CN109902567A - 一种快速评估植被健康状况的数据处理方法及系统 - Google Patents
一种快速评估植被健康状况的数据处理方法及系统 Download PDFInfo
- Publication number
- CN109902567A CN109902567A CN201910056649.8A CN201910056649A CN109902567A CN 109902567 A CN109902567 A CN 109902567A CN 201910056649 A CN201910056649 A CN 201910056649A CN 109902567 A CN109902567 A CN 109902567A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- index
- health status
- rapid evaluation
- data processing
- 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
Landscapes
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种快速评估植被健康状况的数据处理方法及系统，所述方法包括：获取遥感影像并根据研究区实际情况进行影像预处理；在预处理后的遥感影像中提取归一化植被指数、氮素反射指数和归一化衰败植被指数；将提取的所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像数据进行数据标准化；将所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像图进行叠加，构建植被健康指数的函数并进行解算；根据所述植被健康指数的影像将植被健康等级进行划分，并采集不同等级的验证样点，通过混淆矩阵验证估算精度，输出验证结果。本发明可以进行大范围的植被健康状况估算，实现了从遥感影像中快速识别植被健康状况的目的。
Description
技术领域
本发明涉及植被生态系统保护技术领域，尤其涉及一种快速评估植被健康状况的数据处理方法及系统。
背景技术
植被健康调查是生态环境保护的重要组成部分，小规模的植被健康调查可以通过人工外业调查完成，而大尺度的植被健康度调查通过人工调查来实现需要花费大量的人力物力，成本较高。
目前，遥感对地观测技术对大规模的植被健康调查提供了有效的手段。遥感技术凭借其快速、宏观的优势，可有效地监测植被的健康状态。值得一提的是，已有的遥感植被健康调查技术手段主要针对干旱胁迫或某种病虫害防治等单一情况，并且采用的评价指标单一且不充分，例如，一些研究多采用简单归一化植被指数(normalized differencevegetation index,NDVI)作为植被健康的评价指标。虽然NDVI可以很好的反映绿色植被的覆盖信息，但不能反映处于亚健康或衰败状况的植被信息。也就是说，目前还缺少一种快速、高效且适用于大规模植被健康评估的方法。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术上述缺陷，本发明提供一种快速评估植被健康状况的数据处理方法及系统，解决了传统植被健康调查耗时耗力及现有的遥感植被健康调查法不能综合反映亚健康或衰败植被问题，提供一种新的基于遥感快速估算植被健康状况的新型植被健康指数，可以通过整合三种植被指数从遥感影像中快速识别植被健康状况。
本发明解决技术问题所采用的技术方案如下：
一种快速评估植被健康状况的数据处理方法，其中，所述快速评估植被健康状况的数据处理方法包括：
获取遥感影像并根据研究区实际情况进行影像预处理；
在预处理后的遥感影像中提取归一化植被指数、氮素反射指数和归一化衰败植被指数；
将提取的所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像数据进行数据标准化；
将所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像图进行叠加，构建植被健康指数的函数并进行解算；
根据所述植被健康指数的影像将植被健康等级进行划分，并采集不同等级的验证样点，通过混淆矩阵验证估算精度，输出验证结果。
所述的快速评估植被健康状况的数据处理方法，其中，所述归一化植被指数的提取方法为：
NDVI＝(ρNIR-ρRed)/(ρNIR+ρRed)；
其中，NDVI表示归一化植被指数，ρNIR和ρRed分别代表遥感影像的近红和红光波段的反射率。
所述的快速评估植被健康状况的数据处理方法，其中，所述氮素反射指数的提取方法为：
NRI＝ρNIR/ρGreen；
其中，NRI表示氮素反射指数，ρNIR和ρGreen分别代表遥感影像的近红和绿光波段的反射率。
所述的快速评估植被健康状况的数据处理方法，其中，所述归一化衰败植被指数的提取方法为：
NDSVI＝(ρSWIR1-ρRed)/(ρSWIR1+ρRed)；
其中，NDSVI表示归一化衰败植被指数，ρSWIR1和ρRed分别代表遥感影像的第一个中红外波段和红光波段的反射率。
所述的快速评估植被健康状况的数据处理方法，其中，所述将提取的所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像数据进行数据标准化具体包括：
所述归一化植被指数和所述氮素反射指数为正向指标，NDVI和NRI值越大则表明植被健康状况越好，正向指标标准化如下：
Xi＝(xi-xmin)/(xmax-xmin)；
所述归一化衰败植被指数为负向指标，NDSVI值越小则表明植被健康状况越好，负向指标标准化如下：
Xi＝(xmax-xi)/(xmax-xmin)；
其中，Xi是标准化后的值，xi、xmin、xmax分别代表NDVI、NRI、NDSVI三个指标的原始值、最小值和最大值，NDVI、NRI、NDSVI影像数据标准化后的值介于0-1之间。
所述的快速评估植被健康状况的数据处理方法，其中，所述将所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像图进行叠加，构建植被健康指数的函数并进行解算具体包括：
将提取的NDVI、NRI、NDSVI的影像图进行叠加，并构建植被健康指数VHI的函数如下：
VHI＝f(NDVI，NRI，NDSVI)；
其中，VHI为构建的植被健康指数，f为NDVI、NRI、NDSVI三个指标的集成函数；
通过采用主成份分析方法PCA对VHI函数进行求解，通过主成份分析将原始的多维遥感数据集进行压缩，其中主成份分析得到的第一分量，即第一主成分PC1包含了原始数据集的信息，通过PC1的线性组合构建VHI如下：
VHI＝(PC1-PC1min)/(PC1max-PC1min)；
其中，PC1、PC1min和PC1max分别代表第一主成分、第一主成分的最小值和最大值；VHI的值介于0-1之间，VHI的值越大则表明研究区域内植被健康状况越好。
所述的快速评估植被健康状况的数据处理方法，其中，所述根据所述植被健康指数的影像将植被健康等级进行划分，并采集不同等级的验证样点，通过混淆矩阵验证估算精度，输出验证结果具体包括：
将值为0-1的VHI影像进行密度分割，将影像植被状况分为不同等级，采集不同等级的验证样点，通过混淆矩阵进行验证，其中总体精度OA和Kappa系数作为精度评价指标：
其中，n和N分别代表植被状况等级数和样本的总数，Nii、Ni+和N+i分别代表正确归类的像元数、归类数据中第i等级的像元数、验证数据中第i等级的像元数；总体精度OA和Kappa系数值越大则表示估算精度越高。
一种快速评估植被健康状况的数据处理系统，其中，所述快速评估植被健康状况的数据处理系统包括：
影像获取处理模块，用于获取遥感影像并根据研究区实际情况进行影像预处理；
指数提取模块，用于在预处理后的遥感影像中提取归一化植被指数、氮素反射指数和归一化衰败植被指数；
标准化处理模块，用于将提取的所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像数据进行数据标准化；
函数构建模块，用于将所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像图进行叠加，构建植被健康指数的函数并进行解算；
精度验证模块，用于根据所述植被健康指数的影像将植被健康等级进行划分，并采集不同等级的验证样点，通过混淆矩阵验证估算精度，输出验证结果。
一种快速评估植被健康状况的数据处理装置，其中，所述快速评估植被健康状况的数据处理装置包括如上所述的快速评估植被健康状况的数据处理系统，还包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的快速评估植被健康状况的数据处理程序，所述快速评估植被健康状况的数据处理程序被所述处理器执行时实现如上所述的快速评估植被健康状况的数据处理方法的步骤。
一种存储介质，其中，所述存储介质存储有快速评估植被健康状况的数据处理程序，所述快速评估植被健康状况的数据处理程序被处理器执行时实现如上所述快速评估植被健康状况的数据处理方法的步骤。
本发明公开了一种快速评估植被健康状况的数据处理方法及系统，所述方法包括：获取遥感影像并根据研究区实际情况进行影像预处理；在预处理后的遥感影像中提取归一化植被指数、氮素反射指数和归一化衰败植被指数；将提取的所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像数据进行数据标准化；将所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像图进行叠加，构建植被健康指数的函数并进行解算；根据所述植被健康指数的影像将植被健康等级进行划分，并采集不同等级的验证样点，通过混淆矩阵验证估算精度，输出验证结果。本发明整合了多个利于探测植被健康状况的指标，提取处于亚健康或衰败状况的植被信息，可以进行大范围的植被健康状况估算，实现了从遥感影像中快速识别植被健康状况的目的。
附图说明
图1是本发明快速评估植被健康状况的数据处理方法的较佳实施例的流程图；
图2是本发明快速评估植被健康状况的数据处理系统的较佳实施例的原理图；
图3为本发明快速评估植被健康状况的数据处理装置的较佳实施例的运行环境示意图。
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、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明较佳实施例所述的快速评估植被健康状况的数据处理方法，如图1所示，一种快速评估植被健康状况的数据处理方法,其中，所述快速评估植被健康状况的数据处理方法包括以下步骤：
步骤S10、获取遥感影像并根据研究区实际情况进行影像预处理。
具体地，可以通过美国地质调查局(United States Geological Survey，USGS)网站(GloVis)获取Landsat(美国NASA的陆地卫星计划)系列遥感影像并根据研究区实际情况进行影像预处理。
进一步地，所述预处理包括几何校正、大气校正、影像拼接、裁剪等，影像预处理主要是为了消除影像成像过程中由于卫星姿态、速度变化、大气与电磁波相互作用、随机噪声等造成影像辐射失真和几何畸变的问题，以及为了满足研究尺度需求进行的系列处理。
步骤S20、在预处理后的遥感影像中提取归一化植被指数、氮素反射指数和归一化衰败植被指数。
具体地，3种指数分别为归一化植被指数(normalized difference vegetationindex，NDVI)、氮素反射指数(nitrogen reflectance index，NRI)和归一化衰败植被指数(normalized difference senescent vegetation index，NDSVI)；其中，NDVI也叫植被覆盖指数，应用于检测植被生长状态、植被覆盖度和消除部分辐射误差等，也称为生物量指标变化，可使植被从水和土中分离出来。
进一步地，在预处理后的遥感影像中分别提取归一化植被指数、氮素反射指数和归一化衰败植被指数，具体包括：
从预处理后的Landsat影像中提取归一化植被指数指数NDVI，具体方法如下：
NDVI＝(ρNIR-ρRed)/(ρNIR+ρRed)；
其中，NDVI表示归一化植被指数，ρNIR和ρRed分别代表遥感影像的近红和红光波段的反射率。
从预处理后的Landsat影像中提取氮素反射指数指数NRI，具体方法如下：
NRI＝ρNIR/ρGreen；
其中，NRI表示氮素反射指数，ρNIR和ρGreen分别代表遥感影像的近红和绿光波段的反射率。
从预处理后的Landsat影像中提取归一化衰败植被指数NDSVI，具体方法如下：
NDSVI＝(ρSWIR1-ρRed)/(ρSWIR1+ρRed)；
其中，NDSVI表示归一化衰败植被指数，ρSWIR1和ρRed分别代表遥感影像的第一个中红外波段和红光波段的反射率。
步骤S30、将提取的所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像数据进行数据标准化。
具体地，将上述提取的NDVI、NRI、NDSVI影像数据进行数据标准化，因为NDVI和NRI值越大表明植被健康状况越好(属于正向指标)，NDSVI反之，即NDSVI值越小则表明植被健康状况越好(属于负向指标)。所以标准化方法如下：
正向指标标准化(NDVI和NRI)：
Xi＝(xi-xmin)/(xmax-xmin)；
负向指标标准化(NDSVI)：
Xi＝(xmax-xi)/(xmax-xmin)；
其中，Xi是标准化后的值，xi、xmin、xmax分别代表NDVI、NRI、NDSVI三个指标的原始值、最小值和最大值，NDVI、NRI、NDSVI影像数据标准化后的值介于0-1之间。
步骤S40、将所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像图进行叠加，构建植被健康指数的函数并进行解算。
具体地，将上述提取的NDVI、NRI、NDSVI影像图进行叠加，构建新型的植被健康指数VHI(vegetation health index，植被健康指数)函数：
VHI＝f(NDVI，NRI，NDSVI)；
其中，VHI为构建的植被健康指数，f为NDVI、NRI、NDSVI三个指标的集成函数；新型的植被健康指数VHI(整合多个利于探测植被健康状况的指标)用于快速评估植被健康状况，为生态环境调查提供了有效的支持与决策。
再进行VHI函数解算，采用主成份分析方法(principal component analysis,PCA)对VHI函数进行求解，通过主成份分析将原始的多维遥感数据集进行压缩，其中主成份分析得到的第一分量，即第一主成分(PC1)包含了原始数据集中的绝大部分信息，利用PC1的线性组合构建VHI：
VHI＝(PC1-PC1min)/(PC1max-PC1min)；
其中，PC1、PC1min和PC1max分别代表第一主成分、第一主成分的最小值和最大值；VHI的值介于0-1之间，VHI的值越大则表明研究区域内植被健康状况越好。
步骤S50、根据所述植被健康指数的影像将植被健康等级进行划分，并采集不同等级的验证样点，通过混淆矩阵验证估算精度，输出验证结果。
具体地，进行VHI的验证，具体方法如下：将值为0-1的VHI影像进行密度分割，将影像植被状况分为不同等级(优、良、中、差或其它不同等级，其它等级划分亦可)，通过野外实地调查采集不同等级的验证样点，借助混淆矩阵进行验证，其中总体精度(overallaccuracy，OA)和Kappa系数作为精度评价指标：
其中，n和N分别代表植被状况等级数和样本的总数，Nii、Ni+和N+i分别代表正确归类的像元数、归类数据中第i等级的像元数、验证数据中第i等级的像元数；总体精度OA和Kappa系数值越大则表示估算精度越高。
本发明可以提取处于亚健康或衰败状况的植被信息，解决了大规模植被健康调查的难点；同时适用于中尺度或大尺度的植被健康状况估算。
需要说明的是，构建的新型VHI不局限于适用在Landsat系列影像上，其余遥感影像拥有近似Landsat影像波段信息也可适用，不局限于本发明介绍的方法。另外，NDVI、NRI、NDSVI三种指标可用拥有近似的功能的指标替代。
进一步地，如图2所示，基于上述快速评估植被健康状况的数据处理方法，本发明还相应提供了一种快速评估植被健康状况的数据处理系统，所述快速评估植被健康状况的数据处理系统包括：影像获取处理模块101、指数提取模块102、标准化处理模块103、函数构建模块104和精度验证模块105。
所述影像获取处理模块101用于获取遥感影像并根据研究区实际情况进行影像预处理；
所述指数提取模块102用于在预处理后的遥感影像中提取归一化植被指数、氮素反射指数和归一化衰败植被指数；
所述标准化处理模块103用于将提取的所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像数据进行数据标准化；
所述函数构建模块104用于将所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像图进行叠加，构建植被健康指数的函数并进行解算；
所述精度验证模块105用于根据所述植被健康指数的影像将植被健康等级进行划分，并采集不同等级的验证样点，通过混淆矩阵验证估算精度，输出验证结果。
进一步地，如图3所示，基于上述快速评估植被健康状况的数据处理方法和系统，本发明还相应提供了一种快速评估植被健康状况的数据处理装置，所述快速评估植被健康状况的数据处理装置包括如上所述的快速评估植被健康状况的数据处理系统，还包括处理器10、存储器20及显示器30。图3仅示出了快速评估植被健康状况的数据处理装置的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述快速评估植被健康状况的数据处理装置的内部存储单元，例如快速评估植被健康状况的数据处理装置的硬盘或内存。所述存储器20在另一些实施例中也可以是所述快速评估植被健康状况的数据处理装置的外部存储设备，例如所述快速评估植被健康状况的数据处理装置上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所快速评估植被健康状况的数据处理装置的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述快速评估植被健康状况的数据处理装置的应用软件及各类数据，例如所述安装快速评估植被健康状况的数据处理装置的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有快速评估植被健康状况的数据处理程序40，该快速评估植被健康状况的数据处理程序40可被处理器10所执行，从而实现本申请中快速评估植被健康状况的数据处理方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述快速评估植被健康状况的数据处理方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器30用于显示在所述快速评估植被健康状况的数据处理装置的信息以及用于显示可视化的用户界面。所述快速评估植被健康状况的数据处理装置的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中快速评估植被健康状况的数据处理程序40时实现以下步骤：
获取遥感影像并根据研究区实际情况进行影像预处理；
在预处理后的遥感影像中提取归一化植被指数、氮素反射指数和归一化衰败植被指数；
将提取的所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像数据进行数据标准化；
将所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像图进行叠加，构建植被健康指数的函数并进行解算；
根据所述植被健康指数的影像将植被健康等级进行划分，并采集不同等级的验证样点，通过混淆矩阵验证估算精度，输出验证结果。
本发明还提供一种存储介质，其中，所述存储介质存储有快速评估植被健康状况的数据处理程序，所述快速评估植被健康状况的数据处理程序被处理器执行时实现所述快速评估植被健康状况的数据处理方法的步骤；具体如上所述。
综上所述，本发明提供一种快速评估植被健康状况的数据处理方法及系统，所述方法包括：获取遥感影像并根据研究区实际情况进行影像预处理；在预处理后的遥感影像中提取归一化植被指数、氮素反射指数和归一化衰败植被指数；将提取的所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像数据进行数据标准化；将所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像图进行叠加，构建植被健康指数的函数并进行解算；根据所述植被健康指数的影像将植被健康等级进行划分，并采集不同等级的验证样点，通过混淆矩阵验证估算精度，输出验证结果。本发明整合了多个利于探测植被健康状况的指标，提取处于亚健康或衰败状况的植被信息，可以进行大范围的植被健康状况估算，实现了从遥感影像中快速识别植被健康状况的目的。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种快速评估植被健康状况的数据处理方法，其特征在于，所述快速评估植被健康状况的数据处理方法包括：
获取遥感影像并根据研究区实际情况进行影像预处理；
在预处理后的遥感影像中提取归一化植被指数、氮素反射指数和归一化衰败植被指数；
将提取的所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像数据进行数据标准化；
将所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像图进行叠加，构建植被健康指数的函数并进行解算；
根据所述植被健康指数的影像将植被健康等级进行划分，并采集不同等级的验证样点，通过混淆矩阵验证估算精度，输出验证结果。
2.根据权利要求1所述的快速评估植被健康状况的数据处理方法，其特征在于，所述归一化植被指数的提取方法为：
NDVI＝(ρNIR-ρRed)/(ρNIR+ρRed)；
其中，NDVI表示归一化植被指数，ρNIR和ρRed分别代表遥感影像的近红和红光波段的反射率。
3.根据权利要求2所述的快速评估植被健康状况的数据处理方法，其特征在于，所述氮素反射指数的提取方法为：
NRI＝ρNIR/ρGreen；
其中，NRI表示氮素反射指数，ρNIR和ρGreen分别代表遥感影像的近红和绿光波段的反射率。
4.根据权利要求3所述的快速评估植被健康状况的数据处理方法，其特征在于，所述归一化衰败植被指数的提取方法为：
NDSVI＝(ρSWIR1-ρRed)/(ρSWIR1+ρRed)；
其中，NDSVI表示归一化衰败植被指数，ρSWIR1和ρRed分别代表遥感影像的第一个中红外波段和红光波段的反射率。
5.根据权利要求4所述的快速评估植被健康状况的数据处理方法，其特征在于，所述将提取的所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像数据进行数据标准化具体包括：
所述归一化植被指数和所述氮素反射指数为正向指标，NDVI和NRI值越大则表明植被健康状况越好，正向指标标准化如下：
Xi＝(xi-xmin)/(xmax-xmin)；
所述归一化衰败植被指数为负向指标，NDSVI值越小则表明植被健康状况越好，负向指标标准化如下：
Xi＝(xmax-xi)/(xmax-xmin)；
其中，Xi是标准化后的值，xi、xmin、xmax分别代表NDVI、NRI、NDSVI三个指标的原始值、最小值和最大值，NDVI、NRI、NDSVI影像数据标准化后的值介于0-1之间。
6.根据权利要求5所述的快速评估植被健康状况的数据处理方法，其特征在于，所述将所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像图进行叠加，构建植被健康指数的函数并进行解算具体包括：
将提取的NDVI、NRI、NDSVI的影像图进行叠加，并构建植被健康指数VHI的函数如下：
VHI＝f(NDVI，NRI，NDSVI)；
其中，VHI为构建的植被健康指数，f为NDVI、NRI、NDSVI三个指标的集成函数；
通过采用主成份分析方法PCA对VHI函数进行求解，通过主成份分析将原始的多维遥感数据集进行压缩，其中主成份分析得到的第一分量，即第一主成分PC1包含了原始数据集的信息，通过PC1的线性组合构建VHI如下：
VHI＝(PC1-PC1min)/(PC1max-PC1min)；
其中，PC1、PC1min和PC1max分别代表第一主成分、第一主成分的最小值和最大值；VHI的值介于0-1之间，VHI的值越大则表明研究区域内植被健康状况越好。
7.根据权利要求6所述的快速评估植被健康状况的数据处理方法，其特征在于，所述根据所述植被健康指数的影像将植被健康等级进行划分，并采集不同等级的验证样点，通过混淆矩阵验证估算精度，输出验证结果具体包括：
将值为0-1的VHI影像进行密度分割，将影像植被状况分为不同等级，采集不同等级的验证样点，通过混淆矩阵进行验证，其中总体精度OA和Kappa系数作为精度评价指标：
其中，n和N分别代表植被状况等级数和样本的总数，Nii、Ni+和N+i分别代表正确归类的像元数、归类数据中第i等级的像元数、验证数据中第i等级的像元数；总体精度OA和Kappa系数值越大则表示估算精度越高。
8.一种快速评估植被健康状况的数据处理系统，其特征在于，所述快速评估植被健康状况的数据处理系统包括：
影像获取处理模块，用于获取遥感影像并根据研究区实际情况进行影像预处理；
指数提取模块，用于在预处理后的遥感影像中提取归一化植被指数、氮素反射指数和归一化衰败植被指数；
标准化处理模块，用于将提取的所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像数据进行数据标准化；
函数构建模块，用于将所述归一化植被指数、氮素反射指数和归一化衰败植被指数的影像图进行叠加，构建植被健康指数的函数并进行解算；
精度验证模块，用于根据所述植被健康指数的影像将植被健康等级进行划分，并采集不同等级的验证样点，通过混淆矩阵验证估算精度，输出验证结果。
9.一种快速评估植被健康状况的数据处理装置，其特征在于，所述快速评估植被健康状况的数据处理装置包括如权利要求8所述的快速评估植被健康状况的数据处理系统，还包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的快速评估植被健康状况的数据处理程序，所述快速评估植被健康状况的数据处理程序被所述处理器执行时实现如权利要求1-7任一项所述的快速评估植被健康状况的数据处理方法的步骤。
10.一种存储介质，其特征在于，所述存储介质存储有快速评估植被健康状况的数据处理程序，所述快速评估植被健康状况的数据处理程序被处理器执行时实现如权利要求1-7任一项所述快速评估植被健康状况的数据处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910056649.8A CN109902567B (zh) | 2019-01-22 | 2019-01-22 | 一种快速评估植被健康状况的数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910056649.8A CN109902567B (zh) | 2019-01-22 | 2019-01-22 | 一种快速评估植被健康状况的数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109902567A true CN109902567A (zh) | 2019-06-18 |
| CN109902567B CN109902567B (zh) | 2021-02-26 |
Family
ID=66943910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910056649.8A Active CN109902567B (zh) | 2019-01-22 | 2019-01-22 | 一种快速评估植被健康状况的数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109902567B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110502994A (zh) * | 2019-07-19 | 2019-11-26 | 河南大学 | 一种基于OpenACC的归一化植被指数并行提取方法 |
| CN112288308A (zh) * | 2020-11-11 | 2021-01-29 | 华能澜沧江水电股份有限公司 | 基于多重变异系数赋权的ds证据理论滑坡评价方法 |
| CN112632796A (zh) * | 2020-12-31 | 2021-04-09 | 广州极飞科技有限公司 | 氮含量确定方法、作业方法、装置、电子设备及存储介质 |
| CN113033381A (zh) * | 2021-03-23 | 2021-06-25 | 生态环境部卫星环境应用中心 | 基于遥感数据的矿山和固废填埋场自动提取方法和装置 |
| CN113609910A (zh) * | 2021-07-06 | 2021-11-05 | 北京农业信息技术研究中心 | 基于遥感影像的冬小麦生长前期空间分布监测方法及装置 |
| WO2023141793A1 (zh) * | 2022-01-26 | 2023-08-03 | 魏志豪 | 植物健康度评估装置与评估方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9131642B2 (en) * | 2011-05-13 | 2015-09-15 | Hydrobio, Inc. | Method and system to control irrigation across large geographic areas using remote sensing, weather and field level data |
| CN108267175A (zh) * | 2018-02-06 | 2018-07-10 | 首欣（北京）科技有限公司 | 一种基于无人机的农作物监测方法和装置 |
| CN108760643A (zh) * | 2018-04-04 | 2018-11-06 | 西南石油大学 | 一种适宜于高海拔地区的干旱遥感监测方法 |
| CN108846352A (zh) * | 2018-06-08 | 2018-11-20 | 广东电网有限责任公司 | 一种植被分类与识别方法 |
-
2019
- 2019-01-22 CN CN201910056649.8A patent/CN109902567B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9131642B2 (en) * | 2011-05-13 | 2015-09-15 | Hydrobio, Inc. | Method and system to control irrigation across large geographic areas using remote sensing, weather and field level data |
| CN108267175A (zh) * | 2018-02-06 | 2018-07-10 | 首欣（北京）科技有限公司 | 一种基于无人机的农作物监测方法和装置 |
| CN108760643A (zh) * | 2018-04-04 | 2018-11-06 | 西南石油大学 | 一种适宜于高海拔地区的干旱遥感监测方法 |
| CN108846352A (zh) * | 2018-06-08 | 2018-11-20 | 广东电网有限责任公司 | 一种植被分类与识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| FENGSONG PEI 等: "Monitoring the vegetation activity in China using vegetation health indices", 《AGRICULTURAL AND FOREST METEOROLOGY》 * |
| 苏腾飞 等: "基于多种植被指数时间序列与机器学习的作物遥感分类研究", 《江苏农业科学》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110502994A (zh) * | 2019-07-19 | 2019-11-26 | 河南大学 | 一种基于OpenACC的归一化植被指数并行提取方法 |
| CN110502994B (zh) * | 2019-07-19 | 2022-10-04 | 河南大学 | 一种基于OpenACC的归一化植被指数并行提取方法 |
| CN112288308A (zh) * | 2020-11-11 | 2021-01-29 | 华能澜沧江水电股份有限公司 | 基于多重变异系数赋权的ds证据理论滑坡评价方法 |
| CN112632796A (zh) * | 2020-12-31 | 2021-04-09 | 广州极飞科技有限公司 | 氮含量确定方法、作业方法、装置、电子设备及存储介质 |
| CN113033381A (zh) * | 2021-03-23 | 2021-06-25 | 生态环境部卫星环境应用中心 | 基于遥感数据的矿山和固废填埋场自动提取方法和装置 |
| CN113033381B (zh) * | 2021-03-23 | 2021-09-10 | 生态环境部卫星环境应用中心 | 基于遥感数据的矿山和固废填埋场自动提取方法和装置 |
| CN113609910A (zh) * | 2021-07-06 | 2021-11-05 | 北京农业信息技术研究中心 | 基于遥感影像的冬小麦生长前期空间分布监测方法及装置 |
| WO2023141793A1 (zh) * | 2022-01-26 | 2023-08-03 | 魏志豪 | 植物健康度评估装置与评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109902567B (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902567A (zh) | 一种快速评估植被健康状况的数据处理方法及系统 | |
| Eerens et al. | Image time series processing for agriculture monitoring | |
| Dalponte et al. | Tree crown delineation and tree species classification in boreal forests using hyperspectral and ALS data | |
| Erikson | Species classification of individually segmented tree crowns in high-resolution aerial images using radiometric and morphologic image measures | |
| CN103400143B (zh) | 一种基于多视角的数据子空间聚类方法 | |
| Wulder et al. | Comparison of airborne and satellite high spatial resolution data for the identification of individual trees with local maxima filtering | |
| Joshi et al. | Cloud detection algorithm using SVM with SWIR2 and tasseled cap applied to Landsat 8 | |
| Franklin | Pixel-and object-based multispectral classification of forest tree species from small unmanned aerial vehicles | |
| CN102509120B (zh) | 基于迁移字典学习的高光谱图像的有监督分割方法 | |
| Ozdarici-Ok | Automatic detection and delineation of citrus trees from VHR satellite imagery | |
| CN105740912A (zh) | 基于核范数正则化的低秩图像特征提取的识别方法及系统 | |
| Marconi et al. | Continental-scale hyperspectral tree species classification in the United States National Ecological Observatory Network | |
| Nasiri et al. | Mapping tree species composition in a Caspian temperate mixed forest based on spectral-temporal metrics and machine learning | |
| Zhang et al. | Using error-in-variable regression to predict tree diameter and crown width from remotely sensed imagery | |
| Zhang et al. | UAV‐derived imagery for vegetation structure estimation in rangelands: validation and application | |
| Jemaa et al. | Computer vision system for detecting orchard trees from UAV images | |
| Zhao et al. | Multiple endmembers based unmixing using archetypal analysis | |
| CN112257531A (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
| CN103324959A (zh) | 播种质量检测方法和装置 | |
| Huang et al. | Research on crop planting area classification from remote sensing image based on deep learning | |
| Mulyono et al. | A paddy growth stages classification using modis remote sensing images with balanced branches support vector machines | |
| Tan et al. | Automatic extraction of built-up area based on deep convolution neural network | |
| Wu et al. | Targeted change detection for stacked multi-temporal hyperspectral image | |
| CN104463212B (zh) | 基于阈值和正则化最小二乘的云检测方法和系统 | |
| Deng et al. | A paddy field segmentation method combining attention mechanism and adaptive feature fusion |
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 |