CN114429591A - 一种基于机器学习的植被生物量自动监测方法及*** - Google Patents
一种基于机器学习的植被生物量自动监测方法及*** Download PDFInfo
- Publication number
- CN114429591A CN114429591A CN202210092849.0A CN202210092849A CN114429591A CN 114429591 A CN114429591 A CN 114429591A CN 202210092849 A CN202210092849 A CN 202210092849A CN 114429591 A CN114429591 A CN 114429591A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- data
- monitored
- biomass
- image
- 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
- 239000002028 Biomass Substances 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010801 machine learning Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 230000003595 spectral effect Effects 0.000 claims abstract description 63
- 238000002310 reflectometry Methods 0.000 claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 239000002689 soil Substances 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000002329 infrared spectrum Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于机器学习的植被生物量自动监测方法及***。该方法包括:采集待监测植被区域的图像和植被光谱反射率数据;将图像和植被光谱反射率数据进行预处理;采用最大类方差法将预处理后的图像分割为植被和土壤两个部分,并从分割后的图像中提取植被覆盖度数据;采用波段运算法将预处理后的植被光谱反射率数据进行植被指数计算,获取植被指数数据;根据植被覆盖度数据和植被指数数据建立基于机器学习的多元回归线性估算模型,并根据基于机器学习的多元回归线性估算模型得到待监测植被区域的植被生物量数据。本发明根据植被覆盖度和植被指数,并融合机器学习技术建立植被生物量多元回归线性估算模型,精度高且适应性强。
Description
技术领域
本发明涉及植被生物量监测领域,特别是涉及一种基于机器学习的植被生物量自动监测方法及***。
背景技术
单位面积内的草原生物量是草原生态***最重要的特征指标之一,也是草原畜牧业生产和经营管理的重要基础。近些年来,各种遥感数据已经普遍在不同地域尺度的植被生物量变化监测研究中被应用。很多学者将遥感技术应用于草地生物量的估算,建立了许多草地遥感生物量估产模型。马文红等基于全国样地调查的地上、地下生物量资料和1982-2006年的卫星遥感数据,建立了基于AVHRR-NDVI的对数地上生物量估算模型,估算了中国北方草地生物量碳库及其空间分布。Psomas等利用生物量采样数据与野外采集的冠层光谱数据,研究分析了生物量的光谱敏感波段以及尺度转换问题,得出使用对植被冠层水分含量敏感的窄波段所构建的类似与NDVI的植被指数可以较好的估算草地地上生物量。
目前生物量监测主要依赖人员实地监测,即在草地生物量监测工作中,通过派遣人员的方式实地对草地生物量进行测量。然而,这种实地监测的方法取得的调查数据具有间断性,无法取得连续性的生态环境监测数据,容易遗漏各类关键性时期的草地生物量数据。其次,工作成本过高,工作人员需要完成大量的外业作业,容易出现人身伤亡事故。最后,虽然能够通过采用大量的统计学知识得到生态环境监测数据,但其精准度会受到多种自然因素的影响,导致取得的结果无法使用。
发明内容
本发明的目的是提供一种基于机器学习的植被生物量自动监测方法及***,通过图像和植被光谱反射率数据获取植被覆盖度和植被指数,并融合机器学习技术建立植被生物量多元回归线性估算模型,精度高且适应性强。
为实现上述目的,本发明提供了如下方案:
一种基于机器学习的植被生物量自动监测方法,包括:
采集待监测植被区域的图像和植被光谱反射率数据;
对所述图像和植被光谱反射率数据进行预处理;
采用最大类方差法将预处理后的图像中的植被和土壤进行分割,并根据分割后的植被图像和土壤图像分别与预处理后的图像的面积比例确定植被覆盖度数据;
采用波段运算法,基于预处理后的植被光谱反射率数据计算植被指数数据;
根据所述植被覆盖度数据和植被指数数据建立基于机器学习的多元回归线性估算模型,并根据所述基于机器学习的多元回归线性估算模型得到待监测植被区域的植被生物量数据。
可选地,还包括:将所述待监测植被区域的图像和植被光谱反射率数据、所述植被覆盖度数据、所述植被指数数据与所述待监测植被区域的植被生物量数据的实时数据和历史数据均进行存储。
可选地,所述植被光谱反射率数据包括近红外光谱反射率和红光光谱反射率;所述植被指数数据包括差值植被指数、比值植被指数和归一化植被指数;
所述植被指数数据计算公式如下:
DVI=NIR-R
RVI=NIR/R
NDVI=(NIR-R)/(NIR+R)
其中,DVI为差值植被指数,RVI为比值植被指数,NDVI为归一化植被指数,NIR为近红外光谱反射率,R为红光光谱反射率。
可选地,所述采集待监测植被区域的图像和植被光谱反射率数据包括:
根据实际工作的需求,将植被数据获取单元放置在待测植被区域;
通过物候摄像头获取待监测植被区域的图像;
通过植被指数传感器获取待监测植被区域的植被光谱反射率数据;
将获取的待监测植被区域的图像和植被光谱反射率数据通过数据采集器进行采集,并将采集到的图像和植被光谱反射率数据传输至植被数据预处理单元进行预处理。
可选地,所述基于机器学习的多元回归线性估算模型为:
AGB=a*VI+b*FVC-c
其中,AGB为计算得到的植被生物量;a为植被指数常数;b为植被覆盖度常数;c为模型固定常数;VI为植被指数数据;FVC为植被覆盖度数据,取值在[0,1]之间。
为实现上述目的,本发明还提供了一种基于机器学习的植被生物量自动监测***,所述自动监测***应用于所述自动监测方法,该***包括:
植被数据获取单元,用于采集待监测植被区域的图像和植被光谱反射率数据;
植被数据预处理单元,与所述植被数据获取单元无线连接,用于对所述图像和植被光谱反射率数据进行预处理;
图像覆盖度解算单元,与所述植被数据预处理单元连接,用于采用最大类方差法将预处理后的图像中的植被和土壤进行分割,并根据分割后的植被图像和土壤图像分别与预处理后的图像的面积比例确定植被覆盖度数据;
植被指数计算单元,与所述植被数据预处理单元连接,用于采用波段运算法,基于预处理后的植被光谱反射率数据计算植被指数数据;
植被生物量获取单元,分别与所述图像覆盖度解算单元和所述植被指数计算单元连接,用于根据所述植被覆盖度数据和植被指数数据建立基于机器学习的多元回归线性估算模型,并根据所述基于机器学习的多元回归线性估算模型得到待监测植被区域的植被生物量数据。
可选地,还包括:存储单元,用于将所述待监测植被区域的图像和植被光谱反射率数据、所述植被覆盖度数据、所述植被指数数据和所述待监测植被区域的植被生物量数据的实时数据和历史数据均进行存储。
可选地,所述植被数据获取单元包括:
支撑架,用于支撑和保护植被数据获取单元;
安装杆,与所述支撑架连接,用于提供植被数据获取单元的安装空间和支撑所述植被数据获取单元;所述安装杆包括竖杆和横杆,所述竖杆在地面垂直方向与所述支撑架连接,所述横杆与所述竖杆通过连接杆垂直连接,形成直角三角形结构;
太阳能电池板,设置在所述竖杆的上半部分,面冲向南方向同太阳保持一致,用于给植被数据获取单元进行供电;
避雷针,设置在所述竖杆的上顶端,用于防止植被数据获取单元被雷击中而损坏;
物候摄像头,设置所述横杆的前端,用于对待测植被区域进行拍照,获取待监测植被区域的图像;
植被指数传感器,设置在所述横杆的前端及所述物候摄像头的后部,用于获取待监测植被区域的植被光谱反射率数据;
数据采集器,设置在所述竖杆中部,与所述物候摄像头、所述植被指数传感器和所述植被数据预处理单元连接,用于采集待监测植被区域的图像和植被光谱反射率数据。
可选地,所述植被指数传感器通过采集频率和时间的设定自动采集待监测植被区域的植被光谱反射率数据;
所述物候摄像头通过拍摄频率和时间的设定自动获取待监测植被区域的图像。
可选地,所述物候摄像头采用IR-CUT双滤镜,像素为200万;
所述植被指数传感器的像素为320万。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明首先采集待监测植被区域的图像和植被光谱反射率数据并对采集的数据进行预处理,然后采用最大类方差法将预处理后的图像分割为植被和土壤两个部分,并从分割后的图像中提取植被覆盖度数据;同时,采用波段运算法将预处理后的植被光谱反射率数据进行植被指数计算,获取植被指数数据;最后根据所述植被覆盖度数据和植被指数数据建立基于机器学习的多元回归线性估算模型,并根据该模型得到待监测植被区域的植被生物量数据。本发明整个工程无需人工的参与,全程自动一体化,节约了工作成本并减少了人员伤亡;与此同时,本发明融合机器学习技术建立植被生物量多元回归线性估算模型,精度高且适应性强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于机器学习的植被生物量自动监测方法流程图;
图2为本发明实施例提供的基于机器学习的植被生物量自动监测***结构图;
图3为本发明实施例提供的植被数据获取单元结构图;
附图说明:1-支撑架、2-安装杆、201-横杆、202-竖杆、203-连接杆、3-太阳能电池板、4-避雷针、5-物候摄像头、6-植被指数传感器、7-数据采集器。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
本发明的目的是提供一种基于机器学习的植被生物量自动监测方法及***,通过图像和植被光谱反射率数据获取植被覆盖度和植被指数,并融合机器学习技术建立植被生物量多元回归线性估算模型,精度高且适应性强。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本实施例提供的一种基于机器学习的植被生物量自动监测方法。
如图1所示,所述自动监测方法包括:
步骤101:采集待监测植被区域的图像和植被光谱反射率数据。
所述步骤101具体为:
根据实际工作的需求,将植被数据获取单元放置在待测植被区域。
通过物候摄像头5获取待监测植被区域的图像。
通过植被指数传感器6获取待监测植被区域的植被光谱反射率数据。
将获取的待监测植被区域的图像和植被光谱反射率数据通过数据采集器7进行采集,并将采集到的图像和植被光谱反射率数据传输至植被数据预处理单元进行预处理。
其中,植被光谱反射率包括近红外光谱反射率、红光光谱反射率,利用这两个植被的反射率计算植被指数,植被指数同生物量具有非常好的线性关系,是常用的生物量估算指数。
步骤102:对所述图像和植被光谱反射率数据进行预处理。
所述步骤102具体为:
利用数据采集器中的NB-IoT/GPRS通信功能,通过TCP协议将采集到的数据远程传输至物联网平台,在物联网平台中的植被数据预处理单元对原始数据进行分类和加工。因植被数据获取单元获取到的数据是没有经过加工处理的原始数据,包括物候摄像机5采集到的图像数据及植被指数传感器6采集到的光谱反射率数据,数据格式繁杂,并且原始数据也无法提供待监测区域的生物量信息,因此在植被数据获取单元后将原始数据进行数据的换算、辐射数据的定标和标准化,将数据解译成可以利用的数据。
步骤103:采用最大类方差法将预处理后的图像中的植被和土壤进行分割,并根据分割后的植被图像和土壤图像分别与预处理后的图像的面积比例确定植被覆盖度数据。
所述103具体为:物候摄像头5的图像中植被覆盖度的解算是利用大律法(OTSU)来进行物候摄像头5拍摄的图像阈值的分割,OTSU是一种确定图像二值化分割阈值的算法,该方法又称为最大类方差法,该方法认为是图像分割中阈值选取的最佳算法。对应物候摄像头5获取的待监测区图像,图像中包括植被和土壤两个部分,需要将植被和土壤所占的面积进行分割,分割阈值是利用OTSU算法来确定,通过计算图像中植被和土壤的灰度值方差,方差是灰度分布均匀性的一种度量,方差值越大代表构成图像的两个部分差别越大,通过计算确定最大的方差将图像分为植被和土壤两个部分,该算法集成在互联网云台中,自动运算将物候摄像头5拍摄的监测区植被图像提取到植被覆盖度数据。
步骤104:采用波段运算法,基于预处理后的植被光谱反射率数据计算植被指数数据。
所述步骤104具体为:
植被指数数据是不同光谱波段间的线性和非线性的组合,被认为能作为反映绿色植被相对丰度和活性的辐射量值的标志,是绿色植被生物量及被吸收的光合有效辐射的综合体现。根据草原区植被的特点,并且参考现有的国内外对草地生物量估产相关的研究结果,选择3种常见的植被指数,包括差值植被指数(DVI)、比值植被指数(RVI)、归一化植被指数(NDVI),这三种植被指数是最常用的进行植被生物量反演的指数。这三种植被指数都是通过测量的近红外反射率(植被强反射)和红光反射率(植被吸收)之间的差异来量化植被,NDVI的范围为[-1,1]之间,负值表示云、水等,0表示裸土等,正值有植被覆盖,并且随着覆盖度增大而增大。RVI取值范围大于0,绿色植被区取值远大于1,裸土的RVI取值在1附近,植被通常大于2。DVI是近红外、红光两个波段反射率的差值,对土壤的背景敏感。利用云台中的波段运算工具按照表(1)所示的公式进行波段运算,可以得到各个植被指数对应的运算结果数据,即植被指数数据,并将这些植被指数数据进行植被生物量计算。
表1
其中,NIR为近红外光谱反射率,R为红光光谱反射率。
步骤105:根据所述植被覆盖度数据和植被指数数据建立基于机器学习的多元回归线性估算模型,并根据所述基于机器学习的多元回归线性估算模型得到待监测植被区域的植被生物量数据。
所述步骤105具体为:
多元线性回归模型是指在回归分析中,有两个或两个以上的自变量的回归模型,该模型以其较好的可解释性成为遥感参数构建模型方法中较为普遍的方法之一。利用前期研究中根据地面实测获取的生物量数据同获取植被覆盖度和植被指数两种建模因子作为自变量,以草地生物量作为因变量,建立基于机器学习的多元回归线性估算模型。该表模型具体为:
AGB=a*VI+b*FVC-c
其中,其中,AGB为计算得到的植被生物量;a为植被指数常数;b为植被覆盖度常数;c为模型固定常数;VI为植被指数数据;FVC为植被覆盖度数据,取值在[0,1]之间。
因为植被指数、植被覆盖度和植被生物量呈现线性相关,利用机器学习中的最小二乘法对线性回归方程求解,可以得到式中的a、b、c常数。
将该模型植入互联网平台中,并根据获取的植被覆盖度数据和植被指数数据数据,利用该模型得到待监测区植被生物量数据。
在一些实施例中,所述基于机器学习的植被生物量自动监测方法还包括:
步骤106:将所述待监测植被区域的图像和植被光谱反射率数据、所述植被覆盖度数据、所述植被指数数据与所述待监测植被区域的植被生物量数据的实时数据和历史数据均进行存储,方便用户对监测结果进行分析及确保数据的完整性和安全性。用户可在物联网平台的存储单元中,实时查看或下载实时数据或数据连续变化曲线,还能够下载历史数据(历史数据包括原始数据和统计数据)。
本发明基于机器学习的植被生物量自动监测方法采用全自动拍照和数据网络无线传输的新观测技术,运用***配置的相机重复拍摄手段观测观测样地,既节约了人力资源,又便于对生物量及覆盖度采用统一的观测标准和数据管理模式进行处理。将生物量及覆盖度监测与有关气象监测站的观测数据结合起来进行研究,可以补充传统生物量及覆盖度监测数据精度、连续性等问题,有利于更精准地把握气候变化对生物量及覆盖度影响的各个方面。就观测手段而言,近年的生物量观测中,人们往往将地理信息科学对地遥感观测的新成果与地面观测结合起来开展工作。遥感数据是对地面观测的有益补充,二者结合使用可以实现地理事物的空间尺度转化。与此同时,本发明融合机器学习技术建立植被生物量多元回归线性估算模型,精度高且适应性强。
图2为本发明实施例提供的基于机器学习的植被生物量自动监测***结构图。
如图2所示,本实施例中的一种基于机器学习的植被生物量自动监测***,包括:植被数据获取单元、植被数据预处理单元、图像覆盖度解算单元、植被指数计算单元和植被生物量获取单元。
所述植被数据获取单元所述用于采集待监测植被区域的图像和植被光谱反射率数据;所述植被数据预处理单元与所述植被数据获取单元无线连接,所述植被数据预处理单元用于对所述图像和植被光谱反射率数据进行预处理;所述图像覆盖度解算单元与所述植被数据预处理单元连接,所述图像覆盖度解算单元用于采用最大类方差法将预处理后的图像中的植被和土壤进行分割,并根据分割后的植被图像和土壤图像分别与预处理后的图像的面积比例确定植被覆盖度数据;所述植被指数计算单元与所述植被数据预处理单元连接,所述植被指数计算单元用于采用波段运算法,基于预处理后的植被光谱反射率数据计算植被指数数据;所述植被生物量获取单元分别与所述图像覆盖度解算单元和所述植被指数计算单元连接,所述植被生物量获取单元用于根据所述植被覆盖度数据和植被指数数据建立基于机器学习的多元回归线性估算模型,并根据所述基于机器学习的多元回归线性估算模型得到待监测植被区域的植被生物量数据。
在一些实施例中,所述基于机器学习的植被生物量自动监测***还包括存储单元。
所述存储单元用于将所述待监测植被区域的图像和植被光谱反射率数据、所述植被覆盖度数据、所述植被指数数据和所述待监测植被区域的植被生物量数据的实时数据和历史数据均进行存储,可供用户实时查看和下载存储的实时数据和历史数据(历史数据包括原始数据和统计数据),还能够实时查看数据的连续曲线变化。
其中,所述植被数据预处理单元、图像覆盖度解算单元、植被指数计算单元、植被生物量获取单元和存储单元均内置于物联网平台中。
图3为本实施例提供的植被数据获取单元结构图。
进一步地,如图3所示,所述植被数据获取单元包括:支撑架1、安装杆2、太阳能电池板3、避雷针4、物候摄像头5、植被指数传感器6和数据采集器7。
所述支撑架1用于支撑和保护植被数据获取单元;所述安装杆2与所述支撑架1连接,所述安装杆2用于提供植被数据获取单元的安装空间和支撑所述植被数据获取单元;所述安装杆2包括竖杆202和横杆201,所述竖杆202在地面垂直方向与所述支撑架1连接,所述横杆201与所述竖杆202通过连接杆203垂直连接,形成直角三角形结构(“L”结构);所述太阳能电池板3设置在所述竖杆202的上半部分,面冲向南方向同太阳保持一致,所述太阳能电池板3用于给植被数据获取单元进行供电;所述避雷针4设置在所述竖杆202的上顶端,所述避雷针4用于防止植被数据获取单元被雷击中而损坏;所述物候摄像头5设置于所述横杆201的前端,所述物候摄像头5用于对待测植被区域进行拍照,获取待监测植被区域的图像;所述植被指数传感器6设置在所述横杆201的前端及所述物候摄像头5的后部,所述植被指数传感器6用于获取待监测植被区域的植被光谱反射率数据;所述数据采集器7设置在所述竖杆202中部,与所述物候摄像头5、所述植被指数传感器6和所述植被数据预处理单元连接,所述数据采集器7用于采集待监测植被区域的图像和植被光谱反射率数据。
在一些实施例中,所述支撑架1为三角形支架结构,安装植被数据获取单元时用地锚或其它方式将支撑架1固定在待监测植被区域,并采用守坚固耐用的原则,防止外界环境变化如大风天气等对植被数据获取单元的损坏。
在一些实施例中,所述安装杆2通过预留螺丝孔与所述支撑架1连接,通过地面保持垂直安装。
在一些实施例中,所述太阳能电池板3通过预留卡扣安装于所述安装杆2上半部分。
在一些实施例中,所述避雷针4采用预留螺丝孔连接至所述竖杆202的顶部。
在一些实施例中,所述物候摄像头5采用“U”型卡扣固定在所述横杆201的前端,能够防止晃动。
在一些实施例中,所述植被指数传感器6采用“U”型卡扣固定在在所述横杆201的前端及所述物候摄像头5的后部。
其中,所述植被指数传感器6通过采集频率和时间的设定自动采集待监测植被区域的植被光谱反射率数据,本实施例默认上午10:00至下午14:00每间隔1小时采集一次。
所述物候摄像头5通过拍摄频率和时间的设定自动获取待监测植被区域的图像,本实施例默认每日上午10:00对监测区进行自动拍照。
在一些实施例中,所述物候摄像头5采用IR-CUT双滤镜,保证不同光线的的最佳拍摄效果;像素为200万;通电启动为2秒;帧率为15;分辨率为1600*1200;默认波特率最高支持460800bps,可定制1~10Mbps;信号输出类型为RS485;供电为DC5.5–30V;变焦镜头支持6~22mm;工作温度为-40~70℃。
在一些实施例中,所述植被指数传感器6的像素为320万;波段的波长峰值为650±2nm和810±2nm,半峰宽为10nm;检测器为光电检测器,入射光检测器和反射光检测器集成于同一个传感器上;直接输出NDVI数值;入射光为650nm和810nm,分别通过不同的检测器测量,余弦校正,半球视场;反射光为650nm和810nm,分别通过同一个检测器测量,视场完全一致,视场角为32°;准确度为±5%;重复性<1%;漂移<2%每年;测量时间为200ms;工作温度为-40~60℃。供电为3.6~15V;输出信号为SDI-12;尺寸为43×62×102(mm)。
在一些实施例中,所述太阳能电池板3采用MPPT太阳能充电控制电路,最佳充电电压为8.4V,能够自动监测电池、太阳能板、时钟电池电压。
在一些实施例中,所述数据采集器7是设备的核心,是物候摄像头5及植被指数传感器6的数据采集设备,采用“U”形卡扣固定在设置所述竖杆202中部,利于人员的操作和维护。
所述数据采集器7包括模拟通道5路、开关通道1路、频率测量通道1路、SHT温湿度传感器通道1路、RS485通道1路、摄像头专用通道1路和SDI-12通道6路。
其中,模拟通道5路可以扩展多个NDVI传感器,进行植物反射率数据的采集,并且模拟通道为12位分辨率,量程为5000mV,基本分辨率为1.47mV,精度为读数的±0.08%(-20℃~40℃);开关通道1路、频率测量通道1路和SHT温湿度传感器通道1路可以扩展连接土壤温度传感器,进行土壤温度的测定;RS485通道1路可以扩展连接气象站,进行气象站数据的采集;摄像头专用通道1路连接物候摄像头,进行物候数据的监测;SDI-12通道6路可以扩展连接土壤水分传感器,进行土壤水分的监测。
所述数据采集器7包括7路可控制输出电源,其中1路3.3V电源、6路12V或5V电源(跳线配置)。所述数据采集器7中还包括1路精密3.0V参考电压源。
所述数据采集器7支持32个变量,每个变量均可以配置多项式转换公式;自动计算实时值、平均值、最大值、最小值和累积值;可设置2个测量任务,对不同变量进行不同周期的测量。
所述数据采集器7内置32M FLASH存储,标配8G Micro SD卡,最大支持32G SD卡,最小存储间隔1分钟,可设置2个存储表,每个存储表可定义是否通过NB-IoT/GPRS远程发送。
所述数据采集器7采用蓝牙(串口服务)接口,可通过蓝牙进行参数配置和历史记录下载;还能够实现NB-IoT/GPRS通信功能,可通过TCP协议进行数据远程实时查看和历史记录下载。
基于机器学***衡设置,植被指数传感器,其像素能够达到320万像素,重量80克,易于同其他设备进行匹配,整套***采用高强度的野外专业支架进行相机的安装,保证***的稳固。物联网平台可查看实时数据、实时曲线;对历史数据进行下载(包括原始数据和统计数据);图像数据查看与下载;数据变量设置;可进行数据分析,生成折线图或柱状图;生物量反演模型是融合机器学习技术建立的草地生物量遥感高精度反演模型,适应性强。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于机器学习的植被生物量自动监测方法,其特征在于,包括
采集待监测植被区域的图像和植被光谱反射率数据;
对所述图像和植被光谱反射率数据进行预处理;
采用最大类方差法将预处理后的图像中的植被和土壤进行分割,并根据分割后的植被图像和土壤图像分别与预处理后的图像的面积比例确定植被覆盖度数据;
采用波段运算法,基于预处理后的植被光谱反射率数据计算植被指数数据;
根据所述植被覆盖度数据和植被指数数据建立基于机器学习的多元回归线性估算模型,并根据所述基于机器学习的多元回归线性估算模型得到待监测植被区域的植被生物量数据。
2.根据权利要求1所述的基于机器学习的植被生物量自动监测方法,其特征在于,还包括:
将所述待监测植被区域的图像和植被光谱反射率数据、所述植被覆盖度数据、所述植被指数数据与所述待监测植被区域的植被生物量数据的实时数据和历史数据均进行存储。
3.根据权利要求1所述的基于机器学习的植被生物量自动监测方法,其特征在于,所述植被光谱反射率数据包括近红外光谱反射率和红光光谱反射率;所述植被指数数据包括差值植被指数、比值植被指数和归一化植被指数;
所述植被指数数据计算公式如下:
DVI=NIR-R
RVI=NIR/R
NDVI=(NIR-R)/(NIR+R)
其中,DVI为差值植被指数,RVI为比值植被指数,NDVI为归一化植被指数,NIR为近红外光谱反射率,R为红光光谱反射率。
4.根据权利要求1所述的基于机器学习的植被生物量自动监测方法,其特征在于,所述采集待监测植被区域的图像和植被光谱反射率数据包括:
根据实际工作的需求,将植被数据获取单元放置在待测植被区域;
通过物候摄像头获取待监测植被区域的图像;
通过植被指数传感器获取待监测植被区域的植被光谱反射率数据;
将获取的待监测植被区域的图像和植被光谱反射率数据通过数据采集器进行采集,并将采集到的图像和植被光谱反射率数据传输至植被数据预处理单元进行预处理。
5.根据权利要求1所述的基于机器学习的植被生物量自动监测方法,其特征在于,所述基于机器学习的多元回归线性估算模型为:
AGB=a*VI+b*FVC-c
其中,AGB为计算得到的植被生物量;a为植被指数常数;b为植被覆盖度常数;c为模型固定常数;VI为植被指数数据;FVC为植被覆盖度数据,取值在[0,1]之间。
6.一种基于机器学习的植被生物量自动监测***,其特征在于,所述***应用于权利要求1-5任一项所述的自动监测方法,所述自动监测***包括:
植被数据获取单元,用于采集待监测植被区域的图像和植被光谱反射率数据;
植被数据预处理单元,与所述植被数据获取单元无线连接,用于对所述图像和植被光谱反射率数据进行预处理;
图像覆盖度解算单元,与所述植被数据预处理单元连接,用于采用最大类方差法将预处理后的图像中的植被和土壤进行分割,并根据分割后的植被图像和土壤图像分别与预处理后的图像的面积比例确定植被覆盖度数据;
植被指数计算单元,与所述植被数据预处理单元连接,用于采用波段运算法,基于预处理后的植被光谱反射率数据计算植被指数数据;
植被生物量获取单元,分别与所述图像覆盖度解算单元和所述植被指数计算单元连接,用于根据所述植被覆盖度数据和植被指数数据建立基于机器学习的多元回归线性估算模型,并根据所述基于机器学习的多元回归线性估算模型得到待监测植被区域的植被生物量数据。
7.根据权利要求6所述的基于机器学习的植被生物量自动监测***,其特征在于,还包括:
存储单元,用于将所述待监测植被区域的图像和植被光谱反射率数据、所述植被覆盖度数据、所述植被指数数据和所述待监测植被区域的植被生物量数据的实时数据和历史数据均进行存储。
8.根据权利要求6所述的基于机器学习的植被生物量自动监测***,其特征在于,所述植被数据获取单元包括:
支撑架,用于支撑和保护植被数据获取单元;
安装杆,与所述支撑架连接,用于提供植被数据获取单元的安装空间和支撑所述植被数据获取单元;所述安装杆包括竖杆和横杆,所述竖杆在地面垂直方向与所述支撑架连接,所述横杆与所述竖杆通过连接杆垂直连接,形成直角三角形结构;
太阳能电池板,设置在所述竖杆的上半部分,面冲向南方向同太阳保持一致,用于给植被数据获取单元进行供电;
避雷针,设置在所述竖杆的上顶端,用于防止植被数据获取单元被雷击中而损坏;
物候摄像头,设置所述横杆的前端,用于对待测植被区域进行拍照,获取待监测植被区域的图像;
植被指数传感器,设置在所述横杆的前端及所述物候摄像头的后部,用于获取待监测植被区域的植被光谱反射率数据;
数据采集器,设置在所述竖杆中部,与所述物候摄像头、所述植被指数传感器和所述植被数据预处理单元连接,用于采集待监测植被区域的图像和植被光谱反射率数据。
9.根据权利要求8所述的基于机器学习的植被生物量自动监测***,其特征在于,所述植被指数传感器通过采集频率和时间的设定自动采集待监测植被区域的植被光谱反射率数据;
所述物候摄像头通过拍摄频率和时间的设定自动获取待监测植被区域的图像。
10.根据权利要求8所述的基于机器学习的植被生物量自动监测***,其特征在于,所述物候摄像头采用IR-CUT双滤镜,像素为200万;
所述植被指数传感器的像素为320万。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092849.0A CN114429591A (zh) | 2022-01-26 | 2022-01-26 | 一种基于机器学习的植被生物量自动监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092849.0A CN114429591A (zh) | 2022-01-26 | 2022-01-26 | 一种基于机器学习的植被生物量自动监测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114429591A true CN114429591A (zh) | 2022-05-03 |
Family
ID=81312568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210092849.0A Pending CN114429591A (zh) | 2022-01-26 | 2022-01-26 | 一种基于机器学习的植被生物量自动监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429591A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563718A (zh) * | 2023-07-11 | 2023-08-08 | 成都垣景科技有限公司 | 一种基于遥感测绘的碳储量估算方法 |
CN116597157A (zh) * | 2023-07-11 | 2023-08-15 | 中国科学院地理科学与资源研究所 | 基于特征光谱变化的植物物候提取方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951836A (zh) * | 2017-03-05 | 2017-07-14 | 北京工业大学 | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 |
CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
CN107632967A (zh) * | 2017-09-14 | 2018-01-26 | 青海省基础地理信息中心 | 一种草地产草量估算方法 |
CN108152223A (zh) * | 2017-11-10 | 2018-06-12 | 中国科学院植物研究所 | 一种多尺度植物生长节律野外自动观测*** |
CN209014477U (zh) * | 2018-08-31 | 2019-06-21 | 北京理工大学 | 一种便携式草地生物量无损伤测量装置 |
CN110852149A (zh) * | 2019-09-24 | 2020-02-28 | 广州地理研究所 | 基于分类和回归树算法的植被指数预测方法、***及设备 |
US20200225075A1 (en) * | 2019-01-14 | 2020-07-16 | Wuhan University | Method and system for optical and microwave synergistic retrieval of aboveground biomass |
-
2022
- 2022-01-26 CN CN202210092849.0A patent/CN114429591A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951836A (zh) * | 2017-03-05 | 2017-07-14 | 北京工业大学 | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 |
CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
CN107632967A (zh) * | 2017-09-14 | 2018-01-26 | 青海省基础地理信息中心 | 一种草地产草量估算方法 |
CN108152223A (zh) * | 2017-11-10 | 2018-06-12 | 中国科学院植物研究所 | 一种多尺度植物生长节律野外自动观测*** |
CN209014477U (zh) * | 2018-08-31 | 2019-06-21 | 北京理工大学 | 一种便携式草地生物量无损伤测量装置 |
US20200225075A1 (en) * | 2019-01-14 | 2020-07-16 | Wuhan University | Method and system for optical and microwave synergistic retrieval of aboveground biomass |
CN110852149A (zh) * | 2019-09-24 | 2020-02-28 | 广州地理研究所 | 基于分类和回归树算法的植被指数预测方法、***及设备 |
Non-Patent Citations (3)
Title |
---|
JE´ ROˆ ME THE´ AU 等: "Estimation of forage biomass and vegetation cover in grasslands using UAV imagery" * |
张殿岱 等: "基于Landsat 8 OLI影像的渭-库绿洲植被地上生物量估算" * |
李丽丽 等: "2000-2015年石羊河流域植被覆盖度及其对气候变化的响应" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563718A (zh) * | 2023-07-11 | 2023-08-08 | 成都垣景科技有限公司 | 一种基于遥感测绘的碳储量估算方法 |
CN116597157A (zh) * | 2023-07-11 | 2023-08-15 | 中国科学院地理科学与资源研究所 | 基于特征光谱变化的植物物候提取方法及装置 |
CN116563718B (zh) * | 2023-07-11 | 2023-09-05 | 成都垣景科技有限公司 | 一种基于遥感测绘的碳储量估算方法 |
CN116597157B (zh) * | 2023-07-11 | 2023-09-26 | 中国科学院地理科学与资源研究所 | 基于特征光谱变化的植物物候提取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101936882B (zh) | 一种作物氮素和水分无损检测方法及装置 | |
CN101980249B (zh) | 作物发育及长势自动观测方法及装置 | |
Jagüey et al. | Smartphone irrigation sensor | |
CN114429591A (zh) | 一种基于机器学习的植被生物量自动监测方法及*** | |
CN201869599U (zh) | 作物发育及长势自动观测装置 | |
CN103398957B (zh) | 基于高光谱与激光雷达提取叶面积垂直分布的方法 | |
CN104991459A (zh) | 一种有机蔬菜大棚监控***及方法 | |
CN109813852B (zh) | 一种田间小麦高通量表型信息获取装置及其控制方法 | |
CN106126920A (zh) | 农作物雹灾受灾面积遥感评估方法 | |
CN106770289A (zh) | 一种用于分布式叶面积指数半球图像采集的节点 | |
CN103278503A (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及*** | |
CN105954207A (zh) | 一种枣树冠层叶绿素b含量的检测方法 | |
CN102967562B (zh) | 一种高精度作物生长信息监测仪及其检测方法 | |
CN105823736A (zh) | 一种枣树冠层类胡萝卜素含量的检测方法 | |
CN111624165A (zh) | 一种气象环境参数及光谱同步测量***及方法 | |
CN206975496U (zh) | 一种农业大棚远程管理*** | |
CN105259179A (zh) | 一种基于辐射测量原理的叶面积指数仪 | |
CN106406399B (zh) | 基于二维码水果全程多源信息追溯的物联网*** | |
CN112816441A (zh) | 一种设施园艺作物生长状况检测方法及装置 | |
CN106500838A (zh) | 一种无人值守的目标反射光谱特性自动观测*** | |
CN210893416U (zh) | 一种可穿戴式环境监测设备 | |
CN206161158U (zh) | 无人值守地物光谱辐亮度自动测量*** | |
CN204758832U (zh) | 微型辐射环境全自动监测站 | |
CN211178573U (zh) | 高度自调节温室农作物生长环境监测装置 | |
CN106371153A (zh) | 无人值守小型自动气象台 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220503 |