CN111579565A - 农业干旱监测方法、系统及存储介质 - Google Patents
农业干旱监测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111579565A CN111579565A CN201910120380.5A CN201910120380A CN111579565A CN 111579565 A CN111579565 A CN 111579565A CN 201910120380 A CN201910120380 A CN 201910120380A CN 111579565 A CN111579565 A CN 111579565A
- Authority
- CN
- China
- Prior art keywords
- sequence
- vegetation
- sequences
- remote sensing
- time period
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000012010 growth Effects 0.000 claims abstract description 31
- 239000002689 soil Substances 0.000 claims abstract description 25
- 230000003287 optical effect Effects 0.000 claims description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 5
- 230000001747 exhibiting effect Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
- G01N22/04—Investigating moisture content
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/56—Investigating or analyzing materials by the use of thermal means by investigating moisture content
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Electromagnetism (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用计算机技术领域，提供了一种农业干旱监测方法、系统及存储介质，该方法包括：根据用于反映目标区域在指定时间段上土壤含水状况的第一序列，以及，若干用于从不同特征类别反映指定时间段上植被生长状况的、且与第一序列具有统一时空尺度的第二序列，这两者之间的相关性，确定与第一序列更为相关的第二序列，再基于第一序列以及所确定的第二序列，进行目标区域的农业干旱监测。这样，可利用多源数据进行农业干旱监测，从而保证了农业干旱监测的及时性和准确度，进而能及时作出有效的应对措施；并且利用不同种类数据之间相关度，进行数据筛选，进一步保证了农业干旱监测的及时性和准确度。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种农业干旱监测方法、系统及存 储介质。
背景技术
在全球环境快速变化背景下，极端气候发生的频率显著增高。干旱地区由 于缺乏水资源，对于气候变化和干旱十分敏感，是全球生态和环境极其脆弱的 地区。
目前，遥感技术是全球大范围开展农业干旱监测的有效手段。通过光学热 红外遥感数据反演目标区域的植被生长状况，或者利用主被动微波遥感数据反 演目标区域的土壤含水量，能够快速监测旱灾的发生。当前使用较多的旱情监 测方法包括：热惯量法、植被供水指数法、距平植被指数法、作物蒸散及微波 监测等方法。
但是，传统的、利用单一指标进行旱灾监测的方法，干旱判断依据要么是 植被生长状况指标，要么是土壤含水量指标，当单一指标发生偏差时，采用单 一指标进行干旱监测其准确度将难以保证，导致农业干旱预测的及时性和准确 度将难以保证，无法及时作出有效的应对措施。
发明内容
本发明的目的在于提供一种农业干旱监测方法、系统及存储介质，旨在解 决现有技术所存在的、因采用单一指标进行干旱监测而带来的监测准确度及及 时性难以保证的问题。
一方面，本发明提供了一种农业干旱监测方法，所述方法针对覆盖有植被 的目标区域，所述方法包括：
获得用于反映所述目标区域在指定时间段上土壤含水状况的第一序列，以 及，若干用于从不同特征类别反映所述指定时间段上所述植被生长状况的第二 序列，所述第一序列与所述第二序列具有统一的时间尺度及空间尺度；
根据所述第一序列与若干所述第二序列之间的相关性，从若干所述第二序 列中，确定与所述第一序列更为相关的所述第二序列；
基于所述第一序列以及所确定的、与所述第一序列更为相关的所述第二序 列，进行所述目标区域的农业干旱监测。
进一步的，获得用于反映所述目标区域在指定时间段上土壤含水状况的第 一序列，以及，若干用于从不同特征类别反映所述指定时间段上所述植被生长 状况的第二序列，具体包括：
获得用于反映所述目标区域在所述指定时间段上土壤含水状况的原始主被 动微波遥感数据，以及，若干用于从不同特征类别反映所述指定时间段上所述 植被生长状况的原始光学热红外遥感数据；
将所述原始主被动微波遥感数据转换为所述第一序列，和/或，将所述原始 光学热红外遥感数据转换为所述第二序列，以使得所述第一序列与若干所述第 二序列具有统一的所述时间尺度及所述空间尺度。
进一步的，获得若干用于从不同特征类别反映所述指定时间段上所述植被 生长状况的原始光学热红外遥感数据，具体包括：
获得若干用于反映所述指定时间段上所述植被生长状况的原始基础光学热 红外遥感数据；
对所述原始基础光学热红外遥感数据进行去噪平滑处理，得到次级原始基 础光学热红外遥感数据；
利用所述次级原始基础光学热红外遥感数据，合成若干所述原始光学热红 外遥感数据。
进一步的，所述原始基础光学热红外遥感数据为归一化植被指数NDVI和/ 或增强型植被指数EVI，所述原始光学热红外遥感数据为距平植被指数AVI、 温度状况指数TCI、植被状况指数VCI、植被健康指数VHI和/或植被供水指数 VSWI。
进一步的，所述指定时间段通过植被物候信息所指示；相较于非指定时间 段，所述植被在所述指定时间段更能表现出与农业干旱相关的生长状况。
进一步的，根据所述第一序列与若干所述第二序列之间的相关性，从若干 所述第二序列中，确定与所述第一序列更为相关的所述第二序列，具体为：
采用皮尔森相关系数分析方法，获得所述第一序列与每一所述第二序列之 间的相关性指示数据；
根据所述相关性指示数据，从若干所述第二序列中，确定与所述第一序列 更为相关的所述第二序列。
进一步的，基于所述第一序列以及所确定的、与所述第一序列更为相关的 所述第二序列，进行所述目标区域的农业干旱监测，具体为：
当所述第一序列与所述第二序列上位于监测节点上的节点数据均达到干旱 监测阈值时，判断所述目标区域发生或即将发生农业干旱，和/或判断已发生农 业干旱的干旱等级。
另一方面，本发明提供了一种农业干旱监测系统，所述系统针对覆盖有植 被的目标区域，所述系统包括：
获取单元，用于获得用于反映所述目标区域在指定时间段上土壤含水状况 的第一序列，以及，若干用于从不同特征类别反映所述指定时间段上所述植被 生长状况的第二序列，所述第一序列与所述第二序列具有统一的时间尺度及空 间尺度；
确定单元，用于根据所述第一序列与若干所述第二序列之间的相关性，从 若干所述第二序列中，确定与所述第一序列更为相关的所述第二序列；以及，
监测单元，用于基于所述第一序列以及所确定的、与所述第一序列更为相 关的所述第二序列，进行所述目标区域的农业干旱监测。
另一方面，本发明还提供了一种云计算系统，包括存储器及处理器，所述 处理器执行所述存储器中存储的计算机程序时实现如上述方法中的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存 储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法中 的步骤。
本发明根据用于反映目标区域在指定时间段上土壤含水状况的第一序列， 以及，若干用于从不同特征类别反映指定时间段上植被生长状况的、且与第一 序列具有统一时空尺度的第二序列，这两者之间的相关性，确定与第一序列更 为相关的第二序列，再基于第一序列以及所确定的第二序列，进行目标区域的 农业干旱监测。这样，可利用多源数据进行农业干旱监测，从而保证了农业干 旱监测的及时性和准确度，进而能及时作出有效的应对措施；并且利用不同种 类数据之间相关度，进行数据筛选，进一步保证了农业干旱监测的及时性和准 确度。
附图说明
图1是本发明实施例一提供的农业干旱监测方法的实现流程图；
图2是本发明实施例二中步骤S101的细化流程图；
图3是本发明实施例三中步骤S201的细化流程图；
图4是本发明实施例四提供的农业干旱监测系统的结构示意图；
图5是本发明实施例五提供的云计算系统的结构示意图。
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，以下结合附图及实 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。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的农业干旱监测方法的实现流程，该方法 针对覆盖有植被的目标区域，用于对该/该些目标区域进行农业干旱监测。该方 法可以进行历史性分析，例如：利用历史统计数据，对历史某一时间节点上目 标区域是否发生干旱进行验证，也可以进行当期干旱监测或预测。为了便于说 明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，获得用于反映目标区域在指定时间段上土壤含水状况的 第一序列，以及，若干用于从不同特征类别反映指定时间段上植被生长状况的 第二序列，第一序列与第二序列具有统一的时间尺度及空间尺度。
本实施例中，目标区域可以是地理空间分布上的指定区域，例如：中亚局 部区域、中国局部区域等。
指定时间段可以是当期向前的一段时间，例如：当期时间为2019年1月1 日，那么指定时间段可以是2018年12月20日至2018年12月31日，或其他 时间跨度对应的时间段。
在具体应用中，指定时间段还可以通过植被物候信息所指示，例如：植被 生长季前期或中后期等，植被生长季中后期可以对应于每一年度中至少一个相 应的时间段。由于植被在生长季不同阶段对干旱的响应也会有较大差异，那么， 相较于非指定时间段，目标区域的植被在指定时间段更能表现出与农业干旱相 关的生长状况。
第一序列可以对应长时间序列土壤含水量曲线，第二序列可以对应长时间 序列距平植被指数(Anomaly Vegetation Index，AVI)曲线、长时间序列温度状 况指数(Temperature Condition Index，TCI)曲线、长时间序列植被状况指数 (VegetationCondition Index，VCI)曲线、长时间序列植被健康指数(Vegetation Health Index，VHI)曲线和/或长时间序列植被供水指数(Vegetation Supply Water Index，VSWI)曲线等。AVI曲线、TCI曲线、VCI曲线、VHI曲线及VSWI 曲线对应相应的可反映植被生长状况的特征类型。第一序列及第二序列构成用 于干旱监测的多源数据。在应用示例中，第一序列可以由土壤墒情的地面上测 量数据作为替代。
为了使第一序列与第二序列之间具有可比性，以用于后续步骤的处理，第 一序列与第二序列需要在时间和空间尺度上进行统一，例如：第一序列与第二 序列的时间分辨率和空间分辨率一致。
第一序列及第二序列的原始数据，可通过采用实地布设多个地面传感器探 头，采用物联网技术进行信息互联互通，且基于合理的地面采样方案下获得。
在步骤S102中，根据第一序列与若干第二序列之间的相关性，从若干第 二序列中，确定与第一序列更为相关的第二序列。
本实施例中，第一序列与不同的第二序列之间会通常会表现出不同的线性 相关性，利用所有第二序列中相对而言与第一序列更为相关的部分第二序列作 为农业干旱监测分析的依据，将有利于得到更为准确的监测分析结果。
相关性可通过相应的相关系数来体现，相关系数越大，表征相关性越高， 反之相关性越低。相关系数可以是皮尔森相关系数，步骤S102具体可包括：首 先，采用皮尔森相关系数分析方法，获得第一序列与每一第二序列之间的相关 性指示数据，即皮尔森相关系数，然后，根据相关性指示数据，从若干第二序 列中，确定与第一序列更为相关的第二序列。
在其他应用示例中，还可以利用散点图等进行相关性分析。
在步骤S103中，基于第一序列以及所确定的、与第一序列更为相关的第二 序列，进行目标区域的农业干旱监测。
本实施例中，利用第一序列以及与之相对更为相关的第二序列，可进行目 标区域的农业干旱监测，例如：当第一序列与第二序列上位于监测节点上的节 点数据均达到干旱监测阈值时，判断目标区域发生或即将发生农业干旱，从而 对目标区域进行干旱报警或预警；或者，当第一序列或第二序列上位于监测节 点上的节点数据达到干旱监测阈值时，判断目标区域发生或即将发生农业干旱， 和/或判断已发生农业干旱的干旱等级，例如：判断干旱程度则可采用分级系统， 例如分级为严重干旱、干旱、一般干旱等，当然也可以是数字分级；或者，对 上述节点数据根据不同序列类型赋予相应的权重，以综合结果判断目标区域发 生或者即将发生农业干旱。
实施本实施例，根据用于反映目标区域在指定时间段上土壤含水状况的第 一序列，以及，若干用于从不同特征类别反映指定时间段上植被生长状况的、 且与第一序列具有统一时空尺度的第二序列，这两者之间的相关性，确定与第 一序列更为相关的第二序列，再基于第一序列以及所确定的第二序列，进行目 标区域的农业干旱监测。这样，可利用多源数据进行农业干旱监测，从而保证 了农业干旱监测的及时性和准确度，进而能及时作出有效的应对措施；并且利 用不同种类数据之间相关度，进行数据筛选，进一步保证了农业干旱监测的及 时性和准确度。
实施例二：
本实施例在实施例一基础上，进一步提供了如下内容：
如图2所示，步骤S101具体包括：
在步骤S201中，获得用于反映目标区域在指定时间段上土壤含水状况的 原始主被动微波遥感数据，以及，若干用于从不同特征类别反映指定时间段上 植被生长状况的原始光学热红外遥感数据。
在步骤S202中，将原始主被动微波遥感数据转换为第一序列，和/或，将 原始光学热红外遥感数据转换为第二序列，以使得第一序列与若干第二序列具 有统一的时间尺度及空间尺度。
本实施例中，原始主被动微波遥感数据可以为土壤水分主动被动监测计划 (SoilMoisture Active and Passive，SMAP)数据，通过地球观测卫星进行获取。 原始光学热红外遥感数据可以为中分辨率成像光谱仪(Moderate Resolution ImagingSpectroradiometer，MODIS)数据，同样通过地球观测卫星进行获取。 那么，利用卫星获得的这两类遥感数据来实现农业干旱监测，无需地面站点数 据的配合，可进行大范围的干旱监测，尤其在广袤无垠、人烟稀少中亚干旱区， 在缺少地面站点数据支持下，仍可以进行大范围干旱监测，弥补了地面站点数 据在空间上代表性不强的缺点。
为使第一序列与第二序列具有统一的时间空间尺度，可将原始主被动微波 遥感数据转换到指定时间空间尺度上，成为第一序列，将原始光学热红外遥感 数据同样转换到指定时间空间尺度上，成为第二序列。
实施例三：
本实施例在实施例二基础上，进一步提供了如下内容：
如图3所示，步骤S201具体包括：
在步骤S301中，获得若干用于反映指定时间段上植被生长状况的原始基 础光学热红外遥感数据。
在步骤S302中，对原始基础光学热红外遥感数据进行去噪平滑处理，得 到次级原始基础光学热红外遥感数据。
在步骤S303中，利用次级原始基础光学热红外遥感数据，合成若干原始光 学热红外遥感数据。
本实施例中，原始基础光学热红外遥感数据可以为归一化植被指数 (NormalizedDifference Vegetation Index，NDVI)和/或增强型植被指数 (EnhancedVegetationIndex，EVI)。
具体可利用滑动均值滤波器，进行上述去噪平滑处理，从而重建NDVI或 EVI等指数曲线。除了滑动均值滤波，还可用包括但不限于以下方法替换：S-G 滤波法、基于小波变换的低频低通滤波法、基于函数拟合的曲线重建等方法。
利用重建后的NDVI或EVI数据，可合成原始光学热红外遥感数据，例如： 利用NDVI数据合成AVI数据，利用EVI数据合成VSWI数据。
在进行数据合成时，可能还会用到相应的地表温度(Land Surface Temperature，LST)数据。地表温度数据也可涵盖于MODIS数据中。
实施例四：
图4示出了本发明实施例四提供的农业干旱监测系统的结构，该系统同样 针对覆盖有植被的目标区域。为了便于说明，仅示出了与本发明实施例相关的 部分，其中包括：
获取单元401，用于获得用于反映目标区域在指定时间段上土壤含水状况 的第一序列，以及，若干用于从不同特征类别反映指定时间段上植被生长状况 的第二序列，第一序列与第二序列具有统一的时间尺度及空间尺度。
确定单元402，用于根据第一序列与若干第二序列之间的相关性，从若干 第二序列中，确定与第一序列更为相关的第二序列。以及，
监测单元403，用于基于第一序列以及所确定的、与第一序列更为相关的 第二序列，进行目标区域的农业干旱监测。
在本发明实施例中，农业干旱监测系统的各单元可由相应的硬件或软件单 元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元， 在此不用以限制本发明。
本实施例的系统实现上述方法时实现的步骤，可参考前述方法实施例的描 述，在此不再赘述。
实施例五：
图5示出了本发明实施例五提供的云计算系统的结构，为了便于说明，仅 示出了与本发明实施例相关的部分。
本发明实施例的云计算系统包括处理器501及存储器502，处理器501执 行存储器502中存储的计算机程序503时实现上述各个方法实施例中的步骤， 例如图1所示的步骤S101至S103。或者，处理器501执行计算机程序503时 实现上述农业干旱监测系统实施例中各单元的功能，例如图4所示单元401至 403的功能。
本发明实施例的云计算系统可以为单独的计算机或计算机组网。存储器 502可为单一存储器或分布式存储器。处理器501执行计算机程序503时实现 上述方法时实现的步骤，可参考前述方法实施例的描述，在此不再赘述。
实施例六：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储 介质存储有计算机程序，该计算机程序被处理器执行时实现上述各个方法实施 例中的步骤，例如，图1所示的步骤S101至S103。或者，该计算机程序被处 理器执行时实现上述系统实施例中各单元的功能，例如图4所示单元401至403 的功能。
下面通过一个具体应用示例，说明本申请的内容。
A、目标研究区典型作物的物候信息提取
干旱发生的条件、影响范围和时间、以及对不同类型植被造成的影响程度 均不相同。目前尚未有一种指标能够监测所有地区以及所有植被类型的干旱。 同时，植被在生长季不同阶段对干旱的响应也会有较大差异，例如在植被生长 早期尚未完全长出叶子的情况下，利用植被指数监测干旱会有较大偏差。而整 个生长季内某些重要物候节点上，干旱的发生对于农作物产量有较大影响。为 了准确监测干旱地区的农业干旱影响程度，首要的步骤是确定该地区农作物的 生长物候信息，以便针对性选择不同时期敏感的干旱预警指标。本发明专利方 案采用长时间序列植被指数(Vegetable Indexs，VIs)分析植被物候信息。其中， 归一化植被指数(NDVI)及增强型植被指数(EVI)，能很好地反映植被的长势、 生物量和覆盖度等信息，是植被物候遥感提取中使用最为广泛的指数。本发明 方案基于长时间序列MODIS-NDVI，MODIS-EVI遥感植被指数数据(数据自 2000年开始到当前年份)，采用滑动均值滤波器对时间序列曲线进行去噪平滑 等处理，重建时间序列植被指数曲线，在此基础上采用阈值法获得研究区典型 作物的生长季开始、结束、生长季长度等关键物候参数信息。
B、基于植被绿度、形态及作物冠层温度的遥感干旱指数信息提取
作物生长状况能够一定程度反映地表干旱状况。特别是在干旱地区，水分 胁迫即因土壤缺水会明显抑制植物生长现象，是植被绿度形态和冠层温度发生 变化的主要原因。基于作物植被绿度、形态、冠层温度的遥感干旱指标包括： 距平植被指数(AVI)、温度状况指数(TCI)、植被状况指数(VCI)、植被健康 指数(VHI)、植被供水指数(VSWI)等。数据采用MODIS数据，计算公式及 说明如下：
表1基于植被生长状况的遥感干旱指数
注：NDVIi和EVIi分别为某一地点某一时刻i的归一化植被指数，和增强型 植被指数；
为归一化植被指数的多年同期平均值；NDVIi和LSTi分别为某一 时刻i的植被指数和地表温度；NDVIi和LSTi分别为某一时刻i的归一化植被指数和 地表温度；NDVImin，NDVImax分别为同一地点归一化植被指数多年同期最小值和 最大值，LSTmin，LSTmax分别为同一地点地表温度多年同期最小值和最大值；a 为植被健康指数调节系数(默认值为0.5)。
C、多源遥感干旱信息的时空尺度统一
通过主被动微波技术能够获取地表含水量状况，相比较传统站点监测具有 观测范围广、数据及时有效等优势。但由于不同遥感传感器的空间及时间分辨 率均不相同，需要在统一的时空尺度上开展信息的融合和分析。本专利方案以 采用SMAP主被动微波遥感数据，采用逐日合成法获得研究区的地表含水量数 据。采用空间升尺度方法，将MODIS计算的遥感干旱指数统一到SMAP空间 尺度上，使得光学遥感与微波遥感数据在时空尺度上的统一，便于后期比较。
D、最佳遥感干旱监测指数的选取
根据步骤A选择干旱影响严重的植被生长季中后期。在土地覆盖分类数据 基础上，根据植被的分布作为样本，采用皮尔森相关系数分析遥感干旱指数与 微波反演地表不同土层含水量状况的相关性。选择与土壤含水量相关性较高的 指标，作为监测研究区干旱状况最为敏感的指标。
E、基于土壤含水量及研究区最佳干旱监测指数的旱灾监测及平台预警
在云平台基础上，利用分布式存储和计算技术，以8日为时间分辨率，以 500米为空间分辨率，开展上述步骤B中指标的计算和分析，并利用多源遥感 干旱指标，从不同土层含水量、植被生长状况等多方面，综合评估旱灾的影响 程度，并基于平台处理开展干旱监测及预警。
本发明针对干旱地区农业干旱的大范围监测提供一套完整的监测方法和平 台，所提出的方案中，对农业干旱的监测，第一，结合了传统光学红外监测技 术以及主被动微波干旱监测结果，能够更加准确反映干旱区的地面及植被干旱 状况，有利于提前做出干旱预判；第二，采用了云计算技术，显著提高了数据 处理和平台预警效率；第三，通过时空分析尺度的统一，在相同时间和空间尺 度上进行多源数据融合，解决了在大范围干旱监测中使用站点数据缺乏空间代 表性的问题。
本发明在中亚地区哈萨克斯坦小麦种植区农业干旱监测过程中经过了验 证，对于提出的方案能够快速获得逐日的多种遥感干旱监测指标，结合遥感土 壤湿度指标，在尺度相一致的情况下进行数据的融合，达到快速监测农业干旱 的目的。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的 任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。
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 (10)
1.一种农业干旱监测方法，其特征在于，所述方法针对覆盖有植被的目标区域，所述方法包括：
获得用于反映所述目标区域在指定时间段上土壤含水状况的第一序列，以及，若干用于从不同特征类别反映所述指定时间段上所述植被生长状况的第二序列，所述第一序列与所述第二序列具有统一的时间尺度及空间尺度；
根据所述第一序列与若干所述第二序列之间的相关性，从若干所述第二序列中，确定与所述第一序列更为相关的所述第二序列；
基于所述第一序列以及所确定的、与所述第一序列更为相关的所述第二序列，进行所述目标区域的农业干旱监测。
2.如权利要求1所述的方法，其特征在于，获得用于反映所述目标区域在指定时间段上土壤含水状况的第一序列，以及，若干用于从不同特征类别反映所述指定时间段上所述植被生长状况的第二序列，具体包括：
获得用于反映所述目标区域在所述指定时间段上土壤含水状况的原始主被动微波遥感数据，以及，若干用于从不同特征类别反映所述指定时间段上所述植被生长状况的原始光学热红外遥感数据；
将所述原始主被动微波遥感数据转换为所述第一序列，和/或，将所述原始光学热红外遥感数据转换为所述第二序列，以使得所述第一序列与若干所述第二序列具有统一的所述时间尺度及所述空间尺度。
3.如权利要求2所述的方法，其特征在于，获得若干用于从不同特征类别反映所述指定时间段上所述植被生长状况的原始光学热红外遥感数据，具体包括：
获得若干用于反映所述指定时间段上所述植被生长状况的原始基础光学热红外遥感数据；
对所述原始基础光学热红外遥感数据进行去噪平滑处理，得到次级原始基础光学热红外遥感数据；
利用所述次级原始基础光学热红外遥感数据，合成若干所述原始光学热红外遥感数据。
4.如权利要求3所述的方法，其特征在于，所述原始基础光学热红外遥感数据为归一化植被指数NDVI和/或增强型植被指数EVI，所述原始光学热红外遥感数据为距平植被指数AVI、温度状况指数TCI、植被状况指数VCI、植被健康指数VHI和/或植被供水指数VSWI。
5.如权利要求1所述的方法，其特征在于，所述指定时间段通过植被物候信息所指示；相较于非指定时间段，所述植被在所述指定时间段更能表现出与农业干旱相关的生长状况。
6.如权利要求1所述的方法，其特征在于，根据所述第一序列与若干所述第二序列之间的相关性，从若干所述第二序列中，确定与所述第一序列更为相关的所述第二序列，具体为：
采用皮尔森相关系数分析方法，获得所述第一序列与每一所述第二序列之间的相关性指示数据；
根据所述相关性指示数据，从若干所述第二序列中，确定与所述第一序列更为相关的所述第二序列。
7.如权利要求1所述的方法，其特征在于，基于所述第一序列以及所确定的、与所述第一序列更为相关的所述第二序列，进行所述目标区域的农业干旱监测，具体为：
当所述第一序列与所述第二序列上位于监测节点上的节点数据均达到干旱监测阈值时，判断所述目标区域发生或即将发生农业干旱，和/或判断已发生农业干旱的干旱等级。
8.一种农业干旱监测系统，其特征在于，所述系统针对覆盖有植被的目标区域，所述系统包括：
获取单元，用于获得用于反映所述目标区域在指定时间段上土壤含水状况的第一序列，以及，若干用于从不同特征类别反映所述指定时间段上所述植被生长状况的第二序列，所述第一序列与所述第二序列具有统一的时间尺度及空间尺度；
确定单元，用于根据所述第一序列与若干所述第二序列之间的相关性，从若干所述第二序列中，确定与所述第一序列更为相关的所述第二序列；以及，
监测单元，用于基于所述第一序列以及所确定的、与所述第一序列更为相关的所述第二序列，进行所述目标区域的农业干旱监测。
9.一种云计算系统，包括存储器及处理器，其特征在于，所述处理器执行所述存储器中存储的计算机程序时实现如权利要求1至7任一项所述方法中的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910120380.5A CN111579565B (zh) | 2019-02-18 | 2019-02-18 | 农业干旱监测方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910120380.5A CN111579565B (zh) | 2019-02-18 | 2019-02-18 | 农业干旱监测方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111579565A true CN111579565A (zh) | 2020-08-25 |
| CN111579565B CN111579565B (zh) | 2023-11-21 |
Family
ID=72124124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910120380.5A Active CN111579565B (zh) | 2019-02-18 | 2019-02-18 | 农业干旱监测方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111579565B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052054A (zh) * | 2021-03-19 | 2021-06-29 | 北京师范大学 | 一种遥感干旱检测方法及系统 |
| CN116523859A (zh) * | 2023-04-23 | 2023-08-01 | 宁波大学 | 一种联合地面观测的海岸带植被物候参数卫星影像率定方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170038749A1 (en) * | 2015-08-05 | 2017-02-09 | Iteris, Inc. | Customized land surface modeling for irrigation decision support in a crop and agronomic advisory service in precision agriculture |
| CN107782701A (zh) * | 2017-09-20 | 2018-03-09 | 北京师范大学 | 一种多源遥感数据的农业干旱监测方法 |
-
2019
- 2019-02-18 CN CN201910120380.5A patent/CN111579565B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170038749A1 (en) * | 2015-08-05 | 2017-02-09 | Iteris, Inc. | Customized land surface modeling for irrigation decision support in a crop and agronomic advisory service in precision agriculture |
| CN107782701A (zh) * | 2017-09-20 | 2018-03-09 | 北京师范大学 | 一种多源遥感数据的农业干旱监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘宗元: "基于多源数据的西南地区综合干旱监测指数研究及其应用", 《中国优秀硕士学位论文全文数据库 基础科技辑》 * |
| 杨绍锷 等: "农业干旱遥感监测研究进展", 《遥感信息》 * |
| 薛丽 等: "南方农业干旱风险管理及干旱预警", 《湖南水利水电》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052054A (zh) * | 2021-03-19 | 2021-06-29 | 北京师范大学 | 一种遥感干旱检测方法及系统 |
| CN113052054B (zh) * | 2021-03-19 | 2023-05-23 | 北京师范大学 | 一种遥感干旱检测方法及系统 |
| CN116523859A (zh) * | 2023-04-23 | 2023-08-01 | 宁波大学 | 一种联合地面观测的海岸带植被物候参数卫星影像率定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111579565B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zeng et al. | A review of vegetation phenological metrics extraction using time-series, multispectral satellite data | |
| US10838936B2 (en) | Computer-implemented methods, computer readable medium and systems for generating an orchard data model for a precision agriculture platform | |
| US11751499B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that detects disease in crops | |
| AU2021282487A1 (en) | Forecasting national crop yield during the growing season | |
| US10748081B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that identifies generic anomalies in crops | |
| Manivasagam et al. | Practices for upscaling crop simulation models from field scale to large regions | |
| US10395355B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform | |
| CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
| US10410334B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform with a satellite data model | |
| US10943173B2 (en) | Computer-implemented methods, computer readable medium and systems for generating a satellite data model for a precision agriculture platform | |
| CN111738175A (zh) | 一种基于遥感影像和卷积神经网络的农业干旱监测系统 | |
| CA2981473A1 (en) | Forecasting national crop yield during the growing season | |
| CN111126662A (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
| WO2018107245A1 (en) | Detection of environmental conditions | |
| Acevedo-Opazo et al. | A model for the spatial prediction of water status in vines (Vitis vinifera L.) using high resolution ancillary information | |
| CN111579565B (zh) | 农业干旱监测方法、系统及存储介质 | |
| Zhang et al. | Monitoring and assessment of agricultural drought based on solar-induced chlorophyll fluorescence during growing season in north China plain | |
| Sitokonstantinou et al. | A sentinel based agriculture monitoring scheme for the control of the cap and food security | |
| Xu et al. | Digital Technology Empowers Grain Supply Chain Optimization Simulation | |
| WO2023131949A1 (en) | A versatile crop yield estimator | |
| Faye et al. | Plant Disease Severity Assessment Based on Machine Learning and Deep Learning: A Survey | |
| CN114359725A (zh) | 基于作物模型与同化技术的作物长势遥感监测系统及方法 | |
| CN117235607B (zh) | 一种土壤墒情实时监测系统及监测方法 | |
| Rodrigues et al. | PhenoSat–a tool for remote sensing based analysis of vegetation dynamics | |
| Herdiyeni et al. | Analysis and prediction of rubber tree phenological changes during Pestalotiopsis infection using Sentinel-2 imagery and random forest |
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 |