基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法

摘要

一种基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法，所述方法包括以下步骤：1)用于水稻估产的成像高光谱植被指数确定；2)水稻生育期长度信息提取；3)生育期长度信息归一化；4)基于成像高光谱植被指数和生育期长度信息的水稻估产模型构建；5)估产精度验证。该方法综合考虑了遥感信息和生育期信息，在传统遥感变量基础上考虑了生育期长度的不同所带来的产量变化，为精确进行农作物估产提供了一种新的思路和方法。

权利要求

1.一种基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法，其特征在于，所述方法包括以下步骤：

1)用于水稻估产的成像高光谱植被指数确定

针对水稻孕穗期、抽穗期、灌浆期获取的成像高光谱数据，采用穷举法将可见光范围的所有波段与近红外范围的所有波段进行两两组合分别计算DVI、RVI、NDVI和EVI2植被指数，然后将所有组合计算出的植被指数与水稻产量数据进行相关性分析，将相关系数最高的波段组合作为用于水稻估产的最佳植被指数，各植被指数的计算公式如下：DVIi,j＝NIRi-REDj                       (2)EVI2i,j＝2.5(NIRi-REDj)/(NIRi+2.4REDj+1)   (4)式中，NIRi为近红外波段范围某一波段i，REDj为红光波段范围某一波段j；

2)水稻生育期长度信息提取

将植被指数EVI2降低到设定阈值来确定水稻生育期长度，即当EVI2降低达到设定阈值时认为干物质的积累已经完成，水稻整个生育期也结束来确定生育期长度；

3)生育期长度信息归一化

式中，T为归一化后的水稻生育期长度参数，L提取生育期长度为通过植被指数提取的生育期长度，L正常生育期长度为水稻的正常生育期长度；

4)基于成像高光谱植被指数和生育期长度信息的水稻估产模型构建利用归一化后的生育期长度信息结合多生育期成像高光谱植被指数作为自变量，水稻产量作为因变量，建立估产模型如下：Y＝f(VI孕穗期，VI抽穗期，VI灌浆期，T)               (6)式中，Y为水稻产量，V孕穗期，V抽穗期，V灌浆期，为水稻孕穗期、抽穗期、灌浆期的成像高光谱植被指数，T为归一化生育期长度，f()表示用于建模函数；

5)估产精度验证

将目标田块的V孕穗期，V抽穗期，V灌浆期，T带入到模型(6)获得估测水稻产量Y估测，利用公式(7)进行估产精度验证，式中，RE为估产相对误差，Y估测为目标田块通过模型估测的水稻产量，Y实测为目标田块实际测量的水稻产量。

2.如权利要求1所述的基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法，其特征在于，所述步骤4)中用于拟合建模的统计模型为多元线性模型。

说明书

基于成像高光谱植被指数和生育期长度信息的无人机遥感水

稻估产方法

技术领域

[0001] 本发明利用遥感技术获取的农作物反射率信息提取出作物的生育期长度，并结合遥感变量设计出了一种基于遥感数据、生育期长度的农作物估产方法，实现农作物的田间精确估产。

背景技术

[0002] 粮食供给的稳定与社会经济的发展密切相关，粮食生产安全历来也是各个国家高度重视得问题。急剧增加的人口数量、耕地面积的减少、水资源污染和水资源短缺、环境的恶化、全球气候的变暖，严重影响农业生产和危及粮食安全。粮食安全目前已成为许多国家和地区的面临的最大的挑战。在当今复杂多变条件下，精准地粮食产量信息获取对于国家粮食安全、农业政策的制定、国家粮食价格的调控、水资源的合理调配具有重要的指导意义。

[0003] 目前，利用卫星遥感数据进行区域农作物生产力估算时，最常用的是基于遥感光谱信息的农作物估产统计模型，旨在利用遥感技术获取农作物的反射辐射值或反射率建立不同时期植被指数与产量关系，从而得到目标年份的估产结果。但这种估产方法并未考虑到不同品种的农作物由于生育期长度的不同，温光利用率存在差异，因此所积累的干物质量和产量也不尽相同。若按照传统的方法来对农作物生产力进行预测，其结果往往会产生较大的误差。

发明内容

[0004] 为了克服已有水稻遥感估产方法的准确性较差的不足，本发明提出了一种基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法，有效消除了不同品种之间由于生育期长度的不同对产量造成的差异。

[0005] 本发明解决其技术问题所采用的技术方案是：

[0006] 一种基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法，包括以下步骤：

[0007] 1)用于水稻估产的成像高光谱植被指数确定

[0008] 针对水稻孕穗期、抽穗期、灌浆期获取的成像高光谱数据，采用穷举法将可见光范围的所有波段与近红外范围的所有波段进行两两组合分别计算DVI、RVI、NDVI和EVI2植被指数，然后将所有组合计算出的植被指数与水稻产量数据进行相关性分析，将相关系数最高的波段组合作为用于水稻估产的最佳植被指数，各植被指数的计算公式如下：

[0009]

[0010] DVIi,j＝NIRi-REDj  (2)

[0011]

[0012] EVI2i，j＝2.5(NIRi-REDj)/(NIRi+2.4REDj+1)  (4)

[0013] 式中，NIRi为近红外波段范围某一波段i，REDj为红光波段范围某一波段j；

[0014] 2)水稻生育期长度信息提取

[0015] 将植被指数EVI2降低到设定阈值来确定水稻生育期长度，即当EVI2降低达到设定阈值时认为干物质的积累已经完成，水稻整个生育期也结束来确定生育期长度；

[0016] 3)生育期长度信息归一化

[0017]

[0018] 式中，T为归一化后的水稻生育期长度参数，L提取生育期长度为通过植被指数提取的生育期长度，L正常生育期长度为该品种正常生育期长度，f()表示用于建模函数；

[0019] 4)基于成像高光谱植被指数和生育期长度信息的水稻估产模型构建

[0020] 利用归一化后的生育期长度信息结合多生育期成像高光谱植被指数作为自变量，水稻产量作为因变量，建立估产模型如下：

[0021] Y＝f(VI孕穗期，VI抽穗期，VI灌浆期，T)  (6)

[0022] 式中，Y为水稻产量，V孕穗期，V抽穗期，V灌浆期，为水稻孕穗期、抽穗期、灌浆期的成像高光谱植被指数，T为归一化生育期长度；

[0023] 5)估产精度验证

[0024] 将目标田块的V孕穗期，V抽穗期，V灌浆期，T带入到模型(6)获得估测水稻产量Y估测。利用公式(7)进行估产精度验证，

[0025]

[0026] 式中，RE为估产相对误差，Y估测为目标田块通过模型估测的水稻产量，Y实测为目标田块实际测量的水稻产量。

[0027] 进一步，所述步骤4)中，用于拟合建模的统计模型为多元线性模型。

[0028] 本发明的有益效果主要表现在：综合考虑了遥感信息和生育期长度信息，在传统遥感变量基础上考虑了生育期长度的不同所带来的产量的变化，准确性较高。

附图说明

[0029] 图1是生育期长度信息提取过程。

[0030] 图2是实测产量与预测产量对比图。

[0031] 图3是基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法的流程图。

具体实施方式

[0032] 下面结合附图对本发明作进一步描述。

[0033] 参照图1～图3，一种基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法，包括以下步骤：

[0034] 1)用于水稻估产的成像高光谱植被指数确定

[0035] 针对水稻孕穗期、抽穗期、灌浆期、蜡熟期获取的成像高光谱数据，采用穷举法将可见光范围的所有波段与近红外范围的所有波段进行两两组合分别计算DVI、RVI、NDVI和EVI2植被指数，然后将所有组合计算出的植被指数与水稻产量数据进行相关性分析，将相关系数最高的波段组合作为用于水稻估产的最佳植被指数，各植被指数的计算公式如下：

[0036]

[0037] DVIi,j＝NIRi-REDj  (2)

[0038]

[0039] EVI2i，j＝2.5(NIRi-REDj)/(NIRi+2.4REDj+1)  (4)

[0040] 式中，NIRi为近红外波段范围某一波段i，REDj为红光波段范围某一波段j；

[0041] 以2017年德清水稻长势监测试验数据计算出的各个生育期最佳植被指数及其最佳波段组合为孕穗期的NDVI[840,728]、抽穗期的NDVI[840,728]和灌浆期的RVI[840,728]。

[0042] 2)水稻生育期长度信息提取

[0043] 考虑到不同品种甚至不同施肥情况的水稻长势也不尽相同，有效生育期长度也存在一定的差异，因此将生育期长度信息加入到模型中可以进一步提高模型的鲁棒性和准确度。

[0044] 由于不同生育期的植被指数变化特征较为明显，生长阶段一般表现为植被指数递增的过程，当生物量达到最大后干物质开始形成产量，此时植被叶片的信息开始减弱，表现在植被指数上则呈递减的趋势。我们主要考虑植被指数递减的时间段，当干物质转化到一定程度之后我们将其定义为整个生育期的结束，而衡量指标则明显可以通过植被指数降低到某一阈值来确定。由于EVI2指数可以弥补蓝光缺失的信息可以较为准确的反映植被整个生长状况，因此选取EVI2作为生育期长度的敏感植被指数。经综合考虑，认为当EVI2达到阈值0.15时干物质的积累已经基本完成，水稻整个生育期也基本结束。最明显的一个外观表示则是水稻在生育后期即乳熟完熟期之后叶片开始大量枯黄，因此不再进行干物质的积累，此时产量已经保持相对稳定。而处于递减状态的EVI2植被指数则可以通过一定的建模方法插值得出其等于0.15时对应的移栽天数。

[0045] 以2017年德清实验中的2号田块为例，其生育期长度的具体计算方式如附图1所示，首先对EVI2时间序列植被指数进行建模，本研究发现在水稻达到生长旺盛期之后EVI2指数和生育期长度(移栽天数)之间存在比较强烈的线性关系，其R2可达0.88，因此本课题按照线性关系对时间序列EVI2指数进行建模，再利用EVI2＝0.15为阈值提取出2号田生育期长度为121天。

[0046] 3)生育期长度信息归一化

[0047]

[0048] 式中，T为归一化后的水稻生育期长度参数，L提取生育期长度为通过植被指数提取的生育期长度，L正常生育期长度为该品种正常生育期长度。以2号田为例，计算出的生育期长度为121天，而该品种的正常生育期长度为156天，因此2号田的归一化生育期长度变量T为121/156＝0.7756。

[0049] 4)基于成像高光谱植被指数和生育期长度信息的水稻估产模型构建

[0050] 利用归一化后的生育期长度信息结合多生育期成像高光谱植被指数作为自变量，水稻产量作为因变量，建立估产模型如下：

[0051] Y＝f(VI孕穗期，VI抽穗期，VI灌浆期，T)  (6)

[0052] 式中，Y为水稻产量，V孕穗期，V抽穗期，V灌浆期，为水稻孕穗期、抽穗期、灌浆期的成像高光谱植被指数，T为归一化生育期长度。

[0053] 以2017年德清实验数据为例，该实验区共22块实验田，根据需要利用无人机装载的高光谱成像仪获得不同时期的遥感数据并进行计算得到不同生育期的水稻反射率。我们选择了孕穗期、抽穗期和灌浆期三个时期的反射率数据。然后利用计算出各实验田所需的植被指数，并同时提取出各个田块的生育期长度再除以品种正常生育期长度156天得到归一化生育期长度，具体数据如表1所示。

[0054]

[0055]

[0056] 表1

[0057] 以此计算出的产量预测模型如下所示：

[0058] Y＝10620.741+15299.2×NDVI[840,728](Booting)+9644.025×NDVI[840,728](Heading)-10169.009×RVI[840,728](Filling)+10613.654×T

[0059] 式中，Y是水稻预测单产，该模型的建模R2达到了0.83。

[0060] 5)估产精度验证

[0061] 将目标田块的V孕穗期，V抽穗期，V灌浆期，T带入到模型(6)获得估测水稻产量Y估测。利用公式(7)进行估产精度验证，

[0062]

[0063] 式中，RE为估产相对误差，Y估测为目标田块通过模型估测的水稻产量，Y实测为目标田块实际测量的水稻产量。

[0064] 以2017年德清实验数据为例，其估产结果与测产结果平均相对误差为2.52％，平均绝对误差为11.24Kg/亩，RMSE为12.55Kg/亩。具体结果如表2和图2所示。

[0065]

[0066]

[0067] 表2。