CN102215666A - 植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器 - Google Patents

植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器 Download PDF

Info

Publication number
CN102215666A
CN102215666A CN2009801457435A CN200980145743A CN102215666A CN 102215666 A CN102215666 A CN 102215666A CN 2009801457435 A CN2009801457435 A CN 2009801457435A CN 200980145743 A CN200980145743 A CN 200980145743A CN 102215666 A CN102215666 A CN 102215666A
Authority
CN
China
Prior art keywords
image
radar
backscattering coefficient
radar image
benchmark
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.)
Granted
Application number
CN2009801457435A
Other languages
English (en)
Other versions
CN102215666B (zh
Inventor
力丸厚
高桥一义
岛村秀树
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nagaoka University of Technology NUC
Pasco Corp
Original Assignee
Nagaoka University of Technology NUC
Pasco Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nagaoka University of Technology NUC, Pasco Corp filed Critical Nagaoka University of Technology NUC
Publication of CN102215666A publication Critical patent/CN102215666A/zh
Application granted granted Critical
Publication of CN102215666B publication Critical patent/CN102215666B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/024—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using polarisation effects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Forests & Forestry (AREA)
  • Environmental Sciences (AREA)
  • Botany (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Electromagnetism (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Ecology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明使得可以使用从诸如人造卫星等的飞行体获得的雷达图像来准确分析长时间段内的植被生长状况。为此，本发明被配置为通过搭载在飞行体上的雷达装置在长时间段内拍摄同一目标区域的地表的雷达图像，并将获取到的多个雷达图像存储在地图数据库内。接着，使用在指定时间拍摄的雷达图像作为基准图像来配准在其它时间拍摄的雷达图像，并提取所述雷达图像中的指定区域的后向散射系数。此外，对于存储在所述地图数据库内的多个雷达图像，基于所述基准图像中的指定区域的后向散射系数来校准其它雷达图像的后向散射系数。然后，基于雷达图像的后向散射系数与植被生长值之间的相互关系，根据其它雷达图像的校准后的后向散射系数来计算在可用雷达图像中所拍摄到的植被的生长值。

Description

植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器
技术领域
本发明涉及适用于利用雷达装置获得的雷达图像数据分析植被生长状况的植被生长状况分析方法、记录有用于执行该方法的处理的计算机程序的记录介质以及植被生长状况分析器；其中，雷达装置搭载在诸如人造卫星等的飞行体上，并对摄像目标区域的广范围地表进行摄像，以获得与地表状况有关的信息。
背景技术
传统上，对于农作物生产的估计和预测(植被生长分析)，已经提出了基于从人造卫星、飞行器等获得的光学遥感数据的算法，并且使用这种算法的植被生长分析已经投入实际使用。然而，在日本，由于四季分明并具有雨季，且一年内有许多下雨天和多云天，所以利用受天气影响的光学遥感难以进行稳定的地表观察。
另外，当在如同日本这样具有从北到南延伸的复杂地形的土地上小量地生产多种农作物时，需要精密的农业管理。然而，迄今为止存在如下情况：除光学遥感数据以外，难以获得高精度的数据以基于该数据掌握农田单位内的生产状况。
另一方面，合成孔径雷达(SAR)可用作测量辐射到地表的电波(微波脉冲)的反射波的有源型传感器的示例。利用微波的特性，合成孔径雷达能够昼夜与天气无关地对广范围地表进行摄像。此外，尽管已有的合成孔径雷达与光学遥感相比在分辨率(精细度)上存在问题，一些前沿的卫星搭载型合成孔径雷达具有1m以下的分辨率，且获得高分辨率的图像正成为可能。
过去利用合成孔径雷达执行的针对农作物的研究包括以下方面：
同时利用光学遥感数据和在一年内的多个时间拍摄的SAR图像来估计水稻种植面积；
基于多波长和多极化的SAR图像估计水稻种植面积；
基于在一年内的多个时间拍摄的SAR图像研究农作物的种类。
这些研究是在国外作出的，并且发表了许多论文，然而，这些研究并不直接产生对诸如水稻等的农作物的生长预测。
接着，正在进行与利用在一年内的多个时间拍摄的SAR图像观测水稻的生长状况有关的研究(例如，见非专利文献1)。
本申请的一些发明人也已经发表了与利用在一年内的多个时间拍摄的SAR图像掌握水稻的生长状况有关的研究的结果(见非专利文献2)。通过非专利文献2所述的研究获得了如图1～图3所示的分析结果。
图1示出在多个时间拍摄的目标区域的雷达图像的示例，且针对各观察日具体地示出了生长和反射特性、水田的状况、水田的水稻覆盖率状况以及雷达图像。在这个示例中，雷达图像是利用RADARSAT的C波段拍摄的。产生了四个时间即5月22日、6月15日、7月9日和8月2日的雷达图像1A、1B、1C和1D，并且根据这些雷达图像可以掌握到水稻的生长状况已经完全改变。
图2示出水稻覆盖率与雷达后向散射(backscatter)系数(来自雷达装置的微波的后向散射成分)之间的关系，并且横轴表示水稻覆盖率(％)，而纵轴表示雷达后向散射系数(dB)。如图2所示，水稻覆盖率与雷达后向散射系数具有强相关性，并且通过对多个观察点的数据(水稻覆盖率和后向散射系数)应用最小二乘法，可以获得表示水稻覆盖率与雷达后向散射系数之间的关系的回归线2。
图3示出各个时间按农田块的雷达后向散射系数分布。因此，通过使用雷达图像产生各个时间按农田块的雷达后向散射系数分布图3A、3B、3C和3D，可以掌握按农田块的水稻的生长状况。
非专利文献1：Zengyuan Li，Guoqing Sun，Mike Wooding，Yong Pang，Yanfang Dong，Erxue Chen and Bingxiang Tan“Rice Monitoring Using Envisat Asar Data in China”，Proc.of the 2004 Envisat & ERS Symposium，Salzburg，Austria 6-10 September 2004(ESA SP-572，April 2005)
非专利文献2：Kazuyoshi Takahashi，Hiroaki Abe，Atsushi Rikimaru，Yukio Mukai，“Grasping Paddy-field Rice Growth Distributions Using Time-series RADARSAT Data”，Japan Society of Photography and Remote Sensing，Annual Academic Lectures，Tokyo Big Sight(Tokyo)，June 17 and 18，2004
发明内容
本发明要解决的问题
然而，尽管非专利文献1说明了与利用多个时间的SAR图像监视水稻有关的研究内容，但并未说明SAR图像的后向散射系数与植被生长之间的关系。
另一方面，非专利文献2所述的研究给出了卫星SAR数据的后向散射系数与植被生长状况的相关性。然而，由于SAR图像的后向散射系数受到摄像时大气层的状况和系统波动的影响，为了利用在多个时间拍摄的SAR图像准确掌握水稻的生长状况，需要校准在不同时间拍摄的SAR图像的后向散射系数。上述研究没有说明对在不同时间拍摄的SAR图像的后向散射系数的校准，且不能说上述研究准确表示了不同时间水稻的生长状况。
本发明是考虑到上述情况而作出的，且目的在于能够使用从诸如人造卫星等的飞行体获得的雷达图像准确地分析一年内多个时间的植被生长状况。
解决问题的手段
根据本发明的一方面，植被生长状况分析方法和其上记录有计算机程序的记录介质包括以下步骤或功能：获取通过搭载在飞行体上的雷达装置在一年内多个时间拍摄的同一目标区域的地表的雷达图像；将在获取步骤获取到的多个雷达图像存储在地图数据库内；在使用存储在所述地图数据库内的多个雷达图像中的、在一年内所述多个时间中的指定时间拍摄的雷达图像作为基准图像的情况下，使所述多个雷达图像中除所述基准图像以外的、在一年内所述多个时间中除所述指定时间以外的其它时间拍摄的其它雷达图像分别与所述基准图像配准；提取所述多个雷达图像中的指定区域的后向散射系数；基于存储在所述地图数据库内的多个雷达图像的基准图像中的指定区域的后向散射系数，对所述多个雷达图像中除所述基准图像以外的其它雷达图像的后向散射系数进行校准；以及基于雷达图像的后向散射系数与雷达图像示出的植被生长值之间的相互关系，根据所述多个雷达图像中除所述基准图像以外的、在校准步骤校准了后向散射系数的其它雷达图像的校准后的后向散射系数，来计算所述其它雷达图像示出的植被生长值。
根据本发明的一方面，植被生长状况分析器包括：获取单元，被配置为获取通过搭载在飞行体上的雷达装置在一年内多个时间拍摄的同一目标区域的地表的雷达图像；存储单元，被配置为将所述获取单元获取到的多个雷达图像存储在地图数据库内；配准单元，被配置为在使用存储在所述地图数据库内的多个雷达图像中的、在一年内所述多个时间中的指定时间拍摄的雷达图像作为基准图像的情况下，使所述多个雷达图像中除所述基准图像以外的、在一年内所述多个时间中除所述指定时间以外的其它时间拍摄的其它雷达图像分别与所述基准图像配准；提取单元，被配置为提取所述多个雷达图像中的指定区域的后向散射系数；校准单元，被配置为基于存储在所述地图数据库内的多个雷达图像的基准图像中的指定区域的后向散射系数，对所述多个雷达图像中除所述基准图像以外的其它雷达图像的后向散射系数进行校准；以及计算单元，被配置为基于雷达图像的后向散射系数与雷达图像示出的植被生长值之间的相互关系，根据所述多个雷达图像中除所述基准图像以外的、由校准单元校准了后向散射系数的其它雷达图像的校准后的后向散射系数，来计算所述其它雷达图像示出的植被生长值。
根据本发明的一方面，基于在指定时间拍摄的雷达图像的后向散射系数，来校准在各个时间拍摄的雷达图像的后向散射系数。接着，基于校准后的后向散射系数，来计算各个时间的雷达图像中示出的植被生长值。因此，可以计算表示各个时间诸如农作物等的植被的准确生长状况的生长值。
本发明的效果
如上所述，根据本发明，可以使用从飞行体获得的一年内多个时间的雷达图像来准确分析多个时间的植被生长状况。
附图说明
图1是示出在多个时间拍摄的雷达图像的示例的图。
图2是示出水稻覆盖率与雷达后向散射系数之间的关系的图。
图3是示出按农田块的雷达后向散射系数的例示分布图的图。
图4是示出根据本发明实施例的系统的概要的图。
图5是示出根据本发明实施例的植被生长状况分析器的内部结构的框图。
图6是用于说明角反射器的图。
图7是用于说明角反射器的另一图。
图8是示出(应用了中值滤波的)特征区域的后向散射系数的图。
图9是示出(应用了中值滤波的)特征区域的后向散射系数随时间变化的图。
图10是示出(购物中心的停车区域的情况下)校正(滤波处理)后向散射系数的效果的图。
图11是示出(调节池(regulating reservoir)的情况下)校正(滤波处理)后向散射系数的效果的图。
图12是示出根据本发明实施例的分析水稻生长状况的处理的流程图。
图13A是示出已进行后向散射系数校准之后的(8月11日的)雷达图像的图，并且图13B是示出用于校准的校准线的图。
图14是示出农田的后向散射系数分布图的示例的图。
图15是示出种植水稻的农田的平均后向散射系数随时间变化的图。
图16是示出个人计算机的内部结构的示例的框图。
具体实施方式
以下，将参考附图说明用于执行本发明的最佳方式的示例。将根据以下项目依序进行说明。
1.系统概要
2.植被生长状况分析器
3.水稻生长预测处理
4.测量结果等
5.其它
1.系统概要
图4示出应用本发明的植被生长状况分析器的系统的概要。
在本实施例中，作为雷达装置的示例，合成孔径雷达(SAR)搭载在人造卫星上，并且合成孔径雷达根据来自数据分析中心12的指令拍摄地表的照片。此后，将搭载在人造卫星上的合成孔径雷达称为“卫星SAR”。
搭载在人造卫星上的卫星SAR 11在围绕预定轨道运行时定期地或者根据来自数据分析中心12的指令在需要时拍摄地表上的农田13的照片，并将拍摄的照片的数据(雷达图像数据)发送至数据分析中心12。在这个示例中，假定水稻作为农作物种植在农田13中。
数据分析中心12按照生长历(growth calendar)生成摄像计划，将包括基于摄像计划的摄像指令的无线信号发送至卫星SAR 11，并经由天线接收卫星SAR 11拍摄的照片的数据(雷达图像数据)。
下文将说明的植被生长状况分析器20对接收到的雷达图像数据执行合成孔径处理和指定的校正(校准)，并生成雷达后向散射系数(也简称为“后向散射系数”)已经校准了的多个时间的雷达图像和校准了的后向散射系数的分布图等。
为了实时执行目标区域中的水稻的生长评价，在本发明中，基于初始获得的图像或在指定时间获得的图像，对目标区域的时间序列图像的后向散射系数值执行校准。通过如上对后向散射系数值执行校准，可以实现考虑到与摄像时间对应的变动的影响的、更实用的水稻生长预测系统。
对于用于校准时间序列图像的后向散射系数值的方法，可以想到以下的三个方法。
(1)将基准反射板(例如，角反射器)放置在目标区域中、从所获得的目标区域的SAR图像提取基准反射板的后向散射系数值、并且利用所提取出的值来获得用于校准时间序列图像的后向散射系数值的回归线(校准线)的方法
(2)从所获得的SAR图像提取低变动区域、并使用所述低变动区域的后向散射系数值来获得用于校准时间序列图像的后向散射系数值的回归线(校准线)的方法
(3)结合方法(1)和方法(2)的方法
2.植被生长状况分析器
植被生长状况分析器的构成
图5示出根据本发明实施例的植被生长状况分析器20的功能框图。植被生长状况分析器20执行上述对时间序列图像的后向散射系数值的校准，并生成用于预测植被生长状况的数据。假定植被生长状况分析器20安装在数据分析中心12中，然而，植被生长状况分析器20可以与卫星SAR 11一同搭载在卫星上或者分布在数据分析中心12和卫星SAR 11上。可通过软件或硬件或者软硬件的结合来实现植被生长状况分析器20的各功能。
本实施例的植被生长状况分析器20包括I/F单元21、摄像决定单元22、雷达图像存储单元24、配准单元25、基准反射板后向散射系数提取单元27、后向散射系数判别处理单元28和地标(terrestrial object)后向散射系数提取单元29。此外，植被生长状况分析器20包括后向散射系数存储单元30、校准后向散射系数计算单元31、校准线计算单元32、后向散射系数校准单元33、生长值计算单元34、农田统合(consolidation)计算单元36和输出单元38。此外，植被生长状况分析器20包括生长历数据库(下文称为生长历DB)23A、摄像计划数据库(下文称为摄像计划DB)23B、地图数据库(下文称为地图DB)26、生长模型数据库(下文称为生长模型DB)35和农田地图数据库(下文称为农田地图DB)37。
I/F单元21是获取单元的一部分，并设置有用于输入卫星SAR 11拍摄的照片的数据的所谓的接口的功能。I/F单元21设置有通信单元的功能，并可以将来自摄像决定单元22的指令发送至卫星SAR 11以使卫星SAR 11执行摄像。拍摄的照片的数据是基于登记在生长历DB 23A中的水稻生长历和登记在摄像计划DB 23B中的卫星摄像时间(周期)以计划好的方式拍摄的雷达图像的数据。
在例如水稻的情况下，生长历是从五月份的水稻移植阶段开始包括分蘖阶段、分蘖高峰阶段、幼穗形成阶段、抽穗阶段、成熟阶段以及九月份的完全成熟阶段的种植历。当前发射入轨道的搭载有合成孔径雷达的人造卫星包括例如观察周期为11天的那种人造卫星。
摄像决定单元22在考虑生长历和卫星的摄像周期的情况下作出与将雷达图像输入I/F单元21的时间有关的决定。下面示出排定的摄像日期(数据获取日期)的示例。
Figure BPA00001372351700091
Figure BPA00001372351700101
摄像决定单元22可以被配置为根据执行水稻生长评价的目标区域来设置要拍摄的图像的像素大小。例如，当执行详细评价时，优选将地面分辨率设置为高(例如，至1m)。
雷达图像存储单元24将在指定时间拍摄的时间序列雷达图像存储在地图DB 26中。地图DB 26是由诸如硬盘、闪存等的非易失性存储器构成的。
配准单元25对雷达图像执行几何(位置)处理，以使得可以根据存储在地图DB 26中的地图数据使雷达图像重合在地图上。此外，配准单元25将已进行配准后的雷达图像提供给后向散射系数校准单元33、基准反射板后向散射系数提取单元27和地标后向散射系数提取单元29。
基准反射板后向散射系数提取单元27提取出现在雷达图像中的基准反射板的后向散射系数。对于上述基准反射板，可以应用各种反射板，例如“ Calibration and Validation Experiments of Synthetic Aperture Radar PALSAR on Board of the Advanced L
如果在观察目标区域中使用反射板，则分别提取在一年内的两个时间拍摄的雷达图像中出现的反射板的后向散射系数值，获得用于基于基准图像的后向散射系数值对后向散射系数执行校准的校准线，并且使用所获得的校准线校准随后拍摄的或者其它时间拍摄的其它图像的后向散射系数。此外，如文献1所述，优选地在按需要根据辐射到地表的微波的频带(波长)和人造卫星的轨道(摄像方向)适当调节面积、形状、单元的数量以及方向的情况下安装反射板。
基准反射板(角反射器)
图6是示出在任意观察目标区域中安装角反射器作为反射板时的雷达图像和雷达图像的后向散射系数的测量结果的图。图的左侧部分示出雷达图像，图的右侧部分示出后向散射系数的直方图(频率分布)的图。
图6所示的5月7日的雷达图像41中出现的与角反射器41a相对应的像素的数量、即后向散射系数是0dB以上的像素的数量为4，并且与角反射器41a相对应的像素的平均后向散射系数为5.13dB。同样地，图7所示的8月11日的雷达图像45中出现的与角反射器45a相对应的像素的数量为14，并且与角反射器45a相对应的像素的平均后向散射系数为5.61dB。
因此，与角反射器相对应的像素的数量以及与角反射器相对应的像素的平均后向散射系数根据时间而变化，并因此在后向散射系数的校准上反映这个信息。
后向散射系数判别处理单元28判断基准反射板后向散射系数提取单元27提取的基准反射板的后向散射系数是否适于使用，并且当所提取的基准反射板的后向散射系数处于饱和状态时、即当在基准图像中除安装角反射器的位置以外的其它位置处存在与角反射器具有相同的后向散射系数值(例如，上述的角反射器的平均后向散射系数)的像素时，不使用基准反射板后向散射系数提取单元27提取的后向散射系数。这是因为当基准反射板的后向散射系数处于饱和状态时，不能获得与基准反射板的后向散射系数有关的准确信息，从而不能执行正确的校准。
地标后向散射系数提取单元29提取雷达图像中出现的地标(人工建筑物、池塘、操场等)的后向散射系数。基于地标后向散射系数提取单元29提取的后向散射系数来确定雷达图像中的低变动区域。作为替代，基于已有的数据预先指定示出低变动区域的特征的地标，并可以利用这样的地标。
多个时间多个点的雷达后向散射系数
图8和图9示出分别从在作为摄像日期的多个时间拍摄的雷达图像中提取的作为特征区域的多个点的雷达后向散射系数(dB)的示例。注意，图8和图9中的后向散射系数是通过对所提取的后向散射系数应用后面将说明的作为平滑处理的中值滤波(median filter)来获得的。
图8示出从在作为摄像日期的5月7日、5月31日、6月24日、7月18日、8月11日、9月4日拍摄的雷达图像提取的作为特征区域的7个点的后向散射系数的数据，所述7个点即购物中心、临时住宅、调节池、操场、停车场(公园)、池塘(公园)以及角反射器。各数据是通过对构成各特征区域的像素的后向散射系数值进行平均来获得的。
图9以图的形式示出图8所示的数据，以说明各特征区域的后向散射系数随时间的变化。例如，可以将雷达后向散射系数随时间变化相对小且雷达后向散射系数相对大的购物中心和临时住宅识别为将用作校准雷达图像的后向散射系数时的基准的低变动区域的候选区域。还可以将后向散射系数随时间变化相对小且后向散射系数相对小的调节池识别为低变动区域的候选区域。将示出上述候选区域中任一候选区域的初始时间或指定时间的雷达图像用作校准各个时间的雷达图像的后向散射系数的基准图像。
现在，回到对图5所示的植被生长状况分析器的说明，后向散射系数存储单元30存储从雷达图像提取的基准反射板和示出低变动区域的特征的地标的后向散射系数。
校准后向散射系数计算单元31对存储在后向散射系数存储单元30中的后向散射系数执行平滑处理(中值滤波处理)和/或局部最小值滤波处理，以获得用于计算校准线的后向散射系数；并且，校准后向散射系数计算单元31包括后向散射系数平滑单元31A和后向散射系数局部最小值计算单元31B。
后向散射系数平滑单元31A设置有以下的功能，即：通过对雷达图像应用例如中值滤波等的预定平滑滤波，来减少诸如斑点噪声等的噪声成分。中值滤波是执行以下的处理的滤波，该处理是按顺序排列k×k的局部区域内的值并使用其中的中值作为位于该区域的中心的像素的输出值，其中，用表达式(1)表示该处理。
y[m，n]＝median{x[i，j]，(i，j)∈ω}..(1)
这里，y[m，n]表示目标像素的值，x[i，j]表示目标像素周围的相邻像素的值。
后向散射系数局部最小值计算单元31B对雷达图像应用预定的局部最小值处理滤波(下文称为最小值滤波)，以提取指定区域的最小值。最小值滤波是执行以下的处理的滤波，该处理使用k×k的局部区域内的值中的最小值作为位于该区域的中心的像素的输出值，并且用表达式(2)表示该处理。
y[m，n]＝min{x[i，j]，(i，j)∈ω}..(2)
这里，y[m，n]表示目标像素的值，x[i，j]表示目标像素周围的相邻像素的值。
如上所述，后向散射系数平滑单元31A和后向散射系数局部最小值计算单元31B分别减少雷达图像中的噪声成分和提取指定区域的最小值。当不设置这些功能块时，预计雷达图像的质量劣化且计算校准线的准确度降低，然而，只要所获得的雷达图像满足所要求的规范，这些功能块不是必需的，此外，可以使用这些功能块中的任一个或者颠倒处理顺序。
为了相对于初始拍摄的图像(第一图像)来校准随后拍摄的一系列图像(第二图像、第三图像等)，校准线计算单元32基于第一图像的后向散射系数计算第一图像的后向散射系数与第二图像、第三图像和第四图像等的后向散射系数之间的关系表达式(校准线)。校准线计算单元32与后向散射系数校准单元33一同构成权利要求书中所述的校准部件和校准单元。
后向散射系数校准单元33使用校准线计算单元32计算出的校准线来校准基准图像以外的例如第二图像、第三图像等的图像的所有像素的后向散射系数。
生长值计算单元34基于存储在生长模型DB 35中的生长模型(雷达图像的后向散射系数与雷达图像示出的诸如水稻覆盖率等的植被生长值之间的相互关系)的信息，根据后向散射系数校准单元33获得的(校准后的)后向散射系数计算各个时间的雷达图像示出的诸如水稻覆盖率等的植被生长值。
农田统合计算单元36基于存储在农田地图DB 37中的农田地图数据，以单个农田为单位计算水稻覆盖率，并且农田统合计算单元36设置有农田代表值计算单元36A、农田代表值差计算单元36B和生长判断单元36C。
农田代表值计算单元36A根据构成一个雷达图像的各像素的水稻覆盖率计算以单个农田为单位的农田代表值，例如水稻覆盖率的平均值或最频繁出现值。
农田代表值差计算单元36B计算基准图像(例如，第一图像)的农田代表值与参照图像(例如，第二图像)的农田代表值之间的差。
生长判断单元36C基于农田代表值及农田代表值的差来执行生长判断(生长得快还是慢)。
输出单元38以按农田为单位的列表方式或以排序地图的方式输出水稻覆盖率的农田代表值、农田代表值的差值以及生长判断的结果。
校正(滤波处理)后向散射系数的效果
图10和图11是用于说明校正(滤波处理)雷达图像的后向散射系数的效果的图。图10示出8月11日的购物中心的停车场的情况，而图11示出8月11日的调节池的情况。
图像51B是对原始图像(校正前的图像)51A应用中值滤波后的图像，且图像51C是通过对中值滤波处理过的图像51B应用最小值滤波所获得的图像。原始图像51A具有许多噪声，然而，在进行了中值滤波处理和最小值滤波处理之后，去除了噪声，并且用位于该图像中心的像素的相邻像素的后向散射系数的最小值代替了位于该图像中心的像素的后向散射系数值。结果，在后向散射系数相对大且后向散射系数变动相对小的区域，例如购物中心的停车场(见箭头)，可以稳定地获得用于计算校准线的后向散射系数。
图11示出调节池的情况，并且图像52B是对原始图像(校正前的图像)52A应用中值滤波之后的图像，且图像52C是通过对中值滤波处理过的图像52B应用最小值滤波所获得的图像。因此，在例如与图10示出的购物中心的停车场相比后向散射系数较小且后向散射系数的变动较小的调节池(见箭头)的区域，也可以稳定地获得用于校准的后向散射系数。
3.水稻生长预测处理
植被生长状况分析器的操作
接着，参考图12所示的流程图，对通过植被生长状况分析器20进行的水稻生长状况分析处理进行说明。
通过图5所示的植被生长状况分析器20的摄像决定单元22来确定适当的摄像时间和地点、地面分辨率等，并经由I/F单元21将这些信息发送至卫星SAR 11。在I/F单元21中，从卫星SAR 11接收卫星SAR 11拍摄的SAR图像(雷达图像)(步骤S1)。雷达图像存储单元24将接收到的各摄像时间的雷达图像存储在地图DB 26中。
然后，配准单元25使用最初拍摄的并作为基准图像存储在地图DB 26中的雷达图像执行配准，以使随后拍摄或在其它时间拍摄的(同一目标区域的)雷达图像分别与基准图像重合(步骤S2)。在这样的配准中，使用诸如经纬度清晰的地面控制点(GCP)、交叉路口、建筑等的出现在图像中的点作为基准点来执行几何校正，以使图像重合在地图DB 26中存储的地图上。
完成配准后，根据各情况对多个时间的雷达图像的后向散射系数执行处理(提取)和校准(步骤S3)。
第一，对在雷达图像中使用诸如角反射器等的基准反射板的后向散射系数的情况进行说明。
基准反射板后向散射系数提取单元27提取多个时间的雷达图像中出现的角反射器(基准反射板)的后向散射系数值，获得基于基准图像中的基准反射板的后向散射系数值的校准线，并且基于所获得的校准线来处理(校准)在接下来及后续的时间拍摄的雷达图像的后向散射系数值。这时，后向散射系数判别处理单元28判断是否可以使用基准反射板后向散射系数提取单元27处理过的(提取的)基准反射板的后向散射系数，并且当所提取的后向散射系数值处于饱和状态时，不使用基准反射板后向散射系数提取单元27处理过的(提取的)后向散射系数。另一方面，当所提取的后向散射系数值不处于饱和状态时，将基准反射板后向散射系数提取单元27处理过的(提取的)后向散射系数与各自的雷达图像摄像时间相关联地提供给后向散射系数存储单元30。
然后，对存储在后向散射系数存储单元30中的后向散射系数的信息进行滤波处理，从而通过校准后向散射系数计算单元31的后向散射系数平滑单元31A和后向散射系数局部最小值计算单元31B减少噪声成分，然后获得雷达图像中代表区域(即，基准反射板)的后向散射系数值，且此后将所获得的后向散射系数值提供给校准线计算单元32。在校准线计算单元32处，基于基准图像中的基准反射板的多个像素的后向散射系数以及其它雷达图像中的基准反射板的多个像素的后向散射系数来计算校准线，其中，其它雷达图像中的基准反射板各自与基准图像中的基准反射板相对应。将这些校准线的信息提供给后向散射系数校准单元33，并基于所提供的校准线来校准其它雷达图像的后向散射系数。对多个时间的雷达图像执行这样的校准处理。
第二，对使用雷达图像中的低变动区域的后向散射系数的情况进行说明。
在这种情况下，从所获得的雷达图像中提取将用作校准基础的后向散射系数值。地标后向散射系数提取单元29计算雷达图像中出现的地标的后向散射系数，提取后向散射系数相对大且后向散射系数的变动相对小的图像区域(例如人工建筑物)以及后向散射系数相对小且后向散射系数的变动相对小的图像区域(例如池塘、操场)。将后向散射系数变动相对小的这些图像区域、即低变动区域的后向散射系数值与各自的雷达图像摄像时间相关联地提供给后向散射系数存储单元30。
接着，如上述的第一种情况一样，通过后向散射系数平滑单元31A和后向散射系数局部最小值计算单元31B对存储在后向散射系数存储单元30中的后向散射系数的信息进行滤波处理，然后将处理后的信息提供给校准线计算单元32。在校准线计算单元32处，获得雷达图像中出现的低变动区域的后向散射系数，并且基于基准图像中出现的低变动区域的多个像素的后向散射系数以及其它雷达图像中出现的低变动区域的多个像素的后向散射系数来计算校准线，其中，其它雷达图像中的低变动区域各自与基准图像中出现的低变动区域相对应。将这些校准线的信息提供给后向散射系数校准单元33，并基于校准线来校准其它雷达图像的后向散射系数。对多个时间的雷达图像执行这样的校准处理。
第三，对如下的情况进行说明：同时使用上文第一中描述的雷达图像中的诸如角反射器等的基准反射板的后向散射系数以及上文第二中描述的雷达图像中的低变动区域的后向散射系数。
在这种情况下，校准线计算单元32根据基准图像中后向散射系数变动相对小的图像区域的状况，选择性使用如在上述第二种情况下的雷达图像中的低变动区域的后向散射系数的数据以及如在上述第一种情况下的雷达图像中的诸如角反射器等的基准反射板的后向散射系数的数据来计算校准线。即，从基准图像提取低变动区域，并且当所提取的低变动区域对应于基准反射板时，使用所提取的低变动区域(即基准反射板)的后向散射系数以及其它雷达图像中出现的基准反射板的后向散射系数来计算校准线，其中，其它雷达图像中的基准反射板各自与基准图像中出现的基准反射板相对应，并且当所提取的低变动区域与人工建筑物等相对应时，使用所提取的低变动区域(即人工建筑物等)的后向散射系数以及其它雷达图像中的人工建筑物等的后向散射系数来计算校准线，其中，其它雷达图像中的人工建筑物等各自与基准图像中的人工建筑物等相对应。将校准线的信息提供给后向散射系数校准单元33，并基于校准线来校准其它雷达图像的后向散射系数。对多个时间的雷达图像执行这样的校准处理。
接着，生长值计算单元34执行基于生长模型的水稻生长分析(生长值计算)(步骤S4)。基于预先获得的后向散射系数值和生长信息(例如，生长值)的模型，使用已经利用校准线校准了后向散射系数的雷达图像，来分析水稻的生长状况。即，基于存储在生长模型DB 35中的关于植被生长值和雷达图像的后向散射系数的相互关系的信息，根据雷达图像的校准后的后向散射系数来计算各雷达图像的像素中出现的植被的生长值。
完成水稻生长分析之后，农田统合计算单元36执行分析结果的统合计算(步骤S5)。例如，当农田代表值计算单元36A已经基于分析结果根据构成一个雷达图像的各像素的水稻覆盖率获得了以单个农田为单位的水稻覆盖率的平均值或最频繁出现值时，可以掌握各农田的生长状况。
此外，当农田代表值差计算单元36B已经获得基准图像(例如第一图像)的农田代表值与参照图像(例如第二图像)的农田代表值之间的差时，可以掌握各农田的两个时间之间的生长差异。
此外，当生长判断单元36C已经基于农田代表值及农田代表值的差值对各农田执行了生长判断时，可以掌握农田之间的生长速度差异。
接着，输出单元38输出水稻生长状况分布(步骤S6)。即，以按农田为单位的列表方式或以排序地图的方式输出水稻覆盖率的农田代表值、农田代表值的差值以及生长判断结果。将表示这样的水稻生长状况分布的地图称为水稻生长状况分布图。
通过对农业管理指导的诸如像素单位、农田单位、农田分区单位等的各单位的信息执行统合计算，水稻生长状况分布图可以用于匹配各个用户的实际状况的农业管理指导。
为了基于像素单位执行以农田为单位的统合计算，使用例如地理信息数据等的关于农田形状的数据。将目标区域的地理信息数据存储在地图DB 26等中。
4.测量结果等
图13A和图13B是用于说明基于在指定时间(在本示例中，为5月7日)拍摄的雷达图像对8月11日拍摄的雷达图像的后向散射系数的数据进行校准(图12的步骤S3)的结果的图。图13A示出目标时间(本示例中，为8月11日)的校准后的雷达图像，且图13B示出在图13A所示的雷达图像的校准中使用的校准线。注意，在图13B所示的示例中，通过使用在后向散射系数变为最小的第一摄像时间(即5月7日)拍摄的雷达图像作为基准图像形成了图形(校准线)，然而，可以通过使用下文将说明的在后向散射系数将变为最大的8月11日拍摄的雷达图像作为基准图像来形成校准线。
图13B示出在校准8月11日拍摄的雷达图像的后向散射系数的数据时使用的校准线，该校准线是基于5月7日的雷达图像(基准图像)形成的。纵轴表示5月7日的雷达图像(基准图像)的后向散射系数，横轴表示8月11日的雷达图像的后向散射系数。在这个示例中，通过以下的表达式来表达校准线(回归线)。这里，y是5月7日的基准图像的后向散射系数，x是8月11日的待校准图像的后向散射系数，以及R2是确定系数。注意，图13B示出的数据是已经应用最小值滤波之后的数据。
y＝0.984x-0.137
R2＝0.972
类似地，通过基于在指定时间(本示例中，为5月7日)拍摄的雷达图像的后向散射系数所生成的针对各个时间的校准线来校准在各个时间拍摄的雷达图像的后向散射系数。由于如此校准了雷达图像的后向散射系数，因此可以计算表示水稻(诸如农作物等的植被)在各个时间的准确生长状况的生长值。
接着，对农田的雷达后向散射系数分布图进行说明。
图14示出农田(水稻种植田)的雷达后向散射系数分布，并且是包括多个农田的整个目标区域的雷达后向散射系数分布图的主要部分的放大图。在图14的放大的雷达后向散射系数分布图中，包括农田71、72、73。因此，可以以像素为单位精细确认雷达图像的任意区域中农作物的生长状况。
图15是示出与图14所示的水稻种植田的雷达后向散射系数分布图相对应的平均后向散射系数随时间变化的图。平均后向散射系数是从构成雷达图像中的区域的多个像素获得的后向散射系数的平均值。农田71、72、73中的水稻在水稻种植之后逐渐生长，结果，各农田的后向散射系数增大，并在8月11日达到最大点之后减小。假定这是因为由于穗出现(抽穗)和穗垂下而减小了后向散射。根据图15的图形，可以掌握例如农田73的水稻成熟得早，而农田71的水稻成熟得晚。
本发明的观察目标不仅包括水稻还包括玉米、大麦等农作物和植被，其中，后向散射系数根据伴随生长阶段的形态变化而改变，并且针对地表的植被，通过观察已使用基准图像进行了后向散射系数校准后的在一年内的多个时间拍摄的雷达图像以及根据进行了后向散射系数校准后的雷达图像生成的雷达后向散射系数分布图(植被生长状况分布图)，可以实时准确地判断植被的生长状况。
根据上述实施例，基于指定时间的雷达图像的后向散射系数计算针对各个时间的雷达图像的校准线，利用所计算出的针对各个时间的校准线来校准在各个时间拍摄的雷达图像的后向散射系数。并且基于校准后的后向散射系数来计算各个时间的雷达图像示出的植被的生长值。因此，可以得知各个时间的诸如农作物等的植被的准确生长状况。
此外，由于使用来自诸如人造卫星等的飞行体的微波拍摄的雷达图像不受天气影响，因此，即使在5月(水稻移植)～8月(抽穗或穗出现)的雨季，也可以掌握诸如农作物等的植被的生长状况。
此外，通过实时准确地掌握多个时间的生长状况，使得可以对诸如农作物等的植被进行及时适当的种植管理以及确定投入附加肥料的时间等。
此外，通过实时准确地掌握多个时间的生长状况，使得可以预防病虫害的爆发以及应对生长障碍和灾害等。
此外，通过观测手段(例如遥感)，使得可以基于政府机构等进行的实地考察来调查水稻收获状况。
5.其它
注意，可以用硬件、也可以用软件来实现由上述植被生长状况分析器执行的一系列处理。不必说，还可以通过硬件和软件的结合来实现该一系列处理的功能。当用软件来实现该一系列处理时，将构成软件的程序从程序记录介质安装至包含专用硬件的计算机或者通过安装各种程序而能够实现各种功能的通用计算机。
图16是示出通过程序来实现上述的一系列处理的计算机的示例结构的框图。计算机101可以是具有一定性能的个人计算机，也可以是用于执行一系列处理的高度复杂的专用计算机。
计算机101的CPU(中央处理单元)111根据存储在ROM(只读存储器)112或记录单元118中的程序执行上述的一系列处理以及除此之外的各种处理。RAM(随机存取存储器)113按需要存储CPU 111执行的程序、数据等。CPU 111、ROM 112和RAM 113通过总线114彼此连接。
输入/输出接口115经由总线114与CPU 111连接。由键盘、鼠标、麦克风等构成的输入单元116和由显示器、扬声器等构成的输出单元117与输入/输出接口115相连接。CPU 111响应于从输入单元116输入的指令执行各种功能。CPU 111将处理结果输出至输出单元117。
例如，与输入/输出接口115相连接的记录单元118由硬盘构成，并且记录CPU 111执行的程序以及各种数据。
通信单元119经由诸如因特网、局域网等的网络与外部装置通信。可以通过通信单元119获得程序，并将程序记录在记录单元118中。
当安装了诸如磁盘、光盘、磁光盘、半导体存储器等的可移除介质131时，与输入/输出接口115相连接的驱动器120驱动可移除介质131并获得存储在其中的程序和数据。按需要将所获得的程序和数据传输并记录至记录单元118。
如图16所示，利用作为封装介质的可移除介质131来提供用于存储程序的程序记录介质，该程序安装在计算机中并由计算机置于可执行状态。可以应用磁盘(包括软盘)、光盘(包括CD-ROM(致密盘只读存储器)、DVD(数字通用盘)、磁光盘)或者半导体存储器作为可移除介质131。作为替代，程序记录介质由暂时或永久性存储程序的ROM 112、构成记录单元118的硬盘等构成。
通过作为诸如路由器、调制解调器等的接口的通信单元119，使用诸如局域网(LAN)、因特网、数字卫星广播等的有线或无线通信介质将程序存储至程序记录介质。
注意，在本说明书中，描述存储在程序记录介质中的程序的处理步骤所包括的处理不仅可以在时间顺序上按所描述的顺序执行，还可以不按时间顺序而并行或单独执行(例如，并行处理或对象处理)。
此外，程序可以是将由一台计算机处理的程序或者是将由多台计算机分布式处理的程序。此外，程序可以是将传输至远程计算机进行处理的程序。
上述实施例是用于执行本发明优选实施例的具体示例，从而具有技术上优选的各种限制。然而，只要在说明实施例时未特别说明本发明受到限制，则本发明不限于这些实施例。因此，上述说明中呈现的处理时间、处理顺序、参数的数值条件等仅为优选例子，并且用于说明的各图中的维度、形状和排列关系等是示出实施例的示例的示意。因此，本发明不限于上述实施例的示例，而可以进行不背离本发明主旨的各种修改和改变。
附图标记解释
20：植被生长状况分析器
21：I/F单元
22：摄像决定单元
23A：生长历DB
23B：摄像计划DB
24：雷达图像存储单元
25：配准单元
26：地图DB
27：基准反射板后向散射系数提取单元
28：后向散射系数判别处理单元
29：地标后向散射系数提取单元
30：后向散射系数存储单元
31：校准后向散射系数计算单元
31A：后向散射系数平滑单元
31B：后向散射系数局部最小值计算单元
32：校准线计算单元
33：后向散射系数校准单元
34：生长值计算单元
35：生长模型DB
36：农田统合计算单元
36A：农田代表值计算单元
36B：农田代表值差计算单元
36C：生长判断单元
37：农田地图DB
38：输出单元

Claims (11)

1.一种植被生长状况分析方法，包括以下步骤：
获取步骤，获取通过搭载在飞行体上的雷达装置在一年内多个时间拍摄的同一目标区域的地表的雷达图像；
存储步骤，将在所述获取步骤获取到的多个雷达图像存储在地图数据库内；
配准步骤，在使用存储在所述地图数据库内的多个雷达图像中的、在一年内所述多个时间中的指定时间拍摄的雷达图像作为基准图像的情况下，使所述多个雷达图像中除所述基准图像以外的、在一年内所述多个时间中除所述指定时间以外的其它时间拍摄的其它雷达图像分别与所述基准图像配准；
提取步骤，提取所述多个雷达图像中的指定区域的后向散射系数；
校准步骤，基于存储在所述地图数据库内的多个雷达图像的基准图像中的指定区域的后向散射系数，对所述多个雷达图像中除所述基准图像以外的其它雷达图像的后向散射系数进行校准；以及
生长值计算步骤，基于雷达图像的后向散射系数与雷达图像示出的植被生长值之间的相互关系，根据所述多个雷达图像中除所述基准图像以外的、在所述校准步骤校准了后向散射系数的其它雷达图像的校准后的后向散射系数，来计算所述其它雷达图像示出的植被生长值。
2.根据权利要求1所述的植被生长状况分析方法，其特征在于，所述校准步骤包括：
校准线计算步骤，基于存储在所述地图数据库内的多个雷达图像的基准图像中的指定区域的后向散射系数以及所述多个雷达图像中除所述基准图像以外的其它雷达图像中的指定区域的后向散射系数，来计算用于对所述多个雷达图像中除所述基准图像以外的其它雷达图像的后向散射系数进行校准的校准线，其中，所述多个雷达图像中的其它雷达图像中的指定区域分别与所述基准图像中的指定区域相对应；以及
基于在所述校准线计算步骤计算出的校准线，对所述多个雷达图像中除所述基准图像以外的其它雷达图像的后向散射系数进行校准。
3.根据权利要求2所述的植被生长状况分析方法，其特征在于，
在所述提取步骤中，提取所述多个雷达图像中的低变动区域的后向散射系数，其中，所述低变动区域中的后向散射系数根据一年内时间的变动相对小；以及
在所述校准线计算步骤中，根据所述基准图像中的低变动区域的后向散射系数和所述多个雷达图像中除所述基准图像以外的其它雷达图像中的低变动区域的后向散射系数来计算所述校准线，其中，所述多个雷达图像中的其它雷达图像中的低变动区域分别与所述基准图像中的低变动区域相对应。
4.根据权利要求2所述的植被生长状况分析方法，其特征在于，
在所述目标区域的地表上的指定位置设置基准反射板，
在所述提取步骤中，提取所述多个雷达图像中的基准反射板的后向散射系数；以及
在所述校准线计算步骤中，根据所述基准图像中的基准反射板的后向散射系数和所述多个雷达图像中除所述基准图像以外的其它雷达图像中的基准反射板的后向散射系数来计算所述校准线，其中，所述多个雷达图像中的其它雷达图像中的基准反射板分别与所述基准图像中的基准反射板相对应。
5.根据权利要求2所述的植被生长状况分析方法，其特征在于，
在所述校准线计算步骤中，根据所述基准图像中的低变动区域的后向散射系数和所述多个雷达图像中除所述基准图像以外的其它雷达图像中的低变动区域的后向散射系数、并根据所述基准图像中的基准反射板的后向散射系数和所述多个雷达图像中除所述基准图像以外的其它雷达图像中的基准反射板的后向散射系数来计算所述校准线，其中，所述多个雷达图像中的其它雷达图像中的低变动区域分别与所述基准图像中的低变动区域相对应，所述多个雷达图像中的其它雷达图像中的基准反射板分别与所述基准图像中的基准反射板相对应。
6.根据权利要求1～5中的任一项所述的植被生长状况分析方法，其特征在于，所述指定时间是所述多个时间中的第一个时间。
7.根据权利要求4或5所述的植被生长状况分析方法，其特征在于，还包括以下步骤：
判断在所述提取步骤提取的所述多个雷达图像中的基准反射板的后向散射系数是否处于饱和状态，并且当所述后向散射系数处于饱和状态时，判断为在所述校准线计算步骤中不使用所述后向散射系数来计算所述校准线。
8.根据权利要求1所述的植被生长状况分析方法，其特征在于，还包括以下步骤：
当使用在所述生长值计算步骤计算出的生长值时，基于在用于存储农田地图的农田地图数据库内存储的农田地图，以农田为单位计算所述多个雷达图像示出的植被生长值。
9.根据权利要求1所述的植被生长状况分析方法，其特征在于，所述植被生长值分别表示水稻覆盖率。
10.一种记录介质，其上记录有使计算机执行如下部件的功能的计算机程序：
获取部件，用于获取通过搭载在飞行体上的雷达装置在一年内多个时间拍摄的同一目标区域的地表的雷达图像；
存储部件，用于将所述获取部件获取到的多个雷达图像存储在地图数据库内；
配准部件，用于在使用存储在所述地图数据库内的多个雷达图像中的、在一年内所述多个时间中的指定时间拍摄的雷达图像作为基准图像的情况下，使所述多个雷达图像中除所述基准图像以外的、在一年内所述多个时间中除所述指定时间以外的其它时间拍摄的其它雷达图像分别与所述基准图像配准；
提取部件，用于提取所述多个雷达图像中的指定区域的后向散射系数；
校准部件，用于基于存储在所述地图数据库内的多个雷达图像的基准图像中的指定区域的后向散射系数，对所述多个雷达图像中除所述基准图像以外的其它雷达图像的后向散射系数进行校准；以及
计算部件，用于基于雷达图像的后向散射系数与雷达图像示出的植被生长值之间的相互关系，根据所述多个雷达图像中除所述基准图像以外的、由所述校准部件校准了后向散射系数的其它雷达图像的校准后的后向散射系数，来计算所述其它雷达图像示出的植被生长值。
11.一种植被生长状况分析器，包括：
获取单元，被配置为获取通过搭载在飞行体上的雷达装置在一年内多个时间拍摄的同一目标区域的地表的雷达图像；
存储单元，被配置为将所述获取单元获取到的多个雷达图像存储在地图数据库内；
配准单元，被配置为在使用存储在所述地图数据库内的多个雷达图像中的、在一年内所述多个时间中的指定时间拍摄的雷达图像作为基准图像的情况下，使所述多个雷达图像中除所述基准图像以外的、在一年内所述多个时间中除所述指定时间以外的其它时间拍摄的其它雷达图像分别与所述基准图像配准；
提取单元，被配置为提取所述多个雷达图像中的指定区域的后向散射系数；
校准单元，被配置为基于存储在所述地图数据库内的多个雷达图像的基准图像中的指定区域的后向散射系数，对所述多个雷达图像中除所述基准图像以外的其它雷达图像的后向散射系数进行校准；以及
计算单元，被配置为基于雷达图像的后向散射系数与雷达图像示出的植被生长值之间的相互关系，根据所述多个雷达图像中除所述基准图像以外的、由所述校准单元校准了后向散射系数的其它雷达图像的校准后的后向散射系数，来计算所述其它雷达图像示出的植被生长值。
CN2009801457435A 2008-11-14 2009-11-13 植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器 Expired - Fee Related CN102215666B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2008-292705 2008-11-14
JP2008292705A JP5369282B2 (ja) 2008-11-14 2008-11-14 植生生育状況解析方法、プログラムおよび植生生育状況解析装置
PCT/JP2009/069370 WO2010055915A1 (ja) 2008-11-14 2009-11-13 植生生育状況解析方法、プログラムを記録した記録媒体および植生生育状況解析装置

Publications (2)

Publication Number Publication Date
CN102215666A true CN102215666A (zh) 2011-10-12
CN102215666B CN102215666B (zh) 2013-03-27

Family

ID=42170045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2009801457435A Expired - Fee Related CN102215666B (zh) 2008-11-14 2009-11-13 植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器

Country Status (5)

Country Link
US (1) US8478003B2 (zh)
EP (1) EP2351477B1 (zh)
JP (1) JP5369282B2 (zh)
CN (1) CN102215666B (zh)
WO (1) WO2010055915A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107646090A (zh) * 2015-04-30 2018-01-30 欧瓦力创新公司 用于估计耕地的产量的系统和方法
CN110378894A (zh) * 2019-07-25 2019-10-25 内蒙古工业大学 基于相关性的TomoSAR植被病虫害监测方法及装置
CN111372444A (zh) * 2017-12-01 2020-07-03 索尼公司 信息处理装置、信息处理方法以及植被管理系统
CN111815470A (zh) * 2012-07-04 2020-10-23 索尼公司 农事支持装置、方法和系统及记录介质
CN115023134A (zh) * 2020-02-06 2022-09-06 株式会社尼罗沃克 生长诊断系统、生长诊断服务器以及生长诊断方法

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2980735A1 (en) * 2009-07-31 2016-02-03 Global Surface Intelligence Ltd Greenhouse gas grid and tracking system
US8493262B2 (en) * 2011-02-11 2013-07-23 Mitsubishi Electric Research Laboratories, Inc. Synthetic aperture radar image formation system and method
JP5771430B2 (ja) * 2011-04-08 2015-08-26 オリンパス株式会社 霞除去画像処理装置、霞除去画像処理方法及び霞除去画像処理プログラム
JP5795932B2 (ja) * 2011-10-07 2015-10-14 株式会社日立製作所 土地状態推定方法
JP5904044B2 (ja) * 2012-07-18 2016-04-13 富士通株式会社 農作物の状態変化日特定方法、装置及びプログラム
JP5935654B2 (ja) * 2012-10-22 2016-06-15 富士通株式会社 作物推定方法，作物推定プログラムおよび作物推定装置
JP6292772B2 (ja) * 2013-06-05 2018-03-14 三菱電機株式会社 レーダ画像処理装置及びレーダ画像処理方法
CN103679202B (zh) * 2013-12-17 2017-04-12 中国测绘科学研究院 一种适用于光学遥感卫星影像植被分类方法及装置
EP3260880B1 (en) 2015-02-18 2023-08-23 Nec Corporation Signal-processing device and processing method, recording medium, and target detection device and detection method
JP6314101B2 (ja) * 2015-02-26 2018-04-18 株式会社パスコ 地上設置型合成開口レーダーを用いた植生域に対応した地盤変位計測方法
US10664750B2 (en) 2016-08-10 2020-05-26 Google Llc Deep machine learning to predict and prevent adverse conditions at structural assets
CN106331493B (zh) * 2016-08-30 2020-04-10 深圳春沐源控股有限公司 一种种植相册生成方法及装置
WO2019003400A1 (ja) 2017-06-29 2019-01-03 日本電気株式会社 係数算出装置、係数算出方法、及び、係数算出プログラムが記録された記録媒体
US10705204B2 (en) * 2017-12-08 2020-07-07 International Business Machines Corporation Crop classification and growth tracking with synthetic aperture radar
WO2019130568A1 (ja) * 2017-12-28 2019-07-04 スカパーＪｓａｔ株式会社 評価情報生成システム、評価情報生成方法、およびプログラム
KR102300969B1 (ko) * 2018-11-19 2021-09-10 한화시스템 주식회사 모의 식생 환경에 대한 산란계수 생성 방법 및 시스템
KR102315392B1 (ko) * 2018-11-19 2021-10-21 한화시스템 주식회사 모의 식생 환경에 대한 산란계수 생성 시스템
CN109948596B (zh) * 2019-04-26 2022-04-22 电子科技大学 一种基于植被指数模型进行水稻识别和种植面积提取的方法
CN111860325B (zh) * 2020-07-20 2023-09-15 河南大学 土壤水分反演方法、装置、计算机可读介质和电子设备
CN111985433B (zh) * 2020-08-28 2023-01-20 中国科学院地理科学与资源研究所 一种水稻遥感信息提取方法和系统
CN113505635B (zh) * 2021-05-24 2024-05-31 中国农业大学 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置
KR102671005B1 (ko) * 2021-11-15 2024-06-03 주식회사 솔탑 Sar 레이더의 영상 표출 장치
CN114332492B (zh) * 2021-12-15 2024-03-19 南京林业大学 一种基于长时间序列的植被特征提取及选择方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6683970B1 (en) * 1999-08-10 2004-01-27 Satake Corporation Method of diagnosing nutritious condition of crop in plant field
JP4314683B2 (ja) * 1999-08-12 2009-08-19 株式会社サタケ 作物の診断方法
US6963662B1 (en) * 2000-11-15 2005-11-08 Sri International Method and system for detecting changes in three dimensional shape
JP2002171121A (ja) * 2000-11-29 2002-06-14 Communication Research Laboratory 偏波選択性電波反射鏡
US7046841B1 (en) * 2003-08-29 2006-05-16 Aerotec, Llc Method and system for direct classification from three dimensional digital imaging
JP2005189100A (ja) * 2003-12-25 2005-07-14 National Institute Of Information & Communication Technology Ｓａｒによる植生被覆分類観測方法
JP5438263B2 (ja) * 2006-07-21 2014-03-12 株式会社パスコ レーダ画像処理装置及びレーダ画像処理方法
US7705768B2 (en) * 2007-05-07 2010-04-27 Pasco Corporation Radar image processor and method of radar image processing

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815470A (zh) * 2012-07-04 2020-10-23 索尼公司 农事支持装置、方法和系统及记录介质
CN107646090A (zh) * 2015-04-30 2018-01-30 欧瓦力创新公司 用于估计耕地的产量的系统和方法
CN107646090B (zh) * 2015-04-30 2021-07-27 欧瓦力创新公司 用于估计耕地的产量的系统和方法
CN111372444A (zh) * 2017-12-01 2020-07-03 索尼公司 信息处理装置、信息处理方法以及植被管理系统
CN111372444B (zh) * 2017-12-01 2022-03-08 索尼公司 信息处理装置、信息处理方法以及植被管理系统
US11432470B2 (en) 2017-12-01 2022-09-06 Sony Group Corporation Information processing apparatus, information processing method, and vegetation management system
CN110378894A (zh) * 2019-07-25 2019-10-25 内蒙古工业大学 基于相关性的TomoSAR植被病虫害监测方法及装置
CN115023134A (zh) * 2020-02-06 2022-09-06 株式会社尼罗沃克 生长诊断系统、生长诊断服务器以及生长诊断方法
CN115023134B (zh) * 2020-02-06 2023-08-08 株式会社尼罗沃克 生长诊断系统、生长诊断服务器以及生长诊断方法

Also Published As

Publication number Publication date
US8478003B2 (en) 2013-07-02
CN102215666B (zh) 2013-03-27
JP5369282B2 (ja) 2013-12-18
EP2351477A4 (en) 2013-07-03
JP2010117327A (ja) 2010-05-27
EP2351477B1 (en) 2014-08-20
WO2010055915A1 (ja) 2010-05-20
EP2351477A1 (en) 2011-08-03
US20110222738A1 (en) 2011-09-15

Similar Documents

Publication Publication Date Title
CN102215666B (zh) 植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器
Zheng et al. Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery
US11327171B2 (en) Crop classification and growth tracking with synthetic aperture radar
Jin et al. Crop model-and satellite imagery-based recommendation tool for variable rate N fertilizer application for the US Corn system
US20210358106A1 (en) Crop yield prediction method and system based on low-altitude remote sensing information from unmanned aerial vehicle
Dente et al. Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield
WO2011102520A1 (ja) 水稲収量予測モデル生成方法、及び水稲収量予測方法
Sharifi Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images
Fernandez-Ordoñez et al. Maize crop yield estimation with remote sensing and empirical models
Yuan et al. Unmanned aerial vehicle–based assessment of cover crop biomass and nitrogen uptake variability
CN111028096A (zh) 一种天、空、地一体化数据融合的系统和方法
Revill et al. Carbon cycling of European croplands: A framework for the assimilation of optical and microwave Earth observation data
Sinde-González et al. Biomass estimation of pasture plots with multitemporal UAV-based photogrammetric surveys
Shen et al. Mapping corn and soybean phenometrics at field scales over the United States Corn Belt by fusing time series of Landsat 8 and Sentinel-2 data with VIIRS data
Laamrani et al. Determining the number of measurements required to estimate crop residue cover by different methods
Jewan et al. The feasibility of using a low-cost near-infrared, sensitive, consumer-grade digital camera mounted on a commercial UAV to assess Bambara groundnut yield
CN117876870B (zh) 一种基于多源遥感数据的农作物估产的方法和系统
Naqvi et al. Remote estimation of wheat yield based on vegetation indices derived from time series data of Landsat 8 imagery.
WO2011080944A1 (ja) 水稲作付け状況把握システム、水稲作付け状況把握方法、及び水稲作付け状況把握プログラム
Zhang et al. Enhanced Feature Extraction From Assimilated VTCI and LAI With a Particle Filter for Wheat Yield Estimation Using Cross-Wavelet Transform
Yadav et al. Acreage and production estimation of mango orchards using Indian Remote Sensing (IRS) satellite data
WO2023131949A1 (en) A versatile crop yield estimator
Tumlisan Monitoring growth development and yield estimation of maize using very high-resolution UAV-images in Gronau, Germany
Gansukh et al. Monitoring wheat crop growth parameters using time series sentinel-1 and sentinel-2 data for agricultural application in Mongolia
Kovalskyy et al. Alternative methods to predict actual evapotranspiration illustrate the importance of accounting for phenology–Part 2: The event driven phenology model

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20130327

Termination date: 20171113