一种基于遥感影像数据的水稻估产方法、装置及设备

1.本发明涉及水稻估产技术领域，特别涉及一种基于遥感影像数据的水稻估产方法、装置及设备。


背景技术：

2.从古至今，如何为我国粮食安全及农产品贸易提供及时准确的作物长势、灾害损失定量评估、产量预估等信息，一直是农业领域专家重点研究的方向，在农作物生长过程中都希望尽可能精确估计作物产量。
3.现有的水稻遥感估产方面的研究当中，一般采用的是landsat和modis等卫星遥感数据进行估产，或利用无人机平台（uav）上的数字传感器进行产量估算，但是这两种方法存在一定的局限性。landsat(30m)和modis(250-500m)卫星遥感影像因分辨率不高且加上目前水稻遥感估产算法本身的精度缺陷，虽然能够满足大尺度范围内（如平原地区）的水稻估产工作，但对于存在较多细碎且不规则田块的丘陵地区，其空间异质性程度较高，估产应用难度和精度受到了极大的考验；无人机遥感技术可灵活搭配不同的传感器进行光谱信息收集，可选择不同的光谱波段范围，空间分辨率最高可达厘米级，只能在局部、小范围地区进行实施，且成本较高，并且同样也受目前水稻遥感估产算法本身的精度缺陷，同样很难保证估产精度。


技术实现要素：

4.基于此，本发明的目的是提供一种基于遥感影像数据的水稻估产方法、装置及设备，以旨在解决背景技术当中的至少一个技术问题。
5.根据本发明实施例的一种基于遥感影像数据的水稻估产方法，所述方法包括：获取目标水稻区域当中各预设样本点的实测水稻产量，各所述预设样本点分布在所述目标水稻区域的各个位置，并记录有每个所述预设样本点的位置信息；获取涵盖所述目标水稻区域的遥感影像数据，并基于所述遥感影像数据每个位置点的原始波段计算出所述遥感影像数据每个位置点对应的植被指数和纹理特征；根据所述预设样本点的位置信息，从所述遥感影像数据当中提取每个所述预设样本点对应的建模因子，所述建模因子包括植被指数、纹理特征和各原始波段；根据每个所述预设样本点的所述建模因子及所述实测水稻产量，训练水稻估产模型；采用所述水稻估产模型对获取的涵盖待估产区域的遥感影像数据进行所述待估产区域的水稻估产。
6.另外，根据本发明上述实施例的一种基于遥感影像数据的水稻估产方法，还可以具有如下附加的技术特征：进一步地，根据每个所述预设样本点的所述建模因子及所述实测水稻产量，训练水稻估产模型的步骤包括：
将所述预设样本点的所述建模因子与所述实测水稻产量进行相关性分析，以从各所述建模因子当中筛选出与所述实测水稻产量相关的最终建模因子；根据所述最终建模因子及对应的所述实测水稻产量对预设卷积神经网络进行训练，训练得到所述水稻估产模型。
7.进一步地，根据所述最终建模因子及对应的所述实测水稻产量对预设卷积神经网络进行训练，训练得到所述水稻估产模型的步骤包括：将所述最终建模因子和对应的所述实测水稻产量进行组合，得到不同组合的训练样本；根据不同组合的训练样本分别对预设卷积神经网络进行训练，以训练得到每种组合的训练样本对应的卷积神经网络预测模型；计算出每种所述卷积神经网络预测模型的决定系数、均方根误差及预测精度；基于所述决定系数、所述均方根误差及所述预测精度，从所有所述卷积神经网络预测模型筛选出最优的所述水稻估产模型。
8.进一步地，所述预测精度的计算公式为：p=1-e，其中，；式中，p为所述预测精度，e代表相对误差，ep表示预测产量，ap表示实际产量。
9.进一步地，将所述预设样本点的所述建模因子与所述实测水稻产量进行相关性分析的步骤包括：计算出所述预设样本点的每个所述建模因子与所述实测水稻产量的皮尔逊相关系数；将皮尔逊相关系数高于阈值的建模因子确定为所述最终建模因子。
10.进一步地，所述皮尔逊相关系数的计算公式为：式中，e是数学期望，cov表示协方差，x和y分别代表建模因子和实测水稻产量，ρ表示皮尔逊相关系数，σ表示标准差，μ表示均值。
11.进一步地，所述预设样本点的数量根据所述目标水稻区域的面积和/或水稻种植密度确定，所述遥感影像数据为哨兵2号遥感影像数据。
12.根据本发明实施例的一种基于遥感影像数据的水稻估产装置，所述装置包括：产量获取模块，用于获取目标水稻区域当中各预设样本点的实测水稻产量，各所述预设样本点分布在所述目标水稻区域的各个位置，并记录有每个所述预设样本点的位置信息；影像获取模块，用于获取涵盖所述目标水稻区域的遥感影像数据，并基于所述遥感影像数据每个位置点的原始波段计算出所述遥感影像数据每个位置点对应的植被指数和纹理特征；因子提取模块，用于根据所述预设样本点的位置信息，从所述遥感影像数据当中提取每个所述预设样本点对应的建模因子，所述建模因子包括植被指数、纹理特征和各原
始波段；模型训练模块，用于根据每个所述预设样本点的所述建模因子及所述实测水稻产量，训练水稻估产模型；水稻估产模块，用于采用所述水稻估产模型对获取的涵盖待估产区域的遥感影像数据进行所述待估产区域的水稻估产。
13.本发明还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于遥感影像数据的水稻估产方法。
14.本发明还提出一种基于遥感影像数据的水稻估产设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的基于遥感影像数据的水稻估产方法。
15.与现有技术相比：通过先在目标水稻区域的各个位置选择预设样本点，并测量每个预设样本点的实测水稻产量，然后从遥感影像数据当中提取每个预设样本点的植被指数、纹理特征及原始波段，并将植被指数、纹理特征及原始波段作为建模因子，并基于建模因子与实测水稻产量构建水稻估产模型，从而深度挖掘各建模因子与产量之间的关系，大幅提高水稻估产模型的精度，同时由于目标水稻区域的选择具备随机性、同时水稻估产模型的构建具有很强的通用性，因此本水稻估产方法适用性广，不仅在平原地区适用、对于较多细碎且不规则田块的丘陵地区也依然适用，可以大范围推广运用。
附图说明
16.图1为本发明第一实施例中的基于遥感影像数据的水稻估产方法的流程图；图2为本发明第二实施例中的基于遥感影像数据的水稻估产方法的流程图；图3为本发明第三实施例中的基于遥感影像数据的水稻估产装置的结构示意图；图4为本发明第四实施例中的基于遥感影像数据的水稻估产设备的结构示意图。
17.以下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
18.为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
19.需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
20.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
21.实施例一请参阅图1，所示为本发明第一实施例中的基于遥感影像数据的水稻估产方法的
流程图，所述方法具体包括步骤s01-步骤s05。
22.步骤s01，获取目标水稻区域当中各预设样本点的实测水稻产量，各所述预设样本点分布在所述目标水稻区域的各个位置，并记录有每个所述预设样本点的位置信息。
23.其中，预设样本点的数量根据目标水稻区域的面积和/或水稻种植密度确定。具体地，首先可以根据实际需求确定目标水稻区域，该目标水稻区域将作为水稻估产模型构建的研究区域。然后在该目标水稻区域当中随机确定多个预设样本点，一般情况下，样本点的数量与种植面积成正比。在确定采样点的过程中，可以结合gps定位样本点处的经纬度，并记录相对位置以便后续在图上定位，即记录有每个预设样本点的位置信息。同时通过水稻种植农户了解水稻品种、种植方式、前茬种植作物、各生长期时间、土壤质地、灌溉方式、施肥情况，并在水稻收割时测量其产量。之后，可以根据记录的经纬度将这些样本点投影到遥感影像图上，从而在遥感影像图上反映各个样本点所在位置。
24.步骤s02，获取涵盖所述目标水稻区域的遥感影像数据，并基于所述遥感影像数据每个位置点的原始波段计算出所述遥感影像数据每个位置点对应的植被指数和纹理特征。
25.具体地，可以通过获取目标水稻区域所在地区的遥感影像数据，在本实施例的较佳情况当中，遥感影像数据具体可以为哨兵2号遥感影像数据。其中，哨兵2号遥感影像数据相比于传统的landsat和modis等卫星遥感数据具有更高的空间分辨率(10m/20m/60m)及时间分辨率(10d)，同时其具有的13个多光谱波段更利于农作物的识别。哨兵2号遥感影像数据具体可以从欧空局（esa）网站下载得到。
26.此外，所述目标水稻区域的遥感影像数据的获取时间应当在水稻授粉期前后，即收割的一个月前左右，该阶段水稻的纹理特征与光谱特征差异较其他时期更大，能够更好的反演光谱、纹理特征与产量的关系。例如，以江西省上高县为研究区，以晚稻为研究对象，其收割时间在10月20日前后，故选择9月20日前后的哨兵2号遥感影像数据。
27.另一方面，在获取到目标水稻区域的遥感影像数据之后，还需要提取出遥感影像数据每个位置点的原始波段，由于采用哨兵2号遥感影像数据，因此每个位置点共有13个原始波段，分别表示为band0、band1、band2、band3、band4、band5、band6、band7、band8、band9、band10、band11、band12。然后再基于每个位置点的原始波段计算出每个位置点的植被指数和纹理特征。
28.也即，在本实施例当中，水稻估产模型的建模因子从植被指数、纹理特征、影像波段中进行筛选，这三类因子的计算方法为：1）、影像波段在提取之前需要对其进行归一化处理，使数据统一，增强波段信息与产量的关系，归一化处理的过程：在arcgis软件中，将影像数据的各个波段数据导出为tiff格式，并利用工具箱中的“空间分析工具”—“叠加分析”—“模糊隶属度”工具，选择“线性函数”分类值进行原始波段影像数据归一化处理。之后将归一化后的各波段数据利用“波段合成”工具进行合成，并导出为tiff格式，其中nodata值设置为0，即得到归一化结果。
29.2）、计算各植被指数的方法为：在arcgis软件中，将高分影像的各个波段数据导出为tiff格式，并利用工具箱中的“空间分析工具”—“叠加分析”—“模糊隶属度”工具，选择“线性函数”分类值进行原始波段影像数据归一化处理；接着打开“地图代数”—“栅格计算器”，按照下表1中公式进行波段计算，得到各植被指数，之后，再对其进行归一化处理；表1：
表1中，叶面积指数lai公式中，a、b、c为经验系数，对于麦类和稻类作物来说，a、b通常接近1，c通常为0.5； b2代表可见光蓝波段，b3代表可见光绿波段，b4代表可见光红波段，b5代表红边范围内波段，b6代表红边范围内波段，b7代表红边范围内波段，b8代表近红外波段（宽），b8a代表近红外波段（窄）。
30.3）、纹理特征的计算：在envi软件中，使用co-occurrence measures选项可以应用八个基于二阶矩阵的纹理滤波，这些滤波包括均值（mean）、方差（variance）、协同性（homogeneity）、对比度（contrast）、相异性（dissimilarity）、信息熵（entropy）、二阶矩（second moment）和相关性（correlation）。二阶概率统计用一个灰色调空间相关性矩阵来计算纹理值，这是一个相对频率矩阵，即像元值在两个邻近的由特定的距离和方向分开的处理窗口中的出现频率，该矩阵显示了一个像元和它的特定邻域之间关系的发生数。下面为操作过程：选择filters — texture — co-occurrence measures，在texture input file对话框选择图像文件。在co-occurrence texture parameters对话框中，通过“textures to compute”部分纹理类型旁的复选框中点击，选择要创建的纹理图像。在“rows”(y)和“cols”(x)文本框中，键入处理窗口的大小。键入x、y变换值（co-occurrence shift），用于计算二阶概率矩阵。选择灰度量化级别（greyscale quantization levels）：
none、64、32或16。选择输出路径及文件名。点击“ok”，开始处理。所选的纹理图像将计算出来，并被放置在可用波段列表中。
31.步骤s03，根据所述预设样本点的位置信息，从所述遥感影像数据当中提取每个所述预设样本点对应的建模因子，所述建模因子包括植被指数、纹理特征和各原始波段。
32.在具体实施时，可以将预设样本点的经纬度添加至arcgis软件中，打开“空间分析工具”—“提取分析”—“多值提取至点”工具，把归一化处理后的原始波段数据、植被指数数据与纹理特征数据添加至其中，即可提取各个预设样本点的原始波段信息、植被指数信息与纹理特征信息。
33.步骤s04，根据每个所述预设样本点的所述建模因子及所述实测水稻产量，训练水稻估产模型。
34.其中，水稻估产模型具体可以为卷积神经网络模型，即通过将各预设样本点的建模因子及实测水稻产量放入到卷积神经网络当中进行训练，设置数据中的训练集与验证集的比例为8：2，调整卷积迭代次数，使卷积神经网络深度挖掘各建模因子与产量之间的关系，从而完成水稻估产的建模。
35.步骤s05，采用所述水稻估产模型对获取的涵盖待估产区域的遥感影像数据进行所述待估产区域的水稻估产。
36.可以理解的，由于水稻估产模型经过深度挖掘已经确立水稻产量与各建模因子之间的关系，因此将涵盖待估产区域的遥感影像数据的植被指数、纹理特征和各原始波段输入到水稻估产模型当中，水稻估产模型基于确立的水稻产量与各建模因子之间的关系，即可估测待估产区域的水稻产量。
37.综上，本发明上述实施例当中的基于遥感影像数据的水稻估产方法，通过先在目标水稻区域的各个位置选择预设样本点，并测量每个预设样本点的实测水稻产量，然后从遥感影像数据当中提取每个预设样本点的植被指数、纹理特征及原始波段，并将植被指数、纹理特征及原始波段作为建模因子，并基于建模因子与实测水稻产量构建水稻估产模型，从而深度挖掘各建模因子与产量之间的关系，大幅提高水稻估产模型的精度，同时由于目标水稻区域的选择具备随机性、同时水稻估产模型的构建具有很强的通用性，因此本水稻估产方法适用性广，不仅在平原地区适用、对于较多细碎且不规则田块的丘陵地区也依然适用，可以大范围推广运用。
38.实施例二请参阅图2，所示为本发明第二实施例中的基于遥感影像数据的水稻估产方法的流程图，所述方法具体包括步骤s21-步骤s26。
39.步骤s21，获取目标水稻区域当中各预设样本点的实测水稻产量，各所述预设样本点分布在所述目标水稻区域的各个位置，并记录有每个所述预设样本点的位置信息。
40.其中，所述预设样本点的数量根据所述目标水稻区域的面积和/或水稻种植密度确定。
41.步骤s22，获取涵盖所述目标水稻区域的遥感影像数据，并基于所述遥感影像数据每个位置点的原始波段计算出所述遥感影像数据每个位置点对应的植被指数和纹理特征。
42.其中，所述遥感影像数据为哨兵2号遥感影像数据。
43.步骤s23，根据所述预设样本点的位置信息，从所述遥感影像数据当中提取每个所
述预设样本点对应的建模因子，所述建模因子包括植被指数、纹理特征和各原始波段。
44.步骤s24，将所述预设样本点的所述建模因子与所述实测水稻产量进行相关性分析，以从各所述建模因子当中筛选出与所述实测水稻产量相关的最终建模因子。
45.也即，本实施例当中的水稻估产方法与第一实施例的不同之处在于，在构建水稻估产模型之前，还对各建模因子与实测水稻产量进行相关性分析，从植被指数、纹理特征和13个原始波段当中筛选出与实测水稻产量相关的最终建模因子，从而提高模型训练速度以及最终估产准确性。相关性分析过程具体如下，即步骤s24具体包括：步骤s241、计算出所述预设样本点的每个所述建模因子与所述实测水稻产量的皮尔逊相关系数；步骤s242、将皮尔逊相关系数高于阈值的建模因子确定为所述最终建模因子。
46.也即，在本实施例当中，在进行水稻估产建模前，需要利用皮尔逊（pearson）相关系数分析这些因子与水稻产量的相关性，最终筛选出参与后续建模的估产因子。皮尔逊相关系数也可简称为(线性)相关系数，是一种线性相关系数。皮尔逊相关系数的作用是衡量两个特征之间线性相关程度的标量，其值取值范围介于-1和1之间。其中，值为0表示特征之间线性无关，值的绝对值越接近1表示线性关系越强。在本实施例当中，两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商，其计算公式定义为：式中，e是数学期望，cov表示协方差，可以看作两组数据的向量夹角的余弦，x和y分别代表建模因子和实测水稻产量，ρ表示皮尔逊相关系数，σ表示标准差，μ表示均值。也即，ρ
x,y
表示x和y之间的皮尔逊相关系数，σ
x
和σy分别代表x和y的标准差，μ
x
和μy分别代表x和y的均值，cov
x,y
表示x和y之间的协方差。
47.在具体运用时，可以将各个预设采样点的植被指数、13个原始波段、纹理特征与实测水稻产量数据导出，添加至spss软件中，进行皮尔逊相关性计算，筛选出相关性较为显著的因子即确定为本次建模的最终因子。例如，本次使用9月21日哨兵2号影像数据做晚稻产量预测模型，采用上述方法计算得到与产量有较显著相关性的有：band2、band3、band5、band6、band9、band11、band12、mcari、ndvi re2，其中band3的相关性最高。
48.步骤s25，根据所述最终建模因子及对应的所述实测水稻产量对预设卷积神经网络进行训练，训练得到所述水稻估产模型。
49.在一些较佳实施例当中，为了进一步提高水稻估产模型构建的准确性，步骤s25具体包括：步骤s251、将所述最终建模因子和对应的所述实测水稻产量进行组合，得到不同组合的训练样本；步骤s252、根据不同组合的训练样本分别对预设卷积神经网络进行训练，以训练得到每种组合的训练样本对应的卷积神经网络预测模型；步骤s253、计算出每种所述卷积神经网络预测模型的决定系数、均方根误差及预测精度；步骤s254、基于所述决定系数、所述均方根误差及所述预测精度，从所有所述卷积神经网络预测模型筛选出最优的所述水稻估产模型。
50.也即，在具体实施时，可以分别将所筛选出来的因子与产量放入到卷积神经网络算法模块中进行建模，设置数据中的训练集与验证集的比例为8：2，调整卷积迭代次数，得到每个建模因子各自的卷积神经网络预测模型，同时也会自动计算得到模型的决定系数（r2）和均方根误差（rmse）；同时，利用相关性最高的因子（例如band3）与其他因子分别作差、作商，然后用同样的方法得到不同卷积神经网络预测模型；之后，再利用这些因子进行不同的组合，得到不同组合的训练样本，如：（band2，band3，产量）、（band2，band3，band5，产量）、
……
、（band2，band3，band5，band6，band9，band11，band12，mcari，ndvi re2，产量），然后基于这些不同组合的训练样本进行卷积神经网络建模，得到不同预测模型。
51.也即，可以基于单个建模因子与产量的组合、多个建模因子与产量的组合、以及相关性最高的因子与其他因子分别作差、作商后与产量的组合，分别训练得到不同的卷积神经网络预测模型，然后计算出每种卷积神经网络预测模型的决定系数r2、均方根误差rmse以及预测精度p，然后基于决定系数r2、均方根误差rmse以及预测精度p从所有卷积神经网络预测模型当中筛选出最优的水稻估产模型。
52.其中，决定系数r2和均方根误差rmse是卷积神经网络模型的常见评估因子，在卷积神经网络模型训练好之后自动计算得到，决定系数 r2反映的是估产方程拟合的好坏程度，r2越高则代表估产模型可靠性越高。而 rmse 反映的是模型估产结果与实际测产之间的平方偏差，通过平方项的形式加大了预测值与真实值差距较大时的惩罚系数，尤其对异常值的预测有较高的敏感性，用于判断估产模型是否对相对低产情况和相对高产情况有良好的预测准确性。本实施例考虑到水稻估产的别样性，进一步引入新的卷积神经网络模型评估因子，即预测精度（p），预测精度p的计算公式为：p=1-e，其中，；式中， e代表相对误差，ep表示预测产量，ap表示实际产量。
53.在本实施了一些可选情况当中，可以设定决定系数r2、均方根误差rmse以及预测精度p对于的评估阈值，可以将决定系数r2、均方根误差rmse以及预测精度p都大于对应评估阈值的卷积神经网络预测模型确定为最优的水稻估产模型；此外，还可以对决定系数r2、均方根误差rmse以及预测精度p区分优先级，例如确定优先级为：预测精度p》决定系数r2》均方根误差rmse，当决定系数r2、均方根误差rmse以及预测精度p都大于对应评估阈值的卷积神经网络预测模型存在多个时，可以选取优先级更高的评估因子来做进一步筛选，例如选取预测精度p最高的卷积神经网络预测模型确定为最优的水稻估产模型。
54.示例而非限定，基于上述水稻估产模型的构建方法，确定2021年上高县晚稻的水稻估产模型为：其中，y为产量，x1代表band2，x2代表band3，x3代表band5，x4代表band6，x5代表band9，x6代表band11，x7代表band12，x8代表mcari，x9代表ndvire2；该回归方程r2=0.449，rmse=50.997.kg/亩，p=92.23%。
55.步骤s26，采用所述水稻估产模型对获取的涵盖待估产区域的遥感影像数据进行
所述待估产区域的水稻估产。
56.在具体实施时，若待估产区域当中包含多块分散的水稻种植区域，还可以预设每块水稻种植区域的位置、面积、形状等参数，或者通过图像识别技术来识别每块水稻种植区域，这样不仅可以对待估产区域的水稻总产量进行估测，还能够估测出待估产区域当中每块水稻种植区域的产量，从而能够更好的反映待估产区域的水稻产量分布。
57.综上，本实施例当中的基于遥感影像数据的水稻估产方法，通过采用哨兵2号高清遥感影像数据、并搭配高精度的水稻估产建模方法，能够大幅提高水稻估产准确性和可靠性，具体原理为：通过基于哨兵2号遥感影像数据计算目标水稻区域的植被指数与纹理特征，并将把这些植被指数、纹理特征、影像的光谱波段作为建模因子，再利用第一步中的产量调查点位数据，提取每个预设采样点位的建模因子数据，还将这些数据与产量做相关性分析，筛选得到与产量相关性较强的因子作为最终的建模因子，然后利用卷积神经网络算法对这些因子的不同组合进行建模预测，通过对比决定系数r2、均方根误差rmse及预测精度p确定最佳模型，最终基于最佳模型来进行水稻估产。
58.实施例三本发明另一方面还提供一种基于遥感影像数据的水稻估产装置，请查阅图3，所示为本发明第三实施例中的基于遥感影像数据的水稻估产装置的结构示意图，所述基于遥感影像数据的水稻估产装置包括：产量获取模块11，用于获取目标水稻区域当中各预设样本点的实测水稻产量，各所述预设样本点分布在所述目标水稻区域的各个位置，并记录有每个所述预设样本点的位置信息；影像获取模块12，用于获取涵盖所述目标水稻区域的遥感影像数据，并基于所述遥感影像数据每个位置点的原始波段计算出所述遥感影像数据每个位置点对应的植被指数和纹理特征；因子提取模块13，用于根据所述预设样本点的位置信息，从所述遥感影像数据当中提取每个所述预设样本点对应的建模因子，所述建模因子包括植被指数、纹理特征和各原始波段；模型训练模块14，用于根据每个所述预设样本点的所述建模因子及所述实测水稻产量，训练水稻估产模型；水稻估产模块15，用于采用所述水稻估产模型对获取的涵盖待估产区域的遥感影像数据进行所述待估产区域的水稻估产。
59.进一步地，在本发明一些可选实施例当中，所述模型训练模块14包括：相关性分析单元，用于将所述预设样本点的所述建模因子与所述实测水稻产量进行相关性分析，以从各所述建模因子当中筛选出与所述实测水稻产量相关的最终建模因子；模型训练单元，用于根据所述最终建模因子及对应的所述实测水稻产量对预设卷积神经网络进行训练，训练得到所述水稻估产模型。
60.进一步地，在本发明一些可选实施例当中，所述模型训练单元还用于将所述最终建模因子和对应的所述实测水稻产量进行组合，得到不同组合的训练样本；根据不同组合的训练样本分别对预设卷积神经网络进行训练，以训练得到每种组合的训练样本对应的卷
积神经网络预测模型；计算出每种所述卷积神经网络预测模型的决定系数、均方根误差及预测精度；基于所述决定系数、所述均方根误差及所述预测精度，从所有所述卷积神经网络预测模型筛选出最优的所述水稻估产模型。
61.其中，所述预测精度的计算公式为：p=1-e，其中，；式中，p为所述预测精度，e代表相对误差，ep表示预测产量，ap表示实际产量。
62.进一步地，在本发明一些可选实施例当中，所述相关性分析单元还用于计算出所述预设样本点的每个所述建模因子与所述实测水稻产量的皮尔逊相关系数；将皮尔逊相关系数高于阈值的建模因子确定为所述最终建模因子。
63.其中，所述皮尔逊相关系数的计算公式为：式中，e是数学期望，cov表示协方差，x和y分别代表建模因子和实测水稻产量，ρ表示皮尔逊相关系数，σ表示标准差，μ表示均值。
64.进一步地，在本发明一些可选实施例当中，所述预设样本点的数量根据所述目标水稻区域的面积和/或水稻种植密度确定，所述遥感影像数据优选为哨兵2号遥感影像数据。
65.上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同，在此不再赘述。
66.实施例四本发明另一方面还提出一种基于遥感影像数据的水稻估产设备，请参阅图4，所示为本发明第四实施例中的基于遥感影像数据的水稻估产设备的结构示意图，包括存储器20、处理器10以及存储在存储器上并可在处理器上运行的计算机程序30，所述处理器10执行所述计算机程序30时实现如上述的基于遥感影像数据的水稻估产方法。
67.其中，所述基于遥感影像数据的水稻估产设备具体可以为计算机、服务器、上位机等，处理器10在一些实施例中可以是中央处理器（central processing unit, cpu）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行访问限制程序等。
68.其中，存储器20至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，sd或dx存储器等）、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是基于遥感影像数据的水稻估产设备的内部存储单元，例如该基于遥感影像数据的水稻估产设备的硬盘。存储器20在另一些实施例中也可以是基于遥感影像数据的水稻估产设备的外部存储装置，例如基于遥感影像数据的水稻估产设备上配备的插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）等。进一步地，存储器20还可以既包括基于遥感影像数据的水稻估产设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储安装于基于遥感影像数据的水稻估产设备的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出
的数据。
69.需要指出的是，图4示出的结构并不构成对基于遥感影像数据的水稻估产设备的限定，在其它实施例当中，该基于遥感影像数据的水稻估产设备可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
70.本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的基于遥感影像数据的水稻估产方法。
71.本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
72.计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（ram），只读存储器（rom），可擦除可编辑只读存储器（eprom或闪速存储器），光纤装置，以及便携式光盘只读存储器（cdrom）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
73.应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（pga），现场可编程门阵列（fpga）等。
74.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、
ꢀ“
示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
75.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种基于遥感影像数据的水稻估产方法，其特征在于，所述方法包括：获取目标水稻区域当中各预设样本点的实测水稻产量，各所述预设样本点分布在所述目标水稻区域的各个位置，并记录有每个所述预设样本点的位置信息；获取涵盖所述目标水稻区域的遥感影像数据，并基于所述遥感影像数据每个位置点的原始波段计算出所述遥感影像数据每个位置点对应的植被指数和纹理特征；根据所述预设样本点的位置信息，从所述遥感影像数据当中提取每个所述预设样本点对应的建模因子，所述建模因子包括植被指数、纹理特征和各原始波段；根据每个所述预设样本点的所述建模因子及所述实测水稻产量，训练水稻估产模型；采用所述水稻估产模型对获取的涵盖待估产区域的遥感影像数据进行所述待估产区域的水稻估产。2.根据权利要求1所述的基于遥感影像数据的水稻估产方法，其特征在于，根据每个所述预设样本点的所述建模因子及所述实测水稻产量，训练水稻估产模型的步骤包括：将所述预设样本点的所述建模因子与所述实测水稻产量进行相关性分析，以从各所述建模因子当中筛选出与所述实测水稻产量相关的最终建模因子；根据所述最终建模因子及对应的所述实测水稻产量对预设卷积神经网络进行训练，训练得到所述水稻估产模型。3.根据权利要求2所述的基于遥感影像数据的水稻估产方法，其特征在于，根据所述最终建模因子及对应的所述实测水稻产量对预设卷积神经网络进行训练，训练得到所述水稻估产模型的步骤包括：将所述最终建模因子和对应的所述实测水稻产量进行组合，得到不同组合的训练样本；根据不同组合的训练样本分别对预设卷积神经网络进行训练，以训练得到每种组合的训练样本对应的卷积神经网络预测模型；计算出每种所述卷积神经网络预测模型的决定系数、均方根误差及预测精度；基于所述决定系数、所述均方根误差及所述预测精度，从所有所述卷积神经网络预测模型筛选出最优的所述水稻估产模型。4.根据权利要求3所述的基于遥感影像数据的水稻估产方法，其特征在于，所述预测精度的计算公式为：p=1-e，其中，；式中，p为所述预测精度，e代表相对误差，ep表示预测产量，ap表示实际产量。5.根据权利要求2所述的基于遥感影像数据的水稻估产方法，其特征在于，将所述预设样本点的所述建模因子与所述实测水稻产量进行相关性分析的步骤包括：计算出所述预设样本点的每个所述建模因子与所述实测水稻产量的皮尔逊相关系数；将皮尔逊相关系数高于阈值的建模因子确定为所述最终建模因子。6.根据权利要求5所述的基于遥感影像数据的水稻估产方法，其特征在于，所述皮尔逊相关系数的计算公式为：
式中，e是数学期望，cov表示协方差，x和y分别代表建模因子和实测水稻产量，ρ表示皮尔逊相关系数，σ表示标准差，μ表示均值。7.根据权利要求1所述的基于遥感影像数据的水稻估产方法，其特征在于，所述预设样本点的数量根据所述目标水稻区域的面积和/或水稻种植密度确定，所述遥感影像数据为哨兵2号遥感影像数据。8.一种基于遥感影像数据的水稻估产装置，其特征在于，所述装置包括：产量获取模块，用于获取目标水稻区域当中各预设样本点的实测水稻产量，各所述预设样本点分布在所述目标水稻区域的各个位置，并记录有每个所述预设样本点的位置信息；影像获取模块，用于获取涵盖所述目标水稻区域的遥感影像数据，并基于所述遥感影像数据每个位置点的原始波段计算出所述遥感影像数据每个位置点对应的植被指数和纹理特征；因子提取模块，用于根据所述预设样本点的位置信息，从所述遥感影像数据当中提取每个所述预设样本点对应的建模因子，所述建模因子包括植被指数、纹理特征和各原始波段；模型训练模块，用于根据每个所述预设样本点的所述建模因子及所述实测水稻产量，训练水稻估产模型；水稻估产模块，用于采用所述水稻估产模型对获取的涵盖待估产区域的遥感影像数据进行所述待估产区域的水稻估产。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1－7任一所述的基于遥感影像数据的水稻估产方法。10.一种基于遥感影像数据的水稻估产设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1－7任一所述的基于遥感影像数据的水稻估产方法。

技术总结
本发明提供一种基于遥感影像数据的水稻估产方法、装置及设备，所述方法包括：获取目标水稻区域当中各预设样本点的实测水稻产量；获取涵盖目标水稻区域的遥感影像数据，并基于遥感影像数据每个位置点的原始波段计算出遥感影像数据每个位置点对应的植被指数和纹理特征；从遥感影像数据当中提取每个预设样本点对应的建模因子，建模因子包括植被指数、纹理特征和各原始波段；根据每个预设样本点的建模因子及实测水稻产量，训练水稻估产模型；采用水稻估产模型进行待估产区域的水稻估产。本发明采用哨兵2号高清遥感影像数据、并搭配高精度的水稻估产建模方法，能够大幅提高水稻估产准确性和可靠性，不仅在平原地区适用、对于丘陵地区也依然适用。地区也依然适用。地区也依然适用。


技术研发人员：叶英聪 曾学亮 郭熙 钟亮 刘玉清
受保护的技术使用者：江西农业大学
技术研发日：2022.04.24
技术公布日：2022/5/25