CN114663761A - 作物长势确定方法、装置、设备和存储介质 - Google Patents
作物长势确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114663761A CN114663761A CN202210305606.0A CN202210305606A CN114663761A CN 114663761 A CN114663761 A CN 114663761A CN 202210305606 A CN202210305606 A CN 202210305606A CN 114663761 A CN114663761 A CN 114663761A
- Authority
- CN
- China
- Prior art keywords
- crop
- index
- determining
- growth
- leaf area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 59
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 59
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims abstract description 59
- 235000016709 nutrition Nutrition 0.000 claims abstract description 37
- 230000035764 nutrition Effects 0.000 claims abstract description 37
- 238000010521 absorption reaction Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 22
- 235000015816 nutrient absorption Nutrition 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 38
- 238000002310 reflectometry Methods 0.000 claims description 22
- 229910052757 nitrogen Inorganic materials 0.000 claims description 19
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 239000013589 supplement Substances 0.000 claims description 5
- 235000021231 nutrient uptake Nutrition 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000001502 supplementing effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005200 bud stage Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000001863 plant nutrition Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例公开了一种作物长势确定方法、装置、设备和存储介质，该方法包括：根据叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数；其中，所述设定关系值基于所述叶面积指数和所述叶绿素浓度测量数据计算得到，或者，所述设定关系值基于所述目标地块的遥感影像处理得到的用于表征叶面积指数和叶绿素浓度之间的设定关系的植被指数确定得到；根据所述作物营养吸收指数确定作物长势。本方案能够高效、准确的确定作物长势，为作物田间管理和稳定生产提供了良好的依据。
Description
技术领域
本申请实施例涉及作物识别技术领域，尤其涉及一种作物长势确定方法、装置、设备和存储介质。
背景技术
作物长势表征了作物的生长状况，通过对作物长势的分析判断可以得到可靠的作物生长情况。
现有技术中，在对作物的长势进行判断时，大多采用基于叶面积指数的方法进行分析，该叶面积指数与植被的密度、结构、生物学特性和环境条件有关，能够表示植被利用光能状况以及具有的冠层结构，进而一定程度上反映作物长势差异。但是，使用该叶面积指数进行长势判断时，侧重表达作物利用光能的有效面积，缺乏对叶片自身光合作用能力的考量，因此在反演作物长势差异时存在区分度粗糙的问题。
发明内容
本发明实施例提供了一种作物长势确定方法、装置、设备和存储介质，解决了现有技术中确定作物长势时精确性差的问题，能够高效、准确的确定作物长势，为作物田间管理和稳定生产提供了良好的依据。
第一方面，本发明实施例提供了一种作物长势确定方法，该方法包括：
根据叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数；其中，所述设定关系值基于所述叶面积指数和所述叶绿素浓度测量数据计算得到，或者，所述设定关系值基于所述目标地块的遥感影像处理得到的用于表征叶面积指数和叶绿素浓度之间的设定关系的植被指数确定得到；
根据所述作物营养吸收指数确定作物长势。
第二方面，本发明实施例还提供了一种作物长势确定装置，该装置包括：
作物指数确定模块，用于根据叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数；其中，所述设定关系值基于所述叶面积指数和所述叶绿素浓度测量数据计算得到，或者，所述设定关系值基于所述目标地块的遥感影像处理得到的用于表征叶面积指数和叶绿素浓度之间的设定关系的植被指数确定得到；
作物长势确定模块，用于根据所述作物营养吸收指数确定作物长势。
第三方面，本发明实施例还提供了一种作物长势确定设备，该设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例所述的作物长势确定方法。
第四方面，本发明实施例还提供了一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例所述的作物长势确定方法。
本发明实施例中，根据叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数，其中，设定关系值基于叶面积指数和叶绿素浓度测量数据计算得到，或者，设定关系值基于目标地块的遥感影像处理得到的用于表征叶面积指数和叶绿素浓度之间的设定关系的植被指数确定得到，再根据作物营养吸收指数确定作物长势，解决了确定作物长势时精确性差的问题，能够高效、准确的确定作物长势，为作物田间管理和稳定生产提供了良好的依据。
附图说明
图1为本发明实施例提供的一种作物长势确定方法的流程图；
图2为本发明实施例提供的一种基于遥感影像确定作物长势的方法的流程图；
图3为本发明实施例提供的另一种作物长势确定方法的流程图；
图4为本发明实施例提供的一种作物长势确定装置的模块示意图；
图5为本发明实施例提供的一种作物长势确定设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的作物长势确定方法进行详细地说明。
图1为本发明实施例提供的一种作物长势确定方法的流程图，本实施例可以实现对目标地块作物长势的分析处理，该方法可以由具备计算功能的设备如无人设备、遥控设备、服务器设备、笔记本电脑或手机终端等来执行，具体包括如下步骤：
步骤S101、根据叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数。
其中，该叶面积指数指单位土地面积上植物叶片总面积占土地面积的倍数；在一定的范围内，作物的产量随叶面积指数的增大而提高；叶绿素浓度表征植物绿色程度的参数，指示了植物本身的状况，长势良好的植物叶片会含有更多的叶绿素，对某一特定作物品种来说，叶绿素浓度值越高，代表此作物越健康。
在一个实施例中，根据叶面积指数和叶绿素浓度之间的设定关系值表征作物营养吸收指数，相较于进行单一的叶面积指数来评价作物长势情况而言，更加客观和准确。
其中，该设定关系值基于叶面积指数和所述叶绿素浓度测量数据计算得到，或者，基于目标地块的遥感影像处理得到的用于表征叶面积指数和叶绿素浓度之间的设定关系的植被指数确定得到。
在一个实施例中，通过对待测作物进行叶面积指数和叶绿素浓度测量得到测量数据后，基于该测量数据进行计算得到作物营养吸收指数。示例性的，以棉花蕾期到采收期为例，测得的叶面积指数示例性的为1.5至3.5，叶绿素浓度示例性的为40至60。可选的，具体的根据该叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数的方式可以是：将测量得到的叶面积指数和叶绿素浓度的值进行相乘得到作物营养吸收指数；或者，将测得的叶面积指数和叶绿素浓度的值分别归一化处理，将处理后的结果相乘或相加得到作物营养吸收指数。
由上述可知，设定关系值可以是叶面积指数和叶绿素浓度的值的乘积，也可以是叶面积指数和叶绿素浓度分别归一化后的值的乘积或和。
在另一实施例中，该设定关系值还可以是基于目标地块的遥感影像处理得到的用于表征叶面积指数和叶绿素浓度之间的设定关系的植被指数确定得到。可选的，该表征叶面积指数和叶绿素浓度之间的设定关系的植被指数可以是MTVI2指数、SAVI指数或NDVI指数，即通过对目标地块的遥感影像进行处理得到表征叶面积指数和叶绿素浓度之间的设定关系的植被指数，用以作为作物营养吸收指数。
步骤S102、根据所述作物营养吸收指数确定作物长势。
其中，确定作物营养吸收指数后，根据该作物营养吸收指数确定作物长势。作物长势反应了作物的生长情况，后续可根据该作物长势对目标地块进行相应的措施，如针对长势不好的地块，对作物进行补氮处理等。
在一个实施例中，针对测量得到的叶面积指数和叶绿素浓度确定的作物营养吸收指数而言，可通过设置的作物营养吸收指数阈值，与测得的对应地块的作物营养吸收指数进行比对，低于该作物营养吸收指数阈值的地块被确定为长势差的地块。
在另一个实施例中，可以通过统计学方式基于作物营养吸收指数确定作物长势。具体的，以通过对遥感影像进行处理得到每个像元的表征叶面积指数和叶绿素浓度之间的设定关系的植被指数作为作物营养吸收指数为例，可以是：根据确定的作物营养吸收指数确定待测作物中各田块的植被指数标准值，将作物营养吸收指数低于植被指数标准值的田块确定为长势差的田块。
具体的，长势确定方式可通过如下表达式确定：
其中，f(xi)为待测作物每个像元的长势评价结果，xi为待测作物每个像元的作物营养吸收指数。
为植被指数标准值，其中，该植被指数标准值基于目标地块中待测作物每个像元的作物营养吸收指数组成的正态分布函数确定，其具体取值大小可以是正态分布函数曲线横坐标为-1.96δ或-1δ对应的作物营养吸收指数的数值，其中，δ为正态分布的标准差。
由上述可知，根据叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数，其中，设定关系值基于叶面积指数和叶绿素浓度测量数据计算得到，或者，设定关系值基于目标地块的遥感影像处理得到的用于表征叶面积指数和叶绿素浓度之间的设定关系的植被指数确定得到，再根据作物营养吸收指数确定作物长势，该种作物长势确定方式，综合考量了叶面积指数和叶绿素浓度，相较于采用单一的叶面积指数或叶绿素浓度进行作物长势评价的方法，能够更加准确的表征作物长势，解决了现有技术中，确定作物长势时精确性差的问题，能够高效、准确的确定作物长势，为作物田间管理和稳定生产提供了良好的依据。
图2为本发明实施例提供的一种基于遥感影像确定作物长势的方法的流程图，如图2所示，具体包括：
步骤S201、获取目标地块中包含待测作物的作物影像图，对所述作物影像图进行预处理得到不同波段的反射率遥感影像。
其中，目标地块可以是需要进行作物长势确定的地块。在该目标地块中种植有作物，该作物作为待测作物对其进行长势确定，可为作物田间管理和稳定生产提供了良好的依据。
在一个实施例中，获取目标地块中包含待测作物的作物影像图。可选的，该作物影像图可以是通过控制搭载有多光谱相机的无人设备在目标地块上空航行，拍摄得到待测作物的作物影像图。其中，多光谱相机是在普通航空照相机的基础上发展而来，多光谱照相指在可见光的基础上向红外光和紫外光两个方向扩展，并通过各种滤光片或分光器与多种感光胶片的组合，使其同时分别接收同一目标在不同窄光谱带上所辐射或反射的信息，即可得到目标的几张不同光谱带的图像。示例性的，如控制无人设备在固定高度如30米高度在目标地块上空匀速稳定飞行并进行拍摄正射影像作为作物影像图。通过对该作物影像图进行预处理得到不同波段的反射率遥感影像。具体的，可以是对作物影像图进行图像配准、辐射定标以及镶嵌处理操作得到不同波段的反射率遥感影像。其中，图像配准用以抑制系统性和非系统性引起的图像的几何变形，如通过设置的传感器模型进行图像配准。辐射定标指将作物影像图的亮度灰度值转换为绝对的辐射亮度的过程。镶嵌处理为当目标地块超出单幅遥感影像所覆盖的范围时，将两幅或多幅图像拼接形成一幅或一系列覆盖全目标地块的较大的图像。在进行镶嵌处理时，首先确定一幅参考图像，参考图像将作为输出镶嵌图像的基准，决定镶嵌图像的对比度匹配以及输出图像的像元大小和数据类型等。可选的，可通过使用遥感图像处理平台或其它图像处理软件以生成作物影像图对应的不同波段的反射率遥感影像。
步骤S202、根据所述不同波段的反射率遥感影像确定设定关系值，并将该设定关系值作为作物营养吸收指数。
在一个实施例中，表征叶面积指数和叶绿素浓度之间的设定关系值的具体的植被指数，可通过各个参量的相关度的统计分析得到。如通过对不同叶面积指数、叶绿素浓度以及得到的作物营养吸收指数的数据和相关的其它植被指数的对应数据进行相关度统计分析，示例性的，如下表所示：
上表中横向表头分别为基于遥感数据计算出的各个植被指数，其包括MTVI2指数、NDVI指数、RVI指数以及SAVI指数，纵向表头分别为通过实际检测如通过使用各种仪器确定出的针对A、B、C和D四个不同氮营养梯度研究区的叶面积指数(LAI)和对应的叶绿素浓度(SPAD)的平均值以及二者乘积得到的作物营养吸收指数(CNAI)，示例性的，叶面积指数通过植物冠层分析仪LAI-2200C进行检测确定，叶绿素浓度通过植物营养测定仪HLY-SPADMUTI4检测确定；表格中的横纵相交的数据为对应横向和纵向参数的相关度，如表格中第二行第二列中的数值638**表示LAI_A与MTVI2的相关度，其中数字数值越大表示二者相关度越高。表中数值内记录的**表示相关性在0.01显著(双尾)，*表示相关性在0.05显著(双尾)。
由此，预先通过对表格中记录的相关度数据分析，确定相关度最高的两个植被指数以用于表征作物营养吸收指数，在后续应用中，即可基于作物影像图来获取相应的植被指数，以用于进行作物长势分析。如可以将上述相关度最高的两个植被指数分别记为第一植被指数和第二植被指数，即通过联合使用第一植被指数和第二植被指数以进行作物长势确定，可选的，确定出的第一植被指数可以是MTVI2指数，第二植被指数可以是SAVI指数。即进行作物长势的确定是，可根据MTVI2指数和SAVI指数进行确定。在另一个实施例中，也可以是确定相关度最高的植被指数，基于该植被指数直接确定作物长势。
在一个实施例中，可以根据待测作物的不同时期的生长情况采用不同的植被指数进行计算确定其作物长势。通过大量数据分析结论得出，在作物处于未封行状态时，根据SAVI指数确定作物长势更为准确，在作物处于封行状态时，根据MTVI2指数确定作物长势。即在通过植被指数确定作物长势时，首先判断当前待测作物是否处于未封行状态，当确定出待测作物处于未封行状态时，根据SAVI指数确定作物长势；当确定出待测作物处于封行状态时，根据MTVI2指数确定作物长势。可选的，该封行状态可通过对作物影像图或得到的遥感影像进行识别确定，也可以是相关人员手动录入。
可选的，以第一植被指数为MTVI2指数，第二植被指数为SAVI指数为例，该第一植被指数和第二植被指数的具体的通过遥感影像进行确定的过程可以是：
根据公式
确定所述MTVI2指数，以及根据公式
确定所述SAVI指数，其中，NIR为近红外波段反射率，R为红波段反射率，G为绿波段反射率，L为土壤调节系数，取值为0.5。
步骤S303、根据所述作物营养吸收指数确定作物长势。
由上述方案可知，在作物长势确定过程中，通过大量数据实验分析，针对作物封行期的不同选择植被指数MTVI2和植被指数SAVI表征作物营养吸收指数进行作物长势的确定，可以显著提升作物长势确定时的准确度。
图3为本发明实施例提供的另一种作物长势确定方法的流程，进一步包括了对确定长势后的作物进行进一步处理的过程，如图3所示，具体包括：
步骤S301、根据叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数。
步骤S302、根据所述作物营养吸收指数确定作物长势。
步骤S303、根据所述作物长势生成氮素分布处方图，根据所述氮素分布处方图控制作业设备进行补氮操作。
其中，以目的地块被划分为30个不同子区域为例，在通过对作物长势分析确定长势较差的区域时，相应的生成氮素分布处方图，处方图中对于长势较差的区域进行相应的标记。通过控制作业设备对标记的子区域进行补氮操作以施加氮肥保证作物的长势良好。其中的作业设备可以包括但不限于以下至少之一：无人设备、灌溉设备。
由上述可知，在确定出目标地块的作物长势后，进一步的根据作物长势生成氮素分布处方图，根据氮素分布处方图控制作业设备进行补氮操作，以实现目标地块的作物稳定生长。
图4为本发明实施例提供的一种作物长势确定装置的模块示意图，该装置用于执行上述描述的作物长势确定方法，具备执行方法相应的功能模块和有益效果。如图4所示，该装置具体包括：作物指数确定模块101和作物长势确定模块102，其中，
作物指数确定模块101，用于根据叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数；其中，所述设定关系值基于所述叶面积指数和所述叶绿素浓度测量数据计算得到，或者，所述设定关系值基于所述目标地块的遥感影像处理得到的用于表征叶面积指数和叶绿素浓度之间的设定关系的植被指数确定得到；
作物长势确定模块102，用于根据所述作物营养吸收指数确定作物长势。
由上述方案可知，根据叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数，其中，设定关系值基于叶面积指数和叶绿素浓度测量数据计算得到，或者，设定关系值基于目标地块的遥感影像处理得到的用于表征叶面积指数和叶绿素浓度之间的设定关系的植被指数确定得到，再根据作物营养吸收指数确定作物长势，解决了确定作物长势时精确性差的问题，能够高效、准确的确定作物长势，为作物田间管理和稳定生产提供了良好的依据。
在一个可能的实施例中，所述作物指数确定模块101还用于：
在根据叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数之前，获取目标地块中包含待测作物的作物影像图，对所述作物影像图进行预处理得到不同波段的反射率遥感影像；根据所述不同波段的反射率遥感影像确定设定关系值。
在一个可能的实施例中，所述作物指数确定模块101具体用于：
根据所述不同波段的反射率遥感影像确定第一植被指数和第二植被指数；
所述作物长势确定模块102具体用于：
根据所述第一植被指数和所述第二植被指数确定作物长势。
在一个可能的实施例中，所述第一植被指数包括MTVI2指数，所述第二植被指数包括SAVI指数，所述作物长势确定模块103具体用于：
当通过所述作物影像图确定出待测作物处于未封行状态时，根据所述SAVI指数确定作物长势；
当通过所述作物影像图确定出待测作物处于封行状态时，根据所述MTVI2指数确定作物长势。
在一个可能的实施例中，所述作物指数确定模块102具体用于：
根据公式
确定所述MTVI2指数，以及根据公式
确定所述SAVI指数，其中，NIR为近红外波段反射率，R为红波段反射率，G为绿波段反射率，L＝0.5。
在一个可能的实施例中，所述作物长势确定模块103具体用于：
根据所述作物营养吸收指数确定所述待测作物中各田块的植被指数标准值，将作物营养吸收指数低于所述植被指数标准值的田块确定为长势差的田块。
在一个可能的实施例中，该装置还包括补氮模块，用于在根据所述作物营养吸收指数确定作物长势之后，根据所述作物长势生成氮素分布处方图；根据所述氮素分布处方图控制作业设备进行补氮操作。
本发明实施例还提供了一种智慧农业系统，可以应用上述任意示例描述的作物长势确定方法来实现作物长势的自动化分析，同时可基于分析结果生成飞巡任务，以及针对作物长势差的地块生成无人设备或者补氮装置的补氮任务等。
图5为本发明实施例提供的一种应用界面启动设备的结构示意图，如图5所示，该设备包括处理器201、存储器202、输入装置203和输出装置204；设备中处理器201的数量可以是一个或多个，图5中以一个处理器201为例；设备中的处理器201、存储器202、输入装置203和输出装置204可以通过总线或其他方式连接，图5中以通过总线连接为例。存储器202作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的应用界面启动方法对应的程序指令/模块。处理器201通过运行存储在存储器202中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的应用界面启动方法。输入装置203可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置204可包括显示屏等显示设备。
本发明实施例还提供一种包含计算机可执行指令的存储介质，可以以服务端应用的形式存储，所述计算机可执行指令在由计算机处理器执行时用于执行一种作物长势确定方法，该方法包括：
根据叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数；其中，所述设定关系值基于所述叶面积指数和所述叶绿素浓度测量数据计算得到，或者，所述设定关系值基于所述目标地块的遥感影像处理得到的用于表征叶面积指数和叶绿素浓度之间的设定关系的植被指数确定得到；
根据所述作物营养吸收指数确定作物长势。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请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计算机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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是无人设备、手机、计算机、服务器或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
Claims (10)
1.作物长势确定方法，其特征在于，包括：
根据叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数；其中，所述设定关系值基于所述叶面积指数和所述叶绿素浓度测量数据计算得到，或者，所述设定关系值基于所述目标地块的遥感影像处理得到的用于表征叶面积指数和叶绿素浓度之间的设定关系的植被指数确定得到；
根据所述作物营养吸收指数确定作物长势。
2.根据权利要求1所述的作物长势确定方法，其特征在于，在所述设定关系值基于所述目标地块的遥感影像处理得到的用于表征叶面积指数和叶绿素浓度之间的设定关系的植被指数确定得到时，在根据叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数之前，还包括：
获取目标地块中包含待测作物的作物影像图，对所述作物影像图进行预处理得到不同波段的反射率遥感影像；
根据所述不同波段的反射率遥感影像确定所述设定关系值。
3.根据权利要求2所述的作物长势确定方法，其特征在于，所述根据所述不同波段的反射率遥感影像确定所述设定关系值，包括：
根据所述不同波段的反射率遥感影像确定第一植被指数和第二植被指数；
所述根据所述作物营养吸收指数确定作物长势，包括：
根据所述第一植被指数和所述第二植被指数确定作物长势。
4.根据权利要求3所述的作物长势确定方法，其特征在于，所述第一植被指数包括MTVI2指数，所述第二植被指数包括SAVI指数，所述根据所述第一植被指数和所述第二植被指数确定作物长势，包括：
当通过所述作物影像图确定出待测作物处于未封行状态时，根据所述SAVI指数确定作物长势；
当通过所述作物影像图确定出待测作物处于封行状态时，根据所述MTVI2指数确定作物长势。
5.根据权利要求3所述的作物长势确定方法，其特征在于，所述根据所述不同波段的反射率遥感影像确定第一植被指数和第二植被指数，包括：
根据公式
确定所述MTVI2指数，以及根据公式
确定所述SAVI指数，其中，NIR为近红外波段反射率，R为红波段反射率,G为绿波段反射率，L为土壤调节系数，取值为0.5。
6.根据权利要求1-5中任一项所述的作物长势确定方法，其特征在于，所述根据所述作物营养吸收指数确定作物长势，包括：
根据所述作物营养吸收指数确定所述待测作物中各田块的植被指数标准值，将作物营养吸收指数低于所述植被指数标准值的田块确定为长势差的田块。
7.根据权利要求1-5中任一项所述的作物长势确定方法，其特征在于，在根据所述作物营养吸收指数确定作物长势之后，还包括：
根据所述作物长势生成氮素分布处方图；
根据所述氮素分布处方图控制作业设备进行补氮操作。
8.作物长势确定装置，其特征在于，包括：
作物指数确定模块，用于根据叶面积指数和叶绿素浓度之间的设定关系值确定目标地块的作物营养吸收指数；其中，所述设定关系值基于所述叶面积指数和所述叶绿素浓度测量数据计算得到，或者，所述设定关系值基于所述目标地块的遥感影像处理得到的用于表征叶面积指数和叶绿素浓度之间的设定关系的植被指数确定得到；
作物长势确定模块，用于根据所述作物营养吸收指数确定作物长势。
9.作物长势确定设备，所述设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现权利要求1-7中任一项所述的作物长势确定方法。
10.一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行权利要求1-7中任一项所述的作物长势确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210305606.0A CN114663761A (zh) | 2022-03-25 | 2022-03-25 | 作物长势确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210305606.0A CN114663761A (zh) | 2022-03-25 | 2022-03-25 | 作物长势确定方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114663761A true CN114663761A (zh) | 2022-06-24 |
Family
ID=82030700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210305606.0A Pending CN114663761A (zh) | 2022-03-25 | 2022-03-25 | 作物长势确定方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114663761A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117253145A (zh) * | 2023-09-15 | 2023-12-19 | 沈阳农业大学 | 一种糜子绿豆不同间作模式下生长态势确定方法及系统 |
-
2022
- 2022-03-25 CN CN202210305606.0A patent/CN114663761A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117253145A (zh) * | 2023-09-15 | 2023-12-19 | 沈阳农业大学 | 一种糜子绿豆不同间作模式下生长态势确定方法及系统 |
| CN117253145B (zh) * | 2023-09-15 | 2024-06-25 | 沈阳农业大学 | 一种糜子绿豆不同间作模式下生长态势确定方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms | |
| Khan et al. | Estimation of vegetation indices for high-throughput phenotyping of wheat using aerial imaging | |
| CN111461052B (zh) | 基于迁移学习的多个生育期小麦倒伏区域识别方法 | |
| CN111461053B (zh) | 基于迁移学习的多个生育期小麦倒伏区域识别系统 | |
| CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
| Bao et al. | UAV remote sensing detection of tea leaf blight based on DDMA-YOLO | |
| CN111553240B (zh) | 一种玉米病害病情分级方法、系统和计算机设备 | |
| Etienne et al. | Machine learning approaches to automate weed detection by UAV based sensors | |
| CN112147078B (zh) | 一种农作物表型信息多源遥感监测方法 | |
| CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
| CN111985724B (zh) | 一种农作物产量预估的方法、装置、设备及存储介质 | |
| US20220307971A1 (en) | Systems and methods for phenotyping | |
| CN110765977A (zh) | 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法 | |
| CN110321774B (zh) | 农作物灾情评估方法、装置、设备及计算机可读存储介质 | |
| Palacios et al. | Early yield prediction in different grapevine varieties using computer vision and machine learning | |
| CN115620151A (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
| CN114663761A (zh) | 作物长势确定方法、装置、设备和存储介质 | |
| CN117889779A (zh) | 一种树冠生长监测方法、装置、电子设备及可读存储介质 | |
| Liu et al. | Rice leaf chlorophyll content estimation with different crop coverages based on Sentinel-2 | |
| CN113240648A (zh) | 一种多时相可见光影像的植被长势监测分析方法和装置 | |
| Pasichnyk et al. | Remote field monitoring results feasibility assessment for energy crops yield management. | |
| CN112632796A (zh) | 氮含量确定方法、作业方法、装置、电子设备及存储介质 | |
| CN117593387A (zh) | 一种作物冠层覆盖率评价方法及系统 | |
| CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
| Rony et al. | BottleNet18: Deep Learning-Based Bottle Gourd Leaf Disease Classification |
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 |