[发明专利]基于无人机被动遥感的作物株高及生物量自适应解算方法

权利要求书

1.基于无人机被动遥感的作物株高及生物量自适应解算方法，用于在不同的数据条件下生成最优的作物株高和生物量解算方案，其特征在于，

在进行作物株高和生物量解算之前，预先提供给用户四种基础数据条件，让用户依据实际情况作出选择：

第一种数据条件，用户具备数字表面模型DSM，数字地面模型DTM，地面控制点GCP和光谱图像；

第二种数据条件，用户具备数字表面模型DSM，地面控制点GCP和光谱图像；

第三种数据条件，用户具备数字表面模型DSM，数字地面模型DTM和光谱图像；

第四种数据条件，用户具备数字表面模型DSM和光谱图像；

针对作物株高及生物量的估算，第一种数据条件是完备的数据条件，后三种都存在数据缺失；针对用户实际选择的数据条件，自适应生成相应的解决方案，通过数据协同互补来消除特定种类数据缺失带来的不确定性，然后执行作物株高与生物量的解算，最终获取高精度作物株高和生物量的估算结果；

第一种数据条件下，数字表面模型DSM和数字地面模型DTM在进行数据生成时已通过导入同一套地面控制点GCP得到配准，因而直接执行常规株高提取算法，通过数字表面模型DSM减去数字地面模型DTM，即可得到作物株高结果；

第二种数据条件下，缺少数字地面模型DTM，需要使用光谱图像辅助提取裸露土壤数据作为数字地面模型DTM；裸土数据提取前，用户需要判断光谱图像中田块里裸土面积多或少；针对裸土区域多的情况，提供两种算法供用户选择，进行土壤识别与提取；第一种为光谱指数法，通过光谱图像计算归一化差分指数NDI后，使用大津法分割得到土壤区域，将其作为掩膜提取对应时期的数字表面模型DSM的土壤部分，然后通过反距离权重插值法IDW对土壤部分进行插值得到完整的数字地面模型DTM，最后将数字表面模型DSM和提取的数字地面模型DTM作差得到作物株高；第二种为深度学习方法，采用已训练好的卷积神经网络模型对光谱图像进行土壤识别，得到光谱图像中的土壤区域，然后通过反距离权重插值法IDW对提取土壤进行插值获得完整的数字地面模型DTM，最后结合数字表面模型DSM得到作物株高；针对裸土区域少的情况，难以提供足够的数据进行插值，需要用户在输入光谱图像后手动勾选大田周边的裸土区域，通过数字表面模型DSM获取这些区域的高程并统计其平均值作为数字地面模型DTM，最后与数字表面模型DSM作差得到作物株高；

第三种数据条件下，缺少地面控制点GCP，需要在光谱图像中手动选取数量合适的特征点，获取其空间位置信息并作为地面控制点GCP，并导出为文本格式文件；用户在进行数字地面模型DTM和其它时期数字表面模型DSM生成时，导入该地面控制点信息，使所有数字表面模型DSM与数字地面模型DTM在空间位置上对齐，最后按照数据完备情况下的常规株高提取算法，获取作物株高结果；

第四种数据条件下，既缺少数字地面模型DTM，也缺少地面控制点GCP；首先，在光谱图像中手动选取特征点，获取地面控制点GCP；利用该地面控制点生成数字地面模型DTM和数字表面模型DSM；然后，按照第二种数据条件下的解算步骤，在获取数字地面模型DTM后，结合数字表面模型DSM获取株高。

2.根据权利要求1所述的基于无人机被动遥感的作物株高及生物量自适应解算方法，其特征在于：不同数据条件的组合中共包含四种数据，其中数字表面模型DSM表示有作物覆盖的作物高程数据，一期或多期数据，为图像格式文件；数字地面模型DTM表示没有作物覆盖的裸土高程数据，一期数据，为图像格式文件；地面控制点GCP记录田间控制点的空间位置信息，一期数据，为文本格式文件；光谱图像是可见光图像或多光谱图像，一期或多期数据。

3.根据权利要求1所述的基于无人机被动遥感的作物株高及生物量自适应解算方法，其特征在于：四种数据条件下的生物量估算都是基于作物株高结果进行；获取株高后，通过光谱图像计算归一化差分指数NDI，使用大津法分割NDI图像得到的作物覆盖度，统计作物覆盖区域内株高的累加得到作物冠层体积模型CVM，即为作物生物量。

4.根据权利要求1-3中任意一项所述的基于无人机被动遥感的作物株高及生物量自适应解算方法，其特征在于：其适用于大田环境下的常规农作物的株高及生物量获取。