Penilaian aktiviti pertanian dan pengelasan plot tanaman halus berdasarkan imejan penderiaan jauh siri masa

Dengan perkembangan teknologi penderiaan jauh, pemantauan dan pengurusan pertanian secara beransur-ansur bergerak ke arah kecerdasan dan ketepatan. Penggunaan imej penderiaan jauh siri masa untuk menentukan aktiviti pertanian dan mengklasifikasikan tanaman dalam plot tertentu telah menjadi alat penting dalam pertanian moden.

Gambaran Keseluruhan Imej Penderiaan Jauh Siri Masa

Imej penderiaan jauh siri masa merujuk kepada data imej berbilang temporal bagi kawasan yang sama yang diperoleh pada masa yang berbeza. Imej-imej ini boleh datang daripada pelbagai platform seperti satelit dan dron. Dengan menganalisis data ini, maklumat fenologi dalam dimensi masa dan maklumat taburan tanaman dalam dimensi ruang boleh diperolehi, sekali gus mendedahkan perubahan dinamik dalam litupan tanah dan pertumbuhan tanaman.

Penghakiman aktiviti pertanian

Menilai aktiviti pertanian terutamanya melibatkan pengenalpastian kawasan penanaman, mengklasifikasikan jenis tanaman dan memantau status pertumbuhan. Imej penderiaan jauh siri masa boleh mencapai fungsi berikut:

Pengenalpastian kawasan penanaman:

Dengan menganalisis perubahan indeks tumbuh-tumbuhan dalam imej berbilang temporal, taburan tanah yang ditanam pada musim yang berbeza dapat dikenal pasti.

Algoritma pembelajaran mesin digunakan untuk mengklasifikasikan imej dan menggambarkan kawasan penanaman dengan tepat.

Klasifikasi jenis tanaman:

Dengan menggunakan perubahan ciri spektrum tanaman yang berbeza semasa kitaran pertumbuhannya, model pengelasan diwujudkan untuk mengenal pasti jenis tanaman.

Menggabungkan data siri masa boleh meningkatkan ketepatan dan kestabilan pengelasan.

Pemantauan pertumbuhan:

Dengan menganalisis perubahan temporal dalam indeks tumbuh-tumbuhan, kita dapat memantau pertumbuhan dan kesihatan tanaman. Ini membolehkan pengesanan anomali dalam plot dengan tepat pada masanya, seperti perosak dan penyakit, kemarau dan banjir, sekali gus memberikan maklumat amaran awal.

Contoh Aplikasi

1. Visualisasi data siri masa dan pengekstrakan tempoh fenologi

△Rajah 1. Imej siri masa plot dan pengekstrakan tempoh fenologi

Kami telah mengumpulkan data imej siri masa suku tahunan 2022-2023 daripada plot demonstrasi di Daerah Chang'an, Xi'an. Selepas penapisan dan penyamaran berasaskan awan, kami akhirnya memilih 18 imej. Kami menormalkan pertumbuhan tanaman menggunakan NDVI untuk membandingkan perbezaan dalam pertumbuhan tanaman pada masa yang berbeza.

Seperti yang ditunjukkan dalam rajah di atas, dengan memerhatikan perubahan indeks tumbuh-tumbuhan dari semasa ke semasa, tempoh fenologi utama dapat dikenal pasti, sekali gus membolehkan ramalan dan penilaian aktiviti tanaman dan pertanian. Digabungkan dengan maklumat taburan ruang, peta taburan tanaman yang dikelaskan mengikut musim dapat dilukis.

2. Berdasarkan analisis titik panas spatiotemporal yang muncul dan pengelasan tanaman bagi aktiviti pertanian

△Rajah 2 Peta taburan tanaman berdasarkan aktiviti pertanian

Imej siri masa ditukar kepada titik vektor atau data raster berbilang dimensi, dan kiub spatiotemporal dibina. Berdasarkan kiub tersebut, analisis titik panas digunakan pada setiap lapisan masa mengikut hubungan kejiranan ruang tetap dan langkah masa. Keputusan analisis titik panas kemudiannya dianalisis secara statistik untuk setiap grid, akhirnya menghasilkan peta pengelasan yang mengandungi maklumat ruang dan masa. Akhir sekali, keputusan pengelasan ditafsirkan mengikut senario aplikasi sebenar.

Seperti yang ditunjukkan dalam rajah di atas, kawasan putaran gandum-jagung mewakili titik panas ayunan dalam indeks tumbuh-tumbuhan NDVI semasa suku tahun 2022-2023, menunjukkan pertumbuhan tanaman yang ketara sepanjang tempoh masa, tetapi dengan selang masa. Ini ditafsirkan sebagai tempoh kemunculan gandum dan tempoh kemunculan jagung selepas penuaian gandum, justeru mengklasifikasikannya sebagai kawasan penanaman dua musim. Kawasan tanaman satu musim menunjukkan bahawa rantau ini tidak mempamerkan ciri-ciri variasi spatiotemporal yang ketara, dan ditentukan bahawa kebanyakan kawasan tersebut adalah penanaman satu musim. Kawasan terbiar separa mewakili kawasan di mana tiada tanaman ditanam untuk sebahagian besar musim penanaman, dengan kemungkinan penanaman tanaman satu musim pada masa-masa tertentu. Kawasan terbiar mewakili kawasan di mana tiada tanaman ditanam sepanjang musim penanaman.

Dengan menggunakan imej penderiaan jauh siri masa, adalah mungkin untuk menentukan peringkat fenologi tanaman dan menilai aktiviti pertanian di plot berdasarkan peringkat ini, sekali gus mencapai pengelasan yang lebih terperinci dan membolehkan pemantauan pertumbuhan plot berdasarkan aktiviti pertanian dan proses penanaman.