面向精准农业的农田信息遥感获取系统

分类：论文范文 发表时间：2020-04-10 08:53

　　摘 要：在精准农业的框架下，可以根据地块土壤、水肥、作物长势、产量等在时间与空间 上的差异，来进行相适宜的变量管理。 近 15 年来，遥感技术在精准农业领域开始发挥越 来越大的作用，在指导农田灌溉、施肥、农作物收获及灾后损失评估等方面均取得了很多 成功的应用。 在长期研究的基础上，对面向农业生产管理过程优化的农田信息遥感获取 技术进行了集成化开发，建成了“面向精准农业的农田信息遥感获取系统”，该系统以卫 星遥感数据为主要数据源，具备遥感数据预处理、长势监测、单产预测、土壤养分监测、播 种期与成熟期预测等功能，主要指标的预测与监测精度达到 85％ ～90％，可在作物生育 期连续提供定量化的农田空间差异信息，为农田播种、施肥、收割等生产管理活动的优化 提供支撑。 文章对该系统的结构、功能、模型方法以及应用案例进行了全面介绍，总结了 系统特点，并对系统下一步发展需要解决的问题进行了展望。

　　关键词：精准农业， 遥感， 系统， 设计与开发， 监测方法

　　0 引 言

　　精准农业（ precision agriculture， precision farming， precision crop management）又称精细农业、精确 农业、精准农作和处方农业。 精准农业基于农田作 物和环境的空间差异性，通过各种技术手段来获取 农田内不同单元的农田信息，并由此利用变量技术 来进行农田优化管理，以便实现生产过程精细化、准 确化的农业经营管理系统［1］ 。 鉴于我国及全球人 口不断增长和土地资源减少的矛盾不可逆转，精准 农业在减少投入、降低成本、减轻环境污染、农产品 可控化、标准化和批量化等方面均有积极的作用和 意义。

　　1 系统结构功能设计

　　1．1 需求分析

　　根据遥感技术、数据本身的特点，以及大田作物 种植管理优化对农田空间差异信息的需求，系统应 满足以下几个方面的要求。 数据选择：使用遥感数据开展面向精准农业的 信息服务，首先就是要进行合理的数据选择，特别是 遥感数据的分辨率。 根据目标区域的农田景观与空 间异质性，选择合适空间分辨率遥感数据开展监测， 可以避免因选择数据空间分辨率过低而不能反映田 块间或农田内部差异，或分辨率过高而使监测成本 大幅上升的问题［10］ 。 并可决定是否需要通过时空 或光谱融合等技术手段来提供满足农田尺度动态监 测需要的遥感数据［11］ 。

　　1．2 结构功能设计

　　面向精准耕作的农田信息遥感获取系统构架如 图 1 所示。

　　系统总体采用客户机／服务器模式 （ Client／ Server，C／S）共存架构，逻辑上可分为 4 层：即数据 层、数据处理层、参数反演层和专题应用层。 数据层：主要为农田信息遥感获取系统提供数 据支持，主要包括：（1）多源遥感影像数据、基础地 理信息数据、地面观测与验证数据及气象数据等； （2）支持用户管理和系统维护管理的用户数据、业 务数据、日志数据、历史数据等数据。

　　2 系统方法

　　从空间变异尺度分析、多源数据融合、作物参数 反演、农田播种适宜性评估、作物长势评价、土壤养 分状况遥感监测、作物成熟期预测以及作物单产估 算等 8 个方面对系统所采用的方法进行详细的说 明。

　　2．1 农田空间变异尺度分析

　　系统通过空间异质性的量化来确定所需要遥感 数据的空间分辨率。 空间异质性是指区域化变量在 不同空间位置上存在明显差异的属性，其包括空间 结构和空间变异两方面的内容。 空间异质性的定量 描述是基于数据类型的，变异函数（或半方差函数） 是刻画区域化变量的结构性和随机性的有效方法和 手段之一［21］ ，因此我们选择变异函数来分析农田的 空间变异尺度，变异函数定义为 γ（h） ＝ 1 2 E［Z（x） -Z（x ＋h）］2

　　其中，γ（h）为变异函数；Z（x）为系统某属性 Z 在空 间位置 x 处的值，Z（ x ＋h）是 Z 在 x ＋h 处的值；E ［Z（x） -Z（x ＋h）］2 是抽样间隔为 h 时的样本值方 差的数学期望。 根据 Nyquist-Shannon 采样定理，当 采样间隔小于权重变程的 1 ／2 时，则该景观的平均 自相关范围将能被探测到［21，22］ ，也就是说该景观的 空间异质性可以区分，因此可以作为遥感监测的空 间分辨率要求。

　　2．2 多源遥感数据融合

　　根据目前两类主流算法的特点与应用情况（基 于变换的方法和基于像元重构）［23］ ，系统选择使用 时空 自适 应性反 射率 融 合 模 型 （ spatio-temporal adaptive reflectivity fusion model， STARFM）［24］ 及其 改进模型［12］ 开展数据融合。 STARFM 方法的理论 基础是在忽略空间定位误差与大气纠正误差的前提 下，低分辨率遥感数据的像元值可以用同期高分辨 率遥感数据像元值的面积比例的加权平均来计算， 在权重计算上，由窗口中心的预测像元与窗口中其 他像元（包括多时相数据）的光谱距离、时间距离与 空间距离来决定，对包括作物生长在内的地表渐变 过程有较好的应用。

　　3 系统实施

　　3．1 系统开发平台搭建

　　系统基于局域网环境下的客户机／服务器模式 （C／S 结构）进行设计，采用 IDL ＋ArcGIS Engine ＋． NET Framework 的模式进行开发平台搭建。 IDL（interactive data language）是一种面向矩阵 的新一代语言，提供了强大的数据处理能力，还为数 据分析和结果的可视化提供了完整的编程环境，适 合于遥感数据计算与可视化；ArcGIS Engine 是 ESRI 在 ArcGIS9 版本才开始推出的新产品，矢量与栅格 数据的显示及地图制作提供了方便的接口；C＃是面 向对象的编程语言，可以快速地编写各种基于 Microsoft ．Net 平台的应用程序。 IDL 在界面设计开发方面明显不具备优势，而 ．NET Framework 和 ArcGIS Engine 恰好在界面设计 方面的能力突出，因此，系统在实施过程中综合考虑 各软件平台、开发语言的优缺点，取长补短。 利用 ．NET Framework 3．5 和 ArcGIS Engine 10．1 搭建系 统各功能模块界面，负责模型计算参数的设定以及 计算结果包括矢量和栅格数据的显示， IDL 语言实 现具体功能算法，负责遥感影像运算及具体模块的 算法运行，以 C＃做为系统界面与 IDL 处理算法及数 据库的交互语言搭建了系统。

　　3．2 系统实施

　　开发分模块进行，模块间保持高内聚、低耦合的 关系。 系统于 2014 年完成首版的开发，此后持续对 新的数据和新的技术方法研究成果进行集成。 系统 主界面如图 2 所示。 系统服务器端采用 SQLServer 数据库。 客户端 应用系统通过 ODBC 进行数据库的访问，服务器端 支持多用户访问。 选择 SQLServer 主要是因为其安 全、稳定、存储效率高，同时兼容性好，可运行于多种 平台，易于操作和使用。 系统在开发完成后在 Windows 平台下运行，需 要 IDL 运行时环境（ IDL RE）、ArcGIS Engine Runtime、．Net Framwork 3 种环境的支持。 目前系统已经 在黑龙江、山东、安徽等省进行了应用。

　　参考文献

　　[1]Zhang N Q，Wang M H，Wang N.Precision agriculture:a worldwide overview[J].Computers and Electronics in Agriculture，200，36（23）：113432

　　[2]蒙继华，吴炳方，李强子，等，农田农情参数遥感监测进展及应用展望[J].遥感信息，2010（3）：128

　　[3]李德仁摄影测量与遥感的现状及发展趋势[J].武汉测绘科技大学学报，2000，25（1）|166

　　[4]杨邦杰，裴志远，周清波，等，我国农情遥感监测关键技术研究进展[J].农业工程学报，2002，18（3）：191-194

　　[5]蒙继华，吴炳方，杜鑫等，遥感在精准农业中的应用进展及展望[J].国土资源遥感，2011，23（3）：17

上一篇：精准农业知识管理系统的设计与实现 下一篇：农村经济增长中的农村金融资源供给及效应