CN104330798B - 基于合成孔径雷达遥感影像监测农作物播期的方法及装置 - Google Patents

基于合成孔径雷达遥感影像监测农作物播期的方法及装置 Download PDF

Info

Publication number
CN104330798B
CN104330798B CN201410610626.4A CN201410610626A CN104330798B CN 104330798 B CN104330798 B CN 104330798B CN 201410610626 A CN201410610626 A CN 201410610626A CN 104330798 B CN104330798 B CN 104330798B
Authority
CN
China
Prior art keywords
plot
remote sensing
polarization
date
seeding
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
Application number
CN201410610626.4A
Other languages
English (en)
Other versions
CN104330798A (zh
Inventor
杨浩
杨贵军
杨小冬
徐新刚
宋晓宇
张竞成
冯海宽
董彦生
于海洋
徐波
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.)
Beijing Research Center for Information Technology in Agriculture
Original Assignee
Beijing Research Center for Information Technology in Agriculture
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 Beijing Research Center for Information Technology in Agriculture filed Critical Beijing Research Center for Information Technology in Agriculture
Priority to CN201410610626.4A priority Critical patent/CN104330798B/zh
Publication of CN104330798A publication Critical patent/CN104330798A/zh
Application granted granted Critical
Publication of CN104330798B publication Critical patent/CN104330798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01S13/904—SAR modes
    • G01S13/9076—Polarimetric features in SAR
    • 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
    • G01S13/9004—SAR image acquisition techniques
    • G01S13/9005—SAR image acquisition techniques with optical processing of the SAR signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于合成孔径雷达遥感影像监测农作物播期的方法及装置，包括：在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像，对所述遥感影像进行极化分解，获取每一像素的极化参数；提取所述遥感影像中每个地块的边界，根据所述每一像素的极化参数获取所述每个地块中所有像素的平均极化参数；根据每个地块中所有像素的平均极化参数，通过播期监测模型反演每个地块的播期。该方法实现了大面积、快速准确监测农作物的播种时间，不仅有助于区域尺度农作物产量和品质的监测与预测，还有助于针对农田地块的不同播期制定相应的田间管理方案，更有效地指导农户进行调优栽培管理，对于实现作物高产、优质、高效具有重要意义。

Description

基于合成孔径雷达遥感影像监测农作物播期的方法及装置
技术领域
本发明涉及雷达遥感应用技术领域，具体涉及一种基于合成孔径雷达遥感影像监测农作物播期的方法及装置。
背景技术
农作物的播期(播种时间)影响着作物整个生长过程，是决定作物最终产量和籽粒品质的重要因素。播期不同造成作物生长发育期温度、光照等生态条件的差异，使作物生长发育过程中的光合作用及营养物质的转运分配也相应发生变化，因而对作物籽粒产量及淀粉和蛋白质的合成与积累产生影响。因此，作物播期的大范围监测对区域尺度作物产量和品质的监测和预测有重要意义。此外，及时掌握作物播期信息，有助于针对作物不同播期制定相应的田间管理方案，更有效地指导农户进行调优栽培管理，对于实现作物高产、优质、高效具有重要意义。
传统的作物播种期信息获取以野外观测调查及逐级信息上报为主。野外观测调查法简单易行，多依靠农业技术推广人员田间调查，但是掺杂主管因素，观测质量难以保证，并且需要消耗大量人力物力，覆盖面积有限，获取的播期信息多针对有限地块，难以在较大范围内推广使用；而播期信息上报多以村、组为单位，获得的信息多是多个地块的播种期信息，无法逐一落实到具体地块，因此也无法实现有针对性的调优栽培管理。
遥感探测具有覆盖范围大、探测周期短、现时性强、费用成本低等特点，可以大面积重复地对地面进行观测，能够监测区域甚至全球尺度的作物动态变化。在播期遥感监测方面，目前也有了初步的探索。如获取整个作物生长期的多时相光学遥感影像，构建植被指数的时间序列曲线，进而通过提取曲线的特征位置(如峰值、拐点等)来估计包括作物播期在内的作物生育期，但这种方法往往需等作物生长季结束后才能时间监测，不能进行早期监测，而且由于不利天气造成有效数据缺失会影响时间分辨率，进而影响估计精度。
发明内容
针对现有技术中的缺陷，本发明提供了一种基于合成孔径雷达遥感影像监测农作物播期的方法及装置，解决了光学遥感监测播期数据获取因受到云雨雾等天气的影响，导致有效数据缺乏，进而影响播期监测的精度和及时性的问题。
第一方面，本发明提供一种基于合成孔径雷达遥感影像监测农作物播期的方法，包括：
在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像，对所述遥感影像进行极化分解，获取每一像素的极化参数；
提取所述遥感影像中每个地块的边界，根据所述每一像素的极化参数获取所述每个地块中所有像素的平均极化参数；
根据每个地块中所有像素的平均极化参数，通过播期监测模型反演每个地块的播期。
可选的，所述在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像，对所述遥感影像进行极化分解，获取每一像素的极化参数，包括：
在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像；
对所述遥感影像进行预处理；
利用极化目标分解方法对所述预处理后的遥感影像进行极化分解，获取每一像素的极化参数。
可选的，所述对所述遥感影像进行预处理，包括：
对所述合成孔径雷达遥感影像进行辐射定标；
对辐射定标后的影像进行多视处理和斑噪去除；
将去噪后的四个极化通道数据转化成极化散射矩阵；
对所述极化散射矩阵影像进行地理编码、地形校正以及几何精校正处理。
可选的，所述利用极化目标分解方法对所述预处理后的遥感影像进行极化分解，获取每一像素的极化参数，包括：
利用Freeman-Durden三分量极化分解方法对预处理后的遥感影像进行极化分解，得到表面散射、偶次散射和体散射三种散射分量的功率强度Ps、Pd和Pv；三分量分解方程为：
T＝Ps*Ts+Pd*Td+Pv*Tv
其中，T是用相干矩阵形式表示的极化散射矩阵，Ts是表示表面散射模型的相干矩阵，Ps是表示地物表面散射分量的功率；Td是表示偶次散射模型的相干矩阵，Pd是表示地物偶次散射分量的功率；Tv是表示体散射模型的相干矩阵，Pv是表示地物体散射分量的功率。
可选的，所述提取所述遥感影像中每个地块的边界，包括：
利用数据库或根据面向对象的分割、分类方法得到监测区域地图；
对所述监测区域地图进行矢量化，得到监测区域内每个地块的边界。
可选的，所述根据所述每一像素的极化参数获取所述每个地块中所有像素的平均极化参数，包括：
计算每个地块中所有像素的平均极化参数
所述平均极化参数公式为:
其中，为地块的平均极化参数，为地块单元内所有像素的平均表面散射分量，为地块单元内所有像素的平均偶次散射分量，为地块单元内所有像素的平均体散射分量。
可选的，所述根据每个地块中所有像素的平均极化参数，通过播期监测模型反演每个地块的播期，包括：
构建播期监测模型，根据所述模型反演每个地块的播期，具体模型公式为：
Y＝T–DAS
其中，DAS为地块的播后天数，为地块的平均极化参数，T为合成孔径雷达遥感数据的观测日期，Y为地块的播期，a和b为模型校正系数。
第二方面，本发明还提供了了一种基于合成孔径雷达遥感影像监测农作物播期的装置，包括：
第一极化参数获取模块，用于在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像，对所述遥感影像进行极化分解，获取每一像素的极化参数；
第二极化参数获取模块，用于提取所述遥感影像中每个地块的边界，根据所述每一像素的极化参数获取所述每个地块中所有像素的平均极化参数；
播期确定模块，用于根据每个地块中所有像素的平均极化参数，通过播期监测模型反演每个地块的播期。
可选的，所述第一极化参数获取模块，包括：
影像获取单元，用于在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像；
预处理单元，用于对所述遥感影像进行预处理；
第一极化参数获取单元，用于利用极化目标分解方法对所述预处理后的遥感影像进行极化分解，获取每一像素的极化参数。
可选的，所述第二极化参数获取模块，包括：
地图获取单元，用于利用数据库或根据面向对象的分割、分类方法得到监测区域地图；
边界获取单元，用于对所述监测区域地图进行矢量化，得到监测区域内每个地块的边界；
第二极化参数获取单元，用于计算每个地块中所有像素的平均极化参数
所述平均极化参数公式为:
其中，为地块的平均极化参数，为地块单元内所有像素的平均表面散射分量，为地块单元内所有像素的平均偶次散射分量，为地块单元内所有像素的平均体散射分量。
由上述技术方案可知，本发明提供的一种基于合成孔径雷达遥感影像监测农作物播期的方法及装置，通过合成孔径雷达卫星的特点，解决了光学遥感监测播期数据获取因受到云雨雾等天气的影响，导致有效数据缺乏，进而影响播期监测的精度和及时性的问题。该方法实现了大面积、快速准确监测农作物的播种时间，不仅有助于区域尺度农作物产量和品质的监测与预测，还有助于针对农田地块的不同播期制定相应的田间管理方案，更有效地指导农户进行调优栽培管理，对于实现作物高产、优质、高效具有重要意义。
附图说明
图1为本发明一实施例提供的基于合成孔径雷达遥感影像监测农作物播期的方法的流程示意图；
图2为本发明实施例提供的监测播期的误差分布图；
图3为本发明实施例提供的真实播期与监测播期的对比图；
图4为本发明一实施例提供的基于合成孔径雷达遥感影像监测农作物播期的装置的结构示意图。
具体实施方式
下面结合附图，对发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明提出的一种利用光学遥感数据以及面向对象的方法监测农作物播期的方法，实现对农作物播种期的大面积监测。合成孔径雷达卫星具有全天时全天候的优势，具有更强的数据获取能力，能克服光学卫星往往受到云、雨、雾等不利天气无法及时获取数据的缺点，而及时、早期的信息获取对农业监测应用至关重要；此外，合成孔径雷达数据具有光学遥感所不具备的极化信息，能更好监测农作物生长状况，因此合成孔径雷达数据在农业应用中潜力巨大。
图1示出了本发明实施例提供的基于合成孔径雷达遥感影像监测农作物播期的方法的流程示意图，如图1所示，该方法包括以下步骤：
101、在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像，对所述遥感影像进行极化分解，获取每一像素的极化参数；
具体的，上述步骤101还包括如下子步骤：
1011、在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像；
1012、对所述遥感影像进行预处理；
举例来说，在具体实施过程中，本实施例对遥感影像进行预处理可以包括以下步骤：
1012A、对所述合成孔径雷达遥感影像进行辐射定标；
1012B、对辐射定标后的影像进行多视处理和斑噪去除；
1012C、将去噪后的四个极化通道数据转化成极化散射矩阵；
1012D、对所述极化散射矩阵影像进行地理编码、地形校正以及几何精校正处理。
1013、利用极化目标分解方法对所述预处理后的遥感影像进行极化分解，获取每一像素的极化参数。
具体的，利用Freeman-Durden三分量极化分解方法对预处理后的遥感影像进行极化分解，得到表面散射、偶次散射和体散射三种散射分量的功率强度Ps、Pd和Pv；三分量分解方程为：
T＝Ps*Ts+Pd*Td+Pv*Tv
其中，T是用相干矩阵形式表示的极化散射矩阵，Ts是表示表面散射模型的相干矩阵，Ps是表示地物表面散射分量的功率；Td是表示偶次散射模型的相干矩阵，Pd是表示地物偶次散射分量的功率；Tv是表示体散射模型的相干矩阵，Pv是表示地物体散射分量的功率。
102、提取所述遥感影像中每个地块的边界，根据所述每一像素的极化参数获取所述每个地块中所有像素的平均极化参数；
上述步骤102中，提取所述遥感影像中每个地块的边界，包括以下步骤：
1021、利用数据库或根据面向对象的分割、分类方法得到监测区域地图；
1022、对所述监测区域地图进行矢量化，得到监测区域内每个地块的边界。
上述步骤102中根据所述每一像素的极化参数获取所述每个地块中所有像素的平均极化参数，包括：
1023、计算每个地块中所有像素的平均极化参数
所述平均极化参数公式为:
其中，为地块的平均极化参数，为地块单元内所有像素的平均表面散射分量，为地块单元内所有像素的平均偶次散射分量，为地块单元内所有像素的平均体散射分量。
103、根据每个地块中所有像素的平均极化参数，通过播期监测模型反演每个地块的播期。
具体的，上述步骤103包括：
构建播期监测模型，根据所述模型反演每个地块的播期，具体模型公式为：
Y＝T–DAS
其中，DAS为地块的播后天数，为地块的平均极化参数，T为合成孔径雷达遥感数据的观测日期，Y为地块的播期，a和b为模型校正系数。
具体的，构建播期监测模型，其中主要涉及模型校正系数a和b的确定，一般模型矫正系数a和b有两种方法可以获取，第一种是直接利用其它可借鉴的模型参数，如往年构建模型的参数或相同作物类型的其他区域的模型参数；第二种是根据区域内少量地块的实测播期样本数据确定的。
上述方法实现了大面积、快速准确监测农作物的播种时间，不仅有助于区域尺度农作物产量和品质的监测与预测，还有助于针对农田地块的不同播期制定相应的田间管理方案，更有效地指导农户进行调优栽培管理，对于实现作物高产、优质、高效具有重要意义。
为了更清楚的说明本发明的上述实施方法，下面通过具体实施例进行详细说明。
该实施例提出了一种利用合成孔径雷达遥感影像监测油菜播期的方法，利用该方法监测了内蒙古自治区额尔古纳市上库力农场所有油菜地块的播种时期。包括以下步骤：
1011、在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像。
为监测内蒙古自治区额尔古纳市上库力农场所有油菜地块的播种时期，获取了2013年6月16日的全极化Radarsat-2雷达遥感影像。该影像幅宽25km×25km，完全覆盖了上库力农场。该影像以Fine Quad模式(四极化精细模式)获取，以单视复数据(SLC)产品分发。2013年6月16日时，该农场的大部分油菜处于苗期。
1012、对所述合成孔径雷达遥感影像进行地理编码等预处理；
对该景Radarsat-2影像进行数据预处理，该预处理过程包括辐射定标、斑噪去除、极化矩阵生成、几何校正步骤，具体为：
1012A、利用Radarsat-2数据产品文件中包含的定标参数(Sigma nought)对四个极化通道数据进行辐射定标；
1012B、在1012A的基础上，对辐射定标后的影像进行多视处理，再使用Boxcar滤波器降低雷达影像固有的斑点噪声，滤波窗口为5×5；
1012C、在1012B的基础上将四极化通道的雷达影像转化生成极化相干矩阵T3(每个像素点都由一个相干矩阵表示)；
1012D、在1012C的基础上对相干矩阵T3影像进行地理编码和地形校正：利用该区域的30米分辨率的DEM数据，结合Radarsat-2数据产品文件自带的地理位置信息，利用距离-多普勒算法完成地理编码和地形校正；随后利用野外采集的高精度地面控制点对图像进行进一步几何精校正，将图像每像素的几何位置精度控制在1个像素以内；
上述过程在PolSARPro,ASF MapReady和ENVI等专业软件的支持下完成；
1013、利用极化目标分解方法对所述预处理后影像进行极化分解，获取每一像素的极化参数。
采用Freeman-Durden三分量极化分解方法对步骤S2处理后的影像进行极化分解，将地物总散射分解为表面散射、偶次散射和体散射，得到每一种散射机制的功率，分别为Ps、Pd和Pv；
三分量分解方程为：
T＝Ps*Ts+Pd*Td+Pv*Tv
其中，T是用相干矩阵形式表示的极化散射矩阵，Ts是表示表面散射模型的相干矩阵，Ps是表示地物表面散射分量的功率；Td是表示偶次散射模型的相干矩阵，Pd是表示地物偶次散射分量的功率；Tv是表示体散射模型的相干矩阵，Pv是表示地物体散射分量的功率；
102、提取监测区域内每个地块单元的边界；
获取了该农场的作物种植区划图，结合遥感影像数据对作物种植区划图进行矢量化，提取出每个油菜地块单元的边界；
1023、计算每个地块单元所有像素的平均极化参数；
以地块为分析单元，计算每个油菜地块的平均极化参数公式为:
其中，为油菜地块的平均极化参数，为地块单元内所有像素的平均表面散射分量，为地块单元内所有像素的平均偶次散射分量，为地块单元内所有像素的平均体散射分量。
103、根据播期监测模型反演每个地块的播期。
构建播期监测的线性模型，根据区域内少量地块的实测播期样本数据确定该模型的校正系数(a和b)：2013年该农场油菜的播种时间从5月8日持续到5月31日，根据早播地块(5月8日)和晚播地块(5月31日)对应的平均极化参数与播后天数DAS，通过线性回归拟合得到该校正系数：a＝69.44，b＝-4.57；
播期监测模型的公式即为：
Y＝T–DAS
其中，DAS为地块的播后天数(Days After Sowing)，为地块的平均极化参数，T为合成孔径雷达遥感数据的观测日期，Y为该地块单元的播期；
这样，结合地块的平均极化参数，根据上面的公式，计算出每个地块的播期。
随后，利用地面真实数据对该方法反演的结果进行了验证。2013年，该农场有88块油菜地块，在油菜播种期记录了所有油菜地块的实际播种时间，播种从5月8日持续到5月31日。将88油菜地块的实际播期与利用本发明方法计算得到的播期进行比较，其误差分布如图2，其中86％的油菜地块的误差小于3天，14％的油菜地块误差在3～5天；实际播期与估计播期的相关系数(R2)达到0.86，如图3；均方根误差(RMSE)为2.1天，最大误差为5.1天。可以看到，该方法估计得播期误差较低。因此，该发明方法能很好地监测播期。
图4示出了本发明实施例提供的一种基于合成孔径雷达遥感影像监测农作物播期的装置，该装置包括：第一极化参数获取模块41、第二极化参数获取模块42和播期确定模块43。
第一极化参数获取模块41，用于在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像，对所述遥感影像进行极化分解，获取每一像素的极化参数。
在具体应用中，上述第一极化参数获取模块41还包括图4中未示出的子模块：
影像获取单元411，用于在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像；
预处理单元412，用于对所述遥感影像进行预处理；
第一极化参数获取单元413，用于利用极化目标分解方法对所述预处理后的遥感影像进行极化分解，获取每一像素的极化参数。
第二极化参数获取模块42，用于提取所述遥感影像中每个地块的边界，根据所述每一像素的极化参数获取所述每个地块中所有像素的平均极化参数。
在具体应用中，上述第二极化参数获取模块42还包括图4中未示出的子模块：
地图获取单元421，用于利用数据库或根据面向对象的分割、分类方法得到监测区域地图；
边界获取单元422，用于对所述监测区域地图进行矢量化，得到监测区域内每个地块的边界；
第二极化参数获取单元423，用于计算每个地块中所有像素的平均极化参数
所述平均极化参数公式为:
其中，为地块的平均极化参数，为地块单元内所有像素的平均表面散射分量，为地块单元内所有像素的平均偶次散射分量，为地块单元内所有像素的平均体散射分量。
播期确定模块43，用于根据每个地块中所有像素的平均极化参数，通过播期监测模型反演每个地块的播期。
本发明的装置与方法是一一对应的，因此方法中一些参数的计算过程也适用于该装置模块中计算的过程，在装置中将不再进行详细说明。
本发明的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (7)

1.一种基于合成孔径雷达遥感影像监测农作物播期的方法，其特征在于，包括：
在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像，对所述遥感影像进行极化分解，获取每一像素的极化参数；
提取所述遥感影像中每个地块的边界，根据所述每一像素的极化参数获取所述每个地块中所有像素的平均极化参数；
根据每个地块中所有像素的平均极化参数，通过播期监测模型反演每个地块的播期；
所述提取所述遥感影像中每个地块的边界，包括：
利用数据库或根据面向对象的分割、分类方法得到监测区域地图；
对所述监测区域地图进行矢量化，得到监测区域内每个地块的边界；
所述根据所述每一像素的极化参数获取所述每个地块中所有像素的平均极化参数，包括：
计算每个地块中所有像素的平均极化参数
所述平均极化参数公式为:
P ‾ = P ‾ v / ( P ‾ s + P ‾ d + P ‾ v )
其中，为地块的平均极化参数，为地块单元内所有像素的平均表面散射分量，为地块单元内所有像素的平均偶次散射分量，为地块单元内所有像素的平均体散射分量；
所述根据每个地块中所有像素的平均极化参数，通过播期监测模型反演每个地块的播期，包括：
构建播期监测模型，根据所述模型反演每个地块的播期，具体模型公式为：
D A S = a * P ‾ + b
Y＝T–DAS
其中，DAS为地块的播后天数，为地块的平均极化参数，T为合成孔径雷达遥感数据的观测日期，Y为地块的播期，a和b为模型校正系数。
2.根据权利要求1所述的方法，其特征在于，所述在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像，对所述遥感影像进行极化分解，获取每一像素的极化参数，包括：
在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像；
对所述遥感影像进行预处理；
利用极化目标分解方法对所述预处理后的遥感影像进行极化分解，获取每一像素的极化参数。
3.根据权利要求2所述的方法，其特征在于，所述对所述遥感影像进行预处理，包括：
对所述合成孔径雷达遥感影像进行辐射定标；
对辐射定标后的影像进行多视处理和斑噪去除；
将去噪后的四个极化通道数据转化成极化散射矩阵；
对所述极化散射矩阵影像进行地理编码、地形校正以及几何精校正处理。
4.根据权利要求3所述的方法，其特征在于，所述利用极化目标分解方法对所述预处理后的遥感影像进行极化分解，获取每一像素的极化参数，包括：
利用Freeman-Durden三分量极化分解方法对预处理后的遥感影像进行极化分解，得到表面散射、偶次散射和体散射三种散射分量的功率强度Ps、Pd和Pv；三分量分解方程为：
T＝Ps*Ts+Pd*Td+Pv*Tv
其中，T是用相干矩阵形式表示的极化散射矩阵，Ts是表示表面散射模型的相干矩阵，Ps是表示地物表面散射分量的功率；Td是表示偶次散射模型的相干矩阵，Pd是表示地物偶次散射分量的功率；Tv是表示体散射模型的相干矩阵，Pv是表示地物体散射分量的功率。
5.一种基于合成孔径雷达遥感影像监测农作物播期的装置，其特征在于，包括：
第一极化参数获取模块，用于在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像，对所述遥感影像进行极化分解，获取每一像素的极化参数；
第二极化参数获取模块，用于提取所述遥感影像中每个地块的边界，根据所述每一像素的极化参数获取所述每个地块中所有像素的平均极化参数；
播期确定模块，用于根据每个地块中所有像素的平均极化参数，通过播期监测模型反演每个地块的播期；
所述播期确定模块，具体用于：
构建播期监测模型，根据所述模型反演每个地块的播期，具体模型公式为：
D A S = a * P ‾ + b
Y＝T–DAS
其中，DAS为地块的播后天数，为地块的平均极化参数，T为合成孔径雷达遥感数据的观测日期，Y为地块的播期，a和b为模型校正系数。
6.根据权利要求5所述的装置，其特征在于，所述第一极化参数获取模块，包括：
影像获取单元，用于在作物生长前期获取监测区域的全极化合成孔径雷达遥感影像；
预处理单元，用于对所述遥感影像进行预处理；
第一极化参数获取单元，用于利用极化目标分解方法对所述预处理后的遥感影像进行极化分解，获取每一像素的极化参数。
7.根据权利要求5所述的装置，其特征在于，所述第二极化参数获取模块，包括：
地图获取单元，用于利用数据库或根据面向对象的分割、分类方法得到监测区域地图；
边界获取单元，用于对所述监测区域地图进行矢量化，得到监测区域内每个地块的边界；
第二极化参数获取单元，用于计算每个地块中所有像素的平均极化参数
所述平均极化参数公式为:
P ‾ = P ‾ v / ( P ‾ s + P ‾ d + P ‾ v )
其中，为地块的平均极化参数，为地块单元内所有像素的平均表面散射分量，为地块单元内所有像素的平均偶次散射分量，为地块单元内所有像素的平均体散射分量。
CN201410610626.4A 2014-11-03 2014-11-03 基于合成孔径雷达遥感影像监测农作物播期的方法及装置 Active CN104330798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410610626.4A CN104330798B (zh) 2014-11-03 2014-11-03 基于合成孔径雷达遥感影像监测农作物播期的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410610626.4A CN104330798B (zh) 2014-11-03 2014-11-03 基于合成孔径雷达遥感影像监测农作物播期的方法及装置

Publications (2)

Publication Number Publication Date
CN104330798A CN104330798A (zh) 2015-02-04
CN104330798B true CN104330798B (zh) 2017-04-05

Family

ID=52405559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410610626.4A Active CN104330798B (zh) 2014-11-03 2014-11-03 基于合成孔径雷达遥感影像监测农作物播期的方法及装置

Country Status (1)

Country Link
CN (1) CN104330798B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10705204B2 (en) * 2017-12-08 2020-07-07 International Business Machines Corporation Crop classification and growth tracking with synthetic aperture radar
CN108509836B (zh) * 2018-01-29 2021-10-08 中国农业大学 双极化合成孔径雷达与作物模型数据同化的作物估产方法
CN115035413B (zh) * 2022-06-30 2023-08-29 河南理工大学 一种多时相主被动遥感随机森林农作物识别方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7245250B1 (en) * 2005-08-16 2007-07-17 Itt Manufacturing Enterprises, Inc. Synthetic aperture radar image compression
CN103744079A (zh) * 2013-12-12 2014-04-23 中国科学院深圳先进技术研究院 一种甘蔗植期的确定方法及系统
CN103761447A (zh) * 2014-02-18 2014-04-30 中国科学院遥感与数字地球研究所 用于地市及县两级粮食补贴核算的种植面积遥感估算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7245250B1 (en) * 2005-08-16 2007-07-17 Itt Manufacturing Enterprises, Inc. Synthetic aperture radar image compression
CN103744079A (zh) * 2013-12-12 2014-04-23 中国科学院深圳先进技术研究院 一种甘蔗植期的确定方法及系统
CN103761447A (zh) * 2014-02-18 2014-04-30 中国科学院遥感与数字地球研究所 用于地市及县两级粮食补贴核算的种植面积遥感估算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于全极化SAR数据散射机理的农作物分类;化国强 等;《江苏农业学报》;20111031;第27卷(第5期);第1节、第2.2节 *

Also Published As

Publication number Publication date
CN104330798A (zh) 2015-02-04

Similar Documents

Publication Publication Date Title
Yang et al. Improving prediction of soil organic carbon content in croplands using phenological parameters extracted from NDVI time series data
CN108732129B (zh) 一种用图像表示农田土壤成分的系统及其方法
Chen et al. Assessment of MODIS-EVI, MODIS-NDVI and VEGETATION-NDVI composite data using agricultural measurements: An example at corn fields in western Mexico
Huang et al. Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation
Son et al. A comparative analysis of multitemporal MODIS EVI and NDVI data for large-scale rice yield estimation
JP5369282B2 (ja) 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
Shang et al. Mapping spatial variability of crop growth conditions using RapidEye data in Northern Ontario, Canada
CN102194127B (zh) 一种多频率sar数据农作物遥感分类方法
Esbah et al. Analyzing landscape changes in the Bafa Lake Nature Park of Turkey using remote sensing and landscape structure metrics
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
CN101858971A (zh) 一种基于modis数据的水稻单产遥感估算方法
Kaivosoja et al. A case study of a precision fertilizer application task generation for wheat based on classified hyperspectral data from UAV combined with farm history data
Wibowo et al. Spatio-temporal analysis of rice field phenology using Sentinel-1 image in Karawang Regency West Java, Indonesia
CN107122739B (zh) 基于Extreme数学模型重构VI时间序列曲线的作物估产模型
CN108766203B (zh) 一种紧致极化水稻制图的方法及系统
CN103969632A (zh) 一种利用雷达遥感数据监测小麦倒伏的方法及装置
CN111062526B (zh) 一种冬小麦单产预测方法及系统
CN104360347B (zh) 一种监测作物收割进度的方法及装置
CN104330798B (zh) 基于合成孔径雷达遥感影像监测农作物播期的方法及装置
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
Gutiérrez et al. Studying the influence of livestock pressure on gully erosion in rangelands of SW Spain by means of the UAV+ SfM workflow
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
Zhou et al. Improved yield prediction of Ratoon rice using unmanned aerial vehicle-based multi-temporal feature method
Vanino et al. Earth observation for improving irrigation water management: A case-study from Apulia Region in Italy
CN116843164A (zh) 基于图像分析的农业机械智能化控制系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant