【技术实现步骤摘要】
本专利技术涉及遥感图像分析，尤其涉及一种冬小麦遥感影像自动分析系统。
技术介绍
1、遥感图像分析是应用计算机视觉和图像处理技术来分析从卫星或航空器拍摄的地球表面图像的科学。结合遥感学、地理信息系统（gis）和人工智能技术，以提取有价值的信息。特别是在农业领域，遥感技术被用于监测作物生长情况、土壤湿度、病虫害等多个方面。遥感图像分析通过分析不同波长的光反射和吸收特性，能够识别和分类地表特征，如不同类型的植被和土地利用情况。
2、其中，冬小麦遥感影像自动分析系统是一个利用遥感技术来分析冬小麦生长状况的系统。目的是通过自动分析遥感影像来监控冬小麦的健康状况、生长进度和可能存在的问题。系统的开发和应用对于提高农业生产效率、实现精准农业管理具有重要意义。帮助农民和农业管理者及时获取作物生长信息，从而更好地管理农田，如合理安排灌溉、施肥和病虫害防治。
3、传统的冬小麦遥感影像分析系统时间序列分析的不精确，无法有效同步多时段数据，导致分析结果无法准确反映植被变化规律。其次是纹理和病害识别的局限性，传统方法无法深入分析细微的纹理差异，导致病害检测不够及时或准确。湿度分析和营养状况评估也常受限于较为简单的分析方法，难以准确预测和评估土壤湿度变化和植被营养状态，导致农业管理决策的不准确，影响作物的产量和质量。
技术实现思路
1、本专利技术的目的是解决现有技术中存在的缺点，而提出的一种冬小麦遥感影像自动分析系统。
2、为了实现上述目的，本专利技术采用了如下技术方案：一
3、所述纹理识别模块基于时间序列分析结果，应用灰度共生矩阵和局部二值模式算法，对遥感影像中的植被纹理进行深度分析，区分差异纹理特征，识别冬小麦的健康状况及其他生长问题，生成纹理识别结果；
4、所述湿度分析模块基于纹理识别结果，运用长短期记忆网络对遥感影像中的土壤湿度信息进行分析，识别湿度变化趋势和模式，通过分析影像中的湿度关联特征，预测未来的土壤湿度变化，生成湿度分析结果；
5、所述病害检测模块基于湿度分析结果，结合谱聚类和高斯混合模型算法，分析遥感影像中的异常模式，识别潜在发生的病害，通过对多种病害特征的聚类和分类，揭示病害的分布和发展趋势，生成病害检测结果；
6、所述生长阶段监测模块基于病害检测结果，运用随机森林分类器，结合遥感影像特征，对冬小麦的生长阶段进行分类，分析各阶段的生长状况，通过对比生长阶段的影像特征，准确评估植被的生长进度，生成生长阶段监测结果；
7、所述营养分析模块基于生长阶段监测结果，结合遥感影像与农业气象数据，应用深度学习模型，分析冬小麦的营养状况，识别养分缺乏或过量的区域，通过对比营养状况与生长状况，为农业管理提供指导，生成营养分析结果；
8、所述产量估计模块基于营养分析结果，结合遥感影像的光谱特征和图像处理技术，预测冬小麦的产量，通过分析历史产量数据和当前生长情况，估计收获量，生成产量估计结果；
9、所述综合决策模块基于时间序列分析结果、纹理识别结果、湿度分析结果、病害检测结果、生长阶段监测结果、营养分析结果、产量估计结果，采用综合评估和决策支持技术，对整体的农业管理策略进行优化，生成综合决策结果。
10、作为本专利技术的进一步方案，所述时间序列分析结果包括同步后的时间点和数据趋势，所述纹理识别结果具体为差异纹理模式的分类，所述湿度分析结果包括土壤湿度的时空分布和预测趋势，所述病害检测结果具体指病害模式的识别和分类，所述生长阶段监测结果具体为冬小麦各生长阶段的判定，所述营养分析结果包括营养状况的评估和变化趋势，所述产量估计结果具体为未来产量的预测值和误差范围，所述综合决策结果包括针对冬小麦生长的管理建议和策略。
11、作为本专利技术的进一步方案，所述时间序列分析模块包括时间对齐子模块、时间点分析子模块、序列变化分析子模块，所述时间对齐子模块基于多时段遥感影像，采用动态时间弯曲算法，使用python中的dtw库，计算并比较差异时间点影像数据间的距离矩阵，设置时间弯曲窗口和距离度量标准，利用动态规划技术优化时间序列对齐路径，最小化总成本函数，完成时间点的同步，生成时间点对齐数据；
12、所述时间点分析子模块基于时间点对齐数据，进行关键时间点的深度分析，使用移动平均和趋势分析技术，通过python中的pandas库对时间序列数据应用rolling函数进行移动平均处理，平滑短期波动，使用statsmodels库中的线性回归函数ols，识别和量化时间序列的关键趋势，突出关键时间点的植被状态和变化，生成关键时间点分析结果；
13、所述序列变化分析子模块基于关键时间点分析结果，运用自回归模型，使用statsmodels库中的ar函数构建模型，设置滞后阶数参数，通过历史数据点预测未来值，评估冬小麦植被的整体健康状况和生长趋势，通过比较差异时间点的遥感数据，揭示冬小麦植被的变化规律和周期性，生成时间序列分析结果。
14、作为本专利技术的进一步方案，所述纹理识别模块包括纹理分析子模块、模式识别子模块、纹理分类子模块，所述纹理分析子模块基于时间序列分析结果，进行纹理特征提取，采用灰度共生矩阵算法，在python的skimage.feature.greycomatrix函数中设置距离参数为1个像素，角度参数包括0度、45度、90度和135度，计算影像中每个像素点与其邻近像素点的灰度级关系，获取遥感影像的纹理特征矩阵并进行模式识别和分类分析，生成纹理特征数据；
15、所述模式识别子模块基于纹理特征数据，运用局部二值模式算法，使用skimage.feature.local_binary_pattern函数，设置采样点数为8个，半径参数为1，将影像中每个像素与周围像素对比，描述每个像素局部纹理模式的二进制模式，生成局部纹理模式数据；
16、所述纹理分类子模块基于局部纹理模式数据，进行纹理分类，应用支持向量机算法，使用python中scikit-learn.svc函数，设置径向基核函数，正则化参数c设为1.0，根据局部二值模式数据对冬小麦植被的纹理模式进行分类，区分健康和受损的纹理特征，识别冬小麦植被的健康状况和生长问题，生成纹理识别结果。
17、作为本专利技术的进一步方案，所述湿度分析模块包括湿度识别子模块、湿度变化分析子模块、湿度趋势预测子模块，所述湿度识别子模块基于纹理识别结果，进行土壤湿度信息的初始识别，采用长短期记忆网络，在构建lstm模型时，选择50个神经元，使用tanh作为激活函数，捕捉时间序列数据中的长期依赖关本文档来自技高网...
【技术保护点】
1.一种冬小麦遥感影像自动分析系统，其特征在于：所述冬小麦遥感影像自动分析系统包括时间序列分析模块、纹理识别模块、湿度分析模块、病害检测模块、生长阶段监测模块、营养分析模块、产量估计模块、综合决策模块，所述时间序列分析模块基于多时段遥感影像，采用动态时间弯曲算法对时间序列进行分析，同步影像数据时间点，使用时间序列分析技术挖掘数据的趋势和周期性，通过比较差异时间点的遥感数据，揭示植被变化规律，生成时间序列分析结果；
2.根据权利要求1所述的冬小麦遥感影像自动分析系统，其特征在于：所述时间序列分析结果包括同步后的时间点和数据趋势，所述纹理识别结果具体为差异纹理模式的分类，所述湿度分析结果包括土壤湿度的时空分布和预测趋势，所述病害检测结果具体指病害模式的识别和分类，所述生长阶段监测结果具体为冬小麦各生长阶段的判定，所述营养分析结果包括营养状况的评估和变化趋势，所述产量估计结果具体为未来产量的预测值和误差范围，所述综合决策结果包括针对冬小麦生长的管理建议和策略。
3.根据权利要求1所述的冬小麦遥感影像自动分析系统，其特征在于：所述时间序列分析模块包括时间对齐子模块
4.根据权利要求1所述的冬小麦遥感影像自动分析系统，其特征在于：所述纹理识别模块包括纹理分析子模块、模式识别子模块、纹理分类子模块，所述纹理分析子模块基于时间序列分析结果，进行纹理特征提取，采用灰度共生矩阵算法，在Python的skimage.feature.greycomatrix函数中设置距离参数为1个像素，角度参数包括0度、45度、90度和135度，计算影像中每个像素点与其邻近像素点的灰度级关系，获取遥感影像的纹理特征矩阵并进行模式识别和分类分析，生成纹理特征数据；
5.根据权利要求1所述的冬小麦遥感影像自动分析系统，其特征在于：所述湿度分析模块包括湿度识别子模块、湿度变化分析子模块、湿度趋势预测子模块，所述湿度识别子模块基于纹理识别结果，进行土壤湿度信息的初始识别，采用长短期记忆网络，在构建LSTM模型时，选择50个神经元，使用tanh作为激活函数，捕捉时间序列数据中的长期依赖关系，输入的纹理特征数据进行初步分析，提取关键湿度信息，生成土壤湿度初步分析数据；
6.根据权利要求1所述的冬小麦遥感影像自动分析系统，其特征在于：所述病害检测模块包括模式分析子模块、病害分类子模块、病害趋势分析子模块，所述模式分析子模块基于湿度分析结果，对遥感影像中的异常模式进行分析，采用谱聚类算法，通过scikit-learn.cluster.SpectralClusterin，选择适当数量的簇进行聚类，并分析数据，识别潜在指示病害发生的湿度异常模式，生成异常模式分析数据；
7.根据权利要求1所述的冬小麦遥感影像自动分析系统，其特征在于：所述生长阶段监测模块包括生长状态分析子模块、阶段分类子模块、生长趋势监测子模块，所述生长状态分析子模块基于病害检测结果，分析冬小麦的生长状态，通过随机森林分类器，选择决策树数量为100，深度为10，分析影像特征，包括色彩、纹理和形状，利用scikit-learn.ensemble.RandomForestClassifier进行，判定植被当前的生长状态，生成生长状态分析数据；
8.根据权利要求1所述的冬小麦遥感影像自动分析系统，其特征在于：所述营养分析模块包括营养状态评估子模块、营养变化分析子模块、营养状况预测子模块，所述营养状态评估子模块基于生长阶段监测结果，结合遥感影像与农业气象数据，进行营养状态评估，通过深度学习模型，使用Python的TensorFlow和Keras库构建CNN，通过添加多个Conv2D和MaxPooling2D层提取影像特征，分析影像中的颜色和纹理特征，评估冬小麦的营养状况，识别营养缺乏或过量区域，生成营养状态评估数据；
9.根据权利要求1所述的冬小麦遥感影像自动分析系统，其特征在于：所述产量估计模块包括光谱分析子模块、图像处理子模块、产量预测子模块，所述光谱分析子模块基于营养分析结果，进行遥感影像的光谱分析，分析影像中差异波长的光谱反射率，量化影像的绿色植被指数和叶绿素含量，确定冬小麦的生长健康状况和生物量，生成光谱分析数据；
10.根据权利要求1所述的冬小麦遥感影像自动分析系统，其特征在于：所述综合决策模块包括数据融合子模...
【技术特征摘要】
1.一种冬小麦遥感影像自动分析系统，其特征在于：所述冬小麦遥感影像自动分析系统包括时间序列分析模块、纹理识别模块、湿度分析模块、病害检测模块、生长阶段监测模块、营养分析模块、产量估计模块、综合决策模块，所述时间序列分析模块基于多时段遥感影像，采用动态时间弯曲算法对时间序列进行分析，同步影像数据时间点，使用时间序列分析技术挖掘数据的趋势和周期性，通过比较差异时间点的遥感数据，揭示植被变化规律，生成时间序列分析结果；
2.根据权利要求1所述的冬小麦遥感影像自动分析系统，其特征在于：所述时间序列分析结果包括同步后的时间点和数据趋势，所述纹理识别结果具体为差异纹理模式的分类，所述湿度分析结果包括土壤湿度的时空分布和预测趋势，所述病害检测结果具体指病害模式的识别和分类，所述生长阶段监测结果具体为冬小麦各生长阶段的判定，所述营养分析结果包括营养状况的评估和变化趋势，所述产量估计结果具体为未来产量的预测值和误差范围，所述综合决策结果包括针对冬小麦生长的管理建议和策略。
3.根据权利要求1所述的冬小麦遥感影像自动分析系统，其特征在于：所述时间序列分析模块包括时间对齐子模块、时间点分析子模块、序列变化分析子模块，所述时间对齐子模块基于多时段遥感影像，采用动态时间弯曲算法，使用python中的dtw库，计算并比较差异时间点影像数据间的距离矩阵，设置时间弯曲窗口和距离度量标准，利用动态规划技术优化时间序列对齐路径，最小化总成本函数，完成时间点的同步，生成时间点对齐数据；
4.根据权利要求1所述的冬小麦遥感影像自动分析系统，其特征在于：所述纹理识别模块包括纹理分析子模块、模式识别子模块、纹理分类子模块，所述纹理分析子模块基于时间序列分析结果，进行纹理特征提取，采用灰度共生矩阵算法，在python的skimage.feature.greycomatrix函数中设置距离参数为1个像素，角度参数包括0度、45度、90度和135度，计算影像中每个像素点与其邻近像素点的灰度级关系，获取遥感影像的纹理特征矩阵并进行模式识别和分类分析，生成纹理特征数据；
5.根据权利要求1所述的冬小麦遥感影像自动分析系统，其特征在于：所述湿度分析模块包括湿度识别子模块、湿度变化分析子模块、湿度趋势预测子模块，所述湿度识别子模块基于纹理识别结果，进行土壤湿度信息的初始识别，采用长短期记忆网络，在构建lstm模型时，选择50个神经元，使用tanh作为激活函数，捕捉时间序列数据中的长期依赖关系，输入的纹...
【专利技术属性】
技术研发人员：张艳娜，封殿波，杜艺，葛帅，王林峰，韩秀丽，刘磊，付欣，李书剑，王磊，刘鹏飞，
申请(专利权)人：山东同圆数字科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。