CN115937711A - 一种基于无人机遥感的土壤盐分快速监测方法 - Google Patents
一种基于无人机遥感的土壤盐分快速监测方法 Download PDFInfo
- Publication number
- CN115937711A CN115937711A CN202211256165.6A CN202211256165A CN115937711A CN 115937711 A CN115937711 A CN 115937711A CN 202211256165 A CN202211256165 A CN 202211256165A CN 115937711 A CN115937711 A CN 115937711A
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- salinity
- aerial vehicle
- unmanned aerial
- 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
Landscapes
- Image Processing (AREA)
Abstract
一种基于无人机遥感的土壤盐分快速监测方法,涉及土壤墒情数据监测技术领域技术领域;包括以下步骤:确定目标地块;利用无人机对目标地块进行遥感影像采集,获得遥感影像采集数据;无人机利用网络信号将获得的遥感影像采集数据传送到地面控制中心;地面控制中心根据获得的遥感影像采集数据对数据进行处理,获得提取光谱反射率、盐分指数和植被指数;将获得的光谱反射率、盐分指数和植被指数导入到盐分监测模型中进行计算,获得目标地块的具体土壤盐分数据;将获得的土壤盐分数据和遥感影像采集数据以及光谱反射率、盐分指数和植被指数上传到云平台进行保存。本发明能够利用无人机设备针对大范围地块的土壤盐分数据的进行快速的测量进而进行监测。
Description
技术领域
本发明涉及土壤墒情数据监测技术领域技术领域,具体是基于无人机遥感的土壤盐分快速监测方法。
背景技术
传统的土壤含盐量获取方法为定点采样,通过电导率仪测定,费时费力;随着遥感技术与农业的紧密结合,卫星遥感数据被常用于对土壤盐渍化进行有效的监测反演,然而,卫星遥感数据存在精度较低、易受到云层厚度和不利重访时间影响等的问题,这些问题的存在,导致在对土壤盐渍化监测时,获得的数据不准确,无法准确的反应土壤实际的盐渍化状况。
近年来,无人机遥感与土壤盐渍化监测的结合越来越紧密,且无人机易于部署,遥感数据采集的成本低,准确性高,具有较高的推广价值。
发明内容
本发明的目的在于提供基于无人机遥感的土壤盐分快速监测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于无人机遥感的土壤盐分快速监测方法,包括以下步骤:
A1,确定目标地块;
A2,利用无人机对目标地块进行遥感影像采集,获得遥感影像采集数据B1;
A3,无人机利用网络信号将A2步骤中获得的遥感影像采集数据B1传送到地面控制中心;地面控制中心根据获得的遥感影像采集数据B1对B1的数据进行处理,获得提取光谱反射率B2、盐分指数B3和植被指数B4;
A4,将A3中获得的光谱反射率B2、盐分指数B3和植被指数B4导入到盐分监测模型中进行计算,获得目标地块的具体土壤盐分数据;
A5,将A4中获得的土壤盐分数据和A3中获得的遥感影像采集数据B1以及光谱反射率B2、盐分指数B3和植被指数B4上传到云平台进行存储和远程调用。
作为本发明进一步的方案:所述A2步骤中对目标地块进行遥感影像采集所采用的仪器为多光谱传感器、激光雷达传感器、RTK相机以及用于储存数据的SD卡。
作为本发明再进一步的方案:所述激光雷达传感器型号为禅思L1。
作为本发明再进一步的方案:所述地面控制中心包括太阳能供电模块、服务器、显示器以及无线通信模块;
太阳能供电模块,与服务器、显示器及无线通信模块连接,用以电能的供应;
服务器,对数据进行接收、计算和存储;
显示器,显示服务器中的数据以及呈现服务器中数据计算的结果;
无线通信模块,实现服务器与无人机之间的数据连接。
作为本发明再进一步的方案:所述盐分监测模型为支持向量机模型、反向传播神经网络模型、随机森林模型、极限学习机模型中的一种。
作为本发明再进一步的方案:所述盐分监测模型的确定方法为,包括以下步骤:
C1,在目标地块中选取其中一块为样本地块;
C2,在样本地块中采用五点采样法利用土壤盐分测量器进行土壤盐分测量,并获得测量数据B5;
