基于卷积神经网络的中国北方冬小麦遥感估产制造技术

本发明专利技术公开了一种基于卷积神经网络的中国北方冬小麦遥感估产，属于农作物估产方法技术领域，本发明专利技术的卷积神经网络模型可以从遥感影像中有效地学习与冬小麦产量相关的特征，解决了传统统计模型对复杂关系拟合的制约，不依赖实地样本采集，在模型训练完成后对未来冬小麦产量预测可以做到实时高效；所采用的直方图降维可以在不同尺度以及不同作物中进行作物估产，在大范围小尺度中随着样本量的增加算法精度会逐渐提升。本发明专利技术能够有效减少冬小麦苗期长势参数估算的中间环节和人工干预，为冬小麦苗期长势监测的相关研究提供了可靠且准确的数据基础。

【技术实现步骤摘要】
基于卷积神经网络的中国北方冬小麦遥感估产
本专利技术属于农作物估产方法
，尤其涉及一种基于卷积神经网络的中国北方冬小麦遥感估产。
技术介绍
冬小麦是中国重要的粮食作物，主要分布于暖温带的北方冬小麦区。冬小麦产量估算对于掌握冬小麦产量情况，及时准确制定生产管理措施和提高产量具有重要实际意义。传统的冬小麦产量估测方法主要依靠农民经验判断，其可靠性难以保证。随着人工智能与大数据技术的发展，遥感大数据为农业应用提供了智能化和信息化的技术途径，现有技术中遥感估产中最为有效的方法有两种：一是利用数据同化技术把遥感反演参数信息融入到作物机理过程模型之中，实现大面积作物生长状态及产量模拟的目的；二是基于统计模型方法的遥感估产，其统计模型方法包括线性模型方法和非线性模型方法，但是作物产量形成的机理通常表现为非线性，因此非线性模型方法更受研究者的关注，如支持向量回归，然而，支持向量回归这种传统统计学习方法并不适合大规模数据处理。
技术实现思路
本专利技术要解决的技术问题是提供一种范围大，实时高效，高精度的基于卷积神经网络的中国北方冬小麦遥感估产。为了解决上述技术问题，本专利技术采用的技术方案是：一种基于卷积神经网络的中国北方冬小麦遥感估产，包括以下步骤：步骤一，选择估产区域：采用MODIS数据，将MODIS数据中不同产品的多个波段作为估产指标，将MODIS数据的投影转换为基于WGS-84椭球体的UTM投影，同时对多张类型的影像进行波段提取，拼接，裁剪后融合为若干影像；步骤二，估产样本构建：确定直方图降维的范围，离散化统计像素个数生成像素直方图，对生成的像素直方图进行归一化处理；步骤三，将步骤一中的影像进行直方图提取，使得每个波段的影像生成向量，同时时间序列上进行融合形成矩阵，在生长季中由遥感影像生成的矩阵作为卷积神经网络的输入层，以相同时间相应地级市的冬小麦产量数据作为输出层，构造一个完整的卷积神经网络样本，构建的样本形成卷积神经网络的估产样本库，包括训练集和验证集。所述卷积神经网络包括输入层、卷积层、激活层、批归一化层、Dropout层、全连接层和输出层。本专利技术的估产精度评价指标包括决定系数，皮尔逊积矩相关系数，均方根误差和平均相对误差。由于采用上述技术方案，本专利技术的卷积神经网络模型可以从遥感影像中有效地学习与冬小麦产量相关的特征，解决了传统统计模型对复杂关系拟合的制约，不依赖实地样本采集，在模型训练完成后对未来冬小麦产量预测可以做到实时高效；所采用的直方图降维可以在不同尺度以及不同作物中进行作物估产，在大范围小尺度中随着样本量的增加算法精度会逐渐提升。本专利技术能够有效减少冬小麦苗期长势参数估算的中间环节和人工干预，为冬小麦苗期长势监测的相关研究提供了可靠且准确的数据基础。具体实施方式下面结合实施例进一步叙述本专利技术：一种基于卷积神经网络的中国北方冬小麦遥感估产，包括以下步骤：步骤一，选择北方冬小麦区为估产区域，采用MODIS数据，将MODIS数据中不同产品的七个波段作为估产指标(包括MOD09A1、MYD11A2、NDVI、EVI、MOD15A2H、FPAR、MCD12Q1)；冬小麦在上一年的9月播种，下一年的6月成熟，选该时间段为研究时间，将MODIS数据的投影转换为基于WGS-84椭球体的UTM投影，同时对多张类型的影像进行波段提取，拼接，裁剪后融合为若干影像；步骤二，估产样本构建：通过可视化每个波段在时间序列上的变化确定直方图降维的范围，离散化统计像素个数生成像素直方图，对生成的像素直方图进行归一化处理，式中[h1,h2,......,h36]是经过降维后生成的像素直方图，[H1,H2,......,H36]是经过归一化后的像素直方图。步骤三，将步骤一中的影像进行直方图提取，使得每个波段的影像生成向量，同时时间序列上进行融合形成矩阵，在生长季中由遥感影像生成的矩阵作为卷积神经网络的输入层，以相同时间相应地级市的冬小麦产量数据作为输出层，构造一个完整的卷积神经网络样本，构建的样本形成卷积神经网络的估产样本库，包括训练集和验证集，其中训练集是验证集的10倍。所述卷积神经网络包括输入层、7个卷积层、7个激活层、7个批归一化层、3个Dropout层、2个全连接层和输出层。本专利技术的估产精度评价指标包括决定系数R2，皮尔逊积矩相关系数Pearson’sr，均方根误差RMSE和平均相对误差MRE。式中i表示第i个地级市的单产数据，Yi为第i个地级市统单产，kg/hm2；Ei为根据模型算出的第i个地级市的冬小麦单产估算值，kg/hm2；为统计数据的平均单产，kg/hm2；为模型估产的平均单产，kg/hm2。本专利技术的卷积神经网络模型可以从遥感影像中有效地学习与冬小麦产量相关的特征，解决了传统统计模型对复杂关系拟合的制约，不依赖实地样本采集，在模型训练完成后对未来冬小麦产量预测可以做到实时高效；所采用的直方图降维可以在不同尺度以及不同作物中进行作物估产，在大范围小尺度中随着样本量的增加算法精度会逐渐提升。本专利技术能够有效减少冬小麦苗期长势参数估算的中间环节和人工干预，为冬小麦苗期长势监测的相关研究提供了可靠且准确的数据基础。以上对本专利技术的实施例进行了详细说明，但所述内容仅为本专利技术的较佳实施例，不能被认为用于限定本专利技术的实施范围。凡依本专利技术范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的中国北方冬小麦遥感估产，其特征在于：包括以下步骤：/n步骤一，选择估产区域：采用MODIS数据，将MODIS数据中不同产品的多个波段作为估产指标，将MODIS数据的投影转换为基于WGS-84椭球体的UTM投影，同时对多张类型的影像进行波段提取，拼接，裁剪后融合为若干影像；/n步骤二，估产样本构建：确定直方图降维的范围，离散化统计像素个数生成像素直方图，对生成的像素直方图进行归一化处理；/n步骤三，将步骤一中的影像进行直方图提取，使得每个波段的影像生成向量，同时时间序列上进行融合形成矩阵，在生长季中由遥感影像生成的矩阵作为卷积神经网络的输入层，以相同时间相应地级市的冬小麦产量数据作为输出层，构造一个完整的卷积神经网络样本，构建的样本形成卷积神经网络的估产样本库，包括训练集和验证集。/n

【技术特征摘要】
1.一种基于卷积神经网络的中国北方冬小麦遥感估产，其特征在于：包括以下步骤：
步骤一，选择估产区域：采用MODIS数据，将MODIS数据中不同产品的多个波段作为估产指标，将MODIS数据的投影转换为基于WGS-84椭球体的UTM投影，同时对多张类型的影像进行波段提取，拼接，裁剪后融合为若干影像；
步骤二，估产样本构建：确定直方图降维的范围，离散化统计像素个数生成像素直方图，对生成的像素直方图进行归一化处理；
步骤三，将步骤一中的影像进行直方图提取，使得每个波段的影像生成向量，同时时间序列上进行融合形成矩阵，在生长季中由遥感影...

【专利技术属性】
技术研发人员：史岩岩，戴维序，祖笑锋，李培琳，
申请(专利权)人：航天信德智图北京科技有限公司，
类型：发明
国别省市：北京;11