CN113125383A - 基于遥感的农耕用地次生盐渍化监测和预警方法和*** - Google Patents
基于遥感的农耕用地次生盐渍化监测和预警方法和*** Download PDFInfo
- Publication number
- CN113125383A CN113125383A CN202110419468.4A CN202110419468A CN113125383A CN 113125383 A CN113125383 A CN 113125383A CN 202110419468 A CN202110419468 A CN 202110419468A CN 113125383 A CN113125383 A CN 113125383A
- Authority
- CN
- China
- Prior art keywords
- soil
- soil salinity
- early warning
- spectral
- remote sensing
- 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
Links
- 238000009313 farming Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 239000002689 soil Substances 0.000 claims abstract description 257
- 230000003595 spectral effect Effects 0.000 claims abstract description 138
- 238000002310 reflectometry Methods 0.000 claims abstract description 45
- 150000003839 salts Chemical class 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims description 35
- 238000003860 storage Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003331 infrared imaging Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 239000003673 groundwater Substances 0.000 description 8
- 238000003973 irrigation Methods 0.000 description 6
- 230000002262 irrigation Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 239000011780 sodium chloride Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开的一种基于遥感的农耕用地次生盐渍化监测和预警方法红和***，包括：采集目标区域内农耕用地光谱影像信息以及红外线影像信息；将所述的光谱影像信息和红外线影像信息进行预处理后得到所述农耕用地的遥感影像信息；获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，同时根据所述相关系数引入土壤含盐量估算模型；通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息。
Description
技术领域
本发明涉及一种农耕用地次生盐渍化监测和预警方法，更具体的，涉及一种基于遥感的农耕用地次生盐渍化监测和预警方法、***和可读存储介质。
背景技术
随着社会经济不断发展，人类与自然环境的矛盾也日益突出，由于对土壤开发利用不当等问题，致使土壤环境被破坏与土地退化等问题成为人类社会发展的阻碍。次生盐渍化主要发生在蒸发作用强烈的干旱、半干旱地区，作为土地退化的一种类型，次生盐渍化是由于不合理的人为措施而引起盐分在耕作土壤表层积累的过程。主要是因为灌溉***不配套过量灌水，排水受阻引起低下水位上升所致。无人机遥感技术可以快速获取大范围内的地面遥感信息，可以实时、动态地对次生盐渍化状况进行有效监测，并根据监测的次生盐渍化状况采用合适的防治措施，以降低次生盐渍化的危害，提高作物产量。
为了对农耕用地进行精准有效的次生盐渍化监测和预警，需要开发一款利用无人机遥感技术对农耕用地次生盐渍化进行监测和预警的***，该***通过采集目标区域内农耕用地的遥感影像信息；获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，同时根据所述相关系数确定响应波段，引入土壤含盐量估算模型；通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息。在进行***实现过程中，如何通过光谱数据和土壤含盐量相关系数确定优先相应波段以及如何对目标区域内土壤含盐量进行估算都是亟不可待需要解决的问题。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于遥感的农耕用地次生盐渍化监测和预警方法、***及存储介质。
本发明第一方面提供了一种基于遥感的农耕用地次生盐渍化监测和预警方法，包括：
采集目标区域内农耕用地光谱影像信息以及红外线影像信息；
将所述的光谱影像信息和红外线影像信息进行预处理后得到所述农耕用地的遥感影像信息；
获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，同时根据所述相关系数引入土壤含盐量估算模型；
通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息。
本方案中，所述的采集目标区域内农耕用地光谱影像信息以及红外线影像信息采用搭载多光谱遥感传感器及热红外成像***的无人机平台。
本方案中，所述的获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，具体为：将无人机获取的影像信息经过图像滤波预处理，在所述影像信息中选取采样点，确定所述采样点的影像单元，提取所述影像单元的各波段光谱反射率；计算土壤含盐量与光谱数据的相关系数的具体公式为：
其中，Rj表示所求的在第j波段中土壤含盐量与光谱数据的相关系数，Gij表示在第i个取样点在第j波段的光谱反射率，
表示光谱反射率的平均值，Yi表示第i个取样点的土壤含盐量，
表示样本土壤含盐量的平均值，n表示取样个数。
本方案中，通过计算土壤含盐量与光谱数据的相关系数确定土壤含盐量与光谱反射率的最优响应波段，在进行最优响应波段的光谱反射率与土壤含盐量的相关性分析后，利用机器学习方法，引入基于光谱反射率的土壤含盐量估算模型，将所述土壤含盐量估算模型进行误差补偿，提高预测效果，通过所述土壤含盐量估算模型对土壤含盐量进行估算。
本方案中，所述的将土壤含盐量估算模型进行误差补偿，具体为：
通过土壤含盐量估算模型对采样地点土壤含盐量状况进行预测估算；
将所述的预测土壤含盐量状况与实际土壤含盐量状况进行比较得到偏差率；
判断所述偏差率是否大于预设偏差率阈值；
若大于，则生成误差补偿信息，通过所述误差补偿信息对所述土壤含盐量估算模型进行预测精确性修正。
本方案中，所述的通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息，具体为：
获取目标区域内农耕用地的遥感图像信息；
将所述遥感图像信息进行预处理，计算获取光谱反射率，通过所述土壤含盐量估算模型估算土壤含盐量状况；
根据所述土壤含盐量状况生成不同等级的次生盐渍化预警信息；
将所述次生盐渍化预警信息通过预设方式显示。
其中所述土壤含盐量状况计算公式具体为：
其中，Y表示所求土壤含盐量状况，Gb，Gr分别表示蓝光波段和红光波段的光谱反射率。
本发明第二方面还提供了一种基于遥感的农耕用地次生盐渍化监测和预警***，该***包括：存储器、处理器，所述存储器中包括基于遥感的农耕用地次生盐渍化监测和预警方法程序，所述基于遥感的农耕用地次生盐渍化监测和预警方法程序被所述处理器执行时实现如下步骤：
采集目标区域内农耕用地光谱影像信息以及红外线影像信息；
将所述的光谱影像信息和红外线影像信息进行预处理后得到所述农耕用地的遥感影像信息；
获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，同时根据所述相关系数引入土壤含盐量估算模型；
通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息。
本方案中，所述的采集目标区域内农耕用地光谱影像信息以及红外线影像信息采用搭载多光谱遥感传感器及热红外成像***的无人机平台。
本方案中，所述的获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，具体为：将无人机获取的影像信息经过图像滤波预处理，在所述影像信息中选取采样点，确定所述采样点的影像单元，提取所述影像单元的各波段光谱反射率；计算土壤含盐量与光谱数据的相关系数的具体公式为：
其中，Rj表示所求的在第j波段中土壤含盐量与光谱数据的相关系数，Gij表示在第i个取样点在第j波段的光谱反射率，
表示光谱反射率的平均值，Yi表示第i个取样点的土壤含盐量，
表示样本土壤含盐量的平均值，n表示取样个数。
本方案中，通过计算土壤含盐量与光谱数据的相关系数确定土壤含盐量与光谱反射率的最优响应波段，在进行最优响应波段的光谱反射率与土壤含盐量的相关性分析后，利用机器学习方法，引入基于光谱反射率的土壤含盐量估算模型，将所述土壤含盐量估算模型进行误差补偿，提高预测效果，通过所述土壤含盐量估算模型对土壤含盐量进行估算。
本方案中，所述的将土壤含盐量估算模型进行误差补偿，具体为：
通过土壤含盐量估算模型对采样地点土壤含盐量状况进行预测估算；
将所述的预测土壤含盐量状况与实际土壤含盐量状况进行比较得到偏差率；
判断所述偏差率是否大于预设偏差率阈值；
若大于，则生成误差补偿信息，通过所述误差补偿信息对所述土壤含盐量估算模型进行预测精确性修正。
本方案中，所述的通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息，具体为：
获取目标区域内农耕用地的遥感图像信息；
将所述遥感图像信息进行预处理，计算获取光谱反射率，通过所述土壤含盐量估算模型估算土壤含盐量状况；
根据所述土壤含盐量状况生成不同等级的次生盐渍化预警信息；
将所述次生盐渍化预警信息通过预设方式显示。
其中所述土壤含盐量状况计算公式具体为：
其中，Y表示所求土壤含盐量状况，Gb，Gr分别表示蓝光波段和红光波段的光谱反射率。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于遥感的农耕用地次生盐渍化监测和预警方法程序，所述基于遥感的农耕用地次生盐渍化监测和预警方法程序被处理器执行时，实现如上述任一项所述的基于遥感的农耕用地次生盐渍化监测和预警方法的步骤。
本发明公开的一种基于遥感的农耕用地次生盐渍化监测和预警方法、***及可读存储介质，包括：采集目标区域内农耕用地光谱影像信息以及红外线影像信息；将所述的光谱影像信息和红外线影像信息进行预处理后得到所述农耕用地的遥感影像信息；获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，同时根据所述相关系数引入土壤含盐量估算模型；通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息。同时所述土壤含盐量估算模型通过误差补偿信息对模型预测精度进行修正，使得所述土壤含盐量估算模型预测估算的土壤含盐量状况更接近土壤的真实含盐量状况。
附图说明
图1示出了本发明一种基于遥感的农耕用地次生盐渍化监测和预警方法的流程图；
图2示出了本发明土壤含盐量估算模型进行误差补偿的方法流程图；
图3示出了本发明根据盐渍化等级生成预警信息的方法流程图；
图4示出了本发明一种基于遥感的农耕用地次生盐渍化监测和预警***的框图。
具体实施方法
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于遥感的农耕用地次生盐渍化监测和预警方法的流程图。
如图1所示，本发明第一方面提供了一种基于遥感的农耕用地次生盐渍化监测和预警方法，包括：
S102，采集目标区域内农耕用地光谱影像信息以及红外线影像信息；
S104，将所述的光谱影像信息和红外线影像信息进行预处理后得到所述农耕用地的遥感影像信息；
S106，获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，同时根据所述相关系数引入土壤含盐量估算模型；
S108，通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息。
需要说明的是，所述的采集目标区域内农耕用地光谱影像信息以及红外线影像信息采用搭载多光谱遥感传感器及热红外成像***的无人机平台；将无人机各项飞行参数做校准后，通过路线规划软件预设无人机飞行路线，无人机飞行高度100m，光谱镜头垂直向下，每次光谱采集前均在目标区域内设置标准白板，使用标准白板进行校正优化，红外线影像的采集时间与方式与多光谱***保持一致。
需要说明的是，土壤样本的采集采用五点采样法，采样单元为10m*10m，采样深度包括0-20cm，将采集到的土壤放入特定容器中并进行编号，记录取样点的GPS位置坐标，最终样本数据为五点取样的均值，将取样土壤进行进行杂质剔除、研磨以及制备溶液，用电导法测量取样土壤溶液的电导率，通过所述电导率计算得到取样土壤的土壤含盐量。
需要说明的是，所述的获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，具体为：将无人机获取的影像信息经过图像滤波预处理，在所述影像信息中选取采样点，确定所述采样点的影像单元，提取所述影像单元的各波段光谱反射率；计算土壤含盐量与光谱数据的相关系数的具体公式为：
其中，Rj表示所求的在第j波段中土壤含盐量与光谱数据的相关系数，Gij表示在第i个取样点在第j波段的光谱反射率，
表示光谱反射率的平均值，Yi表示第i个取样点的土壤含盐量，
表示样本土壤含盐量的平均值，n表示取样个数。
需要说明的是，通过计算土壤含盐量与光谱数据的相关系数确定土壤含盐量与光谱反射率的最优响应波段，在进行最优响应波段的光谱反射率与土壤含盐量的相关性分析后，利用机器学习方法，引入基于光谱反射率的土壤含盐量估算模型，其中土壤含盐量估算模型构建方法包括偏最小二乘回归、支持向量机、反向传播神经网络以及极限学习机等机器学习方法，将所述土壤含盐量估算模型进行误差补偿，提高预测效果，通过所述土壤含盐量估算模型对土壤含盐量进行估算。
需要说明的是，将不同波段的光谱反射率之间的组合变换获取光谱指数，光谱指数包含更复杂的光谱信息，根据光谱反射率生成不同的光谱指数对土壤含盐量进行预测估算，将光谱指数与农耕用地的土壤含盐量进行相关性分析及优选，再利用机器学习方法构建基于光谱指数的土壤含盐量估算模型，其中光谱指数的计算方法具体为：
其中，Z表示所求的光谱指数，α、β、μ分别表示550nm、680nm、800nm波长处的光谱反射率。
图2示出了本发明土壤含盐量估算模型进行误差补偿的方法流程图；
根据本发明实施例，所述的将土壤含盐量估算模型进行误差补偿，具体为：
S202，通过土壤含盐量估算模型对采样地点土壤含盐量状况进行预测估算；
S204，将所述的预测土壤含盐量状况与实际土壤含盐量状况进行比较得到偏差率；
S206，判断所述偏差率是否大于预设偏差率阈值；
S208，若大于，则生成误差补偿信息，通过所述误差补偿信息对所述土壤含盐量估算模型进行预测精确性修正。
需要说明的是，通过判断预测土壤含盐量状况与实际土壤含盐量状况二者之间的偏差率，生成误差补偿信息，根据误差补偿信息对土壤含盐量模型进行干扰因素的排除，有效提高部分波段光谱反射率与土壤含盐量的相关性，并提高模型精度。
图3示出了本发明根据盐渍化等级生成预警信息的方法流程图；
根据本发明实施例，所述的通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息，具体为：
S302，获取目标区域内农耕用地的遥感图像信息；
S304，将所述遥感图像信息进行预处理，计算获取光谱反射率，通过所述土壤含盐量估算模型估算土壤含盐量状况；
S306，根据所述土壤含盐量状况生成不同等级的次生盐渍化预警信息；
S308，将所述次生盐渍化预警信息通过预设方式显示。
需要说明的是，所述土壤含盐量状况计算公式具体为：
其中，Y表示所求土壤含盐量状况，Gb，Gr分别表示蓝光波段和红光波段的光谱反射率。
需要说明的是，土壤的盐渍化等级划分具体为，土壤含盐量小于0.2％为非盐土，土壤含盐量在0.2％-0.5％之间为轻度盐渍化，土壤含盐量在0.5％-1.0％之间为重度盐渍化，土壤含盐量大于1.0％为盐土。获取目标区域内农耕用地遥感影像后，通过土壤含盐量估算模型预测估算土壤含盐量，通过所得的土壤含盐量对比所述土壤盐渍化等级划分参考范围，将所述的土壤盐渍化等级对应相关等级的预警信息，并将预警信息按照预设的方式显示。
需要说明的是，根据本发明实施例，通过地下水监测模块实时监测地下水位信息，根据监测到的地下水位信息进行提前预警，设置低下水位信息预警水位，判断监测到的地下水位信息是否大于预警水位，若大于，则将预警信息通过预设方式进行显示，并及时对灌溉***和排水***进行检查；在具体实施过程中，可根据目标区域的自然气候规律设置调控标准，设置多级地下水位信息预警水位，设置汛期或旱期灌溉参考方案。
图4示出了本发明一种基于遥感的农耕用地次生盐渍化监测和预警***的框图。
本发明第二方面还提供了一种基于遥感的农耕用地次生盐渍化监测和预警***4，该***包括：存储器41、处理器42，所述存储器中包括基于物联网的农作物病虫害监控方法程序，所述基于物联网的农作物病虫害监控方法程序被所述处理器执行时实现如下步骤：
采集目标区域内农耕用地光谱影像信息以及红外线影像信息；
将所述的光谱影像信息和红外线影像信息进行预处理后得到所述农耕用地的遥感影像信息；
获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，同时根据所述相关系数引入土壤含盐量估算模型；
通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息。
需要说明的是，所述的采集目标区域内农耕用地光谱影像信息以及红外线影像信息采用搭载多光谱遥感传感器及热红外成像***的无人机平台；将无人机各项飞行参数做校准后，通过路线规划软件预设无人机飞行路线，无人机飞行高度100m，光谱镜头垂直向下，每次光谱采集前均在目标区域内设置标准白板，使用标准白板进行校正优化，红外线影像的采集时间与方式与多光谱***保持一致。
需要说明的是，土壤样本的采集采用五点采样法，采样单元为10m*10m，采样深度包括0-20cm，将采集到的土壤放入特定容器中并进行编号，记录取样点的GPS位置坐标，最终样本数据为五点取样的均值，将取样土壤进行进行杂质剔除、研磨以及制备溶液，用电导法测量取样土壤溶液的电导率，通过所述电导率计算得到取样土壤的土壤含盐量。
需要说明的是，所述的获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，具体为：将无人机获取的影像信息经过图像滤波预处理，在所述影像信息中选取采样点，确定所述采样点的影像单元，提取所述影像单元的各波段光谱反射率；计算土壤含盐量与光谱数据的相关系数的具体公式为：
其中，Rj表示所求的在第j波段中土壤含盐量与光谱数据的相关系数，Gij表示在第i个取样点在第j波段的光谱反射率，
表示光谱反射率的平均值，Yi表示第i个取样点的土壤含盐量，
表示样本土壤含盐量的平均值，n表示取样个数。
需要说明的是，通过计算土壤含盐量与光谱数据的相关系数确定土壤含盐量与光谱反射率的最优响应波段，在进行最优响应波段的光谱反射率与土壤含盐量的相关性分析后，利用机器学习方法，引入基于光谱反射率的土壤含盐量估算模型，其中土壤含盐量估算模型构建方法包括偏最小二乘回归、支持向量机、反向传播神经网络以及极限学习机等机器学习方法，将所述土壤含盐量估算模型进行误差补偿，提高预测效果，通过所述土壤含盐量估算模型对土壤含盐量进行估算。
需要说明的是，将不同波段的光谱反射率之间的组合变换获取光谱指数，光谱指数包含更复杂的光谱信息，根据光谱反射率生成不同的光谱指数对土壤含盐量进行预测估算，将光谱指数与农耕用地的土壤含盐量进行相关性分析及优选，再利用机器学习方法构建基于光谱指数的土壤含盐量估算模型，其中光谱指数的计算方法具体为：
其中，Z表示所求的光谱指数，α、β、μ分别表示550nm、680nm、800nm波长处的光谱反射率。
需要说明的是，所述的将土壤含盐量估算模型进行误差补偿，具体为：
通过土壤含盐量估算模型对采样地点土壤含盐量状况进行预测估算；
将所述的预测土壤含盐量状况与实际土壤含盐量状况进行比较得到偏差率；
判断所述偏差率是否大于预设偏差率阈值；
若大于，则生成误差补偿信息，通过所述误差补偿信息对所述土壤含盐量估算模型进行预测精确性修正。
需要说明的是，通过判断预测土壤含盐量状况与实际土壤含盐量状况二者之间的偏差率，生成误差补偿信息，根据误差补偿信息对土壤含盐量模型进行干扰因素的排除，有效提高部分波段光谱反射率与土壤含盐量的相关性，并提高模型精度。
需要说明的是，所述的通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息，具体为：
获取目标区域内农耕用地的遥感图像信息；
将所述遥感图像信息进行预处理，计算获取光谱反射率，通过所述土壤含盐量估算模型估算土壤含盐量状况；
根据所述土壤含盐量状况生成不同等级的次生盐渍化预警信息；
将所述次生盐渍化预警信息通过预设方式显示。
需要说明的是，所述土壤含盐量状况计算公式具体为：
其中，Y表示所求土壤含盐量状况，Gb，Gr分别表示蓝光波段和红光波段的光谱反射率。
需要说明的是，土壤的盐渍化等级划分具体为，土壤含盐量小于0.2％为非盐土，土壤含盐量在0.2％-0.5％之间为轻度盐渍化，土壤含盐量在0.5％-1.0％之间为重度盐渍化，土壤含盐量大于1.0％为盐土。获取目标区域内农耕用地遥感影像后，通过土壤含盐量估算模型预测估算土壤含盐量，通过所得的土壤含盐量对比所述土壤盐渍化等级划分参考范围，将所述的土壤盐渍化等级对应相关等级的预警信息，并将预警信息按照预设的方式显示。
需要说明的是，根据本发明实施例，通过地下水监测模块实时监测地下水位信息，根据监测到的地下水位信息进行提前预警，设置低下水位信息预警水位，判断监测到的地下水位信息是否大于预警水位，若大于，则将预警信息通过预设方式进行显示，并及时对灌溉***和排水***进行检查；在具体实施过程中，可根据目标区域的自然气候规律设置调控标准，设置多级地下水位信息预警水位，设置汛期或旱期灌溉参考方案。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于遥感的农耕用地次生盐渍化监测和预警方法程序，所述基于遥感的农耕用地次生盐渍化监测和预警方法程序被处理器执行时，实现如上述任一项所述的基于遥感的农耕用地次生盐渍化监测和预警方法的步骤。
本发明公开的一种基于遥感的农耕用地次生盐渍化监测和预警方法、***及可读存储介质，包括：采集目标区域内农耕用地光谱影像信息以及红外线影像信息；将所述的光谱影像信息和红外线影像信息进行预处理后得到所述农耕用地的遥感影像信息；获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，同时根据所述相关系数引入土壤含盐量估算模型；通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息。同时所述土壤含盐量估算模型通过误差补偿信息对模型预测精度进行修正，使得所述土壤含盐量估算模型预测估算的土壤含盐量状况更接近土壤的真实含盐量状况。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
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于计算机可读取存储介质中，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：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于遥感的农耕用地次生盐渍化监测和预警方法，其特征在于，包括：
采集目标区域内农耕用地光谱影像信息以及红外线影像信息；
将所述的光谱影像信息和红外线影像信息进行预处理后得到所述农耕用地的遥感影像信息；
获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，同时根据所述相关系数引入土壤含盐量估算模型；
通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息。
2.根据权利要求1所述的一种基于遥感的农耕用地次生盐渍化监测和预警方法，其特征在于，所述的采集目标区域内农耕用地光谱影像信息以及红外线影像信息采用搭载多光谱遥感传感器及热红外成像***的无人机平台。
3.根据权利要求1所述的一种基于遥感的农耕用地次生盐渍化监测和预警方法，其特征在于，所述的获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，具体为：将无人机获取的影像信息经过图像滤波预处理，在所述影像信息中选取采样点，确定所述采样点的影像单元，提取所述影像单元的各波段光谱反射率；计算土壤含盐量与光谱数据的相关系数的具体公式为：
其中，Rj表示所求的在第j波段中土壤含盐量与光谱数据的相关系数，Gij表示在第i个取样点在第j波段的光谱反射率，
表示光谱反射率的平均值，Yi表示第i个取样点的土壤含盐量，
表示样本土壤含盐量的平均值，n表示取样个数。
4.根据权利要求3所述的一种基于遥感的农耕用地次生盐渍化监测和预警方法，其特征在于，通过计算土壤含盐量与光谱数据的相关系数确定土壤含盐量与光谱反射率的最优响应波段，在进行最优响应波段的光谱反射率与土壤含盐量的相关性分析后，利用机器学习方法，引入基于光谱反射率的土壤含盐量估算模型，将所述土壤含盐量估算模型进行误差补偿，提高预测效果，通过所述土壤含盐量估算模型对土壤含盐量进行估算。
5.根据权利要求4所述的一种基于遥感的农耕用地次生盐渍化监测和预警方法，其特征在于，所述的将土壤含盐量估算模型进行误差补偿，具体为：
通过土壤含盐量估算模型对采样地点土壤含盐量状况进行预测估算；
将所述的预测土壤含盐量状况与实际土壤含盐量状况进行比较得到偏差率；
判断所述偏差率是否大于预设偏差率阈值；
若大于，则生成误差补偿信息，通过所述误差补偿信息对所述土壤含盐量估算模型进行预测精确性修正。
6.根据权利要求1所述的一种基于遥感的农耕用地次生盐渍化监测和预警方法，其特征在于，所述的通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息，具体为：
获取目标区域内农耕用地的遥感图像信息；
将所述遥感图像信息进行预处理，计算获取光谱反射率，通过所述土壤含盐量估算模型估算土壤含盐量状况；
根据所述土壤含盐量状况生成不同等级的次生盐渍化预警信息；
将所述次生盐渍化预警信息通过预设方式显示。
其中所述土壤含盐量状况计算公式具体为：
其中，Y表示所求土壤含盐量状况，Gb，Gr分别表示蓝光波段和红光波段的光谱反射率。
7.一种基于遥感的农耕用地次生盐渍化监测和预警***，其特征在于，该***包括：存储器、处理器，所述存储器中包括基于遥感的农耕用地次生盐渍化监测和预警方法程序，所述基于遥感的农耕用地次生盐渍化监测和预警方法程序被所述处理器执行时实现如下步骤：
采集目标区域内农耕用地光谱影像信息以及红外线影像信息；
将所述的光谱影像信息和红外线影像信息进行预处理后得到所述农耕用地的遥感影像信息；
获取光谱反射率，计算获取土壤含盐量与光谱数据的相关系数，同时根据所述相关系数引入土壤含盐量估算模型；
通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息。
8.根据权利要求7所述的一种基于遥感的农耕用地次生盐渍化监测和预警***，其特征在于，通过计算土壤含盐量与光谱数据的相关系数确定土壤含盐量与光谱反射率的最优响应波段，在进行最优响应波段的光谱反射率与土壤含盐量的相关性分析后，利用机器学习方法，引入基于光谱反射率的土壤含盐量估算模型，将所述土壤含盐量估算模型进行误差补偿，提高预测效果，通过所述土壤含盐量估算模型对土壤含盐量进行估算。
9.根据权利要求7所述的一种基于遥感的农耕用地次生盐渍化监测和预警***，其特征在于，所述的通过所述土壤含盐量估算模型对土壤含盐量进行估算，并根据所述土壤含盐量对次生盐渍化进行等级划分并生成预警信息，具体为：
获取目标区域内农耕用地的遥感图像信息；
将所述遥感图像信息进行预处理，计算获取光谱反射率，通过所述土壤含盐量估算模型估算土壤含盐量状况；
根据所述土壤含盐量状况生成不同等级的次生盐渍化预警信息；
将所述次生盐渍化预警信息通过预设方式显示；
其中所述土壤含盐量状况计算公式具体为：
其中，Y表示所求土壤含盐量状况，Gb，Gr分别表示蓝光波段和红光波段的光谱反射率。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于遥感的农耕用地次生盐渍化监测和预警方法程序，所述基于遥感的农耕用地次生盐渍化监测和预警方法程序被处理器执行时，实现如权利要求1至6中任一项所述的基于遥感的农耕用地次生盐渍化监测和预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110419468.4A CN113125383A (zh) | 2021-04-19 | 2021-04-19 | 基于遥感的农耕用地次生盐渍化监测和预警方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110419468.4A CN113125383A (zh) | 2021-04-19 | 2021-04-19 | 基于遥感的农耕用地次生盐渍化监测和预警方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113125383A true CN113125383A (zh) | 2021-07-16 |
Family
ID=76778092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110419468.4A Pending CN113125383A (zh) | 2021-04-19 | 2021-04-19 | 基于遥感的农耕用地次生盐渍化监测和预警方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113125383A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023088366A1 (zh) * | 2021-11-18 | 2023-05-25 | 浙江大学 | 一种利用时间序列遥感影像联合估算土壤剖面盐分的方法 |
| CN116310842A (zh) * | 2023-05-15 | 2023-06-23 | 菏泽市国土综合整治服务中心 | 基于遥感图像的土壤盐碱区域识别划分方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018153143A1 (zh) * | 2017-02-22 | 2018-08-30 | 河海大学 | 一种利用遥感含水量测量滩涂高程的方法 |
| CN108680509A (zh) * | 2018-08-17 | 2018-10-19 | 山东农业大学 | 一种滨海盐渍区土壤盐分含量估算方法 |
| CN109342337A (zh) * | 2018-12-19 | 2019-02-15 | 山东农业大学 | 一种重度盐渍土盐分获取方法、***及装置 |
| CN110412245A (zh) * | 2019-08-07 | 2019-11-05 | 石河子大学 | 土壤盐渍化程度遥感监测的研究方法 |
| CN112147078A (zh) * | 2020-09-22 | 2020-12-29 | 华中农业大学 | 一种农作物表型信息多源遥感监测方法 |
| CN112213287A (zh) * | 2020-12-07 | 2021-01-12 | 速度时空信息科技股份有限公司 | 基于遥感卫星影像的沿海滩涂盐度反演的方法 |
-
2021
- 2021-04-19 CN CN202110419468.4A patent/CN113125383A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018153143A1 (zh) * | 2017-02-22 | 2018-08-30 | 河海大学 | 一种利用遥感含水量测量滩涂高程的方法 |
| CN108680509A (zh) * | 2018-08-17 | 2018-10-19 | 山东农业大学 | 一种滨海盐渍区土壤盐分含量估算方法 |
| CN109342337A (zh) * | 2018-12-19 | 2019-02-15 | 山东农业大学 | 一种重度盐渍土盐分获取方法、***及装置 |
| CN110412245A (zh) * | 2019-08-07 | 2019-11-05 | 石河子大学 | 土壤盐渍化程度遥感监测的研究方法 |
| CN112147078A (zh) * | 2020-09-22 | 2020-12-29 | 华中农业大学 | 一种农作物表型信息多源遥感监测方法 |
| CN112213287A (zh) * | 2020-12-07 | 2021-01-12 | 速度时空信息科技股份有限公司 | 基于遥感卫星影像的沿海滩涂盐度反演的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 胡盈盈等: "黄河三角洲春秋两季土壤盐分遥感反演及时空变异研究", 《测绘与空间地理信息》 * |
| 陈实等: "北疆农区土壤盐渍化遥感监测及其时空特征分析", 《地理科学》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023088366A1 (zh) * | 2021-11-18 | 2023-05-25 | 浙江大学 | 一种利用时间序列遥感影像联合估算土壤剖面盐分的方法 |
| CN116310842A (zh) * | 2023-05-15 | 2023-06-23 | 菏泽市国土综合整治服务中心 | 基于遥感图像的土壤盐碱区域识别划分方法 |
| CN116310842B (zh) * | 2023-05-15 | 2023-08-04 | 菏泽市国土综合整治服务中心 | 基于遥感图像的土壤盐碱区域识别划分方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Addink et al. | The importance of scale in object-based mapping of vegetation parameters with hyperspectral imagery | |
| McFarlane et al. | The extent and potential area of salt-affected land in Western Australia estimated using remote sensing and digital terrain models | |
| Sarker et al. | Improved forest biomass estimates using ALOS AVNIR-2 texture indices | |
| US20120114185A1 (en) | System and method for inventorying vegetal substance | |
| Cullu | Estimation of the effect of soil salinity on crop yield using remote sensing and geographic information system | |
| Plowright et al. | Assessing urban tree condition using airborne light detection and ranging | |
| CN111784082B (zh) | 一种基于大数据的gis山洪预防预警*** | |
| CN113125383A (zh) | 基于遥感的农耕用地次生盐渍化监测和预警方法和*** | |
| CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及*** | |
| CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
| CN108106676A (zh) | 一种基于遥感数据的农作物晚霜冻害的监测方法和装置 | |
| CN116385867A (zh) | 生态地块监测识别与分析方法、***、介质、设备及终端 | |
| CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及*** | |
| CN111783288A (zh) | 基于Landsat8对黄河三角洲土壤盐分的反演方法 | |
| Sun et al. | Identifying terraces in the hilly and gully regions of the Loess Plateau in China | |
| Na et al. | Assessing breeding habitat suitability for the endangered red-crowned crane (Grus japonensis) based on multi-source remote sensing data | |
| Moradi et al. | Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network | |
| CN115271343A (zh) | 一种缺水区作物种植结构监测和调整决策的方法及*** | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| Martinez et al. | Multi-sensor approach to leaf area index estimation using statistical machine learning models: A case on mangrove forests | |
| Huang et al. | Comparing the effects of temporal features derived from synthetic time-series NDVI on fine land cover classification | |
| Suwanlee et al. | DROUGHT MONITORING FROM 2001–2019 IN NORTHEAST THAILAND USING MODIS NDVI IMAGE TIME SERIES AND Savitzky-Golay APPROACH | |
| Mohsin et al. | Modelling of stand volume of eucalyptus plantations using worldview-2 imagery in Sabah, Malaysia | |
| CN118153784B (zh) | 基于多源数据的农产品信息自动更新方法及*** | |
| CN115993336B (zh) | 一种输水渠渠道两侧植被损坏监测方法及预警方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210716 |
|
| RJ01 | Rejection of invention patent application after publication |