CN104951754A - 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 - Google Patents

基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 Download PDF

Info

Publication number
CN104951754A
CN104951754A CN201510304801.1A CN201510304801A CN104951754A CN 104951754 A CN104951754 A CN 104951754A CN 201510304801 A CN201510304801 A CN 201510304801A CN 104951754 A CN104951754 A CN 104951754A
Authority
CN
China
Prior art keywords
time series
ndvi
data
ndvi time
crop
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.)
Pending
Application number
CN201510304801.1A
Other languages
English (en)
Inventor
占玉林
郝鹏宇
牛铮
王力
黄妮
高帅
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.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
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 Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201510304801.1A priority Critical patent/CN104951754A/zh
Publication of CN104951754A publication Critical patent/CN104951754A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于面向对象技术与NDVI时间序列相结合的农作物精细分类方法，充分利用NDVI时间序列能够反应农作物物候信息的特点，实现农作物的区分，同时基于面向对象技术消除椒盐效应，有效提高农作物精细分类的精度，为农作物精细分类提供了一种新思路。

Description

基于面向对象技术与NDVI时间序列相结合的农作物精细分类方法
技术领域
本发明是一项农作物遥感精细分类技术，提出了一种基于面向对象技术与NDVI时间序列相结合的农作物精细分类方法，充分利用NDVI时间序列能够反应农作物物候信息的特点，实现农作物的区分，同时基于面向对象技术消除椒盐效应，有效提高农作物精细分类的精度，为农作物精细分类提供了一种新思路。
背景技术
农作物的种植面积、产量等信息是国家制定粮食规划和经济政策的重要依据，而及时准确地掌握农作物种植分布是获取作物种植面积和进行产量预测估产的基础。随着遥感平台的不断发展及影像分辨率不断提高，遥感技术在农业领域中得到了广泛的应用，如作物种类提取、种植面积监测、长势监测和产量估算等。利用遥感技术能够在短期内快速、连续获取大尺度农作物的高分辨率影像，为农作物的精细分类提供了强有力的技术支撑。
我国农作物类型复杂多样，许多作物的光谱特征极为相似，利用单一时相遥感影像数据进行农作物提取经常会出现“错分、漏分”的现象。近年来，归一化植被指数(Normalized Difference Vegetation Index，NDVI)时间序列数据，能够精确地反映植被物候信息，有效削弱“同物异谱，同谱异物”现象，逐渐应用于农作物的提取。目前较为流行的方法是基于MODIS、NOAA/AVHRR的NDVI时间序列数据，但由于影像空间分辨率较低加之我国农作物种植类别复杂多样，地块较为破碎，仅有极少的像元是由单一地物所组成，农作物分类精度有限。随着遥感数据源的不断丰富，目前中、高分辨率影像时间序列的构建逐步成为热点，主要方法包括图像模拟法、多源数据综合法，而且高分辨率NDVI时间序列已经应用于农作物分类。
随着遥感影像空间分辨率的不断提升，面向对象的分类方法已成为主流，该方法将具有相同光谱、纹理和空间组合关系等特征的像元合并成一个对象，以对象为单位进行分类。相对基于像元的分类方法，面向对象的分类方法能够明显消除椒盐噪声，而且地物边界信息清晰。目前该方法主要集中应用于单一时相高分辨率遥感影像的分类，因此无法区分“异物同谱”的地物类型。
基于上述问题，本专利提出了一种基于面向对象技术与NDVI时间序列相结合的农作物精细分类算法，该算法针对高分辨率遥感数据时相分辨率的不足，综合利用LANDSAT TM数据和HJ-1数据构建高分辨率NDVI时间序列，并与面向对象技术进行优势互补，即削弱“同物异谱、异物同谱”现象，又消除椒盐效应，从而提升分类精度。
发明内容
本专利提出了一种基于面向对象技术与NDVI时间序列相结合的农作物精细分类算法，该方法综合了农作物的光谱信息(NDVI)和物候信息(时间序列)削弱了农作物“同物异谱、同谱异物”现象，同时结合面向对象的技术消除椒盐效应，能有效提升农作物分类的精度。该方法包括如下步骤：
步骤1)获取TM数据和HJ-1数据，利用TM数据和HJ-1数据构建NDVI时间序列；
步骤2)对步骤1)得到的NDVI时间序列进行主成分分析，提取前3个主成分形成主成分数据；
步骤3)对步骤2)得到的主成分数据进行多尺度分割，得到一系列分割单元，每个分割单元由空间上相邻、同质性达到80％以上的像元组成，将每个分割单元作为一个对象；
步骤4)将步骤3)所得到的对象作为面状矢量与步骤1构建的NDVI时间序列进行叠加，提取每个对象对应区域不同时相的NDVI均值，从而获得每个对象相应的NDVI时序数据，形成基于对象的NDVI时间序列；
步骤5)利用全球30米地表覆盖数据获取试验区的耕地分布图，形成对应区域的掩膜；
步骤6)针对基于对象的NDVI时间序列数据添加步骤5)形成的掩膜，利用地面实测农作物样本数据，采用支持向量机(SVM)的监督分类算法对耕地区域进行分类，形成农作物精细分类图。
进一步地，多尺度分割的分割尺度为80、颜色因子为0.7、光滑度为0.5。
进一步地，地面实测农作物样本为棉花、玉米、小麦、打瓜和葡萄，样本数据为作物的几何位置信息。
本发明的优点：本发明针对高分辨率遥感数据时相分辨率的不足，综合利用多源遥感数据分辨率、波段相近的特点，实现了高分辨率NDVI时间序列的构建；同时将面向对象技术与农作物物候特征进行了有机结合，应用于高分辨率遥感影像，即削弱“同物异谱、异物同谱”现象，又消除椒盐效应，提高了分类的精度。
附图说明
图1为试验区30m-NDVI主成分数据分割图；
图2为试验区农作物精细分类图。
具体实施方式
下面结合实例对本发明作进一步说明。
步骤一：高空间分辨率NDVI时间序列的构建。高分辨率影像虽然空间分辨率较高，但回访周期较长，且受制于云、水汽等天气影响，很难利用同源高分辨率影像构建NDVI时间序列数据。而HJ-1卫星搭载的中分辨率多光谱CCD相机，其传感器波段设置和空间分辨率与Landsat TM基本一致，所以本发明获取了试验区(位于新疆博尔塔拉蒙古自治州博乐市中部)(2011年4月至10月)5景HJ-1影像和6景TM影像(影像序列的获取时间见表1)，经过辐射定标、大气校正、几何校正等处理后，提取NDVI并构建30m-NDVI时间序列，以实现对作物生长发育关键时期的连续观测。
表1 HJ-1CCD和Landsat TM影像
步骤二：NDVI时间序列主成分提取。对步骤一获取的30m-NDVI时间序列进行主成分分析，以去除或减弱波段之间的相关性，提取前3个主成分形成30m-NDVI主成分数据。
步骤三：对30m-NDVI主成分数据进行多尺度分割，得到一系列空间上相邻、同质性较高的分割单元，将每个单元作为一个对象。利用30m-NDVI时间序列前三个主成分进行影像分割，既能减弱信息冗余对分割精度的影响，同时由于维数的降低能够提高影像分割效率。多尺度分割试验采用的参数为：分割尺度为80、颜色因子为0.7、光滑度为0.5。
步骤四：将步骤三所得到的对象作为面状矢量与步骤一构建的NDVI时间序列进行叠加，提取每个对象对应区域不同时相的NDVI均值，从而获得每个对象相应的NDVI时序数据，形成基于对象的NDVI时间序列；
步骤五：利用全球30米地表覆盖数据，获取耕地分布图，做成掩膜；本发明主要目的是利用物候信息结合面向对象技术开展农作物精细分类，为了避免其它地物的干扰，从网站(http：//glc30.tianditu.com/background.html)下载实验区的30米地表覆盖数据，该数据是由国家基础地理信息中心牵头制作的全球30米地表覆盖数据(GlobeLand30)，获取试验区耕地分布数据，制作成掩膜。
步骤六：针对试验区的耕地，利用地面实测农作物数据作为训练样本，开展农作物精细分类。试验区的主要农作物为棉花、玉米、小麦、小麦-玉米(套种)、打瓜和葡萄，通过野外实地调查获取了各类农作物种植地块的样本数据(样本数据为作物的几何位置信息)，形成训练样本，同时添加步骤五形成的掩膜，对基于对象的NDVI时序数据，采用支持向量机(SVM)的监督分类算法首先对从农作物样本的NDVI时间序列中获取农作物的物候特征，进而利用各农作物的物候特征对耕地区域进行分类，形成农作物精细分类图。本次试验的总体分类精度为93.17％，相对于传统的基于像素的分类方法，精度提高了3个百分点。

Claims (3)

1.基于面向对象技术与NDVI时间序列相结合的农作物精细分类方法，其特征在于，该方法包括以下步骤：
步骤1)获取TM数据和HJ-1数据，利用TM数据和HJ-1数据构建NDVI时间序列；步骤2)对步骤1)得到的NDVI时间序列进行主成分分析，提取前3个主成分形成主成分数据；步骤3)对步骤2)得到的主成分数据进行多尺度分割，得到一系列分割单元，每个分割单元由空间上相邻、同质性达到80％以上的像元组成，将每个分割单元作为一个对象；步骤4)将步骤3)所得到的对象作为面状矢量与步骤1)构建的NDVI时间序列进行叠加，提取每个对象对应区域不同时相的NDVI均值，从而获得每个对象相应的NDVI时序数据，形成基于对象的NDVI时间序列；步骤5)利用全球30米地表覆盖数据获取试验区耕地分布图，形成对应区域的掩膜；步骤6)针对基于对象的NDVI时间序列数据添加步骤5)形成的掩膜，利用地面实测农作物样本数据，采用支持向量机(SVM)的监督分类算法对耕地区域进行分类，形成农作物精细分类图。
2.根据权利要求1所述的基于面向对象技术与NDVI时间序列相结合的农作物精细分类方法，其特征在于，所述多尺度分割的分割尺度为80、颜色因子为0.7、光滑度为0.5。
3.根据权利要求1所述的基于面向对象技术与NDVI时间序列相结合的农作物精细分类方法，其特征在于，所述地面实测农作物样本为棉花、玉米、小麦、打瓜和葡萄，所述样本数据为作物的几何位置信息。
CN201510304801.1A 2015-06-08 2015-06-08 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 Pending CN104951754A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510304801.1A CN104951754A (zh) 2015-06-08 2015-06-08 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510304801.1A CN104951754A (zh) 2015-06-08 2015-06-08 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法

Publications (1)

Publication Number Publication Date
CN104951754A true CN104951754A (zh) 2015-09-30

Family

ID=54166396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510304801.1A Pending CN104951754A (zh) 2015-06-08 2015-06-08 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法

Country Status (1)

Country Link
CN (1) CN104951754A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107093177A (zh) * 2017-01-23 2017-08-25 黑龙江禾禾遥感科技有限公司 面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法
CN107314990A (zh) * 2017-08-28 2017-11-03 北京师范大学 一种春玉米遥感识别方法
CN109635731A (zh) * 2018-12-12 2019-04-16 中国科学院深圳先进技术研究院 一种识别有效耕地的方法及装置、存储介质及处理器
CN109670425A (zh) * 2018-12-07 2019-04-23 河北工程大学 一种基于多尺度思想的地物信息提取方法
CN109726639A (zh) * 2018-12-07 2019-05-07 河北工程大学 一种基于非监督分类技术的地物信息提取方法
CN111630551A (zh) * 2018-01-23 2020-09-04 X开发有限责任公司 图像中的作物类型分类
US11361039B2 (en) 2018-08-13 2022-06-14 International Business Machines Corporation Autodidactic phenological data collection and verification

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609726A (zh) * 2012-02-24 2012-07-25 中国科学院东北地理与农业生态研究所 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法
CN103000077A (zh) * 2012-11-27 2013-03-27 中国科学院东北地理与农业生态研究所 利用面向对象的分类方法对中等分辨率遥感图像进行红树林制图的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609726A (zh) * 2012-02-24 2012-07-25 中国科学院东北地理与农业生态研究所 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法
CN103000077A (zh) * 2012-11-27 2013-03-27 中国科学院东北地理与农业生态研究所 利用面向对象的分类方法对中等分辨率遥感图像进行红树林制图的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PENGYU HAO ET AL: "The Potential of Time Series Merged from Landsat-5 TM and HJ-1 CCD for Crop Classification: A Case Study for Bole and Manas Counties in Xinjiang, China", 《REMOTE SENSING》 *
刘佳等: "基于HJ时间序列数据的农作物种植面积估算", 《农业工程学报》 *
张焕雪等: "基于多时相环境星NDVI时间序列的农作物分类研究", 《遥感技术与应用》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107093177A (zh) * 2017-01-23 2017-08-25 黑龙江禾禾遥感科技有限公司 面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法
CN107314990A (zh) * 2017-08-28 2017-11-03 北京师范大学 一种春玉米遥感识别方法
CN107314990B (zh) * 2017-08-28 2020-01-17 北京师范大学 一种春玉米遥感识别方法
CN111630551A (zh) * 2018-01-23 2020-09-04 X开发有限责任公司 图像中的作物类型分类
US11321943B2 (en) 2018-01-23 2022-05-03 X Development Llc Crop type classification in images
US11361039B2 (en) 2018-08-13 2022-06-14 International Business Machines Corporation Autodidactic phenological data collection and verification
CN109670425A (zh) * 2018-12-07 2019-04-23 河北工程大学 一种基于多尺度思想的地物信息提取方法
CN109726639A (zh) * 2018-12-07 2019-05-07 河北工程大学 一种基于非监督分类技术的地物信息提取方法
CN109635731A (zh) * 2018-12-12 2019-04-16 中国科学院深圳先进技术研究院 一种识别有效耕地的方法及装置、存储介质及处理器

Similar Documents

Publication Publication Date Title
Chen et al. Mapping croplands, cropping patterns, and crop types using MODIS time-series data
CN104951754A (zh) 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法
Zhang et al. Improved maize cultivated area estimation over a large scale combining MODIS–EVI time series data and crop phenological information
Yu et al. Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage
CN105740759B (zh) 基于多时相数据中特征提取的中稻信息决策树分类方法
US7058197B1 (en) Multi-variable model for identifying crop response zones in a field
Zhong et al. Phenology-based crop classification algorithm and its implications on agricultural water use assessments in California’s Central Valley
CN112164062A (zh) 一种基于遥感时序分析的抛荒地信息提取方法及装置
CN110020635A (zh) 基于无人机影像与卫星影像的种植区农作物精细分类方法和系统
CN112395914A (zh) 一种融合遥感影像时序与纹理特征的地块作物识别方法
CN104951772B (zh) 一种基于ndvi时间序列曲线积分的冬小麦提取方法
CN104915674A (zh) Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法
Xia et al. Exploring the potential of Chinese GF-6 images for crop mapping in regions with complex agricultural landscapes
Cao et al. Mapping paddy rice using Landsat time series data in the Ganfu Plain irrigation system, Southern China, from 1988− 2017
Liu et al. Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements
Li et al. Maize acreage estimation using ENVISAT MERIS and CBERS-02B CCD data in the North China Plain
Zhu et al. Identification of soybean based on Sentinel-1/2 SAR and MSI imagery under a complex planting structure
Hu et al. Unmanned aerial vehicle (UAV) remote sensing estimation of wheat chlorophyll in subsidence area of coal mine with high phreatic level
Chai et al. Garlic mapping for sentinel-2 time-series data using a random forest classifier
Hu et al. Optimal scale extraction of farmland in coal mining areas with high groundwater levels based on visible light images from an unmanned aerial vehicle (UAV)
Tang et al. UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard
Yao et al. Corn area extraction by the integration of MODIS-EVI time series data and China’s environment satellite (HJ-1) data
Huang et al. Comparing the effects of temporal features derived from synthetic time-series NDVI on fine land cover classification
Fan et al. An improved Deeplab based model for extracting cultivated land information from high definition remote sensing images
Yang et al. Feature extraction of cotton plant height based on DSM difference method

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20150930

RJ01 Rejection of invention patent application after publication