利用多元运算优化图谱二维融合指数监测作物生物量方法

本发明利用遥感技术获取农作物光谱信息和纹理信息计算多种植被指数和纹理指数，并基于光谱和纹理信息的内在联系，从机理角度设计出一种利用多元运算优化图谱二维融合指数监测作物生物量方法，以实现作物生物量的高效监测，属于遥感反演。

背景技术：

1、在人口急剧增加、耕地减少的背景下，粮食安全已成为许多国家和地区面临的最大挑战之一。生物量与作物产量密切相关，是评估作物对环境条件和管理措施反应的重要指标。准确及时地监测作物生物量对于预测粮食产量、稳定作物价格、加强全球粮食安全具有重要意义。

2、无人机遥感是田间作物长势监测的重要手段之一。当前，主要应用遥感影像中的光谱信息来估算作物生物量。然而，光谱指数很容易在高生物量处出现饱和效应，即无法再随着生物量的变化而发生变动，失去了进一步监测生物量积累的能力，进而影响监测效果。除了光谱信息外，具有高空间分辨率无人机影像蕴含着丰富的纹理信息，可用于表征作物叶片疏密、冠层结构以及群落分布等空间信息。光谱与纹理之间的互补关系在提升作物生物量监测精度中发挥重大的潜力，然而，农业系统的研究中综合光谱和纹理信息共同监测作物生物量的研究依旧较少。

3、当前，综合光谱和纹理特征的作物生物量模型往往是通过经验模型搭建的。然而，这种加权模型中的这两类信息往往是被机械地结合起来且各个变量对监测效果的贡献仍不清楚。实际上，随着冠层结构和植株形态的改变，作物的光谱信息和纹理信息总是同步发生显著变化，两者之间存在着动态相互作用的内在联系为开发一种基于多元运算优化图谱二维融合指数(stci)提供了全新的视角。当前尚未出现指数在搭建的时候考虑到了纹理信息在监测作物长势中的作用。

技术实现思路

1、为了克服现有技术的不足，本发明提出了一种利用多元运算优化图谱二维融合指数(stci)监测作物生物量方法，以更有机理可解释性、更紧凑的方式结合了光谱和纹理这两种类型的信息，加深了对这两类信息在监测作物生物量中各自贡献的理解，有效地提升了作物生物量的监测精度。

2、本发明解决其技术问题所采用的技术方案是：

3、一种利用多元运算优化图谱二维融合指数监测作物生物量方法，包括以下步骤：

4、1)作物生物量监测的多波段特征增强光谱指数构建；

5、多波段特征增强是指将不同光谱波段进行组合，以达到有效地综合多个波段光谱信号的目的，多波段特征增强光谱指数采用先对两个波段的反射率进行平方，再对两者进行比值来构建，多波段特征增强光谱指数先采用平方的形式放大波段间反射率差异，突出作物生物量的光谱特征，再采用比值形式消除噪声和其他干扰因素的影响，进一步提升波段的信噪比，因此能够提供更丰富的作物生物量信息，多波段特征增强光谱指数整合了多个波段的光谱特征，通过遍历组合全部波段，能够筛选出最适合作物生物量监测的波段组合，多波段特征增强光谱指数计算如公式(1)所示：

6、r12/r22(1)式中，r1和r2代表影像中提取出的任一光谱波段的反射率；

7、针对无人机成像高光谱数据中提取出的波段，采用穷举法将所有波段进行两两组合，将所有计算出的多波段特征增强光谱指数与作物生物量数据进行相关性分析，与作物生物量之间相关性系数绝对值最高的波段组合被作为最佳的多波段特征增强光谱指数的波段组合；

8、2)作物生物量监测的多元谱信息增益纹理指数构建；

9、利用灰度共生矩阵，在3*3的窗口大小，以45°为间隔角度，移动步长为1个像素，分别计算八类典型的纹理特征，即对比度、方差、同质性、二阶矩、均值、熵、相关性、能量，取不同方向中各类纹理特征极值为各自最终采用的纹理特征值；

10、谱信息增益则是指对不同波段的纹理特征进行数学变换，以达到放大不同纹理之间的差异，突出监测目标纹理特征的目的。本发明中多元谱信息增益纹理指数采用先对两个波段的纹理特征进行比值运算，再对其运算结果绝对值进行开方运算的形式所搭建；相比于单波段，多元谱信息增益纹理指数整合了多个波段的纹理信息，更全面地刻画了作物生物量的纹理特征；采用比值形式减少了噪声和外界因素对纹理信号的干扰，使用开方形式压缩了纹理的数值范围，改善了数据分布和尺度并平衡各纹理在建模中的权重；针对成像高光谱数据中提取出的纹理信息，采用穷举法将所有纹理特征进行两两搭配组合，搭建所有多元谱信息增益纹理指数，多元谱信息增益纹理指数计算如公式(2)所示：

11、

12、式中，t1和t2代表影像中提取出的任意波段的任一纹理特征；

13、3)作物生物量监测的多元运算优化图谱二维融合指数(stci)构建；

14、多元运算优化图谱二维融合指数(stci)是根据光谱和纹理信息间的内在机理联系，利用加、减、乘、除法四种基础数学运算形式，依次将所有多元谱信息增益纹理指数与最佳的多波段特征增强光谱指数进行遍历组合所开发，多元运算优化图谱二维融合指数综合了光谱信息和纹理信息的各自优势，有效地降低了光谱饱和度，具有更高的感知作物生物量变化的敏感性，多元运算优化图谱二维融合指数计算如下公式(3)所示：

15、stci＝c (vioptimal,ti) (3)

16、式中，vioptimal为最佳的多波段特征增强光谱指数，ti为所有多元谱信息增益纹理指数，c()代表用于两种变量耦合的最佳数学运算形式；

17、利用相关性分析，计算所有多元运算优化图谱二维融合指数与作物生物量之间的相关性系数绝对值，并将计算出的相关性系数绝对值最高的波段组合作为最佳的多元运算优化图谱二维融合指数的波段组合；

18、4)基于多元运算优化的图谱二维融合指数的作物生物量监测模型的构建；

19、利用最佳的多元运算优化图谱二维融合指数作为自变量，作物生物量作为因变量，建立作物生物量监测模型如下：

20、y＝f (stcioptimal) (4)

21、式中，y为作物生物量，stcioptimal为最佳的多元运算优化图谱二维融合指数，f()代表用于建模的函数；

22、5)作物生物量监测模型的精度验证；

23、将目标田块的stcioptimal带入模型(4)获得监测的作物生物量y监测，利用下述公式(5)进行作物生物量的监测精度验证：

24、aeagb＝|y监测-y实测| (5)

25、式中，aeagb为作物生物量监测的绝对误差，y监测为目标田块根据模型计算出的作物生物量，y实测为目标田块实际测量得到的作物生物量。

26、进一步，所述4)中，用于拟合建模的统计模型可以采用经验模型、机器学习模型或深度学习模型等多种形式。

27、本发明的有益效果主要表现在：弥补了传统作物生物量反演中仅使用光谱信息的缺陷，首次引入了纹理信息并利用生物量积累过程中光谱和纹理的内在机理联系，提出了一种基于多元运算优化图谱二维融合指数的作物生物量监测方法，成功且高效地反演了作物生物量。

技术特征：

1.一种利用多元运算优化图谱二维融合指数监测作物生物量方法，其特征在于，所述方法包括以下步骤：

2.如权利要求1所述的利用多元运算优化图谱二维融合指数监测作物生物量方法，其特征在于，所述4)中，用于拟合建模的模型采用经验模型、机器学习模型或深度学习模型。

技术总结一种利用多元运算优化图谱二维融合指数监测作物生物量方法，包括以下步骤：1)作物生物量监测的多波段特征增强光谱指数构建；2)作物生物量监测的多元谱信息增益纹理指数构建；3)作物生物量监测的多元运算优化图谱二维融合指数(STCI)构建；4)基于多元运算优化的图谱二维融合指数的作物生物量监测模型的构建；5)作物生物量监测模型的精度验证。本发明综合考虑了作物生物量积累过程中光谱信息和纹理信息的内在动态联系，从机理的角度高效地耦合了光谱信息合纹理信息，搭建了一种多元运算优化图谱二维融合指数，为实现精准的作物生物量监测提供了一种全新的方法。技术研发人员：王福民,徐天玥,史舟受保护的技术使用者：浙江大学技术研发日：技术公布日：2024/7/29