CN111160151A - 基于雷达时序图像的甘蔗连作范围提取方法及装置、设备 - Google Patents

基于雷达时序图像的甘蔗连作范围提取方法及装置、设备 Download PDF

Info

Publication number
CN111160151A
CN111160151A CN201911296647.2A CN201911296647A CN111160151A CN 111160151 A CN111160151 A CN 111160151A CN 201911296647 A CN201911296647 A CN 201911296647A CN 111160151 A CN111160151 A CN 111160151A
Authority
CN
China
Prior art keywords
time sequence
continuous cropping
sugarcane
remote sensing
phenological
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
CN201911296647.2A
Other languages
English (en)
Inventor
姜浩
荆文龙
郑琼
赵晶
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 CN201911296647.2A priority Critical patent/CN111160151A/zh
Publication of CN111160151A publication Critical patent/CN111160151A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (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)

Abstract

本申请实施例涉及一种基于雷达时序图像的甘蔗连作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甘蔗连作范围提取方法包括：获取多组待提取区域的哨兵1号的光学遥感数据；对多组光学遥感数据进行时归一化、插值以及滤波处理，获得滤波后的时序图像数据；对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；获取甘蔗连作的卫星遥感数据训练样本；将训练样本、光学遥感数据、滤波后的时序图像数据和物候特征输入训练好的XGBoost分类模型，得到待提取区域的甘蔗连作区域提取结果。本申请实施例的基于雷达时序图像的甘蔗连作范围提取方法可以比较准确的从遥感图像中提取出甘蔗连作种植区域。

Description

基于雷达时序图像的甘蔗连作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甘蔗连作范围提取方法及装置、设备。
背景技术
连作也叫重茬，是指在一块田地上连续栽种同一种作物。其优势在于：充分利用一地的气候、等自然资源，生产资料耗费少，成本低，效益高。然而缺点在于：1)加重对作物有专一性危害的病原微生物、害虫和寄生性、伴生性的滋生繁殖；2)影响土壤的理、化性状使肥效降低；3)加速消耗某些营养元素，形成养分偏失；4)土壤中不断累积某些有毒的根系分泌物，引起连作作物的自身“中毒”等。
甘蔗生长周期长，植株高大，根系发达，对土壤养分消耗量大，若多年连作会是土壤肥力降低；而且，病虫草害会逐年严重，影响甘蔗产量。广东湛江通常做法是1年新植2年宿根，部分3～4年宿根。即新植蔗是新种植的甘蔗；宿根蔗代表上年种植后，仅收割了上层的甘蔗茎，而保留根部，以待明年继续生长。
宿根蔗一般占种蔗面积的70％左右，宿根蔗生长的好坏，直接影响到次年甘蔗的总产量。湛江蔗农正抓紧宿根蔗的春季管理。甘蔗砍收后及时清理蔗叶，然后用牛犁蔗蔸两边，破垄松蔸，使土壤疏松、通透性好，松蔸后几天施肥，这样有利于宿根蔗发根与壮苗。
蔗被砍伐后，留在地下蔗桩上的蔗芽在适宜的温湿条件下萌芽出苗，经过人工管理，长成新的一茬蔗株即为宿根蔗，俗称旧根蔗栽培宿根蔗，不但具有省工省种成本低的优点，还具有早生快发、早分蘖、早拔节、生长期长、植株高大、有效茎多、高产稳产、早熟高糖、耐旱耐涝、增产潜力大的优势.因此，种好管好宿根蔗，对取得大面积平衡增产有着举足轻重的作用。因而具有重要的研究意义，但当前尚无甘蔗连作识别方法。
发明内容
本申请实施例提供了一种基于雷达时序图像的甘蔗连作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甘蔗连作种植区域。
第一方面，本申请实施例提供了一种基于雷达时序图像的甘蔗连作范围提取方法，包括步骤：
获取多组待提取区域的哨兵1号的光学遥感数据，其中，所述光学遥感数据包括VH波段；
对多组光学遥感数据进行时归一化、插值以及滤波处理，获得滤波后的时序图像数据；
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，其中，拟合的周期参数为一年；
获取甘蔗连作的卫星遥感数据样本，并将所述样本划分为训练样本、验证样本和测试样本；
将所述训练样本、光学遥感数据、滤波后的时序图像数据和物候特征输入训练好的XGBoost分类模型，得到待提取区域的甘蔗连作区域提取结果。
可选的，所述物候特征包括：周期底部深度、周期间隔宽度和生长期斜率。
可选的，得到待提取区域的甘蔗连作区域提取结果后，还包括：
根据所述物候参数的阈值对提取结果进行修正，得到甘蔗连作分布图，其中，所述物候参数的阈值根据经验值确定。
可选的，所述XGBoost模型的训练过程包括：
通过所述测试样本对所述XGBoost模型各参数进行交叉验证测试，调整优化模型参数，得到模型精度最高的参数组合，并通过所述验证样本对所述XGBoost模型进行验证。
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，其中，所述非对称高斯函数的公式为：
Figure BDA0002320733620000021
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。
第二方面，本申请实施例提供了一种基于雷达时序图像的甘蔗连作范围提取装置，包括：
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；
时序数据合成模块，用于对多组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，其中，拟合的周期参数为一年；
样本获取模块，用于获取甘蔗连作的卫星遥感数据样本，并将所述样本划分为训练样本、验证样本和测试样本；
提取模块，用于将所述训练样本、光学遥感数据、滤波后的时序图像数据和物候特征输入训练好的XGBoost分类模型，得到待提取区域的甘蔗连作区域提取结果。
可选的，所述物候特征包括：周期底部深度、周期间隔宽度和生长期斜率。
可选的，所述装置还包括：
修正模块，用于根据所述物候参数的阈值对提取结果进行修正，得到甘蔗连作分布图，其中，所述物候参数的阈值根据经验值确定。
可选的，所述物候特征计算模块包括：
拟合单元，采用非对称高斯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 BDA0002320733620000031
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。
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甘蔗连作范围提取方法。
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归一化、插值以及滤波处理，并根据拟合后的光学遥感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，提取出待提取区域的甘蔗连作的种植区域，能够通过甘蔗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甘蔗的连作种植区域。
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包含两个甘蔗生产周期雷达VH波段时序数据示意图；
图2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甘蔗连作范围提取方法流程图；
图3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甘蔗连作范围提取装置结构示意图；
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。
哨兵1号(Sentinel-1)雷达遥感卫星，具有12天重访周期，空间分辨率10米等特性，通常用作南方多云多余地区的作物识别。但当前尚无甘蔗连作识别方法，本申请实施例提出了一种针对后向散射强度特征、时序变化特征的甘蔗连作识别方法。
如图1所示，图1中包含两个甘蔗生产周期2017.1-2018.12(甘蔗1年一周期)。其中a点和b点分别对应2017榨季和2018榨季。可以看出：
2017榨季对应宿根蔗，特点是间隔很短，后向散射系数较高，从底部增长斜率较陡峭；
2018榨季对应新植蔗，特点是间隔较长，后向散射系数较低，从底部增长斜率较缓和。
这些差异即作为区别新植蔗/宿根蔗的特征，本申请以此特征建立基于雷达时序图像的甘蔗连作范围提取方法。
如图2所示，图2为在一个示例性的实施例中基于雷达时序图像的甘蔗连作范围提取方法的流程图，包括如下步骤：
