CN116071662A - 一种基于遥感影像的农作物识别解译方法及系统 - Google Patents

Abstract

本发明公开了一种基于遥感影像的农作物识别解译方法及系统，其先采集区域内农作物信息和生长环境信息，基于DSSAT‑Canegro模型得到农作物生长模型；然后选择其中一个区域作为低空遥感数据采集区，利用无人飞机在50～150m高度采集低空遥感数据采集区的低空遥感数据，将采集得到的低空遥感数据和采集得到的农作物信息进行训练获得低空遥感数据解译模型，再利用获取的监测区域的高空遥感数据与对应低空遥感数据进行比对和解译得到监测区域内的农作物生长情况，并且根据所述的农作物生长模型预测受旱情况。本发明解决使用卫星遥感技术监测农情过程中，农作物数据信息的针对性不强和分析准确度差的问题。

Description

一种基于遥感影像的农作物识别解译方法及系统

技术领域

本发明属于农情监测技术领域，具体涉及一种基于遥感影像的农作物识别解译方法及系统。

背景技术

农情监测即是对农作物生长过程以及生长环境等进行监测。小尺度种植区域内农作物的监测和信息采集较为容易，通过人工观测或是设置监测设备的方式即可获取准确的信息数据，但是对于大尺度区域（如广西全境）的农作物监测来说，人工获取不现实，而监测设备的需求量过大，所以目前通过开展高空卫星遥感技术研究，来观测和采集大尺度区域内农作物的信息。卫星遥感技术可以大范围、高频次、高分辨率的对地观测数据将能够以海量、低成本方式获取。但是也存在如下问题：（1）地面大尺度对比观测数据少，较难建立监测与预警方法；（2）分析所获取数据的模型一般是定性模型，很难实现定量描述；（3）缺乏与农作物本身生理特征参数之间的响应关系研究，应用过程中一般只能通过高空卫星遥感数据计算的指标来间接反映，准确度和针对性不强。

发明内容

针对上述不足，本发明公开了一种基于遥感影像的农作物识别解译方法及系统，解决使用卫星遥感技术监测农情过程中，农作物数据信息的针对性不强和分析准确度差的问题。

本发明是采用如下技术方案实现的：

一种基于遥感影像的农作物识别解译方法，其包括以下步骤：

（1）确定监测区域，实时采集区域内农作物信息和生长环境信息，所述的农作物信息包括农作物的物候信息、生物量信息、生物形态信息和生理参数测定信息；所述的物候信息采用BBCH标准记录，并且还需记录出苗数、分蘖数和有效茎数目；所述生物量信息包括但不限于根系的干重、展开叶的叶片与叶鞘、顶端叶、茎的干重与湿重；所述的生物形态信息包括但不限于根系干重在不同土壤深度的质量分布，叶片的数量及叶长叶宽、茎高、株高、茎粗、绿叶及总叶的叶面积；所述的生理参数测定信息包括但不限于叶片氮含量、叶片含水量、冠层温度、叶绿素含量；所述生长环境信息包括但不限于环境气象信息、土壤特性参数信息；将采集得到的数据作为样本，对DSSAT-Canegro模型进行校验和优化，得到农作物生长模型用于模拟不同生长阶段农作物的需水规律和受旱情况；

（2）将监测区域按25～30亩的大小划分成若干个小区域，选择其中一个小区域作为低空遥感数据采集区，所述的低空遥感数据采集区内的农作物信息与其它小区域的农作物信息的差别最小；利用无人飞机在50～150m高度采集低空遥感数据采集区的低空遥感数据，所述的低空遥感数据包括但不限于高清数码相机拍摄的影像、多波段光谱仪拍摄影像、高光谱影像、热像仪拍摄影像；将采集得到的低空遥感数据和步骤（1）中采集得到的农作物信息进行匹配，形成神经网络训练样本集，对所述神经网络训练样本集进行训练和验证，并通过增加训练迭代参数、增加样本的方式对训练得到的神经网络模型进行调整，选取结果最好的神经网络模型作为低空遥感数据解译模型，所述解译模型用于根据采集得到的低空遥感数据预测农作物的生长情况，并且根据步骤（1）中所述的农作物生长模型预测受旱情况；

（3）利用2颗以上的卫星获取监测区域的高空遥感数据，所述高空遥感数据包括2种以上分辨率的遥感影像，当遇到云层遮挡时，直接采用此时的低空瑶数据；首先提取低空遥感数据采集区的高空遥感数据，并且将其与步骤（2）中得到的低空遥感数据进行光谱波段比对及尺度效应分析及转换得到转换模型，然后利用转换模型对其它区域的高空遥感数据进行转换，再使用步骤（2）中得到的低空遥感数据解译模型，预测得到监测区域内的农作物生长情况，并且根据步骤（1）中所述的农作物生长模型预测受旱情况。

进一步的，步骤（1）中所述的环境气象信息包括但不限于环境的温度、湿度、风速、风向、雨量、二氧化碳、噪声、光照。

进一步的，步骤（1）中所述的土壤特性参数信息包括但不限于土壤的pH、N含量、有机质含量、容重、饱和含水率、颗粒级配、田间持水率、凋萎系数、土壤持水特性曲线参数。

进一步的，步骤（2）中所述卫星包括但不限于MODIS、Sentinel系列卫星、北斗系列卫星、SMOS、TRMM。

进一步的，步骤（2）中，所述高清数码相机拍摄的影像与农作物的株高、茎高、冠层覆盖度、叶片形态进行匹配，所述多波段光谱仪拍摄影像与农作物的叶片氮含量、叶绿素含量、叶面积进行匹配，所述高光谱影像与农作物的叶片氮含量、叶绿素含量、叶片水含量进行匹配，所述热像仪拍摄影像与农作物的冠层温度进行匹配。将不同设备获取的农作物影像与不同的农作物生长要素进行对应匹配，不仅有利于减少数据样本的处理量，提高样本处理效率，而且也能够有效提高低空遥感数据解译模型的准确性。

本发明利用无人机遥感在实时性、受天气影响等方面较卫星遥感具有显著优势，有利于在精细的田间尺度，结合地面观测数据建立基于低空遥感技术的农作物生理及形态参数解译方法，得到低空遥感数据解译模型用于预测农作物的生长情况和受旱情况，然后再通过尺度转换及波段比对，将高空卫星遥感获得的遥感数据转换后，利用低空遥感数据解译模型预测农作物的生长情况和受旱情况，从而实现了对高空遥感数据的解译，通过获取大尺度区域内的高空遥感数据即可准确、及时的预测出大尺度区域内农作物的生长情况和受旱情况，为大尺度区域内灌溉决策方案的制定提供有力的数据支持，提高灌溉水资源的有效利用。

应用上述基于遥感影像的农作物识别解译方法的系统，其包括农作物信息采集系统、环境气象信息采集系统、低空遥感数据采集系统、高空遥感数据处理系统、中央数据储存系统；

所述的农作物信息采集系统、环境气象信息采集系统、低空遥感数据采集系统、高空遥感数据处理系统和中央数据储存系统之间采用有线或无线的通信方式连接；

所述农作物信息采集系统包括第一数据收发模块、第一数据存储模块、土壤监测器、图像采集器和环境监测器；所述土壤监测器用于监测土壤情况，其包括但不限于土壤温湿度传感器、土壤pH传感器、土壤电导率传感器、土壤氮磷钾传感器；所述的图像采集器用于24小时采集作物的图像或视频；所述环境监测器包括环境温湿度传感器、空气质量传感器、二氧化碳传感器、光照传感器；在监测区域内每种农作物对应设置1个以上的农作物信息采集系统；所述第一数据存储模块分别与第一数据收发模块、土壤监测器、图像采集器和环境监测器连接；所述第一数据模块用于存储土壤监测器、图像采集器和环境监测器中采集得到的数据信息，所述第一数据收发模块用于将第一数据存储模块中的数据信息传输至中央数据储存系统；

所述环境气象信息采集系统包括第二数据收发模块、第二数据存储模块、气象监测装置；所述的气象监测装置包括温度传感器、湿度传感器、风速传感器、风向传感器、雨量传感器、二氧化碳传感器、噪声传感器、光照传感器；在监测区域内设置2～3个环境气象信息采集系统；所述的第二数据存储模块与所述气象监测装置连接，其用于存储气象监测装置中采集的数据信息；所述第二数据收发模块与所述第二数据存储模块连接，其用于将第二数据存储模块中的数据信息传输至中央数据储存系统；

所述低空遥感数据采集系统包括第三数据收发模块、第三数据存储模块、中心处理器、低空遥感数据采集装置、深度学习网络模块；所述中心处理器分别与第三数据收发模块、第三数据存储模块和深度学习网络模块连接；所述低空遥感数据采集装置包括但不限于无人飞机、高光谱仪、多波段光谱仪、热像仪、高清数码相机、数据收集器、供电电源，所述的数据收集器收集不同设备得到的数据，并将它们通过无线通信方式传输至第三数据收发模块；所述第三数据存储模块用于储存第三数据收发模块接收到的数据信息；所述中心处理器用于向低空遥感数据采集装置发送工作指令，同时所述中心处理器调取第三数据存储模块中数据，并发送至深度学习网络模块进行处理；所述深度学习网络模块用于将采集得到的低空遥感数据和采集得到的农作物信息进行训练得到低空遥感数据解译模型，并且根据所述的农作物生长模型预测受旱情况，同时将其传输至所述中央数据储存系统保存；

所述高空遥感数据处理系统包括第四数据收发模块、第四数据存储模块、高空遥感数据转换模块，高空遥感数据解译模块；所述第四数据收发模块将接收到的数据传输至所述高空遥感数据转换模块；所述高空遥感数据转换模块用于将接收到的高空遥感数据和低空遥感数据进行光谱波段比对及尺度效应分析及转换得到转换模型，并且对接收到的高空遥感数据进行转换，然后发送至高空遥感数据解译模块；所述高空遥感数据解译模块根据接收到的数据并结合所述的农作物生长模型预测受旱情况，同时将其传输至所述中央数据储存系统保存；

所述中央数据储存系统包括第五数据收发模块、第五数据存储模块和显示模块，所述第五数据收发模块用于将接收的数据传输至第五数据存储模块存储，所述显示模块用于展示第五数据存储模块中存储的数据。

进一步的，所述的高空遥感数据处理系统和低空遥感数据采集系统还包括遥感影像预处理模块，其用于遥感影像的图像定标、图像增强、纠正、正射校正、镶嵌、信息提取、图像分类。

本技术方案与现有技术相比较具有以下有益效果：

1、本发明通过采集实时采集区域内农作物信息和生长环境信息，并且完整采集包括农作物的物候信息、生物量信息、生物形态信息和生理参数测定信息等与农作物生长相关的数据信息，将它们作为样本，对DSSAT-Canegro模型进行校验和优化，得到农作物生长模型用于模拟不同生长阶段农作物的需水规律和受旱情况，接着利用低空遥感技术采集特定区域内的低空遥感数据，将采集得到的低空遥感数据和采集得到的农作物信息进行匹配，形成神经网络训练样本集进行训练和验证，获得低空遥感数据解译模型用于预测农作物的生长情况，接着再将高空遥感数据和低空遥感数据进行比对和转换，然后基于低空遥感数据解译模型预测农作物的生长情况，再根据生长情况预测农作物的受旱情况，从而通过获取区域内的高空遥感数据即可以预测得到区域内的受旱情况，减少现有利用高空遥感数据监测农情时，存在的农作物数据信息的针对性不强和分析准确度差的问题，实现区域内旱情的精确监测和预警。

2、本发明基于地面、低空无人机、高空卫星遥感搭建天空地一体化的旱情监测预警体系，实现大尺度区域内的旱情预警、动态决策，并制定最优灌溉制度，为农作物生产实践、资源的有效配置提供理论和技术支撑。

附图说明

图1是实施例1中所述的基于遥感影像的农作物识别解译方法的流程图。

具体实施方式

以下通过实施例进一步说明本发明，但不作为对本发明的限制。下列实施例中未注明的具体实验条件和方法，所采用的技术手段通常为本领域技术人员所熟知的常规手段。

实施例1：

一种基于遥感影像的农作物识别解译方法，其包括以下步骤：

（1）确定监测区域，实时采集区域内农作物信息和生长环境信息，所述的农作物信息包括农作物的物候信息、生物量信息、生物形态信息和生理参数测定信息；所述的物候信息采用BBCH标准记录，并且还需记录出苗数、分蘖数和有效茎数目；所述生物量信息包括但不限于根系的干重、展开叶的叶片与叶鞘、顶端叶、茎的干重与湿重；所述的生物形态信息包括但不限于根系干重在不同土壤深度的质量分布，叶片的数量及叶长叶宽、茎高、株高、茎粗、绿叶及总叶的叶面积；所述的生理参数测定信息包括但不限于叶片氮含量、叶片含水量、冠层温度、叶绿素含量；所述生长环境信息包括但不限于环境气象信息、土壤特性参数信息；将采集得到的数据作为样本，对DSSAT-Canegro模型进行校验和优化，得到农作物生长模型用于模拟不同生长阶段农作物的需水规律和受旱情况；所述的环境气象信息包括但不限于环境的温度、湿度、风速、风向、雨量、二氧化碳、噪声、光照；所述的土壤特性参数信息包括但不限于土壤的pH、N含量、有机质含量、容重、饱和含水率、颗粒级配、田间持水率、凋萎系数、土壤持水特性曲线参数；

（2）将监测区域按30亩的大小划分成若干个小区域，选择其中一个小区域作为低空遥感数据采集区，所述的低空遥感数据采集区内的农作物信息与其它小区域的农作物信息的差别最小；利用无人飞机在100m高度采集低空遥感数据采集区的低空遥感数据，所述的低空遥感数据包括但不限于高清数码相机拍摄的影像、多波段光谱仪拍摄影像、高光谱影像、热像仪拍摄影像；将采集得到的低空遥感数据和步骤（1）中采集得到的农作物信息进行匹配，形成神经网络训练样本集，对所述神经网络训练样本集进行训练和验证，并通过增加训练迭代参数、增加样本的方式对训练得到的神经网络模型进行调整，选取结果最好的神经网络模型作为低空遥感数据解译模型，所述解译模型用于根据采集得到的低空遥感数据预测农作物的生长情况，并且根据步骤（1）中所述的农作物生长模型预测受旱情况；所述高清数码相机拍摄的影像与农作物的株高、茎高、冠层覆盖度、叶片形态进行匹配，所述多波段光谱仪拍摄影像与农作物的叶片氮含量、叶绿素含量、叶面积进行匹配，所述高光谱影像与农作物的叶片氮含量、叶绿素含量、叶片水含量进行匹配，所述热像仪拍摄影像与农作物的冠层温度进行匹配；

（3）利用2颗卫星获取监测区域的高空遥感数据，所述高空遥感数据包括2种分辨率的遥感影像，当遇到云层遮挡时，直接采用此时的低空瑶数据；首先提取低空遥感数据采集区的高空遥感数据，并且将其与步骤（2）中得到的低空遥感数据进行光谱波段比对及尺度效应分析及转换得到转换模型，然后利用转换模型对其它区域的高空遥感数据进行转换，再使用步骤（2）中得到的低空遥感数据解译模型，预测得到监测区域内的农作物生长情况，并且根据步骤（1）中所述的农作物生长模型预测受旱情况；所述卫星为MODIS和Sentinel系列卫星。

应用本实施例所述基于遥感影像的农作物识别解译方法的系统，其包括农作物信息采集系统、环境气象信息采集系统、低空遥感数据采集系统、高空遥感数据处理系统、中央数据储存系统；

所述的农作物信息采集系统、环境气象信息采集系统、低空遥感数据采集系统、高空遥感数据处理系统和中央数据储存系统之间采用有线或无线的通信方式连接；

所述农作物信息采集系统包括第一数据收发模块、第一数据存储模块、土壤监测器、图像采集器和环境监测器；所述土壤监测器用于监测土壤情况，其包括但不限于土壤温湿度传感器、土壤pH传感器、土壤电导率传感器、土壤氮磷钾传感器；所述的图像采集器用于24小时采集作物的图像或视频；所述环境监测器包括环境温湿度传感器、空气质量传感器、二氧化碳传感器、光照传感器；在监测区域内每种农作物对应设置1个农作物信息采集系统；所述第一数据存储模块分别与第一数据收发模块、土壤监测器、图像采集器和环境监测器连接；所述第一数据模块用于存储土壤监测器、图像采集器和环境监测器中采集得到的数据信息，所述第一数据收发模块用于将第一数据存储模块中的数据信息传输至中央数据储存系统；

所述环境气象信息采集系统包括第二数据收发模块、第二数据存储模块、气象监测装置；所述的气象监测装置包括温度传感器、湿度传感器、风速传感器、风向传感器、雨量传感器、二氧化碳传感器、噪声传感器、光照传感器；在监测区域内设置3个环境气象信息采集系统；所述的第二数据存储模块与所述气象监测装置连接，其用于存储气象监测装置中采集的数据信息；所述第二数据收发模块与所述第二数据存储模块连接，其用于将第二数据存储模块中的数据信息传输至中央数据储存系统；

所述低空遥感数据采集系统包括第三数据收发模块、第三数据存储模块、中心处理器、低空遥感数据采集装置、深度学习网络模块；所述中心处理器分别与第三数据收发模块、第三数据存储模块和深度学习网络模块连接；所述低空遥感数据采集装置包括但不限于无人飞机、高光谱仪、多波段光谱仪、热像仪、高清数码相机、数据收集器、供电电源，所述的数据收集器收集不同设备得到的数据，并将它们通过无线通信方式传输至第三数据收发模块；所述第三数据存储模块用于储存第三数据收发模块接收到的数据信息；所述中心处理器用于向低空遥感数据采集装置发送工作指令，同时所述中心处理器调取第三数据存储模块中数据，并发送至深度学习网络模块进行处理；所述深度学习网络模块用于将采集得到的低空遥感数据和采集得到的农作物信息进行训练得到低空遥感数据解译模型，并且根据所述的农作物生长模型预测受旱情况，同时将其传输至所述中央数据储存系统保存；

所述高空遥感数据处理系统包括第四数据收发模块、第四数据存储模块、高空遥感数据转换模块，高空遥感数据解译模块；所述第四数据收发模块将接收到的数据传输至所述高空遥感数据转换模块；所述高空遥感数据转换模块用于将接收到的高空遥感数据和低空遥感数据进行光谱波段比对及尺度效应分析及转换得到转换模型，并且对接收到的高空遥感数据进行转换，然后发送至高空遥感数据解译模块；所述高空遥感数据解译模块根据接收到的数据并结合所述的农作物生长模型预测受旱情况，同时将其传输至所述中央数据储存系统保存；

所述的高空遥感数据处理系统和低空遥感数据采集系统还包括遥感影像预处理模块，其用于遥感影像的图像定标、图像增强、纠正、正射校正、镶嵌、信息提取、图像分类；

所述中央数据储存系统包括第五数据收发模块、第五数据存储模块和显示模块，所述第五数据收发模块用于将接收的数据传输至第五数据存储模块存储，所述显示模块用于展示第五数据存储模块中存储的数据。

实施例2：

本实施例所述的基于遥感影像的农作物识别解译方法与实施例1中所述方法的仅区别在于，步骤（2）中将监测区域按25亩的大小划分成若干个小区域，选择其中一个小区域作为低空遥感数据采集区，利用无人飞机在50m高度采集低空遥感数据采集区的低空遥感数据；步骤（3）中，利用2颗卫星获取监测区域的高空遥感数据，所述高空遥感数据包括2种分辨率的遥感影像，所述的卫星为MODIS和北斗系列卫星；

应用本实施例所述基于遥感影像的农作物识别解译方法的系统与实施例1中所述系统的区别仅在于，在监测区域内每种农作物对应设置3个农作物信息采集系统；在监测区域内设置2个环境气象信息采集系统。

实施例3：

本实施例所述的基于遥感影像的农作物识别解译方法与实施例1中所述方法的仅区别在于，步骤（2）中利用无人飞机在50m高度采集低空遥感数据采集区的低空遥感数据利用无人飞机在150m高度采集低空遥感数据采集区的低空遥感数据，步骤（3）中，利用4颗卫星获取监测区域的高空遥感数据，所述高空遥感数据包括2种分辨率的遥感影像，所述卫星为MODIS、Sentinel系列卫星、SMOS和TRMM；

应用本实施例所述基于遥感影像的农作物识别解译方法的系统与实施例1中所述系统的区别仅在于，在监测区域内每种农作物对应设置4个农作物信息采集系统。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种基于遥感影像的农作物识别解译方法，其特征在于：包括以下步骤：

（1）确定监测区域，实时采集区域内农作物信息和生长环境信息，所述的农作物信息包括农作物的物候信息、生物量信息、生物形态信息和生理参数测定信息；所述的物候信息采用BBCH标准记录，并且还需记录出苗数、分蘖数和有效茎数目；所述生物量信息包括但不限于根系的干重、展开叶的叶片与叶鞘、顶端叶、茎的干重与湿重；所述的生物形态信息包括但不限于根系干重在不同土壤深度的质量分布，叶片的数量及叶长叶宽、茎高、株高、茎粗、绿叶及总叶的叶面积；所述的生理参数测定信息包括但不限于叶片氮含量、叶片含水量、冠层温度、叶绿素含量；所述生长环境信息包括但不限于环境气象信息、土壤特性参数信息；将采集得到的数据作为样本，对DSSAT-Canegro模型进行校验和优化，得到农作物生长模型用于模拟不同生长阶段农作物的需水规律和受旱情况；

（2）将监测区域按25～30亩的大小划分成若干个小区域，选择其中一个小区域作为低空遥感数据采集区，所述的低空遥感数据采集区内的农作物信息与其它小区域的农作物信息的差别最小；利用无人飞机在50～150m高度采集低空遥感数据采集区的低空遥感数据，所述的低空遥感数据包括但不限于高清数码相机拍摄的影像、多波段光谱仪拍摄影像、高光谱影像、热像仪拍摄影像；将采集得到的低空遥感数据和步骤（1）中采集得到的农作物信息进行匹配，形成神经网络训练样本集，对所述神经网络训练样本集进行训练和验证，并通过增加训练迭代参数、增加样本的方式对训练得到的神经网络模型进行调整，选取结果最好的神经网络模型作为低空遥感数据解译模型，所述解译模型用于根据采集得到的低空遥感数据预测农作物的生长情况，并且根据步骤（1）中所述的农作物生长模型预测受旱情况；

（3）利用2颗以上的卫星获取监测区域的高空遥感数据，所述高空遥感数据包括2种以上分辨率的遥感影像，当遇到云层遮挡时，直接采用此时的低空瑶数据；首先提取低空遥感数据采集区的高空遥感数据，并且将其与步骤（2）中得到的低空遥感数据进行光谱波段比对及尺度效应分析及转换得到转换模型，然后利用转换模型对其它区域的高空遥感数据进行转换，再使用步骤（2）中得到的低空遥感数据解译模型，预测得到监测区域内的农作物生长情况，并且根据步骤（1）中所述的农作物生长模型预测受旱情况。

2.根据权利要求1中所述的基于遥感影像的农作物识别解译方法，其特征在于：步骤（1）中所述的环境气象信息包括但不限于环境的温度、湿度、风速、风向、雨量、二氧化碳、噪声、光照。

3.根据权利要求1中所述的基于遥感影像的农作物识别解译方法，其特征在于：步骤（1）中所述的土壤特性参数信息包括但不限于土壤的pH、N含量、有机质含量、容重、饱和含水率、颗粒级配、田间持水率、凋萎系数、土壤持水特性曲线参数。

4.根据权利要求1中所述的基于遥感影像的农作物识别解译方法，其特征在于：步骤（2）中所述卫星包括但不限于MODIS、Sentinel系列卫星、北斗系列卫星、SMOS、TRMM。

5.根据权利要求1中所述的基于遥感影像的农作物识别解译方法，其特征在于：步骤（2）中，所述高清数码相机拍摄的影像与农作物的株高、茎高、冠层覆盖度、叶片形态进行匹配，所述多波段光谱仪拍摄影像与农作物的叶片氮含量、叶绿素含量、叶面积进行匹配，所述高光谱影像与农作物的叶片氮含量、叶绿素含量、叶片水含量进行匹配，所述热像仪拍摄影像与农作物的冠层温度进行匹配。

6.应用如权利要求1～5中任意一项所述的基于遥感影像的农作物识别解译方法的系统，其特征在于：包括农作物信息采集系统、环境气象信息采集系统、低空遥感数据采集系统、高空遥感数据处理系统、中央数据储存系统；

所述的农作物信息采集系统、环境气象信息采集系统、低空遥感数据采集系统、高空遥感数据处理系统和中央数据储存系统之间采用有线或无线的通信方式连接；

所述农作物信息采集系统包括第一数据收发模块、第一数据存储模块、土壤监测器、图像采集器和环境监测器；所述土壤监测器用于监测土壤情况，其包括但不限于土壤温湿度传感器、土壤pH传感器、土壤电导率传感器、土壤氮磷钾传感器；所述的图像采集器用于24小时采集作物的图像或视频；所述环境监测器包括环境温湿度传感器、空气质量传感器、二氧化碳传感器、光照传感器；在监测区域内每种农作物对应设置1个以上的农作物信息采集系统；所述第一数据存储模块分别与第一数据收发模块、土壤监测器、图像采集器和环境监测器连接；所述第一数据模块用于存储土壤监测器、图像采集器和环境监测器中采集得到的数据信息，所述第一数据收发模块用于将第一数据存储模块中的数据信息传输至中央数据储存系统；

所述环境气象信息采集系统包括第二数据收发模块、第二数据存储模块、气象监测装置；所述的气象监测装置包括温度传感器、湿度传感器、风速传感器、风向传感器、雨量传感器、二氧化碳传感器、噪声传感器、光照传感器；在监测区域内设置2～3个环境气象信息采集系统；所述的第二数据存储模块与所述气象监测装置连接，其用于存储气象监测装置中采集的数据信息；所述第二数据收发模块与所述第二数据存储模块连接，其用于将第二数据存储模块中的数据信息传输至中央数据储存系统；

所述低空遥感数据采集系统包括第三数据收发模块、第三数据存储模块、中心处理器、低空遥感数据采集装置、深度学习网络模块；所述中心处理器分别与第三数据收发模块、第三数据存储模块和深度学习网络模块连接；所述低空遥感数据采集装置包括但不限于无人飞机、高光谱仪、多波段光谱仪、热像仪、高清数码相机、数据收集器、供电电源，所述的数据收集器收集不同设备得到的数据，并将它们通过无线通信方式传输至第三数据收发模块；所述第三数据存储模块用于储存第三数据收发模块接收到的数据信息；所述中心处理器用于向低空遥感数据采集装置发送工作指令，同时所述中心处理器调取第三数据存储模块中数据，并发送至深度学习网络模块进行处理；所述深度学习网络模块用于将采集得到的低空遥感数据和采集得到的农作物信息进行训练得到低空遥感数据解译模型，并且根据所述的农作物生长模型预测受旱情况，同时将其传输至所述中央数据储存系统保存；

所述高空遥感数据处理系统包括第四数据收发模块、第四数据存储模块、高空遥感数据转换模块，高空遥感数据解译模块；所述第四数据收发模块将接收到的数据传输至所述高空遥感数据转换模块；所述高空遥感数据转换模块用于将接收到的高空遥感数据和低空遥感数据进行光谱波段比对及尺度效应分析及转换得到转换模型，并且对接收到的高空遥感数据进行转换，然后发送至高空遥感数据解译模块；所述高空遥感数据解译模块根据接收到的数据并结合所述的农作物生长模型预测受旱情况，同时将其传输至所述中央数据储存系统保存；

所述中央数据储存系统包括第五数据收发模块、第五数据存储模块和显示模块，所述第五数据收发模块用于将接收的数据传输至第五数据存储模块存储，所述显示模块用于展示第五数据存储模块中存储的数据。

7.根据权利要求6所述的系统，其特征在于：所述的高空遥感数据处理系统和低空遥感数据采集系统还包括遥感影像预处理模块，其用于遥感影像的图像定标、图像增强、纠正、正射校正、镶嵌、信息提取、图像分类。

Images