空地土壤墒情信息采集系统的制作方法

本发明涉及一种空地土壤墒情信息采集系统，通过无人机平台实现更广更远范围实现物联网监测，涉及无人机和物联网领域。

背景技术

物联网(iot)，即通过智能感知、识别技术与普适计算等通信感知技术实现的物物相连网络，四大层次分别为：感知层、网络层、平台层和应用层。物联网被认为是新一轮科技和产业革命的基础，覆盖了工业/制造、金融、农业、交通、家居/生活、物流等诸多领域。其中，智能计算、车联网、建筑/家居安防是目前发展最快的垂直行业。

智能环境物联网：利用各种传感器技术，移动计算，信息融合等技术对空气环境，海洋环境，河，湖水质，生态环境，城市环境质量进行全面有效地监控，多功能环境监测信息系统通过网络连接全国所有的监测节点，实现信息传递和信息共存。

智能农业物联网：利用各种传感器技术，信息融合等技术对土壤墒情，作物长势等信息进行全面有效地监控，利用射频技术组织自主、多跳网络监测节点，实现信息传递和信息共存。

智能城市物联网：利用各种传感器技术，信息融合，云技术等技术对城市供水，供电等信息进行全面有效地监控，利用云数据计算技术实时获取监测节点数据，实现信息传递和信息共存。

另一方面，在无人机的应用领域，利用无人机获取地面图像并结合其他应用的技术已经非常成熟和普及。

但是传统物联网存在以下弊端：

1.监测点连接复杂，如有损坏影响局域内其余节点数据上报；

2.需要架设服务器，提供服务器维护，提供服务器数据库维护服务，加大常规耗能；

3.监测网络庞大，繁琐复杂，布放需遵循专业拓扑规律，不适合二次利用和转移，不适合平民化；

4.监测点之间工作一定作用范围内，且通信传输环境良好，不需要检测土壤为了下级通讯也必须布放，增加不必要成本；

5.监测点不可移动，不能适应现场变化需求。

近年来，无人机遥感以其在云下低空飞行的能力，结合传统物联网技术，形成了空地信息监测的技术，成为新型遥感不可或缺的手段。与传物联网对土壤墒情信息的获取技术相比相比，无人机遥感具有高时效、高分辨率、低成本、低损耗、低风险及可重复等诸多优势，能够快速获取大面积国土、资源、环境等空间要素。土壤水含量、土壤温度、土壤co2浓度等信息是植被覆盖、水土保持、土质分析等领域的重要信息，在分析植被分布影响因素、评价区域生态环境等方面具有重要意义。在农学领域，它也反映农作物对光的截获能力，指示作物的生长发育和生物产量，是农学所关心的一个重要参数。随着大面积土壤水含量的分析的日益重要，通过无人机平台获取土壤墒情的手段被广泛应用，那么针对无人机平台所获取的土壤墒情信息的内业分析就更为重要，如何将无人机采集到的土壤墒情信息为专业人员提供有效的分析就变得不可或缺。

技术实现要素：

为了克服上述现有技术的缺点，本发明通过无人机平台实现更广更远范围实现物联网监测。

为达到上述目的，本发明提供了一种空地土壤墒情信息采集系统，包括硬件子系统和处理子系统，其中所述硬件子系统包括在无人机平台上搭载召测设备，在地面布放传感器节点以及多个传感器，所述处理子系统包括数据处理模块和召测与传输模块，所述传感器节点根据不同需求进行布放，在重点地形或复杂检测范围多放置监测节点，非重点区域少放置或不放置监测节点，当对不同土壤检测需求变更时，可移动监测节点来改变重点检测对象；所述处理子系统针对读取无人机平台采集的温度、湿度、co2浓度等土壤墒情信息进行分析。

优选的，上述数据处理模块对每个节点收集到的各传感器的信息，进行传感器信息融合。

优选的，进行传感器信息融合充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。

优选的，上述数据融合充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。

优选的，上述数据融合具体包括以下步骤：

1)n个不同类型的传感器(有源或无源的)收集观测目标的数据；

2)对传感器的输出数据(离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明)进行特征提取的变换，提取代表观测数据的特征矢量yi；

3)对特征矢量yi进行模式识别处理(如，聚类算法、自适应神经网络或其他能将特征矢量yi变换成目标属性判决的统计模式识别法等)完成各传感器关于目标的说明；

4)将各传感器关于目标的说明数据按同一目标进行分组，即关联；

5)利用融合算法将每一目标各传感器数据进行合成，得到该目标的一致性解释与描述。

优选的，上述数据融合将所提取的特征数据输入神经网络模式识别器，神经网络模式识别器进行特征级数据融合，以识别出系统的特征数据，并输入到模糊专家系统进行决策级融合。

优选的，上述专家系统推理时，从知识库和数据库中取出领域知识规则和参数，与特征数据进行匹配(融合)；决策出被测系统的运行状态、设备工作状况和故障等。

优选的，通过上述数据处理模块的运行，处理前数据是分散的单独参数，单个节点的数据只能代表局部区域的土壤墒情情况，并且各个传感器之间的数据是相互独立的。

优选的，上述处理子系统的运行方式是：

(1)打开无人机平台获取的土壤墒情数据源，能够通过文件选择对话框，选择源数据，并读入程序内存中；

(2)显示源数据，将打开的源数据显示在软件表格中；

(3)拾取源数据信息，能够使用折线表将土壤墒情情报信息通过后台专家系统进行分析；

(4)能够实时编辑工作日志；

(5)能够随时查看以前工作记录的工作日志信息；

(6)能够为接下来土壤土质的分析提供数据支撑；

(7)能够定位监测节点，并对出错节点进行上报。

优选的，上述信息采集系统采用采用的通信方式为：

步骤1.1、无人机出发巡航并发送唤醒信号；

步骤1.2、当无人机唤醒信号范围内有监测节点，则监测节点被唤醒，与无人机连接；

步骤1.3、监测节点与无人机连接成功，开始传输土壤墒情监测信息包；

步骤1.4、传输完毕，无人机与监测节点断开连接，并与地面单收站连接并传输土壤墒情监测信息包；

或者

步骤1.1、无人机出发巡航并发送唤醒信号；

步骤1.2、当无人机唤醒信号范围内有监测节点，则监测节点被唤醒，与无人机连接；

步骤1.3、监测节点与无人机连接成功，开始传输土壤墒情监测信息包，并储存于挂在文件系统；

步骤1.4、传输完毕，无人机与监测节点断开连接，继续巡航，发送唤醒信号；

步骤1.5、继续巡航，寻找监测节点。

与现有技术相比，本发明具有以下优点：

1.各个监测节点之间相互独立，如有损坏不对其它节点产生影响；

2.无需架设服务器，减少常规耗能；

3.监测节点任意布放，可在重点区域密集布放，非重要地区稀松布放，可根据现场实际情况自由布放；

4.相同环境下地对空通讯环境优于地对地；

5.可分重点区域、次重点区域、非重点区域布放监控节点检测土壤墒情；

6.无人机的通讯距离为10公里左右，至少能检测48公里范围(方圆距离)。

附图说明

图1为本发明提供的空地土壤墒情信息采集系统流程示意图。

具体实施方式

下面结合附图来具体描述本发明的优先实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。

本发明提供的空地土壤墒情信息采集系统，包括硬件子系统和处理子系统，其中硬件子系统包括在无人机平台上搭载召测设备，在地面布放传感器节点，以及传感器选择。可根据不同需求布放监测节点，不必考虑拓扑结构连接问题，在重点地形或复杂检测范围多放置监测节点，非重点区域少放置或不放置监测节点。并且当对不同土壤检测需求变更时，可移动监测节点来改变重点检测对象。由于传统物联网的传输结构已经写定，更改上下级对象会造成混乱乃至系统崩溃，因此传统物联网各个监测节点无法移动。

处理子系统是针对无人机土壤墒情获取分析，针对读取无人机平台采集的温度、湿度、co2浓度等土壤墒情信息进行分析，其功能有将无人机采集到的土壤墒情导入到处理子系统中并根据后台专家系统分析土壤墒情，可为后期土壤分析提供数据支持。

处理子系统包括数据处理模块和召测与传输模块。

数据处理模块的流程和对象：

处理对象：每个节点收集到的各传感器的信息，进行传感器信息融合。

处理流程：不同的传感器需要反映的信息不同，所应用到的算法不同，涉及到的学科领域也不同。主要用到的技术：

1.数据融合技术(充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息)。

2.神经网络，主要是走势推演。

数据融合的具体包括：

1)n个不同类型的传感器(有源或无源的)收集观测目标的数据；

2)对传感器的输出数据(离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明)进行特征提取的变换，提取代表观测数据的特征矢量yi；

3)对特征矢量yi进行模式识别处理(如，聚类算法、自适应神经网络或其他能将特征矢量yi变换成目标属性判决的统计模式识别法等)完成各传感器关于目标的说明；

4)将各传感器关于目标的说明数据按同一目标进行分组，即关联；

5)利用融合算法将每一目标各传感器数据进行合成，得到该目标的一致性解释与描述。

本实施例可用到的数据融合基本方法：时间序列分析法、小波分析。从各传感器获取的信号模式中提取出特征数据，同时，将所提取的特征数据输入神经网络模式识别器，神经网络模式识别器进行特征级数据融合，以识别出系统的特征数据，并输入到模糊专家系统进行决策级融合；专家系统推理时，从知识库和数据库中取出领域知识规则和参数，与特征数据进行匹配(融合)；最后，决策出被测系统的运行状态、设备工作状况和故障等。

通过数据处理模块的运行，处理前数据是分散的单独参数，比如单个节点的数据只能代表局部区域的土壤墒情情况，并且各个传感器之间的数据是相互独立的。

处理后优势包括：1.将传感器按时间轴进行信息统计，直观观测情报变化过程。2.将各传感器信息进行融合，综合分析情报信息。

①例如，在植被周围布放的水蒸气浓度明显降低，从单一传感器不能直观判断植被长势下降，结合光照度传感器分析，若光照度强度偏大，可能为强光照度情况下植被气孔闭合，停止或减慢呼吸作用而造成的水蒸气含量下降。

②例如，单独通过传感器测量亚硝酸盐、亚铁盐、硫化物等可氧化物质含量不能判断水体污染达到生化威胁，但通过氧化剂的测量，可在后台软件计算出氧化分解的含量，从而判断残留的氮化剂是否达到生化威胁。利用数据融合技术分析后，在后台算法中加入人工神经网络法，查找网络权值分布规律，从而可以推算出，以当前状态下进行氧化，是否可以达到威胁，或多久会形成威胁，或需要多少氧化剂就会形成威胁。从而为后续工作提供建议和预测。

处理子系统的运行方式是：

(1)打开无人机平台获取的土壤墒情数据源，能够通过文件选择对话框，选择源数据，并读入程序内存中；

(2)显示源数据，将打开的源数据显示在软件表格中；

(3)拾取源数据信息，能够使用折线表将土壤墒情情报信息通过后台专家系统进行分析；

(4)能够实时编辑工作日志；

(5)能够随时查看以前工作记录的工作日志信息；

(6)能够为接下来土壤土质的分析提供数据支撑；

(7)能够定位监测节点，并对出错节点进行上报。

无人机获取数据导入包括选择数据源、源数据显示、查看工作日志、编辑工作日志等步骤，参数选择是选择需要分析的参数。土壤墒情信息分析，以“温度”作为示例，土壤墒情的温度情况将计算其区域内真值、平均值上限、平均值下限、平均值等参数，并在表格及通过折线统计表表示出来。根据选择的无人机采集到的源数据的经纬度信息，显示节点布放的情况，并显示当前节点监测的土壤墒情的状态，并对出错节点上报。

本实施例采用的通信方式可以有两种：

通讯方式一：监测节点数据报实时回传通讯过程：

a.无人机出发巡航并发送唤醒信号。

b.当无人机唤醒信号范围内有监测节点，则监测节点被唤醒，与无人机连接。

c.监测节点与无人机连接成功，开始传输土壤墒情监测信息包。

d.传输完毕，无人机与监测节点断开连接，并与地面单收站连接并传输土壤墒情监测信息包。

通讯方式二：监测节点数据报随机存储过程

a.无人机出发巡航并发送唤醒信号；

b.当无人机唤醒信号范围内有监测节点，则监测节点被唤醒，与无人机连接；

c.监测节点与无人机连接成功，开始传输土壤墒情监测信息包，并储存于挂在文件系统；

d.传输完毕，无人机与监测节点断开连接，继续巡航，发送唤醒信号；

e.继续巡航，寻找监测节点。

无人机回收后获取机载信息，并通过后台处理子系统来分析数据。

针对无人机土壤墒情获取分析软件是一款针对读取无人机平台采集的温度、湿度、co2浓度等土壤墒情信息的软件，其功能有将无人机采集到的土壤墒情导入到软件中并根据后台专家系统分析土壤墒情，可为后期土壤分析提供数据支持。

a.搭建土壤墒情演变过程的模拟器；

b.模拟土壤墒情演变过程；

c.利用clips专家系统开发工具，模拟专家思维对土壤墒情数据进行处理。

d.田间试验实际获取土壤墒情演变过程及数据验证。

本发明提供的空地土壤墒情信息采集系统，各个监测节点之间相互独立，如有损坏不对其它节点产生影响；无需架设服务器，减少常规耗能；监测节点任意布放，可在重点区域密集布放，非重要地区稀松布放，可根据现场实际情况自由布放；相同环境下地对空通讯环境优于地对地；可分重点区域、次重点区域、非重点区域布放监控节点检测土壤墒情；无人机的通讯距离为10公里左右，至少能检测48公里范围(方圆距离)。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行改进或者等同替换，而不脱离本发明技术方案的实质和范围。