一种多发育期小麦籽粒蛋白质含量遥感估测方法与流程

本发明涉及农业遥感监测，尤其涉及一种多发育期小麦籽粒蛋白质含量遥感估测方法。

背景技术：

1、小麦是主要粮食作物，提供了全球20%的蛋白质来源，在粮食安全和蛋白质供应方面发挥着重要作用。随着社会经济发展和农业供给侧结构性改革的深入，中国小麦供需形势变化明显，对优质小麦的需求不断上升，但优质小麦供不应求并依赖进口，因此在保障粮食安全同时，发展高品质小麦是研究的重中之重。

2、小麦籽粒蛋白质含量（grainproteincontent，gpc）是衡量小麦品质优劣的主要指标。生产中对小麦gpc快速监测，可指导农民调优栽培、分类收割及储存，对小麦现代化管理、实现高产优质具有重要意义。

3、传统gpc检测方法主要为凯氏定氮法和h2so4-h2o2比色法，耗时费力、成本较高、具有一定的危险性。小麦成熟收获后采用近红外、高光谱图像分析法检测籽粒蛋白质含量，具有成本低、分析速度快的优势，但与实验室化学分析法相同，均在小麦成熟收获后采取点状取样，无法扩展到区域尺度，难以指导实际生产。

4、遥感技术凭借其快速、无损的特点，能高效获取地物光谱信息，实现小麦gpc监测由点向面转变，逐渐在小麦gpc监测中发挥优势。尤其近年来，无人机遥感展现了高度机动性和灵活性，在作物氮素、gpc等监测中应用广泛。

5、现有技术中，多针对单一遥感平台开展小麦籽粒蛋白质含量估测。直接利用卫星数据和地面观测数据进行研究，因尺度不匹配会引起尺度效应，从而导致模型机理性错误。此外，基于遥感信息-gpc的经验模型不涉及小麦籽粒蛋白质形成机理，在环境变化较大或跨区域应用时，稳定性和预测精度会显著下降。虽然有研究引入农学参数作为中间参量间接反演gpc信息，机理解释性有所提高，但仍存在以下不足：

6、 （1）单一遥感数据源存在局限性，无法充分发挥不同尺度遥感数据的优势；

7、 （2）纹理信息在gpc监测中的应用不充分，未能有效融合光谱信息与纹理信息提升反演精度；

8、 （3）地面观测与卫星数据之间存在尺度不匹配问题，影响区域尺度gpc估测的准确性；

9、 （4）缺乏针对小麦多个关键发育期的系统性gpc估测模型，无法满足不同生育期的监测需求。

10、因此，亟需开发一种综合利用多源遥感数据、融合多类特征、实现多尺度多发育期小麦gpc精准估测的方法。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种多发育期小麦籽粒蛋白质含量遥感估测方法，该方法综合利用卫星、无人机和地面多源观测数据，以spad为中间参量，融合植被指数与纹理指数，构建多发育期、多尺度的小麦gpc遥感估测模型，有效解决尺度不匹配问题，提高gpc估测的精度和适用性。

2、为实现上述目的，本发明采用如下技术方案：

3、一种多发育期小麦籽粒蛋白质含量遥感估测方法，包括以下步骤：

4、 s1、多源遥感与地面观测数据获取：在小麦的多个关键发育期，分别获取卫星遥感数据、无人机多光谱影像数据以及地面观测数据；所述地面观测数据包括小麦冠层叶绿素含量spad值和籽粒蛋白质含量gpc实测值；

5、 s2、spad遥感反演模型构建：以地面实测spad值为因变量，以无人机多光谱影像提取的植被指数和纹理指数为自变量，采用随机森林算法构建田块尺度小麦冠层spad遥感估测模型；

6、 s3、gpc间接估测模型构建：以spad值为中间参量，分析不同发育期spad值与成熟期小麦籽粒蛋白质含量gpc的相关关系，构建"遥感光谱-spad-gpc"间接估测模型；

7、 s4、多发育期模型优化：针对小麦拔节期、抽穗期、开花期和灌浆中期分别构建对应发育期的spad反演模型和gpc估测模型，筛选各发育期最优特征组合和模型参数；

8、 s5、尺度转换与区域估测：将无人机尺度的spad反演结果重采样至与卫星数据相同的空间分辨率，建立卫星遥感特征与gpc的定量关系，构建区域尺度小麦gpc估测模型，实现从田块到区域的多尺度小麦gpc遥感监测。

9、进一步地，所述步骤s1中，所述多个关键发育期包括小麦拔节期、抽穗期、开花期和灌浆中期；所述卫星遥感数据为sentinel-2l2a级数据，空间分辨率为10米；所述无人机多光谱影像数据由搭载多光谱相机的无人机获取，包括蓝、绿、红、红边、近红外和热红外波段。

10、进一步地，所述步骤s2中，所述植被指数包括rvi、ndre、npci、nri、cirede、gndvi和osavi中的一种或多种组合。

11、进一步地，所述步骤s2中，所述纹理指数的构建方法包括：

12、利用二阶概率统计滤波方法提取多光谱影像各波段的纹理特征，包括均值mea、方差var、协同性hom、对比度con、相异性dis、信息熵ent、二阶矩sec和相关性cor；

13、对任意两个纹理特征进行两两组合，构建差值纹理指数dti、归一化纹理指数ndti和比值纹理指数rti三类纹理指数；

14、通过相关性分析筛选与spad值相关性最优的纹理指数组合。

15、进一步地，所述步骤s2中，所述随机森林算法构建spad估测模型时，采用80%样本作为建模集，20%样本作为验证集，并对最大迭代次数、学习深度等关键参数进行优化选择。

16、进一步地，所述步骤s2中，融合植被指数和纹理指数构建的spad遥感监测模型，在小麦开花期反演精度最高，决定系数r²达0.91，均方根误差rmse为1.77。

17、进一步地，所述步骤s3中，所述"遥感光谱-spad-gpc"间接估测模型采用多项式模型形式，开花期gpc估测模型公式为：y=0.0148x²-1.3132x+37.196

18、 其中，y为小麦籽粒蛋白质含量gpc，x为小麦冠层叶绿素含量spad值。

19、进一步地，所述步骤s5中，所述尺度转换方法包括：

20、将无人机spad反演结果重采样至10米空间分辨率，与sentinel-2卫星影像分辨率保持一致；

21、基于重采样后的gpc数据与sentinel-2多光谱数据，计算各波段反射率及敏感植被指数；

22、采用逐步回归算法构建区域gpc线性反演模型，通过逐步引入自变量开展模型迭代优化，优选敏感变量构建最终估测模型。

23、进一步地，所述区域尺度gpc估测模型选取b2、b3、b7、ndre2、npci和nri共6个敏感变量构建逐步回归模型，模型公式为：

24、 gpc=-424.230373+9125.757669×b2-7179.782355×b3+55.546703×b7+73.630540×ndre2+3337.563011×npci+3289.151817×nri

25、 其中，b2、b3、b7分别为sentinel-2卫星的蓝光、绿光和红边波段反射率，ndre2为归一化红边植被指数，npci为归一化色素叶绿素指数，nri为氮反射指数。

26、进一步地，所述步骤s1中，所述地面观测数据还包括叶面积指数lai；所述方法还包括验证步骤：采用决定系数r²和均方根误差rmse评价模型的估测效果。

27、与现有技术相比，该一种租赁车辆监测管控与智能交通管理系统具备如下有益效果：

28、 （1）本发明构建了天空地协同观测体系，综合利用卫星、无人机和地面多源数据，弥补了单一数据源在特定方面的不足，充分发挥各数据源的优势，实现小麦gpc监测的全面性、精准性和时效性。

29、（2）本发明以spad为中间参量，构建"遥感光谱-spad-gpc"间接估测模型，相比直接经验模型具有更好的机理解释性，提高了模型在不同环境条件下的稳定性和适用性。

30、（3）本发明融合植被指数和纹理指数构建spad反演模型，有效利用了纹理信息作为光谱信息的补充，显著提升了spad反演精度，其中开花期模型r²达0.91，rmse为1.77。

31、（4）本发明针对小麦多个关键发育期（拔节期、抽穗期、开花期、灌浆中期）分别构建估测模型，满足不同生育期的监测需求，为小麦生产全过程的品质监测提供技术支撑。

32、（5）本发明通过尺度转换方法，将无人机尺度反演结果升尺度至卫星尺度，有效解决了地面观测与卫星数据之间尺度不匹配的问题，实现了从田块到区域的多尺度小麦gpc遥感监测，具有重要的应用价值。