一种基于多光谱影像的土壤湿度预测方法及装置与流程

1.本发明涉及农业种植业领域，尤其涉及一种基于多光谱影像的土壤湿度预测方法及装置。


背景技术：

2.土地是农业生产最重要的物质基础，是农民最基本的生产资料和最基本的生活保障。土壤水分是控制陆地表面与大气之间水和能量循环的最活跃变量之一，在地球水文过程、物理化学过程中扮演着重要角色。准确获取区域土壤水分时空分布和变化对于水文过程模拟、农业估产、生态系统平衡、洪旱灾害监测、水资源管理及气候预测等方面具有重要意义。传统的站点土壤水分监测法可以提供区域分布的点状土壤水分信息，但是受到气象条件和复杂下垫面的影响，土壤水分在时间、空间尺度上通常变现出强烈的异质性。而遥感技术具有的独特优势可以将站点观测到的点信息拓展到更符合客观世界的面信息，为区域土壤水分的快速、连续观测提供了可能。传统的站点监测手段很难满足大范围、高时空分辨率的土壤水分信息精细化观测需求，水文气象站提供的土壤水分信息仅在小空间尺度上具有代表性，因而需要一种新方法用来进行大范围土壤水分监测。
3.传统的站点土壤水分监测法可以提供区域分布的点状土壤水分信息，但是受到气象条件和复杂下垫面的影响，土壤水分在时间、空间尺度上通常变现出强烈的异质性。物联网设备中的水文气象站往往只能获取其中一处点位的水分信息，数据为点源数据，无法代表一个较大尺度内的土壤水分情况。
4.现有土壤水分估计方法，最主要的方法为干燥法、土壤湿度传感器测量法。传统的干燥法一直被用作土壤含水率测定的标准技术方法，但是该方法耗时耗力，且具有破坏性；传感器测量法则存在设备成本高、准确性差等缺点。
5.现有土壤水分估计方法，数据时效性较差，从样品采集到实验室干燥获取土壤含水量之间存在时间差，造成数据滞后性，无法用于指导农业种植活动开展。
6.现有土壤水分估计方法，是以“点”的形式采集数据，现有方法大多采用布置水文物联网设备进行土壤温度湿度的测量。除去设备成本问题，该方法获取的水分信息往往以点数据作为面状地块数据。
7.现有土壤水分估计方法，土壤采集费用、化学试剂费用、仪器费用、设备费用都是一笔不小的开支，占据很大一部分的生产成本，影响测土点位数与物联网设备布置数，无法很好平衡支出与监测精度。


技术实现要素：

8.本发明提供的一种基于多光谱影像的土壤湿度预测方法，旨在解决现有技术中计算土壤湿度数据会随着时间和空间的变化而导致预测土壤的湿度数据不精准的问题。
9.为实现上述目的，本发明采用以下技术方案：
10.在样方区域内确定多个采样点，在第一时刻获取第一遥感指数和所述多个采样点
的地形数据及第一土壤湿度数据；
11.以所述第一遥感指数和所述地形数据为自变量、所述第一土壤湿度数据为因变量，根据最小二乘法建立所述自变量和所述因变量的映射关系；
12.在第二时刻获取第二遥感指数，并基于所述映射关系和所述第二遥感指数，得到第二时刻所述多个采样点的土壤湿度数据，以预测所述所述样方区域的土壤湿度。
13.作为优选，所述在样方区域内确定多个采样点，包括：
14.根据计算公式n＝t2*s2/d2计算样方区域内的最少采样点个数，其中n表示采样点个数，t表示选定置信水平一定自由度下的t值，s2为均方差，d为可接受的绝对偏差；以及
15.根据计算公式l＝(a/n)
1/2
计算所述最少采样点个数之间的间距，其中l为间距，a为所述样方区域的面积，n表示采样点个数；
16.根据所述最少采样点个数和间距在样方区域内确定多个采样点。
17.作为优选，所述在第一时刻获取第一遥感指数，包括：
18.在第一时刻获取第一遥感指数，所述遥感指数包括地表水分指数和地表干旱指数；
19.根据计算公式lswi＝(nir
‑
swir)/(nir+swir)计算所述地表水分指数，其中，nir和swir分别表示短波红外和近红外波段的光谱反射率值，lswi表示地表水分指数；以及
20.根据计算公式vsdi＝1
‑
[(swir
‑
blue)+(red
‑
blue)]计算所述地表干旱指数，swir、bule和red分别表示短波红外、蓝光和红外波段的光谱反射率值，vsdi表示地表干旱指数。
[0021]
作为优选，所述以所述第一遥感指数和所述地形数据为自变量、所述第一土壤湿度数据为因变量，根据最小二乘法建立所述自变量和所述因变量的映射关系，包括：
[0022]
所述地形数据包括海拔，以所述第一遥感指数和所述海拔为自变量、所述第一土壤湿度数据为因变量建立线性回归方程；
[0023]
获取所述自变量的多组观测值，计算所述线性回归方程的回归系数，得到所述自变量和所述因变量的映射关系。
