CN110532967A - 一种基于哨兵1号rvi时间序列的农作物分类方法 - Google Patents
一种基于哨兵1号rvi时间序列的农作物分类方法 Download PDFInfo
- Publication number
- CN110532967A CN110532967A CN201910820919.8A CN201910820919A CN110532967A CN 110532967 A CN110532967 A CN 110532967A CN 201910820919 A CN201910820919 A CN 201910820919A CN 110532967 A CN110532967 A CN 110532967A
- Authority
- CN
- China
- Prior art keywords
- rvi
- time series
- sentry
- crop
- 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
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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)
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于哨兵1号RVI时间序列的农作物分类方法,包括如下步骤:步骤1)获取哨兵1号卫星IW模式下VV‑VH极化数据,构建覆盖农作物生长周期的遥感影像时间序列;步骤2)基于每一期VV‑VH极化数据构建RVI指数(公式为RVI=σVH/σVV),然后整合形成RVI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RVI时间序列和样本数据作为输入,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
技术领域
本发明是一项农作物遥感精细分类技术,提出了一种基于哨兵1号RVI时间序列的农作物分类方法,充分利用雷达数据全天候的特征,以及RVI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途径。
背景技术
农作物的及时、准确监测和有效管理是确保全球人口获得粮食供应的关键。遥感作为一种快速、大范围获取地表信息的技术手段,已广泛应用于农作物分类,相对于传统的农作物监测方法,费用少、效率高。
农作物类型多样,有水稻、玉米、小米等,种植结构复杂,有连作、轮作、间种与套种等种植结构,农作物田块的“同物异谱和异物同谱”现象突出。因此,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分类。目前,归一化植被指数( Normalized Difference Vegetation 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农作物物候信息,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、高分辨率光学影像时间序列的构建逐步成为热点,然而受到云雨天气的影响,较为完整的时间序列难以构建,从而影响农作物分类的效果。
雷达卫星(如哨兵1号卫星)具备全天时、全天候获取地表数据的能力,不受云雨天气的影响,而且基于雷达数据可以反演雷达植被指数(Radar Vegetation Index,RVI)。因此,本专利提出了一种基于哨兵1号RVI时间序列的农作物分类方法,提升农作物的分类精度。
发明内容
本发明提出了一种基于哨兵1号RVI时间序列的农作物分类方法,充分利用雷达数据全天候的特征,以及农作物在生长过程中不同农作物RVI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:获取哨兵1号卫星IW模式下VV-VH极化数据,构建覆盖农作物生长周期的遥感影像时间序列;步骤二:基于每一期VV-VH极化数据构建RVI指数(公式为RVI=σVH/σVV,式中σVH为VH极化的后向散射系数,σVV为VV极化的后向散射系数),然后整合形成RVI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RVI时间序列和样本数据作为输入,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。
附图说明
图1为基于哨兵1号RVI时间序列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“一种基于哨兵1号RVI时间序列的农作物分类方法”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2018年4月-12月期间的哨兵1号卫星IW模式观测数据(每月一期),形成遥感影像时间序列。
步骤二:基于步骤一获取的每一期VV-VH极化数据提取RVI。RVI计算方法如下所示:
RVI=σVH/σVV
其中,σVH代表VH极化的后向散射系数,σVV代表VV极化的后向散射系数。
将9个时相的RVI按照时间顺序叠加在一起形成RVI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2018年农作物分类图,获取农作物样本数据。
步骤四:以RVI时间序列和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92.8%。
Claims (1)
1.一种基于哨兵1号RVI时间序列的农作物分类方法,该方法包括如下步骤:步骤1)获取哨兵1号卫星IW模式下VV-VH极化数据,构建覆盖农作物生长周期的遥感影像时间序列;步骤2)基于每一期VV-VH极化数据构建RVI指数(公式为RVI=σVH/σVV,式中σVH为VH极化的后向散射系数,σVV为VV极化的后向散射系数),然后整合形成RVI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RVI时间序列和样本数据作为输入,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910820919.8A CN110532967A (zh) | 2019-09-02 | 2019-09-02 | 一种基于哨兵1号rvi时间序列的农作物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910820919.8A CN110532967A (zh) | 2019-09-02 | 2019-09-02 | 一种基于哨兵1号rvi时间序列的农作物分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110532967A true CN110532967A (zh) | 2019-12-03 |
Family
ID=68665942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910820919.8A Pending CN110532967A (zh) | 2019-09-02 | 2019-09-02 | 一种基于哨兵1号rvi时间序列的农作物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532967A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111123265A (zh) * | 2019-12-16 | 2020-05-08 | 广州地理研究所 | 基于雷达时序图像的菠萝种植范围提取方法及装置、设备 |
CN111178186A (zh) * | 2019-12-16 | 2020-05-19 | 广州地理研究所 | 基于哨兵遥感数据的水稻提取方法及装置、设备 |
CN111507303A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种湿地植物种类检测方法 |
CN113221790A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种基于雷达数据的田块轮作模式生成方法及装置 |
CN113505635A (zh) * | 2021-05-24 | 2021-10-15 | 中国农业大学 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
CN113505635B (zh) * | 2021-05-24 | 2024-05-31 | 中国农业大学 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509836A (zh) * | 2018-01-29 | 2018-09-07 | 中国农业大学 | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 |
CN108932521A (zh) * | 2018-04-26 | 2018-12-04 | 中国农业大学 | 一种基于深度学习的农作物分类方法及系统 |
CN110119717A (zh) * | 2019-05-15 | 2019-08-13 | 中国科学院遥感与数字地球研究所 | 一种基于时序ndvi与lst的农作物分类方法 |
-
2019
- 2019-09-02 CN CN201910820919.8A patent/CN110532967A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509836A (zh) * | 2018-01-29 | 2018-09-07 | 中国农业大学 | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 |
CN108932521A (zh) * | 2018-04-26 | 2018-12-04 | 中国农业大学 | 一种基于深度学习的农作物分类方法及系统 |
CN110119717A (zh) * | 2019-05-15 | 2019-08-13 | 中国科学院遥感与数字地球研究所 | 一种基于时序ndvi与lst的农作物分类方法 |
Non-Patent Citations (1)
Title |
---|
M. ARIAS 等: "CROP TYPE MAPPING BASED ON SENTINEL-1 BACKSCATTER TIME SERIES", 《IGARSS 2018 - 2018 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111123265A (zh) * | 2019-12-16 | 2020-05-08 | 广州地理研究所 | 基于雷达时序图像的菠萝种植范围提取方法及装置、设备 |
CN111178186A (zh) * | 2019-12-16 | 2020-05-19 | 广州地理研究所 | 基于哨兵遥感数据的水稻提取方法及装置、设备 |
CN111123265B (zh) * | 2019-12-16 | 2022-02-11 | 广东省科学院广州地理研究所 | 基于雷达时序图像的菠萝种植范围提取方法及装置、设备 |
CN111507303A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种湿地植物种类检测方法 |
CN113221790A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种基于雷达数据的田块轮作模式生成方法及装置 |
CN113505635A (zh) * | 2021-05-24 | 2021-10-15 | 中国农业大学 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
CN113505635B (zh) * | 2021-05-24 | 2024-05-31 | 中国农业大学 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532967A (zh) | 一种基于哨兵1号rvi时间序列的农作物分类方法 | |
CN110119717A (zh) | 一种基于时序ndvi与lst的农作物分类方法 | |
Peña et al. | Assessing fruit-tree crop classification from Landsat-8 time series for the Maipo Valley, Chile | |
Waldner et al. | Towards a set of agrosystem-specific cropland mapping methods to address the global cropland diversity | |
Zhong et al. | Automated mapping of soybean and corn using phenology | |
CN108896185B (zh) | 基于归一化沙漠指数的遥感地表温度空间降尺度方法 | |
Qiu et al. | Single-kernel FT-NIR spectroscopy for detecting supersweet corn (Zea mays L. saccharata sturt) seed viability with multivariate data analysis | |
Sehgal et al. | Inversion of radiative transfer model for retrieval of wheat biophysical parameters from broadband reflectance measurements | |
CN105551168B (zh) | 一种农田火灾遥感监测预警的方法及系统 | |
Yudhana et al. | GIS-based and Naïve Bayes for nitrogen soil mapping in Lendah, Indonesia | |
Mishra et al. | A Deep Learning-Based Novel Approach for Weed Growth Estimation. | |
Chen et al. | In-season diagnosis of winter wheat nitrogen status in smallholder farmer fields across a village using unmanned aerial vehicle-based remote sensing | |
Wang et al. | Estimation of leaf nitrogen concentration in wheat using the MK-SVR algorithm and satellite remote sensing data | |
Zhou et al. | A data mining approach for evaluation of optimal time-series of MODIS data for land cover mapping at a regional level | |
Chen et al. | A comparison of two adaptive multivariate analysis methods (PLSR and ANN) for winter wheat yield forecasting using Landsat-8 OLI images | |
CN109740631B (zh) | 基于对象的obia-svm-cnn遥感影像分类方法 | |
Mukherjee et al. | Damaged paddy leaf detection using image processing | |
Chen et al. | Investigating rice cropping practices and growing areas from MODIS data using empirical mode decomposition and support vector machines | |
CN111007013B (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
CN107871133A (zh) | 边缘检测网络的优化方法、路面病害的识别方法及系统 | |
Cui et al. | Predicting carbon and water vapor fluxes using machine learning and novel feature ranking algorithms | |
Reum et al. | Wavelet based multi-spectral image analysis of maize leaf chlorophyll content | |
Jiang et al. | Desertification in the south Junggar Basin, 2000–2009: Part I. Spatial analysis and indicator retrieval | |
CN107437112A (zh) | 一种基于改进多尺度核函数的混合rvm模型预测方法 | |
Yumang et al. | Bacterial Leaf Blight Identification of Rice Fields Using Tiny YOLOv3 |
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 |
Application publication date: 20191203 |
|
RJ01 | Rejection of invention patent application after publication |