[发明专利]一种农作物季节早期多源遥感产量数据处理方法及预测方法

说明书

本发明公开了一种农作物季节早期多源遥感产量数据处理方法及预测方法，其中数据处理方法包括以下步骤：对多光谱图像、激光雷达数据进行预处理，得到对应目标区域的多个多光谱特征图、激光雷达特征图；将所有的多光谱特征图、激光雷达特征图合并成一个原数据矩阵，对原数据矩阵进行双变量参数的非负矩阵分解，得到新特征权重矩阵；从新特征权重矩阵提取构成每个新特征所占比重最大的原始特征序号，从原数据矩阵中筛选得到新数据矩阵，由此完成数据处理。

技术领域

本发明涉及农业的遥感图像处理技术领域，具体为一种农作物季节早期多源遥感产量数据处理方法及预测方法。

背景技术

快速、精确的作物产量预测，对国家制定粮食政策，进行价格宏观调控，实现乡村经济的振兴以及粮食进出口贸易等都具有重要意义。传统的作物产量预测方法主要有农学估产法、统计估产法以及气象统计法等，而这些方法往往只适用于小面积估产。自20世纪70年代以来，遥感技术因其宏观、动态和快速的特点在农业生产上得到了广泛的应用，为农作物长势的监测以及籽粒产量的预测提供了有效的途径。

近年来，一方面获取光谱及其他结构信息的传感器逐渐小型化并不断提升可集成性，另一方面搭载这些传感器的无人机平台的载荷与稳定性亦有了长足进步，这些变化使得多种传感器联合、同步数据获取越来越成为主流的遥感探测方案之一。将多模式传感数据结合应用于产量预测工作，可以结合不同传感器系统所包含的丰富的光谱、空间和结构信息的优点，获得更全面、更详细的当前作物信息，有助于改善产量预测的预测精度。

现有的作物遥感估产技术大体可分为3个步骤：通过分析遥感影像数据估算作物种植面积；通过分析遥感影像数据提取作物相应的植被指数，以进行作物长势状况的监测；构建植被指数和作物产量以及其它气象、农学参数等资料的单产估算模型，再经过进一步的计算得到总产。而在利用多源遥感数据特征和作物产量构建单产估算模型时，为避免冗余特征或无效特征降低估产模型的预测性能，往往会采用PCA算法对数据进行降维处理，然后针对降维后的遥感数据与产量数据采用多元线性回归的方法构建关系函数，得到简单的产量预测模型，但是所获得的模型可解释性差且预测精度不足。

发明内容

本发明为了解决以上现有技术存在不足与缺陷的问题，提供了一种农作物季节早期多源遥感产量数据处理方法及预测方法。

为实现上述本发明目的，采用的技术方案如下：

一种农作物季节早期多源遥感产量数据处理方法，包括以下步骤：

对多光谱图像、激光雷达数据进行预处理，得到对应目标区域的多个多光谱特征图、激光雷达特征图；

将所有的多光谱特征图、激光雷达特征图合并成一个原数据矩阵，对原数据矩阵进行双变量参数的非负矩阵分解，得到新特征权重矩阵；

从新特征权重矩阵提取构成每个新特征所占比重最大的原始特征序号，从原数据矩阵中筛选得到新数据矩阵，由此完成数据处理。

优选地，对多光谱图像进行预处理，得到多光谱特征图，具体步骤如下：

对多光谱图像的多个通道图，利用能反映农作物生长态势的N1个不同的植被指数进行处理，得到N1个植被指数图；

以最终产量收成时生物量采样区的大小为标准，对N1个植被指数图同步进行网格划分；

然后在每幅植被指数图的每个网格单位内提取N2个不同的衍生物形成N1×N2个个多光谱特征图，其中N1、N2均为正整数。

进一步地，所述的植被指数共N1＝10项，分别为归一化植被指数、归一化差异红色边缘指数、绿光归一化差值植被指数、增强型植被指数、改性花青素含量指数、优化土壤调节植被指数、简化冠层叶绿素含量指数、转化叶绿素吸收和反射率指数、三角绿色指数、可见大气阻力指数。