CN116934516A - 用于处理农业区域数据的服务平台、存储介质及处理器 - Google Patents
用于处理农业区域数据的服务平台、存储介质及处理器 Download PDFInfo
- Publication number
- CN116934516A CN116934516A CN202310750039.4A CN202310750039A CN116934516A CN 116934516 A CN116934516 A CN 116934516A CN 202310750039 A CN202310750039 A CN 202310750039A CN 116934516 A CN116934516 A CN 116934516A
- Authority
- CN
- China
- Prior art keywords
- data
- growth
- crop
- agricultural area
- crop variety
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 230000012010 growth Effects 0.000 claims abstract description 165
- 238000007405 data analysis Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 29
- 238000003672 processing method Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 8
- 239000002028 Biomass Substances 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 description 43
- 238000010586 diagram Methods 0.000 description 17
- 241000209094 Oryza Species 0.000 description 14
- 235000007164 Oryza sativa Nutrition 0.000 description 14
- 235000009566 rice Nutrition 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000002354 daily effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 240000002582 Oryza sativa Indica Group Species 0.000 description 1
- 240000008467 Oryza sativa Japonica Group Species 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Remote Sensing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种用于处理农业区域数据的服务平台、存储介质及处理器。包括:数据采集模块,获取农业区域在预设时间段内的遥感多光谱数据、温度数据以及农业区域内的作物信息,作物信息包括作物品种、每个作物品种的栽插方式和种植时间;数据处理模块,根据温度数据和全部作物品种的种植时间确定农业区域在预设时间段内的累计积温,根据每个作物品种和其栽插方式确定与每个作物品种对应的预设标准积温曲线方程;数据分析模块,根据累计积温和预设标积温曲线方程确定每个作物品种的标准长势指标值,根据遥感多光谱数据确定实际长势指标值,以确定每个作物品种的长势等级;数据发布模块,根据长势等级生成与农业区域对应的彩色地图并发布。
Description
技术领域
本申请涉及农业技术领域,具体涉及一种用于处理农业区域数据的服务平台、农业区域数据的处理方法、存储介质及处理器。
背景技术
在智慧农业中,GIS作为地理信息服务能够对智慧农业起到至关重要的作用,GIS提供了农业遥感监测和数据分析的能力,实现了全流程的、更直观的查看农作物种植、生长、肥力等,通过遥感实现对长势较差的区域自动预警。遥感影像数据特点是文件大、文件多、流程繁杂,随着后续处理的数据量、解析算法的不断增加,现有农场在作物种植的不同时期都需要进行大量的遥感影像数据解析、处理和发布,随着大面积推广,光靠人工处理已经没办法支撑业务,导致严重的遥感服务滞后问题。
现有的GIS服务平台,是在服务端用来手动发布已解析、已处理完成的地图空间矢量数据和遥感影像数据,不能自动生成农作物的长势影像服务,依旧需要经过手动先解析影像,通过影像提取、长势分析和地块裁剪,最后发布到地图引擎形成地图服务。不利于服务于大面积的智慧农场,从数据到服务发布经常滞后的问题,导致农场或者农户经常不能实时的掌握农作物监测情况,无法对长势进行自动识别和预警。
发明内容
本申请实施例的目的是提供一种用于处理农业区域数据的服务平台、农业区域数据的处理方法、存储介质及处理器。
为了实现上述目的,本申请第一方面提供一种用于处理农业区域数据的服务平台,包括:
数据采集模块,用于获取农业区域在预设时间段内的遥感多光谱数据、温度数据以及农业区域内的作物信息,并将作物信息、遥感多光谱数据以及温度数据传输至数据处理模块和数据分析模块,其中,作物信息包括作物品种、每个作物品种的栽插方式和种植时间;
数据处理模块,用于根据温度数据和全部作物品种的种植时间确定农业区域在预设时间段内的累计积温,根据每个作物品种和该作物品种的栽插方式确定与每个作物品种对应的预设标准积温曲线方程;
数据分析模块,用于根据累计积温和每个作物品种的预设标准积温曲线方程确定每个作物品种在预设时间段内的标准长势指标值,根据遥感多光谱数据确定每个作物品种在预设时间段内的实际长势指标值,根据实际长势指标值与标准长势指标值确定每个作物品种的长势等级;
数据发布模块,用于根据每个作物品种的长势等级生成与农业区域对应的彩色地图,并将彩色地图进行发布。
在一个实施例中,数据采集模块还用于获取农业区域的边界数据,并将边界数据传输至数据处理模块和数据分析模块。
在一个实施例中,数据处理模块还用于将边界数据进行投影转换,以得到与遥感多光谱数据的参数对应的农业区域的坐标数据。
在一个实施例中,每个作物品种的长势等级包括长势旺盛、长势正常以及长势差中的至少一者,数据分析模块还用于提取长势等级为长势差的作物品种的坐标数据。
在一个实施例中,数据发布模块还用于在彩色地图上标记长势等级为长势差的作物品种对应的坐标数据。
本申请第二方面提供一种用于农业区域数据的处理方法,处理方法包括:
获取农业区域在预设时间段内的遥感多光谱数据、温度数据以及农业区域内的作物信息,其中,作物信息包括作物品种、每个作物品种的栽插方式和种植时间;
根据温度数据和全部作物品种的种植时间确定农业区域在预设时间段内的累计积温;
根据每个作物品种和该作物品种的栽插方式确定与每个作物品种对应的预设标准积温曲线方程;
根据累计积温和每个作物品种的预设标准积温曲线方程确定每个作物品种在预设时间段内的标准长势指标值,并根据遥感多光谱数据确定每个作物品种在预设时间段内的实际长势指标值;
根据实际长势指标值与标准长势指标值确定每个作物品种的长势等级,以得到农业区域在预设时间段内的长势数据。
在一个实施例中,每个作物品种的长势等级包括长势旺盛、长势正常以及长势差中的至少一者,处理方法还包括:获取农业区域的边界数据;将边界数据进行投影转换,以得到与遥感多光谱数据的参数对应的农业区域的坐标数据;根据农业区域的坐标数据确定长势等级为长势差的作物品种的坐标数据。
在一个实施例中,实际长势指标值包括植被指数、叶面积指数以及生物量,根据遥感多光谱数据确定每个作物品种在预设时间段内的实际长势指标值包括:根据遥感多光谱数据和预设遥感植被指数模型确定每个作物品种在预设时间段内的植被指数、叶面积指数以及生物量。
本申请第三方面提供一种处理器,被配置成执行上述的用于农业区域数据的处理方法。
本申请第四方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令在被处理器执行时使得所述处理器被配置成执行上述的用于农业区域数据的处理方法。
通过上述技术方案,实现了遥感影像数据的自动批量采集、解析,并将处理后的遥感影像数据自动发布成直观分辨作物品种长势的标准彩色地图服务,不仅能够方便用户实时的掌握农作物监测情况,对长势进行自动识别和预警,一定程度上减少农业损失,还能大幅度减少人工的依赖,实现全程自动化。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了根据本申请实施例的用于处理农业区域数据的服务平台的结构框图;
图2示意性示出了根据本申请实施例的数据发布模块自动分区算法流程的示意图;
图3示意性示出了根据本申请实施例的彩色地图的示意图;
图4示意性示出了根据本申请实施例的GIS服务平台的技术架构图;
图5示意性示出了根据本申请实施例的用于农业区域数据的处理方法的应用环境示意图;
图6示意性示出了根据本申请实施例的用于农业区域数据的处理方法的流程示意图;
图7示意性示出了根据本申请实施例的遥感长势分析计算的流程示意图;
图8示意性示出了根据本申请实施例的计算机设备的内部结构图。
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,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的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。
如图1所示,在本申请一实施例中,提供了一种用于处理农业区域数据的服务平台,包括:
数据采集模块110,用于获取农业区域在预设时间段内的遥感多光谱数据、温度数据以及农业区域内的作物信息,并将作物信息、遥感多光谱数据以及温度数据传输至数据处理模块120和数据分析模块130,其中,作物信息包括作物品种、每个作物品种的栽插方式和种植时间;
数据处理模块120,用于根据温度数据和全部作物品种的种植时间确定农业区域在预设时间段内的累计积温,根据每个作物品种和该作物品种的栽插方式确定与每个作物品种对应的预设标准积温曲线方程;
数据分析模块130,用于根据累计积温和每个作物品种的预设标准积温曲线方程确定每个作物品种在预设时间段内的标准长势指标值,根据遥感多光谱数据确定每个作物品种在预设时间段内的实际长势指标值,根据实际长势指标值与标准长势指标值确定每个作物品种的长势等级;
数据发布模块140,用于根据每个作物品种的长势等级生成与农业区域对应的彩色地图,并将彩色地图进行发布。
本技术方案基于GIS、遥感以及大数据的理念设计了基于GIS的服务平台。其中,GIS是指地理信息系统,它是一种特定的十分重要的空间信息系统。在计算机硬、软件系统支持下,GIS是对整个或部分地球表层(包括大气层)空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述的技术系统。本技术方案中基于GIS的服务平台包括四个模块,批量采集遥感数据,并批量解析后形成标准的WMS服务进行发布。四个模块分别为数据采集模块110、数据处理模块120、数据分析模块130以及数据发布模块140。
进一步地,数据采集模块110批量获取农业区域在预设时间段内的遥感多光谱数据、温度数据以及农业区域内的作物信息,作物信息包括作物品种、每个作物品种的栽插方式和种植时间。其中,遥感多光谱又叫遥感多波段,是指对地物辐射中多个单波段的摄取。得到的影象数据中会有多个波段的光谱信息,对各个不同的波段分别赋予RGB颜色将得到彩色影象。例如,将R,G,B分别赋予R,G,B三个波段的光谱信息,合成将得到模拟真彩色图象。在本技术方案中,获取到的遥感多光谱数据可以通过卫星和无人机进行采集。作物,是指农业的农作物,如水稻,小麦等。栽插方式是指栽培方式,例如,水稻的栽插方式通常包括直播、插秧和抛秧。预设时间段可结合实际需求进行设置,温度数据为农业区域在预设时间段内的实时温度数据,包括每日的最高温和最低温。数据采集模块110在批量获取到遥感多光谱数据、温度数据以及农业区域内的作物信息之后,将数据传输至数据处理模块120和数据分析模块130进行后续处理。
进一步地,数据处理模块120对数据采集模块110传输的数据进行预处理,具体地,根据温度数据和全部作物品种的种植时间确定农业区域在预设时间段内的累计积温。其中,累计积温是指将预设时间段内的每日平均温度进行累加得到的温度。例如,选取农田内栽种方式为插秧的水稻,该水稻从播种至当下的存活时长为三个月,根据三个月内的温度数据先计算农田每日的平均温度,再将每日的平均温度累计相加即可得到该农田在三个月内的累计积温。同时,数据处理模块120根据每个作物品种和该作物品种的栽插方式确定与每个作物品种对应的预设标准积温曲线方程。在本技术方案中,预设标准积温曲线方程是由用户结合大量的实际农业生产种植经验总结归纳出的与作物品种相关的曲线方程。针对预设时间段,数据分析模块130将农业区域的累计积温代入每个作物品种的预设标准积温曲线方程中之后,即可得到每个作物品种的标准长势指标值,对获取到的遥感多光谱数据进行计算即可得到每个作物品种的实际长势指标值。数据分析模块130在分别计算出每个作物品种的标准长势指标值和实际长势指标值后,将每个作物品种的实际长势指标值与标准长势指标值进行比较,分析两者之间的差值大小即可得出农业区域内每一个作物品种的长势好坏等级。
进一步地,在数据分析模块130分析出农业区域内每一个作物品种的长势等级之后,数据发布模块140根据作物品种的长势等级生成与长势对应的TIFF数据格式的灰白地图,再通过RGB彩色渲染后按照预设颜色生成对应的彩色地图,然后由服务平台将分析结果数据发布到Geoserver引擎中,形成标准的WMS服务。其中,WMS服务是指标准地图服务,TIFF是指标签图像文件格式,是一种灵活的位图格式,主要用来存储包括照片和艺术图等在内的图像。具体地,数据发布模块130根据长势分析计算数据生成的农业区域的长势地图是灰白的TIFF数据,需要经过RGB彩色渲染后才能按照预设的颜色系生成彩色地图。该过程中将计算得到的每个作物品种的长势结果批量进行RGB彩色渲染处理,即根据特定的RGB彩色映射表,将单波段影像的长势结果渲染处理成三波段的彩色影像。在进行长势分析的过程中,会自动调用遥感自动分区算法对长势分析结果进行长势异常区域的提取,然后将提取的长势分区边界SHP数据和长势分析结果影像一同上传到服务平台数据库进行存储,然后由服务平台将分析结果数据进行发布,形成标准的WMS服务。
进一步地,对于批量采集的遥感数据会优先进行容错处理。具体地,遥感长势分析过程中会对输入的遥感卫星数据与农业区域的边界数据进行处理后的情况分析判断,主要包括:所有输入的遥感卫星数据是否都已经处理,是否存在数据重复的卫星影像,是否有缺失对应农场边界数据的影像,所有输入的农场边界数据是否都有对应的遥感卫星数据,缺失遥感卫星影像的农场边界数据名单(即未进行长势分析的农场名单)。
进一步地,如图2所示,提供了一种GIS服务平台的技术架构图。在本技术方案中,服务平台可以是由服务、支撑、存储以及处理四大模块构成的GIS平台。针对GIS平台,服务模块包括数据服务、基础服务以及定制服务,其中,服务模块用于批量遥感影像采集,对于采集到的遥感影像数据进一步加工的数据处理服务和数据发布服务,将遥感数据以标准WMS服务发布之后,用户可以通过数据查询服务、地图浏览服务以及数据编辑服务在线对指定农业区域的进行查询浏览。基础服务包括空间分析服务、专题图制作、地图服务管理、日志服务、地图服务、影像分析服务以及配置管理。定制服务包括API和服务接口,用于为应用程序编程提供接口。支撑模块包括空间分析引擎、空间数据以及服务管理,用于在高性能网络计算环境下,将GIS平台内大量或海量信息资源通过计算整合成一个可互联互通的大型智能网络,负责整个基础平台的运行、维护和管理。存储模块包括空间数据库和地图服务器,用于提供海量的遥感数据和地图数据存储空间。处理模块与服务模块配合,用于对批量集采的遥感影像数据进行处理和发布。GIS平台还可以与外部平台对接,例如大数据平台和智慧农业APP,将农场数据、田块数据、遥感影像以及农机数据等数据进行交互。
上述技术方案,实现了遥感影像数据的自动批量采集、解析,并将处理后的遥感影像数据自动发布成直观分辨作物品种长势的标准彩色地图服务,不仅能够方便用户实时的掌握农作物监测情况,对长势进行自动识别和预警,一定程度上减少农业损失,还能大幅度减少人工的依赖,实现全程自动化。
在一个实施例中,数据采集模块110还用于获取农业区域的边界数据,并将边界数据传输至数据处理模块120和数据分析模块130。数据处理模块120将边界数据进行投影转换,以得到与遥感多光谱数据的参数对应的农业区域的坐标数据。地理信息系统的空间数据结构主要由栅格结构和矢量结构,他们是表示地理信息的两种不同方式。栅格结构是简单直观的空间数据结构,又称为网格结构或象元结构,是指将地球表面划分为大小均匀紧密相邻的网格阵列,每个网格作为一个象元或象素,由行、列号定义,并包含一个代码,表示该象素的属性类型或量值,或仅仅包含指向其属性记录的指针。因此,栅格结构是以规则的阵列来表示空间地物或现象分布的数据组织,组织中每个数据表示地物或现象的非几何属性特征。矢量结构是通过记录坐标的方式尽可能精确地表示点、线、多边形等地理实体。在地理信息系统中的栅格结构与矢量数据各具特点与适用性,为了在一个系统中可以兼容这两种数据,以便于进一步的分析处理,常常需要实现两种结构的转换。
进一步地,如图3所示,提供了一种数据发布模块140自动分区算法流程的示意图。在对遥感数据进行容错处理以及长势分析计算之后,根据遥感长势自动提取分区。具体地,针对于图3中所示的算法流程,该算法首先根据长势分析结果影像进行二值化处理,即将作物长势分析中长势比较差的区域的标记为1,其他区域为0,如果二值化结果中不存在值为1的区域则停止当前遥感自动分区计算。如果存在,则对二值化结果影像进行去噪,去除异常点等操作,然后进行栅格转矢量提取长势异常区域的边界信息,并对提取的边界SHP数据进行平滑后与长势分析影像一同上传到服务平台进行存储与标准WMS地图服务的发布。
在一个实施例中,每个作物品种的长势等级包括长势旺盛、长势正常以及长势差中的至少一者,数据分析模块还用于提取长势等级为长势差的作物品种的坐标数据。数据发布模块140还用于在彩色地图上标记长势等级为长势差的作物品种对应的坐标数据。
进一步地,如图4所示,提供了一种标准彩色地图的示意图。为了能智能抓取长势分析中长势比较差的区域,自动把长势结果智能提取出来,从栅格影像提取出多个矢量位置区域,将矢量多边形区域通过栅格分析转化成几何对象并存储到空间数据库中,发布成地图服务。具体地,该功能的处理流程主要包括:
(1)长势分析结果栅格数据的二值化处理:在对农场的作物长势进行遥感分析时,根据长势分析模型可以计算得到农场内不同长势情况的分布区域。通过对作物长势分析中长势比较差的区域的值进行标记,便可以根据标记值将长势分析结果影像进行二值化处理,即长势比较差的区域标记为1;其他区域为0,从而形成一个二值化黑白图像。
(2)二值化栅格影像的图像学处理:经过二值化处理后的长势结果影像中会存在很多噪点像元和其他异常点的情况,对此需要进行图像学处理以去噪错误像元,提高长势比较差的区域的提取精确度。该过程主要采用ENVI软件中Majority算法的计算原理,即利用卷积滤波的方法将较大类别中的虚假像元归到目标类中,从而达到去除错误像元的作用。
(3)二值化栅格数据转矢量:二值化的长势分析结果影像在经过图像学处理后便可以进行长势较差区域边界信息的提取操作,本过程主要通过GIS分析中栅格转矢量的方法来提取长势较差区域的边界信息,从而形成该农产长势较差区域的边界SHP数据。
(4)矢量数据的平滑与数据上传:通过栅格转矢量操作提取的SHP数据一般会保留原始栅格像元的锯齿形状,需要进行矢量数据的平滑处理以更好的展示长势较差区域的边界信息。该过程主要调用GDAL工具中矢量平滑算法来进行实现,并将平滑后的SHP数据转换成标准geojson数据格式上传到服务平台进行渲染和展示。最后,通过服务平台进行自动数据发布,形成标准的WMS服务。
本申请提供的用于农业区域数据的处理方法,可以应用于如图5所示的应用环境中。如图5所示,提供了一种业务架构涉及图,业务架构可以包括用户层、应用层、支撑层以及数据层。其中,应用层为基于农业数据处理的服务平台实现批量采集、解析以及发布遥感数据即用于农业区域数据的处理方法的功能区域。具体地,应用层由数据服务、基础服务以及空间分析服务三部分构成,数据服务用于遥感数据采集、遥感数据的批量处理、遥感数据的批量发布、数据查询、数据更新、日志查询以及地图浏览。基础服务用于服务查询、矢量发布、影像发布、样式发布、数据存储、专题图、影像分析以及数据库发布。空间分析服务用于叠加分析、缓冲分析、插值分析以及栅格分析。用户层提供用户接口,用于与外部智慧农业APP等进行连接。支撑层包括GIS开源数据处理库、GIS开源空间分析分析库、遥感影像处理库、地图服务rest、日志搜集、统一身份认证、地理服务容器以及空间数据库,负责整个基础业务架构的运行、维护和管理。数据层为数据运算提供基础工具,包括数据接收、数据运算、数据解析、数据发布、数据存储、数据生命周期以及数据资源。
图6示意性示出了根据本申请实施例的用于农业区域数据的处理方法的流程示意图。如图6所示,在本申请一实施例中,提供了一种用于农业区域数据的处理方法,包括以下步骤:
步骤601,获取农业区域在预设时间段内的遥感多光谱数据、温度数据以及农业区域内的作物信息,其中,作物信息包括作物品种、每个作物品种的栽插方式和种植时间。
步骤602,根据温度数据和全部作物品种的种植时间确定农业区域在预设时间段内的累计积温。
步骤603,根据每个作物品种和该作物品种的栽插方式确定与每个作物品种对应的预设标准积温曲线方程。
步骤604,根据累计积温和每个作物品种的预设标准积温曲线方程确定每个作物品种在预设时间段内的标准长势指标值,并根据遥感多光谱数据确定每个作物品种在预设时间段内的实际长势指标值。
步骤605,根据实际长势指标值与标准长势指标值确定每个作物品种的长势等级,以得到农业区域在预设时间段内的长势数据。
处理器批量获取农业区域在预设时间段内的遥感多光谱数据、温度数据以及农业区域内的作物信息,作物信息包括作物品种、每个作物品种的栽插方式和种植时间。其中,预设时间段可结合实际需求进行设置,例如设置为三个月。温度数据为农业区域在预设时间段内的实时温度数据,包括每日的最高温和最低温。遥感多光谱又叫遥感多波段,是指对地物辐射中多个单波段进行摄取得到的多个波段的光谱信息,可以通过卫星和无人机进行采集。作物,是指农业的农作物,如水稻,小麦等。栽插方式是指栽培方式,例如,水稻的栽插方式通常包括直播、插秧和抛秧。处理器在批量获取到遥感多光谱数据、温度数据以及农业区域内的作物信息之后,可以根据获取到的温度数据和全部作物品种的种植时间确定农业区域在预设时间段内的累计积温。其中,累计积温是指将预设时间段内的每日平均温度进行累加得到的温度。例如,选取农田内栽种方式为插秧的水稻,该水稻从播种至当下的存活时长为三个月,根据三个月内的温度数据先计算农田每日的平均温度,再将每日的平均温度累计相加即可得到该农田在三个月内的累计积温。
进一步地,处理器根据每个作物品种和该作物品种的栽插方式确定与每个作物品种对应的预设标准积温曲线方程。其中,预设标准积温曲线方程是由用户结合大量的实际农业生产种植经验总结归纳出的与作物品种相关的曲线方程。针对预设时间段,处理器可以将计算得到的农业区域在预设时间段内的累计积温,代入至每个作物品种的预设标准积温曲线方程中,即可得到每个作物品种的标准长势指标值,对获取到的遥感多光谱数据进行计算即可得到每个作物品种的实际长势指标值。在分别计算出每个作物品种的标准长势指标值和实际长势指标值后,将每个作物品种的实际长势指标值与标准长势指标值进行比较,分析两者之间的差值大小即可得出农业区域内每一个作物品种的长势好坏等级。
进一步地,如图7所示,提供了遥感长势分析计算的流程示意图。如图7可知,整个长势分析算法可以分为四个部分,包括:数据采集与准备,数据预处理,长势分析逻辑计算,分析结果入库与地图服务发布。具体地,该算法的基本流程包括,基于作物品种不同生育期的大量影像数据,得出作物品种在每个生育阶段对光谱的响应规律,即形成一条标准长势曲线。以水稻为例,水稻可以包括早稻、晚稻、季稻、粳稻、籼稻以及杂交稻,那么,对应每一水稻作物品种,都可形成一条标准的长势曲线。在本技术方案中,该曲线即为预设标准积温曲线。以此积温曲线为基准划分出长势好坏的不同等级区间范围。同时,处理器将获得的遥感影像数据与长势曲线进行比对,即可判断每个作物品种在当前生长阶段所处的长势等级。
在一个实施例中,每个作物品种的长势等级包括长势旺盛、长势正常以及长势差中的至少一者。其中,长势等级的可根据用户的实际经验进行划分。处理器在获取到农业区域的边界数据之后,为保证遥感数据与农业区域的边界数据在空间上的一致性,需要对边界数据进行投影转换,从而生成与输入遥感数据一致的坐标信息,同时为后续作物长势解析数据进行批量裁剪做准备。具体地,处理器获取农业区域的边界数据,将边界数据进行投影转换,以得到与遥感多光谱数据的参数对应的农业区域的坐标数据。同时,在处理器对农业区域内的每个作物品种进行长势分析之后,即可根据农业区域的坐标数据将其中长势等级为长势差的作物品种的坐标数据帅选出来。
在一个实施例中,实际长势指标值包括植被指数、叶面积指数以及生物量,根据遥感多光谱数据确定每个作物品种在预设时间段内的实际长势指标值包括:根据遥感多光谱数据和预设遥感植被指数模型确定每个作物品种在预设时间段内的植被指数、叶面积指数以及生物量。具体地,根据原始遥感多光谱数据,结合遥感植被指数模型来计算相关作物长势指标数据:植被指数(NDVI)、叶面积指数(LAI)、生物量(SWL),在本技术方案中可以采用的计算模型为:
植被指数(NDVI)=(近红外波段-红光波段)/(近红外波段+红光波段)
叶面积指数(LAI)=Exp(4.896x NDVI-3.136)
生物量(SWL)=(LAI/1.77)^(1/0.53)
根据上述计算模型,结合遥感多光谱数据,将遥感多光谱数据代入至上述计算模型中,即可得到农业区域内每个作物品种在预设时间段内的实际长势指标值。将实际长势指标值与标准长势指标值进行对比,计算二者之间的差距,得到差距落座的长势等级区间之后,即可得到作物品种的长势好坏。
上述技术方案,实现了遥感影像数据的自动批量采集、解析,并将处理后的遥感影像数据自动发布成直观分辨作物品种长势的标准彩色地图服务。本技术方案能够批量自动处理遥感影像数据,并将处理后的遥感影像数据、无人机数据地图数据自动发布成OGC标准地图服务的方式,能大幅度减少人力去做数据解析、处理和发布的工作,从以前每天3个农场/天提升到了1500个农场/天。此外,实现了将智慧农业相关的多源空间数据自动发布到geoserver上,能大量减少数据发布的工作,并提升了地图性能。能够自动提取长势分析中较差区域形成空间矢量数据服务,预警用户及时处理,减少农业损失。
本申请实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现上述用于农业区域数据的处理方法。
本申请实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述用于农业区域数据的处理方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中,该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储用于农业区域数据的处理方法数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种用于农业区域数据的处理方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现用于农业区域数据的处理方法。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有用于农业区域数据的处理方法步骤的程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用于处理农业区域数据的服务平台,其特征在于,所述服务平台包括:
数据采集模块,用于获取所述农业区域在预设时间段内的遥感多光谱数据、温度数据以及所述农业区域内的作物信息,并将所述作物信息、所述遥感多光谱数据以及所述温度数据传输至数据处理模块和数据分析模块,其中,所述作物信息包括作物品种、每个作物品种的栽插方式和种植时间;
所述数据处理模块,用于根据所述温度数据和全部作物品种的种植时间确定所述农业区域在所述预设时间段内的累计积温,根据每个作物品种和该作物品种的栽插方式确定与每个作物品种对应的预设标准积温曲线方程;
所述数据分析模块,用于根据所述累计积温和每个作物品种的预设标准积温曲线方程确定每个作物品种在所述预设时间段内的标准长势指标值,根据所述遥感多光谱数据确定每个作物品种在所述预设时间段内的实际长势指标值,根据所述实际长势指标值与所述标准长势指标值确定每个作物品种的长势等级;
数据发布模块,用于根据每个作物品种的长势等级生成与所述农业区域对应的彩色地图,并将所述彩色地图进行发布。
2.根据权利要求1所述的用于处理农业区域数据的服务平台,其特征在于,所述数据采集模块还用于获取所述农业区域的边界数据,并将所述边界数据传输至所述数据处理模块和所述数据分析模块。
3.根据权利要求2所述的用于处理农业区域数据的服务平台,其特征在于,所述数据处理模块还用于将所述边界数据进行投影转换,以得到与所述遥感多光谱数据的参数对应的所述农业区域的坐标数据。
4.根据权利要求3所述的用于处理农业区域数据的服务平台,其特征在于,每个作物品种的长势等级包括长势旺盛、长势正常以及长势差中的至少一者,所述数据分析模块还用于提取所述长势等级为长势差的作物品种的坐标数据。
5.根据权利要求4所述的用于处理农业区域数据的服务平台,其特征在于,所述数据发布模块还用于在所述彩色地图上标记所述长势等级为长势差的作物品种对应的坐标数据。
6.一种用于农业区域数据的处理方法,其特征在于,所述处理方法包括:
获取所述农业区域在预设时间段内的遥感多光谱数据、温度数据以及所述农业区域内的作物信息,其中,所述作物信息包括作物品种、每个作物品种的栽插方式和种植时间;
根据所述温度数据和全部作物品种的种植时间确定所述农业区域在所述预设时间段内的累计积温;
根据每个作物品种和该作物品种的栽插方式确定与每个作物品种对应的预设标准积温曲线方程;
根据所述累计积温和每个作物品种的预设标准积温曲线方程确定每个作物品种在所述预设时间段内的标准长势指标值,并根据所述遥感多光谱数据确定每个作物品种在所述预设时间段内的实际长势指标值;
根据所述实际长势指标值与所述标准长势指标值确定每个作物品种的长势等级,以得到所述农业区域在所述预设时间段内的长势数据。
7.根据权利要求6所述的用于农业区域数据的处理方法,其特征在于,每个作物品种的长势等级包括长势旺盛、长势正常以及长势差中的至少一者,所述处理方法还包括:
获取所述农业区域的边界数据;
将所述边界数据进行投影转换,以得到与所述遥感多光谱数据的参数对应的所述农业区域的坐标数据;
根据所述农业区域的坐标数据确定所述长势等级为长势差的作物品种的坐标数据。
8.根据权利要求6所述的用于农业区域数据的处理方法,其特征在于,所述实际长势指标值包括植被指数、叶面积指数以及生物量,根据所述遥感多光谱数据确定每个作物品种在所述预设时间段内的实际长势指标值包括:
根据所述遥感多光谱数据和预设遥感植被指数模型确定每个作物品种在所述预设时间段内的所述植被指数、所述叶面积指数以及所述生物量。
9.一种处理器,其特征在于,被配置成执行根据权利要求6至8中任意一项所述的用于农业区域数据的处理方法。
10.一种机器可读存储介质,该机器可读存储介质上存储有指令,其特征在于,该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求6至8中任一项所述的用于农业区域数据的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310750039.4A CN116934516A (zh) | 2023-06-21 | 2023-06-21 | 用于处理农业区域数据的服务平台、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310750039.4A CN116934516A (zh) | 2023-06-21 | 2023-06-21 | 用于处理农业区域数据的服务平台、存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116934516A true CN116934516A (zh) | 2023-10-24 |
Family
ID=88385455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310750039.4A Pending CN116934516A (zh) | 2023-06-21 | 2023-06-21 | 用于处理农业区域数据的服务平台、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934516A (zh) |
-
2023
- 2023-06-21 CN CN202310750039.4A patent/CN116934516A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11657597B2 (en) | Cloud detection on remote sensing imagery | |
US10872417B1 (en) | Automatic delineation agricultural field management zones using remote sensing and field data | |
CN113228055B (zh) | 配置和利用卷积神经网络以识别植物病害的方法和介质 | |
Esquerdo et al. | Use of NDVI/AVHRR time-series profiles for soybean crop monitoring in Brazil | |
EP3452953B1 (en) | Using digital images of a first type and a feature set dictionary to generate digital images of a second type | |
CN106780091A (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
Neigh et al. | Smallholder crop area mapped with wall-to-wall WorldView sub-meter panchromatic image texture: A test case for Tigray, Ethiopia | |
CN111738175A (zh) | 一种基于遥感影像和卷积神经网络的农业干旱监测系统 | |
CN101699315A (zh) | 一种作物长势均匀度的监测装置和方法 | |
Gandharum et al. | Remote sensing versus the area sampling frame method in paddy rice acreage estimation in Indramayu regency, West Java province, Indonesia | |
CN109918449B (zh) | 一种基于物联网的农业灾害信息遥感提取方法及系统 | |
CN111345214A (zh) | 一种基于卫星影像数据的新疆棉花区域识别方法及系统 | |
Jin et al. | Land use/land cover change and its impacts on protected areas in Mengla County, Xishuangbanna, Southwest China | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
CA3180016A1 (en) | Automated determination of tree inventories in ecological regions using probabilistic analysis of overhead images | |
CN116310847A (zh) | 农田分析的方法、装置、处理器及电子设备 | |
Som-ard et al. | Sugarcane yield estimation in Thailand at multiple scales using the integration of UAV and Sentinel-2 imagery | |
Sun et al. | Integrating vegetation phenological characteristics and polarization features with object-oriented techniques for grassland type identification | |
CN116934516A (zh) | 用于处理农业区域数据的服务平台、存储介质及处理器 | |
CN114201557B (zh) | 非暂态计算机存储介质、计算机实施的方法和系统 | |
US20240177478A1 (en) | Information processing device, information processing method, and program | |
Mercante et al. | Detection of soybean planted areas through orbital images based on culture spectral dynamics | |
Tan et al. | Mapping 30-m cotton areas based on an automatic sample selection and machine learning method using Landsat and MODIS images | |
Mishra et al. | Mapping of intra-season dynamics in the cropping pattern using remote sensing for irrigation management | |
Freyberg et al. | Idaho Wildfires: Assessing Drought and Fire Conditions, Trends, and Susceptibility to Inform State Mitigation Efforts and Bolster Monitoring Protocol in North-Central Idaho |
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 |