CN106897707A - 基于多源中分的特征影像时间序列合成方法及装置 - Google Patents
基于多源中分的特征影像时间序列合成方法及装置 Download PDFInfo
- Publication number
- CN106897707A CN106897707A CN201710122488.9A CN201710122488A CN106897707A CN 106897707 A CN106897707 A CN 106897707A CN 201710122488 A CN201710122488 A CN 201710122488A CN 106897707 A CN106897707 A CN 106897707A
- Authority
- CN
- China
- Prior art keywords
- time series
- characteristic image
- image
- tile
- characteristic
- 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.)
- Granted
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
Abstract
本发明公开一种基于多源中分的特征影像时间序列合成方法,包括步骤:采用GF1‑WFV、HJ1‑A/B及Landsat分别采集遥感影像,形成多源中分遥感影像;对多源中分遥感影像进行预处理,输出辐射归一化的时间序列特征影像;提取时间序列特征影像中云覆盖区域并对无云时间序列特征影像划分,输出特征影像时间序列空瓦片集;对MODIS采集的时间序列特征影像,分别提取若干种类作物的单一作物生长曲线,生成多作物生长曲线库;在辐射归一化的时间序列特征影像中加入时间序列空瓦片集和单一作物生长曲线做时相归一化,构建特征影像时间序列瓦片集。本发明完成大范围、长时间序列、大数据量的特征影像时间序列构建。
Description
技术领域
本发明涉及遥感图像处理技术领域,更具体地说,本发明涉及一种基于多源中分的特征影像时间序列合成方法及装置。
背景技术
农作物种植面积是制定粮食生产政策和确定粮食贸易数量的重要依据,是农业种植结构调整的基础。作物的生长都有其各自的规律,并且同一种作物在同一地区具有相对稳定的生长发育规律,根据不同作物在发育过程中时间和生物量上存在一定差异性,结合一些物候信息,可以利用时间序列遥感图像对不同的作物进行分类识别,从而达到提取作物种植信息的目的。在此背景下遥感植被指数时间序列数据已经为农作物种植监测提了新的有效数据源,为农田作物信息提取提供了强有力的技术支撑。国内外学者先后利用时间序列遥感数据进行作物物候监测、耕地资源提取、作物面积监测、作物估产等,在大区域尺度下取得了较好的效果。
随着遥感技术不断发展,基于单时相遥感影像用于作物面积、种类、长势监测,尤其在生长期相似、作物种类相近,特别是作物亚类的识别上已经远远不能达到应用要求。
目前常用的长时间序列NDVI(Normalized Difference Vegetation Index,植被指数)数据集主要包括来自于如NOAA(National Oceanic and AtmosphericAdministration,美国国家海洋和大气管理局)气象卫星上的AVHRR探测器、MODIS(moderate-resolution imaging spectroradiometer,中分辨率成像光谱仪)以及SPOT(Small Programmable Object Technology)卫星上运行的VEGETATION植被探测器,空间分辨率均比较低,这使得遥感影像时间序列的研究和应用基本集中在全球、国家尺度上的趋势性研究。而想将遥感影像时间序列产品在省级范围的精细化作物种植情况提取,其间分辨率带来的混合像元问题将令其力不从心,这大大限制了遥感影像时间序列的应用范围。因此,为实现大范围、精细化的作物种植信息提取,构建稳定、可靠、无噪声的高分辨率特征影像时间序列已成为必须。同样现有的基于NDVI特征的时间序列已经越来越难以满足应用需求,更多的有效特征指数时间序列构建需求也越来越急迫。
利用传统方法进行时间序列构建时,为减小噪声对特征值的降低,常采用MVC(Model View Controller,框架模式)方法进行多时相影像合成,该方法假设云层的位置是不断变化,在一定时间段内,任何一个位置点都存在没有被云覆盖的晴天。即假定其他条件相同,最大值代表最清洁的大气条件,一般合成周期为2-4周。这样的时间间隔会造成特征指数不能反映同时期的作物生长状况,一般会造成研究区内不同区域的作物长势差异明显。另外,由于特征影像的分辨率相对传统的时间序列数据有了明显的提升,数据量增加也是巨大的,特别是大范围(省级)的时间序列数据必然会造成数据量的急剧增大,以江西省为例,利用HJ卫星数据单时相全区覆盖需要5景数据量为6.5G,以作物生长期为三个月设定,进行生长期内的旬时间序列构建至少需要9期数据,按传统波段组合的方式进行合成时,至少生成100G以上的特征影像时相序列数据,普通单机根本无法对如此巨大的数据量进行后续分析计算。
发明内容
针对上述技术中存在的不足之处,本发明提供一种基于多源中分的特征影像时间序列合成方法及装置,在高时间分辨率GF1-WFV、HJ1-A/B基础上,加入Landsat采集的NDVI数据作为中分辨率特征时间序列构建的数据源补充,保证高时间和高空间分辨率的同时,消除单一传感器无法实现全覆盖造成的时间序列不完整,以完成大范围、长时间序列、大数据量的特征影像时间序列构建,对多源、多分辨率数据具有兼容性。
为了实现根据本发明的这些目的和其它优点,本发明通过以下技术方案实现:
本发明提供一种基于多源中分的特征影像时间序列合成方法,包括以下步骤:
采用GF1-WFV、HJ1-A/B以及Landsat分别采集遥感影像,形成多源中分遥感影像;
对所述多源中分遥感影像进行预处理,输出辐射归一化的时间序列特征影像;
提取所述辐射归一化的时间序列特征影像中的云覆盖区域,对提取后的无云时间序列特征影像进行划分,输出特征影像时间序列空瓦片集;
对MODIS采集的时间序列特征影像,分别提取若干种类作物的单一作物生长曲线,生成多作物生长曲线库;
在所述辐射归一化的时间序列特征影像中加入所述时间序列空瓦片集和所述单一作物生长曲线做时相归一化处理,构建特征影像时间序列瓦片集。
优选的是,所述云覆盖区域的影像值设为0。
优选的是,所述预处理包括以下步骤:
对所述多源中分遥感影像进行几何精纠正;
对GF1-WFV、HJ1-A/B分别采集的遥感影像进行定标,输出地面定标场数据;同时,获取同步高分辨率大气参数进行大气校正;
对几何精纠正和大气校正后的遥感影像数据依次进行影像匹配、重采样以及特征影像计算以完成辐射精校正处理,输出辐射归一化的时间序列特征影像。
优选的是,所述特征影像计算包括归一化NDVI数据。
优选的是,对提取后的无云时间序列特征影像进行划分,输出特征影像时间序列空瓦片集,包括以下步骤:
根据所述无云时间序列特征影像的分布范围和面积,进行区域划分,输出单瓦片数据的空间范围;
确定所述无云时间序列特征影像的特征影像时间序列节点,以进行时间维度的划分,输出单瓦片数据的波段数量;
根据所述单瓦片数据的空间范围和波段数量,生成单个特征影像时间序列空瓦片及特征影像时间序列空瓦片集。
优选的是,根据区域划分的可用部件的个数,得到单瓦片划分的个数,即:Npart=∑NnodeNcore;
Npart为可用部件个数,Nnode为可用的消息传递接口节点个数,Ncore为每个消息传递接口节点所对应的计算机的CPU核数。
优选的是,依次根据特征数据的数量、时间范围、数据覆盖范围以及时间间隔,确定所述无云时间序列特征影像的特征影像时间序列节点。
优选的是,时相归一化处理以及构建特征影像时间序列瓦片集,包括以下步骤:
根据所述单瓦片数据的空间范围,对预处理输出的辐射归一化的时间序列特征影像进行查询;
根据所述多作物生长曲线库中的所述单个作物生长曲线,对查询后的所述时间序列特征影像中成像时间不同的影像进行时相归一化,获得最近时间节点的特征值,完成单瓦片数据的生成;
通过所述单瓦片数据的波段数量组合,进行时间序列的合成,输出初步特征影像时间序列瓦片集;
对所述初步特征影像时间序列瓦片集进行噪声去除;
若干个噪声去除后的初步特征影像时间序列瓦片集并行汇总,输出特征影像时间序列瓦片集。
优选的是,所述噪声去除,包括对所述初步时间序列数据集依次进行时域序列重建和空间域噪声去除。
一种基于多源中分的特征影像时间序列合成装置,其包括:
采集模块,其用于输出多源中分遥感影像,所述采集模块包括分别采集遥感影像的GF1-WFV、HJ1-A/B以及Landsat;
预处理模块,其用于将所述多源中分遥感影像进行预处理,输出辐射归一化的时间序列特征影像;
划分模块,其用于对所述时间序列特征影像中的云覆盖区域提取、对提取后的无云时间序列特征影像进行划分、输出特征影像时间序列空瓦片集;
多作物生长曲线库生成模块,其用于对MODIS采集的时间序列特征影像提取若干种类作物的单一作物生长曲线、生成多作物生长曲线库;
特征影像时间序列瓦片集合成模块,其用于在所述辐射归一化的时间序列特征影像中加入所述时间序列空瓦片集和所述单一作物生长曲线做时相归一化处理,输出特征影像时间序列瓦片集。
本发明至少包括以下有益效果:
1)本发明提供的基于多源中分的特征影像时间序列合成方法,在高时间分辨率的GF1-WFV、HJ1-A/B基础上,加入Landsat采集的NDVI数据作为中分辨率特征时间序列构建的数据源补充,保证高时间和高空间分辨率的同时,消除单一传感器无法实现全覆盖造成的时间序列不完整,以完成大范围、长时间序列、大数据量的特征影像时间序列构建,对多源、多分辨率数据具有兼容性;
2)在成像时间一致的时间序列特征影像中加入时间序列空瓦片集和单一作物生长曲线做时相归一化处理;单一作物生长曲线用于时间序列特征影像的插补,以实现同时相、等时间间隔的时间序列构建;多线程并行方式生成时间序列空瓦片集,降低数据处理量,提高工作效率,实现大范围NDVI参数时间序列无缝合成。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明所述的基于多源中分的特征影像时间序列合成方法的示意图;
图2为本发明所述的基于多源中分的特征影像时间序列合成方法的流程图;
图3(a)-3(c)为本发明所述的MODIS提取植被生长曲线样点的示意图;
图4为本发明所述的早稻生长曲线提取成果示意图;
图5为本发明所述的预处理的示意图;
图6为本发明所述的预处理的方法流程图;
图7为本发明所述的输出特征影像时间序列空瓦片集的流程图;
图8为本发明所述的江西省范围无云时间序列特征影像划分区域后的示意图;
图9为本发明所述的时相归一化处理以及构建特征影像时间序列瓦片集的示意图;
图10为本发明所述的时相归一化处理以及构建特征影像时间序列瓦片集的方法流程图;
图11为本发明所述的NDVI时相归一化过程中各时间序列节点对应的NDVI值的示意图;
图12为本发明所述的基于多源中分的特征影像时间序列合成装置的示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
实施例1
如图1和图2所示,本发明提供一种基于多源中分的特征影像时间序列合成方法,其包括以下步骤:
S10,采用GF1-WFV、HJ1-A/B以及Landsat分别采集遥感影像,形成多源中分遥感影像;S20,对多源中分遥感影像进行预处理,输出辐射归一化的时间序列特征影像;S30,提取时间序列特征影像中的云覆盖区域,对提取后的无云时间序列特征影像进行划分,输出特征影像时间序列空瓦片集;S40,对MODIS采集的时间序列特征影像,分别提取若干种类作物的单一作物生长曲线,生成多作物生长曲线库;S50,在成像时间一致的时间序列特征影像中加入时间序列空瓦片集和单一作物生长曲线做时相归一化处理,构建特征影像时间序列瓦片集。
上述实施方式中,相对于传统NDVI时间序列的高空间分辨率,采用GF1-WFV、HJ1-A/B以及Landsat分别采集遥感图像,形成多源遥感图像。其中,GF1-WFV、HJ1-A/B用于保证采集的多源遥感图像具有同水平或者更高水平的时间分辨率基础上,加入Landsat采集的NDVI数据作为中分辨率特征时间序列构建的数据源补充,一方面在空间分辨率上有成倍的提高,为省级、区级特征时间序列研究提供数据支持;另一方面也消除了单一传感器无法实现全覆盖造成的时间序列不完整。
上述实施方式中,植物物候是指植物受气候和其他环境因子的影响出现的以年为周期的自然现象,包括植物的发芽、展叶、开花、落叶等,是植物长期适应环境的周期性变化而形成的生长发育规律。不同的作物、耕作制度造成不同的物候特点,在影像上则表现为不同的植被指数,基于时间序列的作物识别即通过识别多种作物的植被指数时间变化差异进行作物种类的识别。本申请对MODIS采集的时间序列特征影像,分别提取若干种类作物的单一作物生长曲线,主要通过作物种类识别,来消除区域特征影像时间不一致造成的时间序列时间间隔不一致。分别提取若干种类作物的单一作物生长曲线,针对应用目标作物提取其单一作物生长曲线,以获得目标作物的一般生长规律,在此基础上利用采集的多源中分遥感影像的时间进行目标时间插补,例如,可以根据多源中分遥感影像的时间或应用需要确定时间间隔(如每月10,20,30日各一期的旬时间序列),进行时间序列插补,从而实现同时相、等时间间隔的时间序列构建。具体地,采用目视判读的方式在高分辨影像上获取大面积目标作物种植区域,并以大范围的中心为采样点,确保采样点在MODIS数据上位于纯净像元内,保证提取的NDVI反映单一作物的生长情况。图3给出了MODIS提取植被生长曲线样点的示意,图3(a)为高分辨率影像中识别获得的大面积早稻种植区,图3(b)为图3(a)中截取的小范围纯净的早稻种植区,其中黄色框内为纯净的早稻种植田块,可作为样本点,图3(c)为图3(b)中早稻样本在MODIS数据上的表现,其中黄色框内为NDVI样点选择示意;图4给出早稻生长曲线提取成果示意图。此外为避免样点时间序列中存在的云雨影像以及随机误差等造成作物生长曲线不完整,并保证样点的普遍性,NDVI样点选择需要尽量均匀。通过对样点的去噪、均值计算、统计等过程获取目标作物的生长曲线。通过对多种作物的生长曲线获取建立作物生长知识库,为不同的目标地物特征时间序列构建提供支持。
上述实施方式中,为解决云雨的影响,采用自动云检与人工识别相结合的方法提取辐射归一化的时间序列特征影像中的云覆盖区域,对提取后的无云时间序列特征影像进行划分,输出大范围无云特征影像时间序列空瓦片集。相对于传统的影像存储、管理都以影像为单位进行,一般对所有影像数据直接存储或将云量超标的数据直接丢弃而导致的数据量大、冗余大、管理不便,本申请采用划分以生成特征影像时间序列空瓦片集的方式,回收利用原本由于云量过大而被丢弃的影像数据,使影像中少量的有效数据得到充分利用,在最大程度保留无云有效数据的基础上减小数据存储量,提高影像利用率,大大降低数据冗余。同时,特征影像时间序列空瓦片集利于实现大范围NDVI参数时间序列无缝合成。
作为本发明的优选实施方式,如图5和图6所示,步骤S20中,预处理包括以下步骤:
S21,对多源中分遥感影像进行几何精纠正;
S22,对GF1-WFV、HJ1-A/B分别采集的遥感影像进行定标,输出地面定标场数据;同时,获取同步高分辨率大气参数进行大气校正;
S23,对几何精纠正和大气校正后的遥感影像数据依次进行影像匹配、重采样以及特征影像计算以完成辐射精校正处理,输出辐射归一化的时间序列特征影像。
上述实施方式中,如图5所示,步骤S21中对多源中分遥感影像进行几何精纠正,依次包括GCP匹配、RPC参数优化、区域网平差以及正射纠正等步骤;步骤S22中大气校正包括对MODIS以及风云二号卫星采集的遥感影像数据依次进行8天合成地表反射率产品、气溶胶反演、1km3网格气溶胶浓度检测以及大气光学厚度(目标值为1*1km)检测。为保证定标结果精度、降低定标成本、降低定标的难度,采用相对辐射定标与绝对辐射定标相结合的方式进行,即步骤S23中辐射精校正处理,包括分别采用地面定标场数据以及大气校正后的影像数据对几何精纠正后的影像数据进行交叉辐射定标,即对几何精纠正和大气校正后的遥感影像数据依次进行影像匹配、重采样以及特征影像计算以完成辐射精校正处理,实现多传感器数据的辐射归一化,输出辐射归一化的时间序列特征影像。在预处理的过程中,特征影像计算,反映植被生长状况、地表覆盖情况,最常用的即归一化植被指数(NDVI),此外根据应用需要,可以选用NDWI(Normalized Difference Water Index,归一化差异水体指数)、EVI(Enhanced Vegetation Index,增强型植被指数)、DVI(Difference Vegetation Index,差值环境植被指数)等其它响应的指数作为特征影像以构建时间序列。本申请的特征影像计算,优选包括归一化NDVI数据。
作为本发明的优选实施方式,步骤S30中,提取辐射归一化的时间序列特征影像中的云覆盖区域,可以通过云区检测与提取技术来实现。具体提取方法包括,设置影像值为0的区域作为云覆盖区域,将辐射归一化的时间序列特征影像数据中影像值设置为0的云覆盖区域提取出来。
作为上述优选,如图7所示,步骤S30中,对提取后的无云时间序列特征影像进行划分,输出特征影像时间序列空瓦片集,包括以下步骤:
S31,根据无云时间序列特征影像的分布范围和面积,进行区域划分,输出单瓦片数据的空间范围;
S32,确定无云时间序列特征影像的特征影像时间序列节点,以进行时间维度的划分,输出单瓦片数据的波段数量;
S33,根据单瓦片数据的空间范围和波段数量,生成单个特征影像时间序列空瓦片及特征影像时间序列空瓦片集。
上述实施方式中,步骤S31中,根据无云时间序列特征影像的分布范围和面积,进行区域划分,合理规划单瓦片数据空间范围的大小,以便最大程度保留有效数据、减小数据量,大大降低数据冗余。作为优选,对单瓦片数据空间范围的划分,可以根据区域划分的可用部件的个数来实现。根据区域划分的可用部件的个数,得到单瓦片划分的个数,即:Npart=∑NnodeNcore;Npart为可用部件个数,Nnode为可用的消息传递接口节点个数,Ncore为每个消息传递接口节点所对应的计算机的CPU核数。由于工作范围一般以省为单位,面积大、范围广、计算量大,因此根据计算机硬件环境合理分区,实现并行计算,提高工作效率。图8给出了江西省范围无云时间序列特征影像划分区域后的示意图,假设计算得到的可用部件个数为21,则可以将江西省范围内的无云时间序列特征影像数据划分为21个区域,白色分区为工作区,斜线分区为无用分区,可以不予考虑。单瓦片数据空间范围的划分以划分单瓦片数量,为后续多个单瓦片并行时相归一化以构建特征影像时间序列瓦片集做准备。
上述实施方式中,步骤S32中,确定无云时间序列特征影像的特征影像时间序列节点,即确定无云时间序列特征影像数据集的时间分辨率。时间分辨率的确定方式,可以根据应用需要直接进行时间序列节点数量的设置,还可以依次根据特征数据的数量、时间范围、数据覆盖范围以及时间间隔,确定无云时间序列特征影像的特征影像时间序列节点。另外,在保证在全区域覆盖的情况下,尽量使时间序列更为密集,便于后续分析。
上述实施方式中,步骤S33中,根据单瓦片数据的空间范围和波段数量,生成单个特征影像时间序列空瓦片及特征影像时间序列空瓦片集。作为优选,可以对特征影像时间序列空瓦片集中的单个特征影像时间序列空瓦片进行编码并进行存储。至于编码方式,可以采用现有技术中任意一种编码方法,本申请不作具体限定。
作为本发明的优选实施方式,如图9和图10所示,步骤S50中,时相归一化处理以及构建特征影像时间序列瓦片集,包括以下步骤:
S51,根据单瓦片数据的空间范围,对预处理输出的辐射归一化的时间序列特征影像进行查询;
S52,根据多作物生长曲线库中的单个作物生长曲线,对查询后的时间序列特征影像中成像时间不同的影像进行时相归一化,获得最近时间节点的特征值,完成单瓦片数据的生成;
S53,通过单瓦片数据的波段数量组合,进行时间序列的合成,输出初步特征影像时间序列瓦片集;
S54,对初步特征影像时间序列瓦片集进行噪声去除;
S55,若干个噪声去除后的初步特征影像时间序列瓦片集并行汇总,输出特征影像时间序列瓦片集。
上述实施方式中,步骤S42中,根据多作物生长曲线库中的单个作物生长曲线,对查询后的时间序列特征影像中成像时间不同的影像进行时相归一化,获得最近时间节点的特征值,完成单瓦片数据的生成,可以消除大范围研究区特征影像合成过程中会存在的同节点特征影像获取时间差异。时相归一化处理是以单一作物在同一时期、同一时间段内保持相似的生长率为前提。并将成像时间的单一作物生长情况加入到时相归一化过程,NDVI时相归一化计算公式如下:
其中,t1为时间序列特征影像中的成像时间,t2为晚于时间序列特征影像中成像时间的第一个时间序列节点时间,分别表示成像时间点与其后一个时间序列时间节点对应的单一作物生长曲线NDVI值,表示在时间序列特征影像成像时间点对应的NDVI值,表示时间序列特征影像中在时相归一化后的时间序列节点t2的NDVI值,图11给出了NDVI时相归一化过程中各时间序列节点对应的NDVI值示意。
上述实施方式中,步骤S44中,考虑到地物的时空相关特性,每个像素点在时空上都是近似连续的,因此,可以从时间域和空间域两个方面分别对时间序列特征影像的时序数据进行噪声去除和分析,以提高时间序列特征影像数据成果的准确性。作为优选,噪声去除,包括对初步时间序列数据集依次进行时域序列重建和空间域噪声去除。其中,时域序列重建的方法可以是最大值合成法、阈值去除法(如最佳指数斜率提取法)、基于滤波的平滑方法(包括中值迭代滤波、时间窗内的线性内插、傅里叶变换、Savitzky-Golay滤波、小波变换法等)以及非线性拟合法(如Logistic函数拟合法和非线性高斯函数拟合法)中的至少一种。基于空间域信息的噪声去除方法,是借助地物的空间相关性,即距离越近的地物其相似性也较高,根据这一原理,图像噪声点通常利用邻域像素信息对影像进行平滑以达到判断和去除噪声点的目的。图像平滑/去噪方法可以采用局部均值平滑、中值滤波平滑、超限像素平滑、灰度最相近邻点平均、最大均匀性平滑以及有选择保边缘平滑等中的至少一种。
需要说明的是,时相归一化处理以及构建特征影像时间序列瓦片集采用并行方式,依次进行基于单瓦片的时间序列特征影像查询、时相归一化、单时相瓦片生成、时间序列合成以及时间序列去噪和平滑,提高合成效率。
实施例2
在实施例1的基础上,本实施例提供一种基于多源中分的特征影像时间序列合成装置,如图12所示,包括:
采集模块10,其用于输出多源中分遥感影像,采集模块10包括分别采集遥感影像的GF1-WFV、HJ1-A/B以及Landsat;
预处理模块20,其用于将多源中分遥感影像进行预处理,输出辐射归一化的时间序列特征影像;
划分模块30,其用于对时间序列特征影像中的云覆盖区域提取、对提取后的无云时间序列特征影像进行划分、输出特征影像时间序列空瓦片集;
多作物生长曲线库生成模块40,其用于对MODIS采集的时间序列特征影像提取若干种类作物的单一作物生长曲线、生成多作物生长曲线库;
特征影像时间序列瓦片集合成模块50,其用于在辐射归一化的时间序列特征影像中加入时间序列空瓦片集和单一作物生长曲线做时相归一化处理,输出特征影像时间序列瓦片集。
本发明提供的基于多源中分的特征影像时间序列合成装置进行特征影像时间序列合成的过程是,首先,通过采集模块10的GF1-WFV、HJ1-A/B以及Landsat分别采集遥感影像,形成多源中分遥感影像;并通过预处理模块20将多源中分遥感影像进行预处理,输出辐射归一化的时间序列特征影像;其次,划分模块30对时间序列特征影像中的云覆盖区域提取、对提取后的无云时间序列特征影像进行划分、输出特征影像时间序列空瓦片集;多作物生长曲线库生成模块40对MODIS采集的时间序列特征影像提取若干种类作物的单一作物生长曲线、生成多作物生长曲线库;最后,特征影像时间序列瓦片集合成模块50在辐射归一化的时间序列特征影像中加入时间序列空瓦片集和单一作物生长曲线做时相归一化处理,输出特征影像时间序列瓦片集。
基于多源中分的特征影像时间序列合成过程中,采集模块10的GF1-WFV、HJ1-A/B用于保证采集的多源遥感图像具有同水平或者更高水平的时间分辨率基础上,加入Landsat采集的NDVI数据作为中分辨率特征时间序列构建的数据源补充,在空间分辨率上有成倍的提高,为省级、区级特征时间序列研究提供数据支持;也消除了单一传感器无法实现全覆盖造成的时间序列不完整。多作物生长曲线库生成模块40提取若干种类作物的单一作物生长曲线、生成多作物生长曲线库,从而实现同时相、等时间间隔的时间序列构建。划分模块30对提取后的无云时间序列特征影像进行划分、输出特征影像时间序列空瓦片集,以及,通过特征影像时间序列瓦片集合成模块50在辐射归一化的时间序列特征影像中加入时间序列空瓦片集和单一作物生长曲线做时相归一化处理;划分和时相归一化过程中,以生成特征影像时间序列空瓦片集的方式,回收利用原本由于云量过大而被丢弃的影像数据,使影像中少量的有效数据得到充分利用,在最大程度保留无云有效数据的基础上减小数据存储量,提高影像利用率,大大降低数据冗余;同时,特征影像时间序列空瓦片集利于实现大范围NDVI参数时间序列无缝合成。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种基于多源中分的特征影像时间序列合成方法,其特征在于,包括以下步骤:
采用GF1-WFV、HJ1-A/B以及Landsat分别采集遥感影像,形成多源中分遥感影像;
对所述多源中分遥感影像进行预处理,输出辐射归一化的时间序列特征影像;
提取所述辐射归一化的时间序列特征影像中的云覆盖区域,对提取后的无云时间序列特征影像进行划分,输出特征影像时间序列空瓦片集;
对MODIS采集的时间序列特征影像,分别提取若干种类作物的单一作物生长曲线,生成多作物生长曲线库;
在所述辐射归一化的时间序列特征影像中加入所述时间序列空瓦片集和所述单一作物生长曲线做时相归一化处理,构建特征影像时间序列瓦片集。
2.如权利要求1所述的基于多源中分的特征影像时间序列合成方法,其特征在于,所述云覆盖区域的影像值设为0。
3.如权利要求1所述的基于多源中分的特征影像时间序列合成方法,其特征在于,所述预处理包括以下步骤:
对所述多源中分遥感影像进行几何精纠正;
对GF1-WFV、HJ1-A/B分别采集的遥感影像进行定标,输出地面定标场数据;同时,获取同步高分辨率大气参数进行大气校正;
对几何精纠正和大气校正后的遥感影像数据依次进行影像匹配、重采样以及特征影像计算以完成辐射精校正处理,输出辐射归一化的时间序列特征影像。
4.如权利要求3所述的基于多源中分的特征影像时间序列合成方法,其特征在于,所述特征影像计算包括归一化NDVI数据。
5.如权利要求1所述的基于多源中分的特征影像时间序列合成方法,其特征在于,对提取后的无云时间序列特征影像进行划分,输出特征影像时间序列空瓦片集;包括以下步骤:
根据所述无云时间序列特征影像的分布范围和面积,进行区域划分,输出单瓦片数据的空间范围;
确定所述无云时间序列特征影像的特征影像时间序列节点,以进行时间维度的划分,输出单瓦片数据的波段数量;
根据所述单瓦片数据的空间范围和波段数量,生成单个特征影像时间序列空瓦片及特征影像时间序列空瓦片集。
6.如权利要求5所述的基于多源中分的特征影像时间序列合成方法,其特征在于,根据区域划分的可用部件的个数,得到单瓦片划分的个数,即:Npart=∑NnodeNcore;
Npart为可用部件个数,Nnode为可用的消息传递接口节点个数,Ncore为每个消息传递接口节点所对应的计算机的CPU核数。
7.如权利要求5所述的基于多源中分的特征影像时间序列合成方法,其特征在于,依次根据特征数据的数量、时间范围、数据覆盖范围以及时间间隔,确定所述无云时间序列特征影像的特征影像时间序列节点。
8.如权利要求5所述的基于多源中分的特征影像时间序列合成方法,其特征在于,时相归一化处理以及构建特征影像时间序列瓦片集,包括以下步骤:
根据所述单瓦片数据的空间范围,对预处理输出的辐射归一化的时间序列特征影像进行查询;
根据所述多作物生长曲线库中的所述单个作物生长曲线,对查询后的所述时间序列特征影像中成像时间不同的影像进行时相归一化,获得最近时间节点的特征值,完成单瓦片数据的生成;
通过所述单瓦片数据的波段数量组合,进行时间序列的合成,输出初步特征影像时间序列瓦片集;
对所述初步特征影像时间序列瓦片集进行噪声去除;
若干个噪声去除后的初步特征影像时间序列瓦片集并行汇总,输出特征影像时间序列瓦片集。
9.如权利要求8所述的基于多源中分的特征影像时间序列合成方法,其特征在于,所述噪声去除,包括对所述初步时间序列数据集依次进行时域序列重建和空间域噪声去除。
10.一种基于多源中分的特征影像时间序列合成装置,其特征在于,其包括:
采集模块,其用于输出多源中分遥感影像,所述采集模块包括分别采集遥感影像的GF1-WFV、HJ1-A/B以及Landsat;
预处理模块,其用于将所述多源中分遥感影像进行预处理,输出辐射归一化的时间序列特征影像;
划分模块,其用于对所述时间序列特征影像中的云覆盖区域提取、对提取后的无云时间序列特征影像进行划分、输出特征影像时间序列空瓦片集;
多作物生长曲线库生成模块,其用于对MODIS采集的时间序列特征影像提取若干种类作物的单一作物生长曲线、生成多作物生长曲线库;
特征影像时间序列瓦片集合成模块,其用于在所述辐射归一化的时间序列特征影像中加入所述时间序列空瓦片集和所述单一作物生长曲线做时相归一化处理,输出特征影像时间序列瓦片集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710122488.9A CN106897707B (zh) | 2017-03-02 | 2017-03-02 | 基于多源中分的特征影像时间序列合成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710122488.9A CN106897707B (zh) | 2017-03-02 | 2017-03-02 | 基于多源中分的特征影像时间序列合成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106897707A true CN106897707A (zh) | 2017-06-27 |
CN106897707B CN106897707B (zh) | 2020-08-28 |
Family
ID=59185428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710122488.9A Active CN106897707B (zh) | 2017-03-02 | 2017-03-02 | 基于多源中分的特征影像时间序列合成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897707B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109445970A (zh) * | 2018-09-18 | 2019-03-08 | 北京工业大学 | 一种软件可靠性时间序列预测方法及应用 |
CN109446962A (zh) * | 2018-10-19 | 2019-03-08 | 中国科学院地理科学与资源研究所 | 土地覆盖年际变化检测方法及系统 |
CN110032939A (zh) * | 2019-03-13 | 2019-07-19 | 浙江工业大学 | 一种基于高斯混合模型的遥感时序数据拟合方法 |
CN110163130A (zh) * | 2019-05-08 | 2019-08-23 | 清华大学 | 一种用于手势识别的特征预对齐的随机森林分类器及分类方法 |
CN112149725A (zh) * | 2020-09-18 | 2020-12-29 | 南京信息工程大学 | 基于傅立叶变换的谱域图卷积3d点云分类方法 |
CN112304902A (zh) * | 2020-11-02 | 2021-02-02 | 航天宏图信息技术股份有限公司 | 一种农作物物候的实时监测方法和装置 |
CN113407596A (zh) * | 2021-06-23 | 2021-09-17 | 北京华云星地通科技有限公司 | 基于交叉辐射定标的气象遥感数据精度检验分析系统 |
CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
WO2022057319A1 (zh) * | 2020-09-21 | 2022-03-24 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
CN114494909A (zh) * | 2022-02-16 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种大豆生长季空间分布图的生成方法和系统 |
CN115565085A (zh) * | 2022-12-05 | 2023-01-03 | 中国科学院空天信息创新研究院 | 遥感图像密集时间序列数据构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080240581A1 (en) * | 2007-03-28 | 2008-10-02 | Domenico Napoletani | Functional Dissipation Classification of Retinal Images |
CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
CN105005784A (zh) * | 2015-05-21 | 2015-10-28 | 中国科学院遥感与数字地球研究所 | 一种基于cd-dtw距离的时间序列遥感影像土地覆盖分类方法 |
WO2016160384A1 (en) * | 2015-04-01 | 2016-10-06 | The Climate Corporation | Forecasting national crop yield during the growing season |
CN106295696A (zh) * | 2016-08-09 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种多源遥感影像辐射归一化方法 |
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及系统 |
-
2017
- 2017-03-02 CN CN201710122488.9A patent/CN106897707B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080240581A1 (en) * | 2007-03-28 | 2008-10-02 | Domenico Napoletani | Functional Dissipation Classification of Retinal Images |
WO2016160384A1 (en) * | 2015-04-01 | 2016-10-06 | The Climate Corporation | Forecasting national crop yield during the growing season |
CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
CN105005784A (zh) * | 2015-05-21 | 2015-10-28 | 中国科学院遥感与数字地球研究所 | 一种基于cd-dtw距离的时间序列遥感影像土地覆盖分类方法 |
CN106295696A (zh) * | 2016-08-09 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种多源遥感影像辐射归一化方法 |
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及系统 |
Non-Patent Citations (4)
Title |
---|
JONAS EBERLE 等: "Multi-Source Data Processing Middleware for Land Monitoring within a Web-Based Spatial Data Infrastructure for Siberia", 《ISPRS INTERNATIONAL JOURNAL OF GEO-INFORMATION》 * |
NATHAN TORBICK 等: "Monitoring Rice Agriculture across Myanmar Using Time Series Sentinel-1 Assisted by Landsat-8 and PALSAR-2", 《REMOTE SENS》 * |
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》 * |
黄启厅 等: "多源多时相遥感影像相对辐射归一化方法研究", 《地球信息科学》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109445970A (zh) * | 2018-09-18 | 2019-03-08 | 北京工业大学 | 一种软件可靠性时间序列预测方法及应用 |
CN109446962A (zh) * | 2018-10-19 | 2019-03-08 | 中国科学院地理科学与资源研究所 | 土地覆盖年际变化检测方法及系统 |
CN109446962B (zh) * | 2018-10-19 | 2020-12-01 | 中国科学院地理科学与资源研究所 | 土地覆盖年际变化检测方法及系统 |
CN110032939A (zh) * | 2019-03-13 | 2019-07-19 | 浙江工业大学 | 一种基于高斯混合模型的遥感时序数据拟合方法 |
CN110163130A (zh) * | 2019-05-08 | 2019-08-23 | 清华大学 | 一种用于手势识别的特征预对齐的随机森林分类器及分类方法 |
CN110163130B (zh) * | 2019-05-08 | 2021-05-28 | 清华大学 | 一种用于手势识别的特征预对齐的随机森林分类系统及方法 |
CN112149725B (zh) * | 2020-09-18 | 2023-08-22 | 南京信息工程大学 | 基于傅立叶变换的谱域图卷积3d点云分类方法 |
CN112149725A (zh) * | 2020-09-18 | 2020-12-29 | 南京信息工程大学 | 基于傅立叶变换的谱域图卷积3d点云分类方法 |
WO2022057319A1 (zh) * | 2020-09-21 | 2022-03-24 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
CN112304902A (zh) * | 2020-11-02 | 2021-02-02 | 航天宏图信息技术股份有限公司 | 一种农作物物候的实时监测方法和装置 |
CN112304902B (zh) * | 2020-11-02 | 2023-10-20 | 航天宏图信息技术股份有限公司 | 一种农作物物候的实时监测方法和装置 |
CN113407596A (zh) * | 2021-06-23 | 2021-09-17 | 北京华云星地通科技有限公司 | 基于交叉辐射定标的气象遥感数据精度检验分析系统 |
CN113407596B (zh) * | 2021-06-23 | 2022-07-15 | 北京华云星地通科技有限公司 | 基于交叉辐射定标的气象遥感数据精度检验分析系统 |
CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
CN114494909A (zh) * | 2022-02-16 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种大豆生长季空间分布图的生成方法和系统 |
CN115565085A (zh) * | 2022-12-05 | 2023-01-03 | 中国科学院空天信息创新研究院 | 遥感图像密集时间序列数据构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106897707B (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897707A (zh) | 基于多源中分的特征影像时间序列合成方法及装置 | |
Liu et al. | Large-scale crop mapping from multisource remote sensing images in google earth engine | |
Han et al. | Land surface phenology and land surface temperature changes along an urban–rural gradient in Yangtze River Delta, China | |
CN104915674B (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 | |
CN106908415B (zh) | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 | |
TAO et al. | Mapping winter wheat using phenological feature of peak before winter on the North China Plain based on time-series MODIS data | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
Pinty et al. | Evaluation of the JRC-TIP 0.01 products over a mid-latitude deciduous forest site | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
CN108932521B (zh) | 一种基于深度学习的农作物分类方法及系统 | |
CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN110321861A (zh) | 一种农作物种植结构月尺度动态提取方法 | |
Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
CN109211791A (zh) | 作物长势监测方法及系统 | |
CN108596029A (zh) | 农作物分类方法、装置、计算机设备和存储介质 | |
CN115272860A (zh) | 一种水稻种植区的确定方法、系统、电子设备及存储介质 | |
Wang et al. | Research on cropping intensity mapping of the Huai River Basin (China) based on multi-source remote sensing data fusion | |
Zhu et al. | A calculation method of phenotypic traits based on three-dimensional reconstruction of tomato canopy | |
CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
Zhao et al. | Automatic extraction of yardangs using Landsat 8 and UAV images: A case study in the Qaidam Basin, China | |
Luintel et al. | Tracking the dynamics of paddy rice cultivation practice through MODIS time series and PhenoRice algorithm | |
Shen et al. | A Gaussian Kernel-based spatiotemporal fusion model for agricultural remote sensing monitoring | |
Chen et al. | Correction of illumination effects on seasonal divergent NIRv photosynthetic phenology | |
CN113052433B (zh) | 基于关键时相和农田景观特征参量的作物单产估算方法 | |
CN111123265B (zh) | 基于雷达时序图像的菠萝种植范围提取方法及装置、设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |