CN115014579A - 一种基于大数据的农业环境温度监测方法及系统 - Google Patents
一种基于大数据的农业环境温度监测方法及系统 Download PDFInfo
- Publication number
- CN115014579A CN115014579A CN202210616040.3A CN202210616040A CN115014579A CN 115014579 A CN115014579 A CN 115014579A CN 202210616040 A CN202210616040 A CN 202210616040A CN 115014579 A CN115014579 A CN 115014579A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- agricultural
- research area
- inversion
- 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 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000011160 research Methods 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000005855 radiation Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 238000002834 transmittance Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000005457 Black-body radiation Effects 0.000 claims description 2
- 230000009471 action Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000005457 optimization Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012271 agricultural production Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 230000003471 anti-radiation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0014—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation from gases, flames
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于大数据的农业环境温度监测方法及系统，获取研究区域的温度和湿度实测数据；从农业大数据中提取研究区域的MODIS数据并预处理得到温度特征数据；由温度反演模型进行温度反演得到研究区域的地表温度数据；基于同一时刻的地表温度数据对温度实测数据进行逐一校正后输出研究区域的温度分布图涉及农业大数据技术领域，基于农业大数据反演得到地表温度数据对实测的温度数据进行校正得到更为精准的温度数据，同时在进行地表温度数据反演的过程中考虑了环境的湿度，将环境湿度转化进校正过程中，即地表温度数据中，减小了环境湿度对农业环境温度采集的误差，为农业智能分析提供更精准的数据基础。
Description
技术领域
本发明涉及农业大数据技术领域，具体涉及一种基于大数据的农业环境温度监测方法及系统。
背景技术
农业大数据是指在农业以及涉农相关领域所产生的全样本或多样本不同类型数据的集合。农业大数据作为重要的发展战略正在快速进入信息社会的过程中，农业农村作为信息化应用的重要领域，产生了大量的数据，影响着农业农村的生产和生活方式。与此同时，针对海量的农业大数据，智能分析技术、智能采集在农业生产、经营和管理中起着越来越重要的作用。近年来农业自然灾害频发、农业风险明显加大。应用农业大数据进行智能分析技术来提高农业生产的调控能力、应对风险与突发事件能力、促进生产与消费协调能力等是当前农业信息科技领域的重大科学课题。
农业信息智能分析的任务就是要运用智能技术，及时获取影响农业健康持续发展的显性和隐性信息，早期预判农业的潜在自然环境风险并有针对性地采取预防措施，就需要有良好的感知层进行保障，而现有的农业信息智能分析系统还存在弊端，通过感知层采集的数据精确度无法保证，在采集农业环境温度数据时，大多直接基于气象站的气温数据或监测点直测的气温数据，对于温度敏感的农业场景来说温度数据的准确度还存在较大的缺陷，影响后续智能分析。
如何很好的采集农业温度信息成为保障农业智能分析准确的一个需要解决的问题，因此急需一种基于大数据的农业环境温度监测方法及系统来解决上述问题。
发明内容
本发明所要解决的技术问题是：在采集农业环境温度数据时，大多直接基于气象站点的气温数据，对于对温度敏感的农业场景来说温度数据的准确度还存在较大的缺陷，影响后续农业智能分析，本发明目的在于提供一种基于大数据的农业环境温度监测方法及系统，基于农业大数据反演得到地表温度数据对实测的温度数据进行校正得到更为精准的温度数据，为农业智能分析提供更精准的数据基础。
本发明通过下述技术方案实现：
本方案提供一种基于大数据的农业环境温度监测方法，包括：
步骤一：获取研究区域的温度和湿度实测数据；
步骤二：从农业大数据中提取研究区域的MODIS数据，并对MODIS数据进行预处理得到温度特征数据；
步骤三：将温度特征数据和湿度实测数据输入温度反演模型进行温度反演得到研究区域的地表温度数据；
步骤四：基于同一时刻的地表温度数据对温度实测数据进行逐一校正后输出研究区域的温度分布图。
本方案工作原理：在采集农业环境温度数据时，大多直接使用气象站的气温数据或监测点直测的气温数据，对于对温度敏感的农业场景来说气象站的气温数据覆盖范围大，局部区域温度数据精度就很差；使用监测点直测的气温数据对于较为潮湿的地理区域，其气象温度与地表温度存在很大的差异，再加上潮湿的空气对气象站的气温数据影响也比较大，因此导致温度数据的准确度还存在较大的缺陷，影响后续农业智能分析；本发明目的在于提供一种基于大数据的农业环境温度采集方法及系统，基于农业大数据反演得到地表温度数据对实测的温度数据进行校正得到更为精准的温度数据，同时在进行地表温度数据反演的过程中考虑了环境的湿度，将环境湿度转化进校正过程中(地表温度数据中)，减小了环境湿度导致的误差，为农业智能分析提供更精准的数据基础。
本方案利用MODIS反演的地表温度数据，其空间分辨率较为广泛，而气象站的温度值只局限于一个很小范围内，在面积较大的农业布设多个气象站大大增加了成本，而利用MODIS反演的地表温度数据反演精度较高，表明遥感技术解译地面温度能较好地反映实际情况，利用反演值对实测值进行校正，精度更高。
进一步优化方案为，实测数据的获取方法为：
将研究区域划分成多个nxn的网格；
在网格交叉点上布设温度采集站点分别采集实测数据，每四个相邻的网格中任意两对角的网格中心布设温度采集站点分别采集实测数据。根据农业区域的面积相应的调整网格的面积。
进一步优化方案为，步骤二包括以下子步骤：
S21、从MODIS数据中选取晴空图像作为数据源；
S22、先对数据源依次进行蝴蝶结效应处理、条纹处理、数据定标处理、几何校正处理、辐射校正处理和数据融合处理后再从中提取出温度特征数据；
所述温度特征数据包括：大气平均作用温度Ta、大气湿度ω、地表比辐射率ε、大气平均作用Ta的地表黑体辐射量B(Ta)、大气透过率δ。温度特征数据可以通过Landsat 5TM6波段的波谱响应函数对各参量以波长分布形式的积分并归一化得到。
进一步优化方案为，步骤三包括以下过程：
S31、基于温度特征数据和热红外辐射传输模型得到热红外辐射能量Lsen；
S32、根据热红外辐射能量Lsen和辐射反函数方程计算出温度反演误差△ω(Ta)；
S24、基于温度反演误差△ω(Ta)优化温度反演模型后得到研究区域的地表温度数据。
进一步优化方案为，热红外辐射传输模型为：
热红外辐射能量Lsen＝{εB(Ta)+(1-ε)Lx}δ+Ls；Lx为大气下行辐射，Ls为大气上行辐射；
所述辐射反函数方程为：
温度反演误差计算式为：
其中，
在Landsat 5热红外波段范围内，考虑传感器的实际波谱响应函数，采用Jimenez—Munoz的研究成果求得大气下行辐射、大气上行辐射及大气透过率的表达式；即
式中，Ta为大气平均作用温度；c1＝2πhc2，
h为普朗克常数，h＝6.626×10-34J·s；k为玻尔兹曼常数，k＝1.3806×10-23J·K-1；c为光速，c＝2.998×108m·s-1；γ为红外波段的有效波长，针对TM6波段，取γ＝11.457μm；
为第一湿度系数，与ω相关；
为第二湿度系数，与ω相关；
为第三湿度系数，与ω相关。
进一步优化方案为，所述温度反演模型为：
地表温度
式中a＝-67.355，b＝0.4586，C和D为中间变量，Ta为大气平均作用温度，C＝εδ，D＝(1-δ)[1+(1-δ)ε]，T6为像元亮度温度，由式
其中gain和bias分别为landsat5 TM第6波段的增益和偏置，分别为0.055376和1.18。
本方案通过引进大气平均温度Ta的概念和根据地表热辐射传导方程提出利用TM数据获取地表温度的单窗温度反演模型，仅仅需要大气湿度ω、地表比辐射率ε和大气透过率δ即可反演出地表温度，减小了其他参数影响。
地表温度反演过程中大气水分含量及其异质性程度对大气平均温度Ta的影响较大，当大气水分含量的空间异质性相对较大时，大气平均温度Ta的误差值和误差范围都比较大；当大气水分含量空间分布较均匀时，误差值和误差范围相对较小；可见，对于空间异质性程度较大的区域，区域面上大气参数的获得对地表温度的准确反演具有重要意义，因此本方案考虑基于温度反演误差△ω(Ta)优化温度反演模型，经大气影响校正和地表比辐射率修正后，结合Planck方程便可以得到大气平均温度Ta；因此，要准确反演地表温度，对大气影响和地表辐射率进行校正是不可缺少的。在热红外波段，与大气影响有关的参数(大气上行辐射、大气下行辐射辐射和透过率)均可用大气水分含量来表征。
进一步优化方案为，还包括步骤五：结合历史高温灾害发生频率数据和低温灾害发生频率数据采用自然断点法对温度分布图进行温度等级划分，并对温度等级超出高温阈值的区域或温度等级低于低温阈值的区域进行告警。
进一步优化方案为，步骤四包括以下步骤：
T41：基于式：F＝g(F1+F 2)/2对各个实测数据进行校正；其中g＝1.08为校正系数；
T42：将校正后的实测数据填入模拟网格图，并推演出整个研究区域的温度分布图；所述模拟网格图为研究区域划得到的nxn网格图。
本方案还提供一种基于大数据的农业环境温度采集系统，应用于上述方法，包括：采集模块、预处理模块、计算模块和输出模块；
采集模块用于获取研究区域的温度和湿度实测数据；
预处理模块用于从农业大数据中提取研究区域的MODIS数据，并对MODIS数据进行预处理得到温度特征数据；
计算模块将温度特征数据和湿度实测数据输入温度反演模型进行温度反演得到研究区域的地表温度数据；
输出模块基于同一时刻的地表温度数据对温度实测数据进行逐一校正后输出研究区域的温度分布图。
进一步优化方案为，采集模块包括远程监控中心和无线传感器监测网络；
所述无线传感器监测网络包括感知层和网络层；
所述感知层由无线传感器网络经过路由节点的聚合处理，以多跳中继的方式传递至汇聚节点；所述网络层将多个无线传感器网络通过无线局域网WIAN或mesh协议组合成一个大型无线网络，同时指定一个WLAN或mesh节点作为网关负责将该区域内的信息通过GPRS或GSM通信方式传输至远程监控中心。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明提供的一种基于大数据的农业环境温度监测方法及系统，基于农业大数据反演得到地表温度数据对实测的温度数据进行校正得到更为精准的温度数据，同时在进行地表温度数据反演的过程中考虑了环境的湿度，将环境湿度转化进校正过程中，即地表温度数据中，减小了环境湿度导致对农业环境温度采集的误差，为农业智能分析提供更精准的数据基础。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在附图中：
图1为基于大数据的农业环境温度监测方法流程示意图；
图2为地表温度数据与温度实测数据相关性示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例提供一种基于大数据的农业环境温度监测方法，如图1所示，包括：
步骤一：获取研究区域的温度和湿度实测数据；
步骤二：从农业大数据中提取研究区域的MODIS数据，并对MODIS数据进行预处理得到温度特征数据；
步骤三：将温度特征数据和湿度实测数据输入温度反演模型进行温度反演得到研究区域的地表温度数据；
步骤四：基于同一时刻的地表温度数据对温度实测数据进行逐一校正后输出研究区域的温度分布图。
实测数据的获取方法为：
将研究区域划分成多个nxn的网格；
在网格交叉点上布设温度采集站点分别采集实测数据，每四个相邻的网格中任意两对角的网格中心布设温度采集站点分别采集实测数据。
步骤二包括以下子步骤：
S21、从MODIS数据中选取晴空图像作为数据源；
S22、先对数据源依次进行蝴蝶结效应处理、条纹处理、数据定标处理、几何校正处理、辐射校正处理和数据融合处理后再从中提取出温度特征数据；
所述温度特征数据包括：大气平均作用温度Ta、大气湿度ω、地表比辐射率ε、温度T的地表黑体辐射量B(T)、大气透过率δ。
步骤三包括以下过程：
S31、基于温度特征数据和热红外辐射传输模型得到热红外辐射能量Lsen；
S32、根据热红外辐射能量Lsen和辐射反函数方程计算出温度反演误差△ω(T)；
S24、基于温度反演误差△ω(T)优化温度反演模型后得到研究区域的地表温度数据。
热红外辐射传输模型为：
热红外辐射能量Lsen＝{εB(T)+(1-ε)Lx}δ+Ls；Lx为大气下行辐射，Ls为大气上行辐射；
所述辐射反函数方程为：
温度反演误差计算式为：
其中，
且
式中，T为地表温度；c1＝2πhc2，
h为普朗克常数，h＝6.626×10-34J·s；k为玻尔兹曼常数，k＝1.3806×10-23J·K-1；c为光速，c＝2.998×108m·s-1；γ为红外波段的有效波长，针对TM6波段，取γ＝11.457μm；
为第一湿度系数，与ω相关；
为第二湿度系数，与ω相关；
为第三湿度系数，与ω相关。
温度反演模型为：
地表温度
式中a＝-67.355，b＝0.4586，C和D为中间变量，C＝εδ，D＝(1-δ)[1+(1-δ)ε]，T6为像元亮度温度，由式
其中gain和bias分别为landsat5 TM第6波段的增益和偏置，分别为0.055376和1.18。
还包括步骤五：结合历史高温灾害发生频率数据和低温灾害发生频率数据采用自然断点法对温度分布图进行温度等级划分，并对温度等级超出高温阈值的区域或温度等级低于低温阈值的区域进行告警。
步骤四包括以下步骤：
T41：基于式：F＝g(F1+F 2)/2对各个实测数据进行校正；其中g＝1.08为校正系数；
T42：将校正后的实测数据填入模拟网格图，并推演出整个研究区域的温度分布图；所述模拟网格图为研究区域划得到的nxn网格图。
根据本实施例的方法对某农业园区进行农业环境温度采集，采集得到的温度实测数据与地表温度数据的相关图，经过逐一进行校正得到更为精确的农业温度数据。
实施例2
在上一实施例的基础上，本实施例提供一种基于大数据的农业环境温度监测系统，包括：采集模块、预处理模块、计算模块和输出模块；
采集模块用于获取研究区域的温度和湿度实测数据；
预处理模块用于从农业大数据中提取研究区域的MODIS数据，并对MODIS数据进行预处理得到温度特征数据；
计算模块将温度特征数据和湿度实测数据输入温度反演模型进行温度反演得到研究区域的地表温度数据；
输出模块基于同一时刻的地表温度数据对温度实测数据进行逐一校正后输出研究区域的温度分布图。
所述采集模块包括远程监控中心和无线传感器监测网络；
所述无线传感器监测网络包括感知层和网络层；
所述感知层由无线传感器网络经过路由节点的聚合处理，以多跳中继的方式传递至汇聚节点；所述网络层将多个无线传感器网络通过无线局域网WIAN或mesh协议组合成一个大型无线网络，同时指定一个WLAN或mesh节点作为网关负责将该区域内的信息通过GPRS或GSM通信方式传输至远程监控中心。
本实施例的信息采集节点网络借鉴蜂窝移动通信中基站的部署特点，采用了路由节点和汇聚节点按照正六边形部署.而每一个信息采集节点由传感器模块、数字信号处理模块和无线网络运行模块构成。农业现场环境信息的采集作为精细农业系统的最基本功能，必须保证分布节点信息能够完整、可靠、实施的收集。本实施例中采集节点布设方案不仅克服了了分布式传统传感器在物联网中传输问题.而且在软件的设计中保证系统能够高效周期性收集监测数据。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的农业环境温度监测方法，其特征在于，包括：
步骤一：获取研究区域的温度和湿度实测数据；
步骤二：从农业大数据中提取研究区域的MODIS数据，并对MODIS数据进行预处理得到温度特征数据；
步骤三：将温度特征数据和湿度实测数据输入温度反演模型进行温度反演得到研究区域的地表温度数据；
步骤四：基于同一时刻的地表温度数据对温度实测数据进行逐一校正后输出研究区域的温度分布图。
2.根据权利要求1所述的一种基于大数据的农业环境温度监测方法，其特征在于，实测数据的获取方法为：
将研究区域划分成多个nxn的网格；
在网格交叉点上布设温度采集站点分别采集实测数据，每四个相邻的网格中任意两对角的网格中心布设温度采集站点分别采集实测数据。
3.根据权利要求1所述的一种基于大数据的农业环境温度监测方法，其特征在于，步骤二包括以下子步骤：
S21、从MODIS数据中选取晴空图像作为数据源；
S22、先对数据源依次进行蝴蝶结效应处理、条纹处理、数据定标处理、几何校正处理、辐射校正处理和数据融合处理后再从中提取出温度特征数据；
所述温度特征数据包括：大气平均作用温度Ta、大气湿度ω、地表比辐射率ε、大气平均作用温度Ta的地表黑体辐射量B(Ta)、大气透过率δ。
4.根据权利要求3所述的一种基于大数据的农业环境温度监测方法，其特征在于，
步骤三包括以下过程：
S31、基于温度特征数据和热红外辐射传输模型得到热红外辐射能量Lsen；
S32、根据热红外辐射能量Lsen和辐射反函数方程计算出温度反演误差△ω(Ta)；
S24、基于温度反演误差△ω(Ta)优化温度反演模型后得到研究区域的地表温度数据。
5.根据权利要求4所述的一种基于大数据的农业环境温度监测方法，其特征在于，所述热红外辐射传输模型为：
热红外辐射能量Lsen＝{εB(Ta)+(1-ε)Lx}δ+Ls；Lx为大气下行辐射，Ls为大气上行辐射；
所述辐射反函数方程为：
温度反演误差计算式为：
其中，
且
式中，T为地表温度；c1＝2πhc2，
h为普朗克常数，h＝6.626×10-34J·s；k为玻尔兹曼常数，k＝1.3806×10-23J·K-1；c为光速，c＝2.998×108m·s-1；γ为红外波段的有效波长，针对TM6波段，取γ＝11.457μm；
为第一湿度系数，与ω相关；
为第二湿度系数，与ω相关；
为第三湿度系数，与ω相关。
6.根据权利要求5所述的一种基于大数据的农业环境温度监测方法，其特征在于，所述温度反演模型为：
地表温度
式中a＝-67.355，b＝0.4586，C和D为中间变量，Ta为大气平均作用温度，C＝εδ，D＝(1-δ)[1+(1-δ)ε]，T6为像元亮度温度，由式
其中gain和bias分别为landsat5 TM第6波段的增益和偏置，分别为0.055376和1.18。
7.根据权利要求1所述的一种基于大数据的农业环境温度监测方法，其特征在于，还包括步骤五：结合历史高温灾害发生频率数据和低温灾害发生频率数据采用自然断点法对温度分布图进行温度等级划分，并对温度等级超出高温阈值的区域或温度等级低于低温阈值的区域进行告警。
8.根据权利要求2所述的一种基于大数据的农业环境温度监测方法，其特征在于，步骤四包括以下步骤：
T41：基于式：F＝g(F1+F2)/2对各个实测数据进行校正；其中g＝1.08为校正系数；
T42：将校正后的实测数据填入模拟网格图，并推演出整个研究区域的温度分布图；所述模拟网格图为研究区域划得到的nxn网格图。
9.一种基于大数据的农业环境温度监测系统，应用于权利要求1-8任意一项所述的方法，其特征在于，包括：采集模块、预处理模块、计算模块和输出模块；
采集模块用于获取研究区域的温度和湿度实测数据；
预处理模块用于从农业大数据中提取研究区域的MODIS数据，并对MODIS数据进行预处理得到温度特征数据；
计算模块将温度特征数据和湿度实测数据输入温度反演模型进行温度反演得到研究区域的地表温度数据；
输出模块基于同一时刻的地表温度数据对温度实测数据进行逐一校正后输出研究区域的温度分布图。
10.根据权利要求9所述的一种基于大数据的农业环境温度监测系统，其特征在于，所述采集模块包括远程监控中心和无线传感器监测网络；
所述无线传感器监测网络包括感知层和网络层；
所述感知层由无线传感器网络经过路由节点的聚合处理，以多跳中继的方式传递至汇聚节点；所述网络层将多个无线传感器网络通过无线局域网WIAN或mesh协议组合成一个大型无线网络，同时指定一个WLAN或mesh节点作为网关负责将该区域内的信息通过GPRS或GSM通信方式传输至远程监控中心。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210616040.3A CN115014579A (zh) | 2022-06-01 | 2022-06-01 | 一种基于大数据的农业环境温度监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210616040.3A CN115014579A (zh) | 2022-06-01 | 2022-06-01 | 一种基于大数据的农业环境温度监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115014579A true CN115014579A (zh) | 2022-09-06 |
Family
ID=83071114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210616040.3A Pending CN115014579A (zh) | 2022-06-01 | 2022-06-01 | 一种基于大数据的农业环境温度监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115014579A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101629850A (zh) * | 2009-08-24 | 2010-01-20 | 中国农业科学院农业资源与农业区划研究所 | 从modis数据反演地表温度方法 |
| CN101738620A (zh) * | 2008-11-19 | 2010-06-16 | 中国农业科学院农业资源与农业区划研究所 | 从被动微波遥感数据amsr-e反演地表温度的方法 |
| CN101936777A (zh) * | 2010-07-30 | 2011-01-05 | 南京信息工程大学 | 一种基于热红外遥感反演近地层气温的方法 |
| CN103353353A (zh) * | 2013-06-26 | 2013-10-16 | 北京师范大学 | 一种基于modis数据探测近地表平均气温的方法 |
| CN103994976A (zh) * | 2013-11-28 | 2014-08-20 | 江苏省水利科学研究院 | 基于modis数据的农业旱情遥感监测方法 |
| CN105678277A (zh) * | 2016-02-01 | 2016-06-15 | 中国科学院遥感与数字地球研究所 | 一种盐度卫星k波段亮温数据反演陆表温度的方法 |
| CN106918394A (zh) * | 2017-01-24 | 2017-07-04 | 中国科学院地理科学与资源研究所 | 一种有效的modis地表温度角度校正方法 |
| CN110348107A (zh) * | 2019-07-08 | 2019-10-18 | 中国农业科学院农业资源与农业区划研究所 | 一种云下像元真实地表温度重建方法 |
| CN110388986A (zh) * | 2019-08-05 | 2019-10-29 | 北京绿土科技有限公司 | 基于tasi数据的土地表面温度反演方法 |
-
2022
- 2022-06-01 CN CN202210616040.3A patent/CN115014579A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101738620A (zh) * | 2008-11-19 | 2010-06-16 | 中国农业科学院农业资源与农业区划研究所 | 从被动微波遥感数据amsr-e反演地表温度的方法 |
| CN101629850A (zh) * | 2009-08-24 | 2010-01-20 | 中国农业科学院农业资源与农业区划研究所 | 从modis数据反演地表温度方法 |
| CN101936777A (zh) * | 2010-07-30 | 2011-01-05 | 南京信息工程大学 | 一种基于热红外遥感反演近地层气温的方法 |
| CN103353353A (zh) * | 2013-06-26 | 2013-10-16 | 北京师范大学 | 一种基于modis数据探测近地表平均气温的方法 |
| CN103994976A (zh) * | 2013-11-28 | 2014-08-20 | 江苏省水利科学研究院 | 基于modis数据的农业旱情遥感监测方法 |
| CN105678277A (zh) * | 2016-02-01 | 2016-06-15 | 中国科学院遥感与数字地球研究所 | 一种盐度卫星k波段亮温数据反演陆表温度的方法 |
| CN106918394A (zh) * | 2017-01-24 | 2017-07-04 | 中国科学院地理科学与资源研究所 | 一种有效的modis地表温度角度校正方法 |
| CN110348107A (zh) * | 2019-07-08 | 2019-10-18 | 中国农业科学院农业资源与农业区划研究所 | 一种云下像元真实地表温度重建方法 |
| AU2020101048A4 (en) * | 2019-07-08 | 2020-07-23 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | Method for reconstructing true land surface temperature of cloudy pixel |
| CN110388986A (zh) * | 2019-08-05 | 2019-10-29 | 北京绿土科技有限公司 | 基于tasi数据的土地表面温度反演方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116486931B (zh) | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 | |
| CN107607486B (zh) | 一种土壤全氮检测方法及装置 | |
| CN116297288B (zh) | 大气甲烷干空气混合比的快速遥感反演方法及系统 | |
| CN113447137B (zh) | 一种面向无人机宽波段热像仪的地表温度反演方法 | |
| Wei et al. | Development and evaluation of a robust temperature sensitive algorithm for long term NO2 gas sensor network data correction | |
| CN112016696A (zh) | 融合卫星与地基观测的pm1浓度反演方法及系统 | |
| CN113776671B (zh) | 昼夜遥感影像短波红外火山温度-发射率联合反演方法 | |
| AU2021105183A4 (en) | A Method for Estimating Near-surface Air Temperature From Remote Sensing Data Based on Machine Learning | |
| CN116519913B (zh) | 基于星载和地基平台融合的gnss-r数据土壤水分监测方法 | |
| CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
| CN112559958B (zh) | 基于风云4号卫星反演地表太阳总辐射和直接辐射的方法 | |
| Shwetha et al. | Prediction of land surface temperature under cloudy conditions using microwave remote sensing and ANN | |
| CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
| Yu et al. | Scale mismatch between in situ and remote sensing observations of land surface temperature: Implications for the validation of remote sensing LST products | |
| CN114443627A (zh) | 一种陆地和海洋温度的修复方法、系统、计算机设备 | |
| Li et al. | The combination of ground-sensing network and satellite remote sensing in Huailai county | |
| Zeng et al. | Land surface temperature and emissivity retrieval from nighttime middle and thermal infrared images of Chinese Fengyun-3D MERSI-II | |
| Jiao et al. | Global validation of clear-sky models for retrieving land-surface downward longwave radiation from MODIS data | |
| CN113836490B (zh) | 一种基于数据线性回归的starfm地表温度融合预测方法 | |
| Hong et al. | Assimilating Fengyun-4A observations to improve WRF-Chem PM2. 5 predictions in China | |
| CN114838827A (zh) | 一种基于mersi-ⅱ遥感数据的地表温度反演通道选择方法 | |
| Han et al. | Estimation of high-resolution PM2. 5 concentrations based on gap-filling aerosol optical depth using gradient boosting model | |
| CN114371519A (zh) | 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法 | |
| CN114707396A (zh) | 一种全天时pm2.5浓度无缝格点数据的近实时生产方法 | |
| Xiu-Yan et al. | Global horizontal irradiance prediction model considering the effect of aerosol optical depth based on the Informer model |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220906 |
|
| RJ01 | Rejection of invention patent application after publication |