CN110298322B - 一种基于遥感数据的耕地提取方法及系统 - Google Patents
一种基于遥感数据的耕地提取方法及系统 Download PDFInfo
- Publication number
- CN110298322B CN110298322B CN201910588383.1A CN201910588383A CN110298322B CN 110298322 B CN110298322 B CN 110298322B CN 201910588383 A CN201910588383 A CN 201910588383A CN 110298322 B CN110298322 B CN 110298322B
- Authority
- CN
- China
- Prior art keywords
- sub
- area
- ndvi
- period
- extracted
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000003066 decision tree Methods 0.000 claims abstract description 13
- 230000005855 radiation Effects 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims 1
- 238000011160 research Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003045 statistical classification method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- General Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Human Resources & Organizations (AREA)
- Agronomy & Crop Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感数据的耕地提取方法及系统。该方法包括:获取待提取区域的遥感图像;对遥感图像进行预处理,得到预处理后的遥感图像,预处理包括辐射校正、几何校正和去云处理;将待提取区域随机划分为设定数量的待提取子区域;计算待提取子区域的植被指数;以NDVI1>T1,NDVIincrease1>T2,且NDVIincrease2>T3为决策条件,采用决策树对待提取子区域中的各像元进行分类,得到待提取子区域的耕地区域,各所述待提取子区域的第一阈值T1、第二阈值T2和第三阈值T3为根据各自待提取子区域的历史数据确定得到。本发明能够对耕地进行精确的提取。
Description
技术领域
本发明涉及耕地提取技术领域,特别是涉及一种基于遥感数据的耕地提取方法及系统。
背景技术
耕地是人类从事农业生产活动的主要场所,为人类的生存提供主要的食物来源。及时、有效地进行耕地提取对于摸清耕地底数,制定科学、合理的农业规划发挥重要的作用。
现有技术中,通常采用传统机器学习方法进行耕地的提取,但是,该方法易受分类特征的影响,具有泛化能力不强的缺陷。
发明内容
本发明的目的是提供一种基于遥感数据的耕地提取方法及系统,能够对耕地区域进行准确的提取。
为实现上述目的,本发明提供了如下方案:
一种基于遥感数据的耕地提取方法,包括:
获取待提取区域的遥感图像;
对所述遥感图像进行预处理,得到预处理后的遥感图像,所述预处理包括辐射校正、几何校正和去云处理;
将所述待提取区域随机划分为设定数量的待提取子区域;
以NDVI1>T1,NDVIincrease1>T2,且NDVIincrease2>T3为决策条件,采用决策树对所述待提取子区域中的各像元进行分类,得到所述待提取子区域的耕地区域,其中,NDVI1为所述子区域内像元在第一时期内植被覆盖指数的最大值,NDVIincrease1为所述子区域内所述像元在第一时期内植被覆盖指数的最大值与在第二时期内植被覆盖指数的最小值之差,NDVIincrease2为所述子区域内所述像元在第一时期内植被覆盖指数的最大值与在第三时期内植被覆盖指数的最大值之差,所述第一时期为所述子区域的作物生长最旺盛时期,所述第二时期为所述子区域的耕种时期,所述第三时期为所述子区域的林木生长最旺盛时期,各所述待提取子区域的第一阈值T1、第二阈值T2和第三阈值T3为根据各自待提取子区域的历史数据确定得到,其中,所述第一阈值为根据所述子区域植被覆盖指数的历史数据确定的NDVI1的最小值,所述第二阈值为根据所述子区域植被覆盖指数的历史数据确定的NDVIincrease1的最小值,所述第三阈值为根据所述子区域植被覆盖指数的历史数据确定的NDVIincrease2的最小值。
可选的,所述去云处理,具体包括:
构建所述遥感图像的时间序列数据集;
对所述遥感图像进行云标记;
采用对所述遥感图像进行去云处理,其中,PN为去云处理后被标记像元的像元值,PS为被标记像元前序时间内最近一个没有云标记时间点的像元值,G为被标记像元后序时间内最近一个没有云标记时间点的像元值,T为被标记像元前序和后序时间内最近没有云标记的时间点的时间差,Δt为被标记像元处所时间点与前序时间内最近一个没有云标记时间点的时间差。
可选的,所述方法还包括:
将多个年份提取到的耕地区域进行融合。
可选的,所述将多个年份提取到的耕地区域进行融合,具体包括:
将各年份的提取结果采用二值图像表示,像元值为1代表耕地区域,像元值为0代表非耕地区域;
将各年份的二值图像相加,得到加和图像;
将所述加和图像中像元值大于设定值的像元确定为耕地区域。
可选的,多个年份为连续的3年,所述设定值为2。
本发明还提供了一种基于遥感数据的耕地提取系统,包括:
遥感图像获取模块,用于获取待提取区域的遥感图像;
预处理模块,用于对所述遥感图像进行预处理,得到预处理后的遥感图像,所述预处理包括辐射校正、几何校正和去云处理;
子区域划分模块,用于将所述待提取区域随机划分为设定数量的待提取子区域;
耕地区域提取模块,用于以NDVI1>T1,NDVIincrease1>T2,且NDVIincrease2>T3为决策条件,采用决策树对所述待提取子区域中的各像元进行分类,得到所述待提取子区域的耕地区域,其中,NDVI1为所述子区域内像元在第一时期内植被覆盖指数的最大值,NDVIincrease1为所述子区域内所述像元在第一时期内植被覆盖指数的最大值与在第二时期内植被覆盖指数的最小值之差,NDVIincrease2为所述子区域内所述像元在第一时期内植被覆盖指数的最大值与在第三时期内植被覆盖指数的最大值之差,所述第一时期为所述子区域的作物生长最旺盛时期,所述第二时期为所述子区域的耕种时期,所述第三时期为所述子区域的林木生长最旺盛时期,各所述待提取子区域的第一阈值T1、第二阈值T2和第三阈值T3为根据各自待提取子区域的历史数据确定得到,其中,所述第一阈值为根据所述子区域植被覆盖指数的历史数据确定的NDVI1的最小值,所述第二阈值为根据所述子区域植被覆盖指数的历史数据确定的NDVIincrease1的最小值,所述第三阈值为根据所述子区域植被覆盖指数的历史数据确定的NDVIincrease2的最小值。
可选的,所述系统还包括:
融合模块,用于将多个年份提取到的耕地区域进行融合。
可选的,所述融合模块,具体包括:
二值图像确定单元,用于将各年份的提取结果采用二值图像表示,像元值为1代表耕地区域,像元值为0代表非耕地区域;
二值图像加和单元,用于将各年份的二值图像相加,得到加和图像;
耕地区域确定单元,用于将所述加和图像中像元值大于设定值的像元确定为耕地区域。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于遥感数据的耕地提取方法及系统将待提取区域随机划分为设定数量的待提取子区域;计算待提取子区域的植被指数;以NDVI1>T1,NDVIincrease1>T2,且NDVIincrease2>T3为决策条件,采用决策树对所述待提取子区域中的各像元进行分类,得到所述待提取子区域的耕地区域,其中,NDVI1为所述子区域内像元在第一时期内植被覆盖指数的最大值,NDVIincrease1为所述子区域内所述像元在第一时期内植被覆盖指数的最大值与在第二时期内植被覆盖指数的最小值之差,NDVIincrease2为所述子区域内所述像元在第一时期内植被覆盖指数的最大值与在第三时期内植被覆盖指数的最大值之差,所述第一时期为所述子区域的作物生长最旺盛时期,所述第二时期为所述子区域的耕种时期,所述第三时期为所述子区域的林木生长最旺盛时期,各所述待提取子区域的第一阈值T1、第二阈值T2和第三阈值T3为根据各自待提取子区域的历史数据确定得到。可见,本发明以各子区域的物候特征为先验知识,对各子区域的耕地分别进行提取,具有提取精度度高的特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例基于遥感数据的耕地提取方法流程图;
图2为本发明又一实施例基于遥感数据的耕地提取方法流程图;
图3为本发明实施例中耕地提取结果图;
图4为本发明实施例基于遥感数据的耕地提取系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
本发明的目的是提供一种基于遥感数据的耕地提取方法及系统,能够对耕地区域进行准确的提取。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明的第一方面提供了一种基于遥感数据的耕地提取方法,如图1所示,该方法包括以下步骤:
步骤101:获取待提取区域的遥感图像;
步骤102:对遥感图像进行预处理,得到预处理后的遥感图像,预处理包括辐射校正、几何校正和去云处理;
步骤103:将待提取区域随机划分为设定数量的待提取子区域;待提取子区域的数量可以根据需要进行选择,划分可以为随机划分,也可以根据需求按照一定规律划分;
步骤104:以NDVI1>T1,NDVIincrease1>T2,且NDVIincrease2>T3为决策条件,采用决策树对待提取子区域中的各像元进行分类,得到待提取子区域的耕地区域,其中,NDVI1为子区域内像元在第一时期内植被覆盖指数的最大值,NDVIincrease1为子区域内像元在第一时期内植被覆盖指数的最大值与在第二时期内植被覆盖指数的最小值之差,NDVIincrease2为子区域内像元在第一时期内植被覆盖指数的最大值与在第三时期内植被覆盖指数的最大值之差,第一时期为子区域的作物生长最旺盛时期,第二时期为子区域的耕种时期,第三时期为子区域的林木生长最旺盛时期,各所述待提取子区域的第一阈值T1、第二阈值T2和第三阈值T3为根据各自待提取子区域的历史数据确定得到,其中,第一阈值为根据子区域植被覆盖指数的历史数据确定的NDVI1的最小值,第二阈值为根据子区域植被覆盖指数的历史数据确定的NDVIincrease1的最小值,第三阈值为根据子区域植被覆盖指数的历史数据确定的NDVIincrease2的最小值。
其中,去云处理,可以包括:
构建遥感图像的时间序列数据集;
对遥感图像进行云标记;
采用对遥感图像进行去云处理,其中,PS为被标记像元前序时间内最近一个没有云标记时间点的像元值,G为被标记像元后序时间内最近一个没有云标记时间点的像元值,T为被标记像元前序和后序时间内最近没有云标记的时间点的时间差,Δt为被标记像元处所时间点与前序时间内最近一个没有云标记时间点的时间差。
在上述实施例的基础上,作为本发明的一个实施例,耕地提取方法还包括:
将多个年份提取到的耕地区域进行融合。
具体包括:
将各年份的提取结果采用二值图像表示,像元值为1代表耕地区域,像元值为0代表非耕地区域;
将各年份的二值图像相加,得到加和图像;
将加和图像中像元值大于设定值的像元确定为耕地区域。
其中,多个年份可以为连续的3年,设定值可以为2。当然,也可以为连续的2年、4年、五年等的提取结果进行融合,设定值可以根据年份的数量以及精度的需求等进行设定。当然,年份也可以是不连续的。
以东北三省的耕地提取为例,对本发明进行阐述,如图2所示:
在Google Earth Engine平台上根据东北三省(黑龙江、吉林和辽宁)的行政边界和设定2014年1月1日至2016年12月31日,进行空间、时间检索,获得东北三省4684景Landsat-8正射遥感影像。
利用谷歌地球引擎(GEE平台)提供的数据预处理方法对影像进行辐射校正、几何校正和云标记,构建成时间序列数据集。
针对标记为云的像元进行去云修复处理。将标记为云的像元取值为PN,如下式所示:
其中,PS为被标记像元前序时间内最近一个没有云标记时间点的像元值,G为被标记像元后序时间内最近一个没有云标记时间点的像元值,T为被标记像元前序和后序时间内最近没有云标记的时间点的时间差,Δt为被标记像元处所时间点与前序时间内最近一个没有云标记时间点的时间差。
将东北三省划分为7个区。其中,A区主要包含大兴安岭地区,主要地表覆盖类型为森林,北部黑龙江畔有耕地覆盖,沿河呈条带状分布;B区包含小兴安岭地区,主要土地覆盖类型为森林,同A区,北部黑龙江畔也有条带状耕地分布;C区包含三江平原和小兴安岭东部余脉,土地覆盖类型主要为耕地和森林;D区包含松嫩平原和辽河平原北部,主要地物覆盖类型为耕地和城市用地;E区包含科尔沁沙地,该区内土地覆盖类型多样,主要包括林地、沙地、耕地和城市用地;F区包含长白山区大部,主要的土地覆盖类型为森林,但是长白山区内山谷中常见耕地呈条带装分布;G区包含辽河平原南部、长白山南部和辽东半岛,主要的土地覆盖类型为耕地、林地和城镇用地。
计算归一化植被指数(normalized difference vegetation index,NDVI),采用归一化植被指数进行植被信息提取是常用的遥感手段,NDVI指数的计算公式如下:
其中,ρNIR为近红外波段,ρRED为红光波段。其中,本实施例中构建了从2014年1月1日至2016年12月31日的NDVI时间序列,数据是由不同时间点所对应的NDVI指数组成的数据集,能够反映地物在不同时刻上的物候特征。
对各子区域历史的NDVI数据进行分析:各子区域内耕地样本、森林样本点NDVI值的统计计算,将耕地内作物生长最旺盛时期NDVI的最高值NDVI1进行提取并将此时期设为时期Ⅰ;将耕地出苗期内NDVI最小值NDVI2进行提取,并将此时期设为时期Ⅱ;最后将森林生长最旺盛时期内的NDVI最大值NDVI3进行提取,并将此时期设为时期Ⅲ。对研究区内每一年的NDVI时间序列特征进行读取,并利用GEE平台得出样本点中NDVI1、NDVI2和NDVI3取得的时间区间进行统计分析,得到不同子区内NDVIx的统计结果。通过对样点历史NDVI数据的分析,总结耕地的NDVI与非耕地的NDVI以及与非耕地中的林地的NDVI之间的规律。
各子区域阈值确定规则的计算:根据各子区域的历史数据,确定第一阈值、第二阈值和第三阈值,第一阈值T1为根据子区域植被覆盖指数的历史数据确定的NDVI1的最小值,第二阈值T2为根据子区域植被覆盖指数的历史数据确定的NDVIincrease1的最小值,第三阈值T3为根据子区域植被覆盖指数的历史数据确定的NDVIincrease2的最小值,其中,NDVIincrease1为所述子区域内所述像元在时期Ⅰ内植被覆盖指数的最大值与在时期Ⅱ内植被覆盖指数的最小值之差,NDVIincrease2为所述子区域内所述像元在时期Ⅰ内植被覆盖指数的最大值与在时期Ⅲ内植被覆盖指数的最大值之差。由于第一阈值、第二阈值和第三阈值的设置是根据本子区域的历史NDVI进行的确定,而根据每个子区域的物候特征确定的阈值反映了各子区域各自的特征,与根据整个待提取区域(即东北三省)的物候特征(NDVI)确定阈值相比,使得本发明的耕地提取准确度更高。
为了科学、有效地提取研究区内的植被物候信息,在总研究区内均匀选择耕地样本点568个,非耕地样本点568个,其中森林样本点308个,对研究区内的NDVI时间序列特征进行筛选和判断,并利用GEE平台得出样本点中NDVI1、NDVI2和NDVI3取得的时间区间进行统计,得到不同子区内样本分布情况及重构NDVI值取得时间区间见表一:
表1各子区样本分布情况及时期统计表
上文提到将每个像元在各年中划分出了不同的时期。针对不同时期内取得的NDVI1、NDVI2和NDVI3值,取子区内各年NDVI1、NDVIincrease1和NDVIincrease2的最小值分别设为T1、T2和T3,T1、T2和T3的取值见表2:
表2阈值分布情况表
采用决策树对各子区域内的各点进行分类:决策树分类是一种多元统计分类方法,它通过设置节点,将输入数据按照各节点所设阈值进行筛选。输入数据在各个不同节点被细分,最终到达叶节点,也就是具体类别,以达到分类的目的。这样通过树状传播的形式对数据分类的办法成为决策树分类。以NDVI1>T1,NDVIincrease1>T2,且NDVIincrease2>T3为决策条件,采用决策树对待提取子区域中的各待识别点进行分类,得到待提取子区域的耕地区域。将这一规则在各子区域内实施,依次提取出各子区域内的耕地范围。
由于Landsat-8数据源的时间分辨率为16天,由于数据时相有差异,一年内的数据难以满足对如此大范围耕地的提取。每年得出的栅格结果为二值图像,像元值为0代表非耕地区域,像元值为1代表耕地区域,每一年的结果会出现条带状的空缺,但每年出现的条带位置不一,且条带之间没有出现重叠的迹象。基于出现的情况,将2014、2015和2016的二值图像进行相加,所得图像像元值大于等于2的像元为耕地区域,小于2为非耕地区域。由以上方法得出最后的耕地提取结果。
下面为对耕地提取精度的验证过程,分别采用两种不同的验证方法进行验证:
利用混淆矩阵对基于遥感数据的土地覆盖提取进行精度评价是常用且重要的办法。混淆矩阵是所选样本分类结果和相对应人工解译真值组成的二维数表,其能提供分类的总体精度、用户精度等,还可通过计算得到kappa系数对分类结果和目视解译真值之间的一致性关系。总体精度(OA)和Kappa系数的计算公式如下:
其中,Xi是i类地物正确分类的像元数,N表示所有地物的总像元数,Xi≠表示分类结果中i类地物的总像元数,X≠i表示目视真值中i类地物的总像元数。
采用混淆矩阵对分类提取结果进行精度评价,通过在GEE平台在研究区内随机撒点300个,基于两米分辨率谷Google Earth影像进行目视解译,构建混淆矩阵,并计算总体精度和Kappa系数。
以国家统计局发布的2015年东北三省耕地面积作为参照数据,评价基于GEE平台提取出的耕地面积。按照如下公式计算精度评价指标K。
式中,N为分类结果中的耕地面积,R为国家统计局发布的耕地面积。
如图3所示,东北三省的耕地主要分布在东北平原和三江平原,呈片状连续分布。国家统计局公布的东北三省2015年的耕地面积为177366.33km2,与年鉴统计数据相比,本发明的数量精度达到86.714%。
结果显示,东北三省的耕地主要分布于三江平原、辽河平原和松嫩平原,且在这三地耕地分布较为集中。长白山区、大兴安岭山区有耕地分布但是较为破碎,且分类结果集中于该类型地区发生错分,将非耕地错分成为耕地。小兴安岭地区分类效果良好,山区中错分现象较少,且北部黑龙江畔的耕地被提取,且边界与实际地物较为贴合。科尔沁沙地的耕地分布也较为破碎,但基本符合实际地物的分布情况。
利用GEE在东三省研究区内随机布设样本点300个,对样本集的分类结果和对照Google Earth目视解译结果做混淆矩阵,结果表明:300个样本点总体精度为91.67%,kappa系数为0.829,样本集内以耕地为真值的数量精度为98.23%。精度略高于其他省级以上范围尺度的耕地提取研究。
本发明的第二方面提供了一种基于遥感数据的耕地提取系统,如图4所示,该系统包括:
遥感图像获取模块401,用于获取待提取区域的遥感图像;
预处理模块402,用于对所述遥感图像进行预处理,得到预处理后的遥感图像,所述预处理包括辐射校正、几何校正和去云处理;
子区域划分模块403,用于将所述待提取区域随机划分为设定数量的待提取子区域;
耕地区域提取模块404,用于以NDVI1>T1,NDVIincrease1>T2,且NDVIincrease2>T3为决策条件,采用决策树对待提取子区域中的各像元进行分类,得到待提取子区域的耕地区域,其中,NDVI1为子区域内像元在第一时期内植被覆盖指数的最大值,NDVIincrease1为子区域内像元在第一时期内植被覆盖指数的最大值与在第二时期内植被覆盖指数的最小值之差,NDVIincrease2为子区域内像元在第一时期内植被覆盖指数的最大值与在第三时期内植被覆盖指数的最大值之差,第一时期为子区域的作物生长最旺盛时期,第二时期为子区域的耕种时期,第三时期为子区域的林木生长最旺盛时期,各待提取子区域的第一阈值、第二阈值和第三阈值为根据各自待提取子区域的历史数据确定得到,其中,第一阈值为根据子区域植被覆盖指数的历史数据确定的NDVI1的最小值,第二阈值为根据子区域植被覆盖指数的历史数据确定的NDVIincrease1的最小值,第三阈值为根据子区域植被覆盖指数的历史数据确定的NDVIincrease2的最小值。
在上述实施例的基础上,作为本发明的一个实施例,本发明提供的耕地提取系统还包括:
融合模块,用于将多个年份提取到的耕地区域进行融合。
该融合模块,可以包括:
二值图像确定单元,用于将各年份的提取结果采用二值图像表示,像元值为1代表耕地区域,像元值为0代表非耕地区域;
二值图像加和单元,用于将各年份的二值图像相加,得到加和图像;
耕地区域确定单元,用于将所述加和图像中像元值大于设定值的像元确定为耕地区域。
本发明提供的基于遥感数据的耕地提取方法及系统将待提取区域随机划分为设定数量的待提取子区域;计算待提取子区域的植被指数;以NDVI1>T1,NDVIincrease1>T2,且NDVIincrease2>T3为决策条件,采用决策树对所述待提取子区域中的各像元进行分类,得到所述待提取子区域的耕地区域,其中,NDVI1为所述子区域内像元在第一时期内植被覆盖指数的最大值,NDVIincrease1为所述子区域内所述像元在第一时期内植被覆盖指数的最大值与在第二时期内植被覆盖指数的最小值之差,NDVIincrease2为所述子区域内所述像元在第一时期内植被覆盖指数的最大值与在第三时期内植被覆盖指数的最大值之差,所述第一时期为所述子区域的作物生长最旺盛时期,所述第二时期为所述子区域的耕种时期,所述第三时期为所述子区域的林木生长最旺盛时期,各所述待提取子区域的第一阈值、第二阈值和第三阈值为根据各自待提取子区域的历史数据确定得到。可见,本发明以各子区域的物候特征为先验知识,对各子区域的耕地分别进行提取,具有提取精度度高的特点。
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。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于遥感数据的耕地提取方法,其特征在于,包括:
获取待提取区域的遥感图像;
对所述遥感图像进行预处理,得到预处理后的遥感图像,所述预处理包括辐射校正、几何校正和去云处理;
将所述待提取区域随机划分为设定数量的待提取子区域;
以NDVI1>T1,NDVIincrease1>T2,且NDVIincrease2>T3为决策条件,采用决策树对所述待提取子区域中的各像元进行分类,得到所述待提取子区域的耕地区域,其中,NDVI1为所述子区域内像元在第一时期内植被覆盖指数的最大值,NDVIincrease1为所述子区域内所述像元在第一时期内植被覆盖指数的最大值与在第二时期内植被覆盖指数的最小值之差,NDVIincrease2为所述子区域内所述像元在第一时期内植被覆盖指数的最大值与在第三时期内植被覆盖指数的最大值之差,所述第一时期为所述子区域的作物生长最旺盛时期,所述第二时期为所述子区域的耕地出苗时期,所述第三时期为所述子区域的林木生长最旺盛时期,各所述待提取子区域的第一阈值T1、第二阈值T2和第三阈值T3为根据各自待提取子区域的历史数据确定得到,其中,所述第一阈值为根据所述子区域植被覆盖指数的历史数据确定的NDVI1的最小值,所述第二阈值为根据所述子区域植被覆盖指数的历史数据确定的NDVIincrease1的最小值,所述第三阈值为根据所述子区域植被覆盖指数的历史数据确定的NDVIincrease2的最小值。
3.根据权利要求1所述的基于遥感数据的耕地提取方法,其特征在于,所述方法还包括:
将多个年份提取到的耕地区域进行融合。
4.根据权利要求1所述的基于遥感数据的耕地提取方法,其特征在于,所述将多个年份提取到的耕地区域进行融合,具体包括:
将各年份的提取结果采用二值图像表示,像元值为1代表耕地区域,像元值为0代表非耕地区域;
将各年份的二值图像相加,得到加和图像;
将所述加和图像中像元值大于设定值的像元确定为耕地区域。
5.根据权利要求4所述的基于遥感数据的耕地提取方法,其特征在于,多个年份为连续的3年,所述设定值为2。
6.一种基于遥感数据的耕地提取系统,其特征在于,包括:
遥感图像获取模块,用于获取待提取区域的遥感图像;
预处理模块,用于对所述遥感图像进行预处理,得到预处理后的遥感图像,所述预处理包括辐射校正、几何校正和去云处理;
子区域划分模块,用于将所述待提取区域随机划分为设定数量的待提取子区域;
耕地区域提取模块,用于以NDVI1>T1,NDVIincrease1>T2,且NDVIincrease2>T3为决策条件,采用决策树对所述待提取子区域中的各像元进行分类,得到所述待提取子区域的耕地区域,其中,NDVI1为所述子区域内像元在第一时期内植被覆盖指数的最大值,NDVIincrease1为所述子区域内所述像元在第一时期内植被覆盖指数的最大值与在第二时期内植被覆盖指数的最小值之差,NDVIincrease2为所述子区域内所述像元在第一时期内植被覆盖指数的最大值与在第三时期内植被覆盖指数的最大值之差,所述第一时期为所述子区域的作物生长最旺盛时期,所述第二时期为所述子区域的耕种时期,所述第三时期为所述子区域的林木生长最旺盛时期,各所述待提取子区域的第一阈值、第二阈值和第三阈值为根据各自待提取子区域的历史数据确定得到,其中,所述第一阈值为根据所述子区域植被覆盖指数的历史数据确定的NDVI1的最小值,所述第二阈值为根据所述子区域植被覆盖指数的历史数据确定的NDVIincrease1的最小值,所述第三阈值为根据所述子区域植被覆盖指数的历史数据确定的NDVIincrease2的最小值。
7.根据权利要求6所述的基于遥感数据的耕地提取系统,其特征在于,所述系统还包括:
融合模块,用于将多个年份提取到的耕地区域进行融合。
8.根据权利要求7所述的基于遥感数据的耕地提取系统,其特征在于,所述融合模块,具体包括:
二值图像确定单元,用于将各年份的提取结果采用二值图像表示,像元值为1代表耕地区域,像元值为0代表非耕地区域;
二值图像加和单元,用于将各年份的二值图像相加,得到加和图像;
耕地区域确定单元,用于将所述加和图像中像元值大于设定值的像元确定为耕地区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910588383.1A CN110298322B (zh) | 2019-07-02 | 2019-07-02 | 一种基于遥感数据的耕地提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910588383.1A CN110298322B (zh) | 2019-07-02 | 2019-07-02 | 一种基于遥感数据的耕地提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298322A CN110298322A (zh) | 2019-10-01 |
CN110298322B true CN110298322B (zh) | 2021-05-14 |
Family
ID=68029882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910588383.1A Active CN110298322B (zh) | 2019-07-02 | 2019-07-02 | 一种基于遥感数据的耕地提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298322B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111380807B (zh) * | 2020-03-30 | 2023-06-09 | 中国科学院东北地理与农业生态研究所 | 一种基于静止卫星遥感数据的秸秆焚烧火点信息提取方法 |
CN112101256B (zh) * | 2020-09-21 | 2021-07-09 | 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 |
CN112215857B (zh) * | 2020-11-10 | 2021-07-06 | 国家海洋环境预报中心 | 一种基于浒苔生长周期的浒苔识别方法 |
CN113868826B (zh) * | 2021-06-24 | 2023-09-05 | 中国科学院地理科学与资源研究所 | 一种基于栅格尺度耕地农田生产能力重心变化的测度方法 |
CN114563378B (zh) * | 2022-03-03 | 2022-07-29 | 生态环境部卫星环境应用中心 | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529451A (zh) * | 2016-10-28 | 2017-03-22 | 山东省农业可持续发展研究所 | 一种冬小麦—夏玉米种植模式遥感识别方法 |
CN108564002A (zh) * | 2018-03-22 | 2018-09-21 | 中国科学院遥感与数字地球研究所 | 一种遥感影像时间序列变化检测方法及系统 |
CN109344810A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于高分卫星遥感数据的耕地变化监测方法及系统 |
CN109635731A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
CN109919875A (zh) * | 2019-03-08 | 2019-06-21 | 中国科学院遥感与数字地球研究所 | 一种高时频遥感图像特征辅助的居民地提取与分类方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679202B (zh) * | 2013-12-17 | 2017-04-12 | 中国测绘科学研究院 | 一种适用于光学遥感卫星影像植被分类方法及装置 |
CN104318270A (zh) * | 2014-11-21 | 2015-01-28 | 东北林业大学 | 一种基于modis时间序列数据的土地覆盖分类方法 |
CN108764688B (zh) * | 2018-05-21 | 2021-11-23 | 浙江大学 | 基于星地多源降水数据融合的冬小麦湿渍害遥感监测方法 |
-
2019
- 2019-07-02 CN CN201910588383.1A patent/CN110298322B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529451A (zh) * | 2016-10-28 | 2017-03-22 | 山东省农业可持续发展研究所 | 一种冬小麦—夏玉米种植模式遥感识别方法 |
CN108564002A (zh) * | 2018-03-22 | 2018-09-21 | 中国科学院遥感与数字地球研究所 | 一种遥感影像时间序列变化检测方法及系统 |
CN109344810A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于高分卫星遥感数据的耕地变化监测方法及系统 |
CN109635731A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
CN109919875A (zh) * | 2019-03-08 | 2019-06-21 | 中国科学院遥感与数字地球研究所 | 一种高时频遥感图像特征辅助的居民地提取与分类方法 |
Non-Patent Citations (3)
Title |
---|
Monitoring of winter wheat distribution and phenological phases based on MODIS time-series: A case study in the Yellow River Delta, China;CHU Lin, LIU Qing-sheng, HUANG Chong, LIU Gao-huan;《Journal of Integrative Agriculture》;20161103;全文 * |
基于MODIS的黑龙江省农作物种植结构提取研究;周思;《地理空间信息》;20180131;全文 * |
基于星地多源数据的冬小麦湿渍害风险评估及监测研究;陈圆圆;《中国优秀博士学位论文全文数据库基础科学辑》;20190415;第136-140页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110298322A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298322B (zh) | 一种基于遥感数据的耕地提取方法及系统 | |
Chong et al. | A review of remote sensing applications for oil palm studies | |
Feng et al. | Remote sensing and statistical analysis of the effects of hurricane María on the forests of Puerto Rico | |
Joshi et al. | Vegetation cover mapping in India using multi-temporal IRS Wide Field Sensor (WiFS) data | |
Islam et al. | Semi‐automated methods for mapping wetlands using Landsat ETM+ and SRTM data | |
Hudak et al. | Imputing forest structure attributes from stand inventory and remotely sensed data in western Oregon, USA | |
del-Campo-Sanchez et al. | Quantifying the effect of Jacobiasca lybica pest on vineyards with UAVs by combining geometric and computer vision techniques | |
Kobayashi et al. | A new global tree-cover percentage map using MODIS data | |
Sakamoto et al. | Semi-automatic classification method for mapping the rice-planted areas of Japan using multi-temporal Landsat images | |
CN111489092A (zh) | 一种植物栽培种植环境适生区的评估方法及系统 | |
Mueller-Warrant et al. | Methods for improving accuracy and extending results beyond periods covered by traditional ground-truth in remote sensing classification of a complex landscape | |
CN113570273B (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
Kim et al. | Vegetation mapping of No Name Key, Florida using lidar and multispectral remote sensing | |
Roy et al. | Comparative analysis of object based and pixel based classification for mapping of mango orchards in Sitapur district of Uttar Pradesh | |
CN116051993A (zh) | 一种人工草地识别方法 | |
Stys et al. | Florida vegetation and land cover data derived from 2003 Landsat ETM+ imagery | |
Srinivas et al. | Application of distance based vegetation index for agricultural crops discrimination | |
Williams et al. | Forest land management by satellite: LANDSAT-derived information as input to a forest inventory system | |
Thamaga | The impact of land use and land cover changes on wetland productivity and hydrological systems in the Limpopo transboundary river basin, South Africa | |
CN114972838B (zh) | 基于卫星数据得到的冬小麦识别方法 | |
Feng et al. | Remote sensing and statistical analysis of the effects of hurricane María on the forests of | |
Furby et al. | Collecting ground truth data for salinity mapping and monitoring | |
Onderwater | A Global Banana Map | |
Rudra et al. | Spatiotemporal changing pattern of land use and land cover of Sangu-Matamuhuri watershed in the South-Eastern part of Bangladesh | |
Fernandes et al. | Diversity of the Passiflora L. in the Serra do Mar ecoregion and the relationships with environmental gradients, South and Southeast, Brazil |
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 |