CN110119717A - 一种基于时序ndvi与lst的农作物分类方法 - Google Patents
一种基于时序ndvi与lst的农作物分类方法 Download PDFInfo
- Publication number
- CN110119717A CN110119717A CN201910402153.1A CN201910402153A CN110119717A CN 110119717 A CN110119717 A CN 110119717A CN 201910402153 A CN201910402153 A CN 201910402153A CN 110119717 A CN110119717 A CN 110119717A
- Authority
- CN
- China
- Prior art keywords
- lst
- time series
- alst
- ndvi
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Abstract
本发明公开了一种基于时序NDVI与LST的农作物分类方法,包括如下步骤:步骤1)获取含有红光波段、近红外波段和热红外波段的遥感影像数据,构建覆盖农作物生长周期的遥感影像时间序列,并计算得到NDVI时间序列和LST时间序列;步骤2)为了增强不同农作物间的差异,针对步骤1)中每一期LST,先计算LST的均值LSTmean,然后利用均值进行调整(公式为ALST(i,j)=LST(i,j)‑LSTmean,式中i,j分别为每个像元的行号和列号),最后将调整后的所有ALST按照时间顺序叠加在一起,形成ALST时间序列;步骤3)通过实地调查或历史图件,获取农作物样本数据;步骤4)以NDVI时间序列、ALST时间序列以及样本数据作为输入,采用随机森林分类器,对研究区的农作物进行分类,形成农作物分类结果图。
Description
技术领域
本发明是一项农作物遥感精细分类技术,提出了一种基于时序NDVI与LST的农作物分类方法,充分利用NDVI时间序列和LST时间序列能够反应不同农作物的生长特点,有效提高农作物精细分类的精度,为农作物精细分类提供了一种新思路。
背景技术
准确的农作物空间分布是农作物长势监测、农作物产量估算的重要基础,是国家制定粮食规划和经济政策的重要依据。传统的农作物监测方法多为区域调查,耗费大量人力、物力和财力,并且很难及时获得大面积的农作物信息。遥感凭借其速度快、范围广等特点被广泛应用于农作物分类,获取农作物的空间分布。
农作物类型多样、种植结构复杂,农业土地系统往往由一种或多种农作物通过连作、轮作、间种与套种等种植模式组合形成的种植结构。受“同物异谱和异物同谱”现象、混合像元效应等影响,农作物遥感识别比自然植被(林地和草地)更为复杂,单纯依靠光谱特征进行农作物提取,经常会出现“错分、漏分”的现象,难以达到预期效果。由于不同作物具有特定的生长规律和物候特征,不同生长时期的同一农作物其光谱特征不同,同一生长期的不同农作物光谱也具有差异。因此,时间序列遥感已逐步应用于农作物提取,这种方法充分利用了农作物的生长规律和物候特征。目前,归一化植被指数( Normalized DifferenceVegetation Index, NDVI )时间序列数据,广泛应用于农作物分类,这种方法能够较好地反映植被物候信息,有效削弱“同物异谱,同谱异物”现象,较为流行的方法是基于MODIS、NOAA/AVHRR的NDVI时间序列数据,但由于影像空间分辨率较低,农作物分类精度有限。随着遥感数据源的不断丰富,目前中、高分辨率影像时间序列的构建逐步成为热点,而且高分辨率NDVI时间序列已经应用于农作物分类。然而,NDVI数值容易饱和,对高植被密度区敏感性降低,从而影响农作物的分类精度。
不同农作物由于其叶子大小、稠密的差异,蒸腾能力会有所差异,从而导致农作物冠层的温度差异。在地表温度(Land Surface Temperature,LST)信息的获取方面,遥感技术已经非常成熟。因此,本专利充分利用遥感数据的光谱信息和温度信息,提出了一种基于时序NDVI与LST的农作物分类方法,提升农作物的分类精度。
发明内容
本发明提出了一种基于时序NDVI与LST的农作物分类方法,充分利用农作物在生长过程中,不同农作物冠层的光谱特征及温度特征的差异,有效提升了农作物遥感分类的精度。该估算方法包括如下步骤:
步骤一:获取含有红光波段、近红外波段和热红外波段的遥感影像数据,构建覆盖农作物生长周期的遥感影像时间序列,并计算得到NDVI时间序列和LST时间序列;步骤二:为了增强不同农作物间的差异,将LST时间序列中的每一期LST进行调整,构建ALST(AdjustLand Surface Temperature)时间序列;步骤三:通过实地调查或历史图件,获取农作物样本数据;步骤四:以NDVI时间序列、ALST时间序列以及样本数据作为输入,采用随机森林分类器,对研究区的农作物进行分类,形成农作物分类结果图。
进一步地,所述步骤二中的每一期LST的调整方法为,首先计算该期LST的均值LSTmean,然后利用均值进行调整,公式为ALST(i,j)=LST(i,j) - LSTmean,式中i,j分别为每个像元的行号和列号。
附图说明
图1为基于时序NDVI与LST的农作物分类方法流程图。
图2为农作物分类结果图。
具体实施方式
下面结合实例对本发明“一种基于时序NDVI与LST的农作物分类方法”作进一步说明,按照实施流程(如图1所示),详细实施细节如下。
步骤一:以美国堪萨斯州巴顿县为实验区,实验区的农作物主要为玉米、苜蓿、大豆、冬小麦和高粱。获取了覆盖实验区2016年6月-12月期间的Landsat-8卫星影像(每月一期),利用这7期Landsat-8的OLI地表反射率数据分别提取NDVI。NDVI计算方法如下所示:
NDVI=(NDVI-R)⁄(NDVI+R)
其中,NIR代表近红外波段反射率,R代表红光波段反射率。
将7个时相的NDVI按照时间顺序叠加在一起形成NDVI时间序列。
同时,利用这7期Landsat-8的TIRS数据分别提取LST,并将7个时相的LST按照时间顺序叠加在一起形成LST时间序列。
步骤二:为了增强不同农作物间的差异,将以上LST时间序列中的每一期LST进行调整。针对每一期LST,先计算该期LST的均值LSTmean,然后利用均值进行调整,公式为ALST(i,j)=LST(i,j) - LSTmean,式中i,j分别为每个像元的行号和列号。将调整后的7期ALST按照时间顺序叠加在一起,形成ALST时间序列。
步骤三:从网站(http://www.nass.usda.gov/research/Cropland/SARS1a.htm)下载美国农业部制作的实验区2016年农作物分类图,获取农作物样本数据。
步骤四:以NDVI时间序列、ALST时间序列以及训练样本数据作为输入,采用随机森林分类器,对实验区的农作物进行分类,形成农作物分类结果图(图2),经验证其总体精度达到96%。
Claims (1)
1.一种基于时序NDVI与LST的农作物分类方法,该方法包括如下步骤:步骤1)获取含有红光波段、近红外波段和热红外波段的遥感影像数据,构建覆盖农作物生长周期的遥感影像时间序列,并计算得到NDVI时间序列和LST时间序列;步骤2)为了增强不同农作物间的差异,针对步骤1)中每一期LST,先计算LST的均值LSTmean,然后利用均值进行调整(公式为ALST(i,j)=LST(i,j) - LSTmean,式中i,j分别为每个像元的行号和列号),最后将调整后的所有ALST按照时间顺序叠加在一起,形成ALST时间序列;步骤3)通过实地调查或历史图件,获取农作物样本数据;步骤4)以NDVI时间序列、ALST时间序列以及样本数据作为输入,采用随机森林分类器,对研究区的农作物进行分类,形成农作物分类结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910402153.1A CN110119717A (zh) | 2019-05-15 | 2019-05-15 | 一种基于时序ndvi与lst的农作物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910402153.1A CN110119717A (zh) | 2019-05-15 | 2019-05-15 | 一种基于时序ndvi与lst的农作物分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110119717A true CN110119717A (zh) | 2019-08-13 |
Family
ID=67522522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910402153.1A Pending CN110119717A (zh) | 2019-05-15 | 2019-05-15 | 一种基于时序ndvi与lst的农作物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119717A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532967A (zh) * | 2019-09-02 | 2019-12-03 | 中国科学院遥感与数字地球研究所 | 一种基于哨兵1号rvi时间序列的农作物分类方法 |
CN111382724A (zh) * | 2020-04-01 | 2020-07-07 | 宿迁学院 | 一种基于ndvi时间序列复杂赫斯特的耐低温植物识别方法 |
CN111523525A (zh) * | 2020-07-02 | 2020-08-11 | 航天宏图信息技术股份有限公司 | 农作物分类识别方法、装置和电子设备 |
CN111860149A (zh) * | 2020-06-11 | 2020-10-30 | 中科禾信遥感科技(苏州)有限公司 | 越冬油菜和小麦遥感识别方法与装置 |
CN111950361A (zh) * | 2020-07-07 | 2020-11-17 | 内蒙古农业大学 | 一种基于单时序ndvi的甜菜识别方法 |
CN113159154A (zh) * | 2021-04-12 | 2021-07-23 | 浙江工业大学 | 一种面向农作物分类的时间序列特征重建及动态识别方法 |
CN113642464A (zh) * | 2021-08-13 | 2021-11-12 | 福州大学 | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 |
CN114067158A (zh) * | 2021-11-17 | 2022-02-18 | 江苏天汇空间信息研究院有限公司 | 应用多源遥感数据的农田使用状态的监测系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404873A (zh) * | 2015-11-30 | 2016-03-16 | 中国科学院遥感与数字地球研究所 | 一种基于ndvi时间序列坐标转换的冬小麦识别方法 |
-
2019
- 2019-05-15 CN CN201910402153.1A patent/CN110119717A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404873A (zh) * | 2015-11-30 | 2016-03-16 | 中国科学院遥感与数字地球研究所 | 一种基于ndvi时间序列坐标转换的冬小麦识别方法 |
Non-Patent Citations (3)
Title |
---|
余涛 等: "一种基于植被指数-地表温度特征空间的蒸散指数", 《干旱区地理》 * |
商宏涛 等: "基于SSAE深度学习特征表示的高光谱遥感图像分类方法", 《计算机测量与控制》 * |
杨闫君 等: "基于 GF-1/WFV NDVI时间序列数据的作物分类", 《农业工程学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532967A (zh) * | 2019-09-02 | 2019-12-03 | 中国科学院遥感与数字地球研究所 | 一种基于哨兵1号rvi时间序列的农作物分类方法 |
CN111382724A (zh) * | 2020-04-01 | 2020-07-07 | 宿迁学院 | 一种基于ndvi时间序列复杂赫斯特的耐低温植物识别方法 |
CN111860149A (zh) * | 2020-06-11 | 2020-10-30 | 中科禾信遥感科技(苏州)有限公司 | 越冬油菜和小麦遥感识别方法与装置 |
CN111860149B (zh) * | 2020-06-11 | 2024-01-12 | 中科禾信遥感科技(苏州)有限公司 | 越冬油菜和小麦遥感识别方法与装置 |
CN111523525A (zh) * | 2020-07-02 | 2020-08-11 | 航天宏图信息技术股份有限公司 | 农作物分类识别方法、装置和电子设备 |
CN111950361A (zh) * | 2020-07-07 | 2020-11-17 | 内蒙古农业大学 | 一种基于单时序ndvi的甜菜识别方法 |
CN113159154A (zh) * | 2021-04-12 | 2021-07-23 | 浙江工业大学 | 一种面向农作物分类的时间序列特征重建及动态识别方法 |
CN113159154B (zh) * | 2021-04-12 | 2024-03-29 | 浙江工业大学 | 一种面向农作物分类的时间序列特征重建及动态识别方法 |
CN113642464A (zh) * | 2021-08-13 | 2021-11-12 | 福州大学 | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 |
CN113642464B (zh) * | 2021-08-13 | 2023-09-15 | 福州大学 | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 |
CN114067158A (zh) * | 2021-11-17 | 2022-02-18 | 江苏天汇空间信息研究院有限公司 | 应用多源遥感数据的农田使用状态的监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119717A (zh) | 一种基于时序ndvi与lst的农作物分类方法 | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
Ozdogan et al. | A new methodology to map irrigated areas using multi-temporal MODIS and ancillary data: An application example in the continental US | |
Rud et al. | Crop water stress index derived from multi-year ground and aerial thermal images as an indicator of potato water status | |
Fischer et al. | Spatiotemporal variations in growing season exchanges of CO 2, H 2 O, and sensible heat in agricultural fields of the Southern Great Plains | |
CN104457626B (zh) | 一种基于激光雷达点云技术的植物叶面积指数测定方法 | |
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
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 | |
CN105372672B (zh) | 基于时间序列数据的南方冬种作物种植面积提取方法 | |
CN110414738A (zh) | 一种农作物产量预测方法及系统 | |
CN110532967A (zh) | 一种基于哨兵1号rvi时间序列的农作物分类方法 | |
Cao et al. | Mapping paddy rice using Landsat time series data in the Ganfu Plain irrigation system, Southern China, from 1988− 2017 | |
CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
Yonah et al. | Unmanned aerial vehicle-based remote sensing in monitoring smallholder, heterogeneous crop fields in Tanzania | |
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 | |
Zhuo et al. | Integrating remotely sensed water stress factor with a crop growth model for winter wheat yield estimation in the North China Plain during 2008–2018 | |
Xavier et al. | Monitoring leaf area index at watershed level through NDVI from Landsat-7/ETM+ data | |
CN112257531B (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
Jiang et al. | Desertification in the south Junggar Basin, 2000–2009: Part I. Spatial analysis and indicator retrieval | |
Jing-Feng et al. | Rice yield estimation using remote sensing and simulation model | |
Jia et al. | Fractional vegetation cover estimation based on soil and vegetation lines in a corn-dominated area | |
Wittamperuma et al. | Remote-sensing-based biophysical models for estimating LAI of irrigated crops in Murry darling basin | |
Tofigh et al. | A comparison of actual evapotranspiration estimates based on Remote Sensing approaches with a classical climate data driven method | |
Gomez et al. | Sentinel-2 images to assess soil surface characteristics over a rainfed Mediterranean cropping system | |
Richter et al. | Plant growth monitoring and potential drought risk assessment by means of Earth observation data |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190813 |