(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202211116114.3
(22)申请日 2022.09.14
(71)申请人 苏州深蓝空间遥感技 术有限公司
地址 215500 江苏省苏州市 常熟市常福街
道柳州路95号瑞特研发大楼3楼
(72)发明人 吴磊 孙世山 韩振
(74)专利代理 机构 北京智行 阳光知识产权代理
事务所(普通 合伙) 11738
专利代理师 潘红波
(51)Int.Cl.
G06Q 10/04(2012.01)
G06Q 50/02(2012.01)
G06F 17/16(2006.01)
G01S 13/88(2006.01)
G01S 13/90(2006.01)G01W 1/00(2006.01)
(54)发明名称
遥感、 光能利用率模 型与气象融合的作物成
熟期预测方法
(57)摘要
本发明实施例公开了一种遥感、 光能利用率
模型与气象融合的作物成熟期预测方法, 包括建
立SAR多极化模式下的水云模型; 选择拟合最好
的极化模式下的所述水云模型, 建立LAI与雷达
后向散射系数之间的关系; 根据研究区、 研究作
物历史多年LAI积分曲线确定成熟期阈值; 标定
LINTUL作物模型; 用气象数据和气象预报数据驱
动所述LINTUL模型, 用经雷达后向散射系数反演
的LAI, 采用集合卡尔曼滤波法对LINTUL模型进
行数据同化, 来模拟截至 未来时间段逐 天LAI; 计
算截至未来时间的模拟LAI的积分曲线面积比
值, 判定是否到达成熟期; 利用气象监测和预测
数据驱动LINTU L动态模拟叶面积指数, 通过计算
模拟的叶面积指数积分面积比值来判断是否达
到成熟期阈值, 从而实现对作物成熟期的预测。
权利要求书3页 说明书8页 附图3页
CN 115375036 A
2022.11.22
CN 115375036 A
1.一种遥感、 光能利用率模型与气象融合的作物成熟期预测方法, 其特征在于, 包含以
下步骤:
S1、 实测研究区、 研究作物的LAI与土壤含水量, 获取对应时间、 对应位置的合成孔径雷
达影像, 通过水云模 型建立卫星VV、 VH两种极化模式下各自的后向散射系数与研究区、 研究
作物的LAI、 土壤含水量之间的关系, 选择拟合 好的极化模式下的水云模型;
S2、 通过拟合好的所述水云模型, 生成LAI与雷达后向散射系数的查找表,并用支持向
量回归方法建立 LAI与雷达后向散射系数之间的关系;
S3、 获取卫星后向散射系数, 反演研究区、 研究作物历史三年LAI, 根据LAI积分曲线确
定成熟期阈值;
S4、 根据农业气象站点的数据标定作物L INTUL模型;
S5、 用气象数据和未来15天气 象预报数据驱动所述LINTUL模型, 用经雷达后向散射系
数反演的LA I, 采用集合卡尔曼滤波法对LINTUL模 型进行数据同化, 来模拟截至未来 15天的
逐天LAI;
S6、 计算截至未来15天的模拟LAI的积分曲线面积比值, 判定是否到达成熟期, 从而实
现提前15天对作物成熟期的预测;
S7、 获取新的经 过卫星反演的LAI, 更新未来15天气象预报数据, 重复上述 步骤S5到S6。
2.如权利 要求1所述的遥感、 LINTUL模型与气象融合的作物成熟期预测方法, 其特征在
于, 步骤S1中建立水云模型的步骤如下:
提取卫星后向散射系数, 根据研究区、 研究作物生育期准备卫星影 像数据;
在与上述 卫星影像对应的样方实地采样, 建立水云模型, 并对建立的水云模型优化。
3.如权利要求2所述的遥感、 光 能利用率模型与气象融合的作物成熟期预测方法, 其特
征在于, 所述 卫星影像的处理方法包括
下载研究区、 研究作物生育期内的卫星干涉宽带模式数据, 所述数据包括VV和VH两种
极化模式;
使用SNAP、 ENVI软件对数据进行边缘噪声移除、 热噪声移除、 斑点滤波、 辐射定标、 地形
校正、 地理编码和影 像裁剪预处理;
其中, 所述预处 理过程包括如下步骤
提取雷达亮度值β0, 公式如下:
β0
j=20*lg(DNj/A2j) (1)
式中, DNj是第j个像元的灰度值, A 2j是系统增益, β0
j指的是像元j的亮度值;
提取雷达后向散射系数σ0, 公式如下:
σ0
j=β0
j+10lg(si nIj) (2)
式中, Ij是第j个像元的入射角, 单位 为(°), σ0
j则为像元j的雷达后向散射系数。
4.如权利要求3所述的遥感、 光 能利用率模型与气象融合的作物成熟期预测方法, 其特
征在于, 所述水云模型的建立方法包括
在研究区均匀布设样方, 用GPS记录仪记录样方的边界, 测量样方内土壤湿度和作物
LAI;
建立水云模型(WC M), 公式如下:
σ0=σ0
veg+τ2σ0
soil (3)权 利 要 求 书 1/3 页
2
CN 115375036 A
2σ0
veg=A*V1*cosθ *(1–exp(‑2B*V2/cosθ ) (4)
τ2=exp(‑2B*V2/cosθ ) (5)
式(3)–(5)中, σ0
veg为作物后向散射, σ0
soil为土壤后向散射, τ2为衰减因子, V1、 V2是对植
被冠层结构的定量描述, θ为入射角, σ0
soil为土壤后向散射系数(m2/m2)参数A、 B由作物种类
决定。
5.如权利要求4所述的遥感、 光 能利用率模型与气象融合的作物成熟期预测方法, 其特
征在于, 所述水云模型的优化方法包括
用作物LAI作为植被结构的代表、 土壤体积含水量SM作为土壤含水量的代表, 公式如
下:
V1=LAIE,V2=LAIF (6)
σ0
soil=CMv+D (7)
式中, E、 F为拟合参数, 与拟合参数A、 B一起反映因植被结构相关的散射和衰减作用, 参
数C可以理解 为SAR对土壤 湿度的敏感性, D反映土壤粗 糙表面造成的后向散射;
由以上公式可以得到下式:
σ0=A*LAIE*cosθ *(1–exp(‑2B LAIF/cosθ ))+(CMv+D)*exp( ‑2B LAIF/cosθ ) (8)
利用实测数据对水云模型进行参数拟合
利用Levenberg ‑Marquardt算法对VV和VH极化模式下的上述水云模型分别进行非线性
最小二乘拟合, 求出两种极化模式下 各自的最优拟合 参数A、 B、 C、 D、 E、 F;
选择两种极化模式下决定系数最高的水云模型。
6.如权利要求2所述的遥感、 光 能利用率模型与气象融合的作物成熟期预测方法, 其特
征在于, 步骤S2中建立 LAI与雷达后向散射系数之间的关系的步骤如下:
生成查找 表: 改变拟合 好的水云模型中的LAI数值, 生成(LAI, σ0)查找表;
支持向量 回归: 利用上述步骤生成的查找表, 用支持向量回归法方法进行回归, 公式如
下:
f(xi)=wφ(xi)+b (9)
式中, φ(xi)为高维特征空间, w和b为模型参数, 利用 ε ‑insensitive loss算法, 引入稀
疏矩阵ξi, ξi*,i=1,…,n,则支持向量回归问题可转变为:
min(0.5*||w||2)+C∑ni=1( ξi+ξi*) (10)
满足:
yi–f(xi,w)≤ ε+ξi* (11)
f(xi,w)‑yi≤ ε+ξi (12)
ξi, ξ ≥0,i=1,2,…,n (13)
将LUT中得出的LAI与σ0数据代入上述公式中, 进行支持向量回归, 从而得到LAI与σ0之
间的关系。
7.如权利要求1所述的遥感、 光 能利用率模型与气象融合的作物成熟期预测方法, 其特
征在于, 步骤S3中成熟期阈值的判定方法如下
根据经SVR后得到的LAI与σ0之间的关系, 调取研究区、 研究作物生育期历史三年卫星数
据, 反演LAI时间序列, 并计算作物 LAI达到最大值时到成熟时LA I积分面积占作物出苗时到
LAI达到最大值时的积分面积的比值作为该作物的成熟期阈值, 记为Mthreshold, 公式如下:权 利 要 求 书 2/3 页
3
CN 115375036 A
3
专利 遥感、光能利用率模型与气象融合的作物成熟期预测方法
安全报告 >
其他 >
文档预览
中文文档
15 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共15页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 思考人生 于 2024-03-03 20:13:32上传分享