[发明专利]一种基于GEE综合遥感影像和深度学习方法的作物估产方法

说明书

本发明公开了一种基于GEE综合遥感影像和深度学习方法的作物估产技术，包括：S1：利用GEE平台将研究时段内遥感数据和气象数据与所述地理空间数据进行空间匹配；S2：提取研究区域内的所述研究时段内每年作物的栅格种植区；S3:利用GEE平台提取作物关键生育期内月值影响因子和土壤属性因子；S4：计算每个县作物栅格的质点空间位置信息；S5:利用深度学习框架keras平台搭建机器深度学习产量预测模型，并实现模型的本地化；S6：利用本地化的模型来预测所述研究时段中待预测年份的作物产量。

技术领域

本发明涉及农业遥感技术领域，具体而言涉及一种基于Google Earth Engine(GEE)平台综合遥感影像和深度学习方法的作物估产技术。

背景技术

农业是人类社会生活基本资料的来源，也是国民经济的根基。粮食生产是农业部门的核心，粮食安全关乎人民的生存与国家的稳定。适时、准确、大范围的监测作物生长状况、预报粮食产量对保障农民利益，保证该地区乃至全国的粮食安全都有非常重要的意义。目前主流估产模型分为统计估产模型、光能利用率模型、作物生长模型和耦合模型四大类。统计估产模型主要是依托于统计理论，通过构建作物影响因子(卫星数据反演的气象参数、遥感植被指数)与单产之间的统计关系建立线性回归模型实现产量估算；光能利用率模型主要是利用遥感估算生物量(AGB)或净初级生产力(NPP)，加上修正的收获指数(EI)，进行农业产量估算；作物生长机理模型主要是通过输入大量的参数(田间管理措施，气象、土壤信息和品种特性)，对作物生长及产量形成过程以天步长、小时长实现动态模拟，该类模型主要适用于点尺度的作物产量模拟和预测；耦合模型主要是将LAI(Leaf Area Index)等遥感参数同化到作物生长机理模型进而实现大范围的产量估算。但是现有的这些方法都未能精准实现高精度(格网化)的作物估产。

基于统计估产模型虽然简单易用，但需操作人员具有丰富的经验，另外这种统计方法易出现过拟合和时空维度普适性差的特点，不宜推广等缺点。光能利用率参数模型虽充分发挥遥感获取大范围信息的优势，但部分参数量化(如光能利用效率、收获指数等)需要进一步加强研究。作物生长机理模型较为复杂，需要大量和精确参数的输入,并且有些参数的获取代价十分大，制约了作物模型大范围地区进行推广，因此该类模型主要限制于点尺度的产量估算和预测。耦合模型从同化的方法、数据的选择和同化的精度都存在很大的不确定性，且需要大量的输入数据，计算耗时过长，且误差的累积往往导致最后的估算精度不够高。所以目前的估产研究大都基于行政(国家、省、市县)、点(如农气站、实验田)和田块尺度，仍缺乏格网化高精度、大范围的估产研究。

因此，需要新技术来至少部分解决农业遥感领域中上述局限性。

发明内容

遥感因其快速、宏观、动态等特点被广泛应用于农业估产和监测。另外，随着计算机计算的发展，GEE(Google Earth Engine)平台具有海量共享的遥感数据、气象数据和地理数据，具有支持并行云端运算的特点，为大规模遥感数据的处理与数据挖掘提供了技术平台。近些年来机器学习方法方兴未艾，也有被应用到农业领域中的报道。但是基于深度学习和先进的遥感算法应用于大区域的县级和田块尺度的产量估算仍然处于初级尝试阶段，这为实现格网化的作物估产提供了可能。

为解决现有作物估产存在的地面实测输入数据繁杂、难以获取，估产模型空间泛化能力较弱和同化算法不确定性和计算成本高等问题，本发明基于深度学习和先进的遥感算法，利用GEE平台的遥感卫星数据、气象和土壤数据创建了一种大区域范围从区域(县级)到网格(1-km)的作物估产新技术方法。

根据本发明一方面，提供了一种基于Google Earth Engine平台综合遥感影像和深度学习方法的作物估产技术，包括如下步骤：

S1：获取研究区域内的地理空间数据，并将该数据输入GEE平台，然后利用GEE平台将研究时段内遥感数据和气象数据与所述地理空间数据进行空间匹配；