CN107093177A - 面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法 - Google Patents

面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法 Download PDF

Info

Publication number
CN107093177A
CN107093177A CN201710286617.8A CN201710286617A CN107093177A CN 107093177 A CN107093177 A CN 107093177A CN 201710286617 A CN201710286617 A CN 201710286617A CN 107093177 A CN107093177 A CN 107093177A
Authority
CN
China
Prior art keywords
subregion
mrow
managed
cutting unit
msub
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
CN201710286617.8A
Other languages
English (en)
Inventor
刘焕军
邱政超
王楠
张小康
殷继先
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.)
Heilongjiang He Yuan Remote Sensing Technology Co Ltd
Original Assignee
Heilongjiang He Yuan Remote Sensing Technology Co Ltd
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 Heilongjiang He Yuan Remote Sensing Technology Co Ltd filed Critical Heilongjiang He Yuan Remote Sensing Technology Co Ltd
Publication of CN107093177A publication Critical patent/CN107093177A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法，属于农业管理分区技术领域。本发明是为了解决目前精准管理分区的分区方法耗时耗力并且时效性差的问题。它首先采集包含待管理分区的遥感影像数据；然后对校正后的遥感影像数据进行裁剪，获得待管理分区影像数据；根据待管理分区影像数据计算植被覆盖指数NDVI；对待管理分区影像数据进行多尺度分割，获得多个分割单元，每个分割单元由空间上相邻、同质性达到80％以上的像元组成，将每个分割单元作为一个分区；利用最优评价指数确定最优分区尺度；将最优分区尺度对应的分区结果作为待管理分区的最终分区结果，指导农业生产精准管理。本发明用于指导精准农业的管理分区。

Description

面向对象分割和中等分辨率遥感影像的精准农业管理分区的 方法
技术领域
本发明涉及面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法，属于农业管理分区技术领域。
背景技术
农业一直以来是关系国民经济和国家发展的关键性问题，近年来，随着粮食产量的不断提升，农用化肥的研发、销售、施用也在不断加强，与此同时突显出的问题也越来越多，化肥的过量施用便是最突出的问题之一。过量施肥不仅造成肥料资源的浪费，更是对农业生态造成了大量的面源污染，降低了农业的经济效益，甚至降低农作物的生产品质。因此，科学合理有效的提高肥料利用率，对农业生态、农业经济的发展都具有重大而现实的意义。精准管理分区便是提高肥料利用率最有效的方法之一。精准管理分区是根据产量的各种限制因素的相似性与差异性把一个田块分割成不同的子田块来指导田间变量管理，是精准农业发展的基础；有利于提高农业生产资料的利用率，节约生产成本，提高农业生产效率，保护生态环境，实现农业的可持续发展。它就是把特定的区域分成独立的小单元，使每个小单元内具有相同的特性，对不同属性的单元进行变量施肥。
传统的精准管理分区大多以田间土壤网格采样为主，通过分析影响作物生产的土壤理化性质或产量数据来划分精准管理分区。田间土壤网格采样，需要消耗大量的人力、物力、财力，并且时效性差，难以大规模推广，实用性较差。
发明内容
本发明目的是为了解决目前精准管理分区的分区方法耗时耗力并且时效性差的问题，提供了一种面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法。
本发明所述面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法，它包括以下步骤：
步骤一：采集包含待管理分区的遥感影像数据，对遥感影像数据进行正射校正和几何校正；
步骤二：将步骤一中校正后的遥感影像数据进行裁剪，获得待管理分区影像数据；根据待管理分区影像数据计算植被覆盖指数NDVI；
步骤三：根据植被覆盖指数NDVI对待管理分区影像数据进行多尺度分割，获得多个分割单元，每个分割单元由空间上相邻、同质性达到80％以上的像元组成，将每个分割单元作为一个分区；重复此步骤多次，获得多次分区结果；
步骤四：对步骤三中多次进行多尺度分割的多次分区结果，利用最优评价指数确定最优分区尺度；
步骤五：将最优分区尺度对应的分区结果作为待管理分区的最终分区结果，指导农业生产精准管理。
本发明的优点：本发明应用遥感图像分割方法，将独立的像元合并成为同质的对象，分区的过程中不仅利用光谱特征，还利用了对于区分土壤养分和作物长势十分重要的纹理特征和拓扑特征，逐步得到不同分区信息。所得分区结果精度高，且具有明确的农业生产意义。本发明解决了传统精准管理分区实地采样浪费人力物力、时效性低的问题，对变量施肥施药、精准农业生产具有重要的实践和指导意义。本发明方法具有更大的优势，不需要在田间消耗大量的时间、降低了变量施肥成本，并且具有更高的时效性，适合大规模推广试验。
附图说明
图1是东兴农机合作社地块尺度裸土精准管理分区图；图中轮廓线为分区边界；
图2是东兴农机合作社地块尺度生长期精准管理分区图；图中轮廓线为分区边界；
图3是红星农场地块裸土影像图；
图4是红星农场地块尺度裸土分区图；
图5是采用本发明方法进行多尺度分割，每次分割尺度的评价指数和所对应的分割斑块数的折线图；图中M为评价系数，N为斑块数。
具体实施方式
具体实施方式一：下面结合图1至图5说明本实施方式，本实施方式所述面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法，它包括以下步骤：
步骤一：采集包含待管理分区的遥感影像数据，对遥感影像数据进行正射校正和几何校正；
步骤二：将步骤一中校正后的遥感影像数据进行裁剪，获得待管理分区影像数据；根据待管理分区影像数据计算植被覆盖指数NDVI；
步骤三：根据植被覆盖指数NDVI对待管理分区影像数据进行多尺度分割，获得多个分割单元，每个分割单元由空间上相邻、同质性达到80％以上的像元组成，将每个分割单元作为一个分区；重复此步骤多次，获得多次分区结果；
步骤四：对步骤三中多次进行多尺度分割的多次分区结果，利用最优评价指数确定最优分区尺度；
步骤五：将最优分区尺度对应的分区结果作为待管理分区的最终分区结果，指导农业生产精准管理。
步骤四中评价指数的获得方法为：首先计算出每一次多尺度分割下的评价指数SEI：
式中ΔXL为每个分割单元的异质性指数，即待管理分区内第L个分割单元与相邻分割单元的平均差分的绝对值，σL为待管理分区内第L个分割单元的标准差；
式中N为与当前分割单元相邻接分割单元的个数，Li为当前分割单元与第i个相邻分割单元的公共边长，XL为当前分割单元的分割对象反射率或NDVI均值，XLi为第i个分割单元的反射率或NDVI均值，l为每个分割单元的周长；
式中n为待管理分区的最终分区结果内第L个分割单元的像元个数。
本实施方式中采集的遥感影像数据包括Landsat-8OLI即TM8影像、高分一号、高分二号、SPOT6/7影像数据。对遥感影像数据进行裁剪利用Arcgis10.1实现，植被覆盖指数NDVI用ENVI5.1计算提取。然后利用eCognition Developer 8.7将提取的NDVI进行多尺度分割，对于裸土时期影像按波段进行分割；利用最优评价指数确定最优分区尺度，尺度最优所对应的分区为最优分区。平均评价指数绘制曲线图，在平均分割评价指数开始产生明显变化的前一个指数，其所对应的分割尺度就是最优分区尺度。
具体实施例：
步骤一：获取研究区SPOT6/7影像，利用ENVI5.1将获取的遥感影像数据进行正射校正和几何校正；
步骤二：将处理完成的影像利用Arcgis10.1裁剪成将要分区地块的大小，作物生长期的影像要用ENVI5.1计算其NDVI；如附图3所示；
步骤三：利用eCognition Developer 8.7将步骤二中的地块按提取的NDVI进行多尺度分割，裸土时期影像按波段进行分割，分割步骤如下所示，得到一系列分割单元，每个分割单元由空间上相邻、同质性达到80％以上的像元组成，将每个分割单元作为一个分区；
1)将待分割影像或NDVI打开；
2)打开process中process tree功能，选择Append New，选择multiresolutionsegmentation；
3)multiresolution segmentation中，采用Scale定义分割对象均一性准则的最大标准差；Shape定义分割对象纹理一致性；Compactness利用形状准则，考虑总体紧致性，优化分割结果。确定合适的Shape权重和Compactness后，通过调节不同的分割尺度Scale，使得分区内反射率或NDVI基本一致，分区之间的反射率或NDVI有明显的差异。
4)选择export vector layers输出分割结果，同时在Attribute table中选择同质性Standard deviation和异质性Mean diff to。
5)然后利用Arcgis10.1软件将分割结果加载进去，求得每一个分割单元的面积，将属性表输出。
步骤四：利用最优评价指数确定最优分区尺度，尺度最优所对应的分区为最优分区。
平均分割评价指数(Average Segmentation Evaluation Index,ASEI)的计算公式为：
式中，A表示所有分割单元的总面积，Ai表示第i个分割单元的面积，m表示分割单元总数量，SEIi表示第i个分割单元的分割评价指数。
步骤五：利用最优评价指数确定最优分区尺度，尺度最优所对应的分区为最优分区。将平均分割尺度绘制曲线图，在平均分割评价指数开始产生明显变化的前一个指数，其所对应的分割尺度就是最优分区尺度。将每次分割尺度的评价指数和所对应的分割斑块数制成折线图，如附图5所示，选择分区斑块数适合耕作的最优分割尺度，为图中点A。
步骤六：将最优分区作为最终的精准管理分区结果，如附图4所示，指导农业生产精准管理。

Claims (2)

1.一种面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法，其特征在于，它包括以下步骤：
步骤一：采集包含待管理分区的遥感影像数据，对遥感影像数据进行正射校正和几何校正；
步骤二：将步骤一中校正后的遥感影像数据进行裁剪，获得待管理分区影像数据；根据待管理分区影像数据计算植被覆盖指数NDVI；
步骤三：根据植被覆盖指数NDVI对待管理分区影像数据进行多尺度分割，获得多个分割单元，每个分割单元由空间上相邻、同质性达到80％以上的像元组成，将每个分割单元作为一个分区；重复此步骤多次，获得多次分区结果；
步骤四：对步骤三中多次进行多尺度分割的多次分区结果，利用最优评价指数确定最优分区尺度；
步骤五：将最优分区尺度对应的分区结果作为待管理分区的最终分区结果，指导农业生产精准管理。
2.根据权利要求1所述的面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法，其特征在于，步骤四中评价指数的获得方法为：首先计算出每一次多尺度分割下的评价指数SEI：
式中ΔXL为每个分割单元的异质性指数，即待管理分区内第L个分割单元与相邻分割单元的平均差分的绝对值，σL为待管理分区内第L个分割单元的标准差；
<mrow> <msub> <mi>&amp;Delta;X</mi> <mi>L</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>l</mi> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <msub> <mi>L</mi> <mi>i</mi> </msub> <mo>|</mo> <msub> <mi>X</mi> <mi>L</mi> </msub> <mo>-</mo> <msub> <mi>X</mi> <mrow> <mi>L</mi> <mi>i</mi> </mrow> </msub> <mo>|</mo> <mo>,</mo> </mrow>
式中N为与当前分割单元相邻接分割单元的个数，Li为当前分割单元与第i个相邻分割单元的公共边长，XL为当前分割单元的分割对象反射率或NDVI均值，XLi为第i个分割单元的反射率或NDVI均值，l为每个分割单元的周长；
<mrow> <msub> <mi>&amp;sigma;</mi> <mi>L</mi> </msub> <mo>=</mo> <msqrt> <mrow> <mfrac> <mn>1</mn> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mrow> <mi>L</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>X</mi> <mi>L</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>,</mo> </mrow>
式中n为待管理分区的最终分区结果内第L个分割单元的像元个数。
CN201710286617.8A 2017-01-23 2017-04-27 面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法 Pending CN107093177A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710048618 2017-01-23
CN2017100486189 2017-01-23

Publications (1)

Publication Number Publication Date
CN107093177A true CN107093177A (zh) 2017-08-25

Family

ID=59637382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710286617.8A Pending CN107093177A (zh) 2017-01-23 2017-04-27 面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法

Country Status (1)

Country Link
CN (1) CN107093177A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256534A (zh) * 2018-01-29 2018-07-06 中国科学院地理科学与资源研究所 一种基于高分遥感影像的筏式海水养殖区域提取方法
CN113052102A (zh) * 2021-03-31 2021-06-29 北京农业信息技术研究中心 基于无人机多光谱影像的农田管理分区方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268559A (zh) * 2014-09-15 2015-01-07 中国科学院东北地理与农业生态研究所 基于面向对象和中等分辨率遥感图像的水田与旱地区分方法
CN104951754A (zh) * 2015-06-08 2015-09-30 中国科学院遥感与数字地球研究所 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268559A (zh) * 2014-09-15 2015-01-07 中国科学院东北地理与农业生态研究所 基于面向对象和中等分辨率遥感图像的水田与旱地区分方法
CN104951754A (zh) * 2015-06-08 2015-09-30 中国科学院遥感与数字地球研究所 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙家抦: "《遥感原理与应用》", 30 June 2013 *
廖芳均 等: "《广东南岭国家级自然保护区景观动态研究》", 28 February 2016, 华中科技大学出版社 *
陈春雷: "面向对象的遥感影像最优分割尺度评价", 《遥感技术与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256534A (zh) * 2018-01-29 2018-07-06 中国科学院地理科学与资源研究所 一种基于高分遥感影像的筏式海水养殖区域提取方法
CN113052102A (zh) * 2021-03-31 2021-06-29 北京农业信息技术研究中心 基于无人机多光谱影像的农田管理分区方法及装置

Similar Documents

Publication Publication Date Title
Elsoragaby et al. Energy utilization in major crop cultivation
Spiertz Nitrogen, sustainable agriculture and food security: a review
CN109187441B (zh) 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法
Wang et al. Is small still beautiful? A comparative study of rice farm size and productivity in China and India
CN105165215A (zh) 一种大豆优化推荐施肥方法
CN107316116A (zh) 一种叶类蔬菜产量预测方法
Ordikhani et al. Energy-environmental life cycle assessment and cumulative exergy demand analysis for horticultural crops (Case study: Qazvin province)
CN104424390A (zh) 灌溉面积监测方法及装置
CN110909933A (zh) 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法
CN105678629A (zh) 一种基于物联网的种植业问题解决系统
CN105557166A (zh) 基于gis的滴灌棉田氮素施肥管理方法
CN105372672A (zh) 基于时间序列数据的南方冬种作物种植面积提取方法
CN110189793A (zh) 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类
Chen et al. Spatiotemporal dynamics of rice–crayfish field in Mid-China and its socioeconomic benefits on rural revitalisation
CN103927627A (zh) 甘蔗智能施肥及地块信息管理系统
Zeng et al. Integrated emergy and economic evaluation of tea production chains in Anxi, China
Liu et al. Spatial and temporal evolution and greenhouse gas emissions of China's agricultural plastic greenhouses
CN106290171A (zh) 基于svm和回归分析的玉米叶片叶绿素含量及表型参数测定方法
Zhou et al. Experimental research on trade-offs in ecosystem services: The agro-ecosystem functional spectrum
CN107093177A (zh) 面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法
Du et al. Corn variable-rate seeding decision based on gradient boosting decision tree model
CN116258060A (zh) 基于机器学习的测土配方施肥方法
Mushtaq et al. Evaluating energy consumption efficiency in tobacco production: Applying Data Envelopment Analysis
CN107609695B (zh) 基于可调植被指数的作物产量遥感估算方法
Soltanpanahi et al. Analysis of input-output energy use in Sugar Beet production in Iran

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170825

RJ01 Rejection of invention patent application after publication