CN110909679A - 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 - Google Patents

冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 Download PDF

Info

Publication number
CN110909679A
CN110909679A CN201911156495.6A CN201911156495A CN110909679A CN 110909679 A CN110909679 A CN 110909679A CN 201911156495 A CN201911156495 A CN 201911156495A CN 110909679 A CN110909679 A CN 110909679A
Authority
CN
China
Prior art keywords
year
winter wheat
crop
area
planting area
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
CN201911156495.6A
Other languages
English (en)
Other versions
CN110909679B (zh
Inventor
周广胜
王树东
汲玉河
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.)
Chinese Academy of Meteorological Sciences CAMS
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Chinese Academy of Meteorological Sciences CAMS
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 Chinese Academy of Meteorological Sciences CAMS, Institute of Remote Sensing and Digital Earth of CAS filed Critical Chinese Academy of Meteorological Sciences CAMS
Priority to CN201911156495.6A priority Critical patent/CN110909679B/zh
Publication of CN110909679A publication Critical patent/CN110909679A/zh
Application granted granted Critical
Publication of CN110909679B publication Critical patent/CN110909679B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining

Abstract

本发明实施例提供了一种冬小麦历史种植区的休耕轮作信息遥感识别方法及系统，基于历年的时间序列遥感影像，并且结合冬小麦、轮作作物以及休耕作物的不同物候特征，可以有效的快速提取出冬小麦历史种植区内的轮作信息和休耕信息，相比传统的方法可以有效的提高估算精度和科学性。

Description

冬小麦历史种植区的休耕轮作信息遥感识别方法及系统
技术领域
本发明涉及植物信息识别技术领域，更具体地，涉及冬小麦历史种植区的休耕轮作信息遥感识别方法及系统。
背景技术
休耕轮作是传统的耕作制度，是农学、土壤学和应用气象学研究的重要内容。轮作是指在耕地上不同年间有顺序的轮换种植不同作物或以复种方式进行的种植方式；休耕是指耕地可种作物的季节只耕不种或不耕不种的方式，其目的主要是使耕地得到休养生息，以减少水分、养分的消耗，并积蓄雨水、消灭杂草，促进土壤潜在养分转化，为以后作物生长创造良好的土壤环境和条件。
冬小麦每年9-10月份播种，每年春季5-6月收获，大多分布在中国长江以北地区。冬小麦历史种植区的休耕轮作信息关系到土地粮食产出、生态环境保护、水资源恢复等方方面面，具有重大参考意义，同时也是不同级别行政区调整农业种植结构的依据。然而，由于休耕轮作过程中，休耕或轮作的模式多样，而且涉及到不同的作物，常规的人力监测方法很难达到令人满意的结果。
因此，现急需提供一种冬小麦历史种植区的休耕轮作信息遥感识别方法及系统。
发明内容
为克服上述问题或者至少部分地解决上述问题，本发明实施例提供了一种冬小麦历史种植区的休耕轮作信息遥感识别方法及系统。
第一方面，本发明实施例提供了一种冬小麦历史种植区的休耕轮作信息遥感识别方法，包括：
基于历年中每一年工作区域的时间序列遥感影像，确定每一年所述工作区域内的冬小麦年种植区，并确定所述工作区域内的冬小麦历史种植区；
基于历年中每一年工作区域的时间序列遥感影像、所述历年中每一年的冬小麦年种植区以及所述冬小麦历史种植区，确定所述历年中所述冬小麦历史种植区内的轮作信息以及休耕信息。
优选地，所述基于历年中每一年工作区域的时间序列遥感影像，确定每一年所述工作区域内的冬小麦年种植区，具体包括：
对于所述历年中的每一年，基于每一年所述工作区域的时间序列遥感影像中的每景遥感影像，计算所述遥感影像中每一像元的归一化植被指数；
基于所述时间序列遥感影像中同一像元位置处的归一化植被指数以及所述同一像元位置处的作物类型，生成所述同一像元位置处的第一类作物生育期物候曲线；
若判断获知所述第一类作物生育期物候曲线满足第一预设条件，则确定所述同一像元位置处的作物类型为冬小麦，所有作物类型为冬小麦的所述同一像元位置构成每一年所述工作区域内的冬小麦年种植区。
优选地，所述第一类作物生育期物候曲线满足第一预设条件，具体包括：
所述第一类作物生育期物候曲线上作物越冬后休眠期对应的归一化植被指数大于等于第一阈值，且所述第一类作物生育期物候曲线上作物生长期拐点对应的归一化植被指数与所述作物越冬后休眠期对应的归一化植被指数之差大于等于第二阈值；
所述第一类作物生育期物候曲线上作物成熟期拐点对应的归一化植被指数与作物收割期对应的归一化植被指数之差大于等于第三阈值；
所述第一类作物生育期物候曲线上作物生长高原区对应的归一化植被指数的波动指数小于等于第四阈值。
优选地，所述基于历年中每一年工作区域的时间序列遥感影像，确定每一年所述工作区域内的冬小麦年种植区，还包括：
若判断获知所述第一类作物生育期物候曲线上作物生长期拐点对应的归一化植被指数与所述作物越冬后休眠期对应的归一化植被指数之差大于等于第五阈值，则所述同一像元位置为每一年所述工作区域内的冬小麦年种植区对应的纯净像元位置；
否则，计算所述同一像元位置处冬小麦的种植比例，并基于所述种植比例，确定所述同一像元位置处的冬小麦种植面积。
优选地，所述基于所述时间序列遥感影像中同一像元位置处的归一化植被指数以及所述同一像元位置处的作物类型，生成所述同一像元位置处的作物生育期物候曲线之前，还包括：
基于Savitzky-Golay滤波模型，对所述遥感影像中每一像元的归一化植被指数进行滤波处理。
优选地，所述基于历年中每一年工作区域的时间序列遥感影像、所述历年中每一年的冬小麦年种植区以及所述冬小麦历史种植区，确定所述历年中所述冬小麦历史种植区内的轮作信息以及休耕信息，具体包括：
基于所述历年中每一年的冬小麦年种植区以及所述冬小麦历史种植区，判断所述历年中每一年是否种植冬小麦；
对于所述历年中未种植冬小麦的一年，则基于所述年所述工作区域的时间序列遥感影像中同一像元位置处的归一化植被指数以及所述同一像元位置处的作物类型，生成所述同一像元位置处的第二类作物生育期物候曲线；
若判断获知所述年的冬小麦历史种植区内作物种植前所述同一像元位置处的归一化植被指数以及所述第二类作物生育期物候曲线满足第二预设条件，则确定所述同一像元位置处的作物类型为轮作作物，所有作物类型为轮作作物的所述同一像元位置为轮作作物种植区；
所述年的冬小麦历史种植区内除所述轮作作物种植区外的区域为休耕区域。
优选地，所述年的冬小麦历史种植区内作物种植前所述同一像元位置处的归一化植被指数以及所述第二类作物生育期物候曲线满足第二预设条件，具体包括：
所述年的冬小麦历史种植区内作物种植前所述同一像元位置处的归一化植被指数大于等于第六阈值，且所述第二类作物生育期物候曲线上作物生长期拐点对应的归一化植被指数与所述年的冬小麦历史种植区内作物种植前所述同一像元位置处的归一化植被指数之差大于等于第七阈值；
所述第二类作物生育期物候曲线上作物收割期对应的归一化植被指数大于等于第八阈值，且所述第二类作物生育期物候曲线上作物成熟期拐点对应的归一化植被指数与作物收割期对应的归一化植被指数之差大于等于第九阈值；
所述第二类作物生育期物候曲线上作物生长高原区对应的归一化植被指数的波动指数小于等于第十阈值。
第二方面，本发明实施例提供了一种冬小麦历史种植区的休耕轮作信息遥感识别系统，包括：冬小麦历史种植区确定模块和轮作休耕信息确定模型。其中，
冬小麦历史种植区确定模块，用于基于历年中每一年工作区域的时间序列遥感影像，确定每一年所述工作区域内的冬小麦年种植区，并确定所述工作区域内的冬小麦历史种植区；
轮作休耕信息确定模型，用于基于历年中每一年工作区域的时间序列遥感影像、所述历年中每一年的冬小麦年种植区以及所述冬小麦历史种植区，确定所述历年中所述冬小麦历史种植区内的轮作信息以及休耕信息。
第三方面，本发明实施例提供了一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的冬小麦历史种植区的休耕轮作信息遥感识别方法的步骤。
第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的冬小麦历史种植区的休耕轮作信息遥感识别方法的步骤。。
本发明实施例提供的一种冬小麦历史种植区的休耕轮作信息遥感识别方法及系统，基于历年中每一年的时间序列遥感影像，并且结合冬小麦、轮作作物以及休耕作物的不同物候特征，可以有效的快速提取出冬小麦历史种植区内的轮作信息和休耕信息，相比传统的方法可以有效的提高估算精度和科学性。
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的一种冬小麦历史种植区的休耕轮作信息遥感识别方法的流程示意图；
图2为本发明实施例提供的一种冬小麦历史种植区的休耕轮作信息遥感识别系统的结构示意图；
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
由于卫星遥感数据具有效率高、客观性等特点，可有效获取林地、牧草地等部分生产性土地面积以及耕地复种指数等，因而基于遥感信息的冬小麦耕种的时间序列变化和休耕、轮作情况识别具有很大的潜力和优势。
国内外相关研究表明，关于冬小麦遥感信息的提取主要集中在土地利用分类方法、机器学习方法、时间序列分析方法等方面。土地利用分类方法，由于地物光谱的复杂性，往往因为时相选择或光谱的复杂性等原因导致结果并不理想；机器学习方法往往需要大量的样本学习，而且对于大区域往往出现很大的不确定性；关于时间序列分析方法，目前应用的比较广泛，然而，大都算法复杂，效率比较低。
关于休耕轮作信息提取，需要在提取冬小麦面积的基础上开展休耕或轮作的年际变化信息提取。关于这方面的研究并不多见，而且采用的方法大都比较复杂，并且在应用推广上有很大难度，因此难以进行大面积的观测。
基于此，本发明实施例中提供了一种冬小麦历史种植区的休耕轮作信息遥感识别方法，
如图1所示，本发明实施例中提供了一种冬小麦历史种植区的休耕轮作信息遥感识别方法，包括：
S1，基于历年中每一年工作区域的时间序列遥感影像，确定每一年所述工作区域内的冬小麦年种植区，并确定所述工作区域内的冬小麦历史种植区；
S2，基于历年中每一年工作区域的时间序列遥感影像、历年中每一年的冬小麦年种植区以及所述冬小麦历史种植区，确定所述历年中所述冬小麦历史种植区内的轮作信息以及休耕信息。
具体地，本发明实施例中提供的冬小麦历史种植区的休耕轮作信息遥感识别方法中，执行主体可以是服务器，具体可以是电脑等硬件设备，也可以是包含在硬件设备内的功能模块，本发明实施例中对此不作具体限定。工作区域是指研究区域，目标区域内会种植冬小麦，还可以种植夏玉米、春玉米等。冬小麦历史种植区是指历年中种植过冬小麦的区域集合，是指历年中每一年的冬小麦年种植区的并集。
由于冬小麦属于越冬作物，物候特征比较明显，并且在初春与其他地物的光谱相差明显，对于轮作作物，由于数据接茬种植，因此在时间序列上可以有效的反映轮作作物的物候特征；对于休耕作物，由于休耕作物在时间序列上荒地的变化特征明显有别于其他作物生长的物候特征，因此根据历年中每一年工作区域的时间序列遥感影像，可以分辨出在何时何地种植了冬小麦、轮作作物以及休耕作物。
首先执行步骤S1。其中，历年具体可以根据需要进行选择，例如历史5年、历史10年等。每一年工作区域的时间序列遥感影像包括该年内多个时间节点上工作区域的每景遥感影像，时间节点的数量与遥感影像的景数相同，时间序列遥感影像中包含的遥感影像的景数可以根据需要进行设置。时间序列遥感影像可以是具有预设时间分辨率的遥感影像，预设时间分辨率可以是时间分辨率大于等于预设值。也即本发明实施例中可以采用高时间分辨率的时间序列遥感影像，例如选择MODIS等高时间分辨率的时间序列遥感影像。
以历年中的第i(1≤i≤I，I为历年中包含的年数)年为例，根据第i年工作区域的时间序列遥感影像，确定出第i年工作区域内的冬小麦年种植区，具体可以根据第i年工作区域的时间序列遥感影像中的每景遥感影像，分别确定出一个冬小麦种植区，将所有景遥感影像对应的冬小麦种植区的交集作为第i年工作区域内的冬小麦年种植区。
需要说明的是，每一年工作区域内的冬小麦年种植区可能发生不同的面积变化，而且由于工作区域内可能存在休耕阶段/或轮作阶段，得到的第i年工作区域内的冬小麦年种植区可能为空。例如，I＝10，得到的第4年工作区域内的冬小麦年种植区为空，即表示第4年工作区域内未种植冬小麦，未种植冬小麦又可分为种植了轮作作物和种植了休耕作物。
在确定出历年中每一年工作区域内的冬小麦年种植区之后，取历年对应的所有冬小麦年种植区的并集，即得到工作区域内的冬小麦历史种植区。
然后执行步骤S2。其中，休耕信息是指何时在冬小麦历史种植区内的哪一区域种植了休耕作物的相关信息，轮作信息是指何时在冬小麦历史种植区内的哪一区域种植了轮作作物的相关信息。
首先根据历年中每一年的冬小麦年种植区以及冬小麦历史种植区，判断历年中哪些年冬小麦历史种植区内未种植冬小麦，说明这些年中年冬小麦历史种植区可能是处于休耕阶段和/或轮作阶段。然后根据历年中每一年工作区域的时间序列遥感影像，确定出冬小麦历史种植区内未种植冬小麦的那些年中是种植了轮作作物还是种植了休耕作物。种植了轮作作物即表示冬小麦历史种植区内种植轮作作物的区域处于轮作阶段，确定了轮作作物的种植年以及种植区域即确定了冬小麦历史种植区内的轮作信息。冬小麦历史种植区内除轮作作物的种植区外的区域即处于休耕阶段，其内种植了休耕作物。
例如，第4年冬小麦历史种植区内未种植冬小麦，则根据第4年工作区域的时间序列遥感影像，确定出第4年冬小麦历史种植区内中是种植了轮作作物还是种植了休耕作物，进而确定出轮作信息以及休耕信息。
本发明实施例中提供的冬小麦历史种植区的休耕轮作信息遥感识别方法，基于历年中每一年的时间序列遥感影像，并且结合冬小麦、轮作作物以及休耕作物的不同物候特征，可以有效的快速提取出冬小麦历史种植区内的轮作信息和休耕信息，相比传统的方法可以有效的提高估算精度和科学性。
在上述实施例的基础上，本发明实施例中提供的冬小麦历史种植区的休耕轮作信息遥感识别方法，所述基于历年中每一年工作区域的时间序列遥感影像，确定每一年所述工作区域内的冬小麦年种植区，具体包括：
对于所述历年中的每一年，基于每一年所述工作区域的时间序列遥感影像中的每景遥感影像，计算所述遥感影像中每一像元的归一化植被指数；
基于所述时间序列遥感影像中同一像元位置处的归一化植被指数以及所述同一像元位置处的作物类型，生成所述同一像元位置处的第一类作物生育期物候曲线；
若判断获知所述第一类作物生育期物候曲线满足第一预设条件，则确定所述同一像元位置处的作物类型为冬小麦，所有作物类型为冬小麦的所述同一像元位置构成每一年所述工作区域内的冬小麦年种植区。
具体地，本发明实施例中，在确定每一年工作区域内的冬小麦年种植区时，具体根据每一年工作区域的时间序列遥感影像中的遥感数据确定出归一化植被指数(NormalizedDifference Vegetation Index，NDVI)，然后根据冬小麦的物候特征，确定出冬小麦年种植区。由于气候的差异，需要综合物候曲线，分析不同作物、不同生育期的不同阶段生长时间节点的NDVI值及其变化趋势等。
以历年中的第i年为例，第i年工作区域的时间序列遥感影像中包含有K景遥感影像，K为时间序列遥感影像中包含的遥感影像的景数，也即时间节点的数量。对于第k(1≤k≤K)景遥感影像，具体可以通过如下公式(1)计算第k景遥感影像中每一像元j(1≤j≤J，J为第k景遥感影像中的像元数量)的NDVI。
Figure BDA0002284944290000091
其中，Rnir为像元j对应的遥感数据中近红波段的反射率，Rr为像元j对应的遥感数据中红波段的反射率。
确定出第i年工作区域的时间序列遥感影像中K景遥感影像中每一像元的NDVI后，根据时间序列遥感影像中同一像元位置处的NDVI以及同一像元位置处的作物类型，生成同一像元位置处的第一类作物生育期物候曲线。由于每景遥感影像中的像元数量均相同，所以同一像元位置处的NDVI共有K个，形成时间序列的NDVI。以像元位置j为例，根据时间序列的NDVI以及像元位置j处的作物类型，生成像元位置j处的第一类作物生育期物候曲线，并分析不同作物不同生育期的作物生育期物候曲线，提取作物种植、封垄、拔节等不同阶段曲线的时间点特征。需要说明的是，每种作物的作物生育期物候曲线用于表征该种作物在生育期的物候特征。对于冬小麦来说，生育期包括耕种期、越冬后休眠期、生长期、成熟期以及收割期。因此可以通过判断第一类作物生育期物候曲线是否满足第一预设条件，确定出像元位置j处的作物类型为冬小麦，所有作物类型为冬小麦的像元位置j构成第i年工作区域内的冬小麦年种植区。第一预设条件是指冬小麦的作物生育期物候曲线区别于其他作物的作物生育期物候曲线的条件。
本发明实施例中提供了一种确定冬小麦年种植区的方法，根据某一年的时间序列遥感影像，并结合作物生育期物候曲线，可以准确确定出历年中每一年的冬小麦年种植区。
在上述实施例的基础上，本发明实施例中提供的冬小麦历史种植区的休耕轮作信息遥感识别方法，所述第一类作物生育期物候曲线满足第一预设条件，具体包括：
所述第一类作物生育期物候曲线上作物越冬后休眠期对应的归一化植被指数大于等于第一阈值，且所述第一类作物生育期物候曲线上作物生长期拐点对应的归一化植被指数与所述作物越冬后休眠期对应的归一化植被指数之差大于等于第二阈值；
所述第一类作物生育期物候曲线上作物成熟期拐点对应的归一化植被指数与作物收割期对应的归一化植被指数之差大于等于第三阈值；
所述第一类作物生育期物候曲线上作物生长高原区对应的归一化植被指数的波动指数小于等于第四阈值。
具体地，本发明实施例中，第一预设条件中主要考虑作物越冬休眠期、作物生长期以及作物成熟期这三个生育期阶段。以第i年工作区域的时间序列遥感影像中K景遥感影像中像元位置j处的第一类作物生育期物候曲线为例进行说明。
首先包括：第一类作物生育期物候曲线上作物越冬后休眠期对应的NDVI大于等于第一阈值，且第一类作物生育期物候曲线上作物生长期拐点对应的NDVI与作物越冬后休眠期对应的NDVI之差大于等于第二阈值。其中，第一阈值和第二阈值的具体取值可以根据经验值确定，本发明实施例中对此不作具体限定。第一类作物生育期物候曲线上作物生长期拐点对应的NDVI与作物越冬后休眠期对应的NDVI之差可以用作物耕种期提取指数DTZI表示，上述条件可以通过如下公式(2)表示：
NDVIt0≥b1，DTZI≥b2； (2)
其中，t0表示作物越冬后休眠期中的某一时间点，本发明实施例中用t0代表作物越冬后休眠期，NDVIt0表示作物越冬后休眠期对应的NDVI，b1为第一阈值，DTZI＝NDVIt1-NDVIt0，t1为作物生长期拐点，NDVIt1为作物生长期拐点对应的NDVI，b2为第二阈值。
然后包括：第一类作物生育期物候曲线上作物成熟期拐点对应的NDVI与作物收割期对应的NDVI之差大于等于第三阈值。其中，第三阈值的具体取值可以根据经验值确定，本发明实施例中对此不作具体限定。作物成熟期拐点对应的NDVI与作物收割期对应的NDVI之差可以表示为作物收割期提取指数DTSI。上述条件具体可以通过如下公式(3)表示。
DTSI≥b3； (3)
其中，DSTI＝NDVIt3-NDVIt2，t3为作物成熟期拐点，NDVIt3为作物成熟期拐点对应的NDVI，t2为作物收割期中的某一时间点，本发明实施例中用t2代表作物收割期，NDVIt2为作物收割期对应的NDVI，b3为第三阈值。
最后包括：第一类作物生育期物候曲线上作物生长高原区对应的NDVI的波动指数小于等于第四阈值。其中，作物生长高原区是第一类作物生育期物候曲线上作物生长期中生长最旺盛的一段。第四阈值的具体取值可以根据经验值确定，本发明实施例中对此不作具体限定。上述条件具体可以通过如下公式(4)表示。
CYZI≤b4； (4)
其中，CYZI为作物生长高原区对应的NDVI的波动指数，且有
Figure BDA0002284944290000121
NDVIk为第k景遥感影像中像元位置j处对应的NDVI，
Figure BDA0002284944290000122
为作物生长高原区对应的NDVI均值，b4为第四阈值。
本发明实施例中提供了一种第一预设条件，具体包括三部分，可以准确区分出冬小麦的作物生育期物候曲线与其他作物的作物生育期物候曲线。
在上述实施例的基础上，本发明实施例中提供的冬小麦历史种植区的休耕轮作信息遥感识别方法，所述基于历年中每一年工作区域的时间序列遥感影像，确定每一年所述工作区域内的冬小麦年种植区，还包括：
若判断获知所述第一类作物生育期物候曲线上作物生长期拐点对应的归一化植被指数与所述作物越冬后休眠期对应的归一化植被指数之差大于等于第五阈值，则所述同一像元位置为每一年所述工作区域内的冬小麦年种植区对应的纯净像元位置；
否则，计算所述同一像元位置处冬小麦的种植比例，并基于所述种植比例，确定所述同一像元位置处的冬小麦种植面积。
具体地，本发明实施例中，在确定每一年工作区域内的冬小麦年种植区时，当采用的是高时间分辨率的时间序列遥感影像时，由于高时间分辨率的遥感影像空间分辨率相对低，因此有大量混合像元，因此本发明实施例中将冬小麦纯净像元和混合像元分开分析。
以第i年工作区域的时间序列遥感影像中K景遥感影像中像元位置j处的作物生育期物候曲线为例进行说明。
当作物生育期物候曲线满足如公式(2)、(3)、(4)示出的第一预设条件的基础上，如果作物生育期物候曲线上作物生长期拐点对应的NDVI与作物越冬后休眠期对应的NDVI之差大于等于第五阈值，则像元位置j为第i年工作区域内的冬小麦年种植区对应的纯净像元位置。即有公式(5)。
DTZI≥b5； (5)
其中，b5为第五阈值。
本发明实施例中，可以将每个纯净像元位置的属性标记为QB，得到所有纯净像元位置表示的冬小麦年种植区面积为：
Sbf＝p*n3； (6)
其中，Sbf为所有纯净像元位置表示的冬小麦年种植区面积，p为每个纯净像元位置对应的像元面积，n3为纯净像元位置的数量。
如果作物生育期物候曲线不满足公式(5)，则像元位置j为第i年工作区域内的冬小麦年种植区对应的混合像元位置，计算混合像元位置中冬小麦所占的比例，如公式(7)：
Figure BDA0002284944290000131
其中，VPI为混合像元位置中冬小麦所占的比例，
Figure BDA0002284944290000132
为t1时刻荒地的NDVI均值，
Figure BDA0002284944290000133
为t1时刻冬小麦的NDVI均值。
本发明实施例中，可以将种植有冬小麦的混合像元位置的属性表示为BF，得到某一混合像元位置中包含的冬小麦年种植区面积为：
Sh1＝p*VPI； (8)
其中，Sh1为某一混合像元位置中包含的冬小麦年种植区面积，p为每个混合像元位置对应的像元面积。
所有混合像元位置中包含的冬小麦年种植区面积为：
Sh＝p*VPI*n4； (9)
其中，Sh为所有混合像元位置中包含的冬小麦年种植区面积，p为每个混合像元位置对应的像元面积，n4为混合像元位置的数量。
最终得到冬小麦年种植区面积S为：
S＝Sh+Sbf； (10)
在上述实施例的基础上，本发明实施例中提供的冬小麦历史种植区的休耕轮作信息遥感识别方法，所述基于所述时间序列遥感影像中同一像元位置处的归一化植被指数以及所述同一像元位置处的作物类型，生成所述同一像元位置处的作物生育期物候曲线之前，还包括：
基于Savitzky-Golay滤波模型，对所述遥感影像中每一像元的归一化植被指数进行滤波处理。
具体地，本发明实施例中，采用的Savitzky-Golay滤波模型，基本公式如下：
Figure BDA0002284944290000141
式中，Y是指NDVI的原始值，Y*是NDVI的拟合值，Ci是第i个NDVI滤波时的系数，N是指卷积数目，也等于滑动数组的宽度(2m+1)。系数j是指原始NDVI数组的系数。滑动数组包含有(2m+1)个点。该方法在本质上是平滑滤波，因此两个参数控制滤波效果，一个是m，即滤波窗口大小；二是平滑多项式的次数。
在上述实施例的基础上，本发明实施例中提供的冬小麦历史种植区的休耕轮作信息遥感识别方法，在确定出每一年的冬小麦年种植区时，可以先根据历史I年中的第一年Y1工作区域的时间序列遥感影像，确定出第一年Y1工作区域内满足公式(2)、(3)、(4)的同一像元位置的集合，即为集合U1，集合U1即构成第一年Y1工作区域内的冬小麦年种植区。集合U1中的每一像元位置均标记为DXMy1。然后，以第一年Y1工作区域内的冬小麦年种植区为基准，确定除第一年Y1外的第i年Yi相对于第i-1年的种植信息和非种植信息变化。
根据历史I年中的第二年Y2工作区域的时间序列遥感影像，确定出第二年Y2工作区域内满足公式(2)、(3)、(4)的同一像元位置的集合，即为集合U2，集合U2即构成第二年Y2工作区域内的冬小麦年种植区。集合U2中的每一像元位置均标记为DXMy0。同时，第二年Y2相比于第一年Y1，冬小麦年种植区增加的区域集合表示为U21，区域集合U21中每个像元位置的属性表示为ZDy2，即为第一年Y1的非种植信息。第二年Y2相比于第一年Y1，冬小麦年种植区中非耕种或减少的区域集合表示为U22，即第二年Y2非冬小麦年种植区表示为FDy2；以此类推，第i年得到的标记为DXMy0的像元位置的集合为Ui，集合Ui即构成第i年Yi工作区域内的冬小麦年种植区。同时第i年相比于第i-1年得到的标记为DXMy0的像元位置增加的集合表示为Ui1，即第i年Yi冬小麦年种植区表示为ZDyi；第i年相比于第i-1年得到的标记为DXMy0的像元位置减少的集合表示为Ui2，即第i年Yi非冬小麦年种植区表示为FDyi。假设历年中包含的年数为I，则第I年工作区域内标记为DXMy0的像元位置的集合为UI。集合U1、U2、…、Ui、…、UI的并集构成冬小麦历史种植区。
将属性为DXMy0的像元位置赋值为1，其余的像元位置赋值为0，则历年中像元位置j处冬小麦种植信息判定指数ZZMIj可表示为如公式(12)所示：
Figure BDA0002284944290000151
式中，Bij为像元位置j在第i年的赋值，如果像元位置j在第i年中有冬小麦则判定为1，否则为0。
当ZZMIj≥1时，则判定像元位置j包含在冬小麦历史种植区内，所有满足ZZMIj≥1的像元位置j构成的集合即为冬小麦年种植区，属性统一表示为DXMy0，并将其矢量化。由此，可以得到冬小麦历史种植区PZZMI。
在上述实施例的基础上，本发明实施例中提供的冬小麦历史种植区的休耕轮作信息遥感识别方法，所述基于历年中每一年工作区域的时间序列遥感影像、所述历年中每一年的冬小麦年种植区以及所述冬小麦历史种植区，确定所述历年中所述冬小麦历史种植区内的轮作信息以及休耕信息，具体包括：
基于所述历年中每一年的冬小麦年种植区以及所述冬小麦历史种植区，判断所述历年中每一年是否种植冬小麦；
对于所述历年中未种植冬小麦的一年，则基于所述年所述工作区域的时间序列遥感影像中同一像元位置处的归一化植被指数以及所述同一像元位置处的作物类型，生成所述同一像元位置处的第二类作物生育期物候曲线；
若判断获知所述年的冬小麦历史种植区内作物种植前所述同一像元位置处的归一化植被指数以及所述第二类作物生育期物候曲线满足第二预设条件，则确定所述同一像元位置处的作物类型为轮作作物，所有作物类型为轮作作物的所述同一像元位置为轮作作物种植区；
所述年的冬小麦历史种植区内除所述轮作作物种植区外的区域为休耕区域。
具体地，本发明实施例中，以确定历史I年中冬小麦历史种植区内的轮作信息以及休耕信息为例进行说明，首先根据历史I年中每一年的冬小麦年种植区以及冬小麦历史种植区，判断历年中每一年是否种植冬小麦。具体是判断冬小麦年种植区与冬小麦历史种植区之间是否有交集，如果第i年的冬小麦年种植区与冬小麦历史种植区之间有交集，则认为第i年种植了冬小麦，否则第i年没有种植冬小麦。
将每一年的冬小麦年种植区与PZZMI进行比较，提取冬小麦非种植区。将每一年的冬小麦年种植区中标记为DXMy0的像元位置赋值为1，工作区域内除冬小麦年种植区外的像元位置赋值为0，则第i年冬小麦种植指数FZZMIi可采用如下公式(13)计算得到：
FZZMIi＝PZZMI-Bij (13)
如果FZZMIi＝1，则判定为第i年像元位置j处没有种植冬小麦，为0则判定为第i年像元位置j处有种植冬小麦。
如果第i年内未种植冬小麦，则第i年的冬小麦年种植区为空，第i年的冬小麦历史种植区内可能种植有轮作作物或者休耕作物。则根据第i年工作区域的时间序列遥感影像中同一像元位置j处的NDVI以及同一像元位置j处的作物类型，生成同一像元位置j处的第二类作物生育期物候曲线。若时间序列遥感影像中共存在K景遥感影像，则同一像元位置j处共有K个NDVI，形成时间序列的NDVI。将时间序列的NDVI连成线，并对应于同一像元位置j处的作物类型，形成第二类作物生育期物候曲线。然后，判断第i年的冬小麦历史种植区内作物种植前同一像元位置j处的NDVI以及第二类作物生育期物候曲线是否满足第二预设条件，如果满足第二预设条件则确定同一像元位置j处的作物类型为轮作作物，所有作物类型为轮作作物的所述同一像元位置构成轮作作物种植区。第二预设条件是指轮作作物的作物生育期物候曲线区别于其他作物的作物生育期物候曲线的条件。
相应地，第i年的冬小麦历史种植区内除轮作作物种植区外的区域为休耕区域。
本发明实施例中提供了一种确定轮作信息和休耕信息的方法，根据某一年的时间序列遥感影像，并结合作物生育期物候曲线，可以准确确定出轮作信息和休耕信息。
在上述实施例的基础上，本发明实施例中提供的冬小麦历史种植区的休耕轮作信息遥感识别方法，所述年的冬小麦历史种植区内作物种植前所述同一像元位置处的归一化植被指数以及所述第二类作物生育期物候曲线满足第二预设条件，具体包括：
所述年的冬小麦历史种植区内作物种植前所述同一像元位置处的归一化植被指数大于等于第六阈值，且所述第二类作物生育期物候曲线上作物生长期拐点对应的归一化植被指数与所述年的冬小麦历史种植区内作物种植前所述同一像元位置处的归一化植被指数之差大于等于第七阈值；
所述第二类作物生育期物候曲线上作物收割期对应的归一化植被指数大于等于第八阈值，且所述作物生育期物候曲线上作物成熟期拐点对应的归一化植被指数与作物收割期对应的归一化植被指数之差大于等于第九阈值；
所述第二类作物生育期物候曲线上作物生长高原区对应的归一化植被指数的波动指数小于等于第十阈值。
具体地，本发明实施例中，第二预设条件中主要考虑作物越冬休眠期、作物生长期以及作物成熟期这三个生育期阶段。选择冬小麦历史种植区域不同作物不同生育期的物候曲线作为参照，以第i年工作区域的时间序列遥感影像中K景遥感影像中像元位置j处的第二类作物生育期物候曲线为例进行说明。
首先包括：第i年的冬小麦历史种植区内作物种植前同一像元位置j处的NDVI大于等于第六阈值，且第二类作物生育期物候曲线上作物生长期拐点对应的NDVI与第i年的冬小麦历史种植区内作物种植前同一像元位置j处的NDVI之差大于等于第七阈值。其中，第六阈值和第七阈值的具体取值可以根据经验值确定，本发明实施例中对此不作具体限定。第二类作物生育期物候曲线上作物生长期拐点对应的NDVI与第i年的冬小麦历史种植区内作物种植前同一像元位置j处的NDVI之差可以用作物耕种期提取指数LZZI表示，上述条件可以通过如下公式(14)表示：
NDVIt5≥b6，LZZI≥b7； (14)
其中，t5表示第i年的冬小麦历史种植区内作物种植前的某一时间点，本发明实施例中用t5代表第i年的冬小麦历史种植区内作物种植前的阶段，NDVIt5表示第i年的冬小麦历史种植区内作物种植前同一像元位置j处的NDVI，b6为第六阈值，LZZI＝NDVIt6-NDVIt5，t6为第二类作物生育期物候曲线上作物生长期拐点，NDVIt6为第二类作物生育期物候曲线上作物生长期拐点对应的NDVI，b7为第七阈值。
然后包括：第二类作物生育期物候曲线上作物收割期对应的NDVI大于等于第八阈值，且第二类作物生育期物候曲线上作物成熟期拐点对应的NDVI与作物收割期对应的NDVI之差大于等于第九阈值。其中，第八阈值和第九阈值的具体取值可以根据经验值确定，本发明实施例中对此不作具体限定。第二类作物生育期物候曲线上作物成熟期拐点对应的NDVI与作物收割期对应的NDVI之差可以表示为作物收割期提取指数LZSI。上述条件具体可以通过如下公式(15)表示。
NDVIt7≥b8，LZSI≥b9； (15)
其中，LZSI＝NDVIt7-NDVIt8，t7为作物成熟期拐点，NDVIt7为作物成熟期拐点对应的NDVI，t8为作物收割期中的某一时间点，本发明实施例中用t8代表作物收割期，NDVIt8为作物收割期对应的NDVI，b8为第八阈值，b9为第九阈值。
最后包括：第二类作物生育期物候曲线上作物生长高原区对应的归一化植被指数的波动指数小于等于第十阈值。其中，作物生长高原区是作物生育期物候曲线上作物生长期中生长最旺盛的一段。第十阈值的具体取值可以根据经验值确定，本发明实施例中对此不作具体限定。上述条件具体可以通过如下公式(16)表示。
CYZIlz≤b10； (16)
其中，CYZIlz为作物生长高原区对应的NDVI的波动指数，且有
Figure BDA0002284944290000201
NDVIk为第k景遥感影像中像元位置j处对应的NDVI，
Figure BDA0002284944290000202
为作物生长高原区对应的NDVI均值，b10为第十阈值。
本发明实施例中提供了一种第二预设条件，具体包括三部分，可以准确区分出轮作作物的作物生育期物候曲线区别于其他作物的作物生育期物候曲线。
第i年的冬小麦历史种植区中，扣除轮作区域，余下的则为休耕区域。
在上述实施例的基础上，本发明实施例中提供的冬小麦历史种植区的休耕轮作信息遥感识别方法，还可以确定冬小麦历史种植区的冬小麦种植强度。
冬小麦历史种植区中像元位置j处的冬小麦种植强度可以通过像元位置j处的冬小麦种植强度指数DZDIj表示，如公式(17)所示：
Figure BDA0002284944290000203
冬小麦历史种植区的冬小麦种植强度AZDI可通过公式(18)计算：
Figure BDA0002284944290000204
公式中，Ci为第i年冬小麦历史种植区中种植除冬小麦以外的作物的判定指数，取1为种植，0为非种植。
如图2所示，在上述实施例的基础上，本发明实施例中提供了一种冬小麦历史种植区的休耕轮作信息遥感识别系统，包括：冬小麦历史种植区确定模块21和轮作休耕信息确定模型22。其中，
冬小麦历史种植区确定模块21用于基于历年中每一年工作区域的时间序列遥感影像，确定每一年所述工作区域内的冬小麦年种植区，并确定所述工作区域内的冬小麦历史种植区；
轮作休耕信息确定模型22用于基于历年中每一年工作区域的时间序列遥感影像、所述历年中每一年的冬小麦年种植区以及所述冬小麦历史种植区，确定所述历年中所述冬小麦历史种植区内的轮作信息以及休耕信息。
具体地，本发明实施例中提供的冬小麦历史种植区的休耕轮作信息遥感识别系统中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述方法类实施例，本发明实施例中对此不再赘述。
图3所示，在上述实施例的基础上，本发明实施例中提供了一种电子设备，包括：处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和总线304；其中，
所述处理器301、存储器302、通信接口303通过总线304完成相互间的通信。所述存储器302存储有可被所述处理器301执行的程序指令，处理器301用于调用存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：基于历年中每一年工作区域的时间序列遥感影像，确定每一年所述工作区域内的冬小麦年种植区，并确定所述工作区域内的冬小麦历史种植区；基于历年中每一年工作区域的时间序列遥感影像、所述历年中每一年的冬小麦年种植区以及所述冬小麦历史种植区，确定所述历年中所述冬小麦历史种植区内的轮作信息以及休耕信息。
存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例的基础上，本发明实施例中提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：基于历年中每一年工作区域的时间序列遥感影像，确定每一年所述工作区域内的冬小麦年种植区，并确定所述工作区域内的冬小麦历史种植区；基于历年中每一年工作区域的时间序列遥感影像、所述历年中每一年的冬小麦年种植区以及所述冬小麦历史种植区，确定所述历年中所述冬小麦历史种植区内的轮作信息以及休耕信息。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种冬小麦历史种植区的休耕轮作信息遥感识别方法，其特征在于，包括：
基于历年中每一年工作区域的时间序列遥感影像，确定每一年所述工作区域内的冬小麦年种植区，并确定所述工作区域内的冬小麦历史种植区；
基于历年中每一年工作区域的时间序列遥感影像、所述历年中每一年的冬小麦年种植区以及所述冬小麦历史种植区，确定所述历年中所述冬小麦历史种植区内的轮作信息以及休耕信息。
2.根据权利要求1所述的冬小麦历史种植区的休耕轮作信息遥感识别方法，其特征在于，所述基于历年中每一年工作区域的时间序列遥感影像，确定每一年所述工作区域内的冬小麦年种植区，具体包括：
对于所述历年中的每一年，基于每一年所述工作区域的时间序列遥感影像中的每景遥感影像，计算所述遥感影像中每一像元的归一化植被指数；
基于所述时间序列遥感影像中同一像元位置处的归一化植被指数以及所述同一像元位置处的作物类型，生成所述同一像元位置处的第一类作物生育期物候曲线；
若判断获知所述第一类作物生育期物候曲线满足第一预设条件，则确定所述同一像元位置处的作物类型为冬小麦，所有作物类型为冬小麦的所述同一像元位置构成每一年所述工作区域内的冬小麦年种植区。
3.根据权利要求2所述的冬小麦历史种植区的休耕轮作信息遥感识别方法，其特征在于，所述第一类作物生育期物候曲线满足第一预设条件，具体包括：
所述第一类作物生育期物候曲线上作物越冬后休眠期对应的归一化植被指数大于等于第一阈值，且所述第一类作物生育期物候曲线上作物生长期拐点对应的归一化植被指数与所述作物越冬后休眠期对应的归一化植被指数之差大于等于第二阈值；
所述第一类作物生育期物候曲线上作物成熟期拐点对应的归一化植被指数与作物收割期对应的归一化植被指数之差大于等于第三阈值；
所述第一类作物生育期物候曲线上作物生长高原区对应的归一化植被指数的波动指数小于等于第四阈值。
4.根据权利要求3所述的冬小麦历史种植区的休耕轮作信息遥感识别方法，其特征在于，所述基于历年中每一年工作区域的时间序列遥感影像，确定每一年所述工作区域内的冬小麦年种植区，还包括：
若判断获知所述第一类作物生育期物候曲线上作物生长期拐点对应的归一化植被指数与所述作物越冬后休眠期对应的归一化植被指数之差大于等于第五阈值，则所述同一像元位置为每一年所述工作区域内的冬小麦年种植区对应的纯净像元位置；
否则，计算所述同一像元位置处冬小麦的种植比例，并基于所述种植比例，确定所述同一像元位置处的冬小麦种植面积。
5.根据权利要求2所述的冬小麦历史种植区的休耕轮作信息遥感识别方法，其特征在于，所述基于所述时间序列遥感影像中同一像元位置处的归一化植被指数以及所述同一像元位置处的作物类型，生成所述同一像元位置处的作物生育期物候曲线之前，还包括：
基于Savitzky-Golay滤波模型，对所述遥感影像中每一像元的归一化植被指数进行滤波处理。
6.根据权利要求1-5中任一项所述的冬小麦历史种植区的休耕轮作信息遥感识别方法，其特征在于，所述基于历年中每一年工作区域的时间序列遥感影像、所述历年中每一年的冬小麦年种植区以及所述冬小麦历史种植区，确定所述历年中所述冬小麦历史种植区内的轮作信息以及休耕信息，具体包括：
基于所述历年中每一年的冬小麦年种植区以及所述冬小麦历史种植区，判断所述历年中每一年是否种植冬小麦；
对于所述历年中未种植冬小麦的一年，则基于所述年所述工作区域的时间序列遥感影像中同一像元位置处的归一化植被指数以及所述同一像元位置处的作物类型，生成所述同一像元位置处的第二类作物生育期物候曲线；
若判断获知所述年的冬小麦历史种植区内作物种植前所述同一像元位置处的归一化植被指数以及所述第二类作物生育期物候曲线满足第二预设条件，则确定所述同一像元位置处的作物类型为轮作作物，所有作物类型为轮作作物的所述同一像元位置为轮作作物种植区；
所述年的冬小麦历史种植区内除所述轮作作物种植区外的区域为休耕区域。
7.根据权利要求6所述的冬小麦历史种植区的休耕轮作信息遥感识别方法，其特征在于，所述年的冬小麦历史种植区内作物种植前所述同一像元位置处的归一化植被指数以及所述第二类作物生育期物候曲线满足第二预设条件，具体包括：
所述年的冬小麦历史种植区内作物种植前所述同一像元位置处的归一化植被指数大于等于第六阈值，且所述第二类作物生育期物候曲线上作物生长期拐点对应的归一化植被指数与所述年的冬小麦历史种植区内作物种植前所述同一像元位置处的归一化植被指数之差大于等于第七阈值；
所述第二类作物生育期物候曲线上作物收割期对应的归一化植被指数大于等于第八阈值，且所述第二类作物生育期物候曲线上作物成熟期拐点对应的归一化植被指数与作物收割期对应的归一化植被指数之差大于等于第九阈值；
所述第二类作物生育期物候曲线上作物生长高原区对应的归一化植被指数的波动指数小于等于第十阈值。
8.一种冬小麦历史种植区的休耕轮作信息遥感识别系统，其特征在于，包括：
冬小麦历史种植区确定模块，用于基于历年中每一年工作区域的时间序列遥感影像，确定每一年所述工作区域内的冬小麦年种植区，并确定所述工作区域内的冬小麦历史种植区；
轮作休耕信息确定模型，用于基于历年中每一年工作区域的时间序列遥感影像、所述历年中每一年的冬小麦年种植区以及所述冬小麦历史种植区，确定所述历年中所述冬小麦历史种植区内的轮作信息以及休耕信息。
9.一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的冬小麦历史种植区的休耕轮作信息遥感识别方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的冬小麦历史种植区的休耕轮作信息遥感识别方法的步骤。
CN201911156495.6A 2019-11-22 2019-11-22 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 Active CN110909679B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911156495.6A CN110909679B (zh) 2019-11-22 2019-11-22 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911156495.6A CN110909679B (zh) 2019-11-22 2019-11-22 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统

Publications (2)

Publication Number Publication Date
CN110909679A true CN110909679A (zh) 2020-03-24
CN110909679B CN110909679B (zh) 2020-09-18

Family

ID=69818727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911156495.6A Active CN110909679B (zh) 2019-11-22 2019-11-22 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统

Country Status (1)

Country Link
CN (1) CN110909679B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695533A (zh) * 2020-06-16 2020-09-22 中国科学院地理科学与资源研究所 冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法
CN112001809A (zh) * 2020-07-31 2020-11-27 中科海慧（天津）科技有限公司 一种农林区退耕地信息获取方法
CN112101681A (zh) * 2020-09-25 2020-12-18 北京师范大学 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法
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
WO2022020448A1 (en) * 2020-07-21 2022-01-27 Indigo Ag, Inc. Remote sensing algorithms for mapping regenerative agriculture
CN114219847A (zh) * 2022-02-18 2022-03-22 清华大学 基于物候特征的作物种植面积确定方法、系统及存储介质
CN114782816A (zh) * 2022-04-28 2022-07-22 天津大学 一种作物复种指数遥感提取方法
US11915329B2 (en) 2018-04-24 2024-02-27 Indigo Ag, Inc. Interaction management in an online agricultural system

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336956A (zh) * 2013-07-10 2013-10-02 福州大学 一种基于遥感时序数据的冬小麦面积估算方法
CN103927558A (zh) * 2013-12-09 2014-07-16 北京师范大学 一种软硬变化检测的冬小麦遥感识别方法
CN104850694A (zh) * 2015-05-13 2015-08-19 福州大学 基于生长期植被指数增量的冬小麦遥感监测方法
CN104915660A (zh) * 2015-07-01 2015-09-16 中国科学院遥感与数字地球研究所 一种基于gf-1/wfv ndvi时间序列的冬小麦自动识别方法
CN104951772A (zh) * 2015-07-10 2015-09-30 中国科学院遥感与数字地球研究所 一种基于ndvi时间序列曲线积分的冬小麦提取方法
CN106022224A (zh) * 2016-05-12 2016-10-12 北京师范大学 一种冬小麦识别方法
CN106342520A (zh) * 2016-08-26 2017-01-25 赵振吉 玉米单垄双播休耕轮作技术
CN106372592A (zh) * 2016-08-29 2017-02-01 中国农业科学院农业资源与农业区划研究所 一种基于冬小麦面积指数的冬小麦种植面积计算方法
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
CN106845806A (zh) * 2017-01-06 2017-06-13 中国科学院遥感与数字地球研究所 农田种植状态的遥感监测方法和系统
CN108345992A (zh) * 2018-01-31 2018-07-31 北京师范大学 一种复种指数提取方法及装置
CN108764255A (zh) * 2018-05-21 2018-11-06 二十世纪空间技术应用股份有限公司 一种冬小麦种植信息的提取方法
CN108805079A (zh) * 2018-06-12 2018-11-13 中国科学院地理科学与资源研究所 冬小麦的识别方法及装置
CN108834809A (zh) * 2018-07-19 2018-11-20 广西壮族自治区农业科学院甘蔗研究所 一种两年三收的甘蔗轮作栽培方法
CN109360117A (zh) * 2018-10-08 2019-02-19 西充恒河农牧业开发有限公司 一种农作物种植模式识别方法
CN109471131A (zh) * 2018-11-15 2019-03-15 中科禾信遥感科技（苏州）有限公司 通过遥感卫星照片统计监测轮作休耕情况的方法和装置
CN109493247A (zh) * 2017-09-11 2019-03-19 苏州市农业科学院 确认田地轮作休耕的方法
CN109919515A (zh) * 2019-03-25 2019-06-21 中国气象科学研究院 生态环境质量评价方法及装置

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336956A (zh) * 2013-07-10 2013-10-02 福州大学 一种基于遥感时序数据的冬小麦面积估算方法
CN103927558A (zh) * 2013-12-09 2014-07-16 北京师范大学 一种软硬变化检测的冬小麦遥感识别方法
CN104850694A (zh) * 2015-05-13 2015-08-19 福州大学 基于生长期植被指数增量的冬小麦遥感监测方法
CN104915660A (zh) * 2015-07-01 2015-09-16 中国科学院遥感与数字地球研究所 一种基于gf-1/wfv ndvi时间序列的冬小麦自动识别方法
CN104951772A (zh) * 2015-07-10 2015-09-30 中国科学院遥感与数字地球研究所 一种基于ndvi时间序列曲线积分的冬小麦提取方法
CN106022224A (zh) * 2016-05-12 2016-10-12 北京师范大学 一种冬小麦识别方法
CN106342520A (zh) * 2016-08-26 2017-01-25 赵振吉 玉米单垄双播休耕轮作技术
CN106372592A (zh) * 2016-08-29 2017-02-01 中国农业科学院农业资源与农业区划研究所 一种基于冬小麦面积指数的冬小麦种植面积计算方法
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
CN106845806A (zh) * 2017-01-06 2017-06-13 中国科学院遥感与数字地球研究所 农田种植状态的遥感监测方法和系统
CN109493247A (zh) * 2017-09-11 2019-03-19 苏州市农业科学院 确认田地轮作休耕的方法
CN108345992A (zh) * 2018-01-31 2018-07-31 北京师范大学 一种复种指数提取方法及装置
CN108764255A (zh) * 2018-05-21 2018-11-06 二十世纪空间技术应用股份有限公司 一种冬小麦种植信息的提取方法
CN108805079A (zh) * 2018-06-12 2018-11-13 中国科学院地理科学与资源研究所 冬小麦的识别方法及装置
CN108834809A (zh) * 2018-07-19 2018-11-20 广西壮族自治区农业科学院甘蔗研究所 一种两年三收的甘蔗轮作栽培方法
CN109360117A (zh) * 2018-10-08 2019-02-19 西充恒河农牧业开发有限公司 一种农作物种植模式识别方法
CN109471131A (zh) * 2018-11-15 2019-03-15 中科禾信遥感科技（苏州）有限公司 通过遥感卫星照片统计监测轮作休耕情况的方法和装置
CN109919515A (zh) * 2019-03-25 2019-06-21 中国气象科学研究院 生态环境质量评价方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
C HUA等: ""Strategy to extract winter wheat and summer maize distribution based on time-serie MODIS NDVI data"", 《INTERNATIONAL CONFERENCE ON AGROGEOINFORMATICS》 *
刘佳等: ""粮豆轮作遥感监测对卫星时空及谱段指标的需求分析"", 《农业工程学报》 *
刘剑锋等: ""基于时间序列MODIS-NDVI的冬小麦遥感识别"", 《湖北农业科学》 *
张喜旺等: ""综合季相节律和特征光谱的冬小麦种植面积遥感估算"", 《农业工程学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11915329B2 (en) 2018-04-24 2024-02-27 Indigo Ag, Inc. Interaction management in an online agricultural system
CN111695533A (zh) * 2020-06-16 2020-09-22 中国科学院地理科学与资源研究所 冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法
WO2022020448A1 (en) * 2020-07-21 2022-01-27 Indigo Ag, Inc. Remote sensing algorithms for mapping regenerative agriculture
US20230154183A1 (en) * 2020-07-21 2023-05-18 Indigo Ag, Inc. Remote sensing algorithms for mapping regenerative agriculture
US11978251B2 (en) * 2020-07-21 2024-05-07 Indigo Ag, Inc. Remote sensing algorithms for mapping regenerative agriculture
CN112001809A (zh) * 2020-07-31 2020-11-27 中科海慧（天津）科技有限公司 一种农林区退耕地信息获取方法
CN112101681A (zh) * 2020-09-25 2020-12-18 北京师范大学 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法
CN112101681B (zh) * 2020-09-25 2023-04-28 北京师范大学 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法
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
CN114219847A (zh) * 2022-02-18 2022-03-22 清华大学 基于物候特征的作物种植面积确定方法、系统及存储介质
CN114219847B (zh) * 2022-02-18 2022-07-01 清华大学 基于物候特征的作物种植面积确定方法、系统及存储介质
CN114782816A (zh) * 2022-04-28 2022-07-22 天津大学 一种作物复种指数遥感提取方法

Also Published As

Publication number Publication date
CN110909679B (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN110909679B (zh) 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统
US20150206255A1 (en) Method and system to prescribe variable seeding density across a cultivated field using remotely sensed data
CN110110595B (zh) 一种基于卫星遥感影像的农田画像及药肥大数据分析方法
CN106529451B (zh) 一种冬小麦—夏玉米种植模式遥感识别方法
CN109635731A (zh) 一种识别有效耕地的方法及装置、存储介质及处理器
Alley et al. Nitrogen management for winter wheat: principles and recommendations
CN108345992A (zh) 一种复种指数提取方法及装置
CN112001242A (zh) 一种智能园艺管理方法和装置
CN114708490A (zh) 水稻种植提取及复种指数监测方法、系统、终端及存储介质
CN108537164B (zh) 基于无人机遥感的点穴播种出芽率监测方法与装置
CN112001809A (zh) 一种农林区退耕地信息获取方法
CN115909063A (zh) 一种中分辨率水稻提取方法及系统
CN113010529A (zh) 基于知识图谱的作物管理方法和装置
CN112380497B (zh) 用于区域玉米的秸秆系数估算方法及系统
Ramos et al. DEFINING MANAGEMENT ZONES BASED ON SOIL ATTRIBUTES AND SOYBEAN PRODUCTIVITY1
CN115690580A (zh) 一种玉米倒伏遥感监测方法、系统、电子设备及介质
Daymond et al. Variation in Indonesian cocoa farm productivity in relation to management, environmental and edaphic factors
CN114299393A (zh) 一种基于光学和雷达时序数据的烟稻种植模式识别方法
CN109712110B (zh) 一种基于机器视觉的作物实时耗水量监测方法和装置
CN109918826B (zh) 一种基于关键物候期多源植被参量的水稻估产方法
Mangla et al. Statistical growth prediction analysis of rice crop with pixel-based mapping technique
CN111160151A (zh) 基于雷达时序图像的甘蔗连作范围提取方法及装置、设备
CN115349340B (zh) 基于人工智能的高粱施肥控制方法及系统
CN116757867B (zh) 一种基于多源数据融合的数字乡村构建方法及系统
CN116897670B (zh) 作物施肥方法、装置、电子设备和存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100081 No. 46 South Main Street, Haidian District, Beijing, Zhongguancun

Applicant after: Chinese Academy of Meteorological Sciences

Applicant after: Research Institute of aerospace information innovation, Chinese Academy of Sciences

Address before: 100081 No. 46 South Main Street, Haidian District, Beijing, Zhongguancun

Applicant before: Chinese Academy of Meteorological Sciences

Applicant before: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences

GR01 Patent grant
GR01 Patent grant