CN112149827A - 基于卫星影像的土壤速效钾分析模型构建系统及方法 - Google Patents

基于卫星影像的土壤速效钾分析模型构建系统及方法 Download PDF

Info

Publication number
CN112149827A
CN112149827A CN202011032853.5A CN202011032853A CN112149827A CN 112149827 A CN112149827 A CN 112149827A CN 202011032853 A CN202011032853 A CN 202011032853A CN 112149827 A CN112149827 A CN 112149827A
Authority
CN
China
Prior art keywords
soil
module
neural network
model
acting potassium
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
CN202011032853.5A
Other languages
English (en)
Inventor
宋振强
梁志国
葛宝玉
高磊
王众娇
程飞雁
曲中华
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.)
Harbin Space Star Data System Technology Co ltd
Original Assignee
Harbin Space Star Data System Technology Co ltd
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 Harbin Space Star Data System Technology Co ltd filed Critical Harbin Space Star Data System Technology Co ltd
Priority to CN202011032853.5A priority Critical patent/CN112149827A/zh
Publication of CN112149827A publication Critical patent/CN112149827A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/02—Devices for withdrawing samples
    • G01N1/04—Devices for withdrawing samples in the solid state, e.g. by cutting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/38—Diluting, dispersing or mixing samples
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉是一种基于卫星影像的土壤速效钾分析模型构建系统及方法，属于遥感技术与变量施肥技术领域，目的是为解决传统BP神经网络在土壤含量采集监测中随机性大以及参数调整不确定性高的问题；该系统包括原始数据获取模块、影像波段构建模块、敏感波段变换模块和变换波段分析模块等模块；按照土壤样本采集技术规范的要求对目标区域土壤样本采集，然后对影像波段进行预处理，对敏感波段进行数学变换，最后在模型训练验证模块中训练神经网络模型并将得到的结果进行验证分析；本发明做到精准全面施肥，降低成本，从而避免出现施肥过多造成成本投入过大、污染环境，避免施肥过少导致土壤板结，合理高效地促进农作物生长。

Description

基于卫星影像的土壤速效钾分析模型构建系统及方法
技术领域
本发明涉是一种基于卫星影像的土壤速效钾分析模型构建系统及方法，尤其涉及基于卫星影像的土壤速效钾分析模型构建，属于遥感技术与变量施肥技术领域。
背景技术
当前，在土壤速效钾检测，一般是通过现场测土以“点”代“面”衡量整片农田土壤速效钾含量，此方法需要现场采集大量的测土数据，不仅样本采集测定的成本高、也消耗大量的人力物力，增加生产成本，精度很难保证。
近年来，随着卫星遥感、无人机遥感等空间技术的发展，数字农业技术得到了巨大的提升，遥感技术应用于精准农业也逐渐兴起。在《黑土养分信息提取的高光谱遥感方法研究》、《土壤主要养分含量的高光谱估测研究》两篇论文中分别提出采用BP神经网络及GA-PLS方法反演土壤全钾、速效钾含量，其中采用BP神经网络的缺点是随机性及参数调整不确定性高，训练不够稳定，而GA-PLS方法是一种线性关系，有大部分样本相关性较强时，线性拟合相关性也会很高，这样很难保证反演结果的精度，因此采用遗传+用BP神经网络的方法，解决了BP神经网络的缺点是随机性及参数调整不确定性高，训练不够稳定的缺点，有采用非线性拟合方式，提升反演精度。
发明内容
为了解决传统BP神经网络在土壤含量采集监测中随机性大及参数调整不确定性高的问题，本发明提出了一种基于卫星影像的土壤速效钾分析模型构建系统及方法，具体方案如下：
方案一：该系统包括原始数据获取模块、影像波段构建模块、敏感波段变换模块、变换波段分析模块、参数输入模块、神经网络构建模块和模型训练验证模块，其中各个模块之间以逻辑顺序递进连接；
原始数据模块用于土壤样本采集、封装和标定；
影像波段构建模块负责预处理影像的波段；
敏感波段变换模块负责对敏感波段进行数学变换；
变换波段分析模块用于波段的敏感性判断分析；
参数输入模块用于确认所输入的目标参数；
神经网络构建模块负责构建神经网络模型及封装；
模型训练验证模块负责训练参数模型及验证最终结果。
方案二：基于卫星影像的土壤速效钾分析模型构建方法，是根据上述系统为基础实现的，具体方法步骤如下：
步骤一，利用所述的原始数据模块按照土壤样本采集技术规范的要求对目标区域土壤样本采集、封装及标定；
步骤二，所述的影像波段构建模块中包含的软件工具对影像波段进行预处理；
步骤三，通过所述的敏感波段变换模块对敏感波段进行数学变换；
步骤四，利用所述的变换波段分析模块变换后的波段进行敏感分析；
步骤五，所述的参数输入模块负责整理分析土壤速效钾含量数据为神经网络模型选取目标参数；
步骤六，利用所述的神经网络构建模块进行神经网络模型构建；
步骤七，在所述的模型训练验证模块中训练神经网络模型并将得到的结果进行验证分析。
进一步地，根据步骤一中所述的原始数据模块进行土壤样本采集，还包括目标区域土壤样点采集，采用等距采样法采集作业区0～20cm的耕层土壤，采用5分法将土壤充分混合均匀后获取土样；
利用GPS获取采样点经度、纬度及高程信息；采样完成后，土壤样本进入实验室进行处理，依据土壤速效钾和缓解钾含量测定标准，测定准确的土壤速效钾含量；获取农作物播种前，样本采集期间影像数据，利用ENVI5.3对获取的影像数据进行辐射定标、大气校正、滤波处理及重采样处理。
进一步地，在步骤二中，所述的软件工具是使用ArcGIS软件中的SpatialAnalyst工具，将预处理后影像每个波段的反射率信息提取至土壤采样点信息中。
进一步地，在步骤三中，所述的敏感波段变换模块包含使用应用软件中的两种工具进行11种数学变换，其中利用ENVI5.3软件中bandmath工具，进行倒数变换、倒数的对数变换、对数变换、对数的倒数变换和平方根变换；
利用ENVI5.3软件中的ImageDerivative工具，进行一阶导数R′、倒数的一阶导数(1/R)′、对数的一阶导数(lgR)′、平方根的一阶导数
Figure BDA0002704229700000021
倒数的对数的一阶导数(lg(1/R))′和对数的倒数的一阶导数(1/lgR)′的运算过程，其中R为影像敏感波段。
进一步地，在步骤四中，利用SPSS软件基于斯皮尔曼相关性分析算法对经过变换后的波段进行敏感分析，根据软件输出的报表，标注显著性相关，则输出的结果达到0.05显著性水平时或达到0.01显著性水平时，都在报表右上角进行标订，表示比较显著或者极显著；之后选取报表所示的敏感性显著波段作为模型训练的输入参数，选择3-5个。
进一步地，在步骤五中，模型训练输入及目标参数确定阶段选取单一形式输入参数，参数包括预处理后影像敏感波段、数学变换敏感波段；
或者采用双形式组合输入参数，参数包括预处理后影像敏感波段-数学变换敏感波段，以现场土壤样本实验室测定的速效钾为目标参数。
进一步地，在步骤六中，所述的神经网络构建模块构建的方法的具体步骤如下：
步骤六一，利用Matlab的遗传算法工具箱及BP神经网络工具箱，基于Matlab语言，调用遗传算法工具箱的initializega函数；
步骤六二,初始化种群，调用ga函数，寻找BP神经网络最优权值和阈值，利用神经网络工具箱NETWORK函数，将最优权值和阈值传递给NET函数；
步骤六三，调用newff函数，建立BP神经网络函数，再利用train函数进行模型训练，完成GA-BP神经网络模型构建；
步骤六四利用Matlab的GUI程序设计对模型进行封装。
进一步地，在步骤七中，将样本数据按比例随机分为训练样本、验证样本和测试样本三个部分，训练样本用于GA-BP神经网络模型的训练，验证样本、测试样本用于训练后模型的验证与测试，确保模型的稳定及准确性；
结合输入参数和目标参数间的定量关系并利用GA-BP神经网络模型进行训练，得到两者之间存在的定量函数关系，建立土壤速效钾反演模型。
本发明的有益效果体现在：
基于卫星影像的土壤速效钾分析模型构建系统及方法相比传统方法，有效解决传统方法只能获取“点”上的土壤速效钾含量，满足“面”上对土壤速效钾的大面积获取需求，而通过大量测试土壤速效钾含量指导施肥，降低成本，做到精准全面施肥，从而避免出现施肥过多造成成本投入过大、污染环境，施肥过少导致土壤板结、影响作物生长的问题。
附图说明
图1是基于卫星影像的土壤速效钾分析模型构建流程框图；
图2是基于卫星影像的土壤速效钾分析过程示意图；
图3是速效钾实地采样位置分布示意图；
图4是模型反演状态示意图；
图5是模型训练均方误差(mse)评价图；
图6是模型训练误差评价图；
图7是模型训练相关系数(R2)评价图；
图8是某农场试验田土壤速效钾含量分布图。
具体实施方式
结合附图1-8说明本发明的具体实施方式：
具体实施方式一：基于卫星影像的土壤速效钾分析模型构建系统，通过原始数据获取模块、影像波段构建模块、敏感波段变换模块、变换波段分析模块、参数输入模块、神经网络构建模块和模型训练验证模块的递进参数数据梳理，对土壤速效钾分析的神经网络模型构建，最终实现土壤速效钾各项参数的分析结果。
具体实施方式二：基于卫星影像的土壤速效钾分析模型构建的方法的具体实施步骤如下：
步骤一，原始数据获取：
按照《土壤样本采集技术规范》的要求进行目标区域土壤样本采集、封装及标定，目标区域土壤样点采集，采用等距采样法采集作业区0～20cm的耕层土壤，采用5分法将土壤充分混合均匀后取土1kg，采样间距根据作业范围大小而定，一般旱田间隔100m，水田每个网格均布9个点。利用GPS获取采样点经度、纬度及高程信息。采样完成后，土壤样本进入实验室进行处理，依据《NY/T889-2004土壤速效钾和缓解钾含量测定》标准，测定准确的土壤速效钾含量；
获取农作物播种前，样本采集期间影像数据，利用ENVI5.3对获取的影像数据进行辐射定标、大气校正、滤波处理及重采样处理；
步骤二，影像波段变换：
对敏感波段进行11种数学变换，利用ENVI5.3软件，bandmath工具可以进行倒数变换、倒数的对数变换、对数变换、对数的倒数变换、平方根变换；利用ENVI5.3软件，ImageDerivative工具可以进行一阶导数(R′)、倒数的一阶导数((1/R)′)、对数的一阶导数((lgR)′)、平方根的一阶导数
Figure BDA0002704229700000041
倒数的对数的一阶导数((lg(1/R))′)、对数的倒数的一阶导数((1/lgR)′，R为影像敏感波段；
步骤三，敏感性分析：
利用版本为10.1及以上的ArcGIS软件，SpatialAnalyst工具提值至点功能，将预处理后影像每个波段的反射率信息及数学变换波段反射率信息提取至土壤采样点信息中，利用SPSS软件基于斯皮尔曼相关性分析算法对影像每个波段反射率值与其对应的速效钾含量进行敏感性分析，根据软件输出的报表，标注显著性相关，则输出的结果达到0.05显著性水平时，右上角用“*”表示比较显著，若达到0.01显著性水平时，右上角用“**”表示极显著。选取敏感性高的波段作为反演模型训练的输入参数，一般选择3-5个；
步骤四，模型训练输入及目标参数确定：
选取单一形式输入参数(预处理后影像敏感波段、数学变换敏感波段)或双形式组合输入参数(预处理后影像敏感波段-数学变换敏感波段)，以现场土壤样本实验室测定的速效钾为目标参数；
步骤五，GA-BP神经网络模型构建：
利用Matlab的遗传算法工具箱及BP神经网络工具箱，基于Matlab语言，调用遗传算法工具箱的initializega函数，初始化种群，调用ga函数，寻找BP神经网络最优权值和阈值。利用神经网络工具箱NETWORK函数，将最优权值和阈值传递给NET函数，再调用newff函数(传输函数推荐选择“tansig”“logsig”“tansig”，训练参数推荐选择“trainlm”)，建立BP神经网络函数，再利用train函数进行模型训练，完成GA-BP神经网络模型构建，利用Matlab的GUI程序设计对模型进行封装；
步骤六，模型训练和验证：
将样本数据按比例随机分为训练样本(training)、验证样本(validation)、测试样本(test)三个部分，具体分配原则参考清华大学出版社《MATLAB智能算法》一书第2章第2.3小节，训练样本用于GA-BP神经网络模型的训练，验证样本、测试样本用于训练后模型的验证与测试，确保模型的稳定及准确性。结合输入参数和目标参数间的定量关系并利用GA-BP神经网络模型进行训练，得到两者之间存在的定量函数关系，建立土壤速效钾反演模型。
采用斯皮尔曼敏感分析技术和GA+BP神经网络算法，运用matlab编程及GUI设计建立土壤速效钾反演模型，运用敏感波段、敏感波段数学变换及实地土壤样本采集数据等多参数进行逐像素精细化分析技术，针对土壤施肥处方图中重要的养分元素的速效钾进行定量化分析，具体特征点如下：
特征点一：利用ENVI5.3及以上版本，对获取的影像数据进行预处理，输出反射率数据；利用数学公式对处理后影像反射率数据进行数学变换；
特征点二：利用SPSS(版本21)软件完成卫星影像波段信息及其变换信息与土壤速效钾含量的敏感性分析，输出报表；
特征点三：运用特征点二的敏感分析报表，选取3-5个对土壤速效钾含量最为敏感的波段，作为模型训练的输入参数，提高模型的训练精度；
特征点四：利用遗传算法克服和改进BP神经网络算法的随机性和不确定性，运用matlab软件完成GA-BP神经网络反演模型构建,发挥遗传算法与BP神经网络算法的各自优势，以特征点二、特征点四作为模型训练输入参数，以实地土壤样本采集数据实验室分析的速效钾含量为目标参数，完成土壤速效钾反演模型构建。
具体实施方式三：结合附图1-8说明基于卫星影像的土壤速效钾分析模型构建系统，本发明以某省某农场农田为例，采用本发明的方法，最终获得耕地土壤速效钾含量分布图，具体实施方案如下：
某农场试验田475亩，根据当地实际情况，采集土壤样本，记录每个采样点的经纬坐标和土样编号，将土样送往专业的第三方土壤检测进行实验室测试，测得每个样本中速效钾含量，测定的含量(mg/kg)及位置展点如下图所示(注：图上标记数据为速效钾含量值)：
查询并下载遥感影像，本实施例下载哨兵一号，分辨率为10米，影像时间分别为2020年5月29日、6月13日，利用ENVI5.3对影像进行辐射定标、大气校正、滤波处理、波段重采样处理，利用矢量范围进行裁剪；
利用敏感性分析模型得到预处理后影像数据波段与土壤样本速效钾含量敏感分析表如下：
2020年05月29日影像数据波段敏感性分析结果
Figure BDA0002704229700000061
**.在置信度(双测)为0.01时，相关性是显著的。
*.在置信度(双测)为0.05时，相关性是显著的。
2020年06月13日影像数据波段敏感性分析结果
Figure BDA0002704229700000062
**.在置信度(双测)为0.01时，相关性是显著的，
*.在置信度(双测)为0.05时，相关性是显著的，
根据优化的反演模型计算得到土壤速效钾含量栅格数据；
利用GIS中栅格转面功能将反演土壤速效钾含量栅格数据逐像素导出，按照影像范围建立渔网，实现按像素导出矢量数据，通过属性表连接实现栅格数据矢量化。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于卫星影像的土壤速效钾分析模型构建系统，其特征在于：该系统包括原始数据获取模块、影像波段构建模块、敏感波段变换模块、变换波段分析模块、参数输入模块、神经网络构建模块和模型训练验证模块，其中各个模块之间以逻辑顺序递进连接；
原始数据模块用于土壤样本采集、封装和标定；
影像波段构建模块负责预处理影像的波段；
敏感波段变换模块负责对敏感波段进行数学变换；
变换波段分析模块用于波段的敏感性判断分析；
参数输入模块用于确认所输入的目标参数；
神经网络构建模块负责构建神经网络模型及封装；
模型训练验证模块负责训练参数模型及验证最终结果。
2.基于卫星影像的土壤速效钾分析模型构建方法，是根据权利要求1所述的系统为基础实现的，其特征在于：具体方法步骤如下：
步骤一，利用所述的原始数据模块按照土壤样本采集技术规范的要求对目标区域土壤样本采集、封装及标定；
步骤二，所述的影像波段构建模块中包含的软件工具对影像波段进行预处理；
步骤三，通过所述的敏感波段变换模块对敏感波段进行数学变换；
步骤四，利用所述的变换波段分析模块变换后的波段进行敏感分析；
步骤五，所述的参数输入模块负责整理分析土壤速效钾含量数据为神经网络模型选取目标参数；
步骤六，利用所述的神经网络构建模块进行神经网络模型构建；
步骤七，在所述的模型训练验证模块中训练神经网络模型并将得到的结果进行验证分析。
3.根据权利要求2所述的基于卫星影像的土壤速效钾分析模型构建方法，其特征在于：根据步骤一中所述的原始数据模块进行土壤样本采集，还包括目标区域土壤样点采集，采用等距采样法采集作业区0～20cm的耕层土壤，采用5分法将土壤充分混合均匀后获取土样；
利用GPS获取采样点经度、纬度及高程信息；采样完成后，土壤样本进入实验室进行处理，依据土壤速效钾和缓解钾含量测定标准，测定准确的土壤速效钾含量；获取农作物播种前，样本采集期间影像数据，利用ENVI5.3对获取的影像数据进行辐射定标、大气校正、滤波处理及重采样处理。
4.根据权利要求3所述的基于卫星影像的土壤速效钾分析模型构建方法，其特征在于：在步骤二中，所述的软件工具是使用ArcGIS软件中的SpatialAnalyst工具，将预处理后影像每个波段的反射率信息提取至土壤采样点信息中。
5.根据权利要求4所述的基于卫星影像的土壤速效钾分析模型构建方法，其特征在于：在步骤三中，所述的敏感波段变换模块包含使用应用软件中的两种工具进行11种数学变换，其中利用ENVI5.3软件中bandmath工具，进行倒数变换、倒数的对数变换、对数变换、对数的倒数变换和平方根变换；
利用ENVI5.3软件中的Image Derivative工具，进行一阶导数R′、倒数的一阶导数(1/R)′、对数的一阶导数(lgR)′、平方根的一阶导数
Figure FDA0002704229690000021
倒数的对数的一阶导数(lg(1/R))′和对数的倒数的一阶导数(1/lgR)′的运算过程，其中R为影像敏感波段。
6.根据权利要求5所述的基于卫星影像的土壤速效钾分析模型构建方法，其特征在于：在步骤四中，利用SPSS软件基于斯皮尔曼相关性分析算法对经过变换后的波段进行敏感分析，根据软件输出的报表，标注显著性相关，则输出的结果达到0.05显著性水平时或达到0.01显著性水平时，都在报表右上角进行标订，表示比较显著或者极显著；之后选取报表所示的敏感性显著波段作为模型训练的输入参数，选择3-5个。
7.根据权利要求6所述的基于卫星影像的土壤速效钾分析模型构建方法，其特征在于：在步骤五中，模型训练输入及目标参数确定阶段选取单一形式输入参数，参数包括预处理后影像敏感波段、数学变换敏感波段；
或者采用双形式组合输入参数，参数包括预处理后影像敏感波段-数学变换敏感波段，以现场土壤样本实验室测定的速效钾为目标参数。
8.根据权利要求7所述的基于卫星影像的土壤速效钾分析模型构建方法，其特征在于：在步骤六中，所述的神经网络构建模块构建的方法的具体步骤如下：
步骤六一，利用Matlab的遗传算法工具箱及BP神经网络工具箱，基于Matlab语言，调用遗传算法工具箱的initializega函数；
步骤六二,初始化种群，调用ga函数，寻找BP神经网络最优权值和阈值，利用神经网络工具箱NETWORK函数，将最优权值和阈值传递给NET函数；
步骤六三，调用newff函数，建立BP神经网络函数，再利用train函数进行模型训练，完成GA-BP神经网络模型构建；
步骤六四利用Matlab的GUI程序设计对模型进行封装。
9.根据权利要求8所述的基于卫星影像的土壤速效钾分析模型构建方法，其特征在于：在步骤七中，将样本数据按比例随机分为训练样本、验证样本和测试样本三个部分，训练样本用于GA-BP神经网络模型的训练，验证样本、测试样本用于训练后模型的验证与测试，确保模型的稳定及准确性；
结合输入参数和目标参数间的定量关系并利用GA-BP神经网络模型进行训练，得到两者之间存在的定量函数关系，建立土壤速效钾反演模型。
CN202011032853.5A 2020-09-27 2020-09-27 基于卫星影像的土壤速效钾分析模型构建系统及方法 Pending CN112149827A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011032853.5A CN112149827A (zh) 2020-09-27 2020-09-27 基于卫星影像的土壤速效钾分析模型构建系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011032853.5A CN112149827A (zh) 2020-09-27 2020-09-27 基于卫星影像的土壤速效钾分析模型构建系统及方法

Publications (1)

Publication Number Publication Date
CN112149827A true CN112149827A (zh) 2020-12-29

Family

ID=73895489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011032853.5A Pending CN112149827A (zh) 2020-09-27 2020-09-27 基于卫星影像的土壤速效钾分析模型构建系统及方法

Country Status (1)

Country Link
CN (1) CN112149827A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113496218A (zh) * 2021-07-27 2021-10-12 浙江省淡水水产研究所 一种高光谱遥感敏感波段选择方式的评价方法和系统
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
CN114529838A (zh) * 2022-04-24 2022-05-24 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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693450A (zh) * 2012-05-16 2012-09-26 北京理工大学 一种基于遗传神经网络的曲轴疲劳寿命预测方法
CN104992068A (zh) * 2015-08-13 2015-10-21 四川农业大学 一种表层土壤氮素分布的预测方法
CN106645037A (zh) * 2016-11-17 2017-05-10 安徽理工大学 基于高光谱技术检测煤矸石充填复垦重构土壤重金属含量的方法
US20180177136A1 (en) * 2016-12-23 2018-06-28 Hexagon Technology Center Gmbh Method for prediction of soil and/or plant condition
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693450A (zh) * 2012-05-16 2012-09-26 北京理工大学 一种基于遗传神经网络的曲轴疲劳寿命预测方法
CN104992068A (zh) * 2015-08-13 2015-10-21 四川农业大学 一种表层土壤氮素分布的预测方法
CN106645037A (zh) * 2016-11-17 2017-05-10 安徽理工大学 基于高光谱技术检测煤矸石充填复垦重构土壤重金属含量的方法
US20180177136A1 (en) * 2016-12-23 2018-06-28 Hexagon Technology Center Gmbh Method for prediction of soil and/or plant condition
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘道华: "《基于智能计算及知识指导的集成优化设计理论与方法研究》", 31 August 2012, 国防工业出版社 *
陶培峰: "基于航空高光谱遥感的黑土养分含量反演研究", 《中国优秀博硕士学位论文全文数据库(硕士) 农业科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113496218A (zh) * 2021-07-27 2021-10-12 浙江省淡水水产研究所 一种高光谱遥感敏感波段选择方式的评价方法和系统
CN113496218B (zh) * 2021-07-27 2023-10-24 浙江省淡水水产研究所 一种高光谱遥感敏感波段选择方式的评价方法和系统
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
CN114529838A (zh) * 2022-04-24 2022-05-24 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
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

Similar Documents

Publication Publication Date Title
CN112149827A (zh) 基于卫星影像的土壤速效钾分析模型构建系统及方法
CN111399508A (zh) 智慧农业系统和智慧农业方法
CN102445421B (zh) 一种用于快速诊断烤烟氮素叶色卡的制备方法
CN110567892B (zh) 一种基于临界氮浓度的夏玉米氮素高光谱预测方法
CN111751376B (zh) 一种基于冠层图像特征衍生的水稻氮素营养估算方法
CN112836575B (zh) 一种基于作物物候期的多时序影像水稻估产方法
CN115759524B (zh) 一种基于遥感影像植被指数的土壤生产力等级识别方法
CN116188793A (zh) 一种基于卫星遥感影像的紫云英种植面积监测方法
CN114511170A (zh) 一种基于多光谱影像的土壤养分估计方法及装置
CN116485757A (zh) 一种冬小麦全氮含量预测方法
CN106501255A (zh) 一种枣树冠层总叶绿素含量的卫星遥感监测方法
CN106504240A (zh) 一种枣树冠层叶绿素a含量的卫星遥感监测方法
CN112733780A (zh) 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
CN106501454B (zh) 一种枣树冠层叶绿素b含量的卫星遥感监测方法
CN117408430A (zh) 一种基于大数据的农业种植用土壤改良评估系统
CN113408701A (zh) 一种卷积神经网络土壤有机质分析模型构建系统及方法
CN113435574A (zh) 一种卷积神经网络土壤速效钾分析模型构建系统及方法
WO2023131949A1 (en) A versatile crop yield estimator
CN113420875A (zh) 一种卷积神经网络土壤有效磷分析模型构建系统及方法
CN113408700A (zh) 一种卷积神经网络土壤碱解氮分析模型构建系统及方法
Adeboye et al. Evaluation of AccuPAR LP 80 in estimating leaf area index of soybeans canopy in Ile-Ife, Nigeria
RU2705549C1 (ru) Способ агрохимического обследования земель сельскохозяйственного назначения
CN113610622A (zh) 一种基于多源数据的土地价值评估方法及装置
CN111027523A (zh) 一种棉花冠层类胡萝卜素含量的卫星遥感监测方法
Jha et al. Wheat acreage estimation using remote sensing in tarai region of Uttarakhand

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201229

RJ01 Rejection of invention patent application after publication