CN109190497A - 一种基于时序多光谱卫星影像的耕地识别方法 - Google Patents
一种基于时序多光谱卫星影像的耕地识别方法 Download PDFInfo
- Publication number
- CN109190497A CN109190497A CN201810901437.0A CN201810901437A CN109190497A CN 109190497 A CN109190497 A CN 109190497A CN 201810901437 A CN201810901437 A CN 201810901437A CN 109190497 A CN109190497 A CN 109190497A
- Authority
- CN
- China
- Prior art keywords
- ndvi
- timing
- arable land
- satellite image
- spectral information
- 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.)
- Pending
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06V10/58—Extraction of image or video features relating to hyperspectral data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于时序多光谱卫星影像的耕地识别方法，属于耕地识别领域；其方法包括步骤1：定时采集红光和近红外波段的光谱信息；步骤2：根据光谱信息计算NDVI；步骤3：结合定时时间分析NDVI的时序特征；步骤4：将NDVI和NDVI的时序特征输入已构建的模型获取识别结果；本发明解决了现有利用机器学习进行光谱特征分析需要频繁采样和设计复杂模型带来的人力成本高、识别精度低的问题，达到了降低对地面数据的依赖性，降低模型的复杂度，节约人力成本，提高识别精度的效果。
Description
技术领域
本发明属于耕地识别领域，尤其是一种基于时序多光谱卫星影像的耕地识别方法。
背景技术
国土资源部门了解国家的农业用地分布及数量主要通过耕地识别进行统计和分析，大范围进行耕地识别，一般使用多光谱卫星遥感技术，利用机器学习对耕地和非耕地的光谱特征进行分析，从而判断耕地与非耕地的分布；现有方法存在的缺陷：为实现精确地耕地识别，需要人工标注耕地与非耕地的样本；一方面，采集样本则需要派出工作人员到现场确认土地利用情况，工作量大；另一方面，耕地与非耕地的光谱特征具有地域性和时效性；地域性指不同地区的同一类土地光谱特征不同，时效性指耕地和非耕地在种植季和非种植季的光谱特征不同；因此使用传统方法需要大量的人员在大范围内进行频繁的采样，人力成本高且机器学习模型更加复杂，导致耕地识别精度不高，因此需要一种低成本、高精度的耕地识别方法。
发明内容
本发明的目的在于：本发明提供了一种基于时序多光谱卫星影像的耕地识别方法，解决了现有利用机器学习进行光谱特征分析需要频繁采样和设计复杂模型带来的人力成本高、识别精度低的问题。
本发明采用的技术方案如下：
一种基于时序多光谱卫星影像的耕地识别方法，包括如下步骤：
步骤1：定时采集红光和近红外波段的光谱信息；
步骤2：根据光谱信息计算NDVI；
步骤3：结合定时时间分析NDVI的时序特征；
步骤4：将NDVI和NDVI的时序特征输入已构建的模型获取识别结果。
优选地，所述步骤1包括如下步骤：
步骤1.1：定时获取多光谱卫星影像采集的光谱信息，所述定时的间隔包括周或者月或者年；
步骤1.2：采集步骤1.1中光谱信息的红光和近红外波段对应的光谱信息。
优选地，所述步骤2包括如下步骤：
步骤2.1：判断定时时间是否属于非耕作期，若属于，则其NDVI为0；若不属于，则跳至步骤2.2，判断公式如下：
步骤2.2：根据光谱信息获取其NDVI值m'，计算公式如下：
其中，NIR表示近红外光反射，RED表示红光反射，m'∈[-1,1]。
优选地，所述步骤3包括如下步骤：
步骤3.1：绘制定时时间-NDVI图；
步骤3.2：根据定时时间-NDVI图获取NDVI时序特征。
优选地，所述步骤4包括如下步骤：
步骤4.1：构建卷积神经网络；
步骤4.2：将给定的训练数据输入卷积神经网络进行训练，获取卷积神经网络输入-输出的映射关系；
步骤4.3：将NDVI和NDVI的时序特征输入已训练的卷积神经网络，获取识别结果。
优选地，所述步骤4.3中识别结果包括耕地即1和非耕地即0。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明利用差异明显的NDVI和时序特征进行识别，避免了现有地域变化性大且不明显的光谱特征存在的分析难度大、精度低的问题，解决了现有利用机器学习进行光谱特征分析需要频繁采样和设计复杂模型带来的人力成本高、识别精度低的问题，达到了降低对地面数据的依赖性，降低模型的复杂度，节约人力成本，提高识别精度的效果；
2.本发明利用光谱信息中的红光和近红外波段的光谱数据计算地表的归一化植被指数NDVI，根据其随季节的变化特征进行耕地和非耕地的识别，机器学习模型设计简单，识别精度高。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明的方法流程图；
图2为本发明的实施例1对应的NDVI示意图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
技术问题：解决了现有利用机器学习进行光谱特征分析需要频繁采样和设计复杂模型带来的人力成本高、识别精度低的问题。
技术手段：
一种基于时序多光谱卫星影像的耕地识别方法，包括如下步骤：
步骤1：定时采集红光和近红外波段的光谱信息；
步骤2：根据光谱信息计算NDVI；
步骤3：结合定时时间分析NDVI的时序特征；
步骤4：将NDVI和NDVI的时序特征输入已构建的模型获取识别结果。
步骤1包括如下步骤：
步骤1.1：定时获取多光谱卫星影像采集的光谱信息，所述定时的间隔包括周或者月或者年；
步骤1.2：采集步骤1.1中光谱信息的红光和近红外波段对应的光谱信息。
步骤2包括如下步骤：
步骤2.1：判断定时时间是否属于非耕作期，若属于，则其NDVI为0；若不属于，则跳至步骤2.2，判断公式如下：
步骤2.2：根据光谱信息获取其NDVI值m'，计算公式如下：
其中，NIR表示近红外光反射，RED表示红光反射，m'∈[-1,1]。
步骤3包括如下步骤：
步骤3.1：绘制定时时间-NDVI图；
步骤3.2：根据定时时间-NDVI图获取NDVI时序特征。
步骤4包括如下步骤：
步骤4.1：构建卷积神经网络；
步骤4.2：将给定的训练数据输入卷积神经网络进行训练，获取卷积神经网络输入-输出的映射关系；
步骤4.3：将NDVI和NDVI的时序特征输入已训练的卷积神经网络，获取识别结果。
步骤4.3中识别结果包括耕地即1和非耕地即0。
技术效果：本发明利用差异明显的NDVI和时序特征进行识别，避免了现有地域变化性大且不，明显的光谱特征分析难度大、精度低的问题，解决了现有利用机器学习进行光谱特征分析需要频繁采样和设计复杂模型带来的人力成本高、识别精度低的问题，达到了降低对地面数据的依赖性，降低模型的复杂度，节约人力成本，提高识别精度的效果。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
步骤1：定时采集红光和近红外波段的光谱信息；
步骤2：根据光谱信息计算NDVI；
步骤3：结合定时时间分析NDVI的时序特征；
步骤4：将NDVI和NDVI的时序特征输入已构建的模型获取识别结果。
定时获取多光谱卫星影像采集的光谱信息，所述定时的间隔包括周或者月或者年；采集步骤1.1中光谱信息的红光和近红外波段对应的光谱信息。定时间隔取月，以4个月为周期判断季节性的特征。
判断定时时间是否属于非耕作期，若属于，则其NDVI为0；若不属于，则跳至步骤2.2，判断公式如下：
根据光谱信息获取其NDVI值m'，计算公式如下：
其中，NIR表示近红外光反射，RED表示红光反射，m'∈[-1,1]，当近红外光反射为0，NDVI取最小值-1，当红光反射为0，NDVI取最大值1。如图2所示，其为东北某地区某农田在2018年上半年的NDVI值变化图，便于显示将-1到1的NDVI值转化为0-80的值，附图去掉了颜色，原本颜色从0到80分别有蓝色、绿色、黄色和红色，东北某地区上半年的大体呈现红色，有少许黄色。
绘制定时时间-NDVI图；根据定时时间-NDVI图获取NDVI时序特征。
构建卷积神经网络；将给定的训练数据输入卷积神经网络进行训练，获取卷积神经网络输入-输出的映射关系；将NDVI和NDVI的时序特征输入已训练的卷积神经网络，获取识别结果。卷积神经网络包括输入层、卷积层、激励层、池化层、全连接层和输出层；识别结果包括耕地即1和非耕地即0。训练数据来源于耕地与其他非耕地地貌的时序NDVI特性，特性如下：
耕地：由于农业生产的季节性，耕地的NDVI变化特性有两大特点；第一，由于耕作之间有间隔，在间隔期内耕地呈现出裸土的NDVI特性即NDVI为0。因此，耕地的时序NDVI变化幅度非常大；第二，由于作物收获会在较短时间内集中进行，因此耕地的时序NDVI变化速度非常快，在短时间内即可呈现明显的变化。建筑及道路：在一年中NDVI始终为0。水体：在一年中NDVI始终为0。树林：树林的时序NDVI的变化特性在纬度较低的地区，大部分的树木为常绿品种，因此时序NDVI变化很不明显；相对农作物，树林的植物生理学变化是一个渐进的过程，因此NDVI变化速度慢。
根据其特性构建训练数据集，将训练数据输入网络进行训练，获取网络输入-输出的映射关系；将NDVI和NDVI的时序特征输入已训练的网络，获取识别结果即耕地或者非耕地。
本发明利用光谱信息中的红光和近红外波段的光谱数据计算地表的归一化植被指数NDVI，根据其随季节的变化特征进行耕地和非耕地的识别，降低了对于地面样本数据的需求，利用不同地貌间的特性差别大的特性，构建简单的模型即可进行准确的分析，降低人力成本且提高识别精度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于时序多光谱卫星影像的耕地识别方法，其特征在于：包括如下步骤：
步骤1：定时采集红光和近红外波段的光谱信息；
步骤2：根据光谱信息计算NDVI；
步骤3：结合定时时间分析NDVI的时序特征；
步骤4：将NDVI和NDVI的时序特征输入已构建的模型获取识别结果。
2.根据权利要求1所述的一种基于时序多光谱卫星影像的耕地识别方法，其特征在于：所述步骤1包括如下步骤：
步骤1.1：定时获取多光谱卫星影像采集的光谱信息，所述定时的间隔包括周或者月或者年；
步骤1.2：采集步骤1.1中光谱信息的红光和近红外波段对应的光谱信息。
3.根据权利要求1所述的一种基于时序多光谱卫星影像的耕地识别方法，其特征在于：所述步骤2包括如下步骤：
步骤2.1：判断定时时间是否属于非耕作期，若属于，则其NDVI为0；若不属于，则跳至步骤2.2，判断公式如下：
步骤2.2：根据光谱信息获取其NDVI值m'，计算公式如下：
其中，NIR表示近红外光反射，RED表示红光反射，m'∈[-1,1]。
4.根据权利要求1所述的一种基于时序多光谱卫星影像的耕地识别方法，其特征在于：所述步骤3包括如下步骤：
步骤3.1：绘制定时时间-NDVI图；
步骤3.2：根据定时时间-NDVI图获取NDVI时序特征。
5.根据权利要求3所述的一种基于时序多光谱卫星影像的耕地识别方法，其特征在于：所述步骤4包括如下步骤：
步骤4.1：构建卷积神经网络；
步骤4.2：将给定的训练数据输入卷积神经网络进行训练，获取卷积神经网络输入-输出的映射关系；
步骤4.3：将NDVI和NDVI的时序特征输入已训练的卷积神经网络，获取识别结果。
6.根据权利要求5所述的一种基于时序多光谱卫星影像的耕地识别方法，其特征在于：所述步骤4.3中识别结果包括耕地即1和非耕地即0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810901437.0A CN109190497A (zh) | 2018-08-09 | 2018-08-09 | 一种基于时序多光谱卫星影像的耕地识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810901437.0A CN109190497A (zh) | 2018-08-09 | 2018-08-09 | 一种基于时序多光谱卫星影像的耕地识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109190497A true CN109190497A (zh) | 2019-01-11 |
Family
ID=64921147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810901437.0A Pending CN109190497A (zh) | 2018-08-09 | 2018-08-09 | 一种基于时序多光谱卫星影像的耕地识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109190497A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111380807A (zh) * | 2020-03-30 | 2020-07-07 | 中国科学院东北地理与农业生态研究所 | 一种基于静止卫星遥感数据的秸秆焚烧火点信息提取方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073869A (zh) * | 2010-12-27 | 2011-05-25 | 中国农业大学 | 基于点位数据和遥感影像数据的区域耕地质量监测方法 |
| CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
| CN104794424A (zh) * | 2014-01-20 | 2015-07-22 | 北京天合数维科技有限公司 | 一种新的中低分辨率遥感数据复合的耕地识别方法 |
| CN105279604A (zh) * | 2015-09-25 | 2016-01-27 | 同济大学 | 一种矿区土地资源变化协同分析方法 |
| CN107273820A (zh) * | 2017-05-26 | 2017-10-20 | 中国科学院遥感与数字地球研究所 | 一种土地覆盖遥感分类方法及系统 |
| US20180052114A1 (en) * | 2015-04-24 | 2018-02-22 | Sony Corporation | Inspection apparatus, inspection method, and program |
| 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 |
| CN108376232A (zh) * | 2018-01-04 | 2018-08-07 | 北京星衡科技有限公司 | 一种用于遥感影像的自动解译的方法与装置 |
-
2018
- 2018-08-09 CN CN201810901437.0A patent/CN109190497A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
| CN102073869A (zh) * | 2010-12-27 | 2011-05-25 | 中国农业大学 | 基于点位数据和遥感影像数据的区域耕地质量监测方法 |
| CN104794424A (zh) * | 2014-01-20 | 2015-07-22 | 北京天合数维科技有限公司 | 一种新的中低分辨率遥感数据复合的耕地识别方法 |
| US20180052114A1 (en) * | 2015-04-24 | 2018-02-22 | Sony Corporation | Inspection apparatus, inspection method, and program |
| CN105279604A (zh) * | 2015-09-25 | 2016-01-27 | 同济大学 | 一种矿区土地资源变化协同分析方法 |
| 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 |
| CN107273820A (zh) * | 2017-05-26 | 2017-10-20 | 中国科学院遥感与数字地球研究所 | 一种土地覆盖遥感分类方法及系统 |
| CN108376232A (zh) * | 2018-01-04 | 2018-08-07 | 北京星衡科技有限公司 | 一种用于遥感影像的自动解译的方法与装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111380807A (zh) * | 2020-03-30 | 2020-07-07 | 中国科学院东北地理与农业生态研究所 | 一种基于静止卫星遥感数据的秸秆焚烧火点信息提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheema et al. | Land use and land cover classification in the irrigated Indus Basin using growth phenology information from satellite data to support water management analysis | |
| CN105740759B (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 | |
| Wang et al. | Estimating the nitrogen nutrition index in grass seed crops using a UAV-mounted multispectral camera | |
| Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
| CN110472184A (zh) | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 | |
| CN109117811A (zh) | 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 | |
| CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
| CN106126920A (zh) | 农作物雹灾受灾面积遥感评估方法 | |
| Akbari et al. | Crop and land cover classification in Iran using Landsat 7 imagery | |
| Mehdaoui et al. | Exploitation of the red-edge bands of Sentinel 2 to improve the estimation of durum wheat yield in Grombalia region (Northeastern Tunisia) | |
| CN108195767A (zh) | 河口湿地外来种监测方法 | |
| Xun et al. | Identifying crop planting areas using Fourier-transformed feature of time series MODIS leaf area index and sparse-representation-based classification in the North China Plain | |
| CN111275567B (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
| Norasma et al. | Rice crop monitoring using multirotor UAV and RGB digital camera at early stage of growth | |
| 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 | |
| Xie et al. | Suitable remote sensing method and data for mapping and measuring active crop fields | |
| Aguilar et al. | Comparison of spectral indices extracted from Sentinel-2 images to map plastic covered greenhouses through an object-based approach | |
| 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 | |
| Choosumrong et al. | Bananas diseases and insect infestations monitoring using multi-spectral camera RTK UAV images | |
| CN109190497A (zh) | 一种基于时序多光谱卫星影像的耕地识别方法 | |
| Sivarajan | Estimating yield of irrigated potatoes using aerial and satellite remote sensing | |
| Wittamperuma et al. | Remote-sensing-based biophysical models for estimating LAI of irrigated crops in Murry darling basin | |
| Abdelraouf et al. | Comparative analysis of some winter crops area estimation using landsat-8 and sentinal-2 satellite imagery | |
| Espinoza et al. | Applicability of time-of-flight-based ground and multispectral aerial imaging for grapevine canopy vigour monitoring under direct root-zone deficit irrigation | |
| Samani Majd et al. | Estimation of the fractional canopy cover of pecan orchards using Landsat 5 satellite data, aerial imagery, and orchard floor photographs |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |