作物叶面积指数智能化提取方法、装置及电子设备

技术领域

本发明涉及农业遥感信息提取技术领域，具体而言，涉及作物叶面积指数智能化提取方法、装置及电子设备。

背景技术

精准农业要求改变以往农事生产过程中的粗放管理方式，提高农业生产效率，降低灾害影响。准确的作物空间分布和生长参数信息可以反映农业生产过程中的资源利用情况，是农作物产量预测、农业种植结构调整的重要数据支撑。其中，叶面积指数(Leaf areaindex,后文统称LAI)是作物重要的生理参数，与蒸散/光合作用以及生物量积累密切相关，可以体现作物时间和空间的异质性，是作物长势监测和产量估算的重要指标。

在农业遥感应用中，受大气效应等因素的影响，卫星遥感反演的作物参数往往仅体现了不同作物的相对差异；以无人机为代表的近地面农业监测方式结果精度高，但存在监测面积小、时效性差的问题，无法获取大范围的、高精度的精细尺度农作物生长参数信息。由于卫星与作物之间距离远，卫星数据覆盖范围广，存在反演精度不足、近地面反演范围小的问题，无法同时实现大范围的、高精确度的精细尺度作物叶面积指数反演。

发明内容

为了解决的问题，本发明的目的在于提供作物叶面积指数智能化提取方法、装置及电子设备。

第一方面，本公开提供了作物叶面积指数智能化提取方法，包括如下步骤：

获取农田遥感影像，收集时序遥感数据；

根据所述农田遥感影像，确定各个地块的地块类型和地块空间形态；

根据所述地块类型和地块空间形态，构建地块空间分布图；

识别所述地块空间分布图中的目标作物类型，构建目标作物空间分布图；

根据所述目标作物空间分布图，利用卫星数据反演第一作物叶面积指数；

利用无人机近地面采集不同作物的作物光谱，计算第二作物叶面积指数；

利用所述第一作物叶面积指数与所述第二作物叶面积指数建立第一训练标签库；

确定所述第一作物叶面积指数与所述第二作物叶面积指数之间的第一映射关系，根据所述第一映射关系建立第一映射关系模型；

利用所述第一训练标签库对所述第一映射关系模型进行训练，得到第一作物叶面积指数转化模型；

将所述卫星数据反演的所述第一作物叶面积指数输入到所述利用所述第一作物叶面积指数转化模型，生成转化后的第三作物叶面积指数。

第二方面，本公开提供了包括第一获取单元、第一确定单元、第一构建单元、第二构建单元、第一计算处理单元、第二计算处理单元、第一训练标签库建立单元、第一映射关系模型建立单元、第一模型训练单元以及第一生成单元：

所述第一获取单元，用于获取农田遥感影像，收集时序遥感数据；

所述第一确定单元，用于根据所述农田遥感影像，确定各个地块的地块类型；

所述第一构建单元，用于根据所述地块类型和地块空间形态，构建地块空间分布图；

所述第二构建单元，用于识别所述地块空间分布图中的目标作物类型，构建目标作物空间分布图；

所述第一计算处理单元，用于根据所述目标作物空间分布图，利用卫星数据反演第一作物叶面积指数；

所述第二计算处理单元，用于利用无人机近地面采集不同作物的作物光谱，计算第二作物叶面积指数；

所述第一训练标签库建立单元，用于利用所述第一作物叶面积指数与所述第二作物叶面积指数建立第一训练标签库；

所述第一映射关系模型建立单元，用于确定所述第一作物叶面积指数与所述第二作物叶面积指数之间的第一映射关系，根据所述第一映射关系建立第一映射关系模型；

所述第一模型训练单元，用于利用所述第一训练标签库对所述第一映射关系模型进行训练，得到第一作物叶面积指数转化模型；

所述第一生成单元，用于将所述第一作物叶面积指数输入到所述利用所述第一作物叶面积指数转化模型，生成转化后的第三作物叶面积指数。

第三方面，本公开提供了一种电子设备，包括：

处理器和存储器；

所述存储器，用于存储计算机操作指令；

所述处理器，用于通过调用所述计算机操作指令，执行所述的作物叶面积指数智能化提取方法。

本发明的有益效果是：本发明通过地块类型，构建地块空间分布图，根据地块空间分布图中的目标作物类型，构建目标作物空间分布图，按照不同的作物，逐类型的利用卫星数据反演作物叶面积指数与利用无人机近地面采集作物光谱计算作物叶面积指数之间的映射关系，建立映射关系模型并对映射关系模型训练，实现了卫星数据反演作物叶面积指数向近地面测量计算作物叶面积指数的智能化转换，实现卫星数据反演作物叶面积指数的校正，克服了卫星数据范围大反演精度不足、近地面反演范围小的问题，实现在作物层面卫星数据反演作物叶面积指数的校正，实现了大范围的、更高精确度的精细尺度作物叶面积指数反演。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述作物叶面积指数智能化提取方法还包括：

地面采集各个所述地块类型的地块的作物光谱，计算第四作物叶面积指数；

利用所述第三作物叶面积指数与所述第四作物叶面积指数建立第二训练标签库；

确定所述第三作物叶面积指数与所述第四作物叶面积指数之间的第二映射关系，根据所述第二映射关系建立第二映射关系模型；

利用所述第二训练标签库对所述第二映射关系模型进行训练，得到第二作物叶面积指数转化模型；

将所述第三作物叶面积指数输入到所述利用所述第二作物叶面积指数转化模型，生成转化后的第五作物叶面积指数。

采用上述进一步方案的有益效果是，通过根据第三作物叶面积指数与所述第四作物叶面积指数之间的第二映射关系建立第二映射关系模型，实现了卫星数据反演作物叶面积指数向近地面测量计算作物叶面积指数智能化转换的基础上，近地面测量计算作物叶面积指数向地面测量计算作物叶面积指数的智能化转换，进一步提高作物叶面积指数反演精度，实现卫星数据反演作物叶面积指数的校正。

进一步，所述根据所述农田遥感影像，确定各个地块的地块类型，包括:

获取农田遥感影像数据库，获取数据库中历史农田遥感影像；

提取所述历史农田遥感影像的空间特征，确定所述历史农田遥感影像的空间特征对应的地块类型；

根据所述历史农田遥感影像的空间特征与所述地块类型，构建空间卷积神经网络模型；

训练所述空间卷积神经网络模型，得到地块类型提取模型；

提取各个地块的当前农田遥感影像的空间特征作为所述地块类型提取模型的输入，得到各个地块的地块类型。

采用上述进一步方案的有益效果是，根据历史农田遥感影像的空间特征，通过构建空间卷积神经网络模型的方式，能够快速、准确的得到各个地块的地块类型。

进一步，所述农田遥感影像的空间特征包括边缘特征与纹理特征；所述地块类型包括耕地、规则梯田与坡耕地。

采用上述进一步方案的有益效果是，根据农田遥感影像的边缘特征与纹理特征，有利于准确获取地块类型，构建地块空间分布图。

进一步，所述根据所述地块类型和地块空间形态，构建地块空间分布图，包括：

根据所述地块类型和地块空间形态，构建第一地块空间分布图；

对所述第一地块空间分布图进行图斑融合处理，得到第二地块空间分布图；

对所述第二地块空间分布图进行平滑处理，重新构建所述第二地块空间分布图，确定第三地块空间分布图。

采用上述进一步方案的有益效果是，通过对第一地块空间分布图进行图斑融合处理，有利于提高农田遥感影像的质量；通过对第二农田数据空间分布图进行平滑处理，有利于将图像中的间断部分连接起来，以及消除图像中的随机噪声。

进一步，所述识别所述地块空间分布图中的目标作物类型，构建目标作物空间分布图，包括：

获取所述地块空间分布图中各个地块的作物的时序特征；

地面采集所述地块空间分布图中各个地块的作物类型数据，并以地面采集的所述作物类型数据作为样本，构建作物类型判别神经网络模型；

利用卫星数据获取计算各个地块的作物的所述时序特征；

将所述时序特征输入所述作物类型判别神经网络模型，确定各个地块的所述作物类型；

根据所有地块的所述目标作物类型，确定所述目标作物空间分布图。

采用上述进一步方案的有益效果是，通过构建作物类型判别神经网络模型，利用作物的时序特征确定各个地块的作物类型，在每类作物的层面分别构建后续的作物叶面积指数获取模型，避免了构建统一的叶面积指数的反演模型精度受限的弊端，有利于实现精细尺度的作物叶面积指数反演。

进一步，所述作物的时序特征包括地块尺度的归一化植被指数、增强型植被指数、陆表水体指数与绿度归一化植被指数。

采用上述进一步方案的有益效果是，根据作物的时序特征，能够准确的确定各个地块的作物类型。

附图说明

图1为本发明实施例1中作物叶面积指数智能化提取方法的流程图；

图2为本发明实施例2中作物叶面积指数智能化提取装置的示意图；

图3为本发明实施例3中一种电子设备的原理图。

图标：30-电子设备；310-处理器；320-总线；330-存储器；340-收发器。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

实施例1

作为一个实施例，如附图1所示，为解决上述技术问题，本实施例提供作物叶面积指数智能化提取方法，包括如下步骤：

获取农田遥感影像，收集时序遥感数据；

根据农田遥感影像，确定各个地块的地块类型；

根据地块类型，构建地块空间分布图；

识别地块空间分布图中的目标作物类型，构建目标作物空间分布图；

根据目标作物空间分布图，利用卫星数据反演第一作物叶面积指数；

利用无人机近地面采集不同作物的作物光谱，计算第二作物叶面积指数；利用第一作物叶面积指数与第二作物叶面积指数建立第一训练标签库；

确定第一作物叶面积指数与第二作物叶面积指数之间的第一映射关系，根据第一映射关系建立第一映射关系模型；

利用第一训练标签库对第一映射关系模型进行训练，得到第一作物叶面积指数转化模型；

将第一作物叶面积指数输入到利用第一作物叶面积指数转化模型，生成转化后的第三作物叶面积指数。

本发明的有益效果是：本发明通过地块类型，构建地块空间分布图，根据地块空间分布图中的目标作物类型，构建目标作物空间分布图，按照不同的作物类型，逐类型的利用卫星数据反演作物叶面积指数与利用无人机近地面采集作物光谱计算作物叶面积指数之间的映射关系，建立映射关系模型并对映射关系模型训练，实现了卫星数据反演作物叶面积指数向近地面测量计算作物叶面积指数的智能化转换，实现卫星数据反演作物叶面积指数的校正，克服了卫星数据范围大反演精度不足、近地面反演范围小的问题，实现了大范围的、高精确度的精细尺度的作物叶面积指数反演。

可选的，农田遥感影像为亚米级卫星遥感影像。选取的卫星数据可以是哨兵2号、高分1号等中分数据。

可选的，作物叶面积指数智能化提取方法还包括：

地面采集各个地块类型的地块的作物光谱，计算第四作物叶面积指数；

利用第三作物叶面积指数与第四作物叶面积指数建立第二训练标签库；

确定第三作物叶面积指数与第四作物叶面积指数之间的第二映射关系，根据第二映射关系建立第二映射关系模型；

利用第二训练标签库对第二映射关系模型进行训练，得到第二作物叶面积指数转化模型；

将第三作物叶面积指数输入到利用第二作物叶面积指数转化模型，生成转化后的第五作物叶面积指数。

在实际应用过程中，可选的，第一映射关系模型与第二映射关系模型均为基于attention机制的神经网络模型。利用无人机近地面采集各个地块类型的地块的作物光谱不限于采用无人机和架设仪器的方式，地面采集各个地块类型的地块的作物光谱的仪器不限定于LAI2000或ASD。利用卫星数据反演第一作物叶面积指数，利用利用无人机近地面采集的方式计算第二作物叶面积指数，利用地面采集的方式计算第二作物叶面积指数，实现了卫星数据到近地面数据转化，以及近地面数据到地面数据的转化，按照不同的作物类型，逐类型的两次转化，实现卫星数据反演作物叶面积指数的校正，克服了卫星数据范围大反演精度不足、近地面作物叶面积指数反演以及地面作物叶面积指数反演范围小的问题，实现在作物层面卫星数据反演作物叶面积指数的校正，实现了大范围的、高精确度的精细尺度的作物叶面积指数反演。

可选的，根据农田遥感影像，确定各个地块的地块类型，包括:

获取农田遥感影像数据库，获取数据库中历史农田遥感影像；

提取所述历史农田遥感影像的空间特征，确定所述历史农田遥感影像的空间特征对应的地块类型；

根据所述历史农田遥感影像的空间特征与所述地块类型，构建空间卷积神经网络模型；

训练所述空间卷积神经网络模型，得到地块类型提取模型；

提取各个地块的当前农田遥感影像的空间特征作为所述地块类型提取模型的输入，得到各个地块的地块类型。

在实际应用过程中，农田遥感影像首先依赖于地形、道路网以及水系网等自然存在或人工构建的线状地物；其次，根据边缘特征提取规则耕地和梯田对应的地块，利用纹理模型提取坡耕地对应的地块。

地块类型提取模型可描述为下式：

其中，X

可选的，农田遥感影像的空间特征包括边缘特征与纹理特征；地块类型包括耕地、规则梯田与坡耕地。

在实际应用过程中，规则耕地指的是位于坡度小于3度的平坦区域且具有明显长边和短边的农田；梯田指位于坡度在3-10度的山坡区域且具有长边的农田；坡耕地指的是可能存在于坡度在3度以上的山坡区或山地区且没有明显边界的农田。

可选的，根据地块类型，构建地块空间分布图，包括：

根据地块类型，构建第一地块空间分布图；

对第一地块空间分布图进行图斑融合处理，得到第二地块空间分布图；

对第二地块空间分布图进行平滑处理，重新构建第二地块空间分布图，确定第三地块空间分布图。

在实际应用过程中，可选的，在对第一地块空间分布图进行图斑融合处理得到第二地块空间分布图后，使用遥感影像空间分辨率整数倍(如四倍)的数值对第二地块空间分布图进行全域平滑，重新构建全区域的农田分布图，得到第三地块空间分布图。

可选的，识别地块空间分布图中的作物类型，构建作物空间分布图，包括：

获取地块空间分布图中各个地块的作物的时序特征；

地面采集地块空间分布图中各个地块的作物类型数据，并以地面采集的作物类型数据作为样本，构建作物类型判别神经网络模型；

利用卫星数据获取计算各个地块的作物的所述时序特征；

将时序特征输入作物类型判别神经网络模型，确定各个地块的作物类型；

根据所有地块的目标作物类型，确定目标作物空间分布图。

在实际应用过程中，作物类型判别神经网络模型基于多层LSTM单元构建，将作物的时序特征输入到该时序神经网络模型中，实现作物类型的识别，以及将地块按照作物类型的划分，得到空间分布图对应的所有区域的作物空间分布图。通过构建作物类型判别神经网络模型，利用作物的时序特征确定各个地块的作物类型，在每类作物的层面分别构建后续的作物叶面积指数获取模型，避免了构建统一的叶面积指数的反演模型精度受限的弊端，有利于实现精细尺度的作物叶面积指数反演。

可选的，作物的时序特征包括但不限于地块尺度的归一化植被指数(NDVI)、增强型植被指数(EVI)、陆表水体指数(LSWI)与绿度归一化植被指数(GNDVI)。

可选的，各时序特征的计算方式如下：

其中，B为蓝光波段的反射率，G为绿光波段的反射率，R为红光波段的反射率，NIR为近红外波段的反射率，SWIRI为短波红外波段的反射率。

实施例2

基于与本发明的实施例1中所示的方法相同的原理，如附图2所示，本发明的实施例中还提供了物叶面积指数智能化提取装置，包括第一获取单元、第一确定单元、第一构建单元、第二构建单元、第一计算处理单元、第二计算处理单元、第一训练标签库建立单元、第一映射关系模型建立单元、第一模型训练单元以及第一生成单元：

第一获取单元，用于获取农田遥感影像，收集时序遥感数据；

第一确定单元，用于根据农田遥感影像，确定各个地块的地块类型；

第一构建单元，用于根据地块类型，构建地块空间分布图；

第二构建单元，用于识别地块空间分布图中的目标作物类型，构建目标作物空间分布图；

第一计算处理单元，用于根据目标作物空间分布图，利用卫星数据反演第一作物叶面积指数；

第二计算处理单元，用于利用无人机近地面采集不同作物的作物光谱，计算第二作物叶面积指数；

第一训练标签库建立单元，用于利用第一作物叶面积指数与第二作物叶面积指数建立第一训练标签库；

第一映射关系模型建立单元，用于确定第一作物叶面积指数与第二作物叶面积指数之间的第一映射关系，根据第一映射关系建立第一映射关系模型；

第一模型训练单元，用于利用第一训练标签库对第一映射关系模型进行训练，得到第一作物叶面积指数转化模型；

第一生成单元，用于将第一作物叶面积指数输入到利用第一作物叶面积指数转化模型，生成转化后的第三作物叶面积指数。

可选的，该作物叶面积指数智能化提取装置还包括：

第三计算处理单元，用于地面采集各个地块类型的地块的作物光谱，计算第四作物叶面积指数；

第二训练标签库建立单元，利用第三作物叶面积指数与第四作物叶面积指数建立第二训练标签库；

第二映射关系模型建立单元，用于确定第三作物叶面积指数与第四作物叶面积指数之间的第二映射关系，根据第二映射关系建立第二映射关系模型；

第二模型训练单元，用于利用第二训练标签库对第二映射关系模型进行训练，得到第二作物叶面积指数转化模型；

第二生成单元，用于将第三作物叶面积指数输入到利用第二作物叶面积指数转化模型，生成转化后的第五作物叶面积指数。

可选的，第一确定单元包括:

第二获取单元，用于获取农田遥感影像数据库，获取数据库中历史农田遥感影像；

第一确定子单元，用于提取历史农田遥感影像的空间特征，确定历史农田遥感影像的空间特征对应的地块类型；

模型构建单元，用于根据农田遥感影像的空间特征与地块类型，构建空间卷积神经网络模型；

第三模型训练单元，用于训练空间卷积神经网络模型，得到地块类型提取模型；

第二确定子单元，用于提取各个地块的农田遥感影像的空间特征作为地块类型提取模型的输入，得到各个地块的地块类型。

可选的，第一构建单元包括：

第一构建单元子单元，用于根据地块类型，构建第一地块空间分布图；

第一图像处理单元，用于对第一地块空间分布图进行图斑融合处理，得到第二地块空间分布图；

第二图像处理单元，用于对第二农田数据空间分布图进行平滑处理，重新构建第二农田数据空间分布图，确定第三农田数据空间分布图。

可选的，第二构建单元包括：

第三获取单元，用于获取地块空间分布图中各个地块的作物的时序特征；

第二构建单元子单元，用于地面采集地块空间分布图中各个地块的作物类型数据，并以地面采集的作物类型数据作为样本，构建作物类型判别神经网络模型；

第四获取单元，用于利用卫星数据获取计算各个地块的作物的所述时序特征；

第二确定单元，用于将时序特征输入作物类型判别神经网络模型，确定各个地块的作物类型；

第三确定单元，用于根据所有地块的目标作物类型，确定目标作物空间分布图。

可选的，农田遥感影像的空间特征包括边缘特征与纹理特征；地块类型包括耕地、规则梯田与坡耕地。

可选的，作物的时序特征包括地块尺度的归一化植被指数、增强型植被指数、陆表水体指数与绿度归一化植被指数。

实施例3

基于与本发明的实施例中所示的方法相同的原理，本发明的实施例中还提供了一种电子设备，如附图3所示，该电子设备，可以包括但不限于：

处理器和存储器；存储器，用于存储计算机操作指令；处理器，用于通过调用计算机操作指令执行本发明任一实施例所示的方法。

在一个可选实施例中提供了一种电子设备，图3所示的电子设备30包括：处理器310和存储器330。其中，处理器310和存储器330相连，如通过总线320相连。

可选地，电子设备30还可以包括收发器340，收发器340可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器340不限于一个，该电子设备30的结构并不构成对本发明实施例的限定。

处理器310可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器310也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线320可包括一通路，在上述组件之间传送信息。总线320可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线320可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器330可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器330用于存储执行本发明方案的应用程序代码(计算机程序)，并由处理器310来控制执行。处理器310用于执行存储器330中存储的应用程序代码，以实现前述方法实施例所示的内容。

以上仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。