CN104951772B - 一种基于ndvi时间序列曲线积分的冬小麦提取方法 - Google Patents
一种基于ndvi时间序列曲线积分的冬小麦提取方法 Download PDFInfo
- Publication number
- CN104951772B CN104951772B CN201510401405.0A CN201510401405A CN104951772B CN 104951772 B CN104951772 B CN 104951772B CN 201510401405 A CN201510401405 A CN 201510401405A CN 104951772 B CN104951772 B CN 104951772B
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- ndvi
- time
- pixel
- ndvi time
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于NDVI时间序列曲线积分的冬小麦提取方法,本发明基于GF‑1卫星搭载的宽覆盖相机(Wide Field of View,WFV),采用覆盖冬小麦生长周期NDVI时间序列,充分利用冬小麦生长周期内NDVI曲线相对较高,也就是说冬小麦的NDVI曲线图随时间的积分值相对其它作物较大的特征,基于曲线积分方法实现了冬小麦的高精度自动识别,操作流程简单、效果显著。
Description
技术领域
本发明是一项冬小麦遥感识别技术,提出了一种基于NDVI时间序列曲线积分的冬小麦提取方法,充分利用冬小麦生长周期内的NDVI时间序列与其它农作物的显著差异,实现了冬小麦的高精度提取。
背景技术
小麦是我国的主要粮食之一,小麦的产量直接关系到国家粮食安全和社会稳定。小麦分为冬小麦和春小麦,我国以种植冬小麦为主。及时准确地提取冬小麦种植信息是获取冬小麦种植面积和进行产量预测的基础。随着遥感平台的不断发展及影像分辨率不断提高,遥感技术在小麦监测领域中得到了广泛的应用,如小麦种植面积监测、长势监测和产量估算等。
我国农作物类型复杂多样,如何利用遥感技术手段从众多的作物中将冬小麦识别出来,研究人员已经开展了大量的研究工作。由于许多作物的光谱特征具有相似性,利用单一时相遥感影像数据进行冬小麦的识别经常会出现错判、漏判的现象。近年来,归一化植被指数( Normalized Difference Vegetation Index, NDVI )时间序列数据已成为研究的热点,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,逐渐应用于冬小麦的识别。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,冬小麦识别精度有限。
随着我国高分辨率卫星的陆续发射(ZY-3、GF-1、GF-2等),为高分辨率NDVI时间序列的构建提供了可能。其中GF-1卫星搭载的宽覆盖相机(Wide Field of View, WFV)具备16米空间分辨率及4天重访周期的影像获取能力,只需利用单一数据源就能构建高空间分辨率NDVI时间序列。本专利提出了一种基于NDVI时间序列曲线积分的冬小麦提取方法,流程简单实用且效果显著。
发明内容
本专利提出了一种基于NDVI时间序列曲线积分的冬小麦提取方法,充分利用冬小麦区别于其它作物的特有物候特征,基于冬小麦生长周期内的NDVI时间序列,通过曲线积分方法实现了冬小麦的高精度提取。该算法包括如下步骤:
步骤1)获取冬小麦生长周期内的GF-1卫星搭载的宽覆盖相机(Wide Field ofView, WFV)数据,并构建NDVI时间序列;
步骤2)利用历史数据获取试验区耕地分布信息并进行掩膜处理,得到试验区的耕地分布;
步骤3)通过历史数据或实地调查,获取冬小麦样本数据;
步骤4)基于冬小麦样本,获取相应的像元的NDVI时间序列曲线,采用曲线积分方法对NDVI时间序列曲线在以天为单位的时间轴求积分,获取每个样本像元的积分值,并对所有样本像元的积分值进行统计分析得到最小值,作为冬小麦提取的阈值,其中,像元的NDVI 时间序列表示为,为时间序列的起点,即,为时刻对应的NDVI,为时间序列中第二景影像获取的日期与第一景影像获取的日期相隔的天数,为时刻对应的NDVI,以下以此类推,按照公式计算得到每个样本像元的积分值;
步骤5)利用步骤2)得到的掩膜图,采用曲线积分方法对各个像元的NDVI时间序列曲线求积分,当积分值在阈值区间时,则判定该像元为冬小麦,遍历整个试验区,最后形成冬小麦分布图。
进一步地,所述步骤1)中冬小麦的生长周期为11月上旬至次年6月下旬,确保每个月有一期GF-1 WFV数据,NDVI时间序列构建前需要对数据经过辐射定标、大气校正、几何校正等处理,然后利用红光波段与近红外波段计算得到NDVI,最后形成NDVI时间序列。
进一步地,所述步骤2)中的历史数据为国家基础地理信息中心制作的全球30米地表覆盖数据。
进一步地,所述步骤4)中,冬小麦样本数据具有代表性,即样本像元的NDVI时间序列曲线的积分值的动态范围能够代表整个试验区冬小麦NDVI时间序列曲线的积分值的动态范围。
本发明的优点:本发明采用单一数据源构建了高空间分辨率NDVI时间序列,NDVI时间序列覆盖冬小麦生长周期,充分利用了冬小麦在生长周期内NDVI时间序列与其它农作物的差异显著的特征,通过曲线积分方法达到了较高的提取精度;同时利用样本数据完成了阈值的自动获取,有助于实现冬小麦的自动提取。
附图说明
图1为2013年11月末到2014年6月末试验区作物的NDVI时间序列曲线。
图2为冬小麦NDVI时间序列曲线积分示意图,图中阴影部分的面积为积分值。
图3为试验区冬小麦提取结果图。
具体实施方式
下面结合实例对本发明作进一步说明。
步骤1):获取冬小麦生长周期内的GF-1 WFV数据,并构建NDVI时间序列;本发明以河北省唐山市南部为试验区,获取了从2013年11月至2014年6月覆盖冬小麦完整生长周期的GF-1 WFV数据共9景(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NDVI时间序列,以实现对作物生长发育关键时期的连续观测。其中NDVI是利用GF-1WFV数据的红光波段与近红外波段,通过公式(1)计算得到。
(1)
式中:为近红外波段反射率,为红光波段反射率。
表1 GF-1 WFV影像
从试验区农作物的NDVI曲线图(图1)可以看出,冬小麦的NDVI曲线整体相对较高,也就是说冬小麦的NDVI曲线图随时间的积分值(图2阴影部分的面积)相对其它作物较大,本专利充分利用了这一特征,实现了冬小麦的高精度识别。
步骤2):根据实地考察并结合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信息并进行掩膜处理,得到试验区的耕地分布。
步骤3):通过实地调查在试验区获取了112个冬小麦样本数据,样本数据在试验区尽可能均匀分布。
