CN105550707A - 一种烟田遥感数据的分类提取方法 - Google Patents

一种烟田遥感数据的分类提取方法 Download PDF

Info

Publication number
CN105550707A
CN105550707A CN201510926408.6A CN201510926408A CN105550707A CN 105550707 A CN105550707 A CN 105550707A CN 201510926408 A CN201510926408 A CN 201510926408A CN 105550707 A CN105550707 A CN 105550707A
Authority
CN
China
Prior art keywords
vega
remotely
index
extracting method
sensed 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.)
Pending
Application number
CN201510926408.6A
Other languages
English (en)
Inventor
陈泽鹏
张金霖
陈俊
林先丰
唐瑞文
唐建波
刘柏林
郭治兴
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.)
LIANZHOU BRANCH GUANGDONG TOBACCO QINGYUAN Co Ltd
Guangdong Institute of Eco Environment and Soil Sciences
China National Tobacco Corp Guangdong Branch
Original Assignee
LIANZHOU BRANCH GUANGDONG TOBACCO QINGYUAN Co Ltd
Guangdong Institute of Eco Environment and Soil Sciences
China National Tobacco Corp Guangdong Branch
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 LIANZHOU BRANCH GUANGDONG TOBACCO QINGYUAN Co Ltd, Guangdong Institute of Eco Environment and Soil Sciences, China National Tobacco Corp Guangdong Branch filed Critical LIANZHOU BRANCH GUANGDONG TOBACCO QINGYUAN Co Ltd
Priority to CN201510926408.6A priority Critical patent/CN105550707A/zh
Publication of CN105550707A publication Critical patent/CN105550707A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Abstract

本发明提供一种烟田遥感数据的分类提取方法，该方法基于陆地资源卫星的月值数据集，通过波段运算得到植被指数(normalizeddifferencevegetationindex，NDVI)、水体指数NDWI(normalizeddifferencewaterindex，NDWI)和修正土壤调整指数(modifiedsoiladjustedvegetationindex，MSAVI)的序列数据，进行均方差、半方差和均值等数学方法运算，得到具有明确物理意义和物候信息的指标因子，构建多维特征空间分类数据集，运行支持向量机算法(SVM)自动分类提取研究区内水田和旱地农田类型，本发明对该区域农业资源合理利用具有一定的实践意义，同时为有关行政部门制定该区未来农业发展的政策与规划提供一定的参考依据。

Description

一种烟田遥感数据的分类提取方法
技术领域
本发明涉及烟田地理信息分析方法领域，更具体地，涉及一种烟田遥感数据的分类提取方法。
背景技术
目前，烟田遥感分类提取注重在中高分辨率的遥感影像尺度上进行研究。农田遥感提取主要有如下2种方法：1)人工目视解译；2)计算机自动分类提取。前者烟田提取精度较高，但工作周期长、成本高；后者地类信息提取速度较快、成本较低，但在地表覆盖类型复杂和人为活动影响较大的地区，自动分类提取的结果仍存在较多漏分和误分。另外，在生长盛期地表植被具有近似的卫星影像像元DN数值，相差不大的地物影像纹理特征，复杂的土地覆被类型；这些加大了烟田区水田和旱地的遥感分类提取难度。
发明内容
本发明提供一种烟田遥感数据的分类提取方法，来实现烟田遥感自动分类提取。
为了达到上述技术效果，本发明的技术方案如下：
一种烟田遥感数据的分类提取方法，包括以下步骤：
S1：收集监控烟田区域的陆地卫星月值数据集；
S2：对月值数据集进行波段运算得到植被指数、水体指数和修正土壤调整指数的序列数据；
S3：对序列数据进行均方差、半方差和均值运算构建多维特征空间分类数据集；
S4：利用分类算法对多维特征空间分类数据集进行处理将烟田遥感数据进行分类。
进一步地，所述步骤S4中利用的分类算法是支持向量机算法。
进一步地，步骤S3中依据计算植被指数半方差达到最大值时的峰值点位置，来提取烟田地物连续变化的特征信息。
进一步地，步骤S3中计算植被指数均值的局部方差，获取局部方差曲线的峰值点位置，来提取烟田地物的空间格局信息。
进一步地，通过一个n×n的移动窗口计算窗口内影像植被指数值的标准差的均值，依据形成局部方差曲线的峰值点位置，来获取地物的空间格局信息。
进一步地，利用多波段扫描影像的绿光波段和近红外波段的比值构建归一化差异水体指数来表示该比值与实际土壤中含水量的相关关系。
与现有技术相比，本发明技术方案的有益效果是：
本发明基于陆地资源卫星的月值数据集，通过波段运算得到植被指数(normalizeddifferencevegetationindex，NDVI)、水体指数NDWI(normalizeddifferencewaterindex，NDWI)和修正土壤调整指数(modifiedsoiladjustedvegetationindex，MSAVI)的序列数据，进行均方差、半方差和均值等数学方法运算，得到具有明确物理意义和物候信息的指标因子，构建多维特征空间分类数据集，运行支持向量机算法(SVM)自动分类提取研究区内水田和旱地农田类型，本发明对该区域农业资源合理利用具有一定的实践意义，同时为有关行政部门制定该区未来农业发展的政策与规划提供一定的参考依据。
附图说明
图1为本发明的流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种烟田遥感数据的分类提取方法，包括以下步骤：
S1：收集监控烟田区域的陆地卫星月值数据集；
S2：对月值数据集进行波段运算得到植被指数、水体指数和修正土壤调整指数的序列数据；
S3：对序列数据进行均方差、半方差和均值运算构建多维特征空间分类数据集；
S4：利用分类算法对多维特征空间分类数据集进行处理将烟田遥感数据进行分类。
本实施例中，步骤S4中利用的分类算法是支持向量机算法；步骤S3中依据计算植被指数半方差达到最大值时的峰值点位置，来提取烟田地物连续变化的特征信息；步骤S3中计算植被指数均值的局部方差，获取局部方差曲线的峰值点位置，来提取烟田地物的空间格局信息。
本实施例中，通过一个n×n的移动窗口计算窗口内影像植被指数值的标准差的均值，依据形成局部方差曲线的峰值点位置，来获取地物的空间格局信息；利用多波段扫描影像的绿光波段和近红外波段的比值构建归一化差异水体指数来表示该比值与实际土壤中含水量的相关关系。
基于陆地资源卫星的月值数据集(Landset数据)，通过波段运算得到植被指数(normalizeddifferencevegetationindex，NDVI)、水体指数NDWI(normalizeddifferencewaterindex，NDWI)和修正土壤调整指数(modifiedsoiladjustedvegetationindex，MSAVI)的序列数据，进行均方差、半方差和均值等数学方法运算，得到具有明确物理意义和物候信息的指标因子，构建多维特征空间分类数据集，运行支持向量机算法(SVM)自动分类提取研究区内水田和旱地农田类型，本发明对该区域农业资源合理利用具有一定的实践意义，同时为有关行政部门制定该区未来农业发展的政策与规划提供一定的参考依据。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种烟田遥感数据的分类提取方法，其特征在于，包括以下步骤：
S1：收集监控烟田区域的陆地卫星月值数据集；
S2：对月值数据集进行波段运算得到植被指数、水体指数和修正土壤调整指数的序列数据；
S3：对序列数据进行均方差、半方差和均值运算构建多维特征空间分类数据集；
S4：利用分类算法对多维特征空间分类数据集进行处理将烟田遥感数据进行分类。
2.根据权利要求1所述的烟田遥感数据的分类提取方法，其特征在于，所述步骤S4中利用的分类算法是支持向量机算法。
3.根据权利要求1所述的烟田遥感数据的分类提取方法，其特征在于，步骤S3中依据计算植被指数半方差达到最大值时的峰值点位置，来提取烟田地物连续变化的特征信息。
4.根据权利要求1所述的烟田遥感数据的分类提取方法，其特征在于，步骤S3中计算植被指数均值的局部方差，获取局部方差曲线的峰值点位置，来提取烟田地物的空间格局信息。
5.根据权利要求4所述的烟田遥感数据的分类提取方法，其特征在于，通过一个n×n的移动窗口计算窗口内影像植被指数值的标准差的均值，依据形成局部方差曲线的峰值点位置，来获取地物的空间格局信息。
6.根据权利要求1所述的烟田遥感数据的分类提取方法，其特征在于，利用多波段扫描影像的绿光波段和近红外波段的比值构建归一化差异水体指数来表示该比值与实际土壤中含水量的相关关系。
CN201510926408.6A 2015-12-11 2015-12-11 一种烟田遥感数据的分类提取方法 Pending CN105550707A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510926408.6A CN105550707A (zh) 2015-12-11 2015-12-11 一种烟田遥感数据的分类提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510926408.6A CN105550707A (zh) 2015-12-11 2015-12-11 一种烟田遥感数据的分类提取方法

Publications (1)

Publication Number Publication Date
CN105550707A true CN105550707A (zh) 2016-05-04

Family

ID=55829890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510926408.6A Pending CN105550707A (zh) 2015-12-11 2015-12-11 一种烟田遥感数据的分类提取方法

Country Status (1)

Country Link
CN (1) CN105550707A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108827909A (zh) * 2018-06-07 2018-11-16 浙江大学 基于可见近红外光谱与多目标融合的土壤快速分类方法
CN111882206A (zh) * 2020-07-25 2020-11-03 广州城市职业学院 一种建筑工程采用建筑信息模型的应用价值评估方法
CN112036313A (zh) * 2020-08-31 2020-12-04 中国平安财产保险股份有限公司 烟草种植面积检测方法、装置、设备及可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049757A (zh) * 2012-11-16 2013-04-17 南京师范大学 一种基于蜂群智能的遥感影像分类方法
CN104751166A (zh) * 2013-12-30 2015-07-01 中国科学院深圳先进技术研究院 基于光谱角和欧氏距离的遥感影像分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049757A (zh) * 2012-11-16 2013-04-17 南京师范大学 一种基于蜂群智能的遥感影像分类方法
CN104751166A (zh) * 2013-12-30 2015-07-01 中国科学院深圳先进技术研究院 基于光谱角和欧氏距离的遥感影像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙丹峰 等: ""高分辨率遥感卫星影像在土地利用分类及其变化检测的应用研究"", 《农业工程学报》 *
郑辉: ""局部方差与变异函数方法对比的遥感影像空间格局探测机制研究"", 《中国博士学位论文全文数据库•基础科学辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108827909A (zh) * 2018-06-07 2018-11-16 浙江大学 基于可见近红外光谱与多目标融合的土壤快速分类方法
CN108827909B (zh) * 2018-06-07 2020-01-24 浙江大学 基于可见近红外光谱与多目标融合的土壤快速分类方法
CN111882206A (zh) * 2020-07-25 2020-11-03 广州城市职业学院 一种建筑工程采用建筑信息模型的应用价值评估方法
CN111882206B (zh) * 2020-07-25 2023-11-07 广州城市职业学院 一种建筑工程采用建筑信息模型的应用价值评估方法
CN112036313A (zh) * 2020-08-31 2020-12-04 中国平安财产保险股份有限公司 烟草种植面积检测方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
Hufkens et al. Monitoring crop phenology using a smartphone based near-surface remote sensing approach
AU2020101054A4 (en) A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV
Keshtkar et al. Land-cover classification and analysis of change using machine-learning classifiers and multi-temporal remote sensing imagery
Kavzoglu et al. Parameter-based performance analysis of object-based image analysis using aerial and Quikbird-2 images
Zhang et al. Land cover classification of the North China Plain using MODIS_EVI time series
Amuti et al. Analysis of land cover change and its driving forces in a desert oasis landscape of Xinjiang, northwest China
CN107527014A (zh) 县级作物种植面积遥感统计抽样调查方案设计方法
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
CN107330422A (zh) 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法
Eckert et al. Identification and classification of structural soil conservation measures based on very high resolution stereo satellite data
Dubovyk et al. Object-based identification of vegetation cover decline in irrigated agro-ecosystems in Uzbekistan
Uddin et al. Forest condition monitoring using very-high-resolution satellite imagery in a remote mountain watershed in Nepal
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
Hebbar et al. Object oriented classification of high resolution data for inventory of horticultural crops
CN105550707A (zh) 一种烟田遥感数据的分类提取方法
Li et al. An efficient multiscale SRMMHR (Statistical Region Merging and Minimum Heterogeneity Rule) segmentation method for high-resolution remote sensing imagery
NO20211116A1 (en) Method and system for delineating agricultural fields in satellite images
CN109658380A (zh) 基于前期林地矢量数据的林地变化检测方法
Kolanuvada et al. Automatic extraction of tree crown for the estimation of biomass from UAV imagery using neural networks
CN102622345B (zh) 多源时空数据协同的高精度土地利用遥感更新技术
CN102360428B (zh) 一种玉米三叶期与七叶期的自动检测方法
Qu et al. Mapping large area tea plantations using progressive random forest and Google Earth Engine
CN109446965A (zh) 一种基于无人机数据的烟田自动识别方法
Afrasinei et al. Diachronic analysis of salt-affected areas using remote sensing techniques: the case study of Biskra area, Algeria
Huang et al. Comparing the effects of temporal features derived from synthetic time-series NDVI on fine land cover classification

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20160504