本發(fā)明涉及遙感，特別涉及一種農(nóng)作物長勢的反演方法、系統(tǒng)、設備及介質(zhì)。

背景技術(shù)：

1、遙感技術(shù)在獲取地面信息方面具有周期性觀測和大面積覆蓋的特點。在農(nóng)業(yè)資源監(jiān)測中發(fā)揮著重要作用。它能夠在空間和時間上捕捉陸地植被關(guān)鍵生物物理參數(shù)的分布信息，是玉米長勢研究的基礎。

2、現(xiàn)有技術(shù)中，玉米的長勢預測大多從單一因素，如土壤因素、氣象因素或是作物本身的因素進行分析，或是從無人機采集數(shù)據(jù)的小尺度方向進行分析。

3、但是，單一因素很難反映農(nóng)作物的總體生長情況，致使無法精準預測農(nóng)作物的長勢。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例提供一種農(nóng)作物長勢的反演方法、系統(tǒng)、設備及介質(zhì)，可以解決現(xiàn)有技術(shù)中，存在無法精準預測農(nóng)作物的長勢的問題。

2、本發(fā)明實施例提供一種農(nóng)作物長勢的反演方法，包括以下步驟：根據(jù)農(nóng)作物種植區(qū)域光譜圖像的反射率獲取紅邊指數(shù)reip和紅邊指數(shù)ireci；并將紅邊指數(shù)reip和紅邊指數(shù)ireci按照不同比例進行組合，獲得第一比例的組合指數(shù)和第二比例的組合指數(shù)；通過第一比例的組合指數(shù)訓練第一深度神經(jīng)網(wǎng)絡dnn以預測葉面積指數(shù)，并在訓練過程中通過粒子群方法優(yōu)化第一深度神經(jīng)網(wǎng)絡dnn的學習率和正則化參數(shù)，以構(gòu)建葉面積指數(shù)反演模型；通過第二比例的組合指數(shù)訓練第二深度神經(jīng)網(wǎng)絡dnn以預測株高數(shù)據(jù)，獲取株高反演模型；將待測的農(nóng)作物種植區(qū)域光譜圖像的紅邊指數(shù)reip和紅邊指數(shù)ireci分別按照第一比例和第二比例進行組合；將待測的第一比例的組合指數(shù)代入葉面積指數(shù)反演模型獲得葉面積指數(shù)，將待測的第二比例的組合指數(shù)代入株高反演模型獲得株高數(shù)據(jù)；將葉面積指數(shù)和株高數(shù)據(jù)通過熵權(quán)法擬合，獲得評價農(nóng)作物長勢的指標權(quán)重結(jié)果。

3、進一步地，所述獲取葉面積指數(shù)反演模型，具體步驟包括：獲取按照第一比例進行組合的紅邊指數(shù)re?ip和紅邊指數(shù)i?rec?i；在包含了5個線性層的第一深度神經(jīng)網(wǎng)絡dnn內(nèi)設置初始超參數(shù)，利用粒子群優(yōu)化算法對超參數(shù)進行優(yōu)化，得到學習率和l2正則化強度，，通過第一比例的組合指數(shù)訓練優(yōu)化的第一深度神經(jīng)網(wǎng)絡dnn以預測葉面積指數(shù)，以構(gòu)建葉面積指數(shù)反演模型。

4、進一步地，所述獲取株高反演模型，具體步驟包括：獲取按照第二比例進行組合的紅邊指數(shù)re?ip和紅邊指數(shù)i?rec?i；在包含5個線性層的第二深度神經(jīng)網(wǎng)絡dnn內(nèi)設置超參數(shù)，將學習率設置為0.0001，調(diào)整正則化強度為0.2，通過第二比例的組合指數(shù)訓練第二深度神經(jīng)網(wǎng)絡dnn以預測株高數(shù)據(jù)，得到株高反演模型。

5、進一步地，所述將紅邊指數(shù)re?ip和紅邊指數(shù)i?rec?i按照不同比例進行組合，具體步驟包括：將紅邊指數(shù)re?ip和紅邊指數(shù)i?rec?i按照0.3：0.7的第一比例進行組合；將紅邊指數(shù)re?ip和紅邊指數(shù)i?rec?i按照0.2：0.8的第二比例進行組合。

6、進一步地，所述獲取紅邊指數(shù)re?ip和紅邊指數(shù)i?reci，具體包括：根據(jù)農(nóng)作物種植區(qū)域光譜圖像中包含的反射率獲取多個植被指數(shù)，使用特征遞歸消除算法對多個植被指數(shù)進行特征選擇，選出紅邊指數(shù)re?ip以及紅邊指數(shù)i?rec?i。

7、進一步地，所述獲得評價農(nóng)作物長勢的指標權(quán)重結(jié)果，具體步驟包括：將葉面積指數(shù)和株高數(shù)據(jù)進行標準化處理，以消除不同量綱的影響；對標準化處理后的數(shù)據(jù)獲取每個指標的信息熵，并使用信息冗余度獲得權(quán)重結(jié)果。

8、本發(fā)明實施例提供一種農(nóng)作物長勢的反演系統(tǒng)，包括：

9、數(shù)據(jù)獲取模塊，用于根據(jù)農(nóng)作物種植區(qū)域光譜圖像的反射率獲取紅邊指數(shù)re?ip和紅邊指數(shù)i?rec?i；并將紅邊指數(shù)re?ip和紅邊指數(shù)i?reci按照不同比例進行組合，獲得第一比例的組合指數(shù)和第二比例的組合指數(shù)；

10、模型訓練模塊，用于通過第一比例的組合指數(shù)訓練第一深度神經(jīng)網(wǎng)絡dnn以預測葉面積指數(shù)，并在訓練過程中通過粒子群方法優(yōu)化第一深度神經(jīng)網(wǎng)絡dnn的學習率和正則化參數(shù)，以構(gòu)建葉面積指數(shù)反演模型；通過第二比例的組合指數(shù)訓練第二深度神經(jīng)網(wǎng)絡dnn以預測株高數(shù)據(jù)，獲取株高反演模型；

11、長勢反演模塊，用于將待測的農(nóng)作物種植區(qū)域光譜圖像的紅邊指數(shù)re?ip和紅邊指數(shù)i?rec?i分別按照第一比例和第二比例進行組合；將待測的第一比例的組合指數(shù)代入葉面積指數(shù)反演模型獲得葉面積指數(shù)，將待測的第二比例的組合指數(shù)代入株高反演模型獲得株高數(shù)據(jù)；將葉面積指數(shù)和株高數(shù)據(jù)通過熵權(quán)法擬合，獲得評價農(nóng)作物長勢的指標權(quán)重結(jié)果。

12、本發(fā)明實施例提供一種計算機設備，包括：存儲器和處理器；所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述所述的一種農(nóng)作物長勢的反演方法。

13、本發(fā)明實施例提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述所述的一種農(nóng)作物長勢的反演方法。

14、本發(fā)明實施例提供一種農(nóng)作物長勢的反演方法、系統(tǒng)、設備及介質(zhì)，與現(xiàn)有技術(shù)相比，其有益效果如下：

15、根據(jù)農(nóng)作物種植區(qū)域光譜圖像的反射率獲取紅邊指數(shù)re?ip和紅邊指數(shù)i?reci；并將紅邊指數(shù)re?ip和紅邊指數(shù)i?rec?i按照不同比例進行組合，獲得第一比例的組合指數(shù)和第二比例的組合指數(shù)；通過第一比例的組合指數(shù)訓練第一深度神經(jīng)網(wǎng)絡dnn以預測葉面積指數(shù)，并在訓練過程中通過粒子群方法優(yōu)化第一深度神經(jīng)網(wǎng)絡dnn的學習率和正則化參數(shù)，以構(gòu)建葉面積指數(shù)反演模型；通過第二比例的組合指數(shù)訓練第二深度神經(jīng)網(wǎng)絡dnn以預測株高數(shù)據(jù)，獲取株高反演模型；將待測的農(nóng)作物種植區(qū)域光譜圖像的紅邊指數(shù)re?ip和紅邊指數(shù)i?reci分別按照第一比例和第二比例進行組合；將待測的第一比例的組合指數(shù)代入葉面積指數(shù)反演模型獲得葉面積指數(shù)，將待測的第二比例的組合指數(shù)代入株高反演模型獲得株高數(shù)據(jù)；將葉面積指數(shù)和株高數(shù)據(jù)通過熵權(quán)法擬合，獲得評價農(nóng)作物長勢的指標權(quán)重結(jié)果。

16、其中，將反映農(nóng)作物長勢的紅邊指數(shù)re?ip和紅邊指數(shù)ireci按照不同比例進行組合輸入葉面積指數(shù)反演模型，實現(xiàn)對葉面積指數(shù)的精準預測，再使用熵權(quán)法擬合預測的株高數(shù)據(jù)，將葉面積指數(shù)和株高數(shù)據(jù)作為評價農(nóng)作物長勢的指標并能精準獲取評價農(nóng)作物長勢的指標權(quán)重結(jié)果，最終實現(xiàn)對農(nóng)作物長勢的精準預測。

技術(shù)特征：

1.一種農(nóng)作物長勢的反演方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的一種農(nóng)作物長勢的反演方法，其特征在于，所述獲取葉面積指數(shù)反演模型，具體步驟包括：

3.如權(quán)利要求1所述的一種農(nóng)作物長勢的反演方法，其特征在于，所述獲取株高反演模型，具體步驟包括：

4.如權(quán)利要求1所述的一種農(nóng)作物長勢的反演方法，其特征在于，所述將紅邊指數(shù)reip和紅邊指數(shù)ireci按照不同比例進行組合，具體步驟包括：

5.如權(quán)利要求1所述的一種農(nóng)作物長勢的反演方法，其特征在于，所述獲取紅邊指數(shù)reip和紅邊指數(shù)ireci，具體包括：

6.如權(quán)利要求1所述的一種農(nóng)作物長勢的反演方法，其特征在于，所述獲得評價農(nóng)作物長勢的指標權(quán)重結(jié)果，具體步驟包括：

7.一種農(nóng)作物長勢的反演系統(tǒng)，其特征在于，包括：

8.一種計算機設備，包括：存儲器和處理器；

9.一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1～6中任一項所述的一種農(nóng)作物長勢的反演方法。

技術(shù)總結(jié)
本發(fā)明公開了一種農(nóng)作物長勢的反演方法、系統(tǒng)、設備及介質(zhì)，涉及遙感技術(shù)領(lǐng)域，包括：根據(jù)農(nóng)作物種植區(qū)域光譜圖像的反射率獲取紅邊指數(shù)REIP和紅邊指數(shù)IRECI，并將紅邊指數(shù)REIP和紅邊指數(shù)IRECI按照不同比例進行組合；通過第一比例的組合指數(shù)訓練第一深度神經(jīng)網(wǎng)絡DNN以預測葉面積指數(shù)，并在訓練過程中通過粒子群方法優(yōu)化第一深度神經(jīng)網(wǎng)絡DNN的學習率和正則化參數(shù)，以構(gòu)建葉面積指數(shù)反演模型；通過第二比例的組合指數(shù)訓練第二深度神經(jīng)網(wǎng)絡DNN以預測株高數(shù)據(jù)，獲取株高反演模型；根據(jù)葉面積指數(shù)反演模型和株高反演模型獲得葉面積指數(shù)和株高數(shù)據(jù)并通過熵權(quán)法擬合，獲得評價農(nóng)作物長勢的指標權(quán)重結(jié)果。本發(fā)明能夠?qū)r(nóng)作物長勢進行精準預測。

技術(shù)研發(fā)人員：馮子怡,尹迎,陳春玲,王卓,韓昊,李宛凝
受保護的技術(shù)使用者：沈陽農(nóng)業(yè)大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23