CN109272460A - 水田信息提取方法及系统 - Google Patents

水田信息提取方法及系统 Download PDF

Info

Publication number
CN109272460A
CN109272460A CN201810993634.XA CN201810993634A CN109272460A CN 109272460 A CN109272460 A CN 109272460A CN 201810993634 A CN201810993634 A CN 201810993634A CN 109272460 A CN109272460 A CN 109272460A
Authority
CN
China
Prior art keywords
data
paddy field
monitoring data
period
monitoring
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
Application number
CN201810993634.XA
Other languages
English (en)
Inventor
殷继先
汪磊
潘富成
李强
李奕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Guanwei Technology Co Ltd
Original Assignee
Beijing Guanwei Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Guanwei Technology Co Ltd filed Critical Beijing Guanwei Technology Co Ltd
Priority to CN201810993634.XA priority Critical patent/CN109272460A/zh
Publication of CN109272460A publication Critical patent/CN109272460A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了水田信息提取方法及系统，属于农作物技术领域。水田信息提取方法为分别采集被监测区域在同一年的裸土时期、水田灌水时期和作物生长期中期的监测数据；对所述监测数据进行预处理；对经预处理后的所述裸土时期的监测数据和所述作物生长期中期的监测数据进行多尺度分割，获取耕地区域数据；采用非监督分类迭代自组织分析算法以所述耕地区域数据为掩膜对经预处理后的所述水田灌水时期的监测数据进行获取水田数据；对所述水田数据栅格数据矢量化，以获取水田作物的播种范围和面积信息。本发明能够快速、准确地获取水田耕地信息，利用少量遥感影像数据，避免了数据的冗余。

Description

水田信息提取方法及系统
技术领域
本发明涉及农作物技术领域，尤其涉及一种基于非监督分类迭代自组织分析算法的水田信息提取方法及系统。
背景技术
坚守18亿亩耕地保护红线是当前及今后国土资源管理部门的重要职责，当前国家正在开展永久性基本农田划定，保护耕地，特别是对耕地中水田的保护是耕地保护工作的重要内容。目前，水田的遥感提取大多选择长时间序列数据源和监督分类的方法，一方面，该方法需要的数据量大，造成了数据的冗余；另一方面，监督分类方法不仅耗费较大的人力和时间，而且由于人工参与较多导致分类结果的精度下降。
发明内容
针对目前水田信息提取方法所需数据量大、分类过程人工参与较多的问题，现提供一种旨在实现可利用少量数据源、无需人工参与提取数据效率高的水田信息提取方法及系统。
本发明提供了一种水田信息提取方法，包括下述步骤：
S1.分别采集被监测区域在同一年的裸土时期、水田灌水时期和作物生长期中期的监测数据；
S2.对所述监测数据进行预处理；
S3.对经预处理后的所述裸土时期的监测数据和所述作物生长期中期的监测数据进行多尺度分割，获取耕地区域数据；
S4.采用非监督分类迭代自组织分析算法以所述耕地区域数据为掩膜对经预处理后的所述水田灌水时期的监测数据进行获取水田数据；
S5.对所述水田数据栅格数据矢量化，以获取水田作物的播种范围和面积信息。
优选的，所述裸土时期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据；
所述水田灌水时期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据；
所述作物生长期中期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据。
优选的，所述对所述监测数据进行预处理，包括：
当所述监测数据为WFV数据时，对所述监测数据进行预处理为：对所述WFV数据依次进行大气校正、正射校正、正射校正和自动配准处理；
当所述监测数据为HJ-1A/1B CCD数据时，对所述监测数据进行预处理为：对所述HJ-1A/1B CCD数据依次进行大气校正、正射校正、正射校正和自动配准处理；
当所述监测数据为Landsat-8数据时，对所述监测数据进行预处理为：将所述HJ-1A/1B CCD数据的蓝波段、绿波段、红波段和近红外波段叠加，采用立体卷积法与全色波段进行融合处理；
当所述监测数据为Sentinel-2A数据时，对所述监测数据进行预处理为：将所述Sentinel-2A数据的蓝波段、绿波段、红波段和近红外波段分别进行格式转换，再进行波段叠加处理。
优选的，在所述步骤S3中，对经预处理后的所述裸土时期的监测数据和所述作物生长期中期的监测数据进行多尺度分割，获取耕地区域数据，包括：
S31.对经预处理后的所述裸土时期的监测数据进行多尺度分割，获取分割数据；
S32.基于所述分割数据对所述作物生长期中期的监测数据进行多尺度分割，获取基础耕地区域数据；
S33.采用非监督分类迭代自组织分析算法以所述基础耕地区域数据为掩膜进行边缘锐化获取耕地区域数据。
本发明还提供了一种水田信息提取系统，包括：
采集单元，用于分别采集被监测区域在同一年的裸土时期、水田灌水时期和作物生长期中期的监测数据；
预处理单元，用于对所述监测数据进行预处理；
提取单元，用于对经预处理后的所述裸土时期的监测数据和所述作物生长期中期的监测数据进行多尺度分割，获取耕地区域数据；
处理单元，用于采用非监督分类迭代自组织分析算法以所述耕地区域数据为掩膜对经预处理后的所述水田灌水时期的监测数据进行获取水田数据；
获取单元，用于对所述水田数据栅格数据矢量化，以获取水田作物的播种范围和面积信息。
优选的，所述裸土时期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据；
所述水田灌水时期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据；
所述作物生长期中期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据。
优选的，当所述监测数据为WFV数据时，所述预处理单元用于对所述WFV数据依次进行大气校正、正射校正、正射校正和自动配准处理；
当所述监测数据为HJ-1A/1B CCD数据时，所述预处理单元用于对所述HJ-1A/1BCCD数据依次进行大气校正、正射校正、正射校正和自动配准处理；
当所述监测数据为Landsat-8数据时，所述预处理单元用于将所述HJ-1A/1B CCD数据的蓝波段、绿波段、红波段和近红外波段叠加，采用立体卷积法与全色波段进行融合处理；
当所述监测数据为Sentinel-2A数据时，所述预处理单元用于将所述Sentinel-2A数据的蓝波段、绿波段、红波段和近红外波段分别进行格式转换，再进行波段叠加处理。
优选的，所述提取单元包括：
分割模块，用于对经预处理后的所述裸土时期的监测数据进行多尺度分割，获取分割数据，基于所述分割数据对所述作物生长期中期的监测数据进行多尺度分割，获取基础耕地区域数据；
边缘锐化模块，用于采用非监督分类迭代自组织分析算法以所述基础耕地区域数据为掩膜进行边缘锐化获取耕地区域数据。
上述技术方案的有益效果：
本技术方案中，本发明能够快速、准确地获取水田耕地信息，利用少量遥感影像数据，避免了数据的冗余；基于非监督分类迭代自组织分析算法，无需人工过多参与，减少人为干预造成的误差，且运算简单，适用于大数据量的聚类识别，水田信息提取结果精度高。
附图说明
图1为本发明所述的水田信息提取方法的一种实施例的方法流程图；
图2为本发明所述的水田信息提取系统的一种实施例的模块图；
图3为A地区的耕地范围分布图；
图4为A地区的水田分布图。
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，本发明提供了一种水田信息提取方法，包括下述步骤：
S1.分别采集被监测区域在同一年的裸土时期、水田灌水时期和作物生长期中期的监测数据；
进一步地，所述裸土时期监测数据采用高分一号WFV数据(高分一号(GF-1)卫星搭载的四台16m分辨率多光谱相机WFV拍摄的数据)，或HJ-1A/1B CCD数据(环境与灾害监测预报小卫星拍摄的多光谱数据)，或Landsat-8数据(美国航空航天局发射Landsat-8卫星拍摄的数据)，或Sentinel-2A数据(哨兵2A卫星携带的多光谱成像仪(可覆盖13个光谱波段，幅宽达290千米)拍摄的数据)；
所述水田灌水时期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据；
所述作物生长期中期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据。
在本实施例中，可选用高分一号WFV数据、HJ-1A/1B CCD数据、Landsat-8数据或Sentinel-2A数据等遥感影像数据，以满足高空间辨率、多光谱与宽覆盖相结合的监测需求，以上数据均可免费获取，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、森林监测、气候变化等多个领域发挥重大的意义。
S2.对所述监测数据进行预处理；
在本实施例中，所述对所述监测数据进行预处理，包括：
当所述监测数据为WFV数据时，对所述监测数据进行预处理为：对所述WFV数据依次进行大气校正、正射校正、正射校正和自动配准处理；
当所述监测数据为HJ-1A/1B CCD数据时，对所述监测数据进行预处理为：对所述HJ-1A/1B CCD数据依次进行大气校正、正射校正、正射校正和自动配准处理；
当所述监测数据为Landsat-8数据时，对所述监测数据进行预处理为：将所述HJ-1A/1B CCD数据的蓝波段、绿波段、红波段和近红外波段叠加，采用立体卷积法与全色波段进行融合处理；
当所述监测数据为Sentinel-2A数据时，对所述监测数据进行预处理为：将所述Sentinel-2A数据的蓝波段、绿波段、红波段和近红外波段分别进行格式转换，再进行波段叠加处理。
S3.对经预处理后的所述裸土时期的监测数据和所述作物生长期中期的监测数据进行多尺度分割，获取耕地区域数据；
进一步地，步骤S3包括：
S31.对经预处理后的所述裸土时期的监测数据进行多尺度分割，获取分割数据；
S32.基于所述分割数据对所述作物生长期中期的监测数据进行多尺度分割，获取基础耕地区域数据；
利用面向对象法对覆盖被监测区域的裸土时期和作物生长期中期遥感影像进行多尺度分割，裸土时期可以较好地将耕地与林地、草地等植被区分开，生长期中期可以较好地将耕地与未利用地、建筑用地区分开；再进行光谱差异分割，从而获得耕地范围的分割数据；
S33.采用非监督分类迭代自组织分析算法以所述基础耕地区域数据为掩膜进行边缘锐化获取耕地区域数据。
利用非监督分类迭代自组织分析算法，以基础耕地区域数据为感兴趣区掩膜，进行图像的二次分类，可解决基础耕地区域数据边界模糊的问题，获得较高精度的耕地范围数据。该分类方法无需人工过多参与，减少人为干预造成的误差，且运算简单，适用于大数据量的聚类识别。
S4.采用非监督分类迭代自组织分析算法以所述耕地区域数据为掩膜对经预处理后的所述水田灌水时期的监测数据进行获取水田数据；
以获取的耕地区域数据为感兴趣区掩膜，利用非监督分类迭代自组织分析算法区分旱田和水田；此时期水田区域灌水量较多，而其它旱地农作物还未播种，两种类型耕地的光谱特征差异明显，容易区分。
S5.对所述水田数据栅格数据矢量化，以获取水田作物的播种范围和面积信息。
在本实施例中，采用本方法能够快速、准确地获取水田耕地信息，利用少量遥感影像数据，避免了数据的冗余；基于非监督分类迭代自组织分析算法，无需人工过多参与，减少人为干预造成的误差，且运算简单，适用于大数据量的聚类识别，水田信息提取结果精度高。
作为一个实例，以吉林省榆树市为例，提取2017年吉林省榆树市水田播种范围和面积信息，采用本发明所述的水田信息提取方法具体过程如下：
步骤一：下载覆盖吉林省榆树市2017年4月(裸土时期)、5月中下旬(水田灌水时期)、7月(作物生长期中期)的遥感影像数据；其中，2017年4月2日的Landsat-8数据以及5月18日和7月15日的数据为高分一号WFV数据；
步骤二：对Landsat-8数据进行波段叠加和融合等预处理，对高分一号WFV数据进行辐射定标、大气校正、正射校正和自动配准等预处理；
步骤三：利用面向对象法对覆盖吉林省榆树市的2017年4月2日的Landsat-8数据和2017年7月15日的高分一号WFV数据进行多尺度分割，4月2日的影像数据可以较好地将耕地与林地、草地等植被区分开，7月15日的影像数据可以较好地将耕地与未利用地、建筑用地区分开；再进行光谱差异分割，从而获得吉林省榆树市耕地范围的分割效果；
步骤四：利用非监督分类迭代自组织分析算法，以步骤三获取的吉林省榆树市耕地范围为感兴趣区掩膜，对步骤三中所用的两期遥感影像进行二次分类，可解决步骤三获取的耕地数据边界模糊的问题，获得较高精度的耕地范围数据。该分类方法无需人工过多参与，减少人为干预造成的误差，且运算简单，适用于大数据量的聚类识别；
步骤五：选用2017年5月18日的高分一号WFV数据，以步骤四中获取的耕地范围为感兴趣区掩膜，利用非监督分类迭代自组织分析算法区分旱田和水田。此时期吉林省榆树市的水田区域灌水量较多，而其它旱地农作物还未播种，两种类型耕地光谱特征差异明显，容易区分；
步骤六：将步骤五的获取的吉林省榆树市水田栅格数据矢量化，在矢量数据属性表中计算水田面积，获得水田作物的播种范围和面积信息。
图3中A地区为吉林省榆树市的耕地范围分布图，图4中A地区为吉林省榆树市的水田分布图。
如图2所示，本发明还提供了一种水田信息提取系统，包括：采集单元1、预处理单元2、提取单元3、处理单元4和获取单元5，其中：
采集单元1，用于分别采集被监测区域在同一年的裸土时期、水田灌水时期和作物生长期中期的监测数据；
预处理单元2，用于对所述监测数据进行预处理；
提取单元3，用于对经预处理后的所述裸土时期的监测数据和所述作物生长期中期的监测数据进行多尺度分割，获取耕地区域数据；
处理单元4，用于采用非监督分类迭代自组织分析算法以所述耕地区域数据为掩膜对经预处理后的所述水田灌水时期的监测数据进行获取水田数据；
获取单元5，用于对所述水田数据栅格数据矢量化，以获取水田作物的播种范围和面积信息。
在本实施例中，采用水田信息提取系统能够快速、准确地获取水田耕地信息，利用少量遥感影像数据，避免了数据的冗余；基于非监督分类迭代自组织分析算法，无需人工过多参与，减少人为干预造成的误差，且运算简单，适用于大数据量的聚类识别，水田信息提取结果精度高。
在优选的实施例中，所述裸土时期监测数据采用高分一号WFV数据，或HJ-1A/1BCCD数据，或Landsat-8数据，或Sentinel-2A数据；
所述水田灌水时期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据；
所述作物生长期中期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据。
在优选的实施例中，当所述监测数据为WFV数据时，所述预处理单元2用于对所述WFV数据依次进行大气校正、正射校正、正射校正和自动配准处理；
当所述监测数据为HJ-1A/1B CCD数据时，所述预处理单元2用于对所述HJ-1A/1BCCD数据依次进行大气校正、正射校正、正射校正和自动配准处理；
当所述监测数据为Landsat-8数据时，所述预处理单元2用于将所述HJ-1A/1B CCD数据的蓝波段、绿波段、红波段和近红外波段叠加，采用立体卷积法与全色波段进行融合处理；
当所述监测数据为Sentinel-2A数据时，所述预处理单元2用于将所述Sentinel-2A数据的蓝波段、绿波段、红波段和近红外波段分别进行格式转换，再进行波段叠加处理。
在优选的实施例中，所述提取单元3可包括：
分割模块，用于对经预处理后的所述裸土时期的监测数据进行多尺度分割，获取分割数据，基于所述分割数据对所述作物生长期中期的监测数据进行多尺度分割，获取基础耕地区域数据；
边缘锐化模块，用于采用非监督分类迭代自组织分析算法以所述基础耕地区域数据为掩膜进行边缘锐化获取耕地区域数据。
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 (8)

1.一种水田信息提取方法，其特征在于，包括下述步骤：
S1.分别采集被监测区域在同一年的裸土时期、水田灌水时期和作物生长期中期的监测数据；
S2.对所述监测数据进行预处理；
S3.对经预处理后的所述裸土时期的监测数据和所述作物生长期中期的监测数据进行多尺度分割，获取耕地区域数据；
S4.采用非监督分类迭代自组织分析算法以所述耕地区域数据为掩膜对经预处理后的所述水田灌水时期的监测数据进行获取水田数据；
S5.对所述水田数据栅格数据矢量化，以获取水田作物的播种范围和面积信息。
2.根据权利要求1所述的水田信息提取方法，其特征在于，所述裸土时期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据；
所述水田灌水时期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据；
所述作物生长期中期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据。
3.根据权利要求2所述的水田信息提取方法，其特征在于，所述对所述监测数据进行预处理，包括：
当所述监测数据为WFV数据时，对所述监测数据进行预处理为：对所述WFV数据依次进行大气校正、正射校正、正射校正和自动配准处理；
当所述监测数据为HJ-1A/1B CCD数据时，对所述监测数据进行预处理为：对所述HJ-1A/1B CCD数据依次进行大气校正、正射校正、正射校正和自动配准处理；
当所述监测数据为Landsat-8数据时，对所述监测数据进行预处理为：将所述HJ-1A/1BCCD数据的蓝波段、绿波段、红波段和近红外波段叠加，采用立体卷积法与全色波段进行融合处理；
当所述监测数据为Sentinel-2A数据时，对所述监测数据进行预处理为：将所述Sentinel-2A数据的蓝波段、绿波段、红波段和近红外波段分别进行格式转换，再进行波段叠加处理。
4.根据权利要求1所述的水田信息提取方法，其特征在于，在所述步骤S3中，对经预处理后的所述裸土时期的监测数据和所述作物生长期中期的监测数据进行多尺度分割，获取耕地区域数据，包括：
S31.对经预处理后的所述裸土时期的监测数据进行多尺度分割，获取分割数据；
S32.基于所述分割数据对所述作物生长期中期的监测数据进行多尺度分割，获取基础耕地区域数据；
S33.采用非监督分类迭代自组织分析算法以所述基础耕地区域数据为掩膜进行边缘锐化获取耕地区域数据。
5.一种水田信息提取系统，其特征在于，包括：
采集单元，用于分别采集被监测区域在同一年的裸土时期、水田灌水时期和作物生长期中期的监测数据；
预处理单元，用于对所述监测数据进行预处理；
提取单元，用于对经预处理后的所述裸土时期的监测数据和所述作物生长期中期的监测数据进行多尺度分割，获取耕地区域数据；
处理单元，用于采用非监督分类迭代自组织分析算法以所述耕地区域数据为掩膜对经预处理后的所述水田灌水时期的监测数据进行获取水田数据；
获取单元，用于对所述水田数据栅格数据矢量化，以获取水田作物的播种范围和面积信息。
6.根据权利要求5所述的水田信息提取系统，其特征在于，所述裸土时期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据；
所述水田灌水时期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据；
所述作物生长期中期监测数据采用高分一号WFV数据，或HJ-1A/1B CCD数据，或Landsat-8数据，或Sentinel-2A数据。
7.根据权利要求6所述的水田信息提取系统，其特征在于：
当所述监测数据为WFV数据时，所述预处理单元用于对所述WFV数据依次进行大气校正、正射校正、正射校正和自动配准处理；
当所述监测数据为HJ-1A/1B CCD数据时，所述预处理单元用于对所述HJ-1A/1B CCD数据依次进行大气校正、正射校正、正射校正和自动配准处理；
当所述监测数据为Landsat-8数据时，所述预处理单元用于将所述HJ-1A/1B CCD数据的蓝波段、绿波段、红波段和近红外波段叠加，采用立体卷积法与全色波段进行融合处理；
当所述监测数据为Sentinel-2A数据时，所述预处理单元用于将所述Sentinel-2A数据的蓝波段、绿波段、红波段和近红外波段分别进行格式转换，再进行波段叠加处理。
8.根据权利要求5所述的水田信息提取系统，其特征在于，所述提取单元包括：
分割模块，用于对经预处理后的所述裸土时期的监测数据进行多尺度分割，获取分割数据，基于所述分割数据对所述作物生长期中期的监测数据进行多尺度分割，获取基础耕地区域数据；
边缘锐化模块，用于采用非监督分类迭代自组织分析算法以所述基础耕地区域数据为掩膜进行边缘锐化获取耕地区域数据。
CN201810993634.XA 2018-08-29 2018-08-29 水田信息提取方法及系统 Pending CN109272460A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810993634.XA CN109272460A (zh) 2018-08-29 2018-08-29 水田信息提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810993634.XA CN109272460A (zh) 2018-08-29 2018-08-29 水田信息提取方法及系统

Publications (1)

Publication Number Publication Date
CN109272460A true CN109272460A (zh) 2019-01-25

Family

ID=65154865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810993634.XA Pending CN109272460A (zh) 2018-08-29 2018-08-29 水田信息提取方法及系统

Country Status (1)

Country Link
CN (1) CN109272460A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
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
CN110337963A (zh) * 2019-06-17 2019-10-18 杨明 自适应温室供暖机构
CN114782832A (zh) * 2022-06-24 2022-07-22 中国农业科学院农业资源与农业区划研究所 农作物提取方法、装置、可读存储介质及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268559A (zh) * 2014-09-15 2015-01-07 中国科学院东北地理与农业生态研究所 基于面向对象和中等分辨率遥感图像的水田与旱地区分方法
CN106971146A (zh) * 2017-03-03 2017-07-21 环境保护部卫星环境应用中心 基于三查技术的水体异常遥感动态监控方法、装置和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268559A (zh) * 2014-09-15 2015-01-07 中国科学院东北地理与农业生态研究所 基于面向对象和中等分辨率遥感图像的水田与旱地区分方法
CN106971146A (zh) * 2017-03-03 2017-07-21 环境保护部卫星环境应用中心 基于三查技术的水体异常遥感动态监控方法、装置和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
付强: "基于多源数据的田块尺度精准管理分区研究", 《中国优秀硕士论文全文数据库农业科技辑》 *
任玉冰等: "迭代非监督分类快速提取林地信息的研究", 《干旱环境监测》 *

Cited By (3)

* Cited by examiner, † Cited by third party
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
CN110337963A (zh) * 2019-06-17 2019-10-18 杨明 自适应温室供暖机构
CN114782832A (zh) * 2022-06-24 2022-07-22 中国农业科学院农业资源与农业区划研究所 农作物提取方法、装置、可读存储介质及电子设备

Similar Documents

Publication Publication Date Title
Cohen et al. Mapping water status based on aerial thermal imagery: comparison of methodologies for upscaling from a single leaf to commercial fields
US11440659B2 (en) Precision agriculture implementation method by UAV systems and artificial intelligence image processing technologies
Norasma et al. Unmanned aerial vehicle applications in agriculture
Rosell et al. A review of methods and applications of the geometric characterization of tree crops in agricultural activities
Hoffmann et al. Crop water stress maps for an entire growing season from visible and thermal UAV imagery
US20200214231A1 (en) Methods and systems for irrigation guidance
GB2598012A (en) System and method for crop monitoring
CN109272460A (zh) 水田信息提取方法及系统
Cunha et al. Estimating vegetation volume of coffee crops using images from unmanned aerial vehicles
CN104951772B (zh) 一种基于ndvi时间序列曲线积分的冬小麦提取方法
Kotsuki et al. SACRA–a method for the estimation of global high-resolution crop calendars from a satellite-sensed NDVI
Chaurasia et al. Development of regional wheat VI-LAI models using Resourcesat-1 AWiFS data
CN108280410A (zh) 一种基于二进制编码的农作物识别方法及系统
Nowak et al. Estimation of winter soil cover by vegetation before spring-sown crops for mainland France using multispectral satellite imagery
Jang et al. Mapping paddy rice varieties using multi-temporal RADARSAT SAR images
Aydoğan Drone technology in agricultural mechanization
Pascuzzi et al. Unmanned aerial vehicle used for remote sensing on an Apulian farm in southern Italy
CN115512233A (zh) 地块尺度耕地种植属性多时相遥感提取方法
CN113869675A (zh) 基于遥感的植被去污计算的方法、装置及电子设备
Schuler Remote sensing experiences in production fields
Hardanto et al. Crop stage classification using supervised algorithm based on UAV and Landsat 8 image
Champagne et al. Detecting crop damage using Sentinel-2 imagery in a smallholder agriculture landscape
Hong et al. Classification of summer paddy and winter cropping fields using Sentinel-2 images
Rajan Estimation of crop water use for different cropping systems in the Texas High Plains using remote sensing
Feng et al. Unmanned Aerial Vehicle (UAV) Applications in Cotton Production

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: 20190125