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技术

本发明专利技术公开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，以寒地水稻主要种植区—黑龙江省建三江七星农场典型规模化农田田块为对象，通过设置不同氮素水平的田块尺度试验，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。

A method of rice yield estimation based on multi vegetation index of machine learning algorithm

【技术实现步骤摘要】
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
本专利技术涉及农业生产
，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。
技术介绍
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系统，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。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术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，本专利技术通过以下技术方案予以实现：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，以寒地水稻主要种植区—黑龙江省建三江七星农场典型规模化农田田块为对象，通过设置不同氮素水平的田块尺度试验，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50kgP2O5ha-1。钾肥施用量为105kgK2Oha-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(R660nm，40nm)、红边(RE735nm，10nm)、近红外(NIR790nm，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ebeeSQ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eMotionAg3.5.0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Pix4Dag3.2.23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)有益效果本专利技术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：本专利技术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为本文档来自技高网...

【技术保护点】
1.一种基于机器学习算法的多植被指数的水稻产量估测方法，以寒地水稻主要种植区—黑龙江省建三江七星农场典型规模化农田田块为对象，通过设置不同氮素水平的田块尺度试验，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：/n①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/m

【技术特征摘要】
1.一种基于机器学习算法的多植被指数的水稻产量估测方法，以寒地水稻主要种植区—黑龙江省建三江七星农场典型规模化农田田块为对象，通过设置不同氮素水平的田块尺度试验，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50kgP2O5ha-1。钾肥施用量为105kgK2Oha-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(R660nm，40nm)、红边(RE735nm，10nm)、近红外(NIR790nm，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...

【专利技术属性】
技术研发人员：查海涅，苗宇新，查沛，夏绍伟，
申请(专利权)人：安徽易刚信息技术有限公司，
类型：发明
国别省市：安徽;34