CN109635731A - 一种识别有效耕地的方法及装置、存储介质及处理器 - Google Patents
一种识别有效耕地的方法及装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN109635731A CN109635731A CN201811516874.7A CN201811516874A CN109635731A CN 109635731 A CN109635731 A CN 109635731A CN 201811516874 A CN201811516874 A CN 201811516874A CN 109635731 A CN109635731 A CN 109635731A
- Authority
- CN
- China
- Prior art keywords
- ndvi
- data
- division
- characteristic
- landsat
- 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
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及耕地识别领域,具体涉及一种识别有效耕地的方法及装置,该方法及装置利用长时间序列的Landsat TM遥感数据作为数据源,用坡度SLOPE数据作为辅助数据,采用归一化差分植被指数NDVI作为分类特征,以农用耕地上作物物候差异性为依据,将作物种间的植期差异、光谱差异等特征差异反映到时序NDVI数据的分布变化规律上,设计一种将归一化差分植被指数NDVI与其它分类特征相结合的面向对象的决策分类规则,不仅可以提取农用耕地特别是西亚地区农用耕地上部分作物的空间分布信息,还能了解其耕作情况,且不用考虑不同作物复杂植期的影响,该方法所需数据源获取较易,需要处理的数据量较小,分类规则简单,工作效率较高,对耕地分布较为破碎的地区同样适用。
Description
技术领域
本发明涉及耕地识别领域,具体而言,涉及一种识别有效耕地的方法及装置、存储介质及处理器。
背景技术
一般认为作物的NDVI时序数据与其形态特征、生化参量以及物候信息有着较好的相关关系,利用NDVI时序数据可以获得农用耕地上的作物类别信息,因此利用多时相时间序列遥感影像数据来进行目标作物信息识别是目前最常用的方法之一。但是由于作物物候信息在各时段上的分布并不均匀,因而习惯上利用作物的最佳时相组合来进行作物识别,这主要是利用了作物光谱和物候信息的中间差异。
目前在农用耕地耕作情况的遥感研究方法不多,比较热点的研究之一是根据时间序列NDVI曲线的周期性来捕捉耕地上作物的耕种情况,其中,NDVI曲线表现为单峰型时反映的是一年一季作物的耕作信息;NDVI曲线表现为双峰型时反映的是一年二季作物的耕作信息;NDVI曲线表现为三峰型时反映的是一年三季作物的耕作信息;NDVI曲线表现为无峰型时反映的是农用耕地休耕化、撂荒化、裸土化、盐碱化、荒漠化、城镇化等过程信息。综上所述,即农用耕地上作物的种植情况可以反映为一年内作物种植的时间序列NDVI峰值的频数。通过提取峰值的频数就可以判断农用耕地上作物耕种是否出现间断、退化等现象。
现有技术中,利用多时相遥感影像数据来进行作物识别研究中最大的难题就是时相的选择,一般来讲,不同作物在相同生育阶段遥感影像上的光谱特征有一定的相似性,极容易发生异物同谱现象,与此同时,即使是同种作物,但是由于种植方式、耕作手段、管理方法以及地域差别等外因也会导致同物异谱现象,异物同谱和同物异谱都会影响作物识别的精度,给机器识别带来较大困难,在此基础上开展定量对比实验虽然能够提高作物识别的精度,但是该方法却依赖于丰富的作物物候资料和使用者的主观判断分析,不仅耗时耗力,而且方法也不具备普适性;而对于加入对象纹理特征的非监督分类而言,虽然可以同时识别较多的作物类型信息以及避免人为分析大量特征信息而带来的复杂性,但是由于遥感影像数据的时相、质量有限,对一年多熟的作物识别仍然精度不高,而且对于休耕、弃耕、间种等耕作方式的误判也较多,这种方法不仅涉及波段较多,而且对遥感影像的空间分辨率要求也较高,难以适用于大规模、大范围的快速应用。总体而言,现阶段的农用耕地作物识别方法都过于复杂。
发明内容
本发明实施例提供了一种识别有效耕地的方法及装置,以至少解决现有农用耕地作物识别方法识别精度较低的技术问题。
根据本发明的实施例,提供了一种识别有效耕地的方法,包括以下步骤:
A、输入同一地区预设时间段的时序Landsat TM遥感影像,其中,预设时间段内包括有若干景时序Landsat TM遥感影像数据;输入该地区的坡度SLOPE数据;
B、通过时序Landsat TM数据计算该地区的归一化差分植被指数数据NDVI;
C、将归一化差分植被指数数据NDVI进行时序排序,依照时间先后顺序依次命名为NDVI1、NDVI2、NDVI3、……、NDVIn,其中NDVIn为第n个归一化差分植被指数数据NDVI,n为≥1的整数,并将其合并为NDVI数据;
D、利用面向对象的图像分类方法对NDVI数据进行多尺度分割;
G、利用多尺度分割后的NDVI数据建立分类特征μNDVI和分类特征σNDVI;μNDVI表示一对象所有NDVI波段的NDVI均值的均值,σNDVI表示一对象所有NDVI波段的NDVI均值的方差;
H、根据分类特征μNDVI和分类特征σNDVI确定该地区的耕作状态。
进一步地,该方法在步骤D、G之间还包括步骤:
E、利用NDVI数据进行植被灌溉区信息提取;
F、利用SLOPE数据进行林地信息提取。
进一步地,该方法在步骤H之后还包括步骤:
I、根据作物物候中NDVI低值期的分布特点来进行作物种类判断。
进一步地,步骤A包括:
输入同一地区1年期的时序Landsat TM遥感影像,其中,每个月至少有一景数据;时序Landsat TM遥感影像包括3个可见光谱段(蓝绿谱段、绿谱段、红谱段),1个近红外谱段,2个近短波红外谱段,1个热红外谱段,并且将这7个谱段依次命名为B1(蓝绿谱段)、B2(绿谱段)、B3(红谱段)、B4(近红外谱段)、B5(近短波红外谱段)、B6(热红外谱段)、B7(近短波红外谱段);输入该地区的坡度SLOPE数据;
步骤B包括:
通过输入的时序Landsat TM数据计算该地区的归一化差分植被指数数据NDVI,计算公式如下:
NDVI=(B4-B3)/(B4+B3);
其中,NDVI表示归一化差分植被指数;B3表示Landsat TM数据红谱段的亮度值;B4表示Landsat TM数据近红外谱段的亮度值。
进一步地,步骤D包括:
(1)参与多尺度分割的波段包括NDVI1、NDVI2、NDVI3、……、NDVIn和坡度SLOPE数据,每个波段的权重Qi值均为1;
(2)设置分割尺度(Scale Parameter),分割尺度的数值不超过50;
Scale Parameter≤50;
(3)设置形状因子(Shape),形状因子的数值不超过0.1;
Shape≤0.1;
(4)设置紧致度因子(Compactness),紧致度因子的数值不超过0.5;
Compactness≤0.5;
(5)将多尺度分割后产生的对象赋类为“Objectunclassified”。
进一步地,分类特征μNDVI和分类特征σNDVI计算方法如下:
其中,表示一对象第i个NDVI波段内所有像元的NDVI均值。
进一步地,步骤H包括:
根据条件判断耕地的耕作状态,判断条件如下:
其中,Objectfarming表示在耕农田;Objectfallow表示由于休耕、撂荒、裸土化、盐碱化、荒漠化或城镇化原因而没有耕作的农田;C表示分类阈值;σNDVI表示一对象所有NDVI波段的NDVI均值的方差,为耕作指数,表示耕地的耕作情况。
进一步地,步骤I包括:
根据作物物候中NDVI低值期的分布特点来进行作物种类判断:
其中,Objectwheat表示作物类型为小麦的对象;C表示分类阈值;NDVI低值期表示对象处于低值期的的集合;NDVI非低值期表示对象处于非低值期的的集合。
进一步地,步骤E包括:
利用NDVI数据进行植被灌溉区信息提取,提取方法为阈值判断,若任意一对象其存在NDVI数值大于等于0.5,即认为该对象为植被灌溉区,判断条件如下:
其中,Objectunclassified表示未被分类的对象;Objectvegetation表示植被对象。
进一步地,步骤F包括:
利用SLOPE数据排除林地信息的影响,提取方法为阈值判断,若任意一对象其存在SLOPE数值小于等于0.5,即认为该植被对象为耕地对象,判断条件如下:
其中,Objectvegetation表示植被对象;Objectfarmland表示耕地对象。
一种存储介质,存储介质存储有能够实现如上任意一项识别有效耕地的方法的程序文件。
一种处理器,处理器用于运行程序,其中,程序运行时执行如上任意一项的识别有效耕地的方法。
根据本发明的另一实施例,提供了一种识别有效耕地的装置,包括:
输入单元,用于输入同一地区预设时间段的时序Landsat TM遥感影像,其中,预设时间段内包括有若干景时序Landsat TM遥感影像数据;输入该地区的坡度SLOPE数据;
植被指数计算单元,用于通过时序Landsat TM数据计算该地区的归一化差分植被指数数据NDVI;
时序排序单元,用于将归一化差分植被指数数据NDVI进行时序排序,依照时间先后顺序依次命名为NDVI1、NDVI2、NDVI3、……、NDVIn,其中NDVIn为第n个归一化差分植被指数数据NDVI,n为≥1的整数,并将其合并为NDVI数据;
分割单元,用于利用面向对象的图像分类方法对NDVI数据进行多尺度分割;
分类特征建立单元,用于利用多尺度分割后的NDVI数据建立分类特征μNDVI和分类特征σNDVI;μNDVI表示一对象所有NDVI波段的NDVI均值的均值,σNDVI表示一对象所有NDVI波段的NDVI均值的方差;
状态确定单元,用于根据分类特征μNDVI和分类特征σNDVI确定该地区的耕作状态。
进一步地,装置还包括:
植被灌溉区信息提取单元,用于利用NDVI数据进行植被灌溉区信息提取;
林地信息提取单元,用于利用SLOPE数据进行林地信息提取。
进一步地,装置还包括:
作物种类判断单元,用于在获取确定的该地区的耕作状态后根据作物物候中NDVI低值期的分布特点来进行作物种类判断。
本发明实施例中的识别有效耕地的方法及装置,主要针对现有农业遥感相关技术对于西亚地区典型农业系统的适用性有限、数据源时相选择难、耕地上作物种间差异小、种内植期多等问题,利用长时间序列的Landsat TM遥感数据作为数据源,用坡度SLOPE数据作为辅助数据,采用归一化差分植被指数(NDVI)作为分类特征,以农用耕地上作物物候差异性为依据,将作物种间的植期差异、光谱差异等特征差异反映到时序NDVI数据的分布变化规律上,设计一种将归一化差分植被指数(NDVI)与其它分类特征相结合的面向对象的决策分类规则,不仅可以提取农用耕地特别是西亚地区农用耕地上部分作物的空间分布信息,还能了解其耕作情况。本发明不用考虑不同作物复杂植期的影响就可以将休耕化、撂荒化、裸土化、盐碱化、荒漠化等的耕地信息提取出来,该方法所需数据源获取较易,需要处理的数据量较小,分类规则简单,工作效率较高,对耕地分布较为破碎的地区同样适用,在分类规则中兼顾了种间差异和种内差异,避免了较多的人为分析和判断。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明识别有效耕地的方法的流程图;
图2为本发明识别有效耕地的方法的优选流程图;
图3为本发明识别有效耕地的方法的另一优选流程图;
图4为本发明识别有效耕地的方法对作物的识别结果图;
图5为本发明识别有效耕地的方法对作物的另一识别结果图;
图6为本发明图像分割算法的流程图;
图7为本发明图像分割算法中网络层次的结构图;
图8为本发明识别有效耕地的装置的模块图;
图9为本发明识别有效耕地的装置的优选模块图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有方案使用的遥感数据时相有限,受异物同谱和同物异谱的影响较大,给机器识别带来较大困难,为提高提取精度还要依赖于丰富的作物物候资料和使用者的主观判断分析,不仅耗时耗力,而且方法也不具备普适性;如果采用加入对象纹理特征来进行非监督分类,分类效果则受限于遥感影像数据的质量和成本,难以适用于大规模、大范围的快速应用。总体而言,现阶段的耕地作物识别方法都过于复杂,在小区域上都能达到较好的效果,但是却不适用于大尺度的范围应用。
西亚大部分地区属于热带和亚热带沙漠气候,降水稀少,蒸发强烈,水资源十分匮乏。部分地区为地中海型气候,夏季较炎热干燥,冬季较温暖湿润,降水充沛。西亚地区的地形以高原为主,分布有大量草原与沙漠。针对西亚地区特殊的气候地貌特点,利用国内农业遥感监测方法对其农业情况进行调查并不可取,与此同时,由于高空间分辨率的卫星影像较难获取,成本高昂,数据采集周期不稳定,较难形成长时间序列数据等局限性,因而也不适合大面积推广应用,因此本发明拟从中等空间分辨率遥感影像角度出发,利用长时间序列遥感数据源设计一种有效识别西亚地区农用耕地空间格局与内部组成的分类规则与方法,最终精确提取西亚地区农用耕地上部分作物类别及其耕作情况,经过大量实验论证,本发明的耕地分布信息以及耕地上作物类型识别结果精度较高,操作流程简单可行,具有很可观的实用价值。
实施例1
根据本发明的实施例,提供了一种识别有效耕地的方法,参见图1,包括以下步骤:
A、输入同一地区预设时间段的时序Landsat TM遥感影像,其中,预设时间段内包括有若干景时序Landsat TM遥感影像数据;输入该地区的坡度SLOPE数据;
B、通过时序Landsat TM数据计算该地区的归一化差分植被指数数据NDVI;
C、将归一化差分植被指数数据NDVI进行时序排序,依照时间先后顺序依次命名为NDVI1、NDVI2、NDVI3、……、NDVIn,其中NDVIn为第n个归一化差分植被指数数据NDVI,n为≥1的整数,并将其合并为NDVI数据;
D、利用面向对象的图像分类方法对NDVI数据进行多尺度分割;
G、利用多尺度分割后的NDVI数据建立分类特征μNDVI和分类特征σNDVI;μNDVI表示一对象所有NDVI波段的NDVI均值的均值,σNDVI表示一对象所有NDVI波段的NDVI均值的方差;
H、根据分类特征μNDVI和分类特征σNDVI确定该地区的耕作状态。
本发明主要针对现有农业遥感相关技术对于西亚地区典型农业系统的适用性有限、数据源时相选择难、耕地上作物种间差异小、种内植期多等问题,利用长时间序列的Landsat TM遥感数据作为数据源,用坡度SLOPE数据作为辅助数据,采用归一化差分植被指数(NDVI)作为分类特征,以农用耕地上作物物候差异性为依据,将作物种间的植期差异、光谱差异等特征差异反映到时序NDVI数据的分布变化规律上,设计一种将归一化差分植被指数(NDVI)与其它分类特征相结合的面向对象的决策分类规则,不仅可以提取西亚地区农用耕地上部分作物的空间分布信息,还能了解其耕作情况。本发明的研究方法不用考虑不同作物复杂植期的影响就可以将休耕化、撂荒化、裸土化、盐碱化、荒漠化等的耕地信息提取出来,该方法所需数据源获取较易,需要处理的数据量较小,分类规则简单,工作效率较高,对耕地分布较为破碎的地区同样适用,在分类规则中兼顾了种间差异和种内差异,避免了较多的人为分析和判断。其识别结果如图4-5所示,为西亚部分地区小麦、棉花、甜菜等作物的识别结果。
作为优选的技术方案中,参见图2,该方法在步骤D、G之间还包括步骤:
E、利用NDVI数据进行植被灌溉区信息提取;
F、利用SLOPE数据进行林地信息提取。
作为优选的技术方案中,参见图3,该方法还包括步骤:
I、根据作物物候中NDVI低值期的分布特点来进行作物种类判断。
作为优选的技术方案中,步骤A包括:
输入同一地区1年期的时序Landsat TM遥感影像,其中,要保证每个月至少有一景数据;时序Landsat TM遥感影像包括3个可见光谱段(蓝绿谱段、绿谱段、红谱段),1个近红外谱段,2个近短波红外谱段,1个热红外谱段,并且将这7个谱段依次命名为B1(蓝绿谱段)、B2(绿谱段)、B3(红谱段)、B4(近红外谱段)、B5(近短波红外谱段)、B6(热红外谱段)、B7(近短波红外谱段);输入该地区的坡度SLOPE数据;
步骤B包括:
通过输入的时序Landsat TM数据计算该地区的归一化差分植被指数数据NDVI,计算公式如下:
NDVI=(B4-B3)/(B4+B3);
其中,NDVI表示归一化差分植被指数;B3表示Landsat TM数据红谱段的亮度值;B4表示Landsat TM数据近红外谱段的亮度值。
作为优选的技术方案中,步骤D包括:
(1)参与多尺度分割的波段包括NDVI1、NDVI2、NDVI3、……、NDVIn和坡度SLOPE数据,每个波段的权重Qi值均为1;
(2)设置分割尺度(Scale Parameter),分割尺度的数值不超过50;
Scale Parameter≤50;
(3)设置形状因子(Shape),形状因子的数值不超过0.1;
Shape≤0.1;
(4)设置紧致度因子(Compactness),紧致度因子的数值不超过0.5;
Compactness≤0.5;
(5)将多尺度分割后产生的对象赋类为“Objectunclassified”。
其中图像分割算法过程如图6所示,图像分割算法会形成网络层次结构,每一个分割都利用低一层的影像对象作为原料,这些原料随之在新分割中进行合并。同时,也遵循高一层中的对象边界限制。这个网状结构是一个拓扑关系,比如,父对象的边界决定了子对象的边界,父对象的区域大小由子对象的总和决定。每一层都由它的直接的子对象来构成,在下一个高层上,子对象合并为大对象。这个合并会被已有父对象的边界所限制。如果是不同的父对象,那么相邻的对象不能进行合并。
参见图7,从一个单个像元开始,分别与其相邻对象进行计算,若相邻的两个对象和合并后的异质性指标小于给定的域值,则合并,否则不进行合并。当一轮合并结束后,以上一轮生成的对象为基本单元,继续分别与它的相邻对象进行计算,这一过程将一直持续到在用户指定的尺度上已经不能再进行任何对象的合并为止。
本发明使用的遥感影像数据为Landsat TM,其空间分辨率为30米,通过多次实验最终认为分割尺度的数值不应超过50,否则输出结果的精度会受到较大影响。其中:
1)对象的光谱(spectral)异质性指标hcolor:
其中ωc为图层的权重,σc为图层的标准差,c为图层数;根据不同的影像特性以及目标区域(interest object)特性,图层间的权重调配亦有所不同,可依使用的需求加以调整。
2)对象的形状(spatial)异质性指标hshape:
hshape=ωsmoothness×hsmoothness+ωcompatness×hcompactness (2)
其中形状的异质性指标是由平滑(smoothness)与紧密(compactness)这两个子异质性指标所构成,ωsmoothness与ωcompactness代表两者间的权重调配,两者的和为1;平滑指标与紧密指标计算如下式所示:
其中,l为对象的实际边长,b为对象的最短边长,n为对象面积;若平滑指标的权重较高,分割后的对象边界较为平滑,反之,若紧密指标的权重较高,分割后的对象形状较为紧密较接近矩形,根据不同的影像特性以及目标对象(interest object)特性,两者间的权重调配亦有所不同,可依使用者的需求加以调整。加入形状的因子于影像分割的过程中,能约制对象形状的发展,使分割后的区域形状较平滑完整,较符合人的视觉习惯。
3)对象的整体异质性指标h:
h=ωcolor×hcolor+ωshape×hshape (5)
对象整体的异质性指标是由上述的光谱异质性指标与形状异质性指标所构成,ωcolor与ωshape代表光谱与形状两者间的权重调配,两者之和为1,亦可依使者的需求进行调整。
作为优选的技术方案中,分类特征μNDVI和分类特征σNDVI计算方法如下:
其中,表示一对象第i个NDVI波段内所有像元的NDVI均值;μNDVI表示一对象所有NDVI波段的NDVI均值的均值;σNDVI表示一对象所有NDVI波段的NDVI均值的方差。
作为优选的技术方案中,步骤H包括:
根据条件判断耕地是否处于耕作状态,判断条件如下:
其中,Objectfarming表示在耕农田;Objectfallow表示由于休耕、撂荒、裸土化、盐碱化、荒漠化、城镇化等原因而没有耕作的农田;C表示分类阈值,可以根据区域特点进行调整;σNDVI表示一对象所有NDVI波段的NDVI均值的方差,在此,可以为耕作指数,表示耕地的耕作情况。
作为优选的技术方案中,步骤I包括:
根据作物物候中NDVI低值期的分布特点来进行作物种类判断。NDVI低值期主要是指耕地在整年时间上的低谷值所在的时期,造成NDVI低值期的原因主要是作物达到成熟期而枯落、收获以及作物耕种的间休期、土壤肥力的恢复期等。此处,本发明以叙利亚小麦种植物候为例进行说明,叙利亚小麦的生长期主要为11月~5月,一般在6月进行收获,在7月~10月处于完全间休期:
其中,Objectwheat表示作物类型为小麦的对象;C表示分类阈值;NDVI低值期表示对象处于低值期的的集合;NDVI非低值期表示对象处于非低值期的的集合。
作为优选的技术方案中,步骤E包括:
利用NDVI数据进行植被灌溉区信息提取,排除植被覆盖度较低的荒漠和草原地类的影响。提取方法为阈值判断,若任意一对象其存在NDVI数值大于等于0.5,即认为该对象为植被灌溉区,判断条件如下:
其中,Objectunclassified表示未被分类的对象;Objectvegetation表示植被对象。
作为优选的技术方案中,步骤F包括:
利用SLOPE数据排除林地信息的影响,提取方法为阈值判断,若任意一对象其存在SLOPE数值小于等于0.5,即认为该植被对象为耕地对象,判断条件如下:
其中,Objectvegetation表示植被对象;Objectfarmland表示耕地对象。
实施例2
根据本发明的实施例,提供了一种存储介质,存储介质存储有能够实现如上任意一项识别有效耕地的方法的程序文件。
实施例3
根据本发明的实施例,提供了一种处理器,处理器用于运行程序,其中,程序运行时执行如上任意一项的识别有效耕地的方法。
实施例4
根据本发明的实施例,提供了一种识别有效耕地的装置,参见图8,包括:
输入单元10,用于输入同一地区预设时间段的时序Landsat TM遥感影像,其中,预设时间段内包括有若干景时序Landsat TM遥感影像数据;输入该地区的坡度SLOPE数据;
植被指数计算单元20,用于通过时序Landsat TM数据计算该地区的归一化差分植被指数数据NDVI;
时序排序单元30,用于将归一化差分植被指数数据NDVI进行时序排序,依照时间先后顺序依次命名为NDVI1、NDVI2、NDVI3、……、NDVIn,其中NDVIn为第n个归一化差分植被指数数据NDVI,n为≥1的整数,并将其合并为NDVI数据;
分割单元40,用于利用面向对象的图像分类方法对NDVI数据进行多尺度分割;
分类特征建立单元60,用于利用多尺度分割后的NDVI数据建立分类特征μNDVI和分类特征σNDVI;μNDVI表示一对象所有NDVI波段的NDVI均值的均值,σNDVI表示一对象所有NDVI波段的NDVI均值的方差;
状态确定单元70,用于根据分类特征μNDVI和分类特征σNDVI确定该地区的耕作状态。
本发明实施例中的识别有效耕地的装置,主要针对现有农业遥感相关技术对于西亚地区典型农业系统的适用性有限、数据源时相选择难、耕地上作物种间差异小、种内植期多等问题,利用长时间序列的Landsat TM遥感数据作为数据源,用坡度SLOPE数据作为辅助数据,采用归一化差分植被指数(NDVI)作为分类特征,以农用耕地上作物物候差异性为依据,将作物种间的植期差异、光谱差异等特征差异反映到时序NDVI数据的分布变化规律上,设计一种将归一化差分植被指数(NDVI)与其它分类特征相结合的面向对象的决策分类规则,不仅可以提取农用耕地特别是西亚地区农用耕地上部分作物的空间分布信息,还能了解其耕作情况。本发明不用考虑不同作物复杂植期的影响就可以将休耕化、撂荒化、裸土化、盐碱化、荒漠化等的耕地信息提取出来,该方法所需数据源获取较易,需要处理的数据量较小,分类规则简单,工作效率较高,对耕地分布较为破碎的地区同样适用,在分类规则中兼顾了种间差异和种内差异,避免了较多的人为分析和判断。
作为优选的技术方案中,参见图9,装置还包括:
植被灌溉区信息提取单元501,用于利用NDVI数据进行植被灌溉区信息提取;
林地信息提取单元502,用于利用SLOPE数据进行林地信息提取。
利用NDVI数据进行植被灌溉区信息提取,排除植被覆盖度较低的荒漠和草原地类的影响。提取方法为阈值判断,若任意一对象其存在NDVI数值大于等于0.5,即认为该对象为植被灌溉区,判断条件如下:
其中,Objectunclassified表示未被分类的对象;Objectvegetation表示植被对象。
利用SLOPE数据排除林地信息的影响,提取方法为阈值判断,若任意一对象其存在SLOPE数值小于等于0.5,即认为该植被对象为耕地对象,判断条件如下:
其中,Objectvegetation表示植被对象;Objectfarmland表示耕地对象。
作为优选的技术方案中,参见图9,装置还包括:
作物种类判断单元80,用于在获取确定的该地区的耕作状态后根据作物物候中NDVI低值期的分布特点来进行作物种类判断。
根据作物物候中NDVI低值期的分布特点来进行作物种类判断。NDVI低值期主要是指耕地在整年时间上的低谷值所在的时期,造成NDVI低值期的原因主要是作物达到成熟期而枯落、收获以及作物耕种的间休期、土壤肥力的恢复期等。此处,本发明以叙利亚小麦种植物候为例进行说明,叙利亚小麦的生长期主要为11月~5月,一般在6月进行收获,在7月~10月处于完全间休期:
其中,Objectwheat表示作物类型为小麦的对象;C表示分类阈值;NDVI低值期表示对象处于低值期的的集合;NDVI非低值期表示对象处于非低值期的的集合。
综上所述,本发明对于西亚地区耕地上部分作物类别及其耕作情况信息的提取精度较高,识别流程简单易操作,所用参数较少,具有很强的实用效果。本发明经过了大量的实验论证,并且实验结果都较为理想。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的系统实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种识别有效耕地的方法,其特征在于,包括以下步骤:
A、输入同一地区预设时间段的时序Landsat TM遥感影像,其中,预设时间段内包括有若干景时序Landsat TM遥感影像数据;输入该地区的坡度SLOPE数据;
B、通过时序Landsat TM数据计算该地区的归一化差分植被指数数据NDVI;
C、将归一化差分植被指数数据NDVI进行时序排序,依照时间先后顺序依次命名为NDVI1、NDVI2、NDVI3、……、NDVIn,其中NDVIn为第n个归一化差分植被指数数据NDVI,n为≥1的整数,并将其合并为NDVI数据;
D、利用面向对象的图像分类方法对NDVI数据进行多尺度分割;
G、利用多尺度分割后的NDVI数据建立分类特征μNDVI和分类特征σNDVI;μNDVI表示一对象所有NDVI波段的NDVI均值的均值,σNDVI表示一对象所有NDVI波段的NDVI均值的方差;
H、根据分类特征μNDVI和分类特征σNDVI确定该地区的耕作状态。
2.根据权利要求1所述的方法,其特征在于,所述方法在步骤D、G之间还包括步骤:
E、利用NDVI数据进行植被灌溉区信息提取;
F、利用SLOPE数据进行林地信息提取。
3.根据权利要求2所述的方法,其特征在于,所述方法在步骤H之后还包括步骤:
I、根据作物物候中NDVI低值期的分布特点来进行作物种类判断。
4.根据权利要求3所述的方法,其特征在于,步骤A包括:
输入同一地区1年期的时序Landsat TM遥感影像,其中,每个月至少有一景数据;时序Landsat TM遥感影像包括3个可见光谱段为蓝绿谱段、绿谱段、红谱段,1个近红外谱段,2个近短波红外谱段,1个热红外谱段,并且将这7个谱段依次命名为蓝绿谱段B1、绿谱段B2、红谱段B3、近红外谱段B4、近短波红外谱段B5、热红外谱段B6、近短波红外谱段B7;输入该地区的坡度SLOPE数据;
步骤B包括:
通过输入的时序Landsat TM数据计算该地区的归一化差分植被指数数据NDVI,计算公式如下:
NDVI=(B4-B3)/(B4+B3);
其中,NDVI表示归一化差分植被指数;B3表示Landsat TM数据红谱段的亮度值;B4表示Landsat TM数据近红外谱段的亮度值。
5.根据权利要求4所述的方法,其特征在于,步骤D包括:
(1)参与多尺度分割的波段包括NDVI1、NDVI2、NDVI3、……、NDVIn和坡度SLOPE数据,每个波段的权重Qi值均为1;
(2)设置分割尺度Scale Parameter,分割尺度的数值不超过50;
(3)设置形状因子Shape,形状因子的数值不超过0.1;
(4)设置紧致度因子Compactness,紧致度因子的数值不超过0.5;
(5)将多尺度分割后产生的对象赋类为Objectunclassified。
6.根据权利要求5所述的方法,其特征在于,分类特征μNDVI和分类特征σNDVI计算方法如下:
其中,表示一对象第i个NDVI波段内所有像元的NDVI均值。
7.根据权利要求6所述的方法,其特征在于,步骤H包括:
根据条件判断耕地的耕作状态,判断条件如下:
其中,Objectfarming表示在耕农田;Objectfallow表示由于休耕、撂荒、裸土化、盐碱化、荒漠化或城镇化原因而没有耕作的农田;C表示分类阈值。
8.根据权利要求7所述的方法,其特征在于,步骤I包括:
根据作物物候中NDVI低值期的分布特点来进行作物种类判断:
其中,Objectwheat表示作物类型为小麦的对象;C表示分类阈值;NDVI低值期表示对象处于低值期的的集合;NDVI非低值期表示对象处于非低值期的的集合。
9.根据权利要求5所述的方法,其特征在于,步骤E包括:
利用NDVI数据进行植被灌溉区信息提取,提取方法为阈值判断,若任意一对象其存在NDVI数值大于等于0.5,即认为该对象为植被灌溉区。
10.根据权利要求5所述的方法,其特征在于,步骤F包括:
利用SLOPE数据排除林地信息的影响,提取方法为阈值判断,若任意一对象其存在SLOPE数值小于等于0.5,即认为该植被对象为耕地对象。
11.一种存储介质,其特征在于,所述存储介质存储有能够实现权利要求1至10中任意一项所述识别有效耕地的方法的程序文件。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至10中任意一项所述的识别有效耕地的方法。
13.一种识别有效耕地的装置,其特征在于,包括:
输入单元,用于输入同一地区预设时间段的时序Landsat TM遥感影像,其中,预设时间段内包括有若干景时序Landsat TM遥感影像数据;输入该地区的坡度SLOPE数据;
植被指数计算单元,用于通过时序Landsat TM数据计算该地区的归一化差分植被指数数据NDVI;
时序排序单元,用于将归一化差分植被指数数据NDVI进行时序排序,依照时间先后顺序依次命名为NDVI1、NDVI2、NDVI3、……、NDVIn,其中NDVIn为第n个归一化差分植被指数数据NDVI,n为≥1的整数,并将其合并为NDVI数据;
分割单元,用于利用面向对象的图像分类方法对NDVI数据进行多尺度分割;
分类特征建立单元,用于利用多尺度分割后的NDVI数据建立分类特征μNDVI和分类特征σNDVI;μNDVI表示一对象所有NDVI波段的NDVI均值的均值,σNDVI表示一对象所有NDVI波段的NDVI均值的方差;
状态确定单元,用于根据分类特征μNDVI和分类特征σNDVI确定该地区的耕作状态。
14.根据权利要求13所述的装置,其特征在于,所述装置还包括:
植被灌溉区信息提取单元,用于利用NDVI数据进行植被灌溉区信息提取;
林地信息提取单元,用于利用SLOPE数据进行林地信息提取。
15.根据权利要求13所述的装置,其特征在于,所述装置还包括:
作物种类判断单元,用于在获取确定的该地区的耕作状态后根据作物物候中NDVI低值期的分布特点来进行作物种类判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811516874.7A CN109635731B (zh) | 2018-12-12 | 2018-12-12 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811516874.7A CN109635731B (zh) | 2018-12-12 | 2018-12-12 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635731A true CN109635731A (zh) | 2019-04-16 |
CN109635731B CN109635731B (zh) | 2021-04-20 |
Family
ID=66072888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811516874.7A Active CN109635731B (zh) | 2018-12-12 | 2018-12-12 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635731B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298322A (zh) * | 2019-07-02 | 2019-10-01 | 北京师范大学 | 一种基于遥感数据的耕地提取方法及系统 |
CN110427841A (zh) * | 2019-07-18 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 基于遥感信息的常绿林地识别方法及系统 |
CN111007013A (zh) * | 2019-11-01 | 2020-04-14 | 中科禾信遥感科技(苏州)有限公司 | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 |
CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
CN111666914A (zh) * | 2020-06-15 | 2020-09-15 | 中国科学院地理科学与资源研究所 | 基于曲线间距离的耕地识别方法、系统、设备及存储介质 |
CN112541933A (zh) * | 2020-12-09 | 2021-03-23 | 中国科学院深圳先进技术研究院 | 一种农田边界及种植结构的提取方法 |
CN113111799A (zh) * | 2021-04-19 | 2021-07-13 | 北华航天工业学院 | 一种基于集合经验模态分解的耕地土壤肥力水平监测方法 |
CN113221790A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种基于雷达数据的田块轮作模式生成方法及装置 |
CN113642579A (zh) * | 2021-07-08 | 2021-11-12 | 湖南元想科技有限公司 | 南荻生长区域确定、分割方法及系统 |
CN114220020A (zh) * | 2021-12-08 | 2022-03-22 | 深圳先进技术研究院 | 柚木林识别方法、系统及终端 |
CN114708490A (zh) * | 2021-12-14 | 2022-07-05 | 深圳先进技术研究院 | 水稻种植提取及复种指数监测方法、系统、终端及存储介质 |
CN115775354A (zh) * | 2023-02-10 | 2023-03-10 | 天地信息网络研究院(安徽)有限公司 | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609726A (zh) * | 2012-02-24 | 2012-07-25 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
CN103000077A (zh) * | 2012-11-27 | 2013-03-27 | 中国科学院东北地理与农业生态研究所 | 利用面向对象的分类方法对中等分辨率遥感图像进行红树林制图的方法 |
CN104361338A (zh) * | 2014-10-17 | 2015-02-18 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 |
CN104951754A (zh) * | 2015-06-08 | 2015-09-30 | 中国科学院遥感与数字地球研究所 | 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
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 |
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 |
CN106446875A (zh) * | 2016-11-16 | 2017-02-22 | 航天恒星科技有限公司 | 面向县域遥感尺度的农作物种植面积信息提取方法及装置 |
CN107103305A (zh) * | 2017-05-03 | 2017-08-29 | 西安科技大学 | 基于高分辨率遥感影像的高标准农田识别方法 |
CN107527364A (zh) * | 2017-07-25 | 2017-12-29 | 浙江大学 | 一种基于遥感图像和网帘信息的紫菜种植面积监测方法 |
-
2018
- 2018-12-12 CN CN201811516874.7A patent/CN109635731B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609726A (zh) * | 2012-02-24 | 2012-07-25 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
CN103000077A (zh) * | 2012-11-27 | 2013-03-27 | 中国科学院东北地理与农业生态研究所 | 利用面向对象的分类方法对中等分辨率遥感图像进行红树林制图的方法 |
CN104361338A (zh) * | 2014-10-17 | 2015-02-18 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 |
CN104951754A (zh) * | 2015-06-08 | 2015-09-30 | 中国科学院遥感与数字地球研究所 | 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 |
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 |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
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 |
CN106446875A (zh) * | 2016-11-16 | 2017-02-22 | 航天恒星科技有限公司 | 面向县域遥感尺度的农作物种植面积信息提取方法及装置 |
CN107103305A (zh) * | 2017-05-03 | 2017-08-29 | 西安科技大学 | 基于高分辨率遥感影像的高标准农田识别方法 |
CN107527364A (zh) * | 2017-07-25 | 2017-12-29 | 浙江大学 | 一种基于遥感图像和网帘信息的紫菜种植面积监测方法 |
Non-Patent Citations (6)
Title |
---|
YUMAN SUN ET.AL.: "Agricultural Farming Can Play a Role in Assessing the Syrian Crisis Based on the Two River Basins in Syria", 《IEEE》 * |
关舒婧 等: "华南地区典型种植园地遥感分类研究", 《地球信息科学》 * |
崔玉环 等: "基于面向对象分类的冬小麦种植面积遥感监测—以淮北市临涣矿区为例", 《安徽农业大学学报》 * |
易凤佳 等: "面向对象的丘陵区水田遥感识别方法", 《农业工程学报》 * |
梁守真 等: "应用面向对象的决策树模型提取橡胶林信息", 《遥感学报》 * |
童新华 等: "基于MODIS-NDVI时序数据集的面向对象分类提取广西耕地面积的方法研究", 《西师范学院学报:自然科学版》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298322A (zh) * | 2019-07-02 | 2019-10-01 | 北京师范大学 | 一种基于遥感数据的耕地提取方法及系统 |
CN110298322B (zh) * | 2019-07-02 | 2021-05-14 | 北京师范大学 | 一种基于遥感数据的耕地提取方法及系统 |
CN110427841B (zh) * | 2019-07-18 | 2021-09-21 | 中国科学院遥感与数字地球研究所 | 基于遥感信息的常绿林地识别方法及系统 |
CN110427841A (zh) * | 2019-07-18 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 基于遥感信息的常绿林地识别方法及系统 |
CN111007013A (zh) * | 2019-11-01 | 2020-04-14 | 中科禾信遥感科技(苏州)有限公司 | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 |
CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
CN111598019B (zh) * | 2020-05-19 | 2023-05-26 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
CN111666914B (zh) * | 2020-06-15 | 2022-05-10 | 中国科学院地理科学与资源研究所 | 基于曲线间距离的耕地识别方法、系统、设备及存储介质 |
CN111666914A (zh) * | 2020-06-15 | 2020-09-15 | 中国科学院地理科学与资源研究所 | 基于曲线间距离的耕地识别方法、系统、设备及存储介质 |
CN112541933A (zh) * | 2020-12-09 | 2021-03-23 | 中国科学院深圳先进技术研究院 | 一种农田边界及种植结构的提取方法 |
CN113111799A (zh) * | 2021-04-19 | 2021-07-13 | 北华航天工业学院 | 一种基于集合经验模态分解的耕地土壤肥力水平监测方法 |
CN113111799B (zh) * | 2021-04-19 | 2024-01-30 | 北华航天工业学院 | 一种基于集合经验模态分解的耕地土壤肥力水平监测方法 |
CN113221790A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种基于雷达数据的田块轮作模式生成方法及装置 |
CN113642579A (zh) * | 2021-07-08 | 2021-11-12 | 湖南元想科技有限公司 | 南荻生长区域确定、分割方法及系统 |
CN114220020A (zh) * | 2021-12-08 | 2022-03-22 | 深圳先进技术研究院 | 柚木林识别方法、系统及终端 |
CN114708490A (zh) * | 2021-12-14 | 2022-07-05 | 深圳先进技术研究院 | 水稻种植提取及复种指数监测方法、系统、终端及存储介质 |
CN115775354A (zh) * | 2023-02-10 | 2023-03-10 | 天地信息网络研究院(安徽)有限公司 | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 |
CN115775354B (zh) * | 2023-02-10 | 2023-04-25 | 天地信息网络研究院(安徽)有限公司 | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109635731B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635731A (zh) | 一种识别有效耕地的方法及装置、存储介质及处理器 | |
Lu et al. | Combining plant height, canopy coverage and vegetation index from UAV-based RGB images to estimate leaf nitrogen concentration of summer maize | |
Chong et al. | A review of remote sensing applications for oil palm studies | |
Yang et al. | An improved scheme for rice phenology estimation based on time-series multispectral HJ-1A/B and polarimetric RADARSAT-2 data | |
Perez et al. | Colour and shape analysis techniques for weed detection in cereal fields | |
Zhang et al. | Capability of crop water content for revealing variability of winter wheat grain yield and soil moisture under limited irrigation | |
CN113009485A (zh) | 一种基于改进植被指数的遥感烟田识别方法 | |
Zhang et al. | A novel index for robust and large-scale mapping of plastic greenhouse from Sentinel-2 images | |
Vaudour et al. | Early-season mapping of crops and cultural operations using very high spatial resolution Pléiades images | |
CN110852262A (zh) | 基于时间序列高分一号遥感影像的农业用地提取方法 | |
CN113221806B (zh) | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 | |
CN106951836A (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
CN108399400A (zh) | 一种基于高分辨率遥感数据的早期作物识别方法和系统 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
Wang et al. | Understanding the cooling capacity and its potential drivers in urban forests at the single tree and cluster scales | |
CN109977901A (zh) | 一种基于无人机遥感的玉米田间杂草识别方法 | |
Liu et al. | Mapping paddy rice in Jiangsu Province, China, based on phenological parameters and a decision tree model | |
Safi et al. | Translating open-source remote sensing data to crop water productivity improvement actions | |
Chen et al. | A novel Greenness and Water Content Composite Index (GWCCI) for soybean mapping from single remotely sensed multispectral images | |
Kang et al. | Construction of multidimensional features to identify tea plantations using multisource remote sensing data: A case study of Hangzhou city, China | |
Mhango et al. | Applying colour-based feature extraction and transfer learning to develop a high throughput inference system for potato (Solanum tuberosum L.) stems with images from unmanned aerial vehicles after canopy consolidation | |
Song et al. | Recognition of sunflower growth period based on deep learning from UAV remote sensing images | |
CN114663780A (zh) | 基于gee和机器学习的河套灌区种植结构识别方法及系统 | |
Luo et al. | Staple crop mapping with Chinese GaoFen-1 and GaoFen-6 satellite images: A case study in Yanshou County, Heilongjiang Province, China | |
Yang et al. | Agricultural crop harvest progress monitoring by fully polarimetric synthetic aperture radar imagery |
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 |