CN109765187A - 一种稻虾共作空间分布信息获取方法 - Google Patents
一种稻虾共作空间分布信息获取方法 Download PDFInfo
- Publication number
- CN109765187A CN109765187A CN201910076852.1A CN201910076852A CN109765187A CN 109765187 A CN109765187 A CN 109765187A CN 201910076852 A CN201910076852 A CN 201910076852A CN 109765187 A CN109765187 A CN 109765187A
- Authority
- CN
- China
- Prior art keywords
- rice
- shrimp
- area
- water body
- water
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 164
- 235000009566 rice Nutrition 0.000 title claims abstract description 164
- 241000238557 Decapoda Species 0.000 title claims abstract description 118
- 238000009826 distribution Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 30
- 240000007594 Oryza sativa Species 0.000 title description 2
- 241000209094 Oryza Species 0.000 claims abstract description 163
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 74
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000003501 co-culture Methods 0.000 claims description 25
- 210000000746 body region Anatomy 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 102000006463 Talin Human genes 0.000 claims description 5
- 108010083809 Talin Proteins 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract 1
- 238000004611 spectroscopical analysis Methods 0.000 abstract 1
- 230000003595 spectral effect Effects 0.000 description 12
- 238000009395 breeding Methods 0.000 description 7
- 230000001488 breeding effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000009313 farming Methods 0.000 description 7
- 241000238030 Procambarus clarkii Species 0.000 description 6
- 241000238017 Astacoidea Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144974 aquaculture Species 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009342 intercropping Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000272875 Ardeidae Species 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
一种稻虾共作空间分布信息获取方法,其包括如下步骤:步骤A,从覆盖所述指定地理区域的卫星影像数据中,分别在同年的中稻种植期和稻田休耕期选取一期卫星影像数据,分析稻虾共作的季相特征,获取稻虾共作农田的光谱数据,步骤B,分别对步骤A提供的两期卫星影像数据进行水体区域提取,获得各自的水体区域分布数据,步骤C:两期水体区域分布数据进行比对,和中稻种植期相比,稻田休耕期水体增加的区域即为稻虾共作区域。本发明所提供的一种稻虾共作空间分布信息获取方法,可提供较高精度的空间分布和面积数据,从而为区域尺度的稻虾共作农田监测提供了便捷有效的技术手段。
Description
技术领域
本发明涉及一种卫星遥感图像处理方法,特别是一种利用已有卫星遥感图像数据获得稻虾共作空间分布信息的方法。
背景技术
近年来小龙虾产业快速发展,有效地促进了农业增效、农民增收和产业扶贫,其中稻虾共作是主要的养殖方式。稻虾共作是一种新兴的稻田养殖复合生态模式,将水稻种植和克氏原螯虾养殖组合到同一个生态系统,两者互惠互利,在时间和空间上充分利用水土资源,可以获得良好的经济和生态效益[1-3]。统计数据显示,近年稻虾共作面积呈持续增长态势,2017年全国稻虾共作种养面积达到5.7×105公顷,占小龙虾总养殖面积的70.83%,其中湖北省养殖面积超过2.5×105公顷,是稻虾共作模式的重点推广省份[4]。
随着稻虾共作模式的不断发展,准确的地理空间分布和面积信息,对于掌握产业发展态势、制定相应的管理政策等具有重要意义。目前,基层组织上报的统计数据是获取其面积信息的主要途径,但是难以准确反映稻虾共作的空间分布。因此,如何获取准确的稻虾共作空间分布信息是目前亟待解决的问题。遥感技术具有在时空上持续监测的能力,能够准确地反映地物的空间分布,已成为获取地表覆盖信息的一种重要手段[5-7]。遥感数据已经广泛应用在农田、城市和森林等地物的准确提取,但目前尚未有基于卫星遥感数据对稻虾共作空间信息的有效提取方法。
发明内容
本发明要解决的技术问题是提供一种稻虾共作空间分布信息的获取方法,以减少或避免前面所提到的问题。
本发明提供了一种稻虾共作空间分布信息获取方法,其用于获取指定地理区域内的稻虾共作空间分布和面积信息,其包括如下步骤:
步骤A,从覆盖所述指定地理区域的卫星影像数据中,分别在同年的中稻种植期和稻田休耕期选取一期卫星影像数据,分析稻虾共作的季相特征,获取稻虾共作农田的光谱数据,
步骤B,分别对步骤A提供的两期卫星影像数据进行水体区域提取,获得各自的水体区域分布数据,
步骤C:对步骤B获得的两幅水体区域分布数据进行比对,和中稻种植期相比,稻田休耕期水体增加的区域即为稻虾共作区域。
优选地,在步骤A中,所述卫星影像数据为Landsat8OLI影像。
优选地,在步骤A中,分期选取8月份和12月份的卫星影像数据。
优选地,在步骤B中,所述水体区域的提取按照水域提取指数AWEIsh进行提取,计算公式如下:
AWEIsh=band2+2.5*ρband3-1.5*(ρband5+band6)-0.25*band7
上式中:ρ是指Landsat 8OLI光谱波段的反射率,band2、band3和band5分别为蓝、绿、近红外波段,band6和band7为短波红外波段。
优选地,在步骤B中,通过阈值法提取两个时期的遥感影像的水体区域,公式如下:
WaterAreaa=(AWEIsh)a>hrehold1
WaterAreab=(AWEIsh)b>hrehold2
thh=Mean+0.87*Variance
上式中:Water Area为遥感影像提取出的水体区域;a,b分别代表冬季和夏季的遥感影像;threhold1和threhold2分别为两景遥感影像提取水体设置的阈值;Mean和Variance分别为整景影像的均值和方差。
优选地,在步骤C中,建立稻虾共作区域的提取公式与面积计算公式:
RC=Watera-Waterb
RCArea=∑RC*pixel
上式中:RC为稻虾共作区域;RCArea为稻虾共作面积;∑RC为区域内稻虾共作像素个数;pixel area为单一像素面积。
本发明所提供的一种稻虾共作空间分布信息获取方法,可提供较高精度的空间分布数据,从而为区域尺度的稻虾共作农田监测提供了便捷有效的技术手段。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释,并不限定本发明的范围。其中,
图1为不同地表覆盖类型的光谱曲线示意图;
图2根据本发明的一个具体实施例的一种稻虾共作空间分布信息获取方法的稻虾共作区域计算的原理示意图;
图3为潜江地区的稻虾共作样本空间分布示意图;
图4为基于本发明的方法所获得的潜江市2017年稻虾共作空间分布和面积统计示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现说明本发明的具体实施方式。
本发明提供了一种稻虾共作空间分布信息获取方法,其用于获取指定地理区域内的稻虾共作空间分布和面积信息,其包括如下步骤:
步骤A,从覆盖所述指定地理区域的卫星影像数据中,分别在中稻种植期和稻田休耕期各选取一期卫星影像数据,分析稻虾共作的季相特征,获取稻虾共作农田的光谱数据。
稻虾共作模式的稻田与传统水稻种植模式的稻田不同,分为中稻种植和稻田休耕两个时期。通常只进行一季中稻种植,并在稻田四周挖掘2-4米宽,0.8-1.5米深的环形沟。水稻插秧之后,克氏原螯虾在四周沟渠中养殖。其余时间稻田休耕并灌水50cm,克氏原螯虾进入稻田区域养殖[8-11]。
中稻种植阶段从每年6月整田插秧开始,至10月中稻收割结束,此阶段克氏原螯虾在稻田四周沟渠中进行养殖。其中8月上旬至9月底是第二季虾的捕获阶段,同时投放亲虾为之后的幼虾繁殖提供保障。稻田休耕阶段从10月到次年5月,此阶段为克氏原螯虾的生长发育时期,其中4月中旬至6月上旬为第一季虾的捕获时期,并同时进行幼虾投放以保障第二季虾的产量[10,11]。综上所属,稻虾共作模式的稻田在6-10月表现为是水稻种植状态,10月底至次年5月呈现水域分布状态。发明人通过分析发现,中稻种植期选择8月份的卫星影像数据,稻田休耕期选择12月份的卫星影像数据所提取的季相特征较明显,便于后继处理。
稻虾种养模式的稻田具有独特的季相变化,为分析稻虾共作农田的光谱季相差异特征,发明人在研究区域内选择了基于Landsat8OLI的影像(当然,本领域技术人员应当理解,也可以选择基于其他格式的卫星图像数据,只要能提供足够的光谱信息即可),选取稻虾共作农田、普通稻田、水产养殖池塘、亮建筑物、暗建筑物和河流六种地表覆盖类型,分析在8月和12月光谱曲线特征。图1为不同地表覆盖类型的光谱曲线示意图,参见图1所示,比较两个季相的反射率发现,亮建筑物、暗建筑物、水产养殖池塘和河流四种地表覆盖类型在两个季相的光谱曲线总体相似,而普通稻田和稻虾共作农田的反射率在两个季相有明显变化。具体来说,8月份,稻虾共作农田光谱曲线和普通农田类似,同为水稻种植状态,都处于水稻生长旺盛时期,在12月份,稻虾共作农田光谱曲线发生了显著变化,呈现出与池塘等水域相似的光谱特征,而普通农田收割后呈现出类似裸地的光谱特征。通过以上发现:稻虾共作农田在两个季相存在水域面积增加的规律,而其它地表覆盖类型都没有该特征。
也就是说,可以根据两期卫星图像数据来分别获得稻虾共作农田的光谱曲线的数据,从而能够用于后继的运算。
步骤B,分别对步骤A提供的两期卫星影像数据进行水体区域提取,获得各自的水体区域分布数据。
根据前述稻虾共作农田的光谱曲线的数据,对同一年的两个时期的卫星影像进行水域提取(可利用水体指数进行提取)。例如,可选取Feyisa等在2014年提出的自动水域提取指数中的AWEIsh分别提取两个时间的水体区域,公式如下:
AWEIsh=band2+2.5*ρband3-1.5*(ρbana5+band6)-0.25*band7上式中:ρ是指Landsat 8OLI光谱波段的反射率,band2、band3和band5分别为蓝、绿、近红外波段,band6和band7为短波红外波段。此指数通过弱化非水体像元,增强水体和其他暗地类表面的对比度提高水体的提取精度,能够有效的减弱阴影的影响[12]。
应用AWEIsh水体指数,可在卫星影像数据中的每一个像元获得一个特征数值,然后再通过阈值法即可提取两个时期的卫星影像的水体区域,公式如下:
WaterAreaa=(AWEIsh)a>hrehold1
WaterAreab=(AWEIsh)b>hrehold2
thh=Mean+0.87*Variance
上式中:Water Area为遥感影像提取出的水体区域;a,b分别代表冬季(即稻田休耕期)和夏季(即中稻种植期)的卫星遥感影像;threhold1和threhold2分别为两期遥感影像提取水体设置的阈值;Mean和Variance分别为本幅影像的均值和方差。
步骤C:对两期水体区域分布数据进行比对,和中稻种植期相比,稻田休耕期水体增加的区域即为稻虾共作区域。
根据稻虾共作农田独特的水域季相变化特征,本发明在AWEIsh提取出水体区域的基础上建立稻虾共作区域的提取公式,通过冬季(即稻田休耕期)和夏季(即中稻种植期)两个时间段的水域差获取研究区域内稻虾共作的空间分布与面积,公式如下:
RC=Watera-Waterb
RCArea=∑RC*pixel
上式中:RC为稻虾共作区域;RCArea为稻虾共作面积;∑RC为区域内稻虾共作像素个数;pixel area为单一像元面积,当本发明采用分辨率为30m的Landsat 8OLI卫星遥感影像进行处理时,单一像元面积为900m2。图2为根据本发明的一个具体实施例的一种稻虾共作空间分布信息获取方法的稻虾共作区域计算的原理示意图,参见图2所示,以5*5的栅格为例,详细展示步骤B与C的计算过程,首先计算中稻种植期(8月)和水稻休耕期(12月)两期遥感卫星影像的水体指数AWEIsh;之后通过阈值法将影像的每个像素分为水体和非水体两类,阈值为1(表示水体)和0(表示非水体);最后对水稻休耕期与中稻种植期的两景数据相减,像素值为1是稻虾共作像元,从而可得到稻虾共作的空间分布。
混淆矩阵是一个由真实类别信息和预测类别信息组成的方形数组,可以表示提取结果与实际地物类型的符合程度。本发明在验证样本的基础上,利用混淆矩阵对提取结果进行精度评定,计算总体精度(Overall Accuracy,OA)、Kappa系数(Kappa coefficient)、漏分误差(Omission)和错分误差(Comission)[13,14]。同时,可与改进的归一化差异水体指数(Modification ofNormalized Difference Water Index,MNDWI)提取的结果进行比较[15]。MNDWI的计算公式为:
本发明中可应用Landsat8的SWIR1代替上式中的MIR。
下面以潜江市为例对本发明的方法进行验证
图3为潜江地区的稻虾共作样本空间分布示意图;图4为基于本发明的方法所获得的潜江市2017年稻虾共作空间分布和面积统计示意图。参见图3和图4所示,潜江市位于湖北省中部的江汉平原,是长江中下游稻虾综合种养模式的发源地,被誉为“小龙虾之乡”,稻虾共作模式发展迅速。选用Landsat8OLI影像进行稻虾共作提取,在中稻种植期和稻田休耕期两个时间段内,选取行列号为124/39的2017年8月18日和2017年12月24日两景全覆盖湖北省潜江市的影像,数据源来自于美国地质调查局(United States Geological Survey,USGS)网站(https://earthexplorer.usgs.gov)。在ENVI中对Landsat8OLI影像进行辐射定标、大气校正和矢量裁剪。
利用样本数据对稻虾共作提取结果进行精度验证。发明人利用Google Earth平台提供的2017年高分辨率影像数据,在保证样本点数量充足、空间分布均匀的前提下,通过目视解译的方法获得稻虾共作样本点215个,非稻虾共作样本点212个,其空间分布如图3所示,其中,非稻虾共作样本点包括五种易于被错分为稻虾共作的地表覆盖类型:河流、普通池塘、建筑物、普通稻田和黄鳝养殖池塘。
利用前述水域提取指数AWEIsh分别提取2017年8月18日和2017年12月24日的卫星影像中的水体区域,冬季与夏季相比增加的水域则为稻虾共作区域。获得如图4所示的潜江市2017年稻虾共作空间分布和面积统计示意图,参见图4所示,整体上看,稻虾共作主要分布在潜江市的西北部,该区域原来以水稻种植为主,在稻虾共作技术的不断推广下,近年越来越多的农户和农场将水田改为稻虾共作农田。其中,白鹭湖管理区、运粮湖管理区和熊口镇北部地区的稻虾共作农田分布整齐且地块面积较大;后湖管理区、龙湾镇和浩口镇等乡镇的稻虾共作农田分布较为分散,地块面积相对较小。潜江市东部的种植方式以旱田为主,只存在零星分布的稻虾共作农田,主要位于渔洋镇和总口管理区。通过对提取结果进行面积统计,得到2017年潜江市稻虾共作的总面积分别为1.14×104公顷。浩口镇、熊口镇、运粮湖管理区,龙湾镇和白鹭湖管理区的稻虾共作面积均超过了1000公顷。其中龙湾镇具有最高的稻虾共作面积。白鹭湖管理区的稻虾共作分布非常密集且地块较大,使其总面积达到1.4×103公顷,位居第二。而在高石碑镇、王场镇和广华街道等位于潜江市北部的乡镇,稻虾共作面积较小,均在200公顷之下。
下表为水体指数AWEIsh和MNDWI提取结果的精度评价:
发明人利用混淆矩阵评估稻虾共作提取结果的精度,如上表所示。应用AWEIsh提取稻虾共作结果的总体精度和Kappa系数分别为85.01%和0.7。这表明当本发明所提供的方法采用水域提取指数AWEIsh提取卫星影像中的水体区域时,在农田地块大小不一、种植分布错综复杂的潜江市具有较高的提取精度。提取结果的漏分率较低,仅为2.13%,这得益于AWEIsh提取结果在地块的完整性方面具有优良的表现。
对于潜江区域,发明人还利用MNDWI水体指数进行了稻虾共作提取,并和AWEIsh的提取结果进行对比,如上表所示。总体上看,AWEIsh提取结果具有高的总体精度和Kappa系数,分别达到85.01%和0.70。MNDWI的分类效果总体精度和Kappa系数分别70.96%和0.42。AWEIsh提取结果的精度较高,漏分率和错分率较低,能够有效提取出稻虾共作农田轮廓,田块内部椒盐现象较少。在漏分率方面,MNDWI的漏分率为9.01%,远远高于AWEIsh。在错分率方面,AWEIsh具有最低的错分率,即28.37%,MNDWI的错分率高达53.02%。
以稻虾共作分布集中的白鹭湖管理区为例,在空间上比较AWEIsh和MNDWI提取结果的细节,分析不同水体指数稻虾共作农田提取结果的区别。虽然两种水体指数提取出的稻虾共作分布大致相同,但在完整程度和错分情况方面存在差异。在完整性方面,对于同一块稻虾共作农田AWEIsh提取的完整度更高,MNDWI的提取结果则更为破碎,在大多数情况下只能提取出农田的部分像元,严重影响提取结果的准确性。在错分方面,对于一条横穿白鹭湖管理区的供水沟渠,两种水体指数在此均出现错分的情况,但不同水体指数在错分程度上存在差异。AWEIsh错分的像元数量最少,MNDWI的错分情况比较严重,误提取的像元数量比较多,能够清晰的辨别出沟渠的轮廓。虽然稻虾共作的分布位置大致相同,但是在细节上AWEIsh提取的稻虾共作农田完整性较高和错分情况较少。因此,从空间分布上可看出,AWEIsh具有较好的提取效果。
稻虾共作作为一种复合生态模式,将水稻种植和克氏原螯虾养殖组合在一起,具有良好的经济和生态效益。本发明的发明人通过分析稻虾共作种养特点,基于不同季相的两期Landsat 8OLI影像,利用稻虾共作农田会在冬季进行农田灌水这一特征,提出了一种基于水体季相差异的提供了一种稻虾共作空间分布信息获取方法。前述提取出的潜江市稻虾共作农田,精度达到85.01%,主要分布在西北部的白鹭湖管理区、后湖管理区、熊口镇和龙湾镇等区域,和实际分布情况吻合。这为今后区域尺度的稻虾共作农田监测提供了便捷有效的技术手段。
本领域技术人员应当理解,虽然本发明是按照多个实施例的方式进行描述的,但是并非每个实施例仅包含一个独立的技术方案。说明书中如此叙述仅仅是为了清楚起见,本领域技术人员应当将说明书作为一个整体加以理解,并将各实施例中所涉及的技术方案看作是可以相互组合成不同实施例的方式来理解本发明的保护范围。
以上所述仅为本发明示意性的具体实施方式,并非用以限定本发明的范围。任何本领域的技术人员,在不脱离本发明的构思和原则的前提下所作的等同变化、修改与结合,均应属于本发明保护的范围。
本发明中所引用的参考文献包括:
[1]Si G,Peng C,Yuan J,et al.Changes in soil microbial communitycomposition and organic carbon fractions in an integrated rice–crayfishfarming system in subtropical China[J].Scientific Reports,2017,7(1).
[2]李娜娜.中国主要稻田种养模式生态分析[D].浙江大学,2013.
[3]肖求清.稻虾共作对稻田生物多样性的影响[D].华中农业大学,2017.
[4]农业部渔业渔政管理局,全国水产技术推广总站,中国水产学会.中国小龙虾产业发展报告,2018.
[5]Foody G M.Status of land cover classification accuracy assessment[J].Remote Sensing of Environment,2002,80(1):185-201.
[6]Mcroberts R E.Probability-and model-based approaches to inferencefor proportion forest using satellite imagery as ancillary data[J].RemoteSensing of Environment,2010,114(5):1017-1025.
[7]Stehman S.Basic probability sampling designs for thematic mapaccuracy assessment[J].International Journal of Remote Sensing,1999,20(12):2423-2441.
[8]谢仲桂.稻虾共生高效种养关键技术[J].湖南农业,2016(3):14-15.
[9]关故章,孙继成,何家海,等.稻虾共作种养模式的特点及技术[J].现代农业科技,2013(21):265-266.
[10]Yu J X,Ren Y,Xu T,,et al.Physicochemical water quality parametersin typicalrice-crayfish integrated systems(RCIS)in China.Int J Agric&BiolEng,2018;11(3):54–60.
[11]魏文燕,唐洪,杨马,等.稻虾共作生态健康养殖高产关键技术[J].渔业致富指南,2018(11):44-47.
[12]Feyisa G L,Meilby H,Fensholt R,et al.Automated Water ExtractionIndex:A new technique for surface water mapping using Landsat imagery[J].Remote Sensing of Environment,2014,140(1):23-35.
[13]Foody G M.Assessing the accuracy of land cover change withimperfect ground reference data.[J].Remote Sensing of Environment,2010,114(10):2271-2285.
[14]Stehman S V,Zhang J,Foody G M.Sampling designs for accuracyassessment of land cover.[J].International Journal of Remote Sensing,2009,30(20):5243-5272.
[15]Xu H Q.Modification of normalised difference water index(NDWI)toenhance open water features in remotely sensed imagery,International Journalof Remote Sensing,2006;27(14):3025-3033.
Claims (6)
1.一种稻虾共作空间分布信息获取方法,其特征在于,根据稻虾共作农田的季相特征,获取指定地理区域内的稻虾共作空间分布。其包括如下步骤:
步骤A,从覆盖所述指定地理区域的卫星影像数据中,分别在同年的中稻种植期和稻田休耕时间段中选取一期卫星影像数据,分析稻虾共作的季相特征,获取稻虾共作农田的光谱数据。
步骤B,分别对步骤A提供的两期卫星影像数据进行水体区域提取,获得各自的水体区域分布数据。
步骤C,对步骤B获得的两期水体区域分布数据进行比对,和中稻种植期相比,稻田休耕期水体增加的区域即为稻虾共作区域。
2.根据权利要求1所述的方法,其特征在于,在步骤A中,所述卫星影像数据为Landsat8OLI影像。
3.根据权利要求1所述的方法,其特征在于,在步骤A中,分期选取8月份和12月份的卫星影像数据。
4.根据权利要求2所述的方法,其特征在于,在步骤B中,所述水体区域的提取按照水域提取指数AWEIsh进行提取,计算公式如下:
AWEIsh=ρband2+2.5*ρband3-1.5*(ρband5+ρband6)-0.25*ρband7上式中:ρ是指Landsat 8OLI光谱波段的反射率,band2、band3和band5分别为蓝、绿、近红外波段,band6和band7为短波红外波段。
5.根据权利要求4所述的方法,其特征在于,在步骤B中,通过阈值法提取两个时间段的遥感影像的水体区域,公式如下:
WaterAreaa=(AWEIsh)a>threhold1
WaterAreab=(AWEIsh)b>threhold2
threhold=Mean+0.87*Variance
上式中:Water Area为遥感影像提取出的水体区域;a,b分别代表冬季和夏季的遥感影像;threhold1和threhold2分别为两景遥感影像提取水体设置的阈值;Mean和Variance分别为整景影像的均值和方差。
6.根据权利要求5所述的方法,其特征在于,在步骤C中,建立稻虾共作区域的提取公式与面积计算公式:
RC=Water Areaa-Water Areab
RCArea=∑RC*pixel area
上式中:RC为稻虾共作区域;RCArea为稻虾共作面积;∑RC为区域内稻虾共作像素个数;pixel area为单一像元面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910076852.1A CN109765187B (zh) | 2019-01-27 | 2019-01-27 | 一种稻虾共作空间分布信息获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910076852.1A CN109765187B (zh) | 2019-01-27 | 2019-01-27 | 一种稻虾共作空间分布信息获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109765187A true CN109765187A (zh) | 2019-05-17 |
CN109765187B CN109765187B (zh) | 2021-01-29 |
Family
ID=66455328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910076852.1A Active CN109765187B (zh) | 2019-01-27 | 2019-01-27 | 一种稻虾共作空间分布信息获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109765187B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110637765A (zh) * | 2019-09-18 | 2020-01-03 | 武汉双水双绿科技产业有限公司 | 一种稻虾共作系统的田埂利用方法 |
CN117576580A (zh) * | 2023-11-17 | 2024-02-20 | 广东省地质测绘院 | 基于遥感卫星的虾稻田信息提取方法、电子设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003060443A1 (en) * | 2001-12-21 | 2003-07-24 | Spectral Dimensions, Inc. | Spectrometric process monitoring |
CN101514980A (zh) * | 2008-07-09 | 2009-08-26 | 中国科学院地理科学与资源研究所 | 快速检测土壤中重金属含量及空间分布的方法与装置 |
CN102706876A (zh) * | 2012-04-28 | 2012-10-03 | 中国神华能源股份有限公司 | 固体污染源区域的监测方法和装置以及数据处理设备 |
CN104374713A (zh) * | 2014-12-03 | 2015-02-25 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊水体藻类垂向分布类型modis遥感监测方法 |
CN108982369A (zh) * | 2018-04-28 | 2018-12-11 | 中国农业大学 | 融合gf-1wfv和modis数据的地块尺度作物长势监测方法 |
-
2019
- 2019-01-27 CN CN201910076852.1A patent/CN109765187B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003060443A1 (en) * | 2001-12-21 | 2003-07-24 | Spectral Dimensions, Inc. | Spectrometric process monitoring |
CN101514980A (zh) * | 2008-07-09 | 2009-08-26 | 中国科学院地理科学与资源研究所 | 快速检测土壤中重金属含量及空间分布的方法与装置 |
CN102706876A (zh) * | 2012-04-28 | 2012-10-03 | 中国神华能源股份有限公司 | 固体污染源区域的监测方法和装置以及数据处理设备 |
CN104374713A (zh) * | 2014-12-03 | 2015-02-25 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊水体藻类垂向分布类型modis遥感监测方法 |
CN108982369A (zh) * | 2018-04-28 | 2018-12-11 | 中国农业大学 | 融合gf-1wfv和modis数据的地块尺度作物长势监测方法 |
Non-Patent Citations (1)
Title |
---|
唐华俊等: "农作物空间格局遥感监测研究进展", 《中国农业科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110637765A (zh) * | 2019-09-18 | 2020-01-03 | 武汉双水双绿科技产业有限公司 | 一种稻虾共作系统的田埂利用方法 |
CN117576580A (zh) * | 2023-11-17 | 2024-02-20 | 广东省地质测绘院 | 基于遥感卫星的虾稻田信息提取方法、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109765187B (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kafi et al. | An analysis of LULC change detection using remotely sensed data; A Case study of Bauchi City | |
Sakamoto et al. | Detecting temporal changes in the extent of annual flooding within the Cambodia and the Vietnamese Mekong Delta from MODIS time-series imagery | |
Lu et al. | A decision-tree classifier for extracting transparent plastic-mulched landcover from Landsat-5 TM images | |
Han et al. | Annual paddy rice planting area and cropping intensity datasets and their dynamics in the Asian monsoon region from 2000 to 2020 | |
Jin et al. | Mapping paddy rice distribution using multi-temporal Landsat imagery in the Sanjiang Plain, northeast China | |
CN107504923B (zh) | 一种综合遥感影像和延绳信息的海带养殖面积监测方法 | |
CN109685081A (zh) | 一种遥感提取撂荒地的联合变化检测方法 | |
CN109765187B (zh) | 一种稻虾共作空间分布信息获取方法 | |
Li et al. | Mapping rice cropping systems using Landsat-derived renormalized index of normalized difference vegetation index (RNDVI) in the Poyang Lake Region, China | |
Sakamoto et al. | Semi-automatic classification method for mapping the rice-planted areas of Japan using multi-temporal Landsat images | |
Pottier et al. | Mapping coastal marine ecosystems of the National Park of Banc d’Arguin (PNBA) in Mauritania using Sentinel-2 imagery | |
Yimer et al. | Seasonal effect on the accuracy of Land use/Land cover classification in the Bilate Sub-basin, Abaya-Chamo Basin, Rift valley Lakes Basin of Ethiopia. | |
CN116363499A (zh) | 基于Sentinel-1的多云雨区再生稻遥感监测方法 | |
Fang et al. | Land cover and vegetation change in the Yellow River Delta nature reserve analyzed with Landsat Thematic Mapper data | |
Sun et al. | Hazard or non-hazard flood: Post analysis for paddy rice, wetland, and other potential non-hazard flood extraction from the VIIRS flood products | |
Huang et al. | Time‐series remote sensing of rice paddy expansion in the Yellow River Delta: Towards sustainable ecological conservation in the context of water scarcity | |
Saikia et al. | Vulnerability assessment of traditional fish-cum paddy cultivation of the Apatani tribe of Arunachal Pradesh, India | |
Ndzeidze et al. | Using Remote Sensing to detect change in the Ndop floodplain wetlands of Cameroon | |
Henry et al. | Rapid assessment methods developed for the mangrove forests of the Great Morass, St. Thomas, eastern Jamaica | |
Latha et al. | Landcover Change Detection Analysis Using Remote Sensing and GIS Techniques: A Study on part of West Godavari Delta Region, Andhra Pradesh, India | |
Nurul | Application of Remote Sensing and Geographic Information System Techniques to Monitoring of Protected Mangrove Forest Change in Sabah, Malaysia | |
Rahman et al. | Land Use and Land Cover Change Using Remote Sensing and GIS: A Case Study on Bakerganj Upazila, Barishal, Bangladesh | |
Powell | The effect of open marsh water management practices on the carbon balance of tidal marshes in Barnegat Bay, New Jersey | |
Nicholson | Textural Analysis of Historical Aerial Photography to Determine Change In Coastal Marsh Extent: Site of the Present-Day Grand Bay National Estuarine Research Reserve (GBNERR), Mississippi, 1955-2014 | |
Efe et al. | The use of multi-temporal and multispectral Landsat data to determine change detection around Tuz Lake on Seyhan Delta |
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 |