CN116012720A - 基于高分遥感影像的农作物长势监测方法、设备及介质 - Google Patents

Abstract

本申请涉及一种基于高分遥感影像的农作物长势监测方法、设备及介质，涉及农业遥感监测技术领域，其方法包括：预测待监测区域内每种待监测农作物对应的多个监测时间段；获取当前时间段内待监测区域的高分遥感影像数据；确定包含所述当前时间段的监测时间段对应的待监测农作物的目标农作物；根据所述高分遥感影像数据对所述目标农作物的长势进行分析，得到目标农作物的长势信息；获取与当前时间段对应目标农作物的比对数据信息；所述比对数据信息包括历史长势信息和预设指标信息；将所述目标农作物的长势信息与比对数据信息进行分析，得到所述目标农作物的监测结果。本申请具有节省遥感影像监测资源的效果。

Description

基于高分遥感影像的农作物长势监测方法、设备及介质

技术领域

本申请涉及农业遥感监测技术领域，尤其是涉及一种基于高分遥感影像的农作物长势监测方法、设备及介质。

背景技术

农作物长势是指作物生长的状况与趋势，或者说农作物生产的态势，而对农作物长势的监测通常是指对作物的苗情、生长状况及其变化的宏观监测，通过监测农作物的长势可以及时了解每种作物在各个生育期的生长状况、病虫害或农作物营养状况，并对每种作物的产量进行预测，从而指导人们采取对应的管理措施。

目前，对农作物长势监测采用NDVI、EVI等遥感影像全年监测某一个区域的农作物长势，根据获得的遥感影像数据，利用年度遥感指数的变化，将当前时期的遥感数据与历史年份同期的数据进行对比分析，分析区域中每种农作物的长势情况，从而实现对农作物长势的管理。

但是，由于农作物在每年不同情况下整体的生长阶段可能不同，每一种类型农作物的每个生长状态监测时间也不同，这样每个时期均对所有类型的农作物进行分析，浪费了遥感监测资源。

发明内容

为了节省遥感影像监测资源，本申请提供一种基于高分遥感影像的农作物长势监测方法、设备及介质。

第一方面，本申请提供一种基于高分遥感影像的农作物长势监测方法，采用如下的技术方案：

一种基于高分遥感影像的农作物长势监测方法，包括：

预测待监测区域内每种待监测农作物对应的多个监测时间段；

获取当前时间段内待监测区域的高分遥感影像数据；

确定包含所述当前时间段的监测时间段对应的待监测农作物的目标农作物；

根据所述高分遥感影像数据对所述目标农作物的长势进行分析，得到目标农作物的长势信息；

获取与当前时间段对应目标农作物的比对数据信息；所述比对数据信息包括历史长势信息和预设指标信息；

将所述目标农作物的长势信息与所述比对数据信息进行分析，得到所述目标农作物的监测结果。

通过采用上述技术方案,通过预测待监测区域中每种待监测农作物的监测时间段，不同监测时间段分别监测不同类型的农作物，按照监测时间段对待监测区域进行高分遥感影像拍摄，并且按照监测时间段对应的待监测农作物类型对高分遥感影像进行分析，在某一监测时间段内，仅仅只对监测时间段对应的待监测农作物进行分析，无需对其它类型的农作物分析，大大节省了待监测农作物的遥感监测资源。

可选的，所述预测待监测区域内每种待监测农作物对应的多个监测时间段包括：

获取待监测区域历史年份多个时间段的历史温度信息以及每种待监测农作物对应的各个历史生长周期范围；

以所述历史温度信息以及所述每种待监测农作物的各个历史生长周期范围为训练样本，采用预置机器学习算法进行训练，生成每种待监测农作物对应的生长周期预测模型；

将当前年份划分为多个时间段；

获取当前年份至少一个所述时间段的第一温度信息；

将所述第一温度信息输入至所述生长周期预测模型，得到每种待监测农作物对应的生长周期范围；

获取当前时间段的当前温度信息；

根据所述当前温度信息、所述每种待监测农作物对应各个生长周期范围和所述历史温度信息分析下一时间段内的待监测农作物的开始种植时间；

基于所述下一时间段内的待监测农作物的所述开始种植时间和生长周期范围调整每种未监测农作物对应的多个监测时间段。

通过采用上述技术方案，采用历史年份多个时间段的历史温度信息以及每种待监测农作物对应的各个历史生长周期范围每种农作物的生长周期预测模型，并且根据当前年份的至少一个时间段的温度预测全年中待监测区域中的每种农作物的监测时间段，再根据当前的温度信息实时调整全年中待监测区域的每种待监测农作物的监测时间段，提高了预测待监测区域内每种待监测农作物对应的多个监测时间段的准确性。

可选的，所述当前温度信息包括平均温度和温度变化趋势，所述根据所述当前温度信息、所述每种待监测农作物对应各个生长周期范围和所述历史温度信息分析下一时间段内的待监测农作物的开始种植时间包括：

根据所述每种待监测农作物对应的各个生长周期范围判断下一时间段是否存在待监测农作物；

若存在，则判断当前时间段的平均温度与历史年份中相同时间段的平均温度是否相同；

若所述平均温度相同，则分析所述当前时间段的温度变化趋势与历史年份中相同时间段的温度变化趋势是否相同；

若所述温度变化趋势相同，则确定下一时间段的待监测农作物的开始种植时间与历史年份的历史开始种植时间相同；

若所述温度变化趋势不相同，则以历史年份相同时间段为节点，根据所述当前时间段长度查找与当前时间段的平均温度和温度变化趋势相同的目标时间段；

基于所述目标时间段与历史开始种植时间计算下一时间段的待监测农作物的开始种植时间；

若所述平均温度和所述温度变化趋势均不相同，则获取当前时间段和上一时间段的温度异常因素信息；

基于所述温度异常因素信息确定下一时间段的待监测农作物的开始种植时间；

若不存在，则检测下一时间段的温度信息，并将下一时间段作为当前时间段，执行所述根据所述每种待监测农作物对应的各个生长周期范围判断下一时间段是否存在待监测农作物的步骤。

通过采用上述技术方案，通过将当前时间段的平均温度和温度变化趋势两种因素共同分析下一个时间段内每种农作物的开始种植时间，根据下一时间段内每种农作物的开始种植时间和预测的全年农作物的生长周期范围实时调整当前未监测农作物的监测时间，使得对于不同待监测农作物进行遥感影像监测的时间更加准确。

可选的，所述温度异常因素信息包括异常类型和异常结束时间，所述异常类型包括旱灾、水灾以及气候变暖；所述基于所述温度异常因素确定下一时间段的待监测农作物的开始种植时间包括：

预先根据不同类型异常因素和不同类型异常因素的任意组合赋予不同的灾害恢复时间；

根据所述温度异常因素确定所述当前时间段对应的灾害恢复时间；

将所述异常结束时间和所述灾害恢复时间相加，计算得到灾害影响时间；

查找与当前时间段的温度信息相似的历史温度信息，估计下一时间段的待监测农作物的第一开始种植时间；

基于下一时间段的待监测农作物对应的各个所述生长周期范围和所述第一开始种植时间确定下一时间段的待监测农作物的第二开始种植时间；

判断所述灾害影响时间是否位于所述第二开始种植时间之后；

若是，则基于所述第二开始种植时间和所述灾害影响时间确定下一时间段内待监测农作物的开始种植时间；

若否，则将所述第二开始种植时间作为下一时间段内待监测农作物的开始种植时间。

通过采用上述技术方案，考虑到温度可能受到旱灾、水灾以及气候变暖等温度异常因素的影响，所以设置不同温度异常因素对应的灾害恢复时间，通过灾害恢复时间确定温度异常因素对待监测农作物的灾害影响时间，再根据灾害影响时间推断待监测农作物的开始种植时间，根据当前时间段中待监测农作物的开始种植时间实时调整未监测农作物的监测时间段，提高了预测待监测区域中每种农作物的待监测时间段的准确性。

可选的，所述目标农作物的长势信息包括叶面积指数，所述根据所述高分遥感影像数据对所述目标农作物的长势进行分析，得到目标农作物的长势信息包括：

按照目标农作物的类型识别所述高分遥感影像中的目标农作物，并生成所述目标农作物的矢量图；

基于所述高分遥感影像中矢量图的光谱特征计算所述目标农作物的归一化植被指数；

将所述归一化植被指数反演计算得到所述目标农作物的叶面积指数。

可选的，所述基于所述目标农作物的长势信息和所述比对数据信息进行分析，得到所述目标农作物监测结果包括：

判断所述待监测区域中所述目标农作物的矢量图的个数；

若所述目标农作物的矢量图的个数为1，则将所述目标农作物的长势信息与历史监测数据信息相比较，得到第一监测信息；

将所述目标农作物的长势信息与预设指标信息相比较，得到第二监测信息；

若所述目标农作物的矢量图的个数大于1，则所述目标农作物的每个矢量图的长势信息相比较，得到第三监测信息，并执行所述将所述目标农作物的长势信息与历史监测数据信息相比较，得到第一监测信息的步骤；

基于所述第一监测信息、所述第二监测信息和所述第三监测信息得到所述目标农作物的监测结果。

通过采用上述技术方案，当待监测区域中目标农作物所处在一个区域中时，将目标农作物的长势信息与历年年份相同阶段的长势信息和预设监测指标数据信息分别相比较，通过在时间维度上和空间维度上纵向对目标农作物进行监测，使得对目标农作物长势情况上监测的更加全面，便于用户全面的了解目标农作物的长势情况；

当待监测区域中目标农作物所处在两个区域及以上区域时，除了对目标农作物在时间维度上和空间维度上进行纵向监测外，还对目标农作物在待监测区域内不同区域进行横向监测，进一步分析其不同地势、不同环境等目标农作物的长势状况。

可选的，所述比对数据信息包括历史影响因素信息，所述方法还包括：

若任一所述目标农作物的监测结果异常，则获取待检测区域中所述目标农作物的当前影响因素信息；

将当前影响因素信息与所述历史影响因素信息相比较，得到第四监测信息；

将所述目标农作物在每个矢量图中的当前影响因素信息相比较，得到第五监测信息；

基于所述第四监测信息和所述第五监测信息确定异常因素；其中，影响因素信息包括环境因素、生物因素、管理因素和其它因素；每种因素包括多种影响因子；

基于所述异常因素生成相应的告警信息。

通过采用上述技术方案，当当前时间段的目标农作物监测结果为异常时，对异常的农作物的影响因素信息进行具体分析，通过将当前影像因素信息与历史影响因素信息比对，不同区域中的当前影响因素相比对，得到异常影响因素，并且根据异常的影响因素输出相应的告警信息，便于用户及时得知待监测区域中哪些农作物异常和了解相关异常情况。

可选的，所述将当前影响因素信息与所述历史影响因素信息相比较，得到第四监测信息包括：

基于预设监测规则计算所述目标农作物的长势信息与所述历史长势信息的第一相似度；

基于所述第一相似度确定所述目标农作物的参考监测数据信息；

基于当前影响因素信息和参考监测数据信息的历史影响因素信息计算每个影响因素的的第二相似度；

基于所述第一相似度、所述第二相似度和参考监测数据信息相对应的农作物评价信息计算所述目标农作物的第四监测信息。

第二方面，本申请提供一种电子设备，采用如下的技术方案：

一种电子设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行第一方面任一项所述的基于高分遥感影像的农作物长势监测方法的计算机程序。

第三方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：

一种计算机可读存储介质，存储有能够被处理器加载并执行第一方面任一项所述的基于高分遥感影像的农作物长势监测方法的计算机程序。

综上所述，本申请包括以下有益技术效果：

通过预测待监测区域中每种待监测农作物的监测时间段，不同监测时间段分别监测不同类型的农作物，按照监测时间段对待监测区域进行高分遥感影像拍摄，并且按照监测时间段对应的待监测农作物类型对高分遥感影像进行分析，在某一监测时间段内，仅仅只对监测时间段对应的待监测农作物进行分析，无需对其它类型的农作物分析，大大节省了待监测农作物的遥感监测资源。

附图说明

图1是本申请实施例的基于高分遥感影像的农作物长势监测方法的流程示意图。

图2是本申请实施例在基于高分遥感影像的农作物长势监测方法中预测每种待监测农作物对应的多个监测时间段的流程示意图。

图3是本申请实施例在基于高分遥感影像的农作物长势监测方法中分析下一时间段内的待监测农作物的开始种植时间的流程示意图。

图4是本申请实施例在基于高分遥感影像的农作物长势监测方法中根据高分遥感影像数据对目标农作物的长势进行分析的流程示意图。

图5是本申请实施例的一种电子设备的结构框图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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、完整地描述，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，都属于本申请保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。

本申请实施例提供一种基于高分遥感影像的农作物长势监测方法，该基于高分遥感影像的农作物长势监测方法由电子设备执行，该电子设备可以为服务器，也可以为终端设备，其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器；终端设备可以是智能手机、平板电脑、台式计算机等，但并不局限于此。

下面结合说明书附图对本申请实施例作进一步详细描述。如图1所示，所述方法的主要流程图描述如下（步骤S1~S6）:

步骤S1，预测待监测区域内每种待监测农作物对应的多个监测时间段；

农作物具有播种期、生长期和成熟期等多个不同的生长阶段，不同的农作物生长周期和阶段均不同。由于不同农作物的种植时间不同，每种农作物各个阶段的生长时间也不同，所以需要对待监测农作物的生长周期进行预测，以按照每种农作物的生长周期监测不用种类的农作物，节省农作物的监测资源。

农作物的生长周期主要与气候温度有关，下面对通过气候温度预测待监测区域内每种待监测农作物对应的多个监测时间段进行具体说明。

在一种实施方式中，如图2所示，预测待监测区域内每种待监测农作物对应的多个监测时间段的具体实施步骤包括（步骤S11~S18）：

步骤S11，获取待监测区域历史年份多个时间段的历史温度信息以及每种待监测农作物对应的各个历史生长周期范围；

在本申请实施方式中，将一个年份划分为多个时间段，并记录每个时间段内的温度信息，以及该时间段内的待监测农作物和待监测农作物对应的多个历史生长周期，通常，一种待监测农作物有播种期、生长期和成熟期等多个生长周期。

步骤S12，以历史温度信息以及每种待监测农作物的各个历史生长周期范围为训练样本，采用预置机器学习算法进行训练，生成每种待监测农作物对应的生长周期预测模型；

在本申请实施方式中，不同的农作物各个历史生长周期范围不同，如油菜的各个历史生长周期范围包括发芽出苗期、苗期、现蕾抽薹期、开花期和成熟期等；小麦的各个历史生长周期范围包括出苗期、分蘖期、越冬期、返青期、起身期、拔节期、孕穗期、抽穗期、开花期、灌浆期、成熟期等。对历史温度信息、农作物的各个历史生长周期范围的节点进行标签标注，然后通过预置机器学习算法对两者之间的关系进行训练，其中机器学习算法可以为：Spark(火花)机器学习、XGBoost(eXtreme Gradient Boosting，极端梯度提升)机器学习，以预测不同时间段温度对应的农作物的各个生长周期范围。

步骤S13，将当前年份划分为多个时间段；

在本申请实施方式中，当前年份划分的多个时间段与历史年份划分的多个历史时间段相同。

步骤S14，获取当前年份至少一个时间段的第一温度信息；

步骤S15，将第一温度信息输入至生长周期预测模型，得到每种待监测农作物对应的生长周期范围；

在本申请实施方式中，实时记录全年的温度信息，例如，将当前年份划分了20个时间段，当前时间段为第5时间段，那么可以将1-5时间段的第一温度信息输入至生长周期预测模型中，得到当前年份每种待监测农作物对应的生长周期范围。

步骤S16，获取当前时间段的当前温度信息；

步骤S17，根据当前温度信息、每种待监测农作物对应各个生长周期范围和历史温度信息分析下一时间段内的待监测农作物的开始种植时间；

农民在种植每种农作物时，通常查看节气和节气附近的天气来进行种植，所以还需要具体分析每种农作物的开始种植时间，从而根据待监测农作物的开始种植时间、生长周期范围确定待监测农作物的监测时间段。

在本申请实施例中，当前温度信息包括平均温度和温度变化趋势，平均温度为当前时间段内的平均温度，温度变化趋势为每天平均温度相比较呈现的曲线趋势，其温度变化趋势包括稳定平缓趋势、稳定上升趋势、呈急增趋势、呈急降趋势等。需要说明的是，呈急增趋势为当前时间段一些时间节点为稳定趋势，一个或多个时间节点突然上升；呈急降趋势为当前时间段一些时间节点为稳定趋势，一个或多个时间节点突然下降。

具体的，如图3所示，步骤S17的实施步骤包括（步骤Sa~Sh）：

步骤Sa，根据每种待监测农作物对应的各个生长周期范围判断下一时间段是否存在待监测农作物；若存在，则执行步骤Sb；若不存在，则执行步骤Sc。

步骤Sb，判断当前时间段的平均温度与历史年份中相同时间段的平均温度是否相同；若平均温度相同，则执行步骤Sd；

步骤Sc，检测下一时间段的温度信息，并将下一时间段作为当前时间段，执行步骤Sa。

步骤Sd，分析当前时间段的温度变化趋势与历史年份中相同时间段的温度变化趋势是否相同；若温度变化趋势相同，则执行步骤Se；若温度变化趋势不相同，则执行步骤Sf。

步骤Se，确定下一时间段的待监测农作物的开始种植时间与历史年份的历史开始种植时间相同；

步骤Sf，以历史年份相同时间段为节点，根据当前时间段长度查找与当前时间段的平均温度和温度变化趋势相同的目标时间段；

步骤Sg，基于目标时间段与历史开始种植时间计算下一时间段的待监测农作物的开始种植时间；

在本申请实施方式中，例如当前时间段的长度为15天，历史年份相同时间段节点为3月15日至3月30日，那么，查找3月15日前十五天到3月30日后十五天范围内平均温度且温度变化趋势相同的目标时间段，也就是查找时间范围为3月1日到4月15日。假设查找的目标时间段位3月20-3月4日，那么根据历史开始种植时间往后调整5天后的时间为下一时间段与历史开始种植时间相同种类农作物的开始种植时间。

步骤Sh，若平均温度和温度变化趋势均不相同，则获取当前时间段和上一时间段的温度异常因素信息；基于温度异常因素信息确定下一时间段的待监测农作物的开始种植时间；

在本申请实施方式中，如果平均温度和温度变化趋势均不相同，可能当前时间段或在当前时间段附近的时间段中存在温度异常因素。温度异常因素信息包括异常类型和异常结束时间，异常类型包括但不限于旱灾、水灾以及气候变暖。需要说明的是，温度异常因素根据待监测区域中地区、环境等设置。

进一步的，下面对步骤Sh进行具体说明。基于温度异常因素确定下一时间段的待监测农作物的开始种植时间包括（步骤Sh1~Sh6）（图中均未附出）：

步骤Sh1，预先根据不同类型异常因素和不同类型异常因素的任意组合赋予不同的灾害恢复时间；

在本申请实施方式中，不同类型异常因素的灾害恢复时间可根据农民日常管理和种植经验进行设置，例如，旱灾需要通过对种植区域进行灌溉养护进行恢复，通常灾害恢复时间为农民对该区域的处理时间。

步骤Sh2，根据温度异常因素确定当前时间段对应的灾害恢复时间；

步骤Sh3，将异常结束时间和灾害恢复时间相加，计算得到灾害影响时间；

步骤Sh4，查找与当前时间段的温度信息相似的历史温度信息，估计下一时间段的待监测农作物的第一开始种植时间；

步骤Sh5，基于下一时间段的待监测农作物对应的各个生长周期范围和第一开始种植时间确定下一时间段的待监测农作物的第二开始种植时间；

在本申请实施方式中，将第一开始种植时间和待监测农作物对应的生长周期范围的开始时间相加并计算平均时间，二者的平均时间即为待监测农作物的第二开始种植时间。

步骤Sh6，判断灾害影响时间是否位于第二开始种植时间之后；

若是，则基于第二开始种植时间和灾害影响时间确定下一时间段内待监测农作物的开始种植时间；若否，则将第二开始种植时间作为下一时间段内待监测农作物的开始种植时间。

在本申请实施方式中，若灾害影响时间在第二开始种植时间之后，那么判定在第二开始种植时间之前，该区域中的灾害影响不能消除，例如灾害为干旱，假设该区域干旱恢复时间为10天，那么需要确定在第二开始种植时间之前，干旱对于农作物的种植是否还存在影响，若存在影响，那么可确定对于农作物的开始种植时间为灾害影响时间的后一天。

步骤S18，基于下一时间段内的待监测农作物的开始种植时间和生长周期范围调整每种未监测农作物对应的多个监测时间段。

在本申请实施方式中，若下一时间段内的待监测农作物的开始种植时间和生长周期范围的开始时间相同，则无需调整后续未进行监测的每种未监测农作物对应的多个监测时间段；若下一时间段内的待监测农作物的开始种植时间和生长周期范围的开始时间不同，则按照时间差值调整后续未进行监测的每种未监测农作物对应的多个监测时间段。

通过将当前时间段的平均温度和温度变化趋势两种因素共同分析下一个时间段内每种农作物的开始种植时间，根据下一时间段内每种农作物的开始种植时间和预测的全年农作物的生长周期范围实时调整当前未监测农作物的监测时间，使得对于不同待监测农作物进行遥感影像监测的时间更加准确。

步骤S2，获取当前时间段内待监测区域的高分遥感影像数据；

在本申请实施例中，按照全年每种待监测农作物的多个监测时间段进行卫星规划拍摄，得到待监测区域的原始遥感影像，原始遥感影像包括雷达遥感影像和光学遥感影像。对获取的原始遥感影像进行预处理，得到高分遥感影像，对于雷达遥感影像，预处理包括热噪声去除、辐射定标、多视处理、图像滤波和地形校正等。通过消除Sentinel-1雷达遥感影像中的热噪声；通过降低像素的空间分辨率来改善极化雷达遥感影像的信噪比；利用Refined Lee滤波算法可以有效去除雷达遥感影像中的斑点噪声；同时保留极化信息和影像细节；通过距离多普勒地形校正方法实现地形校正。

对于光学遥感影像，预处理包括辐射定标、大气校正、几何精度和影像拼接剪裁等。通过将影像的DN值转化为辐射亮度值进行辐射定标，可采用FLAASH AtmosphericCorrection工具对影像进行大气校正，可利用几何校正模型，构建图像与地面坐标/与图像之间的几何关系完成几何精度校正，可采用Seamless Mosaic工具和Subset Data fromROIs工具中对影像进行镶嵌和裁剪。

通过雷达遥感可对云雾、雨等具有一定的穿透性和光学遥感精度较高的特性，将两种遥感相互结合，使其优势互补，提高了监测农作物长势的精度。

步骤S3，确定包含当前时间段的监测时间段对应的待监测农作物的目标农作物；

步骤S4，根据高分遥感影像数据对目标农作物的长势进行分析，得到目标农作物的长势信息；

在本申请实施方式中，假设全年待检测区域需要监测的农作物类型有十种，根据监测时间段确定当前时间段的待监测区域的待监测农作物有两种，那么该两种农作物为目标农作物。并且，在当前时间段内，电子设备仅仅只对目标农作物进行分析，无需对其它类型的农作物分析。

具体的，如图4所示，步骤S4包括如下子步骤（步骤S41~S43）:

步骤S41，按照目标农作物的类型识别高分遥感影像中的目标农作物，并生成目标农作物的矢量图；

在本申请实施方式中，将高分遥感影像和目标农作物的类型输入农作物分类模型中识别待监测区域中目标农作物的栅格，并且可通过遥感影像处理软件将目标农作物的栅格图转化为矢量图，该矢量图中包含目标农作物地块单元边界信息。其中，农作物分类模型可以为卷积神经网络模型，卷积神经网络模型由多种农作物遥感图像以及农作物种类训练而成。农作物分类模型可以为卷积长短时记忆网络。

步骤S42，基于高分遥感影像中矢量图的光谱特征计算目标农作物的归一化植被指数；

在本申请实施方式中，计算高分遥感影像中矢量图像素对应的归一化植被指数，并生成归一化植被指数图。归一化植被指数的计算公式为近红外波段和红色波段发射频率之差与近红外波段和红外波段反射率之和的比值。

步骤S43，将归一化植被指数反演计算得到目标农作物的叶面积指数。

利用叶面积指数对目标农作物的长势监测，还可以根据行业标准和地方标准对目标农作物的叶面积指数进行等级划分，便于用户直观了解目标农作物的长势状态。

考虑到不同农作物的种植时间和生长时间不同，所以按照待监测农作物的多个监测时间段进行监测，根据监测时间段确定待监测农作物类型，农作物类型为当前时间段对应时期内需要监测的所有农作物，根据不同农作物生长时期进行遥感监测，并且每一时间段内只分析该时间段内对应时期的农作物种类即可，而无需将所有农作物进行分析，大大节省了计算机分析农作物种类的计算时间，节省了监测资源。

步骤S5，获取与当前时间段对应目标农作物的比对数据信息；比对数据信息包括历史长势信息和预设指标信息；比对数据信息还包括历史影响因素信息；

步骤S6，将目标农作物的长势信息与比对数据信息进行分析，得到目标农作物的监测结果。

在本申请实施方式中，目标农作物的比对数据包括目标农作物的历史监测数据信息、历史影响因素信息和预设指标数据信息。

需要说明的是，历史监测数据信息为与目标农作物类型相同且在被监测区域中的历年长势数据；历史影响因素为目标农作物相同时期中监测到的影响因素，例如，土壤水分、温度等环境因素；施肥方式、施肥面积、除草频率等管理因素；种子质量、土壤肥沃度等生物因素。

考虑到不同地理位置农作物的长势和影响因素可能不同，所以不同类型、不同位置的农作物设置不同的监测指标。预设指标数据信息为管理人员根据长势要求和历年目标农作物的长势情况设置。

在本申请实施方式中，具体的，步骤S6包括如下子步骤（步骤S61~S65）（图中均未示出）:

步骤S61，判断待监测区域中目标农作物的矢量图的个数；

步骤S62，若目标农作物的矢量图的个数为1，则将目标农作物的长势信息与历史监测数据信息相比较，得到第一监测信息；

在本申请实施方式中，将目标农作物的叶面积指数与历史年份相同阶段的历史叶面积指数相比较，历史年份可以为近五年的农作物，第一监测信息可以包括长势曲线，或是相比于往年目标农作物的长势走势等信息。

步骤S63，将目标农作物的长势信息与预设指标信息相比较，得到第二监测信息；

在本申请实施例中，由于不同地区会设置不同的监测指标，所以将目标农作物的长势信息与预设监测指标相比较，确定目标农作物的长势等级或长势情况。

通过在时间维度上和空间维度上纵向对目标农作物进行监测，使得对目标农作物长势情况上监测的更加全面，便于用户全面的了解目标农作物的长势情况。

步骤S64，若目标农作物的矢量图的个数大于1，则将待监测区域中目标农作物的每个矢量图的长势信息相比较，得到第三监测信息，并执行将目标农作物的长势信息与历史监测数据信息相比较，得到第一监测信息的步骤；

在本申请实施方式中，当目标农作物的矢量图的个数大于1时，除了对目标农作物在时间维度上和空间维度上进行纵向监测外，还对目标农作物在待监测区域内不同区域进行横向监测，进一步分析其不同地势、不同环境等目标农作物的长势状况，提高对目标农作物监视的全面性。

步骤S65，基于第一监测信息、第二监测信息和第三监测信息得到目标农作物的监测结果。

在本申请实施方式中，上述第一监测信息、第二监测信息和第三监测信息任一监测信息异常，均判定监测结果为异常。具体的，设置第一阈值、第二阈值和第三阈值，目标农作物的长势情况呈下降趋势且目标农作物的叶面积指数与历史叶面积指数的差值大于第一阈值，则判定第一监测信息异常；若目标农作物的叶面积指数相差预设指标信息的差值大于第二阈值，则判定第二监测信息异常；若目标农作物不同矢量图的长势信息相比较，其差值大于第三阈值，则判定第三监测信息异常。

为了使用户能够及时了解待检测区域中农作物的异常状况，作为本申请实施例的一种可选实施方式，在分析出待监测区域中所有待监测农作物类型的监测结果之后，还包括（步骤S7~S8）（图中均未示出）：

步骤S7，将至少一个目标农作物监测结果进行整合，输出监测报告；

在本申请实施方式中，在当前时间段的目标农作物分析结束后，若该时间段待监测农作物为多种，则整合每一个目标农作物的监测结果，并根据每一个目标农作物的监测结果生成监测报告，用户可根据监测报告查看待监测区域中待监测农作物的长势，便于用户根据监测报告对待监测区域中的农作物进行管理。

步骤S8，基于监测报告生成相应的告警信息；其中，告警信息用于对目标农作物的管理终端进行告警。

在本申请实施方式中，在监测报告中有任一种待监测农作物的监测结果异常，则生成关于异常农作物的告警信息。

下面对步骤S8进行详细说明。如图3所示，步骤S8包括如下子步骤（步骤S81~S85）（图中均未示出）：

步骤S81，若任一目标农作物的监测结果异常，则获取待监测区域中目标农作物的当前影响因素信息；

步骤S82，将当前影响因素信息与历史影响因素信息相比较，得到第四监测信息；

具体的，电子设备基于预设监测规则计算目标农作物的长势信息与历史长势信息的第一相似度；

之后基于第一相似度确定目标农作物的参考监测数据信息；其中，参考监测数据信息可以为一年的数据也可以为多年的数据。

之后基于当前影响因素信息和参考监测数据信息的历史影响因素信息计算每个影响因素的的第二相似度；一一比较每一个影响因素的相似值；

最后，基于第一相似度、第二相似度和参考监测数据信息相对应的农作物评价信息计算目标农作物的第四监测信息，根据历史评价信息、第一相似度和第二相似度确定目标农作物可靠的评价信息，例如，评价信息可以为目标农作物环境因素中的温度因素对目标农作物的长势影响较大，目标农作物管理因素中的施肥方式因素对目标农作物的长势影响较大等。

步骤S83，将待监测区域中目标农作物的每个矢量图的当前影响因素信息相比较，得到第五监测信息；

在本申请实施方式中，当待监测区域中目标农作物的矢量图的个数为两个及两个以上时，将每一个矢量图的农作物的当前影像因素信息一一比较，确定不同区域下目标农作物当前影像因素的差异。

步骤S84，基于第四监测信息和第五监测信息确定异常因素，其中，影响因素信息包括环境因素、生物因素、管理因素和其它因素；每种因素包括多种影响因子；

在本申请实施方式中，环境因素包括温度、土壤湿度、空气、光照等；生物因素包括土壤肥沃度、种子质量等；管理因素包括施肥浓度、施肥频率、浇水频率等；其它因素包括病虫害、灾害等。

步骤S85，基于异常因素生成相应的告警信息。

在本申请实施方式中，若异常因素为环境因素异常，则生成第一告警信息；或，若异常因素为生物因素异常，则生成第二告警信息；或，若异常因素为管理因素异常，则生成第三告警信息；或若异常因素为其它因素异常，则生成第四告警信息。

通过对目标农作物的异常监测结果进行分析，并在分析后生成对应的告警信息，便于用户及时得知待监测区域中哪些农作物异常和了解相关异常情况。

作为本申请实施例的一种可选实施方式，在基于监测报告生成相应的告警信息之后，还包括：

电子设备获取管理终端发送的对目标农作物的长势信息的评价信息；在当前时间节点记录目标农作物的评价信息；评价信息包括目标农作物的管理方式、着重关注情况和下一监测节点的时间信息等；之后，电子设备提取评价信息的关键字信息；关键字信息包括下一监测节点的提示时间；提取评价信息的关键字信息可采用文字识别技术等；之后，电子设备基于关键字信息设置提示操作并按照提示操作发出提示信息，用于提醒用户在查看目标农作物的长势信息。通过设置目标农作物的评价信息，便于用户记录对目标农作物的监测目标，从而提高用户对于目标农作物的管理效率。

通过预测待监测区域中每种待监测农作物的监测时间段，不同监测时间段分别监测不同类型的农作物，按照监测时间段对待监测区域进行高分遥感影像拍摄，并且按照监测时间段对应的待监测农作物类型对高分遥感影像进行分析，在某一监测时间段内，仅仅只对监测时间段对应的待监测农作物进行分析，无需对其它类型的农作物分析，大大节省了待监测农作物的遥感监测资源。

另外，在分析待监测农作物的长势信息时，将待监测农作物按照历史监测数据指标和预设指标数据信息分别进行在时间和空间上的纵向监测；对于待监测区域中有多个区域种植同一种类型的农作物，将不同区域下同一种类型的农作物进行横向分析，使得对农作物长势监测的更加全面，提高了对待监测区域中农作物长势监测的准确性和可靠性。

图5为本申请实施例一种电子设备300的结构框图。

如图5所示，电子设备300包括处理器301和存储器302，还可以进一步包括信息输入/信息输出(I/O)接口303以及通信组件304中的一种或多种。

其中，处理器301用于控制电子设备300的整体操作，以完成上述的基于高分遥感影像的农作物长势监测方法中的全部或部分步骤；存储器302用于存储各种类型的数据以支持在电子设备300的操作，这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static RandomAccess Memory，SRAM)、电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，EEPROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，EPROM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、只读存储器(Read-OnlyMemory，ROM)、磁存储器、快闪存储器、磁盘或光盘中的一种或多种。

I/O接口303为处理器301和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件304用于测试电子设备300与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearField Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件304可以包括：Wi-Fi部件，蓝牙部件，NFC部件。

通信总线305可包括一通路，在上述组件之间传送信息。通信总线305可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA (ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。通信总线305可以分为地址总线、数据总线、控制总线等。

电子设备300可以被一个或多个应用专用集成电路 (ApplicationSpecificIntegrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field ProgrammableGate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例给出的基于高分遥感影像的农作物长势监测方法。

电子设备300可以包括但不限于数字广播接收器、PDA（个人数字助理）、PMP（便携式多媒体播放器）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端，还可以为服务器等。

下面对本申请实施例提供的计算机可读存储介质进行介绍，下文描述的计算机可读存储介质与上文描述的基于高分遥感影像的农作物长势监测方法可相互对应参照。

本申请还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的基于高分遥感影像的农作物长势监测方法的步骤。

该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器 (R ead-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

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。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的申请范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种基于高分遥感影像的农作物长势监测方法，其特征在于，包括：

预测待监测区域内每种待监测农作物对应的多个监测时间段；

获取当前时间段内待监测区域的高分遥感影像数据；

确定包含所述当前时间段的监测时间段对应的待监测农作物的目标农作物；

根据所述高分遥感影像数据对所述目标农作物的长势进行分析，得到目标农作物的长势信息；

获取与当前时间段对应目标农作物的比对数据信息；所述比对数据信息包括历史长势信息和预设指标信息；

将所述目标农作物的长势信息与所述比对数据信息进行分析，得到所述目标农作物的监测结果。

2.根据权利要求1所述的方法，其特征在于，所述预测待监测区域内每种待监测农作物对应的多个监测时间段包括：

获取待监测区域历史年份多个时间段的历史温度信息以及每种待监测农作物对应的各个历史生长周期范围；

以所述历史温度信息以及所述每种待监测农作物的各个历史生长周期范围为训练样本，采用预置机器学习算法进行训练，生成每种待监测农作物对应的生长周期预测模型；

将当前年份划分为多个时间段；

获取当前年份至少一个所述时间段的第一温度信息；

将所述第一温度信息输入至所述生长周期预测模型，得到每种待监测农作物对应的生长周期范围；

获取当前时间段的当前温度信息；

根据所述当前温度信息、所述每种待监测农作物对应各个生长周期范围和所述历史温度信息分析下一时间段内的待监测农作物的开始种植时间；

基于所述下一时间段内的待监测农作物的所述开始种植时间和生长周期范围调整每种未监测农作物对应的多个监测时间段。

3.根据权利要求2所述的方法，其特征在于，所述当前温度信息包括平均温度和温度变化趋势，所述根据所述当前温度信息、所述每种待监测农作物对应各个生长周期范围和所述历史温度信息分析下一时间段内的待监测农作物的开始种植时间包括：

根据所述每种待监测农作物对应的各个生长周期范围判断下一时间段是否存在待监测农作物；

若存在，则判断当前时间段的平均温度与历史年份中相同时间段的平均温度是否相同；

若所述平均温度相同，则分析所述当前时间段的温度变化趋势与历史年份中相同时间段的温度变化趋势是否相同；

若所述温度变化趋势相同，则确定下一时间段的待监测农作物的开始种植时间与历史年份的历史开始种植时间相同；

若所述温度变化趋势不相同，则以历史年份相同时间段为节点，根据所述当前时间段长度查找与当前时间段的平均温度和温度变化趋势相同的目标时间段；

基于所述目标时间段与历史开始种植时间计算下一时间段的待监测农作物的开始种植时间；

若所述平均温度和所述温度变化趋势均不相同，则获取当前时间段和上一时间段的温度异常因素信息；

基于所述温度异常因素信息确定下一时间段的待监测农作物的开始种植时间；

若不存在，则检测下一时间段的温度信息，并将下一时间段作为当前时间段，执行所述根据所述每种待监测农作物对应的各个生长周期范围判断下一时间段是否存在待监测农作物的步骤。

4.根据权利要求3所述的方法，所述温度异常因素信息包括异常类型和异常结束时间，所述异常类型包括旱灾、水灾以及气候变暖；所述基于所述温度异常因素确定下一时间段的待监测农作物的开始种植时间包括：

预先根据不同类型异常因素和不同类型异常因素的任意组合赋予不同的灾害恢复时间；

根据所述温度异常因素确定所述当前时间段对应的灾害恢复时间；

将所述异常结束时间和所述灾害恢复时间相加，计算得到灾害影响时间；

查找与当前时间段的温度信息相似的历史温度信息，估计下一时间段的待监测农作物的第一开始种植时间；

基于下一时间段的待监测农作物对应的各个所述生长周期范围和所述第一开始种植时间确定下一时间段的待监测农作物的第二开始种植时间；

判断所述灾害影响时间是否位于所述第二开始种植时间之后；

若是，则基于所述第二开始种植时间和所述灾害影响时间确定下一时间段内待监测农作物的开始种植时间；

若否，则将所述第二开始种植时间作为下一时间段内待监测农作物的开始种植时间。

5.根据权利要求1所述的方法，其特征在于，所述目标农作物的长势信息包括叶面积指数，所述根据所述高分遥感影像数据对所述目标农作物的长势进行分析，得到目标农作物的长势信息包括：

按照目标农作物的类型识别所述高分遥感影像中的目标农作物，并生成所述目标农作物的矢量图；

基于所述高分遥感影像中矢量图的光谱特征计算所述目标农作物的归一化植被指数；

将所述归一化植被指数反演计算得到所述目标农作物的叶面积指数。

6.根据权利要求5所述的方法，其特征在于，所述将所述目标农作物的长势信息与比对数据信息进行分析，得到所述目标农作物的监测结果包括：

判断所述待监测区域中所述目标农作物的矢量图的个数；

若所述目标农作物的矢量图的个数为1，则将所述目标农作物的长势信息与历史监测数据信息相比较，得到第一监测信息；

将所述目标农作物的长势信息与预设指标信息相比较，得到第二监测信息；

若所述目标农作物的矢量图的个数大于1，则将所述目标农作物的每个矢量图的长势信息相比较，得到第三监测信息，并执行所述将所述目标农作物的长势信息与历史监测数据信息相比较，得到第一监测信息的步骤；

基于所述第一监测信息、所述第二监测信息和所述第三监测信息得到所述目标农作物的监测结果。

7.根据权利要求6所述的方法，其特征在于，所述比对数据信息包括历史影响因素信息，所述方法还包括：

若任一所述目标农作物的监测结果异常，则获取待检测区域中所述目标农作物的当前影响因素信息；

将当前影响因素信息与所述历史影响因素信息相比较，得到第四监测信息；

将所述目标农作物在每个矢量图中的当前影响因素信息相比较，得到第五监测信息；

基于所述第四监测信息和所述第五监测信息确定异常因素；其中，影响因素信息包括环境因素、生物因素、管理因素和其它因素；每种因素包括多种影响因子；

基于所述异常因素生成相应的告警信息。

8.根据权利要求7所述的方法，其特征在于，所述将当前影响因素信息与所述历史影响因素信息相比较，得到第四监测信息包括：

基于预设监测规则计算所述目标农作物的长势信息与所述历史长势信息的第一相似度；

基于所述第一相似度确定所述目标农作物的参考监测数据信息；

基于当前影响因素信息和参考监测数据信息的历史影响因素信息计算每个影响因素的第二相似度；

基于所述第一相似度、所述第二相似度和参考监测数据信息相对应的农作物评价信息计算得到所述目标农作物的第四监测信息。

9.一种电子设备，其特征在于，包括处理器，所述处理器与存储器耦合；

所述处理器用于执行所述存储器中存储的计算机程序，以使得所述电子设备执行如权利要求1-8任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，包括计算机程序或指令，当所述计算机程序或指令在计算机上运行时，使得所述计算机执行如权利要求1-8任一项所述的方法。

Images