基于大数据的高花青素紫麦产量预测方法及系统与流程
本发明涉及农业遥感与产量预测,更具体地说,本发明涉及基于大数据的高花青素紫麦产量预测方法及系统。
背景技术:
1、花青素作为紫麦中具有重要营养品质和保健功能的次生代谢产物,其含量高低直接影响紫麦的市场价值。随着精准农业和遥感技术的快速发展,基于无人机多光谱影像的作物产量预测已成为研究热点,相比传统田间抽样测产方法,具有高效率、大范围、低成本的优势。然而,高花青素含量在提升紫麦品质的同时,也对基于光谱反射率的产量预测带来了严重干扰——花青素在绿光和红光波段存在强烈吸收,导致常规植被指数(如归一化植被指数)低估冠层叶绿素含量和生物量,进而使产量预测结果出现系统性偏差。现有研究主要针对普通小麦、玉米等常规作物开展,对高花青素紫麦这一特殊品种缺乏针对性的光谱校正方法,产量预测精度难以满足实际应用需求。
2、目前,已有部分研究者尝试通过构建花青素含量与光谱指数的统计模型来消除色素干扰,但多采用简单的多元线性回归或植被指数比值调整,未能从辐射传输机理层面建立花青素吸收衰减与光谱反射率之间的物理映射关系,校正能力有限。此外,花青素在强光环境下具有光保护功能,能够缓解光抑制对光合器官的损伤,进而影响灌浆期物质积累和最终产量形成,现有预测模型普遍忽略这一生理机制,仅将气象因子按固定权重累加计算有效积温,无法准确刻画光保护作用在不同光强和温度组合条件下的差异化产量贡献。这种机理缺失导致预测模型在极端天气年份的泛化能力显著下降。
3、近年来,深度学习技术(如长短期记忆网络)因其强大的时序建模能力,被逐步引入作物产量预测领域。但现有方法多将光谱指数、气象因子、物候信息等异源特征简单拼接后输入网络,忽略了不同特征在作物不同生育阶段对产量的差异化贡献,且输入特征中仍包含受花青素污染的光谱波段,导致网络难以有效学习产量形成的真实规律。因此,亟需建立一套适用于高花青素紫麦的产量预测方法。
技术实现思路
1、为了克服现有技术的上述缺陷,本发明的实施例提供了基于大数据的高花青素紫麦产量预测方法及系统。
2、为实现上述目的,本发明提供如下技术方案:
3、基于大数据的高花青素紫麦产量预测方法,包括如下步骤:
4、步骤1:在紫麦返青期至蜡熟期的全生育阶段,同步采集多光谱影像、气象数据、破坏性取样与实验室测定数据以及产量数据,并以时间戳和gps标签为键值进行精准对齐,构建多元数据集;
5、步骤2:利用近红外波段反射率估算表观生物量,构建花青素敏感指数并建立其与花青素含量的定量关系,导出绿光波段衰减系数;同步确定红光波段衰减系数,对原始的绿光和红光波段进行反向补偿,重建消除花青素吸收干扰的等效非色素光谱;
6、步骤3:基于所述等效非色素光谱提取物候期;构建光照-花青素耦合因子,并配合胁迫开关动态修正灌浆期有效积温;
7、步骤4:将光谱特征序列、修正积温序列及物候时长特征组织为时序输入矩阵,输入长短期记忆网络进行编码,经自注意力机制融合后由回归预测器输出产量预测值。
8、具体的,所述步骤1中多光谱影像的获取方式为:
9、利用搭载多光谱相机的无人机,以固定5至7天为周期进行航拍,获取中心波长为550nm、660nm、730nm和850nm共4个窄波段的冠层反射率,每次飞行后进行辐射定标和大气校正;
10、所述气象数据为以1小时间隔连续记录的冠层上方气温和光合有效辐射;所述破坏性取样与实验室测定数据包括每次航拍当日按s形选取30个样点获取的地上部总生物量和总花青素含量;
11、所述产量数据为完熟期收获样点对应小区后折算的每亩标准含水量产量。
12、具体的,所述步骤2中:
13、利用近红外850nm波段构建与实测生物量的回归方程,将全田影像的850nm波段反射值代入该方程,得到每个像元的表观生物量;
14、所述花青素敏感指数由红边波段、绿光波段和红光波段的反射率组合运算得出,其构造使得对花青素含量的响应灵敏度最大化。
15、具体的,所述花青素敏感指数通过红边波段反射率与绿光波段反射率的差值除以红光波段反射率与绿光波段反射率之和计算得到;
16、通过花青素含量实测值建立花青素总含量与所述敏感指数之间的定量关系,该关系满足对数增长模型;
17、依据修正的比尔-朗伯定律,花青素对特定波段反射率的衰减比例与含量满足指数饱和关系,联立上述两式导出绿光波段衰减系数与花青素敏感指数之间的直接函数关系。
18、具体的,所述步骤2中红光波段衰减系数的确定方式为:
19、以绿光波段衰减系数为基础值,引入基于实时冠层光谱的动态比例修正机制,利用红边波段反射率与红光波段反射率的比值,输入平滑调整函数,使红光衰减系数与绿光衰减系数的比例在设定范围内动态浮动;
20、当红边与红光比值处于常态时该比例回归至中心值,当该比值显著增大时该比例正向增加,当该比值明显低于常态时该比例下探降低。
21、具体的,所述步骤2中反向补偿的具体方式为:
22、将原始的绿光反射值和红光反射值分别除以1减去各自衰减系数的差值,重建消除色素影响的等效非色素光谱,重建后的绿光波段、红光波段与原始的近红外波段、红边波段共同构成四波段等效非色素影像。
23、具体的,所述步骤3中:
24、基于所述等效非色素光谱计算归一化植被指数并生成全生育期平滑时间序列曲线,利用最大曲率法从该曲线中提取返青期起始日、开花期结束日和灌浆期中点日,并利用归一化植被指数曲线下降段的拐点提取蜡熟期起始日。
25、具体的,所述步骤3中光照-花青素耦合因子的构建方法为:
26、在灌浆期开始后,利用前三次连续的晴日午间无人机航拍的多光谱数据,计算花青素光保护反射比值,花青素光保护反射比值为红边波段反射率与绿光波段反射率的比值;
27、从气象数据中获取该三次测定日的日光合有效辐射日积分量并进行归一化,将所述花青素光保护反射比值与归一化后的日积分量相乘,得到无量纲的光照-花青素耦合因子;
28、所述胁迫开关的判定规则为:
29、从气象数据中提取每日正午前后的平均光合有效辐射强度和日最高气温,若二者同时超过各自设定的临界值,则判定该日为胁迫日,耦合因子参与该日有效积温修正;否则耦合因子不发挥作用,有效积温退回原始计算值。
30、基于大数据的高花青素紫麦产量预测系统,包括如下模块:
31、数据采集模块,用于同步采集多光谱影像、气象数据、破坏性取样与实验室测定数据以及产量数据,并以时间戳和gps标签进行对齐,构建多元数据集;
32、光谱补偿模块,用于基于近红外波段反射率估算表观生物量,通过花青素敏感指数导出绿光波段衰减系数,动态修正红光波段衰减系数,并对原始绿光和红光波段进行反向补偿,重建等效非色素光谱;
33、光保护耦合模块,基于所述等效非色素光谱提取物候期,构建光照-花青素耦合因子,并配合胁迫开关动态修正灌浆期有效积温;
34、融合预测模块,用于将光谱特征序列、修正积温序列及物候时长特征组织为时序输入矩阵,经长短期记忆网络编码和自注意力机制融合后,由回归预测器输出产量预测值。
35、本发明的技术效果和优点:
36、本发明通过从辐射传输机理层面构建花青素敏感指数并建立其与花青素含量的定量关系,依据修正的比尔-朗伯定律导出绿光波段衰减系数,并引入基于红边/红光比值的动态双曲正切函数对红光波段衰减系数进行实时修正,最终通过反向补偿重建消除花青素吸收干扰的等效非色素光谱,从根本上解决了高花青素导致的光谱污染和产量低估问题,使后续植被指数计算和特征提取回归至纯植株物理结构信息,大幅度提高了产量预测的精度和可靠性。
37、本发明通过将花青素的光保护生理功能有机融入预测框架,构建了反映灌浆初期光保护潜力水平的光照-花青素耦合因子,并配合基于正午光强和日最高气温的二元胁迫开关,使有效积温修正仅集中于实际发生光抑制胁迫的关键时段,准确刻画了光保护作用在不同环境条件下的差异化产量贡献,避免了阴天或温和条件下的错误修正。同时,本发明将等效非色素光谱衍生的多植被指数时间序列、经动态修正的有效积温序列以及物候阶段累计日序数三类异源特征组织为三通道时序输入,利用长短期记忆网络和自注意力机制实现各生育阶段特征的差异化融合,有效提升了模型在极端天气条件下的泛化能力和预测稳定性,为高花青素紫麦的精准产量预估提供了可靠的技术方案。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com