基于微波遥感的农田灌溉频率确定方法及装置、计算设备

技术领域

本发明涉及基于无人机载L波段被动微波辐射计微波遥感的农田灌溉频率确定技术领域，具体涉及一种基于微波遥感的农田灌溉频率确定方法及装置、计算设备。

背景技术

随着经济发展与人口增长，水资源短缺问题日益严重。农业用水占我国用水总量的60％以上，灌溉用水占农业用水的90％以上。灌溉用水的精确估算对总用水量统计的准确性有着重要的影响，也对支撑水资源精细化管理有重要的意义。但农业用水分布广泛且分散，计量难度相对工业和生活用水较大，区域农业用水总量估算受数据条件限制，较多依靠人工经验，存在较大的不确定性。

传统的监测方法主要有常规地面监测方法和卫星遥感监测方法，常规地面监测常见方法包括：中子仪测量法、TDR(即时域反射计)测量法、湿度计法、称重烘干发法等。该类方法的最大问题在于，农田与农田之间的墒情并不是同步的，因为种植作物和灌溉条件及环境影响，甚至同一片田内的墒情也是不一样的，用单点测量的方法会造成成本极高，且代表性很差。而卫星遥感监测方法也存在诸多问题，如：下载的遥感数据往往是二级数据(系统几何校正产品)，因此需要进行辐射定标、几何精校正、大气校正、裁剪、云掩膜等多个前期处理工作；由于不同区域的土壤下垫面土质种类不同，因此选取的模型方法会严重影响最后反演旱情的精度和可信度。

现行的灌溉用水估算方法大体分为两类，一是定额推演法，二是水量平衡推算法。前者主要根据灌溉定额与实灌面积数据进行估算，灌溉定额的确定首先要进行典型调查，然后进行定额推演，在灌溉定额的确定上，总体存在农业用水计量设施不完善、复杂灌区统计难度大等问题，以及在农业灌溉用水推算的实际工作中，很难按照水文气象变化、田间水分状况及作物长势等进行动态调整，导致该方法不能准确计算农业灌溉用水量。

发明内容

鉴于上述问题，提出了本发明以便提供一种基于无人机载L波段被动微波辐射计高时空分辨率的农田尺度土壤湿度观测方法克服上述农田灌溉频率计算准确率较低问题的农田灌溉频率确定方法及装置、计算设备。

根据本发明的一个方面，提供了一种基于微无人机载L波段被动微波辐射计的农田灌溉频率确定方法，包括：

获取待检测灌溉农田区域的微波遥感数据和观测统计数据，其中，所述观测统计数据包括历史降水量、跨流域调水量、非农业用水量、无人机载L波段被动微波辐射计反演的土壤水分数据、无人机载L波段被动微波辐射计观测亮度温度经过数据同化带入陆面模式之后获得的蒸散发数据、历史水分数据以及水文监测站点的行政区出入境水量；

根据所述无人机载L波段被动微波辐射遥感数据反演得到土壤水分数据，根据所述数值模式模拟和数据同化得到蒸散发数据；

根据所述土壤水分数据、所述蒸散发数据以及所述观测统计数据的第一部分数据构建决策树支持模型，根据所述第一部分数据的信息增益作为所述决策树支持模型的分支数值；

提取剩余的第二部分数据对所述决策树支持模型的决策树进行剪枝，得到所述待检测灌溉区域的灌溉频率。

在一种可选的方式中，所述根据所述第一部分数据构建决策树支持模型进一步包括：

提取第一预设比例的所述第一部分数据作为所述决策树支持模型的训练样本集；

根据所述训练样本集获取样本特征作为所述决策树支持模型的输入变量。

在一种可选的方式中，所述提取剩余的第二部分数据对所述决策树支持模型的决策树进行剪枝，得到所述待检测灌溉区域的灌溉频率进一步包括：

提取第二预设比例的所述第二部分数据，从下向上对所述第二部分数据进行剪枝，得到所述第二部分数据的待检测灌溉区域的灌溉频率。

在一种可选的方式中，所述第一部分数据的信息增益的具体公式为：

其中，i＝1,2,…,n，I(s)为信息熵，I(x

在一种可选的方式中，所述信息熵I(s)的具体公式为：

其中，f(C

所述条件熵I(x

其中，|x

在一种可选的方式中，所述条件熵I(x

其中，f(C

在一种可选的方式中，所述得到所述待检测灌溉区域的灌溉频率的具体公式为：

其中，P(C

在一种可选的方式中，所述决策树支持模型集成ID3、C4.5、CART分类器，利用boosting算法学习多个所述分类器，其中，第i个分类器学习第i-1个分类器没有正确分类的样本，将所述多个分类器线性组合共同对所述样本进行分类。

根据本发明的另一方面，提供了一种基于微波遥感的农田灌溉频率确定装置，包括：

获取模块，用于获取待检测灌溉农田区域的无人机载L波段被动微波辐射计遥感数据和观测统计数据，其中，所述观测统计数据包括历史降水量、跨流域调水量、非农业用水量、无人机载L波段被动微波辐射计反演的土壤水分数据、数值模式模拟和数据同化蒸散发数据、历史水分数据以及水文监测站点的行政区出入境水量；

反演和数值模拟模块，用于根据所述微波遥感数据反演得到土壤水分数据，根据所述数值模式模拟和数据同化得到蒸散发数据；

模型构建模块，用于根据所述土壤水分数据、所述蒸散发数据以及所述观测统计数据的第一部分数据构建决策树支持模型，根据所述第一部分数据的信息增益作为所述决策树支持模型的分支数值；

优化模块，用于提取剩余的第二部分数据对所述决策树支持模型的决策树进行剪枝，得到所述待检测灌溉区域的灌溉频率。

根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于无人机载L波段被动微波辐射计遥感、数值模式模拟和数据同化模拟的农田灌溉频率确定方法对应的操作。

根据本发明提供的方案，获取待检测灌溉农田区域的微波遥感数据和观测统计数据，其中，所述观测统计数据包括历史降水量、跨流域调水量、非农业用水量、无人机载L波段被动微波辐射计反演的土壤水分数据、数值模式模拟和数据同化模拟蒸散发数据、历史水分数据以及水文监测站点的行政区出入境水量；根据所述微波遥感数据反演得到土壤水分数据，根据所述数值模式模拟和数据同化模拟得到蒸散发数据；根据所述土壤水分数据、所述蒸散发数据以及所述观测统计数据的第一部分数据构建决策树支持模型，根据所述第一部分数据的信息增益作为所述决策树支持模型的分支数值；提取剩余的第二部分数据对所述决策树支持模型的决策树进行剪枝，得到所述待检测灌溉区域的灌溉频率。本发明通过集成决策树模型提取训练样本中的特征属性，更加全面准确地预测农田灌溉频率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例的基于微波遥感的农田灌溉频率确定方法的流程示意图；

图2示出了本发明实施例的基于微波遥感的农田灌溉频率确定装置的结构示意图；

图3示出了本发明实施例的计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

图1示出了本发明实施例的基于微波遥感的农田灌溉频率确定方法的流程示意图。本方法通过集成决策树模型提取训练样本中的特征属性，以更加全面准确地预测农田灌溉频率。具体地，如图1所示，包括以下步骤：

步骤S101，获取待检测灌溉农田区域的微波遥感数据和观测统计数据，其中，观测统计数据包括历史降水量、跨流域调水量、非农业用水量、无人机载L波段被动微波辐射计反演的土壤水分数据、数值模式模拟和数据同化模拟蒸散发数据、历史水分数据以及水文监测站点的行政区出入境水量。

与光学遥感数据检测灌溉信息的方案相比，微波对水成分存在明显的感应能力，这就使遥感监测成为测定土壤含水量的较为合理的方式(包含主动方式和被动方式)。其中，主动方式主要测量土壤的后散射参量，而土壤粗糙度和介电常数可以决定土壤后散射参量，土壤湿度决定介电常数，因此土壤墒情可以较好地被反演出来；被动方式是传感器接收来自地面物体自身辐射的微波，而土壤湿度可由计算出的土壤亮温来反演得到。

其中，L波段被动微波辐射计的微波遥感具有全天时、全天候、高分辨率、穿透性强及对土壤水分变化敏感的优势，比光学遥感数据更能准确捕捉水分信息，微波遥感数据的使用有利于提高确定农田灌溉频率的准确性。遥感技术能够解决水量平衡方程中区域蓄水变量和蒸散发的估算问题，可以提高水量平衡方法在计算灌溉用水中应用的可行性，但大多数遥感产品存在区域适用性和精度的问题，需要结合多个数据源的观测统计数据，其中，观测统计数据包括历史降水量、跨流域调水量、非农业用水量、无人机载L波段被动微波辐射计反演的土壤水分数据、数值模式模拟和数据同化模拟蒸散发数据、历史水分数据以及水文监测站点的行政区出入境水量，为农田区域灌溉用水统计数据的合理性提供更多数据支撑。

本实施例中，申请人利用自研的第一代陆海低频微波综合监测系统(如利用多旋翼无人机与小型L波段微遥感辐射计等)以及“农田哨兵”策略软件系统(该系统结合复旦大学最新的微波辐射传输模型，采用“数值拟和据同化等技术”)获取待检测灌溉农田区域的微波遥感数据和观测统计数据。与传统的气象站土壤湿度监测和单纯依赖遥感技术反演路线相比，具有响应快速、测量准确覆盖面广、时空精度高、土壤湿反演等特点，并且，具有不受天气条件影响、可穿透植被观测土壤在中深度与根系、病虫害发生深度相匹配等优势。

步骤S102，根据微波遥感数据反演得到土壤水分数据，根据数值模式模拟和数据同化模拟的蒸散发数据。

例如，根据微波遥感数据土壤表面发射率、入射角以及极化方式，确定土壤介电常数，采用介电混合模型，将土壤介电常数转换为土壤体积含水量。具体实施时，土壤表面发射率主要受到土壤介电常数(主要取决于土壤水分)、地表粗糙度和植被覆盖等因素的影响。假定地表粗糙度和植被状况在一定时间内是不变的，土壤表面发射率的变化可以归结为土壤介电常数(土壤水分)的变化，土壤水分及其变化信息的提取可采用多时相重复观测的方法。由此，可根据微波遥感数据反演得到土壤水分数据，根据无人机载L波段被动微波辐射计亮度温度通过数值模拟和数据同化得到蒸散发数据。

步骤S103，根据土壤水分数据、蒸散发数据以及观测统计数据的第一部分数据构建决策树支持模型，根据第一部分数据的信息增益作为决策树支持模型的分支数值。

决策树是一种树形结构(例如二叉树或者非二叉树)，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。本实施例中，根据样本的第一部分数据构建决策树支持模型，根据第一部分数据的信息增益作为决策树支持模型的分支数值，信息熵是用来衡量样本纯度的指标，根据信息论的知识，信息熵越大，样本纯度越低，也就是说，信息增益反映了在给定一个新的条件的情况下，信息不确定性的减少量。提取样本的第二部分数据对决策树支持模型的决策树进行剪枝，得到样本的分析结果。决策树模型的优点几乎不用数据清洗，而其他如神经网络模型在训练之前则通常需要先归一化，否则会出现效果不好或者出现梯度爆炸/消失的现象。决策树模型的运算速度快，训练决策树的成本和数据点的数量为对数关系，可以同时处理连续变量和离散变量，并且对于在模型中观察到的现象可以用逻辑分析进行解释。然而对于例如神经网络等模型的结果很难解释，决策树模型可以使用统计检验来验证模型结果的可靠性。

在一种可选的方式中，所述根据所述第一部分数据构建决策树支持模型进一步包括：

提取第一预设比例的所述第一部分数据作为所述决策树支持模型的训练样本集；

根据所述训练样本集获取样本特征作为所述决策树支持模型的输入变量。

例如，提取60％的样本作为决策树支持模型的训练样本集，根据训练样本集获取糖尿病特征作为所述决策树支持模型的输入变量，每个输入变量都有其对应的类别。

在一种可选的方式中，所述第一部分数据的信息增益的具体公式为：

其中，i＝1,2,…,n，I(s)为信息熵，I(x

为解决样本信息熵偏大的问题，本实施例中，根据信息增益G(x

在一种可选的方式中，所述信息熵I(s)的具体公式为：

其中，f(C

所述条件熵I(x

其中，|x

在一种可选的方式中，所述条件熵I(x

其中，f(C

步骤S104，提取剩余的第二部分数据对决策树支持模型的决策树进行剪枝，得到待检测灌溉区域的灌溉频率。

在一种可选的方式中，所述提取剩余的第二部分数据对所述决策树支持模型的决策树进行剪枝，得到所述待检测灌溉区域的灌溉频率进一步包括：

提取第二预设比例的所述第二部分数据，从下向上对所述第二部分数据进行剪枝，得到所述第二部分数据的待检测灌溉区域的灌溉频率。

例如，提取剩余40％的样本，从下向上对样本进行剪枝，得到样本的分析结果，其中，分析结果包括是、否以及可能概率的糖尿病分析结果。

在一种可选的方式中，所述得到所述待检测灌溉区域的灌溉频率的具体公式为：

其中，P(C

在一种可选的方式中，所述决策树支持模型集成ID3、C4.5、CART分类器，利用boosting算法学习多个所述分类器，其中，第i个分类器学习第i-1个分类器没有正确分类的样本，将所述多个分类器线性组合共同对所述样本进行分类。

根据本发明提供的方案，获取待检测灌溉农田区域的微波遥感数据和观测统计数据，其中，所述观测统计数据包括历史降水量、跨流域调水量、非农业用水量、无人机载L波段被动微波辐射计反演的土壤水分数据、数值模拟和数据同化计算得到的蒸散发数据、历史水分数据以及水文监测站点的行政区出入境水量；根据所述微波遥感数据反演得到土壤水分数据，根据所述观测统计数据反演得到蒸散发数据；根据所述土壤水分数据、所述蒸散发数据以及所述观测统计数据的第一部分数据构建决策树支持模型，根据所述第一部分数据的信息增益作为所述决策树支持模型的分支数值；提取剩余的第二部分数据对所述决策树支持模型的决策树进行剪枝，得到所述待检测灌溉区域的灌溉频率。本发明通过集成决策树模型提取训练样本中的特征属性，更加全面准确地预测农田灌溉频率。

图2示出了本发明实施例的基于微波遥感的农田灌溉频率确定装置的结构示意图。基于微波遥感的农田灌溉频率确定装置包括：获取模块210、反演模块220、模型构建模块230以及优化模块240。

所述获取模块210，用于获取待检测灌溉农田区域的微波遥感数据和观测统计数据，其中，所述观测统计数据包括历史降水量、跨流域调水量、非农业用水量、无人机载L波段被动微波辐射计反演的土壤水分数据、数值模拟和数据同化计算的蒸散发数据、历史水分数据以及水文监测站点的行政区出入境水量；

所述反演模块220，用于根据所述微波遥感数据反演得到土壤水分数据，根据所述观测统计数据反演得到蒸散发数据；

所述模型构建模块230，用于根据所述土壤水分数据、所述蒸散发数据以及所述观测统计数据的第一部分数据构建决策树支持模型，根据所述第一部分数据的信息增益作为所述决策树支持模型的分支数值；

所述优化模块240，用于提取剩余的第二部分数据对所述决策树支持模型的决策树进行剪枝，得到所述待检测灌溉区域的灌溉频率。

在一种可选的方式中，所述模型构建模块230进一步用于：

提取第一预设比例的所述第一部分数据作为所述决策树支持模型的训练样本集；

根据所述训练样本集获取样本特征作为所述决策树支持模型的输入变量。

在一种可选的方式中，所述模型构建模块230进一步用于：

提取第二预设比例的所述第二部分数据，从下向上对所述第二部分数据进行剪枝，得到所述第二部分数据的待检测灌溉区域的灌溉频率。

在一种可选的方式中，所述第一部分数据的信息增益的具体公式为：

其中，i＝1,2,…,n，I(s)为信息熵，I(x

在一种可选的方式中，所述信息熵I(s)的具体公式为：

其中，f(C

所述条件熵I(x

其中，|x

在一种可选的方式中，所述条件熵I(x

其中，f(C

在一种可选的方式中，所述得到所述待检测灌溉区域的灌溉频率的具体公式为：

其中，P(C

在一种可选的方式中，所述决策树支持模型集成ID3、C4.5、CART分类器，利用boosting算法学习多个所述分类器，其中，第i个分类器学习第i-1个分类器没有正确分类的样本，将所述多个分类器线性组合共同对所述样本进行分类。

图3示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图3所示，该计算设备可以包括：处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。

其中：处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。处理器302，用于执行程序310，具体可以执行上述基于微波遥感的农田灌溉频率确定方法实施例中的相关步骤。

具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。

处理器302可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

根据本发明提供的方案，获取待检测灌溉农田区域的微波遥感数据和观测统计数据，其中，所述观测统计数据包括历史降水量、跨流域调水量、非农业用水量、无人机载L波段被动微波辐射计反演的土壤水分数据、数值模拟和数据同化计算的蒸散发数据、历史水分数据以及水文监测站点的行政区出入境水量；根据所述微波遥感数据反演得到土壤水分数据，根据所述观测统计数据反演得到蒸散发数据；根据所述土壤水分数据、所述蒸散发数据以及所述观测统计数据的第一部分数据构建决策树支持模型，根据所述第一部分数据的信息增益作为所述决策树支持模型的分支数值；提取剩余的第二部分数据对所述决策树支持模型的决策树进行剪枝，得到所述待检测灌溉区域的灌溉频率。本发明通过集成决策树模型提取训练样本中的特征属性，更加全面准确地预测农田灌溉频率。

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。