一种基于土地利用的动态遥感监测方法与系统与流程

1.本发明涉及遥感监测技术领域。具体而言，涉及一种基于土地利用的动态遥感监测方法与系统。


背景技术：

2.土地利用监测是利用各种监测技术，对一个国家或地区土地利用状况的动态变化进行定期或不定期的监视和测定。其目的在于为国家和地区有关部门提供准确的土地利用变化情况，便于及时进行土地利用数据更新与对比分析，以及编制土地利用变化图件等。它是开展土地利用动态变化预测，农作物产量预测，自然灾害防治及合理组织土地利用，加强土地管理与保护的一项不可缺少的基础性工作。监测内容主要包括耕地、林地、草地、水面、交通、城市用地等各类生产建设用地面积的变化和各种自然灾害对土地利用所造成的破坏和影响等的分析。随遥感遥测技术的日益发展，利用航空、航天遥感技术所获得的图象和数据，已成为开展土地利用监测的一种最为迅速可靠和理想有效的手段，受到世界各国的广泛注意和重视。同时基于遥感监测的数据，可以建立科学的评价土地利用效率的指标，使具有各项特质的土地地块都能够更高效地应用于特定的生产或种植领域。
3.查阅相关已公开的技术方案，公开号为cn112036627a的技术方案提出一种基于土地利用现状图预处理的土地利用布局优化方法，首先将土地利用现状图进行未利用地和聚集性的预处理，未利用地的处理根据宜耕、林、牧、园适宜性图等级进行转化，将未利用地转换为等级高的土地类型；聚集性处理将八邻域内某一土地类型的聚集性增加；通过预处理后能将未利用地在后期优化中完全转换成其他土地类型以及提高一定的聚集性。而后利用多目标函数与粒子群算法进行结合，用粒子群算法进行更新迭代操作，选择出最佳的布局方案；而另一公开号为us20210224821a1的技术方案提出一种一种土地使用性质的识别方法，通过获取兴趣点（poi）数据和兴趣区（aoi）数据；根据路网信息划分待识别目标区域，获取目标区域中的至少一个区块；将获取的poi数据与至少一个区块中的对应目标区块相关联；获取目标块中每个poi数据的对应类别对应的第一权重集；获取目标块中每个aoi数据的对应区域对应的第二权重集；获得土地使用权根据第一权重集、第二权重集和预设的土地用途分类标准设置物业权重；根据土地使用性质权重集合中的目标权重，识别目标区块的土地使用性质。目前的技术方案还较少涉及使用遥感图像以及通过经济价格指导方式，计算土地的利用率情况。
4.背景技术的前述论述仅意图便于理解本发明。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。


技术实现要素：

5.本发明的目的在于，提供本发明涉及一种基于土地利用的动态遥感监测方法与系统；所述监测方法通过对目标区域在多个种植周期的耕作历史数据进行分析并建立与植物生长指数关联的作物模型，用于在理论层面分析目标区域的土地种植特性，并通过该特性
计算作物的理论生长指数；通过对多周期的遥感图像进行分析，获得目标区域的作物的实时生长指数；再通过综合计算目标区域的经济作物的整体种植效益和经济效益，评估其对土地的整体利用率表现。
6.本发明采用如下技术方案：一种基于土地利用的动态遥感监测方法，所述监测方法包括：数据采集部分：s1：以时间序列采集目标区域内的多个遥感图像；s2：对每个遥感图像进行图像分析，分析的项目包括：（a）目标区域内种植的经济作物种类；（b）所述目标区域的土地上可用种植面积s以及该经济作物在所述目标区域的土地上的有效种植面积se；（c）所述目标区域的土地上的该经济作物的生长指数p；（d）该目标区域的小气候数据、土壤数据；s3：统计该幅土地上的该经济作物的耕作历史数据；s4：获取目标区域邻近地区多种经济作物的每单位面积收益bi（i=1,2,3
……
），i表示纳入统计的第i种经济作物；数据分析部分：d1：基于目标区域的多个种植周期中的小气候数据、土壤数据、耕作历史数据以及对应周期的生长指数p作为源数据集，通过机器学习建立作物模型m；d2：通过将本种植周期的小气候数据、土壤数据以及耕作历史数据输入所述作物模型m，预测本种植周期的理论生长指数ps；计算该目标区域的以下三项评价指数：经济性评价指数g1：，式1；式1中，bi为第i种经济作物的单位经济价值；为目标区域邻近地区i种经济作物的每单位面积收益bi的平均值；生长性评价指数g2：，式2；式2中，m为评价权重，根据经济作物的种类由相关技术人员设置，且1≤m≤2；土地利用指数ω：，式3；式3中，d为该经济作物每年从种植-收获周期的总天数。
7.可选地，所述生长指数p包括基于多项基于遥感技术的植被指数进行数值计算；多项的植被指数包括：归一化植被指数（ndvi）、增强型植被指数（evi）、叶绿素吸收比植被指
数（mcari）、改进型叶绿素吸收植被指数（mcari2），其中：，式4式4中，vij为用于计算所述生长指数p的第j项植被指数，λj为对应vij项植被指数的权重值，由相应统计人员根据经济作物的生长特性在各项植被指数的表现，设置λj的取值；可选地，基于以下原则的一条或一条以上的组合作为选择所述目标区域的标准：（1）种植同一种经济作物品种；（2）土地在地表上连续接壤；（3）单幅土地面积至少为1000平方米；（4）由相同的个人或者集体以相同方式进行管理。
8.可选地，所述耕作历史数据包括：灌溉量、灌溉时间、施肥量、施肥时间、种植量、种植时间、收获量和收获时间；可选地，所述耕作历史数据包括由目标区域的耕作实施者进行耕作操作的统计并将数据上传到监测系统；还包括由设置于土地上的传感器以及监控设备进行耕作操作的采集并将采集所得数据上传到监测系统；进一步的，包括运行所述监测方法的一种监测系统；所述监测系统包括以下模块：信息采集模块，其中包括：（1）遥感信息采集子模块，用于获取目标区域在多个时间序列下的遥感影像；（2）市场信息采集子模块，用于获取目标区域所在地区的经济作物市场价格；（3）耕作信息采集子模块，用于获取所述目标区域的耕作历史数据；分析模块，用于根据所述遥感信息采集子模块的数据，分析目标区域的经济作物的生长指数p；运算模块，输入所述遥感信息采集子模块的数据，训练并建立所述作物模型m；并且基于所述作物模型m计算该目标区域的经济作物的理论生长指数ps；并且包括计算所述经济性评价指数g1、所述生长性评价指数g2以及所述土地利用指数ω。
9.本发明所取得的有益效果是：1. 本发明的监测方法基于对目标区域土地的种植作物的有效面积以及经济价值进行评估，在一方面评价该区域土地在经济效益有的利用率；2. 本发明的监测方法基于遥感探测的方法，获取该目标区域在多个种植周期中的多个遥感图像，从中分析该区域的土壤条件、气候条件、作物的生长指数，并且记录多个种植周期的耕作历史，从而利用上述各数据建立预测模型，用于预测在已知土壤条件、气候条件以及耕作操作的情况下的理论生长指数；并进一步通过实时遥感探测获得的实时生长指数与理论生长指数作出对比，判定实际种植中是否达到理论种植水平，从而评价土地在种植效益上的利用率；3. 本发明的监测系统适合应用于大面积经济作物种植的土地监测与评估，节省大量用于采集数据以及分析数据的成本；本发明的监测系统其硬件模块以及装置采用模块化设计和配合，后期可通过软
件、硬件进行灵活优化和变更，节省了大量后期维护升级成本。
附图说明
10.从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
11.图1为本发明所述监测系统的组成示意图；图2为本发明实施例中获取的归一化植被指数图像的示意图；图3为本发明实施例中计算目标区域种植面积的示意图；图4为本发明中对土壤的水分特征进行探测的图像的示意图；图5为本发明所述运算模块采用的深度学习神经网络模型的示意图；图6为本发明所述监测系统的图形化界面的示意图。
具体实施方式
12.为了使得本发明的目的技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本发明 ，并不用于限定本发明。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统.方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内.包括在本发明的范围内，并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。
13.本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位.以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
14.实施例一：农业生产，尤其是种植业生产需要利用大量的土地资源；如何有效利用土地，并使土地的利用率、产出率逐年提高，是我国相关科学研究领域的重点课题。随着遥感技术的高度发展，包括高空遥感、卫星遥感技术都大量应用于农业领域；遥感是指遥感信息获取、传输、处理及其判读分析和应用的全过程；地面目标的种类及其所处环境条件差异，产生了其电磁波辐射特性的不同；遥感正是通过探测地面目标的电磁波信息以达到获取目标的几何信息和物理属性的目的和途径；目前基于卫星遥感技术的监测技术，通过采用位于近地轨迹的卫星配置各类型的遥感传感器，从150千米或以上的高空对地球表面进行遥感探测，从而可以同时获取较大范围内的地表区域信息；而随着遥感传感器和图像处理技术的发展，遥感图像的分辨目前亦可以达到15米以内；并且监测周期的最短可达到每日上千次，针对不同区域的监测密度可以随时调整；作为一种实施方式，提出以下实施方法：一种基于土地利用的动态遥感监测方法，所述监测方法包括：数据采集部分：
s1：以时间序列采集目标区域内的多个遥感图像；s2：对每个遥感图像进行图像分析，分析的项目包括：（a）目标区域内种植的经济作物种类；（b）所述目标区域的土地上可用种植面积s以及该经济作物在所述目标区域的土地上的有效种植面积se；（c）所述目标区域的土地上的该经济作物的生长指数p；（d）该目标区域的小气候数据、土壤数据；s3：统计所述目标区域的土地上该经济作物的耕作历史数据；s4：获取目标区域邻近地区多种经济作物的每单位面积收益bi（i=1,2,3
……
），i表示纳入统计的第i种经济作物；数据分析部分：d1：基于目标区域的多个种植周期中的小气候数据、土壤数据、耕作历史数据以及对应周期的生长指数p作为源数据集，通过机器学习建立作物模型m；d2：通过将本种植周期的小气候数据、土壤数据以及耕作历史数据输入所述作物模型m，预测本种植周期的理论生长指数ps；计算该目标区域的以下三项评价指数：经济性评价指数g1：，式1；式1中，bi为第i种经济作物的单位经济价值；为目标区域邻近地区i种经济作物的每单位面积收益bi的平均值；生长性评价指数g2：，式2；式2中，m为评价权重，根据经济作物的种类由相关技术人员设置，且1≤m≤2；土地利用指数ω：，式3；式3中，d为该经济作物每年从种植-收获周期的总天数。
15.可选地，所述生长指数p包括基于多项基于遥感技术的植被指数进行数值计算；多项的植被指数包括：归一化植被指数（ndvi）、增强型植被指数（evi）、叶绿素吸收比植被指数（mcari）、改进型叶绿素吸收植被指数（mcari2），其中：，式4式4中，vij为用于计算所述生长指数p的第j项植被指数，λj为对应vij项植被指数的权重值，由相应统计人员根据经济作物的生长特性在各项植被指数的表现，设置λj的取值；
可选地，基于以下原则的一条或一条以上的组合作为选择所述目标区域的标准：（5）种植同一种经济作物品种；（6）土地在地表上连续接壤；（7）单幅土地面积至少为1000平方米；（8）由相同的个人或者集体以相同方式进行管理。
16.可选地，所述耕作历史数据包括：灌溉量、灌溉时间、施肥量、施肥时间、种植量、种植时间、收获量和收获时间；可选地，所述耕作历史数据包括由目标区域的耕作实施者进行耕作操作的统计并将数据上传到监测系统；还包括由设置于土地上的传感器以及监控设备进行耕作操作的采集并将采集所得数据上传到监测系统；进一步的，包括运行所述监测方法的一种监测系统；所述监测系统包括以下模块：信息采集模块，其中包括：（4）遥感信息采集子模块，用于获取目标区域在多个时间序列下的遥感影像；（5）市场信息采集子模块，用于获取目标区域所在地区的经济作物市场价格；（6）耕作信息采集子模块，用于获取所述目标区域的耕作历史数据；分析模块，用于根据所述遥感信息采集子模块的数据，分析目标区域的经济作物的生长指数p；运算模块，输入所述遥感信息采集子模块的数据，训练并建立所述作物模型m；并且基于所述作物模型m计算该目标区域的经济作物的理论生长指数ps；并且包括计算所述经济性评价指数g1、所述生长性评价指数g2以及所述土地利用指数ω；本实施例中，对于目标区域的选择优选地以较大范围的种植同一经济作物的土地为主，该类型的土地占地面积广，而且种植的作物其生长表现具有稳定的普遍性以及广泛性，能够较好地体现在多种影响生长的客观以及主观条件影响下，作物的生长效果的反映；在一些实施例中，待监测的经济作物种类包括小麦、高粱、大豆、玉米、棉花等温带经济作物；进一步，还包括花生、油菜、甘蔗、茶叶等多种植物；优选地，待监测的经济作物类型为草本类植物；优选地，待监测的经济作物类型其生长一致性（例如植株高度、生长规律等）较高；可选地，选择的目标区域面积可以为大规模种植系统土地单元表示范围至少为1000平方米；而在实际的实施中，目标区域可以为5000、10000、20000、50000平方米等覆盖面积；然而覆盖面积越大，影响该目标区域的因素数据越多，其造成作物生长的差异越大，因此可通过适当将大面积区域分割为两个或以上的目标区域，再进行本监测方法的应用；进一步的，本实施例中的遥感图像的来源包括但不限于地理空间天气数据、地球成像卫星图像、航空摄影、航空测绘等；例如可通过国内的遥感卫星系统中高分一号、高分二号、资源三号、资源一号02c、环境一号a、b卫星图像，并进一步可选择如 landsat、rapideye和 worldview的卫星系统；并且，进一步包括通过航空图像获得的区域，例如基于无人机和基于飞机的系统，分辨率约为 0.1m2至1m2；在一些实施例中包括利用地理空间数据服务器，该服务器具有广泛的、经过审查的土地数据，包括航空摄影、道路、天气、卫星影像和植被生产力以及源自卫星影像的健康信息产品以及选定区域的土地所有权信息；进一步的，在遥感应用领域，植被指数被广泛用来定性和定量评价植被覆盖及其
生长活力；根据植被的光谱特性，将卫星可见光和近红外波段进行组合,形成了各种植被指数；植被指数是对地表植被状况的简单、有效和经验的度量，目前已经定义了多种植被指数，广泛地应用在全球与区域土地覆盖、植被分类和环境变化，第一性生产力分析，作物和牧草估产、干旱监测等方面；并已经作为全球气候模式的一部分被集成到交互式生物圈模式和生产效率模式中；且被广泛地用于诸如饥荒早期警告系统等方面的陆地应用；植被指数还可以转换成叶冠生物物理学参数；进一步的，植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度复杂混合反应，而且受大气空间—时相变化的影响，因此植被指数没有一个普遍的值，其研究经常表明不同的结果；该指数随生物量的增加而迅速增大；其中，较为经典的植被指数包括：比值植被指数rvi，又称为绿度，为二通道反射率之比，能较好地反映植被覆盖度和生长状况的差异，特别适用于植被生长旺盛、具有高覆盖度的植被监测；归一化植被指数ndvi，为两个通道反射率之差除以它们的和；在植被处于中、低覆盖度时，该指数随覆盖度的增加而迅速增大，当达到一定覆盖度后增长缓慢，所以适用于植被早、中期生长阶段的动态监测；蓝光、红光和近红外通道的组合可大大消除大气中气溶胶对植被指数的干扰，所组成的抗大气植被指数可大大提高植被长势监测和作物估产精度；如附图2所示；进一步，随着研究技术发展，拓展出多种实用性较高或者针对指定监测条件、监测目的，包括：增强型植被指数evi，是在归一化植被指数ndvi改善出来的，根据大气校正所包含的影像因子大气分子、气溶胶、薄云、水汽和臭氧等因素进行全面的大气校正；叶绿素吸收比植被指数mcari以及改进型叶绿素吸收植被指数mcari2，通过测量位于670nm和550nm、750nm处的叶绿素相对深度来获取叶绿素的含量信息，可以用于判别植物的整体生长健康情况；进一步，还可以采用更多的植被指数，用于综合评估更多种类的作物以及作物多个生长阶段的生长状态，可选择的植被指数包括：绿色归一化差值植被指数gndvi，修改形土壤调节植被指数msavi，红边比值植被指数rri等，可以由该领域人员进行合理选择作为本监测方法所用；综上所述，在一个方面，通过分析目标区域的植被指数，则基本可以将种植的作物以及土地进行区分统计；针对目前在农用地中由于劳动力不足、耕作技术和措施不到位，经常出现闲置或者无人管理的农地情况，所述监测方法首要获得目标区域的总耕作面积s；如附图3所示，如图中所表示的，该区域内通过卫星图像的方析，可见大部分面积为作物种植的耕作用地；并且耕作用地被多条规则或者不规则的道路或分隔带进行分隔；因此在所述分析模块中，可以设定遥感图像的分类规则，将道路、分隔带、房屋、河流等非种植部分的土地部分设定为非种植部分201；同时将目标区域的总面积，减去所述非种植部分201的面积，则可得所述耕作面积s；进一步的，如图中另一区域202所示；该部由虽然可分类为种植土地，然而该区域通过指被指数的分类可知为无人管理的荒野部分，因此并非有效的种植面积；因此通过将耕作面积s减去区域202的面积，可得所述有效种植面积se；
对于一个种类的植物来说，由相关技术人员通过对多个植被指数以及其组合的判断，可以与植物的生长情况建立评价关系；并且进一步的，通过对多个植被指数所反映的植物生长情况的好坏，建立评分机制，使用vij反映第j项植被指数的得分，同时使用λj为对应vij项植被指数的权重值，计算所述生长指数p，如式4所示；而对于不同种类的植物来说，所述生长指数p所采用的植被指数的项目、每项植被指数的评分vi的机制以及对应每项评分vi的权重值亦有所不同，需要相关领域技术人员根据具体的植物以及环境条件作相应研究及调整；进一步的，所述作物模型m用于建立作物生长状态与作物生长相关或依赖的多种外部系统的参数的关系，该模型相对较大范围土地种植面积时具有更高的精确性，因为消除了个别特殊作物个体的影响；其中，小气候数据作为对植物生长状态具有明显影响的因素，被采纳于该作物模型的特征量之一；小气候区别于常规气候的监测，针对于目标区域的周边气候变化，使得该区域内气候参数变化较快、规律性不强、幅度较大时的特点，采取更针对性的监测；小气候数据包括 ：太阳入射辐射、区域内最高和最低温度、降雨量等等；在许多实施例中，所有三个天气量都被使用，并且它们以每日或每日增量作为记录数据（例如，每日入射太阳辐射、每日最高温度和每日最低温度；以及每日降雨量）；根据可用数据和使用的作物模型，可酌情使用其他天气数据和/或时间尺度，例如风向、湿度等；进一步的，土壤数据包括土壤类型、土壤深度、土壤化学成分（例如，含水量、碳含量、氮含量、磷含量）、土壤热特性（例如，土壤温度），进一步可以包括氮利用效率（“nue”）、水利用效率（“wue”）、地表水径流（或仅“径流”） 、硝酸盐浸出（或仅“浸出”）、土壤有机碳变化（或“c%变化”）、二氧化碳排放、一氧化二氮排放及其组合（例如，作为单独的种植系统参数选择用于单独确定和纳入可持续性指数的确定）；进一步的，以上土壤数据的各项指标的一项或多项，可以通过遥感技术进行测量；在一些实施方式中，可以包括进行遥感氮的测量；遥感氮通常对应于与植物氮、冠层氮等相关的一种或多种植物指数的光学测量（例如，对应于给定指数的一种或多种特征波长的光反射率）；已知且与各种氮含量适当相关的示例性指数包括冠层含量叶绿素指数 (ccci) 和冠层氮指数 (cni) 等；通过遥感确定的氮含量与植物生物量（例如作物产量）相关；另外还包括土壤中磷、钾等元素均可以通过高光谱遥感技术进行探测和评估；这些元素都直接影响了作物的生长态势；进一步的，如附图4所示，土壤数据还可以包括土壤的水分特征探测；土壤水分作为另一影响种植农业生产的重要因素，不仅影响作物的生长和最终产量，同时亦影响土表植被的组成，同时亦影响区域生态组成；其中，用于遥感监测土壤水分的方法包括：表观热惯法、作物缺水指数法、距平植被指数法、微波遥感法、光谱法等等；进一步的，所述耕作历史数据对应于种植者最初在种植时以及随后在作物生长期间实施的行动、选择或规定，并且这些行动、选择或规定通常可以理化为多个管理参数；这些管理参数包括施用的添加剂（例如一种或多种除草剂、一种或多种杀虫剂以及它们的组合）、灌溉量（例如每单位田地面积的体积或质量）、灌溉计划（例如时间、频率等）、施肥量（例如肥料种类、体积或单位面积质量）、施肥类型（例如化学物种）、施肥时间表（包括时间、频率等）、种植时间和收获时间；以上因素同样明显影响了作物的生长状态以及最后作物的
收成；基于以上小气候数据、土壤数据、耕作历史数据的共同作用下，反映到作物的生长程度可以建立与生长指数p的一定的数学模型关系；在一些实施方式中，包括采用深度学习的算法和运算系统，使用多个同一区域、同一作物的多个种植周期的小气候数据、土壤数据、耕作历史数据与生长指数p的数据作为训练集，建立小气候数据、土壤数据、耕作历史数据与生长指数p的关系模型，从而获得所述作物模型m；并且进一步的，通过将当前种植周期的多个小气候数据、土壤数据、耕作历史数据输入到所述作物模型m，可以获得一个理论生长指数ps输出值；从而计算所述生长性评价指数g2；而通过对目标区域种植的作物的有效种植面积以及市场价格的计算，获得所述经济性评价指数g1，并最终可以用于计算土地利用指数ω。
17.实施例二：本实施例应当理解为至少包含前述任意一个实施例的全部特征，并在其基础上进一步改进；在建立所述作物模型m时，优选地，所述运算模块采用具有深度学习神经网络系统的运算装置进行模型的训练以及之后的预测结果运算，如图6所示，深度学习神经网络模型系统包括：神经网络模型系统输入，卷积神经网络(cnn)，长短期记忆神经网络(lstm)，全连接神经网络和神经网络模型系统输出；其中，所述神经网络模型系统输入为多个时间序列下的小气候数据、土壤数据、耕作历史数据与生长指数p作为训练集数据；将训练集数据输入到所述卷积神经网络的特征提取层进行特征提取并更新神经网络隐藏层中的各节点的权重参数，得到一维信号；将所述一维信号输入到长短期记忆神经网络中进行学习优化，得到优化后的一维信号；将所述优化后的一维信号输入到全连接神经网络中进行分类，得到分类结果；判断所述分类结果是否在预设范围内；若所述分类结果在所述预设范围内，则将更新权重参数后的深度学习神经网络模型作为训练后的作物模型m；若所述分类结果不在所述预设范围内，则返回重新输入训练集数据并重新获取一维信号的步骤；进一步的，将待预测的小气候数据、土壤数据、耕作历史数据输入所述作物模型m进行预测，输出理论生长指数ps；其中，如附图5所示，该cnn卷积神经网络模型中使用3次卷积过程，每个模块都包括卷积层（conv）、批量归一化层（bn）、最大池化层（pooling）与激励函数层（relu）。cnn卷积神经网络模型参数如下：设置输入为(16,1,87,50)，输出通道16，卷积核大小为5x5，移动步长为2，填充为0，经过第一层卷积运算后的输出为(16,16,21,11)；将第一层的输出结果作为第二层卷积的输入，其中设置卷积核大小为3x3，移动步长为1，填充为0，第三层参数与第二层相同；通过特征数据展平后得到(16,64,3)；进一步的，将卷积神经网络模型cnn的输出结果输入到lstm网络模型中，lstm神经网络模型参数设置分别为：特征维度64、隐藏层100、层数2；在lstm层之后，有两个全连接层，输出最后分类结果：全连接神经网络第一层fc1(16,256)、全连接神经网络第二层fc2(16,2)，2代表两分类；
上述基于cnn-lstm的作物模型m的模型训练过程需要大量的时序数据，可以避免植物的个体差异，培养和测量方法简单，评价效果可靠，更能准确的反映了植物当前的生理状态；所述深度学习神经网络需要合理分配小气候数据、土壤数据、耕作历史数据与生长指数p的源数据集进行训练、验证和测试模型；在一些实施方式中，将源数据集中的70％作为训练集，12％作为验证集，10％作为测试集；另一方面，为评估模型的性能，所述模型的评价指标主要有：正确率、真阳性率、假阳性率；在一些情况中，需要对目标区域周边的多个种植同一作物物种的区域进行跨区域数据的采集和验证模型，从而提高作物模型m的最终性能和预测准确性。
18.实施例三：本实施例应当理解为至少包含前述任意一个实施例的全部特征，并在其基础上进一步改进；对于运营大面积种植项目的种植人员来说，可能需要同时考虑多个区域土地的利用程度，因此在一种实施方式中，如附图6所示，所述监测系统包括采用图形化界面，为具有多块土地的用户提供直观的监测数据以及土地利用情况；用户可以响应于他们经由如附图所示的界面，通过输入目标区域的编号，从而呈现该目标区域的土地利用指数ω；同时，通过在界面操作，可以包括放大地图以显示更大面积的地块，从而包括用户所需要观察的更多的不同土地区域；在一些实施方式中，界面所显示的地图可以是卫星图像并且可以包括在目标区域周围的区域中的多个不同地块的轮廓；在一些实施方式中，关于地块边界的数据可以由外部数据提供来源 ，例如国家土地档案局的在线数据库等；这里，可以以突出颜色进行突出显示用户所拥有的地块，以将用户的注意力引导到所选地块；进一步的，界面还可以包括关于用于对目标区域进行监测一个或多个所述耕作信息采集子模块的装置，并且包括显示实时的或者记录于数据库中的多项监测数据的信息；包括原生土壤的信息、年（月、周）降雨量、夏季干旱期和年日照的历史天气数据；并且可以进一步包括但不限于日照阴影覆盖、地形信息、植物信息等；并且进一步的可以包括关于位于目标区域内的任何现有灌溉系统（灌溉管道、智能转换器和传感器等装置) ；界面中可以包括灌溉系统相关联的设备的位置以及与每个设备相关联的信息（例如类型、状态等）；此外，界面信息可以自动呈现包括目标区域在内的多个区域的多个监测数据以及过去以图表形式进行统计和呈现；用户通过在可视化的界面上了解在自有的土地区域上整体的作物生长评价，气候情况、土壤情况以及了解当前作物的整体交易市场情况，考虑是否需要优化种植策略以及耕作策略；而另一方面，土地管理机构、人员根据所管理的地区中包括的多块土地的利用率表现，可以从宏观层面，对土地用户进行引导、教导；并且安排市场价值指引、农业种植技巧培训等，从而优化土地利用率，并提高用户在已经土地面积上的单位面积收入。
19.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
20.虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的
范围的情况下，可以进行许多改变和修改。也就是说上面讨论的方法，系统和设备是示例。各种配置可以适当地省略，替换或添加各种过程或组件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法，和/或可以添加，省略和/或组合各种部件。而且，关于某些配置描述的特征可以以各种其他配置组合，如可以以类似的方式组合配置的不同方面和元素。此外，随着技术发展其中的元素可以更新，即许多元素是示例，并不限制本公开或权利要求的范围。
21.在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而，可以在没有这些具体细节的情况下实践配置例如，已经示出了众所周知的电路，过程，算法，结构和技术而没有不必要的细节，以避免模糊配置。该描述仅提供示例配置，并且不限制权利要求的范围，适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。
22.综上，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。