本发明涉及土壤有机质含量监测，具体为基于无人机与高光谱的土壤有机质含量监测方法和系统。
背景技术：
1、土壤有机质含量监测是指对土壤中有机质的总量或相对含量进行定期或不定期的测定和分析。
2、公告号为cn114019082b的中国专利公开了一种土壤有机质含量监测方法和系统，主要通过利用变量空间迭代收缩算法结合极端随机树构建som回归估计模型，再利用所构建的som回归估计模型得到土壤高光谱影像上每个像素点的有机质含量，反演得到有机质含量分布图，能够在提高土壤有机质含量监测时效性和精确性的同时，降低监测工作量和研究成本，进而实现无人机在定制的时空尺度下实现对作物和自然资源的快速监测，为精准农业提供数据支持，上述专利虽然解决了土壤有机质含量监测的问题，但是在实际操作中还存在以下问题：
3、1.对土壤进行有机质含量监测之前，没有将无人机和相机设备进行进一步的检查，从而导致设备损坏无法对土壤监测。
4、2.高光谱相机将土壤图像进行捕捉后，没有进行更精细的图像处理和光谱分析，从而导致无法获取捕捉图像中的土壤特征波段。
5、3.没有将高光谱相机获取的土壤有机质含量数据进行进一步的有机质含量分析和比对，从而导致监测结果不精准。
技术实现思路
1、本发明的目的在于提供基于无人机与高光谱的土壤有机质含量监测方法和系统，利用计算机和图像处理技术，可以快速完成大量图像数据的处理和分析，实现了对监测区域土壤的实时或快速监测，通过对比标准差和相关性等统计指标，筛选出与监测土壤光谱特性差异显著的特征波段。这种方法不仅减少了冗余信息，还突出了对土壤分类和识别最为关键的特征信息，利用主成分分析法对建模数据集进行降维处理，提取出最重要的特征向量作为主成分，提高了模型的计算效率和预测精度，采用偏最小二乘回归法建立有机质含量与光谱反射率之间的预测模型，能够处理自变量与因变量之间的复杂关，可以解决现有技术中的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、基于无人机与高光谱的土壤有机质含量监测方法，包括如下步骤：
4、s1：无人机和相机设备确认：将无人机类型和相机类型进行确认，并将无人机和相机进行监测前的调试；
5、s2：相机土壤图像捕捉：无人机在监测区域进行规定路径飞行，相机在监测区域进行图像捕捉，将捕捉的图像进行信息标注，信息标注完成后得到目标土壤图像；
6、s3：捕捉图像预处理：将目标土壤图像进行图像预处理，图像预处理后进行特征波段提取，将目标土壤图像中提取的特征波段标注为标准土壤图像；
7、s4：预处理画面模型构建：将标准土壤图像进行有机质含量预测模型构建，模型构建后得到目标土壤模型；
8、s5：构建模型有机质含量分布：将目标土壤模型中的土壤有机质含量数据进行数据提取，将提取的土壤有机质含量数据与监测区域的土壤进行数据比较，并将比较数据进行土壤有机质含量分布显示。
9、优选的，针对s1中将无人机类型和相机类型进行确认，并将无人机和相机进行监测前的调试，包括：
10、无人机类型为多旋翼无人机，相机类型为高光谱相机，并将多旋翼无人机与高光谱相机进行兼容处理；
11、无人机和相机对土壤进行有机质含量监测之前，先将无人机进行飞行检查、飞行测试和飞行参数调整；
12、再将相机进行连接测试、参数设置和校准；
13、无人机和相机均调试完成后准备进行土壤有机质含量监测。
14、优选的，针对s2中无人机在监测区域进行规定路径飞行，相机在监测区域进行图像捕捉，将捕捉的图像进行信息标注，包括：
15、无人机平台将监测区域的路径数据进行确认，并将确认的路径数据导入至无人机中，无人机根据路径数据再监测区域进行飞行，其中，根据监测区域的地形、地貌和土壤特性，规划无人机的飞行路径；
16、无人机在监测区域飞行时，高光谱相机对监测区域的土壤进行捕捉；
17、其中，高光谱相机自动捕捉监测区域的土壤图像，同时，根据监测要求进行图像的连续捕捉或定时捕捉的设置；
18、最后将捕捉的土壤图像分别进行坐标系信息标注，坐标系信息标注完成后得到目标土壤图像。
19、优选的，根据监测要求进行图像的连续捕捉或定时捕捉的设置，还包括：
20、提取当前图像捕捉所对应的图像捕捉位置；
21、实时监测当前无人机行进位置与所述图像捕捉位置之间的距离；
22、将所述当前无人机行进位置与所述图像捕捉位置之间的距离与预设的第一距离阈值进行比较；
23、当所述当前无人机行进位置与所述图像捕捉位置之间的距离达到预设的第一距离阈值时，提取当前图像捕捉的捕捉模式，其中，所述捕捉模式包括连续捕捉和定时捕捉；
24、根据当前图像捕捉的捕捉模式为连续捕捉时，进行第一次降速调整，其中，所述第一次降速调整所对应的无人机的目标飞行速度通过如下公式获取：
25、
26、其中，vm表示无人机的目标飞行速度，同时，当计算后vm小于或等于vmin时，则令vm为1.63vmin；v0表示当前无人机的行进速度；tc表示预设的捕捉采集间隔时长；td表示连续捕捉对应的图像捕捉时间间隔；vmin表示预设的保证无人机行进效率的最低飞行速度；
27、按照所述目标飞行速度对所述无人机的飞行速度进行调整；
28、当所述无人机达到图像捕捉位置时，根据无人机的当前图像捕捉的捕捉模式对无人机在图像捕捉过程中的行进速度进行二次速度调整。
29、优选的，当所述无人机达到图像捕捉位置时，根据无人机的当前图像捕捉的捕捉模式对无人机在图像捕捉过程中的行进速度进行二次速度调整，包括：
30、实时监测无人机的行进位置；
31、当所述无人机的行进位置到达图像捕捉位置时，提取连续图像捕捉或定时图像捕捉所对应的图像捕捉时间间隔；
32、根据所述图像捕捉时间间隔结合当前无人机的行进速度获取速度调节系数；其中，所述速度调节系数通过如下公式获取：
33、
34、其中，v表示速度调节系数；td表示连续捕捉对应的图像捕捉时间间隔；vm表示无人机的目标飞行速度；lmin和lmax分别表示预设的连续捕捉模式中的连续捕捉每相邻两次捕捉动作所对应的位置之间的参考距离数值范围对应的最小距离和最大距离；
35、利用所述速度调节系数对所述无人机进行二次速度调整，其中，所述二次速度调整所对应的调整后的行进速度通过如下公式获取：
36、
37、其中，vt表示二次速度调整所对应的调整后的行进速度；vm表示无人机的目标飞行速度，vmin表示预设的保证无人机行进效率的最低飞行速度；v表示速度调节系数。
38、优选的，针对s3中将目标土壤图像进行图像预处理，图像预处理后进行特征波段提取，包括：
39、目标土壤图像的图像预处理为依次将目标土壤图像进行辐射率转换、几何校正、大气校正和反射率转换；
40、图像预处理流程如下：
41、将目标土壤图像进行辐射率转换，辐射率转换为利用线性公式获取图像中的像素值，并将像素值转换为辐射亮度值，其中，辐射亮度值中包括增益参数和偏移参数；
42、辐射率转换完成后进行几何校正，几何校正包括几何粗校正和几何精校正，几何粗校正为校正目标土壤图像中的几何畸变，几何精校正为利用监测区域的地面控制点对目标土壤图像进行校正；
43、几何校正完成后进行大气校正，大气校正为利用6s模型对目标土壤图像进行校正，其中6s模型从数据库中进行调取；
44、大气校正后进行发射率转换，反射率转换为将大气校正后的辐射亮度值转换为反射率值；
45、最终得到图像预处理后的目标土壤图像。
46、优选的，针对s3中将目标土壤图像进行图像预处理，图像预处理后进行特征波段提取，还包括：
47、从数据库中调取监测区域土壤的光谱特性，并根据光谱特性获取监测区域土壤在不同波段下的反射和吸收特性；
48、将图像预处理后的目标土壤图像进行波段数据转换；
49、将转换的波段数据进行特征波段提取；
50、其中，特征波段为波段数据与监测土壤在不同波段下的反射和吸收特性数据进行对比时，对比标准差和相关性不在对比范围内的数据；
51、将获取的目标土壤图像中的特征波段数据标注为标准土壤图像。
52、优选的，针对s4中将标准土壤图像进行有机质含量预测模型构建，包括：
53、从数据库中获取监测区域土壤的实际有机质含量采样数据；
54、将标准土壤图像中的特征波段数据与实际有机质含量采样数据进行数据匹配，数据匹配后形成建模数据集；
55、利用主成分分析法结合偏最小二乘回归法与建模数据集进行实际有机质含量与光谱反射率之间的预测模型建立；
56、其中，先将建模数据集进行协方差矩阵计算，将计算的协方差矩阵进行特征分解，特征分解后得到特征值和特征向量；
57、选择若干个最大的特征值对应的特征向量作为主成分，将建模数据集投影至主成分中，投影完成后得到降维后的建模数据集矩阵。
58、优选的，针对s4中将标准土壤图像进行有机质含量预测模型构建，还包括：
59、从有机质含量采样数据与特征波段数据中分别提取第一对成分；
60、将提取的第一对成分通过回归模型进行回归；
61、其中，第一对成分通过回归模型进行回归时，若回归精度不在标准范围内时，则从有机质含量采样数据与特征波段数据中分别提取第二对成分，并重新进行回归；
62、根据建模数据集矩阵和成分的回归模型得到土壤含量预测模型。
63、基于无人机与高光谱的土壤有机质含量监测方法，应用在基于无人机与高光谱的土壤有机质含量监测系统中，包括：
64、土壤有机质含量分布显示模块，用于:
65、将建模数据集划分为训练集和测试集；
66、将训练集导入土壤含量预测模型中进行训练，训练完成后得到训练后的土壤含量预测模型；
67、将测试集输入训练后的土壤含量预测模型中，输入后得到土壤有机质含量的预测值，并将预测值与实际土壤有机质含量值进行比较；
68、将比较结果根据坐标系信息进行坐标对应，将监测区域每个坐标系内的比较结果和监测的有机质含量数据以图表的形式在显示终端进行显示。
69、与现有技术相比，本发明的有益效果如下：
70、1.本发明提供的基于无人机与高光谱的土壤有机质含量监测方法和系统，在监测前进行详尽的无人机飞行检查、测试和参数调整，可以大大降低飞行过程中的风险，对相机进行连接测试、参数设置和校准，确保了相机在飞行过程中能够稳定工作，无人机和高光谱相机的结合实现了自动化图像捕捉功能，可以根据监测需求设置连续捕捉或定时捕捉，减少了人工干预，提高了工作效率。
71、2.本发明提供的基于无人机与高光谱的土壤有机质含量监测方法和系统，利用计算机和图像处理技术，可以快速完成大量图像数据的处理和分析，实现了对监测区域土壤的实时或快速监测，通过对比标准差和相关性等统计指标，筛选出与监测土壤光谱特性差异显著的特征波段。这种方法不仅减少了冗余信息，还突出了对土壤分类和识别最为关键的特征信息。
72、3.本发明提供的基于无人机与高光谱的土壤有机质含量监测方法和系统，利用主成分分析法对建模数据集进行降维处理，提取出最重要的特征向量作为主成分，提高了模型的计算效率和预测精度。同时，特征提取有助于揭示土壤有机质含量与光谱反射率之间的内在联系和规律，采用偏最小二乘回归法建立有机质含量与光谱反射率之间的预测模型，能够处理自变量与因变量之间的复杂关系，包括线性关系和非线性关系。
1.基于无人机与高光谱的土壤有机质含量监测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于无人机与高光谱的土壤有机质含量监测方法，其特征在于：针对s1中将无人机类型和相机类型进行确认，并将无人机和相机进行监测前的调试，包括：
3.根据权利要求2所述的基于无人机与高光谱的土壤有机质含量监测方法，其特征在于：针对s2中无人机在监测区域进行规定路径飞行，相机在监测区域进行图像捕捉，将捕捉的图像进行信息标注，包括：
4.根据权利要求3所述的基于无人机与高光谱的土壤有机质含量监测方法，其特征在于：根据监测要求进行图像的连续捕捉或定时捕捉的设置，还包括：
5.根据权利要求4所述的基于无人机与高光谱的土壤有机质含量监测方法，其特征在于：当所述无人机达到图像捕捉位置时，根据无人机的当前图像捕捉的捕捉模式对无人机在图像捕捉过程中的行进速度进行二次速度调整，包括：
6.根据权利要求3所述的基于无人机与高光谱的土壤有机质含量监测方法，其特征在于：针对s3中将目标土壤图像进行图像预处理，图像预处理后进行特征波段提取，包括：
7.根据权利要求4所述的基于无人机与高光谱的土壤有机质含量监测方法，其特征在于：针对s3中将目标土壤图像进行图像预处理，图像预处理后进行特征波段提取，还包括：
8.根据权利要求7所述的基于无人机与高光谱的土壤有机质含量监测方法，其特征在于：针对s4中将标准土壤图像进行有机质含量预测模型构建，包括：
9.根据权利要求8所述的基于无人机与高光谱的土壤有机质含量监测方法，其特征在于：针对s4中将标准土壤图像进行有机质含量预测模型构建，还包括：
10.基于无人机与高光谱的土壤有机质含量监测方法，应用在如权利要求9所述的基于无人机与高光谱的土壤有机质含量监测系统中，其特征在于，包括：
