CN109345555B - 基于多时相多源遥感数据进行水稻识别的方法 - Google Patents

基于多时相多源遥感数据进行水稻识别的方法 Download PDF

Info

Publication number
CN109345555B
CN109345555B CN201811196890.2A CN201811196890A CN109345555B CN 109345555 B CN109345555 B CN 109345555B CN 201811196890 A CN201811196890 A CN 201811196890A CN 109345555 B CN109345555 B CN 109345555B
Authority
CN
China
Prior art keywords
rice
data
remote sensing
image
radar
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
Application number
CN201811196890.2A
Other languages
English (en)
Other versions
CN109345555A (zh
Inventor
李坤
李宏宇
国贤玉
邵芸
王志勇
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.)
Zhongke Satellite Application Deqing Research Institute
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Zhongke Satellite Application Deqing Research Institute
Institute of Remote Sensing and Digital Earth of CAS
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 Zhongke Satellite Application Deqing Research Institute, Institute of Remote Sensing and Digital Earth of CAS filed Critical Zhongke Satellite Application Deqing Research Institute
Priority to CN201811196890.2A priority Critical patent/CN109345555B/zh
Publication of CN109345555A publication Critical patent/CN109345555A/zh
Application granted granted Critical
Publication of CN109345555B publication Critical patent/CN109345555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • 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
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Geometry (AREA)
  • Analytical Chemistry (AREA)
  • Electromagnetism (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请公开了一种基于多时相多源遥感数据进行水稻识别的方法，方法包括数据获取：包括获取比对数据和待测水稻样本数据、获取待测水稻生长期内的遥感雷达影像、以及获取待测水稻生长期内的光学数据，雷达数据波段组合筛选，雷达图像特征提取，不同种类待测水稻识别，将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行精度评价。本发明结合了雷达数据和光学数据多种遥感数据源，深度挖掘了雷达数据在农业方面的应用前景，为科学的指导农事提供了可靠的依据；与传统依靠野外测量调查水稻种类的方法相比，本发明节省了大量的人力物力财力；与遥感光学数据相比，本发明所使用的雷达数据更具有稳定性，在多云多雨的南方更具有优势。

Description

基于多时相多源遥感数据进行水稻识别的方法
技术领域
本发明涉及基于多源遥感数据进行农作物识别的领域，具体地说，涉及基于多时相多源遥感数据进行水稻识别的方法。
背景技术
水稻是人类最主要的粮食来源，全球超过一半的人口以大米为主食，尤其是对亚洲、非洲和拉美地区的发展中国家，粮食的安全生产显得尤为重要。水稻是世界三大粮食作物之一，在我国乃至世界的粮食生产结构中占有十分重要的地位，其生产状况与整个世界的粮食安全、社会稳定息息相关。我国以世界水稻种植面积的21.4％获得了世界稻谷产量的34.5％。因此，水稻安全生产的压力尤为巨大，更需要发展必要的技术或方法来实时地监测水稻生长环境，获得水稻安全生产所需的种植面积、长势和生态系统状况等信息。
水稻监测包括很多方面，其中，水稻种植面积统计、物候期识别以及产量预报是三大主要的应用需求。准确掌握水稻种植面积的最新信息对及时了解水稻种植分布，各级政府制定粮食生产政策，以及宏观调控水稻种植区划有着重要意义。
传统的水稻种类识别主要依靠人力进行野外实地调查，这种方法识别精度较高但是费时费力，在进行较大面积的水稻种类识别的时候会浪费很多资源和设备。近年来，随着遥感技术的快速发展，利用遥感技术进行水稻种类的识别逐渐成为一种较为常用的调查手段。光学遥感能反映真实的地物颜色变化且具有重访周期短等优点，但水稻生长期内常伴有云雨天气，特别是在我国南方地区，会有长达数月梅雨季节，这就导致很难及时获取适合监测水稻生长的光学影像。另一方面，在生产应用中，基于光学影像的水稻种类识别常常受到其他农作物生长的干扰而造成误判。
雷达遥感具有全天时全天候的观测能力且不受云雨等气候变化的干扰，具有大范围监测的能力，在农业方面的应用较为广泛。有关雷达数据进行有效的识别农作物的种类和生长状态的研究已经较为成熟。根据水稻不同生长阶段形态上的变化在不同极化方式下的差异，可以将水稻与其他农作物进行区分；不同种类的水稻在同一时期的雷达影像上也有差异。雷达遥感的这些特点使其成为能用于进行水稻分类、监测和估产的重要技术手段。
利用遥感方法识别水稻种类也存在着以下方面的不足：
(1)单一的雷达数据重访周期过长，会错过一些区分不同种类水稻的最佳时期。
(2)单极化数据所能表现的水稻生长信息与全极化数据还有一定距离。
综上所述，现有方法在实际的农田检测应用中存在认知尺度上的局限以及认识方法上的不足。
发明内容
有鉴于此，本发明的目的是提供一种基于多时相多源遥感数据进行水稻识别的方法，其特征在于，包括步骤：
数据获取：包括获取比对数据和待测水稻样本数据、获取待测水稻生长期内的遥感雷达影像、以及获取待测水稻生长期内的光学数据，其中，
所述比对数据为早稻、单季稻、和晚稻的种植面积数据和分布数据，将获取的比对数据的水稻样本点随机筛选出三分之一作为训练样本A1；
通过卫星获取所述待测水稻样本数据；
获取待测水稻生长期内关键生长阶段的遥感雷达影像；
获取待测水稻关键生长阶段的光学数据；
雷达数据波段组合筛选，包括步骤：
对获取的遥感雷达影像和光学数据进行预处理；计算所述光学数据的归一化植被指数NDVI，生成NDVI图像；
将遥感雷达影像与NDVI图像进行配准，采用遥感图像处理软件ENVI以雷达遥感影像为底图，选取控制点进行配准；
从时序获取的遥感雷达影像中筛选波段组合，通过分析不同时相下待测水稻的极化响应特征、统计每个时相遥感雷达影像的均值、标准差、等效视数、辐射分辨率、以及相关系数进行比较，共同筛选出遥感雷达影像所含信息量最丰富的波段组合；
雷达图像特征提取，包括步骤：
利用筛选出的波段组合，生成假彩色合成图像；
分析所述假彩色合成图像的特征，将具有相同颜色的区域进行提取，将具有相同颜色特征的区域作为同一个对象；
根据所提取出的对象对整个研究区进行监督分类；
不同种类待测水稻识别，包括步骤：
提取分析关键遥感参数，分析计算所述训练样本A1在每个时相遥感数据下的关键参数，包括雷达数据HH极化后向散射系数以及光学数据的NDVI；
建立水稻识别算法并得到识别结果，根据所述关键参数使用决策树建立水稻种类识别算法，并对所述对象应用所述水稻种类识别算法，将识别出的早稻、单季稻和晚稻进行合并；
将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行精度评价。
优选地，所述遥感雷达影像为多时相的COSMO-SkyMed卫星影像，所述遥感雷达影像的获取时间分布于早稻、单季稻、晚稻的关键生长阶段，所述光学数据为多时相的德国RapidEye影像，所述光学数据的获取时间分布于早稻、单季稻、晚稻的关键生长阶段。
优选地，所述关键生长阶段包括：播种期、移栽期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期、和成熟期。
优选地，所述将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行精度评价，进一步为，
所述将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行识别面积和重合度计算进行精度评价，采用制图软件ArcMap10.2，分别将所述比对数据的矢量文件、以及所述识别出的早稻、单季稻和晚稻的水稻结果的矢量文件导入到所述制图软件ArcMap10.2中，计算同一种水稻两个矢量文件间的重合面积及重合度来进行精度评价。
优选地，所述采用制图软件ArcMap10.2，分别将所述比对数据的矢量文件、以及所述识别出的早稻、单季稻和晚稻的水稻结果的矢量文件导入到所述制图软件ArcMap10.2中，计算同一种水稻两个矢量文件间的重合面积及重合度来进行精度评价，进一步为，分别计算所述比对数据和所述识别结果的水稻面积：
计算所述比对数据与识别结果之间的重合面积，在制图软件ArcMap10.2中分别打开所述比对数据和识别结果的早稻、单季稻和晚稻的属性表，并添加字段用来存放面积要素，右键单击字段名称选择几何计算，打开几何计算对话框，在属性中选择面积、单位设为公顷，计算出面积；
计算所述比对数据与识别结果之间的重合度，先计算所述比对数据与识别结果之间的重叠区域，再计算重合度，先在矢量叠加ArcToolbox中，选择分析工具/叠加分析/相交，在弹出的对话框中的输入要素里添加要计算重叠区域的两个矢量，其他设置为默认，在输出要素类中添加输出路径和输出文件名，计算出重合区域的面积，计算出的重合面积与所述比对数据相对应的类别面积的比值，即为水稻的重合度。
优选地，所述将遥感雷达影像与NDVI图像进行配准，采用遥感图像处理软件ENVI以雷达遥感影像为底图，选取控制点进行配准，进一步为，
所述遥感雷达影像与所述光学数据的分辨率相近，将遥感雷达影像与光学数据计算得出的NDVI图像进行图像配准，以遥感雷达影像为基准影像，光学数据为待配准影像，选择21个配准点，确保误差范围在1个像元以内。
优选地，所述分析所述假彩色合成图像的特征，将具有相同颜色的区域进行提取，将具有相同颜色特征的区域作为同一个对象，进一步为，采用基于对象特征提取的方法，提取在所述假彩色合成图上颜色呈现出相同颜色或近似颜色变化的图斑,并认为呈现出相同颜色为同一种地物对象。
优选地，所述提取在所述假彩色合成图上颜色呈现出相同颜色或近似颜色变化的特征图斑，进一步为，利用遥感图像处理软件ENVI中的感兴趣区工具，手动提取出所述特征图斑，并转化为矢量文件。
优选地，所述根据所提取出的对象对整个研究区进行监督分类进一步为，提取出不同颜色的图斑作为对象，使用最大似然法进行监督分类。
优选地，还包括根据所述关键参数调整水稻种类识别算法中的阈值，进而调整水稻种类识别算法，进一步为，根据不同时相的SAR数据HH极化后向散射系数和光学数据的NDVI调整水稻种类识别算法中的阈值，统计样本平均值方差，找出区分不同种类水稻的最佳分割阈值，确保决策树的每一分支的识别结果都在80％以上，并保证最后的水稻种类识别算法结果整体到达80％。
与现有技术相比，本发明提供的基于多时相多源遥感数据进行水稻识别的方法，达到如下有益效果：
第一，本发明结合了雷达数据和光学数据多种遥感数据源，深度挖掘了雷达数据在农业方面的应用前景，也为科学的指导农事提供了可靠的依据。
第二，与传统依靠野外测量调查水稻种类的方法相比，本发明节省了大量的人力物力财力。
第三，与遥感光学数据相比，本发明所使用的雷达数据更具有稳定性，在多云多雨的南方更具有优势。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例1中基于多时相多源遥感数据进行水稻识别的方法的流程图；
图2为本发明实施例3中基于多时相多源遥感数据进行水稻识别的方法的实施例的流程图；
图3为本发明水稻识别决策树算法图。
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。应注意到，所描述的实施例实际上仅仅是本发明一部分实施例，而不是全部的实施例，且实际上仅是说明性的，决不作为对本发明及其应用或使用的任何限制。本申请的保护范围当视所附权利要求所界定者为准。
实施例1：
参见图1所示为本申请所述基于多时相多源遥感数据进行水稻识别的方法的具体实施例，该方法包括：
步骤101、数据获取：包括获取比对数据和待测水稻样本数据、获取待测水稻生长期内的遥感雷达影像、以及获取待测水稻生长期内的光学数据，其中，
所述比对数据为早稻、单季稻、和晚稻的种植面积数据和分布数据，将获取的比对数据的水稻样本点随机筛选出三分之一作为训练样本A1；
通过卫星获取所述待测水稻样本数据；
获取待测水稻生长期内关键生长阶段的遥感雷达影像；
获取待测水稻关键生长阶段的光学数据；
步骤102、雷达数据波段组合筛选，包括步骤：
对获取的遥感雷达影像和光学数据进行预处理；计算所述光学数据的归一化植被指数NDVI，生成NDVI图像；
将遥感雷达影像与NDVI图像进行配准，采用遥感图像处理软件ENVI以雷达遥感影像为底图，选取控制点进行配准；
从时序获取的遥感雷达影像中筛选波段组合，通过分析不同时相下待测水稻的极化响应特征、统计每个时相遥感雷达影像的均值、标准差、等效视数、辐射分辨率、以及相关系数进行比较，共同筛选出遥感雷达影像所含信息量最丰富的波段组合；
步骤103、雷达图像特征提取，包括步骤：
利用筛选出的波段组合，生成假彩色合成图像；
分析所述假彩色合成图像的特征，将具有相同颜色的区域进行提取，将具有相同颜色特征的区域作为同一个对象；
根据所提取出的对象对整个研究区进行监督分类；
步骤104、不同种类待测水稻识别，包括步骤：
提取分析关键遥感参数，分析计算所述训练样本A1在每个时相遥感数据下的关键参数，包括雷达数据HH极化后向散射系数以及光学数据的NDVI；
建立水稻识别算法并得到识别结果，根据所述关键参数使用决策树建立水稻种类识别算法，并对所述对象应用所述水稻种类识别算法，将识别出的早稻、单季稻和晚稻进行合并；
步骤105、将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行精度评价。
实施例2：
本申请所述基于多时相多源遥感数据进行水稻识别的方法的具体实施例，该方法包括：
步骤201、数据获取：包括获取比对数据和待测水稻样本数据、获取待测水稻生长期内的遥感雷达影像、以及获取待测水稻生长期内的光学数据，其中，
所述比对数据为早稻、单季稻、和晚稻的种植面积数据和分布数据，将获取的比对数据的水稻样本点随机筛选出三分之一作为训练样本A1；
通过卫星获取所述待测水稻样本数据；
获取待测水稻生长期内关键生长阶段的遥感雷达影像；
获取待测水稻关键生长阶段的光学数据；
步骤202、雷达数据波段组合筛选，包括步骤：
对获取的遥感雷达影像和光学数据进行预处理；计算所述光学数据的归一化植被指数NDVI，生成NDVI图像；
将遥感雷达影像与NDVI图像进行配准，采用遥感图像处理软件ENVI以雷达遥感影像为底图，选取控制点进行配准；
从时序获取的遥感雷达影像中筛选波段组合，通过分析不同时相下待测水稻的极化响应特征、统计每个时相遥感雷达影像的均值、标准差、等效视数、辐射分辨率、以及相关系数进行比较，共同筛选出遥感雷达影像所含信息量最丰富的波段组合；
步骤203、雷达图像特征提取，包括步骤：
利用筛选出的波段组合，生成假彩色合成图像；
分析所述假彩色合成图像的特征，将具有相同颜色的区域进行提取，将具有相同颜色特征的区域作为同一个对象；
根据所提取出的对象对整个研究区进行监督分类；
步骤204、不同种类待测水稻识别，包括步骤：
提取分析关键遥感参数，分析计算所述训练样本A1在每个时相遥感数据下的关键参数，包括雷达数据HH极化后向散射系数以及光学数据的NDVI；
建立水稻识别算法并得到识别结果，根据所述关键参数使用决策树建立水稻种类识别算法，并对所述对象应用所述水稻种类识别算法，将识别出的早稻、单季稻和晚稻进行合并；
步骤205、将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行精度评价。
上述步骤201中，获取待测水稻生长期内关键生长阶段的遥感雷达影像，具体为利用多时相的COSMO-SkyMed卫星影像获取遥感雷达影像，所述遥感雷达影像的获取时间分布于早稻、单季稻、晚稻的关键生长阶段。
上述步骤201中，获取待测水稻关键生长阶段的光学数据，具体采用多时相的德国RapidEye影像获取光学数据，所述光学数据的获取时间分布于早稻、单季稻、晚稻的关键生长阶段。
上述步骤201中，水稻的关键生长阶段包括，播种期、移栽期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期、和成熟期。
上述步骤202中，将遥感雷达影像与NDVI图像进行配准，具体采用遥感图像处理软件ENVI以雷达遥感影像为底图，将遥感雷达影像与光学数据计算得出的NDVI图像进行图像配准，以遥感雷达影像为基准影像，光学数据为待配准影像，选择21个配准点，确保误差范围在1个像元以内。
上述步骤203中，分析所述假彩色合成图像的特征，将具有相同颜色的区域进行提取，将具有相同颜色特征的区域作为同一个对象，具体采用基于对象特征提取的方法，提取在所述假彩色合成图上颜色呈现出相同颜色或近似颜色变化的图斑,并认为呈现出相同颜色为同一种地物对象。
利用遥感图像处理软件ENVI中的感兴趣区工具，手动提取出所述特征图斑，提取出不同颜色的图斑作为对象。根据所提取出的对象对整个研究区进行监督分类，使用最大似然法进行监督分类，并将分类后的每一个对象转化成矢量格式。
上述步骤205中，将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行精度评价，具体为将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行识别面积和重合度计算进行精度评价，采用制图软件ArcMap10.2，分别将所述比对数据的矢量文件、以及所述识别出的早稻、单季稻和晚稻的水稻结果的矢量文件导入到所述制图软件ArcMap10.2中，计算同一种水稻两个矢量文件间的重合面积及重合度来进行精度评价。
采用制图软件ArcMap10.2计算，计算同一种水稻两个矢量文件间的重合面积及重合度，进一步为，分别计算所述比对数据和所述识别结果的水稻面积：
计算所述比对数据与识别结果之间的重合面积，在制图软件ArcMap10.2中分别打开所述比对数据和识别结果的早稻、单季稻和晚稻的属性表，并添加字段用来存放面积要素，右键单击字段名称选择几何计算，打开几何计算对话框，在属性中选择面积、单位设为公顷，计算出面积；
计算所述比对数据与识别结果之间的重合度，先计算所述比对数据与识别结果之间的重叠区域，再计算重合度，先在矢量叠加ArcToolbox中，选择分析工具/叠加分析/相交，在弹出的对话框中的输入要素里添加要计算重叠区域的两个矢量，其他设置为默认，在输出要素类中添加输出路径和输出文件名，计算出重合区域的面积，计算出的重合面积与所述比对数据相对应的类别面积的比值，即为水稻的重合度。
由于应用区域水稻生长状态的不同，反应在雷达参数上也略有不同，所以需根据不同时相的SAR数据HH极化后向散射系数和光学数据的NDVI调整水稻种类识别算法中的阈值，统计样本平均值方差，找出区分不同种类水稻的最佳分割阈值，确保决策树的每一分支的识别结果都在80％以上，并保证最后的水稻种类识别算法结果整体到达80％。
实施例3
本发明是一种基于多时相多源遥感数据进行水稻识别的方法。其中的多源遥感数据既包括了雷达数据也包括光学数据。本发明主要对雷达数据进行主要分析，光学数据起到辅助参考的作用。电磁波的极化特性是极化雷达能够被广泛应用的理论基础。目前，已有大量的研究表明极化雷达数据在农作物识别方面具有独特的优势。极化雷达卫星可以发射和接收多个极化通道的电磁波，具有探测目标极化散射特性的能力。后向散射强度是表征地物目标与雷达波束相互作用的最基本形式，它与目标物自身的特性，如介电特性、几何结构特性等存在密切的关系。因此，后向散射强度信息是雷达遥感目标识别与分类的最基本、也是最重要的依据之一。根据水稻的后向散射系数在不同时相和不同极化方式上的特点进行水稻信息提取。传统单极化雷达仅仅能提供一个极化通道的后向散射系数，对地所能提取的信息十分有限。多极化雷达数据主要包括单极化雷达数据(HH或VV)、多极化雷达数据(HH/HV或VV/VH)以及具有四种极化方式的雷达数据(HH/HV/VH/VV)。与单极化雷达数据相比，多极化雷达数据具有更多的极化方式，提供更为丰富的地物信息。
参见图2所示，本发明的基于多时相多源遥感数据进行水稻识别的方法，包括如下步骤：
步骤301、数据获取。
第一步，选取同一水稻生长期内的实施例精确的早稻、单季稻和晚稻种植面积和分布数据，数据获取的时间与卫星过境的时间相吻合。
本实施例的实验区位于浙江省杭州市萧山区，位于浙江省东南部、杭州湾南岸、钱塘江南岸，地处中国县域经济最为活跃的长三角南翼，东邻绍兴市柯桥区，南接诸暨市，西连富阳区，西北临钱塘江，与杭州主城区一江之隔，北临杭州湾，与海宁市隔江相望，陆域总面积1420.22平方公里。
根据《萧山年鉴》2015年的统计数据显示，萧山区种植的粮食作物有谷物、豆类、薯类，经济作物油料、棉花、甘蔗、蔬菜、茶桑果、园艺花卉等。其中，2015年的农作物播种面积为112.6公顷，粮食作物的种植面积达到了34.37公顷。
2015年，浙江省测绘与地理信息局以多源遥感影像如高分一号、RapidEye、资源三号、高分二号等(多光谱分辨率分别为8米、6.5米、5.8米、4米)为基础，综合自动预处理、外业抽样调查、自动信息提取、人机交互解译等方法，辅助实地调查手段，提取了2015年浙江全省精确的早稻、单季稻和晚稻种植面积和分布数据。这些数据作为本研究的已有成果数据。
将水稻样本点随机筛选出三分之一作为训练样本A1。
第二步，获取水稻同一生长期内不同关键生长阶段的遥感雷达(SAR)影像，所选取的遥感数据时相尽量覆盖不同水稻从始至终的整个生长期。
水稻不同的生长状态，在不同极化方式的雷达图像上有很大差别。根据野外实测数据记录的早稻、单季稻、晚稻的物候期情况选取水稻关键物候期的遥感影像。三种水稻的关键生长物候期见表1。
表1浙江省水稻关键生长物候期
早稻 单季稻 晚稻
播种期 4月上旬 5月下旬 6月下旬
移栽期 5月上旬 6月下旬 8月上旬
分蘖期 5月中旬 7月上旬 8月中旬
拔节期 6月上旬 7月下旬 9月上旬
孕穗期 6月中旬 8月中旬 9月中旬
抽穗期 6月下旬 8月下旬 9月下旬
乳熟期 7月上旬 9月中旬 10月中旬
成熟期 7月下旬 10月上旬 11月上旬
本实施例以单极化的COSMO-SkyMed卫星X波段HH极化数据为雷达数据源。COSMO-SkyMed系统是一个由意大利航天局和意大利国防部共同研发的4颗雷达卫星组成的星座，目前4颗卫星已全部在轨运行，其重访周期为16天。本实施例根据早稻、单季稻和晚稻的生长信息与卫星的过境时间，选取了20150506、20150709、20150810、20151013共4景影像，具体参数见表2。
表2 COSMO-SkyMed影像参数表
序号 获取时间 模式 极化方式 分辨率
1 2015-05-06 SLC HH 3m×3m
2 2015-07-09 SLC HH 3m×3m
3 2015-08-10 SLC HH 3m×3m
4 2015-10-13 SLC HH 3m×3m
第三步，获取水稻关键生长期内的光学数据。
本发明还选取的了3景RapidEye光学数据作为数据源，用于辅助雷达数据进行识别。RapidEye卫星是德国所有的商用卫星，其重访周期为1天，共有蓝、绿、红、红边和近红外五个波段，空间分辨率为5米。本发明选取了20150606、20150728、20151002三个时相的光学数据影像。
步骤302、雷达数据最优波段组合筛选。
第一步，对获取的雷达数据和光学数据分别进行预处理，并计算光学数据的归一化植被指数(NDVI)，生成NDVI图像。
本发明中使用ENVI5.3软件对两种卫星的雷达数据进行预处理。预处理包括雷达图像的多视、多时相雷达数据的配准、滤波、辐射定标和几何校正。本实施例中COSMO-SkyMed的分辨率为3m×3m。对COSMO-SkyMed数据采用距离向和方位向的视数比为1:1进行多视处理，几何校正中重采样的间距为1.5m。
本发明中使用ENVI5.3软件对光学数据进行处理。包括数据读取、大气校正、正射校正、影像配准。具体地，在ENVI菜单中选择RapidEye，选择三景影像的元数据(.xml格式)，直接读取RapidEye多波段数据。大气校正能消除大气的影响，使影像表示地表真实反射率，因此必须进行大气校正。由于原始数据为DN值，首先将DN值转化为辐射值，因此将DN值乘以辐射比例因子，这里辐射比例因子设为1000(该系数可以在数据头文件内查找计算得到)。在这里进行最常用的FLAASH大气校正方法进行RapidEye数据校正，将影像存取格式转换成bip格式。其中FLAASH输入参数设置如下，传感器类型选择为RapidEye，地面高程为研究区平均地面高程过境时间，在数据头文件内查找，大气模型选择为Mid-Latitude Summer(中纬度夏季模型)，气溶胶类型为Rural(农田)。选择RapidEye有控制的正射纠正方法，选择控制点要在研究区内分布均匀，控制点个数要足够多，且保证控制点误差控制在一米内。在ENVI中利用自动配准方法，生成匹配点，然后人工调整，微调匹配点，对配准误差较大的匹配点删除，将配准精度误差控制在半个像元内。
利用预处理后的数据计算归一化植被指数(NDVI)。NDVI计算公式如公式(1)所示，其中IR代表近红外波段，R代表红色波段。根据NDVI计算公式,计算出每个时相光学数据的NDVI。将训练样本A1的GPS矢量文件在ENVI5.3软件中打开，使用感兴趣区工具的统计工具计算三种水稻训练样本A1中每个田块的NDVI平均值。
Figure BDA0001829006050000131
第二步，将雷达数据与NDVI图像进行配准。以雷达数据为底图，选取控制点进行配准。
由于本实施例所选取的SAR数据与光学数据分辨率相似，所以将SAR数据与光学数据计算得出的NDVI图像进行图像配准，达到共同识别出水稻种类的目的。本发明使用ENVI5.3软件中的配准功能对SAR数据和光学数据进行配准。以SAR数据为基准影像，光学数据为待配准影像，选择21个配准点，保证误差范围在1个像元以内。
第三步，从时序雷达数据中筛选最优波段组合。
通过分析不同时相下水稻的极化响应特征，以及统计每个时相SAR数据的均值、标准差、等效视数、辐射分辨率、相关系数等参数进行比较，共同筛选出所含信息量最丰富的波段组合；
由于本实施例只有四个时相的COSMO-SkyMed数据，筛选的目的是从中选出3个所含水稻信息较为丰富的波段，使接下来实验的操作更为简化。因此可以根据早稻、单季稻、晚稻的生育期分布进行筛选。根据野外水稻调查记录发现，在20150506只有早稻已经播种，且处于移栽期-幼苗期，部分早稻可能还没有完成移栽，已经移栽的水稻植株较小容易受其他作物和环境的干扰，所以不选取该时相的数据进行试验。早稻在20150709处于乳熟期，此时的单季稻大约处于分蘖期，晚稻还没开始播种，早稻在20150810已经收割，单季稻处于拔节后期，晚稻大约处于幼苗期。单季稻在20151013时期处于成熟期(部分已收割)，晚稻大部分处于乳熟期。在SAR图像上，水稻处在不同时物候期，具有不同的生长形态，在SAR图像上的响应机制有较大的差别。在HH极化下，水稻处于幼苗期时，由于水稻秧苗矮小，下垫面的为水面，导致HH极化的后向散射系数较低；水稻处于拔节期时，已具有一定的水平结构，水稻冠层虽未闭合但也有一定程度的发育，在HH极化下有较明显的极化响应特征出现；水稻处于乳熟期时，水稻的冠层已封闭，水稻的茎干高度达到最大值，存在多种散射机制并存的状况，受水稻封闭冠层的影响，在HH极化下的后向散射值一般低于拔节期。
此外，通过统计每个时相SAR数据的均值、标准差、等效视数、辐射分辨率、相关系数等参数也能筛选出最优波段组合。
均值基本上是反映了图像的亮度，即平均后向散射系数的大小，方差基本上反映了图像细节的丰富程度，即图像的均匀程度。但是，方差较大说明后向散射系数值较为分散，所含的信息量可能较多，不排除噪声的原因。等效视数是衡量一幅SAR图像斑点噪声相对强度的一种指标，等效视数越大，表明图像上斑点越弱。辐射分辨率是衡量SAR系统灰度级分辨能力的一种量度，更精确的说，它定量的表示了SAR系统区分目标后向散射系数的能力。相关系数，与其他波段的相关系数越小，说明两个波段之间的相关性越小，与其他波段重复的信息量越少。
从表3、表4可以看出20150506时相的等效视数和辐射分辨率最低都偏低，说明其存在的斑点噪声较大，其方差值也较其他三个时相的SAR数据低，与其他三组时相的数据存在较强的相关性。
综上所述，通过分析不同时相下水稻的极化响应特征，以及统计每个时相SAR数据的均值、标准差、等效视数、辐射分辨率、相关系数等参数进行比较，共同筛选出所含信息量最丰富的波段组合。所筛选出的COSMO-SkyMed数据的最优波段组合为20150709、20150810、20151013三个时相的数据。
表3 COSMO-SkyMed HH极化数据相关参数
Figure BDA0001829006050000151
表4 COSMO-SkyMed HH极化各时间相关系数
波段间相关系数 20150506 20150709 20150810 20151013
20150506 1.000000 0.596148 0.552387 0.547599
20150709 1.000000 0.560075 0.547599
20150810 1.000000 0.581174
20151013 1.000000
步骤303、雷达图像特征提取。
第一步，利用筛选后的波段进行组合，生成假彩色合成图像。
利用上述步骤302中筛选出的最优极化波段组合，在ENVI 5.3下进行RGB假彩色图像合成。经过多次实验发现，将20150709的SAR数据输入到红色通道，20150810的SAR数据输入到绿色通道，20151013的SAR数据输入到蓝色通道的假彩色合成方式最能达到通过颜色增强地物信息的目的。
第二步，分析假彩色合成图像特征，并将具有相同颜色的区域进行提取，将具有相同颜色特征的区域认为是同一个对象。
在假彩色合成图的基础上提取出具有相同颜色特征的区域。使用ENVI5.3中的感兴趣区工具，将在假彩色合成图上呈现相同颜色的典型区域圈画出来，共提取了6种特征进行图像分割。
第三步，根据所提取出的对象对整个研究区进行监督分类。
以提取的6个区域作为训练样本进行监督分类处理并将特征对象进行提取，所选取的监督分类方法为最大似然法。将分类后每一个对象分别转化为矢量格式。
步骤304、不同种类水稻识别。
第一步，提取分析关键遥感参数。
分析计算A1在每个时相数据中的关键参数，包括雷达数据HH极化后向散射系数以及光学数据的NDVI。利用ENVI5.3中的统计工具，分别统计训练样本A1的SAR数据的后向散射系数和光学数据提取的NDVI的平均值。
第二步，建立水稻识别算法并得到识别结果。
根据步骤304中第一步得到的相关参数的数值范围，使用决策树建立水稻种类识别算法。通过大量的试验，本发明采用图3所示的决策树算法，对早稻、单季稻和晚稻进行识别。对步骤303中第三步提取出的每类对象应用识别算法，合并所有特征对象识别出的早稻、单季稻和晚稻结果，得到最终的识别结果。早稻、单季稻和晚稻的识别精度都达到80％以上。
三种水稻的判别标准：
(1)早稻：-20dB≤HH_20150506≤-11.6且0.61≤NDVI_200150606≤0.8
从表1及野外调查发现早稻、单季稻和晚稻在播种和收割时间上存在较大差别，相应的水稻的形态以及叶绿素含量也有较大差异。
早稻的播种时间较早，经野外调查可知，本实施例中早稻的播种期大约在4月上旬，在5月上旬早稻处于移栽期，此时的单季稻和晚稻还没开始播种。从水稻生理形态上分析，此时水稻已具有一定的高度的植株幼苗及水平结构，SAR数据的HH极化与水稻的水平结构会发生极化响应。6月上旬的早稻处于拔节期，单季稻处于移栽期、晚稻还未播种，此时早稻的稻叶处于深绿色，相对于单季稻和晚稻来说，早稻的稻叶发育的更完全，叶绿素含量较高，利用光学数据的NDVI指数可以对其的长势进行观测。所以，利用20150506的HH极化和20150606的NDVI共同对早稻进行识别。
(2)单季稻：HH_20150506<-20dB且HH_20150506>-11.6dB且0.45≤NDVI_20150728≤0.651
单季稻大约在5月下旬开始播种，在10月上旬进行收割。在7月下旬早稻已收割、晚稻还未进行移栽，单季稻处于拔节期，此时单季稻的稻叶已经完全发育，稻叶面积达到最大，稻叶的有效光合作用面积也达到最大，稻叶呈现深绿色且其叶绿素含量较高，NDVI值相对于其他两种水稻偏高。综上，利用20150506的HH极化和20150728的NDVI共同对单季稻进行识别。
(3)晚稻：HH_20150506<-20dB且HH_20150506>-11.6dB且NDVI_20150728<0.45且NDVI_20150728>0.651 0.67≤NDVI_20151002≤0.85
晚稻在三种水稻中播种时间最晚。在10月上旬，此时早稻早已收割，单季稻已成熟，稻叶干枯呈黄色，叶绿素含量极低。晚稻处于抽穗扬花后期、乳熟初期，稻叶呈现深绿色，叶绿素含量较高接近峰值。综上，利用20150506时相的HH极化、20150728时相的NDVI和20151002时相的NDVI共同识别晚稻；
将建立的水稻识别算法应用到步骤303中第三步的分类结果中，对每一对象应用识别算法。具体地，在ENVI5.3中利用各个对象的矢量文件作掩膜处理，对应的每一对象的区域单独应用识别算法，将每一对象识别出的早稻、单季稻和晚稻保存成矢量文件。最后将这6类对象所识别出的早稻、单季稻和晚稻的矢量文件进行合并。参考野外实测的资料可以发现识别结果比较准确。
第三步，利用已有成果进行精度评价。
将基于SAR数据和光学数据的水稻种类识别结果与2015年已有成果进行对比分析。主要对两个方面进行精度评价：识别面积和与已有成果的重合度。重合度为各类重合面积与已有成果相应类别面积的比值。该过程主要在ArcMap10.2软件中完成。将野外实地测量的已有成果的矢量文件和所识别的水稻矢量文件导入到ArcMap10.2软件中，计算同一种水稻两个矢量文件间的重合面积(公顷)及重合度来进行精度评价。具体操作如下：首先，分别计算已有成果和识别结果的水稻面积。在ArcMap10.2中分别打开已有成果和识别结果的早稻、单季稻和晚稻的属性表，并添加字段用来存放面积要素，右键单击字段名称选择几何计算打开几何计算对话框，在属性中选择“面积”，单位为“公顷”，即可计算出面积。然后计算已有成果与识别结果之间的重合度。首先求出已有成果与识别结果两者之间的重叠区域，再计算重合度。在ArcToolbox中，选择分析工具/叠加分析/相交，在弹出的对话框中的“输入要素”里添加要求出重叠区域的两个矢量，其他设置为默认，在“输出要素类”中添加输出路径和输出文件名，点击确认即可。利用上述的方法计算出重合区域的面积。计算出的各类重合面积与已有成果相应类别面积的比值，即为各类水稻的重合度。
(1)面积比较
从表5中可知，SAR数据和光学数据识别结果与已有成果相比，水稻类别的判定差异较小，误差在15％以内。从已有成果可以看出本实施例水稻种植方式以单季稻为主，晚稻的种植面积较少。识别结果与已有成果相比，单季稻的差值较其他两种大，这是由于在单季稻的全生育期内其他地面目标，如茭白等植物具有与水稻相似的生理结构和叶片发育程度，被错分为水稻，导致其差值相对较大。
表5水稻识别结果面积比较
Figure BDA0001829006050000181
注：差值为各类水稻面积与已有成果相应类别面积的差占已有成果相应类别面积的占比。
(2)重合度
由于水稻类别判定的差异较小，SAR数据和光学数据识别结果与已有成果的重合度较高，早稻、单季稻和晚稻的重合度都高于80％，具体见表6。
表6水稻识别结果重合度
Figure BDA0001829006050000191
注：重合度为各类重合面积与已有成果相应类别面积的比值。
第四步，调整算法。
在推广的使用本发明的过程中，由于应用区域水稻生长状态的不同，反映在各紧致极化雷达参数上也略有不同，需要对参数的阈值进行上下的调整。
通过以上各实施例可知，本申请存在的有益效果是：
第一，本发明结合了雷达数据和光学数据多种遥感数据源，深度挖掘了雷达数据在农业方面的应用前景，也为科学的指导农事提供了可靠的依据。
第二，与传统依靠野外测量调查水稻种类的方法相比，本发明节省了大量的人力物力财力。
第三，与遥感光学数据相比，本发明所使用的雷达数据更具有稳定性，在多云多雨的南方更具有优势。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。本发明的范围由所附权利要求来限定。

Claims (7)

1.一种基于多时相多源遥感数据进行水稻识别的方法，其特征在于，包括步骤：
数据获取：包括获取比对数据和待测水稻样本数据、获取待测水稻生长期内的遥感雷达影像、以及获取待测水稻生长期内的光学数据，其中，
所述比对数据为早稻、单季稻、和晚稻的种植面积数据和分布数据，将获取的比对数据的水稻样本点随机筛选出三分之一作为训练样本A1；
通过卫星获取所述待测水稻样本数据；
获取待测水稻生长期内关键生长阶段的遥感雷达影像；
获取待测水稻关键生长阶段的光学数据；
所述遥感雷达影像为多时相的COSMO-SkyMed卫星影像，所述遥感雷达影像的获取时间分布于早稻、单季稻、晚稻的关键生长阶段，所述光学数据为多时相的德国RapidEye影像，所述光学数据的获取时间分布于早稻、单季稻、晚稻的关键生长阶段；
雷达数据波段组合筛选，包括步骤：
对获取的遥感雷达影像和光学数据进行预处理；计算所述光学数据的归一化植被指数NDVI，生成NDVI图像；
将遥感雷达影像与NDVI图像进行配准，采用遥感图像处理软件ENVI以雷达遥感影像为底图，选取控制点进行配准；
从时序获取的遥感雷达影像中筛选波段组合，通过分析不同时相下待测水稻的极化响应特征、统计每个时相遥感雷达影像的均值、标准差、等效视数、辐射分辨率、以及相关系数进行比较，共同筛选出遥感雷达影像所含信息量最丰富的波段组合；
雷达图像特征提取，包括步骤：
利用筛选出的波段组合，生成假彩色合成图像；
分析所述假彩色合成图像的特征，将具有相同颜色的区域进行提取，将具有相同颜色特征的区域作为同一个对象；
根据所提取出的对象对整个研究区进行监督分类；
不同种类待测水稻识别，包括步骤：
提取分析关键遥感参数，分析计算所述训练样本A1在每个时相遥感数据下的关键参数，包括雷达数据HH极化后向散射系数以及光学数据的NDVI；
建立水稻识别算法并得到识别结果，根据所述关键参数使用决策树建立水稻种类识别算法，并对所述对象应用所述水稻种类识别算法，将识别出的早稻、单季稻和晚稻进行合并；
将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行精度评价，包括：
所述将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行识别面积和重合度计算进行精度评价，采用制图软件ArcMap10.2，分别将所述比对数据的矢量文件、以及所述识别出的早稻、单季稻和晚稻的水稻结果的矢量文件导入到所述制图软件ArcMap10.2中，计算同一种水稻两个矢量文件间的重合面积及重合度来进行精度评价，包括：分别计算所述比对数据和所述识别结果的水稻面积：
计算所述比对数据与识别结果之间的重合面积，在制图软件ArcMap10.2中分别打开所述比对数据和识别结果的早稻、单季稻和晚稻的属性表，并添加字段用来存放面积要素，右键单击字段名称选择几何计算，打开几何计算对话框，在属性中选择面积、单位设为公顷，计算出面积；
计算所述比对数据与识别结果之间的重合度，先计算所述比对数据与识别结果之间的重叠区域，再计算重合度，先在矢量叠加ArcToolbox中，选择分析工具/叠加分析/相交，在弹出的对话框中的输入要素里添加要计算重叠区域的两个矢量，其他设置为默认，在输出要素类中添加输出路径和输出文件名，计算出重合区域的面积，计算出的重合面积与所述比对数据相对应的类别面积的比值，即为水稻的重合度。
2.根据权利要求1所述的基于多时相多源遥感数据进行水稻识别的方法，其特征在于，所述关键生长阶段包括：播种期、移栽期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期、和成熟期。
3.根据权利要求1所述的基于多时相多源遥感数据进行水稻识别的方法，其特征在于，所述将遥感雷达影像与NDVI图像进行配准，采用遥感图像处理软件ENVI以雷达遥感影像为底图，选取控制点进行配准，进一步为，
所述遥感雷达影像与所述光学数据的分辨率相近，将遥感雷达影像与光学数据计算得出的NDVI图像进行图像配准，以遥感雷达影像为基准影像，光学数据为待配准影像，选择21个配准点，确保误差范围在1个像元以内。
4.根据权利要求1所述的基于多时相多源遥感数据进行水稻识别的方法，其特征在于，所述分析所述假彩色合成图像的特征，将具有相同颜色的区域进行提取，将具有相同颜色特征的区域作为同一个对象，进一步为，采用基于对象特征提取的方法，提取在所述假彩色合成图上颜色呈现出相同颜色或近似颜色变化的图斑,并认为呈现出相同颜色为同一种地物对象。
5.根据权利要求4所述的基于多时相多源遥感数据进行水稻识别的方法，其特征在于，所述提取在所述假彩色合成图上颜色呈现出相同颜色或近似颜色变化的特征图斑，进一步为，利用遥感图像处理软件ENVI中的感兴趣区工具，手动提取出所述特征图斑，并转化为矢量文件。
6.根据权利要求1所述的基于多时相多源遥感数据进行水稻识别的方法，其特征在于，所述根据所提取出的对象对整个研究区进行监督分类进一步为，提取出不同颜色的图斑作为对象，使用最大似然法进行监督分类。
7.根据权利要求1所述的基于多时相多源遥感数据进行水稻识别的方法，其特征在于，还包括根据所述关键参数调整水稻种类识别算法中的阈值，进而调整水稻种类识别算法，进一步为，根据不同时相的SAR数据HH极化后向散射系数和光学数据的NDVI调整水稻种类识别算法中的阈值，统计样本平均值方差，找出区分不同种类水稻的最佳分割阈值，确保决策树的每一分支的识别结果都在80％以上，并保证最后的水稻种类识别算法结果整体到达80％。
CN201811196890.2A 2018-10-15 2018-10-15 基于多时相多源遥感数据进行水稻识别的方法 Active CN109345555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811196890.2A CN109345555B (zh) 2018-10-15 2018-10-15 基于多时相多源遥感数据进行水稻识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811196890.2A CN109345555B (zh) 2018-10-15 2018-10-15 基于多时相多源遥感数据进行水稻识别的方法

Publications (2)

Publication Number Publication Date
CN109345555A CN109345555A (zh) 2019-02-15
CN109345555B true CN109345555B (zh) 2020-08-25

Family

ID=65310174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811196890.2A Active CN109345555B (zh) 2018-10-15 2018-10-15 基于多时相多源遥感数据进行水稻识别的方法

Country Status (1)

Country Link
CN (1) CN109345555B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948596B (zh) * 2019-04-26 2022-04-22 电子科技大学 一种基于植被指数模型进行水稻识别和种植面积提取的方法
CN110716198B (zh) * 2019-09-09 2023-04-07 中科卫星应用德清研究院 一种vv极化单时相高频微波水稻估产的方法
CN110533052B (zh) * 2019-09-16 2020-09-18 贵州省草业研究所 一种协同遥感影像的航拍相片植被信息提取方法
CN111144295A (zh) * 2019-12-26 2020-05-12 贵州华图科技有限公司 农作物分类方法、装置及设备
CN111142106B (zh) * 2020-02-26 2021-12-03 北京师范大学 一种基于合成孔径雷达时序数据的水稻自动识别方法
CN111738066B (zh) * 2020-05-11 2024-04-02 杭州电子科技大学 综合多源遥感信息的网格化晚稻纹枯病生境评价方法
CN111798132B (zh) * 2020-07-06 2023-05-02 北京师范大学 基于多源时序遥感深度协同下的耕地动态监测方法及系统
CN112084977B (zh) * 2020-09-14 2021-06-18 太原理工大学 一种融合图像和时间特征的苹果物候期自动识别方法
CN112435292B (zh) * 2020-12-18 2023-10-31 太原理工大学 一种基于遥感影像的水稻种植面积提取方法
CN112836725A (zh) * 2021-01-11 2021-05-25 中国农业科学院农业信息研究所 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
CN113269716A (zh) * 2021-04-08 2021-08-17 塔里木大学 一种基于多源遥感数据的香梨成熟期遥感预测方法
CN113128401B (zh) * 2021-04-19 2021-11-26 中国水利水电科学研究院 基于光学和雷达遥感数据的区域实际灌溉面积监测方法
CN113252584B (zh) * 2021-04-22 2022-09-27 华南农业大学 基于5g传输的作物生长检测方法及系统
CN113673301A (zh) * 2021-06-24 2021-11-19 亳州市药通信息咨询有限公司 基于大数据技术和遥感数据的中药材品种分析识别系统
CN114202691B (zh) * 2021-12-09 2022-10-04 广东省科学院广州地理研究所 基于遥感图像的水稻识别方法、装置以及设备
CN114612896B (zh) * 2022-03-07 2023-01-03 广东省科学院广州地理研究所 基于遥感图像的水稻产量预测方法、装置以及设备
CN115049900A (zh) * 2022-05-20 2022-09-13 昆明理工大学 一种基于光学与雷达数据的水稻种植区识别方法及系统
CN115719453B (zh) * 2023-01-09 2023-08-04 水利部交通运输部国家能源局南京水利科学研究院 一种基于深度学习的水稻种植结构遥感提取方法
CN116563720B (zh) * 2023-07-12 2023-10-03 华中师范大学 协同光学-微波物候特征的单双季水稻样本自动生成方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101114023A (zh) * 2007-08-28 2008-01-30 北京交通大学 一种基于模型的湖泊湿地泛洪遥感监测方法
CN105447494A (zh) * 2015-12-01 2016-03-30 二十一世纪空间技术应用股份有限公司 基于多源多时相遥感影像数据的菜田监测方法
CN105740759A (zh) * 2016-01-15 2016-07-06 武汉珈和科技有限公司 基于多时相数据中特征提取的中稻信息决策树分类方法
CN106251368A (zh) * 2016-06-12 2016-12-21 中国科学院遥感与数字地球研究所 基于bemd的sar影像与多光谱影像的融合方法
CN106355143A (zh) * 2016-08-25 2017-01-25 中国农业大学 多源多时相高分遥感影像的制种玉米田识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101114023A (zh) * 2007-08-28 2008-01-30 北京交通大学 一种基于模型的湖泊湿地泛洪遥感监测方法
CN105447494A (zh) * 2015-12-01 2016-03-30 二十一世纪空间技术应用股份有限公司 基于多源多时相遥感影像数据的菜田监测方法
CN105740759A (zh) * 2016-01-15 2016-07-06 武汉珈和科技有限公司 基于多时相数据中特征提取的中稻信息决策树分类方法
CN106251368A (zh) * 2016-06-12 2016-12-21 中国科学院遥感与数字地球研究所 基于bemd的sar影像与多光谱影像的融合方法
CN106355143A (zh) * 2016-08-25 2017-01-25 中国农业大学 多源多时相高分遥感影像的制种玉米田识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于多元数据的地膜覆盖农田遥感识别研究";哈斯图亚;《中国博士学位论文全文数据库 农业科技辑》;20180215;正文第1.2.3.1节，第3-6章 *

Also Published As

Publication number Publication date
CN109345555A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109345555B (zh) 基于多时相多源遥感数据进行水稻识别的方法
Meroni et al. Comparing land surface phenology of major European crops as derived from SAR and multispectral data of Sentinel-1 and-2
CN110472184B (zh) 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法
CN109948596B (zh) 一种基于植被指数模型进行水稻识别和种植面积提取的方法
CN107273820B (zh) 一种土地覆盖遥感分类方法及系统
Champagne et al. Validation of a hyperspectral curve-fitting model for the estimation of plant water content of agricultural canopies
Mudereri et al. A comparative analysis of planetscope and sentinel sentinel-2 space-borne sensors in mapping striga weed using guided regularised random forest classification ensemble
CN114821362B (zh) 一种基于多源数据的水稻种植面积提取方法
Warren et al. Agricultural applications of high-resolution digital multispectral imagery
Dong et al. Using RapidEye imagery to identify within-field variability of crop growth and yield in Ontario, Canada
CN112215090A (zh) 融合物候知识的遥感水稻制图方法及其应用
Lobell et al. Comparison of Earth Observing-1 ALI and Landsat ETM+ for crop identification and yield prediction in Mexico
O'neill Satellite‐derived vegetation indices applied to semi‐arid shrublands in Australia
Choudhary et al. Rice growth vegetation index 2 for improving estimation of rice plant phenology in costal ecosystems
de Lima et al. Remote sensing monitoring of rice fields: Towards assessing water saving irrigation management practices
Omran Remote estimation of vegetation parameters using narrowband sensor for precision agriculture in arid environment
CN113313671A (zh) 一种结合卫星影像和modis数据的水稻估产方法
Ariza Machine Learning and Big Data Techniques for Satellite-Based Rice Phenology Monitoring
Guliyeva Land cover/land use monitoring for agriculture features classification
Hagn et al. Identifying key soil factors influencing spatial and temporal variability of cereal crops estimated using time-series of satellite-sensing data
Luo et al. Staple crop mapping with Chinese GaoFen-1 and GaoFen-6 satellite images: A case study in Yanshou County, Heilongjiang Province, China
Syafiqah et al. GIS and UAV Aerial Imaging Applications for Durian Plantation Management
Shan et al. Study on extraction methods of paddy rice area based on GF-6 satellite image
Chabalala et al. Identifying the optimal phenological period for discriminating subtropical fruit tree crops using multi-temporal sentinel-2 data and Google Earth Engine
Rahim et al. Evaluating Oil Palm Cultivation using Geospatial Approach in Kerdau, Temerloh District

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