，所述倒伏灾情指数模型具体为：
y＝7.062-14.123*GNDVI+5.2*NDVI， (1)
其中，y表示所述倒伏灾情指数，GNDVI为最优植被指数，表示绿波段归一化植被指数，NDVI为最优植被指数，表示归一化植被指数。
具体地，本发明实施例中建立的倒伏灾情指数模型参见上述公式(1)。
另外，本发明实施例中，以未参与建模的1/3样本进行模型精度评价，该模型理论的R2为0.666，RMSE为0.188；通过试验验证的R2＝0.675RMSE＝0.167，试验证明，该倒伏灾情指数模型的误差较小，满足建模需求。
在上述实施例的基础上，优选地，所述农作物样本的预设倒伏灾情指数根据所述农作物样本的倒伏比例和倒伏倾角获得，具体包括：
LDI＝(LR+LA)/2， (2)
其中，LDI为所述预设倒伏灾情指数，LR表示所述倒伏比例，LA表示所述倒伏倾角。
具体地，玉米样本的预设倒伏灾情指数可以根据公式(2)得到。
还需要说明的是，本发明实施例中，根据玉米的倒伏灾情指数，获取玉米的灾情等级，具体步骤如下：
采用偏正态统计理论的双阈值划分策略进行倒伏灾情等级划分。对玉米倒伏灾情指数进行均值(μ)、标准差(σ)、最大值(max)和最小值(min)统计，划分为[min，μ-σ]、[μ-σ，μ]、[μ，μ+σ]、[μ+σ，Max]这4个区间，按此区间将玉米倒伏灾情指数划分为未倒伏、轻度倒伏、中度倒伏、重度倒伏4个倒伏灾情等级，生成玉米倒伏灾情等级遥感监测专题图。
在某地区倒伏案例分析中，倒伏灾情指数μ＝0.55，σ＝0.26，Max＝1，Min＝0，因此按未倒伏[0，0.29]、轻度倒伏[0.29，0.55]、中度倒伏[0.55，0.81]、重度倒伏[0.81，1]进行该地区玉米倒伏灾情等级划分与制图。
图2为本发明又一实施例提供的一种农作物倒伏灾情监测方法的流程图，如图2所示，首先获取野外实测样本(也就是训练区域)的倒伏比例和倒伏倾角，根据该倒伏比例和倒伏倾角，获取该训练区域的预设倒伏灾害指数；然后获取多光谱卫星遥感影像，对这些影像进行辐射定标、大气校正、几何纠正等预处理，得到多个植被指数；计算每一个植被指数与预设倒伏灾情指数的相关性，根据相关性的大小选取出植被指数组合，然后根据赤池信息量准则计算每个植被指数组合的AIC指标值，根据该AIC指标值选取最优植被指数，利用偏最小二乘法建立预设倒伏灾情指数和最优植被指数之间的关系，得到倒伏灾情指数模型，最终根据该倒伏灾情指数模型得到玉米倒伏灾情等级划分，并制图。
综上，本发明又一实施例提供的一种农作物倒伏灾情监测方法应用效果包括：(1)监测范围广，卫星遥感影像可以覆盖数十乃至上千平方公里范围，可实现大面积玉米倒伏灾情监测；(2)客观性强，本技术的主要技术环节包括遥感影像预处理、敏感植被指数筛选、灾情指数建模、灾情等级划分等，全程人为干预较少，降低了灾情诊断的主观判断误差；(3)时效性高，随着我国遥感卫星数量的日益增多，同一地区高频次的遥感影像获取能力大幅增加，有效地提升了玉米倒伏灾情快速监测能力。
图3为本发明实施例提供的一种农作物倒伏灾情监测***的结构示意图，如图3所示，该***包括：最优模块301、计算模块302和分级模块303，最优模块301用于获取目标区域中农作物的若干最优植被指数；
计算模块302用于根据若干最优植被指数和倒伏灾情指数模型，获取所述目标区域中所述农作物的倒伏灾情指数，所述倒伏灾情指数模型根据所述目标区域中农作物样本的预设倒伏灾情指数和所述目标区域中农作物样本的若干最优植被指数获得，所述农作物样本的预设倒伏灾情指数根据所述农作物样本的倒伏比例和倒伏倾角获得；
分级模块303用于根据所述农作物的倒伏灾情指数，获取所述农作物的灾情等级。
最优模块301获取目标区域中农作物的最优植被指数，计算模块302将最优植被指数输入到倒伏灾情指数模型中，得到目标区域的倒伏灾情指数，分级模块303根据倒伏灾情指数，对目标区域的灾情进行分级。
本发明实施例提供的***实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
图4为本发明实施例提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和总线404，其中，处理器401，通信接口402，存储器403通过总线404完成相互间的通信。通信接口402可以用于电子设备的信息传输。处理器401可以调用存储器403中的逻辑指令，以执行包括如下的方法：
获取目标区域中农作物的若干最优植被指数；
根据若干最优植被指数和倒伏灾情指数模型，获取所述目标区域中所述农作物的倒伏灾情指数，所述倒伏灾情指数模型根据训练区域中农作物样本的预设倒伏灾情指数和所述训练区域中农作物样本的若干最优植被指数获得，所述农作物样本的预设倒伏灾情指数根据所述农作物样本的倒伏比例和倒伏倾角获得，所述训练区域为所述目标区域中的一部分；
根据所述农作物的倒伏灾情指数，获取所述农作物的灾情等级。
此外，上述的存储器403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)执行本发明上述各方法实施例的全部或部分步骤。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，本发明实施例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实施例提供的传输方法，例如包括：
