CN111241912A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111241912A CN111241912A CN201911311109.6A CN201911311109A CN111241912A CN 111241912 A CN111241912 A CN 111241912A CN 201911311109 A CN201911311109 A CN 201911311109A CN 111241912 A CN111241912 A CN 111241912A
- Authority
- CN
- China
- Prior art keywords
- yield
- rice
- model
- machine learning
- data
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 52
- 235000009566 rice Nutrition 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 54
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 16
- 230000012010 growth Effects 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims abstract description 4
- 239000003337 fertilizer Substances 0.000 claims description 23
- 238000007637 random forest analysis Methods 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 230000005855 radiation Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 235000013339 cereals Nutrition 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 229910019142 PO4 Inorganic materials 0.000 claims description 6
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 6
- 239000010452 phosphate Substances 0.000 claims description 6
- 229940072033 potash Drugs 0.000 claims description 6
- 235000015320 potassium carbonate Nutrition 0.000 claims description 6
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 3
- 238000007605 air drying Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 239000000618 nitrogen fertilizer Substances 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 241001116459 Sequoia Species 0.000 claims description 2
- 230000008451 emotion Effects 0.000 claims description 2
- 238000001556 precipitation Methods 0.000 claims 1
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 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
- 230000009105 vegetative growth 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学***的田块尺度试验，结合无人机遥感技术获取寒地2017年、2018年水稻拔节期(SE)和抽穗期(HD)的光谱数据，构建了基于这两个时期多植被指数与寒地水稻实测产量的回归模型，并结合作物实测产量进行模型评价，该方法可以快速有效地诊断和评估作物长势和产量，为规模化种植经营提供快捷高效的管理工具，有效解决了单一植被指数估测方法未能综合考虑其他植被指数影响的问题，同时也解决了遥感数据浪费的现象，实用性强。
Description
技术领域
本发明涉及农业生产技术领域，具体为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。
背景技术
目前，大范围的作物估产多使用卫星遥感方法，但卫星遥遥感受天气、空 间分辨率和气候影响较大。对于农田管理角度而言，卫星遥感难以实现高精度 的产量估测，特别是在多雨寡照的水稻种植区域，采用合适的时期获取高分辨 率的卫星图像，实现高精度产量估测具有一定难度。近几年，具有低成本、机 动性强、操作简单、观测范围大等优点的无人机平台发展迅速，遥感能够提供 高时空分辨率的遥感影像基于无人机遥感的***，可以提供精度较高的合适图 像，为农田信息获取和田块尺度的产量估测提供了新途径。
另外，国内外很多学者展开了遥感技术估测作物产量主要通过建立植被指 数与产量之间的统计模型运用遥感数据进行产量估测的研究。但单一植被指数 估测方法未能综合考虑其他植被指数的影响，同时也造成了其他植被遥感数据 的浪费，有待解决。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了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，解决了现今单一植被指数估测方法未能综合考虑其他植 被指数的影响，同时也造成了其他植被遥感数据的浪费的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于机器学***的田块尺度 试验，结合无人机遥感技术获取寒地2017年、2018年水稻拔节期(SE)和抽穗 期(HD)的光谱数据，构建了基于这两个时期多植被指数与寒地水稻实测产量 的回归模型，并结合作物实测产量进行模型评价，包括以下步骤：
①研究区域的实验设置：我国东北地区黑龙江省农垦总局佳木斯市建三江 分局管理局七星农场(47.01°N～47.29°N，132.31°E～134.14°E)，主要气候 类型属于寒温带大陆性季风气候，全年平均日照时数2300-2600h，无霜期 110-135天，全年降水量500～600mm，72％集中在6月至9月，于在2017年和 2018年，开展了不同氮水平、品种(龙粳21、龙粳31)、密度(27穴/m2、33穴 /m2)的小区试验，并设置3个重复，每个处理小区田块面积为7×9m2，当地水 稻通常4月中旬左右在温室大棚内进行育秧，移栽时间为5月中旬，收获时间为9月下旬，氮肥分别在移栽期、分蘖期和拔节期施入，其中基肥：蘖肥：穗 肥为4：3：3，所有处理磷肥和钾肥的施用量相同，在水稻移栽前全部施入磷肥 50kg P2O5 ha-1。钾肥施用量为105kg K2O ha-1，分别在水稻移栽前和拔节期各 施入50％。
②遥感数据采集：使用无人机同步搭载多光谱相机，相机包括绿光(中心 波长G550nm，波段宽度40nm)、红光(R 660nm，40nm)、红边(RE 735nm，10nm)、 近红外(NIR 790nm，40nm)四个波段，另外还配有RGB传感器，相机多光谱传 感器镜头焦距为3.98nm，图像像素大小为1280×960，另外，该相机还同时搭 配有光照传感器和标定白板，起飞前先采集白板图像进行辐射定标，每次拍摄 时获取辐射照度信息，便于后期处理时数据的辐射矫正，航测时间选择在正午 10:00—14:00左右，要求测量时晴朗无风少云；数据采集时，采用飞行控制软 件来规划航线和设置飞行参数，飞行结束后，导出带有高精度位置信息的图像 数据，并复制到拼接软件中进行自动拼接，获取能够覆盖整个实验区域，并且 经过辐射矫正的光谱反射率图像文件，再利用高精度GPS测定的已知点坐标数 据进行正射矫正，让图像数据显示相对正确的坐标位置信息。
③产量数据采集：在水稻成熟期，选取各处长势均匀的1平方米样方3个， 割下样方内全部水稻植株，风干并脱粒，再运用风选除去杂质及空瘪粒，称重 后获得实收每平米产量，同时，运用快速水分测定仪测定谷粒样品含水量，将 产量折算为14％的含水量状态下的标准产量。
产量计算公式：产量采用单位t/ha，产量(t/ha)＝实收平米产量(g)* (1-实际含水量)/(1-标准含水量0.14)*0.01。
④基于机器学习算法的多植被指数组合估产模型的构建与验证：通过多次 测试，选用了在估测产量上表现较好的十种植被指数，即NDVI、RVI、DVI、SAVI、 GOSAVI、GNDVI、GRVI、OSAVI、NREI、MNDI、NDRE、WDRVI。
将2017年和2018年两年试验数据随机划分，其中70％数据集用做模型构建， 30％数据集用做模型验证，构建不同时期、不同植被指数与水稻产量间的回归模 型，建模采用机器学习方法。
选用随机森林(RF)和支持向量机(SVM)两种现在非常流行的机器学习算 法进行建模分析，这两种算法能够很好地解决小样本数据的分类和预测问题， 采用十次交叉验证，并通过网络搜索给RF和SVM寻找最优的参数。
分别将拔节期、抽穗期期水稻的实测产量作为因变量，将所有的植被指数作为 自变量，使用随机森林算法回归算法构建产量的遥感反演模型；再利用支持向 量机构建与产量的遥感反演模型，选用决定系数(R2)、均方根误差(RMSE)和 相对误差(RE)三个指标对构建的模型效果进行评价和验证，R2越接近1，且 RMSE和RE越接近0，说明模型效果越好，其中RE小于10％表明模型表现优秀； 在20～30％之间表明模型表现一般；大于30％则表明较差。具体公式如式(1)、 式(2)和式(3)所示。
其中，Yi为第i个样本点的作物产量的实际测量值(t/hm2)；Ei为根据模型算 出的第i个样本点的作物产量估算值(t/hm2)；
为实际测量的平均产量(t/hm2)； 
为模型估产的平均产量(t/hm2)。
无人机为ebee SQ无人机，其搭载的多光谱相机为Sequoia多光谱相机。
飞行控制软件为eMotion Ag 3.5.0飞行控制软件，飞行高度设置为106.1 米，旁向重叠率设置为75％，图像像素分辨率为0.1米。
拼接软件为Pix4Dag 3.2.23拼接软件，利用GPS的精准定位拼接，获取能 够覆盖整个实验区域，并且经过辐射矫正的光谱反射率图像文件。
(三)有益效果
本发明提供了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新 型三圆一体球磨机。具备以下有益效果：
本发明使用机器学习的方法可以显著提高估产模型的精度，随机森林算法 较支持向量机算法模型精度更高，在抽穗期的训练集R2可达0.94，验证集RMSE 为0.59t/hm2，基于机器学习算法的多植被指数的水稻产量估测方法，可以快速 有效地诊断和评估作物长势和产量，为规模化种植经营提供快捷高效的管理工 具，有效解决了单一植被指数估测方法未能综合考虑其他植被指数影响的问题， 同时利用多植被指数的估测方法也充分应用了遥感所采集的数据，解决了只利 用单一植被其他植被遥感数据浪费的现象，实用性更强，精确度更高。
附图说明
图1为2018年抽穗期无人机获取的多光谱图像；
图2为基于无人机遥感的不同建模算法下不同生育时期的估测产量与实 际产量的比较图。
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。
本发明实施例提供一种基于机器学***的田块尺度试验，结合无人机遥感技术获取寒地 2017年、2018年水稻拔节期(SE)和抽穗期(HD)的光谱数据，构建了基于这 两个时期多植被指数与寒地水稻实测产量的回归模型，并结合作物实测产量进 行模型评价，包括以下步骤：
①研究区域的实验设置：我国东北地区黑龙江省农垦总局佳木斯市建三江 分局管理局七星农场(47.01°N～47.29°N，132.31°E～134.14°E)，主要气候 类型属于寒温带大陆性季风气候，全年平均日照时数2300-2600h，无霜期 110-135天，全年降水量500～600mm，72％集中在6月至9月，于在2017年和 2018年，开展了不同氮水平、品种(龙粳21、龙粳31)、密度(27穴/m2、33穴 /m2)的小区试验，并设置3个重复，每个处理小区田块面积为7×9m2，当地水 稻通常4月中旬左右在温室大棚内进行育秧，移栽时间为5月中旬，收获时间为9月下旬，氮肥分别在移栽期、分蘖期和拔节期施入，其中基肥：蘖肥：穗 肥为4：3：3，所有处理磷肥和钾肥的施用量相同，在水稻移栽前全部施入磷肥 50kg P2O5 ha-1。钾肥施用量为105kg K2O ha-1，分别在水稻移栽前和拔节期各 施入50％。
表1 2017和2018年试验田各处理施肥量
表1为2017和2018年试验田各处的施肥量。
②遥感数据采集：使用无人机同步搭载多光谱相机，相机包括绿光(中心 波长G550nm，波段宽度40nm)、红光(R 660nm，40nm)、红边(RE 735nm，10nm)、 近红外(NIR 790nm，40nm)四个波段，另外还配有RGB传感器，相机多光谱传 感器镜头焦距为3.98nm，图像像素大小为1280×960，另外，该相机还同时搭 配有光照传感器和标定白板，起飞前先采集白板图像进行辐射定标，每次拍摄 时获取辐射照度信息，便于后期处理时数据的辐射矫正，航测时间选择在正午 10:00—14:00左右，要求测量时晴朗无风少云；数据采集时，采用飞行控制软 件来规划航线和设置飞行参数，飞行结束后，导出带有高精度位置信息的图像 数据，并复制到拼接软件中进行自动拼接，获取能够覆盖整个实验区域，并且 经过辐射矫正的光谱反射率图像文件，再利用高精度GPS测定的已知点坐标数 据进行正射矫正，让图像数据显示相对正确的坐标位置信息。
③产量数据采集：在水稻成熟期，选取各处长势均匀的1平方米样方3 个，割下样方内全部水稻植株，风干并脱粒，再运用风选除去杂质及空瘪粒， 称重后获得实收每平米产量，同时，运用快速水分测定仪测定谷粒样品含水 量，将产量折算为14％的含水量状态下的标准产量，水稻成熟期是指稻穗开花 后到谷粒成熟的时期，按时段又分为乳熟期、蜡熟期和完熟期，选取样方需 注意选取完熟期样方，避免产量数据采集的误差产生误导信息。
产量计算公式：产量采用单位t/ha，产量(t/ha)＝实收平米产量(g)* (1-实际含水量)/(1-标准含水量0.14)*0.01。
④基于机器学习算法的多植被指数组合估产模型的构建与验证：通过多次 测试，选用了在估测产量上表现较好的十种植被指数，即NDVI、RVI、DVI、SAVI、 GOSAVI、GNDVI、GRVI、OSAVI、NREI、MNDI、NDRE、WDRVI。
表2所选用的植被指数
表2为植被指数名称和计算方法，其中RE为红波段，G为绿波段，NIR为近红 外波段。
将2017年和2018年两年试验数据随机划分，其中70％数据集用做模型构建， 30％数据集用做模型验证，构建不同时期、不同植被指数与水稻产量间的回归模 型，建模采用机器学习方法。
表3样本水稻产量统计
表3为样本水稻的产量统计表。
选用随机森林(RF)和支持向量机(SVM)两种现在非常流行的机器学习算 法进行建模分析，这两种算法能够很好地解决小样本数据的分类和预测问题， 采用十次交叉验证，并通过网络搜索给RF和SVM寻找最优的参数。
分别将拔节期、抽穗期期水稻的实测产量作为因变量，将所有的植被指数作为 自变量，使用随机森林算法回归算法构建产量的遥感反演模型；再利用支持向 量机构建与产量的遥感反演模型，选用决定系数(R2)、均方根误差(RMSE)和 相对误差(RE)三个指标对构建的模型效果进行评价和验证，R2越接近1，且 RMSE和RE越接近0，说明模型效果越好，其中RE小于10％表明模型表现优秀； 在20～30％之间表明模型表现一般；大于30％则表明较差。具体公式如式(1)、 式(2)和式(3)所示。
其中，Yi为第i个样本点的作物产量的实际测量值(t/hm2)；Ei为根据模 型算出的第i个样本点的作物产量估算值(t/hm2)；
为实际测量的平均产量 (t/hm2)；
为模型估产的平均产量(t/hm2)。
根据模型构建和检验方法，构建了拔节期和抽穗期水稻产量的估算模型， 利用R2、RMSE及RE对2种机器学习算法的学习能力进行评价，结果表明，和 经验模型结果类似，在抽穗期R2、RMSE及RE都表现的较为理想，其中随机森 林回归算法的表现均优于支持向量机算法，在抽穗期的训练集建模精度R2达到 了0.94，验证集的检验中RMSE为0.59t/hm2，表现较为理想；SVR算法在抽穗 期训练集的建模精度R2达到了0.85，验证集的RMSE为0.65t/hm2，同样优于 单一植被指数的经验模型。
表4不同估算模型下水稻不同生育期产量和植被指数的相关关系
表4中RF：随机森林；SVR：支持向量机回归。
本发明中水稻不同生育期对植被指数估产的影响——地面空间异质性随 作物的生长阶段不同而发生改变，因此基于作物不同生育期的植被指数估产 模型的精度存在显著差异，水稻拔节期主要进行营养生长，该时期的植被指 数不能反映产量形成器官的干物质积累过程，导致估产精度不高，抽穗灌浆 期是水稻将光合作用产生的淀粉、蛋白质等有机物从营养器官转移到籽粒中 的阶段，因为抽穗期水稻苗己经长成，不再继续长高，是水稻营养吸收最完 全的时期，所以抽穗期是产量形成的最关键时期。
本发明中不同植被指数的估产精度——归一化植被指数NDVI作为一种经 济、有效的实用地表植被覆盖和长势的参考量，是目前应用最广泛的植被指数， 但在植被覆盖度较低的时候能够较好指示植物长势和生物量，但在高植被覆盖 区表现出饱和特性，指示能力下降，本发明中基于寒地水稻抽穗期NNIR的估产 模型预测精度最高，R2(n＝80)达到0.8。
本发明中不同建模方法的估产精度——由于多元线性回归融合了一些表现 不好的植被指数，原则上应该优选不同的植被指数组合来达到提高估产模型的 精度。本发明使用随机森林和向量机回归对多生育期多种植被指数与产量进行 建模，利用了全子集的方法，基于抽穗期得到的训练样本R2可达到0.94，检验 样本的R2也有0.83，可见在抽穗期使用随机森林的方法估测水稻产量有很大潜 力。
需要说明的是，在本文中，诸如第一和第二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”。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言， 可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变 化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于机器学***的田块尺度试验，结合无人机遥感技术获取寒地2017年、2018年水稻拔节期(SE)和抽穗期(HD)的光谱数据，构建了基于这两个时期多植被指数与寒地水稻实测产量的回归模型，并结合作物实测产量进行模型评价，包括以下步骤：
①研究区域的实验设置：我国东北地区黑龙江省农垦总局佳木斯市建三江分局管理局七星农场(47.01°N～47.29°N，132.31°E～134.14°E)，主要气候类型属于寒温带大陆性季风气候，全年平均日照时数2300-2600h，无霜期110-135天，全年降水量500～600mm，72％集中在6月至9月，于在2017年和2018年，开展了不同氮水平、品种(龙粳21、龙粳31)、密度(27穴/m2、33穴/m2)的小区试验，并设置3个重复，每个处理小区田块面积为7×9m2，当地水稻通常4月中旬左右在温室大棚内进行育秧，移栽时间为5月中旬，收获时间为9月下旬，氮肥分别在移栽期、分蘖期和拔节期施入，其中基肥：蘖肥：穗肥为4：3：3，所有处理磷肥和钾肥的施用量相同，在水稻移栽前全部施入磷肥50kg P2O5 ha-1。钾肥施用量为105kg K2O ha-1，分别在水稻移栽前和拔节期各施入50％。
②遥感数据采集：使用无人机同步搭载多光谱相机，相机包括绿光(中心波长G 550nm，波段宽度40nm)、红光(R 660nm，40nm)、红边(RE 735nm，10nm)、近红外(NIR 790nm，40nm)四个波段，另外还配有RGB传感器，相机多光谱传感器镜头焦距为3.98nm，图像像素大小为1280×960，另外，该相机还同时搭配有光照传感器和标定白板，起飞前先采集白板图像进行辐射定标，每次拍摄时获取辐射照度信息，便于后期处理时数据的辐射矫正，航测时间选择在正午10:00—14:00左右，要求测量时晴朗无风少云；数据采集时，采用飞行控制软件来规划航线和设置飞行参数，飞行结束后，导出带有高精度位置信息的图像数据，并复制到拼接软件中进行自动拼接，获取能够覆盖整个实验区域，并且经过辐射矫正的光谱反射率图像文件，再利用高精度GPS测定的已知点坐标数据进行正射矫正，让图像数据显示相对正确的坐标位置信息。
③产量数据采集：在水稻成熟期，选取各处长势均匀的1平方米样方3个，割下样方内全部水稻植株，风干并脱粒，再运用风选除去杂质及空瘪粒，称重后获得实收每平米产量，同时，运用快速水分测定仪测定谷粒样品含水量，将产量折算为14％的含水量状态下的标准产量。
产量计算公式：产量采用单位t/ha，产量(t/ha)＝实收平米产量(g)*(1-实际含水量)/(1-标准含水量0.14)*0.01。
④基于机器学习算法的多植被指数组合估产模型的构建与验证：通过多次测试，选用了在估测产量上表现较好的十种植被指数，即NDVI、RVI、DVI、SAVI、GOSAVI、GNDVI、GRVI、OSAVI、NREI、MNDI、NDRE、WDRVI。
将2017年和2018年两年试验数据随机划分，其中70％数据集用做模型构建，30％数据集用做模型验证，构建不同时期、不同植被指数与水稻产量间的回归模型，建模采用机器学习方法。
选用随机森林(RF)和支持向量机(SVM)两种现在非常流行的机器学习算法进行建模分析，这两种算法能够很好地解决小样本数据的分类和预测问题，采用十次交叉验证，并通过网络搜索给RF和SVM寻找最优的参数。
分别将拔节期、抽穗期期水稻的实测产量作为因变量，将所有的植被指数作为自变量，使用随机森林算法回归算法构建产量的遥感反演模型；再利用支持向量机构建与产量的遥感反演模型，选用决定系数(R2)、均方根误差(RMSE)和相对误差(RE)三个指标对构建的模型效果进行评价和验证，R2越接近1，且RMSE和RE越接近0，说明模型效果越好，其中RE小于10％表明模型表现优秀；在20～30％之间表明模型表现一般；大于30％则表明较差。具体公式如式(1)、式(2)和式(3)所示。
其中，Yi为第i个样本点的作物产量的实际测量值(t/hm2)；Ei为根据模型算出的第i个样本点的作物产量估算值(t/hm2)；
为实际测量的平均产量(t/hm2)；
为模型估产的平均产量(t/hm2)。
2.根据权利要求1所述的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的步骤中，无人机为ebee SQ无人机，其搭载的多光谱相机为Sequoia多光谱相机。
3.根据权利要求1所述的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的步骤中，飞行控制软件为eMotion Ag 3.5.0飞行控制软件，飞行高度设置为106.1米，旁向重叠率设置为75％，图像像素分辨率为0.1米。
4.根据权利要求1所述的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的步骤中，拼接软件为Pix4Dag 3.2.23拼接软件，利用GPS的精准定位拼接，获取能够覆盖整个实验区域，并且经过辐射矫正的光谱反射率图像文件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911311109.6A CN111241912A (zh) | 2019-12-18 | 2019-12-18 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911311109.6A CN111241912A (zh) | 2019-12-18 | 2019-12-18 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111241912A true CN111241912A (zh) | 2020-06-05 |
Family
ID=70867638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911311109.6A Pending CN111241912A (zh) | 2019-12-18 | 2019-12-18 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111241912A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798326A (zh) * | 2020-06-24 | 2020-10-20 | 安徽大学 | 基于可见光影像的小麦产量计算模型的构建方法及其应用 |
| CN112184703A (zh) * | 2020-10-27 | 2021-01-05 | 广东技术师范大学 | 基于时空回溯的玉米穗期无人机图像对齐方法与*** |
| 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 |
| CN112749837A (zh) * | 2020-12-22 | 2021-05-04 | 中国农业大学 | 一种基于花后ndvi积累值估测谷类作物产量的方法 |
| CN112903600A (zh) * | 2021-01-15 | 2021-06-04 | 南京农业大学 | 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 |
| CN113223040A (zh) * | 2021-05-17 | 2021-08-06 | 中国农业大学 | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 |
| CN113505635A (zh) * | 2021-05-24 | 2021-10-15 | 中国农业大学 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
| CN113537645A (zh) * | 2021-08-23 | 2021-10-22 | 苏州憨云智能科技有限公司 | 基于机器学习融合卫星与天气数据的大豆产量预测方法 |
| CN113705937A (zh) * | 2021-10-27 | 2021-11-26 | 武汉大学 | 联合机器视觉与作物模型的作物估产方法 |
| CN113743819A (zh) * | 2021-09-15 | 2021-12-03 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
| CN114254802A (zh) * | 2021-11-09 | 2022-03-29 | 北京师范大学 | 气候变化驱动下植被覆盖时空变化的预测方法 |
| CN114593713A (zh) * | 2021-03-02 | 2022-06-07 | 华东师范大学 | 一种潮滩植被区地形反演方法及*** |
| WO2024019632A1 (ru) * | 2022-07-22 | 2024-01-25 | Публичное Акционерное Общество "Сбербанк России" | Устройство и способ определения урожайности сельскохозяйственных культур |
| WO2024085780A1 (ru) * | 2022-10-17 | 2024-04-25 | Публичное Акционерное Общество "Сбербанк России" | Устройство и способ определения видов сельскохозяйственных культур |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008079549A (ja) * | 2006-09-28 | 2008-04-10 | Mitsubishi Paper Mills Ltd | 樹木成長量の評価法 |
| CN109459392A (zh) * | 2018-11-06 | 2019-03-12 | 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 |
-
2019
- 2019-12-18 CN CN201911311109.6A patent/CN111241912A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008079549A (ja) * | 2006-09-28 | 2008-04-10 | Mitsubishi Paper Mills Ltd | 樹木成長量の評価法 |
| CN109459392A (zh) * | 2018-11-06 | 2019-03-12 | 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 |
Non-Patent Citations (3)
| Title |
|---|
| 朱婉雪等: "基于无人机遥感植被指数优选的田块尺度冬小麦估产", 《农业工程学报》 * |
| 李志铭等: "基于无人机可见光图像的作物分类研究", 《西北农林科技大学学报(自然科学版)》 * |
| 聂红梅等: "基于PCA-SVR的冬小麦土壤水分预测", 《土壤》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798326A (zh) * | 2020-06-24 | 2020-10-20 | 安徽大学 | 基于可见光影像的小麦产量计算模型的构建方法及其应用 |
| 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 |
| CN112184703A (zh) * | 2020-10-27 | 2021-01-05 | 广东技术师范大学 | 基于时空回溯的玉米穗期无人机图像对齐方法与*** |
| CN112749837A (zh) * | 2020-12-22 | 2021-05-04 | 中国农业大学 | 一种基于花后ndvi积累值估测谷类作物产量的方法 |
| CN112749837B (zh) * | 2020-12-22 | 2023-07-18 | 中国农业大学 | 一种基于花后ndvi积累值估测谷类作物产量的方法 |
| CN112903600A (zh) * | 2021-01-15 | 2021-06-04 | 南京农业大学 | 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 |
| CN114593713A (zh) * | 2021-03-02 | 2022-06-07 | 华东师范大学 | 一种潮滩植被区地形反演方法及*** |
| CN113223040A (zh) * | 2021-05-17 | 2021-08-06 | 中国农业大学 | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 |
| CN113223040B (zh) * | 2021-05-17 | 2024-05-14 | 中国农业大学 | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 |
| CN113505635A (zh) * | 2021-05-24 | 2021-10-15 | 中国农业大学 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
| CN113505635B (zh) * | 2021-05-24 | 2024-05-31 | 中国农业大学 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
| CN113537645A (zh) * | 2021-08-23 | 2021-10-22 | 苏州憨云智能科技有限公司 | 基于机器学习融合卫星与天气数据的大豆产量预测方法 |
| CN113537645B (zh) * | 2021-08-23 | 2023-11-24 | 苏州憨云智能科技有限公司 | 基于机器学习融合卫星与天气数据的大豆产量预测方法 |
| CN113743819A (zh) * | 2021-09-15 | 2021-12-03 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
| CN113743819B (zh) * | 2021-09-15 | 2024-03-26 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
| CN113705937A (zh) * | 2021-10-27 | 2021-11-26 | 武汉大学 | 联合机器视觉与作物模型的作物估产方法 |
| CN114254802A (zh) * | 2021-11-09 | 2022-03-29 | 北京师范大学 | 气候变化驱动下植被覆盖时空变化的预测方法 |
| CN114254802B (zh) * | 2021-11-09 | 2023-09-08 | 北京师范大学 | 气候变化驱动下植被覆盖时空变化的预测方法 |
| WO2024019632A1 (ru) * | 2022-07-22 | 2024-01-25 | Публичное Акционерное Общество "Сбербанк России" | Устройство и способ определения урожайности сельскохозяйственных культур |
| WO2024085780A1 (ru) * | 2022-10-17 | 2024-04-25 | Публичное Акционерное Общество "Сбербанк России" | Устройство и способ определения видов сельскохозяйственных культур |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Zheng et al. | Detection of rice phenology through time series analysis of ground-based spectral index data | |
| CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
| Qiu et al. | Estimation of nitrogen nutrition index in rice from UAV RGB images coupled with machine learning algorithms | |
| 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 | |
| CN110222475B (zh) | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 | |
| CN110927082A (zh) | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 | |
| CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
| Shibayama et al. | Estimating paddy rice leaf area index with fixed point continuous observation of near infrared reflectance using a calibrated digital camera | |
| CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| CN116108318B (zh) | 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 | |
| CN110909933A (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
| CN112986158B (zh) | 基于无人机多光谱数据的甜菜氮素营养检测方法及*** | |
| CN112816618A (zh) | 一种氮高效小麦品种的筛选方法 | |
| Yang et al. | A VI-based phenology adaptation approach for rice crop monitoring using UAV multispectral images | |
| CN110954650A (zh) | 一种棉花冠层氮素的卫星遥感监测方法 | |
| CN115950838A (zh) | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 | |
| CN116602106A (zh) | 一种基于无人机的水稻田内变量施肥方法 | |
| 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*** | |
| CN106203673A (zh) | 考虑水分胁迫的农作物生物量遥感估算方法 | |
| Bartoszek | Usefulness of MODIS data for assessment of the growth and development of winter oilseed rape | |
| Hangbin et al. | MODIS data based NDVI Seasonal dynamics in agro-ecosystems of south bank Hangzhouwan bay | |
| CN112504972A (zh) | 一种快速监测烟草氮含量的方法 | |
| He et al. | Diagnosis of nitrogen nutrition in sugar beet based on the characteristics of scanned leaf images | |
| CN114202702B (zh) | 基于D-fG参数遥感获取的冬小麦动态收获指数遥感估算方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200605 |
|
| WD01 | Invention patent application deemed withdrawn after publication |