WO2015139356A1 - 一种确定田间调查及田间管理的空间尺度的方法及系统 - Google Patents

一种确定田间调查及田间管理的空间尺度的方法及系统 Download PDF

Info

Publication number
WO2015139356A1
WO2015139356A1 PCT/CN2014/076356 CN2014076356W WO2015139356A1 WO 2015139356 A1 WO2015139356 A1 WO 2015139356A1 CN 2014076356 W CN2014076356 W CN 2014076356W WO 2015139356 A1 WO2015139356 A1 WO 2015139356A1
Authority
WO
WIPO (PCT)
Prior art keywords
ridge direction
remote sensing
sensing image
vegetation
index
Prior art date
Application number
PCT/CN2014/076356
Other languages
English (en)
French (fr)
Inventor
宋晓宇
赵春江
杨贵军
顾晓鹤
徐新刚
杨小冬
龙慧灵
冯海宽
Original Assignee
北京农业信息技术研究中心
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 北京农业信息技术研究中心 filed Critical 北京农业信息技术研究中心
Publication of WO2015139356A1 publication Critical patent/WO2015139356A1/zh

Links

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
    • 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
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture

Definitions

  • the present invention relates to the field of agricultural technology, and more particularly to a method and system for determining spatial scales for field surveys and field management.
  • Accurate agriculture is a field management method that is implemented in response to different soil and geographical conditions in different areas of the field, and appropriate means to invest appropriate amounts of substances (such as seeds, pesticides, fertilizers, etc.) in the appropriate location.
  • the environmental factors such as soil nutrients and the spatial variability of crop growth are the basis for the implementation of precise agricultural variable management.
  • the development direction of precision agriculture is to adjust the water, fertilizer and sowing of farmland according to the soil traits of rice grade or finer scale and the spatial variation of crop growth parameters. It is necessary to truly reflect the spatial changes of soil, crop nutrient level and growth in farmland. A large amount of sample data support.
  • the size of the fertilization management unit directly affects the effect and economic benefits of fertilization.
  • the management unit is too large, which affects the effect of precise management. If the management unit is too small, it will affect the implementation efficiency. There is no prior art method for determining spatial scales for different farmland surveys and field management within a region.
  • the present invention provides a method and system for determining the spatial scale of field surveys and field management, which can quickly and accurately determine suitable spatial scales for field surveys and field management.
  • the present invention provides a method for determining a spatial scale of field surveys and field management, the method Includes:
  • SI acquiring a remote sensing image containing the to-be-processed parcel and pre-processing the remote sensing image to obtain a pre-processed remote sensing image;
  • S5 Determine the spatial scale of the field investigation and the field management according to the optimal step size of the ridge direction and the optimal step size of the vertical ridge direction.
  • the preprocessing the remote sensing image includes:
  • the S2 includes:
  • the normalized water vegetation index is obtained from the pre-processed remote sensing image
  • the ratio vegetation index RVI and/or the green normalized vegetation index GNDVI and/or the nitrogen reflection index NRI and/or the photochemical reflection index PRI and/or the corrected chlorophyll are obtained from the pre-processed remote sensing image.
  • Absorption ratio index MCARI and/or chlorophyll absorption index TCARL Further, the S4 includes:
  • the to-be-processed parcel is extracted from the pre-processed remote sensing image.
  • the S3 includes:
  • y(h) is called the semivariogram variogram
  • ⁇ ( ⁇ ) is the vegetation parameter value corresponding to the pixel Xi of the preprocessed remote sensing image
  • Z( Xi + h) is the distance from the pixel Xi
  • the vegetation parameter value corresponding to the pixel of h, lhk, k is half of the total number of cross-sectional pixels in the ridge direction or vertical ridge direction of the pre-processed remote sensing image
  • m nh
  • n is the pre-processed remote sensing image The total number of cells in the direction of the ridge or vertical ridge.
  • the step size, h v is the optimal step size of the vertical ridge direction, and p is the spatial resolution of the preprocessed remote sensing image.
  • the present invention provides a system for determining a spatial scale of field surveys and field management, the system comprising:
  • a pre-processing module configured to acquire a remote sensing image containing the to-be-processed parcel and pre-process the remote sensing image to obtain a pre-processed remote sensing image
  • An obtaining module configured to obtain a vegetation parameter from the pre-processed remote sensing image
  • a calculation module configured to calculate a minimum fixed step size of the ridge direction when the first derivative value of the semi-variance variogram in the ridge direction is smaller than the first preset threshold, and calculate a semivariance variogram of the vertical ridge direction a minimum fixed step size of the vertical ridge direction when the first derivative value is smaller than the second preset threshold value, wherein the minimum fixed step size in the ridge direction is an optimal step size in the ridge direction, the vertical step The minimum fixed step size in the direction of the straight ridge is the optimal step size in the direction of the vertical ridge;
  • a determining module configured to determine a spatial scale of the field survey and the field management according to the optimal step size of the ridge direction and the optimal step size of the vertical ridge direction.
  • the pre-processing module is configured to perform image fusion on the remote sensing image, and/or perform radiation correction on the remote sensing image, and/or perform atmospheric correction on the remote sensing image, and/or Remote sensing images for geometric correction.
  • the obtaining module is configured to obtain, from the pre-processed remote sensing image, a normalized water vegetation index NDWI and/or a vegetation water absorption index WBI for the irrigation process; After the remote sensing image, the ratio vegetation index RVI and/or the green normalized vegetation index GNDVI and/or the nitrogen reflectance index NRI and/or the photochemical reflectance index PRI and/or the corrected chlorophyll absorption ratio index MCARI and/or chlorophyll absorption are obtained.
  • Index TCARI is configured to obtain, from the pre-processed remote sensing image, a normalized water vegetation index NDWI and/or a vegetation water absorption index WBI for the irrigation process; After the remote sensing image, the ratio vegetation index RVI and/or the green normalized vegetation index GNDVI and/or the nitrogen reflectance index NRI and/or the photochemical reflectance index PRI and/or the corrected chlorophyll absorption ratio index MCARI and/or chlorophyll absorption are obtained.
  • Index TCARI is configured
  • the calculating module is configured to extract a to-be-processed parcel from the pre-processed remote sensing image.
  • y(h) is called the semivariance variogram
  • ⁇ ( ⁇ ) is the vegetation parameter value corresponding to the pixel Xi of the preprocessed remote sensing image
  • Z( Xi +h) is the distance from the pixel Xi
  • m nh
  • n is the pre-processed remote sensing The total number of pixels in the ridge direction or vertical ridge direction of the image.
  • the determining module is configured to arbitrarily select a value from the range of [ a h , a h ]
  • the method and system for determining the spatial scale of field investigation and field management provided by the invention can quickly and accurately determine the appropriate sampling scale of the field investigation and the appropriate management scale of the field management.
  • FIG. 1 is a flow chart of a method for determining a spatial scale of field investigation and field management according to an embodiment of the present invention
  • 2 is a curve obtained by fitting a half-variance variogram in a ridge direction of a parcel to be treated according to an embodiment of the present invention
  • 3 is a curve obtained by fitting a half variance variance function of a vertical ridge direction of a parcel to be treated according to an embodiment of the present invention
  • FIG. 4 is a schematic diagram of a system structure for determining a spatial scale of field investigation and field management according to an embodiment of the present invention.
  • an embodiment of the present invention provides a method for determining a spatial scale of field investigation and field management. Referring to FIG. 1, the method includes:
  • S1 acquiring a remote sensing image containing the to-be-processed parcel and pre-processing the remote sensing image to obtain a pre-processed remote sensing image;
  • S5 Determine the spatial scale of the field investigation and the field management according to the optimal step size of the ridge direction and the optimal step size of the vertical ridge direction.
  • a method for determining the spatial scale of field investigation and field management provided by the embodiment of the present invention can quickly and accurately determine a suitable spatial scale for field investigation and field management.
  • the first preset threshold and the second preset threshold are values close to 0 that are not less than 0, and may be greater than or equal to 0 and less than or equal to 0.001.
  • step S1 the pre-processing the remote sensing image includes: performing image fusion on the remote sensing image; and/or performing atmospheric correction on the remote sensing image; and/or performing the remote sensing image Geometric correction.
  • Surface reflectance image data can be obtained after the processing in step S1.
  • remote sensing images include: high-resolution satellite imagery, near-air flight image data, drones Image data, etc.
  • the acquired remote sensing image needs to be preprocessed, and the preprocessing includes: image fusion, radiation correction, atmospheric correction, geometric correction, and the like.
  • Image fusion is an image processing technique that resamples low-resolution multi-spectral image or hyperspectral data with high spatial resolution single-band image to generate a high-resolution multi-spectral image remote sensing image, so that the processed image is more High spatial resolution and multi-spectral features.
  • Image fusion is generally performed directly on the acquired raw data layer.
  • General remote sensing image processing software generally has corresponding functional modules.
  • Radiation correction and atmospheric correction are aimed at eliminating the influence of various factors such as the sensor itself, the atmosphere, and the solar elevation angle when acquiring remote sensing images, and obtaining real surface reflectance data.
  • Geometric correction is caused by using ground control points to correct various factors. The geometric deformation of remote sensing images, geolocation of remote sensing images, geometric integration with standard images, maps and standard vector data, geometric correction can be achieved through the geometric correction function of the relevant professional software.
  • step S2 the method specifically includes: obtaining, according to the irrigation process, an NDWI (Normalized Difference Water Index) and/or a WBI (Water Band Index) from the pre-processed remote sensing image. );
  • NDWI Normalized Difference Water Index
  • WBI Water Band Index
  • RVI Rotary Vegetation Index
  • GNDVI Green Normalized Difference Vegetation Index
  • NRI Nonrogen Reflectance
  • Index, Nitrogen Reflex Index and / or PRI Photochemical reflectance index
  • MCARI Modified chlorophyll Absorption Ratio Index
  • TCARI Transformed Chlorophyll Absorption in Reflectance Index, Chlorophyll absorption index
  • a visible red band that strongly absorbs green plants (chlorophyll)
  • a near-infrared band that is highly reflective to green plants (intra-leaf tissue) are usually used.
  • These two bands are not only the most typical bands in the plant spectrum, but their spectral responses to the same biophysical phenomenon are diametrically opposed, so their various combinations would be advantageous for enhancing or revealing implicit information.
  • the invention aims at the specific agricultural management decision-making measures (fertilization, irrigation, etc.), combines the growth period of the crops and the characteristics of the remote sensing data band setting, selects different spectral parameters for the appropriate spatial scale in the early stage of crop growth, the plant individual is small, the soil background is crop The influence of the growth spectrum parameter value is large.
  • the vegetation index reflects the crop growth information mainly because of its coverage. Therefore, the spectral parameter ND VI (Normalized Difference Vegetation Index) that reflects the growth of the crop population is generally selected.
  • vegetation indices such as SAVI (Soil Adjusted Vegetation Index), OSAVI (Optimized Soil Adjusted Vegetation Index), MSAVI (Modified Soil-Adjusted Vegetation Index), Corrected Soil-Adjusted Vegetation Index Type soil adjustment vegetation index), etc. for correlation analysis.
  • SAVI Soil Adjusted Vegetation Index
  • OSAVI Optimized Soil Adjusted Vegetation Index
  • MSAVI Modified Soil-Adjusted Vegetation Index
  • Corrected Soil-Adjusted Vegetation Index Type soil adjustment vegetation index etc.
  • spectral parameters are selected according to the needs of agricultural management measures. If fertilization management is carried out, spectral parameters sensitive to crop nitrogen and chlorophyll changes such as RVI (Ratio Vegetation) can be selected.
  • RVI Rao Vegetation
  • Step S3 includes: constructing a semivariance variogram of all pairs of pixels of a fixed step within the block to be processed according to the following formula:
  • ⁇ ( ⁇ ) is the vegetation parameter value corresponding to the pixel Xi of the preprocessed remote sensing image
  • Z( Xi + h) is the distance from the pixel Xi
  • the vegetation parameter value corresponding to the pixel of h, lhk, k is half of the total number of cross-sectional pixels in the ridge direction or vertical ridge direction of the pre-processed remote sensing image
  • m nh
  • n is the pre-processed remote sensing image The total number of cells in the direction of the ridge or vertical ridge.
  • step S2 the vegetation parameter of the remote sensing image is acquired.
  • step S3 the vegetation parameter value of each pixel in the to-be-processed land is extracted from the vegetation parameter acquired in S2, and the semi-variance variation is constructed according to the vegetation parameter value. function.
  • Step S4 includes: extracting a to-be-processed parcel from the pre-processed remote sensing image.
  • the extracted parcels can be used to crop the parcel image by using remote sensing image processing software or use the region of interest to delineate the corresponding region.
  • p is the spatial resolution of the preprocessed remote sensing image.
  • spatial scales can be obtained by:
  • the spatial scale of the field survey and field management is determined based on the optimal step size of the ridge direction and the optimal step size of the vertical ridge direction.
  • the above continuous curve uses the y-axis to represent the average variance, y(h) to represent the luminance value unit after the remote sensing image is scaled, and the X-axis represents the different fixed step sizes.
  • the semivariogram variogram is half of the variance of the difference between the two measurement points. Within a certain range, the value of the semivariogram variability increases with the increase of the fixed step size, but when the distance exceeds a certain distance, the value of the semivariogram variability tends to be stable.
  • the total abutment value refers to the stationary value that occurs when the semivariogram function increases to a certain extent with distance, indicating the total variation of the system.
  • the azimuth value refers to the difference between the total variation and the nugget value, which is caused by non-human factors such as soil parent material and climate.
  • the range is the maximum correlation distance of a certain characteristic. It represents the range of influence of spatial correlation under a certain observation scale, and its size is related to the observation scale. When the distance between two observation points exceeds the range, they are independent; if they are smaller than the range, they are spatially related. When there is a spatial correlation, the difference between dense pairs should be small. Generally speaking, the farther apart the points are, the larger the square difference is.
  • the range is the distance that the sample has spatial autocorrelation. That is to say, the variables beyond the distance have little correlation or no correlation.
  • the local data within the range has autocorrelation, and there is no autocorrelation outside. .
  • the sampling scale is larger than the variable range, the spatial variation of the farmland information cannot be correctly reflected.
  • the distance is also an important reference value for the variable implementation scale.
  • the implementation scale should be less than or equal to this value to ensure that the variable implementation is targeted, and greater than this value will affect the effect of the variable implementation.
  • Step 1 Acquire a high spatial resolution satellite remote sensing image and preprocess the remote sensing image; wherein the remote sensing image obtained by the high spatial resolution satellite has a full color band image with a spatial resolution of 0.61 m, one 2.4 m
  • the spatial resolution of the four-band image, the four-band data includes the blue band, the green band, the red band, and the near-infrared band.
  • the image of the remote sensing image is fused, and the atmosphere is corrected after fusion, and finally the surface reflectance image of the spatial resolution of 0.61 m is obtained.
  • Step 2 Obtain NDVI from the pre-processed remote sensing image; According to the characteristics of the growth period of the winter wheat at the booting stage and the characteristics of the remote sensing image band setting, the NDVI is selected in the embodiment, wherein the NDVI of the remote sensing image in the embodiment is calculated by the combination of the B4 band and the B3 band, and the formula As follows:
  • NDVI B4 ⁇ B3 , where B3 is the third band of the remote sensing image, which is also the wavelength of the red light.
  • B4 + B3 band B4 is the fourth band of remote sensing image, and is also the band corresponding to the near-infrared wavelength.
  • the third step respectively calculating a semi-variance variogram in the ridge direction and a minimum fixed step size when the first derivative value of the semi-variance variogram in the vertical ridge direction is smaller than a preset threshold, wherein the two minimum fixed
  • the step size is the optimal step size in the direction of the ridge and the optimal step size in the vertical ridge direction;
  • Table 1 shows the value of the semivariance variogram in the ridge direction of the plot to be treated and the value of the semivariance variogram in the vertical ridge direction, where h is a fixed step size and Hr(h) is a half in the ridge direction.
  • the variance variogram value, Vr(h) is the value of the semivariance variogram in the vertical ridge direction.
  • Step 4 Fit the semi-variance variogram value of the vertical ridge direction into a smooth continuous curve and calculate the range of the curve, which is the optimal step size in the vertical ridge direction;
  • Figure 2 is a plot of the half-variance variogram in the ridge direction of the plot to be treated.
  • a smooth continuous curve is fitted to calculate the range of the curve.
  • the range is the optimal step size in the vertical ridge direction. See Figure 3, Figure 3 is the field to be treated.
  • the curve of the half-variance variogram of the vertical ridge direction of the block is fitted.
  • the first preset threshold is 0.000002, and the second preset threshold is 0.00000038.
  • Table 2 is the first-order derivative of the semi-variance variogram in the ridge direction of the plot to be treated and the semivariogram variogram in the vertical ridge direction, where h is a fixed step size, H-r'(h) For the value of the semivariance variogram in the direction of the ridge, V-r'(h) is the value of the semivariance variogram in the direction of the vertical ridge. 3/:/ O 9s2/-osl£ 9s£62ssiAV
  • Step 5 Determine the spatial scale of the field investigation and field management according to the optimal step size of the ridge direction and the optimal step size of the vertical ridge direction.
  • the spatial resolution of the above remote sensing image is 0.61 m
  • 6.71m and 6.10m can be selected as the optimal space scale. Farmland information collection and variable implementation are performed at intervals of 6.71*6.10 meters in the direction of the ridge and the vertical ridge. It is the best choice, considering the cost and the specific field. Management operation restrictions, ranging from 6.71 m to 13.42 m in the vertical ridge direction and 6.10 m to 12.20 m in the ridge direction, can meet the survey and production requirements of the target plot, and exceed the sampling and management of the spatial scale of 13.42*12.20 m. There may be some error, and the larger the scale, the larger the error.
  • Embodiments of the present invention provide a system for determining a spatial scale of field investigation and field management.
  • the system includes:
  • a pre-processing module 401 configured to acquire a remote sensing image containing the to-be-processed parcel and pre-process the remote-sensing image to obtain a pre-processed remote sensing image;
  • the obtaining module 402 is configured to obtain a vegetation parameter from the pre-processed remote sensing image;
  • the constructing module 403 is configured to construct a semi-variance variogram of all pairs of pixels in a fixed step size of the to-be-processed block from the ridge direction and the vertical ridge direction according to the vegetation parameters acquired by the acquiring module; and the calculating module 404 is configured to calculate The first derivative value of the semi-variance variogram in the direction of the ridge is smaller than the first fixed threshold, and the minimum fixed step of the ridge direction is calculated, and the first derivative value of the semivariogram variogram in the vertical ridge direction is calculated to be smaller than the first a minimum fixed step size in a vertical ridge direction when the threshold is preset, wherein the minimum fixed step size in the ridge direction is an optimal step size in the ridge direction, and the minimum fixed step length in the vertical ridge direction The optimal step size for the vertical ridge direction;
  • the determining module 405 is configured to determine a spatial scale of the field survey and the field management according to the optimal step size of the ridge direction and the optimal step size of the vertical ridge direction.
  • the pre-processing module 401 is configured to perform image fusion on the remote sensing image, and/or perform radiation correction on the remote sensing image, and/or perform atmospheric correction on the remote sensing image, and/or on the remote sensing image. Perform geometric corrections.
  • the obtaining module 402 is configured to acquire NDWI and/or WBI from the pre-processed remote sensing image for irrigation processing; and obtain RVI and/or GNDVI from the pre-processed remote sensing image for fertilization management / or NRI and / or PRI and / or MCARI and / or TCARI.
  • the calculating module 404 is configured to extract a to-be-processed block from the pre-processed remote sensing image.
  • y(h) is called the semivariance variogram
  • ⁇ ( ⁇ ) is the vegetation parameter value corresponding to the pixel of the preprocessed remote sensing image
  • Z( Xi +h) is the distance from the pixel h
  • the vegetation parameter value corresponding to the pixel, lhk, k is half of the total number of cross-sectional pixels in the ridge direction or vertical ridge direction of the pre-processed remote sensing image
  • m nh
  • n is the pre-processed remote sensing image The total number of cells in the direction of the ridge or the direction of the vertical ridge.
  • the determining module 405 is configured to arbitrarily select a value from the range of [ a h , a h ] as a spatial scale in the ridge direction, and arbitrarily select a value from the range of [ a v , a v ] as a space in the vertical ridge direction.
  • a v h v xp
  • a h h h xp
  • a h is the boundary scale in the direction of the ridge
  • a v is the boundary scale in the direction of the vertical ridge
  • h h is the optimal step in the direction of the ridge Length
  • h v is the optimal step size of the vertical ridge direction
  • p is the spatial resolution of the preprocessed remote sensing image.
  • the technical solution proposed by the embodiment of the present invention fully considers the crop growth in the farmland and the farmland soil characteristics, the farmland groundwater condition, the agricultural farming level, etc., and has the characteristics of complex spatial variability, and the remote sensing image can be used for instantaneous and non-destructive acquisition.
  • the characteristics of the spectral information of the "face" feature fully exploiting the remote sensing information of remote sensing image crops, and realizing the rapid, accurate and real-time spatial variation characteristics of crop growth in large scales such as districts and counties.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种确定田间调查及田间管理的空间尺度的方法及系统，方法包括：S1：获取包含待处理地块的遥感影像并进行预处理；S2：从遥感影像中获取植被参数；S3：根据植被参数分别从顺垄方向和垂直垄方向构建出待处理地块内固定步长的所有像元对的半方差变异函数；S4：计算出顺垄方向的半方差变异函数的一阶导数值小于第一预设阈值时的顺垄方向的最小的固定步长，计算出垂直垄方向的半方差变异函数的一阶导数值小于第二预设阈值时的垂直垄方向的最小的固定步长；S5：根据顺垄方向的最优步长和垂直垄方向的最优步长确定田间调查及田间管理的空间尺度。通过本发明提供的方法及系统，能够快速准确的确定出田间调查及田间管理的适宜空间尺度。

Description

一种确定田间调查及田间管理的空间尺度的方法及系统 技术领域
本发明涉及农业技术领域， 尤其涉及一种确定田间调查及田间管理的空 间尺度的方法及系统。
背景技术
长期以来， 我国农业生产一直以田块为基础， 在同一地区所有的农田上 基本上都使用等量的种子和肥料、 除草剂、 生长剂等。 由于用量盲目、 往往 供过于求而造成浪费外， 还导致了土壤和地下水的污染。 田间采样表明， 即 使在土壤质地相同的区域， 土壤特性属性 (物理、 化学、 生物特性等)在不同 空间位置上也具有明显差异， 而作物长势信息不仅与土壤特性相关， 同时也 与农田地下水文条件、 农业耕作水平密切相关， 亦具有复杂空间变异性。 精 确农业就是针对田块内部不同区域的土壤、 地理等条件的差异， 通过适当的 方法在适当的位置投入适量的物质 (如种子、 农药、 化肥等)而实施的一种田 间管理方式， 了解农田土壤养分等环境因子、 以及作物本身长势的空间变异 特征， 是精确农业变量管理实施的基础。 精准农业的发展方向是要根据米级 或更精细尺度的土壤性状、 作物生长参数的空间变异来调整农田水肥、 播种 等作业， 要真实反映农田中土壤、 作物养分水平及长势的空间变化， 需要大 量样点数据支持。 其次， 在精准农业变量实施的过程中， 施肥管理单元的大 小， 直接影响施肥的效果和经济效益， 管理单元过大， 影响精准管理的效 果， 而管理单元过小， 又会影响实施效率。 现有技术中还没有确定区域范围 内不同农田调查及田间管理的空间尺度的方法。
发明内容
本发明提供了一种确定田间调查及田间管理的空间尺度的方法及系统， 能够快速准确的确定田间调查及田间管理的适宜空间尺度。
本发明提供了一种确定田间调查及田间管理的空间尺度的方法， 该方法 包括：
SI: 获取包含待处理地块的遥感影像并对所述遥感影像进行预处理得到 预处理后的遥感影像；
S2: 从所述预处理后的遥感影像中获取植被参数；
S3: 根据所述植被参数分别从顺垄方向和垂直垄方向构建出待处理地块 内固定步长的所有像元对的半方差变异函数；
S4: 计算出顺垄方向的半方差变异函数的一阶导数值小于第一预设阈值 时的顺垄方向的最小的固定步长， 计算出垂直垄方向的半方差变异函数的一 阶导数值小于第二预设阈值时的垂直垄方向的最小的固定步长， 其中， 所述 顺垄方向的最小的固定步长为顺垄方向的最优步长， 所述垂直垄方向的最小 的固定步长为垂直垄方向的最优步长；
S5: 根据所述顺垄方向的最优步长和所述垂直垄方向的最优步长确定田 间调查及田间管理的空间尺度。
进一步地， 所述对所述遥感影像进行预处理， 包括：
对所述遥感影像进行图像融合；
和 /或， 对所述遥感影像进行辐射纠正；
和 /或， 对所述遥感影像进行大气纠正；
和 /或， 对所述遥感影像进行几何纠正。
进一步地， 所述 S2包括：
针对灌溉处理， 从所述预处理后的遥感影像中获取归一化水分植被指数
NDWI和 /或植被水分吸收指数 WBI;
针对施肥管理，从所述预处理后的遥感影像中获取比值植被指数 RVI和 / 或绿色归一化植被指数 GNDVI和 /或氮素反射指数 NRI和 /或光化学反射指数 PRI和 /或改正型叶绿素吸收比值指数 MCARI和 /或叶绿素吸收指数 TCARL 进一步地， 所述 S4包括：
从所述预处理后的遥感影像中提取出待处理地块。
进一步地， 所述 S3包括：
根据以下公式构建出待处理地块内固定步长的所有像元对的半方差变异 函数：
Figure imgf000005_0001
其中， y(h)称为半方差变异函数， Ζ(Χι)为所述预处理后的遥感影像的像 元 Xi所对应的植被参数值， Z(Xi + h)则与像元 Xi距离为 h 的像元所对应的植 被参数值， l h k， k为预处理后的遥感影像的顺垄方向或垂直垄方向的 横断面像元总数的一半， m = n-h， n为预处理后的遥感影像的顺垄方向或垂 直垄方向的像元总数。
进一步地， 所述 S5包括： 从 [ ah， ah ]范围中任意选取一个数值作为顺垄方向的空间尺度； 从 [^av， av ]范围中任意选取一个数值作为垂直垄方向的空间尺度； 其中， av=hv x p， ah=hh x p， ah为顺垄方向的边界尺度， av为垂直垄方 向的边界尺度， hh为所述顺垄方向的最优步长， hv为所述垂直垄方向的最优 步长， p为所述预处理后的遥感影像的空间分辨率。
另一方面， 本发明提供了一种确定田间调查及田间管理的空间尺度的系 统， 该系统包括：
预处理模块， 用于获取包含待处理地块的遥感影像并对所述遥感影像进 行预处理得到预处理后的遥感影像；
获取模块， 用于从所述预处理后的遥感影像中获取植被参数；
构建模块， 根据所述获取模块获取的植被参数分别从顺垄方向和垂直垄 方向构建出待处理地块内固定步长的所有像元对的半方差变异函数；
计算模块， 用于计算出顺垄方向的半方差变异函数的一阶导数值小于第 一预设阈值时的顺垄方向的最小的固定步长， 并计算出垂直垄方向的半方差 变异函数的一阶导数值小于第二预设阈值时的垂直垄方向的最小的固定步 长， 其中， 所述顺垄方向的最小的固定步长为顺垄方向的最优步长， 所述垂 直垄方向的最小的固定步长为垂直垄方向的最优步长；
确定模块， 用于根据所述顺垄方向的最优步长和所述垂直垄方向的最优 步长确定田间调查及田间管理的空间尺度。
进一步地， 所述预处理模块， 用于对所述遥感影像进行图像融合， 和 /或 对所述遥感影像进行辐射纠正， 和 /或对所述遥感影像进行大气纠正， 和 /或对 所述遥感影像进行几何纠正。
进一步地， 所述获取模块， 用于针对灌溉处理， 从所述预处理后的遥感 影像中获取归一化水分植被指数 NDWI和 /或植被水分吸收指数 WBI;针对施 肥管理， 从所述预处理后的遥感影像中获取比值植被指数 RVI和 /或绿色归一 化植被指数 GNDVI和 /或氮素反射指数 NRI和 /或光化学反射指数 PRI和 /或 改正型叶绿素吸收比值指数 MCARI和 /或叶绿素吸收指数 TCARI。
进一步地， 所述计算模块， 用于从所述预处理后的遥感影像中提取出待 处理地块。
进一步地， 所述构建模块， 用于根据以下公式构建出待处理地块内固定 步长的所有像元对的半方差变异函数： y( ) = -War [Z (xi ) - Z (xi + )] = -
Figure imgf000006_0001
m 其中， y(h)称为半方差变异函数， Ζ(Χι)为所述预处理后的遥感影像的像 元 Xi所对应的植被参数值， Z(Xi +h)则与像元 Xi距离为 h 的像元所对应的植 被参数值， l h k， k为预处理后的遥感影像的顺垄方向或垂直垄方向的 横断面像元总数的一半， m = n-h， n为预处理后的遥感影像的顺垄方向或垂 直垄方向的像元总数。
1
进一步地， 所述确定模块， 用于从 [ ah， ah]范围中任意选取一个数值作
1
垄方向的空间尺度， 从 [:^ν， av]范围中任意选取一个数值作为垂直垄方 向的空间尺度， 其中， av=hv x p， ah=hh xp， ah为顺垄方向的边界尺度， a 为垂直垄方向的边界尺度， hh为所述顺垄方向的最优步长， hv为所述垂直垄 方向的最优步长， p为所述预处理后的遥感影像的空间分辨率。 通过本发明提供的一种确定田间调查及田间管理的空间尺度的方法及系 统， 能够快速准确的确定出田间调查的适宜采样尺度及田间管理的适宜管理 尺度。
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是本发明一实施例提供的一种确定田间调查及田间管理的空间尺度 的方法流程图；
图 2是本发明一实施例提供的待处理地块的顺垄方向的半方差变异函数 拟合成的曲线；
图 3是本发明一实施例提供的待处理地块的垂直垄方向的半方差变异函 数拟合成的曲线；
图 4是本发明一实施例提供的一种确定田间调查及田间管理的空间尺度 的系统结构示意图。
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做出创造性劳动的前提下所 获得的所有其他实施例， 都属于本发明保护的范围。
精准农业变量管理决策需要精确获取农田作物长势信息的空间变化情 况， 目前针对农田土壤养分、 作物长势及相关环境因子空间变异情况调查多 是采用田间采样及实验室分析的方法， 受取样人力物力成本、 数据分析时间 等条件的限制， 采样点数量有限， 既无法真实反映农田中作物营养水平及长 势的空间变化， 也无法为精准农业变量管理提供最为有效的支持。 而盲目通 过增加采样密度来获取更加精细尺度田间作物长势及环境因子的空间特性， 不但会大大增加经济成本， 也会因实验室数据分析量过大产生数据滞后性， 无法满足田间农作管理的时间要求， 进而影响精准农业技术的大面积推广应 用。 现有技术中还没有确定区域范围内不同田间调查及田间管理的空间尺度 的方法。 为了解决上述技术问题， 本发明实施例提供了一种确定田间调查及 田间管理的空间尺度的方法， 参见图 1， 该方法包括：
S1 : 获取包含待处理地块的遥感影像并对所述遥感影像进行预处理得到 预处理后的遥感影像；
S2: 从所述预处理后的遥感影像中获取植被参数；
S3: 根据所述植被参数分别从顺垄方向和垂直垄方向构建出待处理地块 内固定步长的所有像元对的半方差变异函数；
S4: 计算出顺垄方向的半方差变异函数的一阶导数值小于第一预设阈值 时的顺垄方向的最小的固定步长， 计算出垂直垄方向的半方差变异函数的一 阶导数值小于第二预设阈值时的垂直垄方向的最小的固定步长， 其中， 所述 顺垄方向的最小的固定步长为顺垄方向的最优步长， 所述垂直垄方向的最小 的固定步长为垂直垄方向的最优步长；
S5: 根据所述顺垄方向的最优步长和所述垂直垄方向的最优步长确定田 间调查及田间管理的空间尺度。
通过本发明实施例提供的一种确定田间调查及田间管理的空间尺度的方 法， 能够快速准确的确定出田间调查及田间管理的适宜空间尺度。
其中， 第一预设阈值和第二预设阈值为不小于 0的接近于 0的数值， 可 以取值大于等于 0， 小于等于 0.001。
在步骤 S1中， 所述对所述遥感影像进行预处理， 包括： 对所述遥感影像 进行图像融合； 和 /或， 对所述遥感影像进行大气纠正； 和 /或， 对所述遥感影 像进行几何纠正。 在步骤 S1处理后可以得到地表反射率影像数据。
其中， 遥感影像包括： 高分卫星影像、 近地航空飞行影像数据、 无人机 影像数据等。 在本发明实施例提供的方法中， 需要对获取的遥感影像进行预 处理， 预处理包括： 图像融合、 辐射纠正、 大气纠正、 几何纠正等。 图像融 合是将低空间分辨率的多光谱影像或高光谱数据与高空间分辨率的单波段影 像重采样生成一副高分辨率多光谱影像遥感的图像处理技术， 使得处理后的 影像既有较高的空间分辨率， 又具有多光谱特征。 图像融合一般直接在采集 到的原始数据层上进行， 通用遥感图像处理软件一般都有相应的功能模块。 辐射纠正和大气纠正的目的是消除遥感影像获取时受到的传感器自身、大气、 太阳高度角等各种因素的影响， 获得地表真实反射率数据， 几何纠正是利用 地面控制点纠正各种因素引起的遥感影像的几何变形， 对遥感影像进行地理 坐标定位， 实现与标准图像、 地图以及标准矢量数据的几何整合， 几何纠正 可以通过相关专业软件的几何纠正功能实现。
对于不同时期的作物和不同的空间尺度的用途， 选择合适的植被参数进 行处理， 能够达到更好的效果。
在步骤 S2中， 具体包括： 针对灌溉处理， 从所述预处理后的遥感影像中 获取 NDWI ( Normalized Difference water Index, 归一化水分植被指数） 和 / 或 WBI (Water Band Index, 植被水分吸收指数）；
针对施肥管理， 从所述预处理后的遥感影像中获取 RVI(Ratio Vegetation Index, 比值植被指数)和 /或 GNDVI ( Green Normalized Difference Vegetation Index, 绿色归一化植被指数 )和 /或 NRI (Nitrogen Reflectance Index, 氮素反 射指数)和 /或 PRI (Photochemical reflectance index, 光化学反射指数） 和 /或 MCARI (Modified chlorophyll Absorption Ratio Index， 改正型叶绿素吸收比值 指数)和 /或 TCARI (Transformed Chlorophyll Absorption in Reflectance Index , 叶绿素吸收指数)。
另外， 在植被指数中， 通常选用对绿色植物 （叶绿素引起的） 强吸收的 可见光红波段和对绿色植物 （叶内组织引起的） 高反射的近红外波段。 这两 个波段不仅是植物光谱中的最典型的波段， 而且它们对同一生物物理现象的 光谱响应截然相反， 故它们的多种组合对增强或揭示隐含信息将是有利的。
作物在不同生育时期， 受环境因素及管理因素的影响， 植株生长发育状 态存在差异， 同时其整体空间变异情况也存在差异。
本发明针对具体农业管理决策措施 （施肥、 灌溉等） 需求， 结合农作物 生育期以及遥感数据波段设置特点， 选择不同光谱参数进行适宜空间尺度分 在作物生育早期， 植株个体较小， 土壤背景对作物长势光谱参数值影响 较大， 植被指数对农田作物长势信息的反映主要是其覆盖度的大小， 因此， 一般选择反映作物群体长势的光谱参数 ND VI ( Normalized Difference Vegetation Index, 归一化植被指数）， 或者选择能够降低土壤背景影响的植被 指数如 SAVI (Soil Adjusted Vegetation Index, 土壤调节植被指数）、 OSAVI (Optimized Soil Adjusted Vegetation Index, 优化土壤调节植被指数）、 MSAVI (Modified Soil-Adjusted Vegetation Index， 改正型土壤调节植被指数)等来进行 相关分析。
在作物生育中后期， 特别是作物封垄后， 则根据农业管理措施需求来选 择特定的光谱参数， 若进行施肥管理， 可以选择对作物氮素、 叶绿素变化比 较敏感的光谱参数如 RVI (Ratio Vegetation Index, 比值植被指数）、 GNDVI ( Green Normalized Difference Vegetation Index，绿色归一化植被指数 )、 NRI (Nitrogen Reflectance Index， 氮素反射指数)、 PRI (Photochemical reflectance index, 光化学反射指数)、 MCARI (Modified chlorophyll Absorption Ratio Index , 改正型叶绿素吸收比值指数）、 TCARI (Transformed Chlorophyll Absorption in Reflectance Index, 叶绿素吸收指数)等光谱参数； 若进行灌溉处 理， 则选择对植被水分变化比较敏感的植被指数如 NDWI ( Normalized Difference water Index, 归一化水分植被指数）、 WBI (Water Band Index, 植被 水分吸收指数)等来进行后续相关分析。
步骤 S3包括：根据以下公式构建出待处理地块内固定步长的所有像元对 的半方差变异函数：
Figure imgf000010_0001
y( ) = -War [Z (xi ) - Z (xi + )] = - 其中， y(h)称为半方差变异函数， Ζ(Χι)为所述预处理后的遥感影像的像 元 Xi所对应的植被参数值， Z(Xi + h)则与像元 Xi距离为 h 的像元所对应的植 被参数值， l h k， k为预处理后的遥感影像的顺垄方向或垂直垄方向的 横断面像元总数的一半， m = n-h， n为预处理后的遥感影像的顺垄方向或垂 直垄方向的像元总数。
在步骤 S2中获取了遥感影像的植被参数，在步骤 S3中，从 S2中获取的 植被参数提取出待处理地块中每个像元的植被参数值， 根据该植被参数值构 建出半方差变异函数。
步骤 S4包括： 从所述预处理后的遥感影像中提取出待处理地块。
其中， 提取出待处理地块可以利用遥感图像处理软件裁剪地块影像或利 用感兴趣区域勾画对应区域。
步骤 S4中获得了顺垄方向的最优步长和垂直垄方向的最优步长后，根据 最优步长可以计算出真实的地块中的空间尺度。 步骤 S5包括： 从 [ ah， ah]范围中任意选取一个数值作为顺垄方向的空 间尺度； 从 [ av， av]范围中任意选取一个数值作为垂直垄方向的空间尺度； 其中， av=hv x p， ah=hh x p， ah为顺垄方向的边界尺度， av为垂直垄方 向的边界尺度， hh为所述顺垄方向的最优步长， hv为所述垂直垄方向的最优 步长， p为所述预处理后的遥感影像的空间分辨率。
另外， 还可以通过以下方法得到空间尺度：
根据所述植被参数分别从顺垄方向和垂直垄方向计算出待处理地块内固 定步长的所有像元对的半方差变异函数值；
根据顺垄方向的半方差变异函数值拟合成一条光滑的连续曲线， 计算出 该曲线的变程， 该变程为顺垄方向的最优步长；
根据垂直垄方向的半方差变异函数值拟合成一条光滑的连续曲线， 计算 出该曲线的变程， 该变程为垂直垄方向的最优步长；
根据所述顺垄方向的最优步长和所述垂直垄方向的最优步长确定田间调 查及田间管理的空间尺度。
其中， 上述的连续曲线采用 y 轴表示平均方差， y(h)以遥感影像定标后 的亮度值单位来表示， X 轴表示不同的固定步长。 半方差变异函数是指两测 量点间差值方差的一半， 在一定范围内， 半方差变异函数值随固定步长的增 加而增加， 但超过一定距离时， 半方差变异函数值趋于稳定。 总基台值， 指 半方差函数随距离增大到一定程度时出现的平稳值， 表示系统的总变异。 基 台值是指总变异与块金值的差， 是由土壤母质、 气候等非人为因素引起的变 异。 变程为某种特性的最大相关距离， 它表示的是在一定观测尺度下， 空间 相关性的影响范围， 其大小与观测尺度有关。 当两观测点之间距离超过变程 时， 它们之间是独立的； 若小于变程， 它们之间具有空间相关性。 存在空间 相关关系时， 密集点对的差异应该很小， 一般而言， 点对间互相离得越远， 平方差就越大。 变程是样本具备空间自相关性的距离， 也就是说， 超出该距 离的变量只有很小的相关性或没有相关性， 该范围以内的地方数据有自相关 性， 以外的地方没有自相关性。 在农田调查中， 采样尺度如果大于变程， 就 无法正确反映农田信息的空间变异情况； 同理， 对于精准农业肥、 水、 农药 的变量管理来说， 该距离也是变量实施尺度的重要参考值， 实施的尺度应该 小于或等于该值， 才能保障变量实施有的放矢， 而大于该值会影响变量实施 的效果。
下面通过不同长势的冬小麦地块来详细说明本发明的一个实施例。
第一步： 获取高空间分辨率卫星遥感影像并对该遥感影像进行预处理； 其中， 通过高空间分辨率卫星获得的遥感影像中具有一个 0.61米空间分 辨率的全色波段图像， 一个 2.4米空间分辨率的四波段图像， 四个波段数据 包含了蓝光波段、 绿光波段、 红光波段以及近红外波段。 对该遥感影像进行 图像融合， 融合后进行大气纠正， 最终获得 0.61米空间分辨率地物地表反射 率影像。
第二步： 从预处理后的遥感影像中获取 NDVI; 其中， 根据冬小麦处于孕穗期的生育期特征， 以及遥感影像波段设置特 点， 本实施例选择 NDVI， 其中， 本实施例中的遥感影像的 NDVI是由其 B4 波段和 B3波段组合计算得到的， 公式如下所示：
NDVI = B4 ~ B3 ， 其中 B3为遥感影像第三波段， 也是红光波长对应的
B4 + B3 波段， B4为遥感影像第四波段， 也是近红外波长对应的波段。 第三步： 分别计算出顺垄方向的半方差变异函数和垂直垄方向的半方差 变异函数的一阶导数值小于预设阈值时的最小的固定步长， 其中， 所述两个 最小的固定步长分别为顺垄方向的最优步长和垂直垄方向的最优步长；
参见表 1， 表 1 为待处理地块的顺垄方向的半方差变异函数值和垂直垄 方向的半方差变异函数值， 其中， h为固定步长， H-r(h)为顺垄方向的半方差 变异函数值， V-r(h)为垂直垄方向的半方差变异函数值。
表 1
Figure imgf000013_0001
12 0.000539301 0.000525490 37 0.000745283 0.000833263
13 0.000560712 0.000557706 38 0.000752589 0.000852705
14 0.000582687 0.000585750 39 0.000760142 0.000872802
15 0.000604525 0.000611460 40 0.000768228 0.000891542
16 0.000626889 0.000633982 41 0.000767833 0.000904760
17 0.000638563 0.000652502 42 0.000767706 0.000916600
18 0.000650688 0.000665327 43 0.000767812 0.000928720
19 0.000663117 0.000676733 44 0.000768070 0.000941256
20 0.000676065 0.000684861 45 0.000765336 0.000943406
21 0.000678005 0.000692038 46 0.000762756 0.000945951
22 0.000680430 0.000692519 47 0.000760371 0.000949006
23 0.000683006 0.000692893 48 0.000758116 0.000950671
24 0.000685985 0.000693740 49 0.000754206 0.000948334
25 0.000683428 0.000694486 50 0.000750461 0.000945341 第四步： 根据垂直垄方向的半方差变异函数值拟合成一条光滑的连续曲 线， 计算出该曲线的变程， 该变程为垂直垄方向的最优步长； 参见图 2， 图 2 为待处理地块的顺垄方向的半方差变异函数拟合成的曲线。
根据垂直垄方向的半方差变异函数值拟合成一条光滑的连续曲线， 计算 出该曲线的变程， 该变程为垂直垄方向的最优步长， 参见图 3， 图 3 为待处 理地块的垂直垄方向的半方差变异函数拟合成的曲线。
其中， 第一预设阈值为 0.000002， 第二预设阈值为 0.00000038。
参见表 2， 表 2为待处理地块的顺垄方向的半方差变异函数和垂直垄方 向的半方差变异函数的一阶导数表， 其中， h为固定步长， H-r'(h)为顺垄方向 的半方差变异函数值， V-r'(h)为垂直垄方向的半方差变异函数值。 3/:/ O 9s2/-osl£ 9s£62ssiAV
Figure imgf000015_0001
21 0.000002426 0.000000481 46 -0.000002385 0.000003055
22 0.000002576 0.000000374 47 -0.000002255 0.000001665
23 0.000002979 0.000000847 48 -0.00000391 -0.000002337
24 -0.000002556 0.000000745 49 -0.000003745 -0.000002993
25 -0.000002457 0.000001079 50 -0.000003518 -0.000002658 从表 2中可以得出， 顺垄方向的最优步长为 20， 垂直垄方向的最优步长 为 22。
第五步： 根据所述顺垄方向的最优步长和所述垂直垄方向的最优步长确 定田间调查及田间管理的空间尺度。
其中， 上述的遥感影像的空间分辨率位 0.61m，
av=22*0.61m=13.42m;
ah=20*0.61m=12.20m。
— a =6.71m;
2 v
— a. =6.10m。
2 h
可以选择 6.71m和 6.10m作为最优空间尺度， 以顺垄方向上和垂直垄方 向上以 6.71*6.10 米的间隔进行农田信息采集及变量实施， 是最优的选择， 考虑到成本及具体田间管理操作限制， 以垂直垄方向 6.71米 一 13.42米 、 顺垄方向 6.10米 一 12.20米的空间间隔， 均可满足目标地块的调查及生产 需求， 超过 13.42*12.20米空间尺度的采样及管理， 可能产生一定误差， 尺度 越大， 产生的误差越大。
本发明实施例提供了一种确定田间调查及田间管理的空间尺度的系统， 参见图 4， 该系统包括：
预处理模块 401， 用于获取包含待处理地块的遥感影像并对所述遥感影 像进行预处理得到预处理后的遥感影像；
获取模块 402， 用于从所述预处理后的遥感影像中获取植被参数； 构建模块 403， 根据所述获取模块获取的植被参数分别从顺垄方向和垂 直垄方向构建出待处理地块内固定步长的所有像元对的半方差变异函数； 计算模块 404， 用于计算出顺垄方向的半方差变异函数的一阶导数值小 于第一预设阈值时的顺垄方向的最小的固定步长， 并计算出垂直垄方向的半 方差变异函数的一阶导数值小于第二预设阈值时的垂直垄方向的最小的固定 步长， 其中， 所述顺垄方向的最小的固定步长为顺垄方向的最优步长， 所述 垂直垄方向的最小的固定步长为垂直垄方向的最优步长；
确定模块 405， 用于根据所述顺垄方向的最优步长和所述垂直垄方向的 最优步长确定田间调查及田间管理的空间尺度。
所述预处理模块 401， 用于对所述遥感影像进行图像融合， 和 /或对所述 遥感影像进行辐射纠正， 和 /或对所述遥感影像进行大气纠正， 和 /或对所述遥 感影像进行几何纠正。
所述获取模块 402， 用于针对灌溉处理， 从所述预处理后的遥感影像中 获取 NDWI和 /或 WBI; 针对施肥管理， 从所述预处理后的遥感影像中获取 RVI和 /或 GNDVI和 /或 NRI和 /或 PRI和 /或 MCARI和 /或 TCARI。
所述计算模块 404， 用于从所述预处理后的遥感影像中提取出待处理地 块。
所述构建模块 403， 用于根据以下公式构建出待处理地块内固定步长的 所有像元对的半方差变异函数： y( ) = -War [Z (xi ) - Z (xi + )] = -
Figure imgf000017_0001
m 其中， y(h)称为半方差变异函数， Ζ(Χι)为所述预处理后的遥感影像的像 元 所对应的植被参数值， Z(Xi +h)则与像元 距离为 h 的像元所对应的植 被参数值， l h k， k为预处理后的遥感影像的顺垄方向或垂直垄方向的 横断面像元总数的一半， m = n-h， n为预处理后的遥感影像的顺垄方向或垂 直垄方向的像元总数。 所述确定模块 405， 用于从 [ ah， ah]范围中任意选取一个数值作为顺垄 方向的空间尺度， 从 [ av， av]范围中任意选取一个数值作为垂直垄方向的空 间尺度， 其中， av =hv x p， ah =hh x p， ah为顺垄方向的边界尺度， av为垂直 垄方向的边界尺度， hh为所述顺垄方向的最优步长， hv为所述垂直垄方向的 最优步长， p为所述预处理后的遥感影像的空间分辨率。
上述设备内的各模块、 子模块之间的信息交互、 执行过程等内容， 由于 与本发明方法实施例基于同一构思， 具体内容可参见本发明方法实施例中的 叙述， 此处不再赘述。
本发明实施例提出的技术方案充分考虑农田内作物长势与农田土壤特 性、 农田地下水文条件、 农业耕作水平等密切相关， 具有复杂空间变异性的 特点， 利用了遥感影像能够瞬时、 无损的获取大范围 "面状" 地物光谱信息 的特点， 充分挖掘遥感影像作物长势遥感信息， 在区、 县等较大尺度上， 实 现了针对农田地块的快速、 准确、 实时的作物长势空间变异特征的提取， 同 时给出不同田块农田信息调查及变量实施的适宜空间尺度， 在地提高工作效 率， 减轻工作强度的同时， 也有效地提高作物长势田间调查的准确性与精度， 同时， 对于精准农业信息获取及变量实施在区域范围内大面积推广， 具有重 要意义。
需要说明的是， 在本文中， 诸如第一和第二之类的关系术语仅仅用来将 一个实体或者操作与另一个实体或操作区分开来， 而不一定要求或者暗示这 些实体或操作之间存在任何这种实际的关系或者顺序。 而且， 术语 "包括"、 "包含" 或者其任何其他变体意在涵盖非排他性的包含， 从而使得包括一系 列要素的过程、 方法、 物品或者设备不仅包括那些要素， 而且还包括没有明 确列出的其他要素， 或者是还包括为这种过程、 方法、 物品或者设备所固有 的要素。 在没有更多限制的情况下， 由语句 "包括一个 · · · · · ·" 限定的要素， 并不排除在包括所述要素的过程、 方法、 物品或者设备中还存在另外的相同 因素。
本领域普通技术人员可以理解： 实现上述方法实施例的全部或部分步骤 可以通过程序指令相关的硬件来完成， 前述的程序可以存储在计算机可读取 的存储介质中， 该程序在执行时， 执行包括上述方法实施例的步骤； 而前述 的存储介质包括： ROM、 RAM, 磁碟或者光盘等各种可以存储程序代码的介 质中。
最后需要说明的是： 以上所述仅为本发明的较佳实施例， 仅用于说明本 发明的技术方案， 并非用于限定本发明的保护范围。 凡在本发明的精神和原 则之内所做的任何修改、 等同替换、 改进等， 均包含在本发明的保护范围内。

Claims

权利要求
1、 一种确定田间调查及田间管理的空间尺度的方法， 其特征在于， 该方 法包括：
S1: 获取包含待处理地块的遥感影像并对所述遥感影像进行预处理得到 预处理后的遥感影像；
S2: 从所述预处理后的遥感影像中获取植被参数；
S3: 根据所述植被参数分别从顺垄方向和垂直垄方向构建出待处理地块 内固定步长的所有像元对的半方差变异函数；
S4: 计算出顺垄方向的半方差变异函数的一阶导数值小于第一预设阈值 时的顺垄方向的最小的固定步长， 计算出垂直垄方向的半方差变异函数的一 阶导数值小于第二预设阈值时的垂直垄方向的最小的固定步长， 其中， 所述 顺垄方向的最小的固定步长为顺垄方向的最优步长， 所述垂直垄方向的最小 的固定步长为垂直垄方向的最优步长；
S5: 根据所述顺垄方向的最优步长和所述垂直垄方向的最优步长确定田 间调查及田间管理的空间尺度。
2、 根据权利要求 1所述的方法， 其特征在于， 所述对所述遥感影像进行 预处理， 包括：
对所述遥感影像进行图像融合；
和 /或， 对所述遥感影像进行辐射纠正；
和 /或， 对所述遥感影像进行大气纠正；
和 /或， 对所述遥感影像进行几何纠正。
3、 根据权利要求 1所述的方法， 其特征在于， 所述 S2包括：
针对灌溉处理， 从所述预处理后的遥感影像中获取归一化水分植被指数 NDWI和 /或植被水分吸收指数 WBI;
针对施肥管理，从所述预处理后的遥感影像中获取比值植被指数 RVI和 / 或绿色归一化植被指数 GNDVI和 /或氮素反射指数 NRI和 /或光化学反射指数 PRI和 /或改正型叶绿素吸收比值指数 MCARI和 /或叶绿素吸收指数 TCARL
4、 根据权利要求 1所述的方法， 其特征在于， 所述 S4包括：
从所述预处理后的遥感影像中提取出待处理地块。
5、 根据权利要求 1所述的方法， 其特征在于， 所述 S3包括：
据以下公式构建出待处理地块内固定步长的所有像元对的半方差变异
Figure imgf000021_0001
其中， y(h)称为半方差变异函数， Ζ(Χι)为所述预处理后的遥感影像的像 元 Xi所对应的植被参数值， Z(Xi + h)则与像元 Xi距离为 h 的像元所对应的植 被参数值， l h k， k为预处理后的遥感影像的顺垄方向或垂直垄方向的 横断面像元总数的一半， m = n-h， n为预处理后的遥感影像的顺垄方向或垂 直垄方向的像元总数。
6、 根据权利要求 1所述的方法， 其特征在于， 所述 S5包括：
-ah , ah ]范围中任意选取一个数值作为顺垄方向的空间尺度;
1
从 [ av， av]范围中任意选取一个数值作为垂直垄方向的空间尺度； 其中， av=hv x p， ah=hh x p， ah为顺垄方向的边界尺度， &¥为垂直垄 向的边界尺度， hh为所述顺垄方向的最优步长， 为所述垂直垄方向的最 步长， p为所述预处理后的遥感影像
7、 一种确定田间调查及田间管理的空间尺度 ,， 其特征在于， 该系
Figure imgf000021_0002
预处理模块， 用于获取包含待处理地块的遥感影像并对所述遥感影像进 行预处理得到预处理后的遥感影像；
获取模块， 用于从所述预处理后的遥感影像中获取植被参数；
构建模块， 根据所述获取模块获取的植被参数分别从顺垄方向和垂直垄 方向构建出待处理地块内固定步长的所有像元对的半方差变异函数； 计算模块， 用于计算出顺垄方向的半方差变异函数的一阶导数值小于第 一预设阈值时的顺垄方向的最小的固定步长， 并计算出垂直垄方向的半方差 变异函数的一阶导数值小于第二预设阈值时的垂直垄方向的最小的固定步 长， 其中， 所述顺垄方向的最小的固定步长为顺垄方向的最优步长， 所述垂 直垄方向的最小的固定步长为垂直垄方向的最优步长；
确定模块， 用于根据所述顺垄方向的最优步长和所述垂直垄方向的最优 步长确定田间调查及田间管理的空间尺度。
8、 根据权利要求 7所述的系统， 其特征在于， 所述预处理模块， 用于对 所述遥感影像进行图像融合， 和 /或对所述遥感影像进行辐射纠正， 和 /或对所 述遥感影像进行大气纠正， 和 /或对所述遥感影像进行几何纠正。
9、 根据权利要求 7所述的系统， 其特征在于， 所述获取模块， 用于针对 灌溉处理， 从所述预处理后的遥感影像中获取归一化水分植被指数 NDWI和 /或植被水分吸收指数 WBI; 针对施肥管理， 从所述预处理后的遥感影像中获 取比值植被指数 RVI和 /或绿色归一化植被指数 GNDVI和 /或氮素反射指数 NRI和 /或光化学反射指数 PRI和 /或改正型叶绿素吸收比值指数 MCARI和 / 或叶绿素吸收指数 TCARI。
10、 根据权利要求 7所述的系统， 其特征在于， 所述计算模块， 用于从 所述预处理后的遥感影像中提取出待处理地块。
11、 根据权利要求 7所述的系统， 其特征在于， 所述构建模块， 用于根 据以下公式构建出待处理地块内固定步长的所有像元对的半方差变异函数： y( ) = -War [Z (xi ) - Z (xi + )] = -
Figure imgf000022_0001
m 其中， y(h)称为半方差变异函数， Ζ(Χι)为所述预处理后的遥感影像的像 元 Xi所对应的植被参数值， Z(Xi +h)则与像元 Xi距离为 h 的像元所对应的植 被参数值， l h k， k为预处理后的遥感影像的顺垄方向或垂直垄方向的 横断面像元总数的一半， m = n-h， n为预处理后的遥感影像的顺垄方向或垂 直垄方向的像元总数。
12、 根据权利要求 7所述的系统， 其特征在于， 所述确定模块， 用于从
[^ah, ah]范围中任意选取一个数值作为顺垄方向的空间尺度， 从 av， av] 范围中任意选取一个数值作为垂直垄方向的空间尺度， 其中， av=hvxp， ah=hhxp， ah为顺垄方向的边界尺度， av为垂直垄方向的边界尺度， hh为所 述顺垄方向的最优步长， hv为所述垂直垄方向的最优步长， p 为所述预处理 后的遥感影像的空间分辨率。
PCT/CN2014/076356 2014-03-18 2014-04-28 一种确定田间调查及田间管理的空间尺度的方法及系统 WO2015139356A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201410101396.9A CN103914755A (zh) 2014-03-18 2014-03-18 一种确定田间调查及田间管理的空间尺度的方法及系统
CN201410101396.9 2014-03-18

Publications (1)

Publication Number Publication Date
WO2015139356A1 true WO2015139356A1 (zh) 2015-09-24

Family

ID=51040419

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2014/076356 WO2015139356A1 (zh) 2014-03-18 2014-04-28 一种确定田间调查及田间管理的空间尺度的方法及系统

Country Status (2)

Country Link
CN (1) CN103914755A (zh)
WO (1) WO2015139356A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629818A (zh) * 2018-04-27 2018-10-09 福州大学 一种大范围不透水面百分比变化量快速制图技术
CN109712110A (zh) * 2018-11-20 2019-05-03 北京农业智能装备技术研究中心 一种基于机器视觉的作物实时耗水量监测方法和装置
CN113177512A (zh) * 2021-05-20 2021-07-27 国家卫星气象中心(国家空间天气监测预警中心) 一种星星间交叉辐射定标的匹配阈值分析方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106918816B (zh) * 2017-03-21 2019-08-02 中国科学院遥感与数字地球研究所 农作物长势监测系统及其数据处理方法和模块
CN109541172B (zh) * 2018-10-25 2019-12-17 北京农业信息技术研究中心 土壤属性值的计算方法及装置
CN111222804B (zh) * 2020-01-16 2023-11-07 西北农林科技大学 一种小麦施肥方案推荐方法、装置及系统
CN112393714B (zh) * 2020-11-25 2022-09-27 国网安徽省电力有限公司电力科学研究院 一种基于无人机航拍与卫星遥感融合的影像校正方法
CN113284139B (zh) * 2021-06-28 2023-10-27 南京信息工程大学 一种基于周期性变异函数的快速估计地物空间格局的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1505794A (zh) * 2001-02-28 2004-06-16 μ 用于农田的计算机定位施肥
CN101546421A (zh) * 2009-04-01 2009-09-30 河北农业大学 一种基于gis的省域可比耕地质量评价方法
CN102982486A (zh) * 2012-11-14 2013-03-20 北京农业信息技术研究中心 一种基于作物长势遥感监测信息的施肥决策方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8781869B2 (en) * 2008-05-30 2014-07-15 International Business Machines Corporation Determining estimation variance associated with project planning
CN101609148B (zh) * 2009-07-08 2011-04-06 北京农业信息技术研究中心 遥感影像数据处理和发布的方法
CN101699315B (zh) * 2009-10-23 2012-04-25 北京农业信息技术研究中心 一种作物长势均匀度的监测装置和方法
CN102645350B (zh) * 2012-03-08 2013-11-13 浙江大学 基于高分卫星遥感数据的土壤采样方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1505794A (zh) * 2001-02-28 2004-06-16 μ 用于农田的计算机定位施肥
CN101546421A (zh) * 2009-04-01 2009-09-30 河北农业大学 一种基于gis的省域可比耕地质量评价方法
CN102982486A (zh) * 2012-11-14 2013-03-20 北京农业信息技术研究中心 一种基于作物长势遥感监测信息的施肥决策方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629818A (zh) * 2018-04-27 2018-10-09 福州大学 一种大范围不透水面百分比变化量快速制图技术
CN109712110A (zh) * 2018-11-20 2019-05-03 北京农业智能装备技术研究中心 一种基于机器视觉的作物实时耗水量监测方法和装置
CN113177512A (zh) * 2021-05-20 2021-07-27 国家卫星气象中心(国家空间天气监测预警中心) 一种星星间交叉辐射定标的匹配阈值分析方法
CN113177512B (zh) * 2021-05-20 2024-04-05 国家卫星气象中心(国家空间天气监测预警中心) 一种星星间交叉辐射定标的匹配阈值分析方法

Also Published As

Publication number Publication date
CN103914755A (zh) 2014-07-09

Similar Documents

Publication Publication Date Title
Hunt Jr et al. What good are unmanned aircraft systems for agricultural remote sensing and precision agriculture?
Basso et al. Review of crop yield forecasting methods and early warning systems
Jorge et al. Detection of irrigation inhomogeneities in an olive grove using the NDRE vegetation index obtained from UAV images
WO2015139356A1 (zh) 一种确定田间调查及田间管理的空间尺度的方法及系统
Walter et al. Photogrammetry for the estimation of wheat biomass and harvest index
Benincasa et al. Reliability of NDVI derived by high resolution satellite and UAV compared to in-field methods for the evaluation of early crop N status and grain yield in wheat
Simic Milas et al. The importance of leaf area index in mapping chlorophyll content of corn under different agricultural treatments using UAV images
Agüera et al. Measuring sunflower nitrogen status from an unmanned aerial vehicle-based system and an on the ground device
Zhu et al. Estimating leaf chlorophyll content of crops via optimal unmanned aerial vehicle hyperspectral data at multi-scales
Dobrowski et al. Grapevine dormant pruning weight prediction using remotely sensed data
Qiu et al. Estimation of nitrogen nutrition index in rice from UAV RGB images coupled with machine learning algorithms
Abdullahi et al. Technology impact on agricultural productivity: A review of precision agriculture using unmanned aerial vehicles
Shang et al. Mapping spatial variability of crop growth conditions using RapidEye data in Northern Ontario, Canada
Andrade-Sanchez et al. Development and evaluation of a field-based high-throughput phenotyping platform
CN105678281B (zh) 基于光谱和纹理特征的地膜覆盖农田遥感监测方法
Sharifi Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images
Shapira et al. Field spectroscopy for weed detection in wheat and chickpea fields
Elsayed et al. Passive reflectance sensing and digital image analysis allows for assessing the biomass and nitrogen status of wheat in early and late tillering stages
He et al. Retrieval of leaf area index in alpine wetlands using a two-layer canopy reflectance model
Willkomm et al. Non-destructive monitoring of rice by hyperspectral in-field spectrometry and UAV-based remote sensing: Case study of field-grown rice in North Rhine-Westphalia, Germany
CN111028096A (zh) 一种天、空、地一体化数据融合的系统和方法
Liu et al. Application of UAV-retrieved canopy spectra for remote evaluation of rice full heading date
Zheng et al. Using high spatial and temporal resolution data blended from SPOT-5 and MODIS to map biomass of summer maize
Tsukaguchi et al. Estimation of spikelet number per area by UAV-acquired vegetation index in rice (Oryza sativa L.)
Poenaru et al. Monitoring vegetation phenology in the Braila Plain using Sentinel 2 data.

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14886160

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14886160

Country of ref document: EP

Kind code of ref document: A1