基于多光谱遥感的农田土壤墒情与肥力智能监测系统的制作方法
本发明涉及农业信息管理与定量遥感,尤其涉及一种基于多光谱遥感的农田土壤墒情与肥力智能监测系统。
背景技术:
1、土壤墒情与肥力是指导农田灌溉与施肥作业的两类基础性指标。传统的土壤墒情与肥力获取方式以田间采样结合实验室理化分析为主,其结果准确但时效性差、空间代表性有限,难以支撑大面积农田的精细化管理。随着遥感技术的发展,以卫星与无人机为平台的多光谱遥感已成为农田土壤信息快速获取的通用手段。
2、现有通用方案按监测对象大致分为两类:一类是土壤墒情反演方案,例如授权公告号为cn120123778b的专利所公开的协同无人机多光谱与热红外影像的农田土壤墒情精细集成反演方法,其构建光谱指数与温度特征并采用集成学习模型反演土壤含水量;又如《华南师范大学学报》刊载的基于无人机多光谱数据的农田土壤水分遥感监测方案,其采用垂直干旱指数结合同期采样数据建立经验反演模型。
3、另一类是土壤肥力指标反演方案,例如2024年公布的基于多源遥感数据的土壤ph值预测方法及装置,其将高光谱反射率重采样至多光谱波段后建立回归模型;又如《地理科学》刊载的黑土区土壤有机质和全氮含量遥感反演研究,其以sentinel-2a影像结合随机森林算法实现有机质与全氮含量的制图。
4、然而,上述现有技术方案在农田长期监测应用中仍存在以下客观技术问题:
5、其一,墒情监测与肥力监测相互分离,现有方案均针对单一指标独立建模与作业,同一田块需要多平台、多时期重复获取数据,监测链路割裂,综合监测成本高;其二,现有经验指数模型与统计回归模型依赖与遥感成像同期的地面采样建模,所建模型在跨区域、跨生育期条件下泛化能力弱,已有研究文献表明多光谱养分反演模型跨生育期验证的决定系数仅为0.43至0.54,难以满足全生育期连续监测需求;其三,遥感反演结果与地面真值之间缺乏实时校准机制,模型建立后其精度随土壤条件、气候条件的变化而发生时序漂移,长期监测的可靠性无法保证;其四,现有方案的成果形式为指标反演分布图,缺乏面向田块的分级预警与灌溉、施肥决策输出,监测数据未能形成“监测-评估-决策”的完整闭环,仍需人工二次分析后方可指导作业;其五,云雾覆盖与植被郁闭条件下光学遥感数据存在缺失,单一平台数据的时间连续性不足,监测存在空窗期。因此,如何实现墒情与肥力的一体化同步监测、提高反演模型的泛化能力与长期稳定性、并将监测结果直接转化为可执行的分级预警与农事决策,成为本领域亟待解决的技术问题。
技术实现思路
1、针对现有技术中存在的上述技术问题,本发明的目的在于提供一种基于多光谱遥感的农田土壤墒情与肥力智能监测系统,以在同一监测周期内同步输出土壤墒情与肥力两类指标的空间分布数据,通过地面传感网络对遥感反演结果进行逐期校准以抑制精度漂移,并依据分级阈值输出分级预警与分区农事决策数据,形成连续、闭环的农田土壤智能监测体系。
2、为了实现上述目的,本发明采用了如下技术方案:
3、基于多光谱遥感的农田土壤墒情与肥力智能监测系统,包括多源遥感数据获取模块,所述系统还包括:
4、数据预处理与时空配准模块,配置为对所述多源遥感数据获取模块获取的卫星多光谱影像与无人机多光谱影像分别进行预处理,并将预处理后的影像配准至统一的空间参考与统一的时间基准,得到配准影像数据集;
5、墒情反演模块,配置为从所述配准影像数据集中提取与土壤水分相关的光谱特征,将所述光谱特征输入经训练的墒情反演模型,输出农田土壤含水量的空间分布数据;
6、肥力反演模块,配置为从所述配准影像数据集中提取与土壤养分相关的光谱特征,将所述光谱特征输入经训练的肥力反演模型,输出农田土壤肥力指标的空间分布数据;
7、地面传感校准模块,配置为获取布设于农田的土壤传感器网络的实测数据,并依据所述实测数据对所述土壤含水量的空间分布数据及所述土壤肥力指标的空间分布数据进行逐期偏差校正;
8、综合评估与预警模块,配置为依据预设的分级阈值对校正后的土壤含水量与土壤肥力指标进行等级划分,输出分级预警信息;
9、决策输出模块,配置为依据所述分级预警信息及校正后的空间分布数据生成农田分区的农事决策数据并输出。
10、优选地,所述墒情反演模块包括墒情特征构建单元与墒情反演单元;
11、所述墒情特征构建单元配置为计算归一化植被指数、归一化水分指数、红边归一化植被指数以及灰度共生矩阵纹理特征,并结合高程与坡度协变量构成墒情特征向量;
12、所述墒情反演单元内置经训练的墒情反演模型,所述墒情反演模型为梯度提升树集成回归模型,配置为以所述墒情特征向量为输入,输出土壤体积含水量;
13、所述墒情反演单元还配置为将土壤体积含水量按预设格网聚合,生成所述土壤含水量的空间分布数据。
14、优选地,所述肥力反演模块包括裸土窗口识别单元、肥力特征构建单元与肥力反演单元;
15、所述裸土窗口识别单元配置为依据归一化植被指数与时序物候信息识别农田的裸土期影像与低覆盖期影像;
16、所述肥力特征构建单元配置为针对裸土期影像计算波段反射率组合特征与光谱指数特征,针对低覆盖期影像计算经植被覆盖度修正的光谱特征,构成肥力特征向量;
17、所述肥力反演单元内置与各项土壤肥力指标一一对应的多个经训练的肥力反演子模型,各所述肥力反演子模型分别以所述肥力特征向量为输入,输出对应的土壤肥力指标值。
18、优选地,所述数据预处理与时空配准模块配置为:对卫星多光谱影像执行大气校正、云检测与云掩膜处理,对无人机多光谱影像执行辐射定标、正射校正与影像拼接处理;
19、以地面控制点为基准将卫星多光谱影像与无人机多光谱影像配准至统一坐标系;
20、将卫星多光谱影像重采样至无人机多光谱影像的空间分辨率,并对同一监测周期内的影像按成像时刻映射至统一时间基准;
21、对于云掩膜剔除的缺失区域,以相邻监测周期的同期数据经时序插值填补。
22、优选地,所述地面传感校准模块配置为:对土壤传感器网络上传的实测数据执行异常值剔除与时序插值预处理,所述异常值剔除以滑动窗口内的三倍标准差为判据;
23、将预处理后的实测数据与对应传感器位置的遥感反演结果进行配对,计算各监测周期的偏差序列;
24、依据所述偏差序列对当期的遥感反演结果执行线性偏差校正,并将校正系数写入模型参数库供后续监测周期调用。
25、优选地,所述土壤传感器网络的布设密度依据农田异质性分区结果确定:对历史监测周期的遥感影像进行聚类分区,划分土壤异质性管理区,每个管理区内至少布设一个土壤传感器站点,且管理区内土壤属性的变异系数越大,该管理区内的传感器站点布设密度越大;
26、各土壤传感器站点将实测数据按照预设上报周期经无线网络传输至所述地面传感校准模块。
27、优选地,所述综合评估与预警模块的分级阈值依据作物生育期动态调整,系统内存储有与作物各生育期对应的墒情适宜区间表与肥力分级标准表;
28、在作物进入新的生育期时,所述综合评估与预警模块切换至与该生育期对应的分级阈值;
29、所述墒情反演模块提取的光谱特征的权重亦按生育期切换,裸土期以波段反射率与纹理特征为主,作物覆盖期以植被指数与红边特征为主。
30、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下处理:
31、获取卫星多光谱影像与无人机多光谱影像,分别进行预处理并配准至统一的空间参考与统一的时间基准,得到配准影像数据集;
32、从所述配准影像数据集中提取与土壤水分相关的光谱特征,输入经训练的墒情反演模型,输出农田土壤含水量的空间分布数据;
33、从所述配准影像数据集中提取与土壤养分相关的光谱特征,输入经训练的肥力反演模型,输出农田土壤肥力指标的空间分布数据;
34、获取布设于农田的土壤传感器网络的实测数据,并依据所述实测数据对所述土壤含水量的空间分布数据及所述土壤肥力指标的空间分布数据进行逐期偏差校正;
35、依据预设的分级阈值对校正后的土壤含水量与土壤肥力指标进行等级划分,输出分级预警信息;
36、依据所述分级预警信息及校正后的空间分布数据生成农田分区的农事决策数据并输出。
37、本发明的有益效果为:
38、本发明的基于多光谱遥感的农田土壤墒情与肥力智能监测系统,针对现有方案墒情与肥力监测分离、重复作业成本高的缺陷,由同一配准影像数据集分别驱动墒情反演模块与肥力反演模块,在同一监测周期内同步输出土壤含水量与土壤肥力指标的空间分布数据,一次数据获取即完成两类指标监测;
39、本发明的基于多光谱遥感的农田土壤墒情与肥力智能监测系统,针对经验指数模型跨区域、跨生育期泛化能力弱的缺陷,本发明采用“光谱指数+纹理特征+地形协变量”的多特征输入结构及梯度提升树集成回归模型,替代单一经验指数模型,并通过裸土期与覆盖期的特征权重切换适应不同地表状态;
40、本发明的基于多光谱遥感的农田土壤墒情与肥力智能监测系统,针对遥感反演结果缺乏实时校准、精度随时序漂移的缺陷,本发明通过地面传感校准模块以滑动窗口三倍标准差判据剔除异常实测值,并依据传感器实测值与反演值的配对偏差序列执行逐期线性偏差校正,校正系数写入模型参数库供后续周期调用;
41、本发明的基于多光谱遥感的农田土壤墒情与肥力智能监测系统,针对监测成果停留于反演图层面、缺乏决策输出的缺陷,本发明通过综合评估与预警模块按生育期对应的分级阈值进行等级划分,并由决策输出模块生成分区灌溉与变量施肥的农事决策数据;
42、本发明的基于多光谱遥感的农田土壤墒情与肥力智能监测系统,同一配准影像数据集同步驱动双反演,使墒情与肥力数据时空基准天然一致,为后续联合评估提供可比输入,裸土窗口识别与植被覆盖度修正解决养分反演受植被遮蔽的问题,逐期偏差校正与校正系数入库机制压制精度漂移,三者共同构成”一次获取、双指标产出、逐期校准、闭环决策”的完整技术链条。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com