一种面向农作物的植被指数预测方法

本发明涉及农业遥感，具体涉及一种面向农作物的植被指数预测方法。

背景技术：

1、在作物生长周期内尽早掌握农情趋势，提前获取得到作物的生长状态信息对于农业生产和指导具有重要意义。精准农业可以帮助提高作物生产力，最大限度的发挥投入资源的使用效率，而精准农业中最大的挑战之一是对于作物未来长势和产量的预测。更早的知道作物长势和产量可以使精准的管理模式、种植决策和宏观调控成为可能。

2、遥感技术通过传感器所测量的作物光谱反射率、辐射及后向散射系数等，建立其与作物生理生化参数、物候信息、结构参数和产量的模型，可实现大范围的农情监测，在精准农业中作为重要的技术手段被广泛应用。植被指数(vi)是基于植被对太阳辐射在不同波段的反射率设计并得到的数学组合。植被在不同波段的反射率会由于其生长状态和形态结构的变化而产生差异，所以在遥感农情监测中，常常将植被指数作为作物生长状态的重要指标，它被用于监测作物物候及长势，同时也是基于不同作物模型估算作物产量的重要参数。相比于单一时相的植被指数，连续的植被指数时间序列反映植被每天的动态变化过程的能力更强，在对于作物的实时监测和农业管理决策中具有很高的应用潜力，例如时间序列曲线在物候监测中更具优势，多时相的植被指数也能够更好的反映作物整个生长周期内的长势变化，同时使用整个生长季的植被指数时间序列在产量估算和物候监测中具有更高的精度。

3、事实上，对作物未来的长势发展及最终的产量往往更受到生产者的关注且更具实际应用价值。所以对植被指数时间序列进行预测在农业生产中更具有实用价值，准确的vi预测数据可用于对作物物候及产量进行精准预测预测，为农业生产生活及国家粮食政策提供数据支撑，根据预测结果及时调整种植策略及粮食储备，从而保障国家粮食安全。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种面向农作物的植被指数预测方法实现了冬小麦植被指数的全生育期近实时预测。

2、为了达到上述发明目的，本发明采用的技术方案为：

3、提供一种面向农作物的植被指数预测方法，其包括以下步骤：

4、s1、通过高时空分辨率数据，提取历史年份纯净作物像元的作物生长曲线，并对曲线中的异常值和空缺值进行处理；

5、s2、将作物生长曲线与预测年份作物生长早期的植被指数进行平移并不断拟合，选择拟合后曲线与早期植被指数决定系数大于均值的曲线进行二次拟合，拟合后的曲线则为预测得到的全生育期植被指数；

6、s3、使用后期真实的高空间分辨率数据对预测的植被指数进行精度评价；

7、s4、使用多元线性拟合的方法，分析气象数据与预测精度的相关性，给出生长曲线选取的最佳标准。

8、进一步地，步骤s1中提取历史年份纯净作物像元的作物生长曲线的具体方法为：

9、在google earth engine(gee)中调用modis mcd43a4产品并计算研究区预测年份冬小麦1月至6月每日的ndvi，其中ndvi的计算方法根据公式如下：

10、

11、b1和b2分别为modis数据红波段和近红外波段的反射率。由于modis数据中云等影响导致的数据异常或者数据缺失进行异常值校正和空值填补，使用了窗口为5的s-g(savitzky-golay filter)滤波对提取的作物生长曲线进行平滑处理。

12、进一步地，步骤s2的具体方法为：

13、假设在整个生长季同种作物的植被指数生长曲线与高空间分辨率的植被指数之间存在如下线性关系：

14、y＝am(x+δx)+b

15、其中x表示一年中的第某一天，y表示从纯净像元里提取的生长曲线，m(x)表示某像元高空间分辨率第x天的植被指数，δx表示由于年份和地理位置的不同造成的物候差异，与a和b都是拟合参数。同时通过对每条生长曲线进行不断平移并计算每次平移的拟合参数，找到平移后决定系数大于均值的所有曲线，将这些曲线求平均后得到最优生长曲线，使用最优生长曲线对该像元进行拟合，从而预测得到该像元生长季后期的ndvi时间序列曲线。而由于作物生长早期高分辨率植被指数较少，会出现拟合错误的情况，所以在拟合时我们对a和b增加了自适应阈值的限制：a表示最佳生长曲线被上下拉伸的程度，所以a是一个大于0的数；b表示曲线被上下平移的大小；δx表示被左右平移的大小。通过观察生长曲线，研究区的ndvi分布在[0.2,1]范围内，所以当有ndvi被输入时，他们中的最大值ndvimax和最小值ndvimin决定了该曲线最大只能被向上平移1-ndvimax或者向下平移ndvimin-0.2范围，所以每个像元拟合得到的b的范围为[0.2-ndvimin,1-ndvimax]，又因为拟合后的曲线也应该在[0.2,1]之间，且所以a的范围为所以在拟合时如果拟合的a、b超过了这个范围，我们直接将其赋值为最大值或者最小值，以保证在预测的ndvi合理的情况下所选取的生长曲线决定系数r2最大。

16、进一步地，步骤s3的具体方法为：

17、为了验证使用作物生长曲线进行ndvi预测的精度，我们使用后期真实的ndvi与预测的同一天的结果进行比较，均方根误差相关系数被用于评价预测精度：

18、

19、

20、公式中ndvii为是后期真实的高空间分辨率ndvi值，ndvii是预测出来的ndvi值，n是用于检验精度的所有像元数量，我们使用了后期所有能获取到的清晰的ndvi进行精度验证，以此来比较算法在不同时期的预测能力。

21、进一步地，步骤s4的具体方法为：

22、统计了生长曲线选取的范围内冬小麦整个生长阶段的积温、累计降水以及累计地表净辐射，同时统计了所预测的研究区三种气象要素的累计值，分别计算得到不同年份、不同区域三种气象数据累计值与预测年份的差值，并分别对其差值进行归一化处理，归一化处理的值分别被定义为：δt、δp和δr，通过多元线性回归建立在使用拔节期之前的ndvi预测抽穗灌浆期所有相关系数均值a作为使用该地区该年份的预测精度，建立如下线性模型；本研究多元线性回归模型是基于r语言得到的。

23、a＝aδt+bδp+cδr+d

24、使用决定系数r2、re和rmse来评价多元线性回归模型的精度，其中r2和mse被定义为：

25、

26、

27、其中ai为真实的预测精度，为模型的预测精度，为预测精度的均值。

28、本发明的有益效果为：本发明基于历史作物生长曲线，通过和高空间分辨率的植被指数进行拟合，实现对生育期后期的植被指数进行全生育期近实时预测，可以获取得到高时空分辨率的植被指数数据，对预测精度进行了评价，并基于气象差异给出了作物生长曲线的最佳选取策略。该算法可用于大范围、全生育期近实时的植被指数预测，在实际的农情预报和产量预测中具有较好的应用前景。

技术特征：

1.一种面向农作物的植被指数预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种面向农作物的植被指数预测方法，其特征在于，步骤s1中提取作物生长曲线的具体方法为：

3.根据权利要求1所述的面向农作物的植被指数预测方法，其特征在于，步骤s2的具体方法为：

4.根据权利要求1所述的一种面向农作物的植被指数预测方法，其特征在于，步骤s3的具体方法为：

5.根据权利要求1所述的一种面向农作物的植被指数预测方法，其特征在于，步骤s4的具体方法为：

技术总结本发明公开了一种面向农作物的植被指数预测方法，基于历史年份MODIS数据纯净作物像元提取的作物生长曲线，通过不断平移输入的生长曲线并与高空间分辨率的早期Sentinel‑2植被指数数据进行拟合，并计算得到拟合后的生长曲线与拟合参数a、b和Δx，并使用后期真实的Sentinel‑2植被指数数据对预测精度进行评价，同时为了提升方法的可拓展性，本文以气象数据的差异构建了多元线性回归模型，用于探索生长曲线的最佳选取策略。该方法对于复杂种植结构地区植被指数全生育期近实时预测具有较高的精度，在实际的农情预报和产量预测中具有较好的应用前景。技术研发人员：孙亮,孙政,段梦琦,陈瑞卿受保护的技术使用者：中国农业科学院农业资源与农业区划研究所技术研发日：技术公布日：2024/8/1