一种作物成熟期预测方法、设备及存储介质

技术领域

本申请涉及遥感图像处理技术领域，尤其涉及一种作物成熟期预测方法、设备及计算机可读存储介质。

背景技术

精准农业是基于农田作物和环境的空间差异性，通过各种技术手段来获取农田内不同单元的农田信息，并由此利用变量技术进行农田优化管理，实现生产过程精细化、准确化的农业经营管理系统。遥感信息为精准农业所需空间变异参数的快速、准确、动态获取提供了重要的技术手段。随着遥感技术的发展，其在精准农业领域发挥着越来越重要的作用。基于遥感数据获取作物成熟度信息，制定收割顺序，是遥感在精准农业中的一个重要应用领域。合理预测作物收获时间，避免不利因素影响，不仅有助于提高农产品的品质和产量，同时还可以指导农业机械进行合理的调度安排，这对规模化作物种植区域的机械化收割有重要意义。

传统方法对作物成熟的判断主要是依据叶片的颜色、结构及冠层结构等作物特征进行主观解译，无法在大范围适用，且易引入主观判断的误差。一些作物成熟期预测方法逐渐被研究，目前已有的研究大致可以分为以下三类：一是基于气象统计的作物成熟期预测，这种方法简单易用，只需要较少的气象数据(如温度、降水等)就可以开展预测，但其存在无法进行田块尺度精细化估算的缺点，同时其建立的统计模型通常难以在区域之间推广；二是基于作物生长模型的作物成熟期预测，这种模型对于单点区域通常精度较高，但其模拟过程中所需要的土壤、作物、气象等相关参数信息造成其巨大的工作量，进而限制了其应用和在区域上的推广；三是基于卫星遥感影像的作物成熟期预测这种方法现有的模型对遥感数据的时空分辨率有较高的要求，使用的数据大多是中低空分辨率的时序植被指数数据，其效果通常难以满足实际需求，并且大多研究对时序数据的完整性要求高，导致其预测结果往往具有“事后”性，某些研究中，通过参照相同作物在同一地块的之前年份的生长情况来达到提前预测今年的作物成熟期的目的，但是这种方式依赖于同一种作物在同一个地块有进行连续耕种，如果之前的年份未种相同作物，则难以进行当年的预测。

发明内容

本申请的主要目的在于提供一种作物成熟期预测方法、设备及计算机可读存储介质，旨在构建作物标准生化参量变化曲线参照库选取最佳参照曲线，不依赖往年遥感数据及同一地块的连续耕种数据对作物成熟期进行预测。

第一方面，本申请提供一种作物成熟期预测方法，所述作物成熟期预测方法包括以下步骤：

获取遥感影像数据，对所述遥感影像数据进行影像预处理，得到实际反射率值，所述遥感影像数据包括哨兵2号影像数据和陆地卫星8影像数据；

对所述实际反射率值进行生化参量反演，得到第一生化参量数据，对所述第一生化参量数据进行时间序列谐波分析，得到生化参量变化曲线；

获取第二生化参量数据，对所述第二生化参量数据进行时间序列谐波分析，得到标准生化参量变化曲线参照库，在所述标准生化参量变化曲线参照库范围内选取与所述生化参量变化曲线相匹配的最佳参照曲线，以预测作物成熟期。

第二方面，本申请提供了一种作物成熟期预测装置，所述作物成熟期预测装置包括：

预处理模块：用于获取遥感影像数据，对所述遥感影像数据进行影像预处理，得到实际反射率值，所述遥感影像数据包括哨兵2号影像数据和陆地卫星8影像数据；

反演分析模块：用于根据所述实际反射率值进行生化参量反演，得到第一生化参量数据，对所述第一生化参量数据进行时间序列谐波分析，得到生化参量变化曲线；

参照预测模块：用于获取第二生化参量数据，对所述第二生化参量数据进行时间序列谐波分析，得到生化参量变化曲线参照库，在所述生化参量变化曲线参照库范围内选取与所述生化参量变化曲线相匹配的最佳参照曲线，以预测作物成熟期。

