基于多点位融合的小麦产量估测方法技术

本发明专利技术公开了一种基于多点位融合的小麦产量估测方法，它涉及小麦产量估测技术领域。1、小麦估产最佳时项选取：小麦产量形成的时期应该在蜡熟末期以后选择，该时期以后也是产量估测的最佳时期；2、采样点位设置及主要数据采集方式；3、气象驱动数据预处理；4、相关性分析；5、数据融合模型构建；6、小麦模型产量评价指标。本发明专利技术将小麦样本点实地产量与无人机图像特征参数进行相关性分析，在进行图像数据的处理后结合大田中多个小麦产量样本点的产量数据以及小麦本身所生长的环境数据，多数据相结合来对小麦的产量进行相关性分析从而达到多模态下产量估测的目的，进一步保障了不同环境和不同时期下小麦产量估测的精度。和不同时期下小麦产量估测的精度。和不同时期下小麦产量估测的精度。

【技术实现步骤摘要】
基于多点位融合的小麦产量估测方法


[0001]本专利技术涉及的是小麦产量估测
，具体涉及一种基于多点位融合的小麦产量估测方法。

技术介绍

[0002]作物产量的准确估算对于作物管理和粮食安全非常重要。随着遥感技术不断发展,遥感数据源越来越丰富,使得大范围实时监测农作物长势成为可能,大量改进型光谱特征参数、植被指数反演农学参数为精准农业提供技术支持,光谱遥感凭借波段连续性强、光谱信息量大的优势,为实时快速大面积监测作物长势提供有效信息[[1]马驿.基于多源遥感数据的油菜长势监测[D].华中农业大学,2016.]。
[0003]到目前为止尽管已经开发了许多基于单一遥感数据源的方法，但仍需要进一步开发具有更高空间和时间分辨率的多源数据[[1]Li Y,Ren Y Z,Gao W L,et al.ANALYSIS OF INFLUENCING FACTORS ON WINTER WHEAT YIELD ESTIMATIONS BASED ON A MULTISOURCE REMOTE SENSING DATA FUSION[J].Applied Engineering in Agriculture,2021(37
‑
5).]。当前的小麦产量通常情况下使用单位面积下麦穗的个数与重量来表征，对于小麦产量的统计可以分为两种方式：一种是人工作业大面积计数测量，结果较为最准确，但是人工的成本很大，并且在计数称重方面缺少统一的规范；另一种是利用数字图像处理技术进行计数估测,方便且省时省力,缺点是精确度不够高。
[0004]随着计算机技术水平的提高,农业信息技术紧随其后,传统农业生产技术与信息技术的结合将成为农业发展的必然趋势。多点位融合是指结合并同时使用来自多个点位数据和信息，以达到比单独使用数据或者整体估测具有更高的准确率，基于多点位融合的小麦产量估测的方法可以为小麦长势监测和产量估测提供直接依据，同时也在是在产量估测的客观性、效率以及准确度的重要发展方向。
[0005]为便于在农业生产中准确、快速的估测作物的产量，监测作物的长势，冯文斌[[1]冯文斌.基于无人机多光谱遥感的夏玉米长势监测及产量估测[D].山东农业大学,2022.DOI:10.27277/d.cnki.gsdnu.2022.000669.]利用无人机多光谱影像获取与夏玉米长势相关的植被指数，结合夏玉米拔节期、抽穗期、乳熟期、成熟期四个生育期的地上生物量、植株含水量长势指标和产量基本信息，分别建立各生育期夏玉米长势和产量估算的最佳拟合模型，并用独立数据对相关模型进行检验。表明了无人机多光谱影像与地面信息数据结合能够为夏玉米的产量估测和长势监测提供有效参考。
[0006]贾博中[[1]贾博中.基于MODIS与无人机的内蒙古沿黄平原区玉米信息反演与产量估测[D].内蒙古农业大学,2021.DOI:10.27229/d.cnki.gnmnu.2021.000948.]利用多光谱无人机测得的玉米多光谱影像，将玉米的生理信息和多时相植被指数相结合，综合分析影像数据与玉米产量的关系，建立回归模型，并在产量回归模型的基础上，得出了玉米试验田产量分布情况。
[0007]综上所述，对于小麦产量估测，目前常用的手段主要是基于深度学习的小麦麦穗
智能计数从而实现对小麦产量进行估测，一般是通过采集小麦麦穗图像，对麦穗的颜色、形态以及光谱等信息进行分析，通过现有的算法对图像进行特征提取，最后通过模型训练来得到较好的小麦产量识别模型。这种方法，仅通过对单一的图像数据进行分析，往往只针对特定目标环境小麦产量估测具有意义，同时对于要识别的图像有很高的要求，在不同的环境或者生长条件下去对小麦的产量进行估测时准确率不高，不能满足我们进行产量估测时所需要的要求。
[0008]本专利技术将针对特定作物小麦进行产量估测，本专利技术的方法，主要依照地面产量数据源(千粒重、穗数、10穗产重、产量)和无人机遥感数据进行研究，结合气象站采集的信息(季节、地理位置、温湿度)和作物本身的生物特征数据(叶面积、生长期、株高等)作为背景信息，基于深度学习开发在实际生产中具有可用性的产量估测方法。

技术实现思路

[0009]针对现有技术上存在的不足，本专利技术目的是在于提供一种基于多点位融合的小麦产量估测方法，将小麦样本点实地产量与无人机图像特征参数进行相关性分析，在进行图像数据的处理后结合大田中多个小麦产量样本点的产量数据以及小麦本身所生长的环境数据，多数据相结合来对小麦的产量进行相关性分析从而达到多模态下产量估测的目的，进一步保障了不同环境和不同时期下小麦产量估测的精度。
[0010]为了实现上述目的，本专利技术是通过如下的技术方案来实现：基于多点位融合的小麦产量估测方法，包括以下步骤：
[0011]1、小麦估产最佳时项选取
[0012]小麦产量形成的时期应该在蜡熟末期以后选择，该时期以后也是产量估测的最佳时期；
[0013]2、采样点位设置及主要数据采集方式
[0014]试验区内随机设置多个地面采样点，其中点位总数的90％用于建模，点位总数的10％用于验证。采样面积为1m
×
1m，地面采样点对应无人机GPS定位，用于后期提取数据。利用Pix4DMapper对无人机数据进行辐射校正、图像拼接等，得到波段正射反射率图。利用Arcgis10.2或ENVI软件进行植被指数计算，提取观测点对应的植被指数数值。在达到作物收获时期对事先设置的样方收割测产，得到产量数据。
[0015]3、气象驱动数据预处理
[0016]气象驱动数据的预处理主要包括小麦生长季期间数据的提取，生长季各个气象要素区域平均值的统计，以及数据格式的转化；为了及时追踪作物生长过程又不使数据冗余，使用逐日的气象要素数据并将其转化为深度学习网络适用的数据格式，作为深度神经网络模型的输入；气象数据下载后在电脑上使用GDAL工具包处理；为了减小噪声，将气象数据制作成6天间隔时间序列，作物掩膜也同步应用于上面；去除无效值并进行空间插值，同时每个变量归一化到0
‑
1。
[0017]4、相关性分析
[0018]验证各植被指数是否与小麦产量具有相关性：对田间试验采集的数据，根据实测产量，按照1:1分开，选择中其90％用于样本模型构建，分别从整个生育期、种植密度、施氮量、各生育期几个方面进行颜色指数与产量的相关性分析，以选择出显著相关的颜色指数
进行模型构建；
[0019]所述的植被指数选取将采用决定系数R2对基于上述各植被指数建立的监测模型进行评价，决定系数越靠近1，说明相关性越高；根据实测值与预测值之间的均方根误差(RMSE)和平均相对误差(MRE)两个指标综合评价模型的准确性、普适性。
[0020]5、数据融合模型构建
[0021]采用SPSS和Excel软件进行数据的统计分析，使用GraphPad软件制作图表。在所采集的多个样本点数据中，随机筛选出90％数据作为建模集；后续将样本点选取的植被指数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多点位融合的小麦产量估测方法，其特征在于，包括以下步骤：(1)、小麦估产最佳时项选取小麦产量形成的时期在蜡熟末期以后选择，该时期以后也是产量估测的最佳时期；(2)、采样点位设置及主要数据采集方式试验区内随机设置多个地面采样点，其中点位总数的90％用于建模，点位总数的10％用于验证；采样面积为1m
×
1m，地面采样点对应无人机GPS定位，用于后期提取数据；利用Pix4DMapper对无人机数据进行辐射校正、图像拼接，得到波段正射反射率图；利用Arcgis10.2或ENVI软件进行植被指数计算，提取观测点对应的植被指数数值；在达到作物收获时期对事先设置的样方收割测产，得到产量数据；(3)、气象驱动数据预处理气象驱动数据的预处理主要包括小麦生长季期间数据的提取，生长季各个气象要素区域平均值的统计，以及数据格式的转化；为了及时追踪作物生长过程又不使数据冗余，使用逐日的气象要素数据并将其转化为深度学习网络适用的数据格式，作为深度神经网络模型的输入；气象数据下载后在电脑上使用GDAL工具包处理；为了减小噪声，将气象数据制作成6天间隔时间序列，作物掩膜也同步应用于上面；去除无效值并进行空间插值，同时每个变量归一化到0
‑
1；(4)、相关性分析验证各植被指数是否与小麦产量具有相关性：对田间试验采集的数据，根据实测产量，按照1:1分开，选择中其90％用于样本模型构建，分别从整个生育期、种植密度、施氮量、各生育期几个方面进行颜色指数与产量的相...

【专利技术属性】
技术研发人员：郭雷风，秦佳乐，王文生，申玉林，
申请(专利权)人：中国农业科学院农业信息研究所，
类型：发明
国别省市：