CN111123265A - 基于雷达时序图像的菠萝种植范围提取方法及装置、设备 - Google Patents

基于雷达时序图像的菠萝种植范围提取方法及装置、设备 Download PDF

Info

Publication number
CN111123265A
CN111123265A CN201911296693.2A CN201911296693A CN111123265A CN 111123265 A CN111123265 A CN 111123265A CN 201911296693 A CN201911296693 A CN 201911296693A CN 111123265 A CN111123265 A CN 111123265A
Authority
CN
China
Prior art keywords
remote sensing
time sequence
optical remote
sensing data
pineapple
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
CN201911296693.2A
Other languages
English (en)
Other versions
CN111123265B (zh
Inventor
姜浩
王力
郑琼
周慧
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.)
Guangzhou Institute of Geography of GDAS
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Original Assignee
Guangzhou Institute of Geography of GDAS
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
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 Guangzhou Institute of Geography of GDAS, Southern Marine Science and Engineering Guangdong Laboratory Guangzhou filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN201911296693.2A priority Critical patent/CN111123265B/zh
Publication of CN111123265A publication Critical patent/CN111123265A/zh
Application granted granted Critical
Publication of CN111123265B publication Critical patent/CN111123265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G01N2021/1797—Remote sensing in landscape, e.g. crops

Landscapes

  • Remote Sensing (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例涉及一种基于雷达时序图像的菠萝种植范围提取方法及装置、设备。本申请实施例的基于雷达时序图像的菠萝种植范围提取方法包括：获取多组待提取区域的哨兵1号的第一光学遥感数据，对多组第一光学遥感数据进行时归一化、插值以及滤波处理，获得合成后的时序图像数据；对所述时序图像数据进行拟合，并计算拟合后的时序图像数据的物候特征；获取菠萝的物候特征；将所述第一光学遥感数据、所述时序图像数据、所述时序图像数据的物候特征以及菠萝的物候特征输入训练好的XGBoost分类器，得到待提取区域的菠萝种植区域提取结果。本申请实施例的基于雷达时序图像的菠萝种植范围提取方法可以比较准确的从遥感图像中提取出菠萝的种植区域。

Description

基于雷达时序图像的菠萝种植范围提取方法及装置、设备
技术领域
本申请实施例涉及遥感测量技术领域，特别是涉及一种基于雷达时序图像的菠萝种植范围提取方法及装置。
背景技术
菠萝是我国常见的水果，主要种植于我国南方地区，但南方地区，特别是华南地区多云多雨，常用的光学遥感在该地区难以应用；同时，华南地区地块破碎，种植结构多样，对遥感数据的时空分辨率要求较高，因此，现有技术中难以通过光学遥感数据从遥感图像中提取出菠萝的种植区域。
发明内容
本申请实施例提供了一种基于雷达时序图像的菠萝种植范围提取方法及装置、电子设备，可以比较准确的从遥感图像中提取出菠萝的种植区域。
第一方面，本申请实施例提供了一种基于雷达时序图像的菠萝种植范围提取方法，包括步骤：
获取多组待提取区域的哨兵1号的第一光学遥感数据，其中，所述第一光学遥感数据包括VH波段和VV波段；
对多组第一光学遥感数据进行时归一化、插值以及滤波处理，获得合成后的时序图像数据；
对所述时序图像数据进行拟合，并计算拟合后的时序图像数据的物候特征；
获取多组第二光学遥感数据，并根据该第二光学遥感数据并结合对应的菠萝的地面样本，获取菠萝的物候特征；
将所述第一光学遥感数据、所述时序图像数据、所述时序图像数据的物候特征以及菠萝的物候特征输入训练好的XGBoost分类器，得到待提取区域的菠萝种植区域提取结果。
可选的，所述物候特征包括如下至少一项：
季节开始、季节结束、左导数、右导数、季节长度、季节中位、最大拟合数、基准值、振幅、大积分、小积分。
可选的，所述物候特征包括季节长度和振幅，得到待提取区域的菠萝种植区域提取结果后，还包括如下步骤：
根据季节长度和振幅，按照如下公式，从待提取区域的菠萝种植区域中去除其他植物：
Pineapple＝540<Lseason<720&A>10
其中，Lseason为季节长度，A为振幅。
可选的，对多组第一光学遥感数据进行时归一化、插值以及滤波处理前，还包括如下步骤：
对所述第一光学遥感数据进行辐射定标；
对所述第一光学遥感数据进行多普勒正射校正；
将所述第一光学遥感数据投影为UTM投影。
可选的，对所述时序图像数据进行拟合，包括：
采用非对称高斯函数对所述时序图像数据进行拟合，或采用双逻辑斯特函数对所述时序图像数据进行拟合；
其中，所述非对称高斯函数的公式为：
Figure BDA0002320743740000021
在非对称高斯曲线中，x1确定相对于独立时间变量t变化的最大、最小位置，而x2和x3确定右半函数的宽度和平坦度，x4和x5确定左半部分的宽度和平坦度；
所述双逻辑函数的公式为：
Figure BDA0002320743740000022
在双逻辑函数中，x1确定左拐点的位置，而x2确定变化率。同样，x3确定右拐点的位置，而x4给出该点的变化率。
第二方面，本申请实施例提供了一种基于雷达时序图像的菠萝种植范围提取装置，包括：
第一光学遥感数据获取模块，用于获取多组待提取区域的哨兵1号的第一光学遥感数据，其中，所述第一光学遥感数据包括VH波段和VV波段；
时序数据合成模块，用于对多组第一光学遥感数据进行时归一化、插值以及滤波处理，获得合成后的时序图像数据；
物候特征计算模块，用于对所述时序图像数据进行拟合，并计算拟合后的时序图像数据的物候特征；
菠萝物候特征计算模块，用于获取多组第二光学遥感数据，并根据该第二光学遥感数据并结合对应的菠萝的地面样本，获取菠萝的物候特征；
提取模块，用于将所述第一光学遥感数据、所述时序图像数据、所述时序图像数据的物候特征以及菠萝的物候特征输入训练好的XGBoost分类器，得到待提取区域的菠萝种植区域提取结果。
可选的，所述物候特征包括季节长度和振幅，所述装置还包括：
去除模块，用于根据季节长度和振幅，按照如下公式，从待提取区域的菠萝种植区域中去除其他植物：
Pineapple＝540<Lseason<720&A>10
其中，Lseason为季节长度，A为振幅。
可选的，所述装置还包括：
辐射定标模块，用于对所述光学遥感数据进行辐射定标；
多普勒正射校正模块，用于对所述光学遥感数据进行多普勒正射校正；
投影模块，用于将所述光学遥感数据投影为UTM投影。
可选的，所述菠萝物候特征计算模块包括：
拟合单元，用于对所述时序图像数据进行拟合；
所述拟合单元包括非对称高斯函数拟合单元或双逻辑斯特函数拟合单元；
所述非对称高斯函数拟合单元用于采用非对称高斯函数对所述时序图像数据进行拟合，所述双逻辑斯特函数拟合单元用于采用双逻辑斯特函数对所述时序图像数据进行拟合；
其中，所述非对称高斯函数的公式为：
Figure BDA0002320743740000031
在非对称高斯曲线中，x1确定相对于独立时间变量t变化的最大、最小位置，而x2和x3确定右半函数的宽度和平坦度，x4和x5确定左半部分的宽度和平坦度；
所述双逻辑函数的公式为：
Figure BDA0002320743740000032
在双逻辑函数中，x1确定左拐点的位置，而x2确定变化率。同样，x3确定右拐点的位置，而x4给出该点的变化率。
第三方面，本申请实施例提供了一种电子设备，包括存储器以及处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本申请实施例第一方面所述的基于雷达时序图像的菠萝种植范围提取方法。
在本申请实施例中，通过获取哨兵1号的光学遥感数据，对该光学遥感数据进行合成与拟合处理，并根据拟合后的数据计算出物候特征，再通过训练好的分类模型和物候特征，提取出菠萝的种植区域，能够通过菠萝自身的物候特征和卫星遥感数据，比较准确的从遥感图像中提取出菠萝的种植区域。
为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。
附图说明
图1为在一个示例性实施例中示出的本申请实施例基于雷达时序图像的菠萝种植范围提取方法流程图；
图2为在一个示例性实施例中示出的本申请实施例菠萝的时序特征示意图；
图3为在一个示例性实施例中示出的本申请实施例非对称高斯函数示意图；
图4为在一个示例性实施例中示出的本申请实施例双逻辑斯特函数示意图；
图5为在一个示例性实施例中示出的本申请实施例基于雷达时序图像的菠萝种植范围提取装置结构示意图；
图6为在一个示例性实施例中示出的本申请实施例电子设备结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，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它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
如图1所示，图1为在一个示例性的实施例中基于雷达时序图像的菠萝种植范围提取方法的流程图，包括如下步骤：
步骤S101：获取多组待提取区域的哨兵1号的第一光学遥感数据，其中，所述第一光学遥感数据包括VH波段和VV波段。
哨兵1号(Sentinel-1)卫星是欧洲航天局哥白尼计划(GMES)中的地球观测卫星，由两颗卫星组成，载有C波段合成孔径雷达，可提供连续图像(白天、夜晚和各种天气)，哨兵1号卫星是全天时、全天候雷达成像任务，用于陆地和海洋观测。哨兵1号卫星具有10米的空间分辨率，12天的重放周期，为我国南方地区，特别是华南地区作物监测提供了较好的卫星数据。
所述VH波段和VV波段为雷达遥感系统常用的两种极化方式，雷达发射的能量脉冲的电场矢量，可以在垂直或水平面内被偏振，无论哪个波长，雷达信号可以传送水平(H)或者垂直(V)电场矢量，接收水平(H)或者垂直(V)或者两者的返回信号。雷达遥感系统常用四种极化方式——HH、VV、HV、VH。前两者为同向极化，后两者为异向(交叉)极化。
步骤S102：对多组第一光学遥感数据进行时归一化、插值以及滤波处理，获得合成后的时序图像数据；
尽管哨兵1号(Sentinel-1)卫星观测时间固定为12天一次。但不同区域对应的观测时间不一致，且相邻轨道处，每12天内的观测数量大于1次，因此，需要对观测数据进行归一化处理。
另外，由于存在边缘噪音，即边缘处存在值较低的错误值，如果不进行处理，可能被误识别为水体。本实施例中对相邻图像采用最大值滤波，针对所有瓦片，从某一日期开始，每12天内的所有观测，进行最大值滤波，将多幅图像归一化为1景图像。在其他实施例中，还可以是采用其他的方法进行归一化和滤波处理。
由于哨兵1号(Sentinel-1)卫星轨道存在一定波动，相邻轨道之间的部分区域，在某些观测时间段，可能出现空洞(即相邻轨道刚好都没有覆盖某区域)。因此，本申请实施例选择利用发生空观测时，前后两个观测的均值作为空观测的替代值。
Figure BDA0002320743740000061
其中，ρi-1代表前一景观测，ρρi+1代表后一景观测。
在本申请实施例中，采用savitzky-golay(平滑滤波器)方法对插值后的时序数据进行滤波，窗口大小为5。并在滤波后利用如下公式，针对所有VH、VV两个波段，将线性值进行Log拉伸：
ρdb＝10·log10(ρHnear)
其中ρlinear是线性值(值域很宽)，ρdb是拉伸后的信噪比值(更适合处理)。
在其他实施例中，也可以是采用其他滤波方式对插值后的时序数据进行滤波。
步骤S103：对所述时序图像数据进行拟合，并计算拟合后的时序图像数据的物候特征；
所述拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。拟合的曲线一般可以用函数表示，根据这个函数的不同有不同的拟合名字。
在一个例子中，利用Timesat软件对滤波后的时序数据进行拟合。常用的拟合方法有如最小二乘曲线拟合法等，拟合后可以建立公式，有公式就可以从公式中提取参数，比如拐点等。
在本申请实施例中，对所述时序图像数据进行拟合后，通过拟合后的时序图像数据计算物候特征。
在一个实施例中，所述物候特征包括如下至少一项：
季节开始(Start of season)、季节结束(End of season)、左导数(Leftderivative)、右导数(Right derivative)、季节长度(Length of the season)、季节中位(Position of the middle of the season)、最大拟合数(Maximum fitted data)、基准值(Base value)、振幅(Amplitude)、大积分(Large integral)、小积分(Small integral)。
步骤S104：获取多组第二光学遥感数据，并根据该第二光学遥感数据并结合对应的菠萝的地面样本，获取菠萝的物候特征；
在一个优选的例子中，如图2所示，针对3年以上大约90个以上的观测(每个观测包含VH、VV两个波段)，结合少量地面样本，计算基本统计信息，获得菠萝的物候特征。
步骤S105：将所述第一光学遥感数据、所述时序图像数据、所述时序图像数据的物候特征以及菠萝的物候特征输入训练好的XGBoost分类器，得到待提取区域的菠萝种植区域提取结果。
所述XGBoost分类器为极端梯度提升算法，是若干决策树作为基分类器，根据上一决策树输出结果与实际值的残差拟合下一决策树，通过对若干决策树输出结果求和得到预测值。
在本申请实施例中，通过获取哨兵1号的光学遥感数据，对该光学遥感数据进行合成与拟合处理，并根据拟合后的数据计算出物候特征，再通过训练好的分类模型和物候特征，提取出菠萝的种植区域，能够通过菠萝自身的物候特征和卫星遥感数据，比较准确的从遥感图像中提取出菠萝的种植区域。
在一个示例性的实施例中，所述物候特征包括季节长度和振幅，得到待提取区域的菠萝种植区域提取结果后，还包括如下步骤：
根据季节长度和振幅，按照如下公式，从待提取区域的菠萝种植区域中去除其他植物：
Pineapple＝540<Lseason<720&A>10
其中，Lseason为季节长度，A为振幅。
由于菠萝的季节长度通常为1.5年-2年。其他作物比如水稻只有3个月。所以菠萝种植时间较长，根据这一特点，本申请实施例得到待提取区域的菠萝种植区域提取结果后，去除季节长度小于1.5年，以及去除季节长度大于2年的提取区域，振幅A>10保证振幅具有一定显著性，用以区分常绿植物，如森林等。
在一个示例性的实施例中，对多组第一光学遥感数据进行时归一化、插值以及滤波处理前，还包括如下步骤：
对所述光学遥感数据进行辐射定标；校正了三种影响因素：散射区域、雷达天线增益和方位向传输损失。定标结果输出为后向散射系数(Sigma)。该步骤可以由sentinel-1官方的SNAP软件，根据数据提供的轨道信息进行辐射校正。
对所述光学遥感数据进行多普勒正射校正；基于多普勒距离方程的严格SAR数据几何校正，在SRTM DEM支持下能够实现对SAR数据的正射纠正，从而消除地形对SAR数据的影响，同样由SNAP软件完成。
将所述光学遥感数据投影为UTM投影。具体的，将将所述光学遥感数据投影为南方地区或华南地区对应的UTM投影。
在一个示例性的实施例中，对所述时序图像数据进行拟合，包括：
采用非对称高斯函数对所述时序图像数据进行拟合，或采用双逻辑斯特函数对所述时序图像数据进行拟合；
其中，如图3所示，所述非对称高斯函数的公式为：
Figure BDA0002320743740000081
在非对称高斯曲线中，x1确定相对于独立时间变量t变化的最大、最小位置，而x2和x3确定右半函数的宽度和平坦度，x4和x5确定左半部分的宽度和平坦度；
如图4所示，所述双逻辑函数的公式为：
Figure BDA0002320743740000082
在双逻辑函数中，x1确定左拐点的位置，而x2确定变化率。同样，x3确定右拐点的位置，而x4给出该点的变化率。
在一个实施例中，从待提取区域的菠萝种植区域中去除其他植物后，还去除菠萝种植区域的碎块，即限定菠萝种植区域的大小在设定像素例如30像素以上，将像素小于该设定像素的噪声进行排除。
在一个示例性的实施例中，所述XGBoost的训练过程包括：
采集数百个地面样本，涵盖菠萝等主要农作物，以及森林、城镇、水体等土地覆被，然后采用XGBoost进行分类。
同时，使用采用最大最小值滤波Majority filter进行滤波，消除各类地物中的碎点。
与前述基于雷达时序图像的菠萝种植范围提取方法相对应，本申请实施例还提供一种基于雷达时序图像的菠萝种植范围提取装置，所述装置可以是安装于任何智能终端，例如，可以具体为计算机、服务器，分析设备等。本申请实施例的基于雷达时序图像的菠萝种植范围提取装置，通过获取哨兵1号的光学遥感数据，对该光学遥感数据进行合成与拟合处理，并根据拟合后的数据计算出物候特征，再通过训练好的分类模型和物候特征，提取出菠萝的种植区域，能够通过菠萝自身的物候特征和卫星遥感数据，比较准确的从遥感图像中提取出菠萝的种植区域。
在一个示例性的实施例中，如图5所示，所述基于雷达时序图像的菠萝种植范围提取装置500包括：
第一光学遥感数据获取模块501，用于获取多组待提取区域的哨兵1号的第一光学遥感数据，其中，所述第一光学遥感数据包括VH波段和VV波段；
时序数据合成模块502，用于对多组第一光学遥感数据进行时归一化、插值以及滤波处理，获得合成后的时序图像数据；
物候特征计算模块503，用于对所述时序图像数据进行拟合，并计算拟合后的时序图像数据的物候特征；
菠萝物候特征计算模块504，用于获取多组第二光学遥感数据，并根据该第二光学遥感数据并结合对应的菠萝的地面样本，获取菠萝的物候特征；
提取模块505，用于将所述第一光学遥感数据、所述时序图像数据、所述时序图像数据的物候特征以及菠萝的物候特征输入训练好的XGBoost分类器，得到待提取区域的菠萝种植区域提取结果。
在一个示例性的实施例中，所述物候特征包括如下至少一项：
季节开始、季节结束、左导数、右导数、季节长度、季节中位、最大拟合数、基准值、振幅、大积分、小积分。
在一个示例性的实施例中，所述物候特征包括季节长度和振幅，所述装置500还包括：
去除模块，用于根据季节长度和振幅，按照如下公式，从待提取区域的菠萝种植区域中去除其他植物：
Pineapple＝540<Lseason<720&A>10
其中，Lseason为季节长度，A为振幅。
在一个示例性的实施例中，所述装置500还包括：
辐射定标模块，用于对所述光学遥感数据进行辐射定标；
多普勒正射校正模块，用于对所述光学遥感数据进行多普勒正射校正；
投影模块，用于将所述光学遥感数据投影为UTM投影。
在一个示例性的实施例中，所述菠萝物候特征计算模块503包括：
拟合单元，用于对所述时序图像数据进行拟合；
所述拟合单元包括非对称高斯函数拟合单元或双逻辑斯特函数拟合单元；
所述非对称高斯函数拟合单元用于采用非对称高斯函数对所述时序图像数据进行拟合，所述双逻辑斯特函数拟合单元用于采用双逻辑斯特函数对所述时序图像数据进行拟合；
其中，所述非对称高斯函数的公式为：
Figure BDA0002320743740000091
在非对称高斯曲线中，x1确定相对于独立时间变量t变化的最大、最小位置，而x2和x3确定右半函数的宽度和平坦度，x4和x5确定左半部分的宽度和平坦度；
所述双逻辑函数的公式为：
Figure BDA0002320743740000101
在双逻辑函数中，x1确定左拐点的位置，而x2确定变化率。同样，x3确定右拐点的位置，而x4给出该点的变化率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
与前述基于雷达时序图像的菠萝种植范围提取方法相对应，本申请实施例还提供一种基于雷达时序图像的菠萝种植范围提取装置应用的电子设备，所述电子设备通过获取哨兵1号的光学遥感数据，对该光学遥感数据进行合成与拟合处理，并根据拟合后的数据计算出物候特征，再通过训练好的分类模型和物候特征，提取出菠萝的种植区域，能够通过菠萝自身的物候特征和卫星遥感数据，比较准确的从遥感图像中提取出菠萝的种植区域。
如图6所示，图6是本申请实施例根据一示例性实施例示出的一种电子设备的结构框图。
该电子设备包括：处理器1200、存储器1201、具有触摸功能的显示屏1202、输入装置1203、输出装置1204以及通信装置1205。该电子设备中处理器1200的数量可以是一个或者多个，图6中以一个处理器1200为例。该电子设备中存储器1201的数量可以是一个或者多个，图6中以一个存储器1201为例。该电子设备的处理器1200、存储器1201、显示屏1202、输入装置1203、输出装置1204以及通信装置1205可以通过总线或者其他方式连接，图6中以通过总线连接为例。实施例中，电子设备可以是计算机、手机、平板电脑、交互式智能平板、PDA(Personal Digital Assistant，个人数字助理)、电子书阅读器、多媒体播放器等。本申请实施例中，以电子设备为交互智能平板为例，进行描述。
存储器1201作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例任意实施例所述的基于雷达时序图像的菠萝种植范围提取方法程序，以及本申请实施例任意实施例所述的基于雷达时序图像的菠萝种植范围提取方法对应的程序指令/模块(例如，第一光学遥感数据获取模块501、时序数据合成模块502、物候特征计算模块503、菠萝物候特征计算模块504提取模块505)。存储器1201可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器1201可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器1201可进一步包括相对于处理器1200远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
显示屏1202可为具有触摸功能的显示屏，其可以是电容屏、电磁屏或者红外屏。一般而言，显示屏1202用于根据处理器1200的指示显示数据，还用于接收作用于显示屏1202的触摸操作，并将相应的信号发送至处理器1200或其他装置。可选的，当显示屏1202为红外屏时，其还包括红外触摸框，该红外触摸框设置在显示屏1202的四周，其还可以用于接收红外信号，并将该红外信号发送至处理器1200或者其他设备。在其他例子中，显示屏1202也可为不具有触摸功能的显示屏。
通信装置1205，用于与其他设备建立通信连接，其可以是有线通信装置和/或无线通信装置。
输入装置1203可用于接收输入的数字或者字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。输出装置1204可以包括扬声器等音频设备。需要说明的是，输入装置1203和输出装置1204的具体组成可以根据实际情况设定。
处理器1200通过运行存储在存储器1201中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述任一实施例所记载的基于雷达时序图像的菠萝种植范围提取方法。
上述设备中各个组件的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件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公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。上述提供的电子设备可用于执行上述任意实施例提供的基于雷达时序图像的菠萝种植范围提取方法，具备相应的功能和有益效果。上述设备中各个组件的功能和作用的实现过程具体详见上述基于雷达时序图像的菠萝种植范围提取方法中对应步骤的实现过程，在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请实施例的其它实施方案。本申请实施例旨在涵盖本申请实施例的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请实施例的一般性原理并包括本申请实施例未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请实施例的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请实施例并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请实施例的范围仅由所附的权利要求来限制。
以上所述实施例仅表达了本申请实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请实施例构思的前提下，还可以做出若干变形和改进，这些都属于本申请实施例的保护范围。

Claims (10)

1.一种基于雷达时序图像的菠萝种植范围提取方法，其特征在于，所述方法包括：
获取多组待提取区域的哨兵1号的第一光学遥感数据，其中，所述第一光学遥感数据包括VH波段和VV波段；
对多组第一光学遥感数据进行时归一化、插值以及滤波处理，获得合成后的时序图像数据；
对所述时序图像数据进行拟合，并计算拟合后的时序图像数据的物候特征；
获取多组第二光学遥感数据，并根据该第二光学遥感数据并结合对应的菠萝的地面样本，获取菠萝的物候特征；
将所述第一光学遥感数据、所述时序图像数据、所述时序图像数据的物候特征以及菠萝的物候特征输入训练好的XGBoost分类器，得到待提取区域的菠萝种植区域提取结果。
2.根据权利要求1所述的基于雷达时序图像的菠萝种植范围提取方法，其特征在于，所述物候特征包括如下至少一项：
季节开始、季节结束、左导数、右导数、季节长度、季节中位、最大拟合数、基准值、振幅、大积分、小积分。
3.根据权利要求1所述的基于雷达时序图像的菠萝种植范围提取方法，其特征在于，所述物候特征包括季节长度和振幅，得到待提取区域的菠萝种植区域提取结果后，还包括如下步骤：
根据季节长度和振幅，按照如下公式，从待提取区域的菠萝种植区域中去除其他植物：
Pineapple＝540＜Lseason＜720&A＞10
其中，Lseason为季节长度，A为振幅。
4.根据权利要求1所述的基于雷达时序图像的菠萝种植范围提取方法，其特征在于，对多组第一光学遥感数据进行时归一化、插值以及滤波处理前，还包括如下步骤：
对所述第一光学遥感数据进行辐射定标；
对所述第一光学遥感数据进行多普勒正射校正；
将所述第一光学遥感数据投影为UTM投影。
5.根据权利要求1所述的基于雷达时序图像的菠萝种植范围提取方法，其特征在于，对所述时序图像数据进行拟合，包括：
采用非对称高斯函数对所述时序图像数据进行拟合，或采用双逻辑斯特函数对所述时序图像数据进行拟合；
其中，所述非对称高斯函数的公式为：
Figure FDA0002320743730000021
在非对称高斯曲线中，x1确定相对于独立时间变量t变化的最大、最小位置，而x2和x3确定右半函数的宽度和平坦度，x4和x5确定左半部分的宽度和平坦度；
所述双逻辑函数的公式为：
Figure FDA0002320743730000022
在双逻辑函数中，x1确定左拐点的位置，而x2确定变化率。同样，x3确定右拐点的位置，而x4给出该点的变化率。
6.一种基于雷达时序图像的菠萝种植范围提取装置，其特征在于，所述装置包括：
第一光学遥感数据获取模块，用于获取多组待提取区域的哨兵1号的第一光学遥感数据，其中，所述第一光学遥感数据包括VH波段和VV波段；
时序数据合成模块，用于对多组第一光学遥感数据进行时归一化、插值以及滤波处理，获得合成后的时序图像数据；
物候特征计算模块，用于对所述时序图像数据进行拟合，并计算拟合后的时序图像数据的物候特征；
菠萝物候特征计算模块，用于获取多组第二光学遥感数据，并根据该第二光学遥感数据并结合对应的菠萝的地面样本，获取菠萝的物候特征；
提取模块，用于将所述第一光学遥感数据、所述时序图像数据、所述时序图像数据的物候特征以及菠萝的物候特征输入训练好的XGBoost分类器，得到待提取区域的菠萝种植区域提取结果。
7.根据权利要求6所述的基于雷达时序图像的菠萝种植范围提取装置，其特征在于，所述物候特征包括季节长度和振幅，所述装置还包括：
去除模块，用于根据季节长度和振幅，按照如下公式，从待提取区域的菠萝种植区域中去除其他植物：
Pineapple＝540＜Lseason＜720&A＞10
其中，Lseason为季节长度，A为振幅。
8.根据权利要求6所述的基于雷达时序图像的菠萝种植范围提取装置，其特征在于，所述装置还包括：
辐射定标模块，用于对所述光学遥感数据进行辐射定标；
多普勒正射校正模块，用于对所述光学遥感数据进行多普勒正射校正；
投影模块，用于将所述光学遥感数据投影为UTM投影。
9.根据权利要求6所述的基于雷达时序图像的菠萝种植范围提取装置，其特征在于，所述菠萝物候特征计算模块包括：
拟合单元，用于对所述时序图像数据进行拟合；
所述拟合单元包括非对称高斯函数拟合单元或双逻辑斯特函数拟合单元；
所述非对称高斯函数拟合单元用于采用非对称高斯函数对所述时序图像数据进行拟合，所述双逻辑斯特函数拟合单元用于采用双逻辑斯特函数对所述时序图像数据进行拟合；
其中，所述非对称高斯函数的公式为：
Figure FDA0002320743730000031
在非对称高斯曲线中，x1确定相对于独立时间变量t变化的最大、最小位置，而x2和x3确定右半函数的宽度和平坦度，x4和x5确定左半部分的宽度和平坦度；
所述双逻辑函数的公式为：
Figure FDA0002320743730000032
在双逻辑函数中，x1确定左拐点的位置，而x2确定变化率。同样，x3确定右拐点的位置，而x4给出该点的变化率。
10.一种电子设备，包括：
存储器以及处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的基于雷达时序图像的菠萝种植范围提取方法。
CN201911296693.2A 2019-12-16 2019-12-16 基于雷达时序图像的菠萝种植范围提取方法及装置、设备 Active CN111123265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911296693.2A CN111123265B (zh) 2019-12-16 2019-12-16 基于雷达时序图像的菠萝种植范围提取方法及装置、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911296693.2A CN111123265B (zh) 2019-12-16 2019-12-16 基于雷达时序图像的菠萝种植范围提取方法及装置、设备

Publications (2)

Publication Number Publication Date
CN111123265A true CN111123265A (zh) 2020-05-08
CN111123265B CN111123265B (zh) 2022-02-11

Family

ID=70499326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911296693.2A Active CN111123265B (zh) 2019-12-16 2019-12-16 基于雷达时序图像的菠萝种植范围提取方法及装置、设备

Country Status (1)

Country Link
CN (1) CN111123265B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202691A (zh) * 2021-12-09 2022-03-18 广东省科学院广州地理研究所 基于遥感图像的水稻识别方法、装置以及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10206442A (ja) * 1997-01-21 1998-08-07 Nippon Telegr & Teleph Corp <Ntt> 時系列画像動き信頼度計測方法および装置
CN107403157A (zh) * 2017-07-28 2017-11-28 中国科学院东北地理与农业生态研究所 基于modis数据的区域大尺度作物种植结构提取方法
CN108681715A (zh) * 2018-05-18 2018-10-19 三亚中科遥感研究所 海南热带天然林植被型组分类方法
CN110175931A (zh) * 2019-05-10 2019-08-27 北京师范大学 一种大范围快速提取农作物种植面积和物候信息的方法
CN110532967A (zh) * 2019-09-02 2019-12-03 中国科学院遥感与数字地球研究所 一种基于哨兵1号rvi时间序列的农作物分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10206442A (ja) * 1997-01-21 1998-08-07 Nippon Telegr & Teleph Corp <Ntt> 時系列画像動き信頼度計測方法および装置
CN107403157A (zh) * 2017-07-28 2017-11-28 中国科学院东北地理与农业生态研究所 基于modis数据的区域大尺度作物种植结构提取方法
CN108681715A (zh) * 2018-05-18 2018-10-19 三亚中科遥感研究所 海南热带天然林植被型组分类方法
CN110175931A (zh) * 2019-05-10 2019-08-27 北京师范大学 一种大范围快速提取农作物种植面积和物候信息的方法
CN110532967A (zh) * 2019-09-02 2019-12-03 中国科学院遥感与数字地球研究所 一种基于哨兵1号rvi时间序列的农作物分类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202691A (zh) * 2021-12-09 2022-03-18 广东省科学院广州地理研究所 基于遥感图像的水稻识别方法、装置以及设备
CN114202691B (zh) * 2021-12-09 2022-10-04 广东省科学院广州地理研究所 基于遥感图像的水稻识别方法、装置以及设备

Also Published As

Publication number Publication date
CN111123265B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
Stow et al. Sensitivity of multitemporal NOAA AVHRR data of an urbanizing region to land-use/land-cover changes and misregistration
CN102215666B (zh) 植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器
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
Davaze et al. Monitoring glacier albedo as a proxy to derive summer and annual surface mass balances from optical remote-sensing data
CN106897707A (zh) 基于多源中分的特征影像时间序列合成方法及装置
CN106599844A (zh) 一种基于modis传感器的水稻种植区自动提取方法
CN104008552B (zh) 基于动态时间弯曲的时序sar影像耕地提取方法
Sha et al. Spatio-temporal patterns of satellite-derived grassland vegetation phenology from 1998 to 2012 in Inner Mongolia, China
CN105809148A (zh) 基于遥感时空谱融合的作物干旱识别及风险评估方法
Pang et al. Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery
CN109816542A (zh) 一种农作物减产理赔方法及系统
CN112304902A (zh) 一种农作物物候的实时监测方法和装置
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
CN112308029A (zh) 雨量站与卫星的降水数据融合方法及系统
CN111123265B (zh) 基于雷达时序图像的菠萝种植范围提取方法及装置、设备
Kumari et al. Soybean cropland mapping using multi-temporal sentinel-1 data
CN112801924A (zh) 一种构建地表纯净微波辐射背景场的方法
Alvarez-Mozos et al. Correlation between NDVI and sentinel-1 derived features for maize
CN110516552B (zh) 一种基于时序曲线的多极化雷达图像分类方法及系统
Chen et al. Improving long-term, retrospective precipitation datasets using satellite-based surface soil moisture retrievals and the soil moisture analysis rainfall tool
CN111178186A (zh) 基于哨兵遥感数据的水稻提取方法及装置、设备
Venkatesan et al. Multi-temporal feature extraction for precise maize area mapping using time-series Sentinel 1A SAR data
Pandit et al. Sentinel-1-derived coherence time-series for crop monitoring in Indian agriculture region
Kim et al. Multi-temporal spectral analysis of rice fields in South Korea using MODIS and RapidEye satellite imagery
CN111191530A (zh) 基于哨兵遥感数据的城镇和裸地提取方法及装置、设备

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: 510075 Yuexiu District, Guangzhou City, Guangdong Province, one of the 100 Grand Courtyards of Xianlie Middle Road

Applicant after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Applicant after: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou)

Address before: 510075 Yuexiu District, Guangzhou City, Guangdong Province, one of the 100 Grand Courtyards of Xianlie Middle Road

Applicant before: GUANGZHOU INSTITUTE OF GEOGRAPHY

Applicant before: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou)

GR01 Patent grant
GR01 Patent grant