一种冬小麦生物量估算方法技术

本发明专利技术提供了一种冬小麦生物量估算方法，通过获取各组小麦的冠层覆盖度和冠层图像色彩指数，计算单位面积的地上部生物量；采用估算生物量的逐步回归模型选择出合格样本数据，将样本数据随机分为两组；将一组样本数据采用BP人工神经网络模型对选择的合格样本数据进行训练；将另一组样本数据中的冠层覆盖度CC、绿光标准化值g、蓝光标准化值b和归一化差值指数NDI作为BP人工神经网络模型的输入矢量，利用Sim函数计算并输出冬小麦地上部生物量，最后输出人工神经网络模型参数。本发明专利技术具有经济、高效等特点，更适合田间水平的冬小麦生物量估算，能显著提高冬小麦生物量估算精度。

【技术实现步骤摘要】

本专利技术属于农业监测
，尤其涉及一种基于冠层图像和BP人工神经网络的冬小麦生物量估算方法。
技术介绍
小麦是我国重要的粮食作物之一，快速、准确地监测小麦长势信息，对于小麦生长过程中实施精确管理及估测产量等具有重要意义。作物长势是作物生长的状况与趋势，一般用叶面积、叶色、株高、茎粗和生物量等来衡量其优劣，其中，地上部生物量是表征作物生长状况的重要指标，其大小与作物群体的光能利用和产量形成密切相关。获取作物地上部生物量的传统方法是通过破坏性田间植株取样和室内分析，虽具有较好的数据可靠性，但效率低，且耗时间和资源。地面、航空和卫星遥感通过遥感影像的红波段和近红外波段信息计算的植被指数与地上部生物量、叶面积指数等长势指标的相关关系及基于植被指数及统计学方法所构建的线性、非线性模型来估算作物长势指标，进而实现作物长势监测。而地面遥感较航空、卫星遥感相比，因更接近于地面而较少受到云层的干扰,能获得分辨率更高的图像，另外，因其图像采集时间选择的随机性，使实时采集田间图像成为可能。近年来数码相机作为可见光光谱地面遥感工具的一种新的选择，因其经济、高效等特点，在作物长势监测领域得到广泛的应用。Behrens等指出油菜冠层图像中提取的冠层覆盖度与地上部干重呈显著相关。Li等得出冠层覆盖度与小麦叶面积指数、地上部干重和地上部氮素浓度呈显著相关的结论。Lee等利用水稻冠层图像中提取的冠层覆盖度与地上部干重、地上部氮素含量和叶面积指数呈显著正相关，并利用逐步回归方法拟合了基于冠层覆盖度及其他色彩指数的水稻长势估算模型。基于作物冠层覆盖度及图像色彩指数的作物长势估算模型大多采用多元线性回归或非线性回归方法进行拟合，但当叶面积指数或生物量较大时，其估算误差明显增大。其原因为，随着作物生育进程的推移，地上部生物量、叶面积指数等的增大会引起叶片的重叠，它导致冠层覆盖度的增大速度明显小于地上部生物量等的增大速度，即作物冠层覆盖度的变化不能有规律地反映生物量、叶面积指数等的变化。这种现象与高光谱作物长势估算中的饱和现象相似，即当作物叶面积指数、生物量等较大时，一些植被指数，如归一化指数等，将趋于饱和水平，从而影响估算精度。人工神经网络、波段深度分析等方法在一定程度上提高生物量、叶面积指数等较大时的作物长势高光谱估算精度，但有关利用人工神经网络来构建基于作物冠层图像分析的作物农学参数估算模型的研究及相关技术的报道较少。
技术实现思路
本专利技术的目的在于提供一种基于冠层图像和BP人工神经网络的冬小麦生物量估算方法，旨在利用人工神经网络方法建立基于冬小麦冠层图像分析的地上部生物量估算模型，研究结果可为冬小麦及其他作物长势监测研究提供理论和技术上的借鉴。本专利技术是这样实现的，一种冬小麦生物量估算方法，该方法包括以下步骤：S1、对小麦冠层进行图像采集，获取各组小麦的冠层覆盖度和冠层图像色彩指数；对图像采集后的各组小麦进行取样和处理后，计算单位面积的地上部生物量；S2、对各组小麦的冠层覆盖度、图像色彩指数以及地上部生物量数据采用估算生物量的逐步回归模型进行筛选，选择出合格样本数据，并将样本数据随机分为A组和B组；S3、将A组样本数据用于冬小麦地上部生物量估算模型的构建，即采用BP人工神经网络模型对选择的合格样本数据进行训练；S4、将B组样本数据用于估算模型的验证，即将B组样本数据中的冠层覆盖度CC、绿光标准化值g、蓝光标准化值b和归一化差值指数NDI作为BP人工神经网络模型的输入矢量，利用Sim函数计算并输出冬小麦地上部生物量，最后输出人工神经网络模型参数。优选地，在步骤S1中，所述冠层图像色彩指数包括红光标准化值r、绿光标准化值g、蓝光标准化值b、归一化差值指数NDI、色调Hue、饱和度SAT和亮度INT。优选地，在步骤S1中，所述处理为将样本在105℃下杀青30min后于72℃下烘干至恒重，称其重量。优选地，在步骤S2中，采用估算生物量的逐步回归模型将学生残差大于±2.0的各组数据作为异常值剔出，得到合格样本数据。优选地，在步骤S2中，在逐步回归模型进行筛选之前，利用决定系数R2、均方根误差RMSE、相对均方根误差RRMSE对回归模型进行拟合优度的考察，利用相关系数、均方根误差RMSE和相对均方根误差RRMSE对回归模型进行检验。优选地，在步骤S3中，所述采用BP人工神经网络模型对选择的合格样本数据进行训练具体包括：选择A组样本数据中冠层覆盖度、绿光标准化值、蓝光标准化值和归一化差值指数作为BP人工神经网络模型输入层输入变量；将BP人工神经网络模型隐藏层设为1层，节点5个；将小麦地上部生物量作为BP人工神经网络模型的输出层；采用trainlm函数为人工神经网络训练函数；tansig函数为隐藏层激活函数，输出层采用pureline函数，人工神经网络激活函数的权重、阈值为默认值，进行BP人工神经网络训练。现有获取作物地上部生物量一般通过田间破坏性取样方法和遥感方法，田间破坏性取样方法虽具有较好的数据可靠性，但效率低、耗时间和资源。近年来，作物冠层图像分析技术，因其经济、高效等特点，在作物长势监测方面得到广泛应用。本专利技术的相关分析结果表明，冬小麦地上部生物量与由冠层图像分析获取的冠层覆盖度(CC)、饱和度(SAT)和红光值(R)呈显著相关，其中冠层覆盖度与地上部生物量的相关性最强。多数研究结果表明，作物冠层覆盖度与地上部生物量、叶面积指数等长势指标呈非线性相关。鉴于这些结果，首先对样本数据进行数据转换后，利用逐步回归方法构建了地上部生物量估算模型。模型验证结果表明，当地上部生物量达到一定程度开始(约大于500g/m2)，其估算误差明显增大。BP人工神经网络方法虽存在一些不足，如有足够多的样本(一般认为样本数超过50)、实用性差等，但因其对多变量信息的综合能力及对非线性问题的拟合等方面所具有的有无可比拟的优势，已被广泛应用于基于高光谱的叶面积指数、地上部生物量等的估算或反演研究领域。有关人工神经网络方法显著提高叶面积指数、生物量等的高光谱估算精度的研究报道较多。本专利技术利用BP人工神经网络方法所构建的基于冠层覆盖度和图像色彩指数的冬小麦地上部生物量估算模型比逐步回归方法相比能明显提高地上部生物量等较大时的估算精度(表3、图3)。表明BP人工神经网络方法相对于逐步回归方法更适合于基于冠层图像的冬小麦生物量估算模型的构建。本本文档来自技高网...

【技术保护点】
一种冬小麦生物量估算方法，其特征在于，该方法包括以下步骤：S1、对小麦冠层进行图像采集，获取各组小麦的冠层覆盖度和冠层图像色彩指数；对图像采集后的各组小麦进行取样和处理后，计算单位面积的地上部生物量；S2、对各组小麦的冠层覆盖度、图像色彩指数以及地上部生物量数据采用估算生物量的逐步回归模型进行筛选，选择出合格样本数据，并将样本数据随机分为A组和B组；S3、采用BP人工神经网络模型对A组样本数据进行训练；S4、将B组样本数据中的冠层覆盖度CC、绿光标准化值g、蓝光标准化值b和归一化差值指数NDI作为BP人工神经网络模型的输入矢量，利用Sim函数计算并输出冬小麦地上部生物量，最后输出人工神经网络模型参数。

【技术特征摘要】
1.一种冬小麦生物量估算方法，其特征在于，该方法包括以下步骤：
S1、对小麦冠层进行图像采集，获取各组小麦的冠层覆盖度和冠层图像色
彩指数；对图像采集后的各组小麦进行取样和处理后，计算单位面积的地上部
生物量；
S2、对各组小麦的冠层覆盖度、图像色彩指数以及地上部生物量数据采用
估算生物量的逐步回归模型进行筛选，选择出合格样本数据，并将样本数据随
机分为A组和B组；
S3、采用BP人工神经网络模型对A组样本数据进行训练；
S4、将B组样本数据中的冠层覆盖度CC、绿光标准化值g、蓝光标准化
值b和归一化差值指数NDI作为BP人工神经网络模型的输入矢量，利用Sim
函数计算并输出冬小麦地上部生物量，最后输出人工神经网络模型参数。
2.如权利要求1所述的冬小麦生物量估算方法，其特征在于，在步骤S1
中，所述冠层图像色彩指数包括红光标准化值r、绿光标准化值g、蓝光标准化
值b、归一化差值指数NDI、色调Hue、饱和度SAT和亮度INT。
3.如权利要求1所述的冬小麦生物量估算方法，其特征在于，在步骤S1
中，所述处理为将样本在105℃下杀青30min后于72℃下烘干至恒重，称其重
量。
4...

【专利技术属性】
技术研发人员：崔日鲜，刘亚东，
申请(专利权)人：青岛农业大学，
类型：发明
国别省市：山东;37