CN113156082B - 一种识别作物根系活动层深度的方法及*** - Google Patents
一种识别作物根系活动层深度的方法及*** Download PDFInfo
- Publication number
- CN113156082B CN113156082B CN202110204767.6A CN202110204767A CN113156082B CN 113156082 B CN113156082 B CN 113156082B CN 202110204767 A CN202110204767 A CN 202110204767A CN 113156082 B CN113156082 B CN 113156082B
- Authority
- CN
- China
- Prior art keywords
- model
- soil moisture
- change rate
- digital
- point
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 239000002689 soil Substances 0.000 claims abstract description 304
- 230000008859 change Effects 0.000 claims abstract description 231
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 54
- 230000000694 effects Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims description 61
- 230000006870 function Effects 0.000 claims description 29
- 238000005259 measurement Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003973 irrigation Methods 0.000 claims description 9
- 230000002262 irrigation Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000005527 soil sampling Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 22
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000009434 installation Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013524 data verification Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009328 dry farming Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 101100207343 Antirrhinum majus 1e20 gene Proteins 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的识别作物根系活动层深度的方法及***,包括:采集不同深度的土壤含水量构建时间序列数据;将其转换为三维空间坐标系下的点位数据;对点位数据进行空间插值处理,构建数字土壤水分湿度空间模型;对其进行模型变化速率和变化方向计算,以构建数字土壤水分变化速率模型和数字土壤水分变化方向模型;确定根系活动区域的中点的深度值作为作物根系活动层深度。本发明通过构建三维空间坐标系框架将时序数据转换为空间坐标系下的点数据进而利用高精度插值算法获取面状数字土壤水分湿度空间模型,再通过三维空间像元变化速率与变化方向分析最终得出精准作物根系活动层深度,实现了非破坏性作物根系水分变化监测,识别精度高、成本低、易推广。
Description
技术领域
本发明涉及农业信息技术领域,尤其涉及一种识别作物根系活动层深度的方法及***。
背景技术
作物根系活动层是指作物主要根系能从中吸收水分的土层。在该土层中作物的根量约占总根量的90%以上。据测定,冬小麦根深可达1.5~2.0m以上,但90%的根量分布在0~60cm表土层内;玉米根系最深可达到2m以上,一般为1.0m左右,但主要根系分布于0~50cm的表土层中;棉花的主要根系也分布在0~50cm的表土层中。作物根系活动层是制定土壤计划湿润层从而确定灌溉水量的重要指标。在作物生育期应根据作物生长发育的需要,保证作物根系活动层的土壤中水分适宜,精准识别出作物根系活动层深度对实现精准灌溉、农业节水等具有极其重要的意义。作物根系活动层深度与作物类型品种、生长阶段、土壤类型、土壤水分条件等有关,受到的影响条件多,相互关系复杂。
现有应用实践中一般是根据以往的种植经验以及资料,估算不同生育期间的作物根系深度,这种方式通常基于生育期对作物根系深度划分2-3个等级,给出变化区间较为简单粗糙,难以达到精准农业对该指标的作业要求。
此外,现有技术方案中,通过安装多组土壤水分和土壤湿度传感器,进而对比各传感器所检测的温度与湿度的差值,以判断活动层深度。这种方法不仅需要预留对照设备和空白田块造成农田二次破坏和浪费,且对传感器安装位置要求极高。由于不同点位间的影响因素复杂,通过多传感器间对照的方式判别并不可靠甚至是会造成错误。
此外,有技术方案提出使用探地雷达来探测作物根深,该方法无法精准识别作物根系活动层深度且市场价格高,使得多设备或特殊设备的监测方法不仅对现场安装实施要求极高也使得后期的安装与维护成本变得高昂,极难用于实际推广应用。
有鉴于此,亟需通过方法和***创新,实现以较低成本高精度获取农田作物根系活动层深度的方法和***。
发明内容
针对现有技术在进行作物根系活动层深度识别时所存在的根系深度探测方法精度低,难以满足精准农业的定量化要求以及根系深度探测所需传感器种类、数量多,设备成本高,可推广性差等缺陷,本发明实施例提供一种识别作物根系活动层深度的方法及***。
本发明提供一种识别作物根系活动层深度的方法,包括:利用设置于目标测量点的土壤水分传感器,按预设时间间隔采集不同深度的土壤含水量,构建时间序列数据;在构建三维空间坐标系之后,将时间序列数据转换为三维空间坐标系下的点位数据;对点位数据进行空间插值处理,构建数字土壤水分湿度空间模型;对数字土壤水分湿度空间模型进行模型变化速率计算,以根据计算结果构建数字土壤水分变化速率模型;对数字土壤水分湿度空间模型进行模型变化方向计算,以根据计算结果构建数字土壤水分变化方向模型;基于数字土壤水分变化速率模型和数字土壤水分变化方向模型,确定根系活动区域;并将根系活动区域的中点所对应的深度值作为作物根系活动层深度。
根据本发明提供的一种识别作物根系活动层深度的方法,,所述三维空间坐标系,包括x,y,z三个互相垂直的要向轴;x轴用于表示时间维度轴,y轴用于表示土壤深度维度的轴,z轴用于表示土壤含水量维度的轴。
相应地,所述将时间序列数据转换为所述三维空间坐标系下的点位数据,包括:将时间序列数据中的每一条数据转换为三维空间坐标系下的一个空间要素点;按照间隔采样顺序,确定时间序列数据中的每条目标数据对应的点位数据x轴值;定义每条目标数据对应的土壤采样深度中点所对应的深度值作为点位数据y轴值;将目标数据对应的土壤含水量作为点位数据z轴值。
根据本发明提供的一种识别作物根系活动层深度的方法,所述对点位数据进行空间插值处理,构建数字土壤水分湿度空间模型,包括:
在点位数据所在的三维空间区域内任一目标数据点(xi,yi,z(xi,yi))的土壤含水量z(xi,yi)具有二次连续导数的情况下,确定所述目标数据点的能量函数;确定能量函数的最小化能量函数;基于数据离散点的表列形式,获取目标数据点的土壤含水量预测值函数,以计算目标数据点的土壤含水量预测值;根据预设像元大小,以像元中心点所对应的目标数据点的土壤含水量预测值作为像元值,构建数字土壤水分湿度空间模型。
根据本发明提供的一种识别作物根系活动层深度的方法,所述对所述数字土壤水分湿度空间模型进行模型变化速率计算,以根据计算结果构建数字土壤水分变化速率模型,包括:
利用数字模型变化速率计算公式,在所述数字土壤水分湿度空间模型的栅格表面,根据任一中心像元在x轴方向变化率和y轴方向变化率,确定所述任一中心像元的变化率;根据任一中心像元的变化率,获取土壤水分变化速率特征,以构建数字土壤水分变化速率模型。
所述数字模型变化速率计算公式的表达式为:
其中,slope_radians为任一中心像元的变化率,ATAN为反正切函数,dz/dx为任一中心像元的x轴方向变化率,dz/dy为任一中心像元的y轴方向变化率。
根据本发明提供的一种识别作物根系活动层深度的方法,所述对数字土壤水分湿度空间模型进行模型变化方向计算,以根据计算结果构建数字土壤水分变化方向模型,包括:
利用数字模型变化方向计算公式,在所述数字土壤水分湿度空间模型的栅格表面,根据任一中心像元在x轴方向变化率和x轴方向变化率,确定所述任一中心像元的变化方向;根据所述任一中心像元的变化方向,获取土壤水分变化方向特征,以构建所述数字土壤水分变化方向模型。
所述数字模型变化方向计算公式的表达式为:
aspect=57.29578*ATAN2([dz/dy],-[dz/dx]);
其中,aspect为任一中心像元的变化方向,ATAN2为四象限反正切函数,dz/dx为任一中心像元的x轴方向变化率,dz/dy为任一中心像元的y轴方向变化率。
根据本发明提供的一种识别作物根系活动层深度的方法,所述基于数字土壤水分变化速率模型和所述数字土壤水分变化方向模型,确定根系活动区域,包括:
选取所述数字土壤水分变化速率模型中的像元值范围在第一预设范围内的像元,生成第一栅格模型LayerSS;选取所述数字土壤水分变化方向模型中的像元值范围在第二预设范围内的像元,生成第二栅格模型LayerAS;分别将第一栅格模型LayerSS和第二栅格模型LayerAS转换为第一矢量区域和第二矢量区域;获取所述第一矢量区域和所述第二矢量区域的相交矢量区域;在相交矢量区域中,沿y轴由高点向下选取第一个聚集矢量兴趣区域,作为根系活动区域。
根据本发明提供的一种识别作物根系活动层深度的方法,
本发明还提供一种识别作物根系活动层深度的***,包括:在利用设置于目标测量点的土壤水分传感器,按预设时间间隔采集不同深度的土壤含水量之前,还包括:
选取种植有同一目标作物的连片区域;在连片区域内选取预设数量的参考测量点;基于加权中心点法,根据参考测量点的平面坐标值,确定连片区域的目标测量点。
所述目标测量点的表达式为:
根据本发明提供的一种识别作物根系活动层深度的***,包括:数据采集处理单元,用于利用设置于目标测量点的土壤水分传感器,按预设时间间隔采集不同深度的土壤含水量,构建时间序列数据;三维空间构建单元,用于在构建三维空间坐标系之后,将时间序列数据转换为三维空间坐标系下的点位数据;湿度模型构建单元,用于对点位数据进行空间插值处理,构建数字土壤水分湿度空间模型;模型分析处理单元,用于对数字土壤水分湿度空间模型进行模型变化速率计算,以根据计算结果构建数字土壤水分变化速率模型;对数字土壤水分湿度空间模型进行模型变化方向计算,以根据计算结果构建数字土壤水分变化方向模型;根系深度判断单元,用于基于数字土壤水分变化速率模型和数字土壤水分变化方向模型,确定根系活动区域;并将根系活动区域的中点所对应的深度值作为作物根系活动层深度。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述识别作物根系活动层深度的方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述识别作物根系活动层深度的方法的步骤。
本发明提供的识别作物根系活动层深度的方法及***,通过构建三维空间坐标系框架将时序数据转换为空间坐标系下的点数据进而利用高精度插值算法获取面状数字土壤水分湿度空间模型,再通过三维空间像元变化速率与变化方向分析最终得出精准作物根系活动层深度,实现了非破坏性作物根系水分变化监测,识别精度高、成本低、易推广。
附图说明
为了更清楚地说明本发明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一简单地介绍,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是本发明提供的识别作物根系活动层深度的方法的流程示意图之一;
图2是本发明提供的识别作物根系活动层深度的方法的流程示意图之二;
图3是本发明提供的中心像元及其相邻的八个像元的分布示意图;
图4是本发明提供的识别作物根系活动层深度的***的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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作出创造性劳动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。
需要说明的是,在本发明实施例的描述中,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要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合图1-图4描述本发明实施例所提供的识别作物根系活动层深度的方法和***。
地理信息***(Geographic Information System,GIS)技术是用于处理地理空间数据的技术方法,其核心能力在于处理具有空间坐标参考的点、线、面、体形式组成的栅格数据与矢量数据,且拥有原生强大的可视化表达。
通过GIS技术可以实现空间坐标系下多维度数据的复杂空间分析,如通过空间插值算法可以实现将点状数据扩展为面状预测模型进而获得空间任意点的预测属性值、
通过对面状预测模型的变化速率、变化方向分析可以基于数字高程模型(DigitalElevation Model,DEM)获得任意像元和区域的变化速率和变化方向。
通过空间叠加分析可以快速获取不同图层在相同位置的交并集区域。不仅如此,对于任意符合空间参考坐标系框架的多维度数据,GIS技术都可以进行相应的空间处理与分析,其原生对于空间大数据可视化优势更是便于对数据过程和结果进行可视化表达。
正是鉴于精准识别作物根系活动层深度的重要性和现有技术方案的缺陷,本发明创新性提出利用GIS技术针对单站点土壤水分传感器所获取的时间序列数据进行分析进而获得精准的作物根系活动层深度。
图1是本发明提供的识别作物根系活动层深度的方法的流程示意图之一,如图1所示,包括但不限于以下步骤:
步骤101:利用设置于目标测量点的土壤水分传感器,按预设时间间隔采集不同深度的土壤含水量,构建时间序列数据;
步骤102:在构建三维空间坐标系之后,将时间序列数据转换为三维空间坐标系下的点位数据;
步骤103:对点位数据进行空间插值处理,构建数字土壤水分湿度空间模型;
步骤104:对数字土壤水分湿度空间模型进行模型变化速率计算,以根据计算结果构建数字土壤水分变化速率模型;对数字土壤水分湿度空间模型进行模型变化方向计算,以根据计算结果构建数字土壤水分变化方向模型;
步骤105:基于数字土壤水分变化速率模型和数字土壤水分变化方向模型,确定根系活动区域;并将根系活动区域的中点所对应的深度值作为作物根系活动层深度。
图2是本发明提供的识别作物根系活动层深度的方法的流程示意图之二,如图2所示,本发明提供的活动层深度识别方法,主要包括以下步骤:
首先,在进行识别前,需要在待测量田块中进行土壤水分传感器选点安置,包括:在待测量田块中选取种植相同目标作物的旱作农田,并根据实际田块情况,利用加权中心点法找到待测量田块的中心点,并在该中心点安装土壤水分传感器。
然后,进入至步骤101,主要是进行时间序列数据的采集与传输,包括:利用预先安装于田块中的目标测量点处的土壤水分传感器,按照预设的时间间隔采集该点位处不同深度的土壤含水量(即土壤水分体积含量值),例如:控制土壤水分传感器,按照每12小时采集一次的频次进行数据采集,每次采集目标测量点地表下20cm、40cm、60cm以及80cm深处的土壤含水量。
土壤水分传感器在每个采样周期结束后,可以将采集的数据生成数据报文后,通过3G/4G网络将采集的数据实时回传至云端服务器端口。运行在云端服务器的数据接收程序实时监听端口的状态,并对回传的数据进行解析和数据校验,以将符合规范的数据存入数据库。
可选地,上述利用云端数据库存储土壤水分传感器采集的数据的过程可以具体包括以下步骤:
安装于田间目标测量点的土壤水分传感器定时采集土壤含水量相关的数据,并在土壤水分传感器内部预先进行数据整合,然后通过3G/4G网络将数据传回云端服务器相应接口。所传输三维数据需遵循TCP/IP协议,能根据云端服务器返回的代码判定数据发送情况。
可选地,土壤水分传感器本地可以存储最近1000条数据,若当前数据未上传成功,则在后续定时传输时重新上传之前未上传成功的数据,直至所有采集的数据完全上传成功。
若土壤水分传感器超过10个上传周期没有数据上传成功,则判定为设备故障。
其中,土壤水分传感器所采集的数据可以在时间维度上包括年、月、日、时、分、秒等信息;在土壤参数维度上包含不同深度土壤水分体积含水量;在空间维度上包含经度、纬度、高程等信息;还可以包括设备参数信息,如包含电池电量。
进一步地,在云服务器端运行有数据接收程序用于获取和处理土壤水分传感器所回传的数据。数据接收程序能实时监听端口状态,当监测到有符合TCP/IP协议的数据回传时,能自动校验数据格式并解析成对应数据项。
进一步,所述数据接收程序对协议解析成功的数据进行数据校验,数据校验内容可以包括格式检查、极值检查、内部一致性检查以及时间一致性检查等,将符合规范并通过数据校验的数据存入数据库。
其中,格式检查主要是指对回传报文的格式进行校验,包括设备参数、报文编码字节、发报时间等,如能够正确解析回传数据则判断为合格;极值检查主要是通过设置上下限范围对回传数据进行校验,如:回传土壤水分体积含水量在3%~50%之间为合格;内部一致性检查是指验证各数据间的内部关系,如:数据土壤体积含水量各层的观测值相同则判定为数据错误;时间一致性检查主要是用于检测一定时间间隔前后值波动情况,如:前后数据土壤相对湿度突降超20%则判定为数据错误。
在云端服务器中将采集并存储的目标测量点处的所有数据,按照采集的时间顺序进行排列,构成时间序列数据。
在步骤102和步骤103中,主要用于根据步骤101中所采集的时间序列数据,执行数据空间建模,包括:
先构建一个三维空间坐标系框架,然后将所采集的时间序列数据转换为空间坐标系下的点位数据。
进而,基于GIS空间插值算法,根据步骤102中所确定的三维空间坐标系中的所有点位数据,获得对应的面状的数字土壤水分湿度空间模型。
在步骤104中,分别利用数字模型变化速率计算、数字模型变化方向计算方法,获得数字土壤水分变化速率模型与数字土壤水分变化方向模型。
最后,在步骤105中,利用阈值设定范围分别提取数字土壤水分变化速率模型与数字土壤水分变化方向模型中满足要求的像元;分别将提取的像元矢量化并作空间叠加分析,以获取两者的交集矢量区域;所得交集矢量区域的中点所在深度y轴的值,即为最终识别得出作物根系活动层深度。最后,通过构建云端程序将运算过程和结果通过接口对外发布服务。
本发明提供的识别作物根系活动层深度的方法,通过构建三维空间坐标系框架将时序数据转换为空间坐标系下的点数据进而利用高精度插值算法获取面状数字土壤水分湿度空间模型,再通过三维空间像元变化速率与变化方向分析最终得出精准作物根系活动层深度,实现了非破坏性作物根系水分变化监测,识别精度高、成本低、易推广。
基于上述实施例的内容,作为一种可选实施例,所述三维空间坐标系,包括x,y,z三个互相垂直的要向轴;x轴用于表示时间维度轴,y轴用于表示土壤深度维度的轴,z轴用于表示土壤含水量维度的轴。
相应地,上述步骤102中所述的将时间序列数据转换为三维空间坐标系下的点位数据,主要包括:
将时间序列数据中的每一条数据转换为所述三维空间坐标系下的一个空间要素点;按照间隔采样顺序,确定时间序列数据中的每条目标数据对应的点位数据x轴值;定义每条目标数据对应的土壤采样深度中点所对应的深度值作为点位数据y轴值;将所述目标数据对应的土壤含水量作为点位数据z轴值。
首先,三维空间坐标系的构建过程是指:将时间序列数据转换为空间坐标系进行空间建模,所构建的空间坐标系为三维坐标系,包含x,y,z三个互相垂直的要向轴,其中,x轴用于表示时间维度轴,y轴用于表示土壤深度维度的轴,z轴用于表示土壤水分含量维度的轴。
然后,进行要素点的转换,包括:将时间序列中的每一条数据都转换为一个空间要素点,每个空间要素点包含空间平面坐标(x,y)和属性值z。将所选取的时间序列数据的第一条数据作为时间轴x的原点,记为0,则其余数据的x轴坐标值为其采集时间与原点时间的差,其间隔单位可自行选择,主要包含分、时、天等。土壤深度轴y的值根据该数据所采集土壤深度中点进行定义,单位为cm,如0-20cm范围土壤水分数据y轴值取中心点为10。属性值z为该点位的土壤含水量,单位为%。
本发明提供的识别作物根系活动层深度的方法,提出运用GIS方法将所采集时序土壤水分数据转换为高精度空间面状栅格平面,通过三维空间坐标系构建、要素点转换和数字土壤水分湿度空间模型构建等步骤实现时序数据的空间建模,由于所涉及的硬件设备只有单一土壤水分监测传感器,相比于现有技术方案,无需安装如对照设备、土温监测设备等其他设备,能有效降低实施的成本,也减少了可能发生的不必要的设备维护成本。同时,单一的监测设备也使得该方法在实际安装中极大地减少了工作量,便于实际的安装操作。此外,将识别运算的重心移至云端算法和***的创新,使得用户在实际使用中无需考虑和操作过多内容,极大地提升了可推广性。
基于上述实施例的内容,作为一种可选实施例,所述对所述点位数据进行空间插值处理,构建数字土壤水分湿度空间模型,包括:
在点位数据所在的三维空间区域内任一目标数据点(xi,yi,z(xi,yi))的土壤含水量z(xi,yi)具有二次连续导数的情况下,确定目标数据点的能量函数;确定能量函数的最小化能量函数;基于数据离散点的表列形式,获取目标数据点的土壤含水量预测值函数,以计算目标数据点的土壤含水量预测值;根据预设像元大小,以像元中心点所对应的目标数据点的土壤含水量预测值作为像元值,构建数字土壤水分湿度空间模型。
上述数字土壤水分湿度空间模型的构建步骤,主要是通过将上述步骤中构建的时间序列数据所转换的空间点位数据,利用空间插值算法,构建一定范围内任意大小像元的土壤水分预测值,最终生成数字土壤水分湿度空间模型。
具体地,所述数字土壤水分湿度空间模型构建方法为:
假设在空间区域R2内分布n个已知点集Pi(i=1,2,…,n),其坐标表示为(xi,yi,z(xi,yi)),如果z(xi,yi)具有二次连续导数,则其中任一目标数据点的能量函数表示为:
通过最小化能量函数,可以得到:
ztps=arg min E
进而针对数据离散点的表列形式,最小化的函数可以进一步表示为:
通过上述算法可计算空间内任意点(x,y)的土壤含水量预测值z(x,y)。通过设定预期像元大小,可以获得一个栅格平面,像元值代表该像元中心点的预测值,进而得到数字土壤水分湿度空间模型。
本发明提供的识别作物根系活动层深度的方法,采用空间插值方法构建精准数字土壤湿度空间模型,根据空间已知点数据精准预测平面内任意一点像元范围内土壤水分值,为精准识别提供了基础。
基于上述实施例的内容,作为一种可选实施例,所述对所述数字土壤水分湿度空间模型进行模型变化速率计算,以根据计算结果构建数字土壤水分变化速率模型,包括:
利用数字模型变化速率计算公式,在所述数字土壤水分湿度空间模型的栅格表面,根据任一中心像元在x轴方向变化率和y轴方向变化率,确定所述任一中心像元的变化率;根据所述任一中心像元的变化率,获取土壤水分变化速率特征,以构建数字土壤水分变化速率模型;
所述数字模型变化速率计算公式的表达式为:
其中,slope_radians为任一中心像元的变化率,ATAN为反正切函数,dz/dx为任一中心像元的x轴方向变化率,dz/dy为任一中心像元的y轴方向变化率。
本发明提供的活动层深度识别方法,根据所获得的数字土壤水分湿度空间模型,提出数字模型变化速率计算和数字模型变化方向计算算法,分别获得数字土壤水分变化速率模型与数字土壤水分变化方向模型,进而通过阈值像元筛选、空间相交取交集、提取中心点获得作物根系活动层深度。
其中,数字土壤水分变化速率模型的构建方法,是通过在数字土壤水分湿度空间模型的栅格表面移动N*N窗口(如3*3),获取每个像元与周围8个像元所代表的土壤湿度的关系,获取空间层面上的土壤水分变化速率特征,所提出的数字模型变化速率计算取决于栅格表面从中心像元开始在水平(dz/dx)方向和垂直(dz/dy)方向上的变化率(增量)。
其中,数字模型变化速率计算公式的算法公式为:
图3是本发明提供的中心像元及其相邻的八个像元的分布示意图,如图3所示,中心像元及其相邻的八个像元的像元,用于确定水平增量和垂直增量,上述相邻的像元分别使用字母a至i进行确定,其中e表示当前正在计算变化方向的中心像元。
则像元e在x轴方向上的变化率将通过以下算法进行计算:
[dz/dx]=((c+2f+i)-(a+2d+g)/(8*x_cellsize);
像元e在y轴方向上的变化率将通过以下算法进行计算:
[dz/dy]=((g+2h+i)-(a+2b+c))/(8*y-cellsize);
式中,x_cellsize、y_cellsize分别代表x轴、y轴方向的像元大小。
进一步地,所述对所述数字土壤水分湿度空间模型进行模型变化方向计算,以根据计算结果构建数字土壤水分变化方向模型,包括:
利用数字模型变化方向计算公式,在所述数字土壤水分湿度空间模型的栅格表面,根据任一中心像元在x轴方向变化率和x轴方向变化率,确定所述任一中心像元的变化方向;根据所述任一中心像元的变化方向,获取土壤水分变化方向特征,以构建所述数字土壤水分变化方向模型;
所述数字模型变化方向计算公式的表达式为:
aspect=57.29578*ATAN2([dz/dy],-[dz/dx]);
其中,aspect为任一中心像元的变化方向,ATAN2为四象限反正切函数,dz/dx为任一中心像元的x轴方向变化率,dz/dy为任一中心像元的y轴方向变化率。
本发明针对上述步骤所生成的数字土壤水分湿度空间模型,通过在数字土壤水分湿度空间模型的栅格表面移动M x M窗口,获取每个像元与周围8个像元所代表土壤湿度的关系,获取空间层面上的土壤水分变化方向特征。
以图3为例,所提出的数字模型变化方向计算算法通过移动的3x3窗口访问输入栅格中的每个像元,每次位于窗口中心的像元的变化方向值将通过一种将纳入八个相邻像元值的算法进行计算。
上述像元使用字母a至i进行确定,其中e表示当前正在计算变化方向的中心像元。
像元e在x轴方向上的变化率将通过以下算法进行计算:
[dz/dx]=((c+2f+i)-(a+2d+g))/8
像元e在y方向上的变化率将通过以下算法进行计算:
[dz/dy]=((g+2h+i)-(a+2b+c))/8
代入像元e在x轴方向和y轴方向上的变化率,则变化方向将通过以下算法进行计算:
aspect=57.29578*atan2([dz/dy],-[dz/dx])
进一步,该像元的变化方向cell算法为:
if aspect<0
cell=90.0–aspect
else if aspect>90.0
cell=360.0-aspect+90.0
else
cell=90.0-aspect
本发明提供的识别作物根系活动层深度的方法,根据所提出的数字土壤水分变化变化速率模型与数字土壤水分变化变化方向模型构建方法,精准获取更高维度特征,最终通过空间叠加与中线提取,精准识别作物根系活动层深度。
基于上述实施例的内容,作为一种可选实施例,所述基于所述数字土壤水分变化速率模型和所述数字土壤水分变化方向模型,确定根系活动区域,包括:
选取所述数字土壤水分变化速率模型中的像元值范围在第一预设范围内的像元,生成第一栅格模型LayerSS;选取数字土壤水分变化方向模型中的像元值范围在第二预设范围内的像元,生成第二栅格模型LayerAS;分别将第一栅格模型LayerSS和第二栅格模型LayerAS转换为第一矢量区域和第二矢量区域;获取第一矢量区域和第二矢量区域的相交矢量区域;在相交矢量区域中,沿y轴由高点向下选取第一个聚集矢量兴趣区域,作为根系活动区域。
本发明利用空间分析方法对由土壤水分时序数据所构建的数字土壤水分湿度空间模型进行空间处理,得到三种不同类型空间模型数据,进而通过空间叠加分析判定作物根系活动层深度。包括了利用空间叠加分析与阈值设定范围,将上述步骤所得到的数字土壤水分变化速率模型与数字土壤水分变化方向模型通过阈值进行像元筛选,筛选后的像元范围进行空间叠加,获得相交部分区域,进而将栅格像元转化为矢量区域,提取中心线,最终识别得出作物根系活动层深度。
作为一种可选实施例,本发明提出利用空间叠加分析与阈值设定范围,选取数字土壤水分变化速率模型中像元值范围在[0,12.5]之间的像元生成第一栅格模型LayerSS。
选取数字土壤水分变化方向模型中像元值范围在[14.5,157.5]和[202.5,345.5]之间的像元生成第二栅格模型LayerAS,沿x轴截取灌溉后的1-4天数据。
分别将上述筛选后的栅格模型LayerSS、LayerAS转化为矢量区域,分别生成第一矢量区域和第二矢量区域。
然后,对第一矢量区域和第二矢量区域进行空间叠加,获得相交部分区域,作为相交矢量区域。
进一步,在相交矢量区域中沿y轴方向由高点向下选取第一个聚集矢量兴趣区域,并确定该兴趣区域的中心点,则该中心点所在坐标系y轴的值即为识别得出的作物根系活动层深度。
基于上述实施例的内容,作为一种可选实施例,在利用设置于目标测量点的土壤水分传感器,按预设时间间隔采集不同深度的土壤含水量之前,还包括:
选取种植有同一目标作物的连片区域;
在所述连片区域内选取预设数量的参考测量点;
基于加权中心点法,根据所述参考测量点的平面坐标值,确定所述连片区域的目标测量点;
所述目标测量点的表达式为:
(1)可选地,本发明所选取农田为旱作农田,农田面积不小于1亩,选取种植作物的加权中心点安装土壤墒情监测设备。
土壤水分传感器选型标准为可获取不小于地下60cm深度、采样间隔不超过20cm的土壤含水量传感器,获取所对应采集的土壤墒情参数如:0-20cm土壤含水量、20-40cm土壤含水量、40-60cm土壤含水量、60-80cm土壤含水量等。
其中,需选取待测量田块中种植有同一作物的连片区域,该连片区域内作物为同一时期种植,选取区域不小于1亩,边界形状可以为不规则形状。
其中,权重根据点位与灌溉设施的距离进行权重计算,各要素点的权重计算方法为:
本发明提供的活动层深度识别的方法,通过在种植作物的农田土壤中根据所提出的加权中心点选择方法在农田中心点安装土壤水分传感器,根据传感器定时传回的时序土壤水分数据进而识别该田块作物根系活动层深度,无需对农田作物进行破坏性采集来获得作物根系的活动层深度,仅需在适当位置安装土壤水分监测传感器,不影响实际作物的生长、灌溉等农事操作,是一种非破坏性的作物根系活动层深度判别方法。
作为一种可选实施例,本发明所使用的实验数据来自北京农业智能装备技术研究中心,实地观测土壤水分传感器安装于北京市小汤山国家精准农业实验基地,土壤水分传感器的型号为EP-400-EC5,所选择地块面积为3亩,种植作物类型为果树,田块范围内均匀选取40个点,利用手持载波相位差分技术(Real-time kinematic,RTK)定位设备获得精准坐标,根据本发明所提出的加权中心点法找到土壤水分传感器的安装位置。
控制土壤水分传感器每隔1小时采集一次数据,土壤水分传感器所采集数据在时间维度数据包括年、月、日、时、分、秒,测值维度包含不同深度土壤水分体积含水量,空间维度数据包含经度、纬度、高程,设备参数包含电池电量。所采集的数据回传至云端服务器数据接收程序,选取2018年6月份土壤水分监测设备所获取的数据,选取土壤水分传感器所采集的连续18天的数据共432条,其中第1天和第6天进行了灌溉操作。为了更好显示变化情况,将数据处理为每日平均数据,即转换为间隔为24小时的不同深度土壤水分平均值。
其中,为了保证数据的可靠性对数据进行了验证,包括格式检查、极值检查、内部一致性检查和时间一致性检查。所选取数据全部数据通过了质量验证。
进一步地,利用ArcGIS平台作为基础平台实现模型和算法,相关的算法可以通过Python语言在ArcPy中进行实现。
构建三维空间坐标系,x、y、z轴方向分别代表采集时间、土壤深度和土壤湿度。所获取数据为8*18矩阵,利用Python转换为3*126矩阵,转换完矩阵三列分别为采集时间、土壤深度和土壤湿度。将转换后数据通过添加XY点数据功能导入ArcGIS平台,参考系为自定义。通过ArcPy构建数字土壤水分湿度空间模型,核参数为1e20,最大相邻要素数为8,最小相邻要素数为4,扇区类型为8,角度350,长半轴为10,短半轴为40,各向异性系数为0.25,构建数字土壤水分湿度空间模型。
进一步地,通过ArcPy构建数字土壤水分变化速率模型与数字土壤水分变化方向模型。
根据方案设计,选取数字土壤水分变化速率模型像元值范围在[0,12]之间的像元生成第一栅格模型,选取数字土壤水分变化方向模型像元值范围在[14.5,157.5]和[202.5,345.5]之间的像元生成第二栅格模型,沿x轴截取灌溉后的1-4天数据。
将上述筛选后的栅格模型转化为矢量区域,进行空间叠加获得相交部分区域,提取空间叠加相交矢量区域,沿y轴由高点向下选取第一个聚集矢量区域并计算中心点,所得点y轴值为54.8,故判定该点作物根系活动层深度为54.8cm。根据与实地获取植物根系进行对照,深度为54.8cm的根量约占总根量的93%,充分验证了本发明提供的识别方法可以精准获得作物根系活动层深度。
图4是本发明提供的识别作物根系活动层深度的***的结构示意图,如图4所示,主要包括数据采集处理单元401、三维空间构建单元402、湿度模型构建单元403、模型分析处理单元404以及根系深度判断单元405,其中:
数据采集处理单元401主要用于利用设置于目标测量点的土壤水分传感器,按预设时间间隔采集不同深度的土壤含水量,构建时间序列数据;三维空间构建单元402主要用于在构建三维空间坐标系之后,将时间序列数据转换为三维空间坐标系下的点位数据;湿度模型构建单元403主要用于对点位数据进行空间插值处理,构建数字土壤水分湿度空间模型;模型分析处理单元404主要用于对数字土壤水分湿度空间模型进行模型变化速率计算,以根据计算结果构建数字土壤水分变化速率模型;对数字土壤水分湿度空间模型进行模型变化方向计算,以根据计算结果构建数字土壤水分变化方向模型;根系深度判断单元405主要用于基于数字土壤水分变化速率模型和数字土壤水分变化方向模型,确定根系活动区域;并将根系活动区域的中点所对应的深度值作为作物根系活动层深度。
具体地,本发明提供的识别作物根系活动层深度的***,首先,利用数据采集处理单元401控制单点土壤水分传感器监测种植有作物的土壤水分情况,所安置的土壤水分传感器定时采集相应点位的土壤水分数据,并通过3G/4G网络回传至云端服务器端口,云端***在接受设备回传数据后进行存储,进而形成了以时间为序列的单点不同深度土壤水分变化数据。
其中,土壤水分传感器安装选点是根据农田实际位置形状和作物空间分布,提出依据加权中心点法获取能够代表农田作物区域的加权中心点,进而在加权中心点处安装土壤水分传感器。
进一步,三维空间构建单元402利用GIS技术,将所获取的土壤水分时间序列数据,转换为具有空间维度特性的空间点位,每个点位包含空间三维模型x、y、z轴方向坐标值,其中,每个轴分量分别代表该时间点位下的时间序列、土壤深度、土壤水分值。
更进一步,湿度模型构建单元403利用GIS插值方法,根据转换为空间坐标系的时间序列点数据,预测平面任意点位的数值,进而形成三维数字高程模型,其高程代表了土壤水分预测插值,所生成栅格像素分辨率即为空间分辨率。通过上述方法将时间序列数据转换为具有三维空间特性的面状数字土壤水分湿度空间模型,用以进行更进一步的空间分析。
进一步地,模型分析处理单元404对土壤水分时序数据所构建的数字土壤水分湿度空间模型进行空间处理,得到两种不同类型空间模型即数字土壤水分变化速率模型和数字土壤水分变化方向模型。
进而,根系深度判断单元405通过空间叠加分析判定作物根系活动层深度。
本发明提供的识别作物根系活动层深度的***,通过构建三维空间坐标系框架将时序数据转换为空间坐标系下的点数据进而利用高精度插值算法获取面状数字土壤水分湿度空间模型,再通过三维空间像元变化速率与变化方向分析最终得出精准作物根系活动层深度,实现了非破坏性作物根系水分变化监测,识别精度高、成本低、易推广。
需要说明的是,本发明实施例提供的识别作物根系活动层深度的***,在具体执行时,可以基于上述任一实施例所述的识别作物根系活动层深度的方法来实现,对此本实施例不作赘述。
图5是本发明提供的电子设备的结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(CommunicationsInterface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行识别作物根系活动层深度的方法,该方法包括:利用设置于目标测量点的土壤水分传感器,按预设时间间隔采集不同深度的土壤含水量,构建时间序列数据;在构建三维空间坐标系之后,将时间序列数据转换为三维空间坐标系下的点位数据;对点位数据进行空间插值处理,构建数字土壤水分湿度空间模型;对数字土壤水分湿度空间模型进行模型变化速率计算,以根据计算结果构建数字土壤水分变化速率模型;对数字土壤水分湿度空间模型进行模型变化方向计算,以根据计算结果构建数字土壤水分变化方向模型;基于数字土壤水分变化速率模型和数字土壤水分变化方向模型,确定根系活动区域;并将根系活动区域的中点所对应的深度值作为作物根系活动层深度。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的识别作物根系活动层深度的方法,该方法包括:利用设置于目标测量点的土壤水分传感器,按预设时间间隔采集不同深度的土壤含水量,构建时间序列数据;在构建三维空间坐标系之后,将时间序列数据转换为三维空间坐标系下的点位数据;对点位数据进行空间插值处理,构建数字土壤水分湿度空间模型;对数字土壤水分湿度空间模型进行模型变化速率计算,以根据计算结果构建数字土壤水分变化速率模型;对数字土壤水分湿度空间模型进行模型变化方向计算,以根据计算结果构建数字土壤水分变化方向模型;基于数字土壤水分变化速率模型和数字土壤水分变化方向模型,确定根系活动区域;并将根系活动区域的中点所对应的深度值作为作物根系活动层深度。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的识别作物根系活动层深度的方法,该方法包括:利用设置于目标测量点的土壤水分传感器,按预设时间间隔采集不同深度的土壤含水量,构建时间序列数据;在构建三维空间坐标系之后,将时间序列数据转换为三维空间坐标系下的点位数据;对点位数据进行空间插值处理,构建数字土壤水分湿度空间模型;对数字土壤水分湿度空间模型进行模型变化速率计算,以根据计算结果构建数字土壤水分变化速率模型;对数字土壤水分湿度空间模型进行模型变化方向计算,以根据计算结果构建数字土壤水分变化方向模型;基于数字土壤水分变化速率模型和数字土壤水分变化方向模型,确定根系活动区域;并将根系活动区域的中点所对应的深度值作为作物根系活动层深度。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种识别作物根系活动层深度的方法,其特征在于,包括:
利用设置于目标测量点的土壤水分传感器,按预设时间间隔采集不同深度的土壤含水量,构建时间序列数据;
在构建三维空间坐标系之后,将所述时间序列数据转换为所述三维空间坐标系下的点位数据;
对所述点位数据进行空间插值处理,构建数字土壤水分湿度空间模型;
对所述数字土壤水分湿度空间模型进行模型变化速率计算,以根据计算结果构建数字土壤水分变化速率模型;对所述数字土壤水分湿度空间模型进行模型变化方向计算,以根据计算结果构建数字土壤水分变化方向模型;
基于所述数字土壤水分变化速率模型和所述数字土壤水分变化方向模型,确定根系活动区域;并将所述根系活动区域的中点所对应的深度值作为所述作物根系活动层深度;
所述三维空间坐标系,包括x,y,z三个互相垂直的要向轴;x轴用于表示时间维度轴,y轴用于表示土壤深度维度的轴,z轴用于表示土壤含水量维度的轴;
相应地,所述将所述时间序列数据转换为所述三维空间坐标系下的点位数据,包括:
将所述时间序列数据中的每一条数据转换为所述三维空间坐标系下的一个空间要素点;
按照间隔采样顺序,确定所述时间序列数据中的每条目标数据对应的点位数据x轴值;
定义每条目标数据对应的土壤采样深度中点所对应的深度值作为所述点位数据y轴值;
将所述目标数据对应的土壤含水量作为所述点位数据z轴值;
所述对所述点位数据进行空间插值处理,构建数字土壤水分湿度空间模型,包括:
在所述点位数据所在的三维空间区域内任一目标数据点(xi,yi,z(xi,yi))的土壤含水量z(xi,yi)具有二次连续导数的情况下,确定所述目标数据点的能量函数;
确定所述能量函数的最小化能量函数;
基于数据离散点的表列形式,获取所述目标数据点的土壤含水量预测值函数,以计算所述目标数据点的土壤含水量预测值;
根据预设像元大小,以像元中心点所对应的目标数据点的土壤含水量预测值作为像元值,构建所述数字土壤水分湿度空间模型;
所述对所述数字土壤水分湿度空间模型进行模型变化速率计算,以根据计算结果构建数字土壤水分变化速率模型,包括:
利用数字模型变化速率计算公式,在所述数字土壤水分湿度空间模型的栅格表面,根据任一中心像元在x轴方向变化率和y轴方向变化率,确定所述任一中心像元的变化率;
根据所述任一中心像元的变化率,获取土壤水分变化速率特征,以构建所述数字土壤水分变化速率模型;
所述数字模型变化速率计算公式的表达式为:
其中,slope_radians为任一中心像元的变化率,ATAN为反正切函数,dz/dx为任一中心像元的x轴方向变化率,dz/dy为任一中心像元的y轴方向变化率;
所述对所述数字土壤水分湿度空间模型进行模型变化方向计算,以根据计算结果构建数字土壤水分变化方向模型,包括:
利用数字模型变化方向计算公式,在所述数字土壤水分湿度空间模型的栅格表面,根据任一中心像元在x轴方向变化率和x轴方向变化率,确定所述任一中心像元的变化方向;
根据所述任一中心像元的变化方向,获取土壤水分变化方向特征,以构建所述数字土壤水分变化方向模型;
所述数字模型变化方向计算公式的表达式为:
aspect=57.29578*ATAN2([dz/dy],-[dz/dx]);
其中,aspect为任一中心像元的变化方向,ATAN2为四象限反正切函数,dz/dx为任一中心像元的x轴方向变化率,dz/dy为任一中心像元的y轴方向变化率。
2.根据权利要求1所述的识别作物根系活动层深度的方法,其特征在于,所述基于所述数字土壤水分变化速率模型和所述数字土壤水分变化方向模型,确定根系活动区域,包括:
选取所述数字土壤水分变化速率模型中的像元值范围在第一预设范围内的像元,生成第一栅格模型LayerSS;
选取所述数字土壤水分变化方向模型中的像元值范围在第二预设范围内的像元,生成第二栅格模型LayerAS;
分别将所述第一栅格模型LayerSS和所述第二栅格模型LayerAS转换为第一矢量区域和第二矢量区域;
获取所述第一矢量区域和所述第二矢量区域的相交矢量区域;
在所述相交矢量区域中,沿y轴由高点向下选取第一个聚集矢量兴趣区域,作为所述根系活动区域。
4.一种识别作物根系活动层深度的***,其特征在于,包括:
数据采集处理单元,用于利用设置于目标测量点的土壤水分传感器,按预设时间间隔采集不同深度的土壤含水量,构建时间序列数据;
三维空间构建单元,用于在构建三维空间坐标系之后,将所述时间序列数据转换为所述三维空间坐标系下的点位数据;
湿度模型构建单元,用于对所述点位数据进行空间插值处理,构建数字土壤水分湿度空间模型;
模型分析处理单元,用于对所述数字土壤水分湿度空间模型进行模型变化速率计算,以根据计算结果构建数字土壤水分变化速率模型;对所述数字土壤水分湿度空间模型进行模型变化方向计算,以根据计算结果构建数字土壤水分变化方向模型;
根系深度判断单元,用于基于所述数字土壤水分变化速率模型和所述数字土壤水分变化方向模型,确定根系活动区域;并将所述根系活动区域的中点所对应的深度值作为所述作物根系活动层深度;
其中,所述三维空间坐标系,包括x,y,z三个互相垂直的要向轴;x轴用于表示时间维度轴,y轴用于表示土壤深度维度的轴,z轴用于表示土壤含水量维度的轴;
相应地,所述将所述时间序列数据转换为所述三维空间坐标系下的点位数据,包括:
将所述时间序列数据中的每一条数据转换为所述三维空间坐标系下的一个空间要素点;
按照间隔采样顺序,确定所述时间序列数据中的每条目标数据对应的点位数据x轴值;
定义每条目标数据对应的土壤采样深度中点所对应的深度值作为所述点位数据y轴值;
将所述目标数据对应的土壤含水量作为所述点位数据z轴值;
所述对所述点位数据进行空间插值处理,构建数字土壤水分湿度空间模型,包括:
在所述点位数据所在的三维空间区域内任一目标数据点(xi,yi,z(xi,yi))的土壤含水量z(xi,yi)具有二次连续导数的情况下,确定所述目标数据点的能量函数;
确定所述能量函数的最小化能量函数;
基于数据离散点的表列形式,获取所述目标数据点的土壤含水量预测值函数,以计算所述目标数据点的土壤含水量预测值;
根据预设像元大小,以像元中心点所对应的目标数据点的土壤含水量预测值作为像元值,构建所述数字土壤水分湿度空间模型;
所述对所述数字土壤水分湿度空间模型进行模型变化速率计算,以根据计算结果构建数字土壤水分变化速率模型,包括:
利用数字模型变化速率计算公式,在所述数字土壤水分湿度空间模型的栅格表面,根据任一中心像元在x轴方向变化率和y轴方向变化率,确定所述任一中心像元的变化率;
根据所述任一中心像元的变化率,获取土壤水分变化速率特征,以构建所述数字土壤水分变化速率模型;
所述数字模型变化速率计算公式的表达式为:
其中,slope_radians为任一中心像元的变化率,ATAN为反正切函数,dz/dx为任一中心像元的x轴方向变化率,dz/dy为任一中心像元的y轴方向变化率;
所述对所述数字土壤水分湿度空间模型进行模型变化方向计算,以根据计算结果构建数字土壤水分变化方向模型,包括:
利用数字模型变化方向计算公式,在所述数字土壤水分湿度空间模型的栅格表面,根据任一中心像元在x轴方向变化率和x轴方向变化率,确定所述任一中心像元的变化方向;
根据所述任一中心像元的变化方向,获取土壤水分变化方向特征,以构建所述数字土壤水分变化方向模型;
所述数字模型变化方向计算公式的表达式为:
aspect=57.29578*ATAN2([dz/dy],-[dz/dx]);
其中,aspect为任一中心像元的变化方向,ATAN2为四象限反正切函数,dz/dx为任一中心像元的x轴方向变化率,dz/dy为任一中心像元的y轴方向变化率。
5.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述识别作物根系活动层深度的方法步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述识别作物根系活动层深度的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110204767.6A CN113156082B (zh) | 2021-02-23 | 2021-02-23 | 一种识别作物根系活动层深度的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110204767.6A CN113156082B (zh) | 2021-02-23 | 2021-02-23 | 一种识别作物根系活动层深度的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113156082A CN113156082A (zh) | 2021-07-23 |
CN113156082B true CN113156082B (zh) | 2023-03-24 |
Family
ID=76883876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110204767.6A Active CN113156082B (zh) | 2021-02-23 | 2021-02-23 | 一种识别作物根系活动层深度的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113156082B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113588922A (zh) * | 2021-08-02 | 2021-11-02 | 北京安赛博技术有限公司 | 一种作物根系原位识别和监测的方法和*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102726273B (zh) * | 2012-06-15 | 2014-02-26 | 中农先飞(北京)农业工程技术有限公司 | 一种作物根区土壤水分监测与智能灌溉决策方法 |
US9880537B2 (en) * | 2015-08-05 | 2018-01-30 | Clearag, Inc. | Customized land surface modeling for irrigation decision support in a crop and agronomic advisory service in precision agriculture |
US20170020091A1 (en) * | 2015-07-20 | 2017-01-26 | AquaSpy, Inc. | Method and System for Automated Data Analysis of Soil Moisture |
CN205623611U (zh) * | 2016-05-21 | 2016-10-12 | 杭州天仁建设环境有限公司 | 一种灌溉*** |
CN109885926A (zh) * | 2019-02-18 | 2019-06-14 | 南京农业大学 | 基于r语言的作物生长模型空间栅格模拟方法 |
CN210143494U (zh) * | 2019-06-04 | 2020-03-17 | 刘万喜 | 一种拖拉机用高压引墒补水施水设备 |
CN111461412A (zh) * | 2020-03-16 | 2020-07-28 | 华北水利水电大学 | 一种基于土壤温湿度的温室番茄根长密度计算方法 |
CN111713385A (zh) * | 2020-06-01 | 2020-09-29 | 北京农业智能装备技术研究中心 | 一种自动灌溉方法及*** |
-
2021
- 2021-02-23 CN CN202110204767.6A patent/CN113156082B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113156082A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
CN108732129A (zh) | 一种用图像表示农田土壤成分的***及其方法 | |
CN110942039A (zh) | 一种主要农作物高温灾害遥感监测预报***及方法 | |
CN112381861A (zh) | 一种基于地基激光雷达的林地点云数据配准和分割方法 | |
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 | |
CN105677890A (zh) | 一种城市绿量数字地图制作及显示方法 | |
CN107479065B (zh) | 一种基于激光雷达的林窗立体结构量测方法 | |
CN106643529A (zh) | 基于无人机影像的山区农作物生长高度快速测量的方法 | |
EP3794386B1 (en) | Determination of location-specific weather information for agronomic decision support | |
Lowe et al. | Canopy density estimation in perennial horticulture crops using 3D spinning lidar SLAM | |
CN110348324A (zh) | 一种基于遥感大数据的洪涝实时淹没分析方法及*** | |
Zeng et al. | Semantic segmentation of sparse 3D point cloud based on geometrical features for trellis-structured apple orchard | |
Liu et al. | Analysis of cotton height spatial variability based on UAV-LiDAR | |
CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
CN113156082B (zh) | 一种识别作物根系活动层深度的方法及*** | |
Wu et al. | Estimation of cotton canopy parameters based on unmanned aerial vehicle (UAV) oblique photography | |
CN115700370A (zh) | 碳储量计算方法、装置、电子设备和存储介质 | |
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*** | |
Wei et al. | Dynamic simulation of leaf area index for the soybean canopy based on 3D reconstruction | |
CN117409322A (zh) | 一种空地遥感结合的区域森林自然资源生态估测方法及*** | |
CN115879835B (zh) | 一种国家储备林建设成效监测方法、***及云平台 | |
CN115797764A (zh) | 一种应用于耕地非农化监测的遥感大数据解译方法及*** | |
Chai et al. | A novel solution for extracting individual tree crown parameters in high-density plantation considering inter-tree growth competition using terrestrial close-range scanning and photogrammetry technology | |
CN114581450A (zh) | 基于点云图像转换的玉米株高茎粗测量方法及装置 | |
CN115390160A (zh) | 一种台风中心自动定位方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |