一种棉花产量遥感监测方法及系统

技术领域

本发明涉及棉花估产技术领域，更具体的说是涉及一种棉花产量遥感监测方法及系统。

背景技术

传统棉花估产方为，在棉花盛铃期人工进地采集数据，这种方式速度慢、工作量大，尤其由于时间上的滞后，失去了产量预报的实际意义。应用遥感手段进行棉花估产与传统估产方式相比，具有时间少、费用低、范围广和准确性高等优点，可快速地监测棉花的生长动态、种植面积、产量等年际波动状况。

目前，在棉花遥感估产方面，主要集中在地面遥感和作物生长模拟模型两方面，前者利用高光谱获取棉花冠层光谱，研究棉花冠层光谱特征和作物长势及产量构成要素之间的联系，需要大量的田间试验；后者是在植物生理学原理基础上建立环境因子与棉花生长发育与产量分配的数学模型，其所需参数较多，数据不易获取，且误差源较复杂。

因此，如何提供一种采用空间遥感数据和农学参数等多元数据相结合，且能提高估产精度的棉花产量遥感监测方法及系统是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种棉花产量遥感监测方法及系统，采用空间遥感数据和农学参数等多元数据相结合，能显著提高估产精度。

为了实现上述目的，本发明采用如下技术方案：

一种棉花产量遥感监测方法，包括：

获取目标区域不同波段下的棉花植株冠层的遥感图像；

根据所述遥感图像中每个波段的反射光谱响应数据与棉花植株覆盖及长势因子之间的相关性，确定棉花当前生长阶段的植被指数；

从农业物联网获取目标区域棉花的当前种植信息；

将棉花当前生长阶段的植被指数和所述当前种植信息输入预先训练好的产量预测模型，得到目标区域的棉花预测产量。

优选的，在上述一种棉花产量遥感监测方法中，所述产量预测模型的训练过程包括：

确定目标区域历史年份不同生长阶段下棉花植株冠层的植被指数；

从农业物联网获取目标区域历史年份种植棉花的历史种植信息和对应的实际产量；

利用所述历史年份不同生长阶段下棉花植株冠层的植被指数、所述历史种植信息和对应的实际产量对所述产量预测模型进行训练，直至所述产量预测模型输出的预测产量与实际产量之间的差值满足预设阈值。

优选的，在上述一种棉花产量遥感监测方法中，所述历史种植信息至少包括包括播种时间、播种量、施肥时间、每次施肥量、给水时间、每次给水量、除虫时间、病虫害发生情况、以及每半个月的平均叶面积指数。

优选的，在上述一种棉花产量遥感监测方法中，所述确定目标区域历史年份不同生长阶段下棉花植株冠层的植被指数，包括：

根据种植田地的方位信息将所述遥感图像划分成多个子遥感图像；

将所述子遥感图像中不同波段的灰度值进行各种组合运算，计算各个所述子遥感图像的植被指数；

提取同一棉花品种不同生长阶段的多个植被指数以及同一生长阶段下不同棉花品种的多个植被指数，并分别与棉花实际产量进行相关性分析，将相关性排名前N的植被指数作为棉花估产的最佳影响因子。

优选的，在上述一种棉花产量遥感监测方法中，还包括：确定气象数据与棉花产量之间的关系，并基于当前种植年份的气象数据对所述产量预测模型输出的目标区域的棉花预测产量进行调整。

优选的，在上述一种棉花产量遥感监测方法中，所述确定气象数据与棉花产量之间的关系，并基于当前种植年份的气象数据对所述产量预测模型输出的目标区域的棉花预测产量进行调整，包括：

获取目标区域历史年份棉花生长全周期的气象数据；

分析目标区域不同历史年份下的气象数据与不同历史年份下棉花实际产量之间的关系，得到不同气象数据对棉花产量影响的气象因子-产量关系表；

获取目标区域当前年份自棉花种植日期至当前日期之间的气象数据；

根据所述气象因子-产量关系表，确定当前年份不同生长阶段下、不同气象因子对棉花产量影响的第一气象影响系数；

对每一生长阶段下、不同气象因子对应的第一气象影响系数进行求和，得到不同生长阶段对应的第二气象影响系数；

对不同生长阶段对应的第二气象影响系数进行求和取平均值，得到第三气象影响系数；

根据所述第三气象影响系数对所述产量预测模型输出的棉花预测产量进行调整。

优选的，在上述一种棉花产量遥感监测方法中，所述气象因子至少包括：平均太阳辐射、日最高温度平均值、日最低气温平均值、日降雨量平均值、日相对湿度平均值和日平均风速。

本发明还提供一种棉花产量遥感监测系统，包括：

遥感图像获取模块，用于获取目标区域不同波段下的棉花植株冠层的遥感图像；

植被指数确定模块，用于根据所述遥感图像中每个波段的反射光谱响应数据与棉花植株覆盖及长势因子之间的相关性，确定棉花当前生长阶段的植被指数；

种植信息获取模块，用于从农业物联网获取目标区域棉花的当前种植信息；以及

预测模块：用于将棉花当前生长阶段的植被指数和所述当前种植信息输入预先训练好的产量预测模型，得到目标区域的棉花预测产量。

优选的，在上述一种棉花产量遥感监测系统中，还包括：

产量调整模块，用于确定气象数据与棉花产量之间的关系，并基于当前种植年份的气象数据对所述产量预测模型输出的目标区域的棉花预测产量进行调整。

优选的，在上述一种棉花产量遥感监测系统中，所述产量调整模块包括：

气象数据获取单元，用于获取目标区域历史年份棉花生长全周期的气象数据，以及目标区域当前年份自棉花种植日期至当前日期之间的气象数据；

气象-产量分析单元，用于分析目标区域不同历史年份下的气象数据与不同历史年份下棉花实际产量之间的关系，得到不同气象数据对棉花产量影响的气象因子-产量关系表；

第一气象影响系数确定单元，用于根据所述气象因子-产量关系表，确定当前年份不同生长阶段下、不同气象因子对棉花产量影响的第一气象影响系数；

第二气象影响系数确定单元，用于对每一生长阶段下的不同气象因子对应的第一气象影响系数进行求和，得到不同生长阶段对应的第二气象影响系数；

第三气象影响系数确定单元，用于对不同生长阶段对应的第二气象影响系数进行求和取平均值，得到第三气象影响系数；

调整单元，用于根据所述第三气象影响系数对所述产量预测模型输出的棉花预测产量进行调整。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种棉花产量遥感监测方法及系统，通过确定棉花当前生长阶段的最合适的植被指数，从而能够更精确地反演目标区域的棉花产量，同时，本发明采用深度学习方法，利用历史年份棉花的种植信息、植被指数和实际产量对模型进行训练，只需将当前棉花的种植信息和最适植被指数输入训练好的模型，便能够对当前年份的棉花产量进行预测。为了使预测结果更为准确，本发明还考虑了棉花种植区域的气象数据，结合气象数据对预测的棉花产量进行进一步调整，从而提高对棉花产量预测的准确程度。因此，本发明结合空间遥感数据、农学参数和气象数据多元数据，能够显著提高棉花产量的预测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的棉花产量遥感监测方法的流程图；

图2为本发明提供的产量预测模型的训练过程示意图；

图3为本发明提供的对棉花预测产量进行调整的流程图；

图4为本发明提供的棉花产量遥感监测系统的结构框图；

图5为本发明提供的产量调整模块的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例公开了一种棉花产量遥感监测方法，包括以下步骤：

S1、获取目标区域不同波段下的棉花植株冠层的遥感图像；

S2、根据遥感图像中每个波段的反射光谱响应数据与棉花植株覆盖及长势因子之间的相关性，确定棉花当前生长阶段的植被指数；

S3、从农业物联网获取目标区域棉花的当前种植信息；

S4、将棉花当前生长阶段的植被指数和当前种植信息输入预先训练好的产量预测模型，得到目标区域的棉花预测产量。

在一个具体实施例中，如图2所示，产量预测模型的训练过程包括：

确定目标区域历史年份不同生长阶段下棉花植株冠层的植被指数；

从农业物联网获取目标区域历史年份种植棉花的历史种植信息和对应的实际产量；

利用历史年份不同生长阶段下棉花植株冠层的植被指数、历史种植信息和对应的实际产量对产量预测模型进行训练，直至产量预测模型输出的预测产量与实际产量之间的差值满足预设阈值。

本发明实施例产量预测模型采用深度学习模型，利用历史年份不同生长阶段(幼苗期、蕾期、花铃期、吐絮期)棉花植株冠层的植被指数，以及从农业物联网中获得的种植信息和实际产量作为训练数据，对模型进行训练，直至模型的预测输出满足优化目标，训练好的模型可直接根据当前种植信息和植被指数对当前年度的棉花产量进行预测。该模型可根据当前年份的种植信息变化和植被指数变化，实现对棉花产量的动态预测。

具体的，历史种植信息至少包括包括播种时间、播种量、施肥时间、每次施肥量、给水时间、每次给水量、除虫时间、病虫害发生情况、以及每半个月的平均叶面积指数。

在一个具体实施例中，确定目标区域历史年份不同生长阶段下棉花植株冠层的植被指数，包括：

根据种植田地的方位信息将遥感图像划分成多个子遥感图像；

将子遥感图像中不同波段的灰度值进行各种组合运算，计算各个子遥感图像的植被指数；

提取同一棉花品种不同生长阶段的多个植被指数以及同一生长阶段下不同棉花品种的多个植被指数，并分别与棉花实际产量进行相关性分析，将相关性排名前N的植被指数作为棉花估产的最佳影响因子。

