CN111666914B - 基于曲线间距离的耕地识别方法、系统、设备及存储介质 - Google Patents

基于曲线间距离的耕地识别方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN111666914B
CN111666914B CN202010543221.9A CN202010543221A CN111666914B CN 111666914 B CN111666914 B CN 111666914B CN 202010543221 A CN202010543221 A CN 202010543221A CN 111666914 B CN111666914 B CN 111666914B
Authority
CN
China
Prior art keywords
curve
distance
farmland
ndvi time
time series
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.)
Active
Application number
CN202010543221.9A
Other languages
English (en)
Other versions
CN111666914A (zh
Inventor
黄翀
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources 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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202010543221.9A priority Critical patent/CN111666914B/zh
Publication of CN111666914A publication Critical patent/CN111666914A/zh
Application granted granted Critical
Publication of CN111666914B publication Critical patent/CN111666914B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification

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)
  • Image Analysis (AREA)

Abstract

本发明实施例涉及遥感技术技术领域，公开了基于曲线间距离的耕地识别方法、系统、设备及存储介质。本发明实施例先获取耕地作物的参考植被指数NDVI时间序列曲线与当前区域下的第一NDVI时间序列曲线；确定每个像元下参考NDVI时间序列曲线与第一NDVI时间序列曲线之间的待调整曲线距离；对待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离；将处于预设数值范围内的目标曲线距离对应的像元划分为耕地像元。可见，本发明实施例可针对生长期部分的曲线距离进行加权处理，可提高最终面向耕地的遥感分类精度，解决了目前的遥感数据分类技术难以准确地提取出耕地信息的技术问题。

Description

基于曲线间距离的耕地识别方法、系统、设备及存储介质
技术领域
本发明涉及遥感技术技术领域，尤其涉及基于曲线间距离的耕地识别方法、系统、设备及存储介质。
背景技术
土地覆盖是人类所处自然环境状况的基本要素之一，而且，土地覆盖的变化对环境质量、生物多样性、陆地生态系统的生产力、适应能力等影响深刻。
为了更好地了解土地覆盖状况，可应用土地覆盖分类方法。
就土地覆盖分类方法而言，土地覆盖分类方法是了解土地覆盖的分布特点和区域结构的关键技术，同时，遥感技术以其成本低、效率高的优势已成为土地覆盖分类的主要数据来源。
但是，对于热带区域这一特殊区域而言，由于终年受到强烈的阳光照射，全年高温，温度变幅小，无一年四季而只有相对的热季、凉季或雨季、干季之分。所以，在基于遥感数据对热带气候区域的土地覆被进行分类时，常会遇到诸多困难。
所遇困难比如有，其一，在多云多雨的热带季风气候区，植被生长季一般处于雨季，这使得雨季高质量影像较难获得；其二，由于雨季降水充足，加之光热条件丰富，对于热带季风地区的耕地来说，作物的种植在雨季随时都能进行，这导致即使是同一种作物种植的时间也不统一，且复种指数较高等。这些状况均使得土地耕地信息难以被准确获取。
可见，目前的遥感数据分类技术存在着难以准确地提取出耕地信息的技术问题。
发明内容
为了解决目前的遥感数据分类技术难以准确地提取出耕地信息的技术问题，本发明实施例提供基于曲线间距离的耕地识别方法、系统、设备及存储介质。
第一方面，本发明实施例提供一种基于曲线间距离的耕地识别方法，包括：
获取耕地作物的参考植被指数NDVI时间序列曲线与当前区域下的第一NDVI时间序列曲线；
确定每个像元下所述参考NDVI时间序列曲线与所述第一NDVI时间序列曲线之间的待调整曲线距离；
对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离；
将处于预设数值范围内的所述目标曲线距离对应的像元划分为耕地像元，以进行耕地识别操作。
优选地，所述确定每个像元下所述参考NDVI时间序列曲线与所述第一NDVI时间序列曲线之间的待调整曲线距离，具体包括：
确定每个像元下所述参考NDVI时间序列曲线上的点与所述第一NDVI时间序列曲线上的点之间的点间距离；
对所述点间距离与预设距离进行累加操作，以得到待调整曲线距离。
优选地，所述将处于预设数值范围内的所述目标曲线距离对应的像元划分为耕地像元，以进行耕地识别操作之前，所述基于曲线间距离的耕地识别方法还包括：
获取记录有曲线距离的距离值图像；
在所述距离值图像中确定第一采样点；
确定所述第一采样点的距离属性与类别属性；
基于待选数值范围对所述第一采样点的所述距离属性进行分类，以得到分类结果；
根据所述分类结果与所述类别属性确定Kappa系数；
基于所述Kappa系数从所述待选数值范围中确定预设数值范围。
优选地，所述获取记录有曲线距离的距离值图像之前，所述基于曲线间距离的耕地识别方法还包括：
在当前区域的遥感影像中确定第二采样点；
确定所述第二采样点对应的待确定NDVI时间序列曲线；
确定所述待确定NDVI时间序列曲线与参考NDVI时间序列曲线之间的第一待确定曲线距离；
根据第一待确定权重对所述第一待确定曲线距离中与生长期对应的曲线距离进行加权处理，以得到第二待确定曲线距离；
通过所述第二待确定曲线距离生成距离值图像。
优选地，所述对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离之前，所述基于曲线间距离的耕地识别方法还包括：
确定与第二待确定权重对应的Kappa系数上限值；
基于所述Kappa系数上限值从所述第二待确定权重中选定预设权重；
相应地，所述对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离，具体包括：
基于所述预设权重对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离。
优选地，所述获取耕地作物的参考植被指数NDVI时间序列曲线与当前区域下的第一NDVI时间序列曲线之前，所述基于曲线间距离的耕地识别方法还包括：
获取耕地采样点、当前区域的NDVI时序影像；
根据所述耕地采样点与所述NDVI时序影像确定初始耕地NDVI时间序列曲线；
剔除所述初始耕地NDVI时间序列曲线中的预设采样点，以得到耕地作物的参考NDVI时间序列曲线。
优选地，所述获取耕地采样点、当前区域的NDVI时序影像之前，所述基于曲线间距离的耕地识别方法还包括：
获取当前区域的遥感影像数据；
对所述遥感影像数据进行拼接和投影，以得到反射率影像；
通过所述反射率影像确定初始NDVI时序影像；
对所述初始NDVI时序影像进行滤波处理，以得到当前区域的NDVI时序影像。
第二方面，本发明实施例提供一种基于曲线间距离的耕地识别系统，包括：
曲线获取模块，用于获取耕地作物的参考植被指数NDVI时间序列曲线与当前区域下的第一NDVI时间序列曲线；
距离确定模块，用于确定每个像元下所述参考NDVI时间序列曲线与所述第一NDVI时间序列曲线之间的待调整曲线距离；
加权处理模块，用于对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离；
耕地识别模块，用于将处于预设数值范围内的所述目标曲线距离对应的像元划分为耕地像元，以进行耕地识别操作。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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本发明第一方面提供的一种基于曲线间距离的耕地识别方法的步骤。
第四方面，本发明实施例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，所述计算机程序被处理器执行时实现本发明第一方面提供的一种基于曲线间距离的耕地识别方法的步骤。
本发明实施例提供的基于曲线间距离的耕地识别方法、系统、设备及存储介质，先获取耕地作物的参考植被指数NDVI时间序列曲线与当前区域下的第一NDVI时间序列曲线；确定每个像元下参考NDVI时间序列曲线与第一NDVI时间序列曲线之间的待调整曲线距离；对待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离；将处于预设数值范围内的目标曲线距离对应的像元划分为耕地像元，以进行耕地识别操作。可见，本发明实施例可针对生长期部分的曲线距离进行加权处理，以区别化处理时序曲线的不同部分，如此可提高最终面向耕地的遥感分类精度，解决了目前的遥感数据分类技术难以准确地提取出耕地信息的技术问题。
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基于曲线间距离的耕地识别方法的流程图；
图2为本发明又一实施例提供的一种基于曲线间距离的耕地识别方法的流程图；
图3为本发明再一实施例提供的一种基于曲线间距离的耕地识别方法的流程图；
图4为本发明再一实施例提供的某流域耕地识别结果示意图；
图5为本发明实施例提供的一种基于曲线间距离的耕地识别系统的结构示意图；
图6为本发明实施例提供的一种电子设备的实体结构示意图。
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。
图1为本发明实施例提供的一种基于曲线间距离的耕地识别方法的流程图，如图1所示，该方法包括：
S1，获取耕地作物的参考植被指数NDVI时间序列曲线与当前区域下的第一NDVI时间序列曲线。
可以理解的是，鉴于热带区域的地域特殊性提升了耕地提取操作或称之为耕地识别操作的操作难度，本发明实施例为了应对该技术问题，可基于时序曲线进行耕地识别操作。
