CN111582181B - 一种区域尺度大棚内有无作物种植的检测方法 - Google Patents
一种区域尺度大棚内有无作物种植的检测方法 Download PDFInfo
- Publication number
- CN111582181B CN111582181B CN202010389976.8A CN202010389976A CN111582181B CN 111582181 B CN111582181 B CN 111582181B CN 202010389976 A CN202010389976 A CN 202010389976A CN 111582181 B CN111582181 B CN 111582181B
- Authority
- CN
- China
- Prior art keywords
- greenhouse
- inclination angle
- coverage area
- image data
- planted
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000001228 spectrum Methods 0.000 claims abstract description 30
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 235000013311 vegetables Nutrition 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种区域尺度大棚内有无作物种植的检测方法，包括以下步骤：获取待检测区域尺度内的多光谱卫星影像数据，经图像处理技术得到标准遥感数据；基于已有区域尺度大棚的空间分布矢量数据，对标准遥感数据进行裁剪，得到大棚覆盖区域的卫星影像数据；计算大棚覆盖区域的光谱倾斜角度；将大棚覆盖区域的光谱倾斜角度分别与有作物种植的光谱倾斜角度阈值范围和无作物种植的光谱倾斜角度阈值范围进行比较，判断大棚内有无作物种植。本发明提供的区域尺度大棚内有无作物种植的检测方法，方法简单，操作方便，能够准确识别大棚内有无作物种植，进一步丰富大棚内种植信息的遥感检测功能。
Description
技术领域
本发明涉及光谱信息识别技术领域，特别是涉及一种区域尺度大棚内有无作物种植的检测方法。
背景技术
随着农业经济的发展，农业大棚种植技术得到了大范围的推广和应用。目前，农业大棚数据的获取多采用抽样调查和统计上报等方法，由于其工作流程复杂、人工干预过多等问题，导致数据获取的准确性和时效性较低。相比于传统统计方法，遥感具有宏观、动态、快速等特点，可以实现大面积动态同步观测，已经被用于农业大棚的信息提取。然而，尽管国内学者针对大棚信息提取的研究较多，且取得一定的研究成果，但是大多研究却偏重于大棚面积的信息提取，而对大棚是否空置这一关键信息却很少开展相关研究。高效利用大棚设施是关键，因此，如何实现长时间、大范围、高精度的农业大棚种植信息的提取，就成了一个亟待解决的重要问题。
考虑到空置大棚与未空置大棚在光谱信息中存在明显差异，本发明从二者光谱差异为切入点，以卫星遥感技术为主要手段，提出一种区域尺度大棚内有无种植作物的检测方法，为大棚种植信息的检测提供必要技术支撑。
发明内容
本发明的目的是提供一种区域尺度大棚内有无作物种植的检测方法，方法简单，操作方便，能够准确识别大棚内有无作物种植，进一步丰富大棚内种植信息的遥感检测功能。
为实现上述目的，本发明提供了如下方案：
一种区域尺度大棚内有无作物种植的检测方法，包括以下步骤：
S1，获取待检测区域尺度内的多光谱卫星影像数据，经图像处理技术得到标准遥感数据；
S2，基于已有区域尺度大棚的空间分布矢量数据，对标准遥感数据进行裁剪，得到大棚覆盖区域的卫星影像数据；
S3，基于大棚覆盖区域的卫星影像数据，计算大棚覆盖区域的光谱倾斜角度；
S4，将大棚覆盖区域的光谱倾斜角度分别与有作物种植的光谱倾斜角度阈值范围和无作物种植的光谱倾斜角度阈值范围进行比较，判断大棚内有无作物种植。
可选的，所述步骤S1中，获取待检测区域尺度内的多光谱卫星影像数据，经图像处理技术得到标准遥感数据，具体包括：
对卫星影像数据进行辐射纠正、几何纠正、拼接、裁剪处理，生成适用于提取信息的标准遥感数据。
可选的，所述步骤S3中，基于大棚覆盖区域的卫星影像数据，计算大棚覆盖区域的光谱倾斜角度，具体包括：
基于大棚覆盖区域的卫星影像数据中的近红外波段、红波段数据，计算大棚覆盖区域的光谱倾斜角度，公式如下：
式中：QXJD为光谱倾斜角度，Rnir为近红外波段的反射率，Rr为红波段的反射率，Lnir为近红外波段的中心波长，Lr为红波段处的中心波长。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的区域尺度大棚内有无作物种植的检测方法，基于光谱检测技术，能够依据光谱倾斜角度，与根据日常检测数据确定的阈值范围做比较，确定大棚内是否有作物种植，具有高精度、简便、易操作等优势；有效弥补现有技术在大棚内作物种植信息识别方面相对匮乏，检测精度更高，鲁棒性和普适性更好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例区域尺度大棚内有无作物种植的检测方法的流程图；
图2为本发明实施例大棚内有作物种植的光谱曲线图；
图3为本发明实施例大棚内无作物种植的光谱曲线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种区域尺度大棚内有无作物种植的检测方法，方法简单，操作方便，能够准确识别大棚内有无作物种植，进一步丰富大棚内种植信息的遥感检测功能。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
地物光谱是地物化特性的综合体现，某一地物光谱的变化其根源是物质本理化特性的变化，因而光谱是某一地物理化特性(构成成分、占比等)的外在体现；因此在用大棚内拥有大量蔬菜植被信息，植被信息在大棚光谱中占据主导地位；而空置大棚内则是有用大量土壤信息，土壤光谱在大棚光谱中占据主导地位；由于蔬菜植被光谱特征与土壤光谱特征存在较大差异，因此本发明充分利用在用大棚与空置大棚在光谱中的差异，并利用卫星影像数据提取大棚内蔬菜的种植信息。
如图1所示，本发明提供的区域尺度大棚内有无作物种植的检测方法，以下步骤：
S1，获取待检测区域尺度内的多光谱卫星影像数据，经图像处理技术得到标准遥感数据；
S2，基于已有区域尺度大棚的空间分布矢量数据，对标准遥感数据进行裁剪，得到大棚覆盖区域的卫星影像数据；
S3，基于大棚覆盖区域的卫星影像数据，计算大棚覆盖区域的光谱倾斜角度；
S4，将大棚覆盖区域的光谱倾斜角度分别与有作物种植的光谱倾斜角度阈值范围和无作物种植的光谱倾斜角度阈值范围进行比较，判断大棚内有无作物种植。
其中，所述步骤S1中，获取待检测区域尺度内的多光谱卫星影像数据，经图像处理技术得到标准遥感数据，具体包括：
对卫星影像数据进行辐射纠正、几何纠正、拼接、裁剪处理，生成适用于提取信息的标准遥感数据。
所述步骤S2中，利用人工目视解译或面向对象算法，提取大棚空间分布矢量信息应依据单个大棚进行提取，以避免其他非大棚植被的干扰；利用大棚覆盖区域的影像数据中的近红外、红波段计算光谱倾斜角度，为大棚内植被信息的检测做数据准备。
受光合色素的吸收作用的影响，绿色植被光谱在红波段具有较强的吸收特征；因植被细胞结构对近红外800nm附近具有强烈的散射作用，在植被光谱中红色波段与近红外波段的连线具有较大倾斜角度；因此，光谱倾斜角度在检测大棚内是否存在植被具有重要指示意义，可用于大棚内是否有植被的检测指标。
其中，所述步骤S3中，基于大棚覆盖区域的卫星影像数据，计算大棚覆盖区域的光谱倾斜角度，具体包括：
基于大棚覆盖区域的卫星影像数据中的近红外波段、红波段数据，计算大棚覆盖区域的光谱倾斜角度，公式如下：
式中：QXJD为光谱倾斜角度，Rnir为近红外波段的反射率，Rr为红波段的反射率，Lnir为近红外波段的中心波长，Lr为红波段处的中心波长。
所述步骤S4中，依据将实地野外核查数据与利用步骤S1-步骤S3中大棚覆盖区域光谱倾斜角度进行统计分析，得出合理的阈值区间。由于大棚作物种植存在周期性，因此，建议在采用本发明技术时，依据地区实际情况采用3期检测数据作为最终评价依据。
如表1所示，为某区域的实际监测数据，采用46个样点进行了实际检测，根据该表格的统计数据，可以确定有作物种植的光谱倾斜角度阈值范围为[75，85]、有作物种植的光谱倾斜角度阈值范围为[60-75]，如图2至图3所示，并依据阈值区间进行大棚是否有作物的判断。
本发明提供的区域尺度大棚内有无作物种植的检测方法，基于光谱检测技术，能够依据光谱倾斜角度，与根据日常检测数据确定的阈值范围做比较，确定大棚内是否有作物种植，具有高精度、简便、易操作等优势；有效弥补现有技术在大棚内作物种植信息识别方面相对匮乏，检测精度更高，鲁棒性和普适性更好。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (2)
1.一种区域尺度大棚内有无作物种植的检测方法，其特征在于，包括以下步骤：
S1，获取待检测区域尺度内的多光谱卫星影像数据，经图像处理技术得到标准遥感数据；
S2，基于已有区域尺度大棚的空间分布矢量数据，对标准遥感数据进行裁剪，得到大棚覆盖区域的卫星影像数据；
S3，基于大棚覆盖区域的卫星影像数据，计算大棚覆盖区域的光谱倾斜角度；
基于大棚覆盖区域的卫星影像数据中的近红外波段、红波段数据，计算大棚覆盖区域的光谱倾斜角度，公式如下：
式中：QXJD为光谱倾斜角度，Rnir为近红外波段的反射率，Rr为红波段的反射率，Lnir为近红外波段的中心波长，Lr为红波段处的中心波长；
S4，将大棚覆盖区域的光谱倾斜角度分别与有作物种植的光谱倾斜角度阈值范围和无作物种植的光谱倾斜角度阈值范围进行比较，判断大棚内有无作物种植。
2.根据权利要求1所述的区域尺度大棚内有无作物种植的检测方法，其特征在于，所述步骤S1中，获取待检测区域尺度内的多光谱卫星影像数据，经图像处理技术得到标准遥感数据，具体包括：
对卫星影像数据进行辐射纠正、几何纠正、拼接、裁剪处理，生成适用于提取信息的标准遥感数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010389976.8A CN111582181B (zh) | 2020-05-11 | 2020-05-11 | 一种区域尺度大棚内有无作物种植的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010389976.8A CN111582181B (zh) | 2020-05-11 | 2020-05-11 | 一种区域尺度大棚内有无作物种植的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111582181A CN111582181A (zh) | 2020-08-25 |
| CN111582181B true CN111582181B (zh) | 2023-06-09 |
Family
ID=72126451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010389976.8A Active CN111582181B (zh) | 2020-05-11 | 2020-05-11 | 一种区域尺度大棚内有无作物种植的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582181B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784803A (zh) * | 2021-02-03 | 2021-05-11 | 北华航天工业学院 | 一种基于连续小波变换的区域尺度农业大棚信息增强方法 |
| CN118377260B (zh) * | 2024-05-14 | 2024-10-11 | 联盒智能装备(金华)有限公司 | 用于农业种植舱的集成控制系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106596412A (zh) * | 2016-12-31 | 2017-04-26 | 上海复展智能科技股份有限公司 | 利用无人机携带多光谱光源进行植物生长监测的方法 |
| CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
| CN108710864A (zh) * | 2018-05-25 | 2018-10-26 | 北华航天工业学院 | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 |
| CN109087316A (zh) * | 2018-09-07 | 2018-12-25 | 南京大学 | 一种基于遥感图像的大棚提取方法和装置 |
| CN110427914A (zh) * | 2019-08-14 | 2019-11-08 | 西南交通大学 | 一种基于卫星遥感的输电走廊植被威胁预警方法 |
| CN110705455A (zh) * | 2019-09-29 | 2020-01-17 | 东华理工大学 | 一种基于多光谱卫星遥感影像的三七种植面积计算方法 |
| CN110849821A (zh) * | 2019-11-12 | 2020-02-28 | 北华航天工业学院 | 基于贝叶斯定理的黑臭水体遥感识别方法 |
-
2020
- 2020-05-11 CN CN202010389976.8A patent/CN111582181B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106596412A (zh) * | 2016-12-31 | 2017-04-26 | 上海复展智能科技股份有限公司 | 利用无人机携带多光谱光源进行植物生长监测的方法 |
| CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
| CN108710864A (zh) * | 2018-05-25 | 2018-10-26 | 北华航天工业学院 | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 |
| CN109087316A (zh) * | 2018-09-07 | 2018-12-25 | 南京大学 | 一种基于遥感图像的大棚提取方法和装置 |
| CN110427914A (zh) * | 2019-08-14 | 2019-11-08 | 西南交通大学 | 一种基于卫星遥感的输电走廊植被威胁预警方法 |
| CN110705455A (zh) * | 2019-09-29 | 2020-01-17 | 东华理工大学 | 一种基于多光谱卫星遥感影像的三七种植面积计算方法 |
| CN110849821A (zh) * | 2019-11-12 | 2020-02-28 | 北华航天工业学院 | 基于贝叶斯定理的黑臭水体遥感识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于面向对象的高分遥感影像的冬小麦提取;胡湛晗;任旭红;杨秀峰;王晓宁;;北华航天工业学院学报(第01期);全文 * |
| 高分遥感影像林地资源信息提取方法研究;胡湛晗;赵子辉;王延仓;;北华航天工业学院学报(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111582181A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rodríguez-Pérez et al. | Evaluation of hyperspectral reflectance indexes to detect grapevine water status in vineyards | |
| CN102426153B (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
| CN101915738B (zh) | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 | |
| Shihua et al. | Monitoring paddy rice phenology using time series MODIS data over Jiangxi Province, China | |
| Campillo et al. | Using digital images to characterize canopy coverage and light interception in a processing tomato crop | |
| CN103398957B (zh) | 基于高光谱与激光雷达提取叶面积垂直分布的方法 | |
| CN109948596A (zh) | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 | |
| CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| CN111582181B (zh) | 一种区域尺度大棚内有无作物种植的检测方法 | |
| CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
| CN103472009B (zh) | 一种不同植株氮含量水平下小麦植株含水率的监测方法 | |
| CN103278503B (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统 | |
| CN108519339B (zh) | 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 | |
| CN103185695A (zh) | 一种基于光谱的烤烟成熟度田间快速判断方法 | |
| CN109187417A (zh) | 一种无人机载的太赫兹波及高光谱遥感农作物监测系统 | |
| CN109934109A (zh) | 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 | |
| CN111521562A (zh) | 基于Sentinel-2卫星的棉花植被指数遥感检测方法 | |
| CN107561032A (zh) | 基于太赫兹吸收系数光谱检测油菜叶片水分状态的方法 | |
| CN114708490A (zh) | 水稻种植提取及复种指数监测方法、系统、终端及存储介质 | |
| CN105954207A (zh) | 一种枣树冠层叶绿素b含量的检测方法 | |
| CN105823736A (zh) | 一种枣树冠层类胡萝卜素含量的检测方法 | |
| CN116797950A (zh) | 一种基于无人机多光谱遥感的茶树水分胁迫监测方法 | |
| CN112129709A (zh) | 一种苹果树冠层尺度氮含量诊断方法 | |
| Xu et al. | Improving extraction phenology accuracy using SIF coupled with the vegetation index and mapping the spatiotemporal pattern of bamboo forest phenology | |
| CN108387525B (zh) | 一种基于evi2季节变化曲线的年gpp估算方法及系统 |
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 |