CN109919083A - 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 - Google Patents
一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 Download PDFInfo
- Publication number
- CN109919083A CN109919083A CN201910165983.7A CN201910165983A CN109919083A CN 109919083 A CN109919083 A CN 109919083A CN 201910165983 A CN201910165983 A CN 201910165983A CN 109919083 A CN109919083 A CN 109919083A
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- date
- ndvi
- sentinel
- value
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 130
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000011160 research Methods 0.000 claims abstract description 33
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006266 hibernation Effects 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000009331 sowing Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000003306 harvesting Methods 0.000 abstract 1
- 230000008685 targeting Effects 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 5
- 235000013339 cereals Nutrition 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种利用Sentinel‑2影像数据的早期自动化冬小麦制图方法，该方法包括获取研究区冬小麦早期时相Sentinel‑2影像数据；对数据进行大气校正、云掩膜处理；计算生成NDVI植被指数；结合冬小麦物候先验知识，生成多个冬小麦为靶向的物候特征；利用生成的物候特征建立冬小麦分类规则；利用分类规则获取研究区冬小麦分布结果以及相应的面积监测信息。本发明利用冬小麦物候特性构建以冬小麦为靶向的物候特征，可以实现不依赖于地面数据的冬小麦高精度识别，并且能够在冬小麦收获5个月之前得到空间分辨率10米的精细化冬小麦制图结果。
Description
技术领域
本发明涉及农业遥感技术领域，特别涉及一种通过建立冬小麦物候特征与类别之间的非线性映射关系来完成冬小麦早期自动化制图的技术方案，利用冬小麦生长物候规律的先验信息，在不依赖于地面数据的情况下实现高精度的冬小麦早期精细化制图。
背景技术
中国是农业大国，粮食的分布状况与种植面积关系着国计民生。冬小麦作为中国最主要的粮食作物之一，及时准确的获得冬小麦的分布信息与种植面积信息，对于中国粮食安全、政策制定、生态环境保护等方面有着十分重要的意义。随着遥感技术的不断发展，遥感影像的分辨率不断提高，为冬小麦分布与种植面积信息的快速、准确、动态监测提供了新的技术手段。
现在的冬小麦遥感制图方法中，早期制图逐渐成为研究热点，因为它可以在冬小麦收获之前几个星期到几个月不等的时间段内得到制图的结果，可以用于接下来的作物产量预测，这对于粮食作物安全有着尤为重要的作用。在现有的遥感数据源中，中等分辨率成像光谱仪(MODIS)数据，凭借其高时间、高光谱分辨率的优点，广泛应用于大规模农作物信息提取。但是MODIS数据的空间分辨率最高仅为250米，混合像元问题比较严重，因此只能用于大范围的粗略提取，难以适应农作物制图与面积提取越来越精细化的要求。陆地卫星(Ladsat)数据30米的空间分辨率相较于MODIS数据高了很多，但是其16天的重访周期使得该数据应用于早期农作物提取时，无法达到较高的精度。今年来欧空局发射的Sentinel-2卫星能够提供高空间分辨率(10米、20米和60米)的多光谱数据(13个波段)，且其重访周期Sentinel-2A与Sentinel-2B两颗卫星结合使用可以达到5天，因此Sentinel-2卫星数据是目前最适宜进行冬小麦制图的数据源。
无论使用哪种数据源，目前现有的冬小麦制图方法都是利用地面参考数据与监督分类算法(如决策树、支持向量机、随机森林、神经网络等)，建立卫星影像提取的特征与冬小麦类别之间的非线性映射关系。值得注意的是，这些方法严重依赖于地面参考数据，而这些数据通常是以地面实地测量或高分辨率遥感影像目视解译的方法得到的。在农作物生长季节期间收集地面真实参考数据是一项非常耗费时间和资源的任务，这一点严重限制了这些方法的使用，在进行大范围制图与面积监测时尤为明显。
综上，如何提供一种在不依赖于地面真实参考数据的前提下，能大范围且准确获得冬小麦早期种植信息的技术方案，是本领域技术人员亟需解决的问题。
发明内容
针对现有的基于遥感影像的冬小麦制图及面积监测方法的缺点，本发明提出一种利用Sentinel-2影像数据的早期自动化冬小麦制图方法，通过对冬小麦物候知识的了解，建立以冬小麦为靶向的物候特征，克服传统方法对地面数据的严重依赖性，实现冬小麦早期自动化制图与面积监测。
本发明的技术方案提供一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法，包括以下步骤：
步骤1，准备研究区相应时间段内的Sentinel-2卫星影像；
步骤2，对获得的研究区相应时间段内的Sentinel-2卫星影像进行预处理操作，并生成研究区域内每个像元带有时间信息的植被指数时序数据集；
步骤3，利用步骤2中获得的以像素为单位的植被指数时序数据集，结合冬小麦先验物候学知识，生成多个以冬小麦为靶向的物候特征，其表现形式为在研究区相应时间段内获得多幅特征图像；
步骤4，利用步骤3中获得的部分物候特征，结合冬小麦先验物候学知识对研究区所有像素进行预分类，过滤掉一部分明显不是冬小麦的像素，同时确定一部分冬小麦像素，剩余像素作为冬小麦的候选像素；
步骤5，利用步骤3中获得的另外一部分物候特征，使用聚类算法将步骤4得到的冬小麦候选像素聚类为冬小麦类别和非冬小麦类别，从而得到研究区冬小麦分布图；
步骤6，利用步骤5中获得的研究区冬小麦分布图，逐像元汇总统计得到研究区域冬小麦面积。
而且，步骤1中，研究区相应时间段为冬小麦早期生长周期10月上旬至次年1月上旬，确保该时间段遥感影像涵盖冬小麦播种期、出苗期、分蘖期、冬眠期早期等物候期，以便提取冬小麦早期物候特征，且该时间段内的遥感影像下载的筛选条件为含云量不大于10％，以减少遥感影像中的云污染影响。
而且，步骤2中，预处理操作包括以下具体步骤：对下载的Sentinel-2原始的L1C级数据进行大气校正，处理为L2A级数据，并对Sentinel-2影像中的不透明云进行掩膜处理，以减少云污染影响，最后利用处理后的Sentinel-2数据生成归一化植被指数栅格数据，
其中，NDVI代表归一化植被指数，ρNIR代表近红外波段像元地表反射率值，ρRED代表红光波段像元地表反射率值；
而且，步骤2中，云掩膜处理是利用Sentinel-2影像自带的云图层中不透明云层进行处理的，将遥感影像中被不透明云所覆盖的像素进行标记，确保后续的数据处理中不会用到这些被云污染的像素。
而且，步骤3中，结合冬小麦先验物候学知识，生成的5个以冬小麦为靶向的物候特征分别为：带有日期坐标的NDVI时序数据积分值、带有日期坐标的NDVI时序数据最大值、最大NDVI值对应的日期、带有日期坐标的NDVI时序数据拟合直线的斜率、带有日期坐标的NDVI时序数据变化率值，其中5个物候特征的具体计算方式如下，
在计算带有日期坐标的NDVI时序数据积分值特征时，增加第一个日期之前若干天和最后一个日期之后若干天日期，并把他们的NDVI值设置为0，
其中，NDVIint代表NDVI时序数据积分值特征，t0和tn+1分别代表研究区所有可用的Sentinel-2时序影像的第一个日期之前若干天和最后一个日期之后若干天，f(x)代表NDVI时间序列多项式函数；
带有日期坐标的NDVI时序数据最大值具体计算方法如下所示，
其中，NDVImax代表NDVI时序数据最大值特征，ti代表每幅Sentinel-2卫星影像获取的日期，代表日期ti对应的NDVI值，t1和tn分别代表研究区所有可用的Sentinel-2时序影像的第一个日期和最后一个日期；
最大NDVI值对应的日期具体计算方法如下所示，
其中，DOYmax代表最大NDVI值对应的日期特征，ti代表每幅Sentinel-2卫星影像获取的日期，代表日期ti对应的NDVI值，t1和tn分别代表研究区所有可用的Sentinel-2时序影像的第一个日期和最后一个日期；
带有日期坐标的NDVI时序数据拟合直线的斜率具体计算方法如下所示，
其中，k代表拟合直线斜率特征，ti代表每幅Sentinel-2卫星影像获取的日期，代表日期ti对应的NDVI值，t1和tn分别代表研究区所有可用的Sentinel-2时序影像的第一个日期和最后一个日期；
带有日期坐标的NDVI时序数据变化率值具体计算方法如下所示，
其中，rate代表变化率特征，ti代表每幅Sentinel-2卫星影像获取的日期，代表日期ti对应的NDVI值，t1和tn分别代表研究区所有可用的Sentinel-2时序影像的第一个日期和最后一个日期。
而且，步骤4中，对研究区所有像素进行预分类时，所用到的物候特征为，最大NDVI值对应的日期特征DOYmax、带有日期坐标的NDVI时序数据变化率值特征rate、带有日期坐标的NDVI时序数据最大值特征NDVImax；具体的分类规则为：对所有像素而言，将DOYmax特征小于等于315，或rate特征大于等于1的像素直接判定为非冬小麦，剩余像素中，当NDVImax值小于等于0.2时判定为非冬小麦，当NDVImax值大于等于0.6时判定为冬小麦，剩余像素则为冬小麦的候选区域。
而且，步骤5中，用于聚类的物候特征为带有日期坐标的NDVI时序数据积分值特征NDVIint、带有日期坐标的NDVI时序数据拟合直线的斜率特征k，具体的分类规则为：对所有冬小麦候选区域像素，将NDVIint特征与k特征输入到聚类算法中，以每景遥感影像为单位将冬小麦候选区域像素聚类为2个类别，将2个类别中聚类中心NDVIint值和k值较大的类别判定为冬小麦类别，另一个类别判定为非冬小麦类别。
而且，步骤5中所用到的聚类方法为kmeans聚类。
相较于现有技术，本发明有以下有益效果是：
(1)本发明可以根据冬小麦的物候特性构建物候特征，并利用物候学知识和机器学习中的聚类算法，实现不依赖于地面数据的冬小麦高精度识别，即输入数据仅为遥感影像数据，输出结果为冬小麦制图结果。
(2)本发明利用的数据为空间分辨率10米的Sentinel-2影像数据，得到的研究区冬小麦分布图的空间分辨率同样为10米，远远好于现有方法中常用的MODIS数据(250米)和Landsat数据(30米)。
(3)本发明提出的冬小麦制图方法属于早期冬小麦制图范畴，并且在冬小麦收获前将近5个月的时间即可得到冬小麦的分布图以及种植面积统计数据，这远远好于现有的冬小麦早期制图方法(通常几个星期到2至3个月不等)。
附图说明
图1是本发明的实施例流程图；
图2是本发明的冬小麦分类规则流程图；
图3是研究区域概况图；
图4是算法判别结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实例对本发明进一步说明，并结合附图详述冬小麦早期自动化提取方法的具体步骤。
如图1所示，一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法，包括如下步骤：
步骤1，准备研究区相应时间段内的Sentinel-2卫星影像。
如图3所示，本发明以我国山东省作为主要研究区域，获取了所有从2017年10月1日至2018年1月5日覆盖山东省冬小麦播种期、出苗期、分蘖期、冬眠期早期等物候期的Sentinel-2卫星影像数据，且对遥感影像进行了含云量不大于10％的条件筛选，以减少遥感影像中的云污染影响。
步骤2，对获得的研究区相应时间段内的Sentinel-2卫星影像进行预处理操作，并生成研究区域内每个像元带有时间信息的植被指数时序数据集。
其具体操作为：利用欧空局发布的专门用于处理Sentinel卫星影像数据的软件Sentinel Application Platform(SNAP)，结合sen2cor插件，将原始的L1C级数据进行大气校正，处理为L2A级数据，并利用Sentinel-2影像自带的云图层对不透明云进行掩膜处理，将遥感影像中被不透明云所覆盖的像素进行标记，确保后续的数据处理中不会用到这些被云污染的像素，最后利用处理后的Sentinel-2数据生成归一化植被指数栅格数据，
其中，NDVI代表归一化植被指数，ρNIR代表近红外波段像元地表反射率值，ρRED代表红光波段像元地表反射率值。
步骤3，利用步骤2中获得的以像素为单位的植被指数时序数据集，结合冬小麦先验物候学知识，生成5个以冬小麦为靶向的物候特征。
结合冬小麦先验物候学知识，生成的5个以冬小麦为靶向的物候特征分别为：带有日期坐标的NDVI时序数据积分值、带有日期坐标的NDVI时序数据最大值、最大NDVI值对应的日期、带有日期坐标的NDVI时序数据拟合直线的斜率、带有日期坐标的NDVI时序数据变化率值。
由于NDVI时序数据集经过了云掩膜处理，一些不透明云覆盖的像元不会用于到物候特征生成过程中，因此可能会遇到第一个日期和最后一个日期像元缺失的情况，此时在计算带有日期坐标的NDVI时序数据积分值特征时，增加第一个日期之前3天和最后一个日期之后3天日期，并把他们的NDVI值设置为0，
其中，NDVIint代表NDVI时序数据积分值特征，t0和tn+1分别代表研究区所有可用的Sentinel-2时序影像的第一个日期之前3天和最后一个日期之后3天，f(x)代表NDVI时间序列多项式函数。
带有日期坐标的NDVI时序数据最大值具体计算方法如下所示，
其中，NDVImax代表NDVI时序数据最大值特征，ti代表每幅Sentinel-2卫星影像获取的日期，代表日期ti对应的NDVI值，t1和tn分别代表研究区所有可用的Sentinel-2时序影像的第一个日期和最后一个日期。
最大NDVI值对应的日期具体计算方法如下所示，
其中，DOYmax代表最大NDVI值对应的日期特征，ti代表每幅Sentinel-2卫星影像获取的日期，代表日期ti对应的NDVI值，t1和tn分别代表研究区所有可用的Sentinel-2时序影像的第一个日期和最后一个日期。
带有日期坐标的NDVI时序数据拟合直线的斜率具体计算方法如下所示，
其中，k代表拟合直线斜率特征，ti代表每幅Sentinel-2卫星影像获取的日期，代表日期ti对应的NDVI值，t1和tn分别代表研究区所有可用的Sentinel-2时序影像的第一个日期和最后一个日期。
带有日期坐标的NDVI时序数据变化率值具体计算方法如下所示，
其中，rate代表变化率特征，ti代表每幅Sentinel-2卫星影像获取的日期，代表日期ti对应的NDVI值，t1和tn分别代表研究区所有可用的Sentinel-2时序影像的第一个日期和最后一个日期。
步骤4，利用步骤3中获得的部分物候特征，结合冬小麦先验物候学知识对研究区所有像素进行预分类，过滤掉一部分明显不是冬小麦的像素，同时确定一部分冬小麦像素，剩余像素作为冬小麦的候选像素。
对研究区所有像素进行预分类时，所用到的物候特征为，最大NDVI值对应的日期特征DOYmax、带有日期坐标的NDVI时序数据变化率值特征rate、带有日期坐标的NDVI时序数据最大值特征NDVImax，具体的分类规则如图2所示，对所有像素而言，将DOYmax特征小于等于315，或rate特征大于等于1的像素直接判定为非冬小麦，剩余像素中，当NDVImax值小于等于0.2时判定为非冬小麦，当NDVImax值大于等于0.6时判定为冬小麦，剩余像素则为冬小麦的候选区域，进行下一阶段进行继续判定。
步骤5，利用步骤3中获得的另外一部分部分物候特征，使用聚类算法将步骤4的得到的冬小麦候选像素聚类为冬小麦类别和非冬小麦类别，从而得到研究区冬小麦分布图。
对研究区冬小麦候选区域像素进行判定时，用于聚类的物候特征为带有日期坐标的NDVI时序数据积分值特征NDVIint、带有日期坐标的NDVI时序数据拟合直线的斜率特征k，具体的分类规则如图2所示，对所有冬小麦候选区域像素而言，将NDVIint特征与k特征输入到kmeans聚类算法中，以每景遥感影像为单位将冬小麦候选区域像素聚类为2个类别，其中kmeans算法的迭代次数设置为100次，将2个类别中聚类中心NDVIint值和k值较大的类别判定为冬小麦类别，另一个类别判定为非冬小麦类别，至此，所有像素均被判别完毕。
步骤6，利用步骤5中获得研究区冬小麦分布图，逐像元汇总统计得到研究区域冬小麦面积。
利用步骤1-5的方法生成覆盖整个山东省的冬小麦分布影像集合，将冬小麦分布影像集合进行拼接、裁剪等操作生成整个山东省10米分辨率的冬小麦分布图，对各个级别行政单元内冬小麦像元个数进行统计即可换算得到该行政单元内部冬小麦监测面积信息。
以上所述仅为本发明的较佳实施例，但本发明不局限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型，皆应属本发明的保护范围内。
Claims (9)
1.一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法，其特征在于，包括以下步骤：
步骤1，准备研究区相应时间段内的Sentinel-2卫星影像；
步骤2，对获得的研究区相应时间段内的Sentinel-2卫星影像进行预处理操作，并生成研究区域内每个像元带有时间信息的植被指数时序数据集；
步骤3，利用步骤2中获得的以像素为单位的植被指数时序数据集，结合冬小麦先验物候学知识，生成多个以冬小麦为靶向的物候特征；
步骤4，利用步骤3中获得的部分物候特征，结合冬小麦先验物候学知识对研究区所有像素进行预分类，过滤掉一部分明显不是冬小麦的像素，同时确定一部分冬小麦像素，剩余像素作为冬小麦的候选像素；
步骤5，利用步骤3中获得的另外一部分物候特征，使用聚类算法将步骤4得到的冬小麦候选像素聚类为冬小麦类别和非冬小麦类别，从而得到研究区冬小麦分布图；
步骤6，利用步骤5中获得的研究区冬小麦分布图，逐像元汇总统计得到研究区域冬小麦面积。
2.根据权利要求1所述的基于Sentinel-2影像数据的早期自动化冬小麦制图方法，其特征在于：步骤1中，研究区相应时间段为冬小麦早期生长周期10月上旬至次年1月上旬，确保该时间段遥感影像涵盖冬小麦播种期、出苗期、分蘖期、冬眠期早期等物候期，且该时间段内的遥感影像下载的筛选条件为含云量不大于10％。
3.根据权利要求1所述的基于Sentinel-2影像数据的早期自动化冬小麦制图方法，其特征在于：步骤2中所述预处理操作包括以下具体步骤，
对下载的Sentinel-2原始的L1C级数据进行大气校正，处理为L2A级数据，并对Sentinel-2影像中的不透明云进行掩膜处理，以减少云污染影响，最后利用处理后的Sentinel-2数据生成归一化植被指数栅格数据，
其中，NDVI代表归一化植被指数，ρNIR代表近红外波段像元地表反射率值，ρRED代表红光波段像元地表反射率值。
4.根据权利要求3所述的基于Sentinel-2影像数据的早期自动化冬小麦制图方法，其特征在于：步骤2中，云掩膜处理是利用Sentinel-2影像自带的云图层中不透明云层进行处理，将遥感影像中被不透明云所覆盖的像素进行标记，确保后续的数据处理中不会用到这些被云污染的像素。
5.根据权利要求1所述的基于Sentinel-2影像数据的早期自动化冬小麦制图方法，其特征在于：步骤3中，结合冬小麦先验物候学知识，生成的5个以冬小麦为靶向的物候特征分别为：带有日期坐标的NDVI时序数据积分值、带有日期坐标的NDVI时序数据最大值、最大NDVI值对应的日期、带有日期坐标的NDVI时序数据拟合直线的斜率、带有日期坐标的NDVI时序数据变化率值。
6.根据权利要求5所述的基于Sentinel-2影像数据的早期自动化冬小麦制图方法，其特征在于：物候特征的具体计算方式如下，
在计算带有日期坐标的NDVI时序数据积分值特征时，增加第一个日期之前若干天和最后一个日期之后若干天日期，并把他们的NDVI值设置为0，
其中，NDVIint代表NDVI时序数据积分值特征，t0和tn+1分别代表研究区所有可用的Sentinel-2时序影像的第一个日期之前若干天和最后一个日期之后若干天，f(x)代表NDVI时间序列多项式函数；
带有日期坐标的NDVI时序数据最大值具体计算方法如下所示，
其中，NDVImax代表NDVI时序数据最大值特征，ti代表每幅Sentinel-2卫星影像获取的日期，代表日期ti对应的NDVI值，t1和tn分别代表研究区所有可用的Sentinel-2时序影像的第一个日期和最后一个日期；
最大NDVI值对应的日期具体计算方法如下所示，
其中，DOYmax代表最大NDVI值对应的日期特征，ti代表每幅Sentinel-2卫星影像获取的日期，代表日期ti对应的NDVI值，t1和tn分别代表研究区所有可用的Sentinel-2时序影像的第一个日期和最后一个日期；
带有日期坐标的NDVI时序数据拟合直线的斜率具体计算方法如下所示，
其中，k代表拟合直线斜率特征，ti代表每幅Sentinel-2卫星影像获取的日期，代表日期ti对应的NDVI值，t1和tn分别代表研究区所有可用的Sentinel-2时序影像的第一个日期和最后一个日期；
带有日期坐标的NDVI时序数据变化率值具体计算方法如下所示，
其中，rate代表变化率特征，ti代表每幅Sentinel-2卫星影像获取的日期，代表日期ti对应的NDVI值，t1和tn分别代表研究区所有可用的Sentinel-2时序影像的第一个日期和最后一个日期。
7.根据权利要求6所述的基于Sentinel-2影像数据的早期自动化冬小麦制图方法，其特征在于：步骤4中，对研究区所有像素进行预分类时，所用到的物候特征为，最大NDVI值对应的日期特征DOYmax、带有日期坐标的NDVI时序数据变化率值特征rate、带有日期坐标的NDVI时序数据最大值特征NDVImax；具体的分类规则为：对所有像素而言，将DOYmax特征小于等于315，或rate特征大于等于1的像素直接判定为非冬小麦，剩余像素中，当NDVImax值小于等于0.2时判定为非冬小麦，当NDVImax值大于等于0.6时判定为冬小麦，剩余像素则为冬小麦的候选区域。
8.根据权利要求6所述的基于Sentinel-2影像数据的早期自动化冬小麦制图方法，其特征在于：步骤5中，用于聚类的物候特征为带有日期坐标的NDVI时序数据积分值特征NDVIint、带有日期坐标的NDVI时序数据拟合直线的斜率特征k，具体的分类规则为：对所有冬小麦候选区域像素，将NDVIint特征与k特征输入到聚类算法中，以每景遥感影像为单位将冬小麦候选区域像素聚类为2个类别，将2个类别中聚类中心NDVIint值和k值较大的类别判定为冬小麦类别，另一个类别判定为非冬小麦类别。
9.根据权利要求1所述的基于Sentinel-2影像数据的早期自动化冬小麦制图方法，其特征在于：步骤5中所用到的聚类方法为kmeans聚类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910165983.7A CN109919083B (zh) | 2019-03-06 | 2019-03-06 | 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910165983.7A CN109919083B (zh) | 2019-03-06 | 2019-03-06 | 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109919083A true CN109919083A (zh) | 2019-06-21 |
| CN109919083B CN109919083B (zh) | 2020-11-17 |
Family
ID=66963345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910165983.7A Active CN109919083B (zh) | 2019-03-06 | 2019-03-06 | 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919083B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111521562A (zh) * | 2020-03-19 | 2020-08-11 | 航天信德智图（北京）科技有限公司 | 基于Sentinel-2卫星的棉花植被指数遥感检测方法 |
| CN112101256A (zh) * | 2020-09-21 | 2020-12-18 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
| CN112329733A (zh) * | 2020-11-27 | 2021-02-05 | 河南大学 | 一种基于gee云平台的冬小麦长势监测及分析方法 |
| CN113221806A (zh) * | 2021-05-25 | 2021-08-06 | 河南大学 | 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 |
| CN113392759A (zh) * | 2021-06-11 | 2021-09-14 | 河南大学 | 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 |
| CN113392166A (zh) * | 2021-06-11 | 2021-09-14 | 河南工业大学 | 一种遥感时序数据聚类方法 |
| CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
| CN114494882A (zh) * | 2022-02-07 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种基于随机森林的冬小麦遥感识别分析方法和系统 |
| CN114724024A (zh) * | 2022-02-14 | 2022-07-08 | 河南大学 | 基于云计算平台和生命周期的双季作物种植界线自动化提取方法 |
| CN117709604A (zh) * | 2024-02-06 | 2024-03-15 | 北京市农林科学院信息技术研究中心 | 面向植保无人机飞防的冬小麦遥感监测方法、装置和设备 |
| CN118135403A (zh) * | 2024-04-30 | 2024-06-04 | 西安科技大学 | 一种冬小麦种植分布提取方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894270A (zh) * | 2010-07-26 | 2010-11-24 | 中国科学院遥感应用研究所 | 面向遥感影像分类的样本自动选取方法 |
| CN103336956A (zh) * | 2013-07-10 | 2013-10-02 | 福州大学 | 一种基于遥感时序数据的冬小麦面积估算方法 |
| CN104951772A (zh) * | 2015-07-10 | 2015-09-30 | 中国科学院遥感与数字地球研究所 | 一种基于ndvi时间序列曲线积分的冬小麦提取方法 |
| CN106650604A (zh) * | 2016-10-21 | 2017-05-10 | 河北工程大学 | 一种基于植被指数思想的地物信息遥感提取方法 |
| US20180373932A1 (en) * | 2016-12-30 | 2018-12-27 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
-
2019
- 2019-03-06 CN CN201910165983.7A patent/CN109919083B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894270A (zh) * | 2010-07-26 | 2010-11-24 | 中国科学院遥感应用研究所 | 面向遥感影像分类的样本自动选取方法 |
| CN103336956A (zh) * | 2013-07-10 | 2013-10-02 | 福州大学 | 一种基于遥感时序数据的冬小麦面积估算方法 |
| CN104951772A (zh) * | 2015-07-10 | 2015-09-30 | 中国科学院遥感与数字地球研究所 | 一种基于ndvi时间序列曲线积分的冬小麦提取方法 |
| CN106650604A (zh) * | 2016-10-21 | 2017-05-10 | 河北工程大学 | 一种基于植被指数思想的地物信息遥感提取方法 |
| US20180373932A1 (en) * | 2016-12-30 | 2018-12-27 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
Non-Patent Citations (3)
| Title |
|---|
| LAI, Y. R., ET AL.: "An empirical model for prediction of wheat yield, using time-integrated Landsat NDVI", 《INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION》 * |
| ZHENG, F.,: "Relationship between NDVI Values and SPAD Readings in Different Spring Wheat Varieties", 《JOURNAL OF TRITICEAE CROPS》 * |
| 平跃鹏: "基于MODIS时间序列及物候特征的农作物分类", 《自然资源学报》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111521562A (zh) * | 2020-03-19 | 2020-08-11 | 航天信德智图（北京）科技有限公司 | 基于Sentinel-2卫星的棉花植被指数遥感检测方法 |
| CN112101256A (zh) * | 2020-09-21 | 2020-12-18 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
| CN112329733B (zh) * | 2020-11-27 | 2022-08-30 | 河南大学 | 一种基于gee云平台的冬小麦长势监测及分析方法 |
| CN112329733A (zh) * | 2020-11-27 | 2021-02-05 | 河南大学 | 一种基于gee云平台的冬小麦长势监测及分析方法 |
| CN113221806A (zh) * | 2021-05-25 | 2021-08-06 | 河南大学 | 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 |
| CN113221806B (zh) * | 2021-05-25 | 2022-02-01 | 河南大学 | 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 |
| CN113392759A (zh) * | 2021-06-11 | 2021-09-14 | 河南大学 | 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 |
| CN113392166A (zh) * | 2021-06-11 | 2021-09-14 | 河南工业大学 | 一种遥感时序数据聚类方法 |
| CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
| CN114494882A (zh) * | 2022-02-07 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种基于随机森林的冬小麦遥感识别分析方法和系统 |
| CN114724024A (zh) * | 2022-02-14 | 2022-07-08 | 河南大学 | 基于云计算平台和生命周期的双季作物种植界线自动化提取方法 |
| CN114724024B (zh) * | 2022-02-14 | 2023-05-09 | 河南大学 | 基于云计算平台和生命周期的双季作物种植界线自动化提取方法 |
| CN117709604A (zh) * | 2024-02-06 | 2024-03-15 | 北京市农林科学院信息技术研究中心 | 面向植保无人机飞防的冬小麦遥感监测方法、装置和设备 |
| CN117709604B (zh) * | 2024-02-06 | 2024-06-11 | 北京市农林科学院信息技术研究中心 | 面向植保无人机飞防的冬小麦遥感监测方法、装置和设备 |
| CN118135403A (zh) * | 2024-04-30 | 2024-06-04 | 西安科技大学 | 一种冬小麦种植分布提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109919083B (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109919083B (zh) | 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 | |
| CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
| CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
| CN107480706A (zh) | 一种制种玉米田遥感识别方法及装置 | |
| CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
| CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| CN111345214A (zh) | 一种基于卫星影像数据的新疆棉花区域识别方法及系统 | |
| CN109522929A (zh) | 一种基于多源图像融合的自然环境下麦田杂草识别方法 | |
| CN111563430A (zh) | 一种基于卷积神经的公益林地类图像智能识别方法及系统 | |
| 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 | |
| CN104951754A (zh) | 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 | |
| CN114972993B (zh) | 一种基于遥感影像的覆膜农田识别提取方法 | |
| CN115861629A (zh) | 一种高分耕地影像提取方法 | |
| CN115468917A (zh) | 基于高分辨率遥感提取农田地块作物信息的方法及系统 | |
| CN113723319A (zh) | 一种基于风云卫星数据的水稻种植分布提取方法 | |
| Bolun et al. | Estimating rice paddy areas in China using multi-temporal cloud-free normalized difference vegetation index (NDVI) imagery based on change detection | |
| CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
| CN112329733B (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
| CN116563721B (zh) | 基于分层分类思想的烟田提取方法 | |
| CN111832480B (zh) | 一种基于光谱特征的油菜种植区遥感识别方法 | |
| Yerzhanova et al. | Analysis of the spectral properties of wheat growth in different vegetation periods | |
| CN115082812B (zh) | 一种农业景观非农生境绿地斑块提取方法及其相关设备 | |
| CN112541933B (zh) | 一种农田边界及种植结构的提取方法 | |
| CN116129284A (zh) | 一种基于时间序列变化特征的撂荒地遥感提取方法 | |
| CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 |
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 |