基于无人机影像的SENP棉花产量估算方法及估算模型构建方法技术

本发明专利技术公开了一种基于无人机影像的SENP棉花产量估算方法及估算模型构建方法，估算模型构建方法包含：选择样区；在苗期获取可见光遥感影像数据并通过U‑Net模型提取单株棉花苗在样区的空间位置图和棉花苗总株数；在棉花生育关键期获取多次多光谱数据并根据该多光谱数据与实测试验区棉花实际产量及实测的每个试验区单株棉花的平均成铃数先后分析获取单株成铃数估算回归模型，将该单株成铃数估算回归模型与实测的单个成铃的平均单铃重结合得到单株棉花的预测产量模型，同时，构建棉花吐絮系数模型；利用棉花苗总株数、单株棉花的预测产量模型以及棉花吐絮系数模型创建SENP棉花产量估算模型，利用该估算模型可解决现有棉花估产模型估产精度不高的问题。

Estimation method and model construction method of senp cotton yield based on UAV image

【技术实现步骤摘要】
基于无人机影像的SENP棉花产量估算方法及估算模型构建方法
本专利技术涉及一种基于无人机影像的SENP棉花产量估算方法及估算模型构建方法。
技术介绍
在棉花的种植过程中，产量预测对制定棉花生产管理、保障国家粮食安全、维持农业可持续发展有直接的作用，是影响区域经济发展的重要因素，受到各级政府的重视。新疆是我国重要的棉花生产基地，新疆棉花自1995年起，其总产、单产、品质、人均占有量以及外调量等就一直连续居全国主要产棉区首位。根据2019年的最新数据，2018年新疆棉花产量高达511.1万吨，播种面积3737万亩，占全国棉花产量的83.8％。因此，棉花作为新疆农业经济发展的重要支柱产业，在新疆的整体国民经济活动中具有举足轻重的作用，对这样一个产棉大区而言，棉花产量是影响区域经济发展的重要因素，获取准确的产量估算数据能够对棉花的生产进行及时、有效的调控与管理，为区域农业经营管理和宏观决策提供参考信息，不仅有利于农民生产计划的安排，也有利于棉花外贸和进出口计划的制定，便于提前实施相应的管理与决策，从而获得更好的经济及环境效益。目前，随着信息技术的发展，对棉花产量估算的研究已经从传统的地面测量发展到了多维时空的遥感估算。遥感估产的基本原理是基于卫星传感器记录的棉花在不同生长阶段的光谱反射率差异，根据统计数据、野外试验数据与植被指数之间的相关关系，通过遥感影像计算植被指数，建立、检验最佳估产模型等流程，最终实现对某一研究区域棉花产量的预测。现有常用的棉花产量遥感估算方法主要有光谱估产法、卫星遥感估产法、光谱与卫星遥感估产复合法，其中，光谱估产法主要通过对棉花光谱特征值与棉花的长势和产量进行相关性分析来反映棉花长势；卫星遥感估产法主要原理在于利用棉花生长过程中对红波段具有强吸收，而对近红外波段具有强反射的特点，通过对红波段和近红波段进行不同组合来建立多种植被指数，进而预测棉花产量；光谱与卫星遥感复合法是结合实地测量和卫星遥感的优点，建立多元复合回归模型进行估产。在棉花遥感估产的应用领域，美国最早于19世纪70年代开展了“大面积作物估产试验”(LACIE计划)，对棉花估产产生了较大的影响，我国使用卫星遥感技术进行农作物产量预测研究始于20世纪80年代“六五”规划期间，并在局部地区开展产量估算试验。目前，我国对多种农作物遥感估产系统的研究日趋完善，其中水稻、小麦遥感估产方法已比较成熟，棉花遥感正在被广泛的研究，但总的来看，虽然有关棉花遥感估产的研究已取得了较大进展，但其模型精度仍会受到遥感数据不确定性的影响，例如，植被指数饱和、大气校正误差以及云覆盖量过大等，因此，受到诸多因素的影响导致现有估产方法的普适性不足。目前针对新疆地区的棉花估产遥感监测方法和技术成熟度不高，对棉花估产研究不够深入，同时，在实际估产应用中，仍然无法克服基于高空遥感影像的方法受下垫面、大气效应、作物物候等影响的问题，估产精度有待进一步提高，而近些年的研究表明，基于无人机的低空高分辨率遥感技术可以有效的消除或者减弱这些干扰因素，通过获取更高分辨率的影像数据，增加局部区域的采样精度十分有利于区域棉花估产精度的提升，虽然增加数据的采样精度对估产精度有一定的提升，但目前大多研究通常仅使用棉花某个生育期的NDVI值、LAI值等与产量进行一元线性回归分析建立估产模型，也有研究者利用多个时期的植被指数与产量数据进行拟合后进行估产，虽然取得了一定的效果，但现有的估产模型中均未能将棉花出苗对整个生育期产量的影响考虑进来，而苗期数据的缺失对棉花估产精度有较大的影响，因此，基于上述问题的分析，本专利技术提供了一种基于无人机影像的SENP棉花产量估算方法及估算模型构建方法。
技术实现思路
本专利技术的目的是提供一种基于无人机影像的SENP棉花产量估算方法及估算模型构建方法，解决现有棉花估产模型估产精度不高的问题。本专利技术提供了一种基于无人机影像的SENP棉花产量估算模型构建方法，包含以下步骤：S1：选择多个样区，该样区包含试验区和验证区；S2：在棉花出苗期，利用无人机获取样区高分辨率的可见光遥感影像数据，并将获取的可见光遥感影像数据输入U-Net模型以提取单株棉花苗在样区的空间位置图和棉花苗总株数；S3：在棉花生育关键期，利用无人机获取样区内不同时期的多次多光谱数据并计算出每一次多光谱数据对应的NDVI指数图，获取每个试验区每一次的NDVI指数图并获取每一次NDVI指数图对应的NDVI指数均值，将每一次NDVI指数均值分别与实测的试验区棉花实际产量进行拟合分析得到棉花在生育关键期的综合NDVI指数；获取每个试验区的综合NDVI指数均值，并将每个试验区的综合NDVI指数取均值后分别与实测的对应试验区单株棉花的平均成铃数进行相关分析和回归分析得到以综合NDVI指数为自变量的单株成铃数估算回归模型，将该单株成铃数估算回归模型与实测的单个成铃的平均单铃重结合得到样区内单株棉花的预测产量模型；S4：构建样区棉花的吐絮系数模型，该吐絮系数模型为：其中，T为吐絮系数，n为样区数量，h为每个样区已吐絮成铃数，z为样区总成铃数，L为比例系数，该比例系数L的计算方法为：L＝W÷e，W为样区未吐絮棉铃的实测产量，e为样区单铃均值重量；S5：利用S2中提取的样区内棉花苗总株数、S3中单株棉花的预测产量模型以及S4中棉花的吐絮系数模型创建SENP棉花产量估算模型。作为本申请的优选方案，在步骤S2中，利用U-Net模型提取单株棉花苗在样区的空间位置图和棉花苗总株数的过程包含训练阶段和计算阶段，训练阶段包含将获取的所有可见光遥感影像数据和设置的真实标签组成训练样本输入U-Net模型中进行特征深度学习，得到预测概率分布图，然后采用交叉熵函数衡量计算结果与真实标签之间的损失值，采用Adam优化算法以缩小损失值为目标，不断迭代更新U-Net模型中的超级参数直至损失值缩小至给定的阈值范围内则训练结束，得到最优的U-Net模型；计算阶段包含利用已训练好的U-Net模型对待处理的单株棉花苗在样区的空间位置和棉花苗总株数进行获取，得到最终结果。作为本申请的优选方案，在步骤S3中，获取每个试验区每一次的NDVI指数图，并根据NDVI指数图获取对应的NDVI指数均值后分别与实测的试验区棉花实际产量进行拟合分析得到棉花在生育关键期的综合NDVI指数的步骤包含：S41：根据实验样区所在空间位置的矢量边界对多个NDVI指数图进行裁剪，得到每个试验区多组NDVI指数图，根据多组NDVI指数图可计算出每个试验区每组NDVI指数图对应的NDVI指数均值，具体计算方式为：其中，ANDVI表示NDVI指数均值，NDVIi表示试验区中每组NDVI指数图中每个像元的NDVI值，m表示试验区中每组NDVI指数图中像元的个数；S42：将每个试验区每组NDVI指数均值与实测的试验区棉花实际产量之间进行相关分析，得到棉花在生育关键期的多组NDVI指数均值与棉花实际产量的相关系数，将得到的多组相关系数进行归一化处理继而得到每组NDVI指数均值在棉本文档来自技高网...

【技术保护点】
1.一种基于无人机影像的SENP棉花产量估算模型构建方法，其特征在于，包含以下步骤：/nS1：选择多个样区，该样区包含试验区和验证区；/nS2：在棉花出苗期，利用无人机获取样区高分辨率的可见光遥感影像数据，并将获取的可见光遥感影像数据输入U-Net模型以提取单株棉花苗在样区的空间位置图和棉花苗总株数；/nS3：在棉花生育关键期，利用无人机获取样区内不同时期的多次多光谱数据并计算出每一次多光谱数据对应的NDVI指数图，获取每个试验区每一次的NDVI指数图并获取每一次NDVI指数图对应的NDVI指数均值，将每一次NDVI指数均值分别与实测的试验区棉花实际产量进行拟合分析得到棉花在生育关键期的综合NDVI指数；获取每个试验区的综合NDVI指数均值，并将每个试验区的综合NDVI指数取均值后分别与实测的对应试验区单株棉花的平均成铃数进行相关分析和回归分析得到以综合NDVI指数为自变量的单株成铃数估算回归模型，将该单株成铃数估算回归模型与实测的单个成铃的平均单铃重结合得到样区内单株棉花的预测产量模型；/nS4：构建样区内棉花的吐絮系数模型，该吐絮系数模型为：

【技术特征摘要】
1.一种基于无人机影像的SENP棉花产量估算模型构建方法，其特征在于，包含以下步骤：
S1：选择多个样区，该样区包含试验区和验证区；
S2：在棉花出苗期，利用无人机获取样区高分辨率的可见光遥感影像数据，并将获取的可见光遥感影像数据输入U-Net模型以提取单株棉花苗在样区的空间位置图和棉花苗总株数；
S3：在棉花生育关键期，利用无人机获取样区内不同时期的多次多光谱数据并计算出每一次多光谱数据对应的NDVI指数图，获取每个试验区每一次的NDVI指数图并获取每一次NDVI指数图对应的NDVI指数均值，将每一次NDVI指数均值分别与实测的试验区棉花实际产量进行拟合分析得到棉花在生育关键期的综合NDVI指数；获取每个试验区的综合NDVI指数均值，并将每个试验区的综合NDVI指数取均值后分别与实测的对应试验区单株棉花的平均成铃数进行相关分析和回归分析得到以综合NDVI指数为自变量的单株成铃数估算回归模型，将该单株成铃数估算回归模型与实测的单个成铃的平均单铃重结合得到样区内单株棉花的预测产量模型；
S4：构建样区内棉花的吐絮系数模型，该吐絮系数模型为：
其中，T为吐絮系数，n为样区数量，h为每个样区已吐絮成铃数，z为样区总成铃数，L为比例系数，该比例系数L的计算方法为：L＝W÷e，W为样区未吐絮棉铃的实测产量，e为样区单铃均值重量；
S5：利用S2中提取的样区内棉花苗总株数、S3中单株棉花的预测产量模型以及S4中棉花的吐絮系数模型创建SENP棉花产量估算模型。


2.如权利要求1所述的基于无人机影像的SENP棉花产量估算模型构建方法，其特征在于，在步骤S2中，利用U-Net模型提取单株棉花苗在样区的空间位置图和棉花苗总株数的过程包含训练阶段和计算阶段，
训练阶段包含将获取的所有可见光遥感影像数据和设置的真实标签组成训练样本输入U-Net模型中进行特征深度学习，得到预测概率分布图，然后采用交叉熵函数衡量计算结果与真实标签之间的损失值，采用Adam优化算法以缩小损失值为目标，不断迭代更新U-Net模型中的超级参数直至损失值缩小至给定的阈值范围内则训练结束，得到最优的U-Net模型；
计算阶段包含利用已训练好的U-Net模型对待处理的单株棉花苗在样区的空间位置和棉花苗总株数进行获取，得到最终结果。


3.如权利要求1所述的基于无人机影像的SENP棉花产量估算模型构建方法，其特征在于，在步骤S3中，获取每个试验区每一次的NDVI指数图，并根据NDVI指数图获取对应的NDVI指数均值后分别与实测的试验区棉花实际产量进行拟合分析得到棉花在生育关键期的综合NDVI指数的步骤包含：
S41：根据实验样区所在空间位置的矢量边界对多个NDVI指数图进行裁剪，得到每个试验区多组NDVI指数图，根据多组NDVI指数图可计算出每个试验区每组NDVI指数图对应的NDVI指数均值，具体计算方式为：
其中，ANDVI表示NDVI指数均值，NDVIi表示试验区中每组NDVI指数图中每个像元的NDVI值，m表示试验区中每组NDVI指数图中像元的个数；
S42：将每个试验区每组...

【专利技术属性】
技术研发人员：郭鹏，江岩，鲍健，徐权，周皓，
申请(专利权)人：新疆疆天航空科技有限公司，石河子大学，
类型：发明
国别省市：新疆;65