本发明实施例通过提取多种植被指数，分别与棉花产量进行相关性分析，最终得到NDVI(归一化植被指数)和PVI(垂直植被指数)与棉花产量显著相关，从而将NDVI和PVI作为棉花估产的最佳影响因子。

在其他实施例中，还包括：

S5、确定气象数据与棉花产量之间的关系，并基于当前种植年份的气象数据对产量预测模型输出的目标区域的棉花预测产量进行调整。

具体的，如图3所示，S5包括：

S51、获取目标区域历史年份棉花生长全周期的气象数据；

S52、分析目标区域不同历史年份下的气象数据与不同历史年份下棉花实际产量之间的关系，得到不同气象数据对棉花产量影响的气象因子-产量关系表；

S53、获取目标区域当前年份自棉花种植日期至当前日期之间的气象数据；

S54、根据气象因子-产量关系表，确定当前年份不同生长阶段下、不同气象因子对棉花产量影响的第一气象影响系数；

S55、对每一生长阶段下的不同气象因子对应的第一气象影响系数进行求和，得到不同生长阶段对应的第二气象影响系数；

S56、对不同生长阶段对应的第二气象影响系数进行求和取平均值，得到第三气象影响系数；

S57、根据第三气象影响系数对产量预测模型输出的棉花预测产量进行调整。

其中，气象因子至少包括：平均太阳辐射、日最高温度平均值、日最低气温平均值、日降雨量平均值、日相对湿度平均值和日平均风速。

气象数据对棉花产量的影响较大，传统的棉花产量预测过程中，鲜有考虑气象因子对棉花产量的影响。本发明实施例通过分析历史年份棉花各生长阶段下所对应的气象数据以及实际产量，得到不同生长阶段下，不同的气象因子对棉花产量的影响程度，得到不同阶段下，各气象因子与产量的关系表，通过比较各个历史年份的棉花产量以及各个生长阶段的天气数据，为每个阶段下的各个气象因子赋予相应的权重，且每个生长阶段中各个气象因子的权重值之和为1，同时将与所有参与分析的历史年份中棉花产量的平均值最接近的那一年度的气象数据作为基准值。进行本年度棉花产量估算时，先从气象因子-产量关系表确定各阶段下各气象因子的权重，结合当前年度相应生长阶段的各气象因子的实际气象数据与基准值进行比较，对当前年度各阶段下的各气象因子的权重进行适应性增减，确定第一气象影响系数，对每个阶段下所有第一气象影响系数进行求和得到每个阶段对应的第二气象影响系数，然后再对所有阶段对应的第二气象影响系数进行加权平均得到第三气象影响系数，最后根据第三气象影响系数对本年度的棉花预测产量进行调整。

本发明通过考虑不同气象数据对产量的影响程度，对模型的预测输出进行调整，使得预测结果更为准确。

如图4所示，本发明还提供一种棉花产量遥感监测系统，包括：

遥感图像获取模块，用于获取目标区域不同波段下的棉花植株冠层的遥感图像；

植被指数确定模块，用于根据遥感图像中每个波段的反射光谱响应数据与棉花植株覆盖及长势因子之间的相关性，确定棉花当前生长阶段的植被指数；

种植信息获取模块，用于从农业物联网获取目标区域棉花的当前种植信息；以及

预测模块：用于将棉花当前生长阶段的植被指数和当前种植信息输入预先训练好的产量预测模型，得到目标区域的棉花预测产量。

更有利的，如图5所示，棉花产量遥感监测系统还包括：

产量调整模块，用于确定气象数据与棉花产量之间的关系，并基于当前种植年份的气象数据对产量预测模型输出的目标区域的棉花预测产量进行调整。

具体的，产量调整模块包括：

气象数据获取单元，用于获取目标区域历史年份棉花生长全周期的气象数据，以及目标区域当前年份自棉花种植日期至当前日期之间的气象数据；

气象-产量分析单元，用于分析目标区域不同历史年份下的气象数据与不同历史年份下棉花实际产量之间的关系，得到不同气象数据对棉花产量影响的气象因子-产量关系表；

第一气象影响系数确定单元，用于根据气象因子-产量关系表，确定当前年份不同生长阶段下、不同气象因子对棉花产量影响的第一气象影响系数；

第二气象影响系数确定单元，用于对每一生长阶段下的不同气象因子对应的第一气象影响系数进行求和，得到不同生长阶段对应的第二气象影响系数；

第三气象影响系数确定单元，用于对不同生长阶段对应的第二气象影响系数进行求和取平均值，得到第三气象影响系数；

调整单元，用于根据第三气象影响系数对产量预测模型输出的棉花预测产量进行调整。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。