CN109141371B - 冬小麦受灾识别方法、装置及设备 - Google Patents
冬小麦受灾识别方法、装置及设备 Download PDFInfo
- Publication number
- CN109141371B CN109141371B CN201810957522.9A CN201810957522A CN109141371B CN 109141371 B CN109141371 B CN 109141371B CN 201810957522 A CN201810957522 A CN 201810957522A CN 109141371 B CN109141371 B CN 109141371B
- Authority
- CN
- China
- Prior art keywords
- current
- data
- period
- winter wheat
- savi
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- 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
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Alarm Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种冬小麦受灾识别方法、装置及设备,其中,该方法首先获取目标区域的当前物候期内的遥感影像数据,得到遥感影像数据中每个像元的当前SAVI时序数据;然后对该当前SAVI时序数据进行滤波,构建当前SAVI时序曲线;并从该当前SAVI时序曲线中提取当前物候期内数据,根据当前物候期内数据确定获取的遥感影像数据是否包含冬小麦数据;最后监测该冬小麦在返青期后的当前SAVI时序曲线的变化,如果当前SAVI时序曲线偏离标准SAVI时序曲线,确定冬小麦已遭受灾害。本发明采用遥感影像数据作为数据源,监测冬小麦的受灾程度,提高了灾害监测的精确度和实时性,以帮助及时采取灾害预防措施。
Description
技术领域
本发明涉及农业遥感技术领域,尤其是涉及一种冬小麦受灾识别方法、装置及设备。
背景技术
冬小麦在生长发育的过程中易遭受低温冻害和旱灾,从而影响冬小麦植株的正常生长,其中苗期的越冬阶段是北部冬麦区冻害的主要时期,起身-拔节到孕穗期是黄淮冬麦区春季霜冻害发生的主要时期;根据受灾情况,冬小麦也有不同受灾等级,目前对冬小麦灾害观测主要是利用人工现场识别、调查的方法,灾害监测的精确度和实时性较差。
发明内容
有鉴于此,本发明的目的在于提供一种冬小麦受灾识别方法、装置及设备,以提高冬小麦灾害监测的精确度和实时性,以帮助及时采取灾害预防措施。
第一方面,本发明实施例提供了一种冬小麦受灾识别方法,该方法包括:获取目标区域的当前物候期内的遥感影像数据,得到遥感影像数据中每个像元的当前SAVI时序数据;对当前SAVI时序数据进行滤波,构建当前SAVI时序曲线;从当前SAVI时序曲线中提取当前物候期内数据,根据当前物候期内数据确定获取的遥感影像数据是否包含冬小麦数据;若遥感影像数据包含冬小麦数据,则根据当前物候期内数据中的种植时间和返青期之前物候期时间间隔,确定遥感影像数据中冬小麦的种植范围;监测冬小麦在返青期后的当前SAVI时序曲线的变化,如果当前SAVI时序曲线偏离标准SAVI时序曲线,确定冬小麦已遭受灾害。
进一步,获取目标区域的当前物候期内的遥感影像数据的步骤之前,该方法还包括:获取冬小麦的标准物候期内数据、生长期天数和标准SAVI时序曲线;标准物候期包括返青期、抽穗期和成熟期。
进一步,获取目标区域的当前物候期内的遥感影像数据,得到遥感影像数据中每个像元的当前SAVI时序数据的步骤,包括:获取目标区域的当前物候期内的遥感影像数据;对遥感影像数据进行辐射矫正、大气校正和几何校正处理;获取遥感影像数据中每个像元的当前SAVI值,得到每个像元的当前SAVI时序数据。
进一步,从当前SAVI时序曲线中提取当前物候期内数据,根据当前物候期内数据确定获取的遥感影像数据是否包含冬小麦数据的步骤,包括:采用最大曲率法从当前SAVI时序曲线中提取当前物候期内数据;计算当前物候期内数据的物候期时间间隔和生长期天数;将当前物候期内数据的物候期时间间隔与冬小麦的标准物候期时间间隔比对,得到第一比对差值,将当前物候期内数据的生长期天数与冬小麦的生长期天数比对,得到第二比对差值,如果第一比对差值小于设定的比对间隔阈值或者第二比对差值小于设定的比对天数阈值,确定遥感影像数据包含冬小麦数据。
进一步,上述采用最大曲率法提取从当前SAVI时序曲线中提取的当前物候期内数据的步骤,包括:计算当前SAVI时序曲线的两个局部极值点和一个最大值点,两个局部极值点分别对应冬小麦的返青期和成熟期,最大值点对应冬小麦的抽穗期;根据两个局部极值点和最大值点,确定冬小麦物候期内数据;物候期内数据包括物候期时间间隔和生长期天数。
进一步,上述方法还包括:在坐标系中X轴的取值相同时,如果当前SAVI时序曲线的Y轴的值小于标准SAVI时序曲线的Y轴的值,则根据预先设定的差值阈值确定所述冬小麦遭受灾害的程度,根据当前气象数据确定所述冬小麦遭受灾害的类型。
进一步,上述冬小麦遭受灾害的程度包括:受灾级、成灾级和绝收级。
第二方面,本发明实施例还提供一种冬小麦受灾识别装置,该装置包括:数据获取模块,用于获取目标区域的当前物候期内的遥感影像数据,得到遥感影像数据中每个像元的当前SAVI时序数据;曲线构建模块,用于对当前SAVI时序数据进行滤波,构建当前SAVI时序曲线;判定模块,用于从当前SAVI时序曲线中提取当前物候期内数据,根据当前物候期内数据确定获取的遥感影像数据是否包含冬小麦数据;种植范围确定模块,用于若遥感影像数据包含冬小麦数据,则根据当前物候期内数据中的种植时间和返青期之前物候期时间间隔,确定遥感影像数据中冬小麦的种植范围;监测模块,用于监测冬小麦在返青期后的当前SAVI时序曲线的变化,如果当前SAVI时序曲线偏离标准SAVI时序曲线,确定冬小麦已遭受灾害。
进一步,在数据获取模块之前,上述装置还包括:冬小麦数据获取模块,用于获取冬小麦的标准物候期内数据、生长期天数和标准SAVI时序曲线;标准物候期包括返青期、抽穗期和成熟期。
第三方面,本发明实施例还提供一种冬小麦受灾识别设备,该设备包括遥感装置,该遥感装置用于获取第一方面的方法需要的目标区域的当前物候期内的遥感影像数据。
本发明实施例带来了以下有益效果:
本发明提供了一种冬小麦受灾识别方法、装置及设备,其中,该方法首先获取目标区域的当前物候期内的遥感影像数据,得到遥感影像数据中每个像元的当前SAVI时序数据;然后对该当前SAVI时序数据进行滤波,构建当前SAVI时序曲线;并从该当前SAVI时序曲线中提取当前物候期内数据,根据当前物候期内数据确定获取的遥感影像数据是否包含冬小麦数据;最后监测该冬小麦在返青期后的当前SAVI时序曲线的变化,如果当前SAVI时序曲线偏离标准SAVI时序曲线,确定冬小麦已遭受灾害。本发明采用遥感影像数据作为数据源,监测冬小麦的受灾程度,提高了灾害监测的精确度和实时性,以帮助及时采取灾害预防措施。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种冬小麦受灾识别方法的流程图;
图2为本发明实施例提供的一种冬小麦受灾识别方法中SAVI时序数据在Savitzky-Golay滤波前后的对比图;
图3为本发明实施例提供的另一种冬小麦受灾识别方法中获得当前SAVI时序数据的流程图;
图4为本发明实施例提供的另一种冬小麦受灾识别方法中获得确定冬小麦数据的流程图;
图5为本发明实施例提供的另一种冬小麦受灾识别方法中利用最大曲率法提取物候期内数据的示意图;
图6为本发明实施例提供的另一种冬小麦受灾识别方法中确定受灾程度的示意图;
图7为本发明实施例提供的三种滤波方法对SAVI时序数据进行滤波的示意图;
图8为本发明实施例提供的一种冬小麦受灾识别装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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。
目前对冬小麦灾害观测主要是采用人工现场识别、调查方法,导致灾害监测精度低,及时性和准确性较差,基于此,本发明实施例提供的一种冬小麦受灾识别方法、装置及设备,该技术可以应用在冬小麦或者其他农作物的受灾识别场景中。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种冬小麦受灾识别方法进行详细介绍。
参见图1所示的一种冬小麦受灾识别方法的流程图;该方法包括:
步骤S102,获取目标区域的当前物候期内的遥感影像数据,得到该遥感影像数据中每个像元的当前SAVI(Soil Adjusted Vegetation Index,土壤调节植被指数)时序数据;
上述遥感影像数据是GF-4(高分四号卫星)数据,上述高分四号卫星是地球同步轨道遥感卫星,采用面阵凝视方式成像,具备可见光、多光谱和红外成像能力,可见光和多光谱分辨率优于50m,红外谱段分辨率优于400m;GF-4卫星遥感影像,通常可对植被类型进行信息提取。
上述SAVI时序数据,通常可通过大量观测数据提出土壤调节植被指数,以减小土壤背景对观测植被的影响,也就是说SAVI可以消除土壤对遥感影像反射率的影响。
其中,SAVI是红光波段和近红外波段,可通过下述公式获得:
SAVI=(ρNIR-ρR)*(1+L)/(ρNIR+ρR+L)
式中,ρNIR为近红外波段反射率;ρR为红光波段反射率;L是随着植被密度变化的参数,取值范围从0-1,当植被覆盖度很高时L的取值为0,当植被覆盖度很低时L的取值为1;其中,对于其研究的冬小麦,L的取值为0.5时SAVI消除土壤反射率的效果较好。
步骤S104,对上述当前SAVI时序数据进行滤波,构建当前SAVI时序曲线;
采用Savitzky-Golay滤波法对当前SAVI时序数据进行滤波,选取2013年9月至2014年6月这一时间段的SAVI时序数据在Savitzky-Golay滤波前后的对比图如图2所示,其中,Savitzky-Golay滤波法是一种移动窗口的加权平均算法,通过在滑动窗口内对给定高阶多项式的最小二乘拟合得出加权系数,通过该加权系数拟合成SAVI时序曲线,得到当前SAVI时序曲线。
其中SAVI时序平滑的最小二乘卷积法可使用公式:
其中,Nj+1是SAVI原始值,是拟合值,Ci是第i个SAVI的滤波系数,(2m+1)是指平滑窗口的大小,j是指SAVI时序数据中的第j个数据;平滑数组包括有(2m+1)个点,m为平滑窗口大小的一半。通过实验可证明,平滑多项式的次数值设置为2,平滑窗口设置为4时,能够获得最佳的拟合效果;为了进一步消除云的影响,可进行2次滤波。
步骤S106,从当前SAVI时序曲线中提取当前物候期内数据,根据该当前物候期内数据确定获取的遥感影像数据是否包含冬小麦数据;
上述当前物候期内数据包括种植时间、物候期时间间隔等;将提取到的物候期时间间隔、生长期天数分别与标准的冬小麦物候期时间间隔、生长期天数作对比,得到两个差值,如果这两个差值在设定的阈值范围内,则确定获取的遥感影像数据包含冬小麦数据,进而可以确定冬小麦的种植范围。
步骤S108,若遥感影像数据包含冬小麦数据,则根据当前物候期内数据中的种植时间和返青期之前物候期时间间隔,确定遥感影像数据中冬小麦的种植范围;
根据获取目标区域的当前物候期内的遥感影像数据中种植时间和目标区域中农作物在返青期之前物候期时间间隔,可以确定目前区域中冬小麦的种植区域,也就是确定冬小麦的种植范围。
步骤S110,监测冬小麦在返青期后的当前SAVI时序曲线的变化,如果该当前SAVI时序曲线偏离标准SAVI时序曲线,确定该冬小麦已遭受灾害。
如果上述当前SAVI时序曲线随着时间的进行,其幅度一直低于标准SAVI时序曲线的幅度,且形成了偏离差值,则可根据预设的偏离阈值并结合当前气象数据判断冬小麦可能遭受的灾害类型;通常情况下,偏离差值与预设的偏离阈值相差越多,冬小麦的受灾程度越严重,其中偏离阈值可以由农业监测站点观测数据统计分析得到;冬小麦遭受的灾害类型可以分为冻害和旱灾,可以根据当前气象数据判断冬小麦遭受的灾害类型,通常冻害一般发生在4月初,旱灾一般发生在5月。
本实施例提供了一种冬小麦受灾识别方法,该方法首先获取目标区域的当前物候期内的遥感影像数据,得到遥感影像数据中每个像元的当前SAVI时序数据;然后对该当前SAVI时序数据进行滤波,构建当前SAVI时序曲线;并从该当前SAVI时序曲线中提取当前物候期内数据,根据当前物候期内数据确定获取的遥感影像数据是否包含冬小麦数据;最后监测该冬小麦在返青期后的当前SAVI时序曲线的变化,如果当前SAVI时序曲线偏离标准SAVI时序曲线,确定冬小麦已遭受灾害。该方法采用遥感影像数据作为数据源,监测冬小麦的受灾程度,提高了灾害监测的精确度和实时性,以帮助及时采取灾害预防措施。
本发明实施例还提供了另一种冬小麦受灾识别方法,该方法在图1中所示方法基础上实现;在获取目标区域的当前物候期内的遥感影像数据之前,该方法还包括获取冬小麦的标准物候期内数据、生长期天数和标准SAVI时序曲线;该标准物候期包括返青期、抽穗期和成熟期。
参见图3所示的另一种冬小麦受灾识别方法中获得当前SAVI时序数据的流程图;获取目标区域的当前物候期内的遥感影像数据,得到遥感影像数据中每个像元的当前SAVI时序数据的具体步骤如下:
步骤S302,获取目标区域的当前物候期内的遥感影像数据;
实时获取目标区域内农作物当前物候期内的GF-4数据(相当于上述遥感影像数据),将该数据作为监测冬小麦的数据源;上述获取数据的遥感卫星的空间分辨率为50m,相对于MODIS较高,反应植被的能力较强。
上述MODIS是搭载在terra和aqua卫星上的一个重要的传感器,是卫星上唯一将实时观测数据通过x波段向全世界直接广播,并可以免费接收数据并无偿使用的星载仪器。
步骤S304,对上述遥感影像数据进行辐射矫正、大气校正和几何校正处理;
上述辐射矫正(radiometric correction),通常是指对由于外界因素,数据获取和传输系统产生的系统的、随机的辐射失真或者畸变进行的校正,消除或者改正因辐射误差而引起影像畸变的过程;其中,辐射误差产生的原因可以分为传感器响应特性、太阳辐射情况以及大气传输情况等。
上述大气校正,通常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。
上述几何校正,通常是指通过一系列的数学模型来改正和消除遥感影像成像时因摄影材料变形、物镜畸变、大气折光、地球曲率、地球自转、地形起伏等因素导致的原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中的表达要求不一致时产生的变形。
步骤S306,获取遥感影像数据中每个像元的当前SAVI值,得到每个像元的当前SAVI时序数据。
上述像元,可称为像素点或者像元点,即影像单元(picture element);通常情况下,像元是组成数字化影像的最小单元;在遥感数据采集,如扫描成像时,它是传感器对地面景物进行扫描采样的最小单元;同时,像元也可是构成遥感数字图像的基本单元,是遥感成像过程中的采样点。
参见图4所示的另一种冬小麦受灾识别方法中获得确定冬小麦数据的流程图;从当前SAVI时序曲线中提取当前物候期内数据,根据该当前物候期内数据确定获取的遥感影像数据是否包含冬小麦数据的具体步骤如下所示:
步骤S402,采用最大曲率法从当前SAVI时序曲线中提取当前物候期内数据;
最大曲率法可确定物候期内数据,通过SAVI时序曲线,计算曲线的局部最大极值,以确定物候期内数据;其中曲率K的计算方式如下公式所示:
式中,v(t)为SAVI时序曲线的公式,v(t)′是v(t)随着时间t的一阶导数,v(t)″为时间t二阶导。
步骤S404,计算当前物候期内数据的物候期时间间隔和生长期天数;
在冬小麦的生长周期内,从越冬期结束到冬小麦收获,当前SAVI时序曲线产生两个曲率局部极大值点和一个SAVI最大值点。
计算当前SAVI时序曲线的两个局部极值点和一个最大值点,两个局部极值点分别对应冬小麦的返青期和成熟期,最大值点对应所述冬小麦的抽穗期;根据两个局部极值点和最大值点,确定冬小麦物候期内数据;该物候期内数据包括物候期时间间隔和生长期天数。
依据这些极值点确定作物返青期、抽穗期以及成熟期。图5是利用最大曲率法提取物候期内数据的示意图,其中,实线表示拟合当前SAVI时序曲线,虚线表示每个SAVI值对应的曲率,黑色圆点处可表示为存在局部极大值点和最大值点对应的物候期。
步骤S406,将当前物候期内数据的物候期时间间隔与冬小麦的标准物候期时间间隔比对,得到第一比对差值,将当前物候期内数据的生长期天数与冬小麦的生长期天数比对,得到第二比对差值,如果第一比对差值小于设定的比对间隔阈值或者第二比对差值小于设定的比对天数阈值,确定遥感影像数据包含冬小麦数据。
其中阈值的设定是基于多年实测物候数据进行统计分析获得,可精确反应同类冬小麦物候的变异情况。
本实施例提供的另一种冬小麦受灾识别方法,利用SAVI时序曲线来减小土壤背景影响,提高了数据的提取精度,从而可以提前了解植被密度,能够更好优化精度;遥感影像数据获取的SAVI时间序列可以构建连续的日生长曲线,并能够精确计算冬小麦的物候期(例如,可精确到日);该方法充分利用了冬小麦关键物候期与其他农作物的差异,可以精确地监测冬小麦的受灾情况。
本发明实施例还提供了另一种冬小麦受灾识别方法,该方法在图1中所示方法基础上实现;如图6所示为另一种冬小麦受灾识别方法中确定受灾程度的示意图;该方法在坐标系中X轴的取值相同时,如果所述当前SAVI时序曲线的Y轴的值小于标准SAVI时序曲线的Y轴的值,则根据预先设定的差值阈值确定冬小麦遭受灾害的程度,根据当前气象数据确定冬小麦遭受灾害的类型。
进一步地,上述冬小麦遭受灾害的程度包括:受灾级、成灾级和绝收级。
如图6所示,随着时间的进行,当前SAVI时序曲线的Y轴的值一直小于标准SAVI时序曲线的Y轴的值时,确定冬小麦已遭受灾害;通过当前SAVI时序曲线的Y轴的值和标准SAVI时序曲线的Y轴的值,得到一个差值,该差值与差值阈值相差越多,说明冬小麦的受灾程度越严重,也就是说当前SAVI时序曲线距离标准SAVI时序曲线越远,冬小麦的受灾程度越严重,受灾等级从低到高依次为受灾级、成灾级和绝收级。
其中,差值阈值是由农业监测站点观测数据统计分析得到的;上述冬小麦的受灾程度再结合当前的气象数据可判断冬小麦的灾害类型,进而进行灾害程度预估,并采取相应的救灾措施。
其中,灾害类型可以为冬小麦低温冻害和冬小麦旱灾;其中,冬小麦低温冻害指冬小麦植株遭受零度以下的低温作用(指植物体温),器官或组织细胞结冰而受到冻伤,植株正常生长发育受到严重影响甚至死亡。冬小麦低温冻害影响时期划分为苗期、起身-拔节期、孕穗期(相当于上述抽穗期),其中苗期的越冬阶段是北部冬麦区冻害的主要时期,起身-拔节到孕穗期是黄淮冬麦区春季霜冻害发生的主要时期。
上述冬小麦旱灾指冬小麦因遭受干旱灾害,冬小麦正常生长发育受到严重影响甚至死亡,并最终导致减产的现象。北部冬麦区冬季严寒漫长,土壤出现稳定冻层,表土因反复融冻常形成风干土层,加之冬前幼穗一般不会分化,冬季完全处于休眠状态;而黄淮麦区冬季稍短,随冷空气活动温度起伏,麦苗不完全停止生长,处于不稳定休眠状态。
本实施例提供的方法属于农业遥感、农业保险领域,涉及基于时间序列的遥感影像冬小麦灾害识别与提取。充分利用了冬小麦周期内关键物候期与其他土地覆被类型的差异性,根据返青期后冬小麦生长曲线偏离程度和偏离时间判断冬小麦受灾程度和灾害类型,提高了灾害监测的精度,并且保证了及时、准确的了解冬小麦的种植情况。
参见如图7所示的三种滤波方法对SAVI时序数据进行滤波的示意图;从该示意图中三种滤波方法分别为Savitzky-Golay滤波、Gaussian滤波和Double Logistic滤波。
选取2013年9月至2014年6月这一时间段,分别采用上述三种滤波方法对SAVI时序数据进行滤波,提取该时间段内的遥感影像数据中像元的SAVI值,并比较三种滤波效果,结果如图7所示。
对比SAVI时序数据重构的三种滤波结果,以及未进行滤波的SAVI原始数据,我们观察到,Gaussian滤波以及Double Logistic滤波在6月这个时间段的曲线平滑效果并不理想,与冬小麦的实际生长周期特征不相符;6月初,冬小麦进入成熟期,进而陆续收割冬小麦,开始种植玉米,从图中可以看出有一个迅速下降又上升的波谷;其中,Gaussian滤波及Double Logistic滤波对曲线凹部低值的保留不理想,而Savitzky-Golay滤波却能很好的保留这个曲线特征;鉴于Savitzky-Golay滤波简单而可靠的特性,选择SG滤波(相当于上述Savitzky-Golay滤波)方法对冬小麦进行SAVI时序数据去噪。相比于其他的去噪算法,SG滤波能有效的保留极值点,例如最大值、最小值。
综上所述,SG滤波方法与原始数据最为贴合,并且可以保留极值点和最大值点,有利于获得冬小麦的物候期数据,为冬小麦物候期时间间隔的准备判断提供了保障。
对应于上述方法实施例,参见图8所示的一种冬小麦灾害识别装置的结构示意图,该装置包括:
数据获取模块80,用于获取目标区域的当前物候期内的遥感影像数据,得到该遥感影像数据中每个像元的当前SAVI时序数据;
曲线构建模块81,用于对当前SAVI时序数据进行滤波,构建当前SAVI时序曲线;
判定模块82,用于从当前SAVI时序曲线中提取当前物候期内数据,根据该当前物候期内数据确定获取的上述遥感影像数据是否包含冬小麦数据;
种植范围确定模块83,用于若上述遥感影像数据包含冬小麦数据,则根据当前物候期内数据中的种植时间和返青期之前物候期时间间隔,确定所述遥感影像数据中冬小麦的种植范围;
监测模块84,用于监测冬小麦在返青期后的当前SAVI时序曲线的变化,如果当前SAVI时序曲线偏离标准SAVI时序曲线,确定冬小麦已遭受灾害。
进一步地,在上述数据获取模块80之前,所述装置还包括:冬小麦数据获取模块,用于获取冬小麦的标准物候期内数据、生长期天数和标准SAVI时序曲线;标准物候期包括返青期、抽穗期和成熟期。
本发明实施例提供的冬小麦受灾识别装置,与上述实施例提供的冬小麦受灾识别方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本实施例还提供了一种与上述方法实施例相对应的一种冬小麦受灾识别设备,该设备包括遥感装置,该遥感装置用于获取冬小麦受灾识别方法需要的目标区域的当前物候期内的遥感影像数据。
本发明实施例所提供的冬小麦受灾识别方法、装置及设备,可以解决农业遥感监测中对冬小麦灾害自动识别提取,提出了基于SAVI高时间分辨率的遥感影像冬小麦灾害自动识别的方法,根据提前设定的阈值,监测冬小麦返青后SAVI偏离标准曲线的时间和程度,从而监测冬小麦受灾害的时间和种植地点,而且所有计算可以全自动完成,提高了计算效率。
本发明实施例所提供的冬小麦受灾识别方法、装置及设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和/或装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,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所述以权利要求的保护范围为准。
Claims (10)
1.一种冬小麦受灾识别方法,其特征在于,所述方法包括:
获取目标区域的当前物候期内的遥感影像数据,得到所述遥感影像数据中每个像元的当前SAVI时序数据;
对所述当前SAVI时序数据进行滤波,构建当前SAVI时序曲线;
从所述当前SAVI时序曲线中提取当前物候期内数据,根据所述当前物候期内数据确定获取的所述遥感影像数据是否包含冬小麦数据;
若所述遥感影像数据包含冬小麦数据,则根据所述当前物候期内数据中的种植时间和返青期之前物候期时间间隔,确定所述遥感影像数据中所述冬小麦的种植范围;
监测所述冬小麦在返青期后的所述当前SAVI时序曲线的变化,如果所述当前SAVI时序曲线偏离标准SAVI时序曲线,确定所述冬小麦已遭受灾害。
2.根据权利要求1所述的方法,其特征在于,获取目标区域的当前物候期内的遥感影像数据的步骤之前,所述方法还包括:获取冬小麦的标准物候期内数据、生长期天数和标准SAVI时序曲线;所述标准物候期包括返青期、抽穗期和成熟期。
3.根据权利要求1所述的方法,其特征在于,所述获取目标区域的当前物候期内的遥感影像数据,得到所述遥感影像数据中每个像元的当前SAVI时序数据的步骤,包括:
获取所述目标区域的当前物候期内的遥感影像数据;
对所述遥感影像数据进行辐射矫正、大气校正和几何校正处理;
获取所述遥感影像数据中每个像元的当前SAVI值,得到每个像元的当前SAVI时序数据。
4.根据权利要求1所述的方法,其特征在于,所述从所述当前SAVI时序曲线中提取当前物候期内数据,根据所述当前物候期内数据确定获取的所述遥感影像数据是否包含冬小麦数据的步骤,包括:
采用最大曲率法从所述当前SAVI时序曲线中提取所述当前物候期内数据;
计算所述当前物候期内数据的物候期时间间隔和生长期天数;
将所述当前物候期内数据的物候期时间间隔与所述冬小麦的标准物候期时间间隔比对,得到第一比对差值,将所述当前物候期内数据的生长期天数与所述冬小麦的生长期天数比对,得到第二比对差值,如果第一比对差值小于设定的比对间隔阈值或者第二比对差值小于设定的比对天数阈值,确定所述遥感影像数据包含冬小麦数据。
5.根据权利要求4所述的方法,其特征在于,所述采用最大曲率法提取从所述当前SAVI时序曲线中提取的所述当前物候期内数据的步骤,包括:
计算所述当前SAVI时序曲线的两个局部极值点和一个最大值点,两个所述局部极值点分别对应所述冬小麦的返青期和成熟期,所述最大值点对应所述冬小麦的抽穗期;
根据两个所述局部极值点和所述最大值点,确定所述冬小麦物候期内数据;所述物候期内数据包括物候期时间间隔和生长期天数。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:在坐标系中X轴的取值相同时,如果所述当前SAVI时序曲线的Y轴的值小于所述标准SAVI时序曲线的Y轴的值,则根据预先设定的差值阈值确定所述冬小麦遭受灾害的程度,根据当前气象数据确定所述冬小麦遭受灾害的类型。
7.根据权利要求6所述的方法,其特征在于,所述冬小麦遭受灾害的程度包括:受灾级、成灾级和绝收级。
8.一种冬小麦受灾识别装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标区域的当前物候期内的遥感影像数据,得到所述遥感影像数据中每个像元的当前SAVI时序数据;
曲线构建模块,用于对所述当前SAVI时序数据进行滤波,构建当前SAVI时序曲线;
判定模块,用于从所述当前SAVI时序曲线中提取当前物候期内数据,根据所述当前物候期内数据确定获取的所述遥感影像数据是否包含冬小麦数据;
种植范围确定模块,用于若所述遥感影像数据包含冬小麦数据,则根据所述当前物候期内数据中的种植时间和返青期之前物候期时间间隔,确定所述遥感影像数据中所述冬小麦的种植范围;
监测模块,用于监测所述冬小麦在返青期后的所述当前SAVI时序曲线的变化,如果所述当前SAVI时序曲线偏离标准SAVI时序曲线,确定所述冬小麦已遭受灾害。
9.根据权利要求8所述的装置,其特征在于,在所述数据获取模块之前,所述装置还包括:冬小麦数据获取模块,用于获取冬小麦的标准物候期内数据、生长期天数和标准SAVI时序曲线;所述标准物候期包括返青期、抽穗期和成熟期。
10.一种冬小麦受灾识别设备,其特征在于,所述设备包括遥感装置,所述遥感装置用于获取权利要求1-7所述方法需要的所述目标区域的当前物候期内的遥感影像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810957522.9A CN109141371B (zh) | 2018-08-21 | 2018-08-21 | 冬小麦受灾识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810957522.9A CN109141371B (zh) | 2018-08-21 | 2018-08-21 | 冬小麦受灾识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109141371A CN109141371A (zh) | 2019-01-04 |
CN109141371B true CN109141371B (zh) | 2020-04-03 |
Family
ID=64791027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810957522.9A Active CN109141371B (zh) | 2018-08-21 | 2018-08-21 | 冬小麦受灾识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109141371B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112304902B (zh) * | 2020-11-02 | 2023-10-20 | 航天宏图信息技术股份有限公司 | 一种农作物物候的实时监测方法和装置 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63254951A (ja) * | 1987-04-09 | 1988-10-21 | Kadoya:Kk | そば羊羹の製造方法 |
CN1731216A (zh) * | 2005-08-19 | 2006-02-08 | 广州地理研究所 | 一种大面积作物种植面积及其产量的遥感检测估算方法 |
CN101726742A (zh) * | 2009-12-01 | 2010-06-09 | 中国地质大学(北京) | 农作物污染胁迫水平遥感测量方法 |
CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
CN103868860A (zh) * | 2014-03-25 | 2014-06-18 | 辽宁师范大学 | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 |
CN104462809A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感与gis相结合的草地生产力估算方法 |
CN104850694A (zh) * | 2015-05-13 | 2015-08-19 | 福州大学 | 基于生长期植被指数增量的冬小麦遥感监测方法 |
CN105404873A (zh) * | 2015-11-30 | 2016-03-16 | 中国科学院遥感与数字地球研究所 | 一种基于ndvi时间序列坐标转换的冬小麦识别方法 |
CN105445229A (zh) * | 2015-12-15 | 2016-03-30 | 河南农业大学 | 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法 |
CN106022224A (zh) * | 2016-05-12 | 2016-10-12 | 北京师范大学 | 一种冬小麦识别方法 |
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
CN106780091A (zh) * | 2016-12-30 | 2017-05-31 | 黑龙江禾禾遥感科技有限公司 | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 |
CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别系统 |
CN107103306A (zh) * | 2017-05-22 | 2017-08-29 | 安徽大学 | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 |
CN107124992A (zh) * | 2017-05-25 | 2017-09-05 | 中国科学院地理科学与资源研究所 | 一种在滨海盐渍化耕地种植冬小麦的方法 |
CN107194876A (zh) * | 2017-06-13 | 2017-09-22 | 中国科学院地理科学与资源研究所 | 一种基于无人机航拍的大型野生动物种群数量调查方法 |
CN108303382A (zh) * | 2018-02-06 | 2018-07-20 | 安徽大学 | 一种基于AdaBoost分类器的冬小麦白粉病多时相遥感监测方法及其评价方法 |
CN108376265A (zh) * | 2018-02-27 | 2018-08-07 | 中国农业大学 | 一种冬小麦晚霜冻害多致灾因子权重的确定方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101989373B (zh) * | 2009-08-04 | 2012-10-03 | 中国科学院地理科学与资源研究所 | 基于可见光—热红外的多光谱多尺度森林火情监测方法 |
CN105913324A (zh) * | 2016-03-30 | 2016-08-31 | 中国农业大学 | 一种有机植物类产品物种评价方法 |
CN106248146B (zh) * | 2016-08-31 | 2018-10-02 | 中国农业科学院植物保护研究所 | 一种小麦白粉病预报方法及其装置 |
CN107796764B (zh) * | 2016-09-05 | 2020-01-24 | 南京农业大学 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
CN107145876B (zh) * | 2017-05-24 | 2020-04-10 | 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 |
-
2018
- 2018-08-21 CN CN201810957522.9A patent/CN109141371B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63254951A (ja) * | 1987-04-09 | 1988-10-21 | Kadoya:Kk | そば羊羹の製造方法 |
CN1731216A (zh) * | 2005-08-19 | 2006-02-08 | 广州地理研究所 | 一种大面积作物种植面积及其产量的遥感检测估算方法 |
CN101726742A (zh) * | 2009-12-01 | 2010-06-09 | 中国地质大学(北京) | 农作物污染胁迫水平遥感测量方法 |
CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
CN103868860A (zh) * | 2014-03-25 | 2014-06-18 | 辽宁师范大学 | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 |
CN104462809A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感与gis相结合的草地生产力估算方法 |
CN104850694A (zh) * | 2015-05-13 | 2015-08-19 | 福州大学 | 基于生长期植被指数增量的冬小麦遥感监测方法 |
CN105404873A (zh) * | 2015-11-30 | 2016-03-16 | 中国科学院遥感与数字地球研究所 | 一种基于ndvi时间序列坐标转换的冬小麦识别方法 |
CN105445229A (zh) * | 2015-12-15 | 2016-03-30 | 河南农业大学 | 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法 |
CN106022224A (zh) * | 2016-05-12 | 2016-10-12 | 北京师范大学 | 一种冬小麦识别方法 |
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
CN106780091A (zh) * | 2016-12-30 | 2017-05-31 | 黑龙江禾禾遥感科技有限公司 | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 |
CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别系统 |
CN107103306A (zh) * | 2017-05-22 | 2017-08-29 | 安徽大学 | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 |
CN107124992A (zh) * | 2017-05-25 | 2017-09-05 | 中国科学院地理科学与资源研究所 | 一种在滨海盐渍化耕地种植冬小麦的方法 |
CN107194876A (zh) * | 2017-06-13 | 2017-09-22 | 中国科学院地理科学与资源研究所 | 一种基于无人机航拍的大型野生动物种群数量调查方法 |
CN108303382A (zh) * | 2018-02-06 | 2018-07-20 | 安徽大学 | 一种基于AdaBoost分类器的冬小麦白粉病多时相遥感监测方法及其评价方法 |
CN108376265A (zh) * | 2018-02-27 | 2018-08-07 | 中国农业大学 | 一种冬小麦晚霜冻害多致灾因子权重的确定方法 |
Non-Patent Citations (2)
Title |
---|
"作物物候期及长势遥感监测若干问题研究";赵虎;《中国博士学位论文全文数据库信息科技辑》;20150515(第5期);全文 * |
"基于MODIS数据的黄淮海地区冬小麦长势监测研究";郭海等;《中国优秀硕士学位论文全文数据库农业科技辑》;20170215(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109141371A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeng et al. | A review of vegetation phenological metrics extraction using time-series, multispectral satellite data | |
Meroni et al. | Comparing land surface phenology of major European crops as derived from SAR and multispectral data of Sentinel-1 and-2 | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
Shihua et al. | Monitoring paddy rice phenology using time series MODIS data over Jiangxi Province, China | |
Son et al. | A phenological object-based approach for rice crop classification using time-series Sentinel-1 Synthetic Aperture Radar (SAR) data in Taiwan | |
CN109685081B (zh) | 一种遥感提取撂荒地的联合变化检测方法 | |
CN109816542B (zh) | 一种农作物减产理赔方法及系统 | |
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 | |
CN111832518A (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN109784300A (zh) | 一种农作物科学测产方法及系统 | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
CN115545311A (zh) | 一种农作物估产方法、装置、存储介质及电子设备 | |
CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
CN109141371B (zh) | 冬小麦受灾识别方法、装置及设备 | |
Zhou et al. | Improved yield prediction of Ratoon rice using unmanned aerial vehicle-based multi-temporal feature method | |
CN116597157B (zh) | 基于特征光谱变化的植物物候提取方法及装置 | |
Wang et al. | Removing temperature drift and temporal variation in thermal infrared images of a UAV uncooled thermal infrared imager | |
CN115496999A (zh) | 田间立地秸秆产量估计方法及装置 | |
Gutman et al. | Albedo of the US Great Plains as determined from NOAA-9 AVHRR data | |
CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
CN110399860B (zh) | 一种玉米涝灾监测方法及系统 | |
CN111721711A (zh) | 耕地变化检测方法、装置、电子设备和存储介质 | |
Sofue et al. | Estimation of Normal Rice Yield Considering Heading Stage Based on Observation Data and Satellite Imagery | |
Claverie et al. | Spatialization of crop leaf area index and biomass by combining a simple crop model SAFY and high spatial and temporal resolutions remote sensing data | |
CN115953694B (zh) | 一种基于卫星遥感影像的叶龄空间分布检测方法 |
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 |