CN114359725B - 基于作物模型与同化技术的作物长势遥感监测系统及方法 - Google Patents
基于作物模型与同化技术的作物长势遥感监测系统及方法 Download PDFInfo
- Publication number
- CN114359725B CN114359725B CN202111659628.9A CN202111659628A CN114359725B CN 114359725 B CN114359725 B CN 114359725B CN 202111659628 A CN202111659628 A CN 202111659628A CN 114359725 B CN114359725 B CN 114359725B
- Authority
- CN
- China
- Prior art keywords
- data
- crop
- remote sensing
- monitoring
- module
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005516 engineering process Methods 0.000 title claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000013500 data storage Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims description 36
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 15
- 238000012952 Resampling Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 239000002028 Biomass Substances 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明属于农作物检测技术领域，公开了一种基于作物模型与同化技术的作物长势遥感监测系统及方法，所述基于作物模型与同化技术的作物长势遥感监测系统包括：遥感数据获取模块、数据预处理模块、数据传输模块、中央控制模块、模型构建模块、作物长势监测模块、长势参数提取模块、长势参数同化模块、数据存储模块、更新显示模块。本发明提供的基于作物模型与同化技术的作物长势遥感监测系统，有效的提高了作物监测的精度，方法简便、易于大面积推广应用。同时本发明进行数据同化能够有效提高监测模型的监测精度，揭示长势变化规律，保证结果的稳定与可靠；显著提高了作物监测和灾损评估的精度，具有重要应用前景。
Description
技术领域
本发明属于农作物检测技术领域，尤其涉及一种基于作物模型与同化技术的作物长势遥感监测系统及方法。
背景技术
目前，作物长势是农业日常用语，目前国内外对长势并没有明确的定义,也没有规范的算法。从字面上理解，长是指作物的生长发育，势在字典中解释为“表现出来的样子”，作物长势即作物生长发育表现出来的样子。势在汉语中还是一个哲学概念，势与形对，表示在事物特定的的结构与布局所决定的趋势。杨邦杰等将作物长势定义为“作物生长的状况与趋势”是合适的。从经验上判断，农技人员、农业管理人员、农民及与农业有关的人士在用作物长势一词时，也是基于状况与趋势二个方面，一方面关注作物的生物量，这是长势判断的基础，二是生物量的变化趋势，同样的生物量，在由弱变强与情况下，长势向好，在由强变弱的情况下，长势向差。
对于一定面积的作物的长势，决定于作物的个体特征与群体特征二个方面，作物个体特征主要用根、茎、叶、花、穗等的特征来描述，以小麦为例，反映个体特征的参数有：根的长度、数量与布局，株高与分蘖数，叶的数量、形状和颜色，穗粒数与千粒重等。
群体特征包括密度、布局与动态，密度指单位面积的株数或分蘖数，以小麦为例密度决定于基本苗数、分蘖数、穗数，布局指植株分布情况，以玉米为例，包括株距、行距与由于缺苗造成的植株分布的均匀情况，动态主要指生育期及作物受环境胁迫情况。上述个体参数与群体参数都是可以直接计数的，还有一类参数是需要结合个体与群体特征进行综合计算的，包括叶面积指数和覆盖度。
对作物个体特征进行测量是容易的，但不同个体的长势进行综合评价也是困难的，对一个较小的范围内的作物的群体特征进行描述也可以实现，对群体特征的优劣判断也是经验性的。作物总在在特定的地域特定的环境下生长发育，特别是动态的气候环境，很难用一个综合的指数，把作物个体与群体的特征综合起来，准确的反映作物长势全貌。现实中对主要作物长势的关注总是集中在一个较大的区域，各种区域差异因素使得对较大区域的作物长势进行定量的准确的描述与评价研究和建立一套成熟的面向作物长势监测和作物模型同化系统应用需求的区域。
作物参数反演技术是数字农业的必然要求和趋势。大量较为成熟的作物生长机理模型广泛应用于单点和区域作物生长过程模拟预测、田间管理、长势监测和产量估算等研究中。将数据同化技术与这些模型耦合时，还需要充分考虑各个模型的机理性、对同化参数的敏感性和不确定性以及区域扩展的适用性等问题。这些问题在现有的作物模型同化研究中还未得到较好地解决，同时缺乏系统深入的研究和探讨。目前还未见有国内外发布大区域或全球作物模型数据同化业务运行系统的相关报道。以上关键问题的深入研究和有效解决将有助于改进农情遥感信息和作物生长模型的结合是学科交叉取长补短的典型例子。
虽然近些年就遥感监测业务的作物监测和预报水平。更为困难。遥感信息与作物生长模型结合的同化方法有过一些研究，但对一些问题如作物生长模型本身的复杂性、同化算法等的研究很少。有些研究虽然扩展到区域尺度，但耦合的作物生长模型仍然较为简单，很多过程没有考虑，或做了假设处理。真正将遥感信息和完整的作物机理化的生长模型结合起来并应用到区域上而且取得良好效果的研究，尚且不多。到目前为止，此类研究所使用的遥感数据多为自行试验获得的地面光谱测量数据和航摄图象为主，仅有的区域应用研究主要使用AVHRR遥感数据，也有SPOT/HRV数据和MODIS数据。
同样，所采用的优化算法也有不同效果，例如很多研究者采用集合卡尔曼滤波法，此可以并行计算，但是集合卡尔曼滤波实际应用中经常出现滤波发散的问题，表现为随着同化时间的增加分析值将越来越向背景场靠近，最终完全排斥观测数据。同化策略也是一个存在的问题，采用什么样的代价函数将会影响到同化的结果，而基于先验知识的代价函数则具有完善的理论体系，它不仅引入了先验知识项，而且考虑了代价函数中各项的不确定性(从距离最近的角度则代表了各项的归一化)；另外，在基于先验知识的代价函数中，描述观测项不确定性的协方差矩阵则一直是困扰反演研究的难题，很少有研究说明如何来描述这一项。
通过上述分析，现有技术存在的问题及缺陷为：
(1)在高维空间、多尺度、非线性、非高斯、复杂不确定性以及状态量空间相关性等多种因素的综合作用下，现有的数据同化算法的不足日益突出，数据同化算法的精度较低。
(2)基于作物模型和同化算法的检测系统的对于作物的生长过程和产量的形成无法进行定量化的解释。
(3)基于作物模型和同化算法的结合的研究相对较少，处理的数据多为航拍数据等，对于高分卫星遥感数据应用的较少。
发明内容
针对现有技术存在的问题，本发明提供了一种基于作物模型与同化技术的作物长势遥感监测系统及方法。
本发明是这样实现的，一种基于作物模型与同化技术的作物长势遥感监测系统，所述基于作物模型与同化技术的作物长势遥感监测系统包括：
遥感数据获取模块，与中央控制模块连接，用于通过遥感数据获取设备采集待监测区域作物的低空遥感多源数据；其中，所述多源数据是作物可见光图像、多光谱图像和热红外图像的组合；
数据预处理模块，与中央控制模块连接，用于通过数据预处理程序对获取的待监测区域作物的低空遥感多源数据进行预处理，包括：
对获取的待监测区域作物的低空遥感多源数据进行辐射定标和几何纠正处理；
对纠正处理后的多源遥感数据进行时空维数据融合和光谱维数据融合：采用时空适应性反射率融合模型进行多源遥感数据的融合，同时将光谱图像进行小波变换，即将图像分解到不同频率下的不同特征域上；将分解后的低频分量和高频分量按一定的融合规则进行光谱维数据融合；
数据传输模块，与中央控制模块连接，用于通过数据传输设备将预处理后的待监测区域作物的低空遥感多源数据发送至中央处理器；
模型构建模块，与中央控制模块连接，用于通过模型构建程序根据预处理后的待监测区域作物的低空遥感多源数据进行作物长势遥感监测模型的构建；
所述通过模型构建程序根据预处理后的待监测区域作物的低空遥感多源数据进行作物长势遥感监测模型的构建包括：
获取融合后的多源遥感数据，基于获取的多源遥感数据进行作物种植区域的提取；
选取多个光谱指数，并生成对应光谱指数的旬最大值合成影像，计算生成以旬为单位的时间序列数据；
对所述时间序列数据进行滤波去噪和影像重建；并分别计算选取的光谱指数在作物年单产量中的权重值，构建综合监测指标；
构建作物单产量与综合监测指标的作物长势遥感监测模型。
进一步，所述基于作物模型与同化技术的作物长势遥感监测系统，还包括：
中央控制模块，与遥感数据获取模块、数据预处理模块、数据传输模块、模型构建模块、作物长势监测模块、长势参数提取模块、长势参数同化模块、数据存储模块、更新显示模块连接，用于通过中央处理器协调控制所述基于作物模型与同化技术的作物长势遥感监测系统各个模块的正常运行；
作物长势监测模块，与中央控制模块连接，用于通过作物长势监测程序利用构建得到的作物长势遥感监测模型进行作物长势监测，并获得作物长势监测数据；
长势参数提取模块，与中央控制模块连接，用于通过长势参数提取程序提取作物长势参数指标；
长势参数同化模块，与中央控制模块连接，用于通过长势参数同化程序对提取得到的作物长势参数指标进行同化分析处理；
数据存储模块，与中央控制模块连接，用于通过存储器存储获取的待监测区域作物的低空遥感多源数据、数据预处理结果、作物长势遥感监测模型、作物长势监测数据、作物长势参数指标以及长势参数同化结果；
更新显示模块，与中央控制模块连接，用于通过显示器对获取的待监测区域作物的低空遥感多源数据、数据预处理结果、作物长势遥感监测模型、作物长势监测数据、作物长势参数指标以及长势参数同化结果的实时数据进行更新显示。
进一步，所述进行辐射定标和几何纠正处理包括：
辐射定标处理：将影像的DN值转化为大气顶归一化光谱反射率，采用FLAASH模型进行大气纠正；
几何纠正处理：以监测区的历史影像数据作为参考影像，采用二次多项式方法对数据进行几何精纠正。
进一步，所述选取的光谱指数包括NDVI、EVI和LAI参数。
进一步，所述通过作物长势监测程序利用构建得到的作物长势遥感监测模型进行作物长势监测，并获得作物长势监测数据包括：
利用构建的作物长势遥感监测模型进行作物长势监测，并得到对应作物的长势指数数据；
根据修正用作物指数数据获得修正参数；根据所述修正参数修正所述作物的长势指数数据，即可得作物长势监测数据。
进一步，所述根据修正用作物指数数据获得修正参数包括：
根据所述监测用作物指数数据选择识别用关键时期；在所述识别用关键时期，基于所述修正用作物指数数据，识别各像元对应的耕地为未种植耕地或种植耕地；
对所述修正用遥感数据按照监测用遥感数据的图像分辨率重新采样；获取重新采样后各像元所覆盖的采样前未种植耕地和种植耕地的像元数量，计算重新采样后各像元中未种植耕地的比例，所述未种植耕地的比例为所述的修正参数。
进一步，所述长势参数同化模块中通过长势参数同化程序对提取得到的作物长势参数指标进行同化分析处理，包括：
获取预处理后的多源遥感数据，确定作物种植区域，对作物种植区域的多源遥感数据进行反演获得作物长势数据；
将反演得到的作物长势数据和提取得到的作物长势参数指标结合起来进行数据同化，得到优化的监测模型参数；
将得到的优化的监测模型参数代入监测模型，得到反演同化的作物长势数据。
本发明的另一目的在于提供一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现所述基于作物模型与同化技术的作物长势遥感监测系统。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用所述的基于作物模型与同化技术的作物长势遥感监测系统。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用所述的基于作物模型与同化技术的作物长势遥感监测系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的基于作物模型与同化技术的作物长势遥感监测系统，有效的提高了作物监测的精度，方法简便、易于大面积推广应用。同时本发明进行数据同化能够有效提高监测模型的监测精度，揭示长势变化规律，保证结果的稳定与可靠；显著提高了作物监测和灾损评估的精度，具有重要应用前景。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，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的附图。
图1是本发明实施例提供的基于作物模型与同化技术的作物长势遥感监测系统结构框图；
图中：1、遥感数据获取模块；2、数据预处理模块；3、数据传输模块；4、中央控制模块；5、模型构建模块；6、作物长势监测模块；7、长势参数提取模块；8、长势参数同化模块；9、数据存储模块；10、更新显示模块。
图2是本发明实施例提供的基于作物模型与同化技术的作物长势遥感监测方法流程图。
图3是本发明实施例提供的通过数据预处理模块利用数据预处理程序对获取的待监测区域作物的低空遥感多源数据进行预处理的方法流程图。
图4是本发明实施例提供的通过长势参数提取模块利用长势参数提取程序利用ENVI软件中的Bandmath功能提取作物长势参数指标的方法流程图。
图5是本发明实施例提供的通过长势参数同化模块利用长势参数同化程序对提取得到的作物长势参数指标进行同化分析处理的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于作物模型与同化技术的作物长势遥感监测系统及方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于作物模型与同化技术的作物长势遥感监测系统包括：遥感数据获取模块1、数据预处理模块2、数据传输模块3、中央控制模块4、模型构建模块5、作物长势监测模块6、长势参数提取模块7、长势参数同化模块8、数据存储模块9、更新显示模块10。
遥感数据获取模块1，与中央控制模块4连接，用于通过遥感数据获取设备采集待监测区域作物的低空遥感多源数据；其中，所述多源数据是作物可见光图像、多光谱图像和热红外图像的组合；
数据预处理模块2，与中央控制模块4连接，用于通过数据预处理程序对获取的待监测区域作物的低空遥感多源数据进行预处理；
数据传输模块3，与中央控制模块4连接，用于通过数据传输设备将预处理后的待监测区域作物的低空遥感多源数据发送至中央处理器；
中央控制模块4，与遥感数据获取模块1、数据预处理模块2、数据传输模块3、模型构建模块5、作物长势监测模块6、长势参数提取模块7、长势参数同化模块8、数据存储模块9、更新显示模块10连接，用于通过中央处理器协调控制所述基于作物模型与同化技术的作物长势遥感监测系统各个模块的正常运行；
模型构建模块5，与中央控制模块4连接，用于通过模型构建程序根据预处理后的待监测区域作物的低空遥感多源数据进行作物长势遥感监测模型的构建；
作物长势监测模块6，与中央控制模块4连接，用于通过作物长势监测程序利用构建得到的作物长势遥感监测模型进行作物长势监测，并获得作物长势监测数据；
长势参数提取模块7，与中央控制模块4连接，用于通过长势参数提取程序提取作物长势参数指标；
长势参数同化模块8，与中央控制模块4连接，用于通过长势参数同化程序对提取得到的作物长势参数指标进行同化分析处理；
数据存储模块9，与中央控制模块4连接，用于通过存储器存储获取的待监测区域作物的低空遥感多源数据、数据预处理结果、作物长势遥感监测模型、作物长势监测数据、作物长势参数指标以及长势参数同化结果；
更新显示模块10，与中央控制模块4连接，用于通过显示器对获取的待监测区域作物的低空遥感多源数据、数据预处理结果、作物长势遥感监测模型、作物长势监测数据、作物长势参数指标以及长势参数同化结果的实时数据进行更新显示。
如图2所示，本发明实施例提供的基于作物模型与同化技术的作物长势遥感监测方法包括以下步骤：
S101，通过遥感数据获取模块利用遥感数据获取设备采集待监测区域作物的低空遥感多源数据；通过数据预处理模块利用数据预处理程序对获取的待监测区域作物的低空遥感多源数据进行预处理；
S102，通过数据传输模块利用数据传输设备将预处理后的待监测区域作物的低空遥感多源数据发送至中央处理器；通过中央控制模块利用中央处理器协调控制所述基于作物模型与同化技术的作物长势遥感监测系统各个模块的正常运行；
S103，通过模型构建模块利用模型构建程序根据预处理后的待监测区域作物的低空遥感多源数据进行作物长势遥感监测模型的构建；通过作物长势监测模块利用作物长势监测程序利用构建得到的作物长势遥感监测模型进行作物长势监测，并获得作物长势监测数据；
S104，通过长势参数提取模块利用长势参数提取程序提取作物长势参数指标；通过长势参数同化模块利用长势参数同化程序对提取得到的作物长势参数指标进行同化分析处理；
S105，通过数据存储模块利用存储器存储获取的待监测区域作物的低空遥感多源数据、数据预处理结果、作物长势遥感监测模型、作物长势监测数据、作物长势参数指标以及长势参数同化结果；
S106，通过更新显示模块利用显示器对获取的待监测区域作物的低空遥感多源数据、数据预处理结果、作物长势遥感监测模型、作物长势监测数据、作物长势参数指标以及长势参数同化结果的实时数据进行更新显示。
如图3所示，本发明实施例提供的通过数据预处理程序对获取的待监测区域作物的低空遥感多源数据进行预处理，包括：
S201，对获取的待监测区域作物的低空遥感多源数据进行辐射定标和几何纠正处理；
S202，对纠正处理后的多源遥感数据进行时空维数据融合和光谱维数据融合。
本发明实施例提供的进行辐射定标和几何纠正处理包括：
辐射定标处理：将影像的DN值转化为大气顶归一化光谱反射率，采用FLAASH模型进行大气纠正；
几何纠正处理：以监测区的历史影像数据作为参考影像，采用二次多项式方法对数据进行几何精纠正。
本发明实施例提供的对纠正处理后的多源遥感数据进行时空维数据融合和光谱维数据融合包括：
采用时空适应性反射率融合模型进行多源遥感数据的融合，同时将光谱图像进行小波变换，即将图像分解到不同频率下的不同特征域上；将分解后的低频分量和高频分量按一定的融合规则进行光谱维数据融合。
如图4所示，本发明实施例提供的通过模型构建程序根据预处理后的待监测区域作物的低空遥感多源数据进行作物长势遥感监测模型的构建包括：
S301，获取融合后的多源遥感数据，基于获取的多源遥感数据进行作物种植区域的提取；
S302，选取多个光谱指数，并生成对应光谱指数的旬最大值合成影像，计算生成以旬为单位的时间序列数据；
S303，对所述时间序列数据进行滤波去噪和影像重建；并分别计算选取的光谱指数在作物年单产量中的权重值，构建综合监测指标；
S304，构建作物单产量与综合监测指标的作物长势遥感监测模型。
本发明实施例提供的选取的光谱指数包括NDVI、EVI和LAI参数。
如图5所示，本发明实施例提供的通过作物长势监测程序利用构建得到的作物长势遥感监测模型进行作物长势监测，并获得作物长势监测数据包括：
S401，利用构建的作物长势遥感监测模型进行作物长势监测，并得到对应作物的长势指数数据；
S402，根据修正用作物指数数据获得修正参数；根据所述修正参数修正所述作物的长势指数数据，即可得作物长势监测数据。
本发明实施例提供的根据修正用作物指数数据获得修正参数包括：
根据所述监测用作物指数数据选择识别用关键时期；在所述识别用关键时期，基于所述修正用作物指数数据，识别各像元对应的耕地为未种植耕地或种植耕地；
对所述修正用遥感数据按照监测用遥感数据的图像分辨率重新采样；获取重新采样后各像元所覆盖的采样前未种植耕地和种植耕地的像元数量，计算重新采样后各像元中未种植耕地的比例，所述未种植耕地的比例为所述的修正参数。
本发明实施例提供的通过长势参数同化程序对提取得到的作物长势参数指标进行同化分析处理，包括：
获取预处理后的多源遥感数据，确定作物种植区域，对作物种植区域的多源遥感数据进行反演获得作物长势数据；
将反演得到的作物长势数据和提取得到的作物长势参数指标结合起来进行数据同化，得到优化的监测模型参数；
将得到的优化的监测模型参数代入监测模型，得到反演同化的作物长势数据。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于作物模型与同化技术的作物长势遥感监测系统，其特征在于，所述基于作物模型与同化技术的作物长势遥感监测系统包括：
遥感数据获取模块，与中央控制模块连接，用于通过遥感数据获取设备采集待监测区域作物的低空遥感多源数据；其中，所述多源数据是作物可见光图像、多光谱图像和热红外图像的组合；
数据预处理模块，与中央控制模块连接，用于通过数据预处理程序对获取的待监测区域作物的低空遥感多源数据进行预处理，包括：
对获取的待监测区域作物的低空遥感多源数据进行辐射定标和几何纠正处理；
对纠正处理后的多源遥感数据进行时空维数据融合和光谱维数据融合：采用时空适应性反射率融合模型进行多源遥感数据的融合，同时将光谱图像进行小波变换，即将图像分解到不同频率下的不同特征域上；将分解后的低频分量和高频分量按一定的融合规则进行光谱维数据融合；
数据传输模块，与中央控制模块连接，用于通过数据传输设备将预处理后的待监测区域作物的低空遥感多源数据发送至中央处理器；
模型构建模块，与中央控制模块连接，用于通过模型构建程序根据预处理后的待监测区域作物的低空遥感多源数据进行作物长势遥感监测模型的构建；
所述通过模型构建程序根据预处理后的待监测区域作物的低空遥感多源数据进行作物长势遥感监测模型的构建包括：
获取融合后的多源遥感数据，基于获取的多源遥感数据进行作物种植区域的提取；
选取多个光谱指数，并生成对应光谱指数的旬最大值合成影像，计算生成以旬为单位的时间序列数据；
对所述时间序列数据进行滤波去噪和影像重建；并分别计算选取的光谱指数在作物年单产量中的权重值，构建综合监测指标；
构建作物单产量与综合监测指标的作物长势遥感监测模型。
2.如权利要求1所述的基于作物模型与同化技术的作物长势遥感监测系统，其特征在于，所述基于作物模型与同化技术的作物长势遥感监测系统，还包括：
中央控制模块，与遥感数据获取模块、数据预处理模块、数据传输模块、模型构建模块、作物长势监测模块、长势参数提取模块、长势参数同化模块、数据存储模块、更新显示模块连接，用于通过中央处理器协调控制所述基于作物模型与同化技术的作物长势遥感监测系统各个模块的正常运行；
作物长势监测模块，与中央控制模块连接，用于通过作物长势监测程序利用构建得到的作物长势遥感监测模型进行作物长势监测，并获得作物长势监测数据；
长势参数提取模块，与中央控制模块连接，用于通过长势参数提取程序提取作物长势参数指标；
长势参数同化模块，与中央控制模块连接，用于通过长势参数同化程序对提取得到的作物长势参数指标进行同化分析处理；
数据存储模块，与中央控制模块连接，用于通过存储器存储获取的待监测区域作物的低空遥感多源数据、数据预处理结果、作物长势遥感监测模型、作物长势监测数据、作物长势参数指标以及长势参数同化结果；
更新显示模块，与中央控制模块连接，用于通过显示器对获取的待监测区域作物的低空遥感多源数据、数据预处理结果、作物长势遥感监测模型、作物长势监测数据、作物长势参数指标以及长势参数同化结果的实时数据进行更新显示。
3.如权利要求1所述的基于作物模型与同化技术的作物长势遥感监测系统，其特征在于，所述进行辐射定标和几何纠正处理包括：
辐射定标处理：将影像的DN值转化为大气顶归一化光谱反射率，采用FLAASH模型进行大气纠正；
几何纠正处理：以监测区的历史影像数据作为参考影像，采用二次多项式方法对数据进行几何精纠正。
4.如权利要求1所述的基于作物模型与同化技术的作物长势遥感监测系统，其特征在于，所述选取的光谱指数包括NDVI、EVI和LAI参数。
5.如权利要求2所述的基于作物模型与同化技术的作物长势遥感监测系统，其特征在于，所述通过作物长势监测程序利用构建得到的作物长势遥感监测模型进行作物长势监测，并获得作物长势监测数据包括：
利用构建的作物长势遥感监测模型进行作物长势监测，并得到对应作物的长势指数数据；
根据修正用作物指数数据获得修正参数；根据所述修正参数修正所述作物的长势指数数据，即可得作物长势监测数据。
6.如权利要求5所述的基于作物模型与同化技术的作物长势遥感监测系统，其特征在于，所述根据修正用作物指数数据获得修正参数包括：
根据所述监测用作物指数数据选择识别用关键时期；在所述识别用关键时期，基于所述修正用作物指数数据，识别各像元对应的耕地为未种植耕地或种植耕地；
对所述修正用遥感数据按照监测用遥感数据的图像分辨率重新采样；获取重新采样后各像元所覆盖的采样前未种植耕地和种植耕地的像元数量，计算重新采样后各像元中未种植耕地的比例，所述未种植耕地的比例为所述的修正参数。
7.如权利要求2所述的基于作物模型与同化技术的作物长势遥感监测系统，其特征在于，所述长势参数同化模块中通过长势参数同化程序对提取得到的作物长势参数指标进行同化分析处理，包括：
获取预处理后的多源遥感数据，确定作物种植区域，对作物种植区域的多源遥感数据进行反演获得作物长势数据；
将反演得到的作物长势数据和提取得到的作物长势参数指标结合起来进行数据同化，得到优化的监测模型参数；
将得到的优化的监测模型参数代入监测模型，得到反演同化的作物长势数据。
8.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求1-7任意一项所述基于作物模型与同化技术的作物长势遥感监测系统。
9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用如权利要求1～7任意一项所述的基于作物模型与同化技术的作物长势遥感监测系统。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用如权利要求1～7任意一项所述的基于作物模型与同化技术的作物长势遥感监测系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111659628.9A CN114359725B (zh) | 2021-12-30 | 2021-12-30 | 基于作物模型与同化技术的作物长势遥感监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111659628.9A CN114359725B (zh) | 2021-12-30 | 2021-12-30 | 基于作物模型与同化技术的作物长势遥感监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114359725A CN114359725A (zh) | 2022-04-15 |
| CN114359725B true CN114359725B (zh) | 2024-03-26 |
Family
ID=81104519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111659628.9A Active CN114359725B (zh) | 2021-12-30 | 2021-12-30 | 基于作物模型与同化技术的作物长势遥感监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114359725B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114666375B (zh) * | 2022-05-27 | 2022-08-09 | 广东邦盛北斗科技股份公司 | 一种基于北斗卫星的智慧农业物联网方法、系统及云平台 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699315A (zh) * | 2009-10-23 | 2010-04-28 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
| CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
| CN106918816A (zh) * | 2017-03-21 | 2017-07-04 | 中国科学院遥感与数字地球研究所 | 农作物长势监测系统及其数据处理方法和模块 |
| WO2021226976A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
-
2021
- 2021-12-30 CN CN202111659628.9A patent/CN114359725B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699315A (zh) * | 2009-10-23 | 2010-04-28 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
| CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
| CN106918816A (zh) * | 2017-03-21 | 2017-07-04 | 中国科学院遥感与数字地球研究所 | 农作物长势监测系统及其数据处理方法和模块 |
| WO2021226976A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
Non-Patent Citations (2)
| Title |
|---|
| 农作物长势遥感监测业务化应用与研究进展;陈怀亮;李颖;张红卫;;气象与环境科学;20150215(第01期);全文 * |
| 基于遥感技术的大范围农作物长势监测方法;聂建博;杨斌;;计算机仿真;20200915(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114359725A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zeng et al. | A review of vegetation phenological metrics extraction using time-series, multispectral satellite data | |
| Hank et al. | Using a remote sensing-supported hydro-agroecological model for field-scale simulation of heterogeneous crop growth and yield: Application for wheat in central Europe | |
| CN110427995B (zh) | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 | |
| CN106918816B (zh) | 农作物长势监测系统及其数据处理方法和模块 | |
| Ramarohetra et al. | How satellite rainfall estimate errors may impact rainfed cereal yield simulation in West Africa | |
| Gandharum et al. | Remote sensing versus the area sampling frame method in paddy rice acreage estimation in Indramayu regency, West Java province, Indonesia | |
| CN111931988A (zh) | 遥感影像、作物模型与气象预报融合水稻成熟期预测方法 | |
| CN109211791A (zh) | 作物长势监测方法及系统 | |
| CN113553697B (zh) | 基于长时序多源数据的煤炭开采植被扰动分析方法 | |
| Chen et al. | Improving the practicability of remote sensing data-assimilation-based crop yield estimations over a large area using a spatial assimilation algorithm and ensemble assimilation strategies | |
| CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
| CN114120101A (zh) | 一种土壤水分多尺度综合感知方法 | |
| CN114359725B (zh) | 基于作物模型与同化技术的作物长势遥感监测系统及方法 | |
| Huang et al. | A methodology to reconstruct LAI time series data based on generative adversarial network and improved Savitzky-Golay filter | |
| Zhang et al. | Winter wheat yield prediction using integrated Landsat 8 and Sentinel-2 vegetation index time-series data and machine learning algorithms | |
| Tang et al. | Self-adapting extraction of cropland phenological transitions of rotation agroecosystems using dynamically fused NDVI images | |
| Kölle et al. | Do high-resolution satellite indices at field level reduce basis risk of satellite-based weather index insurance? | |
| CN118364975A (zh) | 多源数据驱动混合机理学习模型的小麦产量预测方法 | |
| Hu et al. | Detecting regional GPP variations with statistically downscaled solar-induced chlorophyll fluorescence (SIF) based on GOME-2 and MODIS data | |
| CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 | |
| JP2022082636A (ja) | 情報処理装置 | |
| Zhang et al. | Enhanced Feature Extraction From Assimilated VTCI and LAI With a Particle Filter for Wheat Yield Estimation Using Cross-Wavelet Transform | |
| CN118153802A (zh) | 遥感与多环境因素耦合的小麦关键物候期预测方法及装置 | |
| CN117911854A (zh) | 一种冬小麦遥感提取方法及系统 | |
| Wang et al. | Rice phenology retrieval based on growth curve simulation and multi-temporal sentinel-1 data |
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 |