CN117281016B - 基于无人机遥感的间作***的灌溉决策方法、装置和*** - Google Patents

基于无人机遥感的间作***的灌溉决策方法、装置和*** Download PDF

Info

Publication number
CN117281016B
CN117281016B CN202311389926.XA CN202311389926A CN117281016B CN 117281016 B CN117281016 B CN 117281016B CN 202311389926 A CN202311389926 A CN 202311389926A CN 117281016 B CN117281016 B CN 117281016B
Authority
CN
China
Prior art keywords
irrigation
crops
intercropping
management
water
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
Application number
CN202311389926.XA
Other languages
English (en)
Other versions
CN117281016A (zh
Inventor
李茂娜
陈芬
李彩英
白燕燕
邵新庆
李继友
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.)
China Agricultural University
Original Assignee
China Agricultural University
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 China Agricultural University filed Critical China Agricultural University
Priority to CN202311389926.XA priority Critical patent/CN117281016B/zh
Publication of CN117281016A publication Critical patent/CN117281016A/zh
Application granted granted Critical
Publication of CN117281016B publication Critical patent/CN117281016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G25/00—Watering gardens, fields, sports grounds or the like
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • 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
    • Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Environmental Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明适用于农业智能化技术领域，提供了基于无人机遥感的间作***的灌溉决策方法、装置和***。所述方法包括：基于待灌溉地块的地理坐标信息、间作作物信息和喷灌机组信息，生成灌溉管理底图；基于所述图像信息、种植行距和种植行数，得到不同的间作作物的种植边界信息；基于所述种植边界信息对所述灌溉管理底图进行划分，得到若干灌溉管理大分区；对所述灌溉管理大分区内的植株进行聚类，并根据聚类结果将之划分为若干个灌溉管理小分区；基于管理小分区的作物的水分亏缺情况，对待灌溉间作地块进行精准灌溉。本方案能够实现间作***不同区域尤其是作物边界区域的灌水量的精确控制，执行差异化分析和灌溉，实现间作灌溉***水分的精准管理控制。

Description

基于无人机遥感的间作***的灌溉决策方法、装置和***
技术领域
本发明适用于农业智能化技术领域，提供了基于无人机遥感的间作***的灌溉决策方法、装置和***。
背景技术
间作，是指在同一田地上，于同一生长期内分行或分带相间种植两种及以上作物的种植方式。间作作为一种多样化种植体系，以及逐渐被广泛的应用于农田可持续性生产中。研究表明，这一种植方式通过利用生态学原理提升植物间正相互作用和互补性，降低种间竞争强度，从而提高间作***生产力。
在水资源相对短缺的地区，进行水分精准管理是进一步提高间作***产量与水分利用效率的重要基础，也是实现间作***规模化应用的保障。间作***通常为两种及多种不同类型作物条状交替种植，作物种类、长势的不同致使二者间的水分需求与水分亏缺表达差异较大，仍采用统一的灌溉管理，将导致作物灌水过多或不足，严重降低***产量与水分利用效率。
目前国内现有的间作灌溉管理***，可以在一定程度上基于不同间作作物的特点，对农田的整体用水需求进行分析，并根据需求执行进行灌溉。然而，现有的间作分析***难以对同一农田内不同作物的水分需求差异进行精确化分析，且难以有效区分复合冠层下的作物种植边界与作物水分亏缺差异，因此不能实现不同间种作物的精确化灌溉管理。
发明内容
本申请实施例的目的在于提供基于无人机遥感的间作***的灌溉决策方法，旨在解决现有的间作分析***难以对同一农田内不同作物的水分需求差异进行精确化分析，且难以有效区分复合冠层下的作物种植边界与作物水分亏缺差异，因此不能实现不同间种作物的精确化灌溉管理的问题。
本申请实施例是这样实现的，提供了基于无人机遥感的间作***的灌溉决策方法，所述方法包括：基于无人机对所述待灌溉地块进行图像扫描，得到待灌溉地块的图像信息，基于待灌溉地块的图像信息、地理坐标信息、间作作物信息和喷灌机组信息，生成灌溉管理底图；获取所述间作作物的种植行距和种植行数；基于所述图像信息、种植行距和种植行数，得到不同的间作作物的种植边界信息；基于所述种植边界信息对所述灌溉管理底图进行划分，得到若干灌溉管理大分区，每个所述灌溉管理大分区内仅包含单一种类的作物；基于每个所述灌溉管理大分区内不同植株的水分亏缺情况，对所述灌溉管理大分区内的植株进行聚类，所述水分亏缺情况用于表征植株受不同冠层高度差和株高影响下的水分亏缺状况；根据聚类的结果，将每个灌溉管理大分区划分为若干个灌溉管理小分区，每个灌溉管理小分区用于表征具有类似水分亏缺情况的若干植株组；基于各个所述管理小分区的作物的水分亏缺情况，控制所述喷灌机组对待灌溉地块进行精准灌溉。
本申请实施例的另一目的在于，提供了基于无人机遥感的间作***的灌溉决策装置，所述装置包括：灌溉管理底图生成模块，用于基于无人机对所述待灌溉地块进行图像扫描，得到待灌溉地块的图像信息，基于待灌溉地块的图像信息、地理坐标信息、间作作物信息和喷灌机组信息，生成灌溉管理底图；灌溉管理大分区生成模块，用于获取所述间作作物的种植行距和种植行数；基于所述图像信息、种植行距和种植行数，得到不同的间作作物的种植边界信息；基于所述种植边界信息对所述灌溉管理底图进行划分，得到若干灌溉管理大分区，每个所述灌溉管理大分区内仅包含单一种类的作物；灌溉管理小分区生成模块，用于基于每个所述灌溉管理大分区内不同植株的水分亏缺情况，对所述灌溉管理大分区内的植株进行聚类，所述水分亏缺情况用于表征植株受不同冠层高度差和株高影响下的水分亏缺状况；根据聚类的结果，将每个灌溉管理大分区划分为若干个灌溉管理小分区，每个灌溉管理小分区用于表征具有类似水分亏缺情况的若干植株组；精准灌溉模块，用于基于各个所述管理小分区的作物的水分亏缺情况，控制所述喷灌机组对待灌溉地块进行精准灌溉。
本申请实施例的另一目的在于，提供了基于无人机遥感的间作***的灌溉决策***，所述***在运行时，执行上述的基于无人机遥感的间作***的灌溉决策方法的步骤。
本申请实施例提供的基于无人机遥感的间作***的灌溉决策方法，能够有效针对间作作物不同的种类以及长势因子，实现间作***不同区域尤其是作物边界区域的灌水量的精确控制，执行差异化分析和灌溉，实现间作灌溉***水分的精准管理和控制。
附图说明
图1为本申请实施例提供的基于无人机遥感的间作***的灌溉决策方法的应用环境图；
图2为本申请实施例提供的基于无人机遥感的间作***的灌溉决策方法的流程图；
图3为本申请实施例提供的一种间作农业***的精准灌溉处方图生成方法的示意图；
图4为本申请实施例提供的一种地块分区的示意图；
图5为本申请实施例提供的另基于无人机遥感的间作***的灌溉决策方法的流程图；
图6为本申请实施例提供的另一种地块分区的示意图；
图7为一个实施例中计算机设备的内部结构框图；
图8为本申请实施例提供的基于无人机遥感的间作***的灌溉决策装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一脚本称为第二脚本，且类似地，可将第二脚本称为第一脚本。
图1为本申请实施例提供的基于无人机遥感的间作***的灌溉决策方法的应用环境图，如图1所示，在该应用环境中，包括计算机设备120以及图像获取设备110和灌溉设备130。
计算机设备120可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器，也可以是平板电脑、笔记本电脑、台式计算机等，但并不局限于此。图像获取设备110可以是无人机或由气象气球等高空摄影设备等，但并不局限于此。灌溉设备130用于执行灌溉作业，可以是智能化灌溉喷了设备等。
图像获取设备110、灌溉设备130以及计算机设备120可以通过网络进行连接，本申请在此不做限制。
如图2所示，在一个实施例中，提出了基于无人机遥感的间作***的灌溉决策方法，本实施例主要以该方法应用于上述图1中的计算机设备120来举例说明。基于无人机遥感的间作***的灌溉决策方法，具体可以包括以下步骤：
步骤S10，基于无人机对所述待灌溉地块进行图像扫描，得到待灌溉地块的图像信息，基于待灌溉地块的图像信息、地理坐标信息、间作作物信息和喷灌机组信息，生成灌溉管理底图。
步骤S20，获取所述间作作物的种植行距和种植行数；基于所述图像信息、种植行距和种植行数，得到不同的间作作物的种植边界信息；基于所述种植边界信息对所述灌溉管理底图进行划分，得到若干灌溉管理大分区，每个所述灌溉管理大分区内仅包含单一种类的作物。
步骤S30，基于每个所述灌溉管理大分区内不同植株的水分亏缺情况，对所述灌溉管理大分区内的植株进行聚类，所述水分亏缺情况用于表征植株受不同冠层高度差和株高影响下的水分亏缺状况；根据聚类的结果，将每个灌溉管理大分区划分为若干个灌溉管理小分区，每个灌溉管理小分区用于表征具有类似水分亏缺情况的若干植株组。
步骤S40，基于各个所述管理小分区的作物的水分亏缺情况，控制所述喷灌机组对待灌溉地块进行精准灌溉。
在本申请实施例中，可由无人机、气象气球或其他自动化扫描设备或遥感设备对所述待灌溉地块进行图像扫描，此处不做限制，为便于描述，以无人机距离。可以由设备自动获取或由用户输入田块的地理位置坐标、作物种植及灌溉***等信息，例如，种植的作物种类以及喷灌***喷灌机的型号、喷头间距等信息。田块位置可以包括地理经纬度、地块边界等，作物种植信息可以包括种植作物类型、种植时间，灌溉***可以特指例如平移式喷灌机***参数，包括机组长度、电磁阀个数、喷头数量、喷头间距等数据，进而根据机组长度与首尾喷头射程确定灌溉区域边界，以单个喷头射程为灌溉控制单元，并生成精准灌溉管理底图。
在本申请实施例中，可以首先通过获取田块地理位置、待种植的作物的种植信息及喷灌机机组信息，确定间作***精准灌溉底图。再获取地块热红外与可见光图像，结合用户输入的种植行距、行数信息，区分间作植物的种植边界，叠加精准灌溉底图的坐标信息，生成间作***精准灌溉管理大分区。进而根据热红外与可见光图像分别计算冠气温差与株高，并进一步计算出作物水分亏缺指数，采用自然间断法对其进行分级归类，生成间作***精准灌溉管理小分区。并根据作物水分亏缺指数计算当前作物耗水量，基于作物目标的水分需求，计算出当前各管理区需要的灌水量，生成精准灌溉处方图。解析精准灌溉处方图，换算成平移式喷灌机机组行走速度、喷头开启位置及相应启闭时间。最后向喷淋设备发送指令，并控制喷灌机精准灌溉***执行灌溉指令，完成间作***不同作物的精准灌溉管理，进而显著提高了农业灌溉的自动化程度，并有利于节约水源。
本申请实施例提供的一种农业灌溉方法，能够有效针对间作作物不同的种类以及长势因子，实现间作***不同区域尤其是作物边界区域的灌水量的精确控制，执行差异化分析和灌溉，实现间作灌溉***水分的精准管理和控制。
在一个实施例中，所述灌溉管理底图的生成方法可以包括如下步骤：获取待灌溉地块的地理坐标信息，以及所述喷灌机机组的行走方向和所属间作作物的种植方向，将所属喷灌机机组行走方向设为所述灌溉管理底图的Y轴方向，垂直方向为X轴方向；将所述待灌溉地块的地理坐标的最小值与最大值转换为平面直角坐标，比较机组长度与地块横向长度，取其小值作为所述灌溉管理底图的X轴方向边界；获取所述喷灌机组的喷头间距s,令s/2作为数据集的单位长度，生成2(n×m)/s个空数据集；依据所述灌溉管理底图的X轴和Y轴边界规划无人机航线，并利用无人机对所述待灌溉地块进行图像扫描，得到待灌溉地块的图像信息；将所述无人机获取的图像信息基于地理坐标信息，对应填入所述空数据集中，得到所述灌溉管理底图。
在本申请实施例中，精准灌溉管理分区底图可以由以下计算方法得到：1)确定平移喷灌机机组行走、作物种植方向，定义平移喷灌机机组行走方向为精准灌溉管理底图Y轴方向，垂直方向为X轴方向。2)将地块边界坐标最小值与最大值转换到平面直角坐标，为最小值A(X1，Y1)及最大值B(X2，Y2)，则地块宽度与长度为m和n，其中，m＝X2-X1，n＝Y2-Y1，比较机组长度与地块横向长度，取其小值作为底图X轴方向边界。3)喷头间距为s,s/2为数据集的单位长度，则生成2(n×m)/s个空数据集，向上取整生成精准灌溉管理分区底图。
在一个实施例中，利用无人机对所述待灌溉地块进行图像扫描，得到待灌溉地块的图像信息的方法包括：设置无人机飞行参数；基于无人机搭载的遥感相机，对所述待灌溉地块进行拍照和/或拍摄视频，获取所述待灌溉地块的若干热红外图像单元以及若干可见光图像单元；利用测绘软件与数字高程模型，将若干所述热红外图像单元以及若干可见光图像单元结合地理坐标信息进行拼接，得到红外图像以及可见光图像；基于所述红外图像以及可见光图像，进行信息采集和数据提取分析，得到灌溉管理底图。
在本申请的实施例中，如图3所示，给出了一种基于上述方法所进行的地块模型获取方法，图像信息可采用以下方式采集得到：根据灌溉区域边界确定无人机飞行航线，可以选择在晴朗无云，无风或微风的中午(11:00-12:00)，可以将无人机飞行参数设置为：飞行高度50m、扫描重叠率设置80％及以上。利用搭载HT热红外相机获取图层范围内地上的热红外图像，并同步获取可见光图像。可以利用Pix4Dmapper等软件与数字高程模型，实现地面图像的拼接，并对各类数据进行提取、分析与计算，生成若干条数据，每条数据可以包含经纬度、像素值(RGB、CIELAB)、温度与株高等信息。
在一个施例中，通过采集的作物图像信息对作物的种植边界区域进行划分的方法还包括：
基于间作作物所处的温度区间，将红外成像图像中，处于所述间作作物所处的温度区间之外的红外图像剔除；
将所述间作作物所处的温度区间的图像区域中，跳跃性的过渡边界设为间作作物的边界；
基于通过可见光图像获取到的作物冠层的纹理差异，对所述间作作物的边界进行调整，实现对作物的种植边界区域的精确划分。
在本申请实施例中，可以利用基于无人机获取的红外图像、基于无人机获取的可见光图像、利用作物种植习惯上述三种方法结合，叠加坐标底图，进而对复合冠层下的作物种植边界进行精确划分，有效提高了灌溉的精准性，进而解决了间作复合冠层下的作物种植边界难以区分的问题。
在本申请实施例中，利用基于无人机获取的红外图像、基于无人机获取的可见光图像目、利用作物种植***面直角坐标，生成精准灌溉管理坐标底图，并用于无人机航拍路线规划。随后，基于无人机采集的热红外图像，根据不同作物及土壤的反射温度不同剔除土壤等干扰因素并初步区分间作作物边界区域，例如图像剔除45℃以上的土壤像元后25℃与30℃为主要显示范围则25℃与30℃跳跃性的过渡边界即为间作作物边界区域；结合可见光图像对红外图像划分的边界进行调整，即根据拍摄作物冠层的纹理差异，由人工手动或自动算法，可用于区分间作作物边界区域，也可对基于红外图像没有识别成功的模糊边界区域进行精确划分或调整；结合作物种植习惯，即依据间作模式的相间种植规律以及种植习惯，结合无人机采集的作物图像信息区分间作作物种植边界。最后，将区分好种植边界的热红外图像和可见光图像两者经过综合研判，并结合作物种植习惯调整，或取其中的精确图像作为最终边界划分结果，与精准灌溉管理坐标底图进行叠加，识别边界重叠处坐标从而划分间作作物种植边界，生成间作***精准灌溉管理大分区图。
在本申请实施例中，水分亏缺情况可由多种手段获取得到，有基于仪器自动对作物进行分析，可以有人工进行分析，也可以基于对作物进行图像识别判断分析得到，并不限于此。可以基于灌溉管理大分区内各个植株的生长情况，将其聚类分为若干个小区域，得到若干个灌溉管理小分区，基于各个所述管理小分区的作物的水分亏缺情况，对待灌溉地块进行精准灌溉。
在本申请实施例中，根据作物水分亏缺指数计算当前作物耗水量，基于作物目标产量-水分需求模型，计算出当前各管理区需要的灌水量，生成并解析精准灌溉处方图，归类喷头、生成平移式喷灌机机组行走速度、喷头开启位置及相应启闭时间。解决了间作***不同区域尤其是作物边界区域的灌水量控制问题，更好地实现了间作***水分精准管理的核心问题。
在本申请实施例中，本申请实施例提供的一种农业灌溉方法，能够有效针对间作作物不同的种类以及长势因子，实现间作***不同区域尤其是作物边界区域的灌水量的精确控制，执行差异化分析和灌溉，实现间作灌溉***水分的精准管理和控制。
作为一个优选实施例，获取目标田块的种植信息及平移式喷灌机机组信息包括但不限于目标田块的作物类型、种植时间、作物生育期、喷灌机机组长度、喷头数量、喷头间距等信息。
作为一个优选实施例，确定平移喷灌机机组行走、作物种植方向，定义平移喷灌机机组行走方向为精准灌溉管理底图Y轴方向，垂直方向为X轴方向。先将地块边界坐标最小值与最大值转换到平面直角坐标，为最小值A(X1，Y1)及最大值B(X2，Y2)，则地块宽度与长度为m和n，其中，m＝X2-X1，n＝Y2-Y1比较机组长度与地块横向长度，取其小值作为底图X轴方向边界；喷头间距为s,s/2为数据集的单位长度，则生成2(n×m)/s个空数据集，向上取整，生成精准灌溉管理分区底图，并用于无人机航拍路线规划。
作为一个优选实施例，获取目标田块的种植信息及平移式喷灌机机组信息，包括:获取用户输入的目标田块信息。用户可以填写或选择目标田块的种植及喷灌机机组信息。
作为一个优选实施例，获取平移式喷灌机机组信息，包括:获取用户输入的目标田块的机组类型标识信息；根据目标田块的机组标识信息，使用大数据技术、网络搜索等人工智能技术挖掘采集机组参数信息，建立平移式喷灌机参数信息库，机组信息库中存储当前最新的平移式喷灌机参数信息，其中包括目标田块的机组参数信息。
在一个实施例中，所述基于通过对所述待灌溉地块进行扫描得到的图像信息，对所述灌溉管理底图进行划分，得到若干灌溉管理大分区的方法包括：基于所述图像信息，并结合所述间作作物的种植行距和种植行数信息，得到不同的间作作物的种植边界信息；基于所述种植边界信息对所述灌溉管理底图进行划分，得到若干灌溉管理大分区。
在本申请的一个实施例中，可以以种植作物种类作为精准灌溉管理大分区依据，其管理分区及边界可以采用如图3和图4中所示的下述方法确定：1)对热红外图像对土壤进行粗剔除，结合可见光图像，利用仿射变换算法先后对不同种植管理分区的热红外图像进行土壤背景的细剔除。2)利用目视法或利用图像处理设备，得到基于冠层形态差异(株高与叶片轮廓)，并结合种植行距、行数信息，对可见光图像中的作物种植边界进行划分，不同种类作物分别记为A，B，各管理小区分别记为A1，A2，A3，B1，B2，B3等。其中，A类作物在X轴方向上的长度分别计为a1，a2，a3等，B类作物在X轴方向上的长度分别计为b1，b2，b3等。3)依据种植习惯种植管理小区划分为条状，从地理坐标最小值开始，依次逐个确定各种植管理小区的顶点，并最终确定种植管理小区的边界及相应地理坐标，如A1小区的左右边界点分别为(X1，Y1)、(X1+a1,Y1)。4)叠加底图中最小管理单元边界坐标信息与间作植物的分区边界的坐标信息，每个管理分区的边界取其大者为边界，即X轴上取其大值max(X1+s/2，X1+a1)。从地理坐标最小值开始，依次逐个确定各种植管理小区的顶点，并最终确定大管理分区的边界及相应地理坐标。
在一个实施例中，如图5所示，所述基于每个所述灌溉管理大分区内不同植株的水分亏缺情况，对所述灌溉管理大分区内的植株进行聚类，并根据聚类结果将每个灌溉管理大分区划分为若干个灌溉管理小分区的方法包括：
S31：所述图像信息至少包括红外图像以及可见光图像，基于所述红外图像得到冠气温差，基于所述可见光图像得到株高。
S32：基于间作作物的所述冠气温差和所述株高，得到作物的水分亏缺指数，所述水分亏缺指数用于描述作物的水分亏缺情况。
S33：基于作物的水分亏缺指数，利用自然间断点分级法对灌溉管理大分区内的植株进行聚类，进而将之分级归类为若干个灌溉管理小分区。
在本申请实施例中，所述图像信息至少包括红外图像以及可见光图像，基于所述红外图像得到冠气温差，基于所述可见光图像得到株高；可以基于间作作物的所述冠气温差和所述株高，得到作物的水分亏缺指数，所述水分亏缺指数用于描述作物的水分亏缺情况；基于作物的水分亏缺指数，利用自然间断点分级法对灌溉管理大分区内的植株进行聚类，进而分级归类为若干个灌溉管理小分区。
在本申请实施例中，可以采用自然间断点法对管理区的水分亏缺指数进行归类分级，优选地，按照每个大管理分区下的小管理区级数不超过4个，采用组内方差最小、组间方差最大原则进行小管理区的分类，确定精准灌溉小分区边界，然后将其叠加精准灌溉底图的坐标信息，取其大值作为精准灌溉管理大分区边界，生成间作***精准灌溉管理小分区图。
在本申请实施例中，通过上述方法，能够针对每个大分区中各个植物的具体缺水情况，进行精确化划分，进而针对不同同种植物不同的缺水情况，将大分区分为若干个小分区，进而提供更加精确的灌溉。
作为本申请的一个实施例，如图4所示，提供了一种玉米与苜蓿间作地块的实施例。在本实施例中，首先，将地块边界坐标最小值与最大值转换到平面直角坐标，为最小值A(X1，Y1)及最大值B(X2，Y2)，则地块宽度与长度为m和n，其中，m＝X2-X1，n＝Y2-Y1。
然后，根据玉米与苜蓿的冠层形态差异将玉米与苜蓿分别记为A，B，各管理小区分别记为A1，A2，A3，B1，B2，B3。其中，A类作物(玉米)在X轴方向上的长度分别计为a1，a2，a3，B类作物(苜蓿)在X轴方向上的长度分别计为b1，b2，b3。
随后，经过步骤S30，将地块划分出玉米苜蓿间作精准灌溉管理小分区图；
其中，A类作物(玉米)在Y轴上的长度分别计为a11,a12,a13,a21等，B类作物(苜蓿)在Y轴方向上的长度分别计为b11,b12,b13,b21等。
最后，生成玉米与苜蓿间作***精准灌溉管理分区图。
作为本申请的一个实施例，可以通过计算得出各管理小区所需要的灌水量，如图6所示，给出了基于本方法生成的玉米与苜蓿精准灌溉处方图。第1、2位数字分别为间作***X轴方向和Y轴方向小区数，其中，管理小区(11，32，52)；(12，33，51)；(13，31，53)为同一需水量的玉米小区；管理小区(22，41，61)为同一需水量的苜蓿小区。
在一个实施例中，所述水分亏缺指数的获取步骤为：
获取株高偏差，所述获取株高偏差的计算方式为：
ΔHi＝Hp，i–Hm，i，
其中，ΔHi表示第i天的理论株高与实测株高的差值(cm)，Hp，i表示第i的理论株高(cm)，Hm，i表示第i天的实际株高(cm)，GDDi为第i天的有效积温(℃ d)，Hmax为无水分胁迫条件下植物可达到的最大株高(cm)；a、b、c均为经验参数；
基于株高偏差与冠气温差得到水分亏缺指数WSI，所述WSI的计算方式为：
WSI＝0.5(Tc-Ta)norm+0.5ΔHnorm，
其中，Tc-Ta表示冠气温差，Tc表示冠层温度，Ta表示大气温度，ΔHnorm表示株高差值的归一化处理，ΔHmax表示理论株高与无水分胁迫条件下植物可达最大株高差值，ΔHm表示理论株高与实测株高差值，norm表示数值的归一化处理。
在本申请实施例中，可以依据作物水分亏缺程度划分小管理区，水分亏缺程度诊断基于冠气温差与株高偏差进行。最终得出最终的水分亏缺指数WSI，WSI∈[0,1]，WSI的值越高，作物缺水程度越高。
本申请利用冠气温差与株高偏差相结合的方式，首创性地提出水分亏缺指数WSI，WSI∈[0,1]，并采用自然间断法对其进行分级归类，有效解决了间作***作物水分亏缺差异的区分问题，进而基于此能够对不同作物进行精准灌溉。
在一个实施例中，所述基于各个所述管理小分区的作物的水分亏缺情况，对待灌溉地块进行精准灌溉的方法包括：
基于每个所述管理小分区的作物的水分亏缺情况，得到其各自作物的水分需求量；
基于每个所述管理小分区的各自作物的水分需求量，对待灌溉地块中全部管理小分区的作物进行灌溉；
所述作物的水分需求量的获取方法为：
I＝WSI×TAW×p
TAW＝1000×(FC-WP)×Zr
其中，I表示作物的水分需求量(mm)，P表示作物吸水系数，例如，苜蓿取0.55，玉米取0.5，TAW表示根系层土壤可利用水量(mm)；FC表示田间持水量(cm3/cm3)；WP表示凋萎系数(cm3/cm3)；Zr表示作物的主根系长度(m)。
在一个实施例中，所述基于各个所述管理小分区的作物的水分亏缺情况，对待灌溉地块进行精准灌溉的方法还包括：
基于每个所述管理小分区的各自作物的水分需求量，生成灌溉处方图；
基于喷灌机组信息对所述灌溉处方图进行解析，生成所述喷灌机组的运行速度以及喷头开闭时序信息；
依据所述喷灌机组的运行速度以及喷头开闭时序信息执行喷灌，实现对待灌溉地块的精准灌溉。
在本申请实施例中，根据作物水分亏缺指数计算当前作物耗水量，基于作物水分需求，计算出当前各管理区需要的灌水量，生成精准灌溉处方图，进而基于处方图对地块进行精准灌溉。
作为本申请的一个优选实施例，解析灌溉处方图可以按照以下方法进行。解析模块按照先Y轴、后X轴方向的顺序解析精准灌溉处方图，通过联合调整喷灌机行走速度与喷头启闭的时间实现管理小区间的灌水变量控制。具体过程如下：1)Y轴方向上以喷头射程为解析单元，基于喷灌水深-行走速度关系，分析单元内各管理小区的行走速度，记为k1,k2，k3……，则该单元内机组行走k＝min(k1，k2,k3……,kn)。2)X轴方向上以最小的大管理区面积为解析单元，先确定边界内的喷头编号，其次依据喷头流量与时间关系，确定行走速度k与喷头流量条件下，完成管理区内灌溉水深各喷头需要开启的时间，记为t1，t2,t3。3)获取各解析单元的坐标信息，生成最终的套作***精准灌溉执行图。
在一个实施例中，所述基于各个所述管理小分区的作物的水分亏缺情况，对待灌溉地块进行精准灌溉的方法还包括：
基于所述待灌溉地块的地理坐标信息，生成所述喷管机组的运行路径；
基于所述喷灌机组所位于不同的灌溉管理小分区信息，执行相应的行走速度以及各喷头的开闭时序。
在本申请实施例中，可以基于根据地理坐标信息，确定行走方向，到达相应位置后，执行相应行走速度，各喷头执行对应的启闭时间，实现套作***不同作物的水分精准管理。
在一个实施例中，如图8所示，还提供了基于无人机遥感的间作***的灌溉决策方法装置，该农业灌溉装置可以集成于上述的计算机设备120中，具体可以包括灌溉管理底图生成模块510，灌溉管理大分区生成模块520，灌溉管理小分区生成模块530，精准灌溉模块540。
灌溉管理底图生成模块510，用于灌溉管理底图生成模块，用于基于无人机对所述待灌溉地块进行图像扫描，得到待灌溉地块的图像信息，基于待灌溉地块的图像信息、地理坐标信息、间作作物信息和喷灌机组信息，生成灌溉管理底图；
灌溉管理大分区生成模块520，用于获取所述间作作物的种植行距和种植行数；基于所述图像信息、种植行距和种植行数，得到不同的间作作物的种植边界信息；基于所述种植边界信息对所述灌溉管理底图进行划分，得到若干灌溉管理大分区，每个所述灌溉管理大分区内仅包含单一种类的作物；
灌溉管理小分区生成模块530，用于基于每个所述灌溉管理大分区内不同植株的水分亏缺情况，对所述灌溉管理大分区内的植株进行聚类，所述水分亏缺情况用于表征植株受不同冠层高度差和株高影响下的水分亏缺状况；根据聚类的结果，将每个灌溉管理大分区划分为若干个灌溉管理小分区，每个灌溉管理小分区用于表征具有类似水分亏缺情况的若干植株组；
精准灌溉模块540，用于基于各个所述管理小分区的作物的水分亏缺情况，对待灌溉地块进行精准灌溉。
本申请实施例中，上述基于无人机遥感的间作***的灌溉决策装置可基于上述基于无人机遥感的间作***的灌溉决策方法执行，装置中的每个模块执行对应的方法中的步骤。对于上述的基于无人机遥感的间作***的灌溉决策装置的描述请见上文，此处不再赘述。通过本实施例，能够有效针对间作作物不同的种类以及长势因子，实现间作***不同区域尤其是作物边界区域的灌水量的精确控制，执行差异化分析和灌溉，实现间作灌溉***水分的精准管理和控制。
图7示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的计算机设备120。如图7所示，该计算机设备包括该计算机设备可以包括通过***总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现一种农业灌溉方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行一种农业灌溉方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的基于无人机遥感的间作***的灌溉决策装置可以实现为一种计算机程序的形式，计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成该一种农业灌溉装置的各个程序模块，比如，图8所示的510模块、530模块等。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的基于无人机遥感的间作***的灌溉决策装置中的步骤。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述的基于无人机遥感的间作***的灌溉决策方法的步骤。
在本申请实施例中，对于上述的基于无人机遥感的间作***的灌溉决策方法的描述请见上文，此处不再赘述。通过本实施例，能够有效针对间作作物不同的种类以及长势因子，实现间作***不同区域尤其是作物边界区域的灌水量的精确控制，执行差异化分析和灌溉，实现间作灌溉***水分的精准管理和控制。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在一个实施例中，提供基于无人机遥感的间作***的灌溉决策***，所述***在运行时，执行上述的基于无人机遥感的间作***的灌溉决策方法的步骤。
在本申请实施例中，对于上述的基于无人机遥感的间作***的灌溉决策方法的描述请见上文，此处不再赘述。通过本实施例，能够有效针对间作作物不同的种类以及长势因子，实现间作***不同区域尤其是作物边界区域的灌水量的精确控制，执行差异化分析和灌溉，实现间作灌溉***水分的精准管理和控制。
应该理解的是，虽然本申请各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
上述所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.基于无人机遥感的间作***的灌溉决策方法，其特征在于，所述基于无人机遥感的间作***的灌溉决策方法包括：
基于无人机对所述待灌溉地块进行图像扫描，得到待灌溉地块的图像信息，基于待灌溉地块的图像信息、地理坐标信息、间作作物信息和喷灌机组信息，生成灌溉管理底图；
获取所述间作作物的种植行距和种植行数；基于所述图像信息、种植行距和种植行数，得到不同的间作作物的种植边界信息；基于所述种植边界信息对所述灌溉管理底图进行划分，得到若干灌溉管理大分区，每个所述灌溉管理大分区内仅包含单一种类的作物；
基于每个所述灌溉管理大分区内不同植株的水分亏缺情况，对所述灌溉管理大分区内的植株进行聚类，所述水分亏缺情况用于表征植株受不同冠层高度差和株高影响下的水分亏缺状况；根据聚类的结果，将每个灌溉管理大分区划分为若干个灌溉管理小分区，每个灌溉管理小分区用于表征具有类似水分亏缺情况的若干植株组；
基于各个所述管理小分区的作物的水分亏缺情况，控制所述喷灌机组对待灌溉地块进行精准灌溉；
所述基于每个所述灌溉管理大分区内不同植株的水分亏缺情况，对所述灌溉管理大分区内的植株进行聚类，并根据聚类结果将每个灌溉管理大分区划分为若干个灌溉管理小分区的方法包括：
所述图像信息至少包括红外图像以及可见光图像，基于所述红外图像得到冠气温差，基于所述可见光图像得到株高；
基于间作作物的所述冠气温差和所述株高，得到作物的水分亏缺指数，所述水分亏缺指数用于描述作物的水分亏缺情况；
基于作物的水分亏缺指数，利用自然间断点分级法对灌溉管理大分区内的植株进行聚类，进而将之分级归类为若干个灌溉管理小分区；
所述水分亏缺指数的获取步骤为：
获取株高偏差，所述获取株高偏差的计算方式为：
，
，
其中，表示第i天的理论株高与实测株高的差值，H p，i 表示第i的理论株高，H m，i 表示第i天的实际株高，GDD i 为第i天的有效积温(°C d)，Hmax为无水分胁迫条件下植物可达到的最大株高；a、 b、 c均为经验参数；
基于株高偏差与冠气温差得到水分亏缺指数WSI，所述WSI 的计算方式为：
，
，
，
其中，Tc-Ta表示冠气温差，Tc表示冠层温度，Ta表示大气温度，表示株高差值的归一化处理，/>表示理论株高与无水分胁迫条件下植物可达最大株高差值，表示理论株高与实测株高差值，/>表示数值的归一化处理；
所述基于各个所述管理小分区的作物的水分亏缺情况，对待灌溉地块进行精准灌溉的方法包括：
基于每个所述管理小分区的作物的水分亏缺情况，得到其各自作物的水分需求量；
基于每个所述管理小分区的各自作物的水分需求量，对待灌溉地块中全部管理小分区的作物进行灌溉；
所述作物的水分需求量的获取方法为：
，
，
其中，I表示作物的水分需求量，P表示作物吸水系数，TAW表示根系层土壤可利用水量；FC表示田间持水量；WP表示凋萎系数；Zr表示作物的主根系长度。
2.根据权利要求1所述的基于无人机遥感的间作***的灌溉决策方法，其特征在于，所述灌溉管理底图的生成方法为：
获取待灌溉地块的地理坐标信息，以及所述喷灌机机组的行走方向和所属间作作物的种植方向，将所属喷灌机机组行走方向设为所述灌溉管理底图的Y轴方向，垂直方向为X轴方向；
将所述待灌溉地块的地理坐标的最小值与最大值转换为平面直角坐标，比较机组长度与地块横向长度，取其小值作为所述灌溉管理底图的X轴方向边界；
获取所述喷灌机组的喷头间距s,令 s/2作为数据集的单位长度，生成2（n×m）/s个空数据集；
依据所述灌溉管理底图的X轴和Y轴边界规划无人机航线，并利用无人机对所述待灌溉地块进行图像扫描，得到待灌溉地块的图像信息；
将所述无人机获取的图像信息基于地理坐标信息，对应填入所述空数据集中，得到所述灌溉管理底图。
3.根据权利要求2所述的基于无人机遥感的间作***的灌溉决策方法，其特征在于，利用无人机对所述待灌溉地块进行图像扫描，得到待灌溉地块的图像信息的方法包括：
设置无人机飞行参数；
基于无人机搭载的遥感相机，对所述待灌溉地块进行拍照，获取所述待灌溉地块的若干热红外图像单元以及若干可见光图像单元；
利用测绘软件与数字高程模型，将若干所述热红外图像单元以及若干可见光图像单元结合地理坐标信息进行拼接，得到红外图像以及可见光图像；
基于所述红外图像以及可见光图像，进行信息采集和数据提取分析，得到灌溉管理底图。
4.根据权利要求1所述的基于无人机遥感的间作***的灌溉决策方法，其特征在于，所述不同的间作作物的种植边界信息的获取方法还包括：
获取间作作物的红外成像图像以及可见光图像；
获取间作作物所处的温度区间，将所述红外成像图像中，处于所述间作作物所处的温度区间之外的红外图像剔除；
将所述间作作物所处的温度区间的图像区域中，跳跃性的过渡边界设为间作作物的边界；
基于通过可见光图像获取到的作物冠层的纹理差异，对所述间作作物的边界进行调整，实现对作物的种植边界区域的精确划分。
5.根据权利要求1所述的基于无人机遥感的间作***的灌溉决策方法，其特征在于，所述基于各个所述管理小分区的作物的水分亏缺情况，对待灌溉地块进行精准灌溉的方法还包括：
基于每个所述管理小分区的各自作物的水分需求量，生成灌溉处方图；
基于喷灌机组信息对所述灌溉处方图进行解析，生成所述喷灌机组的运行速度以及喷头开闭时序信息；
依据所述喷灌机组的运行速度以及喷头开闭时序信息执行喷灌，实现对待灌溉地块的精准灌溉。
6.基于无人机遥感的间作***的灌溉决策装置，其特征在于，所述基于无人机遥感的间作***的灌溉决策装置包括：
灌溉管理底图生成模块，用于基于无人机对所述待灌溉地块进行图像扫描，得到待灌溉地块的图像信息，基于待灌溉地块的图像信息、地理坐标信息、间作作物信息和喷灌机组信息，生成灌溉管理底图；
灌溉管理大分区生成模块，用于获取所述间作作物的种植行距和种植行数；基于所述图像信息、种植行距和种植行数，得到不同的间作作物的种植边界信息；基于所述种植边界信息对所述灌溉管理底图进行划分，得到若干灌溉管理大分区，每个所述灌溉管理大分区内仅包含单一种类的作物；
灌溉管理小分区生成模块，用于基于每个所述灌溉管理大分区内不同植株的水分亏缺情况，对所述灌溉管理大分区内的植株进行聚类，所述水分亏缺情况用于表征植株受不同冠层高度差和株高影响下的水分亏缺状况；根据聚类的结果，将每个灌溉管理大分区划分为若干个灌溉管理小分区，每个灌溉管理小分区用于表征具有类似水分亏缺情况的若干植株组；
精准灌溉模块，用于基于各个所述管理小分区的作物的水分亏缺情况，控制所述喷灌机组对待灌溉地块进行精准灌溉；
所述基于每个所述灌溉管理大分区内不同植株的水分亏缺情况，对所述灌溉管理大分区内的植株进行聚类，并根据聚类结果将每个灌溉管理大分区划分为若干个灌溉管理小分区的方法包括：
所述图像信息至少包括红外图像以及可见光图像，基于所述红外图像得到冠气温差，基于所述可见光图像得到株高；
基于间作作物的所述冠气温差和所述株高，得到作物的水分亏缺指数，所述水分亏缺指数用于描述作物的水分亏缺情况；
基于作物的水分亏缺指数，利用自然间断点分级法对灌溉管理大分区内的植株进行聚类，进而将之分级归类为若干个灌溉管理小分区；
所述水分亏缺指数的获取步骤为：
获取株高偏差，所述获取株高偏差的计算方式为：
，
，
其中，表示第i天的理论株高与实测株高的差值，H p，i 表示第i的理论株高，H m，i 表示第i天的实际株高，GDD i 为第i天的有效积温(°C d)，Hmax为无水分胁迫条件下植物可达到的最大株高；a、 b、 c均为经验参数；
基于株高偏差与冠气温差得到水分亏缺指数WSI，所述WSI 的计算方式为：
，
，
，
其中，Tc-Ta表示冠气温差，Tc表示冠层温度，Ta表示大气温度，表示株高差值的归一化处理，/>表示理论株高与无水分胁迫条件下植物可达最大株高差值，/>表示理论株高与实测株高差值，/>表示数值的归一化处理；
所述基于各个所述管理小分区的作物的水分亏缺情况，对待灌溉地块进行精准灌溉的方法包括：
基于每个所述管理小分区的作物的水分亏缺情况，得到其各自作物的水分需求量；
基于每个所述管理小分区的各自作物的水分需求量，对待灌溉地块中全部管理小分区的作物进行灌溉；
所述作物的水分需求量的获取方法为：
，
，
其中，I表示作物的水分需求量，P表示作物吸水系数，TAW表示根系层土壤可利用水量；FC表示田间持水量；WP表示凋萎系数；Zr表示作物的主根系长度。
7.基于无人机遥感的间作***的灌溉决策***，其特征在于，所述***在运行时，执行如权利要求1~5中任一项所述的基于无人机遥感的间作***的灌溉决策方法的步骤。
CN202311389926.XA 2023-10-25 2023-10-25 基于无人机遥感的间作***的灌溉决策方法、装置和*** Active CN117281016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311389926.XA CN117281016B (zh) 2023-10-25 2023-10-25 基于无人机遥感的间作***的灌溉决策方法、装置和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311389926.XA CN117281016B (zh) 2023-10-25 2023-10-25 基于无人机遥感的间作***的灌溉决策方法、装置和***

Publications (2)

Publication Number Publication Date
CN117281016A CN117281016A (zh) 2023-12-26
CN117281016B true CN117281016B (zh) 2024-04-05

Family

ID=89253508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311389926.XA Active CN117281016B (zh) 2023-10-25 2023-10-25 基于无人机遥感的间作***的灌溉决策方法、装置和***

Country Status (1)

Country Link
CN (1) CN117281016B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112772098A (zh) * 2021-02-22 2021-05-11 中国农业大学 一种大型喷灌机变量灌溉施肥分区方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10779476B2 (en) * 2018-09-11 2020-09-22 Pollen Systems Corporation Crop management method and apparatus with autonomous vehicles

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112772098A (zh) * 2021-02-22 2021-05-11 中国农业大学 一种大型喷灌机变量灌溉施肥分区方法

Also Published As

Publication number Publication date
CN117281016A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
US11657597B2 (en) Cloud detection on remote sensing imagery
Sun et al. Multilevel deep learning network for county-level corn yield estimation in the us corn belt
CN111598045A (zh) 一种基于对象图谱和混合光谱的遥感耕地变化检测方法
Liu et al. Estimating maize seedling number with UAV RGB images and advanced image processing methods
CN113011221A (zh) 作物分布信息的获取方法、装置及测量***
CN112036313A (zh) 烟草种植面积检测方法、装置、设备及可读存储介质
Zhu et al. A calculation method of phenotypic traits based on three-dimensional reconstruction of tomato canopy
Biglia et al. 3D point cloud density-based segmentation for vine rows detection and localisation
Saeed et al. Cotton plant part 3D segmentation and architectural trait extraction using point voxel convolutional neural networks
CN117652267A (zh) 一种用于园林绿化维护的监测管理方法及***
Wahjuni et al. Faster RCNN based leaf segmentation using stereo images
Zhu et al. UAV flight height impacts on wheat biomass estimation via machine and deep learning
CN117281016B (zh) 基于无人机遥感的间作***的灌溉决策方法、装置和***
Xiao et al. 3D reconstruction and characterization of cotton bolls in situ based on UVA technology
CN116739739A (zh) 一种贷款额度评估方法、装置、电子设备及存储介质
Li et al. Weed detection in soybean fields using improved YOLOv7 and evaluating herbicide reduction efficacy
Duman et al. Design of a smart vertical farming system using image processing
Saeed et al. 3D Annotation and deep learning for cotton plant part segmentation and architectural trait extraction
Zhu et al. Optimization of multi-dimensional indices for kiwifruit orchard soil moisture content estimation using UAV and ground multi-sensors
Niu et al. Early Drought Detection in Maize Using UAV Images and YOLOv8+
CN116784075B (zh) 一种基于ros的多光谱无人机智能定点施肥方法及施肥装置
CN116167630B (zh) 一种选择三七轮作适宜性地块的计算机自动识别方法
CN118279431A (zh) 大区域低样本依赖度的作物制图方法与***
Kuang Prediction of corn yield in New York state by harnessing satellite remote sensing and deep learning
VenkataNaresh et al. An advanced Machine Learning Techniques on Agriculture fileds for future level cultivations

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