CN115372282B - 一种基于无人机高光谱影像的农田土壤含水量监测方法 - Google Patents
一种基于无人机高光谱影像的农田土壤含水量监测方法 Download PDFInfo
- Publication number
- CN115372282B CN115372282B CN202211278158.6A CN202211278158A CN115372282B CN 115372282 B CN115372282 B CN 115372282B CN 202211278158 A CN202211278158 A CN 202211278158A CN 115372282 B CN115372282 B CN 115372282B
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- soil
- farmland
- image data
- neural network
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 223
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 claims abstract description 80
- 230000003595 spectral effect Effects 0.000 claims abstract description 79
- 238000001228 spectrum Methods 0.000 claims abstract description 60
- 238000013507 mapping Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000002310 reflectometry Methods 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 230000002068 genetic effect Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 17
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 16
- 229910052782 aluminium Inorganic materials 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 8
- 238000001035 drying Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000000985 reflectance spectrum Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 239000004411 aluminium Substances 0.000 claims description 2
- 238000013501 data transformation Methods 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims 2
- 238000004891 communication Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 14
- 238000005070 sampling Methods 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- WQHONKDTTOGZPR-UHFFFAOYSA-N [O-2].[O-2].[Mn+2].[Fe+2] Chemical class [O-2].[O-2].[Mn+2].[Fe+2] WQHONKDTTOGZPR-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration 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
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002366 mineral element Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 235000015816 nutrient absorption Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机高光谱影像的农田土壤含水量监测方法,计算土壤样本的土壤水分,获取无人机高光谱设备采集的农田高光谱影像并进行预处理;提取预处理后的高光谱影像数据中反射光谱所对应的图像像元,并对高光谱影像数据的光谱反射率数据进行滤波处理;对高光谱影像数据进行连续小波变换生成多个尺度的连续小波系数,筛选特征波段,生成光谱特征集合;根据光谱特征集合与土壤水分建立深度神经网络回归模型,调试模型参数对模型进行训练,评价模型的精度;采用深度神经网络回归模型对高光谱影像数据中的所有像素进行土壤水分含量估计,根据估计得到的土壤水分含量进行空间制图。本发明为农田数字土壤制图提供了极大的便捷。
Description
技术领域
本发明涉及土壤含水量监测技术领域,尤其涉及一种基于无人机高光谱影像的农田土壤含水量监测方法、***、终端及计算机可读存储介质。
背景技术
土壤含水量是农业监测的重要指标之一,对于监测土壤墒情、农作物生长状况、以及产量评估具有指导性作用。在作物的生长过程中,土壤含水量过低会导致土地硬化,进而影响农作物对水分以及养分的吸收。鉴于农业水资源利用率不高,精确获取农田土壤含水量信息对于提高农业水资源利用率具有重要意义。传统的土壤含水量测量方法,如烘干法、中子仪测定法、γ射线法,难以对大面积农田的土壤含水量进行连续空间上的有效监测。遥感技术由于实时性、无损性以及非接触性等特点,被广泛应用于土壤含水量监测。通过建立土壤含水量与遥感漫反射光谱之间的模型关系,可用于进行土壤含水量的估算。尤其是以利用高光谱数据对于土壤含水量进行监测能够从不同的波段范围对土壤水分吸收能力进行评估,获得更好的土壤含水量估算精度。
近年来,低空无人机高光谱遥感技术得到快速发展,其具有操作灵活、受天气影响小,适合小地块精细化监测等优势。基于无人机高光谱影像数据可以快速灵活地获取农田尺度的土壤含水量数据。但其应用面临以下难点:
(1)在作物生长期,农田土壤逐渐由刚开始的裸露,向大部分被农作物覆盖过渡;获取的无人机高光谱影像最初为裸露土壤的高光谱数据,逐渐转变为土壤农作物夹杂的土壤高光谱数据;最后,由于农作物合拢,无人机获取的高光谱数据为纯农作物光谱;基于此需要能有效的而区分作物光谱和土壤光谱,针对不同光谱类型构建土壤含水量反演模型。
(2)无人机高光谱数据波段多导致信息冗余度高,容易引发维数灾难问题,不仅使得模型变得复杂,还会降低反演模型精度;为了解决这一问题,在构建土壤含水量估算模型前,需要挑选特征光谱;对于土壤含水量的估算,土壤光谱的特征光谱与水分分子O-H的振动直接关联;而农作物光谱与土壤含水量的关系较为间接,土壤含水量影响作物生长,进而农作物叶面积指数、叶绿素含量,而这些因素又是决定农作物光谱的重要因素;这表明在利用无人机高光谱数据构建土壤水分反演模型的时候需要针对不同光谱类型考虑特征光谱的差异。
(3)高光谱数据的反射率与众多分子键和官能团的基频振动直接相关;含水量特征光谱的反射率不仅与土壤含水量有关,还与其他因素有关;比如土壤光谱的某一波段是土壤含水量的特征光谱,但是这一波段大概率与其他土壤成分如有机质、铁锰氧化物、矿物元素等有关联;对于农作物光谱亦是如此;难以从光谱特征中分离出土壤含水量相关的信息。
因此,现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种基于无人机高光谱影像的农田土壤含水量监测方法、***、终端及计算机可读存储介质,旨在解决现有技术中无法快速、精确提取土壤含水量监测的重要光谱信息的问题。
为实现上述目的,本发明提供一种基于无人机高光谱影像的农田土壤含水量监测方法,所述基于无人机高光谱影像的农田土壤含水量监测方法包括如下步骤:
计算目标区域获取的土壤样本的土壤水分,获取无人机高光谱设备采集的农田高光谱影像,对所述农田高光谱影像进行几何校正、辐射定标和大气校正,得到高光谱影像数据;
提取预处理后的所述高光谱影像数据中反射光谱所对应的图像像元,并对所述高光谱影像数据的光谱反射率数据进行滤波处理;
对所述高光谱影像数据进行连续小波变换生成多个尺度的连续小波系数,对多个尺度的连续小波系数进行特征波段筛选,生成光谱特征集合;
根据所述光谱特征集合与所述土壤水分建立深度神经网络回归模型,调试模型参数对所述深度神经网络回归模型进行训练,评价所述深度神经网络回归模型的精度;
采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,根据估计得到的土壤水分含量进行空间制图。
可选地,所述的基于无人机高光谱影像的农田土壤含水量监测方法,其中,所述计算目标区域获取的土壤样本的土壤水分,获取无人机高光谱设备采集的农田高光谱影像,对所述农田高光谱影像进行几何校正、辐射定标和大气校正,得到高光谱影像数据,具体包括:
在目标区域采集土壤样本,计算土壤样本的土壤水分,土壤样本放置于铝盒中密封保存,计算公式为:
;
其中,SMC表示土壤水分,为烘干前铝盒及土样质量,为烘干后铝盒及土样质量,为烘干空铝盒质量;
采用无人机高光谱设备采集农田高光谱影像;
对农田高光谱影像进行预处理,所述预处理包括几何校正、辐射定标和大气校正;
其中,对农田高光谱影像进行几何校正,消除图像畸变;
采用标准白板对农田高光谱影像进行辐射定标,以完成图像的亮度灰度值转换为绝对的辐射亮度;
采用Flassh算法对农田高光谱影像进行大气校正,消除大气影响;
经过几何校正、辐射定标和大气校正后得到预处理后的高光谱影像数据。
可选地,所述的基于无人机高光谱影像的农田土壤含水量监测方法,其中,所述提取预处理后的所述高光谱影像数据中反射光谱所对应的图像像元,并对所述高光谱影像数据的光谱反射率数据进行滤波处理,具体包括:
采用最小距离分类算法对预处理后的所述高光谱影像数据进行植被像素的掩膜提取,剔除裸土像素,完成农作物反射光谱所对应的图像像元的提取;
对所述高光谱影像数据的光谱反射率数据进行Savitzky-Golay滤波处理,以减少原始光谱的噪声。
可选地,所述的基于无人机高光谱影像的农田土壤含水量监测方法,其中,所述对所述高光谱影像数据进行连续小波变换生成多个尺度的连续小波系数,对多个尺度的连续小波系数进行特征波段筛选,生成光谱特征集合,具体包括:
采用正交小波函数中的小波基函数对高光谱影像数据进行连续小波变换,生成多个尺度的连续小波系数;其中,小波基函数定义如下:
;
其中,
x为高光谱不同波段对应的反射率值,为缩放因子或称膨胀因子,b为平移因子,R为实数;
其中,,,j和k取整数,从而得到:
;
连续小波变换得到小波系数,计算公式如下:
;
采用遗传算法对多个尺度的连续小波系数进行特征波段筛选,生成光谱特征集合。
可选地,所述的基于无人机高光谱影像的农田土壤含水量监测方法,其中,所述根据所述光谱特征集合与所述土壤水分建立深度神经网络回归模型,调试模型参数对所述深度神经网络回归模型进行训练,评价所述深度神经网络回归模型的精度,具体包括:
根据所述光谱特征集合与所述土壤水分,建立深度神经网络回归模型;
其中,所述深度神经网络回归模型中的线性整流函数ReLU表示为:
;
其中,
X为经过小波分解和遗传算法处理后得到的特征变量;
所述深度神经网络回归模型中的损失函数Loss表示为:
;
其中,为土壤样本的数量,表示测量值,表示预测值;
不断调试所述深度神经网络回归模型的模型参数,并训练所述深度神经网络回归模型,并评价所述深度神经网络回归模型的精度,直到所述深度神经网络回归模型达到符合要求的精度;
其中,决定系数R2和均方根误差RMSECV用来进行模型精度评价,计算方式如下:
;
;
其中,为测量平均值。
可选地,所述的基于无人机高光谱影像的农田土壤含水量监测方法,其中,所述采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,根据估计得到的土壤水分含量进行空间制图,具体包括:
采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,得到土壤水分含量;
根据所述土壤水分含量进行空间制图。
可选地,所述的基于无人机高光谱影像的农田土壤含水量监测方法,其中,所述根据所述土壤水分含量进行空间制图,具体包括:
使用Matlab软件对高光谱影像数据的每个像素值进行连续小波变化;
基于光谱特征波段采用所述深度神经网络回归模型完成整幅影像每个像素值的SMC估算,将每个像素重新组合成为SMC空间分布图像。
此外,为实现上述目的,本发明还提供一种基于无人机高光谱影像的农田土壤含水量监测***,其中,所述基于无人机高光谱影像的农田土壤含水量监测***包括:
影像数据获取模块,用于计算目标区域获取的土壤样本的土壤水分,获取无人机高光谱设备采集的农田高光谱影像,对所述农田高光谱影像进行几何校正、辐射定标和大气校正,得到高光谱影像数据;
数据提取滤波模块,用于提取预处理后的所述高光谱影像数据中反射光谱所对应的图像像元,并对所述高光谱影像数据的光谱反射率数据进行滤波处理;
数据变换筛选模块,用于对所述高光谱影像数据进行连续小波变换生成多个尺度的连续小波系数,对多个尺度的连续小波系数进行特征波段筛选,生成光谱特征集合;
模型构建训练模块,用于根据所述光谱特征集合与所述土壤水分建立深度神经网络回归模型,调试模型参数对所述深度神经网络回归模型进行训练,评价所述深度神经网络回归模型的精度;
水分估计制图模块,用于采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,根据估计得到的土壤水分含量进行空间制图。
此外,为实现上述目的,本发明还提供一种终端,其中,所述终端包括: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基于无人机高光谱影像的农田土壤含水量监测程序,所述基于无人机高光谱影像的农田土壤含水量监测程序被所述处理器执行时实现如上所述的基于无人机高光谱影像的农田土壤含水量监测方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有基于无人机高光谱影像的农田土壤含水量监测程序,所述基于无人机高光谱影像的农田土壤含水量监测程序被处理器执行时实现如上所述的基于无人机高光谱影像的农田土壤含水量监测方法的步骤。
本发明中,计算目标区域获取的土壤样本的土壤水分,获取无人机高光谱设备采集的农田高光谱影像,对所述农田高光谱影像进行几何校正、辐射定标和大气校正,得到高光谱影像数据;提取预处理后的所述高光谱影像数据中反射光谱所对应的图像像元,并对所述高光谱影像数据的光谱反射率数据进行滤波处理;对所述高光谱影像数据进行连续小波变换生成多个尺度的连续小波系数,对多个尺度的连续小波系数进行特征波段筛选,生成光谱特征集合;根据所述光谱特征集合与所述土壤水分建立深度神经网络回归模型,调试模型参数对所述深度神经网络回归模型进行训练,评价所述深度神经网络回归模型的精度;采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,根据估计得到的土壤水分含量进行空间制图。本发明基于农作物高光谱影像监测土壤水分含量,融合小波分析和遗传算法筛选适用于土壤水分监测的高光谱特征波段,采用深度神经网络回归模型进行SMC估算和制图,为农田数字土壤制图提供极大的便捷。
附图说明
图1是本发明基于无人机高光谱影像的农田土壤含水量监测方法的较佳实施例的流程图;
图2是本发明基于无人机高光谱影像的农田土壤含水量监测方法的较佳实施例中采样单元及四点采样示意图;
图3是本发明基于无人机高光谱影像的农田土壤含水量监测方法的较佳实施例中研究区UAV高光谱影像及采样点分布的示意图;
图4是本发明基于无人机高光谱影像的农田土壤含水量监测方法的较佳实施例中SG滤波后的光谱曲线示意图;
图5是本发明基于无人机高光谱影像的农田土壤含水量监测方法的较佳实施例中SG滤波后的光谱曲线与CWT后的小波系数对比的示意图;
图6是本发明基于无人机高光谱影像的农田土壤含水量监测方法的较佳实施例中遗传算法模型的运行中适应度与包含变量数量的关系示意图;
图7是本发明基于无人机高光谱影像的农田土壤含水量监测方法的较佳实施例中遗传算法模型的运行中适应度与迭代次数的关系示意图;
图8是本发明基于无人机高光谱影像的农田土壤含水量监测方法的较佳实施例中遗传算法模型的运行中使用波段数量与迭代次数的关系示意图;
图9是本发明基于无人机高光谱影像的农田土壤含水量监测方法的较佳实施例中遗传算法模型的运行中CWT尺度与变量位置的关系示意图;
图10是本发明基于无人机高光谱影像的农田土壤含水量监测方法的较佳实施例中深度神经网络回归模型的结构示意图;
图11是本发明基于无人机高光谱影像的农田土壤含水量监测方法的较佳实施例中深度神经网络回归模型训练过程RMSE与损失值的变化示意图;
图12是本发明基于无人机高光谱影像的农田土壤含水量监测方法的较佳实施例中光谱波段在GA模型中的使用频率及所在位置的示意图;
图13是本发明基于无人机高光谱影像的农田土壤含水量监测方法的较佳实施例中深度神经网络回归模型估算SMC的散点图;
图14是本发明基于无人机高光谱影像的农田土壤含水量监测方法的较佳实施例中基于深度神经网络回归模型的SOCD空间分布的示意图;
图15是本发明基于无人机高光谱影像的农田土壤含水量监测***的较佳实施例的原理示意图;
图16为本发明终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明较佳实施例所述的基于无人机高光谱影像的农田土壤含水量监测方法,如图1所示,所述基于无人机高光谱影像的农田土壤含水量监测方法包括以下步骤:
步骤S10、计算目标区域获取的土壤样本的土壤水分,获取无人机高光谱设备采集的农田高光谱影像,对所述农田高光谱影像进行几何校正、辐射定标和大气校正,得到高光谱影像数据。
具体地,在目标区域采集土壤样本,计算土壤样本的土壤水分,例如在目标田块中均匀选取70个0.5m×0.5m的采样单元,并记录每个采样单元的GPS位置;以各个采样单元中的小麦植株为中心点进行四点采样(如图2所示,四个圆圈表示四个采样点),获取深度为0-10cm的土壤样本并放置于铝盒中密封保存;对70份样本进行实验室处理,完成土壤样本原始质量记录后,在105℃烘箱中进行48h烘干,并根据烘干后的土壤样本质量计算土壤含水量(Soil Moisture Content ,SMC),计算公式如下:
;(1)
其中,SMC表示土壤水分,为烘干前铝盒及土样质量,为烘干后铝盒及土样质量,为烘干空铝盒质量。
采用无人机高光谱设备采集农田高光谱影像,对农田高光谱影像进行预处理,所述预处理包括几何校正、辐射定标和大气校正;其中,对农田高光谱影像进行几何校正,消除图像畸变;采用标准白板对农田高光谱影像进行辐射定标,以完成图像的亮度灰度值转换为绝对的辐射亮度;采用Flassh算法对农田高光谱影像进行大气校正,消除大气影响;经过几何校正、辐射定标和大气校正后得到预处理后的高光谱影像数据。
例如,本发明使用DJI Matrice 600 Pro六旋翼无人机搭载Nano-Hyperspec高光谱成像仪获取研究区的高光谱影像数据,Nano-Hyperspec是集成光谱仪和数据存储模块的高光谱传感器,同时集成了GPS/IMU(Inertial measurement unit)惯导***,可以同步获取无人机(Unmanned aerial vehicle,UAV)的实时姿态信息。高光谱传感器的波段范围是红外/近红外波段(400-1000nm),包括270个光谱通道,光谱采样间隔优于2.4nm/pixel,光谱分辨率在20µm狭缝时优于6nm。飞行器处于100m航高下,Nano-Hyperspec高光谱传感器焦距12mm可获取空间分辨率约为4cm的高光谱影像,像素为640×480。为确保数据的真实客观性,实验组首先需确认野外作业前5天内无降水与人工干扰。在无人机起飞前需要对高光谱传感器进行暗电流校正和白板校正,飞行时天气晴且无大风影响,具有良好视野。本发明以某一荒漠-绿洲过渡带(87°51'15″E, 44°21'14″N)为例,完成高光谱影像采集及采样点选取,如图3所示。
数据采集完成后使用HyperspecⅢ及Headwall Spectral View软件对UAV高光谱影像进行几何校正来消除或改正遥感影像几何误差;之后通过在像片上选取地面控制点,并利该像片范围内的数字高程模型(DEM)数据,对影像同时进行倾斜改正和投影差改正,将影像重采样成正射影像完成正射校正和镶嵌处理;再采用黑、白、灰标准的标定布对影像进行辐射定标处理完成图像的亮度灰度值转换为绝对的辐射亮度的过程;使用大气校正模型(Fast Line-of-sight-Atmospheric Analysis of Spectral Hypercubes,FLAASH)进行大气校正,以剔除大气、阳光或其他外部因素的影响。
步骤S20、提取预处理后的所述高光谱影像数据中反射光谱所对应的图像像元,并对所述高光谱影像数据的光谱反射率数据进行滤波处理。
具体地,使用最小距离分类法对经过上述预处理后的高光谱影像数据进行植被像素的掩膜提取,剔除裸土像素,完成农作物反射光谱所对应的图像像元的提取;最后,对原始高光谱影像进行Savitzky-Golay(SG)滤波处理,将滤波窗口设为20,多项式次数设为2,以减少原始光谱的噪声。图4展示了经SG滤波后的光谱曲线形态,经过SG滤波后的光谱曲线更加平滑,减少了大量噪声的同时又保留了原始光谱曲线的形态特征。
步骤S30、对所述高光谱影像数据进行连续小波变换生成多个尺度的连续小波系数,对多个尺度的连续小波系数进行特征波段筛选,生成光谱特征集合。
具体地,高光谱数据具有丰富的波段信息,能够提供更为细致的光谱信息用来反映地物理化特性,但是同时也存在着噪声、信息高度冗余、吸收特征重叠等问题。农作物冠层光谱信息中某些适合SMC反演的光谱特征可能属于微弱吸收峰,在这种情况下利用小波变换WT(Wavelet Transform)增强微弱吸收峰,能够一定程度上分离重叠的吸收特征。对获取得到的高光谱信息进行连续小波变换(Continuous Wavelet Transformation,CWT)能够有效增强理化参数的特征信息。针对高光谱数据波段数众多,信息冗余度高的问题,有必要对高光谱数据进行特征波段提取,主要方法为遗传算法(Genetic algorithm,GA)。遗传算法以种群为目标在全局尺度上来进行特征波长的选取,在极大程度上保持目标光谱在全域波段的完整性,避免了在特征选取过程中由于部分过于敏感的特征波段的影响而忽视了全局优化的情况,能够使模型更加稳定。本发明融合CWT和GA对农作物冠层光谱中的SMC吸收峰光谱特征信息进行增强并完成光谱特征选择。
连续小波变换(Continuous Wavelet Transform,CWT)是基于母小波函数的缩放平移生成小波基,与原始高光谱信号进行加窗线性变换得到一系列不同尺度的小波系数。小波基函数定义如下:
;(2)
其中,
x为高光谱不同波段对应的反射率值,为缩放因子或称膨胀因子,b为平移因子,R为实数。
在研究应用中,须以实际情况对和b的值进行设置,一般情况下,设,,,j和k取整数,从而得到:
;(3)
连续小波变换得到小波系数,计算公式如下:
;(4)
在本发明使用正交小波函数db4小波基函对农作物冠层光谱数据进行连续小波变换(CWT),正交小波函数db4具有良好的局部化特征,能够有效处理和分析微弱或突变的信号。
图5是CWT之后的光谱信息对比,经过多层CWT分解之后的小波系数光谱信息能够明显有效增强部分光谱信号。
采用遗传算法(Genetic algorithm,GA)对CWT后的小波系数进一步提取特征波段。遗传算法是基于达尔文自然进化学说中的自然选择与遗传学机理,模拟生物自然进化过程的计算模型;它基于种群搜索算法,同时对群体目标中的多个个体进行筛选,通过多次更迭,极大程度的降低局部最优解的风险。研究设置GA的初步种群大小为64,窗口宽度为1,初始变量集为10%,突变率为0.5% 。并采用随机交叉验证,以均方根误差RMSECV(Root MeanSquare Error of Cross Validation)作为适应度函数来防止过拟合。当模型的适应度函数迭代达到一定次数时程序终止。在每次运行结束时,选定最佳染色体变量即问题有效解的编码串。为确保得到稳定可靠的结果,对数据重复执行5次,并对入选的波段及其频率进行累计,根据累计频率均值进行特征波段的提取。
其中,遗传算法(Genetic algorithm,GA)模型参数设置如下表1所示:
表1:GA模型参数设置
图6-图9所示的是GA模型的运行结果,由图6可以看出当模型使用的变量组合中包含31个波段时,适应度最小,这表明由GA选择的最佳波段数量为31。图7表明随着迭代次数的增加,模型的适应度呈现降低的趋势,当迭代次数达到40时,程序被终止。图8显示了GA使用波段的数量随着迭代次数增加而减少,使用波段数量为31时达到最佳数量。图9展示了不同尺度下各波段在GA中的使用频率及变量位置,一般来说,某个波段的使用频率越高则该波段对模型的作用越显著。
步骤S40、根据所述光谱特征集合与所述土壤水分建立深度神经网络回归模型,调试模型参数对所述深度神经网络回归模型进行训练,评价所述深度神经网络回归模型的精度。
具体地,为提高SMC估算的准确性,本发明采用了目前应用较为广泛且表现优越的DNN模型(深度神经网络回归模型)。一个浅层神经网络结构一般由一个输入层、一个隐藏层和一个输出层组成,其中隐藏层中包含许多神经元,这些神经元的数量对最终的模型输出具有重要影响。不同于浅层神经网络,本发明采用的DNN模型通常具有更多的隐藏层,这使其具有更出色的学习能力,可以解决更为复杂的非线性问题。在DNN中,线性整流函数ReLU(Rectified Linear Unit)是神经元常用的激活函数,具有较为优异的表现,其表示为:
;(5)
其中,
X为经过小波分解和遗传算法处理后得到的特征变量;
所述深度神经网络回归模型中的损失函数Loss表示为:
;(6)
其中,为土壤样本的数量,表示测量值,表示预测值;
本发明设计了由一个输入层、三个隐藏层和一个输出层组成的DNN结构(如图10所示)。光谱数据将被压缩成对应于每个采样点的一维向量,并作为模型的输入层。隐藏层为三个全连接层,由第一至第三个隐藏层分别具有10、8、5个神经元。以ReLU函数作为DNN模型的激活函数。为了防止过拟合,本发明还添加了一个dropout函数,丢弃率为0.1,可随机丢弃一部分神经网络单元,使其不参与训练,提高模型的泛化能力。最后,SMC估算值将由DNN的输出层线性输出。DNN模型其他具体参数如表2所示:
表2:DNN模型具体参数设置
训练过程历时约30秒,共进行了100次迭代,学习率为0.001,学习率调度为常数,硬件资源为单CPU。图11展示了DNN模型训练过程中的均方根误差RMSE、损失Loss随迭代的变化过程,由图11可以看出,随着迭代次数的增加RMSE整体上呈现下降的趋势,损失值Loss也在不断地减少。
不断调试所述深度神经网络回归模型的模型参数,并训练所述深度神经网络回归模型,并评价所述深度神经网络回归模型的精度,直到所述深度神经网络回归模型达到符合要求的精度;其中,决定系数R2和均方根误差RMSECV用来进行模型精度评价,计算方式如下:
;(7)
;(8)
其中,为测量平均值。
步骤S50、采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,根据估计得到的土壤水分含量进行空间制图。
具体地,采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,得到土壤水分含量;使用Matlab软件对高光谱影像数据的每个像素值进行连续小波变化;基于光谱特征波段采用所述深度神经网络回归模型完成整幅影像每个像素值的SMC估算,将每个像素重新组合成为SMC空间分布图像。
进一步地,图12显示了经过CWT处理后的各光谱波段在GA模型中的使用频率及变量位置。对不同尺度变换下的光谱信息进行GA筛选,提取出不同变换尺度下的最有效特征波段。若一个变量被使用的频率越高表明它更有可能是特征波段。在CWT高尺度变换中与SMC有关的光谱特征波段主要集中在400-480nm、650-790nm和890-990nm的光谱区域,而在600nm及820nm附近的光谱区域缺乏特征波段。在CWT低尺度变换中与SMC有关的光谱特征波段主要集中在420-580nm和700-760nm,而在820nm附近的光谱区域缺乏特征波段。经过GA变量选择,最终选取了31个光谱特征波段。
图13展示了利用DNN回归模型估算SMC的散点图,可以看出使用DNN模型估算SMC具有较高的精度,表现为较高的R²(0.79),以及较低的RMSECV(2.14)。图13中拟合线(实线)与1:1线(虚线)较为贴合。上述结果表明DNN模型适用于SMC的估算,具有较高的估算精度,为本发明采用DNN模型对整个研究区的SMC进行制图提供了可靠保障。
使用Matlab软件对高光谱影像的每个像素值进行连续小波变化后,基于光谱特征波段采用DNN模型完成整幅影像每个像素值的SMC估算,最后将每个像素重新组合成为SMC空间分布图像,其空间分布如图14所示。在研究区内SMC的差异显著。研究区内SOCD的变化范围在3.5~50.0 g/kg之间。
本发明创新的关键点为使用了机载高光谱数据源,为农田尺度数字土壤制图提供了新的数据源。机载平台具有较为灵活的特点,高光谱具有丰富的光谱信息,将二者的优势相结合可以为农田数字土壤制图提供极大的便捷。本发明融合小波分解和遗传算法的信息提取方法,提取适用于土壤含水量监测的重要光谱信息,并在此基础上深度学习方法建立土壤含水量反演模型,并对模型进行精度分析以及综合评价,以期为农业水资源状况监测提供科学数据参考。
进一步地,如图15所示,基于上述基于无人机高光谱影像的农田土壤含水量监测方法,本发明还相应提供了一种基于无人机高光谱影像的农田土壤含水量监测***,其中,所述基于无人机高光谱影像的农田土壤含水量监测***包括:
影像数据获取模块51,用于计算目标区域获取的土壤样本的土壤水分,获取无人机高光谱设备采集的农田高光谱影像,对所述农田高光谱影像进行几何校正、辐射定标和大气校正,得到高光谱影像数据;
数据提取滤波模块52,用于提取预处理后的所述高光谱影像数据中反射光谱所对应的图像像元,并对所述高光谱影像数据的光谱反射率数据进行滤波处理;
数据变换筛选模块53,用于对所述高光谱影像数据进行连续小波变换生成多个尺度的连续小波系数,对多个尺度的连续小波系数进行特征波段筛选,生成光谱特征集合;
模型构建训练模块54,用于根据所述光谱特征集合与所述土壤水分建立深度神经网络回归模型,调试模型参数对所述深度神经网络回归模型进行训练,评价所述深度神经网络回归模型的精度;
水分估计制图模块55,用于采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,根据估计得到的土壤水分含量进行空间制图。
进一步地,如图16所示,基于上述基于无人机高光谱影像的农田土壤含水量监测方法和***,本发明还相应提供了一种终端,所述终端包括处理器10、存储器20及显示器30。图16仅示出了终端的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元,例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(SecureDigital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据,例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有基于无人机高光谱影像的农田土壤含水量监测程序40,该基于无人机高光谱影像的农田土壤含水量监测程序40可被处理器10所执行,从而实现本申请中基于无人机高光谱影像的农田土壤含水量监测方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器20中存储的程序代码或处理数据,例如执行所述基于无人机高光谱影像的农田土壤含水量监测方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过***总线相互通信。
在一实施例中,当处理器10执行所述存储器20中基于无人机高光谱影像的农田土壤含水量监测程序40时实现上述基于无人机高光谱影像的农田土壤含水量监测方法的步骤。
综上所述,本发明提供一种基于无人机高光谱影像的农田土壤含水量监测方法、***、终端及计算机可读存储介质,所述方法包括:计算目标区域获取的土壤样本的土壤水分,获取无人机高光谱设备采集的农田高光谱影像,对所述农田高光谱影像进行几何校正、辐射定标和大气校正,得到高光谱影像数据;提取预处理后的所述高光谱影像数据中反射光谱所对应的图像像元,并对所述高光谱影像数据的光谱反射率数据进行滤波处理;对所述高光谱影像数据进行连续小波变换生成多个尺度的连续小波系数,对多个尺度的连续小波系数进行特征波段筛选,生成光谱特征集合;根据所述光谱特征集合与所述土壤水分建立深度神经网络回归模型,调试模型参数对所述深度神经网络回归模型进行训练,评价所述深度神经网络回归模型的精度;采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,根据估计得到的土壤水分含量进行空间制图。本发明基于农作物高光谱影像监测土壤水分含量,融合小波分析和遗传算法筛选适用于土壤水分监测的高光谱特征波段,采用深度神经网络回归模型进行SMC估算和制图,为农田数字土壤制图提供极大的便捷。
需要说明的是,在本文中,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、物品或者终端不仅包括那些要素,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、物品或者终端所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的计算机可读存储介质中,所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种基于无人机高光谱影像的农田土壤含水量监测方法,其特征在于,所述基于无人机高光谱影像的农田土壤含水量监测方法包括:
计算目标区域获取的土壤样本的土壤水分,获取无人机高光谱设备采集的农田高光谱影像,对所述农田高光谱影像进行几何校正、辐射定标和大气校正,得到高光谱影像数据;
所述计算目标区域获取的土壤样本的土壤水分,获取无人机高光谱设备采集的农田高光谱影像,具体包括:
在目标区域采集土壤样本,计算土壤样本的土壤水分,土壤样本放置于铝盒中密封保存,计算公式为:
;
其中,SMC表示土壤水分,为烘干前铝盒及土样质量,为烘干后铝盒及土样质量,为烘干空铝盒质量;
采用无人机高光谱设备采集农田高光谱影像;
提取预处理后的所述高光谱影像数据中反射光谱所对应的图像像元,并对所述高光谱影像数据的光谱反射率数据进行滤波处理;
所述提取预处理后的所述高光谱影像数据中反射光谱所对应的图像像元,并对所述高光谱影像数据的光谱反射率数据进行滤波处理,具体包括:
采用最小距离分类算法对预处理后的所述高光谱影像数据进行植被像素的掩膜提取,剔除裸土像素,完成农作物反射光谱所对应的图像像元的提取;
对所述高光谱影像数据的光谱反射率数据进行Savitzky-Golay滤波处理,以减少原始光谱的噪声,经过滤波后的光谱曲线更加平滑,减少了大量噪声的同时又保留了原始光谱曲线的形态特征;
对所述高光谱影像数据进行连续小波变换生成多个尺度的连续小波系数,对多个尺度的连续小波系数进行特征波段筛选,生成光谱特征集合;
所述对所述高光谱影像数据进行连续小波变换生成多个尺度的连续小波系数,对多个尺度的连续小波系数进行特征波段筛选,生成光谱特征集合,具体包括:
采用正交小波函数中的小波基函数对高光谱影像数据进行连续小波变换,生成多个尺度的连续小波系数;其中,小波基函数定义如下:
;
其中,x为高光谱不同波段对应的反射率值,为缩放因子或称膨胀因子,b为平移因子,R为实数;
其中,,,j和k取整数,从而得到:
;
连续小波变换得到小波系数,计算公式如下:
;
采用遗传算法对多个尺度的连续小波系数进行特征波段筛选,生成光谱特征集合;
融合连续小波变换和遗传算法对农作物冠层光谱中的SMC吸收峰光谱特征信息进行增强并完成光谱特征选择;
根据所述光谱特征集合与所述土壤水分建立深度神经网络回归模型,调试模型参数对所述深度神经网络回归模型进行训练,评价所述深度神经网络回归模型的精度;
采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,根据估计得到的土壤水分含量进行空间制图;
所述采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,根据估计得到的土壤水分含量进行空间制图,具体包括:
采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,得到土壤水分含量;
根据所述土壤水分含量进行空间制图;
所述根据所述土壤水分含量进行空间制图,具体包括:
使用Matlab软件对高光谱影像数据的每个像素值进行连续小波变换 ;
基于光谱特征波段采用所述深度神经网络回归模型完成整幅影像每个像素值的SMC估算,将每个像素重新组合成为SMC空间分布图像;
利用DNN回归模型估算SMC的散点图,具有较高的估算精度,对整个研究区的SMC进行制图提供了可靠保障。
2.根据权利要求1所述的基于无人机高光谱影像的农田土壤含水量监测方法,其特征在于,所述预处理包括几何校正、辐射定标和大气校正;
其中,对农田高光谱影像进行几何校正,消除图像畸变;
采用标准白板对农田高光谱影像进行辐射定标,以完成图像的亮度灰度值转换为绝对的辐射亮度;
采用Flassh算法对农田高光谱影像进行大气校正,消除大气影响;
经过几何校正、辐射定标和大气校正后得到预处理后的高光谱影像数据。
3.根据权利要求1所述的基于无人机高光谱影像的农田土壤含水量监测方法,其特征在于,所述根据所述光谱特征集合与所述土壤水分建立深度神经网络回归模型,调试模型参数对所述深度神经网络回归模型进行训练,评价所述深度神经网络回归模型的精度,具体包括:
根据所述光谱特征集合与所述土壤水分,建立深度神经网络回归模型;
其中,所述深度神经网络回归模型中的线性整流函数ReLU表示为:
;
其中,X为经过小波分解和遗传算法处理后得到的特征变量;
所述深度神经网络回归模型中的损失函数Loss表示为:
;
其中,n为土壤样本的数量,表示测量值,表示预测值;
不断调试所述深度神经网络回归模型的模型参数,并训练所述深度神经网络回归模型,并评价所述深度神经网络回归模型的精度,直到所述深度神经网络回归模型达到符合要求的精度;
其中,决定系数R2和均方根误差RMSECV用来进行模型精度评价,计算方式如下:
;
;
其中,为测量平均值。
4.一种基于无人机高光谱影像的农田土壤含水量监测***,其特征在于,所述基于无人机高光谱影像的农田土壤含水量监测***包括:
影像数据获取模块,用于计算目标区域获取的土壤样本的土壤水分,获取无人机高光谱设备采集的农田高光谱影像,对所述农田高光谱影像进行几何校正、辐射定标和大气校正,得到高光谱影像数据;
所述计算目标区域获取的土壤样本的土壤水分,获取无人机高光谱设备采集的农田高光谱影像,具体包括:
在目标区域采集土壤样本,计算土壤样本的土壤水分,土壤样本放置于铝盒中密封保存,计算公式为:
;
其中,SMC表示土壤水分,为烘干前铝盒及土样质量,为烘干后铝盒及土样质量,为烘干空铝盒质量;
采用无人机高光谱设备采集农田高光谱影像;
数据提取滤波模块,用于提取预处理后的所述高光谱影像数据中反射光谱所对应的图像像元,并对所述高光谱影像数据的光谱反射率数据进行滤波处理;
所述提取预处理后的所述高光谱影像数据中反射光谱所对应的图像像元,并对所述高光谱影像数据的光谱反射率数据进行滤波处理,具体包括:
采用最小距离分类算法对预处理后的所述高光谱影像数据进行植被像素的掩膜提取,剔除裸土像素,完成农作物反射光谱所对应的图像像元的提取;
对所述高光谱影像数据的光谱反射率数据进行Savitzky-Golay滤波处理,以减少原始光谱的噪声,经过滤波后的光谱曲线更加平滑,减少了大量噪声的同时又保留了原始光谱曲线的形态特征;
数据变换筛选模块,用于对所述高光谱影像数据进行连续小波变换生成多个尺度的连续小波系数,对多个尺度的连续小波系数进行特征波段筛选,生成光谱特征集合;
所述对所述高光谱影像数据进行连续小波变换生成多个尺度的连续小波系数,对多个尺度的连续小波系数进行特征波段筛选,生成光谱特征集合,具体包括:
采用正交小波函数中的小波基函数对高光谱影像数据进行连续小波变换,生成多个尺度的连续小波系数;其中,小波基函数定义如下:
;
其中,x为高光谱不同波段对应的反射率值,为缩放因子或称膨胀因子,b为平移因子,R为实数;
其中,,,j和k取整数,从而得到:
;
连续小波变换得到小波系数,计算公式如下:
;
采用遗传算法对多个尺度的连续小波系数进行特征波段筛选,生成光谱特征集合;
融合连续小波变换和遗传算法对农作物冠层光谱中的SMC吸收峰光谱特征信息进行增强并完成光谱特征选择;
模型构建训练模块,用于根据所述光谱特征集合与所述土壤水分建立深度神经网络回归模型,调试模型参数对所述深度神经网络回归模型进行训练,评价所述深度神经网络回归模型的精度;
水分估计制图模块,用于采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,根据估计得到的土壤水分含量进行空间制图;
所述采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,根据估计得到的土壤水分含量进行空间制图,具体包括:
采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分含量估计,得到土壤水分含量;
根据所述土壤水分含量进行空间制图;
所述根据所述土壤水分含量进行空间制图,具体包括:
使用Matlab软件对高光谱影像数据的每个像素值进行连续小波变换 ;
基于光谱特征波段采用所述深度神经网络回归模型完成整幅影像每个像素值的SMC估算,将每个像素重新组合成为SMC空间分布图像;
利用DNN回归模型估算SMC的散点图,具有较高的估算精度,对整个研究区的SMC进行制图提供了可靠保障。
5.一种终端,其特征在于,所述终端包括: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基于无人机高光谱影像的农田土壤含水量监测程序,所述基于无人机高光谱影像的农田土壤含水量监测程序被所述处理器执行时实现如权利要求1-3任一项所述的基于无人机高光谱影像的农田土壤含水量监测方法的步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有基于无人机高光谱影像的农田土壤含水量监测程序,所述基于无人机高光谱影像的农田土壤含水量监测程序被处理器执行时实现如权利要求1-3任一项所述的基于无人机高光谱影像的农田土壤含水量监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211278158.6A CN115372282B (zh) | 2022-10-19 | 2022-10-19 | 一种基于无人机高光谱影像的农田土壤含水量监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211278158.6A CN115372282B (zh) | 2022-10-19 | 2022-10-19 | 一种基于无人机高光谱影像的农田土壤含水量监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115372282A CN115372282A (zh) | 2022-11-22 |
CN115372282B true CN115372282B (zh) | 2023-04-18 |
Family
ID=84074379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211278158.6A Active CN115372282B (zh) | 2022-10-19 | 2022-10-19 | 一种基于无人机高光谱影像的农田土壤含水量监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115372282B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188465B (zh) * | 2023-04-26 | 2023-07-04 | 济宁市保田农机技术推广专业合作社 | 基于图像处理技术的作物生长状态检测方法 |
CN116229285B (zh) * | 2023-05-06 | 2023-08-04 | 深圳大学 | 融合物联网数据和空间场景的土壤含水量监测方法 |
CN117216724A (zh) * | 2023-08-22 | 2023-12-12 | 北京石油化工学院 | 一种微生物培养过程中多种物质实时检测的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110849816A (zh) * | 2019-12-16 | 2020-02-28 | 西南交通大学 | 一种应用于低空无人机遥感反演土壤湿度的地面采样网格装置 |
CN111721714B (zh) * | 2020-06-01 | 2021-07-09 | 东北林业大学 | 一种基于多源光学遥感数据的土壤含水量估算方法 |
CN114782584A (zh) * | 2022-04-01 | 2022-07-22 | 深圳大学 | 基于深度学习算法的土壤有机碳密度制图方法、***、计算机设备和存储介质 |
-
2022
- 2022-10-19 CN CN202211278158.6A patent/CN115372282B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115372282A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
Houborg et al. | A cubesat enabled spatio-temporal enhancement method (cestem) utilizing planet, landsat and modis data | |
Lehnert et al. | Hyperspectral data analysis in R: The hsdar package | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
Ali et al. | Retrieval of forest leaf functional traits from HySpex imagery using radiative transfer models and continuous wavelet analysis | |
Du et al. | Mapping wetland plant communities using unmanned aerial vehicle hyperspectral imagery by comparing object/pixel-based classifications combining multiple machine-learning algorithms | |
CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
CN110363246B (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
CN114384031A (zh) | 星-空-地高光谱遥感水体重金属污染立体监测方法 | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
Cho et al. | Mapping beech (Fagus sylvatica L.) forest structure with airborne hyperspectral imagery | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
Xu et al. | Vegetation information extraction in karst area based on UAV remote sensing in visible light band | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
Zhou et al. | Estimation of volume resources for planted forests using an advanced LiDAR and hyperspectral remote sensing | |
Tian et al. | A new method for estimating signal-to-noise ratio in UAV hyperspectral images based on pure pixel extraction | |
CN112577954B (zh) | 城市绿地地上生物量估测方法 | |
CN115203624A (zh) | 一种基于时序遥感的任意时刻地表环境综合评估方法 | |
Petropoulos et al. | Hyperspectral remote sensing with emphasis on land cover mapping: From ground to satellite observations | |
Mejia-Cabrera et al. | Soil salinity estimation of sparse vegetation based on multispectral image processing and machine learning | |
CN112697724A (zh) | 基于无人机高光谱田间烟叶氧化钾含量预测方法及*** | |
CN112179853A (zh) | 基于影像阴影去除的果树冠层氮素含量遥感反演方法及*** | |
Campbell et al. | Using Desis and EO-1 Hyperion reflectance time series for the assessment of vegetation traits and gross primary production (GPP) |
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 |