CN109726698A - 基于遥感数据进行季度灌溉面积识别的方法 - Google Patents
基于遥感数据进行季度灌溉面积识别的方法 Download PDFInfo
- Publication number
- CN109726698A CN109726698A CN201910010701.6A CN201910010701A CN109726698A CN 109726698 A CN109726698 A CN 109726698A CN 201910010701 A CN201910010701 A CN 201910010701A CN 109726698 A CN109726698 A CN 109726698A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- ndvi
- season
- data
- seasonal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001556 precipitation Methods 0.000 claims abstract description 109
- 238000003973 irrigation Methods 0.000 claims abstract description 55
- 230000002262 irrigation Effects 0.000 claims abstract description 55
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 230000002123 temporal effect Effects 0.000 claims abstract description 18
- 230000001186 cumulative effect Effects 0.000 claims abstract description 13
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims abstract description 9
- 238000013480 data collection Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims description 14
- 230000001932 seasonal effect Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 241001365789 Oenanthe crocata Species 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 14
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 description 9
- 239000002689 soil Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000003621 irrigation water Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及水资源遥感监测技术领域,特别涉及一种基于遥感数据进行季度灌溉面积识别的方法,确定分析区域空间范围,收集不大于月尺度的植被指数、降水时间序列的遥感数据集;生成植被指数与降水随时间变化折线图,识别植被主要生长期与灌溉期时间范围,并依据降水情况并进行季节划分;植被指数与降水数据进行月度累加,得到季度值,然后计算累加的降水与植被指数间的一致性系数;划分一致性系数值域区间,根据一致性系数所在区间进行灌溉位置及灌溉面积识别;生成完整时间序列的植被主要生长期灌溉区域的时空分布专题图成果。本发明不仅能够有效的识别灌溉面积,还能够动态的对降水与NDVI关系进行分析。
Description
技术领域
本发明涉及水资源遥感监测技术领域,特别涉及一种基于遥感数据进行季度灌溉面积识别的方法。
背景技术
灌溉信息的快速准确获取对水资源管理部门改善灌区用水监测统计有十分重要的指导意义。灌溉区域的空间分布与面积是灌区用水管理、水量控制和水资源配置等工作的基础支撑数据。由于缺乏有效的灌溉面积监测手段,全国很多地区的灌溉面积与空间分布信息不能及时准确的掌握。传统自下而上的统计方法,耗费大量的人力、物力,仍不能保证足够的准确性和时效性。这不仅长期困扰水资源管理,还制约着水资源的合理科学配置。遥感技术的发展,使快速、高效、大范围识别灌溉面积成为可能。
从80年代开始,我国就有利用卫星遥感技术对灌溉区域的研究。90年代,我国水利部遥感技术应用中心以地形数据和Landsat TM影像数据为基础,通过农田灌溉实地踏勘、核实验证等方法初步实现了有效灌溉面积的遥感提取。2006年,世界水资源管理研究所利用时间序列的NOAA/AVHRR影像数据完成了世界第一份空间分辨率为10km的全球灌溉面积分布图,为灌溉面积、水资源利用、粮食生产与经济发展研究提供了宝贵经验与科学方法。目前,在实际灌溉面积的监测研究中,基于干旱指数结合土壤含水量变化及植被生长特征的方法被许多研究人员用于实际灌溉面积的遥感监测。沈静、易珍言、王啸天等人基于垂直干旱指数、短波红外垂直失水指数、修正垂直干旱指数、垂直干旱指数对内蒙古河套灌区和宁夏秦汉灌区的灌溉面积与空间分布进行了提取。虽然基于干旱指数的灌溉面积识别方法已经得到较为广泛的应用,但是仍有一些问题尚未解决。基于干旱指数的灌溉面积识别,比较依赖地面实地监测的土壤含水量数据,我国很多地区都不具备长期连续的土壤含水量监测数据条件,这为灌溉面积识别带来了困难。此外,由于遥感影像的不连续性,该方法只能得到两期影像时间间隔内的实际灌溉面积,仅依靠遥感监测,很难得到持续累计的灌溉面积。除基于干旱指数结合地面实测土壤含水量的方法外,还有学者基于年平均降雨利用效率(RUE)和线性拟合离散度的方法对干旱区的人为因素(主要为灌溉与复垦)进行了评估,其中RUE是衡量作物产量与水量关系的一种指标,近年来也有学者使用NDVI代替作物产量评估植被生长与降雨之间的关系;线性拟合离散度的方法是通过降雨与植被NDVI线性关系,偏离拟合线距离较大的点被认为是人为因素影响了植被生长。前者假设存在一段人类活动影响程度相对稳定的时期,后者依赖降水与植被指数稳定的相关关系,这两种方法在干旱区或人类活动对降水与指标关系扰动明显的区域取得了良好的结果。若一个地区降水与植被指数的关系不稳定或人为因素对植被生长影响程度较大,则不能得到满足精度要求的结果。
发明内容
本发明针对现有技术的缺陷,提供了一种基于遥感数据对季度累计灌溉面积识别方法,能有效的解决上述现有技术存在的问题。
为了实现以上发明目的,本发明采取的技术方案如下:
基于遥感数据进行季度灌溉面积识别的方法,包括以下步骤:
步骤1、确定分析区域空间范围并进行数据准备,收集不大于月尺度的植被指数、降水时间序列的遥感数据集,时间上统一处理为月尺度数据,经过重采样、加权平均等方法统一各类数据的空间分辨率;
步骤2、生成植被指数与降水随时间变化折线图,识别植被主要生长期与灌溉期时间范围,并依据降水情况进行季节划分;
步骤3、对季节划分后的植被指数(NDVI)与降水数据进行月度累加,得到季度值,然后计算累加的降水与植被指数间的一致性系数;
步骤4、划分一致性系数值域区间,根据一致性系数所在区间进行灌溉位置及灌溉面积识别;
步骤5、生成完整时间序列的植被主要生长期灌溉区域的时空分布专题图成果。
进一步地,所述步骤1包括:
步骤1.1、根据不同实施例的范围大小,选取空间分辨率适宜的NDVI数据以提高模型运算效率,并收集时间分辨率匹配性较好的降水数据;
步骤1.2、对收集的数据进行时空分辨率统一处理,本技术支持多种时空分辨率的植被指数产品,在这一步骤中,需要将收集的降水数据与NDVI数据运用统计方法进行时间分辨率上的统一;
步骤1.3、若降水数据与NDVI数据得空间分辨率不统一,可以使用重采样或插值的方法统一两种数据的空间分辨率。
进一步地,所述步骤2包括:
步骤2.1、运用区域统计方法,统计实施例区域的平均降水和平均NDVI,绘制NDVI与降水时间变化折线图,用来判断区域整体植被生长变化情况;
步骤2.2、根据时间序列的NDVI生长变化曲线,将作物主要生长期判定为主要灌溉期,确定主要灌溉期的时间范围;
步骤2.3、结合时间序列的降水变化曲线,划分主要灌溉期中降水亏缺季与降水充足季,由于降水对NDVI的促进作用可能存在滞后性,划分季节时可以根据实施例区域的不同,再做适宜性调整,确定季节中包括的月份。
进一步地,所述步骤3包括:
步骤3.1、带入归一化模型前,需要对上一步骤中季节划分的结果再次进行计算,本技术中使用累加的方式对月尺度的降水与NDVI进行季节转化(计算季度累加值);
步骤3.2、进行归一化处理;
将累加后的季节降水与NDVI结果整理,分别将季节降水与季节NDVI转换为二维数组,随后再将不同年份的同季节降水与NDVI存入三维矩阵,对三维矩阵中的每一个元素都进行归一化计算,计算公式如下:
ri,j=(xi,j-min(xi,j,y))/(max(xi,j,y)-min(xi,j,y)) (1)
其中ri,j表示NDVI或降水影像第i行,j列像元的归一化结果,xi,j表示NDVI或降水影像的第i行,j列的像元,min(xi,j,y)与max(xi,j,y)分别表示xi,j像元在时间序列y中的最小值与最大值;
步骤3.3、将得到的NDVI与降水的归一化矩阵带入公式(2)可以获得降水与NDVI的一致性系数:
其中RUEseasonal表示季节内降水与NDVI的一致性系数,NDVI(ri,j)与P(ri,j)分别表示NDVI归一化矩阵与降水归一化矩阵。
进一步地,所述步骤4包括:
步骤4.1、计算植被生长与降水量一致性系数RUEseasonal。RUEseasonal值处于[0,10]之间。对计算进行分段,各分段对应的降水和灌溉特征如下:
区间 | 特征 |
0<RUE<sub>seasonal</sub>≤1 | 降水满足植被生长,无灌溉行为 |
1<RUE<sub>seasonal</sub>≤2 | 降水不满足植被生长,有较少灌溉行为 |
2<RUE<sub>seasonal</sub>≤3 | 降水不满足植被生长,有一定灌溉行为 |
3<RUE<sub>seasonal</sub> | 降水不满足植被生长,有较多灌溉行为 |
步骤4.2、运用上述方法计算得到研究区灌溉区域的时空分布结果,由于是基于归一化矩阵的计算结果,需要对不合理数据进行补偿;
步骤4.3、对不合理数据的补偿需要考虑两种情况,第一种是当P(ri,j)等于0时,RUEseasonal的计算结果将溢出;第二种情况是当P(ri,j)等于1,RUEseasonal的计算结果将小于1;
为了防止算术溢出和错误分类,对不合理像元进行进一步补偿,补偿公式如下;
当NDVI(ri,j)与P(ri,j)都等于0时,RUEseasonal的结果补偿需要考虑两种情况,若该像元属于旱地,即使降水极少,也无人为灌溉,RUEseasonal<1;NDVI(ri,j)>0时,说明在极少降雨的情况下,有人为灌溉维持植被生长RUEseasonal>1;当P(ri,j)等于1时,在NDVI的值域范围内,需要对像元的所属土地类型进行判断,若属于旱地,则无灌溉,若属于水田,则存在灌溉;其中旱地于水田的判定方法为一个像元在时间序列中同时存在NDVI(ri,j)=0与P(ri,j)=0且NDVI(ri,j)=1与P(ri,j)=1,则该像元为旱地(旱地的特性是植被完全受降水影响,降水越大,NDVI越大);若一个像元存在NDVI(ri,j)=0与P(ri,j)=0或NDVI(ri,j)=1与P(ri,j)=1则为水田(水田受人为灌溉影响,植被生长较为稳定,不再随降雨的减少或增加有明显的变化);
步骤4.4、根据步骤41中的区间划分结果,可以通过设定阈值来识别灌溉位置与灌溉面积,在本技术中,建议以1为阈值界限来识别灌溉位置及灌溉面积信息。
进一步地,所述步骤5包括:
步骤5.1、将三维矩阵的一致性计算结果重新转化为栅格数据;
步骤5.2、根据上一步转化的栅格数据生成各季节研究区灌溉面积的时空分布时间序列图;
步骤5.3、根据各季节灌溉面积和分布栅格数据,可合并求得完整灌溉期的总灌溉面积和分布。
与现有技术相比本发明的优点在于:结合降水、植被生长状况综合识别灌溉面积,不仅能够有效的识别灌溉面积,还能够动态的对降水与NDVI关系进行分析。该技术具有计算快速、适用性强的特点,有效改善了干旱指数结合地表实测数据识别灌溉面积对地表实测数据的依赖性,解决了降雨利用效率模型在降水不稳定区与人为灌溉频繁区不适用的问题,提高了遥感对于灌溉面积识别的精度与效率,对遥感灌溉面积识别技术业务化推广具有重要意义。
附图说明
图1为本发明实施例基于遥感数据进行季度灌溉面积识别方法流程图;
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明做进一步详细说明。
基于遥感数据进行季度灌溉面积识别方法,包括以下步骤:
步骤1、确定研究区范围并进行数据准备,收集时间序列完整的遥感数据集(植被指数、降水),经过重采样、加权平均等方法统一时空分辨率;
步骤2、生成植被指数与降水随时间变化折线图,识别植被生长季节与灌溉季时间范围,并进行季节划分;
步骤3、对季节划分后的植被指数(NDVI)与降水数据进行累加,并计算累加的降水与植被指数间的一致性系数;
步骤4、划分一致性系数区间,根据一致性系数所在区间进行灌溉位置及灌溉面积识别;
步骤5、生成完整时间序列的植被生长季灌溉区域的时空分布专题图成果。
本发明提出的方法是基于植被生长与降水量一致性的原理,首先对实验区的灌溉特征进行分析,再基于植被生长特点与降水分布特征,运用数据统计分析方法计算得到灌溉面积信息。对改进降雨利用效率的模型结果进行分级,合理的评估降水与植被生长的不匹配特性,进而得到灌溉面积信息。本技术方案具有简单、有效、适用性强的特点,可以合理的获取大范围的灌溉面积信息,改善了传统方法较依赖地面实测数据的缺点,提高了遥感监测灌溉面积的计算效率和精度,有助于遥感技术监测灌溉面积的业务化推广。
如图1所示,基于遥感数据进行季度灌溉面积识别的方法包括:
步骤1、确定研究区范围并进行数据准备,收集时间序列完整的遥感数据集(植被指数、降水),经过重采样、加权平均等方法统一时空分辨率;
具体地,步骤1包括:
步骤11、本技术应用前,通过调研的方式对本实施例区域的灌溉规律进行了了解,并对自然因素与人为因素的影响程度进行了评估,形成了一定的先验知识;
步骤12、本技术在实施例的应用中,首先确定不同实施例的面积大小,根据实施例面积大小与时间尺度需求选取合适的遥感影像数据,在本实施例中选取了1km空间分辨率,月尺度时间分辨率的植被指数(NDVI)产品和月尺度的0.5°空间分辨率降水产品,在时间分辨上两种数据的匹配性较好;
步骤13、在本实施例中,降水与NDVI数据的时间分辨率匹配性较好,仅需要对空间分辨率进行一致化处理,运用重采样的方法将降水数据重采样为1km的空间分辨率数据,以便进行一致性系数计算。
步骤2、生成植被指数与降水随时间变化折线图,识别植被生长季节与灌溉季时间范围,并进行季节划分;
具体地,步骤2包括:
步骤21、运用区域统计方法,统计实施例区域的平均降水和平均NDVI,并绘制NDVI与降水时间变化折线图;
步骤22、根据时间序列的NDVI生长变化曲线,发现在本实施例中,植被的生长期为3月至9月,基于NDVI的增长幅度与先验知识判定;
步骤23、根据时间序列的降水变化曲线,进一步的将植被生长期划分为不同季节,本实施例中,降水在3、4、5月份较少,6、7、8月份较多,降水亏缺季包含3、4、5月份,降水充沛季包含6、7、8月份,由于该地种植结构的特点,9月植被需水性最低,灌溉行为少,在本实施例中不考虑9月的灌溉面积。
步骤3、对季节划分后的植被指数(NDVI)与降水数据进行累加,并计算累加的降水与植被指数间的一致性系数;
具体地,步骤3包括:
步骤31、进行归一化计算前,需要对上一步骤中季节划分后的降水与NDVI进行累加计算,得到月尺度向季节尺度转化后的降水与NDVI结果;
步骤32、将累加后的季节降水与NDVI结果整理,分别将季节降水与季节NDVI转换为二维数组,随后再将不同年份的同季节降水与NDVI存入三维矩阵,对三维矩阵中的每一个元素都进行归一化计算,计算公式如下:
ri,j=(xi,j-min(xi,j,y))/(max(xi,j,y)-min(xi,j,y)) (1)
其中ri,j表示NDVI或降水影像第i行,j列像元的归一化结果,xi,j表示NDVI或降水影像的第i行,j列的像元,min(xi,j,y)与max(xi,j,y)分别表示xi,j像元在时间序列y中的最小值与最大值。
步骤33、将得到的NDVI与降水的归一化矩阵带入公式(1)可以获得降水与NDVI的一致性系数:
其中RUEseasonal表示季节内降水与NDVI的一致性系数,NDVI(ri,j)与P(ri,j)分别表示NDVI归一化矩阵与降水归一化矩阵。
步骤4、划分一致性系数区间,根据一致性系数所在区间进行灌溉位置及灌溉面积识别;
具体地,该步骤包括:
步骤41、计算植被生长与降水量一致性系数RUEseasonal。RUEseasonal值处于[0,10]之间。对计算进行分段,各分段对应的降水和灌溉特征如下::
区间 | 特征 |
0<RUE<sub>seasonal</sub>≤1 | 降水满足植被生长,无灌溉行为 |
1<RUE<sub>seasonal</sub>≤2 | 降水不满足植被生长,有较少灌溉行为 |
2<RUE<sub>seasonal</sub>≤3 | 降水不满足植被生长,有一定灌溉行为 |
3<RUE<sub>seasonal</sub> | 降水不满足植被生长,有较多灌溉行为 |
步骤42、运用上述方法计算得到研究区灌溉区域的时空分布结果,由于是基于归一化矩阵的计算结果,需要对不合理数据进行补偿;
步骤43、对不合理数据的补偿需要考虑两种情况,第一种是当P(ri,j)等于0时,RUEseasonal的计算结果将溢出;第二种情况是当P(ri,j)等于1,RUEseasonal的计算结果将小于1。为了防止算术溢出和错误分类,对不合理像元进行进一步补偿,补偿公式如下;
当NDVI(ri,j)与P(ri,j)都等于0时,RUEseasonal的结果补偿需要考虑两种情况,若该像元属于旱地,即使降水极少,也无人为灌溉,RUEseasonal<1;NDVI(ri,j)>0时,说明在极少降雨的情况下,有人为灌溉促进了植被生长RUEseasonal>1。当P(ri,j)等于1时,在NDVI的值域范围内,需要对像元的所属土地类型进行判断,若属于旱地,则无灌溉,若属于水田,则存在灌溉。其中旱地于水田的判定方法为一个像元在时间序列中同时存在NDVI(ri,j)=0与P(ri,j)=0且NDVI(ri,j)=1与P(ri,j)=1,则该像元为旱地(旱地的特性是植被完全受降水影响,降水越大,NDVI越大);若一个像元存在NDVI(ri,j)=0与P(ri,j)=0或NDVI(ri,j)=1与P(ri,j)=1则为水田(水田受人为灌溉影响,植被生长较为稳定,不再随降雨的减少或增加有明显的变化)。
步骤44、根据步骤41中的区间划分结果,可以通过设定阈值来识别灌溉位置与灌溉面积,在本实施例中,建议以1为阈值界限来识别灌溉位置及灌溉面积信息。
步骤5、生成完整时间序列的植被生长季灌溉区域的时空分布专题图成果;
具体地,该步骤包括:
步骤51、将三维矩阵的的灌溉面积识别结果赋予空间地理坐标,重新转化为影像结果;
步骤52、根据上一步转化的影像结果生成划分季节的研究区灌溉面积的时空分布时间序列图。
本领域的普通技术人员将会意识到,在本发明各方法实施例中,所述各步骤的序号并不能用于限定各步骤的先后顺序,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,对各步骤的先后变化也在本发明的保护范围之内。这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.基于遥感数据进行季度灌溉面积识别的方法,其特征在于,包括以下步骤:
步骤1、确定分析区域空间范围并进行数据准备,收集不大于月尺度的植被指数、降水时间序列的遥感数据集,时间上统一处理为月尺度数据,统一各类数据的空间分辨率;
步骤2、生成植被指数与降水随时间变化折线图,识别植被主要生长期与灌溉期时间范围,并依据降水情况进行季节划分;
步骤3、对季节划分后的植被指数NDVI与降水数据进行月度累加,得到季度值,然后计算累加的降水与植被指数间的一致性系数;
步骤4、划分一致性系数值域区间,根据一致性系数所在区间进行灌溉位置及灌溉面积识别;
步骤5、生成完整时间序列的植被主要生长期灌溉区域的时空分布专题图成果。
2.根据权利要求1所述的基于遥感数据进行季度灌溉面积识别的方法,其特征在于,所述步骤1具体的包括以下分步骤:
步骤1.1、根据不同实施例的范围大小,选取空间分辨率适宜的NDVI数据以提高模型运算效率,并收集时间分辨率匹配性较好的降水数据;
步骤1.2、对收集的数据进行时空分辨率统一处理,需要将收集的降水数据与NDVI数据运用统计方法进行时间分辨率上的统一;
步骤1.3、若降水数据与NDVI数据得空间分辨率不统一,使用重采样或插值的方法统一两种数据的空间分辨率。
3.根据权利要求1所述的基于遥感数据进行季度灌溉面积识别的方法,其特征在于,所述步骤2具体的包括以下分步骤:
步骤2.1、运用区域统计方法,统计实施例区域的平均降水和平均NDVI,绘制NDVI与降水时间变化折线图,用来判断区域整体植被生长变化情况;
步骤2.2、根据时间序列的NDVI生长变化曲线,将作物主要生长期判定为主要灌溉期,确定主要灌溉期的时间范围;
步骤2.3、结合时间序列的降水变化曲线,划分主要灌溉期中降水亏缺季与降水充足季,由于降水对NDVI的促进作用可能存在滞后性,划分季节时可以根据实施例区域的不同,再做适宜性调整,确定季节中包括的月份。
4.根据权利要求1所述的基于遥感数据进行季度灌溉面积识别的方法,其特征在于,所述步骤3具体的包括以下分步骤:
步骤3.1、带入归一化模型前,需要对上一步骤中季节划分的结果再次进行计算,使用累加的方式对月尺度的降水与NDVI进行季节转化,计算季度累加值;
步骤3.2、进行归一化处理;将累加后的季节降水与NDVI结果整理,分别将季节降水与季节NDVI转换为二维数组,随后再将不同年份的同季节降水与NDVI存入三维矩阵,对三维矩阵中的每一个元素都进行归一化计算,计算公式如下:
ri,j=(xi,j-min(xi,j,y))/(max(xi,j,y)-min(xi,j,y)) (1)
其中ri,j表示NDVI或降水影像第i行,j列像元的归一化结果,xi,j表示NDVI或降水影像的第i行,j列的像元,min(xi,j,y)与max(xi,j,y)分别表示xi,j像元在时间序列y中的最小值与最大值;
步骤33、将得到的NDVI与降水的归一化矩阵带入公式(2)获得降水与NDVI的一致性系数:
其中RUEseasonal表示季节内降水与NDVI的一致性系数,NDVI(ri,j)与P(ri,j)分别表示NDVI归一化矩阵与降水归一化矩阵。
5.根据权利要求1所述的基于遥感数据进行季度灌溉面积识别的方法,其特征在于,所述步骤4具体的包括以下分步骤:
步骤4.1、提出植被生长与降水量一致性概念RUEseasonal,其值处于[0,10]之间,将计算结果分层,分层如下:
步骤42、筛选不合理数据,对不合理数据进行补偿;
步骤43、对不合理数据的补偿需要考虑两种情况,第一种是当P(ri,j)等于0时,RUEseasonal的计算结果将溢出;第二种情况是当P(ri,j)等于1,RUEseasonal的计算结果将小于1;为了防止算术溢出和错误分类,对不合理像元进行进一步补偿,补偿公式如下;
当NDVI(ri,j)与P(ri,j)都等于0时,RUEseasonal的结果补偿需要考虑两种情况,若该像元属于旱地,即使降水极少,也无人为灌溉,RUEseasonal<1;NDVI(ri,j)>0时,说明在极少降雨的情况下,有人为灌溉维持植被生长RUEseasonal>1;当P(ri,j)等于1时,在NDVI的值域范围内,需要对像元的所属土地类型进行判断,若属于旱地,则无灌溉,若属于水田,则存在灌溉;
其中旱地于水田的判定方法为一个像元在时间序列中同时存在NDVI(ri,j)=0与P(ri,j)=0且NDVI(ri,j)=1与P(ri,j)=1,则该像元为旱地;若一个像元存在NDVI(ri,j)=0与P(ri,j)=0或NDVI(ri,j)=1与P(ri,j)=1则为水田;
步骤4.4、根据步骤4.1中的区间划分结果,通过设定阈值来识别灌溉位置与灌溉面积。
6.根据权利要求1所述的基于遥感数据进行季度灌溉面积识别的方法,其特征在于,所述步骤5具体的包括以下分步骤:
步骤5.1、将三维矩阵的一致性计算结果重新转化为栅格数据;
步骤5.2、根据上一步转化的栅格数据生成各季节研究区灌溉面积的时空分布时间序列图;
步骤5.3、根据各季节灌溉面积和分布栅格数据,可合并求得完整灌溉期的总灌溉面积和分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910010701.6A CN109726698B (zh) | 2019-01-07 | 2019-01-07 | 基于遥感数据进行季度灌溉面积识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910010701.6A CN109726698B (zh) | 2019-01-07 | 2019-01-07 | 基于遥感数据进行季度灌溉面积识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726698A true CN109726698A (zh) | 2019-05-07 |
CN109726698B CN109726698B (zh) | 2020-10-27 |
Family
ID=66298743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910010701.6A Expired - Fee Related CN109726698B (zh) | 2019-01-07 | 2019-01-07 | 基于遥感数据进行季度灌溉面积识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726698B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334880A (zh) * | 2019-07-16 | 2019-10-15 | 安徽理工大学 | 一种有效灌溉面积监测方法 |
CN110516943A (zh) * | 2019-08-19 | 2019-11-29 | 中国水利水电科学研究院 | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 |
CN110618144A (zh) * | 2019-09-26 | 2019-12-27 | 中国水利水电科学研究院 | 一种快速测定黄土塬区泉眼位置的方法 |
CN110929653A (zh) * | 2019-11-26 | 2020-03-27 | 珠江水利委员会珠江水利科学研究院 | 一种基于遥感的灌溉水有效利用系数测算方法 |
CN111160799A (zh) * | 2019-12-31 | 2020-05-15 | 内蒙古自治区地图院 | 一种自然资源数据库构建方法 |
CN112347978A (zh) * | 2020-11-25 | 2021-02-09 | 中国科学院东北地理与农业生态研究所 | 基于遥感植被指数的生态系统属性组分组成结构描述方法 |
CN112507858A (zh) * | 2020-12-03 | 2021-03-16 | 中国科学院东北地理与农业生态研究所 | 基于遥感植被指数的生态系统属性组分组成结构描述方法 |
CN113192204A (zh) * | 2021-01-29 | 2021-07-30 | 哈尔滨工程大学 | 单幅倾斜遥感图像中建筑物的三维重建方法 |
CN114092807A (zh) * | 2021-11-12 | 2022-02-25 | 中国水利水电科学研究院 | 一种基于时段累计蒸散发的实际灌溉面积识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424390A (zh) * | 2013-09-06 | 2015-03-18 | 中国水利水电科学研究院 | 灌溉面积监测方法及装置 |
CN106018284A (zh) * | 2016-05-12 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种作物长势定量遥感监测方法及系统 |
CN108955620A (zh) * | 2018-02-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种农田灌区面积遥感提取的方法及系统 |
-
2019
- 2019-01-07 CN CN201910010701.6A patent/CN109726698B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424390A (zh) * | 2013-09-06 | 2015-03-18 | 中国水利水电科学研究院 | 灌溉面积监测方法及装置 |
CN106018284A (zh) * | 2016-05-12 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种作物长势定量遥感监测方法及系统 |
CN108955620A (zh) * | 2018-02-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种农田灌区面积遥感提取的方法及系统 |
Non-Patent Citations (5)
Title |
---|
XUNHE ZHANG ET AL: "Water Loss Due to Increasing Planted Vegetation over", 《REMOTE SENSING》 * |
丁鹏凯等: "基于RUE与NDVI 的人类活动对牧区植被变化干扰强度的研究———以川西北江河源区为例", 《湖北农业科学》 * |
康凌艳等: "干旱对滨州灌区冬小麦归一化植被指数(NDVI)的影响", 《江苏农业学报》 * |
彭飞等: "基于RUE的人类活动对沙漠化地区植被影响研究——以科尔沁地区为例", 《中国沙漠》 * |
李辉霞等: "基于RUE和NDVI的人类活动对植被干扰强度分析", 《中国沙漠》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334880A (zh) * | 2019-07-16 | 2019-10-15 | 安徽理工大学 | 一种有效灌溉面积监测方法 |
CN110334880B (zh) * | 2019-07-16 | 2023-05-26 | 安徽理工大学 | 一种有效灌溉面积监测方法 |
CN110516943A (zh) * | 2019-08-19 | 2019-11-29 | 中国水利水电科学研究院 | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 |
CN110618144A (zh) * | 2019-09-26 | 2019-12-27 | 中国水利水电科学研究院 | 一种快速测定黄土塬区泉眼位置的方法 |
CN110929653A (zh) * | 2019-11-26 | 2020-03-27 | 珠江水利委员会珠江水利科学研究院 | 一种基于遥感的灌溉水有效利用系数测算方法 |
CN111160799A (zh) * | 2019-12-31 | 2020-05-15 | 内蒙古自治区地图院 | 一种自然资源数据库构建方法 |
CN112347978B (zh) * | 2020-11-25 | 2022-06-03 | 中国科学院东北地理与农业生态研究所 | 基于遥感植被指数的生态系统属性组分组成结构描述方法 |
CN112347978A (zh) * | 2020-11-25 | 2021-02-09 | 中国科学院东北地理与农业生态研究所 | 基于遥感植被指数的生态系统属性组分组成结构描述方法 |
CN112507858A (zh) * | 2020-12-03 | 2021-03-16 | 中国科学院东北地理与农业生态研究所 | 基于遥感植被指数的生态系统属性组分组成结构描述方法 |
CN112507858B (zh) * | 2020-12-03 | 2023-03-24 | 中国科学院东北地理与农业生态研究所 | 基于遥感植被指数的生态系统属性组分组成结构描述方法 |
CN113192204B (zh) * | 2021-01-29 | 2022-08-26 | 哈尔滨工程大学 | 单幅倾斜遥感图像中建筑物的三维重建方法 |
CN113192204A (zh) * | 2021-01-29 | 2021-07-30 | 哈尔滨工程大学 | 单幅倾斜遥感图像中建筑物的三维重建方法 |
CN114092807B (zh) * | 2021-11-12 | 2022-04-22 | 中国水利水电科学研究院 | 一种基于时段累计蒸散发的实际灌溉面积识别方法 |
CN114092807A (zh) * | 2021-11-12 | 2022-02-25 | 中国水利水电科学研究院 | 一种基于时段累计蒸散发的实际灌溉面积识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109726698B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726698A (zh) | 基于遥感数据进行季度灌溉面积识别的方法 | |
Kendy et al. | A soil‐water‐balance approach to quantify groundwater recharge from irrigated cropland in the North China Plain | |
CN110415265B (zh) | 基于无人机高精度dem数据的梯田自动提取方法 | |
CN108323419B (zh) | 土壤地表渗水速率和灌溉水量的判别方法及智能灌溉系统 | |
CN102508961A (zh) | 一种高分辨率的全分布式水文模型topx的设计方法 | |
CN108446999A (zh) | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 | |
Liu et al. | Drought risk evaluation model with interval number ranking and its application | |
CN111091079B (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
CN107607692B (zh) | 基于土壤最大储水容量的土壤水分监测优化布点方法 | |
CN108399577A (zh) | 一种基于蒸散发的林地植被生态需水的定量测算方法 | |
CN100412507C (zh) | 用于作物单产和森林单位蓄积量估计的分层回归遥感抽样技术 | |
CN114897423B (zh) | 基于作物水分指示线的农田灌溉概率指数计算方法 | |
Wang et al. | Simulation of the dissolved nitrogen and phosphorus loads in different land uses in the Three Gorges Reservoir Region—based on the improved export coefficient model | |
CN113039908A (zh) | 一种施肥和灌溉动态决策方法及系统 | |
CN108205718B (zh) | 一种粮食作物抽样测产方法及系统 | |
Li et al. | Modelling the artificial forest (Robinia pseudoacacia L.) root–soil water interactions in the Loess Plateau, China | |
Al-Kufaishi et al. | The feasibility of using variable rate water application under a central pivot irrigation system | |
CN113868826B (zh) | 一种基于栅格尺度耕地农田生产能力重心变化的测度方法 | |
Xu et al. | Evaluation method and empirical application of human activity suitability of land resources in Qinghai-Tibet Plateau | |
Kite et al. | Integrated basin modeling | |
CN101276446B (zh) | 一种区域作物需水量测算方法 | |
CN117494419A (zh) | 一种多模型耦合的流域水土流失遥感监测方法 | |
CN112559648A (zh) | 一种智能化地球化学调查样点布设方法 | |
Liu et al. | Vegetation mapping for regional ecological research and management: a case of the Loess Plateau in China | |
CN115481366A (zh) | 一种基于空间降尺度回归模型的耕地资源生产潜力测算方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201027 |
|
CF01 | Termination of patent right due to non-payment of annual fee |