CN117091706A - 基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法 - Google Patents
基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法 Download PDFInfo
- Publication number
- CN117091706A CN117091706A CN202311093924.6A CN202311093924A CN117091706A CN 117091706 A CN117091706 A CN 117091706A CN 202311093924 A CN202311093924 A CN 202311093924A CN 117091706 A CN117091706 A CN 117091706A
- Authority
- CN
- China
- Prior art keywords
- temperature
- canopy
- soil
- forest
- crown
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 72
- 239000002689 soil Substances 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 239000002028 Biomass Substances 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 239000004065 semiconductor Substances 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 241000894007 species Species 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 241001464837 Viridiplantae Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
- G01J5/485—Temperature profile
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供了一种基于遥感的林冠‑林冠下空气‑根系附近土壤的立体化温度监测方法，其具体为城市绿地的植物群落生物量监测方法，所述方法包括：通过无人机搭载激光雷达获取目标地区的树木的三维信息，以构建目标地区的林冠结构模型；通过无人机搭载红外相机获取目标地区的林冠表面的温度分布图像，并结合林冠结构模型，以获取林冠温度及林冠下的温度的监测数据；通过土壤温度传感器获取目标地区的树木的根系附近的土壤温度的监测数据；将林冠温度及林冠下的温度的监测数据、土壤温度的监测数据、不同树种以及其生长量模型进行融合，建立温差和树种生物量的估算模型，以获取目标地区的植物群落生物量。该方法在城市绿地生态效益评估领域具有广泛的应用前景，为城市绿地植物群落生物量的检测提供依据。
Description
技术领域
本发明属于城市绿地生态效益评估技术领域，具体涉及一种基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法，具体为一种城市绿地的植物群落生物量监测方法。
背景技术
绿地植物群落树种种类、数量对小气候和气温的影响非常明显，所以森林又有天然空调之称，城市绿地植物群落也不例外。城市绿地树木在调节气温、改变绿地小气候、改善生态环境、提高生态系统服务功能方面起着重要作用。生物量是反映生态系统生产力的一个关键指标，是指一个生态系统在一段时间内的生产总量。如果生物量稳步增长，意味着这个生态系统是健康的，反之，意味着这个生态系统可能正在受到某种形式的压力或破坏。而树木生物量的监测不仅能够使我们获知生态系统是否健康，更能够帮助我们调整和改善生态环境，例如，如果发现某个地区的树木生物量在下降，那可能需要采取一下行动，如，植树造林，来恢复该地区的生态环境。此外，树木是地球上最大的生物质储存库，它们通过光合作用吸收大气中的二氧化碳，这对理解和预测气候变化也是至关重要的，因此对城市绿地植物群落树种组成及其生物量的准确测评是配置模式至关重要。目前，对城市绿地植物群落生物量的监测多是在采样地点通过人工测量不同树木的生长量，建立生长模型，估算群落生物量。这样不仅耗时费力，不能持续获得树木的生长情况，而且易受外界干扰，监测数据的准确性难以保证，更难以对整个林区进行全面的监测和分析，无法满足现代城市园林绿化需求。
发明内容
基于现有技术存在的技术问题，本发明提供一种基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法，具体为一种城市绿地的植物群落生物量监测方法，以解决在对城市绿地植物群落生物量的监测中，人工测量工作量大，效率低，且数据准确性难以保证的技术问题。
为了实现上述目的，本发明采取了如下技术方案：一种基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法，包括以下步骤：通过无人机搭载激光雷达获取目标地区的树木的三维信息,以构建目标地区的林冠结构模型；通过无人机搭载红外相机获取目标地区的林冠表面的温度分布图像，并结合林冠结构模型，以获取林冠温度及林冠下的温度的监测数据；通过土壤温度传感器获取目标地区的树木的根系附近的土壤温度的监测数据；将林冠温度及林冠下的温度的监测数据、土壤温度的监测数据、不同树种以及其生长量模型进行融合，建立温差和树种生物量的估算模型，以获取目标地区的植物群落生物量。
可选地，三维信息包括高度、密度和结构。
可选地，通过无人机搭载红外相机获取目标地区的林冠表面的温度分布图像，并结合林冠结构模型，以获取林冠温度及林冠下的温度的监测数据，包括以下步骤：对红外相机拍摄到的红外图像进行处理和分析，将红外图像转化为温度分布图像；采用卷积神经网络深度学习分类和特征提取的算法，结合林冠结构模型，对温度分布图像进行分析和识别，以获取林冠温度及林冠下的温度的监测数据。
可选地，基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法还包括以下步骤：通过红外测温仪获取目标地区的林冠下的空气温度的监测数据，并与通过红外相机获取的林冠下的温度的监测数据进行比对校正。
可选地，通过土壤温度传感器获取目标地区的树木的根系附近的土壤温度的监测数据，包括以下步骤：选择土壤温度传感器；选择位置进行土壤温度传感器的安装；对土壤温度传感器进行数据采集和处理，以获取土壤温度的变化趋势和温度分布信息；将土壤温度的变化趋势和温度分布信息进行可视化。
可选地，通过土壤温度传感器获取目标地区的树木的根系附近的土壤温度的监测数据中，土壤温度传感器包括热电偶、热电阻或半导体传感器。
可选地，将林冠温度及林冠下的温度的监测数据、土壤温度的监测数据、不同树种以及其生长量模型进行融合中，采用加权平均法或最大值法进行数据融合。
由上述本发明的实施例提供的技术方案可以看出，本发明提供的基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法具有以下有益效果：
(1)监测数据的时效性高：基于遥感的监测方法可以实时获取目标地区的温度数据，可以快速掌握城市绿地气温的变化状况，及时采取相应措施进行管护。
(2)监测数据的准确性高：基于遥感的监测方法可以通过红外测温技术手段，准确获取城市绿地植物群落林冠、林冠下和根系附近的温度数据，可以提高监测数据的准确性和可信度。
(3)监测范围广泛：基于遥感的监测方法可以实现对大面积绿地的快速监测和分析，可以全面掌握城市绿地分布状况，为城市绿地资源管理和调控提供强有力的支持。
(4)监测成本低廉：基于遥感的监测方法可以通过无人机等设备进行实现，相对于传统的人工观测和传感器布设等方法，成本更加低廉。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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。
图1为本发明实施例提供的一种基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法的处理流程图；
图2为本发明实施例提供的获取林冠温度及林冠下的温度的监测数据的处理流程图；
图3为本发明实施例提供的另一种基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法的处理流程图；
图4为本发明实施例提供的获取树木的根系附近的土壤温度的监测数据的处理流程图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
参见图1所示，本发明实施例提供了一种基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法，包括以下步骤：
步骤S10.通过无人机搭载激光雷达获取目标地区的树木的三维信息,以构建目标地区的林冠结构模型；
无人机搭载的激光雷达能够快速、准确地采集树木的高度、密度、结构等信息。具体实施时，根据实际情况，选择参数(如波长、扫描频率、激光功率等)适合的激光雷达设备，以获得高质量的树木三维信息(三维信息包括高度、密度和结构等)，从而得到准确的林冠结构模型。同时，在无人机飞行时，可以采用自动飞行路径规划和控制技术，确保激光雷达数据的完整性和一致性。
步骤S20.通过无人机搭载红外相机获取目标地区的林冠表面的温度分布图像，并结合林冠结构模型，以获取林冠温度及林冠下的温度的监测数据，参见图2所示，包括以下步骤：
步骤S201.对红外相机拍摄到的红外图像进行处理和分析，将红外图像转化为温度分布图像。
可以理解的是，通过无人机上的红外相机能够快速、高效地获取大范围林冠表面的温度分布。在拍摄前可根据实际需要选择参数(如波长、分辨率、帧率等)适合的红外相机设备，以获得高质量的红外图像。
步骤S202.采用卷积神经网络深度学习分类和特征提取的算法，结合林冠结构模型，对温度分布图像进行分析和识别，以获取林冠温度及林冠下的温度的监测数据。
在图像处理和分析时，结合机器学习等算法，进行自动化处理和智能识别，实现提高效率和准确性。
其中，在使用CNN(卷积神经网络)对林冠红外图像进行分类和特征提取之前，需要进行一系列的数据预处理工作，具体包括：
首先，需要将无人机拍摄到的林冠红外图像进行去噪处理、裁剪和缩放，以便于后续的处理和分析；
其次，需要将林冠红外图像转换为数字形式，通常使用灰度图像或RGB图像。
最后，需要对图像进行归一化处理，以确保各个像素的数值在合适的范围内。
可以理解的是，CNN包括依次排列的卷积层、池化层和全连接层，卷积层和池化层是CNN的两个核心组件，用于从图像中提取特征。卷积层通过卷积核对图像进行卷积操作，提取出图像中的特征。池化层则通过对卷积结果进行池化操作，减少特征的维度和大小，从而减少后续层的计算量。在本发明的一些实施例中，可以使用多个卷积层和池化层对林冠红外图像进行特征提取和降维。全连接层是CNN中的最后一层，用于对提取出的特征进行分类。在本发明的一些实施例中，使用多个全连接层对林冠红外图像进行分类，识别出不同部分的温度信息，将卷积层和池化层提取出的特征进行展开，然后通过多个全连接层对特征进行分类。在完成CNN的网络构建之后，对其进行训练和优化。训练的过程使用大量的数据集和GPU进行加速计算。训练的目的是通过反向传播算法，不断优化CNN的参数，使得其能够更准确地对林冠红外图像进行分类和特征提取。优化的过程中，需要根据具体情况选择合适的损失函数和优化算法，以提高CNN的分类准确率和泛化能力。最终利用深度学习技术进行图像分类和特征提取，最终得到林冠表面温度分布的图像结果。随后，结合步骤S10的激光雷达方式得到的林冠结构模型，对图像进行分析和识别，进一步提高林冠温度监测的精度和准确性。
参见图3所示，在一些可选实施例中，基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法还包括以下步骤：
步骤S21.通过红外测温仪获取目标地区的林冠下的空气温度的监测数据，并与步骤S20通过红外相机获取的林冠下的温度的监测数据进行比对校正。
具体实施时，首先需要选择适合的红外测温仪。在选择时，需要考虑测温范围、精度、响应时间和可靠性等因素。选择合适的位置进行空气温度的测量。通常情况下，需要选择离地面较近、离树干较远的位置，以避免由于近距离测量造成的测量误差。同时，需要注意选择充分代表该区域温度情况的位置，以确保测量结果的代表性。随机抽取样地，按照一定的采样密度和采样间隔，通过手持红外测温仪获取最下层林冠不同方位气温数据。将红外测温仪对准测量位置，触发测量按钮进行测量。在测量时需要注意保持稳定的测量距离和角度，并避免被测物体表面的反射和散射光线的干扰。最后，通过与红外获取数据进行比对校正处理，实现提高测量的可靠性和一致性。
步骤S30、通过土壤温度传感器获取目标地区的树木的根系附近的土壤温度的监测数据，参见图4所示，包括以下步骤：
步骤S301.选择土壤温度传感器。通常使用的土壤温度传感器包括热电偶、热电阻和半导体传感器等。在选择土壤温度传感器时需要考虑传感器的精度、响应速度、可靠性和成本等因素。
步骤S302.选择位置进行土壤温度传感器的安装。通常情况下，需要将土壤温度传感器埋入土壤中，距离树木根系较近的位置，以确保能够准确地测量到树木根系附近的土壤温度。在安装时需要注意土壤温度传感器的深度和位置，以及土壤温度传感器与周围土壤的接触情况。
步骤S303.对土壤温度传感器进行数据采集和处理。数据处理包括数据清洗、预处理和分析等步骤，以获取土壤温度的变化趋势和温度分布信息。根据数据采集和处理的结果，进行数据分析和应用，可以通过数据可视化技术将土壤温度的变化趋势和温度分布信息呈现出来。同时，也可以将数据应用到相关的领域中，例如森林生态学、土地利用规划和农业生产等方面。需要注意的是，在实际应用中，还需要针对具体的监测需求进行相应的调整和优化。例如，在不同的土壤类型和季节下，土壤温度的变化趋势和分布情况可能存在差异，需要根据实际情况进行相应的调整和优化，以确保监测结果的准确性和可靠性。
步骤S40、将林冠温度及林冠下的温度的监测数据、土壤温度的监测数据、不同树种以及其生长量模型进行融合，建立温差和树种生物量的估算模型，以获取目标地区的植物群落生物量。
其中，在数据融合的过程中，需要考虑不同数据来源的差异和优势，选择合适的融合方法，如加权平均法、最大值法等，以保证融合数据的准确性和可靠性。为了提高数据的可视化和分析效果，可以采用虚拟现实等技术，将数据可视化成三维模型或动态图像，进一步分析和研究绿地树木生物量树木生长规律，为城市绿地建管提供科学依据，满足现代化城市园林绿化绿地植物群落空间温度监测的需求，提高城市绿地管控效率和精度，促进城市园林绿化高质量发展。
综上所述，实施本实施例提供的一种基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法，至少具有以下有益技术效果：
(1)立体化监测：本发明采用多种温度监测手段，实现了对林冠、林冠下空气和根系附近土壤温度的全面、立体化监测，为林区环境温度分布提供了更加全面、精准的数据。
(2)遥感技术应用：本发明采用无人机部署红外相机进行林冠温度监测，充分利用遥感技术，提高了监测效率和准确性。
(3)多源数据融合：本发明采用数据融合分析方法，将来自不同温度监测手段的数据进行整合，更好地展现了林区温度分布规律，提高了数据分析的准确性和可靠性。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法，其特征在于，其包括以下步骤：
通过无人机搭载激光雷达获取目标地区的树木的三维信息，以构建所述目标地区的林冠结构模型；
通过无人机搭载红外相机获取所述目标地区的林冠表面的温度分布图像，并结合所述林冠结构模型，以获取林冠温度及林冠下的温度的监测数据；
通过土壤温度传感器获取所述目标地区的树木的根系附近的土壤温度的监测数据；
将所述林冠温度及所述林冠下的温度的监测数据、所述土壤温度的监测数据、不同树种以及其生长量模型进行融合，建立温差和树种生物量的估算模型，以获取所述目标地区的植物群落生物量。
2.根据权利要求1所述的基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法，其特征在于，所述三维信息包括高度、密度和结构。
3.根据权利要求1所述的基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法，其特征在于，所述通过无人机搭载红外相机获取所述目标地区的林冠表面的温度分布图像，并结合所述林冠结构模型，以获取所述林冠温度及所述林冠下的温度的监测数据，包括以下步骤：
对所述红外相机拍摄到的红外图像进行处理和分析，将所述红外图像转化为温度分布图像；
采用卷积神经网络深度学习分类和特征提取的算法，结合所述林冠结构模型，对所述温度分布图像进行分析和识别，以获取林冠温度及林冠下的温度的监测数据。
4.根据权利要求1所述的基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法，其特征在于，还包括以下步骤：
通过红外测温仪获取所述目标地区的林冠下的空气温度的监测数据，并与通过所述红外相机获取的林冠下的温度的监测数据进行比对校正。
5.根据权利要求1所述的基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法，其特征在于，所述通过土壤温度传感器获取所述目标地区的树木的根系附近的土壤温度的监测数据，包括以下步骤：
选择所述土壤温度传感器；
选择位置进行所述土壤温度传感器的安装；
对土壤温度传感器进行数据采集和处理，以获取所述土壤温度的变化趋势和温度分布信息；
将所述土壤温度的变化趋势和温度分布信息进行可视化。
6.根据权利要求1所述的基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法，其特征在于，所述通过土壤温度传感器获取所述目标地区的树木的根系附近的土壤温度的监测数据中，所述土壤温度传感器包括热电偶、热电阻或半导体传感器。
7.根据权利要求1所述的基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法，其特征在于，所述将所述林冠温度及所述林冠下的温度的监测数据、所述土壤温度的监测数据、不同树种以及其生长量模型进行融合中，采用加权平均法或最大值法进行数据融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311093924.6A CN117091706A (zh) | 2023-08-28 | 2023-08-28 | 基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311093924.6A CN117091706A (zh) | 2023-08-28 | 2023-08-28 | 基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117091706A true CN117091706A (zh) | 2023-11-21 |
Family
ID=88773167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311093924.6A Pending CN117091706A (zh) | 2023-08-28 | 2023-08-28 | 基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117091706A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117593670A (zh) * | 2023-11-23 | 2024-02-23 | 日照朝力信息科技有限公司 | 用于森林资源智能调查和监测的方法及系统 |
-
2023
- 2023-08-28 CN CN202311093924.6A patent/CN117091706A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117593670A (zh) * | 2023-11-23 | 2024-02-23 | 日照朝力信息科技有限公司 | 用于森林资源智能调查和监测的方法及系统 |
| CN117593670B (zh) * | 2023-11-23 | 2024-05-14 | 日照朝力信息科技有限公司 | 用于森林资源智能调查和监测的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping | |
| Goodbody et al. | Digital aerial photogrammetry for assessing cumulative spruce budworm defoliation and enhancing forest inventories at a landscape-level | |
| CN111553245A (zh) | 基于机器学习算法和多源遥感数据融合的植被分类方法 | |
| CN117091706A (zh) | 基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法 | |
| WO2023021769A1 (ja) | 植生管理システム及び植生管理方法 | |
| Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
| CN109427091A (zh) | 一种基于高光谱遥感和摄影测量技术的生物量模型研建方法 | |
| CN117272247B (zh) | 一种应用于数字孪生智慧乡村的数据集成方法及系统 | |
| CN108763811A (zh) | 动态数据驱动林火蔓延预测方法 | |
| CN112434569B (zh) | 一种无人机热成像系统 | |
| Bai et al. | Optimal window size selection for spectral information extraction of sampling points from UAV multispectral images for soil moisture content inversion | |
| Wu et al. | Estimation of cotton canopy parameters based on unmanned aerial vehicle (UAV) oblique photography | |
| Liu et al. | Analysis of cotton height spatial variability based on UAV-LiDAR | |
| Hu et al. | A robust deep learning approach for the quantitative characterization and clustering of peach tree crowns based on UAV images | |
| Wei et al. | Dynamic simulation of leaf area index for the soybean canopy based on 3D reconstruction | |
| Hu et al. | Phenotyping of poplar seedling leaves based on a 3D visualization method | |
| Zhang et al. | Evaluation of Leaf Area Index (LAI) of Broadacre crops using UAS-Based LiDAR point clouds and multispectral imagery | |
| Miao et al. | Measurement method of maize morphological parameters based on point cloud image conversion | |
| Vescovo et al. | Hail defoliation assessment in corn (Zea mays L.) using airborne LiDAR | |
| CN111814666B (zh) | 一种复杂林分下的单木参数提取方法、系统、介质及设备 | |
| CN110580468B (zh) | 一种基于影像匹配点云的单木结构参数提取的方法 | |
| Zou et al. | Density estimation method of mature wheat based on point cloud segmentation and clustering | |
| Mengoli et al. | On-line real-time fruit size estimation using a depth-camera sensor | |
| CN117169086A (zh) | 一种建筑物地下防水层施工质量检测方法、介质及系统 | |
| Puletti et al. | Enhancing wall-to-wall forest structure mapping through detailed co-registration of airborne and terrestrial laser scanning data in mediterranean forests |
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 |