CN111727443B - 一种基于深度神经网络的土壤速效养分反演方法 - Google Patents
一种基于深度神经网络的土壤速效养分反演方法 Download PDFInfo
- Publication number
- CN111727443B CN111727443B CN202080000932.XA CN202080000932A CN111727443B CN 111727443 B CN111727443 B CN 111727443B CN 202080000932 A CN202080000932 A CN 202080000932A CN 111727443 B CN111727443 B CN 111727443B
- Authority
- CN
- China
- Prior art keywords
- soil
- database
- remote sensing
- data
- inversion
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 109
- 235000015097 nutrients Nutrition 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000011835 investigation Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 230000035558 fertility Effects 0.000 claims description 6
- 239000002028 Biomass Substances 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 241000238631 Hexapoda Species 0.000 claims description 3
- 241000607479 Yersinia pestis Species 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004720 fertilization Effects 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011574 phosphorus Substances 0.000 description 3
- 239000011591 potassium Substances 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005527 soil sampling Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度神经网络的土壤速效养分反演方法,包括以下步骤:步骤1、卫星遥感数据库的建立;步骤2:无人机遥感数据库的建立;步骤3:农田环境基础数据库的建立;步骤4:在训练实验区域通过在若干个调查点现场采样调查,形成土壤养分分布测试图;步骤5:土壤速效养分建模,卷积神经网络通过梯度反向传播算法进行学习训练得到土壤速效养分反演模型;步骤6:获取协变量信息,经预处理后输入土壤速效养分反演模型,产出该区域土壤养分分布图。本方法能较准确地进行反演预测,得到可靠的土壤养分分布图,克服现有技术预测模型空间分辨率不高,总体准确率低的缺陷。
Description
技术领域
本发明涉及一种基于深度神经网络的土壤速效养分反演方法。
背景技术
精准施肥是减少滥施肥引起的环境污染、提升农产品品质的有效手段,而精准施肥的基础是对农田土壤肥力的精准刻画。然而现有测土方案在农业实践中存在着地面检测点过于稀疏,不能精细的“因田施策”;土壤采样测试范围巨大、周期长、成本高;速效养分变化大,土样采集频次不能满足农业生产及时的需求。受到土样采集测试成本的限制,耕地地力评价存在检测空间密度低、成本高、历年积累的土壤信息存在时间与空间的割裂。因此需要大规模、快速和动态的土壤肥力动分布信息的获取方法。
随着遥感技术和图像处理技术的快速发展,很多研究开展了基于遥感多光谱和高光谱数据对裸土或植被的监测,从而反演土壤肥力分布。但目前基于遥感技术对土壤肥力进行建模,主要集中在非速效养分的土壤属性的建模,如pH值,有机质和土壤容重等,而对测土配方检测指标中速效养分的建模较少。因为速效养分的建模受农业生产活动和气象因素影响较大,因而需要更高时间分辨率的遥感数据和更快速的土壤采样检测方法。基于卫星遥感对影像的时间间隔要求高,导致无法跟踪速效养分的快速变化;建模过程中,随着大数据的爆炸式增长,数据维度比较高,目前没系统对多种来源的数据进行自动学习和处理。
因此,如何在复杂环境下进行土壤养分建模,提升模型泛化能力、预测精度和迭代能力已成为急需解决的技术问题。
发明内容
本发明的目的在于提供一种基于深度神经网络的土壤速效养分反演方法,以解决现有技术中因为速效养分的建模受农业生产活动和气象因素影响较大,进行反演预测时涉及数据维度高,难以有效进行预测计算,同时现有卫星遥感对影像的时间间隔要求高,导致无法及时跟踪速效养分的快速变化的问题。
所述的一种基于深度神经网络的土壤速效养分反演方法,包括以下步骤:
步骤1、卫星遥感数据库的建立;
步骤2:无人机遥感数据库的建立,所述无人机遥感数据库的数据采集间隔时间小于所述卫星遥感数据库;
步骤3:农田环境基础数据库的建立;
步骤4:在训练实验区域通过在若干个调查点现场采样调查土壤养分获得地面速效养分测试值,根据调查点位置形成土壤养分分布测试图;
步骤5:土壤速效养分建模,卫星遥感数据库、无人机遥感数据库和农田环境基础数据库提供数据作为土壤速效养分的协变量信息,卷积神经网络通过梯度反向传播算法进行学习训练得到土壤速效养分反演模型;
步骤6:获取需要进行预测的区域的协变量信息,经预处理后输入土壤速效养分反演模型,产出该区域土壤养分分布图。
优选的,所述步骤5包括:
S5.1:生成回归矩阵,根据调查点的位置,卫星遥感数据库、无人机遥感数据库和农田环境基础数据库提供相应数据作为土壤速效养分的协变量信息,覆盖叠加协变量信息生成回归矩阵。
S5.2:拟合空间预测模型,设计卷积神经网络,其同一平面上的神经元权值相等,将回归矩阵转化为向量输入,将土壤养分分布测试图作为学习目标,通过梯度反向传播算法进行学习训练,得到土壤速效养分反演模型。
优选的,所述步骤S5.2中卷积神经网络的学习过程为:通过三个可训练的滤波器和可加偏置进行卷积,卷积后在C1层产生三个特征映射图,然后特征映射图中每组若干特征再进行求和、加权值、加偏置,再通过Sigmoid函数得到三个S2层的土壤速效养分特征映射图;土壤速效养分特征映射图再经过滤波得到C3层,C3层的层级结构通过产生S2层的方法产生S4层;最终,协变量信息形成向量输入到卷积神经网络,得到输出获得土壤速效养分反演模型。
优选的,所述步骤1中卫星遥感数据库中包括卫星遥感数据,还包括卫星遥感数据反演所得的田块边界、作物种植类型、作物长势及单产水平数据;所述步骤2中无人机遥感数据库包括周期性获取的无人机遥感数据及其反演所得的田块边界、作物种植类型、作物长势及单产水平数据。
优选的,所述步骤3中所述农田环境基础数据库包括农作物物候数据库、农田环境数据库、农业气象数据库、土壤基础地理数据库和土地利用覆盖数据库,所述农田环境数据库和所述农业气象数据库的数据采集间隔时间小于所述卫星遥感数据库。
优选的,所述构建农作物物候数据库的数据包括主要作物品种、种植时间、收割时间、作物不同生育期时间、作物生物量、叶面积指数、行密度、垄密度和抽样株单产等信息;
所述构建农田环境数据库的数据包括作物生长过程不同时间节点的土壤温度、土壤湿度、pH值、空气温湿度和病虫草害发生情况数据;
所述构建农业气象数据库的数据包括太阳辐射、最低温度、最高温度、水汽压、平均风速、降水量以及气象卫星数据;
所述构建土壤基础地理数据库的数据包括土壤历史测土配方数据、土壤类型、坡度和海拔高度;
所述构建土地利用覆盖数据库包括土地覆被类型。
优选的,所述步骤6中,当卫星遥感数据库缺乏属于某一反演时间区间内的数据时,将该时间区间前后最接近的卫星遥感数据及其反演所得的相关数据作为该次反演的输入值,同时无人机遥感数据为该反演时间区间内采集的数据。
本发明具有如下优点:通过基于深度神经网络的土壤速效养分反演方法的构建,将深度强化学习和空天地一体化的数据模型相结合,提高模型的适应能力,即使数据维度比较高,数据来源多样,也能较准确地进行反演预测,得到可靠的土壤养分分布图,克服现有技术预测模型空间分辨率不高,总体准确率低的缺陷。
同时由于采用无人机遥感数据库和农田环境基础数据库进行补充验证,因此更多维度的预测模型即使出现缺少反演的时间区间内采集的卫星遥感数据,也能通过最接近卫星遥感数据,结合时间区间内采集的无人机遥感数据等输入数据得到较为准确的输出结果,避免了现有卫星遥感技术因有效数据采集时间间隔较长无法满足对数据时效性要求较高的速效养分的建模的问题。同时大部分情况下通过卫星遥感数据参与预测,能避免无人机遥感数据因无人机采集范围有限,反演预测受空间约束较多的缺陷。
附图说明
图1为本发明基于深度神经网络的土壤速效养分反演方法的整体流程图;
图2为本发明基于深度神经网络的大规模土壤养分反演方法数据传输和具体流程的示意图;
图3为本发明中表示建模过程的示意图。
具体实施方式
下面对照附图,通过对实施例的描述,对本发明具体实施方式作进一步详细的说明,以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
如图1-3所示,本发明提供了一种基于深度神经网络的土壤速效养分反演方法,包括以下步骤:
步骤1、卫星遥感数据库的建立。卫星遥感数据包括卫星高分辨率遥感影像数据和高精度数字高程数据。卫星遥感数据库中包括历年Sentinel-2卫星、GF-1PMS、GF-2PMS,LandSat ETM/OLI、HJ-1CCD以及谷歌卫星采集的0.26米分辨率遥感影像数据,以及30M左右精度的数字高程(DEM)数据,还包括卫星遥感数据反演所得的田块边界、作物种植类型、作物长势及单产水平数据。多光谱、高光谱卫星数据与其他数据结合能在大范围区域对作物情况进行遥感采集。
步骤2:无人机遥感数据库的建立,无人机遥感数据库包括周期性获取的无人机遥感数据及其反演所得的田块边界、作物种植类型、作物长势及单产水平数据。所述无人机遥感数据库的数据采集间隔时间小于所述卫星遥感数据库,但无人机在大范围地域采集的效率较低,因此采集数据的空间范围小于卫星遥感数据。
步骤3:农田环境基础数据库的建立。所述农田环境基础数据库包括农作物物候数据库、农田环境数据库、农业气象数据库、土壤基础地理数据库和土地利用覆盖数据库,所述农田环境数据库和所述农业气象数据库的数据采集间隔时间小于所述卫星遥感数据库。
所述构建农作物物候数据库的数据包括主要作物品种、种植时间、收割时间、作物不同生育期时间、作物生物量、叶面积指数、行密度、垄密度和抽样株单产等信息。
所述构建农田环境数据库的数据包括作物生长过程不同时间节点的土壤温度、土壤湿度、pH值、空气温湿度和病虫草害发生情况数据。
所述构建农业气象数据库的数据包括太阳辐射、最低温度、最高温度、水汽压、平均风速、降水量以及气象卫星数据。
所述构建土壤基础地理数据库的数据包括土壤历史测土配方数据、土壤类型、坡度和海拔高度。
所述构建土地利用覆盖数据库包括土地覆被类型,如水田、旱田、有林地、灌木林、疏林地、草地等。
步骤4:在训练实验区域通过在若干个调查点现场采样调查土壤养分获得地面速效养分测试值,根据调查点位置形成土壤养分分布测试图。采样检测指标包含土壤养分(有机质、全氮、全磷、全钾)储量指标、养分有效状态(能被植物吸收利用的养分的含量及其比例,如有效磷/全磷、有效钾/全钾),土壤生物数量、活性等。通过土壤化学原理进行测定土壤养分的指标,数值化表现地面速效养分对土壤肥力的影响。之后结合调查点的位置和地图信息就能转化为土壤养分分布测试图。
步骤5:土壤速效养分建模,卫星遥感数据库、无人机遥感数据库和农田环境基础数据库提供数据作为土壤速效养分的协变量信息,卷积神经网络通过梯度反向传播算法进行学习训练得到土壤速效养分反演模型。
S5.1:生成回归矩阵,根据调查点的位置,卫星遥感数据库、无人机遥感数据库和农田环境基础数据库提供相应数据作为土壤速效养分的协变量信息,覆盖叠加协变量信息生成回归矩阵。
S5.2:拟合空间预测模型,设计卷积神经网络,其同一平面上的神经元权值相等,将回归矩阵转化为向量输入,将土壤养分分布测试图作为学习目标,通过梯度反向传播算法进行学习训练,得到土壤速效养分反演模型。
如图3所示的神经网络学习框架和过程如下:输入值通过三个可训练的滤波器和可加偏置进行卷积,卷积后在C1层产生三个特征映射图,然后特征映射图中每组若干特征再进行求和、加权值、加偏置,再通过Sigmoid函数得到三个S2层的土壤速效养分特征映射图;土壤速效养分特征映射图再经过滤波得到C3层,C3层的层级结构通过产生S2层的方法产生S4层;最终,协变量信息形成向量输入到卷积神经网络,得到输出获得土壤速效养分反演模型。
步骤6:获取需要进行预测的区域的协变量信息,经预处理后输入土壤速效养分反演模型,产出该区域土壤养分分布图。该步骤需要采集反演地块区域的多光谱/高光谱卫星图、该区域一年类内的历史气象数据、无人机对该区域作物长势的监测数据等,采集数据包含多种维度,种类多数量大,预测结果准确。
考虑到卫星遥感对影像的时间间隔要求高,而速效养分的建模后预测的时效性要求较高,二者不相匹配,因此容易出现某一反演时间区间内缺乏及时采集的卫星遥感数据。此时,本方法将该时间区间前后时间上最接近的卫星遥感数据及其反演所得的相关数据作为该次反演的输入值,同时无人机遥感数据为该反演时间区间内采集的数据。这样结合时间区间内采集的无人机遥感数据等输入数据,通过模型进行计算能得到较为准确的输出结果,避免了速效养分的建模因卫星遥感数据采集间隔长而结果不准确的问题。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进,或未经改进将本发明构思和技术方案直接应用于其它场合的,均在本发明保护范围之内。
Claims (6)
1.一种基于深度神经网络的土壤速效养分反演方法,其特征在于:包括以下步骤:
步骤1、卫星遥感数据库的建立;
步骤2:无人机遥感数据库的建立,所述无人机遥感数据库的数据采集间隔时间小于所述卫星遥感数据库;
步骤3:农田环境基础数据库的建立;
步骤4:在训练实验区域通过在若干个调查点现场采样调查土壤养分获得地面速效养分测试值,根据调查点位置形成土壤养分分布测试图;
步骤5:土壤速效养分建模,卫星遥感数据库、无人机遥感数据库和农田环境基础数据库提供数据作为土壤速效养分的协变量信息,卷积神经网络通过梯度反向传播算法进行学习训练得到土壤速效养分反演模型;
步骤6:获取需要进行预测的区域的协变量信息,经预处理后输入土壤速效养分反演模型,产出该区域土壤养分分布图;
所述步骤4中,采样检测指标包含土壤养分储量指标、养分有效状态、土壤生物数量和活性,通过土壤化学原理进行测定土壤养分的指标,数值化表现地面速效养分对土壤肥力的影响,之后结合调查点的位置和地图信息转化为土壤养分分布测试图;
所述步骤6中,当卫星遥感数据库缺乏属于某一反演时间区间内的数据时,将该时间区间前后最接近的卫星遥感数据及其反演所得的相关数据作为该次反演的输入值,同时无人机遥感数据为该反演时间区间内采集的数据。
2.根据权利要求1所述的一种基于深度神经网络的土壤速效养分反演方法,其特征在于:所述步骤5包括:
S5.1:生成回归矩阵,根据调查点的位置,卫星遥感数据库、无人机遥感数据库和农田环境基础数据库提供相应数据作为土壤速效养分的协变量信息,覆盖叠加协变量信息生成回归矩阵;
S5.2:拟合空间预测模型,设计卷积神经网络,其同一平面上的神经元权值相等,将回归矩阵转化为向量输入,将土壤养分分布测试图作为学习目标,通过梯度反向传播算法进行学习训练,得到土壤速效养分反演模型。
3.根据权利要求2所述的一种基于深度神经网络的土壤速效养分反演方法,其特征在于:所述步骤S5.2中卷积神经网络的学习过程为:输入值通过三个可训练的滤波器和可加偏置进行卷积,卷积后在C1层产生三个特征映射图,然后特征映射图中每组若干特征再进行求和、加权值、加偏置,再通过Sigmoid 函数得到三个S2层的土壤速效养分特征映射图;土壤速效养分特征映射图再经过滤波得到C3层,C3层的层级结构通过产生S2层的方法产生S4层;最终,协变量信息形成向量输入到卷积神经网络,得到输出获得土壤速效养分反演模型。
4.根据权利要求1-3中任一所述的一种基于深度神经网络的土壤速效养分反演方法,其特征在于:所述步骤1中卫星遥感数据库中包括卫星遥感数据,还包括卫星遥感数据反演所得的田块边界、作物种植类型、作物长势及单产水平数据;所述步骤2中无人机遥感数据库包括周期性获取的无人机遥感数据及其反演所得的田块边界、作物种植类型、作物长势及单产水平数据。
5.根据权利要求4所述的一种基于深度神经网络的土壤速效养分反演方法,其特征在于:所述步骤3中所述农田环境基础数据库包括农作物物候数据库、农田环境数据库、农业气象数据库、土壤基础地理数据库和土地利用覆盖数据库,所述农田环境数据库和所述农业气象数据库的数据采集间隔时间小于所述卫星遥感数据库。
6.根据权利要求5所述的一种基于深度神经网络的土壤速效养分反演方法,其特征在于:
构建所述农作物物候数据库的数据包括主要作物品种、种植时间、收割时间、作物不同生育期时间、作物生物量、叶面积指数、行密度、垄密度和抽样株单产信息;
构建所述农田环境数据库的数据包括作物生长过程不同时间节点的土壤温度、土壤湿度、pH值、空气温湿度和病虫草害发生情况数据;
构建所述农业气象数据库的数据包括太阳辐射、最低温度、最高温度、水汽压、平均风速、降水量以及气象卫星数据;
构建所述土壤基础地理数据库的数据包括土壤历史测土配方数据、土壤类型、坡度和海拔高度;
构建所述土地利用覆盖数据库的数据包括土地覆被类型。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/090396 WO2021226976A1 (zh) | 2020-05-15 | 2020-05-15 | 一种基于深度神经网络的土壤速效养分反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111727443A CN111727443A (zh) | 2020-09-29 |
CN111727443B true CN111727443B (zh) | 2023-10-31 |
Family
ID=72574204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080000932.XA Active CN111727443B (zh) | 2020-05-15 | 2020-05-15 | 一种基于深度神经网络的土壤速效养分反演方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111727443B (zh) |
WO (1) | WO2021226976A1 (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711900A (zh) * | 2020-12-02 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种农作物数字孪生建模方法 |
CN112733780A (zh) * | 2021-01-19 | 2021-04-30 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于卫星影像的土壤有效磷分析模型构建系统及方法 |
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 |
CN114140591B (zh) * | 2021-11-29 | 2024-04-26 | 中国科学院南京土壤研究所 | 一种结合机器学习和地统计的土壤有机质遥感制图方法 |
CN114120147B (zh) * | 2021-11-30 | 2022-12-09 | 上海交通大学 | 铁路隧道涌水流径沿线区域生态环境评价系统 |
CN114414491B (zh) * | 2021-12-30 | 2023-10-27 | 青海省草原总站 | 一种草原生态动态监测与分析系统 |
CN114359725B (zh) * | 2021-12-30 | 2024-03-26 | 黑龙江省农业科学院农业遥感与信息研究所 | 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 |
CN114461971B (zh) * | 2022-01-13 | 2024-04-16 | 桂林理工大学 | 一种融合土壤物理性质与遥感数据的地表土壤含水量反演方法 |
CN114460013B (zh) * | 2022-01-28 | 2023-10-17 | 自然资源部第一海洋研究所 | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 |
CN114742272A (zh) * | 2022-03-10 | 2022-07-12 | 浙江大学 | 一种基于时空交互关系的土壤镉风险预测方法 |
CN114529838B (zh) * | 2022-04-24 | 2022-07-15 | 江西农业大学 | 基于卷积神经网络的土壤含氮量反演模型构建方法及系统 |
CN115100521A (zh) * | 2022-06-23 | 2022-09-23 | 中科卫星应用德清研究院 | 基于极化雷达遥感数据的盐碱化分级反演方法及系统 |
CN115116558B (zh) * | 2022-07-06 | 2024-03-29 | 农业农村部环境保护科研监测所 | 一种重金属含量动态预测方法 |
CN115453868B (zh) * | 2022-08-31 | 2024-04-12 | 中国农业大学 | 基于番茄光响应差分特征的全生长期光强调控方法 |
CN115482120A (zh) * | 2022-10-12 | 2022-12-16 | 安徽科技学院 | 一种无人机精准变量施肥方法及系统 |
CN115661671B (zh) * | 2022-12-22 | 2023-03-21 | 中国科学院地理科学与资源研究所 | 一种基于特征空间的土壤水分微波产品降尺度方法 |
CN116596326B (zh) * | 2023-04-11 | 2024-04-26 | 泰州城发数字科技有限公司 | 一种基于遥感数据的城市环境检测及综合评估方法 |
CN117132883B (zh) * | 2023-05-08 | 2024-03-19 | 江苏商贸职业学院 | 一种基于gis的智慧农业灾害判别方法及系统 |
CN116451886B (zh) * | 2023-06-20 | 2023-10-10 | 创辉达设计股份有限公司 | 一种高标准农田水平衡计算方法 |
CN117035471B (zh) * | 2023-10-10 | 2023-12-22 | 中科领讯(北京)科技有限公司 | 一种基于多植被指数图像的施肥决策方法及系统 |
CN117153291B (zh) * | 2023-10-31 | 2024-01-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及系统 |
CN117151354B (zh) * | 2023-11-01 | 2024-01-02 | 北京建工环境修复股份有限公司 | 一种农田修复与改良管理方法及系统 |
CN117688404B (zh) * | 2024-02-02 | 2024-05-10 | 北京市农林科学院智能装备技术研究中心 | 智能施肥配方决策方法、装置、设备、介质及程序产品 |
CN117787110B (zh) * | 2024-02-26 | 2024-05-17 | 山东建筑大学 | 基于深度学习模型的土壤水分反演方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105181607A (zh) * | 2015-09-07 | 2015-12-23 | 中国科学院遥感与数字地球研究所 | 土壤速效养分反演方法及装置 |
CN109142359A (zh) * | 2018-08-23 | 2019-01-04 | 中国水利水电科学研究院 | 一种基于时间序列遥感数据的农作物长势监测方法 |
CN109142679A (zh) * | 2018-08-13 | 2019-01-04 | 中国科学院东北地理与农业生态研究所 | 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 |
CN109269475A (zh) * | 2018-09-29 | 2019-01-25 | 成都信息工程大学 | 一种空地一体植物自动检测系统及方法 |
CN109374860A (zh) * | 2018-11-13 | 2019-02-22 | 西北大学 | 一种基于机器学习算法的土壤养分预测及综合评价方法 |
CN109661979A (zh) * | 2017-10-13 | 2019-04-23 | 中国农业机械化科学研究院 | 一种基于精准控制作物位置的信息化种植方法 |
CN109757175A (zh) * | 2019-03-18 | 2019-05-17 | 中国农业科学院农业资源与农业区划研究所 | 一种基于无人机监测的玉米水肥一体化变量施肥方法 |
CN110115142A (zh) * | 2019-04-25 | 2019-08-13 | 中科赛诺(北京)科技有限公司 | 一种基于遥感数据的农田变量施肥方法 |
CN110213376A (zh) * | 2019-06-05 | 2019-09-06 | 黑龙江省七星农场 | 一种用于虫害预防的信息处理系统及方法 |
CN110530901A (zh) * | 2019-09-11 | 2019-12-03 | 中国科学院南京土壤研究所 | 融合宇宙射线中子法和无人机遥感的中小尺度土壤水监测系统及方法 |
CN111028096A (zh) * | 2019-12-23 | 2020-04-17 | 内蒙古自治区生物技术研究院 | 一种天、空、地一体化数据融合的系统和方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10408810B2 (en) * | 2015-03-02 | 2019-09-10 | Unibest International, Llc | Methods and apparatus for determining fertilizer/treatment requirements and/or predicting plant growth response |
WO2018049289A1 (en) * | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods |
US10417556B1 (en) * | 2017-12-07 | 2019-09-17 | HatchB Labs, Inc. | Simulation-based controls optimization using time series data forecast |
CN109001127A (zh) * | 2018-06-01 | 2018-12-14 | 华南农业大学 | 一种土壤重金属含量空间预测方法 |
US11596119B2 (en) * | 2018-08-13 | 2023-03-07 | Climate Llc | Digital nutrient models using spatially distributed values unique to an agronomic field |
CN110110595B (zh) * | 2019-03-28 | 2023-05-26 | 国智恒北斗好年景农业科技有限公司 | 一种基于卫星遥感影像的农田画像及药肥大数据分析方法 |
CN111047099B (zh) * | 2019-12-16 | 2020-08-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及系统 |
-
2020
- 2020-05-15 WO PCT/CN2020/090396 patent/WO2021226976A1/zh active Application Filing
- 2020-05-15 CN CN202080000932.XA patent/CN111727443B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105181607A (zh) * | 2015-09-07 | 2015-12-23 | 中国科学院遥感与数字地球研究所 | 土壤速效养分反演方法及装置 |
CN109661979A (zh) * | 2017-10-13 | 2019-04-23 | 中国农业机械化科学研究院 | 一种基于精准控制作物位置的信息化种植方法 |
CN109142679A (zh) * | 2018-08-13 | 2019-01-04 | 中国科学院东北地理与农业生态研究所 | 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 |
CN109142359A (zh) * | 2018-08-23 | 2019-01-04 | 中国水利水电科学研究院 | 一种基于时间序列遥感数据的农作物长势监测方法 |
CN109269475A (zh) * | 2018-09-29 | 2019-01-25 | 成都信息工程大学 | 一种空地一体植物自动检测系统及方法 |
CN109374860A (zh) * | 2018-11-13 | 2019-02-22 | 西北大学 | 一种基于机器学习算法的土壤养分预测及综合评价方法 |
CN109757175A (zh) * | 2019-03-18 | 2019-05-17 | 中国农业科学院农业资源与农业区划研究所 | 一种基于无人机监测的玉米水肥一体化变量施肥方法 |
CN110115142A (zh) * | 2019-04-25 | 2019-08-13 | 中科赛诺(北京)科技有限公司 | 一种基于遥感数据的农田变量施肥方法 |
CN110213376A (zh) * | 2019-06-05 | 2019-09-06 | 黑龙江省七星农场 | 一种用于虫害预防的信息处理系统及方法 |
CN110530901A (zh) * | 2019-09-11 | 2019-12-03 | 中国科学院南京土壤研究所 | 融合宇宙射线中子法和无人机遥感的中小尺度土壤水监测系统及方法 |
CN111028096A (zh) * | 2019-12-23 | 2020-04-17 | 内蒙古自治区生物技术研究院 | 一种天、空、地一体化数据融合的系统和方法 |
Non-Patent Citations (6)
Title |
---|
A Survey of Deep Neural Network Architectures and Their Applications;Weibo Liu等;《Neurocomputing》;第234卷;第5节,图4-5 * |
Combining UAV-based hyperspectral imagery and machine learning algorithms for soil moisture content monitoring;Xiangyu Ge等;《PeerJ》;1-44 * |
Preliminary Study of Soil Available Nutrient Simulation Using a Modified WOFOST Model and Time-Series Remote Sensing Observations;Zhiqiang Cheng等;《remote sensing》;第10卷(第1期);1-21 * |
WOFOST模型与遥感数据同化的土壤速效养分反演;蒙继华等;《遥感学报》;第22卷(第4期);546-558 * |
基于光谱和高光谱成像技术的土壤养分及类型检测与仪器开发;章海亮;《中国博士学位论文全文数据库:农业科技辑》(第2015年第05期);D044-4 * |
甘南州草地土壤有机碳、全氮空间分布特征及影响因素分析;张瑶瑶;《中国优秀硕士学位论文全文数据库:基础科学辑》(第2019年第09期);A008-62 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021226976A1 (zh) | 2021-11-18 |
CN111727443A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111727443B (zh) | 一种基于深度神经网络的土壤速效养分反演方法 | |
CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
CN108536908B (zh) | 基于非点源氮磷流失风险对流域水环境安全评估的方法 | |
CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
CN109374860A (zh) | 一种基于机器学习算法的土壤养分预测及综合评价方法 | |
CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
CN108872964B (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
CN108647401B (zh) | 一种基于空间遥感技术的流域氮磷污染评估方法 | |
CN110991921A (zh) | 一种基于三维魔方的耕地生态质量综合评价方法 | |
CN114529097A (zh) | 多尺度农作物物候期遥感降维预测方法 | |
Luo et al. | Crop yield estimation based on assimilation of crop models and remote sensing data: A systematic evaluation | |
CN116401882A (zh) | 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法 | |
Zhang et al. | Integrating a novel irrigation approximation method with a process-based remote sensing model to estimate multi-years' winter wheat yield over the North China Plain | |
Bourgeron et al. | Ecological theory in relation to landscape and ecosystem characterization | |
Cui et al. | Estimating maize yield in the black soil region of Northeast China using land surface data assimilation: integrating a crop model and remote sensing | |
CN116522145B (zh) | 一种顾及时空约束和植被状况的旱情预测方法 | |
Dige | Precision agriculture in india: Opportunities and challenges | |
Yane | Research and analysis about system of digital agriculture based on a network platform | |
CN117494419A (zh) | 一种多模型耦合的流域水土流失遥感监测方法 | |
LU501248B1 (en) | Inversion method for readily available nutrients of soil based on deep neural network | |
CN111724073B (zh) | 一种模块化农业机械排放量计算及污染识别管控系统 | |
Rao et al. | Crop yield prediction by using machine learning techniques | |
CN115017798A (zh) | 基于深度学习的土壤耕作层水分温度预测方法 | |
Ozalp et al. | Evaluation of Land Suitability for Olive (Olea europaea L.) Cultivation Using the Random Forest Algorithm | |
CN113340898A (zh) | 一种叶面积指数时空变化特征研究方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 241000 Floor 3, Building 3, Chuangye Street, No. 8, Longhu Road, Sanshan Economic Development Zone, Wuhu City, Anhui Province Applicant after: Anhui Zhongke intelligent perception Technology Co.,Ltd. Address before: Room 225, Building 2, Pioneering Avenue, 8 Longhu Road, Sanshan District, Wuhu City, Anhui Province, 241000 Applicant before: ANHUI ZHONGKE INTELLIGENT SENSING INDUSTRY TECHNOLOGY RESEARCH INSTITUTE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |