CN108764255B - 一种冬小麦种植信息的提取方法 - Google Patents
一种冬小麦种植信息的提取方法 Download PDFInfo
- Publication number
- CN108764255B CN108764255B CN201810489690.XA CN201810489690A CN108764255B CN 108764255 B CN108764255 B CN 108764255B CN 201810489690 A CN201810489690 A CN 201810489690A CN 108764255 B CN108764255 B CN 108764255B
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- period
- vegetation index
- image
- remote sensing
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
本发明涉及一种冬小麦种植信息的提取方法,主要包括:基于冬小麦越冬的物候特性,确定并获取冬小麦返青期的遥感影像数据和冬小麦裸地期的遥感影像数据,分别对所述两期遥感影像数据进行预处理;结合历史耕地矢量数据,确定耕地范围,并对耕地范围进行多尺度分割;分别对所述两期遥感影像数据进行计算,获得两期冬小麦的归一化植被指数;结合所述耕地范围和两期归一化植被指数,自动确定归一化植被指数阈值,实现冬小麦种植信息的自动提取。本发明利用历史耕地矢量数据,充分挖掘前期地理信息,具有原理简单、适用性强、精度高和技术流程化的优点,实现自动提取,可大范围应用于冬小麦种植区的面积监测。
Description
技术领域
本发明属于遥感应用技术领域,具体涉及一种冬小麦种植信息的提取方法。
背景技术
小麦是我国的主要粮食作物之一,小麦的产量直接关系到国家粮食安全和社会稳定。小麦分为冬小麦和春小麦,我国以种植冬小麦为主。及时准确的提取冬小麦种植信息是获得冬小麦种植面积和进行产量预测的基础。随着遥感平台的不断发展以及遥感影像分辨率的不断提高,遥感技术在冬小麦监测领域中的应用越来越广泛。
我国农作物类型复杂多样,如何利用遥感技术从众多的农作物中将冬小麦识别出来,并且提高冬小麦的遥感精度是目前急需解决的问题。研究人员已经开展了大量的研究工作,但相关方法不利于大面积业务化应用。
由于单纯采用遥感方法提取冬小麦种植信息无法满足精度要求,在目前大部分的研究中,冬小麦种植面积遥感提取结果大多采用统计数据进行验证,而统计数据本身的精度并不能得到保证,因此,如何在实际业务化应用中规模化、快速、准确地提取冬小麦信息成为了关键。
发明内容
本发明的主要目的在于,提供一种冬小麦种植信息的提取方法,所要解决的技术问题为提供一种冬小麦种植信息的提取方法,能在业务化应用中规模化、快速、准确地提取冬小麦种植信息,从而更加适于实用。
本发明的目的及解决其技术问题是采用以下技术方案来实现的。
依据本发明提出的一种冬小麦种植信息的提取方法,包括以下步骤:
S1,获取待测区域的冬小麦返青期的遥感影像数据,获取待测区域的历史耕地矢量数据,结合所述冬小麦返青期的遥感影像数据和所述历史耕地矢量数据,确定耕地范围,并对所述耕地范围进行多尺度分割;
S2,对所述冬小麦返青期的遥感影像数据进行计算,得到冬小麦返青期的归一化植被指数,
结合所述耕地范围和所述冬小麦返青期的归一化植被指数,确定冬小麦返青期的归一化植被指数阈值,得到待测区域的冬小麦种植信息1;
S3,获取待测区域的冬小麦裸地期的遥感影像数据,对所述冬小麦裸地期的遥感影像数据进行计算,得到冬小麦裸地期的归一化植被指数,
结合所述冬小麦种植信息1和所述冬小麦裸地期的归一化植被指数,确定冬小麦裸地期的归一化植被指数阈值,得到待测区域的冬小麦种植信息2,实现冬小麦种植信息的提取。
本发明的目的及解决其技术问题还可采用以下技术措施进一步实现。
优选的,前述的一种冬小麦种植信息的提取方法,其中所述的所述耕地范围的确定方法包括:
(1)根据所述历史耕地矢量数据,对所述冬小麦返青期的遥感影像数据进行棋盘分割,生成对象层;
(2)结合所述对象层和所述历史耕地矢量数据的属性值,将所述对象层分为耕地类和非耕地类,对所述耕地类进行检查和修订,最终确定耕地范围。
优选的,前述的一种冬小麦种植信息的提取方法,其中所述的冬小麦种植信息1的提取方法包括:
(1)按照公式(1),对所述冬小麦返青期的遥感影像数据进行计算,得到冬小麦返青期的归一化植被指数,生成冬小麦返青期的归一化植被指数栅格数据,
其中,NDVI为归一化植被指数,ρNIR为近红外波段的像元地表反射率值,ρR为红光波段的像元地表反射率值;
(2)结合所述对象层的耕地对象和所述冬小麦返青期的归一化植被指数栅格数据,计算冬小麦提取的阈值T,采用数学模型mean(NDVI)>T来提取冬小麦种植信息1,其中,mean(NDVI)为分割对象的NDVI均值。
优选的,前述的一种冬小麦种植信息的提取方法,其中所述的冬小麦种植信息2的提取方法包括:
(1)按照公式(2),对所述冬小麦裸地期的遥感影像数据进行计算,得到冬小麦裸地期的归一化植被指数,生成冬小麦裸地期的归一化植被指数栅格数据,
其中,NDVI为归一化植被指数,ρNIR为近红外波段的像元地表反射率值,ρR为红光波段的像元地表反射率值;
(2)结合所述冬小麦种植信息1和所述冬小麦裸地期的归一化植被指数栅格数据,计算冬小麦提取的阈值M,采用数学模型mean(NDVI)<M来提取最终冬小麦种植信息2,其中,mean(NDVI)为分割对象的NDVI均值。
优选的,前述的一种冬小麦种植信息的提取方法,其中所述的计算冬小麦提取的阈值T的方法为采用迭代的方式将灰度图像用两个或两个以上正态分布的概率密度函数做近似表示,每次都取其中最显著的波峰来划分区域,然后依据各个区域的平均值选择合适阈值,重复该过程直至阈值收敛,具体算法如下:
(1)遍历所述冬小麦返青期的归一化植被指数栅格数据中耕地范围内各点,读取像素,获得分割图像最小灰度值T1以及最大灰度值T2,设定初始阈值T(0),其中,T(0)=(T1+T2)/2;
(2)根据阈值T(0)进行图像分割,将图像分为前景和背景两个区域,灰度值小于T(0)的像素为前景,灰度值大于T(0)的像素为背景;
(3)再次对分割后的图像进行遍历,计算出此时前景的平均灰度值T1和背景的平均灰度值T2,再次平均求出阈值T(1),所述T1、T2和T(1)计算公式如下:
T(1)=(T1+T2)/2
式中,gray(i,j)表示待处理图像像素(i,j)点的灰度值,N1表示图像前景像素的个数,N2表示图像背景像素的个数;
(4)再次根据阈值T(1)进行图像分割,将图像分为前景和背景两个区域,灰度值小于T(1)的像素为前景,灰度值大于T(1)的像素为背景;
(5)反复进行迭代上述运算,直到T(k)=T(k+1),迭代完成,用T(k)作为最终确定的分类阈值T。
优选的,前述的一种冬小麦种植信息的提取方法,其中所述的计算冬小麦提取的阈值M的方法为采用迭代的方式将灰度图像用两个或两个以上正态分布的概率密度函数做近似表示,每次都取其中最显著的波峰来划分区域,然后依据各个区域的平均值选择合适阈值,重复该过程直至阈值收敛,具体算法如下:
(1)遍历所述冬小麦裸地期的归一化植被指数栅格数据中耕地范围内各点,读取像素,获得分割图像最小灰度值M1以及最大灰度值M2,设定初始阈值M(0),其中,M(0)=(M1+M2)/2;
(2)根据阈值M(0)进行图像分割,将图像分为前景和背景两个区域,灰度值小于M(0)的像素为前景,灰度值大于M(0)的像素为背景;
(3)再次对分割后的图像进行遍历,计算出此时前景的平均灰度值M1和背景的平均灰度值M2,再次平均求出阈值M(1),所述M1、M2和M(1)计算公式如下:
M(1)=(M1+M2)/2
式中,gray(i,j)表示待处理图像像素(i,j)点的灰度值,N1表示图像前景像素的个数,N2表示图像背景像素的个数;
(4)再次根据阈值M(1)进行图像分割,将图像分为前景和背景两个区域,灰度值小于M(1)的像素为前景,灰度值大于M(1)的像素为背景;
(5)反复进行迭代上述运算,直到M(k)=M(k+1),迭代完成,用M(k)作为最终确定的分类阈值M。
优选的,前述的一种冬小麦种植信息的提取方法,其中所述的历史耕地矢量数据为待测区域1年、2年或3年前的耕地矢量数据。
本发明提供的冬小麦种植信息的提取方法,精确得到了待测区域中冬小麦的种植信息。所述的冬小麦种植信息可以是待测区域内冬小麦的种植地块(具体包括该地块的地理位置和面积)、待测区域内冬小麦的种植总面积。可进一步根据待测区域中冬小麦的总面积预测该区域小麦的产量。
进一步地,所述待测区域是指任一范围内的区域,例如县、市、省。
进一步地,所述耕地矢量数据是.shp格式的地图数据,用不同的颜色、形状标识记载了耕地类型、范围、地区分布。
进一步地,所述矢量数据是利用欧几里德几何学中点、线、面及其组合体来表示地理实体空间分布的一种数据组织方式,一般通过记录坐标的方式来尽可能将地理实体的空间位置表现的准确无误,显示的图形一般分为矢量图和位图。
由于空间数据具有属性特征(表示实际物体或目标、现象的性质)和空间特征(表示物体或目标的空间位置),所以在计算机中可用一对或一组坐标加上属性码(或称特征码)来表示空间数据,称该数据为矢量数据。
优选的,前述的一种冬小麦种植信息的提取方法,其中所述的冬小麦返青期为每年的2月下旬至3月下旬,是麦苗越冬叶和心叶恢复生长并变为绿色的时期。
优选的,前述的一种冬小麦种植信息的提取方法,其中所述的冬小麦裸地期为每年的6月下旬至7月下旬,是所有冬小麦完全收割后至下茬作物出芽前的时期。
优选的,前述的一种冬小麦种植信息的提取方法,其中S1中,对所述冬小麦返青期的遥感影像数据进行预处理,所述预处理包括:辐射定标、表观反射率计算、大气校正、几何校正;
优选的,前述的一种冬小麦种植信息的提取方法,其中S3中,对所述冬小麦裸地期的遥感影像数据进行预处理,所述预处理包括:辐射定标、表观反射率计算、大气校正、几何校正。
借由上述技术方案,本发明一种冬小麦种植信息的提取方法至少具有下列优点:
(1)本发明利用冬小麦典型的物候特性,选取冬小麦两个时相的遥感影像,并结合历史耕地矢量数据,可高效、快速、精确地识别冬小麦,进而提取冬小麦种植信息,具有原理简单,技术流程化,便于业务化操作实施的优点。
(2)本发明利用历史耕地矢量数据,能充分挖掘利用前期地理信息成果的价值,减少运算量,提高精确度,同时提高业务化操作实施的效率,避免重复工作,浪费人力。
(3)本发明通过特殊的算法,充分利用历史耕地矢量数据和冬小麦两个时相的遥感影像,提高了提取冬小麦种植信息的精度,本发明的算法可通过计算机编程实现自动计算提取,提高计算效率和精确度。
(4)根据本发明提取的冬小麦种植信息数据,可以进一步计算得到待测区域内冬小麦种植面积,并对冬小麦种植地进行标记,可更直观、方便地利用这些数据。
(5)本发明可大范围应用于冬小麦种植区,适用性强。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1为本发明一种冬小麦种植信息的提取方法的示意图;
图2为河北省沧州市盐山县冬小麦空间分布信息提取结果。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种冬小麦种植信息的提取方法,其具体实施方式、结构、特征及其功效,详细说明如后。在下述说明中,不同的“一实施例”或“实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
下面以河北省沧州市盐山县为例,结合图1和具体实施方式对本发明作进一步详细的说明,但不作为对本发明的限定。
如图1所示,本发明提供一种冬小麦种植信息的提取方法,包括以下步骤:
步骤一、根据冬小麦越冬的物候特性,确定冬小麦提取的两期影像时间范围;
在本实施例中,所述冬小麦越冬的物候特性是指冬小麦整个生长周期地表特征变化较大的特性,该地表特征变化有别于其他农作物的重要特征,该冬小麦越冬的物候特性主要包括冬小麦植被特征和冬小麦裸地特征。
上述冬小麦植被特征为冬小麦在返青期的地表特征,该冬小麦植被特征是冬小麦有别于其他农作物的一个重要特征,因此第一期遥感影像数据选取冬小麦返青期的遥感影像数据;
河北省沧州市盐山县冬小麦在3月下旬为返青期,以3月下旬冬小麦地表特征为植被特征,获取3月下旬时相的遥感数据作为该地区冬小麦返青期的遥感影像数据,本实施例中,选取2016年3月25日的GF-1 16m遥感影像数据作为该地区冬小麦返青期的遥感影像数据。
上述冬小麦裸地特征为冬小麦在成熟收获之后的地表重新呈现裸地特征,该冬小麦裸地特征是冬小麦有别于其他农作物的另一个重要特征,因此第二期遥感影像数据选取冬小麦裸地期的遥感影像数据;
河北省沧州市盐山县冬小麦在6月下旬成熟并收割完成,以6月下旬冬小麦地表特征为裸地特征,获取6月下旬时相的遥感数据作为该地区冬小麦裸地期的遥感影像数据,本实施例中,获取2016年6月22日的GF-1 16m遥感影像数据作为该地区冬小麦裸地期的遥感影像数据。
步骤二、对该地区冬小麦返青期的遥感影像数据和该地区冬小麦裸地期的遥感影像数据进行预处理;
所述数据预处理包括:辐射定标、表观反射率计算、大气校正、几何校正。
在本实施例中,所述辐射定标是用户需要计算地物的光谱反射率或光谱辐射亮度时,或者需要对不同时间、不同传感器获取的图像进行比较时,都必须将图像的亮度灰度值转换为绝对的辐射亮度,具体包括:
利用绝对定标系数将卫星图像DN值转换为辐亮度图像,其公式为:
Le(λe)=Gain·DN+Offset
式中,Le(λe)为转换后辐亮度,单位为W·m-2·sr-1·μm-1,DN为卫星载荷观测值;Gain为定标斜率,单位为W·m-2·sr-1·μm-1,Offset为绝对定标系数偏移量,单位为W·m-2·sr-1·μm-1,定标系数见表1。
表1定标系数
所述表观反射率是指大气层顶的反射率,其值等于地表反射率与大气反射率之和,表观反射率计算公式为:
表2平均太阳光谱辐照度(单位:W/m2)
B1 | B2 | B3 | B4 |
1968.66 | 1849.43 | 1570.88 | 1078.97 |
所述大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映,其中包含了由大气吸收,尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差,反演地物真实的表面反射率的过程,因此,需要对转换到表观反射率的遥感影像进行大气校正。
所述几何校正是指遥感成像过程中,受多种因素的综合影响,原始图像上地物的几何位置、形状、大小、尺寸、方位等特征与其对应的地面地物的特征往往是不一致的,这种不一致就是几何变形,也称几何畸变,因此,利用Landsat/TM 30米正射影像为参考影像,对影像进行几何校正,校正精度为平原区0.5-1个像元。
步骤三、获取该地区的历史耕地矢量数据,结合该地区冬小麦返青期的遥感影像数据和该地区的历史耕地矢量数据,确定耕地范围,并对所述耕地范围进行多尺度分割;
进一步地,所述耕地范围的确定方法包括:
(1)根据该地区的历史耕地矢量数据,对该地区冬小麦返青期的遥感影像数据进行棋盘分割,生成对象层;
(2)结合所述对象层和所述历史耕地矢量数据的属性值,将所述对象层分为耕地类和非耕地类,对所述耕地类进行检查和修订,最终确定耕地范围。
在本实施案例中,所述多尺度分割的尺度为10。
步骤四、对所述冬小麦返青期的遥感影像数据进行计算,得到冬小麦返青期的归一化植被指数,
结合所述耕地范围和所述冬小麦返青期的归一化植被指数,自动计算并确定冬小麦返青期的归一化植被指数阈值,自动提取该地区的冬小麦种植信息1;
进一步地,所述冬小麦种植信息1的自动提取方法包括:
(1)按照公式(1),对所述冬小麦返青期的遥感影像数据进行计算,得到冬小麦返青期的归一化植被指数,生成冬小麦返青期的归一化植被指数栅格数据,
其中,NDVI为归一化植被指数,ρNIR为近红外波段的像元地表反射率值,ρR为红光波段的像元地表反射率值;
(2)结合所述对象层的耕地对象和所述冬小麦返青期的归一化植被指数栅格数据,计算冬小麦提取的阈值T,采用数学模型mean(NDVI)>T来提取冬小麦种植信息1,其中,mean(NDVI)为分割对象的NDVI均值。
其中,所述归一化植被指数是反映土地覆盖植被状况的一种遥感指标,定义为近红外通道与可见光通道反射率之差与之和的商。
所述栅格数据就是将空间分割成有规律的网格,每一个网格称为一个单元,并在各单元上赋予相应的属性值来表示实体的一种数据形式。每一个单元(像素)的位置由它的行列号定义,所表示的实体位置隐含在栅格行列位置中,数据组织中的每个数据表示地物或现象的非几何属性或指向其属性的指针。一个优秀的压缩数据编码方案是:在最大限度减少计算机运算时间的基点上进行最大幅度的压缩。
进一步地,所述计算该地区冬小麦提取的阈值T的方法为采用迭代的方式将灰度图像用两个或两个以上正态分布的概率密度函数做近似表示,每次都取其中最显著的波峰来划分区域,然后依据各个区域的平均值选择合适阈值,重复该过程直至阈值收敛,具体算法如下:
(1)遍历所述冬小麦返青期的归一化植被指数栅格数据中耕地范围内各点,读取像素,获得分割图像最小灰度值T1以及最大灰度值T2,设定初始阈值T(0),其中,T(0)=(T1+T2)/2;
(2)根据阈值T(0)进行图像分割,将图像分为前景和背景两个区域,灰度值小于T(0)的像素为前景,灰度值大于T(0)的像素为背景;
(3)再次对分割后的图像进行遍历,计算出此时前景的平均灰度值T1和背景的平均灰度值T2,再次平均求出阈值T(1),所述T1、T2和T(1)计算公式如下:
T(1)=(T1+T2)/2
式中,gray(i,j)表示待处理图像像素(i,j)点的灰度值,N1表示图像前景像素的个数,N2表示图像背景像素的个数;
(4)再次根据阈值T(1)进行图像分割,将图像分为前景和背景两个区域,灰度值小于T(1)的像素为前景,灰度值大于T(1)的像素为背景;
(5)反复进行迭代上述运算,直到T(k)=T(k+1),迭代完成,用T(k)作为最终确定的分类阈值T。
在本实施案例中,T取值为0.18。
步骤五、获取该地区冬小麦裸地期的遥感影像数据,对所述冬小麦裸地期的遥感影像数据进行计算,得到冬小麦裸地期的归一化植被指数,
结合所述冬小麦种植信息1和所述冬小麦裸地期的归一化植被指数,自动计算并确定冬小麦裸地期的归一化植被指数阈值,得到该地区冬小麦种植信息2,实现冬小麦种植信息的自动提取,见图2。
进一步地,所述冬小麦种植信息2的自动提取方法包括:
(1)按照公式(2),对所述冬小麦裸地期的遥感影像数据进行计算,得到冬小麦裸地期的归一化植被指数,生成冬小麦裸地期的归一化植被指数栅格数据,
其中,NDVI为归一化植被指数,ρNIR为近红外波段的像元地表反射率值,ρR为红光波段的像元地表反射率值;
(2)结合所述冬小麦种植信息1和所述冬小麦裸地期的归一化植被指数栅格数据,计算冬小麦提取的阈值M,采用数学模型mean(NDVI)<M来提取最终冬小麦种植信息2,其中,mean(NDVI)为分割对象的NDVI均值。
进一步地,所述计算该地区冬小麦提取的阈值M的方法为采用迭代的方式将灰度图像用两个或两个以上正态分布的概率密度函数做近似表示,每次都取其中最显著的波峰来划分区域,然后依据各个区域的平均值选择合适阈值,重复该过程直至阈值收敛,具体算法如下:
(1)遍历所述冬小麦裸地期的归一化植被指数栅格数据中耕地范围内各点,读取像素,获得分割图像最小灰度值M1以及最大灰度值M2,设定初始阈值M(0),其中,M(0)=(M1+M2)/2;
(2)根据阈值M(0)进行图像分割,将图像分为前景和背景两个区域,灰度值小于M(0)的像素为前景,灰度值大于M(0)的像素为背景;
(3)再次对分割后的图像进行遍历,计算出此时前景的平均灰度值M1和背景的平均灰度值M2,再次平均求出阈值M(1),所述M1、M2和M(1)计算公式如下:
M(1)=(M1+M2)/2
式中,gray(i,j)表示待处理图像像素(i,j)点的灰度值,N1表示图像前景像素的个数,N2表示图像背景像素的个数;
(4)再次根据阈值M(1)进行图像分割,将图像分为前景和背景两个区域,灰度值小于M(1)的像素为前景,灰度值大于M(1)的像素为背景;
(5)反复进行迭代上述运算,直到M(k)=M(k+1),迭代完成,用M(k)作为最终确定的分类阈值M。
在本案例中,M取值为0.05。
为了对本发明方法进行有效验证和评价,对提取的盐山县冬小麦信息利用冬小麦样方数据进行了精度验证。
冬小麦遥感监测的属性精度计算步骤如下:首先,将验证用样方数据由矢量(.shp格式)转换为栅格数据,其空间分辨率与主要农作物空间分布数据相同;然后将栅格样方数据转为点数据,点的位置为每个像元的中心位置;将点数据与提取的冬小麦信息矢量叠加分析,计算冬小麦遥感监测的属性精度,计算公式如下:
式中,SX_accuracy为属性精度,Noverlay为(冬小麦)样方与(冬小麦)遥感监测矢量相交的点的数量,Nsample为(冬小麦)样方转成点的数量。经计算,属性精度为96.7%。
冬小麦遥感监测的面积精度计算如下:将验证用样方矢量与冬小麦遥感监测矢量进行叠加,统计两者相交的面积,该面积与冬小麦样方总面积的比值即为面积精度,计算公式如下:
式中,MJ_accuracy为面积精度,Aoverlap为冬小麦样方矢量与冬小麦遥感监测矢量相交区域的面积,Asample为冬小麦样方矢量的面积,经计算,面积精度为98.3%。
属性精度为96.7%、面积精度为98.3%,达到实际应用的要求。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种冬小麦种植信息的提取方法,其特征在于:包括,
S1,获取待测区域的冬小麦返青期的遥感影像数据,获取待测区域的历史耕地矢量数据,结合所述冬小麦返青期的遥感影像数据和所述历史耕地矢量数据,确定耕地范围,并对所述耕地范围进行多尺度分割;
S2,对所述冬小麦返青期的遥感影像数据进行计算,得到冬小麦返青期的归一化植被指数,
结合所述耕地范围和所述冬小麦返青期的归一化植被指数,确定冬小麦返青期的归一化植被指数阈值,得到待测区域的冬小麦种植信息1;
S3,获取待测区域的冬小麦裸地期的遥感影像数据,对所述冬小麦裸地期的遥感影像数据进行计算,得到冬小麦裸地期的归一化植被指数,
结合所述冬小麦种植信息1和所述冬小麦裸地期的归一化植被指数,确定冬小麦裸地期的归一化植被指数阈值,得到待测区域的冬小麦种植信息2,实现冬小麦种植信息的提取;
S1中,所述耕地范围的确定方法包括:
(1)根据所述历史耕地矢量数据,对所述冬小麦返青期的遥感影像数据进行棋盘分割,生成对象层;
(2)结合所述对象层和所述历史耕地矢量数据的属性值,将所述对象层分为耕地类和非耕地类,对所述耕地类进行检查和修订,最终确定耕地范围;
S2中,所述冬小麦种植信息1的提取方法包括:
(1)按照公式(1),对所述冬小麦返青期的遥感影像数据进行计算,得到冬小麦返青期的归一化植被指数,生成冬小麦返青期的归一化植被指数栅格数据,
其中,NDVI为归一化植被指数,ρNIR为近红外波段的像元地表反射率值,ρR为红光波段的像元地表反射率值;
(2)结合所述对象层的耕地对象和所述冬小麦返青期的归一化植被指数栅格数据,计算冬小麦提取的阈值T,采用数学模型mean(NDVI)>T来提取冬小麦种植信息1,其中,mean(NDVI)为分割对象的NDVI均值;
S3中,所述冬小麦种植信息2的提取方法包括:
(1)按照公式(2),对所述冬小麦裸地期的遥感影像数据进行计算,得到冬小麦裸地期的归一化植被指数,生成冬小麦裸地期的归一化植被指数栅格数据,
其中,NDVI为归一化植被指数,ρNIR为近红外波段的像元地表反射率值,ρR为红光波段的像元地表反射率值;
(2)结合所述冬小麦种植信息1和所述冬小麦裸地期的归一化植被指数栅格数据,计算冬小麦提取的阈值M,采用数学模型mean(NDVI)<M来提取最终冬小麦种植信息2,其中,mean(NDVI)为分割对象的NDVI均值。
2.根据权利要求1所述的一种冬小麦种植信息的提取方法,其特征在于,
所述计算冬小麦提取的阈值T的方法为采用迭代的方式将灰度图像用两个或两个以上正态分布的概率密度函数做近似表示,每次都取其中最显著的波峰来划分区域,然后依据各个区域的平均值选择合适阈值,重复该过程直至阈值收敛,具体算法如下:
(1)遍历所述冬小麦返青期的归一化植被指数栅格数据中耕地范围内各点,读取像素,获得分割图像最小灰度值T1以及最大灰度值T2,设定初始阈值T(0),其中,T(0)=(T1+T2)/2;
(2)根据阈值T(0)进行图像分割,将图像分为前景和背景两个区域,灰度值小于T(0)的像素为前景,灰度值大于T(0)的像素为背景;
(3)再次对分割后的图像进行遍历,计算出此时前景的平均灰度值T1和背景的平均灰度值T2,再次平均求出阈值T(1),所述T1、T2和T(1)计算公式如下:
T(1)=(T1+T2)/2
式中,gray(i,j)表示待处理图像像素(i,j)点的灰度值,N1表示图像前景像素的个数,N2表示图像背景像素的个数;
(4)再次根据阈值T(1)进行图像分割,将图像分为前景和背景两个区域,灰度值小于T(1)的像素为前景,灰度值大于T(1)的像素为背景;
(5)反复进行迭代上述运算,直到T(k)=T(k+1),迭代完成,用T(k)作为最终确定的分类阈值T。
3.根据权利要求1所述的一种冬小麦种植信息的提取方法,其特征在于,所述计算冬小麦提取的阈值M的方法为采用迭代的方式将灰度图像用两个或两个以上正态分布的概率密度函数做近似表示,每次都取其中最显著的波峰来划分区域,然后依据各个区域的平均值选择合适阈值,重复该过程直至阈值收敛,具体算法如下:
(1)遍历所述冬小麦裸地期的归一化植被指数栅格数据中耕地范围内各点,读取像素,获得分割图像最小灰度值M1以及最大灰度值M2,设定初始阈值M(0),其中,M(0)=(M1+M2)/2;
(2)根据阈值M(0)进行图像分割,将图像分为前景和背景两个区域,灰度值小于M(0)的像素为前景,灰度值大于M(0)的像素为背景;
(3)再次对分割后的图像进行遍历,计算出此时前景的平均灰度值M1和背景的平均灰度值M2,再次平均求出阈值M(1),所述M1、M2和M(1)计算公式如下:
M(1)=(M1+M2)/2
式中,gray(i,j)表示待处理图像像素(i,j)点的灰度值,N1表示图像前景像素的个数,N2表示图像背景像素的个数;
(4)再次根据阈值M(1)进行图像分割,将图像分为前景和背景两个区域,灰度值小于M(1)的像素为前景,灰度值大于M(1)的像素为背景;
(5)反复进行迭代上述运算,直到M(k)=M(k+1),迭代完成,用M(k)作为最终确定的分类阈值M。
4.根据权利要求1所述的一种冬小麦种植信息的提取方法,其特征在于,
所述历史耕地矢量数据为待测区域1年、2年或3年前的耕地矢量数据。
5.根据权利要求1所述的一种冬小麦种植信息的提取方法,其特征在于,
所述冬小麦返青期为麦苗越冬叶和心叶恢复生长并变为绿色的时期,在每年的2月下旬至3月下旬。
6.根据权利要求1所述的一种冬小麦种植信息的提取方法,其特征在于,
所述冬小麦裸地期为所有冬小麦完全收割后至下茬作物出芽前的时期,在每年的6月下旬至7月上旬。
7.根据权利要求1所述的一种冬小麦种植信息的提取方法,其特征在于,
S1中,对所述冬小麦返青期的遥感影像数据进行预处理,所述预处理包括:辐射定标、表观反射率计算、大气校正、几何校正;
和/或,
S3中,对所述冬小麦裸地期的遥感影像数据进行预处理,所述预处理包括:辐射定标、表观反射率计算、大气校正、几何校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810489690.XA CN108764255B (zh) | 2018-05-21 | 2018-05-21 | 一种冬小麦种植信息的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810489690.XA CN108764255B (zh) | 2018-05-21 | 2018-05-21 | 一种冬小麦种植信息的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764255A CN108764255A (zh) | 2018-11-06 |
CN108764255B true CN108764255B (zh) | 2021-06-01 |
Family
ID=64007423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810489690.XA Active CN108764255B (zh) | 2018-05-21 | 2018-05-21 | 一种冬小麦种植信息的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764255B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918531A (zh) * | 2019-03-06 | 2019-06-21 | 长光禹辰信息技术与装备(青岛)有限公司 | 一种毒品原植物的搜查方法、装置和计算机可读存储介质 |
CN109948556B (zh) * | 2019-03-21 | 2020-10-27 | 中国农业科学院农业资源与农业区划研究所 | 作物分类识别方法及系统 |
CN110163138B (zh) * | 2019-05-13 | 2022-03-11 | 河南科技大学 | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 |
CN110378521B (zh) * | 2019-06-28 | 2022-04-22 | 河南农业大学 | 豫东北冬小麦产量预测模型的构建与应用 |
CN110909679B (zh) * | 2019-11-22 | 2020-09-18 | 中国气象科学研究院 | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 |
CN111860149B (zh) * | 2020-06-11 | 2024-01-12 | 中科禾信遥感科技(苏州)有限公司 | 越冬油菜和小麦遥感识别方法与装置 |
CN112148785B (zh) * | 2020-09-24 | 2021-09-28 | 中国科学院空天信息创新研究院 | 一种作物分布制图方法 |
CN113033279A (zh) * | 2020-12-10 | 2021-06-25 | 四川航天神坤科技有限公司 | 一种基于多源遥感影像的作物精细分类方法及其系统 |
CN112906627B (zh) * | 2021-03-15 | 2022-11-15 | 西南大学 | 一种基于语义分割的青花椒识别方法 |
CN113139717B (zh) * | 2021-03-31 | 2023-10-20 | 北京农业信息技术研究中心 | 作物苗情分级遥感监测方法及装置 |
CN116052017B (zh) * | 2023-01-17 | 2023-11-10 | 二十一世纪空间技术应用股份有限公司 | 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 |
CN116485784B (zh) * | 2023-06-12 | 2023-09-12 | 天地信息网络研究院(安徽)有限公司 | 一种基于时序ndvi的冬闲田遥感提取方法 |
CN117423003B (zh) * | 2023-12-19 | 2024-03-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447494A (zh) * | 2015-12-01 | 2016-03-30 | 二十一世纪空间技术应用股份有限公司 | 基于多源多时相遥感影像数据的菜田监测方法 |
CN106372592A (zh) * | 2016-08-29 | 2017-02-01 | 中国农业科学院农业资源与农业区划研究所 | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 |
CN107145876A (zh) * | 2017-05-24 | 2017-09-08 | 河南农业大学 | 基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10564316B2 (en) * | 2014-09-12 | 2020-02-18 | The Climate Corporation | Forecasting national crop yield during the growing season |
-
2018
- 2018-05-21 CN CN201810489690.XA patent/CN108764255B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447494A (zh) * | 2015-12-01 | 2016-03-30 | 二十一世纪空间技术应用股份有限公司 | 基于多源多时相遥感影像数据的菜田监测方法 |
CN106372592A (zh) * | 2016-08-29 | 2017-02-01 | 中国农业科学院农业资源与农业区划研究所 | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 |
CN107145876A (zh) * | 2017-05-24 | 2017-09-08 | 河南农业大学 | 基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108764255A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
Pacheco et al. | Evaluating multispectral remote sensing and spectral unmixing analysis for crop residue mapping | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
CN111598019B (zh) | 基于多源遥感数据的作物类型与种植模式识别方法 | |
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 | |
CN108932521B (zh) | 一种基于深度学习的农作物分类方法及系统 | |
CN109685081B (zh) | 一种遥感提取撂荒地的联合变化检测方法 | |
CN105404753A (zh) | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 | |
CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
CN111798327A (zh) | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 | |
González-Yebra et al. | Methodological proposal to assess plastic greenhouses land cover change from the combination of archival aerial orthoimages and Landsat data | |
CN114387528A (zh) | 松材线虫病监测天空地一体化监测方法 | |
CN105809148A (zh) | 基于遥感时空谱融合的作物干旱识别及风险评估方法 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN112285710B (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
CN109784300A (zh) | 一种农作物科学测产方法及系统 | |
CN111091079A (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
CN109977991A (zh) | 基于高清卫星遥感的林业资源采集方法 | |
CN109816542A (zh) | 一种农作物减产理赔方法及系统 | |
CN111222539A (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
Song et al. | Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data | |
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 | |
CN115761486A (zh) | 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 | |
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 | |
Mokarram et al. | RELATIONSHIP BETWEEN LAND COVER AND VEGETATION INDICES. CASE STUDY: EGHLID PLAIN, FARS PROVINCE, 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |