CN114842360A - 一种牧区旱情识别方法、系统及管理平台 - Google Patents
一种牧区旱情识别方法、系统及管理平台 Download PDFInfo
- Publication number
- CN114842360A CN114842360A CN202210537653.8A CN202210537653A CN114842360A CN 114842360 A CN114842360 A CN 114842360A CN 202210537653 A CN202210537653 A CN 202210537653A CN 114842360 A CN114842360 A CN 114842360A
- Authority
- CN
- China
- Prior art keywords
- drought
- band
- layer
- value
- image
- 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 36
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000011176 pooling Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/08—Adaptations of balloons, missiles, or aircraft for meteorological purposes; Radiosondes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Environmental & Geological Engineering (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种牧区旱情识别方法、系统及管理平台。牧区旱情识别方法结合了遥感数据以及无人机拍摄的图像数据,首先通过遥感数据计算出的干旱指数来初步判断其干旱情况,而后通过无人机拍摄作物图像,通过一系列滤波处理后输入模型获取干旱等级结果。本发明提供的方法、系统以及管理平台能够节省人力成本,获得准确度更高的旱情识别结果。
Description
技术领域
本发明涉及气象监测技术领域,特别是涉及一种牧区旱情识别方法、系统及管理平台。
背景技术
目前,随着全球气候变暖,大部分地区都在遭遇高温干旱的气候。我国是一个农牧业的大国,农牧业的干旱问题也是历来比较重视的。牧区的干旱程度影响着畜牧业的发展,也会制约我国农业生产活动和社会经济活动的可持续发展进程。干旱主要是由于长时间降雨量低、高温、高蒸发以及低土壤湿度而造成的牧区作物生长期水分不足,作物体内水分匮乏,作物正常生理活动受到影响而甚至引起作物减产的气象灾害。
气象因素是干旱的致灾因子之一,因此现有的常用的旱情识别方法包括对现有一段时间的气象数据进行记录,以及对作物区的蒸发量、土壤的含水量、径流量等进行记录,并建立模型来定量或定性分析区域的干旱等级,但是上述方法需要耗费人力来记录数据,且上述方法识别的旱情准确度不高,缺乏实时性,不适合大面积区域开展。现有旱情识别方法还包括利用遥感图像数据来获得区域的NDVI和温度数据(Ts),从而利用温度-植被指数特征空间反演土壤湿度,得到土壤浅层的含水量情况从而得到旱情等级。单纯利用遥感图像来获取 NDVI,从而反演出土壤湿度的模型的准确率也不高,因此需要研究出一种能够自动、准确识别旱情的方法、系统及管理平台。
发明内容
本发明提供一种牧区旱情识别方法、系统及管理平台,以解决现有技术中准确度底等问题。
为实现上述目的,本发明提供了如下方案:一种牧区旱情识别方法,包括以下步骤,获取目标区域的landsat9数据;获取Landsat9数据中的热红外波段值;根据所述热红外波段值计算亮度温度Tband并根据亮度温度计算陆地表面温度TLST;获取Landsat9数据中的红波段和近红外波段值并计算得到归一化植被指数NDVI;根据陆地表面温度和归一化植被指数来计算植被干旱指数DI;根据DI的值来初步判断目标区域的干旱情况;如果DI大于第一阈值,那么通过无人机获取目标区域作物的图片,并将其输入至第一模型来获取其干旱等级。
优选的,根据所述热红外波段值计算亮度温度Tband具体包括:
其中,L1和L2是Landsat9中的红外波段10,11,Ls是波段10和11的光谱辐射。
优选的,根据亮度温度计算陆地表面温度TLST具体包括:
TLST=TB10+K1(TB10-TB11)+K2(TB10-TB11)2+(K3+K4W)(1-m)+(K5+K6W)Δm
其中,TB10和TB11是波段10和波段11的亮度温度值,K1-K6是常数,W是从MODIS 图像中提取出的水蒸气值,m是地表辐射系数的平均值,Δm是波段10和波段11的地标辐射系数的差值。
优选的,获取Landsat9数据中的红波段和近红外波段值并计算得到归一化植被指数NDVI 具体包括:
其中,Band5和Band4是Landsat9中的波段5和波段4的值。
优选的,根据陆地表面温度和归一化植被指数来计算植被干旱指数DI具体包括:
其中,TLSTmin=a'+b'NDVI,TLSTmin是NDVI对应的陆地表面温度的最小值,a,b,a',b'是系数。
优选的,第一模型为深度学习模型,通过如下方式获得:
首先,获取样本图像,样本图像为各若干张轻度干旱、中度干旱、重度干旱的作物图像,原始图像的分辨率为640×400;对样本图像进行随机旋转、镜像、对比度调整等预处理以增加样本数量。
将图像分为R、G、B三个通道的图像,对于每个通道的图像,将图像分为n×n个块,此处n可以取20,每个块的大小为m1×m2(如果n取20,每个块大小为32×20);第k个块的平均能量为:
aij是在第i行第j列的像素的值;这样每个通道的原始图像的特征矩阵转换为n×n的矩阵。
然后对转换后的图像矩阵使用滤波器进行滤波,优选地,采用二维滤波器对图像的每个通道的图像进行滤波,滤波器函数如下:
xθ=xcosθ+ysinθ,yθ=-xsinθ+ycosθ;
其中,x,y是矩阵元素的坐标位置,δx和δy是x和y轴的标准差,θ是滤波器的方向(取值范围是0-360°),l是波长(单位是像素),是相位的偏移;这里θ取0°,35°,70°, 105°,140°,175°,l可以取10,15,20,30,35。此处使用不同的方向和波长对特征图进行了过滤,使得n×n的矩阵变成了3×(6n)×(5n)的矩阵;
接着将矩阵进行压缩,取R、G、B三个通道矩阵的均值形成6n×5n的特征矩阵。
优选的,在将特征矩阵输入第一模型的网络前,每个特征矩阵都减去均值矩阵,均值矩阵是从训练子集中计算获得的。
第一模型的网络结构如下:第一层为卷积层,卷积核大小为5*5,步长为2个像素,第二层为卷积层,卷积核大小为3*3,步长为1个像素,第三层为最大池化层,第四层为卷积层,卷积核大小为3*3,第五层为卷积层,卷积核大小为3*3,第六层为最大池化层,接着是空间金字塔池化层,然后连接全连接层。SPP层将特征图从细到粗分成若干部分,对每一部分进行池化操作。
将样本图像经过上述处理后的特征矩阵及其对应的标签输入第一模型的网络进行训练,采用随机梯度下降优化算法来迭代训练网络的权重。
模型训练好后,将无人机拍摄的作物图像通过上述滤波提取特征以及减去均值操作后,将其输入至模型,最后输出其干旱等级:轻度干旱、中度干旱、重度干旱。
本发明还提供了一种牧区旱情识别系统,包括:
遥感模块,数据存储模块,无人机,控制模块,数据处理模块,数据处理模块与无人机相连接,控制模块与无人机、数据处理模块相连接,数据处理模块执行上述的牧区旱情识别方法。
本发明还提供了一种管理平台,其包括上述的牧区旱情识别系统,以及显示终端,告警模块,显示终端与识别系统相连接,将识别到的情况包括正常、轻度干旱、中度干旱、重度干旱以不同的颜色呈现在显示终端上,并通知相应的管理人员。
与现有技术相比,本发明具有的有益效果为:
(1)首先遥感卫星影像的分辨率有的不能满足精度要求,但其能较明显地区分非干旱和干旱的情形,但是对于干旱的程度并不能很好地区分,利用遥感图像来初步判断目标区域的干旱情况,当初判其属于干旱时才调用无人机拍摄图像,并输入至网络模型来进一步细分其干旱等级能够提高识别的准确度以及节省成本;
(2)使用精准的计算方法获得地表温度而不是直接从MODIS数据中获取地表温度数据,可以得到更加准确的地表温度;
(3)在图像输入网络模型前,通过使用不同的滤波器来过滤原始特征,减少了原始图像的维度,且输入网络进行二次特征提取和分类,提高了识别率,更能适应多光照条件和角度的变换,更适应复杂的野外环境。
附图说明
图1是本发明实施例提供的牧区旱情识别方法的流程示意图;
图2是本发明实施例提供的经过滤波器滤波(提取特征)后生成特征图的示意图;
图3是本发明实施例提供的第一模型网络的结构示意图;
图4是本发明实施例提供的牧区旱情识别系统的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
实施例一:
参见图1,为一种牧区旱情识别方法,包括:
S1:获取目标区域的landsat9数据及Landsat9数据中的热红外波段值;S2:根据所述热红外波段值计算亮度温度Tband并根据亮度温度计算陆地表面温度TLST;S3:获取Landsat9数据中的红波段和近红外波段值并计算得到归一化植被指数NDVI;S4:根据陆地表面温度和归一化植被指数来计算植被干旱指数DI;S5:根据DI的值来初步判断目标区域的干旱情况;如果DI大于等于第一阈值,那么通过无人机获取目标区域作物的图片,并将其输入至第一模型来获取其干旱等级;如果DI小于第一阈值,则直接输出目标区域的干旱情况为适宜。
优选的,根据所述热红外波段值计算亮度温度Tband具体包括:
其中,L1和L2是Landsat9中的红外波段10、11,LS是波段10和11的光谱辐射。
优选的,根据亮度温度计算陆地表面温度TLST具体包括:
TLST=TB10+K1(TB10-TB11)+K2(TB10-TB11)2+(K3+K4W)(1-m)+(K5+K6W)Δm;
其中,TB10和TB11中是波段10和波段11的亮度温度值,K1-K6是常数,W是从MODIS 图像中提取出的水蒸气值,m是地表辐射系数的平均值,Δm是波段10和波段11的地标辐射系数的差值。
优选的,获取Landsat9数据中的红波段和近红外波段值并计算得到归一化植被指数NDVI 具体包括:
其中,Band5和Band4是Landsat9中的波段5和波段4的值。
优选的,根据陆地表面温度和归一化植被指数来计算植被干旱指数DI具体包括:
其中,TLSTmin=a'+b'NDVI,TLSTmin是NDVI对应的陆地表面温度的最小值,a,b,a',b'是系数。
优选的,干旱指数的取值范围为0~1,干旱指数越小表示牧区的土壤情况越好,指数越大说明越干旱,此处第一阈值取0.4;
首先,获取样本图像,样本图像为各若干张轻度干旱、中度干旱、重度干旱的作物图像,原始图像的分辨率为640×400;对样本图像进行随机旋转、镜像、对比度调整等预处理以增加样本数量。
将图像分为R、G、B三个通道的图像,对于每个通道的图像,将图像分为n×n个块,此处n可以取20,每个块的大小为m1×m2(如果n取20,每个块大小为32×20);第k个块的平均能量为:
aij是在第i行第j列的像素的值;这样每个通道的原始图像的特征矩阵转换为n×n的矩阵。
然后对转换后的图像矩阵使用滤波器进行滤波,如图2所示,为本发明实施例提供的经过滤波器滤波(提取特征)后生成特征图的示意图;优选地,采用二维滤波器对图像的每个通道的图像进行滤波,滤波器函数如下:
xθ=xcosθ+ysinθ,yθ=-xsinθ+ycosθ;
其中,x,y是矩阵元素的坐标位置,δx和δy是x和y轴的标准差,θ是滤波器的方向(取值范围是0-360°),l是波长(单位是像素),是相位的偏移;这里θ取0°,35°,70°, 105°,140°,175°,l可以取10,15,20,30,35。此处使用不同的方向和波长对特征图进行了过滤,使得原始图像的特征矩阵转换为3×(6n)×(5n)的矩阵。
接着将矩阵进行压缩,取R、G、B三个通道矩阵的均值形成6n×5n的特征矩阵Gfilter。
优选的,在将特征矩阵Gfilter输入第一模型的网络前,每个特征矩阵都减去均值矩阵,均值矩阵是从训练子集中计算获得的。
如图3所示,为本发明实施例提供的第一模型网络的结构示意图。第一模型网络的结构如下:第一层为卷积层,卷积核大小为5*5,步长为2个像素,第二层为卷积层,卷积核大小为3*3,步长为1个像素,第三层为最大池化层,第四层为卷积层,卷积核大小为3*3,第五层为卷积层,卷积核大小为3*3,第六层为最大池化层,接着是空间金字塔池化层,然后连接全连接层。SPP层将特征图从细到粗分成若干部分,对每一部分进行池化操作。
将样本图像经过上述处理后的特征矩阵及其对应的标签输入第一模型的网络进行训练,采用随机梯度下降优化算法来迭代训练网络的权重。
模型训练好后,将无人机拍摄的作物图像通过上述滤波提取特征以及减去均值操作后,将其输入至模型,最后输出其干旱等级:轻度干旱、中度干旱、重度干旱。
实施例二:参见图4,一种牧区旱情识别系统,包括:
遥感模块,数据存储模块,无人机模块,控制模块,数据处理模块,数据处理模块与无人机相连接,控制模块与无人机、数据处理模块相连接,数据处理模块执行上述的牧区旱情识别方法。
实施例三:本发明还提供了一种管理平台,其包括上述的牧区旱情识别系统,以及显示终端,告警模块,显示终端与识别系统相连接,将识别到的情况包括正常、轻度干旱、中度干旱、重度干旱以不同的颜色呈现在显示终端上,并通知相应的管理人员。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (11)
1.一种牧区旱情识别方法,其特征在于,包括以下步骤:
S1:获取目标区域的landsat9数据及Landsat9数据中的热红外波段值;
S2:根据所述热红外波段值计算亮度温度Tband并根据亮度温度计算陆地表面温度TLST;
S3:获取Landsat9数据中的红波段和近红外波段值并计算得到归一化植被指数NDVI;
S4:根据陆地表面温度和归一化植被指数来计算植被干旱指数DI;
S5:根据DI的值来初步判断目标区域的干旱情况;如果DI大于等于第一阈值,那么通过无人机获取目标区域作物的图片,并将其输入至第一模型来获取其干旱等级;如果DI小于第一阈值,则直接输出目标区域的干旱情况为适宜。
3.根据权利要求2所述的一种牧区旱情识别方法,其特征在于,所述根据亮度温度计算陆地表面温度TLST,计算如下:
TLST=TB10+K1(TB10-TB11)+K2(TB10-TB11)2+(K3+K4W)(1-m)+(K5+K6W)Δm
其中,TB10和TB11是波段10和波段11的亮度温度值,K1-K6是常数,W是从MODIS图像中提取出的水蒸气值,m是地表辐射系数的平均值,Δm是波段10和波段11的地标辐射系数的差值。
6.根据权利要求1所述的一种牧区旱情识别方法,其特征在于,第一模型为深度学习模型,获取步骤如下:
S501:获取样本图像及其标签,样本图像为若干张轻度干旱、中度干旱、重度干旱的作物图像;
S502:将所述样本图像分为R、G、B三个通道的图像,对于每个通道的图像分为n×n个块,n取整数;
S503:计算每个块的平均能量值构成原始三通道图像的特征矩阵Mr,Mg,Mb;
S504:对特征矩阵Mr,Mg,Mb使用滤波器进行滤波,得到滤波后的矩阵Mr’,Mg’,Mb’;
S505:对矩阵Mr’,Mg’,Mb’进行压缩,即取矩阵Mr’,Mg’,Mb’的均值形成新的特征矩阵Gfilter;
S506:将特征矩阵Gfilter及其对应标签输入第一模型进行训练得到训练好的第一模型。
9.根据权利要求6所述的一种牧区旱情识别方法,其特征在于,第一模型的网络结构如下:第一层为卷积层,卷积核大小为5*5,步长为2个像素,第二层为卷积层,卷积核大小为3*3,步长为1个像素,第三层为最大池化层,第四层为卷积层,卷积核大小为3*3,第五层为卷积层,卷积核大小为3*3,第六层为最大池化层,接着是空间金字塔池化层,然后连接全连接层;SPP层将特征图从细到粗分成若干部分,对每一部分进行池化操作。
10.一种用于执行如权利要求1-9任一项所述方法的牧区旱情识别系统,其特征在于,包括遥感模块、数据存储模块、无人机、控制模块、数据处理模块,数据处理模块与无人机相连接,控制模块与无人机、数据处理模块相连接。
11.一种牧区旱情识别管理平台,其特征在于:包括如权利要求10所述的牧区旱情识别系统,以及显示终端,告警模块,显示终端与识别系统相连接,将识别到的情况包括正常、轻度干旱、中度干旱、重度干旱以不同的颜色呈现在显示终端上,并通知相应的管理人员。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210537653.8A CN114842360A (zh) | 2022-05-17 | 2022-05-17 | 一种牧区旱情识别方法、系统及管理平台 |
NL2034838A NL2034838A (en) | 2022-05-17 | 2023-05-16 | Method, system and management platform for identifying drought conditions in pasturing areas |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210537653.8A CN114842360A (zh) | 2022-05-17 | 2022-05-17 | 一种牧区旱情识别方法、系统及管理平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114842360A true CN114842360A (zh) | 2022-08-02 |
Family
ID=82570916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210537653.8A Pending CN114842360A (zh) | 2022-05-17 | 2022-05-17 | 一种牧区旱情识别方法、系统及管理平台 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114842360A (zh) |
NL (1) | NL2034838A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018394A (zh) * | 2022-08-08 | 2022-09-06 | 成都数联云算科技有限公司 | 旱情评估方法、装置、存储介质、设备及计算机程序产品 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738175A (zh) * | 2020-06-24 | 2020-10-02 | 桂林理工大学 | 一种基于遥感影像和卷积神经网络的农业干旱监测系统 |
-
2022
- 2022-05-17 CN CN202210537653.8A patent/CN114842360A/zh active Pending
-
2023
- 2023-05-16 NL NL2034838A patent/NL2034838A/en unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018394A (zh) * | 2022-08-08 | 2022-09-06 | 成都数联云算科技有限公司 | 旱情评估方法、装置、存储介质、设备及计算机程序产品 |
CN115018394B (zh) * | 2022-08-08 | 2022-10-25 | 成都数联云算科技有限公司 | 旱情评估方法、装置、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
NL2034838A (en) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Estimation of corn yield based on hyperspectral imagery and convolutional neural network | |
Feng et al. | Yield estimation in cotton using UAV-based multi-sensor imagery | |
Liu et al. | Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms | |
US20230292647A1 (en) | System and Method for Crop Monitoring | |
CN102829739B (zh) | 一种面向对象的作物叶面积指数遥感反演方法 | |
CN111289441B (zh) | 多光谱下的大田作物含水量确定方法、系统及设备 | |
US7058197B1 (en) | Multi-variable model for identifying crop response zones in a field | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN113033670B (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
CN112418188A (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
CN110889394A (zh) | 基于深度学习UNet网络的水稻倒伏识别方法 | |
CN112613338B (zh) | 基于rgb图像融合特征的小麦叶层氮含量估测方法 | |
Li et al. | A UAV-aided prediction system of soil moisture content relying on thermal infrared remote sensing | |
Bai et al. | A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery | |
CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
CN114842360A (zh) | 一种牧区旱情识别方法、系统及管理平台 | |
Xu et al. | MP-Net: An efficient and precise multi-layer pyramid crop classification network for remote sensing images | |
CN116189021B (zh) | 多分支互交叉注意力增强的无人机多光谱目标检测方法 | |
CN112418073A (zh) | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 | |
CN116310864A (zh) | 一种作物倒伏自动识别方法、系统、电子设备及介质 | |
CN115931774A (zh) | 基于无人机监测作物水分状况的方法、存储介质及设备 | |
CN113514402B (zh) | 一种冬小麦叶绿素含量的预测系统及方法 | |
Qu et al. | A fast and efficient approach to estimate wild blueberry yield using machine learning with drone photography: Flight altitude, sampling method and model effects | |
ZHANG et al. | Object-oriented crop classification based on UAV remote sensing imagery |
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 |