CN111695723B - 一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法 - Google Patents
一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法 Download PDFInfo
- Publication number
- CN111695723B CN111695723B CN202010464749.7A CN202010464749A CN111695723B CN 111695723 B CN111695723 B CN 111695723B CN 202010464749 A CN202010464749 A CN 202010464749A CN 111695723 B CN111695723 B CN 111695723B
- Authority
- CN
- China
- Prior art keywords
- rice
- sar
- aerial vehicle
- unmanned aerial
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 83
- 235000009566 rice Nutrition 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 10
- 230000009977 dual effect Effects 0.000 title claims description 4
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 91
- 235000013339 cereals Nutrition 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims abstract description 13
- 210000005069 ears Anatomy 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- 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)
- Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Networks & Wireless Communication (AREA)
- Animal Husbandry (AREA)
- Electromagnetism (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法,包括水稻田、无人机、Ku波段合成孔径雷达(SAR)和RTK设备,其特征是:在插秧后获取一景Ku波段无人机载SAR的水田图像;随机抽取20个插秧点,并记录样本在图像的位置同时利用RTK设备标记相应的地理坐标;所述的水田中的水稻成熟时,通过RTK设备记录的地理坐标找到相应的位置的水稻样本,样本点所在墩随机抽取3株水稻穗,统计每株稻穗的颗粒数y1、y2、y3;最后,抽取每个插秧点的后向散射系数,通过分蘖后每墩稻穗数与插秧点的拟合关系对每墩的水稻颗粒进行预测。本发明的优点是:本技术采用了新型无人机技术并配合Ku波段机载SAR,实现了远距离精准预测,大大提高了预测质量和效率,简单可靠,具有良好的市场前景。
Description
技术领域
本发明涉及一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法,属于航天遥测技术领域,特别是农业微波遥感领域。
背景技术
在生活中,一些产量经常需要预测,尤其是我们日常食用的水稻。我国是世界上水稻产量最高的国家,总产量高达2亿吨以上,是水稻产量大国,水稻的种植面积为3千万公顷左右,居世界第二。准确预测水稻的产量,有利于国民生产计划的制订。以前预测水稻产量经常是靠人工估算或根据经验判断,无法准确预估,是一个急需解决的问题。
发明内容
本发明的目的是提供一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法。
本发明要解决的问题是现有水稻产量预测不准的缺陷。
为实现本发明的目的,本发明采用的技术方案是:
一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法,包括水稻田、无人机、Ku波段合成孔径雷达(SAR)和RTK设备,其特征是:在插秧后获取一景Ku波段无人机载SAR的水田图像,水田场景包括了平静水面的及其为背景的稀疏秧苗;随机抽取20个插秧点,统计每个样本点的秧苗株数n1、n2...n20,后向散射系数σ0 1、σ0 2…σ0 20,并记录样本在图像的位置同时利用RTK设备标记相应的地理坐标;所述的水田中的水稻成熟时,通过RTK设备记录的地理坐标找到相应的位置的水稻样本,采集样本的点所在墩(插秧点经分蘖后的水稻样本点)的水稻株数x1、x2...x20,样本点所在墩随机抽取3株水稻穗,统计每株稻穗的颗粒数y1、y2、y3;首先根据样本点秧苗株数n及其后向散射系数σ0的线性拟合关系:n=k*σ0+b,k,b为常数;然后建立样本点秧苗株数n及其分蘖后的水稻株数x的线性关系:x=l*n+c,l,c为常数;成熟期水稻的每个样本的稻穗颗粒数统计模型有每墩水稻稻穗数Num=(y1+y2+y3)/3*x;Num=(y1+y2+y3)/3*[l*(k*σ0+b)+c];根据统分析估算出(y1+y2+y3)的期望值ζ,每墩的穗粒数Num=ζ/3*[l*(k*σ0+b)+c],向上取整。最后,抽取每个插秧点的后向散射系数,通过分蘖后每墩稻穗数与插秧点的拟合关系对每墩的水稻颗粒进行预测。
本发明的优点是:本技术采用了新型无人机技术并配合Ku波段机载SAR,实现了远距离精准预测,大大提高了预测质量和效率,简单可靠,具有良好的市场前景。
附图说明
图1是一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法的主视图;
图中:1、水稻田 2、无人机 3、Ku波段合成孔径雷达(SAR) 4、RTK设备。
具体实施方式
下面结合附图及实施例对本发明作进一步的说明。
一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法,包括水稻田1、无人机2、Ku波段合成孔径雷达(SAR)3、RTK设备4,所述在浙江省某粮食生产基地选取一块50亩的插秧后的水稻田1,水稻田1上飞行有无人机2,无人机2上搭载有Ku波段合成孔径雷达(SAR)3,获取一景Ku波段无人机载SAR的水田图像,在水田图像上随机抽取有20个插秧点,统计每个样本点的秧苗株数n1、n2...n20,后向散射系数σ0 1、σ0 2…σ0 20,并记录样本在图像的位置同时利用RTK设备4标记相应的地理坐标;所述的水稻田1中的水稻成熟时,通过RTK设备4记录的地理坐标找到相应的位置的水稻样本,采集样本的点所在墩(插秧点经分蘖后的水稻样本点)的水稻株数x1、x2...x20,样本点所在墩随机抽取3株水稻穗,统计每株稻穗的颗粒数y1、y2、y3;首先根据样本点秧苗株数n及其后向散射系数σ0的线性拟合关系:n=k*σ0+b,k,b为常数;然后建立样本点秧苗株数n及其分蘖后的水稻株数x的线性关系:x=l*n+c,l,c为常数;成熟期水稻的每个样本的稻穗颗粒数统计模型有:每墩水稻稻穗数Num=(y1+y2+y3)/3*x;Num=(y1+y2+y3)/3*[l*(k*σ0+b)+c];根据统计分析估算出(y1+y2+y3)的期望值ζ,每墩的穗粒数Num=ζ/3*[l*(k*σ0+b)+c],向上取整。最后,抽取每个插秧点的后向散射系数,通过分蘖后每墩稻穗数与插秧点的拟合关系对每墩的水稻颗粒进行预测。
使用方法:在浙江省某粮食生产基地选取一块50亩的插秧后的水稻田1,在水稻田1上插秧后,使用搭载有Ku波段合成孔径雷达(SAR)3的无人机2在水稻田1上飞行,获取一景Ku波段无人机载SAR的水田图像,在水田图像上随机抽取有20个插秧点,每个插秧点的秧苗株数分别是:4、6、4、5、5、4、5、4、4、5、4、5、4、6、4、3、5、4、5、4,后向散射系数:-12.36、-11.57、-12.28、-12.13、-12.23、-12.92、-12.16、-13.16、-12.68、-11.97、-12.34、-11.62、-12.71、-11.82、-12.63、-13.21、-12.14、-12.47、-12.23、-12.56,记录每个插秧点在水田图像的位置,同时利用RTK设备4标记相应的地理坐标;所述的水稻田1中的水稻成熟时,通过RTK设备4记录的地理坐标找到相应位置的水稻样本点,采集水稻样本点所在墩(插秧点经分蘖后的水稻样本点)的水稻株数13、19、14、17、16、12、14、13、11、16、14、16、12、19、12、10、16、11、15、13,每个水稻样本点所在墩随机抽取3株水稻穗作为样本,并统计每穗的颗粒数,1号样本:154、175、155,2号样本:137、150、147,3号样本:150、147、187,4号样本:175、138、147,5号样本:157、135、160,6号样本:141、120、110,7号样本:114、135、128,8号样本:138、128、135,9号样本:119、155、159,10号样本:144、151、147,11号样本:146、152、131,12号样本:143、151、126,13号样本:136、142、153,14号样本:123、154、131,15号样本:166、134、142,16号样本:155、137、161,17号样本:127、166、152,18号样本:144、132、158,19号样本:166、141、127,20号样本:134、148、131。20个样本的平均每穗颗粒(y1+y2+y3)/3分别为:161、145、162、154、151、124、126、134、145、148、143、140、144、136、148、151、149、145、145、138。
根据样本点秧苗株数及其后向散射系数的线性拟合关系:
n=1.4503*σ0+22.425;然后建立样本点秧苗株数及其分蘖后的水稻株数的线性关系:x=3.61n-2, 把n代入后:x=5.24*σ0+79;成熟期水稻的每个样本的稻穗颗粒数统计模型有每墩水稻稻穗数Num=(y1+y2+y3)/3*x;通过20个点的调查采样,求得平均值是435粒,简化处理后估算出(y1+y2+y3)的期望值ζ=400*0.05+410*0.15+430*0.45+450*0.2+470*0.05+480*0.1=437粒,将ζ作为(y1+y2+y3)的值代入模型:Num=437/3*(5.24*σ0+79),求得实数向上取整,得到每墩的水稻颗粒数。对于采样的20墩水稻颗粒分别是:2074、2677、2135、2249、2173、1646、2227、1463、1830、2372、2089、2639、1807、2485、1868、1425、2242、1990、2173、1921;实测值为1658、2141、2763、2877、2765、2111、1699、1901、2392、1875、1677、2100、1441、1963、1451、1816、1711、2490、1734、2401,与实测20墩水稻的颗粒正负相比,准确率在75%-80%,具有较高的可行性。
Claims (1)
1.一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法,包括水稻田(1)、无人机(2)、Ku波段合成孔径雷达(SAR)(3)和RTK设备(4),在浙江省某粮食生产基地选取一块50亩的插秧后的水稻田(1),水稻田(1)上飞行有无人机(2),无人机(2)上安装有Ku波段合成孔径雷达(SAR)(3),Ku波段合成孔径雷达(SAR)(3)拍摄水稻田(1)画面后获取一景Ku波段无人机载SAR的水田图像,在水田图像上随机抽取有20个插秧点,统计每个样本点的秧苗株数n1、n2...n20,后向散射系数σ01、σ02..σ020,并记录样本在图像的位置同时利用RTK设备(4)标记相应的地理坐标;所述的水稻田(1)中的水稻成熟时,通过RTK设备(4)记录的地理坐标找到相应的位置的水稻样本,采集样本的点所在墩的水稻株数x1、x2...x20,墩代表插秧点经分蘖后的水稻样本点,样本点所在墩随机抽取3株水稻穗,统计每株稻穗的颗粒数y1、y2、y3;首先根据样本点秧苗株数n及其后向散射系数σ0的线性拟合关系:n=k*σ0+b,k,b为常数;然后建立样本点秧苗株数n及其分蘖后的水稻株数x的线性关系:x=l*n+c,l,c为常数;成熟期水稻的每个样本的稻穗颗粒数统计模型有:每墩水稻稻穗数Num=(y1+y2+y3)/3*x;Num=(y1+y2+y3)/3*[l*(k*σ0+b)+c];根据统计分析估算出(y1+y2+y3)的期望值ζ,每墩的穗粒数Num=ζ/3*[l*(k*σ0+b)+c],向上取整;最后,抽取每个插秧点的后向散射系数,通过分蘖后每墩稻穗数与插秧点的拟合关系对每墩的水稻颗粒进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010464749.7A CN111695723B (zh) | 2020-05-28 | 2020-05-28 | 一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010464749.7A CN111695723B (zh) | 2020-05-28 | 2020-05-28 | 一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695723A CN111695723A (zh) | 2020-09-22 |
CN111695723B true CN111695723B (zh) | 2022-04-22 |
Family
ID=72478409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010464749.7A Active CN111695723B (zh) | 2020-05-28 | 2020-05-28 | 一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695723B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387516B (zh) * | 2022-01-07 | 2022-08-16 | 宁波大学 | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 |
CN114529826B (zh) * | 2022-04-24 | 2022-08-30 | 江西农业大学 | 一种基于遥感影像数据的水稻估产方法、装置及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6405083B1 (en) * | 1998-09-30 | 2002-06-11 | Koninklijke Philips Electronics N.V. | Defibrillator with wireless communication of ECG signals |
CN110222903A (zh) * | 2019-06-13 | 2019-09-10 | 苏州市农业科学院 | 一种基于无人机遥感的水稻产量预测方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE525473T1 (de) * | 2004-10-05 | 2011-10-15 | Sungene Gmbh | Konstitutive expressionskassette zur regulierung der expression in pflanzen. |
US20060196116A1 (en) * | 2005-03-03 | 2006-09-07 | Prairie Plant Systems Inc. | Method and apparatus for the scheduled production of plant extracts |
-
2020
- 2020-05-28 CN CN202010464749.7A patent/CN111695723B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6405083B1 (en) * | 1998-09-30 | 2002-06-11 | Koninklijke Philips Electronics N.V. | Defibrillator with wireless communication of ECG signals |
CN110222903A (zh) * | 2019-06-13 | 2019-09-10 | 苏州市农业科学院 | 一种基于无人机遥感的水稻产量预测方法及*** |
Non-Patent Citations (2)
Title |
---|
利用无人机多光谱影像数据构建棉苗株数估算模型;郑晓岚等;《中国图象图形学报》;20200316(第03期);第112-115页 * |
利用航空成像光谱数据进行冬小麦产量预测;宋晓宇等;《遥感技术与应用》;20040730(第03期);第37-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111695723A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695723B (zh) | 一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法 | |
CN108985260B (zh) | 一种遥感及气象一体化水稻估产方法 | |
CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
CN109946762B (zh) | 一种基于概率分布短时预报降水的方法及*** | |
CN112418188A (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
CN112836575B (zh) | 一种基于作物物候期的多时序影像水稻估产方法 | |
CN111418323B (zh) | 一种基于设施作物冠层覆盖度和株高的氮肥实时推荐方法 | |
CN108334476B (zh) | 农机作业平整度的检测方法、装置和*** | |
Xu et al. | Classification method of cultivated land based on UAV visible light remote sensing | |
CN109813286A (zh) | 一种基于无人机的倒伏灾害遥感定损方法 | |
CN114747349B (zh) | 基于群体长势遥感检测与分级的小麦健壮群体培育方法 | |
CN116897668A (zh) | 一种电驱农作物播种施肥控制方法及*** | |
Qin-ying et al. | Evaluation of different agronomic measures on narrowing the yield gap and improving nitrogen use efficiency of winter wheat | |
CN115797764B (zh) | 一种应用于耕地非农化监测的遥感大数据解译方法及*** | |
Anderson et al. | Mule Deer Numbers and Shrub Yield: Utilization on Winter Range | |
CN111476150B (zh) | 基于uav近景拍摄技术的崖壁群植物多样性调查方法 | |
CN110779497A (zh) | 一种天地空一体化小麦产量评估方法 | |
CN109241866B (zh) | 一种基于历史作物分布图的农作物自动分类方法及装置 | |
CN113554675A (zh) | 一种基于无人机可见光遥感的食用菌产量估算方法 | |
CN113487636A (zh) | 基于激光雷达的宽垄作物株高及行间距自动提取方法 | |
CN110619417A (zh) | 基于大田水稻冠层穗部图像特征的理论测产方法 | |
O¿ Connell et al. | Satellite remote sensing of vegetation cover and nitrogen status in almond | |
ZHANG et al. | Object-oriented crop classification based on UAV remote sensing imagery | |
CN115631435A (zh) | 一种基于无人机遥感影像深度学习的玉米缺苗率计算方法 | |
CN115903088B (zh) | 一种基于平流扩散模型的气象要素临近预报方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |