CN111738175A - 一种基于遥感影像和卷积神经网络的农业干旱监测系统 - Google Patents

一种基于遥感影像和卷积神经网络的农业干旱监测系统 Download PDF

Info

Publication number
CN111738175A
CN111738175A CN202010593767.5A CN202010593767A CN111738175A CN 111738175 A CN111738175 A CN 111738175A CN 202010593767 A CN202010593767 A CN 202010593767A CN 111738175 A CN111738175 A CN 111738175A
Authority
CN
China
Prior art keywords
drought
information
image
remote sensing
module
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
Application number
CN202010593767.5A
Other languages
English (en)
Inventor
谢晓兰
杨勇
蔡志勇
刘亚荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Technology
Original Assignee
Guilin University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Technology filed Critical Guilin University of Technology
Priority to CN202010593767.5A priority Critical patent/CN111738175A/zh
Publication of CN111738175A publication Critical patent/CN111738175A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于遥感影像和卷积神经网络的农业干旱监测系统。包括遥感影像采集模块、影像预处理模块、影像存储模块、影像特征提取与分类模块、干旱信息分析与处理模块、干旱信息显示模块、信息查询与推送模块。它们分别负责高分遥感影像采集、遥感影像预处理、遥感影像存储、影像特征提取与分类、信息分析与处理、干旱信息可视化显示、信息查询与推送。本发明采用卷积神经网络，可以解决平移、旋转、尺度缩放等形式的变化问题，并利用它强大的特征提取能力，对高分辨率卫星遥感影像进行特征提取。可实现查询干旱信息、干旱等级划分、干旱信息可视化显示、监测与预测干旱状况等功能，满足当前遥感影像数据增长背景下对农业干旱监测的需要。

Description

一种基于遥感影像和卷积神经网络的农业干旱监测系统
技术领域
本发明属于图像处理、监测技术领域，特别涉及一种基于遥感影像和卷积神经网络的农业干旱监测系统。
背景技术
干旱是一种因降水量与当地作物需水状况不协调而普遍发生的全球性自然灾害。如今，在全球气候日益变暖的环境下，降水分布不均的情况进一步加剧，导致干旱发生的频率在逐步上升，干旱问题亟需得到解决。由于其发生初期察觉难度大，频发次数多、持续时间长以及影响范围广等特点，严重影响农作物的生长和粮食产量，威胁社会的安全。因此，研究适合于农业的干旱监测方法，做好旱情的监测至关重要。目前的农业干旱监测方法：采用地面气象观测站点的数据采集方法，通过一些表示干旱强度和持续时间的干旱监测指数来划分干旱等级；采用中低分辨率卫星影像的数据获取方法，进行人工设计特征提取并通过分类器根据提取特征进行区域的分类。目前主要通过以上两种方法监测干旱的程度和范围，开展干旱预警工作。农业部门以此作为农业干旱监测的依据，在发生农业干旱甚至更严重情况下需要投入大量工作人员进行处理，无法及时通知发生干旱区域的农民。因此以上方案主要存在如下四点不足：
(1)由于观测站点少，且存在站点分布不均，代表性差的问题，并且在监测时需要消耗大量的人力、物力。
(2)由于采用未充分反映干旱的指数数据来判定农业区域干旱的程度，存在准确性低、无法判断干旱的状况，导致无法对干旱问题进行有效的补救。
(3)由于无法对大面积农作物种植区和土壤水分进行有效且精确的监测，导致干旱监测不足且监测结果精准性、时效性不高。
(4)人工设计特征提取方式，难以准确描述具体应用场景如农业区域的数据规律，泛化能力差，对于具体应用模型的选择非常困难，难以提取目标的高层抽象信息。
鉴于此，传统的农业干旱监测方法已经越来越难以满足我国在农业干旱监测方面中对干旱数据处理的时效性要求。高分二号卫星是迄今为止我国自主研发的空间分辨率最高、观测幅宽最大、设计寿命最长的民用遥感卫星，具备1米分辨率全色和4米分辨率多光谱光学成像、高辐射精度、高定位精度和快速姿态机动的能力。它不仅可以自主获取海量的高分卫星影像数据，还可以快速获取农业干旱信息。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的经典代表算法之一。卷积神经网络包括输入层、隐含层、输出层，而隐含层又分为卷积层、池化层以及全连接层。它具有很好的图像特征抽取能力，并且可以通过局部感受野、权重共享以及降采样来降低网络模型的复杂度。在对海量且复杂度高的高分辨率卫星影像数据进行特征提取时，卷积神经网络可以解决平移、旋转、尺度缩放等形式带来的变化问题，并利用它强大的特征提取能力，对高分辨率卫星遥感影像的多样化特征进行精细化处理和提取。因此有必要研制一种基于遥感影像和卷积神经网络的农业干旱监测系统，采用高分二号卫星获取遥感影像数据，使用卷积神经网络方法提取遥感影像特征，提取出农业区域的遥感影像并分析农业区域的干旱状况，进行干旱等级的划分，方便农业部门对农业干旱进行实时监测与查询，缓解农业干旱状况，实现干旱的动态监测，提升我国农业现代化管理质量，助力我国“智慧农业”的建设，促进农业更科学、更智能发展。
本发明设计的一种基于遥感影像和卷积神经网络的农业干旱监测系统可以实现以下功能：
1.查询干旱信息：系统可以通过高分卫星遥感影像获取数据源，进行特征提取并处理分析，获取干旱监测信息，如地表温度、植被状况等。
2.干旱状况等级划分：系统可以根据获取的干旱信息，通过数据分析模块，使用多模态数据挖掘方法，按照干旱指数进行分析，对干旱信息进行等级划分。
3.干旱信息可视化显示：系统对干旱程度进行等级划分之后，通过干旱信息显示模块使用Highcharts以图表的形式进行数据的可视化显示。
4.监测干旱状况：系统能够根据当前干旱的可视化显示程度和计算干旱监测指数，监测当前时间的农业区域干旱状况。
5.预测干旱状况：根据当前的干旱数据，判断未来一段时间内的农业干旱状况，当判断出相关地域某些时段干旱程度异常时，系统通过紧急推送干旱信息的方式及时通知农业部门工作人员，由他们通知干旱区域的地方工作人员和农民，防范农作物的生长迟缓及减产问题。
发明内容
本发明的目的是克服现有方法的不足，设计一种基于遥感影像和卷积神经网络的农业干旱监测系统。
本发明是这样实现的：一种基于遥感影像和卷积神经网络的农业干旱监测系统，包括：遥感影像采集模块、影像预处理模块、影像存储模块、影像特征提取与分类模块、干旱信息分析与处理模块、干旱信息显示模块、信息查询与推送模块，遥感影像采集模块的输出端与影像预处理模块的输入端连接，影像预处理模块的输出端与影像存储模块的输入端连接，影像存储模块的输出端与影像特征提取与分类模块的输入端连接，影像特征提取与分类模块的输出端与干旱信息分析模块的输入端连接，干旱信息分析与处理模块的输出端与干旱信息显示模块的输入端连接，干旱信息显示模块的输出端与信息查询与推送模块的输入端连接。
所述遥感影像采集模块，通过高分二号卫星采集高分辨率遥感影像。
所述影像预处理模块，使用ENVI软件进行预处理，主要包括以下操作：辐射定标、正射校正、图像融合、大气校正和图像裁剪。对所获取影像进行辐射定标，将数字量化值转化为具有实际物理意义的值，转化之后卫星传感器记录的信息可以提供地面物体的表面反射率信息；通过全色数据和多光谱数据的RPC信息进行正射校正，获取多中心投影的影像；接着对图像进行融合处理，使用不同传感器的影像信息将全色影像和多光谱影像进行融合，获得空间分辨率较高、容易处理的多光谱影像；接着进行大气校正处理，获取地面物体的真实地表反射率；最后对影像进行裁剪，得到比较清晰的高分辨率遥感影像。
所述影像存储模块，通过对原始高分辨率遥感影像进行预处理，将得到的比较清晰的卫星遥感影像存储到系统里。
所述影像特征提取与分类模块，利用卷积神经网络方法，对经过预处理的高分辨率卫星遥感影像进行特征提取并分类。在特征提取阶段，首先获取经过预处理和归一化处理的遥感影像集，将它们按照6：2：2的比例分为训练集、验证集和测试集，其次，进行卷积神经网络模型的构建，其中包括输入层、卷积层、池化层、全连接层、输出层操作；然后将训练集作为以上卷积神经网络模型的输入进行训练，按照验证集的验证结果进行卷积神经网络模型的改进；最后，使用改进后的卷积神经网络模型，将测试集输入进而完成测试，完成遥感影像特征的提取；在分类阶段，利用训练集的特征训练SVM分类器，将测试集特征输入到SVM分类器进行分类，获取农业区域范围以及相关的农作物信息。
所述干旱信息分析与处理模块，对提取的特征信息进行多模态数据挖掘，进而提取出与干旱数据对应的特征信息，按照最具反映干旱情况的TVDI指数和作物缺水指数CWSI进行综合分析，将提取的干旱信息按照温度植被干旱指数TVDI和作物缺水指数CWSI对干旱数据进行等级划分，及时对干旱状况进行准确的预测。
所述干旱信息显示模块，对干旱信息进行分析与处理之后，使用基于jQuery框架和JavaScript编写实现的开源可视化库Highcharts，实现干旱信息以图表的形式进行可视化显示。在生成的图表中将鼠标移动到某个数据点上，可以显示该点的详细干旱数据。
所述信息查询与推送模块，将干旱信息进行分析之后得到的干旱等级信息导入系统，可以在系统里进行查询，如果分析出相关地域某些时段干旱程度异常时，系统可以通过紧急推送干旱信息的方式及时通知农业部门工作人员，再由农业部门工作人员及时通知发生干旱状况区域的地方工作人员和农民，防范农作物的生长迟缓及减产问题。同时，鉴于微信庞大的用户量，系统还可以调用API接口通过微信小程序发送实时的干旱监测信息，让农民及时掌握农作物的干旱状况。
与现有技术相比，本发明提供的一种基于遥感影像和卷积神经网络的农业干旱监测系统具备以下有益效果：
1.高分二号卫星是迄今为止我国自主研发的空间分辨率最高、观测幅宽最大、设计寿命最长的民用遥感卫星。它具备1米分辨率全色和4米分辨率多光谱光学成像、高辐射精度、高定位精度和快速姿态机动能力。高分二号卫星不仅可以自主获取海量、高分辨率的遥感影像，还可以快速获取农业干旱信息，实现干旱的动态监测，提升我国农业现代化管理的水平，助力我国“智慧农业”的建设，促进农业更科学、更智能发展。
2.卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的经典代表算法之一。卷积神经网络包括输入层、隐含层、输出层，而隐含层又分为卷积层、池化层以及全连接层。它具有很好的表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，同时具有非常强的图像特征抽取能力。所以在对海量、类型多、复杂度高的高分卫星影像数据的特征提取时，卷积神经网络就可以利用它强大的特征提取能力，对高分遥感影像的多样化特征进行精细化处理和提取。
3.采用干旱紧急信息推送方式，当监测到农业干旱指数达到阈值时，系统通过紧急推送干旱信息的方式及时通知农业部门工作人员，再由农业部门工作人员及时通知发生干旱区域的地方工作人员和农民，防范农作物的生长迟缓及减产问题。同时，鉴于微信庞大的用户量，系统还可以调用API接口通过微信小程序发送实时的干旱监测信息，让农民及时掌握农作物的干旱状况。
附图说明
图1为本发明的系统结构示意图；
图2为本发明的遥感影像特征提取与分类流程图；
图3为本发明的干旱监测流程图。
附图中，各标号所代表的部件列表如下：
1、遥感影像采集模块，2、影像预处理模块，3、影像存储模块，4、影像特征提取与分类模块，5、干旱信息分析与处理模块，6、干旱信息显示模块，7、信息查询与推送模块。
具体实施方式
实施例：
如图1所示，实施例提供了一种基于遥感影像和卷积神经网络的农业干旱监测系统，包括：遥感影像采集模块1、影像预处理模块2、影像存储模块3、影像特征提取与分类模块4、干旱信息分析与处理模块5、干旱信息显示模块6、信息查询与推送模块7，遥感影像采集模块1的输出端与影像预处理模块2的输入端连接，影像预处理模块2的输出端与影像存储模块3的输入端连接，影像存储模块3的输出端与影像特征提取与分类模块4的输入端连接，影像特征提取与分类模块4的输出端与干旱信息分析与处理模块5的输入端连接，干旱信息分析与处理模块5的输出端与干旱信息显示模块6的输入端连接，干旱信息显示模块6的输出端与信息查询与推送模块7的输入端连接。
所述遥感影像采集模块1，通过高分二号卫星采集高分辨率遥感影像。
所述影像预处理模块2，使用ENVI软件进行预处理，包括以下操作:辐射定标、正射校正、图像融合、大气校正和图像裁剪。
1、对所获取影像进行辐射定标，将卫星数字量化值转化为具有实际物理意义的值，转化之后高分卫星传感器所记录的信息可以提供地面物体的表面反射率信息；
2、解决高分卫星成像过程中地形等因素干扰的问题，通过全色数据和多光谱数据的RPC信息进行正射校正，解决成像过程中影像几何畸变的问题，获得多中心投影的影像；
3、对正射校正后的图像进行融合处理，使用不同传感器的影像信息将全色影像和多光谱影像进行融合，获得空间分辨率较高、方便处理的多光谱影像；
4、对融合后的影像进行大气校正处理，解决大气干扰问题，得到地面物体的真实地表反射率；
5、最后对处理之后的影像进行裁剪，得到比较清晰的高分辨率遥感影像。
所述影像存储模块3，通过对原始高分辨率遥感影像进行预处理，将得到的清晰、多类型的高分辨率遥感影像存储到系统里。
所述影像特征提取与分类模块4，利用卷积神经网络方法，对已经存储的清晰且多类型的高分辨率遥感影像进行特征提取，最终获得高分辨率卫星的农业区域遥感影像特征。
1、将预处理之后的遥感影像进行归一化，生成归一化影像；
2、将归一化的遥感影像按照6：2：2的比例分为训练集、验证集和测试集；
3、构建卷积神经网络模型，具体包括以下操作；
(1)输入层，将进行归一化处理之后的训练集输入。
(2)卷积层，将不同的卷积核分别与前一层的所有影像特征图进行卷积求和，再与偏置相加，最后将结果通过输出激活函数产生当前层的神经元，同一卷积核的权值大小相同。卷积操作的表达式为：
yn＝f(∑kmn*xm+an)
以上公式中，xm代表第m层的输入，yn代表第n层的输出，f是激活函数，kmn代表m层、n层之间的卷积核，*代表卷积，an代表n层的偏置。
(3)池化层，网络模型层数递增使影像特征图的个数快速增加，通过池化操作使卷积层输出的特征向量降低，并且结果不易出现过拟合问题，为了获得更优的网络模型收敛速度，一般使用Maxpooling，计算公式如下：
f(x)＝Max(x[m,m+k][n,n+k])
(4)全连接层，将池化后的影像特征图转化为一维数组，计算公式表示为，
y＝Mx
以上公式中，输入节点组成的向量为x，维度为c，输出节点组成的向量为y，维度为d，M为c×d维的权值矩阵。
(5)最后构建卷积神经网络模型的公式为：
y＝mx+n
其中，m为权值向量，x为输入向量，n为偏置向量，y为输出向量。
4、训练集输入进行训练之后，按照验证集的验证结果进行卷积神经网络模型的改进；
5、通过使用改进后的卷积神经网络模型，将测试集输入进而完成测试，根据测试结果的准确率和F1Score，进行模型的优化，完成遥感影像特征的提取；
6、利用训练集的特征训练SVM分类器，将测试集特征输入到SVM分类器进行分类，获取农业区域范围以及相关的农业信息。
所述干旱信息分析与处理模块5，对提取的特征信息进行多模态数据挖掘，进而提取出与干旱数据对应的特征信息，按照最具反映干旱情况的温度植被干旱指数TVDI指数和作物缺水指数CWSI进行综合分析。
温度植被干旱指数TVDI，通过归一化植被指数NDVI和地表温度LST来计算农业区域的TVDI值，归一化植被指数NDVI计算方式为：
Figure BDA0002553998500000061
以上公式中，Pa为近红外波段的反射率值，Pb为红波段的反射率值。
通过计算归一化植被指数NDVI和统计的地表温度LST，温度植被干旱指数TVDI的计算公式为：
Figure BDA0002553998500000062
以上公式中，t为随机像元地表温度，tmin为地表最低温度，x、y为归一化植被指数和地表温度构成的LST-NDVI特征空间中干边拟合方程的系数。TVDI值介于0到1之间，值越大，土壤湿度越低，说明干旱程度更严重。
作物缺水指数CWSI，通过植被的实际蒸散量ET和潜在蒸散量ETp来计算农业区域的CWSI值，计算公式为：
Figure BDA0002553998500000071
以上公式中，ET为植被实际蒸散量，ETp为植被潜在蒸散量，ET和ETp由Penman-Monteith蒸散公式计算获得。CWSI的取值为0到1，值越大，土壤水分含量越低，说明干旱程度更严重。
将最具反映干旱状况的温度植被干旱指数TVDI和作物缺水指数CWSI作为旱情分级指标，将旱情划分成5级。TVDI值和CWSI值在0至0.4之间为“正常”，0.4至0.6之间为“轻度干旱”，0.6至0.7之间为“中度干旱”，0.7至0.8之间为“重度干旱”，0.8至1之间为“极度干旱”。
所述干旱信息显示模块6，对干旱信息进行分析与处理之后，使用基于jQuery框架和JavaScript编写实现的开源可视化库Highcharts，采用Ajax异步传输技术进而高效调用SQLServer数据库中的JSON文件，Highcharts将读取到的JSON文件封装成图表，实现干旱信息以图表的形式进行可视化显示。在生成的图表中将鼠标移动到某个数据点上，可以显示该点的详细干旱数据。农业部门工作人员只需将鼠标放至对应区域就可查询地表温度以及植被状态等信息，通过使用放大或缩小键对系统界面进行放大或缩小。
所述信息查询与推送模块7，将干旱信息进行分析之后得到的干旱等级信息导入系统，可以在系统里进行干旱数据的查询。农业部门工作人员可以在系统的输入栏中输入地理位置与相应时间，如不输入，系统默认为当天时间，通过查询存储的最终干旱数据，就可以查阅到想要的相关区域的干旱监测数据。通过监测系统设置特定的农业干旱阈值，当干旱指数达到阈值时，系统通过紧急推送有关区域的干旱信息及时通知农业部门工作人员，再由农业部门工作人员及时通知发生干旱区域的地方工作人员和农民，防范农作物的生长迟缓及减产问题。同时，鉴于微信庞大的用户量，系统还可以调用API接口通过微信小程序发送实时的干旱监测信息，让农民及时掌握农作物的干旱状况。
如图2所示，首先，将预处理之后的遥感影像进行归一化，生成归一化影像，将归一化的遥感影像分为训练集、验证集和测试集。其次，进行卷积神经网络模型的构建，其中主要包括卷积层、池化层、全连接层操作，将训练集作为以上卷积神经网络模型的输入进行训练，按照验证集的验证结果进行卷积神经网络模型的改进。然后，通过使用改进后的卷积神经网络模型，将测试集输入进而完成测试，根据测试结果的准确率，进行模型的优化，完成遥感影像特征的提取。最后，利用训练集的特征训练SVM分类器，将测试集特征输入到SVM分类器进行分类，获取农业区域范围以及相关的农作物信息。
如图3所示，首先，通过遥感影像采集模块获取高分二号卫星的遥感影像。其次，对获取的遥感影像进行预处理并存储。然后，对存储的遥感影像使用卷积神经网络对其进行特征提取。最后，系统对干旱信息进行分析、处理并可视化显示。当干旱指数达到阈值0.7时，系统自动向农业部门工作人员推送相关干旱区域的详细信息，由农业中心工作人员进行干旱的防控，如果系统监测到干旱指数达到阈值1时，系统通过紧急推送有关区域的干旱信息及时通知农业部门工作人员，再由农业部门工作人员向相关区域工作人员发布紧急处理命令，通知发生干旱区域的农民立即对干旱状况进行处理，防范农作物的生长迟缓及减产问题。
本发明通过一种基于遥感影像和卷积神经网络的农业干旱监测系统不仅可以对干旱状况进行实时监测，还可以数据可视化显示，避免了大量人力和物力的投入，提高处理干旱问题的效率，可有效解决农业干旱的问题。
以上所述内容，仅为本发明较好的具体实施方式，应该理解，上面的实施例只是作为具体说明，而不限制本发明的范围，同时本领域的技术人员根据本发明所做的显而易见的改变和修饰也包含在本发明范围之内。

Claims (1)

1.一种基于遥感影像和卷积神经网络的农业干旱监测系统，其特征在于：包括遥感影像采集模块、影像预处理模块、影像存储模块、影像特征提取与分类模块、干旱信息分析与处理模块、干旱信息显示模块、信息查询与推送模块；
所述遥感影像采集模块，通过高分二号卫星采集高分辨率遥感影像；
所述影像预处理模块，使用ENVI软件进行预处理，包括以下操作：辐射定标、正射校正、图像融合、大气校正和图像裁剪；对所获取影像进行辐射定标，将数字量化值转化为具有实际物理意义的值，转化之后卫星传感器记录的信息可以提供地面物体的表面反射率信息；通过全色数据和多光谱数据的RPC信息进行正射校正，获取多中心投影的影像；接着对图像进行融合处理，使用不同传感器的影像信息将全色影像和多光谱影像进行融合，获得空间分辨率较高、容易处理的多光谱影像；接着进行大气校正处理，获取地面物体的真实地表反射率；最后对影像进行裁剪，得到比较清晰的高分辨率遥感影像；
所述影像存储模块，通过对原始高分辨率遥感影像进行预处理，将得到的比较清晰的卫星遥感影像存储到系统里；
所述影像特征提取与分类模块，利用卷积神经网络方法，对经过预处理的高分辨率卫星遥感影像进行特征提取并分类；在特征提取阶段，首先获取经过预处理和归一化处理的遥感影像集，将它们按照6：2：2的比例分为训练集、验证集和测试集，其次，进行卷积神经网络模型的构建，其中包括输入层、卷积层、池化层、全连接层、输出层操作；然后将训练集作为以上卷积神经网络模型的输入进行训练，按照验证集的验证结果进行卷积神经网络模型的改进；最后，使用改进后的卷积神经网络模型，将测试集输入进而完成测试，完成遥感影像特征的提取；在分类阶段，利用训练集的特征训练SVM分类器，将测试集特征输入到SVM分类器进行分类，获取农业区域范围以及相关的农作物信息；
所述干旱信息分析与处理模块，对提取的特征信息进行多模态数据挖掘，进而提取出与干旱数据对应的特征信息，按照最具反映干旱情况的TVDI指数和作物缺水指数CWSI进行综合分析，将提取的干旱信息按照温度植被干旱指数TVDI和作物缺水指数CWSI对干旱数据进行等级划分，及时对干旱状况进行准确的预测；
所述干旱信息显示模块，对干旱信息进行分析与处理之后，使用基于jQuery框架和JavaScript编写实现的开源可视化库Highcharts，实现干旱信息以图表的形式进行可视化显示；在生成的图表中将鼠标移动到某个数据点上，可以显示该点的详细干旱数据；
所述信息查询与推送模块，将干旱信息进行分析之后得到的干旱等级信息导入系统，可以在系统里进行查询，如果分析出相关地域某些时段干旱程度异常时，系统通过紧急推送干旱信息的方式及时通知农业部门工作人员，再由农业部门工作人员及时通知发生干旱状况区域的地方工作人员和农民，防范农作物的生长迟缓及减产问题；同时，鉴于微信庞大的用户量，系统还可以调用API接口通过微信小程序发送实时的干旱监测信息，让农民及时掌握农业的干旱状况。
CN202010593767.5A 2020-06-24 2020-06-24 一种基于遥感影像和卷积神经网络的农业干旱监测系统 Pending CN111738175A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010593767.5A CN111738175A (zh) 2020-06-24 2020-06-24 一种基于遥感影像和卷积神经网络的农业干旱监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010593767.5A CN111738175A (zh) 2020-06-24 2020-06-24 一种基于遥感影像和卷积神经网络的农业干旱监测系统

Publications (1)

Publication Number Publication Date
CN111738175A true CN111738175A (zh) 2020-10-02

Family

ID=72651174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010593767.5A Pending CN111738175A (zh) 2020-06-24 2020-06-24 一种基于遥感影像和卷积神经网络的农业干旱监测系统

Country Status (1)

Country Link
CN (1) CN111738175A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258793A (zh) * 2020-10-19 2021-01-22 深圳前海微众银行股份有限公司 灾害监测及预警方法、装置、设备及介质
CN112772384A (zh) * 2021-01-28 2021-05-11 深圳市协润科技有限公司 一种基于卷积神经网络的农水灌溉系统和方法
CN113486883A (zh) * 2021-05-25 2021-10-08 航天恒星科技有限公司 一种卫星遥感图像感兴趣区在轨智能提取一体化处理装置
CN113553323A (zh) * 2021-05-25 2021-10-26 安徽国戎科技有限公司 一种卫星影像信息管理方法
CN114549980A (zh) * 2022-02-11 2022-05-27 成都理工大学 一种改进边缘检测和深度学习算法的土壤干旱识别方法
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
CN115578650A (zh) * 2022-11-22 2023-01-06 北京慧天卓特科技有限公司 一种基于地表温度图像预测干旱指数的方法及装置
CN116894100A (zh) * 2023-07-24 2023-10-17 北京和德宇航技术有限公司 一种遥感影像的显示控制方法、设备及存储介质
NL2034838A (en) * 2022-05-17 2023-11-24 Inst Of Water Resources For Pastoral Area Mwr Method, system and management platform for identifying drought conditions in pasturing areas

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104597526A (zh) * 2014-12-30 2015-05-06 中国南方电网有限责任公司 基于电网地理信息系统的气象干旱监测预警系统及方法
CN205049564U (zh) * 2015-10-13 2016-02-24 国家气候中心 基于土壤水势的干旱预警系统
CN105760978A (zh) * 2015-07-22 2016-07-13 北京师范大学 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法
CN107316095A (zh) * 2016-09-23 2017-11-03 武汉大学 一种耦合多源数据的区域气象干旱等级预测方法
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
CN108333148A (zh) * 2018-01-11 2018-07-27 中国科学院遥感与数字地球研究所 一种黑臭水体的识别方法及装置
CN108760643A (zh) * 2018-04-04 2018-11-06 西南石油大学 一种适宜于高海拔地区的干旱遥感监测方法
CN109389570A (zh) * 2018-11-06 2019-02-26 航天海鹰机电技术研究院有限公司 基于envi的优化矢量选取roi遥感影像预处理系统
CN109613513A (zh) * 2018-12-20 2019-04-12 长安大学 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法
CN110287869A (zh) * 2019-06-25 2019-09-27 吉林大学 基于深度学习的高分辨率遥感影像农作物分类方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104597526A (zh) * 2014-12-30 2015-05-06 中国南方电网有限责任公司 基于电网地理信息系统的气象干旱监测预警系统及方法
CN105760978A (zh) * 2015-07-22 2016-07-13 北京师范大学 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法
CN205049564U (zh) * 2015-10-13 2016-02-24 国家气候中心 基于土壤水势的干旱预警系统
CN107316095A (zh) * 2016-09-23 2017-11-03 武汉大学 一种耦合多源数据的区域气象干旱等级预测方法
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
CN108333148A (zh) * 2018-01-11 2018-07-27 中国科学院遥感与数字地球研究所 一种黑臭水体的识别方法及装置
CN108760643A (zh) * 2018-04-04 2018-11-06 西南石油大学 一种适宜于高海拔地区的干旱遥感监测方法
CN109389570A (zh) * 2018-11-06 2019-02-26 航天海鹰机电技术研究院有限公司 基于envi的优化矢量选取roi遥感影像预处理系统
CN109613513A (zh) * 2018-12-20 2019-04-12 长安大学 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法
CN110287869A (zh) * 2019-06-25 2019-09-27 吉林大学 基于深度学习的高分辨率遥感影像农作物分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
喻元: ""基于CWSI与TVDI的关中地区干旱监测对比与干旱时空特征研究"", 《中国优秀硕士学位论文全文数据库》 *
朱明宇: ""基于MODIS数据对辽宁地区农业干旱的监测研究"", 《中国优秀硕士学位论文全文数据库》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258793A (zh) * 2020-10-19 2021-01-22 深圳前海微众银行股份有限公司 灾害监测及预警方法、装置、设备及介质
CN112772384A (zh) * 2021-01-28 2021-05-11 深圳市协润科技有限公司 一种基于卷积神经网络的农水灌溉系统和方法
CN112772384B (zh) * 2021-01-28 2022-12-20 深圳市协润科技有限公司 一种基于卷积神经网络的农水灌溉系统和方法
CN113553323A (zh) * 2021-05-25 2021-10-26 安徽国戎科技有限公司 一种卫星影像信息管理方法
CN113486883A (zh) * 2021-05-25 2021-10-08 航天恒星科技有限公司 一种卫星遥感图像感兴趣区在轨智能提取一体化处理装置
CN113486883B (zh) * 2021-05-25 2024-02-13 航天恒星科技有限公司 一种卫星遥感图像感兴趣区在轨智能提取一体化处理装置
CN114549980A (zh) * 2022-02-11 2022-05-27 成都理工大学 一种改进边缘检测和深度学习算法的土壤干旱识别方法
NL2034838A (en) * 2022-05-17 2023-11-24 Inst Of Water Resources For Pastoral Area Mwr Method, system and management platform for identifying drought conditions in pasturing areas
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
CN115578650A (zh) * 2022-11-22 2023-01-06 北京慧天卓特科技有限公司 一种基于地表温度图像预测干旱指数的方法及装置
CN115578650B (zh) * 2022-11-22 2023-04-18 北京慧天卓特科技有限公司 一种基于地表温度图像预测干旱指数的方法及装置
CN116894100A (zh) * 2023-07-24 2023-10-17 北京和德宇航技术有限公司 一种遥感影像的显示控制方法、设备及存储介质
CN116894100B (zh) * 2023-07-24 2024-04-09 北京和德宇航技术有限公司 一种遥感影像的显示控制方法、设备及存储介质

Similar Documents

Publication Publication Date Title
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
Pott et al. Satellite-based data fusion crop type classification and mapping in Rio Grande do Sul, Brazil
Lu et al. Change detection techniques
AU2019398104A1 (en) Mapping soil properties with satellite data using machine learning approaches
EP4207040A1 (en) Automated determination of tree inventories in ecological regions using probabilistic analysis of overhead images
Toosi et al. Citrus orchard mapping in Juybar, Iran: Analysis of NDVI time series and feature fusion of multi-source satellite imageries
Obi Reddy et al. Applications of geospatial and big data technologies in smart farming
CN117197668A (zh) 基于深度学习的作物倒伏级别的预测方法及系统
Liu et al. Open-air grape classification and its application in parcel-level risk assessment of late frost in the eastern Helan Mountains
Singha et al. Apple yield prediction mapping using machine learning techniques through the Google Earth Engine cloud in Kashmir Valley, India
Xu et al. A comparative study on the applicability and effectiveness of NSVI and NDVI for estimating fractional vegetation cover based on multi-source remote sensing image
Kozlova et al. Quantitative assessment of forest disturbance with C-band SAR data for decision making support in forest management
CN117708548A (zh) 一种遥感卫星应用效能评估方法
Ayub et al. Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning
Rouze et al. Evaluating unoccupied aerial systems (UAS) imagery as an alternative tool towards cotton-based management zones
Jadhav et al. Segmentation analysis using particle swarm optimization-self organizing map algorithm and classification of remote sensing data for agriculture
Sitokonstantinou et al. A Sentinel based agriculture monitoring scheme for the control of the CAP and food security
Tang et al. UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard
Sakieh et al. An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region
Meedeniya et al. Prediction of paddy cultivation using deep learning on land cover variation for sustainable agriculture
Rozali et al. Estimating feature extraction changes of Berkelah Forest, Malaysia from multisensor remote sensing data using and object-based technique
Farmonov et al. Effectiveness of machine learning and deep learning models at county-level soybean yield forecasting
Fernando et al. Machine learning approach for satellite-based subfield canola yield prediction using floral phenology metrics and soil parameters
Pan et al. Remote sensing of agricultural disasters monitoring: recent advances
Wu et al. Approach for monitoring spatiotemporal changes in fractional vegetation cover through unmanned aerial system-guided-satellite survey: A case study in mining area

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201002