CN113885060A - 基于无人机遥感技术的放牧强度监测方法 - Google Patents
基于无人机遥感技术的放牧强度监测方法 Download PDFInfo
- Publication number
- CN113885060A CN113885060A CN202111129535.5A CN202111129535A CN113885060A CN 113885060 A CN113885060 A CN 113885060A CN 202111129535 A CN202111129535 A CN 202111129535A CN 113885060 A CN113885060 A CN 113885060A
- Authority
- CN
- China
- Prior art keywords
- livestock
- remote sensing
- unmanned aerial
- aerial vehicle
- grazing
- 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
- 238000009304 pastoral farming Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005516 engineering process Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 244000144972 livestock Species 0.000 claims abstract description 131
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000012805 post-processing Methods 0.000 claims abstract description 6
- 238000010835 comparative analysis Methods 0.000 claims abstract description 4
- 238000011835 investigation Methods 0.000 claims description 30
- 230000001932 seasonal effect Effects 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 241001465754 Metazoa Species 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000013179 statistical model Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 244000025254 Cannabis sativa Species 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000035929 gnawing Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 4
- 241001494479 Pecora Species 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 241000282832 Camelidae Species 0.000 description 1
- 241000283707 Capra Species 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 241000411851 herbal medicine Species 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
- G01J2003/2826—Multispectral imaging, e.g. filter imaging
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于无人机遥感技术的牧场尺度放牧强度监测方法，涉及放牧强度监测技术领域，包括：利用基于GPS后处理差分技术，建立实时通讯基准站与地面控制靶标，实现基于无人机遥感厘米级测量精度的激光点云、多光谱/高光谱影像数据获取；建立草原生产力无人机遥感高精度测算模型；在不同草原类型区开展模型验证与结构参数对比分析，实现草原生产力中高分辨率快速精确计算；使用YOLOV4算法解算出图像中家畜的数量；根据草地生产力信息和家畜数目监测调查区的放牧强度。这样的方法，使用无人机对放牧的草场进行监测以及对草场中的牲畜进行计数，减少了人力消耗，且记录清晰，可实时监测草场的放牧状态。
Description
技术领域
本发明涉及放牧强度监测技术领域，具体而言，涉及基于无人机遥感技术的放牧强度监测方法。
背景技术
草原生态系统是全球分布最广、最重要的陆地生态系统类型之一，但近年来，随着人口的增长，牲畜数量的倍增，不合理的放牧已对草地生态系统造成了严重的破坏。因此，对草场实际放牧强度进行监测，完善放牧预警机制，对于指导畜牧业生产、环境保护有着不可替代的重要作用和现实意义。
对放牧强度的研究主要集中于不同放牧强度对草原植被群落特征和草地生产力多样性的影响。现有估算放牧强度的方法主要是通过调查统计牲畜的数量与分布，对比草地的理论载畜量与实际载畜量的差异。但这样的研究方法需要耗费大量的人力，不适用与大范围草地放牧强度的研究。但随着卫星遥感技术的发展，已有一些学者将卫星遥感应用于草地放牧强度的估测。
现有技术对放牧强度进行监测存在以下缺点：
1、对于一些高分辨率数据(如LandsatTM)，因其重复周期过长,在进行放牧强度估算时,草地植被的生长影响放牧强度的估算精度；而对于NOAA-AVHRR虽然时间分辨率很高,但由于空间分辨率过低,也影响放牧强度的估算精度。
2、在估算各草地类型的放牧强度时，会在建立预测模型时假设研究区牧草长势相同，这种假设适合长势均一的草原，但对于生长状况差异较显著的草地，利用该方法计算放牧强度容易产生较大误差。
3、对于家畜的估算，之前一直依靠于，下级上报的形式，但这样上报数据真假难辨，大多牧民为了领取补贴都会把数据进行虚假填报，对于计算放牧强度没有可靠的数据支持。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供基于无人机遥感技术的放牧强度监测方法，以实时监测草场的放牧状态，从而估算出放牧强度。
本发明的实施例是这样实现的：
一种基于无人机遥感技术的放牧强度监测方法，包括以下步骤：
获取无人机在样带中包含植被、家畜的遥感影像，利用基于GPS后处理差分技术，
建立实时通讯基准站与地面控制靶标，实现基于无人机遥感厘米级测量精度的激光点云、
多光谱/高光谱影像数据获取；综合利用植被表型结构信息与植被光谱信息，建立草原生产
力无人机遥感高精度测算模型；利用草原多样性变化地统计模型、机器学习模型与植被红
边技术提出卫星遥感升尺度估算方法，在不同草原类型区开展模型验证与结构参数对比分
析，实现草原生产力中高分辨率快速精确计算；根据样带中拍摄的家畜的影像数据，使用
YOLOV4算法解算出图像中家畜的数量；根据草地生产力信息和家畜数目监测调查区的放牧
强度。
这样的方法，使用无人机对放牧的草场进行监测，很大程度上减少了人力消耗，且记录清晰。使用无人机对草场中的牲畜进行计数，可实时监测草场的放牧状态。进一步的，还可以通过识别草地地表植被类型、植被长势及其被啃食程度，判断牲畜常采食何种类型植被，可对草场各植被的生长程度进行监测，也可为人工草地的种植提供建议，还可监测该草场放牧强度。该专利不仅可以实时监测草场放牧强度，还可预测出未来某时段该地区的放牧强度，及草场状态，方便更有效的对该草场进行管理及监控。
在本发明的一些实施例中，还包括：对无人机在样带航拍的遥感影像进行处理生成拼接后的数字正射影像图；处理的步骤包括：若旁向、航向重叠度满足图像拼接要求时，对遥感影像进行处理生成拼接后的数字正射影像图，若旁向或航向重叠度不满足图像拼接要求时，进行航片校正。
在本发明的一些实施例中，还包括：根据遥感解译要素，对数字正射影像图中的家畜种类进行机器视觉分类解译；再采用深度学习法训练模型自动提取家畜个体目标信息，通过map精度评价提升精度；最后以机器视觉对提取结果的错判误判进行纠正。
在本发明的一些实施例中，还包括：
直接估算法，利用样带面积与调查区面积比例进行直接推算，采用以下公式估算：
其中，Ni为调查区内第i种家畜数量，N'i为样带调查第i种家畜数量，A'为所有调查样带的总面积，A为调查区总面积。
在本发明的一些实施例中，还包括：
基于季节牧场的分层估算法，用样带调查获得的第i种家畜分布数据与季节牧场分布图叠加，分别获得冷季牧场和暖季牧场范围内的第i种家畜数量；季节牧场包括冷季牧场和暖季牧场以外类型的，合并为冷季牧场和暖季牧场再进行计算；
调查区内第i种家畜的家畜数量Ni，采用以下公式估算：
式中，K为季节牧场的类型数，N'i,j为第j类季节牧场内的第i种家畜个体数量，A'j为第j类季节牧场内的调查样带面积，Aj为第j类季节牧场面积。
在本发明的一些实施例中，还包括以下步骤：
结果验证，利用家畜统计数据、地面调查数据或文献数据，对基于无人机航拍的家畜数量进行验证，并给出精度验证结果。
在本发明的一些实施例中，还包括以下步骤：
根据解译后的影像图判别区分为成畜和幼畜两类。
在本发明的一些实施例中，所述根据解译后的影像图判别区分为成畜和幼畜两类的步骤包括：
根据解译后的影像图中各类家畜体型大小和颜色特征，判别区分为成畜和幼畜两类。
在本发明的一些实施例中，基于基础地理信息数据、专题空间信息数据、放牧家畜统计数据和卫星影像图生成家畜放牧图；其中，基础地理信息数据包括数字高程模型、交通、行政边界，专题空间信息数据包括草地类型、草地植被覆盖度、草地产草量、季节牧场和水源分布，放牧家畜统计数据包括家畜数量、种类及位置数据；
将所述基础地理信息数据、专题空间信息数据和放牧家畜统计数据中的变量参数输入神经网络中，算出放牧强度值，在根据放牧强度等级范围，最后判断出放牧强度结果。
在本发明的一些实施例中，还包括：
样带轮廓或作业区边界信息形成一个图层；
调查区所有样带的每类家畜个体点位分别生成一个图层，属性包括成幼畜类型；
提取获得的每类家畜个体的轮廓分别生成一个图层，属性包括轮廓长度和面积。
本发明实施例至少具有如下优点或有益效果：
获取无人机在样带中包含植被、家畜的遥感影像，利用基于GPS后处理差分技术，建立实时通讯基准站与地面控制靶标，实现基于无人机遥感厘米级测量精度的激光点云、多光谱/高光谱影像数据获取；综合利用植被表型结构信息与植被光谱信息，建立草原生产力无人机遥感高精度测算模型；利用草原多样性变化地统计模型、机器学习模型与植被红边技术提出卫星遥感升尺度估算方法，在不同草原类型区开展模型验证与结构参数对比分析，实现草原生产力中高分辨率快速精确计算；根据样带中拍摄的家畜的影像数据，使用YOLOV4算法解算出图像中家畜的数量；根据草地生产力信息和家畜数目监测调查区的放牧强度。
这样的方法，使用无人机对放牧的草场进行监测，很大程度上减少了人力消耗，且记录清晰。使用无人机对草场中的牲畜进行计数，可实时监测草场的放牧状态。进一步的，还可以通过识别草地地表植被类型、植被长势及其被啃食程度，判断牲畜常采食何种类型植被，可对草场各植被的生长程度进行监测，也可为人工草地的种植提供建议，还可监测该草场放牧强度。该专利不仅可以实时监测草场放牧强度，还可预测出未来某时段该地区的放牧强度，及草场状态，方便更有效的对该草场进行管理及监控。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明基于无人机遥感技术的放牧强度监测方法一实施例的流程图；
图2为本发明基于无人机遥感技术的放牧强度监测方法一实施例的另一流程图；
图3为本发明的影像图中绵羊的群体影像；
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中，“多个”代表至少2个。
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
实施例
为了能够更好的理解实施方案，现对术语与定义作以下说明：
牧区：以草食家畜放牧为主的天然草原区域。
无人机：利用无线电遥控设备和自备的程序控制装置操纵的，或者由车载计算机完全地或间歇地自主地操作的不载人飞行器。
家畜种类：经人工饲养驯化主要用于草地畜牧业生产的草食哺乳类动物。例如牛、羊(绵羊和山羊)、马、骆驼等。
家畜数量：在特定时间和特定草地区域内放牧的各类家畜全部个体数量总和。
图像解译：根据地物的光谱特性、空间特性、时间特征和成像规律，从图像中识别出地物类别、特性和某些要素或者测算某种数据指标，并把它们表示在地理底图上的过程，也称影像解译。
解译要素：遥感影像解译时，判别目标物所依据的图像特征，包括：目标物的形状、大小、阴影、颜色、色调、纹理、图案、位置、布局等，并把它们表示在地理底图上的过程，也称影像解译。
地面分辨率：遥感图像上单个像元所对应的地面尺寸。
样带调查法：在调查区域内，按照环境因子和放牧活动的主要空间特征，设置具有一定长度和宽度的多条平行带状区域，进行无人机抽样调查的方法。该方法适用于大范围放牧家畜统计抽样调查。
全面调查法：将整个调查区域根据环境因子和放牧活动的主要空间特征，划分为一个或多个观测分区，进行无人机全覆盖调查的方法。该方法适用于小范围畜群和个体的全覆盖清查。
请参照图1-3，本实施例提供一种基于无人机遥感技术的放牧强度监测方法，包括以下步骤：
S10:获取无人机在样带中包含植被、家畜的遥感影像，利用基于GPS后处理差分技术，建立实时通讯基准站与地面控制靶标，实现基于无人机遥感厘米级测量精度的激光点云、多光谱/高光谱影像数据获取；
可以定时用无人机航拍样带以获得图像，例如每隔3天、5天、7天等用无人机航拍样带以获得图像。也可以不定时航拍。调查区的范围过大，通常是一个县，若要获取调查区中包含植被、家畜的图像并不现实，且会浪费大量的人力物力，因此设置了样带，通过样带中的植被、家畜推算调查区内的畜的数量、植被的长势、被啃食程度及覆盖程度；样带的长宽可根据调查区的范围进行选择，本实施例样带宽度为0.3-2.2km，样带长度为3-12km。考虑到调查区环境的多样性，可根据实际情况在调查区内设置样带，设置的样带应具有代表性，满足调查目的，并符合统计学要求，例如根据系统抽样或分层抽样方法布设样带等等。具体的设置样带的方法在此不作过多阐述。进一步的，针对调查区范围较大时，可使用大面阵、双镜头或多镜头相机。本实施例无人机影像地面分辨率高于4cm，以确保所有家畜种类在影像中均清晰可辨。作业区有陡坡或山体等地形的，可采用横向双镜头或多镜头相机，以获取陡坡或山体的倾斜影像。
S20:综合利用植被表型结构信息与植被光谱信息，建立草原生产力无人机遥感高 精度测算模型；
据所述图像中所述植被的颜色、形状、纹理特征，对图像中植被进行机器视觉分类解译；再采用深度学习法训练模型自动提取植被的信息，通过map精度评价提升精度；最后以机器视觉对提取结果的错判误判进行纠正。
根据遥感解译要素，对图像中的家畜种类进行机器视觉分类解译；再采用深度学习法训练模型自动提取家畜个体目标信息，通过map精度评价提升精度；最后以机器视觉对提取结果的错判误判进行纠正。S30:根据所述样带中所述草地颜色深浅及覆盖程度，推算出调查区草地的长势、被啃食程度及覆盖程度；
样带中草地显示处的绿色越深表示草地啃食程度越低，反之，越深表示草地啃食程度越高，草地与其他植被在图像中呈现出的颜色不一致，可通过航拍的图像中颜色情况得出草地的覆盖程度，示例性的，利用样带面积与调查区面积比例进行直接推算出调查区草地的长势、被啃食程度及覆盖程度。
S30:利用草原多样性变化地统计模型、机器学习模型与植被红边技术提出卫星遥 感升尺度估算方法，在不同草原类型区开展模型验证与结构参数对比分析，实现草原生产 力中高分辨率快速精确计算。
进一步的，还可以采用推算方法。
推算方法包括：采用样带调查法估算家畜数量。样带调查法包括：
(1)直接估算法；利用样带面积与调查区面积比例进行直接推算，采用以下公式估算：
其中，Ni为调查区内第i种家畜数量，N'i为样带调查第i种家畜数量，A'为所有调查样带的总面积，A为调查区总面积。
在本发明的一些实施例中，所述根据样带中的家畜数量估算调查区中的家畜数量的步骤包括：
(2)基于季节牧场的分层估算法，用样带调查获得的第i种家畜分布数据与季节牧场分布图叠加，分别获得冷季牧场和暖季牧场范围内的第i种家畜数量；季节牧场包括冷季牧场和暖季牧场以外类型的，合并为冷季牧场和暖季牧场再进行计算；
调查区内第i种家畜的家畜数量Ni，采用以下公式估算：
式中，K为季节牧场的类型数，N'i,j为第j类季节牧场内的第i种家畜个体数量，A'j为第j类季节牧场内的调查样带面积，Aj为第j类季节牧场面积。
另外，还可以采用全面调查法；调查区内家畜数量为所有航摄分区记录的家畜数量的总和。
S40：根据样带中拍摄的家畜的影像数据，使用YOLOV4算法解算出图像中家畜的数 量；根据草地生产力信息和家畜数目监测调查区的放牧强度。
使用无人机对草场中的牲畜进行计数，可实时监测草场的放牧状态。进一步的，还可以通过识别草地地表植被类型、植被长势及其被啃食程度，判断牲畜常采食何种类型植被，可对草场各植被的生长程度进行监测，也可为人工草地的种植提供建议，还可监测该草场放牧强度。该专利不仅可以实时监测草场放牧强度，还可预测出未来某时段该地区的放牧强度，及草场状态，方便更有效的对该草场进行管理及监控。
在本发明的一些实施例中，还包括：
对无人机在航拍的遥感影像进行处理生成拼接后的数字正射影像图；所述处理的步骤包括：若旁向、航向重叠度满足图像拼接要求时，对遥感影像进行处理生成拼接后的数字正射影像图，若旁向或航向重叠度不满足图像拼接要求时，进行航片校正。航向、旁向重叠度参照CH/Z3005-2010(低空数字航空摄影规范)，本实施例航向重叠度为65-82％，最小不应小于53％；旁向重叠度为13-64％，最小不应小于7.5％。
在本发明的一些实施例中，还包括：根据遥感解译要素，对数字正射影像图中的家畜种类进行机器视觉分类解译；再采用深度学习法训练模型自动提取家畜个体目标信息，通过map精度评价提升精度；最后以机器视觉对提取结果的错判误判进行纠正。
进一步的，还可以根据解译后的影像图获取成畜和幼畜的信息。
根据影像中各类家畜体型大小和颜色特征，判别区分为成畜和幼畜两类。同时，根据实际调查需求，还可选择提取家畜轮廓信息。
示例性的，为了便于直观体现家畜的放牧情况，基于基础地理信息数据、专题空间信息数据、放牧家畜统计数据和卫星影像图生成家畜放牧图；其中，基础地理信息数据包括数字高程模型、交通、行政边界，专题空间信息数据包括草地类型、草地植被覆盖度、草地产草量、季节牧场和水源分布，放牧家畜统计数据包括家畜数量、种类及位置数据；
将所述基础地理信息数据、专题空间信息数据和放牧家畜统计数据中的变量参数输入神经网络中，算出放牧强度值，在根据放牧强度等级范围，最后判断出放牧强度结果。
生成家畜放牧图的方法包括：
样带轮廓或作业区边界信息形成一个图层；
调查区所有样带的每类家畜个体点位分别生成一个图层，属性包括成幼畜类型；
提取获得的每类家畜个体的轮廓分别生成一个图层，属性包括轮廓长度和面积。
综上，本发明的实施例提供一种基于无人机遥感技术的放牧强度监测方法，获取 无人机在样带中包含植被、家畜的遥感影像，利用基于GPS后处理差分技术，建立实时通讯 基准站与地面控制靶标，实现基于无人机遥感厘米级测量精度的激光点云、多光谱/高光谱 影像数据获取；综合利用植被表型结构信息与植被光谱信息，建立草原生产力无人机遥感 高精度测算模型；利用草原多样性变化地统计模型、机器学习模型与植被红边技术提出卫 星遥感升尺度估算方法，在不同草原类型区开展模型验证与结构参数对比分析，实现草原 生产力中高分辨率快速精确计算；根据样带中拍摄的家畜的影像数据，使用YOLOV4算法解 算出图像中家畜的数量；根据草地生产力信息和家畜数目监测调查区的放牧强度。
这样的方法，使用无人机对放牧的草场进行监测，很大程度上减少了人力消耗，且记录清晰。使用无人机对草场中的牲畜进行计数，可实时监测草场的放牧状态。进一步的，还可以通过识别草地地表植被类型、植被长势及其被啃食程度，判断牲畜常采食何种类型植被，可对草场各植被的生长程度进行监测，也可为人工草地的种植提供建议，还可监测该草场放牧强度。该专利不仅可以实时监测草场放牧强度，还可预测出未来某时段该地区的放牧强度，及草场状态，方便更有效的对该草场进行管理及监控。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.基于无人机遥感技术的放牧强度监测方法，包括以下步骤：
获取无人机在样带中包含植被、家畜的遥感影像，利用基于GPS后处理差分技术，建立
实时通讯基准站与地面控制靶标，实现基于无人机遥感厘米级测量精度的激光点云、多光
谱/高光谱影像数据获取；
综合利用植被表型结构信息与植被光谱信息，建立草原生产力无人机遥感高精度测算
模型；
利用草原多样性变化地统计模型、机器学习模型与植被红边技术提出卫星遥感升尺度
估算方法，在不同草原类型区开展模型验证与结构参数对比分析，实现草原生产力中高分
辨率快速精确计算；
根据样带中拍摄的家畜的影像数据，使用YOLOV4算法解算出图像中家畜的数量；根据
草地生产力信息和家畜数目监测调查区的放牧强度。
2.根据权利要求1所述的基于无人机遥感技术的放牧强度监测方法，其特征在于，所述获取无人机在样带中包含植被、家畜的遥感影像的步骤之前还包括：
对无人机在样带航拍的遥感影像进行处理生成拼接后的数字正射影像图；
所述处理的步骤包括：若旁向、航向重叠度满足图像拼接要求时，对遥感影像进行处理生成拼接后的数字正射影像图，若旁向或航向重叠度不满足图像拼接要求时，进行航片校正。
3.根据权利要求2所述的基于无人机遥感技术的放牧强度监测方法，其特征在于，还包括：根据遥感解译要素，对数字正射影像图中的家畜种类进行机器视觉分类解译；再采用深度学习法训练模型自动提取家畜个体目标信息，通过map精度评价提升精度；最后以机器视觉对提取结果的错判误判进行纠正。
4.根据权利要求1所述的基于无人机遥感技术的放牧强度监测方法，其特征在于，还包括根据样带中家畜的数量推算出调查区家畜数量,推算方法包括：
直接估算法，利用样带面积与调查区面积比例进行直接推算，采用以下公式估算：
其中，Ni为调查区内第i种家畜数量，Ni'为样带调查第i种家畜数量，A'为所有调查样带的总面积，A为调查区总面积。
5.根据权利要求1所述的基于无人机遥感技术的放牧强度监测方法，其特征在于，推算方法还包括：
基于季节牧场的分层估算法，用样带调查获得的第i种家畜分布数据与季节牧场分布图叠加，分别获得冷季牧场和暖季牧场范围内的第i种家畜数量；季节牧场包括冷季牧场和暖季牧场以外类型的，合并为冷季牧场和暖季牧场再进行计算；
调查区内第i种家畜的家畜数量Ni，采用以下公式估算：
式中，K为季节牧场的类型数，N′i,j为第j类季节牧场内的第i种家畜个体数量，A'j为第j类季节牧场内的调查样带面积，Aj为第j类季节牧场面积。
6.根据权利要求1所述的基于无人机遥感技术的放牧强度监测方法，其特征在于，还包括以下步骤：
结果验证，利用家畜统计数据、地面调查数据或文献数据，对基于无人机航拍的家畜数量进行验证，并给出精度验证结果。
7.根据权利要求1所述的基于无人机遥感技术的放牧强度监测方法，其特征在于，还包括以下步骤：
根据解译后的影像图判别区分为成畜和幼畜两类。
8.根据权利要求7所述的基于无人机遥感技术的放牧强度监测方法，其特征在于，所述根据解译后的影像图判别区分为成畜和幼畜两类的步骤包括：
根据解译后的影像图中各类家畜体型大小和颜色特征，判别区分为成畜和幼畜两类。
9.根据权利要求1所述的基于无人机遥感技术的放牧强度监测方法，其特征在于，基于基础地理信息数据、专题空间信息数据、放牧家畜统计数据和卫星影像图生成家畜放牧图；其中，基础地理信息数据包括数字高程模型、交通、行政边界，专题空间信息数据包括草地类型、草地植被覆盖度、草地产草量、季节牧场和水源分布，放牧家畜统计数据包括家畜数量、种类及位置数据；
将所述基础地理信息数据、专题空间信息数据和放牧家畜统计数据中的变量参数输入神经网络中，算出放牧强度值，在根据放牧强度等级范围，最后判断出放牧强度结果。
10.根据权利要求9所述的基于无人机遥感技术的放牧强度监测方法，其特征在于，包括：
样带轮廓或作业区边界信息形成一个图层；
调查区所有样带的每类家畜个体点位分别生成一个图层，属性包括成幼畜类型；
提取获得的每类家畜个体的轮廓分别生成一个图层，属性包括轮廓长度和面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111129535.5A CN113885060A (zh) | 2021-09-26 | 2021-09-26 | 基于无人机遥感技术的放牧强度监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111129535.5A CN113885060A (zh) | 2021-09-26 | 2021-09-26 | 基于无人机遥感技术的放牧强度监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113885060A true CN113885060A (zh) | 2022-01-04 |
Family
ID=79006709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111129535.5A Pending CN113885060A (zh) | 2021-09-26 | 2021-09-26 | 基于无人机遥感技术的放牧强度监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113885060A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114440835A (zh) * | 2022-01-28 | 2022-05-06 | 生态环境部卫星环境应用中心 | 多特征和模型耦合的牧畜遥感监测方法、系统及存储介质 |
| CN116331541A (zh) * | 2023-03-30 | 2023-06-27 | 生态环境部南京环境科学研究所 | 一种基于无人机遥感快速评估人工放牧强度的装置及方法 |
| CN116389693A (zh) * | 2023-06-02 | 2023-07-04 | 中国科学院空天信息创新研究院 | 一种基于无人机航拍的草原牲畜数量自动监测装置及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033230A (zh) * | 2009-09-25 | 2011-04-27 | 中国农业科学院农业资源与农业区划研究所 | 一种草原卫星遥感监测系统及方法 |
| CN108896022A (zh) * | 2018-08-17 | 2018-11-27 | 山东农业大学 | 一种植被覆盖度估算方法 |
| CN110647786A (zh) * | 2018-06-27 | 2020-01-03 | 中国科学院地理科学与资源研究所 | 一种基于无人机lidar航测技术的非生长季草畜平衡评估方法 |
| CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
| CN113011235A (zh) * | 2019-12-21 | 2021-06-22 | 中国林业科学研究院资源信息研究所 | 基于cpugpu异构平台的多源遥感草地草畜平衡评估方法 |
| CN113222453A (zh) * | 2021-05-28 | 2021-08-06 | 中国农业科学院草原研究所 | 一种基于北斗导航的天然草地草畜平衡评估方法、系统、设备及存储介质 |
-
2021
- 2021-09-26 CN CN202111129535.5A patent/CN113885060A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033230A (zh) * | 2009-09-25 | 2011-04-27 | 中国农业科学院农业资源与农业区划研究所 | 一种草原卫星遥感监测系统及方法 |
| CN110647786A (zh) * | 2018-06-27 | 2020-01-03 | 中国科学院地理科学与资源研究所 | 一种基于无人机lidar航测技术的非生长季草畜平衡评估方法 |
| CN108896022A (zh) * | 2018-08-17 | 2018-11-27 | 山东农业大学 | 一种植被覆盖度估算方法 |
| CN113011235A (zh) * | 2019-12-21 | 2021-06-22 | 中国林业科学研究院资源信息研究所 | 基于cpugpu异构平台的多源遥感草地草畜平衡评估方法 |
| CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
| CN113222453A (zh) * | 2021-05-28 | 2021-08-06 | 中国农业科学院草原研究所 | 一种基于北斗导航的天然草地草畜平衡评估方法、系统、设备及存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| 侯向阳;尹燕亭;运向军;李西良;丁勇;: "中国北方草原退化治理和草畜平衡模式转移研究", 内蒙古草业, no. 04, 15 December 2012 (2012-12-15) * |
| 尹燕亭;侯向阳;运向军;丁勇;李西良;: "不同经济水平牧户草场植被特征比较", 中国沙漠, no. 04, 15 July 2013 (2013-07-15) * |
| 汪传建;江红红;尹小君;孙世泽;张雅;李冬;: "基于GPS与无人机遥感反演草地生物量的放牧场利用强度评估", 农业工程学报, no. 19, 8 October 2018 (2018-10-08) * |
| 汪传建等: "基于GPS 与无人机遥感反演草地生物量的放牧场利用强度评估", 农业工程学报, vol. 34, no. 19, 8 October 2018 (2018-10-08), pages 83 - 85 * |
| 郁尚钊;孙义;侯扶江;: "无人机技术在草原研究和管理中的应用", 草学, no. 04, 20 August 2020 (2020-08-20) * |
| 郭兴健等: "无人机遥感调查黄河源玛多县岩羊数量及分布", 自然资源学报, vol. 34, no. 5, 31 December 2019 (2019-12-31), pages 1057 - 1062 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114440835A (zh) * | 2022-01-28 | 2022-05-06 | 生态环境部卫星环境应用中心 | 多特征和模型耦合的牧畜遥感监测方法、系统及存储介质 |
| CN114440835B (zh) * | 2022-01-28 | 2022-09-27 | 生态环境部卫星环境应用中心 | 多特征和模型耦合的牧畜遥感监测方法、系统及存储介质 |
| CN116331541A (zh) * | 2023-03-30 | 2023-06-27 | 生态环境部南京环境科学研究所 | 一种基于无人机遥感快速评估人工放牧强度的装置及方法 |
| CN116331541B (zh) * | 2023-03-30 | 2024-01-26 | 生态环境部南京环境科学研究所 | 一种基于无人机遥感快速评估人工放牧强度的装置及方法 |
| CN116389693A (zh) * | 2023-06-02 | 2023-07-04 | 中国科学院空天信息创新研究院 | 一种基于无人机航拍的草原牲畜数量自动监测装置及方法 |
| CN116389693B (zh) * | 2023-06-02 | 2023-08-08 | 中国科学院空天信息创新研究院 | 一种基于无人机航拍的草原牲畜数量自动监测装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113885060A (zh) | 基于无人机遥感技术的放牧强度监测方法 | |
| Goodbody et al. | Assessing the status of forest regeneration using digital aerial photogrammetry and unmanned aerial systems | |
| Stanton et al. | Unmanned aircraft system-derived crop height and normalized difference vegetation index metrics for sorghum yield and aphid stress assessment | |
| US20230292647A1 (en) | System and Method for Crop Monitoring | |
| US9195891B2 (en) | Method of predicting crop yield loss due to n-deficiency | |
| US8208680B2 (en) | Method of predicting crop yield loss due to N-deficiency | |
| CN110213376B (zh) | 一种用于虫害预防的信息处理系统及方法 | |
| CN110363246B (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
| CN111881728A (zh) | 基于低空遥感的草地鼠害监测方法 | |
| US9508007B2 (en) | Method of predicting crop yield loss due to N-deficiency | |
| Xu et al. | Classification method of cultivated land based on UAV visible light remote sensing | |
| EP4245133A1 (en) | Characterization of pasture for improved and sustainable grazing and feeding management of livestock | |
| Karl et al. | A technique for estimating rangeland canopy-gap size distributions from high-resolution digital imagery | |
| Zhang et al. | Feasibility assessment of tree-level flower intensity quantification from UAV RGB imagery: a triennial study in an apple orchard | |
| Agarwal et al. | Development of machine learning based approach for computing optimal vegetation index with the use of sentinel-2 and drone data | |
| Ormeci et al. | Identification of crop areas Using SPOT–5 data | |
| Sadiq et al. | A review on the imaging approaches in agriculture with crop and soil sensing methodologies | |
| Ozcan et al. | Milkweed (Asclepias syriaca) plant detection using mobile cameras | |
| Machado et al. | Stress conditions in soybean areas based on measurements of soil-plant-atmosphere system and UAV images | |
| CN116403125B (zh) | 基于无人机航拍的草原毛虫宜生区划分方法、系统及终端 | |
| Yoshitoshi et al. | Spatial Distribution of Grazing Sites and Dung of Beef Cows in a Sloping Pasture | |
| Stuhler et al. | Efficacy of remote sensing technologies for burrow count estimates of a rare kangaroo rat | |
| Driscoll | Color aerial photography: a new view for range management | |
| Work Jr et al. | Utility of ERTS for monitoring the breeding habit of migratory waterfowl | |
| CN116823918B (zh) | 作物苗株数测量方法、装置、电子设备及存储介质 |
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 |