CN110348314B - 一种利用多源遥感数据监测植被长势的方法及系统 - Google Patents
一种利用多源遥感数据监测植被长势的方法及系统 Download PDFInfo
- Publication number
- CN110348314B CN110348314B CN201910516523.4A CN201910516523A CN110348314B CN 110348314 B CN110348314 B CN 110348314B CN 201910516523 A CN201910516523 A CN 201910516523A CN 110348314 B CN110348314 B CN 110348314B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- vegetation
- growth
- calculating
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
一种利用多源遥感数据监测植被长势的方法及系统。步骤如下:(1)将不同日期获取的多源遥感图像进行配准;(2)从多源遥感图像中选择具有一致性的地物作为参考地物;(3)计算参考地物图像灰度值的均值和标准差;(4)以日期最早的遥感图像作为参考基准,其他日期的遥感图像灰度值进行归一化处理;(5)计算农作物区域的植被指数;(6)计算植被指数的差值,判定农作物生长状况。
Description
技术领域
本发明属于遥感图像处理领域,具体涉及利用多源遥感图像计算植被指数,监测农作物长势的方法及系统。
背景技术
农作物长势的监测是对作物苗情、生长状况、土壤墒情、肥力、营养状况及其变化的宏观监测,其目的不仅是为早期的估产提供依据,也为田间管理提供及时信息,从而保证农作物的正常生长。通过长势监测同时可以了解恶劣天气对农作物生长的影响以及自然灾害或者病虫害对产量的损失。管理农作物长势遥感监测是农情监测中最重要的一部分内容,而且与遥感技术的应用密紧结合。
遥感技术监测农作物长势的方法为利用遥感图像不同谱段计算能够反映农作物生长状况的植被指数,并且采用多天连续成像,通过不同日期植被指数的差异来判定农作物的健康状况的变化。植被指数计算是这项技术的关键环节,因为受天气影响,遥感图像反映的并不是地表的真实状况,往往被薄云或者空气中的细小颗粒遮挡或者散射,大气校正技术可以削弱影响,但是因为没有准确的气象参数,所以校正并不彻底。另一方面,单颗卫星监测农作物长势的频率太低,采用多源遥感数据监测可以保证监测连续性,不同卫星传感器之间的波谱响应差异是不可以忽略的,这会导致不同卫星同一时刻拍摄的图像计算出的植被指数存在差异。
发明内容
本发明的技术解决问题是:针对现有技术存在的不足,提出一种利用多源遥感数据监测农作物长势的方法,选取多源遥感数据一致性较高的地物作为参考,对红波段和近红外波段进行归化处理,再计算植被指数,通过不同日期植被指数的差值判别农作物长势变化
本发明的技术解决方案是:
一种利用多源遥感数据监测植被长势的方法,步骤如下:
(1)将不同日期获取的多源遥感图像进行配准;
(2)从多源遥感图像中选择具有一致性的地物作为参考地物;
(3)计算参考地物图像灰度值的均值和标准差;
(4)以日期最早的遥感图像作为参考基准,其他日期的遥感图像灰度值进行归一化处理;
(5)计算农作物区域的植被指数;
(6)计算植被指数的差值,判定农作物生长状况。
将不同日期获取的多源遥感图像进行配准,具体为:
(1.1)首先对多幅多源的遥感图像进行特征提取得到特征点;
(1.2)通过进行相似性度量找到匹配的特征点对;
(1.3)通过匹配的特征点对得到图像空间坐标变换参数;
(1.4)由坐标变换参数进行图像配准。
具有一致性的地物,具体为:不论时相、气象是否变化,在多源遥感图像上表现出来的光谱特点一致。
计算参考地物图像灰度值均值的公式如下:
式中,f(i,j)为第i行,第j列的图像灰度值,m为行数,n为列数。
计算参考地物图像灰度值标准差的公式如下:
归一化处理计算公式如下:
式中,f(i,j)为原始图像第i行、第j列的图像灰度值,f’(i,j)为归一化处理后图像第i行、第j列的图像灰度值,μ为原始图像灰度值均值,σ为原始图像灰度值标准差,μ0为日期最早图像灰度值均值,σ0为日期最早图像灰度值标准差。
植被指数NDVI计算公式如下:
式中:Band4为农作物近红外波段的反射率,Band3为农作物红波段的反射率。
根据不同日期的遥感图像植被指数进行比较,如果植被指数增长,则说明农作物长势变好,如果植被指数下降,则说明农作物长势变差。
进一步的,本发明还提出一种根据所述的利用多源遥感数据监测植被长势的方法实现的植被长势确定系统,包括:
配准模块:将不同日期获取的多源遥感图像进行配准;
参考地物选择模块:从多源遥感图像中选择具有一致性的地物作为参考地物;
均值标准差计算模块:计算参考地物图像灰度值的均值和标准差;
归一化处理模块:以日期最早的遥感图像作为参考基准,其他日期的遥感图像灰度值进行归一化处理;
植被指数计算模块:计算农作物区域的植被指数;
长势判断模块:计算植被指数的差值,判定农作物生长状况。
本发明与现有技术相比的有益效果是:
(1)定量化程度高,遥感定量化的不确定性一直是困扰定量遥感学科的关键问题,本专利利用多源遥感数据一致性较高的地物作为参考,避开大气校正不确定性问题,保证农作物长势的相对变化准确,能够精确判别植被的生长状况变化。
(2)空间范围大,农作物长势的监测通过地面仪器范围太窄,卫星遥感的观测范围大,运行速度快、空间定位准确度高,可以同时监测上百公里范围内的作物长势。
(3)时间间隔短,单颗卫星的回归周期大多数在一个月以上,本专利解决了多源遥感数据之间的比对一致性问题则可以利用多颗卫星同时监测,以此缩短监测的时间间隔,能够做到以天为单位。
附图说明
图1为本发明的计算流程图;
图2为效果对比图。
具体实施方式
如图1所示,本发明提出的一种利用多源遥感数据监测植被长势的方法,包括如下步骤:
(1)将不同日期获取的多源遥感图像进行配准;
(2)从多源遥感图像中选择具有一致性的地物作为参考地物;
(3)计算参考地物图像灰度值的均值和标准差;
(4)以日期最早的遥感图像作为参考基准,其他日期的遥感图像灰度值进行归一化处理;
(5)计算农作物区域的植被指数;
(6)计算植被指数的差值,判定农作物生长状况。
具体的,上述各个步骤的具体实施如下:
步骤一:图像配准
图像配准就是将多源遥感图像进行匹配、叠加的过程,实现在图像里相同地物在空间上位置一致。多源遥感图像是指不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像。
首先对两幅图像进行特征提取得到特征点;通过进行相似性度量找到匹配的特征点对;然后通过匹配的特征点对得到图像空间坐标变换参数;最后由坐标变换参数进行图像配准。其中特征提取是配准技术中的关键,准确的特征提取为特征匹配的成功进行提供了保障。因此,寻求具有良好不变性和准确性的特征提取方法,对于匹配精度至关重要。
步骤二:从不同日期获取的多源遥感图像中选择一致性较高的地物作为参考
一致性较高的地物是指长时间内不容易发生变化的地物,变化分为两种:一种是地物消失,被另一种地物取代;一种是地物存在,但是形态(主要是光谱信息)变化。本专利选取的一致性较高的地物是指两种变化都不存在的地物,这类地物不论时相、气象是否变化,在多源遥感图像上表现出来的光谱特点理论上应该一致。以此类地物为参考统计图像灰度值均值与标准差对多源遥感图像进行归化处理比整幅图像统计图像灰度值均值与标准差进行归化处理更加可靠。
步骤三:计算一致性较高的参考地物图像灰度值均值和标准差
根据步骤二中选择的一致性较高的参考地物,依次计算每期多源遥感图像参考地物图像灰度值均值和标准标准差。
计算参考地物图像灰度值均值的公式如下:
式中,f(i,j)为第i行,第j列的图像灰度值,m为行数,n为列数。
计算参考地物图像灰度值标准差的公式如下:
步骤四:以日期最早的图像作为基准,其他日期的图像灰度值进行归化处理
不同日期的参考地物图像灰度值均值和标准差理论上应该一致,本专利以日期最早的图像为基准,其他日期的图像灰度值均值和标准差尽量向基准统一,归一化处理计算公式如下:
式中,f(i,j)为原始图像第i行,第j列的图像灰度值,f’(i,j)为归化处理后图像第i行,第j列的图像灰度值,μ为原始图像灰度值均值,σ为原始图像灰度值标准差,μ0为日期最早图像(基准)灰度值均值,σ0为日期最早图像(基准)灰度值标准差。
步骤五:计算农作物区域的植被指数
农作物叶面在可见光红光波段有很强的吸收特性,在近红外波段有很强的反射特性,这是农作物遥感监测的物理基础,通过这两个波段测值的不同组合可得到不同的植被指数。农作物信息在近红外波段反射率最高,容易与其他地物区分,可用于农作物长势评估,NDVI(归一化植被指数)是常用指数之一,计算公式如下:
式中:Band4为近红外波段的反射率,Band3为红波段的反射率,农作的NDVI值越大说明农作物长势越好。
根据定标系数中的增益gain和偏置bias可以由遥感图像中的DN值计算得到反射率,具体计算公式如下:
Band=DN*gain+bias (5)
步骤六:计算植被指数的差值,判定农作物生长状况
根据不同日期的遥感图像植被指数进行比较,如果植被指数增长,则说明农作物长势变好,如果植被指数下降,则说明农作物长势变差。
实施例:
本专利选取高分一号、资源三号、资源一号02C数据对山东某地区植被进行长时间监测,反应植被区域生长周期内数个时间点的长势变化曲线,将本专利的方法与传统监测方法进行对比绘制长势变化曲线,如图2所示。可以得出结论,本专利的监测方法得到的多源遥感图像监测区域更加平滑,与植被长势的变化相符。
Claims (5)
1.一种利用多源遥感数据监测植被长势的方法,其特征在于步骤如下:
(1)将不同日期获取的多源遥感图像进行配准;具体为:
(1.1)首先对多幅多源的遥感图像进行特征提取得到特征点;
(1.2)通过进行相似性度量找到匹配的特征点对;
(1.3)通过匹配的特征点对得到图像空间坐标变换参数;
(1.4)由坐标变换参数进行图像配准;
(2)从多源遥感图像中选择具有一致性的地物作为参考地物;
具有一致性的地物,具体为:不论时相、气象是否变化,在多源遥感图像上表现出来的光谱特点一致;
(3)计算参考地物图像灰度值的均值和标准差;
(4)以日期最早的遥感图像作为参考基准,其他日期的遥感图像灰度值进行归一化处理;
归一化处理计算公式如下:
式中,f(i,j)为原始图像第i行、第j列的图像灰度值,f’(i,j)为归一化处理后图像第i行、第j列的图像灰度值,μ为原始图像灰度值均值,σ为原始图像灰度值标准差,μ0为日期最早图像灰度值均值,σ0为日期最早图像灰度值标准差;
(5)计算农作物区域的植被指数;
植被指数NDVI计算公式如下:
式中:Band4为农作物近红外波段的反射率,Band3为农作物红波段的反射率;
(6)计算植被指数的差值,判定农作物生长状况。
4.根据权利要求1所述的一种利用多源遥感数据监测植被长势的方法,其特征在于:根据不同日期的遥感图像植被指数进行比较,如果植被指数增长,则说明农作物长势变好,如果植被指数下降,则说明农作物长势变差。
5.一种根据权利要求1~4中任一项所述的利用多源遥感数据监测植被长势的方法实现的植被长势确定系统,其特征在于:
配准模块:将不同日期获取的多源遥感图像进行配准;
参考地物选择模块:从多源遥感图像中选择具有一致性的地物作为参考地物;
均值标准差计算模块:计算参考地物图像灰度值的均值和标准差;
归一化处理模块:以日期最早的遥感图像作为参考基准,其他日期的遥感图像灰度值进行归一化处理;
植被指数计算模块:计算农作物区域的植被指数;
长势判断模块:计算植被指数的差值,判定农作物生长状况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910516523.4A CN110348314B (zh) | 2019-06-14 | 2019-06-14 | 一种利用多源遥感数据监测植被长势的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910516523.4A CN110348314B (zh) | 2019-06-14 | 2019-06-14 | 一种利用多源遥感数据监测植被长势的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110348314A CN110348314A (zh) | 2019-10-18 |
CN110348314B true CN110348314B (zh) | 2021-07-30 |
Family
ID=68182152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910516523.4A Active CN110348314B (zh) | 2019-06-14 | 2019-06-14 | 一种利用多源遥感数据监测植被长势的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348314B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801535A (zh) * | 2021-02-20 | 2021-05-14 | 杭州领见数字农业科技有限公司 | 一种基于多源遥感数据的果园长势评估方法 |
CN113269716A (zh) * | 2021-04-08 | 2021-08-17 | 塔里木大学 | 一种基于多源遥感数据的香梨成熟期遥感预测方法 |
CN113762383B (zh) * | 2021-09-07 | 2024-04-05 | 甘肃中星鸿图科技有限公司 | 一种基于多源数据的植被指数融合方法 |
CN115578641B (zh) * | 2022-11-08 | 2023-06-20 | 中化现代农业有限公司 | 农作物的铲除进度监测方法、装置、电子设备和存储介质 |
CN116485615A (zh) * | 2023-05-09 | 2023-07-25 | 生态环境部南京环境科学研究所 | 环境污染物生态毒性效应阈值浓度测算方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3088654B2 (ja) * | 1996-04-22 | 2000-09-18 | 株式会社不二越 | 画質測定方法 |
EP2286383A1 (en) * | 2008-05-08 | 2011-02-23 | Oslo Universitetssykehus HF | Vessel segmentation in dce mr imaging |
CN102033230B (zh) * | 2009-09-25 | 2013-05-01 | 中国农业科学院农业资源与农业区划研究所 | 一种草原卫星遥感监测系统及方法 |
CN101699315B (zh) * | 2009-10-23 | 2012-04-25 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
CN102567735B (zh) * | 2010-12-30 | 2013-07-24 | 中国科学院电子学研究所 | 一种自动提取遥感图像控制点切片的方法 |
CN103330557B (zh) * | 2013-06-25 | 2014-11-26 | 上海理工大学 | 基于曝光时间测定的激光散斑血流成像方法 |
CN105389817B (zh) * | 2015-11-04 | 2017-11-14 | 河海大学 | 一种两时相遥感影像变化检测方法 |
CN106918816B (zh) * | 2017-03-21 | 2019-08-02 | 中国科学院遥感与数字地球研究所 | 农作物长势监测系统及其数据处理方法和模块 |
CN107689051A (zh) * | 2017-09-08 | 2018-02-13 | 浙江环球星云遥感科技有限公司 | 一种基于变化因子的多时相sar影像变化检测方法 |
CN108133006A (zh) * | 2017-12-22 | 2018-06-08 | 北京卫星信息工程研究所 | 一种面向农业应用的卫星遥感产品系统 |
CN108062747A (zh) * | 2017-12-28 | 2018-05-22 | 江西师范大学 | 一种遥感影像的处理方法及系统 |
-
2019
- 2019-06-14 CN CN201910516523.4A patent/CN110348314B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110348314A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348314B (zh) | 一种利用多源遥感数据监测植被长势的方法及系统 | |
Liu et al. | Mapping cropping intensity in China using time series Landsat and Sentinel-2 images and Google Earth Engine | |
Meroni et al. | Comparing land surface phenology of major European crops as derived from SAR and multispectral data of Sentinel-1 and-2 | |
CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
Jeong et al. | Predicting rice yield at pixel scale through synthetic use of crop and deep learning models with satellite data in South and North Korea | |
Liu et al. | Remote-sensing estimation of potato above-ground biomass based on spectral and spatial features extracted from high-definition digital camera images | |
Duan et al. | Remote estimation of grain yield based on UAV data in different rice cultivars under contrasting climatic zone | |
Guo et al. | Integrating spectral and textural information for identifying the tasseling date of summer maize using UAV based RGB images | |
US8478003B2 (en) | Vegetation growth condition analysis method, recording medium on which program is recorded, and vegetation growth condition analyzer | |
WO2011102520A1 (ja) | 水稲収量予測モデル生成方法、及び水稲収量予測方法 | |
CN110210990B (zh) | 基于高分卫星遥感数据的冬小麦冻害监测方法 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN111209871B (zh) | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 | |
Warren et al. | Agricultural applications of high-resolution digital multispectral imagery | |
Lambert et al. | Estimate yield at parcel level from S2 time serie in sub-Saharan smallholder farming systems | |
CN111738066A (zh) | 综合多源遥感信息的网格化水稻纹枯病生境评价方法 | |
Huang et al. | Early mapping of winter wheat in Henan province of China using time series of Sentinel-2 data | |
Zhou et al. | Wheat phenology detection with the methodology of classification based on the time-series UAV images | |
Almeida-Ñauñay et al. | Optimization of soil background removal to improve the prediction of wheat traits with UAV imagery | |
CN111275567B (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
CN113343808A (zh) | 一种基于卫星遥感技术的热带森林资源测量方法 | |
CN112632796A (zh) | 氮含量确定方法、作业方法、装置、电子设备及存储介质 | |
Liu et al. | Application of UAV-retrieved canopy spectra for remote evaluation of rice full heading date | |
US11978250B2 (en) | Agricultural crop estimated date of planting | |
Yao et al. | Hyperspectral imagery for various crop growth information extraction |
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 |