CN114065481B - 基于大数据的草地数据监测方法、系统和可读存储介质 - Google Patents
基于大数据的草地数据监测方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN114065481B CN114065481B CN202111197982.4A CN202111197982A CN114065481B CN 114065481 B CN114065481 B CN 114065481B CN 202111197982 A CN202111197982 A CN 202111197982A CN 114065481 B CN114065481 B CN 114065481B
- Authority
- CN
- China
- Prior art keywords
- soil
- data
- grassland
- value
- factor
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开的一种基于大数据的草地数据监测方法、系统和可读存储介质,其中方法包括:通过第一传感器组提取预设周期内的环境因子,输入到训练好的识别神经网络模型中得到模拟输出值;通过第二传感器组提取所述周期内的土壤因子,基于所述模拟输出值判断当前所述草地的土壤等级;基于预设图像通过大数据分析获取所述周期内所述草地目标草群的生长情况信息,以完成所述草地数据的监测。本发明通过设置不同的传感器获取采集到的对应各种传感数据,并基于CNN神经网络模型对采集到的地面上的环境数据进行模拟分析,与地表下的传感器采集的数据进行对比,得到草地土壤的信息,同时还能够基于采集到的图像信息获取对应草地的草群生长数据。
Description
技术领域
本发明涉及草地数据监测技术领域,更具体的,涉及一种基于大数据的草地数据监测方法、系统和可读存储介质。
背景技术
草地是生长草本和灌木植物为主并适宜发展畜牧业生产的土地,它具有特有的生态系统,是一种可更新的自然资源,世界草地面积约占陆地总面积的1/2,是发展草地畜牧业的最基本的生产资料和基地,草地是一种复合植物群落,由草、开花植物和喜光植物组成,开花植物和喜光植物所占的比例高低有所变化,草坪是长期维持低矮状态,而种类丰富的草地一年只修剪一次或两次,物种比较稀少的草地一年可以修剪多次,有时可以达到六次,草地有其自有的生长、开花、结果和种子成熟的规律。
目前,由于生活水平的不断提高,对于肉类的需求量也越来越大,因此对于畜牧业的发展也需要大力投入,针对草地畜牧业同样需要对草地的数据进行监测,也确保草地的自我修复能力达标,同时也可以更好地识别草地数据以完善草地畜牧业。
发明内容
鉴于上述问题,本发明的目的是提供一种基于大数据的草地数据监测方法、系统和可读存储介质,能够识别草地土壤的数据信息以及草地地面草群的数据信息,以实现畜牧业的可持续稳定发展。
本发明第一方面提供了一种基于大数据的草地数据监测方法,包括以下步骤:
通过第一传感器组提取预设周期内的环境因子,输入到训练好的识别神经网络模型中得到模拟输出值;
通过第二传感器组提取所述周期内的土壤因子,基于所述模拟输出值判断当前所述草地的土壤等级;
基于预设图像通过大数据分析获取所述周期内所述草地目标草群的生长情况信息,以完成所述草地数据的监测。
本方案中,所述通过第一传感器提取预设周期内的环境因子,输入到训练好的识别神经网络模型中得到模拟输出值,具体为:
建立与所述第一传感器组的通信连接,基于所述周期获取所述第一传感器组中各传感器采集的第一数据;
基于采集到的所述第一数据得到所述环境因子,其中,所述环境因子包括但不仅限于降水量,光照强度,环境PH值以及温度值;
将所述环境因子输入到训练好的所述识别神经网络模型中以得到所述模拟输出值。
本方案中,所述通过第二传感器组提取所述周期内的土壤因子,基于所述模拟输出值判断当前所述草地的土壤等级,具体为:
建立与所述第二传感器组的通信连接,基于所述周期获取所述第二传感器组中各传感器采集的第二数据;
基于采集到的所述第二数据得到所述土壤因子,其中,所述土壤因子包括但不仅限于土壤含水量,土壤PH值,土壤松散度以及无机元素含量;
基于相邻所述周期得到的所述土壤因子获取土壤因子变化量;
比较所述模拟输出值与所述土壤因子变化量之间的相对关系,以得到所述土壤等级。
本方案中,所述比较所述模拟输出值与所述土壤因子变化量之间的相对关系,以得到所述土壤等级,具体为:
比较所述模拟输出值与所述土壤因子变化量的大小关系,其中,
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值内,则将所述土壤等级判断为饱和等级;
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值外且所述绝对差值为正,则将所述土壤等级判断为低饱和等级;
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值外且所述绝对差值为负,则将所述土壤等级判断为过饱和等级。
本方案中,所述识别神经网络模型训练方法为:
获取历史检测数据的环境因子与草地变化值;
将所述历史检测数据的环境因子与草地变化值进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述识别神经网络模型。
本方案中,所述基于预设图像通过大数据分析获取所述周期内所述草地目标草群的生长情况信息,以完成所述草地数据的监测,具体为:
获取所述周期内预设无人机采集到的所述图像;
基于大数据分析识别所述图像中的所述目标草群并得到所述目标草群对应的变化值;
基于所述变化值得到所述生长情况信息,其中,所述变化值包括但不限于长度、高度、宽度以及颜色变化值。
本发明第二方面还提供一种基于大数据的草地数据监测系统,包括存储器和处理器,所述存储器中包括基于大数据的草地数据监测方法程序,所述基于大数据的草地数据监测方法程序被所述处理器执行时实现如下步骤:
通过第一传感器组提取预设周期内的环境因子,输入到训练好的识别神经网络模型中得到模拟输出值;
通过第二传感器组提取所述周期内的土壤因子,基于所述模拟输出值判断当前所述草地的土壤等级;
基于预设图像通过大数据分析获取所述周期内所述草地目标草群的生长情况信息,以完成所述草地数据的监测。
本方案中,所述通过第一传感器提取预设周期内的环境因子,输入到训练好的识别神经网络模型中得到模拟输出值,具体为:
建立与所述第一传感器组的通信连接,基于所述周期获取所述第一传感器组中各传感器采集的第一数据;
基于采集到的所述第一数据得到所述环境因子,其中,所述环境因子包括但不仅限于降水量,光照强度,环境PH值以及温度值;
将所述环境因子输入到训练好的所述识别神经网络模型中以得到所述模拟输出值。
本方案中,所述通过第二传感器组提取所述周期内的土壤因子,基于所述模拟输出值判断当前所述草地的土壤等级,具体为:
建立与所述第二传感器组的通信连接,基于所述周期获取所述第二传感器组中各传感器采集的第二数据;
基于采集到的所述第二数据得到所述土壤因子,其中,所述土壤因子包括但不仅限于土壤含水量,土壤PH值,土壤松散度以及无机元素含量;
基于相邻所述周期得到的所述土壤因子获取土壤因子变化量;
比较所述模拟输出值与所述土壤因子变化量之间的相对关系,以得到所述土壤等级。
本方案中,所述比较所述模拟输出值与所述土壤因子变化量之间的相对关系,以得到所述土壤等级,具体为:
比较所述模拟输出值与所述土壤因子变化量的大小关系,其中,
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值内,则将所述土壤等级判断为饱和等级;
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值外且所述绝对差值为正,则将所述土壤等级判断为低饱和等级;
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值外且所述绝对差值为负,则将所述土壤等级判断为过饱和等级。
本方案中,所述识别神经网络模型训练方法为:
获取历史检测数据的环境因子与草地变化值;
将所述历史检测数据的环境因子与草地变化值进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述识别神经网络模型。
本方案中,所述基于预设图像通过大数据分析获取所述周期内所述草地目标草群的生长情况信息,以完成所述草地数据的监测,具体为:
获取所述周期内预设无人机采集到的所述图像;
基于大数据分析识别所述图像中的所述目标草群并得到所述目标草群对应的变化值;
基于所述变化值得到所述生长情况信息,其中,所述变化值包括但不限于长度、高度、宽度以及颜色变化值。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种基于大数据的草地数据监测方法程序,所述基于大数据的草地数据监测方法程序被处理器执行时,实现如上述任一项所述的一种基于大数据的草地数据监测方法的步骤。
本发明公开的一种基于大数据的草地数据监测方法、系统和可读存储介质,设置不同的传感器获取采集到的对应各种传感数据,并基于CNN神经网络模型对采集到的地面上的环境数据进行模拟分析,与地表下的传感器采集的数据进行对比,得到草地土壤的信息,同时还能够基于采集到的图像信息获取对应草地的草群生长数据。
附图说明
图1示出了本发明一种基于大数据的草地数据监测方法的流程图;
图2示出了本发明一种基于大数据的草地数据监测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种基于大数据的草地数据监测方法的流程图。
如图1所示,本申请公开了一种基于大数据的草地数据监测方法,包括以下步骤:
S102,通过第一传感器组提取预设周期内的环境因子,输入到训练好的识别神经网络模型中得到模拟输出值;
S104,通过第二传感器组提取所述周期内的土壤因子,基于所述模拟输出值判断当前所述草地的土壤等级;
S106,基于预设图像通过大数据分析获取所述周期内所述草地目标草群的生长情况信息,以完成所述草地数据的监测。
需要说明的是,本实施例中,设置两组传感器组,分别为所述第一传感器组与所述第二传感器组,提取所述周期内所述第一传感器组采集到的数据作为所述环境因子,以输入训练好的所述识别神经网络模型中得到所述环境因子影响下的土壤数据,同时利用所述第二传感器组提取对应的所述周期内的土壤因子,与所述识别神经网络模型输出的土壤数据,进行比对来得到当前所述草地的土壤等级,即基于所述环境因子进行模拟分析,并结合实际的土壤情况来分析,相比于直接研究不同所述周期内的土壤情况,基于所述环境因子模拟训练更有数据针对性,可以具体体现影响因子的分布,待得到所述土壤等级后,可以通过所述周期内采集到的所述草地地表草群的生长情况信息,来同步分析所述草地的土壤对植物的影响;同时可以识别该所述草地区域内的牲畜的进食喜好。
根据本发明实施例,所述通过第一传感器提取预设周期内的环境因子,输入到训练好的识别神经网络模型中得到模拟输出值,具体为:
建立与所述第一传感器组的通信连接,基于所述周期获取所述第一传感器组中各传感器采集的第一数据;
基于采集到的所述第一数据得到所述环境因子,其中,所述环境因子包括但不仅限于降水量,光照强度,环境PH值以及温度值;
将所述环境因子输入到训练好的所述识别神经网络模型中以得到所述模拟输出值。
需要说明的是,所述环境因子包括但不仅限于降水量,光照强度,环境PH值以及温度值,相应地,所述第一传感器组包括但不仅限于翻斗式雨量传感器,光照传感器,PH传感器以及温度传感器,基于不同的所述传感器可以获取对应的地表以上的数据信息,以得到所述环境因子,进而将所述环境因子输入到训练好的所述识别神经网络模型中进行模拟训练,以得到所述模拟输出值,其中,所述模拟输出值为百分比值,表现为土壤内各组成部分的变化值。
根据本发明实施例,所述通过第二传感器组提取所述周期内的土壤因子,基于所述模拟输出值判断当前所述草地的土壤等级,具体为:
建立与所述第二传感器组的通信连接,基于所述周期获取所述第二传感器组中各传感器采集的第二数据;
基于采集到的所述第二数据得到所述土壤因子,其中,所述土壤因子包括但不仅限于土壤含水量,土壤PH值,土壤松散度以及无机元素含量;
基于相邻所述周期得到的所述土壤因子获取土壤因子变化量;
比较所述模拟输出值与所述土壤因子变化量之间的相对关系,以得到所述土壤等级。
需要说明的是,所述土壤因子包括但不仅限于土壤含水量,土壤PH值,土壤松散度以及无机元素含量,相应地,所述第二传感器组包括但不仅限于土壤水分传感器、土壤PH传感器、土壤紧实度传感器以及土壤养分传感器,基于不同的所述传感器可以获取对应的土壤里的数据信息,以得到所述土壤因子,并基于相邻所述周期得到的所述土壤因子获取土壤因子变化量,进而比较所述模拟输出值与所述土壤因子变化量之间的相对关系以得到所述土壤等级。
值得一提的是,草地的土壤变化不单单仅依靠地表上的环境因素影响,也受到地表下的地质活动的影响,本申请中只说明地表上的环境因素对于所述草地土壤的影响,而不考虑所述地质活动的影响。
根据本发明实施例,所述比较所述模拟输出值与所述土壤因子变化量之间的相对关系,以得到所述土壤等级,具体为:
比较所述模拟输出值与所述土壤因子变化量的大小关系,其中,
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值内,则将所述土壤等级判断为饱和等级;
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值外且所述绝对差值为正,则将所述土壤等级判断为低饱和等级;
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值外且所述绝对差值为负,则将所述土壤等级判断为过饱和等级。
需要说明的是,所述绝对差值的计算公式如下:
D=(P1-Q1)/Q1+...+(Pn-Qn)/Qn/n;
其中,D为所述绝对差值,n为所述土壤因子的量级,且n≥2,Qn为第n个所述土壤因子变化量,Pn为所述模拟输出值中对应第n个所述土壤因子变化量Qn的值,比较所述模拟输出值与所述土壤因子变化量的大小关系,其中,取所述阈值为5%,则阈值范围为[-5%,5%],若所述绝对差值D位于所述阈值范围[-5%,5%]内,则表明所述土壤等级为所述饱和等级;若所述绝对差值D>5%,则表明所述土壤等级为所述低饱和等级;若所述绝对差值D<-5%,则表明所述土壤等级为所述过饱和等级。
根据本发明实施例,所述识别神经网络模型训练方法为:
获取历史检测数据的环境因子与草地变化值;
将所述历史检测数据的环境因子与草地变化值进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述识别神经网络模型。
需要说明的是,所述识别神经网络模型需要大量的历史数据进行训练,数据量越大,则结果越准确,本申请中的所述识别神经网络模型可以通过历史检测数据的环境因子与草地变化值作为输入进行训练,当然,在进行神经网络模型训练时,不仅要通过历史检测数据的环境因子与草地变化值进行训练,还需要结合确定的土壤数据进行训练,通过大量试验数据与真实数据比对,得到的结果也会更加准确,进而使得所述识别神经网络的输出结果更加准确。优选地,所述准确率阈值一般设置为85%。
根据本发明实施例,所述基于预设图像通过大数据分析获取所述周期内所述草地目标草群的生长情况信息,以完成所述草地数据的监测,具体为:
获取所述周期内预设无人机采集到的所述图像;
基于大数据分析识别所述图像中的所述目标草群并得到所述目标草群对应的变化值;
基于所述变化值得到所述生长情况信息,其中,所述变化值包括但不限于长度、高度、宽度以及颜色变化值。
需要说明的是,同一片所述草地上放养的牲畜对于不同的草群有不同的进食习惯,通过所述无人机采集到的图像首先识别出所述目标草群,即为牲畜进食的草群,进而基于大数据分析识别所述图像中的所述目标草群以得到所述目标草群对应的变化值,由于所述草群的分布是庞大的,一片所述草群被进食后,可以获取所述周期内的草群变化值,进而分析出草地土壤对所述草群的影响,例如,取所述周期为七天,即对比第一天与第七天,同一片所述草群的变化之,包括但不仅限于所述长度、所述高度、所述宽度以及所述颜色变化值,以完善所述草地数据的监测。
值得一提的是,所述方法还包括识别牲畜体温数据,具体为:
建立与所述围栏内温控检测设备的通信连接;
获取热成像数据,得到所述牲畜体温值以及环境温度值;
基于所述牲畜体温值结合所述环境温度值通过识别算法计算体温差。
需要说明的是,所述识别算法的计算式如下:
R=T1-(T0|α*T2);
其中,R为所述体温差,T1为所述牲畜体温值,T0为所述标准值,T2为所述环境温度值,α为预设的环境参数值,以绵羊羊群为例,所述体温等级中存在正常与发热,其中,发热即为体温高于正常范围,所述体温差R为0.5℃~1℃称为微热,所述体温差R为1℃~2℃称为中热,所述体温差R为2℃~3℃称为高热,所述体温差R为3℃以上称为过高热,需要说明的是,测量绵羊羊群的体温时,需要使其处于自然静置状态超过“30min”以上。
图2示出了本发明一种基于大数据的草地数据监测系统的框图。
如图2所示,本发明公开了一种基于大数据的草地数据监测系统,包括存储器和处理器,所述存储器中包括基于大数据的草地数据监测方法程序,所述基于大数据的草地数据监测方法程序被所述处理器执行时实现如下步骤:
通过第一传感器组提取预设周期内的环境因子,输入到训练好的识别神经网络模型中得到模拟输出值;
通过第二传感器组提取所述周期内的土壤因子,基于所述模拟输出值判断当前所述草地的土壤等级;
基于预设图像通过大数据分析获取所述周期内所述草地目标草群的生长情况信息,以完成所述草地数据的监测。
需要说明的是,本实施例中,设置两组传感器组,分别为所述第一传感器组与所述第二传感器组,提取所述周期内所述第一传感器组采集到的数据作为所述环境因子,以输入训练好的所述识别神经网络模型中得到所述环境因子影响下的土壤数据,同时利用所述第二传感器组提取对应的所述周期内的土壤因子,与所述识别神经网络模型输出的土壤数据,进行比对来得到当前所述草地的土壤等级,即基于所述环境因子进行模拟分析,并结合实际的土壤情况来分析,相比于直接研究不同所述周期内的土壤情况,基于所述环境因子模拟训练更有数据针对性,可以具体体现影响因子的分布,待得到所述土壤等级后,可以通过所述周期内采集到的所述草地地表草群的生长情况信息,来同步分析所述草地的土壤对植物的影响;同时可以识别该所述草地区域内的牲畜的进食喜好。
根据本发明实施例,所述通过第一传感器提取预设周期内的环境因子,输入到训练好的识别神经网络模型中得到模拟输出值,具体为:
建立与所述第一传感器组的通信连接,基于所述周期获取所述第一传感器组中各传感器采集的第一数据;
基于采集到的所述第一数据得到所述环境因子,其中,所述环境因子包括但不仅限于降水量,光照强度,环境PH值以及温度值;
将所述环境因子输入到训练好的所述识别神经网络模型中以得到所述模拟输出值。
需要说明的是,所述环境因子包括但不仅限于降水量,光照强度,环境PH值以及温度值,相应地,所述第一传感器组包括但不仅限于翻斗式雨量传感器,光照传感器,PH传感器以及温度传感器,基于不同的所述传感器可以获取对应的地表以上的数据信息,以得到所述环境因子,进而将所述环境因子输入到训练好的所述识别神经网络模型中进行模拟训练,以得到所述模拟输出值,其中,所述模拟输出值为百分比值,表现为土壤内各组成部分的变化值。
根据本发明实施例,所述通过第二传感器组提取所述周期内的土壤因子,基于所述模拟输出值判断当前所述草地的土壤等级,具体为:
建立与所述第二传感器组的通信连接,基于所述周期获取所述第二传感器组中各传感器采集的第二数据;
基于采集到的所述第二数据得到所述土壤因子,其中,所述土壤因子包括但不仅限于土壤含水量,土壤PH值,土壤松散度以及无机元素含量;
基于相邻所述周期得到的所述土壤因子获取土壤因子变化量;
比较所述模拟输出值与所述土壤因子变化量之间的相对关系,以得到所述土壤等级。
需要说明的是,所述土壤因子包括但不仅限于土壤含水量,土壤PH值,土壤松散度以及无机元素含量,相应地,所述第二传感器组包括但不仅限于土壤水分传感器、土壤PH传感器、土壤紧实度传感器以及土壤养分传感器,基于不同的所述传感器可以获取对应的土壤里的数据信息,以得到所述土壤因子,并基于相邻所述周期得到的所述土壤因子获取土壤因子变化量,进而比较所述模拟输出值与所述土壤因子变化量之间的相对关系以得到所述土壤等级。
值得一提的是,草地的土壤变化不单单仅依靠地表上的环境因素影响,也受到地表下的地质活动的影响,本申请中只说明地表上的环境因素对于所述草地土壤的影响,而不考虑所述地质活动的影响。
根据本发明实施例,所述比较所述模拟输出值与所述土壤因子变化量之间的相对关系,以得到所述土壤等级,具体为:
比较所述模拟输出值与所述土壤因子变化量的大小关系,其中,
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值内,则将所述土壤等级判断为饱和等级;
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值外且所述绝对差值为正,则将所述土壤等级判断为低饱和等级;
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值外且所述绝对差值为负,则将所述土壤等级判断为过饱和等级。
需要说明的是,所述绝对差值的计算公式如下:
D=(P1-Q1)/Q1+…+(Pn-Qn)/Qn/n;
其中,D为所述绝对差值,n为所述土壤因子的量级,且n≥2,Qn为第n个所述土壤因子变化量,Pn为所述模拟输出值中对应第n个所述土壤因子变化量Qn的值,比较所述模拟输出值与所述土壤因子变化量的大小关系,其中,取所述阈值为5%,则阈值范围为[-5%,5%],若所述绝对差值D位于所述阈值范围[-5%,5%]内,则表明所述土壤等级为所述饱和等级;若所述绝对差值D>5%,则表明所述土壤等级为所述低饱和等级;若所述绝对差值D<-5%,则表明所述土壤等级为所述过饱和等级。
根据本发明实施例,所述识别神经网络模型训练方法为:
获取历史检测数据的环境因子与草地变化值;
将所述历史检测数据的环境因子与草地变化值进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述识别神经网络模型。
需要说明的是,所述识别神经网络模型需要大量的历史数据进行训练,数据量越大,则结果越准确,本申请中的所述识别神经网络模型可以通过历史检测数据的环境因子与草地变化值作为输入进行训练,当然,在进行神经网络模型训练时,不仅要通过历史检测数据的环境因子与草地变化值进行训练,还需要结合确定的土壤数据进行训练,通过大量试验数据与真实数据比对,得到的结果也会更加准确,进而使得所述识别神经网络的输出结果更加准确。优选地,所述准确率阈值一般设置为85%。
根据本发明实施例,所述基于预设图像通过大数据分析获取所述周期内所述草地目标草群的生长情况信息,以完成所述草地数据的监测,具体为:
获取所述周期内预设无人机采集到的所述图像;
基于大数据分析识别所述图像中的所述目标草群并得到所述目标草群对应的变化值;
基于所述变化值得到所述生长情况信息,其中,所述变化值包括但不限于长度、高度、宽度以及颜色变化值。
需要说明的是,同一片所述草地上放养的牲畜对于不同的草群有不同的进食习惯,通过所述无人机采集到的图像首先识别出所述目标草群,即为牲畜进食的草群,进而基于大数据分析识别所述图像中的所述目标草群以得到所述目标草群对应的变化值,由于所述草群的分布是庞大的,一片所述草群被进食后,可以获取所述周期内的草群变化值,进而分析出草地土壤对所述草群的影响,例如,取所述周期为七天,即对比第一天与第七天,同一片所述草群的变化之,包括但不仅限于所述长度、所述高度、所述宽度以及所述颜色变化值,以完善所述草地数据的监测。
值得一提的是,所述方法还包括识别牲畜体温数据,具体为:
建立与所述围栏内温控检测设备的通信连接;
获取热成像数据,得到所述牲畜体温值以及环境温度值;
基于所述牲畜体温值结合所述环境温度值通过识别算法计算体温差。
需要说明的是,所述识别算法的计算式如下:
R=T1-(T0|α*T2);
其中,R为所述体温差,T1为所述牲畜体温值,T0为所述标准值,T2为所述环境温度值,α为预设的环境参数值,以绵羊羊群为例,所述体温等级中存在正常与发热,其中,发热即为体温高于正常范围,所述体温差R为0.5℃~1℃称为微热,所述体温差R为1℃~2℃称为中热,所述体温差R为2℃~3℃称为高热,所述体温差R为3℃以上称为过高热,需要说明的是,测量绵羊羊群的体温时,需要使其处于自然静置状态超过“30min”以上。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种基于大数据的草地数据监测方法程序,所述基于大数据的草地数据监测方法程序被处理器执行时,实现如上述任一项所述的一种基于大数据的草地数据监测方法的步骤。
本发明公开的一种基于大数据的草地数据监测方法、系统和可读存储介质,设置不同的传感器获取采集到的对应各种传感数据,并基于CNN神经网络模型对采集到的地面上的环境数据进行模拟分析,与地表下的传感器采集的数据进行对比,得到草地土壤的信息,同时还能够基于采集到的图像信息获取对应草地的草群生长数据,以进一步识别出该草地上牲畜的进食喜好。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的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(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (4)
1.一种基于大数据的草地数据监测方法,其特征在于,包括以下步骤:
通过第一传感器组提取预设周期内的环境因子,输入到训练好的识别神经网络模型中得到模拟输出值;
通过第二传感器组提取所述周期内的土壤因子,基于所述模拟输出值判断当前所述草地的土壤等级;
基于预设图像通过大数据分析获取所述周期内所述草地目标草群的生长情况信息,以完成所述草地数据的监测,得到所述土壤等级后,通过所述周期内采集到的所述草地地表草群的生长情况信息,来同步分析所述草地的土壤对植物的影响;
所述通过第一传感器提取预设周期内的环境因子,输入到训练好的识别神经网络模型中得到模拟输出值,具体为:
建立与所述第一传感器组的通信连接,基于所述周期获取所述第一传感器组中各传感器采集的第一数据;
基于采集到的所述第一数据得到所述环境因子,其中,所述环境因子包括降水量,光照强度,环境PH值以及温度值;
将所述环境因子输入到训练好的所述识别神经网络模型中以得到所述模拟输出值;
所述通过第二传感器组提取所述周期内的土壤因子,基于所述模拟输出值判断当前所述草地的土壤等级,具体为:
建立与所述第二传感器组的通信连接,基于所述周期获取所述第二传感器组中各传感器采集的第二数据;
基于采集到的所述第二数据得到所述土壤因子,其中,所述土壤因子包括土壤含水量,土壤PH值,土壤松散度以及无机元素含量;
基于相邻所述周期得到的所述土壤因子获取土壤因子变化量;
比较所述模拟输出值与所述土壤因子变化量之间的相对关系,以得到所述土壤等级;
所述比较所述模拟输出值与所述土壤因子变化量之间的相对关系,以得到所述土壤等级,具体为:
比较所述模拟输出值与所述土壤因子变化量的大小关系,其中,
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值内,则将所述土壤等级判断为饱和等级;
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值外且所述绝对差值为正,则将所述土壤等级判断为低饱和等级;
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值外且所述绝对差值为负,则将所述土壤等级判断为过饱和等级;
所述识别神经网络模型训练方法为:
获取历史检测数据的环境因子与草地变化值;
将所述历史检测数据的环境因子与草地变化值进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述识别神经网络模型;
所述绝对差值的计算公式如下:
2.根据权利要求1所述的一种基于大数据的草地数据监测方法,其特征在于,所述基于预设图像通过大数据分析获取所述周期内所述草地目标草群的生长情况信息,以完成所述草地数据的监测,具体为:
获取所述周期内预设无人机采集到的所述图像;
基于大数据分析识别所述图像中的所述目标草群并得到所述目标草群对应的变化值;
基于所述变化值得到所述生长情况信息,其中,所述变化值包括长度、高度、宽度以及颜色变化值。
3.一种基于大数据的草地数据监测系统,其特征在于,包括存储器和处理器,所述存储器中包括基于大数据的草地数据监测方法程序,所述基于大数据的草地数据监测方法程序被所述处理器执行时实现如下步骤:
通过第一传感器组提取预设周期内的环境因子,输入到训练好的识别神经网络模型中得到模拟输出值;
通过第二传感器组提取所述周期内的土壤因子,基于所述模拟输出值判断当前所述草地的土壤等级;
基于预设图像通过大数据分析获取所述周期内所述草地目标草群的生长情况信息,以完成所述草地数据的监测,得到所述土壤等级后,通过所述周期内采集到的所述草地地表草群的生长情况信息,来同步分析所述草地的土壤对植物的影响;
所述通过第一传感器提取预设周期内的环境因子,输入到训练好的识别神经网络模型中得到模拟输出值,具体为:
建立与所述第一传感器组的通信连接,基于所述周期获取所述第一传感器组中各传感器采集的第一数据;
基于采集到的所述第一数据得到所述环境因子,其中,所述环境因子包括降水量,光照强度,环境PH值以及温度值;
将所述环境因子输入到训练好的所述识别神经网络模型中以得到所述模拟输出值;
所述通过第二传感器组提取所述周期内的土壤因子,基于所述模拟输出值判断当前所述草地的土壤等级,具体为:
建立与所述第二传感器组的通信连接,基于所述周期获取所述第二传感器组中各传感器采集的第二数据;
基于采集到的所述第二数据得到所述土壤因子,其中,所述土壤因子包括土壤含水量,土壤PH值,土壤松散度以及无机元素含量;
基于相邻所述周期得到的所述土壤因子获取土壤因子变化量;
比较所述模拟输出值与所述土壤因子变化量之间的相对关系,以得到所述土壤等级;
所述比较所述模拟输出值与所述土壤因子变化量之间的相对关系,以得到所述土壤等级,具体为:
比较所述模拟输出值与所述土壤因子变化量的大小关系,其中,
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值内,则将所述土壤等级判断为饱和等级;
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值外且所述绝对差值为正,则将所述土壤等级判断为低饱和等级;
所述模拟输出值与所述土壤因子变化量的绝对差值位于预设阈值外且所述绝对差值为负,则将所述土壤等级判断为过饱和等级;
所述识别神经网络模型训练方法为:
获取历史检测数据的环境因子与草地变化值;
将所述历史检测数据的环境因子与草地变化值进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述识别神经网络模型;
所述绝对差值的计算公式如下:
4.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括一种基于大数据的草地数据监测方法程序,所述基于大数据的草地数据监测方法程序被处理器执行时,实现如权利要求1至2中任一项所述的一种基于大数据的草地数据监测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111197982.4A CN114065481B (zh) | 2021-10-14 | 2021-10-14 | 基于大数据的草地数据监测方法、系统和可读存储介质 |
ZA2022/05360A ZA202205360B (en) | 2021-10-14 | 2022-05-16 | Big data-based monitoring method and monitoring system of grassland data and readable storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111197982.4A CN114065481B (zh) | 2021-10-14 | 2021-10-14 | 基于大数据的草地数据监测方法、系统和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114065481A CN114065481A (zh) | 2022-02-18 |
CN114065481B true CN114065481B (zh) | 2022-10-18 |
Family
ID=80234549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111197982.4A Active CN114065481B (zh) | 2021-10-14 | 2021-10-14 | 基于大数据的草地数据监测方法、系统和可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114065481B (zh) |
ZA (1) | ZA202205360B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116403125B (zh) * | 2022-12-20 | 2024-05-14 | 祁连山国家公园青海服务保障中心 | 基于无人机航拍的草原毛虫宜生区划分方法、系统及终端 |
CN116930459B (zh) * | 2023-07-25 | 2024-03-12 | 江苏龙环环境科技有限公司 | 一种土壤原位探测装置及其探测方法 |
CN116957207B (zh) * | 2023-09-19 | 2023-11-28 | 成都信息工程大学 | 一种实时数据采集的草地生态健康监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815073A (zh) * | 2020-08-06 | 2020-10-23 | 内蒙古工业大学 | 草地生物量的预测方法及装置、电子设备和存储介质 |
AU2020103570A4 (en) * | 2020-11-20 | 2021-02-04 | College of Grassland and Environmental Science, Xinjiang Agricultural University | Grassland soil degradation evaluation method |
CN113420739A (zh) * | 2021-08-24 | 2021-09-21 | 北京通建泰利特智能系统工程技术有限公司 | 基于神经网络的智能应急监控方法、系统和可读存储介质 |
-
2021
- 2021-10-14 CN CN202111197982.4A patent/CN114065481B/zh active Active
-
2022
- 2022-05-16 ZA ZA2022/05360A patent/ZA202205360B/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815073A (zh) * | 2020-08-06 | 2020-10-23 | 内蒙古工业大学 | 草地生物量的预测方法及装置、电子设备和存储介质 |
AU2020103570A4 (en) * | 2020-11-20 | 2021-02-04 | College of Grassland and Environmental Science, Xinjiang Agricultural University | Grassland soil degradation evaluation method |
CN113420739A (zh) * | 2021-08-24 | 2021-09-21 | 北京通建泰利特智能系统工程技术有限公司 | 基于神经网络的智能应急监控方法、系统和可读存储介质 |
Non-Patent Citations (5)
Title |
---|
不同降水强度4种草地群落土壤呼吸通量变化特征;董云社等;《科学通报》;20050515(第05期);第473-480页 * |
基于主成分分析的BP神经网络估算藏北高寒草地覆盖度变化;罗布等;《中国农学通报》;20180415(第11期);第54-59页 * |
基于遥感和无人机数据的草地NDVI影响因子多尺度分析;潘影 等;《草地学报》;20191231;第27卷(第6期);第1766-1773页 * |
拉萨河谷山地灌丛草地植物多样性监测方法的比较研究;罗黎鸣 等;《草业学报》;20160331;第25卷(第3期);第22-31页 * |
青藏高原草地地下生物量与环境因子的关系;杨秀静等;《生态学报》;20130408(第07期);第2032-2042页 * |
Also Published As
Publication number | Publication date |
---|---|
ZA202205360B (en) | 2022-09-28 |
CN114065481A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114065481B (zh) | 基于大数据的草地数据监测方法、系统和可读存储介质 | |
Zehm et al. | Multiparameter analysis of vertical vegetation structure based on digital image processing | |
Dusseux et al. | Evaluation of SPOT imagery for the estimation of grassland biomass | |
Fraga et al. | Examining the relationship between the Enhanced Vegetation Index and grapevine phenology | |
Romera et al. | Improving the McCall herbage growth model | |
Acevedo-Opazo et al. | Assessment of an empirical spatial prediction model of vine water status for irrigation management in a grapevine field | |
Agam et al. | Spatial distribution of water status in irrigated olive orchards by thermal imaging | |
CN113034301A (zh) | 一种农作物生长管理系统及方法 | |
Lanjeri et al. | A multi-temporal masking classification method for vineyard monitoring in central Spain | |
CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
Xia et al. | Phenology-based decision tree classification of rice-crayfish fields from Sentinel-2 imagery in Qianjiang, China | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
CN113570273A (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
Phillips et al. | Integration of geospatial and cattle nutrition information to estimate paddock grazing capacity in Northern US prairie | |
Yu et al. | Hyperspectral database prediction of ecological characteristics for grass species of alpine grasslands | |
CN114070862B (zh) | 基于物联网的畜牧控制方法、系统和可读存储介质 | |
Larbi et al. | Time series analysis of soybean response to varying atmospheric conditions for precision agriculture | |
Vasanthi | Crop growth monitoring and leaf area index estimation using wireless sensor network and CNN | |
CN114358615A (zh) | 一种动态草畜平衡监测方法 | |
Machado et al. | Stress conditions in soybean areas based on measurements of soil-plant-atmosphere system and UAV images | |
Cheema et al. | Quantification of land use changes in complex cropping of irrigated Indus basin, Pakistan using MODIS vegetation time series data. | |
Yoshitoshi et al. | Spatial Distribution of Grazing Sites and Dung of Beef Cows in a Sloping Pasture | |
Mfitumukiza | Evaluating rangeland potentials for cattle grazing in a mixed farming system | |
CN114724024B (zh) | 基于云计算平台和生命周期的双季作物种植界线自动化提取方法 | |
CN113971227B (zh) | 基于大数据的牲畜监测方法、系统和可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |