CN109460700B - 一种面向作物分类的遥感数据处理方法及装置 - Google Patents
一种面向作物分类的遥感数据处理方法及装置 Download PDFInfo
- Publication number
- CN109460700B CN109460700B CN201811033422.3A CN201811033422A CN109460700B CN 109460700 B CN109460700 B CN 109460700B CN 201811033422 A CN201811033422 A CN 201811033422A CN 109460700 B CN109460700 B CN 109460700B
- Authority
- CN
- China
- Prior art keywords
- grid
- remote sensing
- data
- sensing data
- time phase
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Abstract
本发明实施例提供一种面向作物分类的遥感数据处理方法及装置,该方法包括:根据遥感数据中的研究区空间位置信息解析格网编码序列,获取研究区全覆盖的格网;根据遥感数据中的研究区生育期时相数据和格网,获取格网生育期时相交集,建立格网与时相数据间的映射关系;以格网为单元,基于格网与时相数据间的映射关系,进行特征计算,将计算结果按照时间顺序合成时序特征集;对于含样本栅格文件的格网,叠加时序特征集和样本栅格文件,得到样本特征表,将样本特征表合成样本特征总集,以对研究区的作物进行分类。本发明实施例提供的面向作物分类的遥感数据处理方法及装置,简化了数据提取与处理过程,提高了作物分类效率,降低了人工参与。
Description
技术领域
本发明涉及大范围作物分类领域,特别涉及一种面向作物分类的遥感数据处理方法及装置。
背景技术
及时、准确、客观地获取作物分布数据对于农作物种植面积估算,产量预测,干旱风险评估等各项农业应用具有重大意义。随着遥感技术在农业领域的纵深应用,自然资源、农业农村和生态环境等部门对及时获取大范围、高分辨率作物分布图的需求越来越迫切。物候特征是区分不同作物的重要依据之一,使用作物物候期内的时序遥感影像进行分类是获取高精度作物分布制图的最好手段。
中高时空分辨率遥感影像的迅速增多也为作物物候信息的获取提供了丰富的数据源。但目前研究多基于小尺度研究区,当面向大尺度研究区时,急剧增加的多时相遥感数据为数据组织和计算带来了挑战,具体表现在以下两个方面:在遥感数据的组织方面,遥感影像对研究区的非均匀覆盖,为有效影像的提取带来了极大的困难。
现有的以“景”为单元的遥感影像组织方式灵活性差,在处理多时相遥感数据时,需要针对研究区进行大量的拼接、裁剪工作,耗费大量的时间和人力,使得后续的分类过程较冗余,效率较低。
发明内容
本发明实施例为克服上述技术缺陷,提供一种面向作物分类的遥感数据处理方法及装置。
第一方面,本发明实施例提供一种面向作物分类的遥感数据处理方法,包括:
根据所述遥感数据中的研究区空间位置信息解析格网编码序列,获取研究区全覆盖的格网;
根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集,建立所述格网与所述时相数据间的映射关系;
以所述格网为单元,基于所述格网与时相数据间的映射关系,进行特征计算,将计算结果按照时间顺序合成时序特征集;
对于含样本栅格文件的格网,叠加所述时序特征集和样本栅格文件,得到样本特征表,将所述样本特征表合成样本特征总集,以对所述研究区的作物进行分类。
第二方面,本发明实施例提供一种面向作物分类的遥感数据处理装置,包括:
获取模块,用于根据所述遥感数据中的研究区空间位置信息解析格网编码序列,获取研究区全覆盖的格网;
映射模块,用于根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集,建立所述格网与所述时相数据间的映射关系;
第一处理模块,用于以所述格网为单元,基于所述格网与时相数据间的映射关系,进行特征计算,将计算结果按照时间顺序合成时序特征集;
第二处理模块,用于对于含样本栅格文件的格网,叠加所述时序特征集和样本栅格文件,得到样本特征表,将所述样本特征表合成样本特征总集,以对所述研究区的作物进行分类。
第三方面,本发明实施例提供一种电子设备,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如第一方面所述的方法。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述面向作物分类的遥感数据处理方法。
本发明实施例提供的面向作物分类的遥感数据处理方法及装置,在UTM分带投影平面坐标系的基础上划分格网体系,基于RDCRMG以格网为单元对遥感数据进行剖分和重组,面对遥感影像成像的不均匀,解析研究区覆盖范围的格网序列,以便从大量成像影像中,快速挑选研究区内的可用数据进行计算,减少数据冗余,同时,格网划分空间数学基础明晰,划分规则清楚,格网与坐标之间的计算简单,同一尺度格网面积、形状一致,简化了数据提取与处理过程,实现了研究区内多时相遥感数据的快速组织和计算,减少了分类过程中的冗余计算,提高了作物分类效率,降低人工参与。
附图说明
图1为本发明实施例一种面向作物分类的遥感数据处理方法的流程示意图;
图2为本发明实施例基于格网的遥感数据优选算法的流程示意图;
图3为本发明实施例又一面向作物分类的遥感数据处理方法的流程示意图;
图4为本发明实施例一种面向作物分类的遥感数据处理装置的结构示意图;
图5为本发明实施例一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一种面向作物分类的遥感数据处理方法的流程示意图,如图1所示,包括:
步骤11,根据所述遥感数据中的研究区空间位置信息解析格网编码序列,获取研究区全覆盖的格网;
步骤12,根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集,建立所述格网与所述时相数据间的映射关系;
步骤13,以所述格网为单元,基于所述格网与时相数据间的映射关系,进行特征计算,将计算结果按照时间顺序合成时序特征集;
步骤14,对于含样本栅格文件的格网,叠加所述时序特征集和样本栅格文件,得到样本特征表,将所述样本特征表合成样本特征总集,以对所述研究区的作物进行分类。
格网是指按照一定的经纬度或地面距离将地表分割成连续规则的多边形,从而对多源多时相遥感数据进行多级、多层次管理。
将研究区域按平面坐标或地球经纬线划分格网,以格网为单元,描述或表达其中的属性分类、统计分级以及变化参数,在多源多时相遥感数据存储、管理、整合、计算和表达等众多方面均表现出良好的实用性。
为解决处理多时相遥感数据时,需要针对研究区进行大量的拼接、裁剪工作,使得后续的分类过程较冗余,效率较低的问题,本发明实施例在多级栅格数据清洗与重组格网体系(Raster Dataset Clean&Reconstitution Multil-grid,以下简称RDCRMG)下,提出了一种面向作物分类的遥感数据处理方法。RDCRMG是在横轴墨卡托投影平面参考下基于不同间隔在研究区域建立多层次的格网体系,不同遥感数据对应到不同的格网层次,在此基础上以格网为单元对遥感数据进行剖分和重组,格网内部数据基于栅格模型组织存储并建立像元像方坐标与格网便捷物方坐标的数学关系,以统一多源遥感数据组织规则,简化数据提取与处理过程。
在格网空间基准方面,RDCRMG选择的是通用横墨卡托格网系统(UniversalTransverse Mercartor Grid System,以下简称UTM)分带投影平面坐标系的基础上划分格网体系,基于平面投影的格网划分空间数学基础明晰,划分规则清楚,格网与坐标之间的计算简单,同一尺度格网面积、形状一致,适应于局部范围遥感数据提取与计算。
首先接收研究区的多时相遥感数据,多时相指反映一组遥感影像在时间系列上具有的特征。广义地讲,凡是在不同时间获取的同一地域的一组影像、地图或地理数据,都可视为“多时相”的数据。遥感技术特别是卫星遥感具有按固定周期实现对地球重复覆盖的能力,能提供各种时间分辨率的多时相遥感影像,满足动态分析的要求。多时相遥感数据的对比和综合分析,是研究和追踪自然历史演变轨迹、监测环境和资源动态变化的重要和有效手段。遥感数据中包括两个信息,一个是研究区空间位置信息,另一个是生育期时相数据。
根据所述遥感数据中的研究区空间位置信息解析格网编码序列,获取研究区全覆盖的格网,即根据研究区空间位置信息和格网编码序列,寻找到全部包括在该研究区范围内的格网。具体的,从研究区空间位置信息中可以获取到研究区的左上角和右下角的坐标,从而根据左上角和右下角的坐标获取研究区的最小外包络矩形,再找到全部包括在该最小外包络矩形里的格网,作为进一步的研究对象。
根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集,建立所述格网与所述时相数据间的映射关系,该步骤的目的是为了确定参与计算的时相。时相的含义,是指随着环境条件的周期性变化,群落中各种生物的生长发育都相应有规律地进行,使群落表现出不同的时相。针对每一个格网,都有各自的时相数据,首先要获取所有格网的生育期时相交集,参与计算,再建立格网与时相数据间的映射关系。
随后,以所述格网为单元,基于所述格网与时相数据间的映射关系,进行特征计算,将计算结果按照时间顺序合成时序特征集。特征计算指的是,基于映射关系,找到需要被计算的栅格文件,计算植被指数(特征就是这些植被指数)。计算完之后,每个格网里的所有特征按照时间顺序波段合成为时序特征集。其中,栅格文件是将格网中的数据存储为栅格数据的形式存储得到,每个栅格文件在存的时候都是有时间标签的,每个栅格文件计算出来的特征也带着相对应的时间标签,所以他们能够按照时间顺序波段合成。
样本栅格文件是前期实地采得的数据,采得之后的数据为矢量格式,将其转成栅格文件,存进格网里,即可得到样本栅格文件。随机布设的样本会转换成栅格格式,裁到格网里,造成有的格网有样本,有的没有,有样本的格网就是含样本栅格文件的格网。对于含样本栅格文件的格网,叠加时序特征集和样本栅格文件,提取栅格样本文件覆盖的部分的特征,得到样本特征表,将所述样本特征表合成样本特征总集,用于对作物分类。
本发明实施例提供的一种面向作物分类的遥感数据处理方法,在UTM分带投影平面坐标系的基础上划分格网体系,基于RDCRMG以格网为单元对遥感数据进行剖分和重组,面对遥感影像成像的不均匀,解析研究区覆盖范围的格网序列,以便从大量成像影像中,快速挑选研究区内的可用数据进行计算,减少数据冗余,同时,格网划分空间数学基础明晰,划分规则清楚,格网与坐标之间的计算简单,同一尺度格网面积、形状一致,简化了数据提取与处理过程,实现了研究区内多时相遥感数据的快速组织和计算,减少了分类过程中的冗余计算,提高了作物分类效率,降低人工参与。
在上述实施例的基础上,所述根据遥感数据中的研究区空间位置信息解析格网编码序列,具体包括:
若判断获知所述研究区空间位置信息为研究区跨UTM投影带,则根据所述UTM投影带拆分所述研究区空间位置信息,对拆分后的研究区空间位置信息分别解析所述格网编码序列;
否则,直接解析所述格网编码序列。
所述解析所述格网编码序列,具体包括:
基于RDCRMG格网划分标准将空间查询条件转换到平面坐标下;
在所述平面坐标下,根据所述研究区空间位置信息获取研究区对应的外包络矩形;
基于所述外包络矩形获取所述研究区全覆盖的格网。
在格网空间基准方面,RDCRMG选择的是UTM分带投影平面坐标系的基础上划分格网体系,基于平面投影的格网划分空间数学基础明晰,划分规则清楚,格网与坐标之间的计算简单,同一尺度格网面积、形状一致,适应于局部范围遥感数据提取与计算。在根据研究区空间位置信息解析格网编码序列之前,首先根据研究区空间位置信息来判断该研究区是否跨UTM投影带,具体的,基于RDCRMG格网划分标准将空间查询条件转换到平面坐标下,根据研究区空间位置信息获取到研究区左上角和右下角的坐标,得到对应的最小外包络矩形,进而判断该外包络矩形是否跨UTM投影带。若研究区跨UTM投影带,则根据UTM投影带将研究区进行拆分,拆分之后分别独立的解析格网编码序列;若研究区不跨UTM投影带,则直接解析格网编码序列。最终,得到研究区全覆盖的格网。
本发明实施例提供的一种面向作物分类的遥感数据处理方法,在UTM分带投影平面坐标系的基础上划分格网体系,基于RDCRMG以格网为单元对遥感数据进行剖分和重组,格网划分空间数学基础明晰,划分规则清楚,格网与坐标之间的计算简单,同一尺度格网面积、形状一致,简化了数据提取与处理过程,实现了研究区内多时相遥感数据的快速组织和计算,减少了分类过程中的冗余计算,提高了作物分类效率,降低人工参与。
在上述实施例的基础上,所述根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集,具体包括:
根据所述研究区生育期时相数据和所述格网获取每个格网包含的生育期时相集;
根据迭代求交算法获取所述格网生育期时相交集,其中:
T=t1∩t2∩...∩tn,
T为所述格网生育期时相交集,ti为每个格网包含的生育期时相集,n表示第n个所述格网。
每一个格网,都有各自的时相数据,获取所有格网的生育期时相交集,是为了满足一般监督分类所要求的所有样本特征的一致性,统一进行比较和计算。本发明实施例中,采用的是迭代求交算法获取格网生育期时相交集,用ti表示每个格网包含的生育期时相集,T表示格网生育期时相交集,则采用迭代求交算法得到的格网生育期时相交集为:
T=t1∩t2∩...∩tn。
本发明实施例提供的一种面向作物分类的遥感数据处理方法,在UTM分带投影平面坐标系的基础上划分格网体系,基于RDCRMG以格网为单元对遥感数据进行剖分和重组,格网划分空间数学基础明晰,划分规则清楚,格网与坐标之间的计算简单,同一尺度格网面积、形状一致,简化了数据提取与处理过程,实现了研究区内多时相遥感数据的快速组织和计算,减少了分类过程中的冗余计算,提高了作物分类效率,降低人工参与,同时,满足了所有样本特征的一致性。
在上述实施例的基础上,在所述根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集之前,所述方法还包括:
针对不同传感器的遥感数据中处于成像重叠区的格网,基于影像覆盖度和含云量进行数据选择。
所述基于影像覆盖度和含云量进行数据选择,具体包括:
若判断获知所述处于成像重叠区的格网仅被一影像全覆盖,则选择所述一影像作为对应的遥感数据;
若判断获知所述处于成像重叠区的格网被多影像全覆盖,则选择所述多影像中含云量最低的影像作为对应的遥感数据;
若判断获知没有影像全覆盖所述成像重叠区的格网,则对格网内的影像数据进行拼接,得到对应的遥感数据。
针对不同传感器的遥感数据中处于成像重叠区的格网,需要进行数据的优选,选择出更合适的影像重叠区内格网数据。
针对不同传感器的成像重叠区格网,本发明实施例从影像覆盖度和含云量两方面进行数据优选。图2为本发明实施例基于格网的遥感数据优选算法的流程示意图,如图2所示,包括:
步骤21,对于成像重叠区格网首先判断多景数据是否全覆盖格网,若是,执行步骤22,若否,执行步骤23;
步骤22,若仅有一景全覆盖,执行步骤24,若有多景全覆盖,执行步骤25;
步骤23,直接进行进行格网内数据拼接和影像融合;
步骤24,直接选择此影像数据进行计算;
步骤25,挑选含云量最低的影像进行计算。
本发明实施例提供的一种面向作物分类的遥感数据处理方法,在UTM分带投影平面坐标系的基础上划分格网体系,基于RDCRMG以格网为单元对遥感数据进行剖分和重组,格网划分空间数学基础明晰,划分规则清楚,格网与坐标之间的计算简单,同一尺度格网面积、形状一致,简化了数据提取与处理过程,实现了研究区内多时相遥感数据的快速组织和计算,减少了分类过程中的冗余计算,提高了作物分类效率,降低人工参与,同时,从影像覆盖度和含云量两方面进行数据优选,保证了各景影像边界的完整性,同时保证了更加优质的影像进行后续计算。
在上述实施例的基础上,在所述将所述样本特征表合成样本特征总集之后,所述方法还包括:
根据预设比例将所述样本特征总集随机分为训练样本表和测试样本表,所述训练样本表用于训练随机森林模型,对所述格网进行分类,所述测试样本用于对分类结果进行验证。
面对含样本栅格文件的格网,计算完时序特征集后叠加样本栅格文件,计算样本特征表的计算。例如,所有样本特征表计算完成之后合成样本特征总集,按照2:1的比例随机分为训练样本表和测试样本表,训练样本用于训练随机森林模型对每一个格网进行分类,测试样本用于对分类结果验证。
本发明实施例提供的一种面向作物分类的遥感数据处理方法,在UTM分带投影平面坐标系的基础上划分格网体系,基于RDCRMG以格网为单元对遥感数据进行剖分和重组,格网划分空间数学基础明晰,划分规则清楚,格网与坐标之间的计算简单,同一尺度格网面积、形状一致,简化了数据提取与处理过程,实现了研究区内多时相遥感数据的快速组织和计算,减少了分类过程中的冗余计算,提高了作物分类效率,降低人工参与。
图3为本发明实施例又一面向作物分类的遥感数据处理方法的流程示意图,如图3所示,包括:
步骤301,获取遥感数据中的研究区空间位置信息和生育期时相数据;
步骤302,根据研究区空间位置信息判断研究区是否跨UTM投影带,若研究区跨UTM投影带,执行步骤303,否则执行步骤304;
步骤303,拆分地理范围,各带独立计算;
步骤304,根据研究区空间位置信息解析格网编码序列;
步骤305,根据生育期时相数据求取生育期时相交集;
步骤306,对成像重叠区格网进行数据优选,建立格网与时相数据间的映射关系;
步骤307,针对每个格网判断是否含样本栅格文件,对于不含样本栅格文件的格网执行步骤308,对于含样本栅格文件的格网执行步骤309;
步骤308,对于不含样本栅格文件的格网,计算特征,合成时序特征集;
步骤309,对于含样本栅格文件的格网计算特征,合成时序特征集;
步骤310,对于含样本栅格文件的格网,叠加时序特征集合样本栅格文件,提取样本特征表;
步骤311,提取并合成所有样本特征表,得到样本特征总集;
步骤312,按照一定的比例,随机将样本特征总集的数据分为训练样本表和测试样本表,训练样本表用于训练随机森林模型,对格网进行分类,测试样本用于对分类结果进行验证。
本发明实施例提供的一种面向作物分类的遥感数据处理方法,在UTM分带投影平面坐标系的基础上划分格网体系,基于RDCRMG以格网为单元对遥感数据进行剖分和重组,面对遥感影像成像的不均匀,解析研究区覆盖范围的格网序列,以便从大量成像影像中,快速挑选研究区内的可用数据进行计算,减少数据冗余,同时,格网划分空间数学基础明晰,划分规则清楚,格网与坐标之间的计算简单,同一尺度格网面积、形状一致,简化了数据提取与处理过程,实现了研究区内多时相遥感数据的快速组织和计算,减少了分类过程中的冗余计算,提高了作物分类效率,降低人工参与。
图4为本发明实施例一种面向作物分类的遥感数据处理装置的结构示意图,如图4所示,包括获取模块41、映射模块42、第一处理模块43和第二处理模块44,其中:
获取模块41用于根据所述遥感数据中的研究区空间位置信息解析格网编码序列,获取研究区全覆盖的格网;
映射模块42用于根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集,建立所述格网与所述时相数据间的映射关系;
第一处理模块43用于以所述格网为单元,基于所述格网与时相数据间的映射关系,进行特征计算,将计算结果按照时间顺序合成时序特征集;
第二处理模块44用于对于含样本栅格文件的格网,叠加所述时序特征集和样本栅格文件,得到样本特征表,将所述样本特征表合成样本特征总集,以对所述研究区的作物进行分类。
首先获取模块41接收研究区的多时相遥感数据,多时相指反映一组遥感影像在时间系列上具有的特征。广义地讲,凡是在不同时间获取的同一地域的一组影像、地图或地理数据,都可视为“多时相”的数据。遥感技术特别是卫星遥感具有按固定周期实现对地球重复覆盖的能力,能提供各种时间分辨率的多时相遥感影像,满足动态分析的要求。遥感数据中包括两个信息,一个是研究区空间位置信息,另一个是生育期时相数据。
获取模块41根据所述遥感数据中的研究区空间位置信息解析格网编码序列,获取研究区全覆盖的格网,即根据研究区空间位置信息和格网编码序列,寻找到全部包括在该研究区范围内的格网。具体的,从研究区空间位置信息中可以获取到研究区的左上角和右下角的坐标,从而根据左上角和右下角的坐标获取研究区的最小外包络矩形,再找到全部包括在该最小外包络矩形里的格网,作为进一步的研究对象。
映射模块42根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集,建立所述格网与所述时相数据间的映射关系,映射模块42的作用是为了确定参与计算的时相。时相的含义,是指随着环境条件的周期性变化,群落中各种生物的生长发育都相应有规律地进行,使群落表现出不同的时相。针对每一个格网,都有各自的时相数据,首先要获取所有格网的生育期时相交集,参与计算,再建立格网与时相数据间的映射关系。
随后,第一处理模块43以所述格网为单元,基于所述格网与时相数据间的映射关系,进行特征计算,将计算结果按照时间顺序合成时序特征集。特征计算指的是,基于映射关系,找到需要被计算的栅格文件,计算植被指数(特征就是这些植被指数)。计算完之后,每个格网里的所有特征按照时间顺序波段合成为时序特征集。其中,栅格文件是将格网中的数据存储为栅格数据的形式存储得到,每个栅格文件在存的时候都是有时间标签的,每个栅格文件计算出来的特征也带着相对应的时间标签,所以他们能够按照时间顺序波段合成。
样本栅格文件是前期实地采得的数据,采得之后的数据为矢量格式,将其转成栅格文件,存进格网里,即可得到样本栅格文件。随机布设的样本会转换成栅格格式,裁到格网里,造成有的格网有样本,有的没有,有样本的格网就是含样本栅格文件的格网。对于含样本栅格文件的格网,第二处理模块44叠加时序特征集和样本栅格文件,得到样本特征表,将所述样本特征表合成样本特征总集,用于对作物分类。
本发明实施例提供的装置是用于执行上述各方法实施例的,具体的流程和详细介绍请参见上述各方法实施例,此处不再赘述。
本发明实施例提供的一种面向作物分类的遥感数据处理装置,在UTM分带投影平面坐标系的基础上划分格网体系,基于RDCRMG以格网为单元对遥感数据进行剖分和重组,面对遥感影像成像的不均匀,解析研究区覆盖范围的格网序列,以便从大量成像影像中,快速挑选研究区内的可用数据进行计算,减少数据冗余,同时,格网划分空间数学基础明晰,划分规则清楚,格网与坐标之间的计算简单,同一尺度格网面积、形状一致,简化了数据提取与处理过程,实现了研究区内多时相遥感数据的快速组织和计算,减少了分类过程中的冗余计算,提高了作物分类效率,降低人工参与。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和总线540,其中,处理器510,通信接口520,存储器530通过总线540完成相互间的通信。总线540可以用于电子设备与传感器之间的信息传输。处理器510可以调用存储器530中的逻辑指令,以执行如下方法:根据所述遥感数据中的研究区空间位置信息解析格网编码序列,获取研究区全覆盖的格网;根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集,建立所述格网与所述时相数据间的映射关系;以所述格网为单元,基于所述格网与时相数据间的映射关系,进行特征计算,将计算结果按照时间顺序合成时序特征集;对于含样本栅格文件的格网,叠加所述时序特征集和样本栅格文件,得到样本特征表,将所述样本特征表合成样本特征总集,以对所述研究区的作物进行分类。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令使计算机执行上述实施例所提供的伪基站定位方法,例如包括:根据所述遥感数据中的研究区空间位置信息解析格网编码序列,获取研究区全覆盖的格网;根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集,建立所述格网与所述时相数据间的映射关系;以所述格网为单元,基于所述格网与时相数据间的映射关系,进行特征计算,将计算结果按照时间顺序合成时序特征集;对于含样本栅格文件的格网,叠加所述时序特征集和样本栅格文件,得到样本特征表,将所述样本特征表合成样本特征总集,以对所述研究区的作物进行分类。
作为本发明的又一个实施例,提供一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,该计算机程序包括程序指令,当程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:根据所述遥感数据中的研究区空间位置信息解析格网编码序列,获取研究区全覆盖的格网;根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集,建立所述格网与所述时相数据间的映射关系;以所述格网为单元,基于所述格网与时相数据间的映射关系,进行特征计算,将计算结果按照时间顺序合成时序特征集;对于含样本栅格文件的格网,叠加所述时序特征集和样本栅格文件,得到样本特征表,将所述样本特征表合成样本特征总集,以对所述研究区的作物进行分类。
以上所述仅为本发明的优选实施例,并不用于限制本发明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充,但并不会偏离本发明的精神或者超越所附权利要求书定义的范围。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种面向作物分类的遥感数据处理方法,其特征在于,包括:
根据所述遥感数据中的研究区空间位置信息解析格网编码序列,获取研究区全覆盖的格网;
根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集,建立所述格网与所述时相数据间的映射关系;
以所述格网为单元,基于所述格网与时相数据间的映射关系,进行特征计算,将计算结果按照时间顺序合成时序特征集;
对于含样本栅格文件的格网,叠加所述时序特征集和样本栅格文件,得到样本特征表,将所述样本特征表合成样本特征总集,以对所述研究区的作物进行分类;
其中,所述根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集,具体包括:
根据所述研究区生育期时相数据和所述格网获取每个格网包含的生育期时相集;
根据迭代求交算法获取所述格网生育期时相交集,其中:
T=t1∩t2∩...∩tn,
T为所述格网生育期时相交集,ti为每个格网包含的生育期时相集,n表示第n个所述格网。
2.根据权利要求1所述的方法,其特征在于,所述根据遥感数据中的研究区空间位置信息解析格网编码序列,具体包括:
若判断获知所述研究区空间位置信息为研究区跨UTM投影带,则根据所述UTM投影带拆分所述研究区空间位置信息,对拆分后的研究区空间位置信息分别解析所述格网编码序列;
否则,直接解析所述格网编码序列。
3.根据权利要求2所述的方法,其特征在于,所述解析所述格网编码序列,具体包括:
基于RDCRMG格网划分标准,将空间查询条件转换到平面坐标下;
在所述平面坐标下,根据所述研究区空间位置信息获取研究区对应的外包络矩形;
基于所述外包络矩形获取所述研究区全覆盖的格网。
4.根据权利要求1所述的方法,其特征在于,在所述根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集之前,所述方法还包括:
针对不同传感器的遥感数据中处于成像重叠区的格网,基于影像覆盖度和含云量进行数据选择。
5.根据权利要求4所述的方法,其特征在于,所述基于影像覆盖度和含云量进行数据选择,具体包括:
若判断获知所述处于成像重叠区的格网仅被一影像全覆盖,则选择所述一影像作为对应的遥感数据;
若判断获知所述处于成像重叠区的格网被多影像全覆盖,则选择所述多影像中含云量最低的影像作为对应的遥感数据;
若判断获知没有影像全覆盖所述成像重叠区的格网,则对格网内的影像数据进行拼接,得到对应的遥感数据。
6.根据权利要求1-5任一项所述的方法,其特征在于,在所述将所述样本特征表合成样本特征总集之后,所述方法还包括:
根据预设比例将所述样本特征总集随机分为训练样本表和测试样本表,所述训练样本表用于训练随机森林模型,对所述格网进行分类,所述测试样本用于对分类结果进行验证。
7.一种面向作物分类的遥感数据处理装置,其特征在于,包括:
获取模块,用于根据所述遥感数据中的研究区空间位置信息解析格网编码序列,获取研究区全覆盖的格网;
映射模块,用于根据所述遥感数据中的研究区生育期时相数据和所述格网,获取所述格网生育期时相交集,建立所述格网与所述时相数据间的映射关系;
第一处理模块,用于以所述格网为单元,基于所述格网与时相数据间的映射关系,进行特征计算,将计算结果按照时间顺序合成时序特征集;
第二处理模块,用于对于含样本栅格文件的格网,叠加所述时序特征集和样本栅格文件,得到样本特征表,将所述样本特征表合成样本特征总集,以对所述研究区的作物进行分类;
其中,所述面向作物分类的遥感数据处理装置,还用于根据所述研究区生育期时相数据和所述格网获取每个格网包含的生育期时相集;根据迭代求交算法获取所述格网生育期时相交集,其中:
T=t1∩t2∩...∩tn,
T为所述格网生育期时相交集,ti为每个格网包含的生育期时相集,n表示第n个所述格网。
8.一种电子设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述面向作物分类的遥感数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811033422.3A CN109460700B (zh) | 2018-09-05 | 2018-09-05 | 一种面向作物分类的遥感数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811033422.3A CN109460700B (zh) | 2018-09-05 | 2018-09-05 | 一种面向作物分类的遥感数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109460700A CN109460700A (zh) | 2019-03-12 |
CN109460700B true CN109460700B (zh) | 2020-11-10 |
Family
ID=65606539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811033422.3A Active CN109460700B (zh) | 2018-09-05 | 2018-09-05 | 一种面向作物分类的遥感数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109460700B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163303B (zh) * | 2019-06-03 | 2022-01-11 | 中国农业大学 | 一种基于格网的遥感影像并行分类方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及系统 |
CN107403157A (zh) * | 2017-07-28 | 2017-11-28 | 中国科学院东北地理与农业生态研究所 | 基于modis数据的区域大尺度作物种植结构提取方法 |
CN107480706A (zh) * | 2017-07-24 | 2017-12-15 | 中国农业大学 | 一种制种玉米田遥感识别方法及装置 |
CN107766471A (zh) * | 2017-09-27 | 2018-03-06 | 中国农业大学 | 一种多源数据的组织管理方法与装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446288B (zh) * | 2017-08-01 | 2023-10-17 | 北京四维新世纪信息技术有限公司 | 一种面向遥感瓦片数据的一次全覆盖检索方法 |
-
2018
- 2018-09-05 CN CN201811033422.3A patent/CN109460700B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及系统 |
CN107480706A (zh) * | 2017-07-24 | 2017-12-15 | 中国农业大学 | 一种制种玉米田遥感识别方法及装置 |
CN107403157A (zh) * | 2017-07-28 | 2017-11-28 | 中国科学院东北地理与农业生态研究所 | 基于modis数据的区域大尺度作物种植结构提取方法 |
CN107766471A (zh) * | 2017-09-27 | 2018-03-06 | 中国农业大学 | 一种多源数据的组织管理方法与装置 |
Non-Patent Citations (2)
Title |
---|
叶思菁.大数据环境下遥感图谱应用方法研究.《中国博士学位论文全文数据库 农业科技辑》.2016,(第8期),D043-3. * |
郝鹏宇.基于多时相遥感数据的农作物分类研究.《中国博士学位论文全文数据库 农业科技辑》.2017,(第12期),D043-3. * |
Also Published As
Publication number | Publication date |
---|---|
CN109460700A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241846B (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
US20170169605A1 (en) | Automated generation of digital elevation models | |
CN107679476B (zh) | 一种海冰类型遥感分类方法 | |
CN112749627A (zh) | 一种基于多源遥感影像的烟草动态监测的方法和装置 | |
Mas et al. | A suite of tools for assessing thematic map accuracy | |
CN108153861B (zh) | 基于gis的河口渔业资源集群分布分析方法 | |
CN110163303B (zh) | 一种基于格网的遥感影像并行分类方法及系统 | |
CN110070488A (zh) | 一种基于卷积神经网络的多角度遥感影像森林高度提取方法 | |
Fassnacht et al. | Remote sensing in forestry: Current challenges, considerations and directions | |
CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
CN112966548A (zh) | 一种大豆地块识别方法及系统 | |
CN115375868A (zh) | 地图显示和遥感地图显示方法、计算设备以及存储介质 | |
CN105205051B (zh) | 移动通信资源的分析方法和系统 | |
CN116127327B (zh) | 森林地上生物量反演方法、装置、设备以及存储介质 | |
CN115630567A (zh) | 一种海岸带土壤有机碳储量模拟及预测方法 | |
Kulawiak et al. | Application of Web-GIS for dissemination and 3D visualization of large-volume LIDAR data | |
CN109460700B (zh) | 一种面向作物分类的遥感数据处理方法及装置 | |
Krooks et al. | WebGL visualisation of 3D environmental models based on finnish open geospatial data sets | |
CN114239250B (zh) | 一种国土空间规划设计的系统和方法 | |
CN116307086A (zh) | 一种土壤有机碳的预测方法及装置 | |
CN107845084B (zh) | 一种基于移动端的遥感影像数据处理系统及数据处理方法 | |
Tipton et al. | Sampling intensity and normalizations: exploring cost-driving factors in nationwide mapping of tree canopy cover | |
Abujayyab et al. | Automating an integrated spatial data-mining model for landfill site selection | |
CN115424131B (zh) | 一种云检测最优阈值选取方法、云检测方法及系统 | |
CN117592004B (zh) | Pm2.5浓度卫星监测方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |