CN109001125A - 一种基于高分一号卫星图像的苗情探测方法及系统 - Google Patents
一种基于高分一号卫星图像的苗情探测方法及系统 Download PDFInfo
- Publication number
- CN109001125A CN109001125A CN201810605300.0A CN201810605300A CN109001125A CN 109001125 A CN109001125 A CN 109001125A CN 201810605300 A CN201810605300 A CN 201810605300A CN 109001125 A CN109001125 A CN 109001125A
- Authority
- CN
- China
- Prior art keywords
- plot
- growth
- vegetation index
- mean
- crop
- 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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于高分一号卫星图像的苗情探测方法及系统,该方法包括:获取目标检测区域内作物在出苗期的高分一号多光谱影像;预处理高分一号多光谱影像;根据预处理后的高分一号多光谱影像,计算每个地块的归一化差分植被指数的均值及均方差;确定地块作物苗情约束条件;地块作物苗情约束条件包括归一化差分植被指数的均值的极小值、归一化差分植被指数的均方差的极大值、百分之十的归一化差分植被指数值;根据地块作物苗情约束条件、归一化差分植被指数的均值及均方差,确定每个地块的作物苗情信息。因此,采用本发明提供的方法或系统能够快速的获取某一地块的出苗综合情况,不需要研究区域历史苗情作为先验知识,省时省力。
Description
技术领域
本发明涉及能源计量技术领域,特别涉及一种基于高分一号卫星图像的苗情探测方法及系统。
背景技术
出苗期为作物生长期内的初始物候期,是作物生长的关键物候期之一。作物的苗情信息指出苗期作物长势的空间分布状况或随时间变化的规律,其中,出苗期作物长势指作物生长是否茁壮和整齐。出苗期的生长发育直接影响到作物的生物产量、经济产量、营养品质及其安全性。茁壮的作物个体构成的整齐的群体才是出苗情况良好的作物区。及时、准确地判断作物苗情信息为作物产量估算提供先验知识和估算参量。
遥感技术具有快速、高效地收集地表信息的能力,为及时有效地大范围监测作物出苗情况提供了可能。早期,碍于遥感数据分辨率的限制,难以利用农田地块差异对作物的生理生长加以反演。随着高分一号等卫星的成功发射与数据发布,高分辨率的遥感影像在农业上已得到广泛的应用。在高分辨率遥感影像提取作物苗情信息的基础上,对未出苗或苗情较差的田块,通过补苗、施肥等方式实现农田有效利用,避免不必要的经济损失,实现合理投入下的最优经济效益。
归一化差分植被指数(Normalized Difference Vegetation Index,NDVI)是基于红波段和近红波段反射特征的一种植被指数,能够反映不同甚至同类作物的光谱差异,描述农作物生长状况及变化过程。NDVI既与株高、叶的数量与颜色等个体长势参数有关,也与植被覆盖度、叶面积指数等群体长势参数有关。
现有的苗情信息提取方法主要是将特定时期的NDVI数据与上年或多年平均值对比,得到同一地区作物的相对长势。该方法需要研究区域历史苗情作为先验知识,费时费工,时效性差,且不能体现某一地块的出苗综合情况。
发明内容
本发明的目的是提供一种基于高分一号卫星图像的苗情探测方法及系统,该方法及系统能够快速地获取某一地块的出苗综合情况,且不需要研究区域历史苗情作为先验知识,省时省力。
为实现上述目的,本发明提供了如下方案:
一种基于高分一号卫星图像的苗情探测方法,所述苗情探测方法包括:
获取目标检测区域内作物在出苗期的高分一号多光谱影像;所述目标检测区域包括多个地块;
预处理所述高分一号多光谱影像;
根据预处理后的高分一号多光谱影像,计算每个所述地块的归一化差分植被指数的均值以及均方差;
确定地块作物苗情约束条件;
根据所述地块作物苗情约束条件、所述归一化差分植被指数的均值以及均方差,确定每个所述地块的作物苗情信息。
可选的,所述获取目标检测区域内作物在出苗期的高分一号多光谱影像,具体包括:
获取目标检测区域内作物在出苗期的两景高分一号多光谱影像。
可选的,所述预处理所述高分一号多光谱影像,具体包括:
分别对两景所述高分一号多光谱影像中的数据进行辐射定标、大气校正及正射校正的预处理操作;
利用PMS传感器携带的2m全色波段分别对两景预处理操作后的高分一号多光谱影像进行图像融合,生成空间分辨率为2m的多光谱图像。
可选的,所述根据预处理后的高分一号多光谱影像,计算每个所述地块的归一化差分植被指数的均值以及均方差,具体包括:
根据以下公式计算预处理后的高分一号多光谱影像的归一化差分植被指数;所述公式为:
NDVI=(ρNIR-ρR)/(ρNIR+ρR);
其中,NDVI为归一化差分植被指数;ρNIR,ρR分别为近红外波段和红光波段的反射率;
利用Arcgis10.2软件中分区统计功能,以目标检测区域内的地块边界数据为分区数据,以归一化差分植被指数的均值和均方差为统计字段,以任一地块的归一化差分植被指数值为基础,统计不同地块的归一化差分植被指数的均值以及均方差。
可选的,所述地块作物苗情约束条件包括:均值阈值、均方差阈值以及分位阈值;所述均值阈值为归一化差分植被指数的均值的极小值;所述均方差阈值为归一化差分植被指数的均方差的极大值;所述分位阈值为归一化差分植被指数的百分之十。
可选的,所述根据所述地块作物苗情约束条件、所述归一化差分植被指数的均值以及均方差,确定每个所述地块的作物苗情信息,具体包括:
当所述归一化差分植被指数的均值小于等于所述均值阈值时,确定所述地块的作物苗情信息为未出苗信息;
当所述归一化差分植被指数的均值大于所述均值阈值且小于所述分位阈值或者所述归一化差分植被指数的均方差大于所述均方差阈值时,确定所述地块的作物苗情信息为出苗不齐信息;
当所述归一化差分植被指数的均值大于等于所述分位阈值且所述归一化差分植被指数的均方差小于等于所述均方差阈值时,确定所述地块的作物苗情信息为出苗齐信息。
本发明还提供了一种基于高分一号卫星图像的苗情探测系统,所述苗情探测系统包括:
高分一号多光谱影像获取模块,用于获取目标检测区域内作物在出苗期的高分一号多光谱影像;所述目标检测区域包括多个地块;
高分一号多光谱影像预处理模块,用于预处理所述高分一号多光谱影像;
均值和均方差计算模块,用于根据预处理后的高分一号多光谱影像,计算每个所述地块的归一化差分植被指数的均值以及均方差;
地块作物苗情约束条件确定模块,用于确定地块作物苗情约束条件;
作物苗情信息确定模块,用于根据所述地块作物苗情约束条件、所述归一化差分植被指数的均值以及均方差,确定每个所述地块的作物苗情信息。
可选的,所述均值和均方差计算模块,具体包括:
归一化差分植被指数计算单元,用于采用NDVI=(ρNIR-ρR)/(ρNIR+ρR)计算预处理后的高分一号多光谱影像的归一化差分植被指数;其中,NDVI为归一化差分植被指数;ρNIR,ρR分别为近红外波段和红光波段的反射率;
均值和均方差统计单元,用于利用Arcgis10.2软件中分区统计功能,以目标检测区域内的地块边界数据为分区数据,以归一化差分植被指数的均值和均方差为统计字段,以任一地块的归一化差分植被指数值为基础,统计不同地块的归一化差分植被指数的均值以及均方差。
可选的,所述地块作物苗情约束条件包括:均值阈值、均方差阈值以及分位阈值;所述均值阈值为归一化差分植被指数的均值的极小值;所述均方差阈值为归一化差分植被指数的均方差的极大值;所述分位阈值为归一化差分植被指数的百分之十。
可选的,所述作物苗情信息确定模块,具体包括:
未出苗信息确定单元,用于当所述归一化差分植被指数的均值小于等于所述均值阈值时,确定所述地块的作物苗情信息为未出苗信息;
出苗不齐信息确定单元,用于当所述归一化差分植被指数的均值大于所述均值阈值且小于所述分位阈值或者所述归一化差分植被指数的均方差大于所述均方差阈值时,确定所述地块的作物苗情信息为出苗不齐信息;
出苗齐信息确定单元,用于当所述归一化差分植被指数的均值大于等于所述分位阈值且所述归一化差分植被指数的均方差小于等于所述均方差阈值时,确定所述地块的作物苗情信息为出苗齐信息。
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:
本发明提供一种基于高分一号卫星图像的苗情探测方法及系统,该方法包括:获取目标检测区域内作物在出苗期的高分一号多光谱影像;所述目标检测区域包括多个地块;预处理所述高分一号多光谱影像;根据预处理后的高分一号多光谱影像,计算每个所述地块的归一化差分植被指数的均值以及均方差;确定地块作物苗情约束条件;根据所述地块作物苗情约束条件、所述归一化差分植被指数的均值及均方差,确定每个所述地块的作物苗情信息。因此,采用本发明提供的方法或者系统,能够快速地获取某一地块的出苗综合情况,且不需要研究区域历史苗情作为先验知识,省时省力。
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为本发明实施例高分一号卫星图像的苗情探测方法的流程示意图;
图2为本发明实施例高分一号卫星图像的苗情探测系统的结构示意图;
图3为本发明实施例榆树村玉米出苗情况分布图;
图4为本发明实施例解放村玉米出苗情况分布图。
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基于高分一号卫星图像的苗情探测方法及系统,该方法及系统能够快速地获取某一地块的出苗综合情况,且不需要研究区域历史苗情作为先验知识,省时省力。
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。
实施例一
图1为本发明实施例高分一号卫星图像的苗情探测方法的流程示意图。
如图1所示,本发明实施例提供的基于高分一号卫星图像的苗情探测方法具体包括以下步骤。
步骤101:获取目标检测区域内作物在出苗期的高分一号多光谱影像;所述目标检测区域包括多个地块。
步骤102:预处理所述高分一号多光谱影像。
步骤103:根据预处理后的高分一号多光谱影像,计算每个所述地块的归一化差分植被指数的均值以及均方差。
步骤104:确定地块作物苗情约束条件。所述地块作物苗情约束条件包括:均值阈值、均方差阈值以及分位阈值;所述均值阈值为归一化差分植被指数的均值的极小值;所述均方差阈值为归一化差分植被指数的均方差的极大值;所述分位阈值为归一化差分植被指数的百分之十。
步骤105:根据所述地块作物苗情约束条件、所述归一化差分植被指数的均值以及均方差,确定每个所述地块的作物苗情信息。
步骤101具体包括:
获取目标检测区域内作物在出苗期的两景高分一号多光谱影像。
步骤102具体包括:
分别对两景所述高分一号多光谱影像中的数据进行辐射定标、大气校正及正射校正的预处理操作。
利用PMS传感器携带的2m全色波段分别对两景预处理操作后的高分一号多光谱影像进行图像融合,生成空间分辨率为2m的多光谱图像。
步骤103具体包括:
根据公式(1)计算预处理后的高分一号多光谱影像的归一化差分植被指数;所述公式(1)为:NDVI=(ρNIR-ρR)/(ρNIR+ρR) (1);
其中,NDVI为归一化差分植被指数;ρNIR,ρR分别为近红外波段和红光波段的反射率。
利用Arcgis10.2软件中分区统计功能,以目标检测区域内的地块边界数据为分区数据,以归一化差分植被指数的均值和均方差为统计字段,以任一地块的归一化差分植被指数值为基础,统计不同地块的归一化差分植被指数的均值以及均方差。
步骤105具体包括:
当所述归一化差分植被指数的均值小于等于所述均值阈值时,确定所述地块的作物苗情信息为未出苗信息。
当所述归一化差分植被指数的均值大于所述均值阈值且小于所述分位阈值或者所述归一化差分植被指数的均方差大于所述均方差阈值时,确定所述地块的作物苗情信息为出苗不齐信息。
当所述归一化差分植被指数的均值大于等于所述分位阈值且所述归一化差分植被指数的均方差小于等于所述均方差阈值时,确定所述地块的作物苗情信息为出苗齐信息。
实施例二
为实现上述目的,本发明还提供了一种基于高分一号卫星图像的苗情探测系统。
图2为本发明实施例高分一号卫星图像的苗情探测系统的结构示意图。
如图2所示,本发明实施例提供的高分一号卫星图像的苗情探测系统包括:
高分一号多光谱影像获取模块100,用于获取目标检测区域内作物在出苗期的高分一号多光谱影像;所述目标检测区域包括多个地块。
高分一号多光谱影像预处理模块200,用于预处理所述高分一号多光谱影像。
均值和均方差计算模块300,用于根据预处理后的高分一号多光谱影像,计算每个所述地块的归一化差分植被指数的均值以及均方差。
地块作物苗情约束条件确定模块400,用于确定地块作物苗情约束条件。所述地块作物苗情约束条件包括:均值阈值、均方差阈值以及分位阈值;所述均值阈值为归一化差分植被指数的均值的极小值;所述均方差阈值为归一化差分植被指数的均方差的极大值;所述分位阈值为归一化差分植被指数的百分之十。
作物苗情信息确定模块500,用于根据所述地块作物苗情约束条件、所述归一化差分植被指数的均值以及均方差,确定每个所述地块的作物苗情信息。
高分一号多光谱影像获取模块100具体包括:
两景高分一号多光谱影像获取单元,用于获取目标检测区域内作物在出苗期的两景高分一号多光谱影像。
高分一号多光谱影像预处理模块200具体包括:
预处理操作单元,用于分别对两景所述高分一号多光谱影像中的数据进行辐射定标、大气校正及正射校正的预处理操作。
多光谱图像生成单元,用于利用PMS传感器携带的2m全色波段分别对两景预处理操作后的高分一号多光谱影像进行图像融合,生成空间分辨率为2m的多光谱图像。
所述均值和均方差计算模块300,具体包括:
归一化差分植被指数计算单元,用于采用NDVI=(ρNIR-ρR)/(ρNIR+ρR)计算预处理后的高分一号多光谱影像的归一化差分植被指数;其中,NDVI为归一化差分植被指数;ρNIR,ρR分别为近红外波段和红光波段的反射率。
均值和均方差统计单元,用于利用Arcgis10.2软件中分区统计功能,以目标检测区域内的地块边界数据为分区数据,以归一化差分植被指数的均值和均方差为统计字段,以任一地块的归一化差分植被指数值为基础,统计不同地块的归一化差分植被指数的均值以及均方差。
所述作物苗情信息确定模块500,具体包括:
未出苗信息确定单元,用于当所述归一化差分植被指数的均值小于等于所述均值阈值时,确定所述地块的作物苗情信息为未出苗信息。
出苗不齐信息确定单元,用于当所述归一化差分植被指数的均值大于所述均值阈值且小于所述分位阈值或者所述归一化差分植被指数的均方差大于所述均方差阈值时,确定所述地块的作物苗情信息为出苗不齐信息。
出苗齐信息确定单元,用于当所述归一化差分植被指数的均值大于等于所述分位阈值且所述归一化差分植被指数的均方差小于等于所述均方差阈值时,确定所述地块的作物苗情信息为出苗齐信息。
实施例三
本发明实施例基于2017年5月23日高分一号全色多光谱(GF-1PMS)数据与野外踏查数据,选取吉林省长春市九台市上河湾镇榆树村和其塔木镇解放村为研究区,计算地块NDVI均值及均方差,通过决策树阈值划分的方式,对研究区地块玉米出苗情况信息进行提取,将提取结果与野外踏查数据进行验证,并对验证结果进行探讨,为进一步的优化农田经营管理,达到增产增收的目的提供科学的管理依据。具体包括以下几个部分。
1、研究区范围
九台市均位于吉林省中部的低山丘陵区,属大陆性季风气候,年平均日照2615.5小时,日照百分率59.7%;年平均气温4.7℃,有效积温2881℃;无霜期140天左右;年平均降水量550mm,主要集中在6-8月。研究区榆树村与解放村位于九台市东北部,地理坐标分别为126°07′05″~126°10′31″E,44°28′57″~44°30′44″N和126°20′47″~126°24′15″E,44°22′35″~44°25′22″N。研究区以灰棕壤为主,主要作物类型为连片种植的玉米。根据研究区玉米物候历,玉米于5月初播种,5月中下旬逐步进入出苗-三叶期,此时玉米出现植被特征,NDVI增加直至7月下旬达到峰值,此后NDVI下降直至成熟收获。
2、数据源的获取以及预处理
高分一号卫星于2013年4月26日成功发射,是中国高分辨率对地观测系统的第一颗卫星。其中,高分一号卫星搭载了两台2m分辨率全色/8m分辨率多光谱卫星,2台相机组合扫描幅宽60km,全色影像星下点分辨率2m,多光谱影像星下点分辨率8m。高分一号全色波段光谱范围为0.45~0.90μm,多光谱波段光谱范围为0.45~0.89μm,重访周期侧摆时4d,不侧摆时41d,轨道高度645km。利用中国资源卫星应用中心(http://www.cresda.com/CN/)公布的高分一号全色多光谱数据,在选取影像时,确保在研究区玉米出苗期内,影像云量最小。结合研究区玉米物候期,采用2017年5月23日的两景高分一号全色多光谱数据为数据源,产品序列号分别为2372718和2372749。
为削弱成像条件与大气状况对遥感影像的影响,提高数据使用质量,分别对两景高分一号全色多光谱数据进行预处理,主要包括辐射定标、大气校正和正射校正。为提高数据的空间分辨率,利用PMS传感器携带的2m全色波段分别对预处理后的两景高分一号全色多光谱数据进行图像融合,最终生成空间分辨率为2m的多光谱图像。经过上述处理,削弱了传感器与大气等因素的影响,能够反映出更加真实的地表状况。
3、野外踏查数据的采集
根据研究区气候与玉米物候期,选择2017年6月16日玉米出苗期结束前,在研究区开展野外实地考察,选择远离居民点、道路等高反射率建设用地干扰的玉米地块,利用手持全球定位系统终端采集研究区采样点经纬度及作物样本信息。其中,榆树村玉米采样点共22个,解放村玉米采样点共10个,每个采样点均采集采样点经纬度坐标、高程、采样点所在地块面积、地形、作物株距、作物垄间距以及作物株高共8种观测信息,拍摄照片并记录地块出苗情况的描述信息作为辅助观测信息。
表1吉林省玉米物候期
4、出苗期的玉米苗情信息探测
4.1、NDVI均值以及均方差的计算
NDVI由Deering于1978年提出,其利用植物叶片在红色和近红外波段的光谱反差来识别植被,能够消除大部分与地形、云阴影以及大气条件等有关的辐照度变化,可以反映遥感影像中的作物信息,是目前应用最广的植被指数。NDVI值的高低在一定程度上可以反映作物生长的旺衰程度。
某一时刻作物的NDVI值与该时刻作物生长状况和面积密切相关。当种植面积相对稳定或种植结构变化较小时,NDVI与作物生长状况直接相关。
苗齐和苗壮是玉米高产的关键。玉米地块NDVI均值大小可以体现玉米出苗是否健壮,地块NDVI均方差大小能够体现地块内玉米出苗是否整齐。在Arcgis10.2软件中,利用分区统计功能,以地块边界数据为分区数据,分别以均值和均方差作为统计字段,以榆树村玉米地块NDVI值为基础,按地块统计不同地块的NDVI均值及均方差。上述处理方法将基于像元的NDVI值转换为以地块为对象能够反映地块内玉米出苗情况是否整齐和健壮的指标,用于建立玉米出苗情况分级指标的评价标准。
4.2、玉米出苗情况评价标准
针对以地块为对象的玉米出苗情况的提取,既要体现地块间的差异性和地块内的一致性,也要体现地块内部的差异。同时满足苗壮(NDVI均值高于一定值阈值)、苗齐(NDVI均方根低于一定值)两个条件,评价为出苗齐。不满足任何一个条件均评价为出苗不齐。植被特征不明显(NDVI均值低于一定值)的评价为未出苗。
本发明实施例将NDVI均值=0.05定义为作物NDVI的极小值,即为玉米是否出苗的分级节点。对榆树村玉米采样点分析发现,出苗情况为“齐”的采样点所在地块的NDVI均值,大体处在NDVI均值升序排列时,分位数NDVI10%以上,且此类地块NDVI均方差约小于0.01。因此,本发明将地块NDVI均值=0.05,NDVI均值=NDVI10%,NDVI均方根=0.01作为玉米出苗情况评价标准。将NDVI均值低于0.05的地块定义为未出苗,将同时满足NDVI均值高于NDVI10%和NDVI均方差低于0.01的地块定义为出苗齐,其余玉米地块定义为出苗不齐。
4.3榆树村和解放村的玉米出苗情况的提取
根据玉米出苗情况评价标准对榆树村和解放村的玉米出苗情况进行提取。利用同期在榆树村采集的22个验证点的数据以及解放村采集的10个验证点的数据,对玉米出苗情况反演结果进行评价。鉴于实地评价玉米出苗情况时易受主观因素影响,结合榆树村和解放村玉米生长发育情况,将榆树村和解放村玉米幼苗高度高于30cm且同一地块玉米幼苗高度差不超过5cm的地块评价为出苗齐,将缺苗面积超过地块面积50%以上或同一地块玉米幼苗高度低于10cm的地块评价为未出苗,将出苗情况介于两者之间的地块评价为出苗不齐。其中,榆树村和解放村的玉米出苗情况分布图如图3和图4所示。
表2玉米出苗情况分级结果混淆矩阵
表2为通过上述过程得到玉米出苗情况分级结果的混淆矩阵,由表2可知,以解放村玉米出苗情况为例,采用本发明供的方法提取2017年解放村玉米出苗期出苗情况,其总体精度达到80%。其中,玉米出苗不齐的提取精度为75%,玉米出苗齐的提取精度为83.33%,与研究区实际出苗情况较为一致。表明利用本发明供的方法能够在一定程度上反映玉米的出苗情况,可以为玉米出苗情况评价提供参考依据。
本发明实施例能够及时准确探测的玉米出苗情况,为农田经营管理和宏观决策提供玉米出苗期的生长信息,便于及时采取适当的科学管理措施,达到增产增收的目的。
与现有技术相比,本发明具有以下优点。
1)高分一号数据具有广覆盖、高空间分辨率的特性,能够满足反演地块级别作物出苗情况的需求,具备大区域、高精度反演作物出苗情况的潜力。
2)经检验,实施例三中的玉米出苗情况提取方法的总体精度达到80%,符合研究区玉米实际生长状况,表明利用本发明提供的的作物苗情探测方法,能够在一定程度上反映作物出苗期的出苗情况,为优化农田经营管理提供科学参考。
3)地块NDVI均值与均方根结合,能够在一定程度上反映出地块内作物出苗的茁壮和整齐程度,弥补了以往靠基于像素的差值监测方法和作物全生育期数据划分出苗情况的不足,降低了数据量。
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。
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)
1.一种基于高分一号卫星图像的苗情探测方法,其特征在于,所述苗情探测方法包括:
获取目标检测区域内作物在出苗期的高分一号多光谱影像;所述目标检测区域包括多个地块;
预处理所述高分一号多光谱影像;
根据预处理后的高分一号多光谱影像,计算每个所述地块的归一化差分植被指数的均值以及均方差;
确定地块作物苗情约束条件;
根据所述地块作物苗情约束条件、所述归一化差分植被指数的均值以及均方差,确定每个所述地块的作物苗情信息。
2.根据权利要求1所述的苗情探测方法,其特征在于,所述获取目标检测区域内作物在出苗期的高分一号多光谱影像,具体包括:
获取目标检测区域内作物在出苗期的两景高分一号多光谱影像。
3.根据权利要求2所述的苗情探测方法,其特征在于,所述预处理所述高分一号多光谱影像,具体包括:
分别对两景所述高分一号多光谱影像中的数据进行辐射定标、大气校正及正射校正的预处理操作;
利用PMS传感器携带的2m全色波段分别对两景预处理操作后的高分一号多光谱影像进行图像融合,生成空间分辨率为2m的多光谱图像。
4.根据权利要求1所述的苗情探测方法,其特征在于,所述根据预处理后的高分一号多光谱影像,计算每个所述地块的归一化差分植被指数的均值以及均方差,具体包括:
根据以下公式计算预处理后的高分一号多光谱影像的归一化差分植被指数;所述公式为:
NDVI=(ρNIR-ρR)/(ρNIR+ρR);
其中,NDVI为归一化差分植被指数;ρNIR,ρR分别为近红外波段和红光波段的反射率;
利用Arcgis10.2软件中分区统计功能,以目标检测区域内的地块边界数据为分区数据,以归一化差分植被指数的均值和均方差为统计字段,以任一地块的归一化差分植被指数值为基础,统计不同地块的归一化差分植被指数的均值以及均方差。
5.根据权利要求1所述的苗情探测方法,其特征在于,所述地块作物苗情约束条件包括:均值阈值、均方差阈值以及分位阈值;所述均值阈值为归一化差分植被指数的均值的极小值;所述均方差阈值为归一化差分植被指数的均方差的极大值;所述分位阈值为归一化差分植被指数的百分之十。
6.根据权利要求5所述的苗情探测方法,其特征在于,所述根据所述地块作物苗情约束条件、所述归一化差分植被指数的均值以及均方差,确定每个所述地块的作物苗情信息,具体包括:
当所述归一化差分植被指数的均值小于等于所述均值阈值时,确定所述地块的作物苗情信息为未出苗信息;
当所述归一化差分植被指数的均值大于所述均值阈值且小于所述分位阈值或者所述归一化差分植被指数的均方差大于所述均方差阈值时,确定所述地块的作物苗情信息为出苗不齐信息;
当所述归一化差分植被指数的均值大于等于所述分位阈值且所述归一化差分植被指数的均方差小于等于所述均方差阈值时,确定所述地块的作物苗情信息为出苗齐信息。
7.一种基于高分一号卫星图像的苗情探测系统,其特征在于,所述苗情探测系统包括:
高分一号多光谱影像获取模块,用于获取目标检测区域内作物在出苗期的高分一号多光谱影像;所述目标检测区域包括多个地块;
高分一号多光谱影像预处理模块,用于预处理所述高分一号多光谱影像;
均值和均方差计算模块,用于根据预处理后的高分一号多光谱影像,计算每个所述地块的归一化差分植被指数的均值以及均方差;
地块作物苗情约束条件确定模块,用于确定地块作物苗情约束条件;
作物苗情信息确定模块,用于根据所述地块作物苗情约束条件、所述归一化差分植被指数的均值以及均方差,确定每个所述地块的作物苗情信息。
8.根据权利要求7所述的苗情探测系统,其特征在于,所述均值和均方差计算模块,具体包括:
归一化差分植被指数计算单元,用于采用NDVI=(ρNIR-ρR)/(ρNIR+ρR)计算预处理后的高分一号多光谱影像的归一化差分植被指数;其中,NDVI为归一化差分植被指数;ρNIR,ρR分别为近红外波段和红光波段的反射率;
均值和均方差统计单元,用于利用Arcgis10.2软件中分区统计功能,以目标检测区域内的地块边界数据为分区数据,以归一化差分植被指数的均值和均方差为统计字段,以任一地块的归一化差分植被指数值为基础,统计不同地块的归一化差分植被指数的均值以及均方差。
9.根据权利要求7所述的苗情探测系统,其特征在于,所述地块作物苗情约束条件包括:均值阈值、均方差阈值以及分位阈值;所述均值阈值为归一化差分植被指数的均值的极小值;所述均方差阈值为归一化差分植被指数的均方差的极大值;所述分位阈值为归一化差分植被指数的百分之十。
10.根据权利要求9所述的苗情探测系统,其特征在于,所述作物苗情信息确定模块,具体包括:
未出苗信息确定单元,用于当所述归一化差分植被指数的均值小于等于所述均值阈值时,确定所述地块的作物苗情信息为未出苗信息;
出苗不齐信息确定单元,用于当所述归一化差分植被指数的均值大于所述均值阈值且小于所述分位阈值或者所述归一化差分植被指数的均方差大于所述均方差阈值时,确定所述地块的作物苗情信息为出苗不齐信息;
出苗齐信息确定单元,用于当所述归一化差分植被指数的均值大于等于所述分位阈值且所述归一化差分植被指数的均方差小于等于所述均方差阈值时,确定所述地块的作物苗情信息为出苗齐信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810605300.0A CN109001125B (zh) | 2018-06-13 | 2018-06-13 | 一种基于高分一号卫星图像的苗情探测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810605300.0A CN109001125B (zh) | 2018-06-13 | 2018-06-13 | 一种基于高分一号卫星图像的苗情探测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109001125A true CN109001125A (zh) | 2018-12-14 |
CN109001125B CN109001125B (zh) | 2019-11-15 |
Family
ID=64600719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810605300.0A Active CN109001125B (zh) | 2018-06-13 | 2018-06-13 | 一种基于高分一号卫星图像的苗情探测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109001125B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886094A (zh) * | 2019-01-08 | 2019-06-14 | 中国农业大学 | 一种作物苗情苗势采集分析方法和装置 |
CN112541933A (zh) * | 2020-12-09 | 2021-03-23 | 中国科学院深圳先进技术研究院 | 一种农田边界及种植结构的提取方法 |
CN113139717A (zh) * | 2021-03-31 | 2021-07-20 | 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 |
WO2021258359A1 (zh) * | 2020-06-24 | 2021-12-30 | 深圳市大疆创新科技有限公司 | 确定作物种植信息的方法、装置及计算机存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254174A (zh) * | 2011-07-08 | 2011-11-23 | 中铁第四勘察设计院集团有限公司 | 崩滑体中裸地信息的自动提取方法 |
CN105260729A (zh) * | 2015-11-20 | 2016-01-20 | 武汉大学 | 一种基于随机森林的卫星遥感影像云量计算方法 |
-
2018
- 2018-06-13 CN CN201810605300.0A patent/CN109001125B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254174A (zh) * | 2011-07-08 | 2011-11-23 | 中铁第四勘察设计院集团有限公司 | 崩滑体中裸地信息的自动提取方法 |
CN105260729A (zh) * | 2015-11-20 | 2016-01-20 | 武汉大学 | 一种基于随机森林的卫星遥感影像云量计算方法 |
Non-Patent Citations (3)
Title |
---|
FANJIE KONG等: "《Land Cover Classification Based on Fused Data from GF-1 and MODIS NDVI Time Series》", 《REMOTE SENS》 * |
PENGYU HAO等: "《Potential of multitemporal Gaofen-1 panchromatic/multispectral images for crop classification: case study in Xinjiang Uygur Autonomous Region, China》", 《JOURNAL OF APPLIED REMOTE SENSING》 * |
YI ZHOU等: "《Estimation of Building Density with the Integrated Use of GF-1 PMS and Radarsat-2 Data》", 《REMOTE SENS》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886094A (zh) * | 2019-01-08 | 2019-06-14 | 中国农业大学 | 一种作物苗情苗势采集分析方法和装置 |
WO2021258359A1 (zh) * | 2020-06-24 | 2021-12-30 | 深圳市大疆创新科技有限公司 | 确定作物种植信息的方法、装置及计算机存储介质 |
CN112541933A (zh) * | 2020-12-09 | 2021-03-23 | 中国科学院深圳先进技术研究院 | 一种农田边界及种植结构的提取方法 |
CN113139717A (zh) * | 2021-03-31 | 2021-07-20 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109001125B (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109001125B (zh) | 一种基于高分一号卫星图像的苗情探测方法及系统 | |
Gao et al. | Toward mapping crop progress at field scales through fusion of Landsat and MODIS imagery | |
Xia et al. | Mapping evapotranspiration with high-resolution aircraft imagery over vineyards using one-and two-source modeling schemes | |
Zheng et al. | Detection of rice phenology through time series analysis of ground-based spectral index data | |
Peng et al. | Remote estimation of gross primary productivity in soybean and maize based on total crop chlorophyll content | |
Shang et al. | Mapping spatial variability of crop growth conditions using RapidEye data in Northern Ontario, Canada | |
Cai et al. | Detecting in-season crop nitrogen stress of corn for field trials using UAV-and CubeSat-based multispectral sensing | |
CN105372672B (zh) | 基于时间序列数据的南方冬种作物种植面积提取方法 | |
CN101858971A (zh) | 一种基于modis数据的水稻单产遥感估算方法 | |
Shibayama et al. | Estimating paddy rice leaf area index with fixed point continuous observation of near infrared reflectance using a calibrated digital camera | |
CN113128401B (zh) | 基于光学和雷达遥感数据的区域实际灌溉面积监测方法 | |
Kotsuki et al. | SACRA–a method for the estimation of global high-resolution crop calendars from a satellite-sensed NDVI | |
Hunt Jr et al. | Comparison of stocking rates from remote sensing and geospatial data | |
CN110378926A (zh) | 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法 | |
Beeri et al. | Geographical model for precise agriculture monitoring with real-time remote sensing | |
CN108548793A (zh) | 一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法 | |
Orsini et al. | Testing vegetation index categories as influenced by soil management and nitrogen fertilization in cereal based cropping systems | |
Sivarajan | Estimating yield of irrigated potatoes using aerial and satellite remote sensing | |
Wang et al. | Estimation of leaf area index from high resolution ZY-3 satellite imagery in a catchment dominated by Larix principis-rupprechtii, northern China | |
Hangbin et al. | MODIS data based NDVI Seasonal dynamics in agro-ecosystems of south bank Hangzhouwan bay | |
Wang et al. | Estimating vegetation productivity of urban regions using sun-induced chlorophyll fluorescence data derived from the OCO-2 satellite | |
Yang et al. | Extraction of maize vegetation coverage based on UAV multi-spectral remote sensing and pixel dichotomy | |
ULLAH et al. | Mapping crops from their temporal behavior by integrating Sentinel-2 satellite and ground data | |
Ghebremicael et al. | Estimating the leaf area index (LAI) of black wattle from Landsat ETM+ satellite imagery | |
Rajan | Estimation of crop water use for different cropping systems in the Texas High Plains using remote sensing |
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 |