CN111931711B - 一种多源异构遥感大数据处理方法和装置 - Google Patents
一种多源异构遥感大数据处理方法和装置 Download PDFInfo
- Publication number
- CN111931711B CN111931711B CN202010978413.2A CN202010978413A CN111931711B CN 111931711 B CN111931711 B CN 111931711B CN 202010978413 A CN202010978413 A CN 202010978413A CN 111931711 B CN111931711 B CN 111931711B
- Authority
- CN
- China
- Prior art keywords
- information
- unit
- obtaining
- farmland
- soil
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 239000002689 soil Substances 0.000 claims abstract description 160
- 230000036541 health Effects 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000003860 storage Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 40
- 238000012937 correction Methods 0.000 claims description 36
- 241000607479 Yersinia pestis Species 0.000 claims description 33
- 238000012795 verification Methods 0.000 claims description 29
- 230000005855 radiation Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 239000000575 pesticide Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005067 remediation Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 7
- 230000008439 repair process Effects 0.000 claims description 4
- 241000894007 species Species 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Marine Sciences & Fisheries (AREA)
- Economics (AREA)
- Animal Husbandry (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Agronomy & Crop Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多源异构遥感大数据处理方法和装置,所述方法包括:获得第一时间的第一图像信息;按照预设策略对第一图像信息进行处理;获得第一标签信息和第二标签信息;根据第一标签信息和第二标签信息,对处理之后的第一图像信息进行分割,获得第二图像信息;获得第一农田在第一时间的第三图像信息;根据第一土壤数据信息和第二土壤数据信息,获得第一农田的土壤健康等级;判断土壤健康等级是否满足第一预设条件;若满足,则根据第一农作物数据信息和第二农作物数据信息,确定第一农田的农产量。解决了由于农田面积大、环境复杂多样,导致对农田的监管不全面,无法对农田整体的环境进行智能化监管的技术问题。
Description
技术领域
本发明涉及一种数据处理方法,尤其涉及一种多源异构遥感大数据处理方法和装置。
背景技术
农田是一个完整的生态系统,先进的农田管理技术是推动农业发展的关键所在,对农田系统进行全面的监管和把控,有利于保护土壤质量,提高农产区的产量,更好的发挥农作物的经济效益,促进农业的发展。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
事实上,由于农田面积较大、环境复杂多样,导致了对农田的监管不全面、不充分,因此无法对农田整体的环境进行智能化监管,导致对农田监管不力,影响农作物产量。
发明内容
本申请实施例通过提供一种多源异构遥感大数据处理方法,解决了由于农田面积大、环境复杂多样,导致对农田的监管不全面,无法对农田整体的环境进行智能化监管的技术问题,达到了实现对农田的智能化管理,确保对农田实行全面、充分的监管的技术效果。
本申请实施例提供了一种多源异构遥感大数据处理方法和装置,其中,所述方法包括:获得第一时间的第一图像信息,其中,所述第一图像信息通过遥感卫星采集; 按照预设策略对所述第一图像信息进行处理;获得第一标签信息和第二标签信息,其中,所述第一标签用来标识土壤数据信息,所述第二标签用来标识农作物数据信息;根据第一标签信息和第二标签信息,对处理之后的所述第一图像信息进行分割,获得第二图像信息,其中,所述第二图像信息包括第一农田的第一土壤数据信息和第一农作物数据信息;获得第一农田在第一时间的第三图像信息,其中,所述第三图像信息通过传感器采集,且所述第三图像信息包括所述第一农田的第二土壤数据信息和第二农作物数据信息;根据所述第一土壤数据信息和第二土壤数据信息,获得所述第一农田的土壤健康等级;判断所述土壤健康等级是否满足第一预设条件;若满足,则根据所述第一农作物数据信息和第二农作物数据信息,确定所述第一农田的农产量。
另一方面,本申请还提供了一种多源异构遥感大数据处理装置,其中,所述装置包括:第一获得单元:所述第一获得单元用于获得第一时间的第一图像信息,其中,所述第一图像信息通过遥感卫星采集; 第一处理单元:所述第一处理单元用于按照预设策略对所述第一图像信息进行处理;第二获得单元:所述第二获得单元用于获得第一标签信息和第二标签信息,其中,所述第一标签用来标识土壤数据信息,所述第二标签用来标识农作物数据信息;第三获得单元:所述第三获得单元用于根据第一标签信息和第二标签信息,对处理之后的所述第一图像信息进行分割,获得第二图像信息,其中,所述第二图像信息包括第一农田的第一土壤数据信息和第一农作物数据信息;第四获得单元:所述第四获得单元用于获得第一农田在第一时间的第三图像信息,其中,所述第三图像信息通过传感器采集,且所述第三图像信息包括所述第一农田的第二土壤数据信息和第二农作物数据信息;第五获得单元:所述第五获得单元用于根据所述第一土壤数据信息和第二土壤数据信息,获得所述第一农田的土壤健康等级;第一判断单元:所述第一判断单元用于判断所述土壤健康等级是否满足第一预设条件;第一确定单元:所述第一确定单元用于若满足,则根据所述第一农作物数据信息和第二农作物数据信息,确定所述第一农田的农产量。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
基于一种多源异构的遥感大数据处理方法,对农田平台进行管理,通过将农田管理平台分别与多个遥感卫星、多个传感器通讯连接,达到了多源异构的数据处理方式,通过将遥感卫星采集到的图像信息与传感器采集到的农田信息进行识别分析,精准识别土壤信息,进而获得当地的农作物产量,达到了对农田进行充分的智能化管理的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种多源异构遥感大数据处理方法的流程示意图;
图2为本申请实施例一种多源异构遥感大数据处理方法中的所述获得所述第一农田的土壤健康等级的流程示意图;
图3为本申请实施例一种多源异构遥感大数据处理方法中的如果所述土壤健康等级不满足所述第一预设条件的流程示意图;
图4为本申请实施例一种多源异构遥感大数据处理方法中的所述根据所述第一农作物数据信息和第二农作物数据信息,确定所述第一农田的农产量的流程示意图;
图5为本申请实施例一种多源异构遥感大数据处理方法中的判断所述第一图像信息的格式信息是否满足第二预设条件的流程示意图;
图6为本申请实施例一种多源异构遥感大数据处理方法中的获得第一农田在第二时间的第四图像信息的流程示意图;
图7为本申请实施例一种多源异构遥感大数据处理方法中的根据所述第一配比关系生成第一验证码的流程示意图;
图8为本申请实施例一种多源异构遥感大数据处理方法中的获得所述第一存储单位的记录时间的流程示意图;
图9为本申请实施例一种多源异构遥感大数据处理装置的结构示意图;
图10为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一处理单元12,第二获得单元13,第三获得单元14,第四获得单元15,第五获得单元16,第一判断单元17,第一确定单元18,总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本申请实施例通过提供一种多源异构遥感大数据处理方法,解决了由于农田面积大、环境复杂多样,导致对农田的监管不全面,无法对农田整体的环境进行智能化监管的技术问题,达到了实现对农田的智能化管理,确保对农田实行全面、充分的监管的技术效果。
下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
农田是一个完整的生态系统,先进的农田管理技术是推动农业发展的关键所在,对农田系统进行全面的监管和把控,有利于保护土壤质量,提高农产区的产量,更好的发挥农作物的经济效益,促进农业的发展。事实上,由于农田面积较大、环境复杂多样,导致了对农田的监管不全面、不充分,因此无法对农田整体的环境进行智能化监管,导致对农田监管不力,影响农作物产量。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种多源异构遥感大数据处理方法和装置,其中,所述方法包括:获得第一时间的第一图像信息,其中,所述第一图像信息通过遥感卫星采集; 按照预设策略对所述第一图像信息进行处理;获得第一标签信息和第二标签信息,其中,所述第一标签用来标识土壤数据信息,所述第二标签用来标识农作物数据信息;根据第一标签信息和第二标签信息,对处理之后的所述第一图像信息进行分割,获得第二图像信息,其中,所述第二图像信息包括第一农田的第一土壤数据信息和第一农作物数据信息;获得第一农田在第一时间的第三图像信息,其中,所述第三图像信息通过传感器采集,且所述第三图像信息包括所述第一农田的第二土壤数据信息和第二农作物数据信息;根据所述第一土壤数据信息和第二土壤数据信息,获得所述第一农田的土壤健康等级;判断所述土壤健康等级是否满足第一预设条件;若满足,则根据所述第一农作物数据信息和第二农作物数据信息,确定所述第一农田的农产量。
在介绍了本申请基本原理之后,为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
如图1所示,本申请实施例提供了一种多源异构遥感大数据处理方法,其中,所述方法包括:
步骤S100:获得第一时间的第一图像信息,其中,所述第一图像信息通过遥感卫星采集;
具体而言,所述第一图像信息是通过遥感卫星对下面的农田进行信息采集,可采集农田的占地面积、农作物种类、土壤信息、农作物生长运势等,通过遥感卫星获得以上信息。
步骤S200:按照预设策略对所述第一图像信息进行处理;
具体而言,所述预设策略用来对采集到的图像信息进行处理,必要时可对采集到的图像信息进行预处理或者增强处理,通过预处理可以得到正常的,更加接近实景的图像,按照预设策略对图像进行增强处理,可以提高分析效率,使得图像更容易判读。
步骤S300:获得第一标签信息和第二标签信息,其中,所述第一标签用来标识土壤数据信息,所述第二标签用来标识农作物数据信息;
具体而言,所述第一标签用来标识土壤数据信息,所述第二标签用来标识农作物数据信息,所述第一标签信息和第二标签信息都是从第一图像信息中获得的,通过对不同的信息打上标记,可以更加清晰地对图像信息进行分辨。
步骤S400:根据第一标签信息和第二标签信息,对处理之后的所述第一图像信息进行分割,获得第二图像信息,其中,所述第二图像信息包括第一农田的第一土壤数据信息和第一农作物数据信息;
具体而言,所述第二图像信息是对所述第一图像信息进行分割得到的,按照不同的标签信息对所述第一图像信息进行分割,所述第二图像信息包括第一农田的第一土壤数据信息和第一农作物数据信息,通过对所述第一图像信息进行划分,便于后期进行数据分析。
步骤S500:获得第一农田在第一时间的第三图像信息,其中,所述第三图像信息通过传感器采集,且所述第三图像信息包括所述第一农田的第二土壤数据信息和第二农作物数据信息;
具体而言,所述第三图像信息不同于第二图像信息,所述第三图像信息是直接由土壤中的传感器采集得到的,所述第三图像信息包括所述第一农田的第二土壤数据信息和第二农作物数据信息,所述第二土壤数据信息包括土壤的温湿度、酸碱度、水分、金属类别以及含量等信息,所述第二农作物数据信息包括采光时长、施肥时间、花费用量等,通过具体采集农田的信息,方便后期进行信息对比,获得更加精准的对比结果。
步骤S600:根据所述第一土壤数据信息和第二土壤数据信息,获得所述第一农田的土壤健康等级;
具体而言,通过将第一土壤数据信息和第二土壤数据信息进行对比,当二者的土壤数据存在重合时,可具体分析之后得到更准确的数据信息,判断土壤的温湿度、酸碱度、水分、金属类别及含量等信息是否达到正常含量要求,从而达到利用多源异构的数据处理方式提高数据的准确性和精度,进一步获得所述第一农田的土壤健康等级。
步骤S700:判断所述土壤健康等级是否满足第一预设条件;
具体而言,根据土壤数据信息的不同,划分不同的土壤健康等级之后,可判断所述土壤健康等级是否满足第一预设条件,可进一步理解为判断所述土壤健康等级是否达到良好的要求,通过判断所述土壤健康等级是否满足第一预设条件,可获得有关农作物的信息。
步骤S800:若满足,则根据所述第一农作物数据信息和第二农作物数据信息,确定所述第一农田的农产量。
具体而言,当所述土壤健康等级满足第一预设条件时,即所述土壤健康等级达到良好的要求,则根据所述第一农作物数据信息和第二农作物数据信息,包括农作物的采光时长、施肥时间、化肥用量等情况来确定所述第一农田的农产量,当所述土壤健康等级越高,则土壤质量越好,农作物数据信息稳定时,所述第一农田的农产量也就越高;反之,则所述第一农田的农产量也就越低。
如图2所示,所述获得所述第一农田的土壤健康等级,步骤S600还包括:
步骤S610:根据所述第一土壤数据信息和第二土壤数据信息构建第一训练数据集;
步骤S620:将所述第一训练数据集输入第一训练模型,其中,所述第一训练模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一土壤数据信息、所述第二土壤数据信息和用来土壤健康等级的标识信息;
步骤S630:获得所述第一训练模型的第一输出信息,其中,所述第一输出信息包括所述第一农田的土壤健康等级信息。
具体而言,为了获得更加精准的第一农田的土壤健康等级信息,对所述第一土壤数据信息和第二土壤数据信息进行模型训练。所述训练模型是一个神经网络模型即机器学习中的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。在本申请实施例中,将所述第一土壤数据信息和第二土壤数据信息输入神经网络模型,用标识的土壤健康等级信息对所述神经网络模型进行训练。
进一步来说,所述训练神经网络模型的过程实质为监督学习的过程。所述多组训练数据具体为:所述第一土壤数据信息、所述第二土壤数据信息和用来土壤健康等级的标识信息。通过输入所述第一土壤数据信息和第二土壤数据信息,神经网络模型会输出所述第一农田的土壤健康等级信息,通过将所述输出信息与所述起标识作用的土壤健康等级信息进行校验,如果所述输出信息与所述起标识作用的土壤健康等级信息要求相一致,则本数据监督学习完成,则进行下一组数据监督学习;如果所述输出信息与所述起标识作用的土壤健康等级信息要求不一致,则神经网络学习模型自身进行调整,直到神经网络学习模型输出结果与所述起标识作用的土壤健康等级信息要求相一致,进行下一组数据的监督学习。借助训练模型对所述第一土壤数据信息和第二土壤数据信息进行不断训练,达到了使得输出的所述第一农田的土壤健康等级信息更加精确地技术效果。
如图3所示,当所述土壤健康等级不满足所述第一预设条件,本申请实施例还包括:
步骤S910:如果所述土壤健康等级不满足所述第一预设条件,则获得土壤监测报告;
步骤S920:根据所述土壤监测报告,获得污染源信息;
步骤S930:根据所述污染源信息,获得第一修复方案,其中,所述第一修复方案来自农业信息系统,且所述农业信息系统与所述农田管理平台通讯连接;
步骤S940:按照第一修复方案,在预设时间内对所述第一农田进行修复。
具体而言,当所述土壤健康等级不满足所述第一预设条件,即所述土壤健康等级未达到良好要求,不符合农作物种植要求,可获得土壤检测报告,所述土壤检测报告用来标识土壤检测结果,进而获得土壤的污染源信息,判断何种污染源对土壤的质量造成了损坏,最终获得第一修复方案,所述第一修复方案用来对土壤的质量进行修复,使之达到预设的健康等级,所述第一修复方案来自农业信息系统,且所述农业信息系统与所述农田管理平台通讯连接,二者相辅相成,通过对未质量达标的土壤信息进行修复,达到了恢复所述第一农田的土壤信息,使之适于农作物的生长的技术效果。
如图4所示,所述根据所述第一农作物数据信息和第二农作物数据信息,确定所述第一农田的农产量,步骤S800还包括:
步骤S810:根据所述第一农作物数据信息,获得农作物的种类信息;
步骤S820:根据所述农作物的种类信息以及所述第二图像信息,确定不同农作物的边界信息;
步骤S830:根据不同农作物的边界信息,获得各农作物的种植面积信息;
步骤S840:根据所述第二农作物数据信息,获得各农作物的长势信息;
步骤S850:获得第一农田所在的第一地区的各农作物的历史产量信息;
步骤S860:根据所述各农作物的种植面积信息、各农作物的长势信息以及各农作物的历史产量信息,确定所述第一农田的农产量。
具体而言,为了确定所述第一农田的农产量,可根据所述第一农作物数据信息,获得农作物的种类信息,所述农作物的种类信息不止一种,可能种植有多种农作物,进而根据所述农作物的种类信息以及所述第二图像信息,通过其种植面积、农作物高度、农作物类别、成熟度等信息来确定不同农作物的边界信息,进而根据不同农作物的边界信息,获得各农作物的种植面积信息,借助土壤传感器采集到的第二农作物数据信息,包括其采光时长、施肥时间、化肥用量等信息来获得农作物的长势信息,判断其长势是否良好,通过获得第一农田所在的第一地区的各农作物的历史产量信息,可得知所述第一农田所在的第一地区的历史农作物产量,最后综合所述各农作物的种植面积信息、各农作物的长势信息以及各农作物的历史产量信息,确定所述第一农田的农产量,通过综合参考多方因素确定所述第一农田的农产量,达到了使得所述第一农田的农产量的评估结果更加精确地技术效果。
如图5所示,按照预设策略对所述第一图像信息进行处理,步骤S200还包括:
步骤S210:判断所述第一图像信息的格式信息是否满足第二预设条件;
步骤S220: 若不满足,则对所述第一图像信息进行格式转换;
步骤S230:获得标准参照图像;
步骤S240:根据所述标准参照图像,对格式转换后的所述第一图像信息依次进行辐射校正和几何校正;
步骤S250:判断辐射校正和几何校正之后的所述第一图像信息是否满足第三预设条件;
步骤S260:若不满足,则对辐射校正和几何校正之后的所述第一图像信息进行图像增强处理。
具体而言,按照预设策略对所述第一图像信息进行处理,需要判断所述第一图像信息的格式信息是否满足第二预设条件,即所述第一图像信息是否为正确的格式信息,当不是正确的格式信息时,判断文件格式是否需要转换,与此同时,获得标准的参照图像,所述标准的参照图像用来对格式转换后的所述第一图像信息依次进行辐射校正和几何校正。
利用传感器观测目标的反射与辐射能量时,传感器所得到的测量值与目标的光谱反射率或光谱辐射亮度等物理量是不一致的,为了正确评价目标的反射和辐射特性,消除图像中依附在辐射亮度中的各种失真过程,对图像进行辐射校正;在利用遥感图像取信息的过程中,要求把所提取的信息表达在某一个规定的图像投影参照系统中,以便进行图像的几何量测、相互比较以及图像复合分析等处理,当原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中表达要求不一致时,就产生了图像几何变形问题,遥感数字影像的几何纠正的目的就是改正原始影像的几何变形,生成一幅符合某种地图投影或图形表达要求的新图像,从具有几何畸变的图像中消除畸变的过程。
对格式转换后的所述第一图像信息依次进行辐射校正和几何校正之后,判断辐射校正和几何校正之后的所述第一图像信息是否满足第三预设条件,即判断图像的清晰度和目标地物的标志是否满足阈值要求,若不满足,则对辐射校正和几何校正之后的所述第一图像信息进行图像增强处理,达到了使得所述第一图像信息更加接近标准参照图像的技术效果。
如图6所示,为了达到提高所述第一农田的农作物产量的技术效果,本申请实施例还包括:
步骤S1010:获得第一农田在第二时间的第四图像信息,其中,所述第四图像信息通过传感器采集;
步骤S1020: 对所述第四图像信息进行光谱特征提取,判断所述第一农田中是否存在害虫信息;
步骤S1030: 若存在,获得存在害虫信息的农作物面积及农药修复信息;
步骤S1040:根据存在害虫信息的农作物面积及农药修复信息,获得第一配比关系;
步骤S1050:根据所述第一配比关系,对所述第一农田进行除害操作。
具体而言,为了达到提高所述第一农田的农作物产量的技术效果,可获得第一农田在第二时间的第四图像信息,所述第四图像信息通过传感器采集得到的,对所述第四图像信息进行光谱特征提取,判断所述第一农田中是否存在害虫信息,进一步可理解为害虫会影响农作物的吸收曲线,通过截取害虫敏感的波段,可提取到病虫和害虫的信息,当所述第一农田中存在害虫信息时,获得存在害虫信息的农作物面积及农药修复信息,获得其受灾面积及其对应的农药修复信息,根据存在害虫信息的农作物面积及农药修复信息,获得第一配比关系,即受灾面积大时,对应的农药浓度应稍大一些,当受灾面积小时,对应的农药浓度应稍小一些,减少农作物的损失,根据所述第一配比关系,对所述第一农田进行除害操作,通过对所述第一农田中存在的害虫信息进行农药修复,达到了提高所述第一农田的农作物产量的技术效果。
如图7所示,根据所述第一配比关系,对所述第一农田进行除害操作,为了确保所述第一配比关系的安全性,保证其不被篡改,对所述第一配比关系的安全性进行基于区块链的加密操作,步骤S1050还包括:
步骤S1051: 根据所述第一配比关系生成第一验证码,其中,所述第一验证码是与所述第一配比关系一一对应的;
步骤S1052:根据第二配比关系和第一验证码生成第二验证码;
步骤S1053:将所述第一配比关系和所述第一验证码作为第一存储单位;
步骤S1054:将所述第二配比关系和所述第二验证码作为第二存储单位;
步骤S1055:将所述第一存储单位、所述第二存储单位分别复制保存在两台设备上。
具体而言,结合区块链,根据所述第一配比关系,对所述第一农田进行除害操作,在此过程中,需要确保所述第一配比关系的安全性,确保它们不被篡改,因此根据所述第一配比关系生成第一验证码,其中,所述第一验证码是与所述第一配比关系一一对应的;根据第二配比关系和第一验证码生成第二验证码;将所述第一配比关系和所述第一验证码作为第一存储单位;将所述第二配比关系和所述第二验证码作为第二存储单位;将所述第一存储单位、所述第二存储单位分别复制保存在两台设备上。当需要调用所述训练数据时,第二台设备接收第一台设备存储的数据后,通过“共识机制”进行校验后保存,通过哈希技术对每一存储单位进行串接连成所述的区块链,使得所述训练数据不易丢失和遭到破坏,进而获得安全的、准确的训练数据。
如图8所示,在对所述第一配比关系进行基于区块链的加密操作时,为了获得更加高效的运算、存储速率,步骤S1050还包括:
步骤S1056:获得所述第一存储单位的记录时间,所述第一存储单位的记录时间表示第一存储单位需要记录的时间;
步骤S1057:根据所述第一存储单位的记录时间,获得所述两台设备中运力最快的第一设备;
步骤S1058:将第一存储单位的记录权发送给所述第一设备。
具体而言,在对所述第一配比关系进行基于区块链的加密操作时,为了获得更加高效的运算、存储速率,可获得所述第一存储单位的记录时间,所述第一存储单位的记录时间表示第一存储单位需要记录的时间;进而根据所述第一存储单位的记录时间,获得所述两台设备中运力最快的第一设备;将第一存储单位的记录权发送给所述第一设备,进而保证了去中心化区块链系统的安全、有效和稳定运行,能够保证所述区块能够被快速准确的记录在设备中,进而保证了信息的安全性,进而对所述第一配比关系进行准确的判断,达到了使得对所述第一存储单位的记录更加快速和高效的技术效果。
综上所述,本申请实施例所提供的一种多源异构遥感大数据处理方法具有如下技术效果:
1、基于一种多源异构的遥感大数据处理方法,对农田平台进行管理,通过将农田管理平台分别与多个遥感卫星、多个传感器通讯连接,达到了多源异构的数据处理方式,通过将遥感卫星采集到的图像信息与传感器采集到的农田信息进行识别分析,精准识别土壤信息,进而获得当地的农作物产量,达到了对农田进行充分的智能化管理的技术效果。
2、通过对未达到要求的土壤健康等级信息进行基于农业信息系统的修复,使得土壤健康等级信息达到预设要求,从而达到了改善农作物的生长环境,除此之外,对存在害虫的受灾区域进行除害操作,达到了为农作物的生长提供健康无害的环境,促进了农田中农作物的量产的技术效果。
实施例二
基于与前述实施例中一种多源异构遥感大数据处理方法同样发明构思,本发明还提供了一种多源异构遥感大数据处理装置,如图9所示,所述装置包括:
第一获得单元11:所述第一获得单元11用于获得第一时间的第一图像信息,其中,所述第一图像信息通过遥感卫星采集;
第一处理单元12:所述第一处理单元12用于按照预设策略对所述第一图像信息进行处理;
