申请/专利权人：中国科学院空天信息创新研究院

申请日：2022-11-11

公开（公告）日：2023-08-04

公开（公告）号：CN115830442B

主分类号：G06V20/10

分类号：G06V20/10;G06N3/0464;G06N3/08;G06V10/774;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2023.08.04#授权;2023.04.07#实质审查的生效;2023.03.21#公开

摘要：本发明提出一种基于机器学习的小麦茎蘖密度遥感估算方法和系统。其中，方法包括：根据小麦茎蘖的植被结构和生化参数，再应用遥感影像的反射率值，得到植被指数图；根据遥感影像的几何形状的反射率值，计算得到图像纹理特征图；将采样点的点矢量格式的数据与植被指数图和图像纹理特征图对应，得到样本数据；对样本数据中的植被指数进行筛选，进而得到筛选后的样本数据；应用筛选后的样本数据对机器学习模型进行训练；应用训练好的机器学习模型对小麦茎蘖密度进行估算。本发明提出的方案，可以扩展到县级区域进行使用，其精度能保证相对误差在10％之内，可以满足未来应用卫星遥感数据进行大区域冬小麦茎蘖估算的精度要求。

主权项：1.一种基于机器学习的小麦茎蘖密度遥感估算方法，其特征在于，所述方法包括：步骤S1、在采样点采集小麦茎蘖密度实测值；步骤S2、采集麦田区域的遥感影像；步骤S3、根据小麦茎蘖的植被结构和生化参数，再应用遥感影像的反射率值，得到植被指数图；根据遥感影像的几何形状的反射率值，计算得到图像纹理特征图；步骤S4、将所述采样点的地理位置坐标空间转化成点矢量格式，将点矢量格式的数据与所述植被指数图和图像纹理特征图对应，得到小麦茎蘖密度遥感估算的样本数据；步骤S5、采用序列后向选择方法对所述样本数据中的植被指数进行筛选，得到最优植被指数图的特征子集，进而得到筛选后的样本数据；步骤S6、以所述筛选后的样本数据作为机器学习模型的训练输入，以所述小麦茎蘖密度实测值作为机器学习模型的训练输出，对机器学习模型进行训练，得到能够预测小麦茎蘖密度的机器学习模型；步骤S7、应用训练好的机器学习模型对小麦茎蘖密度进行估算，并对空间可视化；在所述步骤S2中，所述采集麦田区域的遥感影像的方法包括：通过无人机的图像采集设备在小麦分蘖期采集麦田高光谱和多光谱的遥感影像；或者，通过航天遥感方式，获取遥感卫星拍摄的小麦分蘖期的高光谱和多光谱的遥感影像；在所述步骤S3中，所述根据小麦茎蘖的植被结构和生化参数，再应用遥感影像的反射率值，得到植被指数图的方法包括：根据小麦茎蘖的植被结构和生化参数，应用蓝光波段、绿光波段、红光波段和近红外波段的反射率值，得到植被指数图；在所述步骤S3中，所述应用蓝光、绿光、红光和近红外波段的反射率值，得到植被指数图的方法包括：DVI＝ρnir-ρred；EVI＝2.5×ρnir-ρredρnir+6×ρred-7.5×ρblue+1； MTVI＝1.2×1.2×ρnir-ρgreen-2.5×ρred-ρgreenNDVI＝ρnir-ρredρnir+ρredNGRDI＝ρgreen-ρredρgreen+ρredSR＝ρnirρredOSAVI＝1+0.16ρnir-ρredρnir+ρred+0.16RGD＝ρred-ρgreenWDRVI＝0.1×ρnir-ρred0.1×ρnir+ρredMCAVI＝1.2×2.5×ρnir-ρred-1.3×ρnir-ρgreen 其中，ρblue、ρgreen、ρred和ρnir分别代表蓝光波段、绿光波段、红光波段和近红外波段的反射率值；DVI代表DifferenceVegetationIndex，即差值植被指数；EVI代表EnhancedVegetationIndex，即增强植被指数；MSR代表ModifiedSimpleRatioRed-EdgeVegetationIndex，即修正红边植被指数；MTVI代表ModifiedTriangularVegetationIndex，即修正三角植被指数；NDVI代表NormalizedDifferenceVegetationIndex，即归一化差值植被指数；NGRDI代表NormalizedGreenRedDifferenceVegetationIndex，即归一化绿红差值植被指数；SR代表SimpleRatioVegetationIndex，即简单比值植被指数；OSAVI代表OptimizedSoil-AdjustedVegetationIndex，即优化土壤调整植被指数；RGD代表RedGreenDifferenceVegetationIndex，即红绿差值植被指数；WDRVI代表WideDynamicRangeVegetationIndex，即宽动态范围植被指数；MCAVI代表ModifiedChlorophyllAbsorptioninReflectanceVegetationIndex，即改进反射率叶绿素吸收指数；RDVI代表RenormalizedDifferenceVegetationIndex，即重整归一化差值植被指数；在所述步骤S5中，所述采用序列后向选择方法对所述样本数据中的植被指数进行筛选，得到最优植被指数图的特征子集的方法包括：采用序列后向选择方法对高光谱遥感影像中对应的样本数据中的植被指数进行筛选，得到MCARI、RDVI和WDRVI；采用序列后向选择方法对多光谱遥感影像中对应的样本数据中的植被指数进行筛选，得到NDVI、DVI、MCARI、MSR、RGD、RVI和WDRVI。

全文数据：

权利要求：

百度查询： 中国科学院空天信息创新研究院 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD