CN110765901A - 一种基于物联网的农业灾害信息遥感提取系统及方法 - Google Patents
一种基于物联网的农业灾害信息遥感提取系统及方法 Download PDFInfo
- Publication number
- CN110765901A CN110765901A CN201910957850.3A CN201910957850A CN110765901A CN 110765901 A CN110765901 A CN 110765901A CN 201910957850 A CN201910957850 A CN 201910957850A CN 110765901 A CN110765901 A CN 110765901A
- Authority
- CN
- China
- Prior art keywords
- disaster
- module
- data
- agricultural
- remote sensing
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000006378 damage Effects 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 abstract description 2
- 241000607479 Yersinia pestis Species 0.000 description 4
- 230000002595 cold damage Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 208000009084 Cold Injury Diseases 0.000 description 1
- 231100000809 Damage Assessment Model Toxicity 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000282898 Sus scrofa Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009746 freeze damage Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于农业灾害信息处理技术领域,公开了一种基于物联网的农业灾害信息遥感提取系统及方法,所述基于物联网的农业灾害信息遥感提取系统包括:图像采集模块、中央处理模块、灾害特征提取模块、灾害范围识别模块、灾害预测模块、灾害评估模块、灾害报警模块、显示模块。本发明通过灾害范围识别模块可以准确获知农业受灾范围边界;同时通过灾害预测模块采用对自变量数据进行数据清洗,偏差检测,时间校准,样本抽取的序列数据处理方式,能够有效地保证数据质量的同时,提高数据采样速度和处理准确性从而提高了预测精度,从而有效的降低灾害对农业的造成的损害。
Description
技术领域
本发明属于农业灾害信息处理技术领域,尤其涉及一种基于物联网的农业灾害信息遥感提取系统及方法。
背景技术
农业灾害包括自然灾害、病虫鸟兽活动的为害、人为因素造成的灾害。自然灾害如不良天气造成旱、涝、水土流失、阴雨过多光照不足、台风等。病虫鸟兽为害如各类病虫害、鸟害、鼠害、野猪破坏等;人为因素如不正确的耕作造成土壤结构破坏、大量化学农药使用、药物使用不当、人为践踏等造成的为害;农业气象灾害是不利气象条件给农业造成的灾害。由温度因子引起的有热害、冻害、霜冻、热带作物寒害和低温冷害;由水分因子引起的有旱灾、洪涝灾害、雪害和雹害;由风引起的有风害;由气象因子综合作用引起的有干热风、冷雨和冻涝害等;与气象的概念不同,农业气象灾害是结合农业生产遭受灾害而言的。例如寒潮、倒春寒等,在气象上是一种天气气候现象或过程,不一定造成灾害。但当它们危及小麦、水稻等农作物时,即造成冻害、霜冻、春季低温冷害等农业气象灾害。然而,现有农业灾害监测不能准确的获取受灾范围,不利于用户进行合理的防灾;同时不能及时的进行预测灾害,导致农业受灾严重。
综上所述,现有技术存在的问题是:现有农业灾害监测不能准确的获取受灾范围,不利于用户进行合理的防灾;同时不能及时的进行预测灾害,导致农业受灾严重。
发明内容
针对现有技术存在的问题,本发明提供了一种基于物联网的农业灾害信息遥感提取系统及方法。
本发明是这样实现的,一种基于物联网的农业灾害信息遥感提取系统包括:
图像采集模块、中央处理模块、灾害特征提取模块、灾害范围识别模块、灾害预测模块、灾害评估模块、灾害报警模块、显示模块;
图像采集模块,与中央处理模块连接,用于通过卫星采集自然灾害影像数据;
中央处理模块,与图像采集模块、灾害特征提取模块、灾害范围识别模块、灾害预测模块、灾害评估模块、灾害报警模块、显示模块连接,用于控制各个模块正常工作;
灾害特征提取模块,与中央处理模块连接,用于对图像采集模块采集的影像图像提取灾害特征元素;
灾害范围识别模块,与中央处理模块连接,用于根据灾害特征提取模块提取的灾害特征元素识别出受灾范围;
灾害预测模块,与中央处理模块连接,用于通过采集的影像数据预测灾害趋势;
灾害评估模块,与中央处理模块连接,用于通过采集的影像数据评估灾害的级别;
灾害报警模块,与中央处理模块连接,用于根据灾害评估模块评估级别来进行相应级别的报警;
显示模块,与中央处理模块连接,用于显示采集的影像图像及预测、评估数据信息。
一种基于物联网的农业灾害信息遥感提取方法包括以下步骤:
步骤一,通过图像采集模块采集自然灾害影像数据;
步骤二,中央处理模块调度灾害特征提取模块对图像采集模块采集的影像图像提取灾害特征元素;接着,通过灾害范围识别模块根据灾害特征提取模块提取的灾害特征元素识别出受灾范围;
步骤三,通过灾害预测模块根据采集的影像数据预测灾害趋势;通过灾害评估模块根据采集的影像数据评估灾害的级别;
步骤四,通过灾害报警模块根据灾害评估模块评估级别来进行相应级别的报警;
步骤五,通过显示模块显示采集的影像图像及预测、评估数据信息。
进一步,所述灾害范围识别模块识别方法如下:
首先,获取高分辨率的遥感影像,进行影像预处理;
然后,通过灾害特征参数反演,获得表征灾害特征的特征参数;
最后,根据所述特征参数对预处理后的高分辨率的遥感影像进行边界识别提取,识别出受灾范围,获取受灾范围信息。
进一步,所述灾害预测模块预测方法如下:
首先,获取多源采集的多种属性的数据,并按照相应属性进行存储;
其次,分别对各种属性的数据进行数据清洗,排除异常数据;分别对各种属性的数据缺失值进行补充;
接着,统一对各种属性的数据进行时间校准,分别对各种属性的数据进行样本数据抽取,去除冗余数据提取精简数据集;
然后,按照预定的灾害损失评估模型进行灾害损失评估预测。
在评估时,将需要利用遥感数据,尤其是空间分辨率较高的遥感数据,准确地确定受灾范围和面积。一般地说,不同的农业灾害,其受灾范围特征也不相同。通过高分辨率遥感图像,可以确定农业灾害受灾范围,主要是利用不同时期的图像对比,利用受灾前的图像与受灾后的图像进行比较,把受灾范围划定。同时,根据不同灾害程度,划分为不同的受灾等级。通常划分为6级较符合实际情况:绝收灾害(灾害导致没有任务绝收)、极为严重灾害、非常严重灾害、严重灾害、中等灾害和轻度灾害。
不同的农业灾害程度,将会产生不同的灾害损失。根据农业灾害分级,本发明把农业灾害损失确定为如下计算公式:
DL=YV*(A1*DA1+A2*DA2++A3*DA3+A4*DA4+A5*DA5+A6*DA6)式中DL是农业灾害损失,表示为产量(kg)或货币(元)。YV表示没有灾害发生时的农业收成(kg/亩或元/亩);DA1表示绝收(100%损失)灾害面积(亩);DA2表示极为严重灾害面积(亩);DA3表示非常严重灾害面积(亩);DA4表示严重灾害面积(亩);DA5表示中等灾害面积(亩);DA6表示轻度灾害面积(亩);A1表示绝收灾害的灾损率(A1=100%);A2=极为严重灾害的灾损率,可确定为A2=0.85;A3=非常严重灾害的灾损率,可确定为A3=0.70;A4=严重灾害的灾损率,可确定为A4=0.5;A5=中等灾害的灾损率,可确定为A5=0.35;A6=轻度灾害的灾损率,可确定为A6=0.2。
最后,进行预测精度检验,获得最终预测数据。
进一步,所述数据清洗的方法如下:
首先,确定稳定态数据;
其次,根据所述稳定态数据生成相应属性数据的自增量偏差模型,所述自增量偏差模型包含自增量偏差序列;
然后,以所述自增量偏差序列做正态性分布数据检验,获取所述自增量偏差序列的标准差范围;
最后,根据所述自增量偏差序列的标准差范围进行控制图偏差检测,提取所要求的精度范围,对后续数据进行检测,排除异常数据。
本发明的另一目的在于提供一种实现所述基于物联网的农业灾害信息遥感提取方法的计算机程序。
本发明的另一目的在于提供一种所述基于物联网的农业灾害信息遥感提取方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于物联网的农业灾害信息遥感提取方法。
本发明的优点及积极效果为:本发明通过灾害范围识别模块可以准确获知农业受灾范围边界;同时通过灾害预测模块采用对自变量数据进行数据清洗,偏差检测,时间校准,样本抽取的序列数据处理方式,能够有效地保证数据质量的同时,提高数据采样速度和处理准确性从而提高了预测精度,从而有效的降低灾害对农业的造成的损害。
附图说明
图1是本发明实施提供的基于物联网的农业灾害信息遥感提取方法流程图。
图2是本发明实施提供的基于物联网的农业灾害信息遥感提取系统结构示意图;
图中:1、图像采集模块;2、中央处理模块;3、灾害特征提取模块;4、灾害范围识别模块;5、灾害预测模块;6、灾害评估模块;7、灾害报警模块;8、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的技术方案作进一步描述。
如图1所示,本发明提供的一种基于物联网的农业灾害信息遥感提取方法包括以下步骤:
步骤S101,通过图像采集模块采集自然灾害影像数据;
步骤S102,中央处理模块调度灾害特征提取模块对图像采集模块采集的影像图像提取灾害特征元素;接着,通过灾害范围识别模块根据灾害特征提取模块提取的灾害特征元素识别出受灾范围;
步骤S103,通过灾害预测模块根据采集的影像数据预测灾害趋势;通过灾害评估模块根据采集的影像数据评估灾害的级别;
步骤S104,通过灾害报警模块根据灾害评估模块评估级别来进行相应级别的报警;
步骤S105,通过显示模块显示采集的影像图像及预测、评估数据信息。
如图2所示,本发明提供的基于物联网的农业灾害信息遥感提取系统包括:图像采集模块1、中央处理模块2、灾害特征提取模块3、灾害范围识别模块4、灾害预测模块5、灾害评估模块6、灾害报警模块7、显示模块8。
图像采集模块1,与中央处理模块2连接,用于通过卫星采集自然灾害影像数据;
中央处理模块2,与图像采集模块1、灾害特征提取模块3、灾害范围识别模块4、灾害预测模块5、灾害评估模块6、灾害报警模块7、显示模块8连接,用于控制各个模块正常工作;
灾害特征提取模块3,与中央处理模块2连接,用于对图像采集模块1采集的影像图像提取灾害特征元素;
灾害范围识别模块4,与中央处理模块2连接,用于根据灾害特征提取模块3提取的灾害特征元素识别出受灾范围;
灾害预测模块5,与中央处理模块2连接,用于通过采集的影像数据预测灾害趋势;
灾害评估模块6,与中央处理模块2连接,用于通过采集的影像数据评估灾害的级别;
灾害报警模块7,与中央处理模块2连接,用于根据灾害评估模块6评估级别来进行相应级别的报警;
显示模块8,与中央处理模块2连接,用于显示采集的影像图像及预测、评估数据信息。
本发明提供的灾害范围识别模块4识别方法如下:
首先,获取高分辨率的遥感影像,进行影像预处理;
然后,通过灾害特征参数反演,获得表征灾害特征的特征参数;
最后,根据所述特征参数对预处理后的高分辨率的遥感影像进行边界识别提取,识别出受灾范围,获取受灾范围信息。
本发明提供的灾害预测模块5预测方法如下:
首先,获取多源采集的多种属性的数据,并按照相应属性进行存储;
其次,分别对各种属性的数据进行数据清洗,排除异常数据;分别对各种属性的数据缺失值进行补充;
接着,统一对各种属性的数据进行时间校准,分别对各种属性的数据进行样本数据抽取,去除冗余数据提取精简数据集;
然后,按照预定的预测模型进行数据预测;
最后,进行预测精度检验,获得最终预测数据。
数据在评估时,将需要利用遥感数据,尤其是空间分辨率较高的遥感数据,准确地确定受灾范围和面积。一般地说,不同的农业灾害,其受灾范围特征也不相同。通过高分辨率遥感图像,可以确定农业灾害受灾范围,主要是利用不同时期的图像对比,利用受灾前的图像与受灾后的图像进行比较,把受灾范围划定。同时,根据不同灾害程度,划分为不同的受灾等级。通常划分为6级较符合实际情况:绝收灾害(灾害导致没有任务绝收)、极为严重灾害、非常严重灾害、严重灾害、中等灾害和轻度灾害。
不同的农业灾害程度,将会产生不同的灾害损失。根据农业灾害分级,本发明把农业灾害损失确定为如下计算公式:
DL=YV*(A1*DA1+A2*DA2++A3*DA3+A4*DA4+A5*DA5+A6*DA6)式中DL是农业灾害损失,表示为产量(kg)或货币(元)。YV表示没有灾害发生时的农业收成(kg/亩或元/亩);DA1表示绝收(100%损失)灾害面积(亩);DA2表示极为严重灾害面积(亩);DA3表示非常严重灾害面积(亩);DA4表示严重灾害面积(亩);DA5表示中等灾害面积(亩);DA6表示轻度灾害面积(亩);A1表示绝收灾害的灾损率(A1=100%);A2=极为严重灾害的灾损率,可确定为A2=0.85;A3=非常严重灾害的灾损率,可确定为A3=0.70;A4=严重灾害的灾损率,可确定为A4=0.5;A5=中等灾害的灾损率,可确定为A5=0.35;A6=轻度灾害的灾损率,可确定为A6=0.2。
本发明提供的数据清洗的方法如下:
首先,确定稳定态数据;
其次,根据所述稳定态数据生成相应属性数据的自增量偏差模型,所述自增量偏差模型包含自增量偏差序列;
然后,以所述自增量偏差序列做正态性分布数据检验,获取所述自增量偏差序列的标准差范围;
最后,根据所述自增量偏差序列的标准差范围进行控制图偏差检测,提取所要求的精度范围,对后续数据进行检测,排除异常数据。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于物联网的农业灾害信息遥感提取方法,其特征在于,所述基于物联网的农业灾害信息遥感提取方法包括以下步骤:
步骤一,通过图像采集模块采集自然灾害影像数据;
步骤二,中央处理模块调度灾害特征提取模块对图像采集模块采集的影像图像提取灾害特征元素;接着,通过灾害范围识别模块根据灾害特征提取模块提取的灾害特征元素识别出受灾范围;
步骤三,通过灾害预测模块根据采集的影像数据预测灾害趋势;通过灾害评估模块根据采集的影像数据评估灾害的级别;
步骤四,通过灾害报警模块根据灾害评估模块评估级别来进行相应级别的报警;
步骤五,通过显示模块显示采集的影像图像及预测、评估数据信息。
2.如权利要求1所述的基于物联网的农业灾害信息遥感提取方法,其特征在于,所述灾害范围识别模块识别方法如下:
首先,获取高分辨率的遥感影像,进行影像预处理;
然后,通过灾害特征参数反演,获得表征灾害特征的特征参数;
最后,根据所述特征参数对预处理后的高分辨率的遥感影像进行边界识别提取,识别出受灾范围,获取受灾范围信息。
3.如权利要求1述的基于物联网的农业灾害信息遥感提取方法,其特征在于,所述灾害预测模块预测方法如下:
首先,获取多源采集的多种属性的数据,并按照相应属性进行存储;
其次,分别对各种属性的数据进行数据清洗,排除异常数据;分别对各种属性的数据缺失值进行补充;
接着,统一对各种属性的数据进行时间校准,分别对各种属性的数据进行样本数据抽取,去除冗余数据提取精简数据集;
然后,按照预定的预测模型进行数据预测;
在评估时,将需要利用遥感数据,尤其是空间分辨率较高的遥感数据,准确地确定受灾范围和面积。一般地说,不同的农业灾害,其受灾范围特征也不相同。通过高分辨率遥感图像,可以确定农业灾害受灾范围,主要是利用不同时期的图像对比,利用受灾前的图像与受灾后的图像进行比较,把受灾范围划定。同时,根据不同灾害程度,划分为不同的受灾等级。通常划分为6级较符合实际情况:绝收灾害、极为严重灾害、非常严重灾害、严重灾害、中等灾害和轻度灾害;
不同的农业灾害程度,将会产生不同的灾害损失。根据农业灾害分级,本发明把农业灾害损失确定为如下计算公式:
DL=YV*(A1*DA1+A2*DA2++A3*DA3+A4*DA4+A5*DA5+A6*DA6)式中DL是农业灾害损失,表示为产量(kg)或货币(元)。YV表示没有灾害发生时的农业收成(kg/亩或元/亩);DA1表示绝收(100%损失)灾害面积(亩);DA2表示极为严重灾害面积(亩);DA3表示非常严重灾害面积(亩);DA4表示严重灾害面积(亩);DA5表示中等灾害面积(亩);DA6表示轻度灾害面积(亩);A1表示绝收灾害的灾损率(A1=100%);A2=极为严重灾害的灾损率,可确定为A2=0.85;A3=非常严重灾害的灾损率,可确定为A3=0.70;A4=严重灾害的灾损率,可确定为A4=0.5;A5=中等灾害的灾损率,可确定为A5=0.35;A6=轻度灾害的灾损率,确定为A6=0.2;
最后,进行预测精度检验,获得最终预测数据。
4.如权利要求3所述的基于物联网的农业灾害信息遥感提取方法,其特征在于,所述数据清洗的方法如下:
首先,确定稳定态数据;
其次,根据所述稳定态数据生成相应属性数据的自增量偏差模型,所述自增量偏差模型包含自增量偏差序列;
然后,以所述自增量偏差序列做正态性分布数据检验,获取所述自增量偏差序列的标准差范围;
最后,根据所述自增量偏差序列的标准差范围进行控制图偏差检测,提取所要求的精度范围,对后续数据进行检测,排除异常数据。
5.一种实现权利要求1~4任意一项所述基于物联网的农业灾害信息遥感提取方法的计算机程序。
6.一种实现权利要求1~4任意一项所述基于物联网的农业灾害信息遥感提取方法的信息数据处理终端。
7.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-4任意一项所述的基于物联网的农业灾害信息遥感提取方法。
8.一种基于权利要求1所述基于物联网的农业灾害信息遥感提取方法的物联网的农业灾害信息遥感提取系统,其特征在于,所述基于物联网的农业灾害信息遥感提取系统包括:
图像采集模块,与中央处理模块连接,用于通过卫星采集自然灾害影像数据;
中央处理模块,与图像采集模块、灾害特征提取模块、灾害范围识别模块、灾害预测模块、灾害评估模块、灾害报警模块、显示模块连接,用于控制各个模块正常工作;
灾害特征提取模块,与中央处理模块连接,用于对图像采集模块采集的影像图像提取灾害特征元素;
灾害范围识别模块,与中央处理模块连接,用于根据灾害特征提取模块提取的灾害特征元素识别出受灾范围;
灾害预测模块,与中央处理模块连接,用于通过采集的影像数据预测灾害趋势;
灾害评估模块,与中央处理模块连接,用于通过采集的影像数据评估灾害的级别;
灾害报警模块,与中央处理模块连接,用于根据灾害评估模块评估级别来进行相应级别的报警;
显示模块,与中央处理模块连接,用于显示采集的影像图像及预测、评估数据信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910957850.3A CN110765901A (zh) | 2019-10-10 | 2019-10-10 | 一种基于物联网的农业灾害信息遥感提取系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910957850.3A CN110765901A (zh) | 2019-10-10 | 2019-10-10 | 一种基于物联网的农业灾害信息遥感提取系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110765901A true CN110765901A (zh) | 2020-02-07 |
Family
ID=69331638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910957850.3A Pending CN110765901A (zh) | 2019-10-10 | 2019-10-10 | 一种基于物联网的农业灾害信息遥感提取系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765901A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560833A (zh) * | 2021-03-01 | 2021-03-26 | 广州汇图计算机信息技术有限公司 | 一种基于遥感影像的信息展示系统 |
CN112801419A (zh) * | 2021-03-17 | 2021-05-14 | 广东技术师范大学 | 基于自适应感受野ssd的鼠害程度级别预测方法和装置 |
CN115082043A (zh) * | 2022-07-21 | 2022-09-20 | 成都戎星科技有限公司 | 一种烟叶种植遥感监管系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799561A (zh) * | 2010-02-05 | 2010-08-11 | 民政部国家减灾中心 | 一种基于减灾小卫星的雪灾遥感监测模拟评估方法 |
CN102005022A (zh) * | 2010-10-19 | 2011-04-06 | 中国科学院遥感应用研究所 | 链型灾害的灾害损失遥感综合评估方法 |
KR101437417B1 (ko) * | 2013-03-08 | 2014-09-16 | 한국건설기술연구원 | 화산재해 대응 시스템 |
CN109918449A (zh) * | 2019-03-16 | 2019-06-21 | 中国农业科学院农业资源与农业区划研究所 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
-
2019
- 2019-10-10 CN CN201910957850.3A patent/CN110765901A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799561A (zh) * | 2010-02-05 | 2010-08-11 | 民政部国家减灾中心 | 一种基于减灾小卫星的雪灾遥感监测模拟评估方法 |
CN102005022A (zh) * | 2010-10-19 | 2011-04-06 | 中国科学院遥感应用研究所 | 链型灾害的灾害损失遥感综合评估方法 |
KR101437417B1 (ko) * | 2013-03-08 | 2014-09-16 | 한국건설기술연구원 | 화산재해 대응 시스템 |
CN109918449A (zh) * | 2019-03-16 | 2019-06-21 | 中国农业科学院农业资源与农业区划研究所 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560833A (zh) * | 2021-03-01 | 2021-03-26 | 广州汇图计算机信息技术有限公司 | 一种基于遥感影像的信息展示系统 |
CN112560833B (zh) * | 2021-03-01 | 2021-05-11 | 广州汇图计算机信息技术有限公司 | 一种基于遥感影像的信息展示系统 |
CN112801419A (zh) * | 2021-03-17 | 2021-05-14 | 广东技术师范大学 | 基于自适应感受野ssd的鼠害程度级别预测方法和装置 |
CN112801419B (zh) * | 2021-03-17 | 2021-08-27 | 广东技术师范大学 | 基于自适应感受野ssd的鼠害程度级别预测方法和装置 |
CN115082043A (zh) * | 2022-07-21 | 2022-09-20 | 成都戎星科技有限公司 | 一种烟叶种植遥感监管系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeng et al. | A hybrid approach for detecting corn and soybean phenology with time-series MODIS data | |
Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
CN110765901A (zh) | 一种基于物联网的农业灾害信息遥感提取系统及方法 | |
CN110514248B (zh) | 一种基于大数据的智能化、自动化农业数据采集系统 | |
CN116738766B (zh) | 基于数字孪生的智慧农业线上产业化服务系统 | |
CN111767802A (zh) | 一种对象异常状态的检测方法和装置 | |
CN112215716A (zh) | 农作物生长干预方法、装置、设备及存储介质 | |
CN109918449B (zh) | 一种基于物联网的农业灾害信息遥感提取方法及系统 | |
Acevedo-Opazo et al. | Assessment of an empirical spatial prediction model of vine water status for irrigation management in a grapevine field | |
CN111316802B (zh) | 基于大型喷灌机的作物水肥监测方法、装置、设备及介质 | |
CN112070297A (zh) | 农事活动的天气指标预测方法、装置、设备及存储介质 | |
CN117114374B (zh) | 一种基于天气预测的智慧农业灌溉管理系统 | |
CN102663396B (zh) | 一种水稻乳熟期自动检测的方法 | |
CN112434569B (zh) | 一种无人机热成像系统 | |
CN104950082A (zh) | 一种病虫害预测系统 | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
Liu et al. | Open-air grape classification and its application in parcel-level risk assessment of late frost in the eastern Helan Mountains | |
Iorliam et al. | Internet of things for smart agriculture in Nigeria and Africa: a review | |
CN111583050A (zh) | 融合多尺度遥感影像的农作物病虫害预警方法及系统 | |
CN115420688A (zh) | 一种基于物联网的农业灾害信息遥感提取损失评估方法 | |
CN102621075A (zh) | 一种水稻抽穗期自动检测的方法 | |
CN113836188A (zh) | 数据处理方法、装置、服务器及存储介质 | |
CN113112147A (zh) | 一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法 | |
Palomo et al. | Water Stress Estimation from Leaf Turgor Pressure inArbequina'Olive Orchards Based on Linear Discriminant Analysis | |
Kumar et al. | Smart Farming Using Machine Learning and IOT |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |