CN115713681B - 一种融合物联网和卫星数据生成时空连续农作物参数的方法和系统 - Google Patents
一种融合物联网和卫星数据生成时空连续农作物参数的方法和系统 Download PDFInfo
- Publication number
- CN115713681B CN115713681B CN202211464074.1A CN202211464074A CN115713681B CN 115713681 B CN115713681 B CN 115713681B CN 202211464074 A CN202211464074 A CN 202211464074A CN 115713681 B CN115713681 B CN 115713681B
- Authority
- CN
- China
- Prior art keywords
- crop
- satellite
- things
- internet
- farmland
- 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
Images
Classifications
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Abstract
本发明提出一种融合物联网和卫星数据生成时空连续农作物参数的方法，包括：S1.从物联网平台获取农作物关键参数X及其所在的农田边界；S2.根据农田边界获取覆盖整块农田、多时相农作物参数的卫星遥感影像Y；S3.建立卫星的每个像元的农作物参数数值和物联网的农作物关键参数X间的关系模型；S4.对每个卫星像元，进行S3的操作；S5.重复步骤S1‑S4生成每天的覆盖整块农田的农作物参数空间分布遥感影像。本发明还对应提出一种系统。本发明能够实现跨遥感平台数据融合，融合地面物联网获取的单点每日连续农作物参数和卫星遥感平台获取的整个农田、时间不连续农作物参数。
Description
技术领域
本发明涉及农作物参数融合技术领域，更具体地，涉及一种融合物联网和卫星数据生成时空连续农作物参数的方法和系统。
背景技术
在农业生产中，常用农作物参数来描述农作物的生长状态和长势，例如多种植被指数、叶面积指数、叶绿素等。随着农作物的生长，这些参数会呈现出季节性的变化，掌握整个农田的农作物参数季节性连续变化趋势和特征对于农作物长势监测、精准管理和产量估算等有重要的意义。在目前的精准农业研究中，农作物参数的提取通常是基于从地面、无人机或卫星遥感平台采集的数据。不同的平台有各自的优势和劣势。地面数据采集分为人工采集和基于物联网平台的采集两种。人工采集耗时费力，难以获取时间连续的数据，搭载在物联网平台上的多种传感器则可以连续采集数据，但是物联网平台通常安装在农田的某个点位，观测范围有限，难以获取整个农田的农作物长势数据。无人机遥感平台可以搭载多种传感器，在整个生长季多次飞行，并覆盖整个农田，但是无人机遥感平台获取的数据处理流程仍未非常成熟，且每日连续飞行的成本较高。相比较而言，近些年快速发展的卫星遥感平台为获取农田观测数据提供了很大的便利，如欧盟的哨兵系列卫星具有10米的空间分辨率和5天的时间分辨率。但光学卫星数据会严重受到云的影响，即有云的时候没有数据，在我国南方多云的地区常常会出现生长关键时期数据缺失的问题。因此，综合不同数据的优劣势，将不同平台的数据进行融合是获取整个农田、时间连续数据的关键。
目前的融合研究主要存在以下两个问题：1)主要集中卫星平台之间，如不同卫星传感器获取的数据之间进行融合，跨平台间的融合算法十分缺乏。2)不同传感器获取的反射率数据通常具有不同的波段、光谱响应函数等，直接对反射率数据进行融合，首先需要消除这些差异造成的影响，这会增加融合算法的复杂性和不确定性。对定义统一的农作物参数进行融合则可以直接略去由波段、光谱响应函数等造成的影响，目前直接对参数进行融合的算法也比较缺乏。
发明内容
针对背景技术中的问题，本发明提出一种融合算法，将安装在农田某一点的物联网平台获取的每日连续农作物参数与卫星遥感平台获取的覆盖整个农田、但时间不连续的农作物参数进行融合，生成每日连续、覆盖整个农田的农作物参数产品。
本发明提出一种融合物联网和卫星数据生成时空连续农作物参数的方法，包括：
S1.从物联网平台获取农作物关键参数X及其所在的农田边界；
S2.根据农田边界获取覆盖整块农田、多时相农作物参数的卫星遥感影像Y；
S3.建立卫星的每个像元的农作物参数数值和物联网的农作物关键参数X间的关系模型；
S4.对每个卫星像元，进行S3的操作；
S5.重复步骤S1-S4生成每天的覆盖整块农田的农作物参数空间分布遥感影像。
本发明还提出一种融合物联网和卫星数据生成时空连续农作物参数的系统，包括：处理器，所述处理器能够执行计算机程序，以完成如权利要求1-7任一项所述的方法。
本发明的有益效果包括：
1)相较于多数研究直接使用反射率数据进行融合，本发明以已生成的农作物参数产品为输入进行融合；
2)跨遥感平台数据融合，即融合地面物联网获取的单点每日连续农作物参数和卫星遥感平台获取的整个农田、时间不连续农作物参数；
3)不仅限于预测，还能回溯。
附图说明
为了更容易理解本发明，将通过参照附图中示出的具体实施方式更详细地描述本发明。这些附图只描绘了本发明的典型实施方式，不应认为对本发明保护范围的限制。
图1为本发明的方法的一个实施方式的流程图。
图2为农作物参数和隐过程之间的关系图。
图3为一个像元的时间序列曲线的图。
具体实施方式
下面参照附图描述本发明的实施方式，以便于本领域的技术人员可以更好的理解本发明并能予以实施，但所列举的实施例不作为本发明的限定，在不冲突的情况下，下述的实施例及实施例中的技术特征可以相互组合，其中相同的部件用相同的附图标记表示。
本发明的方法如图1所示，包括步骤S1-S4。
S1.从物联网平台获取农作物关键参数X及其所在的农田边界。
从物联网平台提取农作物关键参数X及其所在的农田边界(例如经纬度)。若一块农田内安装了多台物联网，则获取每一台物联网的经纬度，提取每一台物联网估算的随季节变化的关键参数X，例如叶面积指数、归一化植被指数、光和有效辐射吸收系数等
S2，根据农田边界获取覆盖整块农田、多时相农作物参数的卫星遥感影像Y。
根据每一台物联网的经纬度，从卫星遥感影像Y中找到相应的像元PIOT，并提取该像元对应的遥感影像数值Yt(PIOT)，其中t代表遥感卫星影像的时间。
S3.建立卫星的每个像元的农作物参数数值和物联网的农作物关键参数X间的关系模型。
本发明的方法基于状态空间模型中的动态线性模型。状态空间模型是将时间序列的数据视为一组成分的组合，如趋势、周期或者回归。它使用状态方程和量测方程来描述动态系统的状态，其中状态方程描述动态系统的状态从前一时刻到当前时刻的变化规律，量测方程描述观测值和系统状态之间的变化关系。当其中的状态误差和观测值都是正态分布的，则生成了线性动态模型。通过系统输入输出观测数据，通过“预测”与“更新”两个过程对系统的状态进行最优估计。
在本发明中，设定农田内每个物联网都能代表一定的区域范围，在该区域内，所有农作物的生长趋势(上升、下降等)都和物联网观测范围内的农作物相同，但在具体的数值上存在不同的波动。例如，物联网测量的是叶面积指数，则周围农作物的叶面积指数随季节的变化和物联网测量的叶面积指数相同，即所有卫星像元对应的叶面积指数的季节变化趋势也相同。
因此，本发明中，设定卫星的每个像元的农作物参数数值和物联网的数值间存在以下关系：
Yt＝θ1,t+θ2,t×Xt+εt,εt～N(0,σt 2)
其中，Yt代表卫星像元在日期t的农作物参数，Xt代表物联网在日期t的农作物参数，θt代表隐过程，θ1,t和θ2,t为状态系数，。
使用动态线性模型，将所述关系模型表达为测量方程和状态方程。
测量方程为：
Xt＝ht(θt,vt,Xt),vt～N(0,Vt)
状态方程为：
θt＝gt(θt-1,wt),wt～N(0,Wt)
其中，Yt代表卫星像元在日期t的农作物参数，Xt代表物联网在日期t的农作物参数，θt代表隐过程，vt代表日期t的一组观测误差，假设其满足均值为0、方差为Vt的高斯分布，wt代表日期t的状态过程误差，假设其满足均值为0、方差为Wt的高斯分布，，gt和ht为线性方程。图2显示了农作物参数Yt和隐过程θt之间的关系。
通过已有的时间序列Yt和Xt(t＝1,2,3…)，构建测量方程和状态方程，使用最大似然法计算方程中的系数θ1,t和θ2,t。在本发明中，优选使用R语言中的dlmMLE函数包来计算，设定初始的θ1,t和θ2,t均为0。
基于计算好的日期t的系数，以及Vt和Wt，使用卡尔曼滤波器估算日期t+1的卫星像元农作物参数值。为了确保时间序列曲线的连续性，避免异常值，使用卡尔曼平滑器对所有估算的数据进行平滑。在一个实例中，可以调用R语言中的dlmFilter和dlmSmooth函数实现如上的功能。使用R语言中的dlm包，是因为它是模块化的完整函数，易于调用且精度高。
S4.对每个卫星像元，进行S3的操作，每当获取新的卫星观测数据时，更新测量方程和状态方程，重新估算系数θ，进而使用卡尔曼滤波和卡尔曼平滑计算新的数值。考虑到一个农田中的卫星像元数量很多，且各个像元间的计算独立，为了提高计算效率，使用并行计算的方式，调用计算机的所有CPU，同时对多个像元进行计算。
S5.重复步骤S1-S4生成每天的覆盖整块农田的农作物参数空间分布遥感影像。
根据本发明的方法，能够获取每日连续、覆盖整个农田的遥感卫星影像，克服了云的限制，大大丰富了遥感卫星的数据量。该方法已在多个小麦地里进行实验，精度较高，生成的遥感卫星影像空间分布连续。如图3为其中一个像元的时间序列曲线。
本发明还提出一种对应的系统，其完成如前所述的方法。
以上所述的实施例，只是本发明较优选的具体实施方式，本说明书使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (5)
1.一种融合物联网和卫星数据生成时空连续农作物参数的方法，其特征在于，包括：
S1.从物联网平台获取农作物参数X及其所在的农田边界；
S2.根据农田边界获取覆盖整块农田、多时相农作物参数的卫星遥感影像Y；
S3.建立卫星的每个像元的农作物参数数值和物联网的农作物参数X间的关系模型，使用动态线性模型将所述关系模型表达为测量方程和状态方程：
测量方程为：Yt＝ht(θt,vt,Xt),vt～N(0,Vt)
状态方程为：θt＝gt(θt-1,wt),wt～N(0,Wt)
其中，Yt代表卫星像元在日期t的农作物参数，Xt代表物联网在日期t的农作物参数，θt代表隐过程，vt代表日期t的一组观测误差，假设其满足均值为0、方差为Vt的高斯分布，wt代表日期t的状态过程误差，假设其满足均值为0、方差为Wt的高斯分布，gt和ht为线性方程；然后，通过已有的时间序列Yt和Xt(t＝1,2,3…)，构建测量方程和状态方程，使用最大似然法计算方程中的系数θ1,t和θ2,t；基于计算好的日期t的系数，以及观测噪声和系统噪声Vt和Wt，使用卡尔曼滤波器估算日期t+1的卫星像元农作物参数值；
S4.对每个卫星像元，进行S3的操作；
S5.重复步骤S1-S4生成每天的覆盖整块农田的农作物参数空间分布遥感影像。
2.根据权利要求1所述的方法，其特征在于，步骤S3还包括：
使用卡尔曼平滑器对所有估算的数据进行平滑。
3.根据权利要求2所述的方法，其特征在于，步骤S4还包括：
每当获取新的卫星观测数据时，更新测量方程和状态方程，重新估算系数θ。
4.根据权利要求3所述的方法，其特征在于，步骤S4还包括：
使用卡尔曼滤波和卡尔曼平滑计算新的估算系数θ。
5.一种融合物联网和卫星数据生成时空连续农作物参数的系统，其特征在于，包括：处理器，所述处理器能够执行计算机程序，以完成如权利要求1-4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211464074.1A CN115713681B (zh) | 2022-11-22 | 2022-11-22 | 一种融合物联网和卫星数据生成时空连续农作物参数的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211464074.1A CN115713681B (zh) | 2022-11-22 | 2022-11-22 | 一种融合物联网和卫星数据生成时空连续农作物参数的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115713681A CN115713681A (zh) | 2023-02-24 |
| CN115713681B true CN115713681B (zh) | 2023-06-13 |
Family
ID=85234032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211464074.1A Active CN115713681B (zh) | 2022-11-22 | 2022-11-22 | 一种融合物联网和卫星数据生成时空连续农作物参数的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115713681B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488017A (zh) * | 2020-04-20 | 2020-08-04 | 广州海睿信息科技有限公司 | 基于物联网的智慧农业管理控制系统 |
| CN114758364A (zh) * | 2022-02-09 | 2022-07-15 | 四川大学 | 基于深度学习的工业物联网场景融合定位方法及系统 |
| CN114936206A (zh) * | 2022-06-07 | 2022-08-23 | 大连理工大学 | 一种农业物联网多源异构数据的预处理系统与方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102098324A (zh) * | 2010-08-12 | 2011-06-15 | 北京天地互连信息技术有限公司 | 支持多协议的农业信息智能分析系统及农业环境调控方法 |
| CN108089214B (zh) * | 2017-12-20 | 2021-06-15 | 北京卫星导航中心 | 一种卫星定位方法和卫星定位系统 |
| US11210570B2 (en) * | 2018-01-23 | 2021-12-28 | Intelligent Fusion Technology, Inc. | Methods, systems and media for joint manifold learning based heterogenous sensor data fusion |
| TWI662290B (zh) * | 2018-08-16 | 2019-06-11 | National Formosa University | 航空物聯網與圈養動物之穿戴式系統 |
| CN109918449B (zh) * | 2019-03-16 | 2021-04-06 | 中国农业科学院农业资源与农业区划研究所 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
| US11676284B2 (en) * | 2019-03-22 | 2023-06-13 | Nvidia Corporation | Shape fusion for image analysis |
| CN111028096A (zh) * | 2019-12-23 | 2020-04-17 | 内蒙古自治区生物技术研究院 | 一种天、空、地一体化数据融合的系统和方法 |
| CN111856531A (zh) * | 2020-07-10 | 2020-10-30 | 暨南大学 | 一种基于卫星定位的农业物联网方法 |
| CN112036717A (zh) * | 2020-08-20 | 2020-12-04 | 苏州比格尔智能科技有限公司 | 基于物联网的智慧农业用农产品溯源管理系统 |
| CN112003948A (zh) * | 2020-08-28 | 2020-11-27 | 江西正合生态农业有限公司 | 一种智慧农业物联网系统 |
| CN113378459B (zh) * | 2021-06-02 | 2022-09-02 | 兰州交通大学 | 基于卫星和物联网信息的光伏电站超短期功率预测方法 |
| 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 |
| CN115278186B (zh) * | 2022-09-26 | 2022-12-20 | 南京三头牛电子科技有限公司 | 基于物联网的可控制均匀投影方法、装置、设备及介质 |
-
2022
- 2022-11-22 CN CN202211464074.1A patent/CN115713681B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488017A (zh) * | 2020-04-20 | 2020-08-04 | 广州海睿信息科技有限公司 | 基于物联网的智慧农业管理控制系统 |
| CN114758364A (zh) * | 2022-02-09 | 2022-07-15 | 四川大学 | 基于深度学习的工业物联网场景融合定位方法及系统 |
| CN114936206A (zh) * | 2022-06-07 | 2022-08-23 | 大连理工大学 | 一种农业物联网多源异构数据的预处理系统与方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115713681A (zh) | 2023-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
| Sassu et al. | Advances in unmanned aerial system remote sensing for precision viticulture | |
| Zhou et al. | Reconstruction of time series leaf area index for improving wheat yield estimates at field scales by fusion of Sentinel-2,-3 and MODIS imagery | |
| CN108982369B (zh) | 融合gf-1wfv和modis数据的地块尺度作物长势监测方法 | |
| Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
| CN109211791B (zh) | 作物长势监测方法及系统 | |
| Gautam et al. | Estimation of grapevine crop coefficient using a multispectral camera on an unmanned aerial vehicle | |
| CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
| Wilson et al. | Photometric redshift estimation with galaxy morphology using self-organizing maps | |
| CN111798132B (zh) | 基于多源时序遥感深度协同下的耕地动态监测方法及系统 | |
| Cao et al. | Inversion modeling of japonica rice canopy chlorophyll content with UAV hyperspectral remote sensing | |
| CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
| Li et al. | An enhanced spatiotemporal fusion method–Implications for DNN based time-series LAI estimation by using Sentinel-2 and MODIS | |
| Ohana-Levi et al. | Time-series clustering of remote sensing retrievals for defining management zones in a vineyard | |
| Huang et al. | Constructing a finer-resolution forest height in China using icesat/glas, landsat and Alos Palsar data and height patterns of natural forests and plantations | |
| CN115861831A (zh) | 基于作物物候知识的时间序列遥感数据农作物识别方法 | |
| CN114062439B (zh) | 一种利用时间序列遥感影像联合估算土壤剖面盐分的方法 | |
| Ma et al. | A review on sensing technologies for high-throughput plant phenotyping | |
| Liu et al. | Estimation of winter wheat yield in arid and semiarid regions based on assimilated multi-source sentinel data and the CERES-wheat model | |
| CN115713681B (zh) | 一种融合物联网和卫星数据生成时空连续农作物参数的方法和系统 | |
| Vayssade et al. | DeepIndices: Remote Sensing Indices Based on Approximation of Functions through Deep-Learning, Application to Uncalibrated Vegetation Images | |
| Torgbor et al. | Integrating remote sensing and weather variables for mango yield prediction using a machine learning approach | |
| CA3213532A1 (en) | Field change detection and alerting system using field average crop trend | |
| Saad El Imanni et al. | Investigating Sentinel-1 and Sentinel-2 Data Efficiency in Studying the Temporal Behavior of Wheat Phenological Stages Using Google Earth Engine | |
| CN115496999A (zh) | 田间立地秸秆产量估计方法及装置 |
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 |