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 PDF

Info

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
Application number
CN201910402153.1A
Other languages
English (en)
Inventor
占玉林
陈昕然
顾行发
余涛
杨健
臧文乾
黄祥志
李娟�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Research Institute Of Space Information (langfang) Of China Science
Zhongke Satellite Application Deqing Research Institute
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Research Institute Of Space Information (langfang) Of China Science
Zhongke Satellite Application Deqing Research Institute
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Research Institute Of Space Information (langfang) Of China Science, Zhongke Satellite Application Deqing Research Institute, Institute of Remote Sensing and Digital Earth of CAS filed Critical Research Institute Of Space Information (langfang) Of China Science
Priority to CN201910402153.1A priority Critical patent/CN110119717A/zh
Publication of CN110119717A publication Critical patent/CN110119717A/zh
Pending legal-status Critical Current

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

一种基于时序NDVI与LST的农作物分类方法
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。
CN201910402153.1A 2019-05-15 2019-05-15 一种基于时序ndvi与lst的农作物分类方法 Pending CN110119717A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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