CN115936917B - 全株农作物的产量预估方法、装置、电子设备及存储介质 - Google Patents
全株农作物的产量预估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115936917B CN115936917B CN202310220868.1A CN202310220868A CN115936917B CN 115936917 B CN115936917 B CN 115936917B CN 202310220868 A CN202310220868 A CN 202310220868A CN 115936917 B CN115936917 B CN 115936917B
- Authority
- CN
- China
- Prior art keywords
- region
- area
- spectrum index
- value
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 178
- 238000003306 harvesting Methods 0.000 claims abstract description 31
- 230000003595 spectral effect Effects 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 13
- 238000009331 sowing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 128
- 240000008042 Zea mays Species 0.000 description 13
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 13
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 13
- 235000005822 corn Nutrition 0.000 description 13
- 239000004460 silage Substances 0.000 description 12
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 208000003643 Callosities Diseases 0.000 description 3
- 206010020649 Hyperkeratosis Diseases 0.000 description 3
- 241000283690 Bos taurus Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 244000038559 crop plants Species 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005070 ripening Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241001057636 Dracaena deremensis Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种全株农作物的产量预估方法、装置、电子设备及存储介质，属于农作物产量预估技术领域，该方法包括：基于目标区域的数字地表模型数据，获取全株农作物的植株高度数据；基于目标区域在全株农作物的收获期时的多光谱数据，确定目标区域的光谱指数高值区、光谱指数中值区和光谱指数低值区；分别获取光谱指数高值区、光谱指数中值区和光谱指数低值区的种植面积、种植密度、单位平均重量；基于植株高度数据、种植面积、种植密度、单位平均重量预估目标区域的全株农作物的产量。利用无人机遥感技术预估目标区域的产量，具有较高的数据准确性和数据全面性，有效降低成本，提升工作效率，也有利于大面积全株农作物的产量预估。
Description
技术领域
本发明涉及农作物产量预估技术领域，尤其涉及一种全株农作物的产量预估方法、装置、电子设备及存储介质。
背景技术
青贮玉米，是把包括玉米穗在内的玉米植株全部收割下来经过切碎、加工后用发酵的方法制作成青贮饲料的玉米，青贮玉米是用于肉牛、奶牛等草食家畜的主要饲草，在畜牧养殖业中占有重要地位。因此，对青贮玉米的产量估测具有重要意义。类似青贮玉米等农作物的产量是按整株植株的重量作为产量，这类农作物可以称为全株农作物。
目前，要对青贮玉米进行产量预估，一般是对青贮玉米进行大量取样收割，通过对样品的称重，来估测整个种植地块的产量。然而，这种方法的产量预估耗时耗力，成本较高并且效率较低。
发明内容
本发明提供一种全株农作物的产量预估方法、装置、电子设备及存储介质，用以实现提高全株农作物的产量预估的准确度，降低成本且提升效率。
本发明提供一种全株农作物的产量预估方法，包括：
基于目标区域的数字地表模型数据，获取全株农作物的植株高度数据；
基于所述目标区域在所述全株农作物的收获期时的多光谱数据，确定所述目标区域的光谱指数高值区、光谱指数中值区和光谱指数低值区；
分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的所述全株农作物的种植面积和种植密度；
分别获取所采集的所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物样本，基于所述全株农作物样本，分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的单位平均重量；
基于所述植株高度数据、所述种植面积、所述种植密度、所述单位平均重量，预估所述目标区域的全株农作物的产量。
根据本发明提供的一种全株农作物的产量预估方法，所述基于目标区域的数字地表模型数据，获取全株农作物的植株高度数据，包括：
获取所述目标区域的第一遥感数据和第二遥感数据；其中，所述第一遥感数据为在所述全株农作物播种或者出苗之前所述目标区域的遥感数据，所述第二遥感数据为在所述全株农作物的收获期时所述目标区域的遥感数据；
基于所述第一遥感数据，获取第一数字地表模型数据，基于所述第二遥感数据，获取第二数字地表模型数据；
基于所述第一数字地表模型数据和第二数字地表模型数据，获取所述植株高度数据。
根据本发明提供的一种全株农作物的产量预估方法，所述基于所述第一数字地表模型数据和第二数字地表模型数据，获取所述植株高度数据，包括：
根据所述第一数字地表模型数据，确定所述目标区域中的非作物种植区的第一地表高程和作物种植区的第二地表高程；
根据所述第二数字地表模型数据，确定所述非作物种植区的第三地表高程和所述作物种植区的第四地表高程；
根据所述第一地表高程和所述第二地表高程，获取地表高差；
根据所述第二地表高程、所述第四地表高程和所述地表高差，获取所述植株高度数据。
根据本发明提供的一种全株农作物的产量预估方法，还包括：
基于所述植株高度数据和所述多光谱数据所确定的所述光谱指数高值区、所述光谱指数中值区、所述光谱指数低值区，分别获取所述光谱指数高值区、所述光谱指数中值区、所述光谱指数低值区的植株平均高度；
所述基于所述植株高度数据、所述种植面积、所述种植密度、所述单位平均重量，预估所述目标区域的全株农作物的产量，包括：
基于所述植株平均高度、所述种植面积、所述种植密度、所述单位平均重量，分别预估所述光谱指数高值区的第一产量、所述光谱指数中值区的第二产量、所述光谱指数低值区的第三产量；
基于所述第一产量、所述第二产量、所述第三产量，预估所述目标区域的全株农作物的产量。
根据本发明提供的一种全株农作物的产量预估方法，所述分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的所述全株农作物的种植面积和种植密度，包括：
分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的第三遥感数据；
对所述第三遥感数据进行识别，获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物的种植株数；
基于所述第二遥感数据或者所述第三遥感数据，获取所述种植面积；
基于所述种植面积和所述种植株数，获取所述种植密度。
根据本发明提供的一种全株农作物的产量预估方法，所述基于所述目标区域在所述全株农作物的收获期时的多光谱数据，确定所述目标区域的光谱指数高值区、光谱指数中值区和光谱指数低值区，包括：
基于所述多光谱数据，获取所述目标区域的光谱指数的均值和标准差；
基于所述均值和所述标准差，分别确定所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的光谱指数范围；
基于所述光谱指数范围确定所述目标区域的所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区。
根据本发明提供的一种全株农作物的产量预估方法，所述分别获取所采集的所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物样本，基于所述全株农作物样本，分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的单位平均重量，包括：
分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物样本的样本平均重量和样本平均高度；
基于所述样本平均重量和所述样本平均高度，确定所述单位平均重量。
本发明还提供一种全株农作物的产量预估装置，包括：
第一获取模块，用于基于目标区域的数字地表模型数据，获取全株农作物的植株高度数据；
确定模块，用于基于所述目标区域在所述全株农作物的收获期时的多光谱数据，确定所述目标区域的光谱指数高值区、光谱指数中值区和光谱指数低值区；
第二获取模块，用于分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的所述全株农作物的种植面积和种植密度；
第三获取模块，用于分别获取所采集的所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物样本，基于所述全株农作物样本，分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的单位平均重量；
产量预估模块，用于基于所述植株高度数据、所述种植面积、所述种植密度、所述单位平均重量，预估所述目标区域的全株农作物的产量。
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程序时实现如上述任一种所述全株农作物的产量预估方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述全株农作物的产量预估方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述全株农作物的产量预估方法。
本发明提供的全株农作物的产量预估方法、装置、电子设备及存储介质，通过无人机遥感技术可以获取到目标区域的数字地表模型数据和多光谱数据，利用数字地表模型数据获取目标区域内全株农作物的植株高度数据，具有较高的数据准确性和数据全面性；利用全株农作物在收获期时的多光谱数据，将目标区域分为光谱指数高值区、光谱指数中值区和光谱指数低值区，从而将目标区域细分为三个全株农作物不同长势的子区域，提高数据准确度；获取三个子区域的种植面积和种植密度，并在上述三个子区域中采集少量的全株农作物样本，获取单位平均重量，根据得到的植株高度数据、种植面积、种植密度、单位平均重量这几个参数，即可预估出目标区域的全株农作物的产量。本发明预估的产量具有较高的准确度，相对于现有技术，只需采集少量的样本获取代表三种不同长势的全株农作物的平均重量，有效降低成本，提升工作效率，也有利于大面积全株农作物的产量预估。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1是本发明提供的全株农作物的产量预估方法的流程示意图之一；
图2是本发明提供的全株农作物的产量预估方法中拼接后的目标区域的遥感图像的示意图；
图3是本发明提供的全株农作物的产量预估方法中数字地表模型图像的示意图；
图4是本发明提供的全株农作物的产量预估方法中目标区域划分区域的遥感图像的示意图；
图5是本发明提供的全株农作物的产量预估方法的流程示意图之二；
图6是本发明提供的全株农作物的产量预估装置的结构示意图；
图7是本发明提供的电子设备的结构示意图。
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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
需要说明的是，在本发明实施例的描述中，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明中的术语“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，以便本发明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，“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。
下面结合图1-图5描述本发明的全株农作物的产量预估方法。
如图1所示，本发明提供的一种全株农作物的产量预估方法，包括：
步骤110，基于目标区域的数字地表模型数据，获取全株农作物的植株高度数据。
具体地，目标区域是指包括需要估产的全株农作物的种植区域，还可以包括种植地块周边的无作物种植区域，例如种植地块之间的道路、种植区域的边界道路等。数字地表模型（Digital Surface Model，DSM）是指包含了地表建筑物、桥梁和树木、植株等高度的地面高程模型，目标区域的DSM数据则包括了该种植地块的全株农作物的植株高度。
在一个实施例中，可以利用无人机采集的目标区域的遥感数据，获取目标区域的DSM数据。在一个实施例中，可以采用带有拍摄DSM数据的无人机。
在一个实施例中，步骤110可以具体包括：获取所述目标区域的第一遥感数据和第二遥感数据；基于所述第一遥感数据，获取第一数字地表模型数据，基于所述第二遥感数据，获取第二数字地表模型数据；基于所述第一数字地表模型数据和第二数字地表模型数据，获取所述植株高度数据。
具体地，第一遥感数据为在全株农作物播种或者出苗之前目标区域的遥感数据，第二遥感数据为在全株农作物的收获期时目标区域的遥感数据。也就是说，需要利用无人机采集两个时期目标区域的遥感数据。
（1）第一遥感数据的采集
在完成种植地块整地之后、播种之前，或者在全株农作物出苗之前，利用无人机对目标区域进行拍摄，获取第一遥感数据。可以理解，第一遥感数据展示的是目标区域未长出全株农作物时地表的遥感图像。
（2）第二遥感数据的采集
在全株农作物的收获期，利用无人机对目标区域进行拍摄，获取第二遥感数据。以青贮玉米为例子，青贮玉米的收获期一般在玉米籽实的乳熟末期至蜡熟前期，在不同的种植地块区域，其时间有一定的差异，但只需在其收获前进行数据采集即可。可以理解，第二遥感数据展示的是目标区域长出全株农作物时的遥感图像。
在一个实施例中，两次遥感数据的采集可以采用相同的无人机飞行参数进行采集。
需要理解的是，第一遥感数据、第二遥感数据可以包括若干目标区域的局部遥感图像，可以将无人机所采集到的目标区域的局部遥感图像进行拼接，如图2所示，拼接后的图像展示了目标区域的全貌。通过点云、纹理及其他数据对拼接后的图像进行处理，可以得到如图3所示的DSM图像，并通过计算匹配，获取DSM数据。由此，获取全株农作物播种或者出苗之前所采集的第一DSM数据，以及全株农作物收获期时的第二DSM数据。利用第一DSM数据、第二DSM数据进行计算，则可以获取目标区域内的全株农作物的植株高度数据。
需要理解的是，植株高度数据包括目标区域的全貌图像中的作物种植区的每个像素点的DSM高度值。
为了进一步地提高植株高度数据的准确度，在一个实施例中，所述基于所述第一数字地表模型数据和第二数字地表模型数据，获取所述植株高度数据，具体包括：根据所述第一数字地表模型数据，确定所述目标区域中的非作物种植区的第一地表高程和作物种植区的第二地表高程；根据所述第二数字地表模型数据，确定所述非作物种植区的第三地表高程和所述作物种植区的第四地表高程；根据所述第一地表高程和所述第二地表高程，获取地表高差；根据所述第二地表高程、所述第四地表高程和所述地表高差，获取所述植株高度数据。
具体地，无人机拍摄的目标区域包括作物种植区和非作物种植区，在第一DSM数据中分割出非作物种植区的第一地表高程、作物种植区的第二地表高程，在第二DSM数据中分割出非作物种植区的第三地表高程、作物种植区的第四地表高程。其中，利用作物种植区的第二地表高程和第四地表高程进行差值计算，可以初步得到作物种植区内的全株农作物的植株高度数据。
需要说明的是，非作物种植区两次拍摄所获取到的地表高程在理论上应当是一致的。而在实际过程中，无人机拍摄可能存在系统误差。在本实施例中，利用非作物种植区的第一地表高程、第三地表高程之差，可以计算出非作物种植区的地表高差，以获取无人机采集的系统误差。利用该系统误差对初步的植株高度数据进行修正，获取准确度更高的植株高度数据。
在一个实施例中，获取非作物种植区的第一地表高程的平均值以及第三地表高程的平均值，利用两个平均值之差计算出地表高差。具体地，假设非作物种植区的第一地表高程的平均值为，第三地表高程的平均值为/>，则地表高差为。
由此，假设作物种植区的第二地表高程为，第四地表高程的平均值为，则植株高度数据为/>。
步骤120，基于所述目标区域在所述全株农作物的收获期时的多光谱数据，确定所述目标区域的光谱指数高值区、光谱指数中值区和光谱指数低值区。
具体地，可以利用无人机采集的目标区域的遥感数据，获取目标区域的多光谱数据，根据多光谱数据对目标区域分为三个子区域。
在一个实施例中，所述多光谱数据是基于所述第二遥感数据获取的。也就是说，无人机只需采集第一遥感数据、第二遥感数据，基于第一遥感数据获取第一DSM数据，基于第二遥感数据获取第二DSM数据和多光谱数据。
在一个实施例中，可以采用搭载多光谱成像相机的无人机进行采集。也就是说，第一遥感数据、第二遥感数据为多光谱遥感数据。为了保证精度，在一个实施例中，无人机包括RTK（Real-Time Kinematic，实时动态差分法）模块。
需要说明的是，在目标区域内，不同地块的全株农作物因出苗率等因素的影响，其长势有一定的差异，单位面积的株数也有一定的差异，利用多光谱数据进行分析，获取全株农作物收获期时的光谱指数，光谱指数可以表征全株农作物的长势。将目标区域划分为三个子区域：光谱指数高值区、光谱指数中值区和光谱指数低值区。
可以理解的是，可以只对目标区域的作物种植区进行划分，而非作物种植区不进行划分。如图4所示，针对种植地块之间的道路（即非作物种植区），无需获取其光谱指数，无需纳入划分范围。
关于光谱指数高值区、光谱指数中值区和光谱指数低值区的划分，在一个实施例中，可以为光谱指数高值区、光谱指数中值区和光谱指数低值区设定不同的光谱指数范围，根据多光谱数据中每个像素点的光谱指数，确定每个像素点所属于的子区域。
在另一个实施例中，步骤120具体包括：基于所述多光谱数据，获取所述目标区域的光谱指数的均值和标准差；基于所述均值和所述标准差，分别确定所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的光谱指数范围；基于所述光谱指数范围确定所述目标区域的所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区。
具体地，针对不同的全株农作物，其收获期的光谱指数的常规范围是不同的，并且，不同地域种植同一种全株农作物，其收获期的光谱指数的范围也可能是不同的。本实施例利用待估产的作物种植区的光谱指数的均值和标准差来动态调整光谱指数高值区、光谱指数中值区和光谱指数低值区的光谱指数范围，对三个子区域的光谱指数范围进行动态调整，使得区域的划分更具合理性。
在一个实施例中，可以将非作物种植区排除，采用作物种植区的均值和标准差确定光谱指数高值区、光谱指数中值区和光谱指数低值区的光谱指数范围。
在一个实施例中，目标区域的光谱指数高值区的光谱指数范围为，光谱指数中值区的光谱指数范围为/>，光谱指数低值区的光谱指数范围的光谱指数范围为/>，其中，/>表示作物种植区的均值，/>表示作物种植区的标准差，/>表示作物种植区的均值最小值，/>表示作物种植区的均值最大值。
在一个实施例中，可以根据归一化植被指数（Normalized Vegetation Index，NDVI）划分上述三个子区域。在另一个实施例中，可以根据增强型植被指数（EnhancedVegetation Index，EVI）划分上述三个子区域。也可以根据实际需求，采用其他光谱指数作为划分上述三个子区域的依据，在此不再赘述。
在一个实施例中，所述方法还包括：基于所述植株高度数据和所述多光谱数据所确定的所述光谱指数高值区、所述光谱指数中值区、所述光谱指数低值区，分别获取所述光谱指数高值区、所述光谱指数中值区、所述光谱指数低值区的植株平均高度。
具体地，根据划分的三个子区域，可以将植株高度数据分为光谱指数高值区的植株高度数据、光谱指数中值区的植株高度数据、光谱指数低值区的植株高度数据，根据各个子区域的植株高度数据计算出该子区域的植株平均高度。具体地，光谱指数高值区、光谱指数中值区、光谱指数低值区的植株平均高度分别为、/>、/>。
步骤130，分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的所述全株农作物的种植面积和种植密度。
具体地，在划分好三个子区域之后，可以根据全株农作物收获期的多光谱数据确定每个子区域的种植面积和种植密度。
在一个实施例中，步骤130具体包括：分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的第三遥感数据；对所述第三遥感数据进行识别，获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物的种植株数；基于所述第二遥感数据或者所述第三遥感数据，获取所述种植面积；基于所述种植面积和所述种植株数，获取所述种植密度。
具体地，第三遥感数据是在划分好目标区域的三个子区域之后，无人机针对每个子区域分别采集的遥感数据。无人机采集第三遥感数据时的飞行高度，相较于采集第一遥感数据和第二遥感数据时的飞行高度会更低。在一个例子中，无人机采用30米或者更低的飞行高度来采集第三遥感数据，由此可以从第三遥感数据中看清每株全株农作物的冠层，用以识别全株农作物的株数。以青贮玉米为例，可以看清楚青贮玉米的冠层雄穗。
具体地，可以利用AI（人工智能）识别技术，对光谱指数高值区、光谱指数中值区和光谱指数低值区的第三遥感数据进行识别，识别出各个子区域的全株农作物的株数，光谱指数高值区、光谱指数中值区和光谱指数低值区的株数分别为、/>、/>，并结合基于第二遥感数据或者第三遥感数据获取的各个子区域的种植面积/>、/>、/>，从而计算出各个子区域的全株农作物种植密度/>、/>、/>，单位为株/亩。
应该理解的是，由于光谱指数高值区、光谱指数中值区和光谱指数低值区是根据光谱指数进行划分的，光谱指数高值区、光谱指数中值区和光谱指数低值区可能恰好为作物种植区的三个地块，也可能是由分散分布在作物种植区的多个地块组成（如图4所示），在计算种植面积时，则需要将组成的每个地块的面积进行累加。
步骤140，分别获取所采集的所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物样本，基于所述全株农作物样本，分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的单位平均重量。
具体地，在光谱指数高值区、光谱指数中值区和光谱指数低值区分别收获预设数量的全株农作物作为样本，计算出每个子区域的样本的单位平均重量。这个预设数量可以设定较小的数量，以青贮玉米为例，预设数量可以为20株。本发明的样本采集成本低、工作效率高，样本涵盖了不同长势的全株农作物，具有更高的合理性。
针对光谱指数高值区、光谱指数中值区和光谱指数低值区可能是由分散分布在作物种植区的多个地块组成的情况，则可以选取其中一个地块采集样本，可以大大提高工作效率。
针对样本的处理，需要获取光谱指数高值区、光谱指数中值区和光谱指数低值区的样本的高度和重量。
在一个实施例中，步骤140具体包括：分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物样本的样本平均重量和样本平均高度；基于所述样本平均重量和所述样本平均高度，确定所述单位平均重量。
具体地，单位平均重量是指每个子区域的全株农作物的单株单位高度平均重量，具体表达公式为：单位平均重量=样本平均重量/样本平均高度。光谱指数高值区的单位平均重量为，光谱指数中值区的单位平均重量为/>，光谱指数低值区的单位平均重量为/>。
（1）样本平均重量的计算
光谱指数高值区为：；
光谱指数中值区为：；
光谱指数低值区为：；
其中，为光谱指数高值区的一个全株农作物样本的重量，/>为光谱指数中值区的一个全株农作物样本的重量，/>为光谱指数低值区的一个全株农作物样本的重量，、/>、/>分别为所采集到的光谱指数高值区、光谱指数中值区、光谱指数低值区的样本数量。
（2）样本平均高度的计算
光谱指数高值区为：；
光谱指数中值区为：；
光谱指数低值区为：；
其中，为光谱指数高值区的一个全株农作物样本的高度，/>为光谱指数中值区的一个全株农作物样本的高度，/>为光谱指数低值区的一个全株农作物样本的高度。
步骤150，基于所述植株高度数据、所述种植面积、所述种植密度、所述单位平均重量，预估所述目标区域的全株农作物的产量。
具体地，产量与植株平均高度、种植面积、种植密度以及单位平均重量这几个参数有关。具体表达公式为：产量=种植面积×种植密度×单位平均重量×植株平均高度。
在一个实施例中，步骤150具体包括：基于所述植株平均高度、所述种植面积、所述种植密度、所述单位平均重量，分别预估所述光谱指数高值区的第一产量、所述光谱指数中值区的第二产量、所述光谱指数低值区的第三产量；基于所述第一产量、所述第二产量、所述第三产量，预估所述目标区域的全株农作物的产量。
具体地，光谱指数高值区的产量为，光谱指数中值区的产量为，光谱指数低值区的产量为/>。由此，目标区域的全株农作物的产量为：
。
本发明提供的全株农作物的产量预估方法通过利用无人机遥感数据获取DSM数据和多光谱数据，利用DSM数据获取目标区域内全株农作物的植株高度数据，具有较高的数据准确性和数据全面性；利用全株农作物在收获期时的多光谱数据，将目标区域分为光谱指数高值区、光谱指数中值区和光谱指数低值区，从而将目标区域细分为三个全株农作物不同长势的子区域，提高数据准确度；获取三个子区域的种植面积和种植密度，并在上述三个子区域中采集少量的全株农作物样本，获取单位平均重量，根据得到的植株高度数据、种植面积、种植密度、单位平均重量这几个参数，即可预估出目标区域的全株农作物的产量。本发明预估的产量具有较高的准确度，相对于现有技术，只需采集少量的样本获取代表三种不同长势的全株农作物的平均重量，有效降低成本，提升工作效率，也有利于大面积全株农作物的产量预估。并且，本发明是将无人机遥感技术在农业种植行业的创新应用，用科学技术手段代替了人工实地工作，大大提升了工作效率。
如图5所示，本发明主要利用无人机遥感技术，对需要估产的目标区域进行拍摄，获取目标区域的遥感数据，对遥感数据进行拼接处理，获取目标区域的遥感图像。其中，需要至少采集两次遥感数据：目标区域在全株农作物播种前的遥感数据、目标区域在全株农作物收获期时的遥感数据。
根据两次采集的遥感图像，经处理后，可以获取DSM数据和多光谱数据。具体地，DSM数据包括播种前的DSM数据和收获期的DSM数据，两种DSM数据又可分为作物种植区的DSM数据和非作物种植区的DSM数据，多光谱数据为收获期的多光谱数据。
非作物种植区的播种前、收获期的DSM数据，用于计算出非作物种植区域的地表高差，其可以表征目标区域的DSM数据的系统误差，结合地表高差、作物种植区的播种前DSM数据以及作物种植区的收获期DSM数据，则可以得到准确度高的植株高度数据。
多光谱数据可以计算出目标区域的光谱指数，基于光谱指数数值大小将目标区域划分为光谱指数高值区、光谱指数中值区和光谱指数低值区。具体地，将作物种植区划分为光谱指数高值区、光谱指数中值区和光谱指数低值区，以表征不同长势的全株农作物的区域。
结合三个子区域的划分边界以及得到的植株高度数据，可以得到各个子区域的植株平均高度；结合三个子区域的划分边界以及遥感图像，可以得到各个子区域的种植面积。
进一步地，可以再利用无人机采集三个子区域的遥感数据（图未示），以获取各子区域的全株农作物的种植密度。并在三个子区域分别采集少量的全株农作物样本，通过计算样本的样本平均重量、样本平均高度，计算出各个子区域的单位平均重量（即单株单位高度的平均重量）。
由此，根据光谱指数高值区、光谱指数中值区和光谱指数低值区的种植平均高度、种植面积、种植密度、单位平均重量，即可预估上述各个子区域的全株农作物的产量，从而预估出目标区域的全株农作物的产量。
下面对本发明提供的全株农作物的产量预估装置进行描述，下文描述的全株农作物的产量预估装置与上文描述的全株农作物的产量预估方法可相互对应参照。
如图6所示，本发明还提供一种全株农作物的产量预估装置，包括：
第一获取模块610，用于基于目标区域的数字地表模型数据，获取全株农作物的植株高度数据；
确定模块620，用于基于所述目标区域在所述全株农作物的收获期时的多光谱数据，确定所述目标区域的光谱指数高值区、光谱指数中值区和光谱指数低值区；
第二获取模块630，用于分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的所述全株农作物的种植面积和种植密度；
第三获取模块640，用于分别获取所采集的所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物样本，基于所述全株农作物样本，分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的单位平均重量；
产量预估模块650，用于基于所述植株高度数据、所述种植面积、所述种植密度、所述单位平均重量，预估所述目标区域的全株农作物的产量。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器（processor）710、通信接口（Communications Interface）720、存储器（memory）730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行全株农作物的产量预估方法，该方法包括：基于目标区域的数字地表模型数据，获取全株农作物的植株高度数据；基于所述目标区域在所述全株农作物的收获期时的多光谱数据，确定所述目标区域的光谱指数高值区、光谱指数中值区和光谱指数低值区；分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的所述全株农作物的种植面积和种植密度；分别获取所采集的所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物样本，基于所述全株农作物样本，分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的单位平均重量；基于所述植株高度数据、所述种植面积、所述种植密度、所述单位平均重量，预估所述目标区域的全株农作物的产量。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以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，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的全株农作物的产量预估方法，该方法包括：基于目标区域的数字地表模型数据，获取全株农作物的植株高度数据；基于所述目标区域在所述全株农作物的收获期时的多光谱数据，确定所述目标区域的光谱指数高值区、光谱指数中值区和光谱指数低值区；分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的所述全株农作物的种植面积和种植密度；分别获取所采集的所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物样本，基于所述全株农作物样本，分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的单位平均重量；基于所述植株高度数据、所述种植面积、所述种植密度、所述单位平均重量，预估所述目标区域的全株农作物的产量。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的全株农作物的产量预估方法，该方法包括：基于目标区域的数字地表模型数据，获取全株农作物的植株高度数据；基于所述目标区域在所述全株农作物的收获期时的多光谱数据，确定所述目标区域的光谱指数高值区、光谱指数中值区和光谱指数低值区；分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的所述全株农作物的种植面积和种植密度；分别获取所采集的所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物样本，基于所述全株农作物样本，分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的单位平均重量；基于所述植株高度数据、所述种植面积、所述种植密度、所述单位平均重量，预估所述目标区域的全株农作物的产量。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (8)
1.一种全株农作物的产量预估方法，其特征在于，包括：
基于目标区域的数字地表模型数据，获取全株农作物的收获期时的植株高度数据；
基于所述目标区域在所述全株农作物的收获期时的多光谱数据，确定所述目标区域的光谱指数高值区、光谱指数中值区和光谱指数低值区；
分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的所述全株农作物的种植面积和种植密度；
分别获取所采集的所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物样本，基于所述全株农作物样本，分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的单位平均重量；
基于所述植株高度数据、所述种植面积、所述种植密度、所述单位平均重量，预估所述目标区域的全株农作物的产量；
其中，所述目标区域的全株农作物的产量的计算公式为：
；
其中，、/>、/>分别为所述光谱指数高值区、所述光谱指数中值区以及所述光谱指数低值区的种植面积；/>、/>、/>分别为所述光谱指数高值区、所述光谱指数中值区以及所述光谱指数低值区的全株农作物种植密度；/>、/>、/>分别为所述光谱指数高值区、所述光谱指数中值区以及所述光谱指数低值区的单位平均重量；/>、/>、/>分别为根据所述植株高度数据计算出的所述光谱指数高值区、所述光谱指数中值区以及所述光谱指数低值区的植株平均高度；
所述基于目标区域的数字地表模型数据，获取全株农作物的植株高度数据，包括：
获取所述目标区域的第一遥感数据和第二遥感数据；其中，所述第一遥感数据为在所述全株农作物播种或者出苗之前所述目标区域的遥感数据，所述第二遥感数据为在所述全株农作物的收获期时所述目标区域的遥感数据；
基于所述第一遥感数据，获取第一数字地表模型数据，基于所述第二遥感数据，获取第二数字地表模型数据；
基于所述第一数字地表模型数据和第二数字地表模型数据，获取所述植株高度数据；
所述基于所述第一数字地表模型数据和第二数字地表模型数据，获取所述植株高度数据，包括：
根据所述第一数字地表模型数据，确定所述目标区域中的非作物种植区的第一地表高程和作物种植区的第二地表高程；
根据所述第二数字地表模型数据，确定所述非作物种植区的第三地表高程和所述作物种植区的第四地表高程；
根据所述第一地表高程和所述第三地表高程，获取地表高差；
根据所述第二地表高程、所述第四地表高程和所述地表高差，获取所述植株高度数据。
2.根据权利要求1所述的全株农作物的产量预估方法，其特征在于，还包括：
基于所述植株高度数据和所述多光谱数据所确定的所述光谱指数高值区、所述光谱指数中值区、所述光谱指数低值区，分别获取所述光谱指数高值区、所述光谱指数中值区、所述光谱指数低值区的植株平均高度；
所述基于所述植株高度数据、所述种植面积、所述种植密度、所述单位平均重量，预估所述目标区域的全株农作物的产量，包括：
基于所述植株平均高度、所述种植面积、所述种植密度、所述单位平均重量，分别预估所述光谱指数高值区的第一产量、所述光谱指数中值区的第二产量、所述光谱指数低值区的第三产量；
基于所述第一产量、所述第二产量、所述第三产量，预估所述目标区域的全株农作物的产量。
3.根据权利要求1所述的全株农作物的产量预估方法，其特征在于，所述分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的所述全株农作物的种植面积和种植密度，包括：
分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的第三遥感数据；
对所述第三遥感数据进行识别，获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物的种植株数；
基于所述第二遥感数据或者所述第三遥感数据，获取所述种植面积；
基于所述种植面积和所述种植株数，获取所述种植密度。
4.根据权利要求1所述的全株农作物的产量预估方法，其特征在于，所述基于所述目标区域在所述全株农作物的收获期时的多光谱数据，确定所述目标区域的光谱指数高值区、光谱指数中值区和光谱指数低值区，包括：
基于所述多光谱数据，获取所述目标区域的光谱指数的均值和标准差；
基于所述均值和所述标准差，分别确定所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的光谱指数范围；
基于所述光谱指数范围确定所述目标区域的所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区。
5.根据权利要求1所述的全株农作物的产量预估方法，其特征在于，所述分别获取所采集的所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物样本，基于所述全株农作物样本，分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的单位平均重量，包括：
分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物样本的样本平均重量和样本平均高度；
基于所述样本平均重量和所述样本平均高度，确定所述单位平均重量。
6.一种全株农作物的产量预估装置，其特征在于，包括：
第一获取模块，用于基于目标区域的数字地表模型数据，获取全株农作物的收获期时的植株高度数据；
确定模块，用于基于所述目标区域在所述全株农作物的收获期时的多光谱数据，确定所述目标区域的光谱指数高值区、光谱指数中值区和光谱指数低值区；
第二获取模块，用于分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的所述全株农作物的种植面积和种植密度；
第三获取模块，用于分别获取所采集的所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的全株农作物样本，基于所述全株农作物样本，分别获取所述光谱指数高值区、所述光谱指数中值区和所述光谱指数低值区的单位平均重量；
产量预估模块，用于基于所述植株高度数据、所述种植面积、所述种植密度、所述单位平均重量，预估所述目标区域的全株农作物的产量；
其中，所述目标区域的全株农作物的产量的计算公式为：
；
其中，、/>、/>分别为所述光谱指数高值区、所述光谱指数中值区以及所述光谱指数低值区的种植面积；/>、/>、/>分别为所述光谱指数高值区、所述光谱指数中值区以及所述光谱指数低值区的全株农作物种植密度；/>、/>、/>分别为所述光谱指数高值区、所述光谱指数中值区以及所述光谱指数低值区的单位平均重量；/>、/>、/>分别为根据所述植株高度数据计算出的所述光谱指数高值区、所述光谱指数中值区以及所述光谱指数低值区的植株平均高度；
所述基于目标区域的数字地表模型数据，获取全株农作物的植株高度数据，包括：
获取所述目标区域的第一遥感数据和第二遥感数据；其中，所述第一遥感数据为在所述全株农作物播种或者出苗之前所述目标区域的遥感数据，所述第二遥感数据为在所述全株农作物的收获期时所述目标区域的遥感数据；
基于所述第一遥感数据，获取第一数字地表模型数据，基于所述第二遥感数据，获取第二数字地表模型数据；
基于所述第一数字地表模型数据和第二数字地表模型数据，获取所述植株高度数据；
所述基于所述第一数字地表模型数据和第二数字地表模型数据，获取所述植株高度数据，包括：
根据所述第一数字地表模型数据，确定所述目标区域中的非作物种植区的第一地表高程和作物种植区的第二地表高程；
根据所述第二数字地表模型数据，确定所述非作物种植区的第三地表高程和所述作物种植区的第四地表高程；
根据所述第一地表高程和所述第三地表高程，获取地表高差；
根据所述第二地表高程、所述第四地表高程和所述地表高差，获取所述植株高度数据。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现如权利要求1至5任一项所述全株农作物的产量预估方法。
8.一种非暂态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如权利要求1至5任一项所述全株农作物的产量预估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310220868.1A CN115936917B (zh) | 2023-03-09 | 2023-03-09 | 全株农作物的产量预估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310220868.1A CN115936917B (zh) | 2023-03-09 | 2023-03-09 | 全株农作物的产量预估方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115936917A CN115936917A (zh) | 2023-04-07 |
| CN115936917B true CN115936917B (zh) | 2023-08-08 |
Family
ID=86550988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310220868.1A Active CN115936917B (zh) | 2023-03-09 | 2023-03-09 | 全株农作物的产量预估方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115936917B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109614891A (zh) * | 2018-11-27 | 2019-04-12 | 北京师范大学 | 基于物候学和遥感的农作物识别方法 |
| CN111289441A (zh) * | 2020-02-21 | 2020-06-16 | 中国农业大学 | 多光谱下的大田作物含水量确定方法、系统及设备 |
| CN113052102A (zh) * | 2021-03-31 | 2021-06-29 | 北京农业信息技术研究中心 | 基于无人机多光谱影像的农田管理分区方法及装置 |
| CN114005039A (zh) * | 2021-12-31 | 2022-02-01 | 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 |
| CN114091774A (zh) * | 2021-11-26 | 2022-02-25 | 广州极飞科技股份有限公司 | 一种作物产量预估方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
-
2023
- 2023-03-09 CN CN202310220868.1A patent/CN115936917B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109614891A (zh) * | 2018-11-27 | 2019-04-12 | 北京师范大学 | 基于物候学和遥感的农作物识别方法 |
| CN111289441A (zh) * | 2020-02-21 | 2020-06-16 | 中国农业大学 | 多光谱下的大田作物含水量确定方法、系统及设备 |
| CN113052102A (zh) * | 2021-03-31 | 2021-06-29 | 北京农业信息技术研究中心 | 基于无人机多光谱影像的农田管理分区方法及装置 |
| CN114091774A (zh) * | 2021-11-26 | 2022-02-25 | 广州极飞科技股份有限公司 | 一种作物产量预估方法及装置 |
| CN114005039A (zh) * | 2021-12-31 | 2022-02-01 | 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 |
|---|---|
| CN115936917A (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11432470B2 (en) | Information processing apparatus, information processing method, and vegetation management system | |
| JP5626056B2 (ja) | 農作物画像処理プログラム、農作物画像処理方法及び農作物画像処理装置 | |
| EP4150515A1 (en) | System and method for crop monitoring | |
| EP3626043B1 (en) | Agricultural work apparatus, agricultural work management system, and program | |
| CN113221806B (zh) | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 | |
| AU2021105575A4 (en) | Automatic Tea Garden Identification Method Based on Cloud Platform Fusion of Multi-Source Satellite Images and Tea Phenological Period | |
| CN112734083A (zh) | 一种基于机器视觉的水稻收割机路径规划控制系统 | |
| CN114140692A (zh) | 基于无人机遥感和深度学习的鲜食玉米成熟度预测方法 | |
| Dvorak et al. | Predicting quality and yield of growing alfalfa from a UAV | |
| CN112580491A (zh) | 作物生长阶段的确定方法、装置、非易失性存储装置 | |
| CN115620151A (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
| CN108537164B (zh) | 基于无人机遥感的点穴播种出芽率监测方法与装置 | |
| Narra et al. | A data driven approach to decision support in farming | |
| CN115936917B (zh) | 全株农作物的产量预估方法、装置、电子设备及存储介质 | |
| CN116385885A (zh) | 一种病虫害识别方法及系统 | |
| US20230206626A1 (en) | Plant disease and pest control method using spectral remote sensing and artificial intelligence | |
| CN115424151A (zh) | 一种基于图像处理的农业智能平台 | |
| Dong et al. | 4D mapping of fields using autonomous ground and aerial vehicles | |
| CN115527111A (zh) | 水稻种植信息及复种指数遥感提取方法、装置及设备 | |
| CN113361377A (zh) | 一种植物生长管控模型构建方法、电子设备、存储介质 | |
| Santhosh Kumar et al. | Review on disease detection of plants using image processing and machine learning techniques | |
| CN115660236B (zh) | 作物物候期预测方法、装置、电子设备和存储介质 | |
| Copăcean et al. | Geomatic techniques applied for remote determination of the hay quantity in agrosilvopastoral systems | |
| CN117875658B (zh) | 基于物联网的农业数字化管理方法 | |
| CN117710812A (zh) | 一种黑麦草产量预测方法与装置 |
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 |