一种农作物数据采集及种植面积的遥感监测方法

本发明属于农业遥感领域，具体涉及一种农作物数据采集及种植面积的遥感监测方法。

背景技术：

1、在现有技术中ndvi(归一化差异植被指数)作为植被覆盖情况的一个重要指标，可以有效地反映植被的生长状况和覆盖程度。然而，ndvi本身只是一个相对值，即ndvi＝(nir-red)/(nir+red)，通过计算近红外波段(nir，植被强烈反射)与红光波段(red，植被吸收相对较多)反射率或辐射值之差，并除以这两个波段反射率或辐射值之和得出的一个数值。

2、所以ndvi并不能精确地量化到具体的植被覆盖情况。比如通过ndvi值只能大概猜测某一个区域的植被覆盖，并且不能确定植被的种类等细化的数据。

技术实现思路

1、本发明的目的在于提供一种农作物数据采集及种植面积的遥感监测方法，以解决上述背景技术中提出的问题。

2、为了解决上述技术问题，本发明提供如下技术方案：

3、农作物数据采集及种植面积的遥感监测方法，包括步骤：构建多维度的农作物数据；

4、多维度的农作物数据包括类型值有ndvi值、红光波段辐射值、近红外波段辐射值、红光波段辐射像元均值、近红外波段辐射像元均值；

5、采集多维度的农作物数据；

6、通过spearman秩相关方法来分析多维度的农作物数据与目标变量“植被类型”之间的关系，依次确定多维度的农作物数据中每一种类型值与目标变量“植被类型”之间的权值w_i，

7、将与目标变量“植被类型”之间具有最高相关系数且p值达到显著水平的类型值赋予最大权重值，将与目标变量“植被类型”之间具有最低相关系数的类型值赋予最小权重值；

8、使用多层感知器(multilayer perceptron,mlp)来确定ndvi值、红光波段辐射值、近红外波段辐射值、红光波段辐射像元均值和近红外波段辐射像元均值与植被类型之间的关系得到确定模型；

9、将新的遥感数据转化为特征向量后输入确定模型，得到预测的植被类型；

10、基于预测的植被类型计算不同类型农作物种植面积，对于不同类型农作物种植面积遥感监测。

11、进一步，采集多维度的农作物数据步骤：

12、访问地球观测卫星公开发布的农作物数据遥感影像数据；

13、下载农作物数据原始遥感数据后，需要辐射校正、地理配准；

14、分别从农作物数据遥感图像中提取对应的波段信息。

15、进一步，通过spearman秩相关方法来分析多维度的农作物数据与目标变量“植被类型”之间的关系，包括步骤：收集并整理多维度的农作物数据；对于目标变量“植被类型”，需要将其转换为可以量化比较的形式，通过编码来进行排序；确保所有多维度的农作物数据观测值都具有完整的数据记录；根据观测值大小对每个变量进行排序，并赋予相应的秩次；将目标变量“植被类型”转化为相应的秩次；分别对每个多维度的农作物数据与植被类型秩顺序计算spearman秩相关系数；每个多维度的农作物数据都会得到一个spearman秩相关系数ρ及其相应的p值；ρ值范围在-1到+1之间，绝对值越大表示相关性越强，正负号则表示正相关还是负相关；p值用来判断相关性的显著性，若p值小于事先设定的显著性水平，则认为该自变量与植被类型之间存在显著的秩相关关系；比较各个每个多维度的农作物数据与植被类型的相关系数大小及其显著性水平，找出具有最高相关系数且p值达到显著水平的多维度的农作物数据。

16、进一步，确定多维度的农作物数据中每一种类型值与目标变量“植被类型”之间的权值w_i具体可以根据spearman秩相关系数的大小和统计显著性(即p值)来分配权重：

17、w_i＝(rho_i-min(rho))/(max(rho)-min(rho))其中(w_i)是第i个类型值的标准化权重，(rho_i)是该类型值与植被类型的spearman秩相关系数，(min(rho))和(max(rho))分别为所有显著相关类型值中最小和最大的spearman秩相关系数。

18、进一步，使用多层感知器(multilayer perceptron,mlp)来确定ndvi值、红光波段辐射值、近红外波段辐射值、红光波段辐射像元均值和近红外波段辐射像元均值与植被类型之间的关系得到确定模型具体步骤如下：

19、收集并整理遥感数据，确保每个样本包含ndvi值、红光波段辐射值、近红外波段辐射值、红光波段辐射像元均值和近红外波段辐射像元均值以及对应的植被类型标签；

20、将这ndvi值、红光波段辐射值、近红外波段辐射值、红光波段辐射像元均值和近红外波段辐射像元均值组合成一个特征向量，且保留多维度的农作物数据中每一种类型值与目标变量“植被类型”之间的权值w_i，作为输入张量；

21、构建mlp模型，确定输入层神经元数量、隐藏层的数量、每层的神经元数、激活函数、输出层神经元数量；

22、初始化模型中各层的权重矩阵和偏置项；

23、划分数据集为训练集、验证集和测试集；

24、使用训练集数据对模型进行训练，通过反向传播算法更新权重，并在训练过程中监控损失函数的变化以及验证集上的性能指标。

25、本申请还公开了农作物数据采集及种植面积的遥感监测系统，包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述农作物数据采集及种植面积的遥感监测方法。

26、有益效果

27、1.多维度数据集成：本申请不再仅仅依赖于单一的ndvi指数，而是构建了一个包含ndvi值、红光波段辐射值、近红外波段辐射值以及相应波段像元均值等多个维度的农作物数据集，能够从更全面的角度反映农作物生长状况和植被覆盖特征。

28、2.关联性分析与权重确定：通过spearman秩相关分析法研究这些多维度数据与植被类型之间的关系，并根据显著性水平赋予不同变量相应的权重，从而更准确地量化各变量对植被分类的重要性。

29、3.深度学习模型的应用：采用多层感知器(mlp)模型，将多个遥感波段信息作为输入特征，利用神经网络的强大非线性表达能力和学习能力，提高对植被类型的识别精度和种植面积预测准确性。

30、4.模型优化与泛化能力提升：通过合理划分训练集、验证集和测试集，进行模型训练、参数更新以及超参数调整，有效提高了模型在未知数据上的性能表现和泛化能力。

31、本申请的技术方案不仅丰富了用于评估植被覆盖及农作物种植面积的数据维度，还借助统计学方法和深度学习技术实现了对农作物数据更深入、更精细的分析与挖掘，从而为农作物种植面积遥感监测提供了更为精准和高效的方法。

技术特征：

1.农作物数据采集及种植面积的遥感监测方法，其特征在于，包括步骤：构建多维度的农作物数据；

2.根据权利要求1所述的农作物数据采集及种植面积的遥感监测方法，其特征在于，采集多维度的农作物数据步骤：

3.根据权利要求1所述的农作物数据采集及种植面积的遥感监测方法，其特征在于，通过spearman秩相关方法来分析多维度的农作物数据与目标变量“植被类型”之间的关系，包括步骤：收集并整理多维度的农作物数据；对于目标变量“植被类型”，需要将其转换为可以量化比较的形式，通过编码来进行排序；确保所有多维度的农作物数据观测值都具有完整的数据记录；根据观测值大小对每个变量进行排序，并赋予相应的秩次；将目标变量“植被类型”转化为相应的秩次；分别对每个多维度的农作物数据与植被类型秩顺序计算spearman秩相关系数；每个多维度的农作物数据都会得到一个spearman秩相关系数ρ及其相应的p值；ρ值范围在-1到+1之间，绝对值越大表示相关性越强，正负号则表示正相关还是负相关；p值用来判断相关性的显著性，若p值小于事先设定的显著性水平，则认为该自变量与植被类型之间存在显著的秩相关关系；比较各个每个多维度的农作物数据与植被类型的相关系数大小及其显著性水平，找出具有最高相关系数且p值达到显著水平的多维度的农作物数据。

4.根据权利要求1所述的农作物数据采集及种植面积的遥感监测方法，其特征在于，确定多维度的农作物数据中每一种类型值与目标变量“植被类型”之间的权值w_i具体可以根据spearman秩相关系数的大小和统计显著性(即p值)来分配权重：

5.根据权利要求1所述的农作物数据采集及种植面积的遥感监测方法，其特征在于，使用多层感知器来确定ndvi值、红光波段辐射值、近红外波段辐射值、红光波段辐射像元均值和近红外波段辐射像元均值与植被类型之间的关系得到确定模型具体步骤如下：

6.农作物数据采集及种植面积的遥感监测系统，包括指令的计算机程序产品，其特征在于，当其在计算机上运行时，使得计算机执行权利要求1所述的农作物数据采集及种植面积的遥感监测方法。

技术总结本发明具体涉及一种农作物数据采集及种植面积的遥感监测方法，包括步骤：构建多维度的农作物数据；采集多维度的农作物数据；分析多维度的农作物数据与目标变量“植被类型”之间的关系，依次确定多维度的农作物数据中每一种类型值与目标变量“植被类型”之间的权值，得到确定模型；将新的遥感数据转化为特征向量后输入确定模型，得到预测的植被类型；基于预测的植被类型计算不同类型农作物种植面积，对于不同类型农作物种植面积遥感监测。本申请实现了对农作物数据更深入、更精细的分析与挖掘，从而为农作物种植面积遥感监测提供了更为精准和高效的方法。技术研发人员：刘艳霞,陆忠军,刘克宝,郑妍妍,付斌,黄楠,辛蕊,李鹏伟,王国宇受保护的技术使用者：黑龙江省农业科学院农业遥感与信息研究所技术研发日：技术公布日：2024/7/29