基于质量评估的草种种植监控方法及系统与流程

本技术属于种植监控领域，具体的说是基于质量评估的草种种植监控方法及系统。

背景技术：

1、在草地生态恢复、人工草场建植及水土保持工程中，牧草或草本植物的高效建植与均匀覆盖是核心目标。传统的播种技术普遍采用均匀行播或撒播模式，即在整个种植区域内采用固定的株行距或单位面积播量。这种一刀切的种植方式假设田块内所有微生境的光、热、水、肥及土壤物理性质是均一的。

2、然而，在实际自然条件下，田块内部存在显著的空间异质性。地形起伏（如坡顶与洼地）、土壤压实度、水分入渗率以及养分分布的差异，导致不同网格单元内的植物所承受的生长胁迫截然不同。具体表现为：地形与土壤胁迫的不均一：在土壤紧实度高的区域（如机械压实带），根系穿透阻力大，水分渗透慢，植物易受干旱与机械阻力双重胁迫；在低洼积水区，植物则面临缺氧胁迫。传统的均匀播种无法针对这类物理环境差异进行播量调节，导致苗期长势参差不齐。种间竞争动态的复杂性：在多物种混播系统中，由于不同草种的萌发速率、侵占能力及根系深度存在差异，相邻植物间的竞争关系呈动态变化。均匀播种忽略了竞争强度随植株生长而演变的时空特征，导致优势种迅速侵占弱势种的空间，形成强者愈强、弱者愈弱的斑块化分布，最终降低草群的整体覆盖度与整齐度。

3、现有技术在解决上述问题时，主要依赖于土壤养分或水分的精确调控（如变量施肥灌溉），但鲜有从播种几何结构（即种植间距）的角度，去主动适应微生境胁迫差异。同时，现有播种决策多为静态（播前设定），缺乏根据植物生长过程中表现出的株高变异与覆盖纹理动态反馈、实时优化间距的能力。

技术实现思路

1、针对现有技术的不足，本技术提出了基于质量评估的草种种植监控方法及系统。

2、为实现上述目的，本技术提供如下技术方案：

3、基于质量评估的草种种植监控方法，其包括以下具体步骤：

4、步骤s1：获取目标种植区域的地形地貌数据和土壤理化数据，并基于所述地形地貌数据和土壤理化数据，通过构建生长应力指数模型，生成每个网格单元的生长应力指数；

5、步骤s2：获取目标草种与伴生草种的历史竞争参数，并基于实时采集的竞争区域植被光谱影像，通过种间竞争识别模型动态更新所述历史竞争参数，生成每个网格单元的实时竞争系数；

6、步骤s3：基于所述生长应力指数和所述实时竞争系数，构建草种生长均匀性预测模型，所述生长均匀性预测模型以预设的种植间距矩阵为输入，以预测的株高变异系数和覆盖度纹理熵为输出；

7、步骤s4：设定目标均匀性阈值，以所述目标均匀性阈值为约束条件，以最小化预测株高变异系数与目标均匀性阈值之间的偏差为优化目标，通过逆向求解优化算法，生成每个网格单元的最优种植间距矩阵；

8、步骤s5：根据所述最优种植间距矩阵，控制智能播种设备执行变距播种。

9、优选地，所述获取目标种植区域的地形地貌数据和土壤理化数据，并基于所述地形地貌数据和土壤理化数据，通过构建生长应力指数模型，生成每个网格单元的生长应力指数包括以下具体步骤：

10、s11、根据智能播种设备的作业幅宽和定位精度，将目标种植区域离散化为若干个大小一致的正方形网格单元，获取目标种植区域的地形地貌数据，其中，地形地貌数据包括坡度、坡向、地形湿度指数、地表曲率和地形粗糙度；

11、s12、获取目标种植区域的土壤理化数据，包括土壤酸碱度、土壤容重和养分含量；

12、s13、采用层次分析法或基于历史种植数据的梯度提升树特征重要性排序，确定各归一化地形因子和土壤因子对草种苗期存活和初期生长的贡献权重，对每个网格单元，将其包含的归一化后的地形地貌数据和土壤理化数据组成向量，加权求和后得到生长应力指数，在0到1之间，0代表毫无环境限制，1代表极端限制，值越接近1，表征该微生境对目标草种的萌发和苗期生长构成的综合环境限制越强，需要采取较低的播种密度或辅助改良措施来保证存活，值越接近0，则环境条件优越，可采用常规密度。

13、优选地，所述获取目标草种与伴生草种的历史竞争参数，并基于实时采集的竞争区域植被光谱影像，通过种间竞争识别模型动态更新所述历史竞争参数，生成每个网格单元的实时竞争系数包括以下具体步骤：

14、s21、从草种生态数据库和当地历史种植档案中，获取目标草种与区域内主要伴生草种的基础竞争参数，基础竞争参数描述了两个物种在无外界干预下对光、水、养分的竞争能力差异，基础竞争参数包括相对竞争指数、资源吸收系数比，其中，相对竞争指数为伴生草种相对于目标草种的单位个体或单位生物量竞争抑制效应，基于密度梯度试验或种间替代试验测定的，即每株伴生草对目标草生长速率的削减量；资源吸收系数比为分别针对光截获、氮素吸收和水分利用给出的伴生草种与目标草种的最大吸收速率之比，通过实验得到；为每个伴生草种构建一个初始参数向量，包括氮、水吸收系数比；

15、s22、在目标草种播种后，从出苗初期开始，按预设时间节点对种植区进行低空多光谱影像采集。无人机搭载传感器包含以下波段：绿光（550nm）、红光（660nm）、红边（730nm）和近红外（800nm），空间分辨率优于2cm，确保能清晰地分辨幼苗个体或微小斑块，通过实时运动定位和图像拼接算法，生成整个目标区域的正射镶嵌影像，利用步骤s1中的网格划分，将镶嵌影像精确分割为与生长应力指数单元一一对应的网格单元，每个单元提取其多光谱反射率向量；

16、s23、种间竞争识别模型的构建，构建一个基于深度语义分割的种间竞争识别模型，用以从每期影像中高精度地区分目标草种、伴生草种和裸地，识别模型在每次获取新影像后自动运行，生成当期的物种空间分布与盖度矢量，基于更新后的参数和当期影像提取的物种组成，为每个网格单元计算一个综合的实时竞争系数，实时竞争系数的计算，对于任意网格单元在各期影像时刻，遍历检测到的所有伴生草，对第k种伴生草，将其预设的危害权重、由其投影盖度与自身盖度加目标草盖度再加微小量ε之和的比值所表示的相对优势度、有效抑制系数以及根据目标草当前所处苗期、分蘖期或拔节期；对应苗期、分蘖期或拔节期分别取大于1、等于1或小于1的生育期调节因子四者连乘，得到该种伴生草的竞争贡献分项，将全部m种伴生草的分项值累加，并对累加结果进行归一化处理，使其值域映射至[0,1]区间，当网格单元内无任何伴生草时则直接令该系数为0，最终所得即为表征当前时刻该单元种间竞争强度的实时竞争系数；相对优势度的计算，对于任意网格单元和当前影像时刻，利用种间竞争识别模型从多光谱影像中统计出该单元内目标草的投影覆盖比例，以及第k种伴生草的投影覆盖比例，用第k种伴生草的覆盖比例作为分子，分母则为该伴生草的覆盖比例、目标草的覆盖比例以及一个极小的正数常数三者之和，反映了第k种伴生草在当前时刻、当前微生境下所占的植被相对面积优势，数值越接近1，说明该伴生草在总植被盖度中越占主导地位；有效抑制系数的计算，取相对竞争指数作为基础抑制能力，乘以自然常数e为底的幂次项，幂次为预先通过时差控制试验获得的萌发时差敏感度参数乘以该伴生草与目标草的实际出土时间差，时间差以伴生草早于目标草出土的天数为正值，表征了考虑萌发先后时序后该伴生草对目标草的个体压制强度，直接代入实时竞争系数的计算中，竞争系数被归一化至[0,1]区间，1表示该网格单元内种间竞争极度激烈，对目标草生长构成严重压制，0表示无伴生草竞争。

17、优选地，所述基于所述生长应力指数和所述实时竞争系数，构建草种生长均匀性预测模型，所述生长均匀性预测模型以预设的种植间距矩阵为输入，以预测的株高变异系数和覆盖度纹理熵为输出包括以下具体步骤：

18、s31、构建一个以生长应力指数和实时竞争系数为自变量、以草种群体生长均匀性指标为因变量的预测模型，模型的训练数据来源于历史种植试验或前期示范区的实测积累；

19、s32、将种植间距因素以初始株距校正函数的形式嵌入预测模型中，定义每个网格单元的预设种植间距，即相邻播种穴的中心距，构建株距影响函数，该函数反映种植间距对生长均匀性的独立调节作用，根据密度-均匀性的农学规律，间距越大，个体间种内竞争越弱，株高变异系数和纹理熵通常越低；将株距影响函数叠加到预测方程中，得到完整的预测模型：对于任意网格单元，给定其生长应力指数、实时竞争系数以及候选种植间距，即可同时预测该单元在目标生育期的株高变异系数和覆盖度纹理熵；所有网格单元的预测结果可拼合生成整个种植区域的均匀性预测分布图，作为步骤s4中逆向求解最优种植间距矩阵的输入。

20、优选地，所述设定目标均匀性阈值，以所述目标均匀性阈值为约束条件，以最小化预测株高变异系数与目标均匀性阈值之间的偏差为优化目标，通过逆向求解优化算法，生成每个网格单元的最优种植间距矩阵包括以下具体步骤：

21、s41、根据种植项目的质量标准，设定目标均匀性阈值，阈值包含两个独立的指标界限：目标株高变异系数阈值：定义为可接受的株高变异系数上限，表示期望全田目标草种的株高变异程度不超过该百分比；该值可根据草种类型和用途调整，如用于水土保持的固土草种可适当放宽至0.20，用于景观草坪的观赏草种则需收紧至0.10；目标覆盖度纹理熵阈值：定义为可接受的覆盖度纹理熵上限，阈值的具体数值需根据目标草种在理想生长状态下的覆盖度影像预先标定。标定方法为：在无胁迫、无竞争的标准化小区中，采集目标草在相同生育期的垂直冠层影像，计算其覆盖度纹理熵，取该基准值上浮一定比例（如20%）作为目标覆盖度纹理熵阈值，这两个阈值共同构成均匀性质量验收的双重标准；

22、s42、每个网格单元的种植间距，其取值受限于播种设备可执行的物理间距范围，目标函数为全田各网格单元的预测株高变异系数与目标均匀性阈值偏差的平方和，同时可附加覆盖度纹理熵的偏差项，约束项为：每个网格单元的种植间距不得低于播种设备机械结构允许的最小物理间距，且不得高于当前播种作物品种在该区域历史经验或农艺手册中允许的最大推荐间距，该范围由步骤s1中的播种设备参数与作物品种特性提前确定；优化后的预测株高变异系数和预测覆盖度纹理熵，均不得高于步骤s3中基于初始均匀间距（如全田统一株距）计算得到的对应初始预测值。即，优化不能使任一指标劣化；当连续若干次迭代优化后，目标函数的总目标值下降幅度低于预设的收敛容差（如0.1%），或达到预设的最大迭代次数，则停止优化；

23、s43、通过采用分层递进的搜索策略来进行参数优化；

24、s44、全局协同优化结束后，得到最终最优种植间距。该矩阵与步骤s1定义的网格单元一一对应，对每个网格单元的取值即为在该微生境条件、播种设备物理约束和种间竞争条件下，执行的最优播种株距。将最优种植间距编码为与智能播种设备兼容的作业处方文件，该文件包含每个网格单元的行列号、中心点经纬度坐标以及对应的目标株距值。该处方文件即为连接决策模型与执行终端的指令，可由步骤s5读取并控制播种设备完成变株距作业。

25、优选地，所述根据所述最优种植间距矩阵，控制智能播种设备执行变距播种包括以下具体步骤：

26、根据所述最优种植间距矩阵，控制智能播种设备执行变距播种；在播种后的预设时间节点，采集返青期植被覆盖度影像，计算实测均匀性指标，若实测均匀性指标低于所述目标均匀性阈值，则启动反馈校正机制，基于当前实测数据重新执行步骤s1至步骤s4，生成补播间距矩阵，并控制补播设备完成补播。

27、基于质量评估的草种种植监控系统，其基于上述所述基于质量评估的草种种植监控方法实现，其具体包括：

28、生长应力分析模块，用于获取目标种植区域的地形地貌数据和土壤理化数据，并基于所述地形地貌数据和土壤理化数据，通过构建生长应力指数模型，生成每个网格单元的生长应力指数；

29、竞争识别模块，用于获取目标草种与伴生草种的历史竞争参数，并基于实时采集的竞争区域植被光谱影像，通过种间竞争识别模型动态更新所述历史竞争参数，生成每个网格单元的实时竞争系数；

30、预测模块，用于基于所述生长应力指数和所述实时竞争系数，构建草种生长均匀性预测模型，所述生长均匀性预测模型以预设的种植间距矩阵为输入，以预测的株高变异系数和覆盖度纹理熵为输出；

31、种植间距分析模块，设定目标均匀性阈值，以所述目标均匀性阈值为约束条件，以最小化预测株高变异系数与目标均匀性阈值之间的偏差为优化目标，通过逆向求解优化算法，生成每个网格单元的最优种植间距矩阵；

32、控制模块，根据所述最优种植间距矩阵，控制智能播种设备执行变距播种。

33、一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；

34、所述处理器通过调用所述存储器中存储的计算机程序，执行上述基于质量评估的草种种植监控方法。

35、一种计算机可读存储介质，其特征在于，储存有指令，当所述指令在计算机上运行时，使得计算机执行上述的基于质量评估的草种种植监控方法。

36、与现有技术相比，本技术的有益效果是：通过将田块划分为网格单元，并综合地形、土壤应力与种间竞争动态量化每个微生境的生长胁迫，进而以株高变异系数和覆盖度纹理熵为双目标构建预测模型，逆向优化出每个网格的最优种植间距，摒弃了传统均匀播种模式，实现了基于微生境差异的精准变距种植，不仅最大化利用了空间资源，还通过全链条动态闭环保证了系统对抗外部扰动的自适应能力，最终显著提升了草群生长的整齐度与覆盖均匀性。