阅读说明：本技术 基于逆高斯过程反演叶面积指数的农作物长势监测方法 (Crop growth monitoring method based on inversion of leaf area index by inverse Gaussian process ) 是由 黄健熙 尹峰 于 2019-08-26 设计创作，主要内容包括：本发明属农业遥感领域,涉及基于逆高斯过程反演叶面积指数的农作物长势监测方法,其为：获一致性哨兵2号地表反射率,提取作物空间分布图；获不同背景下PROSAIL模拟作物光谱并转为波段光谱；对黑土壤背景下模拟地表反射率主成分分析得纯冠层反射特征；对实测土壤光谱反射率主成分分析得纯土壤反射特征；线性分解含土壤信息的模拟地表反射率得模拟纯冠层反射率；高斯过程模拟学习模拟纯冠层反射率与LAI映射关系得训练好的高斯过程模型；线性分解哨兵2号影像得纯冠层反射率,选与其最接近的模拟纯冠层反射率输入训练好的高斯过程模型得到LAI,以往年平均LAI轨迹为基准判断当前作物长势。本发明的方法规避多参同效问题,精度较高。(The invention belongs to the field of agricultural remote sensing, and relates to a crop growth monitoring method based on inverse Gaussian process inversion leaf area index, which comprises the following steps: obtaining the surface reflectivity of the sentinel No. 2 with consistency, and extracting a crop space distribution map; acquiring PROSAIL simulated crop spectra under different backgrounds and converting the spectra into waveband spectra; analyzing the main components of the simulated earth surface reflectivity under the black soil background to obtain the pure canopy reflection characteristics; analyzing the main components of the actually measured soil spectral reflectivity to obtain the pure soil reflection characteristics; linearly decomposing the simulated earth surface reflectivity containing soil information to obtain the simulated pure canopy reflectivity; simulating a mapping relation between pure canopy reflectivity and LAI by Gaussian process simulation learning to obtain a trained Gaussian process model; linearly decomposing the sentinel No. 2 image to obtain pure canopy reflectivity, inputting the simulated pure canopy reflectivity closest to the pure canopy reflectivity into a trained Gaussian process model to obtain LAI, and judging the current crop growth by taking the annual average LAI track as a reference. The method provided by the invention avoids the problem of multiple parameter and effect, and has high precision.)

基于逆高斯过程反演叶面积指数的农作物长势监测方法

技术领域

本发明属于农业遥感领域，具体涉及一种基于逆高斯过程反演叶面积指数的农作物长势监测方法。

背景技术

在目前的实际应用中，一般基于NDVI进行长势监测，较少基于叶面积指数LAI，其原因在于LAI的反演比仅通过波段计算就能得到的NDVI困难得多。但是，NDVI仅仅反映了作物在红波段与近红波段的光谱信息，LAI却反映了单位地表面积上单面绿叶面积的总和，其与冠层截留、蒸散发、光合作用等作物重要的生物物理过程有着更紧密的联系，能更加综合地反映作物的长势。

当前，利用遥感技术获取LAI主要有两种方法，一种是通过冠层光辐射信息和LAI之间的统计经验关系，另一种是通过辐射传输模型从冠层光辐射信息反演LAI；第一种方法缺乏普适性，在某地建立的经验关系很难推广到另一地，第二种方法计算非常复杂，且输入参数多，在反演时容易出现异参同效，降低LAI的反演精度。

发明内容

为解决传统通过辐射传输模型从冠层光辐射信息反演获取LAI的方法存在的多参同效的问题，本发明基于逆高斯过程对辐射传输模型进行模拟，能快速反演LAI，且在反演中不需要地面实测数据，也能避免异参同效性。通过对比往年作物生长的LAI轨迹，我们能及时地对当前作物的长势进行监测。

本发明提供一种基于逆高斯过程反演叶面积指数的农作物长势监测方法，具体步骤如下：

S1、使用传感器无差别大气校正方法SIAC获取一致性的哨兵2号地表反射率；

S2、使用样本点对应的哨兵2号地表反射率的时间序列数据，提取待测的作物各个关键性生育期，进行监督分类以获取研究区作物空间分布图；

S3、针对作物对应的PROSAIL模型参数集合进行广泛采样，以获取黑土壤背景下PROSAIL模拟的作物光谱和包含土壤信息背景下PROSAIL模拟的作物光谱；

S4、利用哨兵2号的波谱响应函数将S3中模拟的作物光谱转换为与哨兵2号对应的波段光谱，即获得黑土壤背景下PROSAIL模拟的地表反射率和包含土壤信息背景下PROSAIL模拟的地表反射率；

S5、对S4所得的黑土壤背景下PROSAIL模拟的地表反射率进行主成分分析，选前4个主成分作为纯冠层的光谱反射特征；同时，对实测土壤光谱曲线对应的哨兵2号反射率进行主成分分析，选前2个主成分作为纯土壤的光谱反射特征；

S6、基于S5所得的纯冠层的光谱反射特征和纯土壤的光谱反射特征，对S4所得包含土壤信息背景下PROSAIL模拟的地表反射率进行线性分解，得到PROSAIL模拟的纯冠层反射率；

S7、利用高斯过程模拟学习S4所得黑土壤背景下PROSAIL模拟的地表反射率与LAI之间的映射关系，实现纯冠层光谱反射率到LAI的预测，得到训练好的高斯过程模型；

S8、基于S5的主成分分析所得结果，对原始的哨兵2号影像进行线性分解，得到对应的纯冠层反射率；再将S6得到的PROSAIL模拟的纯冠层反射率与其进行对比，选取与其最接近的PROSAIL模拟的纯冠层反射率输入S7所训练好的高斯过程模型，得到LAI；以历史近3年的地块平均LAI轨迹作为基准，将当年LAI轨迹与此进行对比，从而对当前作物的长势的好差进行判断。

其中，步骤S1中所述SIAC为尹峰发明的方法，其代码在GitHub平台公开，网址为https：//github.com/MarcYin/SIAC。

其中，所述S3具体方法为：根据大量的实测样本点获取作物对应的PROSAIL模型的主要生物物理参数的最小值、最大值，在上述范围内使用拉丁超立方抽样方法进行随机均匀采样，将采样所得的大量参数输入PROSAIL模型，模拟作物在不同生长状况下的光谱，即得到黑土壤背景下PROSAIL模拟的作物光谱和包含土壤信息背景下PROSAIL模拟的作物光谱。

其中，S3所述黑土壤背景是指模拟的光谱中不包含土壤信息，黑土壤背景下的光谱即纯冠层的光谱。

步骤S7中所述实现纯冠层光谱特征到LAI的预测，采用的公式如下：

f_*与具有高斯噪声的训练样本点y之间是一个多元高斯分布：

该多元高斯分布均值为0，协方差矩阵为

其中：f_*、y分别是预测样本点和训练样本点的LAI；X_*、X分别是预测样本点和训练样本点的反射率数据；是训练样本的协方差，是人为给训练样本加的高斯噪声的方差，K(X_*，X_*)是预测样本的协方差，K(X，X_*)是训练样本与预测样本的协方差，～表示服从于，N表示高斯分布；

因此，预测样本的条件分布概率为：

按照公式(3)、(4)计算，其中，E的含义是期望，的含义是定义为，^-1表示矩阵的逆，|表示条件：

令K＝K(X，X)，K_*＝K(X，X_*)，则预测样本的预测均值与预测协方差cov(f_*)见公式(5)、公式(6)：

高斯过程的训练是一个优化过程，以此得到决定公式(1)中的协方差矩阵的超参数，从而能够利用公式(5)、(6)计算预测样本的均值和不确定性预测协方差cov(f_*)；T的含义是转置；

在本高斯过程径向基函数核为：

其中，σ是该核函数的超参数。

所述作物为主粮作物，选自小麦、水稻、玉米等中的任一种。

本发明还提供所述基于逆高斯过程反演叶面积指数的农作物长势监测方法的应用，其为根据长势监测结果指导田间灌溉、施肥、植保等农艺措施。

本发明与现有技术相比，有益效果为：

1、通过逆高斯过程实现Prosail模型输入参数到输出的映射，规避了多参同效的问题，提高了LAI反演精度。

2、克服了传统机器学习的局域性，使得逆高斯过程的映射可以广泛应用到各种类型的作物以及各种生长环境。

3、使用所有可利用波段，并基于物理辐射传输模型所得到的生物物理化学参数能更加有效，准确的反应地表作物生长的状况，极大的优越于传统的植物指数比如NDVI。

附图说明

图1是本发明基于逆高斯过程反演叶面积指数的农作物长势监测方法的流程图。

图2是实施例1中反演得到的LAI输出图。

图3是实施例1中小麦的长势的好差判断结果图。

具体实施方式

下面结合实施例，对本范明的具体实施方式做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例1

选择衡水作为研究区域，对研究区2018年1月至2018年6月小麦长势进行监测。

S1、使用传感器无差别大气校正方法SIAC获取一致性的哨兵2号地表反射率；步骤S1中所述SIAC为尹峰发明的方法，其代码在GitHub平台公开，网址为https://github.com/MarcYin/SIAC。

S2、使用样本点对应的哨兵2号地表反射率的时间序列数据，提取小麦各个关键性生育期，进行监督分类以获取研究区作物空间分布图。

S3、针对作物对应的PROSAIL模型参数集合进行广泛采样，以获取黑土壤背景下PROSAIL模拟的作物光谱和包含土壤信息背景下PROSAIL模拟的作物光谱。

具体方法为：根据大量的实测样本点获取小麦对应的PROSAIL模型的主要生物物理参数的最小值、最大值，在上述范围内使用拉丁超立方抽样方法进行随机均匀采样，将采样所得的大量参数输入PROSAIL模型，模拟小麦在不同生长状况下的光谱，即得到黑土壤背景下PROSAIL模拟的小麦光谱和包含土壤信息背景下PROSAIL模拟的小麦光谱。所述黑土壤背景是指模拟的光谱中不包含土壤信息，黑土壤背景下的光谱即纯冠层的光谱。

S4、利用哨兵2号的波谱响应函数将S3中模拟的小麦光谱转换为与哨兵2号对应的波段光谱，即获得黑土壤背景下PROSAIL模拟的地表反射率和包含土壤信息背景下PROSAIL模拟的地表反射率。

S5、对S4所得的黑土壤背景下PROSAIL模拟的地表反射率进行主成分分析，选前4个主成分作为纯冠层的光谱反射特征；同时，对实测土壤光谱曲线对应的哨兵2号反射率进行主成分分析，选前2个主成分作为纯土壤的光谱反射特征。

S6、基于S5所得的纯冠层的光谱反射特征和纯土壤的光谱反射特征，对S4所得包含土壤信息背景下PROSAIL模拟的地表反射率进行线性分解，得到PROSAIL模拟的纯冠层反射率。

S7、利用高斯过程模拟学习S4所得黑土壤背景下PROSAIL模拟的地表反射率与LAI之间的映射关系，实现纯冠层光谱反射率到LAI的预测，得到训练好的高斯过程模型；

所述实现纯冠层光谱特征到LAI的预测，采用的公式如下：

f_*与具有高斯噪声的训练样本点y之间是一个多元高斯分布：

该多元高斯分布均值为0，协方差矩阵为

其中：f_*、y分别是预测样本点和训练样本点的LAI；X_*、X分别是预测样本点和训练样本点的反射率数据；是训练样本的协方差，是人为给训练样本加的高斯噪声的方差，K(X_*，X_*)是预测样本的协方差，K(X，X_*)是训练样本与预测样本的协方差，～表示服从于，N表示高斯分布；

因此，预测样本的条件分布概率为：

按照公式(3)、(4)计算，其中，E的含义是期望，的含义是定义为，^-1表示矩阵的逆，|表示条件：

令K＝K(X，X)，K_*＝K(X，X_*)，则预测样本的预测均值与预测协方差cov(f_*)见公式(5)、公式(6)：

高斯过程的训练是一个优化过程，以此得到决定公式(1)中的协方差矩阵的超参数，从而能够利用公式(5)、(6)计算预测样本的均值和不确定性预测协方差cov(f_*)；T的含义是转置；

在本高斯过程径向基函数核为：

其中，σ是该核函数的超参数。

S8、基于S5的主成分分析所得结果，对原始的哨兵2号影像进行线性分解，得到对应的纯冠层反射率；再将S6得到的PROSAIL模拟的纯冠层反射率与其进行对比，选取与其最接近的PROSAIL模拟的纯冠层反射率输入S7所训练好的高斯过程模型，得到LAI，具体所得LAI图片见图2；以历史近3年的地块平均LAI轨迹作为基准，将当年LAI轨迹与此进行对比，从而对当前小麦的长势的好差进行判断，判断结果见图3。

本实施例通过逆高斯过程实现Prosail模型输入参数到输出的映射，规避了多参同效的问题，提高了LAI反演精度，克服了传统机器学习的局域性，使得逆高斯过程的映射可以广泛应用到各种类型的小麦以及各种生长环境。使用所有可利用波段，并基于物理辐射传输模型所得到的生物物理化学参数能更加有效，准确的反应地表小麦生长的状况，极大的优越于传统的植物指数比如NDVI。

根据本实施例的监测结果，按照具体地块的长势，对长势弱的进行田间灌溉、施肥、植保等农艺措施，效果良好。

虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。