CN117313961A - 一种草地生态畜牧信息空天地协同感知与智能预测平台 - Google Patents
一种草地生态畜牧信息空天地协同感知与智能预测平台 Download PDFInfo
- Publication number
- CN117313961A CN117313961A CN202311634705.4A CN202311634705A CN117313961A CN 117313961 A CN117313961 A CN 117313961A CN 202311634705 A CN202311634705 A CN 202311634705A CN 117313961 A CN117313961 A CN 117313961A
- Authority
- CN
- China
- Prior art keywords
- data
- grassland
- grass
- subsystem
- space
- 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
- 244000144972 livestock Species 0.000 title claims abstract description 51
- 244000025254 Cannabis sativa Species 0.000 claims abstract description 92
- 241001465754 Metazoa Species 0.000 claims abstract description 27
- 241001494479 Pecora Species 0.000 claims abstract description 27
- 241000283690 Bos taurus Species 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 230000008447 perception Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000009304 pastoral farming Methods 0.000 claims description 8
- 244000144992 flock Species 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000003750 conditioning effect Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 241000219925 Oenothera Species 0.000 claims description 2
- 235000004496 Oenothera biennis Nutrition 0.000 claims description 2
- 238000013079 data visualisation Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 210000001503 joint Anatomy 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 241001213934 Panicum schinzii Species 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/764—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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Astronomy & Astrophysics (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明涉及一种草地生态畜牧信息空天地协同感知与智能预测平台，属于生态畜牧业以及遥感、地理信息领域。平台包括多尺度特征数据库子系统、协同感知子系统、智能预测子系统。多尺度特征数据库包括天基数据、空基数据、地基数据，天基数据包括哨兵数据、MODIS数据和Landsat数据，空基数据包括无人机多光谱数据和RGB数据，地基数据包括手机图像数据、地面实测数据和牧场统计数据；整合上述数据，监测感知草地状况、计算典型植被指数、感知牛羊个数，计算合理载畜量；并智能预测牧场尺度和全县尺度的下一个月的草长势、草地产草量、草地合理载畜量。具有草地多指标监测和智能预测的能力，为生态畜牧业信息管理提供技术支持。
Description
技术领域
本发明属于生态畜牧业以及遥感、地理信息领域，具体涉及一种草地生态畜牧信息空天地协同感知与智能预测平台。
背景技术
草地作为重要的畜牧业生产区，面临着生态脆弱、气候变化、草原退化和畜牧压力等问题，威胁到生态畜牧业的可持续发展。监测感知草地的草地状况、牛羊状况、草畜平衡等并做到智能预测对于草地的可持续发展利用以及管理具有十分重要的意义。
目前的草地监测、管理存在诸多不足之处。数据自动处理能力不足，缺乏智能预测能力，信息滞后和不准确，难以有效应对生态环境的快速变化。
发明内容
本发明提供了一种草地生态畜牧信息空天地协同感知与智能预测平台，实现通过多尺度特征数据对草地状况的综合分析和智能预测，为草地的管理和保护、生态畜牧业的可持续发展提供技术保障。
本发明要解决的技术问题：提供了一种草地生态畜牧信息空天地协同感知与智能预测平台，为生态畜牧业可持续发展提供了技术支撑。
本发明提出一种草地生态畜牧信息空天地协同感知与智能预测平台，实现草地生态畜牧信息的空天地协同监测与预测，包括：多尺度特征数据库子系统、协同感知子系统、智能预测子系统；
其中，所述多尺度特征数据库子系统用于汇聚天空地多尺度遥感数据和草地调查数据；所述协同感知子系统通过综合处理分析多尺度特征数据库的数据感知草地生态畜牧状况；所述智能预测子系统用于预测下一个月的草长势、草地产草量和草地合理载畜量。
进一步，所述多尺度特征数据库子系统包括：天基数据，天基数据包括哨兵数据、MODIS数据和Landsat数据；空基数据，空基数据包括无人机多光谱数据和RGB数据；地基数据，地基数据包括手机图像数据、地面实测数据和牧场统计数据；天基遥感数据与GoogleEarth Engine即GEE平台对接，由GEE平台直接获取。
进一步，所述协同感知子系统包括：草地状况模块、典型植被指数模块、牛羊感知模块、草畜平衡模块四个功能模块；所述智能预测子系统，基于历史及现时监测数据，构建深度学习时序预测模型，智能预测牧场尺度和全县尺度下一个月的草长势、草地产草量、草地合理载畜量；
其中，所述草地状况模块包括：草地类型、草长势、草地覆盖度、草地温度、草地湿润度、草地产草量和鲜草覆盖度；所述典型植被指数模块包括：归一化植被指数、增强型植被指数、比值植被指数和土壤调节植被指数；所述牛羊感知模块包括：牛羊群识别与计数；所述草畜平衡模块包括：草地合理载畜量估算和放牧强度估算。
进一步，所述鲜草覆盖度是基于Transformer模型从手机拍摄图像上识别鲜草和干草，并以鲜草像素个数占图像总像素个数的比例为鲜草覆盖度；所述典型植被指数由多光谱图像波段运算得出；所述牛羊感知模块是基于Yolov8模型从图像中识别牛羊，并计算个数；所述草地合理载畜量是依据相关天然草地合理载畜量的计算标准进行计算。
进一步，所述智能预测子系统是通过长时序遥感数据来构建多层ConvLSTM时序预测模型，预测下一个月草长势、草地产草量，根据预测的草地产草量计算预测对应的草地合理载畜量。
本发明还提供一种草地生态畜牧信息空天地协同感知与智能预测平台的构建方法，包括以下步骤：
步骤一、使用Django作为后端Web框架，用于构建高质量、安全和可拓展的Web应用程序；
步骤二、使用Vue.js作为前端框架，用于构建组件化的可视化页面；
步骤三、Leaflet作为地图框架用于展示地图底图，PostgreSQL/PostGIS作为数据库用于存储多尺度特征数据，Yolov8模型用于牛羊群的识别与计数，Transformer模型用于计算鲜草覆盖度，ConvLSTM模型用于预测，并搭配ElementPlus、Echarts、Turf.js、Vanta.js作为三方辅助插件；其中ElementPlus用于构建具有吸引力和交互性的前端界面；Echarts 用于构建各种类型的数据可视化图表；Turf.js用于处理点、线、多边形等地理空间数据；Vanta.js用于构建前端动态背景；
步骤四、通过Django和Vue.js实现页面与后端的前后端分离，搭建整个平台。
本发明与现有技术相比的优点在于：
（1）前后端分离：所述平台使用Django作为后端Web框架，使用Vue.js作为前端框架，结合Transformer等多个深度学习模型，通过Django和Vue.js实现页面与后端的前后端分离，可以更好的改善开发流程，提高系统的可维护性和可扩展性，同时也有助于提供更好的用户体验。
（2）精准监测：所述平台可以通过多特征数据对生态畜牧业进行精确监测。能够实时获取和分析草地地区的环境参数、气象数据等方面的信息，帮助农牧业从业者了解牧场的状态和潜在问题。
（3）空天地协同：所述平台协同空天地三个尺度的数据，能够对生态畜牧业进行立体动态评估，帮助农牧业从业者及时调整畜牧业管理策略，优化资源利用和生产效益。
（4）智能预测：所述平台通过对大量的数据进行分析和建模，进行智能预测。利用深度学习和人工智能算法，预测牧场、县域的草长势、产草量、载畜量等，为农牧业从业者提供决策支持和规划。
附图说明
图1为本发明的架构图。
图2为本发明的前后端架构图。
图3为本发明一实施例的鲜草覆盖度计算原图和结果图，其中，图3的（a）为本发明一实施例的鲜草覆盖度计算原图；图3的（b）为本发明一实施例的鲜草覆盖度计算结果图。
图4为为本发明一实施例的羊群识别与计数原图和计数结果图；其中，图4的（a）为本发明一实施例的羊群识别与计数原图；图4的（b）为本发明一实施例的羊群识别与计数结果图。
图5为为本发明一实施例的植被长势原始图像和预测图像；图5的（a）为本发明一实施例的植被长势原始图像；图5的（b）为本发明一实施例的植被长势预测图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明采用的技术方案：本发明揭示了一种草地生态畜牧信息空天地协同感知与智能预测平台，基于WebGIS前后端分离技术进行生态畜牧信息协同感知与智能预测，分为多尺度特征数据库、协同感知子系统、智能预测子系统。
多尺度特征数据库：汇聚多尺度遥感数据，包括天基（哨兵数据、MODIS数据和Landsat数据），空基（无人机多光谱数据和RGB数据）、地基（手机图像数据、地面实测数据和牧场统计数据）遥感数据；天基遥感数据由Google Earth Engine即GEE平台获取。
协同感知子系统：基于多尺度特征数据库，融合人工智能、云计算等技术，监测感知草地状况、典型植被指数、牛羊感知、草畜平衡；其中草地状况包括草地类型、草长势、草地覆盖度、草地温度、草地湿润度、草地产草量和鲜草覆盖度；典型植被指数包括归一化植被指数、增强型植被指数、比值植被指数和土壤调节植被指数；牛羊感知包括牛羊群识别与计数；草畜平衡包括合理载畜量估算和放牧强度估算。
智能预测子系统：基于历史及现时监测数据，构建深度学习时序预测模型，智能预测牧场、全县不同区域尺度的草长势、草地产草量、草地合理载畜量。
所述多尺度特征数据库中，在线获取GEE数据实现过程为：首先后端部署GEEPython API，其次根据数据需求，查询GEE中满足的数据集，之后将数据集结果传回后端，后端解析查询到的数据，进行处理、渲染、添加图例比例尺等操作，以PNG格式的Base64编码的格式存储最终的结果；数据库部分则安装PostgreSQL以及其空间拓展PostGIS，以命令行的方式将属性数据和空间数据存入数据库中。
所述协同感知子系统，草地状况中的草地类型、草长势、草地覆盖度、草地温度、草地湿润度、草地产草量是直接获取Base64编码并进行加载显示；鲜草覆盖度是基于Transformer模型（一个利用注意力机制来提高模型训练速度的模型），将手机拍摄图像分为鲜草和干草两个类别，计算鲜草像素个数占总像素个数的比例，即为鲜草覆盖度；典型植被指数包括归一化植被指数、增强型植被指数、比值植被指数和土壤调节植被指数，由卫星图像/无人机拍摄图像波段运算得出；牛羊感知是基于Yolov8模型（全称为“You Only LookOnce”，是一种使用卷积神经网络进行目标检测的模型）进行牛羊识别，对识别出的每个个体划定一个所属框，所属框的个数即为牛羊的个数；草畜平衡包括估算草地合理载畜量和放牧强度，合理载畜量依据《NY_T635-2015天然草地合理载畜量的计算》计算，依据牧场、县域尺度的实际载畜量和计算的草地合理载畜量，计算放牧强度。
所述智能预测子系统，预测模型为ConvLSTM模型（卷积长短期记忆网络，像LSTM一样建立时序关系的同时可以像CNN一样刻画局部空间特征），基于历史及监测感知数据，构建多层ConvLSTM，预测下一个月的草长势、草地产草量，按照“以草定畜”原则以及《NY_T635-2015天然草地合理载畜量的计算》，根据草地产草量计算草地合理载畜量。
一种草地生态畜牧信息空天地协同感知与智能预测平台，其架构为：使用Django（是一个开放源代码的 Web 应用框架，由 Python 写成）作为后端Web框架，使用Vue.js（是一款用于构建用户界面的 JavaScript 框架）作为前端框架，Leaflet（用于交互式地图的JavaScript 库）作为地图框架，PostgreSQL/PostGIS作为数据库，结合Yolov8、Transformer、ConvLSTM等多个深度学习模型，并搭配ElementPlus、Echarts、Turf.js、Vanta.js（均为UI框架）等作为三方辅助插件。通过Django和Vue.js实现页面与后端的前后端分离，搭建整个平台。
本发明提供以下具体实施例。
如图1所示，本发明草地生态畜牧信息空天地协同感知与智能预测平台，包括多尺度特征数据库子系统、协同感知子系统、智能预测子系统。多尺度特征数据库子系统汇聚多尺度特征数据，包括天（哨兵数据、MODIS数据和Landsat数据），空（无人机多光谱数据和RGB数据）、地（手机图像数据、地面实测数据和牧场统计数据）多尺度数据。协同感知子系统基于构建的多尺度特征数据库，融合大数据、人工智能、云计算等技术，监测感知草地状况、典型植被指数、牛羊感知、草畜平衡；其中草地状况包括草地类型、草长势、草地覆盖度、草地温度、草地湿润度、草地产草量和鲜草覆盖度；典型植被指数包括归一化植被指数、增强型植被指数、比值植被指数和土壤调节植被指数；牛羊感知包括牛羊群识别与计数；草畜平衡包括草地合理载畜量和放牧强度。智能预测子系统基于历史以及实时监测感知数据，构建深度学习时序预测网络，智能预测牧场、全县不同区域尺度的草长势、草地产草量、草地合理载畜量。
平台的前后端架构如图2所示，其整体实现思路为：基于本地项目启动整个平台，用户层基于Vue.js、ElementPlus等搭建的前端交互页面提交数据查询、分析、预测等请求，前端将请求封装成JSON格式并通过Axios库传递给Django后端，Django解析JSON请求后，根据不同的任务需求调用不同的算法库、模型库、数据库，经过后端处理后将不同任务的反馈结果再次以JSON格式传回给前端，完成一次流程操作。
多尺度特征数据库具体实现如下： GEE数据获取过程为：首先后端部署GEEPython API，其次根据数据需求，查询GEE中满足的数据集，之后将数据集结果传回给后端，后端解析查询到的数据，进行处理、渲染、添加图例比例尺等操作，以PNG格式的Base64编码的格式存储最终的结果，方便前后段交互查询，减小数据量；数据库部分则安装PostgreSQL以及其空间拓展PostGIS，以命令行的方式将属性数据和空间数据存入数据库中。
协同感知子系统具体实现如下：草地状况中的草地类型、草长势、草地覆盖度、草地温度、草地湿润度、草地产草量部分直接获取Base64编码并进行加载显示，其中草长势由NDVI（归一化植被指数）代表，其计算公式为（NIR-R）/（NIR+R），NIR为近红波段，R为红波段；草地覆盖度由草长势数据并基于像元二分模型计算所得，置信区间取5%和95%；草地温度由MODIS数据的LST（地表温度）产品数据代表；草地湿润度由NDVSWI（归一化植被供水指数）所代表，其计算公式为NDVI/LST；草地产草量则由地面实测数据与无人机拍摄数据建立回归模型拟合所得。鲜草覆盖度部分基于Transformer模型（一个利用注意力机制来提高模型训练速度的模型），将手机拍摄图像分为鲜草和干草两个类别，计算鲜草像素个数占总像素个数的比例，即为鲜草覆盖度，结果如图3的（a）和（b）所示。典型植被指数包括归一化植被指数、增强型植被指数、比值植被指数和土壤调节植被指数，由卫星图像/无人机拍摄图像波段运算得出。牛羊感知部分基于Yolov8模型（全称为“You Only Look Once”，是一种使用卷积神经网络进行目标检测的模型）进行牛羊识别，对识别出的每个个体划定一个所属框，所属框的个数即为牛羊的个数，结果如图4的（a）和（b）所示。草畜平衡包括草地合理载畜量和放牧强度，合理载畜量依据《NY_T635-2015天然草地合理载畜量的计算》计算所得，依据牧场的实际载畜量和计算的合理载畜量，计算牧场的放牧强度。
智能预测子系统具体实现如下：预测模型为ConvLSTM模型（卷积长短期记忆网络，像LSTM一样建立时序关系的同时可以像CNN一样刻画局部空间特征），基于历史及实时监测感知数据，构建多层ConvLSTM，预测下一个月的草长势、草地产草量，按照“以草定畜”原则以及《NY_T635-2015天然草地合理载畜量的计算》，根据草地产草量计算草地合理载畜量。区域预测结果如图5的（a）和（b）所示。
上面所述的仅是体现本发明草地生态畜牧信息空天地协同感知与智能预测平台的实施例。本发明并不限于上述实施例。本发明的说明书是用于进行说明，不限制权利要求的范围。对于本领域的技术人员，很显然可以有很多的替换、改进和变化。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。
Claims (6)
1.一种草地生态畜牧信息空天地协同感知与智能预测平台，其特征在于，实现草地生态畜牧信息的空天地协同监测与预测，包括：多尺度特征数据库子系统、协同感知子系统、智能预测子系统；
其中，所述多尺度特征数据库子系统用于汇聚天空地多尺度遥感数据和草地调查数据；所述协同感知子系统通过综合处理分析多尺度特征数据库的数据感知草地生态畜牧状况；所述智能预测子系统用于预测下一个月的草长势、草地产草量和草地合理载畜量。
2.根据权利要求 1 所述的一种草地生态畜牧信息空天地协同感知与智能预测平台，其特征在于，所述多尺度特征数据库子系统包括：天基数据、空基数据、地基数据；天基数据包括哨兵数据、MODIS数据和Landsat数据；空基数据包括无人机多光谱数据和RGB数据；地基数据包括手机图像数据、地面实测数据和牧场统计数据；天基数据与Google EarthEngine即GEE平台对接，由GEE平台直接获取。
3.根据权利要求 1 所述的一种草地生态畜牧信息空天地协同感知与智能预测平台，其特征在于，所述协同感知子系统包括：草地状况模块、典型植被指数模块、牛羊感知模块、草畜平衡模块四个功能模块；所述智能预测子系统，基于历史及现时监测数据，构建深度学习时序预测模型，智能预测牧场尺度和全县尺度下一个月的草长势、草地产草量、草地合理载畜量；
其中，所述草地状况模块包括：草地类型、草长势、草地覆盖度、草地温度、草地湿润度、草地产草量和鲜草覆盖度；所述典型植被指数模块包括：归一化植被指数、增强型植被指数、比值植被指数和土壤调节植被指数；所述牛羊感知模块包括：牛羊群识别与计数；所述草畜平衡模块包括：草地合理载畜量估算和放牧强度估算。
4.根据权利要求 3所述的一种草地生态畜牧信息空天地协同感知与智能预测平台，其特征在于，所述鲜草覆盖度是基于Transformer模型从手机拍摄图像上识别鲜草和干草，并以鲜草像素个数占图像总像素个数的比例为鲜草覆盖度；所述典型植被指数由多光谱图像波段运算得出；所述牛羊感知模块是基于Yolov8模型从图像中识别牛羊，并计算个数；所述草地合理载畜量估算是依据相关天然草地合理载畜量的计算标准进行计算。
5.根据权利要求 3 所述的一种草地生态畜牧信息空天地协同感知与智能预测平台，其特征在于，所述智能预测子系统是通过长时序遥感数据来构建多层ConvLSTM时序预测模型，预测下一个月草长势、草地产草量，根据预测的草地产草量计算预测对应的草地合理载畜量。
6.一种如权利要求1-5任一项所述的一种草地生态畜牧信息空天地协同感知与智能预测平台的构建方法，其特征在于，包括以下步骤：
步骤一、使用Django作为后端Web框架，用于构建Web应用程序；
步骤二、使用Vue.js作为前端框架，用于构建组件化的可视化页面；
步骤三、Leaflet作为地图框架用于展示地图底图，PostgreSQL/PostGIS作为数据库用于存储多尺度特征数据，Yolov8模型用于牛羊群的识别与计数，Transformer模型用于计算鲜草覆盖度，ConvLSTM模型用于预测，并搭配ElementPlus、Echarts、Turf.js、Vanta.js作为三方辅助插件；其中ElementPlus用于构建具有吸引力和交互性的前端界面；Echarts 用于构建各种类型的数据可视化图表；Turf.js用于处理点、线、多边形的地理空间数据；Vanta.js用于构建前端动态背景；
步骤四、通过Django和Vue.js实现页面与后端的前后端分离，搭建整个平台。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311634705.4A CN117313961A (zh) | 2023-12-01 | 2023-12-01 | 一种草地生态畜牧信息空天地协同感知与智能预测平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311634705.4A CN117313961A (zh) | 2023-12-01 | 2023-12-01 | 一种草地生态畜牧信息空天地协同感知与智能预测平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117313961A true CN117313961A (zh) | 2023-12-29 |
Family
ID=89281602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311634705.4A Pending CN117313961A (zh) | 2023-12-01 | 2023-12-01 | 一种草地生态畜牧信息空天地协同感知与智能预测平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117313961A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033230A (zh) * | 2009-09-25 | 2011-04-27 | 中国农业科学院农业资源与农业区划研究所 | 一种草原卫星遥感监测系统及方法 |
| CN110095412A (zh) * | 2019-04-22 | 2019-08-06 | 青海大学 | 一种草畜动态遥感监测及放牧预警方法 |
| US20190394427A1 (en) * | 2018-06-20 | 2019-12-26 | Chang'an University | System for perceiving and co-processing intelligent connected vehicle-oriented scene image data |
| CN113011235A (zh) * | 2019-12-21 | 2021-06-22 | 中国林业科学研究院资源信息研究所 | 基于cpugpu异构平台的多源遥感草地草畜平衡评估方法 |
| CN116310798A (zh) * | 2023-02-13 | 2023-06-23 | 中国林业科学研究院资源信息研究所 | 天然草地合理载畜量高精度遥感估算方法 |
-
2023
- 2023-12-01 CN CN202311634705.4A patent/CN117313961A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033230A (zh) * | 2009-09-25 | 2011-04-27 | 中国农业科学院农业资源与农业区划研究所 | 一种草原卫星遥感监测系统及方法 |
| US20190394427A1 (en) * | 2018-06-20 | 2019-12-26 | Chang'an University | System for perceiving and co-processing intelligent connected vehicle-oriented scene image data |
| CN110095412A (zh) * | 2019-04-22 | 2019-08-06 | 青海大学 | 一种草畜动态遥感监测及放牧预警方法 |
| CN113011235A (zh) * | 2019-12-21 | 2021-06-22 | 中国林业科学研究院资源信息研究所 | 基于cpugpu异构平台的多源遥感草地草畜平衡评估方法 |
| CN116310798A (zh) * | 2023-02-13 | 2023-06-23 | 中国林业科学研究院资源信息研究所 | 天然草地合理载畜量高精度遥感估算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113486846B (zh) | 从大视野图像中检测被感染对象的方法及执行其的非暂时性计算机可读存储介质 | |
| EP3455742B1 (en) | Statistical blending of weather data sets | |
| CN113196294A (zh) | 使用机器学习方法利用卫星数据来映射土壤属性 | |
| Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
| JP7357674B2 (ja) | 改良された機械学習による植物病害の感染検出 | |
| 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 | |
| CN113038823A (zh) | 自动化样本采集和跟踪系统 | |
| CN110363246A (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
| Gandharum et al. | Remote sensing versus the area sampling frame method in paddy rice acreage estimation in Indramayu regency, West Java province, Indonesia | |
| US20220217894A1 (en) | Predicting soil organic carbon content | |
| CA3187862A1 (en) | Vegetation management system and vegetation management method | |
| Zhou et al. | An automated, high-performance approach for detecting and characterizing broccoli based on UAV remote-sensing and transformers: A case study from Haining, China | |
| CN112528912A (zh) | 基于边缘计算的作物生长监测嵌入式系统及方法 | |
| Jaihuni et al. | Determining spatiotemporal distribution of macronutrients in a cornfield using remote sensing and a deep learning model | |
| Bhadra et al. | End-to-end 3D CNN for plot-scale soybean yield prediction using multitemporal UAV-based RGB images | |
| Naghdyzadegan Jahromi et al. | Enhancing vegetation indices from sentinel-2 using multispectral UAV data, Google Earth engine and Machine Learning | |
| CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
| CN117313961A (zh) | 一种草地生态畜牧信息空天地协同感知与智能预测平台 | |
| CN108845075B (zh) | 基于深度学习网络的堆肥腐熟实时预测方法 | |
| Swayze et al. | Application of unmanned aerial system structure from motion point cloud detected tree heights and stem diameters to model missing stem diameters | |
| Meedeniya et al. | Prediction of paddy cultivation using deep learning on land cover variation for sustainable agriculture | |
| CN114967495A (zh) | 基于物联网云端控制平台的果园虚拟仿真巡检系统及方法 | |
| JP2022128127A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| Meghraoui et al. | On behalf of an intelligent approach based on 3D CNN and multimodal remote sensing data for precise crop yield estimation: Case study of wheat in Morocco | |
| Zhou et al. | Aboveground biomass estimation of wetland vegetation at the species level using unoccupied aerial vehicle RGB imagery |
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 |