一种基于多源信息融合的倒伏指数提取方法与流程

本发明涉及一种基于多源信息融合的倒伏指数提取方法,属于精准农业应用技术领域，适用于多源信息融合的农作物倒伏监测及预报研究。

背景技术：

倒伏是农作物优质高产栽培的障碍因素之一，对农作物产量和品质有一定的影响，遥感技术的发展为倒伏的宏观快速监测提供了一种有效手段，利用遥感方法进行农作物倒伏监测以及减产估产分析已经证明具有良好的可行性和深入的研究，倒伏遥感监测以及遥感估计农作物产量已经成为农业遥感中的研究热点。多源信息融合技术能够实现图像的增强、提供三维可视化效果、弥补图像的信息缺失，还能够在很大程度上提高多源遥感数据的目标分类与目标识别的精度。多源信息融合技术在精准农业应用技术领域发挥了重要的作用。

目前的研究基本上都是从某一个侧面开展倒伏监测和估产研究，不能够全面的监测倒伏发生的类型、时间、程度、面积信息，从而降低了减产估产、灾情估计的精度和决策能力。遥感发展趋势为多平台、多类型的立体观测，能充分利用其开展机理和应用研究将有效提供精准农业领域的定量化应用能力。因此，如何利用多平台、多类型遥感系统开展农作物倒伏定量化监测和减产估产研究是亟待解决的关键技术问题。

技术实现要素：

发明的目的在于克服现有技术的不足，提供一种基于多源信息融合的倒伏指数提取方法，建立多特征融合的倒伏指数定量化监测模型。

本发明的技术解决方案为：一种基于多源信息融合的倒伏指数提取方法。该方法在获取高光谱、高空间分辨率、lidar多源信息数据的的基础上，分析农作物遥感机理以及外界环境和成像条件；在研究数据中特征的形成机制及变化规律，提取特征；利用倒伏指数作为监测倒伏的指标，选择特征作为模型参数，根据物理特性、统计特性对特征和倒伏指数进行解析表达；再分析各个参数的独立性和相关性，以及与监测倒伏指标之间的关系，建立多特征融合的倒伏定量化监测模型；并引入多元统计回归分析理论和拉格朗日方法，结合地面实测数据与参数对模型进行求解与优化。该方法充分挖掘高光谱、高空间分辨率、lidar数据中的特征，并且将其综合分析，建立了多特征融合的倒伏指数定量化监测模型，实现了农作物倒伏指数的定量化监测和预报。

本发明一种基于多源信息融合的倒伏指数提取方法，其步骤如下：

(1)获取高光谱分辨率、高空间分辨率、lidar多源数据；

(2)提取高光谱数据中的光谱特征，计算得到植被光谱指数；

(3)提取高空间分辨率数据中的统计特征和纹理特征；

(4)提取lidar数据中的结构特征和倒伏角度特征；

(5)利用步骤(2)-(4)提取的多源特征确定倒伏指数提取模型的参数；

(6)利用多元统计回归分析理论，建立多特征融合的倒伏指数定量化提取模型；

(7)利用拉格朗日方法，对倒伏指数提取模型进行求解与优化；

(8)利用步骤(7)计算得到倒伏指数。

其中，步骤(2)提取高光谱数据中的光谱特征，计算得到植被光谱指数:利用高光谱分辨率数据，计算得到调整土壤亮度的植被光谱指数savi来确定是否有倒伏及倒伏的类型，计算方法如下：

式中：r800和r680是在波长等于800nm和680nm时的反射率，l是土壤调节系数，l的取值范围0-1，l＝0时表示植被覆盖度为零，l＝1时表土壤背景的影响为零。

其中，步骤(3)提取高空间分辨率数据中的统计特征和纹理特征：利用高空间分辨率数据，计算得到灰度共生矩阵pd来提取纹理特征，计算方法如下：

式中：l表示图像的灰度级，i,j分别表示像素的灰度，d表示两个像素间的空间位置关系，不同的d决定了两个像素间的距离和方向，方向通常取0°，45°，90°，135°，pd(i,j)(i,j＝0,1,2，…，l-1)表示两个像素灰度分别为i和j，并且在图像上位置关系为d的情况出现的次数。

其中，步骤(4)提取lidar数据中的结构特征和倒伏角度特征：利用lidar数据，计算得到极化度m来确定倒伏的高度差，计算方法如下：

式中：g0表示电磁波的总功率，g1表示水平或垂直线极化分量功率值，g2表示倾斜角45度或135度时的线极化分量功率值，g3为左旋圆极化和右旋圆极化分量的功率值。

其中，步骤(5)利用(2)(3)(4)提取的特征确定模型参数：利用倒伏指数作为监测倒伏的指标，选择调整土壤亮度的植被指数savi、灰度共生矩阵pd、极化度m作为模型参数。

其中，步骤(6)利用多元统计回归分析理论，建立多特征融合的倒伏指数定量化提取模型：分析各个参数的独立性和相关性，以及与监测倒伏指数之间的关系，建立多特征融合的倒伏指数定量化监测模型,模型如下：

式中：y是倒伏指数，ai(i＝0,1,2,3),bi(i＝1,2,3)为模型常系数，log是以10为底数的对数，savi是调整土壤亮度的植被光谱指数，pd是灰度共生矩阵，m是极化度。

其中，步骤(7)利用拉格朗日方法，对倒伏指数提取模型进行求解与优化：对于(6)建立的多特征融合的倒伏指数定量化监测模型，进行求解与优化，用调整土壤亮度的植被光谱指数savi，灰度共生矩阵pd，极化度m，共同构成向量x＝[savipdm]^t，则倒伏指数可表示为y(x)，记d为向量x的可行域，x^*为倒伏指数y(x)的最优解,对于最优解x^*∈d，x∈d，存在数ε>0,使‖x-x^*‖≤ε时，总有y(x)≥y(x^*)，为对最优解x^*进行求解，可以引入lagrange函数l(x)＝y(x)，可用lagrange法求最优解x^*，计算方法如下：

式中：表示对向量x中的每一个元素，植被光谱指数savi，灰度共生矩阵pd，极化度m，分别计算梯度值。

求解后可以得到一个(或若干个)最优解x^*，在该解下可以使计算倒伏指数y的误差最小，在多特征融合的倒伏指数定量化监测模型的设计过程中，可以参考此最优解来确定模型参数值。

其中，步骤(8)利用步骤(7)计算得到倒伏指数：利用多特征融合的倒伏指数定量化监测模型的优化求解的参数，计算得到倒伏指数y。

本发明与现有技术相比的优点在于：提出了一种基于多源信息融合的倒伏指数提取方法，建立多特征融合的倒伏指数定量化监测模型，用于监测农作物的生长状况和预测农作物的产量。克服了传统方法中单一数据源的精度低，不能全面监测倒伏发生，评估和预测能力不准确的问题。它具有以下的优点：(1)采用高光谱、高空间分辨率、lidar多源信息融合的方法，并分析不同信息之间的独立性和相关性，有效的提高了模型的全面性和准确性；(2)引入多元统计回归分析理论和拉格朗日方法对模型进行求解与优化，充分有效的利用了多源信息；(3)建立多特征融合的倒伏指数定量化监测模型，为准确估计农作物产量提供了有效的技术手段。

附图说明

图1为本发明一种基于多源信息融合的倒伏指数提取方法的实现流程图。

具体实施方式

为了更好地说明本发明涉及的基于多源信息融合的倒伏指数提取方法，利用无人机高分辨率相机、星载高/多光谱相机、地基激光雷达测量系统进行了小麦倒伏指数的提取。本发明一种基于多源信息融合的倒伏指数提取方法，具体实现步骤如下：

(1)获取高光谱分辨率、高空间分辨率、lidar多源数据：获取高光谱数据波段为400-1000nm，高空间分辨率数据的分辨率为1m，lidar数据的为地基测量系统，数据覆盖整个实验区；

(2)提取高光谱数据中的光谱特征，计算得到植被光谱指数：利用高光谱分辨率数据，计算得到调整土壤亮度的植被光谱指数savi：

(3)提取高空间分辨率数据中的统计特征和纹理特征：利用高空间分辨率数据，计算得到灰度共生矩阵：

(4)提取lidar数据中的结构特征和倒伏角度特征：利用lidar数据，计算得到极化度m：

(5)利用步骤(2)-(4)提取的多源特征确定倒伏指数提取模型的参数：选择调整土壤亮度的植被指数savi、灰度共生矩阵pd、极化度m作为模型参数；

(6)利用多元统计回归分析理论，建立多特征融合的倒伏指数定量化提取模型：建立多特征融合的倒伏指数定量化监测模型

(7)利用拉格朗日方法，对倒伏指数提取模型进行求解与优化：用调整土壤亮度的植被光谱指数savi，灰度共生矩阵pd，极化度m，共同构成一组向量x：

x＝[savipdm]^t

l(x)＝y(x)

求解后可以得到一个(或若干个)最优解x^*，在该解下可以使计算倒伏指数y的误差最小；

(8)利用步骤(7)计算得到倒伏指数：计算得到倒伏指数y，根据倒伏指数进行阈值判断，从而确定倒伏区域。