[发明专利]模型训练方法和农作物产量预估方法

权利要求书

1.一种模型训练方法，其特征在于，所述方法包括：

获取样本归一化植被指数NDVI、样本土壤水分SM和样本中分辨率成像光谱仪MODIS遥感数据和样本农作物产量；

根据所述样本NDVI、所述样本SM和所述样本MODIS遥感数据，确定农作物每个生长期分别对应的NDVI和SM；

根据所述农作物每个生长期分别对应的NDVI和SM以及所述样本农作物产量，训练产量预估模型；

所述根据所述样本NDVI、所述样本SM和所述样本MODIS遥感数据，确定农作物每个生长期对应的NDVI和SM，包括：

根据所述样本NDVI，确定所述农作物的NDVI时间序列数据集；

根据所述NDVI时间序列数据集、所述样本SM和所述样本MODIS遥感数据，确定所述农作物每个生长期对应的NDVI和SM；

所述样本MODIS遥感数据包括陆地表面温度LST、第三样本NDVI和地表反照率；所述根据所述NDVI时间序列数据集、所述样本SM和所述样本MODIS遥感数据，确定所述农作物每个生长期对应的NDVI和SM，包括：

建立所述样本SM与所述LST、所述第三样本NDVI、所述地表反照率之间的线性关系；

分别对所述LST、所述第三样本NDVI、所述地表反照率进行重采样，得到目标LST、目标第三样本NDVI和目标地表反照率；

根据所述线性关系、所述目标LST、所述目标第三样本NDVI和所述目标地表反照率，确定目标SM；

采用所述NDVI时间序列数据集反演所述目标SM，确定所述农作物每个生长期对应的NDVI和SM。

2.根据权利要求1所述的方法，其特征在于，所述样本NDVI包括第一样本NDVI和第二样本NDVI；所述根据所述样本NDVI，确定NDVI时间序列数据集，包括：

将所述第一样本NDVI和所述第二样本NDVI进行最小二乘回归，得到目标样本NDVI；

对所述目标样本NDVI进行滤波；

对进行滤波后的目标样本NDVI进行线性插值，得到所述农作物的NDVI时间序列数据集。

3.根据权利要求1所述的方法，其特征在于，在训练产量预估模型之后，所述方法还包括：

确定多个反向传播BP神经网络的权值和阈值；

根据所述农作物每个生长期分别对应的NDVI和SM以及所述样本农作物产量，采用人工蜂群ABC算法和粒子群优化PSO算法，确定目标权值和目标阈值；

将所述目标权值和所述目标阈值作为所述产量预估模型权值和阈值，得到优化后的产量预估模型。

4.一种农作物产量预估方法，其特征在于，所述方法包括：

获取产量待预测数据，所述产量待预测数据包括待预测原始NDVI、待预测原始SM和原始MODIS遥感数据；

根据所述待预测原始NDVI、所述待预测原始SM和所述原始MODIS遥感数据，确定农作物在每个生长期内分别对应的NDVI和SM；

将所述农作物在每个生长期内分别对应的NDVI和SM输入至如权利要求1-3任意一项所述的产量预估模型，确定农作物产量；

所述根据所述待预测原始NDVI、所述待预测原始SM和所述原始MODIS遥感数据，确定农作物在每个生长期内分别对应的NDVI和SM，包括：

根据所述待预测原始NDVI，确定所述农作物在生长期内的NDVI时间序列数据集；

根据所述NDVI时间序列数据集、所述待预测原始SM和所述原始MODIS遥感数据，确定所述农作物每个生长期对应的NDVI和SM；

所述原始MODIS遥感数据包括陆地表面温度LST、第三原始NDVI和地表反照率；所述根据所述NDVI时间序列数据集、所述待预测原始SM和所述原始MODIS遥感数据，确定所述农作物每个生长期对应的NDVI和SM，包括：

建立所述原始SM与所述LST、所述第三原始NDVI、所述地表反照率之间的线性关系；

分别对所述LST、所述第三原始NDVI、所述地表反照率进行重采样，得到目标LST、目标第三NDVI和目标地表反照率；

根据所述线性关系、所述目标LST、所述目标样本NDVI和所述目标地表反照率，确定目标SM；

采用所述NDVI时间序列数据集反演所述目标SM，确定所述农作物每个生长期对应的NDVI和SM。