获取目标区域中农作物的若干最优植被指数；
根据若干最优植被指数和倒伏灾情指数模型，获取所述目标区域中所述农作物的倒伏灾情指数，所述倒伏灾情指数模型根据训练区域中农作物样本的预设倒伏灾情指数和所述训练区域中农作物样本的若干最优植被指数获得，所述农作物样本的预设倒伏灾情指数根据所述农作物样本的倒伏比例和倒伏倾角获得，所述训练区域为所述目标区域中的一部分；
根据所述农作物的倒伏灾情指数，获取所述农作物的灾情等级。
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)
1.一种农作物倒伏灾情监测方法，其特征在于，包括：
获取目标区域中农作物的若干最优植被指数；
根据若干最优植被指数和倒伏灾情指数模型，获取所述目标区域中所述农作物的倒伏灾情指数，所述倒伏灾情指数模型根据训练区域中农作物样本的预设倒伏灾情指数和所述训练区域中农作物样本的若干最优植被指数获得，所述农作物样本的预设倒伏灾情指数根据所述农作物样本的倒伏比例和倒伏倾角获得，所述训练区域为所述目标区域中的一部分；
根据所述农作物的倒伏灾情指数，获取所述农作物的灾情等级。
2.根据权利要求1所述农作物倒伏灾情监测方法，其特征在于，所述训练区域中农作物样本的若干最优植被指数，具体通过如下方式获得：
根据所述农作物样本的若干植被指数，获取每一植被指数与所述预设倒伏灾情指数的相关性系数，所述植被指数根据多光谱遥感影像获得；
根据每一植被指数与所述倒伏灾情指数的相关性系数，获取若干植被指数组合，对于任一植被指数组合，所述任一植被指数组合中包括若干个植被指数；
获取每一植被指数组合的AIC指标；
根据每一植被指数组合的AIC指标，选取最优植被指数组合，所述最优植被指数组合中包含的所有植被指数为最优植被指数。
3.根据权利要求2所述农作物倒伏灾情监测方法，其特征在于，根据每一植被指数与所述倒伏灾情指数的相关性系数，获取若干植被指数组合，具体包括：
将相关性系数最大的植被指数作为基础植被指数；
在所述基础之别指数的基础上，按照相关性系数从大到小的顺序，依次增加其它植被指数，从而获取多个植被指数组合。
4.根据权利要求2所述农作物倒伏灾情监测方法，其特征在于，所述根据每一植被指数组合的AIC指标，选取最优植被指数组合，具体包括：
将AIC指标最小的植被指数组合作为所述最优植被指数组合。
5.根据权利要求1所述农作物倒伏灾情监测方法，其特征在于，所述倒伏灾情指数模型根据所述训练区域中农作物样本的预设倒伏灾情指数和所述训练区域中农作物样本的若干最优植被指数获得，具体包括：
根据所述训练区域中农作物样本的预设倒伏灾情指数和所述训练区域中农作物样本的若干最优植被指数，利用偏最小二乘法建立所述倒伏灾情指数模型。
6.根据权利要求1所述农作物倒伏灾情监测方法，其特征在于，所述倒伏灾情指数模型具体为：
y＝7.062-14.123*GNDVI+5.2*NDVI，
其中，y表示所述倒伏灾情指数，GNDVI为最优植被指数，表示绿波段归一化植被指数，NDVI为最优植被指数，表示归一化植被指数。
7.根据权利要求1所述农作物倒伏灾情监测方法，其特征在于，所述农作物样本的预设倒伏灾情指数根据所述农作物样本的倒伏比例和倒伏倾角获得，具体包括：
LDI＝(LR+LA)/2，
其中，LDI为所述预设倒伏灾情指数，LR表示所述倒伏比例，LA表示所述倒伏倾角。
8.一种农作物倒伏灾情监测***，其特征在于，包括：
最优模块，用于获取目标区域中农作物的若干最优植被指数；
计算模块，用于根据若干最优植被指数和倒伏灾情指数模型，获取所述目标区域中所述农作物的倒伏灾情指数，所述倒伏灾情指数模型根据所述目标区域中农作物样本的预设倒伏灾情指数和所述目标区域中农作物样本的若干最优植被指数获得，所述农作物样本的预设倒伏灾情指数根据所述农作物样本的倒伏比例和倒伏倾角获得；
分级模块，用于根据所述农作物的倒伏灾情指数，获取所述农作物的灾情等级。
9.一种电子设备，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，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7任一项所述农作物倒伏灾情监测方法的步骤。
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，该计算机程序被处理器执行时实现如权利要求1至7任一项所述农作物倒伏灾情监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911149932.1A CN110991714A (zh) | 2019-11-21 | 2019-11-21 | 一种农作物倒伏灾情监测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911149932.1A CN110991714A (zh) | 2019-11-21 | 2019-11-21 | 一种农作物倒伏灾情监测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110991714A true CN110991714A (zh) | 2020-04-10 |
