技术领域
[0001] 本申请涉及草原监测技术领域，具体而言，涉及一种基于北斗导航的天然草地质量评价方法、系统及存储介质。
相关背景技术
[0002] 长期以来，我国畜牧业盲目追求牲畜数量，实行掠夺式经营，加上气候的变化，致使我国草地大面积超载过牧，水、草、畜失衡，草地退化、沙化和盐化严重，引起草地生产力大幅度下降和生态环境的急剧变化，沙尘暴频繁发生，直接威胁当地牧民生活和生存环境，威胁着牧区经济社会的持续发展，也影响着全国生态安全和可持续发展。
[0003] 于是，针对天然草地质量进行有效评价，以对草原生态平衡状况进行有效把握，合理指导畜牧业的适度发展，以保证草原生态的长久健康与平衡，就成为目前畜牧管理部门急需解决的技术问题，然而，现有技术中尚未有切实有效的天然草地质量评价方法。
具体实施方式
[0043] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
[0044] 因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0045] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0046] 在本申请的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”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，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
[0047] 此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0048] 需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
[0049] 实施例一
[0050] 请参阅图1，图1是本申请实施例公开的一种基于北斗导航的天然草地草蓄平衡评估方法的流程示意图。如图1所示，本申请实施例的基于北斗导航的天然草地质量评价方法，所述方法包括：
[0051] S1、接收北斗导航系统传送的目标草场区域的遥感数据，构建遥感影像集；
[0052] S2、将遥感影像集分为两份，即训练集和目标集；
[0053] S3、将训练集中的遥感影像输入深度学习识别算法模型，经过训练获得遥感影像识别模型；
[0054] S4、将目标集中的遥感影像输入所述遥感影像识别模型，以获得识别结果；
[0055] S5、基于所述识别结果及评价指标对所述天然草地进行质量评价。
[0056] 在本申请实施例中，利用北斗导航系统获取准确的目标草场区域遥感数据，然后再将遥感数据分为两份，即训练集和目标集，其中训练集和目标集的数量可以相等，也可以不相等，本领域技术人员可以自由设计，通常情况下是设计为相等；接着，将训练集中的遥感影像输入深度学习目标识别算法模型以对该模型进行训练，从而得出最优的模型参数；接着，再将目标集中的遥感影像输入训练好的模型中，于是，该模型就可以输出准确的识别结果。最后，评价模块就可以基于该识别结果与预先设置好的评价指标对天然草地质量进行评价。
[0057] 优选地，在将所述遥感影像输入深度学习识别算法模型之前先进行预处理，具体为：先将遥感影像进行二值化，即将像素值大于像素值阈值T的点设为白色，将像素值小于像素值阈值T的点设为黑色；再将经过二值化的图像进行去噪处理；
[0058] 在本可选的实施方式中，所述深度学习识别算法模型工作过程为：对经过预处理的单张遥感影像中的黑色像素进行连通域分析，以连通域为基础构建标记框，计算各所述标记框的面积，对各所述标记框的面积进行求和；接着，对剩余的单张遥感影像进行上述过程，最后将上述单张遥感影像对应的求取面积和取加权平均值，作为目标草场区域的实际草地面积进行输出。
[0059] 在本可选的实施方式中，所述加权规则为：所述单张遥感影像中构建的标记框数量越多则对应的权重越小和/或所述单张遥感影像中构建的标记框中所有黑色像素的像素平均值越大则对应的权重越大。
[0060] 在本申请实施例中，基于草地的实际生长情况而赋予不同的权值，具体而言，如果所述单张遥感影像中构建的标记框数量越多，则说明草场中的牧场生长不连续，成多个小片状，给与其较低的权重赋值；所述单张遥感影像中构建的标记框中所有黑色像素的像素平均值越大，则说明草场中的整体牧草覆盖率较高，于是，给予其较高的权重赋值。从而实现了灵活赋值，如此计算得出的实际草地面积更加符合真实的情况，保障了后续计算结果的准确性。
[0061] 在本可选的实施方式中，所述深度学习识别算法模型是基于YOLO算法的模型、BABP模型、卷积神经网络模型中的至少一种。
[0062] 在本申请实施例中，深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。本申请采用基于深度学习识别技术的算法模型来对遥感影像进行识别，能够有效保障对实际草地面积的识别结果。当然，除了上述模型外，本领域技术人员也可以选择其他深度学习模型，本申请对此不作限定。
[0063] 在本可选的实施方式中，所述基于所述识别结果及评价指标对所述天然草地进行质量评价，具体包括：
[0064] 所述识别结果即为实际草地面积；基于所述实际草地面积与单位草地面积初级生产力计算得出所述目标草场区域的实际生产力；
[0065] 将所述实际生产力与评估指标进行匹配，进而获得对应的评估结果。
[0066] 进一步地，所述基于所述实际草地面积与单位草地面积初级生产力计算得出所述目标草场区域的实际生产力，采用如下计算公式：
[0067] Realoutput＝s*f
[0068]
[0069] 其中，Realoutput为所述目标草场区域的实际生产力，s为实际草地面积，f为单位草地面积初级生产力,NDVI为卫星比值植被指数，a1、a1为权重系数,I为光强度，b1、b2为常数，θ为草场最低单位产量阈值的n倍。
[0070] 在本申请实施例中，充分考虑了卫星比值植被指数、光强度等指标，即基于植被覆盖情况和光合作用情况来估计单位草地面积初级生产力，然后再基于前述的实际草地面积、单位草地面积初级生产力可以准确的估算出计算草场实际生产力。
[0071] 在本申请实施例中，所述将所述实际生产力与评估指标进行匹配，进而获得对应的评估结果，具体为：
[0072] 如果实际生产力满足:0
[0073] 如果实际生产力满足:output1
[0074] 如果实际生产力满足:Realoutput>output2,则评估结果为良好草场；
[0075] 其中，output1、output2均未评价指标阈值，且output2>output1。
[0076] 实施例二
[0077] 请参阅图2，图2是本申请实施例公开的一种基于北斗导航的天然草地质量评价系统的结构示意图。如图2所示，本申请实施例的基于北斗导航的天然草地质量评价系统，所述系统包括：
[0078] 第一获取模块，用于接收北斗导航系统传送的目标草场区域的遥感数据，构建遥感影像集；
[0079] 第一处理模块，用于将遥感影像集分为两份，即训练集和目标集；
[0080] 第二处理模块，用于将训练集中的遥感影像输入深度学习目标识别算法模型，经过训练获得遥感影像识别模型；
[0081] 第三处理模块，用于将目标集中的遥感影像输入所述遥感影像识别模型，以获得识别结果；
[0082] 评价模块，用于基于所述识别结果及评价指标进行天然草地质量评价。
[0083] 在本可选的实施方式中，在将所述遥感影像输入深度学习识别算法模型之前先进行预处理，具体为：先将遥感影像进行二值化，即将像素值大于像素值阈值T的点设为白色，将像素值小于像素值阈值T的点设为黑色；再将经过二值化的图像进行去噪处理；
[0084] 在本可选的实施方式中，所述深度学习识别算法模型工作过程为：对经过预处理的单张遥感影像中的黑色像素进行连通域分析，以连通域为基础构建标记框，计算各所述标记框的面积，对各所述标记框的面积进行求和；接着，对剩余的单张遥感影像进行上述过程，最后将上述单张遥感影像对应的求取面积和取加权平均值，作为目标草场区域的实际草地面积进行输出。
[0085] 在本可选的实施方式中，所述加权规则为：所述单张遥感影像中构建的标记框数量越多则对应的权重越小和/或所述单张遥感影像中构建的标记框中所有黑色像素的像素平均值越大则对应的权重越大。
[0086] 在本可选的实施方式中，所述深度学习识别算法模型是基于YOLO算法的模型、BABP模型、卷积神经网络模型中的至少一种。
[0087] 在本可选的实施方式中，所述基于所述识别结果及评价指标对所述天然草地进行质量评价，具体包括：
[0088] 所述识别结果即为实际草地面积；基于所述实际草地面积与单位草地面积初级生产力计算得出所述目标草场区域的实际生产力；
[0089] 将所述实际生产力与评估指标进行匹配，进而获得对应的评估结果。
[0090] 进一步地，所述基于所述实际草地面积与单位草地面积初级生产力计算得出所述目标草场区域的实际生产力，采用如下计算公式：
[0091] Realoutput＝s*f
[0092]
[0093] 其中，Realoutput为所述目标草场区域的实际生产力，s为实际草地面积，f为单位草地面积初级生产力,NDVI为卫星比值植被指数，a1、a1为权重系数,I为光强度，b1、b2为常数，θ为草场最低单位产量阈值的n倍。
[0094] 在本申请实施例中，所述将所述实际生产力与评估指标进行匹配，进而获得对应的评估结果，具体为：
[0095] 如果实际生产力满足:0
[0096] 如果实际生产力满足:output1
[0097] 如果实际生产力满足:Realoutput>output2,则评估结果为良好草场；
[0098] 其中，output1、output2均未评价指标阈值，且output2>output1。
[0099] 实施例三
[0100] 请参阅图3，图3是本申请实施例公开的一种基于北斗导航的天然草地质量评价设备的结构示意图。如图3所示，本申请实施例的基于北斗导航的天然草地质量评价设备，其特征在于，所述设备包括：
[0101] 存储有可执行程序代码的存储器；
[0102] 与所述存储器耦合的处理器；
[0103] 所述处理器调用所述存储器中存储的所述可执行程序代码，执行如前述所述的基于北斗导航的天然草地质量评价方法。
[0104] 实施例四
[0105] 本申请实施例提供一种存储介质，其特征在于，所述存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如第一实施例所述的基于北斗导航的天然草地质量评价方法。
[0106] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
