CN118010955A - 基于多传感器融合的农田土壤监测方法及系统 - Google Patents

Abstract

基于多传感器融合的农田土壤监测方法及系统，获取土壤水分传感器采集周期采集的土壤水分数据；获取无人机搭载多光谱传感器采集的植被土壤光谱数据；获取气象传感器采集的农田环境数据；对获取的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据预处理，对数据预处理后的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据融合，并分析土壤水分数据、植被土壤光谱数据和农田环境数据之间的关系；将数据预处理后的数据和数据来源位置的地理坐标进行关联，根据关联的数据来源位置的地理坐标将数据绘制到电子地图上，以分析土壤水分和植被的时空变化趋势。本发明提高农田土壤水分信息的获取效率，提升农业用水的经济效益和环境可持续性。

Description

基于多传感器融合的农田土壤监测方法及系统

技术领域

本发明涉及一种基于多传感器融合的农田土壤监测方法，属于土壤监测技术领域。

背景技术

现阶段，在维持农业用水总量不增加的前提下，采用新技术实时监测农作物的水分需求，以进行及时、精确和合理的灌溉管理，从而降低灌溉水量并提高农作物产量，是一个值得深入研究的方向。如何快速、准确地获取土壤水分含量信息，成为实现精准灌溉和高效农业管理的关键问题，因此，迫切需要一种能够提供精确、实时土壤水分数据的高效监测技术方案。

发明内容

为此，本发明提供一种基于多传感器融合的农田土壤监测方法及系统，提高农田土壤水分信息的获取效率，提升农业用水的经济效益和环境可持续性。

为了实现上述目的，本发明提供如下技术方案：基于多传感器融合的农田土壤监测方法，包括：

获取埋入农田土壤表层的土壤水分传感器按照预设的采集周期采集的土壤水分数据；获取无人机搭载多光谱传感器采集的农田植被和土壤在预设波段的植被土壤光谱数据；获取气象传感器采集的农田环境数据，农田环境数据包括湿度、气压、风速和风向数据；

对获取的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据预处理，数据预处理包括处理缺失值、异常值、噪声的滤除或平滑；对数据预处理后的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据融合，并分析土壤水分数据、植被土壤光谱数据和农田环境数据之间的关系；

将数据预处理后的土壤水分数据、植被土壤光谱数据、农田环境数据和数据来源位置的地理坐标进行关联，根据关联的数据来源位置的地理坐标将土壤水分数据、植被土壤光谱数据、农田环境数据绘制到电子地图上，以分析土壤水分和植被的时空变化趋势。

作为基于多传感器融合的农田土壤监测方法优选方案，对获取的农田环境数据以时间序列的方式进行记录，对获取的土壤水分数据添加水分时间戳，对获取的植被土壤光谱数据添加植被土壤时间戳；通过水分时间戳、植被土壤时间戳对农田环境数据进行关联；

还包括通过集成在土壤水分传感器、多光谱传感器和气象传感器的卫星定位组件，获取土壤水分传感器、多光谱传感器和气象传感器的地理坐标；

利用采集的农田环境数据判断是否调整土壤水分传感器、多光谱传感器的工作参数，工作参数包括测量频率和测量灵敏度。

作为基于多传感器融合的农田土壤监测方法优选方案，还包括构建三维水动力学模型，通过三维水动力学模型模拟土壤空间含水量的动态分布过程；采用交替方向的隐格式获取水分运动方程的数值解；

以根系吸水函数作为Richards方程的汇项，模拟根区土壤水分运动与分布；

在Voxel元上，采用空间碰撞检测方法获取每个根元生长区域的土壤含水量，采用电学阻力模拟法进行土壤含水量对根元库强的动态校正及对根元生长方向的校正。

作为基于多传感器融合的农田土壤监测方法优选方案，还包括利用土壤水分数据构建土壤水分监测模型，土壤水分监测模型为：

S＝A×(d-d₀)+S₀×[1+B×(d-d₀)²]+S_c

式中，S为0～d厘米土层的水分储量；S₀为土壤表层0～d₀厘米水分储量；A、B以及S_c为常数，是表层与深层土壤水分储量之间非线性关系系数。

作为基于多传感器融合的农田土壤监测方法优选方案，还包括在分析土壤水分和植被的时空变化趋势过程中构建土壤水量平衡方程，土壤水量平衡方程表达式为：

ΔS＝P-ET-R-D

式中，ΔS为土壤水分储量的变化量；P是降水量；ET是蒸散发量；R是径流量；R深层排水或下渗量。

作为基于多传感器融合的农田土壤监测方法优选方案，还包括利用土壤水分监测模型和土壤水量平衡方程，对农田土壤灌溉时间和灌溉量进行推荐。

本发明还提供一种基于多传感器融合的农田土壤监测系统，包括：

数据获取模块，用于获取埋入农田土壤表层的土壤水分传感器按照预设的采集周期采集的土壤水分数据；获取无人机搭载多光谱传感器采集的农田植被和土壤在预设波段的植被土壤光谱数据；获取气象传感器采集的农田环境数据，农田环境数据包括湿度、气压、风速和风向数据；

数据处理模块，用于对获取的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据预处理，数据预处理包括处理缺失值、异常值、噪声的滤除或平滑；对数据预处理后的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据融合，并分析土壤水分数据、植被土壤光谱数据和农田环境数据之间的关系；

数据分析模块，用于将数据预处理后的土壤水分数据、植被土壤光谱数据、农田环境数据和数据来源位置的地理坐标进行关联，根据关联的数据来源位置的地理坐标将土壤水分数据、植被土壤光谱数据、农田环境数据绘制到电子地图上，以分析土壤水分和植被的时空变化趋势。

作为基于多传感器融合的农田土壤监测系统优选方案，所述数据获取模块中，对获取的农田环境数据以时间序列的方式进行记录，对获取的土壤水分数据添加水分时间戳，对获取的植被土壤光谱数据添加植被土壤时间戳；通过水分时间戳、植被土壤时间戳对农田环境数据进行关联；

所述数据获取模块还用于通过集成在土壤水分传感器、多光谱传感器和气象传感器的卫星定位组件，获取土壤水分传感器、多光谱传感器和气象传感器的地理坐标；

还包括工作参数调整模块，用于利用采集的农田环境数据判断是否调整土壤水分传感器、多光谱传感器的工作参数，工作参数包括测量频率和测量灵敏度。

作为基于多传感器融合的农田土壤监测系统优选方案，所述数据分析模块中，建立三维水动力学模型，通过三维水动力学模型模拟土壤空间含水量的动态分布过程；采用交替方向的隐格式获取水分运动方程的数值解；

所述数据分析模块中，以根系吸水函数作为Richards方程的汇项，模拟根区土壤水分运动与分布；

所述数据分析模块中，在Voxel元上，采用空间碰撞检测方法获取每个根元生长区域的土壤含水量，采用电学阻力模拟法进行土壤含水量对根元库强的动态校正及对根元生长方向的校正。

作为基于多传感器融合的农田土壤监测系统优选方案，所述数据分析模块中，利用土壤水分数据构建土壤水分监测模型，土壤水分监测模型为：

S＝A×(d-d₀)+S₀×[1+B×(d-d₀)²]+S_c

式中，S为0～d厘米土层的水分储量；S₀为土壤表层0～d₀厘米水分储量；A、B以及S_c为常数，是表层与深层土壤水分储量之间非线性关系系数；

所述数据分析模块中，在分析土壤水分和植被的时空变化趋势过程中构建土壤水量平衡方程，土壤水量平衡方程表达式为：

ΔS＝P-ET-R-D

式中，ΔS为土壤水分储量的变化量；P是降水量；ET是蒸散发量；R是径流量；R深层排水或下渗量；

还包括灌溉推荐模块，用于利用土壤水分监测模型和土壤水量平衡方程，对农田土壤灌溉时间和灌溉量进行推荐。

本发明具有如下优点：获取埋入农田土壤表层的土壤水分传感器按照预设的采集周期采集的土壤水分数据；获取无人机搭载多光谱传感器采集的农田植被和土壤在预设波段的植被土壤光谱数据；获取气象传感器采集的农田环境数据，农田环境数据包括湿度、气压、风速和风向数据；对获取的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据预处理，数据预处理包括处理缺失值、异常值、噪声的滤除或平滑；对数据预处理后的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据融合，并分析土壤水分数据、植被土壤光谱数据和农田环境数据之间的关系；将数据预处理后的土壤水分数据、植被土壤光谱数据、农田环境数据和数据来源位置的地理坐标进行关联，根据关联的数据来源位置的地理坐标将土壤水分数据、植被土壤光谱数据、农田环境数据绘制到电子地图上，以分析土壤水分和植被的时空变化趋势。本发明能够提供更为全面和准确的土壤水分和环境数据，提高灌溉的精确性和效率；特别是对于面临水资源短缺或需要优化灌溉管理的地区，提供了一个有效的技术解决方案。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引申获得其它的实施附图。

图1为本发明实施例中提供的基于多传感器融合的农田土壤监测方法流程示意图；

图2为本发明实施例中提供的基于多传感器融合的农田土壤监测系统架构图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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。

实施例1

参见图1，本发明实施例提供一种基于多传感器融合的农田土壤监测方法，包括以下步骤：

S1、获取埋入农田土壤表层的土壤水分传感器按照预设的采集周期采集的土壤水分数据；获取无人机搭载多光谱传感器采集的农田植被和土壤在预设波段的植被土壤光谱数据；获取气象传感器采集的农田环境数据，农田环境数据包括湿度、气压、风速和风向数据；

S2、对获取的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据预处理，数据预处理包括处理缺失值、异常值、噪声的滤除或平滑；对数据预处理后的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据融合，并分析土壤水分数据、植被土壤光谱数据和农田环境数据之间的关系；

S3、将数据预处理后的土壤水分数据、植被土壤光谱数据、农田环境数据和数据来源位置的地理坐标进行关联，根据关联的数据来源位置的地理坐标将土壤水分数据、植被土壤光谱数据、农田环境数据绘制到电子地图上，以分析土壤水分和植被的时空变化趋势。

本实施例中，通过将土壤水分传感器部署于农田，实时采集土壤水分数据。其中，土壤水分传感器均匀分布地埋入土壤表层进行安装，配置土壤水分传感器阵列，以每隔半小时的频率对土壤水分进行监测并进行数据采集，并对每日的数据进行汇总。

本实施例中，多光谱传感器包括红、红边、红外、绿、蓝五种不同的波段，可以提供关于农田植被和土壤信息的不同波段的光谱数据。多光谱传感器能够发射特定波段的光线，并测量这些光线在地表反射回传感器的强度，记录每个波段的光谱数据。农田土壤对不同波段的光有不同的吸收和反射率，提供有关植被土壤状况的信息。

本实施例中，对获取的农田环境数据以时间序列的方式进行记录，对获取的土壤水分数据添加水分时间戳，对获取的植被土壤光谱数据添加植被土壤时间戳；通过水分时间戳、植被土壤时间戳对农田环境数据进行关联。

具体的，气象传感器负责实时采集环境数据，包括湿度、气压、风速和风向等，将这些数据以时间序列的方式记录下来。气象环境数据、植被土壤光谱数据、土壤水分数据配置有相同的时间戳，以确保数据可以在相同的时间点上进行比较和分析。

本实施例中，多光谱传感器和气象传感器的卫星定位组件，获取土壤水分传感器、多光谱传感器和气象传感器的地理坐标；利用采集的农田环境数据判断是否调整土壤水分传感器、多光谱传感器的工作参数，工作参数包括测量频率和测量灵敏度。

具体的，卫星定位组件可以采用RTK测量仪提供高精度的位置信息，确保土壤水分传感器、多光谱传感器和气象传感器的高精度位置信息输出。

其中，通过接收气象传感器的实时数据并监测环境条件，如温度、湿度、光照强度和风速等，分析收集到的环境数据，判断是否需要调整土壤水分传感器和多光谱传感器的工作参数或防护措施，根据环境变化自动调节土壤水分传感器和多光谱传感器的工作参数，如调整测量频率、灵敏度，确保在极端或变化的环境中依然能够准确收集数据。

在一种可能的实施例中，采用边缘计算器直接从土壤水分传感器、多光谱传感器和气象传感器接收数据。边缘计算器在接收到数据后，立即进行初步的数据预处理，如数据清洗(去除噪声或错误读数)、简单的数据分析(比如计算平均值、方差等)，然后进行初步的数据融合，比如将土壤水分数据与气象环境数据结合，以更好地理解土壤状况，处理后的数据被存储在边缘计算器内部的存储设备中，在网络不可用时，数据会被保留在边缘计算器中，待网络恢复时上传到中央服务器或云存储。一旦网络连接恢复，边缘计算器会自动将存储的数据上传到中央控制单元或云服务器，以进行深度分析和长期存储。

在一种可能的实施例中，还包括构建三维水动力学模型，通过三维水动力学模型模拟土壤空间含水量的动态分布过程；采用交替方向的隐格式获取水分运动方程的数值解；以根系吸水函数作为Richards方程的汇项，模拟根区土壤水分运动与分布；在Voxel元上，采用空间碰撞检测方法获取每个根元生长区域的土壤含水量，采用电学阻力模拟法进行土壤含水量对根元库强的动态校正及对根元生长方向的校正，从而模拟了土壤水分对根系空间生长的影响。

在一种可能的实施例中，还包括利用土壤水分数据构建土壤水分监测模型，土壤水分监测模型为：

S＝A×(d-d₀)+S₀×[1+B×(d-d₀)²]+S_c

式中，S为0～d厘米土层的水分储量；S₀为土壤表层0～d₀厘米水分储量；A、B以及S_c为常数，是表层与深层土壤水分储量之间非线性关系系数。

在一种可能的实施例中，还包括在分析土壤水分和植被的时空变化趋势过程中构建土壤水量平衡方程，土壤水量平衡方程表达式为：

ΔS＝P-ET-R-D

式中，ΔS为土壤水分储量的变化量，通常以毫米为单位；P是降水量，即在考虑的时间段内进入土壤的水量；ET是蒸散发量，即从土壤和植物表面蒸发以及植物蒸腾的水量；R是径流量，指流出特定区域表面的水量；R深层排水或下渗量，即渗透到根区以下的水量。

在一种可能的实施例中，采用植被指数与冠层叶片含水率模型，对14种植被指数(NDVI、RDVI、NLI、GNDVI、RVI、SAVI、NDGI、WDRVI、TVI、DVI、OSAVI、GI、MSR、RVI2)与作物冠层叶片含水率的Pearson相关性分析显示，所有指数均达极显著水平(p<0.01)。相关系数分布情况：玉米0.678～0.897，谷子0.824～0.878，高粱0.646～0.871。每种作物选择6个与土壤水分极显著相关的植被指数。玉米区选择WDRVI、RVI、MSR、NDGI、NDVI、SAVI；谷子区选择OSAVI、RDVI、MSR、NLI、RVI2、RVI；高粱区选择OSAVI、NLI、MSR、NDVI、SAVI、GI。

在一种可能的实施例中，采用冠层叶片含水率与土壤表层含水率模型，对玉米、谷子和高粱观测区冠层叶片含水率与0～10cm及0～20cm土壤含水率进行相关性分析。相关系数显示，冠层叶片含水率与0～10cm土壤含水率的相关系数分别为玉米0.660、谷子0.596、高粱0.483，而与0～20cm土壤含水率的相关系数分别为玉米0.852、谷子0.832、高粱0.843，均达到极显著水平(p<0.01)。0～20cm土壤含水率的相关系数均高于0～10cm土壤含水率的相关系数。选择冠层叶片含水率与0～20cm的土壤表层含水率建立关系。

在一种可能的实施例中，采用Biswas土壤水分估算模型，根据Biswas土壤水分估算模型，d0(土壤表层)分别取0～10cm、0～20cm共2个土层深度，确定适合反演0～200cm深度土体水分储量的模型系数。0～20cm土壤含水率的相关系数均高于0～10cm土壤含水率的相关系数。选择0～20cm的土层反演0～200cm的土壤水分。通过层层建立关系，最终可以通过无人机搭载多光谱传感器，快速监测土壤含水量，进而为节水灌溉提供数据支持。

在一种可能的实施例中，对不同传感器采集到的数据以数字格式传输到数据处理设备，数据处理设备接收后首先进行数据预处理，包括处理缺失值、异常值、噪声的滤除或平滑，以确保数据的质量和一致性，在确保数据同步的情况下将它们整合到一个一致的数据集中。从整合后的数据集中提取有用的特征，对于土壤水分传感器，特征包括土壤水分含量的均值和方差；对于多光谱传感器，特征包括不同波段反射率信息；对于气象传感器，特征包括气象条件的统计特征。数据处理采用GIS集成模块，将来自不同传感器的特征进行融合，随后分析光谱图像与土壤水分以及气象条件之间的关系。

在一种可能的实施例中，土壤水分传感器可以提供土壤水分含量的数据，多光谱传感器可以提供土地覆盖和植被信息，气象传感器可以采集湿度、气压、风速和风向等信息。每个传感器采集的数据都与对应的地理坐标相关联。这些地理坐标用于将数据绘制到地图上，以显示土壤水分、植被和气象变量的地理分布。通过将这些数据与地理位置信息整合到GIS(地理信息系统)中，进行土壤分析和土地管理，以研究土壤水分和植被的时空变化趋势。同时可以使用地图、图表和报告生成工具，将分析结果可视化呈现。GIS将来自不同传感器的数据融合在一起，以获取更全面的信息，支持精准农业决策，如灌溉管理、干旱监测和作物健康监测。

在一种可能的实施例中，利用如5G或WIFI等高速且可靠的无线通信技术，将从传感器和RTK测量仪收集的数据传输到中央控制单元，在网络不稳定或无网络环境下，利用边缘计算器暂存数据，确保数据及时传输，数据可以在服务器上进行存储、处理，提供实时的土壤水分信息。

在一种可能的实施例中，还包括利用土壤水分监测模型和土壤水量平衡方程，对农田土壤灌溉时间和灌溉量进行推荐。从而通过应用程序或网页界面访问数据，界面展示土壤水分趋势、气象条件变化等数据的图表和图形，提供基于数据分析的建议，如灌溉时间和量的优化建议，辅助用户进行基于数据驱动的精准农业管理，用户可以查看各个传感器的实时数据，进行历史数据对比。

综上所述，本发明获取埋入农田土壤表层的土壤水分传感器按照预设的采集周期采集的土壤水分数据；获取无人机搭载多光谱传感器采集的农田植被和土壤在预设波段的植被土壤光谱数据；获取气象传感器采集的农田环境数据，农田环境数据包括湿度、气压、风速和风向数据；对获取的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据预处理，数据预处理包括处理缺失值、异常值、噪声的滤除或平滑；对数据预处理后的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据融合，并分析土壤水分数据、植被土壤光谱数据和农田环境数据之间的关系；将数据预处理后的土壤水分数据、植被土壤光谱数据、农田环境数据和数据来源位置的地理坐标进行关联，根据关联的数据来源位置的地理坐标将土壤水分数据、植被土壤光谱数据、农田环境数据绘制到电子地图上，以分析土壤水分和植被的时空变化趋势。本发明通过多传感器融合，能够提供更为全面和准确的土壤水分和环境数据，提高灌溉的精确性和效率；能够实时监测土壤和气象条件，支持智能决策，如灌溉时间和量的优化；边缘计算减少了对中央服务器的依赖，特别是在网络不稳定的农田环境中尤为重要；能够确保传感器在各种环境条件下正常工作，从而提供更准确、可靠的数据；适用于各种规模的农田，特别是对于面临水资源短缺或需要优化灌溉管理的地区，提供了一个有效的技术解决方案，还可以作为智能农业和精准农业发展的重要基础设施。

需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

实施例2

参见图2，本发明实施例还提供一种基于多传感器融合的农田土壤监测系统，包括：

数据获取模块001，用于获取埋入农田土壤表层的土壤水分传感器按照预设的采集周期采集的土壤水分数据；获取无人机搭载多光谱传感器采集的农田植被和土壤在预设波段的植被土壤光谱数据；获取气象传感器采集的农田环境数据，农田环境数据包括湿度、气压、风速和风向数据；

数据处理模块002，用于对获取的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据预处理，数据预处理包括处理缺失值、异常值、噪声的滤除或平滑；对数据预处理后的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据融合，并分析土壤水分数据、植被土壤光谱数据和农田环境数据之间的关系；

数据分析模块003，用于将数据预处理后的土壤水分数据、植被土壤光谱数据、农田环境数据和数据来源位置的地理坐标进行关联，根据关联的数据来源位置的地理坐标将土壤水分数据、植被土壤光谱数据、农田环境数据绘制到电子地图上，以分析土壤水分和植被的时空变化趋势。

本实施例中，所述数据获取模块001中，对获取的农田环境数据以时间序列的方式进行记录，对获取的土壤水分数据添加水分时间戳，对获取的植被土壤光谱数据添加植被土壤时间戳；通过水分时间戳、植被土壤时间戳对农田环境数据进行关联；

所述数据获取模块001还用于通过集成在土壤水分传感器、多光谱传感器和气象传感器的卫星定位组件，获取土壤水分传感器、多光谱传感器和气象传感器的地理坐标；

还包括工作参数调整模块004，用于利用采集的农田环境数据判断是否调整土壤水分传感器、多光谱传感器的工作参数，工作参数包括测量频率和测量灵敏度。

本实施例中，所述数据分析模块003中，建立三维水动力学模型，通过三维水动力学模型模拟土壤空间含水量的动态分布过程；采用交替方向的隐格式获取水分运动方程的数值解；

所述数据分析模块003中，以根系吸水函数作为Richards方程的汇项，模拟根区土壤水分运动与分布；

所述数据分析模块003中，在Voxel元上，采用空间碰撞检测方法获取每个根元生长区域的土壤含水量，采用电学阻力模拟法进行土壤含水量对根元库强的动态校正及对根元生长方向的校正。

本实施例中，所述数据分析模块003中，利用土壤水分数据构建土壤水分监测模型，土壤水分监测模型为：

S＝A×(d-d₀)+S₀×[1+B×(d-d₀)²]+S_c

式中，S为0～d厘米土层的水分储量；S₀为土壤表层0～d₀厘米水分储量；A、B以及S_c为常数，是表层与深层土壤水分储量之间非线性关系系数；

所述数据分析模块003中，在分析土壤水分和植被的时空变化趋势过程中构建土壤水量平衡方程，土壤水量平衡方程表达式为：

ΔS＝P-ET-R-D

式中，ΔS为土壤水分储量的变化量；P是降水量；ET是蒸散发量；R是径流量；R深层排水或下渗量；

还包括灌溉推荐模块005，用于利用土壤水分监测模型和土壤水量平衡方程，对农田土壤灌溉时间和灌溉量进行推荐。

需要说明的是，上述系统各模块之间的信息交互、执行过程等内容，由于与本申请实施例1中的方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。

实施例3

本发明实施例3提供一种非暂态计算机可读存储介质，所述计算机可读存储介质中存储有基于多传感器融合的农田土壤监测方法的程序代码，所述程序代码包括用于执行实施例1或其任意可能实现方式的基于多传感器融合的农田土壤监测方法的指令。

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成的服务器、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(例如固态硬盘(SolidState Disk、SSD))等。

实施例4

本发明实施例4提供一种电子设备，包括：存储器和处理器；

所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行实施例1或其任意可能实现方式的基于多传感器融合的农田土壤监测方法。

具体的，处理器可以通过硬件来实现也可以通过软件来实现，当通过硬件实现时，该处理器可以是逻辑电路、集成电路等；当通过软件来实现时，该处理器可以是一个通用处理器，通过读取存储器中存储的软件代码来实现，该存储器可以集成在处理器中，可以位于所述处理器之外，独立存在。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，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。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、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(例如同轴电缆、光纤、数字用户线(DSL))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。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.基于多传感器融合的农田土壤监测方法，其特征在于，包括：

获取埋入农田土壤表层的土壤水分传感器按照预设的采集周期采集的土壤水分数据；获取无人机搭载多光谱传感器采集的农田植被和土壤在预设波段的植被土壤光谱数据；获取气象传感器采集的农田环境数据，农田环境数据包括湿度、气压、风速和风向数据；

对获取的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据预处理，数据预处理包括处理缺失值、异常值、噪声的滤除或平滑；对数据预处理后的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据融合，并分析土壤水分数据、植被土壤光谱数据和农田环境数据之间的关系；

将数据预处理后的土壤水分数据、植被土壤光谱数据、农田环境数据和数据来源位置的地理坐标进行关联，根据关联的数据来源位置的地理坐标将土壤水分数据、植被土壤光谱数据、农田环境数据绘制到电子地图上，以分析土壤水分和植被的时空变化趋势。

2.根据权利要求1所述的基于多传感器融合的农田土壤监测方法，其特征在于，对获取的农田环境数据以时间序列的方式进行记录，对获取的土壤水分数据添加水分时间戳，对获取的植被土壤光谱数据添加植被土壤时间戳；通过水分时间戳、植被土壤时间戳对农田环境数据进行关联；

还包括通过集成在土壤水分传感器、多光谱传感器和气象传感器的卫星定位组件，获取土壤水分传感器、多光谱传感器和气象传感器的地理坐标；

利用采集的农田环境数据判断是否调整土壤水分传感器、多光谱传感器的工作参数，工作参数包括测量频率和测量灵敏度。

3.根据权利要求1所述的基于多传感器融合的农田土壤监测方法，其特征在于，还包括构建三维水动力学模型，通过三维水动力学模型模拟土壤空间含水量的动态分布过程；采用交替方向的隐格式获取水分运动方程的数值解；

以根系吸水函数作为Richards方程的汇项，模拟根区土壤水分运动与分布；

在Voxel元上，采用空间碰撞检测方法获取每个根元生长区域的土壤含水量，采用电学阻力模拟法进行土壤含水量对根元库强的动态校正及对根元生长方向的校正。

4.根据权利要求3所述的基于多传感器融合的农田土壤监测方法，其特征在于，还包括利用土壤水分数据构建土壤水分监测模型，土壤水分监测模型为：

S＝A×(d-d₀)+S₀×[1+B×(d-d₀)²]+S_c

式中，S为0～d厘米土层的水分储量；S₀为土壤表层0～d₀厘米水分储量；A、B以及S_c为常数，是表层与深层土壤水分储量之间非线性关系系数。

5.根据权利要求4所述的基于多传感器融合的农田土壤监测方法，其特征在于，还包括在分析土壤水分和植被的时空变化趋势过程中构建土壤水量平衡方程，土壤水量平衡方程表达式为：

ΔS＝P-ET-R-D

式中，ΔS为土壤水分储量的变化量；P是降水量；ET是蒸散发量；R是径流量；R深层排水或下渗量。

6.根据权利要求5所述的基于多传感器融合的农田土壤监测方法，其特征在于，还包括利用土壤水分监测模型和土壤水量平衡方程，对农田土壤灌溉时间和灌溉量进行推荐。

7.基于多传感器融合的农田土壤监测系统，其特征在于，包括：

数据获取模块，用于获取埋入农田土壤表层的土壤水分传感器按照预设的采集周期采集的土壤水分数据；获取无人机搭载多光谱传感器采集的农田植被和土壤在预设波段的植被土壤光谱数据；获取气象传感器采集的农田环境数据，农田环境数据包括湿度、气压、风速和风向数据；

数据处理模块，用于对获取的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据预处理，数据预处理包括处理缺失值、异常值、噪声的滤除或平滑；对数据预处理后的土壤水分数据、植被土壤光谱数据和农田环境数据进行数据融合，并分析土壤水分数据、植被土壤光谱数据和农田环境数据之间的关系；

数据分析模块，用于将数据预处理后的土壤水分数据、植被土壤光谱数据、农田环境数据和数据来源位置的地理坐标进行关联，根据关联的数据来源位置的地理坐标将土壤水分数据、植被土壤光谱数据、农田环境数据绘制到电子地图上，以分析土壤水分和植被的时空变化趋势。

8.根据权利要求7所述的基于多传感器融合的农田土壤监测系统，其特征在于，所述数据获取模块中，对获取的农田环境数据以时间序列的方式进行记录，对获取的土壤水分数据添加水分时间戳，对获取的植被土壤光谱数据添加植被土壤时间戳；通过水分时间戳、植被土壤时间戳对农田环境数据进行关联；

所述数据获取模块还用于通过集成在土壤水分传感器、多光谱传感器和气象传感器的卫星定位组件，获取土壤水分传感器、多光谱传感器和气象传感器的地理坐标；

还包括工作参数调整模块，用于利用采集的农田环境数据判断是否调整土壤水分传感器、多光谱传感器的工作参数，工作参数包括测量频率和测量灵敏度。

9.根据权利要求7所述的基于多传感器融合的农田土壤监测系统，其特征在于，所述数据分析模块中，建立三维水动力学模型，通过三维水动力学模型模拟土壤空间含水量的动态分布过程；采用交替方向的隐格式获取水分运动方程的数值解；

所述数据分析模块中，以根系吸水函数作为Richards方程的汇项，模拟根区土壤水分运动与分布；

所述数据分析模块中，在Voxel元上，采用空间碰撞检测方法获取每个根元生长区域的土壤含水量，采用电学阻力模拟法进行土壤含水量对根元库强的动态校正及对根元生长方向的校正。

10.根据权利要求9所述的基于多传感器融合的农田土壤监测系统，其特征在于，所述数据分析模块中，利用土壤水分数据构建土壤水分监测模型，土壤水分监测模型为：

S＝A×(d-d₀)+S₀×[1+B×(d-d₀)²]+S_c

式中，S为0～d厘米土层的水分储量；S₀为土壤表层0～d₀厘米水分储量；A、B以及S_c为常数，是表层与深层土壤水分储量之间非线性关系系数；

所述数据分析模块中，在分析土壤水分和植被的时空变化趋势过程中构建土壤水量平衡方程，土壤水量平衡方程表达式为：

ΔS＝P-ET-R-D

式中，ΔS为土壤水分储量的变化量；P是降水量；ET是蒸散发量；R是径流量；R深层排水或下渗量；

还包括灌溉推荐模块，用于利用土壤水分监测模型和土壤水量平衡方程，对农田土壤灌溉时间和灌溉量进行推荐。