CN111142106A - 一种基于合成孔径雷达时序数据的水稻自动识别方法 - Google Patents
一种基于合成孔径雷达时序数据的水稻自动识别方法 Download PDFInfo
- Publication number
- CN111142106A CN111142106A CN202010117995.5A CN202010117995A CN111142106A CN 111142106 A CN111142106 A CN 111142106A CN 202010117995 A CN202010117995 A CN 202010117995A CN 111142106 A CN111142106 A CN 111142106A
- Authority
- CN
- China
- Prior art keywords
- rice
- period
- cropping
- double
- transplanting
- 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
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 199
- 235000009566 rice Nutrition 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims abstract description 23
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 198
- 238000009355 double cropping Methods 0.000 claims abstract description 44
- 230000010287 polarization Effects 0.000 claims description 38
- 238000009331 sowing Methods 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000010899 nucleation Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 20
- 238000010276 construction Methods 0.000 abstract description 10
- 238000012549 training Methods 0.000 abstract description 4
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 238000013178 mathematical model Methods 0.000 description 23
- 238000009825 accumulation Methods 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- 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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- 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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9076—Polarimetric features in SAR
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于合成孔径雷达时序数据的水稻自动识别方法。利用合成孔径雷达时序数据在水稻特定物候期相对于其他地物类型的差异,通过数据获取和预处理、水稻识别特征选择、背景地物剔除、双季稻识别模型构建、单季稻识别模型构建、水稻空间分布信息提取,自动提取区域范围内水稻的空间分布信息。本方法的特点是自动化的水稻空间分布提取,不要求任何先验知识或训练样本即可同时识别双季稻和单季稻,且识别精度较高;方法鲁棒性高、普适性好,可应用于大范围水稻自动化提取业务。
Description
技术领域
本发明涉及农业遥感技术领域,尤其涉及一种水稻空间分布信息的遥感提取方法。
背景技术
遥感具有大面积同步观测、时效性高以及成本低廉等特点,可以相对便捷地获得大范围、全覆盖的农作物空间分布信息,已被广泛应用于农作物种植范围提取。
水稻遥感识别的主要数据源有光学遥感数据和合成孔径雷达遥感数据,其中光学遥感数据易受天气要素如降水和云雾的影响,难以满足多雨地区的水稻空间分布提取。合成孔径雷达数据具有穿云透雨的能力,不受天气要素的影响,因而更适合大范围的水稻空间分布提取。当前免费的合成孔径雷达数据空间分辨率最高达10米,时间分辨率最高达6天,完全可以满足水稻空间分布提取的需求。
传统的基于合成孔径雷达数据识别水稻的方法往往以雷达后向散射系数时间序列的动态范围或方差等相似要素作为识别特征,通过设定某个阈值来区分水稻和非水稻,该阈值通常基于专家知识或通过对选取的训练样本进行统计得到。这类方法的实施往往需要以研究区的训练样本为基础,考虑到中国水稻种植的复杂性,在不同地区使用该类方法提取水稻空间分布往往需要重新选取训练样本,因此该类方法的推广性较差,不适用于大范围的水稻空间分布提取工作。另一方面,传统的水稻遥感提取方法无法区分单季稻和双季稻,因此无法得到更精确的水稻种植信息,也限制了该类方法在水稻生长监测以及水稻单产估算等方面的应用。
虽然传统的基于合成孔径雷达数据识别水稻的方法使用合成孔径雷达时序数据提取水稻识别特征,但该类方法往往忽略很多合成孔径雷达时间序列上的有用信息,例如后向散射系数的变化趋势等。水稻的种植与其他作物最大的差异在于水稻种植过程中需要进行灌水,这个过程在合成孔径雷达时序上表现为后向散射系数逐渐降低,而与此同时其他作物的后向散射系数则逐渐升高,因此利用该特征识别水稻的种植可以提高水稻空间分布识别的精度及自动化程度,同时在结合区域物候历信息的基础上还可以实现单季稻和双季稻的区分。
发明内容
本发明正是针对传统的水稻空间分布遥感提取方法的不足,提出一种基于合成孔径雷达时序数据和水稻物候信息的水稻自动识别方法,自动、准确地提取区域范围内的水稻空间分布信息。
为达此目的,本发明采用以下技术方案:
一种基于合成孔径雷达时序数据的水稻自动识别方法,包括以下步骤:
A、数据获取和预处理
获取某区域内同一合成孔径雷达数据源全年的VH极化数据,对数据进行轨道修正、辐射校正、地形校正、重采样、空间滤波去噪声以及数据转换预处理操作,得到单位为dB的VH极化后向散射系数时间序列数据。
具体来说预处理包括5个步骤:(1)使用轨道数据修正雷达影像的轨道信息;(2)对雷达数据进行辐射校正,将雷达数据的数值转化为后向散射系数;(3)对雷达数据进行地形校正并重采样;(4)对重采样后的图像进行空间滤波去除噪声;(5)使用以下公式对无单位的雷达后向散射系数进行数据转换,得到单位为dB的雷达后向散射系数。
BSdB=10×lgBS
式中,BS表示无单位的雷达后向散射系数,BSdB表示单位为dB的雷达后向散射系数。
B、水稻识别特征选择
选取全年平均、全年最小VH极化后向散射系数作为剔除背景地物的特征,选取早稻播种期至移栽期、早稻移栽期至成熟期、双季晚稻播种期至移栽期、双季晚稻移栽期至成熟期的VH极化后向散射系数时间序列的斜率作为双季稻识别特征,选取中稻播种期至移栽期、中稻移栽期至成熟期、一季晚稻播种期至移栽期、一季晚稻移栽期至成熟期的VH极化后向散射系数时间序列的斜率作为单季稻识别特征。
C、背景地物剔除
对水体、建筑和自然植被等背景地物进行剔除,共包括2个步骤:
(1)根据水体在全年具有较低的雷达后向散射系数,通过计算VH极化雷达后向散射系数全年的均值,将其小于阈值th1的像元作为水体进行剔除,其数学模型为:
MEAN(VH全年)<th1
(2)根据建筑物和自然植被在全年具有较高的雷达后向散射系数,通过计算VH极化雷达后向散射系数全年的最小值,将其大于阈值th2的像元作为建筑物和自然植被进行剔除,其数学模型为:
MIN(VH全年)>th2
上述数学模型中,MEAN()表示遥感像元在时间序列上求均值操作,MIN()表示遥感像元在时间序列上求最小值操作,VH代表VH极化后向散射系数时间序列,下标文字代表时间序列的时间范围,th1和th2分别代表各背景剔除特征对应的阈值,阈值th1的优选值在-23至-19之间,一般情况下取值-20,阈值th2的优选值在-18至-15之间,一般情况下取值-17。将上述两个数学模型得到的空间分布结果求并集便得到背景地物的空间分布,将背景地物进行剔除,不参与后续的水稻空间分布提取。
D、双季稻识别模型构建
根据区域内的物候历和农作物种植信息,若区域内存在双季稻,则基于剔除背景地物的结果构建双季稻识别模型,其具体模型构建步骤为:
(1)根据早稻的VH极化后向散射系数在早稻播种期至移栽期逐渐降低、在早稻移栽期至成熟期逐渐升高的特点提取早稻,其数学模型为:
SLOPE(VH早稻播种期至移栽期)<th3ANDSLOPE(VH早稻移栽期至成熟期)>th4
(2)根据双季晚稻的VH极化后向散射系数在双季晚稻播种期至移栽期逐渐降低、在双季晚稻移栽期至成熟期逐渐升高的特点提取双季晚稻,其数学模型为:
SLOPE(VH双季晚稻播种期至移栽期)<th5ANDSLOPE(VH双季晚稻移栽期至成熟期)
>th6
上述数学模型中,SLOPE()表示遥感像元在时间序列上以年积日为自变量,以VH极化后向散射系数为因变量进行一元线性拟合,并提取一元线性拟合系数作为斜率,AND表示求交集操作,th3至th6分别代表各双季稻识别特征对应的阈值,阈值th3和th5的优选值均在-0.025至0之间,阈值th4和th6的优选值均在0至0.025之间,一般情况下th3至th6的取值均为0。将上述2个数学模型得到的空间分布结果求交集后便得到识别的双季稻的空间分布范围。
E、单季稻识别模型构建
根据区域内的物候历和农作物种植信息,若区域内存在单季稻,则基于剔除背景地物和双季稻的结果构建单季稻识别模型,其具体模型构建步骤为:
(1)根据中稻的VH极化后向散射系数在中稻播种期至移栽期逐渐降低、在中稻移栽期至成熟期逐渐升高的特点提取中稻,其数学模型为:
SLOPE(VH中稻播种期至移栽期)<th7ANDSLOPE(VH中稻移栽期至成熟期)>th8
(2)根据一季晚稻的VH极化后向散射系数在一季晚稻播种期至移栽期逐渐降低、在一季晚稻移栽期至成熟期逐渐升高的特点提取一季晚稻,其数学模型为:
SLOPE(VH一季晚稻播种期至移栽期)<th9ANDSLOPE(VH一季晚稻移栽期至成熟期)
>th10
上述数学模型中,th7至th10分别代表各单季稻识别特征对应的阈值,阈值th7和th9的优选值均在-0.025至0之间,阈值th8和th10的优选值均在0至0.025之间,一般情况下th7至th10的取值均为0。将上述2个数学模型得到的空间分布结果求并集后便得到识别的单季稻的空间分布范围。
F、水稻空间分布信息提取
基于区域的水稻种植信息和合成孔径雷达VH极化后向散射时间序列数据,利用构建的双季稻和单季稻识别模型,提取区域范围内水稻的空间分布信息。
本发明具有以下特点:
(1)原理简单,自动化程度高,易实施;
(2)基于合成孔径雷达时序数据和水稻物候信息进行水稻空间分布信息提取,提取精度高、稳定性好、不受天气要素影响;
(3)适用性广,可应用于大范围区域下不同水稻种植模式的水稻空间分布信息遥感提取。
附图说明
图1是湖北省公安县的水稻空间分布信息提取结果
具体实施方式
下面结合附图对本发明的技术实施方案作进一步描述。
A、数据获取和预处理
获取某区域内同一合成孔径雷达数据源全年的VH极化数据,对数据进行轨道修正、辐射校正、地形校正、重采样、空间滤波去噪声以及数据转换预处理操作,得到单位为dB的VH极化后向散射系数时间序列数据。
具体来说预处理包括5个步骤:(1)使用轨道数据修正雷达影像的轨道信息;(2)对雷达数据进行辐射校正,将雷达数据的数值转化为后向散射系数;(3)对雷达数据进行地形校正并重采样;(4)对重采样后的图像进行空间滤波去除噪声;(5)使用以下公式对无单位的雷达后向散射系数进行数据转换,得到单位为dB的雷达后向散射系数。
BSdB=10×lgBS
式中,BS表示无单位的雷达后向散射系数,BSdB表示单位为dB的雷达后向散射系数。
本案例选择湖北省公安县,获取2017年湖北省公安县范围内的哨兵-1A合成孔径雷达数据GRDH产品,并进行数据预处理,得到哨兵-1A VH极化后向散射系数时序数据。
B、水稻识别特征选择
选取全年平均、全年最小VH极化后向散射系数作为剔除背景地物的特征,选取早稻播种期至移栽期、早稻移栽期至成熟期、双季晚稻播种期至移栽期、双季晚稻移栽期至成熟期的VH极化后向散射系数时间序列的斜率作为双季稻识别特征,选取中稻播种期至移栽期、中稻移栽期至成熟期、一季晚稻播种期至移栽期、一季晚稻移栽期至成熟期的VH极化后向散射系数时间序列的斜率作为单季稻识别特征。
本案例确定湖北省的早稻播种期至移栽期为三月中旬至五月中旬,对应年积日为69–140天;早稻移栽期至成熟期为五月下旬至七月中旬,对应年积日为141–201天;双季晚稻播种期至移栽期为七月上旬至八月上旬,对应年积日为183–222天;双季晚稻移栽期至成熟期为八月中旬至十月下旬,对应年积日为223–304天;中稻播种期至移栽期为四月上旬至六月上旬,对应年积日为91–161天;中稻移栽期至成熟期为六月中旬至九月中旬,对应年积日为162–263天;一季晚稻播种期至移栽期为六月下旬至八月上旬,对应年积日为172–222天;一季晚稻移栽期至成熟期为八月中旬至十月下旬,对应年积日为223–304天。
C、背景地物剔除
对水体、建筑和自然植被等背景地物进行剔除,共包括2个步骤:
(1)根据水体在全年具有较低的雷达后向散射系数,通过计算VH极化雷达后向散射系数全年的均值,将其小于阈值th1的像元作为水体进行剔除。本案例中th1设置为-20,其数学模型为:
MEAN(VH全年)<-20
(2)根据建筑物和自然植被在全年具有较高的雷达后向散射系数,通过计算VH极化雷达后向散射系数全年的最小值,将其大于阈值th2的像元作为建筑物和自然植被进行剔除。本案例中th2设置为-17,其数学模型为:
MIN(VH全年)>-17
上述数学模型中,MEAN()表示遥感像元在时间序列上求均值操作,MIN()表示遥感像元在时间序列上求最小值操作,VH代表VH极化后向散射系数时间序列,下标文字代表时间序列的时间范围。将上述两个数学模型得到的空间分布结果求并集便得到背景地物的空间分布,将背景地物进行剔除,不参与后续的水稻空间分布提取。
D、双季稻识别模型构建
根据区域内的物候历和农作物种植信息,若区域内存在双季稻,则基于剔除背景地物的结果构建双季稻识别模型。本案例中湖北省公安县存在双季稻种植,故基于剔除背景地物的结果构建双季稻识别模型,其具体模型构建步骤为:
(1)根据早稻的VH极化后向散射系数在早稻播种期至移栽期逐渐降低、在早稻移栽期至成熟期逐渐升高的特点提取早稻,本案例早稻播种期至移栽期对应年积日为69–140天,早稻移栽期至成熟期对应年积日为141–201天,早稻提取的特征阈值th3和th44均设置为0,故其数学模型为:
SLOPE(VH69-140)<0ANDSLOPE(VH141-201)>0
(2)根据双季晚稻的VH极化后向散射系数在双季晚稻播种期至移栽期逐渐降低、在双季晚稻移栽期至成熟期逐渐升高的特点提取双季晚稻,本案例双季晚稻播种期至移栽期对应年积日为183–222天,双季晚稻移栽期至成熟期对应年积日为223–304天,双季晚稻提取的特征阈值th5和th6均设置为0,故其数学模型为:
SLOPE(VH183-222)<0ANDSLOPE(VH223-304)>0
上述数学模型中,SLOPE()表示遥感像元在时间序列上以年积日为自变量,以VH极化后向散射系数为因变量进行线性拟合,并提取线性拟合结果的斜率,AND表示求交集操作。将上述2个数学模型得到的空间分布结果求交集后便得到识别的双季稻的空间分布范围。
E、单季稻识别模型构建
根据区域内的物候历和农作物种植信息,若区域内存在单季稻,则基于剔除背景地物和双季稻的结果构建单季稻识别模型。本案例中湖北省公安县存在单季稻种植,故基于剔除背景地物和双季稻的结果构建单季稻识别模型,其具体模型构建步骤为:
(1)根据中稻的VH极化后向散射系数在中稻播种期至移栽期逐渐降低、在中稻移栽期至成熟期逐渐升高的特点提取中稻。本案例中,中稻播种期至移栽期对应年积日为91–161天,中稻移栽期至成熟期对应年积日为162–263天,中稻提取的特征阈值th7和th8均设置为0,故其数学模型为:
SLOPE(VH91-161)<0ANDSLOPE(VH162-263)>0
(2)根据一季晚稻的VH极化后向散射系数在一季晚稻播种期至移栽期逐渐降低、在一季晚稻移栽期至成熟期逐渐升高的特点提取一季晚稻,本案例中一季晚稻播种期至移栽期对应年积日为172–222天,一季晚稻移栽期至成熟期对应年积日为223–304天,一季晚稻提取的特征阈值th9和th10均设置为0,故其数学模型为:
SLOPE(VH172-222)<0ANDSLOPE(VH223-304)>0
将上述2个数学模型得到的空间分布结果求并集后便得到识别的单季稻的空间分布范围。
F、水稻空间分布信息提取
基于区域的水稻种植信息和合成孔径雷达VH极化后向散射时间序列数据,利用构建的双季稻和单季稻识别模型,提取区域范围内水稻的空间分布信息。
本案例中基于湖北省公安县的哨兵-1AVH极化后向散射时间序列数据,利用构建的双季稻和单季稻识别模型,提取湖北省公安县水稻空间分布信息。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (1)
1.一种基于合成孔径雷达时序数据的水稻自动识别方法,其特征在于包括如下步骤:
A、数据获取和预处理,获取某区域内同一合成孔径雷达数据源全年的VH极化数据,对数据进行轨道修正、辐射校正、地形校正、重采样、空间滤波去噪声以及数据转换预处理操作,得到单位为dB的VH极化后向散射系数时间序列数据;
B、水稻识别特征选择,选取全年平均、全年最小VH极化后向散射系数作为剔除背景地物的特征,选取早稻播种期至移栽期、早稻移栽期至成熟期、双季晚稻播种期至移栽期、双季晚稻移栽期至成熟期的VH极化后向散射系数时间序列的斜率作为双季稻识别特征,选取中稻播种期至移栽期、中稻移栽期至成熟期、一季晚稻播种期至移栽期、一季晚稻移栽期至成熟期的VH极化后向散射系数时间序列的斜率作为单季稻识别特征;
C、背景地物剔除,将满足以下数学公式的地物作为背景地物进行剔除,剔除后的地物不参与后续水稻识别,该数学公式为:
MEAN(VH全年)<th1 oR MIN(VH全年)>th2
式中,MEAN()表示遥感像元在时间序列上求均值操作,MIN()表示遥感像元在时间序列上求最小值操作,VH代表VH极化后向散射系数时间序列,下标文字代表时间序列的时间范围,OR表示求并集操作,th1和th2分别代表各背景剔除特征对应的阈值;
D、双季稻识别模型构建,根据区域内的物候历和农作物种植信息,若区域内存在双季稻,则基于剔除背景地物的结果构建双季稻识别模型,将以下2个数学公式得到的空间分布结果求交集后便得到识别的双季稻的空间分布范围,2个数学公式分别为:
SLOPE(VH早稻播种期至移裁期)<th3 AND SLOPE(VH早稻移栽期至成熟期)>th4
SLOPE(VH双季晚稻播种期至移栽期)<th5 AND SLOPE(VH双季晚稻移栽期至成熟期)>th6
式中,SLOPE()表示遥感像元在时间序列上以年积日为自变量,以VH极化后向散射系数为因变量进行一元线性拟合,并提取一元线性拟合系数作为斜率,AND表示求交集操作,th3至th6分别代表各双季稻识别特征对应的阈值;
E、单季稻识别模型构建,根据区域内的物候历和农作物种植信息,若区域内存在单季稻,则基于剔除背景地物和双季稻的结果构建单季稻识别模型,将以下2个数学公式得到的空间分布结果求并集后便得到识别的单季稻的空间分布范围,2个数学公式分别为:
SLOPE(VH中稻播种期至移裁期)<th7 AND SLOPE(VH中稻移栽期至谨熟期)>th8
SLOPE(VH一季晚稻播种期至移裁期)<th9 AND SLOPE(VH一季晚稻移裁期至成熟期)>th10
式中,th7至th10分别代表各单季稻识别特征对应的阈值;
F、水稻空间分布信息提取,基于区域的水稻种植信息和合成孔径雷达VH极化后向散射时间序列数据,利用构建的双季稻和单季稻识别模型,提取区域范围内水稻的空间分布信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010117995.5A CN111142106B (zh) | 2020-02-26 | 2020-02-26 | 一种基于合成孔径雷达时序数据的水稻自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010117995.5A CN111142106B (zh) | 2020-02-26 | 2020-02-26 | 一种基于合成孔径雷达时序数据的水稻自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111142106A true CN111142106A (zh) | 2020-05-12 |
CN111142106B CN111142106B (zh) | 2021-12-03 |
Family
ID=70527935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010117995.5A Expired - Fee Related CN111142106B (zh) | 2020-02-26 | 2020-02-26 | 一种基于合成孔径雷达时序数据的水稻自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111142106B (zh) |
Cited By (4)
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 |
CN114282609A (zh) * | 2021-12-23 | 2022-04-05 | 西南交通大学 | 一种作物面积与物候指标提取方法 |
CN114387516A (zh) * | 2022-01-07 | 2022-04-22 | 宁波大学 | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 |
CN117690024A (zh) * | 2023-12-18 | 2024-03-12 | 宁波大学 | 一种针对多种植模式水稻田的一体化遥感识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022224A (zh) * | 2016-05-12 | 2016-10-12 | 北京师范大学 | 一种冬小麦识别方法 |
CN109345555A (zh) * | 2018-10-15 | 2019-02-15 | 中科卫星应用德清研究院 | 基于多时相多源遥感数据进行水稻识别的方法 |
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 |
CN110716198A (zh) * | 2019-09-09 | 2020-01-21 | 中科卫星应用德清研究院 | 一种vv极化单时相高频微波水稻估产的方法 |
-
2020
- 2020-02-26 CN CN202010117995.5A patent/CN111142106B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022224A (zh) * | 2016-05-12 | 2016-10-12 | 北京师范大学 | 一种冬小麦识别方法 |
CN109345555A (zh) * | 2018-10-15 | 2019-02-15 | 中科卫星应用德清研究院 | 基于多时相多源遥感数据进行水稻识别的方法 |
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 |
CN110716198A (zh) * | 2019-09-09 | 2020-01-21 | 中科卫星应用德清研究院 | 一种vv极化单时相高频微波水稻估产的方法 |
Non-Patent Citations (5)
Title |
---|
EMAL WALI 等: "Combination of Linear Regression Lines to Understa", 《REMOTE SENSING》 * |
YUN SHAO 等: "rice monitoring and production estimation using multitemporal RADARSAT", 《REMOTE SENSING OF ENVIRONMENT 》 * |
张云柏: "ASAR影像应用于水稻识别和面积测算研究_以江苏宝应县为例", 《中国优秀博硕士学位论文全文数据库 (硕士) 农业科技辑》 * |
梁瀚月: "基于Sentinel_1数据的江西省南昌县早稻信息提取研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
邵芸 等: "水稻时域散射特征分析及其应用研究", 《遥感学报》 * |
Cited By (6)
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 |
CN114282609A (zh) * | 2021-12-23 | 2022-04-05 | 西南交通大学 | 一种作物面积与物候指标提取方法 |
CN114387516A (zh) * | 2022-01-07 | 2022-04-22 | 宁波大学 | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 |
CN114387516B (zh) * | 2022-01-07 | 2022-08-16 | 宁波大学 | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 |
CN117690024A (zh) * | 2023-12-18 | 2024-03-12 | 宁波大学 | 一种针对多种植模式水稻田的一体化遥感识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111142106B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111142106B (zh) | 一种基于合成孔径雷达时序数据的水稻自动识别方法 | |
CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
Liu | Analysis of Sentinel-1 SAR data for mapping standing water in the Twente region | |
CN109685081B (zh) | 一种遥感提取撂荒地的联合变化检测方法 | |
CN106022224B (zh) | 一种冬小麦识别方法 | |
Sakamoto et al. | Detecting spatiotemporal changes of corn developmental stages in the US corn belt using MODIS WDRVI data | |
CN114387516B (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
CN106950573B (zh) | 一种基于无人机激光雷达的玉米涝渍灾害评估方法及系统 | |
CN116091938B (zh) | 一种针对单季稻种植面积的多源遥感监测方法 | |
CN102542560A (zh) | 一种水稻移栽后密度自动检测的方法 | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
CN110516943B (zh) | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 | |
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 | |
CN115641504A (zh) | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 | |
CN110929222A (zh) | 基于遥感植被冠层水分指数的灌溉农田识别方法 | |
CN107169940B (zh) | 基于电子识别的单株梨树产量获取方法 | |
CN116843164A (zh) | 基于图像分析的农业机械智能化控制系统 | |
CN111985433A (zh) | 一种水稻遥感信息提取方法和系统 | |
CN104330798B (zh) | 基于合成孔径雷达遥感影像监测农作物播期的方法及装置 | |
Qin et al. | Inundation impact on croplands of 2020 flood event in three Provinces of China | |
Diem et al. | Assessment of the efficiency of using modis MCD43A4 in mapping of rice planting calendar in the Mekong Delta | |
Rahamathunnisa | A survey on agriculture monitoring with satellite and its benefits | |
CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 | |
Wibowo et al. | Spatial analysis of rice phenology using Sentinel-1 and Sentinel-2 in Karawang Regency | |
CN109918826B (zh) | 一种基于关键物候期多源植被参量的水稻估产方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211203 |
|
CF01 | Termination of patent right due to non-payment of annual fee |