具体地，可针对某个特殊时段即生长期进行加权处理，以区别化处理时序曲线的不同部分，如此可提高最终面向耕地的遥感分类精度，解决了目前的遥感数据分类技术难以准确地提取出耕地信息的技术问题。
在具体实现中，可先获取耕地作物的参考植被指数(NDVI，NormalizedDifference Vegetation Index)时间序列曲线、当前区域下的第一NDVI时间序列曲线。
其中，参考NDVI时间序列曲线将作为耕地作物的参考NDVI；第一NDVI时间序列曲线对应着当前区域，当前区域可为待研究区，具体地，第一NDVI时间序列曲线可为待研究区影像的NDVI的时间序列曲线。
进一步地，当前区域可属于热带区域。当然，当前区域也可属于其他类型的具备耕地识别特殊性的环境区域。
S2，确定每个像元下所述参考NDVI时间序列曲线与所述第一NDVI时间序列曲线之间的待调整曲线距离。
接着，可计算多个曲线之间的曲线相似度，基于曲线相似度进行耕地遥感提取行为。此处可以曲线间距离即待调整曲线距离作为曲线相似度。
其中，待调整曲线距离是指不同曲线之间的相距距离。
S3，对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离。
具体地，参考NDVI时间序列曲线、第一NDVI时间序列曲线均对应着作物周期，作物周期中又包括有生长期，此处可对生长期对应的曲线距离进行加权处理。
进一步地，可不对与非生长期对应的曲线距离进行加权处理，得到的目标曲线距离中包括有加权处理后的生长期对应的曲线距离、未加权处理后的非生长期对应的曲线距离。
S4，将处于预设数值范围内的所述目标曲线距离对应的像元划分为耕地像元，以进行耕地识别操作。
可以理解的是，在确定出新的曲线距离后，即得到目标曲线距离后，可基于述目标曲线距离进行耕地的遥感提取操作。
具体地，可基于预设数值范围进行像元分割，比如，可将目标曲线距离中处于预设数值范围内的曲线距离对应的像元划分为耕地像元，从而识别出耕地。
进一步地，鉴于热带地区的地域特殊性提高了基于单幅遥感影像的耕地提取操作的操作难度，为了充分利用时间序列遥感影像的优势，本发明实施例可利用时序曲线进行识别操作，同时，提出了一种开放边界和局部加权的改进型动态时间规整方式。具体地，可对耕地生长期的曲线进行权重增强，再使用改进型动态时间规整方式计算时间序列相似度即上述目标曲线距离，基于曲线相似度进行阈值分割和类别判断，提高了耕地的遥感分类精度。
进一步地，本发明实施例还可应用于多云、多雨且植被物候不固定的区域进行耕地的遥感识别工作，提高了分类精度。
本发明实施例提供的基于曲线间距离的耕地识别方法，先获取耕地作物的参考植被指数NDVI时间序列曲线与当前区域下的第一NDVI时间序列曲线；确定每个像元下参考NDVI时间序列曲线与第一NDVI时间序列曲线之间的待调整曲线距离；对待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离；将处于预设数值范围内的目标曲线距离对应的像元划分为耕地像元，以进行耕地识别操作。可见，本发明实施例可针对生长期部分的曲线距离进行加权处理，以区别化处理时序曲线的不同部分，如此可提高最终面向耕地的遥感分类精度，解决了目前的遥感数据分类技术难以准确地提取出耕地信息的技术问题。
图2为本发明又一实施例提供的一种基于曲线间距离的耕地识别方法的流程图，本发明又一实施例基于上述图1所示的实施例。
本实施例中，所述S2，具体包括：
S21，确定每个像元下所述参考NDVI时间序列曲线上的点与所述第一NDVI时间序列曲线上的点之间的点间距离。
可以理解的是，本发明实施例可给出一类曲线相似度的具体确定方式。
具体地，可先计算这两类曲线上点之间的距离。
比如，可运用如下所示的点间距离确定公式，
Figure BDA0002539669290000081
其中，d(i，j)、aij表示i，j两点之间的距离，即点间距离；i表示耕地作物的参考NDVI时间序列曲线上点的编号，i＝1，2，…，m；j表示每个像元的第一NDVI时间序列曲线上点的编号，j＝1，2，…，n；si、sj分别表示i点、j点所代表的NDVI值。
S22，对所述点间距离与预设距离进行累加操作，以得到待调整曲线距离。
其中，预设距离可为与点间距离对应的相邻点的相邻点距离。
具体地，可运用如下所示的曲线距离确定公式确定待调整曲线距离，
D(i,j)＝aij+min{d(i-1,j-1),d(i,j-1),d(i-1,j)}
其中，D(i,j)表示待调整曲线距离，min{d(i-1,j-1),d(i,j-1),d(i-1,j)}的数值表示预设距离。
可见，待调整曲线距离可为i、j两点之间的距离的最小累加值，即，使用最小的相邻点距离去进行累加操作。
本发明实施例提供的基于曲线间距离的耕地识别方法，给出一类待调整曲线距离的具体确定方式。
进一步地，为了便于理解，可将待调整曲线距离的获取与目标曲线距离的获取以下式表示，该式从上至下运行，
Figure BDA0002539669290000091
可见，在计算得到待调整曲线距离D(i,j)后，可对处于生长期的曲线距离进行加权处理，i1≤i≤i2的范围可理解为生长期范围，i1、i2均表示NDVI时序曲线上点的编号。
其中，i1、i2不仅是曲线上点的编号，也可理解为图像编号。
鉴于NDVI时间序列曲线是从NDVI图像中提取而来，假设NDVI图像上有着从1至n个像元，共有着m幅图像，则最终得到n个点编号为i1至im的NDVI时间序列曲线。
所以，生长期实际上可认为，位于第i1幅影像至第i2幅影像。
进一步地，该加权处理操作对应为，
D(i,j)＝aij+d(i,j)*k，
其中，k表示权重。
可见，本发明实施例可在使用传统动态时间规整法计算出待调整曲线距离的基础上，即在弯曲路径匹配不变的基础上，对非生长期的距离不做加权，对位于生长期的距离进行局部加权。
在上述实施例的基础上，优选地，所述将处于预设数值范围内的所述目标曲线距离对应的像元划分为耕地像元，以进行耕地识别操作之前，所述基于曲线间距离的耕地识别方法还包括：
获取记录有曲线距离的距离值图像；
在所述距离值图像中确定第一采样点；
确定所述第一采样点的距离属性与类别属性；
基于待选数值范围对所述第一采样点的所述距离属性进行分类，以得到分类结果；
根据所述分类结果与所述类别属性确定Kappa系数；
基于所述Kappa系数从所述待选数值范围中确定预设数值范围。
可以理解的是，本发明实施例可给出一类数值范围的具体确定方式，以便于根据确定出的预设数值范围进行耕地识别操作。
具体地，其一，可先获取记录有曲线距离的距离值图像，其中，该距离值图像中的像元值为，该位置像元的NDVI时间序列曲线与参考NDVI时间序列曲线之间的曲线距离。
其二，可在上述距离值图像即耕地类别距离值图像上生成足够多的随机点，可记为第一采样点。
其三，可判断该随机点是否属于耕地类别，并得到随机点的两个属性，两个属性分别为距离属性与类别属性。
其中，类别属性为真实类别属性，比如，若该随机点属于耕地则记为1，不属于耕地则记为0。
其中，可通过Google Earth的高清影像判断该随机点是否属于耕地类别。
进一步地，可对该组随机点依据距离属性进行排序。
在理想情况下，排序后可出现表1所示情况。参见表1，假设十个采样点对应的像元与某一特定地类的改进型动态时间规整距离即上述曲线距离的距离值分别为0.1、0.2、…及1。在理想情况下，小于等于某一距离值比如0.6的所有点的类别属性属于耕地，大于某一距离值比如0.6的所有点的类别都不属于耕地地类。
但是，在实际情况中由于某些状况，例如遥感时序影像质量问题、混合像元现象等，往往达不到该理想状况，即，不存在能够清楚地划分出属于耕地和不属于耕地的阈值。
表1.理想情况下随机采样点改进型动态时间规整距离排序与地类属性的对应关系
Figure BDA0002539669290000111
进一步地，区别于表1，在非理想情况下，排序后会出现表2所示情况。
表2.非理想情况下随机采样点改进型动态时间规整距离排序与地类属性的对应关系
Figure BDA0002539669290000112
Figure BDA0002539669290000121
为了减少识别错误、提高精度，本发明实施例可采用一种最大化正确分类个数、最小化错误分类个数的统计特征进行阈值确定，比如，可使用Kappa系数作为统计指标进行阈值确定。
其中，阈值对应着上文提及的数值范围。
可见，表2中存在着多个待选数值范围可进行分类，从而可得到多个分类结果。
其四，可根据表2中的阈值选取得到的分类结果与真实类别属性计算Kappa系数。
比如，当阈值取0.6时，可得到Kappa系数的最高值为0.6，因此，可取距离阈值为0.6。其中，预设数值范围即为小于等于距离阈值。
可见，本发明实施例中的多个待选数值范围对应地存在着多个Kappa系数，可将Kappa系数的最大值对应的数值范围确定为预设数值范围。
在上述实施例的基础上，优选地，所述获取记录有曲线距离的距离值图像之前，所述基于曲线间距离的耕地识别方法还包括：
在当前区域的遥感影像中确定第二采样点；
确定所述第二采样点对应的待确定NDVI时间序列曲线；
确定所述待确定NDVI时间序列曲线与参考NDVI时间序列曲线之间的第一待确定曲线距离；
根据第一待确定权重对所述第一待确定曲线距离中与生长期对应的曲线距离进行加权处理，以得到第二待确定曲线距离；
通过所述第二待确定曲线距离生成距离值图像。
可以理解的是，本发明实施例可给出一类距离值图像的具体生成方式。
具体地，其一，可先在待研究区遥感影像上随机取采样点，即上述第二采样点，并得到各采样点的类别属性，类别属性用于说明该作物属于耕地作物或不属于耕地作物。
其二，若以1.5、2、2.5、3、3.5、4、4.5及5等权重为例，可分别计算1.5、2、2.5、3、3.5、4、4.5及5等权重下，采样点对应像元的NDVI时序曲线即上述待确定NDVI时间序列曲线与作物参考NDVI时间序列曲线之间的改进型动态时间规整距离即第二待确定曲线距离，通过第二待确定曲线距离得到耕地类别距离值图像即上文提及的距离值图像。
其中，第一采样点与第二采样点的命名区别仅作不同使用场景的区别，可为相同的数据内容也可为不同的数据内容，此处不作区别。至于其他名称的含义，以此类推。
在上述实施例的基础上，优选地，所述对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离之前，所述基于曲线间距离的耕地识别方法还包括：
确定与第二待确定权重对应的Kappa系数上限值；
基于所述Kappa系数上限值从所述第二待确定权重中选定预设权重；
相应地，所述对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离，具体包括：
基于所述预设权重对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离。
可以理解的是，本发明实施例可给出一类加权处理所使用权重的确定方式。
具体地，第二待确定权重可有多个以供选择，比如，第二待确定权重可为1.5、2、2.5、3、3.5、4、4.5及5等。
可计算在1.5、2、2.5、3、3.5、4、4.5及5等多个第二待确定权重下，采样点可达到的最大Kappa系数值即Kappa系数上限值；然后，对这些Kappa系数上限值进行大小比较，取最大的Kappa系数上限值所属的权重k作为改进型动态时间规整距离方法中的权重参数，即选定为预设权重后后续进行加权处理。
进一步地，就采样点可达到的最大Kappa系数值的获取方式而言，具体地，可先通过第三采样点的两个属性，即距离属性与类别属性得到一个类似表2的表，并如表2一般计算所有采样点的Kappa系数，即可得到最大Kappa系数值。
其中，第一采样点可与第三采样点相同，名称不同仅作不用使用场景下的区分。所以，可在距离值图像中确定第三采样点。
接着，可对每一个权重即第二待确定权重都得出一个表，若取了8个权重值则得到8个类似表2的表，分别得到最大Kappa系数值；取最大Kappa系数值对应的权重值，作为最终加权的值，即预设权重；这个Kappa系数对应的距离阈值即为分开耕地、非耕地的距离阈值。
可见，本发明实施例可先确定耕地作物生长期曲线对应的权重，再计算局部加权的改进型动态时间规整距离即上述目标曲线距离。
在传统动态时间规整法计算出待调整曲线距离的基础上，对生长期的作物参考时序影像进行了局部加权。
图3为本发明再一实施例提供的一种基于曲线间距离的耕地识别方法的流程图，本发明再一实施例基于上述图1所示的实施例。
本实施例中，所述S1之前，所述基于曲线间距离的耕地识别方法还包括：
S01，获取耕地采样点、当前区域的NDVI时序影像。
S02，根据所述耕地采样点与所述NDVI时序影像确定初始耕地NDVI时间序列曲线。
具体地，为了获取耕地作物的参考NDVI时间序列曲线，可先获取耕地采样点、当前区域的NDVI时序影像。
在具体实现中，可对耕地采样点、NDVI时序影像进行叠加处理，以得到初始耕地NDVI时间序列曲线。
S03，剔除所述初始耕地NDVI时间序列曲线中的预设采样点，以得到耕地作物的参考NDVI时间序列曲线。
接着，可基于采样点的NDVI时序形状剔除掉与大部分序列形状不相同的采样点，即上述预设采样点。
其中，形状不同多由土地覆被类别改变所致。
最后，可得到耕地作物的参考NDVI时序曲线。
本发明实施例提供的基于曲线间距离的耕地识别方法，给出一类参考NDVI时间序列曲线的具体生成方式。
进一步，本发明实施例使用的耕地采样点、验证点数据可通过野外考察并结合Google Earth高清影像采样获取。其中，耕地采样点用于耕地作物的参考NDVI时序曲线的提取操作，耕地验证点数据用于相似度的阈值选取操作。
在上述实施例的基础上，优选地，所述获取耕地采样点、当前区域的NDVI时序影像之前，所述基于曲线间距离的耕地识别方法还包括：
获取当前区域的遥感影像数据；
对所述遥感影像数据进行拼接和投影，以得到反射率影像；
通过所述反射率影像确定初始NDVI时序影像；
对所述初始NDVI时序影像进行滤波处理，以得到当前区域的NDVI时序影像。
可以理解的是，为了得到当前区域的NDVI时序影像，可使用到当前区域的遥感影像数据。
其中，本发明实施例使用的当前区域的遥感影像数据可为MODIS的地表反射率合成产品数据，即MOD09Q1。
至于多时序的MODIS影像数据，影像的空间分辨率可为250m，还包含两个波段，波段范围分别为0.620至0.670nm及0.841至0.876nm。
进一步地，可对当前区域的遥感影像数据进行预处理操作。
可以理解的是，鉴于MOD09Q1数据产品虽已完成对气体、卷云及气溶胶的大气校正，但仍不可避免地受到云覆盖影响，因此，在提取植被曲线之前，可先使用时序滤波的方式降低云和其他因素造成的植被指数时序噪声。
具体地，可先利用MRT(MODIS Reprojection Tool)工具将原始MOD09Q1数据即当前区域的遥感影像数据进行拼接和投影，得到反射率影像；然后，可计算出初始NDVI时序影像。
同时，可利用LDOPE(Land Data Operational Product Evaluation)工具解码得到MODIS影像质量评价数据以进行权重评估，并与初始NDVI时序影像一共输入TIMESAT 3.2软件中。
最后，利用S-G滤波方法得到最终用于之后使用的MODIS NDVI时序影像数据，即滤波后的NDVI时序数据，也是上文所述的当前区域的NDVI时序影像。
进一步地，就耕地识别结果而言，可参见图4所示的某流域耕地识别结果示意图。
其中，N、E表示经纬度。
图5为本发明实施例提供的一种基于曲线间距离的耕地识别系统的结构示意图，如图5所示，该系统包括：曲线获取模块301、距离确定模块302、加权处理模块303及耕地识别模块304；
曲线获取模块301，用于获取耕地作物的参考植被指数NDVI时间序列曲线与当前区域下的第一NDVI时间序列曲线；
距离确定模块302，用于确定每个像元下所述参考NDVI时间序列曲线与所述第一NDVI时间序列曲线之间的待调整曲线距离；
加权处理模块303，用于对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离；
耕地识别模块304，用于将处于预设数值范围内的所述目标曲线距离对应的像元划分为耕地像元，以进行耕地识别操作。
本发明实施例提供的基于曲线间距离的耕地识别系统，先获取耕地作物的参考植被指数NDVI时间序列曲线与当前区域下的第一NDVI时间序列曲线；确定每个像元下参考NDVI时间序列曲线与第一NDVI时间序列曲线之间的待调整曲线距离；对待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离；将处于预设数值范围内的目标曲线距离对应的像元划分为耕地像元。可见，本发明实施例可针对生长期部分的曲线距离进行加权处理，可提高最终面向耕地的遥感分类精度，解决了目前的遥感数据分类技术难以准确地提取出耕地信息的技术问题。
本发明实施例提供的系统实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
图6为本发明实施例提供的一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和总线404，其中，处理器401，通信接口402，存储器403通过总线404完成相互间的通信。通信接口402可以用于电子设备的信息传输。处理器401可以调用存储器403中的逻辑指令，以执行包括如下的方法：
获取耕地作物的参考植被指数NDVI时间序列曲线与当前区域下的第一NDVI时间序列曲线；
确定每个像元下所述参考NDVI时间序列曲线与所述第一NDVI时间序列曲线之间的待调整曲线距离；
对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离；
将处于预设数值范围内的所述目标曲线距离对应的像元划分为耕地像元，以进行耕地识别操作。
此外，上述的存储器403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)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，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方法，例如包括：
获取耕地作物的参考植被指数NDVI时间序列曲线与当前区域下的第一NDVI时间序列曲线；
确定每个像元下所述参考NDVI时间序列曲线与所述第一NDVI时间序列曲线之间的待调整曲线距离；
对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离；
将处于预设数值范围内的所述目标曲线距离对应的像元划分为耕地像元，以进行耕地识别操作。
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 (9)

1.一种基于曲线间距离的耕地识别方法，其特征在于，包括：
获取耕地作物的参考植被指数NDVI时间序列曲线与当前区域下的第一NDVI时间序列曲线；
确定每个像元下所述参考NDVI时间序列曲线与所述第一NDVI时间序列曲线之间的待调整曲线距离；
对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离；
将处于预设数值范围内的所述目标曲线距离对应的像元划分为耕地像元，以进行耕地识别操作；
其中，所述对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离之前，所述基于曲线间距离的耕地识别方法还包括：
确定与第一待确定权重对应的Kappa系数上限值；
基于所述Kappa系数上限值从所述第一待确定权重中选定预设权重；
相应地，所述对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离，具体包括：
基于所述预设权重对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离。
2.根据权利要求1所述的基于曲线间距离的耕地识别方法，其特征在于，所述确定每个像元下所述参考NDVI时间序列曲线与所述第一NDVI时间序列曲线之间的待调整曲线距离，具体包括：
确定每个像元下所述参考NDVI时间序列曲线上的点与所述第一NDVI时间序列曲线上的点之间的点间距离；
对所述点间距离与预设距离进行累加操作，以得到待调整曲线距离。
3.根据权利要求1所述的基于曲线间距离的耕地识别方法，其特征在于，所述将处于预设数值范围内的所述目标曲线距离对应的像元划分为耕地像元，以进行耕地识别操作之前，所述基于曲线间距离的耕地识别方法还包括：
获取记录有曲线距离的距离值图像；
在所述距离值图像中确定第一采样点；
确定所述第一采样点的距离属性与类别属性；
基于待选数值范围对所述第一采样点的所述距离属性进行分类，以得到分类结果；
根据所述分类结果与所述类别属性确定Kappa系数；
基于所述Kappa系数从所述待选数值范围中确定预设数值范围。
4.根据权利要求3所述的基于曲线间距离的耕地识别方法，其特征在于，所述获取记录有曲线距离的距离值图像之前，所述基于曲线间距离的耕地识别方法还包括：
在当前区域的遥感影像中确定第二采样点；
确定所述第二采样点对应的待确定NDVI时间序列曲线；
确定所述待确定NDVI时间序列曲线与参考NDVI时间序列曲线之间的第一待确定曲线距离；
根据第二待确定权重对所述第一待确定曲线距离中与生长期对应的曲线距离进行加权处理，以得到第二待确定曲线距离；
通过所述第二待确定曲线距离生成距离值图像。
5.根据权利要求1至4中任一项所述的基于曲线间距离的耕地识别方法，其特征在于，所述获取耕地作物的参考植被指数NDVI时间序列曲线与当前区域下的第一NDVI时间序列曲线之前，所述基于曲线间距离的耕地识别方法还包括：
获取耕地采样点、当前区域的NDVI时序影像；
根据所述耕地采样点与所述NDVI时序影像确定初始耕地NDVI时间序列曲线；
剔除所述初始耕地NDVI时间序列曲线中的预设采样点，以得到耕地作物的参考NDVI时间序列曲线。
6.根据权利要求5所述的基于曲线间距离的耕地识别方法，其特征在于，所述获取耕地采样点、当前区域的NDVI时序影像之前，所述基于曲线间距离的耕地识别方法还包括：
获取当前区域的遥感影像数据；
对所述遥感影像数据进行拼接和投影，以得到反射率影像；
通过所述反射率影像确定初始NDVI时序影像；
对所述初始NDVI时序影像进行滤波处理，以得到当前区域的NDVI时序影像。
7.一种基于曲线间距离的耕地识别系统，其特征在于，包括：
曲线获取模块，用于获取耕地作物的参考植被指数NDVI时间序列曲线与当前区域下的第一NDVI时间序列曲线；
距离确定模块，用于确定每个像元下所述参考NDVI时间序列曲线与所述第一NDVI时间序列曲线之间的待调整曲线距离；
加权处理模块，用于对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离；
耕地识别模块，用于将处于预设数值范围内的所述目标曲线距离对应的像元划分为耕地像元，以进行耕地识别操作；
所述加权处理模块具体用于：
确定与第一待确定权重对应的Kappa系数上限值；
基于所述Kappa系数上限值从所述第一待确定权重中选定预设权重；
相应地，所述对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离，具体包括：
基于所述预设权重对所述待调整曲线距离中与生长期对应的曲线距离进行加权处理，以得到目标曲线距离。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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至6中任一项所述基于曲线间距离的耕地识别方法的步骤。
9.一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，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述基于曲线间距离的耕地识别方法的步骤。
CN202010543221.9A 2020-06-15 2020-06-15 基于曲线间距离的耕地识别方法、系统、设备及存储介质 Active CN111666914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010543221.9A CN111666914B (zh) 2020-06-15 2020-06-15 基于曲线间距离的耕地识别方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010543221.9A CN111666914B (zh) 2020-06-15 2020-06-15 基于曲线间距离的耕地识别方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111666914A CN111666914A (zh) 2020-09-15
CN111666914B true CN111666914B (zh) 2022-05-10

Family

ID=72388065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010543221.9A Active CN111666914B (zh) 2020-06-15 2020-06-15 基于曲线间距离的耕地识别方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111666914B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113643409B (zh) * 2021-08-24 2022-03-18 中国农业大学 植被生产速率的表征方法、装置以及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008552A (zh) * 2014-06-16 2014-08-27 南京大学 基于动态时间弯曲的时序sar影像耕地提取方法
CN105787457A (zh) * 2016-03-08 2016-07-20 浙江工商大学 一种modis卫星集成dem提高植被分类遥感精度的估算方法
CN109635731A (zh) * 2018-12-12 2019-04-16 中国科学院深圳先进技术研究院 一种识别有效耕地的方法及装置、存储介质及处理器

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008552A (zh) * 2014-06-16 2014-08-27 南京大学 基于动态时间弯曲的时序sar影像耕地提取方法
CN105787457A (zh) * 2016-03-08 2016-07-20 浙江工商大学 一种modis卫星集成dem提高植被分类遥感精度的估算方法
CN109635731A (zh) * 2018-12-12 2019-04-16 中国科学院深圳先进技术研究院 一种识别有效耕地的方法及装置、存储介质及处理器

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CROP INFORMATION EXTRACTION IN CHINA BASED ON NDVI CHARACTERISTIC CURVE;Peipei Xu 等;《2013 IEEEInternational Geoscience and Remote Sensing Symposium-IGARSS》;20130726;全文 *
基于MODIS时序NDVI主要农作物;郭昱杉等;《自然资源学报》;20171031;第32卷(第10期);全文 *

Also Published As

Publication number Publication date
CN111666914A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
Khandelwal et al. An approach for global monitoring of surface water extent variations in reservoirs using MODIS data
Zhang et al. Automated robust crop-row detection in maize fields based on position clustering algorithm and shortest path method
Malambo et al. Automated detection and measurement of individual sorghum panicles using density-based clustering of terrestrial lidar data
Liu et al. Automated image-processing for counting seedlings in a wheat field
Khan et al. Remote sensing: an automated methodology for olive tree detection and counting in satellite images
Puletti et al. Unsupervised classification of very high remotely sensed images for grapevine rows detection
Lin et al. Classification of tree species in overstorey canopy of subtropical forest using QuickBird images
Zhou et al. An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images
Razak et al. Mapping rubber trees based on phenological analysis of Landsat time series data-sets
CN109508633B (zh) 一种基于光学遥感数据的甘蔗分布识别方法
CN111666914B (zh) 基于曲线间距离的耕地识别方法、系统、设备及存储介质
S Bhagat Use of remote sensing techniques for robust digital change detection of land: A review
CN111222539B (zh) 基于多源多时相遥感影像优化和扩充监督分类样本的方法
CN111639587A (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
CN116543316B (zh) 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法
CN110751035A (zh) 一种制种玉米的识别方法及装置
CN115272860A (zh) 一种水稻种植区的确定方法、系统、电子设备及存储介质
CN106991449A (zh) 一种生活场景重构辅助识别蓝莓品种的方法
Mazarire et al. Exploring machine learning algorithms for mapping crop types in a heterogeneous agriculture landscape using Sentinel-2 data. A case study of Free State Province, South Africa
CN114419367A (zh) 一种农作物高精度制图方法及系统
CN111582035B (zh) 一种果树树龄识别方法、装置、设备及存储介质
Roy et al. Comparative analysis of object based and pixel based classification for mapping of mango orchards in Sitapur district of Uttar Pradesh
Albert et al. Land use classification using conditional random fields for the verification of geospatial databases
Hashim et al. Land use land cover analysis with pixel-based classification approach
Qu et al. Mapping large area tea plantations using progressive random forest and Google Earth Engine

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