CN114581401A - 农作物长势的监测方法、系统、设备及介质 - Google Patents

农作物长势的监测方法、系统、设备及介质 Download PDF

Info

Publication number
CN114581401A
CN114581401A CN202210201040.7A CN202210201040A CN114581401A CN 114581401 A CN114581401 A CN 114581401A CN 202210201040 A CN202210201040 A CN 202210201040A CN 114581401 A CN114581401 A CN 114581401A
Authority
CN
China
Prior art keywords
growth
sub
crops
normalized vegetation
early warning
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
Application number
CN202210201040.7A
Other languages
English (en)
Inventor
杨鑫
徐伟
姜凯英
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210201040.7A priority Critical patent/CN114581401A/zh
Priority to PCT/CN2022/089634 priority patent/WO2023165007A1/zh
Publication of CN114581401A publication Critical patent/CN114581401A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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

Abstract

本发明涉及人工智能技术领域，提供一种农作物长势的监测方法、系统、设备及介质。农作物长势的监测方法包括：获取当前地域中农作物的至少两个子地域的归一化植被指数；根据归一化植被指数的获取时间，判断农作物的生长状态，生长状态至少包括播种期、生长期和成熟期；其根据生长状态，将各子地域的归一化植被指数与农作物的生长状态包含的至少一个参考范围进行比较，判断并统计位于各参考范围内对应子地域的数量；根据统计的子地域的数量，进行分级预警。本发明将当前地域中农作物的多个归一化植被指数与预设的参考范围进行比较，根据参考范围中对应子地域的数量，监测农作物的长势。实现了告警信息的可视化，更利于用户监测作物的生长状态。

Description

农作物长势的监测方法、系统、设备及介质
技术领域
本发明涉及人工智能技术领域，特别涉及一种农作物长势的监测方法、系统、设备及介质。
背景技术
随着计算机技术和数字图像处理技术的发展，遥感技术在农业生产中的应用越来越普遍。归一化植被数据在世界范围内被广泛应用于监测干旱、监测和预测农业生产、协助预测存在火险的地域以及绘制沙漠扩侵图等场景。
由于遥感卫星拍摄的原始数据图像是周期性的，图像数据的时间周期横跨农农作物的生长期、播种期和成熟期，需要根据影像归一化植被数据值和农作物归一化植被数据值标准化对应农农作物生长的密度和强度等数据，并通过距平图、同比图、环比图等形式辅助用户对农农作物的长势监测和预警分析。目前市面上尚未有在卫星遥感农业场景下的归一化植被数据监测预警交互策略。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种农作物长势的监测方法、系统、设备及介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
为实现上述目的及其他相关目的，本发明提供一种农作物长势的监测方法，包括：
获取当前地域中农作物的若干个子地域的归一化植被指数；其中，所述当前地域包括多个子地域；
根据归一化植被指数的获取时间，判断所述农作物的生长状态，所述生长状态至少包括播种期、生长期和成熟期；其中，每个生长状态包含至少一个参考范围，参考范围是基于所述农作物的生长状态预先计算获得的归一化植被指数的范围；
根据所述生长状态，将各子地域的归一化植被指数与所述农作物的生长状态包含的至少一个参考范围进行比较，判断并统计位于各参考范围内对应子地域的数量；
根据统计的子地域的所述数量，进行分级预警，其中，分级的预警标准是预先设置的。
在本发明的一个实施例中，参考范围是基于所述农作物的生长状态预先计算获得的，具体包括：
获取至少连续两年中，农作物的多个归一化植被指数生长曲线，每个生长曲线表示农作物一年中各月份的归一化植被指数变化情况；
将所述多个归一化植被指数生长曲线进行线性拟合，获得农作物的参考生长曲线；
根据预设的生长状态，将所述参考生长曲线划分为播种期曲线、生长期曲线和成熟期曲线；
依次计算所述播种期曲线、生长期曲线和成熟期曲线中，对应的归一化植被指数的标准差，并对各标准差进行等距处理，分别获得与所述播种期、所述生长期和所述成熟期相对应的至少一个参考范围。
在本发明的一个实施例中，所述成熟期相对应的至少一个参考范围获得过程包括：
获得所述成熟期曲线中，各月份归一化植被指数，并计算各月份归一化植被指数的标准差；
预设有多个数值，且相邻数值之间的差值相同，并将多个数值依次与所述标准差相加，获得多个第一参考值；
将所述标准差依次减去所述多个数值，获得多个第二参考值；
将所述多个第一参考值和所述多个第二参考值结合，获得所述成熟期对应的至少一个参考范围。
在本发明的一个实施例中，所述月份归一化植被指数的标准差的计算方法为：
Figure BDA0003529228010000031
其中，
Figure BDA0003529228010000032
为归一化植被指数的平均值，xi为第i个月归一化植被指数，Tk-1为成熟期的开始时间，Tk为成熟期的结束时间。
在本发明一实施例中，所述根据统计的子地域的所述数量，进行分级预警，包括：
基于当前地域中农作物的生长状态，统计每个预警标准中包含的子地域的数量；其中，预警标准是预先设置的，预警标准包括一级预警标准、二级预警标准和三级预警标准，预警标准表示子地域的归一化植被指数超过预设的归一化植被指数阈值；
将每个预警标准中子地域的数量与对应预设的预警阈值比较，若子地域的数量大于对应的预警阈值，发出对应的预警信息。
在本发明一实施例中，所述根据归一化植被指数的获取时间，判断所述农作物的生长状态之前，还包括：根据农作物一年中不同的生长状态，预设各生长状态对应的时间范围。
在本发明一实施例中，所述获取当前地域中农作物的若干个子地域的归一化植被指数之前，还包括：将若干个参考范围对应的子地域数量清零。
为实现上述目的及其他相关目的，本发明还提供一种农作物长势的监测系统，包括：
数据获取模块，用于获取当前地域中农作物的至少两个子地域的归一化植被指数；其中，所述当前地域包括多个子地域；
生长状态获取模块，用于根据归一化植被指数的获取时间，判断所述农作物的生长状态，所述生长状态至少包括播种期、生长期和成熟期；其中，每个生长状态包含若干个参考范围，参考范围是基于所述农作物的生长状态预先计算获得的归一化植被指数的范围；
子地域比较模块，用于根据所述生长状态，将各子地域的归一化植被指数与所述农作物的生长状态包含的至少一个参考范围进行比较，判断并统计位于各参考范围内对应子地域的数量；
长势监测模块，用于根据统计的子地域的所述数量，进行分级预警，其中，分级的预警标准是预先设置的。
为实现上述目的及其他相关目的，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
为实现上述目的及其他相关目的，本发明还提供一种计算机可读存储介质，其上存储于计算机程序，所述计算机程序被处理器执行时实现现上述方法的步骤。
本发明的农作物长势的监测方法、系统、设备及介质，通过获取当前地域农作物的卫星图像中，多个归一化植被指数，用户可根据地域内红橙黄三色的告警位置和数量分析农作物长势监测和预警情况。通过以上交互策略不仅将遥感数据进行图表化，并进一步实现告警信息的可视化，这不仅提升用户数据分析的直观感受和效率，更是通过多项自定义的方式在最大程度上满足了用户进行数据分析和展示的自由空间，保证遥感数据的直观和形象。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1显示为本发明一实施例中农作物长势的监测方法的流程示意图；
图2显示为本发明一实施例中参考范围获得的流程示意图；
图3显示为本发明一实施例中成熟期参考范围获得的流程示意图；
图4显示为本发明一实施例中步骤S40的流程示意图；
图5显示为本发明一实施例中农作物长势的监测系统的结构框图；
图6显示为本发明一实施例中电子设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-6。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
图1示出了本发明的农作物长势的监测方法的流程示意图。
所述农作物长势的监测方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
下面将结合图1来详细阐述本发明的农作物长势的监测方法。
一种农作物长势的监测方法，包括：
S10、获取当前地域中农作物的至少两个子地域的归一化植被指数；其中，所述当前地域包括至少两个子地域。
归一化植被指数是反应农作物长势和营养信息的重要参数之一，是检测植被生长状态、植被覆盖度和消除部分辐射误差等。归一化植被指数能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关。在本实施例中，当前地域中农作物的归一化植被指数是以农作物生长期、播种期和成熟期的卫星图像作为参考。其中，播种期表示将农作物的种子等种植到土壤中，尚未生长发芽的时期，生长期表示作物破土而出，开始生长的时期，成熟期表示可以对农作物进行收割，获得果实的时期。用户选择农业场景下的卫星影像数据的归一化植被指数(Normalized Difference Vegetation Index，NDVI)图像，并选取对应的地域区间作为监测分析的样本数据。当前地域表示一个较大的地域范围，例如以市为单位进行划分。为了更加全面的监测作物的长势，可将当前地域随机划分为若干个不同子地域，每一个子地域表征当前地域中一个范围较小的子空间，例如，当前地域是山东济南市，子地域可以是济南市中各个区县，例如历下区、市中区、槐荫区等。通过监测每个区的作物长势，可以进一步获得整个市作物的长势状况。为了更加直观看到农作物长势变化情况，用户可以根据距平图、同比图和环比图综合了解作物的长势状态。其中，距平图表示各子地域农作物与同地域农作物平均长势的差异度，实现全局的比较，同比图表示各子地域农作物与之前同期同地域农作物长势的差异度，实现横向的比较，环比图表示各子地域农作物与上个月同地域农作物长势的差异度，实现纵向的比较。通过这种横向、纵向和全局的比较，用户可以清楚的监测到当前地域农作物的生长状况。需要说明的是，用户可选取单个地区甚至多个地区同时监测，例如选取张家口市和承德市，通过监测对应植被或作物的归一化植被指数，可以获知农作物的长势情况，并可根据长势情况，有针对性的进行下一步作物的护理工作。需要说明的是，考虑到数据测量的准确性，本发明中获取子地域的数量至少为两个，当然，获取的子地域数量越多，最终当前地域农作物长势的监测信息越准确。
接着进行步骤S20、根据归一化植被指数的获取时间，判断所述农作物的生长状态，所述生长状态至少包括播种期、生长期和成熟期；其中，每个生长状态包含至少一个参考范围，参考范围是基于所述农作物的生长状态预先计算获得的归一化植被指数的范围。
本实施例中，由于农作物具有播种期、生长期和成熟期三个不同的生长状态，首先需要将归一化植被指数的获取时间和各生长状态对应的时间范围进行比较，判断当前农作物所处的生长状态具体为播种期、生长期和成熟期中的哪一个。然后将归一化植被指数与该生长状态中包含的参考范围进行比较，判断农作物的长势。进一步地，由于不同的农作物其生长状态对应的时间范围不同，为了更加精确的获得当前物种的生长状态。本实施例中，根据归一化植被指数的获取时间，判断所述农作物的生长状态之前，还包括：根据农作物一年中不同的生长状态，预设各生长状态对应的时间范围。可以理解的是，不同农作物的生长状态各不相同，本领域技术人员可根据实际情况适应性设置。
接着，执行步骤S30、根据所述生长状态，将各子地域的归一化植被指数与所述农作物的生长状态包含的至少一个参考范围进行比较，判断并统计位于各参考范围内对应子地域的数量。
本实施例中，首先按照归一化植被指数递增的顺序，将当前地域中各子地域农作物的归一化植被指数进行排序，并选择归一化植被指数最小的子地域，将其对应的归一化植被指数与农作物当前生长状态中，预设的各参考范围进行比较。若该归一化植被指数处于某一个参考范围内，则此参考范围对应的子地域数量增加一个。若该归一化植被指数不处于任何一个参考范围内，则各参考范围对应的子地域数量保持不变。比较完成后，选择另一个子地域农作物的归一化植被指数继续与各参考范围进行比较，直至当前地域中所有子地域均比较完成后，即可获得当前地域在各参考范围中对应的子地域的数量。作为示例，参考范围有三个，分别为20-25,26-30,31-50，各子地域归一化植被指数为22、35、21、18。则将所有子地域的归一化植被指数与参考范围比较完成后，获得参考范围为20-25对应的子地域数量为2个，31-50对应的子地域数量为1个。由于每个参考范围对应一种长势状态，通过设定不同的参考范围，可以更精确的了解农作物的长势情形。可以理解的是，为了使最终参考范围对应的子地域数量准确，在本实施例中，需要先对参考范围进行初始化，也即将各参考范围对应的子地域数量清零。
进一步地，如图2所示，所述若干个参考范围是预先计算获得的，具体包括：
S301、获取至少连续两年中，农作物的若干个归一化植被指数生长曲线，每个生长曲线表示农作物一年中每个月的归一化植被指数变化情况；
S302、将若干个所述归一化植被指数生长曲线进行线性拟合，获得农作物的参考生长曲线；
S303、根据预设的生长状态，将所述参考生长曲线划分为播种期曲线、生长期曲线和成熟期曲线；
S304、依次计算所述播种期曲线、生长期曲线和成熟期曲线中，对应的归一化植被指数的标准差，并对各标准差进行等距处理，分别获得与所述播种期、所述生长期和所述成熟期相对应的至少一个参考范围。
在本实施例中，参考范围是预先获得，具体获取过程为：首先获得连续若干年中，每一年农作物归一化植被指数生长曲线，该生长曲线可以表示本年度中，农作物每个月的归一化植被指数。受到地域位置、地理环境和农作物类型等现实因素的影响，导致不同地域的地表温度、湿度、光照强度等微观因素有所差异，从而使得不同地域即使种植同一种作物，归一化植被指数也不相同。为了更加精确的监测不同地域作物的长势，需要选取当前地域连续多年的样本数据，例如，选择近五年该地域的样本数据，对于每一年，均建立一条归一化植被指数随月份波动的生长曲线。将这五条生长曲线进行线性拟合后，获得一条参考生长曲线。其中，线性拟合可通过选取每条生长曲线中对应点的数值，对各点的数值求平均获得若干个关键点，将若干个关键点依次相连，获得参考生长曲线。因此，该参考生长曲线可以表征该地域农作物各月份的普遍生长水平。并根据不同的生长状态对应的时间，将参考生长曲线划分为播种期曲线、生长期曲线和成熟期曲线，分别对应农作物各自的生长状态。通过计算播种期曲线、生长期曲线和成熟期曲线中各自的标准差，分别将对应的标准差等距处理后，获得每个生长状态对应的一个或多个参考范围。需要说明的是，本实施例中使用最小二乘法进行线性拟合，当然，本领域技术人员还可使用其他方法进行线性拟合，具体实现方法不做限定。
进一步地，如图3所示，所述成熟期相对应的至少一个参考范围获得过程包括：
S3041、获得所述成熟期曲线中，各月份归一化植被指数，并计算各月份归一化植被指数的标准差；
S3042、预设有多个数值，且相邻数值之间的差值相同，并将多个数值依次与所述标准差相加，获得多个第一参考值；
S3043、将所述标准差依次减去所述多个数值，获得多个第二参考值；
S3044、将所述多个第一参考值和所述多个第二参考值结合，获得所述成熟期对应的至少一个参考范围。
在本实施例中，通过将标准差加上或减去对应预设的数值，通过这种等距处理的方式，获得若干个参考范围。本实施例中以成熟期的参考范围获得的过程进行举例，当然，可以理解的是，播种期和生长期参考范围的获得过程与成熟期基本相同，在此不做赘述。由于参考范围是根据标准差获得的，因此每个参考范围都可以表示当前地域中作物的长势状态。具体地，首先预设有M个数值，保证相邻数值的差值保持一致。然后将每一个数值分别与标准差相加，获得M个第一参考值，第一参考值的公式为D1 k＝σ+ak(k＝1,2,…M)，其中，D1 k为第k个第一参考值，ak为第k个数值。相似地，为了保证数据的等距处理，使用标准差与M个数值作差，获得M个第二参考值。第二参考值的公式为D2 k＝σ+ak，其中，D2 k为第k个第二参考值。作为示例，可预设有3个数值(a1、a2、a3)，加上标准差后得到的3个值为：σ+a1、σ+a2和σ+a3。相应地，标准差与此3个数值的差为：σ-a1、σ-a2和σ-a3。则参考范围可以是(σ-a3，σ-a2)、(σ-a2，σ-a1)、(σ-a1，σ)、(σ，σ+a1)、(σ+a1，σ+a2)以及(σ+a2，σ+a3)六个不同的参考范围。可以理解的是，本领域技术人员可根据实际需要适应性设置参考范围的数量，在此不做限定。
在本实施例中，通过公式(1)计算所述月份归一化植被指数的标准差：
Figure BDA0003529228010000101
其中，
Figure BDA0003529228010000102
为归一化植被指数的平均值，xi为第i个月归一化植被指数，Tk-1为成熟期的开始时间，Tk为成熟期的结束时间。可以理解的是，归一化植被指数的平均值是通过在参考生长曲线中将各月的数值相加后求平均获得，具体计算过程在此不再赘述。
具体地，如图4所示，步骤S40包括以下过程：
S41、基于当前地域中农作物的生长状态，统计每个预警标准中包含的子地域的数量；其中，预警标准包括一级预警标准、二级预警标准和三级预警标准，预警标准表示子地域的归一化植被指数超过预设的归一化植被指数阈值；
S42、将每个预警标准中子地域的数量与对应预设的预警阈值比较，若子地域的数量大于对应的预警阈值，发出对应的预警信息。
本实施例中，用户选取的当前地域的多个归一化植被指数，需要按照预设的预警标准对当前地域进行划分，其中，预警标准至少包括一级预警标准、二级预警标准和三级预警标准，优选地，为了使色彩显示更引人注目，所述一级预警标准为红色预警、所述二级预警标准为橙色预警、所述三级预警标准为黄色预警。在每个预警标准中，都具有对应区间的参考范围。例如，可预先设置10个参考范围，每个参考范围对应一个等级。且红色预警中参考范围对应的等级高于橙色预警中参考范围对应的等级，橙色预警中参考范围对应的等级高于黄色预警中参考范围对应的等级，当作物长势落在对应预警标准内时，可以及时有效提醒用户作物长势。具体地，预设的预警标准为红色预警的预警区间是一到三级，橙色预警的预警区间是四到六级，黄色预警的预警区间是七到十级。红色预警表示此时的作物处于高度危险的状态，急需专业人员进入现场进行干预，从而避免作物受损。橙色预警的严重程度低于红色预警，表示此时的作物处于较危急的状态，用户可以选择在处理完红色预警地域后，派专业人员前往橙色预警地域进行作物护理。黄色预警的严重程度低于橙色预警，表示此时的作物虽然有部分数值不符合安全标准范围，但还处于相对较安全的状态，用户可以暂且不用对作物进行进一步护理。实际操作时，可先获得红色预警中参考范围的数量，并将每一个参考范围对应的子地域相加，获得红色预警中子地域的数量。再使用相同的方式，分别获得黄色预警和橙色预警中子地域的数量。作为示例，红色预警中参考范围有2个，分别对应1个和2个子地域，橙色预警中参考范围有3个，分别对应2个、5个和3个子地域，黄色预警中参考范围有1个，对应有4个子地域。且上述子地域各不相同。统计可知，红色预警中子地域有3个，橙色预警中子地域有10个，黄色预警中子地域有4个，由此可知，该地域中橙色预警的地域数量较多，需要专业人员前往现场，进一步加强管理。
需要说明的是，本发明中，用户可以通过改变每个预警标准含有的参考范围的数量，实现自定义设置预警标准。例如，用户可设置红色预警的预警区间是第一个到第五个参考范围，橙色预警的预警区间是第六个到第七个参考范围，黄色预警的预警区间是第八个到第十个参考范围。这种设置可根据每个地域的作物特色进行自定义设置。进一步地，已设置的地域会以列表的形式详细展示该地域位置、告警等级和告警程度并保持可编辑状态。卫星遥感影星地域内的三级告警信息数量符合视觉范围内展示最具体化原则，用户可根据放大或缩小遥感地图的形式实现观看不同地域层级所对应的告警信息数量。从而提升用户监测体验。用户可自主设置对应的触发条件。例如，首先根据样本数据进行标准差处理十级分档，系统会生成一个全国标准的默认参考值，例如：二到四级为黄色警告，五到七级为橙色警告，八到十级为红色警告。通过设定当前归一化植被指数的数值超过预设归一化植被指数值的70％则发出红色告警，且在红色告警中分为三个预警区间，当超过预设归一化植被指数值的范围为70％至80％时，为八级预警，当超过预设归一化植被指数值的范围为80％至90％时，为九级预警，当超过预设归一化植被指数值的范围为90％至100％时，为十级预警。用户参考全国标准值并依据己方样本的地域位置、作物种类和环境状况进行上下浮动调整地域标准值，在处理样本数据时可进一步个性化调整参数以辅助农作物监测和预警分析。在遥感技术和农业背景下，如果真实数据过高或者过低则对农业预测和风险防控都有重要现实意义。
需要说明的是，在本发明中，为了进一步保证数据的安全性，还可以将涉及到的数据及模型部署于区块链，以防止数据被恶意篡改。
需要说明的是，上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包含相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
如图5所示，是本发明的农作物长势的监测系统的结构框图。所述农作物长势的监测系统包括：数据获取模块111，生长状态获取模块112，子地域比较模块113和长势监测模块114。本发明所称的模块是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。
所述数据获取模块111用于获取当前地域中农作物的至少两个子地域的归一化植被指数；其中，所述当前地域包括至少两个子地域。
归一化植被指数是反应农作物长势和营养信息的重要参数之一，是检测植被生长状态、植被覆盖度和消除部分辐射误差等。归一化植被指数能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关。在本实施例中，当前地域中农作物的归一化植被指数是以农作物生长期、播种期和成熟期的卫星图像作为参考。其中，播种期表示将农作物的种子等种植到土壤中，尚未生长发芽的时期，生长期表示作物破土而出，开始生长的时期，成熟期表示可以对农作物进行收割，获得果实的时期。用户选择农业场景下的卫星影像数据的归一化植被指数(Normalized Difference Vegetation Index，NDVI)图像，并选取对应的地域区间作为监测分析的样本数据。当前地域表示一个较大的地域范围，例如以市为单位进行划分。为了更加全面的监测作物的长势，可将当前地域随机划分为若干个不同子地域，每一个子地域表征当前地域中一个范围较小的子空间，例如，当前地域是山东济南市，子地域可以是济南市中各个区县，例如历下区、市中区、槐荫区等。通过监测每个区的作物长势，可以进一步获得整个市作物的长势状况。为了更加直观看到农作物长势变化情况，用户可以根据距平图、同比图和环比图综合了解作物的长势状态。其中，距平图表示各子地域农作物与同地域农作物平均长势的差异度，实现全局的比较，同比图表示各子地域农作物与之前同期同地域农作物长势的差异度，实现横向的比较，环比图表示各子地域农作物与上个月同地域农作物长势的差异度，实现纵向的比较。通过这种横向、纵向和全局的比较，用户可以清楚的监测到当前地域农作物的生长状况。需要说明的是，用户可选取单个地区甚至多个地区同时监测，例如选取张家口市和承德市，通过监测对应植被或作物的归一化植被指数，可以获知农作物的长势情况，并可根据长势情况，有针对性的进行下一步作物的护理工作。
所述生长状态获取模块112用于根据归一化植被指数的获取时间，判断所述农作物的生长状态，所述生长状态至少包括播种期、生长期和成熟期；其中，每个生长状态包含至少一个参考范围，参考范围是基于所述农作物的生长状态预先计算获得的归一化植被指数的范围。
本实施例中，由于农作物具有播种期、生长期和成熟期三个不同的生长状态，首先需要将归一化植被指数的获取时间和各生长状态对应的时间范围进行比较，判断当前农作物所处的生长状态具体为播种期、生长期和成熟期中的哪一个。然后将归一化植被指数与该生长状态中包含的参考范围进行比较，判断农作物的长势。进一步地，由于不同的农作物其生长状态对应的时间范围不同，为了更加精确的获得当前物种的生长状态。本实施例中，根据归一化植被指数的获取时间，判断所述农作物的生长状态之前，还包括：根据农作物一年中不同的生长状态，预设各生长状态对应的时间范围。可以理解的是，不同农作物的生长状态各不相同，本领域技术人员可根据实际情况适应性设置。
所述子地域比较模块113用于根据所述生长状态，将各子地域的归一化植被指数与所述农作物的生长状态包含的至少一个参考范围进行比较，判断并统计位于各参考范围内对应子地域的数量。
本实施例中，首先按照归一化植被指数递增的顺序，将当前地域中各子地域农作物的归一化植被指数进行排序，并选择归一化植被指数最小的子地域，将其对应的归一化植被指数与农作物当前生长状态中，预设的各参考范围进行比较。若该归一化植被指数处于某一个参考范围内，则此参考范围对应的子地域数量增加一个。若该归一化植被指数不处于任何一个参考范围内，则各参考范围对应的子地域数量保持不变。比较完成后，选择另一个子地域农作物的归一化植被指数继续与各参考范围进行比较，直至当前地域中所有子地域均比较完成后，即可获得当前地域在各参考范围中对应的子地域的数量。作为示例，参考范围有三个，分别为20-25,26-30,31-50，各子地域归一化植被指数为22、35、21、18。则将所有子地域的归一化植被指数与参考范围比较完成后，获得参考范围为20-25对应的子地域数量为2个，31-50对应的子地域数量为1个。由于每个参考范围对应一种长势状态，通过设定不同的参考范围，可以更精确的了解农作物的长势情形。可以理解的是，为了使最终参考范围对应的子地域数量准确，在本实施例中，需要先对参考范围进行初始化，也即将各参考范围对应的子地域数量清零。
所述长势监测模块114用于根据统计的子地域的所述数量，进行分级预警，其中，分级的预警标准是预先设置的。
本实施例中，用户选取的当前地域的多个归一化植被指数，需要按照预设的预警标准对当前地域进行划分，其中，预警标准至少包括一级预警标准、二级预警标准和三级预警标准，优选地，为了使色彩显示更引人注目，所述一级预警标准为红色预警、所述二级预警标准为橙色预警、所述三级预警标准为黄色预警。在每个预警标准中，都具有对应区间的参考范围。例如，可预先设置10个参考范围，每个参考范围对应一个等级。且红色预警中参考范围对应的等级高于橙色预警中参考范围对应的等级，橙色预警中参考范围对应的等级高于黄色预警中参考范围对应的等级，当作物长势落在对应预警标准内时，可以及时有效提醒用户作物长势。具体地，预设的预警标准为红色预警的预警区间是一到三级，橙色预警的预警区间是四到六级，黄色预警的预警区间是七到十级。红色预警表示此时的作物处于高度危险的状态，急需专业人员进入现场进行干预，从而避免作物受损。橙色预警的严重程度低于红色预警，表示此时的作物处于较危急的状态，用户可以选择在处理完红色预警地域后，派专业人员前往橙色预警地域进行作物护理。黄色预警的严重程度低于橙色预警，表示此时的作物虽然有部分数值不符合安全标准范围，但还处于相对较安全的状态，用户可以暂且不用对作物进行进一步护理。实际操作时，可先获得红色预警中参考范围的数量，并将每一个参考范围对应的子地域相加，获得红色预警中子地域的数量。再使用相同的方式，分别获得黄色预警和橙色预警中子地域的数量。作为示例，红色预警中参考范围有2个，分别对应1个和2个子地域，橙色预警中参考范围有3个，分别对应2个、5个和3个子地域，黄色预警中参考范围有1个，对应有4个子地域。且上述子地域各不相同。统计可知，红色预警中子地域有3个，橙色预警中子地域有10个，黄色预警中子地域有4个，由此可知，该地域中橙色预警的地域数量较多，需要专业人员前往现场，进一步加强管理。
需要说明的是，本发明中，用户可以通过改变每个预警标准含有的参考范围的数量，实现自定义设置预警标准。例如，用户可设置红色预警的预警区间是第一个到第五个参考范围，橙色预警的预警区间是第六个到第七个参考范围，黄色预警的预警区间是第八个到第十个参考范围。这种设置可根据每个地域的作物特色进行自定义设置。进一步地，已设置的地域会以列表的形式详细展示该地域位置、告警等级和告警程度并保持可编辑状态。卫星遥感影星地域内的三级告警信息数量符合视觉范围内展示最具体化原则，用户可根据放大或缩小遥感地图的形式实现观看不同地域层级所对应的告警信息数量。从而提升用户监测体验。用户可自主设置对应的触发条件。用户参考全国标准值并依据己方样本的地域位置、作物种类和环境状况进行上下浮动调整地域标准值，在处理样本数据时可进一步个性化调整参数以辅助农作物监测和预警分析。在遥感技术和农业背景下，如果真实数据过高或者过低则对农业预测和风险防控都有重要现实意义。
需要说明的是，本实施例的农作物长势的监测系统是与上述农作物长势的监测方法相对应的系统。农作物长势的监测系统中的功能模块或者分别对应农作物长势的监测方法中的相应步骤。本实施例的农作物长势的监测系统可与农作物长势的监测方法相互相配合实施。相应地，本实施例的农作物长势的监测系统中提到的相关技术细节也可应用在上述农作物长势的监测方法中。
需要说明的是，上述的各功能模块实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的部分或全部步骤，或以上的各功能模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
如图6所示，是本发明电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于方向检测的文字识别程序。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于方向检测的文字识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行体检报告校验程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个农作物长势的监测方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成数据获取模块111，生长状态获取模块112，子地域比较模块113和长势监测模块114。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述体检项目推荐方法的部分功能。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图6中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
本发明的农作物长势的监测方法、系统、设备及介质，通过获取当前地域农作物的卫星图像中，多个归一化植被指数，用户可根据地域内红橙黄三色的告警位置和数量分析农作物长势监测和预警情况。通过以上交互策略不仅将遥感数据进行图表化，并进一步实现告警信息的可视化，这不仅提升用户数据分析的直观感受和效率，更是通过多项自定义的方式在最大程度上满足了用户进行数据分析和展示的自由空间，保证遥感数据的直观和形象。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种农作物长势的监测方法，其特征在于，包括：
获取当前地域中农作物的至少两个子地域的归一化植被指数；其中，所述当前地域包括至少两个子地域；
根据归一化植被指数的获取时间，判断所述农作物的生长状态，所述生长状态至少包括播种期、生长期和成熟期；其中，每个生长状态包含至少一个参考范围，参考范围是基于所述农作物的生长状态预先计算获得的归一化植被指数的范围；
根据所述生长状态，将各子地域的归一化植被指数与所述农作物的生长状态包含的至少一个参考范围进行比较，判断并统计位于各参考范围内对应子地域的数量；
根据统计的子地域的所述数量，进行分级预警，其中，分级的预警标准是预先设置的。
2.根据权利要求1所述的农作物长势的监测方法，其特征在于，所述参考范围是基于所述农作物的生长状态预先计算获得的，具体包括：
获取至少连续两年中，农作物的多个归一化植被指数生长曲线，每个生长曲线表示农作物一年中各月份的归一化植被指数变化情况；
将所述多个归一化植被指数生长曲线进行线性拟合，获得农作物的参考生长曲线；
根据预设的生长状态，将所述参考生长曲线划分为播种期曲线、生长期曲线和成熟期曲线；
依次计算所述播种期曲线、生长期曲线和成熟期曲线中，对应的归一化植被指数的标准差，并对各标准差进行等距处理，分别获得与所述播种期、所述生长期和所述成熟期相对应的至少一个参考范围。
3.根据权利要求2所述的农作物长势的监测方法，其特征在于，所述成熟期相对应的至少一个参考范围获得过程包括：
获得所述成熟期曲线中，各月份归一化植被指数，并计算各月份归一化植被指数的标准差；
预设有多个数值，且相邻数值之间的差值相同，并将多个数值依次与所述标准差相加，获得多个第一参考值；
将所述标准差依次减去所述多个数值，获得多个第二参考值；
将所述多个第一参考值和所述多个第二参考值结合，获得所述成熟期对应的至少一个参考范围。
4.根据权利要求3所述的农作物长势的监测方法，其特征在于，所述月份归一化植被指数的标准差的计算方法为：
Figure FDA0003529228000000021
其中，
Figure FDA0003529228000000022
为归一化植被指数的平均值，xi为第i个月归一化植被指数，Tk-1为成熟期的开始时间，Tk为成熟期的结束时间。
5.根据权利要求1所述的农作物长势的监测方法，其特征在于，所述根据统计的子地域的所述数量，进行分级预警，包括：
基于当前地域中农作物的生长状态，统计每个预警标准中包含的子地域的数量；其中，预警标准包括一级预警标准、二级预警标准和三级预警标准，预警标准表示子地域的归一化植被指数超过预设的归一化植被指数阈值；
将每个预警标准中子地域的数量与对应预设的预警阈值比较，若子地域的数量大于对应的预警阈值，发出对应的预警信息。
6.根据权利要求1所述的农作物长势的监测方法，其特征在于，所述根据归一化植被指数的获取时间，判断所述农作物的生长状态之前，还包括：根据农作物一年中不同的生长状态，预设各生长状态对应的时间范围。
7.根据权利要求1所述的农作物长势的监测方法，其特征在于，所述获取当前地域中农作物的若干个子地域的归一化植被指数之前，还包括：将若干个参考范围对应的子地域数量清零。
8.一种农作物长势的监测系统，其特征在于，包括：
数据获取模块，用于获取当前地域中农作物的至少两个子地域的归一化植被指数；其中，所述当前地域包括至少两个子地域；
生长状态获取模块，用于根据归一化植被指数的获取时间，判断所述农作物的生长状态，所述生长状态至少包括播种期、生长期和成熟期；其中，每个生长状态包含至少一个参考范围，每个参考范围是基于所述农作物的生长状态预先计算获得的归一化植被指数的范围；
子地域比较模块，用于根据所述生长状态，将各子地域的归一化植被指数与所述农作物的生长状态包含的至少一个参考范围进行比较，判断并统计位于各参考范围内对应子地域的数量；
长势监测模块，用于根据统计的子地域的所述数量，进行分级预警，其中，分级的预警标准是预先设置的。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202210201040.7A 2022-03-03 2022-03-03 农作物长势的监测方法、系统、设备及介质 Pending CN114581401A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210201040.7A CN114581401A (zh) 2022-03-03 2022-03-03 农作物长势的监测方法、系统、设备及介质
PCT/CN2022/089634 WO2023165007A1 (zh) 2022-03-03 2022-04-27 农作物长势的监测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210201040.7A CN114581401A (zh) 2022-03-03 2022-03-03 农作物长势的监测方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN114581401A true CN114581401A (zh) 2022-06-03

Family

ID=81772382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210201040.7A Pending CN114581401A (zh) 2022-03-03 2022-03-03 农作物长势的监测方法、系统、设备及介质

Country Status (2)

Country Link
CN (1) CN114581401A (zh)
WO (1) WO2023165007A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117541924A (zh) * 2023-11-16 2024-02-09 海南海柠科技有限公司 一种农作物生长状况的监测方法
CN117315492B (zh) * 2023-11-29 2024-04-02 中国平安财产保险股份有限公司 基于无人机技术的种植险预警方法、系统、设备及介质
CN117787573A (zh) * 2024-02-27 2024-03-29 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) 一种盐碱地治理预警方法、设备及介质
CN117859549A (zh) * 2024-03-11 2024-04-12 中化现代农业有限公司 棉花变量打顶方法、装置、电子设备和存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107014753B (zh) * 2017-03-06 2020-09-29 中国科学院遥感与数字地球研究所 作物长势监测方法和系统
CN109211791B (zh) * 2018-08-10 2020-09-22 北京观微科技有限公司 作物长势监测方法及系统
US11120552B2 (en) * 2019-02-27 2021-09-14 International Business Machines Corporation Crop grading via deep learning
CN112581464B (zh) * 2020-12-25 2024-02-23 武汉禾大科技有限公司 一种作物长势情况分析方法、装置及存储介质
CN113516100A (zh) * 2021-08-02 2021-10-19 中化现代农业有限公司 一种基于植被指数差异性的作物生长分析方法及系统
CN114005039B (zh) * 2021-12-31 2022-04-26 成都国星宇航科技有限公司 基于遥感图像的农作物长势评估方法、装置及电子设备

Also Published As

Publication number Publication date
WO2023165007A1 (zh) 2023-09-07

Similar Documents

Publication Publication Date Title
CN114581401A (zh) 农作物长势的监测方法、系统、设备及介质
Palacios et al. Automated grapevine flower detection and quantification method based on computer vision and deep learning from on-the-go imaging using a mobile sensing platform under field conditions
US10824861B2 (en) System and method using image based machine learning process for earth observation and analysis
Zweig et al. Using landscape context to map invasive species with medium‐resolution satellite imagery
Anderson et al. Estimation of fruit load in mango orchards: tree sampling considerations and use of machine vision and satellite imagery
Du et al. A global map of planting years of plantations
CN111539403B (zh) 农业大棚的识别方法、装置及电子设备
CN110298322B (zh) 一种基于遥感数据的耕地提取方法及系统
Gao et al. Object-based classification with features extracted by a semi-automatic feature extraction algorithm–SEaTH
CN111931711B (zh) 一种多源异构遥感大数据处理方法和装置
CN116304600B (zh) 基于大数据分析的外来入侵物种预警方法及系统
CN112712038A (zh) 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
CN109859057A (zh) 一种农田数据处理方法、服务器及存储介质
CN112016588A (zh) 一种面向遥相关模式的空间自相关聚类方法
WO2021133310A1 (en) Agricultural decision support system
Shahrin et al. Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning
CN114550848A (zh) 作物病害处理方法、装置、电子设备及计算机可读介质
CN107437262B (zh) 作物种植面积预警方法和系统
CN116579521B (zh) 产量预测时间窗口确定方法、装置、设备及可读存储介质
Sun et al. Monitoring annual urbanization activities in Guangzhou using Landsat images (1987–2015)
Odebiri et al. Mapping soil organic carbon distribution across South Africa's major biomes using remote sensing-topo-climatic covariates and Concrete Autoencoder-Deep neural networks
KR100785350B1 (ko) 양식장 모니터링 방법 및 그 시스템
Nabwire et al. Estimation of cold stress, plant age, and number of leaves in watermelon plants using image analysis
da Silva Junior et al. Comparison of mapping soybean areas in Brazil through perceptron neural networks and vegetation indices
CN113361622A (zh) 一种基于静止卫星的过火区提取方法及系统

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