详情

原文传递基于遥感反演的农作物生长状态监测方法

专利名称：	基于遥感反演的农作物生长状态监测方法
摘要：	本发明公开了基于遥感反演的农作物生长状态监测方法，包括以下步骤：获取待监测区的航空高光谱数据；计算蓝黄红三边各自的位置、斜率及面积的光谱参数；计算高光谱植被指数；测量水稻叶片叶绿素含量和叶面积，并将实测的叶绿素含量和叶面积与光谱参数和高光谱植被指数进行相关分析；基于学习的随机森林进行水稻叶绿素回归分析与建模；从高光谱光谱训练样本数据集中随机有放回地抽出s个光谱样本，从光谱特征变量数据集中随机地抽出t个变量，将抽出的s个样本和t个变量进行运算，形成一个单独的决策树；重复本步骤X次，构建出具有X棵树的随机森林模型；采用X棵树分别对新数据进行预测分类，综合最终投票结果获取预测结果。本发明用于农作物长势监测时，效率高，精度高。
专利类型：	发明专利
国家地区组织代码：	北京;11
申请人：	北京绿土科技有限公司
发明人：	王建华;常睿春
专利状态：	有效
申请日期：	2019-08-05T00:00:00+0800
发布日期：	2019-11-01T00:00:00+0800
申请号：	CN201910717679.9
公开号：	CN110398466A
代理机构：	成都四合天行知识产权代理有限公司
代理人：	郭受刚;王记明
分类号：	G01N21/25(2006.01);G;G01;G01N;G01N21
申请人地址：	100089 北京市海淀区龙岗路51号7号楼二层7299室
主权项：	1.基于遥感反演的农作物生长状态监测方法，其特征在于，包括依次进行的以下步骤：步骤1、获取待监测区的航空高光谱数据；步骤2、计算蓝黄红三边各自的位置、斜率及面积的光谱参数；步骤3、计算高光谱植被指数；步骤4、测量水稻齐穗期叶片叶绿素含量和叶面积，并将实测的叶绿素含量和叶面积与步骤2计算得到的光谱参数和步骤3计算得到的高光谱植被指数进行相关分析；步骤5、基于学习的随机森林进行水稻叶绿素回归分析与建模；步骤6、从高光谱光谱训练样本数据集中随机有放回地抽出s个光谱样本，从光谱特征变量数据集中随机地抽出t个变量，将抽出的s个样本和t个变量进行运算，形成一个单独的决策树；重复本步骤X次，构建出具有X棵树的随机森林模型；步骤7、采用X棵树分别对新数据进行预测分类，综合最终投票结果获取预测结果。 2.根据权利要求1所述的基于遥感反演的农作物生长状态监测方法，其特征在于，所述步骤1还包括对获取的航空高光谱数据进行预处理，其中，预处理包括辐射校正、传感器姿态数据处理、GPS定位数据处理、姿态数据与定位数据时间同步与集成、几何校正。 3.根据权利要求1所述的基于遥感反演的农作物生长状态监测方法，其特征在于，所述步骤2中在432-465nm波长范围内确定蓝边的位置、斜率及面积；在565-582nm波长范围内确定黄边的位置、斜率及面积；在680-750nm波长范围内确定红边的位置、斜率及面积。 4.根据权利要求1所述的基于遥感反演的农作物生长状态监测方法，其特征在于，所述高光谱植被指数包括比值植被指数、差值植被指数及归一化植被指数；比值植被指数的计算公式为： Rλ1/Rλ2 (1) 其中，Rλ1为800nm处的光谱反射率值，Rλ2为620nm-680nm之间的光谱反射率值；差值植被指数的计算公式为： Rλ3-Rλ4 (2) 其中，Rλ3为760nm-1200nm之间的光谱反射率值，Rλ4为620nm-680nm之间的光谱反射率值；归一化植被指数的计算公式为： (Rλ5-Rλ6)/(Rλ1+Rλ2) (3) 其中，Rλ5为760nm-800nm之间的光谱反射率值，Rλ6为620nm-680nm之间的光谱反射率值,Rλ1为800nm处的光谱反射率值，Rλ2为620nm-680nm之间的光谱反射率值。 5.根据权利要求1所述的基于遥感反演的农作物生长状态监测方法，其特征在于，所述步骤4中相关分析的相关系数计算公式为：其中，R(λ)为X和Y之间在波长λ处的相关系数，i为样本数量，i的取值为1、2、3、……、n，n为样本总数，Xi为植被指数，为植被指数算术平均值，Yλ为波长λ的光谱原始反射率，为光谱反射率一阶导数的算术平均值。 6.根据权利要求1所述的基于遥感反演的农作物生长状态监测方法，其特征在于，所述步骤5建立的模型中在节点v的基尼公式为：其中，p为节点的总数，是第j个变量在节点v的观测值。 7.根据权利要求1所述的基于遥感反演的农作物生长状态监测方法，其特征在于，所述步骤5中进行回归分析包括以下步骤：判断下一组变量子集的信息增量与上一组特征变量的信息增量差距是否小于设定阈值，若大于或等于，则选入；若小于，则不选择新的光谱特征；其计算公式如下：其中，G(Zt,v)为正则化信息增益，Zt在分裂节点v的基尼信息增量，是节点和的子节点的不纯度之差；D为用于上一个节点分裂的特征索引的集合，其在第一棵树的根节点是个空集；k∈(0,1]是惩罚系数；当时，该系数惩罚用于分裂节点v的第t个特征；k越小，惩罚力度越大。 8.根据权利要求7所述的基于遥感反演的农作物生长状态监测方法，其特征在于，所述步骤6中将抽出的s个样本和t个变量进行运算采用式(6)进行运算。 9.根据权利要求7所述的基于遥感反演的农作物生长状态监测方法，其特征在于，所述步骤6在形成一个单独的决策树后还包括以下步骤：通过在每一个节点利用正则化信息增益G(Zt,v)，当光谱特征变量为已有的变量增加了足够的预测信息时，将该新变量的索引加入到集合D中；其中，Zt的重要性分数为：其中，n是随机森林树中决策树的数量，是在n棵树的随机森林中被Zt分裂的节点集合。 10.根据权利要求1～9中任意一项所述的基于遥感反演的农作物生长状态监测方法，其特征在于，所述步骤7中综合最终投票结果获取预测结果通过校正集决定系数R2和校正集均方根误差RMSE两个指标评定拟合模型来选取，其中，校正集决定系数R2的计算公式为：校正集均方根误差RMSE的计算公式为：其中，yi是实测值，y*i是预测值，是实测值的平均值。
所属类别：	发明专利