CN117848975A - 一种农业遥感图像分析方法及系统 - Google Patents
一种农业遥感图像分析方法及系统 Download PDFInfo
- Publication number
- CN117848975A CN117848975A CN202410258617.7A CN202410258617A CN117848975A CN 117848975 A CN117848975 A CN 117848975A CN 202410258617 A CN202410258617 A CN 202410258617A CN 117848975 A CN117848975 A CN 117848975A
- Authority
- CN
- China
- Prior art keywords
- wheat
- farmland
- detected
- wheat farmland
- crop
- 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.)
- Granted
Links
- 238000003703 image analysis method Methods 0.000 title claims abstract description 11
- 241000209140 Triticum Species 0.000 claims abstract description 383
- 235000021307 Triticum Nutrition 0.000 claims abstract description 383
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 238000012216 screening Methods 0.000 claims abstract description 41
- 239000003337 fertilizer Substances 0.000 claims abstract description 6
- 239000002689 soil Substances 0.000 claims description 129
- 230000003287 optical effect Effects 0.000 claims description 43
- 235000016709 nutrition Nutrition 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 27
- 230000035764 nutrition Effects 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 235000015097 nutrients Nutrition 0.000 claims description 17
- 238000009331 sowing Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 7
- 238000003306 harvesting Methods 0.000 description 4
- 230000004720 fertilization Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种农业遥感图像分析方法及系统，涉及电压控制技术领域，本发明包括：S1.数据采集、S2.初始分析、S3.二次采集、S4.二次分析和S5.浇水施肥子区域筛选，本发明克服了现有技术中对大批量的农田的预先分析关注度不高的缺陷，进而预先分析哪些小麦农田存在异常，从而再次通过地面采集数据对小麦农田进行具体分析，分析较为节约时间，且分析数据较少，在一定程度上提高了对小麦农田的分析速率，本发明弥补了现有技术中对小麦农田需求增肥时的表观现象关注度不高缺陷，提高了小麦农田的增肥需求判断的精确性，为后续小麦农田的施肥策略提供强有力的数据支持。
Description
技术领域
本发明涉及农业技术领域，具体涉及一种农业遥感图像分析方法及系统。
背景技术
遥感图像具有其快速、简便、宏观、无损及客观等优点，被广泛应用于农业生产各个环节，结合农业遥感图像，可以获取相关农业信息，并对相关农业信息进行分析，进而提高农业生产效率，对农业发展具有十分重要的意义，而在众多的农作物中，小麦的产量和销量都遥遥领先，若小麦的生长状况出现异常但是没有及时进行处理，则影响小麦的正常收割，因此，对小麦进行分析是极其有必要的。
现有技术中对小麦的分析在一定程度上可以满足当前要求，但是还存在一定的缺陷，其具体体现在以下几个层面：（1）现有技术中大多通过大量的地面采集数据对小麦农田进行分析，对大批量的农田的预先分析的关注度不高，对大批量的农田的预先分析，可以预先分析哪些小麦农田存在异常，从而再次通过地面采集数据对小麦农田进行具体分析，现有技术中对这一层面的忽视导致分析较为浪费时间，且分析数据过多，在一定程度上降低了对小麦农田的分析速率。
（2）现有技术中大多通过小麦农田的土壤状况判断小麦农田是否需要增肥，对小麦农田需求增肥时的表观现象的关注度不高，小麦肥料不足时，通常表现为植株矮小，且叶片颜色异常，现有技术对这一层面的忽视导致小麦农田的增肥需求判断不精确，进而影响后续小麦农田的施肥策略，不利于小麦农田的良好生长状态，从而影响小麦农田的丰收。
发明内容
本发明的目的在于提供的一种农业遥感图像分析方法及系统，解决了背景技术中存在的问题。
为解决上述技术问题，本发明采用如下技术方案：本发明第一方面提供一种农业遥感图像分析方法，包括：S1.数据采集：通过光学遥感技术对小麦农田进行图像采集，进而得到小麦农田的光学遥感图像，并通过微波遥感技术对小麦农田进行图像采集，进而得到小麦农田的微波遥感图像。
S2.初始分析：将小麦农田进行网格化划分，进而得到小麦农田的各子区域，并结合小麦农田的光学遥感图像分析小麦农田所属各子区域的作物健康值，结合小麦农田的微波遥感图像分析小麦农田所属各子区域的土壤水分适宜值，进而筛选小麦农田所属的各土壤待检测子区域、各农作物待检测子区域和各警戒待检测子区域。
S3.二次采集：对小麦农田所属的各土壤待检测子区域进行土壤检测，对小麦农田所属的各农作物待检测子区域进行作物检测，对小麦农田所属的各警戒待检测子区域进行土壤检测和作物检测。
S4.二次分析：获取小麦农田所属各土壤待检测子区域的采集数据、各农作物待检测子区域的采集数据和各警戒待检测子区域的采集数据，分析小麦农田所属各土壤待检测子区域的水分适宜值，分析小麦农田所属各农作物待检测子区域的营养评估系数，并分析小麦农田所属各警戒待检测子区域的营养评估系数、水分适宜值。
S5.浇水施肥子区域筛选：筛选小麦农田所属的各待浇水子区域和各待施肥子区域，并获取小麦农田所属的各待浇水子区域和各待施肥子区域的编号，将其进行显示。
优选地，所述分析小麦农田所属各子区域的作物健康值，其具体分析方法为：基于小麦农田的光学遥感图像获取小麦农田所属各子区域的光学遥感图像，进而获取小麦农田所属各子区域的光学遥感图像的各像素点的色调值，其中/>为各子区域的编号，，/>为大于2的任意整数，/>为各像素点的编号，/>，/>为大于2的任意整数。
根据光学遥感技术对小麦农田进行图像采集的时间点，从云数据库中获取小麦农田的实际播种时间点，将光学遥感技术对小麦农田进行图像采集的时间点减去小麦农田的实际播种时间点，得到小麦农田的实际播种时长。
从云数据库中获取小麦在各生长周期的播种时长，结合小麦农田的实际播种时长，筛选小麦农田的当前生长周期，并从云数据库中获取小麦在各生长周期的预计呈现色调值，筛选小麦农田在当前生长周期的预计呈现色调值。
分析小麦农田所属各子区域的光学遥感图像所属各像素点的色调呈现适宜值，并筛选小麦农田所属各子区域的各适宜像素点。
分析小麦农田所属各子区域的色调呈现偏差值，统计小麦农田所属各子区域的像素点的数量/>和适宜像素点的数量/>，并综合分析小麦农田所属各子区域的作物健康值/>。
优选地，所述分析小麦农田所属各子区域的色调呈现偏差值，其具体分析方法为：将小麦农田所属各子区域的光学遥感图像所属各像素点的色调值进行均值处理，得到小麦农田所属各子区域的色调均值。
将小麦农田所属某子区域记为示例子区域，将小麦农田的其余各子区域记为各关联子区域，进而得到小麦农田的示例子区域对应的各关联子区域。
基于小麦农田所属各子区域的色调均值，获取小麦农田所属示例子区域的色调均值，并获取小麦农田的示例子区域对应各关联子区域的色调均值/>，其中/>为各关联子区域的编号，/>，/>为大于2的任意整数。
分析小麦农田的示例子区域的色调呈现偏差值，并以此类推，分析小麦农田所属各子区域的色调呈现偏差值/>。
优选地，所述分析小麦农田所属各子区域的土壤水分适宜值，其具体分析方法为：基于小麦农田的微波遥感图像，获取小麦农田所属各子区域的土壤水分含量。
从云数据库中提取小麦农田在各生长周期的土壤水分适宜含量，并基于小麦农田的当前生长周期，筛选小麦农田在当前生长周期的土壤水分适宜含量。
分析小麦农田所属各子区域的土壤水分适宜值。
优选地，所述筛选小麦农田所属的各土壤待检测子区域、各农作物待检测子区域和各警戒待检测子区域，其具体筛选方法为：将小麦农田所属各子区域的作物健康值与预定义的作物健康阈值进行对比，并将小麦农田所属各子区域的土壤水分适宜值与预定义的土壤水分适宜阈值进行对比。
若小麦农田所属某子区域的土壤水分适宜值小于土壤水分适宜阈值，且小麦农田所属该子区域的作物健康值大于或等于预定的作物健康阈值，则将该子区域记为土壤待检测子区域。
若小麦农田所属该子区域的作物健康值小于预定义的作物健康阈值，且小麦农田所属该子区域的土壤水分适宜值大于或等于土壤水分适宜阈值，则将该子区域记为农作物待检测子区域。
若小麦农田所属该子区域的作物健康值小于预定义的作物健康阈值，且小麦农田所属该子区域的土壤水分适宜值小于土壤水分适宜阈值，则将该子区域记为警戒待检测子区域。
统计得到小麦农田所属的各土壤待检测子区域、各农作物待检测子区域和各警戒待检测子区域。
优选地，所述分析小麦农田所属各土壤待检测子区域的水分适宜值，其具体分析方法为：从小麦农田所属各土壤待检测子区域的采集数据中提取各布设点的土壤水分含量，其中/>为各土壤待检测子区域的编号，/>，/>为大于2的任意整数，/>为各布设点的编号，/>，/>为大于2的任意整数。
分析小麦农田所属各土壤待检测子区域的水分适宜值，其中/>为布设点的数量，/>、/>分别表示为预定义的水分含量适宜对应的权重影响因子、水分含量分布均匀性对应的权重影响因子。
优选地，所述分析小麦农田所属各农作物待检测子区域的营养评估系数，其具体分析方法为：从小麦农田所属各农作物待检测子区域的采集数据中提取俯拍图像、侧拍图像和土壤中各养分的含量，其中/>为各农作物待检测子区域的编号，/>，/>为大于2的任意整数，/>为各养分的编号，/>，/>为大于2的任意整数。
基于小麦农田所属各农作物待检测子区域的俯拍图像获取小麦农田所属各农作物待检测子区域的各测试点的色度值，并从云数据库中提取小麦农田缺乏肥料的各显现色度值/>，其中/>为各测试点的编号，/>，/>为大于2的任意整数，/>为各显现色度值的编号，/>，/>为大于2的任意整数。
基于小麦农田所属各农作物待检测子区域的侧拍图像获取小麦农田所属各农作物待检测子区域的农作物平均高度，并从云数据库中提取小麦农田在各生长周期对应的适宜高度，结合小麦农田的当前生长周期，筛选小麦农田在当前生长周期的适宜高度/>。
从云数据库中提取小麦农田在各生长周期的土壤中各养分的适宜含量，结合小麦农田的当前生长周期，筛选小麦农田在当前生长周期的土壤中各养分的适宜含量。
综合分析小麦农田所属各农作物待检测子区域的营养评估系数，其中/>为显现色度值的数量，/>为测试点的数量，/>为养分的数量。
本发明第二方面提供一种执行任一项所述的农业遥感图像分析方法的农业遥感图像分析系统，包括：数据采集模块，用于通过光学遥感技术对小麦农田进行图像采集，进而得到小麦农田的光学遥感图像，并通过微波遥感技术对小麦农田进行图像采集，进而得到小麦农田的微波遥感图像。
初始分析模块，用于将小麦农田进行网格化划分，进而得到小麦农田的各子区域，并结合小麦农田的光学遥感图像分析小麦农田所属各子区域的作物健康值，结合小麦农田的微波遥感图像分析小麦农田所属各子区域的土壤水分适宜值，进而筛选小麦农田所属的各土壤待检测子区域、各农作物待检测子区域和各警戒待检测子区域。
二次采集模块，用于对小麦农田所属的各土壤待检测子区域进行土壤检测，对小麦农田所属的各农作物待检测子区域进行作物检测，对小麦农田所属的各警戒待检测子区域进行土壤检测和作物检测。
二次分析模块，用于获取小麦农田所属各土壤待检测子区域的采集数据、各农作物待检测子区域的采集数据和各警戒待检测子区域的采集数据，分析小麦农田所属各土壤待检测子区域的水分适宜值，分析小麦农田所属各农作物待检测子区域的营养评估系数，并分析小麦农田所属各警戒待检测子区域的营养评估系数、水分适宜值。
浇水施肥子区域筛选模块，用于筛选小麦农田所属的各待浇水子区域和各待施肥子区域，并获取小麦农田所属的各待浇水子区域和各待施肥子区域的编号，将其进行显示。
本发明的有益效果在于：（1）本发明在S1.数据采集中通过光学遥感技术和微波遥感技术对小麦农田进行图像采集，进而为后续小麦农田的分析奠定了基础。
（2） 本发明在S2.初始分析中预先对小麦农田进行分析，克服了现有技术中对大批量的农田的预先分析关注度不高的缺陷，进而预先分析哪些小麦农田存在异常，从而再次通过地面采集数据对小麦农田进行具体分析，分析较为节约时间，且分析数据较少，在一定程度上提高了对小麦农田的分析速率。
（3） 本发明在S3.二次采集中对小麦农田的异常区域进行二次检测，进而为后续小麦农田的二次分析提供了数据支持。
（4） 本发明在S4.二次分析中通过小麦农田的土壤状况和小麦农田需求增肥时的表观现象综合评判小麦农田是否需要增肥，弥补了现有技术中对小麦农田需求增肥时的表观现象关注度不高缺陷，提高了小麦农田的增肥需求判断的精确性，为后续小麦农田的施肥策略提供强有力的数据支持，有利于小麦农田保持良好的生长状态，从而保障小麦农田的丰收。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明方法实施步骤流程示意图。
图2为本发明系统结构连接示意图。
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、完整地描述，显然，所描述的实施例仅仅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做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。
参照图1所示，本发明第一方面提供一种农业遥感图像分析方法，包括：S1.数据采集：通过光学遥感技术对小麦农田进行图像采集，进而得到小麦农田的光学遥感图像，并通过微波遥感技术对小麦农田进行图像采集，进而得到小麦农田的微波遥感图像。
本发明在S1.数据采集中通过光学遥感技术和微波遥感技术对小麦农田进行图像采集，进而为后续小麦农田的分析奠定了基础。
S2.初始分析：将小麦农田进行网格化划分，进而得到小麦农田的各子区域，并结合小麦农田的光学遥感图像分析小麦农田所属各子区域的作物健康值，结合小麦农田的微波遥感图像分析小麦农田所属各子区域的土壤水分适宜值，进而筛选小麦农田所属的各土壤待检测子区域、各农作物待检测子区域和各警戒待检测子区域。
在本发明的具体实施例中，所述分析小麦农田所属各子区域的作物健康值，其具体分析方法为：基于小麦农田的光学遥感图像获取小麦农田所属各子区域的光学遥感图像，进而获取小麦农田所属各子区域的光学遥感图像的各像素点的色调值，其中/>为各子区域的编号，/>，/>为大于2的任意整数，/>为各像素点的编号，/>，/>为大于2的任意整数。
根据光学遥感技术对小麦农田进行图像采集的时间点，从云数据库中获取小麦农田的实际播种时间点，将光学遥感技术对小麦农田进行图像采集的时间点减去小麦农田的实际播种时间点，得到小麦农田的实际播种时长。
从云数据库中获取小麦在各生长周期的播种时长，结合小麦农田的实际播种时长，筛选小麦农田的当前生长周期，并从云数据库中获取小麦在各生长周期的预计呈现色调值，筛选小麦农田在当前生长周期的预计呈现色调值。
分析小麦农田所属各子区域的光学遥感图像所属各像素点的色调呈现适宜值，并筛选小麦农田所属各子区域的各适宜像素点。
需要说明的是，所述筛选小麦农田所属各子区域的各适宜像素点，其具体筛选方法为：将小麦农田所属各子区域的光学遥感图像所属各像素点的色调呈现适宜值与预定义的小麦农田的色调呈现适宜阈值进行对比，若小麦农田所属某子区域的光学遥感图像所属某像素点的色调呈现适宜值大于或等于小麦农田的色调呈现适宜阈值，则将该像素点记为适宜像素点，进而统计得到小麦农田所属各子区域的各适宜像素点。
分析小麦农田所属各子区域的色调呈现偏差值，统计小麦农田所属各子区域的像素点的数量/>和适宜像素点的数量/>，并综合分析小麦农田所属各子区域的作物健康值/>。
在本发明的具体实施例中，所述分析小麦农田所属各子区域的色调呈现偏差值，其具体分析方法为：将小麦农田所属各子区域的光学遥感图像所属各像素点的色调值进行均值处理，得到小麦农田所属各子区域的色调均值。
将小麦农田所属某子区域记为示例子区域，将小麦农田的其余各子区域记为各关联子区域，进而得到小麦农田的示例子区域对应的各关联子区域。
基于小麦农田所属各子区域的色调均值，获取小麦农田所属示例子区域的色调均值，并获取小麦农田的示例子区域对应各关联子区域的色调均值/>，其中/>为各关联子区域的编号，/>，/>为大于2的任意整数。
分析小麦农田的示例子区域的色调呈现偏差值，并以此类推，分析小麦农田所属各子区域的色调呈现偏差值/>。
在本发明的具体实施例中，所述分析小麦农田所属各子区域的土壤水分适宜值，其具体分析方法为：基于小麦农田的微波遥感图像，获取小麦农田所属各子区域的土壤水分含量。
从云数据库中提取小麦农田在各生长周期的土壤水分适宜含量，并基于小麦农田的当前生长周期，筛选小麦农田在当前生长周期的土壤水分适宜含量。
分析小麦农田所属各子区域的土壤水分适宜值。
在本发明的具体实施例中，所述筛选小麦农田所属的各土壤待检测子区域、各农作物待检测子区域和各警戒待检测子区域，其具体筛选方法为：将小麦农田所属各子区域的作物健康值与预定义的作物健康阈值进行对比，并将小麦农田所属各子区域的土壤水分适宜值与预定义的土壤水分适宜阈值进行对比。
若小麦农田所属某子区域的土壤水分适宜值小于土壤水分适宜阈值，且小麦农田所属该子区域的作物健康值大于或等于预定的作物健康阈值，则将该子区域记为土壤待检测子区域。
若小麦农田所属该子区域的作物健康值小于预定义的作物健康阈值，且小麦农田所属该子区域的土壤水分适宜值大于或等于土壤水分适宜阈值，则将该子区域记为农作物待检测子区域。
若小麦农田所属该子区域的作物健康值小于预定义的作物健康阈值，且小麦农田所属该子区域的土壤水分适宜值小于土壤水分适宜阈值，则将该子区域记为警戒待检测子区域。
统计得到小麦农田所属的各土壤待检测子区域、各农作物待检测子区域和各警戒待检测子区域。
本发明在S2.初始分析中预先对小麦农田进行分析，克服了现有技术中对大批量的农田的预先分析关注度不高的缺陷，进而预先分析哪些小麦农田存在异常，从而再次通过地面采集数据对小麦农田进行具体分析，分析较为节约时间，且分析数据较少，在一定程度上提高了对小麦农田的分析速率。
S3.二次采集：对小麦农田所属的各土壤待检测子区域进行土壤检测，对小麦农田所属的各农作物待检测子区域进行作物检测，对小麦农田所属的各警戒待检测子区域进行土壤检测和作物检测。
需要说明的是，使用土壤水分传感器对小麦农田所属的各土壤待检测子区域进行土壤检测，使用高清摄像仪和土壤养分速测仪对小麦农田所属的各农作物待检测子区域进行作物检测，并使用土壤水分传感器、高清摄像仪和土壤养分速测仪对小麦农田所属的各警戒待检测子区域进行土壤检测和作物检测。
本发明在S3.二次采集中对小麦农田的异常区域进行二次检测，进而为后续小麦农田的二次分析提供了数据支持。
S4.二次分析：获取小麦农田所属各土壤待检测子区域的采集数据、各农作物待检测子区域的采集数据和各警戒待检测子区域的采集数据，分析小麦农田所属各土壤待检测子区域的水分适宜值，分析小麦农田所属各农作物待检测子区域的营养评估系数，并分析小麦农田所属各警戒待检测子区域的营养评估系数、水分适宜值。
在本发明的具体实施例中，所述分析小麦农田所属各土壤待检测子区域的水分适宜值，其具体分析方法为：从小麦农田所属各土壤待检测子区域的采集数据中提取各布设点的土壤水分含量，其中/>为各土壤待检测子区域的编号，/>，/>为大于2的任意整数，/>为各布设点的编号，/>，/>为大于2的任意整数。
分析小麦农田所属各土壤待检测子区域的水分适宜值，其中/>为布设点的数量，/>、/>分别表示为预定义的水分含量适宜对应的权重影响因子、水分含量分布均匀性对应的权重影响因子。
需要说明的是，所述、/>的取值范围均为0到1。
在本发明的具体实施例中，所述分析小麦农田所属各农作物待检测子区域的营养评估系数，其具体分析方法为：从小麦农田所属各农作物待检测子区域的采集数据中提取俯拍图像、侧拍图像和土壤中各养分的含量，其中/>为各农作物待检测子区域的编号，，/>为大于2的任意整数，/>为各养分的编号，/>，/>为大于2的任意整数。
基于小麦农田所属各农作物待检测子区域的俯拍图像获取小麦农田所属各农作物待检测子区域的各测试点的色度值，并从云数据库中提取小麦农田缺乏肥料的各显现色度值/>，其中/>为各测试点的编号，/>，/>为大于2的任意整数，/>为各显现色度值的编号，/>，/>为大于2的任意整数。
基于小麦农田所属各农作物待检测子区域的侧拍图像获取小麦农田所属各农作物待检测子区域的农作物平均高度，并从云数据库中提取小麦农田在各生长周期对应的适宜高度，结合小麦农田的当前生长周期，筛选小麦农田在当前生长周期的适宜高度/>。
从云数据库中提取小麦农田在各生长周期的土壤中各养分的适宜含量，结合小麦农田的当前生长周期，筛选小麦农田在当前生长周期的土壤中各养分的适宜含量。
综合分析小麦农田所属各农作物待检测子区域的营养评估系数，其中/>为显现色度值的数量，/>为测试点的数量，/>为养分的数量。
需要说明的是，同小麦农田所属各土壤待检测子区域的水分适宜值的分析方法一致，分析小麦农田所属各警戒待检测子区域的水分适宜值，并同小麦农田所属各农作物待检测子区域的营养评估系数的分析方法一致，分析小麦农田所属各警戒待检测子区域的营养评估系数。
本发明在S4.二次分析中通过小麦农田的土壤状况和小麦农田需求增肥时的表观现象综合评判小麦农田是否需要增肥，弥补了现有技术中对小麦农田需求增肥时的表观现象关注度不高缺陷，提高了小麦农田的增肥需求判断的精确性，为后续小麦农田的施肥策略提供强有力的数据支持，有利于小麦农田保持良好的生长状态，从而保障小麦农田的丰收。
S5.浇水施肥子区域筛选：筛选小麦农田所属的各待浇水子区域和各待施肥子区域，并获取小麦农田所属的各待浇水子区域和各待施肥子区域的编号，将其进行显示。
需要说明的是，所述筛选小麦农田所属的各待浇水子区域和各待施肥子区域，其具体筛选方法为：将小麦农田所属各土壤待检测子区域的水分适宜值与预定义的水分适宜阈值进行对比，若小麦农田所属某土壤待检测子区域的水分适宜值小于水分适宜阈值，则将该土壤待检测子区域记为待浇水子区域。
将小麦农田所属各农作物待检测子区域的营养评估系数与预定义的营养评估系数阈值进行对比，若小麦农田所属某农作物待检测子区域的营养评估系数小于营养评估系数阈值，则将该土壤检测子区域记为待施肥子区域。
将小麦农田所属各警戒待检测子区域的营养评估系数与预定义的营养评估系数阈值进行对比，若小麦农田所属某警戒待检测子区域的营养评估系数小于营养评估系数阈值，则将该警戒待检测子区域记为待施肥子区域，并将小麦农田所属各警戒待检测子区域的水分适宜值与预定义的水分适宜阈值进行对比，若小麦农田所属某警戒待检测子区域的水分适宜值小于水分适宜阈值，则将该警戒待检测子区域记为待浇水子区域。
统计得到小麦农田所属的各待浇水子区域和各待施肥子区域。
参照图2所示，本发明第二方面提供一种执行任一项所述的农业遥感图像分析方法的农业遥感图像分析系统，包括：数据采集模块，用于通过光学遥感技术对小麦农田进行图像采集，进而得到小麦农田的光学遥感图像，并通过微波遥感技术对小麦农田进行图像采集，进而得到小麦农田的微波遥感图像。
初始分析模块，用于将小麦农田进行网格化划分，进而得到小麦农田的各子区域，并结合小麦农田的光学遥感图像分析小麦农田所属各子区域的作物健康值，结合小麦农田的微波遥感图像分析小麦农田所属各子区域的土壤水分适宜值，进而筛选小麦农田所属的各土壤待检测子区域、各农作物待检测子区域和各警戒待检测子区域。
二次采集模块，用于对小麦农田所属的各土壤待检测子区域进行土壤检测，对小麦农田所属的各农作物待检测子区域进行作物检测，对小麦农田所属的各警戒待检测子区域进行土壤检测和作物检测。
二次分析模块，用于获取小麦农田所属各土壤待检测子区域的采集数据、各农作物待检测子区域的采集数据和各警戒待检测子区域的采集数据，分析小麦农田所属各土壤待检测子区域的水分适宜值，分析小麦农田所属各农作物待检测子区域的营养评估系数，并分析小麦农田所属各警戒待检测子区域的营养评估系数、水分适宜值。
浇水施肥子区域筛选模块，用于筛选小麦农田所属的各待浇水子区域和各待施肥子区域，并获取小麦农田所属的各待浇水子区域和各待施肥子区域的编号，将其进行显示。
需要说明的是，本发明还包括云数据库，用于存储小麦农田的实际播种时间点，存储小麦在各生长周期的播种时长，存储小麦在各生长周期的预计呈现色调值、土壤水分适宜含量、适宜高度、土壤中各养分的适宜含量，存储小麦农田缺乏肥料的各显现色度值。
还需要说明的是，所述数据采集模块与初始分析模块连接，初始分析模块与二次采集模块连接，二次采集模块与二次分析模块连接，二次分析模块与浇水施肥子区域筛选模块连接，云数据库分别与初始分析模块和二次分析模块连接。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本发明所定义的范围，均应属于本发明的保护范围。
Claims (8)
1.一种农业遥感图像分析方法，其特征在于，包括：
S1.数据采集：通过光学遥感技术对小麦农田进行图像采集，进而得到小麦农田的光学遥感图像，并通过微波遥感技术对小麦农田进行图像采集，进而得到小麦农田的微波遥感图像；
S2.初始分析：将小麦农田进行网格化划分，进而得到小麦农田的各子区域，并结合小麦农田的光学遥感图像分析小麦农田所属各子区域的作物健康值，结合小麦农田的微波遥感图像分析小麦农田所属各子区域的土壤水分适宜值，进而筛选小麦农田所属的各土壤待检测子区域、各农作物待检测子区域和各警戒待检测子区域；
S3.二次采集：对小麦农田所属的各土壤待检测子区域进行土壤检测，对小麦农田所属的各农作物待检测子区域进行作物检测，对小麦农田所属的各警戒待检测子区域进行土壤检测和作物检测；
S4.二次分析：获取小麦农田所属各土壤待检测子区域的采集数据、各农作物待检测子区域的采集数据和各警戒待检测子区域的采集数据，分析小麦农田所属各土壤待检测子区域的水分适宜值，分析小麦农田所属各农作物待检测子区域的营养评估系数，并分析小麦农田所属各警戒待检测子区域的营养评估系数、水分适宜值；
S5.浇水施肥子区域筛选：筛选小麦农田所属的各待浇水子区域和各待施肥子区域，并获取小麦农田所属的各待浇水子区域和各待施肥子区域的编号，将其进行显示。
2.根据权利要求1所述的一种农业遥感图像分析方法，其特征在于，所述分析小麦农田所属各子区域的作物健康值，其具体分析方法为：
基于小麦农田的光学遥感图像获取小麦农田所属各子区域的光学遥感图像，进而获取小麦农田所属各子区域的光学遥感图像的各像素点的色调值，其中/>为各子区域的编号，/>，/>为大于2的任意整数，/>为各像素点的编号，/>，/>为大于2的任意整数；
根据光学遥感技术对小麦农田进行图像采集的时间点，从云数据库中获取小麦农田的实际播种时间点，将光学遥感技术对小麦农田进行图像采集的时间点减去小麦农田的实际播种时间点，得到小麦农田的实际播种时长；
从云数据库中获取小麦在各生长周期的播种时长，结合小麦农田的实际播种时长，筛选小麦农田的当前生长周期，并从云数据库中获取小麦在各生长周期的预计呈现色调值，筛选小麦农田在当前生长周期的预计呈现色调值；
分析小麦农田所属各子区域的光学遥感图像所属各像素点的色调呈现适宜值，并筛选小麦农田所属各子区域的各适宜像素点；
分析小麦农田所属各子区域的色调呈现偏差值，统计小麦农田所属各子区域的像素点的数量/>和适宜像素点的数量/>，并综合分析小麦农田所属各子区域的作物健康值。
3.根据权利要求2所述的一种农业遥感图像分析方法，其特征在于，所述分析小麦农田所属各子区域的色调呈现偏差值，其具体分析方法为：
将小麦农田所属各子区域的光学遥感图像所属各像素点的色调值进行均值处理，得到小麦农田所属各子区域的色调均值；
将小麦农田所属某子区域记为示例子区域，将小麦农田的其余各子区域记为各关联子区域，进而得到小麦农田的示例子区域对应的各关联子区域；
基于小麦农田所属各子区域的色调均值，获取小麦农田所属示例子区域的色调均值，并获取小麦农田的示例子区域对应各关联子区域的色调均值/>，其中/>为各关联子区域的编号，/>，/>为大于2的任意整数；
分析小麦农田的示例子区域的色调呈现偏差值，并以此类推，分析小麦农田所属各子区域的色调呈现偏差值/>。
4.根据权利要求2所述的一种农业遥感图像分析方法，其特征在于，所述分析小麦农田所属各子区域的土壤水分适宜值，其具体分析方法为：
基于小麦农田的微波遥感图像，获取小麦农田所属各子区域的土壤水分含量；
从云数据库中提取小麦农田在各生长周期的土壤水分适宜含量，并基于小麦农田的当前生长周期，筛选小麦农田在当前生长周期的土壤水分适宜含量；
分析小麦农田所属各子区域的土壤水分适宜值。
5.根据权利要求1所述的一种农业遥感图像分析方法，其特征在于，所述筛选小麦农田所属的各土壤待检测子区域、各农作物待检测子区域和各警戒待检测子区域，其具体筛选方法为：
将小麦农田所属各子区域的作物健康值与预定义的作物健康阈值进行对比，并将小麦农田所属各子区域的土壤水分适宜值与预定义的土壤水分适宜阈值进行对比；
若小麦农田所属某子区域的土壤水分适宜值小于土壤水分适宜阈值，且小麦农田所属该子区域的作物健康值大于或等于预定的作物健康阈值，则将该子区域记为土壤待检测子区域；
若小麦农田所属该子区域的作物健康值小于预定义的作物健康阈值，且小麦农田所属该子区域的土壤水分适宜值大于或等于土壤水分适宜阈值，则将该子区域记为农作物待检测子区域；
若小麦农田所属该子区域的作物健康值小于预定义的作物健康阈值，且小麦农田所属该子区域的土壤水分适宜值小于土壤水分适宜阈值，则将该子区域记为警戒待检测子区域；
统计得到小麦农田所属的各土壤待检测子区域、各农作物待检测子区域和各警戒待检测子区域。
6.根据权利要求4所述的一种农业遥感图像分析方法，其特征在于，所述分析小麦农田所属各土壤待检测子区域的水分适宜值，其具体分析方法为：
从小麦农田所属各土壤待检测子区域的采集数据中提取各布设点的土壤水分含量，其中/>为各土壤待检测子区域的编号，/>，/>为大于2的任意整数，/>为各布设点的编号，/>，/>为大于2的任意整数；
分析小麦农田所属各土壤待检测子区域的水分适宜值，其中/>为布设点的数量，/>、/>分别表示为预定义的水分含量适宜对应的权重影响因子、水分含量分布均匀性对应的权重影响因子。
7.根据权利要求2所述的一种农业遥感图像分析方法，其特征在于，所述分析小麦农田所属各农作物待检测子区域的营养评估系数，其具体分析方法为：
从小麦农田所属各农作物待检测子区域的采集数据中提取俯拍图像、侧拍图像和土壤中各养分的含量，其中/>为各农作物待检测子区域的编号，/>，/>为大于2的任意整数，/>为各养分的编号，/>，/>为大于2的任意整数；
基于小麦农田所属各农作物待检测子区域的俯拍图像获取小麦农田所属各农作物待检测子区域的各测试点的色度值，并从云数据库中提取小麦农田缺乏肥料的各显现色度值/>，其中/>为各测试点的编号，/>，/>为大于2的任意整数，/>为各显现色度值的编号，/>，/>为大于2的任意整数；
基于小麦农田所属各农作物待检测子区域的侧拍图像获取小麦农田所属各农作物待检测子区域的农作物平均高度，并从云数据库中提取小麦农田在各生长周期对应的适宜高度，结合小麦农田的当前生长周期，筛选小麦农田在当前生长周期的适宜高度/>；
从云数据库中提取小麦农田在各生长周期的土壤中各养分的适宜含量，结合小麦农田的当前生长周期，筛选小麦农田在当前生长周期的土壤中各养分的适宜含量；
综合分析小麦农田所属各农作物待检测子区域的营养评估系数，其中/>为显现色度值的数量，/>为测试点的数量，/>为养分的数量。
8.一种执行权利要求1-7任一项所述的农业遥感图像分析方法的农业遥感图像分析系统，其特征在于，包括：
数据采集模块，用于通过光学遥感技术对小麦农田进行图像采集，进而得到小麦农田的光学遥感图像，并通过微波遥感技术对小麦农田进行图像采集，进而得到小麦农田的微波遥感图像；
初始分析模块，用于将小麦农田进行网格化划分，进而得到小麦农田的各子区域，并结合小麦农田的光学遥感图像分析小麦农田所属各子区域的作物健康值，结合小麦农田的微波遥感图像分析小麦农田所属各子区域的土壤水分适宜值，进而筛选小麦农田所属的各土壤待检测子区域、各农作物待检测子区域和各警戒待检测子区域；
二次采集模块，用于对小麦农田所属的各土壤待检测子区域进行土壤检测，对小麦农田所属的各农作物待检测子区域进行作物检测，对小麦农田所属的各警戒待检测子区域进行土壤检测和作物检测；
二次分析模块，用于获取小麦农田所属各土壤待检测子区域的采集数据、各农作物待检测子区域的采集数据和各警戒待检测子区域的采集数据，分析小麦农田所属各土壤待检测子区域的水分适宜值，分析小麦农田所属各农作物待检测子区域的营养评估系数，并分析小麦农田所属各警戒待检测子区域的营养评估系数、水分适宜值；
浇水施肥子区域筛选模块，用于筛选小麦农田所属的各待浇水子区域和各待施肥子区域，并获取小麦农田所属的各待浇水子区域和各待施肥子区域的编号，将其进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410258617.7A CN117848975B (zh) | 2024-03-07 | 2024-03-07 | 一种农业遥感图像分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410258617.7A CN117848975B (zh) | 2024-03-07 | 2024-03-07 | 一种农业遥感图像分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117848975A true CN117848975A (zh) | 2024-04-09 |
| CN117848975B CN117848975B (zh) | 2024-05-28 |
Family
ID=90548311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410258617.7A Active CN117848975B (zh) | 2024-03-07 | 2024-03-07 | 一种农业遥感图像分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117848975B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080304711A1 (en) * | 2006-11-07 | 2008-12-11 | Peter Clifton Scharf | Method of predicting crop yield loss due to n-deficiency |
| CN103810639A (zh) * | 2012-11-08 | 2014-05-21 | 大连宏宇科技有限公司 | 一种农业生产的监测与控制系统 |
| CN103886409A (zh) * | 2014-03-13 | 2014-06-25 | 汕头大学 | 农业种植辅助决策系统 |
| US20180012168A1 (en) * | 2016-07-06 | 2018-01-11 | Agrian, Inc. | Multi-year crop yield analysis using remotely-sensed imagery for missing or incomplete yield events for site-specific variable rate applications |
| CN108955620A (zh) * | 2018-02-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种农田灌区面积遥感提取的方法及系统 |
| US20190230875A1 (en) * | 2015-08-05 | 2019-08-01 | Clearag, Inc. | Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture |
| US20190335674A1 (en) * | 2016-10-24 | 2019-11-07 | Board Of Trustees Of Michigan State University | Methods for mapping temporal and spatial stability and sustainability of a cropping system |
| US20200250428A1 (en) * | 2019-02-04 | 2020-08-06 | Farmers Edge Inc. | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron |
| CN111670668A (zh) * | 2020-06-05 | 2020-09-18 | 沈阳农业大学 | 基于高光谱遥感处方图的水稻农用无人机精准追肥方法 |
| US20200342227A1 (en) * | 2019-04-26 | 2020-10-29 | Farmers Edge Inc. | Refined Average for Zoning Method and System |
| CN114170508A (zh) * | 2021-12-03 | 2022-03-11 | 浙江省土地信息中心有限公司 | 一种土地资源监控方法、系统、存储介质及智能终端 |
-
2024
- 2024-03-07 CN CN202410258617.7A patent/CN117848975B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080304711A1 (en) * | 2006-11-07 | 2008-12-11 | Peter Clifton Scharf | Method of predicting crop yield loss due to n-deficiency |
| CN103810639A (zh) * | 2012-11-08 | 2014-05-21 | 大连宏宇科技有限公司 | 一种农业生产的监测与控制系统 |
| CN103886409A (zh) * | 2014-03-13 | 2014-06-25 | 汕头大学 | 农业种植辅助决策系统 |
| US20190230875A1 (en) * | 2015-08-05 | 2019-08-01 | Clearag, Inc. | Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture |
| US20180012168A1 (en) * | 2016-07-06 | 2018-01-11 | Agrian, Inc. | Multi-year crop yield analysis using remotely-sensed imagery for missing or incomplete yield events for site-specific variable rate applications |
| US20190335674A1 (en) * | 2016-10-24 | 2019-11-07 | Board Of Trustees Of Michigan State University | Methods for mapping temporal and spatial stability and sustainability of a cropping system |
| CN108955620A (zh) * | 2018-02-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种农田灌区面积遥感提取的方法及系统 |
| US20200250428A1 (en) * | 2019-02-04 | 2020-08-06 | Farmers Edge Inc. | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron |
| US20200342227A1 (en) * | 2019-04-26 | 2020-10-29 | Farmers Edge Inc. | Refined Average for Zoning Method and System |
| CN111670668A (zh) * | 2020-06-05 | 2020-09-18 | 沈阳农业大学 | 基于高光谱遥感处方图的水稻农用无人机精准追肥方法 |
| CN114170508A (zh) * | 2021-12-03 | 2022-03-11 | 浙江省土地信息中心有限公司 | 一种土地资源监控方法、系统、存储介质及智能终端 |
Non-Patent Citations (5)
| Title |
|---|
| JOHANNES SCHUSTER等: "Using Remote and Proximal Sensing in Organic Agriculture to Assess Yield and Environmental Performance", AGRONOMY, vol. 13, no. 7, 14 July 2023 (2023-07-14), pages 1868 * |
| 包明艳 等: "无人机光谱影像与变量施肥技术在水稻追肥中的集成应用", 安徽农学通报, vol. 29, no. 10, 31 May 2023 (2023-05-31), pages 144 - 147 * |
| 唐桂彬 等: "基于遥感GIS的地震应急信息质量控制系统设计", 计算机测量与控制, vol. 29, no. 10, 31 October 2021 (2021-10-31), pages 98 - 102 * |
| 张雪芬 等: "农作物主要生长参数自动观测技术综述", 气象科技, vol. 41, no. 06, 31 December 2013 (2013-12-31), pages 1122 - 1127 * |
| 董超 等: "基于无人机多光谱影像的冬小麦返青期变量施氮决策模型研究", 光谱学与光谱分析, no. 11, 30 November 2019 (2019-11-30), pages 3599 - 3605 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117848975B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100416590C (zh) | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 | |
| Chen et al. | Assessment of MODIS-EVI, MODIS-NDVI and VEGETATION-NDVI composite data using agricultural measurements: An example at corn fields in western Mexico | |
| CN1505794A (zh) | 用于农田的计算机定位施肥 | |
| CN115456476B (zh) | 一种基于机器视觉的国土空间规划数据采集分析系统 | |
| CN116108318B (zh) | 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 | |
| CN113469112B (zh) | 农作物生长状况图像识别方法及系统 | |
| CN113034301A (zh) | 一种农作物生长管理系统及方法 | |
| CN111881864A (zh) | 一种智慧农业种植农作物生长全周期全动态监测管理系统 | |
| CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
| CN114359746A (zh) | 机器学习的多光谱遥感影像作物秸秆离田提取方法与系统 | |
| CN107437262B (zh) | 作物种植面积预警方法和系统 | |
| CN113470007A (zh) | 一种基于植物生长状态的数据分析方法、系统及存储介质 | |
| CN117652267A (zh) | 一种用于园林绿化维护的监测管理方法及系统 | |
| CN117848975B (zh) | 一种农业遥感图像分析方法及系统 | |
| CN110598514B (zh) | 一种土地整治项目区地块尺度农作物播种面积监测方法 | |
| CN106709922A (zh) | 基于图像的牧草覆盖度和生物量自动检测方法 | |
| CN115690609A (zh) | 一种作物生育期长势监测的方法 | |
| Wang et al. | Research on application of smart agriculture in cotton production management | |
| Yang et al. | Feature extraction of cotton plant height based on DSM difference method | |
| CN109115269B (zh) | 一种用于丘陵山地农机具田间综合系统的控制方法 | |
| Guo et al. | High-throughput estimation of plant height and above-ground biomass of cotton using digital image analysis and Canopeo | |
| Feng et al. | A Real-time Monitoring and Control System for Crop | |
| Gusso et al. | Reflectance-based model for soybean mapping in United States at common land unit scale with Landsat 8 | |
| CN116453003B (zh) | 一种基于无人机监测智能识别水稻生长势的方法和系统 | |
| CN117522007A (zh) | 一种智慧三维立体式种植系统 |
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 |