CN112883251B - 一种基于多星联合的农业辅助系统 - Google Patents

一种基于多星联合的农业辅助系统 Download PDF

Info

Publication number
CN112883251B
CN112883251B CN202110027169.6A CN202110027169A CN112883251B CN 112883251 B CN112883251 B CN 112883251B CN 202110027169 A CN202110027169 A CN 202110027169A CN 112883251 B CN112883251 B CN 112883251B
Authority
CN
China
Prior art keywords
data
growth
agricultural
crops
crop
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
Application number
CN202110027169.6A
Other languages
English (en)
Other versions
CN112883251A (zh
Inventor
周蕊
欧毅
王茜
王克晓
虞豹
黄祥
查茜
李波
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.)
Chongqing Academy of Agricultural Sciences
Original Assignee
Chongqing Academy of Agricultural Sciences
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 Chongqing Academy of Agricultural Sciences filed Critical Chongqing Academy of Agricultural Sciences
Priority to CN202110027169.6A priority Critical patent/CN112883251B/zh
Publication of CN112883251A publication Critical patent/CN112883251A/zh
Application granted granted Critical
Publication of CN112883251B publication Critical patent/CN112883251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Environmental Sciences (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Image Processing (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Marketing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Agronomy & Crop Science (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Animal Husbandry (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Atmospheric Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于多星联合的农业辅助系统，包括，多星多元数据监测模块、异构数据计算模块、多时相序列数据优化模块和三维显示模块四个模块，通过多种不同的遥感影像图，在构建的数据处理平台将计算和存储进行数据处理，然后根据时间因素将农作物的生长状况按照时间进行划分，最终将划分的数据通过构建数字高程模型，得到具体的种植信息。本发明有益效果在于：本发明能够基于多个卫星的联合数据，对一定区域或者不同区域的农作物生长状况的影响因素的数据进行处理，实现农业生长数据的模拟显示，最终通过模拟显示的图像数据实现对农作物的生长状况进行播报，进而通过播报信息辅助农作物生长。

Description

一种基于多星联合的农业辅助系统
技术领域
本发明涉及农作物生长技术领域，特别涉及一种基于多星联合的农业辅助系统。
背景技术
目前，遥感卫星技术可以通过观察农作物光合作用，判断农作物的生长状况，但是现有技术中，常用的作物光能利用率模型存在一些局限性，模型中光能利用率的算法没有考虑叶片氮素、光强等因素，模型使用遥感产品只限于遥感FAPAR，而其他遥感产品如叶绿素含量、光合有效辐射量等难以参与光能利用率、光合有效辐射吸收比以及生物量的估算，但是现有技术中对于农作物的生长状况计算单一，无法全方面的体现出农作物生长的总体情况。
发明内容
本发明提供一种基于多星联合的农业辅助系统，用以解决现有技术中对于农作物的生长状况计算单一，无法全方面的体现出农作物生长的总体情况。
一种基于多星联合的农业辅助系统，包括：
多星多元数据监测模块：用于获取多卫星的多维数据，并基于云影检测和自动拼接，将像素级和特征级的多维数据进行融合，确定多元数据；
异构数据计算模块：用于基于高性能异构计算构建数据计算和存储的数据处理平台，并基于所述数据处理平台对所述多元数据进行处理，获取农业数据；
多时相序列数据优化模块：用于根据所述农业数据，确定农田中农作物的生长状况数据，并通过多时相序列对所述生长状况进行划分，确定划分数据；
三维显示模块：用于根据所述划分数据，对不同区域的农田信息构建数字高程模型，生成农田的三维模拟显示图像，并通过所述三位模拟显示图像实时播报农田种植信息。
作为本发明的一种实施例：所述多星多元数据监测模块包括：
多星数据获取单元：用于分别通过不同的遥感卫星对农田进行监控，确定农田的多维数据；其中，
所述多维数据包括：植被数据、作物冠层数据、气象数据、光合有效辐射数据、叶绿素数据、气象数据和温度数据；
数据特征分类单元：用于将所述多维数据进行分级划分，确定像素级数据和特征级数据，并将所述像素级数据和特征级数据相对应，确定所述多维数据的重叠点；
数据融合单元：用于获取所述多维数据的云影图像，并基于云影检测对所述云影图像中多元数据进行渲染，将渲染后的云影图像通过所述重叠点进行配准后自动拼接，生成多元数据。
作为本发明的一种实施例：所述多星多元数据监测模块包括：
卫星数据对接单元：用于获取农作物的生长关联因素，并确定所述生长关联因素对应的检测方式，根据所述检测方式确定对应的遥感卫星，并与遥感卫星进行数据对接；
数据判定单元：用于根据像素位置和像素颜色，提取所述多元数据中的像素级数据，并根据所述像素位置和像素颜色代表的农作物生长状况特征，提取所述多元数据中的特征级数据；
融合判断单元：用于根据所述农作物的生长关联因素，判断云影图像中生长关联因素对应的关联位置，并对所述关联位置进行渲染。
作为本发明的一种实施例：所述异构数据计算模块包括：
数据计算单元：用于预先通过农业数据的类型和所述确定计算方式，并根据所述计算方式，确定对应的数据处理器，通过数据处理器构建数据异构计算平台；
数据存储单元：用于根据所述数据异构计算平台的计算方式，确定对应的数据处理其的数据接口，并根据所述数据接口分别对接不同的云端数据存储空间，构成数据异构的云端存储平台；
数据处理平台生成单元：用于根据所述数据异构计算平台和云端存储平台组成数据处理平台；
数据处理单元：用于将所述多元数据传输至所述数据处理平台，并根据所述数据处理平台将所述多元数据通过预设的农业数据筛选规则进行筛选，确定农业数据；其中，
所述农业数据筛选规则包括：农作物类型筛选规则、农作物生长气象因素筛选规则和农作物生长环境因素筛选规则。
作为本发明的一种实施例：所述异构数据计算模块还包括：
目标数据检测单元：用于根据所述数据处理平台，对所述多元数据进行数据检测，并根据数据检测的结果，将所述多元数据通过不同的数据计算通道进行处理；其中，
所述数据检测包括数据类型检测、数据内容检测和数据格式检测；
农业数据获取单元：用于对云端数据中心，通过预设的爬虫算法爬取农业相关数据，并根据所述农业相关数据，确定在农作物生长中的农业数据，并将所述农业数据存储在云端数据库。
作为本发明的一种实施例：所述多时相序列数据优化模块包括：
生长状况确定单元:用于将所述农业数据导入预设的农作物生长模型，根据所述农作物生长模型的输出值，确定农作物的生长状况；
时相数据获取单元：用于获取所述农业数据中每一份农业数据的遥感影像，并确定所述遥感影像的获取时间，根据所述获取时间将所述农业数据中同一时刻的农业数据作为一个数据序列，并基于时间轴生成数据序列集合；
生长期数据划分单元：用于根据所述数据序列集合，确定不同数据序列对应的生长期，并根据所述生长期，确定生长期划分数据。
作为本发明的一种实施例：所述多时相序列数据优化模块包括：
生长期确定单元：用于将所述生长状况数据按照农作物进行划分，生成农作物生长数据集合，并通过农作物生长数据集合与预设农作物生长期判断标准数据进行对比，判断不同农作物的生长期；
纹理特征单元：用于根据不同农作物的生长期，在所述农业数据中提取农作物的纹理特征数据；
纹理数据划分单元：用于根据所述农作物的纹理特征数据将所述生长状况数据进行划分，确定纹理划分数据。
作为本发明的一种实施例：所述三维显示模块包括：
映射单元：用于将所述多维数据通过高精度数字高程模型进行自适应微面元分解，，建立从专题平面向地形曲面转换的映射关系，逐一对各面元进行三维地形拟合，求取三维曲面面积，获得农作物的种植面积；
云影显示单元：用于将所述农作物的种植面积在所述云影显示单元上进行显示，确定每种农作物的位置信息和面积信息。
作为本发明的一种实施例：所述三维显示模块还包括：
三维显示单元：用于将所述划分数据通过3D仿真模拟技术进行三维显示，生成基于农业场景的三维模拟显示图像；
播报单元：用于根据所述三维模拟显示图像，确定每一时刻农作物的生长状况，并在生长状况不良时，播报农作物生长不良的状态；
动态更新单元：用于根据获取实时的多元数据，并通过实时的多元数据更新所述三维模拟显示图像。
作为本发明的一种实施例：所述播报单元确定每一时刻农作物的生长状况，包括以下步骤：
步骤1根据所述三维模拟显示图像，生成农作物实时动态显示模型H：
Figure BDA0002890712500000051
其中，At表示t时刻农作物的环境特征；Bt表示t时刻农作物的气象特征；Ct表示t时刻农作物的自身状态特征；δ表示农作物的误差系数；ρ表示农作物的总体面积；σ表示农作物的分布特征；θ表示农作物的平均生长常数；β所述农作物的生长时间均值；t表示时刻，T表示农作物的总生长周期；
步骤2：根据所述农作物实时动态显示模型，将生长状态判断标准模型融入，确定农作物的生长状态：
Figure BDA0002890712500000052
其中，
Figure BDA0002890712500000061
表示农作物生长异常的概率，且取值范围为[-1，1]；ω表示筛选概率因子；γ表示农作物生长异常的判断系数；κ表示所述三维模拟显示图像的总数居量；φ表示农作物正长异常的判断系数；Γ表示误筛率，且取值范围为[0,0.3]；α表示所述三维模拟显示图像的综合特征值；当
Figure BDA0002890712500000062
农作物生长良好；当
Figure BDA0002890712500000063
农作物生长不良。
本发明的有益效果在于：本发明能够基于多个卫星的联合数据，对一定区域或者不同区域的农作物生长状况的影响因素的数据进行处理，实现农业生长数据的模拟显示，最终通过模拟显示的图像数据实现对农作物的生长状况进行播报，进而通过播报信息辅助农作物生长。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1为本发明实施例中一种基于多星联合的农业辅助系统的系统组成图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如附图1所示，一种基于多星联合的农业辅助系统，包括：
多星多元数据监测模块：用于获取多卫星的多维数据，并基于云影检测和自动拼接，将像素级和特征级的多维数据进行融合，确定多元数据；
异构数据计算模块：用于基于高性能异构计算构建数据计算和存储的数据处理平台，并基于所述数据处理平台对所述多元数据进行处理，获取农业数据；
多时相序列数据优化模块：用于根据所述农业数据，确定农田中农作物的生长状况数据，并通过多时相序列对所述生长状况进行划分，确定划分数据；
三维显示模块：用于根据所述划分数据，对不同区域的农田信息构建数字高程模型，生成农田的三维模拟显示图像，并通过所述三位模拟显示图像实时播报农田种植信息。
上述技术方案额原理在于：本发明是一种基于多星联合的农业辅助系统，多星多元数据监测模块，用于对接卫星，接收卫星采集的数据，卫星的数据以遥感影像进行传输，因为有多个卫星，监测的农业的方方面面，例如：影响农业的天气、温度、辐射、光照等。即，存在多种数据，本发明获取的是多维数据。多维数据存在多种不同的遥感影像图，因此本发明基于云影检测和自动拼接实现的到多元数据，多元数据就是多种元素组合而成的融合数据。异构数据计算模块用于通过构建的数据处理平台将计算和存储两个不同的数据处理步骤对接而且可以并行运行，需要计算的先计算在传输至存储空间存储，云端服务器在进行存储的同时可以辅助进行计算，最后通过处理得到农业数据。多时相序列数据优化模块时根据时间因素将农作物的生长状况按照时间进行划分，最终将划分的数据通过构建数字高程模型，得到具体的种植信息。
上述技术方案的有益效果在于：本发明能够基于多个卫星的联合数据，对一定区域或者不同区域的农作物生长状况的影响因素的数据进行处理，实现农业生长数据的模拟显示，最终通过模拟显示的图像数据实现对农作物的生长状况进行播报，进而通过播报信息辅助农作物生长。
作为本发明的一种实施例：所述多星多元数据监测模块包括：
多星数据获取单元：用于分别通过不同的遥感卫星对农田进行监控，确定农田的多维数据；其中，
所述多维数据包括：植被数据、作物冠层数据、气象数据、光合有效辐射数据、叶绿素数据、气象数据和温度数据；
数据特征分类单元：用于将所述多维数据进行分级划分，确定像素级数据和特征级数据，并将所述像素级数据和特征级数据相对应，确定所述多维数据的重叠点；像素级数据就是能够拍照拍到得数据，而特征级数据就是温度、光照那种非自然的数据。
数据融合单元：用于获取所述多维数据的云影图像，并基于云影检测对所述云影图像中多元数据进行渲染，将渲染后的云影图像通过所述重叠点进行配准后自动拼接，生成多元数据。
上述技术方案的原理在于：本发明在数据获取阶段通过不同的遥感卫星对农田进行监控，获取不同的和农作物生长相关的数据，数据具体包括：植被数据、作物冠层数据、气象数据、光合有效辐射数据、叶绿素数据、气象数据和温度数据。在进行数据分类的时候，基于重叠点是按图像拼接，进而得到的拼接的遥感图像是能够显示其它卫星的监控数据，而且还能扩展没监控到的地方。
上述技术方案的有益效果在于：本发明通过多个不同的卫星获取多种数据，有利于通过大量的数据实现对农作物生长状况的精确计算，通过一个综合拼接的遥感影像图作为数据，减少了数据运算量。
作为本发明的一种实施例：所述多星多元数据监测模块包括：
卫星数据对接单元：用于获取农作物的生长关联因素，并确定所述生长关联因素对应的检测方式，根据所述检测方式确定对应的遥感卫星，并与遥感卫星进行数据对接；例如：辐射，就要确定辐射的检测方式，然后选择对应的卫星，确定太阳的辐射数据。根据检测方式，确定卫星有利于直接、高效率获取数据。
数据判定单元：用于根据像素位置和像素颜色(位置唯一，颜色不唯一，因此通过位置和颜色对应，提取像素级数据，属于一种位置标记方法)，提取所述多元数据中的像素级数据，并根据所述像素位置和像素颜色代表的农作物生长状况特征，提取所述多元数据中的特征级数据；根据生长状况提取特征级数据，是首先通过可以看得到的因素，判断农作物成长怎么样。例如，当农作物干枯时，就会提取温度数据。
融合判断单元：用于根据所述农作物的生长关联因素，判断云影图像中生长关联因素对应的关联位置，并对所述关联位置进行渲染。例如生长关联因素是辐射，就会对辐射强的位置和辐射弱的位置进行渲染，渲染成不同的颜色。
上述技术方案的原理和有益效果在于：因为不同的卫星，具有的频段不同，能监控的农作物的生长数据是不同的，因此本发明通过不同的检测方式实现对数据获取方式的确定。数据判定，判定的是遥感影像图中颜色，不同的颜色代表不同的数据，融合判断是为了在重叠区域实现渲染，更清晰的表示数据。
作为本发明的一种实施例：所述异构数据计算模块包括：
数据计算单元：用于预先通过农业数据的类型确定计算方式，并根据所述计算方式，确定对应的数据处理器，通过数据处理器构建数据异构计算平台；农业数据的类型不行，计算方式也不同，例如温度计算和辐射数据，计算的公式和方程都是不同的。数据处理器是一种虚拟的数据处理程序，用于对不同的数据继续宁不同方式的处理，构建不同的数据异构计算平台。
数据存储单元：用于根据所述数据异构计算平台的计算方式，确定对应的数据处理其的数据接口，并根据所述数据接口分别对接不同的云端数据存储空间，构成数据异构的云端存储平台；为了让数据处理的迅速，而且有便于区分，不同的数据在处理时，具有不同的数据接口，然后计算的过程、结果都存储在不同的云端存储平台，实现存储。
数据处理平台生成单元：用于根据所述数据异构计算平台和云端存储平台组成数据处理平台；两个单独的平台，组合成一个综合处理平台，能够进行综合处理，还不影响原有的处理能力。
数据处理单元：用于将所述多元数据传输至所述数据处理平台，并根据所述数据处理平台将所述多元数据通过预设的农业数据筛选规则进行筛选，确定农业数据；其中，多元数据中可能存在于农作物生长无关的数据，例如：遥感数据中存在，某一个农田中心部位没有生长农作物，但是在数据获取时，将这一部分标注了，但是这不是农业数据，但是在进行处理时根本没有任何作用。或者，风力数据，在风力的强度不足以影响农作物时，也会筛除风力数据。
所述农业数据筛选规则包括：农作物类型筛选规则、农作物生长气象因素筛选规则和农作物生长环境因素筛选规则。
上述技术方案的原理和有益效果在于：本发明在进行数据计算的时候，根据数据的类型，确定对应的数据处理器，对数据进行处理，又有利于提高数据处理效率；数据存储的时候通过不同的数据接口进行数据储存，可以防止数据传输错误或者数据混淆。最终的数据处理单元通过不同的农业数据筛选规则，实现数据的精确筛选。
作为本发明的一种实施例：所述异构数据计算模块还包括：
目标数据检测单元：用于根据所述数据处理平台，对所述多元数据进行数据检测，并根据数据检测的结果，将所述多元数据通过不同的数据计算通道进行处理；其中，
所述数据检测包括数据类型检测、数据内容检测和数据格式检测；
分通道进行计算，也是一种分通道进行传输的步骤，有利于数据的区分，提高计算效率。
农业数据获取单元：用于基于云端数据中心，通过预设的爬虫算法爬取农业相关数据，并根据所述农业相关数据，确定在农作物生长中的农业数据，并将所述农业数据存储在云端数据库。数据处理时，肯定需要数据的支持，因此，本发明采用爬虫算法爬取农业相关数据，具体的爬虫算法由本领域的技术人员进行设计，或者选用通用爬虫算法，但是这只其数据爬取规则。
上述技术方案的原理和有益效果在于：本发明还包括对数据进行处理的单元，主要是用于将数据进行检测，进而通过不同的通道对数据进行处理，最终将数据输入通道内处理，有利于保证数据的完整，而有利于提高数据监测效率。因为需要对农业数据进行对比处理，本发明通过爬虫算法抓取农业相关数据，最终储存在云端数据库。
作为本发明的一种实施例：所述多时相序列数据优化模块包括：
生长状况确定单元:用于将所述农业数据导入预设的农作物生长模型，根据所述农作物生长模型的输出值(输出值时一种分值，通过分值判定生长状况)，确定农作物的生长状况；
时相数据获取单元：用于获取所述农业数据中每一份农业数据的遥感影像，并确定所述遥感影像的获取时间，根据所述获取时间将所述农业数据中同一时刻的农业数据作为一个数据序列，并基于时间轴生成数据序列集合；根据时间形成数据序列，有利于判断在不同时间农业作为的生长状况。
生长期数据划分单元：用于根据所述数据序列集合，确定不同数据序列对应的生长期，并根据所述生长期，确定生长期划分数据。上生长期是农作物的生长期，主要是筛选出还在生长的农作物，生长期划分数据表示不同农作物生长期的数据。便于帮助用户在农作物生长期辅助农作物生长。
上述技术方案的原理和有益效果在于：本发明会通过预设的农作物生长模型判断农作物的生长转状况，农作物生长模型的输出值具有对应的唯一生长状况的判断系数，实现生长状况的精确获取。时相数据获取单元通过农业数据中每一份农业数据的遥感影像和时间内的对应关系，得到基于时间的数据序列，最终基于时间轴建立数据序列集合，并根据数据序列可以根据农作物的生长期划分农作物数据。
作为本发明的一种实施例：所述多时相序列数据优化模块包括：
生长期确定单元：用于将所述生长状况数据按照农作物进行划分，生成农作物生长数据集合，并通过农作物生长数据集合与预设农作物生长期判断标准数据进行对比，判断不同农作物的生长期；预设农作物生长期判断标准数据这就是爬虫算法爬取的农作物生长期数据。
纹理特征单元：用于根据不同农作物的生长期，在所述农业数据中提取农作物的纹理特征数据；纹理特征数据就是农作物的具体的长相特征。
纹理数据划分单元：用于根据所述农作物的纹理特征数据将所述生长状况数据进行划分，确定纹理划分数据。纹理划分数据是为了将农作物进行细分，因为有些农作物长相是相似的。
上述技术方案的原理和有益效果在于：本发明通过生长状况数据对农作物进行划分，并基于农作物生长数据集合与预设农作物生长期判断标准数据进行对比，确定农作物生长周期，有利于高效判断农作物生长周期。纹理特征有益于农作物按照纹理特征划分，双重的划分方式，有益于数据的精确处理。
作为本发明的一种实施例：所述三维显示模块包括：
映射单元：用于将所述多维数据通过高精度数字高程模型进行自适应微面元分解，建立从主体平面向地形曲面转换的映射关系，逐一对各面元进行三维地形拟合，求取三维曲面面积，获得农作物的种植面积；通过高精度数字高程模型进行自适应微面元分解是根据多维数据进行数字化模拟的时候，在很小的尺度下进行分解处理(微面元分解)，然后再很小的尺度下进行一一映射，因而得到的三维地形更加符合实际。
云影显示单元：用于将所述农作物的种植面积在所述云影显示单元上进行显示，确定每种农作物的位置信息和面积信息。
上述技术方案的原理和有益效果在于：本发明在进行曲面转换映射的时候基于高精度数字高程模型进行自适应微面元分解，，建立从专题平面向地形曲面转换的映射关系，逐一对各面元进行三维地形拟合，求取三维曲面面积，获得农作物的种植面积；获得农作物的种植面积的时候就可以对农作物进行全面模拟显示，进而可以在云影图像，即遥感影像上进行显示。
作为本发明的一种实施例：所述三维显示模块还包括：
三维显示单元：用于将所述划分数据通过3D仿真模拟技术进行三维显示，生成基于农业场景的三维模拟显示图像；
播报单元：用于根据所述三维模拟显示图像，确定每一时刻农作物的生长状况，并在生长状况不良时，播报农作物生长不良的状态；
动态更新单元：用于获取实时的多元数据，并通过实时的多元数据更新所述三维模拟显示图像。更新数据时实时数据，可以使得本发明的系统始终处于一个更新状态。
上述技术方案的原理和有益效果在于：本发明在进行三维显示的时候是基于3D仿真模拟技术进行对数据的三维显示。播报单元可以在农作物生长状况不良的时候进行播报，从而能使得可以对农作物的生长状况进行知晓，进而通过人工辅助农作物的生长。
作为本发明的一种实施例：所述播报单元确定每一时刻农作物的生长状况，包括以下步骤：
步骤1：根据所述三维模拟显示图像，生成农作物实时动态显示模型H：
Figure BDA0002890712500000141
其中，At表示t时刻农作物的环境特征；Bt表示t时刻农作物的气象特征；Ct表示t时刻农作物的自身状态特征；δ表示农作物的误差系数；ρ表示农作物的总体面积；σ表示农作物的分布特征；θ表示农作物的平均生长常数；β所述农作物的生长时间均值；t表示时刻，T表示农作物的总生长周期；
步骤2：根据所述农作物实时动态显示模型，将生长状态判断标准模型融入，确定农作物的生长状态：
Figure BDA0002890712500000151
其中，
Figure BDA0002890712500000152
表示农作物生长异常的概率，且取值范围为[-1，1]；ω表示筛选概率因子；γ表示农作物生长异常的判断系数；κ表示所述三维模拟显示图像的总数居量；φ表示农作物正长异常的判断系数；Γ表示误筛率，且取值范围为[0,0.3]；α表示所述三维模拟显示图像的综合特征值；当
Figure BDA0002890712500000153
农作物生长良好；当
Figure BDA0002890712500000154
农作物生长不良。
上述技术方案的原理和有益效果在于：本发明在对农作物的实时状态进行显示的时候，因为是以三维模拟显示图像进行显示，因此，数据越多，进行显示时，越精确，因此本发明引入了农作物的环境特征、农作物的气象特征和农作物的自身状态特征。农作物的总体面积，用于均匀化每个农作物的状态，生长时间均值有益于在时间上确定农作物的普遍状态。而在生长状态判断的时候，引入农作物生长异常的概率，农作物生长异常的判断系数，三维模拟显示图像的综合特征值对最终的生长状态进行判断，确定具体的生长情况，而且本发明
Figure BDA0002890712500000155
取值范围为[-1，1]，可以将其生长状况都生成唯一对称值。在小于0时，表示生长状况已经不足以保持农作物健康生长。而在大于0时，代表农作物有一定的成熟机率。
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 (8)

1.一种基于多星联合的农业辅助系统，其特征在于，包括：
多星多元数据监测模块：用于获取多卫星的多维数据，并基于云影检测和自动拼接，将像素级和特征级的多维数据进行融合，确定多元数据；
异构数据计算模块：用于基于高性能异构计算构建数据计算和存储的数据处理平台，并基于所述数据处理平台对所述多元数据进行处理，获取农业数据；
多时相序列数据优化模块：用于根据所述农业数据，确定农田中农作物的生长状况数据，并通过多时相序列对所述生长状况进行划分，确定划分数据；
三维显示模块：用于根据所述划分数据，对不同区域的农田信息构建数字高程模型，生成农田的三维模拟显示图像，并通过所述三维模拟显示图像实时播报农田种植信息；
其中，所述多星多元数据监测模块包括：
多星数据获取单元：用于分别通过不同的遥感卫星对农田进行监控，确定农田的多维数据；其中，
所述多维数据包括：植被数据、作物冠层数据、气象数据、光合有效辐射数据、叶绿素数据、气象数据和温度数据；
数据特征分类单元：用于将所述多维数据进行分级划分，确定像素级数据和特征级数据，并将所述像素级数据和特征级数据相对应，确定所述多维数据的重叠点；
数据融合单元：用于获取所述多维数据的云影图像，并基于云影检测对所述云影图像中多元数据进行渲染，将渲染后的云影图像通过所述重叠点进行配准后自动拼接，生成多元数据；
所述多星多元数据监测模块，还包括：
卫星数据对接单元：用于获取农作物的生长关联因素，并确定所述生长关联因素对应的检测方式，根据所述检测方式确定对应的遥感卫星，并与遥感卫星进行数据对接；
数据判定单元：用于根据像素位置和像素颜色，提取所述多元数据中的像素级数据，并根据所述像素位置和像素颜色代表的农作物生长状况特征，提取所述多元数据中的特征级数据；
融合判断单元：用于根据所述农作物的生长关联因素，判断云影图像中生长关联因素对应的关联位置，并对所述关联位置进行渲染。
2.如权利要求1所述的一种基于多星联合的农业辅助系统，其特征在于，所述异构数据计算模块包括：
数据计算单元：用于预先通过农业数据的类型确定计算方式，并根据所述计算方式，确定对应的数据处理器，通过数据处理器构建数据异构计算平台；
数据存储单元：用于根据所述数据异构计算平台的计算方式，确定对应的数据处理其的数据接口，并根据所述数据接口分别对接不同的云端数据存储空间，构成数据异构的云端存储平台；
数据处理平台生成单元：用于根据所述数据异构计算平台和云端存储平台组成数据处理平台；
数据处理单元：用于将所述多元数据传输至所述数据处理平台，并根据所述数据处理平台将所述多元数据通过预设的农业数据筛选规则进行筛选，确定农业数据；其中，
所述农业数据筛选规则包括：农作物类型筛选规则、农作物生长气象因素筛选规则和农作物生长环境因素筛选规则。
3.如权利要求1所述的一种基于多星联合的农业辅助系统，其特征在于，所述异构数据计算模块还包括：
目标数据检测单元：用于根据所述数据处理平台，对所述多元数据进行数据检测，并根据数据检测的结果，将所述多元数据通过不同的数据计算通道进行处理；其中，
所述数据检测包括数据类型检测、数据内容检测和数据格式检测；
农业数据获取单元：用于对云端数据中心，通过预设的爬虫算法爬取农业相关数据，并根据所述农业相关数据，确定在农作物生长中的农业数据，并将所述农业数据存储在云端数据库。
4.如权利要求1所述的一种基于多星联合的农业辅助系统，其特征在于，所述多时相序列数据优化模块包括：
生长状况确定单元:用于将所述农业数据导入预设的农作物生长模型，根据所述农作物生长模型的输出值，确定农作物的生长状况；
时相数据获取单元：用于获取所述农业数据中每一份农业数据的遥感影像，并确定所述遥感影像的获取时间，根据所述获取时间将所述农业数据中同一时刻的农业数据作为一个数据序列，并基于时间轴生成数据序列集合；
生长期数据划分单元：用于根据所述数据序列集合，确定不同数据序列对应的生长期，并根据所述生长期，确定生长期划分数据。
5.如权利要求1所述的一种基于多星联合的农业辅助系统，其特征在于，所述多时相序列数据优化模块包括：
生长期确定单元：用于将所述生长状况数据按照农作物进行划分，生成农作物生长数据集合，并通过农作物生长数据集合与预设农作物生长期判断标准数据进行对比，判断不同农作物的生长期；
纹理特征单元：用于根据不同农作物的生长期，在所述农业数据中提取农作物的纹理特征数据；
纹理数据划分单元：用于根据所述农作物的纹理特征数据将所述生长状况数据进行划分，确定纹理划分数据。
6.如权利要求1所述的一种基于多星联合的农业辅助系统，其特征在于，所述三维显示模块包括：
映射单元：用于将所述多维数据通过高精度数字高程模型进行自适应微面元分解，建立从主体平面向地形曲面转换的映射关系，逐一对各面元进行三维地形拟合，求取三维曲面面积，获得农作物的种植面积；
云影显示单元：用于将所述农作物的种植面积在所述云影显示单元上进行显示，确定每种农作物的位置信息和面积信息。
7.如权利要求1所述的一种基于多星联合的农业辅助系统，其特征在于，所述三维显示模块还包括：
三维显示单元：用于将所述划分数据通过3D仿真模拟技术进行三维显示，生成基于农业场景的三维模拟显示图像；
播报单元：用于根据所述三维模拟显示图像，确定每一时刻农作物的生长状况，并在生长状况不良时，播报农作物生长不良的状态；
动态更新单元：用于获取实时的多元数据，并通过实时的多元数据更新所述三维模拟显示图像。
8.如权利要求7所述的一种基于多星联合的农业辅助系统，其特征在于，所述播报单元确定每一时刻农作物的生长状况，包括以下步骤：
步骤1根据所述三维模拟显示图像，生成农作物实时动态显示模型H：
Figure FDA0003752265400000051
其中，At表示t时刻农作物的环境特征；Bt表示t时刻农作物的气象特征；Ct表示t时刻农作物的自身状态特征；δ表示农作物的误差系数；ρ表示农作物的总体面积；σ表示农作物的分布特征；θ表示农作物的平均生长常数；β所述农作物的生长时间均值；t表示时刻，T表示农作物的总生长周期；
步骤2：根据所述农作物实时动态显示模型，将生长状态判断标准模型融入，确定农作物的生长状态：
Figure FDA0003752265400000052
其中，
Figure FDA0003752265400000053
表示农作物生长异常的概率，且取值范围为[-1，1]；ω表示筛选概率因子；γ表示农作物生长异常的判断系数；κ表示所述三维模拟显示图像的总数居量；φ表示农作物正长异常的判断系数；Γ表示误筛率，且取值范围为[0,0.3]；α表示所述三维模拟显示图像的综合特征值；当
Figure FDA0003752265400000054
农作物生长良好；当
Figure FDA0003752265400000055
农作物生长不良。
CN202110027169.6A 2021-01-09 2021-01-09 一种基于多星联合的农业辅助系统 Active CN112883251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110027169.6A CN112883251B (zh) 2021-01-09 2021-01-09 一种基于多星联合的农业辅助系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110027169.6A CN112883251B (zh) 2021-01-09 2021-01-09 一种基于多星联合的农业辅助系统

Publications (2)

Publication Number Publication Date
CN112883251A CN112883251A (zh) 2021-06-01
CN112883251B true CN112883251B (zh) 2023-01-10

Family

ID=76047513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110027169.6A Active CN112883251B (zh) 2021-01-09 2021-01-09 一种基于多星联合的农业辅助系统

Country Status (1)

Country Link
CN (1) CN112883251B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110942039A (zh) * 2019-11-29 2020-03-31 中国农业科学院农业资源与农业区划研究所 一种主要农作物高温灾害遥感监测预报系统及方法
CN111931711A (zh) * 2020-09-17 2020-11-13 北京长隆讯飞科技有限公司 一种多源异构遥感大数据处理方法和装置
CN111949817A (zh) * 2020-09-09 2020-11-17 中国农业科学院农业信息研究所 基于遥感影像的农作物信息展示系统、方法、设备及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130104455A1 (en) * 2011-05-13 2013-05-02 David P. Groeneveld Method and System for Remote Sensing and Limited Field Sampling to Prescribe and Deliver Soil Amendments Targeted Discretely Across Cultivated Fields
CN109284706B (zh) * 2018-09-12 2023-12-01 国际商业机器（中国)投资有限公司 基于多源卫星遥感数据的热点网格工业聚集区域识别方法
CN109670002A (zh) * 2018-12-04 2019-04-23 中国农业机械化科学研究院 一种农田田块信息的多维表示方法
CN109886207B (zh) * 2019-02-25 2023-01-06 上海交通大学 基于图像风格迁移的广域监测系统及方法
CN110766795B (zh) * 2019-10-11 2023-05-12 中国人民解放军国防科技大学 一种三维星地链路密织网探测三维降雨场的方法及系统
CN111008941B (zh) * 2019-11-29 2023-10-24 中国农业科学院农业资源与农业区划研究所 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110942039A (zh) * 2019-11-29 2020-03-31 中国农业科学院农业资源与农业区划研究所 一种主要农作物高温灾害遥感监测预报系统及方法
CN111949817A (zh) * 2020-09-09 2020-11-17 中国农业科学院农业信息研究所 基于遥感影像的农作物信息展示系统、方法、设备及介质
CN111931711A (zh) * 2020-09-17 2020-11-13 北京长隆讯飞科技有限公司 一种多源异构遥感大数据处理方法和装置

Also Published As

Publication number Publication date
CN112883251A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
Chen et al. Assessment of MODIS-EVI, MODIS-NDVI and VEGETATION-NDVI composite data using agricultural measurements: An example at corn fields in western Mexico
CN111678866B (zh) 一种多模型集成学习的土壤含水量反演方法
Johnson et al. Mapping vineyard leaf area with multispectral satellite imagery
CN106918816B (zh) 农作物长势监测系统及其数据处理方法和模块
Jin et al. High-throughput measurements of stem characteristics to estimate ear density and above-ground biomass
Sharifi Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images
Varela et al. Spatio-temporal evaluation of plant height in corn via unmanned aerial systems
CN108766203B (zh) 一种紧致极化水稻制图的方法及系统
CN111666827B (zh) 一种林业病虫害智能识别方法及系统
Chen et al. Global datasets of leaf photosynthetic capacity for ecological and earth system research
CN114239756B (zh) 一种虫害检测方法及系统
CN111723711A (zh) 基于Pléiades和面向对象的地膜信息提取方法及系统
Han et al. Rice yield estimation using a CNN-based image-driven data assimilation framework
Song et al. Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data
CN114821360A (zh) 作物叶面积指数智能化提取方法、装置及电子设备
CN113570273A (zh) 一种灌溉耕地统计数据的空间化方法及系统
CN112883251B (zh) 一种基于多星联合的农业辅助系统
Qu et al. Mapping large area tea plantations using progressive random forest and Google Earth Engine
CN108985154B (zh) 基于影像聚集度的小尺寸地物亚像元定位方法和系统
Basnyat et al. Agriculture field characterization using aerial photograph and satellite imagery
Zou et al. Combining spectral and texture feature of UAV image with plant height to improve LAI estimation of winter wheat at jointing stage
Feng et al. Developing an image processing pipeline to improve the position accuracy of single UAV images
Adesuyi Automating land cover classification using time series NDVI: a case study in the berg river catchment area
EP4250250A1 (en) Carbon soil backend
CN117110217B (zh) 一种立体化水质监测方法及系统

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