第二获得单元13:所述第二获得单元13用于获得第一标签信息和第二标签信息,其中,所述第一标签用来标识土壤数据信息,所述第二标签用来标识农作物数据信息;
第三获得单元14:所述第三获得单元14用于根据第一标签信息和第二标签信息,对处理之后的所述第一图像信息进行分割,获得第二图像信息,其中,所述第二图像信息包括第一农田的第一土壤数据信息和第一农作物数据信息;
第四获得单元15:所述第四获得单元15用于获得第一农田在第一时间的第三图像信息,其中,所述第三图像信息通过传感器采集,且所述第三图像信息包括所述第一农田的第二土壤数据信息和第二农作物数据信息;
第五获得单元16:所述第五获得单元16用于根据所述第一土壤数据信息和第二土壤数据信息,获得所述第一农田的土壤健康等级;
第一判断单元17:所述第一判断单元17用于判断所述土壤健康等级是否满足第一预设条件;
第一确定单元18:所述第一确定单元18用于若满足,则根据所述第一农作物数据信息和第二农作物数据信息,确定所述第一农田的农产量。
进一步的,所述装置还包括:
第一构建单元:所述第一构建单元用于根据所述第一土壤数据信息和第二土壤数据信息构建第一训练数据集;
第一输入单元:所述第一输入单元用于将所述第一训练数据集输入第一训练模型,其中,所述第一训练模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一土壤数据信息、所述第二土壤数据信息和用来土壤健康等级的标识信息;
第六获得单元:所述第六获得单元用于获得所述第一训练模型的第一输出信息,其中,所述第一输出信息包括所述第一农田的土壤健康等级信息。
进一步的,所述装置还包括:
第七获得单元:所述第七获得单元用于如果所述土壤健康等级不满足所述第一预设条件,则获得土壤监测报告;
第八获得单元:所述第八获得单元用于根据所述土壤监测报告,获得污染源信息;
第九获得单元:所述第九获得单元用于根据所述污染源信息,获得第一修复方案,其中,所述第一修复方案来自农业信息系统,且所述农业信息系统与所述农田管理平台通讯连接;
第一修复单元:所述第一修复单元用于按照第一修复方案,在预设时间内对所述第一农田进行修复。
进一步的,所述装置还包括:
第十获得单元:所述第十获得单元用于根据所述第一农作物数据信息,获得农作物的种类信息;
第二确定单元:所述第二确定单元用于根据所述农作物的种类信息以及所述第二图像信息,确定不同农作物的边界信息;
第十一获得单元:所述第十一获得单元用于根据不同农作物的边界信息,获得各农作物的种植面积信息;
第十二获得单元:所述第十二获得单元用于根据所述第二农作物数据信息,获得各农作物的长势信息;
第十三获得单元:所述第十三获得单元用于获得第一农田所在的第一地区的各农作物的历史产量信息;
第三确定单元:所述第三确定单元用于根据所述各农作物的种植面积信息、各农作物的长势信息以及各农作物的历史产量信息,确定所述第一农田的农产量。
进一步的,所述装置还包括:
第二判断单元:所述第二判断单元用于判断所述第一图像信息的格式信息是否满足第二预设条件;
第一转换单元:所述第一转换单元用于若不满足,则对所述第一图像信息进行格式转换;
第十四获得单元:所述第十四获得单元用于获得标准参照图像;
第一校正单元:所述第一校正单元用于根据所述标准参照图像,对格式转换后的所述第一图像信息依次进行辐射校正和几何校正;
第三判断单元:所述第三判断用于判断辐射校正和几何校正之后的所述第一图像信息是否满足第三预设条件;
进一步的,所述装置还包括:
第十五获得单元:所述第十五获得单元用于获得第一农田在第二时间的第四图像信息,其中,所述第四图像信息通过传感器采集;
第四判断单元:所述第四判断单元用于对所述第四图像信息进行光谱特征提取,判断所述第一农田中是否存在害虫信息;
第十六获得单元:所述第十六获得单元用于若存在,获得存在害虫信息的农作物面积及农药修复信息;
第十七获得单元:所述第十七获得单元用于根据存在害虫信息的农作物面积及农药修复信息,获得第一配比关系;
进一步的,所述装置还包括:
第一生成单元:所述第一生成单元用于根据所述第一配比关系生成第一验证码,其中,所述第一验证码是与所述第一配比关系一一对应的;
第二生成单元:所述第二生成单元用于根据第二配比关系和第一验证码生成第二验证码;
第一保存单元:所述第一保存单元用于将所述第一存储单位、所述第二存储单位分别复制保存在两台设备上。
进一步的,所述装置还包括:
第十八获得单元:所述第十八获得单元用于获得所述第一存储单位的记录时间,所述第一存储单位的记录时间表示第一存储单位需要记录的时间;
第十九获得单元:所述第十九获得单元用于根据所述第一存储单位的记录时间,获得所述两台设备中运力最快的第一设备;
第一发送单元:所述第一发送单元用于将第一存储单位的记录权发送给所述第一设备。
前述图1实施例一中的一种多源异构遥感大数据处理方法的各种变化方式和具体实例同样适用于本实施例的一种多源异构遥感大数据处理装置,通过前述对一种多源异构遥感大数据处理方法的详细描述,本领域技术人员可以清楚的知道本实施例中的一种多源异构遥感大数据处理装置的实施方法,所以为了说明书的简洁,再次不再详述。
实施例三
下面参考图10来描述本申请实施例的电子设备。
图10图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中的一种多源异构遥感大数据处理方法的发明构思,本发明还提供的一种多源异构遥感大数据处理装置,其上存储有计算机程序,该程序被处理器执行时实现前文所述的一种多源异构遥感大数据处理方法的任一方法的步骤。
其中,在图10中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例提供了一种多源异构遥感大数据处理方法和装置,其中,所述方法包括:获得第一时间的第一图像信息,其中,所述第一图像信息通过遥感卫星采集; 按照预设策略对所述第一图像信息进行处理;获得第一标签信息和第二标签信息,其中,所述第一标签用来标识土壤数据信息,所述第二标签用来标识农作物数据信息;根据第一标签信息和第二标签信息,对处理之后的所述第一图像信息进行分割,获得第二图像信息,其中,所述第二图像信息包括第一农田的第一土壤数据信息和第一农作物数据信息;获得第一农田在第一时间的第三图像信息,其中,所述第三图像信息通过传感器采集,且所述第三图像信息包括所述第一农田的第二土壤数据信息和第二农作物数据信息;根据所述第一土壤数据信息和第二土壤数据信息,获得所述第一农田的土壤健康等级;判断所述土壤健康等级是否满足第一预设条件;若满足,则根据所述第一农作物数据信息和第二农作物数据信息,确定所述第一农田的农产量。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (3)
1.一种多源异构遥感大数据处理方法,应用于一农田管理平台,且所述农田管理平台分别与多个遥感卫星、多个传感器通讯连接,其中,所述方法包括:
获得第一时间的第一图像信息,其中,所述第一图像信息通过遥感卫星采集;
按照预设策略对所述第一图像信息进行处理;
获得第一标签信息和第二标签信息,其中,所述第一标签用来标识土壤数据信息,所述第二标签用来标识农作物数据信息;
根据第一标签信息和第二标签信息,对处理之后的所述第一图像信息进行分割,获得第二图像信息,其中,所述第二图像信息包括第一农田的第一土壤数据信息和第一农作物数据信息;
获得第一农田在第一时间的第三图像信息,其中,所述第三图像信息通过传感器采集,且所述第三图像信息包括所述第一农田的第二土壤数据信息和第二农作物数据信息;
根据所述第一土壤数据信息和第二土壤数据信息,获得所述第一农田的土壤健康等级;
判断所述土壤健康等级是否满足第一预设条件;
若满足,则根据所述第一农作物数据信息和第二农作物数据信息,确定所述第一农田的农产量;
其中,所述获得所述第一农田的土壤健康等级,包括:
根据所述第一土壤数据信息和第二土壤数据信息构建第一训练数据集;
将所述第一训练数据集输入第一训练模型,其中,所述第一训练模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一土壤数据信息、所述第二土壤数据信息和用来土壤健康等级的标识信息;
获得所述第一训练模型的第一输出信息,其中,所述第一输出信息包括所述第一农田的土壤健康等级信息;
所述方法还包括:
如果所述土壤健康等级不满足所述第一预设条件,则获得土壤监测报告;
根据所述土壤监测报告,获得污染源信息;
根据所述污染源信息,获得第一修复方案,其中,所述第一修复方案来自农业信息系统,且所述农业信息系统与所述农田管理平台通讯连接;
按照第一修复方案,在预设时间内对所述第一农田进行修复;
其中,所述根据所述第一农作物数据信息和第二农作物数据信息,确定所述第一农田的农产量,包括:
根据所述第一农作物数据信息,获得农作物的种类信息;
根据所述农作物的种类信息以及所述第二图像信息,确定不同农作物的边界信息;
根据不同农作物的边界信息,获得各农作物的种植面积信息;
根据所述第二农作物数据信息,获得各农作物的长势信息;
获得第一农田所在的第一地区的各农作物的历史产量信息;
根据所述各农作物的种植面积信息、各农作物的长势信息以及各农作物的历史产量信息,确定所述第一农田的农产量;
所述预设策略具体包括:
判断所述第一图像信息的格式信息是否满足第二预设条件;
若不满足,则对所述第一图像信息进行格式转换;
获得标准参照图像;
根据所述标准参照图像,对格式转换后的所述第一图像信息依次进行辐射校正和几何校正;
判断辐射校正和几何校正之后的所述第一图像信息是否满足第三预设条件;
若不满足,则对辐射校正和几何校正之后的所述第一图像信息进行图像增强处理;
所述方法还包括:
获得第一农田在第二时间的第四图像信息,其中,所述第四图像信息通过传感器采集;
对所述第四图像信息进行光谱特征提取,判断所述第一农田中是否存在害虫信息;
若存在,获得存在害虫信息的农作物面积及农药修复信息;
根据存在害虫信息的农作物面积及农药修复信息,获得第一配比关系;
根据所述第一配比关系,对所述第一农田进行除害操作;
所述方法还包括:
根据所述第一配比关系生成第一验证码,其中,所述第一验证码是与所述第一配比关系一一对应的;
根据第二配比关系和第一验证码生成第二验证码;
将所述第一配比关系和所述第一验证码作为第一存储单位;
将所述第二配比关系和所述第二验证码作为第二存储单位;
将所述第一存储单位、所述第二存储单位分别复制保存在两台设备上;
所述方法包括:
获得所述第一存储单位的记录时间,所述第一存储单位的记录时间表示第一存储单位需要记录的时间;
根据所述第一存储单位的记录时间,获得所述两台设备中运力最快的第一设备;
将第一存储单位的记录权发送给所述第一设备。
2.一种多源异构遥感大数据处理装置,其中,所述装置包括:
第一获得单元:所述第一获得单元用于获得第一时间的第一图像信息,其中,所述第一图像信息通过遥感卫星采集;
第一处理单元:所述第一处理单元用于按照预设策略对所述第一图像信息进行处理;
第二获得单元:所述第二获得单元用于获得第一标签信息和第二标签信息,其中,所述第一标签用来标识土壤数据信息,所述第二标签用来标识农作物数据信息;
第三获得单元:所述第三获得单元用于根据第一标签信息和第二标签信息,对处理之后的所述第一图像信息进行分割,获得第二图像信息,其中,所述第二图像信息包括第一农田的第一土壤数据信息和第一农作物数据信息;
第四获得单元:所述第四获得单元用于获得第一农田在第一时间的第三图像信息,其中,所述第三图像信息通过传感器采集,且所述第三图像信息包括所述第一农田的第二土壤数据信息和第二农作物数据信息;
第五获得单元:所述第五获得单元用于根据所述第一土壤数据信息和第二土壤数据信息,获得所述第一农田的土壤健康等级;
第一判断单元:所述第一判断单元用于判断所述土壤健康等级是否满足第一预设条件;
第一确定单元:所述第一确定单元用于若满足,则根据所述第一农作物数据信息和第二农作物数据信息,确定所述第一农田的农产量;
第一构建单元:所述第一构建单元用于根据所述第一土壤数据信息和第二土壤数据信息构建第一训练数据集;
第一输入单元:所述第一输入单元用于将所述第一训练数据集输入第一训练模型,其中,所述第一训练模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一土壤数据信息、所述第二土壤数据信息和用来土壤健康等级的标识信息;
第六获得单元:所述第六获得单元用于获得所述第一训练模型的第一输岀信息,其中,所述第一输出信息包括所述第一农田的土壤健康等级信息;
第七获得单元:所述第七获得单元用于如果所述土壤健康等级不满足所述第一预设条件,则获得土壤监测报告;
第八获得单元:所述第八获得单元用于根据所述土壤监测报告,获得污染源信息;
第九获得单元:所述第九获得单元用于根据所述污染源信息,获得第一修复方案,其中,所述第一修复方案来自农业信息系统,且所述农业信息系统与所述农田管理平台通讯连接;
第一修复单元:所述第一修复单元用于按照第一修复方案,在预设时间内对所述第一农田进行修复;
第十获得单元:所述第十获得单元用于根据所述第一农作物数据信息,获得农作物的种类信息;
第二确定单元:所述第二确定单元用于根据所述农作物的种类信息以及所述第二图像信息,确定不同农作物的边界信息;
第十一获得单元:所述第十一获得单元用于根据不同农作物的边界信息,获得各农作物的种植面积信息;
第十二获得单元:所述第十二获得单元用于根据所述第二农作物数据信息,获得各农作物的长势信息;
第十三获得单元:所述第十三获得单元用于获得第一农田所在的第一地区的各农作物的历史产量信息;
第三确定单元:所述第三确定单元用于根据所述各农作物的种植面积信息、各农作物的长势信息以及各农作物的历史产量信息,确定所述第一农田的农产量;
第二判断单元:所述第二判断单元用于判断所述第一图像信息的格式信息是否满足第二预设条件;
第一转换单元:所述第一转换单元用于若不满足,则对所述第一图像信息进行格式转换;
第十四获得单元:所述第十四获得单元用于获得标准参照图像;
第一校正单元:所述第一校正单元用于根据所述标准参照图像,对格式转换后的所述第一图像信息依次进行辐射校正和几何校正;
第三判断单元:所述第三判断用于判断辐射校正和几何校正之后的所述第一图像信息是否满足第三预设条件;若不满足,则对辐射校正和几何校正之后的所述第一图像信息进行图像增强处理;
第十五获得单元:所述第十五获得单元用于获得第一农田在第二时间的第四图像信息,其中,所述第四图像信息通过传感器采集;
第四判断单元:所述第四判断单元用于对所述第四图像信息进行光谱特征提取,判断所述第一农田中是否存在害虫信息;
第十六获得单元:所述第十六获得单元用于若存在,获得存在害虫信息的农作物面积及农药修复信息;
第十七获得单元:所述第十七获得单元用于根据存在害虫信息的农作物面积及农药修复信息,获得第一配比关系;根据所述第一配比关系,对所述第一农田进行除害操作;
进一步的,所述装置还包括:
第一生成单元:所述第一生成单元用于根据所述第一配比关系生成第一验证码,其中所述第一验证码是与所述第一配比关系一一对应的;
第二生成单元:所述第二生成单元用于根据第二配比关系和第一验证码生成第二验证码;
将所述第一配比关系和所述第一验证码作为第一存储单位;
将所述第二配比关系和所述第二验证码作为第二存储单位;
第一保存单元:所述第一保存单元用于将所述第一存储单位、所述第二存储单位分别复制保存在两台设备上;
第十八获得单元:所述第十八获得单元用于获得所述第一存储单位的记录时间,所述第一存储单位的记录时间表示第一存储单位需要记录的时间;
第十九获得单元:所述第十九获得单元用于根据所述第一存储单位的记录时间,获得所述两台设备中运力最快的第一设备;
第一发送单元:所述第一发送单元用于将第一存储单位的记录权发送给所述第一设备。
3.一种多源异构遥感大数据处理装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010978413.2A CN111931711B (zh) | 2020-09-17 | 2020-09-17 | 一种多源异构遥感大数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010978413.2A CN111931711B (zh) | 2020-09-17 | 2020-09-17 | 一种多源异构遥感大数据处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931711A CN111931711A (zh) | 2020-11-13 |
CN111931711B true CN111931711B (zh) | 2021-06-15 |
Family
ID=73334663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010978413.2A Active CN111931711B (zh) | 2020-09-17 | 2020-09-17 | 一种多源异构遥感大数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931711B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597827A (zh) * | 2020-12-11 | 2021-04-02 | 西北农林科技大学 | 一种基于大数据的植物物候期预测方法和系统 |
CN112883251B (zh) * | 2021-01-09 | 2023-01-10 | 重庆市农业科学院 | 一种基于多星联合的农业辅助系统 |
CN113836188B (zh) * | 2021-09-28 | 2023-05-16 | 中国联合网络通信集团有限公司 | 数据处理方法、装置、服务器及存储介质 |
CN115641010B (zh) * | 2022-12-08 | 2023-04-07 | 金乡县恒业商贸有限公司 | 一种基于卫星监测技术的土地监察管理系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150142834A1 (en) * | 2013-11-18 | 2015-05-21 | Electronics And Telecommunications Research Institute | Method and apparatus for generating agricultural semantic image information |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106773811A (zh) * | 2016-11-25 | 2017-05-31 | 山东聚盛联创信息科技有限公司 | 基于北斗的种植智能监控系统 |
CN108713481B (zh) * | 2018-05-04 | 2020-11-17 | 天津天地农业科技有限公司 | 一种光伏计量泵阀智能化系统 |
CN111011133A (zh) * | 2019-12-31 | 2020-04-17 | 江苏农创科技有限公司 | 一种基于实时检测且生长状况预估技术的水稻栽培方法 |
-
2020
- 2020-09-17 CN CN202010978413.2A patent/CN111931711B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150142834A1 (en) * | 2013-11-18 | 2015-05-21 | Electronics And Telecommunications Research Institute | Method and apparatus for generating agricultural semantic image information |
Also Published As
Publication number | Publication date |
---|---|
CN111931711A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931711B (zh) | 一种多源异构遥感大数据处理方法和装置 | |
Mupangwa et al. | Evaluating machine learning algorithms for predicting maize yield under conservation agriculture in Eastern and Southern Africa | |
Zhai et al. | Applying case-based reasoning and a learning-based adaptation strategy to irrigation scheduling in grape farming | |
Radha et al. | A polyhouse: plant monitoring and diseases detection using CNN | |
Herbei et al. | Processing and use of satellite images in order to extract useful information in precision agriculture. | |
CN114581401A (zh) | 农作物长势的监测方法、系统、设备及介质 | |
CN116129262A (zh) | 一种面向宜机化改造的耕地适宜性评价方法及系统 | |
Aytaç | Modeling future impacts on land cover of rapid expansion of hazelnut orchards: A case study on Samsun, Turkey | |
Jubair et al. | Crop genomic selection with deep learning and environmental data: A survey | |
CN112241844B (zh) | 饮用水水源地环境风险源本底清单确定及更新方法和装置 | |
Sharifipour et al. | Rangeland species potential mapping using machine learning algorithms | |
CN115761501A (zh) | 植物病害识别模型构建方法、装置及模型构建系统 | |
CN115903568A (zh) | 一种基于区块链大数据的智能农业监管系统及方法 | |
Evans et al. | Integrating remotely sensed data with other spatial data sets to predict areas at risk from salinity | |
da Silva Junior et al. | Comparison of mapping soybean areas in Brazil through perceptron neural networks and vegetation indices | |
CN113420798A (zh) | 基于孪生光谱注意力一致性的高光谱图像分类 | |
Taylor et al. | Improving spatial predictions of Eucalypt plantation growth by combining interpretable machine learning with the 3-PG model | |
Debella-Gilo | Detecting built-up areas in agricultural fields using deep learning on Sentinel-2 Satellite Image Time Series | |
Priya et al. | A survey on deep learning based IoT approach for precision crop suggestion | |
CN109948535A (zh) | 一种作物种子生产主要生育期肥水条件的智慧监控方法 | |
CN113762773B (zh) | 一种灾害监测预报的关联定位分解方法及系统 | |
CN117541078B (zh) | 一种基于人工运河开发的生态保护策略定制方法 | |
Anand et al. | An optimized deep network based soil texture prediction and vegetation analysis using satellite image database | |
Estacio | Simulating the future of the Ifugao rice terraces through observations of the past | |
Holik et al. | Estimation of Paddy leaves Chlorophyll Content Using Convolutional Neural Network (CNN) |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210701 Address after: 242000 room 2105, building 2, Xuancheng Zhigu Software Industrial Park, 188 Xiangshan Road, Xuanzhou District, Xuancheng City, Anhui Province Patentee after: Anhui Yucheng Data Technology Co.,Ltd. Address before: No. 242-2, 11, Haidian Road, Beijing Patentee before: Beijing Changlong iFLYTEK Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |