一种基于GEE综合遥感影像和深度学习方法的作物估产技术技术

本发明专利技术公开了一种基于GEE综合遥感影像和深度学习方法的作物估产技术，包括：S1：利用GEE平台将研究时段内遥感数据和气象数据与所述地理空间数据进行空间匹配；S2：提取研究区域内的所述研究时段内每年作物的栅格种植区；S3:利用GEE平台提取作物关键生育期内月值影响因子和土壤属性因子；S4：计算每个县作物栅格的质点空间位置信息；S5:利用深度学习框架keras平台搭建机器深度学习产量预测模型，并实现模型的本地化；S6：利用本地化的模型来预测所述研究时段中待预测年份的作物产量。

Crop yield estimation based on GEE integrated remote sensing image and deep learning method

【技术实现步骤摘要】
一种基于GEE综合遥感影像和深度学习方法的作物估产技术
本专利技术涉及农业遥感
，具体而言涉及一种基于GoogleEarthEngine(GEE)平台综合遥感影像和深度学习方法的作物估产技术。
技术介绍
农业是人类社会生活基本资料的来源，也是国民经济的根基。粮食生产是农业部门的核心，粮食安全关乎人民的生存与国家的稳定。适时、准确、大范围的监测作物生长状况、预报粮食产量对保障农民利益，保证该地区乃至全国的粮食安全都有非常重要的意义。目前主流估产模型分为统计估产模型、光能利用率模型、作物生长模型和耦合模型四大类。统计估产模型主要是依托于统计理论，通过构建作物影响因子(卫星数据反演的气象参数、遥感植被指数)与单产之间的统计关系建立线性回归模型实现产量估算；光能利用率模型主要是利用遥感估算生物量(AGB)或净初级生产力(NPP)，加上修正的收获指数(EI)，进行农业产量估算；作物生长机理模型主要是通过输入大量的参数(田间管理措施，气象、土壤信息和品种特性)，对作物生长及产量形成过程以天步长、小时长实现动态模拟，该类模型主要适用于点尺度的作物产量模拟和预测；耦合模型主要是将LAI(LeafAreaIndex)等遥感参数同化到作物生长机理模型进而实现大范围的产量估算。但是现有的这些方法都未能精准实现高精度(格网化)的作物估产。基于统计估产模型虽然简单易用，但需操作人员具有丰富的经验，另外这种统计方法易出现过拟合和时空维度普适性差的特点，不宜推广等缺点。光能利用率参数模型虽充分发挥遥感获取大范围信息的优势，但部分参数量化(如光能利用效率、收获指数等)需要进一步加强研究。作物生长机理模型较为复杂，需要大量和精确参数的输入,并且有些参数的获取代价十分大，制约了作物模型大范围地区进行推广，因此该类模型主要限制于点尺度的产量估算和预测。耦合模型从同化的方法、数据的选择和同化的精度都存在很大的不确定性，且需要大量的输入数据，计算耗时过长，且误差的累积往往导致最后的估算精度不够高。所以目前的估产研究大都基于行政(国家、省、市县)、点(如农气站、实验田)和田块尺度，仍缺乏格网化高精度、大范围的估产研究。因此，需要新技术来至少部分解决农业遥感领域中上述局限性。
技术实现思路
遥感因其快速、宏观、动态等特点被广泛应用于农业估产和监测。另外，随着计算机计算的发展，GEE(GoogleEarthEngine)平台具有海量共享的遥感数据、气象数据和地理数据，具有支持并行云端运算的特点，为大规模遥感数据的处理与数据挖掘提供了技术平台。近些年来机器学习方法方兴未艾，也有被应用到农业领域中的报道。但是基于深度学习和先进的遥感算法应用于大区域的县级和田块尺度的产量估算仍然处于初级尝试阶段，这为实现格网化的作物估产提供了可能。为解决现有作物估产存在的地面实测输入数据繁杂、难以获取，估产模型空间泛化能力较弱和同化算法不确定性和计算成本高等问题，本专利技术基于深度学习和先进的遥感算法，利用GEE平台的遥感卫星数据、气象和土壤数据创建了一种大区域范围从区域(县级)到网格(1-km)的作物估产新技术方法。根据本专利技术一方面，提供了一种基于GoogleEarthEngine平台综合遥感影像和深度学习方法的作物估产技术，包括如下步骤：S1：获取研究区域内的地理空间数据，并将该数据输入GEE平台，然后利用GEE平台将研究时段内遥感数据和气象数据与所述地理空间数据进行空间匹配；S2：基于研究时段内作物的多时相植被指数数据，通过重构植被指数时间序列曲线，提取研究区域内的所述研究时段内每年作物的栅格种植区；S3:基于步骤S2提取的栅格种植区，利用GEE平台提取作物关键生育期内月值影响因子和土壤属性因子，所述月值影响因子包括县级平均气候因子和植被指数；S4：基于GEE平台的高程数据、所述地理空间数据中的县域边界数据以及步骤S2中所提取的每年作物的栅格种植区，计算每个县作物栅格的质点空间位置信息，所述空间位置信息包括经度、纬度和高程；S5:利用深度学习框架keras平台搭建深度学习产量预测模型，并利用所述研究时段内所述研究区域中县级产量记录数据以及相应的所述月值影响因子、土壤属性因子和所述空间位置信息来对所述深度学习产量预测模型进行优化，实现模型的本地化；S6：利用本地化的模型来预测所述研究时段中待预测年份的作物产量，包括：对于每个作物格点，将所述研究时段中除所述待预测年份之外的其他年份的县级产量记录数据、相应的月值影响因子、土壤属性因子和以及空间位置信息作为训练数据输入到所述本地化的模型中，然后将待预测年份的相应月值影响因子以及空间位置信息输入到所述本地化的模型中，运行模型获得研究区域内待预测年份的作物产量。根据本专利技术的实施方案，S1步骤还包括对遥感数据进行预处理，所述预处理包括去云处理和去雪处理。根据本专利技术的实施方案，S2步骤中，所述植被指数选自EVI、NDVI或者LAI。根据本专利技术的实施方案，步骤S5中深度学习产量预测模型选自DNN模型，其中，DNN模型包括输入层、输出层和多个全连接层，输入层用于输入所述月值影响因子、土壤属性因子和以及所述空间位置信息，输入的特征向量通过全连接层变换达到输出层，在输出层得到产量估算结果，其中每个全连接层表示为式(2)：C＝f(Wx+b)(2)其中，f表示激活函数，W表示权重矩阵，x为输入向量，b为偏置项，c输出向量；根据本专利技术的实施方案，步骤S1中，所述地理空间数据包括县级、省级边界数据以及土壤数据。根据本专利技术的实施方案，DNN模型中多个全连接层为五层，第一层到第五层的神经元的数目分别为528、384、128、64和32。根据本专利技术的实施方案，步骤S2中，重构植被指数时间序列曲线包括：提取各格点植被指数时间序列数据，利用S-G滤波方法来重构植被指数时间序列曲线，其中，S-G滤波由公式(1)表示:其中，yj*为合成序列数据,yj+i代表原始序列数据,n为滑动窗口所包括的数据点2m+1，Ci为滤波系数，取值范围为[0,1]。根据本专利技术的实施方案，所述作物选自小麦、玉米、水稻。本专利技术提供了一种基于GEE云平台和深度学习算法的可扩展性区域尺度和田块间农业估产方法，主要是利用深度学习框架keras平台搭建DNN(DeepNeuralNetworks,深度神经网络)深度学习估产模型，以作物主要生育期内的月值MODIS数据的增强型植被指数(EnhancedVegetationIndex,EVI)、月值气象数据、土壤属性因子和空间位置信息为影响因子作为输入数据，作物县级实际单产数据为输出数据，进而实现长时间序列区域作物县级和田块产量估算。与现有技术相比，本专利技术方法不需要地面实测数据，所有的遥感数据和气象数据也不需要下载本地，可依托GEE云平台和强大的后台处理器，在线编程方式获取和处理数据，有效的避免了数据下载和影像预处理等繁杂的过程。该类方法易操作且空间泛化能力强，不受地面实测数据的难以获取本文档来自技高网...

【技术保护点】
1.一种基于GEE平台综合遥感影像和深度学习方法的作物估产技术，包括如下步骤：/nS1：获取研究区域内的地理空间数据，并将该数据输入GEE平台，然后利用GEE平台将研究时段内遥感数据和气象数据与所述地理空间数据进行空间匹配；/nS2：基于研究时段内作物的多时相植被指数数据，通过重构植被指数时间序列曲线，提取研究区域内的所述研究时段内每年作物的栅格种植区；/nS3:基于步骤S2提取的栅格种植区，利用GEE平台提取作物关键生育期内月值影响因子和土壤属性因子，所述月值影响因子包括县级平均气候因子和植被指数；/nS4：基于GEE平台的高程数据、所述地理空间数据中的县域边界数据以及步骤S2中所提取的每年作物的栅格种植区，计算每个县作物栅格的质点空间位置信息，所述空间位置信息包括经度、纬度和高程；/nS5:利用深度学习框架keras平台搭建机器深度学习产量预测模型，并利用所述研究时段内所述研究区域中县级产量记录数据以及相应的所述月值影响因子、土壤属性因子和所述空间位置信息来对所述深度学习产量预测模型进行优化，实现模型的本地化；/nS6：利用本地化的模型来预测所述研究时段中待预测年份的作物产量，包括：对于每个作物格点，将待预测年份的相应月值影响因子、土壤属性因子以及空间位置信息输入到所述本地化的模型中，运行模型获得研究区域内待预测年份的作物产量。/n...

【技术特征摘要】
1.一种基于GEE平台综合遥感影像和深度学习方法的作物估产技术，包括如下步骤：
S1：获取研究区域内的地理空间数据，并将该数据输入GEE平台，然后利用GEE平台将研究时段内遥感数据和气象数据与所述地理空间数据进行空间匹配；
S2：基于研究时段内作物的多时相植被指数数据，通过重构植被指数时间序列曲线，提取研究区域内的所述研究时段内每年作物的栅格种植区；
S3:基于步骤S2提取的栅格种植区，利用GEE平台提取作物关键生育期内月值影响因子和土壤属性因子，所述月值影响因子包括县级平均气候因子和植被指数；
S4：基于GEE平台的高程数据、所述地理空间数据中的县域边界数据以及步骤S2中所提取的每年作物的栅格种植区，计算每个县作物栅格的质点空间位置信息，所述空间位置信息包括经度、纬度和高程；
S5:利用深度学习框架keras平台搭建机器深度学习产量预测模型，并利用所述研究时段内所述研究区域中县级产量记录数据以及相应的所述月值影响因子、土壤属性因子和所述空间位置信息来对所述深度学习产量预测模型进行优化，实现模型的本地化；
S6：利用本地化的模型来预测所述研究时段中待预测年份的作物产量，包括：对于每个作物格点，将待预测年份的相应月值影响因子、土壤属性因子以及空间位置信息输入到所述本地化的模型中，运行模型获得研究区域内待预测年份的作物产量。


2.根据权利要求1所述的农作物估产技术，其特征在于，S1步骤还包括对遥感数据进行预处理，所述预处理包括去云处理和去雪处理。


3.根据权利要...

【专利技术属性】
技术研发人员：张朝，曹娟，陶福禄，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：北京;11