CN110059890B - 县域尺度农业洪涝监测方法及系统 - Google Patents
县域尺度农业洪涝监测方法及系统 Download PDFInfo
- Publication number
- CN110059890B CN110059890B CN201910345435.2A CN201910345435A CN110059890B CN 110059890 B CN110059890 B CN 110059890B CN 201910345435 A CN201910345435 A CN 201910345435A CN 110059890 B CN110059890 B CN 110059890B
- Authority
- CN
- China
- Prior art keywords
- data
- crop
- vegetation index
- disaster
- crops
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明公开了一种县域尺度农业洪涝监测方法,包括下述步骤:采集监测数据;对监测数据进行预处理;获取耕地范围数据;获取旱田作物范围数据和水田作物范围数据;计算作物成灾后的归一化植被指数;计算旱田作物和水田作物的归一化植被指数均值;获取标准化植被指数;获取不同等级的作物长势数据;获取作物受灾范围数据;获取受灾作物归一化植被指数;获取农业洪涝监测数据。另外,本发明还提供了一种县域尺度农业洪涝监测系统。本发明能够快速、准确地获取农业涝灾信息,并具有普适性。
Description
技术领域
本发明涉及农业灾害信息获取技术领域,更具体的说是涉及一种县域尺度农业洪涝监测方法及系统。
背景技术
传统的农业洪涝监测方法主要采用人工实地勘察的方式,易导致灾情信息滞后且不具备客观准确性。现代农业生产中利用卫星遥感技术监测农作物生长健康状况,可为灾情评估提供及时客观的决策支持信息,已成为指导农业生产不可或缺的重要手段。
目前,县域尺度农业涝灾的监测手段仍然有限,主要是由于高分辨率卫星影像覆盖范围小、低空间分辨率卫星影像精度低、涝灾监测方法不通用等原因,不能客观准确地掌握和分析县域尺度农业涝灾的灾情信息。
因此,如何解决上述技术缺陷,提供一种普遍适应性强的县域尺度农业洪涝监测方法及系统便成为了本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明针对现有县域尺度农业洪涝监测方法普适性不强的问题,提供了一种旨在实现可通用的县域尺度农业洪涝监测方法及系统。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供了一种县域尺度农业洪涝监测方法,包括下述步骤:
S1.分别采集覆盖被监测区同一年的裸土期、作物生长期中期、水田灌水期和作物受灾后8-15天的监测数据;
S2.对所述监测数据进行预处理;
S3.对经预处理后的所述裸土期的监测数据和所述作物生长期中期的监测数据进行多尺度分割,获取耕地范围数据;
S4.采用非监督分类迭代自组织分析算法以所述耕地范围数据为掩膜对经预处理后的所述水田灌水期的监测数据进行分类,获取旱田作物范围数据和水田作物范围数据;
S5.根据预处理后的作物受灾后8-15天的监测数据,计算作物成灾后的归一化植被指数;
S6.基于所述旱田作物范围数据和所述水田作物范围数据对所述归一化植被指数进行旱田作物和水田作物的归一化植被指数均值计算;
S7.将所述旱田作物和水田作物的归一化植被指数与所述旱田作物和水田作物的归一化植被指数均值进行标准化处理,以获取被监测区基准年旱田作物和水田作物进行同一量级比较的植被指数,获取标准化植被指数;
S8.对所述标准化植被指数进行分级处理,获取不同等级的作物长势数据;
S9.对所述作物长势数据与经预处理后的作物受灾后8-15天的监测数据进行比对,去除非受灾等级对应的作物区域,以获取作物受灾范围数据;
S10.将所述作物受灾范围数据裁剪所述归一化植被指数,以获取作物受灾范围的归一化植被指数据,获取受灾作物归一化植被指数;
S11.对所述受灾作物归一化植被指数进行分级处理,获取农业洪涝监测数据。
本发明一种县域尺度农业洪涝监测方法能够快速、准确地获取农业涝灾信息,并具有普适性。
在上述技术方案的基础上,本发明还可做出如下改进:
优选的,所述步骤S1中,所述裸土期、所述作物生长期中期、所述水田灌水期以及所述作物受灾后8-15天的监测数据采用高分一号WFV数据、HJ-1A/1B CCD数据、Landsat-8数据或Sentinel-2A数据。
优选的,所述步骤S2中,对所述监测数据进行预处理,包括:
当所述监测数据为高分一号WFV数据时,对所述监测数据进行预处理包括:对所述WFV数据依次进行辐射定标、大气校正、正射校正、自动配准、镶嵌、裁剪预处理;
当所述监测数据为高分一号WFV数据时,对所述监测数据进行预处理包括:对所述WF当所述监测数据为HJ-1A/1B CCD数据时,对所述监测数据进行预处理包括:对所述HJ-1A/1B CCD数据依次进行辐射校正、大气校正、正射校正、自动配准、镶嵌、裁剪预处理;
当所述监测数据为Landsat-8数据时,对所述监测数据进行预处理包括:将所述Landsat-8数据的蓝波段、绿波段、红波段和近红外波段叠加,采用立体卷积法与全色波段进行融合处理,再进行镶嵌、裁剪预处理;
当所述监测数据为Sentinel-2A数据时,对所述监测数据进行预处理包括:将所述Sent inel-2A数据的蓝波段、绿波段、红波段和近红外波段分别进行格式转换,进行波段叠加处理,再进行镶嵌、裁剪预处理。
优选的,所述步骤S3中,对经预处理后的所述裸土期的监测数据和所述作物生长期中期的监测数据进行多尺度分割,获取耕地范围数据,包括:
S31.对经预处理后的所述裸土期的监测数据进行多尺度分割,获取分割数据;
S32.基于所述分割数据对所述作物生长期中期的监测数据进行多尺度分割,获取基础耕地范围数据;
S33.采用非监督分类迭代自组织分析算法以所述基础耕地范围数据为掩膜进行边缘锐化,获取耕地范围数据。
优选的,所述步骤S5中,根据预处理后的作物受灾后8-15天的监测数据,计算作物成灾后的归一化植被指数,包括:
式中,NDVI为归一化植被指数,Xnir为高分一号WFV数据、HJ-1A/1B CCD数据、Landsat-8数据或Sentinel-2A数据的近红外波段反射率,Xr为高分一号WFV数据、HJ-1A/1BCCD数据、Landsat-8数据或Sent inel-2A数据的红外波段反射率。
优选的,所述步骤S6中,基于所述旱田作物范围数据和所述水田作物范围数据对所述归一化植被指数进行旱田作物和水田作物的归一化植被指数均值计算,包括:
采用空间分析法,以旱田作物和水田作物为计算字段,分别计算所述旱田作物的归一化植被指数均值和所述水田作物的归一化植被指数均值。
优选的,所述步骤S7中,将所述旱田作物和水田作物的归一化植被指数与所述旱田作物和水田作物的归一化植被指数均值进行标准化处理,以获取被监测区基准年旱田作物和水田作物进行同一量级比较的植被指数,获取标准化植被指数,包括:
式中,NDVIstd为标准化植被指数,NDVI为归一化植被指数,NDVImean为归一化植被指数均值。
优选的,所述步骤S8中,对所述标准化植被指数进行分级处理,获取不同等级的作物长势数据,包括:
采用自然断裂点分级方法对所述标准化植被指数进行分级处理,共分为15级,以获取作物长势数据。
优选的,所述步骤S9中,对所述作物长势数据与经预处理后的作物受灾后8-15天的监测数据进行比对,去除非受灾等级对应的作物区域,以获取作物受灾范围数据,包括:
将经预处理后的作物受灾后8-15天的监测数据采用假彩色方式显示,与所述作物长势数据进行比对,采用重分类的方法去除非受灾等级对应的作物区域,去除假彩色影像上代表作物正常生长的红色区域对应的所述作物长势数据的相关等级像元,以获取作物受灾范围数据。
优选的,所述步骤S10中,将所述作物受灾范围数据裁剪所述归一化植被指数,以获取作物受灾范围的归一化植被指数据,获取受灾作物归一化植被指数,包括:
以作物受灾范围数据为掩膜,裁剪经预处理后的所述归一化植被指数数据,以获取受灾范围的归一化植被指数据,获取受灾作物归一化植被指数。
优选的,所述步骤S11中,对所述受灾作物归一化植被指数进行分级处理,获取农业洪涝监测数据,包括:
采用自然断裂点分级方法对所述受灾作物归一化植被指数进行分级,共分为10级,1级为受灾最严重,逐级减轻,以获取农业洪涝监测数据。
第二方面,本发明还提供了一种县域尺度农业洪涝监测系统,该系统包括:
获取单元,用以分别采集覆盖被监测区同一年的裸土期、作物生长期中期、水田灌水期和作物受灾后8-15天的监测数据;所述监测数据均为中低空间分辨率监测数据;
预处理单元,连接所述获取单元,用以对所述被监测区同一年的裸土期、作物生长期中期、水田灌水期和作物受灾后8-15天的监测数据进行预处理,获取经预处理后的裸土期监测数据、作物生长期中期监测数据、水田灌水期监测数据和作物受灾后8-15天的监测数据;
耕地提取单元,连接所述预处理单元,用以对经预处理后的所述裸土期的监测数据和所述作物生长期中期的监测数据进行多尺度分割,获取耕地范围数据;
旱田作物和水田作物区分单元,连接所述预处理单元和所述耕地提取单元,用以采用非监督分类迭代自组织分析算法以所述耕地范围数据为掩膜对经预处理后的所述水田灌水期的监测数据进行分类,获取旱田作物范围数据和水田作物范围数据;
归一化植被指数计算单元,连接所述预处理单元和所述耕地提取单元,用以根据预处理后的作物受灾后8-15天的监测数据,计算作物成灾后的归一化植被指数;
归一化植被指数均值计算单元,连接所述旱田作物和水田作物区分单元与所述归一化植被指数计算单元,用以基于所述旱田作物范围数据和所述水田作物范围数据对所述归一化植被指数进行旱田作物和水田作物的归一化植被指数均值计算;
标准化单元,连接所述归一化植被指数计算单元和所述归一化植被指数均值计算单元,用以将所述旱田作物和水田作物的归一化植被指数与所述旱田作物和水田作物的归一化植被指数均值进行标准化处理,以获取被监测区基准年旱田作物和水田作物进行同一量级比较的植被指数,获取标准化植被指数;
长势分级单元,连接所述标准化单元,用以对所述标准化植被指数进行分级处理,获取不同等级的作物长势数据;包括:采用自然断裂点分级方法对所述标准化植被指数进行分级处理,共分为15级,以获取作物长势数据;
剔除单元,连接所述长势分级单元和所述预处理单元,用以对所述作物长势数据与经预处理后的作物受灾后8-15天的监测数据进行比对,去除非受灾等级对应的作物区域,以获取作物受灾范围数据;包括:将经预处理后的作物受灾后8-15天的监测数据采用假彩色方式显示,与所述作物长势数据进行比对,采用重分类的方法去除非受灾等级对应的作物区域,去除假彩色影像上代表作物正常生长的红色区域对应的所述作物长势数据的相关等级像元,以获取作物受灾范围数据;
受灾作物植被指数计算单元,连接所述剔除单元与所述归一化植被指数计算单元,用以将所述作物受灾范围数据裁剪所述归一化植被指数,以获取作物受灾范围的归一化植被指数据,获取受灾作物归一化植被指数;
灾害分级单元,连接所述受灾作物植被指数计算单元,用以对所述受灾作物归一化植被指数进行分级处理,获取农业洪涝监测数据。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种县域尺度农业洪涝监测方法及系统,能够快速、准确地获取农业涝灾信息,并具有普适性。它在考虑到县域尺度监测范围的基础上,考虑使用中低空间分辨率监测数据,既保障了监测范围的覆盖完整度,又满足县域尺度的监测精度需求;并考虑到旱田作物和水田作物遭受涝灾后的植被指数反映特征存在差异的基础上,对耕地范围进行旱田作物和水田作物的区分,并建立植被指数标准化模型,使受灾后作物对应像元的植被指数处于同一个比较量级上,进而提取农业涝灾信息。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明所述的县域尺度农业洪涝监测方法的流程图;
图2是案例区域2018年耕地范围分布图;
图3是案例区域2018年旱田作物和水田作物分布图;
图4是案例区域2018年7月的农作物涝灾监测图;
图5为本发明所述的县域尺度农业洪涝监测系统的模块图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合一个具体实施例对本发明提出的县域尺度农业洪涝监测方法及系统作进一步说明,详细描述其实施方式。
本发明实施例公开了一种县域尺度农业洪涝监测方法,如图1所示,该方法包括下述步骤:
S1.分别采集覆盖被监测区同一年的裸土期、作物生长期中期、水田灌水期和作物受灾后8-15天的监测数据;
S2.对上述监测数据进行预处理;
S3.对经预处理后的上述裸土期的监测数据和上述作物生长期中期的监测数据进行多尺度分割,获取耕地范围数据;
S4.采用非监督分类迭代自组织分析算法以上述耕地范围数据为掩膜对经预处理后的上述水田灌水期的监测数据进行分类,获取旱田作物范围数据和水田作物范围数据;
S5.根据预处理后的作物受灾后8-15天(10天左右)的监测数据,计算作物成灾后的归一化植被指数;
S6.基于上述旱田作物范围数据和上述水田作物范围数据对上述归一化植被指数进行旱田作物和水田作物的归一化植被指数均值计算;
S7.将上述旱田作物和水田作物的归一化植被指数与上述旱田作物和水田作物的归一化植被指数均值进行标准化处理,以获取被监测区基准年旱田作物和水田作物进行同一量级比较的植被指数,获取标准化植被指数;
S8.对上述标准化植被指数进行分级处理,获取不同等级的作物长势数据;
S9.对上述作物长势数据与经预处理后的作物受灾后8-15天的监测数据进行比对,去除非受灾等级对应的作物区域,以获取作物受灾范围数据;
S10.将上述作物受灾范围数据裁剪上述归一化植被指数,以获取受灾范围的归一化植被指数据,获取受灾作物归一化植被指数;
S11.对上述受灾作物归一化植被指数进行分级处理,获取农业洪涝监测数据。
需要说明的是,本实施例中的涝灾可以是外涝或内涝。
在本实施例提供的一种县域尺度农业洪涝监测方法,能够快速、准确地获取农业涝灾信息,并具有普适性。它在考虑到县域尺度监测范围的基础上,考虑使用中低空间分辨率监测数据,既保障了监测范围的覆盖完整度,又满足县域尺度的监测精度需求;并考虑到旱田作物和水田作物遭受涝灾后的植被指数反映特征存在差异的基础上,对耕地范围进行旱田作物和水田作物的区分,并建立植被指数标准化模型,使受灾后作物对应像元的植被指数处于同一个比较量级上,进而提取农业涝灾信息。
上述步骤S1中,裸土期、作物生长期中期、水田灌水期以及作物受灾后8-15天的监测数据为中低空间分辨率监测数据,这些中低空间分辨率监测数据包括高分一号WFV数据、HJ-1A/1B CCD数据、Landsat-8数据或Sentinel-2A数据。
其中,高分一号WFV数据空间分辨率为16m,幅宽为800km;HJ-1A/1B CCD数据空间分辨率为30m,幅宽为720km;Landsat-8数据空间分辨率为多光谱30m、全色15m,幅宽为185km;Sentinel-2A数据空间分辨率为10m,幅宽为290km。以上数据的空间分辨率和幅宽均满足县域尺度遥感监测需求。
上述步骤S2中,对监测数据进行预处理,包括:
当监测数据为高分一号WFV数据时,对监测数据进行预处理包括:对WFV数据依次进行辐射定标、大气校正、正射校正、自动配准、镶嵌、裁剪等预处理;
当监测数据为HJ-1A/1B CCD数据时,对监测数据进行预处理包括:对HJ-1A/1BCCD数据依次进行辐射定标、大气校正、正射校正、自动配准、镶嵌、裁剪等预处理;
当监测数据为Landsat-8数据时,对监测数据进行预处理包括:将Landsat-8数据的蓝波段、绿波段、红波段和近红外波段叠加,采用立体卷积法与全色波段进行融合处理,再进行镶嵌、裁剪等预处理;
当监测数据为Sentinel-2A数据时,对监测数据进行预处理包括:将Sentinel-2A数据的蓝波段、绿波段、红波段和近红外波段分别进行格式转换,进行波段叠加处理,再进行镶嵌、裁剪等预处理。
上述步骤S3中,对经预处理后的裸土期的监测数据和作物生长期中期的监测数据进行多尺度分割,获取耕地范围数据,包括:
S31.对经预处理后的裸土期的监测数据进行多尺度分割,获取分割数据;
S32.基于分割数据对作物生长期中期的监测数据进行多尺度分割,获取基础耕地范围数据;
S33.采用非监督分类迭代自组织分析算法以基础耕地范围数据为掩膜进行边缘锐化,获取耕地范围数据。
上述步骤S5中,根据预处理后的作物受灾后8-15天的监测数据,计算作物成灾后的归一化植被指数,包括:
式中,NDVI为归一化植被指数,Xnir为高分一号WFV数据、HJ-1A/1B CCD数据、Landsat-8数据或Sentinel-2A数据的近红外波段反射率,Xr为高分一号WFV数据、HJ-1A/1BCCD数据、Landsat-8数据或Sentinel-2A数据的红外波段反射率。
上述步骤S6中,基于旱田作物范围数据和水田作物范围数据对归一化植被指数进行旱田作物和水田作物的归一化植被指数均值计算,包括:
采用空间分析法,以旱田作物和水田作物为计算字段,分别计算所述旱田作物的归一化植被指数均值和所述水田作物的归一化植被指数均值。
上述步骤S7中,将旱田作物和水田作物的归一化植被指数与旱田作物和水田作物的归一化植被指数均值进行标准化处理,以获取被监测区基准年旱田作物和水田作物进行同一量级比较的植被指数,获取标准化植被指数,包括:
式中,NDVIstd为标准化植被指数,NDVI为归一化植被指数,NDVImean为归一化植被指数均值。
上述步骤S8中,对标准化植被指数进行分级处理,获取不同等级的作物长势数据,包括:
采用自然断裂点分级方法对标准化植被指数进行分级处理,共分为15级,以获取作物长势数据。
上述步骤S9中,对作物长势数据与经预处理后的作物受灾后8-15天的监测数据进行比对,去除非受灾等级对应的作物区域,以获取作物受灾范围数据,包括:
将经预处理后的作物受灾后8-15天的监测数据采用假彩色方式显示,与作物长势数据进行比对,采用重分类的方法去除非受灾等级对应的作物区域,去除假彩色影像上代表作物正常生长的红色区域对应的所述作物长势数据的相关等级像元,以获取作物受灾范围数据。
上述步骤S10中,将作物受灾范围数据裁剪归一化植被指数,以获取受灾范围的归一化植被指数据,获取受灾作物归一化植被指数,包括:
以作物受灾范围数据为掩膜,裁剪经预处理后的归一化植被指数数据,以获取受灾范围的归一化植被指数据,获取受灾作物归一化植被指数。
上述步骤S11中,对受灾作物归一化植被指数进行分级处理,获取农业洪涝监测数据,包括:
采用自然断裂点分级方法对所述受灾作物归一化植被指数进行分级,共分为10级,1级为受灾最严重,逐级减轻,以获取农业洪涝监测数据。
如图2-4所示,以下以黑龙江省鹤岗市绥滨县2018年7月25日至7月30日的内涝为更为具体的实施例,开展农业涝灾监测,具体实施方法按以下步骤进行:
步骤一:下载覆盖黑龙江省鹤岗市绥滨县2018年4月16日(裸土期)的Landsat-8数据、2018年5月18日(水田灌水期)的Landsat-8数据、2018年7月5日(作物生长期中期)的Landsat-8数据、2018年8月6日的Landsat-8数据,下载网址为http://ids.ceode.ac.cn/query.html;
步骤二:对Landsat-8数据进行波段叠加、融合、拼接、裁剪等预处理;
步骤三:利用面向对象法对覆盖黑龙江省鹤岗市绥滨县的2018年4月16日的Landsat-8数据和2018年7月5日的Landsat-8数据进行多尺度分割,2018年4月16日的影像数据可以较好地将耕地与林地、草地等植被区分开,2018年7月5日的影像数据可以较好地将耕地与未利用地、建筑用地区分开,再进行光谱差异分割,从而获得黑龙江省鹤岗市绥滨县耕地范围的分割效果。
进而利用非监督分类迭代自组织分析算法,以获取的黑龙江省鹤岗市绥滨县耕地范围为感兴趣区掩膜,对2018年4月16日和2018年7月5日两期遥感影像进行二次分类,可解决获取的耕地数据边界模糊的问题,获得较高精度的耕地范围数据。
上述分类方法无需人工过多参与,减少了人为干预造成的误差,且运算简单,适用于大数据量的聚类识别;
步骤四:选用2018年5月18日的Landsat-8数据,以步骤三中获取的耕地范围为感兴趣区掩膜,利用非监督分类迭代自组织分析算法区分旱田和水田,再进行矢量化,以获得黑龙江省鹤岗市绥滨县的旱田作物和水田作物矢量数据,并在矢量数据属性表中新建一列字段,对旱田作物和水田作物进行标注。
此时期黑龙江省鹤岗市绥滨县的水田区域灌水量较多,而其它旱地农作物还未播种,两种类型耕地光谱特征差异明显,容易区分;
步骤五:将步骤四的获取的黑龙江省鹤岗市绥滨县水田与旱田栅格数据矢量化,获取旱田作物与水田作物播种范围数据;
步骤七:构建植被指数标准化模型,为将归一化植被指数除以归一化植被指数均值,以进行标准化处理,获取黑龙江省鹤岗市绥滨县旱田作物和水田作物进行同一量级比较的植被指数,即标准化植被指数。式中,NDVIstd为标准化植被指数,NDVI为归一化植被指数,NDVImean为归一化植被指数均值。
步骤八:利用自然断裂点分级方法,对步骤七获得的标准化植被指数进行分级,共分为15个等级(此时1级为长势最差,逐级变好),获取黑龙江省鹤岗市绥滨县耕地范围内农作物的长势数据;
步骤九:农作物正常生长时在假彩色影像上的特征为红色,而当农作物遭受内涝时,植被由于外界胁迫导致叶绿体等细胞器功能下降,表现在光谱特征上为近红外反射率降低,红外反射率升高,归一化植被指数随之降低,并在假彩色影像显示为暗红色,与正常生长植被的光谱特征差异明显。依据这个原理,将2018年8月6日的Landsat-8数据以假彩色形式显示,并与步骤八获取的长势数据进行比对,去除假彩色影像上耕地范围内显示农作物正常生长区域对应的长势数据等级,保留的即为农作物遭受内涝的区域,以获得黑龙江省鹤岗市绥滨县内涝受灾范围数据;
步骤十:以步骤九获得的黑龙江省鹤岗市绥滨县内涝受灾范围数据为掩膜,裁剪归一化植被指数数据,以获得受灾作物植被指数数据;
步骤十一:采用自然断裂点分级方法,对步骤十获得的作物受灾植被指数数据进行分级,共分为10级,其中1级为受灾最严重,逐级减轻,最终获得黑龙江省鹤岗市绥滨县内涝监测数据,包含受灾范围、受灾面积、受灾程度等信息。
本发明实施例还提供了一种县域尺度农业洪涝监测系统,如图5所示,包括:
获取单元,用以分别采集覆盖被监测区同一年的裸土期、作物生长期中期、水田灌水期和作物受灾后8-15天的监测数据;所述监测数据均为中低空间分辨率监测数据;
预处理单元,连接所述获取单元,用以对所述被监测区同一年的裸土期、作物生长期中期、水田灌水期和作物受灾后8-15天的监测数据进行预处理,获取经预处理后的裸土期监测数据、作物生长期中期监测数据、水田灌水期监测数据和作物受灾后8-15天的监测数据;
耕地提取单元,连接所述预处理单元,用以对经预处理后的所述裸土期的监测数据和所述作物生长期中期的监测数据进行多尺度分割,获取耕地范围数据;
旱田作物和水田作物区分单元,连接所述预处理单元和所述耕地提取单元,用以采用非监督分类迭代自组织分析算法以所述耕地范围数据为掩膜对经预处理后的所述水田灌水期的监测数据进行分类,获取旱田作物范围数据和水田作物范围数据;
归一化植被指数计算单元,连接所述预处理单元和所述耕地提取单元,用以根据预处理后的作物受灾后8-15天的监测数据,计算作物成灾后的归一化植被指数;
归一化植被指数均值计算单元,连接所述旱田作物和水田作物区分单元与所述归一化植被指数计算单元,用以基于所述旱田作物范围数据和所述水田作物范围数据对所述归一化植被指数进行旱田作物和水田作物的归一化植被指数均值计算;
标准化单元,连接所述归一化植被指数计算单元和所述归一化植被指数均值计算单元,用以将所述旱田作物和水田作物的归一化植被指数与所述旱田作物和水田作物的归一化植被指数均值进行标准化处理,以获取被监测区基准年旱田作物和水田作物进行同一量级比较的植被指数,获取标准化植被指数;
长势分级单元,连接所述标准化单元,用以对所述标准化植被指数进行分级处理,获取不同等级的作物长势数据;包括:采用自然断裂点分级方法对所述标准化植被指数进行分级处理,共分为15级,以获取作物长势数据;
剔除单元,连接所述长势分级单元和所述预处理单元,用以对所述作物长势数据与经预处理后的作物受灾后8-15天的监测数据进行比对,去除非受灾等级对应的作物区域,以获取作物受灾范围数据;包括:将经预处理后的作物受灾后8-15天的监测数据采用假彩色方式显示,与所述作物长势数据进行比对,采用重分类的方法去除非受灾等级对应的作物区域,去除假彩色影像上代表作物正常生长的红色区域对应的所述作物长势数据的相关等级像元,以获取作物受灾范围数据;
受灾作物植被指数计算单元,连接所述剔除单元与所述归一化植被指数计算单元,用以将所述作物受灾范围数据裁剪所述归一化植被指数,以获取作物受灾范围的归一化植被指数据,获取受灾作物归一化植被指数;
灾害分级单元,连接所述受灾作物植被指数计算单元,用以对所述受灾作物归一化植被指数进行分级处理,获取农业洪涝监测数据。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种县域尺度农业洪涝监测方法,其特征在于,包括下述步骤:
S1.分别采集覆盖被监测区同一年的裸土期、作物生长期中期、水田灌水期和作物受灾后8-15天的监测数据;所述监测数据均为中低空间分辨率监测数据;
S2.对所述监测数据进行预处理;
S3.对经预处理后的所述裸土期的监测数据和所述作物生长期中期的监测数据进行多尺度分割,获取耕地范围数据;
S4.采用非监督分类迭代自组织分析算法以所述耕地范围数据为掩膜对经预处理后的所述水田灌水期的监测数据进行分类,获取旱田作物范围数据和水田作物范围数据;
S5.根据预处理后的作物受灾后8-15天的监测数据,计算作物成灾后的归一化植被指数;
S6.基于所述旱田作物范围数据和所述水田作物范围数据对所述归一化植被指数进行旱田作物和水田作物的归一化植被指数均值计算;
S7.将所述旱田作物和水田作物的归一化植被指数与所述旱田作物和水田作物的归一化植被指数均值进行标准化处理,以获取被监测区基准年旱田作物和水田作物进行同一量级比较的植被指数,获取标准化植被指数;
S8.对所述标准化植被指数进行分级处理,获取不同等级的作物长势数据,包括:
采用自然断裂点分级方法对所述标准化植被指数进行分级处理,共分为15级,以获取作物长势数据;
S9.对所述作物长势数据与经预处理后的作物受灾后8-15天的监测数据进行比对,去除非受灾等级对应的作物区域,以获取作物受灾范围数据,包括:
将经预处理后的作物受灾后8-15天的监测数据采用假彩色方式显示,与所述作物长势数据进行比对,采用重分类的方法去除非受灾等级对应的作物区域,去除假彩色影像上代表作物正常生长的红色区域对应的所述作物长势数据的相关等级像元,以获取作物受灾范围数据;
S10.将所述作物受灾范围数据裁剪所述归一化植被指数,以获取作物受灾范围的归一化植被指数据,获取受灾作物归一化植被指数;
S11.对所述受灾作物归一化植被指数进行分级处理,获取农业洪涝监测数据。
2.根据权利要求1所述的县域尺度农业洪涝监测方法,其特征在于,所述步骤S1中,所述裸土期、所述作物生长期中期、所述水田灌水期以及所述作物受灾后8-15天的监测数据采用高分一号WFV数据、HJ-1A/1B CCD数据、Landsat-8数据或Sentinel-2A数据。
3.根据权利要求2所述的县域尺度农业洪涝监测方法,其特征在于,所述步骤S2中,对所述监测数据进行预处理,包括:
当所述监测数据为高分一号WFV数据时,对所述监测数据进行预处理包括:对所述WFV数据依次进行辐射定标、大气校正、正射校正、自动配准、镶嵌、裁剪预处理;
当所述监测数据为HJ-1A/1B CCD数据时,对所述监测数据进行预处理包括:对所述HJ-1A/1B CCD数据依次进行辐射校正、大气校正、正射校正、自动配准、镶嵌、裁剪预处理;
当所述监测数据为Landsat-8数据时,对所述监测数据进行预处理包括:将所述Landsat-8数据的蓝波段、绿波段、红波段和近红外波段叠加,采用立体卷积法与全色波段进行融合处理,再进行镶嵌、裁剪预处理;
当所述监测数据为Sentinel-2A数据时,对所述监测数据进行预处理包括:将所述Sentinel-2A数据的蓝波段、绿波段、红波段和近红外波段分别进行格式转换,进行波段叠加处理,再进行镶嵌、裁剪预处理。
4.根据权利要求3所述的县域尺度农业洪涝监测方法,其特征在于,所述步骤S3中,对经预处理后的所述裸土期的监测数据和所述作物生长期中期的监测数据进行多尺度分割,获取耕地范围数据,包括:
S31.对经预处理后的所述裸土期的监测数据进行多尺度分割,获取分割数据;
S32.基于所述分割数据对所述作物生长期中期的监测数据进行多尺度分割,获取基础耕地范围数据;
S33.采用非监督分类迭代自组织分析算法以所述基础耕地范围数据为掩膜进行边缘锐化,获取耕地范围数据。
6.根据权利要求5所述的县域尺度农业洪涝监测方法,其特征在于,所述步骤S6中,基于所述旱田作物范围数据和所述水田作物范围数据对所述归一化植被指数进行旱田作物和水田作物的归一化植被指数均值计算,包括:
采用空间分析法,以旱田作物和水田作物为计算字段,分别计算所述旱田作物的归一化植被指数均值和所述水田作物的归一化植被指数均值。
8.根据权利要求7所述的县域尺度农业洪涝监测方法,其特征在于,所述步骤S10中,将所述作物受灾范围数据裁剪所述归一化植被指数,以获取作物受灾范围的归一化植被指数据,获取受灾作物归一化植被指数,包括:
以作物受灾范围数据为掩膜,裁剪经预处理后的所述归一化植被指数数据,以获取受灾范围的归一化植被指数据,获取受灾作物归一化植被指数。
9.根据权利要求8所述的县域尺度农业洪涝监测方法,其特征在于,所述步骤S11中,对所述受灾作物归一化植被指数进行分级处理,获取农业洪涝监测数据,包括:
采用自然断裂点分级方法对所述受灾作物归一化植被指数进行分级,共分为10级,1级为受灾最严重,逐级减轻,以获取农业洪涝监测数据。
10.一种县域尺度农业洪涝监测系统,其特征在于,该系统包括:
获取单元,用以分别采集覆盖被监测区同一年的裸土期、作物生长期中期、水田灌水期和作物受灾后8-15天的监测数据;所述监测数据均为中低空间分辨率监测数据;
预处理单元,连接所述获取单元,用以对所述被监测区同一年的裸土期、作物生长期中期、水田灌水期和作物受灾后8-15天的监测数据进行预处理,获取经预处理后的裸土期监测数据、作物生长期中期监测数据、水田灌水期监测数据和作物受灾后8-15天的监测数据;
耕地提取单元,连接所述预处理单元,用以对经预处理后的所述裸土期的监测数据和所述作物生长期中期的监测数据进行多尺度分割,获取耕地范围数据;
旱田作物和水田作物区分单元,连接所述预处理单元和所述耕地提取单元,用以采用非监督分类迭代自组织分析算法以所述耕地范围数据为掩膜对经预处理后的所述水田灌水期的监测数据进行分类,获取旱田作物范围数据和水田作物范围数据;
归一化植被指数计算单元,连接所述预处理单元和所述耕地提取单元,用以根据预处理后的作物受灾后8-15天的监测数据,计算作物成灾后的归一化植被指数;
归一化植被指数均值计算单元,连接所述旱田作物和水田作物区分单元与所述归一化植被指数计算单元,用以基于所述旱田作物范围数据和所述水田作物范围数据对所述归一化植被指数进行旱田作物和水田作物的归一化植被指数均值计算;
标准化单元,连接所述归一化植被指数计算单元和所述归一化植被指数均值计算单元,用以将所述旱田作物和水田作物的归一化植被指数与所述旱田作物和水田作物的归一化植被指数均值进行标准化处理,以获取被监测区基准年旱田作物和水田作物进行同一量级比较的植被指数,获取标准化植被指数;
长势分级单元,连接所述标准化单元,用以对所述标准化植被指数进行分级处理,获取不同等级的作物长势数据;包括:采用自然断裂点分级方法对所述标准化植被指数进行分级处理,共分为15级,以获取作物长势数据;
剔除单元,连接所述长势分级单元和所述预处理单元,用以对所述作物长势数据与经预处理后的作物受灾后8-15天的监测数据进行比对,去除非受灾等级对应的作物区域,以获取作物受灾范围数据;包括:将经预处理后的作物受灾后8-15天的监测数据采用假彩色方式显示,与所述作物长势数据进行比对,采用重分类的方法去除非受灾等级对应的作物区域,去除假彩色影像上代表作物正常生长的红色区域对应的所述作物长势数据的相关等级像元,以获取作物受灾范围数据;
受灾作物植被指数计算单元,连接所述剔除单元与所述归一化植被指数计算单元,用以将所述作物受灾范围数据裁剪所述归一化植被指数,以获取作物受灾范围的归一化植被指数据,获取受灾作物归一化植被指数;
灾害分级单元,连接所述受灾作物植被指数计算单元,用以对所述受灾作物归一化植被指数进行分级处理,获取农业洪涝监测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910345435.2A CN110059890B (zh) | 2019-04-26 | 2019-04-26 | 县域尺度农业洪涝监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910345435.2A CN110059890B (zh) | 2019-04-26 | 2019-04-26 | 县域尺度农业洪涝监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059890A CN110059890A (zh) | 2019-07-26 |
CN110059890B true CN110059890B (zh) | 2020-08-25 |
Family
ID=67321159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910345435.2A Active CN110059890B (zh) | 2019-04-26 | 2019-04-26 | 县域尺度农业洪涝监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059890B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399860B (zh) * | 2019-08-02 | 2021-04-09 | 吉林高分遥感应用研究院有限公司 | 一种玉米涝灾监测方法及系统 |
CN111008941B (zh) * | 2019-11-29 | 2023-10-24 | 中国农业科学院农业资源与农业区划研究所 | 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7702597B2 (en) * | 2004-04-20 | 2010-04-20 | George Mason Intellectual Properties, Inc. | Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters |
CN106780091B (zh) * | 2016-12-30 | 2020-11-06 | 中国科学院东北地理与农业生态研究所 | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 |
CN109211791B (zh) * | 2018-08-10 | 2020-09-22 | 北京观微科技有限公司 | 作物长势监测方法及系统 |
CN109272460A (zh) * | 2018-08-29 | 2019-01-25 | 北京观微科技有限公司 | 水田信息提取方法及系统 |
-
2019
- 2019-04-26 CN CN201910345435.2A patent/CN110059890B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110059890A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020101054A4 (en) | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV | |
Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
CN105740759B (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
CN113009485A (zh) | 一种基于改进植被指数的遥感烟田识别方法 | |
CN112102312B (zh) | 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法 | |
CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
CN110059890B (zh) | 县域尺度农业洪涝监测方法及系统 | |
CN116029860B (zh) | 基于gis的智慧农业种植区域规划辅助决策系统 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
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 | |
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 | |
CN112712038A (zh) | 基于多光谱卫星影像监测小麦倒伏状况的方法及系统 | |
CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
CN114581768A (zh) | 一种作物倒伏无人机监测方法及装置 | |
CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
CN115272860A (zh) | 一种水稻种植区的确定方法、系统、电子设备及存储介质 | |
CN110598514B (zh) | 一种土地整治项目区地块尺度农作物播种面积监测方法 | |
Sabzchi-Dehkharghani et al. | Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing | |
CN107330801A (zh) | 一种冬小麦种植比例的计算方法及装置 | |
CN110991714A (zh) | 一种农作物倒伏灾情监测方法及系统 | |
Sun et al. | Monitoring rice lodging grade via Sentinel-2A images based on change vector analysis | |
CN115035423B (zh) | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 | |
CN115631419A (zh) | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 |
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 |