CN108732129B - 一种用图像表示农田土壤成分的系统及其方法 - Google Patents
一种用图像表示农田土壤成分的系统及其方法 Download PDFInfo
- Publication number
- CN108732129B CN108732129B CN201810752896.7A CN201810752896A CN108732129B CN 108732129 B CN108732129 B CN 108732129B CN 201810752896 A CN201810752896 A CN 201810752896A CN 108732129 B CN108732129 B CN 108732129B
- Authority
- CN
- China
- Prior art keywords
- soil
- data
- image
- multispectral
- collection
- 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.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 374
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 68
- 238000012937 correction Methods 0.000 claims abstract description 15
- 238000009533 lab test Methods 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims description 43
- 239000005416 organic matter Substances 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000000701 chemical imaging Methods 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 14
- 238000013439 planning Methods 0.000 claims description 10
- 239000000470 constituent Substances 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 37
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000006798 recombination Effects 0.000 description 5
- 238000005215 recombination Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000009313 farming Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005341 cation exchange Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000001139 pH measurement Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000004016 soil organic matter Substances 0.000 description 2
- 238000005527 soil sampling Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- ZSLUVFAKFWKJRC-IGMARMGPSA-N 232Th Chemical compound [232Th] ZSLUVFAKFWKJRC-IGMARMGPSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 241001116459 Sequoia Species 0.000 description 1
- 229910052776 Thorium Inorganic materials 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052792 caesium Inorganic materials 0.000 description 1
- TVFDJXOCXUVLDH-UHFFFAOYSA-N caesium atom Chemical compound [Cs] TVFDJXOCXUVLDH-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- -1 hydrogen ions Chemical class 0.000 description 1
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 229910052618 mica group Inorganic materials 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000013031 physical testing Methods 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910052594 sapphire Inorganic materials 0.000 description 1
- 239000010980 sapphire Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012956 testing procedure Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用图像表示农田土壤成分的系统及其方法，该系统以面代点快速采集检测土壤成分，检测能力包括土壤有机质OM、pH值和电导率EC。结合使用移动车载土样采集检测方法和安装在螺旋翼或专业固定翼无人机上的多光谱传感器的遥感采集方法，有选择的使用固定土壤基站实时采集上传，传统土壤定点采集实验室化验的方法作为偏差矫正。通过云端数据库(农事地块信息，历史数据，以及气候参数)，云计算搭建数学建模(基于云端数据库的信息进行迭代学习)，提供光谱图表示土壤成分的偏差矫正依据。通过遥感光谱图代替传统采集检测土壤成分的系统和方法提高土壤采集效率，降低土壤检测成本，最终以快速采集检测土壤成分的方式达到实时获取数据。
Description
技术领域
本发明涉及数据采集和图像重组，映射技术领域，该应用涉及采集检测土壤数据,如有机质OM、电导率EC和pH值，以及快速采集检测土壤成分，和用重组图像表示土壤成分数据，具体涉及一种用图像表示农田土壤成分的系统及其方法。
背景技术
土壤是一种复杂的，变化的，动态的和具有生态的组合成分，而且每一个地理位置都有它的“独特性”。土壤的变化可以是退化，也可以是被很好地管理而更加肥沃。土壤通过气候和水域直接影响环境。对土壤生态的系统了解是设计和管理土壤的长期肥力，农作物种植能力，环境质量得以维持的关键部分。许多生物，化学和物理因素决定了土壤质量。通过测量其中一些成分，确定他们如何在农业环境中有效管理，是建立评估土壤健康状态和对周边水域质量的基础。农民特别感兴趣的三种成分是土壤pH值、有机质OM和电导率EC。
土壤pH值是测定水中土壤溶液中氢离子(H+)活性的尺度，具体定义为氢离子浓度的-log10。土壤pH值的上升或下降取决于一系列因素的影响，包括耕作做法。如果这些影响的结果，土壤pH值低于或高于某些最佳水平的生物和化学活动，土壤的生产力将变得少得多。
有机质OM在土壤生态系统中起着重要作用，对可持续农业具有重要意义。有机质是土壤质量的最佳指标之一，特别是当土壤在一段时间内可以观察到的时候。精度高的测量土壤有机含量精度要求高精的设备，涉及先进技术。
最后，土壤电导率EC是与影响作物生产力的土壤性质相关的测量，包括土壤质地、阳离子交换能力CEC、排水条件、有机质水平、盐度和底土特征。
采集土壤、检测与上述三个成分相关的土壤属性数据可能非常昂贵而且耗时，尽管信息非常重要，但由于高成本和耗时间，许多场合无法及时采集检测，这是农业生态管理中已知和日益增长的问题。
据文献调研，包括正在开发中的，目前有四种检测土壤成分的方法。这四种方法或系统中直接或间接都使用了基于云的数据库，既可以在不同的情况下积累检测到的数据，也可以建立映射校准的模型。这四种土壤检测方法是：
1.人工从田间采集土壤样品，并在土壤实验室检查获得OM、EC和pH值数据。这些结果可以上传到云端数据库，并与采样位置(GPS)、行政区域，地块位置和编号关联。
2.使用多个固定基站自动获取土壤样品，每台都装有移动发射机(3G/4G)。土壤数据是通过基站延伸嵌入土壤传感器获取，并基站传送到一个云端数据库。数据包括每个基站的地理位置和坐标。
3.美国Veris Technologies(Salina，KS，USA)制造和销售的移动车载土样检测采集系统MSPTM和MSP3TM可以在运行中采集检测(http://www.veristech.com/the-sensors/msp)。移动车载系统通过农场拖拉机在农田里移动采集检测，车载OM，EC和pH传感器模块在MSPTM允许用户实时获取数据。车载系统上计算机控制软件允许用户根据农地情况设计采集路线和间隔，因为每一个采集点都有它的经纬度，采集结果很容易影射到一个点阵。形成图像，便于吻合到地块(见图9)。数据可以传送到云端数据库，以便进一步校准和分析。
4.SoilOptix Technologies
(http://www.practicalprecision.ca/solutions/soiloptix/)目前市场上提供的接收土壤Gammar射线传感器检测土壤成分系统。该系统安装在全地形越野车的前端。传感器系统测量存在于土壤中的多能量级Gammar射线而转换成，或换算成土壤成分。能量级包括Ranium，Potassium-40，Thorium和Cesium。采集的数据和利用辐射能量的变化重组土壤成分(物理结构)图像，有助于人工土样采集点(实验室检测)的规划。通过土壤实验室检测结果，重组一组土壤纹理图，表示土壤中的氮、磷、钾、OM、pH值。
第一和第二个获取土壤样流程采用定点定位采集土壤样的方法。手工取样需要经验,经验以确定土壤样(和可能的平均多土样采集点)质量。送往土壤实验室检测是一个以天或者星期为单位的操作过程。相对应，自动采集土样数据实时上传到云端数据库，获取数据可以分钟为单位。采用传感器和相关设备，采集可能会有更高的维护成本，而且对于数据收集，尤其是在大面积土地检测，可能是一种缓慢、低效、高成本的方法。虽然这两种方法都在实践中，但两者都存在速度，效率和成本的问题。对于大面积土壤采集检测，以面代点表示土壤成分，上述两种方法都没有解决土壤采集、检测、图像重组、影射等相关问题。
MSPTM(上述第三项)是由美国Veris Technologies制造的产品。该装置是通过把土壤检测传感器安装在车载平台，达到移动采集检测效果。需要有限数量的土壤样本实验室检测结果校准，它可以产生相当准确的OM，EC和pH值测量。
SoilOptixTM(上述第四项)的设计是用一个车载传感器收集从土壤表层(大约12英寸的土壤内)释放出的伽玛(Gammar)射线成像辅助规划土样采集。然而由于土壤中伽玛(Gammar)的能量极低，需要大量的土壤样本和实验室检测结果来提供足够的数据使得重组图像表示土壤成分成为可能。依靠安装在越野车前端的传感器系统收集从土壤中散射出的能量(而成像)，这个采集过程非常缓慢，覆盖面积也受耕地地形限制、天气、和车速。
发明内容
本发明的目的在于提供一种用图像表示农田土壤成分的系统及其方法，用以解决现有技术，对于大面积土壤采集检测，以面代点表示土壤成分，均没有解决土壤采集、检测、图像重组、影射等相关问题。
为实现上述目的，本发明提供一种用图像表示农田土壤成分的系统，所述系统包括：一种多光谱图像成像系统，用于生成具有设定区域的多光谱图像，以及具有多个可分辨区域的多光谱图像；一种移动式土壤传感器系统，所述移动式土壤传感器系统包括连接到车辆上的接头和必要的液压接口，允许将传感器系统移到另一个地块或者区域，即作为系统在另一个陆地区域上移动的土壤采集机制，它拥有一个GPS模块，用于确定每个土壤样本的位置，至少是第一个土壤传感器，用于确定每个土样的成分或确定每个土样的属性，以及记录土样的成分和位置作为土壤数据的记忆体，其中另一个地块区域完全位于第一地块区域之外；一种数据库，用于收集和储存来自移动式土壤传感器系统数据库的土壤数据，用于收集光谱图像成像系统产生的图像，同时存储土壤实验室检测数据，定点基站实时上传数据，包括非土壤数据，所述非土壤数据包括环境气象；和数据库相连的计算系统，并配置为使用移动式土壤传感器系统中的土壤数据生成以少数点阵完成大面积光谱图像表示土壤成分的硬件软件模块，其计算系统包括：一种相关系统，用于将至少一个点阵对准多光谱图像的相应部分，并将土壤数据与相应部分的可见区域相关联，以创建该部分光谱图像点阵严格的对应关系；和一种插补系统，用于将土壤成分分配给非点阵所覆盖的区域，其中，指定的土壤成分基于光谱图像区域。
可选地，所述系统还包括无人飞行器/无人机，所述无人飞行器/无人机飞行在一个需要光谱成像的区域，配置有光传感器的所述多光谱图像成像系统安装到所述无人飞行器/无人机上。
可选地，所述无人机包括螺旋翼，固定机翼中的至少一项。
可选地，所述多光谱图像成像系统还包括多光谱成像相机，所述多光谱成像相机连接到无人机上。
可选地，所述土壤成分确定是有机质OM，电导率EC和pH值。
可选地，所述系统还包括至少一个定点土壤采集基站，该基站的位置至少应在指定点阵区域或附近，该基站应定时、连续上传其位置的土壤相关信息，以及对应于采集时间的环境、天气数据。
可选地，所述系统还包括一个土壤实验室，所述土壤实验室用以分析从指定地点采集的土样，确定每个土样的土壤成分，并记录土壤成分作为校准数据，其中，所述校准数据用于校准本系统用其他方法采集表示的土壤成分，以确保产生准确的土壤数据。
可选地，所述准确的土壤数据用于生产至少一个点阵的土壤成分。
可选地，所述系统还包括多个基站，一个所述基站布置在对应于多光谱图像可分辨区域内，而基站对应关系是可以跨光谱图区域。
与上述系统相匹配，本发明另一方面提供一种用图像表示农田土壤成分的方法，所述方法包括以下步骤：获取整个地块的多光谱图像，如一块属于个体、单一种植的耕地；通过将移动式土壤传感器系统在该农田中的地块实施移动采集，获取原始土壤成分数据组，或一串采集点数据，其中，地块小于农田；重建原始土壤成分数据组或一串采集点数据为一点阵；将点阵及其土壤成分数据与多光谱图像的像素相关联；和利用光谱图像，结合部分关联的点阵所表示的土壤成分数据，或原始数据，推算整个光谱图像所反映的土壤成分。
可选地，所述方法还包括：在使用相关点阵和其它参数，其它参数包括原始数据，结合光谱图推算土壤成分的关系之前，重复获取、构造和关联其他地域地块的步骤。
可选地，所述获取整个地块的多光谱图像的步骤具体包括：操作装有多光谱成像摄像机的无人驾驶的飞行器，该操作至少包括飞行航线规划，控制软件设置中的一项或两项；该飞行器飞行覆盖指定农田和区域；根据所述多光谱成像摄像机的视角拍摄该领域的足够多的图像；和从多个图像重组出一张多光谱图像。
可选地，所述土壤成分包括有机质OM，电导率EC和pH值。
可选地，获得在不同的时间段内的多光谱图像和获取原始土壤成分、点阵数据的步骤。
可选地，所述方法还包括：将获得不同的时间段的多光谱图像和获取原始土壤成分、点阵数据的步骤整合成同步的方法。
可选地，所述同步步骤包括以下步骤：安装土壤基站在指定田间区域；在一个时间跨度内设定采集间隔，使土壤基站按时上传土壤数据；该基站可以测试、上传、获取土壤成分以外数据；确定在时间跨度内获取的土壤数据的校正值；和将校正值应用于获取原始土壤成分、点阵数据，以光谱图像因时间而带来的偏差。
可选地，所述方法还包括：对点阵数据进行校准的步骤。
可选地，所述对点阵数据进行校准的步骤包括：在采集现场根据规划，在指定地点获取土样；获取上述土样的检测结果；和根据确定区域内的规划点的检测结果，审查点阵数据；和如果差异明显，修正点阵数据。
一般来说，一个用光谱图像反映土壤成分的快速采集检测系统包括一个多光谱图像映射系统(无人机载体和多光谱传感器)，一个移动采集检测土壤传感器系统，一个云端数据库用来收集和存储从移动采集系统上传的土壤数据，和用无人机遥感采集的多光谱图像，以及为土壤数据、图像，分析、处理、建模需要的计算机系统(云计算)。
更具体地说，无人机携带多光谱传感器，考虑飞行速度和视野的限制，最终光谱图是由成百上千张相互重叠的光谱图根据经纬度和像素精度重组而成。特定检测地块可视为该光谱图中的感兴趣区域。移动车载土壤传感器采集检测系统在指定地块(感兴趣区域)，通过拖拉机牵引，移动间隔周期性(比如每十米)采集土样、检测该土样位置土壤成分，系统用一个GPS模块来确定每个土样或检测结果的地理位置，用于确定每个土样所需的部分属性，存入土壤数据。计算机系统根据检测土样结果和该土样地理位置(经纬度)重组该地块由移动车载设备采集土样检测结果组成点阵。
在实施过程中，计算系统根据移动车载采集系统生成的对应某地块点阵，结合该点阵经伟度，确定对应无人机遥感采集光谱图中的感兴趣区域。该光谱图感兴趣区域因和地块点阵区域吻合。光谱图的每一个像素点可通过二维差分法从点阵中临近四个点获得。进一步，计算系统可根据地块属性，历史数据，农事等信息进行分类，建模最终换算光谱图中某感兴趣区域的土壤成分，从而减少移动车载采集的覆盖面，提高效率，降低成本。
考虑到无人机遥感采集系统和移动车载采集系统处于不同的时空，有着巨大的速度差异。采集环境如日照，气候等因素变得不可忽视。该系统包括至少一个固定基站土壤实时采集点,确保土壤采集结果和时间，日照，气候等因素相关。此外，还利用土壤实验室对特定车载采集地块中有规划性的采集几个土样点，进行检测。检测结果作为标准数据，用来矫正车载点阵土壤(由传感器检测)成分的数据。
本发明具有如下优点：本发明提供了一种用图像表示农田土壤成分的系统及其方法，在土壤快速采集检测操作和有效性方面，通过以面代点、用图像反映土壤成分上，解决了包括现有技术存在的许多土壤检测中的实际问题，体现出优势。本发明采用无人飞行器或无人机，带有多光谱接收传感器，用于扫描接收的土壤，根据土壤物理结构和成分对不同光谱吸收反射差异成像。该系统还使用MSP来获取以点阵形式表示的土壤数据，该点阵形式是根据每个采集点的经纬度获得的，该数据可通过少量、有选择的，人为采集、实验室检测结果矫正。最后通过数学模型计算把移动采集土壤数据和光谱图像像素关联，即使用基于光谱图像测量的预定位置的土样结果进行校准。达到用光谱图像体现土壤成分。包括土壤OM、EC、和pH值。
附图说明
为便于对寻求保护内容的理解，所附的图解说明有助于连接相关内容，说明保护的主题，其运作，最终易于理解作者的动机，解决问题的方法。
图1描述了传统土壤样品实验室检测方法，和基站土壤采集上传云端以及，可能的分析处理方法；
图2描述了具有综合集成车载移动土壤采集和无人机携带多光谱检测土壤成像的系统；
图3A展示了用小型无人飞行器(无人机)，配置了一个空中检测体系，其中包括Mica-sense Sequoia近红外摄像机、光传感器适配器、RC发射机和GPS用于扫描和重组光谱图像的实施方案；
图3B显示携带有多光谱传感器扫描成像的无人机的系统；
图3C显示在农田上空飞行时无人机用多光谱传感器扫描成像的光谱图像；
图4展示了车载移动土壤采集系统(MSP)。每个采集点都绑定GPS坐标，从而可以把采集点重组成点阵；
图5显示使用行政地址，结合经度和纬度(GPS)在
地图上找到的指定地块，并使用边界点参考实际地块地理位置勾勒出指定的地块形状；
图6显示了多光谱传感器扫描成像、对应车载移动土壤连续采集而生成的检验结果点阵，以传统土壤采集、实验室检测结果作为偏差矫正相结合，通过迭代学习，借用大数据分析、处理、建模，最终以图像表示土壤成分的系统流程图；
图7是一个地块的“三视图”，(a)鸟瞰图(可见光照片)，(b)由车载移动土壤采集检验结果点阵(OM，EC，pH)，(c)多光谱图像(近红外)；
图8是一个广域的可视图像，其中包括多个局部离散分布光谱图；
图9是三个由车载移动土壤采集数据点阵的效果图，分别表示(a)OM、(b)EC和(c)pH值；
图10是基于大数据，云计算，互联网构建土壤快速采集检测方案系统实施框架图。
具体实施方式
本发明可以多种不同形式的表述方法体现，在此以图解的方式详细描述本发明的具体内容，并明确本发明的主要原则和例证。同时不打算将本发明的普遍性限制在此描述中。
实施例1
首先针对图1的系统，传统土壤检测系统10通过土壤基站12，土壤实验室14检测土壤成分。土壤基站12利用移动3G/4G上传采集数据。信息平台16负责解析上传各类传感器数据，并存入大数据库18。通过云计算分析和处理(偏差矫正)数据分析20，使其最终反映土壤成分。土壤基站12固定在有代表性的农地，实时采集土壤数据。土壤实验室14测试每个土样，将检测结果(数据)存储在大数据库18中。结合其他数据可作进一步分析。
利用物联网(IOT)和信息技术，土壤基站12可以分布设置到指定位置(农地)，实时采集上传数据到基于大数据库18。但其仍然是定点采集检测，布置采集点必须考虑成本、运输、组装、调试、和运维。其覆盖面积影响到采集精度，多则导致对农业有侵扰性和费用。同时基站土壤传感器具有化学和物理成分，采集偏差受环境、时间影响，需要定期维护；这些阻碍了土壤基站12的广泛应用。
土壤实验室14能有效、准确地检测土壤中的各种成分。然而土壤实验室14依靠准确，规范的定点采集，实验室检测流程包括预处理、化学反应、物理检测，需要长时间的处理过程。任何一个土样的检测都是以星期如果不是月来计算时间。加上实验室的地理分布，物流也成为检测流程的一部分。
土壤基站12和土壤实验室14的共性是定点采集。以一点的检测结果表示一块农地的土壤成分。一个采集点(又称农化点，可以是以多点的平均值)代表整个农田，例如,数以百亩，其精度不能覆盖土壤成分急剧变化。由于地形(高低)，流域(小溪边)等造成的小范围土壤成分的差异化，对测土施肥，精准农业是一个关键的因素，土壤基站12和土壤实验室14都不可能以足够的性价比解决这一因素。
图2描述了一个改进的系统10。其中包含一个有效采集，通过大数据策划、建模、推算检测，准确表示土壤成分的系统。如图2所示，相关本发明方法的系统10包括使用无人飞行器(无人机)、用多光谱空中扫描土壤成像132，对应移动车载土壤采集系统150的结果，结合土壤基站112和土壤实验室114，最终数据汇总到传统土壤检测系统10云端的信息平台。
图3A，图3B中的无人机131携带光谱传感器低空遥感扫描大面积农地。根据土壤物理状况(土质颜色、粘砂颗粒等)和成分对多光谱的吸收和反射不同成像，如图3C。地块信息可视为光谱图中感兴趣的区域。具体如下，图3C所示多光谱图像160是在电磁波谱的特定波长范围内获取图像数据。波长可以通过过滤器或使用对特定波长敏感的仪器进行分离，包括在可见光范围之外频谱光源，即红外线和紫外线。光谱图像可以提取很多的信息，远远超过人眼视觉范围。而用光谱图像辅助检测已在很多行业得到应用，包括农业领域对植被的光谱成像，检测病虫害、长势、收成预估。而用光谱检测土壤成分需要更多的手段支持，这是本专利的核心所在。
图4展示移动车载土壤采集系统150。该系统可以被拖拉机带动，在指定地块进行移动采集检测。在行走过程中间断性的采集土壤，实时输出带有经纬度的土壤成分。在采集结束后，可针对获得的移动土壤数据进行偏差校准。效准方法使用传统的定点采集实验室检测结果对移动数据进行矫正。例如，当移动车载土壤采集系统150通过不同土壤区域“过渡区”时，移动采集数据发生了显著变化，这时可以选择在“过渡区”中采集土样检测，确认数据更改的准确性。如果发现移动车载土壤采集系统150中的数据出现故障，则可以使用固定的土壤样本数据对移动系统数据进行校准。
移动车载土壤采集系统150和无人机遥感系统130用多光谱成像160是两个独立系统。无人机130的飞行速度以及覆盖面和移动车载土壤采集系统150无法同步。所以可以认为移动车载土壤采集系统150所执行的数据采集通常与无人机131的遥感成像不在同一个时间(天)，因此有必要考虑到时间、环境、天气条件等方面的差异。土壤基站112的实时数据采集检测，结果上传，可以用来测量上述因素的影响，然后将移动车载土壤采集系统150数据与无人机多光谱图像160进行矫正，实现同步。
用无人机光谱图像表示土壤成分体现在像素点指数分布，即像素点之间的差异，或者不同的颜色。一般无人机遥感光谱图像包括多个地块，会呈现不同的颜色，如图3C。
现有移动车载土壤采集系统150提供土壤如有机质(OM)、电导率(EC)和pH值的检测。每组数据附有经纬度，供计算机系统组成几何点阵，如图9所示。三组成分，三个独立点阵。作为现有系统10的计算和处理(图像处理)120的一部分，通过经纬度将点阵和光谱图吻合；利用二维(2D)差分法计算光谱图像每一个像素与移动车载土壤采集系统150点阵之间的相关性，包括OM、EC和土壤pH值。最后通过不断增长、叠加、完善的土壤数据库，可以大大提高光谱图像和土壤成分的相关性。
系统组成部分
图2展示的系统10包括无人机携带光谱遥感采集系统122，结合移动车载土壤采集系统使遥感光谱图像可以反映土壤成分。以及土壤定点基站112对两种采集结果提供时间、环境、气候等的偏差矫正。下面详细说明每个系统。
移动车载土壤采集系统
在具体的实施方案中，
Technologies(http://www.veristech.com/)的移动车载土壤采集设备(MSP)用于在地块中移动采集实时检测土壤成分。设备是由拖拉机或其他机动越野车辆带动在特定地块上采集。该设备提供三个采集模块，土壤有机质(OM)，导电率(EC)，pH值。具体详述如下，
MSP pH模块是一个由车载液压装置根据设定采集频率(间隔)自动取土，提升到和pH传感器探头接触的位置，探头接触土样数秒钟达到检测机制。检测结束，数据存入随车电脑。被检测过的土样自动丢弃。准备下一个采集点的取土。设备自动运行，仅有一个移动装置，可在8到12英里时速期间可靠采集检测。
EC模块是
Technologies Soil EC 3100系统
(http://www.veristech.com/the-sensors/v3100)集成到MSP。EC 3100具有双深度电极转盘嵌入土壤(借用车载水箱的重力)，在土壤中释放电压达到测量土壤导电率(EC)。测量数据存入随车电脑。测量频率和其他采集平台同步。
OM模块是
Technologies U-Series系统
(http://www.veristech.com/the-sensors/u-series)集成到MSP。该模块使用安装在特殊配置的转轮下部的双波长光学传感器，在模块开沟装置切开表层土壤下借助车载水箱的重力使设备嵌入规定深度进行测量。由于水分效应最小化，土壤颜色主要与土壤有机质变化有关，所以表土层下测量更加准确。光学传感器将土壤反射率的读数在红外和红色波长中收集。采集速度可达每分钟60次。足够配合上面两个模块的采集频率。光学传感器表面通过一个蓝宝石界面保护。
对于移动车载土壤采集系统150，每一个采集样本生成OM、EC和pH值。在MSPTM系统156，每一个结果具有OM、pH值和EC数值，同时赋予采集样点编号和采集点经纬度。最终将土壤采集数据表格形式输出。
下面的表格1-3说明了上述数据的一个表示方法。表格包括25个运行土壤采集样本。表格内容依照排列从左往右解释。表1中“Long”，表示土样采集点的经度；“Lat”代表纬度；“红色”表示使用LED光源的土壤反射率值；“IR”代表红外LED光源的土壤反射率值；“海拔”代表样本相对于海平面的位置；而“深度”是取样采集点距地面的距离(通常以英寸为单位记录)。表2包括标题“OM比率”，表示土壤有机质占百分比(％)；“EC SH”和“EC DP”，代表电导率读数在“浅”和“深”点与“EC比率”是欧共体DP/欧共体的比率；“CEC”表示电导率的阳离子交换能力(在meq/100g)。表3中，标题“pH平均值”表示前两列的平均pH值，即“pH1”和“pH2”。数据可以根据数据的偏差(例如，过渡区)手动获取的定点采样数据经实验室检测进行确认和校准。
移动车载土壤采集设备采集检测结果，如下表，可以通过传统的人工采集实验室检测结果以及固定基站实时上传的检测结果(相对精准)进行偏差矫正。校准用于确认移动采样中的“过渡区”，并在移动采样和空中遥感成像之间的，因为其他因素引进的差异也需考虑到。上述两种校准方案以上均描述说明过了。随着移动系统的精确性的提高，数据库的积累、增长、对所有因素的考虑，校准的频率可能会逐步降低，或单位校准区域的覆盖面逐渐扩大。最终体现高效率，低成本。
表格1–土样采集位置数据
表格2–土壤有机质(OM)和导电率(EC)的检测结果
表格3–土壤pH值检测结果
结合每一个采集点经纬度，上述三个土壤数据可以被计算机系统120重组为三个2维网格或点阵154。即每个格子或点阵中的一个点包括相应的OM、EC和pH值的数据，如图9所示。利用车载GPS，得到的土壤样本点阵154可以通过几何差分法对准到一个无人机遥感光谱系统130光谱采集重组的多光谱图像160(见图7)。
空中遥感图像飞行器
如图3A和3B所示，无人机遥感光谱采集系统130由无人机131组成，它以预先规划好的飞行模式飞越田野上空，用光谱传感器扫描农田根据土壤吸收和反射的差异重组多光谱图像160(图3C)。重组的多光谱图像160可以使用GPS信息注册图像所覆盖的地块。这些地块是通过相对行政地理位置参数事先在计算机系统120操作页面上用边界点勾勒出来(例如，图5)。无人机131可以是任何型号、螺旋翼、或固定机翼飞行器，同时配备一个空中遥感光谱仪器132，包括摄像头134，光传感器适配器135，RC发射机136，GPS 137，飞行规划软件、飞行控制软件和图像处理软件138。利用这一设备，无人机遥感光谱采集系统130，可根据下文所述，自定义为用遥感技术(多光谱)从空中扫描检测土壤，并以光谱图形式表示土壤成分。
图3B显示了一个小型无人驾驶飞行器(无人机)131配置与空中多光谱系统132，包括一个Mica-Sense SequoiaTM近红外(或同等)摄像头134(见https://www.micasense.com/parrotsequoia/)，以及光传感器适配器135，RC发射机136和GPS 137，或类似于这些设备的功能。
由于多光谱传感器(相机)的视角有限，飞行时的方向偏移及倾斜，无人机遥感光谱采集系统130在飞越田野时需要拍照大量的图片。这些图片按照设置参数相互重叠，并有经纬度(GPS)和取向(Orientation)信息，根据这些信息图像处理重组，最终得到一张完整的光谱图像，表示从空中由无人机131扫描的田野。根据图像像素密度使用的过程称为阈值，多光谱图像160可以被分割成几个明显的区域。每个区域都处理相对一致的土壤属性，如OM、EC和pH值。这些信息可用于确定传统土壤实验室采集点的规划，以及土壤基站112的定位选择。例如，土壤基站112可以根据区域信息(如像素密度及其位置)定位。用土壤基站的结果对移动式土壤传感器系统数据进行矫正。
系统计算与分析
除了土壤成分，农田通常还有地块序列号、行政区域地址(不止一个条目)、管理授权，地块所有者名称和GPS(即经度、纬度和高度)信息。计算机系统120的操作页面，如图5所示，可通过行政区域地址或GPS信息将感兴趣的地块在地图上表示出来，例如，
地图(https://www.google.com/maps/)。在该地块的俯视图(地图)，计算机系统120的操作页面提供多边形绘图工具，可将该地块的轮廓勾画出来(见图5)。该地块的每一个边界点124都和经纬度相关联。一个相对于该地块的感兴趣的区域(ROI)，如图3A，可以从多光谱图像160(图3C)中提取，然后与该地块吻合，形成地块光谱图像。
为了大数据建模，最终通过数据对指定地块光谱图像进行偏差矫正表示土壤成分，图6展示了搭建该系统的三个步骤或阶段。(1)从无人机131的多光谱图像160(图5)使用众所周知的图像阈值技术，可以分割成几个区域(地块)。这些区域可用于确定定点土壤基站112的位置，可用于定点采样(即使用传统土壤实验室检测)。定点采样实验室检测的结果，可以对移动车载土壤采集系统采集检测数据的偏差进行有地放失的偏差矫正，从而建立准确的土壤成分数据点阵。利用GPS定位，点阵或网格154可以投射到光谱图像上(见图8)，通过两位线性差分法或非线性方法(插值)可以推断出光谱图像的像素分辨率和点阵的关系，达到光谱图表示土壤成分的结果。
在图6的中间模块，(2)在使用上面相同的方法基础上，增加飞行覆盖区域，正常无人机131每小时覆盖1500到2000英亩区域。单位时间光谱图像的扫描成像区域是移动车载土壤采集系统150的十倍以上。实际操作中，最好在10-100倍大的范围内。即利用光谱图像的明显区域分隔，结合数据库中反映该区域(地块)的历史数据，为移动车载土壤采集系统确定采集区域。同时获取定点土壤实验室采集、检测、校准的依据。重复该方法，根据具体的土壤结构、区域、环境、季节、气候等，逐步扩大无人机空中图像覆盖范围。
第三个阶段，(3)在前面两个步骤的不断采集、检测、积累、足够迭代之后。一个针对遥感采集土壤成像，由光谱图反应土壤成分，借助大数据进行偏差矫正的系统逐步形成、完善。最终，可以实现实时光谱图像表示OM、EC和pH值。
图7进一步描述虽然移动车载土壤采集系统150产生的点阵154和多光谱图像160有不同的分辨率比，如果每个像素点都代表OM，EC，或pH数据，点阵154和多光谱图像160必须建立一一对应关系。该关系可通过二维线性插值或二维非线性插值加权的数学方法找到对应关系。光谱图像的像素密度根据土壤类型(地理位置)、环境(阳光和天气属性)、和农事过程(包括施肥和种植)而变化。由于时间、季节、场景的不同，同一个地域(地块)会产生不同的光谱图像。如何实现和微调这类光谱图像，使其能够正确的表达该时刻土壤成分，需要一个大数据、云计算为基础，通过长时间的采集检测等的数据积累、反复迭代、数学统计建模(云数据库和计算)的云计算机系统。
更具体一些，(3)利用基于云的数据库和计算，可以参考土壤的历史数据，以区分土壤类型，并确定大的子区域移动采样地块的位置和大小。利用光谱图像变化与土壤成分(如OM、EC和pH值)的相关性,移动采样网格154中未覆盖的光谱映射区域(如图8)可以用附近的移动采样地块检测结果的信息，依靠大数据，进行映射，数学推算。从而经修正在该地块的光谱图像正确反映土壤成分。重复的数据收集，包括在不同的季节，不同的天气条件，和不同的农业实践，进一步改善了对光谱图的预测、修正能力；最终通过图6所表示的系统，达到无人机遥感检测用光谱图，通过大数据偏差矫正，实时反映土壤成分。
关于图7，由无人机131产生的多光谱图像160与点阵154(表示OM、EC、和pH值)的之间的对应关系，可以通过使用GPS坐标对图像进行位置吻合，数学方法校准来进行。如前所述，整个光谱图像可以分为几个区域(例如，空中多光谱映射)的图像阈值。利用这些地块差异决定定点实验室采集检测的位置。从而达到高效率，低成本，最大限度减少定点采集实验室检测的流程，从而达到检测土壤成分的工作。
为了扩大光谱图像的覆盖范围，根据图像阈值的分割，确定了移动车载土壤采集系统150的数据采集区和相关的定点土壤实验室以及检测。图8的光谱图像中显示了五个不同地域(地块)。为方便绘图和描述，地块采用了四边形。实际场合地块区域多是任意形状(可用多边形表示)。云计算机系统120提供土壤类型(如棕针叶林土壤、黑土、chernozemic等)、耕地类型(如灌溉、旱地、稻田等)和土壤农化分析数据作为数据参考的资料，通过数学模型，建议(决定)移动车载土壤采集系统150的布局。从而有效的用移动车载土壤采集系统采集检验结果的点阵154和无人机131的多光谱图像160进行吻合，提供偏差矫正支持。如上所述，获得的相关数据越多，光谱图像的判定精度就越大。
通过进一步扩大扫描区域或探索完全不同的区域和土壤类型，以上述大数据的积累、迭代过程，最终可以开发出一个以大数据为基础的数学模型，使光谱图像实时、直接反应土壤成分。比如OM，EC和pH值。
本发明还基于一个应用软件系统。即，一个建立大数据、支持云计算、提供互联网服务、运行在云端服务器的软件系统。该软件用于：1)接受从(a)各类土壤、光谱传感器传输的数据。如安装在定点土壤基站上的pH传感器，(b)实验室结果的人工输入后的土壤实验室(例如，通过人工采集土壤土样和检测)和(c)移动式土壤传感器系统(MSP和无人机作为数据网格和图像)；2)将数据转换为通用格式，如JSON格式包、JavaScript对象表示法，该通用格式的数据，方便落户大数据库，和有效的在各软件模块中流动；3)将转换后的数据传输到基于云的数据库和计算服务器进行分析(校准)；和4)推送到在云端的web应用程序服务器。
作为信息平台116的扩展，基于云数据库118用于收集和存储基站112和移动车载土壤采集系统150中的数据，收集无人机112遥感光谱采集系统生成的多个光谱图像。该平台的计算系统对数据进行处理、分析，并集合来自实验室的检测数据对移动系统中的数据进行校准，然后使用校准数据生点阵(推算出的)，支持相应地块位置的光谱图像，达到以图像表示土壤成分的效果。
云计算系统还包括相关应用软件和智能化预测几何解析软件(智能化预测)。应用软件假设光谱图和车载采集系统点阵一一对应的应用场景。如图6的第一个模块。一个点阵154与多光谱图像160通过经纬度几何吻合，并将校准的数据与部分的可见区域相关联，以创建映射地块。智能化预测软件通过大数据建模将土壤成分换算到其余检测地块(即未由移动系统映射的部分)，直接支持、矫正该地块的光谱图，反映土壤成分。
需要说明的是，MSPTM(上述第三项)是由美国Veris Technologies制造的产品。该装置是通过把土壤检测传感器安装在车载平台，达到移动采集检测效果。需要有限数量的土壤样本实验室检测结果校准，它可以产生相当准确的OM，EC和pH值测量。本专利讨论的系统利用该产品获得了由空中测量对应的田间土壤检测数据。
实施例2
方法示例
假设一个普通案例，用遥感光谱图像表示1000英亩农田(许多地块)的土壤成分，EC，OM和pH，并体现用大数据智能规划、推测结果方案。利用本发明系统，一架无人机131飞越该领域，以获得整个1000英亩的多光谱图像160。图像是通过大量局部重叠图像重组而成。移动车载土壤采集系统150被指定到一特定区域地块，例如一个100英亩地块，进行移动采集。移动车载土壤采集系统150获取到该地块数据点阵，并将其与多光谱图像的对应区域相关联。即100英亩面积覆盖到一个对应的多光谱图像区域。如果信息量不够解析整个移动车载土壤采集系统150，根据多光谱图像160，可有选择的增加地块(不限于亩数，追求最大的差异)，直到1000英亩农田领域的特定部分被点阵覆盖。使用这些用定点实验室采集检测结果偏差矫正过的点阵，可以根据大数据，云计算分析处理，使得整个1000英亩区域的光谱图可以正确反映所覆盖的所有地块土壤成分。比如类似的多光谱色谱(像素密度)可以假定代表相似的土壤成分。
依靠大数据120，有限的小范围移动车载采集生成点阵，根据光谱图像和点阵(过渡区域)规划定点实验室采集检测点去矫正点阵反映土壤成分的精确度，最终以光谱图表示土壤成分。当然，所有的几何解析，预测、推算都是用计算机软件来完成的，它可以查看多光谱图像的每个像素以达到更高的精确度。
当然，无人机131遥感采集生成多光谱图像160远远快于移动车载土壤采集系统150生成点阵154。因此移动车载土壤采集系统150所获得数据的时间与多光谱图像的时间之间可能存在显著的脱节。这一时间跨度可能会带来检测结果的差异，例如天气变化，环境，阳光，温度等都是可能会改变土壤成分因素(或者说解析土壤成分)。为了贯通连接两个采集之间的时间间隔，确保点阵154数据与多光谱图像160同步。我们采用土壤定点基站112实时上传的土壤数据和气象信息作为参考、矫正。
同步是通过将至少一个土壤定点基站112定位在采集区域来完成的。该基站可以在时间跨度内，尽可能频繁地采取额外的土壤成分和相应的环境气象数据。数据上传，由计算机系统进行分析解析，把由于环境、阳光、温度、以及其他以实时间相关的因素影响光谱和点阵检测结果的差异推算出来。用于修正或补上由于时间因素所引起的差异。从而使多光谱图像160准确的表示土壤成分。
此外，该方法和系统还可能需要校准移动车载土壤采集系统150的检测结果。有时，由于从一个领域到另一个领域的土壤成分的“变化”，相邻的土壤检测数据可能显得可疑。校准仅要求在该区域或地块布置人为采集点并送交实验室检测。关注要点是任何具有可疑土壤成分数据变化的区域实验室检测结果和移动车载采集检测结果112一致。最终点阵154检测结果可以作为多光谱图像160的依据。
上述的说明和技术描述是以插图的形式，但不限于提供。虽然已经显示和描述了具体的实施方法和举例，但对于那些技术内行人来说，显然可以改变和修改而不偏离本发明的核心而推广应用。虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (18)
1.一种用图像表示农田土壤成分的系统，所述系统包括：
一种多光谱图像成像系统，用于生成具有设定区域的多光谱图像，以及具有多个可分辨区域的多光谱图像；
一种移动式土壤传感器系统，所述移动式土壤传感器系统包括连接到车辆上的接头和必要的液压接口，允许将传感器系统移到另一个地块或者区域，即作为系统在另一个陆地区域上移动的土壤采集机制，它拥有一个GPS模块，用于确定每个土壤样本的位置，至少是第一个土壤传感器，用于确定每个土样的成分或确定每个土样的属性，以及记录土样的成分和位置作为土壤数据的记忆体，其中另一个地块区域完全位于第一地块区域之外；
一种数据库，用于收集和储存来自移动式土壤传感器系统数据库的土壤数据，用于收集光谱图像成像系统产生的图像，同时存储土壤实验室检测数据，定点基站实时上传数据，包括非土壤数据，所述非土壤数据包括环境气象；
和数据库相连的计算系统，并配置为使用移动式土壤传感器系统中的土壤数据生成以少数点阵完成大面积光谱图像表示土壤成分的硬件软件模块，其计算系统包括：
一种相关系统，用于将至少一个点阵对准多光谱图像的相应部分，并将土壤数据与相应部分的可见区域相关联，以创建该部分光谱图像点阵严格的对应关系；和
一种插补系统，用于将土壤成分分配给非点阵所覆盖的区域，其中，指定的土壤成分基于光谱图像区域。
2.根据权利要求1所述的系统，其特征在于，所述系统还包括无人飞行器/无人机，所述无人飞行器/无人机飞行在一个需要光谱成像的区域，配置有光传感器的所述多光谱图像成像系统安装到所述无人飞行器/无人机上。
3.根据权利要求2所述的系统，其特征在于，所述无人机包括螺旋翼，固定机翼中的至少一项。
4.根据权利要求2所述的系统，其特征在于，所述多光谱图像成像系统还包括多光谱成像相机，所述多光谱成像相机连接到无人机上。
5.根据权利要求1所述的系统，其特征在于，所述土壤成分确定是有机质OM，电导率EC和pH值。
6.根据权利要求1所述的系统，其特征在于，所述系统还包括至少一个定点土壤采集基站，该基站的位置至少应在指定点阵区域或附近，该基站应定时、连续上传其位置的土壤相关信息，以及对应于采集时间的环境、天气数据。
7.根据权利要求6所述的系统，其特征在于，所述系统还包括一个土壤实验室，所述土壤实验室用以分析从指定地点采集的土样，确定每个土样的土壤成分，并记录土壤成分作为校准数据，其中，所述校准数据用于校准本系统采集表示的土壤成分，以确保产生准确的土壤数据。
8.根据权利要求7所述的系统，其特征在于，所述准确的土壤数据用于生产至少一个点阵的土壤成分。
9.根据权利要求6所述的系统，其特征在于，所述系统还包括多个基站，一个所述基站布置在对应于多光谱图像可分辨区域内，而基站对应关系是跨光谱图区域。
10.一种用图像表示农田土壤成分的方法，其特征在于，所述方法包括以下步骤：
获取整个地块的多光谱图像；
通过将移动式土壤传感器系统在该农田中的地块实施移动采集，获取原始土壤成分数据组，或一串采集点数据，其中，地块小于农田；
重建原始土壤成分数据组或一串采集点数据为一点阵；
将点阵及其土壤成分数据与多光谱图像的像素相关联；和
利用光谱图像，结合部分关联的点阵所表示的土壤成分数据，或原始数据，推算整个光谱图像所反映的土壤成分。
11.根据权利要求10所述的方法，其特征在于，所述方法还包括：
在使用相关点阵和其它参数，其它参数包括原始数据，结合光谱图推算土壤成分的关系之前，重复获取、构造和关联其他地域地块的步骤。
12.根据权利要求10所述的方法，其特征在于，所述获取整个地块的多光谱图像的步骤具体包括：
操作装有多光谱成像摄像机的无人驾驶的飞行器，该操作至少包括飞行航线规划，控制软件设置中的一项或两项；该飞行器飞行覆盖指定农田和区域；
根据所述多光谱成像摄像机的视角拍摄该领域的足够多的图像；和
从多个图像重组出一张多光谱图像。
13.根据权利要求10所述的方法，其特征在于，所述土壤成分包括有机质OM，电导率EC和pH值。
14.根据权利要求10所述的方法，其特征在于，
获得在不同的时间段内的多光谱图像和获取原始土壤成分、点阵数据的步骤。
15.根据权利要求14所述的方法，其特征在于，所述方法还包括：
将获得不同的时间段的多光谱图像和获取原始土壤成分、点阵数据的步骤整合成同步的方法。
16.根据权利要求15所述的方法，其特征在于，所述同步步骤包括以下步骤：
安装土壤基站在指定田间区域；
在一个时间跨度内设定采集间隔，使土壤基站按时上传土壤数据；
该基站可以测试、上传、获取土壤成分以外数据；
确定在时间跨度内获取的土壤数据的校正值；和
将校正值应用于获取原始土壤成分、点阵数据，以光谱图像因时间而带来的偏差。
17.根据权利要求10所述的方法，其特征在于，所述方法还包括：
对点阵数据进行校准的步骤。
18.根据权利要求17所述的方法，其特征在于，所述对点阵数据进行校准的步骤包括：
在采集现场根据规划，在指定地点获取土样；
获取上述土样的检测结果；和
根据确定区域内的规划点的检测结果，审查点阵数据；和
如果差异明显，修正点阵数据。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762532731P | 2017-07-14 | 2017-07-14 | |
| US62/532,731 | 2017-07-14 | ||
| US15/679,677 | 2017-08-17 | ||
| US15/679,677 US10247717B2 (en) | 2017-07-14 | 2017-08-17 | Method of efficient acquisition of soil data using image mapping |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108732129A CN108732129A (zh) | 2018-11-02 |
| CN108732129B true CN108732129B (zh) | 2021-03-23 |
Family
ID=63926661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810752896.7A Active CN108732129B (zh) | 2017-07-14 | 2018-07-10 | 一种用图像表示农田土壤成分的系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108732129B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11397277B2 (en) * | 2018-12-07 | 2022-07-26 | Auburn University | Scanning mode application of neutron-induced gamma analysis for soil carbon mapping |
| EP3895067A4 (en) * | 2018-12-11 | 2022-09-14 | Climate LLC | MAPPING SOIL PROPERTIES WITH SATELLITE DATA USING MACHINE LEARNING APPROACHES |
| CN109871356B (zh) * | 2019-01-31 | 2021-01-26 | 广西壮族自治区环境监测中心站 | 一种用于土壤检测的数据处理方法及装置 |
| WO2020161566A1 (en) * | 2019-02-04 | 2020-08-13 | Precision Planting Llc | Systems, apparatuses, and methods for monitoring soil characteristics and determining soil color |
| CN109978806A (zh) * | 2019-03-22 | 2019-07-05 | 云南谦实科技有限公司 | 一种基于多光谱成像仪进行线路隐患检查的方法、装置及计算机介质 |
| CN110231453A (zh) * | 2019-05-31 | 2019-09-13 | 重庆工商大学融智学院 | 一种土壤分析大数据分析的数据获取系统 |
| CN110749613A (zh) * | 2019-11-27 | 2020-02-04 | 湖北富邦科技股份有限公司 | 一种磷矿石在线分析的方法 |
| CN111044429B (zh) * | 2019-12-25 | 2023-09-08 | 泰克索尔技术(深圳)有限公司 | 车载式土壤质构信息实时获取系统 |
| CN111879720A (zh) * | 2020-08-17 | 2020-11-03 | 东珠生态环保股份有限公司 | 一种用于土壤自动化生态修复的检测系统及其工作方法 |
| CN113916585A (zh) * | 2021-09-28 | 2022-01-11 | 山东省物化探勘查院 | 一种可移动式土壤地球化学样品流转无人机工作站 |
| CN114295686B (zh) * | 2021-12-30 | 2023-11-03 | 山东土地集团数字科技有限公司 | 一种土地结构变化的监测识别系统及方法 |
| CN115761535B (zh) * | 2022-11-10 | 2024-01-23 | 贵州师范学院 | 应用于土壤质量数据分析方法和系统 |
| CN115777312B (zh) * | 2023-02-10 | 2023-04-25 | 中国建设基础设施有限公司 | 一种基于土壤信息实时采集与分析的动态施肥方法 |
| CN117272247B (zh) * | 2023-11-17 | 2024-02-02 | 沧州师范学院 | 一种应用于数字孪生智慧乡村的数据集成方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150106434A1 (en) * | 2013-10-10 | 2015-04-16 | Larry Fiene | Compositons, methods and systems for retrieval of harvest data |
| US20160063420A1 (en) * | 2014-08-29 | 2016-03-03 | Ricoh Company, Ltd. | Farmland management system and farmland management method |
| US20170042081A1 (en) * | 2015-08-10 | 2017-02-16 | 360 Yield Center, Llc | Systems, methods and apparatuses associated with soil sampling |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4185052B2 (ja) * | 2002-10-15 | 2008-11-19 | ユニバーシティ オブ サザン カリフォルニア | 拡張仮想環境 |
| US20060206246A1 (en) * | 2004-10-28 | 2006-09-14 | Walker Richard C | Second national / international management and security system for responsible global resourcing through technical management to brige cultural and economic desparity |
| US20170090474A1 (en) * | 2015-09-29 | 2017-03-30 | Vincent Paul Spinella-Mamo | Drone Safety Mechanism |
-
2018
- 2018-07-10 CN CN201810752896.7A patent/CN108732129B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150106434A1 (en) * | 2013-10-10 | 2015-04-16 | Larry Fiene | Compositons, methods and systems for retrieval of harvest data |
| US20160063420A1 (en) * | 2014-08-29 | 2016-03-03 | Ricoh Company, Ltd. | Farmland management system and farmland management method |
| US20170042081A1 (en) * | 2015-08-10 | 2017-02-16 | 360 Yield Center, Llc | Systems, methods and apparatuses associated with soil sampling |
Non-Patent Citations (3)
| Title |
|---|
| 《A Mobile Sensor Platform for Measurement of Soil pH and Buffering》;Colin Christy等;《2004 ASAE/CSAE Annual International Meeting》;20041231;第1-12页 * |
| 《Soil organic carbon and particle sizes mapping using vis–NIR, EC and temperature mobile sensor platform》;Maria Knadel等;《Computers and Electronics in Agriculture》;20151231;第134-144页 * |
| 《无人机遥感解析田间作物表型信息研究进展》;刘建刚等;《农业工程学报》;20161231;第32卷(第24期);第98-106页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108732129A (zh) | 2018-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108732129B (zh) | 一种用图像表示农田土壤成分的系统及其方法 | |
| Punalekar et al. | Application of Sentinel-2A data for pasture biomass monitoring using a physically based radiative transfer model | |
| CN107389036B (zh) | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 | |
| Guo et al. | Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping | |
| Li et al. | Remote estimation of canopy height and aboveground biomass of maize using high-resolution stereo images from a low-cost unmanned aerial vehicle system | |
| US10247717B2 (en) | Method of efficient acquisition of soil data using image mapping | |
| Moriya et al. | Mapping mosaic virus in sugarcane based on hyperspectral images | |
| Si et al. | Mapping spatio-temporal variation of grassland quantity and quality using MERIS data and the PROSAIL model | |
| Yang et al. | MODIS leaf area index products: From validation to algorithm improvement | |
| Hall et al. | Optical remote sensing applications in viticulture‐a review | |
| Yang et al. | Integration of crop growth model and random forest for winter wheat yield estimation from UAV hyperspectral imagery | |
| CN102194127B (zh) | 一种多频率sar数据农作物遥感分类方法 | |
| Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
| Torbick et al. | Monitoring rice agriculture in the Sacramento Valley, USA with multitemporal PALSAR and MODIS imagery | |
| CN111028096A (zh) | 一种天、空、地一体化数据融合的系统和方法 | |
| Kong et al. | Matching high resolution satellite data and flux tower footprints improves their agreement in photosynthesis estimates | |
| Guan et al. | Modeling strawberry biomass and leaf area using object-based analysis of high-resolution images | |
| Ashraf et al. | Introduction to remote sensing of biomass | |
| Jeong et al. | Application of an unmanned aerial system for monitoring paddy productivity using the GRAMI-rice model | |
| CN114202675A (zh) | 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统 | |
| CN110428013B (zh) | 一种农作物遥感分类方法及系统 | |
| Salam et al. | Signals in the soil: subsurface sensing | |
| Berger et al. | The DAISEX campaigns in support of a future land-surface-processes mission | |
| Calou et al. | Estimation of maize biomass using unmanned aerial vehicles | |
| Basnyat et al. | Agriculture field characterization using aerial photograph and satellite imagery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |