一种基于无人机成像高光谱遥感的冬小麦产量预测方法专利检索-普适计算计算机网络专利检索查询-专利查询网

一种基于无人机成像高光谱遥感的冬小麦产量预测方法

阅读：881发布：2020-05-14

专利汇可以提供一种基于无人机成像高光谱遥感的冬小麦产量预测方法专利检索，专利查询，专利分析的服务。并且本发明提供了一种基于无人机成像高光谱遥感的冬小麦产量预测方法，包括以下步骤：无人机的高光谱影像处理，然后对农作物进行生长参数反演，构建冬小麦产量预测模型，最后对产量预测精度进行验证。本发明提供的预测方法综合考虑了多个生育期通过无人机高光谱遥感获取的小麦长势信息，同时引入作物生长模型提供的作物生长先验知识，进行小麦产量预测，该方法计算简单，结果准确，从遥感机理出发，具有普适性，为精确进行农作物产量预测提供了一种新思路和新方法。，下面是一种基于无人机成像高光谱遥感的冬小麦产量预测方法专利的具体信息内容。

权利要求

1.一种基于无人机成像高光谱遥感的冬小麦产量预测方法，其特征在于，该方法包括以下步骤：
(1)无人机高光谱影像处理；
(2)作物生长参数反演；
(3)冬小麦产量预测模型构建；
(4)产量预测精度验证。
2.根据权利要求1所述的产量预测方法，其特征在于，步骤(1)中，
所述无人机搭载高光谱传感器对目标区域进行成像，目标区域的冬小麦处于生育期，优选为出苗期、返青期、拔节期、孕穗期、抽穗期、扬花期和灌浆期，更优选为拔节期和抽穗期。
3.根据权利要求2所述的产量预测方法，其特征在于，步骤(1)中，
用无人机搭载高光谱传感器对目标区域进行成像前，在该目标区域的地面铺设标准白板或标准反射率靶标，进行辐射校正；
优选地，用无人机搭载普通相机对目标区域进行成像，用于正射校正。
4.根据权利要求3所述的产量预测方法，其特征在于，步骤(1)中，
所述正射校正如下进行：对原始高光谱影像做辐射校正和粗几何校正，生成中间产品，对多光谱影像做空三处理生成正射影像，用正射影像对中间产品进行正射校正；
最后进行图像拼接，生成完整的无人机高光谱影像。
5.根据权利要求1所述的产量预测方法，其特征在于，步骤(2)中，
所述作物生长参数包括叶面积指数和叶片氮含量，叶面积指数由方向性二阶微分反演得到，目标像元二阶微分与叶面积指数之间的关系如下所示：
式中，
ρ″代表目标像元二阶微分，
ρ″v代表纯植被像元的二阶微分，
LAI代表叶面积指数，
b是与植被类型、观测天顶角相关的参数。
6.根据权利要求5所述的产量预测方法，其特征在于，步骤(2)中，
所述叶片氮含量由AIVI指数反演得到，AIVI表达式为：
式中，Ri代表像元在i波段处的反射率；
所述AIVI指数与冬小麦叶片氮含量的经验线性关系式为：
AIVI＝0.353LNC+0.397 式(5)
其中，LNC代表叶片氮含量的百分数。
7.根据权利要求1所述的产量预测方法，其特征在于，步骤(3)中，
所述产量预测模型是基于随机森林算法构建的非线性回归模型，优选地，所述产量预测模型的训练样本来自CERES-Wheat冬小麦生长模型的模拟结果；
所述CERES-Wheat模型输入参数包括气象数据、土壤数据、品种信息和田间管理数据；
CERES-Wheat模型输出数据包括叶面积指数、叶片氮含量的日变化数据以及作物成熟后的产量数据。
8.根据权利要求7所述的产量预测方法，其特征在于，步骤(3)中，
所述气象数据包括最高气温、最低气温及降水量；
所述土壤数据包括土壤质地、容量、PH值和土壤水分特性；
所述品种信息需要进行多次调试，选出最符合实验品种的数据；
所述田间管理数据包括灌溉信息、施肥信息和种植信息。
9.根据权利要求1所述的产量预测方法，其特征在于，步骤(4)中，
所述产量预测精度验证包括对反演的叶面积指数、叶片氮含量和对预测产量的精度验证。
10.根据权利要求9所述的产量预测方法，其特征在于，步骤(4)中，
精度验证包括两个验证指标，优选为均方根误差RMSE和平均相对误差绝对值MAPE，计算公式如下：
式中，表示预测值，y表示实测值，m代表参与统计样本的个数。

说明书全文

一种基于无人机成像高光谱遥感的冬小麦产量预测方法

技术领域

[0001] 本发明涉及农田定量遥感监测技术领域，具体涉及一种利用高光谱遥感技术预测农作物产量的方法。

背景技术

[0002] 粮食是关系国计民生和国家经济安全的重要战略物资，粮食安全与经济的发展、社会的和谐息息相关。水资源短缺、土地退化、自然灾害频繁，农业环境污染日益严重，严重影响着粮食生产的稳定发展和质量的提高。冬小麦作为我国主要的粮食之一，及时准确预测其产量可为农业决策和经营管理提供有力支撑，是发展精准农业、走可持续发展道路的迫切需求。

[0003] 卫星遥感目前广泛应用于大尺度农作物估产，对于宏观尺度上的决策有着重要意义，但由于卫星影像存在重访周期长、影像分辨率低、混合像元、气象条件限制等问题，导致对农业经营者实际作业管理辅助效果甚微。无人机遥感具有时空分辨率高、作业成本低、灵活且可重复等优点，可快速高效获取较大面积高精度农田遥感影像，能有效辅助农业经营者进行调控和决策。

[0004] 无人机遥感估产主要借鉴卫星遥感估产方法，但由于遥感平台、影像空间分辨率等方面与卫星遥感存在显著差异，故此类方法是否适用于无人机遥感研究还有待研究。利用遥感数据进行区域农作物产量预测，目前主要可分为经验模型和物理模型。前者基于遥感光谱信息，通过建立多个时期的植被指数和产量之间的回归关系，从而得到产量预测结果，尽管这种产量预测方法实现简单，但机理性较差，模型稳定性较差。而后者主要基于作物生长模型，能够较好地模拟作物生长的情况，但模型参数众多，方法较为复杂。

发明内容

[0005] 基于上述技术背景，为了克服已有冬小麦遥感产量预测方法的不足，本发明人进行了锐意研究，提出了一种基于无人机成像高光谱遥感的冬小麦产量预测方法，该方法综合考虑多个生育期无人机高光谱遥感获取的小麦长势信息，同时结合作物生长模型提供的作物生长先验知识，进行小麦产量预测，该方法计算简单，结果精确，从遥感机理出发，具有普适性，有效地克服了模型稳定性较差以及模型复杂的问题，为精确进行农作物产量预测提供了一种新的思路和方法。

[0006] 本发明提供了一种基于无人机成像高光谱遥感的冬小麦产量预测方法，包括以下步骤：

[0007] (1)无人机高光谱影像处理；

[0008] (2)作物生长参数反演；

[0009] (3)冬小麦产量预测模型构建；

[0010] (4)产量预测精度验证。

[0011] 本发明提供的基于无人机成像高光谱遥感的冬小麦产量预测方法，具有以下优势：

[0012] 本发明所述的冬小麦产量预测方法，综合考虑无人机高光谱遥感信息和作物生长信息，同时引入作物生长模型，使得本方法具有既考虑了小麦生长过程中土壤、气候、降水量等多种影响因素的耦合作用机理，又尽量使预测模型计算简便、操作简单和结果准确。附图说明

[0013] 图1示出无人机高光谱影像处理的步骤图；

[0014] 图2-a示出冬小麦拔节期经处理后的无人机真彩色合成遥感影像图；

[0015] 图2-b示出冬小麦抽穗期经处理后的无人机真彩色合成遥感影像图；

[0016] 图3-a示出冬小麦拔节期叶面积指数的反演结果；

[0017] 图3-b示出冬小麦抽穗期叶面积指数的反演结果；

[0018] 图4-a示出冬小麦拔节期叶片氮含量的反演结果；

[0019] 图4-b示出冬小麦抽穗期叶片氮含量的反演结果；

[0020] 图5示出冬小麦试验田空间分布图；

[0021] 图6-a示出冬小麦拔节期叶面积指数的反演值和实测值对比结果；

[0022] 图6-b示出冬小麦抽穗期叶面积指数的反演值和实测值对比结果；

[0023] 图7-a示出冬小麦拔节期叶片氮含量的反演值和实测值对比结果；

[0024] 图7-b示出冬小麦抽穗期叶片氮含量的反演值和实测值对比结果；

[0025] 图8示出实测产量与预测产量对比结果；

[0026] 图9示出基于无人机成像高光谱遥感的冬小麦产量预测方法的步骤图。

具体实施方式

[0027] 下面将对本发明进行详细说明，本发明的特点和优点将随着这些说明而变得更为清楚、明确。

[0028] 在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

[0029] 本发明提供了一种基于无人机成像高光谱遥感的冬小麦产量预测方法，如图9所示，包括以下步骤：

[0030] (1)无人机高光谱影像处理；

[0031] (2)作物生长参数反演；

[0032] (3)冬小麦产量预测模型构建；

[0033] (4)产量预测精度验证。

[0034] 以下对该步骤进行具体描述和说明。

[0035] 步骤(1)无人机高光谱影像处理。

[0036] 在本发明中，所述无人机搭载高光谱传感器对目标区域进行成像，采集成像的时期为冬小麦的生育期，优选为出苗期、返青期、拔节期、孕穗期、抽穗期、扬花期和灌浆期，更优选为拔节期和抽穗期。经分析发现，拔节期和抽穗期为与产量相关性最高的生育期。

[0037] 根据传感器的光谱分辨率对光谱成像技术进行分类，光谱成像技术一般可分为多光谱成像、高光谱成像和超光谱成像技术。多光谱是指光谱分辨率在0.1mm数量级，这样的传感器在可见光和近红外区域一般只有几个波段。高光谱是指光谱分辨率在0.01mm数量级，这样的传感器在可见光和近红外区域有几十到数百个波段，光谱分辨率可达nm级，其能捕捉到由于植物生化组份变化，而导致的植物反射波谱曲线特征吸收峰、反射谷的细微位置和深度差异，能更加精确的反演植被生化参数，具有光谱分辨率高、图谱合一的独特优势。高光谱成像是相对于多光谱成像而言，通过高光谱成像方法获得的高光谱图像与通过多光谱成像获取的多光谱图像相比具有更丰富的图像和光谱信息。

[0038] 在步骤(1)中，无人机作业当日应保证天空晴朗无云，作业时间优选为10:00～14:00。确保采集图像清晰。

[0039] 所述无人机选自大疆御Mavic Air、大疆M600 Pro、小米无人机、哈伯森H501A和UDrone意念无人机，优选为大疆御Mavic Air和大疆M600 Pro，更优选为大疆M600 Pro。

[0040] 无人机飞行高度为50～150m，优选为70～120m，更优选为100m，所述飞行速度为1～6m/s，优选为2～4m/s，更优选为3m/s。

[0041] 所述高光谱传感器选自SOC750HB、中达瑞和近红外高光谱仪、Isoplane光谱仪和Pika L高光谱成像仪，优选为Pika L高光谱成像仪。所述高光谱传感器用推扫方式成像。

[0042] 用无人机搭载高光谱传感器对目标区域进行成像前，需在该目标区域的地面铺设标准白板或者标准反射率靶标，用于辐射校正。

[0043] 优选的，还需要用无人机搭载普通相机对目标区域进行成像，生成多光谱影像，用于正射校正。

[0044] 所述正射校正的具体过程为：先对原始高光谱影像做辐射校正和粗几何校正，生成中间产品，对普通相机成像生成的多光谱影像做空三处理生成正射影像，用正射影像对中间产品进行正射校正。

[0045] 其高光谱影像处理的整个过程如图1所示。先对无人机高光谱影像做辐射校正和粗几何校正生成中间产品，再用相机成像的多光谱影像做空三处理生成正射影像，然后用生成的中间产品和正射影像进行正射校正，最后进行图像拼接，生成一幅完整的无人机高光谱影像。

[0046] 本发明所述的辐射校正是利用高光谱传感器定标文件将无人机原始影像DN值转换为辐亮度，然后利用标准白板或者标准反射率靶标在影像上的辐亮度以及在实验室所测得的反射率光谱之间的关系，将无人机辐亮度影像转换为反射率影像。

[0047] 本发明所述的几何校正，是利用无人机GPS文件信息对反射率影像进行初步的几何校正处理，生成中间产品。

[0048] 所述正射校正中对多光谱影像做空三处理，空三处理是指空中三角测量，是立体摄影测量中，根据少量的野外控制点，在室内进行控制点加密，求得加密点的高程和平面位置的测量方法。其具体步骤为：对多光谱影像建立密集点云，生成网格，生成纹理，最终生成正射影像。通过选取正射影像和中间产品的控制点，从而实现正射校正。最后对影像进行拼接，最终得到完整的反射率高光谱影像图，其空间分辨率为0.1m。

[0049] 步骤(2)作物生长参数反演。

[0050] 所述作物生长参数包括叶面积指数和叶片氮含量。在本发明中，叶面积指数通过方向性二阶微分反演得到。

[0051] 方向性二阶微分是一种能消除土壤背景信息，并能有效反演叶面积指数的算法，对叶片及土壤的波谱分析表明，在0.68～0.71μm以及0.73～0.75μm波段处，叶片的二阶微分商值ρ″v远远大于土壤二阶微分商值ρ″g，利用高光谱数据可以选择在某波长处建立二阶微分商值ρ″v与叶面积指数的经验关系式，并依此关系式反演叶面积指数。

[0052] 本发明中所述像元目标的反射率可以由一次散射的贡献项ρ″1和多次散射的贡献项ρ″m的加和来表示。在0.68～0.71μm波段处，多次散射项可以被完全忽略，假定从热点方向观测，公式可以简化为：

[0053]

[0054] 式(1)中，ρ″代表目标像元二阶微分，ρ″v代表纯植被像元的二阶微分，其通过构建遥感影像红与近红外反射率特征空间选取纯植被像元进而得到，LAI代表叶面积指数，b是与植被类型、观测天顶角等相关的参数，对于农田可近似取0.5。

[0055] 在本发明步骤(2)中，叶片氮含量是利用AIVI指数反演得到。所述AIVI指数是一种对角度不敏感，且与冬小麦叶片氮浓度有较强相关性的植被指数。该植被指数基于蓝色、绿色波段以及红边处的反射率，具有比其他植被指数模型更加稳定和准确的优点。其表达式如下：

[0056]

[0057] 式(2)中，Ri代表像元在i(单位：nm)波段处的反射率；

[0058] 本发明中选取了波长在445nm、573nm、720nm以及735nm附近处的波段，利用(2)式得到冬小麦AIVI指数，然后再根据式(5)AIVI指数与冬小麦叶片氮含量的经验线性关系式反演得到叶片氮含量。

[0059] AIVI＝0.353LNC+0.397 式(5)

[0060] 式(5)中，LNC代表叶片氮含量的百分数。AIVI指数与冬小麦叶片氮含量的经验线性关系式是结合冬小麦叶片氮含量实测值，然后利用最小二乘法建立得到的。

[0061] 步骤(3)冬小麦产量预测模型构建。

[0062] 本发明所述的冬小麦产量预测模型是基于随机森林算法进行构建的。随机森林是一种基于决策树的机器学习算法，是一种自然的非线性建模工具。该算法通过随机有放回地选取样本，随机选取分支节点，构建对大量不重复的决策树进行决策汇总，从而提高了模型的泛化能力和预测精度。

[0063] 根据本发明一种优选的实施方式，所述产量预测模型的训练样本来自CERES-Wheat冬小麦生长模型的模拟结果。CERES-Wheat模型是目前使用最广泛的作物生长模型系统之一，能够模拟作物的营养生长和生殖生长发育过程、作物光合作用、呼吸作用、干物质分配和植株生长以及衰老等基本生理生态过程，最终实现作物产量的模拟。

[0064] 本发明所述的CERES-Wheat模型输入参数包括气象参数、土壤数据、品种信息和田间管理数据。其中，气象数据包括最高气温、最低气温及降水量等，土壤数据包括土壤质地、容量、PH值及土壤水分特性等，品种信息则需要进行多次调试，选出最符合实验品种的数据，田间管理数据则包括灌溉信息、施肥信息及种植信息等。

[0065] 所述CERES-Wheat模型输出数据包括叶面积指数、叶片氮含量等参数的日变化数据以及作物成熟后的产量数据等。通过相关性分析可以找到与产量相关性最高的生长期，本发明人在CERES-Wheat模型中分别设置了4种冬小麦品种参数，以30kg/ha为间隔，从N0到N22施氮水平的12种氮肥管理参数，以15mm为间隔，从0mm到60mm灌水量的5种水分管理参数，此外还设置了3种施肥、灌溉日期，共计模拟了720组冬小麦生长参数，通过相关性分析发现，拔节期和抽穗期的叶面积指数和叶片氮含量与产量的相关性最高。因此，本发明选取的采集成像时期为冬小麦的拔节期和抽穗期。

[0066] 根据本发明更进一步优选的实施方式，将CERES-Wheat冬小麦生长模型模拟结果数据中的六分之五作为模型的训练样本，剩下的六分之一作为测试样本。然后利用R语言进行随机建模，算法主要确定两个参数，一是在决策树的每个节点进行分裂时输入的随机特征个数，另一个参数是构建决策树的个数。经过训练和测试，发现模型的拟合精度和预测精度均可达0.9以上。

[0067] 步骤(4)产量预测精度验证。

[0068] 将本发明中所述反演得到的叶面积指数和叶片氮含量带入到所述步骤(3)构建的冬小麦产量预测模型中，便可以得到试验田各小区的产量预测值。

[0069] 在本发明中，所述产量预测精度验证包括对反演的叶面积指数、叶片氮含量和对预测产量的精度验证。

[0070] 所述精度验证包括两个验证指标，优选为均方根误差RMSE和平均相对误差绝对值MAPE，其计算公式分别如下：

[0071]

[0072]

[0073] 式中，表示预测值，y表示实测值，m代表参与统计样本的个数。

[0074] 本发明所具有的有益效果：

[0075] (1)本发明所述冬小麦产量预测方法，将高光谱遥感技术与无人机结合，利用无人机遥感具有时空分辨率高、作业成本低、灵活且可重复等优点，使本发明所述预测方法可快速高效获取较大面积高精度农田遥感影像，能有效辅助农业经营者进行调控和决策；

[0076] (2)本发明所述冬小麦产量预测方法，综合考虑无人机高光谱遥感信息和作物生长信息，同时引入作物生长模型，较好的模拟作物生长情况，使本发明所述预测方法更加科学和精确；

[0077] (3)本发明所述冬小麦产量预测方法，既全方面考虑了冬小麦生长过程中土壤、气候等多种影响因素的耦合作用机理，又同时达到了预测模型计算简便、计算结果准确的效果。

[0078] (4)本发明所述冬小麦产量预测方法，其构建的产量预测模型的拟合精度和预测精度均可达0.9以上。

[0079] (5)本发明所述冬小麦产量预测方法，从遥感机理出发，具有普适性，为精确进行农作物产量预测提供了一种新思路和新方法。

[0080] 实施例

[0081] 以下通过具体实例进一步阐述本发明，这些实施例仅限于说明本发明，而不用于限制本发明范围。

[0082] 以2019年河南省漯河市郾城区国家级优质小麦生产基地为例。采用大疆M600 Pro无人机平台，搭载的传感器Pika L高光谱成像仪，波段数为300，波段范围为400nm～1000nm，传感器采用推扫方式成像。无人机飞行高度设为100m，飞行速度3m/s。地面布设标准白板以及四块1.2m×1.2m大小的反射率分别为5％、20％、40％和60％的标准反射率靶标。利用Resonon 软件对无人机原始高光谱影像做辐射定标、粗几何校正处理，生成中间产品，利用Agisoft Photoscan软件对多光谱影像做空三处理生成正射影像，利用正射影像对中间产品进行正射校正，最后进行图像拼接，得到空间分辨率为0.1m的正射高光谱影像。图
2-a为经图像处理后的拔节期无人机真彩色合成影像，图2-b为经图像处理后的抽穗期无人机真彩色合成影像，从图2-a和2-b中可以看到冬小麦种植试验区分为若干个小区，每列4个，共有10行。

[0083] 叶面积指数通过方向性二阶微分反演得到。选取701nm波段处的目标像元反射率ρ″参与计算，叶片的二阶微分商值ρ″v则是由遥感影像上的纯植被像元在701nm处的反射率取平均得到。纯植被像元的选取是通过构建遥感影像红与近红外反射率特征空间，并在遥感图像上检索所有在特征空间中认为是纯植被的像元。利用二阶微分商值将土壤背景消除后，利用式(1)对全图进行叶面积指数反演。冬小麦拔节期和抽穗期叶面积指数反演结果分别如图3-a和图3-b所示，图中可以看到各小区的反演结果。

[0084] 叶片氮含量是利用AIVI指数反演得到。选取波长在445nm、573nm、720nm和735nm附近处的波段，利用式(2)得到冬小麦AIVI指数。然后根据AIVI指数与冬小麦叶片氮含量的经验线性关系式(5)反演得到叶片氮含量。冬小麦拔节期和抽穗期叶片氮含量反演结果分别如图4-a和4-b所示，图中清楚的显示出试验区中各小区的反演结果。

[0085] 试供品种为矮抗58(AK58)、周麦27(ZM27)、西农509(XN509)和豫麦49-198(YM49-198)，分别对应下表及图5中的A1、A2、A3和A4。试验共设4个施氮水平，分别为0kg/ha(N0)、
120kg/ha(N1)、225kg/ha(N2)和330kg/ha(N3)，其中50％作为基肥，50％为拔节期追肥。试验采取随机区组设计，N0只做一组试验，小区面积为100m2，而N1、N2以及N3重复三次试验，小区面积为130m2。试验区共40个小区，空间分布如图5所示。图5为40个试验区的空间分布，图中可以看到试验区整体分为4列，共10行，试验区的区组设计采用随机分布，为便于理解，现对各试验区的命名进行举例说明，A1N0表示该小区种植矮抗58(A1)，不进行施肥，ⅢA4N1表示该小区种植豫麦49-198(A4)，施肥120kg/ha，重复第三次。

[0086] 以小区作为尺度单元，分别对小区各像元反演的拔节期和抽穗期的叶面积指数和叶片氮含量取平均值，得到各小区的平均叶面积指数和平均叶片氮含量，具体如表1所示。表1显示了对40个试验区反演得到的各小区拔节期和抽穗期的叶面积指数和叶片氮含量。

[0087] 表1各小区的平均叶面积指数和平均叶片氮含量

[0088]

[0089]

[0090] 在CERES-Wheat模型中分别设置了4种对应于当地品种的冬小麦品种参数，以30kg/ha为间隔，从N0到N22施氮水平的12种氮肥管理参数，以15mm为间隔，从0mm到60mm灌水量的5种水分管理参数，此外还设置了3种施肥、灌溉日期，共计模拟了720组冬小麦生长参数，通过相关性分析发现，拔节期以及抽穗期的叶面积指数LAI和叶片氮含量LNC与产量的相关性最高。在随机森林模型中，将模拟数据的六分之五作为训练样本，剩下六分之一的模拟数据作为测试样本。利用R语言进行随机森林建模，算法主要确定两个参数，一是在决策树的每个节点进行分裂时输入的随机特征个数，另一个参数是构建决策树的个数。经过训练和测试，发现模型的拟合精度和预测精度均可达0.9以上。

[0091] 经反演得到的拔节期和抽穗期叶面积指数与实测的叶面积指数的具体比较结果如图6-a和图6-b所示，图6-a为冬小麦拔节期叶面积指数与实测的叶面积指数对比结果示意图，由图中可以看出，经本发明所述方法反演得到的拔节期叶面积指数与实际测量得到的叶面积指数的均方根误差仅为0.082；图6-b为冬小麦抽穗期叶面积指数与实测叶面积指数对比结果示意图，从图中可以看出，本发明方法反演得到的抽穗期叶面积指数与实测叶面积指数的均方根误差为0.093，由此可以看出本发明方法反演的准确性。

[0092] 本发明所述的经反演得到的拔节期和抽穗期叶片氮含量与实测的叶片氮含量的具体比较结果如图7-a和图7-b所示。图7-a为冬小麦拔节期叶片氮含量与实测叶片氮含量的均方根误差，从图中可以看出，冬小麦拔节期的叶片氮含量和实测叶片氮含量的均方根误差为0.149；图7-b为冬小麦抽穗期叶片氮含量与实测叶片氮含量的均方根误差，图中可以看出，抽穗期叶片氮含量与实际测得的叶片氮含量的均方根误差为0.168。

[0093] 表2为经本发明所述的估产方法预测的冬小麦产量和实际测得的冬小麦产量，表中显示了对每一个试验区进行的产量预测以及对实际产量进行的测量，同时对其每一个试验区进行相对误差的计算。根据表2的数值进行绘图，得到图8，图8为实际产量与预测产量的对比图，由图可以得出，经本发明所述的产量预测方法预测的产量与实际测得产量的均方根误差RMSE为933.14kg/ha，本发明的产量预测结果与实际测产结果的平均相对误差绝对值MAPE为8.39％。

[0094] 表2产量预测结果与测产结果的平均相对误差绝对值

[0095]

[0096]

[0097] 以上结合具体实施方式和范例性实例对本发明进行了详细说明，不过这些说明并不能理解为对本发明的限制。本领域技术人员理解，在不偏离本发明精神和范围的情况下，可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。

标题	发布/更新时间	阅读量
一种基于OpenGL的圆柱形工件螺旋加工截面廓形计算方法	2020-05-11	256
一种跨协议干扰下的低功率无线链路质量估计方法	2020-05-12	711
一种基于AHP的电网技术改造方案的寻优方法	2020-05-13	441
一种嵌入式离散裂缝模型的数学推导和数值计算方法	2020-05-08	563
耦合再结晶动力学的多道次压缩流变应力模型建立方法	2020-05-08	268
一种基于干涉仪复合测量的射流抛光去除函数提取方法	2020-05-11	973
顾及大气延迟改正的星载激光数据高精度定位方法	2020-05-11	50
一种基于客户分群的情绪化指数的个股买卖点构建方法	2020-05-15	456
一种垃圾邮件识别方法及系统	2020-05-08	709
雷达最大方向性波束综合的数值优化方法	2020-05-14	591

一种基于无人机成像高光谱遥感的冬小麦产量预测方法

一种基于无人机成像高光谱遥感的冬小麦产量预测方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：