CN111310639A - 常绿人工林遥感识别方法及常绿人工林长势遥感监测方法 - Google Patents

常绿人工林遥感识别方法及常绿人工林长势遥感监测方法 Download PDF

Info

Publication number
CN111310639A
CN111310639A CN202010087133.2A CN202010087133A CN111310639A CN 111310639 A CN111310639 A CN 111310639A CN 202010087133 A CN202010087133 A CN 202010087133A CN 111310639 A CN111310639 A CN 111310639A
Authority
CN
China
Prior art keywords
evergreen
forest
pixel position
year
index
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
CN202010087133.2A
Other languages
English (en)
Other versions
CN111310639B (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 CN202010087133.2A priority Critical patent/CN111310639B/zh
Publication of CN111310639A publication Critical patent/CN111310639A/zh
Application granted granted Critical
Publication of CN111310639B publication Critical patent/CN111310639B/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

Abstract

本发明实施例提供了一种常绿人工林遥感识别方法及常绿人工林长势遥感监测方法，首先根据目标时间范围内每一年工作区域的第一类时间序列遥感影像，确定第一类时间序列遥感影像中每一像元位置处的常绿林覆盖指数；然后基于每一像元位置处的常绿林覆盖指数，确定目标时间范围内每一像元位置处的常绿林种植区域指数；最后基于每一像元位置处的常绿林种植区域指数，确定目标时间范围内工作区域的历史常绿林分布区域。通过时间序列遥感影像确定用于识别是否种植过常绿林的各项指数，可以使得到的历史常绿林分布区域更加科学、准确和可靠。

Description

常绿人工林遥感识别方法及常绿人工林长势遥感监测方法
技术领域
本发明涉及植物信息识别技术领域，更具体地，涉及常绿人工林遥感识别方法及常绿人工林长势遥感监测方法。
背景技术
目前，人工种植常绿林是干旱半干旱区生态恢复和防治的重要方法，已经引起广泛关注。章子松、马尾松等是常见的常绿树种，其长势受水分、土壤养分、气温、地形、人类干扰等自然和人为原因等条件的限制。
由于人类对干旱半干旱区常绿林恢复的水资源承载能力等因素认识的局限，难以识别哪些地方适宜种植、哪些地方不适宜种植，哪些地方受人为干扰较大，需要发现问题并进行定量化评估，使常绿林的种植最大限度的发挥生态环境效益。识别常绿林地和获取常绿林地的长势信息，相关的研究主要包括人工调查、定点观测等方法。然而，由于受到常绿林地的背景复杂信息、时间序列变化特征与变化趋势、生长区域的均衡性等因素的影响，采用上述方法将很难达到令人满意的结果。
因此，现急需提供一种常绿人工林遥感识别方法及常绿人工林长势遥感监测方法。
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常绿人工林遥感识别方法及常绿人工林长势遥感监测方法。
第一方面，本发明实施例提供了一种常绿人工林遥感识别方法，包括：
基于目标时间范围内每一年工作区域的第一类时间序列遥感影像，确定所述第一类时间序列遥感影像中每一像元位置处的常绿林覆盖指数；所述常绿林覆盖指数用于表征每一像元位置处是否种植有常绿林；
基于每一像元位置处的常绿林覆盖指数，确定所述目标时间范围内每一像元位置处的常绿林种植区域指数；所述常绿林种植区域指数用于表征所述目标时间范围内每一像元位置处是否种植过常绿林；
基于每一像元位置处的常绿林种植区域指数，确定所述目标时间范围内所述工作区域的历史常绿林分布区域。
优选地，所述基于目标时间范围内每一年工作区域的第一类时间序列遥感影像，确定所述第一类时间序列遥感影像中每一像元位置处的常绿林覆盖指数，具体包括：
确定目标年份所述工作区域内每一类别的林草的物候曲线，并确定所有物候曲线中归一化植被指数NDVI在预设范围内的时间区间；
基于所述第一类时间序列遥感影像，确定所述时间区间内每一像元位置处的NDVI、所述时间区间内全覆盖常绿林的NDVI均值以及所述时间区间内枯枝落叶的NDVI均值；
基于所述时间区间内每一像元位置处的NDVI、所述时间区间内全覆盖常绿林的NDVI均值以及所述时间区间内枯枝落叶的NDVI均值，确定所述时间区间内每一像元位置处的常绿林覆盖指数。
优选地，所述基于每一像元位置处的常绿林覆盖指数，确定所述目标时间范围内每一像元位置处的常绿林种植区域指数，具体包括：
基于每一像元位置处的常绿林覆盖指数，确定所述目标时间范围内每一像元位置处的常绿林覆盖指数均值；
基于每一像元位置处的常绿林覆盖指数以及每一像元位置处的常绿林覆盖指数均值，确定所述目标时间范围内每一像元位置处的常绿林种植区域指数。
优选地，所述基于每一像元位置处的常绿林种植区域指数，确定所述目标时间范围内所述工作区域的历史常绿林分布区域，具体包括：
对于所述第一类时间序列遥感影像中的每一像元位置，若所述像元位置处的常绿林种植区域指数大于等于第一阈值，且所述像元位置处的NDVI大于等于第二阈值，则确定所述像元位置处为包含有常绿林的区域；
所述工作区域内所有包含有常绿林的区域共同形成所述工作区域的历史常绿林分布区域。
第二方面，本发明实施例提供了一种基于第一方面所述的常绿人工林遥感识别方法实现的常绿人工林长势遥感监测方法，包括：
对于所述第一类时间序列遥感影像中的每一像元位置，基于所述目标时间范围内所述像元位置处的常绿林种植区域指数以及所述目标时间范围内所述像元位置处的常绿林覆盖指数均值，确定所述像元位置处的长势速度指标；
基于所述像元位置处的长势速度指标以及所述目标时间范围内所述像元位置处的常绿林覆盖指数拟合曲线，确定所述目标时间范围内所述像元位置处的常绿林生长趋势。
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常绿人工林遥感识别方法或第二方面所述的常绿人工林长势遥感监测方法的步骤。
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常绿人工林遥感识别方法或第二方面所述的常绿人工林长势遥感监测方法的步骤。
本发明实施例提供的一种常绿人工林遥感识别方法及常绿人工林长势遥感监测方法，首先根据目标时间范围内每一年工作区域的第一类时间序列遥感影像，确定第一类时间序列遥感影像中每一像元位置处的常绿林覆盖指数；然后基于每一像元位置处的常绿林覆盖指数，确定目标时间范围内每一像元位置处的常绿林种植区域指数；最后基于每一像元位置处的常绿林种植区域指数，确定目标时间范围内工作区域的历史常绿林分布区域。通过时间序列遥感影像确定用于识别是否种植过常绿林的各项指数，可以使得到的历史常绿林分布区域更加科学、准确和可靠。
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常绿人工林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常绿人工林长势遥感监测方法的流程示意图；
图3为本发明实施例提供的一种常绿人工林遥感识别系统的结构示意图；
图4为本发明实施例提供的一种常绿人工林长势遥感监测系统的结构示意图；
图5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。
在本发明实施例的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明实施例中的具体含义。
如图1所示，本发明实施例提供了一种常绿人工林遥感识别方法，包括：
S11，基于目标时间范围内每一年工作区域的第一类时间序列遥感影像，确定所述第一类时间序列遥感影像中每一像元位置处的常绿林覆盖指数；所述常绿林覆盖指数用于表征每一像元位置处是否种植有常绿林；
S12，基于每一像元位置处的常绿林覆盖指数，确定所述目标时间范围内每一像元位置处的常绿林种植区域指数；所述常绿林种植区域指数用于表征所述目标时间范围内每一像元位置处是否种植过常绿林；
S13，基于每一像元位置处的常绿林种植区域指数，确定所述目标时间范围内所述工作区域的历史常绿林分布区域。
具体地，本发明实施例中提供的常绿人工林遥感识别方法，其执行主体为服务器，具体可以是电脑服务器或者云端服务器，本发明实施例中对此不作具体限定。本发明实施例中提供的常绿人工林遥感识别方法，可以面向干旱半干旱地区进行常绿人工林遥感识别。
常绿人工林是指人工种植的常绿林，在进行常绿人工林遥感识别时，首先执行步骤S11。获取目标时间范围内每一年工作区域的第一类时间序列遥感影像，目标时间范围是指需要研究的时间范围，可以以年为单位，例如5年、10年等。工作区域是指需要研究的地理区域，可以以公里为单位，例如方圆10公里，方圆50公里，方圆100公里等。工作区域内会种植章子松、马尾松等常绿林，还可以种植榆树、杨树、槐树等。第一类时间序列遥感影像是指第一预设时间分辨率的时间序列遥感影像，第一预设时间分辨率具体可以是高时间分辨率，空间分辨率相对低，得到的第一类时间序列遥感影像包含的遥感时间具体可以是MODIS数据。对于目标时间范围内的每一年y(1≤y≤Y，Y为目标时间范围内包含的总年数)，根据第y年工作区域的第一类时间序列遥感影像，确定出第一类时间序列遥感影像中每一像元位置处的常绿林地覆盖指数。其中，第一类时间序列遥感影像中可以包括K景遥感影像，每景遥感影像中的像元数量均相同，所以每一像元位置处共可以对应于K个影像，所有像元位置共同构成工作区域。设第一类时间序列遥感影像中的像元位置数量为I，对于第一类时间序列遥感影像中每一像元位置i(1≤i≤I)，像元位置i处的常绿林地覆盖指数为CIi,y。CIi,y是用于表征像元位置i处是否种植有常绿林的指标，例如当CIi,y大于等于阈值a1，则说明第y年中像元位置i处种植有常绿林，反之当CIi,y小于阈值a1，则说明第y年中像元位置i处没有种植常绿林。阈值a1为经验值或实验得到，可以根据需要进行设定，本发明实施例中对此不作具体限定。
然后执行步骤S12。即对于每一像元位置i，根据CIi,y，确定Y年内像元位置i处的常绿林种植区域指数EGIi。通过EGIi表征Y年内像元位置i处是否种植过常绿林，当EGIi大于等于阈值a2，则说明Y年中至少有一年在像元位置i处种植过常绿林，反之当EGIi小于阈值a2，则说明Y年中没有年份在像元位置i处种植过常绿林。阈值a2为经验值或实验得到，可以根据需要进行设定，本发明实施例中对此不作具体限定。
最后执行步骤S13。即目标区域内所有满足常绿林种植区域指数大于等于阈值a2的像元位置构成工作区域的历史常绿林分布区域。历史常绿林分布区域是指在目标时间范围内目标区域内种植过常绿林的区域。
本发明实施例中提供的常绿人工林遥感识别方法，首先根据目标时间范围内每一年工作区域的第一类时间序列遥感影像，确定第一类时间序列遥感影像中每一像元位置处的常绿林覆盖指数；然后基于每一像元位置处的常绿林覆盖指数，确定目标时间范围内每一像元位置处的常绿林种植区域指数；最后基于每一像元位置处的常绿林种植区域指数，确定目标时间范围内工作区域的历史常绿林分布区域。通过时间序列遥感影像确定用于识别是否种植过常绿林的各项指数，可以使得到的历史常绿林分布区域更加科学、准确和可靠。
在上述实施例的基础上，本发明实施例中提供的常绿人工林遥感识别方法，所述基于目标时间范围内每一年工作区域的第一类时间序列遥感影像，确定所述第一类时间序列遥感影像中每一像元位置处的常绿林覆盖指数，具体包括：
确定目标年份所述工作区域内每一类别的林草的物候曲线，并确定所有物候曲线中归一化植被指数(Normalized Difference Vegetation Index，NDVI)在预设范围内的时间区间；
基于所述第一类时间序列遥感影像，确定所述时间区间内每一像元位置处的NDVI、所述时间区间内全覆盖常绿林的NDVI均值以及所述时间区间内枯枝落叶的NDVI均值；
基于所述时间区间内每一像元位置处的NDVI、所述时间区间内全覆盖常绿林的NDVI均值以及所述时间区间内枯枝落叶的NDVI均值，确定所述时间区间内每一像元位置处的常绿林覆盖指数。
具体地，本发明实施例中，步骤S11具体过程如下：
首先，获取目标年份工作区域的第一类时间序列遥感影像，目标年份具体可以是目标时间范围内的任一年份，根据目标年份工作区域的第一类时间序列遥感影像，可以确定工作区域内每一类别的林草的物候曲线。由于目标年份工作区域的第一类时间序列遥感影像具有K景遥感影像，基于如下公式(1)计算每景遥感影像中每一像元的NDVI。
Figure BDA0002382456640000081
其中，Rnir为像元对应的遥感数据中近红波段的反射率，Rr为像元对应的遥感数据中红波段的反射率。
从目标年份工作区域的第一类时间序列遥感影像中选择对应于不同类别的林的像元位置以及这些像元位置处的NDVI，确定不同类别的林草的物候曲线。物候曲线的横坐标为目标年份内的不同时间节点，与目标年份工作区域的第一类时间序列遥感影像中各景遥感影像的时间节点一一对应；物候曲线的纵坐标为NDVI。
确定出目标年份工作区域内每一类别的林草的物候曲线后，从所有物候曲线中选取NDVI在预设范围内的时间区间Δt，预设范围具体可以是根据需要确定，一般选取0-0.2。NDVI在预设范围内的时间区间Δt一般为冬季，时间区间Δt的长度可以为2-3个月等。
其次，以目标时间范围内的第i年为例，根据第i年工作区域的第一类时间序列遥感影像，确定第i年Δt内每一像元位置i处的NDVI、第i年Δt内全覆盖常绿林的NDVI均值以及第i年Δt内枯枝落叶的NDVI均值。由于Δt内每一像元位置i处的NDVI不止一个，因此可以从中任选一个即可。Δt内全覆盖常绿林的NDVI均值具体是Δt内包括的所有景遥感影像中全覆盖有常绿林的像元位置处的NDVI的平均值。Δt内枯枝落叶的NDVI均值具体是Δt内包括的所有景遥感影像中全覆盖有枯枝落叶的像元位置处的NDVI的平均值。
最后，根据如上确定出的NDVI以及NDVI均值，基于如下公式(2)确定出每一年Δt内每一像元位置i处的常绿林覆盖指数。
Figure BDA0002382456640000091
其中，CIi，y为第y年像元位置i处的常绿林地覆盖指数，NDVIΔt为第y年Δt内像元位置i处的NDVI，
Figure BDA0002382456640000092
为第y年Δt内枯枝落叶的NDVI均值，
Figure BDA0002382456640000093
为第y年Δt内全覆盖常绿林的NDVI均值。
需要说明的是，本发明实施例中在确定
Figure BDA0002382456640000094
时，可以先通过如下公式(3)计算出Δc，Δc满足如下公式(4)中的不同条件时，
Figure BDA0002382456640000095
的取值不同。
Figure BDA0002382456640000096
Figure BDA0002382456640000097
其中，NDVIsm为第y年常绿林生长旺盛期的NDVI值；NDVIs为第y年土壤的NDVI值；
Figure BDA0002382456640000098
为第y年中全覆盖有常绿林的每一像元位置处的NDVI最大值的平均值；Δc为覆盖差异指数；b1至b5、k1至k5均为常数。
在上述实施例的基础上，本发明实施例中提供的常绿人工林遥感识别方法，计算每景遥感影像中每一像元的NDVI之后，还包括：
基于Savitzky-Golay滤波模型，对每景遥感影像中每一像元的NDVI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 BDA0002382456640000101
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常绿人工林遥感识别方法，所述基于每一像元位置处的常绿林覆盖指数，确定所述目标时间范围内每一像元位置处的常绿林种植区域指数，具体包括：
基于每一像元位置处的常绿林覆盖指数，确定所述目标时间范围内每一像元位置处的常绿林覆盖指数均值；
基于每一像元位置处的常绿林覆盖指数以及每一像元位置处的常绿林覆盖指数均值，确定所述目标时间范围内每一像元位置处的常绿林种植区域指数。
具体地，本发明实施例中，步骤S12具体过程如下：
首先，根据每一年工作区域的第一类时间序列遥感影像中每一像元位置i处的常绿林覆盖指数，确定Y年内每一像元位置i处的常绿林覆盖指数均值
Figure BDA0002382456640000102
即Y年内所有年份中每一像元位置i处的常绿林覆盖指数的平均值。
然后，根据CIi,y以及
Figure BDA0002382456640000103
通过如下公式(6)确定Y年内每一像元位置i处的常绿林种植区域指数EGIi。
Figure BDA0002382456640000104
在上述实施例的基础上，本发明实施例中提供的常绿人工林遥感识别方法，所述基于每一像元位置处的常绿林种植区域指数，确定所述目标时间范围内所述工作区域的历史常绿林分布区域，具体包括：
对于所述第一类时间序列遥感影像中的每一像元位置，若所述像元位置处的常绿林种植区域指数大于等于第一阈值，且所述像元位置处的NDVI大于等于第二阈值，则确定所述像元位置处为包含有常绿林的区域；
所述工作区域内所有包含有常绿林的区域共同形成所述工作区域的历史常绿林分布区域。
具体地，具体地，本发明实施例中，步骤S13具体过程如下：
对于第一类时间序列遥感影像中的每一像元位置i，若像元位置i处的常绿林种植区域指数EGIi大于等于第一阈值EGI0，且像元位置i处的NDVIi大于等于第二阈值NDVI0，则确定像元位置i处为包含有常绿林的区域。工作区域内所有包含有常绿林的区域共同形成工作区域的历史常绿林分布区域，即所有满足上述条件的像元位置构成历史常绿林分布区域。其中，第一阈值EGI0和第二阈值NDVI0的具体取值可以根据需要进行设置，本发明实施例中对此不作具体限定。
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基于上述实施例中提供的常绿人工林遥感识别方法实现的常绿人工林长势遥感监测方法，包括：
S21，对于所述第一类时间序列遥感影像中的每一像元位置，基于所述目标时间范围内所述像元位置处的常绿林种植区域指数以及所述目标时间范围内所述像元位置处的常绿林覆盖指数均值，确定所述像元位置处的长势速度指标；
S22，基于所述像元位置处的长势速度指标以及所述目标时间范围内所述像元位置处的常绿林覆盖指数拟合曲线，确定所述目标时间范围内所述像元位置处的常绿林生长趋势。
具体地，本发明实施例中，首先执行步骤S21，对于第一类时间序列遥感影像中的每一像元位置i，基于Y年内像元位置i处的常绿林种植区域指数以及Y年内像元位置i处的常绿林覆盖指数均值
Figure BDA0002382456640000121
通过如下公式(7)确定Y年内像元位置i处的长势速度指标V。其中，长势速度指标用于表征常绿林的长势快慢。
Figure BDA0002382456640000122
然后执行步骤S2。Y年内像元位置i处的常绿林覆盖指数拟合曲线，是Y年内每一年像元位置i处的常绿林覆盖指数CIi，y进行线性拟合得到。若V小于等于阈值a3，则说明Y年内像元位置i处的常绿林长势缓慢，若同时Y年内像元位置i处的常绿林覆盖指数拟合曲线的斜率d满足a4≤d≤a5，a4、a5均为阈值，则Y年内像元位置i处的常绿林为长势缓慢向好的趋势；若同时Y年内像元位置i处的常绿林覆盖指数拟合曲线的斜率d满足a6≤d≤a7，a6、a7均为阈值，则Y年内像元位置i处的常绿林为长势缓慢向差的趋势。若V小于等于阈值a8，且d满足a9≤d≤a10，a9、a10均为阈值，则Y年内像元位置i处的常绿林为长势近似停止的趋势。其中，阈值a3-a10均为经验值或实验得到，可以根据需要进行设定，本发明实施例中对此不作具体限定。
若V大于阈值a3，则说明Y年内像元位置i处的常绿林长势迅速，若同时Y年内像元位置i处的常绿林覆盖指数拟合曲线的斜率d满足d＞a5，则Y年内像元位置i处的常绿林为长势迅速向好的趋势；若V大于阈值a11，且Y年内像元位置i处的常绿林覆盖指数拟合曲线的斜率d满足d≤a6，则Y年内像元位置i处的常绿林为长势迅速向差的趋势。其中，阈值a11均为经验值或实验得到，可以根据需要进行设定，本发明实施例中对此不作具体限定。
本发明实施例中提供的常绿人工林长势遥感监测方法，在识别出常绿人工林的基础上，考虑了常绿人工林的生长趋势，便于对常绿人工林的种植提供理论基础。
在上述实施例的基础上，本发明实施例中提供的常绿人工林长势遥感监测方法，其特征在于，还包括：
对于所述第一类时间序列遥感影像中的每一像元位置，基于所述目标时间范围内每一年所述像元位置处的常绿林覆盖指数，确定所述像元位置处种植常绿林的种植年限；
获取所述种植年限内每一年所述历史常绿林分布区域的第二类时间序列遥感影像，并确定所述第二类时间序列遥感影像中每一像元位置处的常绿林覆盖指数，基于所述第二类时间序列遥感影像中每一像元位置处的常绿林覆盖指数，确定所述种植年限内每一年的年份常绿林分布区域；
对于所述种植年限内每一年对应的年份常绿林分布区域，将所述年份常绿林分布区域进行矢量化，确定多个斑块，并基于每个斑块内的常绿林覆盖指数均值以及所述年份常绿林分布区域内单位面积上常绿林的种植数量，确定所述种植年限内每一年每个斑块内常绿林的种植数量。
具体地，本发明实施例中，对于每一像元位置i，根据Y年中第y年像元位置i处的常绿林覆盖指数CIi,y，确定像元位置i处常绿林的种植年限。确定种植年限时需要确定常绿林种植的起始年份和终止年份。对于相邻的两个年份y0和y1，且有y0＜y1，若CIi,y0＜a12，且CIi,y1≥a12，则确定y1为起始年份。若对于相邻的两个年份y2和ye，且有y2＜ye，若CIi,y2≥a12，且CIi,ye＜a12，则确定ye为终止年份。
确定像元位置i处常绿林的种植年限之后，获取种植年限内每一年z(1≤z≤Z，Z为种植年限内的总年数)历史常绿林分布区域的第二类时间序列遥感影像，第二类时间序列遥感影像是指第二预设时间分辨率的时间序列遥感影像，第二预设时间分辨率具体可以是中高时间分辨率，空间分辨率相对高。确定第二类时间序列遥感影像中每一像元位置m(1≤m≤M，M为第二类时间序列遥感影像中的像元位置数量)处的常绿林覆盖指数CIm,z，基于常绿林覆盖指数CIm,z，确定Z年内每一年z的年份常绿林分布区域。若CIm,z≥a12，则第z年像元位置m处种植有常绿林。
对于Z年内每一年z对应的年份常绿林分布区域，将第z年对应的年份常绿林分布区域进行矢量化，确定多个斑块，每个斑块中包括多个像元位置。设斑块的数量为N，每个斑块n(1≤n≤N)内均包括U个像元位置，每个斑块n内的常绿林覆盖指数均值
Figure BDA0002382456640000141
可以通过如下公式(8)确定。
Figure BDA0002382456640000142
其中，p为每个像元位置处的像元面积，CIu,n,z为第z年斑块n中的像元位置u(1≤u≤U)处的常绿林覆盖指数，sn为斑块n的面积。
根据每个斑块n内的常绿林覆盖指数均值
Figure BDA0002382456640000143
第z年的年份常绿林分布区域内单位面积上的常绿林覆盖指数CIs,z以及第z年的年份常绿林分布区域内单位面积上常绿林的种植数量Ts,z，确定每个斑块n内常绿林的种植数量Tn,z。具体可以通过如下公式(9)确定。
Figure BDA0002382456640000144
需要说明的是，在常绿林种植的起始年份y1确定了每个斑块n内常绿林的种植数量Tn,y1，在种植年限中除起始年份y1外的其他年份，确定的每个斑块n内常绿林的种植数量可以理解为该年份剩余的常绿林的种植数量。
在上述实施例的基础上，本发明实施例中提供的常绿人工林长势遥感监测方法，还包括：
基于每个斑块内每一像元位置处的常绿林覆盖指数以及所述种植年限内每一年每个斑块内的常绿林覆盖指数均值，确定所述种植年限内每一年每个斑块内的长势均匀度指数；所述长势均匀度指数用于表征所述种植年限内每一年每个斑块内常绿林的生长态势；
基于所述种植年限内每一年每个斑块内的长势均匀度指数，确定所述种植年限内非初始年份和初始年份之间每个斑块内的长势均匀度差异指数；
基于所述种植年限内每一年每个斑块内常绿林的种植数量以及所述长势均匀度差异指数，确定所述种植年限内非初始年份每个斑块内常绿林的综合长势分析指数，并基于所述综合长势分析指数，确定每个斑块内的常绿林生长趋势。
具体地，本发明实施例中，对于Z年内第z年，基于Z年内第z年每个斑块n内每一像元位置u处的常绿林覆盖指数CIu,n,z以及第z年每个斑块n内的常绿林覆盖指数均值
Figure BDA0002382456640000151
基于如下公式(10)确定第z年每个斑块n内的长势均匀度指数UGTIn,z。其中，长势均匀度指数UGTIn,z用于表征第z年每个斑块n内常绿林的生长态势。
Figure BDA0002382456640000152
确定出Z年内每一年z每个斑块n内的长势均匀度指数UGTIn,z，例如Z年内非初始年份z1(z1≠1)和初始年份z0(z0＝1)，第z1年每个斑块n内的长势均匀度指数UGTIn,z1，第z0年每个斑块n内的长势均匀度指数UGTIn,z0，则z1和z0之间每个斑块n内的长势均匀度差异指数GDIz1-z0具体可以通过如下公式(11)表示。
GDIz1-z0＝UGTIn,z1-UGTIn,z0 (11)
当GDIz1-z0大于等于阈值a13，则说明z1和z0年之间每个斑块n的长势差异明显，否则说明长势差异不明显，即长势均匀。
最后，根据Z年内每一年z每个斑块n内常绿林的种植数量Tn,z以及长势均匀度差异指数GDIz1-z0，基于如下公式(12)确定非初始年份z1每个斑块n内常绿林的综合长势分析指数GMIn,z1。
Figure BDA0002382456640000153
其中，Tn,z1为Z年内第z1年每个斑块n内常绿林的种植数量，Tn,1为Z年内第1年每个斑块n内常绿林的种植数量，λ1、λ2为权重系数，μ为长势指数，λ1、λ2以及μ均为常数。
μ的取值可以根据每个斑块n内所有像元位置处的常绿林生长趋势确定，具体如下：
若每个斑块n内所有像元位置处的常绿林生长趋势为迅速向好的趋势，则μ＝c1；若每个斑块n内所有像元位置处的常绿林生长趋势为缓慢向好的趋势，则μ＝c2；若每个斑块n内所有像元位置处的常绿林生长趋势为近似停止的趋势，则μ＝c3；若每个斑块n内所有像元位置处的常绿林生长趋势为缓慢向差的趋势，则μ＝c4；若每个斑块n内所有像元位置处的常绿林生长趋势为迅速向差的趋势，则μ＝c5。其中，c1～c5均为预设阈值。
在上述实施例的基础上，本发明实施例中提供的常绿人工林长势遥感监测方法，还包括：
确定所述第二类时间序列遥感影像中每一像元位置处各类常绿林的常绿林覆盖指数；相应地，
所述基于每个斑块内的常绿林覆盖指数均值以及单位面积上常绿林的种植数量，确定所述种植年限内每一年每个斑块内常绿林的种植数量，具体包括：
基于每个斑块内各类常绿林的常绿林覆盖指数均值以及单位面积上各类常绿林的种植数量，确定所述种植年限内每一年每个斑块内各类常绿林的种植数量。
具体地，本发明实施例中，还可以确定第二类时间序列遥感影像中每一像元位置处各类常绿林的常绿林覆盖指数，若用r表示常绿林的类别，R为每一像元位置处的常绿林的总类别数。则第z年的第二类时间序列遥感影像中每一像元位置m处第r类常绿林的常绿林覆盖指数CIm,z,r可以通过如下公式确定。
Figure BDA0002382456640000161
在此基础上，根据每个斑块n内的常绿林覆盖指数均值
Figure BDA0002382456640000162
第z年的年份常绿林分布区域内单位面积上的常绿林覆盖指数CIs,z以及第z年的年份常绿林分布区域内单位面积上常绿林的种植数量Ts,z，确定每个斑块n内常绿林的种植数量Tn,z，具体包括：
根据每个斑块n内第r类常绿林的常绿林覆盖指数均值
Figure BDA0002382456640000171
第z年的年份常绿林分布区域内单位面积上的第r类常绿林覆盖指数CIs,z,r以及第z年的年份常绿林分布区域内单位面积上第r类常绿林的种植数量Ts,z,r，通过如下公式(14)确定Z内第z年每个斑块n内第r类常绿林的种植数量Tn,z,r。
Figure BDA0002382456640000172
如图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常绿人工林遥感识别系统，包括：覆盖指数确定模块31、区域指数确定模块32和分布区域模块33。其中，
覆盖指数确定模块31用于基于目标时间范围内每一年工作区域的第一类时间序列遥感影像，确定所述第一类时间序列遥感影像中每一像元位置处的常绿林覆盖指数；所述常绿林覆盖指数用于表征每一像元位置处是否种植有常绿林；
区域指数确定模块32用于基于每一像元位置处的常绿林覆盖指数，确定所述目标时间范围内每一像元位置处的常绿林种植区域指数；所述常绿林种植区域指数用于表征所述目标时间范围内每一像元位置处是否种植过常绿林；
分布区域模块33用于基于每一像元位置处的常绿林种植区域指数，确定所述目标时间范围内所述工作区域的历史常绿林分布区域。
具体地，本发明实施例中提供的常绿人工林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，具体参见上述实施例，本发明实施例中对此不再赘述。
如图4所示，在上述实施例的基础上，本发明实施例中提供了一种常绿人工林长势遥感监测系统，包括：长势速度指标确定模块41和生长趋势确定模块42。其中，
长势速度指标确定模块41用于对于所述第一类时间序列遥感影像中的每一像元位置，基于所述目标时间范围内所述像元位置处的常绿林种植区域指数以及所述目标时间范围内所述像元位置处的常绿林覆盖指数均值，确定所述像元位置处的长势速度指标；
生长趋势确定模块42用于基于所述像元位置处的长势速度指标以及所述目标时间范围内所述像元位置处的常绿林覆盖指数拟合曲线，确定所述目标时间范围内所述像元位置处的常绿林生长趋势。
具体地，本发明实施例中提供的常绿人工林长势遥感监测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，具体参见上述实施例，本发明实施例中对此不再赘述。
图5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)501、存储器(memory)502、通信接口(Communications Interface)503和通信总线504；其中，
所述处理器501、存储器502、通信接口503通过通信总线504完成相互间的通信。所述存储器502存储有可被所述处理器501执行的程序指令，处理器501用于调用存储器502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：基于目标时间范围内每一年工作区域的第一类时间序列遥感影像，确定所述第一类时间序列遥感影像中每一像元位置处的常绿林覆盖指数；所述常绿林覆盖指数用于表征每一像元位置处是否种植有常绿林；基于每一像元位置处的常绿林覆盖指数，确定所述目标时间范围内每一像元位置处的常绿林种植区域指数；所述常绿林种植区域指数用于表征所述目标时间范围内每一像元位置处是否种植过常绿林；基于每一像元位置处的常绿林种植区域指数，确定所述目标时间范围内所述工作区域的历史常绿林分布区域。或者，包括：对于所述第一类时间序列遥感影像中的每一像元位置，基于所述目标时间范围内所述像元位置处的常绿林种植区域指数以及所述目标时间范围内所述像元位置处的常绿林覆盖指数均值，确定所述像元位置处的长势速度指标；基于所述像元位置处的长势速度指标以及所述目标时间范围内所述像元位置处的常绿林覆盖指数拟合曲线，确定所述目标时间范围内所述像元位置处的常绿林生长趋势。
需要说明的是，本实施例中的电子设备在具体实现时可以为服务器，也可以为PC机，还可以为其他设备，只要其结构中包括如图5所示的处理器501、通信接口503、存储器502和通信总线504，其中处理器501、通信接口503和存储器502通过通信总线504完成相互间的通信，且处理器501可以调用存储器502中的逻辑指令以执行上述方法即可。本实施例不对电子设备的具体实现形式进行限定。
存储器502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。
进一步地，本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：基于目标时间范围内每一年工作区域的第一类时间序列遥感影像，确定所述第一类时间序列遥感影像中每一像元位置处的常绿林覆盖指数；所述常绿林覆盖指数用于表征每一像元位置处是否种植有常绿林；基于每一像元位置处的常绿林覆盖指数，确定所述目标时间范围内每一像元位置处的常绿林种植区域指数；所述常绿林种植区域指数用于表征所述目标时间范围内每一像元位置处是否种植过常绿林；基于每一像元位置处的常绿林种植区域指数，确定所述目标时间范围内所述工作区域的历史常绿林分布区域。或者，包括：对于所述第一类时间序列遥感影像中的每一像元位置，基于所述目标时间范围内所述像元位置处的常绿林种植区域指数以及所述目标时间范围内所述像元位置处的常绿林覆盖指数均值，确定所述像元位置处的长势速度指标；基于所述像元位置处的长势速度指标以及所述目标时间范围内所述像元位置处的常绿林覆盖指数拟合曲线，确定所述目标时间范围内所述像元位置处的常绿林生长趋势。
在上述实施例的基础上，本发明实施例还提供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以执行上述各实施例提供的传输方法，例如包括：基于目标时间范围内每一年工作区域的第一类时间序列遥感影像，确定所述第一类时间序列遥感影像中每一像元位置处的常绿林覆盖指数；所述常绿林覆盖指数用于表征每一像元位置处是否种植有常绿林；基于每一像元位置处的常绿林覆盖指数，确定所述目标时间范围内每一像元位置处的常绿林种植区域指数；所述常绿林种植区域指数用于表征所述目标时间范围内每一像元位置处是否种植过常绿林；基于每一像元位置处的常绿林种植区域指数，确定所述目标时间范围内所述工作区域的历史常绿林分布区域。或者，包括：对于所述第一类时间序列遥感影像中的每一像元位置，基于所述目标时间范围内所述像元位置处的常绿林种植区域指数以及所述目标时间范围内所述像元位置处的常绿林覆盖指数均值，确定所述像元位置处的长势速度指标；基于所述像元位置处的长势速度指标以及所述目标时间范围内所述像元位置处的常绿林覆盖指数拟合曲线，确定所述目标时间范围内所述像元位置处的常绿林生长趋势。
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)

1.一种常绿人工林遥感识别方法，其特征在于，包括：
基于目标时间范围内每一年工作区域的第一类时间序列遥感影像，确定所述第一类时间序列遥感影像中每一像元位置处的常绿林覆盖指数；所述常绿林覆盖指数用于表征每一像元位置处是否种植有常绿林；
基于每一像元位置处的常绿林覆盖指数，确定所述目标时间范围内每一像元位置处的常绿林种植区域指数；所述常绿林种植区域指数用于表征所述目标时间范围内每一像元位置处是否种植过常绿林；
基于每一像元位置处的常绿林种植区域指数，确定所述目标时间范围内所述工作区域的历史常绿林分布区域。
2.根据权利要求1所述的常绿人工林遥感识别方法，其特征在于，所述基于目标时间范围内每一年工作区域的第一类时间序列遥感影像，确定所述第一类时间序列遥感影像中每一像元位置处的常绿林覆盖指数，具体包括：
确定目标年份所述工作区域内每一类别的林的物候曲线，并确定所有物候曲线中归一化植被指数NDVI在预设范围内的时间区间；
基于所述第一类时间序列遥感影像，确定所述时间区间内每一像元位置处的NDVI、所述时间区间内全覆盖常绿林的NDVI均值以及所述时间区间内枯枝落叶的NDVI均值；
基于所述时间区间内每一像元位置处的NDVI、所述时间区间内全覆盖常绿林的NDVI均值以及所述时间区间内枯枝落叶的NDVI均值，确定所述时间区间内每一像元位置处的常绿林覆盖指数。
3.根据权利要求1所述的常绿人工林遥感识别方法，其特征在于，所述基于每一像元位置处的常绿林覆盖指数，确定所述目标时间范围内每一像元位置处的常绿林种植区域指数，具体包括：
基于每一像元位置处的常绿林覆盖指数，确定所述目标时间范围内每一像元位置处的常绿林覆盖指数均值；
基于每一像元位置处的常绿林覆盖指数以及每一像元位置处的常绿林覆盖指数均值，确定所述目标时间范围内每一像元位置处的常绿林种植区域指数。
4.根据权利要求1-3中任一项所述的常绿人工林遥感识别方法，其特征在于，所述基于每一像元位置处的常绿林种植区域指数，确定所述目标时间范围内所述工作区域的历史常绿林分布区域，具体包括：
对于所述第一类时间序列遥感影像中的每一像元位置，若所述像元位置处的常绿林种植区域指数大于等于第一阈值，且所述像元位置处的NDVI大于等于第二阈值，则确定所述像元位置处为包含有常绿林的区域；
所述工作区域内所有包含有常绿林的区域共同形成所述工作区域的历史常绿林分布区域。
5.一种基于权利要求1-4中任一项所述的常绿人工林遥感识别方法实现的常绿人工林长势遥感监测方法，其特征在于，包括：
对于所述第一类时间序列遥感影像中的每一像元位置，基于所述目标时间范围内所述像元位置处的常绿林种植区域指数以及所述目标时间范围内所述像元位置处的常绿林覆盖指数均值，确定所述像元位置处的长势速度指标；
基于所述像元位置处的长势速度指标以及所述目标时间范围内所述像元位置处的常绿林覆盖指数拟合曲线，确定所述目标时间范围内所述像元位置处的常绿林生长趋势。
6.根据权利要求5所述的常绿人工林长势遥感监测方法，其特征在于，还包括：
对于所述第一类时间序列遥感影像中的每一像元位置，基于所述目标时间范围内每一年所述像元位置处的常绿林覆盖指数，确定所述像元位置处常绿林的种植年限；
获取所述种植年限内每一年所述历史常绿林分布区域的第二类时间序列遥感影像，并确定所述第二类时间序列遥感影像中每一像元位置处的常绿林覆盖指数，基于所述第二类时间序列遥感影像中每一像元位置处的常绿林覆盖指数，确定所述种植年限内每一年的年份常绿林分布区域；
对于所述种植年限内每一年对应的年份常绿林分布区域，将所述年份常绿林分布区域进行矢量化，确定多个斑块，并基于每个斑块内的常绿林覆盖指数均值、所述年份常绿林分布区域内单位面积上的常绿林覆盖指数以及所述年份常绿林分布区域内单位面积上常绿林的种植数量，确定所述种植年限内每一年每个斑块内常绿林的种植数量。
7.根据权利要求6所述的常绿人工林长势遥感监测方法，其特征在于，还包括：
基于每个斑块内每一像元位置处的常绿林覆盖指数以及所述种植年限内每一年每个斑块内的常绿林覆盖指数均值，确定所述种植年限内每一年每个斑块内的长势均匀度指数；所述长势均匀度指数用于表征所述种植年限内每一年每个斑块内常绿林的生长态势；
基于所述种植年限内每一年每个斑块内的长势均匀度指数，确定所述种植年限内非初始年份和初始年份之间每个斑块内的长势均匀度差异指数；
基于所述种植年限内每一年每个斑块内常绿林的种植数量以及所述长势均匀度差异指数，确定所述种植年限内非初始年份每个斑块内常绿林的综合长势分析指数，并基于所述综合长势分析指数，确定每个斑块内的常绿林生长趋势。
8.根据权利要求6所述的常绿人工林长势遥感监测方法，其特征在于，还包括：
确定所述第二类时间序列遥感影像中每一像元位置处各类常绿林的常绿林覆盖指数；相应地，
所述基于每个斑块内的常绿林覆盖指数均值、所述年份常绿林分布区域内单位面积上的常绿林覆盖指数以及所述年份常绿林分布区域内单位面积上常绿林的种植数量，确定所述种植年限内每一年每个斑块内常绿林的种植数量，具体包括：
基于每个斑块内各类常绿林的常绿林覆盖指数均值以及单位面积上各类常绿林的种植数量，确定所述种植年限内每一年每个斑块内各类常绿林的种植数量。
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1-4中任一项所述的常绿人工林遥感识别方法或如权利要求5-8中任一项所述的常绿人工林长势遥感监测方法的步骤。
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1-4中任一项所述的常绿人工林遥感识别方法或如权利要求5-8中任一项所述的常绿人工林长势遥感监测方法的步骤。
CN202010087133.2A 2020-02-11 2020-02-11 常绿人工林遥感识别方法及常绿人工林长势遥感监测方法 Active CN111310639B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010087133.2A CN111310639B (zh) 2020-02-11 2020-02-11 常绿人工林遥感识别方法及常绿人工林长势遥感监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010087133.2A CN111310639B (zh) 2020-02-11 2020-02-11 常绿人工林遥感识别方法及常绿人工林长势遥感监测方法

Publications (2)

Publication Number Publication Date
CN111310639A true CN111310639A (zh) 2020-06-19
CN111310639B CN111310639B (zh) 2020-10-23

Family

ID=71147024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010087133.2A Active CN111310639B (zh) 2020-02-11 2020-02-11 常绿人工林遥感识别方法及常绿人工林长势遥感监测方法

Country Status (1)

Country Link
CN (1) CN111310639B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215098A (zh) * 2020-09-25 2021-01-12 中国科学院空天信息创新研究院 基于多源遥感数据估算常绿林地盖度的方法及系统
CN112380994A (zh) * 2020-11-13 2021-02-19 南京林业大学 一种基于时序分类与空间分析的人工林空间模式识别方法
CN113807208A (zh) * 2021-08-30 2021-12-17 中科海慧（天津）科技有限公司 浒苔监测方法、装置、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107657206A (zh) * 2016-12-23 2018-02-02 航天星图科技（北京）有限公司 一种基于遥感技术估算绿地覆盖率的方法
US20180058932A1 (en) * 2016-08-12 2018-03-01 China Institute Of Water Resources And Hydropower Research Method for analyzing the types of water sources based on natural geographical features
CN107798294A (zh) * 2017-09-25 2018-03-13 中国科学院遥感与数字地球研究所 检测森林斑块变化的方法和装置
CN108960089A (zh) * 2018-06-20 2018-12-07 中科禾信遥感科技（苏州）有限公司 一种茶树林遥感监测的方法及装置
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
CN110321402A (zh) * 2019-07-29 2019-10-11 新疆林业科学院现代林业研究所 一种山区乔木林潜在分布的预测方法
CN110321861A (zh) * 2019-07-09 2019-10-11 中国水利水电科学研究院 一种农作物种植结构月尺度动态提取方法
CN110427841A (zh) * 2019-07-18 2019-11-08 中国科学院遥感与数字地球研究所 基于遥感信息的常绿林地识别方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20180058932A1 (en) * 2016-08-12 2018-03-01 China Institute Of Water Resources And Hydropower Research Method for analyzing the types of water sources based on natural geographical features
CN107657206A (zh) * 2016-12-23 2018-02-02 航天星图科技（北京）有限公司 一种基于遥感技术估算绿地覆盖率的方法
CN107798294A (zh) * 2017-09-25 2018-03-13 中国科学院遥感与数字地球研究所 检测森林斑块变化的方法和装置
CN108960089A (zh) * 2018-06-20 2018-12-07 中科禾信遥感科技（苏州）有限公司 一种茶树林遥感监测的方法及装置
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
CN110321861A (zh) * 2019-07-09 2019-10-11 中国水利水电科学研究院 一种农作物种植结构月尺度动态提取方法
CN110427841A (zh) * 2019-07-18 2019-11-08 中国科学院遥感与数字地球研究所 基于遥感信息的常绿林地识别方法及系统
CN110321402A (zh) * 2019-07-29 2019-10-11 新疆林业科学院现代林业研究所 一种山区乔木林潜在分布的预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215098A (zh) * 2020-09-25 2021-01-12 中国科学院空天信息创新研究院 基于多源遥感数据估算常绿林地盖度的方法及系统
CN112215098B (zh) * 2020-09-25 2023-03-24 中国科学院空天信息创新研究院 基于多源遥感数据估算常绿林地盖度的方法及系统
CN112380994A (zh) * 2020-11-13 2021-02-19 南京林业大学 一种基于时序分类与空间分析的人工林空间模式识别方法
CN113807208A (zh) * 2021-08-30 2021-12-17 中科海慧（天津）科技有限公司 浒苔监测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111310639B (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN111310639B (zh) 常绿人工林遥感识别方法及常绿人工林长势遥感监测方法
Santesteban et al. High-resolution UAV-based thermal imaging to estimate the instantaneous and seasonal variability of plant water status within a vineyard
Di Gennaro et al. A low-cost and unsupervised image recognition methodology for yield estimation in a vineyard
Fuentes et al. Computational water stress indices obtained from thermal image analysis of grapevine canopies
Ballesteros et al. Characterization of Vitis vinifera L. canopy using unmanned aerial vehicle-based remote sensing and photogrammetry techniques
CN110458032B (zh) 荔枝生长状况全程监控方法、系统、云服务器及存储介质
CN109492619B (zh) 集遥感、模型、算法为一体的变量施农药方法及系统
CN108805079B (zh) 冬小麦的识别方法及装置
Agam et al. Spatial distribution of water status in irrigated olive orchards by thermal imaging
CN108106676B (zh) 一种基于遥感数据的农作物晚霜冻害的监测方法和装置
CN114612896B (zh) 基于遥感图像的水稻产量预测方法、装置以及设备
Yang et al. A VI-based phenology adaptation approach for rice crop monitoring using UAV multispectral images
CN109752487A (zh) 冬小麦叶片氮素含量预估方法及装置
CN112304902A (zh) 一种农作物物候的实时监测方法和装置
CN114065481B (zh) 基于大数据的草地数据监测方法、系统和可读存储介质
CN107437262B (zh) 作物种植面积预警方法和系统
Wijesingha et al. Rice Crop Monitoring and Yield Assessment with MODIS 250m Gridded Vegetation Products: A Case Study of Sa Kaeo Province, Thailand
CN116050679B (zh) 灌溉决策方法、装置和电子设备
CN112418050A (zh) 退耕地信息遥感识别方法及装置
CN112837267A (zh) 一种预测转基因玉米抗药性的数字检测方法及系统
Mostafa et al. Using LiDAR technique and modified Community Land Model for calculating water interception of cherry tree canopy
RU2489845C1 (ru) Способ мониторинга лесов
CN115526927A (zh) 综合物候和遥感大数据的水稻种植及其面积估算方法
Vasanthi Crop growth monitoring and leaf area index estimation using wireless sensor network and CNN
CN114332427A (zh) 一种基于数字孪生的监控农业生产的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
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

CB02 Change of applicant information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant