CN105184234B - 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 - Google Patents
一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 Download PDFInfo
- Publication number
- CN105184234B CN105184234B CN201510516239.9A CN201510516239A CN105184234B CN 105184234 B CN105184234 B CN 105184234B CN 201510516239 A CN201510516239 A CN 201510516239A CN 105184234 B CN105184234 B CN 105184234B
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- wheat
- discharge amount
- vegetation index
- index data
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明提供了一种冬小麦秸秆焚烧污染物排放量的测算方法及装置,其中,该方法包括:根据冬小麦生长的物候特征和归一化植被指数数据在研究区中提取出多个冬小麦种植区域,将所述多个冬小麦种植区域作为第一冬小麦种植区域集;对归一化植被指数数据进行非监督分类处理,根据高分辨率遥感影像数据确定非监督分类结果中的冬小麦种植区有效类别,根据有效类别生成第二冬小麦种植区域集;根据第一冬小麦种植区域集和第二冬小麦种植区域集确定冬小麦的种植范围;在种植范围内确定秸秆产量;根据秸秆产量确定秸秆焚烧污染物排放量。本发明实施例通过利用物候特征、非监督分类及识别处理相结合的方式,提高了秸秆焚烧污染物排放量的测算精度。
Description
技术领域
本发明涉及农作物技术领域,具体而言,涉及一种冬小麦秸秆焚烧污染物排放量的测算方法及装置。
背景技术
随着经济社会高速发展,农业生产方式和农民生活方式发生了较大变化,同时,能源和生态问题越来越受到人们的重视。然而,由于农业生产的连年丰收产生了大量的作物秸秆,除部分用作牲畜饲料外,很大部分在农田被直接焚烧,因此,秸秆污染逐渐成为农业生产污染的主要问题之一,特别是每年夏收季节的冬小麦秸秆露天焚烧。由于冬小麦秸秆的就地集中焚烧,大量的污染物将直接排放到空气中,导致大气中颗粒物、二氧化氮、一氧化碳等污染物浓度显著升高,造成严重的环境污染,进而导致灰霾天气。当细颗粒物浓度达到一定程度时,对人的眼睛、鼻子和咽喉含有黏膜的部分刺激较大,轻则造成咳嗽、胸闷、流泪,严重时可能导致支气管炎发生,给人们的生活及健康带来严重的影响。秸秆的大面积集中焚烧已成为区域性重霾污染事件的主要原因之一,准确的测算秸秆焚烧污染物排放量能够对后续的治理有指导性作用。
当前,相关技术中计算区域尺度秸秆焚烧大气污染物排放量的方法主要有两种:一是依靠秸秆焚烧火点监测的过火面积进行测算,将过火面积与单位面积作物产量系数、草谷比系数、秸秆污染物排放系数相乘,得到最终的秸秆焚烧污染物排放量,然而,上述方法中由于火点遥感监测受云遮盖及卫星回访周期影响,仅能反映部分时段、部分区域的秸秆焚烧事件,得到的污染物排放总量不完整;二是利用统计数据估算,将年鉴作物种植面积统计数据与单位面积作物产量系数、草谷比系数、秸秆焚烧比例、秸秆污染物排放系数参数相乘,然而,上述方法中利用统计数据估算的秸秆焚烧污染排放,仅能从宏观上了解秸秆焚烧污染排放总体情况,不能提供更精细化的格网污染物排放分布信息。
在实现本发明的过程中,发明人发现相关技术中至少存在以下问题:冬小麦秸秆焚烧污染物排放量的测算方法确定的污染物排放量准确度低,因此,不能根据该污染物排放量准确地指导大气污染的防治与监管。
发明内容
有鉴于此,本发明实施例的目的在于提供一种冬小麦秸秆焚烧污染物排放量的测算方法及装置,以提高冬小麦秸秆焚烧污染物排放量的测算精度。
第一方面,本发明实施例提供了一种冬小麦秸秆焚烧污染物排放量的测算方法,包括:
根据冬小麦生长的物候特征和归一化植被指数数据在研究区中提取出多个冬小麦种植区域,将所述多个冬小麦种植区域作为第一冬小麦种植区域集;
对归一化植被指数数据进行非监督分类处理,根据高分辨率遥感影像数据确定非监督分类结果中的冬小麦种植区有效类别,根据所述有效类别生成第二冬小麦种植区域集;
根据所述第一冬小麦种植区域集和所述第二冬小麦种植区域集确定冬小麦的种植范围;
根据冬小麦生长的物候特征和归一化植被指数数据在所述种植范围内确定冬小麦的秸秆产量;
根据所述秸秆产量确定冬小麦秸秆焚烧污染物排放量。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述根据冬小麦生长的物候特征和归一化植被指数数据在研究区中提取出多个冬小麦种植区域,将所述多个冬小麦种植区域作为第一冬小麦种植区域集,包括:
获取冬小麦生长的物候特征和归一化植被指数数据;
根据所述物候特征和所述归一化植被指数数据,制定冬小麦种植区的物候规则;
根据所述物候规则在研究区中提取出多个冬小麦种植区域,将所述多个冬小麦种植区域作为第一冬小麦种植区域集。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述对归一化植被指数数据进行非监督分类处理,根据高分辨率遥感影像数据确定非监督分类结果中的冬小麦种植区有效类别,根据所述有效类别生成第二冬小麦种植区域集,包括:
获取归一化植被指数数据和高分辨率遥感影像数据;
对所述归一化植被指数数据进行非监督分类处理,得到非监督分类结果;
根据所述高分辨率遥感影像数据对所述非监督分类结果进行识别处理;
在识别处理结果中筛选出含有冬小麦种植区的有效类别,根据所述有效类别生成第二冬小麦种植区域集。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述根据所述第一冬小麦种植区域集和所述第二冬小麦种植区域集确定冬小麦的种植范围,包括:
对所述第一冬小麦种植区域集和所述第二冬小麦种植区域集进行取交集处理,得到取交集处理结果;
根据所述取交集处理结果确定冬小麦的种植范围。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述根据冬小麦生长的物候特征和归一化植被指数数据在所述种植范围内确定冬小麦的秸秆产量,包括:
获取冬小麦生长的物候特征和归一化植被指数数据;
根据所述物候特征和所述归一化植被指数数据确定所述冬小麦种植范围内的秸秆产量与归一化植被指数数据的相关关系;
根据所述相关关系确定冬小麦种植区内每个像元的冬小麦秸秆产量,对所述每个像元的冬小麦秸秆产量进行求和计算,得到所述种植范围内的冬小麦的秸秆产量。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述根据所述秸秆产量确定冬小麦秸秆焚烧污染物排放量,包括:
获取秸秆焚烧百分比和秸秆焚烧污染物排放因子;
根据所述秸秆产量和如下公式,计算得到冬小麦种植区的秸秆焚烧污染物排放量,
P=Y×η×R,
其中,P为秸秆焚烧污染物排放量,Y为秸秆产量,η为秸秆焚烧百分比,R为秸秆焚烧污染物排放因子。
第二方面,本发明实施例还提供了一种冬小麦秸秆焚烧污染物排放量的测算装置,包括:
第一冬小麦种植区域集确定模块,用于根据冬小麦生长的物候特征和归一化植被指数数据在研究区中提取出多个冬小麦种植区域,将所述多个冬小麦种植区域作为第一冬小麦种植区域集;
第二冬小麦种植区域集确定模块,用于对归一化植被指数数据进行非监督分类处理,根据高分辨率遥感影像数据确定非监督分类结果中的冬小麦种植区有效类别,根据所述有效类别生成第二冬小麦种植区域集;
冬小麦的种植范围确定模块,用于根据所述第一冬小麦种植区域集和所述第二冬小麦种植区域集确定冬小麦的种植范围;
冬小麦的秸秆产量确定模块,用于根据冬小麦生长的物候特征和归一化植被指数数据在所述种植范围内确定冬小麦的秸秆产量;
冬小麦秸秆焚烧污染物排放量计算模块,用于根据所述秸秆产量确定冬小麦秸秆焚烧污染物排放量。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述第一冬小麦种植区域集确定模块包括:
第一获取单元,用于获取冬小麦生长的物候特征和归一化植被指数数据;
物候规则制定单元,用于根据所述物候特征和所述归一化植被指数数据,制定冬小麦种植区的物候规则;
第一冬小麦种植区域集生成单元,用于根据所述物候规则在研究区中提取出多个冬小麦种植区域,将所述多个冬小麦种植区域作为第一冬小麦种植区域集。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,所述第二冬小麦种植区域集确定模块包括:
第二获取单元,用于获取归一化植被指数数据和高分辨率遥感影像数据;
非监督分类处理单元,用于对所述归一化植被指数数据进行非监督分类处理,得到非监督分类结果;
识别处理单元,用于根据所述高分辨率遥感影像数据对所述非监督分类结果进行识别处理;
第二冬小麦种植区域集生成单元,用于在识别处理结果中筛选出含有冬小麦种植区的有效类别,根据所述有效类别生成第二冬小麦种植区域集。
结合第二方面至第二方面的第二种可能的实施方式,本发明实施例提供了第二方面的第三种可能的实施方式,其中,所述冬小麦秸秆焚烧污染物排放量计算模块包括:
第三获取单元,用于获取秸秆焚烧百分比和秸秆焚烧污染物排放因子;
冬小麦秸秆焚烧污染物排放量计算单元,用于根据所述秸秆产量和如下公式,计算得到冬小麦种植区的秸秆焚烧污染物排放量,
P=Y×η×R,
其中,P为秸秆焚烧污染物排放量,Y为秸秆产量,η为秸秆焚烧百分比,R为秸秆焚烧污染物排放因子。
在本发明实施例提供的方法及装置中,上述测算方法通过利用物候特征、非监督分类及识别处理相结合的方式,对确定出来的冬小麦种植区域集进行多次叠加处理,来确定冬小麦的种植范围,提高了冬小麦种植范围判别的准确度,在此基础上再根据冬小麦生长的物候特征和归一化植被指数数据在确定出来的冬小麦种植范围内确定秸秆产量,进而根据该秸秆产量计算得到冬小麦秸秆焚烧污染物排放量,由此提高了秸秆焚烧污染物排放量的测算精度,进而实现根据该污染物排放量准确地指导环境污染的治理。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的一种冬小麦秸秆焚烧污染物排放量的测算方法的流程图;
图2示出了本发明实施例所提供的确定第一冬小麦种植区域集的流程图;
图3示出了本发明实施例所提供的确定第二冬小麦种植区域集的流程图;
图4示出了本发明实施例所提供的一种冬小麦秸秆焚烧污染物排放量的测算装置的结构示意图;
图5示出了本发明实施例所提供的第一冬小麦种植区域集确定模块的结构示意图;
图6示出了本发明实施例所提供的第二冬小麦种植区域集确定模块的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
考虑到相关技术中冬小麦秸秆焚烧污染物排放量的测算方法确定的污染物排放量准确度低,因此,无法根据该污染物排放量准确地指导环境污染的治理的问题。基于此,本发明实施例提供了一种冬小麦秸秆焚烧污染物排放量的测算方法及装置,下面通过实施例进行描述。
如图1所示,本发明实施例提供了一种冬小麦秸秆焚烧污染物排放量的测算方法,该方法包括步骤S101-S105,具体如下:
步骤S101:根据冬小麦生长的物候特征和归一化植被指数数据在研究区中提取出多个冬小麦种植区域,将所述多个冬小麦种植区域作为第一冬小麦种植区域集;
具体的,如图2所示,第一冬小麦种植区域集是通过如下步骤确定的,具体包括:
步骤S1011:获取冬小麦生长的物候特征和归一化植被指数数据;
在本发明提供的实施例中以我国第一大冬小麦种植省份河南省为例,首先,利用卫星遥感的方式获取研究区冬小麦生长周期中多期归一化植被指数数据,即获取MODISNDVI数据(Moderate-resolution Imaging Spectroradiometer Normalized DifferenceVegetation Index,卫星250m分辨率的16天合成的归一化植被指数数据),同时,获取冬小麦生长的物候特征,冬小麦的生长规律与其他作物、自然植被相比,冬小麦的变化规律存在以下两个突变点:
一是每年的4~6月,冬小麦从孕穗期至收割期,因此,冬小麦种植区内的归一化植被指数数据将出现上升到最高值后突然降低的规律;
二是每年秋分前后为冬小麦的播种期,且越冬休眠期前的一段时间内还会继续生长,当冬季其他作物及自然植被的覆盖度将出现降低时,冬小麦的覆盖度逐渐增大,因此,冬小麦种植区内的归一化植被指数数据将呈上升趋势。然后,利用步骤S1012制定冬小麦种植区的物候规则。
步骤S1012:根据所述物候特征和所述归一化植被指数数据,制定冬小麦种植区的物候规则;
首先,分析通过步骤S101获取的河南省内2010年共23景MODIS NDVI数据,可见2010年河南省内冬小麦主产区范围内的归一化植被指数值上在5月中旬达到一个峰值,而在6月中旬急剧降低,两时段的归一化植被指数数据形成鲜明对比;
另外,在11月上旬归一化植被指数数据达到秋冬季节的低谷,但到12月上旬后,冬小麦的主产区范围内的归一化植被指数数据则有明显提升,两景同样形成明显对比。
然后,结合冬小麦生长的物候特征在归一化植被指数数据变化上表现出的特点,可以制定以下物候规则:
第一物候规则:6月冬小麦收割期,归一化植被指数数据数据由高点突然显著下降,也就是说,冬小麦种植区5月中旬的归一化植被指数数据大于6月中旬的归一化植被指数数据;
第二物候规则:入冬以后,冬小麦播种后,越冬休眠之前会有一段生长期,冬小麦继续生长,也就是说,冬小麦种植区12月上半月的归一化植被指数数据大于11月上半月的归一化植被指数数据且冬小麦的归一化植被指数数据大于其他植被的归一化植被指数数据。
步骤S1013:根据所述物候规则在研究区中提取出多个冬小麦种植区域,将所述多个冬小麦种植区域作为第一冬小麦种植区域集。
通过步骤S102制定上述两个冬小麦的物候规则后,在地理信息系统支持下建模,提取符合上述物候规则的栅格,将此栅格设置为冬小麦种植区的掩膜,从而提取出多个冬小麦种植区域,将该多个冬小麦种植区域作为第一冬小麦种植区域集。
步骤S102:对归一化植被指数数据进行非监督分类处理,根据高分辨率遥感影像数据确定非监督分类结果中的冬小麦种植区有效类别,根据所述有效类别生成第二冬小麦种植区域集;
如图3所示,第二冬小麦种植区域集是通过如下步骤确定的,具体包括:
步骤S1021:获取归一化植被指数数据和高分辨率遥感影像数据;
其中,上述归一化植被指数数据为研究区多期的MODIS NDVI数据,如河南省内2010年冬小麦生长期内共16景MODIS NDVI数据。
步骤S1022:对上述归一化植被指数数据进行非监督分类处理,得到非监督分类结果;
具体的,利用地理信息系统平台软件ArcGIS软件对河南省2010年共16景的MODISNDVI数据做非监督分类处理,将研究区的所有栅格提取为20类,非监督分类处理的具体过程为:
首先,在遥感处理软件中,对冬小麦生长周期各月份NDVI影像X(共16景)进行处理,通过以下公式得到新的NDVI影像Z;以使NDVI影像数据范围转换为相同的范围。具体公式为:
其中,Z为输出的影像,其包含有新的数据范围,X为输入的影像,oldmin指输入的影像中的最小值,oldmax指输入的影像中的最大值,newmin指所需输出影像中的最小值,newmax指所需输出影像中的最大值。
其次,输入聚类的类数目M,该聚类的类数目M可以根据实际需求进行设置。
再次,把冬小麦生长周期各月份NDVI影像Z(16景)作为输入变量输入到聚类算法中,运行聚类算法,输出聚类后的影像Y,影像Y中的像元被分成了M类,M类中的某一类或几类可能在空间分布上包含冬小麦种植区域,即得到非监督分类结果,接下来执行步骤S1023。
其中,上述非监督分类处理过程中使用的聚类算法,优选的,采用ISO聚类算法,ISO聚类算法是一种迭代过程,用于在将各个候选像元指定给聚类时计算最小欧氏距离。该过程从遥感处理软件指定的任意平均值开始,每个聚类一个任意平均值。将每个像元指定给最接近的平均值(多维属性空间中的所有平均值)。基于首次迭代后从属于每个聚类的像元的属性距离,重新计算各个聚类的新平均值。重复执行此过程:将各个像元指定给多维属性空间中最接近的平均值,然后基于迭代中像元的成员资格计算各个聚类的新平均值。可通过迭代次数指定该过程的迭代次数。该值应该足够大,才能确保执行指定次数的迭代后,像元从一个聚类迁移至另一个聚类的次数最少;从而,使所有聚类变为稳定状态。迭代次数应该随着聚类数的增加而增加,指定的类数目值是聚类过程可产生的最大聚类数。
步骤S1023:根据所述高分辨率遥感影像数据对所述非监督分类结果进行识别处理;
具体的,将上述非监督分类结果转换为kml格式,导入Google Earth软件中,结合河南省境内2010年的高分辨率遥感影像数据,对上述非监督分类结果进行识别处理,得到上述非监督分类结果中每一类与种植区植被类别的对应关系。
步骤S1024:在识别处理结果中筛选出含有冬小麦种植区的有效类别,根据所述有效类别生成第二冬小麦种植区域集。
具体的,根据上述识别处理得到识别结果,剔除完全不属于冬小麦种植区的类别,保留其余属于冬小麦种植区的类别或部分含有冬小麦种植区的混合类别,将属于冬小麦种植区的类别或部分含有冬小麦种植区的混合类别作为冬小麦种植区的有效类别,再根据该有效类别生成第二冬小麦种植区域集。
需要说明的是,步骤S101与步骤S102之前可以步骤S101先执行,也可以步骤S102先执行,也可以步骤S101与步骤S102同时执行,可以根据实际需求进行设置,由步骤S101与步骤S102分别得到第一冬小麦种植区域集和第二冬小麦种植区域集之后,执行步骤S103。
步骤S103:根据所述第一冬小麦种植区域集和所述第二冬小麦种植区域集确定冬小麦的种植范围;
其中,上述步骤S103,包括:
对所述第一冬小麦种植区域集和所述第二冬小麦种植区域集进行取交集处理,得到取交集处理结果;
根据所述取交集处理结果确定冬小麦的种植范围。
具体的,通过对比高分影像发现,采用物候规则得到的冬小麦种植区掩膜将部分水体、水体周边地块、城市建筑用地以及林地等地块误判为冬小麦种植区,其原因为由于上述地块没有明显的NDVI物候变化特征,或是由于受到其他随机因素、混合像元等影响所致。
同时,采用非监督分类的方法可以有效剔除水体、林地和部分城市建筑用地,但由于非监督分类的分类总数较少,且未加入先验样本,导致部分冬小麦像元和其他植被覆盖像元不能完全分开,而被判为同一个混合类别,因而非监督分类得到的冬小麦种植区范围也偏大。
因此,通过步骤S103将基于物候规则提取的冬小麦种植区掩膜图像即第一冬小麦种植区域集和利用非监督分类得到的第二冬小麦种植区域集进行叠加处理,并采用取交集的方式,来确定冬小麦的种植范围,这样即可以剔除被物候规则误判的属于水体、林地、城市建筑用地的栅格,又可以剔除非监督分类中的混合类别中非冬小麦种植区的栅格,因此,采用物候规则、非监督分类和识别处理相结合的方式,提高了确定的冬小麦种植范围的准确度。
本发明实施例提供了一种简便、高效的提取冬小麦的种植范围的方法,通过采用物候规则、非监督分类和识别处理相结合的方式,数据资料采用为250m分辨率MODIS NDVI数据(通过卫星遥感得到的归一化植被指数数据),本方法提高了分类准确性,降低了人工经验差别对分类结果的影响,从而提高了冬小麦种植范围判别的准确度。
步骤S104:根据冬小麦生长的物候特征和归一化植被指数数据在所述种植范围内确定冬小麦的秸秆产量;其中,冬小麦的秸秆产量是通过如下步骤确定的,具体包括:
步骤S1041:获取冬小麦生长的物候特征和归一化植被指数数据;
其中,根据获取的冬小麦生长的物候特征,可知冬小麦的变化规律存在以下特点:
冬小麦进入返青期后,归一化植被指数数据逐渐升高,灌浆期达到最大值,随后开始降低。因此,抽穗期至灌浆期是决定冬小麦长势乃至秸秆产量的关键时期,该段时期内的归一化植被指数数据能够客观反映冬小麦秸秆的最终产量。抽穗期至灌浆期冬小麦的归一化植被指数与秸秆产量存在显著的正相关关系,因此,在归一化植被指数数据中选用4、5月的4期归一化植被指数数据的平均值作为后续确定相关关系中常数的归一化植被指数数据。
步骤S1042:根据所述物候特征和归一化植被指数数据确定所述冬小麦种植范围内的秸秆产量与所述归一化植被指数数据的相关关系;
首先,在上述冬小麦种植范围内,建立归一化植被指数数据与冬小麦的秸秆产量的线性关系,两者关系式为:
Y=a+k×N, (2)
其中,Y为冬小麦的秸秆产量,N为抽穗期至灌浆期的归一化植被指数数据的平均值,a,k为常数系数,该常数系数可通过现场试验与遥感监测结果的回归统计得出。按照一定的抽样原则在冬小麦种植范围内选取多个典型的冬小麦种植区域,现场考察获取该多个典型的冬小麦种植区域的秸秆产量和相应的归一化植被指数数据,根据获取的该多个典型的冬小麦种植区域的秸秆产量和相应的归一化植被指数数据确定秸秆产量与归一化植被指数数据的相关关系式中的常数系数,具体的,在冬小麦的秸秆产量的计算软件中输入上述多组现场考察获取的多个典型的冬小麦种植区域的秸秆产量和相应的归一化植被指数数据,按照预设的计算公式计算得到秸秆产量与归一化植被指数数据的关系系数k及常数a。
步骤S1043:根据所述相关关系确定冬小麦种植区内每个像元的冬小麦秸秆产量,对所述每个像元的冬小麦秸秆产量进行求和计算,得到所述种植范围内的冬小麦的秸秆产量。
其次,由于秸秆产量与归一化植被指数数据呈正比关系,因此,可以认为上述得到的关系系数为常数,再根据获取的上述冬小麦种植范围内的各像元的归一化植被指数数据与上述关系系数,计算得到每个像元的冬小麦秸秆产量,其中,像元为卫星传感器对探测对象进行扫描采样的最小单元。
最后,对上述每个像元的冬小麦秸秆产量进行求和计算,得到上述种植范围内的冬小麦的秸秆产量。
需要说明的是,上述归一化植被指数数据为4、5月份4期的归一化植被指数数据的平均值即抽穗期至灌浆期的归一化植被指数数据的平均值。
通过步骤S101-104确定得到冬小麦的秸秆产量之后,执行步骤S105:根据上述秸秆产量确定冬小麦秸秆焚烧污染物排放量。
具体的,冬小麦秸秆焚烧污染物排放量是通过如下步骤确定的:
获取秸秆焚烧百分比和秸秆焚烧污染物排放因子;
根据所述秸秆产量和如下公式,计算得到冬小麦种植区的秸秆焚烧污染物排放量,
P=Y×η×R, (3)
其中,P为秸秆焚烧污染物排放量,Y为秸秆产量,η为秸秆焚烧百分比,R为秸秆焚烧污染物排放因子。
另外,本发明实施例还提供了一种计算冬小麦种植区的秸秆焚烧污染物排放量的方法,该方法利用根据冬小麦的种植范围确定的种植面积计算得到冬小麦种植区的秸秆焚烧污染物排放量,具体步骤如下:
首先,获取单位面积冬小麦产量、谷草比、秸秆焚烧百分比和秸秆焚烧污染物排放因子;
其次,根据上述种植面积和如下公式,计算得到冬小麦种植区的秸秆焚烧污染物排放量,
其中,P为秸秆焚烧污染物排放量,G为单位面积秸秆焚烧污染物排放量,A为冬小麦的种植面积,Y为单位面积冬小麦产量,η为秸秆焚烧百分比,R为秸秆焚烧污染物排放因子,Fgs为谷草比。
进一步的,考虑到在250m的中分辨率尺度上提取的冬小麦种植区,还会因田间地垄、乡村道路甚至袖珍村落无法彻底剔除以及混合像元的影响,导致遥感提取的结果仍会略大于实际的冬小麦的种植面积。因此,假设面积的高估程度在研究区内相对均匀,则可根据实测数据对遥感提取的结果进行校正。根据遥感提取的冬小麦栅格覆盖面积与实测的种植面积统计值,计算高估的倍数k作为校正系数,基于此,上述测算方法还包括:对所述冬小麦秸秆焚烧污染物排放量进行校正,根据如下公式,计算得到校正后的冬小麦秸秆焚烧污染物排放量,
其中,k为校正系数,所述校正系数为实测的冬小麦种植区的总面积与遥感提取的冬小麦种植面积的比值,P为秸秆焚烧污染物排放量,G为单位面积秸秆焚烧污染物排放量,A为冬小麦的种植面积,Y为单位面积冬小麦产量,η为秸秆焚烧百分比,R为秸秆焚烧污染物排放因子,Fgs为谷草比。
基于上述分析可知,与相关技术中的冬小麦秸秆焚烧污染物排放量的测算方法相比,本发明实施例提供的测算方法通过利用物候特征、非监督分类及识别处理相结合的方式,对确定出来的冬小麦种植区域集进行多次叠加处理,来确定冬小麦的种植范围,提高了冬小麦种植范围的准确度,在此基础上再根据冬小麦生长的物候特征和归一化植被指数数据在确定出来的冬小麦种植范围内确定秸秆产量,进而根据该秸秆产量计算得到冬小麦秸秆焚烧污染物排放量,由此提高了秸秆焚烧污染物排放量的测算精度,进而实现根据该污染物排放量准确地指导环境污染的治理。另外,对确定秸秆产量的方式进行细化,提高了秸秆产量的精度,进而进一步的提高了秸秆焚烧污染物排放量的测算精度。
如图4所示,本发明实施例还提供了一种冬小麦秸秆焚烧污染物排放量的测算装置,该装置用于执行上述污染物排放量的测算方法。该装置具体包括:
第一冬小麦种植区域集确定模块401,用于根据冬小麦生长的物候特征和归一化植被指数数据在研究区中提取出多个冬小麦种植区域,将所述多个冬小麦种植区域作为第一冬小麦种植区域集;
第二冬小麦种植区域集确定模块402,用于对归一化植被指数数据进行非监督分类处理,根据高分辨率遥感影像数据确定非监督分类结果中的冬小麦种植区的有效类别,根据所述有效类别生成第二冬小麦种植区域集;
冬小麦的种植范围确定模块403,用于根据所述第一冬小麦种植区域集和所述第二冬小麦种植区域集确定冬小麦的种植范围;
冬小麦的秸秆产量确定模块404,用于根据冬小麦生长的物候特征和归一化植被指数数据在所述种植范围内确定冬小麦的秸秆产量;
冬小麦秸秆焚烧污染物排放量计算模块405,用于根据所述秸秆产量确定冬小麦秸秆焚烧污染物排放量。
进一步的,如图5所示,上述第一冬小麦种植区域集确定模块401可以通过如下功能单元来确定,具体包括:
第一获取单元4011,用于获取冬小麦生长的物候特征和归一化植被指数数据;
物候规则制定单元4012,用于根据所述物候特征和所述归一化植被指数数据,制定冬小麦种植区的物候规则;
第一冬小麦种植区域集生成单元4013,用于根据所述物候规则在研究区中提取出多个冬小麦种植区域,将所述多个冬小麦种植区域作为第一冬小麦种植区域集。
进一步的,如图6所示,上述第二冬小麦种植区域集确定模块402可以通过如下功能单元来确定,具体包括:
第二获取单元4021,用于获取归一化植被指数数据和高分辨率遥感影像数据;
非监督分类处理单元4022,用于对所述归一化植被指数数据进行非监督分类处理,得到非监督分类结果;
识别处理单元4023,用于根据所述高分辨率遥感影像数据对所述非监督分类结果进行识别处理;
第二冬小麦种植区域集生成单元4024,用于在识别处理结果中筛选出含有冬小麦种植区的有效类别,根据所述有效类别生成第二冬小麦种植区域集。
进一步的,上述冬小麦的种植范围确定模块403可以通过如下功能单元来确定,具体包括:
取交集处理单元,用于对所述第一冬小麦种植区域集和所述第二冬小麦种植区域集进行取交集处理,得到取交集处理结果;
冬小麦的种植范围确定单元,用于根据所述取交集处理结果确定冬小麦的种植范围。
进一步的,上述冬小麦的秸秆产量确定模块404可以通过如下功能单元来确定,具体包括:
第四获取单元,用于获取冬小麦生长的物候特征和归一化植被指数数据;
相关关系确定单元,用于根据所述物候特征和所述归一化植被指数数据确定所述冬小麦种植范围内的秸秆产量与归一化植被指数数据的相关关系;
冬小麦的秸秆产量确定单元,用于根据所述相关关系确定冬小麦种植区内每个像元的冬小麦秸秆产量,对所述每个像元的冬小麦秸秆产量进行求和计算,得到所述种植范围内的冬小麦的秸秆产量。
进一步的,上述冬小麦秸秆焚烧污染物排放量计算模块405可以通过如下功能单元来确定,具体包括:
第三获取单元,用于获取秸秆焚烧百分比和秸秆焚烧污染物排放因子;
冬小麦秸秆焚烧污染物排放量计算单元,用于根据所述秸秆产量和如下公式,计算得到冬小麦种植区的秸秆焚烧污染物排放量,
P=Y×η×R,
其中,P为秸秆焚烧污染物排放量,Y为秸秆产量,η为秸秆焚烧百分比,R为秸秆焚烧污染物排放因子。
本发明实施例提供的冬小麦秸秆焚烧污染物排放量的测算装置,该测算装置通过利用物候特征、非监督分类及识别处理相结合的方式,对确定出来的冬小麦种植区域集进行多次叠加处理,来确定冬小麦的种植范围,提高了冬小麦种植范围的准确度,在此基础上再根据冬小麦生长的物候特征和归一化植被指数数据在确定出来的冬小麦种植范围内确定秸秆产量,进而根据该秸秆产量计算得到冬小麦秸秆焚烧污染物排放量,由此提高了秸秆焚烧污染物排放量的测算精度,进而实现根据该污染物排放量准确地指导环境污染的治理。另外,对确定秸秆产量的方式进行细化,提高了秸秆产量的精度,进而进一步的提高了秸秆焚烧污染物排放量的测算精度。
本发明实施例所提供的冬小麦秸秆焚烧污染物排放量的测算装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种冬小麦秸秆焚烧污染物排放量的测算方法,其特征在于,包括:
获取冬小麦生长的物候特征和归一化植被指数数据;
根据物候特征和所述归一化植被指数数据,制定冬小麦种植区的物候规则,其中,所述物候规则是根据归一化植被指数数据随小麦生长期的变化制定的;
提取符合所述物候规则的栅格,基于提取的栅格在研究区中提取出多个冬小麦种植区域,将所述多个冬小麦种植区域作为第一冬小麦种植区域集;
获取归一化植被指数数据和高分辨率遥感影像数据;
对所述归一化植被指数数据进行非监督分类处理,得到非监督分类结果;
根据所述高分辨率遥感影像数据对所述非监督分类结果进行识别处理;
在识别处理结果中筛选出含有冬小麦种植区的有效类别,根据所述有效类别生成第二冬小麦种植区域集;
根据所述第一冬小麦种植区域集和所述第二冬小麦种植区域集确定冬小麦的种植范围;
根据冬小麦生长的物候特征和归一化植被指数数据在所述种植范围内确定冬小麦的秸秆产量;
根据所述秸秆产量确定冬小麦秸秆焚烧污染物排放量。
2.根据权利要求1所述的冬小麦秸秆焚烧污染物排放量的测算方法,其特征在于,所述根据所述第一冬小麦种植区域集和所述第二冬小麦种植区域集确定冬小麦的种植范围,包括:
对所述第一冬小麦种植区域集和所述第二冬小麦种植区域集进行取交集处理,得到取交集处理结果;
根据所述取交集处理结果确定冬小麦的种植范围。
3.根据权利要求1所述的冬小麦秸秆焚烧污染物排放量的测算方法,其特征在于,所述根据冬小麦生长的物候特征和归一化植被指数数据在所述种植范围内确定冬小麦的秸秆产量,包括:
获取冬小麦生长的物候特征和归一化植被指数数据;
根据所述物候特征和归一化植被指数数据确定所述冬小麦种植范围内的秸秆产量与所述归一化植被指数数据的相关关系;
根据所述相关关系确定冬小麦种植区内每个像元的冬小麦秸秆产量,对所述每个像元的冬小麦秸秆产量进行求和计算,得到所述种植范围内的冬小麦的秸秆产量。
4.根据权利要求1所述的冬小麦秸秆焚烧污染物排放量的测算方法,其特征在于,所述根据所述秸秆产量确定冬小麦秸秆焚烧污染物排放量,包括:
获取秸秆焚烧百分比和秸秆焚烧污染物排放因子;
根据所述秸秆产量和如下公式,计算得到冬小麦种植区的秸秆焚烧污染物排放量,
P=Y×η×R,
其中,P为秸秆焚烧污染物排放量,Y为秸秆产量,η为秸秆焚烧百分比,R为秸秆焚烧污染物排放因子。
5.一种冬小麦秸秆焚烧污染物排放量的测算装置,其特征在于,包括:
第一冬小麦种植区域集确定模块包括:
第一获取单元,用于获取冬小麦生长的物候特征和归一化植被指数数据;
物候规则制定单元,用于根据所述物候特征和所述归一化植被指数数据,制定冬小麦种植区的物候规则,其中,所述物候规则是根据归一化植被指数数据随小麦生长期的变化制定的;
第一冬小麦种植区域集生成单元,用于提取符合所述物候规则的栅格,基于提取的栅格在研究区中提取出多个冬小麦种植区域,将所述多个冬小麦种植区域作为第一冬小麦种植区域集;
第二冬小麦种植区域集确定模块包括:
第二获取单元,用于获取归一化植被指数数据和高分辨率遥感影像数据;
非监督分类处理单元,用于对所述归一化植被指数数据进行非监督分类处理,得到非监督分类结果;
识别处理单元,用于根据所述高分辨率遥感影像数据对所述非监督分类结果进行识别处理;
第二冬小麦种植区域集生成单元,用于在识别处理结果中筛选出含有冬小麦种植区的有效类别,根据所述有效类别生成第二冬小麦种植区域集;
冬小麦的种植范围确定模块,用于根据所述第一冬小麦种植区域集和所述第二冬小麦种植区域集确定冬小麦的种植范围;
冬小麦的秸秆产量确定模块,用于根据冬小麦生长的物候特征和归一化植被指数数据在所述种植范围内确定冬小麦的秸秆产量;
冬小麦秸秆焚烧污染物排放量计算模块,用于根据所述秸秆产量确定冬小麦秸秆焚烧污染物排放量。
6.根据权利要求5所述的测算装置,其特征在于,所述冬小麦秸秆焚烧污染物排放量计算模块包括:
第三获取单元,用于获取秸秆焚烧百分比和秸秆焚烧污染物排放因子;
冬小麦秸秆焚烧污染物排放量计算单元,用于根据所述秸秆产量和如下公式,计算得到冬小麦种植区的秸秆焚烧污染物排放量,
P=Y×η×R,
其中,P为秸秆焚烧污染物排放量,Y为秸秆产量,η为秸秆焚烧百分比,R为秸秆焚烧污染物排放因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510516239.9A CN105184234B (zh) | 2015-08-20 | 2015-08-20 | 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510516239.9A CN105184234B (zh) | 2015-08-20 | 2015-08-20 | 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184234A CN105184234A (zh) | 2015-12-23 |
CN105184234B true CN105184234B (zh) | 2019-07-19 |
Family
ID=54906303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510516239.9A Active CN105184234B (zh) | 2015-08-20 | 2015-08-20 | 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184234B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111505016B (zh) * | 2020-04-21 | 2023-04-18 | 北京中科锐景科技有限公司 | 一种秸秆焚烧排放清单估算方法 |
CN112380497B (zh) * | 2020-10-29 | 2024-03-22 | 中国农业大学 | 用于区域玉米的秸秆系数估算方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073869A (zh) * | 2010-12-27 | 2011-05-25 | 中国农业大学 | 基于点位数据和遥感影像数据的区域耕地质量监测方法 |
CN102668899A (zh) * | 2012-03-28 | 2012-09-19 | 北京师范大学 | 一种农作物种植模式识别方法 |
CN104850694A (zh) * | 2015-05-13 | 2015-08-19 | 福州大学 | 基于生长期植被指数增量的冬小麦遥感监测方法 |
-
2015
- 2015-08-20 CN CN201510516239.9A patent/CN105184234B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073869A (zh) * | 2010-12-27 | 2011-05-25 | 中国农业大学 | 基于点位数据和遥感影像数据的区域耕地质量监测方法 |
CN102668899A (zh) * | 2012-03-28 | 2012-09-19 | 北京师范大学 | 一种农作物种植模式识别方法 |
CN104850694A (zh) * | 2015-05-13 | 2015-08-19 | 福州大学 | 基于生长期植被指数增量的冬小麦遥感监测方法 |
Non-Patent Citations (2)
Title |
---|
《基于地块特征基元与多时相遥感数据的冬小麦播种面积快速提取》;朱长明等;《农业工程学报》;20110930;第27卷(第9期);正文第94-99页 |
《江汉平原秸秆焚烧污染物排放的估算》;李建峰等;《北京大学学报(自然科学版) 》;20150731;第51卷(第4期);正文第647-656页 |
Also Published As
Publication number | Publication date |
---|---|
CN105184234A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lavorel et al. | Pathways to bridge the biophysical realism gap in ecosystem services mapping approaches | |
CN108346142A (zh) | 一种基于植物光照图像的植物生长状态识别方法 | |
Jiang et al. | Three-dimensional time-lapse analysis reveals multiscale relationships in maize root systems with contrasting architectures | |
Miao et al. | Automatic stem-leaf segmentation of maize shoots using three-dimensional point cloud | |
Chang et al. | Delineation of management zones using an active canopy sensor for a tobacco field | |
CN111598045A (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
Chen et al. | Investigating rice cropping practices and growing areas from MODIS data using empirical mode decomposition and support vector machines | |
CN110110595A (zh) | 一种基于卫星遥感影像的农田画像及药肥大数据分析方法 | |
CN115618021B (zh) | 农作物品种适宜种植区域推荐方法及装置 | |
Herbei et al. | Processing and use of satellite images in order to extract useful information in precision agriculture. | |
CN112215522A (zh) | 农作物长势监测系统、方法、计算机设备及存储介质 | |
Bhuyar et al. | Crop classification with multi-temporal satellite image data | |
Fernández-Rodríguez et al. | Understanding hourly patterns of Olea pollen concentrations as tool for the environmental impact assessment | |
Liu et al. | Automated classification of stems and leaves of potted plants based on point cloud data | |
CN105184234B (zh) | 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 | |
CN114298615A (zh) | 一种农作物种植风险预防方法、装置、存储介质和设备 | |
CN106097372A (zh) | 基于图像处理的农作物植株水分胁迫表型检测方法 | |
Scanlan | A model of woody-herbaceous biomass relationships in eucalypt and mesquite communities. | |
Yu et al. | Research on weed identification method in rice fields based on UAV remote sensing | |
Li et al. | Disease recognition of maize Leaf based on KNN and feature extraction | |
Young et al. | A terrain-based paired-site sampling design to assess biodiversity losses from eastern hemlock decline | |
Cui et al. | Phenotypic characteristics of ramie (Boehmeria nivea L) germplasm resources based on UAV remote sensing | |
Biarnès et al. | Identifying indicators of the spatial variation of agricultural practices by a tree partitioning method: The case of weed control practices in a vine growing catchment | |
CN110263922A (zh) | 一种用于评价草地退化程度的训练数据处理方法 | |
Xing et al. | Traits expansion and storage of soybean phenotypic data in computer vision-based test |
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 |