CN103760114A - 一种基于高光谱遥感的甘蔗糖分预测方法 - Google Patents
一种基于高光谱遥感的甘蔗糖分预测方法 Download PDFInfo
- Publication number
- CN103760114A CN103760114A CN201410039728.5A CN201410039728A CN103760114A CN 103760114 A CN103760114 A CN 103760114A CN 201410039728 A CN201410039728 A CN 201410039728A CN 103760114 A CN103760114 A CN 103760114A
- Authority
- CN
- China
- Prior art keywords
- sugar
- information
- data
- sugarcane
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 240000000111 Saccharum officinarum Species 0.000 title claims abstract description 82
- 235000007201 Saccharum officinarum Nutrition 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004458 analytical method Methods 0.000 claims abstract description 74
- 239000002689 soil Substances 0.000 claims description 48
- 238000001228 spectrum Methods 0.000 claims description 42
- 230000012010 growth Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 238000010183 spectrum analysis Methods 0.000 claims description 19
- 230000003595 spectral effect Effects 0.000 claims description 14
- 241000196324 Embryophyta Species 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 11
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 10
- 239000011707 mineral Substances 0.000 claims description 10
- 230000029553 photosynthesis Effects 0.000 claims description 10
- 238000010672 photosynthesis Methods 0.000 claims description 10
- 239000005416 organic matter Substances 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000003698 anagen phase Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000000151 deposition Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 238000007620 mathematical function Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 2
- 229930006000 Sucrose Natural products 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004016 soil organic matter Substances 0.000 description 2
- 239000005720 sucrose Substances 0.000 description 2
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于高光谱遥感的甘蔗糖分预测方法，包括以下步骤：步骤一，在管理中心平台上架设甘蔗糖分预测分析系统；步骤二，采集基础数据并传输给数据服务器中相应的信息库进行存储；步骤三，糖分预测建模模块读取数据服务器中相应的基础数据进行分析处理，然后建立相应的糖分预测模型并存储到预测模型库中；步骤四，糖分预测模型建立好后，甘蔗糖分预测分析系统开始对相应蔗区的糖分进行分析预测，输出砍运方案。该甘蔗糖分预测方法流程简单、使用方便、安全可靠。
Description
技术领域
本发明涉及一种农作物成分的分析预测方法，具体涉及了一种基于高光谱遥感的甘蔗糖分预测方法。
背景技术
高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，获取许多非常窄的光谱连续的影像数据的技术，可以收集到上百个非常窄的光谱波段信息。高光谱遥感是当前遥感技术的前沿领域，它利用很多很窄的电磁波波段从感兴趣的物体获得有关数据，包含了丰富的空间、辐射和光谱三重信息。该技术被广泛应用于地质调查、植被研究、灾害监测等领域。
甘蔗糖分预测是在蔗糖榨季生产之前，对新榨季的甘蔗蔗糖分进行预测。在生产上，每年的榨季开始前，糖厂都要进行榨季生产的准备工作，包括安排砍运、生产、准备辅料等。上级主管部门也要下达蔗糖生产任务与各项经济技术指标。上述工作都要依据于农务部门对蔗区甘蔗糖分的预测。因此这是蔗糖生产中的一个关键环节，对甘蔗的优化收割和蔗糖生产有重要影响。
已有的研究表明，气候因素（降雨量、日照程度、温度）、甘蔗品种与植期、土壤质量等因素对甘蔗糖分的影响较大。据此建立了多种糖分预测模型，如基于榨季的气象糖分预测模型，二次曲线模型、分段Logistic模型等。现有的模型多是针对某一个或两个影响因素进行研究，预测时有较大的局限性。且数据来源仅仅是某一区域的几个糖厂，甚至是某一个糖厂，基础数据没有普遍性。高光谱遥感的大面积数据采集，不受气候影响，不需人工干预，十分适用于农业数据的采集。而基于高光谱遥感的甘蔗糖分预测技术在国内还是空白，研究相关方法和技术具有重要的意义。
发明内容
本发明的目的在于针对现有技术应用领域的空白和功能不够全面的不足，提供了一种流程简单、使用方便、安全可靠的基于高光谱遥感的甘蔗糖分预测方法。
为了实现上述目的，本发明采用了以下技术方案：
一种基于高光谱遥感的甘蔗糖分预测方法，包括以下步骤：
步骤一，在管理中心平台上架设甘蔗糖分预测分析系统，该系统包括数据服务器、卫星信息接收模块、光谱分析模块、糖分预测建模模块和糖分预测模块；在数据服务器中设有遥感信息库、甘蔗信息库、糖分历史库、预测模型库和气候信息库；
步骤二，采集基础数据并传输给数据服务器中相应的信息库进行存储，包括通过卫星信息接收模块从遥感卫星地面接收站获取的蔗区的海量历史高光谱遥感数据（存入遥感信息库）、从蔗区所在地的气象站获取的气候信息（存入气候信息库）、由蔗区农业部门提供的甘蔗基本信息（存入甘蔗信息库）和由蔗区的各个糖厂提供的历史糖分数据（存入糖分历史库）；
步骤三，糖分预测建模模块读取数据服务器中相应的基础数据进行分析处理，然后建立相应的糖分预测模型并存储到预测模型库中，糖分预测模型包括基础糖分分析子模型、气候糖分分析子模型、土壤糖分分析子模型和环境糖分分析子模型；
步骤四，糖分预测模型建立好后，甘蔗糖分预测分析系统开始对相应蔗区的糖分进行分析预测，输出砍运方案；具体为：当榨季开始前，需要对糖分进行预测时，首先采集实时数据，包括由卫星信息接收模块从遥感卫星地面接收站获取最新的高光谱遥感数据和从蔗区所在地的气象站获取最新的气候信息；
（1）卫星信息接收模块将高光谱遥感数据传输给光谱分析模块进行分析处理，光谱分析模块计算出植被指数和土壤信息，包括归一化植被指数、叶面积指数、土壤的含水量、有机质含量和矿物质含量；然后传输给糖分预测模块；
（2）糖分预测模块从甘蔗信息库中提取出要预测相应蔗区的甘蔗基础信息，通过品种和植期计算出生长期和具体生长阶段，由归一化植被指数计算出种植密度，然后将甘蔗品种、植期、生长周期、种植密度和宿根年份输入基础糖分分析子模型，经由模型的分析处理出基础糖分预测值；
糖分预测模块从最新的气候信息中提取出昼夜温差、降雨量和光照度数据并输入到气候糖分分析子模型中，经过分析处理后得到气候糖分预测值；
糖分预测模块将土壤的含水量、有机质含量和矿物质含量输入土壤糖分分析子模型，分析处理出土壤糖分预测值；
糖分预测模块通过归一化植被指数与叶面积指数计算出光合作用量和辐射量，并将光合作用量和辐射量输入环境糖分分析子模型中，经过分析处理后得到环境糖分预测值；
（3）将（2）中的基础糖分预测值、气候糖分预测值、土壤糖分预测值和环境糖分预测值分别与各自对应的影响因子相乘，所得乘积进行求和，得到最终的糖分预测值；
（4）根据糖分预测值，结合历史糖分数据和生长期数据进行反演，得到获得最大糖分的最佳砍运时间，生成具体砍运方案，作为糖厂安排本榨季砍运工作的参考依据。
在上述预测方法中，各模型的分析处理过程如下：将模型所需的各项输入参数代入模型中的数学函数中，经过函数的四则运算、条件运算得出初步预测值，若该值与模型中预设的预测值范围出入太大，则通过误差修正对输入参数进行微调，再次送入模型进行处理，反复迭代直到结果值在合理的范围之内。
作为本发明的进一步说明，以上所述的卫星信息接收模块采用无线WiFi、GPRS通信或有线通信方式从遥感卫星地面接收站获取高光谱遥感数据。
作为本发明的进一步说明，以上所述的卫星信息接收模块接收到高光谱遥感数据后，原始数据一方面直接传输到遥感信息库中存档，一方面传输给光谱分析模块进行处理，提取特征数据（即通过选取有用的光谱信息分析计算出各种植被指数、土壤信息等），存入遥感信息库。
作为本发明的进一步说明，以上所述的光谱分析模块采用多种遥感图像分类监测方法对高光谱遥感数据进行处理，提取出特征数据，包括光谱信息、植被指数和土壤信息。
作为本发明的进一步说明，以上所述光谱分析模块采用的遥感图像分类监测方法包括光谱空间分析法、特征空间分析法、混合像元分解法、分层分区图像分类法、多时相分析方法和多源数据结合法。
本发明中光谱分析模块对高光谱遥感影像进行分类监测，采用光谱空间分析法、特征空间分析法、混合像元分解法、分层分区图像分类法、多时相分析方法和多源数据结合法等将影像中的特征数据提取出来。通过对原始波段进行各种代数运算能够得到各种光谱信息和植被指数，主要包括AVI（距平植被指数）、NDVI(归一化差值植被指数)、RVI(比值植被指数)、PVI（垂直植被指数）、DVI（差异植被指数）、GVI（绿度植被指数）、SAVI（土壤调节植被指数）、DVIEVI(差值环境植被指数)、VCI（条件植被指数）、TCI（条件温度指数）、NDTI（归一化温度指数）、VTCI（条件植被温度指数）和GVMI（全局植被湿度指数）等。分析出来的数据和结果存入遥感信息库中。
作为本发明的进一步说明，以上所述遥感信息库存放的信息包括原始的高光谱遥感数据和经过分析处理后得出的光谱信息、植被指数与土壤信息；所述甘蔗信息库存放的甘蔗基本信息包括甘蔗品种、植期、宿根年份、生长周期、种植密度和长势指数；所述气候信息库存放的气候信息包括昼夜温差、降雨量和光照度。
作为本发明的进一步说明，以上所述步骤四的（3）中的影响因子通过绘制甘蔗基础信息、气候、土壤和环境数据与糖分历史数据的特征曲线图，并以每条特征曲线的平均斜率作为该特征的影响因子。
作为本发明的进一步说明，以上所述步骤三中，糖分预测建模模块对基础数据的分析处理并进行建模时采用的建模方法包括差分方程法、数据拟合法、线性规划法和概率统计法。
本发明中糖分预测建模模块利用遥感数据、海量气候数据、甘蔗信息数据和糖分历史数据，采用多种建模方法如差分方程法、数据拟合法、线性规划法和概率统计法等建立目标函数，形成基础糖分分析子模型、气候糖分分析子模型、土壤糖分分析子模型和环境糖分分析子模型。通过分别绘制各影响因素与糖分历史数据的关系特征曲线并进行分析，确定各影响因素对糖分的影响大小，制定对应的影响因子，再将各子模型的预测值与影响因子的乘积进行求和，得到最终的糖分预测值。
本发明中的基础糖分分析子模型建立如下：经过大量历史数据分析结果表明，甘蔗糖分高低不仅与品种、植期、宿根年份等固有信息相关，还受种植密度和各生长期的长势所影响。因此基础糖分分析子模型的建立要从上述几个特征入手，找到与糖分的线性关系建立数学函数。首先从甘蔗信息库中获取甘蔗的品种、植期和宿根年份信息，通过品种信息可以得到生长周期持续时间。将甘蔗的生长周期划分为6个时期（蔗茎、花芽分化、孕穗、抽穗、开花和结实），不同的品种对于每个时期所用的生长时间是不同的。结合植期（春植、夏植、秋植和冬植）即可计算出目前该品种蔗所处的是哪个生长期。然后建立时序空间，通过遥感信息进行各个生长期的甘蔗长势分析，得到各生长期长势的优劣性指数。接着利用遥感信息分析出来的归一化植被指数NDVI定量估算甘蔗种植密度，求出象元的NDVI值与裸图区域的NDVI值之差，以及纯植被象元的NDVI值与裸图区域的NDVI值之差，两者的比值即为种植密度。将品种、植期、种植密度、长势指数和宿根年份数据作为模型的输入，糖分历史数据作为模型的输出，使用线性规划、神经网络训练等方式建立目标函数，形成基础糖分分析子模型。
本发明中气候糖分分析子模型建立如下：在大量的历史气候数据中选取天气状况、降雨量、风速、温度、湿度、昼夜温差、光照度等典型气候因子，结合糖分历史数据建立时序变化曲线图，发现对糖分影响最大的气候因素是昼夜温差、降雨量和光照度。因此用于作为气候糖分分析模型的输入参数。从气候信息库中获取大量昼夜温差、降雨量、光照度的历史数据，作为模型的输入，糖分历史数据作为模型的输出，经过反复的迭代、演算逐渐接近目标函数，根据历史数据的同化值修正各参数值（目标函数的系数），建立气候糖分分析模型。
本发明中土壤糖分分析子模型建立如下：实验表明，土壤质量和成分能够影响甘蔗的糖分高低。为了找出土壤特征与糖分的关系，必须先将土壤特征数据从高光谱遥感信息中提取出来。需要提取的土壤特征有土壤含水量、土壤有机质含量和土壤矿物质含量。首先在高光谱遥感信息中选择具有最小均方根误差的光谱波段，结合相对反射率法、一阶微分方法、差分方法对土壤含水量进行估算。然后进行土壤有机质含量的估算，利用光谱微分技术对部分反射光谱数值进行数学模拟，确定光谱曲线拐点。将事先测定好的土样有机质含量与光谱反射率数据进行相关分析，计算相关系数。利用反射率对数一阶微分方程建立回归方程，采用逐步回归分析法，建立土壤有机质预测方程。之后进行土壤矿物质含量估算，以光谱反射率(反射率倒数,反射率对数,反射率一阶微分等)作为自变量，土样矿物质含量作为因变量，运用多元线性回归、BP神经网络方法建立数学模型。最后，将土壤含水量、有机质含量和矿物质含量作为模型的输入，糖分历史数据作为模型的输出，不断进行反演迭代，得到土壤数据与糖分的关系，建立土壤糖分分析子模型。
本发明中环境糖分分析子模型建立如下：甘蔗的光合作用强度和效果对糖分高低具有较大影响作用，因此作为环境糖分分析的对象。将甘蔗叶面积指数（LAI）与吸收光合有效辐射（APAR）历史数据进行比对分析，建立函数关系式；由于甘蔗叶的光合特性、呼吸特性、空间配置都相等, 只是叶面积指数有差异, 因此可根据叶面积指数的大小表明群体光合曲线的变化状况；以归一化植被指数（NDVI）分别与叶面积指数、吸收光合有效辐射作图，找出两两之间的关联性。将估算出的光合作用量与辐射量作为模型的输入，糖分历史数据作为模型的输出，不断调整目标函数的参数，反演出环境糖分分析子模型。
本发明中甘蔗糖分预测分析系统各模块的连接关系：所述的卫星信息接收模块分别与光谱分析模块、遥感信息库相连接，所述的光谱分析模块与遥感信息库进行双向连接，所述的光谱分析模块、甘蔗信息库、糖分历史库、预测模型库、糖分预测模块和气候信息库分别与糖分预测建模模块相连接；所述的预测模型库与糖分预测模块相连接。
本发明的优点：
1. 使用高光谱遥感进行甘蔗生长环境数据的采集，覆盖面积广，无人值守，数据精确度高。
2.采用了基础糖分分析子模型、气候糖分分析子模型、土壤糖分分析子模型和环境糖分分析子模型，充分考虑到影响糖分变化的各个影响因素，提高了预测的准确度和科学性。
3.根据糖分预测结果给出砍运方案建议，为糖厂的生产决策提供参考依据。
附图说明
图1是本发明中采用的甘蔗糖分预测分析系统的结构框图。
图2是本发明中糖分预测模型的结构组图。
具体实施方式
下面结合附图和最佳实施例对本发明进一步说明，但是本发明的保护范围不局限于以下实施例。
实施例：
一种基于高光谱遥感的甘蔗糖分预测方法，包括以下步骤：
（1）架设甘蔗糖分预测分析系统
在管理中心平台上架设甘蔗糖分预测分析系统，该系统包括数据服务器、卫星信息接收模块、光谱分析模块、糖分预测建模模块和糖分预测模块；在数据服务器中设有遥感信息库、甘蔗信息库、糖分历史库、预测模型库和气候信息库。
（2）基础数据采集
作为糖分预测建模的依据，需要采集蔗区的海量历史高光谱遥感数据、气候数据、所种甘蔗的基础数据、每个榨季的甘蔗糖分数据等。采集的频率以植期与生长期为依据，每隔15天进行一次高光谱遥感数据与气候数据的采集。高光谱遥感数据由卫星信息接收模块从遥感卫星地面接收站取得，原始信息一方面送入遥感信息库中存档，一方面送入光谱分析模块进行处理，提取出有用的光谱信息并分析计算出各种植被指数、土壤信息，存入遥感信息库。气候数据由蔗区气象站提供，包括每日的昼夜温差、降雨量和光照度，存入海量气候信息库。甘蔗基础数据由蔗区农业部门提供，包括各个地块历史上种植的甘蔗品种、植期、宿根年份，存入甘蔗信息库。历史糖分数据由蔗区的各个糖厂提供，存入糖分历史库。
（3）糖分预测建模
糖分预测建模模块读取数据服务器中相应的基础数据进行分析处理，然后建立相应的糖分预测模型并存储到预测模型库中，糖分预测模型包括基础糖分分析子模型、气候糖分分析子模型、土壤糖分分析子模型和环境糖分分析子模型。
基础糖分分析子模型的输入参数是甘蔗品种、植期、宿根年份、生长周期、种植密度和长势指数，其中前四个参数值可以从甘蔗信息库中直接获取，后两个参数通过对遥感信息的分析处理得到。气候糖分分析子模型的输入参数是昼夜温差、降雨量和光照度，均可以从海里气候信息库中直接获取。土壤糖分分析子模型的输入参数是土壤含水量、有机质含量和矿物质含量，均通过对遥感信息的分析处理获得。环境糖分分析子模型的输入参数是光合作用量和辐射量，也是通过对遥感信息的分析获得。各子模型的输出都是对应时期的糖分历史数据，从糖分历史信息库中直接获取。准备好各子模型的输入和输出数据后，即采用线性规划、神经网络、微分方程等建模手段，不断迭代与反演，逐步修正目标函数的各系数，建立高拟合度的四个糖分分析子模型。通过绘制甘蔗基础信息、气候、土壤和环境数据与糖分历史数据的特征曲线图，并比较特征曲线的弯曲度和斜率，确定各因素的影响因子。
（4）实时数据采集与糖分预测
当榨季开始前，需要对糖分进行预测时，首先由卫星信息接收模块从遥感卫星地面接收站获取最新的遥感数据，通过光谱分析模块将合适的波段剥离出来，计算出各种植被指数，尤其是归一化植被指数、叶面积指数等。从甘蔗信息库中提取出要预测地块的甘蔗基础信息，通过品种和植期计算出生长期和具体生长阶段，由归一化植被指数计算出种植密度。将甘蔗品种、植期、生长周期、种植密度和宿根年份输入基础糖分分析子模型，经由模型的分析处理出基础糖分预测值。从海量气候信息库中提取出昼夜温差、降雨量和光照度数据，输入气候分析模型，经过模型的处理得到气候糖分预测值。使用遥感植被指数根据已推导出的各数学函数分别计算出土壤的含水量、有机质含量和矿物质含量，输入土壤糖分分析子模型，分析处理出土壤糖分预测值。通过归一化植被指数和叶面积指数估算出光合作用量和辐射量，输入环境糖分分析子模型，估算出环境糖分预测值。将四个预测值分别与各自对应的影响因子相乘，所得乘积进行求和，得到最终的糖分预测值。
（5）砍运方案生成
根据糖分预测值，结合历史糖分数据和生长期数据进行反演，得到获得最大糖分的最佳砍运时间，生成具体砍运方案，作为糖厂安排本榨季砍运工作的参考依据。
Claims (8)
1. 一种基于高光谱遥感的甘蔗糖分预测方法，其特征在于，包括以下步骤：
步骤一，在管理中心平台上架设甘蔗糖分预测分析系统，该系统包括数据服务器、卫星信息接收模块、光谱分析模块、糖分预测建模模块和糖分预测模块；在数据服务器中设有遥感信息库、甘蔗信息库、糖分历史库、预测模型库和气候信息库；
步骤二，采集基础数据并传输给数据服务器中相应的信息库进行存储；所述的基础数据包括通过卫星信息接收模块从遥感卫星地面接收站获取的蔗区的海量历史高光谱遥感数据、从蔗区所在地的气象站获取的气候信息、由蔗区农业部门提供的甘蔗基本信息和由蔗区的各个糖厂提供的历史糖分数据；
步骤三，糖分预测建模模块读取数据服务器中相应的基础数据进行分析处理，然后建立相应的糖分预测模型并存储到预测模型库中，糖分预测模型包括基础糖分分析子模型、气候糖分分析子模型、土壤糖分分析子模型和环境糖分分析子模型；
步骤四，糖分预测模型建立好后，甘蔗糖分预测分析系统开始对相应蔗区的糖分进行分析预测，输出砍运方案；具体为：当榨季开始前，需要对糖分进行预测时，首先采集实时数据，包括由卫星信息接收模块从遥感卫星地面接收站获取最新的高光谱遥感数据和从蔗区所在地的气象站获取最新的气候信息；
（1）卫星信息接收模块将高光谱遥感数据传输给光谱分析模块进行分析处理，光谱分析模块计算出植被指数和土壤信息，包括归一化植被指数、叶面积指数、土壤的含水量、有机质含量和矿物质含量；然后传输给糖分预测模块；
（2）糖分预测模块从甘蔗信息库中提取出要预测相应蔗区的甘蔗基础信息，通过品种和植期计算出生长期和具体生长阶段，由归一化植被指数计算出种植密度，然后将甘蔗品种、植期、生长周期、种植密度和宿根年份输入基础糖分分析子模型，经由模型的分析处理出基础糖分预测值；
糖分预测模块从最新的气候信息中提取出昼夜温差、降雨量和光照度数据并输入到气候糖分分析子模型中，经过分析处理后得到气候糖分预测值；
糖分预测模块将土壤的含水量、有机质含量和矿物质含量输入土壤糖分分析子模型，分析处理出土壤糖分预测值；
糖分预测模块通过归一化植被指数与叶面积指数计算出光合作用量和辐射量，并将光合作用量和辐射量输入环境糖分分析子模型中，经过分析处理后得到环境糖分预测值；
（3）将（2）中的基础糖分预测值、气候糖分预测值、土壤糖分预测值和环境糖分预测值分别与各自对应的影响因子相乘，所得乘积进行求和，得到最终的糖分预测值；
（4）根据糖分预测值，结合历史糖分数据和生长期数据进行反演，得到获得最大糖分的最佳砍运时间，生成具体砍运方案，作为糖厂安排本榨季砍运工作的参考依据。
2. 根据权利要求1所述的基于高光谱遥感的甘蔗糖分预测方法，其特征在于：所述的卫星信息接收模块采用无线WiFi、GPRS通信或有线通信方式从遥感卫星地面接收站获取高光谱遥感数据。
3. 根据权利要求1或2所述的基于高光谱遥感的甘蔗糖分预测方法，其特征在于：所述的卫星信息接收模块接收到高光谱遥感数据后，原始数据一方面直接传输到遥感信息库中存档，一方面传输给光谱分析模块进行处理，提取特征数据，存入遥感信息库。
4. 根据权利要求3所述的基于高光谱遥感的甘蔗糖分预测方法，其特征在于：所述的光谱分析模块采用多种遥感图像分类监测方法对高光谱遥感数据进行处理，提取出特征数据，包括光谱信息、植被指数和土壤信息。
5. 根据权利要求4所述的基于高光谱遥感的甘蔗糖分预测方法，其特征在于：所述光谱分析模块采用的遥感图像分类监测方法包括光谱空间分析法、特征空间分析法、混合像元分解法、分层分区图像分类法、多时相分析方法和多源数据结合法。
6. 根据权利要求1所述的基于高光谱遥感的甘蔗糖分预测方法，其特征在于：所述遥感信息库存放的信息包括原始的高光谱遥感数据和经过分析处理后得出的光谱信息、植被指数与土壤信息；所述甘蔗信息库存放的甘蔗基本信息包括甘蔗品种、植期、宿根年份、生长周期、种植密度和长势指数；所述气候信息库存放的气候信息包括昼夜温差、降雨量和光照度。
7. 根据权利要求1所述的基于高光谱遥感的甘蔗糖分预测方法，其特征在于：所述步骤三中，糖分预测建模模块对基础数据的分析处理并进行建模时采用的建模方法包括差分方程法、数据拟合法、线性规划法和概率统计法。
8. 根据权利要求1所述的基于高光谱遥感的甘蔗糖分预测方法，其特征在于：所述步骤四的（3）中的影响因子通过绘制甘蔗基础信息、气候、土壤和环境数据与糖分历史数据的特征曲线图，并以每条特征曲线的平均斜率作为该特征的影响因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410039728.5A CN103760114B (zh) | 2014-01-27 | 2014-01-27 | 一种基于高光谱遥感的甘蔗糖分预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410039728.5A CN103760114B (zh) | 2014-01-27 | 2014-01-27 | 一种基于高光谱遥感的甘蔗糖分预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103760114A true CN103760114A (zh) | 2014-04-30 |
| CN103760114B CN103760114B (zh) | 2016-06-08 |
Family
ID=50527389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410039728.5A Active CN103760114B (zh) | 2014-01-27 | 2014-01-27 | 一种基于高光谱遥感的甘蔗糖分预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103760114B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105181606A (zh) * | 2015-08-28 | 2015-12-23 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 |
| CN106357737A (zh) * | 2016-08-26 | 2017-01-25 | 合肥若涵信智能工程有限公司 | 农业物联网信息采集系统 |
| CN106570576A (zh) * | 2016-09-29 | 2017-04-19 | 深圳智盛信息技术股份有限公司 | 数据预测方法及预测装置 |
| CN108537399A (zh) * | 2017-03-02 | 2018-09-14 | 华为技术有限公司 | 一种物料需求量的预测方法及装置 |
| CN111854831A (zh) * | 2019-09-24 | 2020-10-30 | 王跃 | 基于大数据的智能化、自动化农业数据采集系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1837787A (zh) * | 2006-04-19 | 2006-09-27 | 南京大学 | 一种无损伤精准测定棉花生物物理参数的方法 |
| CN101393154A (zh) * | 2008-10-31 | 2009-03-25 | 华南理工大学 | 一种微量糖分的检测装置及其方法 |
| WO2010132731A1 (en) * | 2009-05-14 | 2010-11-18 | Lightner Jonathan E | Inverse modeling for characteristic prediction from multi-spectral and hyper-spectral remote sensed datasets |
| CA2852001A1 (en) * | 2011-10-13 | 2013-04-18 | James Janni | Precision phenotyping using score space proximity analysis |
| CN103398957A (zh) * | 2013-08-12 | 2013-11-20 | 河海大学 | 基于高光谱与激光雷达提取叶面积垂直分布的方法 |
-
2014
- 2014-01-27 CN CN201410039728.5A patent/CN103760114B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1837787A (zh) * | 2006-04-19 | 2006-09-27 | 南京大学 | 一种无损伤精准测定棉花生物物理参数的方法 |
| CN101393154A (zh) * | 2008-10-31 | 2009-03-25 | 华南理工大学 | 一种微量糖分的检测装置及其方法 |
| WO2010132731A1 (en) * | 2009-05-14 | 2010-11-18 | Lightner Jonathan E | Inverse modeling for characteristic prediction from multi-spectral and hyper-spectral remote sensed datasets |
| CA2852001A1 (en) * | 2011-10-13 | 2013-04-18 | James Janni | Precision phenotyping using score space proximity analysis |
| CN103398957A (zh) * | 2013-08-12 | 2013-11-20 | 河海大学 | 基于高光谱与激光雷达提取叶面积垂直分布的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张峰等: "甘蔗糖分预测模型的探讨", 《广西农业科学》 * |
| 谭宗琨: "榨季蔗糖分预报方法的研究", 《广西气象》 * |
| 谭宗琨: "甘蔗糖分含量动态变化与气象条件关系及榨季蔗糖分预报方法的研究", 《中国农业气象》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105181606A (zh) * | 2015-08-28 | 2015-12-23 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 |
| CN106357737A (zh) * | 2016-08-26 | 2017-01-25 | 合肥若涵信智能工程有限公司 | 农业物联网信息采集系统 |
| CN106357737B (zh) * | 2016-08-26 | 2019-10-01 | 合肥若涵信智能工程有限公司 | 农业物联网信息采集系统 |
| CN106570576A (zh) * | 2016-09-29 | 2017-04-19 | 深圳智盛信息技术股份有限公司 | 数据预测方法及预测装置 |
| CN108537399A (zh) * | 2017-03-02 | 2018-09-14 | 华为技术有限公司 | 一种物料需求量的预测方法及装置 |
| CN111854831A (zh) * | 2019-09-24 | 2020-10-30 | 王跃 | 基于大数据的智能化、自动化农业数据采集系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103760114B (zh) | 2016-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Knipper et al. | Evapotranspiration estimates derived using thermal-based satellite remote sensing and data fusion for irrigation management in California vineyards | |
| EP3211987B1 (en) | Method for providing a three-dimensional assessment of water movement through soil and across a field and associated system | |
| Rojas | Operational maize yield model development and validation based on remote sensing and agro‐meteorological data in Kenya | |
| CN109982559A (zh) | 控制农业生产区域 | |
| CN110956381A (zh) | 一种远程农业信息智能分析系统及农业环境调控方法 | |
| Wilson et al. | Relationships between soil water content, evapotranspiration, and irrigation measurements in a California drip-irrigated Pinot noir vineyard | |
| CN103761674A (zh) | 基于遥感与海量气候信息的农作物生长期告警与干预方法 | |
| CN106951979A (zh) | 遥感、作物模型与气象预报融合的作物成熟期预测方法 | |
| Shuai et al. | Daily MODIS 500 m reflectance anisotropy direct broadcast (DB) products for monitoring vegetation phenology dynamics | |
| Ma et al. | Wheat growth monitoring and yield estimation based on remote sensing data assimilation into the SAFY crop growth model | |
| CN103760114A (zh) | 一种基于高光谱遥感的甘蔗糖分预测方法 | |
| Chen et al. | Retrieval of cotton plant water content by UAV-based vegetation supply water index (VSWI) | |
| CN110930048A (zh) | 一种基于成灾机理过程的农作物干旱风险评估系统及方法 | |
| WO2018107245A1 (en) | Detection of environmental conditions | |
| CN112819227B (zh) | 一种县级尺度冬小麦单产预测方法及系统 | |
| CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
| Saito et al. | Evaluation of biases in JRA-25/JCDAS precipitation and their impact on the global terrestrial carbon balance | |
| Hassan et al. | Modeling and monitoring wheat crop yield using geospatial techniques: a case study of Potohar region, Pakistan | |
| Mutanga et al. | Determining the best optimum time for predicting sugarcane yield using hyper-temporal satellite imagery | |
| CN103760113B (zh) | 高光谱遥感甘蔗糖分分析装置 | |
| Alavi et al. | Estimation of sugarcane evapotranspiration from remote sensing and limited meteorological variables using machine learning models | |
| CN118153802A (zh) | 遥感与多环境因素耦合的小麦关键物候期预测方法及装置 | |
| Guo et al. | A novel transformer-based neural network under model interpretability for improving wheat yield estimation using remotely sensed multi-variables | |
| Sivakumar et al. | Agricultural drought indices: summary and recommendations | |
| Rouze et al. | Evaluating unoccupied aerial systems (UAS) imagery as an alternative tool towards cotton-based management zones |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| ASS | Succession or assignment of patent right |
Free format text: FORMER OWNER: GUANGXI KAXIYA TECHNOLOGY CO., LTD. Effective date: 20150423 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20150423 Address after: 530007 Department of computer science, Guangxi Economic Management Cadre College, 105 East University Road, the Guangxi Zhuang Autonomous Region, Nanning Applicant after: Lin Xingzhi Address before: 530007 Department of computer science, Guangxi Economic Management Cadre College, 105 East University Road, the Guangxi Zhuang Autonomous Region, Nanning Applicant before: Lin Xingzhi Applicant before: Card West Asia, Guangxi Science and Technology Ltd. |
|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |