CN117973835A - 一种大豆苗情管理方法及系统 - Google Patents
一种大豆苗情管理方法及系统 Download PDFInfo
- Publication number
- CN117973835A CN117973835A CN202311584151.1A CN202311584151A CN117973835A CN 117973835 A CN117973835 A CN 117973835A CN 202311584151 A CN202311584151 A CN 202311584151A CN 117973835 A CN117973835 A CN 117973835A
- Authority
- CN
- China
- Prior art keywords
- soybean
- seedling
- seedling condition
- seedlings
- data
- 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
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 244
- 244000068988 Glycine max Species 0.000 title claims abstract description 244
- 238000007726 management method Methods 0.000 title claims abstract description 47
- 238000011835 investigation Methods 0.000 claims abstract description 37
- 239000002689 soil Substances 0.000 claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 10
- 238000002310 reflectometry Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 claims description 3
- 241000238631 Hexapoda Species 0.000 claims description 3
- 241000607479 Yersinia pestis Species 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013278 delphi method Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 159000000000 sodium salts Chemical class 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009331 sowing 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开了一种大豆苗情管理方法，获取不同大豆种植区域的气象、地形、土壤数据；根据数据对形成多个级别的大豆种植区；在每个级别的大豆种植区分别抽样地块，针对地块内的不同作物进行标识，并对大豆苗情进行地面调查；结合地面调查建立基于图像信息的大豆苗情分级模型；利用建立的模型对大豆种植区域的大豆苗情进行分析及管理。其优点在于：提高了大豆苗情管理的准确性与时效性，充分考虑了生长环境对大豆苗情的管理，在不同级别的大豆种植区域均展开地面调查，提高了调查的代表性；将地面调查结果与无人机航拍照片建立对应关系，建立基于苗情指数的大豆苗情分级模型，通过苗情指数快速跟踪大豆苗情，及时发现苗情异常地区，进行苗情管理。
Description
技术领域
本发明涉及苗情管理领域，特别涉及一种大豆苗情管理方法及系统。
背景技术
大豆作为重要的粮油作物和蛋白质来源，在世界经济发展中具有重要的地位。长期以来，大豆是我国进口量最大的农产品，如何提高大豆的生产和供应、提高大豆自给率是我国农业发展的一个重要课题。
为了有效提高大豆产量，需要对大豆苗情进行合理、有效的管理，大豆苗情的好坏将直接影响着后期大豆的产量。在大豆主要种植地区，对于大豆苗情管理主要依靠种植农户的经验进行判断，缺乏有效的理论支撑，因此需要耗费大量时间，且由于农户受经验局限性较大，无法准确对大豆苗情进行管理。
目前，已有部分研究使用卫星影像获取大豆苗情相关影像，通过图像分析对大豆苗情管理提供指导意见，但是该方法存在以下不足：（1）卫星影像会受到卫星轨道周期、空间分辨率、云雾等的影响，可能在部分关键时期很难获得有效的影像数据，（2）主流卫星影像的空间分辨率无法达到需求，因此无法获取特定区域的大豆影像数据，无法实现精确管理。
发明内容
本发明的一个目的在于提供一种结合地面调查与无人机影像数据的大豆苗情管理方法，可以实现更精准的苗情管理。
其由如下技术方案实施：一种大豆苗情管理方法，包括以下步骤：
S100：获取不同大豆种植区域的耕地分布数据、气象数据、地形数据、土壤数据；
S200：根据步骤S100中获取的气象数据、地形数据、土壤数据对不同大豆种植区域进行分级，形成多个级别的大豆种植区；
S300：结合步骤S100中获取的耕地分布数据，在每个级别的大豆种植区分别抽样选取数个地块，针对所述地块内的不同作物进行标识，并对大豆苗情进行地面调查；
S400：根据步骤S300中大豆苗情的地面调查结果对当前苗期的大豆苗情进行分级，分成不同级别的大豆苗；
S500：获取S300中每个所述地块的图像信息，结合步骤S400中不同级别大豆苗的苗情，建立基于图像信息的大豆苗情分级模型；
S600：设定大豆苗情预警阈值；并利用步骤S500中建立的大豆苗情分级模型对大豆种植区域的大豆苗情进行分析，当监测到的大豆苗情不在大豆苗情预警阈值内时，发出预警信号；
S700：针对大豆苗情不在预警阈值内的区域进行田间管理。
优选的，步骤S100中，获取的所述地形数据包括坡度数据、坡向数据；获取的所述土壤数据包括土壤的有机碳含量、酸碱度、质地、土壤有效含水量、可交换纳盐、电导率。
优选的，步骤S200中，对不同大豆种植区域进行分级的具体步骤如下：S210：专家基于S100中获取的数据对不同大豆种植区域进行打分；
S220：通过德尔菲法确定各个数据对应指标的权重；
S230：计算得到不同大豆种植区的值并对不同大豆种植区进行大豆种植适宜性评价；
S240：根据S230的大豆种植适应性评价将不同大豆种植区域划分为大豆种植适宜区、大豆种植一般区、大豆种植差区三个不同级别的大豆种植区。
优选的，步骤S500中，获取的所述地块的图像信息为多光谱无人机航拍照片。
优选的，步骤S500中，建立基于所述图像信息的大豆苗情分级模型具体包括以下步骤：
S510：获取已完成地面调查的所述地块的多光谱无人机航拍照片；
S520：对步骤S510获取的多光谱无人机航拍照片进行预处理；
S530：利用面向对象的分类方法对所述地块内的作物进行分类，得到大豆苗；
S540：针对步骤S530中获取的大豆苗图像计算所有大豆的苗情指数SVI；其中，
SVI=（NDVI+OSAVI+GNDVI）/3
NDVI=(RNIR-RRED)/(RNIR+RRED)
OSAVI=（RNIR-RRED）/(RNIR+RRED+0.16)
GNDVI=(RNIR-RGREEN)/(RNIR+RGREEN)
其中，NDVI为归一化差异植被指数，GDNVI是绿色归一化差异植被指数，OSAVI是优化的土壤调节植被指数，RNIR为多光谱无人机航拍影像的像元近红外波段反射率，RRED为像元红波段反射率，RGREEN为像元绿波段反射率；
S550：分别为S400中地面调查的不同级别大豆苗对应其大豆苗情指数，并计算S400中地面调查中不同级别的大豆苗的平均苗情指数，其公式如下，
其中，、/>、/>、/>分别为地苗调查的旺苗、一类苗、二类苗、三类苗的苗情指数平均值，SVIwi、SVI1i、SVI2i、SVI3i分别为旺苗、一类苗、二类苗、三类苗的第i个像元的苗情指数；m、m1、m2、m3分别为旺苗、一类苗、二类苗、三类苗的像素数；
S560：建立不同级别大豆苗分界值的方程如下
T0/1=(w+/> 1)/2
T1/2=( 1+/> 2)/2
T2/3=( 2+/> 3)/2
其中T0/1、T1/2、T2/3为旺苗、一类苗、二类苗、三类苗的分界值。
优选的，步骤S520中的预处理包括定标、几何校正、投影、坐标系转化。
优选的，步骤S700中，进行田间管理的方法包括：
S710：对低于大豆苗情预警阈值的大豆种植区域进行查苗补苗，及时发现田间缺垄、断垄情况；
S720：针对苗情指数超过合理密度的区域，对大豆苗进行间苗定苗；
S730：针对苗情异常区域，实地查看是否发生病虫害。
本发明的另一个目的在于提供一种苗情管理系统，可以提高苗情管理的准确性与时效性。
其由如下技术方案实现：一种苗情管理系统，包括：中心处理器、大豆种植区域参数获取模块、大豆种植区分级模块、地面调查分析模块、图像获取模块、大豆苗情自动分析模块、田间管理模块；
所述大豆种植区域参数获取模块用于获取不同大豆种植区域的耕地分布数据、气象数据、地形数据、土壤数据，并将输出传输至所述中心处理器进行处理、存储；
所述大豆种植区分级模块根据所述大豆种植区域参数获取模块获取的数据对大豆种植区域进行分级，形成多个级别的大豆种植区，并将分级情况传输到所述中心处理器；
所述地面调查分析模块针对不同大豆种植区的作物进行标识、对不同大豆种植区的大豆苗情进行分析，并将结果传输到所述中心服务器；
所述大豆苗情自动分析模块基于所述图像获取模块及所述地面调查分析模块的数据建立自动分析模型，并对大豆种植区域的大豆苗情进行分析；
所述田间管理模块基于所述大豆苗情自动分析模块的分析数据进行针对性的田间管理。
本发明的优点：提高了大豆苗情管理的准确性与时效性，充分考虑了生长环境对大豆苗情的管理，通过获取大豆种植区域的气象数据、地形数据、土壤数据，对大豆种植区域进行分级，在不同级别的大豆种植区域均展开地面调查，提高了调查的代表性；将地面调查结果与无人机航拍照片建立对应关系，并建立基于苗情指数的大豆苗情分级模型，可以通过苗情指数快速跟踪大豆苗情，及时发现苗情异常地区，进行苗情管理。
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为本发明实施例1的流程示意图。
图2为实施例1的大豆苗情分级模型建立流程示意图。
图3为实施例2的连接示意图。
中心处理器1、大豆种植区域参数获取模块2、大豆种植区分级模块3、地面调查分析模块4、图像获取模块5、大豆苗情自动分析模块6、田间管理模块7。
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：
如图1-2所示的一种大豆苗情管理方法，其包括以下步骤：
S100：获取不同大豆种植区域的耕地分布数据、气象数据、地形数据、土壤数据。
其中，耕地分布数据从第三次全国国土调查数据中获得，气象数据从国家气象科学数据中心网站http://data.cma.cn/获取，地形数据从地理空间数据云https://www.gscloud.cn/home获取、土壤数据从时空三极环境大数据平台http://poles.tpdc.ac.cn/zh-hans/获取。
本实施例中，获取的地形数据包括坡度数据、坡向数据；获取的土壤数据包括土壤的有机碳含量、酸碱度、质地、土壤有效含水量、可交换纳盐、电导率。
S200：根据步骤S100中获取的气象数据、地形数据、土壤数据对不同大豆种植区域进行分级，形成多个级别的大豆种植区；
本实施例中，将大豆种植区域划分为大豆种植适宜区、大豆种植一般区、大豆种植差区三个不同级别的大豆种植区。
具体地，对大豆种植区域进行划分的过程如下：
S210：专家基于S100中获取的数据对不同大豆种植区域进行打分；
S220：通过德尔菲法确定各个数据对应指标的权重；
S230：计算得到不同大豆种植区的值并对不同大豆种植区进行大豆种植适宜性评价；
S240：根据S230的大豆种植适应性评价将不同大豆种植区域划分为大豆种植适宜区、大豆种植一般区、大豆种植差区三个不同级别的大豆种植区。
在划分好大豆种植区后，首先进行大豆苗情的地面调查，进行地面调查的时间为大豆播种后25-30天。具体地：
S300：结合步骤S100中获取的耕地分布数据，在每个级别的大豆种植区分别抽样选取两个地块，针对每个地块内的不同作物进行标识，并对大豆苗情进行地面调查；
其中，在对不同作物进行标识时，需使用北斗手持仪对不同作物进行定位。
S400：根据步骤S300中大豆苗情的地面调查结果对当前苗期的大豆苗情进行分级，分成不同级别的大豆苗，本实施例中，根据大豆出苗率及长势将大豆苗分为旺苗、一类苗、二类苗、三类苗。
在对大豆苗进行分级后，对不同的大豆苗情进行标识，同样，需采用北斗手持仪对不同级别的大豆苗进行标识定位。在完成不同作物的标识及不同级别大豆苗情的标识定位后，结合无人机的影像信息对大豆苗情进行判断。具体地：
S500：获取已完成地面调查的地块的多光谱无人机航拍照片，得到每个地块的图像信息，结合步骤S400中不同级别大豆苗的苗情，建立基于图像信息的大豆苗情分级模型；
建立基于图像信息的大豆苗情分级模型具体包括以下步骤：
S510：获取步骤S300中已完成地面调查的地块的多光谱无人机航拍照片；
S520：对步骤S510获取的多光谱无人机航拍照片进行定标、几何校正、投影、坐标系转化预处理；
S530：利用面向对象的分类方法对上述地块内的作物进行分类，得到大豆苗；
S540：针对步骤S530中获取的大豆苗图像计算所有大豆的苗情指数SVI；其中，
SVI=（NDVI+OSAVI+GNDVI）/3
NDVI=(RNIR-RRED)/(RNIR+RRED)
OSAVI=（RNIR-RRED）/(RNIR+RRED+0.16)
GNDVI=(RNIR-RGREEN)/(RNIR+RGREEN)
其中，NDVI为归一化差异植被指数，最常用的植被指数，可以用来表征地面大豆密集程度和大豆的叶绿素含量。GDNVI是绿色归一化差异植被指数，用于大豆苗期覆盖监测。OSAVI是优化的土壤调节植被指数，在 NDVI 的基础上将土壤因素纳入考量，在大豆生长初期，密度不高的时候，可以更好地排除土壤影响。RNIR为多光谱无人机航拍影像的像元近红外波段反射率，RRED为像元红波段反射率，RGREEN为像元绿波段反射率。
S550：分别为S400中地面调查的不同级别大豆苗对应其大豆苗情指数，并计算S400中地面调查中不同级别的大豆苗的平均苗情指数，其公式如下，
其中，、/>、/>、/>分别为地苗调查的旺苗、一类苗、二类苗、三类苗的苗情指数平均值，SVIwi、SVI1i、SVI2i、SVI3i分别为旺苗、一类苗、二类苗、三类苗的第i个像元的苗情指数；m、m1、m2、m3分别为旺苗、一类苗、二类苗、三类苗的像素数；
S560：建立不同级别大豆苗分界值的方程如下：
T0/1=(w+/> 1)/2
T1/2=( 1+/> 2)/2
T2/3=( 2+/> 3)/2
其中T0/1、T1/2、T2/3为旺苗、一类苗、二类苗、三类苗的分界值。
根据不同级别大豆苗分界值，将区域内大豆像元对应的SVI(i)划分为下列4类：若SVI(i)≥T0/1，则判定为旺苗；若T1/2≤SVI(i)<T0/1，则判定为一类苗；若T2/3≤SVI(i)<T1/2，则判定为二类苗；若ISVI(i)<T2/3，则判定为三类苗。
S600：设定大豆苗情预警阈值；并利用步骤S500中建立的大豆苗情分级模型对大豆种植区域的大豆苗情进行分析，当监测到的大豆苗情不在大豆苗情预警阈值内时，发出预警信号；
S700：针对大豆苗情不在预警阈值内的区域进行田间管理。
具体地，进行田间管理的方法包括：
S710：对低于大豆苗情预警阈值的大豆种植区域进行查苗补苗，及时发现田间缺垄、断垄情况；
S720：针对苗情指数超过合理密度的区域，对大豆苗进行间苗定苗；
S730：针对苗情异常区域，实地查看是否发生病虫害。
通过该方法，将地面调查与苗情指数相结合，提高了苗情管理的准确性与时效性。有效解决了卫星遥感受轨道周期不能随时拍摄大豆大田和卫星影像空间分辨率低而不能很好的识别大豆苗情的问题。同时，通过控制无人机的高度可以很好的控制地面分辨率，能很好识别大豆苗情。
实施例2：
如图3所示的一种大豆苗情管理系统，其包括：中心处理器1、大豆种植区域参数获取模块2、大豆种植区分级模块3、地面调查分析模块4、图像获取模块5、大豆苗情自动分析模块6、田间管理模块7；
大豆种植区域参数获取模块2、大豆种植区分级模块3、地面调查分析模块4、图像获取模块5、大豆苗情自动分析模块6、田间管理模块7均与中心处理器1通信连接。
通过大豆种植区域参数获取模块2获取不同大豆种植区域的耕地分布数据、气象数据、地形数据、土壤数据，并将输出传输至中心处理器1进行处理、存储；
大豆种植区分级模块3根据大豆种植区域参数获取模块2获取的数据对大豆种植区域进行分级，形成多个级别的大豆种植区，并将分级情况传输到中心处理器1；
地面调查分析模块4针对不同大豆种植区的作物进行标识、对不同大豆种植区的大豆苗情进行分析，并将结果传输到中心服务器；
大豆苗情自动分析模块6基于图像获取模块5及地面调查分析模块4的数据建立自动分析模型，并将模型存储在中心处理器1中，中心处理器1使用建立的模型对大豆种植区域的大豆苗情进行分析，其分析过程参考实施例1中的方法，该处不再描述。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种大豆苗情管理方法，其特征在于，包括以下步骤：
S100：获取不同大豆种植区域的耕地分布数据、气象数据、地形数据、土壤数据；
S200：根据步骤S100中获取的气象数据、地形数据、土壤数据对不同大豆种植区域进行分级，形成多个级别的大豆种植区；
S300：结合步骤S100中获取的耕地分布数据，在每个级别的大豆种植区分别抽样选取数个地块，针对所述地块内的不同作物进行标识，并对大豆苗情进行地面调查；
S400：根据步骤S300中大豆苗情的地面调查结果对当前苗期的大豆苗情进行分级，分成不同级别的大豆苗；
S500：获取S300中每个所述地块的图像信息，结合步骤S400中不同级别大豆苗的苗情，建立基于图像信息的大豆苗情分级模型；
S600：设定大豆苗情预警阈值；并利用步骤S500中建立的大豆苗情分级模型对大豆种植区域的大豆苗情进行分析，当监测到的大豆苗情不在大豆苗情预警阈值内时，发出预警信号；
S700：针对大豆苗情不在预警阈值内的区域进行田间管理。
2.根据权利要求1所述的一种大豆苗情管理方法，其特征在于，步骤S100中，获取的所述地形数据包括坡度数据、坡向数据；
获取的所述土壤数据包括土壤的有机碳含量、酸碱度、质地、土壤有效含水量、可交换纳盐、电导率。
3.根据权利要求1或2任一所述的一种大豆苗情管理方法，其特征在于，步骤S200中，对不同大豆种植区域进行分级的具体步骤如下：
S210：专家基于S100中获取的数据对不同大豆种植区域进行打分；
S220：通过德尔菲法确定各个数据对应指标的权重；
S230：计算得到不同大豆种植区的值并对不同大豆种植区进行大豆种植适宜性评价；
S240：根据S230的大豆种植适应性评价将不同大豆种植区域划分为大豆种植适宜区、大豆种植一般区、大豆种植差区三个不同级别的大豆种植区。
4.根据权利要求1所述的一种大豆苗情管理方法，其特征在于，步骤S500中，获取的所述地块的图像信息为多光谱无人机航拍照片。
5.根据权利要求4所述的一种大豆苗情管理方法，其特征在于，步骤S500中，建立基于所述图像信息的大豆苗情分级模型具体包括以下步骤：
S510：获取已完成地面调查的所述地块的多光谱无人机航拍照片；
S520：对步骤S510获取的多光谱无人机航拍照片进行预处理；
S530：利用面向对象的分类方法对所述地块内的作物进行分类，得到大豆苗；
S540：针对步骤S530中获取的大豆苗图像计算所有大豆的苗情指数SVI；其中，
SVI=（NDVI+OSAVI+GNDVI）/3
NDVI=(RNIR-RRED)/(RNIR+RRED)
OSAVI=（RNIR-RRED）/(RNIR+RRED+0.16)
GNDVI=(RNIR-RGREEN)/(RNIR+RGREEN)
其中，NDVI为归一化差异植被指数，GDNVI是绿色归一化差异植被指数，OSAVI是优化的土壤调节植被指数，RNIR为多光谱无人机航拍影像的像元近红外波段反射率，RRED为像元红波段反射率，RGREEN为像元绿波段反射率；
S550：分别为S400中地面调查的不同级别大豆苗对应其大豆苗情指数，并计算S400中地面调查中不同级别的大豆苗的平均苗情指数，其公式如下，
其中，、/>、/>、/>分别为地苗调查的旺苗、一类苗、二类苗、三类苗的苗情指数平均值，SVIwi、SVI1i、SVI2i、SVI3i分别为旺苗、一类苗、二类苗、三类苗的第i个像元的苗情指数；m、m1、m2、m3分别为旺苗、一类苗、二类苗、三类苗的像素数；
S560：建立不同级别大豆苗分界值的方程如下
T0/1=(w+/> 1)/2
T1/2=( 1+/> 2)/2
T2/3=( 2+/> 3)/2
其中T0/1、T1/2、T2/3为旺苗、一类苗、二类苗、三类苗的分界值。
6.根据权利要求5所述的一种大豆苗情管理方法，其特征在于，步骤S520中的预处理包括定标、几何校正、投影、坐标系转化。
7.根据权利要求1所述的一种大豆苗情管理方法，其特征在于，步骤S700中，进行田间管理的方法包括：
S710：对低于大豆苗情预警阈值的大豆种植区域进行查苗补苗，及时发现田间缺垄、断垄情况；
S720：针对苗情指数超过合理密度的区域，对大豆苗进行间苗定苗；
S730：针对苗情异常区域，实地查看是否发生病虫害。
8.一种大豆苗情管理系统，其特征在于，系统采用权利要求1-7任一项所述的大豆苗情管理方法；
所述系统包括：中心处理器、大豆种植区域参数获取模块、大豆种植区分级模块、地面调查分析模块、图像获取模块、大豆苗情自动分析模块、田间管理模块；
所述大豆种植区域参数获取模块用于获取不同大豆种植区域的耕地分布数据、气象数据、地形数据、土壤数据，并将输出传输至所述中心处理器进行处理、存储；
所述大豆种植区分级模块根据所述大豆种植区域参数获取模块获取的数据对大豆种植区域进行分级，形成多个级别的大豆种植区，并将分级情况传输到所述中心处理器；
所述地面调查分析模块针对不同大豆种植区的作物进行标识、对不同大豆种植区的大豆苗情进行分析，并将结果传输到所述中心处理器；
所述大豆苗情自动分析模块基于所述图像获取模块及所述地面调查分析模块的数据建立自动分析模型，并对大豆种植区域的大豆苗情进行分析；
所述田间管理模块基于所述大豆苗情自动分析模块的分析数据进行针对性的田间管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311584151.1A CN117973835A (zh) | 2023-11-25 | 2023-11-25 | 一种大豆苗情管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311584151.1A CN117973835A (zh) | 2023-11-25 | 2023-11-25 | 一种大豆苗情管理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117973835A true CN117973835A (zh) | 2024-05-03 |
Family
ID=90850701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311584151.1A Pending CN117973835A (zh) | 2023-11-25 | 2023-11-25 | 一种大豆苗情管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117973835A (zh) |
-
2023
- 2023-11-25 CN CN202311584151.1A patent/CN117973835A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12008744B2 (en) | Mapping field anomalies using digital images and machine learning models | |
| Caturegli et al. | Unmanned aerial vehicle to estimate nitrogen status of turfgrasses | |
| EP3895067B1 (en) | Mapping soil properties with satellite data using machine learning approaches | |
| US9734400B2 (en) | System and method for field variance determination | |
| CN112418188B (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
| CN110110595B (zh) | 一种基于卫星遥感影像的农田画像及药肥大数据分析方法 | |
| WO2021142068A1 (en) | Using optical remote sensors and machine learning models to predict agronomic field property data | |
| EP4245133A1 (en) | Characterization of pasture for improved and sustainable grazing and feeding management of livestock | |
| 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 | |
| JP2022082636A (ja) | 情報処理装置 | |
| Sangeetha et al. | Remote Sensing and Geographic Information Systems for Precision Agriculture: A Review | |
| CN113269050A (zh) | 基于无人机遥感影像的农田画像及药肥大数据分析方法 | |
| CN117973835A (zh) | 一种大豆苗情管理方法及系统 | |
| Iagăru et al. | Implementation of the concept agriculture of precision a way to improve the management of agricultural enterprises. | |
| Basnyat et al. | Agriculture field characterization using aerial photograph and satellite imagery | |
| US20220183216A1 (en) | An above and below ground autonomous sensor system for crop management | |
| Jiang et al. | Automated segmentation of individual leafy potato stems after canopy consolidation using YOLOv8x with spatial and spectral features for UAV-based dense crop identification | |
| Wang et al. | Estimation of Crop Height and Digital Biomass from UAV-Based Multispectral Imagery | |
| Zhang et al. | A method for estimating the height of Achnatherum splendens based on image processing | |
| Mazhar et al. | Using UAV imagery to measure plant and water stress in winter wheat fields of drylands, south Punjab, Pakistan | |
| Navaneethan et al. | Advanced Technologies for Precision Agriculture and Farming | |
| EP4339850A1 (en) | Method and device for managing agricultural field areas | |
| Higgins et al. | A review of Precision Agriculture as an aid to Nutrient Management in Intensive Grassland Areas in North West Europe | |
| Kavitha et al. | GIS Systems for Precision Agriculture and Site-Specific Farming | |
| Abuoba et al. | The technology of cultivating agricultural crops based on ortho photomaps, digital and 3-D surface models |
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 |