CN107273797B - 基于水体指数变异系数的水稻亚像元识别方法 - Google Patents
基于水体指数变异系数的水稻亚像元识别方法 Download PDFInfo
- Publication number
- CN107273797B CN107273797B CN201710326463.0A CN201710326463A CN107273797B CN 107273797 B CN107273797 B CN 107273797B CN 201710326463 A CN201710326463 A CN 201710326463A CN 107273797 B CN107273797 B CN 107273797B
- Authority
- CN
- China
- Prior art keywords
- rice
- water body
- body index
- variation coefficient
- index
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 93
- 235000009566 rice Nutrition 0.000 title claims abstract description 93
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 43
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 92
- 238000011160 research Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 244000068988 Glycine max Species 0.000 claims description 3
- 235000010469 Glycine max Nutrition 0.000 claims description 3
- 241000209140 Triticum Species 0.000 claims description 3
- 235000021307 Triticum Nutrition 0.000 claims description 3
- 240000008042 Zea mays Species 0.000 claims description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 3
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 claims 1
- 235000009973 maize Nutrition 0.000 claims 1
- 238000011161 development Methods 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 239000003513 alkali Substances 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000009342 intercropping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于水体指数变异系数的水稻亚象元识别方法,包括如下步骤:S1.构建水体指数、植被指数、地表温度时序数据集;S2.剔除研究区域内非耕地像元;S3.根据地表温度确定作物生长季的时期;S4.计算各像元生长季内水体指数的变异系数;S5.确定水体指数变异系数与水稻种植面积比例的关系;S6.依据水体指数的变异系数进行水稻种植面积比例计算。该方法利用水稻的需水特性,根据水体指数变异系数随水稻种植面积比例的增加而降低,二者具有显著的线性相关性。通过设计水体指数的变异系数,用于水稻亚像元识别并计算种植面积的比例,具有不依赖于先验知识、鲁棒性好、分类精度高、识别能力强等特点。
Description
技术领域
本发明属于农业遥感技术领域。更具体地,涉及一种基于水体指数变异系数的水稻亚像元识别方法。
背景技术
水稻种植空间分布的变化对于我国农业产业结构调整、水资源监测以及温室气体排放至关重要。作为世界上最大的水稻生产国,快速精确监测水稻的空间分布,对于确保粮食安全和气候变化研究具有重要意义。高精度的光学遥感和合成孔径雷达由于受数据可获得性及计算能力的限制,很难应用于区域水稻面积制图。目前区域或国家尺度水稻面积制图大都采用中等分辨率的遥感数据,这些数据具有较高的时间分辨率并且数据比较容易获取。
水稻面积制图已经开展了大量的工作。与自然植被相比,在人类水肥管理条件下,水稻具有特定的物候期和生长发育阶段。早期的研究大都采用单波段反射率,利用监督/非监督分类的方法进行水稻面积制图。但由于受水稻生长物候期的区域差异,这种方法很难大面积推广。一些研究采用多时相的遥感影像和植被指数进行水稻面积制图。近几年比较常用的方法是Xiangming Xiao(2002)提出的基于植被指数和水体指数算法,该方法通过比较水稻插秧期植被指数(NDVI/EVI)与水分指数(LSWI),如果满足(NDVI/EVI+T>LSWI),则该像元被判定为水稻。其中NDVI为归一化植被指数,EVI为增强型植被指数,LSWI为水体指数,T为常数。该方法充分利用水稻插秧期淹水的条件下,LSWI比较高,而NDVI或EVI比较低的特点进行水稻识别,在东亚、东南亚以及南亚地区得到了很好的应用。另外,Bingwen Qiu(2015)提出了一种基于水体与植被指数变化比值指数的水稻自动制图方法。但是上述这些方法都没有考虑水稻的亚像元问题,对于山区水稻和水稻与其它作物间作种植区域识别度比较低。因此,需要发展一种亚像元的水稻识别方法来进一步提高中等分辨率遥感数据的水稻识别能力。
发明内容
本发明所要解决的技术问题是克服现有水稻面积制图中的缺陷和不足,提供一种基于水体指数变异系数的水稻亚像元自动识别方法。所述方法不依赖于田间观测,鲁棒性好分类精度比较高;可进一步提高对山区水稻和水稻与其它空间作物间作种植区域的识别度,提高中等分辨率遥感数据的水稻识别能力。
本发明的目的是提供一种基于水体指数变异系数的水稻亚像元识别方法。
本发明的上述目的是通过以下技术方案给予实现的:
一种基于水体指数变异系数的水稻亚象元自动识别方法,包含如下步骤,
S1.构建水体指数、植被指数、夜间地表温度时序数据集;
S2.剔除研究区域内非耕地像元;
S3.根据地表温度确定生长季的时期;
S4.计算各像元生长季内水体指数的变异系数;
S5.确定水体指数变异系数与水稻种植面积比例的关系;
S6.依据水体指数的变异系数进行水稻种植面积比例计算。
本发明基于水分指数变异系数的水稻亚像元识别方法,流程如图1所示,首先建立研究区LSWI、NDVI和LST的年内时序数据集,在对研究区内的非耕地像元进行掩膜处理的基础上,利用地表温度数据确定作物的生长季时期,并计算每个像元生长季LSWI指数的CV值,根据MODIS土地利用类型图自动获取水稻纯像元(以水体代替,与水稻具有相近的CV值)和旱地零像元,并计算CV值,确定CV值与水稻种植面积比例的线性关系,然后根据研究区内每个像元的CV值计算水稻种植面积的比例。
优选地,步骤S1所述水体指数与植被指数是根据MOD09A1产品计算得出的;地表温度是根据MYD11A2产品计算得出的。
优选地,步骤S2具体为设定生长季NDVI最大值为A,若A<0.6,则判定该像元为稀疏植被;设定夜间地表温度0到10℃期间NDVI最大值为B,若B>0.4,则判定该像元为自然植被,从而剔除非耕地像元;耕地具有比较高的NDVI值,若生长季内NDVI最大值小于0.6,则判定该像元为稀疏植被(包括水体、建筑用地、盐碱地等),即不为耕地;满足NDVI大于0.6的,除了耕地,还有可能是林地等盖度比较大的自然植被,这些自然植被返青一般比较早,NDVI值相对比较高,而耕地在夜间地表温度0到10℃的时候的NDVI还比较小,所以设定了第二个条件,去除林地等盖度比较大的自然植被。
优选地,步骤S3中,夜间地表温度(LST)稳定大于0℃时,作物出苗不受冻害影响,以此判定为作物生长季的时期;
优选地,步骤S4的水体指数变异系数为耕地作物生长季时期的水体指数的标准偏差与平均值的比值。
优选地,步骤S5中,依据水稻纯像元(100%水稻面积)与旱地零像元(0%水稻面积)的CV值,确定水稻种植面积的比例:Yarea=-a×Xcv+b;其中,Yarea为水稻种植面积的比例,Xcv为像元水体指数的变异系数,a、b为常数。
优选地,步骤S5中,为了提高该方法的自动性,利用MODIS土地利用类型图被用来自动获取水稻纯像元与旱地零像元;因为水体像元与水稻纯像元具有相近的CV值,因此水体像元被用来作为纯像元。
由于一年一熟地区作物的生长发育主要受温度限制,因而可以利用地表生长温度判定作物的生长季,从而再研究作物水体指数变异系数与种植面积比例之间的关系。
因此,上述任一所述方法在一年一季作物生长区农作物或/和土地利用分类的遥感自动识别方面的应用亦在本发明保护范围内。
优选地,所述农作物为水稻、小麦、大豆或玉米。
具体地,所用应用为在水稻精确制图中的应用。
本发明充分利用水稻的需水特性,在整个生育期内水稻基本处于淹水条件,其水体指数的变异性小于其它农作物,并且水体指数变异系数随水稻种植面积比例的增加而降低,二者具有显著的线性相关性。通过设计水体指数的变异系数,用于水稻亚像元识别并计算种植面积的比例。
与现有技术变比,本发明具有以下有益效果:
(1)本发明能够进行中等分辨率尺度上水稻的亚像元识别,提高了水稻的识别能力;
(2)本发明通过计算植被生长季内水体指数的变异系数,而非某个时刻水体指数的值,能在很大程度上消除噪声和降水带来的干扰;
(3)本发明相较于其它水稻制图方法,仅利用水分指数一个指标,简洁方便,易于操作;
(4)本发明不借助于观察数据,自动性强,鲁棒性好分类精度比较高,结果稳定可靠。
附图说明
图1为本发明的实现流程图。
图2为LST、LSWI年内时序信号图;LSWI100代表纯水稻像元,LSWI50为水稻种植面积占50%的像元,LSWI0代表旱地像元。
图3为水稻种植面积比例与像元CV值之间的关系。
具体实施方式
以下结合说明书附图和具体实施例来进一步说明本发明,但实施例并不对本发明做任何形式的限定。除非特别说明,本发明采用的试剂、方法和设备为本技术领域常规试剂、方法和设备。
除非特别说明,以下实施例所用试剂和材料均为市购。
实施例1
一种基于水体指数变异系数的水稻亚象元自动识别方法,具体包括如下步骤:
步骤S1:构建植被指数、水体指数、地表温度时序数据集;
首先根据MOD09A1 8天合成的反射率产品,计算NDVI(波段1和2)、LSWI(波段2和6)。利用Savitzky-Golay filter等去噪方法,对原始年内时序数据集进行平滑去噪处理。根据MYD11A2产品计算夜间地表温度。共获得46幅年内时序数据集,作为水稻亚象元识别的基础。
步骤S2:剔除研究区内非耕地像元;
依据植被指数值域分布特征,对研究区内的稀疏植被(包括水体、建筑用地、盐碱地等)及自然植被(包括林地、草地、湿地等)进行掩膜处理。因为耕地具有比较高的NDVI值,因此判定条件为:设定生长季NDVI最大值为A,如果A<0.6,则判定该像元为稀疏植被,即不为耕地;同时,满足NDVI大于0.6的,除了耕地,还有可能是林地等盖度比较大的自然植被,相对于耕地,自然植被在春季返青比较早,NDVI值相对比较高,而耕地在夜间地表温度0到10℃期间的NDVI还比较小,因而设定第二判定条件,NDVI最大值为B,如果B>0.4,则判定该像元为自然植被。
步骤S3:根据地表温度确定作物生长季时期;
在一年一熟地区作物的生长发育主要受温度限制。春季低温是造成作物冻害并影响作物种植时期的主要因素。因此,判定夜间地表温度稳定大于0℃时为作物的生长季时期。
步骤S4:计算各像元生长季内水体指数的变异系数;
针对研究区域内的目标土地利用类型,根据夜间地表温度确定的作物生长季时期,逐像元计算夜间地表温度大于0℃时水体指数的变异系数。变异系数CV为标准偏差SD与平均值Mean的比值,其表达式为CV=SD/Mean。
步骤S5:确定水体指数变异系数与水稻种植面积比例之间的线性关系;
水稻的生长终生离不开水,在水稻的整个生长季,LSWI的CV值要小于旱地作物,并且随像元内水稻面积的增加,LSWI的CV值降低(图2)。通过无人机航拍获取的影像,发现水稻种植面积的比例与CV值存在显著的线性关系(图3)。其中,Yarea= -a×Xcv+b。Yarea为水稻种植面积的比例,Xcv为像元水分指数的变异系数,a、b为常数。为了提高该方法的自动性,MODIS土地利用类型图被用来自动获取水稻纯像元与旱地零像元。因为水体像元与水稻纯像元具有相近的CV值,因此水体像元被用来作为纯像元。旱地纯像元可以根据水稻插秧期LSWI的差异从耕地分类中自动获取。
步骤S6:依据水体指数变异系数进行水稻种植面积比例计算;
利用步骤S5确定的LSWI的CV值与水稻种植面积比例之间的关系公式(如图3所示),计算每一个像元水稻面积的比例。本自动方法水稻的纯像元对应的CV值为0.55,而根据实际观测得到的水稻纯像元的CV值为0.35。因此,将CV值在0.35至0.55之间的象元判定为水稻的纯像元。如果采用前人的算法,很难识别小于一个像元的水稻种植区域。而利用该方法可以识别水稻种植面积比例比较小的区域。
本发明方法适用于一年一季作物生长区农作物(水稻、小麦、大豆或玉米等)及土地利用分类的遥感自动识别领域中。
依据上述水稻亚像元识别流程,可实现比较精确的水稻自动制图。
以上是本发明的较佳实施例,凡依本发明技术方案所做的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (8)
1.一种基于水体指数变异系数的水稻亚象元识别方法,其特征在于,包括如下步骤:
S1.构建水体指数、植被指数、地表温度时序数据集;
S2.剔除研究区域内非耕地像元;
S3.根据地表温度确定作物生长季的时期;
S4.计算各像元生长季内水体指数的变异系数;
S5.确定水体指数的变异系数与水稻种植面积的比例的关系;
S6.依据水体指数的变异系数进行水稻种植面积比例计算;
所述水体指数的变异系数为耕地作物生长季水体指数的标准偏差与平均值的比值。
2.根据权利要求1所述的方法,其特征在于,步骤S1所述水体指数与植被指数是根据MOD09A1产品计算得出的;地表温度是根据MYD11A2产品计算得出的。
3.根据权利要求1所述的方法,其特征在于,步骤S2具体为设定生长季NDVI最大值为A,若A<0.6,则判定该像元为稀疏植被;设定夜间地表温度0到10℃期间NDVI最大值为B,若B>0.4,则判定该像元为自然植被,从而剔除非耕地像元。
4.根据权利要求1所述的方法,其特征在于,步骤S3中,夜间地表温度稳定大于0℃时为作物生长季时期。
5.根据权利要求1所述的方法,其特征在于,步骤S5中,依据水稻纯像元与旱地零像元的CV值,确定水稻种植面积的比例:Yarea=-a×Xcv+b;其中,Yarea为水稻种植面积的比例,Xcv为像元水体指数的变异系数,a、b为常数。
6.权利要求1~5任一项所述的方法在一年一季作物生长区农作物或/和土地利用分类的遥感自动识别方面的应用。
7.根据权利要求6所述的应用,其特征在于,所述农作物为水稻、小麦、大豆或玉米。
8.根据权利要求7所述的应用,其特征在于,所用应用为在水稻精确制图中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710326463.0A CN107273797B (zh) | 2017-05-10 | 2017-05-10 | 基于水体指数变异系数的水稻亚像元识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710326463.0A CN107273797B (zh) | 2017-05-10 | 2017-05-10 | 基于水体指数变异系数的水稻亚像元识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107273797A CN107273797A (zh) | 2017-10-20 |
CN107273797B true CN107273797B (zh) | 2020-05-08 |
Family
ID=60074061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710326463.0A Expired - Fee Related CN107273797B (zh) | 2017-05-10 | 2017-05-10 | 基于水体指数变异系数的水稻亚像元识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273797B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111199195B (zh) * | 2019-12-26 | 2023-07-18 | 中科禾信遥感科技(苏州)有限公司 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
CN111598027B (zh) * | 2020-05-21 | 2021-07-06 | 黄风华 | 一种基于遥感大数据的区域性浅水种植区分布系统及方法 |
CN113433075B (zh) * | 2021-05-08 | 2022-06-14 | 中科海慧(天津)科技有限公司 | 一种简单的黑臭水体遥感快速监测方法 |
CN113095303B (zh) * | 2021-06-04 | 2021-09-28 | 成都数之联科技有限公司 | 模型训练方法及林地变化检测方法及系统及装置及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9449377B2 (en) * | 2012-10-09 | 2016-09-20 | The United States Of America As Represented By The Secretary Of The Department Of Health And Human Services | Imaging methods and computer-readable media |
CN103971027B (zh) * | 2014-05-29 | 2017-01-18 | 福州大学 | 基于水体与植被指数变化比值指数的水稻自动制图方法 |
CN106096630B (zh) * | 2016-06-03 | 2019-05-10 | 福州大学 | 一种集成像元与对象的水稻自动变化检测方法 |
CN106599844B (zh) * | 2016-12-14 | 2019-06-07 | 中国科学院南京地理与湖泊研究所 | 一种基于modis传感器的水稻种植区自动提取方法 |
-
2017
- 2017-05-10 CN CN201710326463.0A patent/CN107273797B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
基于MODIS时间序列及物候特征的农作物分类;平跃鹏 等;《自然资源学报》;20160331;第31卷(第3期);第503-513页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107273797A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
CN108169161B (zh) | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 | |
CN107273797B (zh) | 基于水体指数变异系数的水稻亚像元识别方法 | |
Sakamoto | Refined shape model fitting methods for detecting various types of phenological information on major US crops | |
CN105678281B (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
CN109740570B (zh) | 一种基于地形指数和物候差异的梯田遥感识别方法 | |
CN114387516B (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
CN106096630B (zh) | 一种集成像元与对象的水稻自动变化检测方法 | |
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 | |
CN115950838A (zh) | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 | |
CN110516943B (zh) | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 | |
Borgogno-Mondino et al. | Describing the spatio-temporal variability of vines and soil by satellite-based spectral indices: A case study in Apulia (South Italy) | |
CN116502901A (zh) | 一种基于光学遥感数据的农田干旱空间分布评价方法 | |
CN116029860A (zh) | 基于gis的智慧农业种植区域规划辅助决策系统 | |
CN111275567A (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
Guo et al. | Comparison of farmland crop classification methods based on visible light images of unmanned aerial vehicles | |
CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
Voitik et al. | Comparison of NDVI, NDRE, MSAVI and NDSI indices for early diagnosis of crop problems | |
CN117274798B (zh) | 基于正则化的时序变分模型的遥感水稻识别方法 | |
Sari et al. | Detecting rice phenology in paddy fields with complex cropping pattern using time series MODIS data | |
TAO et al. | Fusing multi-source data to map spatio-temporal dynamics of winter rape on the Jianghan Plain and Dongting Lake Plain, China |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200508 Termination date: 20210510 |
|
CF01 | Termination of patent right due to non-payment of annual fee |