CN111565556A - 用于确定农业相关信息的装置 - Google Patents
用于确定农业相关信息的装置 Download PDFInfo
- Publication number
- CN111565556A CN111565556A CN201880081441.5A CN201880081441A CN111565556A CN 111565556 A CN111565556 A CN 111565556A CN 201880081441 A CN201880081441 A CN 201880081441A CN 111565556 A CN111565556 A CN 111565556A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- data
- acquired
- sensor
- 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
- 230000005855 radiation Effects 0.000 claims abstract description 90
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 24
- 238000010521 absorption reaction Methods 0.000 claims description 19
- 239000000443 aerosol Substances 0.000 claims description 17
- 230000010287 polarization Effects 0.000 claims description 15
- 230000003595 spectral effect Effects 0.000 claims description 14
- 239000002028 Biomass Substances 0.000 claims description 11
- 230000001902 propagating effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 14
- 239000000203 mixture Substances 0.000 description 8
- 238000012937 correction Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- 230000003936 working memory Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000417 fungicide Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/12—Sunshine duration recorders
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
Abstract
本发明涉及一种用于确定农业环境中的农业相关信息的装置。描述了向处理单元提供(210)农业区域的至少一个图像。该至少一个图像由至少一个卫星和/或至少一个飞行器获取,使得该至少一个图像穿过相当大深度的地球大气获取。该至少一个图像与农业区域的至少一个区域对应,使得该至少一个图像中的每个图像对应于农业区域的不同区域。该至少一个图像包括与地面上的多个特征有关的远程获取的反射强度数据。该至少一个图像中的图像具有农业环境的第一区域。为处理单元提供(220)与农业环境的第一区域有关的至少一个传感器数据。该至少一个传感器数据由至少一个基于地面的传感器和/或至少一个基于接近地面的传感器获取。处理单元实现(230)利用至少一个模型参数的大气的辐射传播模型。该至少一个模型参数包括至少一个大气散射系数。处理单元确定(240)修改的至少一个模型参数。该确定包括利用辐射传播模型、第一区域的图像的远程获取的反射强度数据以及与第一区域有关的至少一个传感器数据。处理单元确定(250)用于至少一个区域的检查区域的至少一个农业相关信息。该确定利用辐射传播模型、所修改的至少一个模型参数以及具有至少一个区域的检查区域的至少一个图像中的图像。
Description
技术领域
本发明涉及一种用于确定农业相关信息的装置、一种用于确定农业相关信息的系统,以及一种用于确定农业相关信息的方法以及一种计算机程序元件。
背景技术
本发明的总体背景是利用传感器获取的数据以向农民提供对在他们的农田中正在发生的事情的理解。从卫星获取的图像得到的信息不能准确地向农民提供必要的信息(无论是否经过校准),以决定如何管理他们的田地和田地中的作物,因为无法在所需水平上模拟大气。此外,基于地面的传感器获取的数据可能非常准确,但无法提供不同农田上以及特定田地内的所需覆盖范围。
发明内容
具有改进的用于确定农业相关信息的手段将是有利的。
本发明的目的采用独立权利要求的主题解决,其中其它实施例在从属权利要求中被并入。应当注意,本发明的以下描述的方面和示例还适用于用于确定农业相关信息的装置、用于确定农业相关信息的系统以及用于确定农业相关信息的方法。
根据第一方面,提供一种用于确定农业环境中的农业相关信息的装置,包括:
-输入单元;以及
-处理单元。
输入单元被配置为向处理单元提供农业区域的至少一个图像。该至少一个图像由至少一个卫星和/或至少一个飞行器获取,使得该至少一个图像穿过相当大深度的地球大气获取。该至少一个图像与农业区域的至少一个区域对应,使得该至少一个图像中的每个图像对应于农业区域的不同区域。该至少一个图像包括与地面上的多个特征有关的远程获取的反射强度数据。该至少一个图像的图像具有农业环境的第一区域。输入单元被配置为向处理单元提供与农业环境的第一区域有关的至少一个传感器数据,其中该至少一个传感器数据通过至少一个基于地面的传感器和/或至少一个基于近地面的传感器获取。处理单元被配置为实现利用至少一个模型参数的大气的辐射传播模型。该至少一个模型参数包括至少一个大气散射系数。处理单元还被配置为确定修改的至少一个模型参数。该确定包括利用辐射传播模型、第一区域的图像的远程获取的反射强度数据以及与第一区域有关的至少一个传感器数据。处理单元被配置为确定用于至少一个区域的检查区域的至少一个农业相关信息。该确定包括利用辐射传播模型、修改的至少一个模型参数以及具有至少一个区域的检查区域的至少一个图像的图像。
换句话说,诸如辐射传递模型或暗物体扣除的辐射传播模型可以利用地面真实信息来扩充模型变量,从而使得所获取的图像能够被校正并被用于提供农业相关信息。
在示例中,该至少一个模型参数包括至少一个大气吸收系数。
在示例中,该至少一个模型参数包括穿过大气传播的辐射的至少一个偏振态。
换句话说,地面真实信息用于校正已经在地面真实信息可用的区域的图像上操作的大气辐射传播模型,并且这使得修改的模型参数可以针对辐射传播模型被确定,该修改的模型参数然后可以被辐射传播模型使用以确定该区域和其它区域二者的获取图像的准确农业相关信息。
以该方式,来自不同位置的卫星的图像和/或相同区域或不同区域的不同卫星的图像可以被校正,以便它们可以提供将已经由相同的卫星穿过非扰动的大气获取的等效图像。因此,不仅农业相关信息可以针对提供绝对定量值的区域被获取,而且此类定量农业信息可以基于从一个系统获取的图像从不同的图像获取系统被提供,该系统也具有基于地面(或接近地面)的传感器获取的数据。因此,例如,可以从卫星和飞机获取的农业区域的图像提供绝对纯生物量信息。
换句话说,通过直接测量地表的特性或接近地表的大气的特性,对大气成分的更好理解(通过过滤以建模参数,诸如散射系数和吸收系数以及辐射的偏振)可以被用于微调作为辐射传播模型的一部分操作的校正算法所需的参数。然后,该知识可以用于没有附加数据可用的该场景和其它场景。
在示例中,检查区域是第一区域,并且处理单元被配置为确定第一区域的修改图像。该确定包括利用辐射传播模型和修改的至少一个模型参数以及所获取的第一区域的图像。
在示例中,检查区域是多个区域中的与第一区域不同的第二区域,并且其中至少一个图像的图像是第二区域的图像。处理单元被配置为确定第二区域的修改图像。该确定包括利用辐射传播模型和修改的至少一个模型参数以及所获取的第二区域的图像。
在示例中,至少一个传感器数据包括与地面上的多个特征中的至少一个特征有关的传感器反射强度数据。
换句话说,地面或接近地面的传感器正在穿过不太大深度的地球大气获取地面上的特征的反射数据。因此,反射数据可被视为由传感器和地面之间的大气被轻微地修改。
在示例中,远程获取的反射强度数据包括光谱数据,并且传感器反射强度数据包括光谱数据。
以该方式,通过了解地球表面处(在一个或所有频带中)的真实反射强度,通过将已经被辐射传递算法(或暗物体扣除模型)校正的图像与具有在一个或多个波长带上的真实反射强度的地面真实图像进行比较,实现对辐射传递算法中使用的参数(吸收系数和散射系数)的微调。即使没有地面真实数据可用,该知识也可以被转移到该场景和其它场景。
在示例中,至少一个传感器图像包括传感器反射强度数据。
换句话说,至少一个传感器中的一个传感器可以是照相机,该照相机可以是具有光谱能力的相机。这可以是RGB照相机,或例如可以在可见波长范围内、近红外波长范围内、中红外波长范围内或这些波长范围中多于一个的波长范围内具有nm分辨率的高光谱照相机。
在示例中,至少一个传感器数据包括以下中的一个或多个:温度数据;气压数据;湿度数据;空气成分;气溶胶密度数据;气溶胶成分;颗粒成分;与入射在第一区域处的阳光有关的光谱数据。
换句话说,用于温度、气压、湿度、空气成分(其中可能存在不同气体,诸如O3、O2、N2O、CH4和在检测光谱范围内具有吸收带的其它分子,以及其中空气中可能存在水蒸气和/或灰尘)以及诸如空气中的颗粒形状的颗粒成分(当辐射被散射时可导致偏振效应)以及空气中的气溶胶含量的真实值可用于校正辐射传递模型(或暗物体扣除模型),并且由于这些真实值与最厚且吸收和散射过程相应最为普遍的地面(针对DOS模型的散射)附近的大气有关,因此此类数据导致来自辐射传递模型(或暗物体扣除模型)的改进分析。
在示例中,至少一个模型参数包括以下中的一个或多个:温度数据;气压数据;湿度数据;空气成分;气溶胶密度数据;气溶胶成分;颗粒成分。
换句话说,大气的大气模型可以利用参数,与一些参数(温度数据;气压数据;湿度数据;气溶胶密度数据)有关的信息可以通过基于地面的传感器被直接确定,并且一些参数(大气散射参数和吸收系数以及辐射偏振态)可以基于所获取的地面图像被间接确定,并且该信息可以被用于校正大气模型,以便可以更好地使用所获取的图像以提供农业相关信息。
在示例中,确定用于检查区域的至少一个农业相关信息包括确定至少一个生物量指示。
在示例中,在与至少一个传感器数据基本上相同的时间获取第一图像。
在示例中,检查区域是与第一区域不同的区域,并且其中,具有检查区域的至少一个图像的图像在与至少一个传感器数据基本上相同的时间获取。
根据第二方面,提供了一种用于确定农业环境中的农业相关信息的系统,包括:
-至少一个基于地面的传感器和/或至少一个基于接近地面的传感器;
-用于根据第一方面确定农业环境中的农业相关信息的装置;以及
-输出单元。
至少一个基于地面的传感器和/或至少一个基于接近地面的传感器被配置为获取至少一个传感器数据。输出单元被配置为输出至少一个农业相关信息。
根据第三方面,提供了一种用于确定农业环境中的农业相关信息的方法,该方法包括:
a)向处理单元提供农业区域的至少一个图像,其中,该至少一个图像由至少一个卫星和/或至少一个飞行器获取,使得至少一个图像穿过相当大深度的地球大气获取,其中,至少一个图像与农业区域的至少一个区域对应,使得至少一个图像的每个图像对应于农业区域的不同区域;以及其中,至少一个图像包括与地面上多个特征有关的远程获取的反射强度数据;以及其中,至少一个图像中的图像具有农业环境的第一区域;
b)向处理单元提供与农业环境的第一区域有关的至少一个传感器数据,其中,至少一个传感器数据由至少一个基于地面的传感器和/或至少一个基于接近地面的传感器获取;
c)由处理单元实现利用至少一个模型参数的大气的辐射传播模型,其中,至少一个模型参数包括至少一个大气散射系数;
d)由处理单元确定修改的至少一个模型参数,该确定包括利用辐射传播模型、第一区域的图像的远程获取的反射强度数据以及与第一区域有关的至少一个传感器数据;以及
e)由处理单元确定用于至少一个区域的检查区域的至少一个农业相关信息,该确定包括利用辐射传播模型、所修改的至少一个模型参数以及具有至少一个区域的检查区域的至少一个图像的图像。
根据另一方面,提供了一种用于控制根据第一方面的装置和/或根据第二方面的系统的计算机程序元件,该计算机程序元件在由处理器执行时被配置为执行第三方面的方法。
有利地,由以上任何方面提供的益处同样适用于所有其它方面,反之亦然。
参考下面描述的实施例,上述方面和示例将被阐明并且变得显而易见。
附图说明
下面将参考以下附图描述示例性实施例:
图1示出用于确定农业相关信息的装置的示例的示意性设置;
图2示出用于确定农业相关信息的系统的示例的示意性设置。
图3示出用于确定农业相关信息的方法;以及
图4示出用于确定农业相关信息的系统的详细示例的示意图。
具体实施方式
图1示出用于确定农业环境中的农业相关信息的装置10的示例。装置10包括输入单元20和处理单元30。输入单元20被配置为向处理单元30提供农业区域的至少一个图像。该至少一个图像由至少一个卫星和/或至少一个飞行器获取,使得至少一个图像穿过相当大深度的地球大气获取。该至少一个图像与农业区域的至少一个区域对应,使得至少一个图像的每个图像对应于农业区域的不同区域。该至少一个图像还包括与地面上多个特征有关的远程获取的反射强度数据。该至少一个图像的图像是农业环境的第一区域的图像。输入单元20还被配置为向处理单元30提供与农业环境的第一区域有关的至少一个传感器数据。至少一个传感器数据由至少一个基于地面的传感器和/或至少一个基于接近地面的传感器获取。处理单元30被配置为实现利用至少一个模型参数的大气的辐射传播模型。该至少一个模型参数包括至少一个大气散射系数。处理单元30还被配置为确定修改的至少一个模型参数。该确定包括利用辐射传播模型、第一区域的图像的远程获取的反射强度数据以及与第一区域有关的至少一个传感器数据。处理单元30还被配置为确定用于至少一个区域的检查区域的至少一种农业相关信息,其中,该确定包括利用辐射传播模型、修改的至少一个模型参数以及具有至少一个区域的检查区域的至少一个图像的图像。
根据示例,该至少一个模型参数包括至少一个大气吸收系数。
根据示例,该至少一个模型参数包括穿过大气传播的辐射的至少一个偏振态。
在示例中,辐射传播模型是暗物体扣除模型。
在示例中,辐射传播模型是辐射传递模型。
在示例中,检查区域是第一区域。换句话说,将区域的图像与辐射传递模型或暗物体扣除模型以及用于该区域的地面真实数据一起使用,以使用于该模型的经校正或修改的变量(大气散射系数,以及必要时的吸收系数和偏振)能够被确定并且然后使图像能够被更好地解释以便提供准确的农业相关信息。
在示例中,该至少一个图像包括多个图像,并且检查区域是与第一区域不同的区域。换句话说,将区域的图像与辐射传递模型或暗物体扣除模型以及用于该区域的地面真实数据一起使用,以使用于该模型的经校正或修改的变量能够被确定然后使得不同区域的另一个图像能够被分析以便提供准确的农业相关信息。
在示例中,辐射传递模型包括6SV1算法。在示例中,辐射传递模型包括RT3(辐射传递)算法。在示例中,辐射传递模型包括MODTRAN(中等分辨率大气透射率和辐射率)算法。在示例中,辐射传递模型包括SHARM(球形谐波)算法。在示例中,可以利用其它大气透射、吸收和反射算法。在示例中,辐射传递模型包括这些算法中的两个或更多个算法的组合。关于6SV1算法的更多细节可在S.Y.Kotchenova等人在应用光学45,第6762-6774页(2006年)的“Validation of a vector version of the 6S radiative transfer code foratmospheric correction of satellite data.Part I:path radiance”以及S.Y.Kotchenova等人在应用光学46,第4455-4464页(2007年)的“Validation of a vectorversion of the 6S radiative transfer code for atmospheric correction ofsatellite data.Part II:Lambertian and anisotropic surfaces”的论文中找到。关于MODTRAN算法的更多细节可以在A.Berk等人在会议SPIE 3756,第348-353页(1999年)的““MODTRAN4”radiative transfer modelling for atmospheric correction”的论文中找到。关于RT3算法的更多细节可以在K.F.Evans和G.L.Stephans在J.Quant.Spectrosc.Radiat.Transfer 46,第413-423页(1991年)的“A new polorized atmospheric radiativetransfer model”的论文中找到。关于SHARM算法的更多细节可在T.Z.Muldashev等人在J.Quant.Spectrosc.Radiat.Transfer 61,第393-404页(1999年)的“Spherical harmonicsmethod in the problem of radiative transfer in the atmosphere–surface system”和A.I.Lyapustin在应用光学44,第7764-7772页(2005年)的“、Radiative transfer codeSHARM for atmospheric and terrestrial application”的论文中找到。
关于暗物体扣除模型的更多细节可在P.S.Chavez Jr的在环境遥感,24,第459-479页(1988年)的“An improved dark-object subtraction technique for atmosphericscattering correction for multi-spectral dat”的论文中找到。
根据示例,检查区域是第一区域,并且处理单元被配置为确定第一区域的修改图像,其中,该确定包括利用辐射传播模型和修改的至少一个模型参数以及获取的第一区域的图像。
根据示例,检查区域是多个区域中的与第一区域不同的第二区域,并且其中至少一个图像的图像具有第二区域。处理单元被配置为确定第二区域的修改图像。该确定包括利用辐射传播模型和修改的至少一个模型参数以及获取的第二区域的图像。
根据示例,该至少一个传感器数据包括与地面上的多个特征中的至少一个特征有关的传感器反射强度数据。
在示例中,至少一个传感器获取反射数据包括无源感测,该无源感测可以涉及成像。因此,被获取的反射数据与已经穿过大气到地面上的特征的阳光有关,辐射从该特征反射,并且然后该反射的辐射穿过最小的大气深度传播到至少一个传感器。因此,实际上,可以使用诸如辐射传递模型或暗物体扣除模型的辐射传播模型来校正与已穿过大气传播到地面上的特征并从地面上的特征反射的阳光有关的大气散射(以及用于辐射传递模型的大气吸收和偏振效应),并且然后该反射的辐射可能在不同的方向和角度上采用入射辐射的不同偏振和不同光谱功率分布穿过大气传播回例如卫星上的远程传感器。
实现这点是因为实际上可以使用具有理想化的吸收系数和散射系数(以及理想偏振状态信息)的辐射传递模型(这些参数也是地面以上高度的函数)来确定用于地面上特征的理想化的反射强度数据。但是,基于地面的传感器获取的反射数据提供从地面上的特征到远程检测系统行进时未遭受辐射吸收和散射(以及其它大气干扰效应)的数据。因此,通过将使用辐射传递模型确定的理想化的反射数据与基于地面(或基于接近地面)的反射数据进行比较,可以修改理想化的吸收系数和散射系数,直到用于通过模型产生的特征的反射数据与已经穿过从特征反射的大气的阳光一致并被立即检测到为止。这同样适用于偏振,并且适用于被应用于来自太阳的入射辐射和传播至诸如卫星的遥感平台的出射辐射的校正。因此,辐射传递模型(或暗物体扣除模型)现在已校正或修改了吸收和散射系数以及偏振(以及用于DOS模型的散射系数),该吸收和散射系数以及偏振可以被应用于其它远程获取图像,以便提供与大气吸收或散射无关的更准确的反射数据。这是因为也可以校正穿过大气传输到地面上的特征的阳光的影响。用于地面上的特征(诸如农作物的叶子)的此类准确的经校正的反射数据可被用于确定准确的农业相关信息,诸如生物量指数。
类似地,假设地面上的暗物体具有零反射的暗物体扣除模型可以被修改以提供与实际获取的地面真实数据相匹配的结果,并且然后该模型可以被应用于远程获取的图像以确定农业相关信息。
在示例中,获取反射数据的至少一个传感器包括有源感测,该有源感测可以涉及成像。因此,例如传感器可以发射从地面反射的辐射并且所反射的辐射被检测。这可以是单个波长,或具有光谱含量。但是,该地面真实信息几乎没有受到大气干扰,并且可以被用于校正辐射传递模型以提供更正确的经修改的吸收系数和散射系数。
根据示例,远程获取的反射强度数据包括光谱数据,并且传感器反射强度数据包括光谱数据。
根据示例,至少一个传感器图像包括传感器反射强度数据。根据示例,至少一个传感器数据包括以下中的一个或多个:温度数据;气压数据;湿度数据;空气成分;气溶胶密度数据;气溶胶成分;颗粒成分;与入射在第一区域处的阳光有关的光谱数据。
在示例中,至少一个传感器数据包括在地面以上的多个高度处获取的数据。
通过提供具有竖直保真度的数据,提供了大气随高度缩放的大致初步了解,实现辐射传递算法的更准确校正。
换句话说,朝天看的光谱仪获取入射阳光的光谱。该地面真实数据可以被单独使用以校正辐射传递模型,并提供修改的吸收系数和散射系数以及辐射偏振(或校正暗物体扣除模型并提供修改的散射系数)。然而,当传感器数据还包括来自地面上的特征的反射数据(可以是单色或多光谱的)时,该数据与阳光光谱一起可以被用于为辐射传递模型(或DOS模型)提供改进的校正,因为大气的影响可以被完全校正以实现可以从远程平台(诸如卫星)被获取的准确和定量的地面图像,从中可以确定定量的农业相关信息。
根据示例,至少一个模型参数包括以下中的一个或多个:温度数据;气压数据;湿度数据;空气成分;气溶胶密度数据;气溶胶成分;颗粒成分。
根据示例,确定用于检查区域的至少一种农业相关信息包括确定至少一个生物量指示。
在示例中,确定至少一个生物量指示包括确定至少一个归一化差异植被指数。
根据示例,在与至少一个传感器数据基本上相同的时间获取第一图像。
根据示例,检查区域是与第一区域不同的区域,并且在与至少一个传感器数据基本上相同的时间获取具有检查区域的至少一个图像的图像。
在示例中,在与至少一个传感器数据基本上相同的时间获取农业区域的至少一个图像的每个图像。
通过与卫星获取的图像同时获取基于地面的传感器数据,可以确保关于卫星或飞行器获取的图像以及关于基于地面的传感器数据适用相同的环境条件。
图2示出用于确定农业环境中的农业相关信息的系统100的示例。系统10包括至少一个基于地面的传感器和/或至少一个基于接近地面的传感器110以及用于确定如关于图1所述的农业环境中的农业相关信息的装置10。该系统还包括输出单元120。该至少一个基于地面的传感器和/或至少一个基于接近地面的传感器110被配置为获取至少一个传感器数据。输出单元120被配置为输出至少一个农业相关信息。
图3示出用于在其基本步骤中确定农业环境中的农业相关信息的方法200。方法200包括:
在提供步骤210(也被称为步骤a)中,向处理单元提供农业区域的至少一个图像。该至少一个图像由至少一个卫星和/或至少一个飞行器获取,使得该至少一个图像穿过相当大深度的地球大气被获取。该至少一个图像与农业区域的至少一个区域对应,使得该至少一个图像中的每个图像对应于农业区域的不同区域。该至少一个图像包括与地面上多个特征有关的远程获取的反射强度数据;以及其中,至少一个图像的图像是农业环境的第一区域的图像;在提供步骤220(也被称为步骤b)中,向处理单元提供与农业环境的第一区域有关的至少一个传感器数据。该至少一个传感器数据由至少一个基于地面的传感器和/或至少一个基于接近地面的传感器获取;在实现步骤230(也被称为步骤c)中,由处理单元实现利用至少一个模型参数的大气的辐射传播模型。该至少一个模型参数包括至少一个大气散射系数;在确定步骤240(也被称为步骤d)中,由处理单元确定修改的至少一个模型参数。该确定包括:利用辐射传播模型、第一区域的图像的远程获取的反射强度数据以及与第一区域有关的至少一个传感器数据;以及在确定步骤250(也被称为步骤e)中,由处理单元确定用于至少一个区域的检查区域的至少一个农业相关信息。该确定包括利用辐射传播模型、修改的至少一个模型参数以及具有至少一个区域的检查区域的至少一个图像的图像。
在示例中,该至少一个大气参数包括至少一个大气吸收系数。
在示例中,该至少一个模型参数包括至少一个偏振态。
在示例中,检查区域是第一区域,并且其中步骤e)包括确定第一区域的修改图像,该确定包括利用辐射传播模型和修改的至少一个模型参数以及获取的第一区域的图像。
在示例中,检查区域是多个区域中的与第一区域不同的第二区域,并且其中至少一个图像的图像具有第二区域,并且其中步骤e)包括确定第二区域的修改图像。在第二区域中,确定包括利用辐射传播模型和所修改的至少一个模型参数以及获取的第二区域的图像。
在示例中,该至少一个传感器数据包括与地面上的多个特征中的至少一个特征有关的传感器反射强度数据。
在示例中,远程获取的反射强度数据包括光谱数据,并且传感器反射强度数据包括光谱数据。
在示例中,该至少一个传感器图像包括传感器反射强度数据。
在示例中,该至少一个传感器数据包括以下中的一个或多个:温度数据;气压数据;湿度数据;气溶胶密度数据。
在示例中,该至少一个传感器数据包括在地面以上的多个高度处获取的数据。
在示例中,确定用于检查区域的至少一个农业相关信息包括确定至少一个生物量指示。
在示例中,确定至少一个生物量指示包括确定至少一个归一化差异植被指数。
在示例中,在与至少一个传感器数据基本上相同的时间获取第一图像。
在示例中,检查区域是与第一区域不同的区域,并且其中,在与至少一个传感器数据基本上相同的时间获取具有检查区域的至少一个图像的图像。
图4示出用于确定农业相关信息的系统的详细示例。农民在田地里并且操作诸如拖拉机的农用机械。拖拉机具有一套传感器。一组传感器提供关于气温、气压和湿度的信息。传感器还根据空气中存在的不同气体以及气溶胶成分和颗粒成分确定空气成分。机械上的另一个传感器获取地面的高光谱图像,包括田间作物的图像。另一个传感器朝向天空看并获取照亮田地和作物的入射辐射的光谱。农用机械具有GPS传感器,以在这些传感器数据被获取时记录位置。在田地中还放置固定传感器,该固定传感器获取与农用机械获取的数据相同但仅在一个位置获取的数据。
图4中还示出正飞过头顶的一个卫星。该卫星在经过时获取田地和周围田地的图像。卫星的照相机获取高光谱图像。记录卫星图像的获取时间。
农民登录到他的计算机上,并且希望知道他的农场中不同作物如何进展,以评估是否需要补救措施或某些其它措施。作物可以在田地内变化,并且同一作物也可以在田间变化。农民可以做到这一点的一种方法是使用田地中作物的高光谱图像来确定从其可以确定生物量指示的归一化差异植被指数。但是,农民已经有一段时间没有访问他的农场的某些地方,并且没有足够的固定传感器系统向他提供他所需的数据保真度。卫星图像可被用于通过使用大气的辐射传递模型(例如还可以使用暗物体扣除)校正大气,以确定用于作物的高光谱反射数据。这意味着处理卫星获取的图像尝试校正大气扰动,以为作物提供“真实的”高光谱数据。然而,如图4中所示,通过卫星获取图像非常复杂。阳光穿过大气时在到达地面的过程中被散射和吸收。实际上,一些辐射将在大气中散射并且被卫星的照相机检测到,而不会与地面发生相互作用。入射辐射反射出辐射,辐射基于作物的特性被吸收和反射,这正是农民实际需要的。然后,辐射从地面传播出去,并在被卫星的照相机检测到之前被再次被散射和吸收。辐射在穿过大气传播时的偏振也可能由于例如颗粒的散射而改变,并且这可以改变其随后被吸收和分散的方式。辐射传递模型尝试对这些过程进行校正,以为农民提供其作物的真实反射数据。从中可以计算生物量指示。然而,该校正不足以满足他的需要,因为大气(特别是靠近地面的大气)只能通过辐射传递模型来近似,而偏离此类理想大气的真实大气导致“真实”确定的作物反射数据中的显著偏差。
因此,农民使用的计算机实际上是以上参考图1描述的装置。程序使用传感器从他的田地获取的数据,诸如作物的真实反射数据和入射辐射的光谱,并且还根据空气中的存在的不同气体以及气溶胶成分和颗粒成分,使用气温、气压和湿度、空气成分。该程序使用当天获取的卫星影像,理想情况下应尽可能接近获取基于地面的传感器数据的时间。然而,例如如果卫星在半小时前从头顶飞过时有云层覆盖,但在数小时之前或实际上在前一天就晴朗,则只要天气条件相似,就可以使用该卫星图像。然后,该程序使用基于地面的传感器数据和辐射传递模型来修改辐射传递模型如何对大气建模,直到在基于地面的传感器位置处由卫星获取的作物的高光谱图像与由该基于地面的传感器系统获取的作物的高光谱图像匹配为止。实际上,辐射传递模型的模型参数直到找到匹配为止之前是变化的。以一种方式,执行最小化过程直到存在匹配为止。可以使用多种不同的方法来改变模型参数,直到找到匹配。因此,可以以多种不同方式采取多种不同技术以获得修改的模型参数。
然后,具有修改的参数的辐射传递模型可以在远离获取基于地面的传感器数据的位置并且甚至在农场中尚未获取基于地面的传感器数据的其它部分的田地的图像上进行操作。但是,使用其大气扰动的其修改模型,也就是说使用修改的模型参数,获取的图像可以被用于在这些位置处提供用于作物的真实高光谱数据的更好表示。然后,该数据可以被农民使用以确定生物量指示,或者以其它方式了解作物如何进展并可采取补救措施,诸如施肥、浇水、施用除草剂或杀虫剂或杀真菌剂,或在即将到来的季节施用不同的种子/品种/种子包衣,或例如改变管理实践。农民还可以使用该信息以决定收割庄稼。或者实际上可以获取没有作物的田地图像,并用于确定何时种植作物。
在另一示例性实施例中,提供一种计算机程序或计算机程序元件,其特征在于,其被配置为在适当的系统上执行根据前述实施例之一的方法的方法步骤。
因此,计算机程序元件可以被存储在计算机单元上,该计算机单元也可能是实施例的一部分。该计算单元可以被配置为执行或引起执行上述方法的步骤。此外,它可以被配置为操作上述装置和/或系统的组件。计算单元可被配置为自动操作和/或执行用户命令。计算机程序可加载到数据处理器的工作存储器中。数据处理器因此可以被配备为执行根据前述实施例之一的方法。
本发明的该示例性实施例涵盖从一开始就使用本发明的计算机程序和借助于更新将现有程序转变为使用本发明的程序二者的计算机程序。
此外,计算机程序元件可能能够提供所有必要的步骤,以实现如上所述的方法的示例性实施例的过程。
根据本发明的另一示例性实施例,提出了一种计算机可读介质,诸如CD-ROM、USB棒等,其中该计算机可读介质具有存储在其上的计算机程序元件,该计算机程序元件由前述章节描述。
计算机程序可以被存储和/或分布在合适的介质上,诸如与其它硬件一起或作为其一部分提供的光学存储介质或固态介质,但是也可以以其它形式分发,诸如经由互联网或其它有线或无线远程通信系统。
然而,计算机程序也可以通过诸如万维网的网络来呈现,并且可以从此类网络被下载到数据处理器的工作存储器中。根据本发明的另一示例性实施例,提供了一种用于使计算机程序元件可供下载的介质,该计算机程序元件被布置为执行根据本发明的前述实施例之一的方法。
必须注意,参考不同的主题描述了本发明的实施例。特别是,参考方法类型权利要求描述了一些实施例,而参考装置类型权利要求描述了其它实施例。然而,本领域技术人员将从以上和以下描述中得出,除非以其它方式告知,否则除了属于一种类型主题的特征的任何组合之外,与不同主题有关的特征之间的任何组合也被认为被本申请公开。然而,所有特征可以被组合在以提供不仅仅是这些功能的简单求和的协同效果。
尽管已经在附图和前面的描述中详细说明和描述了本发明,但是此类说明和描述将被认为是说明性或示例性的而不是限制性的。本发明不限于所公开的实施例。通过研究附图、公开内容和从属权利要求,本领域技术人员在实践要求保护的发明时可以理解和实现所公开的实施例的其它变型。
在权利要求中,词语“包括”不排除其它元件或步骤,并且不定冠词“一”或“一个”不排除多个。单个处理器或其它单元可以实现权利要求中列举的若干项的功能。在互不相同的从属权利要求中引用某些措施这一事实,并不指示不能利用这些措施的组合来获得益处。权利要求中的任何附图标记都不应被解释为限制范围。
Claims (15)
1.一种用于确定农业环境中的农业相关信息的装置(10),包括:
-输入单元(20);以及
-处理单元(30);
其中,所述输入单元被配置为向所述处理单元提供农业区域的至少一个图像,其中,所述至少一个图像由至少一个卫星和/或至少一个飞行器获取,使得所述至少一个图像穿过相当大深度的地球大气被获取,其中,所述至少一个图像与所述农业区域的至少一个区域对应,使得所述至少一个图像的每个图像对应于所述农业区域的不同区域;以及其中,所述至少一个图像包括与地面上的多个特征有关的远程获取的反射强度数据;
其中,所述至少一个图像中的图像具有所述农业环境的第一区域;
其中,所述输入单元被配置为向所述处理单元提供与所述农业环境的所述第一区域有关的至少一个传感器数据,其中,所述至少一个传感器数据由至少一个基于地面的传感器和/或至少一个基于接近地面的传感器获取;
其中,所述处理单元被配置为实现利用至少一个模型参数的所述大气的辐射传播模型,其中,所述至少一个模型参数包括至少一个大气散射系数;
其中,所述处理单元被配置为确定修改的至少一个模型参数,其中,所述确定包括利用所述辐射传播模型、所述第一区域的图像的远程获取的反射强度数据以及与所述第一区域有关的所述至少一个传感器数据;以及
其中,所述处理单元被配置为确定用于所述至少一个区域的检查区域的至少一个农业相关信息,其中,所述确定包括利用所述辐射传播模型、所修改的至少一个模型参数以及具有所述至少一个区域的所述检查区域的所述至少一个图像中的图像。
2.根据权利要求1所述的装置,其中,所述至少一个模型参数包括至少一个大气吸收系数。
3.根据权利要求1至2中任一项所述的装置,其中,所述至少一个模型参数包括穿过所述大气传播的辐射的至少一个偏振态。
4.根据权利要求1至3中任一项所述的装置,其中,所述检查区域是所述第一区域,并且所述处理单元被配置为确定所述第一区域的修改图像,其中,所述确定包括利用所述辐射传播模型和所修改的至少一个模型参数以及所获取的所述第一区域的图像。
5.根据权利要求1至4中任一项所述的装置,其中,所述检查区域是所述多个区域中的与所述第一区域不同的第二区域,以及其中,所述至少一个图像中的图像具有所述第二区域,以及其中,所述处理单元被配置为确定所述第二区域的修改图像,其中,所述确定包括利用所述辐射传播模型和所修改的至少一个模型参数以及所获取的所述第二区域的图像。
6.根据权利要求1至5中任一项所述的装置,其中,所述至少一个传感器数据包括与所述地面上的所述多个特征中的至少一个特征有关的传感器反射强度数据。
7.根据权利要求6所述的装置,其中,所述远程获取的反射强度数据包括光谱数据,并且所述传感器反射强度数据包括光谱数据。
8.根据权利要求6至7中任一项所述的装置,其中,至少一个传感器图像包括所述传感器反射强度数据。
9.根据权利要求1至8中任一项所述的装置,其中,所述至少一个传感器数据包括以下中的一个或多个:温度数据;气压数据;湿度数据;空气成分;气溶胶密度数据;气溶胶成分;颗粒成分;与入射在所述第一区域处的阳光有关的光谱数据。
10.根据权利要求1至9中任一项所述的装置,其中,所述至少一个模型参数包括以下中的一个或多个:温度数据;气压数据;湿度数据;空气成分;气溶胶密度数据;气溶胶成分;颗粒成分。
11.根据权利要求1至10中任一项所述的装置,其中,确定用于所述检查区域的所述至少一种农业相关信息包括:确定至少一个生物量指示。
12.根据权利要求1至11中任一项所述的装置,其中,在与所述至少一个传感器数据基本上相同的时间获取所述第一图像。
13.根据权利要求1至11中任一项所述的装置,其中,所述检查区域是与所述第一区域不同的区域,以及其中,在与所述至少一个传感器数据基本上相同的时间获取具有所述检查区域的所述至少一个图像的所述图像。
14.一种用于确定农业环境中的农业相关信息的系统(100),包括:
-至少一个基于地面的传感器(110)和/或至少一个基于接近地面的传感器(110);
-根据前述权利要求中任一项所述的用于确定农业环境中的农业相关信息的装置(10);以及
-输出单元(120);
其中,所述至少一个基于地面的传感器和/或至少一个基于接近地面的传感器被配置为获取所述至少一个传感器数据;以及其中,所述输出单元被配置为输出所述至少一个农业相关信息。
15.一种用于确定农业环境中的农业相关信息的方法(200),包括:
a)向处理单元提供(210)农业区域的至少一个图像,其中,所述至少一个图像由至少一个卫星和/或至少一个飞行器获取,使得所述至少一个图像穿过相当大深度的地球大气被获取,其中,所述至少一个图像与所述农业区域的至少一个区域对应,使得所述至少一个图像中的每个图像对应于所述农业区域的不同区域;以及其中,所述至少一个图像包括与所述地面上的多个特征有关的远程获取的反射强度数据;以及其中,所述至少一个图像中的图像具有所述农业环境的第一区域;
b)向所述处理单元提供(220)与所述农业环境的所述第一区域有关的至少一个传感器数据,其中,所述至少一个传感器数据由至少一个基于地面的传感器和/或至少一个基于接近地面的传感器获取;
c)由所述处理单元实现(230)利用至少一个模型参数的所述大气的辐射传播模型,其中,所述至少一个模型参数包括至少一个大气散射系数;
d)由所述处理单元确定(240)修改的至少一个模型参数,所述确定包括利用所述辐射传播模型、所述第一区域的所述图像的所述远程获取的反射强度数据以及与所述第一区域有关的所述至少一个传感器数据;以及
e)由所述处理单元确定(250)用于所述至少一个区域的检查区域的至少一个农业相关信息,所述确定包括利用所述辐射传播模型、所修改的至少一个模型参数以及具有所述至少一个区域的所述检查区域的所述至少一个图像中的图像。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17209557 | 2017-12-21 | ||
EP17209557.2 | 2017-12-21 | ||
PCT/EP2018/084156 WO2019121097A1 (en) | 2017-12-21 | 2018-12-10 | Apparatus for determining agricultural relevant information |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111565556A true CN111565556A (zh) | 2020-08-21 |
Family
ID=60781878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880081441.5A Pending CN111565556A (zh) | 2017-12-21 | 2018-12-10 | 用于确定农业相关信息的装置 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20210173120A1 (zh) |
EP (1) | EP3726951B1 (zh) |
CN (1) | CN111565556A (zh) |
AR (1) | AR114004A1 (zh) |
BR (1) | BR112020012552A2 (zh) |
RU (1) | RU2020123108A (zh) |
WO (1) | WO2019121097A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700453A (zh) * | 2020-12-14 | 2021-04-23 | 山东贵合信息科技有限公司 | 一种基于物联网的农业用水水质监管方法及设备、介质 |
CN114051810A (zh) * | 2021-11-10 | 2022-02-18 | 上海联适导航技术股份有限公司 | 一种无人驾驶高精度农机施肥控制方法、系统及智慧农机 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11925308B2 (en) * | 2018-02-16 | 2024-03-12 | Board Of Supervisors Of Louisiana State University And Agricultural And Mechanical College | Ionizing radiation-free dental imaging by near-infrared fluorescence, and related systems |
CN114026609A (zh) * | 2019-06-28 | 2022-02-08 | 巴斯夫农化商标有限公司 | 传感器融合 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4560279A (en) * | 1978-10-17 | 1985-12-24 | Kouns Charles W | Optical method for remote determination of the geological nature of a homogeneous surface |
DE10002880C1 (de) * | 2000-01-10 | 2001-06-13 | Norsk Hydro As | Verfahren und Vorrichtung zum Kontrollieren und Beeinflussen des Pflanzenzustandes durch Pflanzenzustandsinformationen |
US7068816B1 (en) * | 2002-01-15 | 2006-06-27 | Digitalglobe, Inc. | Method for using remotely sensed data to provide agricultural information |
FR2988486B1 (fr) * | 2012-03-26 | 2014-03-21 | Centre Nat Rech Scient | Procede d'etude de l'atmosphere multi-lignes de visee |
US9396528B2 (en) * | 2013-03-15 | 2016-07-19 | Digitalglobe, Inc. | Atmospheric compensation in satellite imagery |
US9449244B2 (en) * | 2013-12-11 | 2016-09-20 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defense | Methods for in-scene atmospheric compensation by endmember matching |
US9792557B2 (en) * | 2015-01-14 | 2017-10-17 | Accenture Global Services Limited | Precision agriculture system |
US9140824B1 (en) * | 2015-01-23 | 2015-09-22 | Iteris, Inc. | Diagnosis and prediction of in-field dry-down of a mature small grain, coarse grain, or oilseed crop using field-level analysis and forecasting of weather conditions, crop characteristics, and observations and user input of harvest condition states |
US11062223B2 (en) * | 2015-12-02 | 2021-07-13 | The Climate Corporation | Forecasting field level crop yield during a growing season |
JP6885394B2 (ja) * | 2016-03-31 | 2021-06-16 | 日本電気株式会社 | 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム |
-
2018
- 2018-12-10 EP EP18815695.4A patent/EP3726951B1/en active Active
- 2018-12-10 RU RU2020123108A patent/RU2020123108A/ru unknown
- 2018-12-10 BR BR112020012552-0A patent/BR112020012552A2/pt active IP Right Grant
- 2018-12-10 WO PCT/EP2018/084156 patent/WO2019121097A1/en unknown
- 2018-12-10 CN CN201880081441.5A patent/CN111565556A/zh active Pending
- 2018-12-10 US US16/770,352 patent/US20210173120A1/en active Pending
- 2018-12-20 AR ARP180103774A patent/AR114004A1/es unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700453A (zh) * | 2020-12-14 | 2021-04-23 | 山东贵合信息科技有限公司 | 一种基于物联网的农业用水水质监管方法及设备、介质 |
CN112700453B (zh) * | 2020-12-14 | 2023-04-07 | 山东贵合信息科技有限公司 | 一种基于物联网的农业用水水质监管方法及设备、介质 |
CN114051810A (zh) * | 2021-11-10 | 2022-02-18 | 上海联适导航技术股份有限公司 | 一种无人驾驶高精度农机施肥控制方法、系统及智慧农机 |
Also Published As
Publication number | Publication date |
---|---|
BR112020012552A2 (pt) | 2020-11-24 |
EP3726951A1 (en) | 2020-10-28 |
EP3726951B1 (en) | 2023-09-06 |
RU2020123108A3 (zh) | 2022-03-16 |
WO2019121097A1 (en) | 2019-06-27 |
AR114004A1 (es) | 2020-07-08 |
RU2020123108A (ru) | 2022-01-21 |
US20210173120A1 (en) | 2021-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Santi et al. | The potential of multifrequency SAR images for estimating forest biomass in Mediterranean areas | |
Hunt et al. | Monitoring nitrogen status of potatoes using small unmanned aerial vehicles | |
Wachendorf et al. | Remote sensing as a tool to assess botanical composition, structure, quantity and quality of temperate grasslands | |
Khanal et al. | An overview of current and potential applications of thermal remote sensing in precision agriculture | |
Clevers et al. | Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and-3 | |
Xie et al. | Crop height estimation based on UAV images: Methods, errors, and strategies | |
Uno et al. | Artificial neural networks to predict corn yield from Compact Airborne Spectrographic Imager data | |
US20210110157A1 (en) | Crop phenology estimation and tracking with remote sensing imagery | |
CN111565556A (zh) | 用于确定农业相关信息的装置 | |
Zarco-Tejada et al. | Imaging chlorophyll fluorescence with an airborne narrow-band multispectral camera for vegetation stress detection | |
Samseemoung et al. | Application of low altitude remote sensing (LARS) platform for monitoring crop growth and weed infestation in a soybean plantation | |
Wang et al. | High spatial resolution monitoring land surface energy, water and CO2 fluxes from an Unmanned Aerial System | |
WO2019145895A1 (en) | Method and system for estimating crop coefficient and evapotranspiration of crops based on remote sensing | |
PEÑA‐BARRAGÁN et al. | Mapping Ridolfia segetum patches in sunflower crop using remote sensing | |
US11953872B2 (en) | Methods and systems for the management of precise agricultural irrigation | |
Rasmussen et al. | The challenge of reproducing remote sensing data from satellites and unmanned aerial vehicles (UAVs) in the context of management zones and precision agriculture | |
Fan et al. | Low‐cost visible and near‐infrared camera on an unmanned aerial vehicle for assessing the herbage biomass and leaf area index in an Italian ryegrass field | |
Zhu et al. | Optimization of multi-source UAV RS agro-monitoring schemes designed for field-scale crop phenotyping | |
Samseemoung et al. | Oil palm pest infestation monitoring and evaluation by helicopter-mounted, low altitude remote sensing platform | |
US20240087311A1 (en) | Remote soil and vegetation properties determination method and system | |
dos Santos et al. | Surface reflectance calculation and predictive models of biophysical parameters of maize crop from RG-NIR sensor on board a UAV | |
Corti et al. | Improved estimation of herbaceous crop aboveground biomass using UAV-derived crop height combined with vegetation indices | |
Stenberg et al. | Boreal forest leaf area index from optical satellite images: model simulations and empirical analyses using data from central Finland. | |
Jafarbiglu et al. | Impact of sun-view geometry on canopy spectral reflectance variability | |
Yeom et al. | Application of GOCI-derived vegetation index profiles to estimation of paddy rice yield using the GRAMI rice model |
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 |