CN112580491A - 作物生长阶段的确定方法、装置、非易失性存储装置 - Google Patents
作物生长阶段的确定方法、装置、非易失性存储装置 Download PDFInfo
- Publication number
- CN112580491A CN112580491A CN202011483094.4A CN202011483094A CN112580491A CN 112580491 A CN112580491 A CN 112580491A CN 202011483094 A CN202011483094 A CN 202011483094A CN 112580491 A CN112580491 A CN 112580491A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- target
- acquisition time
- images
- sensing image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000003306 harvesting Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 239000003337 fertilizer Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 241000209094 Oryza Species 0.000 description 14
- 235000007164 Oryza sativa Nutrition 0.000 description 14
- 235000009566 rice Nutrition 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000002310 reflectometry Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- -1 artificial buildings Substances 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种作物生长阶段的确定方法、装置、非易失性存储装置。其中，该方法包括：获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，得到第一遥感图像集合，其中，多个采集时间段组成目标统计周期；获取第一遥感图像集合中所有图像的植被指数信息；依据植被指数信息确定目标作物区域中目标作物所属的生长阶段。本申请解决了相关技术中依靠叶龄诊断技术判断作物的生长阶段具有一定的局限性，该方法仅适用于齐穗期前，对于判断作物是否成熟无指示意义，因此无法指导作物收成的技术问题。
Description
技术领域
本申请涉及农业生产技术领域，具体而言，涉及一种作物生长阶段的确定方法、装置、非易失性存储装置。
背景技术
作物的生长期信息是农田管理的重要指标,通过作物生长发育的时间和进程信息可以判断作物的生长状况及其所处的环境，此外，还可以辅助大范围的作物提取和环境分析。相关技术中，作物生长期识别主要依靠叶龄诊断技术，其是根据叶龄与其他器官的同伸关系，以叶龄为基准，衡量和判断作物当前和以后一段时间内的生育进程(株高、茎数、叶长等)和群体素质(叶面积指数、充实度、粒叶比等)等的技术。然而，通过叶龄判断作物生长期具有一定的局限性，其仅适用于齐穗期前，该方法对于判断作物是否成熟没有指示意义，因此也无法指导作物收成。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种作物生长阶段的确定方法、装置、非易失性存储装置，以至少解决相关技术中依靠叶龄诊断技术判断作物的生长阶段具有一定的局限性，该方法仅适用于齐穗期前，对于判断作物是否成熟无指示意义，因此无法指导作物收成的技术问题。
根据本申请实施例的一个方面，提供了一种作物生长阶段的确定方法，包括：获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，得到第一遥感图像集合，其中，所述多个采集时间段组成所述目标统计周期；获取所述第一遥感图像集合中所有图像的植被指数信息；依据所述植被指数信息确定所述目标作物区域中目标作物所属的生长阶段。
可选地，依据所述植被指数信息确定所述目标作物区域中目标作物所属的生长阶段后，所述方法还包括：依据所述目标作物当前所属的生长阶段，确定对所述目标作物执行相应的处理策略，其中，所述处理策略包括：对所述目标作物的田间水肥管理、指示作物收割。
根据本申请实施例的另一方面，还提供了一种作物生长阶段的确定装置，包括：第一获取模块，用于获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，得到第一遥感图像集合，其中，所述多个采集时间段组成所述目标统计周期；第二获取模块，用于获取所述第一遥感图像集合中所有图像的植被指数信息；确定模块，用于依据所述植被指数信息确定所述目标作物区域中目标作物所属的生长阶段。
根据本申请实施例的另一方面，还提供了一种电子设备，包括：处理器，以及存储器，所述存储器与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，得到第一遥感图像集合，其中，所述多个采集时间段组成所述目标统计周期；获取所述第一遥感图像集合中所有图像的植被指数信息；依据所述植被指数信息确定所述目标作物区域中目标作物所属的生长阶段。
根据本申请实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行上述的作物生长阶段的确定方法。
在本申请实施例中，通过获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，得到第一遥感图像集合；获取第一遥感图像集合中所有图像的植被指数信息；依据植被指数信息确定目标作物区域中目标作物所属的生长阶段，其中，基于多光谱遥感影像计算比值植被指数，并通过累积的比值植被指数的变化，从而实现对作物各生长阶段的区分和识别，并进行相应的处理，进而解决了相关技术中依靠叶龄诊断技术判断作物的生长阶段具有一定的局限性，该方法仅适用于齐穗期前，对于判断作物是否成熟无指示意义，因此无法指导作物收成技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种可选的作物生长阶段的确定方法的流程示意图；
图2是根据本申请实施例的一种水稻生长阶段划分的示意图；
图3是根据本申请实施例的一种水稻生长阶段的确定方法的流程示意图；
图4是根据本申请实施例的一种可选的作物生长阶段的确定装置的结构示意图；
图5是根据本申请实施例的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本申请实施例，提供了一种作物生长阶段的确定方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的作物生长阶段的确定方法的流程示意图，如图1所示，该方法至少包括步骤S102-S106，其中：
步骤S102，获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，得到第一遥感图像集合，其中，多个采集时间段组成目标统计周期。
在本申请一种可选的实施例中，需要获取每个采集时间段内的各个采集时间点采集的目标作物区域的多幅多光谱遥感图像，得到第一遥感图像子集，其中，第一遥感图像子集可以覆盖目标作物区域；将多个采集时间段获取的多个第一遥感图像子集形成的集合作为第一遥感图像集合。
具体地，以目标作物在目标区域的整个生长周期作为目标统计周期，在其中确定多个采集时间段，例如，每隔1～3天对目标区域进行一次图像采集，每次采集过程中获取目标区域的多幅多光谱遥感图像，这些多光谱遥感图像应当能够覆盖整个目标作物区域；以每次图像采集过程中得到的所有遥感图像形成一个遥感图像子集，将目标统计周期内得到的所有遥感图像子集汇合起来，即形成第一遥感图像集合。
在本申请一种可选的实施例中，图像采集过程主要依靠无人机完成。具体地，为了控制变量，每次图像采集时，由无人机搭载多光谱相机从目标区域的正上空固定高度(优选50米高度)匀速稳定飞行，相机垂直正下方拍摄多幅多光谱遥感图像。
步骤S104，获取第一遥感图像集合中所有图像的植被指数信息。
在本申请一种可选的实施例中，首先对于各个采集时间段获取的第一遥感图像子集中的图像，进行预处理操作，得到对应的采集时间段的第二遥感图像子集；将多个采集时间段的第二遥感图像子集形成的集合作为第二遥感图像集合；然后获取第二遥感图像集合中所有图像的植被指数信息。
在计算图像的植被指数信息之前，需要先对图像进行预处理操作，在本申请一种可选的实施例中，对于各个采集时间段获取的第一遥感图像子集中的图像，依次进行包括辐射校正处理、几何校正处理以及图像镶嵌处理的预处理操作，得到对应的采集时间段的第二遥感图像子集。
具体地，可以利用ENVI(the Environment for Visualizing Images，遥感图像处理平台)或其他图像处理软件对拍摄得到的遥感图像进行预处理操作，首先，依次对图像进行辐射校正处理和几何校正处理，消除误差干扰，然后将校正得到的图像进行图像镶嵌处理，得到准确的目标区域的反射率遥感图像。
其中，辐射校正处理，用于消除大气、太阳高度角、地形等与辐射相关的误差的干扰，得到地表真实的反射率，包括：辐射定标和大气校正；几何校正处理，用于消除因传感器平台本身高度、姿态不稳定或地球曲率及空气折射率等引起的非系统性图像几何畸变，包括：几何精校正、图像配准、正射校正等；图像镶嵌处理，用于将多个不同的图像文件组合形成一幅完整的包含感兴趣区域的图像。
在完成对图像的预处理操作后，则需要获取遥感图像的植被指数信息。
植被指数，主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，其被广泛应用于遥感应用领域，用来定性和定量评价植被覆盖及其生长活力，常见的有比值植被指数(Ratio Vegetation Index,简称为RVI)、归一化植被指数(NormalizedDifference Vegetation Index)等，分别可用来评价植被的不同指标。
在本申请一种可选的实施例中，选用比值植被指数信息来确定目标作物的生长阶段。具体地，比值植被指数为遥感影像中近红外波段的反射值与红光波段的反射值之比，其计算公式为
其中，RNIR为近红外波段反射率，RRed为红光波段反射率。
通常，绿色健康植被覆盖地区的RVI值远大于1，而无植被覆盖的地面(裸土、人工建筑、水体、植被枯死或严重虫害)的RVI值在1附近；RVI值是绿色植物的灵敏指示参数，其与叶面积指数、叶干生物量、叶绿素含量等相关性较高，可用于检测和估算植物生物量；RVI受植被覆盖度影响较大：当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50％时，敏感性显著降低；RVI易受大气条件影响，大气效应会大大降低其对植被检测的灵敏度，因此在计算前需要进行大气校正，再计算RVI。
在本申请一种可选的实施例中，获取第二遥感图像集合中所有图像的植被指数信息的过程为：在任一所述采集时间段，获取历史采集时间段和当前采集时间段对应的所述第二遥感图像中的全部图像，得到第三遥感图像集合，其中，所述历史采集时间段为当前采集时间段之前的采集时间段；对于第三遥感图像集合中的图像，分别计算每个图像中每个像元的比值植被指数，确定所有大于预设阈值的比值植被指数为有效比值植被指数；将所有有效比值植被指数累计求和，再求取平均值，得到采集时间段对应的第一比值植被指数；将各个采集时间段对应的第一比值植被指数的集合作为植被指数信息。
具体地，计算所有遥感图像中每个像元的RVI，确定RVI>1时即为有效RVI，在任意一个采集时间段，对该采集时间段之前的所有采集时间段以及该采集时间段在内所获取的所有图像的有效RVI累积求和再求取平均值，即得到该采集时间段对应的第一比值植被指数，再将各个采集时间段对应的第一比值植被指数汇合起来，其整体作为植被指数信息，用于确定目标作物的生长阶段。
其中，像元，亦称像素点或像元点，即影像单元，是组成数字化影像的最小单元。在遥感数据采集，如扫描成像时，它是遥感成像过程中的采样点，是传感器对地面景物进行扫描采样的最小单元；在数字图像处理中，它是对模拟影像进行扫描数字化时的采样点，是构成遥感数字图像的基本单元。
步骤S106，依据植被指数信息确定目标作物区域中目标作物所属的生长阶段。
在本申请一种可选的实施例中，建立植被指数信息随目标作物的生长时间变化的曲线函数模型；对曲线函数模型求取一阶导数，将导数为零时对应的目标作物的生长时间确定为时间划分节点，其中，每个时间划分节点前后分别对应目标作物的不同生长阶段；预先将目标作物生长周期划分为多个阶段，依据当前时间点之前的时间划分节点的数量确定目标作物所属的生长阶段。
由于任意一个采集时间段均对应一个第一比值植被指数，而所有的采集时间段组成了目标统计周期，因此可以建立起植被指数信息随采集时间段，即目标作物的生长时间变化的曲线函数模型，依据函数关系即可对目标作物的生长阶段进行划分。
具体地，随着目标作物的生长，其对应的RVI值会不断增长，且增长的幅度会随目标作物的生长情况而变化，当目标作物即将由一个生长阶段进入下一个生长阶段时，RVI值的增长幅度会趋于平缓直至不变，因此，可以对得到的函数模型求取一阶导数，导数为零时对应的目标作物的生长时间即可确定为目标作物的不同生长阶段的时间划分节点；然后，从预先对目标作物生长周期划分的多个阶段中，依据当前时间点之前的时间划分节点的数量确定目标作物所属的生长阶段。
以水稻为例，其主要生长期包括幼苗期、返青期、分蘖期、拔节孕穗期和抽穗结实期，由于幼苗期尚未移栽至大田，在此不作考虑，则水稻的累积比值植被指数平均值随作物生长时间变化曲线大体可以分为四段，如图2所示：第一时间划分节点前的平缓期，对应返青期；第一时间划分节点至第二时间划分节点前的平缓增长期，对应分蘖期；第二时间划分节点至第三时间划分节点前的快速增长期，对应拔节孕穗期；第三时间划分节点后的平缓增长期，对应抽穗结实期。需要说明的是，随着无人机多光谱影像时间分辨率的提高以及累积比值植被指数平均值时间变化曲线的更精准拟合，上述技术甚至可以识别水稻分蘖期中的有效分蘖临界叶龄期、无效分蘖叶龄期，拔节孕穗期中的拔节期、孕穗期，抽穗结实期中的齐穗期等。
在本申请一种可选的实施例中，在确定目标作物区域中目标作物所属的生长阶段后，还可以依据目标作物当前所属的生长阶段，确定对目标作物执行相应的处理策略，该处理策略包括：对目标作物的田间水肥管理、指示作物收割等。
例如，针对对水分敏感的分蘖期，可以借助无人机进行土壤水分监测；针对孕穗期，可以借助植保无人机进行变量施肥管控；针对齐穗期，可以借助无人机分析水稻长势，判断是否需要追肥；针对灌浆结实期，可以预测水稻的收割时间等。
将上述作物生长阶段的确定方法应用于水稻生长期识别中，具体过程如图3所示，其中：
步骤S302，利用无人机挂载多光谱相机，每1～3天在实验田块正上空50米匀速稳定飞过并拍摄多幅影像，相机需垂直正下方拍摄且影像能完全覆盖实验田块。
步骤S304，利用ENVI或其他图像处理软件对拍摄得到的遥感影像进行辐射校正、几何校正、影像镶嵌等预处理操作，得到实验田块不同波段的反射率遥感影像。
步骤S306，对每期反射率影像i，分别计算该影像中每个像元的RVI。
步骤S308，针对影像i，保留RVI＞1的像元(RVI大于1表示有植被覆盖)，将水稻生长周期内所有植被指数进行累积求和，即为∑RVIi。
步骤S310，对每期∑RVIi取平均值
步骤S312，根据实验田块水稻每期累积比值植被指数的平均值
建立其随时间变化的曲线函数模型如下：
其中，f(x)为水稻每期累积比值植被指数的平均值
x为水稻种植天数；a1、b1、a2、b2、an、bn分别为待解线性回归系数。
步骤S314，求取该函数的一阶导数，导数为0时对应的x即为水稻生长期的时间划分节点。
步骤S316，依据时间划分节点确定水稻的生长期：确定第一次出现导数为0前的平缓期，对应返青期；第一次出现导数为0至第二次出现导数为0前的平缓增长期，对应分蘖期；第二次出现导数为0至第三次出现导数为0前的快速增长期，对应拔节孕穗期；第三次出现导数为0后的平缓增长期，对应抽穗结实期。
在本申请实施例中，通过获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，得到第一遥感图像集合；获取第一遥感图像集合中所有图像的植被指数信息；依据植被指数信息确定目标作物区域中目标作物所属的生长阶段，其中，基于多光谱遥感影像计算比值植被指数，并通过累积的比值植被指数的变化，从而实现对作物各生长阶段的区分和识别，并进行相应的处理，进而解决了相关技术中依靠叶龄诊断技术判断作物的生长阶段具有一定的局限性，该方法仅适用于齐穗期前，对于判断作物是否成熟无指示意义，因此无法指导作物收成技术问题。
实施例2
根据本申请实施例，提供了一种作物生长阶段的确定装置的实施例，如图4所示，该装置至少包括：第一获取模块40，第二获取模块42以及确定模块44，其中：
第一获取模块40，用于获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，得到第一遥感图像集合，其中，多个采集时间段组成目标统计周期。
在本申请一种可选的实施例中，获取每个采集时间段内的各个采集时间点采集的目标作物区域的多幅多光谱遥感图像，得到第一遥感图像子集，其中，第一遥感图像子集可以覆盖目标作物区域；将多个采集时间段获取的多个第一遥感图像子集形成的集合作为第一遥感图像集合。
第二获取模块42，用于获取第一遥感图像集合中所有图像的植被指数信息。
在本申请一种可选的实施例中，首先对于各个采集时间段获取的第一遥感图像子集中的图像，进行预处理操作，得到对应的采集时间段的第二遥感图像子集；将多个采集时间段的第二遥感图像子集形成的集合作为第二遥感图像集合；然后获取第二遥感图像集合中所有图像的植被指数信息。
在本申请一种可选的实施例中，获取第二遥感图像集合中所有图像的植被指数信息的过程为：在任一采集时间段，取该采集时间段之前包括该采集时间段在内的所有采集时间段对应的第二遥感图像子集中的全部图像，得到第三遥感图像集合；对于第三遥感图像集合中的图像，分别计算每个图像中每个像元的比值植被指数，确定所有大于预设阈值的比值植被指数为有效比值植被指数；将所有有效比值植被指数累计求和，再求取平均值，得到采集时间段对应的第一比值植被指数；将各个采集时间段对应的第一比值植被指数的集合作为植被指数信息。
确定模块44，用于依据植被指数信息确定目标作物区域中目标作物所属的生长阶段。
在本申请一种可选的实施例中，建立植被指数信息随目标作物的生长时间变化的曲线函数模型；对曲线函数模型求取一阶导数，将导数为零时对应的目标作物的生长时间确定为时间划分节点，其中，每个时间划分节点前后分别对应目标作物的不同生长阶段；预先将目标作物生长周期划分为多个阶段，依据当前时间点之前的时间划分节点的数量确定目标作物所属的生长阶段。
需要说明的是，本申请实施例中作物生长阶段的确定装置中的各模块与实施例1中的作物生长阶段的确定方法的各步骤一一对应，具体细节可以参考实施例1，在此不再过多赘述。
实施例3
根据本申请实施例，还提供了一种电子设备，如图5所示，该设备包括：处理器50和存储器52，其中：
存储器52与处理器50连接，用于为处理器50提供处理以下处理步骤的指令：获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，得到第一遥感图像集合，其中，多个采集时间段组成目标统计周期；获取第一遥感图像集合中所有图像的植被指数信息；依据植被指数信息确定目标作物区域中目标作物所属的生长阶段。
实施例4
根据本申请实施例，还提供了一种非易失性存储介质，该非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上述的作物生长阶段的确定方法。
可选地，在程序运行时控制非易失性存储介质所在设备执行实现以下步骤：获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，得到第一遥感图像集合，其中，多个采集时间段组成目标统计周期；获取第一遥感图像集合中所有图像的植被指数信息；依据植被指数信息确定目标作物区域中目标作物所属的生长阶段。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种作物生长阶段的确定方法，其特征在于，包括：
获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，得到第一遥感图像集合，其中，所述多个采集时间段组成所述目标统计周期；
获取所述第一遥感图像集合中所有图像的植被指数信息；
依据所述植被指数信息确定所述目标作物区域中目标作物所属的生长阶段。
2.根据权利要求1所述的方法，其特征在于，获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，得到第一遥感图像集合，包括：
获取每个所述采集时间段内的各个采集时间点采集的所述目标作物区域的多幅多光谱遥感图像，得到第一遥感图像子集，其中，所述第一遥感图像子集可以覆盖所述目标作物区域；
将多个所述采集时间段获取的多个所述第一遥感图像子集形成的集合作为所述第一遥感图像集合。
3.根据权利要求2所述的方法，其特征在于，获取所述第一遥感图像集合中所有图像的植被指数信息，包括：
对于各个所述采集时间段获取的所述第一遥感图像子集中的图像，进行预处理操作，得到对应的采集时间段的第二遥感图像子集；
将多个所述采集时间段的第二遥感图像子集形成的集合作为第二遥感图像集合；
获取所述第二遥感图像集合中所有图像的植被指数信息。
4.根据权利要求3所述的方法，其特征在于，对于各个所述采集时间段获取的所述第一遥感图像子集中的图像，进行预处理操作，得到对应的采集时间段的第二遥感图像子集，包括：
对于各个所述采集时间段获取的所述第一遥感图像子集中的图像，依次进行包括辐射校正处理、几何校正处理以及图像镶嵌处理的预处理操作，得到对应的采集时间段的第二遥感图像子集。
5.根据权利要求3所述的方法，其特征在于，获取所述第二遥感图像集合中所有图像的植被指数信息，包括：
在任一所述采集时间段，获取历史采集时间段和当前采集时间段对应的所述第二遥感图像中的全部图像，得到第三遥感图像集合，其中，所述历史采集时间段为当前采集时间段之前的采集时间段；
对于所述第三遥感图像集合中的图像，分别计算每个图像中每个像元的比值植被指数，确定所有大于预设阈值的所述比值植被指数为有效比值植被指数；
依据所述有效比值植被指数确定所述植被指数信息。
6.根据权利要求5所述的方法，其特征在于，依据所述有效比值植被指数确定所述植被指数信息，包括：
将所有有效比值植被指数累计求和，再求取平均值，得到所述采集时间段对应的第一比值植被指数；
将各个所述采集时间段对应的所述第一比值植被指数的集合作为所述植被指数信息。
7.根据权利要求1所述的方法，其特征在于，依据所述植被指数信息确定所述目标作物区域中目标作物所属的生长阶段，包括：
建立所述植被指数信息随所述目标作物的生长时间变化的曲线函数模型；
对所述曲线函数模型求取一阶导数，将导数为零时对应的所述目标作物的生长时间确定为时间划分节点，其中，每个所述时间划分节点前后分别对应所述目标作物的不同生长阶段；
预先将所述目标作物生长周期划分为多个阶段，依据当前时间点之前的所述时间划分节点的数量确定所述目标作物所属的生长阶段。
8.根据权利要求1至7任意一项所述的方法，其特征在于，获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，包括：
在所述目标统计周期内的各个采集时间段，通过无人机从预设高度垂直拍摄所述目标作物区域，获取所述多光谱遥感图像。
9.根据权利要求8所述的方法，其特征在于，依据所述植被指数信息确定所述目标作物区域中目标作物所属的生长阶段后，所述方法还包括：
依据所述目标作物当前所属的生长阶段，确定对所述目标作物执行相应的处理策略，其中，所述处理策略包括：对所述目标作物的田间水肥管理、指示作物收割。
10.一种作物生长阶段的确定装置，其特征在于，包括：
第一获取模块，用于获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，得到第一遥感图像集合，其中，所述多个采集时间段组成所述目标统计周期；
第二获取模块，用于获取所述第一遥感图像集合中所有图像的植被指数信息；
确定模块，用于依据所述植被指数信息确定所述目标作物区域中目标作物所属的生长阶段。
11.一种电子设备，其特征在于，包括：
处理器；以及
存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
获取在目标统计周期内的多个采集时间段内采集的目标作物区域的多光谱遥感图像，得到第一遥感图像集合，其中，所述多个采集时间段组成所述目标统计周期；获取所述第一遥感图像集合中所有图像的植被指数信息；依据所述植被指数信息确定所述目标作物区域中目标作物所属的生长阶段。
12.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至9中任意一项所述的作物生长阶段的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011483094.4A CN112580491A (zh) | 2020-12-15 | 2020-12-15 | 作物生长阶段的确定方法、装置、非易失性存储装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011483094.4A CN112580491A (zh) | 2020-12-15 | 2020-12-15 | 作物生长阶段的确定方法、装置、非易失性存储装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112580491A true CN112580491A (zh) | 2021-03-30 |
Family
ID=75135567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011483094.4A Pending CN112580491A (zh) | 2020-12-15 | 2020-12-15 | 作物生长阶段的确定方法、装置、非易失性存储装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112580491A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953391A (zh) * | 2023-03-08 | 2023-04-11 | 吉林大学 | 水稻物候指数监测系统及方法 |
| CN115953694A (zh) * | 2022-12-29 | 2023-04-11 | 北大荒信息有限公司 | 一种基于卫星遥感影像的叶龄空间分布检测方法 |
| CN116341920A (zh) * | 2023-05-29 | 2023-06-27 | 成都金雅图科技有限公司 | 一种基于云计算的农业风险预警系统及方法 |
-
2020
- 2020-12-15 CN CN202011483094.4A patent/CN112580491A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953694A (zh) * | 2022-12-29 | 2023-04-11 | 北大荒信息有限公司 | 一种基于卫星遥感影像的叶龄空间分布检测方法 |
| CN115953391A (zh) * | 2023-03-08 | 2023-04-11 | 吉林大学 | 水稻物候指数监测系统及方法 |
| CN115953391B (zh) * | 2023-03-08 | 2023-08-15 | 吉林高分遥感应用研究院有限公司 | 水稻物候指数监测系统及方法 |
| CN116341920A (zh) * | 2023-05-29 | 2023-06-27 | 成都金雅图科技有限公司 | 一种基于云计算的农业风险预警系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112580491A (zh) | 作物生长阶段的确定方法、装置、非易失性存储装置 | |
| AU2019333920A1 (en) | Method and system for plant stress determination and irrigation based thereon | |
| JP5626056B2 (ja) | 農作物画像処理プログラム、農作物画像処理方法及び農作物画像処理装置 | |
| GB2598012A (en) | System and method for crop monitoring | |
| CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
| CN114140692A (zh) | 基于无人机遥感和深度学习的鲜食玉米成熟度预测方法 | |
| Yang et al. | A VI-based phenology adaptation approach for rice crop monitoring using UAV multispectral images | |
| US20210360885A1 (en) | Crop coefficients and use thereof for irrigation guidance | |
| CN115577866A (zh) | 物候期预测方法、装置、电子设备和存储介质 | |
| CN112304902A (zh) | 一种农作物物候的实时监测方法和装置 | |
| CN115620151A (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
| Dvorak et al. | Predicting quality and yield of growing alfalfa from a UAV | |
| US11864552B2 (en) | Digital detection method and system for predicting drug resistance of transgenic maize | |
| CN116308866B (zh) | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 | |
| Ahmad et al. | Spatio-temporal analysis of chickpea crop in arid environment by comparing high-resolution UAV image and LANDSAT imagery | |
| CN116482041A (zh) | 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统 | |
| CN116757332A (zh) | 叶菜产量预测方法、装置、设备及介质 | |
| CN115797764A (zh) | 一种应用于耕地非农化监测的遥感大数据解译方法及系统 | |
| CN117292267B (zh) | 一种基于物候信息的水稻地上生物量分段估算方法及系统 | |
| CN111143601A (zh) | 一种图像处理方法 | |
| AU2021100045A4 (en) | Soil health monitoring using drones and Augmented reality in agricultural Regions | |
| US20240169721A1 (en) | Computer-implemented method for providing corrected plant-related index data | |
| Alsadik et al. | UAV Remote Sensing for Smart Agriculture | |
| CN115349340B (zh) | 基于人工智能的高粱施肥控制方法及系统 | |
| Chandel et al. | Mapping apple canopy attributes using aerial multispectral imagery for precision crop inputs management |
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: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant after: Guangzhou Jifei Technology Co.,Ltd. Address before: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant before: Guangzhou Xaircraft Technology Co.,Ltd. |
|
| CB02 | Change of applicant information |