玉米長勢監測方法、系統、電子設備及計算機存儲介質與流程
1.本發明涉及遙感領域，特別是涉及一種玉米長勢監測方法、系統、電子設備及計算機存儲介質。
背景技術：
2.玉米長勢的監測在提升田間管理方面具有重要意義，通過對不同生長期的及時監測，識別病蟲害的發生、雜草對玉米根系的影響，并精準控制灌溉水量、追肥等，進行更加精確的田間管理，有益于玉米產量、秸稈還田、土壤肥力修復等工作。現有的玉米長勢監測仍集中于實地考察，進而制定追肥方案等，成本較高，時效性較低。基于遙感技術的監測是一種非實地、非接觸式的監測方法，且避免了大量人力消耗，可以簡單高效的獲取玉米實時長勢情況。現有應用遙感技術的長勢監測方法不足如下：現階段對于玉米不同生長期的長勢監測不連續。玉米不同生長期差異較大，缺少適用于不同生長期的監測模型。應用低分辨率影像的遙感玉米長勢監測忽略了大量光譜與紋理信息，無法反應地塊尺度上玉米的田間實際長勢情況。高空間分辨率衛星的軌道較低，重訪周期長，時間分辨率低，且影像可能受到云、霧等天氣因素影像，極易錯過玉米關鍵生長期。因此，需要一種可以提高玉米長勢監測精度的方法。
技術實現要素：
3.本發明的目的是提供一種玉米長勢監測方法、系統、電子設備及計算機存儲介質，以提高玉米長勢的監測精度。
4.為實現上述目的，本發明提供了如下方案：一種玉米長勢監測方法，包括：獲取玉米的第一遙感影像和第二遙感影像；所述第一遙感影像的分辨率大于所述第二遙感影像的分辨率；根據所述第一遙感影像和所述第二遙感影像利用深度學習算法進行預測，得到帶有預測時間的高分辨率預測影像；對所述帶有預測時間的高分辨率預測影像進行波段計算，得到歸一化差值植被指數、比值植被指數、增強植被指數和綠度植被指數；根據所述歸一化差值植被指數的最大值和最小值確定光合有效輻射吸收比例；以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建玉米長勢監測模型；所述玉米長勢監測模型包括出苗期玉米生長指數、拔節期與抽雄期玉米生長指數和花粒期玉米生長指數；根據所述玉米長勢監測模型對玉米不同階段的長勢進行監測。
5.可選地，所述根據所述第一遙感影像和所述第二遙感影像利用深度學習算法進行預測，得到帶有預測時間的高分辨率預測影像，具體包括：分別將所述第一遙感影像和兩個所述第二遙感影像進行兩層卷積和激活，得到三
個兩次卷積結果；分別對三個所述兩次卷積結果進行一層卷積，得到三個三次卷積結果；將三個所述三次卷積結果進行加權求和，得到帶有預測時間的高分辨率預測影像。
6.可選地，所述對所述帶有預測時間的高分辨率預測影像進行波段計算，得到歸一化差值植被指數、比值植被指數、增強植被指數和綠度植被指數，具體包括：根據所述帶有預測時間的高分辨率預測影像的近紅外波段和紅光波段計算所述歸一化差值植被指數；根據所述帶有預測時間的高分辨率預測影像的近紅外波段和紅光波段計算所述比值植被指數；根據所述帶有預測時間的高分辨率預測影像的近紅外波段、紅光波段和藍光波段計算所述增強植被指數；根據所述帶有預測時間的高分辨率預測影像的近紅外波段、紅光波段、藍光波段和綠光波段計算所述綠度植被指數。
7.可選地，所述以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建玉米長勢監測模型，具體包括：以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數和所述綠度植被指數構建所述出苗期玉米生長指數；以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數和所述增強植被指數構建所述拔節期與抽雄期玉米生長指數；以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建所述花粒期玉米生長指數。
8.本發明還提供一種玉米長勢監測系統，包括：獲取模塊，用于獲取玉米的第一遙感影像和第二遙感影像；所述第一遙感影像的分辨率大于所述第二遙感影像的分辨率；預測模塊，用于根據所述第一遙感影像和所述第二遙感影像利用深度學習算法進行預測，得到帶有預測時間的高分辨率預測影像；波段計算模塊，用于對所述帶有預測時間的高分辨率預測影像進行波段計算，得到歸一化差值植被指數、比值植被指數、增強植被指數和綠度植被指數；光合有效輻射吸收比例確定模塊，用于根據所述歸一化差值植被指數的最大值和最小值確定光合有效輻射吸收比例；構建模塊，以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建玉米長勢監測模型；所述玉米長勢監測模型包括出苗期玉米生長指數、拔節期與抽雄期玉米生長指數和花粒期玉米生長指數；監測模塊，用于根據所述玉米長勢監測模型對玉米不同階段的長勢進行監測。
9.可選地，所述預測模塊，具體包括：卷積和激活單元，用于分別將所述第一遙感影像和兩個所述第二遙感影像進行兩層卷積和激活，得到三個兩次卷積結果；一層卷積單元，用于分別對三個所述兩次卷積結果進行一層卷積，得到三個三次
卷積結果；加權求和單元，用于將三個所述三次卷積結果進行加權求和，得到帶有預測時間的高分辨率預測影像。
10.可選地，所述波段計算模塊，具體包括：歸一化差值植被指數計算單元，用于根據所述帶有預測時間的高分辨率預測影像的近紅外波段和紅光波段計算所述歸一化差值植被指數；比值植被指數計算單元，用于根據所述帶有預測時間的高分辨率預測影像的近紅外波段和紅光波段計算所述比值植被指數；增強植被指數計算單元，用于根據所述帶有預測時間的高分辨率預測影像的近紅外波段、紅光波段和藍光波段計算所述增強植被指數；綠度植被指數計算單元，用于根據所述帶有預測時間的高分辨率預測影像的近紅外波段、紅光波段、藍光波段和綠光波段計算所述綠度植被指數。
11.可選地，所述構建模塊，具體包括：出苗期玉米生長指數構建單元，用于以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數和所述綠度植被指數構建所述出苗期玉米生長指數；拔節期與抽雄期玉米生長指數構建單元，用于以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數和所述增強植被指數構建所述拔節期與抽雄期玉米生長指數；花粒期玉米生長指數構建單元，用于以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建所述花粒期玉米生長指數。
12.本發明還提供一種電子設備，包括：一個或多個處理器；存儲裝置，其上存儲有一個或多個程序；當所述一個或多個程序被所述一個或多個處理器執行時，使得所述一個或多個處理器實現如上述任意一項所述的方法。
13.本發明還提供一種計算機存儲介質，其上存儲有計算機程序，其中，所述計算機程序被處理器執行時實現如上述任意一項所述的方法。
14.根據本發明提供的具體實施例，本發明公開了以下技術效果：本發明獲取玉米的第一遙感影像和第二遙感影像；所述第一遙感影像的分辨率大于所述第二遙感影像的分辨率；根據所述第一遙感影像和所述第二遙感影像利用深度學習算法進行預測，得到帶有預測時間的高分辨率預測影像；對所述帶有預測時間的高分辨率預測影像進行波段計算，得到歸一化差值植被指數、比值植被指數、增強植被指數和綠度植被指數；根據所述歸一化差值植被指數的最大值和最小值確定光合有效輻射吸收比例；以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建玉米長勢監測模型；根據所述玉米長勢監測模型對玉米不同階段的長勢進行監測。利用深度學習算法預測帶有預測時間的高分辨率預測影像，兼顧玉米長勢的地塊尺度監測與關鍵生長期監測，通過玉米長勢監測模塊對玉米不同階段的長勢進行監測，從而提高玉米長勢的監測精度。
附圖說明
15.為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。
16.圖1為本發明提供的玉米長勢監測方法流程圖；圖2為m-srcnn模型結構示意圖；圖3為真實影像圖；圖4為低分辨率影像圖；圖5為使用深度學習算法進行時空融合后得到的高分辨率影像圖。
具體實施方式
17.下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
18.本發明的目的是提供一種玉米長勢監測方法、系統、電子設備及計算機存儲介質，以提高玉米長勢的監測精度。
19.神經網絡：一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。
20.m-srcnn：基于多流數據輸入的超分辨率卷積神經網絡。
21.比值植被指數（ratio vegetation index，rvi）。
22.歸一化植被指數（normalized difference vegetation index，ndvi）。
23.增強性植被指數（enhanced vegetation index，evi）。
24.大氣阻抗植被指數（green atmospherically resistant vegetation index，gari）。
25.光合有效輻射吸收比例（fraction of photosyntheticlly active radiation，fpar）。
26.出苗期：在溫度、水分、土壤條件適宜的情況下，種子從萌發到子葉出土的時間段。
27.拔節期：玉米生長過程中，莖的節間向上迅速伸長的時期。
28.抽雄期：玉米抽穗期中雄穗的抽出階段。
29.花粒期：玉米從抽雄到成熟的階段。
30.為使本發明的上述目的、特征和優點能夠更加明顯易懂，下面結合附圖和具體實施方式對本發明作進一步詳細的說明。
31.如圖1所示，本發明提供了一種玉米長勢監測方法，包括：步驟101：獲取玉米的第一遙感影像和第二遙感影像；所述第一遙感影像的分辨率大于所述第二遙感影像的分辨率。第一遙感影像為高分辨率遙感影像，第二遙感影像為低分辨率遙感影像。
32.以高分一號wfv影像數據作為第一遙感影像來源，以modis衛星影像中的mod09a1數據作為第二遙感影像補充，實時獲取玉米全生長期內的遙感數據，其中高分1號wfv數據含有四個波段，包含藍、綠、紅和近紅外波段，波長范圍為450-900μm，空間分辨率為16米；mod09a1產品含有7個波段，其中包含藍、綠、紅、近紅外、熱紅外及兩個中紅外波段，波長范圍為450-2155μm，空間分辨率為500米。在時空融合時，選取使用其中的藍、綠、紅和近紅外波段。
33.步驟102：根據所述第一遙感影像和所述第二遙感影像利用深度學習算法進行預測，得到帶有預測時間的高分辨率預測影像。
34.步驟102，具體包括：分別將所述第一遙感影像和兩個所述第二遙感影像進行兩層卷積和激活，得到三個兩次卷積結果；分別對三個所述兩次卷積結果進行一層卷積，得到三個三次卷積結果；將三個所述三次卷積結果進行加權求和，得到帶有預測時間的高分辨率預測影像。
35.數據集建立流程：本發明中共用到t1、t2和t3三個時相的遙感影像，對應三景第二遙感影像l1、l2、l3和三景第一遙感影像h1、h2、h3。
36.首先對modis和高分一號wfv影像數據進行預處理。針對高分一號wfv影像數據，進行了輻射定標、大氣校正、幾何校正等處理。modis數據下載后首先使用mrt、evni5.3進行鑲嵌、裁剪，并重采樣至與高分一號wfv影像數據相同的16m空間分辨率，最后提取與高分一號wfv影像數據中波段范圍相匹配的四個波段。其中，mrt為modis重校準工具。
37.在建立數據集時，首先將各時相的遙感影像隨機裁剪為128*128*4的小區域，再批量輸入。其中，128、128和4分別為影像行數、影像列數、通道數。訓練集的樣本由t1和t2時相下的低分辨率影像l1和l2以及t1時相下的高分辨率影像h1構成，訓練集的標簽是由t2時相下的高分辨率影像h2構成；測試集的樣本由t2和t3時相下的低分辨率影像l2和l3以及t2時相下的高分辨率影像h2構成，測試集的標簽是由t3時相下的高分辨率影像h3構成。
38.如圖2所示，本發明中深度學習算法采用基于多流數據輸入的超分辨率卷積神經網絡（m-srcnn）模型。
39.此網絡為多流數據輸入網絡，共包含三個分支。每個分支的輸入數據分別為l1、l2和h1。各分支分別包含三個卷積層。每個卷積核的尺寸分別為32*9*9、32*5*5和4*5*5。其中，32和4為卷積核的通道數，9和5為卷積核的尺寸。在前兩個卷積層后都分別設置一個relu激活函數層。相較于sigmoid和tanh等函數，relu函數使網絡訓練更快，增加網絡的非線性，同時可以防止網絡訓練時出現梯度消失，有效減少過擬合。并在最后將三個分支的輸出進行加權求和，得到t2時相下高分辨率影像h2。訓練時，訓練次數為100，每批樣本的大小設置為16，學習率為0.02，并且學習率按指數衰減，損失函數采用均方根誤差，損失函數的參數優化方式采用隨機梯度下降法。在測試時將三個分支的輸入數據替換為l2、l3和h2，得到t3時相下的高分辨率影像h3。圖2中的h與w分別表示影像的高度與寬度，也可以稱為影像行數與影像列數，這里均為128。
40.如圖3-圖5所示，融合結果與真實影像較為接近。深度學習方法可以重構出田塊內部的空間細節，預測反射率的精度較高，總體性能較穩定。
41.步驟103：對所述帶有預測時間的高分辨率預測影像進行波段計算，得到歸一化差
值植被指數、比值植被指數、增強植被指數和綠度植被指數。
42.步驟103，具體包括：根據所述帶有預測時間的高分辨率預測影像的近紅外波段和紅光波段計算所述歸一化差值植被指數；根據所述帶有預測時間的高分辨率預測影像的近紅外波段和紅光波段計算所述比值植被指數；根據所述帶有預測時間的高分辨率預測影像的近紅外波段、紅光波段和藍光波段計算所述增強植被指數；根據所述帶有預測時間的高分辨率預測影像的近紅外波段、紅光波段、藍光波段和綠光波段計算所述綠度植被指數。
43.通過深度學習算法得到的帶有預測時間的高分辨率預測影像得到密集時序數據，對獲取的密集時序數據進行波段計算。獲取每幅影像的歸一化差值植被指數（ndvi）、比值植被指數（rvi）、增強植被指數（evi）、綠度植被指數（gari）數據。公式如下：植被指數（rvi）、增強植被指數（evi）、綠度植被指數（gari）數據。公式如下：植被指數（rvi）、增強植被指數（evi）、綠度植被指數（gari）數據。公式如下：植被指數（rvi）、增強植被指數（evi）、綠度植被指數（gari）數據。公式如下：其中，為近紅外波段的地表反射率，為紅光波段的地表反射率，為藍光波段的地表反射率，為綠光波段的地表反射率。
44.步驟104：根據所述歸一化差值植被指數的最大值和最小值確定光合有效輻射吸收比例。
45.計算歸一化差值植被指數（ndvi）的最大值最小值后，進一步計算，獲得fpar數據。公式如下：公式如下：表示t時刻像元x的ndvi值，和分別為植被覆蓋最大和最小時的ndvi值，和為植被覆蓋最大和無植被時的fpar值，一般取值分別為0.95和0.001。
46.步驟105：以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建玉米長勢監測模型；所述玉米長勢監測模型包括出苗期玉米生長指數、拔節期與抽雄期玉米生長指數和花粒期玉米生長指數。
47.步驟105，具體包括：以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數和所述綠度植被指數構建所述出苗期玉米生長指數；以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數和所述增強植被指數構建所述拔節期與抽雄期玉米生長指數；以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建所述花粒期玉米生長指數。
48.建立長勢監測模型：基于四種光譜指數ndvi、rvi、evi與gari，以fpar為回歸系數，構建玉米生長指數(maize growth index，mgi)，出苗期mgi計算如下：拔節期與抽雄期mgi計
算如下：花粒期mgi計算如下：花粒期mgi計算如下：表示t時刻像元x的玉米生長指數，表示t時刻像元x的fpar，表示t時刻像元x的rvi，表示t時刻像元x的evi。
49.步驟106：根據所述玉米長勢監測模型對玉米不同階段的長勢進行監測。
50.以像元及其周圍9*9范圍內存在玉米作物的像元為計算閾值的單元，計算這些網格的均值與標準差。當，即為長勢差的區域，當，即為長勢中的區域，當，即為長勢好的區域。
51.以高空間分辨率密集時序數據集為基礎，完成了地塊尺度的玉米全生長期長勢遙感監測，進而能夠有針對性的對不同類型區域進行田間管理，包括灌溉、追肥、除蟲等進一步規劃。
52.本發明通過深度學習方法生成密集時序的高分辨率影像集，應用于長勢監測，避免云、霧等天氣因素干擾，對地塊尺度進行監測，覆蓋玉米所有的關鍵生長期，兼顧玉米長勢的地塊尺度監測與關鍵生長期監測。對玉米關鍵生長期：出苗期、拔節期、抽雄期與花粒期，構建玉米生長指數，建立適用于不同階段的長勢監測模型，有效提升監測效率與準確度。
53.本發明還提供一種玉米長勢監測系統，包括：獲取模塊，用于獲取玉米的第一遙感影像和第二遙感影像；所述第一遙感影像的分辨率大于所述第二遙感影像的分辨率。
54.預測模塊，用于根據所述第一遙感影像和所述第二遙感影像利用深度學習算法進行預測，得到帶有預測時間的高分辨率預測影像。
55.波段計算模塊，用于對所述帶有預測時間的高分辨率預測影像進行波段計算，得到歸一化差值植被指數、比值植被指數、增強植被指數和綠度植被指數。
56.光合有效輻射吸收比例確定模塊，用于根據所述歸一化差值植被指數的最大值和最小值確定光合有效輻射吸收比例。
57.構建模塊，以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建玉米長勢監測模型；所述玉米長勢監測模型包括出苗期玉米生長指數、拔節期與抽雄期玉米生長指數和花粒期玉米生長指數。
58.監測模塊，用于根據所述玉米長勢監測模型對玉米不同階段的長勢進行監測。
59.作為一種可選地實施方式，所述預測模塊，具體包括：卷積和激活單元，用于分別將所述第一遙感影像和兩個所述第二遙感影像進行兩層卷積和激活，得到三個兩次卷積結果。
60.一層卷積單元，用于分別對三個所述兩次卷積結果進行一層卷積，得到三個三次卷積結果。
61.加權求和單元，用于將三個所述三次卷積結果進行加權求和，得到帶有預測時間
的高分辨率預測影像。
62.作為一種可選地實施方式，所述波段計算模塊，具體包括：歸一化差值植被指數計算單元，用于根據所述帶有預測時間的高分辨率預測影像的近紅外波段和紅光波段計算所述歸一化差值植被指數。
63.比值植被指數計算單元，用于根據所述帶有預測時間的高分辨率預測影像的近紅外波段和紅光波段計算所述比值植被指數。
64.增強植被指數計算單元，用于根據所述帶有預測時間的高分辨率預測影像的近紅外波段、紅光波段和藍光波段計算所述增強植被指數。
65.綠度植被指數計算單元，用于根據所述帶有預測時間的高分辨率預測影像的近紅外波段、紅光波段、藍光波段和綠光波段計算所述綠度植被指數。
66.作為一種可選地實施方式，所述構建模塊，具體包括：出苗期玉米生長指數構建單元，用于以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數和所述綠度植被指數構建所述出苗期玉米生長指數。
67.拔節期與抽雄期玉米生長指數構建單元，用于以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數和所述增強植被指數構建所述拔節期與抽雄期玉米生長指數。
68.花粒期玉米生長指數構建單元，用于以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建所述花粒期玉米生長指數。
69.本發明還提供一種電子設備，包括：一個或多個處理器。
70.存儲裝置，其上存儲有一個或多個程序。
71.當所述一個或多個程序被所述一個或多個處理器執行時，使得所述一個或多個處理器實現如上述任意一項所述的方法。
72.本發明還提供一種計算機存儲介質，其上存儲有計算機程序，其中，所述計算機程序被處理器執行時實現如上述任意一項所述的方法。
73.低空間分辨率衛星的軌道較高，時間分辨率高，高空間分辨率衛星的軌道較低，時間分辨率低。對于直接獲取的衛星影像，時間分辨率與空間分辨率難以兼顧。使用深度學習方法，在保證高空間分辨率的條件下，有效提升了遙感影像的時間分辨率，能夠兼顧玉米的地塊尺度監測與關鍵生長期監測。因此，通過采用生成的具有高時空分辨率的影像集，以及多關鍵生長期的高精度長勢監測模型，對地塊尺度的玉米長勢進行全生長期實時監測，有效提高監測精度，為提升玉米產量的方案制定提供可靠參考。
74.本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對于實施例公開的系統而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。
75.本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發明的方法及其核心思想；同時，對于本領域的一般技術人員，依據本發明的思想，在具體實施方式及應用范圍上均會有改變之處。綜上所述，本說明書內容不
應理解為對本發明的限制。
技術特征：
1.一種玉米長勢監測方法，其特征在于，包括：獲取玉米的第一遙感影像和第二遙感影像；所述第一遙感影像的分辨率大于所述第二遙感影像的分辨率；根據所述第一遙感影像和所述第二遙感影像利用深度學習算法進行預測，得到帶有預測時間的高分辨率預測影像；對所述帶有預測時間的高分辨率預測影像進行波段計算，得到歸一化差值植被指數、比值植被指數、增強植被指數和綠度植被指數；根據所述歸一化差值植被指數的最大值和最小值確定光合有效輻射吸收比例；以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建玉米長勢監測模型；所述玉米長勢監測模型包括出苗期玉米生長指數、拔節期與抽雄期玉米生長指數和花粒期玉米生長指數；根據所述玉米長勢監測模型對玉米不同階段的長勢進行監測。2.根據權利要求1所述的玉米長勢監測方法，其特征在于，所述根據所述第一遙感影像和所述第二遙感影像利用深度學習算法進行預測，得到帶有預測時間的高分辨率預測影像，具體包括：分別將所述第一遙感影像和兩個所述第二遙感影像進行兩層卷積和激活，得到三個兩次卷積結果；分別對三個所述兩次卷積結果進行一層卷積，得到三個三次卷積結果；將三個所述三次卷積結果進行加權求和，得到帶有預測時間的高分辨率預測影像。3.根據權利要求1所述的玉米長勢監測方法，其特征在于，所述對所述帶有預測時間的高分辨率預測影像進行波段計算，得到歸一化差值植被指數、比值植被指數、增強植被指數和綠度植被指數，具體包括：根據所述帶有預測時間的高分辨率預測影像的近紅外波段和紅光波段計算所述歸一化差值植被指數；根據所述帶有預測時間的高分辨率預測影像的近紅外波段和紅光波段計算所述比值植被指數；根據所述帶有預測時間的高分辨率預測影像的近紅外波段、紅光波段和藍光波段計算所述增強植被指數；根據所述帶有預測時間的高分辨率預測影像的近紅外波段、紅光波段、藍光波段和綠光波段計算所述綠度植被指數。4.根據權利要求1所述的玉米長勢監測方法，其特征在于，所述以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建玉米長勢監測模型，具體包括：以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數和所述綠度植被指數構建所述出苗期玉米生長指數；以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數和所述增強植被指數構建所述拔節期與抽雄期玉米生長指數；以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建所述花粒期玉米生長指數。
5.一種玉米長勢監測系統，其特征在于，包括：獲取模塊，用于獲取玉米的第一遙感影像和第二遙感影像；所述第一遙感影像的分辨率大于所述第二遙感影像的分辨率；預測模塊，用于根據所述第一遙感影像和所述第二遙感影像利用深度學習算法進行預測，得到帶有預測時間的高分辨率預測影像；波段計算模塊，用于對所述帶有預測時間的高分辨率預測影像進行波段計算，得到歸一化差值植被指數、比值植被指數、增強植被指數和綠度植被指數；光合有效輻射吸收比例確定模塊，用于根據所述歸一化差值植被指數的最大值和最小值確定光合有效輻射吸收比例；構建模塊，以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建玉米長勢監測模型；所述玉米長勢監測模型包括出苗期玉米生長指數、拔節期與抽雄期玉米生長指數和花粒期玉米生長指數；監測模塊，用于根據所述玉米長勢監測模型對玉米不同階段的長勢進行監測。6.根據權利要求5所述的玉米長勢監測系統，其特征在于，所述預測模塊，具體包括：卷積和激活單元，用于分別將所述第一遙感影像和兩個所述第二遙感影像進行兩層卷積和激活，得到三個兩次卷積結果；一層卷積單元，用于分別對三個所述兩次卷積結果進行一層卷積，得到三個三次卷積結果；加權求和單元，用于將三個所述三次卷積結果進行加權求和，得到帶有預測時間的高分辨率預測影像。7.根據權利要求5所述的玉米長勢監測系統，其特征在于，所述波段計算模塊，具體包括：歸一化差值植被指數計算單元，用于根據所述帶有預測時間的高分辨率預測影像的近紅外波段和紅光波段計算所述歸一化差值植被指數；比值植被指數計算單元，用于根據所述帶有預測時間的高分辨率預測影像的近紅外波段和紅光波段計算所述比值植被指數；增強植被指數計算單元，用于根據所述帶有預測時間的高分辨率預測影像的近紅外波段、紅光波段和藍光波段計算所述增強植被指數；綠度植被指數計算單元，用于根據所述帶有預測時間的高分辨率預測影像的近紅外波段、紅光波段、藍光波段和綠光波段計算所述綠度植被指數。8.根據權利要求5所述的玉米長勢監測系統，其特征在于，所述構建模塊，具體包括：出苗期玉米生長指數構建單元，用于以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數和所述綠度植被指數構建所述出苗期玉米生長指數；拔節期與抽雄期玉米生長指數構建單元，用于以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數和所述增強植被指數構建所述拔節期與抽雄期玉米生長指數；花粒期玉米生長指數構建單元，用于以所述光合有效輻射吸收比例為回歸系數，根據所述比值植被指數、所述增強植被指數和所述綠度植被指數，構建所述花粒期玉米生長指數。9.一種電子設備，其特征在于，包括：
一個或多個處理器；存儲裝置，其上存儲有一個或多個程序；當所述一個或多個程序被所述一個或多個處理器執行時，使得所述一個或多個處理器實現如權利要求1至4中任意一項所述的方法。10.一種計算機存儲介質，其特征在于，其上存儲有計算機程序，其中，所述計算機程序被處理器執行時實現如權利要求1至4中任意一項所述的方法。
技術總結
本發明涉及一種玉米長勢監測方法、系統、電子設備及計算機存儲介質，涉及遙感領域，方法包括獲取玉米的第一遙感影像和第二遙感影像；根據第一遙感影像和第二遙感影像利用深度學習算法進行預測，得到帶有預測時間的高分辨率預測影像；對帶有預測時間的高分辨率預測影像進行波段計算，得到歸一化差值植被指數、比值植被指數、增強植被指數和綠度植被指數；根據歸一化差值植被指數的最大值和最小值確定光合有效輻射吸收比例；以光合有效輻射吸收比例為回歸系數，根據比值植被指數、增強植被指數和綠度植被指數，構建玉米長勢監測模型；根據玉米長勢監測模型對玉米不同階段的長勢進行監測。本發明能夠提高玉米長勢的監測精度。本發明能夠提高玉米長勢的監測精度。本發明能夠提高玉米長勢的監測精度。
