astratti

Il sistema di monitoraggio in tempo reale dei terreni agricoli integra tecnologie di rilevamento multi-sorgente e Internet of Things (IoT) per realizzare una raccolta dinamica e una gestione precisa della crescita delle colture e dei dati ambientali. Questo documento si basa suvista delle stelles."Fotocamera multispettrale + LiDAR + osservazione scientifica in un colpo solo"A titolo di esempio.Ne descrive l'architettura tecnica, le funzioni e il valore applicativo, ne verifica la scientificità con casi concreti e fornisce riferimenti per la gestione agricola di precisione e lo sviluppo sostenibile.

I. Concetti e necessità di un sistema di monitoraggio in tempo reale dei terreni agricoli

Sistema di monitoraggio dei terreni agricoli in tempo reale(Farmland Real-time Monitoring System, FRMS) si basa sulla moderna tecnologia di rilevamento, sull'accesso in tempo reale a dati multidimensionali come la crescita delle colture, l'ambiente del suolo, la meteorologia, ecc. e combina il modello di analisi dei dati per ottenere un giudizio agricolo accurato. I suoi obiettivi principali:

1. percezione dinamicaSuperare i limiti dell'osservazione manuale per ottenere una raccolta continua di dati sui terreni agricoli;

2. diagnosi accurataAnalisi di fusione multiparametrica per identificare gli stress delle colture (ad esempio, siccità, parassiti e malattie);

3. processo decisionale scientificoSupporto alla gestione dell'acqua e dei fertilizzanti, all'allarme per le catastrofi, alla previsione della resa e all'ottimizzazione dell'uso delle risorse.

Tecniche di monitoraggio agricolo tradizionalilimitareCon un unico parametro, una bassa risoluzione e una dipendenza artificiale, è difficile soddisfare le esigenze dell'agricoltura moderna. Un sistema di monitoraggio completo che integri le tecnologie di imaging multispettrale, LiDAR e IoT è diventato il sistema aggiornato del settore.cruxPercorso.

II. Sistema tecnico e componenti principali

2.1 tecnologia di imaging multispettrale

Sviluppato da StarViewSerie XST-PhotoNettelecamera multispettraleAttraverso osservazioni coordinate multibanda.SfondamentoLimiti spettrali delle telecamere RGB(matematica) genereSupporto all'analisi degli indici di vegetazione (NDVI, GCC, ecc.) e delle dinamiche del periodo fenologico::

– imaging a doppia modalitàLe immagini RGB standard (Mode-1) sono state combinate con immagini spettrali a banda stretta (Mode-2) per catturare le caratteristiche di assorbimento della clorofilla nella banda rossa di 650±10 nm e per risolvere la struttura della copertura nella banda del vicino infrarosso di 850±10 nm;

– alta risoluzione spaziale e temporaleL'osservazione continua su base oraria (5:00-20:00), combinata con una testa con zoom ottico 20x, supporta il monitoraggio multi-scala di gruppo-individuo-organo;

– Ottimizzazione dell'indice di vegetazioneCalcolo di 25 indici (ad esempio, EXG, NDVI) basati su dati a banda stretta a 5 bande, con un miglioramento della precisione di oltre 301 TP3T rispetto ai dati a banda larga.

scenario applicativo::Tracciamento del periodo di sviluppo delle colture (es.Grano invernale nello Hebei e nello Henan(Monitoraggio del clima), eAnalisi della risposta agli stress (ad esempio, raccolta dell'erba medica ed eventi di nevicata nella stazione di Qingyang).(Rilevamento delle anomalie NDVI).

Curva di variazione del periodo vegetativo dell'NDVI dell'erba medica nella stazione di Qingyang

Fluttuazioni dell'NDVI dovute alla raccolta dell'erba medica: il primo raccolto è iniziato il 9 giugno, il secondo raccolto a fine luglio, il terzo raccolto a fine ottobre.

Fluttuazioni dell'NDVI indotte dalle nevicate: la neve ha iniziato a cadere l'11 dicembre e si è sciolta in gran parte entro il 21 dicembre; la neve è caduta nuovamente il 15 gennaio dell'anno successivo.

2.2 Tecnologia LIDAR in situ

XST-LiDARNet eco-lidar in situapprovare (un disegno di legge, un'ispezione, ecc.)Scansione attiva di nuvole di punti 3D(matematica) genereRompere il collo di bottiglia della penetrazione della calotta nei sensori ottici passivi::

– Algoritmi di elaborazione delle nuvole di puntiSeparazione vegetazione-terreno basata su una libreria di riferimento del terreno non in stagione vegetativa per estrarre parametri come l'altezza della chioma, la percentuale di copertura (FVC) e la densità dell'area fogliare (LAI);

– Capacità di monitoraggio dinamicoUna scansione al giorno (452.000 punti/secondo) per supportare l'analisi delle variazioni giornaliere del volume della vegetazione (caso di monitoraggio delle variazioni del volume dei pascoli nella Mongolia interna);

– design anti-interferenzaLivello di protezione IP66, adattabile a un ambiente estremo di -40℃~85℃, adatto a terreni agricoli, foreste, prati e altri scenari multipli;

- Vantaggi tecnici: errore di inversione del LAI <101 TP3T, e i calcoli di copertura concordano con i ritmi di crescita del mais fino a 951 TP3T.

scenario applicativoIl LIDAR applicato al monitoraggio della vegetazione può ottenere informazioni sulla struttura tridimensionale della vegetazione nel tempo e ottenere la variazione in serie temporale dell'altezza, del volume e di altri parametri.

Consistenza comparativa dei sistemi combinati LiDAR (nuvola di punti) e telecamera meteorologica (live view)

2.3 Piattaforma di monitoraggio collaborativo multi-sorgente:XST-SCI-in-Oneuno sportello unico per la ricerca e l'osservazione scientifica

questo sistemaIntegrazione di moduli di imaging spettrale, lidar, meteo e rilevamento del suolo(matematica) genererendersi contoMonitoraggio sinergico "ambiente-coltura::

– Fusione di dati quadridimensionali::Fusione multimodale dei dati per migliorare notevolmente la robustezza e l'accuratezza dei dati del modello;

– Parametri dell'ontologia vegetaleIndici di vegetazione come NDVI, LAI, FVC;

– elemento meteorologicoTemperatura e umidità, velocità del vento, precipitazioni, radiazione solare (precisione ±0,2°C/±2%);

– Parametri del suoloMonitoraggio multi-profondità di temperatura/umidità/sale (risoluzione 0,1°C/0,03%);

– Dati idrologiciI sensori di portata radar (precisione 1 mm/s) supportano l'ottimizzazione dell'irrigazione.

– Edge Computing e trasportoCollettore di dati intelligente (256M di memoria) per l'elaborazione dei dati in tempo reale, supporta255accesso individuale al sensore con trasmissione 4G completa;

– sicurezza dei datiDoppio backup locale-cloud, trasferimento intermittente e allarme di eccezione (notifica via SMS/email).

scenario applicativoDati cloud IoT con dati di riproduzione in tempo reale all'aperto.

III. Valore applicativo e casi di studio

3.1 Gestione agricola di precisione

-Ottimizzazione dei fertilizzantiCombinare l'umidità del suolo con i dati LAI della chioma per regolare dinamicamente l'irrigazione (ad esempio, il caso dell'erba medica nella stazione di Qingyang);

-Allarme precoce per parassiti e malattieRilevamento delle anomalie di temperatura della chioma mediante un modulo di imaging termico (XST-PhotoNet-TI) per individuare lo stress prima dell'occhio nudo.

3.2 Risposta ai disastri e valutazione assicurativa

-Avviso di disastro meteorologicoMonitoraggio in tempo reale della velocità del vento e delle precipitazioni in combinazione con i dati sulla struttura della chioma per valutare il rischio di crollo (ad esempio, il caso della prateria della Mongolia interna);

-Quantificazione del dannoRicostruzione di nuvole di punti Lidar di modelli 3D dell'area colpita per un calcolo accurato della percentuale di riduzione della resa.

3.3 Verifica del terreno tramite telerilevamento e contabilità dei pozzi di carbonio

-Sinergia di cielo e terraCalibrazione congiunta di dati multispettrali con telerilevamento satellitare (ad esempio, China Carbon Satellite) per migliorare l'accuratezza dell'inversione dei parametri su scala regionale;

-Stima del flusso di carbonio:I dati di fluorescenza della clorofilla di SIFNet (accuratezza ±2%) sono alla base della modellazione della fotosintesi e contribuiscono all'obiettivo del doppio carbonio.

IV. Sfide e prospettive future

1.collo di bottiglia tecnologicoGli algoritmi di fusione di dati multi-fonte sono molto complessi e devono essere combinati con modelli di intelligenza artificiale (ad esempio, deep learning) per migliorare l'efficienza dell'analisi;

2.controllo dei costiLe apparecchiature lidar e iperspettrali sono costose e devono essere progettate in modo modulare per ridurre i costi di implementazione su scala;

3.StandardizzazionePromuovere la standardizzazione dei parametri di monitoraggio, dei formati dei dati e dei protocolli di interfaccia per facilitare la connettività multipiattaforma.

in attesaCon l'integrazione approfondita del telerilevamento UAV a bassa quota, della tecnologia digital twin e dei modelli agricoli di grandi dimensioni, il sistema di monitoraggio dei terreni agricoli si evolverà nella direzione dell'integrazione "aria-cielo-terra", della previsione-decisione-esecuzione ad anello chiuso, fornendo una pietra miliare tecnologica per la sicurezza alimentare globale e la sostenibilità ecologica. StarView continuerà a contribuire a questo sforzo.