CN109211791A - 作物长势监测方法及系统 - Google Patents
作物长势监测方法及系统 Download PDFInfo
- Publication number
- CN109211791A CN109211791A CN201810906327.3A CN201810906327A CN109211791A CN 109211791 A CN109211791 A CN 109211791A CN 201810906327 A CN201810906327 A CN 201810906327A CN 109211791 A CN109211791 A CN 109211791A
- Authority
- CN
- China
- Prior art keywords
- vegetation index
- time series
- crop
- data
- phenology
- 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
-
- 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
- G01N21/55—Specular reflectivity
-
- 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)
- 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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了作物长势监测方法及系统,涉及农作物监测技术领域。作物长势监测方法为:获取监测区的地表反射率数据和植被指数数据;对所述地表反射率数据及植被指数数据进行预处理;根据所述第二植被指数时间序列进行物候分区;基于所述物候分区和耕地类型对所述第一植被指数时间序列进行同一物候区同一耕地类型的计算,以获取每一物候区相同耕地类型作物的植被指数均值时间序列;将所述第一植被指数时间序列和植被指数均值时间序列进行计算以获取标准化植被指数时间序列;对标准化植被指数时间序列进行分级处理,获取作物的长势信息。本发明能够快速、准确地获取大尺度范围的作物长势信息。
Description
技术领域
本发明涉及农作物监测技术领域,尤其涉及一种基于MODIS-NDVI(moderate-resolution imaging spectroradiometer- Normalized Difference Vegetation Index,中分辨率成像光谱仪-归一化差分植被指数)时间序列的大尺度范围作物长势监测方法及系统。
背景技术
现代农业生产中主要利用遥感技术监测作物生长状况与趋势,可为田间管理提供及时的决策支持信息,并为早期估测产量提供依据,已成为指导农业生产不可或缺的重要信息。目前,农作物生长的连续性监测手段仍较有限,主要是由于高分辨率资源卫星覆盖范围小、时效性差及成本较高等原因尚不适合大范围应用,不能全面且宏观地掌握和分析大范围农作物的长势差异。
发明内容
针对现有农作物长势监测方法不适用于大尺度范围、连续性监测的问题,现提供一种旨在实现可大尺度范围进行连续性监测的作物长势监测方法及系统。
本发明提供了一种作物长势监测方法,包括下述步骤:
S1.获取监测区的地表反射率数据和植被指数数据;
S2.对所述地表反射率数据进行预处理获取第一植被指数时间序列,对所述植被指数数据进行预处理获取第二植被指数时间序列;
S3.根据所述第二植被指数时间序列进行物候分区;
S4.基于所述物候分区和耕地类型对所述第一植被指数时间序列进行同一物候区同一耕地类型作物的归一化植被指数均值计算,以获取每一物候区相同耕地类型作物的植被指数均值时间序列,所有时相同一物候区同一耕地类型作物的归一化植被指数均值数据构成归一化植被指数均值时间序列;
S5.将所述第一植被指数时间序列与归一化植被指数均值时间序列进行标准化处理,以获取被监测区域基准年不同物候区、不同耕地类型的作物进行同一量级比较的归一化植被指数时间序列,即标准化植被指数时间序列;
S6.对所述标准化植被指数时间序列进行分级处理,获取作物的长势信息。
优选的,在所述步骤S2中对所述地表反射率数据进行预处理获取第一植被指数时间序列,包括:
所述地表反射率数据包括近红外波段反射率数据和红外波段反射率数据两种;
分别对所述近红外波段反射率数据和所述红外波段反射率数据依次进行投影转化、重采样、镶嵌和波段反射率提取处理,以获取所述近红外波段反射率数据时间序列和所述红外波段反射率数据时间序列;
在所述步骤S2中对所述植被指数数据进行预处理获取第二植被指数时间序列,包括:
对提取监测区所述植被指数数据依次进行投影转化、重采样、镶嵌和归一化植被指数提取处理,以获取在基准年全年的植被覆盖指数时间序列。
优选的,在所述步骤S3中根据所述第二植被指数时间序列进行物候分区,包括:
S31.对所述第二植被指数时间序列进行平滑重构;
S32.在监测区根据作物的物候特征,采用卷积平滑算法进行滤波平滑,提取11个物候参数,对11个物候参数进行标准化处理,统一数值范围,提取每个物候参数的有效成分,以对监测区进行分区获得物候分区。
优选的,在所述步骤S4中基于所述物候分区和耕地类型对所述第一植被指数时间序列进行同一物候区同一耕地类型作物的归一化植被指数均值计算,以获取每一物候区相同耕地类型作物的植被指数均值时间序列,所有时相同一物候区同一耕地类型作物的归一化植被指数均值数据构成归一化植被指数均值时间序列,包括:
S41.分别将所述近红外波段反射率数据和所述红外波段反射率数据相同时相、不同行列号的第一植被指数时间序列镶嵌拼接,获取近红外波段反射率数据的第一植被指数时间序列和红外波段反射率数据的第一植被指数时间序列,再将同一时相的近红外波段反射率数据的第一植被指数时间序列和红外波段反射率数据的第一植被指数时间序列镶嵌拼接,获得覆盖监测区作物生长期内的第一植被指数时间序列;
S42.根据耕地类型对物候分区后的第一植被指数时间序列进行均值计算,获取每一物候区同一耕地类型的植被指数均值时间序列,所有时相同一物候区同一耕地类型作物的归一化植被指数均值数据构成归一化植被指数均值时间序列。
优选的,在所述步骤S5中将所述第一植被指数时间序列与归一化植被指数均值时间序列进行标准化处理,以获取被监测区域基准年不同物候区、不同耕地类型的作物进行同一量级比较的归一化植被指数时间序列,即标准化植被指数时间序列,包括:
将对应时相的第一植被指数时间序列除以归一化植被指数均值时间序列;
标准化植被指数时间序列由所有时相的标准化植被指数数据组成。
优选的,在所述步骤S6中对所述标准化植被指数时间序列进行分级处理,获取作物的长势信息,包括:
S61.采用1/2标准差分级方法对各时相作物对应像元的标准化植被指数时间序列进行分级处理;
S52.根据分级后的各时相作物对应像元的标准化植被指数时间序列生成作物长势图像。
本发明还提供了一种作物长势监测系统,包括下述步骤:
获取单元,用以获取监测区的地表反射率数据和植被指数数据;
预处理单元,连接所述获取单元,用以对所述地表反射率数据进行预处理获取第一植被指数时间序列,对所述植被指数数据进行预处理获取第二植被指数时间序列;
分区单元,连接所述预处理单元,用以根据所述第二植被指数时间序列进行物候分区;
均值计算单元,连接所述分区单元,用以基于所述物候分区和耕地类型对所述第一植被指数时间序列进行同一物候区同一耕地类型作物的归一化植被指数均值计算,以获取每一物候区相同耕地类型作物的植被指数均值时间序列,所有时相同一物候区同一耕地类型作物的归一化植被指数均值数据构成归一化植被指数均值时间序列;
标准化单元,连接所述均值计算单元,用以将所述第一植被指数时间序列与归一化植被指数均值时间序列进行标准化处理,以获取被监测区域基准年不同物候区、不同耕地类型的作物进行同一量级比较的归一化植被指数时间序列,即标准化植被指数时间序列;
分级单元,连接所述标准化单元,用以对所述标准化植被指数时间序列进行分级处理,获取作物的长势信息。
优选的,所述地表反射率数据包括近红外波段反射率数据和红外波段反射率数据两种;
所述预处理单元用以分别对所述近红外波段反射率数据和所述红外波段反射率数据依次进行投影转化、重采样、镶嵌和波段反射率提取处理,以获取所述近红外波段反射率数据时间序列和所述红外波段反射率数据时间序列;
所述预处理单元还用以对提取监测区所述植被指数数据依次进行投影转化、重采样、镶嵌和归一化植被指数提取处理,以获取在基准年全年的植被覆盖指数时间序列。
优选的,所述分区单元用以对所述第二植被指数时间序列进行平滑重构,在监测区根据作物的物候特征,采用卷积平滑算法进行滤波平滑,提取11个物候参数,对11个物候参数进行标准化处理,统一数值范围,提取每个物候参数的有效成分,以对监测区进行分区获得物候分区。
优选的,所述标准化单元用以
将对应时相的第一植被指数时间序列除以归一化植被指数均值时间序列;标准化植被指数时间序列由所有时相的标准化植被指数数据组成。
上述技术方案的有益效果:
本技术方案中,作物长势监测方法能够快速、准确地获取大尺度范围的作物长势信息,它在考虑到不同物候区和不同耕地类型作物的植被指数存在差异的基础上,提取连续多个时相各物候区相同耕地类型的归一化差分植被指数均值,建立归一化植被指数均值标准化模型,使各时相作物对应像元的植被指数处于同一个参考级别上,进而提取作物长势信息。
附图说明
图1为本发明所述的作物长势监测方法的流程图;
图2是案例区域2016年6月下旬农作物长势监测图;
图3是案例区域2016年7月上旬农作物长势监测图;
图4是案例区域2016年7月中旬农作物长势监测图;
图5是案例区域2016年7月下旬农作物长势监测图;
图6是案例区域2016年8月上旬农作物长势监测图;
图7是案例区域2016年8月中旬农作物长势监测图;
图8是案例区域2016年8月下旬农作物长势监测图;
图9为本发明所述的作物长势监测系统的模块图。
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作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,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
如图1所示,一种作物长势监测方法,包括下述步骤:
S1.获取监测区MODIS数据的地表反射率数据和植被指数数据;
S2.对所述地表反射率数据进行预处理获取第一植被指数时间序列,对所述植被指数数据进行预处理获取第二植被指数时间序列;
S3.根据所述第二植被指数时间序列进行物候分区;
S4.基于所述物候分区和耕地类型对所述第一植被指数时间序列进行同一物候区同一耕地类型作物的归一化植被指数均值计算,以获取每一物候区相同耕地类型作物的植被指数均值时间序列,所有时相同一物候区同一耕地类型作物的归一化植被指数均值数据构成归一化植被指数均值时间序列;
S5.将所述第一植被指数时间序列与归一化植被指数均值时间序列进行标准化处理,以获取被监测区域基准年不同物候区、不同耕地类型的作物进行同一量级比较的归一化植被指数时间序列,即标准化植被指数时间序列;
S6.对所述标准化植被指数时间序列进行分级处理,获取作物的长势信息。
需要说明的是,本实施例中的作物可以是农作物。
在本实施例中,能够快速、准确地获取大尺度范围的农作物长势信息,它在考虑到不同物候区和不同耕地类型农作物的植被指数存在差异的基础上,提取连续多个时相各物候区相同耕地类型的归一化差分植被指数均值,建立归一化植被指数均值标准化模型,使各时相农作物对应像元的植被指数处于同一个参考级别上,进而提取农作物长势信息。
需要说明的是,MODIS作为TERRA(上午星)和AQUA(下午星)系列卫星的重要传感器,实现了全球的高频次覆盖,时间周期为1-2天,目前MODIS数据面向全球免费发放,对遥感技术的行业应用起到了积极的促进意义,在土地利用、植被健康监测、气候变化等多个领域发挥重大的意义。中分辨率成像光谱仪归一化植被指数MODIS-NDVI时间序列数据的时间分辨率高、覆盖范围广,适用于大尺度范围、长时间序列监测。上午拍摄的数据是MOD09Q1数据,下午拍摄的数据是MYD09Q1,以上两种数据均由红外波段反射率和近红外波段反射率组成。
在优选的实施例中,在所述步骤S2中对所述地表反射率数据进行预处理获取第一植被指数时间序列,包括:
所述地表反射率数据包括近红外波段反射率数据MOD09Q1和MYD09Q1两种;
分别对所述近红外波段反射率数据和所述红外波段反射率数据依次进行投影转化、重采样、镶嵌和波段反射率提取处理,以获取所述近红外波段反射率数据时间序列和所述红外波段反射率数据时间序列;
其中,MOD09Q1数据和MYD09Q1数据时间分辨率为8天,分别对应EOS-AM(上午轨道)和PM(下午轨道),两种数据结合使用在实现高频次监测的同时,可以很好地消除辐射影响和云噪声等干扰因素;
MOD09Q1数据为250米地表反射率8天合成产品,MOD09Q1提供了1-2波段250米8天合成的栅格化3级数据产品(L3),投影为正弦曲线投影,每一个MOD09Q1象元包含了8天之内最有可能的L2G观测数值,尽量考虑高观测覆盖、低视角、无云及云的阴影以及气溶胶浓度的影响。此科学数据集提供的产品包括1-2波段反射率值和质量评价数据。
在所述步骤S2中对所述植被指数数据进行预处理获取第二植被指数时间序列,包括:
对提取监测区所述植被指数数据依次进行投影转化、重采样、镶嵌和归一化植被指数提取处理,以获取在基准年全年的植被覆盖指数时间序列。
其中,MOD13Q1数据250M植被指数16天合成产品。全球MOD13Q1数据为16天合成的250米L3数据产品,投影为正弦曲线投影。植被指数可以用于全球植被指数监测,也可以用在显示地表覆盖或者地表覆盖变化的产品中,还可以用作全球生物地球化学和水文模型或者全球或地区气候等模型的输入数据,还可以用于描述陆地表面的生物物理特征及进程,包括初级生产以及陆地表面覆盖的转换。
在本实施例中,作物长势监测方法选用8天时间分辨率的MODIS反射率产品,基于不同物候区和不同作物类型提取作物长势信息,提高了监测结果精度,实现了大尺度范围、长时间序列作物的逐旬长势监测。
在优选的实施例中,在所述步骤S3中根据所述第二植被指数时间序列进行物候分区,包括:
S31.对所述第二植被指数时间序列进行平滑重构;
S32.在监测区根据作物的物候特征,采用卷积平滑算法进行滤波平滑,提取11个物候参数,对11个物候参数进行标准化处理,统一数值范围,提取每个物候参数的有效成分,以对监测区进行分区获得物候分区。
其中,11个物候参数为作物生长起始期、作物生长结束期、振幅、NDVI的平均值、生长期长度、NDVI的积分、NDVI最大值、左侧上升曲线间斜率、右侧下降曲线间斜率、整个时期的中间点和整个时期NDVI的积分。
在优选的实施例中,在所述步骤S4中基于所述物候分区和耕地类型对所述第一植被指数时间序列进行同一物候区同一耕地类型作物的归一化植被指数均值计算,以获取每一物候区相同耕地类型作物的植被指数均值时间序列,所有时相同一物候区同一耕地类型作物的归一化植被指数均值数据构成归一化植被指数均值时间序列,包括:
S41.分别将所述近红外波段反射率数据和所述红外波段反射率数据相同时相、不同行列号的第一植被指数时间序列镶嵌拼接,获取近红外波段反射率数据的第一植被指数时间序列和红外波段反射率数据的第一植被指数时间序列,再将同一时相的近红外波段反射率数据的第一植被指数时间序列和红外波段反射率数据的第一植被指数时间序列镶嵌拼接,获得覆盖监测区作物生长期内的第一植被指数时间序列;
S42.根据耕地类型对物候分区后的第一植被指数时间序列进行均值计算,获取每一物候区同一耕地类型的植被指数均值时间序列,所有时相同一物候区同一耕地类型作物的归一化植被指数均值数据构成归一化植被指数均值时间序列。
在优选的实施例中,在所述步骤S5中将所述第一植被指数时间序列与归一化植被指数均值时间序列进行标准化处理,以获取被监测区域基准年不同物候区、不同耕地类型的作物进行同一量级比较的归一化植被指数时间序列,即标准化植被指数时间序列,包括:
将对应时相的第一植被指数时间序列除以归一化植被指数均值时间序列;
标准化植被指数时间序列由所有时相的标准化植被指数数据组成。
在优选的实施例中,在所述步骤S6中对所述标准化植被指数时间序列进行分级处理,获取作物的长势信息,包括:
S61.采用1/2标准差分级方法对各时相作物对应像元的标准化植被指数时间序列进行分级处理;
S52.根据分级后的各时相作物对应像元的标准化植被指数时间序列生成作物长势图像。
