[发明专利]一种冬小麦生物量估算方法

说明书

技术领域

本发明属于农业监测技术领域，尤其涉及一种基于冠层图像和BP人工神 经网络的冬小麦生物量估算方法。

背景技术

小麦是我国重要的粮食作物之一，快速、准确地监测小麦长势信息，对于 小麦生长过程中实施精确管理及估测产量等具有重要意义。作物长势是作物生 长的状况与趋势，一般用叶面积、叶色、株高、茎粗和生物量等来衡量其优劣， 其中，地上部生物量是表征作物生长状况的重要指标，其大小与作物群体的光 能利用和产量形成密切相关。获取作物地上部生物量的传统方法是通过破坏性 田间植株取样和室内分析，虽具有较好的数据可靠性，但效率低，且耗时间和 资源。地面、航空和卫星遥感通过遥感影像的红波段和近红外波段信息计算的 植被指数与地上部生物量、叶面积指数等长势指标的相关关系及基于植被指数 及统计学方法所构建的线性、非线性模型来估算作物长势指标，进而实现作物 长势监测。而地面遥感较航空、卫星遥感相比，因更接近于地面而较少受到云 层的干扰,能获得分辨率更高的图像，另外，因其图像采集时间选择的随机性， 使实时采集田间图像成为可能。

近年来数码相机作为可见光光谱地面遥感工具的一种新的选择，因其经 济、高效等特点，在作物长势监测领域得到广泛的应用。Behrens等指出油菜冠 层图像中提取的冠层覆盖度与地上部干重呈显著相关。Li等得出冠层覆盖度与 小麦叶面积指数、地上部干重和地上部氮素浓度呈显著相关的结论。Lee等利 用水稻冠层图像中提取的冠层覆盖度与地上部干重、地上部氮素含量和叶面积 指数呈显著正相关，并利用逐步回归方法拟合了基于冠层覆盖度及其他色彩指 数的水稻长势估算模型。基于作物冠层覆盖度及图像色彩指数的作物长势估算 模型大多采用多元线性回归或非线性回归方法进行拟合，但当叶面积指数或生 物量较大时，其估算误差明显增大。其原因为，随着作物生育进程的推移，地 上部生物量、叶面积指数等的增大会引起叶片的重叠，它导致冠层覆盖度的增 大速度明显小于地上部生物量等的增大速度，即作物冠层覆盖度的变化不能有 规律地反映生物量、叶面积指数等的变化。

这种现象与高光谱作物长势估算中的饱和现象相似，即当作物叶面积指 数、生物量等较大时，一些植被指数，如归一化指数等，将趋于饱和水平，从 而影响估算精度。人工神经网络、波段深度分析等方法在一定程度上提高生物 量、叶面积指数等较大时的作物长势高光谱估算精度，但有关利用人工神经网 络来构建基于作物冠层图像分析的作物农学参数估算模型的研究及相关技术的 报道较少。

发明内容

本发明的目的在于提供一种基于冠层图像和BP人工神经网络的冬小麦生 物量估算方法，旨在利用人工神经网络方法建立基于冬小麦冠层图像分析的地 上部生物量估算模型，研究结果可为冬小麦及其他作物长势监测研究提供理论 和技术上的借鉴。

本发明是这样实现的，一种冬小麦生物量估算方法，该方法包括以下步骤：

S1、对小麦冠层进行图像采集，获取各组小麦的冠层覆盖度和冠层图像色 彩指数；对图像采集后的各组小麦进行取样和处理后，计算单位面积的地上部 生物量；

S2、对各组小麦的冠层覆盖度、图像色彩指数以及地上部生物量数据采用 估算生物量的逐步回归模型进行筛选，选择出合格样本数据，并将样本数据随 机分为A组和B组；

S3、将A组样本数据用于冬小麦地上部生物量估算模型的构建，即采用 BP人工神经网络模型对选择的合格样本数据进行训练；

S4、将B组样本数据用于估算模型的验证，即将B组样本数据中的冠层覆 盖度CC、绿光标准化值g、蓝光标准化值b和归一化差值指数NDI作为BP人 工神经网络模型的输入矢量，利用Sim函数计算并输出冬小麦地上部生物量， 最后输出人工神经网络模型参数。

优选地，在步骤S1中，所述冠层图像色彩指数包括红光标准化值r、绿光 标准化值g、蓝光标准化值b、归一化差值指数NDI、色调Hue、饱和度SAT 和亮度INT。

优选地，在步骤S1中，所述处理为将样本在105℃下杀青30min后于72℃ 下烘干至恒重，称其重量。

优选地，在步骤S2中，采用估算生物量的逐步回归模型将学生残差大于 ±2.0的各组数据作为异常值剔出，得到合格样本数据。