résumés

Le système de surveillance des terres agricoles en temps réel intègre la détection multisource et les technologies de l'Internet des objets (IdO) pour réaliser une collecte dynamique et une gestion précise de la croissance des cultures et des données environnementales. Le présent document s'appuie survue en étoiles."Caméra multispectrale + LiDAR + observation scientifique en une seule fois"A titre d'exemple.Il décrit son architecture technique, ses fonctions et la valeur de ses applications, vérifie sa scientificité à l'aide d'études de cas et fournit des références pour la gestion agricole de précision et le développement durable.

I. Concepts et besoins d'un système de surveillance des terres agricoles en temps réel

Système de surveillance des terres agricoles en temps réelLe système de surveillance des terres agricoles en temps réel (Farmland Real-time Monitoring System, FRMS) repose sur une technologie de détection moderne, un accès en temps réel à des données multidimensionnelles telles que la croissance des cultures, l'environnement du sol, la météorologie, etc. et combine le modèle d'analyse des données pour obtenir un jugement agricole précis. Il combine un modèle d'analyse des données pour obtenir un jugement agricole précis. Ses principaux objectifs sont les suivants

1. perception dynamiqueLa collecte de données sur les terres agricoles : Dépasser les limites de l'observation manuelle pour parvenir à une collecte continue de données sur les terres agricoles ;

2. un diagnostic précisLe projet de loi sur la protection de l'environnement (LPE) a été adopté par le Parlement européen en décembre dernier ;

3. la prise de décision scientifiqueLes services d'information sur l'eau et les engrais : ils soutiennent la gestion de l'eau et des engrais, l'alerte en cas de catastrophe, la prévision des rendements et l'optimisation de l'utilisation des ressources.

Techniques traditionnelles de surveillance de l'agriculturerestreindreEn un seul paramètre, une faible résolution et une dépendance artificielle, il est difficile de répondre aux besoins de l'agriculture moderne. Un système de surveillance complet intégrant l'imagerie multispectrale, le LiDAR et les technologies IoT est devenu la mise à niveau de l'industrie.crêteTrajectoire.

II. Système technique et composantes essentielles

2.1 technologie d'imagerie multispectrale

Développé par StarViewSérie XST-PhotoNetcaméra multispectraleGrâce à des observations multibandes coordonnées.PercéeLimites spectrales des caméras RVB(math.) genreSoutien à l'analyse des indices de végétation (NDVI, GCC, etc.) et de la dynamique des périodes phénologiques: :

– imagerie bi-modeLes images RVB standard (Mode-1) ont été combinées avec des images spectrales à bande étroite (Mode-2) pour capturer les caractéristiques d'absorption de la chlorophylle dans la bande rouge 650±10 nm, et pour résoudre la structure de la canopée dans la bande proche infrarouge 850±10 nm ;

– haute résolution spatiale et temporelleObservation continue : L'observation continue sur une heure (5:00-20:00), combinée à un zoom optique 20x, permet une surveillance multi-échelle groupe-individu-organe ;

– Optimisation de l'indice de végétationCalcul de 25 indices (par exemple, EXG, NDVI) basés sur des données à bande étroite à 5 bandes, avec une amélioration de la précision de plus de 301 TP3T par rapport aux données à large bande.

scénario d'application: :Suivi de la période de développement des cultures (par ex.Blé d'hiver dans le Hebei et le Henan(Surveillance du climat)etAnalyses de la réaction au stress (par exemple, récolte de la luzerne et chutes de neige à la station de Qingyang)(détection des anomalies NDVI).

Courbe de variation de l'indice NDVI de la luzerne au cours de la saison de croissance à la station de Qingyang

Fluctuations de l'indice NDVI dues à la récolte de la luzerne : la première récolte a commencé le 9 juin, la deuxième fin juillet et la troisième fin octobre.

Fluctuations du NDVI induites par les chutes de neige : la neige a commencé à tomber le 11 décembre et a largement fondu le 21 décembre ; la neige est retombée le 15 janvier de l'année suivante.

2.2 Technologie LIDAR in situ

XST-LiDARNet : écolidar in situfaire passer (un projet de loi, une inspection, etc.)Numérisation active de nuages de points en 3D(math.) genreLever le goulot d'étranglement de la pénétration de la canopée dans les capteurs optiques passifs: :

– Algorithmes de traitement des nuages de pointsSéparation de la végétation et du sol basée sur une bibliothèque de référence du sol en dehors de la saison de croissance pour extraire des paramètres tels que la hauteur de la canopée, le pourcentage de couverture (FVC) et la densité du corps de la surface foliaire (LAI) ;

– Capacité de surveillance dynamiqueLes résultats de l'analyse de l'évolution de la végétation sont présentés dans le tableau suivant : un balayage par jour (452 000 points/seconde) pour soutenir l'analyse des changements quotidiens du volume de la végétation (cas de la surveillance des changements du volume des pâturages en Mongolie intérieure) ;

– conception anti-interférenceNiveau de protection IP66, adapté à un environnement extrême de -40℃~85℃, convenant aux terres agricoles, aux forêts, aux prairies et à d'autres scénarios multiples ;

- Avantages techniquesLes calculs de couverture sont en accord avec les rythmes de croissance du maïs jusqu'à 951 TP3T.

scénario d'applicationLe LIDAR appliqué à la surveillance de la localisation de la végétation permet d'obtenir des informations sur la structure tridimensionnelle de la végétation sur une longue période, ainsi que des variations temporelles de la hauteur, du volume et d'autres paramètres.

Comparaison de la cohérence des systèmes combinés LiDAR (nuage de points) et caméra météorologique (vue en direct)

2.3 Plate-forme de surveillance collaborative multi-sources :XST-SCI-in-Oneun guichet unique pour la recherche et l'observation scientifiques

ce systèmeIntégration de modules d'imagerie spectrale, de lidar, de détection des conditions météorologiques et des sols(math.) genreréaliserSurveillance synergique de l'environnement et des cultures: :

– Fusion de données quadridimensionnelles: :Fusion de données multimodales pour améliorer considérablement la robustesse et la précision des données du modèle ;

– Paramètres de l'ontologie végétaleIndices de végétation : indices de végétation tels que NDVI, LAI, FVC ;

– élément météorologiqueTempérature et humidité, vitesse du vent, précipitations, rayonnement solaire (précision ±0,2°C/±2%) ;

– Paramètres du solSurveillance de la température, de l'humidité et de la salinité en profondeur (résolution de 0,1°C/0,03%) ;

– Données hydrologiquesLes capteurs de débit radar (précision de 1 mm/s) permettent d'optimiser l'irrigation.

– Informatique et transport en périphérieCollecteur de données intelligent (256M de mémoire) : traitement des données en temps réel, prend en charge255accès individuel aux capteurs avec une transmission 4G complète ;

– la sécurité des donnéesDouble sauvegarde local-cloud, transfert intermittent et alarme d'exception (notification par SMS/mail).

scénario d'applicationLes données du nuage de l'IdO avec les données de lecture en temps réel de l'extérieur.

III. valeur d'application et études de cas

3.1 Gestion de l'agriculture de précision

-Optimisation des engraisLes données sur l'humidité du sol et le LAI du couvert végétal peuvent être combinées pour ajuster dynamiquement l'irrigation (cas de la luzerne à la station de Qingyang, par exemple) ;

-Alerte précoce contre les ravageurs et les maladiesDétection des anomalies de température du couvert végétal par un module d'imagerie thermique (XST-PhotoNet-TI) afin de détecter le stress plus tôt qu'à l'œil nu.

3.2 Réponse aux catastrophes et évaluation des assurances

-Alerte aux catastrophes météorologiquesLes données sur la vitesse du vent et les précipitations en temps réel, combinées aux données sur la structure de la canopée, permettent d'évaluer le risque d'effondrement (par exemple, le cas des prairies de Mongolie intérieure) ;

-Quantification des dommagesLa reconstruction par nuage de points Lidar de modèles 3D de la zone affectée pour un calcul précis du pourcentage de réduction du rendement.

3.3 Vérification des sols par télédétection et comptabilisation des puits de carbone

-Synergie du ciel et de la terreLa Commission européenne et le Conseil de l'Europe ont signé un protocole d'accord en vue de l'élaboration d'un plan d'action pour la mise en œuvre de l'Accord de Cotonou ;

-Estimation des flux de carbone :Les données SIFNet sur la fluorescence chlorophyllienne (précision ±2%) étayent la modélisation de la photosynthèse et contribuent à la réalisation d'objectifs doubles en matière de carbone.

IV. défis et perspectives d'avenir

1.goulot d'étranglement technologique: Les algorithmes de fusion de données multi-sources sont très complexes et doivent être combinés avec des modèles d'IA (par exemple, l'apprentissage profond) pour améliorer l'efficacité de l'analyse ;

2.contrôle des coûtsLes équipements Lidar et hyperspectraux sont coûteux et doivent être conçus de manière modulaire pour réduire le coût de leur déploiement à grande échelle ;

3.NormalisationPromouvoir la normalisation des paramètres de surveillance, des formats de données et des protocoles d'interface afin de faciliter la connectivité multiplateforme.

en attenteGrâce à l'intégration approfondie de la télédétection par drone à basse altitude, de la technologie des jumeaux numériques et des modèles agricoles, le système de surveillance des terres agricoles évoluera vers l'intégration "air-ski-terre" et la direction en boucle fermée de prédiction-décision-exécution, fournissant ainsi une pierre angulaire technologique pour la sécurité alimentaire mondiale et la durabilité écologique. StarView continuera à contribuer à cette entreprise.