CN110399860A - 一种玉米涝灾监测方法及系统 - Google Patents

一种玉米涝灾监测方法及系统 Download PDF

Info

Publication number
CN110399860A
CN110399860A CN201910710761.9A CN201910710761A CN110399860A CN 110399860 A CN110399860 A CN 110399860A CN 201910710761 A CN201910710761 A CN 201910710761A CN 110399860 A CN110399860 A CN 110399860A
Authority
CN
China
Prior art keywords
corn
rainfall
water body
ndwi
ndvi
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.)
Granted
Application number
CN201910710761.9A
Other languages
English (en)
Other versions
CN110399860B (zh
Inventor
陈圣波
冯琳
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.)
Jilin High-Resolution Remote Sensing Applied Research Institute Co Ltd
Original Assignee
Jilin High-Resolution Remote Sensing Applied Research Institute Co Ltd
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 Jilin High-Resolution Remote Sensing Applied Research Institute Co Ltd filed Critical Jilin High-Resolution Remote Sensing Applied Research Institute Co Ltd
Priority to CN201910710761.9A priority Critical patent/CN110399860B/zh
Publication of CN110399860A publication Critical patent/CN110399860A/zh
Application granted granted Critical
Publication of CN110399860B publication Critical patent/CN110399860B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • General Engineering & Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开一种玉米涝灾监测方法及系统。该方法包括：获取受涝玉米的不同时间段的影像，所述不同时间段包括：降雨前、降雨中、降雨停止和降雨后；对所述不同时间段的影像进行预处理，得到预处理后的影像；对所述预处理后的影像采用监督分类的方法，得到玉米作物的种植区域；根据所述玉米作物的种植区域采用多时相归一化水体指数计算方法，提取玉米受涝区域；根据所述玉米受涝区域采用多时相归一化植被指数计算方法划分玉米受涝区域，得到玉米重涝区域和玉米轻涝区域。采用本发明的方法或系统能够准确地划分出玉米重涝区域和玉米轻涝区域，从而为确定玉米作物的受灾范围，以及为评估玉米作物受损情况提供参考依据。

Description

一种玉米涝灾监测方法及系统
技术领域
本发明涉及农作物涝灾监测领域，特别是涉及一种玉米涝灾监测方法及系统。
背景技术
以往识别涝灾的方法有气象指数和遥感手段；气象指数是基于气象站点数据的实测降雨量数据计算得到的，不能对涝灾过程在时间和空间上进行及时准确的探测，而且多数气象指数如SPI需要多年的站点数据，而站点数据分布稀疏，使用效果差。
遥感手段方面，常用来提取水体的方法有色度判别法、单波段阈值法、波段组合法、多光谱混合分析法、遥感影像分类法、利用谱间关系建立模型、DEM探测水深法。单波段中近红外波段对于水体的响应特征明显，常用来识别、监测水体，但是在农作物涝灾识别上，由于存在较多混淆信息，不能反映土壤的水分，从而不能有效地划分出重涝区域和轻涝区域。
发明内容
本发明的目的是提供一种玉米涝灾监测方法及系统，能够准确地划分出玉米重涝区域和玉米轻涝区域，从而为确定玉米作物的受灾范围，以及为评估玉米作物受损情况提供参考依据。
为实现上述目的，本发明提供了如下方案：
一种玉米涝灾监测方法，包括：
获取受涝玉米的不同时间段的影像，所述不同时间段包括：降雨前、降雨中、降雨停止和降雨后；
对所述不同时间段的影像进行预处理，得到预处理后的影像；
对所述预处理后的影像采用监督分类的方法，得到玉米作物的种植区域；
根据所述玉米作物的种植区域采用多时相归一化水体指数计算方法，提取玉米受涝区域；
根据所述玉米受涝区域采用多时相归一化植被指数计算方法划分玉米受涝区域，得到玉米重涝区域和玉米轻涝区域。
可选的，所述获取受涝玉米的不同时间段的影像，具体包括:
通过采用高分一号卫星的WFV传感器获取受涝玉米的不同时间段的影像。
可选的，所述对所述不同时间段的影像进行预处理，得到预处理后的影像，具体包括：
对所述不同时间段的影像分别进行辐射定标、大气校正和正射校正处理，得到预处理后的影像。
可选的，所述对所述预处理后的影像采用监督分类的方法，得到玉米作物的种植区域，具体包括：
对所述预处理后的影像采用监督分类方法中的最小距离法，提取研究区域的玉米作物的范围；
对所述研究区域的玉米作物的范围采用斑点去除的方法，得到玉米作物的种植区域。
可选的，所述根据玉米作物的种植区域采用多时相归一化水体指数计算方法，提取玉米受涝区域，具体包括：
根据所述玉米作物的种植区域采用公式得到多时相归一化水体指数NDWI，所述多时相归一化水体指数包括降雨前的水体指数NDWI前、降雨中的水体指数NDWI中、降雨停止的水体指数NDWI停和降雨后的水体指数NDWI后，其中，NDWI为水体指数，Green为影像像元的绿波段值，Nir为影像像元的近红外波段值；
根据所述降雨停止的水体指数NDWI停和所述降雨前的水体指数NDWI前，采用公式ΔNDWI＝NDWI停-NDWI前，得到土壤水分差异值ΔNDWI；
获取降雨中的水体指数阈值、降雨停止的水体指数阈值和土壤水分差异阈值；
将所述降雨中的水体指数NDWI中、所述降雨停止的水体指数NDWI停和所述土壤水分差异值ΔNDWI分别与对应的所述降雨中的水体指数阈值、所述降雨停止的水体指数阈值和所述土壤水分差异阈值做比较，得到比较结果；
根据所述比较结果，确定玉米受涝区域。
可选的，所述将所述降雨中的水体指数NDWI中、所述降雨停止的水体指数NDWI停和所述土壤水分差异值ΔNDWI分别与对应的所述降雨中的水体指数阈值、所述降雨停止的水体指数阈值和所述土壤水分差异阈值做比较，得到比较结果，具体包括：
若所述降雨中的水体指数NDWI中、所述降雨停止的水体指数NDWI停和所述土壤水分差异值ΔNDWI均小于对应的所述降雨中的水体指数阈值、所述降雨停止的水体指数阈值和所述土壤水分差异阈值，则确定所述玉米作物的种植区域为未受涝区域；
若所述降雨中的水体指数NDWI中、所述降雨停止的水体指数NDWI停和所述土壤水分差异值ΔNDWI其中任一值大于或等于对应的所述降雨中的水体指数阈值、所述降雨停止的水体指数阈值和所述土壤水分差异阈值，则确定所述玉米作物的种植区域为受涝区域。
可选的，所述根据所述玉米受涝区域采用多时相归一化植被指数计算方法划分玉米受涝区域，得到玉米重涝区域和玉米轻涝区域，具体包括:
根据所述玉米受涝区域采用公式得到归一化植被指数NDVI，所述归一化植被指数包括降雨前的植被指数NDVI前、降雨停止的植被指数NDVI停和降雨后的植被指数NDVI后，其中，Red为玉米所在像元的红波段值，Nir为玉米所在像元的近红外波段值；
根据所述降雨前的植被指数NDVI前和所述降雨后的植被指数NDVI后采用公式ΔNDVI1＝NDVI后-NDVI前，得到降雨后期的植被指数差值ΔNDVI1；
根据所述降雨后的植被指数NDVI后和所述降雨停止的植被指数NDVI停采用公式ΔNDVI2＝NDVI后-NDVI停，得到降雨前期的植被指数差值ΔNDVI2；
对所述降雨后期的植被指数差值ΔNDVI1和所述降雨前期的植被指数差值ΔNDVI2分别采用公式和进行标准化处理，得到标准化后的降雨后期的植被指数差值STΔNDVI1和标准化后的降雨前期的植被指数差值STΔNDVI2；
根据所述标准化后的降雨后期的植被指数差值STΔNDVI1和所述标准化后的降雨前期的植被指数差值STΔNDVI2采用公式得到综合影响差值|ΔD|；
根据所述综合影响差值|ΔD|采用公式得到标准综合影响差值ST|ΔD|；
当所述标准综合影响差值ST|ΔD|小于设定阈值时，确定所述玉米受涝区域为玉米重涝区域；
当所述标准综合影响差值ST|ΔD|大于或等于设定阈值时，确定所述玉米受涝区域为玉米轻涝区域。
一种玉米涝灾监测系统，包括：
获取模块，用于获取受涝玉米的不同时间段的影像，所述不同时间段包括：降雨前、降雨中、降雨停止和降雨后；
预处理模块，用于对所述不同时间段的影像进行预处理，得到预处理后的影像；
分类模块，用于对所述预处理后的影像采用监督分类的方法，得到玉米作物的种植区域；
水体指数计算模块，用于根据所述玉米作物的种植区域采用多时相归一化水体指数计算方法，提取玉米受涝区域；
植被指数计算模块，用于根据所述玉米受涝区域采用多时相归一化植被指数计算方法划分玉米受涝区域，得到玉米重涝区域和玉米轻涝区域。
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：
本发明提供一种玉米涝灾监测方法，包括：获取受涝玉米的不同时间段的影像，不同时间段包括：降雨前、降雨中、降雨停止和降雨后；对不同时间段的影像进行预处理，得到预处理后的影像；对预处理后的影像采用监督分类的方法，得到玉米作物的种植区域；根据玉米作物的种植区域采用多时相归一化水体指数计算方法，提取玉米受涝区域；根据玉米受涝区域采用多时相归一化植被指数计算方法划分玉米受涝区域，得到玉米重涝区域和玉米轻涝区域。采用本发明的方法能够准确地划分出玉米重涝区域和玉米轻涝区域，从而为确定玉米作物的受灾范围，以及为评估玉米作物受损情况提供参考依据。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明玉米涝灾监测方法流程图；
图2为本发明玉米涝灾监测系统结构图。
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玉米涝灾监测方法及系统，能够准确地划分出玉米重涝区域和玉米轻涝区域，从而为确定玉米作物的受灾范围，以及为评估玉米作物受损情况提供参考依据。
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。
图1为本发明玉米涝灾监测方法流程图。该玉米涝灾监测方法包括：
步骤101：获取受涝玉米的不同时间段的影像，不同时间段包括：降雨前、降雨中、降雨停止和降雨后。
通过采用高分一号卫星的WFV传感器获取受涝玉米降雨前、降雨中、降雨停止和降雨后的影像；该影像数据空间分辨率为16m，包括4个波段，分别为蓝波段(0.45～0.25μm)、绿波段(0.52～0.59μm)、红波段(0.63～0.69μm)、近红波段(0.77～0.89μm)。
步骤102：对不同时间段的影像进行预处理，得到预处理后的影像，具体包括：
对不同时间段的影像分别进行辐射定标、大气校正和正射校正处理，得到预处理后的影像。
步骤103：对预处理后的影像采用监督分类的方法，得到玉米作物的种植区域，具体包括：
对预处理后的影像采用监督分类方法中的最小距离法，提取研究区域的玉米作物的范围。
对研究区域的玉米作物的范围采用斑点去除或者手动去除的方法，得到玉米作物的种植区域。
步骤104：根据玉米作物的种植区域采用多时相归一化水体指数计算方法，提取玉米受涝区域，具体包括：
根据玉米作物的种植区域采用公式得到多时相归一化水体指数NDWI，多时相归一化水体指数NDWI包括降雨前的水体指数NDWI前、降雨中的水体指数NDWI中、降雨停止的水体指数NDWI停和降雨后的水体指数NDWI后，其中，NDWI为多时相归一化水体指数，Green为影像像元的绿波段值，Nir为影像像元的近红外波段值；以往的研究表明，近红外和可见光对于水体的不同响应反差可以很好地突出水体，NDWI采用近红外波段和绿波段组合突出水体，可以很好地抑制植被信息。
根据降雨停止的水体指数NDWI停和降雨前的水体指数NDWI前，采用公式ΔNDWI＝NDWI停-NDWI前，得到土壤水分差异值ΔNDWI；ΔNDWI考虑了降雨前土壤水分的差异，并反映了在降雨后地表多余水体的滞留程度。
获取降雨中的水体指数阈值、降雨停止的水体指数阈值和土壤水分差异阈值。
将降雨中的水体指数NDWI中、降雨停止的水体指数NDWI停和土壤水分差异值ΔNDWI分别与对应的降雨中的水体指数阈值、降雨停止的水体指数阈值和土壤水分差异阈值做比较，得到比较结果。
根据比较结果，确定玉米受涝区域。
其中，将降雨中的水体指数NDWI中、降雨停止的水体指数NDWI停和土壤水分差异值ΔNDWI分别与对应的降雨中的水体指数阈值、降雨停止的水体指数阈值和土壤水分差异阈值做比较，得到比较结果，具体包括：
若降雨中的水体指数NDWI中、降雨停止的水体指数NDWI停和土壤水分差异值ΔNDWI均小于对应的降雨中的水体指数阈值、降雨停止的水体指数阈值和土壤水分差异阈值，则确定玉米作物的种植区域为未受涝区域。
若降雨中的水体指数NDWI中、降雨停止的水体指数NDWI停和土壤水分差异值ΔNDWI其中任一值大于或等于对应的降雨中的水体指数阈值、降雨停止的水体指数阈值和土壤水分差异阈值，则确定玉米作物的种植区域为受涝区域。
步骤105：根据玉米受涝区域采用多时相归一化植被指数计算方法划分玉米受涝区域，得到玉米重涝区域和玉米轻涝区域，具体包括:
根据玉米受涝区域采用公式得到归一化植被指数NDVI，归一化植被指数NDVI包括降雨前的植被指数NDVI前、降雨停止的植被指数NDVI停和降雨后的植被指数NDVI后，其中，Red为玉米所在像元的红波段值，Nir为玉米所在像元的近红外波段值。
根据降雨前的植被指数NDVI前和降雨后的植被指数NDVI后采用公式ΔNDVI1＝NDVI后-NDVI前，得到降雨后期的植被指数差值ΔNDVI1。
根据降雨后的植被指数NDVI后和降雨停止的植被指数NDVI停采用公式ΔNDVI2＝NDVI后-NDVI停，得到降雨前期的植被指数差值ΔNDVI2。
对降雨后期的植被指数差值ΔNDVI1和降雨前期的植被指数差值ΔNDVI2分别采用公式和进行标准化处理，得到标准化后的降雨后期的植被指数差值STΔNDVI1和标准化后的降雨前期的植被指数差值STΔNDVI2。
根据标准化后的降雨后期的植被指数差值STΔNDVI1和标准化后的降雨前期的植被指数差值STΔNDVI2采用公式得到综合影响差值|ΔD|，|ΔD|表示综合ST△NDVI1和ST△NDVI2两个差值的的影响。
根据所述综合影响差值|ΔD|采用公式得到标准综合影响差值STΔD|。单一NDVI在水分被影响前就具有差异，采用两个时相的NDVI的差值可以消除玉米正常生长的影响，因此综合两个NDVI的差值结果，引入STΔD|，STΔD|的值在0～1之间。对∣△D∣标准化能够使其在任何区域计算时值都在0到1之间，并考虑到其与使用地区最大值和最小值的差异，使其在其它区域使用更具有广泛性。
当所述标准综合影响差值ST|ΔD|小于设定阈值时，确定玉米受涝区域为玉米重涝区域。
当所述标准综合影响差值ST|ΔD|大于或等于设定阈值时，确定玉米受涝区域为玉米轻涝区域。
设定阈值根据不同的地域可设置在0.4到0.6范围内，如果有采样点数据可以做到更精确的设置。
由于区域降雨的差异性，不同地区之间大量集中降雨的时间以及停止降雨的时间不同，对于集中降雨靠近前半个降雨周期的地区响应时间要早于集中降雨靠近后半个降雨周期的地区，对于降雨周期长的地区为了考虑这个因素的影响，选择两个NDVI差值结果来反映降雨前期和后期的影响。STΔNDVI1、STΔNDVI2、ST|ΔD|这三种指数都可以分别用来划分阈值，但综合了STΔNDVI1、STΔNDVI2而计算出来的ST|ΔD|在精度上更好。
玉米受涝的不同程度会对产量造成一定影响，通过提取玉米受涝范围和划分受涝程度，可以为农业保险理赔提供依据。
图2为本发明玉米涝灾监测系统结构图。该玉米涝灾监测系统包括：
获取模块201，用于获取受涝玉米的不同时间段的影像，不同时间段包括：降雨前、降雨中、降雨停止和降雨后；
预处理模块202，用于对不同时间段的影像进行预处理，得到预处理后的影像；
分类模块203，用于对预处理后的影像采用监督分类的方法，得到玉米作物的种植区域；
水体指数计算模块204，用于根据玉米作物的种植区域采用多时相归一化水体指数计算方法，提取玉米受涝区域；
植被指数计算模块205，用于根据玉米受涝区域采用多时相归一化植被指数计算方法划分玉米受涝区域，得到玉米重涝区域和玉米轻涝区域。
上述方法不仅对玉米涝灾监测适用，同时对其他农作物的涝灾监测也适用。
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)

1.一种玉米涝灾监测方法，其特征在于，包括：
获取受涝玉米的不同时间段的影像，所述不同时间段包括：降雨前、降雨中、降雨停止和降雨后；
对所述不同时间段的影像进行预处理，得到预处理后的影像；
对所述预处理后的影像采用监督分类的方法，得到玉米作物的种植区域；
根据所述玉米作物的种植区域采用多时相归一化水体指数计算方法，提取玉米受涝区域；
根据所述玉米受涝区域采用多时相归一化植被指数计算方法划分玉米受涝区域，得到玉米重涝区域和玉米轻涝区域。
2.根据权利要求1所述的玉米涝灾监测方法，其特征在于，所述获取受涝玉米的不同时间段的影像，具体包括:
通过采用高分一号卫星的WFV传感器获取受涝玉米的不同时间段的影像。
3.根据权利要求1所述的玉米涝灾监测方法，其特征在于，所述对所述不同时间段的影像进行预处理，得到预处理后的影像，具体包括：
对所述不同时间段的影像分别进行辐射定标、大气校正和正射校正处理，得到预处理后的影像。
4.根据权利要求1所述的玉米涝灾监测方法，其特征在于，所述对所述预处理后的影像采用监督分类的方法，得到玉米作物的种植区域，具体包括：
对所述预处理后的影像采用监督分类方法中的最小距离法，提取研究区域的玉米作物的范围；
对所述研究区域的玉米作物的范围采用斑点去除的方法，得到玉米作物的种植区域。
5.根据权利要求1所述的玉米涝灾监测方法，其特征在于，所述根据玉米作物的种植区域采用多时相归一化水体指数计算方法，提取玉米受涝区域，具体包括：
根据所述玉米作物的种植区域采用公式得到多时相归一化水体指数NDWI，所述多时相归一化水体指数NDWI包括降雨前的水体指数NDWI前、降雨中的水体指数NDWI中、降雨停止的水体指数NDWI停和降雨后的水体指数NDWI后，其中，NDWI为多时相归一化水体指数，Green为影像像元的绿波段值，Nir为影像像元的近红外波段值；
根据所述降雨停止的水体指数NDWI停和所述降雨前的水体指数NDWI前，采用公式ΔNDWI＝NDWI停-NDWI前，得到土壤水分差异值ΔNDWI；
获取降雨中的水体指数阈值、降雨停止的水体指数阈值和土壤水分差异阈值；
将所述降雨中的水体指数NDWI中、所述降雨停止的水体指数NDWI停和所述土壤水分差异值ΔNDWI分别与对应的所述降雨中的水体指数阈值、所述降雨停止的水体指数阈值和所述土壤水分差异阈值做比较，得到比较结果；
根据所述比较结果，确定玉米受涝区域。
6.根据权利要求5所述的玉米涝灾监测方法，其特征在于，所述将所述降雨中的水体指数NDWI中、所述降雨停止的水体指数NDWI停和所述土壤水分差异值ΔNDWI分别与对应的所述降雨中的水体指数阈值、所述降雨停止的水体指数阈值和所述土壤水分差异阈值做比较，得到比较结果，具体包括：
若所述降雨中的水体指数NDWI中、所述降雨停止的水体指数NDWI停和所述土壤水分差异值ΔNDWI均小于对应的所述降雨中的水体指数阈值、所述降雨停止的水体指数阈值和所述土壤水分差异阈值，则确定所述玉米作物的种植区域为未受涝区域；
若所述降雨中的水体指数NDWI中、所述降雨停止的水体指数NDWI停和所述土壤水分差异值ΔNDWI其中任一值大于或等于对应的所述降雨中的水体指数阈值、所述降雨停止的水体指数阈值和所述土壤水分差异阈值，则确定所述玉米作物的种植区域为受涝区域。
7.根据权利要求1所述的玉米涝灾监测方法，其特征在于，所述根据所述玉米受涝区域采用多时相归一化植被指数计算方法划分玉米受涝区域，得到玉米重涝区域和玉米轻涝区域，具体包括:
根据所述玉米受涝区域采用公式得到归一化植被指数NDVI，所述归一化植被指数NDVI包括降雨前的植被指数NDVI前、降雨停止的植被指数NDVI停和降雨后的植被指数NDVI后，其中，Red为玉米所在像元的红波段值，Nir为玉米所在像元的近红外波段值；
根据所述降雨前的植被指数NDVI前和所述降雨后的植被指数NDVI后采用公式ΔNDVI1＝NDVI后-NDVI前，得到降雨后期的植被指数差值ΔNDVI1；
根据所述降雨后的植被指数NDVI后和所述降雨停止的植被指数NDVI停采用公式ΔNDVI2＝NDVI后-NDVI停，得到降雨前期的植被指数差值ΔNDVI2；
对所述降雨后期的植被指数差值ΔNDVI1和所述降雨前期的植被指数差值ΔNDVI2分别采用公式和进行标准化处理，得到标准化后的降雨后期的植被指数差值STΔNDVI1和标准化后的降雨前期的植被指数差值STΔNDVI2；
根据所述标准化后的降雨后期的植被指数差值STΔNDVI1和所述标准化后的降雨前期的植被指数差值STΔNDVI2采用公式得到综合影响差值|ΔD|；
根据综合影响差值|ΔD|采用公式得到标准综合影响差值ST|ΔD|；
当所述标准综合影响差值ST|ΔD|小于设定阈值时，确定所述玉米受涝区域为玉米重涝区域；
当所述标准综合影响差值ST|ΔD|大于或等于设定阈值时，确定所述玉米受涝区域为玉米轻涝区域。
8.一种玉米涝灾监测系统，其特征在于，包括：
获取模块，用于获取受涝玉米的不同时间段的影像，所述不同时间段包括：降雨前、降雨中、降雨停止和降雨后；
预处理模块，用于对所述不同时间段的影像进行预处理，得到预处理后的影像；
分类模块，用于对所述预处理后的影像采用监督分类的方法，得到玉米作物的种植区域；
水体指数计算模块，用于根据所述玉米作物的种植区域采用多时相归一化水体指数计算方法，提取玉米受涝区域；
植被指数计算模块，用于根据所述玉米受涝区域采用多时相归一化植被指数计算方法划分玉米受涝区域，得到玉米重涝区域和玉米轻涝区域。
CN201910710761.9A 2019-08-02 2019-08-02 一种玉米涝灾监测方法及系统 Active CN110399860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910710761.9A CN110399860B (zh) 2019-08-02 2019-08-02 一种玉米涝灾监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910710761.9A CN110399860B (zh) 2019-08-02 2019-08-02 一种玉米涝灾监测方法及系统

Publications (2)

Publication Number Publication Date
CN110399860A true CN110399860A (zh) 2019-11-01
CN110399860B CN110399860B (zh) 2021-04-09

Family

ID=68327283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910710761.9A Active CN110399860B (zh) 2019-08-02 2019-08-02 一种玉米涝灾监测方法及系统

Country Status (1)

Country Link
CN (1) CN110399860B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205006A (zh) * 2021-04-12 2021-08-03 武汉大学 一种基于水稻指数的多时相遥感影像水稻提取方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070003107A1 (en) * 2005-07-01 2007-01-04 Deere & Company, A Delaware Corporation Method and system for vehicular guidance using a crop image
CN105389559A (zh) * 2015-11-12 2016-03-09 中国科学院遥感与数字地球研究所 基于高分辨率遥感影像的农业灾害范围识别系统及方法
US9292747B2 (en) * 2013-03-15 2016-03-22 The Boeing Company Methods and systems for automatic and semi-automatic geometric and geographic feature extraction
CN105809140A (zh) * 2016-03-18 2016-07-27 华南农业大学 一种基于遥感模型的地表水体信息的提取方法及其装置
CN106022341A (zh) * 2016-05-03 2016-10-12 浙江海洋大学 高分辨率光学遥感图像灾后水体信息提取方法及系统
CN107067334A (zh) * 2017-04-21 2017-08-18 中国科学院遥感与数字地球研究所 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统
CN107966116A (zh) * 2017-11-20 2018-04-27 苏州市农业科学院 一种水稻种植面积的遥感监测方法及系统
CN108229356A (zh) * 2017-12-23 2018-06-29 航天恒星科技有限公司 动态集成自然灾害遥感监测方法
CN108256534A (zh) * 2018-01-29 2018-07-06 中国科学院地理科学与资源研究所 一种基于高分遥感影像的筏式海水养殖区域提取方法
CN108985260A (zh) * 2018-08-06 2018-12-11 航天恒星科技有限公司 一种遥感及气象一体化水稻估产方法
CN109614891A (zh) * 2018-11-27 2019-04-12 北京师范大学 基于物候学和遥感的农作物识别方法
CN110059890A (zh) * 2019-04-26 2019-07-26 北京观微科技有限公司 县域尺度农业洪涝监测方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070003107A1 (en) * 2005-07-01 2007-01-04 Deere & Company, A Delaware Corporation Method and system for vehicular guidance using a crop image
US9292747B2 (en) * 2013-03-15 2016-03-22 The Boeing Company Methods and systems for automatic and semi-automatic geometric and geographic feature extraction
CN105389559A (zh) * 2015-11-12 2016-03-09 中国科学院遥感与数字地球研究所 基于高分辨率遥感影像的农业灾害范围识别系统及方法
CN105809140A (zh) * 2016-03-18 2016-07-27 华南农业大学 一种基于遥感模型的地表水体信息的提取方法及其装置
CN106022341A (zh) * 2016-05-03 2016-10-12 浙江海洋大学 高分辨率光学遥感图像灾后水体信息提取方法及系统
CN107067334A (zh) * 2017-04-21 2017-08-18 中国科学院遥感与数字地球研究所 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统
CN107966116A (zh) * 2017-11-20 2018-04-27 苏州市农业科学院 一种水稻种植面积的遥感监测方法及系统
CN108229356A (zh) * 2017-12-23 2018-06-29 航天恒星科技有限公司 动态集成自然灾害遥感监测方法
CN108256534A (zh) * 2018-01-29 2018-07-06 中国科学院地理科学与资源研究所 一种基于高分遥感影像的筏式海水养殖区域提取方法
CN108985260A (zh) * 2018-08-06 2018-12-11 航天恒星科技有限公司 一种遥感及气象一体化水稻估产方法
CN109614891A (zh) * 2018-11-27 2019-04-12 北京师范大学 基于物候学和遥感的农作物识别方法
CN110059890A (zh) * 2019-04-26 2019-07-26 北京观微科技有限公司 县域尺度农业洪涝监测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205006A (zh) * 2021-04-12 2021-08-03 武汉大学 一种基于水稻指数的多时相遥感影像水稻提取方法
CN113205006B (zh) * 2021-04-12 2022-07-19 武汉大学 一种基于水稻指数的多时相遥感影像水稻提取方法

Also Published As

Publication number Publication date
CN110399860B (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
Hufkens et al. Monitoring crop phenology using a smartphone based near-surface remote sensing approach
Qiao et al. UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages
CN110796001B (zh) 一种卫星影像覆膜农田识别与提取方法及系统
Zeng et al. A hybrid approach for detecting corn and soybean phenology with time-series MODIS data
US9734400B2 (en) System and method for field variance determination
Gnyp et al. Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages
CN106599844B (zh) 一种基于modis传感器的水稻种植区自动提取方法
CN113850139B (zh) 一种基于多源遥感的森林年际物候监测方法
CN106780091A (zh) 基于植被指数时空间统计特征的农业灾害信息遥感提取方法
US20120195496A1 (en) Variable rate sprayer system and method of variably applying agrochemicals
CN109543654B (zh) 一种反映农作物生长状况的改进型植被指数的构建方法
CN106897707A (zh) 基于多源中分的特征影像时间序列合成方法及装置
CN112712038B (zh) 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
CN109211791A (zh) 作物长势监测方法及系统
Wang et al. An automated extraction of small-and middle-sized rice fields under complex terrain based on SAR time series: A case study of Chongqing
CN116188465B (zh) 基于图像处理技术的作物生长状态检测方法
Li et al. Rapid diagnosis of agricultural soil health: A novel soil health index based on natural soil productivity and human management
CN108805079A (zh) 冬小麦的识别方法及装置
Jiang et al. Mapping interannual variability of maize cover in a large irrigation district using a vegetation index–phenological index classifier
CN107273797B (zh) 基于水体指数变异系数的水稻亚像元识别方法
Kumari et al. Soybean cropland mapping using multi-temporal sentinel-1 data
Beneduzzi et al. Temporal variability in active reflectance sensor-measured NDVI in soybean and wheat crops
Wu et al. A comparison of illumination geometry-based methods for topographic correction of QuickBird images of an undulant area
Pauly Applying conventional vegetation vigor indices to UAS-derived orthomosaics: issues and considerations
CN110399860A (zh) 一种玉米涝灾监测方法及系统

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