一种牧区旱情识别方法、系统及管理平台

技术领域

本发明涉及气象监测技术领域，特别是涉及一种牧区旱情识别方法、系统及管理平台。

背景技术

目前，随着全球气候变暖，大部分地区都在遭遇高温干旱的气候。我国是一个农牧业的大国，农牧业的干旱问题也是历来比较重视的。牧区的干旱程度影响着畜牧业的发展，也会制约我国农业生产活动和社会经济活动的可持续发展进程。干旱主要是由于长时间降雨量低、高温、高蒸发以及低土壤湿度而造成的牧区作物生长期水分不足，作物体内水分匮乏，作物正常生理活动受到影响而甚至引起作物减产的气象灾害。

气象因素是干旱的致灾因子之一，因此现有的常用的旱情识别方法包括对现有一段时间的气象数据进行记录，以及对作物区的蒸发量、土壤的含水量、径流量等进行记录，并建立模型来定量或定性分析区域的干旱等级，但是上述方法需要耗费人力来记录数据，且上述方法识别的旱情准确度不高，缺乏实时性，不适合大面积区域开展。现有旱情识别方法还包括利用遥感图像数据来获得区域的NDVI和温度数据(Ts)，从而利用温度-植被指数特征空间反演土壤湿度，得到土壤浅层的含水量情况从而得到旱情等级。单纯利用遥感图像来获取 NDVI，从而反演出土壤湿度的模型的准确率也不高，因此需要研究出一种能够自动、准确识别旱情的方法、系统及管理平台。

发明内容

本发明提供一种牧区旱情识别方法、系统及管理平台，以解决现有技术中准确度底等问题。

为实现上述目的，本发明提供了如下方案：一种牧区旱情识别方法，包括以下步骤，获取目标区域的landsat9数据；获取Landsat9数据中的热红外波段值；根据所述热红外波段值计算亮度温度T

优选的，根据所述热红外波段值计算亮度温度T

其中，L1和L2是Landsat9中的红外波段10,11，Ls是波段10和11的光谱辐射。

优选的，根据亮度温度计算陆地表面温度T

T

其中，TB

优选的，获取Landsat9数据中的红波段和近红外波段值并计算得到归一化植被指数NDVI 具体包括：

其中，Band

优选的，根据陆地表面温度和归一化植被指数来计算植被干旱指数DI具体包括：

其中，T

优选的，第一模型为深度学习模型，通过如下方式获得：

首先，获取样本图像，样本图像为各若干张轻度干旱、中度干旱、重度干旱的作物图像，原始图像的分辨率为640×400；对样本图像进行随机旋转、镜像、对比度调整等预处理以增加样本数量。

将图像分为R、G、B三个通道的图像，对于每个通道的图像,将图像分为n×n个块，此处n可以取20，每个块的大小为m1×m2(如果n取20，每个块大小为32×20)；第k个块的平均能量为：

aij是在第i行第j列的像素的值；这样每个通道的原始图像的特征矩阵转换为n×n的矩阵。

然后对转换后的图像矩阵使用滤波器进行滤波，优选地，采用二维滤波器对图像的每个通道的图像进行滤波，滤波器函数如下：

x

其中，x,y是矩阵元素的坐标位置，δ

接着将矩阵进行压缩，取R、G、B三个通道矩阵的均值形成6n×5n的特征矩阵。

优选的，在将特征矩阵输入第一模型的网络前，每个特征矩阵都减去均值矩阵，均值矩阵是从训练子集中计算获得的。

第一模型的网络结构如下：第一层为卷积层，卷积核大小为5*5，步长为2个像素，第二层为卷积层，卷积核大小为3*3，步长为1个像素，第三层为最大池化层，第四层为卷积层，卷积核大小为3*3，第五层为卷积层，卷积核大小为3*3，第六层为最大池化层，接着是空间金字塔池化层，然后连接全连接层。SPP层将特征图从细到粗分成若干部分，对每一部分进行池化操作。

将样本图像经过上述处理后的特征矩阵及其对应的标签输入第一模型的网络进行训练，采用随机梯度下降优化算法来迭代训练网络的权重。

模型训练好后，将无人机拍摄的作物图像通过上述滤波提取特征以及减去均值操作后，将其输入至模型，最后输出其干旱等级：轻度干旱、中度干旱、重度干旱。

本发明还提供了一种牧区旱情识别系统，包括：

遥感模块，数据存储模块，无人机，控制模块，数据处理模块，数据处理模块与无人机相连接，控制模块与无人机、数据处理模块相连接，数据处理模块执行上述的牧区旱情识别方法。

本发明还提供了一种管理平台，其包括上述的牧区旱情识别系统，以及显示终端，告警模块，显示终端与识别系统相连接，将识别到的情况包括正常、轻度干旱、中度干旱、重度干旱以不同的颜色呈现在显示终端上，并通知相应的管理人员。

与现有技术相比，本发明具有的有益效果为：

(1)首先遥感卫星影像的分辨率有的不能满足精度要求，但其能较明显地区分非干旱和干旱的情形，但是对于干旱的程度并不能很好地区分，利用遥感图像来初步判断目标区域的干旱情况，当初判其属于干旱时才调用无人机拍摄图像，并输入至网络模型来进一步细分其干旱等级能够提高识别的准确度以及节省成本；

(2)使用精准的计算方法获得地表温度而不是直接从MODIS数据中获取地表温度数据，可以得到更加准确的地表温度；

(3)在图像输入网络模型前，通过使用不同的滤波器来过滤原始特征，减少了原始图像的维度，且输入网络进行二次特征提取和分类，提高了识别率，更能适应多光照条件和角度的变换，更适应复杂的野外环境。

附图说明

图1是本发明实施例提供的牧区旱情识别方法的流程示意图；

图2是本发明实施例提供的经过滤波器滤波(提取特征)后生成特征图的示意图；

图3是本发明实施例提供的第一模型网络的结构示意图；

图4是本发明实施例提供的牧区旱情识别系统的结构示意图。

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。

实施例一：

参见图1,为一种牧区旱情识别方法，包括：

S1：获取目标区域的landsat9数据及Landsat9数据中的热红外波段值；S2：根据所述热红外波段值计算亮度温度T

优选的，根据所述热红外波段值计算亮度温度T

其中，L

优选的，根据亮度温度计算陆地表面温度T

T

其中，TB

优选的，获取Landsat9数据中的红波段和近红外波段值并计算得到归一化植被指数NDVI 具体包括：

其中，Band

优选的，根据陆地表面温度和归一化植被指数来计算植被干旱指数DI具体包括：

其中，T

优选的，干旱指数的取值范围为0～1，干旱指数越小表示牧区的土壤情况越好，指数越大说明越干旱，此处第一阈值取0.4；

首先，获取样本图像，样本图像为各若干张轻度干旱、中度干旱、重度干旱的作物图像，原始图像的分辨率为640×400；对样本图像进行随机旋转、镜像、对比度调整等预处理以增加样本数量。

将图像分为R、G、B三个通道的图像，对于每个通道的图像,将图像分为n×n个块，此处n可以取20，每个块的大小为m1×m2(如果n取20，每个块大小为32×20)；第k个块的平均能量为：

aij是在第i行第j列的像素的值；这样每个通道的原始图像的特征矩阵转换为n×n的矩阵。

然后对转换后的图像矩阵使用滤波器进行滤波，如图2所示，为本发明实施例提供的经过滤波器滤波(提取特征)后生成特征图的示意图；优选地，采用二维滤波器对图像的每个通道的图像进行滤波，滤波器函数如下：

x

其中，x,y是矩阵元素的坐标位置，δ

接着将矩阵进行压缩，取R、G、B三个通道矩阵的均值形成6n×5n的特征矩阵G

优选的，在将特征矩阵G

如图3所示，为本发明实施例提供的第一模型网络的结构示意图。第一模型网络的结构如下：第一层为卷积层，卷积核大小为5*5，步长为2个像素，第二层为卷积层，卷积核大小为3*3，步长为1个像素，第三层为最大池化层，第四层为卷积层，卷积核大小为3*3，第五层为卷积层，卷积核大小为3*3，第六层为最大池化层，接着是空间金字塔池化层，然后连接全连接层。SPP层将特征图从细到粗分成若干部分，对每一部分进行池化操作。

将样本图像经过上述处理后的特征矩阵及其对应的标签输入第一模型的网络进行训练，采用随机梯度下降优化算法来迭代训练网络的权重。

模型训练好后，将无人机拍摄的作物图像通过上述滤波提取特征以及减去均值操作后，将其输入至模型，最后输出其干旱等级：轻度干旱、中度干旱、重度干旱。

实施例二：参见图4，一种牧区旱情识别系统，包括：

遥感模块，数据存储模块，无人机模块，控制模块，数据处理模块，数据处理模块与无人机相连接，控制模块与无人机、数据处理模块相连接，数据处理模块执行上述的牧区旱情识别方法。

实施例三：本发明还提供了一种管理平台，其包括上述的牧区旱情识别系统，以及显示终端，告警模块，显示终端与识别系统相连接，将识别到的情况包括正常、轻度干旱、中度干旱、重度干旱以不同的颜色呈现在显示终端上，并通知相应的管理人员。

本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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，或者对其中部分或者全部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申请各实施例技术方案的范围。