[发明专利]基于MapReduce和神经网络的农作物产量遥感估算方法

说明书

技术领域

本发明涉及遥感处理领域，尤其涉及一种基于MapReduce和神经网络的农作物产量遥感估算方法。

背景技术

传统的农作物产量估算存在调查范围小、人力物力耗费巨大的问题。遥感技术的发展，为农作物的产量估算提供了有力的工具。

公开号为102162850A的专利文献公开了一种作物遥感估产的方法。该方法，基于遥感信息获取的瞬时性与广域性，结合小麦产量形成过程及其与气候环境的关系，建立了较为简化的小麦产量预测模型；通过组件化的设计方法实现了遥感信息和估产模型的耦合，即，利用抽穗期遥感影像反演的LAI和生物量及时替换小麦估产模型对应参数变量，进而实现对单点小麦产量的估测，估产精度能达到90％以上；进一步，采用“点”(样点产量)与“面”(遥感区域)尺度转换的方法，进行区域小麦产量遥感分级监测预报，制作区域小麦产量遥感监测分级预报专题图，具有直观、具体、时效性好的特点，对县级农业技术人员获取区域小麦布局信息或指导生产管理具有较好的实用性。

在这类方法中，需要从遥感图像中提取NDVI值。

NDVI是Normalized Difference Vegetation Index的简写，中文名为归一化植被指数，又被称为标准化植被指数，它对植被空间分布密度以及植物生长状态有极佳的指示作用。NDVI与植被分布密度有线性相关性。根据实验结果显示，归一化植被指数对土壤背景的变化比较敏感；其次，归一化植被指数是单位像元内的植被覆盖形态、植被类型、植被生长状况等的综合反映，它的数值大小由植被覆盖度和叶面积指数这两个要素所决定；NDVI在植被覆盖度的检测领域应用较广，主要原因是它对植被覆盖度的检测幅度较宽，有比较好的空间和时间适应性。归一化植被指数NDVI在植被指数中有着非常重要的位置，它较其他植被指数主要有以下几个方面的突出优点：1.植被覆盖度的检测范围较大；2.植被检测灵敏度较高；3.能削弱太阳高度角以及大气所带来的噪音；4.能消除地形和群落结构的阴影以及辐射干扰。

NDVI计算通常需要将红色可见光通道（波长范围为0.6-0.7μm）和近红外光谱通道（波长范围为0.7-1.1μm）进行组合，用来设计NDVI，具体的计算公式如下：

NDVI＝（Rn－Rr）／（Rn＋Rr）

上式中，Rn表示的是近红外波段的反射率，Rr表示的是红光波段的反射率。

而现有技术利用遥感图像进行农作物产量估算时，存在着遥感数据量庞大，处理速度慢，NDVI提取效率低等问题。

MapReduce是一个编程框架，它为程序员提供了一种快速开发海量数据处理程序的编程环境，并能够让基于这种机制开发出的处理程序以稳定、容错的方式并行运行于由大量商用硬件组成的集群上。同时，MapReduce又是一个运行框架，它需要为基于MapReduce机制开发出的程序提供一个运行环境，并透明管理运行中的各个细节。每一个需要由MapReduce运行框架运行的MapReduce程序也称为一个MapReduce作业(mapreduce job)，它需要由客户端提交，由集群中的某专门节点负责接收此作业，并根据集群配置及待处理的作业属性等为其提供合适的运行环境。其运行过程分为两个阶段：map阶段和reduce阶段，每个阶段都根据作业本身的属性、集群中的资源可用性及用户的配置等启动一定数量的任务(也即进程)负责具体的数据处理操作。

如何利用MapReduce来提高遥感数据的处理效率，从而提高农作物的遥感产量估算效率，是亟需解决的问题。

发明内容

为了解决遥感图像巨大的数据量问题、切图的效率问题、NDVI值提取的效率问题、农作物估产的准确性和稳定性问题等实际问题，本发明结合MapReduce程序，将神经网络进行优化，提出一种农作物产量遥感估算的方法。

一种基于MapReduce和神经网络的农作物产量遥感估算方法，包括如下步骤：

步骤1，对输入的遥感图像进行多线程并发切图，得到若干瓦片，各个瓦片以其顶点的经纬度数据命名；

步骤2，根据瓦片名称所提取的经纬度数据以及遥感图像中各个地区的边界经纬度数据，对所有瓦片进行MapReduce操作，得到遥感图像中各个地区的NDVI值；

步骤3，对于各个地区，将其NDVI值输入至经过训练的神经网络中，得到该地区的农作物产量估算值。