CN116167630B - 一种选择三七轮作适宜性地块的计算机自动识别方法 - Google Patents

一种选择三七轮作适宜性地块的计算机自动识别方法 Download PDF

Info

Publication number
CN116167630B
CN116167630B CN202310415988.7A CN202310415988A CN116167630B CN 116167630 B CN116167630 B CN 116167630B CN 202310415988 A CN202310415988 A CN 202310415988A CN 116167630 B CN116167630 B CN 116167630B
Authority
CN
China
Prior art keywords
pseudo
planting
ginseng
suitability
land
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
Application number
CN202310415988.7A
Other languages
English (en)
Other versions
CN116167630A (zh
Inventor
袁煜熙
李英娜
赵俊三
江虹
陈国平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202310415988.7A priority Critical patent/CN116167630B/zh
Publication of CN116167630A publication Critical patent/CN116167630A/zh
Application granted granted Critical
Publication of CN116167630B publication Critical patent/CN116167630B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及作物栽培技术领域，尤其涉及一种选择三七轮作适宜性地块的计算机自动识别方法，包括以下步骤：获得三七种植土地适宜性评价图：进行三七种植土地适宜性评价；制作三七种植土地适宜性评价图；三七种植地块信息多时序遥感提取：根据卫星遥感数据提取一个或多个轮作周期内的三七种植地块信息；三七种植时空信息图谱构建；三七轮作适宜性地块的计算机自动识别：根据三七种植时空信息图谱生成三七种植地块的轮作适宜性分布与时序结果图。本发明对盘活适宜三七种植的有限土地资源、提高资源利用效率具有很好的应用价值，对优化三七种植布局、保障三七品质和高产稳产意义重大。

Description

一种选择三七轮作适宜性地块的计算机自动识别方法
技术领域
本发明涉及作物栽培技术领域，尤其涉及一种选择三七轮作适宜性地块的计算机自动识别方法。
背景技术
基于外界环境条件的名贵中药材种植适宜性地块识别是中药材引种、布局的基本依据，也是种植模式设计和种植结构空间优化的重要依据，对维持中药材生产品质、提高经济效益有着重大影响。
三七俗称“金不换”，是驰名国内外的名贵中药材。由于三七种植存在严重的连作障碍问题，种植过一轮以后的土地在5-8年内不能再行种植，否则会出现严重病虫害，使得三七生育状况和品质变差、产量锐减。关于三七连作障碍问题，很多学者从育种、栽培与生物学特性等方向做了大量研究，目前尚未取得突破性进展。实行轮作是目前解决三七连作障碍最有效的办法，但如何科学识别适宜三七种植的轮作地块却是长期困扰广大“七农”的头疼问题。
发明内容
本发明的特征和优点在下文的描述中部分地陈述，或者可从该描述显而易见，或者可通过实践本发明而学习。
为克服现有技术的问题， 本发明的目的是通过集成种植适宜性评价技术、高分影像信息提取技术、GIS空间分析技术、地学信息图谱技术，解决现有技术中无法科学自动地识别适宜三七种植轮作地块的难题，为三七种植轮作地块的筛选提供了计算机自动化的技术识别手段，这对盘活适宜三七种植的有限土地资源、提高资源利用效率具有很好的应用价值，对优化三七种植布局、保障三七品质和高产稳产意义重大。
为达到上述目的，本发明提供的技术方案是：
一种选择三七轮作适宜性地块的计算机自动识别方法，包括以下步骤：
获得三七种植土地适宜性评价图：进行三七种植土地适宜性评价，以确定用于评价三七种植土地的评价因子及其权重；制作三七种植土地适宜性评价图；
三七种植地块信息多时序遥感提取：根据卫星遥感数据提取一个或多个轮作周期内的三七种植地块信息；
三七种植时空信息图谱构建；
三七轮作适宜性地块的计算机自动识别：根据三七种植时空信息图谱生成三七种植地块的轮作适宜性分布与时序结果图。
优选的，所述三七种植土地适宜性评价包括以下步骤：
S101、确定评价因子，划分评价单元，并确定各评价因子的权重；
S102、根据三七生长习性，确定各评价因子不同值域范围对应的等级分值；
S103、将各评价因子的权重及其对应的等级分值代入适宜性综合评价模型，并计算种植适宜性综合指数，再依此综合指数划分最终的适宜性等级。
优选的，所述步骤S101包括以下步骤：
S10101、建立评价因子的层次结构；
S10102、构造评价因子的重要性判断矩阵；
S10103、计算最大特征值与特征向量；
S10104、层次单排序以及一致性检验；
S10105、确定各评价因子的组合权重。
优选的，所述层次结构包括目标层、准则层以及指标层；所述目标层为评价三七种植的适宜性，所述准则层包括立地条件、地形和土壤养分；所述指标层包括三七种植间隔年限、水源距离、土壤类型、坡度、高程、土壤全氮含量、土壤全钾含量、土壤全磷含量、土壤酸碱度。
优选的，所述适宜性综合评价模型采用加权指数和法构建， 采用如下公式（1）计算：
Figure SMS_1
（1）；
式中P为适宜性综合指数，
Figure SMS_2
为第i个评价因子的权重， />
Figure SMS_3
为第i个评价因子对应的等级分值。
优选的，所述三七种植地块信息多时序遥感提取包括以下步骤：
S201、对研究区影像预处理；所述预处理包括投影变换、影像纠正、波段融合处理；
S202、往期三七各年度种植地块信息监督分类提取；
S203、提取的种植地块信息的栅矢格式转换为矢量数据格式。
优选的，所述步骤S201包括以下步骤：
S20101、选取三七一个轮作周期内的Landsat卫星遥感影像数据，所述影像数据的空间分辨为30m；
S20102、选取band 5、band 6、band 4波段合成假彩色影像；
S20103、影像多波段合成后再与空间分辨为15m的全色段band 8进行影像融合，得到一个轮作周期内的15m高分辨率影像。
优选的，所述步骤S202包括以下步骤：
S20201、基于得到的一个轮作周期内的15m高分辨率影像，分别对往期各年度影像通过目视解译选取三七种植地块信息，定义分类训练样本，并对训练样本质量进行评价；
S20202、发明采用最大似然法分别对一个轮作周期内的各年度影像进行监督分类，初步完成三七轮作周期内各年度种植地块信息的提取；
S20203、分别对轮作周期内的各年度三七种植地块信息的提取精度进行评价。
优选的，所述三七种植时空信息图谱构建包括以下步骤：
S301、以所述三七种植土地适宜性评价图作为图谱构建的基底图层，并依据评价得到的适宜性等级对地块进行属性标记，所述适宜性等级包括适宜，较适宜以及不适宜；
S302、以所述三七种植地块信息多时序遥感提取步骤中提取的一个轮作周期内的每一年三七种植地块信息图层为叠加图层，采用空间逻辑并运算将含有种植属性信息的种植属性图叠加到基底图层，构建三七种植时空信息图谱；所述三七种植时空信息图谱的属性信息包含的字段包括地块编号、适宜性结果、起始种植年度、采收年度、轮歇年限、下轮种植年度；其中，所述适宜性结果字段及其对应的属性值与所述适宜性等级的数据一致；所述起始种植年度、采收年度字段由用户根据地块的实际种收状态输入；所述轮歇年限字段值为常量；所述下轮种植年度字段采用公式（2）计算获得：
下轮种植年度=（采收年度-起始种植年度)+ 轮歇年限+起始种植年度 （2）；
和/或；
所述三七轮作适宜性地块自动识别包括以下步骤：
S401、三七轮作适宜性地块计算机自动识别的算法设计；
S402、依据算法实现“轮歇年限”、“下轮种植年度”字段属性值的自动计算与信息填写；
S403、依据计算得到的“下轮种植年度”字段的属性值，在ArcGIS中制作出三七种植地块的轮作适宜性分布与时序结果图。
优选的，所述下轮种植年度字段的计算包括如下步骤：
若适宜性结果为适宜或较适宜，当所述“起始种植年度”字段属性未显示为“NULL”时，则表明该地块适宜且已经种植，下轮种植年度根据公式2计算得出；
当“起始种植年度”字段属性为“NULL”，则表明该地块适宜种植但未利用；
对于适宜性结果为不适宜，当“起始种植年度”字段属性未显示为“NULL”时，则表明该地块虽不适宜但实际已经被种植，其下轮种植年度根据公式2计算得出；
当 “起始种植年度”字段属性为“NULL”，表明该地块不适宜且未被种植，则对应的“下轮种植年度”字段属性值赋值为“NULL”。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
与现有技术相比，本发明通过集成种植适宜性评价技术、高分影像信息提取技术、GIS空间分析技术、以及地学信息图谱技术，解决了现有技术中无法自动科学识别适宜三七种植轮作地块的难题。首先，以三七生长发育对生态环境的要求为依据选取指标因子，从土壤养分、地形、立地条件3个方面构建三七种植适宜性评价指标体系，采用层次分析法对9大指标进行权重确定，并通过指数和法构建了三七种植适宜性评价模型，对研究区三七种植的适宜性进行分区研究，将其划分为三七种植适宜、较适宜、不适宜3类分区；其次，抓住了三七种植必须采用遮阳网这一突破点，采用Landsat 7卫星遥感影像数据的band 5、band6、band 4波段合成适宜辨识三七种植地块信息的假彩色图像，采用最大似然法监督分类提取遮阳网来间接提取往期各年三七种植地块信息，大大提高了解译的精度和效率；再次，借助GIS空间分析技术，将评价得到的适宜性分区结果与提取的往期各年种植地块信息进行空间叠加，构建三七种植时空信息图谱，以图谱学的方法开展三七种植时空分布特征研究；最后，基于构建的三七种植时空信息图谱，设计并实现了三七种植适宜地块及其最佳的“下轮种植年度”的计算机自动识别算法。本发明对盘活适宜三七种植的有限土地资源、提高资源利用效率具有很好的应用价值，对优化三七种植布局、保障三七品质和高产稳产意义重大。
附图说明
下面通过参考附图并结合实例具体地描述本发明，本发明的优点和实现方式将会更加明显，其中附图所示内容仅用于对本发明的解释说明，而不构成对本发明的任何意义上的限制，在附图中：
图1 为本发明具体实施例中一种选择三七轮作适宜性地块的计算机自动识别方法的流程示意图；
图2 为本发明具体实施例中获得的三七种植土地适宜性评价图；
图3 为本发明具体实施例中种植地块影像提取结果图；
图4 为本发明具体实施例中三七种植时空信息图谱的图谱生成规则示意图；
图5 为本发明具体实施例中三七种植时空信息图谱实现的技术流程示意图；
图6 为本发明具体实施例中生成的三七种植地块时空信息图谱的示意图；
图7 为本发明具体实施例中三七轮作适宜性地块计算机自动识别的算法流程图；
图8 为本发明具体实施例中下一轮三七种植适宜地块的时空分布专题图；
图9 为图8中A的局部放大图。
实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
为了能清楚说明本方案的技术特点，下面以具体实施方式为脉络，并结合其附图对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开， 下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
下面结合附图对本发明实施例所提供的一种选择三七轮作适宜性地块的计算机自动识别方法进行详细说明。
如图1所示，本发明实施例公开了一种选择三七轮作适宜性地块的计算机自动识别方法，包括以下步骤：
步骤S1三七种植土地适宜性评价
1、建立适宜性评价指标体系
本实施例中此次研究区选择的是三七产区之一。因实施例中研究区的区域跨度小，在小区域范围内可忽略气候对三七种植适宜性的影响，因此，按照区域差异性、影响主导性、数据可操作性，选择立地条件、地形、土壤养分三个方面对三七种植生长有显著影响的因子，包括：三七种植间隔年限、水源距离、土壤类型、土壤酸碱度、坡度、高程、土壤全氮含量、土壤全钾含量、土壤全磷含量共9个评价因子。
立地条件因素
所述立地条件因素包括三七种植间隔年限、水源距离、土壤类型。三七需要生长在荫蔽、潮湿的环境，故特别容易引发根腐病等土传病害，连作则导致根腐病等一系列土传病菌的不断积累，加重三七根腐病等各种土传病害的发生，甚至造成全田毁灭。因此，连作障碍一直是制约三七种植的关键因素，一般种植过三七的地块通常需要轮作5-8年后方可再种；其次，三七种植苗床土壤中的水分应保持在28%左右，水分含量最少不得低于20%，否则将会导致叶片干枯，因此三七种植区要有充足的水源保障；此外，三七种植最好以沙质土壤为主，必须保证土壤松软、腐殖质丰富，土壤过黏、过砂以及低洼积水均不易种植。
（2）地形因素
所述地形因素包括坡度、高程。三七适宜在海拔1000-2000米之间生存，海拔700米以下的低山区或丘陵平原地区，病虫害比较严重，而且叶片常出现早期脱落现象；三七最好在向阳山坡、坡度一般在10-30°的山坡种植为宜，若坡度太陡水土流失严重，反之则会因排水不畅引起块根腐烂。
（3）土壤养分因素
所述土壤养分因素包括三七生长所必需的土壤全氮含量、土壤全钾含量、土壤全磷含量、土壤酸碱度。三七生长对于土壤养分的需求比其他的作物要低，但氮磷钾肥的缺乏会导致严重的种植问题。其中，氮肥缺乏会导致植株生长缓慢，株型矮小，叶片较薄且发黄，根系生长较弱，继而整株叶片发黄干枯至死亡；磷肥缺乏会使得三七植株较瘦小，茎杆和叶柄均呈深紫色，叶片较小而厚，略呈僵缩状，叶色呈暗绿色，叶脉微黄，须根分化较少，严重影响产量；钾肥缺乏则导致三七植株株高、株型弱小，叶尖、叶缘逐渐变为枯白色，继而叶脉发黄，叶片萎焉、脱落，植株生长停滞、死亡。研究结果表明，三七种植土壤全氮含量大于2.0g/kg为适宜，1.0－2.0 g/kg为较适宜，小于1.0 g/kg为不适宜；土壤全磷含量大于1.0g/kg为适宜，0.6－1.0 g/kg为较适宜，小于0.6 g/kg为不适宜；土壤全钾含量大于25g/kg为适宜，15－25 g/kg为较适宜，小于15g/kg为不适宜；土壤酸碱度在4.5－7之间为宜。
2、评价单元的划分与评价因子数据处理
评价因子体系确定之后需要划分评价单元。评价单元为划分的种植地块的单位面积，评价单元的大小决定着评价结果的精度，理论上评价单元划分越小，评价结果的精度就越高，但计算量也将倍数增长。考虑到参评因子数据的可获取性、可操作性和实施例中研究区地块尺度评价的需要，将评价单元确定为30m*30m，即每个评价单元为900m2（约1.35亩）。
本发明实施例中，所述评价因子数据处理，三七种植间隔年限数据通过提取多年高分影像上同一地块种植三七的年度信息得到，即同一地块种植三七的不同年度之差；水源距离数据是基于实施例中河网、坑塘等水系分布中心，考虑取水距离分别设置3km、3－10km进行多级缓冲分析得到；坡度、高程数据基于在地理空间数据云下载的30m的DEM数据，借助GIS空间分析技术提取出高程、并生成坡度；土壤类型数据来自于实例区耕地质量数据库面层数据；土壤酸碱度、土壤全氮含量、土壤全钾含量、土壤全磷含量来自于实例区耕地质量数据库采样点数据，采用克里金（Kriging）空间插值后分别生成对应的面层数据。
3、确定评价因子权重。本发明实施例采用层次分析法确定各参评因子的权重，主要包括以下4步：
（1）建立层次结构
目标层A：将三七种植适宜性作为目标层；
准则层B：将立地条件、地形、土壤养分作为准则层；
指标层C：将三七种植间隔年限、水源距离、土壤类型、坡度、高程、土壤全氮含量、土壤全钾含量、土壤全磷含量、土壤酸碱度作为指标层。
（2）构造判断矩阵A=（aij）n×n，并做一致性检验
对于目标层A，根据层次分析法的判断矩阵标度，分别对立地条件、地形、土壤养分的相对重要性做出判断，得到准则层B对于目标层A的判断矩阵和对指标层C的三七种植间隔年限、水源距离、土壤类型、坡度、高程、土壤全氮含量、土壤全钾含量、土壤全磷含量、土壤酸碱度的判断矩阵。
所述判断矩阵取值标度如表1-1所示：
表1-1
Figure SMS_4
A-B三七种植适宜性评价判断矩阵如表1-2所示。
表1-2
Figure SMS_5
A-B三七种植适宜性评价判断矩阵层次单排序和一致性检验结果为：
Figure SMS_6
；
Figure SMS_7
；
通过上述公式，判断矩阵A-B具有满意的一致性。
B1-C土壤养分判断矩阵如表1-3所示。
表1-3
Figure SMS_8
B1-C土壤养分判断矩阵层次单排序和一致性检验结果为：
Figure SMS_9
；
Figure SMS_10
；
通过上述公式，判断矩阵B1-C具有满意的一致性。
B2-C地形判断矩阵如表1-4所示：
表1-4
Figure SMS_11
B2-C地形判断矩阵层次单排序结果为：
Figure SMS_12
；
由于判断矩阵B2-C为二阶矩阵，故不需要进行一致性检验。
B3-C立地条件判断矩阵如表1-5所示：
表1-5
Figure SMS_13
B3-C立地条件判断矩阵层次单排序和一致性检验结果为：
Figure SMS_14
；
Figure SMS_15
；
通过上述公式，判断矩阵B3-C具有满意的一致性。
4、确认评价因子的组合权重
根据以下公式（2）计算某一层次元素对总体目标的权重：
Figure SMS_16
（2）
Figure SMS_17
中的Ci为每个指标因子在总体目标中所占的权重，i是指标因子的下标，代表第i个指标因子，j是准则层因素的下标，代表第j个准则层因素，
Figure SMS_18
中的ωj为准则层因素对于总体目标的权重向量值，/>
Figure SMS_19
中βi为每个指标因子对于准则层因素的权重向量值。
各个指标的权重结果如表2-5所示。
表2-5
Figure SMS_20
在确定各个指标的组合权重后，采用指数加权指数和法对种植适宜性指数进行评分，将各评价因子的权重及其对应的等级分值代入适宜性综合评价模型，并计算种植适宜性综合指数，再依此综合指数划分最终的适宜性等级。
其计算公式（1）如下：
Figure SMS_21
（1）
式中P为适宜性综合指数，
Figure SMS_22
为第i个评价因子的权重， />
Figure SMS_23
为第i个评价因子对应的等级分值。
进一步地，所述等级分值依据如表3-1所示：
表3-1
Figure SMS_24
在ArcGIS软件中，根据叠加运算结果，将三七种植适宜性分区划分为适宜区、较适宜区和不适宜区。实施例中，按上述方法获得的三七种植土地适宜性评价图如图2所示；
二、步骤S2三七种植地块信息多时序遥感提取：基于长时序高分影像的三七种植地块信息提取。
1、数据预处理
（1）影像投影变换
本发明实施例下载的遥感影像数据为Landsat卫星2009-2016年遥感数据，其投影为UTM投影系统，坐标系统为WGS-84；实施例中研究区矢量数据投影为Xian_1980_3_Degree_GK_Zone_34，坐标系统为GCS_Xian_1980。因此，借助ENVI投影变换功能将下载的遥感影像数据的坐标系统转换到实施例研究区矢量数据相同的坐标系，完成影像的投影变换。
（2）影像纠正
借助ENVI图像几何校正功能，选择对应的控制点，采用Image to Map几何校正方式，将上述坐标变换后的各年遥感影像数据配准到实例区矢量数据图层。配准误差的计算采用以下公式进行：
Figure SMS_25
其中，
Figure SMS_28
为仿射变换计算得到的/>
Figure SMS_30
的校正值，/>
Figure SMS_32
为控制点（同名点）的/>
Figure SMS_27
值；/>
Figure SMS_29
为仿射变换计算得到的/>
Figure SMS_31
的校正值，/>
Figure SMS_33
为控制点（同名点）的/>
Figure SMS_26
值；
（3）影像融合
选取band 5、band 6、band 4波段合成假彩色影像（空间分辨30m），再与全色段band 8（空间分辨15m）进行影像融合，得到一个轮作周期内的15m高分辨率影像。首先将合成的假彩色影像（RGB图像）变换到HSV颜色空间，用全色段band 8的图像代替颜色亮度值波段，采用双线性内插法将色度和饱和度重采样到高分辨率像元尺寸，然后再将图像变换到RGB颜色空间。
2、采用监督分类方法提取往期各年度三七种植地块信息
（1）定义训练样本
三七需要遮阳网搭棚种植，在band 5、band 6、band 4对遮阳网有很好的辨识度。因此，利用ENVI中的ROI（Region of Interest）Tool功能，通过人机交互目视解译的方法勾绘三七遮阳网大棚种植区域当作训练样本。
（2）训练样本质量评价
采用ENVI的计算ROI可分离性（Compute ROI Separability）工具计算任意类别间的统计距离，以此确定两个类别之间的差异性程度。类别间的差异性程度采用JeffriesMatusita距离和转换分离度进行计算，以此来衡量训练样本的可分离性。
其中，Jeffries Matusita距离采用以下公式（3）及公式（4）计算：
设两个类别之间的J-M距离为Jij，则：
Figure SMS_34
（3）
Figure SMS_35
（4）
式中，U为样本的均值向量，∑为协方差矩阵，i和j分别表示三七种植地块和非种植地块两个地物类型。
转换分离度采用以下公式（5）进行计算：
设三七种植地块和非种植地块两个类别之间的转换离散度为TDij，则：
Figure SMS_36
（5）
其中，Dij是两个类别之间的离散度，其计算公式（6）如下：
Figure SMS_37
（6）
式中，U为样本均值向量，∑为协方差矩阵，tr[A]为矩阵A对角线元素之和，i和j分别表示三七种植地块和非种植地块两个地物类型。
可分离性值Dij的大小反应了训练样本感兴趣区选取的是否合理，其值在0~2.0之间。计算的可分离性值大于1.9的表明样本可分离性好，该样本为合格样本，否则需要重新选取样本，直至样本选取合格为止。
（3）三七种植地块信息提取
借助ENVI软件，采用最大似然法对实施例中一个轮作周期的各年度影像进行监督分类，初步完成三七轮作周期内各年度种植地块信息的提取，得到三七种植地块信息图，基本原理如下：
假设三七种植地块信息在特征空间服从正态分布，则由贝叶斯公式可得：
Figure SMS_38
概率判别函数为：
Figure SMS_39
Figure SMS_40
相应的贝叶斯判别规则：
若对于所有可能的j=1,2,…,m；j≠i有di(X)>dj(X)，则X属于类wi。
判决边界为d1(X)>d2(X)（假设有两个类别，即三七种植地块和非三七地块）。
采用最大似然法分类时，假定每个波段每一类统计呈均匀分布，并计算给定像元属于某一特定类别的可能性。最终每一个像元会被归并到可能性最大的那一类之中，以此实现分类提取的目的。
3、提取精度评价
本发明实施例中采用合成的假彩色影像提取三七种植区信息，相比于真彩色影像本身就大大提高了解译精度；同时，由于三七采用遮阳网搭棚种植，与周边地物影像特征区分度也非常大，因此目视也能有效区分三七种植区。鉴于以上两方面条件，执行完监督分类之后，本发明实施例采用分类结果叠加法，通过在各期高分辨率影像上叠加分类结果，目视判断分类精度，进而完成对轮作周期内的各年度三七种植地块信息的提取精度评价。
4、提取结果的数据格式转换
完成上述步骤后，提取的三七种植地块信息是以栅格数据形式存在的。为方便后期计算机自动识别与计算，需要将栅格数据转换为矢量数据格式。本发明实施例中采用ENVI的分类转矢量工具（Classification to View），将提取得到的三七各年种植地块信息的栅格数据转换为对应的矢量数据，结果如图3所示。
5、属性信息编辑
基于上述转换后的矢量数据，在ArcGIS中打开属性表并添加地块编号[DKBH(sting,20)]、适宜性结果[SYXJG(sting,10)]、起始种植年度[QSZZND(int)]、采收年度[CSND(int)]、轮歇年限[LXNX(int)]、下轮种植年度[XLZZND(int)]等重要字段，并根据提取的三七种植地块信息的实际“种收”状态填写起始种植年度、采收年度信息；轮歇年限字段值为常量，根据三七生长习性，本发明实施例中批量设为8；下轮种植年度由计算机按照地块适宜性评价结果和实际种植情况自动识别并填写，形成种植属性图。
三、步骤S3三七种植时空信息图谱构建
将三七种植土地适宜性评价图作为图谱构建的基底图层，将提取的一个轮作周期内的每一年的三七种植地块信息图作为叠加图层，采用空间逻辑并（或）运算将含有种植属性信息的种植属性图叠加到三七种植土地适宜性评价图上，构建三七种植时空信息图谱。其中：
1、图谱叠加运算的数学基础如下
A∪B=X，X∈A或X∈B
上述A为三七种植土地适宜性评价图层，B为一个轮作周期内的每一年的三七种植地块信息图层，X为叠加后生成的三七种植时空信息图谱图层。
2、图谱的生成规则如图4所示，图中A、B、X与图谱叠加运算中A、B、X表达的含义相同。
3、图谱实现的技术流程如图5所示。
4、本发明实施例中生成的三七种植地块时空信息图谱如图6所示，该图清晰呈现了实施例中2009~2016年间一个轮作周期内每一地块的适宜性状况、起始种植年度、空间位置分布等信息，也是对下一轮作周期三七种植的适宜性地块计算机自动识别的基础。
四、步骤S4三七轮作适宜性地块的计算机自动识别
1、自动识别的算法设计
（1）算法思想
本发明实施例中，首先，基于三七种植适宜性分区的结果将算法的判断逻辑分为“适宜”和“不适宜”两种情况，即适宜性结果为3或2（适宜和较适宜区）的地块为“适宜”，适宜性结果为1（不适宜区）的地块为“不适宜”。其次，对于“适宜”地块，若该地块“起始种植年度”字段属性不为“NULL”（表明该地块已经被种植三七），则该地块“下轮种植年度”按以下规则自动识别，即“下轮种植年度”=（采收年度－起始种植年度）+ 轮歇年限+起始种植年度；若该地块“起始种植年度”字段属性为“NULL”（表明该地块未被种植三七），则“下轮种植年度”字段属性值赋值为“NULL”。对于“不适宜”地块，若该地块“起始种植年度”字段属性不为“NULL”（说明该地块已经被种植三七），则其“下轮种植年度”按以下规则自动识别，即“下轮种植年度”=（采收年度－起始种植年度）+ 轮歇年限+起始种植年度；若该地块“起始种植年度”字段属性为“NULL”（表明该地块未被种植三七），则对应的“下轮种植年度”字段属性值也赋值为“NULL”。适宜性结果字段及其对应的属性值与所述适宜性等级的数据一致。
上述涉及的重要字段特做说明如下：
适宜性结果 SYXJG （string,10），字段值由评价结果得到；
起始种植年度 QSZZND (int)，字段值由影像提取得到，起始默认值为0；
采收年度 CSND (int)，字段值根据实际采收年填写，起始默认值为0；
轮歇年限 LXNX (int)，字段值为常量，默认8；
下轮种植年度 XLZZND (int)，字段值由本发明中的算法自动识别填写；
（2）算法流程图
按照上述算法思想和字段含义，算法流程图表达如图7所示。
（3）算法实现
import arcpy
import datetime
today=datetime.datetime.now()
fc = arcpy.GetParameterAsText(0)
cursor = arcpy.UpdateCursor(fc)
for row in cursor:
syxjg=row.getValue("SYXJG")
qszznd=row.getValue("QSZZND")
csnd=row.getValue("CSND")
lxnx=row.getValue("LXNX")
xlzznd=row.getValue("XLZZND")
if syxjg=="3" or syxjg=="2":
if qszznd==0:
row.setValue("XLZZND",0)
else:
row.setValue("XLZZND",(csnd-qszznd)+lxnx+qszznd)
cursor.updateRow(row)
elif syxjg=="1":
if qszznd==0:
row.setValue("XLZZND",0)
else:
row.setValue("XLZZND",(csnd-qszznd)+lxnx+qszznd)
cursor.updateRow(row)
arcpy.AddMessage("识别更新完成！")
2、下一轮三七种植适宜地块的轮作适宜性分布与时序结果图生成
根据自动识别并更新完成的“下轮种植年度（XLZZND）”字段信息，借助ArcGIS地理信息系统软件自动生成下轮种植地块的轮作适宜性分布与时序结果图，如图8及图9所示，该图清晰呈现了下一个轮作周期，三七种植适宜性地块的准确空间位置及最佳种值年度，据此能够对下一轮三七种植的适宜性地块的空间分布和“种采”时序做出科学识别和合理安排，从而有效盘活适宜三七种植的有限土地资源、提高资源利用效率，并为优化三七种植布局提供决策支持，这对保障三七品质和高产稳产意义重大。
本发明实施例中，首先选取土壤养分、地形、立地条件3个方面共9个指标（三七种植间隔年限、水源距离、土壤类型、坡度、高程、土壤全氮含量、土壤全钾含量、土壤全磷含量、土壤酸碱度）构建三七种植适宜性评价指标体系，采用层次分析法确定指标综合权重，并借助指数和法构建三七种植适宜性评价模型，开展三七种植适宜性评价与分区研究；其次，采用最大似然法监督分类提取上轮一个轮作周期内的各年三七种植地块信息；再次，借助GIS空间分析技术，将评价得到的适宜性分区结果与提取的往期各年种植地块信息进行空间叠加，以图谱学的方法构建该轮作周期内三七种植时空信息图谱；最后，设计了三七种植适宜地块及其最佳 “下轮种植年度”的计算机自动识别算法，对下一轮三七种植的适宜性地块的空间分布和“种采”时序做出科学识别和合理安排，从而解决“七农”轮作地块选取的难题。
以上参照附图说明了本发明的优选实施例，本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明。举例而言，作为一个实施例的部分示出或描述的特征可用于另一实施例以得到又一实施例。以上仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及附图内容所作的等效变化，均包含于本发明的权利范围之内。

Claims (10)

1.一种选择三七轮作适宜性地块的计算机自动识别方法，其特征在于，包括以下步骤：
获得三七种植土地适宜性评价图：进行三七种植土地适宜性评价，以确定用于评价三七种植土地的评价因子及其权重；制作三七种植土地适宜性评价图；
三七种植地块信息多时序遥感提取：根据卫星遥感数据提取一个或多个轮作周期内的三七种植地块信息；
三七种植时空信息图谱构建；所述三七种植时空信息图谱的属性信息包含的字段包括适宜性结果、起始种植年度、采收年度、轮歇年限、下轮种植年度；
三七轮作适宜性地块的计算机自动识别：根据三七种植时空信息图谱生成三七种植地块的轮作适宜性分布与时序结果图，包括以下步骤：
三七轮作适宜性地块计算机自动识别的算法设计；
依据算法实现“轮歇年限”、“下轮种植年度”字段属性值的自动计算与信息填写；
依据计算得到的“下轮种植年度”字段的属性值，制作出三七种植地块的轮作适宜性分布与时序结果图。
2.根据权利要求1所述的一种选择三七轮作适宜性地块的计算机自动识别方法，其特征在于，所述三七种植土地适宜性评价包括以下步骤：
S101、确定评价因子，划分评价单元，并确定各评价因子的权重；
S102、根据三七生长习性，确定各评价因子不同值域范围对应的等级分值；
S103、将各评价因子的权重及其对应的等级分值代入适宜性综合评价模型，并计算种植适宜性综合指数，再依此综合指数划分最终的适宜性等级。
3.根据权利要求2所述的一种选择三七轮作适宜性地块的计算机自动识别方法，其特征在于，所述步骤S101包括以下步骤：
S10101、建立评价因子的层次结构；
S10102、构造评价因子的重要性判断矩阵；
S10103、计算最大特征值与特征向量；
S10104、层次单排序以及一致性检验；
S10105、确定各评价因子的组合权重。
4.根据权利要求3所述的一种选择三七轮作适宜性地块的计算机自动识别方法，其特征在于，所述层次结构包括目标层、准则层以及指标层；将三七种植适宜性作为所述目标层，所述准则层包括立地条件因素、地形因素和土壤养分因素；所述指标层包括三七种植间隔年限、水源距离、土壤类型、坡度、高程、土壤全氮含量、土壤全钾含量、土壤全磷含量、土壤酸碱度。
5.根据权利要求2所述的一种选择三七轮作适宜性地块的计算机自动识别方法，其特征在于，所述适宜性综合评价模型采用加权指数和法构建， 采用如下公式（1）计算：
Figure QLYQS_1
（1）；
式中P为适宜性综合指数，
Figure QLYQS_2
为第i个评价因子的权重， />
Figure QLYQS_3
为第i个评价因子对应的等级分值。
6.根据权利要求1所述的一种选择三七轮作适宜性地块的计算机自动识别方法，其特征在于，所述三七种植地块信息多时序遥感提取包括以下步骤：
S201、对研究区影像预处理；所述预处理包括投影变换、影像纠正、波段融合处理；
S202、往期三七各年度种植地块信息监督分类提取；
S203、将提取的种植地块信息的栅矢格式转换为矢量数据格式。
7.根据权利要求6所述的一种选择三七轮作适宜性地块的计算机自动识别方法，其特征在于，所述步骤S201包括以下步骤：
S20101、选取三七一个轮作周期内的Landsat卫星遥感影像数据，所述影像数据的空间分辨为30m；
S20102、选取band 5、band 6、band 4波段合成假彩色影像；
S20103、影像多波段合成后再与空间分辨为15m的全色段band 8进行影像融合，得到一个轮作周期内的15m高分辨率影像。
8.根据权利要求7所述的一种选择三七轮作适宜性地块的计算机自动识别方法，其特征在于，所述步骤S202包括以下步骤：
S20201、基于得到的一个轮作周期内的15m高分辨率影像，分别对往期各年度影像通过目视解译选取三七种植地块信息，定义分类训练样本，并对训练样本质量进行评价；
S20202、采用最大似然法分别对一个轮作周期内的各年度影像进行监督分类，初步完成三七轮作周期内各年度种植地块信息的提取；
S20203、分别对轮作周期内的各年度三七种植地块信息的提取精度进行评价。
9.根据权利要求1所述的一种选择三七轮作适宜性地块的计算机自动识别方法，其特征在于，所述三七种植时空信息图谱构建包括以下步骤：
S301、以所述三七种植土地适宜性评价图作为图谱构建的基底图层，并依据评价得到的适宜性等级对地块进行属性标记，所述适宜性等级包括适宜，较适宜以及不适宜；
S302、以所述三七种植地块信息多时序遥感提取步骤中提取的一个轮作周期内的每一年三七种植地块信息图层为叠加图层，采用空间逻辑运算将含有种植属性信息的种植属性图叠加到基底图层，构建三七种植时空信息图谱；其中，所述适宜性结果字段及其对应的属性值与所述适宜性等级的数据一致；所述起始种植年度、采收年度字段由用户根据地块的实际种收状态输入；所述轮歇年限字段值为常量；所述下轮种植年度字段采用公式（2）计算获得：
下轮种植年度=（采收年度-起始种植年度)+ 轮歇年限+起始种植年度 （2）。
10.根据权利要求9所述的一种选择三七轮作适宜性地块的计算机自动识别方法，其特征在于，所述下轮种植年度字段的计算包括如下步骤：
若适宜性结果为适宜或较适宜，当所述“起始种植年度”字段属性未显示为“NULL”时，则表明该地块适宜且已经种植，下轮种植年度根据公式2计算得出；
当“起始种植年度”字段属性为“NULL”，则表明该地块适宜种植但未利用；
对于适宜性结果为不适宜，当“起始种植年度”字段属性未显示为“NULL”时，则表明该地块虽不适宜但实际已经被种植，其下轮种植年度根据公式2计算得出；
当 “起始种植年度”字段属性为“NULL”，表明该地块不适宜且未被种植，则对应的“下轮种植年度”字段属性值赋值为“NULL”。
CN202310415988.7A 2023-04-19 2023-04-19 一种选择三七轮作适宜性地块的计算机自动识别方法 Active CN116167630B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310415988.7A CN116167630B (zh) 2023-04-19 2023-04-19 一种选择三七轮作适宜性地块的计算机自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310415988.7A CN116167630B (zh) 2023-04-19 2023-04-19 一种选择三七轮作适宜性地块的计算机自动识别方法

Publications (2)

Publication Number Publication Date
CN116167630A CN116167630A (zh) 2023-05-26
CN116167630B true CN116167630B (zh) 2023-06-27

Family

ID=86420331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310415988.7A Active CN116167630B (zh) 2023-04-19 2023-04-19 一种选择三七轮作适宜性地块的计算机自动识别方法

Country Status (1)

Country Link
CN (1) CN116167630B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1794291A (zh) * 2006-01-09 2006-06-28 江苏省农业科学院 作物多元数轮作周期的最优遥感评估方法
RU2476051C1 (ru) * 2012-01-10 2013-02-27 Алексей Николаевич Рыжук Способ возделывания сельскохозяйственных культур
CN103208028A (zh) * 2013-04-11 2013-07-17 中国科学院东北地理与农业生态研究所 一种基于遥感与gis相结合的水禽栖息地适宜性评价方法
CN106383064A (zh) * 2016-08-25 2017-02-08 文山苗乡三七科技有限公司 一种三七种植区域快速选地的方法
CN106856963A (zh) * 2017-04-10 2017-06-20 吉林大学 一种东北垄作区玉米大豆机械化轮作方法
CN107256451A (zh) * 2017-05-23 2017-10-17 甘肃万维信息技术有限责任公司 农业大数据基于gis的农业适宜性评价分析方法
WO2021068176A1 (zh) * 2019-10-11 2021-04-15 安徽中科智能感知产业技术研究院有限责任公司 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法
CN113016536A (zh) * 2020-05-27 2021-06-25 贵州大学 一种适宜贵州的三七引种栽培方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10251347B2 (en) * 2016-01-07 2019-04-09 The Climate Corporation Generating digital models of crop yield based on crop planting dates and relative maturity values
CN112868419B (zh) * 2019-12-01 2024-06-18 广州清凉农业科技有限公司 一种农业日光传输照明系统和配套的温室以及照明方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1794291A (zh) * 2006-01-09 2006-06-28 江苏省农业科学院 作物多元数轮作周期的最优遥感评估方法
RU2476051C1 (ru) * 2012-01-10 2013-02-27 Алексей Николаевич Рыжук Способ возделывания сельскохозяйственных культур
CN103208028A (zh) * 2013-04-11 2013-07-17 中国科学院东北地理与农业生态研究所 一种基于遥感与gis相结合的水禽栖息地适宜性评价方法
CN106383064A (zh) * 2016-08-25 2017-02-08 文山苗乡三七科技有限公司 一种三七种植区域快速选地的方法
CN106856963A (zh) * 2017-04-10 2017-06-20 吉林大学 一种东北垄作区玉米大豆机械化轮作方法
CN107256451A (zh) * 2017-05-23 2017-10-17 甘肃万维信息技术有限责任公司 农业大数据基于gis的农业适宜性评价分析方法
WO2021068176A1 (zh) * 2019-10-11 2021-04-15 安徽中科智能感知产业技术研究院有限责任公司 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法
CN113016536A (zh) * 2020-05-27 2021-06-25 贵州大学 一种适宜贵州的三七引种栽培方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Remote Sensing Image Classification for Spatial Information Extraction of Panax notoginseng Fields;Shengliang Pu等;《2021 8th International Conference on Computer and Communication Engineering (ICCCE)》;23-26 *
云南山区宜耕未利用地开发适宜性评价与潜力分区;袁磊 等;《农业工程学报》;第29卷(第16期);229-237 *
基于GIS和RS的云南寻甸县三七种植生产适宜性评价研究;付瑞华 等;《文山学院学报》;第35卷(第05期);8-12 *
基于生态与粮食安全的郧西县耕地休耕识别和空间配置研究;韩晨晓;《中国优秀硕士学位论文全文数据库 农业科技辑》(第02期);D043-621 *
盘龙区建设用地潜在适宜性评价;李刘飞 等;《城市勘测》;第191卷(第03期);6-11 *
连作烟草根系微生态特征与绿色修复措施研究;陈钰栋;《中国博士学位论文全文数据库农业科技辑》(第01期);D047-133 *

Also Published As

Publication number Publication date
CN116167630A (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
Zhang et al. Accessing the temporal and spectral features in crop type mapping using multi-temporal Sentinel-2 imagery: A case study of Yi’an County, Heilongjiang province, China
CN111598045B (zh) 一种基于对象图谱和混合光谱的遥感耕地变化检测方法
EP2871609A1 (en) Device and method for supporting farm works, program, recording medium and system for supporting farm works
Hu et al. Integrating coarse-resolution images and agricultural statistics to generate sub-pixel crop type maps and reconciled area estimates
CN107330413B (zh) 一种基于遥感技术的毒品原植物识别方法
CN111898922B (zh) 一种多尺度农作物产量评估方法及系统
CN102592181A (zh) 一种作物种植面积统计数据空间分布的优化方法
CN110909933A (zh) 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法
Sarkar et al. High‐throughput measurement of peanut canopy height using digital surface models
CN111489092B (zh) 一种植物栽培种植环境适生区的评估方法及系统
CN113570273B (zh) 一种灌溉耕地统计数据的空间化方法及系统
Belal et al. Precision farming technologies to increase soil and crop productivity
CN113342938B (zh) 一种结合知识图谱的玉米选种与精准播种决策方法
Wang et al. Vegetation structural shift tells environmental changes on the Tibetan Plateau over 40 years
Xing et al. Mapping irrigated, rainfed and paddy croplands from time-series Sentinel-2 images by integrating pixel-based classification and image segmentation on Google Earth Engine
Dong et al. Fine mapping of key soil nutrient content using high resolution remote sensing image to support precision agriculture in Northwest China
Adekunle Precision agriculture: Applicability and opportunities for Nigerian agriculture
CN116167630B (zh) 一种选择三七轮作适宜性地块的计算机自动识别方法
Wu et al. Phenology-based cropland retirement remote sensing model: A case study in Yan’an, Loess Plateau, China
CN107491724A (zh) 一种冬小麦穗分化期识别方法及装置
Peng et al. Mapping and describing natural terroir units in Denmark
Kenduiywo et al. Maize yield estimation in kenya using modis
CN116206197B (zh) 一种面向耕地信息提取的地学分区方法
Santos Synergy between digital soil mapping and crop modeling: influence of soil data on sugarcane attainable yield
Cui et al. Remote-sensing monitoring of rubber plantations using object-oriented characteristics from the vigorous period

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