CN117805099A - 一种耕地质量监测方法及系统 - Google Patents
一种耕地质量监测方法及系统 Download PDFInfo
- Publication number
- CN117805099A CN117805099A CN202311858704.8A CN202311858704A CN117805099A CN 117805099 A CN117805099 A CN 117805099A CN 202311858704 A CN202311858704 A CN 202311858704A CN 117805099 A CN117805099 A CN 117805099A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- quality
- soil
- image
- analysis
- 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 76
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000002689 soil Substances 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 238000005527 soil sampling Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 235000021049 nutrient content Nutrition 0.000 claims description 5
- 238000010183 spectrum analysis Methods 0.000 claims description 5
- 239000011573 trace mineral Substances 0.000 claims description 5
- 235000013619 trace mineral Nutrition 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 239000005416 organic matter Substances 0.000 claims description 4
- 238000004856 soil analysis Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明属于耕地监测领域，提供了一种耕地质量监测方法及系统，包括以下步骤：地点选择、耕地样本点图像获取、监测点选择、土壤采样、样本处理、实验分析、数据分析、结果解释：将数据分析结果进行解释，并与相关的土壤质量标准进行对比；根据监测结果，评估土壤质量的好坏，并提出相应的改善措施和建议；本发明通过将图像转换为特征表示，减少数据的维度，可以更快地进行图像处理任务；根据解码图像，对图像进行分割，并通过随机区域生成模块设定单个区域内的多个监测点，可以帮助用户更精确地选择监测区域，从而更精确地判断该片区域的土壤整体质量。
Description
技术领域
本发明属于耕地监测领域，具体地说是一种耕地质量监测方法及系统。
背景技术
目前，耕地质量的监测全程依靠人为调查、检测、登记、整理实现，费时费力的同时，数据普遍存在滞后性，在无法实现耕地质量全面实时监测的同时，大大降低了耕地质量评估结果的精确度。
在公告号为CN112308047B的中国发明新型专利中公开了一种耕地质量监测方法及系统，该方法包括如下步骤：基于卫星图像及DSSD_Xception_coco模型实现监测区域内耕地面积、耕地用途的监测，获取耕地面积参数、耕地用途参数；基于巡检机器人实现耕地土壤的定点取样及理化性质检测，生成对应的土壤理化性质表；实现耕地周围天气环境、耕地作物种植流程的监测，获取耕地周围天气环境参数、耕地作物种植流程参数；基于预设的模型根据耕地面积参数、耕地用途参数和/土壤理化性质表和/耕地周围天气环境参数和/耕地作物种植流程参数实现耕地质量的评估，并获取对应的评估结果。
针对上述中的相关技术，发明人认为存在以下缺陷：现有的耕地质量检测采样仅仅通过卫星图像进行人工判断，由于不同耕地区域的土壤质量不同人工判断不能直观判断出耕地区域的差异，导致取样点受人工干涉，导致取样点不够精准，从而导致了耕地质量检测的差异；
为此，本领域技术人员提出了一种耕地质量监测方法及系统来解决背景技术提出的问题。
发明内容
为了解决上述技术问题，本发明提供一种耕地质量监测方法及系统，以解决现有技术中耕地质量检测采样仅仅通过卫星图像进行人工判断，由于不同耕地区域的土壤质量不同人工判断不能直观判断出耕地区域的差异，导致取样点受人工干涉，导致取样点不够精准的问题。
一种耕地质量监测方法，包括以下步骤：
S1、地点选择：选择代表性的耕地样本点进行监测；
S2、耕地样本点图像获取：使用遥感技术获取高分辨率的耕地样本点图像数据；
S3、监测点选择：通过图像处理模块对耕地样本点图像进行处理，获得准确的监测点；
S4、土壤采样：在每个监测点，采集土壤样本；
S5、样本处理：将采集的土壤样本进行处理，将土壤样本按照对应的监测点进行分类；
S6、实验分析：将处理后的土壤样本进行实验分析；
S7、数据分析：根据实验分析结果，对土壤质量进行评估和监测。
S8、结果解释：将数据分析结果进行解释，并与相关的土壤质量标准进行对比；根据监测结果，评估土壤质量的好坏，并提出相应的改善措施和建议。
优选的，所述S3中图像处理模块包括编码器和解码器；
S301、输入耕地样本点图像，由编码器获得图像特征，特征输入解码器，解码器解码特征，获得解码图像；
S302、根据解码图像划分监测区域，在监测区域内设定监测点。
优选的，所述S4中还包括：S401、将样本分成不同层次；避免污染或混合不同深度的土壤。
优选的，所述S6中实验分析方法为化学分析或光谱分析；
还包括：S601、通过化学分析或光谱分析来测定土壤，土壤分析指标包括土壤质地、有机质含量、pH值、养分含量和微量元素含量。
一种耕地质量监测系统，包括图像处理模块、数据储存模块、数据分析模块和控制模块；所述图像处理模块包括编码器、解码器和随机区域生成模块。
优选的，所述数据储存模块用于储存从图像处理模块接收的数，包括原始图像数据以及经过处理或分析的数据。
优选的，所述随机区域生成模块生成步骤包括：
确定区域范围、确定最小和最大坐标、生成随机坐标、重复生成坐标：根据需要的检测点数量，重复步骤多个随机坐标。
优选的，所述数据分析模块采用RandomForest模型，分析步骤为：数据准备、特征选择、数据划分、模型训练、模型评估、预测分析以及模型优化。
与现有技术相比，本发明具有如下有益效果：
本发明通过将图像转换为特征表示，减少数据的维度，并且可以更快地进行图像处理任务；根据解码图像，对图像进行分割，并通过随机区域生成模块设定单个区域内的多个监测点，可以帮助用户更精确地选择监测区域，并且可以根据具体需求设定监测点的位置和数量，相较于直观判断卫星图像可以更随机均匀的选择监测点，监测点选取后采样的土壤数据进行比对，从而更精确地判断该片区域的土壤整体质量。
附图说明
图1为一种耕地质量监测方法的流程示意图；
图2为一种耕地质量监测系统的整体示意图；
图3为图像处理模块的处理实施图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
实施例一：如附图1至附图3所示：本发明提供一种耕地质量监测方法，包括以下步骤：
S1、地点选择：选择代表性的耕地样本点进行监测；样本点应覆盖不同类型的土壤和农作物，以确保监测结果的代表性；
S2、耕地样本点图像获取：使用遥感技术获取高分辨率的耕地样本点图像数据；遥感技术采用卫星图像或无人机拍摄图像；
S3、监测点选择：通过图像处理模块对耕地样本点图像进行处理，获得准确的监测点；
S4、土壤采样：在每个监测点，采集土壤样本；
S5、样本处理：将采集的土壤样本进行处理，将土壤样本按照对应的监测点进行分类；去除土壤样本中的大块杂质和植物残渣；
S6、实验分析：将处理后的土壤样本进行实验分析；通过化学分析或光谱分析来测定，土壤分析指标包括土壤质地、有机质含量、pH值、养分含量(如氮、磷、钾)、微量元素含量(如铁、锌、锰)；
S7、数据分析：根据实验分析结果，对土壤质量进行评估和监测。
S8、结果解释：将数据分析结果进行解释，并与相关的土壤质量标准进行对比；根据监测结果，评估土壤质量的好坏，并提出相应的改善措施和建议。
优选的，S3中图像处理模块包括编码器和解码器；
S301、输入耕地样本点图像，由编码器获得图像特征，特征输入解码器，解码器解码特征，获得解码图像；
S302、根据解码图像划分监测区域，在监测区域内设定监测点。
优选的，S4中还包括：S401、将样本分成不同层次(如表层土壤和底层土壤)；避免污染或混合不同深度的土壤。
优选的，S6中实验分析方法为化学分析或光谱分析；
还包括：S601、通过化学分析或光谱分析来测定土壤，土壤分析指标包括土壤质地、有机质含量、pH值、养分含量和微量元素含量。
一种耕地质量监测系统，包括图像处理模块、数据储存模块、数据分析模块和控制模块；图像处理模块包括编码器、解码器和随机区域生成模块。
优选的，数据储存模块用于储存从图像处理模块接收的数，包括原始图像数据以及经过处理或分析的数据。
优选的，随机区域生成模块生成步骤包括：
确定区域范围：确定要在其中选择检测点的区域范围(根据解码后产生的图像的色域进行区域划分)，区域范围形成一个矩形区域；
确定最小和最大坐标：确定区域的最小和最大坐标，以便在这个范围内选择随机点；最小坐标为(Xmin,Ymin)，最大坐标为(Xmax,Ymax)；
生成随机坐标：使用随机数生成器生成一个在X和Y坐标范围内的随机数；对于矩形区域，随机生成的X坐标满足(Xmin≤X≤Xmax)，Y坐标满足Ymin≤Y≤Ymax；
重复生成坐标：根据需要的检测点数量，重复步骤多个随机坐标。
优选的，数据分析模块采用RandomForest模型，分析步骤为：
数据收集：收集土壤样本数据，包括土壤质地、有机质含量、pH值、养分含量和微量元素含量。
数据准备：将收集到的数据进行整理和清洗，确保数据的完整性和准确性；使用数据清洗技术去除重复值、处理缺失值和处理异常值。
特征选择：根据土壤质量分析的目标，选择合适的特征；使用方差分析方法来评估特征与目标之间的相关性，并选择相关性较高的特征；
数据划分：将数据集划分为训练集和测试集，将大部分数据用于训练模型，少部分数据用于评估模型性能；
模型训练：使用RandomForest算法对训练集进行训练，RandomForest通过构建多个决策树来进行分类或回归，每个决策树都基于随机选取的特征和样本，最后通过投票或平均预测结果来得出最终结果；
模型评估：使用测试集对训练好的随机森林模型进行评估，使用各种评估指标，如准确率、精确率、召回率、F1值来评估模型的性能；
预测和分析：使用训练好的模型对新的土壤样本进行预测，根据模型的输出结果，对土壤质量进行分类、预测或异常检测等操作；
模型优化：根据评估结果，对模型进行优化和调整，调整随机森林的参数，如决策树的数量、最大深度等，以提高模型性能。
由上可知，编码器可以提取图像的特征，特征用于后续的图像分析、分类、目标检测等任务；通过将图像转换为特征表示，减少数据的维度，并且可以更快地进行图像处理任务；根据解码图像，对图像进行分割，并通过随机区域生成模块设定单个区域内的多个监测点，可以帮助用户更精确地选择监测区域，并且可以根据具体需求设定监测点的位置和数量，相较于直观判断卫星图像可以更随机均匀的选择监测点，监测点选取后采样的土壤数据进行比对，从而更精确地判断该片区域的土壤整体质量。
如附图3所示：输入无人机拍摄的耕地样本点图像，由编码器获得图像特征，再将特征输入解码器，解码器解码特征，获得解码图像，在解码器色域不同的区域进行耕地划分，在划分的单个矩形区域，通过解码图像配合随机区域生成模块实现监测点的选择。
本发明的实施例是为了示例和描述起见而给出的，尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种耕地质量监测方法，其特征在于，包括以下步骤：
S1、地点选择：选择代表性的耕地样本点进行监测；
S2、耕地样本点图像获取：使用遥感技术获取高分辨率的耕地样本点图像数据；
S3、监测点选择：通过图像处理模块对耕地样本点图像进行处理，获得准确的监测点；
S4、土壤采样：在每个监测点，采集土壤样本；
S5、样本处理：将采集的土壤样本进行处理，将土壤样本按照对应的监测点进行分类；
S6、实验分析：将处理后的土壤样本进行实验分析；
S7、数据分析：根据实验分析结果，对土壤质量进行评估和监测；
S8、结果解释：将数据分析结果进行解释，并与相关的土壤质量标准进行对比；根据监测结果，评估土壤质量的好坏，并提出相应的改善措施和建议。
2.如权利要求1所述一种耕地质量监测方法，其特征在于：所述S3中图像处理模块包括编码器和解码器；
S301、输入耕地样本点图像，由编码器获得图像特征，特征输入解码器，解码器解码特征，获得解码图像；
S302、根据解码图像划分监测区域，在监测区域内设定监测点。
3.如权利要求1所述一种耕地质量监测方法及系统，其特征在于：所述S4中还包括：S401、将样本分成不同层次；避免污染或混合不同深度的土壤。
4.如权利要求1所述一种耕地质量监测方法及系统，其特征在于：所述S6中实验分析方法为化学分析或光谱分析；
还包括：S601、通过化学分析或光谱分析来测定土壤，土壤分析指标包括土壤质地、有机质含量、pH值、养分含量和微量元素含量。
5.一种耕地质量监测系统，与权利要求1-4所述的一种耕地质量监测方法配合使用，其特征在于：包括图像处理模块、数据储存模块、数据分析模块和控制模块；所述图像处理模块包括编码器、解码器和随机区域生成模块。
6.如权利要求5所述一种耕地质量监测系统，其特征在于：所述数据储存模块用于储存从图像处理模块接收的数，包括原始图像数据以及经过处理或分析的数据。
7.如权利要求5所述一种耕地质量监测系统，其特征在于：所述随机区域生成模块生成步骤包括：
确定区域范围、确定最小和最大坐标、生成随机坐标、重复生成坐标：根据需要的检测点数量，重复步骤多个随机坐标。
8.如权利要求5所述一种耕地质量监测系统，其特征在于：所述数据分析模块采用RandomForest模型，分析步骤为：数据准备、特征选择、数据划分、模型训练、模型评估、预测分析以及模型优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311858704.8A CN117805099A (zh) | 2023-12-30 | 2023-12-30 | 一种耕地质量监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311858704.8A CN117805099A (zh) | 2023-12-30 | 2023-12-30 | 一种耕地质量监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117805099A true CN117805099A (zh) | 2024-04-02 |
Family
ID=90429551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311858704.8A Pending CN117805099A (zh) | 2023-12-30 | 2023-12-30 | 一种耕地质量监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117805099A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118067964A (zh) * | 2024-04-16 | 2024-05-24 | 四川省科源工程技术测试中心有限责任公司 | 一种用于未开耕荒地的土壤质量监测系统 |
-
2023
- 2023-12-30 CN CN202311858704.8A patent/CN117805099A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118067964A (zh) * | 2024-04-16 | 2024-05-24 | 四川省科源工程技术测试中心有限责任公司 | 一种用于未开耕荒地的土壤质量监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
| Guo et al. | Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping | |
| Kamoske et al. | Leaf area density from airborne LiDAR: Comparing sensors and resolutions in a temperate broadleaf forest ecosystem | |
| CN110926430B (zh) | 一种空地一体化红树林监测系统及控制方法 | |
| Puno et al. | Determination of soil nutrients and pH level using image processing and artificial neural network | |
| CN101692037B (zh) | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 | |
| CN111738066B (zh) | 综合多源遥感信息的网格化晚稻纹枯病生境评价方法 | |
| CN117805099A (zh) | 一种耕地质量监测方法及系统 | |
| CN111751376A (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
| CN112434569B (zh) | 一种无人机热成像系统 | |
| CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
| CN112763429A (zh) | 一种蓝藻水华的立体监测方法 | |
| CN114202675A (zh) | 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统 | |
| CN114648705A (zh) | 一种基于卫星遥感的碳汇监测系统及方法 | |
| CN116148188A (zh) | 空天地一体化湖泊水质溯源方法、系统、设备及存储介质 | |
| CN116881812A (zh) | 基于多源遥感数据和随机森林法估测森林碳储量的方法 | |
| CN115169728A (zh) | 一种基于简化神经网络的土壤肥力预测方法 | |
| CN107944413A (zh) | 基于光谱指数排序法的水生植被遥感分类阈值计算方法 | |
| CN114973024A (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
| CN114863294A (zh) | 一种适用于微咸水湖泊的水质参数监测方法和装置 | |
| US20240099179A1 (en) | Machine learning-based hyperspectral detection and visualization method of nitrogen content in soil profile | |
| CN117455062A (zh) | 一种基于多源异构农业数据的农作物产量预测算法 | |
| CN117694070A (zh) | 养分要素反演评估与智能变量精准施肥决策系统 | |
| CN117523406A (zh) | 一种海洋水色水温扫描仪箝位修正方法及计算机可读介质 | |
| CN116912672A (zh) | 一种基于无人测量船的大型底栖无脊椎动物生物完整性评价方法 |
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 |