CN105046242B - 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 - Google Patents
一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 Download PDFInfo
- Publication number
- CN105046242B CN105046242B CN201510521953.7A CN201510521953A CN105046242B CN 105046242 B CN105046242 B CN 105046242B CN 201510521953 A CN201510521953 A CN 201510521953A CN 105046242 B CN105046242 B CN 105046242B
- Authority
- CN
- China
- Prior art keywords
- asparagus
- image
- pixel
- landsat
- planting
- 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.)
- Expired - Fee Related
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
本发明涉及一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法，利用Landsat 8影像数据，通过分析芦笋与其他地物归一化差值植被指数NDVI特征，首先，利用阈值分割方法除芦笋外的其它植被像元，再进一步分析建筑物、道路和芦笋的影像二维特征空间，发现芦笋土壤线分布规律，并通过波段运算结果确定芦笋种植区阈值，最后进行芦笋种植面积提取。本发明成本较低，比较直观，简单易操作，可以实现大面积芦笋种植区域提取，效率较高；本发明实现芦笋种植地区芦笋种植面积提取工作，以期为行政部门决策管理、农业资源统计与利用等工作提供参考，为当地芦笋产业的健康发展提供指导。
Description
技术领域
本发明涉及一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法，属于卫星遥感农业技术领域。
背景技术
近年来，由于农业产业结构的调整，特色农作物在某些地区有了较大的空间分布。蔬菜是城乡居民生活必不可少的重要农产品，改革开放以来，我国蔬菜产业发展迅速，在保障市场供应、增加农民收入等方面发挥了重要作用。及时准确地了解蔬菜等经济作物的种植面积，对保障农产品的有效供给、加强市场监测预警以及促进蔬菜产业的可持续发展具有重要作用。
遥感技术具有宏观、动态、快速、准确等优势，这决定了遥感技术能快速应用于农业领域。自遥感技术应用以来，国内外研究人员开展了一系列利用遥感技术提取作物种植面积的研究并取得显著进展。芦笋是世界十大名菜之一，芦笋种植产业具有显著的经济效益，研究发明一种芦笋种植面积的遥感提取方法具有重要现实意义。
Landsat 8卫星于2013年2月13日成功发射，目前可以在美国地质调查局网站免费下载数据，Landsat 8卫星按近极点太阳同步轨道绕地球飞行，轨道高度为705km，轨道倾角98.2°，每98.9分钟绕地球一圈，每16天覆盖地球一遍，降交点时间为当地时间上午10时至10时15分，卫星数据下行速率为441Mbps。卫星携带两个主要载荷OLI和TIRS。Landsat8卫星数据很好地延续了Landsat系列卫星的一贯特点，将为遥感应用的持续发展发挥重要作用。Landsat 8的波段范围有所变化，其中尤以近红外和全色波段的波长范围变化最明显，另外，Landsat 8的TIRS有2个热红外波段。
发明内容
术语解释
1、几何校正，是指通过一系列的数学模型来改正和消除遥感影像成像时因摄影材料变形、物镜畸变、大气折光、地球曲率、地球自转、地形起伏等因素导致的原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中的表达要求不一致时产生的变形。
2、辐射校正，在遥感传感器观测目标地物辐射或反射的电磁能量时，从传感器得到的测量值与目标地物的光谱辐射亮度是不一致的，传感器的光电系统特征、太阳高度、地形及大气条件等都会引起光谱亮度的失真，消除或改正因辐射误差而引起影像畸变的过程成为辐射 校正。
针对现有技术的不足，本发明公开了一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法；
本发明所用数据为新一代陆地卫星Landsat 8遥感影像数据，使用Landsat 8数据的热红外波段以及多光谱的绿波段、红外波段、近红外波段和中红外波段。
本发明的技术方案为：
一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法，具体步骤包括：
(1)获取数据
获取芦笋种植区域的相关数据，芦笋种植区域的相关数据包括：芦笋种植区域经纬度、芦笋种植区域地表覆盖类型、芦笋种植区域地形、芦笋种植区域耕地参数；选取Landsat 8卫星数据作为芦笋种植区域遥感影像；
现有的遥感数据源有很多，例如，环境小卫星HJ数据、资源三号卫星数据、高分一号数据、MODIS数据、Landsat 8卫星数据等。不同的遥感数据具有不同的空间、时间分辨率，数据质量、获取途径有差异。
Landsat 8卫星数据在美国地质调查局网站免费下载，Landsat 8卫星数据包含11个波段信息，光谱分辨率高；Landsat 8卫星数据空间分辨率为30米，全色波段的空间分辨率可达15米，具有较高的空间分辨率，Landsat 8卫星数据符合芦笋遥感提取的时间需求，数据质量合格，空间分辨率满足提取要求，且可以免费获取，基于以上数据特点选择Landsat 8卫星数据作为数据源。
(2)对步骤(1)获取的芦笋种植区域遥感影像依次进行影像剪裁、几何校正、大气辐射校正处理；
(3)对通过步骤(2)获取的芦笋种植区域遥感影像求取归一化差值植被指数NDVI，进行阈值分割，掩膜去除除芦笋外的其它植被像元，除芦笋外的其它植被像元包括：水体像元、小麦像元及除芦笋、水体、小麦外的其它植被像元；
归一化差值植被指数NDVI是指植被生长状态及植被覆盖度的最佳指示因子；
植被指数NDVI的计算公式如式(Ⅰ)所示：
NDVI＝(NIR-R)/(NIR+R) (Ⅰ)
式(Ⅰ)中，NIR表示Landsat 8卫星第5波段即近红外波段的反射率；R表示Landsat8卫星第4波段即可见光红波段的反射率；
求取的归一化差值植被指数NDVI中，NDVI<0的像元为水体像元，NDVI>0.3的像元为小 麦像元及除芦笋、水体、小麦外的其它植被像元；
此处设计的优势在于，研究表明，通过归一化差值植被指数NDVI进行阈值分割可以有效区分植被、水体、道路、裸地和建筑用地，根据归一化差值植被指数NDVI的差异性，本发明先将水体和小麦从影像中区分开，然后掩膜去除水体、小麦及除芦笋、水体、小麦外的其它植被，便于减小异物同谱的影像，为提取芦笋种植面积做准备，提高分类精度。
(4)通过步骤(3)获取的芦笋种植区域遥感影像包括建筑物、道路和芦笋，获取建筑物的像元、道路的像元和芦笋的像元在近红外波段和可见光红波段的二维特征空间，即NIR-Red特征空间的分布散点图；在获取的分布散点图中，道路的像元和建筑物的像元呈离散分布，芦笋的像元呈土壤线分布，对芦笋的像元拟合出土壤线y＝ax+b，其中，x＝R，y＝NIR；
(5)在遥感图像处理软件envi中，采用波段运算的方法，将近红外波段和可见光红波段的值进行线性运算，所述波段运算的计算公式为：r＝NIR-aR；其中，r表示波段运算后的结果，NIR表示近红外波段，R表示可见光红波段；
(6)经过步骤(5)所述波段运算，确定合理阈值，对步骤(3)得到的掩膜结果图像进行阈值分割，掩膜去除建筑物及道路，提取芦笋种植区域的面积。
上述芦笋种植面积提取方法的原理为：
利用Landsat 8影像数据，通过分析芦笋与其他地物归一化差值植被指数NDVI特征，首先，利用阈值分割方法除芦笋外的其它植被像元，再进一步分析建筑物、道路和芦笋的影像二维特征空间，发现芦笋土壤线分布规律，并通过波段运算结果确定芦笋种植区阈值，最后进行芦笋种植面积提取。
根据本发明优选的，所述影像剪裁，具体是指：在envi软件中，选择主菜单中OpenImage File，打开芦笋种植区域遥感影像，点击basic tool下的resize data，选择SpatialSubset；进入芦笋种植区域遥感影像裁剪界面，选择根据已有的ROI文件，进行影像剪裁，选择路径及文件名，完成影像剪裁。
根据本发明优选的，所述几何校正，具体是指：在envi软件中，选择主菜单中OpenImage File，打开芦笋种植区域遥感影像和基准影像，在主菜单Map中选择Registration，然后选择Select GCPs:Image to map，打开几何校正模块；选择显示基准影像Base Image，显示Landsat 8影像的Display为待校正影像Warp Image，点击OK进入采集地面控制点；在两个Display中找到相同区域，在Zoom窗口中，点击左小下角第三个按钮，打开定位十字光标，将十字光标到相同点上，点击Ground Control Points Selection上的Add Point按钮，将当前找到的点加 入控制点列表；用同样的方法继续寻找其余的点，当选择控制点的数量达到3时，RMS被自动计算；Ground Control Points Selection上的Predict按钮可用，选择Options>Auto Predict，打开自动预测功能；这时在Base Image上定位点，Warp Image上会自动预测区域；点击Ground Control Points Selection上的Show List按钮，看到选择的所有控制列表；选择Image to Image GCP List上的Options>Order Points by Error，按照RMS值有高到底排序，调整RMS过高的点，总的RMS值小于1个像素时，完成控制点的选择；点击Ground Control Points Selection面板上的File>Save GCPs to ASCII，将控制点保存；在Ground Control Points Selection上，选择Options>Warp File(as Image toMap)，选择校正文件；在校正参数面板中，默认投影参数和像元大小与基准影像一致；投影参数保持默认，在X和Y的像元大小输入30米，按回车，图像输出大小自动更改；校正方法选择多项式；重采样选择Bilinear，背景值Background为0.Output Image Extent：默认是根据基准图像大小计算，选择输出路径和文件名，单击Ok按钮进行几何校正。
根据本发明优选的，所述大气辐射校正处理，具体是指：在envi软件中，选择主菜单中Open Image File，打开芦笋种植区域遥感影像，选择Basic Tools-Preprocessing-Calibration Utilities，选择传感器类型；从芦笋种植区域遥感影的头文件中获取DataAcquisition的时间，Sun elevation，Calibration Type选择为Radiance；输出文件，完成辐射定标；ENVI 5.1工具箱中查找工具：/Radiometric Correction/AtmosphericCorrection Module/FLAASH Atmospheric Correction，双击此工具，打开辐射定标的数据，进行相关的参数设置进行大气辐射校正，具体步骤包括：
1)Input Radiance Image，即打开辐射定标结果数据；
2)设置输出反射率的路径；
3)设置输出FLAASH校正文件的路径，最优状态：路径所在磁盘空间足够大；
4)中心点经纬度Scene Center Location：自动获取；
5)选择传感器类型：Landsat-8OLI；其对应的传感器高度以及影像数据的分辨率自动读取；
6)设置研究区域的地面高程数据；
7)影像生成时的飞行过境时间：在layer manager中的Lc8数据图层右键选择ViewMetadata，浏览time字段获取成像时间；
8)大气模型参数选择：根据成像时间和纬度信息选择Sub-Arctic Summer；
9)气溶胶模型Aerosol Model：Urban，气溶胶反演方法Aerosol Retrieval：2-band(K-T)；
10)其他参数按照默认设置即可；
11)点击Apply运行FLAASH校正，完成大气辐射校正。
根据本发明优选的，所述阈值分割，具体是指在软件ENVI完成以下操作：在ENVI的Basic Tools->Segmengtation Image，掩膜去除除芦笋外的其它植被像元，除芦笋外的其它植被像元包括：水体像元、小麦像元及除芦笋、水体、小麦外的其它植被像元。
根据本发明优选的，所述求取归一化差值植被指数NDVI，具体是指在软件ENVI完成以下操作：在ENVI的Basic Tools->Band Math里面，表达式输入(b2-b1)/(b2+b1)，其中，b2为Landsat 8影像的近红外波段，b1为Landsat 8影像的红波段。
根据本发明优选的，获取建筑物的像元、道路的像元和芦笋的像元在近红外波段和可见光红波段二维特征空间即NIR-Red特征空间的分布散点图，具体是指：将建筑物、道路和芦笋在近红外波段和可见光红波段上的光谱反射率输入到excel软件中，使用excel的数据统计工具生成散点图。
根据本发明优选的，对芦笋的像元拟合出土壤线，具体是指：在excel中生成散点图，点击右键，添加直线趋势线进行线性拟合，直线拟合的结果为y＝ax+b。
根据本发明优选的，a＝0.618。
通过步骤(3)获取的影像主要由建筑物、道路和芦笋构成。这三部分地物的归一化差值植被指数NDVI差别不大，往往存在异物同谱的现象，考虑到芦笋种植地植被稀少、近似裸土的种植规律，为了更好地区别分类，引入影像二维特征空间土壤线的概念。土壤线是对大量土壤反射率的综合描述，对于了解土壤的理化性质和生态特征有着重要的意义。拟合出的土壤线斜率为0.618，S2＝0.8035，S为线性相关系数，S2是趋势线拟合程度的指标，它的数值大小可以反映趋势线的估计值与对应的实际数据之间的拟合程度，拟合程度越高，趋势线的可靠性就越高。可以看出，方程拟合精度较高。
本发明所用数据为新一代陆地卫星Landsat 8遥感影像数据。该发明主要使用Landsat 8数据的热红外波段以及多光谱的的绿波段、红外波段、近红外波段和中红外波段。
本发明的有益效果在于：
1、本发明充分考虑芦笋种植区域特有的地物特征，以Landsat 8影像为数据源，发现芦笋种植区的土壤线分布规律，并通过波段运算结果确定芦笋种植区阈值，最后进行芦笋种植面积提取；
2、本发明成本较低，比较直观，简单易操作，可以实现大面积芦笋种植区域提取，效率较高；
3、本发明实现芦笋种植地区芦笋种植面积提取工作，以期为行政部门决策管理、农业资 源统计与利用等工作提供参考，为当地芦笋产业的健康发展提供指导。
附图说明
图1为NIR-Red特征空间的分布散点图；
图2为实施例1中所述方法的流程框图；
图3为实施例1得到的山东省曹县芦笋种植区域面积分布图。
具体实施方式
下面结合说明书附图和实施例对本发明做进一步说明，但不限于此。
实施例
本实施例以山东省曹县芦笋种植区域面积提取为例，结合芦笋特有的种植规律，利用Landsat 8卫星数据，运用ENVI5.0软件平台，发现山东省曹县芦笋种植区域面积提取方法。
一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法，具体步骤包括：
(1)获取数据
获取芦笋种植区域的相关数据，芦笋种植区域的相关数据包括：芦笋种植区域经纬度、芦笋种植区域地表覆盖类型、芦笋种植区域地形、芦笋种植区域耕地参数；选取Landsat 8卫星数据作为芦笋种植区域遥感影像；
(2)对步骤(1)获取的芦笋种植区域遥感影像依次进行影像剪裁、几何校正、大气辐射校正处理；
(3)对通过步骤(2)获取的芦笋种植区域遥感影像求取归一化差值植被指数NDVI，进行阈值分割，掩膜去除除芦笋外的其它植被像元，除芦笋外的其它植被像元包括：水体像元、小麦像元及除芦笋、水体、小麦外的其它植被像元；
归一化差值植被指数NDVI是指植被生长状态及植被覆盖度的最佳指示因子；
植被指数NDVI的计算公式如式(Ⅰ)所示：
NDVI＝(NIR-R)/(NIR+R) (Ⅰ)
式(Ⅰ)中，NIR表示Landsat 8卫星第5波段即近红外波段的反射率；R表示Landsat8卫星第4波段即可见光红波段的反射率；
求取的归一化差值植被指数NDVI中，NDVI<0的像元为水体像元，NDVI>0.3的像元为小麦像元及除芦笋、水体、小麦外的其它植被像元；
(4)通过步骤(3)获取的芦笋种植区域遥感影像包括建筑物、道路和芦笋，获取建筑物的像元、道路的像元和芦笋的像元在近红外波段和可见光红波段的二维特征空间，即NIR-Red特征空间的分布散点图；在获取的分布散点图中，道路的像元和建筑物的像元呈离散分布，芦笋的像元呈土壤线分布，对芦笋的像元拟合出土壤线y＝ax+b，其中，x＝R，y＝NIR；
(5)在遥感图像处理软件envi中，采用波段运算的方法，将近红外波段和可见光红波段的值进行线性运算，所述波段运算的计算公式为：r＝NIR-0.618R；其中，r表示波段运算后的结果，NIR表示近红外波段，R表示可见光红波段；
(6)经过步骤(5)所述波段运算，确定合理阈值接近零值，对步骤(3)得到的掩膜结果图像进行阈值分割，掩膜去除建筑物及道路，提取芦笋种植区域的面积。
本实施例得到的山东省曹县芦笋种植区域面积分布图如图3所示。
经统计，利用Landsat 8卫星数据获取的2013年曹县芦笋种植面积为219398.54亩，查阅曹县统计局提供的统计资料，2013年曹县芦笋种植面积为195600亩。两者相差12.17％。
Claims (8)
1.一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法，其特征在于，具体步骤包括：
(1)获取数据
获取芦笋种植区域的相关数据，芦笋种植区域的相关数据包括：芦笋种植区域经纬度、芦笋种植区域地表覆盖类型、芦笋种植区域地形、芦笋种植区域耕地参数；选取Landsat 8卫星数据作为芦笋种植区域遥感影像；
(2)对步骤(1)获取的芦笋种植区域遥感影像依次进行影像剪裁、几何校正、大气辐射校正处理；
(3)对通过步骤(2)获取的芦笋种植区域遥感影像求取归一化差值植被指数NDVI，进行阈值分割，掩膜去除除芦笋外的其它植被像元，除芦笋外的其它植被像元包括：水体像元、小麦像元及除芦笋、水体、小麦外的其它植被像元；
归一化差值植被指数NDVI是指植被生长状态及植被覆盖度的最佳指示因子；
植被指数NDVI的计算公式如式(Ⅰ)所示：
NDVI＝(NIR-R)/(NIR+R) (Ⅰ)
式(Ⅰ)中，NIR表示Landsat 8卫星第5波段即近红外波段的反射率；R表示Landsat 8卫星第4波段即可见光红波段的反射率；
求取的归一化差值植被指数NDVI中，NDVI<0的像元为水体像元，NDVI>0.3的像元为小麦像元及除芦笋、水体、小麦外的其它植被像元；
(4)通过步骤(3)获取的芦笋种植区域遥感影像包括建筑物、道路和芦笋，获取建筑物的像元、道路的像元和芦笋的像元在近红外波段和可见光红波段的二维特征空间，即NIR-Red特征空间的分布散点图；在获取的分布散点图中，道路的像元和建筑物的像元呈离散分布，芦笋的像元呈土壤线分布，对芦笋的像元拟合出土壤线y＝ax+b，a＝0.618,其中，x＝R，y＝NIR；
(5)在遥感图像处理软件envi中，采用波段运算的方法，将近红外波段和可见光红波段的值进行线性运算，所述波段运算的计算公式为：r＝NIR-aR；其中，r表示波段运算后的结果，NIR表示近红外波段，R表示可见光红波段；
(6)经过步骤(5)所述波段运算，确定合理阈值，对步骤(3)得到的掩膜结果图像进行阈值分割，掩膜去除建筑物及道路，提取芦笋种植区域的面积。
2.根据权利要求1所述的一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法，其特征在于，所述影像剪裁，具体是指：在envi软件中，选择主菜单中Open ImageFile，打开芦笋种植区域遥感影像，点击basic tool下的resize data，选择SpatialSubset；进入芦笋种植区域遥感影像裁剪界面，选择根据已有的ROI文件，进行影像剪裁，选择路径及文件名，完成影像剪裁。
