一种基于无人机的天然牧场产草量快速测量方法及系统技术方案

一种基于无人机的天然牧场产草量快速测量方法及系统，包括如下步骤：设定样本点，并获取包括样本点的天然牧场的多光谱图像；对于多光谱图像进行图像数据处理；根据样本点的实测数据和样品点的多光谱图像的数据建立随机森林估算模型；以天然牧场整体的多光谱图像作为数据源通过随机森林估算模型预测产草量。本申请通过在天然牧场自身设置有样本点，然后再对于样本点结合多光谱图像的数据进行分析关联，得到随机森林估算模块，并用其进行天然牧场的产草量估算。产草量估算。产草量估算。

【技术实现步骤摘要】
一种基于无人机的天然牧场产草量快速测量方法及系统


[0001]本申请涉及一种基于无人机的天然牧场产草量快速测量方法及系统。

技术介绍

[0002]目前，国内外许多学者运用多种方法对草地地上生物量进行了遥感估算。张正健等人(2016年)基于若尔盖高原典型样带的无人机可见光影像和地面实测样本，建立生物量与多种可见光植被指数的回归模型，并对整个样带生物量进行估算。宋清洁等人(2017年)基于小型无人机和MODIS数据建立EVI回归模型估算草地植被覆盖度，并为监测甘南州草地生长季时期覆盖度时空上的动态特征提供依据和手段。汪传健等人(2018年)利用无人机多光谱影像估算模型反演新疆紫泥泉草地生物量的时空分布，并将畜群采食强度与草地生物量融合，探索不同区域畜群的采食强度与草地生物量精度的差异。孙世泽等人(2018年)以无人机多光谱图像和阴、阳坡实测数据分别建立植被指数估算模型，成功估算了新疆天山北坡中段的天然草地生物量。然而上述研究均在小区域尺度上进行研究，其估算模型与结果仅在研究区尺度上具有代表性。

技术实现思路

[0003]为了解决上述问题，本申请一方面提出了一种基于无人机的天然牧场产草量快速测量方法，包括如下步骤：
[0004]设定样本点，并获取包括样本点的天然牧场的多光谱图像；
[0005]对于多光谱图像进行图像数据处理；
[0006]根据样本点的实测数据和样品点的多光谱图像的数据建立随机森林估算模型；
[0007]以天然牧场整体的多光谱图像作为数据源通过随机森林估算模型预测产草量。本申请通过在天然牧场自身设置有样本点，然后再对于样本点结合多光谱图像的数据进行分析关联，得到随机森林估算模块，并用其进行天然牧场的产草量估算。
[0008]优选的，所述多光谱图像由无人机搭载多光谱相机拍摄得到；所述无人机根据草地实际情况，以及采样区和采样时间，采用往返折叠飞行的方式获取多光谱图片，通过多光谱图片建立空三投影形成完整的多光谱图像；
[0009]优选的，所述图像数据处理包括如下步骤：
[0010]根据多光谱图像的近红外和绿波段计算水体指数；
[0011]近红外与红边波段计算图像归一化差异红边指数。本申请可以通过水体指数来排除大面积水体的影响，从而使得本申请在用于大面积的区域，也就是天然牧场，的测定时，可以自动的摒除这一影响因素，提高最终计算结果的准确性和可靠性。
[0012]优选的，根据拼接后影像的近红外和红光波段计算归一化植被指数NDVI，公式为
[0013]NDVI＝(ρ
nir
‑
ρ
red
)/(ρ
nir
+ρ
red
)
[0014]其中ρ
nir
表示近红波段的反射率：
[0015]ρ
red
表示红光波段的反射率。
[0016]优选的，所述多光谱图像的近红外与绿光波段计算图像绿色归一化植被指数GNDVI，公式为
[0017]GNDVI＝(ρ
nir
‑
ρg
reen
)/(ρ
nir
+ρ
green
)
[0018]其中ρ
nir
表示近红波段的反射率：
[0019]ρ
green
表示绿光波段的反射率。
[0020]优选的，运用主成分分析法，对每个像元分析两种要素对产草量影响权重参数，构建多数据源的综合评价模型
[0021]P＝(NDVI+GNDVI)＊0.5；
[0022]其中NDVI表示归一化植被指数值。
[0023]GNDVI表示绿色归一化植被指数值。
[0024]优选的，根据样本点实测数据和多光谱图像的数据建立随机森林估算模型包括以下步骤：
[0025]将需要计算的地面样本点总产草量鲜重或干重作为Y值存入样本之中，将提取出的波段值以及NDREI值作为X值；
[0026]使用机器学习库进行随机森林回归模型建模，构建的随机森林回归模型用{h(X，Θk)，k＝1，......}表示，其中X为输入向量，{Θk}为独立同分布随机向量；
[0027]随机森林回归模型建模包括以下步骤：
[0028]对输入样本数据做归一化处理；
[0029]将样本数据计划分为训练集和测试集；
[0030]对于训练集D＝{(x1，y1)，(x2，y2)，......(x
n
，y
n
)}，利用Bootstrap方法重采样随机产生T个训练集S1，S2，......，S
T
；
[0031]对每个训练集生成对应的决策树C1，C2，......，C
T
；
[0032]在对每个非叶节点上选择属性前，从全部M个属性中随机抽取m个(m＜＜M)作为当前节点的分裂属性集，并从中选择出一个最佳分割属性作为节点进行分裂；
[0033]将生成的多颗决策树构成随机森林，对于测试集样本X，利用每颗决策树进行测试，得到预测结果C1(x)，C2(x)，......，C
T
(x)；
[0034]所述基于回归问题，测试集样本X的预测值是这些树的结果包括：
[0035]对任意划分特征A，对应的任意划分点S两边划分成的数据集D1，D2，求出使D1，D2个自之和均方差之和最小，同时D1，D2的均方差之和最小所对应的特征和特征值划分点，表达式为：
[0036][0037]其中，C1为D1数据集的样本输出均值，C2为D2数据集的样本输出均值。
[0038]优选的，进行随机森林回归模型建模包括判定变量重要性，具体包括；
[0039]在每一个决策树的变量中加入随机噪声，然后检验袋外误差的增减，如果误差增加，则改变量比较重要，反之则不重要，计算方法为：
[0040][0041]其中，表示变量i的重要性；E
err00B1
表示袋外数据误差，E
err00B2
表示随机对袋外数据所有样本的变量i加入噪声干扰，再次计算的袋外误差；
[0042]所述进行随机森林回归模型建模包括进行模型评价，所属模型评价选择决定系数R2，和均方根误差RMSE两个指标，具体包括：
[0043][0044][0045]其中，y
i
为实际观测值，为模型预估值，为样本平均数，n为样本数。
[0046]优选的，所述Y值按照如下方式得到，Y＝random(0.2，0.4)＊Y(干重)+{1
‑
random(0.2，0.4)}＊Y(湿重)；
[0047]对于样品点的长宽分别均分设置形成分隔块，然后取一对角线上的所有分隔块作为样品点的取样块；
[0048]所述Y(干重)指的是取样快在最佳收割时间点得到的全部草在干燥到20％的湿度之后的全部草的质量再除以取样块占本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机的天然牧场产草量快速测量方法，其特征在于：包括如下步骤：设定样本点，并获取包括样本点的天然牧场的多光谱图像；对于多光谱图像进行图像数据处理；根据样本点的实测数据和样品点的多光谱图像的数据建立随机森林估算模型；以天然牧场整体的多光谱图像作为数据源通过随机森林估算模型预测产草量。2.根据权利要求1所述的一种基于无人机的天然牧场产草量快速测量方法，其特征在于：所述多光谱图像由无人机搭载多光谱相机拍摄得到；所述无人机根据草地实际情况，以及采样区和采样时间，采用往返折叠飞行的方式获取多光谱图片，通过多光谱图片建立空三投影形成完整的多光谱图像。3.根据权利要求2所述的一种基于无人机的天然牧场产草量快速测量方法，其特征在于：所述图像数据处理包括如下步骤：根据多光谱图像的近红外和绿波段计算水体指数；近红外与红边波段计算图像归一化差异红边指数。4.根据权利要求3所述的一种基于无人机的天然牧场产草量快速测量方法，其特征在于：根据拼接后影像的近红外和红光波段计算归一化植被指数NDVI，公式为NDVI＝(ρ
nir
‑
ρ
red
)/(ρ
nir
+ρ
red
)其中ρ
nir
表示近红波段的反射率：ρ
red
表示红光波段的反射率。5.根据权利要求4所述的一种基于无人机的天然牧场产草量快速测量方法，其特征在于：所述多光谱图像的近红外与绿色波段计算图像绿色归一化植被指数GNDVI，公式为GNDVI＝(ρ
nir
‑
ρ
green
)/(ρ
nir
+ρ
green
)；其中ρ
nir
表示近红波段的反射率：ρ
green
表示绿光波段的反射率。6.根据权利要求5所述的一种基于无人机的天然牧场产草量快速测量方法，其特征在于：运用主成分分析法，对每个像元分析两种要素对产草量影响权重参数，构建多数据源的综合评价模型P＝(NDVI+GNDVI)＊0.5其中NDVI表示归一化植被指数值；GNDVI表示绿色归一化植被指数值；根据样本点实测数据和多光谱图像的数据建立随机森林估算模型包括以下步骤：将需要计算的地面样本点总产草量鲜重或干重作为Y值存入样本之中，将多数据源的综合评价模型结果P作为X值；使用机器学习库进行随机森林回归模型建模，构建的随机森林回归模型用{h(X，θk)，k＝1，......}表示，其中X为输入向量，{θk}为独立同分布随机向量；随机森林回归模型建模包括以下步骤：对输入样本数据做归一化处理；将样本数据计划分为训练集和测试集；对于训练集D＝{(x1，y1)，(x2，y2)，......(x
n
，y
n
)}，利用Bootstrap方法重采样随机产生T个训练集S1，S2，......，S
T
...

【专利技术属性】
技术研发人员：王旭，赵越，徐大伟，李淑贞，辛晓平，陈宝瑞，
申请(专利权)人：中国农业科学院农业资源与农业区划研究所，
类型：发明
国别省市：