基于遥感的香蕉估产方法、装置、电子设备和存储介质

技术领域

本发明涉及农业遥感技术领域，特别是涉及一种基于遥感的田块尺度香蕉估产方法、装置、电子设备和存储介质。

背景技术

及时、全面、准确地估算香蕉产量，可为种植者提供变量施肥、灌溉、收获计划、营销和远期销售等方面的决策。传统香蕉估产方法是利用目测或抽样技术，结合研究区的天气状况、作物品种、土地类型以及病虫害发生状况等因素进行估算，该方法耗时费力且易受人为主观因素影响。目前主要的测产方式是采用固定在收割机上的测产仪器进行测量，但此方法是在收获完成后才能获得产量信息，不适用于未来销售策略的制定。遥感技术具有获取成本低、覆盖范围广和能连续动态监测等优势，在作物产量估算中得到广泛关注。

基于遥感技术的产量估算方法主要有两种。一是运用数据同化技术，将遥感反演参数信息集成到作物的生长模型中，实现作物生长状态监测和产量估算。但该方法需要大量和精确参数的输入，而且估产模型空间泛化能力弱和计算成本高。二是利用经验统计模型方法预测作物产量，此方法无需事先对基础数据分布进行假设，而是利用植被指数等变量来预测产量，简单易行，在遥感估产中得到了广泛应用。哨兵2号(Sentinel-2)卫星传感器(Sentinel-2A和Sentinel-2B)以高时间分辨率和高空间分辨率获取时间序列影像，为监测香蕉生长状况和预测作物产量提供了机会。但采用卫星遥感方式监测香蕉生长易受到云和云阴影的影响，精准剔除影像中的云和云阴影覆盖区域可有效改善作物估产精度。目前，基于Sentinel-2卫星的去云方法主要有三种。一是通过QA60质量波段标记实现去云；二是利用波段组合和归一化雪盖(NDSI)指数，计算云量分数实现去云；三是采用s2cloudless算法去云。以上三种方法主要应用于大尺度区域去云，而田块尺度的去云算法鲜有研究。

基于卫星影像的植被指数时间序列监测可以提供作物冠层随时间变化的度量，可以反映作物出苗、成熟和收获的过程，因此构建多时相遥感估产模型估算作物产量比单一时相更具潜在优势。但现有研究表明，通过植被指数时间序列构建估产模型过程中往往难以确定获得最佳预测模型的输入特征变量，导致估产精度偏低。

发明内容

本发明的目的是提供一种基于遥感的香蕉估产方法、装置、电子设备和存储介质，用于解决现有技术中的至少部分问题。

具体地，本发明实施例提供了以下技术方案：

第一方面，本发明实施例提供了一种基于遥感的香蕉估产方法，包括：

获取香蕉的田块尺度的遥感影像；

使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影；

使用基于皮尔逊相关系数时空耦合的最优特征选择策略，选取各时期最佳植被指数特征；

将所述各时期的最佳植被指数特征输入训练好的支持向量回归(SVR)估产模型，得到预估产量。

进一步地，所述使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影包括：

提取含云遥感影像中绿波段和近红外波段的光谱反射率值构建集合；

使用融合K均值聚类的算法分别得到所述遥感影像中的云覆盖区域和云阴影覆盖区域，并得到所述遥感影像的云掩膜影像；

使用形态学开运算方法对云掩膜影像进行处理，去除所述遥感影像中的云和云阴影。

进一步地，所述基于皮尔逊相关系数时空耦合的最优特征选择策略包括：

计算同时期不同植被指数间的相关关系和不同时期各植被指数间的相关关系；

计算各时期不同植被指数的最大特征因子，得到第一时期和与第一时期对应的植被指数特征；

去除所述第一时期和与第一时期对应的植被指数特征，计算剩余各时期不同植被指数的最大特征因子，得到第二时期和与第二时期对应的植被指数特征。

进一步地，所述方法还包括：构建和训练SVR估产模型，所述构建和训练SVR估产模型包括：

将包括植被指数特征和香蕉产量的数据划分为训练集和测试集；

确定核函数；

基于所述训练集，进行参数寻优，选择关键参数；

基于所述测试集，利用均方根误差、平均绝对误差和决定系数评估所述SVR估产模型。

进一步地，所述核函数为径向基核函数。

第二方面，本发明实施例提供了一种基于遥感的香蕉估产装置，包括：

遥感影像获取模块，用于获取香蕉的田块尺度的遥感影像；

遥感影像处理模块，使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影；

植被指数特征选取模块，使用基于皮尔逊相关系数时空耦合的最优特征选择策略，选取各时期最佳植被指数特征；

估产模型处理模块，将所述各时期的最佳植被指数特征输入训练好的支持向量回归(SVR)估产模型，得到预估产量。

第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如第一方面所述基于遥感的香蕉估产方法的步骤。

第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如第一方面所述基于遥感的香蕉估产方法的步骤。

本发明实施例提供了一种基于遥感的香蕉估产方法、装置、电子设备和存储介质，融合K均值聚类和形态学操作的自动去云算法能有效检测出遥感影像中的云和云阴影区域，消除了云和云阴影对香蕉估产准确性的影响；基于皮尔逊相关系数的时间序列最优特征提取方法能在特征变量选取过程中既确保了特征变量与产量间的高相关性，又确保了不同时期所选特征变量间的低冗余性，从而获得香蕉时序估产模型的最佳输入组合特征；SVR估产模型是一种基于结构风险最小化原理的用于解决小样本、非线性及高维问题的机器学习方法，该方法能有效提升香蕉产量预测精度。

附图说明

图1是根据本发明实施例的基于遥感的香蕉估产方法的流程图；

图2是根据本发明实施例的基于遥感的香蕉估产方法的另一流程图；

图3是根据本发明实施例的基于遥感的香蕉估产装置的示意图；

图4是根据本发明实施例的电子设备的示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地描述。以下实施例是用于说明本申请，而不是用来限制本申请的范围。

在本申请的实施例中，需要说明的是，本文中出现的目标作物均为香蕉，但本领域技术人员可以做出各种替换和修改而不超出本申请的范围。

参考图1，图1是根据本发明实施例的基于遥感的香蕉估产方法的流程图，包括：

步骤110，获取目标作物的田块尺度的遥感影像；

步骤120，使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影；

步骤130，使用基于皮尔逊相关系数时空耦合的最优特征选择策略，选取各时期最佳植被指数特征；

步骤140，将所述各时期的最佳植被指数特征输入训练好的支持向量回归(SVR)估产模型，得到预估产量。

可选地，通过各数据中心或订购商业卫星遥感数据来获取特定时间和地区的遥感影像。

在本申请的实施例中，可以基于特定示例区建立估产模型，从而提高预测准确度，因此在下面的实施例中根据某示例区的已有数据构建估产模型并预测，需要说明的是，示例区的地理位置、面积等等均非限制性特征，本领域的技术人员可以根据具体情况做出不超出本申请范围的修改和替换。

在本申请的实施例中，示例区位于广西壮族自治区崇左市扶绥县广西捷佳润科技股份有限公司香蕉种植基地，示例区共71块香蕉田块，占地面积约140.11公顷。研究对象为香蕉经济作物，香蕉品种为威廉斯B6，其生长过程大致可分为定植期、营养生长期、孕蕾抽蕾期、幼果期和采收期等5个生育期。定植期就是将香蕉苗移栽至大田的过程；一般每年3月份对香蕉苗进行移栽定植；香蕉苗从定植期长到30张叶片的时期为香蕉营养生长期，时间为每年的4月至5月份；孕蕾抽蕾期大致为每年的6月至7月份，该时期花芽开花及孕果穗；幼果期和采收期指香蕉果的肥度、饱满度逐渐增长，直到达到采收要求，时间大致为每年的8月至10月份。从营养生长期到幼果期是影响香蕉产量和质量的关键生育期，也是香蕉估产的最佳时期，因此本实施例选取的遥感影像成像时间为每年的5月至9月份。

参考图2，根据本申请的基于遥感的田块尺度香蕉产量估测方法，包括如下步骤：

S1，遥感影像获取：获取示例区位置信息，通过谷歌地球引擎(Google EarthEngine，GEE)平台获取示例区香蕉生长周期内多时相Sentinel-2L1C级卫星遥感影像，对遥感影像进行辐射定标和大气校正，并利用最近邻插值法将校正后影像的空间分辨率重采样为10m，使得各波段分辨率统一。

可选地，示例区位置信息是通过使用司南RTK T300型位置测量仪进行测定得到的。

其中，本申请所选用的遥感数据为Sentinel-2影像数据，Sentinel-2卫星搭载的多光谱传感器具有13个波段，包括10m、20m和60m三种空间分辨率，其中10m分辨率的波段为红波段(Red)、绿波段(Green)、蓝波段(Blue)、近红外波段(NIR)；20m分辨率的波段为3个红边波段(RE1、RE2、RE3)、近红外波段(Narrow NIR)、短波红外(SWIR1、SWIR2)；60m分辨率的波段为海岸波段(coastal aersol)、水汽波段(water vapour)、卷云波段(SWIR cirrus)。

其中，所选取的影像数据成像时间如表1所示：

表1获取的sentinel-2影像成像时间

可选地，使用Sen2Cor软件对获取的所有Sentinel-2大气顶端反射率(TOA)L1C级数据进行辐射定标和大气校正，获得大气底层反射率(BOA)L2A级数据。

S2，作物产量获取：获取示例区2019至2020年各田块香蕉产量数据，并求取71个地块的单产数据。其中，通过广西捷佳润科技股份有限公司的已有资料获得了示例区2019-2020年的香蕉产量。

S3，含云影像去云：剔除云覆盖高于50％的影像，利用融合K均值聚类和形态学操作的自动去云算法去除云和云阴影。含云遥感影像一般存在白色厚云覆盖区域、无云区域、黑色云阴影覆盖区域等3种区域，通过Green波段能辨别云覆盖区域，利用NIR波段能分离云阴影覆盖区域，因此，通过Green和NIR两个波段能有效区分这3类区域。基于此，提出一种云和云阴影自动检测和去除方法，算法实现过程如下：

S31，对于任一含云遥感影像I∈R

S32，在样本集中任意选择3个初始聚类中心μ

C

式中，μ

S33，计算各聚类中所有点的坐标平均值，并将这个平均值作为新的聚类中心。新的聚类中心μ

S34，重复执行S32和S33，直到聚类中心不再移动为止。最终可以将3个聚类中心μ

S35，利用形态学开运算方法对云掩摸影像进行处理，以滤除云掩摸影像的异常像素点(独立像素点和较小区域像素点)和平滑云覆盖区域。开运算计算公式为

式中，B表示3×3矩形阵列结构元，

S4，最优植被指数特征选取：对去云后的Sentinel-2影像各波段进行波段组合运算，获取17种植被指数，如表2所示：

表2植被指数

对每幅影像各地块的植被指数进行求平均，组合所有影像的所有地块的17个植被指数，可得到一个三维矩阵X

S41，计算同时期不同植被指数间的相关关系ρ

式中，n表示地块数量，x

S42，同理，计算不同时期各植被指数间的相关关系ρ

式中，x

S43，计算各时期植被指数特征与产量之间的关系r：

S44，求取各时期不同植被指数的最大特征因子F：

F＝max(r-ρ

记录该特征因子对应的时期和植被指数特征

S45，去除上述对应时期，求取剩余时期各植被指数对应的最大特征因子F'

F'＝max(r'-ρ

式中，p

S46，同理，依据S45，可获取每个时期对应的最佳植被指数特征。

S5，构建和训练估产模型：利用S4中所获得的各时期最佳植被指数特征和S2中对应各地块香蕉产量数据，基于支持向量回归(Support Vector Regression，SVR)算法构建和训练估产模型，并采用均方根误差(Root Mean Square Error，RMSE)、平均绝对误差(Mean Absolute Error，MAE)和决定系数(coefficient of determination，R

可选地，SVR模型构建和训练包括以下步骤：

S51，划分训练集和测试集。使用sklearn软件包中的“training_test_split”函数，将包括植被指数特征和香蕉产量的数据以7:3的比例随机分为训练集和测试集。

S52，标准化训练和测试数据集。将2019-2020年期间的训练数据集进行标准化，使其均值为0，单位标准差，可消除模型输入由于量纲和单位不同造成的影响，使数据更加适应回归建模与分析。

S52，确定核函数。常用的核函数有多项式核函数、径向基(RBF)核函数、Sigmoid核函数等，选用不同的核函数可以构造出不同的支持向量回归模型。研究表明，当缺少先验知识时，选用径向基核函数训练建模的效果较好，所得模型的总体性能较高，所以本申请选择的核函数为径向基核函数。

S53，优选关键参数。基于香蕉产量训练集，利用网格搜索和5-fold交叉验证的方法(GridSearchCV库)进行参数寻优，确定C和gamma的值分别为10和5。

S54，估产模型验证。将优化后的估产模型运用到测试集上，并计算回归模型的评价指标(R

表3估产结果

其中，RMSE、MAE和R

式中，N表示测试集中的样本数量，y

可选地，估产模型是在Python 3.7.6的scikit-learn库中实现的。

下面对本发明提供的基于遥感的作物估产装置进行描述，下文描述的基于遥感的作物估产装置与上文描述的基于遥感的香蕉估产方法可相互对应参照。参考图3，图3是根据本发明实施例的基于遥感的作物估产装置的示意图。基于遥感的作物估产装置包括：

遥感影像获取模块310，用于获取目标作物的田块尺度的遥感影像；

遥感影像处理模块320，使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影；

植被指数特征选取模块330，使用基于皮尔逊相关系数时空耦合的最优特征选择策略，选取各时期最佳植被指数特征；

估产模型处理模块340，将所述各时期的最佳植被指数特征输入训练好的支持向量回归(SVR)估产模型，得到预估产量。

图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行基于遥感的香蕉估产方法，该方法包括：获取目标作物的田块尺度的遥感影像；使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影；使用基于皮尔逊相关系数时空耦合的最优特征选择策略，选取各时期最佳植被指数特征；将所述各时期的最佳植被指数特征输入训练好的支持向量回归(SVR)估产模型，得到预估产量。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于遥感的香蕉估产方法，该方法包括：获取目标作物的田块尺度的遥感影像；使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影；使用基于皮尔逊相关系数时空耦合的最优特征选择策略，选取各时期最佳植被指数特征；将所述各时期的最佳植被指数特征输入训练好的支持向量回归(SVR)估产模型，得到预估产量。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于遥感的香蕉估产方法，该方法包括：获取目标作物的田块尺度的遥感影像；使用融合K均值聚类和形态学操作的自动去云算法去除所述遥感影像中的云和云阴影；使用基于皮尔逊相关系数时空耦合的最优特征选择策略，选取各时期最佳植被指数特征；将所述各时期的最佳植被指数特征输入训练好的支持向量回归(SVR)估产模型，得到预估产量。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。