步骤S201：获取多组待提取区域的哨兵1号的光学遥感数据，其中，所述光学遥感数据包括VH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波段为雷达遥感系统常用的一种极化方式，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S202：对多组光学遥感数据进行时归一化、插值以及滤波处理，获得滤波后的时序图像数据。
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 BDA0002320733620000061
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(ρlinear)
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S203：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，其中，拟合的周期参数为一年；
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。
物候特征是自然环境中动植物生命活动的季节性现象和在一年中特定时间出现的某些气象、水文现象的特征。
所述物候特征是自然环境中动植物生命活动的季节性现象和在一年中特定时间出现的某些气象、水文现象的特征，物候是指生物长期适应温度条件的周期性变化，形成与此相适应的生长发育节律，这种现象称为物候现象，主要指动植物的生长、发育、活动规律与非生物的变化对节候的反应。
指植物在一年的生长中，随着气候的季节性变化而发生萌芽、抽枝、展叶、开花、结果及落叶、休眠等规律性变化的现象，称之为物候或物候现象。
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。
步骤S204：获取甘蔗连作的卫星遥感数据样本，并将所述样本划分为训练样本、验证样本和测试样本；
所述甘蔗连作的卫星遥感数据样本，可以是通过人工解译卫星遥感数据并结合地面的样本观测得到。
步骤S205：将所述训练样本、光学遥感数据、滤波后的时序图像数据和物候特征输入训练好的XGBoost分类模型，得到待提取区域的甘蔗连作区域提取结果。
所述XGBoost分类模型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。所述XGBoost分类模型的输出即为待提取区域的甘蔗连作区域的提取结果。
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归一化、插值以及滤波处理，并根据拟合后的光学遥感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，提取出待提取区域的甘蔗连作的种植区域，能够通过甘蔗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甘蔗的连作种植区域。
在一个示例性的实施例中，所述物候特征包括：周期底部深度、周期间隔宽度和生长期斜率。
其中，周期底部深度的定义为：甘蔗榨季2-4月底期间，VH极化后向散射系数的最小值。
周期间隔宽度的定义为：x为1-3月VH极化后向散射系数的中值所对应的日期(DOY，即儒略日)；y为3-5月VH极化后向散射系数的中值所对应的日期；则周期间隔宽度为y-x，单位为日。
生长期斜率的定义为：周期底部到周期顶部的连线对应的斜率。
在一个示例性的实施例中，得到待提取区域的甘蔗连作区域提取结果后，还包括：
根据所述物候参数的阈值对提取结果进行修正，得到甘蔗连作分布图，其中，所述物候参数的阈值根据经验值确定。
具体的，可以是采用试错法，首先根据主观判断，定义周期底部深度、周期间隔宽度、生长期斜率这三个参数的大致范围。然后根据常识(即宿根蔗一般占种蔗面积的70％左右)，确定三个参数的详尽范围，并设定阈值。
然后，根据物候参数阈值对结果进行修整。最终得到甘蔗连作分布图。
在一个示例性的实施例中，所述XGBoost模型的训练过程包括：
通过所述测试样本对所述XGBoost模型各参数进行交叉验证测试，调整优化模型参数，得到模型精度最高的参数组合，并通过所述验证样本对所述XGBoost模型进行验证。
即其中，从样本中划分出的训练样本、验证样本和测试样本的比例可以是6:2:2，所述测试样本用于针对n_estimators、learning_rate、max_depth等参数，进行交叉验证。
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，其中，所述非对称高斯函数的公式为：
Figure BDA0002320733620000081
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。
与前述基于雷达时序图像的甘蔗连作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甘蔗连作范围提取装置，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甘蔗连作范围提取装置，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归一化、插值以及滤波处理，并根据拟合后的光学遥感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，提取出待提取区域的甘蔗连作的种植区域，能够通过甘蔗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甘蔗的连作种植区域。
在一个示例性的实施例中，如图3所示，所述基于雷达时序图像的甘蔗连作范围提取装置300包括：
光学遥感数据获取模块301，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；
时序数据合成模块302，用于对多组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303，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，其中，拟合的周期参数为一年；
样本获取模块304，用于获取甘蔗连作的卫星遥感数据样本，并将所述样本划分为训练样本、验证样本和测试样本；
提取模块305，用于将所述训练样本、光学遥感数据、滤波后的时序图像数据和物候特征输入训练好的XGBoost分类模型，得到待提取区域的甘蔗连作区域提取结果。
在一个示例性的实施例中，所述物候特征包括：周期底部深度、周期间隔宽度和生长期斜率。
在一个示例性的实施例中，所述装置300还包括：
修正模块，用于根据所述物候参数的阈值对提取结果进行修正，得到甘蔗连作分布图，其中，所述物候参数的阈值根据经验值确定。
在一个示例性的实施例中，所述物候特征计算模块303包括：
拟合单元，采用非对称高斯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 BDA0002320733620000091
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甘蔗连作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甘蔗连作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归一化、插值以及滤波处理，并根据拟合后的光学遥感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，提取出待提取区域的甘蔗连作的种植区域，能够通过甘蔗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甘蔗的连作种植区域。
如图4所示，图4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4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4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4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甘蔗连作范围提取方法程序，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甘蔗连作范围提取方法对应的程序指令/模块(例如，光学遥感数据获取模块301、时序数据合成模块302、物候特征计算模块303、样本获取模块304和提取模块305)。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甘蔗连作范围提取方法。
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甘蔗连作范围提取方法，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甘蔗连作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甘蔗连作范围提取方法，其特征在于，所述方法包括：
获取多组待提取区域的哨兵1号的光学遥感数据，其中，所述光学遥感数据包括VH波段；
对多组光学遥感数据进行时归一化、插值以及滤波处理，获得滤波后的时序图像数据；
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，其中，拟合的周期参数为一年；
获取甘蔗连作的卫星遥感数据样本，并将所述样本划分为训练样本、验证样本和测试样本；
将所述训练样本、光学遥感数据、滤波后的时序图像数据和物候特征输入训练好的XGBoost分类模型，得到待提取区域的甘蔗连作区域提取结果。
2.根据权利要求1所述的基于雷达时序图像的甘蔗连作范围提取方法，其特征在于：
所述物候特征包括：周期底部深度、周期间隔宽度和生长期斜率。
3.根据权利要求2所述的基于雷达时序图像的甘蔗连作范围提取方法，其特征在于，得到待提取区域的甘蔗连作区域提取结果后，还包括：
根据所述物候参数的阈值对提取结果进行修正，得到甘蔗连作分布图，其中，所述物候参数的阈值根据经验值确定。
4.根据权利要求1所述的基于雷达时序图像的甘蔗连作范围提取方法，其特征在于，所述XGBoost模型的训练过程包括：
通过所述测试样本对所述XGBoost模型各参数进行交叉验证测试，调整优化模型参数，得到模型精度最高的参数组合，并通过所述验证样本对所述XGBoost模型进行验证。
5.根据权利要求1所述的基于雷达时序图像的甘蔗连作范围提取方法，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，其中，所述非对称高斯函数的公式为：
Figure FDA0002320733610000011
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。
6.一种基于雷达时序图像的甘蔗连作范围提取装置，其特征在于，所述装置包括：
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；
时序数据合成模块，用于对多组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，其中，拟合的周期参数为一年；
样本获取模块，用于获取甘蔗连作的卫星遥感数据样本，并将所述样本划分为训练样本、验证样本和测试样本；
提取模块，用于将所述训练样本、光学遥感数据、滤波后的时序图像数据和物候特征输入训练好的XGBoost分类模型，得到待提取区域的甘蔗连作区域提取结果。
7.根据权利要求6所述的基于雷达时序图像的甘蔗连作范围提取装置，其特征在于，所述物候特征包括：周期底部深度、周期间隔宽度和生长期斜率。
8.根据权利要求7所述的基于雷达时序图像的甘蔗连作范围提取装置，其特征在于，所述装置还包括：
修正模块，用于根据所述物候参数的阈值对提取结果进行修正，得到甘蔗连作分布图，其中，所述物候参数的阈值根据经验值确定。
9.根据权利要求6所述的基于雷达时序图像的甘蔗连作范围提取装置，其特征在于，所述物候特征计算模块包括：
拟合单元，采用非对称高斯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 FDA0002320733610000021
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。
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甘蔗连作范围提取方法。
CN201911296647.2A 2019-12-16 2019-12-16 基于雷达时序图像的甘蔗连作范围提取方法及装置、设备 Pending CN111160151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911296647.2A CN111160151A (zh) 2019-12-16 2019-12-16 基于雷达时序图像的甘蔗连作范围提取方法及装置、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911296647.2A CN111160151A (zh) 2019-12-16 2019-12-16 基于雷达时序图像的甘蔗连作范围提取方法及装置、设备

Publications (1)

Publication Number Publication Date
CN111160151A true CN111160151A (zh) 2020-05-15

Family

ID=70557192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911296647.2A Pending CN111160151A (zh) 2019-12-16 2019-12-16 基于雷达时序图像的甘蔗连作范围提取方法及装置、设备

Country Status (1)

Country Link
CN (1) CN111160151A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627148A (zh) * 2021-07-05 2022-06-14 广东省科学院广州地理研究所 一种基于微波遥感的海岸带养殖水体对象提取方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109508633A (zh) * 2018-09-30 2019-03-22 广州地理研究所 一种基于光学遥感数据的甘蔗分布识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109508633A (zh) * 2018-09-30 2019-03-22 广州地理研究所 一种基于光学遥感数据的甘蔗分布识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAO JIANG等: "Early Season Mapping of Sugarcane by Applying Machine Learning Algorithms to Sentinel-1A/2 Time Series Data: A Case Study in Zhanjiang City, China", 《REMOTE SENSING》 *
杨东方等: "《数学模型在生态学的应用及研究》", 31 January 2011, 海洋出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627148A (zh) * 2021-07-05 2022-06-14 广东省科学院广州地理研究所 一种基于微波遥感的海岸带养殖水体对象提取方法及装置
CN114627148B (zh) * 2021-07-05 2024-01-02 广东省科学院广州地理研究所 一种基于微波遥感的海岸带养殖水体对象提取方法及装置

Similar Documents

Publication Publication Date Title
Boschetti et al. PhenoRice: A method for automatic extraction of spatio-temporal information on rice crops using satellite data time series
US20170270446A1 (en) Agronomic systems, methods and apparatuses for determining yield limits
Fraga et al. Examining the relationship between the Enhanced Vegetation Index and grapevine phenology
CN109614891A (zh) 基于物候学和遥感的农作物识别方法
CN109492619B (zh) 集遥感、模型、算法为一体的变量施农药方法及系统
CN108304973A (zh) 基于积温、辐射和土壤含水量的区域作物成熟期预测方法
CN101858971A (zh) 一种基于modis数据的水稻单产遥感估算方法
CN112070297A (zh) 农事活动的天气指标预测方法、装置、设备及存储介质
Bai et al. Growth simulation and yield prediction for perennial jujube fruit tree by integrating age into the WOFOST model
Irmak et al. Large-scale and long-term trends and magnitudes in irrigated and rainfed maize and soybean water productivity: grain yield and evapotranspiration frequency, crop water use efficiency, and production functions
CN103971199A (zh) 一种大范围农作物长势的遥感评级方法
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
Wang et al. Modeling light availability for crop strips planted within apple orchard
CN107437262B (zh) 作物种植面积预警方法和系统
Srivastava et al. Quantification of growth and yield of oilseed Brassica using thermal indices under semi-arid environment
Bunting et al. Vitis vinifera production in Michigan: factors and trends driving cultivation patterns
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
Chavez et al. Growth response and productivity of sorghum for bioenergy production in south Texas
Sivarajan Estimating yield of irrigated potatoes using aerial and satellite remote sensing
Lam-Dao et al. Effects of changing rice cultural practices on C-band synthetic aperture radar backscatter using Envisat advanced synthetic aperture radar data in the Mekong River Delta
Tahashildar et al. Comparison of different reference evapotranspiration (ET0) models and determination of crop-coefficients of french bean (Phesiolus vulgaris.) in mid hill region of Meghalaya
CN108733013A (zh) 一种基于大数据分析的葡萄种植管理系统
CN115909063A (zh) 一种中分辨率水稻提取方法及系统
Lievens Parameterization and testing of the FAO Aquacrop model to simulate yield response to water in North-eastern Thailand
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

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)

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200515