CN109029588A - 一种基于气候影响的农作物长势预测方法 - Google Patents

Abstract

本发明公开了一种基于气候影响的农作物长势预测方法，包括以下步骤：(1)在相邻的地理位置分别建立期望区域与试验区域，并分别种植农作物；(2)记录农作物生育期并采集期望农作物和试验农作物不同生育期长势数据；(3)采集期望农作物和试验农作物的株高均值和植株密度；(4)根据试验农作物与期望农作物株高均值的差值和植株密度的方差值，评估农作物的长势情况。本发明通过改变农作物生长的气候条件，建立农作物期望生长区域与试验生长区域，获取期望农作物和试验农作物的各种反映农作物长势的特征参数，通过综合分析农作物参数的偏离程度，精确地获得农作物的长势情况。

Description

一种基于气候影响的农作物长势预测方法

技术领域

本发明涉及作物监测技术领域，具体涉及一种基于气候影响的农作物长势预测方法。

背景技术

农产品既是人民生产与生活的根本，也是一个国家的自足之本。保障农作物产量，是人类最为重要的研究课题，农作物长势是指作物生长的状况与趋势，或者说，作物生长的态势，通过监测作物的长势情况，可以及时了解作物的生长状况、病虫害或作物营养状况，从而指导人们采取对应的管理措施，进而保证作物的正常生长。

农作物是我国主要的粮食与油料作物之一。目前我国的农作物种植面积、产量与出口量一直处于世界领先位置。影响农作物长势的因素有很多，主要有光照强度、温度、湿度等。这些气候因素的数据目前多数通过传统的天气预报获取，然而由于传统天气预报的局限性，不能针对不同区域范围做出精准的判断。针对以上，本发明针对气候因素，提出一种基于气候影响的农作物长势预测方法，通过采集农作物生长气候数据，并建立农作物正常气候条件生长区域和农作物异常气候条件生长区域，在其生育期内提取特征参数，比较在两种气候条件下农作物长势特征参数的偏离程度，从而分析其长势情况。

发明内容

本发明要解决的技术问题是提供一种基于气候影响的农作物长势预测方法。

为了解决上述技术问题，本发明采用的技术方案是，一种基于气候影响的农作物长势预测方法，包括以下步骤：

(1)在相邻的地理位置分别建立期望区域与试验区域，并分别种植同一品种的农作物；在期望区域生长的农作物称为期望农作物，且期望农作物在所在地区的室外自然气候条件下生长，在试验区域生长的农作物称为试验农作物，且试验农作物在室内的人工气候条件下生长；

(2)记录期望农作物和试验农作物的生育期，并采集期望农作物和试验农作物在不同生育期的长势数据；

(3)采集期望农作物和试验农作物的株高值和植株密度；

(4)根据试验农作物与期望农作物株高均值的差值和植株密度的方差值，评估农作物的长势情况。

作为优选，步骤(1)还包括以下步骤：

对于期望农作物，利用农业小气候监测系统采集其所生长的期望区域的气象数据，包括温度、光照、湿度并做好记录作为参考数据；对于试验农作物，利用人工模拟气候室，改变其所生长的试验区域的温度、光照或湿度的气候数值。

作为进一步优选，农业小气候监测系统装置包括温度传感器、湿度传感器、光照传感器；所述温度传感器、湿度传感器、光照传感器分别用于温度、湿度和光照度参数采集。

作为进一步优选，人工模拟气候室，设置温度传感器、湿度传感器、光照传感器、温度调节器、湿度调节器、光照调节装置；温度传感器与湿度传感器，用于气候室内的温度与湿度参数采集，温度调节器和湿度调节器能够进行温度、湿度调节；所述光照传感器耦接有光照控制电路，能够采集光照度并通过光照调节装置控制光照度。

作为进一步优选，农业小气候监测系统和人工模拟气候室都还包括多相机实时拍摄系统、信息收集装置以及远程监控平台；所述多相机实时拍摄系统用于多角度实时观测农作物的生长情况，并将监测信息根据时间节点传至信息收集装置；所述信息收集装置包括图像采集装置和数据采集装置，且数据采集装置和图像采集装置将多相机实时拍摄系统拍摄的农作物长势信息通过有线网络或无线网络的方式传至远程监控平台，从而方便远程监控平台实时获得农作物的长势情况，提高了监测效率。

作为优选，在步骤(3)中，农作物株高值的测量方法如下：

(5)分别在所种植的期望农作物和试验农作物中插有便于后续测量农作物株高的标杆，且标杆原始高度已知；

(6)在农作物的生育期内每单位时间通过摄像机获取一次田间带有标杆的农作物图像，所述农作物图像包括标杆和作为背景的农作物，且标杆与作为背景的农作物须在同一张图像上；

(7)根据标杆与作为背景的农作物的颜色和纹理信息差异提取农作物图像中的标杆并得到标杆图像；

(8)对所述标杆图像进行降噪处理得到标杆二值图像；

(9)从标杆二值图像中分别获取所述标杆二值图像中连通域的底部坐标和顶点坐标，再按下式计算得到所述标杆的像素高度：

H(p)＝max(y)-min(y)

式中，H(p)表示标杆的像素高度，y表示标杆二值图像中连通域的纵坐标信息，max(.y)表示标杆二值图像中连通域的纵坐标的最大值，min(y)表示标杆二值图像中连通域的纵坐标的最小值；

(10)按下式计算农作物的株高数值：

H(s)＝(1-H(p)/H(o))*P(o)

式中，H(s)表示农作物株高，H(p)表示标杆的像素高度，H(o)表示未种植农作物时标杆的像素高度，P(o)表示标杆的实际高度。

作为优选，在步骤(3)中，农作物植株密度的具体测量方法如下：

(11)采集农作物冠层图像；

(12)对农作物冠层图像进行灰度处理；

(13)提取农作物的冠层面积并进行图像分析确定农作物的植株顶心，进一步确定农作物植株数量；

(14)计算单位面积上农作物的植株数量，得到农作物密度。

作为优选，在步骤(4)中，具体包括以下步骤：

(15)分别计算试验农作物与期望农作物的株高的平均值，并作差计算，得到株高均值差值；

(16)将试验农作物的植株密度与期望农作物的植株密度作方差计算，得到植株密度方差值；

(17)综合上述农作物株高均值差值和植株密度方差值，分析农作物的长势情况。

作为优选，农作物包括水稻、小麦、玉米、高粱、大豆、花生、油菜、棉花或烟叶。

本发明的有益效果是：

通过改变农作物生长的气候条件，建立农作物期望生长区域与试验生长区域，获取期望农作物和试验农作物的各种反映农作物长势的特征参数，通过综合分析农作物参数的偏离程度，精确地获得农作物的长势情况。

具体实施方式

一种基于气候影响的农作物长势预测方法，包括如下步骤；

1.在相邻的地理位置分别建立期望区域与试验区域，并分别种植农作物；

2.记录农作物生育期并采集期望农作物和试验农作物不同生育期长势数据；

3.从采集的期望农作物和试验农作物长势数据中提取个体特征参数和群体特征参数：

4.根据上述试验农作物特征参数与期望农作物参数的偏离程度评估农作物的长势情况。

其具体步骤如下：

1、在相邻的地理位置分别建立期望区域与试验区域，并分别种植农作物。其实际工作原理具体为：

在期望区域，给期望农作物以正常的气候条件，利用农业小气候监测系统采集气象数据，包括温度、光照、湿度并做好记录作为参考数据；在试验区域，给试验农作物以异常的气候条件，利用人工模拟气候室，改变其温度、光照或湿度的气候数值；分别在期望区域与试验区域所种植的农作物中插有标杆，方便后续测量农作物的株高，且标杆原始高度已知。在期望区域生长的农作物称为期望农作物，在试验区域生长的农作物称为试验农作物。

农业小气候监测系统装置包括温度传感器、湿度传感器、光照传感器；所述温度传感器、湿度传感器、光照传感器分别用于温度、湿度和光照度参数采集。

人工模拟气候室，设置温度传感器、湿度传感器、光照传感器、温度调节器、湿度调节器、光照调节装置；温度传感器与湿度传感器，用于气候室内的温度与湿度参数采集，温度调节器和湿度调节器能够进行温度、湿度调节；所述光照传感器耦接有光照控制电路，能够采集光照度并通过光照调节装置控制光照度。

农业小气候监测系统和人工模拟气候室都还包括多相机实时拍摄系统、信息收集装置以及远程监控平台；所述多相机实时拍摄系统用于多角度实时观测农作物的生长情况，并将监测信息根据时间节点传至信息收集装置；所述信息收集装置包括图像采集装置和数据采集装置，且数据采集装置和图像采集装置将多相机实时拍摄系统拍摄的农作物长势信息通过有线网络或无线网络的方式传至远程监控平台，从而方便远程监控平台实时获得农作物的长势情况，提高了监测效率。

2.采集期望农作物和试验农作物不同生育期长势数据。

本步骤中利用农业小气候监测系统和人工模拟气候室的多相机实时拍摄系统拍摄，期望农作物和试验农作物出苗期、分枝期、成熟期等生育期的长势数据。由于拍摄到的长势数据通常会同时含有大量干扰信息。所以，采用多种图像处理算法对拍摄的图片进行一定的预处理，从而方便后续提取农作物特征参数。

3.从采集的期望农作物和试验农作物长势数据中提取个体特征参数和群体特征参数。

本步骤中，农作物个体特征参数包括以下信息中的一种或几种：株高值、叶面积信息、果实的尺寸、形状、颜色、养分信息。现以株高值作为个体特征参数，其株高值的测量方法如下：

步骤S3a：在农作物的生育期内每单位时间利用摄像机获取一次田间带有标杆的农作物图像，农作物图像包括标杆和背景作物图像，且标杆与背景农作物在同一张图像上。

步骤S3b：对获取的农作物图像对其图像完整性进行判断，得到带有标杆的完整农作物图像，包括判断每张农作物图像的完整性以及农作物图像是否受到污染，若该张农作物图像不完整或者受到污染，则删除该张农作物图像，若该张农作物图像完整且没有受到污染，则保留该张农作物图像。

步骤S3c：提取完整农作物图像中的标杆得到标杆图像。根据标杆与背景农作物的颜色和纹理信息差异，分析完整农作物图像上标杆与背景作物在R、G、B三个波段上的差异；针对R、G、B三个波段设置不同的阈值组合判断，以及结合标杆识别函数提取标杆得到标杆图像。

步骤S3d：对标杆图像进行降噪处理得到标杆二值图像。利用滤波、平滑和开闭运算处理方法对标杆图像进行图像形态学降噪处理得到标杆二值图像。

步骤S3e：根据标杆二值图像中连通域的底部和顶点的坐标信息计算标杆的像素高度。分别获取标杆二值图像中连通域的底部坐标和顶点坐标；根据标杆的像素高度计算公式计算得到标杆的像素高度，其中，标杆的像素高度计算公式为：

H(p)＝max(y)-min(y)

其中，H(p)表示标杆的像素高度，y表示标杆二值图像中连通域的纵坐标信息，max(y)表示标杆二值图像中连通域的纵坐标的最大值，min(y)表示标杆二值图像中连通域的纵坐标的最小值。

步骤S3f：根据标杆的像素高度以及标杆被背景农作物遮挡的相对位置关系，计算得到农作物株高。农作物株高的计算公式为：

H(s)＝(1-H(p)/H(o))*P(o)

其中，H(s)表示农作物株高，H(p)表示标杆的像素高度，H(o)表示农作物未种植时，标杆的像素高度，P(o)表示标杆的实际高度。

农作物群体特征参数包括但不限于农作物植株密度。本发明以农作物植株密度作为农作物群体特征参数，其具体测量方法如下：：

步骤S3g、采集农作物冠层图像。

步骤S3h、对农作物冠层图像进行灰度处理。

步骤S3i、提取农作物的冠层面积并进行图像分析确定农作物的植株顶心，进一步确定农作物植株数量。

步骤S3j、计算单位面积上农作物的植株数量，得到农作物植株密度。

4、根据上述试验农作物特征参数与期望农作物特征参数的偏离程度评估农作物的长势情况。农作物的株高分布情况和植株密度直接影响农作物的长势情况，例如：如果农作物的株高分布不均匀，会导致高的农作物阻碍低的农作物吸收太阳光；同时，由于高的农作物在土壤中的根深度也高于低的植株，所以高的农作物过多吸收土壤中的水分和肥力，从而导致低的农作物无法吸取到土壤中充足的水分和肥力，最终导致低的农作物的长势情况较差。所以，本发明中，将株高值与农作物植株密度值作为评估农作物长势情况的参考因素。其具体过程如下：

步骤4a：分别计算试验农作物与期望农作物的株高的平均值，并作差计算，得到株高均值差值。

步骤4b：将试验农作物的植株密度与期望农作物的植株密度作方差计算，得到植株密度方差值。

步骤4c：综合上述农作物株高均值差值和植株密度方差值，分析农作物的长势情况。

本实施例提供了一种基于气候影响的农作物长势预测方法。该方法通过改变农作物生长的气候条件，建立农作物期望生长区域与试验生长区域，获取期望农作物和试验农作物的各种反映农作物长势的特征参数，通过综合分析农作物参数的偏离程度(如农作物株高均值差值和植株密度方差值)，精确地获得农作物的长势情况。

以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (9)

1.一种基于气候影响的农作物长势预测方法，包括以下步骤：

(1)在相邻的地理位置分别建立期望区域与试验区域，并分别种植同一品种的农作物；在期望区域生长的农作物称为期望农作物，且期望农作物在所在地区的室外自然气候条件下生长，在试验区域生长的农作物称为试验农作物，且试验农作物在室内的人工气候条件下生长；

(2)记录期望农作物和试验农作物的生育期，并采集期望农作物和试验农作物在不同生育期的长势数据；

(3)采集期望农作物和试验农作物的株高值和植株密度；

(4)根据试验农作物与期望农作物株高均值的差值和植株密度的方差值，评估农作物的长势情况。

2.如权利要求1所述的农作物长势预测方法，其特征在于，步骤(1)还包括以下步骤：

对于期望农作物，利用农业小气候监测系统采集其所生长的期望区域的气象数据，包括温度、光照、湿度并做好记录作为参考数据；对于试验农作物，利用人工模拟气候室，改变其所生长的试验区域的温度、光照或湿度的气候数值。

3.如权利要求2所述的农作物长势预测方法，其特征在于，所述农业小气候监测系统装置包括温度传感器、湿度传感器、光照传感器；所述温度传感器、湿度传感器、光照传感器分别用于温度、湿度和光照度参数采集。

4.如权利要求3所述的农作物长势预测方法，其特征在于，所述人工模拟气候室，设置温度传感器、湿度传感器、光照传感器、温度调节器、湿度调节器、光照调节装置；温度传感器与湿度传感器，用于气候室内的温度与湿度参数采集，温度调节器和湿度调节器能够进行温度、湿度调节；所述光照传感器耦接有光照控制电路，能够采集光照度并通过光照调节装置控制光照度。

5.如权利要求4所述的农作物长势预测方法，其特征在于，所述农业小气候监测系统和人工模拟气候室都还包括多相机实时拍摄系统、信息收集装置以及远程监控平台；所述多相机实时拍摄系统用于多角度实时观测农作物的生长情况，并将监测信息根据时间节点传至信息收集装置；所述信息收集装置包括图像采集装置和数据采集装置，且数据采集装置和图像采集装置将多相机实时拍摄系统拍摄的农作物长势信息通过有线网络或无线网络的方式传至远程监控平台，从而方便远程监控平台实时获得农作物的长势情况，提高了监测效率。

6.如权利要求1所述的农作物长势预测方法，其特征在于，在步骤(3)中，所述株高值的测量方法如下：

(5)分别在所种植的期望农作物和试验农作物中插有便于后续测量农作物株高的标杆，且标杆原始高度已知；

(6)在农作物的生育期内每单位时间通过摄像机获取一次田间带有标杆的农作物图像，所述农作物图像包括标杆和作为背景的农作物，且标杆与作为背景的农作物须在同一张图像上；

(7)根据标杆与作为背景的农作物的颜色和纹理信息差异提取农作物图像中的标杆并得到标杆图像；

(8)对所述标杆图像进行降噪处理得到标杆二值图像；

(9)从标杆二值图像中分别获取所述标杆二值图像中连通域的底部坐标和顶点坐标，再按下式计算得到所述标杆的像素高度：

H(p)＝max(y)-min(y)

式中，H(p)表示标杆的像素高度，y表示标杆二值图像中连通域的纵坐标信息，max(y)表示标杆二值图像中连通域的纵坐标的最大值，min(y)表示标杆二值图像中连通域的纵坐标的最小值；

(10)按下式计算农作物的株高数值：

H(s)＝(1-H(p)/H(o))*P(o)

式中，H(s)表示农作物株高，H(p)表示标杆的像素高度，H(o)表示未种植农作物时标杆的像素高度，P(o)表示标杆的实际高度。

7.如权利要求1所述的农作物长势预测方法，其特征在于，在步骤(3)中，所述植株密度的具体测量方法如下：

(11)采集农作物冠层图像；

(12)对农作物冠层图像进行灰度处理；

(13)提取农作物的冠层面积并进行图像分析确定农作物的植株顶心，进一步确定农作物植株数量；

(14)计算单位面积上农作物的植株数量，得到农作物密度。

8.如权利要求1所述的农作物长势预测方法，其特征在于，在步骤(4)中，具体包括以下步骤：

(15)分别计算试验农作物与期望农作物的株高的平均值，并作差计算，得到株高均值差值；

(16)将试验农作物的植株密度与期望农作物的植株密度作方差计算，得到植株密度方差值；

(17)综合上述农作物株高均值差值和植株密度方差值，分析农作物的长势情况。

9.如权利要求1～8任一所述的农作物长势预测方法，其特征在于，所述农作物包括水稻、小麦、玉米、高粱、大豆、花生、油菜、棉花或烟叶。