CN117540854B - 一种基于云平台的多通道土壤信息监测系统 - Google Patents
一种基于云平台的多通道土壤信息监测系统 Download PDFInfo
- Publication number
- CN117540854B CN117540854B CN202311490031.5A CN202311490031A CN117540854B CN 117540854 B CN117540854 B CN 117540854B CN 202311490031 A CN202311490031 A CN 202311490031A CN 117540854 B CN117540854 B CN 117540854B
- Authority
- CN
- China
- Prior art keywords
- soil
- data
- module
- index
- spectrum
- 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.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 183
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000001228 spectrum Methods 0.000 claims abstract description 64
- 238000011161 development Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012800 visualization Methods 0.000 claims abstract description 16
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 34
- 229910052799 carbon Inorganic materials 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 22
- 238000001704 evaporation Methods 0.000 claims description 21
- 230000008020 evaporation Effects 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000002310 reflectometry Methods 0.000 claims description 17
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000004907 flux Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 11
- 238000012937 correction Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000003908 quality control method Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000013079 data visualisation Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011049 filling Methods 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 244000005700 microbiome Species 0.000 description 3
- 238000012559 user support system Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004162 soil erosion Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002786 root growth Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/041—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Operations Research (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于云平台的多通道土壤信息监测系统，涉及土壤监测技术领域，光谱模块获取多个光谱传感器采集的多通道光谱数据，大气模块通过多种传感器设备收集大气数据，土壤模块通过多种传感器设备收集土壤数据，预处理模块分别对光谱数据、大气数据以及土壤数据进行预处理后，将光谱数据、大气数据以及土壤数据发送至预测模块，预测模块综合分析光谱数据、大气数据以及土壤数据后，预测监测区域土壤的未来发展趋势，可视化模块将土壤未来发展趋势预测结果进行可视化处理，该监测系统通过综合分析光谱数据、大气数据以及土壤数据，来预测土壤未来发展趋势预测结果，分析更为全面，预测精度高、稳定性强，能够及时为农业生产提供预报信息。
Description
技术领域
本发明涉及土壤监测技术领域，具体涉及一种基于云平台的多通道土壤信息监测系统。
背景技术
土壤是农业、生态环境和土地管理的基础，合适的土壤质量和特性对农作物生长、水资源管理、环境保护以及城市规划等都至关重要，因此，有效的土壤监测系统对于农业可持续发展和生态平衡至关重要，传统的土壤监测方法通常涉及到采样、实验室测试和手工数据分析，这是一项费时费力的工作，而且无法提供实时数据，此外，传统方法的覆盖面有限，无法全面了解土壤的多通道信息；
云计算技术的发展为土壤监测提供了新的机会，云平台可以提供强大的计算和存储能力，使得大规模土壤数据的实时收集和处理成为可能，同时，云平台也支持数据的远程访问和共享，有助于更好地协作和决策制定，基于云平台的多通道土壤信息监测系统是一种现代化的土壤监测解决方案，利用云计算和传感技术来实时监测和分析土壤的多种参数和特性。
现有技术存在以下不足：
现有监测系统对土壤信息监测通常仅是以传感器设备直接监测土壤数据，然而，土壤信息监测工作过程中面临环境复杂、传感设备数据类型繁杂等诸多问题，监测系统仅对土壤数据进行分析，分析过于单一，容易导致分析不准确；
因此，本发明提出一种基于云平台的多通道土壤信息监测系统，通过对智能监测软件技术的集成创新应用，形成更加标准化、通用化、易扩展的智能监测数据集成标准与分析处理规范，对提高监测工作的适用性具有重要的意义。
发明内容
本发明的目的是提供一种基于云平台的多通道土壤信息监测系统，以解决背景技术中不足。
为了实现上述目的，本发明提供如下技术方案：一种基于云平台的多通道土壤信息监测系统，包括光谱模块、大气模块、土壤模块、预处理模块、预测模块、云存储模块、可视化模块；
光谱模块：用于获取多个光谱传感器采集的多通道光谱数据；
大气模块：通过多种传感器设备收集大气数据；
土壤模块：通过多种传感器设备收集土壤数据；
预处理模块：分别对光谱数据、大气数据以及土壤数据进行预处理；
预测模块：综合分析光谱数据、大气数据以及土壤数据后，预测监测区域土壤的未来发展趋势；
云存储模块：用于将光谱数据、大气数据、土壤数据以及土壤未来发展趋势预测结果上传至云平台存储；
可视化模块：将土壤未来发展趋势预测结果进行可视化处理后，生成报告。
优选的，所述光谱模块获取多个光谱传感器采集的多通道光谱数据；大气模块通过多种传感器设备收集大气数据；土壤模块通过多种传感器设备收集土壤数据；
光谱数据包括差异水分指数以及有机碳含量指数，大气数据包括潜在蒸发指数，土壤数据包括土壤电导率。
优选的，所述预测模块将差异水分指数、有机碳含量指数、潜在蒸发指数以及土壤电导率综合计算获取发展系数fzx，表达式为：
式中，NDVI为差异水分指数，SOC为有机碳含量指数，PET为潜在蒸发指数，TD为土壤电导率，α、β、γ、δ分别为差异水分指数、有机碳含量指数、潜在蒸发指数以及土壤电导率的比例系数，且α、β、γ、δ均大于0。
优选的，若发展系数fzx值≥发展阈值，预测模块判断监测区域的土壤质量好，且预测土壤未来向好的趋势发展，若发展系数fzx值＜发展阈值，预测模块判断监测区域的土壤质量差，且预测土壤未来向坏的趋势发展。
优选的，所述差异水分指数的计算表达式为：
式中，NDVI为差异水分指数，NIR表示水体近红外光波段的反射率，RED表示水体红光波段的反射率。
优选的，所述有机碳含量指数的计算表达式为：
SOC＝a0+a1*YJC+a2*HJC
式中，SOC为有机碳含量指数，YJC为土壤中有机碳近红外光波段的反射率，HJC为土壤中有机碳红光波段的反射率，a0、a1、a2为回归系数。
优选的，所述潜在蒸发指数的计算表达式为：
式中，PET为潜在蒸发指数，Δ为饱和水汽压差，Rn为净辐射，G为土壤热通量，ω为空气比热容，T为气温，U为风速，es为饱和水汽压，ea为实际水汽压。
优选的，所述土壤电导率的获取逻辑为：使用土壤电导率仪器检测获取，这通过将电流引入土壤并测量电压差来确定土壤电导率。
在上述技术方案中，本发明提供的技术效果和优点：
1、本发明通过光谱模块获取多个光谱传感器采集的多通道光谱数据，大气模块通过多种传感器设备收集大气数据，土壤模块通过多种传感器设备收集土壤数据，预处理模块分别对光谱数据、大气数据以及土壤数据进行预处理后，将光谱数据、大气数据以及土壤数据发送至预测模块，预测模块综合分析光谱数据、大气数据以及土壤数据后，预测监测区域土壤的未来发展趋势，可视化模块将土壤未来发展趋势预测结果进行可视化处理，该监测系统通过综合分析光谱数据、大气数据以及土壤数据，来预测土壤未来发展趋势预测结果，分析更为全面，预测精度高、稳定性强，能够及时为农业生产提供预报信息。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明的系统模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
实施例1：请参阅图1所示，本实施例所述一种基于云平台的多通道土壤信息监测系统，包括光谱模块、大气模块、土壤模块、预处理模块、预测模块、云存储模块、可视化模块以及用户界面模块；
光谱模块：用于获取多个光谱传感器采集的多通道光谱数据，光谱数据发送至预处理模块包括以下步骤：
传感器选择与部署：首先，需要选择合适的光谱传感器，并根据监测需求进行部署；这些传感器通常包括可见光、红外光和近红外光谱范围内的波段；
数据采集：光谱传感器会定期或根据设定的采样频率对土壤表面进行扫描或测量，以获取光谱数据；这些数据通常以数字形式记录，并包括不同波长下的反射或吸收光强度；
数据校正：光谱数据采集过程中可能受到大气干扰、传感器漂移等影响，因此需要进行数据校正；
大气校正：校正大气干扰，以消除大气中的吸收和散射效应，以获得地表反射率；
传感器校正：校正传感器本身的漂移和噪声，确保数据的准确性和一致性；
数据质量控制：对采集到的光谱数据进行质量控制，包括检测和处理异常值、缺失数据以及可能的干扰；进行数据插值或填充，以弥补可能的数据缺失；
数据传输至预处理模块：
将经过校正和质量控制的光谱数据传输至预处理模块，通常通过网络连接或数据接口来实现。
大气模块：通过多种传感器设备收集大气数据，大气数据发送至预处理模块包括以下步骤：
传感器选择与部署：首先，需要选择适用于监测大气条件的传感器设备；这些传感器可能包括气象站、大气光谱仪、大气辐射计等；这些传感器应该被部署在代表性的地理位置，以确保数据的多样性和可靠性；
数据采集：大气传感器会定期或按照设定的采样频率测量大气参数，如气温、湿度、气压、风速、风向、降水量等；这些数据通常以数字形式记录，并根据监测要求进行时间戳标记；
数据质量控制：对采集到的大气数据进行质量控制，包括异常值检测、缺失数据处理以及数据平滑等；根据监测要求，可以进行数据插值或填充，以处理可能的数据缺失；
数据校正与标定：针对不同传感器的特性和误差，进行数据校正和标定，以确保数据的准确性和一致性；
大气校正：对大气数据进行校正，以去除大气干扰，以获得地表条件下的气象参数；
传感器校正：对传感器的漂移和误差进行校正，以提高数据精度；
数据格式转换：将大气数据转换为系统能够处理的标准格式，以便于后续的数据整合和分析；
数据传输至预处理模块：将经过校正和质量控制的大气数据传输至预处理模块，通常通过网络连接或数据接口来实现。
土壤模块：通过多种传感器设备收集土壤数据，土壤数据发送至预处理模块包括以下步骤：
传感器选择与部署：首先，需要选择适用于土壤监测的传感器设备；这些传感器可能包括土壤温度传感器、土壤湿度传感器、土壤pH传感器、土壤电导率传感器等；这些传感器应该被部署在代表性的地点，以确保数据的多样性和可靠性；
数据采集：土壤传感器会定期或按照设定的采样频率测量土壤参数，如土壤温度、土壤湿度、土壤电导率、土壤pH值等；这些数据通常以数字形式记录，并根据监测要求进行时间戳标记；
数据质量控制：对采集到的土壤数据进行质量控制，包括异常值检测、缺失数据处理以及数据平滑等；根据监测要求，可以进行数据插值或填充，以处理可能的数据缺失；
数据校正与标定：针对不同传感器的特性和误差，进行数据校正和标定，以确保数据的准确性和一致性；
土壤参数校正：对土壤数据进行校正，以消除传感器误差，并确保数据反映真实的土壤特性；
数据格式转换：将土壤数据转换为系统能够处理的标准格式，以便于后续的数据整合和分析；
数据传输至预处理模块：将经过校正和质量控制的土壤数据传输至预处理模块，通常通过网络连接或数据接口来实现。
预处理模块：分别对光谱数据、大气数据以及土壤数据进行预处理后，将光谱数据、大气数据以及土壤数据发送至预测模块以及云存储模块包括以下步骤：
数据清洗与质量控制：针对光谱数据、大气数据和土壤数据分别进行数据清洗；这包括检测和处理异常值、缺失数据以及噪声；进行数据插值或填充，以处理可能的数据缺失；
数据校正：针对光谱数据、大气数据和土壤数据的不同传感器特性，进行数据校正和标定，以确保数据的准确性和一致性；
光谱数据校正：去除大气干扰、传感器漂移等，以获得地表反射率；
大气数据校正：校正大气干扰，以获得地表条件下的气象参数；
土壤数据校正：校正传感器误差，确保数据准确反映土壤特性；
特征提取与数据转换：从处理后的数据中提取特征，例如光谱特征、大气参数、土壤属性等；进行数据格式转换，以将数据整合为一个标准格式，以便后续分析和存储；
数据整合：将经过预处理的光谱数据、大气数据和土壤数据整合到一个综合的数据集中，以便进行多源数据的联合分析；
数据传输至预测模块：将整合后的数据发送至预测模块，用于进一步的土壤信息分析和建模；
数据传输至云存储模块：将整合后的数据上传至云存储模块，以确保数据的安全性和持久性；云存储通常提供高度可扩展的存储解决方案，以满足大规模数据的需求。
预测模块：综合分析光谱数据、大气数据以及土壤数据后，预测监测区域土壤的未来发展趋势，预测结果发送至云存储模块和可视化模块。
云存储模块：用于将光谱数据、大气数据、土壤数据以及土壤未来发展趋势预测结果上传至云平台存储包括以下步骤：
数据分类和组织：将光谱数据、大气数据、土壤数据以及土壤未来发展趋势预测结果进行分类和组织，以确保数据被正确标识和存储；可以为每种类型的数据创建适当的文件夹结构或数据仓库，以方便管理和检索；
数据上传：使用安全的通信协议将数据上传至云存储服务；常见的云存储平台包括AmazonS3、GoogleCloudStorage、MicrosoftAzureBlobStorage等；数据传输应使用加密协议，确保数据在传输过程中的安全性；
数据安全和权限管理：在云存储平台上设置适当的访问权限和数据安全策略，以确保数据的机密性和完整性；可以为不同用户或组织分配不同级别的访问权限，以控制数据的访问；
版本控制：对上传的数据进行版本控制，以便跟踪数据的历史记录和变化；这有助于确保数据的可追溯性和完整性；
数据备份和恢复：定期进行数据备份，以防止数据丢失或损坏；备份的频率和策略应根据数据重要性来确定；在需要时能够快速恢复数据，以确保数据的可用性；
数据元数据管理：维护数据的元数据，包括数据的描述、时间戳、地理位置等信息，以便于数据的检索和查询。
可视化模块：将土壤未来发展趋势预测结果进行可视化处理后，生成报告，并将报告发送至用户界面模块包括以下步骤：
数据可视化：使用数据可视化工具和库，将土壤未来发展趋势预测结果转化为易于理解的图表、图形和地图；常用的可视化类型包括折线图、柱状图、散点图、热力图、地图等，根据数据的性质和用户需求选择合适的可视化方式；
报告生成：基于生成的图表和图形，自动生成报告或报告模板；这些报告通常包括文字描述、数据摘要、关键发现和可视化图表；报告的格式和内容可以根据用户的要求进行定制，以满足不同领域和应用的需求；
报告自动化：设置自动化流程，以确保在新数据可用时可以自动更新报告；这可以是定期生成报告，或在用户请求时生成；
交互性：提供与图表和图形的交互性，以使用户能够通过缩放、筛选、点击等方式深入了解数据；添加交互式元素，如滑块、下拉菜单、交互式地图等，以增强用户体验；
报告导出：允许用户将生成的报告导出为不同格式，如PDF、图像文件、Excel等，以便进一步分析或共享；
报告传送至用户界面模块：将生成的报告传送至用户界面模块，通常通过网络连接或应用程序接口(API)进行传输；确保报告能够与用户界面模块无缝集成，以便用户可以方便地访问和查看报告；
用户通知：可以设置通知系统，以通知用户报告的更新或可用性；这可以通过电子邮件、短信或应用程序内通知来实现。
用户界面模块：用于向用户反馈可视化处理后的土壤未来发展趋势预测结果报告，提供用户友好的界面，使用户可以访问土壤信息和分析结果，支持数据可视化、报告生成和查询功能，以便用户能够轻松地获取所需的土壤信息包括以下步骤：
用户认证和权限管理：用户首先需要进行身份认证，以确保只有经过授权的用户可以访问系统；设置权限管理系统，以根据用户的角色和需求控制他们对数据和功能的访问权限；
仪表板设计：设计用户友好的仪表板，将土壤未来发展趋势预测结果报告和关键信息集中在一起；仪表板可以包括各种图表、图形、地图和表格，以便用户可以快速查看数据；
数据可视化：在用户界面上集成数据可视化元素，以便用户可以通过图表、图形和地图等方式深入了解土壤信息和预测结果；提供交互式功能，允许用户自定义可视化设置；
报告生成和下载：提供报告生成功能，使用户可以根据其需求生成和下载土壤未来发展趋势预测结果报告；支持不同报告格式的生成和导出，如PDF、图像、Excel等；
查询和搜索功能：提供强大的查询和搜索功能，使用户能够根据特定的土壤属性、地理位置、时间范围等条件来检索数据；设置高级搜索选项，以帮助用户精确查找所需信息；
用户支持和帮助：提供用户支持渠道，如在线帮助文档、常见问题解答(FAQ)和用户支持联系信息；可以集成在线聊天、电子邮件支持或电话支持，以解答用户的疑问和解决问题；
用户通知和提醒：设置通知和提醒系统，以通知用户有关报告更新、数据可用性或系统事件的重要信息。
这可以通过电子邮件、短信或应用程序内通知来实现。
本申请通过光谱模块获取多个光谱传感器采集的多通道光谱数据，大气模块通过多种传感器设备收集大气数据，土壤模块通过多种传感器设备收集土壤数据，预处理模块分别对光谱数据、大气数据以及土壤数据进行预处理后，将光谱数据、大气数据以及土壤数据发送至预测模块，预测模块综合分析光谱数据、大气数据以及土壤数据后，预测监测区域土壤的未来发展趋势，可视化模块将土壤未来发展趋势预测结果进行可视化处理，该监测系统通过综合分析光谱数据、大气数据以及土壤数据，来预测土壤未来发展趋势预测结果，分析更为全面，预测精度高、稳定性强，能够及时为农业生产提供预报信息。
实施例2：光谱模块获取多个光谱传感器采集的多通道光谱数据；大气模块通过多种传感器设备收集大气数据；土壤模块通过多种传感器设备收集土壤数据；
其中，光谱数据包括差异水分指数以及有机碳含量指数，大气数据包括潜在蒸发指数，土壤数据包括土壤电导率。
差异水分指数的计算表达式为：
式中，NDVI为差异水分指数，NIR表示水体近红外光波段的反射率，RED表示水体红光波段的反射率；
差异水分指数值越大，意味着监测区域更有可能存在水体或湿地；
正值(接近+1)：表示更多的水体和湿地，当NDVI接近+1时，表明图像中的像素在近红外和短波红外光波段中的反射率差异很大，通常对应于水体的反射；
零值：表示没有明显的水体或湿地，当NDVI接近零时，表示两个波段的反射率大致相等，通常对应于陆地或其他非水体区域；
负值(接近-1)：表示更多的非水体区域，当NDVI接近-1时，表明图像中的像素在近红外和短波红外光波段中的反射率差异较小，通常对应于非水体地表。
有机碳含量指数的计算表达式为：
SOC＝a0+a1*YJC+a2*HJC
式中，SOC为有机碳含量指数，YJC为土壤中有机碳近红外光波段的反射率，HJC为土壤中有机碳红光波段的反射率，a0、a1、a2为回归系数，用于拟合光谱数据与目标土壤属性之间的关系，a0是截距项，反映了模型在没有光谱数据影响时的基准值，a1、a2用于表示光谱数据的一个特定波段对目标土壤属性的影响程度；
有机碳含量指数值越大，对土壤的影响为：
1)改善土壤结构：有机碳可以通过形成有机物质来改善土壤的结构，增加土壤的孔隙度和通透性，有助于根系生长、水分渗透和气体交换；
2)提高水分保持能力：有机碳有助于土壤保持水分，减缓水分蒸发速度，使土壤更具抗旱性，有助于植物在干旱条件下存活；
3)提供养分：有机碳在分解过程中释放养分，提供植物所需的营养物质，有助于植物生长；
4)增加微生物活性：有机碳为土壤中的微生物提供了碳源，促进了微生物活性；这些微生物有助于分解有机物，提供植物可吸收的养分；
5)减轻土壤侵蚀：有机碳可以减缓土壤侵蚀，提高土壤的稳定性，有助于保持土壤质量；
6)碳储存：有机碳的增加有助于将碳储存在土壤中，有助于减缓气候变化。
潜在蒸发指数的计算表达式为：
式中，PET为潜在蒸发指数，Δ为饱和水汽压差，Rn为净辐射，G为土壤热通量，ω为空气比热容，T为气温，U为风速，es为饱和水汽压，ea为实际水汽压，潜在蒸发指数值越大，意味着更高的潜在水分蒸发，会对土壤水分状况产生影响。
土壤电导率的获取逻辑为：使用土壤电导率仪器(例如电导率计或电导率传感器)进行，这些仪器通过将电流引入土壤并测量电压差来确定土壤的电导率，测量结果可以以西门子每米(S/m)或毫西门子每厘米(mS/cm)的形式表示；
对于大多数农作物而言，低电导率的土壤通常更适合，因为它们通常表明土壤中的盐分较低，不会对作物的生长产生不利影响。
预测模块综合分析光谱数据、大气数据以及土壤数据后，预测监测区域土壤的未来发展趋势包括以下步骤：
预测模块将差异水分指数、有机碳含量指数、潜在蒸发指数以及土壤电导率综合计算获取发展系数fzx，表达式为：
式中，NDVI为差异水分指数，SOC为有机碳含量指数，PET为潜在蒸发指数，TD为土壤电导率，α、β、γ、δ分别为差异水分指数、有机碳含量指数、潜在蒸发指数以及土壤电导率的比例系数，且α、β、γ、δ均大于0。
获取发展系数fzx值后，发展系数fzx值越大，表明土壤质量越好，且未来发展趋势也越好，更利于农作物的生长；
因此，若发展系数fzx值≥发展阈值，判断监测区域的土壤质量好，且预测土壤未来向好的趋势发展，若发展系数fzx值＜发展阈值，判断监测区域的土壤质量差，且预测土壤未来向坏的趋势发展。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解，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，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only-memory，ROM)、随机存取存储器(random-access-memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (2)
1.一种基于云平台的多通道土壤信息监测系统，其特征在于：包括光谱模块、大气模块、土壤模块、预处理模块、预测模块、云存储模块、可视化模块；
光谱模块：用于获取多个光谱传感器采集的多通道光谱数据；
大气模块：通过多种传感器设备收集大气数据；
土壤模块：通过多种传感器设备收集土壤数据；
预处理模块：分别对光谱数据、大气数据以及土壤数据进行预处理；
预测模块：综合分析光谱数据、大气数据以及土壤数据后，预测监测区域土壤的未来发展趋势；
云存储模块：用于将光谱数据、大气数据、土壤数据以及土壤未来发展趋势预测结果上传至云平台存储；
可视化模块：将土壤未来发展趋势预测结果进行可视化处理后，生成报告；
所述光谱模块获取多个光谱传感器采集的多通道光谱数据；大气模块通过多种传感器设备收集大气数据；土壤模块通过多种传感器设备收集土壤数据；
光谱数据包括差异水分指数以及有机碳含量指数，大气数据包括潜在蒸发指数，土壤数据包括土壤电导率；
所述预测模块将差异水分指数、有机碳含量指数、潜在蒸发指数以及土壤电导率综合计算获取发展系数fzx，表达式为：
式中，NDVI为差异水分指数，SOC为有机碳含量指数，PET为潜在蒸发指数，TD为土壤电导率，α、β、γ、δ分别为差异水分指数、有机碳含量指数、潜在蒸发指数以及土壤电导率的比例系数，且α、β、γ、δ均大于0；
所述差异水分指数的计算表达式为：
式中，NDVI为差异水分指数，NIR表示水体近红外光波段的反射率，RED表示水体红光波段的反射率；
所述有机碳含量指数的计算表达式为：
SOC＝a0+a1*YJC+a2*HJC
式中，SOC为有机碳含量指数，YJC为土壤中有机碳近红外光波段的反射率，HJC为土壤中有机碳红光波段的反射率，a0、a1、a2为回归系数；
所述潜在蒸发指数的计算表达式为：
式中，PET为潜在蒸发指数，Δ为饱和水汽压差，Rn为净辐射，G为土壤热通量，ω为空气比热容，T为气温，U为风速，es为饱和水汽压，ea为实际水汽压；
所述土壤电导率的获取逻辑为：使用土壤电导率仪器检测获取，这通过将电流引入土壤并测量电压差来确定土壤电导率。
2.根据权利要求1所述的一种基于云平台的多通道土壤信息监测系统，其特征在于：若发展系数fzx值≥发展阈值，预测模块判断监测区域的土壤质量好，且预测土壤未来向好的趋势发展，若发展系数fzx值＜发展阈值，预测模块判断监测区域的土壤质量差，且预测土壤未来向坏的趋势发展。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311490031.5A CN117540854B (zh) | 2023-11-09 | 2023-11-09 | 一种基于云平台的多通道土壤信息监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311490031.5A CN117540854B (zh) | 2023-11-09 | 2023-11-09 | 一种基于云平台的多通道土壤信息监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117540854A CN117540854A (zh) | 2024-02-09 |
| CN117540854B true CN117540854B (zh) | 2024-04-30 |
Family
ID=89785360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311490031.5A Active CN117540854B (zh) | 2023-11-09 | 2023-11-09 | 一种基于云平台的多通道土壤信息监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117540854B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105830870A (zh) * | 2016-03-24 | 2016-08-10 | 华北水利水电大学 | 一种远程无线农田监控系统和方法 |
| WO2019028540A1 (en) * | 2017-08-10 | 2019-02-14 | Speclab Holding S.A. | METHOD FOR ANALYZING SOIL FERTILITY BY CHEMICAL AND PHYSICAL PARAMETERS USING VIS-NIR SPECTROSCOPY IN A LARGE SCALE ROUTINE TEST |
| CN115144932A (zh) * | 2022-07-01 | 2022-10-04 | 青岛国科海洋环境工程技术有限公司 | 一种海陆多维度气象生态综合监测平台 |
| CN115754245A (zh) * | 2022-12-09 | 2023-03-07 | 河南农业大学 | 农田土壤不同深度淋溶氮素联网监测系统 |
| WO2023087630A1 (zh) * | 2021-11-22 | 2023-05-25 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
| CN116894166A (zh) * | 2023-09-11 | 2023-10-17 | 中国标准化研究院 | 一种基于智能传感网络的土壤环境参数信息监测系统 |
| CN116990491A (zh) * | 2023-09-26 | 2023-11-03 | 中国标准化研究院 | 一种基于物联网的自动化土壤信息监测系统 |
| CN116990490A (zh) * | 2023-09-26 | 2023-11-03 | 中国标准化研究院 | 一种基于物联网的土壤水分动态监测系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9579700B2 (en) * | 2014-05-30 | 2017-02-28 | Iteris, Inc. | Measurement and modeling of salinity contamination of soil and soil-water systems from oil and gas production activities |
-
2023
- 2023-11-09 CN CN202311490031.5A patent/CN117540854B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105830870A (zh) * | 2016-03-24 | 2016-08-10 | 华北水利水电大学 | 一种远程无线农田监控系统和方法 |
| WO2019028540A1 (en) * | 2017-08-10 | 2019-02-14 | Speclab Holding S.A. | METHOD FOR ANALYZING SOIL FERTILITY BY CHEMICAL AND PHYSICAL PARAMETERS USING VIS-NIR SPECTROSCOPY IN A LARGE SCALE ROUTINE TEST |
| WO2023087630A1 (zh) * | 2021-11-22 | 2023-05-25 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
| CN115144932A (zh) * | 2022-07-01 | 2022-10-04 | 青岛国科海洋环境工程技术有限公司 | 一种海陆多维度气象生态综合监测平台 |
| CN115754245A (zh) * | 2022-12-09 | 2023-03-07 | 河南农业大学 | 农田土壤不同深度淋溶氮素联网监测系统 |
| CN116894166A (zh) * | 2023-09-11 | 2023-10-17 | 中国标准化研究院 | 一种基于智能传感网络的土壤环境参数信息监测系统 |
| CN116990491A (zh) * | 2023-09-26 | 2023-11-03 | 中国标准化研究院 | 一种基于物联网的自动化土壤信息监测系统 |
| CN116990490A (zh) * | 2023-09-26 | 2023-11-03 | 中国标准化研究院 | 一种基于物联网的土壤水分动态监测系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 多光谱技术在土壤成分含量检测中的研究进展;李鑫星;曹闪闪;白雪冰;李辉;;光谱学与光谱分析;20200710(第07期);全文 * |
| 砂姜黑土土壤有机碳高光谱特征与定量估算模型的研究;杨红飞;郑黎明;郜中要;王若澜;王友保;;安徽农业大学学报;20180302(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117540854A (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Seyednasrollah et al. | Tracking vegetation phenology across diverse biomes using Version 2.0 of the PhenoCam Dataset | |
| Hermosilla et al. | Regional detection, characterization, and attribution of annual forest change from 1984 to 2012 using Landsat-derived time-series metrics | |
| Funk et al. | The centennial trends greater horn of Africa precipitation dataset | |
| US20150371161A1 (en) | System and methods for identifying, evaluating and predicting land use and agricultural production | |
| Hansen et al. | Detecting long-term global forest change using continuous fields of tree-cover maps from 8-km advanced very high resolution radiometer (AVHRR) data for the years 1982–99 | |
| Wessels et al. | Remotely sensed vegetation phenology for describing and predicting the biomes of South Africa | |
| Kanjir et al. | Sentinel-2 based temporal detection of agricultural land use anomalies in support of common agricultural policy monitoring | |
| Zhang et al. | Quantitatively distinguishing the impact of climate change and human activities on vegetation in mainland China with the improved residual method | |
| CN111504425B (zh) | 一种估算干旱平原地区生态地下水位的方法及装置 | |
| Francini et al. | The Three Indices Three Dimensions (3I3D) algorithm: a new method for forest disturbance mapping and area estimation based on optical remotely sensed imagery | |
| Xian et al. | Implementation of the CCDC algorithm to produce the LCMAP Collection 1.0 annual land surface change product | |
| Li et al. | Post-fire vegetation succession and surface energy fluxes derived from remote sensing | |
| CN117037076B (zh) | 一种基于遥感技术的土壤墒情智能监测方法 | |
| Kharrou et al. | Assessing irrigation water use with remote sensing-based soil water balance at an irrigation scheme level in a semi-arid region of Morocco | |
| Basuki et al. | The potential of spectral mixture analysis to improve the estimation accuracy of tropical forest biomass | |
| Bórnez et al. | Evaluation of vegetation and proba-v phenology using phenocam and eddy covariance data | |
| Dai et al. | Vegetation carbon sequestration mapping in herbaceous wetlands by using a MODIS EVI time-series data set: a case in Poyang lake wetland, China | |
| Ha et al. | Quantifying hail damage in crops using sentinel-2 imagery | |
| LaRue et al. | Evaluating the sensitivity of forest structural diversity characterization to LiDAR point density | |
| Abdi et al. | Spatiotemporal drought evaluation of Hyrcanian deciduous forests and semi‐steppe rangelands using moderate resolution imaging spectroradiometer time series in Northeast Iran | |
| Gervais et al. | Modeling the effects of the urban built-up environment on plant phenology using fused satellite data | |
| Bhardwaj et al. | Evaluating satellite soil moisture datasets for drought monitoring in Australia and the south-West Pacific | |
| Zhou et al. | Integration of Landsat time-series vegetation indices improves consistency of change detection | |
| Shi et al. | Trends analysis of rangeland condition monitoring assessment and projection (RCMAP) fractional component time series (1985–2020) | |
| CN117540854B (zh) | 一种基于云平台的多通道土壤信息监测系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |