CN109543552A - 基于生长期多特征提取的水稻生长区域制图方法及系统 - Google Patents
基于生长期多特征提取的水稻生长区域制图方法及系统 Download PDFInfo
- Publication number
- CN109543552A CN109543552A CN201811270244.6A CN201811270244A CN109543552A CN 109543552 A CN109543552 A CN 109543552A CN 201811270244 A CN201811270244 A CN 201811270244A CN 109543552 A CN109543552 A CN 109543552A
- Authority
- CN
- China
- Prior art keywords
- image data
- exposure mask
- paddy growth
- water body
- index
- 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
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于生长期多特征提取的水稻生长区域制图方法及系统,其中,所述方法包括:获取需要进行水稻制图区域的影像数据,其中所述影像数据为L1TP级Landsat地表反射率科学影像数据;基于顶部大气反射率校正算法对所述影像数据进行校正处理,获取校正后的影像数据;对所述校正后的影像数据进行去除云及云阴影处理,获取处理后的影像数据;根据所述处理后的影像数据基于水稻生长期多特征掩膜提取进行水稻生长区域制图,获取水稻生长区域图像。在本发明实施例中,可以简单、快速的捕捉到水稻生长区域并进行制图,有利于水稻农业的相关研究、政策管理等工作。
Description
技术领域
本发明涉及农业制图技术领域,尤其涉及一种基于生长期多特征提取的水稻生长区域制图方法及系统。
背景技术
水稻农业在全球粮食安全评估、农业水资源利用、温室气体排放、禽流感防疫等研究中具有重要地位;水稻种植区域容易受到气候变化、农业政策调整、土地利用变化等因素的影响;例如,由于快速的人口增长与城市化推进,中国的水稻种植面积在2005-2015之间普遍下降;而由于气候变暖和粮食需求增加,近十年来,高纬度地区,如东北亚,水稻种植面积迅速扩大;这些水稻种植的空间变化信息对水稻农业的相关研究至关重要。
基于遥感的水稻制图方法是水稻农业监测的重要手段,新的制图方法仍在不断被提出;从基于反射率和植被指数的图像统计方法;到基于植被指数、雷达回波的时间序列分析方法;为了将水稻制图扩大到更广泛的区域,需要一个更加明确的量化表达,以及一定的物理特征和关键物候期作为水稻制图的依据;当前,基于关键物候期的水稻制图方法,通过更加明确的水稻在某个生长期,如移栽、分蘖,与非水稻地类有明显差异的量化表达,例如,基于生长初期的水稻秧苗与水淹的混合信号,选取对植被、水体敏感的光谱带或遥感指数对这种信号进行提取,是目前应用最为广泛、表现更为稳定的水稻制图方法。
但是,水稻的物候是一个渐进的变化过程,依靠捕捉单一生长期特征的水稻制图方法,很可能被地表其它信息所干扰,如河岸、湿地等也存在大量的植被-水体混合信号。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于生长期多特征提取的水稻生长区域制图方法及系统,可以简单、快速的捕捉到水稻生长区域并进行制图,有利于水稻农业的相关研究、政策管理等工作。
为了解决上述技术问题,本发明实施例提供了一种基于生长期多特征提取的水稻生长区域制图方法,所述方法包括:
获取需要进行水稻制图区域的影像数据,其中所述影像数据为L1TP级Landsat地表反射率科学影像数据;
基于顶部大气反射率校正算法对所述影像数据进行校正处理,获取校正后的影像数据;
对所述校正后的影像数据进行去除云及云阴影处理,获取处理后的影像数据;
根据所述处理后的影像数据基于水稻生长期多特征掩膜提取进行水稻生长区域制图,获取水稻生长区域图像。
可选的,所述基于顶部大气反射率校正算法对所述影像数据进行校正处理,获取校正后的影像数据,包括:
基于顶部大气反射率校正算法对所述影像数据进行校正处理,获取校正后的影像数据,使得所述校正后的影像数据满足时间序列的水稻田地表变化分析。
可选的,所述对所述校正后的影像数据进行去除云及云阴影处理,获取处理后的影像数据,包括:
采用Quality Assessment Band中标记为“未受到仪器或云层影响”的像素作为掩膜,对所述校正后的影像数据进行反向去除影像数据中的云及云阴影处理,获取处理后的影像数据。
可选的,所述根据所述处理后的影像数据基于水稻生长期多特征掩膜提取进行水稻生长区域制图,获取水稻生长区域图像,包括:
根据所述处理后的影像数进行植被指数和水体指数归一化处理,获取归一化植被指数和归一化水体指数;
基于时间顺序在所述归一化植被指数和所述归一化水体指数中提取水稻生长期多个特征掩膜;
根据提取到的所述水稻生长期多个特征掩膜进行水稻生长区域制图,获取水稻生长区域图像。
其中所述水稻生长期多个特征包括:收割特征掩膜和水淹特征掩膜。
可选的,所述根据所述处理后的影像数进行植被指数和水体指数归一化处理,获取归一化植被指数和归一化水体指数,包括:
提取所述处理后的影像数中的近红外波段和红波段进行植被指数归一化处理,获取归一化植被指数;
提取所述处理后的影像数中的绿波段和中红外波段进行水体指数归一化处理,获取归一化水体指数;
其中,提取所述处理后的影像数中的近红外波段和红波段进行植被指数归一化处理的公式如下:
提取所述处理后的影像数中的绿波段和中红外波段进行水体指数归一化处理的公式如下:
其中,NDVI表示归一化植被指数,ρNIR表示近红外波段(0.76-090μm),ρRED表示红波段(0.63-0.69μm),MNDWI表示归一化水体指数,ρGREEN表示绿波段(0.52-0.60μm),ρSWIR表示中红外波段(1.60-1.70μm)。
可选的,所述基于时间顺序在所述归一化植被指数和所述归一化水体指数中提取水稻生长期多个特征掩膜,包括:
在第一预设时间阈值上的所述归一化植被指数大于第一预设植被指数的为高植被掩膜;
在第二预设时间阈值上的所述归一化植被指数小于第二预设植被指数的为低植被掩膜;
若所述高植被掩膜与所述低植被掩膜在预设时间阈值上出现重叠区域,则所述重叠区域为收割特征掩膜;
在第三预设时间阈值上的所述归一化水体指数大于第一预设水体指数的为水体掩膜;
在第四预设时间阈值上的所述归一化水体指数小于第二预设水体指数的为非水体掩膜;
若所述水体掩膜与所述非水体掩膜在预设时间阈值上出现重叠区域,则所述重叠区域为水淹特征掩膜。
可选的,所述根据提取到的所述水稻生长期多个特征掩膜进行水稻生长区域制图,获取水稻生长区域图像,包括:
提取所述水淹特征掩膜与所述收割特征掩膜在预设时间范围内重合的区域进行水稻生长区域制图,获取水稻生长区域图像。
可选的,所述方法还包括:
对所述水稻生长区域图像的制图精确度进行验证,获取所述水稻生长区域图像的准确率,并将所述准确率标注在所述水稻生长区域图像中。
可选的,所述对所述水稻生长区域图像的制图精确度进行验证,获取所述水稻生长区域图像的准确率,包括:
对所述水稻生长区域图像依次进行误差矩阵和参数估计方差计算,获取所述水稻生长区域图像的准确率。
另外,本发明实施例还提供了一种基于生长期多特征提取的水稻生长区域制图系统,所述系统包括:
数据获取模块:用于获取需要进行水稻制图区域的影像数据,其中所述影像数据为L1TP级Landsat地表反射率科学影像数据;
数据校正模块:用于基于顶部大气反射率校正算法对所述影像数据进行校正处理,获取校正后的影像数据;
数据处理模块:用于对所述校正后的影像数据进行去除云及云阴影处理,获取处理后的影像数据;
制图模块:用于根据所述处理后的影像数据基于水稻生长期多特征掩膜提取进行水稻生长区域制图,获取水稻生长区域图像。
在本发明实施例中,针对水稻一个完整生长期,水稻田都会表现出水淹没—植被覆盖—裸土/植被残体(茎)混合地表这一独特的周期性特征;植被覆盖—裸土/植被残体混合地表这一变化,是水稻的收割特征掩膜,具备此特征地表包括了水稻等农作物;而收割期100天之前,由水体-植被的地表变化,是水稻田区别于其它农作物的水淹特征掩膜;通过水淹特征掩膜+收割特征掩膜+特征掩膜时差的量化组合,可以将研究区绝大部分水稻与非水稻区分开来,包括河岸与湿地,因为这些地点在全年都不会出现收割特征掩膜;从而简单、快速的捕捉区域水稻种植面积信息,对水稻农业的相关研究、政策管理等工作非常重要。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,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它的附图。
图1是本发明实施例中的基于生长期多特征提取的水稻生长区域制图方法的流程示意图;
图2是本发明实施例中的基于生长期多特征提取的水稻生长区域制图系统的结构组成示意图;
图3是本发明实施例中采用基于生长期多特征提取的水稻生长区域制图方法制图结果。
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前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例
请参阅图1,图1是本发明实施例中的基于生长期多特征提取的水稻生长区域制图方法的流程示意图。
如图1所示,一种基于生长期多特征提取的水稻生长区域制图方法,所述方法包括:
S11:获取需要进行水稻制图区域的影像数据,其中所述影像数据为L1TP级Landsat地表反射率科学影像数据;
在本发明具体实施过程中,通过Landsat 8 Operational Land Imager(OLI)获取影像数据,在本发明实施例中获取的影像数据为2015时期的遥感影像,其中影像数据来源于https://glovis.usgs.gov的L1TP级Landsat地表反射率科学数据;数据列表如表1所示。
表1影像数据
S12:基于顶部大气反射率校正算法对所述影像数据进行校正处理,获取校正后的影像数据;
在本发明具体实施过程中,所述基于顶部大气反射率校正算法对所述影像数据进行校正处理,获取校正后的影像数据,包括:基于顶部大气反射率校正算法对所述影像数据进行校正处理。
具体的,影像数据采用顶部大气反射率校正法,这项工作仅仅使用地球-太阳的几何形状来定义卫星测量的反射率,没有对大气影响进行修正,通过顶部大气校正反射率校正算法后对影像数据校正后,满足时间序列的水稻田地表变化分析。
其中水稻田地表变化为水-植被-土壤,依次变化,并且有时间规律的变化。
S13:对所述校正后的影像数据进行去除云及云阴影处理,获取处理后的影像数据;
在本发明具体实施过程中,所述对所述校正后的影像数据进行去除云及云阴影处理,获取处理后的影像数据,包括:采用Quality Assessment Band中标记为“未受到仪器或云层影响”的像素作为掩膜,对所述校正后的影像数据进行反向去除影像数据中的云及云阴影处理,获取处理后的影像数据。
具体的,对于OLI图像数据,选取Quality Assessment Band(质量评价波段)中标记为“未受到仪器或云层影响”像素作为掩膜,对所述校正后的影像数据进行反向去除影像数据中的云及云阴影处理,获取处理后的影像数据。
S14:根据所述处理后的影像数据基于水稻生长期多特征掩膜提取进行水稻生长区域制图,获取水稻生长区域图像;
在本发明具体实施过程中,所述根据所述处理后的影像数据基于水稻生长期多特征掩膜提取进行水稻生长区域制图,获取水稻生长区域图像,包括:根据所述处理后的影像数进行植被指数和水体指数归一化处理,获取归一化植被指数和归一化水体指数;基于时间顺序在所述归一化植被指数和所述归一化水体指数中提取水稻生长期多个特征掩膜;根据提取到的所述水稻生长期多个特征掩膜进行水稻生长区域制图,获取水稻生长区域图像。其中所述水稻生长期多个特征包括:收割特征掩膜和水淹特征掩膜。
进一步的,所述根据所述处理后的影像数进行植被指数和水体指数归一化处理,获取归一化植被指数和归一化水体指数,包括:提取所述处理后的影像数中的近红外波段和红波段进行植被指数归一化处理,获取归一化植被指数;提取所述处理后的影像数中的绿波段和中红外波段进行水体指数归一化处理,获取归一化水体指数;其中,提取所述处理后的影像数中的近红外波段和红波段进行植被指数归一化处理的公式如下:
提取所述处理后的影像数中的绿波段和中红外波段进行水体指数归一化处理的公式如下:
其中,NDVI表示归一化植被指数,ρNIR表示近红外波段(0.76-090μm),ρRED表示红波段(0.63-0.69μm),MNDWI表示归一化水体指数,ρGREEN表示绿波段(0.52-0.60μm),ρSWIR表示中红外波段(1.60-1.70μm)。
进一步的,所述基于时间顺序在所述归一化植被指数和所述归一化水体指数中提取水稻生长期多个特征掩膜,包括:在第一预设时间阈值上的所述归一化植被指数大于第一预设植被指数的为高植被掩膜;在第二预设时间阈值上的所述归一化植被指数小于第二预设植被指数的为低植被掩膜;若所述高植被掩膜与所述低植被掩膜在预设时间阈值上出现重叠区域,则所述重叠区域为收割特征掩膜;在第三预设时间阈值上的所述归一化水体指数大于第一预设水体指数的为水体掩膜;在第四预设时间阈值上的所述归一化水体指数小于第二预设水体指数的为非水体掩膜;若所述水体掩膜与所述非水体掩膜在预设时间阈值上出现重叠区域,则所述重叠区域为水淹特征掩膜。
进一步的,所述根据提取到的所述水稻生长期多个特征掩膜进行水稻生长区域制图,获取水稻生长区域图像,包括:提取所述水淹特征掩膜与所述收割特征掩膜在预设时间范围内重合的区域进行水稻生长区域制图,获取水稻生长区域图像。
具体的,通过在处理后的影像数内提取植被指数和水体指数进行归一化,来获取归一化植被指数和归一化水体指数;通过归一化植被指数(NDVI)与归一化水体指数(MNDWI)两种光谱指数来捕捉水稻的在生长周期过程中的变化特征;NDVI是最通用的监测植被密度、健康程度的遥感光谱指数之一,其结果在-1和1之间,易于解释和比较,并且抵消了来自不同大气条件和卫星仪器方向带来的影像之间的差异。其计算公式为:
MNDWI是对归一化水体指数,其被证明更适用于检测开放的水域,同时抑制植被、土壤和建设用地的背景噪声计算公式为:
其中,NDVI表示归一化植被指数,ρNIR表示近红外波段(0.76-090μm),ρRED表示红波段(0.63-0.69μm),MNDWI表示归一化水体指数,ρGREEN表示绿波段(0.52-0.60μm),ρSWIR表示中红外波段(1.60-1.70μm)。
绿波段对水体浊度差异以及沉积物和污染带敏感,中红外波段由于水的高度吸收和植被和自然景观的强烈反射,在陆地和水域特征之间呈现强烈的对比;因此,MNDWI更适合于加强和提取以建成地区为主的水域的水资源信息,因为它有利于减少甚至消除NDWI上的土地噪声。
对时序数据中的水稻田的两个地表特征变化进行捕捉,收割特征掩膜+水淹特征掩膜+收割特征掩膜和水淹特征掩膜时差进行水稻制图。
收割特征掩膜的获取:对本发明所需要进行水稻制图的区域的6-10月份的影像数据的归一化植被指数与预设的第一预设植被指数的进行比较,是否大于第一预设植被指数的,若是,则为高植被掩膜,其中,第一预设植被指数为0.5或者0.6;对本发明所需要进行水稻制图的区域的7-11月份的影像数据的归一化植被指数与预设的第二预设植被指数的进行比较,是否小于第二预设植被指数的,若是,则为低植被掩膜,其中第二预设植被指数为0.3或者0.4;若在本发明所需要进行水稻制图的区域内所述高植被掩膜与所述低植被掩膜在预设时间阈值上出现重叠区域,则所述重叠区域为收割特征掩膜,其中预设时间阈值为一个月。
水淹特征掩膜的获取:对本发明所需要进行水稻制图的区域的3-8月份的影像数据的归一化水体指数与预设的第一预设水体指数的进行比较,是否大于第一预设水体指数的,若是,则为水体掩膜,其中,第一预设植被指数为0或者0.1;对本发明所需要进行水稻制图的区域的4-9月份的影像数据的归一化水体指数与预设的第二预设水体指数的进行比较,是否小于第二预设水体指数的,若是,则为非水体掩膜,其中第二预设水体指数为0;若在本发明所需要进行水稻制图的区域内所述水体掩膜与所述非水体掩膜在预设时间阈值上出现重叠区域,则所述重叠区域为水淹特征掩膜,其中预设时间阈值为一个月。
收割特征掩膜和水淹特征掩膜时差的获取:为水淹特征掩膜的时间减去收割特征掩膜时间获得。
对本发明所需要进行水稻制图的区域所述水淹特征掩膜与所述收割特征掩膜存在重合区域,并且收割特征掩膜和水淹特征掩膜时差等于预设时间范围,则进行水稻生长区域制图,获取水稻生长区域图像;其中,预设时间范围为95-115天;最终制图结果如图3所示,图3是本发明实施例中采用基于生长期多特征提取的水稻生长区域制图方法制图结果。
S15:对所述水稻生长区域图像的制图精确度进行验证,获取所述水稻生长区域图像的准确率,并将所述准确率标注在所述水稻生长区域图像中。
在本发明具体实施过程中,所述对所述水稻生长区域图像的制图精确度进行验证,获取所述水稻生长区域图像的准确率,包括:对所述水稻生长区域图像依次进行误差矩阵和参数估计方差计算,获取所述水稻生长区域图像的准确率。
参见表2,表2显示本发明实施例中2015时期所需要进行水稻制图的区域内制图总体精度分别为90.5%;非水稻地类生产者精度高于水稻地类(93.0%对比88.0%),对非水稻地类的高区分度,说明非水稻地类很少能够满足收割特征掩膜+水淹特征掩膜+收割特征掩膜和水淹特征掩膜时差的提取规则,而水稻田更容易受影像观测时间不足或其它干扰因素影响而提取失败。
表2 2015时期所需要进行水稻制图的区域内制图总体精度
在本发明实施例中,针对水稻一个完整生长期,水稻田都会表现出水淹没—植被覆盖—裸土/植被残体(茎)混合地表这一独特的周期性特征;植被覆盖—裸土/植被残体混合地表这一变化,是水稻的收割特征掩膜,具备此特征地表包括了水稻等农作物;而收割期100天之前,由水体-植被的地表变化,是水稻田区别于其它农作物的水淹特征掩膜;通过水淹特征掩膜+收割特征掩膜+特征掩膜时差的量化组合,可以将研究区绝大部分水稻与非水稻区分开来,包括河岸与湿地,因为这些地点在全年都不会出现收割特征掩膜;从而简单、快速的捕捉区域水稻种植面积信息,对水稻农业的相关研究、政策管理等工作非常重要。
实施例
请参阅图2,图2是本发明实施例中的基于生长期多特征提取的水稻生长区域制图系统的结构组成示意图。
如图2所示,一种基于生长期多特征提取的水稻生长区域制图系统,所述系统包括:
数据获取模块11:用于获取需要进行水稻制图区域的影像数据,其中所述影像数据为L1TP级Landsat地表反射率科学影像数据;
在本发明具体实施过程中,通过Landsat 8 Operational Land Imager(OLI)获取影像数据,在本发明实施例中获取的影像数据为2015时期的遥感影像,其中影像数据来源于https://glovis.usgs.gov的L1TP级Landsat地表反射率科学数据;数据列表如表1所示。
数据校正模块12:用于基于顶部大气反射率校正算法对所述影像数据进行校正处理,获取校正后的影像数据;
在本发明具体实施过程中,所述基于顶部大气反射率校正算法对所述影像数据进行校正处理,获取校正后的影像数据,包括:基于顶部大气反射率校正算法对所述影像数据进行校正处理。
具体的,影像数据采用顶部大气反射率校正法,这项工作仅仅使用地球-太阳的几何形状来定义卫星测量的反射率,没有对大气影响进行修正,通过顶部大气校正反射率校正算法后对影像数据校正后,满足时间序列的水稻田地表变化分析。
其中水稻田地表变化为水-植被-土壤,依次变化,并且有时间规律的变化。
数据处理模块13:用于对所述校正后的影像数据进行去除云及云阴影处理,获取处理后的影像数据;
在本发明具体实施过程中,所述对所述校正后的影像数据进行去除云及云阴影处理,获取处理后的影像数据,包括:采用Quality Assessment Band中标记为“未受到仪器或云层影响”的像素作为掩膜,对所述校正后的影像数据进行反向去除影像数据中的云及云阴影处理,获取处理后的影像数据。
具体的,对于OLI图像数据,选取Quality Assessment Band(质量评价波段)中标记为“未受到仪器或云层影响”像素作为掩膜,对所述校正后的影像数据进行反向去除影像数据中的云及云阴影处理,获取处理后的影像数据。
制图模块14:用于根据所述处理后的影像数据基于水稻生长期多特征掩膜提取进行水稻生长区域制图,获取水稻生长区域图像;
在本发明具体实施过程中,所述根据所述处理后的影像数据基于水稻生长期多特征掩膜提取进行水稻生长区域制图,获取水稻生长区域图像,包括:根据所述处理后的影像数进行植被指数和水体指数归一化处理,获取归一化植被指数和归一化水体指数;基于时间顺序在所述归一化植被指数和所述归一化水体指数中提取水稻生长期多个特征掩膜;根据提取到的所述水稻生长期多个特征掩膜进行水稻生长区域制图,获取水稻生长区域图像。其中所述水稻生长期多个特征包括:收割特征掩膜和水淹特征掩膜。
进一步的,所述根据所述处理后的影像数进行植被指数和水体指数归一化处理,获取归一化植被指数和归一化水体指数,包括:提取所述处理后的影像数中的近红外波段和红波段进行植被指数归一化处理,获取归一化植被指数;提取所述处理后的影像数中的绿波段和中红外波段进行水体指数归一化处理,获取归一化水体指数;其中,提取所述处理后的影像数中的近红外波段和红波段进行植被指数归一化处理的公式如下:
提取所述处理后的影像数中的绿波段和中红外波段进行水体指数归一化处理的公式如下:
其中,NDVI表示归一化植被指数,ρNIR表示近红外波段(0.76-090μm),ρRED表示红波段(0.63-0.69μm),MNDWI表示归一化水体指数,ρGREEN表示绿波段(0.52-0.60μm),ρSWIR表示中红外波段(1.60-1.70μm)。
进一步的,所述基于时间顺序在所述归一化植被指数和所述归一化水体指数中提取水稻生长期多个特征掩膜,包括:在第一预设时间阈值上的所述归一化植被指数大于第一预设植被指数的为高植被掩膜;在第二预设时间阈值上的所述归一化植被指数小于第二预设植被指数的为低植被掩膜;若所述高植被掩膜与所述低植被掩膜在预设时间阈值上出现重叠区域,则所述重叠区域为收割特征掩膜;在第三预设时间阈值上的所述归一化水体指数大于第一预设水体指数的为水体掩膜;在第四预设时间阈值上的所述归一化水体指数小于第二预设水体指数的为非水体掩膜;若所述水体掩膜与所述非水体掩膜在预设时间阈值上出现重叠区域,则所述重叠区域为水淹特征掩膜。
进一步的,所述根据提取到的所述水稻生长期多个特征掩膜进行水稻生长区域制图,获取水稻生长区域图像,包括:提取所述水淹特征掩膜与所述收割特征掩膜在预设时间范围内重合的区域进行水稻生长区域制图,获取水稻生长区域图像。
具体的,通过在处理后的影像数内提取植被指数和水体指数进行归一化,来获取归一化植被指数和归一化水体指数;通过归一化植被指数(NDVI)与归一化水体指数(MNDWI)两种光谱指数来捕捉水稻的在生长周期过程中的变化特征;NDVI是最通用的监测植被密度、健康程度的遥感光谱指数之一,其结果在-1和1之间,易于解释和比较,并且抵消了来自不同大气条件和卫星仪器方向带来的影像之间的差异。其计算公式为:
MNDWI是对归一化水体指数,其被证明更适用于检测开放的水域,同时抑制植被、土壤和建设用地的背景噪声计算公式为:
其中,NDVI表示归一化植被指数,ρNIR表示近红外波段(0.76-090μm),ρRED表示红波段(0.63-0.69μm),MNDWI表示归一化水体指数,ρGREEN表示绿波段(0.52-0.60μm),ρSWIR表示中红外波段(1.60-1.70μm)。
绿波段对水体浊度差异以及沉积物和污染带敏感,中红外波段由于水的高度吸收和植被和自然景观的强烈反射,在陆地和水域特征之间呈现强烈的对比;因此,MNDWI更适合于加强和提取以建成地区为主的水域的水资源信息,因为它有利于减少甚至消除NDWI上的土地噪声。
对时序数据中的水稻田的两个地表特征变化进行捕捉,收割特征掩膜+水淹特征掩膜+收割特征掩膜和水淹特征掩膜时差进行水稻制图。
收割特征掩膜的获取:对本发明所需要进行水稻制图的区域的6-10月份的影像数据的归一化植被指数与预设的第一预设植被指数的进行比较,是否大于第一预设植被指数的,若是,则为高植被掩膜,其中,第一预设植被指数为0.5或者0.6;对本发明所需要进行水稻制图的区域的7-11月份的影像数据的归一化植被指数与预设的第二预设植被指数的进行比较,是否小于第二预设植被指数的,若是,则为低植被掩膜,其中第二预设植被指数为0.3或者0.4;若在本发明所需要进行水稻制图的区域内所述高植被掩膜与所述低植被掩膜在预设时间阈值上出现重叠区域,则所述重叠区域为收割特征掩膜,其中预设时间阈值为一个月。
水淹特征掩膜的获取:对本发明所需要进行水稻制图的区域的3-8月份的影像数据的归一化水体指数与预设的第一预设水体指数的进行比较,是否大于第一预设水体指数的,若是,则为水体掩膜,其中,第一预设植被指数为0或者0.1;对本发明所需要进行水稻制图的区域的4-9月份的影像数据的归一化水体指数与预设的第二预设水体指数的进行比较,是否小于第二预设水体指数的,若是,则为非水体掩膜,其中第二预设水体指数为0;若在本发明所需要进行水稻制图的区域内所述水体掩膜与所述非水体掩膜在预设时间阈值上出现重叠区域,则所述重叠区域为水淹特征掩膜,其中预设时间阈值为一个月。
收割特征掩膜和水淹特征掩膜时差的获取:为水淹特征掩膜的时间减去收割特征掩膜时间获得。
对本发明所需要进行水稻制图的区域所述水淹特征掩膜与所述收割特征掩膜存在重合区域,并且收割特征掩膜和水淹特征掩膜时差等于预设时间范围,则进行水稻生长区域制图,获取水稻生长区域图像;其中,预设时间范围为95-115天;最终制图结果如图3所示,图3是本发明实施例中采用基于生长期多特征提取的水稻生长区域制图方法制图结果。
精度标注模块15:用于对所述水稻生长区域图像的制图精确度进行验证,获取所述水稻生长区域图像的准确率,并将所述准确率标注在所述水稻生长区域图像中。
在本发明具体实施过程中,所述对所述水稻生长区域图像的制图精确度进行验证,获取所述水稻生长区域图像的准确率,包括:对所述水稻生长区域图像依次进行误差矩阵和参数估计方差计算,获取所述水稻生长区域图像的准确率。
参见表2,表2显示本发明实施例中2015时期所需要进行水稻制图的区域内制图总体精度分别为90.5%;非水稻地类生产者精度高于水稻地类(93.0%对比88.0%),对非水稻地类的高区分度,说明非水稻地类很少能够满足收割特征掩膜+水淹特征掩膜+收割特征掩膜和水淹特征掩膜时差的提取规则,而水稻田更容易受影像观测时间不足或其它干扰因素影响而提取失败。
在本发明实施例中,针对水稻一个完整生长期,水稻田都会表现出水淹没—植被覆盖—裸土/植被残体(茎)混合地表这一独特的周期性特征;植被覆盖—裸土/植被残体混合地表这一变化,是水稻的收割特征掩膜,具备此特征地表包括了水稻等农作物;而收割期100天之前,由水体-植被的地表变化,是水稻田区别于其它农作物的水淹特征掩膜;通过水淹特征掩膜+收割特征掩膜+特征掩膜时差的量化组合,可以将研究区绝大部分水稻与非水稻区分开来,包括河岸与湿地,因为这些地点在全年都不会出现收割特征掩膜;从而简单、快速的捕捉区域水稻种植面积信息,对水稻农业的相关研究、政策管理等工作非常重要。
需要说明的是,通过调查研究,在本发明实施例中所需要进行水稻制图的水稻区域的晚稻种植到收获时间是8月到11月;水稻生长分为4个阶段,包括:(1)播种到移栽的育苗阶段(2-3周);(2)移栽到幼穗分化的营养生长期(2个月,包括分蘖);(3)幼穗分化到开花的繁殖期(1月,包括茎伸长、幼穗分化、抽穗扬花期);(4)开花到完全成熟的成熟期(3-6周左右,包括乳熟期、蜡熟期、谷物成熟);移栽期之前,水稻田会被水淹没,称为“泡田”,该时期稻田地表特征完全是水;从泡田开始,水稻田直到被长出的水稻植株覆盖,这段时间持续一个月左右,该时期水稻田的地表覆盖从水逐渐向植被变化;水稻田要求良好的排水和灌溉能力,因此单块稻田的面积不会太大;但为了达到一定的收成,面积也不会太小;晚稻收割后,残留的茎与土壤形成混合体,部分田块有焚烧秸秆的痕迹,且短时间内不会种植新的作物。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种基于生长期多特征提取的水稻生长区域制图方法及系统进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于生长期多特征提取的水稻生长区域制图方法,其特征在于,所述方法包括:
获取需要进行水稻制图区域的影像数据,其中所述影像数据为L1TP级Landsat地表反射率科学影像数据;
基于顶部大气反射率校正算法对所述影像数据进行校正处理,获取校正后的影像数据;
对所述校正后的影像数据进行去除云及云阴影处理,获取处理后的影像数据;
根据所述处理后的影像数据基于水稻生长期多特征掩膜提取进行水稻生长区域制图,获取水稻生长区域图像。
2.根据权利要求1所述的水稻生长区域制图方法,其特征在于,所述基于顶部大气反射率校正算法对所述影像数据进行校正处理,获取校正后的影像数据,包括:
基于顶部大气反射率校正算法对所述影像数据进行校正处理,获取校正后的影像数据,使得所述校正后的影像数据满足时间序列的水稻田地表变化分析。
3.根据权利要求1所述的水稻生长区域制图方法,其特征在于,所述对所述校正后的影像数据进行去除云及云阴影处理,获取处理后的影像数据,包括:
采用Quality Assessment Band中标记为“未受到仪器或云层影响”的像素作为掩膜,对所述校正后的影像数据进行反向去除影像数据中的云及云阴影处理,获取处理后的影像数据。
4.根据权利要求1所述的水稻生长区域制图方法,其特征在于,所述根据所述处理后的影像数据基于水稻生长期多特征掩膜提取进行水稻生长区域制图,获取水稻生长区域图像,包括:
根据所述处理后的影像数进行植被指数和水体指数归一化处理,获取归一化植被指数和归一化水体指数;
基于时间顺序在所述归一化植被指数和所述归一化水体指数中提取水稻生长期多个特征掩膜;
根据提取到的所述水稻生长期多个特征掩膜进行水稻生长区域制图,获取水稻生长区域图像;
其中所述水稻生长期多个特征包括:收割特征掩膜和水淹特征掩膜。
5.根据权利要求4所述的水稻生长区域制图方法,其特征在于,所述根据所述处理后的影像数进行植被指数和水体指数归一化处理,获取归一化植被指数和归一化水体指数,包括:
提取所述处理后的影像数中的近红外波段和红波段进行植被指数归一化处理,获取归一化植被指数;
提取所述处理后的影像数中的绿波段和中红外波段进行水体指数归一化处理,获取归一化水体指数;
其中,提取所述处理后的影像数中的近红外波段和红波段进行植被指数归一化处理的公式如下:
提取所述处理后的影像数中的绿波段和中红外波段进行水体指数归一化处理的公式如下:
其中,NDVI表示归一化植被指数,ρNIR表示近红外波段(0.76-090μm),ρRED表示红波段(0.63-0.69μm),MNDWI表示归一化水体指数,ρGREEN表示绿波段(0.52-0.60μm),ρSWIR表示中红外波段(1.60-1.70μm)。
6.根据权利要求4所述的水稻生长区域制图方法,其特征在于,所述基于时间顺序在所述归一化植被指数和所述归一化水体指数中提取水稻生长期多个特征掩膜,包括:
在第一预设时间阈值上的所述归一化植被指数大于第一预设植被指数的为高植被掩膜;
在第二预设时间阈值上的所述归一化植被指数小于第二预设植被指数的为低植被掩膜;
若所述高植被掩膜与所述低植被掩膜在预设时间阈值上出现重叠区域,则所述重叠区域为收割特征掩膜;
在第三预设时间阈值上的所述归一化水体指数大于第一预设水体指数的为水体掩膜;
在第四预设时间阈值上的所述归一化水体指数小于第二预设水体指数的为非水体掩膜;
若所述水体掩膜与所述非水体掩膜在预设时间阈值上出现重叠区域,则所述重叠区域为水淹特征掩膜。
7.根据权利要求4所述的水稻生长区域制图方法,其特征在于,所述根据提取到的所述水稻生长期多个特征掩膜进行水稻生长区域制图,获取水稻生长区域图像,包括:
提取所述水淹特征掩膜与所述收割特征掩膜在预设时间范围内重合的区域进行水稻生长区域制图,获取水稻生长区域图像。
8.根据权利要求1所述的水稻生长区域制图方法,其特征在于,所述方法还包括:
对所述水稻生长区域图像的制图精确度进行验证,获取所述水稻生长区域图像的准确率,并将所述准确率标注在所述水稻生长区域图像中。
9.根据权利要求8所述的水稻生长区域制图方法,其特征在于,所述对所述水稻生长区域图像的制图精确度进行验证,获取所述水稻生长区域图像的准确率,包括:
对所述水稻生长区域图像依次进行误差矩阵和参数估计方差计算,获取所述水稻生长区域图像的准确率。
10.一种基于生长期多特征提取的水稻生长区域制图系统,其特征在于,所述系统包括:
数据获取模块:用于获取需要进行水稻制图区域的影像数据,其中所述影像数据为L1TP级Landsat地表反射率科学影像数据;
数据校正模块:用于基于顶部大气反射率校正算法对所述影像数据进行校正处理,获取校正后的影像数据;
数据处理模块:用于对所述校正后的影像数据进行去除云及云阴影处理,获取处理后的影像数据;
制图模块:用于根据所述处理后的影像数据基于水稻生长期多特征掩膜提取进行水稻生长区域制图,获取水稻生长区域图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811270244.6A CN109543552B (zh) | 2018-10-29 | 2018-10-29 | 基于生长期多特征提取的水稻生长区域制图方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811270244.6A CN109543552B (zh) | 2018-10-29 | 2018-10-29 | 基于生长期多特征提取的水稻生长区域制图方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109543552A true CN109543552A (zh) | 2019-03-29 |
CN109543552B CN109543552B (zh) | 2021-05-28 |
Family
ID=65845951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811270244.6A Active CN109543552B (zh) | 2018-10-29 | 2018-10-29 | 基于生长期多特征提取的水稻生长区域制图方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543552B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378290A (zh) * | 2019-07-22 | 2019-10-25 | 中国水利水电科学研究院 | 一种多云光学影像数据洪涝水体信息快速提取方法及系统 |
CN111345214A (zh) * | 2020-03-13 | 2020-06-30 | 武汉禾大科技有限公司 | 一种基于卫星影像数据的新疆棉花区域识别方法及系统 |
CN111738144A (zh) * | 2020-06-19 | 2020-10-02 | 中国水利水电科学研究院 | 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统 |
CN112435292A (zh) * | 2020-12-18 | 2021-03-02 | 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 |
CN117576572A (zh) * | 2024-01-16 | 2024-02-20 | 杭州稻道农业科技有限公司 | 一种综合种养稻田水稻种植覆盖度提取方法、装置及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2018
- 2018-10-29 CN CN201811270244.6A patent/CN109543552B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Non-Patent Citations (2)
Title |
---|
冯沛华: "遥感地表水体信息提取渐进增强模型研究", 《基础科学辑》 * |
平跃鹏: "基于MODIS时间序列地表物候特征分析及农作物分类", 《农业科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378290A (zh) * | 2019-07-22 | 2019-10-25 | 中国水利水电科学研究院 | 一种多云光学影像数据洪涝水体信息快速提取方法及系统 |
CN111345214A (zh) * | 2020-03-13 | 2020-06-30 | 武汉禾大科技有限公司 | 一种基于卫星影像数据的新疆棉花区域识别方法及系统 |
CN111738144A (zh) * | 2020-06-19 | 2020-10-02 | 中国水利水电科学研究院 | 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统 |
CN111738144B (zh) * | 2020-06-19 | 2021-08-31 | 中国水利水电科学研究院 | 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统 |
CN112435292A (zh) * | 2020-12-18 | 2021-03-02 | 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 |
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 |
CN117576572A (zh) * | 2024-01-16 | 2024-02-20 | 杭州稻道农业科技有限公司 | 一种综合种养稻田水稻种植覆盖度提取方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109543552B (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boschetti et al. | PhenoRice: A method for automatic extraction of spatio-temporal information on rice crops using satellite data time series | |
CN109543552A (zh) | 基于生长期多特征提取的水稻生长区域制图方法及系统 | |
Poulin et al. | Ecological assessment of Phragmites australis wetlands using multi-season SPOT-5 scenes | |
Tennakoon et al. | Estimation of cropped area and grain yield of rice using remote sensing data | |
van Noordwijk et al. | Agroforestry solutions for buffering climate variability and adapting to change | |
CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
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 | |
CN107273820A (zh) | 一种土地覆盖遥感分类方法及系统 | |
Torbick et al. | Integrating SAR and optical imagery for regional mapping of paddy rice attributes in the Poyang Lake Watershed, China | |
CN109784300A (zh) | 一种农作物科学测产方法及系统 | |
Li et al. | Mapping rice cropping systems using Landsat-derived renormalized index of normalized difference vegetation index (RNDVI) in the Poyang Lake Region, China | |
Amir et al. | LAND COVER MAPPING AND CROP PHENOLOGY OF POTOHAR REGION, PUNJAB, PAKISTAN. | |
Karlson et al. | Exploring the landscape scale influences of tree cover on crop yield in an agroforestry parkland using satellite data and spatial statistics | |
Lubis et al. | Land Use and Land Cover change detection using remote sensing and geographic information system in Bodri Watershed, Central Java, Indonesia | |
Abdelraouf et al. | Comparative analysis of some winter crops area estimation using landsat-8 and sentinal-2 satellite imagery | |
Sbahi et al. | Evaluation of the efficiency of circular wheat crop farms using GIS and remote sensing techniques | |
Hisham et al. | Monitoring of Rice Growth Phases Using Multi-Temporal Sentinel-2 Satellite Image | |
Yang et al. | Monitoring winter wheat in ShanDong province using Sentinel data and Google Earth Engine platform | |
Srinivas et al. | Application of distance based vegetation index for agricultural crops discrimination | |
Jovanović et al. | Crop yield estimation in 2014 for Vojvodina using methods of remote sensing | |
HAKORİMANA et al. | Risk sources and risk management strategies in coffee farming: a case study of Rwanda | |
Minh et al. | Temporal and spatial delineation the rice growing stages for cropping calendar estimation in the southern of vietnam using remote sensing | |
Luo et al. | Staple crop mapping with Chinese GaoFen-1 and GaoFen-6 satellite images: A case study in Yanshou County, Heilongjiang Province, China | |
Fikriyah | Detecting rice crop establisment methods using Sentinel-1 multi temporal imagery in Nueva Ecija, Phillipines |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Hu Yueming Inventor after: Liao Jing Inventor before: Hu Mingyue Inventor before: Liao Jing |
|
GR01 | Patent grant | ||
GR01 | Patent grant |