CN116029430A - 一种基于航拍图像的草原区生态环境监测系统 - Google Patents
一种基于航拍图像的草原区生态环境监测系统 Download PDFInfo
- Publication number
- CN116029430A CN116029430A CN202211687359.1A CN202211687359A CN116029430A CN 116029430 A CN116029430 A CN 116029430A CN 202211687359 A CN202211687359 A CN 202211687359A CN 116029430 A CN116029430 A CN 116029430A
- Authority
- CN
- China
- Prior art keywords
- ecological environment
- data
- grassland
- image
- grassland ecological
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于航拍图像的草原区生态环境监测系统,包括:图像获取模块,用于获取草原生态环境图像数据;处理模块,与所属数据获取模块连接,用于对所述草原生态环境数据进行处理,生成生态环境数据集;预测模块,与所属处理模块链接,用于基于所述生态环境数据集建立草原生态环境模型,并对草原生态环境进行预测;显示模块,用于基于所述草原生态环境模型显示预测结果。本发明通过航拍获取数据,数据的获取难度更小,更加全面;通过将获得的图像数据进行颜色空间转换,能够更好的对图像进行特征提取;通过建立预测模型,可以动态监测草原生态环境的发展情况,能够对草原生态环境的恶化进行预防。
Description
技术领域
本发明属于生态监测领域,特别是涉及一种基于航拍图像的草原区生态环境监测系统。
背景技术
草原生态系统主要包括植物、迁徙的野生动物、人类和饲养的牲畜等组成,同时草原是地球最大的碳储库之一,草原生态系统是独特的,碳循环最复杂,受人类影响最大的生态系统类型,尤其是在以畜牧业为主要生计来源的地区,是目前人类活动影响最为严重的区域,草原生态系统对维持全球及区域性生态平衡有极其重要的作用。
目前由于草原面积过大,总会存在草原生态环境检测不到位的问题,同时也存在收集草原生态环境数据时无法对数据进行有效的利用,以及无法对草原生态系统下一步的发展进行预知的问题,
发明内容
本发明的目的是提供一种基于航拍图像的草原区生态环境监测系统,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种基于航拍图像的草原区生态环境监测系统,包括:
图像获取模块,用于获取草原生态环境数据;
处理模块,与所述图像获取模块连接,用于对所述草原生态环境数据进行处理,生成生态环境数据集;
预测模块,与所述处理模块链接,用于基于所述生态环境数据集建立草原生态环境模型,并对草原生态环境进行预测;
显示模块,用于基于所述草原生态环境模型显示预测结果。
优选地,所述图像获取模块包括:
图像获取单元,确定航拍环境,基于无人机进行水平航拍,获取草原生态环境图像;
图像处理单元,用于将所述草原生态环境图像进行正射处理,生成正射影像;
图像分类单元,用于对所述正射影像进行分类,生成分类数据;
特征提取单元,用于基于像素点对所述分类数据进行特征提取,生成草原生态环境数据。
优选地,所述草原生态环境图像包括草原覆盖度图像、含水量图像、地上生物量图像、人类活动图像。
优选地,所述特征提取单元包括:
图像拆分单元,用于将所述分类数据均分为若干个子图像,并进行空间结构化处理;
纹理获取单元,用于基于所述子图像的二进制序列获取所述子图像的细节纹理信息;
提取单元,用于对所述细节纹理信息进行特征提取,生成所述草原生态环境数据。
优选地,所述处理模块包括:
参数提取模块,用于接收所述草原生态环境数据,并提取所述草原生态环境图像数据的RGB色彩衍生参数;
色彩转化模块,用于将所述RGB色彩衍生参数转化至IHS空间的三个分量并进行对比度拉伸,生成IHS色彩衍生参数,将所述IHS色彩衍生参数进行还原,生成所述生态环境数据集。
优选地,所述预测模块包括:
模型建立单元,用于基于所述生态环境数据集及机器学习算法建立生态环境预测模型;
计算单元,用于基于所述生态环境预测模型对所述生态环境数据集进行计算,获得预测结果;
对比单元,用于将所述预测结果与历史数据进行对比,若所述预测结果大于等于阈值,则发送至所述显示模块;
所述生态环境预测模型包括进行神经网络结构设计、激活函数的选择、模型权重初始化、网络层批标准化、正则化策略设定。
优选地,所述对比单元包括:
数据收集单元,用于收集草原生态环境历史数据并进行定性分析;
阈值设置单元,用于基于所述草原生态环境历史数据设置草原生物量变化阈值;
数据比对单元,用于将所述预测结果与所述草原生物量变化阈值进行对比,若所述预测结果小于阈值,则忽略,若所述预测结果大于等于阈值,则发送至显示模块;
所述草原生态环境历史数据包括历史监测数据以及历史卫星遥感数据。
优选地,所述显示模块包括:
数据对准单元,用于将所述预测结果与所述草原生态环境数据进行匹配,生成分析报告;
数据显示单元,用于将所述分析报告与所述草原生态环境模型进行显示。
本发明的技术效果为:
1.通过航拍获取数据,数据的获取难度更小,更加全面;
2.通过将获得的图像数据进行颜色空间转换,能够更好的对图像进行特征提取;
3.通过建立预测模型,可以动态监测草原生态环境的发展情况,能够对草原生态环境的恶化进行预防。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的生态环境监测系统示意图;
图2为本发明实施例中的图像获取模块示意图;
图3为本发明实施例中的特征提取单元示意图;
图4为本发明实施例中的预测模块示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,本实施例中提供一种基于航拍图像的草原区生态环境监测系统,包括:
图像获取模块,用于获取草原生态环境数据;
处理模块,与所述图像获取模块连接,用于对所述草原生态环境数据进行处理,生成生态环境数据集;
预测模块,与所述处理模块链接,用于基于所述生态环境数据集建立草原生态环境模型,并对草原生态环境进行预测;
显示模块,用于基于所述草原生态环境模型显示预测结果。
进一步优化方案,如图2所示,所述图像获取模块包括:
图像获取单元,用于基于无人机进行航拍获取草原生态环境图像;
图像分类单元,用于对所述草原生态环境图像进行分类,生成分类数据;
特征提取单元,用于基于像素点对所述分类数据进行特征提取,生成草原生态环境数据;
所述无人机包括POS数据获取单元以及GPS单元。
所述无人机航拍设备包括具有脚架的无人机,于所述无人机的底部固定设置安装支架,还包括通过减震机构连接悬置于所述安装支架上、并置于脚架内侧的形成有开孔的安装板,以及置于所述开孔处并水平固定在安装板上的数码相机,所述无人机具有POS图像获取模块或所述数码相机连接有GPS模块。
其中无人机的POS数据通过全球导航卫星系统(GNSS)获取位置数据作为初始值,通过惯导系统(IMU)获取姿态变化增量,应用卡尔曼滤波器、反馈误差控制迭代运算,生成实时导航数据。
无人机采集图像的过程包括:第一步,准备无人机,并在无人机上装载有传感器;第二步,判断草原高分辨率影响;第三步,图像预处理,依次进行数字正射影像以及建立数字高程模型和数字表面模型;第四步,通过所述数字正射影像进行图像分类;第五步,通过所述数字表面模型减去所述数字高程模型得出草层高度模型;第六步,获取草原生态环境数据。
本实施例中,第一步中,所述传感器至少采用高光谱传感器、多光谱传感器、热红外传感器和激光雷达传感器中的一种;
本实施例中,所述林区组成识别由林木的轮廓、纹理、颜色、结构和物候进行识别。本实施例中,第五部中中,所述草原层高度模型由草分因子构建,所述草分因子包括草高度和占地面积。
进一步优化方案,所述草原生态环境图像包括草原覆盖度图像、含水量图像、地上生物量图像、人类活动图像。
进一步优化方案,确定航拍天气、航拍时间段、航拍高度、以及通过正射方式航拍即图片采集过程保持航拍镜头水平,从而保证飞行航拍过程顺利、无障碍,同时保证获得的草原图片的色彩参数与养分状态具备高的相关性,以提供准确、可靠、全面的信息。由于在不同高度对草原进行无人机航拍时,获得的图片色彩参数的相关性不同,同时由于野外航拍存在电线杆等障碍物的影响,因此航拍高度对于图片采集的影响较为重要。在限定的航拍条件下得到的草原图片,只需分析草原图像的色彩参数,将照片中非草原的像素进行了剔除,以及通过比值形式的色彩衍生参数,结合图片的航拍经纬度,分析结果,提高了分析的准确度,剔除了外界光线变化的影响,进而形成的作业图,得到高精度和高可靠性的分析、指导结果,便于草原生态环境的精准管理,减少盲目采集数据的现象,实现更好的经济和生态效益。
进一步优化方案,如图3所示,所述特征提取单元包括:
图像拆分单元,用于将所述分类数据均分为多个子图像,并进行空间结构化处理;
纹理获取单元,用于基于所述子图像的二进制序列获取所述子图像的细节纹理信息;
提取单元,用于对所述细节纹理信息进行特征提取,生成所述草原生态环境数据。
进一步优化方案,如图4所示,所述处理模块包括:
参数提取模块,用于接收所述草原生态环境数据,并提取所述草原生态环境数据的RGB色彩衍生参数;
色彩转化模块,用于将所述RGB色彩衍生参数转化至IHS空间,生成IHS色彩衍生参数,将所述IHS色彩衍生参数进行还原,生成所述生态环境数据集。
基于IHS算法将所述RGB颜色空间模型转化至IHS空间中,获取IHS颜色空间图像,将所述RGB颜色空间模型转化至IHS空间的过程可通过将汇总RGB空间的彩色图像转化为IHS空间的三个分量,然后将草原生态环境的彩色图像转化为灰度图片,并进行对比度拉伸,使它和彩色图像的亮度分量I有相同的均值和方差,最后用拉伸后的灰度图像代替亮度分量I,把它同色度H和饱和度S进行IHS逆变换得到融合图像,通过三角变换实现。
进一步优化方案,所述预测模块包括:
模型建立单元,用于基于所述生态环境数据集及机器学习算法建立生态环境预测模型;
计算单元,用于基于所述生态环境预测模型对所述生态环境数据集进行计算,获得预测结果;
对比单元,用于将所述预测结果与历史数据进行对比,若所述预测结果大于等于阈值,则发送至所述显示模块。
进一步优化方案,构建模型结构,主要是进行神经网络结构设计、激活函数的选择、模型权重如何初始化、网络层是否批标准化、正则化策略的设定,然后进行模型编译,主要有学习目标、优化算法的设定,最后进行模型训练及超参数调试,主要有划分数据集,超参数调节及训练。模型由输入层、隐藏层与输出层构成。不同的层数、神经元(计算单元)数目的模型性能也会有差异,其中:
输入层:为数据特征输入层,输入数据特征维数就对应着网络的神经元数。(注:输入层不计入模型层数)
隐藏层:即网络的中间层(可以很多层),其作用接受前一层网络输出作为当前的输入值,并计算输出当前结果到下一层。隐藏层的层数及神经元个数直接影响模型的拟合能力。
输出层:为最终结果输出的网络层。输出层的神经元个数代表了分类类别的个数(注:在做二分类时情况特殊一点,如果输出层的激活函数采用sigmoid,输出层的神经元个数为1个;如果采用softmax,输出层神经元个数为2个是与分类类别个数对应的;
进一步优化方案,对于模型结构的神经元个数,输入层、输出层的神经元个数通常是确定的,主要需要考虑的是隐藏层的深度及宽度,在忽略网络退化问题的前提下,通常隐藏层的神经元的越多,模型有更多的容量去达到更好的拟合效果(也更容易过拟合)。搜索合适的网络深度及宽度,常用有人工经验调参、随机/网格搜索、贝叶斯优化等方法,本实施例由于草原的生态环境较复杂,因此采用贝叶斯优化方法。
进一步优化方案,所述对比单元包括:
数据收集单元,用于收集草原生态环境历史数据并进行定性分析;
阈值设置单元,用于基于所述草原生态环境历史数据设置草原生物量变化阈值;
数据比对单元,用于将所述预测结果与所述草原生物量变化阈值进行对比,若所述预测结果小于阈值,则忽略,若所述预测结果大于等于阈值,则发送至显示模块。
所述草原生态环境历史数据包括历史监测数据以及历史卫星遥感数据。
进一步优化方案,所述显示模块包括:
数据对准单元,用于将所述预测结果与所述草原生态环境数据进行匹配,生成分析报告;
数据显示单元,用于将所述分析报告与所述草原生态环境模型进行显示。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于航拍图像的草原区生态环境监测系统,其特征在于,包括:
图像获取模块,用于获取草原生态环境数据;
处理模块,与所述图像获取模块连接,用于对所述草原生态环境数据进行处理,生成生态环境数据集;
预测模块,与所述处理模块链接,用于基于所述生态环境数据集建立草原生态环境模型,并对草原生态环境进行预测;
显示模块,用于基于所述草原生态环境模型显示预测结果。
2.根据权利要求1所述的基于航拍图像的草原区生态环境监测系统,其特征在于,所述图像获取模块包括:
图像获取单元,确定航拍环境,基于无人机进行水平航拍,获取草原生态环境图像;
图像处理单元,用于将所述草原生态环境图像进行正射处理,生成正射影像;
图像分类单元,用于对所述正射影像进行分类,生成分类数据;
特征提取单元,用于基于像素点对所述分类数据进行特征提取,生成草原生态环境数据。
3.根据权利要求2所述的基于航拍图像的草原区生态环境监测系统,其特征在于,所述草原生态环境图像包括草原覆盖度图像、含水量图像、地上生物量图像、人类活动图像。
4.根据权利要求2所述的基于航拍图像的草原区生态环境监测系统,其特征在于,所述特征提取单元包括:
图像拆分单元,用于将所述分类数据均分为若干个子图像,并进行空间结构化处理;
纹理获取单元,用于基于所述子图像的二进制序列获取所述子图像的细节纹理信息;
提取单元,用于对所述细节纹理信息进行特征提取,生成所述草原生态环境数据。
5.根据权利要求1所述的基于航拍图像的草原区生态环境监测系统,其特征在于,所述处理模块包括:
参数提取模块,用于接收所述草原生态环境数据,并提取所述草原生态环境图像数据的RGB色彩衍生参数;
色彩转化模块,用于将所述RGB色彩衍生参数转化至IHS空间的三个分量并进行对比度拉伸,生成IHS色彩衍生参数,将所述IHS色彩衍生参数进行还原,生成所述生态环境数据集。
6.根据权利要求1所述的基于航拍图像的草原区生态环境监测系统,其特征在于,所述预测模块包括:
模型建立单元,用于基于所述生态环境数据集及机器学习算法建立生态环境预测模型;
计算单元,用于基于所述生态环境预测模型对所述生态环境数据集进行计算,获得预测结果;
对比单元,用于将所述预测结果与历史数据进行对比,若所述预测结果大于等于阈值,则发送至所述显示模块;
所述生态环境预测模型包括进行神经网络结构设计、激活函数的选择、模型权重初始化、网络层批标准化、正则化策略设定。
7.根据权利要求6所述的基于航拍图像的草原区生态环境监测系统,其特征在于,所述对比单元包括:
数据收集单元,用于收集草原生态环境历史数据并进行定性分析;
阈值设置单元,用于基于所述草原生态环境历史数据设置草原生物量变化阈值;
数据比对单元,用于将所述预测结果与所述草原生物量变化阈值进行对比,若所述预测结果小于阈值,则忽略,若所述预测结果大于等于阈值,则发送至显示模块;
所述草原生态环境历史数据包括历史监测数据以及历史卫星遥感数据。
8.根据权利要求1所述的基于航拍图像的草原区生态环境监测系统,其特征在于,所述显示模块包括:
数据对准单元,用于将所述预测结果与所述草原生态环境数据进行匹配,生成分析报告;
数据显示单元,用于将所述分析报告与所述草原生态环境模型进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211687359.1A CN116029430A (zh) | 2022-12-27 | 2022-12-27 | 一种基于航拍图像的草原区生态环境监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211687359.1A CN116029430A (zh) | 2022-12-27 | 2022-12-27 | 一种基于航拍图像的草原区生态环境监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116029430A true CN116029430A (zh) | 2023-04-28 |
Family
ID=86069977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211687359.1A Pending CN116029430A (zh) | 2022-12-27 | 2022-12-27 | 一种基于航拍图像的草原区生态环境监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029430A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893972A (zh) * | 2016-04-08 | 2016-08-24 | 深圳市智绘科技有限公司 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
CN106770299A (zh) * | 2017-03-14 | 2017-05-31 | 中国科学院遗传与发育生物学研究所农业资源研究中心 | 使用无人机航拍作物冠层图片进行作物氮素分析及土壤施肥指导的方法及无人机航拍设备 |
CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
CN111985445A (zh) * | 2020-09-02 | 2020-11-24 | 青海省草原总站 | 一种基于无人机多光谱遥感的草原虫害监测系统及方法 |
CN112634186A (zh) * | 2020-12-25 | 2021-04-09 | 江西裕丰智能农业科技有限公司 | 一种无人机的图像分析方法 |
CN112949602A (zh) * | 2021-04-12 | 2021-06-11 | 辽宁工程技术大学 | 无人机可见光影像森林类型分类方法 |
-
2022
- 2022-12-27 CN CN202211687359.1A patent/CN116029430A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893972A (zh) * | 2016-04-08 | 2016-08-24 | 深圳市智绘科技有限公司 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
CN106770299A (zh) * | 2017-03-14 | 2017-05-31 | 中国科学院遗传与发育生物学研究所农业资源研究中心 | 使用无人机航拍作物冠层图片进行作物氮素分析及土壤施肥指导的方法及无人机航拍设备 |
CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
CN111985445A (zh) * | 2020-09-02 | 2020-11-24 | 青海省草原总站 | 一种基于无人机多光谱遥感的草原虫害监测系统及方法 |
CN112634186A (zh) * | 2020-12-25 | 2021-04-09 | 江西裕丰智能农业科技有限公司 | 一种无人机的图像分析方法 |
CN112949602A (zh) * | 2021-04-12 | 2021-06-11 | 辽宁工程技术大学 | 无人机可见光影像森林类型分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9942440B2 (en) | Image-based field boundary detection and identification | |
Hodgson et al. | Drones count wildlife more accurately and precisely than humans | |
CN113449680B (zh) | 一种基于知识蒸馏的多模小目标检测方法 | |
Liu et al. | Object-based shadow extraction and correction of high-resolution optical satellite images | |
EP3408828B1 (en) | Systems and methods for detecting imaged clouds | |
CN113705108B (zh) | 实时滑坡灾害监测预警方法及系统 | |
US11694354B2 (en) | Geospatial object geometry extraction from imagery | |
Ghorbanzadeh et al. | Dwelling extraction in refugee camps using cnn–first experiences and lessons learnt | |
Chini et al. | Comparing statistical and neural network methods applied to very high resolution satellite images showing changes in man-made structures at rocky flats | |
Congalton | Remote sensing: an overview | |
CN113160150A (zh) | 基于多类型样本融合与多复杂网络的线网异物入侵ai检测方法与装置 | |
EP2447912B1 (en) | Method and device for the detection of change in illumination for vision systems | |
Mao et al. | Advances and prospects on estimating solar photovoltaic installation capacity and potential based on satellite and aerial images | |
WO2022107619A1 (ja) | データ解析装置および方法、並びに、プログラム | |
WO2022107620A1 (ja) | データ解析装置および方法、並びに、プログラム | |
Almalki et al. | Autonomous flying IoT: A synergy of machine learning, digital elevation, and 3D structure change detection | |
Vakalopoulou et al. | Simultaneous registration, segmentation and change detection from multisensor, multitemporal satellite image pairs | |
Yadav et al. | Supervised learning based greenery region detection using unnamed aerial vehicle for smart city application | |
Soltani et al. | Transfer learning from citizen science photographs enables plant species identification in UAV imagery | |
CN111191704B (zh) | 一种基于任务图卷积网络的地基云分类方法 | |
Liu et al. | UAV Path Planning based on Road Extraction. | |
RU2716477C1 (ru) | Система мониторинга лесопользования и лесопатологических изменений | |
CN116029430A (zh) | 一种基于航拍图像的草原区生态环境监测系统 | |
Politz et al. | Exploring ALS and DIM data for semantic segmentation using CNNs | |
Cirneanu et al. | CNN based on LBP for evaluating natural disasters |
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 |