[0024]
一种基于多光谱影像的土壤湿度预测装置，包括：
[0025]
获取模块：用于在样方区域内确定多个采样点，在第一时刻获取第一遥感指数和所述多个采样点的地形数据及第一土壤湿度数据；
[0026]
映射模块：用于以所述获取模块获取的所述第一遥感指数和所述地形数据为自变量、所述第一土壤湿度数据为因变量，根据最小二乘法建立所述自变量和所述因变量的映射关系；
[0027]
预测模块：用于在第二时刻获取第二遥感指数，并基于所述映射模块得到的所述映射关系和所述第二遥感指数，得到第二时刻所述多个采样点的土壤湿度数据，以预测所述所述样方区域的土壤湿度。
[0028]
作为优选，所述获取模块具体包括：
[0029]
所述获取模块具体包括：
[0030]
第一计算单元：用于根据计算公式n＝t2*s2/d2计算样方区域内的最少采样点个数，其中n表示采样点个数，t表示选定置信水平一定自由度下的t值，s2为均方差，d为可接受的绝对偏差；以及
[0031]
第二计算单元：用于根据计算公式l＝(a/n)
1/2
计算所述最少采样点个数之间的间距，其中l为间距，a为所述样方区域的面积，n表示采样点个数；
[0032]
采样点确定单元：用于根据所述最少采样点个数和间距在样方区域内确定多个采样点。
[0033]
作为优选，所述获取模块还包括：
[0034]
获取子单元：用于在第一时刻获取第一遥感指数，所述遥感指数包括地表水分指数和地表干旱指数；
[0035]
第三计算单元：用于根据计算公式lswi＝(nir
‑
swir)/(nir+swir)计算所述地表水分指数，其中，nir和swir分别表示短波红外和近红外波段的光谱反射率值，lswi表示地表水分指数；以及
[0036]
第四计算单元：用于根据计算公式vsdi＝1
‑
[(swir
‑
blue)+(red
‑
blue)]计算所述地表干旱指数，swir、bule和red分别表示短波红外、蓝光和红外波段的光谱反射率值，vsdi表示地表干旱指数。
[0037]
作为优选，所述映射模块具体包括：
[0038]
回归单元：用于所述地形数据包括海拔，以所述第一遥感指数和所述海拔为自变量、所述第一土壤湿度数据为因变量建立线性回归方程；
[0039]
映射子单元：用于获取所述自变量的多组观测值，计算所述线性回归方程的回归系数，得到所述自变量和所述因变量的映射关系。
[0040]
一种基于多光谱影像的土壤湿度预测装置，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如上述中任一项所述的一种基于多光谱影像的土壤湿度预测方法。
[0041]
一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述中任一项所述的一种基于多光谱影像的土壤湿度预测方法。
[0042]
本发明具有如下有益效果：
[0043]
土壤湿度数据的测量中，在首次测得土壤湿度数据时会比较精准，但是随着时间和空间的推移，土壤湿度数据会发生翻天覆地的变化，本技术通过首次测得的土壤湿度数据建立与多光谱影像计算得到的遥感数据的映射关系，因为遥感数据是监测的数据，有即测即得的特点，且随着时间和空间的推移变化较小，在利用遥感数据定期进行水分监测的情况下，利用无人机多光谱影像进行实时全区监测，为因地制宜实现土壤水分科学管理提供决策基础。除此之外还有如下四点有益效果：
[0044]
一点：针对监测效率问题。本专利通过多光谱影像数据计算水分相关指数，建立与土壤水分之间的关系。定期通过遥感数据进行土壤水分监测，防控旱涝灾害；同时通过无人机多光谱影像，使用反演模型实时获取园区水分信息辅助决策，具有分析速度快、覆盖范围广的特点。
[0045]
二点：针对数据时效性问题。本发明采取了无人机影像数据辅助进行水分监测的方法，有效避免了数据滞后性，有即测即得的特点。
[0046]
三点：针对面状插值问题。本发明的水分监测方法是通过反演光谱信息得到的，对于遥感影像、无人机影像而言，每一个栅格单元都进行了一次水分估计操作，每个像素在其小空间尺寸上都具有代表性，不存在面状插值问题。
[0047]
四点：针对成本费用问题。相较传统土壤水分检测方法，本发明节约了大量人力成本，成本的主要来源为水分反演模型建立初期的土壤采样成本与无人机的相机成本，及后续采用的卫星遥感影像类型所决定。
附图说明
[0048]
图1是本发明实施例实现一种基于多光谱影像的土壤湿度预测方法第一流程图；
[0049]
图2是本发明实施例实现一种基于多光谱影像的土壤湿度预测方法第二流程图；
[0050]
图3是本发明实施例实现一种基于多光谱影像的土壤湿度预测方法第三流程图；
[0051]
图4是本发明实施例实现一种基于多光谱影像的土壤湿度预测方法的具体实施流程图；
[0052]
图5是本发明实施例实现一种基于多光谱影像的土壤湿度预测装置示意图；
[0053]
图6是本发明实施例实现一种基于多光谱影像的土壤湿度预测装置的获取模块示意图；
[0054]
图7是本发明实施例实现一种基于多光谱影像的土壤湿度预测装置的一种电子设备示意图。
具体实施方式
[0055]
下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0056]
本技术的权利要求书和说明书的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本技术的实施例中对相同属性的对象在描述时所采用的区分方式，此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。
[0057]
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技术的技术领域的技术人员通常理解的含义相同，本文中在本技术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，不是在于限制本技术。
[0058]
实施例1
[0059]
如图1所示，一种基于多光谱影像的土壤湿度预测方法，包括以下步骤：
[0060]
s110、在样方区域内确定多个采样点，在第一时刻获取第一遥感指数和所述多个采样点的地形数据及第一土壤湿度数据；
[0061]
s120、以所述第一遥感指数和所述地形数据为自变量、所述第一土壤湿度数据为因变量，根据最小二乘法建立所述自变量和所述因变量的映射关系；
[0062]
s130、在第二时刻获取第二遥感指数，并基于所述映射关系和所述第二遥感指数，得到第二时刻所述多个采样点的土壤湿度数据，以预测所述所述样方区域的土壤湿度。
[0063]
在实施例1中，确定目标样方区域，则在样方区域内确定多个采样点，采样点的选
取要尽可能最具有代表性的地方。在第一时刻，获取样方区域的遥感指数，包括地表水分指数和可见光短波红外干旱指数。地表水分指数反映了地面的湿度情况，湿度越大，地表水分指数的值越大。以及获取所述多个采样点的地形数据，地形数据包括多个采样点的海拔和坡度，以所述遥感指数和所述地形数据多个参数为自变量，所述多个采样点的土壤湿度数据为因变量，利用最小二乘法将所述自变量和因变量进行多元线性回归，构建所述自变量和因变量的映射关系，其中，一个采样点的海拔和坡度，整个样方区域的遥感指数以及所述一个采样点的土壤湿度数据为一组映射关系，构成该映射关系需要多组观测值。第一时刻构建的映射关系即可用于预测第二时刻的样方区域的土壤湿度，获取第二时刻样方区域的遥感指数，将所述第二时刻样方区域的遥感指数，以及采样点的地形数据带入映射关系，即可得到第二时刻的所述多个采样点的土壤湿度数据，因为对于遥感影像、无人机影像而言，每一个栅格单元都进行了一次水分估计操作，每个像素在其小空间尺寸上都具有代表性，不存在面状插值问题，即可预测整个样方区域的土壤湿度。本实施例的有益效果为土壤湿度数据的测量中，在首次测得土壤湿度数据时会比较精准，但是随着时间和空间的推移，土壤湿度数据会发生翻天覆地的变化，本技术通过首次测得的土壤湿度数据建立与多光谱影像计算得到的遥感数据的映射关系，因为遥感数据是监测的数据，有即测即得的特点，且随着时间和空间的推移变化较小，在利用遥感数据定期进行水分监测的情况下，利用无人机多光谱影像进行实时全区监测，为因地制宜实现土壤水分科学管理提供决策基础。
[0064]
实施例2
[0065]
如图2所示，一种基于多光谱影像的土壤湿度预测方法，包括：
[0066]
s210、根据计算公式n＝t2*s2/d2计算样方区域内的最少采样点个数，其中n表示采样点个数，t表示选定置信水平一定自由度下的t值，s2为均方差，d为可接受的绝对偏差；
[0067]
s220、根据计算公式l＝(a/n)
1/2
计算所述最少采样点个数之间的间距，其中l为间距，a为所述样方区域的面积，n表示采样点个数；
[0068]
s230、根据所述最少采样点个数和间距在样方区域内确定多个采样点；
[0069]
由实施例2可知，确定目标样方区域后，计算最少要采样的点，按公式计算出的点数目是最小点位数量，用于保证这些点位数据可以描述整个研究区域的信息。比如在这里计算出的数量为25，在实际应用中点位数量大于等于25都可。并计算相邻采样点的间距，根据实际情况可适当减小网格间距，适当调整网格的起始经纬度，避开过多网格落在道路或河流上，使样品更具有代表性。首先采样点的自然景观应符合土壤环境背景值研究的要求。采样点选在被采土壤类型特征明显的地方，地形相对平坦、稳定、植被良好的地点；坡脚、洼地等具有从属景观特征的地点不设采样点；城镇、住宅、道路、沟渠、粪坑、坟墓附近等处人为干扰大，失去土壤的代表性，不宜设采样点，采样点离铁路、公路至少300米以上；采样点以剖面发育完整、层次较清楚、无侵入体为准，不在水土流失严重或表土被破坏处设采样点；选择不施或少施化肥、农药的地块作为采样点，以使样品点尽可能少受人为活动的影响；不在多种土类、多种母质母岩交错分布、面积较小的边缘地区布设采样点。采样点可采表层样或土壤剖面，一般监测采集表层土，采样深度0～20厘米，特殊要求的监测(土壤背景、环评、污染事故等)必要时选择部分采样点采集剖面样品。剖面的规格一般长为1.5米，宽0.8米，深1.2米。挖掘土壤剖面要使观察面向阳，表土和底土分两侧放置。
[0070]
一般每个剖面采集a、b、c三层土样。地下水位较高时，剖面挖至地下水出露时为
止；山地丘陵土层较薄时，剖面挖至风化层。对b层发育不完整(不发育)的山地土壤，只采a、c两层；干旱地区剖面发育不完善的土壤，在表层5～20厘米、心土层50厘米、底土层100厘米左右采样。水稻土按照a耕作层、p犁底层、c母质层(或g潜育层、w潴育层)分层采样；对p层太薄的剖面，只采a、c两层(或a、g层或a、w层)。对a层特别深厚，沉积层不甚发育，一米内见不到母质的土类剖面，按a层5～20厘米、a/b层60～90厘米、b层100～200厘米采集土壤。草甸土和潮土一般在a层5～20厘米、c1层(或b层)50厘米、c2层100～120厘米处采样。采样次序自下而上，先采剖面的底层样品，再采中层样品，最后采上层样品。测量重金属的样品尽量用竹片或竹刀去除与金属采样器接触的部分土壤，再用其采样。这里采样点得到的土壤样本是混合样本，在确定采样点后，在该采样点以对角线分五等分，在五等分的点采集土壤混合后就是该采样点的土壤样本，这里混合采样的方法还有梅花点法、棋盘式法和蛇形法。
[0071]
实施例3
[0072]
如图3所示，一种基于多光谱影像的土壤湿度预测方法，包括：
[0073]
s310、在样方区域内确定多个采样点，在第一时刻获取第一遥感指数和所述多个采样点的地形数据及第一土壤湿度数据；
[0074]
s320、所述地形数据包括海拔，以所述第一遥感指数和所述海拔为自变量、所述第一土壤湿度数据为因变量建立线性回归方程；
[0075]
s330、获取所述自变量的多组观测值，计算所述线性回归方程的回归系数，得到所述自变量和所述因变量的映射关系；
[0076]
s340、在第二时刻获取第二遥感指数，并基于所述映射关系和所述第二遥感指数，得到第二时刻所述多个采样点的土壤湿度数据，以预测所述所述样方区域的土壤湿度。
[0077]
实施例3中，根据多元线性回归分析，多个采样点的土壤湿度数据为因变量y及自变量x0，x1，x2的n组观测值做线性回归分析，x0，x1，x2可视为采样点的海拔、遥感指数数据这三个自变量，建立线性表达式y＝a0x0+a1x1+a2x2+a3水对观测数据进行回归分析，其中a0，a1，a2，a3为回归系数，根据最小二乘原理将回归系数建立方程组，求得回归系数，得到线性表达式就是所述自变量和所述因变量的映射关系，这里地形数据不限于只用海拔数据，还可以是坡度等。
[0078]
数字高程模型是通过有限的地形高程数据实现对地面地形的数字化模拟，是用一组有序数值阵列形式表示地面高程的一种实体地面模型。本专利通过地理数据空间云获取dem数据，该数据以30米网格形式表现各区域的海拔情况，转换至地理坐标系备用。
[0079]
实施例4，一种具体的实施方式为：
[0080]
如图4所示，一种基于多光谱影像的土壤湿度预测方法，包括：
[0081]
步骤一：实测土壤数据的获取；
[0082]
首先进行样方区域选定，尽可能均匀分布到整个研究区，数量上遵守以下规则：
[0083]
样品数量＝(置信水平2*变异系数2)/可接受的相对偏差2[0084]
其中，置信水平一般选取为0.95或0.99
[0085]
变异系数可以根据该地区历史数据进行估计，当该地区没有历史资料时，一般可用0.1～0.3进行粗略估计变异系数。有效磷和有效钾的变异系数可取0.5
[0086]
可接受的相对偏差在土壤环境监测一般限定为0.2～0.3
[0087]
因为需要高精度的监测结果，因此我们对于这些系数的设定如下。
[0088]
置信水平0.99
[0089]
变异系数0.5
[0090]
可接受的相对偏差0.1
[0091]
所以样品最少个数＝(0.99^2*0.5^2)/0.1^2＝24.5025≈25
[0092]
即采样点大于等于25个时，可以反映特定时刻的土壤环境情况。
[0093]
将样方布置完成后，在样方内以x型取5点土壤进行混合，混合后的土壤样本作为该样方区域的土壤含水量数据。
[0094]
步骤二：数字高程模型dem数据的获取；
[0095]
数字高程模型是通过有限的地形高程数据实现对地面地形的数字化模拟，是用一组有序数值阵列形式表示地面高程的一种实体地面模型。本专利通过地理数据空间云获取dem数据，该数据以30米网格形式表现各区域的海拔情况，转换至地理坐标系备用。
[0096]
步骤三：卫星遥感数据获取和无人机影像数据获取；
[0097]
遥感数据类型需要根据实际需要决定，如免费获取的modis、sentinel、landsat等，或者收费的高分、高景更高空间分辨率影像。根据获取的遥感数据种类进行对应预处理操作。
[0098]
利用大疆无人机平台，搭载包含了所需多光谱波段的多光谱相机进行拍摄。将拍摄得到的结果利用djiterra或photoscan等软件进行拼接，并进行校正、投影等预处理操作。
[0099]
步骤四：计算遥感指数水分指数；
[0100]
针对水分反演选定了两种指数，分别为地表水分指数(lswi)和可见光短波红外干旱指数(vsdi)。
[0101]
lswi指数由xiao等人于2004年提出，主要考虑到swir波段进行水分监测比可见光更有优势，同时nir也具有很强的叶冠穿透能力，植被稀疏时能投射到土壤背景的水分情况，因此将nir纳入了监测波段。该指数包含对土壤湿度和植被水分敏感的短波红外波段反射率，可以用于土壤湿度变化的监测。湿度越大，lswi值越大。lswi指数计算公式如下：
[0102]
lswi＝(nir
‑
swir)/(nir+swir)
[0103]
式中：swir、nir分别表示的是短波红外、近红外波段的光谱反射率值。(不同影像中对应波段不同。哨兵中，lswi＝(b8
‑
b11)/(b8+b11)；landsat中，lswi＝(b5
‑
b6)/(b5+b6))
[0104]
zhang等人认为swir和red波段均对地表水分变化的相应显著，可将两者均作为监测波段，同时因blue波段的灵敏度低，可以将该波段作为基准波段，建立新的地表干旱指数vsdi，并定义如下：
[0105]
vsdi＝1
‑
[(swir
‑
blue)+(red
‑
blue)]
[0106]
式中：swir、blue、red分别表示短波红外、蓝光、红光波段的光谱反射率值。(同样，在不同影像中对应的波段不同。哨兵卫星中，vsdi＝1
‑
[(b11
‑
b2)+(b4
‑
b2)]；landsat中，vsdi＝1
‑
[(b6
‑
b2)+(b4
‑
b2)])
[0107]
步骤五：优选输入参量，最小二乘法进行模型构建并精度评价；
[0108]
取80％土壤样方水分数据及其对应的水分指数、海拔数据，利用三倍标准差法剔除异常值，操作流程如下：
[0109]
对建模集数据求平均，得求建模集数据的标准差σ；正常值即超出该范围为异常值。
[0110]
最小二乘法是一种数据拟合的优化技术，利用该方法可以便捷求得未知数据，一般用于曲线拟合的目的上。利用该方法，将水分指数、高程信息、土壤湿度进行回归，建立映射模型。并进行精度评价，确保回归模型可用性。
[0111]
实施例5
[0112]
如图5所示，一种基于多光谱影像的土壤湿度预测装置，包括：
[0113]
获取模块10：用于在样方区域内确定多个采样点，获取第一时刻样方区域的遥感指数和所述多个采样点的地形数据；
[0114]
映射模块20：用于以所述获取模块10获取的所述遥感指数和所述地形数据为自变量、所述多个采样点的土壤湿度数据为因变量，根据最小二乘法建立所述自变量和所述因变量的映射关系；
[0115]
预测模块30：用于获取第二时刻所述样方区域的遥感指数，并基于所述映射模块20得到的所述映射关系和所述第二时刻所述样方区域的遥感指数，得到第二时刻所述多个采样点的土壤湿度数据，以预测所述所述样方区域的土壤湿度。
[0116]
上述装置的一种实施方式可为：获取模块10在样方区域内确定多个采样点，获取第一时刻样方区域的遥感指数和所述多个采样点的地形数据；映射模块20以所述获取模块10获取的所述遥感指数和所述地形数据为自变量、所述多个采样点的土壤湿度数据为因变量，根据最小二乘法建立所述自变量和所述因变量的映射关系；预测模块30获取第二时刻所述样方区域的遥感指数，并基于所述映射模块20得到的所述映射关系和所述第二时刻所述样方区域的遥感指数，得到第二时刻所述多个采样点的土壤湿度数据，以预测所述所述样方区域的土壤湿度。
[0117]
实施例6
[0118]
如图6所述，一种基于多光谱影像的土壤湿度预测装置的获取模块10包括：
[0119]
第一计算单元12：用于根据计算公式n＝t2*s2/d2计算样方区域内的最少采样点个数，其中n表示采样点个数，t表示选定置信水平一定自由度下的t值，s2为均方差，d为可接受的绝对偏差；以及
[0120]
第二计算单元14：用于根据计算公式l＝(a/n)
1/2
计算所述最少采样点个数之间的间距，其中l为间距，a为所述样方区域的面积，n表示采样点个数；
[0121]
采样点确定单元16：用于根据所述最少采样点个数和间距在样方区域内确定多个采样点。
[0122]
上述装置的获取模块10的一种实施方式可为：第一计算单元12根据计算公式n＝t2*s2/d2计算样方区域内的最少采样点个数，其中n表示采样点个数，t表示选定置信水平一定自由度下的t值，s2为均方差，d为可接受的绝对偏差；以及第二计算单元14根据计算公式l＝(a/n)
1/2
计算所述最少采样点个数之间的间距，其中l为间距，a为所述样方区域的面积，n表示采样点个数；采样点确定单元16根据所述最少采样点个数和间距在样方区域内确定多个采样点。
[0123]
实施例7
[0124]
如图7所示，一种电子设备，包括存储器701和处理器702，所述存储器701用于存储
一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器702执行以实现上述的一种基于多光谱影像的土壤湿度预测方法。
[0125]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0126]
一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述的一种基于多光谱影像的土壤湿度预测方法。
[0127]
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器701中，并由处理器702执行，并由输入接口705和输出接口706完成数据的i/o接口传输，以完成本发明,一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。
[0128]
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，存储器701、处理器702,本领域技术人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入器707、网络接入设备、总线等。
[0129]
处理器702可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器702、数字信号处理器702(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field
‑
program503mablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器702可以是微处理器702或者该处理器702也可以是任何常规的处理器702等。
[0130]
存储器701可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器701也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等,进一步地，存储器701还可以既包括计算机设备的内部存储单元也包括外部存储设备,存储器701用于存储计算机程序以及计算机设备所需的其他程序和数据,存储器701还可以用于暂时地存储在输出器708，而前述的存储介质包括u盘、移动硬盘、只读存储器rom703、随机存储器ram704、碟盘或光盘等各种可以存储程序代码的介质。
[0131]
以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。