CN107437262B - 作物种植面积预警方法和系统 - Google Patents

作物种植面积预警方法和系统 Download PDF

Info

Publication number
CN107437262B
CN107437262B CN201710591710.XA CN201710591710A CN107437262B CN 107437262 B CN107437262 B CN 107437262B CN 201710591710 A CN201710591710 A CN 201710591710A CN 107437262 B CN107437262 B CN 107437262B
Authority
CN
China
Prior art keywords
early warning
cultivated land
calf
years
planting
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
Application number
CN201710591710.XA
Other languages
English (en)
Other versions
CN107437262A (zh
Inventor
吴炳方
张淼
曾红伟
张鑫
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.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
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 Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201710591710.XA priority Critical patent/CN107437262B/zh
Publication of CN107437262A publication Critical patent/CN107437262A/zh
Application granted granted Critical
Publication of CN107437262B publication Critical patent/CN107437262B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Abstract

本发明公开了一种作物种植面积预警方法和系统，属于农业监测技术领域。所述方法包括获取监测区当前年份和历史n年的遥感数据；识别各像元对应的耕地为种植耕地或未种植耕地；统计监测区内多个预定分区内的当前年份和历史n年的种植耕地像元数量和未种植耕地像元数量；计算多个预定分区内的当前年份、历史n年的各年耕地种植比例、历史n年耕地种植比例的平均值、最大值和最小值；计算多个预定分区的预警指标参数；根据所述预警指标参数标识监测区的对应预定分区。本发明能够在作物生长早期对作物种植面积作出预警，从而为应对可能出现的粮食安全问题提供早期预警信息支持。

Description

作物种植面积预警方法和系统
技术领域
本发明涉及农业监测技术领域，特别涉及一种基于遥感图像的作物种植面积预警方法和系统。
背景技术
粮食安全问题是当今世界面临的重要问题，对于一些人口密度高、耕地资源有限的国家，同时面临着国内需求量持续增加、国外市场价格不稳定的双重因素挑战，使得粮食安全问题更为突出。粮食生产、消费和贸易已经成为关系国计民生的重大问题，直接关系到各国的经济发展和社会稳定。为此，及时预测粮食产量，对提前做好粮食进出口政策制定、国内粮食调度安排具有重大意义。
粮食产量的预测同时受到作物种植面积和单位面积产量两个因素影响。对于单位面积产量，通过多年的研究发现，虽然随着育种技术的不断进度，粮食单产呈逐年增加趋势，但单产增加趋势逐渐趋缓，对于依赖雨养农业的部分国家更为显著(CropWatch，2014)。因而，相对于单位面积产量，作物种植面积的变化能够更加直接的影响到粮食产量，尽早掌握作物种植面积状况对于各国应对粮食安全问题的进出口规划意义重大。
传统的基于遥感数据的作物种植面积估算方法多数依赖农作物精细分类，但该方法具有明显缺陷。例如，一些分类方法仅适用于对小范围或者耕地地块较大的区域作物分类(Zhang等，2012)，而缺少全生长季的数据使得作物类型的精细识别问题更加难以解决(Kastens等，2005；Gallego等，2008；Becker-ReshefInbal等，2010)。高精度的作物精细分类结果所需要的多时相、高分辨率遥感数据费用昂贵，导致这种方法不适于大范围的植被精细制图(
Figure BDA0001354901750000011
等，2011)。
另外，利用遥感技术与抽样技术相结合的方式开展作物种植面积估算在近年得到了广泛应用，多个农情监测系统采用这种方式开展作物种植面积估算(许文波和田亦陈，2004；李强子，2008；Gallego，1995；杨邦杰等，2006；Wu and Li，2012；Wu等，2014)。但是在开展大范围作物种植面积估算时，仍需要开展大量的地面采样工作，同时需要作物生长高峰期的影像方可实现面积监测。
综上所述，前述各种方法都存在一个严重的监测时间问题：前述各种方法均需要在作物生长中后期才能实现较为准确的面积监测，不能在作物生长的早期进行准确、有效的面积监测。
发明内容
针对现有技术中的不足，本发明提供了一种基于遥感图像的作物种植面积预警方法和系统，用以解决现有技术不能在作物生长的早期监测作物种植面积，无法对可能出现的粮食安全问题及早做出预警。
为了解决上述技术问题，根据本发明的一个方面，提供了一种作物种植面积预警方法，其中，包括以下步骤：
获取监测区当前年份和历史n年的遥感数据，其中，n>3；
根据监测区当前年份和历史n年的遥感数据，识别各像元对应的耕地为种植耕地或未种植耕地；
统计监测区内多个预定分区内的当前年份和历史n年的种植耕地像元数量和未种植耕地像元数量；
根据公式(1)计算多个预定分区内的当前年份、历史n年的各年耕地种植比例；
CALF＝Ncropped/(Ncropped+Nuncropped) (1)
其中，CALF为耕地种植比例，Ncropped为种植耕地的像元数量，Nuncropped为未种植耕地像元数量；
计算多个预定分区内的历史n年耕地种植比例的平均值CALFave，并获得历史n年耕地种植比例的最大值CALFmax和最小值CALFmin；
根据当前年份耕地种植比例CALF与历史n年耕地种植比例的平均值CALFave的大小关系，采用以当前年份耕地种植比例CALF为自变量、以预警指标参数为因变量、以历史n年耕地种植比例的最大值CALFmax、最小值CALFmin和平均值CALFave为常量的函数，计算多个预定分区的预警指标参数，用以指示当前年份、预定分区作物种植面积的预警级别；
根据所述预警指标参数标识监测区的对应预定分区。
优选地，所述的函数如公式(2)所示：
Figure BDA0001354901750000031
其中，AWI为预警指标参数。
优选地，所述的函数也可以如公式(3)所示：
Figure BDA0001354901750000032
其中，AWI为预警指标参数。
优选地，根据所述预警指标参数标识所述预定分区的步骤包括：
在地图数据中，根据与所述预警指标参数对应的颜色或图案标识监测区的多个预定分区；或
在图表数据中，根据与所述预警指标参数对应的颜色或符号标识监测区的多个预定分区。
为了解决上述技术问题，根据本发明的另一个方面，提供了一种作物种植面积预警系统，其中，包括：
数据获取模块，用于获取监测区当前年份和历史n年的遥感数据，其中，n>3；
像元种类识别模块，用于根据监测区当前年份和历史n年的遥感数据，识别各像元对应的耕地为种植耕地或未种植耕地；
像元数量统计模块，用于统计监测区内多个预定分区内的当前年份和历史n年的种植耕地像元数量和未种植耕地像元数量；
耕地种植比例计算模块，用于根据公式(1)计算多个预定分区内的当前年份、历史n年的各年耕地种植比例CALF，历史n年耕地种植比例的平均值CALFave、历史n年各年耕地种植比例的最大值CALFmax和最小值CALFmin；
CALF＝Ncropped/(Ncropped+Nuncropped) (1)
其中，CALF为耕地种植比例，Ncropped为种植耕地的像元数量，Nuncropped为未种植耕地像元数量；
预警指标参数计算模块，用于采用以当前年份耕地种植比例CALF为自变量、以预警指标参数为因变量、以历史n年耕地种植比例的最大值CALFmax、最小值CALFmin和平均值CALFave为常量的函数计算多个预定分区的预警指标参数AWI；和
标识模块，用于根据所述预警指标参数标识监测区的对应预定分区。
优选地，所述标识模块包括：
地图数据标识单元，用于在地图数据中，根据与所述预警指标参数对应的颜色或图案标识监测区的对应预定分区；和
图表数据标识单元，用于在预设的图形或表格中根据与所述预警指标参数对应的颜色或符号标识监测区的对应预定分区。
优选地，所述的作物种植面积预警系统还包括显示模块，与所述标识模块相连接，用于显示经过所述预警指标参数标识的监测区的地图数据或图表数据。
本发明基于高精度的耕地种植状况的识别，构建了作物种植面积早期预警指标，能够在作物生长早期，如播种后1个月至1个半月内，实现作物种植面积的早期预警，提高了种植面积信息的服务时效，为粮食生产形势的早期评估、粮食进出口政策的提前制定以及不同地区的粮食调度安排提供了数据基础。
附图说明
通过参照以下附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1为本发明提供的一种作物种植面积预警方法的总体流程图；
图2为本发明提供的作物物候数据实施例的示意图；
图3为本发明提供的识别各像元对应的耕地为种植耕地或未种植耕地的实施例的流程图；
图4为本发明利用未种植耕地训练样本多边形对与观测时间相对应的NDVI数据进行分区统计，获得未种植耕地样本的NDVI累计直方图；
图5为本发明利用种植耕地的训练样本多边形对同时期的NDVI数据进行分区统计，获得种植耕地样本的NDVI累计直方图；
图6为本发明采用公式(2)计算得到的预警指标与耕地种植比例的关系曲线图；
图7为本发明采用公式(3)计算得到的预警指标与耕地种植比例的关系曲线图；
图8为本发明根据所述预警指标参数标识所述预定分区的一个实施例示意图；
图9为本发明作物种植面积监测系统原理结构示意图；
图10为本发明作物种植面积监测系统实施例的物理结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。附图中的流程图、框图图示了本发明实施例的系统、方法、装置的可能的体系框架、功能和操作，流程图和框图上的方框可以代表一个模块、程序段或仅仅是一段代码，所述模块、程序段和代码都是用来实现规定逻辑功能的可执行指令。也应当注意，所述实现规定逻辑功能的可执行指令可以重新组合，从而生成新的模块和程序段。因此附图的方框以及方框顺序只是用来更好的图示实施例的过程和步骤，而不应以此作为对发明本身的限制。
在本发明中，通过在作物生长早期，利用遥感数据来监测作物种植面积，从而达到对粮食产量及早做出预警的目的。本发明所使用的遥感数据来源于中分辨率成像光谱仪(MODerate resolution Imaging Spectro-radiometer，简称MODIS)，包括MODIS上午星(Terra)和下午星(Aqua)16日合成归一化植被指数(The Normalized DifferenceVegetation Index，简称NDVI)产品。例如，采用产品编号为MOD13Q1和MYD13Q1，空间分辨率250米，时间范围是从2010年1月至2016年4月，共获得了四个不同空间块(h19v11，h19v12，h20v11和h20v12)的长时间序列植被指数产品数据。该数据是从美国国家宇航局(NASA)的Reverb网络工具(http://reverb.echo.nasa.gov)上下载获取。MODIS植被指数产品是由16天内每天的植被指数采用最大值合成方式合成而来，其目标是优先选择近星下点无云像元，尽可能减小残存云、暗影、大气气溶胶和BRDF效应的影响，在仪器特性和地表特性的限制条件下尽可能增加空间和时间的覆盖度，同时保证合成资料的质量及一致性。
如图1所示，为本发明提供的一种作物种植面积预警方法的总体流程图，所述方法包括以下步骤：
步骤S1，获取监测区当前年份和历史n年的遥感数据，其中，n>3。通过监测区内农作物物候数据，确定遥感数据的时间范围。例如，在如图2中，出示了南非各种作物的物候数据，根据该数据，可以得到各种作物的播种期、生长期和收获期，根据监测区中当前作物的物候数据，确定使用的遥感数据的时间范围。
获得遥感数据后，需要对遥感数据进行预处理。所述预处理包括数据拼接、重投影、数据类型转换和数据格式转换等操作，原始数据采用HDF(Hierarchical Data Format)科学数据集(Scientific Data Sets,简称SDSs)的方式分块存储。首先利用MODIS重投影工具对不同空间块进行拼接，并从HDF文件中读取NDVI波段数据。由于直接读取出来的数据是16位有符号整型数据，需要将直接读取的数据除以10000以转换为NDVI实际值，有效范围为-1至1之间。最后利用MODIS重投影工具将NDVI数据投影为经纬度地理坐标系，采用WGS84椭球体，并转换为GEOTIFF数据格式。此时获得了各像元的、由多个特定时期顺序组成的时间序列和与所述特定时期对应的植被指数值组成的植被指数(NDVI)曲线数据。
其中，为了提高监测精度，历史年份数量n的取值在3-8之间较为合适，例如取5，即当年之前的连续5年，既符合了监测精度，又不会使计算过度复杂。
在对数据预处理之后，根据监测区内的土地利用数据，从当年和历史n年的遥感数据中去除非耕地区域，所述非耕地区域例如为山地、河流、湖泊等不可用于种植作物的区域。通过去除这些区域，避免了因遥感数据中包含非耕地而降低监测精度。
步骤S2，根据监测区当前年份和历史n年的遥感数据，识别各像元对应的耕地为种植耕地或未种植耕地，所述未种植耕地也可称为休耕耕地，其为耕地，但在识别当年并未种植作物。
其中，以当年的遥感数据为例来说明如何识别各像元对应的耕地为种植耕地或未种植耕地，其他年份的识别步骤与其相同。
经过前述步骤S1的预处理，获得了各像元NDVI曲线，基于所述NDVI曲线，逐一识别各像元对应的耕地为种植耕地或未种植耕地，以识别像元Ni的时期Tj的农田种植状态为例，具体流程如图3所示。
步骤S21，比较时期Tj的NDVI值与NDVIcropped的大小，其中，通过NDVI曲线可以得到对应时期Tj的NDVI值。NDVIcropped为植被指数阈值，用于代表种植耕地，为预先设置的一个参数，该参数可以通过训练样本数据得到。
步骤S22，判断时期Tj的NDVI值是否大于或等于NDVIcropped，如果时期Tj的NDVI值大于或等于NDVIcropped，说明此时期该像元对应的耕地有作物种植，该像元对应的耕地为种植耕地；如果NDVI值小于NDVIcropped，转到步骤S23。
步骤S23，判断时期Tj的NDVI值是否小于或等于NDVIuncropped。NDVIuncropped为植被指数阈值，用于代表未种植耕地，如果时期Tj的NDVI值小于或等于NDVIuncropped，说明此时期该像元对应的耕地没有作物种植，该像元对应的耕地为未种植耕地；如果时期Tj的NDVI值大于NDVIuncropped，即时期Tj的NDVI值介于NDVIuncropped和NDVIcropped之间，此时，执行步骤S24。
步骤S24，在时期Tj对所述像元Ni的NDVI曲线求导，得到时期Tj的导数。
步骤S25，判断所述导数是否等于0，如果所述导数等于0，则说明时期Tj对应的NDVI处于极大值点或极小值点，则转到步骤S261，如果不等于0，执行步骤S262。
步骤S261，判断当前时期Tj对应的NDVI值是否处于极大值点，如果是极大值点，则说明该像元对应的耕地没有作物种植，该像元对应的耕地为未种植耕地。如果不是极大值点，则说明是极小值点，则执行步骤S271。
步骤S271，获取时期Tj前后相邻的极大值。
步骤S281，分别对比所述前、后相邻的极大值与NDVIcropped的大小。
步骤S291，根据对比结果，判断是否至少有一个极大值大于或等于NDVIcropped。如果至少有一个极大值大于或等于NDVIcropped，则确定确定该像元对应的耕地有作物种植，该像元对应的耕地为种植耕地。如果这两个极大值都小于NDVIcropped，则确定该像元对应的耕地没有作物种植，该像元对应的耕地为未种植耕地。
步骤S262，判断所述导数是否大于0，如果大于0，说明所述时期的NDVI值在NDVI曲线上的处于上升阶段，即所述像元NDVI曲线在时间上呈上升趋势，此时的极大值应位于所述时期Tj之后，寻找该时期Tj之后的第一个极大值，转到步骤S272。如果所述导数小于0，说明所述时期的NDVI值在NDVI曲线上处于下降阶段，即所述像元NDVI曲线在时间上呈现减小趋势，此时的极大值应位于所述时期Tj之前，应到该时期Tj之前寻找时间上最接近的极大值，此时转到步骤S272’。
步骤S272’，获取时期Tj前最邻近的极大值，而后执行步骤S282。
步骤S272，获取时期Tj后最邻近的极大值，而后执行步骤S282。
步骤S282，比较所述极大值与NDVIcropped的大小。
步骤S292，判断所述极大值是否大于或等于种植耕地阈值NDVIcropped，如果是，则确定所述时期Tj的耕地有作物种植，如果不是，所述极大值小于所述种植耕地阈值NDVIcropped，所述时期的耕地没有作物种植，该像元对应的耕地为未种植耕地。
在前述方案中，所述植被指数阈值NDVIcropped和NDVIuncropped为预设值，为提高识别准确率，基于地面观测获取的农田种植状态样本数据提取不同农田种植状态下植被指数的累计直方图，并确定所述植被指数阈值。
例如：利用手持GPS记录各观测时期农田是否有作物种植以及种植的作物类型数据，并在实验室内将点状数据结合高分辨率遥感影像拓展为面状数据，用于农田种植状态监测的训练样本和验证样本，基于对实验区不同类型的农田种植状态实际分布情况，选择每种类型的50％作为训练样本，其余50％的样本作为分类后验证样本。
利用休耕农田训练样本多边形对与观测时间相对应的NDVI数据进行分区统计，获得休耕农田样本的NDVI累计直方图与累计频率(见图4)；利用种植耕地训练样本多边形对同时期的NDVI数据进行分区统计，获得作物种植区样本的NDVI累计直方图与累计频率(见图5)。在该图4、图5中，横轴表示NDVI值，纵轴表示累计频率。
结合专家知识确定种植耕地和未种植耕地阈值，截取未种植耕地NDVI累计频率为96％处的值作为未种植耕地阈值(NDVIuncropped)，在本实施例中为0.25(如图4所示)；截取种植耕地NDVI累计频率为4％处的值作为种植耕地阈值(NDVIcropped)，在本实施例中为0.6(如图5所示)。
步骤S3，分别统计监测区内多个预定分区内的当前年份和历史n年的种植耕地像元数量Ncropped和未种植耕地像元数量Nuncropped。
步骤S4，根据公式(1)计算多个预定分区内的当前年份、历史n年的各年耕地种植比例；
CALF＝Ncropped/(Ncropped+Nuncropped) (1)
其中，CALF为耕地种植比例，Ncropped为种植耕地的像元数量，Nuncropped为未种植耕地像元数量；
步骤S5，计算多个预定分区内的历史n年耕地种植比例的平均值CALFave，并获得历史n年各年耕地种植比例的最大值CALFmax和最小值CALFmin；
步骤S6，根据当前年份耕地种植比例CALF与历史n年耕地种植比例的平均值CALFave的大小关系，采用以当前年份耕地种植比例CALF为自变量、以预警指标参数AWI为因变量、以历史n年耕地种植比例的最大值CALFmax、最小值CALFmin和平均值CALFave为常量的函数，计算多个预定分区的预警指标参数AWI。
比较当年耕地种植比例CALF与历史n年耕地种植比例的平均值CALFave，当CALF＝CALFave时，可以认为当年作物的面积没有发生变化，处于“正常”水平，因而，可以认为当年作物种植面积“正常”，这种情况不需要发出警报。当CALF大于CALFave时，说明当年的作物面积好于平均水平，表明无警情发生，而当年CALF小于CALFave时，说明当年的作物种植面积小于平均水平，此时需要注意，即发生警情。随着CALF小于CALFave的程度的加深，警情的级别则增高，当年CALF小于历史n年最小值CALFmin时，表明警情与历史同期相比，已达到创纪录的水平。因而，为了表达上述关系，本发明设置了预警指标参数AWI(Area Warning Index),为了使预警指标参数AWI可以表达上述关系，根据公式(2)来计算所述预定分区的预警指标参数AWI；
Figure BDA0001354901750000101
具体如图6所示，为公式(2)表达的预定分区的预警指标与耕地种植比例的函数关系曲线图。其中，如果当前年份的耕地种植比例处于历史同期平均水平时，即CALF＝CALFave，则预警指标为0；当耕地种植比例低于历史同期平均值CALFave时，该指标为正值，值越高，表明预警级别越高，警情越高。当耕地种植比例处于历史同期最低水平CALFmin时，预警指标等于1；当面积预警指标值大于1时，表明警情与历史同期相比，达到创纪录的水平。当耕地种植比例高于历史同期平均值CALFave时，该指标为负值，负值越高，表明无警情发生。当耕地种植比例达到历史同期最大值CALFmax时，预警指标应为-1，表明作物种植面积达到历史同期最大水平。当耕地种植比例超过历史同期最大时，该指标将小于-1。
也可以采用公式(3)来计算所述预定分区的预警指标参数AWI；
Figure BDA0001354901750000102
参考图7，为公式(3)表达的预定分区的预警指标与耕地种植比例的函数关系曲线图。
在公式(3)及图7中，在CALF＝CALFave时，预警指标为0.5，即采用指标0.5表示面积处于平均水平，小于0.5则表明种植面积超过平均水平，大于0.5则表示种植面积低于平均水平，越接近1，种植面积警情越高。
通过上述说明可见，可以采用以当前年份耕地种植比例CALF为自变量、以预警指标参数为因变量、以历史n年耕地种植比例的最大值CALFmax、最小值CALFmin和平均值CALFave为常量的任意合适的函数，计算多个预定分区的预警指标参数，用以表达预警级别的变化。
步骤S7，根据所述预警指标参数标识对应的预定分区。如图8所示，基于地图数据，采用不同的图案来表达各个预定分区的预警级别，并通过图例来说明预警级别。
本发明还提供了一种作物种植面积监测系统，其原理结构图如图9所示，所述作物种植面积监测系统包括：数据获取模块1、像元种类识别模块2、像元数量统计模块3、耕地种植比例计算模块4、预警指标参数计算模块5和标识模块6。
其中，所述数据获取模块1用于获取监测区当前年份和历史n年的遥感数据，并对取得的遥感数据进行预处理，例如，利用各年土地利用数据，在所述当年遥感数据中去除非耕地区域，而后进行数据拼接、重投影、数据类型转换和数据格式转换等操作，最终得到各像元的植被指数曲线数据。
所述像元种类识别模块2与所述数据获取模块1相连接，在所述数据获取模块1得到处理完的各像元的植被指数曲线数据后，根据监测区当前年份和历史n年的遥感数据，识别各像元对应的耕地为种植耕地或未种植耕地，具体过程如图3所示，在此不再赘述。
所述像元数量统计模块3与所述所述像元种类识别模块2相连接，用于统计监测区内多个预定分区内的当前年份和历史n年的种植耕地像元数量和未种植耕地像元数量。
所述耕地种植比例计算模块4与所述像元数量统计模块3相连接，根据公式(1)计算多个预定分区内的当前年份、历史n年的各年耕地种植比例、历史n年耕地种植比例的平均值CALFave，并通过比较得到历史n年各年耕地种植比例的最大值CALFmax和最小值CALFmin。
CALF＝Ncropped/(Ncropped+Nuncropped) (1)
其中，CALF为耕地种植比例，Ncropped为种植耕地的像元数量，Nuncropped为未种植耕地像元数量。
所述预警指标参数计算模块5与所述所述耕地种植比例计算模块4相连接，根据预设的公式，如前述的公式(2)或公式(3)，计算出各个预定分区的预警指标参数AWI。
所述标识模块6与所述预警指标参数计算模块5相连接，用于根据所述预警指标参数，根据设定的方式标识监测区的多个预定分区。具体地，所述标识模块6包括地图数据标识单元61和图表数据标识单元62，所述地图数据标识单元61用于在地图数据中，根据与所述预警指标参数对应的颜色或图案标识监测区的对应预定分区，所述图表数据标识单元62用于在预设的图形或表格中根据与所述预警指标参数对应的颜色或符号标识监测区的对应预定分区。例如，在饼图、柱状图等图形上采用对应的比例、数字、符号等标识出预警等级。
如图10所示，为本发明所述作物种植面积监测系统的物理结构示意图。
所述作物种植面积监测系统包括控制单元100、输入单元101、显示单元102、数据处理单元103、数据接口104和存储单元105。其中，输入单元101用于提供各种参数、指令，例如通过一个输入界面输入相应的物候期数据，监测区、预定分区、历史年数(即n值的取值)、预警提示方式等。显示单元102用于提供参数界面、预警提示界面等。所述数据处理单元103为本发明的数据处理和计算核心，用于完成识别各像元对应的耕地为种植耕地或未种植耕地、统计监测区内多个预定分区内的当前年份和历史n年的种植耕地像元数量和未种植耕地像元数量、计算多个预定分区内的当前年份、历史n年的各年耕地种植比例、计算多个预定分区内的历史n年耕地种植比例的平均值CALFave，并获得历史n年耕地种植比例的最大值CALFmax和最小值CALFmin、计算预警指标参数等，并将计算得到的最终数据或临时数据存储到存储单元105。所述数据接口104用于根据控制单元100的指令，获取相应的数据，例如监测区当前年份和历史n年的遥感数据、监测区各年的土地利用数据、物候数据等，并将得到的数据发送给数据处理单元103。控制单元100作为总的控制中心，接收从输入单元接收的参数、数据或指令，根据预置流程，控制数据接口获取相应的数据，在数据处理单元完成相应的数据处理，并根据最终得到的预警指标，按照设定的显示方式，通过显示单元102呈现出来。
利用2015-2016年度南非全国秋收作物(主要为玉米)的完整生育期早期的遥感影像数据，采用本发明所述的方法和系统监测南非全国秋收作物(主要为玉米)的种植面积，当采用公式(3)计算预警指标参数时，全国各县面积预警状况如图8所示。从玉米面积预警状况图中可以看出，东北部大部分地区玉米种植面积警情严重，面积预警指数大于1，表明面积警情已经突破近5年的警情记录，粮食安全问题严峻。
而实际上，南非秋收作物(主要为玉米)受厄尔尼诺的影响，在玉米生育期，南非持续高温少雨，降水持续偏低，与多年同期平均水平相比，南非累计降水量显著偏低26％，同时温度显著偏高1.4℃，干旱导致土壤失墒严重，南非自由省、西北省受灾尤为严重，玉米弃耕或受旱绝收的现象普遍存在，因而将2015-2016年度与2014-2015年度南非玉米实际种植范围相比，2015-2016年度南非玉米种植面积同比大幅下降34％。
从上述对比说明可见，秋收作物种植面积的实际情况与通过本发明所述方法得到的结果相吻合，因而证明了本发明提供的预警方法和系统可以及时、有效、准确地对作物种植面积进行预警，并且可以将预警提前到生长期的早期，即播种后的1个月至1个半月。
本发明提出的作物种植面积预警方法重点关注作物播种期的早期(如一个半月以内)的耕地种植比例信息，不需要直接通过遥感影像对作物种植面积的绝对值进行估算，而是将其与前n年(如5年)同期进行对比，建立了种植面积早期预警指标，有效地避免了作物生长早期植株较小无法准确识别作物类型的弊端，大大提高了粮食安全早期预警的时效性。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (5)

1.一种作物种植面积预警方法，其中，包括以下步骤：
获取监测区当前年份和历史n年的作物生长早期的遥感数据，其中，n>3，对所述遥感数据进行预处理以去除非耕地区域；
根据监测区当前年份和历史n年的遥感数据，识别作物生长早期的同一时期各像元对应的耕地为种植耕地或未种植耕地；
统计所述同一时期监测区内多个预定分区内的当前年份和历史n年的种植耕地像元数量和未种植耕地像元数量；
根据公式(1)计算所述同一时期多个预定分区内的当前年份、历史n年的各年耕地种植比例，
CALF＝Ncropped/(Ncropped+Nuncropped) (1)
其中，CALF为耕地种植比例，Ncropped为种植耕地的像元数量，Nuncropped为未种植耕地像元数量；其中，每个像元为种植耕地的像元还是未种植耕地的像元，是通过将所述同一时期的各个像元的植被指数值分别与NDVIcropped、NDVIuncropped比较获得，所述NDVIcropped和NDVIuncropped均为植被指数阈值；
计算所述同一时期多个预定分区内的历史n年耕地种植比例的平均值CALFave，并获得历史n年耕地种植比例的最大值CALFmax和最小值CALFmin；
根据所述同一时期当前年份耕地种植比例CALF与历史n年耕地种植比例的平均值CALFave的大小关系，采用以所述同一时期当前年份耕地种植比例CALF为自变量、以预警指标参数为因变量、以所述同一时期历史n年耕地种植比例的最大值CALFmax、最小值CALFmin和平均值CALFave为常量的函数，计算多个预定分区的预警指标参数，用以指示当前年份、预定分区作物种植面积的预警级别，所述的函数如公式(2)或(3)所示：
Figure FDF0000011479800000011
其中，AWI为预警指标参数，CALFmax、最小值CALFmin和平均值CALFave分别为同时期历史n年耕地种植比例的最大值、最小值和平均值；
Figure FDF0000011479800000021
其中，AWI为预警指标参数，CALFmax、最小值CALFmin和平均值CALFave分别为同时期历史n年耕地种植比例的最大值、最小值和平均值；
根据所述预警指标参数标识所述同一时期预定分区的对应预警级别。
2.如权利要求1所述的作物种植面积预警方法，其中，根据所述预警指标参数标识所述预定分区的步骤包括：
在地图数据中，根据与所述预警指标参数对应的颜色或图案标识监测区的多个预定分区；或
在图表数据中，根据与所述预警指标参数对应的颜色或符号标识监测区的多个预定分区。
3.一种作物种植面积预警系统，其中，包括：
数据获取模块，用于获取监测区当前年份和历史n年的遥感数据，其中，n>3，对所述遥感数据进行预处理以去除非耕地区域；
像元种类识别模块，用于根据监测区当前年份和历史n年的遥感数据，识别作物生长早期的同一时期各像元对应的耕地为种植耕地或未种植耕地；
像元数量统计模块，用于统计所述同一时期监测区内多个预定分区内的当前年份和历史n年的种植耕地像元数量和未种植耕地像元数量；
耕地种植比例计算模块，用于根据公式(1)计算所述同一时期多个预定分区内的当前年份、历史n年的各年耕地种植比例CALF，历史n年耕地种植比例的平均值CALFave、历史n年各年耕地种植比例的最大值CALFmax和最小值CALFmin，
CALF＝Ncropped/(Ncropped+Nuncropped) (1)
其中，CALF为耕地种植比例，Ncropped为种植耕地的像元数量，Nuncropped为未种植耕地像元数量，通过将所述同一时期的各个像元的NDVI值分别与NDVIcropped、NDVIuncropped比较，以确定每个像元为种植耕地的像元还是未种植耕地的像元，NDVI值为植被指数，所述NDVIcropped和NDVIuncropped分别代表种植耕地和未种植耕地的植被指数阈值；
预警指标参数计算模块，用于采用以所述同一时期当前年份耕地种植比例CALF为自变量、以预警指标参数为因变量、以所述同一时期历史n年耕地种植比例的最大值CALFmax、最小值CALFmin和平均值CALFave为常量的函数计算多个预定分区的预警指标参数AWI，计算多个预定分区的预警指标参数，用以指示当前年份、预定分区作物种植面积的预警级别，
所述的函数如公式(4)或(5)所示：
Figure FDF0000011479800000031
其中，AWI为预警指标参数；
Figure FDF0000011479800000032
其中，AWI为预警指标参数；
标识模块，用于根据所述预警指标参数标识所述同一时期预定分区的对应预警级别。
4.如权利要求3所述的作物种植面积预警系统，其中，所述标识模块包括：
地图数据标识单元，用于在地图数据中，根据与所述预警指标参数对应的颜色或图案标识监测区的对应预定分区；和
图表数据标识单元，用于在预设的图形或表格中根据与所述预警指标参数对应的颜色、图案或符号标识监测区的对应预定分区。
5.如权利要求3或4所述的作物种植面积预警系统，其中，还包括显示模块，与所述标识模块相连接，用于显示经过所述预警指标参数标识的监测区的地图数据或图表数据。
CN201710591710.XA 2017-07-19 2017-07-19 作物种植面积预警方法和系统 Active CN107437262B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710591710.XA CN107437262B (zh) 2017-07-19 2017-07-19 作物种植面积预警方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710591710.XA CN107437262B (zh) 2017-07-19 2017-07-19 作物种植面积预警方法和系统

Publications (2)

Publication Number Publication Date
CN107437262A CN107437262A (zh) 2017-12-05
CN107437262B true CN107437262B (zh) 2021-06-04

Family

ID=60460459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710591710.XA Active CN107437262B (zh) 2017-07-19 2017-07-19 作物种植面积预警方法和系统

Country Status (1)

Country Link
CN (1) CN107437262B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991332A (zh) * 2019-11-30 2020-04-10 内蒙古蒙草生命共同体大数据有限公司 一种植被指数预警方法
CN110991333A (zh) * 2019-11-30 2020-04-10 内蒙古蒙草生命共同体大数据有限公司 一种地上生物量预警方法
CN114067158B (zh) * 2021-11-17 2022-09-23 江苏天汇空间信息研究院有限公司 应用多源遥感数据的农田使用状态的监测系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175209A (zh) * 2010-12-07 2011-09-07 北京师范大学 历史遥感产品数据支持下的作物种植面积测量高效抽样方法
RO127586A2 (ro) * 2010-10-26 2012-06-29 Institutul De Cercetare-Dezvoltare Pentru Protecţia Plantelor Procedeu de realizare a unui sistem pentru suportul deciziei de protecţie a culturilor de câmp împotriva agenţilor fitopatogeni
CN106845806A (zh) * 2017-01-06 2017-06-13 中国科学院遥感与数字地球研究所 农田种植状态的遥感监测方法和系统
CN106918816A (zh) * 2017-03-21 2017-07-04 中国科学院遥感与数字地球研究所 农作物长势监测系统及其数据处理方法和模块

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RO127586A2 (ro) * 2010-10-26 2012-06-29 Institutul De Cercetare-Dezvoltare Pentru Protecţia Plantelor Procedeu de realizare a unui sistem pentru suportul deciziei de protecţie a culturilor de câmp împotriva agenţilor fitopatogeni
CN102175209A (zh) * 2010-12-07 2011-09-07 北京师范大学 历史遥感产品数据支持下的作物种植面积测量高效抽样方法
CN106845806A (zh) * 2017-01-06 2017-06-13 中国科学院遥感与数字地球研究所 农田种植状态的遥感监测方法和系统
CN106918816A (zh) * 2017-03-21 2017-07-04 中国科学院遥感与数字地球研究所 农作物长势监测系统及其数据处理方法和模块

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Crop Condition Assessment with Adjusted NDVI Using the Uncropped Arable Land Ratio;Miao Zhang,et al;《Remote Sensing》;20140630;第6卷(第6期);第5774-5794页 *
东南地区稻谷播种面积遥感估算方法及预警分析;张雪等;《生产力研究》;20071031(第20期);第89-90+101页 *
基于AHP的中原地区耕地预警实证研究——以新郑市为例;孟俊杰等;《河南农业科学》;20110331;第40卷(第3期);第1-5页 *
基于MODIS数据的作物苗情和灾情监测系统及其开发应用;梁瀚月等;《气象科技进展》;20170228(第1期);第7-11页 *
陕西省耕地资源安全预警研究;李雪;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20131215(第S1期);第45-47页 *
集成化的省级农情遥感监测系统;蒙继华等;《农业工程学报》;20110630;第27卷(第6期);第169-175页 *

Also Published As

Publication number Publication date
CN107437262A (zh) 2017-12-05

Similar Documents

Publication Publication Date Title
Ruelland et al. Comparison of methods for LUCC monitoring over 50 years from aerial photographs and satellite images in a Sahelian catchment
Son et al. Classification of multitemporal Sentinel-2 data for field-level monitoring of rice cropping practices in Taiwan
Son et al. A phenological object-based approach for rice crop classification using time-series Sentinel-1 Synthetic Aperture Radar (SAR) data in Taiwan
CN107014753B (zh) 作物长势监测方法和系统
CN109711102B (zh) 一种作物灾害损失快速评估方法
Zhang et al. Identification and mapping of winter wheat by integrating temporal change information and Kullback–Leibler divergence
Kordi et al. Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images
Cao et al. Mapping paddy rice using Landsat time series data in the Ganfu Plain irrigation system, Southern China, from 1988− 2017
Agam et al. Spatial distribution of water status in irrigated olive orchards by thermal imaging
CN107437262B (zh) 作物种植面积预警方法和系统
CN103674998A (zh) 基于热成像技术的植物健康状态检测方法
CN112070297A (zh) 农事活动的天气指标预测方法、装置、设备及存储介质
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
Toosi et al. Citrus orchard mapping in Juybar, Iran: Analysis of NDVI time series and feature fusion of multi-source satellite imageries
CN113570273B (zh) 一种灌溉耕地统计数据的空间化方法及系统
Rulinda et al. Image mining for drought monitoring in eastern Africa using Meteosat SEVIRI data
CN116579521B (zh) 产量预测时间窗口确定方法、装置、设备及可读存储介质
Chu et al. Mapping and forecasting of rice cropping systems in central China using multiple data sources and phenology-based time-series similarity measurement
CN102621075B (zh) 一种水稻抽穗期自动检测的方法
Sitokonstantinou et al. A sentinel based agriculture monitoring scheme for the control of the cap and food security
Wu et al. Phenology-based cropland retirement remote sensing model: a case study in Yan’an, Loess Plateau, China
Johann et al. Data mining techniques for identification of spectrally homogeneous areas using NDVI temporal profiles of soybean crop
Mercante et al. Detection of soybean planted areas through orbital images based on culture spectral dynamics
Fan et al. Sent2Agri System Based Crop Type Mapping in Yellow River Irrigation Area
CN114708490A (zh) 水稻种植提取及复种指数监测方法、系统、终端及存储介质

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