CN116210571A - 一种立体绿化遥感智能灌溉方法及系统 - Google Patents

一种立体绿化遥感智能灌溉方法及系统 Download PDF

Info

Publication number
CN116210571A
CN116210571A CN202310207790.XA CN202310207790A CN116210571A CN 116210571 A CN116210571 A CN 116210571A CN 202310207790 A CN202310207790 A CN 202310207790A CN 116210571 A CN116210571 A CN 116210571A
Authority
CN
China
Prior art keywords
greening
area
dimensional
abnormal
water content
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.)
Granted
Application number
CN202310207790.XA
Other languages
English (en)
Other versions
CN116210571B (zh
Inventor
刘星
李浩健
夏征
钟哲
张欣
李晓静
谭嘉蔚
师鹏
陈开轩
卢剑威
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.)
Guangzhou Institute Of Forestry And Landscape Architecture
Original Assignee
Guangzhou Institute Of Forestry And Landscape Architecture
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 Guangzhou Institute Of Forestry And Landscape Architecture filed Critical Guangzhou Institute Of Forestry And Landscape Architecture
Priority to CN202310207790.XA priority Critical patent/CN116210571B/zh
Publication of CN116210571A publication Critical patent/CN116210571A/zh
Application granted granted Critical
Publication of CN116210571B publication Critical patent/CN116210571B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G25/00—Watering gardens, fields, sports grounds or the like
    • A01G25/02—Watering arrangements located above the soil which make use of perforated pipe-lines or pipe-lines with dispensing fittings, e.g. for drip irrigation
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G25/00—Watering gardens, fields, sports grounds or the like
    • A01G25/02—Watering arrangements located above the soil which make use of perforated pipe-lines or pipe-lines with dispensing fittings, e.g. for drip irrigation
    • A01G25/023—Dispensing fittings for drip irrigation, e.g. drippers
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G25/00—Watering gardens, fields, sports grounds or the like
    • A01G25/16—Control of watering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • 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
    • Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Multimedia (AREA)
  • Environmental Sciences (AREA)
  • Soil Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Cultivation Of Plants (AREA)

Abstract

本发明属于立体园林技术、智能浇灌控制技术领域，本发明提供了一种立体绿化遥感智能灌溉方法及系统，根据从不同角度获取立体绿化建筑的高光谱遥感影像；进行三维重建获取立体绿化建筑的三维模型，标注出三维模型上种植有植物的区域作为绿化区域，获取各个绿化区域中的叶片含水率；在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带；控制滴灌系统在绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌，极大提升了立体绿化建筑上的绿化异常带的预警准确性，从高到低递减型供水，不仅能够极大的节约水资源，而且能够避免靠近建筑顶部或高处的植物无水枯死，而建筑中下部的植物水多淹死的问题。

Description

一种立体绿化遥感智能灌溉方法及系统
技术领域
本发明属于立体园林技术、智能浇灌控制技术领域，具体涉及一种立体绿化遥感智能灌溉方法及系统。
背景技术
现有的立体园林的灌溉方式一般是基于当前高水压、水流灌溉系统的技术控制灌溉，以及开关、过滤、高压控制等装置，将有压的水源通过管网传输，同时通过施肥泵将溶于水的矿物营养或农药添加到浇灌水里，最后流经灌水器输送到植物根系及附近土壤，并完成浇灌。从而消除了空间局限性，美化了立体园林景观，达到灌溉和景观双重效果。
但是，由于目前的建筑的立体性和设计的多样性，建筑的外形和大小日趋于多样化，从而使得传统的立体园林的灌溉越来越难以精准控制，而由于灌溉点的所对应的浇灌分区的浇灌区域覆盖面不到位，会导致靠近建筑顶部或高处的植物无水枯死，而建筑中下部的植物水多淹死、植物烂根等问题，所以对于立体园林的浇灌控制既不能大范围的过量浇灌也不能不灌溉。
发明内容
本发明的目的在于提出一种立体绿化遥感智能灌溉方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，根据本发明的一方面，提供一种立体绿化遥感智能灌溉方法，所述方法包括以下步骤：
S100，在立体绿化建筑中种植有植物的区域中的不同位置设置多组的管路、增压泵、滴灌管、滴头及电磁阀构成滴灌系统；
S200，从不同角度获取立体绿化建筑的高光谱遥感影像；根据高光谱遥感影像进行三维重建获取立体绿化建筑的三维模型，标注出三维模型上种植有植物的区域作为绿化区域，获取各个绿化区域中的叶片含水率；
S300，在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带；
S400，控制滴灌系统在绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌。
进一步地，在S100中，立体绿化建筑是直接攀附式绿化建筑、格架式绿化建筑、合栽式绿化建筑、垂挂式绿化建筑、嵌合式绿化建筑或者直立式绿化建筑中的任意一种绿化建筑。
进一步地，在S200中，从不同角度获取立体绿化建筑的高光谱遥感影像的方法为：通过张正友标定法对无人机上载有的高光谱相机进行标定，以无人机获取场景对象不同视角、位置的高光谱遥感影像。
优选地，在S200中，根据高光谱遥感影像进行三维重建获取立体绿化建筑的三维模型为以下参考文献中的方法中的任意一种：
[1]邹松.基于三维重建的无人机高光谱影像拼接研究[D].中国科学院大学.
[2]李均力,贾永红.基于分辨率退化模型的全色和多光谱遥感影像融合方法[J].武汉大学学报：信息科学版,2004,29(4):5.
[3]何赛灵,马腾飞.基于SfM和深度学习的高光谱三维重建系统及方法与应用:,CN114677474A[P].2022.
[4]张黎宁,周宇.SPOT5全色与多光谱图像融合方法研究[J].南京林业大学学报：自然科学版,2007,31(4):4。
优选地，在S200中，标注出三维模型上种植有植物的区域作为绿化区域的方法为：通过高光谱遥感影像的光谱反射特征以光谱反演法获取三维模型上各个位置对应的叶片含水率，以三维模型上所有位置的叶片含水率的平均值为AQ，以分水岭算法对三维模型进行划分为多个子区域，筛选出各个子区域中所有位置的叶片含水率的平均值大于AQ的子区域作为绿化区域。
优选地，在S200中，标注出三维模型上种植有植物的区域作为绿化区域的方法为：以人工在三维模型上标注出种植有植物的区域作为绿化区域。
其中，获取叶片含水率的方法为：通过高光谱遥感影像的光谱反射特征；采用单波段、差值型、比值型、归一化型这四类光谱指数模型构建反演模型，或者,利用人工神经网络模型技术建立反演模型，通过反演模型对高光谱遥感影像的反射光谱及一阶导数光谱进行全波段搜索分析获取叶片含水率。
其中，获取叶片含水率的方法为：通过中国专利公开号为：CN115443889A中的反演模型对高光谱遥感影像进行反演获取叶片含水率、或者中国专利公开号为：CN112577906A中的反演模型对高光谱遥感影像进行反演获取叶片含水率。
进一步地，在S300中，在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带的方法包括：
通过Delaunay三角剖分算法将三维模型剖分为多个三角形的子区域；获取各个绿化区域中的所有子区域中所有位置对应的叶片含水率；标记各个绿化区域中子区域的叶片含水率最高的子区域记为中心区域；(显然中心区域一般距离这个绿化区域灌溉水分最多的位置最近)；
依次对各个绿化区域中的子区域进行干旱异常趋势判断，具体如下：
以绿化区域的边缘上的各个角点中距离三维模型最高点最近的角点为MPB，以绿化区域的边缘上的各个角点中距离三维模型最低点最近的角点为MPC，以MPB到MPC的方向作为灌溉流向；将与中心区域相邻的各个子区域中最低点高于中心区域最高点的子区域记为上干旱导向块BlUp；将与中心区域相邻的各个子区域中最高点低于中心区域最低点的子区域记为下干旱导向块BlDown；其中，所述子区域中的最高点和最低点分别为距离三维模型最高点最近的点和距离三维模型最低点最近的点；
以通过BlUp的边缘上距离MPB最近的点Up1和BlDown的边缘上距离MPB最近的点Up2的直线为HighL；以通过BlUp的边缘上距离MPC最近的点Do1和BlDown的边缘上距离MPC最近的点Do2的直线为LowL；将HighL和LowL在绿化区域上的投影线HighLP和LowLP之间分割出的区域为干旱导向区域AridZone；以AridZone中子区域的叶片含水率最低的子区域记为起算区域；
从起算区域的位置开始，沿着灌溉流向的方向搜索绿化区域上在AridZone内部的各个子区域，当搜索的子区域不满足绿化异常条件时或者所述各个子区域全部搜索完毕时停止搜索，将停止前搜索到的各个子区域依次拼接为绿化异常带；
其中，绿化异常条件为：Mois(Are(i-1))＜Mois(Are(i))且Mois(Are(i))＞Mois(Are(i+1))，其中，Are(i)为从起算区域的位置开始沿着灌溉流向的方向搜索到的绿化区域上在AridZone内部的各个子区域中第i个子区域，i是序号；Mois()函数为取子区域的边缘上各点位置的叶片含水率的均值；(去边缘线上的叶片含水率的目的是为了判断相邻子区域之间的含水率的衔接性，相邻接的边缘线比较子区域内部的各个点而言衔接性更好判断)；
或者，绿化异常条件为：
Even(Are(i-1))≤Even(Are(i))≤Even(Are(i+1))；
其中，Even(Are(i))函数为取子区域Are(i)的异常含水值，Are(i)的异常含水值AbnM(i)的计算方法是：计算从第1个到i个子区域的叶片含水率的平均值，
(叶片含水率的均值有时候并不能表现出绿化异常的变化趋势，由于灌溉水是从上至下的流动，所以通过位置的灌溉上下游关系的上干旱导向块和下干旱导向块计算更加稳定能够体现出更加稳定叶片绿化异常的变化趋势，本申请提出了以下异常含水值的计算方法)；
或者，Are(i)的异常含水值AbnM(i)的计算方法是：
Figure BDA0004111555250000041
其中，AVi是第i个子区域的边缘上各点位置的叶片含水率的均值；Sum是从起算区域的位置开始沿着灌溉流向的方向搜索绿化区域上在AridZone内部的各个子区域的总数，j是变量，GA{BlUp,AVj}为上干旱导向块BlUp的叶片含水率和第j个子区域的边缘上各点位置的叶片含水率的均值AVj之间的差值；GA{BlDown,AVj}为下干旱导向块BlDown的叶片含水率和第j个子区域的边缘上各点位置的叶片含水率的均值AVj之间的差值；(其中，GA{BlUp,AVj}和GA{BlDown,AVj}能够准确的分别表现出第j个子区域的灌溉上游的子区域和灌溉下游的子区域之间和第j个子区域的含水率异常较大的差异值)。
其中，子区域的叶片含水率为子区域上的所有点的位置对应的叶片含水率的平均值。
有益效果：根据空间上相邻位置的叶片含水率变化的变化度能够准确的监控到叶片含水率在关键区域的细微的变化趋势，从遥感图像上能够准确的识别出绿化区域上即将导致向干旱转变的绿化异常带，绿化异常带是能够表现出各个绿化区域中导致损害植物的不可逆转的干旱风险的区域，极大提升了立体绿化建筑上的绿化异常带的预警准确性。
进一步地，在S400中，控制滴灌系统在绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌的方法包括：
记录绿化异常带所对应的绿化区域的中心区域的叶片含水率为SD；
或者，记录绿化异常带中叶片含水率最高的子区域的叶片含水率为SD；
开始对控制滴灌系统在绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌输水，当绿化异常带中的叶片含水率最低的子区域的叶片含水率大于SD时，停止对绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌输水。
由于立体绿化建筑上的各个绿化异常带有高低差异，高处(建筑顶部)的绿化异常带中水会流向低处(建筑底部)绿化异常带中，会导致靠近建筑顶部或高处的植物无水枯死，而建筑中下部的植物水多淹死等问题，因此需要按照高度对绿化异常带的滴灌输水进行递减输水，因此本申请提供了一个更优选的方案如下：
优选地，在S400中，控制滴灌系统在绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌的方法包括：
将所有的绿化异常带按照在三维模型上的高低从高到低进行排序后，构成序列ABr＝{abrk}，其中，abrk为序列ABr中第k个绿化异常带；序号k∈[1,S2]，S2为ABr中绿化异常带的数量；
依次将ABr中各个绿化异常带abrk进行路径连接获得滴灌路线域，具体的方法为：
在k的取值范围内遍历进行路径连接，路径连接具体为：将第k个绿化异常带abrk中叶片含水率最低的子区域为前连接区，将第k+1个绿化异常带abrk1+1中叶片含水率最低的子区域为后连接区；
以前连接区的边缘线上最高点为Z1，以后连接区的边缘线上最高点为Z2；以前连接区的边缘线上最低点为X1，以后连接区的边缘线上最低点为X2；以点Z1、X1、Z2、X2的连线构成的区域为abrk和abrk1+1之间的滴灌路线子域；其中，所述边缘线上最高点和边缘线上最低点分别为边缘线上的各点中距离三维模型最高点最近的点和距离三维模型最低点最近的点；
依次将各个滴灌路线子域拼接的得到滴灌路线域；取滴灌路线子域的数量为LINESUM，记录abrk的滴灌路线子域所对应的绿化区域的中心区域的叶片含水率为SD；或者，记录abrk的滴灌路线子域中叶片含水率最高的子区域的叶片含水率为SD；
在k的取值范围内，按照在立体绿化建筑上从高到低的顺序，开始对控制滴灌系统在abrk的滴灌路线子域在立体绿化建筑上对应区域中的滴头进行滴灌输水，当abrk的滴灌路线子域中的叶片含水率最低的子区域的叶片含水率大于SD时，停止对abrk的滴灌路线子域在立体绿化建筑上对应区域中的滴头进行滴灌输水；将SD的值更新为SD-(SD/LINESUM)；开始对控制滴灌系统在abrk1+1的滴灌路线子域在立体绿化建筑上对应区域中的滴头进行滴灌输水，当abrk1+1的滴灌路线子域中的叶片含水率最低的子区域的叶片含水率大于SD时，停止对abrk1+1的滴灌路线子域在立体绿化建筑上对应区域中的滴头进行滴灌输水。
有益效果：从高到低递减型供水，不仅能够极大的节约水资源，而且能够避免靠近建筑顶部或高处的植物无水枯死，而建筑中下部的植物水多淹死的问题。
本发明还提供了一种立体绿化遥感智能灌溉系统，所述一种立体绿化遥感智能灌溉系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种立体绿化遥感智能灌溉方法中的步骤，所述一种立体绿化遥感智能灌溉系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
模型标注单元，用于从不同角度获取立体绿化建筑的高光谱遥感影像；根据高光谱遥感影像进行三维重建获取立体绿化建筑的三维模型，标注出三维模型上种植有植物的区域作为绿化区域，获取各个绿化区域中的叶片含水率；
异常识别单元，用于在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带；
滴灌控制单元，用于控制滴灌系统在绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌。
本发明的有益效果为：本发明提供一种立体绿化遥感智能灌溉方法及系统，极大提升了立体绿化建筑上的绿化异常带的预警准确性，从高到低递减型供水，不仅能够极大的节约水资源，而且能够避免靠近建筑顶部或高处的植物无水枯死，而建筑中下部的植物水多淹死、植物烂根的问题。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅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，在附图中：
图1所示为一种立体绿化遥感智能灌溉方法的流程图；
图2所示为一种立体绿化遥感智能灌溉系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。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。
如图1所示为一种立体绿化遥感智能灌溉方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种立体绿化遥感智能灌溉方法，所述方法包括以下步骤：
S100，在立体绿化建筑中种植有植物的区域中的不同位置设置多组的管路、增压泵、滴灌管、滴头及电磁阀构成滴灌系统；
S200，从不同角度获取立体绿化建筑的高光谱遥感影像；根据高光谱遥感影像进行三维重建获取立体绿化建筑的三维模型，标注出三维模型上种植有植物的区域作为绿化区域，获取各个绿化区域中的叶片含水率；
S300，在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带；
S400，控制滴灌系统在绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌。
进一步地，在S100中，立体绿化建筑是直接攀附式绿化建筑、格架式绿化建筑、合栽式绿化建筑、垂挂式绿化建筑、嵌合式绿化建筑或者直立式绿化建筑中的任意一种绿化建筑。
进一步地，在S200中，从不同角度获取立体绿化建筑的高光谱遥感影像的方法为：通过张正友标定法对无人机上载有的高光谱相机进行标定，以无人机获取场景对象不同视角、位置的高光谱遥感影像。
优选地，在S200中，根据高光谱遥感影像进行三维重建获取立体绿化建筑的三维模型为以下参考文献中的方法中的任意一种：
[1]邹松.基于三维重建的无人机高光谱影像拼接研究[D].中国科学院大学.
[2]李均力,贾永红.基于分辨率退化模型的全色和多光谱遥感影像融合方法[J].武汉大学学报：信息科学版,2004,29(4):5.
[3]何赛灵,马腾飞.基于SfM和深度学习的高光谱三维重建系统及方法与应用:,CN114677474A[P].2022.
[4]张黎宁,周宇.SPOT5全色与多光谱图像融合方法研究[J].南京林业大学学报：自然科学版,2007,31(4):4。
优选地，在S200中，标注出三维模型上种植有植物的区域作为绿化区域的方法为：通过高光谱遥感影像的光谱反射特征以光谱反演法获取三维模型上各个位置对应的叶片含水率，以三维模型上所有位置的叶片含水率的平均值为AQ，以分水岭算法对三维模型进行划分为多个子区域，筛选出各个子区域中所有位置的叶片含水率的平均值大于AQ的子区域作为绿化区域。
优选地，在S200中，标注出三维模型上种植有植物的区域作为绿化区域的方法为：以人工在三维模型上标注出种植有植物的区域作为绿化区域。
其中，获取叶片含水率的方法为：通过高光谱遥感影像的光谱反射特征；采用单波段、差值型、比值型、归一化型这四类光谱指数模型构建反演模型，或者,利用人工神经网络模型技术建立反演模型，通过反演模型对高光谱遥感影像的反射光谱及一阶导数光谱进行全波段搜索分析获取叶片含水率。
其中，获取叶片含水率的方法为：通过中国专利公开号为：CN115443889A中的反演模型对高光谱遥感影像进行反演获取叶片含水率、或者中国专利公开号为：CN112577906A中的反演模型对高光谱遥感影像进行反演获取叶片含水率。
进一步地，在S300中，在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带的方法包括：
通过Delaunay三角剖分算法将三维模型剖分为多个三角形的子区域；获取各个绿化区域中的所有子区域中所有位置对应的叶片含水率；标记各个绿化区域中子区域的叶片含水率最高的子区域记为中心区域；(显然中心区域一般距离这个绿化区域灌溉水分最多的位置最近)；
依次对各个绿化区域中的子区域进行干旱异常趋势判断，具体如下：
以绿化区域的边缘上的各个角点中距离三维模型最高点最近的角点为MPB，以绿化区域的边缘上的各个角点中距离三维模型最低点最近的角点为MPC，以MPB到MPC的方向作为灌溉流向；将与中心区域相邻的各个子区域中最低点高于中心区域最高点的子区域记为上干旱导向块BlUp；将与中心区域相邻的各个子区域中最高点低于中心区域最低点的子区域记为下干旱导向块BlDown；
以通过BlUp的边缘上距离MPB最近的点Up1和BlDown的边缘上距离MPB最近的点Up2的直线为HighL；以通过BlUp的边缘上距离MPC最近的点Do1和BlDown的边缘上距离MPC最近的点Do2的直线为LowL；将HighL和LowL在绿化区域上的投影线HighLP和LowLP之间分割出的区域为干旱导向区域AridZone；以AridZone中子区域的叶片含水率最低的子区域记为起算区域；
从起算区域的位置开始，沿着灌溉流向的方向搜索绿化区域上在AridZone内部的各个子区域，当搜索的子区域不满足绿化异常条件时或者所述各个子区域全部搜索完毕时停止搜索，将停止前搜索到的各个子区域依次拼接为绿化异常带；
其中，绿化异常条件为：Mois(Are(i-1))＜Mois(Are(i))且Mois(Are(i))＞Mois(Are(i+1))，其中，Are(i)为从起算区域的位置开始沿着灌溉流向的方向搜索到的绿化区域上在AridZone内部的各个子区域中第i个子区域，i是序号；Mois()函数为取子区域的边缘上各点位置的叶片含水率的均值；(去边缘线上的叶片含水率的目的是为了判断相邻子区域之间的含水率的衔接性，相邻接的边缘线比较子区域内部的各个点而言衔接性更好判断)；
或者，绿化异常条件为：
Even(Are(i-1))≤Even(Are(i))≤Even(Are(i+1))；
其中，Even(Are(i))函数为取子区域Are(i)的异常含水值，Are(i)的异常含水值AbnM(i)的计算方法是：计算从第1个到i个子区域的叶片含水率的平均值，
(叶片含水率的均值有时候并不能表现出绿化异常的变化趋势，由于灌溉水是从上至下的流动，所以通过位置的灌溉上下游关系的上干旱导向块和下干旱导向块计算更加稳定能够体现出更加稳定叶片绿化异常的变化趋势，本申请提出了以下异常含水值的计算方法)；
或者，Are(i)的异常含水值AbnM(i)的计算方法是：
Figure BDA0004111555250000081
其中，AVi是第i个子区域的边缘上各点位置的叶片含水率的均值；Sum是从起算区域的位置开始沿着灌溉流向的方向搜索绿化区域上在AridZone内部的各个子区域的总数，j是变量，GA{BlUp,AVj}为上干旱导向块BlUp的叶片含水率和第j个子区域的边缘上各点位置的叶片含水率的均值AVj之间的差值；GA{BlDown,AVj}为下干旱导向块BlDown的叶片含水率和第j个子区域的边缘上各点位置的叶片含水率的均值AVj之间的差值；(其中，GA{BlUp,AVj}和GA{BlDown,AVj}能够准确的分别表现出第j个子区域的灌溉上游的子区域和灌溉下游的子区域之间和第j个子区域的含水率异常较大的差异值)。
其中，子区域的叶片含水率为子区域上的所有点的位置对应的叶片含水率的平均值。
有益效果：根据空间上相邻位置的叶片含水率变化的变化度能够准确的监控到叶片含水率在关键区域的细微的变化趋势，从遥感图像上能够准确的识别出绿化区域上即将导致向干旱转变的绿化异常带，绿化异常带是能够表现出各个绿化区域中导致损害植物的不可逆转的干旱风险的区域，极大提升了立体绿化建筑上的绿化异常带的预警准确性。
进一步地，在S400中，控制滴灌系统在绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌的方法包括：
记录绿化异常带所对应的绿化区域的中心区域的叶片含水率为SD；
或者，记录绿化异常带中叶片含水率最高的子区域的叶片含水率为SD；
开始对控制滴灌系统在绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌输水，当绿化异常带中的叶片含水率最低的子区域的叶片含水率大于SD时，停止对绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌输水。
由于立体绿化建筑上的各个绿化异常带有高低差异，高处(建筑顶部)的绿化异常带中水会流向低处(建筑底部)绿化异常带中，会导致靠近建筑顶部或高处的植物无水枯死，而建筑中下部的植物水多淹死等问题，因此需要按照高度对绿化异常带的滴灌输水进行递减输水，因此本申请提供了一个更优选的方案如下：
优选地，在S400中，控制滴灌系统在绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌的方法包括：
将所有的绿化异常带按照在三维模型上高低从高到低进行排序后，构成序列ABr＝{abrk}，其中，abrk为序列ABr中第k个绿化异常带；k∈[1,S2]，S2为ABr中绿化异常带的数量；将子区域内所有的像素点位置对应的叶片含水率的平均值缩写为子区域的叶片含水率；
依次将ABr中各个绿化异常带abrk进行路径连接获得滴灌路线域，具体的方法为：
在k的取值范围内遍历进行路径连接,路径连接具体为：将第k个绿化异常带abrk中叶片含水率最低的子区域为前连接区，将第k+1个绿化异常带abrk1+1中叶片含水率最低的子区域为后连接区；
以前连接区的边缘线上最高点为Z1，以后连接区的边缘线上最高点为Z2；以前连接区的边缘线上最低点为X1，以后连接区的边缘线上最低点为X2；以点Z1、X1、Z2、X2的连线构成的区域为abrk和abrk1+1之间的滴灌路线子域；其中，所述边缘线上最高点和边缘线上最低点分别为边缘线上的各点中距离三维模型最高点最近的点和距离三维模型最低点最近的点；
依次将各个滴灌路线子域拼接的得到滴灌路线域；取滴灌路线子域的数量为LINESUM，记录abrk的滴灌路线子域所对应的绿化区域的中心区域的叶片含水率为SD；或者，记录abrk的滴灌路线子域中叶片含水率最高的子区域的叶片含水率为SD；
在k的取值范围内，按照在立体绿化建筑上从高到低的顺序，开始对控制滴灌系统在abrk的滴灌路线子域在立体绿化建筑上对应区域中的滴头进行滴灌输水，当abrk的滴灌路线子域中的叶片含水率最低的子区域的叶片含水率大于SD时，停止对abrk的滴灌路线子域在立体绿化建筑上对应区域中的滴头进行滴灌输水；将SD的值更新为SD-(SD/LINESUM)；开始对控制滴灌系统在abrk1+1的滴灌路线子域在立体绿化建筑上对应区域中的滴头进行滴灌输水，当abrk1+1的滴灌路线子域中的叶片含水率最低的子区域的叶片含水率大于SD时，停止对abrk1+1的滴灌路线子域在立体绿化建筑上对应区域中的滴头进行滴灌输水。
有益效果：从高到低递减型供水，不仅能够极大的节约水资源，而且能够避免靠近建筑顶部或高处的植物无水枯死，而建筑中下部的植物水多淹死的问题。
其中，在立体绿化建筑中种植有植物的区域所种植的植物种植于无纺布制成的容器中，种植的基质为草炭土与珍珠岩，所述植物为紫藤、葡萄、爬藤蔷薇、木香、金银花、木通、海棠、菊花、桂花、常春藤中任意一种或多种的组合。
本发明的实施例提供的一种立体绿化遥感智能灌溉系统，如图2所示为本发明的一种立体绿化遥感智能灌溉系统结构图，该实施例的一种立体绿化遥感智能灌溉系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种立体绿化遥感智能灌溉系统实施例中的步骤。
所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
模型标注单元，用于从不同角度获取立体绿化建筑的高光谱遥感影像；根据高光谱遥感影像进行三维重建获取立体绿化建筑的三维模型，标注出三维模型上种植有植物的区域作为绿化区域，获取各个绿化区域中的叶片含水率；
异常识别单元，用于在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带；
滴灌控制单元，用于控制滴灌系统在绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌。
所述一种立体绿化遥感智能灌溉系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种立体绿化遥感智能灌溉系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种立体绿化遥感智能灌溉系统的示例，并不构成对一种立体绿化遥感智能灌溉系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种立体绿化遥感智能灌溉系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种立体绿化遥感智能灌溉系统运行系统的控制中心，利用各种接口和线路连接整个一种立体绿化遥感智能灌溉系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种立体绿化遥感智能灌溉系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。

Claims (8)

1.一种立体绿化遥感智能灌溉方法，其特征在于，所述方法包括以下步骤：
S100，在立体绿化建筑中种植有植物的区域中的不同位置设置多组的管路、增压泵、滴灌管、滴头及电磁阀构成滴灌系统；
S200，从不同角度获取立体绿化建筑的高光谱遥感影像；根据高光谱遥感影像进行三维重建获取立体绿化建筑的三维模型，标注出三维模型上种植有植物的区域作为绿化区域，获取各个绿化区域中的叶片含水率；
S300，在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带；
S400，控制滴灌系统在绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌。
2.根据权利要求1所述的一种立体绿化遥感智能灌溉方法，其特征在于，在S100中，立体绿化建筑是直接攀附式绿化建筑、格架式绿化建筑、合栽式绿化建筑、垂挂式绿化建筑、嵌合式绿化建筑或者直立式绿化建筑中的任意一种绿化建筑。
3.根据权利要求1所述的一种立体绿化遥感智能灌溉方法，其特征在于，在S200中，从不同角度获取立体绿化建筑的高光谱遥感影像的方法为：通过张正友标定法对无人机上载有的高光谱相机进行标定，以无人机获取场景对象不同视角、位置的高光谱遥感影像。
4.根据权利要求1所述的一种立体绿化遥感智能灌溉方法，其特征在于，在S300中，在三维模型上的各个绿化区域中识别出叶片含水率异常的绿化异常带的方法包括：
通过Delaunay三角剖分算法将三维模型剖分为多个三角形的子区域；获取各个绿化区域中的所有子区域中所有位置对应的叶片含水率；标记各个绿化区域中子区域的叶片含水率最高的子区域记为中心区域；
依次对各个绿化区域中的子区域进行干旱异常趋势判断，具体如下：
以绿化区域的边缘上的各个角点中距离三维模型最高点最近的角点为MPB，以绿化区域的边缘上的各个角点中距离三维模型最低点最近的角点为MPC，以MPB到MPC的方向作为灌溉流向；将与中心区域相邻的各个子区域中最低点高于中心区域最高点的子区域记为上干旱导向块BlUp；将与中心区域相邻的各个子区域中最高点低于中心区域最低点的子区域记为下干旱导向块BlDown；
以通过BlUp的边缘上距离MPB最近的点Up1和BlDown的边缘上距离MPB最近的点Up2的直线为HighL；以通过BlUp的边缘上距离MPC最近的点Do1和BlDown的边缘上距离MPC最近的点Do2的直线为LowL；将HighL和LowL在绿化区域上的投影线HighLP和LowLP之间分割出的区域为干旱导向区域AridZone；以AridZone中子区域的叶片含水率最低的子区域记为起算区域；从起算区域的位置开始，沿着灌溉流向的方向搜索绿化区域上在AridZone内部的各个子区域，当搜索的子区域不满足绿化异常条件时或者所述各个子区域全部搜索完毕时停止搜索，将停止前搜索到的各个子区域依次拼接为绿化异常带；
其中，绿化异常条件为：Mois(Are(i-1))＜Mois(Are(i))且Mois(Are(i))＞Mois(Are(i+1))，其中，Are(i)为从起算区域的位置开始沿着灌溉流向的方向搜索到的绿化区域上在AridZone内部的各个子区域中第i个子区域，i是序号；Mois()函数为取子区域的边缘上各点位置的叶片含水率的均值，其中，子区域的叶片含水率为子区域上的所有点的位置对应的叶片含水率的平均值。
5.根据权利要求4所述的一种立体绿化遥感智能灌溉方法，其特征在于，或者，绿化异常条件为：Even(Are(i-1))≤Even(Are(i))≤Even(Are(i+1))；
其中，Even(Are(i))函数为取子区域Are(i)的异常含水值，Are(i)的异常含水值AbnM(i)的计算方法是：计算从第1个到i个子区域的叶片含水率的平均值。
6.根据权利要求5所述的一种立体绿化遥感智能灌溉方法，其特征在于，Are(i)的异常含水值AbnM(i)的计算方法是：
Figure FDA0004111555220000021
其中，AVi是第i个子区域的边缘上各点位置的叶片含水率的均值；Sum是从起算区域的位置开始沿着灌溉流向的方向搜索绿化区域上在AridZone内部的各个子区域的总数，j是变量，GA{BlUp,AVj}为上干旱导向块BlUp的叶片含水率和第j个子区域的边缘上各点位置的叶片含水率的均值AVj之间的差值；GA{BlDown,AVj}为下干旱导向块BlDown的叶片含水率和第j个子区域的边缘上各点位置的叶片含水率的均值AVj之间的差值。
7.根据权利要求4所述的一种立体绿化遥感智能灌溉方法，其特征在于，在S400中，控制滴灌系统在绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌的方法包括：
记录绿化异常带所对应的绿化区域的中心区域的叶片含水率为SD；
开始对控制滴灌系统在绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌输水，当绿化异常带中的叶片含水率最低的子区域的叶片含水率大于SD时，停止对绿化异常带在立体绿化建筑上对应区域中的滴头进行滴灌输水。
8.一种立体绿化遥感智能灌溉系统，其特征在于，所述一种立体绿化遥感智能灌溉系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1到7中的任意一种所述的一种立体绿化遥感智能灌溉方法中的步骤，所述一种立体绿化遥感智能灌溉系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心的计算设备中。
CN202310207790.XA 2023-03-06 2023-03-06 一种立体绿化遥感智能灌溉方法及系统 Active CN116210571B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310207790.XA CN116210571B (zh) 2023-03-06 2023-03-06 一种立体绿化遥感智能灌溉方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310207790.XA CN116210571B (zh) 2023-03-06 2023-03-06 一种立体绿化遥感智能灌溉方法及系统

Publications (2)

Publication Number Publication Date
CN116210571A true CN116210571A (zh) 2023-06-06
CN116210571B CN116210571B (zh) 2023-10-20

Family

ID=86582100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310207790.XA Active CN116210571B (zh) 2023-03-06 2023-03-06 一种立体绿化遥感智能灌溉方法及系统

Country Status (1)

Country Link
CN (1) CN116210571B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116863998A (zh) * 2023-06-21 2023-10-10 扬州大学 一种基于遗传算法的全基因组预测方法及其应用

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005073641A (ja) * 2003-09-02 2005-03-24 Asahi Kasei Homes Kk 給水方法及び人工緑地
CN204994370U (zh) * 2015-09-07 2016-01-27 深圳风会云合生态环境有限公司 一种用于立体绿化的滴灌系统
KR20180135204A (ko) * 2017-06-12 2018-12-20 건국대학교 산학협력단 위성영상과 커뮤니티 맵핑을 이용한 옥상녹화 모니터링 시스템 및 방법
CN112669363A (zh) * 2020-11-18 2021-04-16 上海市园林科学规划研究院 城市绿地三维绿量测算方法
WO2021077847A1 (zh) * 2019-10-23 2021-04-29 北京建筑大学 一种基于高分遥感影像的海水污染区域识别方法和设备
CN112906477A (zh) * 2021-01-21 2021-06-04 中国农业科学院农田灌溉研究所 一种基于无人机光谱数据的灌溉处方图反演方法
CN114418040A (zh) * 2022-03-31 2022-04-29 山东鹤鹏技术有限公司 一种园林绿化养护监测及预警的方法与系统
CN114677474A (zh) * 2022-03-14 2022-06-28 浙江大学 基于SfM和深度学习的高光谱三维重建系统及方法与应用
CN115443889A (zh) * 2022-08-24 2022-12-09 中国农业大学 作物精准灌溉方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005073641A (ja) * 2003-09-02 2005-03-24 Asahi Kasei Homes Kk 給水方法及び人工緑地
CN204994370U (zh) * 2015-09-07 2016-01-27 深圳风会云合生态环境有限公司 一种用于立体绿化的滴灌系统
KR20180135204A (ko) * 2017-06-12 2018-12-20 건국대학교 산학협력단 위성영상과 커뮤니티 맵핑을 이용한 옥상녹화 모니터링 시스템 및 방법
WO2021077847A1 (zh) * 2019-10-23 2021-04-29 北京建筑大学 一种基于高分遥感影像的海水污染区域识别方法和设备
CN112669363A (zh) * 2020-11-18 2021-04-16 上海市园林科学规划研究院 城市绿地三维绿量测算方法
CN112906477A (zh) * 2021-01-21 2021-06-04 中国农业科学院农田灌溉研究所 一种基于无人机光谱数据的灌溉处方图反演方法
CN114677474A (zh) * 2022-03-14 2022-06-28 浙江大学 基于SfM和深度学习的高光谱三维重建系统及方法与应用
CN114418040A (zh) * 2022-03-31 2022-04-29 山东鹤鹏技术有限公司 一种园林绿化养护监测及预警的方法与系统
CN115443889A (zh) * 2022-08-24 2022-12-09 中国农业大学 作物精准灌溉方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116863998A (zh) * 2023-06-21 2023-10-10 扬州大学 一种基于遗传算法的全基因组预测方法及其应用
CN116863998B (zh) * 2023-06-21 2024-04-05 扬州大学 一种基于遗传算法的全基因组预测方法及其应用

Also Published As

Publication number Publication date
CN116210571B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
Gai et al. A detection algorithm for cherry fruits based on the improved YOLO-v4 model
Li et al. A high-precision detection method of hydroponic lettuce seedlings status based on improved Faster RCNN
CN116210571B (zh) 一种立体绿化遥感智能灌溉方法及系统
AU2016369263B2 (en) Cloud detection on remote sensing imagery
US20150302305A1 (en) Generating an agriculture prescription
Li et al. Lightweight detection networks for tea bud on complex agricultural environment via improved YOLO v4
CN113229124B (zh) 一种智慧园林监测管理方法及系统
CN102789579A (zh) 基于计算机视觉技术的温室作物水肥胁迫状态识别方法
CN116012720B (zh) 基于高分遥感影像的农作物长势监测方法、设备及介质
Li et al. Multi-class detection of kiwifruit flower and its distribution identification in orchard based on YOLOv5l and Euclidean distance
Díaz et al. Grapevine buds detection and localization in 3D space based on structure from motion and 2D image classification
Zhang et al. An improved YOLO network for unopened cotton boll detection in the field
Gallinucci et al. A hybrid architecture for tactical and strategic precision agriculture
CN107465712A (zh) 一种基于农作物生长度日数据与生长状态图像的人工智能管理方法
Suo et al. A novel labeling strategy to improve apple seedling segmentation using BlendMask for online grading
Song et al. Recognition of sunflower growth period based on deep learning from UAV remote sensing images
CN116403154B (zh) 一种园林景观组合式立体绿化异常智能监控方法及系统
AU2016277672A1 (en) Method of selecting an ordered image subset for structure assessment
Bao et al. Forecasting spring maize yield using vegetation indices and crop phenology metrics from UAV observations
Rao et al. Practical deployment of an in-field wireless sensor network in date palm orchard
CN111754060A (zh) 变量施肥方法、装置、电子设备及存储介质
Chen et al. Improvement of the agricultural effective rainfall for irrigating rice using the optimal clustering model of rainfall station network
Smith et al. Lichen communities as climate indicators in the US Pacific States
CN108804854A (zh) 一种果树机械修枝的树体结构参数估计方法及其系统
CN115359072A (zh) 用于农业区域的划分方法、存储介质及处理器

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