一种农作物长势预测方法及系统与流程

本发明涉及农业技术领域，尤其涉及一种农作物长势预测方法及系统。

背景技术：

大田作物生产过程中长势的动态变化与最终的产量和品质有密切关联关系，所以对作物的长势进行动态监测具有重要的价值和意义。遥感观测具有覆盖面积广、效率高等优势，克服了地面采样观测带来的耗时、成本高、破坏性等诸多问题。但目前利用遥感进行作物长势监测主要采用离散定期观测，例如选择在冬小麦拔节期、灌浆期等节点进行遥感植被指数(例如ndvi和evi等)的估算，并与历史上同期遥感植被指数进行对比来确定长势的优劣程度。这种方法的优势是数据和计算量都很少，最大的不足有三个方面：

(1)只采用有限的生育期进行对比分析，却忽略了不同年际间气象及物候的差异。当年际间气温、降水等发生明显变异时，会对播期及后续物候产生显著影响，因而当进行历史同期对比时会产生较大的误差，由于物候期没有完全规整，就会出现当参考历史年份物候期偏离时长势被高估或低估。

(2)遥感监测具有大面积瞬时覆盖监测能力，例如modis数据幅宽可以达到1000公里，我国的高分数据gf-1幅宽可以达到800公里。在进行省域或者全国尺度遥感作物长势监测时，面临着不同区域存在纬度及物候差异，也同样存在播期早晚不同，一般纬度低的区域播期早，纬度高的播期晚，这主要与积温关系密切。这种由于播期造成的长势物候差异也会对后期遥感监测评估产生较大误差。

(3)遥感是瞬时的观测，只代表卫星过境时刻作物的生长状态，虽然可以进行多个生育期的监测，但由于都是多个生育期独立的对比分析，缺少不同生育期的关联分析，往往造成不同生育期长势判断互相矛盾，难以全面评价作物长势的动态趋势。

技术实现要素：

针对上述问题，本发明实施例提供一种农作物长势预测方法及系统。

第一方面，本发明实施例提供一种农作物长势预测方法，该方法包括：

根据当前年份目标农作物的每一当前长势遥感数据，获取所述当前年份每一当前长势遥感数据对应的归一化植被指数，根据若干历史年份所述目标农作物的每一历史长势遥感数据，获取每一历史年份每一历史长势遥感数据对应的归一化植被指数；

对所述当前年份每一当前长势遥感数据对应的归一化植被指数进行拟合重构，获取当前ndvi拟合曲线，对每一历史年份每一历史长势遥感数据对应的归一化植被指数进行拟合重构，获取每一历史ndvi拟合曲线；

利用dtw算法对所述当前ndvi拟合曲线和每一历史ndvi拟合曲线进行规整处理，获取当前ndvi长势曲线和每一历史ndvi长势曲线；

计算所述当前ndvi长势曲线与每一历史ndvi长势曲线的最短距离，将距离最小的历史ndvi长势曲线对应的年份作为最佳ndvi长势匹配年份；

根据所述最佳ndvi长势匹配年份所述目标农作物的生长状况，对所述当前年份所述目标农作物的长势进行预测。

优选地，所述计算所述当前ndvi长势曲线与每一历史ndvi长势曲线的最短距离，具体包括：

步骤一：利用如下公式计算序列距离矩阵dm*n；

d(i,j)＝|ri-tj|，i＝1,2,…,m,j＝1,2,…,n，

其中，d(i,j)表示欧式距离，r表示所述当前ndvi长势曲线，t表示任一历史ndvi长势曲线；

步骤二：根据如下公式计算：

其中，g(i,j)表示r中的i分量和t中的j分量之间的距离，d(i,j)表示矩阵d中第i行第j列元素的值。

优选地，所述根据当前年份目标农作物的每一当前长势遥感数据，获取所述当前年份每一当前长势遥感数据对应的归一化植被指数，之前还包括：

在所述当前年份预设时间段内，定期获取所述目标农作物的当前长势遥感数据。

优选地，所述根据当前年份目标农作物的每一当前长势遥感数据，获取所述当前年份每一当前长势遥感数据对应的归一化植被指数，具体计算公式如下：

其中，ndvi表示所述归一化植被指数，ρnir表示近红外波段的反射率，ρred表示红光波段的反射率。

优选地，所述对所述当前年份每一当前长势遥感数据对应的归一化植被指数进行拟合重构，获取当前ndvi拟合曲线，具体包括：

采用sg滤波算法对所述当前年份每一当前长势遥感数据对应的归一化植被指数进行拟合重构，获取当前ndvi拟合曲线。

第二方面，本发明实施例提供一种农作物长势预测方法，该方法包括：

根据当前年份目标农作物的每一当前长势遥感数据，获取所述当前年份每一当前长势遥感数据对应的增强植被指数，根据若干历史年份所述目标农作物的每一历史长势遥感数据，获取每一历史年份每一历史长势遥感数据对应的增强植被指数；

对所述当前年份每一当前长势遥感数据对应的增强植被指数进行拟合重构，获取当前evi拟合曲线，对每一历史年份每一历史长势遥感数据对应的增强植被指数进行拟合重构，获取每一历史evi拟合曲线；

利用dtw算法对所述当前evi拟合曲线和每一历史evi拟合曲线进行规整处理，获取当前evi长势曲线和每一历史evi长势曲线；

计算所述当前evi长势曲线与每一历史evi长势曲线的最短距离，将距离最小的历史evi长势曲线对应的年份作为最佳evi长势匹配年份；

根据所述最佳evi长势匹配年份所述目标农作物的生长状况，对所述当前年份所述目标农作物的长势进行预测。

优选地，所述根据当前年份目标农作物的每一当前长势遥感数据，获取所述当前年份每一当前长势遥感数据对应的增强植被指数，具体包括：

其中，evi表示所述增强植被指数，ρnir表示近红外波段的反射率，ρred表示红光波段的反射率，ρblue表示蓝光波段的反射率。

第二方面，本发明实施例提供一种农作物长势预测系统，该系统包括：

遥感模块，用于根据当前年份目标农作物的每一当前长势遥感数据，获取所述当前年份每一当前长势遥感数据对应的归一化植被指数，根据若干历史年份所述目标农作物的每一历史长势遥感数据，获取每一历史年份每一历史长势遥感数据对应的归一化植被指数；

拟合模块，用于对所述当前年份每一当前长势遥感数据对应的归一化植被指数进行拟合重构，获取当前ndvi拟合曲线，对每一历史年份每一历史长势遥感数据对应的归一化植被指数进行拟合重构，获取每一历史ndvi拟合曲线；

规整模块，用于利用dtw算法对所述当前ndvi拟合曲线和每一历史ndvi拟合曲线进行规整处理，获取当前ndvi长势曲线和每一历史ndvi长势曲线；

最短距离模块，用于计算所述当前ndvi长势曲线与每一历史ndvi长势曲线的最短距离，将距离最小的历史ndvi长势曲线对应的年份作为最佳ndvi长势匹配年份；

预测模块，用于根据所述最佳ndvi长势匹配年份所述目标农作物的生长状况，对所述当前年份所述目标农作物的长势进行预测。

第四方面，本发明实施例提供一种电子设备，该电子设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的农作物长势预测方法。

第五方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的农作物长势预测方法。

本发明实施例提供一种农作物长势预测方法及系统，利用时序遥感数据获得的作物长势连续监测信息，并充分考虑到作物区域分布存在的物候差异，建立统一的长势动态曲线规整方法，通过dtw动态时间规整算法让每个完整年份的遥感长势曲线按照物候响应最佳对应，并采用欧式距离法依次判断当前年份目标农作物的长势曲线与历史年份目标农作物的长势曲线在各个生育期差异均达到最小，此差异最小年份即为最佳匹配年份。用户可根据得出的最佳匹配年份对目标农作物进行后期的长势预测，进而指导作物管理。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种农作物长势预测方法的流程图；

图2为本发明又一实施例提供的一种农作物长势预测方法的流程图；

图3为本发明实施例中的当前ndvi拟合曲线和当前evi拟合曲线的示意图；

图4为本发明实施例中历史ndvi长势曲线和历史evi长势曲线示意图；

图5为本发明实施例中最短路径计算示意图；

图6为本发明实施例提供的一种农作物长势预测系统的结构示意图；

图7为本发明实施例的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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，本领域普通技术人员在没有作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。

作物长势遥感年型可以定义为：监测年份完整物候期或关键阶段作物生长长势遥感监测与历史上对应的物候期遥感监测结果进行匹配，进而得出最佳的匹配历史年份，此年份即为当前监测年份作物的最佳长势遥感年型。

大田作物长势除受作物类型、品种因素影响外，还受气象、土壤及人工管理等因素影响，是作物生理生态与生长环境的综合作用表征，而遥感得到的长势年型正好对应这一表征，既包括了作物自身生长特性，也涵盖了气象及环境等作用。

因此，根据作物全生长期的长势遥感动态进行分析，考虑消除不同区域播期、不同年际气候对作物长势物候造成的影响，并与历史年份的长势动态进行对比匹配，确定最佳的匹配年份，实现作物统一时空尺度下长势的年型定量分析和评价，为指导作物水肥栽培和收获安排等提供科学决策信息。

图1为本发明实施例提供的一种农作物长势预测方法的流程图，该方法包括：

s1，根据当前年份目标农作物的每一当前长势遥感数据，获取所述当前年份每一当前长势遥感数据对应的归一化植被指数，根据若干历史年份所述目标农作物的每一历史长势遥感数据，获取每一历史年份每一历史长势遥感数据对应的归一化植被指数；

s2，对所述当前年份每一当前长势遥感数据对应的归一化植被指数进行拟合重构，获取当前ndvi拟合曲线，对每一历史年份每一历史长势遥感数据对应的归一化植被指数进行拟合重构，获取每一历史ndvi拟合曲线；

s3，利用dtw算法对所述当前ndvi拟合曲线和每一历史ndvi拟合曲线进行规整处理，获取当前ndvi长势曲线和每一历史ndvi长势曲线；

s4，计算所述当前ndvi长势曲线与每一历史ndvi长势曲线的最短距离，将距离最小的历史ndvi长势曲线对应的年份作为最佳ndvi长势匹配年份；

s5，根据所述最佳ndvi长势匹配年份所述目标农作物的生长状况，对所述当前年份所述目标农作物的长势进行预测。

为了对当前年份的目标农作物长势进行预测，当前年份是指需要进行长势监测的年份，首先获取来自传感器的遥感数据，本发明实施例中，获取多个不同时间点拍摄得到的遥感数据，作为当前年份目标农作物的多个当前长势遥感数据，根据每一个当前长势遥感数据，获取每个当前长势遥感数据对应的归一化植被指数。

现有技术中，往往只根据一个遥感数据来预测目标农作物的长势，这种有限的生育期进行对比分析时，忽略了不同年份间气象和物候的差异，当气温、降水等条件发生明显差异时，会对农作物的播期和生长状况产生显著影响。因此，当只根据一个遥感数据对目标农作物的长势进行预测时，无法避开物候和气象给目标农作物生长造成的影响，从而造成预测上的误差。

因此，本发明实施例中采用多个当前长势遥感数据，基于这些数据对目标农作物的长势进行预测，客服了单生育期导致的预测误差。

另外，还需要获取当前年份之前多个历史年份目标农作物的遥感数据，一般地，如果当前年份为2020年，目标农作物为小麦，为了预测2020年小麦的长势，需要根据2009年到2019年这10年间小麦的遥感数据，以2009年为例进行说明，获取2009年小麦全生育期内不同时间点的历史长势遥感数据，这些不同时间点的历史长势遥感数据就是目标农作物的每一历史长势遥感数据，对于每个历史长势遥感数据，分别计算其对应的归一化植被指数。

接着根据每个当前长势遥感数据对应的归一化植被指数，对每个归一化植被指数进行拟合重构，拟合重构得到的曲线称为当前ndvi拟合曲线。

根据一个历史年份每个历史长势遥感数据对应的归一化植被指数，对这些归一化植被指数进行拟合重构，得到该历史年份对应的历史ndvi拟合曲线，按照该方法得到每个历史年份对应的历史ndvi拟合曲线。

由于遥感监测具有大面积瞬时覆盖监测能力，但进行大范围作物长势监测时受区域纬度及物候影响，同样存在长势物候差异，会对后期遥感监测评估产生较大误差。

由于各年份作物长势遥感监测曲线受气象、播期等因素影响，无论是曲线的起始、峰值及结束位置对应的生育期不完全一致，必须进行规整统一消除不同区域作物物候差异，才能匹配得到最佳年型。

因此，本发明实施例中采用dtw(dynamictimewarping，简称dtw)算法进行长势曲线动态时间规整。具体地，利用dtw算法对当前ndvi拟合曲线和每个历史ndvi拟合曲线分别进行规整处理，消除气候、播期等因素造成的影响，得到当前ndvi长势曲线和每个历史ndvi长势曲线。

计算当前ndvi长势曲线与每个历史ndvi长势曲线之间的最短距离，将距离最短的历史ndvi长势曲线对应的历史年份作为最佳ndvi长势匹配年份，说明当前年份目标农作物的长势与最佳ndvi长势匹配年份目标农作物的长势最为接近，因此，根据最佳ndvi长势匹配年份目标农作物的生长状况，对当前年份目标农作物的长势进行预测，并合理规划施肥、除草等措施。

本发明实施例提供一种农作物长势预测方法，利用时序遥感数据获得的作物长势连续监测信息，并充分考虑到作物区域分布存在的物候差异，建立统一的长势动态曲线规整方法，通过dtw动态时间规整算法让每个完整年份的遥感长势曲线按照物候响应最佳对应，并采用欧式距离法依次判断当前年份目标农作物的长势曲线与历史年份目标农作物的长势曲线在各个生育期差异均达到最小，此差异最小年份即为最佳匹配年份。用户可根据得出的最佳匹配年份对目标农作物进行后期的长势预测，进而指导作物管理。

在上述实施例的基础上，优选地，所述计算所述当前ndvi长势曲线与每一历史ndvi长势曲线的最短距离，具体包括：

步骤一：利用如下公式计算序列距离矩阵dm*n；

d(i,j)＝|ri-tj|，i＝1,2,…,m,j＝1,2,…,n，

其中，d(i,j)表示欧式距离，r表示所述当前ndvi长势曲线，t表示任一历史ndvi长势曲线；

步骤二：根据如下公式计算：

其中，g(i,j)表示r中的i分量和t中的j分量之间的距离，d(i,j)表示矩阵d中第i行第j列元素的值。

dtw的主要思想是：假设现有一个标准参考模板r，是一个m维向量，即r＝{r(1),r(2),…,r(m)，…,r(m)}，每个分量可以是一个数或者是一个多维向量。现在有一个待匹配测试的模板t，是一个n维向量，即t＝{t(1),t(2),…,t(n)，…,t(n)}，同样每个分量可以是一个数或者是一个多维向量，注意m不一定等于n，但是每个分量的维数应该相同。

由于m不一定等于n，现在要计算t究竟与r中哪一部分最相似，即判断当前长势遥感数据与历史长势遥感数据的相似度，以前的欧式距离判别是难以度量的。

为此，本发明实施例中将当前ndvi长势曲线与每个历史ndvi长势曲线逐一对齐并计算相似性。具体计算过程如下：

第一步：计算序列距离矩阵dm*n；

利用公式d(i,j)＝|ri-tj|，i＝1,2,…,m,j＝1,2,…,n，来计算t与r序列中任意两点的距离构成序列距离矩阵dm*n，其中，d(i,j)为欧式距离。

第二步：根据d(i，j)找出其中距离最短的那条匹配路径，当从一个方格((i-1，j-1)或者(i-1，j)或者(i，j-1))中到下一个方格(i，j)，如果是水平或垂直方向距离为d(i，j)，斜对角线距离是2d(i，j)，其约束条件如下：

其中，g(i,j)表示2个模板都从起始分量逐次匹配，已经到了r中的i分量和t中的j分量，并且匹配到此步是2个模板之间的距离。并且都是在前一次匹配的结果上加d(i,j)或者2d(i,j)，然后取最小值。

在上述实施例的基础上，优选地，所述根据当前年份目标农作物的每一当前长势遥感数据，获取所述当前年份每一当前长势遥感数据对应的归一化植被指数，之前还包括：

在所述当前年份预设时间段内，定期获取所述目标农作物的当前长势遥感数据。

具体地，本发明实施例中在获取每一当前长势遥感数据之前，还包括如下步骤：

在当前年份的预设时间段内，定期获取表示目标农作物长势的遥感数据，作为目标农作物的当前长势遥感数据。

本发明实施例中，以2020年为例对冬小麦长势进行预测为例进行说明，在冬小麦的全生育期时间内，例如3月到6月，每隔8天定时获取冬小麦的长势遥感数据，具体间隔时间可以根据实际需要进行调整，将这些定期获取的长势遥感数据作为当前长势遥感数据。

在上述实施例的基础上，优选地，所述根据当前年份目标农作物的每一当前长势遥感数据，获取所述当前年份每一当前长势遥感数据对应的归一化植被指数，具体计算公式如下：

其中，ndvi表示所述归一化植被指数，ρnir表示近红外波段的反射率，ρred表示红光波段的反射率。

具体地，可以根据上面的公式计算出归一化植被指数。

在上述实施例的基础上，优选地，所述对所述当前年份每一当前长势遥感数据对应的归一化植被指数进行拟合重构，获取当前ndvi拟合曲线，具体包括：

采用sg滤波算法对所述当前年份每一当前长势遥感数据对应的归一化植被指数进行拟合重构，获取当前ndvi拟合曲线。

具体地，通过sg滤波算法对当前年份每个当前长势遥感数据对应的归一化植被指数进行拟合重构，得到当前ndvi拟合曲线。

同样地，对于一个历史年份对应的归一化植被指数，通过sg滤波算法对该历史年份对应的归一化植被指数进行拟合重构，得到该历史年份对应的历史ndvi拟合曲线。按照同样的方法获得每个历史年份对应的历史ndvi拟合曲线。

本发明实施例提供的一种农作物长势预测方法具有如下效果：

(1)首次提出了利用遥感时序监测的作物长势年型，充分发挥了时序遥感监测的优势。

(2)采用dtw方法对多年份作物长势遥感监测时序数据进行统一化处理，消除了不同区域作物长势的物候差异。

(3)采用最小距离法实现最佳长势年型匹配，充分考虑了连续生育期长势的相关性，克服了以往只考虑单个或部分生育期的不足。

图2为本发明又一实施例提供的一种农作物长势预测方法的流程图，如图2所示，该方法包括：

s1，根据当前年份目标农作物的每一当前长势遥感数据，获取所述当前年份每一当前长势遥感数据对应的增强植被指数，根据若干历史年份所述目标农作物的每一历史长势遥感数据，获取每一历史年份每一历史长势遥感数据对应的增强植被指数；

s2，对所述当前年份每一当前长势遥感数据对应的增强植被指数进行拟合重构，获取当前evi拟合曲线，对每一历史年份每一历史长势遥感数据对应的增强植被指数进行拟合重构，获取每一历史evi拟合曲线；

s3，利用dtw算法对所述当前evi拟合曲线和每一历史evi拟合曲线进行规整处理，获取当前evi长势曲线和每一历史evi长势曲线；

s4，计算所述当前evi长势曲线与每一历史evi长势曲线的最短距离，将距离最小的历史evi长势曲线对应的年份作为最佳evi长势匹配年份；

s5，根据所述最佳evi长势匹配年份所述目标农作物的生长状况，对所述当前年份所述目标农作物的长势进行预测。

为了对当前年份的目标农作物长势进行预测，当前年份是指需要进行长势监测的年份，首先获取来自传感器的遥感数据，本发明实施例中，获取多个不同时间点拍摄得到的遥感数据，作为当前年份目标农作物的多个当前长势遥感数据，根据每一个当前长势遥感数据，获取每个当前长势遥感数据对应的增强植被指数。

现有技术中，往往只根据一个遥感数据来预测目标农作物的长势，这种有限的生育期进行对比分析时，忽略了不同年份间气象和物候的差异，当气温、降水等条件发生明显差异时，会对农作物的播期和生长状况产生显著影响。因此，当只根据一个遥感数据对目标农作物的长势进行预测时，无法避开物候和气象给目标农作物生长造成的影响，从而造成预测上的误差。

因此，本发明实施例中采用多个当前长势遥感数据，基于这些数据对目标农作物的长势进行预测，客服了单生育期导致的预测误差。

另外，还需要获取当前年份之前多个历史年份目标农作物的遥感数据，一般地，如果当前年份为2020年，目标农作物为小麦，为了预测2020年小麦的长势，需要根据2009年到2019年这10年间小麦的遥感数据，以2009年为例进行说明，获取2009年小麦全生育期内不同时间点的历史长势遥感数据，这些不同时间点的历史长势遥感数据就是目标农作物的每一历史长势遥感数据，对于每个历史长势遥感数据，分别计算其对应的增强植被指数。

接着根据每个当前长势遥感数据对应的增强植被指数，对每个增强植被指数进行拟合重构，拟合重构得到的曲线称为当前evi拟合曲线。

根据一个历史年份每个历史长势遥感数据对应的增强植被指数，对这些增强植被指数进行拟合重构，得到该历史年份对应的历史evi拟合曲线，按照该方法得到每个历史年份对应的历史evi拟合曲线。

由于遥感监测具有大面积瞬时覆盖监测能力，但进行大范围作物长势监测时受区域纬度及物候影响，同样存在长势物候差异，会对后期遥感监测评估产生较大误差。

由于各年份作物长势遥感监测曲线受气象、播期等因素影响，无论是曲线的起始、峰值及结束位置对应的生育期不完全一致，必须进行规整统一消除不同区域作物物候差异，才能匹配得到最佳年型。

因此，本发明实施例中采用dtw(dynamictimewarping，简称dtw)算法进行长势曲线动态时间规整。具体地，利用dtw算法对当前evi拟合曲线和每个历史evi拟合曲线分别进行规整处理，消除气候、播期等因素造成的影响，得到当前evi长势曲线和每个历史evi长势曲线。

计算当前evi长势曲线与每个历史evi长势曲线之间的最短距离，将距离最短的历史evi长势曲线对应的历史年份作为最佳evi长势匹配年份，说明当前年份目标农作物的长势与最佳evi长势匹配年份目标农作物的长势最为接近，因此，根据最佳evi长势匹配年份目标农作物的生长状况，对当前年份目标农作物的长势进行预测，并合理规划施肥、除草等措施。

本发明实施例提供一种农作物长势预测方法，利用时序遥感数据获得的作物长势连续监测信息，并充分考虑到作物区域分布存在的物候差异，建立统一的长势动态曲线规整方法，通过dtw动态时间规整算法让每个完整年份的遥感长势曲线按照物候响应最佳对应，并采用欧式距离法依次判断当前年份目标农作物的长势曲线与历史年份目标农作物的长势曲线在各个生育期差异均达到最小，此差异最小年份即为最佳匹配年份。用户可根据得出的最佳匹配年份对目标农作物进行后期的长势预测，进而指导作物管理。

在上述实施例的基础上，优选地，所述根据当前年份目标农作物的每一当前长势遥感数据，获取所述当前年份每一当前长势遥感数据对应的增强植被指数，具体包括：

其中，evi表示所述增强植被指数，ρnir表示近红外波段的反射率，ρred表示红光波段的反射率，ρblue表示蓝光波段的反射率。

本实施例的其它部分与上述实施例相同，详情请参考上述实施例。

本发明又一实施例提供一种农作物长势预测方法，冬小麦为目标农作物，遥感数据来自modis，该方法具体如下：

步骤一、首先获取当前年份冬小麦的每个当前长势遥感数据，并根据每个当前长势遥感数据同时获取对应的归一化植被指数和增强植被指数；并根据每个历史年份对应的历史长势遥感数据，同时获取每个历史年份中每个历史长势遥感数据对应的归一化植被指数和增强植被指数。

步骤二：根据当前年份中每个归一化植被指数进行拟合重构，得到当前ndvi拟合曲线，对当前年份中每个增强植被指数进行拟合重构，得到当前evi拟合曲线；并根据每个历史年份中每个归一化植被指数进行拟合重构，得到每个历史年份对应的历史ndvi拟合曲线，还根据每个历史年份中每个增强植被指数进行拟合重构，得到每个历史年份对应的历史evi拟合曲线。

每隔8天一次，通过以上两个植被指数计算出3月-6月小麦长势动态曲线，共约20次遥感长势光谱监测结果，利用s-g滤波法对时间序列曲线进行拟合重构。图3为本发明实施例中的当前ndvi拟合曲线和当前evi拟合曲线的示意图，如图3所示，ndvi拟合长势曲线即为当前ndvi拟合曲线，evi拟合长势曲线即为当前evi拟合长势曲线。

计算历史多年遥感时序监测作物长势曲线：年份选择至少10年以上，例如最新监测当前年份为2012年，则历史年份至少从2003年开始。同样选择modis250米8天合成的地表反射率数据，分别计算出ndvi和evi长势光谱指数，同样采用s-g滤波法对各个年份的时间序列曲线进行拟合重构，图4为本发明实施例中历史ndvi长势曲线和历史evi长势曲线示意图，如图4所示。

步骤三：通过dtw算法分别对当前ndvi拟合曲线和当前evi拟合曲线进行规整处理，得到当前ndvi长势曲线和当前evi长势曲线。通过dtw算法分别对每个历史ndvi拟合曲线和每个历史evi拟合曲线进行规整处理，得到历史ndvi长势曲线和历史evi长势曲线。

步骤四：计算当前ndvi长势曲线和每个历史ndvi长势曲线之间的最短距离，并获取距离最小的年份作为最佳ndvi匹配年份，计算当前evi长势曲线和每个历史evi长势曲线之间的最短距离，并获取距离最小的年份作为最佳evi匹配年份。

下图是冬小麦2003年至2012年的modisndvi长势遥感监测曲线，为了得到与2012年物候曲线最佳匹配年份，计算了2012年与2003年至2011年各年份的物候曲线的dtw距离，并获得对应的路径规划图，图5为本发明实施例中最短路径计算示意图，如图5所示，图中上面的曲线表示当前ndvi长势曲线，下面的曲线表示历史ndvi长势曲线。

从图5中得出2012年的物候曲线和2005年的dtw距离最小(dtw距离最小：0.012926)，即表明2012年的物候曲线与2005年的物候曲线最相似，即与2012年最佳的匹配作物长势遥感年型是2005年。

步骤五：若最佳ndvi匹配年份和最佳evi匹配年份相同，则根据最佳ndvi匹配年份对冬小麦的长势进行预测；若最佳ndvi匹配年份和最佳evi匹配年份不同，则根据最佳ndvi匹配年份对冬小麦的长势进行预测。

图6为本发明实施例提供的一种农作物长势预测系统的结构示意图，如图6所示，该系统包括遥感模块601、拟合模块602、规整模块603、最短距离模块604和预测模块605，其中：

遥感模块601用于根据当前年份目标农作物的每一当前长势遥感数据，获取所述当前年份每一当前长势遥感数据对应的归一化植被指数，根据若干历史年份所述目标农作物的每一历史长势遥感数据，获取每一历史年份每一历史长势遥感数据对应的归一化植被指数；

拟合模块602用于对所述当前年份每一当前长势遥感数据对应的归一化植被指数进行拟合重构，获取当前ndvi拟合曲线，对每一历史年份每一历史长势遥感数据对应的归一化植被指数进行拟合重构，获取每一历史ndvi拟合曲线；

规整模块603用于利用dtw算法对所述当前ndvi拟合曲线和每一历史ndvi拟合曲线进行规整处理，获取当前ndvi长势曲线和每一历史ndvi长势曲线；

最短距离模块604用于计算所述当前ndvi长势曲线与每一历史ndvi长势曲线的最短距离，将距离最小的历史ndvi长势曲线对应的年份作为最佳ndvi长势匹配年份；

预测模块605用于根据所述最佳ndvi长势匹配年份所述目标农作物的生长状况，对所述当前年份所述目标农作物的长势进行预测。

本系统实施例的具体执行过程与上述方法实施例的具体执行过程相同，详情请参考上述方法实施例，本系统实施例在此不再赘述。

本发明实施例利用遥感时序数据进行作物长势年型判别，实现了综合作物生长、气象及物候因素的综合考虑，通过确定长势年型，可以利用匹配年型条件下的管理经验进行参考，实现作物后期长势的预测和指导。填补了此领域空白，具有创新性。

图7为本发明实施例的电子设备的结构示意图，如图7所示，本发明实施例提供了一种电子设备，该电子设备包括：处理器(processor)701、通信接口(communicationsinterface)702、存储器(memory)703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信。处理器701可以调用存储器703上并可在处理器701上运行的计算机程序，以执行上述各实施例提供的田间幼苗期草类识别方法，例如包括：

根据当前年份目标农作物的每一当前长势遥感数据，获取所述当前年份每一当前长势遥感数据对应的归一化植被指数，根据若干历史年份所述目标农作物的每一历史长势遥感数据，获取每一历史年份每一历史长势遥感数据对应的归一化植被指数；

对所述当前年份每一当前长势遥感数据对应的归一化植被指数进行拟合重构，获取当前ndvi拟合曲线，对每一历史年份每一历史长势遥感数据对应的归一化植被指数进行拟合重构，获取每一历史ndvi拟合曲线；

利用dtw算法对所述当前ndvi拟合曲线和每一历史ndvi拟合曲线进行规整处理，获取当前ndvi长势曲线和每一历史ndvi长势曲线；

计算所述当前ndvi长势曲线与每一历史ndvi长势曲线的最短距离，将距离最小的历史ndvi长势曲线对应的年份作为最佳ndvi长势匹配年份；

根据所述最佳ndvi长势匹配年份所述目标农作物的生长状况，对所述当前年份所述目标农作物的长势进行预测。

此外，上述的存储器703中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的田间幼苗期草类识别方法，例如包括：

根据当前年份目标农作物的每一当前长势遥感数据，获取所述当前年份每一当前长势遥感数据对应的归一化植被指数，根据若干历史年份所述目标农作物的每一历史长势遥感数据，获取每一历史年份每一历史长势遥感数据对应的归一化植被指数；

对所述当前年份每一当前长势遥感数据对应的归一化植被指数进行拟合重构，获取当前ndvi拟合曲线，对每一历史年份每一历史长势遥感数据对应的归一化植被指数进行拟合重构，获取每一历史ndvi拟合曲线；

利用dtw算法对所述当前ndvi拟合曲线和每一历史ndvi拟合曲线进行规整处理，获取当前ndvi长势曲线和每一历史ndvi长势曲线；

计算所述当前ndvi长势曲线与每一历史ndvi长势曲线的最短距离，将距离最小的历史ndvi长势曲线对应的年份作为最佳ndvi长势匹配年份；

根据所述最佳ndvi长势匹配年份所述目标农作物的生长状况，对所述当前年份所述目标农作物的长势进行预测。

以上所描述的电子设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。