本发明涉及一种无人机与卫星影像融合的柑橘叶片氮含量估算方法，属于农作物理化参数估算。
背景技术：
1、氮是柑橘生长的关键元素，对柑橘的生长发育、产量和品质具有重要影响。因此，对柑橘叶片中的氮含量进行诊断至关重要。传统的氮含量监测方法主要是通过实验室化验，需要实地采集样本数据，再到实验室中利用凯氏定氮法等获取样本的氮含量信息，传统的化学分析方法获取氮含量既耗时又费力，且难以实现对大规模果树的快速检测，无法满足施肥管理的实时需求，还会对果树造成损害。
2、遥感技术能够实时监测作物的营养元素，有效弥补了传统方法的不足，成为精准农业的重要组成部分。但目前在基于遥感技术的作物氮含量估算任务中，通常只是使用单一的遥感数据，或者使用不同的遥感数据进行分别提取特征后协同使用，这种方法是分别对原始多源数据抽象后进行的综合使用，会损失部分原始影像的细节信息，从而不利于后续氮含量的精准估算。
技术实现思路
1、本发明所要解决的技术问题是：提供一种无人机与卫星影像融合的柑橘叶片氮含量估算方法，将无人机影像与卫星影像相融合，获取兼具高空间分辨率和光谱信息的影像，实现对柑橘果树营养元素的更精确估算。
2、本发明为解决上述技术问题采用以下技术方案：
3、一种无人机与卫星影像融合的柑橘叶片氮含量估算方法，包括如下步骤：
4、步骤1，获取整个柑橘果园区域柑橘叶片生长成熟且理化参数稳定阶段的无人机影像，并对获取的无人机影像进行预处理，根据预处理后的无人机影像构建全色影像；
5、步骤2，获取与无人机影像为同一时段的卫星影像，并进行预处理，将预处理后的卫星影像作为多光谱影像；
6、步骤3，利用基于卷积神经网络的全色锐化方法将所述全色影像和所述多光谱影像融合为一幅影像，并基于融合影像构建植被指数；
7、步骤4，在整个柑橘果园区域内选取若干样本点，测量各样本点柑橘叶片对应的氮含量，计算步骤3构建的各植被指数与氮含量之间的皮尔逊相关系数，将皮尔逊相关系数超过预设值时对应的植被指数筛选出来，作为对于柑橘叶片氮含量敏感的植被指数；
8、步骤5，制作数据集，数据集中的每个样本点包括对于柑橘叶片氮含量敏感的植被指数，样本点标签为对应的氮含量，将数据集划分为训练集和测试集，利用训练集对随机森林回归模型进行训练，得到对于柑橘叶片氮含量敏感的植被指数为输入，柑橘叶片氮含量为输出的柑橘叶片氮含量估算模型，并通过测试集评价模型的精度；
9、步骤6，利用步骤5得到的柑橘叶片氮含量估算模型对整个柑橘果园区域的叶片氮含量进行估算，并根据估算结果绘制氮含量分布图。
10、作为本发明的一种优选方案，所述步骤1中，对获取的无人机影像进行预处理，包括影像拼接、几何校正以及光谱反射率计算。
11、作为本发明的一种优选方案，所述步骤1中，根据预处理后的无人机影像构建全色影像，具体为：对于预处理后的无人机影像，使用蓝、绿和红波段的均值得到影像为全色影像。
12、作为本发明的一种优选方案，所述步骤2中，对卫星影像进行预处理包括辐射定标、大气校正以及反射率计算。
13、作为本发明的一种优选方案，所述步骤3中，基于卷积神经网络的全色锐化方法的损失函数设置如下：
14、损失函数由光谱信息损失和空间信息损失归一化后相加所得，其中，光谱信息损失是通过将基于卷积神经网络的全色锐化方法输出的融合影像在低分辨率区域的投影与多光谱影像ms进行计算获取；空间信息损失是由融合影像各个体空间损失的总和组成，即：
15、
16、1)光谱信息损失
17、
18、式中，表示融合影像的低分辨率投影；t(·)表示下采样操作的复合函数，包括低通滤波算子和抽取；‖·‖1表示l1范数；
19、2)空间信息损失
20、空间信息损失由结构层面的空间信息损失和像素层面的空间信息损失组成；
21、令x为全色影像p中空间位置为(m,n)处的边长为σ的矩形，y为融合影像第i个波段中相对应的矩形，所述矩形的局部空间损失lσ(m,n,i)为：
22、lσ(m,n,i)＝1-ρσ(m,n,i)
23、式中，ρσ(m,n,i)为所述矩形的三维空间相关系数，结构层面的空间信息损失为所有局部空间损失的平均值；
24、全色影像p降采样后与多光谱影像ms之间的线性回归关系表示为：
25、
26、式中，p表示全色影像p降采样后得到的影像，msi表示多光谱影像ms的第i个波段，αi为与第i个波段对应的回归系数，c为随机噪声，i表示波段数量；
27、利用最小二乘估计计算αi和c，并应用到融合影像上，得到影像
28、
29、式中，表示融合影像的第i个波段；
30、通过最小化影像和全色影像p的均方误差，得到像素层面的空间信息损失
31、
32、将和分别进行归一化至0～1之间再相加，得到空间信息损失
33、作为本发明的一种优选方案，所述步骤4中，通过凯氏定氮法测量各样本点柑橘叶片对应的氮含量。
34、一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的无人机与卫星影像融合的柑橘叶片氮含量估算方法的步骤。
35、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的无人机与卫星影像融合的柑橘叶片氮含量估算方法的步骤。
36、本发明采用以上技术方案与现有技术相比，具有以下技术效果：
37、1、本发明将无人机影像与卫星影像相融合，克服单一数据类型的局限性，融合影像兼具无人机影像的高空间分辨率信息和卫星影像的多光谱信息，能有效提高氮含量估算模型的精度与估算的准确性，为果园管理提供可靠的数据支持，帮助管理者实时了解果树生长状况，制定科学的施肥计划，提高经济效益。
38、2、本发明使用的数据为无人机数据和卫星数据，能够实现对果园大范围尺度的监测，减少了传统化学检测方法在检测柑橘叶片营养元素方面的人力、时间和成本消耗。
1.一种无人机与卫星影像融合的柑橘叶片氮含量估算方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的无人机与卫星影像融合的柑橘叶片氮含量估算方法，其特征在于，所述步骤1中，对获取的无人机影像进行预处理，包括影像拼接、几何校正以及光谱反射率计算。
3.根据权利要求1所述的无人机与卫星影像融合的柑橘叶片氮含量估算方法，其特征在于，所述步骤1中，根据预处理后的无人机影像构建全色影像，具体为：对于预处理后的无人机影像，使用蓝、绿和红波段的均值得到影像为全色影像。
4.根据权利要求1所述的无人机与卫星影像融合的柑橘叶片氮含量估算方法，其特征在于，所述步骤2中，对卫星影像进行预处理包括辐射定标、大气校正以及反射率计算。
5.根据权利要求1所述的无人机与卫星影像融合的柑橘叶片氮含量估算方法，其特征在于，所述步骤3中，基于卷积神经网络的全色锐化方法的损失函数设置如下：
6.根据权利要求1所述的无人机与卫星影像融合的柑橘叶片氮含量估算方法，其特征在于，所述步骤4中，通过凯氏定氮法测量各样本点柑橘叶片对应的氮含量。
7.一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的无人机与卫星影像融合的柑橘叶片氮含量估算方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的无人机与卫星影像融合的柑橘叶片氮含量估算方法的步骤。
