基于多模态数据和集成学习的小麦倒伏参数预测方法

本发明涉及灾害监测与评估，更具体的说是涉及一种基于多模态数据和集成学习的小麦倒伏参数预测方法。

背景技术：

1、近年来，病虫害、小麦品种抗倒能力存在差异和农户栽培措施不当等原因，导致小麦在生产过程中常受到倒伏的威胁。小麦倒伏常发生在生长中后期，严重影响水分和养分的运输，造成小麦减产和品质下降。小麦发生倒伏后，不利于机械化收获，增加了收获难度和投入成本。因此，快速对小麦倒伏面积及产量损失评估，可为农业保险部门和农业管理部门的灾情掌握、灾后补救及赔偿提供参考和技术支持。

2、作物倒伏的损失评估也是灾情信息获取的重要部分，直接、定量、精准的估计产量及其经济损失，对农户、农业保险公司和相关的政府部门做出灾后决策具有实际意义。目前，针对构建产量预测模型，通常使用光谱、结构和纹理信息作为作物产量预测因子，达到评估产量的目的。基于筛选得到的识别病害棉株的最优植被指数和波段组合，建立棉田综合影像，能够准确实现评估病害棉田的产量损失。基于无人机多光谱影像，通过将筛选得到的植被指数作为模型的输入变量，得到准确的矮林芳樟叶片精油产量。利用植被指数和株高构建苜蓿产量预测模型，决定系数达到0.90，可对产量做出快速准确评估。但很少有研究考虑倒伏条件下如何更加精准的评估产量，当倒伏发生后，作物的光合能力和干物质生产能力降低，并且茎秆折断或弯曲导致木质部和韧皮部受损，水、营养物质不能正常的运输，导致减产。在面对地物形态结构复杂的区域和对象时，需考虑特定的参数，在植被指数和冠层温度参数的基础上，引入地形因子，坡度信息的融合有效扩展农田的监测范围，其中rfr算法的性能最优，保证了不同田间尺度下产量估算的准确性。作物倒伏参数是评价品种抗倒能力的重要指示性状，且与产量密切相关。

3、因此，如何对小麦倒伏参数进行预测是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于多模态数据和集成学习的小麦倒伏参数预测方法，以无人机多光谱和热红外遥感影像为数据源，提取相应的光谱信息、结构信息、温度信息，选择不同的方法和策略构建小麦倒伏分类模型，兼顾精度高、适用性强等特性，增强低空无人机遥感在农业资源调查及农情监测中的应用潜力，为作物倒伏信息获取进行技术指导和推广应用。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于多模态数据和集成学习的小麦倒伏参数预测方法，包括：

4、通过装配多光谱和热红外传感器的无人机平台对试验农田中倒伏区域进行监测得到无人机遥感影像，根据所述无人机遥感影像中像元地理坐标信息，进行图像预处理，构建密集点云和纹理信息，生成多光谱遥感影像、热红外影像、数字正射模型和数字表面模型，并利用所述无人机平台播种前获取的遥感影像生成数字高程模型；

5、根据目视解译和实地调查选择感兴趣区域，统计所述试验农田内的倒伏程度和倒伏面积，计算倒伏指数信息；通过所述数字正射模型获取冠层反射率信息，反演构建获取植被指数信息；通过所述数字表面模型和所述数字高程模型间的像素差值，生成倒伏后的小麦冠层高度模型，获取倒伏后小麦冠层高度信息；通过所述多光谱遥感影像使用灰度共生矩阵计算纹理特征信息；通过所述热红外影像获取倒伏后小麦的冠层温度信息；在小麦成熟期进行取样称重，获取小麦产量数据信息；

6、收集所述倒伏指数信息、冠层反射率信息、植被指数信息、冠层高度信息、纹理特征信息、冠层温度信息、产量数据信息，作为输入参数，计算每个特征信息的重要性评分，选择有重要贡献的特征，进行优化并收集，作为数据集；

7、基于所述数据集使用偏最小二乘、最大似然法和随机森林算法的集成学习方法构建模型，进行交叉验证和网格搜索，建立小麦倒伏参数预测模型；

8、根据所述无人机平台获取待测数据，输入所述小麦倒伏参数预测模型获取倒伏参数。

9、优选的，所述小麦倒伏参数预测模型中包括倒伏区域识别模型、倒伏后产量估测模型，倒伏参数包括小麦倒伏后产量与倒伏区域总面积。

10、优选的，所述倒伏指数信息计算公式如下：

11、

12、其中，li为倒伏指数，ldi为倒伏程度，si为倒伏度在试验农田内的面积比例。

13、优选的，所述植被指数信息包括差值植被指数、归一化植被指数、比值植被指数、绿度叶绿素植被指数、优化调节土壤植被指数、红边归一化植被指数。

14、优选的，所述获取倒伏后小麦的冠层高度信息具体包括：

15、通过所述数字表面模型和所述数字高程模型间的像素差值，生成倒伏后的小麦冠层高度模型，使用支持向量机分类器制作土壤及背景的二分类掩膜，剔除影像中的土壤及背景，具体公式如下：

16、chm＝dsm-dem；

17、其中，chm为冠层高度模型，dsm为数字表面模型，dem为数字高程模型。

18、优选的，所述获取倒伏后小麦的冠层温度信息具体公式如下：

19、

20、其中，ti为第i个像素的温度，tmin为整个田地最低温度，tmax为整个田地最高温度，nrct为冠层温度。

21、优选的，所述纹理特征信息具体包括均值、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性。

22、优选的，通过下式选择对预测结果有重要贡献的特征：

23、shap(s)＝∑[p(s∪{i})-p(s)]×δf(i,s)；

24、其中，shap(s)表示特征子集s的shap值；p(s)表示特征子集s的预测结果概率；p(s∪{i})表示将特征i添加到特征子集s中后的预测结果概率；δf(i,s)表示将特征i添加到特征子集s中后的模型预测结果变化。

25、优选的，还包括通过相关系数、均方根误差、平均绝对误差和方差贡献率对所述小麦倒伏参数预测模型的性能进行评估。

26、优选的，通过利用最大似然法构建所述倒伏区域识别模型识别倒伏区域，统计倒伏区域的像元总数换算求得所述倒伏区域总面积，具体包括：通过计算未知测量向量x属于已知类别mc的加权距离或似然度d，公式如下：

27、d＝ln(ac)-[0.5ln(|covc|)]-[0.5(x-mc)t(covc-1)(x-mc)]；

28、其中，ac是类别mc的先验概率，covc是类别mc的协方差矩阵，x是未知测量向量，t是矩阵的转置符号，利用最大似然法构建倒伏区域识别模型，将样本集输入到最大似然法中进行训练，用测试集验证模型的精度。

29、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于多模态数据和集成学习的小麦倒伏参数预测方法，以无人机多光谱和热红外遥感影像为数据源，提取相应的光谱信息、结构信息、温度信息，选择不同的方法和策略构建小麦倒伏分类模型，兼顾精度高、适用性强等特性，增强低空无人机遥感在农业资源调查及农情监测中的应用潜力，为作物倒伏信息获取进行技术指导和推广应用。

技术特征：

1.基于多模态数据和集成学习的小麦倒伏参数预测方法，其特征在于，包括：

2.根据权利要求1所述的基于多模态数据和集成学习的小麦倒伏参数预测方法，其特征在于，所述小麦倒伏参数预测模型中包括倒伏区域识别模型、倒伏后产量估测模型，倒伏参数包括小麦倒伏后产量与倒伏区域总面积。

3.根据权利要求1所述的基于多模态数据和集成学习的小麦倒伏参数预测方法，其特征在于，所述倒伏指数信息计算公式如下：

4.根据权利要求1所述的基于多模态数据和集成学习的小麦倒伏参数预测方法，其特征在于，所述植被指数信息包括差值植被指数、归一化植被指数、比值植被指数、绿度叶绿素植被指数、优化调节土壤植被指数、红边归一化植被指数。

5.根据权利要求1所述的基于多模态数据和集成学习的小麦倒伏参数预测方法，其特征在于，所述获取倒伏后小麦的冠层高度信息具体包括：

6.根据权利要求1所述的基于多模态数据和集成学习的小麦倒伏参数预测方法，其特征在于，所述获取倒伏后小麦的冠层温度信息具体公式如下：

7.根据权利要求1所述的基于多模态数据和集成学习的小麦倒伏参数预测方法，其特征在于，所述纹理特征信息具体包括均值、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性。

8.根据权利要求1所述的基于多模态数据和集成学习的小麦倒伏参数预测方法，其特征在于，通过下式选择对预测结果有重要贡献的特征：

9.根据权利要求1所述的基于多模态数据和集成学习的小麦倒伏参数预测方法，其特征在于，还包括通过相关系数、均方根误差、平均绝对误差和方差贡献率对所述小麦倒伏参数预测模型的性能进行评估。

10.根据权利要求2所述的基于多模态数据和集成学习的小麦倒伏参数预测方法，其特征在于，通过利用最大似然法构建倒伏区域识别模型识别倒伏区域，统计倒伏区域的像元总数换算求得所述倒伏区域总面积，具体包括：通过计算未知测量向量x属于已知类别mc的加权距离或似然度d，公式如下：

技术总结
本发明公开了基于多模态数据和集成学习的小麦倒伏参数预测方法，涉及灾害监测与评估技术领域。通过无人机平台对试验农田中倒伏区域进行监测得到无人机遥感影像，进行图像预处理；选择感兴趣区域，计算倒伏指数信息；获取冠层反射率信息，反演获取植被指数；获取倒伏后小麦冠层高度信息；使用灰度共生矩阵计算纹理特征信息；获取倒伏后小麦的冠层温度信息；获取产量数据信息；对上述信息计算重要性评分，选择有重要贡献的特征作为数据集，建立小麦倒伏参数预测模型；获取待测数据，输入模型获取倒伏参数。本发明公开的基于多模态数据和集成学习的小麦倒伏参数预测方法兼顾精度高、适用性强等特性，实现了对小麦倒伏参数的快速预测。

技术研发人员：贺利,魏永康,段剑钊,冯伟,王永华,王晨阳
受保护的技术使用者：河南农业大学
技术研发日：
技术公布日：2024/1/15