步骤4):冬小麦提取阈值的确定。基于冬小麦样本,获取相应像元的NDVI时间序列曲线。本专利中像元的NDVI 时间序列表示为,其中为时间(以天为单位),为时间序列的起点,即,为时刻对应的NDVI,为时间序列中第二景影像获取的日期与第一景影像获取的日期相隔的天数,为时刻对应的NDVI,以下以此类推。按照公式(2)计算得到每个样本像元的积分值,并对所有样本像元的积分值进行统计分析得到最小值,作为小麦提取的阈值。
(2)
步骤五:冬小麦的提取。对耕地分布区域内各个像元按照公式(2)计算得到NDVI时间序列曲线的积分值,然后按照公式(3)判定该像元是否为冬小麦,遍历整个试验区,最后形成冬小麦分布图(图3)。本次试验的冬小麦的识别精度为91.8%。
(3)。
Claims (4)
1.一种基于NDVI时间序列曲线积分的冬小麦提取方法,其特征在于,该方法包括以下
步骤:步骤1)获取冬小麦生长周期内的GF-1卫星搭载的宽覆盖相机数据,并构建NDVI时
间序列;步骤2)利用历史数据获取试验区耕地分布信息并进行掩膜处理,得到试验区的
耕地分布;步骤3)通过历史数据或实地调查,获取冬小麦样本数据;步骤4)基于冬小麦
样本,获取相应的像元的NDVI时间序列曲线,采用曲线积分方法对NDVI时间序列曲线在
以天为单位的时间轴求积分,获取每个样本像元的积分值,并对所有样本像元的积分值
进行统计分析得到最小值,作为冬小麦提取的阈值,其中,像元的NDVI时间序列表示为,为时间序列的起点,即,为时刻对应的NDVI,为时间序
列中第二景影像获取的日期与第一景影像获取的日期相隔的天数,为时刻对应的NDVI,
以下以此类推,按照公式计算得到每个样本像元的
积分值;步骤5)利用步骤2)得到的掩膜图,采用曲线积分方法对各个像元的NDVI时间序列
曲线求积分,当积分值在阈值区间时,则判定该像元为冬小麦,遍历整个试验区,最后形成
冬小麦分布图。
2.根据权利要求1所述的一种基于NDVI时间序列曲线积分的冬小麦提取方法,其特征在于,所述冬小麦生长周期为11月上旬至次年6月下旬。
3.根据权利要求1所述的一种基于NDVI时间序列曲线积分的冬小麦提取方法,其特征在于,所述冬小麦样本数据为冬小麦的几何位置信息,且在试验区相对均匀分布,具有代表性。
4.根据权利要求1所述的一种基于NDVI时间序列曲线积分的冬小麦提取方法,其特征在于,所述历史数据为国家基础地理信息中心制作的全球30米地表覆盖数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510401405.0A CN104951772B (zh) | 2015-07-10 | 2015-07-10 | 一种基于ndvi时间序列曲线积分的冬小麦提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510401405.0A CN104951772B (zh) | 2015-07-10 | 2015-07-10 | 一种基于ndvi时间序列曲线积分的冬小麦提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104951772A CN104951772A (zh) | 2015-09-30 |
CN104951772B true CN104951772B (zh) | 2017-12-29 |
Family
ID=54166414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510401405.0A Active CN104951772B (zh) | 2015-07-10 | 2015-07-10 | 一种基于ndvi时间序列曲线积分的冬小麦提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104951772B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404873B (zh) * | 2015-11-30 | 2018-09-04 | 中国科学院遥感与数字地球研究所 | 一种基于ndvi时间序列坐标转换的冬小麦识别方法 |
CN109919083B (zh) * | 2019-03-06 | 2020-11-17 | 武汉大学 | 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 |
CN110909679B (zh) * | 2019-11-22 | 2020-09-18 | 中国气象科学研究院 | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 |
CN111695533B (zh) * | 2020-06-16 | 2022-08-12 | 中国科学院地理科学与资源研究所 | 冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法 |
CN112329733B (zh) * | 2020-11-27 | 2022-08-30 | 河南大学 | 一种基于gee云平台的冬小麦长势监测及分析方法 |
CN113392759B (zh) * | 2021-06-11 | 2022-02-01 | 河南大学 | 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 |
CN117726902A (zh) * | 2023-12-19 | 2024-03-19 | 中国科学院空天信息创新研究院 | 一种基于Sentinel2时序曲线分布的大豆样本生成方法和系统 |
CN117830860A (zh) * | 2024-03-06 | 2024-04-05 | 江苏省基础地理信息中心 | 一种冬小麦种植结构的遥感自动提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336956A (zh) * | 2013-07-10 | 2013-10-02 | 福州大学 | 一种基于遥感时序数据的冬小麦面积估算方法 |
CN104615977A (zh) * | 2015-01-26 | 2015-05-13 | 河南大学 | 综合关键季相特征和模糊分类技术的冬小麦遥感识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2014004472A (es) * | 2011-10-13 | 2014-08-01 | Pioner Hi Bred Int Inc | Deteccion automatica de pixeles de objeto para analisis hiperespectral. |
-
2015
- 2015-07-10 CN CN201510401405.0A patent/CN104951772B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336956A (zh) * | 2013-07-10 | 2013-10-02 | 福州大学 | 一种基于遥感时序数据的冬小麦面积估算方法 |
CN104615977A (zh) * | 2015-01-26 | 2015-05-13 | 河南大学 | 综合关键季相特征和模糊分类技术的冬小麦遥感识别方法 |
Non-Patent Citations (3)
Title |
---|
Regional yield estimation for winter wheat with MODIS-NDVI data in Shandong, China;Jianqiang Ren et al;《International Journal of Applied Earth Observation and Geoinformation》;20081231;第403-413页 * |
基于GF-1卫星遥感的冬小麦面积早期识别;王利民等;《农业工程学报》;20150630;第31卷(第11期);第194-201页 * |
基于MODIS EVI时间序列的冬小麦长势监测;张明伟等;《中国农业资源与区划》;20070430;第28卷(第2期);第29-33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104951772A (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104951772B (zh) | 一种基于ndvi时间序列曲线积分的冬小麦提取方法 | |
Wang et al. | Mapping sugarcane plantation dynamics in Guangxi, China, by time series Sentinel-1, Sentinel-2 and Landsat images | |
Zhang et al. | Improved maize cultivated area estimation over a large scale combining MODIS–EVI time series data and crop phenological information | |
CN107273820B (zh) | 一种土地覆盖遥感分类方法及系统 | |
Bendig et al. | Very high resolution crop surface models (CSMs) from UAV-based stereo images for rice growth monitoring in Northeast China | |
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 | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
HAO et al. | High resolution crop intensity mapping using harmonized Landsat-8 and Sentinel-2 data | |
GB2598012A (en) | System and method for crop monitoring | |
Xia et al. | Exploring the potential of Chinese GF-6 images for crop mapping in regions with complex agricultural landscapes | |
Putra et al. | Using information from images for plantation monitoring: A review of solutions for smallholders | |
Cao et al. | Mapping paddy rice using Landsat time series data in the Ganfu Plain irrigation system, Southern China, from 1988− 2017 | |
CN104915660A (zh) | 一种基于gf-1/wfv ndvi时间序列的冬小麦自动识别方法 | |
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 | |
CN109784300A (zh) | 一种农作物科学测产方法及系统 | |
Xu et al. | Classification method of cultivated land based on UAV visible light remote sensing | |
CN105404873A (zh) | 一种基于ndvi时间序列坐标转换的冬小麦识别方法 | |
CN109816542A (zh) | 一种农作物减产理赔方法及系统 | |
CN113221806A (zh) | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 | |
Kavvadias et al. | Precision Agriculture-Comparison and Evaluation of Innovative Very High Resolution (UAV) and LandSat Data. | |
CN111275567B (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
Amankulova et al. | Comparison of PlanetScope, Sentinel-2, and landsat 8 data in soybean yield estimation within-field variability with random forest regression | |
Shu et al. | Using the plant height and canopy coverage to estimation maize aboveground biomass with UAV digital images | |
Villareal et al. | Remote sensing techniques for classification and mapping of sugarcane growth | |
Zhang et al. | Large-scale apple orchard mapping from multi-source data using the semantic segmentation model with image-to-image translation and transfer learning |
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 |