3.根据权利要求1所述的一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法，其特征在于，所述几何校正，具体是指：在envi软件中，选择主菜单中Open ImageFile，打开芦笋种植区域遥感影像和基准影像，在主菜单Map中选择Registration，然后选择Select GCPs:Image to map，打开几何校正模块；选择显示基准影像Base Image，显示Landsat 8影像的Display为待校正影像Warp Image，点击OK进入采集地面控制点；在两个Display中找到相同区域，在Zoom窗口中，点击左小下角第三个按钮，打开定位十字光标，将十字光标到相同点上，点击Ground Control Points Selection上的Add Point按钮，将当前找到的点加入控制点列表；用同样的方法继续寻找其余的点，当选择控制点的数量达到3时，RMS被自动计算；Ground Control Points Selection上的Predict按钮可用，选择Options>Auto Predict，打开自动预测功能；这时在Base Image上定位点，Warp Image上会自动预测区域；点击Ground Control Points Selection上的Show List按钮，看到选择的所有控制列表；选择Image to Image GCP List上的Options>Order Points by Error，按照RMS值有高到底排序，调整RMS过高的点，总的RMS值小于1个像素时，完成控制点的选择；点击Ground Control Points Selection面板上的File>Save GCPs to ASCII，将控制点保存；在Ground Control Points Selection上，选择Options>Warp File(as Image toMap)，选择校正文件；在校正参数面板中，默认投影参数和像元大小与基准影像一致；投影参数保持默认，在X和Y的像元大小输入30米，按回车，图像输出大小自动更改；校正方法选择多项式；重采样选择Bilinear，背景值Background为0.Output Image Extent：默认是根据基准图像大小计算，选择输出路径和文件名，单击Ok按钮进行几何校正。
4.根据权利要求1所述的一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法，其特征在于，所述大气辐射校正处理，具体是指：在envi软件中，选择主菜单中OpenImage File，打开芦笋种植区域遥感影像，选择Basic Tools-Preprocessing-CalibrationUtilities，选择传感器类型；从芦笋种植区域遥感影的头文件中获取Data Acquisition的时间，Sun elevation，Calibration Type选择为Radiance；输出文件，完成辐射定标；ENVI5.1工具箱中查找工具：/Radiometric Correction/Atmospheric Correction Module/FLAASH Atmospheric Correction，双击此工具，打开辐射定标的数据，进行相关的参数设置进行大气辐射校正，具体步骤包括：
1)Input Radiance Image，即打开辐射定标结果数据；
2)设置输出反射率的路径；
3)设置输出FLAASH校正文件的路径，最优状态：路径所在磁盘空间足够大；
4)中心点经纬度Scene Center Location：自动获取；
5)选择传感器类型：Landsat-8 OLI；其对应的传感器高度以及影像数据的分辨率自动读取；
6)设置研究区域的地面高程数据；
7)影像生成时的飞行过境时间：在layer manager中的Lc8数据图层右键选择ViewMetadata，浏览time字段获取成像时间；
8)大气模型参数选择：根据成像时间和纬度信息选择Sub-Arctic Summer；
9)气溶胶模型Aerosol Model：Urban，气溶胶反演方法Aerosol Retrieval：2-band(K-T)；
10)其他参数按照默认设置即可；
11)点击Apply运行FLAASH校正，完成大气辐射校正。
5.根据权利要求1所述的一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法，其特征在于，所述阈值分割，具体是指在软件ENVI完成以下操作：在ENVI的BasicTools->Segmengtation Image，掩膜去除除芦笋外的其它植被像元，除芦笋外的其它植被像元包括：水体像元、小麦像元及除芦笋、水体、小麦外的其它植被像元。
6.根据权利要求1所述的一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法，其特征在于，所述求取归一化差值植被指数NDVI，具体是指在软件ENVI完成以下操作：在ENVI的Basic Tools->Band Math里面，表达式输入(b2-b1)/(b2+b1)，其中，b2为Landsat 8影像的近红外波段，b1为Landsat 8影像的红波段。
7.根据权利要求1所述的一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法，其特征在于，获取建筑物的像元、道路的像元和芦笋的像元在近红外波段和可见光红波段二维特征空间即NIR-Red特征空间的分布散点图，具体是指：将建筑物、道路和芦笋在近红外波段和可见光红波段上的光谱反射率输入到excel软件中，使用excel的数据统计工具生成散点图。
8.根据权利要求1所述的一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法，其特征在于，对芦笋的像元拟合出土壤线，具体是指：在excel中生成散点图，点击右键，添加直线趋势线进行线性拟合，直线拟合的结果为y＝ax+b。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510521953.7A CN105046242B (zh) | 2015-08-24 | 2015-08-24 | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510521953.7A CN105046242B (zh) | 2015-08-24 | 2015-08-24 | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105046242A CN105046242A (zh) | 2015-11-11 |
| CN105046242B true CN105046242B (zh) | 2018-02-13 |
Family
ID=54452771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510521953.7A Expired - Fee Related CN105046242B (zh) | 2015-08-24 | 2015-08-24 | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105046242B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105957115B (zh) * | 2016-05-18 | 2018-06-08 | 河北工程大学 | 广义dem思想下的农作物种植结构遥感提取方法 |
| CN106127133A (zh) * | 2016-06-16 | 2016-11-16 | 西安科技大学 | 一种基于红光‑近红外光谱特征空间的水体提取方法 |
| CN107644399A (zh) * | 2016-07-21 | 2018-01-30 | 中电科海洋信息技术研究院有限公司 | 遥感影像处理方法 |
| CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
| CN107832697B (zh) * | 2017-11-01 | 2019-11-08 | 中国科学院地理科学与资源研究所 | 三七种植信息快速提取的处理方法和系统 |
| CN107944368B (zh) * | 2017-11-16 | 2019-12-06 | 中国科学院遥感与数字地球研究所 | 一种基于时序遥感图像的水体提取方法 |
| CN108986040B (zh) * | 2018-06-12 | 2022-02-01 | 南京大学 | 一种基于遥感多光谱影像的ndvi阴影影响去除方法 |
| CN109086661B (zh) * | 2018-06-14 | 2019-05-03 | 中科禾信遥感科技（苏州）有限公司 | 一种农作物相对辐射归一化方法及装置 |
| CN109308688B (zh) * | 2018-09-25 | 2021-06-25 | 中国农业科学院农业资源与农业区划研究所 | 一种可见光和近红外波段厚云及阴影去除方法 |
| CN109685081B (zh) * | 2018-12-27 | 2020-07-24 | 中国土地勘测规划院 | 一种遥感提取撂荒地的联合变化检测方法 |
| CN109801304B (zh) * | 2019-01-11 | 2022-12-27 | 重庆邮电大学 | 一种抑制裸地的建筑指数构建及建筑区域快速提取方法 |
| CA3183507A1 (en) * | 2020-07-14 | 2022-01-20 | Farmers Edge Inc. | Field image correlation differential change detection & alerting system |
| CN112232234B (zh) * | 2020-10-20 | 2021-04-16 | 生态环境部卫星环境应用中心 | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 |
| CN112435292B (zh) * | 2020-12-18 | 2023-10-31 | 太原理工大学 | 一种基于遥感影像的水稻种植面积提取方法 |
| CN114821362B (zh) * | 2022-07-01 | 2022-09-23 | 江苏省水利科学研究院 | 一种基于多源数据的水稻种植面积提取方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102175209A (zh) * | 2010-12-07 | 2011-09-07 | 北京师范大学 | 历史遥感产品数据支持下的作物种植面积测量高效抽样方法 |
| CN102708289A (zh) * | 2012-05-07 | 2012-10-03 | 山东省农业可持续发展研究所 | 一种基于冬小麦种植制度利用中分辨率卫星数据提取黄淮平原区冬小麦种植面积的方法 |
| CN103310197A (zh) * | 2013-06-13 | 2013-09-18 | 山东省农业可持续发展研究所 | 一种利用中分辨率卫星数据提取黄淮海平原区大蒜种植面积的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7529642B2 (en) * | 2004-08-20 | 2009-05-05 | Pdf Solutions S.A. | Method for evaluating the quality of data collection in a manufacturing environment |
-
2015
- 2015-08-24 CN CN201510521953.7A patent/CN105046242B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102175209A (zh) * | 2010-12-07 | 2011-09-07 | 北京师范大学 | 历史遥感产品数据支持下的作物种植面积测量高效抽样方法 |
| CN102708289A (zh) * | 2012-05-07 | 2012-10-03 | 山东省农业可持续发展研究所 | 一种基于冬小麦种植制度利用中分辨率卫星数据提取黄淮平原区冬小麦种植面积的方法 |
| CN103310197A (zh) * | 2013-06-13 | 2013-09-18 | 山东省农业可持续发展研究所 | 一种利用中分辨率卫星数据提取黄淮海平原区大蒜种植面积的方法 |
Non-Patent Citations (1)
| Title |
|---|
| "利用多源时序遥感数据提取大范围水稻种植面积";邬明权 等;《农业工程学报》;20100731;第26卷(第7期);第240-244页 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
| CN107389036B (zh) * | 2017-08-02 | 2019-07-12 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105046242A (zh) | 2015-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105046242B (zh) | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 | |
| Pôças et al. | Remote sensing for estimating and mapping single and basal crop coefficientes: A review on spectral vegetation indices approaches | |
| Schut et al. | Assessing yield and fertilizer response in heterogeneous smallholder fields with UAVs and satellites | |
| Doraiswamy et al. | Crop yield assessment from remote sensing | |
| Anderson et al. | Upscaling ground observations of vegetation water content, canopy height, and leaf area index during SMEX02 using aircraft and Landsat imagery | |
| Leslie et al. | Landsat and agriculture—Case studies on the uses and benefits of Landsat imagery in agricultural monitoring and production | |
| Serra et al. | Monitoring farmers' decisions on Mediterranean irrigated crops using satellite image time series | |
| CN108596029A (zh) | 农作物分类方法、装置、计算机设备和存储介质 | |
| Jeong et al. | Application of an unmanned aerial system for monitoring paddy productivity using the GRAMI-rice model | |
| Dadhwal | Crop growth and productivity monitoring and simulation using remote sensing and GIS | |
| Mumtaz et al. | Analysis of meteorological variations on wheat yield and its estimation using remotely sensed data. A case study of selected districts of Punjab Province, Pakistan (2001-14) | |
| Lee et al. | A comparative study on generating simulated Landsat NDVI images using data fusion and regression method—the case of the Korean Peninsula | |
| Alexandridis et al. | Designing AfriCultuReS services to support food security in Africa | |
| Jarmain et al. | Water use efficiency of selected irrigated crops determined with satellite imagery | |
| Amankulova et al. | Sunflower crop yield prediction by advanced statistical modeling using satellite-derived vegetation indices and crop phenology | |
| Isaev et al. | Bias correction of Sentinel-2 with unmanned aerial vehicle multispectral data for use in monitoring walnut fruit forest in western Tien Shan, Kyrgyzstan | |
| Sivarajan | Estimating yield of irrigated potatoes using aerial and satellite remote sensing | |
| Bouman et al. | Simulation and systems analysis tools for crop yield forecasting | |
| Wang et al. | A smart agricultural service platform for crop planting, monitoring and management-PIE-engine landscape | |
| Kumar et al. | Evapotranspiration mapping for agricultural water management: An overview | |
| Dubois et al. | Copernicus sentinel-2 data for the determination of groundwater withdrawal in the maghreb region | |
| CN115797785B (zh) | 基于微波遥感的农田灌溉频率确定方法及装置 | |
| Rahimi-Ajdadi | Land suitability assessment for second cropping in terms of low temperature stresses using landsat TIRS sensor | |
| Maitra et al. | Application of Remote Sensing & Geographic Information Systems for Agriculture-A Review | |
| Silva et al. | Forecasting the rice yield in Rio Grande do Sul using the SimulArroz 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180213 Termination date: 20180824 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |