一种基于水胁迫条件估产模型的油茶遥感估产方法技术

本发明专利技术涉及深度学习技术领域，公开了一种基于水胁迫条件估产模型的油茶遥感估产方法，包括以下步骤：步骤S101，根据每块油茶果树农田生长周期内每天的监测数据计算标定吸水量分布、标定蒸腾蒸发量和土水势；步骤S102，根据标定吸水量分布、标定蒸腾蒸发量和土水势计算水胁迫指数；步骤S103，根据每块油茶果树农田生长周期内每天的水胁迫指数构建邻接矩阵；步骤S104，基于邻接矩阵构建图网络；步骤S105，将图网络输入图神经网络，图神经网络输出的节点的最终矢量输入分类器，分类器的分类标签表示产量；本发明专利技术通过图神经网络消除了在水胁迫条件下油茶果树农田的监测数据的误差，并预测每块油茶果树农田的产量，提高了预估产量的准确度。度。度。

【技术实现步骤摘要】
一种基于水胁迫条件估产模型的油茶遥感估产方法


[0001]本专利技术涉及深度学习
，更具体地说，它涉及一种基于水胁迫条件估产模型的油茶遥感估产方法。

技术介绍

[0002]现有技术中一般是通过遥感等手段监测油茶果树在生长期内与水胁迫有关的数据来计算水胁迫指数，然后根据水胁迫指数来预估农田的产量；求解的过程中需要依赖作为样本的农田的监测数据，而在对目标农田进行产量预测时计算总胁迫指数时依旧需要目标农田的监测数据，对于平原地区，种植区域的多块农田之间基本不存在高度差，对于水的移动的影响较小，在进行多点采样统计获得农田的与水胁迫有关系的监测数据时的误差较小，而对于油茶果树来说，其种植于山地地区，农田之间的高度差明显，由于地势差导致水的移动，农田之间的水的移动会导致农田邻接部分与农田非邻接部分的水胁迫相关的监测数据的差距较大，在多点采样统计的过程中会为农田生成误差较大的水胁迫有关的监测数据；
[0003]因此在通过误差较大的水胁迫有关的监测数据进行水胁迫指数计算以及进一步估计产量的过程中会出现较大的误差。

技术实现思路

[0004]本专利技术提供一种基于水胁迫条件估产模型的油茶遥感估产方法，解决相关技术中通过误差较大的水胁迫有关的监测数据进行水胁迫指数计算以及进一步估计产量的过程中会出现较大的误差的技术问题。
[0005]本专利技术提供了一种基于水胁迫条件估产模型的油茶遥感估产方法，包括以下步骤：
[0006]步骤S101，根据每块油茶果树农田生长周期内每天的监测数据计算标定吸水量分布、标定蒸腾蒸发量和土水势；步骤S102，根据每块油茶果树农田生长周期内每天的标定吸水量分布、标定蒸腾蒸发量和土水势计算水胁迫指数；
[0007]步骤S103，根据每块油茶果树农田生长周期内每天的水胁迫指数构建邻接矩阵；基于每块油茶果树农田生长周期内每天的水胁迫指数计算每块油茶果树农田之间的相似度，获得相似度矩阵；将每天的相似度矩阵进行叠加，获得最终的相邻度矩阵；将相邻度矩阵中的元素值小于设定的第一阈值的元素删除，获得稀疏的邻接矩阵；邻接矩阵中的非空元素表示元素对应的行和列表示的农田之间存在连接；
[0008]步骤S104，基于邻接矩阵构建图网络；图网络包括与油茶果树农田一一对应的节点，通过邻接矩阵对节点之间建立边；为节点生成节点矢量，节点矢量表示为；其中，、、分别表示当前节点对应的油茶果树农田的第1、2、N天的水胁迫指数，、、分别表示当前节点对应的油茶果树农田的第1、2、N天
的根系深度的土水势；
[0009]步骤S105，将图网络输入图神经网络，图神经网络输出的节点的最终矢量输入分类器，分类器的分类标签表示产量；
[0010]图神经网络的训练采用预测区域的历史数据作为训练样本进行训练。
[0011]进一步地，标定吸水量分布的计算公式为：
[0012][0013]其中，表示第j块油茶果树农田的第t天的标定吸水量分布，表示第j块油茶果树农田的第t天的油茶果树的平均根系深度，表示油茶果实从生长到成熟需要的总天数，表示油茶果树的生长系数，表示油茶果树的最大根系深度，表示油茶果树的潜在吸水速率；
[0014]标定蒸腾蒸发量的计算公式为：
[0015][0016]其中，表示第j块油茶果树农田的第t天的标定蒸腾蒸发量，表示第j块油茶果树农田的第t天的油茶果树表面的平均净辐射，表示第j块油茶果树农田的第t天的土壤热通量，表示第j块油茶果树农田的第t天的油茶果树农田在2米高的日平均气温，表示第j块油茶果树农田的第t天的油茶果树农田在2米高的平均风速，表示饱和水汽压，表示实际水汽压，表示饱和水汽压曲线的斜率，表示温度计常数。
[0017]进一步地，油茶果树的潜在吸水速率、油茶果实从生长到成熟需要的总天数、油茶果树的最大根系深度通过查询现有资料中获得。
[0018]进一步地，平均净辐射、土壤热通量、饱和水汽压、实际水汽压、饱和水汽压曲线的斜率、温度计常数通过现有技术手段获得。
[0019]进一步地，油茶果树的土水势通过土水势测量仪获得。
[0020]进一步地，水胁迫指数的计算公式为：
[0021][0022]其中，表示第j块油茶果树农田的第t天的水胁迫指数，表示第j块油茶果树农田的第t天的标定蒸腾蒸发量，表示第j块油茶果树农田的第t天的标定吸水量分布，
表示第j块油茶果树农田的第t天的油茶果树根系深度位置的土水势。
[0023]进一步地，油茶果树根系深度位置采集样本测量的平均根系深度，度过初期的油茶果树农田的油茶果树根系深度变化较小，测量的间隔时间采用一个月或者更长时间，测量的间隔时间内的根系深度可以取值为上一次的测量结果值。
[0024]进一步地，相似度计算公式为：
[0025][0026]其中，表示第j块农田和第k块油茶果树农田的第t天的水胁迫相似度，表示第j块油茶果树农田的第t天的水胁迫指数，表示第k块油茶果树农田的第t天的水胁迫指数。
[0027]进一步地，图神经网络包括L层；
[0028]图神经网络第l层的计算公式如下：
[0029][0030]其中，表示第l层的第i个节点的中间矢量，表示与节点i相连的邻居节点的集合，表示第l
‑
1层的第j个节点的中间矢量，表示第l层的变换矩阵，表示sigmoid激活函数；
[0031]当l=1时，，表示第j个节点的节点矢量；
[0032]图神经网络第L层输出的第i个节点的中间矢量作为其最终矢量。
[0033]进一步地，一块油茶果树农田的平均产量为0
‑
100kg/
㎡
，将平均产量的值域离散化为多个离散值，每个离散值作为一个分类标签。
[0034]本专利技术的有益效果在于：本专利技术通过图神经网络消除了在水胁迫条件下油茶果树农田的监测数据的误差，并预测每块油茶果树农田的产量，提高了预估产量的准确度。
附图说明
[0035]图1是本专利技术的基于水胁迫条件估产模型的油茶遥感估产方法流程图；
具体实施方式
[0036]现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根
据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
[0037]如图1所示，一种基于水胁迫条件估产模型的油茶遥感估产方法，包括以下步骤：
[0038]步骤S101，根据每块油茶果树农田生长周期内每天的监测数据计算标定吸水量分布、标定蒸腾蒸发量和土水势；
[0039]标定吸水量分布的计算公式为：
[0040][0041]其中，表示第j块油茶果树农田的第t天的标定吸水量分布，表示第j块油茶果树农田的第t天的油茶果树的平均根系深度，表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于水胁迫条件估产模型的油茶遥感估产方法，其特征在于，包括以下步骤：步骤S101，根据每块油茶果树农田生长周期内每天的监测数据计算标定吸水量分布、标定蒸腾蒸发量和土水势；步骤S102，根据每块油茶果树农田生长周期内每天的标定吸水量分布、标定蒸腾蒸发量和土水势计算水胁迫指数；步骤S103，根据每块油茶果树农田生长周期内每天的水胁迫指数构建邻接矩阵；基于每块油茶果树农田生长周期内每天的水胁迫指数计算每块油茶果树农田之间的相似度，获得相似度矩阵；将每天的相似度矩阵进行叠加，获得最终的相邻度矩阵；将相邻度矩阵中的元素值小于设定的第一阈值的元素删除，获得稀疏的邻接矩阵；邻接矩阵中的非空元素表示元素对应的行和列表示的油茶果树农田之间存在连接；步骤S104，基于邻接矩阵构建图网络；图网络包括与农田一一对应的节点，通过邻接矩阵对节点之间建立边；为节点生成节点矢量，节点矢量表示为；其中，、、分别表示当前节点对应的农田的第1、2、N天的水胁迫指数，、、分别表示当前节点对应的农田的第1、2、N天的根系深度的土水势；步骤S105，将图网络输入图神经网络，图神经网络输出的节点的最终矢量输入分类器，分类器的分类标签表示产量；图神经网络的训练采用预测区域的历史数据作为训练样本进行训练。2.根据权利要求1所述的一种基于水胁迫条件估产模型的油茶遥感估产方法，其特征在于，标定吸水量分布的计算公式为：，其中，表示第j块油茶果树农田的第t天的标定吸水量分布，表示第j块油茶果树农田的第t天的油茶果树的平均根系深度，表示油茶果实从生长到成熟需要的总天数，表示油茶果树的生长系数，表示油茶果树的最大根系深度，表示油茶果树的潜在吸水速率；标定蒸腾蒸发量的计算公式为：，其中，表示第j块油茶果树农田的第t天的标定蒸腾蒸发量，表示第j块农田的第t天的油茶果树表面的平均净辐射，表示第j块油茶果树农田的第t天的土壤热通量，表示第j块农田的第t天的油茶果树农田在2米高的日平均气温，表示第j块农田的第t天的油茶果树农田在2米高的平均风速，表示饱和水汽压，表示实际水汽压，表示饱和水汽压曲线的斜率，表示温度计常数。3.根据权利要求2所述的一种基于水胁迫条件估产模型的油茶遥感估产方法，其特征在于，油茶果树的潜在吸水速率、油茶果实从生长到成熟...

【专利技术属性】
技术研发人员：戴维序，陈克文，祖笑锋，郭鉴威，黄继茂，
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：