C3,利用无人机对样本地块进行遥感影像采集,获得遥感影像采集数据B6,;
C4,无人机利用网络信号将C3步骤中获得的遥感影像采集数据B6传送到地面控制中心;地面控制中心根据获得的遥感影像采集数据B6并对B6的数据进行处理,获得提取光谱反射率B7、盐分指数B8和植被指数B9;
C5,将C4步骤中获得的光谱反射率B7、盐分指数B8和植被指数B9导入到支持向量机模型、反向传播神经网络模型、随机森林模型、极限学习机模型中分别进行模型计算,每一个模型获得一个土壤盐分数据B10;
C6,将通过支持向量机模型、反向传播神经网络模型、随机森林模型、极限学习机模型分别获得的B10与B5的数据进行对比,获得数据最接近的模型,确定该最接近的模型为盐分监测模型。
作为本发明再进一步的方案:所述C2中所述土壤盐分测量器为TRIME-PICO-IPHTDR剖面土壤盐分测量器。
与现有技术相比,本发明的有益效果是:
本发明能够利用无人机设备,实现对土壤内部盐分数据的监测,尤其适用于针对大范围地块的土壤盐分数据的监测,在进行模型选择完成之后,能够利用无人机遥感影像采集的方式,获取遥感影像采集数据,从而快速的获得目标地块的具体土壤盐分数据;相对于传统的测量方式来说,其操作更加便捷,监测的范围更大,效率更高;相对于卫星遥感测量来说,其测量的准确性更高。
实施方式
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。
另外,本发明中的元件被称为“固定于”或“设置于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
为了解决传统的土壤含盐量获取方法为定点采样,通过电导率仪测定,费时费力以及卫星遥感数据测量存在精度较低、易受到云层厚度和不利重访时间影响等的问题。
本发明提出了一种基于无人机遥感的土壤盐分快速监测方法,包括以下步骤:
A1,确定目标地块;
A2,利用无人机对目标地块进行遥感影像采集,获得遥感影像采集数据B1;对目标地块进行遥感影像采集所采用的仪器为多光谱传感器、激光雷达传感器、RTK相机以及用于储存数据的SD卡;为了保证测量的效果激光雷达传感器型号为禅思L1;
A3,无人机利用网络信号将A2步骤中获得的遥感影像采集数据B1传送到地面控制中心;地面控制中心根据获得的遥感影像采集数据B1对B1的数据进行处理,获得提取光谱反射率B2、盐分指数B3和植被指数B4;
地面控制中心包括太阳能供电模块、服务器、显示器以及无线通信模块;
太阳能供电模块,与服务器、显示器及无线通信模块连接,用以电能的供应;
服务器,对数据进行接收、计算和存储;
显示器,显示服务器中的数据以及呈现服务器中数据计算的结果;
无线通信模块,实现服务器与无人机之间的数据连接;
A4,将A3中获得的光谱反射率B2、盐分指数B3和植被指数B4导入到盐分监测模型中进行计算,获得目标地块的具体土壤盐分数据;
所述盐分监测模型为支持向量机模型、反向传播神经网络模型、随机森林模型、极限学习机模型中的一种;
所述盐分监测模型的确定方法为,包括以下步骤:
C1,在目标地块中选取其中一块为样本地块;
C2,在样本地块中采用五点采样法利用土壤盐分测量器进行土壤盐分测量,并获得测量数据B5;土壤盐分测量器为TRIME-PICO-IPH TDR剖面土壤盐分测量器;
C3,利用无人机对样本地块进行遥感影像采集,获得遥感影像采集数据B6,;
C4,无人机利用网络信号将C3步骤中获得的遥感影像采集数据B6传送到地面控制中心;地面控制中心根据获得的遥感影像采集数据B6并对B6的数据进行处理,获得提取光谱反射率B7、盐分指数B8和植被指数B9;
C5,将C4步骤中获得的光谱反射率B7、盐分指数B8和植被指数B9导入到支持向量机模型、反向传播神经网络模型、随机森林模型、极限学习机模型中分别进行模型计算,每一个模型获得一个土壤盐分数据B10;
C6,将通过支持向量机模型、反向传播神经网络模型、随机森林模型、极限学习机模型分别获得的B10与B5的数据进行对比,获得数据最接近的模型,确定该最接近的模型为盐分监测模型;
A5,将A4中获得的土壤盐分数据和A3中获得的遥感影像采集数据B1以及光谱反射率B2、盐分指数B3和植被指数B4上传到云平台进行存储和远程调用。
实施例1
样本监测模块:根据灌区农场内不同种植作物类型进行监测,土壤盐分监测模块为TRIME-PICO-IPH TDR剖面土壤盐分测量器,监测方法还包括太阳能供电模块、SD卡及5G模块。
无人机遥感影像采集模块:无人机搭载多光谱传感器、激光雷达传感器、RTK相机、SD卡,其中激光雷达传感器型号为禅思L1.
地面控制中心:通过5G网络信号接收无人机遥感影像数据和灌区农场内不同作物覆盖区域的土壤盐分数据,控制中心完成遥感影像数据处理,提取光谱反射率,计算植被指数和盐分指数,完成监测模型的构建;控制中心包括太阳能供电模块、服务器、显示器及无线通信模块。
数字平台:通过5G数据网络将无人机遥感影像数据和土壤盐分数据按时间和空间分别上传并储存在云平台,实现远程访问和调用。
本发明使用无人机多光谱遥感实现快速监测灌区内不同作物覆盖下的土壤盐分,使用5G和大数据云平台储存数据,能实现长时间序列下的土壤盐分的空间和时间序列的盐分变异分析。并使用实测的土壤盐分数据对无人机监测土壤盐分模型进行精度评价和实时修正,保证监测的精度。
实施例2
第一步,完成无人机遥感图像采集模块搭建,土壤盐分采集模块田间布置和搭建,地面控制中心服务器搭建;
第二步,通过地面控制中心的5G通信模块与各个模块进行通信,完成数据传输功能,并搭建数据云平台;
第三步,地面工作人员在地面控制中心操作无人机,规划路径,无人机搭载多光谱传感器、RTK传感器和激光雷达传感器,获取目标地块内不同时间、不同空间上的覆膜耕地、返盐裸地、小麦、苜蓿等有作物覆盖的遥感影像,通过5G模块将数据实时传送回地面控制中心,田间土壤盐分采集通过5G通信模块将数据传输到控制中心;
第四步,地面控制中心将通信模块传输回的遥感数据进行处理,提取反射率,计算植被指数和盐分指数,导入服务器中进行建模,根据盐分反演模型完成土壤盐分的实时快速、高精度的监测;
第五步,地面控制中心将田间实测的土壤盐分与反演模型的监测盐分进行对比分析,对模型的精度进行修正,进一步提高模型的精度。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种基于无人机遥感的土壤盐分快速监测方法,其特征在于,包括以下步骤:
A1,确定目标地块;
A2,利用无人机对目标地块进行遥感影像采集,获得遥感影像采集数据B1;
A3,无人机利用网络信号将A2步骤中获得的遥感影像采集数据B1传送到地面控制中心;地面控制中心根据获得的遥感影像采集数据B1对B1的数据进行处理,获得提取光谱反射率B2、盐分指数B3和植被指数B4;
A4,将A3中获得的光谱反射率B2、盐分指数B3和植被指数B4导入到盐分监测模型中进行计算,获得目标地块的具体土壤盐分数据;
A5,将A4中获得的土壤盐分数据和A3中获得的遥感影像采集数据B1以及光谱反射率B2、盐分指数B3和植被指数B4上传到云平台进行存储和远程调用。
2.根据权利要求1所述的基于无人机遥感的土壤盐分快速监测方法,其特征在于,所述A2步骤中对目标地块进行遥感影像采集所采用的仪器为多光谱传感器、激光雷达传感器、RTK相机以及用于储存数据的SD卡。
3.根据权利要求2所述的基于无人机遥感的土壤盐分快速监测方法,其特征在于,所述激光雷达传感器型号为禅思L1。
4.根据权利要求1所述的基于无人机遥感的土壤盐分快速监测方法,其特征在于,所述地面控制中心包括太阳能供电模块、服务器、显示器以及无线通信模块;
太阳能供电模块,与服务器、显示器及无线通信模块连接,用以电能的供应;
服务器,对数据进行接收、计算和存储;
显示器,显示服务器中的数据以及呈现服务器中数据计算的结果;
无线通信模块,实现服务器与无人机之间的数据连接。
5.根据权利要求1所述的基于无人机遥感的土壤盐分快速监测方法,其特征在于,所述盐分监测模型为支持向量机模型、反向传播神经网络模型、随机森林模型、极限学习机模型中的一种。
6.根据权利要求5所述的基于无人机遥感的土壤盐分快速监测方法,其特征在于,所述盐分监测模型的确定方法为,包括以下步骤:
C1,在目标地块中选取其中一块为样本地块;
C2,在样本地块中采用五点采样法利用土壤盐分测量器进行土壤盐分测量,并获得测量数据B5;
C3,利用无人机对样本地块进行遥感影像采集,获得遥感影像采集数据B6,;
C4,无人机利用网络信号将C3步骤中获得的遥感影像采集数据B6传送到地面控制中心;地面控制中心根据获得的遥感影像采集数据B6并对B6的数据进行处理,获得提取光谱反射率B7、盐分指数B8和植被指数B9;
C5,将C4步骤中获得的光谱反射率B7、盐分指数B8和植被指数B9导入到支持向量机模型、反向传播神经网络模型、随机森林模型、极限学习机模型中分别进行模型计算,每一个模型获得一个土壤盐分数据B10;
C6,将通过支持向量机模型、反向传播神经网络模型、随机森林模型、极限学习机模型分别获得的B10与B5的数据进行对比,获得数据最接近的模型,确定该最接近的模型为盐分监测模型。
7.根据权利要求6所述的基于无人机遥感的土壤盐分快速监测方法,其特征在于,所述C2中所述土壤盐分测量器为TRIME-PICO-IPH TDR剖面土壤盐分测量器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211256165.6A CN115937711A (zh) | 2022-10-13 | 2022-10-13 | 一种基于无人机遥感的土壤盐分快速监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211256165.6A CN115937711A (zh) | 2022-10-13 | 2022-10-13 | 一种基于无人机遥感的土壤盐分快速监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937711A true CN115937711A (zh) | 2023-04-07 |
Family
ID=86696586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211256165.6A Pending CN115937711A (zh) | 2022-10-13 | 2022-10-13 | 一种基于无人机遥感的土壤盐分快速监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937711A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117630337A (zh) * | 2024-01-04 | 2024-03-01 | 中国科学院华南植物园 | 一种基于无人机的珊瑚沙盐碱监测*** |
-
2022
- 2022-10-13 CN CN202211256165.6A patent/CN115937711A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117630337A (zh) * | 2024-01-04 | 2024-03-01 | 中国科学院华南植物园 | 一种基于无人机的珊瑚沙盐碱监测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11317562B2 (en) | Generating a yield map for an agricultural field using classification and regression methods | |
US9983311B2 (en) | Modular systems and methods for determining crop yields with high resolution geo-referenced sensors | |
Xia et al. | Mapping evapotranspiration with high-resolution aircraft imagery over vineyards using one-and two-source modeling schemes | |
US10534086B2 (en) | Systems and methods for determining crop yields with high resolution geo-referenced sensors | |
CN106600434B (zh) | 基于作物模型与同化技术的作物长势遥感监测方法 | |
Bouman | Linking physical remote sensing models with crop growth simulation models, applied for sugar beet | |
US8731836B2 (en) | Wide-area agricultural monitoring and prediction | |
CN100394212C (zh) | 一种大面积作物种植面积及其产量的遥感检测估算方法 | |
WO2018107245A1 (en) | Detection of environmental conditions | |
CN114782834A (zh) | 基于比值法的农田土壤水分反演方法及*** | |
CN115950838B (zh) | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 | |
Zhu et al. | Optimization of multi-source UAV RS agro-monitoring schemes designed for field-scale crop phenotyping | |
US20210360885A1 (en) | Crop coefficients and use thereof for irrigation guidance | |
CN105136732A (zh) | 田间作物双波段成像ndvi测量装置 | |
CN115937711A (zh) | 一种基于无人机遥感的土壤盐分快速监测方法 | |
CN107491724B (zh) | 一种冬小麦穗分化期识别方法及装置 | |
CN116124709B (zh) | 基于叶绿素相对含量的冬小麦旱情无人机监测判别方法 | |
Tang et al. | UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard | |
Bouman et al. | Simulation and systems analysis tools for crop yield forecasting | |
CN115931774A (zh) | 基于无人机监测作物水分状况的方法、存储介质及设备 | |
CN109141371A (zh) | 冬小麦受灾识别方法、装置及设备 | |
CN118130768B (zh) | 一种低成本土壤墒情探测方法和*** | |
Wei et al. | Evaluation of the use of two-stage calibrated PlanetScope images and environmental variables for the development of the grapevine water status prediction model | |
Schirmbeck et al. | Surface moisture index by radiometric measurements and orbital data | |
Riczu | Application of spectral information in precision fruit production |
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 |