(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