联合收割机生产数据中产量数据误差的分析

联合收割机生产数据中产量数据误差的分析

0割幅误差的校正作物产量是评估农业生产效率的重要因素。通过建立详细的收获生产力空间分布图，可以为收获的管理和评价提供重要依据。在作物收割过程中,带有自动测产系统的联合收割机可以同步采集产量数据,其优势是在投入相对较低的条件下得到大量数据,但自动数据采集过程受到多种复杂因素的影响,使其产生很多误差。Murphy和Thylen等分别研究了联合收割机计产数据的误差构成,认为联合收割机采样周期内实际收割面积的计算误差是一种常见误差;张漫等认为割幅设置引起的误差是产量数据的一项重要误差;Stafford等指出正常收割情况下割幅引起的误差超过10%。目前,对于割幅宽度误差的校正,主要集中在研究开发自动识别有效割幅的传感器和后期数据校正软件方面。Missotten和Wang对有效割幅宽度自动识别传感器进行了研究,但目前市场上还没有商业化产品;另一方面,大量具有割幅误差的产量数据有待挖掘分析,因此研究校正测产数据割幅误差的方法非常重要。张立梅等提出基于栅格的移动加权平均法对失真数据进行校正,Han等提出一种基于栅格图的实际收割面积计算方法,但是栅格大小和落入栅格的点数使其结果产生较大的误差。差分全球定位系统(DifferentialGlobalPositioningSystems,DGPS)可以使定位的精度达到2~4cm,相对联合收割机的割幅(一般5~6m)而言,其误差不到1%,因此产量的精确位置信息可以作为收割面积误差校正的重要信息源。Drummond等研究了一种利用收割机定位信息确定实际收割面积的方法,但它不能检测出没有产量数据的区域。为此,本文提出一种利用当前产量点与其周围点之间的时序关系和拓扑关系,通过空间分析确定实际收割区域的方法。1纠正方法1.1收获面积误差的源分析1.1.1车辆行驶距离Yieldi=Flowi*TimerDistancei*Lengthi*1−Moisturei1−Moistures(1)Yieldi=Flowi*ΤimerDistancei*Lengthi*1-Μoisturei1-Μoistures(1)式中:Yieldi是瞬时产量湿重;Flowi是流量,来自谷物流量传感器;Timer是两次读数的时间间隔,由操作人员通过终端控制面板设置,一般为1s、2s或3s;Distancei是前进速度与两次读数时间间隔的乘积;Lengthi是割幅,人为在控制面板中设定,无法在收割中自动调整。Moisturei和Moistures分别为谷物含水率和谷物标准含水率。为了得到准确的收割小区面积,设定的割幅宽度与实际进入割台的作物宽度应一致,并且通过车辆前进速度传感器测得的速度计算的行驶距离应该正确。由于田间作业情况非常复杂,实际收割过程不可避免会产生上述两种误差,归结为收割面积误差。1.1.2收售数量的估计在实际收割过程中,由于田间条件非常复杂,特别是在某一地块收割即将完成,剩余地块为不规则形状时,需要不断地修改割幅,而这在实际收割中往往很难做到。所以,在最终的产量数据中不可避免地引入这类由收割面积造成的误差。图1中每个产量点记录的是该点与其前一个产量点之间小区内的作物产量。假定图1中的编号是按照收割顺序进行的编号,以14号产量点为例,该点的产量代表14号产量点收割区域内的平均产量。联合收割机在计算14号产量点的产量时,使用的面积是割幅宽度与这段时间内行驶的距离,可以看出这并非这段时间内的有效收割面积,因为在前面的收割过程中这个区域有一部分(14号收割区域与2号和3号收割区域相交的部分)已经被收割。虽然这个区域确实是割台在这段时间通过的区域,但是并没有收割到该区域作物,如果将这个面积也计算在内,必然导致该点的产量出现误差。1.2实际收获社区的确定方法1.2.1计收缩面积的生成通过上面的分析,如果可以求出图1中14号小区与2号和3号小区相交的面积,再用14号小区按割幅宽度计算的理论面积减去图中相交区域的面积,就可以准确计算出14号小区的实际收割面积。因此,笔者按照以下方法校正:(1)计算当前产量数据集中所有产量点的预计收割面积(即不考虑收割区域重叠情况下的面积),生成一个临时数据集。(2)取出第i个产量数据(流量为Flowi),然后求区域Ai(第i个产量点的预计收割区域)与区域Ai-1(第i个产量点前所有产量点的实际收割区域)相交的区域A0,那么第i个产量点的实际收割面积就是区域Ai减去区域A0的面积,即:S0=SAi-SAi-1(2)Si=SAi-S0(3)则第i个产量点的实际产量为:Yieldi=Flow*TimerSi*1−Moisturei1−Moistures(4)Yieldi=Flow*ΤimerSi*1-Μoisturei1-Μoistures(4)(3)将第i个产量点的实际收割区域与第i-1个产量点的实际收割区域合并成一个对象,即:Ai-1=Ai∪Ai-1(5)(4)重复(2)、(3)步,直至所有产量点的数据全部经过校正。1.2.2来自加速切割的区域在计算单个收割区域时,如果以当前产量点和其前一个产量点的连线段为基线,以割幅的一半为缓冲半径做一个矩形缓冲区,在两个收割区域的交接位置会出现相交或者分离的区域。如果在收割区域起始端做圆形缓冲区而在结束端做矩形缓冲区,则可以消除这样的面积计算误差,提高收割区域面积的计算精度。2实验分析2.1小麦无线性成分产品实验数据采用北京市精准农业示范区2002年的冬小麦收割数据。该数据由美国CASE公司带有测产系统(AdvancedFarmingSystem,AFS)的2366谷物联合收割机采集。AFS使用美国Trimble公司的AgGPS132差分式GPS接收机和美国CASE公司的冲击式谷物流量传感器。小麦收割过程中使用的是CASE公司割幅为6m的1020割台。在收割前AFS测产系统按照使用要求进行设置,并在收割过程中分别对谷物质量、含水率、温度以及收割机的行走距离和收获面积进行严格标定。2.2结果分析为检验该校正方法的效果,笔者分别从收割面积、作物产量、产量与NDVI的关系以及产量分布图等方面对比校正前后的产量数据。2.2.1收缩面积误差AFS根据割幅和行驶距离的乘积计算收割面积,由于部分产量点的实际割幅小于设置的割幅,因此AFS计算的收割总面积偏大(表1)。经过收割面积误差校正后,计算的总面积比实际收割的面积略小一些(表1),这主要是由于在收割过程中,有的区域没有作物或者作物长势太差,收割机并没有收割这部分区域(图2中箭头所指区域)。对比AFS计算的收割面积和校正后的收割面积误差可以发现,校正前收割面积的误差均值达9.62%,而校正后收割面积略小于实际面积。通过上面的分析可知,这部分略小的面积不是该校正算法的误差造成的,而是收割机实际上没有收割该区域造成的。2.2.2共产主义测量方法经过收割面积误差校正,两块地的平均产量均比校正前有所提高,平均产量提高近8%,2号地块产量的提高更为明显。由公式(1)可知,每个点记录的产量与收割小区的面积成反比。当出现收割区域交叠时,AFS计算的收割小区面积比实际收割面积偏大,从而造成校正前产量数据比实际产量数据偏低。通过该方法可以有效消除由收割小区面积计算误差所造成的产量数据误差。2.2.3基于异常光谱成像的反射率校正实验归一化植被指数(NDVI)是作物生长状态及覆盖度的最佳指示因子。许多研究表明,NDVI与叶面积指数(LAI)、绿色生物量、作物覆盖度等参数有关,且NDVI更适用于农作物发育中期的监测。笔者通过对地面采样区产量与各期PHI影像的NDVI相关分析发现,小麦灌浆初期(5月17日)的NDVI与产量有显著相关性,故利用该期影像提取的NDVI检验校正后产量数据的改善情况。PHI瞬时视场为1.5mrad,视场角为0.366rad(21°),波长范围为400~850nm,80个波段,光谱分辨率小于5nm。本次获取的PHI影像空间分辨率为1m。成像光谱数据经过辐射定标、辐射校正、几何校正与镶嵌、反射率转换等预校正,最终生成反射率影像数据。其中:NDVI=(ρ829~833nm-ρ650~655nm)/(ρ829~833nm+ρ650~655nm)(6)从PHI影像提取出各个产量点相应的收割小区的平均NDVI值,比较校正前后的产量数据与NDVI的线性相关性,结果如图3所示。对比图3a和图3b可以发现,校正后部分产量点的产量比校正前明显提高,这部分产量点就是收割面积计算存在误差的产量点(实验数据使用的是整个地块中央的两部分数据,已经消除了填充时间、延迟时间等系统误差)。可见通过该方法可以准确地计算出每个收割小区的实际收割面积,提高产量数据的精度。这从产量数据与NDVI的线性关系中也可以得到证明,校正前后产量数据与NDVI的相关性都达到极显著水平,且校正后产量数据与NDVI的相关系数比校正前提高了58.4%,产量数据的精度有明显改善。但是,校正后产量数据与NDVI的相关系数仍然不是很大,因为产量数据误差是由多方面原因造成的,除收割面积计算误差外,还有车辆行驶速度异常、作物流量异常、GPS信号漂移等系统误差和随机误差,该方法虽然可以校正由收割面积造成的产量数据误差,但并不能消除由其他原因造成的产量数据误差,所以校正后产量数据与NDVI的相关系数不是很大。2.2.4采样周期内收缩面积对异常产量的影响如图4a所示,校正前中间一列的产量明显比相邻列的产量要低得多,而根据作物的实际生长情况,相邻两列的作物产量不应该差别很大,从产量点的空间分布可以发现,这两列异常产量数据主要是由采样周期内有效收割面积的计算误差造成的。通过该方法校正后,消除了采样周期内收割面积计算误差,图4b中异常列的产量值比校正前明显提高,而这也更接近实际产量。从校正前后作物产量空间分布图可以看出,通