CN110942039A - 一种主要农作物高温灾害遥感监测预报***及方法 - Google Patents

一种主要农作物高温灾害遥感监测预报***及方法 Download PDF

Info

Publication number
CN110942039A
CN110942039A CN201911203079.7A CN201911203079A CN110942039A CN 110942039 A CN110942039 A CN 110942039A CN 201911203079 A CN201911203079 A CN 201911203079A CN 110942039 A CN110942039 A CN 110942039A
Authority
CN
China
Prior art keywords
drought
remote sensing
module
temperature
monitoring
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
Application number
CN201911203079.7A
Other languages
English (en)
Inventor
覃志豪
李文娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Agricultural Resources and Regional Planning of CAAS
Original Assignee
Institute of Agricultural Resources and Regional Planning of CAAS
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 Institute of Agricultural Resources and Regional Planning of CAAS filed Critical Institute of Agricultural Resources and Regional Planning of CAAS
Priority to CN201911203079.7A priority Critical patent/CN110942039A/zh
Publication of CN110942039A publication Critical patent/CN110942039A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2471—Distributed queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明属于高温灾害遥感监测预报技术领域，公开了一种主要农作物高温灾害遥感监测预报***及方法，所述主要农作物高温灾害遥感监测预报***包括：太阳能供电模块、温度采集模块、遥感影像采集模块、农作物长势监测模块、中央控制模块、高温标记模块、高温干旱评估模块、灾害预报模块、云存储模块、显示模块。本发明通过农作物长势监测模块采用不同时间序列的合成图像，从而通过传感器获取待监测作物的各种反映作物长势的参数，通过综合分析各种参数值，能够更精确的获得作物的长势情况；同时，通过高温干旱评估模块能够对干旱灾情进行很好的监测评估以获取准确的信息，提供干旱灾情服务，防患于未然。

Description

一种主要农作物高温灾害遥感监测预报***及方法
技术领域
本发明属于高温灾害遥感监测预报技术领域，尤其涉及一种主要农作物高温灾害遥感监测预报***及方法。
背景技术
目前，最接近的现有技术：农业干旱是指在农作物生长发育过程中，因降水不足、土壤含水量过低和作物得不到适时适量的灌溉，致使供水不能满足农作物的正常需水，而造成农作物减产。农业干旱以土壤含水量和植物生长状态为特征，是指农业生长季节内因长期无雨，造成大气干旱、土壤缺水，农作物生长发育受抑，导致明显减产，甚至绝收的一种农业气象灾害。体现干旱程度的主要因子有:降水、土壤含水量、土壤质地、气温、作物品种和产量，以及干旱发生的季节等。然而，现有农作物高温灾害遥感监测预报不能客观的反映作物长势情况；同时，不能对干旱影响进行准确评估。
综上所述，现有技术存在的问题是：现有农作物高温灾害遥感监测预报不能客观的反映作物长势情况；同时，不能对干旱影响进行准确评估。
发明内容
针对现有技术存在的问题，本发明提供了一种主要农作物高温灾害遥感监测预报***及方法。
本发明是这样实现的，一种主要农作物高温灾害遥感监测预报方法，所述主要农作物高温灾害遥感监测预报方法包括：
步骤一，通过太阳能供电模块利用太阳能电池板为主要农作物高温灾害遥感监测预报***供电；通过温度采集模块利用温度传感器采集农作物环境温度数据；
步骤二，通过遥感影像采集模块利用卫星采集农作物高温灾害遥感图像；通过农作物长势监测模块监测农作物长势情况；农作物长势监测模块监测方法如下：(1)采用一个以上传感器分别采集指定监测区域内作物的原始长势信息；(2)将采集到的影像发送到远程监控平台；(3)读取时间序列遥感影像，并从读取的时间序列遥感影像中选择某几段时序的时间序列遥感影像，并对时间序列遥感影响通过影像波段合成方法进行合成；(4)从通过影像波段合成方法合成得到具有多个波段的合成影像，从中按预设算法提取特征参数；(5)根据所述特征参数与预设值的偏离程度评估所述指定监测区域内作物的长势情况；
步骤三，中央控制模块通过高温标记模块利用标记程序标记采集图像的高温区域；
步骤四，通过高温干旱评估模块利用评估程序对农作物干旱影像进行评估；
步骤五，通过灾害预报模块对农作物高温灾害进行预报；
步骤六，通过云存储模块利用云服务器存储采集的农作物环境温度数据、遥感影像、农作物长势数据及标记结果、评估结果、预报信息；并通过显示模块利用显示器显示采集的数据信息；用于通过云服务器存储采集的农作物环境温度数据、遥感影像、农作物长势数据及标记结果、评估结果、预报信息的云存储模块预报信息的，具体过程如下：将农作物高温灾害遥感监测设备采集农作物信息，遥感监测设备将采集信息传递到云服务器中；云服务器将农作物信息经过信号发射基站，经过无线网络将信息传递到移动终端或者播报中心。
进一步，所述主要农作物高温灾害遥感监测预报方法对选取的某几段时间序列遥感影像分别进行重投影和重采样，并获得重采样影像，具体过程为：
(1)根据选取的每一段时间序列遥感影像的地理信息范围，确定重投影后影像范围，并获取影像覆盖区域；
(2)根据影像覆盖区域左上角点坐标及分辨率确定重投影后的影像大小；
(3)对影像进行重采样，即根据(1)及(2)得到的重投影影像大小、分辨率和左上角点坐标，对选取的时间序列遥感影像进行重采样，为构建的重投影影像各个像素点赋值；对影像进行重采样的具体过程为：
1)从重投影后影像的左上角像素点坐标开始，逐像素遍历(2)中构建的重投影影像，将重投影影像上的左上角点坐标计算到重投影前时间序列遥感影像上；
2)在重投影前的时间序列遥感影像上进行重采样，得到重投影影像中对应像元的DN值；
3)对覆盖区域内的所有像素点重复步骤1)及2)，得到重采样影像。
进一步，所述主要农作物高温灾害遥感监测预报方法高温干旱评估模块评估方法如下：
1)基于风云卫星的中分辨率数据进行干旱监测，
其中，利用风云卫星的中分辨率数据中的红外波段和近红外波段数据构建植被指数；所述植被指数包括植被供水指数、归一化植被指数、植被状况指数、温度状况指数以及植被健康指数；分类评估各植被指数的干旱监测有效性；对风云卫星遥感数据进行处理生成风云卫星中分辨率数据干旱指数数据集；利用干旱监测模型***生成干旱监测产品；
2)协同多遥感参数与地面历史干旱记录构建综合干旱监测指数，利用构建的综合干旱监测指数进行干旱灾害的监测和应急响应处理；
其中，所述协同多遥感参数与地面历史干旱记录构建综合干旱监测指数包括，搜集旱情数据，并对旱情数据进行预处理；所述旱情数据包括区域性遥感降雨、土壤水分、植被指数以及地表温度的长时间序列数据，中国农业气象灾情数据集、国际灾害数据库中的干旱灾害记录数据，用于直接反应地面旱情信息的地面墒情监测数据；其中，所述对旱情数据进行预处理包括，对风云卫星提供的数据进行重采样和重投影处理成时空分辨率一致的数据集；
基于旱情数据、土地覆盖及土地利用数据识别出旱灾易发区，作为干旱监测的重点关注区域；依据气候、土壤、生态***类型将所述重点关注区域区划分为不同类型的干旱频发区；
针对不同类型的干旱频发区，比对干旱期间各遥感参数的响应过程，识别出不同旱频发区的干旱敏感参数；
以县级行政单位作为区域尺度，基于干旱敏感参数的参数特征空间来构建综合干旱监测指数；所述干旱敏感参数为水循环参数；选择多个水循环参数的长时间序列数据构建综合干旱监测指数；所述水循环参数包括降水、植被指数、地表温度；对于任一干旱频发区，利用多个水循环参数构建多维的参数特征空间，并利用地面干湿记录定位干旱发生时干旱频发区的各参数状态；所述参数状态即为该干旱频发区是否处于干旱的判定依据，构成综合干旱监测指数；
3)基于多遥感参数进行面向灾情要素的干旱影响评估处理，
其中，基于多源遥感的综合干旱监测指数的时空分布特征及干旱影响范围，结合地表气象观测数据、农作物分布、灾情报告信息，通过信息挖掘构建面向干旱灾情特征的训练样本特征集；基于机器深度学习提取干旱灾情特征与面向灾情的要素对象，建立从基础参数到灾害背景参数和灾情要素特征参数的提取模型；
基于GIS空间信息格网制作干旱灾情评估图，对包括受灾区受影响人口、受旱耕地、灾区引调水状况的灾情要素进行干旱影响评估。
进一步，所述主要农作物高温灾害遥感监测预报方法选择多个水循环参数的长时间序列数据构建综合干旱监测指数具体包括：
将给定参数的长时间序列数据进行统计上的10等分，分别得到各个参数的10等分点值，即将每个参数划分为10个等级；
利用各参数的10等分点构建参数特征空间；
将所有历史观测状态投放到上一步骤构造的参数特征空间中，并利用对应的地面历史干旱记录标识出干旱条件下的状态位置；其中，所述历史观测状态是由所有参数构成的一个状态；
划定干旱频发区在干旱易发状态下各个参数的等级范围，所述等级范围定义了该干旱频发区在干旱条件下的参数状态，如果各参数落入相应的等级范围，则表明该干旱频发区已经处于干旱状态，从而完成干旱监测过程；所述等级范围为基于多源遥感参数的综合干旱指数。
本发明的另一目的在于提供一种实施所述主要农作物高温灾害遥感监测预报方法的主要农作物高温灾害遥感监测预报***，所述主要农作物高温灾害遥感监测预报***包括：
太阳能供电模块，与中央控制模块连接，用于通过太阳能电池板为主要农作物高温灾害遥感监测预报***供电；
温度采集模块，与中央控制模块连接，用于通过温度传感器采集农作物环境温度数据；
遥感影像采集模块，与中央控制模块连接，用于通过卫星采集农作物高温灾害遥感图像；
农作物长势监测模块，与中央控制模块连接，用于监测农作物长势情况；
中央控制模块，与太阳能供电模块、温度采集模块、遥感影像采集模块、农作物长势监测模块、高温标记模块、高温干旱评估模块、灾害预报模块、云存储模块、显示模块连接，用于通过主机控制各个模块正常工作；
高温标记模块，与中央控制模块连接，用于通过标记程序标记采集图像的高温区域；
高温干旱评估模块，与中央控制模块连接，用于通过评估程序对农作物干旱影像进行评估；
灾害预报模块，与中央控制模块连接，用于对农作物高温灾害进行预报；
云存储模块，与中央控制模块连接，用于通过云服务器存储采集的农作物环境温度数据、遥感影像、农作物长势数据及标记结果、评估结果、预报信息；
显示模块，与中央控制模块连接，用于通过显示器显示采集的农作物环境温度数据、遥感影像、农作物长势数据及标记结果、评估结果、预报信息。
进一步，所述遥感影像采集模块包括：
遥感图像清晰度处理模块，对获取的遥感图像进行降噪处理，并且去除遥感图像中的坏线和条带；同时对遥感图像中的薄云进行减弱；
农作物遥感图像矫正模块，对农作种植区地形起伏较大的位置，进行正射矫；
农作物图像增强模块，为了使获取的农作物遥感图像更加清晰，便于进行识别，对获取的农作物遥感图像进行彩色修正、直方图处理和图像灰度处理；
农作物遥感图像特征提取模块，对能够反映农作物高温灾害的遥感图像片段进行提取；
农作物遥感图像识别模块，根据提取的特征农作物遥感图像特征，根据数据库中的信息，对获取的遥感图像特征信息进行对比分析，判断出相应的结果。
进一步，所述中央控制模块设置有农作物高温灾害分析模块，其农作物高温灾害分析模块包括：
作为种植面积估算模块，根据所获取的遥感图像信息，对作物种植面积进行估算；
作物单产估算模块，根据采集的数据，对单位面积的农作物产量进行估算；
农业干旱评估模块，根据估算的种植面积和单位面积农作物产量，对农业干旱程度进行评估；
粮食生产风险评估模块，根据农业干旱程度，对粮食生产安全性进行评估。
进一步，所述云存储模块包括：
大数据采集模块，通过相应的程序，对农作物遥感监测终端采集的数据进行接收；
大数据分析处理模块，利用分布式数据库，对储存在内部的海量数据进行分析分类汇总；
大数据导入处理模块，利用相应的程序，将接收的海量数据导入到集中的大型分布式数据库中；
大数据挖掘处理模块，对大数据进行分析，从大量数据中找到相应的规律，提取需要搜索的数据信息。
本发明的另一目的在于提供一种应用所述主要农作物高温灾害遥感监测预报方法的信息数据处理终端。
本发明的另一目的在于提供一种应用所述主要农作物高温灾害遥感监测预报方法的高温灾害遥感监测预报***。
本发明的优点及积极效果为：本发明通过农作物长势监测模块使用基于时间序列遥感数据的农作物长势监测方法通过在待监测作物的不同空间位置点分别安装多个各种类型的传感器，通过采用不同时间序列的合成图像，从而通过传感器获取待监测作物的各种反映作物长势的参数，通过综合分析各种参数值，能够更精确的获得作物的长势情况；同时，通过高温干旱评估模块能够对干旱灾情进行很好的监测评估以获取准确的信息，提供干旱灾情服务，防患于未然。
附图说明
图1是本发明实施例提供的主要农作物高温灾害遥感监测预报方法流程图。
图2是本发明实施例提供的主要农作物高温灾害遥感监测预报***结构示意图；
图中：1、太阳能供电模块；2、温度采集模块；3、遥感影像采集模块；4、农作物长势监测模块；5、中央控制模块；6、高温标记模块；7、高温干旱评估模块；8、灾害预报模块；9、云存储模块；10、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
针对现有技术存在的问题，本发明提供了一种主要农作物高温灾害遥感监测预报***及方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的主要农作物高温灾害遥感监测预报方法包括以下步骤：
步骤S101，通过太阳能供电模块利用太阳能电池板为主要农作物高温灾害遥感监测预报***供电；通过温度采集模块利用温度传感器采集农作物环境温度数据；
步骤S102，通过遥感影像采集模块利用卫星采集农作物高温灾害遥感图像；通过农作物长势监测模块监测农作物长势情况；
步骤S103，中央控制模块通过高温标记模块利用标记程序标记采集图像的高温区域；
步骤S104，通过高温干旱评估模块利用评估程序对农作物干旱影像进行评估；
步骤S105，通过灾害预报模块对农作物高温灾害进行预报；
步骤S106，通过云存储模块利用云服务器存储采集的农作物环境温度数据、遥感影像、农作物长势数据及标记结果、评估结果、预报信息；并通过显示模块利用显示器显示采集的数据信息。
如图2所示，本发明实施例提供的主要农作物高温灾害遥感监测预报***包括：太阳能供电模块1、温度采集模块2、遥感影像采集模块3、农作物长势监测模块4、中央控制模块5、高温标记模块6、高温干旱评估模块7、灾害预报模块8、云存储模块9、显示模块10。
太阳能供电模块1，与中央控制模块5连接，用于通过太阳能电池板为主要农作物高温灾害遥感监测预报***供电。
温度采集模块2，与中央控制模块5连接，用于通过温度传感器采集农作物环境温度数据。
遥感影像采集模块3，与中央控制模块5连接，用于通过卫星采集农作物高温灾害遥感图像。
农作物长势监测模块4，与中央控制模块5连接，用于监测农作物长势情况；
中央控制模块5，与太阳能供电模块1、温度采集模块2、遥感影像采集模块3、农作物长势监测模块4、高温标记模块6、高温干旱评估模块7、灾害预报模块8、云存储模块9、显示模块10连接，用于通过主机控制各个模块正常工作。
高温标记模块6，与中央控制模块5连接，用于通过标记程序标记采集图像的高温区域。
高温干旱评估模块7，与中央控制模块5连接，用于通过评估程序对农作物干旱影像进行评估。
灾害预报模块8，与中央控制模块5连接，用于对农作物高温灾害进行预报。
云存储模块9，与中央控制模块5连接，用于通过云服务器存储采集的农作物环境温度数据、遥感影像、农作物长势数据及标记结果、评估结果、预报信息。
显示模块10，与中央控制模块5连接，用于通过显示器显示采集的农作物环境温度数据、遥感影像、农作物长势数据及标记结果、评估结果、预报信息。
所述与中央控制模块5连接，用于通过卫星采集农作物高温灾害遥感图像的遥感影像采集模块3包括：
遥感图像清晰度处理模块，对获取的遥感图像进行降噪处理，并且去除遥感图像中的坏线和条带；同时对遥感图像中的薄云进行减弱。
农作物遥感图像矫正模块，对农作种植区地形起伏较大的位置，进行正射矫正。
农作物图像增强模块，为了使获取的农作物遥感图像更加清晰，便于进行识别，对获取的农作物遥感图像进行彩色修正、直方图处理和图像灰度处理。
农作物遥感图像特征提取模块，对能够反映农作物高温灾害的遥感图像片段进行提取。
农作物遥感图像识别模块，根据提取的特征农作物遥感图像特征，根据数据库中的信息，对获取的遥感图像特征信息进行对比分析，判断出相应的结果。
所述的与中央控制模块5连接，用于通过云服务器存储采集的农作物环境温度数据、遥感影像、农作物长势数据及标记结果、评估结果、预报信息的云存储模块9预报信息的，具体过程如下：
将农作物高温灾害遥感监测设备采集农作物信息，遥感监测设备将采集信息传递到云服务器中；
云服务器将农作物信息经过信号发射基站，经过无线网络将信息传递到移动终端或者播报中心。
所述与太阳能供电模块1、温度采集模块2、遥感影像采集模块3、农作物长势监测模块4、高温标记模块6、高温干旱评估模块7、灾害预报模块8、云存储模块9、显示模块10连接，用于通过主机控制各个模块正常工作的中央控制模块5设置有农作物高温灾害分析模块，其农作物高温灾害分析模块包括：
作为种植面积估算模块，根据所获取的遥感图像信息，对作物种植面积进行估算。
作物单产估算模块，根据采集的数据，对单位面积的农作物产量进行估算。
农业干旱评估模块，根据估算的种植面积和单位面积农作物产量，对农业干旱程度进行评估。
粮食生产风险评估模块，根据农业干旱程度，对粮食生产安全性进行评估。
所述与中央控制模块5连接，用于通过云服务器存储采集的农作物环境温度数据、遥感影像、农作物长势数据及标记结果、评估结果、预报信息的云存储模块9包括：
大数据采集模块，通过相应的程序，对农作物遥感监测终端采集的数据进行接收。
大数据分析处理模块，利用分布式数据库，对储存在内部的海量数据进行分析分类汇总。
大数据导入处理模块，利用相应的程序，将接收的海量数据导入到集中的大型分布式数据库中。
大数据挖掘处理模块，对大数据进行分析，从大量数据中找到相应的规律，提取需要搜索的数据信息。
本发明提供的农作物长势监测模块4监测方法如下：
(1)采用一个以上传感器分别采集指定监测区域内作物的原始长势信息；
(2)将采集到的影像发送到远程监控平台；
(3)读取时间序列遥感影像，并从读取的时间序列遥感影像中选择某几段时序的时间序列遥感影像，并对时间序列遥感影响通过影像波段合成方法进行合成；
(4)从通过影像波段合成方法合成得到具有多个波段的合成影像，从中按预设算法提取特征参数；
(5)根据所述特征参数与预设值的偏离程度评估所述指定监测区域内作物的长势情况。
本发明提供的地上固定式传感器可以为近红外传感器、可见光传感器；地下固定式传感器可以为湿度传感器、用于测量土壤肥力的传感器、用于测量土壤酸碱度的传感器。
本发明提供的步骤(3)中对选取的某几段时间序列遥感影像分别进行重投影和重采样，并获得重采样影像，具体过程为：
(3.1)根据选取的每一段时间序列遥感影像的地理信息范围，确定重投影后影像范围，并获取影像覆盖区域；
(3.2)根据影像覆盖区域左上角点坐标及分辨率确定重投影后的影像大小；
(3.3)对影像进行重采样，即根据步骤(3.1)及(3.2)得到的重投影影像大小、分辨率和左上角点坐标，对选取的时间序列遥感影像进行重采样，为构建的重投影影像各个像素点赋值。
本发明提供的步骤(3.3)中对影像进行重采样的具体过程为：
(3.31)从重投影后影像的左上角像素点坐标开始，逐像素遍历步骤(3.2)中构建的重投影影像，将重投影影像上的左上角点坐标计算到重投影前时间序列遥感影像上；
(3.32)在重投影前的时间序列遥感影像上进行重采样，得到重投影影像中对应像元的DN值；
(3.33)对覆盖区域内的所有像素点重复步骤(3.31)及(3.32)，得到重采样影像。
本发明提供的高温干旱评估模块7评估方法如下：
1)基于风云卫星的中分辨率数据进行干旱监测，
其中，利用风云卫星的中分辨率数据中的红外波段和近红外波段数据构建植被指数；所述植被指数包括植被供水指数、归一化植被指数、植被状况指数、温度状况指数以及植被健康指数；分类评估各植被指数的干旱监测有效性；对风云卫星遥感数据进行处理生成风云卫星中分辨率数据干旱指数数据集；利用干旱监测模型***生成干旱监测产品；
2)协同多遥感参数与地面历史干旱记录构建综合干旱监测指数，利用构建的综合干旱监测指数进行干旱灾害的监测和应急响应处理；
其中，所述协同多遥感参数与地面历史干旱记录构建综合干旱监测指数包括，搜集旱情数据，并对旱情数据进行预处理；所述旱情数据包括区域性遥感降雨、土壤水分、植被指数以及地表温度的长时间序列数据，中国农业气象灾情数据集、国际灾害数据库中的干旱灾害记录数据，用于直接反应地面旱情信息的地面墒情监测数据；其中，所述对旱情数据进行预处理包括，对风云卫星提供的数据进行重采样和重投影处理成时空分辨率一致的数据集；
基于旱情数据、土地覆盖及土地利用数据识别出旱灾易发区，作为干旱监测的重点关注区域；依据气候、土壤、生态***类型将所述重点关注区域区划分为不同类型的干旱频发区；
针对不同类型的干旱频发区，比对干旱期间各遥感参数的响应过程，识别出不同旱频发区的干旱敏感参数；
以县级行政单位作为区域尺度，基于干旱敏感参数的参数特征空间来构建综合干旱监测指数；所述干旱敏感参数为水循环参数；选择多个水循环参数的长时间序列数据构建综合干旱监测指数；所述水循环参数包括降水、植被指数、地表温度；对于任一干旱频发区，利用多个水循环参数构建多维的参数特征空间，并利用地面干湿记录定位干旱发生时干旱频发区的各参数状态；所述参数状态即为该干旱频发区是否处于干旱的判定依据，构成综合干旱监测指数；
3)基于多遥感参数进行面向灾情要素的干旱影响评估处理，
其中，基于多源遥感的综合干旱监测指数的时空分布特征及干旱影响范围，结合地表气象观测数据、农作物分布、灾情报告信息，通过信息挖掘构建面向干旱灾情特征的训练样本特征集；基于机器深度学习提取干旱灾情特征与面向灾情的要素对象，建立从基础参数到灾害背景参数和灾情要素特征参数的提取模型；
基于GIS空间信息格网制作干旱灾情评估图，对包括受灾区受影响人口、受旱耕地、灾区引调水状况的灾情要素进行干旱影响评估。
本发明提供的选择多个水循环参数的长时间序列数据构建综合干旱监测指数具体包括：
将给定参数的长时间序列数据进行统计上的10等分，分别得到各个参数的10等分点值，即将每个参数划分为10个等级；
利用各参数的10等分点构建参数特征空间；
将所有历史观测状态投放到上一步骤构造的参数特征空间中，并利用对应的地面历史干旱记录标识出干旱条件下的状态位置；其中，所述历史观测状态是由所有参数构成的一个状态；
划定干旱频发区在干旱易发状态下各个参数的等级范围，所述等级范围定义了该干旱频发区在干旱条件下的参数状态，如果各参数落入相应的等级范围，则表明该干旱频发区已经处于干旱状态，从而完成干旱监测过程；所述等级范围为基于多源遥感参数的综合干旱指数。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (10)

1.一种主要农作物高温灾害遥感监测预报方法，其特征在于，所述主要农作物高温灾害遥感监测预报方法包括：
步骤一，通过太阳能供电模块利用太阳能电池板为主要农作物高温灾害遥感监测预报***供电；通过温度采集模块利用温度传感器采集农作物环境温度数据；
步骤二，通过遥感影像采集模块利用卫星采集农作物高温灾害遥感图像；通过农作物长势监测模块监测农作物长势情况；农作物长势监测模块监测方法如下：(1)采用一个以上传感器分别采集指定监测区域内作物的原始长势信息；(2)将采集到的影像发送到远程监控平台；(3)读取时间序列遥感影像，并从读取的时间序列遥感影像中选择某几段时序的时间序列遥感影像，并对时间序列遥感影响通过影像波段合成方法进行合成；(4)从通过影像波段合成方法合成得到具有多个波段的合成影像，从中按预设算法提取特征参数；(5)根据所述特征参数与预设值的偏离程度评估所述指定监测区域内作物的长势情况；
步骤三，中央控制模块通过高温标记模块利用标记程序标记采集图像的高温区域；
步骤四，通过高温干旱评估模块利用评估程序对农作物干旱影像进行评估；
步骤五，通过灾害预报模块对农作物高温灾害进行预报；
步骤六，通过云存储模块利用云服务器存储采集的农作物环境温度数据、遥感影像、农作物长势数据及标记结果、评估结果、预报信息；并通过显示模块利用显示器显示采集的数据信息；用于通过云服务器存储采集的农作物环境温度数据、遥感影像、农作物长势数据及标记结果、评估结果、预报信息的云存储模块预报信息的，具体过程如下：将农作物高温灾害遥感监测设备采集农作物信息，遥感监测设备将采集信息传递到云服务器中；云服务器将农作物信息经过信号发射基站，经过无线网络将信息传递到移动终端或者播报中心。
2.如权利要求1所述的主要农作物高温灾害遥感监测预报方法，其特征在于，所述主要农作物高温灾害遥感监测预报方法对选取的某几段时间序列遥感影像分别进行重投影和重采样，并获得重采样影像，具体过程为：
(1)根据选取的每一段时间序列遥感影像的地理信息范围，确定重投影后影像范围，并获取影像覆盖区域；
(2)根据影像覆盖区域左上角点坐标及分辨率确定重投影后的影像大小；
(3)对影像进行重采样，即根据(1)及(2)得到的重投影影像大小、分辨率和左上角点坐标，对选取的时间序列遥感影像进行重采样，为构建的重投影影像各个像素点赋值；对影像进行重采样的具体过程为：
1)从重投影后影像的左上角像素点坐标开始，逐像素遍历(2)中构建的重投影影像，将重投影影像上的左上角点坐标计算到重投影前时间序列遥感影像上；
2)在重投影前的时间序列遥感影像上进行重采样，得到重投影影像中对应像元的DN值；
3)对覆盖区域内的所有像素点重复步骤1)及2)，得到重采样影像。
3.如权利要求1所述的主要农作物高温灾害遥感监测预报方法，其特征在于，所述主要农作物高温灾害遥感监测预报方法高温干旱评估模块评估方法如下：
1)基于风云卫星的中分辨率数据进行干旱监测；
其中，利用风云卫星的中分辨率数据中的红外波段和近红外波段数据构建植被指数；所述植被指数包括植被供水指数、归一化植被指数、植被状况指数、温度状况指数以及植被健康指数；分类评估各植被指数的干旱监测有效性；对风云卫星遥感数据进行处理生成风云卫星中分辨率数据干旱指数数据集；利用干旱监测模型***生成干旱监测产品；
2)协同多遥感参数与地面历史干旱记录构建综合干旱监测指数，利用构建的综合干旱监测指数进行干旱灾害的监测和应急响应处理；
其中，所述协同多遥感参数与地面历史干旱记录构建综合干旱监测指数包括，搜集旱情数据，并对旱情数据进行预处理；所述旱情数据包括区域性遥感降雨、土壤水分、植被指数以及地表温度的长时间序列数据，中国农业气象灾情数据集、国际灾害数据库中的干旱灾害记录数据，用于直接反应地面旱情信息的地面墒情监测数据；其中，所述对旱情数据进行预处理包括，对风云卫星提供的数据进行重采样和重投影处理成时空分辨率一致的数据集；
基于旱情数据、土地覆盖及土地利用数据识别出旱灾易发区，作为干旱监测的重点关注区域；依据气候、土壤、生态***类型将所述重点关注区域区划分为不同类型的干旱频发区；
针对不同类型的干旱频发区，比对干旱期间各遥感参数的响应过程，识别出不同旱频发区的干旱敏感参数；
以县级行政单位作为区域尺度，基于干旱敏感参数的参数特征空间来构建综合干旱监测指数；所述干旱敏感参数为水循环参数；选择多个水循环参数的长时间序列数据构建综合干旱监测指数；所述水循环参数包括降水、植被指数、地表温度；对于任一干旱频发区，利用多个水循环参数构建多维的参数特征空间，并利用地面干湿记录定位干旱发生时干旱频发区的各参数状态；所述参数状态即为该干旱频发区是否处于干旱的判定依据，构成综合干旱监测指数；
3)基于多遥感参数进行面向灾情要素的干旱影响评估处理；
其中，基于多源遥感的综合干旱监测指数的时空分布特征及干旱影响范围，结合地表气象观测数据、农作物分布、灾情报告信息，通过信息挖掘构建面向干旱灾情特征的训练样本特征集；基于机器深度学习提取干旱灾情特征与面向灾情的要素对象，建立从基础参数到灾害背景参数和灾情要素特征参数的提取模型；
基于GIS空间信息格网制作干旱灾情评估图，对包括受灾区受影响人口、受旱耕地、灾区引调水状况的灾情要素进行干旱影响评估。
4.如权利要求3所述的主要农作物高温灾害遥感监测预报方法，其特征在于，所述主要农作物高温灾害遥感监测预报方法选择多个水循环参数的长时间序列数据构建综合干旱监测指数具体包括：
将给定参数的长时间序列数据进行统计上的10等分，分别得到各个参数的10等分点值，即将每个参数划分为10个等级；
利用各参数的10等分点构建参数特征空间；
将所有历史观测状态投放到上一步骤构造的参数特征空间中，并利用对应的地面历史干旱记录标识出干旱条件下的状态位置；其中，所述历史观测状态是由所有参数构成的一个状态；
划定干旱频发区在干旱易发状态下各个参数的等级范围，所述等级范围定义了该干旱频发区在干旱条件下的参数状态，如果各参数落入相应的等级范围，则表明该干旱频发区已经处于干旱状态，从而完成干旱监测过程；所述等级范围为基于多源遥感参数的综合干旱指数。
5.一种实施权利要求1～4任意一项所述主要农作物高温灾害遥感监测预报方法的主要农作物高温灾害遥感监测预报***，其特征在于，所述主要农作物高温灾害遥感监测预报***包括：
太阳能供电模块，与中央控制模块连接，用于通过太阳能电池板为主要农作物高温灾害遥感监测预报***供电；
温度采集模块，与中央控制模块连接，用于通过温度传感器采集农作物环境温度数据；
遥感影像采集模块，与中央控制模块连接，用于通过卫星采集农作物高温灾害遥感图像；
农作物长势监测模块，与中央控制模块连接，用于监测农作物长势情况；
中央控制模块，与太阳能供电模块、温度采集模块、遥感影像采集模块、农作物长势监测模块、高温标记模块、高温干旱评估模块、灾害预报模块、云存储模块、显示模块连接，用于通过主机控制各个模块正常工作；
高温标记模块，与中央控制模块连接，用于通过标记程序标记采集图像的高温区域；
高温干旱评估模块，与中央控制模块连接，用于通过评估程序对农作物干旱影像进行评估；
灾害预报模块，与中央控制模块连接，用于对农作物高温灾害进行预报；
云存储模块，与中央控制模块连接，用于通过云服务器存储采集的农作物环境温度数据、遥感影像、农作物长势数据及标记结果、评估结果、预报信息；
显示模块，与中央控制模块连接，用于通过显示器显示采集的农作物环境温度数据、遥感影像、农作物长势数据及标记结果、评估结果、预报信息。
6.如权利要求5所述的主要农作物高温灾害遥感监测预报***，其特征在于，所述遥感影像采集模块包括：
遥感图像清晰度处理模块，对获取的遥感图像进行降噪处理，并且去除遥感图像中的坏线和条带；同时对遥感图像中的薄云进行减弱；
农作物遥感图像矫正模块，对农作种植区地形起伏较大的位置，进行正射矫；
农作物图像增强模块，为了使获取的农作物遥感图像更加清晰，便于进行识别，对获取的农作物遥感图像进行彩色修正、直方图处理和图像灰度处理；
农作物遥感图像特征提取模块，对能够反映农作物高温灾害的遥感图像片段进行提取；
农作物遥感图像识别模块，根据提取的特征农作物遥感图像特征，根据数据库中的信息，对获取的遥感图像特征信息进行对比分析，判断出相应的结果。
7.如权利要求5所述的主要农作物高温灾害遥感监测预报***，其特征在于，所述中央控制模块设置有农作物高温灾害分析模块，其农作物高温灾害分析模块包括：
作为种植面积估算模块，根据所获取的遥感图像信息，对作物种植面积进行估算；
作物单产估算模块，根据采集的数据，对单位面积的农作物产量进行估算；
农业干旱评估模块，根据估算的种植面积和单位面积农作物产量，对农业干旱程度进行评估；
粮食生产风险评估模块，根据农业干旱程度，对粮食生产安全性进行评估。
8.如权利要求5所述的主要农作物高温灾害遥感监测预报***，其特征在于，所述云存储模块包括：
大数据采集模块，通过相应的程序，对农作物遥感监测终端采集的数据进行接收；
大数据分析处理模块，利用分布式数据库，对储存在内部的海量数据进行分析分类汇总；
大数据导入处理模块，利用相应的程序，将接收的海量数据导入到集中的大型分布式数据库中；
大数据挖掘处理模块，对大数据进行分析，从大量数据中找到相应的规律，提取需要搜索的数据信息。
9.一种应用权利要求1～4任意一项所述主要农作物高温灾害遥感监测预报方法的信息数据处理终端。
10.一种应用权利要求1～4任意一项所述主要农作物高温灾害遥感监测预报方法的高温灾害遥感监测预报***。
CN201911203079.7A 2019-11-29 2019-11-29 一种主要农作物高温灾害遥感监测预报***及方法 Pending CN110942039A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911203079.7A CN110942039A (zh) 2019-11-29 2019-11-29 一种主要农作物高温灾害遥感监测预报***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911203079.7A CN110942039A (zh) 2019-11-29 2019-11-29 一种主要农作物高温灾害遥感监测预报***及方法

Publications (1)

Publication Number Publication Date
CN110942039A true CN110942039A (zh) 2020-03-31

Family

ID=69908379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911203079.7A Pending CN110942039A (zh) 2019-11-29 2019-11-29 一种主要农作物高温灾害遥感监测预报***及方法

Country Status (1)

Country Link
CN (1) CN110942039A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652147A (zh) * 2020-06-04 2020-09-11 中电建路桥集团有限公司 减负构件在地下车库空心楼盖施工过程的监控***及方法
CN111949817A (zh) * 2020-09-09 2020-11-17 中国农业科学院农业信息研究所 基于遥感影像的农作物信息展示***、方法、设备及介质
CN112055420A (zh) * 2020-09-10 2020-12-08 深圳鸿祥源科技有限公司 一种基于5g网络通信连接的遥感试验观测处理终端
CN112163533A (zh) * 2020-10-07 2021-01-01 智博云信息科技(广州)有限公司 一种遥感监测自然灾害数据处理方法及***
CN112445882A (zh) * 2020-11-20 2021-03-05 海南省林业科学研究院(海南省红树林研究院) 一种基于业务流程建模的林业信息化平台及其建设方法
CN112668421A (zh) * 2020-12-18 2021-04-16 武汉大学 一种基于注意力机制的无人机高光谱农作物快速分类方法
CN112668705A (zh) * 2021-03-17 2021-04-16 清华大学 基于深度学习的干旱指数监测方法及***
CN112883251A (zh) * 2021-01-09 2021-06-01 重庆市农业科学院 一种基于多星联合的农业辅助***
CN113744074A (zh) * 2021-09-06 2021-12-03 北京超图软件股份有限公司 确定农业作物的减灾保产措施的方法和装置
CN115310796A (zh) * 2022-07-29 2022-11-08 西安理工大学 一种不同类型干旱间传播关系的确定方法及***
CN116029860A (zh) * 2023-03-29 2023-04-28 山东科翔智能科技有限公司 基于gis的智慧农业种植区域规划辅助决策***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109142359A (zh) * 2018-08-23 2019-01-04 中国水利水电科学研究院 一种基于时间序列遥感数据的农作物长势监测方法
CN110163472A (zh) * 2019-04-11 2019-08-23 中国水利水电科学研究院 大范围极端干旱应急监测与影响评估方法及***
CN110263409A (zh) * 2019-06-14 2019-09-20 中国农业科学院农业资源与农业区划研究所 一种主要农作物低温灾害遥感监测预报***及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109142359A (zh) * 2018-08-23 2019-01-04 中国水利水电科学研究院 一种基于时间序列遥感数据的农作物长势监测方法
CN110163472A (zh) * 2019-04-11 2019-08-23 中国水利水电科学研究院 大范围极端干旱应急监测与影响评估方法及***
CN110263409A (zh) * 2019-06-14 2019-09-20 中国农业科学院农业资源与农业区划研究所 一种主要农作物低温灾害遥感监测预报***及方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652147A (zh) * 2020-06-04 2020-09-11 中电建路桥集团有限公司 减负构件在地下车库空心楼盖施工过程的监控***及方法
CN111949817A (zh) * 2020-09-09 2020-11-17 中国农业科学院农业信息研究所 基于遥感影像的农作物信息展示***、方法、设备及介质
CN112055420A (zh) * 2020-09-10 2020-12-08 深圳鸿祥源科技有限公司 一种基于5g网络通信连接的遥感试验观测处理终端
CN112163533A (zh) * 2020-10-07 2021-01-01 智博云信息科技(广州)有限公司 一种遥感监测自然灾害数据处理方法及***
CN112163533B (zh) * 2020-10-07 2022-05-06 北京华通星元科技有限公司 一种遥感监测自然灾害数据处理方法及***
CN112445882A (zh) * 2020-11-20 2021-03-05 海南省林业科学研究院(海南省红树林研究院) 一种基于业务流程建模的林业信息化平台及其建设方法
CN112668421B (zh) * 2020-12-18 2022-04-29 武汉大学 一种基于注意力机制的无人机高光谱农作物快速分类方法
CN112668421A (zh) * 2020-12-18 2021-04-16 武汉大学 一种基于注意力机制的无人机高光谱农作物快速分类方法
CN112883251A (zh) * 2021-01-09 2021-06-01 重庆市农业科学院 一种基于多星联合的农业辅助***
CN112883251B (zh) * 2021-01-09 2023-01-10 重庆市农业科学院 一种基于多星联合的农业辅助***
CN112668705A (zh) * 2021-03-17 2021-04-16 清华大学 基于深度学习的干旱指数监测方法及***
CN113744074A (zh) * 2021-09-06 2021-12-03 北京超图软件股份有限公司 确定农业作物的减灾保产措施的方法和装置
CN115310796A (zh) * 2022-07-29 2022-11-08 西安理工大学 一种不同类型干旱间传播关系的确定方法及***
CN116029860A (zh) * 2023-03-29 2023-04-28 山东科翔智能科技有限公司 基于gis的智慧农业种植区域规划辅助决策***

Similar Documents

Publication Publication Date Title
CN110942039A (zh) 一种主要农作物高温灾害遥感监测预报***及方法
CN108760643B (zh) 一种适宜于高海拔地区的干旱遥感监测方法
CN109934515B (zh) 一种作物精量灌溉决策方法及***
Masjedi et al. Sorghum biomass prediction using UAV-based remote sensing data and crop model simulation
CN111091079B (zh) 基于tls的高寒脆弱区植被优势单株结构参数测定方法
Parida et al. Detecting drought-prone areas of rice agriculture using a MODIS-derived soil moisture index
CN110930048A (zh) 一种基于成灾机理过程的农作物干旱风险评估***及方法
CN112434569B (zh) 一种无人机热成像***
CN116029860B (zh) 基于gis的智慧农业种植区域规划辅助决策***
CN113273449A (zh) 用于日光温室精准监测的数字孪生体构造方法
Mustafa Spatiotemporal analysis of vegetation cover in Kurdistan region-Iraq using MODIS image data
CN110516943B (zh) 一种基于地表温度的春灌期灌溉面积动态监测遥感方法
CN116227758A (zh) 基于遥感技术和深度学习的农产品成熟度预测方法及***
CN113570273B (zh) 一种灌溉耕地统计数据的空间化方法及***
CN107437262B (zh) 作物种植面积预警方法和***
Liu et al. Open-air grape classification and its application in parcel-level risk assessment of late frost in the eastern Helan Mountains
CN107491724B (zh) 一种冬小麦穗分化期识别方法及装置
CN117114147A (zh) 基于雷达和卫星遥感的森林植被碳储量估算的方法和装置
Singla et al. Spatiotemporal analysis of LANDSAT Data for Crop Yield Prediction.
Lambin et al. Agricultural production monitoring in the Sahel using remote sensing: Present possibilities and research needs
CN115100551A (zh) 一种基于遥感影像技术的土地利用属性的监测方法
CN113156082B (zh) 一种识别作物根系活动层深度的方法及***
Memduhoğlu Identifying impervious surfaces for rainwater harvesting feasibility using unmanned aerial vehicle imagery and machine learning classification
Dalezios et al. Remotely sensed cotton evapotranspiration for irrigation water management in vulnerable agriculture of central Greece
Laneve et al. Sino-Eu Earth Observation Data to Support the Monitoring and Management of Agricultural Resources

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