CN117042595A - 信息处理装置、信息处理方法和程序 - Google Patents
信息处理装置、信息处理方法和程序 Download PDFInfo
- Publication number
- CN117042595A CN117042595A CN202280023034.5A CN202280023034A CN117042595A CN 117042595 A CN117042595 A CN 117042595A CN 202280023034 A CN202280023034 A CN 202280023034A CN 117042595 A CN117042595 A CN 117042595A
- Authority
- CN
- China
- Prior art keywords
- ndvi
- evaluation information
- value
- correction
- information
- 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
- 230000010365 information processing Effects 0.000 title claims description 90
- 238000003672 processing method Methods 0.000 title claims description 7
- 238000012937 correction Methods 0.000 claims abstract description 221
- 238000011156 evaluation Methods 0.000 claims abstract description 179
- 239000000284 extract Substances 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 description 65
- 230000006870 function Effects 0.000 description 64
- 238000000034 method Methods 0.000 description 51
- 239000002689 soil Substances 0.000 description 46
- 230000008569 process Effects 0.000 description 45
- 238000012545 processing Methods 0.000 description 41
- 230000000694 effects Effects 0.000 description 39
- 238000003384 imaging method Methods 0.000 description 34
- 230000035784 germination Effects 0.000 description 24
- 238000005259 measurement Methods 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 19
- 230000001747 exhibiting effect Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000000926 separation method Methods 0.000 description 11
- 241000196324 Embryophyta Species 0.000 description 10
- 238000012935 Averaging Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 9
- 229930002875 chlorophyll Natural products 0.000 description 7
- 235000019804 chlorophyll Nutrition 0.000 description 7
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 7
- 241000894007 species Species 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000004720 fertilization Effects 0.000 description 6
- 238000005192 partition Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 4
- 238000003702 image correction Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000291564 Allium cepa Species 0.000 description 1
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 1
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 238000001157 Fourier transform infrared spectrum Methods 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 244000300264 Spinacia oleracea Species 0.000 description 1
- 235000009337 Spinacia oleracea Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- A01G7/00—Botany in general
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Biodiversity & Conservation Biology (AREA)
- Agronomy & Crop Science (AREA)
- Botany (AREA)
- Environmental Sciences (AREA)
- Economics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Human Resources & Organizations (AREA)
- Forests & Forestry (AREA)
- Ecology (AREA)
- Mining & Mineral Resources (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明包括评估信息校正单元,该评估信息校正单元用于通过使用基于目标区域中的作物数量的校正信息来对目标区域的评估信息进行校正。
Description
技术领域
本技术涉及信息处理装置、信息处理方法和程序,并且特别地,涉及适合于生成与作物栽培相关联的信息的技术。
背景技术
例如,人们试图通过使用安装在小型飞行物上的成像装置(摄像装置),在使成像装置在农田上方的天空中移动的同时捕获植物的植被状态的图像,来实现植被状态的遥感。
专利文献1公开了捕获农田的图像并实现遥感的技术。
[引用列表]
[专利文献]
[专利文献1]日本专利第5162890号
发明内容
技术问题
可以根据通过遥感捕获的农田图像来获取植被指数,作为与植被相关联的评估信息。例如,将根据捕获图像获取的NDVI(归一化植被指数)指定为植被指数,并且基于大量的捕获图像来形成映射图像,以检查大面积的NDVI图像。例如,参照这样的NDVI图像,根据农田的每个区域的植被活性来执行施肥等。
然而,根据农田的捕获图像获取的一些NDVI值不能准确地指示植被的实际活性。造成这个问题的原因是,农田的捕获图像不仅包括存在植被的植被部分,而且包括不存在植被的土壤部分。
特别是在包含少量作物和大量土壤的区域中,捕获图像中的土壤部分的比例增加。在这种情况下,即使在植被部分中的植被活性高的情况下,由于土壤部分的影响也会计算出低的NDVI值。
因此,本公开内容提出了用于提高通过感测获取的评估信息的准确度的技术。
问题的解决方案
根据本技术的信息处理装置包括评估信息校正单元,该评估信息校正单元根据校正信息对与目标区域相关联的评估信息进行校正,其中该校正信息基于目标区域的作物数量。
校正信息是用于对评估信息进行校正的信息,并且可以是多种比率和值中的任何比率和值。
在根据上述本技术的信息处理装置中,评估信息校正单元可以根据目标区域中的作物数量获得植被覆盖率,并且基于植被覆盖率生成校正信息。
植被覆盖率是覆盖地表的植被的比率。目标区域的植被覆盖率指示在目标区域中覆盖地表的植被的比率。
在根据上述本技术的信息处理装置中,评估信息校正单元可以根据植被覆盖率指定评估信息的理论值,并且基于理论值生成校正信息。
评估信息的理论值是针对特定植被覆盖率假设的评估信息的理论值。
在根据上述本技术的信息处理装置中,评估信息校正单元可以基于与目标区域中的作物种类相对应的参考数据,根据植被覆盖率指定理论值。
例如,参考数据是针对某种种类的作物指示植被覆盖率与评估信息的理论值之间的相关性的数据。
在根据上述本技术的信息处理装置中,评估信息校正单元可以基于先前在目标区域中测量的先前数据,根据植被覆盖率指定理论值。
例如,先前数据是指示在目标区域或包括目标区域的农田中,先前测量的植被覆盖率与评估信息的理论值之间的相关性的数据。
在根据上述本技术的信息处理装置中,评估信息校正单元可以基于与目标区域的条件相对应的先前数据,根据植被覆盖率指定理论值。
例如,目标区域的条件是气候条件或与土壤相关联的条件。
在根据上述本技术的信息处理装置中,目标区域可以是农田的部分区域,并且评估信息校正单元对与农田中的多个目标区域相关联的评估信息进行校正。
例如,对与农田中的各个区域相关联的评估信息进行校正。
在根据上述本技术的信息处理装置中,评估信息校正单元可以根据多个目标区域中的每一个目标区域的作物数量获得植被覆盖率,将多个目标区域分类成具有高植被覆盖率的第一群组和具有低植被覆盖率的第二群组,并且至少对与分类到第二群组的目标区域相关联的评估信息进行校正。
换言之,至少对与多个目标区域中具有低植被覆盖率的目标区域相关联的评估信息进行校正。
在根据上述本技术的信息处理装置中,评估信息校正单元可以对与分类到第一群组的目标区域相关联的评估信息以及与分类到第二群组的目标区域相关联的评估信息进行校正。
换言之,除了对与具有低植被覆盖率的目标区域相关联的评估信息进行校正,还对多个目标区域中具有高植被覆盖率的目标区域相关联的评估信息进行校正。
在根据上述本技术的信息处理装置中,评估信息校正单元可以获取不同时间点的与多个目标区域相关联的评估信息,获得第一群组中的评估信息的最大值与第二群组中的评估信息的最大值之间的差,并且基于根据该差而生成的校正信息来对与分类到第二群组的目标区域相关联的评估信息进行校正。
例如,考虑第一群组的最大值与第二群组的最大值之间的差,对与具有低植被覆盖率的目标区域相关联的评估信息进行校正。
在根据上述本技术的信息处理装置中,评估信息校正单元可以获取不同的时间点的与多个目标区域相关联的评估信息,提取第一群组中的评估信息的最大值,指定提取了最大值的目标区域作为最大值区域,基于最大值区域的植被覆盖率获得与最大值区域相关联的评估信息的理论值,并且基于根据最大值和理论值而生成的校正信息来对与多个目标区域相关联的评估信息进行校正。
例如,基于校正信息,对与多个目标区域相关联的评估信息进行校正,其中该校正信息指示与最大值区域相关联的评估信息的理论值与最大值的比率。
在根据上述本技术的信息处理装置中,可以根据目标区域的图像数据获得目标区域中的作物数量。
例如,基于通过捕获目标区域的图像而获得的图像数据,通过站位计数来获得目标区域中的作物数量。
在根据上述本技术的信息处理装置中,与目标区域相关联的评估信息可以是植被指数。
植被指数包括可用于指定植物状态的各种各样的指数。
根据本技术的信息处理方法根据基于目标区域的作物数量的校正信息来对与目标区域相关联的评估信息进行校正。
根据本技术的程序是使信息处理装置执行上述信息处理方法的处理的程序。
附图说明
图1是根据本技术的实施方式的农田状态的说明图。
图2是根据实施方式的信息处理装置的框图。
图3是根据实施方式的农田的显示状态的说明图。
图4是根据实施方式的网格显示状态的说明图。
图5是农田的配置和基于农田的捕获图像形成的NDVI图像的说明图。
图6表示各自示出NDVI测量中的NDVI图像的说明图。
图7表示各自示出通过土壤分离实现的NDVI测量中的NDVI图像的说明图。
图8表示各自示出植被指数的相关性的示例的图。
图9是根据实施方式的由信息处理装置执行的一系列处理的说明图。
图10是根据实施方式的校正处理的第一示例的说明图。
图11是根据实施方式的校正处理的第一示例中的评估信息校正单元的功能配置的说明图。
图12是根据实施方式的校正处理的第一示例的流程图。
图13是示出农田中的不同区域的说明图。
图14表示根据实施方式的校正处理的第二示例的说明图。
图15是农田中不同点处的NDVI的说明图。
图16是根据实施方式的校正处理的第二示例中的评估信息校正单元的功能配置的说明图。
图17是根据实施方式的校正处理的第二示例的流程图。
具体实施方式
在下文中将按照以下顺序描述实施方式。
<1.感测系统的配置>
<2.信息处理装置的配置>
<3.农田的NDVI测量>
<4.实施方式的评估信息校正处理>
<5.NDVI校正处理的第一示例>
<6.NDVI校正处理的第二示例>
<7.总结和修改>
<1.感测系统的配置>
首先将描述根据实施方式的感测系统。
在本实施方式中将通过示例的方式描述针对农田执行的关于农田中植被状态的感测。
例如,如图1所示,通过使用安装在飞行物200上的成像装置250对农田210执行关于植被的遥感。此后,基于通过该成像获得的大量图像数据来形成指示植被评估信息(例如,植被指数数据)的映射图像。
图1示出了农田210的状态。
例如,在操作者的无线控制、无线自动控制或其他类型的控制下,小型飞行物200可在农田210上方的天空中移动。
例如,成像装置250以下述位置安装在飞行物200上:所述位置使得捕获飞行物200下方的图像。例如,当飞行物200在农田210上方的天空中沿预定路线移动时,成像装置250周期性地捕获静态图像。以这种方式,可以在各个时间点捕获成像视场中的范围AW的图像。
假设要作为安装在飞行物200上的成像装置250而采用的示例包括:可见光图像传感器(用于对R(红色)、G(绿色)和B(蓝色)的可见光进行成像的图像传感器)、用于捕获NIR(近红外:近红外区域)图像的摄像装置、用于捕获多个波段图像的多光谱摄像装置、超光谱摄像装置、傅立叶变换红外分光光度计(FTIR:傅立叶变换红外光谱)以及红外传感器。不必说,可以将多种类型的摄像装置(传感器)安装在飞行物200上。
例如,假设要采用的多光谱摄像装置是以下摄像装置:该摄像装置捕获NIR图像和R(红色)图像,并且能够根据每个获得的图像计算NDVI(归一化植被指数)。如下文将详细描述的,NDVI是指示植物的特征的植被指数,并且可以用作为指示植被的分布状态和活性的指数。
将标签信息添加至由成像装置250捕获和获得的图像中。标签信息包括成像日期和时间信息、作为GPS(全球定位系统)数据的位置信息(纬度/经度信息)、指示飞行物200在成像期间的飞行高度的信息、成像装置信息(例如,与摄像装置相关联的个体标识信息和型号信息)、与各个图像数据相关联的信息(指示诸如图像大小、波长和成像参数的项目的信息)以及其他信息。
通过信息处理装置1来获取由附接至飞行物200的成像装置250以上述方式获得的图像数据和标签信息。
例如,经由成像装置250与信息处理装置1之间的无线通信、网络通信等传输图像数据和标签信息。假设要采用作为网络的示例包括因特网、家庭网络、LAN(局域网)等、卫星通信网络和其他各种类型的网络。
替选地,图像数据和标签信息被传输至信息处理装置1,并且由信息处理装置1读取,信息处理装置1是诸如附接至成像装置250的存储介质
(例如,存储卡)的形式。
信息处理装置1基于由此获得的图像数据和标签信息执行各种处理。
具体地,信息处理装置1根据图像数据和标签信息生成与农田210中的植被相关联的评估信息,并且基于将在下文描述的与农田210相关联的数据来校正评估信息。此外,例如,信息处理装置1执行将经校正的评估信息以图像的形式呈现给用户的处理。
例如,信息处理装置1根据与各个图像相关联的位置信息,对由成像装置250捕获的多个图像中的每一个图像中的被摄体的范围AW进行布置和拼接,以形成映射图像。以这种方式,例如,信息处理装置1可以形成指示与整个农田210中的植被相关联的评估信息的图像。
例如,信息处理装置1以PC(个人计算机)、FPGA(现场可编程门阵列)、诸如智能电话和平板的终端装置等的形式来实现。
注意,虽然图1将信息处理装置1示出为与成像装置250分离的装置,但是例如构成信息处理装置1的运算装置(例如,微型计算机)可以设置在包括成像装置250的单元内。
<2.信息处理装置的配置>
将描述包括在上述感测系统中并且被配置成从成像装置250获取图像数据并执行各种处理的信息处理装置1。
图2示出了信息处理装置1的硬件配置。信息处理装置1包括CPU(中央处理单元)51、ROM(只读存储器)52和RAM(随机存取存储器)53。
CPU 51根据存储在ROM 52中的程序或者从存储单元59加载到RAM 53的程序执行各种处理。还根据需要将CPU 51执行各种处理所需的数据等存储在RAM 53中。
CPU 51、ROM 52和RAM 53经由总线54彼此连接。输入/输出接口55还连接至总线54。
包括液晶面板、有机EL(电致发光)面板等的显示单元56、包括键盘、鼠标等的输入单元57、音频输出单元58、存储单元59、通信单元60以及其他部件可连接至输入/输出接口55。
显示单元56可以与信息处理装置1一体地形成,或者形成为单独的装置。
显示单元56根据来自CPU 51的指令在显示屏幕上显示捕获图像、各种计算结果等。显示单元56还根据来自CPU 51的指令显示各种操作菜单、图标、信息等,即由GUI(图形用户界面)显示的项目。
输入单元57是指由信息处理装置1的用户操作的输入装置。
假设要采用作为输入单元57的示例包括各种操作器和操作装置,例如键盘、鼠标、键、拨盘、触摸面板、触摸板和遥控器。
由输入单元57检测用户执行的操作,并且由CPU 51解析与输入操作对应的信号。
音频输出单元58包括扬声器、用于驱动扬声器的功率放大器单元等,以输出必要的声音。
存储单元59包括诸如HDD(硬盘驱动器)和固态存储器的存储介质。例如,用于实现CPU 51的各种功能的程序被存储在存储单元59中。存储单元59还用于存储由成像装置250获取的图像数据和各种类型的附加数据以及由CPU 51生成的各种类型的数据。
通信单元60执行经由诸如因特网的网络实现的通信处理,并且与各个外围设备进行通信。
例如,通信单元60在某些情况下是与飞行物200或成像装置250进行通信的通信装置。
根据需要,驱动器61还连接至输入/输出接口55。将诸如存储卡的存储装置62附接至驱动器61,使得将数据写入到存储装置62以及从存储装置62读取数据。
例如,根据需要,从存储装置62读取的计算机程序被安装在存储单元59中,由CPU51处理的数据被存储在存储装置62中。不必说,驱动器61可以是针对诸如磁盘、光盘和磁光盘的可移除存储介质提供的记录/再现驱动器。本文中的磁盘、光盘、磁光盘中等的每一个也被认为是存储装置62的形式。
注意,根据实施方式的信息处理装置1不限于具有图2中的硬件配置的单个信息处理装置(计算机装置)1,并且可以包括多个系统化的计算机装置。可以使用LAN等将多个计算机装置系统化,或者可以将其布置在远程位置并使用因特网等经由VPN(虚拟专用网络)等连接。多个计算机装置可以包括云计算服务可用的计算机装置。
此外,图2中的信息处理装置1可以由个人计算机(例如固定型计算机和膝上型计算机)或便携式终端(例如平板终端和智能电话)来实现。此外,根据本实施方式的信息处理装置1可以安装在具有信息处理装置1的功能的电子设备(例如测量装置、电视装置、监测装置、成像装置和设备管理装置)上。
例如,具有上述硬件配置的信息处理装置1具有由CPU 51实现的算术功能、由ROM52、RAM 53和存储单元59实现的存储功能、由通信单元60和驱动器61实现的数据获取功能、以及由显示单元56等实现的输出功能,并且允许通过所安装的软件的功能获得各种功能配置。
根据本实施方式的信息处理装置1包括图2中所示的评估信息生成单元2和评估信息校正单元3。
这些处理功能由CPU 51启动的软件来实现。
构成该软件的程序被从网络下载或从存储装置62(例如,可移除存储介质)读取,并且被安装在图2的信息处理装置1中。替选地,该程序可以预先存储在存储单元59等中。此后,该程序由CPU 51启动,以实现上述各单元的功能。
此外,例如,使用RAM 53的存储区域或存储单元59的存储区域来实现各个功能的算术处理和结果的存储。
评估信息生成单元2是如下功能:获取作为处理目标的图像数据和添加至图像数据的标签信息,并且生成指示农田210的状态的评估信息。例如,由成像装置250捕获的图像数据(捕获图像)存储在存储单元59等中。CPU 51读取图像数据的特定数据,并且指定读取的数据作为评估信息生成处理的目标。
例如,评估信息生成单元2形成植被指数图像作为评估信息。将在本实施方式中描述评估信息生成单元2形成NDVI图像作为评估信息的示例。
评估信息校正单元3是对评估信息进行校正的功能。
例如,评估信息校正单元3从存储单元59等读取由评估信息生成单元2生成的评估信息,并且指定读取的评估信息作为校正处理的目标。此外,评估信息校正单元3从存储单元59等读取与农田210相关联的数据,并且使用基于该数据生成的校正信息来校正与处理目标对应的评估信息。
例如,评估信息校正单元3从存储单元59等读取指示农田210的目标区域中的作物数量的数据,基于作物数量生成校正信息,并且基于生成的校正信息来校正与该目标区域相关联的评估信息。另外,评估信息校正单元3输出经校正的评估信息。
由评估信息生成单元2生成的评估信息以及从评估信息校正单元3输出的经校正的评估信息可以存储在存储单元59中,或者通过通信单元60传送至外部设备。在这方面,CPU 51可以具有作为通信控制单元的功能,所述通信控制单元传送由评估信息生成单元2或评估信息校正单元3生成的输出信息。
另外,评估信息校正单元3使用与农田210相关联并存储在存储单元59等中的数据,以校正评估信息。因此,CPU 51还可以具有生成与农田210相关联的数据的功能。例如,作为生成指示作物数量的数据的功能,CPU 51可以具有基于通过对农田210的目标区域进行成像而获得的图像数据来对作物计数的功能,以及基于计数的作物数量来计算每单位面积的作物数量等的功能。评估信息校正单元3可以使用由具有上述功能的CPU 51计算并存储在存储单元59中的数据,或者可以使用从外部设备获取并存储在存储单元59中的数据。
另外,虽然未在附图中示出,但是CPU 51具有执行显示单元56的显示控制、执行用于获取从输入单元57输入的操作信息的处理等的功能,并且实现存储单元59中存储的各种类型的信息的呈现、对用户执行的操作的识别等。
图3和图4各自示出了通过CPU 51的功能显示在显示单元56等上的用户界面屏幕(在下文中,“用户界面”将被表达为“UI”)的示例。
图3示出了在UI屏幕上的地图区域300中显示有包含农田210的地图图像的示例。图3还示出了在地图区域300中显示有多个样本位置标记350的示例。样本位置标记350各自指示例如一个图像数据(样本)的成像位置,并且根据以下值(发芽率)通过三个等级的颜色标记显示(color-coded display)(在图中显示为三种类型的圆圈,即白色圆圈、阴影圆圈和黑色圆圈)来进行显示:通过将根据图像数据计算的作物数量转换成每单位面积的作物数量而获得所述值(发芽率)。
图4示出了在地图区域300中显示具有网格图案的网格的状态。该网格指示区域限定图像和以网格线限定农田210的部分区域的显示。具体地,将通过划分农田210而形成的区域中的每一个作为由网格划分的范围(由网格划分的方形)呈现给用户。例如,用户可以将网格大小设置为任何大小。
以根据针对对应区域计算的各种比率或评估值而确定的图像形式来显示被表示为方形的网格的每个区域(在下文中,也称为网格区域Gr)。例如,针对网格区域Gr中的每一个显示下面描述的诸如发芽率和植被覆盖率的比率、平均NDVI值等。
例如,图4示出了根据每个区域中的发芽率的三个等级的颜色标记显示(附图中三种类型的显示,即白色方形、阴影方形和黑色方形)。例如,按照以下方式给出颜色标记显示;如果发芽率为98%或更高,则为绿色(附图中的黑色方形);如果发芽率低于98%但为90%或更高,则为黄色(附图中的阴影方形);如果发芽率低于90%,则为红色(附图中的白色方形)。注意,例如,可以通过对区域内的样本位置标记进行平均或者使用相邻的样本位置标记进行插值计算来获得网格区域Gr中的每一个的发芽率。
用户可以基于该颜色标记显示来检查网格区域Gr中的每一个的发芽率和平均NVDI值。
此外,虽然未在附图中示出,但是可以经由UI屏幕为地图区域300中显示的每一个网格区域Gr指定诸如施肥的动作和动作的细节。例如,可以参照每一个网格区域Gr中的发芽率和NDVI值,根据用户针对每个区域指定适当的肥料值来创建被称为“指示(prescription)”的肥料量比率图。例如,创建的肥料量比率图作为指令文件从信息处理装置1导出。该指令文件被拖拉机等获取,从而基于肥料量比率图实现可变施肥。
<3.农田的NDVI测量>
将在本实施方式中描述以下示例:信息处理装置1形成与观察目标对应的农田的NDVI图像作为评估信息,并且指定所形成的NDVI图像作为校正处理的目标。
NDVI是指示植物的活性的植被指数,并且例如使用从能够同时捕获具有两个波长(即,RED波长(红色)和NIR波长(近红外))的图像(在下文中分别称为R图像和NIR图像)的多光谱摄像装置获取的捕获图像来计算NDVI。
分别从R图像和NIR图像获取的指示RED强度和NIR强度的像素值是根据在被摄体上反射的反射光测量的。植物通过叶绿素吸收具有红色波长的光来进行光合作用,并且将未吸收的光通过漫反射从叶子释放。因此,吸收更多具有红色波长光的光的叶子可以被确定为具有更高的叶绿素浓度,并且表现出更高的活性。因此,NDVI被用于估计叶绿素浓度的目的。
可以通过使用以下(公式1)根据R图像和NIR图像来计算与捕获图像的每个像素对应的NDVI值。在(公式1)中,RED和NIR分别表示RED波长(约630nm至690nm)的强度(像素值)和NIR波长(约760nm至900nm)的强度(像素值)。
NDVI=(NIR–RED)/(NIR+RED)…(公式1)
与植被对应的像素的NDVI值高,而与土壤对应的像素的NDVI值低。此外,关于与植被对应的像素,表现出高活性的植被的NDVI值高于表现出低活性的植被的NDVI值。
基于通过使用(公式1)计算与捕获图像的各个像素对应的NDVI值而获得的计算结果来形成NDVI图像。针对NDVI图像的每一个像素设置的像素值对应于如上计算的NDVI值。例如,将每一个NDVI值设置在0.0至1.0的范围内。
随后,将参照图5具体描述对农田执行的NDVI测量。图5示出了农田210的一部分和基于通过对该部分进行成像而获得的图像数据形成的NDVI图像。
图5中部分示出的农田210例如是栽培了谷物(例如玉米、大豆和水稻)、蔬菜(例如葱、卷心菜、白菜和菠菜)以及作物(例如花卉和树木)的农田。
例如,沿着诸如线状田埂的线种植作物,并且作物构成农田210的植被部分400。
多个植被部分400彼此间隔开,并且以固定间隔布置在农田210中。每对相邻的植被部400之间的部分构成没有种植作物的土壤部分450。这种在植被部分400之间留有间隙的植被部分布置方式具有各种优点,例如使得大量的阳光能够到达栽培目标作物,并且有助于执行作业。
因此,农田210具有存在作物的植被部分400和不存在作物的土壤部分450的混合的配置。此外,农田210包括表现出所种植作物的低活性的生长不良区域410。在包含在生长不良区域410中的植被部分400中,作物的活性降低。
图5所示的NDVI图像是示意性地示出基于农田210的一部分的捕获图像而形成的NDVI图像的图。
当使用附接至飞行物200的成像装置250从天空中捕获具有植被部分400和土壤部分450的混合的农田210的图像时,要获得的捕获图像包括植被部分400和土壤部分450的混合。基于这样的捕获图像形成的NDVI图像是指示植被部分400的NDVI值和土壤部分450的NDVI值的混合的图像。
在图5的示意图中,每一个黑色部分表示指示高NDVI值(接近1.0)的区域,而每一个白色部分表示指示低NDVI值(接近0.0)的区域。
图5所示的NDVI图像表明,与不包含在生长不良区域410中的植被部分400对应的每个像素具有高NDVI值。因此,明显的是,在不包含在生长不良区域410中的植被部分400中,植被的活性高。另一方面,表明与土壤部分450对应的每个像素具有低NDVI值。
例如,当计算该NDVI图像的总体像素值(NDVI值)的平均值时,由于具有低NDVI值的土壤部分450的影响,因此计算的NDVI值的平均值低于与植被部分400对应的像素的每个NDVI值。因此,无法基于图像中的NDVI值的平均值来获取图像中所包含的植被部分400的准确活性。
为了解决该问题,考虑采用如下这样的方法:从捕获图像中分离土壤和阴影,并且仅测量位于阳光充足区域的植被部分和植物的NDVI。本文中将参照图6和图7描述通过土壤分离实现的NDVI测量。
图6A示意性示出了基于处于生长初始阶段的作物(玉米)的农田的图像而形成的NDVI图像。
图6B是在网格平均之后获得的NDVI图像,其中针对通过将图6A的NDVI图像划分成25平方米的网格单位而产生的网格区域Gr中的每一个网格区域Gr来计算和显示平均NDVI值。每一个网格区域Gr指示根据每个区域的平均NDVI值的、从红色所表示的0.0到绿色所表示的1.0(附图中以从白色到黑色的阴影灰度来显示)的20个等级的颜色标记显示。图6B中的NDVI图像是处于生长初始阶段的作物的图像。因此,土壤部分占据了农田210的主要部分。因此,在分区Dv中的大量网格区域Gr均具有低于例如0.4的平均NDVI值,因此,许多网格区域显示为接近红色的颜色(附图中的接近白色的灰度)。
图7A示出了土壤分离之后获得的NDVI图像,该图像是通过以下操作获得的图像:对与图6A中的农田相同的农田的捕获图像执行土壤分离处理,以将土壤部分与植被部分分离,然后计算去除了土壤部分之后的NDVI。
图7B是网格平均之后获得的NDVI图像,其中针对通过将图7A的土壤分离后的NDVI图像划分成25平方米的网格单位而产生的网格区域Gr中的每一个网格区域Gr来计算和显示平均NDVI值。与图6B类似,每一个网格区域Gr指示根据每个区域的NDVI值的、从红色所表示的0.0到绿色所表示的1.0(附图中以从白色到黑色的阴影灰度来显示)的20个等级的颜色标记显示。另外,以下网格区域Gr中的每一个被显示为空白
(附图中以阴影显示):在该网格区域Gr中,由于不存在植被部分而不计算平均值。
与图6B中的网格平均之后获得的NDVI图像相比,图7B中的整体NDVI值更高,并且更多的网格区域Gr被显示为接近绿色的颜色(附图中接近黑色的灰度)。产生这种显示是因为,在从与NDVI计算目标对应的捕获图像中去除土壤部分之后,仅基于植被部分的像素来计算NDVI值。
这种以高分辨率分离土壤和阴影的方式使得能够获取仅植物的NDVI值以及阳光充足区域中的植物的NDVI值,因此增加了根据捕获图像测量的NDVI用于估计叶绿素浓度的估计能力。然而,对于大规模农田,通过以高分辨率进行土壤分离的NDVI测量需要在低纬度成像,以提高分辨率。因此,由于在无人机等的电池的情况下可飞行距离受限,实现该测量需要较长时间。因此,优选的是校正根据捕获图像而计算的NDVI值,而不是进行基于土壤分离的NDVI测量。
<4.实施方式的评估信息校正处理>
根据本实施方式,在基于农田210的各个区域中的作物数量的校正信息的基础上,对如上所述受土壤部分的影响而降低的NDVI值进行校正。具体地,基于根据各个区域中的作物数量而获得的植被覆盖率来对NDVI值进行校正。
植被覆盖率(植被覆盖度,Vegetation Fraction)是指覆盖地表(土壤)的植被的比例,并且可以由0.0至1.0的范围内的值表示,例如,假设1.0指示植被以100%的比率覆盖地表的状态。
例如,在根据农田中的目标区域的捕获图像计算NDVI值时目标区域的植被覆盖率接近100%的情况下(即,与计算目标对应的捕获图像中的植被部分的比例接近100%),根据捕获图像计算的NDVI值是相当于目标区域中植被部分的实际NDVI值的值。另一方面,在目标区域的植被覆盖率低的情况下(即,与计算目标对应的捕获图像中的植被部分的比例小),计算的NDVI值低于目标区域中植被部分的实际NDVI值。
因此,根据本实施方式,考虑到目标区域的植被覆盖率与根据捕获图像计算的NDVI值之间的这样的关系,根据每个目标区域的植被覆盖率对根据捕获图像而计算的目标区域的NDVI值进行校正。
可以根据基于目标区域中的作物数量的发芽率来计算目标区域的植被覆盖率。
“作物”是指种植在农田中并且已经发芽的作物。每一个作物也被称为站位(stand)。目标区域中的“作物数量”是指目标区域中的作物的数量,并且基于通过对目标区域进行成像而获得的图像数据来获取“作物数量”。以这种方式获取的作物数量也被称为“站位计数值”。
根据本实施方式,参照针对目标区域已经计算的作物数量的数据来获取目标区域中的发芽率。另外,在已经基于目标区域中的作物数量的数据计算了发芽率的情况下,可以使用所计算的发芽率的数据。
在使用遥感管理农田的情况下,在一些情况下,在作物生长的初始阶段执行站位计数。站位计数是指基于通过对种植之后的每个区域进行成像而获得的图像数据,对农田中的每个区域的作物数量进行计数,以检查作物的种植问题等。以这种方式计数的作物数量也被称为站位计数值。在对农田执行站位计数的情况下,通过该计数获得的每个区域中的作物数量和根据作物数量计算的发芽率数据是已知的。因此,在本实施方式中利用这些数据。
例如,可以使用与植被覆盖率对应的理论NDVI值,来基于植被覆盖率校正NDVI值。本文中的理论NDVI值是指针对特定植被覆盖率假设的NDVI的理论值。
例如,通过利用植被覆盖率与NDVI值之间的相关性,可以基于植被覆盖率来获取理论NDVI值。在植被生态学中,已知LAI(叶面积指数)、植被覆盖率和NDVI之间存在相关性。特别是在叶绿素浓度固定的情况下,植被覆盖率与NDVI彼此之间高度相关。因此,可以通过利用这些指数之间的关系获得理论NDVI值。
本文中将描述基于根据目标区域中的发芽率而计算的植被覆盖率来获取理论NDVI值的方法。
首先,根据发芽率获得LAI。可以通过使用以下(公式2)根据发芽率获得LAI。
LAI(叶面积指数)=(每株的)叶子数量×每个叶子的面积(m2/
(叶子的数量))×栽培密度(=发芽率)((株数)/m2)...(公式2)
此后,根据LAI获取植被覆盖率。LAI与植被覆盖率之间的相关性对于每种作物不同。因此,参照指示与作物种类对应的LAI与植被覆盖率之间相关性的参考数据,来获取特定LAI的植被覆盖率。
图8A示出了关于特定种类的作物指示LAI与植被覆盖率之间的关系的曲线图信息的示例。纵轴表示LAI,横轴表示植被覆盖率。曲线图中的实线表示LAI与植被覆盖率之间的关系。
最后,基于植被覆盖率指定理论NDVI值。
植被覆盖率与NDVI值之间的相关性对于每种作物不同。因此,参照指示与目标区域中的作物种类对应的植被覆盖率与NDVI值之间相关性的参考数据,来获取与特定植被覆盖率对应的理论NDVI值。
图8B示出了关于特定种类的作物指示植被覆盖率与NDVI值之间的关系的曲线图信息的示例。纵轴表示NDVI,横轴表示植被覆盖率。曲线图中的实线表示基于通过对特定种类的作物进行实验而测量的测量值的植被覆盖率与NDVI值之间的关系。
替选地,可以参照包含目标区域(其作为处理目标)的农田的先前数据来指定理论NDVI值。农田的先前数据是先前在农田中测量的统计数据,并且例如包括指示每个季节的植被覆盖率与NDVI值之间相关性的测量数据,以及指示根据先前季节的测量平均值获得的植被覆盖率与NDVI值之间相关性的平均值数据。
图8C示出了关于与图8B中的种类相似的种类的作物指示植被覆盖率与NDVI值之间相关性的曲线图信息的示例。曲线图中的实线表示基于与图8B中的作物种类对应的参考数据的植被覆盖率与NDVI值之间的相关性,虚线表示基于农田的平均值数据的相关性。例如,如果与处理目标对应的农田具有与平均年份相似的气候条件,则参照由虚线指示的相关性来获得与特定植被覆盖率对应的理论NDVI值。
另外,图8C的曲线图中的单点划线表示基于特定季节的测量数据的相关性。植被覆盖率与NDVI值之间的相关性可根据诸如气候和土壤的各种条件而改变。因此,可以通过参照与对应于处理目标的农田的条件相似的季节中的测量数据,来获取更适当的理论值。例如,在与处理目标对应的农田的气候条件与单点划线所指示的季节的气候条件相似的情况下,参照单点划线所指示的相关性来获得理论值。具体地,例如,在图中黑色圆圈指示的植被覆盖率为“0.5”的情况下,与单点划线所指示的相关性中的植被覆盖率“0.5”对应的NDVI值“0.7”被指定为理论NDVI值。
图9示出了根据实施方式的用于校正评估信息而执行的操作。在该实施方式中将描述以下示例:形成包括目标区域的农田的NDVI图像,并且对NDVI图像中目标区域的平均NDVI值进行校正。
NDVI图像形成ST1是如下处理:该处理获取包括与处理目标对应的目标区域的农田的捕获图像DT1,并且基于捕获图像DT1形成NDVI图像DT2。
NDVI图像校正ST2是对NDVI图像DT2中目标区域的平均NDVI值进行校正的处理。具体地,NDVI图像校正ST2获取目标区域的站位计数数据DT3,并且根据基于站位计数数据DT3的校正信息来对目标区域的平均NDVI值进行校正。在NDVI图像DT2包含多个目标区域的情况下,针对目标区域中的每一个来校正平均NDVI值。此外,基于经校正的平均NDVI值的经校正的NDVI图像DT4被输出。
注意,站位计数数据DT3是指示目标区域中的作物数量的数据,例如,不要求其是指示作物数量本身的数据。例如,站位计数数据DT3可以是以下数据:基于该数据可以计算目标区域内的作物数量,或者该数据指示根据目标区域中的作物数量而获得的发芽率。
图像显示ST3是使显示单元56等以例如图4所示的形式来显示经校正的NDVI图像DT4的处理。
在下文中将描述NDVI校正处理的第一示例和第二示例,作为NDVI图像校正ST2的示例。
<5.NDVI校正处理的第一示例>
在NDVI校正处理的第一示例中,针对每个目标区域获得植被覆盖率,并且基于与每个目标区域的植被覆盖率对应的校正信息来校正平均NDVI值。
将参照图10具体描述第一示例的校正示例。在该校正示例中,针对图6和图7所示的农田的NDVI图像中的分区Dv中所包含的每一个网格区域Gr(作为目标区域)进行校正。
图10所示的NDVI图像是图6B所示的网格平均之后获得NDVI图像中的分区Dv的放大图。为了便于说明,对包含在分区Dv中的各个网格区域Gr赋予数字“1”至“9”。以例如区域“1”和区域“2”这样的方式来表示各个网格区域Gr。从该NDVI图像明显的是,在分区Dv中,区域“8”的平均NDVI值最高,并且区域“3”、区域“4”和区域“9”中的每一个的平均NDVI值最低。
图10所示的植被覆盖率图像是指示在分区Dv中包含的各个网格区域Gr的植被覆盖率的图示。在植被覆盖率图像中,以白色表示0%并且深蓝色表示100%的方式,根据植被覆盖率通过20个等级的颜色标记显示来显示每一个网格区域Gr(附图中以从白色到阴影的细度的灰度显示)。例如,在分区Dv中,区域“8”的植被覆盖率最高,区域“1”、区域“7”和区域“9中的每一个的植被覆盖率同样高,仅次于区域“8”。另一方面,区域“2”、区域“4”、区域“5”和区域“6”中的每一个的植被覆盖率同样低,并且区域“3”的植被覆盖率最低。
图10所示的经校正的NDVI图像是通过根据图10中的植被覆盖率图像中所指示的各个网格区域Gr的植被覆盖率、对图10中的NDVI图像中所指示的各个网格区域Gr的平均NDVI值进行校正而获得的NDVI图像。
对于该校正,根据各个网格区域Gr的植被覆盖率,以不同的校正等级对平均NDVI值进行校正。具体地,不对具有最高植被覆盖率的“8”校正平均NDVI值,并且对于具有第二高的植被覆盖率的“1”、“7”、和“9”中的每一个将平均NDVI值校正为提高“+1级”。此外,对于“2”、“4”、“5”和“6”中的每一个将NDVI值校正为提高“+2级”,而对于“3”将NDVI值校正为提高“+3级”。具体地,对于具有越低的植被覆盖率的网格区域Gr,校正等级提高得越多。
在该校正之后,例如,区域“3”,其是校正之前的NDVI图像的分区Dv中具有最低平均NDVI值的网格区域之一,被改变为经校正的NDVI图像的分区Dv中具有最高平均NDVI值的网格区域Gr。此外,区域“8”,其是校正之前的NDVI图像中具有最高平均NDVI值的区域,被改变为经校正的NDVI图像的分区Dv中具有低的平均NDVI值的网格区域Gr。
如上所述,通过基于与植被覆盖率对应的校正信息来对各个网格区域Gr中的平均NDVI值进行校正,可以获得接近于已经执行了土壤分离处理的图7B中的对应值。
此外,基于在显示单元56等上显示图10所示的经校正的NDVI图像,用户能够适当地识别各个区域中的植被的活性。例如,参照通常的NDVI图像,区域“8”看起来是具有高平均NDVI值的区域,并且对应于表现出高的植被活性的区域。然而,参照经校正的NDVI图像和植被覆盖率图像,区域“8”具有高的植被覆盖率但平均NDVI值低,因此被识别为表现出低的植被活性的区域。因此,例如,用户可以确定区域“8”需要诸如施肥的动作。
执行上述校正处理的第一示例的评估信息校正单元3具有图11所示的功能配置。具体地,评估信息校正单元3包括网格平均功能Fn1、植被覆盖率计算功能Fn2和NDVI校正功能Fn3。
网格平均功能Fn1是获取与处理目标对应的NDVI图像DT2并且执行网格平均处理的功能。例如,用于网格平均的处理以指定的网格单位将NDVI图像DT2划分成多个网格区域Gr,并且获得每一个网格区域Gr的平均NDVI值。例如,根据包含在对应网格区域Gr中的像素的输入值来计算网格区域Gr的平均NDVI值中的每一个。
植被覆盖率计算功能Fn2是如下功能:获取每一个网格区域Gr的站位计数数据DT3,并且基于根据站位计数数据DT3而获得的发芽率来计算每一个网格区域Gr的植被覆盖率。
NDVI校正功能Fn3是根据植被覆盖率对每一个网格区域Gr的平均NDVI值进行校正的功能。在校正处理的第一示例中的NDVI校正功能Fn3特别地是使用每一个网格区域Gr的平均NDVI值的理论值来实现校正的功能。
例如,NDVI校正功能Fn3参照参考数据DT5或先前数据DT6,针对每一个网格区域GR指定与植被覆盖率对应的平均NDVI值的理论值。NDVI校正功能Fn3基于每一个网格区域Gr的平均NDVI值的理论值生成校正信息,并且基于该校正信息对平均NDVI值进行校正。
此外,NDVI校正功能Fn3基于每一个网格区域Gr的经校正的平均NDVI值输出经校正的NDVI图像DT4。
将参照图12描述校正处理的第一示例的具体处理示例。
图12示出了由CPU 51执行的用于实现对与处理目标对应的图像数据进行必要处理直到输出经校正的NDVI图像DT4的一系列处理。这些处理由CPU 51来实现,该CPU 51配备有参照图2和图11说明的功能。
在步骤S101中,CPU 51获取与处理目标对应的捕获图像DT1(图像数据)。例如,CPU51获取R图像和NIR图像作为与观察目标对应的农田的捕获图像。
在步骤S102中,CPU 51基于捕获图像DT1形成NDVI图像DT2。例如,CPU 51计算捕获图像DT1的各个像素的NDVI值,并且设置针对各个像素所计算的NDVI值以形成NDVI图像DT2。
在步骤S103中,CPU 51对NDVI图像DT2进行网格平均处理。具体地,CPU 51将NDVI图像DT2划分成多个网格区域Gr,如网格单位指定的,并且计算每一个网格区域Gr的平均NDVI值。
在步骤S104中,CPU 51计算每一个网格区域Gr的植被覆盖率。具体地,CPU 51获取每一个网格区域Gr的站位计数数据DT3,并且基于根据站位计数数据DT3获得的发芽率来计算每一个网格区域Gr的植被覆盖率。
在步骤S105中,CPU 51确定是否使用先前数据DT6。例如,CPU 51基于确定设定值等来确定该数据的使用。
在步骤S105中确定不使用先前数据DT6的情况下,CPU 51使处理从步骤S105进行至步骤S106。在步骤S106中,CPU 51获取与网格区域Gr中的作物种类对应的参考数据DT5。CPU 51参照参考数据DT5,针对每一个网格区域Gr,指定与植被覆盖率对应的理论NDVI值。CPU 51基于每一个网格区域Gr的理论NDVI值生成校正信息,并且基于校正信息来校正平均NDVI值。
在步骤S105中确定要使用先前数据DT6的情况下,CPU 51使处理从步骤S105进行至步骤S107。在步骤S107中,CPU 51确定是否使用先前数据DT6的平均值。例如,CPU 51基于确定设定值等来确定平均值的使用。
在步骤S107中确定要使用平均值的情况下,CPU 51使处理从步骤S107进行至步骤S108。在步骤S108中,CPU 51获取网格区域Gr的或包含网格区域Gr的农田的先前数据DT6的平均值数据。CPU 51参照所获取的数据,针对于每一个网格区域Gr,指定与植被覆盖率对应的理论NDVI值。CPU 51基于每一个网格区域Gr的理论NDVI值来生成校正信息,并且基于该校正信息来校正平均NDVI值。
在步骤S107中确定不使用平均值的情况下,CPU 51使处理从步骤S107进行至步骤S109。在步骤S109中,CPU 51从包含网格区域Gr的农田的先前数据DT6中获取与网格区域Gr的条件对应的先前数据DT6。例如,获取具有与网格区域Gr中的气候条件相似的气候条件的季节中的测量数据,作为与条件对应的先前数据DT6。CPU 51参照所获取的数据,针对每一个网格区域Gr,指定与植被覆盖率对应的理论NDVI值。CPU 51基于每一个网格区域Gr的理论NDVI值生成校正信息,并且基于该校正信息来校正平均NDVI值。
CPU 51在步骤S106、S108或S109中校正了各个网格区域Gr的NDVI值之后,使处理进行至步骤S110。在步骤S110中,CPU 51基于各个网格区域Gr的经校正的平均NDVI值来输出经校正的NDVI图像DT4。
通过前述处理获取经校正的NDVI图像DT4。经校正的NDVI图像DT4被存储在存储单元59等中,并且根据例如由用户执行的操作而显示在显示单元56上。
<6.NDVI校正处理的第二示例>
随后将描述NDVI校正处理的第二示例。NDVI校正处理的第二示例根据植被覆盖率将目标区域分类成群组,然后对各个目标区域中的平均NDVI值进行校正。此外,该示例获取各个目标区域在不同时间点的平均NDVI值,并且通过利用指示平均NDVI值的每日变化的信息来对各个目标区域的平均NDVI值进行校正。
将参照图13和图14描述第二示例的具体校正示例。
图13示出了包括在农田中、并且当植被覆盖率和植被活性被指定作为参考时所假设的四种类型的区域Ar1、Ar2、Ar3和Ar4的示例。具体地,区域Ar1和区域Ar2中的每一个是具有高植被覆盖率和相对小的土壤比例的区域。Ar1区域还表现出高的植被活性,而Ar2区域表现出低的植被活性。此外,区域Ar3和区域Ar4中的每一个是具有低植被覆盖率和大的土壤比例的区域的示例。Ar3区域表现出高的植被活性,而Ar4区域也表现出低的植被活性。
下文中将描述对与图13所示的四种类型的区域Ar1、Ar2、Ar3和Ar4对应的网格区域Gr的平均NDVI值进行校正的示例。
图14A是示出从7月16日至8月23日的测量时段期间的区域Ar1、Ar2、Ar3和Ar4的平均NDVI值的每日变化的图。纵轴表示NDVI,横轴表示日期。实线指示区域Ar1的平均NDVI值的每日变化,单点划线指示区域Ar2的平均NDVI值的每日变化,虚线指示区域Ar3的平均NDVI值的每日变化,双点划线指示区域Ar4的平均NDVI值的每日变化。
7月16日以后,区域Ar1、Ar2、Ar3和Ar4的平均NDVI值中的每一个随着作物的生长而逐渐增大。通过在均具有高植被覆盖率的区域Ar1和区域Ar2之间比较平均NDVI值的每日变化,明显的是,表现出高植被活性的区域Ar1的平均NDVI值在8月14日达到最大。该增大在8月14日前后的时段停止并稳定。表现出低植被活性的区域Ar2的平均NDVI值在比区域Ar1的平均NDVI值停止增大的定时早的定时处停止增大,并且该增大的速率低。另外,关于均具有低植被覆盖率的区域Ar3和区域Ar4,表现出高植被活性的区域Ar3的平均NDVI值类似地在8月14日达到最大。该增大在8月14日前后的时段停止并稳定。表现出低植被活性的区域Ar4的平均NDVI值在比表现出高植被活性的区域Ar3的平均NDVI值停止增大的定时早的定时处停止增大,并且该增大的速率低。
同时,具有低植被覆盖率的区域Ar3和区域Ar4的平均NDVI值在测量时段中始终低于具有高植被覆盖率的区域Ar1和区域Ar2的平均NDVI值。例如,均表现出高植被活性的区域Ar1和区域Ar3的平均NDVI值产生类似的每日变化。在这种情况下,由于低植被覆盖率(即,每个区域中的土壤比例大)的影响,区域Ar3和区域Ar4的平均NDVI值被认为低于区域Ar1和区域Ar2的平均NDVI值。因此,优选的是考虑植被覆盖率进行校正。
为了实现校正,首先根据植被覆盖率将与处理目标对应的网格区域Gr分类成具有高植被覆盖率的第一群组Cl1和具有低植被覆盖率的第二群组Cl2。根据本校正示例,如图14B所示,将区域Ar1和区域Ar2分类到具有高植被覆盖率的第一群组Cl1,将区域Ar3和区域Ar4分类到具有低植被覆盖率的第二群组Cl2。
此外,为了实现校正,从每一个群组中提取平均NDVI值中的最大值。平均NDVI值中的最大值是指在平均NDVI值的增大基本上达到停止并进入稳定状态的时段中的最大值或接近于平均NDVI值的最大值的值。
如图14C所示,在第一群组Cl1中,区域Ar1的平均NDVI值在包括8月14日的时段Ps1期间进入稳定状态,并且在8月14日达到最大。因此,提取8月14日的区域Ar1的平均NDVI值作为第一群组Cl1的平均NDVI值中的最大值M1。
同样,在第二群组Cl2中,区域Ar3的平均NDVI值在包括8月14日的时段Ps2期间进入稳定状态,并且在8月14日达到最大。因此,提取8月14日的区域Ar3的平均NDVI值作为第二群组Cl2的平均NDVI值中的最大值M2。
校正处理的第二示例基于各个群组的平均NDVI值中的由此指定的最大值M1和M2,来实现群组之间的偏移校正。
具体地,获得第一群组Cl1的最大值M1与第二群组Cl2的最大值M2之间的差,并且基于该差计算偏移量。基于计算的偏移量对分类到第二群组Cl2中的区域Ar3和区域Ar4中的每一个的平均NDVI值进行校正。
被分类到第二群组Cl2中的区域的平均NDVI值中的每一个具有低植被覆盖率,并且因此被认为低于植被的实际NDVI值。因此,例如,对平均NDVI值进行校正,以使得第一群组Cl1的最大值M1和第二群组Cl2的最大值M2相等。
此外,校正处理的第二示例基于根据第一群组Cl1的平均NDVI值的最大值M1而计算的比率来实现比率校正。
例如,关于第一群组Cl1的最大值M1,第二示例获得已经提取了最大值M1的区域Ar1的平均NDVI值的理论值,并且基于最大值M1与该理论值的比率进行校正。该比率表示在假设植被覆盖率最高时区域Ar1中的NDVI最大值M1与植被覆盖率为100%的情况下的理论NDVI值的比率。因此,通过基于前述比率对区域Ar1、Ar2、Ar3和Ar4中的每一个的平均NDVI值进行校正,可以针对每一个区域获取假设植被覆盖率为100%时的平均NDVI值。
图14D示出了针对区域Ar1、Ar2、Ar3和Ar4中每一个,通过基于偏移校正和比率校正对图14A至图14C所示的平均NDVI值进行校正而获得的平均NDVI值。
通过在校正之前和之后的区域Ar1、Ar2、Ar3和Ar4之间比较平均NDVI值的每日变化,明显的是,例如,在整个时段中区域Ar3的平均NDVI值被改变为比区域Ar2的平均NDVI值高的值。
此外,通过在图14D中的均具有低植被覆盖率的区域Ar3和区域Ar4之间比较平均NDVI值的每日变化,明显的是,区域Ar3和区域Ar4二者的平均NDVI值增大直到7月29日。然而,在7月29日之后,区域Ar3的平均NDVI值继续增大,但是区域Ar4的平均NDVI值停止增加。类似地,关于均具有高植被覆盖率的区域Ar1和区域Ar2,区域Ar1的平均NDVI值继续增大,但是区域Ar2的平均NDVI值在7月29日之后停止增大。据估计,指示在根据植被覆盖率进行校正之后的低平均NDVI值的部分对应于以下区域:在该区域中,由于当时氮的不足或其他原因导致植被活性降低而使NDVI值降低。因此,例如,考虑对于7月29日之后指示低平均NDVI值的区域Ar2和区域Ar4设置诸如额外施肥的动作。
图15是示出针对上述区域Ar1、Ar2、Ar3和Ar4中的每一个通过普通NDVI测量(普通NDVI)、通过土壤分离的NDVI测量(土壤分离NDVI)、以及校正处理的第二示例中的校正(植被覆盖率校正NDVI)而计算的平均NDVI值之间的相对关系的表。
在普通NDVI测量中,具有高植被覆盖率的区域Ar1和区域Ar2的所计算的平均NDVI值高于具有低植被覆盖率的区域Ar3和区域Ar4的平均NDVI值。在这种情况下,例如,表现出低植被活性的区域Ar2的所计算的平均NDVI值相对较高。因此,区域Ar2可能不被确定为表现出低植被活性的区域。
此外,在通过土壤分离的NDVI测量中,消除了土壤的影响。因此,例如,区域Ar3的平均NDVI值高于通过普通NDVI测量获得的平均NDVI值。同时,区域Ar2和区域Ar3的平均NDVI值基本上彼此相等。因此,难以基于NDVI值来区分实际表现出低植被活性的区域与具有低植被覆盖率但表现出高植被活性的区域。
另一方面,当应用根据校正处理的第二示例的校正时,区域Ar2的所计算的平均NDVI值低于均表现出高植被活性的区域Ar1和区域Ar3的平均NDVI值。此外,虽然区域Ar2的平均NDVI值为“中等”值,但是区域Ar3的平均NDVI值为“略高”值。已经从校正之后的NDVI值中消除了由低植被覆盖率引起的NDVI降低的影响。因此,根据低植被活性,估计区域Ar2的平均NDVI值略低。以这种方式,通过应用根据植被覆盖率的校正,即使无法通过土壤分离区分的区域也变得可区分。
此外,当指定植被覆盖率和植被活性作为参考时所假设的四种类型的区域Ar1、Ar2、Ar3和Ar4基于校正之后的NDVI值是可区分的。因此,可以参照校正之后的NDVI值针对每一个区域确定与植被覆盖率和植被活性对应的动作。
执行上述校正处理的第二示例的评估信息校正单元3具有图16所示的功能配置。具体地,评估信息校正单元3包括网格平均功能Fn1、群组分类功能Fn4、最大值提取功能Fn5、植被覆盖率计算功能Fn2和NDVI校正功能Fn3。
注意,与参照图11描述的功能类似的功能被赋予相同的附图标记,并且不另外详细说明,将主要描述在校正处理的第二示例中特别执行的操作。
网格平均功能Fn1是获取与处理目标对应的NDVI图像DT2并且执行网格平均的处理的功能。注意,在校正处理的第二示例中,获取与不同时间点对应的多个NDVI图像DT2。
植被覆盖率计算功能Fn2是如下功能:获取每一个网格区域Gr的站位计数数据DT3,并且基于根据站位计数数据DT3而获得的发芽率来计算每一个网格区域Gr的植被覆盖率。
群组分类功能Fn4是将网格区域Gr分类成群组的功能。例如,群组分类功能Fn4根据各个网格区域Gr的植被覆盖率,将各个网格区域Gr分类成具有高植被覆盖率的第一群组Cl1和具有低植被覆盖率的第二群组Cl2。
此外,群组分类功能Fn4还可以根据平均NDVI值对分类成第一群组Cl1和第二群组Cl2之后的网格区域Gr进行分类。在这种情况下,群组分类功能Fn4实现以下分类:具有高植被覆盖率和高平均NDVI值的第一组、具有高植被覆盖率和低平均NDVI值的第二组、具有低植被覆盖率和高平均NDVI值的第三组、以及具有低植被覆盖率和低平均NDVI值的第四组。
最大值提取功能Fn5是提取每一个群组中的平均NDVI值中的最大值的功能。例如,最大值提取功能Fn5获取NDVI图像DT2,并且从第一群组Cl1的平均NDVI值中提取最大值M1,并且从第二群组Cl2的平均NDVI值中提取最大值M2。此外,在基于植被覆盖率和NDVI值分类成四个群组的情况下,最大值提取功能Fn5从具有高植被覆盖率和高平均NDVI值的第一组和具有低植被覆盖率和高平均NDVI值的第三组中的每一组中提取平均NDVI值中的最大值。
NDVI校正功能Fn3是根据植被覆盖率对网格区域Gr的NDVI值进行校正的功能。在校正处理的第二示例中,NDVI校正功能Fn3是特别地实现群组之间的偏移校正和比率校正的功能。
例如,为了实现偏移校正,NDVI校正功能Fn3获得第一群组Cl1的平均NDVI值中的最大值M1与第二群组Cl2的平均NDVI值中的最大值M2之间的差,基于该差生成校正信息,并且基于该校正信息对分类到第二群组Cl2的各个网格区域Gr的平均NDVI值进行校正。例如,应用于偏移校正的校正信息是偏移量。
此外,为了实现比率校正,NDVI校正功能Fn3指定已经提取了最大值M1的网格区域Gr作为最大值区域,指定针对最大值区域的NDVI的理论值,基于最大值M1和该理论值生成校正信息,并且基于该校正信息对第一群组Cl1和第二群组Cl2中的各个网格区域Gr的平均NDVI值进行校正。注意,要校正的网格区域Gr的平均NDVI值可以是分类到第一群组Cl1的那些或者是分类到第二群组Cl2的那些。例如,应用于比率校正的校正信息是最大值区域的理论值与最大值M1的比率。注意,NDVI校正功能Fn3参照参考数据DT5或先前数据DT6来指定最大值区域的理论值。
此外,NDVI校正功能Fn3基于每一个网格区域Gr的经校正的平均NDVI值来输出经校正的NDVI图像DT4。
将参照图17描述校正处理的第二示例的具体处理示例。
图17示出了由CPU 51执行的用于实现对与处理目标对应的图像数据进行必要处理直到输出经校正的NDVI图像的一系列处理。这些处理由CPU 51来实现,该CPU 51配备有参照图2和图16说明的功能。
在步骤S201中,CPU 51获取与处理目标对应的捕获图像DT1(图像数据)。例如,CPU51获取与观察目标对应的农田在不同时间点的多个捕获图像DT1。
在步骤S202中,CPU 51基于捕获图像DT1形成NDVI图像DT2。例如,CPU 51计算捕获图像DT1的各个像素的NDVI值,并且针对各个像素设置所计算的NDVI值以形成NDVI图像DT2。注意,CPU 51针对在各个时间点捕获的图像DT1中的每一个形成NDVI图像DT2。
在步骤S203中,CPU 51针对各个时间点的NDVI图像DT2中的每一个执行网格平均处理。具体地,CPU 51以指定的网格单位将NDVI图像DT2划分成多个网格区域Gr,并且计算每一个网格区域Gr的平均NDVI值。注意,以相同的网格单位将各个时间点的NDVI图像DT2各自划分成多个网格区域Gr,以计算每一个网格区域Gr中的每个不同时间点的平均NDVI值。
在步骤S204中,CPU 51计算每一个网格区域Gr的植被覆盖率。具体地,CPU 51获取每一个网格区域Gr的站位计数数据DT3,并且基于根据站位计数数据DT3而获得的发芽率来计算每一个网格区域Gr的植被覆盖率。
在步骤S205中,CPU 51将网格区域Gr分类成群组。例如,CPU 51根据各个网格区域Gr的植被覆盖率将多个网格区域Gr分类成具有高植被覆盖率的第一群组Cl1和具有低植被覆盖率的第二群组Cl2。
在步骤S206中,CPU 51从每一个群组中提取平均NDVI值中的最大值。具体地,CPU51从第一群组Cl1的平均NDVI值中提取最大值M1,并且从第二群组Cl2的平均NDVI值中提取最大值M2。
在步骤S207中,CPU 51实现群组之间的偏移校正。具体地,CPU 51获得平均NDVI值中的最大值M1与第二群组Cl2的平均NDVI值中的最大值M2之间的差,基于该差生成校正信息,并且基于该校正信息对分类到第二群组Cl2的各个网格区域Gr的平均NDVI值进行校正。
随后,CPU 51通过步骤S208和步骤S209中的处理实现比率校正。
在步骤S208中,CPU 51指定已经提取了第一群组Cl1的最大值M1的网格区域Gr作为最大值区域,并且获得最大值区域中的NDVI值的理论值。
在步骤S209中,CPU 51基于第一群组Cl1的最大值M1和在步骤S208中获得的最大值区域的理论值来生成校正信息,并且基于该校正信息对各个网格区域Gr中的平均NDVI值进行校正。
在步骤S210中,CPU 51基于各个网格区域Gr的经校正的平均NDVI值输出经校正的NDVI图像DT4。例如,CPU 51可以形成各个时间点的经校正的NDVI图像DT4,或者形成由用户选择的一部分时间点的经校正的NDVI图像DT4。
通过前述处理获取经校正的NDVI图像DT4。经校正的NDVI图像DT4被存储在存储单元59等中,并且根据例如由用户执行的操作而显示在显示单元56上。
虽然图17中的处理示例是在步骤S205中CPU 51根据植被覆盖率将网格区域Gr分类成第一群组Cl1和第二群组Cl2的处理,但是CPU 51可以基于植被覆盖率和NDVI值将网格区域Gr分类成具有高植被覆盖率和高NDVI值的第一组、具有高植被覆盖率和低NDVI值的第二组、具有低植被覆盖率和高NDVI值的第三组、以及具有低植被覆盖率和低NDVI值的第四组。在这种情况下,在步骤S206中,CPU 51针对均具有高NDVI值的第一组和第三组中的每一组指定最大值。
虽然在图17的处理示例中描述的是以步骤S207中的偏移校正以及步骤S208和步骤S209中的处理所实现的比率校正这种顺序执行的示例,但是这些校正可以以相反的顺序来执行。此外,可以仅执行这些校正中的任一个。
此外,虽然图17中的处理示例是在步骤S210中输出经校正的NDVI图像DT4的示例,但是例如可以输出指示图14D中所示的各个网格区域Gr中的平均NDVI值的每日变化的信息,而不是经校正的NDVI图像DT4。
<7.总结和修改>
上述实施方式可以提供以下有益效果。
根据本实施方式的信息处理装置1包括评估信息校正单元3,该评估信息校正单元根据基于目标区域中的作物数量的校正信息,对与该目标区域(网格区域Gr)相关联的评估信息(平均NDVI值)进行校正。
在网格区域Gr中的作物数量少的情况下,网格区域Gr的捕获图像中的土壤部分的比例增加。在这种情况下,与对应的网格区域Gr相关联并且根据捕获图像计算的平均NDVI值降低。因此,通过根据基于作物数量的校正信息对相应网格区域Gr的平均NDVI值进行校正,减小了由捕获图像中大的土壤部分比例引起的平均NDVI值的降低。以这种方式,可以获得适当反映网格区域Gr中植被状态的平均NDVI值。即,可以提高网格区域Gr的平均NDVI值的准确度。换言之,可以提高通过感测获取的评估信息的准确度。因此,可以根据植被的状态确定诸如可变施肥的适当动作。
注意,校正信息是应用于对诸如NDVI值的评估信息进行校正的信息,并且例如是指NDVI校正处理的第一示例中所描述的NDVI值的校正等级,以及NDVI校正处理的第二示例中所描述的偏移量和比率。注意,校正信息不限于本实施方式中呈现的示例,并且可以是各种比率和值。
虽然在实施方式中呈现了将在农田210中限定的网格区域Gr作为目标区域的示例,但是可以指定通过其他方法在农田210中限定的区域作为目标区域。
根据本实施方式中呈现的示例,评估信息校正单元3根据目标区域(网格区域Gr)的作物数量获得植被覆盖率,并且基于该植被覆盖率生成校正信息(参见图12和图17)。
网格区域Gr的植被覆盖率表示在网格区域Gr中覆盖地表(土壤)的植物的比例。因此,可以通过根据校正信息对网格区域Gr的平均NDVI值进行校正来进行考虑了网格区域Gr中土壤部分的比例的校正,其中该校正信息是基于对应的网格区域Gr的植被覆盖率生成的。
根据本实施方式中呈现的示例,评估信息校正单元3基于植被覆盖率指定评估信息的理论值(理论NDVI值),并且基于该理论值生成与目标区域(网格区域Gr)相关联的校正信息(参见图8、图12和图17)。
理论NDVI值是指针对特定植被覆盖率假设的NDVI的理论值。具体地,理论NDVI值是被估计为在从具有特定植被覆盖率的网格区域Gr中消除土壤部分的影响时获得的NDVI值。因此,可以通过根据基于理论NDVI值生成的校正信息对网格区域Gr的平均NDVI值进行校正,来进行考虑了网格区域Gr中土壤部分的比例的校正。
根据本实施方式中呈现的示例,评估信息校正单元3根据与目标区域(网格区域Gr)中作物种类对应的参考数据DT5,基于植被覆盖率指定理论值(参见图8和图12)。
例如,参考数据DT5是指示某种种类的作物的植被覆盖率与评估信息的理论值之间的相关性的数据。
植被覆盖率与NDVI理论值之间的相关性对于每种作物不同。因此,可以参照与网格区域Gr中的作物种类对应的参考数据DT5来指定与生长在该网格区域Gr中的作物种类对应的理论值。
根据本实施方式中呈现的示例,评估信息校正单元3根据先前在目标区域(网格区域Gr)中测量的先前数据DT6,基于植被覆盖率指定评估信息的理论值(参见图8和图12)。
例如,网格区域Gr的先前数据DT6是指以下数据:该数据指示先前测量的植被覆盖率与网格区域Gr中或包括网格区域Gr的农田中的NDVI值之间的相关性。
例如,由于诸如土壤和阳光的环境因素的不同,植被覆盖率与理论NDVI值之间的相关性对于每个农田不同。因此,可以参照网格区域Gr或包括网格区域Gr的农田210的先前数据DT6来指定与网格区域Gr的状态对应的理论值。
根据本实施方式中呈现的示例,评估信息校正单元3根据与目标区域(网格区域Gr)的条件对应的先前数据DT6,基于植被覆盖率来指定理论值(参见图8和图12)。
例如,由于诸如气候条件的各种条件的差异,即使在同一个农田中,植被覆盖率与理论NDVI值之间的相关性对于每个季节会发生变化。因此,在可获得在不同条件下测量的植被覆盖率与理论NDVI值之间的相关性的数据的情况下,可以参照与网格区域Gr或包括网格区域Gr的农田210的条件对应的先前数据DT6所指示的相关性来指定与网格区域Gr的条件对应的理论NDVI值。
根据本实施方式中呈现的示例,目标区域(网格区域Gr)是农田210的部分区域,并且评估信息校正单元3对与农田210中的多个目标区域(多个网格区域Gr)相关联的评估信息(平均NDVI值)进行校正(参见图10、图14和图15)。
以这种方式,根据各自的作物数量对农田210中的多个网格区域Gr进行校正。因此,例如,可以减小由大量土壤部分引起的平均NDVI值的降低,并且因此,可以实现农田210中的各个区域的平均NDVI值之间的相对比较。换言之,可以实现农田210中的各个区域的叶绿素浓度之间的相对比较。
注意,农田210包括栽培了农作物的各种农田,例如作物栽培区域、耕地、水培栽培区域、温室栽培区域。
根据本实施方式中呈现的示例,评估信息校正单元3获得多个目标区域(网格区域Gr或区域Ar1、Ar2、Ar3和Ar4)中的每一个的植被覆盖率,将多个目标区域分类成具有高植被覆盖率的第一群组Cl1和具有低植被覆盖率的第二群组Cl2,并且至少对分类到第二群组Cl2的目标区域(区域Ar3和区域Ar4)的评估信息(平均NDVI值)进行校正(参见图14和图17)。
可以通过将网格区域Gr分类成具有高植被覆盖率的第一群组Cl1和具有低植被覆盖率的第二群组Cl2来指定以下区域组:所述区域组的平均NDVI值由于低植被覆盖率的影响而降低。换言之,可以指定对其而言优选的是根据植被覆盖率进行校正的区域组。
根据实施方式中呈现的示例,评估信息校正单元3对分类到第一群组Cl1(网格区域Gr或区域Ar1和Ar2)的目标区域和分类到第二群组Cl2(网格区域Gr或区域Ar3和Ar4)的目标区域中的每一个的评估信息(平均NDVI值)进行校正(参见图14和图17)。
通过将多个网格区域Gr分类成具有高植被覆盖率的第一群组Cl1和具有低植被覆盖率的第二群组Cl2并且实现对每一个群组的校正,可以适当地实现与植被覆盖率对应的校正。此外,虽然与被分类到第二群组Cl2的网格区域Gr相比影响程度低,但是被分类到第一群组Cl1的网格区域Gr的平均NDVI值也会受到捕获图像中包括的土壤部分的影响。因此,可以通过除了对第二群组Cl2中的网格区域Gr的平均NDVI值进行校正之外,还对第一群组Cl1中的网格区域Gr的平均NDVI值进行校正,来提高农田210中的各个区域的平均NDVI值的整体准确度。
根据本实施方式中呈现的示例,评估信息校正单元3获得在不同时间点的与多个目标区域(网格区域Gr或区域Ar1、Ar2、Ar3和Ar4)中的每一个相关联的评估信息(平均NDVI值)、获得与第一群组Cl1相关联的评估信息的最大值M1和与第二群组Cl2相关联的评估信息的最大值M2之间的差,并且基于该差生成被分类到第二群组Cl2的目标区域(区域Ar3和Ar4)中的每一个的校正信息(偏移量)(参见图14和图17)。
以这种方式,可以使群组之间的平均NDVI值的差距偏移。具体地,被分类到第二群组Cl2的具有低植被覆盖率的网格区域Gr的平均NDVI值被认为低于相应网格区域Gr中的植被的实际NDVI值。因此,例如,可以通过实现偏移以使得第一群组Cl1的最大值M1和第二群组Cl2的最大值M2相等来减小低植被覆盖率的影响。
另外,在对不同时间点的平均NDVI值进行校正的情况下,可以针对每个时间点使用相同的偏移量或不同的偏移量。在针对每个时间点使用不同偏移量的情况下,在基于差计算(生成)偏移量时,例如可以通过使用预定系数等来计算每个时间点的偏移量。
此外,根据本实施方式,虽然基于各个群组的平均NDVI值的最大值之间的差来计算偏移量,但是可以基于与各个群组相关联并且基于其他参数提取的评估信息的代表值之间的差(例如在由用户指定的预定日期各个群组的平均NDVI值的最大值之间的差)来计算偏移量。
根据本实施方式中呈现的示例,NDVI校正处理的第二示例中的评估信息校正单元3获取不同时间点的多个目标区域(网格区域Gr或区域Ar1、Ar2、Ar3和Ar4)中的每一个的评估信息(平均NDVI值),提取第一群组Cl1中的评估信息的最大值M1,指定已经提取了最大值M1的目标区域(区域Ar)作为最大值区域,基于最大值区域的植被覆盖率获得评估信息的理论值,并且基于根据最大值M1和该理论值而生成的校正信息对与多个目标区域相关联的评估信息进行校正(参见图14和图17)。
根据最大值区域(区域Ar)的理论值和最大值M1生成的校正信息可以例如是该理论值与最大值M1的比率。通过基于该比率对多个目标区域的平均NDVI值进行校正,可以针对每一个区域获取在假设植被覆盖率为100%的情况下的平均NDVI值。换言之,可以获取受植被覆盖率影响小的NDVI值。注意,虽然在实施方式中已经呈现了指定最大值区域的理论值与最大值M1的比率作为校正信息的示例,但是可以采用除了根据最大值区域的理论值和最大值M1生成的比率之外的比率或值作为校正信息。
在本实施方式中已经呈现了根据目标区域的图像数据获得对应目标区域(网格区域Gr)的作物数量的示例。
作物数量例如是从通过对网格区域Gr或包括网格区域Gr的农田210进行成像而获取的图像数据中获得的站位计数值。例如,站位计数值被计算以用于确定种植之后的再种植(例如,再播种)。然而,在站位计数值能够作为站位计数数据DT3利用的情况下,可以获取目标区域中的作物数量,而不需要重新测量目标区域中的作物数量。
注意,虽然在实施方式中已经描述了采用站位计数值作为作物数量的示例,但是可以采用来自用户的输入值或通过其他方法测量的作物数量作为目标区域中的作物数量。
在本实施方式中已经提出了与目标区域(网格区域Gr)相关联的评估信息是植被指数的示例。
以这种方式,可以提高评估信息的准确度,其中该评估信息是用于对目标区域中的植被进行评估的植被指数。例如,根据本实施方式,可以提高基于经校正的平均NDVI值来估计叶绿素浓度的准确度。
注意,虽然在本实施方式中已经描述了对作为评估信息的NDVI值
(平均NDVI值)进行校正的示例,但是可以对指示其他植被指数的评估信息进行校正。
根据实施方式的程序是如下程序:在该程序下,例如使CPU、DSP(数字信号处理器)等或者包括它们中的任何一个的装置执行根据基于目标区域中的作物数量的校正信息来校正与目标区域相关联的评估信息的处理。
该程序使得能够广泛地提供上述信息处理装置1。例如,也可以假设以信息处理装置1的更新程序等的形式提供该程序。
上述形式的程序可以预先记录在HDD(作为在诸如计算机装置的设备中内置的存储介质)中,在具有CPU的微型计算机内的ROM中,等等。
替选地,程序可以暂时地或永久地存储(记录)在可移除存储介质中,可移除介质例如是软盘、CD-ROM(致密盘只读存储器)、MO(磁光)盘、DVD(数字多功能盘)、蓝光盘(注册商标)、磁盘、半导体存储器和存储卡。上述形式的可移除存储介质可以作为通常所谓的封装软件来提供。
此外,上述程序可以从可移除记录介质安装到个人计算机等中,或者可以经由诸如LAN(局域网)和因特网的网络从下载网站下载。
此外,上述程序适合于以广泛范围提供实施方式的信息处理装置1。例如,可以将程序下载到提供云计算服务的服务器上,以实现本公开内容的信息处理装置1在云网络上的功能。
注意,要提供的有益效果不限于本说明书中仅通过示例的方式呈现的有益效果。另外,可以产生其他有益效果。
注意,本技术还可以采用以下配置。
(1)
一种信息处理装置,包括:
评估信息校正单元,其根据校正信息对与目标区域相关联的评估信息进行校正,其中所述校正信息基于所述目标区域的作物数量。
(2)
根据上述(1)所述的信息处理装置,其中,所述评估信息校正单元根据所述目标区域中的作物数量获得植被覆盖率,并且基于所述植被覆盖率生成所述校正信息。
(3)
根据上述(2)所述的信息处理装置,其中,所述评估信息校正单元根据所述植被覆盖率指定所述评估信息的理论值,并且基于所述理论值生成所述校正信息。
(4)
根据上述(3)所述的信息处理装置,其中,所述评估信息校正单元基于与所述目标区域中的作物种类相对应的参考数据,根据所述植被覆盖率指定所述理论值。
(5)
根据上述(3)所述的信息处理装置,其中,所述评估信息校正单元基于先前在所述目标区域中测量的先前数据,根据所述植被覆盖率指定所述理论值。
(6)
根据上述(5)所述的信息处理装置,其中,所述评估信息校正单元基于与所述目标区域的条件相对应的先前数据,根据所述植被覆盖率指定所述理论值。
(7)
根据上述(1)至(6)中的任一项所述的信息处理装置,其中,
所示目标区域是农田的部分区域,并且
所述评估信息校正单元对与所述农田中的多个目标区域相关联的评估信息进行校正。
(8)
根据上述(1)所述的信息处理装置,其中,所述评估信息校正单元根据多个目标区域中的每一个目标区域的作物数量获得植被覆盖率,将所述多个目标区域分类成具有高植被覆盖率的第一群组和具有低植被覆盖率的第二群组,并且至少对与分类到所述第二群组的目标区域相关联的评估信息进行校正。
(9)
根据上述(8)所述的信息处理装置,其中,所述评估信息校正单元对与分类到所述第一群组的目标区域相关联的评估信息以及与分类到所述第二群组的目标区域相关联的评估信息进行校正。
(10)
根据上述(8)或(9)所述的信息处理装置,其中,所述评估信息校正单元获取不同时间点的与所述多个目标区域相关联的评估信息,获得所述第一群组中的评估信息的最大值与所述第二群组中的评估信息的最大值之间的差,并且基于根据所述差而生成的校正信息来对与分类到所述第二群组的目标区域相关联的评估信息进行校正。
(11)
根据上述(8)至(10)中的任一项所述的信息处理装置,其中,所述评估信息校正单元获取不同的时间点的与所述多个目标区域相关联的评估信息,提取所述第一群组中的评估信息的最大值,指定提取了所述最大值的目标区域作为最大值区域,基于所述最大值区域的植被覆盖率获得与所述最大值区域相关联的评估信息的理论值,并且基于根据所述最大值和所述理论值而生成的校正信息来对与所述多个目标区域相关联的评估信息进行校正。
(12)
根据上述(1)至(11)中的任一项所述的信息处理装置,其中,根据所述目标区域的图像数据获得所述目标区域中的作物数量。
(13)
根据上述(1)至(12)中的任一项所述的信息处理装置,其中,与所述目标区域相关联的评估信息是植被指数。
(14)
一种信息处理方法,其根据校正信息对与目标区域相关联的评估信息进行校正,其中所述校正信息基于所述目标区域的作物数量。
(15)
一种程序,其使信息处理装置执行如下处理:根据校正信息对与目标区域相关联的评估信息进行校正,其中所述校正信息基于所述目标区域的作物数量。
[附图标记列表]
1:信息处理装置
3:评估信息校正单元
Cl1:第一群组
Cl2:第二群组
DT1:捕获图像
DT2:NDVI图像
DT3:站位计数数据
DT5:参考数据
DT6:先前数据
Gr:网格区域
M1,M2:最大值
Claims (15)
1.一种信息处理装置,包括:
评估信息校正单元,其根据校正信息对与目标区域相关联的评估信息进行校正,其中所述校正信息基于所述目标区域的作物数量。
2.根据权利要求1所述的信息处理装置,其中,所述评估信息校正单元根据所述目标区域中的作物数量获得植被覆盖率,并且基于所述植被覆盖率生成所述校正信息。
3.根据权利要求2所述的信息处理装置,其中,所述评估信息校正单元根据所述植被覆盖率指定所述评估信息的理论值,并且基于所述理论值生成所述校正信息。
4.根据权利要求3所述的信息处理装置,其中,所述评估信息校正单元基于与所述目标区域中的作物种类相对应的参考数据,根据所述植被覆盖率指定所述理论值。
5.根据权利要求3所述的信息处理装置,其中,所述评估信息校正单元基于先前在所述目标区域中测量的先前数据,根据所述植被覆盖率指定所述理论值。
6.根据权利要求5所述的信息处理装置,其中,所述评估信息校正单元基于与所述目标区域的条件相对应的先前数据,根据所述植被覆盖率指定所述理论值。
7.根据权利要求1所述的信息处理装置,其中,
所述目标区域包括农田的部分区域,并且
所述评估信息校正单元对与所述农田中的多个目标区域相关联的评估信息进行校正。
8.根据权利要求1所述的信息处理装置,其中,所述评估信息校正单元根据多个目标区域中的每一个目标区域的作物数量获得植被覆盖率,将所述多个目标区域分类成具有高植被覆盖率的第一群组和具有低植被覆盖率的第二群组,并且至少对与分类到所述第二群组的目标区域相关联的评估信息进行校正。
9.根据权利要求8所述的信息处理装置,其中,所述评估信息校正单元对与分类到所述第一群组的目标区域相关联的评估信息以及与分类到所述第二群组的目标区域相关联的评估信息进行校正。
10.根据权利要求8所述的信息处理装置,其中,所述评估信息校正单元获取不同时间点的与所述多个目标区域相关联的评估信息,获得所述第一群组中的评估信息的最大值与所述第二群组中的评估信息的最大值之间的差,并且基于根据所述差而生成的校正信息来对与分类到所述第二群组的目标区域相关联的评估信息进行校正。
11.根据权利要求8所述的信息处理装置,其中,所述评估信息校正单元获取不同时间点的与所述多个目标区域相关联的评估信息,提取所述第一群组中的评估信息的最大值,指定提取了所述最大值的目标区域作为最大值区域,基于所述最大值区域的植被覆盖率获得与所述最大值区域相关联的评估信息的理论值,并且基于根据所述最大值和所述理论值而生成的校正信息来对与所述多个目标区域相关联的评估信息进行校正。
12.根据权利要求1所述的信息处理装置,其中,根据所述目标区域的图像数据获得所述目标区域中的作物数量。
13.根据权利要求1所述的信息处理装置,其中,与所述目标区域相关联的评估信息包括植被指数。
14.一种信息处理方法,其根据校正信息对与目标区域相关联的评估信息进行校正,其中所述校正信息基于所述目标区域的作物数量。
15.一种程序,其使信息处理装置执行如下处理:根据校正信息对与目标区域相关联的评估信息进行校正,其中所述校正信息基于所述目标区域的作物数量。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-058513 | 2021-03-30 | ||
JP2021058513 | 2021-03-30 | ||
PCT/JP2022/004456 WO2022209284A1 (ja) | 2021-03-30 | 2022-02-04 | 情報処理装置、情報処理方法、プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117042595A true CN117042595A (zh) | 2023-11-10 |
Family
ID=83458806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280023034.5A Pending CN117042595A (zh) | 2021-03-30 | 2022-02-04 | 信息处理装置、信息处理方法和程序 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240177478A1 (zh) |
CN (1) | CN117042595A (zh) |
WO (1) | WO2022209284A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220343645A1 (en) * | 2021-04-22 | 2022-10-27 | Nokia Technologies Oy | Vegetation inspection using multiple digital images |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6295452B2 (ja) * | 2015-09-02 | 2018-03-20 | 京都府 | 農作物育成支援装置、及びそのプログラム |
CN208140048U (zh) * | 2018-01-04 | 2018-11-23 | 和舆图(北京)科技有限公司 | 叶面积指数测量装置 |
JP7081536B2 (ja) * | 2019-03-12 | 2022-06-07 | コニカミノルタ株式会社 | 作物の倒伏リスク診断に用いる生育パラメータの測定推奨スポット提示方法、倒伏リスク診断方法、および情報提供装置 |
JP7415348B2 (ja) * | 2019-07-03 | 2024-01-17 | ソニーグループ株式会社 | 情報処理装置、情報処理方法、プログラム、センシングシステム |
-
2022
- 2022-02-04 WO PCT/JP2022/004456 patent/WO2022209284A1/ja active Application Filing
- 2022-02-04 US US18/551,195 patent/US20240177478A1/en active Pending
- 2022-02-04 CN CN202280023034.5A patent/CN117042595A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240177478A1 (en) | 2024-05-30 |
WO2022209284A1 (ja) | 2022-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230292647A1 (en) | System and Method for Crop Monitoring | |
CN109345555B (zh) | 基于多时相多源遥感数据进行水稻识别的方法 | |
Solano et al. | A methodology based on GEOBIA and WorldView-3 imagery to derive vegetation indices at tree crown detail in olive orchards | |
Son et al. | Classification of multitemporal Sentinel-2 data for field-level monitoring of rice cropping practices in Taiwan | |
CN105678281B (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
CN109948596B (zh) | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 | |
Johnson | Temporal stability of an NDVI‐LAI relationship in a Napa Valley vineyard | |
Addink et al. | The importance of scale in object-based mapping of vegetation parameters with hyperspectral imagery | |
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 | |
CN109508633B (zh) | 一种基于光学遥感数据的甘蔗分布识别方法 | |
CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
Waldhoff et al. | Analysis of multitemporal and multisensor remote sensing data for crop rotation mapping | |
Mehdaoui et al. | Exploitation of the red-edge bands of Sentinel 2 to improve the estimation of durum wheat yield in Grombalia region (Northeastern Tunisia) | |
CN112215090A (zh) | 融合物候知识的遥感水稻制图方法及其应用 | |
Liu et al. | UAV-based crops classification with joint features from orthoimage and DSM data | |
Bourgeon et al. | «On-the-go» multispectral imaging system to characterize the development of vineyard foliage with quantitative and qualitative vegetation indices | |
US20240087311A1 (en) | Remote soil and vegetation properties determination method and system | |
CN105678280B (zh) | 基于纹理特征的地膜覆盖农田遥感监测方法 | |
CN117042595A (zh) | 信息处理装置、信息处理方法和程序 | |
Kim et al. | Growth monitoring of field-grown onion and garlic by CIE L* a* b* color space and region-based crop segmentation of UAV RGB images | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
Lacerda et al. | Correlation of UAV and satellite-derived vegetation indices with cotton physiological parameters and their use as a tool for scheduling variable rate irrigation in cotton | |
Venkatesan et al. | Multi-temporal feature extraction for precise maize area mapping using time-series Sentinel 1A SAR data | |
Yu et al. | Hyperspectral database prediction of ecological characteristics for grass species of alpine grasslands | |
Dos Reis et al. | Exploring the potential of high-resolution planetscope imagery for pasture biomass estimation in an integrated crop–livestock system |
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 |