Family
ID=70085579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911149932.1A Pending CN110991714A (zh) | 2019-11-21 | 2019-11-21 | 一种农作物倒伏灾情监测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991714A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112597855A (zh) * | 2020-12-15 | 2021-04-02 | 中国农业大学 | 农作物倒伏程度识别方法及装置 |
| CN112712038A (zh) * | 2020-12-31 | 2021-04-27 | 武汉珈和科技有限公司 | 基于多光谱卫星影像监测小麦倒伏状况的方法及*** |
| CN114076955A (zh) * | 2021-09-27 | 2022-02-22 | 农业农村部规划设计研究院 | 一种基于高分一号卫星数据识别倒伏玉米的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105475118A (zh) * | 2015-12-01 | 2016-04-13 | 贵州省油菜研究所 | 新型隐性矮杆油菜的选育方法及应用 |
| CN106780091A (zh) * | 2016-12-30 | 2017-05-31 | 黑龙江禾禾遥感科技有限公司 | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 |
| CN109344892A (zh) * | 2018-09-21 | 2019-02-15 | 北京航空航天大学 | 一种基于多源信息融合的倒伏指数提取方法 |
-
2019
- 2019-11-21 CN CN201911149932.1A patent/CN110991714A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105475118A (zh) * | 2015-12-01 | 2016-04-13 | 贵州省油菜研究所 | 新型隐性矮杆油菜的选育方法及应用 |
| CN106780091A (zh) * | 2016-12-30 | 2017-05-31 | 黑龙江禾禾遥感科技有限公司 | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 |
| CN109344892A (zh) * | 2018-09-21 | 2019-02-15 | 北京航空航天大学 | 一种基于多源信息融合的倒伏指数提取方法 |
Non-Patent Citations (5)
| Title |
|---|
| MEIYANSHU,等: "Monitoring of maize lodging using multi-temporal Sentinel-1 SAR data", 《ADVANCES IN SPACE RESEARCH》 * |
| 宫绍斌，曹延明，主编: "《玉米生产与管理》", 30 September 2014, 中国农业大学出版社 * |
| 常宏主编: "《农作物种子生产技术》", 31 May 2008, 兰州：甘肃科学技术出版社 * |
| 束美艳，等: "表征冬小麦倒伏强度敏感冠层结构参数筛选及光谱诊断模型", 《农业工程报》 * |
| 谢新锐，等: "倒伏胁迫对水稻可视茎叶穗比率的影响及光谱响应解析", 《光谱学与光谱分析》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112597855A (zh) * | 2020-12-15 | 2021-04-02 | 中国农业大学 | 农作物倒伏程度识别方法及装置 |
| CN112597855B (zh) * | 2020-12-15 | 2024-04-16 | 中国农业大学 | 农作物倒伏程度识别方法及装置 |
| CN112712038A (zh) * | 2020-12-31 | 2021-04-27 | 武汉珈和科技有限公司 | 基于多光谱卫星影像监测小麦倒伏状况的方法及*** |
| CN112712038B (zh) * | 2020-12-31 | 2024-05-28 | 武汉珈和科技有限公司 | 基于多光谱卫星影像监测小麦倒伏状况的方法及*** |
| CN114076955A (zh) * | 2021-09-27 | 2022-02-22 | 农业农村部规划设计研究院 | 一种基于高分一号卫星数据识别倒伏玉米的方法 |
| CN114076955B (zh) * | 2021-09-27 | 2022-07-19 | 农业农村部规划设计研究院 | 一种基于高分一号卫星数据识别倒伏玉米的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fernandez-Gallego et al. | Wheat ear counting in-field conditions: high throughput and low-cost approach using RGB images | |
| CN107067334B (zh) | 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及*** | |
| CN109459392A (zh) | 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 | |
| CN110991714A (zh) | 一种农作物倒伏灾情监测方法及*** | |
| WO2023116454A1 (zh) | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 | |
| Taylor et al. | Considerations on spatial crop load mapping | |
| CN112712038B (zh) | 基于多光谱卫星影像监测小麦倒伏状况的方法及*** | |
| CN108764284B (zh) | 一种对松树病死木的高分辨率影像的分类去噪方法及*** | |
| CN108414455A (zh) | 用于农业保险理赔的农作物雹灾遥感监测方法 | |
| CN114581768A (zh) | 一种作物倒伏无人机监测方法及装置 | |
| CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
| CN112766036A (zh) | 一种倒伏玉米遥感提取方法与装置 | |
| CN112861766A (zh) | 农田玉米秸秆卫星遥感提取方法及装置 | |
| Shu et al. | Assessing maize lodging severity using multitemporal UAV-based digital images | |
| CN111242934B (zh) | 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法 | |
| CN114863369A (zh) | 激光雷达监测玉米倒伏的方法、装置、设备及介质 | |
| CN113343808A (zh) | 一种基于卫星遥感技术的热带森林资源测量方法 | |
| CN112613648A (zh) | 一种训练旱情监测模型的方法、旱情监测方法及设备 | |
| CN113534083A (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
| 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 | |
| CN110059890B (zh) | 县域尺度农业洪涝监测方法及*** | |
| CN117557897A (zh) | 目标农作物的倒伏监测方法、装置、电子设备及存储介质 | |
| CN112418073A (zh) | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 | |
| CN114782835A (zh) | 作物倒伏面积比例检测方法及装置 | |
| CN115424136A (zh) | 一种遥感和林相图相结合的林冠健康评价方法及*** |
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 | ||
| CB02 | Change of applicant information |
Address after: 1107, block a, Nongke building, No. 11, Shuguang garden middle road, Haidian District, Beijing, 100097 Applicant after: Information technology research center of Beijing Academy of agricultural and Forestry Sciences Address before: 1107, block a, Nongke building, No. 11, Shuguang garden middle road, Haidian District, Beijing, 100097 Applicant before: BEIJING RESEARCH CENTER FOR INFORMATION TECHNOLOGY IN AGRICULTURE |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |
|
| RJ01 | Rejection of invention patent application after publication |