本技术公开了一种多雨季节卫星影像云层遮挡区域大田作物生物量预测方法。方法包括:获取研究区域内大田作物的关键生育期数据;进行卫星图像农田提取和农作物生物量数据的反演;将可能受灾农田去除后获得被云层遮挡的实际预测区域和未被云层遮挡的参考区域的卫星影像及各自的农作物生物量数据,进行比较后获得待预测日期作物生物量分布图,实现云层遮挡区域作物生物量预测。本发明通过采用空天地一体化监测技术,在卫星、无人机以及地面传感网络的多维度配合下,实现卫星尺度作物生物量数据的精准反演,可以解决作物关键生育期由于云层遮挡而缺乏卫星尺度数据的问题,实现卫星尺度作物长势的连续监测。
背景技术
卫星可以覆盖广阔的区域,适用于大规模农田的监测。基于卫星遥感可以实现大尺度上的作物生长状况分析和评估,准确的作物长势预测可以帮助优化农业管理措施,如灌溉、施肥和病虫害防治。这不仅可以提高作物产量,还可以减少资源浪费和环境污染。在使用遥感技术进行作物长势监测时,光学卫星数据(如Landsat、Sentinel-2等)是最常用的数据源之一。然而,这些数据容易受到云层和云阴影的影响,特别是在多云或多雨的地区。云层遮挡会导致数据缺失或不完整,从而影响作物长势的准确连续预测。因此,开发能够在云层遮挡情况下仍能有效预测作物长势的方法显得尤为重要。通过开发适用于云层遮挡区域的作物长势预测方法,可以显著提高预测的准确性和可靠性,使得农民、农业管理者和政策制定者能够基于准确的信息做出决策。
近年来,随着遥感技术、机器学习算法和大数据处理能力的发展,研究人员开始探索新的方法来解决云层遮挡问题。例如,合成孔径雷达SAR(Synthetic Aperture Radar)数据不受云层影响,可以提供全天候的观测数据。尽管合成孔径雷达SAR数据在解决云层遮挡问题方面具有明显优势,但其几何畸变、斑点噪声、低对比度、极化复杂性、成本和技术门槛等问题也不容忽视。比如与光学数据相比,尤其是在平坦且均匀的区域,合成孔径雷达SAR数据的对比度通常较低,低对比度可能会使不同地物类型的区分变得困难,从而影响作物类型识别和长势指标估计。
除此以外,多源数据融合和时间序列分析方法也为解决这一问题提供了新的途径。将来自不同传感器(如光学卫星、SAR、无人机、地面观测站等)的数据结合起来,以提供更全面、准确的信息。通过融合不同来源的数据,可以互补各数据源的优势,克服单一数据源的局限性。时间序列分析是一种统计方法,用于分析随时间变化的数据点,并从中提取有用的信息和模式。在农业监测中,时间序列分析可以帮助填补因云层遮挡造成的数据空缺,并捕捉作物生长过程中的动态变化。但现有时间序列分析方法更多的用于预测遥感卫星云图的形态演化和运动,以对雷暴、大风、暴雨等灾害性天气条件进行有效监测和快速预测。这些方法用于农田作物预测时并不适用,因为没有考虑农田作物的特殊性以及降水可能导致的作物非正常生长甚至死亡。
实现思路