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 PDF

Info

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
Application number
CN201910820919.8A
Other languages
English (en)
Inventor
占玉林
顾行发
余涛
刘艳
杨健
王春梅
李娟�
臧文乾
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.)
Research Institute Of Space Information (langfang) Of China Science
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Research Institute Of Space Information (langfang) Of China Science
Institute of Remote Sensing and Digital Earth of CAS
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 Research Institute Of Space Information (langfang) Of China Science, Institute of Remote Sensing and Digital Earth of CAS filed Critical Research Institute Of Space Information (langfang) Of China Science
Priority to CN201910820919.8A priority Critical patent/CN110532967A/zh
Publication of CN110532967A publication Critical patent/CN110532967A/zh
Pending legal-status Critical Current

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

一种基于哨兵1号RVI时间序列的农作物分类方法
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。
CN201910820919.8A 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 Pending CN110532967A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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