(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211278158.6 (22)申请日 2022.10.19 (71)申请人 深圳大学 地址 518060 广东省深圳市南 山区南海大 道3688号 (72)发明人 石铁柱　何莉　王梦迪　刘潜　 刘会增　杨超　 (74)专利代理 机构 深圳市君胜知识产权代理事 务所(普通 合伙) 44268 专利代理师 陈专 (51)Int.Cl. G01N 21/25(2006.01) G01N 21/55(2014.01) G01N 33/24(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于无人机高光谱影像的农田土壤含 水量监测方法 (57)摘要 本发明公开了一种基于无人机高光谱影像 的农田土壤含 水量监测方法， 计算土壤样本的土 壤水分， 获取无人机高光谱设备采集的农田高光 谱影像并进行预处理； 提取预处理后的高光谱影 像数据中反射光谱所对应的图像像元， 并对高光 谱影像数据的光谱反射率数据进行滤波处理； 对 高光谱影像数据进行连续小波变换生成多个尺 度的连续小波系数， 筛选特征波段， 生成光谱特 征集合； 根据光谱特征集合与土壤水分建立深度 神经网络回归模 型， 调试模型参数对模型进行训 练， 评价模型的精度； 采用 深度神经网络回归模 型对高光谱影像数据中的所有像素进行土壤水 分含量估计， 根据估计得到的土壤水分含量进行 空间制图。 本发 明为农田数字土壤制图提供了极 大的便捷。 权利要求书3页 说明书13页 附图11页 CN 115372282 A 2022.11.22 CN 115372282 A 1.一种基于无人机高光谱影像的农田土壤含水量监测方法， 其特征在于， 所述基于无 人机高光谱影 像的农田土壤含水量 监测方法包括： 计算目标区域获取的土壤样本的土壤水分， 获取无人机 高光谱设备采集的农田高光谱 影像， 对所述农田高光谱影 像进行几何校正、 辐射定标和大气校正， 得到高光谱影 像数据； 提取预处理后的所述高光谱影像数据中反射光谱所对应的图像像元， 并对所述高光谱 影像数据的光谱反射 率数据进行 滤波处理； 对所述高光谱影像数据进行连续小波变换生成多个尺度的连续小波系数， 对多个尺度 的连续小 波系数进行 特征波段筛 选， 生成光谱特 征集合； 根据所述光谱特征集合与 所述土壤水分建立深度神经网络回归模型， 调试模型参数对 所述深度神经网络回归 模型进行训练， 评价所述深度神经网络回归 模型的精度； 采用所述深度神经网络回归模型对所述高光谱影像数据中的所有像素进行土壤水分 含量估计， 根据估计得到的土壤水分含量进行空间制图。 2.根据权利要求1所述的基于无人机高光谱影像的农田土壤含水量监测方法， 其特征 在于， 所述计算目标区域获取 的土壤样本的土壤水分， 获取无人机高光谱设备采集的农田 高光谱影像， 对所述农田高光谱影像进 行几何校正、 辐射定标和大气校正， 得到高光谱影像 数据， 具体包括： 在目标区域采集土壤样本， 计算土壤样本的土壤水分， 土壤样本放置于铝盒中密封保 存， 计算公式为： ； 其中， SMC表示土壤水分， 为烘干前铝盒及土样质量， 为烘干后铝盒及土样质量， 为烘干空铝盒质量； 采用无人机高光谱设备采集农田高光谱影 像； 对农田高光谱影 像进行预处理， 所述预处 理包括几何校正、 辐射定标和大气校正； 其中， 对农田高光谱影 像进行几何校正， 消除图像畸变； 采用标准白板对农田高光谱影像进行辐射定标， 以完成图像的亮度灰度值转换为绝对 的辐射亮度； 采用Flas sh算法对农田高光谱影 像进行大气校正， 消除大气影响； 经过几何校正、 辐射定标和大气校正后得到预处 理后的高光谱影 像数据。 3.根据权利要求2所述的基于无人机高光谱影像的农田土壤含水量监测方法， 其特征 在于， 所述提取预处理后的所述高光谱影像数据中反射光谱所对应的图像像元， 并对所述 高光谱影 像数据的光谱反射 率数据进行 滤波处理， 具体包括： 采用最小距离分类算法对预处理后的所述高光谱影像数据进行植被像素的掩膜提取， 剔除裸土像素， 完成农作物反射 光谱所对应的图像 像元的提取； 对所述高光谱影像数据的光谱反射率数据进行Savitzky ‑Golay滤波处理， 以减少原始 光谱的噪声。 4.根据权利要求3所述的基于无人机高光谱影像的农田土壤含水量监测方法， 其特征 在于， 所述对所述高光谱影像数据进行连续小波变换生成多个尺度的连续小波系 数， 对多权　利　要　求　书 1/3 页 2 CN 115372282 A 2个尺度的连续小 波系数进行 特征波段筛 选， 生成光谱特 征集合， 具体包括： 采用正交小波函数中的小波基函数对高光谱影像数据进行连续小波变换， 生成多个尺 度的连续小 波系数； 其中， 小 波基函数 定义如下： ； 其中，x为高光谱不同波段对应的反射率值， 为缩放因子或称膨胀因子， b为平移因 子， R为实数； 其中， ， ， j和k取整数， 从而得到： ； 连续小波变换得到小波系数 ， 计算公式如下： ； 采用遗传算法对多个尺度的连续小 波系数进行 特征波段筛 选， 生成光谱特 征集合。 5.根据权利要求4所述的基于无人机高光谱影像的农田土壤含水量监测方法， 其特征 在于， 所述根据所述光谱特征集合与所述土壤水分建立深度神经网络回归模型， 调试模型 参数对所述深度神经网络回归模型进行训练， 评价所述深度神经网络回归模型 的精度， 具 体包括： 根据所述 光谱特征集合与所述土壤水分， 建立深度神经网络回归 模型； 其中， 所述深度神经网络回归 模型中的线性整流 函数ReLU表示 为： ； 其中，X为经过小波分解和遗传算法处 理后得到的特 征变量； 所述深度神经网络回归 模型中的损失函数L oss表示为： ； 其中， 为土壤样本的数量， 表示测量 值， 表示预测值； 不断调试所述深度神经网络回归模型的模型参数， 并训练所述深度神经网络回归模 型， 并评价所述深度神经网络回归模型 的精度， 直到所述深度神经网络回归模型达到符合 要求的精度； 其中， 决定系数R2和均方根 误差RMSE CV用来进行模型精度评价， 计算方式如下： ； ；权　利　要　求　书 2/3 页 3 CN 115372282 A 3