CN117313989A - 一种盐碱地改良策略匹配方法、系统、设备及存储介质 - Google Patents
一种盐碱地改良策略匹配方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117313989A CN117313989A CN202311148748.1A CN202311148748A CN117313989A CN 117313989 A CN117313989 A CN 117313989A CN 202311148748 A CN202311148748 A CN 202311148748A CN 117313989 A CN117313989 A CN 117313989A
- Authority
- CN
- China
- Prior art keywords
- data
- saline
- alkali
- soil
- alkali soil
- 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
- 239000003513 alkali Substances 0.000 title claims abstract description 277
- 239000002689 soil Substances 0.000 title claims abstract description 261
- 230000006872 improvement Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 35
- 150000003839 salts Chemical class 0.000 claims abstract description 100
- 238000010191 image analysis Methods 0.000 claims abstract description 33
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 238000013499 data model Methods 0.000 claims abstract description 9
- 238000005286 illumination Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000003895 organic fertilizer Substances 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000003973 irrigation Methods 0.000 claims description 3
- 230000002262 irrigation Effects 0.000 claims description 3
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 claims description 2
- 239000011780 sodium chloride Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 239000002585 base Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004856 soil analysis Methods 0.000 description 1
- 230000004083 survival effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
Abstract
本发明涉及一种盐碱地改良策略匹配方法、系统、设备及存储介质,其方法包括获取盐碱地的土地环境数据和盐碱地图像;根据土地环境数据和预设的数据模型,对盐碱地的的盐碱度情况进行计算,确定第一盐碱度数据;根据盐碱地图像和预设的图像模型,对盐碱地的的盐碱度情况进行计算,确定第二盐碱度数据和图像分析数据;计算第一盐碱度数据和第二盐碱度数据的数据差值;当数据差值在预设差值范围内时,基于盐碱度确定规则,根据第一盐碱度数据和第二盐碱度数据,确定目标盐碱度;根据目标盐碱度、土地环境数据和图像分析数据,为盐碱地匹配改良策略,输出土壤改良建议。本发明改善了无法针对盐碱地的酸碱度情况匹配改良措施的问题。
Description
技术领域
本申请涉及盐碱地分析的技术领域,尤其是涉及一种盐碱地改良策略匹配方法、系统、设备及存储介质。
背景技术
土壤盐碱化问题是一项世界性难题,表现出盐碱地分布范围广、盐渍化程度高、盐碱地种类复杂多样等特点。目前全球盐碱地面积近十亿公顷,盐碱地面积的增加严重阻碍土地地力的提升。此外,由于盐碱地治理措施不完备和治理技术不全面,盐碱地面积呈现逐年升高趋势。土壤盐碱化导致了土壤浅层固化板结,不适宜农作物耕种,使得土地无法得到有效的开发,大量挤占了现有的土地资源。
盐碱地在利用过程当中,简单说,可以分为轻盐碱地、中度盐碱地和重盐碱地。轻盐碱地是指它的出苗率在70%—80%,它含盐量在千分之三以下;重盐碱地是指它的含盐量超过千分之六,出苗率低于50%;中度盐碱地是指含盐量在超过千分之三且在千分之六以下(用pH值表示为:轻度盐碱地pH值为:7.1—8.5,中度盐碱地pH值为:8.5—9.5,重度盐碱地的pH值在9.5以上)。
目前,由于检测盐碱地酸碱度的过程较为繁琐,不能及时了解到盐碱地的酸碱度变化,进而不能实现针对盐碱地酸碱度变化作出相应的治理方案或耕种计划。存在无法针对盐碱地的酸碱度情况匹配改良措施的问题,进而导致土地盐碱化加重。
发明内容
为了改善无法针对盐碱地的酸碱度情况匹配改良措施的问题,本申请提供了一种盐碱地改良策略匹配方法、系统、设备及存储介质。
在本申请的第一方面,提供了一种盐碱地改良策略匹配方法,包括:
获取盐碱地的土地环境数据和盐碱地图像,所述土地环境数据用于反映盐碱地所处的环境的相关数据,所述土地环境数据包括土壤含水数据、土地位置数据、光照强度和环境温湿度,所述盐碱地图像为盐碱地的俯视效果图;
根据所述土地环境数据和预设的数据模型,对所述盐碱地的的盐碱度情况进行计算,确定第一盐碱度数据;
根据所述盐碱地图像和预设的图像模型,对所述盐碱地的的盐碱度情况进行计算,确定第二盐碱度数据和图像分析数据;
计算所述第一盐碱度数据和所述第二盐碱度数据的数据差值;
当所述数据差值在预设差值范围内时,基于盐碱度确定规则,根据所述第一盐碱度数据和所述第二盐碱度数据,确定目标盐碱度;
根据所述目标盐碱度、所述土地环境数据和所述图像分析数据,为所述盐碱地匹配改良策略,输出土壤改良建议。
由以上技术方案可知,通过获取盐碱地的土地环境数据和盐碱地图像,从两方面分析盐碱地的盐碱情况,获得第一盐碱度数据、第二盐碱度数据和图像分析数据,然后进一步对第一盐碱度数据和第二盐碱度数据进行分析,得到目标盐碱度,根据目标盐碱度、土地环境数据和图像分析数据,匹配适合盐碱地的改良策略并输出土地改良建议,在一定程度上,改善了无法针对盐碱地的酸碱度匹配改良措施的问题。
在一种可能的实现方式中,所述根据所述土地环境数据和预设的数据模型,对所述盐碱地的的盐碱度情况进行计算,确定第一盐碱度数据,包括:
根据所述土壤含水数据、所述土地位置数据、所述光照强度和所述环境温湿度对土地盐碱度的影响程度的不同,依次获取不同的数据对应的盐碱度范围;
根据交集确定规则,对多个所述盐碱度范围取交集,确定第一盐碱度数据。
由以上技术方案可知,通过获取土壤含水数据、土地位置数据、光照强度和环境温湿度对土地盐碱度的影响程度的不同,依次获取不同的数据对应的盐碱度范围,并对多个盐碱度范围取交集,确定第一盐碱度数据,通过获取土地的多个参数的数据初步确定第一盐碱度数据,为盐碱度的确定提供了数据基础。
在一种可能的实现方式中,所述根据所述盐碱地图像和预设的图像模型,对所述盐碱地的的盐碱度情况进行计算,确定第二盐碱度数据和图像分析数据,包括:
所述图像分析数据包括裂纹数据、作物密度数据和颜色比值数据;
基于裂纹识别模型,识别所述盐碱地图像中的裂纹情况,得到裂纹数据;
基于作物密度识别模型,识别所述盐碱地图像中的密度情况,得到作物密度数据;
基于颜色识别模型,识别所述盐碱地图像中的土地颜色情况,得到颜色比值数据;
根据所述图像分析数据和预设的盐碱度对应表,确定盐碱地的盐碱度,得到第二盐碱度数据。
由以上技术方案可知,在土地环境数据的基础上,根据盐碱地图像得到裂纹数据、作物密度数据、颜色比值数据,根据上述得到的数据进一步确定盐碱地的盐碱范围,在一定程度上提高了盐碱地盐碱程度的准确度。
在一种可能的实现方式中,所述基于作物密度识别模型,识别所述盐碱地图像中的密度情况,得到作物密度数据,包括:
所述盐碱地图像包括多个像素,每个像素有对应的色彩值;
遍历所述盐碱地图像中的像素,根据标记规则对所述像素做作物标记,所述作物标记有多种;
基于作物标记规则,当所述像素的色彩值在预设的作物色彩范围内时,将所述像素做多种不同的作物标记;
根据所述作物标记的种类数量和预设的土地面积,确定作物密度数据。
由以上技术方案可知,通过对盐碱地图像中的像素的色彩值进行分析,得到作物的密度数据,为确定盐碱地的盐碱程度提供了数据基础,同时提高了作物密度数据的准确性。
在一种可能的实现方式中,所述基于颜色识别模型,识别所述盐碱地图像中的土地颜色情况,得到颜色比值数据,包括:
遍历所述盐碱地图像中的像素,根据标记规则对所述像素做颜色异常标记;
当所述像素的色彩值在预设的异常色彩范围内时,将所述像素做颜色异常标记;
根据所述颜色异常标记的像素数量和预设的土地像素数据,确定颜色比值数据。
由以上技术方案可知,通过对盐碱地图像中的像素的色彩值进行分析,得到土地的颜色比值,通过确定土地的颜色变化的颜色比值数据,为确定盐碱地的盐碱程度提供了数据基础。
在一种可能的实现方式中,还包括:当所述数据差值超出所述预设差值范围内时:
获取盐碱地的实际盐碱度;
将所述实际盐碱度分别和所述第一盐碱度数据、所述第二盐碱度数据进行比较,调整所述第一盐碱度数据和所述第二盐碱度数据对所述目标盐碱度的影响比例;
根据所述影响比例、所述第一盐碱度数据和所述第二盐碱度数据,确定目标盐碱度。
由以上技术方案可知,当数据差值超出预设差值范围内时,表示通过数据得到的盐碱度情况可能存在较大偏差,进而获取盐碱地的实际盐碱度,将实际盐碱度分别和第一盐碱度数据、第二盐碱度数据进行比较,调整第一盐碱度数据和第二盐碱度数据对目标盐碱度的影响比例;根据影响比例再确定目标盐碱度。当对盐碱地的盐碱情况的判断存在较大误差时,及时对影响比例进行调整,提高对盐碱情况判断的准确度。
在一种可能的实现方式中,所述根据所述目标盐碱度、所述土地环境数据和所述图像分析数据,为所述盐碱地匹配改良策略,输出土壤改良建议,包括:
根据所述目标盐碱度,匹配改良策略,所述改良策略包括作物种植、施有机肥、深耕松土和灌水洗盐;
根据所述土地环境数据和所述图像分析数据,调整所述改良策略的改良参数,输出土壤改良建议。
由以上技术方案可知,得到目标盐碱度之后,匹配对应的改良策略并输出土地改良建议,改善了无法针对盐碱地的酸碱度匹配改良措施的问题。
在本申请的第二方面,提供了一种盐碱地改良策略匹配系统。该系统包括:
数据获取模块,用于获取盐碱地的土地环境数据和盐碱地图像,所述土地环境数据用于反映盐碱地所处的环境的相关数据,所述土地环境数据包括土壤含水数据、土地位置数据、光照强度和环境温湿度,所述盐碱地图像为盐碱地的俯视效果图;
数据分析模块,用于根据所述土地环境数据和预设的数据模型,对所述盐碱地的的盐碱度情况进行计算,确定第一盐碱度数据;根据所述盐碱地图像和预设的图像模型,对所述盐碱地的的盐碱度情况进行计算,确定第二盐碱度数据和图像分析数据;
数据计算模块,用于计算所述第一盐碱度数据和所述第二盐碱度数据的数据差值;当所述数据差值在预设差值范围内时,基于盐碱度确定规则,根据所述第一盐碱度数据和所述第二盐碱度数据,确定目标盐碱度;
策略匹配模块,用于根据所述目标盐碱度、所述土地环境数据和所述图像分析数据,为所述盐碱地匹配改良策略,输出土壤改良建议。
在本申请的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
在本申请的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本申请的第一方面的方法。
综上所述,本申请包括以下至少一种有益技术效果:
通过获取盐碱地的土地环境数据和盐碱地图像,根据不同渠道获取到的数据分析盐碱地的盐碱情况,得到第一盐碱度数据、第二盐碱度数据和图像分析数据,然后进一步对第一盐碱度数据和第二盐碱度数据进行分析,得到目标盐碱度,根据目标盐碱度、土地环境数据和图像分析数据,匹配适合盐碱地的改良策略并输出土地改良建议,达到了针对盐碱地的酸碱度匹配改良措施的效果。
附图说明
图1是本申请提供的盐碱地改良策略匹配方法的流程示意图。
图2是本申请提供的盐碱地改良策略匹配系统的结构示意图。
图3是本申请提供的电子设备的结构示意图。
图中,200、盐碱地改良策略匹配系统;201、数据获取模块;202、数据分析模块;203、数据计算模块;204、策略匹配模块;301、CPU;302、ROM;303、RAM;304、I/O接口;305、输入部分;306、输出部分;307、存储部分;308、通信部分;309、驱动器;310、可拆卸介质。
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,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供一种盐碱地改良策略匹配方法,所述方法的主要流程描述如下。
如图1所示:
步骤S101:获取盐碱地的土地环境数据和盐碱地图像。
具体的,上述土地环境数据用于反映盐碱地所处的环境的相关数据,上述土地环境数据包括土壤含水数据、土地位置数据、光照强度和环境温湿度,上述土壤含水数据即为土壤的含水量,上述土壤位置数据表示土壤所在地的经纬度,上述光照强度和环境温湿度表示盐碱地所在位置的光照强度和环境的温度和湿度。在本实施例中,土壤含水数据可以通过土壤水分测试仪获取,土地位置数据可以通过经纬度定位仪获取,光照强度可以通过光照强度测量仪获取,上述环境温湿度通过温度传感器和湿度传感器获取,在其他实施方式中,可以使用其他可以得到上述土地环境数据的设备,在此不做限制。上述盐碱地图像为盐碱地的俯视效果图。在本实施例中,上述盐碱地图像通过无人机进行航拍获取。
步骤S102:根据土地环境数据和预设的数据模型,确定第一盐碱度数据。
具体的,根据上述土壤含水数据、上述土地位置数据、上述光照强度和上述环境温湿度对土地盐碱度的影响程度的不同,依次获取不同的数据对应的盐碱度范围;根据交集确定规则,对多个上述盐碱度范围取交集,确定第一盐碱度数据。例如,按照土地盐碱度的影响的重要程度,依次获取上述土地位置数据对应的第一范围、上述光照强度对应的第二范围、上述环境温湿度对应的第三范围以及上述土壤含水数据对应的第四范围。可以理解的是,由于不同的参数对盐碱度的影响不同,影响程度越高的参数对应的范围相对更小,影响程度越低的参数对应的范围相对更大。当上述第一范围、第二范围、第三范围和第四范围存在交集时,取四个范围的交集,上述交集即为盐碱度范围;当不存在交集时,例如,上述第一范围和第二范围存在交集即第一交集,但是第一交集和第三范围不存在交集,则对上述第一交集和第三范围取并集即为第一并集,然后对第四范围和上述第一并集取交集,得到第一盐碱度数据。
在其他实施方式中,还可以添加其他影响盐碱地的盐碱程度的参数来确定第一盐碱度数据,例如,在上述土壤含水数据、土地位置数据、光照强度、环境温湿度四个参数的基础上,加入该土地位置数据对应的降雨量、蒸发量两个参数,获取降雨量和蒸发量对应的盐碱度范围记为第五范围,将第五范围、上述第四范围和上述第一并集取交集得到第一盐碱度数据。
通过对土地环境数据进行分析,可以在数据上确定盐碱地的盐碱程度。
步骤S103:根据盐碱地图像和预设的图像模型,确定第二盐碱度数据和图像分析数据。
具体的,上述图像分析数据包括裂纹数据、作物密度数据和颜色比值数据,上述裂纹数据表示盐碱地的裂纹情况,上述作物密度数据表示盐碱地上的作物存活情况,上述颜色比值数据表示盐碱地的土地表面的盐渍覆盖情况。
基于裂纹识别模型,识别上述盐碱地图像中的裂纹情况,得到裂纹数据。根据设定的图像阈值将盐碱地图像进行分割,即将在图像阈值范围内的像素记为前景像素,其他像素记为背景像素,得到裂纹二值化图像,上述前景像素记为土地裂纹,裂纹数据=前景像素的像素个数/(前景像素的像素个数+背景像素的像素个数),裂纹数据表示盐碱地的裂纹情况。
基于作物密度识别模型,识别上述盐碱地图像中的密度情况,得到作物密度数据。可以理解的是,盐碱地图像包括多个像素,每个像素有对应的色彩值,遍历上述盐碱地图像中的像素,根据标记规则对上述像素做作物标记,上述作物标记有多种。基于作物标记规则,当像素的色彩值在预设的作物色彩范围内时,将像素做多种不同的作物标记。当像素的色彩值在预设的作物色彩范围内时,判断上述像素周围是否存在已经标有作物标记的像素,若存在,则将该像素做与上述作物标记相同的标记,若不存在,则为上述像素做不同的作物标记。例如,将A、B、C和D作为作物标记,当获取到第一个在作物色彩范围内的像素时,为该像素添加作物标记A,继续遍历像素,当遍历到第二个在作物色彩范围内的像素时,判断该像素周围是否存在有作物标记的像素,若存在有作物标记A的像素,则将该像素也添加作物标记A,若存在有作物标记C的像素,则将该像素也添加作物标记C,若不存在有作物标记的像素,则获取没有使用的作物标记为该像素添加。数据库中预存有作物标记,每调取一个作物标记都会在数据库中为该作物标记打上“已使用”的标签,当每次的图像分析结束,会将数据库中作物标记的“已使用”标签删除,在下次使用的时候重复上述过程。可以理解的是,盐碱地的作物密度稀疏,每一个作物标记都对应一株作物即作物标记的种类即为作物的株数。根据上述作物标记的种类数量和预设的土地面积,确定作物密度数据。上述盐碱地图像为无人机航拍得到的,可以理解,当为无人机设置指定高度以及指定拍摄角度时,无人机拍摄到的土地面积是确定的,即预设的土地面积,则作物密度数据=作物标记的种类数量/预设的土地面积。
基于颜色识别模型,识别上述盐碱地图像中的土地颜色情况,得到颜色比值数据。遍历盐碱地图像中的像素,根据标记规则对像素做颜色异常标记;当像素的色彩值在预设的异常色彩范围内时,将像素做颜色异常标记;根据颜色异常标记的像素数量和预设的土地像素数据,确定颜色比值数据。
具体的,当盐碱地的盐碱化程度到达一定水平时,土地表面会出现白色盐渍,根据盐渍覆盖土地面积的多少,来对土地的盐碱化程度进行分析。遍历盐碱地图像的的像素,当像素的色彩值在预设的异常色彩范围内时,将像素做颜色异常标记,颜色比值数据=颜色异常标记的像素数量/土地像素数据。土地像素数据与上述土地面积同理,当对无人机进行指定设置时,土地像素数据也是一个定值。也可以在遍历盐碱地图像时,记录遍历的像素的个数,即为土地像素数据。
当对盐碱地图像完成颜色异常标记后,获取有颜色异常标记的像素形成的单连通域,判断每一个单连通域中像素的个数,当上述像素个数大于像素阈值时,将该单连通域记为异常连通域,计算异常连通域与单连通域个数的比值和像素个数超出像素阈值的百分比,当上述比值大于比值阈值或上述百分比大于百分比阈值,则根据预设的颜色比值调整表,调整上述颜色比值数据。
可以理解的是,盐渍在土地上不会存在太大的由盐渍组成的单连通域,即盐渍在土地上上是一小部分、一小部分进行覆盖的,很少存在一部分盐渍对土地进行大面积的全覆盖,所以需要判断是否存在异常的连通域,异常连通域表示某一部分的盐渍对土地的覆盖面积较大,可能是其他障碍物造成的,而并非盐渍,当上述比值大于比值阈值或上述百分比大于百分比阈值时,根据预设的颜色比值调整表,对已经计算出的颜色比值数据进行调整,降低颜色比值数据出现异常的可能性,将调整后的颜色比值数据作为最终的颜色比值数据。
根据图像分析数据和预设的盐碱度对应表,确定盐碱地的盐碱度,得到第二盐碱度数据,上述盐碱度对应表包括裂纹数据、作物密度数据、颜色比值数据和对应的盐碱度。不同范围的裂纹数据、作物密度数据和颜色比值数据对应的盐碱度范围不同。
步骤S104:根据第一盐碱度数据和第二盐碱度数据的数据差值,基于盐碱度确定规则,确定目标盐碱度。
具体的,上述第一盐碱度数据和上述第二盐碱度数据均为范围值,当上述第一盐碱度数据和第二盐碱度数据存在交集时,表示数据差值在预设差值范围内,则上述交集即为目标盐碱度。
当上述第一盐碱度数据和第二盐碱度数据不存在交集时,表示上述数据差值超出预设差值范围内,获取盐碱地的实际盐碱度;将上述实际盐碱度分别和上述第一盐碱度数据、上述第二盐碱度数据进行比较,调整第一盐碱度数据和第二盐碱度数据对上述目标盐碱度的影响比例;根据影响比例、第一盐碱度数据和第二盐碱度数据,确定目标盐碱度。
例如,第一盐碱度数据为7.0到7.5,第二盐碱度数据为8.0到8.5,实际盐碱度为7.9,初始第一盐碱度数据和第二盐碱度数据对目标盐碱度的影响比例均为百分之五十,当影响比例为百分之五十时,将第一盐碱度数据向靠近第二盐碱度数据的方向缩小百分之五十的范围即调整后的第一盐碱度数据为7.25到7.5,同理,调整后第二盐碱度数据为8.0到8.25,然后调整后的数据取交集即目标盐碱度为7.25到8.25。但是,实际盐碱度更靠近第二盐碱度数据,则降低第一盐碱度数据的影响比例,例如降低为百分之四十,则调整后的第一盐碱度数据为7.3到7.5,进而目标盐碱度对应调整为7.3到8.25,根据实际盐碱度,持续调整上述影响比例,知道上述第一盐碱度数据和第二盐碱度数据能够覆盖实际盐碱度。
上述调整影响比例的过程为模型训练的过程,根据用户的使用需求,调整后的范围达到一定的准确度和精度时,可以直接根据上述第一盐碱度数据和第二盐碱度数据确定目标盐碱度。
以第一盐碱度数据从7.0到7.5调整到7.3到7.5为例,7.5-7.0=0.5,0.5*(1-40%)=0.3,7.0+0.3=7.3即为7.3到7.5,或者,0.5*40%=0.2,7.5-0.2=7.3。
步骤S105:根据目标盐碱度、土地环境数据和图像分析数据,为盐碱地匹配改良策略,输出土壤改良建议。
具体的,根据目标盐碱度,匹配改良策略,上述改良策略包括作物种植、施有机肥、深耕松土和灌水洗盐;根据上述土地环境数据和上述图像分析数据,调整上述改良策略的改良参数,输出土壤改良建议。
根据目标盐碱度所在的盐碱度范围和上述土地位置数据确定改良策略,当改良策略为深耕松土时,则将该改良策略输出即为输出土地改良建议。当改良策略为灌水洗盐时,根据土壤含水数据、光照强度、环境温湿度、裂纹数据、颜色比值数据匹配对应的需要在地面形成的水层深度并输出,上述需要在地面形成的水层深度即为土壤改良建议。当改良策略为施有机肥时,根据土壤含水数据、光照强度、环境温湿度、裂纹数据、颜色比值数据、作物密度数据,匹配对应的需要施加的肥料类型及对应的添加浓度并输出,需要施加的肥料类型及对应的添加浓度即为土壤改良建议。当改良策略为作物种植时,根据土壤含水数据、光照强度、环境温湿度、裂纹数据、颜色比值数据、作物密度数据,匹配对应的需要种植的作物类型及对应的种植密度并输出,上述需要种植的作物类型及对应的种植密度即为土壤改良建议。根据上述过程可以了解到,上述盐碱度范围、上述土地位置数据与改良策略存在对应关系,土壤改良建议与土地环境数据、图像分析数据也存在对应关系。
本申请实施例提供一种盐碱地改良策略匹配系统200,参照图2,盐碱地改良策略匹配系统200包括:
数据获取模块201,用于获取盐碱地的土地环境数据和盐碱地图像,所述土地环境数据用于反映盐碱地所处的环境的相关数据,所述土地环境数据包括土壤含水数据、土地位置数据、光照强度和环境温湿度,所述盐碱地图像为盐碱地的俯视效果图;
数据分析模块202,用于根据所述土地环境数据和预设的数据模型,对所述盐碱地的的盐碱度情况进行计算,确定第一盐碱度数据;根据所述盐碱地图像和预设的图像模型,对所述盐碱地的的盐碱度情况进行计算,确定第二盐碱度数据和图像分析数据;
数据计算模块203,用于计算所述第一盐碱度数据和所述第二盐碱度数据的数据差值;当所述数据差值在预设差值范围内时,基于盐碱度确定规则,根据所述第一盐碱度数据和所述第二盐碱度数据,确定目标盐碱度;
策略匹配模块204,用于根据所述目标盐碱度、所述土地环境数据和所述图像分析数据,为所述盐碱地匹配改良策略,输出土壤改良建议。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例公开一种电子设备。参照图3,电子设备包括,包括中央处理单元(CPU)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分307加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有系统操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线彼此相连。输入/输出(I/O)接口304也连接至总线。
以下部件连接至I/O接口304:包括键盘、鼠标等的输入部分305;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分306;包括硬盘等的存储部分307;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分308。通信部分308经由诸如因特网的网络执行通信处理。驱动器309也根据需要连接至I/O接口304。可拆卸介质310,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器309上,以便于从其上读出的计算机程序根据需要被安装入存储部分307。
特别地,根据本申请的实施例,上文参考流程图图1描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在机器可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分308从网络上被下载和安装,和/或从可拆卸介质310被安装。在该计算机程序被中央处理单元(CPU)301执行时,执行本申请的装置中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的申请范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离前述申请构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种盐碱地改良策略匹配方法,其特征在于,包括:
获取盐碱地的土地环境数据和盐碱地图像,所述土地环境数据用于反映盐碱地所处的环境的相关数据,所述土地环境数据包括土壤含水数据、土地位置数据、光照强度和环境温湿度,所述盐碱地图像为盐碱地的俯视效果图;
根据所述土地环境数据和预设的数据模型,对所述盐碱地的的盐碱度情况进行计算,确定第一盐碱度数据;
根据所述盐碱地图像和预设的图像模型,对所述盐碱地的的盐碱度情况进行计算,确定第二盐碱度数据和图像分析数据;
计算所述第一盐碱度数据和所述第二盐碱度数据的数据差值;
当所述数据差值在预设差值范围内时,基于盐碱度确定规则,根据所述第一盐碱度数据和所述第二盐碱度数据,确定目标盐碱度;
根据所述目标盐碱度、所述土地环境数据和所述图像分析数据,为所述盐碱地匹配改良策略,输出土壤改良建议。
2.根据权利要求1所述的盐碱地改良策略匹配方法,其特征在于,所述根据所述土地环境数据和预设的数据模型,对所述盐碱地的的盐碱度情况进行计算,确定第一盐碱度数据,包括:
根据所述土壤含水数据、所述土地位置数据、所述光照强度和所述环境温湿度对土地盐碱度的影响程度的不同,依次获取不同的数据对应的盐碱度范围;
根据交集确定规则,对多个所述盐碱度范围取交集,确定第一盐碱度数据。
3.根据权利要求1所述的盐碱地改良策略匹配方法,其特征在于,所述根据所述盐碱地图像和预设的图像模型,对所述盐碱地的的盐碱度情况进行计算,确定第二盐碱度数据和图像分析数据,包括:
所述图像分析数据包括裂纹数据、作物密度数据和颜色比值数据;
基于裂纹识别模型,识别所述盐碱地图像中的裂纹情况,得到裂纹数据;
基于作物密度识别模型,识别所述盐碱地图像中的密度情况,得到作物密度数据;
基于颜色识别模型,识别所述盐碱地图像中的土地颜色情况,得到颜色比值数据;
根据所述图像分析数据和预设的盐碱度对应表,确定盐碱地的盐碱度,得到第二盐碱度数据。
4.根据权利要求1所述的盐碱地改良策略匹配方法,其特征在于,所述基于作物密度识别模型,识别所述盐碱地图像中的密度情况,得到作物密度数据,包括:
所述盐碱地图像包括多个像素,每个像素有对应的色彩值;
遍历所述盐碱地图像中的像素,根据标记规则对所述像素做作物标记,所述作物标记有多种;
基于作物标记规则,当所述像素的色彩值在预设的作物色彩范围内时,将所述像素做多种不同的作物标记;
根据所述作物标记的种类数量和预设的土地面积,确定作物密度数据。
5.根据权利要求1所述的盐碱地改良策略匹配方法,其特征在于,所述基于颜色识别模型,识别所述盐碱地图像中的土地颜色情况,得到颜色比值数据,包括:
遍历所述盐碱地图像中的像素,根据标记规则对所述像素做颜色异常标记;
当所述像素的色彩值在预设的异常色彩范围内时,将所述像素做颜色异常标记;
根据所述颜色异常标记的像素数量和预设的土地像素数据,确定颜色比值数据。
6.根据权利要求1所述的盐碱地改良策略匹配方法,其特征在于,还包括,当所述数据差值超出所述预设差值范围内时:
获取盐碱地的实际盐碱度;
将所述实际盐碱度分别和所述第一盐碱度数据、所述第二盐碱度数据进行比较,调整所述第一盐碱度数据和所述第二盐碱度数据对所述目标盐碱度的影响比例;
根据所述影响比例、所述第一盐碱度数据和所述第二盐碱度数据,确定目标盐碱度。
7.根据权利要求1所述的盐碱地改良策略匹配方法,其特征在于,所述根据所述目标盐碱度、所述土地环境数据和所述图像分析数据,为所述盐碱地匹配改良策略,输出土壤改良建议,包括:
根据所述目标盐碱度,匹配改良策略,所述改良策略包括作物种植、施有机肥、深耕松土和灌水洗盐;
根据所述土地环境数据和所述图像分析数据,调整所述改良策略的改良参数,输出土壤改良建议。
8.一种盐碱地改良策略匹配系统,其特征在于,包括:
数据获取模块,用于获取盐碱地的土地环境数据和盐碱地图像,所述土地环境数据用于反映盐碱地所处的环境的相关数据,所述土地环境数据包括土壤含水数据、土地位置数据、光照强度和环境温湿度,所述盐碱地图像为盐碱地的俯视效果图;
数据分析模块,用于根据所述土地环境数据和预设的数据模型,对所述盐碱地的的盐碱度情况进行计算,确定第一盐碱度数据;根据所述盐碱地图像和预设的图像模型,对所述盐碱地的的盐碱度情况进行计算,确定第二盐碱度数据和图像分析数据;
数据计算模块,用于计算所述第一盐碱度数据和所述第二盐碱度数据的数据差值;当所述数据差值在预设差值范围内时,基于盐碱度确定规则,根据所述第一盐碱度数据和所述第二盐碱度数据,确定目标盐碱度;
策略匹配模块,用于根据所述目标盐碱度、所述土地环境数据和所述图像分析数据,为所述盐碱地匹配改良策略,输出土壤改良建议。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311148748.1A CN117313989A (zh) | 2023-09-06 | 2023-09-06 | 一种盐碱地改良策略匹配方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311148748.1A CN117313989A (zh) | 2023-09-06 | 2023-09-06 | 一种盐碱地改良策略匹配方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117313989A true CN117313989A (zh) | 2023-12-29 |
Family
ID=89259341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311148748.1A Pending CN117313989A (zh) | 2023-09-06 | 2023-09-06 | 一种盐碱地改良策略匹配方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313989A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787573A (zh) * | 2024-02-27 | 2024-03-29 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种盐碱地治理预警方法、设备及介质 |
-
2023
- 2023-09-06 CN CN202311148748.1A patent/CN117313989A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787573A (zh) * | 2024-02-27 | 2024-03-29 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种盐碱地治理预警方法、设备及介质 |
CN117787573B (zh) * | 2024-02-27 | 2024-05-28 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种盐碱地治理预警方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
CN111126662B (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
CN115424143B (zh) | 水源污染溯源方法、装置、存储介质和计算机设备 | |
CN117313989A (zh) | 一种盐碱地改良策略匹配方法、系统、设备及存储介质 | |
Sivkov et al. | The algorithm development for operation of a computer vision system via the OpenCV library | |
CN114740180A (zh) | 基于多源遥感数据的土壤有机碳估算方法及装置 | |
CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
Bai et al. | A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery | |
CN115497067A (zh) | 一种苗圃巡检智能车的路径识别与规划方法 | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
CN106666767B (zh) | 一种基于视觉技术的高效葵花籽脱壳方法 | |
CN115311559A (zh) | 棉花药害识别方法、装置、电子设备及存储介质 | |
Wardius et al. | Terrestrial laser scanning vs. manual methods for assessing complex forest stand structure: a comparative analysis on plenter forests | |
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 | |
CN112632796A (zh) | 氮含量确定方法、作业方法、装置、电子设备及存储介质 | |
CN109993071B (zh) | 基于遥感影像的变色林木自动识别及调查的方法和系统 | |
CN116778343A (zh) | 一种用于综合识别的目标图像特征提取方法 | |
CN115508292B (zh) | 基于机器学习的土壤剖面氮素含量高光谱检测及可视化方法 | |
Song et al. | NLCS-A novel coordinate system for spatial analysis on hyperspectral leaf images and an improved nitrogen index for soybean plants | |
Chen et al. | Preliminary research on total nitrogen content prediction of sandalwood using the error-in-variable models based on digital image processing | |
CN116205678A (zh) | 基于遥感自动化解译的农用地实物量调查和价值量估算方法 | |
CN115828518A (zh) | 一种基于气候和土壤模拟植被生产力空间格局的系统 | |
CA3125793C (en) | Harvest confirmation system and method | |
Tamas et al. | Vine diseases detection trials in the carpathian region with proximity aerial images | |
CN116824157B (zh) | 采样点确定、遥感产品真实性校验方法、装置及电子设备 |
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 |