第三方面，本申请还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的作物成熟期预测方法的步骤。

第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的作物成熟期预测方法的步骤。

本申请提供一种作物成熟期预测方法、设备及计算机可读存储介质，方法包括：获取遥感影像数据，对所述遥感影像数据进行影像预处理，得到实际反射率值，所述遥感影像数据包括哨兵2号影像数据和陆地卫星8影像数据；对所述实际反射率值进行生化参量反演，得到第一生化参量数据，对所述第一生化参量数据进行时间序列谐波分析，得到生化参量变化曲线；获取第二生化参量数据，对所述第二生化参量数据进行时间序列谐波分析，得到标准生化参量变化曲线参照库，在所述标准生化参量变化曲线参照库范围内选取与所述生化参量变化曲线相匹配的最佳参照曲线，以预测作物成熟期。本申请通过采用具有相近空间分辨率和光谱特征的哨兵2号影像和陆地卫星8影像两种数据，无需额外进行时空融合，避免了较大的尺度差异带来巨大误差，更好的兼顾了高空间和高时间分辨率；通过时间序列谐波分析方法建立标准生化参量变化曲线参照库并匹配最佳参照曲线以对作物成熟期进行预测，无需依赖往年遥感数据以及同一地块的连续耕种数据，即可对作物成熟期进行预测，并且距离成熟期越近预测精度越高，从而实现动态预测的过程。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种作物成熟期预测方法的流程示意图；

图2为本申请实施例提供的一种叶片光谱特征曲线图；

图3为本申请实施例提供的一种生化参量变化曲线匹配示意图；

图4为本申请实施例提供的一种作物生化参量积累量及参照积累量示意图；

图5为本申请实施例提供的一种马铃薯成熟期预测方法的流程示意图；

图6为本申请实施例提供的一种作物成熟期预测装置的结构示意图；

图7为本申请一实施例涉及的计算机设备的结构示意框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参照图1-图4，图1为本申请的一实施例提供的作物成熟期预测方法的流程示意图；图2为本申请实施例提供的一种叶片光谱特征曲线图；图3为本申请实施例提供的一种生化参量变化曲线匹配示意图；图4为本申请实施例提供的一种作物生化参量积累量及参照积累量示意图。

如图1所示，该作物成熟期预测方法包括步骤S110至步骤S130。

S110、获取遥感影像数据，对所述遥感影像数据进行影像预处理，得到实际反射率值，所述遥感影像数据包括哨兵2号影像数据和陆地卫星8影像数据。

在一些实施例中，获取遥感影像数据，对所述遥感影像数据进行影像预处理，得到实际反射率值，所述遥感影像数据包括哨兵2号影像数据和陆地卫星8影像数据，包括：获取遥感影像数据，所述遥感影像数据包括哨兵2号影像数据和陆地卫星8影像数据；对所述遥感影像数据进行时空筛选、辐射校正及去云处理，并对所述陆地卫星8影像数据进行全色-多光谱融合处理，得到实际反射率值。

遥感影像数据根据作物的分布区域进行筛选，得到本年度作物生长周期内所有可获取的Sentinel-2（哨兵2号）影像和Landsat-8（陆地卫星8）影像。对两种数据均进行辐射校正（辐射定标、大气校正等），使之原始DN值（遥感影像像元亮度值）表示地表反射率值，并利用云掩膜波段对云层覆盖区域进行掩膜，其中对于Landsat-8数据，进一步将其全色波段和多光谱波段进行融合，以提高其多光谱波段空间分辨率。通过对获取的遥感影像数据进行上述预处理操作，初步得到地表反射率值即实际反射率值，以进行后续生化参量反演操作。

示例性的，将Landsat-8影像数据的全色波段和多光谱波段进行融合，其多光谱波段空间分辨率可提升至15m。图像融合是指将多源遥感图像按照一定的算法，在规定的地理坐标系，生成新的图像的过程。全色图像一般具有较高的空间分辨率，多光谱图像光谱信息较丰富，为提高多光谱图像的空间分辨率，可以将全色图像融合进多光谱图像，从而既提高多光谱图像的空间分辨率，又保留了其多光谱特性。

示例性的，上述过程可以在SNAP软件或ENVI软件等进行实现。

S120、对所述实际反射率值进行生化参量反演，得到第一生化参量数据，对所述第一生化参量数据进行时间序列谐波分析，得到生化参量变化曲线。

在一些实施例中，所述生化参量包括叶绿素含量和叶片含水量。如图2所示，叶绿素含量和含水量通过影响光子在叶片内的散射和吸收来改变叶片的光谱特征。叶绿素含量和含水量通常无法通过前向过程获得解析解，但可以通过将叶片模型与冠层模型耦合，进而利用冠层的反射率数据反演得到其含量。

在一些实施例中，根据所述实际反射率值进行生化参量反演，得到第一生化参量数据，包括：获取地面观测数据，根据所述地面观测数据分别构建各时相下基于生化参量的模拟反射率值查找表；将所述查找表中的各模拟反射率值与同一时相下的所述实际反射率值进行比较，得到反射率差值；对所述查找表选取前x个最小的所述反射率差值，将对应的x组生化参量数据取平均值，作为反演的第一生化参量数据，其中x为不小于1的正整数。

所述构建基于各生化参量的模拟反射率值查找表采用辐射传输模型或几何光学模型实现，如采用PROSAIL物理模型或线性回归模型。PROSAIL物理模型在不同的空间分辨率遥感影像上具有很好好的稳定性。PROSAIL模型是一种由PROSPECT模型和SAIL模型耦合而成的模型，因而能同时从叶片尺度和冠层尺度去刻画作物的特性。

本实施例采用PROSAIL模型构建模拟反射率值查找表。对于每一期次反演，在实际操作中，模型构建中所需要的众多参数可通过不同的仪器获取，其中，利用植被冠层分析仪测量叶面积指数LAI和平均叶倾角ALIA，利用叶绿素含量测定仪测量叶绿素含量LCC，而便携式光谱仪则用于从地面采集作物的冠层光谱Rp和土壤反射率Rs，叶片含水量测量仪用于测量叶片含水量Cw，此外通过RTK测量系统和厘米级差分定位服务，定位每个采样点位置，而采集时间最大可能保证和Sentinel-2、Landsat-8卫星过境时间同步进行，这样模型所需的参数太阳天顶角SZA、观测天顶角OZA、相对方位角rAA则可以通过卫星数据的头文件获取，其他参数包括棕色素Cb、类胡萝卜素Car、干物质含量Cm、热点Hot、叶片结构参数N则根据先验知识和相关文献资料设置一定的梯度值。然后将上述参数作为PROSAIL模型的输入参数，构建含水量、叶绿素含量与反射率之间对应关系的查找表，即模拟反射率值查找表。

在模拟反射率值查找表构建完成后，比较模拟反射率值与实际反射率值（S110步骤得到）之间的差异，其差异越小表示其在查找表中对应的生化参量数据越接近真实值。最终选取差异最小的部分数据所对应的生化参量数据求取平均值作为当前时相的反演结果。最终反演得到不同时相的生化参量数据。

示例性的，所述模拟反射率值与实际反射率值之间的差异通过其差值的平方函数Y来刻画，其公式如下：

其中，

在一些实施例中，对所述第一生化参量数据进行时间序列谐波分析，得到生化参量变化曲线，包括：将各时相的所述第一生化参量数据统一重采样后，按时间顺序进行数据堆栈，得到时序生化参量数据；对所述时序生化参量数据进行时间序列谐波分析处理，得到连续时序生化参量数据及生化参量变化曲线。

以往的研究表明，Landsat-8和Sentinel-2数据的表观反射率总体上非常相近，且在地表覆盖越单一的区域，其差异越小，因而两种数据对应波段在通常情况下不需要做数据转换，并且两种数据的空间分辨率相近，避免了数据间较大的尺度差异产生的巨大误差。

示例性的，将反演的不同时相的所述生化参量数据统一重采样至15m空间分辨率。Sentinel-2数据的双星互补，其时间分辨率可达到5天，Landsat-8数据时间分辨率为16天。将Landsat-8和Sentinel-2数据反演的不同时相的生化参量数据统一重采样至15m空间分辨率，按时间顺序对各生化参量图层分别进行数据堆栈，以使时间分辨率进一步提高。

示例性的，NASA/USGS于2020年发布的HLS(Harmonized Landsat Sentinel-2)数据集，既是在Landsat-8 和Sentinel-2数据的基础上处理而成，其时间分辨率提高至2-3天。

在一些实施例中，时间序列谐波分析包括：根据离散的所述时序生化参量数据生成最小平方拟合曲线，并将所述时序生化参量数据与所述拟合曲线进行比较，剔除偏离量超过预设阈值的所述生化参量数据；基于剩余的所述生化参量数据，重复所述生成最小平方拟合曲线并剔除偏离量超过预设阈值的所述生化参量数据的步骤，直至所有的所述生化参量数据值与所述拟合曲线的偏离量均不超过阈值范围，得到生化参量变化曲线；根据所述生化参量变化曲线，获取特定时间分辨率的连续时序生化参量数据。

时间序列谐波分析法（Harmonic Analysis of Time Series，HANTS）是平滑和滤波两种方法的综合，它能够充分利用遥感图像存在时间性和空间性的特点，将其空间上的分布规律和时间上的变化规律联系起来。时间序列谐波分析法进行影像重构时充分考虑了植被生长周期性和数据本身的双重特点，能够用代表不同生长周期的植被频率曲线重新构建时序影像，真实反映植被的周期性变化规律。其核心算法是傅里叶变换和最小二乘法拟合，但是对时序图像的要求不像快速傅立叶变换（FFT）那么严格，它可以是不等时间间隔的影像。因此HANTS在频率和时间系列长度的选择上具有更大的灵活性。

在实际操作中，经过数据堆栈后的生化参量数据，由于受到云的干扰，存在一定的数据空洞，并其2-3天的时间分辨率仍需要进一步提高，以满足更加精细化的成熟期预测需求。通过HANTS方法，首先由所有的离散数据量生成最小平方拟合曲线，然后检查每一个数据值，将它与曲线进行比较，其中偏离量超过阈值最大的点最先剔除，之后根据剩余的采样点重新生成拟合曲线，再检查每个数据值, 剔除偏离曲线值超过阈值的点，如此反复循环，直到所有的点不超过阈值范围。

示例性的，通过将时间间隔参数设为n天，最终获取时间分辨率为n天的连续时序生化参量数据；典型的，将时间间隔参数设置为1天，最终获取时间分辨率为1天的连续叶绿素含量和含水量时序数据，即每个像素点对应位置的叶绿素含量变化曲线s_chl和含水量变化曲线s_water。

S130、获取第二生化参量数据，对所述第二生化参量数据进行时间序列谐波分析，得到标准生化参量变化曲线参照库，在所述标准生化参量变化曲线参照库范围内选取与所述生化参量变化曲线相匹配的最佳参照曲线，以预测作物成熟期。

在一些实施例中，获取第二生化参量数据，对所述第二生化参量数据进行时间序列谐波分析，得到标准生化参量变化曲线参照库，包括：获取地面观测的第二生化参量数据，所述第二生化参量数据包括多组不同生长周期的时序生化参量数据；对所述各组时序生化参量数据分别进行时间序列谐波分析处理，得到各生长周期的标准生化参量变化曲线；对各生长周期的所述标准生化参量变化曲线进行汇总，得到标准生化参量变化曲线参照库。

通过地面仪器的多年连续观测，获取作物从播种到成熟过程中不同生长时期的叶绿素含量和含水量的地面观测数据，然后同样通过HANTS方法对叶绿素含量和含水量的时序观测数据进行处理，获取标准的作物生长过程叶绿素含量和含水量变化曲线，进而汇总不同年份不同观测点的作物叶绿素含量和含水量变化曲线，分别形成预测作物成熟期的叶绿素含量变化曲线参照库LS_chl和含水量变化曲线参照库LS_water。

示例性的，时间序列谐波分析包括：根据离散的所述时序生化参量数据生成最小平方拟合曲线，并将所述时序生化参量数据与所述拟合曲线进行比较，剔除偏离量超过预设阈值的所述生化参量数据；基于剩余的所述生化参量数据，重复所述生成最小平方拟合曲线并剔除偏离量超过预设阈值的所述生化参量数据的步骤，直至所有的所述生化参量数据值与所述拟合曲线的偏离量均不超过阈值范围，得到生化参量变化曲线；根据所述生化参量变化曲线，获取特定时间分辨率的连续时序生化参量数据。根据所述生化参量变化曲线，将时间间隔参数设为n天，以获取时间分辨率为n天的连续时序生化参量数据，其中n为不小于1的正整数。优选的，设置n为1天。

在一些实施例中，在所述标准生化参量变化曲线参照库范围内选取与所述生化参量变化曲线相匹配的最佳参照曲线，以预测作物成熟期，包括：根据所述生化参量变化曲线在所述生化参量变化曲线参照库中选取相似度最高的最佳参照曲线，根据所述最佳参照曲线计算所述生化参量的参照累积量；根据所述生化参量变化曲线计算作物当前的生化参量累积量，并计算由所述生化参量累积量达到所述参照累积量水平所需的时间，以预测作物的成熟期。

由于作物在不同年份生长过程中存在物候差异，因而直接参照往年的作物生长过程中的时序特征（如以往年的时序叶绿素含量）来进行本年度的作物成熟期的预测势必会产生巨大误差。为了削弱这种误差，提高作物成熟期预测的精度，本实施例采用时间序列规整方法（DTW）将上述处理得到的叶绿素含量变化曲线s_chl、含水量变化曲线s_water分别与叶绿素含量变化曲线参照库LS_chl、含水量变化曲线参照库LS_water中各变化曲线逐一进行匹配，得到分别与s_chl和s_water相似性度量结果最高的参照变化曲线作为最佳参照曲线S_chl和S_water。生化参量变化曲线匹配示意图如图3所示。

如图4所示，根据匹配得到的最佳参照曲线S_chl和S_water，可以通过积分计算作物从播种到成熟整个生长过程中所要达到的总体叶绿素累积量SUM_chl和总体含水量累积量SUM_water，以作为参照累积量；同时通过对s_chl和s_water进行积分计算，可以得到截至当前时刻作物生长过程中的实际叶绿素累积量sum_chl和实际含水量累积量sum-water；因此s_chl和s_water从当前时刻到成熟时刻需要的剩余叶绿素累积量rem_chl和剩余含水量累积量rem_water则可表示为：

当作物的叶绿素累积量和含水量累积量同时达到了参照水平，即达到了成熟期。由于在上述过程中已经为s_chl和s_water分别匹配了相似度最高的最佳参照曲线S_chl和S_water，因此s_chl与S_chl、s_water与S_water间的变化趋势十分相近，故只需判断S_chl的叶绿素累积量和S_water的含水量累积量由当前时刻水平sum_chl和sum-water均达到SUM_chl和SUM_water水平所需要的时间，即S_chl和S_water由sum_chl和sum-water水平截止时刻开始计算，到二者均实现rem_chl和rem_water的剩余累积量所需的时间。

假设在S_chl上的叶绿素含量和在S_water上的含水量达到与当前时刻实际叶绿素累积量sum_chl和实际含水量累积量sum-water相同时的时刻分别为t1和t2，那么从t1和t2时刻开始，作物的叶绿素含量和含水量分别在S_chl和S_water上的累积量均达到rem_chl和rem_water后所对应的日期可被认为是作物的成熟日期。具体的，可用如下公式表述为：

其中，

在实际操作中，通过地面仪器的多年观测数据，获取作物不同生长周期的生化参量数据，通过HANTS方法对其时序观测数据进行处理，获取作物生长过程中的标准生化参量变化曲线，并建立各生长周期的标准生化参量变化曲线参照库，以此作为时序遥感影像预测作物成熟期的参照，当作物生化参量累积量同时达到了参照水平，即达到了成熟期。这种方式不依赖于往年遥感数据，并且不需要同一种作物在同一个地块有进行连续耕种。

通过反演本年度连续时序生化参量数据，在建立的标准生化参量变化曲线参照库范围内匹配最佳参照曲线，当本年度生化参量数据达到参照水平时，即到达了成熟期，由此达到成熟期预测的目的。这种方式在距离成熟期越近（即时序数据越完成）预测精度越高，从而实现动态预测的过程。

本申请通过采用具有相近空间分辨率和光谱特征的哨兵2号影像和陆地卫星8影像两种数据，无需额外进行时空融合，避免了较大的尺度差异带来巨大误差，更好的兼顾了高空间和高时间分辨率；通过时间序列谐波分析方法建立标准生化参量变化曲线参照库并匹配最佳参照曲线以对作物成熟期进行预测，无需依赖往年遥感数据以及同一地块的连续耕种数据，即可对作物成熟期进行预测，并且距离成熟期越近预测精度越高，从而实现动态预测的过程。

请参考图5，图5为本申请的一实施例提供的马铃薯成熟期预测方法的流程示意图。

如图5所示，该马铃薯成熟期预测方法包括以下步骤。

根据马铃薯的分布区域和生长周期，筛选出本年度马铃薯生长周期内所有可获取的Sentinel-2影像和Landsat-8影像。对两种数据均进行辐射校正，使之像素值表示地表反射率值，并利用云掩膜波段对云层覆盖区域进行掩膜，其中对于Landsat-8数据，进一步将其全色波段和多光谱波段进行融合，使其多光谱波段空间分辨率提升至15m。

通过PROSAIL模型构建基于叶片含水量和叶绿素含量的查找表，然后比较模拟反射率值与实际反射率值之间的差异，其差异越小表示其对应的叶绿素含量和叶片含水量越接近真实值。此处通过其差值的平方函数Y来刻画这种差异，其公式如下：

其中，

将Landsat-8和Sentinel-2数据反演的不同时相的叶绿素含量和叶片含水量数据统一重采样至15m空间分辨率，按时间顺序对叶绿素含量图层和叶片含水量图层分别进行数据堆栈，以使时间分辨率进一步提高。

经过数据堆栈后的叶绿素含量数据和叶片含水量数据，通过HANTS方法，首先由所有的离散数据量生成最小平方拟合曲线，然后检查每一个数据值，将它与曲线进行比较。其中偏离量超过阈值最大的点最先剔除, 然后根据剩余的采样点重新生成拟合曲线，再检查每个数据值, 再剔除偏离曲线值超过阈值的点。如此反复循环，直到所有的点不超过阈值范围，得到生化参量变化曲线。将时间间隔参数设置为1天，最终获取时间分辨率为1天的连续叶绿素含量和含水量时序数据，即每个像素点对应位置的叶绿素含量变化曲线和含水量变化曲线。

通过地面仪器的多年连续观测，获取马铃薯从播种到成熟过程中不同生长时期的叶绿素含量和含水量的地面观测数据，然后同样通过HANTS方法对叶绿素含量和含水量的时序观测数据进行处理，获取标准的马铃薯生长过程叶绿素含量和含水量变化曲线，进而汇总不同年份不同观测点的马铃薯叶绿素含量和含水量变化曲线，分别形成预测马铃薯成熟期的叶绿素含量变化曲线参照库和含水量变化曲线参照库。

采用时间序列规整方法将上述处理得到的叶绿素含量变化曲线s_chl、含水量变化曲线s_water分别与叶绿素含量变化曲线参照库、含水量变化曲线参照库中各变化曲线逐一进行匹配，得到分别与s_chl和s_water相似性度量结果最高的参照变化曲线作为最佳参照曲线，即叶绿素含量变化曲线最佳参照曲线S_chl和含水量变化曲线最佳参照曲线S_water。

根据最佳参照曲线S_chl和S_water积分计算，得到马铃薯从播种到成熟整个生长过程中所要达到的总体叶绿素累积量SUM_chl和总体含水量累积量SUM_water；同时通过对s_chl和s_water进行积分计算，得到截至当前时刻马铃薯生长过程中的实际叶绿素累积量sum_chl和实际含水量累积量sum-water；因此s_chl和s_water从当前时刻到成熟时刻需要的剩余叶绿素累积量rem_chl和剩余含水量累积量rem_water则可表示为：

假设在S_chl上的叶绿素含量和在S_water上的含水量达到与当前时刻实际叶绿素累积量sum_chl和实际含水量累积量sum-water相同时的时刻分别为t1和t2，那么从t1和t2时刻开始，马铃薯的叶绿素含量和含水量分别在S_chl和S_water上的累积量均达到rem_chl和rem_water后所对应的日期可被认为是马铃薯的成熟日期。具体的，可用如下公式表述为：

其中，

由此在T时间后，马铃薯叶绿素累积量和含水量累积量同时达到了参照水平，即达到了成熟期。

该方法通过反演本年度已有时序数据的叶绿素含量和含水量，通过谐波分析获取连续时序数据，通过地面观测数据建立标准叶绿素含量和含水量的变化曲线参照库，进而匹配最佳参照曲线，达到成熟期预测的目的。这种方式在距离成熟期越近（即时序数据越完整）预测精度越高，从而实现动态预测。

请参照图6，图6为本申请的一实施例提供的作物成熟期预测装置的结构示意图。

如图6所示，该作物成熟期预测装置包括预处理模块10、反演分析模块20、参照预测模块30。

预处理模块10：用于获取遥感影像数据，对所述遥感影像数据进行影像预处理，得到实际反射率值，所述遥感影像数据包括哨兵2号影像数据和陆地卫星8影像数据；

反演分析模块20：用于对所述实际反射率值进行生化参量反演，得到第一生化参量数据，对所述第一生化参量数据进行时间序列谐波分析，得到生化参量变化曲线；

参照预测模块30：用于获取第二生化参量数据，对所述第二生化参量数据进行时间序列谐波分析，得到标准生化参量变化曲线参照库，在所述标准生化参量变化曲线参照库范围内选取与所述生化参量变化曲线相匹配的最佳参照曲线，以预测作物成熟期。

在一些实施例中，所述预处理模块10包括：

影像获取单元：用于获取遥感影像数据，所述遥感影像数据包括哨兵2号影像数据和陆地卫星8影像数据；

影像处理单元：用于对所述遥感影像数据进行时空筛选、辐射校正及去云处理，并对所述陆地卫星8影像数据进行全色-多光谱融合处理，得到实际反射率值。

在一些实施例中，所述反演分析模块20包括：

查找表构建单元：用于获取地面观测数据，根据所述地面观测数据分别构建各时相下基于生化参量的模拟反射率值查找表；

差值构建单元：用于将所述查找表中的各模拟反射率值与同一时相下的所述实际反射率值进行比较，得到反射率差值；

反演子单元：用于对所述查找表选取前x个最小的所述反射率差值，将对应的x组生化参量数据取平均值，作为反演的第一生化参量数据，其中x为不小于1的正整数。

在一些实施例中，所述反演分析模块20还包括：

数据处理单元：用于将各时相的所述第一生化参量数据统一重采样后，按时间顺序进行数据堆栈，得到时序生化参量数据；

时序分析单元：用于对所述时序生化参量数据进行时间序列谐波分析处理，得到连续时序生化参量数据及生化参量变化曲线。

在一些实施例中，所述参照预测模块30包括：

数据获取单元：用于获取地面观测的第二生化参量数据，所述第二生化参量数据包括多组不同生长周期的时序生化参量数据；

时序分析单元：用于对所述各组时序生化参量数据分别进行时间序列谐波分析处理，得到各生长周期的标准生化参量变化曲线；

参照库构建单元：用于对各生长周期的所述标准生化参量变化曲线进行汇总，得到标准生化参量变化曲线参照库。

在一些实施例中，所述参照预测模块30还包括：

参照匹配单元：用于根据所述生化参量变化曲线在所述生化参量变化曲线参照库中选取相似度最高的最佳参照曲线，根据所述最佳参照曲线计算所述生化参量的参照累积量；

成熟期预测单元：用于根据所述生化参量变化曲线计算作物当前的生化参量累积量，并计算由所述生化参量累积量达到所述参照累积量水平所需的时间，以预测作物的成熟期。

在一些实施例中，所述时序分析单元包括：

数据拟合单元：用于根据离散的所述时序生化参量数据生成最小平方拟合曲线，并将所述时序生化参量数据与所述拟合曲线进行比较，剔除偏离量超过预设阈值的所述生化参量数据；

阈值监控单元：用于基于剩余的所述生化参量数据，重复所述生成最小平方拟合曲线并剔除偏离量超过预设阈值的所述生化参量数据的步骤，直至所有的所述生化参量数据值与所述拟合曲线的偏离量均不超过阈值范围，得到生化参量变化曲线；

分别率设定单元：用于根据所述生化参量变化曲线，获取特定时间分辨率的连续时序生化参量数据。

可以理解的，所述作物成熟期预测装置在操作过程中实现前述作物成熟期预测方法。

本申请的作物成熟期预测装置无需额外对获取的影像数据进行时空融合，避免了较大的尺度差异带来巨大误差，更好的兼顾了高空间和高时间分辨率；通过时序构建模块建立标准作物成熟期预测积分模型，无需依赖往年遥感数据以及同一地块的连续耕种数据，即可对作物成熟期进行预测。

请参阅图7，图7为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为服务器或终端。

如图7所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括存储介质和内存储器。

存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种作物成熟期预测方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器为存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种作物成熟期预测方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元 (Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：

获取遥感影像数据，对所述遥感影像数据进行影像预处理，得到实际反射率值，所述遥感影像数据包括哨兵2号影像数据和陆地卫星8影像数据；

对所述实际反射率值进行生化参量反演，得到第一生化参量数据，对所述第一生化参量数据进行时间序列谐波分析，得到生化参量变化曲线；

获取第二生化参量数据，对所述第二生化参量数据进行时间序列谐波分析，得到标准生化参量变化曲线参照库，在所述标准生化参量变化曲线参照库范围内选取与所述生化参量变化曲线相匹配的最佳参照曲线，以预测作物成熟期。

其中，所述获取遥感影像数据，对所述遥感影像数据进行影像预处理，得到实际反射率值，所述遥感影像数据包括哨兵2号影像数据和陆地卫星8影像数据，包括：

获取遥感影像数据，所述遥感影像数据包括哨兵2号影像数据和陆地卫星8影像数据；

对所述遥感影像数据进行时空筛选、辐射校正及去云处理，并对所述陆地卫星8影像数据进行全色-多光谱融合处理，得到实际反射率值。

其中，所述根据所述实际反射率值进行生化参量反演，得到第一生化参量数据，包括：

获取地面观测数据，根据所述地面观测数据分别构建各时相下基于生化参量的模拟反射率值查找表；

将所述查找表中的各模拟反射率值与同一时相下的所述实际反射率值进行比较，得到反射率差值；

对所述查找表选取前x个最小的所述反射率差值，将对应的x组生化参量数据取平均值，作为反演的第一生化参量数据，其中x为不小于1的正整数。

其中，所述对所述第一生化参量数据进行时间序列谐波分析，得到生化参量变化曲线，包括：

将各时相的所述第一生化参量数据统一重采样后，按时间顺序进行数据堆栈，得到时序生化参量数据；

对所述时序生化参量数据进行时间序列谐波分析处理，得到连续时序生化参量数据及生化参量变化曲线。

其中，所述获取第二生化参量数据，对所述第二生化参量数据进行时间序列谐波分析，得到标准生化参量变化曲线参照库，包括：

获取地面观测的第二生化参量数据，所述第二生化参量数据包括多组不同生长周期的时序生化参量数据；

对所述各组时序生化参量数据分别进行时间序列谐波分析处理，得到各生长周期的标准生化参量变化曲线；

对各生长周期的所述标准生化参量变化曲线进行汇总，得到标准生化参量变化曲线参照库。

其中，所述在所述标准生化参量变化曲线参照库范围内选取与所述生化参量变化曲线相匹配的最佳参照曲线，以预测作物成熟期，包括：

根据所述生化参量变化曲线在所述生化参量变化曲线参照库中选取相似度最高的最佳参照曲线，根据所述最佳参照曲线计算所述生化参量的参照累积量；

根据所述生化参量变化曲线计算作物当前的生化参量累积量，并计算由所述生化参量累积量达到所述参照累积量水平所需的时间，以预测作物的成熟期。

其中，所述时间序列谐波分析包括：

根据离散的所述时序生化参量数据生成最小平方拟合曲线，并将所述时序生化参量数据与所述拟合曲线进行比较，剔除偏离量超过预设阈值的所述生化参量数据；

基于剩余的所述生化参量数据，重复所述生成最小平方拟合曲线并剔除偏离量超过预设阈值的所述生化参量数据的步骤，直至所有的所述生化参量数据值与所述拟合曲线的偏离量均不超过阈值范围，得到生化参量变化曲线；

根据所述生化参量变化曲线，获取特定时间分辨率的连续时序生化参量数据。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述作物成熟期预测的具体工作过程，可以参考前述作物成熟期预测方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本申请作物成熟期预测方法的各个实施例。

其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。

应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。