一种花量空间分布图生成方法及装置

摘要

本发明提供一种花量空间分布图生成方法及装置，包括：获取目标监测区域的多光谱反射率遥感图像；提取所述多光谱反射率遥感图像中各个像元在目标光谱波段上的反射率，并基于所述各个像元在目标光谱波段上的反射率和花量光谱指数模型，计算每个像元的光谱指数；所述花量光谱指数模型是基于所述目标监测区域中的花朵、叶片和土壤的光谱反射率特性确定的；基于所有像元的光谱指数，生成所述目标监测区域中的花量空间分布图。本发明的方法极大地节约了人力和物力成本，可以实现利用多光谱数据对覆盖整个园区花量的空间分布进行连续动态监测，提供准确的高时空分辨率的花量信息，实现对果园花期管理的有效指导。

说明书

技术领域

本发明涉及遥感图像处理技术领域，尤其涉及一种花量空间分布图生成方法及装置。

背景技术

在果园花期管理过程中，及时获取花量的空间分布及时空变化，对指导果园科学疏花疏果、授粉、估测等具有重要价值。

目前，获得花量分布信息主要是依赖人工调查、定点物联网相机监控等技术手段。然而，人工调查的方法受限于人力物力较大，存在“以点代面”问题，不能实现对大范围园区的无缝覆盖监测，导致无法提供准确的高时空分辨率的花量信息；定点物联网相机监控的方法虽然可以定点拍摄开花期图像，但由于图像仅能代表植物个体，且容易受拍摄角度影响，很难准确地估算出花量信息，只能用于人工视觉定性分析，难以形成定量化的图像产品，无法得到覆盖整个园区的花量信息。

因此，如何在果园花期管理过程中，更好地获取花量的空间分布信息已经成为业界亟待解决的问题。

发明内容

本发明提供一种花量空间分布图生成方法及装置，用以在果园花期管理过程中，更好地获取花量的空间分布信息。

本发明提供一种花量空间分布图生成方法，包括：

获取目标监测区域的多光谱反射率遥感图像；

提取所述多光谱反射率遥感图像中各个像元在目标光谱波段上的反射率，并基于所述各个像元在目标光谱波段上的反射率和花量光谱指数模型，计算每个像元的光谱指数；所述花量光谱指数模型是基于所述目标监测区域中的花朵、叶片和土壤的光谱反射率特性确定的；

基于所有像元的光谱指数，生成所述目标监测区域中的花量空间分布图。

根据本发明提供的一种花量空间分布图生成方法，在基于所述各个像元在目标光谱波段上的反射率和花量光谱指数模型，计算每个像元的光谱指数之前，还包括：

获取所述目标监测区域中的花朵、叶片和土壤的光谱反射率分布，得到花朵与叶片、土壤之间光谱反射率差异最大的光谱波段；

根据所述花朵与叶片、土壤之间光谱反射率差异最大的光谱波段，得到所述目标光谱波段；

在所述目标光谱波段上，对花朵、叶片和土壤进行光谱反射率分析，确定花量光谱指数模型。

根据本发明提供的一种花量空间分布图生成方法，在所述获取目标监测区域的多光谱反射率遥感图像之前，还包括：

将所述目标监测区域划分为多个监测子区域；

获取每个所述监测子区域的多光谱遥感图像；

对每个所述监测子区域的多光谱遥感图像进行预处理，得到每个所述监测子区域的多光谱反射率遥感图像；

将每个所述监测子区域的多光谱反射率遥感图像进行拼接处理，得到所述目标监测区域的多光谱反射率遥感图像。

根据本发明提供的一种花量空间分布图生成方法，在所述目标光谱波段上，对花朵、叶片和土壤进行光谱反射率分析，确定花量光谱指数模型，包括：

根据花朵、叶片和土壤在所述目标光谱波段上的光谱反射率分布，确定反射率差异因子和权重；所述反射率差异因子表征花朵与叶片、土壤之间的光谱反射率差异程度，所述权重用于放大所述反射率差异因子；

对所述反射率差异因子和所述权重的乘积进行归一化处理，得到花量光谱指数模型。

根据本发明提供的一种花量空间分布图生成方法，所述目标光谱波段包括蓝光波段、绿光波段和红光波段，所述花量光谱指数模型为

根据本发明提供的一种花量空间分布图生成方法，所述对每个所述监测子区域的多光谱遥感图像进行预处理，得到每个所述监测子区域的多光谱反射率遥感图像，包括：

将每个所述多光谱遥感图像与对应的预设高几何精度图像进行几何校正，得到每个校正过的多光谱遥感图像；

将每个所述校正过的多光谱遥感图像进行配准，得到每个配准后的多光谱遥感图像；

对每个所述配准后的多光谱遥感图像进行辐射定标处理，得到每个所述监测子区域的多光谱反射率遥感图像。

本发明还提供一种花量空间分布图生成装置，包括：

获取模块，用于获取目标监测区域的多光谱反射率遥感图像；

计算模块，用于提取所述多光谱反射率遥感图像中各个像元在目标光谱波段上的反射率，并基于所述各个像元在目标光谱波段上的反射率和花量光谱指数模型，计算每个像元的光谱指数；所述花量光谱指数模型是基于所述目标监测区域中的花朵、叶片和土壤的光谱反射率特性确定的；

生成模块，用于基于所有像元的光谱指数，生成所述目标监测区域中的花量空间分布图。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述花量空间分布图生成方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述花量空间分布图生成方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述花量空间分布图生成方法。

本发明提供的一种花量空间分布图生成方法及装置，通过获取目标监测区域的多光谱反射率遥感图像，提取多光谱反射率遥感图像中各个像元在目标光谱波段上的反射率，利用遥感多光谱图像特征，充分挖掘花期花朵、叶片、土壤等不同组分间的光谱特征差异，构建一种突出花量但抑制其他组分的花量光谱指数模型，由此根据各个像元在目标光谱波段上的反射率和花量光谱指数模型，可以计算出每个像元的光谱指数；根据多光谱反射率遥感图像中所有像元的光谱指数，生成目标监测区域中的花量空间分布图，极大地节约了人力和物力成本，可以实现利用多光谱数据对覆盖整个园区花量的空间分布进行连续动态监测，提供准确的高时空分辨率的花量信息，实现对果园花期管理的有效指导。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的花量空间分布图生成方法的流程示意图；

图2是本发明提供的花量空间分布图生成方法的不同组分光谱反射率示意图；

图3是本发明提供的花量空间分布图生成装置的结构示意图；

图4是本发明提供的电子设备的实体结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合图1-图4描述本发明的一种花量空间分布图生成方法及装置。

本发明研究人员发现，现有技术中，获得花量分布信息主要是依赖人工调查、定点物联网相机监控等技术手段，其中，人工调查主要依靠花农、果农或农技人员等，在果园中选择少量观测样点，如固定的若干果树，大多借鉴园艺植物生物学性状调查方法，对苹果、梨、柑橘等果园进行定期的花芽、开花量田间观测，并得到具有统计价值的园区花量及开花期物候，此种人工调查的方法势必会受限于人力物力较大，存在“以点代面”问题；

此外，随着物联网及通信技术的快速发展，大部分果园布设了物联网传感器，特别安装了高清分辨率的摄像头，这种图像传感器可以定点的拍摄果树开花期图像，但由于图像只是代表个体果树，且容易受拍摄角度影响，因此很难准确地估算出花量信息；

近年来，随着高分辨率卫星遥感、无人机遥感等快速发展，可以获得厘米至米级空间分辨率的遥感数据，且光谱分辨率也越来越高，为开展大规模的果园花期花量监测提供了重要数据支撑。但由于果树结构复杂，开花期同时存在花、叶、枝干及枝条等多种组分，导致果树花量信息难以准确进行估算。当前基于遥感光谱指数进行统计建模估算植被生理生态参数的方法已经较为成熟，例如利用GF遥感数据计算归一化植被指数(NormalizedVegetation Index，NDVI)、比值植被指数(Ratio Vegetation Index，RVI)、增强植被指数(Enhanced Vegetation Index，EVI)等进而估算出果树的生物量或产量，但此种方法受限于区域位置、植被类型、观测时间等多种因素影响，很难推广到用于估算果树花量，而且此种统计回归分析方法必须依赖于地面大量人工调查，在推广应用时面临挑战；

基于图像阈值分析的方法常用于对象分割和识别，但由于果树花期花朵、叶片、土壤等在不同生长期比例变化较大，单一阈值设置很难适用于多个生长期，导致图像阈值失效；

而基于深度学习的方法进行的花量识别，只是基于少量单张图像进行，加之需要大量样本标记，对图像分辨率要求较高，训练识别耗时较长，无法满足高效率大范围果园果树的花量监测。

为此，本发明提供了一种花量空间分布图生成方法及装置，以解决现有技术中存在的技术缺陷。

图1是本发明提供的花量空间分布图生成方法的流程示意图，如图1所示，包括：步骤110、步骤120和步骤130。

其中，步骤110，获取目标监测区域的多光谱反射率遥感图像；

具体地，本发明实施例所描述的目标监测区域指的是监测果园中果树花期花量空间分布的地理区域，可以是覆盖整个果园的地理区域，也可以是整个果园区域中的部分需要监测的区域。

本发明实施例所描述的多光谱反射率遥感图像可以通过对获取的高分辨率遥感数据进行预处理得到，其中，高分辨率遥感数据可以是无人机高分辨率多光谱数据，也可以是卫星高分辨率多光谱数据。

在本实施例中，以获取无人机高分辨率多光谱数据为例，可以采用农业多光谱相机(例如，PARROT SEQUOIA多光谱相机)，获取目标监测区域的多光谱遥感图像；

为了保证具有厘米分辨率空间分辨率，通常无人机的飞行高度约为30米，航向重叠度达到70％以上，相邻航线旁向重叠度不低于45％。飞行结束后，对所有无人机空中单幅拍摄获取的多光谱数据进行图像预处理，可以得到目标监测区域的多光谱反射率遥感图像。

步骤120，提取多光谱反射率遥感图像中各个像元在目标光谱波段上的反射率，并基于各个像元在目标光谱波段上的反射率和花量光谱指数模型，计算每个像元的光谱指数；花量光谱指数模型是基于目标监测区域中的花朵、叶片和土壤的光谱反射率特性确定的；

具体地，本发明实施例所描述的花量光谱指数模型是基于目标监测区域中的花朵、叶片和土壤的光谱反射率特性确定的，其可以表征目标监测区域中花量空间分布的覆盖度。

本发明实施例所描述的目标光谱波段指的是目标监测区域中的花朵、叶片和土壤的光谱反射率特性差异最为明显的光谱波段。

在本实施例中，花量光谱指数模型具体可以通过对目标监测区域中的花朵、叶片和土壤的光谱反射率特性进行分析，确定花朵的光谱反射率与叶片、土壤的光谱反射率之间的差异特征，构建出的一种突出花量但抑制其他组分的光谱指数模型。

进一步地，在获得目标监测区域的多光谱反射率遥感图像之后，可以提取多光谱反射率遥感图像中各个像元在目标光谱波段上的反射率，例如，在确定目标光谱波段为红光波段、蓝光波段和绿光波段，则从多光谱反射率遥感图像中提取各个像元的红光波段反射率、蓝光波段反射率和绿光波段反射率；

由此，可以将各个像元在目标光谱波段上的反射率值代入到花量光谱指数模型中进行计算，按照逐个像元计算的方式，得到多光谱反射率遥感图像中每个像元的光谱指数。

步骤130，基于所有像元的光谱指数，生成目标监测区域中的花量空间分布图。

具体地，通过计算出的多光谱反射率遥感图像中每个像元的光谱指数，根据设定花量光谱指数对应的颜色条，对多光谱反射率遥感图像中每个像元的光谱指数进行颜色渲染，由此，可以生成目标监测区域中的花量空间分布色彩图。

在本实施例中，通过生成的目标监测区域中的花量空间分布色彩图，可以直观、明显地监测果园中所有果树花量的空间分布信息，这样可以为果园花期科学管理提供详细准确的指导信息。

在本实施例中，由于本发明提供的花量光谱特征指数方法不需要地面调查观测，可以极大地降低方法推广的难度，人力物力调查可忽略不计。

此外，通过利用无人机高分辨率多光谱数据，可以对果园花量进行连续动态监测。

本发明提供的花量空间分布图生成方法，通过获取目标监测区域的多光谱反射率遥感图像，提取多光谱反射率遥感图像中各个像元在目标光谱波段上的反射率，利用遥感多光谱图像特征，充分挖掘花期花朵、叶片、土壤等不同组分间的光谱特征差异，构建一种突出花量但抑制其他组分的花量光谱指数模型，由此根据各个像元在目标光谱波段上的反射率和花量光谱指数模型，可以计算出每个像元的光谱指数；根据多光谱反射率遥感图像中所有像元的光谱指数，生成目标监测区域中的花量空间分布图，极大地节约了人力和物力成本，可以实现利用多光谱数据对覆盖整个园区花量的空间分布进行连续动态监测，提供准确的高时空分辨率的花量信息，实现对果园花期管理的有效指导。

在一些实施例中，步骤120中，在基于各个像元在目标光谱波段上的反射率和花量光谱指数模型，计算每个像元的光谱指数之前，还包括：

获取目标监测区域中的花朵、叶片和土壤的光谱反射率分布，得到花朵与叶片、土壤之间光谱反射率差异最大的光谱波段；

根据花朵与叶片、土壤之间光谱反射率差异最大的光谱波段，得到目标光谱波段；

在目标光谱波段上，对花朵、叶片和土壤进行光谱反射率分析，确定花量光谱指数模型。

具体地，通过获取的多光谱反射率遥感图像，对果树花期光谱特征进行分析，获取目标监测区域中的花朵、叶片和土壤的光谱反射率分布。

图2是本发明提供的花量空间分布图生成方法的不同组分光谱反射率示意图，如图2所示，其是采集的果园目标监测区域中花朵、叶片及土壤三者组分的光谱，可以看出果树花朵光谱反射率在450nm以后波段整体反射率都是最高的；而叶片反射率在此区间是最低的，土壤反射率处于中间位置，且随着波长有线性增加的趋势。

进一步地，根据目标监测区域中的花朵、叶片和土壤的光谱反射率分布，可以确定出花朵与叶片、土壤之间光谱反射率差异最大的光谱波段。如图2所示，可以看出花朵的光谱反射率与其他组分光谱反射率差异最大的光谱波段主要体现在可见光谱段内，即400-700nm区间。

在本实施例中，根据花朵与叶片、土壤之间光谱反射率差异最大的光谱波段，可以确定出目标光谱波段，亦即目标光谱波段为光谱反射率差异最大的光谱波段。

进一步地，在目标光谱波段上，对花朵、叶片和土壤进行光谱反射率分析，可以进行光谱指数模型构造，确定出花量光谱指数模型。继续参照图2，在目标光谱波段上，基于花朵、叶片和土壤组分的光谱特征，构建的光谱指数要尽量突出花朵的反射率在红(Red)、绿(Green)、蓝(Blue)三个光谱波段上的总体贡献最大，相反应该削弱叶片绿度贡献和土壤亮度贡献。

需要说明的是，由于像苹果、梨、桃等大部分落叶类果树开花期都有相似的组分和光谱特征，因此，花量光谱指数均可适用于同时提取覆盖整个果园不同果树的花量信息。

本发明实施例的方法，通过遥感技术手段，获取目标监测区域中的花朵、叶片和土壤的光谱反射率分布，充分挖掘果树开花期花朵、叶、土壤等不同组分间的光谱特征差异，构造可以表征果园花量分布的光谱指数，可以实现对果园花量进行连续动态监测，同时克服了传统回归分析普适性低难题，具有很好的通用性。

在一些实施例中，在目标光谱波段上，对花朵、叶片和土壤进行光谱反射率分析，确定花量光谱指数模型，包括：

根据花朵、叶片和土壤在目标光谱波段上的光谱反射率分布，确定反射率差异因子和权重；反射率差异因子表征花朵与叶片、土壤之间的光谱反射率差异程度，权重用于放大反射率差异因子；

对反射率差异因子和权重的乘积进行归一化处理，得到花量光谱指数模型。

具体地，本发明实施例所描述的反射率差异因子可以表征花朵与叶片、土壤之间的光谱反射率差异程度，其具体可以通过对花朵、叶片和土壤在目标光谱波段上的光谱反射率分布进行差异分析确定；

在本实施例中，权重指的是是通过在目标光谱波段上确定出花朵的光谱反射率与叶片、土壤的光谱反射率差异大，但除花朵以外的其他组分叶片与土壤的光谱反射率很接近的光谱波段，根据该光谱波段特征计算出的放大权重，其可以用于进一步放大反射率差异因子，以达到突出花朵的反射率在目标光谱波段上的总体贡献最大，削弱叶片绿度贡献和土壤亮度贡献的效果。

进一步地，在本实施例中，计算反射率差异因子和权重的乘积，该乘积可以表征出花朵区别于叶片及土壤的光谱特征。

为了适用于不同生育期果树花朵的光谱指数具有可比性，将目标光谱波段上的各个波段的反射率之和作为参比，对反射率差异因子和权重的乘积进行归一化处理，得到花量光谱指数模型。

需要说明的是，由于像苹果、梨树、桃树等大部分落叶类果树开花期都有相似的组分和光谱特征，花量光谱指数均可适用于同时提取果园中不同果树的花量信息，具有很大的扩展应用价值以及良好的应用前景。

本发明实施例的方法，通过在目标光谱波段上，对花朵、叶片和土壤进行光谱反射率分析，充分利用果园花朵与叶片、土壤之间光谱差异，对表征花量的光谱特征进行增强，削弱非花朵组分的光谱影响，构造具有归一化特征的花量光谱指数，可以确保花量光谱指数运用的有效性和适用性，有利于实现多光谱数据对覆盖整个园区花量的空间分布进行连续动态监测，提供准确的高时空分辨率的花量信息。

在一些实施例中，如图2所示，通过多光谱反射率遥感图像，分析花朵与叶片、土壤之间光谱反射率差异最大的光谱波段，可以确定目标光谱波段包括蓝光波段、绿光波段和红光波段，即果树花朵光谱反射率与叶片、土壤等地物光谱差异最大的波段分别为蓝光波段：420-450nm，绿光波段：520-580nm和红光波段：680-720nm。

在本实施例中，在450-900nm范围内，果树花朵光谱反射率均为最高值，且反射率随波长变化最小，而绿色叶片和土壤的反射率随波长出现较大反射和吸收变化。

进一步地，首先确定红光波段与蓝光波段反射率差作为评估是否是果树花朵组分的最大因子，即确定反射率差异因子△＝|ρ

进一步地，对反射率差异因子和权重的乘积进行归一化处理，将三个光谱波段的反射率之和作为参比，进行归一化处理，得到花量光谱指数模型为

其中，FI表示花量光谱指数，ρ

在本发明的实施例中，FI指数计算值介于0-1之间，花量越大，FI越低接近于0，反之，对于绿色叶片、树干、土壤等，其FI指数接近1值，由此，可以直观明显地体现出果园中所有不同种类果树花量的空间分布。

本发明实施例的方法，通过采用遥感技术手段，结合花量光谱指数模型FI，可以提供准确的高时空分辨率的花量信息，有利于实现对果园不同果树的花期管理的有效指导。

在一些实施例中，在获取目标监测区域的多光谱反射率遥感图像之前，还包括：

将目标监测区域划分为多个监测子区域；

获取每个监测子区域的多光谱遥感图像；

对每个监测子区域的多光谱遥感图像进行预处理，得到每个监测子区域的多光谱反射率遥感图像；

将每个监测子区域的多光谱反射率遥感图像进行拼接处理，得到目标监测区域的多光谱反射率遥感图像。

具体地，在本实施例中，为实现对大范围园区的无缝覆盖监测，可以将目标监测区域划分为多个监测子区域，具体可以根据预设划分尺寸，对目标监测区域进行划分，例如，采用无人机多光谱遥感技术方案时，可以根据无人机数量及单架次无人机遥感数据所覆盖的区域进行预设划分尺寸的确定。

进一步地，在本实施例中，在划分确定多个监测子区域之后，可以获取每个监测子区域的多光谱遥感图像，进而对每个监测子区域的多光谱遥感图像进行预处理，可以得到每个监测子区域的多光谱反射率遥感图像。

在一些实施例中，对每个监测子区域的多光谱遥感图像进行预处理，得到每个监测子区域的多光谱反射率遥感图像，包括：

将每个多光谱遥感图像与对应的预设高几何精度图像进行几何校正，得到每个校正过的多光谱遥感图像；

将每个校正过的多光谱遥感图像进行配准，得到每个配准后的多光谱遥感图像；

对每个配准后的多光谱遥感图像进行辐射定标处理，得到每个监测子区域的多光谱反射率遥感图像。

具体地，本发明实施例所描述的预设高几何精度图像指的是预先设置的高几何精度图像，其与多光谱遥感图像拍摄的时间较为相近，且地理坐标和多光谱遥感图像的地理坐标一致。

在本实施例中，可以基于所有无人机空中单幅拍摄获取到的对应监测子区域的多光谱数据，将每个无人机获取的多光谱遥感图像与对应的预设高几何精度图像进行几何校正，其具体可以通过在图像可视化环境(The Environment for Visualizing Images，ENVI)处理平台中，对各个多光谱遥感图像进行几何精校正，从而可以得到每个校正过的多光谱遥感图像；

进一步地，将每个校正过的多光谱遥感图像进行配准，得到每个配准后的多光谱遥感图像；进而再采用预先设定好的辐射定标系数，对每个配准后的多光谱遥感图像进行辐射定标处理，可以得到每个监测子区域的多光谱反射率遥感图像。

本发明实施例的方法，通过对每个监测子区域的多光谱遥感图像进行预处理，通过几何配准及辐射标定的处理方式，可以有效地获取到每个监测子区域的多光谱反射率遥感图像，有利于后续进行多光谱反射率遥感图像拼接处理，得到目标监测区域的多光谱反射率遥感图像。

进一步地，在得到每个监测子区域的多光谱反射率遥感图像之后，可以对各个监测子区域的多光谱反射率遥感图像进行拼接处理，得到目标监测区域的多光谱反射率遥感图像，即可以获取到覆盖整个果园区域的拼接完整的多光谱反射率遥感图像。

本发明实施例的方法，通过划分监测子区域进行遥感数据采集，对采集的遥感数据图像进行预处理，得到每个监测子区域的多光谱反射率遥感图像，采用图像拼接处理技术，可以有效地获取覆盖大范围果园区域的多光谱反射率遥感图像，有利于实现对大范围园区的无缝覆盖花量分布监测。

下面对本发明提供的花量空间分布图生成装置进行描述，下文描述的花量空间分布图生成装置与上文描述的花量空间分布图生成方法可相互对应参照。

图3是本发明提供的花量空间分布图生成装置的结构示意图，如图3所示，包括：

获取模块310，用于获取目标监测区域的多光谱反射率遥感图像；

计算模块320，用于提取多光谱反射率遥感图像中各个像元在目标光谱波段上的反射率，并基于各个像元在目标光谱波段上的反射率和花量光谱指数模型，计算每个像元的光谱指数；花量光谱指数模型是基于目标监测区域中的花朵、叶片和土壤的光谱反射率特性确定的；

生成模块330，用于基于所有像元的光谱指数，生成目标监测区域中的花量空间分布图。

本实施例所述的花量空间分布图生成装置可以用于执行上述花量空间分布图生成方法实施例，其原理和技术效果类似，此处不再赘述。

本发明提供的花量空间分布图生成装置，通过获取目标监测区域的多光谱反射率遥感图像，提取多光谱反射率遥感图像中各个像元在目标光谱波段上的反射率，利用遥感多光谱图像特征，充分挖掘花期花朵、叶片、土壤等不同组分间的光谱特征差异，构建一种突出花量但抑制其他组分的花量光谱指数模型，由此根据各个像元在目标光谱波段上的反射率和花量光谱指数模型，可以计算出每个像元的光谱指数；根据多光谱反射率遥感图像中所有像元的光谱指数，生成目标监测区域中的花量空间分布图，极大地节约了人力和物力成本，可以实现利用多光谱数据对覆盖整个园区花量的空间分布进行连续动态监测，提供准确的高时空分辨率的花量信息，实现对果园花期管理的有效指导。

图4是本发明提供的电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行上述各方法所提供的花量空间分布图生成方法，该方法包括：获取目标监测区域的多光谱反射率遥感图像；提取所述多光谱反射率遥感图像中各个像元在目标光谱波段上的反射率，并基于所述各个像元在目标光谱波段上的反射率和花量光谱指数模型，计算每个像元的光谱指数；所述花量光谱指数模型是基于所述目标监测区域中的花朵、叶片和土壤的光谱反射率特性确定的；基于所有像元的光谱指数，生成所述目标监测区域中的花量空间分布图。

此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的花量空间分布图生成方法，该方法包括：获取目标监测区域的多光谱反射率遥感图像；提取所述多光谱反射率遥感图像中各个像元在目标光谱波段上的反射率，并基于所述各个像元在目标光谱波段上的反射率和花量光谱指数模型，计算每个像元的光谱指数；所述花量光谱指数模型是基于所述目标监测区域中的花朵、叶片和土壤的光谱反射率特性确定的；基于所有像元的光谱指数，生成所述目标监测区域中的花量空间分布图。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的花量空间分布图生成方法，该方法包括：获取目标监测区域的多光谱反射率遥感图像；提取所述多光谱反射率遥感图像中各个像元在目标光谱波段上的反射率，并基于所述各个像元在目标光谱波段上的反射率和花量光谱指数模型，计算每个像元的光谱指数；所述花量光谱指数模型是基于所述目标监测区域中的花朵、叶片和土壤的光谱反射率特性确定的；基于所有像元的光谱指数，生成所述目标监测区域中的花量空间分布图。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。