CN107966116A - 一种水稻种植面积的遥感监测方法及系统 - Google Patents
一种水稻种植面积的遥感监测方法及系统 Download PDFInfo
- Publication number
- CN107966116A CN107966116A CN201711159773.4A CN201711159773A CN107966116A CN 107966116 A CN107966116 A CN 107966116A CN 201711159773 A CN201711159773 A CN 201711159773A CN 107966116 A CN107966116 A CN 107966116A
- Authority
- CN
- China
- Prior art keywords
- transplanting
- neat fringe
- remote sensing
- sensing images
- water body
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
- G01B11/285—Measuring arrangements characterised by the use of optical techniques for measuring areas using photoelectric detection means
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种水稻种植面积的遥感监测方法。该监测方法包括:获取水稻移栽期的移栽遥感图像及水稻齐穗期的齐穗遥感图像;根据所述移栽遥感图像计算移栽归一化水体指数;根据所述移栽遥感图像计算移栽比值植被指数;根据所述齐穗遥感图像计算齐穗归一化水体指数;根据所述齐穗遥感图像计算齐穗比值植被指数;根据所述移栽归一化水体指数和所述齐穗归一化水体指数计算得到归一化水体指数差值;根据所述移栽比值植被指数和所述齐穗比值植被指数计算得到比值植被指数差值;根据所述归一化水体指数差值和所述比值植被指数差值,利用空间交叉运算识别水稻的种植区域。采用本发明所提供的遥感监测方法及系统能够快速准确的识别水稻的种植区域。
Description
技术领域
本发明涉及农业遥感技术领域,特别是涉及一种水稻种植面积的遥感监测方法及系统。
背景技术
水稻种植面积的精确获取对实现水稻经济与生态功能的准确评估至关重要,近年来,遥感监测技术因其高效、客观、经济等优势在水稻面积提取中得到了广泛应用。
现有技术中,基于水稻物候特征提取时序植被指数是识别水稻种植区域最为有效的方法,但需要较多期数的遥感图像作为数据支撑。但是东部沿海地区,水稻生长季与云雨季同期,云污染等因素影响了符合质量的遥感图像的获取,往往会导致水稻关键生育期遥感图像的缺失,获取较多期数的遥感图像作为数据支撑反而识别速度慢且降低水稻识别精度;且单期遥感图像因缺少作物信息的变化,各种植被地类易发生混淆而降低识别速度和识别精度。
发明内容
本发明的目的是提供一种水稻种植面积的遥感监测方法及系统,以解决水稻种植区域识别速度慢和精度低的问题。
为实现上述目的,本发明提供了如下方案:
一种水稻种植面积的遥感监测方法,包括:
获取水稻移栽期的移栽遥感图像;
获取所述水稻齐穗期的齐穗遥感图像;
根据所述移栽遥感图像计算移栽归一化水体指数;
根据所述移栽遥感图像计算移栽比值植被指数;
根据所述齐穗遥感图像计算齐穗归一化水体指数;
根据所述齐穗遥感图像计算齐穗比值植被指数;
根据所述移栽归一化水体指数和所述齐穗归一化水体指数计算得到归一化水体指数差值;
根据所述移栽比值植被指数和所述齐穗比值植被指数计算得到比值植被指数差值;
根据所述归一化水体指数差值和所述比值植被指数差值,利用空间交叉运算识别所述水稻的种植区域。
可选的,所述根据所述移栽遥感图像计算移栽归一化水体指数,具体包括:
获取所述移栽遥感图像的移栽近红外波段反射值;
获取所述移栽遥感图像的移栽绿光波段反射值;
获取所述移栽遥感图像的移栽红光波段反射值;
根据所述移栽近红外波段反射值、移栽绿光波段反射值及移栽红光波段反射值计算得到所述移栽归一化水体指数。
可选的,所述根据所述移栽遥感图像计算移栽比值植被指数,具体包括:
根据所述移栽近红外波段反射值和所述移栽红光波段反射值计算得到所述移栽比值植被指数。
可选的,所述根据所述齐穗遥感图像计算齐穗归一化水体指数,具体包括:
获取所述齐穗遥感图像的齐穗近红外波段反射值;
获取所述齐穗遥感图像的齐穗绿光波段反射值;
获取所述齐穗遥感图像的齐穗红光波段反射值;
根据所述齐穗近红外波段反射值、齐穗绿光波段反射值及齐穗红光波段反射值计算得到所述齐穗归一化水体指数。
可选的,所述根据所述齐穗遥感图像计算齐穗比值植被指数,具体包括:
根据所述齐穗近红外波段反射值和所述齐穗红光波段反射值计算得到所述齐穗比值植被指数。
一种水稻种植面积的遥感监测系统,包括:
移栽遥感图像获取模块,用于获取水稻移栽期的移栽遥感图像;
齐穗遥感图像获取模块,用于获取所述水稻齐穗期的齐穗遥感图像;
移栽归一化水体指数计算模块,用于根据所述移栽遥感图像计算移栽归一化水体指数;
移栽比值植被指数计算模块,用于根据所述移栽遥感图像计算移栽比值植被指数;
齐穗归一化水体指数计算模块,用于根据所述齐穗遥感图像计算齐穗归一化水体指数;
齐穗比值植被指数计算模块,用于根据所述齐穗遥感图像计算齐穗比值植被指数;
归一化水体指数差值计算模块,用于根据所述移栽归一化水体指数和所述齐穗归一化水体指数计算得到归一化水体指数差值;
比值植被指数差值计算模块,用于根据所述移栽比值植被指数和所述齐穗比值植被指数计算得到比值植被指数差值;
种植区域识别模块,用于根据所述归一化水体指数差值和所述比值植被指数差值,利用空间交叉运算识别所述水稻的种植区域。
可选的,所述移栽归一化水体指数计算模块,具体包括:
移栽近红外波段反射值获取单元,用于获取所述移栽遥感图像的移栽近红外波段反射值;
移栽绿光波段反射值获取单元,用于获取所述移栽遥感图像的移栽绿光波段反射值;
移栽红外波段反射值获取单元,用于获取所述移栽遥感图像的移栽红光波段反射值;
移栽归一化水体指数计算单元,用于根据所述移栽近红外波段反射值、移栽绿光波段反射值及移栽红光波段反射值计算得到所述移栽归一化水体指数。
可选的,所述移栽比值植被指数计算模块,具体包括:
移栽比值植被指数计算单元,用于根据所述移栽近红外波段反射值和所述移栽红光波段反射值计算得到所述移栽比值植被指数。
可选的,所述齐穗归一化水体指数计算模块,具体包括:
齐穗红外波段反射值获取单元,用于获取所述齐穗遥感图像的齐穗近红外波段反射值;
齐穗绿光波段反射值获取单元,用于获取所述齐穗遥感图像的齐穗绿光波段反射值;
齐穗红光波段反射值获取单元,用于获取所述齐穗遥感图像的齐穗红光波段反射值;
齐穗归一化水体指数计算单元,用于根据所述齐穗近红外波段反射值、齐穗绿光波段反射值及齐穗红光波段反射值计算得到所述齐穗归一化水体指数。
可选的,所述齐穗比值植被指数计算模块,具体包括:
齐穗比值植被指数计算单元,用于根据所述齐穗近红外波段反射值和所述齐穗红光波段反射值计算得到所述齐穗比值植被指数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明基于水稻不同生育期中高空间分辨率卫星遥感图像,仅需要移栽期和齐穗期两期的遥感图像,利用归一化水体指数差值和比值植被指数差值,识别水稻种植区域。首先,由于移栽期的水稻田里有水,而齐穗期水稻田内没有水,因此反映出来的水体特征差异很大,因此,归一化水体指数差值明显,这是不同于其它地物的归一化水体指数差值,从而识别水稻种植区域;其次,移栽期的水稻刚移栽,水稻大小比较小,反映出的RVI值也比较小,齐穗期内的水稻基本成熟了,水稻植被长得密,比值植被指数高,因此,两期比值植被指数差值大,这与其它地物也是能够区分开的。根据归一化水体指数差值和比值植被指数差值,再利用空间交叉运算获得两期遥感图像相交集的部分,该交集的部分即为水稻种植区域,不需要获取水稻不同阶段的生育期即可快速精准的识别水稻种植区域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的遥感监测方法流程图;
图2为本发明所提供的遥感监测系统结构图。
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,所描述的实施例仅仅是本发明一部分实施例,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。
本发明的目的是提供一种水稻种植面积的遥感监测方法及系统,以解决现有技术中水稻种植区域识别速度慢且识别精度低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明选择高分一号影像数据作为遥感图像源,影像采用经过相对辐射校正和系统几何校正处理后的2级数据产品,使用ENVI 5.1软件进行大气校正、几何精校正等处理;两景遥感图像分别对应水稻分蘖期与齐穗期的遥感图像,影像云层覆盖率均小于5%。本发明采用的遥感图像是由4幅单波段遥感图像(即:蓝光、绿光、红光、近红外光)组合而成的,在显示的时候一般要选择3个波段才能显示为彩色图像;在本发明中选择4、3、2波段作为本发明的遥感图像,即以近红外、红光、绿广波段显示的遥感图像。
遥感图像采用4、3、2波段组合,各类地表覆盖物呈现如下特征:植被显示出棕色、红色、褐色等一系列多变的色调,城镇用地(城镇、村庄与工厂)为较亮的灰色、青灰色、淡绿色、白色等星罗棋布状规则斑块。水体显示为边界清晰的黑色、墨绿色斑块,可见有规则的灰色线条(灰色线条即为公路)穿过或平行延伸。
利用调查的水稻种植区1:25000比例尺的土地利用现状图分布数据,同时采用谷歌地球高分辨率遥感数据(0.5m)以及调查区实地考察采样信息作为遥感分类的地面验证数据,用于分类过程中训练样本及分类结果检验样本的选取。
通过采用归一化水体指数(Normalized Difference Water Index,NDWI)和比值植被指数(Ratio VegetationIndex,RVI)差值结合法,计算水稻不同生育期遥感图像NDWI和RVI差值,利用空间交叉运算获取交集部分作为水稻种植区;所述空间交叉运算就是将两幅图像叠加在一起,每一幅图像都有特定区域范围,将叠加图公共部分提取出来的过程。
图1为本发明所提供的遥感监测方法流程图,如图1所示,一种水稻种植面积的遥感监测方法,包括:
步骤101:获取水稻移栽期的移栽遥感图像。
步骤102:获取所述水稻齐穗期的齐穗遥感图像。
步骤103:根据所述移栽遥感图像计算移栽归一化水体指数。
所述步骤103具体包括:获取所述移栽遥感图像的移栽近红外波段反射值;获取所述移栽遥感图像的移栽绿光波段反射值;获取所述移栽遥感图像的移栽红光波段反射值;根据所述移栽近红外波段反射值、移栽绿光波段反射值及移栽红光波段反射值计算得到所述移栽归一化水体指数。
利用公式NDWI1=(G1-NIR1)/(G1+NIR1)计算所述移栽归一化水体指数,其中,NDWI1为移栽归一化差值水体指数,水体覆盖地类数值大于0;NIR1为移栽近红外波段反射值、G1为移栽绿光波段反射值。
步骤104:根据所述移栽遥感图像计算移栽比值植被指数。
所述步骤104具体包括:根据所述移栽近红外波段反射值和所述移栽红光波段反射值计算得到所述移栽比值植被指数。
利用公式RVI1=NIR1/R1计算所述移栽比值植被指数,其中,RVI1为移栽比值植被指数、R1为移栽红光波段反射值,移栽比值植被指数通常大于2。
步骤105:根据所述齐穗遥感图像计算齐穗归一化水体指数。
所述步骤105具体包括:获取所述齐穗遥感图像的齐穗近红外波段反射值;获取所述齐穗遥感图像的齐穗绿光波段反射值;获取所述齐穗遥感图像的齐穗红光波段反射值;根据所述齐穗近红外波段反射值、齐穗绿光波段反射值及齐穗红光波段反射值计算得到所述齐穗归一化水体指数。
利用公式NDWI2=(G2-NIR2)/(G2+NIR2)计算所述齐穗归一化水体指数,其中,NDWI2为齐穗归一化差值水体指数,水体覆盖地类数值大于0;NIR2为齐穗近红外波段反射值、G2为齐穗绿光波段反射值。
步骤106:根据所述齐穗遥感图像计算齐穗比值植被指数。
所述步骤106具体包括:根据所述齐穗近红外波段反射值和所述齐穗红光波段反射值计算得到所述齐穗比值植被指数。
利用公式RVI2=NIR2/R2计算所述齐穗比值植被指数,其中,RVI2为齐穗比值植被指数、R2为齐穗红光波段反射值,齐穗比值植被指数通常大于2。
步骤107:根据所述移栽归一化水体指数和所述齐穗归一化水体指数计算得到归一化水体指数差值。
利用公式ΔNDWI=NDWI2-NDWI1计算所述归一化水体指数差值,其中,ΔNDWI为所述归一化水体指数差值。
步骤108:根据所述移栽比值植被指数和所述齐穗比值植被指数计算得到比值植被指数差值。
利用公式ΔRVI=RVI2-RVI1计算所述比值植被差值,其中,ΔRVI为所述归一化水体指数差值。
步骤109:根据所述归一化水体指数差值和所述比值植被指数差值,利用空间交叉运算识别所述水稻的种植区域。
实施例1所示,苏州市高新区水稻种植区分布数据来源于数字化的2016年1:25000比例尺的土地利用现状图(苏州中科天启遥感科技有限公司提供),分类精度大于95%,基于2015年高分二号0.8米影像数据源获取;同时采用Google earth高分辨率遥感数据(0.5m)以及研究区实地考察采样信息作为本研究遥感分类的地面验证数据,用于分类过程中训练样本及分类结果检验样本的选取。分蘖期水稻处于淹水状态,NDWI显示为正值,水稻NDVI和RVI值较其它植被(林地等)明显偏低;齐穗期水稻田无水覆盖,NDWI显示为负值,水稻NDVI和RVI值较其它植被(林地等)差异较小,因此,两期遥感图像间水稻的植被指数差与其它地类存在较大的差异;本发明通过水稻的遥感识别原理根据遥感图像的植被指数差异,基于水稻的特征将水稻与其它地物区分开来,识别哪一部分是水稻,利用空间交叉运算获取交集部分,并将交集部分作为水稻种植区,将其他的地物区剔除掉,从而以最少的水稻期数的遥感图像快速准确的识别水稻种植区域。
现有技术中,非监督分类完全按照像元的光谱特性进行统计分类,由于原始图像的所有波段都参与分类运算,分类结果往往是各类像元数大体等比例。而监督分类法在建立分类模板过程中,由于单期影像上受到多种地物类型混合及“同物异谱”和“同谱异物”的影响,植被难以完全区分,水田与林地和草地间光谱特征较为相似,错分、漏分、多分的现象较为严重,导致水稻分类面积远大于参照面积;同一情况下,分别采用本发明的NDWI-RVI差值法、监督分类法和非监督分类法识别水稻种植面积,所提取的水稻种植面积分别为6.31km2、18.9km2及28.5km2,与2016年土地利用现状图中参照水稻面积6.03km2相比,本方法对应精度为95.2%,远远大于其他两种识别方法,因此,采用本发明所提供的监测方法能够快速识别水稻的种植区域。
图2为本发明所提供的遥感监测系统结构图,如图2所示,一种水稻种植面积的遥感监测系统,包括:
移栽遥感图像获取模块201,用于获取水稻移栽期的移栽遥感图像。
齐穗遥感图像获取模块202,用于获取所述水稻齐穗期的齐穗遥感图像。
移栽归一化水体指数计算模块203,用于根据所述移栽遥感图像计算移栽归一化水体指数。
所述移栽归一化水体指数计算模块203,具体包括:
移栽近红外波段反射值获取单元,用于获取所述移栽遥感图像的移栽近红外波段反射值;移栽绿光波段反射值获取单元,用于获取所述移栽遥感图像的移栽绿光波段反射值;移栽红外波段反射值获取单元,用于获取所述移栽遥感图像的移栽红光波段反射值;移栽归一化水体指数计算单元,用于根据所述移栽近红外波段反射值、移栽绿光波段反射值及移栽红光波段反射值计算得到所述移栽归一化水体指数。
移栽比值植被指数计算模块204,用于根据所述移栽遥感图像计算移栽比值植被指数。
所述移栽比值植被指数计算模块204,具体包括:
移栽比值植被指数计算单元,用于根据所述移栽近红外波段反射值和所述移栽红光波段反射值计算得到所述移栽比值植被指数。
齐穗归一化水体指数计算模块205,用于根据所述齐穗遥感图像计算齐穗归一化水体指数。
所述齐穗归一化水体指数计算模块205,具体包括:齐穗红外波段反射值获取单元,用于获取所述齐穗遥感图像的齐穗近红外波段反射值;齐穗绿光波段反射值获取单元,用于获取所述齐穗遥感图像的齐穗绿光波段反射值;齐穗红光波段反射值获取单元,用于获取所述齐穗遥感图像的齐穗红光波段反射值;齐穗归一化水体指数计算单元,用于根据所述齐穗近红外波段反射值、齐穗绿光波段反射值及齐穗红光波段反射值计算得到所述齐穗归一化水体指数。
齐穗比值植被指数计算模块206,用于根据所述齐穗遥感图像计算齐穗比值植被指数;
归一化水体指数差值计算模块207,用于根据所述移栽归一化水体指数和所述齐穗归一化水体指数计算得到归一化水体指数差值。
所述齐穗比值植被指数计算模块,具体包括:齐穗比值植被指数计算单元,用于根据所述齐穗近红外波段反射值和所述齐穗红光波段反射值计算得到所述齐穗比值植被指数。
比值植被指数差值计算模块208,用于根据所述移栽比值植被指数和所述齐穗比值植被指数计算得到比值植被指数差值;
种植区域识别模块209,用于根据所述归一化水体指数差值和所述比值植被指数差值,利用空间交叉运算识别所述水稻的种植区域。
本发明所提供的监测系统克服了利用单期影像时,水稻田与林地和草地间光谱特征较为相似,错分、漏分、多分的现象较为严重,结果受到多种地物类型混合及“同物异谱”和“同谱异物”的影响,造成植被难以完全区分,导致水稻分类面积远大于参照面积。本发明所提供的监测系统减少了时序遥感识别方法对遥感图像的依赖,仅需要两期遥感图像,即可实现较高精度的水稻种植面积监测。
本发明通过卫星遥感图像提取植被指数来识别水稻的种植区域,选用两期遥感图像,基于两期遥感图像的植被指数差异及水稻的特征,将水稻种植区域与其它地物区分开来,从而快速准确的识别水稻种植区域。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种水稻种植面积的遥感监测方法,其特征在于,包括:
获取水稻移栽期的移栽遥感图像;
获取所述水稻齐穗期的齐穗遥感图像;
根据所述移栽遥感图像计算移栽归一化水体指数;
根据所述移栽遥感图像计算移栽比值植被指数;
根据所述齐穗遥感图像计算齐穗归一化水体指数;
根据所述齐穗遥感图像计算齐穗比值植被指数;
根据所述移栽归一化水体指数和所述齐穗归一化水体指数计算得到归一化水体指数差值;
根据所述移栽比值植被指数和所述齐穗比值植被指数计算得到比值植被指数差值;
根据所述归一化水体指数差值和所述比值植被指数差值,利用空间交叉运算识别所述水稻的种植区域。
2.根据权利要求1所述的遥感监测方法,其特征在于,所述根据所述移栽遥感图像计算移栽归一化水体指数,具体包括:
获取所述移栽遥感图像的移栽近红外波段反射值;
获取所述移栽遥感图像的移栽绿光波段反射值;
获取所述移栽遥感图像的移栽红光波段反射值;
根据所述移栽近红外波段反射值、移栽绿光波段反射值及移栽红光波段反射值计算得到所述移栽归一化水体指数。
3.根据权利要求2所述的遥感监测方法,其特征在于,所述根据所述移栽遥感图像计算移栽比值植被指数,具体包括:
根据所述移栽近红外波段反射值和所述移栽红光波段反射值计算得到所述移栽比值植被指数。
4.根据权利要求1所述的遥感监测方法,其特征在于,所述根据所述齐穗遥感图像计算齐穗归一化水体指数,具体包括:
获取所述齐穗遥感图像的齐穗近红外波段反射值;
获取所述齐穗遥感图像的齐穗绿光波段反射值;
获取所述齐穗遥感图像的齐穗红光波段反射值;
根据所述齐穗近红外波段反射值、齐穗绿光波段反射值及齐穗红光波段反射值计算得到所述齐穗归一化水体指数。
5.根据权利要求4所述的遥感监测方法,其特征在于,所述根据所述齐穗遥感图像计算齐穗比值植被指数,具体包括:
根据所述齐穗近红外波段反射值和所述齐穗红光波段反射值计算得到所述齐穗比值植被指数。
6.一种水稻种植面积的遥感监测系统,其特征在于,包括:
移栽遥感图像获取模块,用于获取水稻移栽期的移栽遥感图像;
齐穗遥感图像获取模块,用于获取所述水稻齐穗期的齐穗遥感图像;
移栽归一化水体指数计算模块,用于根据所述移栽遥感图像计算移栽归一化水体指数;
移栽比值植被指数计算模块,用于根据所述移栽遥感图像计算移栽比值植被指数;
齐穗归一化水体指数计算模块,用于根据所述齐穗遥感图像计算齐穗归一化水体指数;
齐穗比值植被指数计算模块,用于根据所述齐穗遥感图像计算齐穗比值植被指数;
归一化水体指数差值计算模块,用于根据所述移栽归一化水体指数和所述齐穗归一化水体指数计算得到归一化水体指数差值;
比值植被指数差值计算模块,用于根据所述移栽比值植被指数和所述齐穗比值植被指数计算得到比值植被指数差值;
种植区域识别模块,用于根据所述归一化水体指数差值和所述比值植被指数差值,利用空间交叉运算识别所述水稻的种植区域。
7.根据权利要求6所述的遥感监测系统,其特征在于,所述移栽归一化水体指数计算模块,具体包括:
移栽近红外波段反射值获取单元,用于获取所述移栽遥感图像的移栽近红外波段反射值;
移栽绿光波段反射值获取单元,用于获取所述移栽遥感图像的移栽绿光波段反射值;
移栽红外波段反射值获取单元,用于获取所述移栽遥感图像的移栽红光波段反射值;
移栽归一化水体指数计算单元,用于根据所述移栽近红外波段反射值、移栽绿光波段反射值及移栽红光波段反射值计算得到所述移栽归一化水体指数。
8.根据权利要求7所述的遥感监测系统,其特征在于,所述移栽比值植被指数计算模块,具体包括:
移栽比值植被指数计算单元,用于根据所述移栽近红外波段反射值和所述移栽红光波段反射值计算得到所述移栽比值植被指数。
9.根据权利要求6所述的遥感监测系统,其特征在于,所述齐穗归一化水体指数计算模块,具体包括:
齐穗红外波段反射值获取单元,用于获取所述齐穗遥感图像的齐穗近红外波段反射值;
齐穗绿光波段反射值获取单元,用于获取所述齐穗遥感图像的齐穗绿光波段反射值;
齐穗红光波段反射值获取单元,用于获取所述齐穗遥感图像的齐穗红光波段反射值;
齐穗归一化水体指数计算单元,用于根据所述齐穗近红外波段反射值、齐穗绿光波段反射值及齐穗红光波段反射值计算得到所述齐穗归一化水体指数。
10.根据权利要求9所述的遥感监测系统,其特征在于,所述齐穗比值植被指数计算模块,具体包括:
齐穗比值植被指数计算单元,用于根据所述齐穗近红外波段反射值和所述齐穗红光波段反射值计算得到所述齐穗比值植被指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711159773.4A CN107966116B (zh) | 2017-11-20 | 2017-11-20 | 一种水稻种植面积的遥感监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711159773.4A CN107966116B (zh) | 2017-11-20 | 2017-11-20 | 一种水稻种植面积的遥感监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107966116A true CN107966116A (zh) | 2018-04-27 |
CN107966116B CN107966116B (zh) | 2019-10-11 |
Family
ID=62001251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711159773.4A Active CN107966116B (zh) | 2017-11-20 | 2017-11-20 | 一种水稻种植面积的遥感监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107966116B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376638A (zh) * | 2018-10-15 | 2019-02-22 | 西安建筑科技大学 | 一种基于遥感图像和地理信息系统的文地率计算方法 |
CN109948596A (zh) * | 2019-04-26 | 2019-06-28 | 电子科技大学 | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 |
CN110399860A (zh) * | 2019-08-02 | 2019-11-01 | 吉林高分遥感应用研究院有限公司 | 一种玉米涝灾监测方法及系统 |
CN111345214A (zh) * | 2020-03-13 | 2020-06-30 | 武汉禾大科技有限公司 | 一种基于卫星影像数据的新疆棉花区域识别方法及系统 |
CN112435292A (zh) * | 2020-12-18 | 2021-03-02 | 太原理工大学 | 一种基于遥感影像的水稻种植面积提取方法 |
CN113723319A (zh) * | 2021-09-02 | 2021-11-30 | 中国气象科学研究院 | 一种基于风云卫星数据的水稻种植分布提取方法 |
CN114821362A (zh) * | 2022-07-01 | 2022-07-29 | 江苏省水利科学研究院 | 一种基于多源数据的水稻种植面积提取方法 |
CN115272860A (zh) * | 2022-08-02 | 2022-11-01 | 西南大学 | 一种水稻种植区的确定方法、系统、电子设备及存储介质 |
CN115761486A (zh) * | 2022-11-15 | 2023-03-07 | 重庆市地理信息和遥感应用中心 | 一种基于多期稻田影像特征的水稻种植区判定方法和系统 |
CN115879835A (zh) * | 2023-03-06 | 2023-03-31 | 四川省林业和草原调查规划院(四川省林业和草原生态环境监测中心) | 一种国家储备林建设成效监测方法、应用系统及云平台 |
CN117576580A (zh) * | 2023-11-17 | 2024-02-20 | 广东省地质测绘院 | 基于遥感卫星的虾稻田信息提取方法、电子设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130094717A1 (en) * | 2011-10-13 | 2013-04-18 | Pioneer Hi-Bred International, Inc. | Automatic detection of object pixels for hyperspectral analysis |
WO2013055651A2 (en) * | 2011-10-13 | 2013-04-18 | Pioneer Hi-Bred International, Inc. | Precision phenotyping using score space proximity analysis |
CN103971027A (zh) * | 2014-05-29 | 2014-08-06 | 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 |
CN106599844A (zh) * | 2016-12-14 | 2017-04-26 | 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
- 2017-11-20 CN CN201711159773.4A patent/CN107966116B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130094717A1 (en) * | 2011-10-13 | 2013-04-18 | Pioneer Hi-Bred International, Inc. | Automatic detection of object pixels for hyperspectral analysis |
WO2013055651A2 (en) * | 2011-10-13 | 2013-04-18 | Pioneer Hi-Bred International, Inc. | Precision phenotyping using score space proximity analysis |
CN103971027A (zh) * | 2014-05-29 | 2014-08-06 | 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 |
CN106599844A (zh) * | 2016-12-14 | 2017-04-26 | 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 |
Non-Patent Citations (2)
Title |
---|
朱良等: "多时相TM影像决策树模型的水稻识别提取", 《地球信息科学学报》 * |
沈渭寿: "《雅鲁藏布江流域风沙化土地遥感监测与生态恢复研究》", 31 August 2012 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376638B (zh) * | 2018-10-15 | 2022-03-04 | 西安建筑科技大学 | 一种基于遥感图像和地理信息系统的文地率计算方法 |
CN109376638A (zh) * | 2018-10-15 | 2019-02-22 | 西安建筑科技大学 | 一种基于遥感图像和地理信息系统的文地率计算方法 |
CN109948596A (zh) * | 2019-04-26 | 2019-06-28 | 电子科技大学 | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 |
CN109948596B (zh) * | 2019-04-26 | 2022-04-22 | 电子科技大学 | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 |
CN110399860A (zh) * | 2019-08-02 | 2019-11-01 | 吉林高分遥感应用研究院有限公司 | 一种玉米涝灾监测方法及系统 |
CN110399860B (zh) * | 2019-08-02 | 2021-04-09 | 吉林高分遥感应用研究院有限公司 | 一种玉米涝灾监测方法及系统 |
CN111345214A (zh) * | 2020-03-13 | 2020-06-30 | 武汉禾大科技有限公司 | 一种基于卫星影像数据的新疆棉花区域识别方法及系统 |
CN112435292A (zh) * | 2020-12-18 | 2021-03-02 | 太原理工大学 | 一种基于遥感影像的水稻种植面积提取方法 |
CN112435292B (zh) * | 2020-12-18 | 2023-10-31 | 太原理工大学 | 一种基于遥感影像的水稻种植面积提取方法 |
CN113723319A (zh) * | 2021-09-02 | 2021-11-30 | 中国气象科学研究院 | 一种基于风云卫星数据的水稻种植分布提取方法 |
CN114821362A (zh) * | 2022-07-01 | 2022-07-29 | 江苏省水利科学研究院 | 一种基于多源数据的水稻种植面积提取方法 |
CN114821362B (zh) * | 2022-07-01 | 2022-09-23 | 江苏省水利科学研究院 | 一种基于多源数据的水稻种植面积提取方法 |
CN115272860A (zh) * | 2022-08-02 | 2022-11-01 | 西南大学 | 一种水稻种植区的确定方法、系统、电子设备及存储介质 |
CN115761486A (zh) * | 2022-11-15 | 2023-03-07 | 重庆市地理信息和遥感应用中心 | 一种基于多期稻田影像特征的水稻种植区判定方法和系统 |
CN115879835A (zh) * | 2023-03-06 | 2023-03-31 | 四川省林业和草原调查规划院(四川省林业和草原生态环境监测中心) | 一种国家储备林建设成效监测方法、应用系统及云平台 |
CN115879835B (zh) * | 2023-03-06 | 2023-05-09 | 四川省林业和草原调查规划院(四川省林业和草原生态环境监测中心) | 一种国家储备林建设成效监测方法、系统及云平台 |
CN117576580A (zh) * | 2023-11-17 | 2024-02-20 | 广东省地质测绘院 | 基于遥感卫星的虾稻田信息提取方法、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107966116B (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107966116B (zh) | 一种水稻种植面积的遥感监测方法及系统 | |
Möller et al. | The comparison index: A tool for assessing the accuracy of image segmentation | |
Leinenkugel et al. | Characterisation of land surface phenology and land cover based on moderate resolution satellite data in cloud prone areas—A novel product for the Mekong Basin | |
Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
González-Yebra et al. | Methodological proposal to assess plastic greenhouses land cover change from the combination of archival aerial orthoimages and Landsat data | |
CN104199027B (zh) | 基于紧致极化雷达大面积近实时监测水稻物候期的方法 | |
CN101858971A (zh) | 一种基于modis数据的水稻单产遥感估算方法 | |
CN107239756A (zh) | 基于高分卫星遥感数据结合地物类型的人口密度分析系统 | |
CN104794424A (zh) | 一种新的中低分辨率遥感数据复合的耕地识别方法 | |
Ok et al. | 2-D delineation of individual citrus trees from UAV-based dense photogrammetric surface models | |
Lemenkova | Sentinel-2 for high resolution mapping of slope-based vegetation indices using machine learning by SAGA GIS | |
Sun et al. | Land use and cover changes on the Loess Plateau: A comparison of six global or national land use and cover datasets | |
Zhang et al. | Spatial domain bridge transfer: An automated paddy rice mapping method with no training data required and decreased image inputs for the large cloudy area | |
Ji et al. | Object-based mapping of plastic greenhouses with scattered distribution in complex land cover using Landsat 8 OLI images: a case study in Xuzhou, China | |
CN104463168A (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
CN113011372A (zh) | 一种盐碱化土地自动监测和识别方法 | |
Singh et al. | Automated crop type mapping using time-weighted dynamic time warping-A basis to derive inputs for enhanced food and Nutritional Security | |
Hu et al. | Unmanned aerial vehicle (UAV) remote sensing estimation of wheat chlorophyll in subsidence area of coal mine with high phreatic level | |
Aviña-Hernández et al. | Predictive performance of random forest on the identification of mangrove species in arid environments | |
CN107121681A (zh) | 基于高分卫星遥感数据的居民地提取系统 | |
Subramani et al. | Land use and land cover change detection and urban sprawl analysis of Panamarathupatti Lake, Salem | |
Adamo et al. | Combined use of expert knowledge and earth observation data for the land cover mapping of an Italian grassland area: An EODHaM system application | |
Ratanopad et al. | Land cover classification and monitoring in Northeast Thailand using Landsat 5 TM data | |
Gelder et al. | Automated determination of management units for precision conservation | |
Virnodkar et al. | A technique to classify sugarcane crop from Sentinel-2 satellite imagery using U-Net architecture |
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 |