CN109063553A - 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 - Google Patents
一种土地整治后农田作物生长缺陷区遥感快速诊断方法 Download PDFInfo
- Publication number
- CN109063553A CN109063553A CN201810652786.3A CN201810652786A CN109063553A CN 109063553 A CN109063553 A CN 109063553A CN 201810652786 A CN201810652786 A CN 201810652786A CN 109063553 A CN109063553 A CN 109063553A
- Authority
- CN
- China
- Prior art keywords
- value
- pixel
- ndvi
- remote sensing
- land control
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种土地整治后农田作物生长缺陷区遥感快速诊断方法,其包括:1、获取土地整治后农作物生长季的高分辨率多光谱影像;2、预处理相应的遥感影像,并结合工程施工图裁剪得到整治项目区内所有田块的遥感影像;3、计算各个田块内每个像元的归一化植被指数NDVI;4、进行空间聚类分析;5、分离低值聚类、低值异常两种类型的空间范围,并将其作为土地整治后农作物生长缺陷区。该方法可以快速便捷地实现地整治后农田作物生长缺陷区的检测,为完善土地整治的规划方案和精细后期养护管理提供依据。
Description
技术领域
本发明涉及基于遥感的快速检测领域,具体为一种土地整治后农田作物生长缺陷区遥感 快速诊断方法。
背景技术
为提高农田生产稳定性和提高粮食生产能力,保障国家粮食安全,我国正在大规模开展 土地整治工程。根据全国土地整治规划(2016-2020年),我国将建设4-6亿亩高标准农田, 新补充耕地2000万亩。
土地整治是一项工程密集、对生态环境扰动大的特殊活动。经过土地平整、土壤改良、 灌排沟渠建设后,一些地块耕地地力得到提升,作物长势较好,但部分地块可能因为整治工 程扰动后土体构型破坏、填埋压不实沉降、肥力短期难恢复、排水条件不良等原因,农作物 长势较差,呈现为农作物生长的缺陷区。这些缺陷区需要后期追加和补充相应的工程措施, 从而保证土地整治项目区农田产能得到全面提升。因此,识别土地整治后农田作物生长缺陷 区十分必要。
一般而言,土地整治要求监理或验收单位对土地整治工程质量、耕地地力进行检测。现 行的检测方法主要是采用现场查验的方法,即在土地整治后现场布点采集作物长势、产量数 据,然后通过比较分析来识别土地整治的有效性和耕地产能。近年也有一些单位尝试开发流 动性检测车,例如专利一种适用于土地整治工程的流动检测车,专利公开号:CN203666474U; 现场调查系统,例如一种土地整治工程实地调查系统,专利公开号:CN104731924A;来实现 土地整治各项工程的检测。从现有的技术来看,还存在以下缺点:(1)效率低,通过现场查 验、取样调查、统计分析需要大量的时间,在技术上很难保障农作物生长缺陷区的及时发现 和再整治;(2)成本高,田间实地查验时需要耗费大量的人力、财力,为土地整治工程和后 期管护增加了额外的成本;(3)缺乏空间可视化,在土地整治后,需要识别农田作物生长缺 陷区的空间范围和位置,制备相关图件,供二次土地整治参考,但传统方法难以提供有空间 显示功能的图件。
发明内容
本发明旨在提供一种基于遥感和空间统计的土地整治后农田作物生长缺陷区遥感快速诊 断方法,提供准确、可靠、可利用性较好的检测成果。
本发明解决上述技术问题采用的技术方案是:一种土地整治后农田作物生长缺陷区遥感 快速诊断方法,包括以下步骤:
步骤1)在土地整治后的农作物生长季内,获取覆盖土地整治区的基于卫星、航空摄影或 无人机的高分辨率多光谱遥感影像;
步骤2)预处理所述遥感影像,包括对遥感影像进行大气校正和几何配准,将土地整治项 目区的工程施工图与预处理后的遥感影像叠加在一起,然后利用工程施工图中的所有田块边 界对预处理后的遥感影像进行裁剪,得到土地整治项目区内所有田块的遥感影像;
步骤3)计算所有田块内每个像元的归一化植被指数NDVI,NDVI是近红外与红色通道反 射比值的一种变化形式,是农作物生长状况的最佳指示因子,计算公式为:
NDVI=(NIR-R)/(NIR+R)
式中,NIR代表遥感影像近红外波段的反射率,R代表红光波段的反射率,NDVI取值范围 在-1到1之间,NDVI值越高,表明农作物生长状况越好;在ENVI即The Environmentfor Visualizing Images软件中采用band math功能实现对各个田块每个像元的NDVI值;
步骤4)进行空间聚类分析,计算各个像元NDVI值空间关联的Local Moran’s I指数、 各个像元NDVI值与所有田块NDVI平均值的差值Di、各个像元NDVI值标准化统计量Zi,计算 公式分别为:
式中,Xi、Xj分别为第i、j个像元的NDVI值,为所有田块NDVI的均值,n为像元总数, Wij为像元i和j之间的空间权重,VAR(Ii)是Ii的方差;
当Zi取值在小于-1.96或大于+1.96时,该像元的空间聚类在置信度为95%的水平下没有 显著性,属于“不显著”类型;
当Zi取值在-1.96和+1.96区间时,该像元的空间聚类在置信度为95%的水平下有显著性, 对于空间聚类有显著性的像元,Ii和Di均大于0时,该像元属于高值聚类HH,此时该像元包 含同样高的NDVI的邻近像元;Ii大于0且Di小于0时,该像元属于低值聚类LL,此时该像元 包含同样低的NDVI的邻近像元;Ii和Di均小于0时,该像元属于低值被高值围绕的异常值LH, 此时该像元的邻近像元的NDVI值都较高;Ii小于0且Di大于0,该像元属于高值被低值围绕 的异常值HL,此时该像元的邻近像元的NDVI值都较低;
在上述5种类型中,低值聚类LL、低值被高值围绕的异常值LH区域长势显著低于其他地 区,是作物生长的缺陷区;
步骤5、分离低值聚类LL、低值被高值围绕的异常值LH两种类型的空间范围,并将其作 为土地整治后农田作物生长缺陷区,将其单独显示在地图上,供二次土地整治工程施工时查 阅、定位。
本发明与现有技术相比的优点在于:
(1)本发明可实现土地整治后农田作物生长缺陷区的快速检测。本发明基于遥感数据和 空间分析方法,全过程基于计算机处理,可以快速地、便捷地完成检测工作。
(2)本发明可实现空间显示功能。土地整治的规划、设计、施工需要明确缺陷区的位置、 范围和面积。本发明最终提供一个地图来显示缺陷区,具有较高的实用价值。
附图说明
图1是土地整治后农田作物生长缺陷区遥感快速检测的技术流程图。
图2是本发明一个实施例中覆盖土地整治区的原始高分遥感影像。
图3是本发明一个实施例中土地整治区所有田块的高分遥感影像。
图4是本发明一个实施例中土地整治区所有田块的NDVI空间分布。
图5是本发明一个实施例中土地整治区所有田块的NDVI空间聚类模式。
图6是本发明一个实施例中土地整治后农田作物生长缺陷区的检测结果。
具体实施方式
实施例1
以江苏省金坛市某地基本农田土地整治为例,对本发明实施作进一步详细说明。该区土 地整治工程完成于2017年5月,随后种植水稻。以下实例用于说明本发明,但不用来限制本 发明的范围。
如图1,本发明提供了一种土地整治后农田作物生长缺陷区遥感快速诊断方法,具体实施 步骤如下:
步骤1)确定检测区域,在土地整治后第一季水稻生长季(抽穗期)获取1期基于Geo-eye-01卫星的高分遥感影像,多光谱空间分辨率为1.65米,有蓝、绿、红、近红外四 个波段,遥感数据获取时间为2017年8月23日,原始遥感影像如图2所示。
步骤2)预处理所述遥感影像,包括:对Geo-eye-01遥感影像进行大气校正、几何配准、 研究区裁剪的预处理操作。然后将土地整治项目区的工程施工图与预处理后的遥感影像叠加 在一起,利用工程施工图中所有田块的边界对预处理后的遥感影像进行裁剪,得到土地整治 项目区内所有田块的遥感影像,以上为成熟的遥感影像处理技术,此处不再详细说明,结果 如图3所示。
步骤3)利用ENVI(The Environment for Visualizing Images)软件中采用bandmath 功能计算得到所有田块的归一化植被指数NDVI值,如图4所示,NDVI取值在0.89到0.32 之间。
步骤4)对检测区域的NDVI进行空间聚类,聚类使用ArcGIS的聚类分析模块实现。总计 得到不显著(区内各个像元的Zi取值全部小于-1.96或大于+1.96时)、低值聚集(区内各个 像元的Zi取值全部介于-1.96到+1.96之间,且Ii大于0,且Di小于0)、高值聚集(区内各个像元的Zi取值全部介于-1.96到+1.96之间,且Ii和Di都大于0)、低值异常(区内各个像 元的Zi取值全部介于-1.96到+1.96之间,且Ii和Di均小于0)、高值异常(区内各个像元的Zi取值全部介于-1.96到+1.96之间,且Ii小于0,且Di大于0)五种类型区,其中,不显著区占主 要部分。检测区存在大面积的低值聚集区,主要是坑塘填埋为水田区、土方开挖区域。结果 如图5所示。
步骤5)将低值聚集和低值异常区提取出来,作为土地整治后农田作物生长缺陷,结果如 图6所示。检测到的缺陷区总面积为20519.73m2,占整治区总面积的14.81%,主要分布在土 地整治区的中部和东南部。为确保土地整治区耕地地力和农田产能全面提升,这些区域需要 二次整治措施,如土地平整、土壤改良等措施。本图件可作为二次整治规划、设计、施工的 基础图件。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的, 不能理解为对本发明的限制,本领域的普通技术人员在不能脱离本发明的原理和宗旨的情况 下在本发明的范围内对上述实施例进行变化、修改、替换和变型。
Claims (2)
1.一种土地整治后农田作物生长缺陷区遥感快速诊断方法,其特征是,包括以下步骤:
步骤1)在土地整治后的农作物生长季内,获取覆盖土地整治区的基于卫星、航空摄影或无人机的高分辨率多光谱遥感影像;
步骤2)预处理所述遥感影像,包括对遥感影像进行大气校正和几何配准,将土地整治项目区的工程施工图与预处理后的遥感影像叠加在一起,然后利用工程施工图中的所有田块边界对预处理后的遥感影像进行裁剪,得到土地整治项目区内所有田块的遥感影像;
步骤3)计算所有田块内每个像元的归一化植被指数NDVI,NDVI是近红外与红色通道反射比值的一种变化形式,是农作物生长状况的最佳指示因子,计算公式为:
NDVI=(NIR-R)/(NIR+R)
式中,NIR代表遥感影像近红外波段的反射率,R代表红光波段的反射率,NDVI取值范围在-1到1之间,NDVI值越高,表明农作物生长状况越好;在ENVI即The Environment forVisualizing Images软件中采用band math功能实现对各个田块每个像元的NDVI值;
步骤4)进行空间聚类分析,计算各个像元NDVI值空间关联的Local Moran’s I指数、各个像元NDVI值与所有田块NDVI平均值的差值Di、各个像元NDVI值标准化统计量Zi,计算公式分别为:
式中,Xi、Xj分别为第i、j个像元的NDVI值,为所有田块NDVI的均值,n为像元总数,Wij为像元i和j之间的空间权重,VAR(Ii)是Ii的方差;
当Zi取值在小于-1.96或大于+1.96时,该像元的空间聚类在置信度为95%的水平下没有显著性,属于“不显著”类型;
当Zi取值在-1.96和+1.96区间时,该像元的空间聚类在置信度为95%的水平下有显著性,对于空间聚类有显著性的像元,又分为高值聚类HH、低值聚类LL,低值被高值围绕的异常值LH和高值被低值围绕的异常值HL;
在上述5种类型中,低值聚类LL、低值被高值围绕的异常值LH区域长势显著低于其他地区,是作物生长的缺陷区;
步骤5、分离低值聚类LL、低值被高值围绕的异常值LH两种类型的空间范围,并将其作为土地整治后农田作物生长缺陷区,将其单独显示在地图上,供二次土地整治工程施工时查阅、定位。
2.根据权利要求1所述的一种土地整治后农田作物生长缺陷区遥感快速诊断方法,其特征是,步骤4)中,对于空间聚类有显著性的像元,Ii和Di均大于0时,该像元属于高值聚类HH,此时该像元包含同样高的NDVI的邻近像元;Ii大于0且Di小于0时,该像元属于低值聚类LL,此时该像元包含同样低的NDVI的邻近像元;Ii和Di均小于0时,该像元属于低值被高值围绕的异常值LH,此时该像元的邻近像元的NDVI值都较高;Ii小于0且Di大于0,该像元属于高值被低值围绕的异常值HL,此时该像元的邻近像元的NDVI值都较低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810652786.3A CN109063553B (zh) | 2018-06-22 | 2018-06-22 | 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810652786.3A CN109063553B (zh) | 2018-06-22 | 2018-06-22 | 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063553A true CN109063553A (zh) | 2018-12-21 |
CN109063553B CN109063553B (zh) | 2021-06-25 |
Family
ID=64820853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810652786.3A Active CN109063553B (zh) | 2018-06-22 | 2018-06-22 | 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063553B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901240A (zh) * | 2019-04-03 | 2019-06-18 | 中国矿业大学 | 一种探测露头残煤自燃区域的方法 |
CN109916839A (zh) * | 2019-04-03 | 2019-06-21 | 中国矿业大学 | 一种基于高分遥感影像的露头残煤燃烧中心精准探测方法 |
CN110110641A (zh) * | 2019-04-29 | 2019-08-09 | 中国水利水电科学研究院 | 一种流域性洪涝场景的无人机监测方法及系统 |
CN110210990A (zh) * | 2019-05-30 | 2019-09-06 | 河南省农业科学院农业经济与信息研究所 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
CN110264010A (zh) * | 2019-06-26 | 2019-09-20 | 国网江西省电力有限公司经济技术研究院 | 新型乡村电力饱和负荷预测方法 |
CN110598514A (zh) * | 2019-06-10 | 2019-12-20 | 南京大学 | 一种土地整治项目区地块尺度农作物播种面积监测方法 |
WO2020215148A1 (en) * | 2019-04-26 | 2020-10-29 | Farmers Edge Inc. | Refined average for zoning method and system |
CN113052102A (zh) * | 2021-03-31 | 2021-06-29 | 北京农业信息技术研究中心 | 基于无人机多光谱影像的农田管理分区方法及装置 |
CN113112159A (zh) * | 2021-04-16 | 2021-07-13 | 河海大学 | 一种基于npp对大尺度区域耕地产能综合影响的识别方法 |
CN117378338A (zh) * | 2023-12-12 | 2024-01-12 | 潍坊信博理化检测有限公司 | 一种植物施肥监控管理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103077A (zh) * | 2009-12-16 | 2011-06-22 | 中国科学院沈阳应用生态研究所 | 一种基于modis数据的农业干旱监测方法 |
CN108020511A (zh) * | 2016-11-01 | 2018-05-11 | 中国科学院遥感与数字地球研究所 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
CN108170926A (zh) * | 2017-12-12 | 2018-06-15 | 伊犁师范学院 | 一种河谷草地退化情况的信息数据采集及分析方法 |
-
2018
- 2018-06-22 CN CN201810652786.3A patent/CN109063553B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103077A (zh) * | 2009-12-16 | 2011-06-22 | 中国科学院沈阳应用生态研究所 | 一种基于modis数据的农业干旱监测方法 |
CN108020511A (zh) * | 2016-11-01 | 2018-05-11 | 中国科学院遥感与数字地球研究所 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
CN108170926A (zh) * | 2017-12-12 | 2018-06-15 | 伊犁师范学院 | 一种河谷草地退化情况的信息数据采集及分析方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109916839A (zh) * | 2019-04-03 | 2019-06-21 | 中国矿业大学 | 一种基于高分遥感影像的露头残煤燃烧中心精准探测方法 |
CN109901240A (zh) * | 2019-04-03 | 2019-06-18 | 中国矿业大学 | 一种探测露头残煤自燃区域的方法 |
CN109916839B (zh) * | 2019-04-03 | 2021-03-02 | 中国矿业大学 | 一种基于高分遥感影像的露头残煤燃烧中心精准探测方法 |
US11409982B2 (en) | 2019-04-26 | 2022-08-09 | Farmers Edge Inc. | Refined average for zoning method and system |
WO2020215148A1 (en) * | 2019-04-26 | 2020-10-29 | Farmers Edge Inc. | Refined average for zoning method and system |
CN110110641B (zh) * | 2019-04-29 | 2020-11-27 | 中国水利水电科学研究院 | 一种流域性洪涝场景的无人机监测方法及系统 |
CN110110641A (zh) * | 2019-04-29 | 2019-08-09 | 中国水利水电科学研究院 | 一种流域性洪涝场景的无人机监测方法及系统 |
CN110210990A (zh) * | 2019-05-30 | 2019-09-06 | 河南省农业科学院农业经济与信息研究所 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
CN110210990B (zh) * | 2019-05-30 | 2021-06-01 | 河南省农业科学院农业经济与信息研究所 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
CN110598514A (zh) * | 2019-06-10 | 2019-12-20 | 南京大学 | 一种土地整治项目区地块尺度农作物播种面积监测方法 |
CN110264010A (zh) * | 2019-06-26 | 2019-09-20 | 国网江西省电力有限公司经济技术研究院 | 新型乡村电力饱和负荷预测方法 |
CN113052102A (zh) * | 2021-03-31 | 2021-06-29 | 北京农业信息技术研究中心 | 基于无人机多光谱影像的农田管理分区方法及装置 |
CN113112159A (zh) * | 2021-04-16 | 2021-07-13 | 河海大学 | 一种基于npp对大尺度区域耕地产能综合影响的识别方法 |
CN113112159B (zh) * | 2021-04-16 | 2022-08-16 | 河海大学 | 一种基于npp对大尺度区域耕地产能综合影响的识别方法 |
CN117378338A (zh) * | 2023-12-12 | 2024-01-12 | 潍坊信博理化检测有限公司 | 一种植物施肥监控管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109063553B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063553A (zh) | 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 | |
Pan et al. | Mapping cropping intensity in Huaihe basin using phenology algorithm, all Sentinel-2 and Landsat images in Google Earth Engine | |
Zhou et al. | Perspective of Chinese GF-1 high-resolution satellite data in agricultural remote sensing monitoring | |
CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
Zhang et al. | Remote sensing research issues of the national land use change program of China | |
CN104915674A (zh) | Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法 | |
CN105787457A (zh) | 一种modis卫星集成dem提高植被分类遥感精度的估算方法 | |
CN105740759A (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
CN105303063A (zh) | 融合物候数据与遥感数据的叶面积指数反演方法及系统 | |
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 | |
Zhang et al. | Mapping the agricultural land use of the North China Plain in 2002 and 2012 | |
CN113128401A (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 | |
Deng et al. | Winter wheat planting area extraction technique using multi-temporal remote sensing images based on field parcel | |
CN115468917A (zh) | 基于高分辨率遥感提取农田地块作物信息的方法及系统 | |
CN110598514A (zh) | 一种土地整治项目区地块尺度农作物播种面积监测方法 | |
Fan et al. | Large-scale Rice mapping based on Google earth engine and multi-source remote sensing images | |
Peng et al. | Remote sensing monitoring of tobacco field based on phenological characteristics and time series image—A case study of Chengjiang County, Yunnan Province, China | |
CN115830464A (zh) | 基于多源数据的高原山地农业大棚自动提取方法 | |
Ju et al. | Application of GEE in cotton monitoring of the 7th division of Xinjiang Production and Construction Corps | |
Qian et al. | Quantitative monitoring of sugarcane typhoon disaster based on multi-source remote sensing data | |
Li et al. | Application of Multi-Source Remote Sensing Image in Yunnan Province Grassland Resources Investigation | |
Feng et al. | Extraction of planting information of winter wheat in a Province based on GF-1/WFV images | |
CN116206197B (zh) | 一种面向耕地信息提取的地学分区方法 | |
Deng et al. | Abandoned Farmland Extraction and Feature Analysis Based on Multi-Sensor Fused Normalized Difference Vegetation Index Time Series—A Case Study in Western Mianchi County | |
Jia et al. | Long Image Time Series for Crop Extraction Based on the Automatically Generated Samples Algorithm |
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 |