作为一种实施例,以吉林省为例,开展2016年6月下旬至8月下旬吉林省农作物的逐旬长势监测,具体实施方法按一下步骤进行:
步骤一:下载覆盖吉林省2016年6月下旬至9月下旬的MODIS反射率产品MOD09Q1和MYD09Q1数据,以及2016年全年MODIS植被指数产品MOD13Q1,下载网址为https://reverb.echo.nasa.gov。其中,MOD09Q1数据和MYD09Q1数据时间分辨率为8天,行列号为h26v04、h27v04,6月下旬至8月下旬共7期数据;MOD13Q1时间分辨率为16天,行列号为h26v04、h27v04,全年共23期数据;
步骤二:可利用MODIS投影转换软件(MODIS Reprojection Tool,即MRT)对获取的MOD09Q1、MYD09Q1和MOD13Q1数据进行投影转化、重采样和镶嵌等预处理。其中MOD09Q1和MYD09Q1是反射率产品,得到的是近红外和红外波段的反射率数据;MOD13Q1为植被指数产品,可直接提取吉林省2016年全年的23期的MOD13Q1-NDVI时间序列;
步骤三:构建NDVI计算模型:其中b02为近红外波段反射率,b01为红外波段反射率,利用步骤二所述的反射率数据计算NDVI,分别将MOD09Q1和MYD09Q1相同时相、不同行列号的NDVI数据镶嵌拼接,获得MOD09Q1-NDVI和MYD09Q1-NDVI时间序列,再将同一时相的MOD09Q1-NDVI和MYD09Q1-NDVI镶嵌拼接,获得覆盖吉林省6月下旬至8月下旬的MODIS-NDVI时间序列,时间分辨率为8天;
步骤四:对步骤二中获得的MOD13Q1-NDVI时间序列进行平滑重构,在监测区内,利用基准年全年的植被指数产品MOD13Q1数据,根据作物的物候特征,进行S-G滤波平滑,提取11个物候参数;对11个物候参数进行标准化处理,统一数值范围,然后提取每个物候参数的有效成分,对吉林省进行分区获得物候分区结果;
步骤五:将吉林省的耕地范围矢量数据与物候分区的矢量数据进行交汇处理,获得包含物候信息及耕地类型信息的矢量数据,打开新生成的矢量数据属性表,添加一列新的字段(Add Field),在上述新添加的字段中利用字段计算功能,将物候区字段信息与耕地类型字段信息合并,则该字段既包含物候区信息又包含耕地类型信息。
步骤六:以步骤五中新增加的字段为计算区域字段,数据类型选择均值(mean),计算吉林省同一物候区相同耕地类型作物的归一化植被指数均值;
步骤七:由于在相同时间因物候区不同、耕地类型不同造成农作物NDVI值存在差异,本方法提出了归一化植被指数均值标准化(RNDVI_M)模型:公式中NDVI(i)为6月下旬至8月下旬第i时相的NDVI真实值,NDVImean(i)为作物6月下旬至8月下旬第i时相的NDVI均值,RNDVI_M(i)为作物在第i时相的NDVI均值标准化值。该步骤可使各时相农作物对应像元的植被指数处于同一个参考级别上,获得吉林省农作物6月下旬至8月下旬的RNDVI_M时间序列;
步骤八:利用1/2标准差分级方法对RNDVI_M(i)时间序列进行分级处理,1/2标准差分级方法可突出显示要素属性值与平均值之间的差异,适用于所述的RNDVI_M模型,最终获得吉林省整个作物6月下旬至8月下旬的长势信息;
步骤九:制作作物长势专题图,作物长势专题图能够直观反映不同区域农作物的长势差异。
如图9所示,本发明还提供了一种作物长势监测系统,包括下述步骤:
获取单元,用以获取监测区的地表反射率数据和植被指数数据;
预处理单元,连接所述获取单元,用以对所述地表反射率数据进行预处理获取第一植被指数时间序列,对所述植被指数数据进行预处理获取第二植被指数时间序列;
分区单元,连接所述预处理单元,用以根据所述第二植被指数时间序列进行物候分区;
均值计算单元,连接所述分区单元,用以基于所述物候分区和耕地类型对所述第一植被指数时间序列进行同一物候区同一耕地类型作物的归一化植被指数均值计算,以获取每一物候区相同耕地类型作物的植被指数均值时间序列,所有时相同一物候区同一耕地类型作物的归一化植被指数均值数据构成归一化植被指数均值时间序列;
标准化单元,连接所述均值计算单元,用以将所述第一植被指数时间序列与归一化植被指数均值时间序列进行标准化处理,以获取被监测区域基准年不同物候区、不同耕地类型的作物进行同一量级比较的归一化植被指数时间序列,即标准化植被指数时间序列;
分级单元,连接所述标准化单元,用以对所述标准化植被指数时间序列进行分级处理,获取作物的长势信息。
在本实施例中,作物长势监测系统能够快速、准确地获取大尺度范围的作物长势信息,它在考虑到不同物候区和不同耕地类型作物的植被指数存在差异的基础上,提取连续多个时相各物候区相同耕地类型的归一化差分植被指数均值,建立归一化植被指数均值标准化模型,使各时相作物对应像元的植被指数处于同一个参考级别上,进而提取作物长势信息。
在优选的实施例中,所述地表反射率数据包括近红外波段反射率数据和红外波段反射率数据两种;
所述预处理单元用以分别对所述近红外波段反射率数据和所述红外波段反射率数据依次进行投影转化、重采样、镶嵌和波段反射率提取处理,以获取所述近红外波段反射率数据时间序列和所述红外波段反射率数据时间序列;
所述预处理单元还用以对提取监测区所述植被指数数据依次进行投影转化、重采样、镶嵌和归一化植被指数提取处理,以获取在基准年全年的植被覆盖指数时间序列。
在本实施例中,作物长势监测方法选用8天时间分辨率的MODIS反射率产品,基于不同物候区和不同作物类型提取作物长势信息,提高了监测结果精度,实现了大尺度范围、长时间序列作物的逐旬长势监测。
在优选的实施例中,所述分区单元用以对所述第二植被指数时间序列进行平滑重构,在监测区根据作物的物候特征,采用卷积平滑算法进行滤波平滑,提取11个物候参数,对11个物候参数进行标准化处理,统一数值范围,提取每个物候参数的有效成分,以对监测区进行分区获得物候分区。
其中,11个物候参数为作物生长起始期、作物生长结束期、振幅、NDVI的平均值、生长期长度、NDVI的积分、NDVI最大值、左侧上升曲线间斜率、右侧下降曲线间斜率、整个时期的中间点和整个时期NDVI的积分。
在优选的实施例中,所述标准化单元用以将对应时相的第一植被指数时间序列除以归一化植被指数均值时间序列;标准化植被指数时间序列由所有时相的标准化植被指数数据组成。
在优选的实施例中,所述均值计算单元用以分别将所述近红外波段反射率数据和所述红外波段反射率数据相同时相、不同行列号的第一植被指数时间序列镶嵌拼接,获取近红外波段反射率数据的第一植被指数时间序列和红外波段反射率数据的第一植被指数时间序列,再将同一时相的近红外波段反射率数据的第一植被指数时间序列和红外波段反射率数据的第一植被指数时间序列镶嵌拼接,获得覆盖监测区作物生长期内的第一植被指数时间序列;根据耕地类型对物候分区后的第一植被指数时间序列进行均值计算,获取每一物候区同一耕地类型作物的植被指数均值时间序列,所有时相的植被指数均值数据构成植被指数均值时间序列。
在优选的实施例中,分级单元采用1/2标准差分级方法对各时相作物对应像元的标准化植被指数时间序列进行分级处理;根据分级后的各时相作物对应像元的标准化植被指数时间序列生成作物长势图像。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种作物长势监测方法,其特征在于,包括下述步骤:
S1.获取监测区的地表反射率数据和植被指数数据;
S2.对所述地表反射率数据进行预处理获取第一植被指数时间序列,对所述植被指数数据进行预处理获取第二植被指数时间序列;
S3.根据所述第二植被指数时间序列进行物候分区;
S4.基于所述物候分区和耕地类型对所述第一植被指数时间序列进行同一物候区同一耕地类型作物的归一化植被指数均值计算,以获取每一物候区相同耕地类型作物的植被指数均值时间序列,所有时相同一物候区同一耕地类型作物的归一化植被指数均值数据构成归一化植被指数均值时间序列;
S5.将所述第一植被指数时间序列与归一化植被指数均值时间序列进行标准化处理,以获取被监测区域基准年不同物候区、不同耕地类型的作物进行同一量级比较的归一化植被指数时间序列,即标准化植被指数时间序列;
S6.对所述标准化植被指数时间序列进行分级处理,获取作物的长势信息。
2.根据权利要求1所述的作物长势监测方法,其特征在于,在所述步骤S2中对所述地表反射率数据进行预处理获取第一植被指数时间序列,包括:
所述地表反射率数据包括近红外波段反射率数据和红外波段反射率数据两种;
分别对所述近红外波段反射率数据和所述红外波段反射率数据依次进行投影转化、重采样、镶嵌和波段反射率提取处理,以获取所述近红外波段反射率数据时间序列和所述红外波段反射率数据时间序列;
在所述步骤S2中对所述植被指数数据进行预处理获取第二植被指数时间序列,包括:
对提取监测区所述植被指数数据依次进行投影转化、重采样、镶嵌和归一化植被指数提取处理,以获取在基准年全年的植被覆盖指数时间序列。
3.根据权利要求1所述的作物长势监测方法,其特征在于,在所述步骤S3中根据所述第二植被指数时间序列进行物候分区,包括:
S31.对所述第二植被指数时间序列进行平滑重构;
S32.在监测区根据作物的物候特征,采用卷积平滑算法进行滤波平滑,提取11个物候参数,对11个物候参数进行标准化处理,统一数值范围,提取每个物候参数的有效成分,以对监测区进行分区获得物候分区。
4.根据权利要求2所述的作物长势监测方法,其特征在于,在所述步骤S4中基于所述物候分区和耕地类型对所述第一植被指数时间序列进行同一物候区同一耕地类型作物的归一化植被指数均值计算,以获取每一物候区相同耕地类型作物的植被指数均值时间序列,所有时相同一物候区同一耕地类型作物的归一化植被指数均值数据构成归一化植被指数均值时间序列,包括:
S41.分别将所述近红外波段反射率数据和所述红外波段反射率数据相同时相、不同行列号的第一植被指数时间序列镶嵌拼接,获取近红外波段反射率数据的第一植被指数时间序列和红外波段反射率数据的第一植被指数时间序列,再将同一时相的近红外波段反射率数据的第一植被指数时间序列和红外波段反射率数据的第一植被指数时间序列镶嵌拼接,获得覆盖监测区作物生长期内的第一植被指数时间序列;
S42.根据耕地类型对物候分区后的第一植被指数时间序列进行均值计算,获取每一物候区同一耕地类型的植被指数均值时间序列,所有时相同一物候区同一耕地类型作物的归一化植被指数均值数据构成归一化植被指数均值时间序列。
5.根据权利要求1所述的作物长势监测方法,其特征在于,在所述步骤S5中将所述第一植被指数时间序列与归一化植被指数均值时间序列进行标准化处理,以获取被监测区域基准年不同物候区、不同耕地类型的作物进行同一量级比较的归一化植被指数时间序列,即标准化植被指数时间序列,包括:
将对应时相的第一植被指数时间序列除以归一化植被指数均值时间序列;
标准化植被指数时间序列由所有时相的标准化植被指数数据组成。
6.根据权利要求1所述的作物长势监测方法,其特征在于,在所述步骤S6中对所述标准化植被指数时间序列进行分级处理,获取作物的长势信息,包括:
S61.采用1/2标准差分级方法对各时相作物对应像元的标准化植被指数时间序列进行分级处理;
S52.根据分级后的各时相作物对应像元的标准化植被指数时间序列生成作物长势图像。
7.一种作物长势监测系统,其特征在于,包括下述步骤:
获取单元,用以获取监测区的地表反射率数据和植被指数数据;
预处理单元,连接所述获取单元,用以对所述地表反射率数据进行预处理获取第一植被指数时间序列,对所述植被指数数据进行预处理获取第二植被指数时间序列;
分区单元,连接所述预处理单元,用以根据所述第二植被指数时间序列进行物候分区;
均值计算单元,连接所述分区单元,用以基于所述物候分区和耕地类型对所述第一植被指数时间序列进行同一物候区同一耕地类型作物的归一化植被指数均值计算,以获取每一物候区相同耕地类型作物的植被指数均值时间序列,所有时相同一物候区同一耕地类型作物的归一化植被指数均值数据构成归一化植被指数均值时间序列;
标准化单元,连接所述均值计算单元,用以将所述第一植被指数时间序列与归一化植被指数均值时间序列进行标准化处理,以获取被监测区域基准年不同物候区、不同耕地类型的作物进行同一量级比较的归一化植被指数时间序列,即标准化植被指数时间序列;
分级单元,连接所述标准化单元,用以对所述标准化植被指数时间序列进行分级处理,获取作物的长势信息。
8.根据权利要求7所述的作物长势监测系统,其特征在于,所述地表反射率数据包括近红外波段反射率数据和红外波段反射率数据两种;
所述预处理单元用以分别对所述近红外波段反射率数据和所述红外波段反射率数据依次进行投影转化、重采样、镶嵌和波段反射率提取处理,以获取所述近红外波段反射率数据时间序列和所述红外波段反射率数据时间序列;
所述预处理单元还用以对提取监测区所述植被指数数据依次进行投影转化、重采样、镶嵌和归一化植被指数提取处理,以获取在基准年全年的植被覆盖指数时间序列。
9.根据权利要求8所述的作物长势监测系统,其特征在于,所述分区单元用以对所述第二植被指数时间序列进行平滑重构,在监测区根据作物的物候特征,采用卷积平滑算法进行滤波平滑,提取11个物候参数,对11个物候参数进行标准化处理,统一数值范围,提取每个物候参数的有效成分,以对监测区进行分区获得物候分区。
10.根据权利要求7所述的作物长势监测系统,其特征在于,所述标准化单元用以将对应时相的第一植被指数时间序列除以归一化植被指数均值时间序列;标准化植被指数时间序列由所有时相的标准化植被指数数据组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810906327.3A CN109211791B (zh) | 2018-08-10 | 2018-08-10 | 作物长势监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810906327.3A CN109211791B (zh) | 2018-08-10 | 2018-08-10 | 作物长势监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109211791A true CN109211791A (zh) | 2019-01-15 |
CN109211791B CN109211791B (zh) | 2020-09-22 |
Family
ID=64989106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810906327.3A Active CN109211791B (zh) | 2018-08-10 | 2018-08-10 | 作物长势监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109211791B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059890A (zh) * | 2019-04-26 | 2019-07-26 | 北京观微科技有限公司 | 县域尺度农业洪涝监测方法及系统 |
CN110487793A (zh) * | 2019-08-29 | 2019-11-22 | 北京麦飞科技有限公司 | 病虫害时间动态分布监测方法及系统 |
CN112132066A (zh) * | 2020-09-27 | 2020-12-25 | 中国科学院空天信息创新研究院 | 一种基于模糊逻辑的物候过渡带提取方法 |
CN113822360A (zh) * | 2021-09-24 | 2021-12-21 | 中化现代农业有限公司 | 一种作物的物候期确定方法及装置 |
CN114463647A (zh) * | 2021-12-22 | 2022-05-10 | 广州极飞科技股份有限公司 | 一种作业方法、装置、设备及存储介质 |
CN114581401A (zh) * | 2022-03-03 | 2022-06-03 | 平安科技(深圳)有限公司 | 农作物长势的监测方法、系统、设备及介质 |
CN115684067A (zh) * | 2022-10-10 | 2023-02-03 | 广西壮族自治区亚热带作物研究所(广西亚热带农产品加工研究所) | 一种农作物栽培基质中水肥含量检测方法 |
CN118296358A (zh) * | 2024-05-31 | 2024-07-05 | 中化现代农业有限公司 | 一种面向单一作物的连续生长曲线动态提取方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651096A (zh) * | 2012-04-28 | 2012-08-29 | 中国农业大学 | 同化叶面积指数时序曲线特征的冬小麦估产方法 |
CN103971199A (zh) * | 2014-04-08 | 2014-08-06 | 武汉禾讯农业信息科技有限公司 | 一种大范围农作物长势的遥感评级方法 |
CN105930633A (zh) * | 2016-04-05 | 2016-09-07 | 中国科学院遥感与数字地球研究所 | 一种城市热岛效应的预测方法 |
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 |
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
- 2018-08-10 CN CN201810906327.3A patent/CN109211791B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651096A (zh) * | 2012-04-28 | 2012-08-29 | 中国农业大学 | 同化叶面积指数时序曲线特征的冬小麦估产方法 |
CN103971199A (zh) * | 2014-04-08 | 2014-08-06 | 武汉禾讯农业信息科技有限公司 | 一种大范围农作物长势的遥感评级方法 |
CN105930633A (zh) * | 2016-04-05 | 2016-09-07 | 中国科学院遥感与数字地球研究所 | 一种城市热岛效应的预测方法 |
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 |
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 |
Non-Patent Citations (1)
Title |
---|
胡文: "黑龙江省雹灾遥感监测及时空特征分析", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059890A (zh) * | 2019-04-26 | 2019-07-26 | 北京观微科技有限公司 | 县域尺度农业洪涝监测方法及系统 |
CN110487793A (zh) * | 2019-08-29 | 2019-11-22 | 北京麦飞科技有限公司 | 病虫害时间动态分布监测方法及系统 |
CN112132066A (zh) * | 2020-09-27 | 2020-12-25 | 中国科学院空天信息创新研究院 | 一种基于模糊逻辑的物候过渡带提取方法 |
CN112132066B (zh) * | 2020-09-27 | 2022-08-30 | 中国科学院空天信息创新研究院 | 一种基于模糊逻辑的物候过渡带提取方法 |
CN113822360A (zh) * | 2021-09-24 | 2021-12-21 | 中化现代农业有限公司 | 一种作物的物候期确定方法及装置 |
CN113822360B (zh) * | 2021-09-24 | 2022-04-22 | 中化现代农业有限公司 | 一种作物的物候期确定方法及装置 |
CN114463647A (zh) * | 2021-12-22 | 2022-05-10 | 广州极飞科技股份有限公司 | 一种作业方法、装置、设备及存储介质 |
CN114581401A (zh) * | 2022-03-03 | 2022-06-03 | 平安科技(深圳)有限公司 | 农作物长势的监测方法、系统、设备及介质 |
WO2023165007A1 (zh) * | 2022-03-03 | 2023-09-07 | 平安科技(深圳)有限公司 | 农作物长势的监测方法、系统、设备及介质 |
CN115684067A (zh) * | 2022-10-10 | 2023-02-03 | 广西壮族自治区亚热带作物研究所(广西亚热带农产品加工研究所) | 一种农作物栽培基质中水肥含量检测方法 |
CN118296358A (zh) * | 2024-05-31 | 2024-07-05 | 中化现代农业有限公司 | 一种面向单一作物的连续生长曲线动态提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109211791B (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109211791A (zh) | 作物长势监测方法及系统 | |
Pan et al. | Mapping cropping intensity in Huaihe basin using phenology algorithm, all Sentinel-2 and Landsat images in Google Earth Engine | |
Zeng et al. | A review of vegetation phenological metrics extraction using time-series, multispectral satellite data | |
Comba et al. | Leaf Area Index evaluation in vineyards using 3D point clouds from UAV imagery | |
Esquerdo et al. | Use of NDVI/AVHRR time-series profiles for soybean crop monitoring in Brazil | |
CN106918816B (zh) | 农作物长势监测系统及其数据处理方法和模块 | |
Pasolli et al. | Retrieval of Leaf Area Index in mountain grasslands in the Alps from MODIS satellite imagery | |
CN101699315B (zh) | 一种作物长势均匀度的监测装置和方法 | |
Ren et al. | Winter wheat planted area monitoring and yield modeling using MODIS data in the Huang-Huai-Hai Plain, China | |
Kiptala et al. | Land use and land cover classification using phenological variability from MODIS vegetation in the Upper Pangani River Basin, Eastern Africa | |
Gandharum et al. | Remote sensing versus the area sampling frame method in paddy rice acreage estimation in Indramayu regency, West Java province, Indonesia | |
Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
Wenwen et al. | High spatial-and temporal-resolution NDVI produced by the assimilation of MODIS and HJ-1 data | |
Doraiswamy et al. | Operational prediction of crop yields using MODIS data and products | |
Beeri et al. | Geographical model for precise agriculture monitoring with real-time remote sensing | |
Zahran et al. | Remote sensing based water resources and agriculture spatial indicators system | |
Ferro et al. | Assessment of vineyard vigour and yield spatio-temporal variability based on UAV high resolution multispectral images | |
TAO et al. | Fusing multi-source data to map spatio-temporal dynamics of winter rape on the Jianghan Plain and Dongting Lake Plain, China | |
Kasimati et al. | Investigation of the similarities between NDVI maps from different proximal and remote sensing platforms in explaining vineyard variability | |
Danaher et al. | Remote sensing of tree-grass systems: The Eastern Australian Woodlands | |
Sun et al. | Monitoring rice lodging grade via Sentinel-2A images based on change vector analysis | |
Bellvert et al. | Assimilation of sentinel-2 biophysical variables into a digital twin for the automated irrigation scheduling of a vineyard | |
Lee et al. | Analysis of differences in vegetation phenology cycle of abandoned farmland, using harmonic analysis of time-series vegetation indices data: the case of Gwangyang City, South Korea | |
CN114359725B (zh) | 基于作物模型与同化技术的作物长势遥感监测系统及方法 | |
Liu et al. | Cropping intensity map of China with 10 m spatial resolution from analyses of time-series Landsat-7/8 and Sentinel-2 images |
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 |