CN110245589A - 一种基于高分遥感影像的西北地区地膜信息综合分析方法 - Google Patents
一种基于高分遥感影像的西北地区地膜信息综合分析方法 Download PDFInfo
- Publication number
- CN110245589A CN110245589A CN201910460731.7A CN201910460731A CN110245589A CN 110245589 A CN110245589 A CN 110245589A CN 201910460731 A CN201910460731 A CN 201910460731A CN 110245589 A CN110245589 A CN 110245589A
- Authority
- CN
- China
- Prior art keywords
- mulch
- image
- class
- remote sensing
- farmland
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明专利提供一种基于高分遥感影像的西北地区地膜信息综合分析方法,是直接提取法和间接法的联合利用。本发明直接法利用遥感获得最佳监测时相内清晰的亚米级空间分辨率农田地膜卫星影像,采用基于监督分类和图像形态学的腐蚀膨胀算法,实现了农田地膜影像的自动识别、农田的分布情况和种植面积,能够实时监测农田地膜数据,提高了农田地膜空间分布和面积调查精度与效率。本发明针对大区域且无法对刚覆膜时间获取有效的影像数据情况,在提取出地膜和类地膜斑块的基础上通过影像分割、实地调查,将农作物分类,再通过作物覆膜特性,反推地膜覆盖面积。
Description
技术领域
本发明专利涉及一种基于高分遥感影像的西北地区地膜信息综合分析方法,尤其是大区域的地膜信息提取方法。
背景技术
传统的现场调查测量的监测方法,受天气影响大,耗费大量的人力物力,但仍然难以得到准确的监测结果。高分辨率遥感影像具有覆盖范围广、多时相、周期短等特点,在地膜提取工作中可以克服现场调查的不足。
刚覆膜的地块在遥感影像上具有明显的光谱特征。在监测范围小且集中的情况下,利用 ISO 聚类非监督分类、最大似然法、面向对象的分类方法等多种方法,结合人工目视判读进行对比分析,将覆膜地块提取出来,这种方法属于直接法。而当监测范围较大(如 10个行政县以上)且分布分散时,上述直接法存在的限制因素有:
1.影像上能体现地膜特征的时间段 10 天左右,在监测范围大且分散的情况下,卫星在短时间内难以获取到全覆盖数据。
2、由于农业种植的复杂性和多样性,不同县、不同乡之间的地膜铺设时间点不一定相同,同一张卫星影像上,不能保证所有需要覆膜的地块都已经铺设完成,需要基于时间序列影像,提取所有的覆膜地块,其合集为覆膜结果。这就需要生产大量卫星影像,相应的,需要大量的地膜覆盖范围提取工作。
3、多数经济作物(如大田蔬菜、甜叶菊等)种植的是已育好的苗,地膜被作物遮盖,此类经济作物地块体现的一直是作物的特征。
结合地膜提取工作的实际情况和外业核查,提出一种基于高分遥感影像的西北地区地膜信息提取方法。由于本方法和种植结构关系紧密,本方法的适用范围定在西北地区。目前利用遥感数据进行地膜信息提取的研究很少。
发明内容
为了克服基于影像光谱信息人工目视解译的传统提取方法中影像获取困难、数据处理及信息提取工作量大等缺陷,本发明提供一种基于高分遥感影像的西北地区地膜信息综合分析方法。
直接法基于获取到的影像数据,获得精细农田地膜空间分布图;间接法通过影像分割、特征计算、规则集提取、实地调查、人工综合判定,反推核算出农膜面积。
直接法:首先获取遥感影像数据中的地膜和类地膜的混合类图像;
优选地,采用腐蚀和膨胀算法去除所述混合类图像中的所述类地膜部分,获得粗略农田地膜空间分布图,所述粗略农田地膜空间分布图中含有破碎图斑;
优选地,采用腐蚀算法从所述粗略农田地膜空间分布图中剔除噪声破碎图斑,获得精细地膜分布图;
优选地,采用膨胀算法膨胀所述精细地膜分布图,获得初步提取分布图。
对所述遥感影像数据进行数据质量检查、图像特征点提取、影像匹配、空中三角测量与区域网平差操作,正射校正获得数字正射影图像;
根据所述数字正射影图像对遥感影像数据拼接,获得预处理遥感影像数据。获取遥感影像数据中的地膜和类地膜的混合类图像步骤具体包括:制定分类系统;选取所述遥感影像数据中的林地、草地、耕地、水地、建设用地作为训练样本;
优选地,采用最大似然分类方法进行分类,提取所述遥感影像数据中的地膜和类地膜的分类图像。
优选地,采用腐蚀和膨胀算法去除所述混合类图像中的类农田地膜部分,获得粗略农田地膜空间分布图步骤具体包括:单个农田地膜的覆盖宽度最大值为 Bmax,影像的分辨率为 S,T 为数值向上的取整运算,腐蚀的内核大小为 K,内核中的元素值为 1,腐蚀宽度为S×(K+1)/2;
优选地,采用腐蚀算法剔除掉所述混合类图像中的地膜的同时会将所述类地膜的边缘部分腐蚀,获得腐蚀后的类农田地膜用地;利用图像形态学中的膨胀工具对所述腐蚀后的类地膜用地进行膨胀操作,获得大面积类地膜用地分布图,所述膨胀操作中膨胀的内核大小和腐蚀的内核大小 K 值一致,所述内核中的元素值为 1;
优选地,采用腐蚀算法剔除掉混合类图像中的农田地膜后,剩余的图斑为类地膜用地,经过膨胀之后,得到的类地膜用地图斑为大面积类地膜用地图斑,将所述混合类图像与所述大面积类地膜用地分布图做差,剔除大面积类地膜用地图斑,获得地膜图斑和噪声图斑,所述噪声图斑表示小面积的除地膜以外的破碎图斑;根据所述地膜图斑和所述噪声图斑,获得精细农田地膜空间分布图。优选地,采用腐蚀算法从所述粗略地膜空间分布图中剔除破碎图斑,获得精细农田地膜分布图,具体包括:单个农田地膜的覆盖宽度最小值为 Bmin,影像的分辨率为 S,腐蚀的内核大小 K′, T′为数值向上的取整运算,内核中的所有元素值为 1,腐蚀宽度为 S×(K′+1)/2;
优选地,采用腐蚀算法剔除掉所述混合类图像中破碎噪声图斑,同时所述地膜的边缘部分区域也被腐蚀了,获得腐蚀地膜;对所述腐蚀地膜进行膨胀处理,获得精细农田地膜分布图,所述膨胀处理的膨胀内核的大小和腐蚀的内核大小相同,内核中所有元素值也设置为 1。
优选地,采用膨胀算法膨胀所述精细地膜分布图,获得初步提取分布图中的膨胀的内核大小具体包括:相邻覆盖地膜间的最大间距为 Dmax,影像的分辨率为 S,膨胀的内核大小为 Kn,Tn 为数值向上的取整运算,内核中所有元素值为 1。
间接法中影像分割方法步骤为:
a、选取高分遥感影像,选择 RGB 三波段并进行拉伸处理,采用同等组滤波方法对影像进行平滑处理,能够有效移除噪声,并且能在边缘和细节不模糊的情况下平滑彩色图像;同时利用获得的同等组得到矢量量化过程中的权重信息;
b、利用 Mean Shift 算法对图像中的像素进行聚类,即把收敛到同一点的起始点归为一类,然后把这一类的标号赋给这些起始点,同时把包含像素点太少的类去掉;然后,采用阈值化分割的方法对图像进行二值化处理,实现影像的初步分割结果;
c、针对初步分割结果,计算不同分割标准(光谱、纹理、形状等)下的不同类别对象的异质性和同类别对象的同质性,调整分割尺度,当同类别对象间的同质性和不同类别对象间的异质性达到最大值时,我们得到影像的最优分割尺度;
d、经过同等组滤波的遥感影像进行颜色量化,得到类图,再计算影像在不同分割标准下的异质性 H,对于初始分割的区域,每一个区域与多个区域相邻,区域与区域间是多对多的关系,得到区域邻接图 RAG;
e、对初始分割后的影像,根据某一分割标准下的异质性 H 排序,选取 H 最小的作为种子区域 A 进行合并,合并后更新 A 的拓扑关系,并重新计算异质性;重复此过程,直至异质性 H 达到步骤 3 中所计算的最优分割尺度的异质性值,进入下一分割标准的计算;
f、最终得到多尺度的影像分割结果。
间接法所述实地调查是将遥感影像进行初步分割之后,根据分类情况按比例选取易混淆地块和已明确分割地块作为实地调查样方,调查结果部分作为进一步分类的参考样本,部分作为成果精度检查的核查样本;实地核查的主要内容包括县级农作物空间分布及覆膜情况、自然地块边界核实、作物类别核实;
所述县级农作物空间分布及覆膜情况包括:标识县级单位主要农作物的种植空间分布规律、作物种类及各种作物覆膜比例、覆膜收膜时间,并通过访谈等形式了解当地种植习惯,记录地形、区位等因素对作物分布和覆膜情况的影响;
所述自然地块边界核实包括:自然地块在调查开始前已在室内完成以两米级遥感影像为基础的边界细分工作,实地调查中只需要进行核实;
所述作物类别核实包括:实地调查取得的每个县所选取样方压盖(与样方相交的每一个自然地块)的地物信息情况,并按照要求拍摄地物照片;
所述人工综合判定是将易混淆地块无法通过特征计算直接进行分类,需要依靠多时相影像的对比、波段组合分析、地形分析、实地调查数据参考等多种手段人工综合分析。
间接法农膜面积核算:首选要地物类别划分,影像经过初步分割能够直接提取出部分覆膜地块,同时能够划分出部分特征明显的作物类别,确定部分通过是实地调查和人工综合分析判断出地物类别。公式:农膜面积=确定覆膜地块面积+Σ(植被面积(不确定是否覆膜地块)i*覆膜率 i)。
本发明有益效果:本发明公开了一种基于高分遥感影像的西北地区地膜信息综合分析方法,在于直接法和间接法的联合利用。大范围监测地膜情况时,部分区域能直接提取农田地膜信息,无法直接提取的区域就采取间接法提取。直接法利用遥感获得最佳监测时相内清晰的亚米级空间分辨率农田地膜影像,采用基于监督分类和图像形态学的腐蚀膨胀算法,实现了农田地膜影像的自动识别、农田的分布情况和种植面积,能够实时监测农田地膜数据,提高了农田地膜空间分布和面积调查精度与效率。
本发明间接法针对大区域且无法对刚覆膜时间获取有效的影像数据情况,通过影像分割、实地调查,将农作物分类,再通过作物覆膜特性,反推地膜覆盖面积。本发明方法适用于当监测范围较大(如 10 个行政县以上)且分布分散的西北区域,同时克服了传统的基于像元特征影像分割结果分类精度低,空间数据的大量冗余,并且其分类结果常常是椒盐图像,不利于进行空间分析等缺陷。本发明加入了地面调查环节,结合地面情况和遥感影像,对不能确定的对象,辅以人工综合判定,提高了工作效率和提取结果精度。
说明书附图
图1 农田地膜提取技术路线。
具体实施方式
实施例:本实施例提供一种基于高分遥感影像的西北地区地膜信息综合分析方法,其步骤包括:提取地膜和类地膜地块、影像获取分割与规则集提取、特征计算、实地调查、人工综合判定、农膜面积核算等。首先进行数据预处理,同时收集各县种植结构、覆膜情况,以西北民乐县为例收集情况如下表。(从西北各县情况来看,小麦(包括小麦、大麦、春小麦、冬小麦)均不覆膜,小麦的生长期和其他作物有明显差异,可通过 NDVI 值将小麦分开。
表 1 西北某县种植结构表:
表 2 分类样本表:
表 3 分类精度:
影像获取、分割、规则集提取
首先获取遥感影像数据中的地膜和类地膜的混合类图像;采用腐蚀和膨胀算法去除所述混合类图像中的所述类地膜部分,获得粗略农田地膜空间分布图,所述粗略农田地膜空间分布图中含有破碎图斑;采用腐蚀算法从所述粗略农田地膜空间分布图中剔除噪声破碎图斑,获得精细地膜分布图;采用膨胀算法膨胀所述精细地膜分布图,获得初步提取分布图。
对所述遥感影像数据进行数据质量检查、图像特征点提取、影像匹配、空中三角测量与区域网平差、正射校正获得数字正射影图像;根据所述数字正射影图像对遥感影像数据拼接,获得预处理遥感影像数据。
获取遥感影像数据中的地膜和类地膜的混合类图像步骤具体包括:制定分类系统;选取所述遥感影像数据中的林地、草地、耕地、水地、建设用地作为训练样本;
间接法中影像分割方法步骤为:
a、选取高分遥感影像,选择 RGB 三波段并进行拉伸处理,采用同等组滤波方法对影像进行平滑处理,能够有效移除噪声,并且能在边缘和细节不模糊的情况下平滑彩色图像;同时利用获得的同等组得到矢量量化过程中的权重信息;
b、利用 Mean Shift 算法对图像中的像素进行聚类,即把收敛到同一点的起始点归为一类,然后把这一类的标号赋给这些起始点,同时把包含像素点太少的类去掉;然后,采用阈值化分割的方法对图像进行二值化处理,实现影像的初步分割结果;
c、针对初步分割结果,计算不同分割标准(光谱、纹理、形状等)下的不同类别对象的异质性和同类别对象的同质性,调整分割尺度,当同类别对象间的同质性和不同类别对象间的异质性达到最大值时,我们得到影像的最优分割尺度;
d、经过同等组滤波的遥感影像进行颜色量化,得到类图,再计算影像在不同分割标准下的异质性 H,对于初始分割的区域,每一个区域与多个区域相邻,区域与区域间是多对多的关系,得到区域邻接图RAG。
e、对初始分割后的影像,根据某一分割标准下的异质性 H 排序,选取 H 最小的作为种子区域 A 进行合并,合并后更新 A 的拓扑关系,并重新计算异质性;重复此过程,直至异质性 H 达到步骤c中所计算的最优分割尺度的异质性值,进入下一分割标准的计算;
f、最终得到多尺度的影像分割结果。
间接法所述实地调查是将遥感影像进行初步分割之后,根据分类情况按比例选取易混淆地块和已明确分割地块作为实地调查样方,调查结果部分作为进一步分类的参考样本,部分作为成果精度检查的核查样本;实地核查的主要内容包括县级农作物空间分布及覆膜情况、自然地块边界核实、作物类别核实;
所述县级农作物空间分布及覆膜情况包括:标识县级单位主要农作物的种植空间分布规律、作物种类及各种作物覆膜比例、覆膜收膜时间,并通过访谈等形式了解当地种植习惯,记录地形、区位等因素对作物分布和覆膜情况的影响;
所述自然地块边界核实包括:自然地块在调查开始前已在室内完成以两米级遥感影像为基础的边界细分工作,实地调查中只需要进行核实;
所述作物类别核实包括:实地调查取得的每个县所选取样方压盖(与样方相交的每一个自然地块)的地物信息情况,并按照要求拍摄地物照片;
所述人工综合判定是将易混淆地块(无法通过特征计算直接进行分类),依靠多时相影像的对比、波段组合分析、地形分析、实地调查数据参考等多种手段进行人工综合分析。
间接法农膜面积核算:首选要地物类别划分,影像经过初步分割能够直接提取出部分覆膜地块,同时能够划分出部分特征明显的作物类别,确定部分通过是实地调查和人工综合分析判断出地物类别。公式:农膜面积=确定覆膜地块面积+Σ(植被面积(不确定是否覆膜地块)i*覆膜率i)。
从表 3 看出,支持向量及不同核函数在地膜覆盖农田遥感监测精度都较理想,总体精度都高于92 .7%( SVM-S),对地膜覆盖农田来讲,制图精度都高于 89 .99%( SVM-S),用户精度高于89 .56%( SVM-S)。其中最高总体精度达 93 .57%( SVM-L 线性核函数),最高制图精度和用户精度达 90 .38%( SVM-L)。
以上所述仅为本发明的较佳实施例而已,并非用以限定本发明的实质技术内容范围,本发明的实质技术内容是广义地定义于申请的权利要求范围中,任何他人完成的技术实体或方法,若是与申请的权利要求范围所定义的完全相同,也或是一种等效的变更,均将被视为涵盖于该权利要求范围之中。
Claims (9)
1.一种基于高分遥感影像的西北地区地膜信息综合分析方法,其特征在于包括:直接法基于获取到的影像数据,获得农田地膜空间分布图;间接法通过影像分割、特征计算、规则集提取、实地调查、人工综合判定,反推核算出农膜面积。
2.根据权利要求 1 所述的一种基于高分遥感影像的西北地区地膜信息综合分析方法,特征在于,直接法包括步骤:
首先获取遥感影像数据中的地膜和类地膜的混合类图像;
采用腐蚀和膨胀算法去除所述混合类图像中的所述类地膜部分,获得粗略农田地膜空间分布图,所述粗略农田地膜空间分布图中含有破碎图斑;
采用腐蚀算法从所述粗略农田地膜空间分布图中剔除噪声破碎图斑,获得精细地膜分布图;采用膨胀算法膨胀所述精细地膜分布图,获得初步提取分布图。
3.根据权利要求 2所述的一种基于高分遥感影像的西北地区地膜信息综合分析方法,其特征在于, 对所述遥感影像数据进行数据质量检查、图像特征点提取、影像匹配、空中三角测量与区域网平差操作,正射校正获得数字正射影图像;根据所述数字正射影图像对遥感影像数据拼接,获得预处理遥感影像数据。
4.根据权利要求 2 所述的一种基于高分遥感影像的西北地区地膜信息综合分析方法,其特征在于,获取遥感影像数据中的地膜和类地膜的混合类图像步骤具体包括:制定分类系统;选取所述遥感影像数据中的林地、草地、耕地、水地、建设用地作为训练样本;采用最大似然分类方法进行分类,提取所述卫星影像数据中的地膜和类地膜的分类图像。
5.根据权利要求 2所述的一种基于高分遥感影像的西北地区地膜信息综合分析方法,其特征在于,采用腐蚀和膨胀算法去除所述混合类图像中的类农田地膜部分,获得粗略农田地膜空间分布图步骤具体包括:单个农田地膜的覆盖宽度最大值为 Bmax,影像的分辨率为 S,T 为数值向上的取整运算,腐蚀的内核大小为 K,内核中的元素值为 1,腐蚀宽度为S×(K+1)/2;采用腐蚀算法剔除掉所述混合类图像中的地膜的同时会将所述类地膜的边缘部分腐蚀,获得腐蚀后的类农田地膜用地;利用图像形态学中的膨胀工具对所述腐蚀后的类地膜用地进行膨胀操作,获得大面积类地膜用地分布图,所述膨胀操作中膨胀的内核大小和腐蚀的内核大小 K 值一致,所述内核中的元素值为 1;采用腐蚀算法剔除掉混合类图像中的农田地膜后,剩余的图斑为类地膜用地,经过膨胀之后,得到的类地膜用地图斑为大面积类地膜用地图斑,将所述混合类图像与所述大面积类地膜用地分布图做差,剔除大面积类地膜用地图斑,获得地膜图斑和噪声图斑,所述噪声图斑表示小面积的除地膜以外的破碎图斑;根据所述地膜图斑和所述噪声图斑,获得精细农田地膜空间分布图。
6.根据权利要求 5所述的一种基于高分遥感影像的西北地区地膜信息综合分析方法,其特征在于, 采用腐蚀算法从所述粗略地膜空间分布图中剔除破碎图斑,获得精细农田地膜分布图步骤具体包括:单个农田地膜的覆盖宽度最小值为 Bmin,影像的分辨率为 S,腐蚀的内核大小为K′, T′为数值向上的取整运算,内核中的所有元素值为 1,腐蚀宽度为 S×(K′+1)/2;
采用腐蚀算法剔除掉所述混合类图像中破碎噪声图斑,同时所述地膜的边缘部分区域也被腐蚀了,获得腐蚀地膜;对所述腐蚀地膜进行膨胀处理,获得精细农田地膜分布图,所述膨胀处理的膨胀内核的大小和腐蚀的内核大小相同,内核中所有元素值也设置为 1;
采用膨胀算法膨胀所述精细地膜分布图,获得初步提取分布图中的膨胀的内核大小步骤具体包括:相邻覆盖地膜间的最大间距为 Dmax,影像的分辨率为 S,膨胀的内核大小为 Kn,Tn 为数值向上的取整运算,内核中所有元素值为 1。
7.根据权利要求1所述的一种基于高分遥感影像的西北地区地膜信息综合分析方法,其特征在于, 间接法中影像分割方法步骤为:
a、选取高分遥感影像,选择 RGB 三波段并进行拉伸处理,采用同等组滤波方法对影像进行平滑处理,能够有效移除噪声,并且能在边缘和细节不模糊的情况下平滑彩色图像;同时利用获得的同等组得到矢量量化过程中的权重信息;
b、利用 Mean Shift 算法对图像中的像素进行聚类,即把收敛到同一点的起始点归为一类,然后把这一类的标号赋给这些起始点,同时把包含像素点太少的类去掉;然后,采用阈值化分割的方法对图像进行二值化处理,实现影像的初步分割结果;
c、针对初步分割结果,计算不同分割标准(光谱、纹理、形状等)下的不同类别对象的异质性和同类别对象的同质性,调整分割尺度,当同类别对象间的同质性和不同类别对象间的异质性达到最大值时,我们得到影像的最优分割尺度;
d、经过同等组滤波的遥感影像进行颜色量化,得到类图,再计算影像在不同分割标准下的异质性 H,对于初始分割的区域,每一个区域与多个区域相邻,区域与区域间是多对多的关系,得到区域邻接图 RAG;
e、对初始分割后的影像,根据某一分割标准下的异质性 H 排序,选取 H 最小的作为种子区域A 进行合并,合并后更新 A 的拓扑关系,并重新计算异质性;重复此过程,直至异质性 H 达到步骤 c中所计算的最优分割尺度的异质性值,进入下一分割标准的计算;
f、最终得到多尺度的影像分割结果。
8.根据权利要求1所述的一种基于高分遥感影像的西北地区地膜信息综合分析方法,其特征在于, 间接法所述实地调查是将遥感影像进行初步分割之后,根据分类情况按比例选取易混淆地块和已明确分割地块作为实地调查样方,调查结果部分作为进一步分类的参考样本,部分作为成果精度检查的核查样本;实地核查的主要内容包括县级农作物空间分布及覆膜情况、自然地块边界核实、作物类别核实;
所述县级农作物空间分布及覆膜情况包括:标识县级单位主要农作物的种植空间分布规律、作物种类及各种作物覆膜比例、覆膜收膜时间,并通过访谈等形式了解当地种植习惯,记录地形、区位等因素对作物分布和覆膜情况的影响;
所述自然地块边界核实包括:自然地块在调查开始前已在室内完成以两米级遥感影像为基础的边界细分工作,实地调查中只需要进行核实;
所述作物类别核实包括:实地调查取得的每个县所选取样方压盖(与样方相交的每一个自然地块)的地物信息情况,并按照要求拍摄地物照片;
所述人工综合判定是将易混淆地块无法通过特征计算直接进行分类,需要依靠多时相影像的对比、波段组合分析、地形分析、实地调查数据参考等多种手段人工综合分析。
9.根据权利要求1所述的一种基于高分遥感影像的西北地区地膜信息综合分析方法,其特征在于,间接法进行农膜面积核算,首选要进行地物类别划分:影像经过初步分割能够直接提取出部分覆膜地块,同时能够划分出部分特征明显的作物类别,不确定部分通过实地调查和人工综合分析判断出地物类别,农膜面积=确定覆膜地块面积+Σ(植被面积(不确定是否覆膜地块)i*覆膜率i )。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910460731.7A CN110245589A (zh) | 2019-05-30 | 2019-05-30 | 一种基于高分遥感影像的西北地区地膜信息综合分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910460731.7A CN110245589A (zh) | 2019-05-30 | 2019-05-30 | 一种基于高分遥感影像的西北地区地膜信息综合分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110245589A true CN110245589A (zh) | 2019-09-17 |
Family
ID=67885377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910460731.7A Pending CN110245589A (zh) | 2019-05-30 | 2019-05-30 | 一种基于高分遥感影像的西北地区地膜信息综合分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245589A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
CN113128453A (zh) * | 2021-04-30 | 2021-07-16 | 内蒙古工业大学 | 采用遥感时间序列数据的地膜识别方法、系统以及介质 |
CN113295572A (zh) * | 2021-05-20 | 2021-08-24 | 内蒙古农业大学 | 一种农田残膜采集方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899897A (zh) * | 2015-05-27 | 2015-09-09 | 中国科学院地理科学与资源研究所 | 一种基于历史数据挖掘的高分遥感影像土地覆盖变化检测方法 |
CN105678280A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于纹理特征的地膜覆盖农田遥感监测方法 |
CN109446965A (zh) * | 2018-10-22 | 2019-03-08 | 北京师范大学 | 一种基于无人机数据的烟田自动识别方法 |
-
2019
- 2019-05-30 CN CN201910460731.7A patent/CN110245589A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899897A (zh) * | 2015-05-27 | 2015-09-09 | 中国科学院地理科学与资源研究所 | 一种基于历史数据挖掘的高分遥感影像土地覆盖变化检测方法 |
CN105678280A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于纹理特征的地膜覆盖农田遥感监测方法 |
CN109446965A (zh) * | 2018-10-22 | 2019-03-08 | 北京师范大学 | 一种基于无人机数据的烟田自动识别方法 |
Non-Patent Citations (3)
Title |
---|
李佳雨等: "多源卫星数据的农用地膜信息提取", 《测绘通报》 * |
王更: "高分辨率遥感影像多尺度分割算法研究与应用", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
王荣等: "基于GF-1多尺度多准则地膜覆盖信息自动提取", 《天水师范学院学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
CN113128453A (zh) * | 2021-04-30 | 2021-07-16 | 内蒙古工业大学 | 采用遥感时间序列数据的地膜识别方法、系统以及介质 |
CN113295572A (zh) * | 2021-05-20 | 2021-08-24 | 内蒙古农业大学 | 一种农田残膜采集方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709379B (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 | |
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 | |
Ismail et al. | Satellite data classification accuracy assessment based from reference dataset | |
Mucher et al. | Land cover characterization and change detection for environmental monitoring of pan-Europe | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
Czerepowicz et al. | Using satellite image data to estimate aboveground shelterbelt carbon stocks across an agricultural landscape | |
Gallego et al. | Accuracy, objectivity and efficiency of remote sensing for agricultural statistics | |
Cheng et al. | DESTIN: A new method for delineating the boundaries of crop fields by fusing spatial and temporal information from WorldView and Planet satellite imagery | |
CN110245589A (zh) | 一种基于高分遥感影像的西北地区地膜信息综合分析方法 | |
Estornell et al. | Tree extraction and estimation of walnut structure parameters using airborne LiDAR data | |
Rudke et al. | Land cover data of Upper Parana River Basin, South America, at high spatial resolution | |
Hernandez et al. | Exploring Sentinel-2 for land cover and crop mapping in Portugal | |
Lass et al. | Detecting the locations of Brazilian pepper trees in the Everglades with a hyperspectral sensor | |
CN110245694A (zh) | 一种基于高分遥感影像分割的西北地区农膜信息分析方法 | |
Salem et al. | Detection of land cover classes in agro-ecosystems of northern Egypt by remote sensing | |
Lubis et al. | Land Use and Land Cover change detection using remote sensing and geographic information system in Bodri Watershed, Central Java, Indonesia | |
Moumni et al. | Evaluation of Sen2agri system over semi-arid conditions: a case study of the Haouz plain in Central Morocco | |
CN109446965A (zh) | 一种基于无人机数据的烟田自动识别方法 | |
DiPietro | Mapping the invasive plant Arundo donax and associated riparian vegetation using hyperspectral remote sensing | |
GASTELLU-ETCHEGORRY et al. | Computer-assisted land cover mapping with SPOT in Indonesia | |
Hirschmugl | Derivation of forest parameters from UltracamD data | |
Wilkinson et al. | Change detection techniques for use in a statewide forest inventory program | |
Dutta | Assessment of tea bush health and yield using geospatial techniques | |
Lehrbass et al. | Techniques for object-based classification of urban tree cover from high-resolution multispectral imagery | |
CN111444783B (zh) | 基于像元统计的作物种植地块识别方法和装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190917 |
|
WD01 | Invention patent application deemed withdrawn after publication |