CN111709379B - 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 - Google Patents
基于遥感影像的丘陵区柑橘种植地块监测方法及系统 Download PDFInfo
- Publication number
- CN111709379B CN111709379B CN202010562660.4A CN202010562660A CN111709379B CN 111709379 B CN111709379 B CN 111709379B CN 202010562660 A CN202010562660 A CN 202010562660A CN 111709379 B CN111709379 B CN 111709379B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- images
- citrus
- land
- 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
Links
- 241000207199 Citrus Species 0.000 title claims abstract description 82
- 235000020971 citrus fruits Nutrition 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000000758 substrate Substances 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 8
- 235000007164 Oryza sativa Nutrition 0.000 claims description 7
- 235000009566 rice Nutrition 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 235000013311 vegetables Nutrition 0.000 claims description 3
- 241000675108 Citrus tangerina Species 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 240000007594 Oryza sativa Species 0.000 claims 1
- 230000000877 morphologic effect Effects 0.000 abstract 1
- 238000013077 scoring method Methods 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 description 17
- 229920000742 Cotton Polymers 0.000 description 8
- 240000002044 Rhizophora apiculata Species 0.000 description 7
- 241000209094 Oryza Species 0.000 description 6
- 240000000111 Saccharum officinarum Species 0.000 description 4
- 235000007201 Saccharum officinarum Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 235000009024 Ceanothus sanguineus Nutrition 0.000 description 2
- 241000219146 Gossypium Species 0.000 description 2
- 240000003553 Leptospermum scoparium Species 0.000 description 2
- 235000015459 Lycium barbarum Nutrition 0.000 description 2
- 244000269722 Thea sinensis Species 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- UBAZGMLMVVQSCD-UHFFFAOYSA-N carbon dioxide;molecular oxygen Chemical compound O=O.O=C=O UBAZGMLMVVQSCD-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于农业信息管理技术领域，具体涉及基于遥感影像的丘陵区柑橘种植地块监测方法及系统，步骤S1：获取待监测区域遥感中分影像和高分影像信息，并对影像进行预处理；步骤S2：对待监测区实地采集解译标志，得到训练样本及验证样本；步骤S3：以高分影像作为基底，叠加二调数据对地块形态边界更新；步骤S4：计算中分影像的多时相影像及高分影像的特征指数；步骤S5：以S2获取的地块信息作为训练样本，基于S4的特征指数对分类器进行训练；步骤S6：将需要检测区域影像输入分类器进行识别并分别输出结果；步骤S7：通过等权重计分方法进行分析，计分超过半数判别为柑橘信息。本发明使用提高现有技术识别作物的准确性和客观性。
Description
技术领域
本发明属于农业信息管理技术领域，具体涉及基于遥感影像的丘陵区柑橘种植地块监测方法及系统。
背景技术
广西是我国种植柑橘面积及产量最多的省区，产量已超过美国，2017年产量将近700万吨，产值200多亿元，成为广西首个突破百亿的水果产业，也成为了农民增收、脱贫致富的重要产业。据统计，2018年广西柑橘种植面积约752万亩，产量836万吨，占全区水果总量的46.7％，专家预测，到2020年柑橘种植面积将突破1000万亩，广西柑橘产业正处于快速发展期，然而柑橘种植信息掌握不准确、农户盲目扩张种植、市场滞销、病虫害频发等因素，严重阻碍柑橘产业健康发展。当前，柑橘种植面积调查主要依靠统计上报，存在较多的人为因素，时效性及精确性与需求脱节。由于柑橘种植面积以及分布详情数据的匮乏与滞后，有关部门难以科学规划柑橘产业发展，无法及时做好病虫害防控预警工作，及时、准确、高效获取广西柑橘种植地块信息是亟需解决的迫切问题。
然而，广西属于丘陵地区，耕地破碎、种植结构复杂，外加多云雨气候影响致使有效影像缺失，造成柑橘种植信息精准提取困难重重。新型遥感正实现全天时、全天候、全方位的对地精细化观测，遥感大数据时代的来临，提升了农情监测的智能化与自动化水平，多源遥感数据协同应用是开展精准农业监测的必然趋势，也是解决柑橘产业面临问题的有效手段。
当前，利用遥感技术提取柑橘种植信息研究成果较少，针对多云雨丘陵区柑橘种植面积识别更少，在水稻、甘蔗、红树林、茶树、棉花等方面识别技术取得一定成效。中国专利：一种水稻种植面积的遥感监测方法及系统(公开号：CN107966116B)，利用移栽期、齐穗期两期高分一号遥感图像，计算归一化水体指数差值和比值植被指数差值，利用空间交叉运算识别水稻的种植区域。中国专利：基于含有红边谱段高分辨率卫星影像的甘蔗地块提取方法(公开号：CN109635827A)，以一期含有红边波段的吉林一号影像为数据源，利用多尺度分割处理形成对象单元，基于各波段均值和均方差特征，选取贝叶斯分类器训练样本并进行甘蔗提取。中国专利：一种基于遥感影像的红树林提取方法及系统(公开号：CN108986116A)，对假彩色图像(Landsat)按照像元相似度进行分割得到多个图像，在划分为植被类型与非植被类型基础上，利用红树林的NDVI算数特征、LSWI算数特征、纹理特征和拓扑特征将多个植被区域图像分类为红树林图像和非红树林图像。中国专利：一种茶树林遥感监测的方法及装置(公开号：CN108960089A)，选用8月和12月高分二号影像为最佳数据，进行多尺度分割形成对象，根据特征知识库开展图像的分层分类得到茶树林信息。中国专利：一种基于物候分析的棉花遥感监测方法(公开号：CN108363949A)，将棉花生长关键物候期遥感影像高分一号进行多尺度分割，利用分层构建分类器初步提取棉花信息，对初步棉花信息及混分对象进行二次分割，基于光谱特征、纹理特征构建分类器,去除混分及增补漏提棉花信息，对提取的棉花信息子类进行归并和输出。
现有技术缺点为：(1)现有技术多以一期高分辨影像或多时相中低分辨率影像为数据源，开展作物信息提取，中高分辨率影像协同应用提取作物信息发明甚少。研究多采用无云覆盖的高质量影像，云量覆盖厚且多的数据被忽略，而多云雨地区高质量影像难以全覆盖研究区，只采用无云影像技术方法不适用于多云雨地区作物精准识别。(2)现有技术以分割方法(基于阈值分割、基于区域分割、基于边缘分割等)形成地块对象，容易出现分割不足、分割过度现象，对象分割与修改需要消耗较长时间，同时难以保证具有相同特性地块对象的完整性。(3)现有技术基于常用的影像特征(NDVI、NDWI、RVI等)，利用一种分类方法(支持向量机、决策树、随机森林等)或阈值方法提取作物信息，在种植结构复杂的地区分类精度无法满足使用要求。(4)现有技术中作物信息提取面积计算采用投影面积进行统计，没有考虑地形起伏状况，计算面积与实际面积存在偏差。(5)虽然现有技术在水稻、甘蔗、红树林、茶树、棉花等提取发明取得一定成效，单针对多云雨丘陵区柑橘种植信息提取存在较大困难，而且误差极大。
发明内容
本发明通过综合利用高分影像纹理信息与多时序影像常用特征和红边特征，集成支持向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯六种分类方法识别柑橘地块信息，提高现有技术识别作物的准确性和客观性。
为实现上述目的，本发明提供了基于遥感影像的丘陵区柑橘种植地块监测方法，包括以下步骤：
步骤S1：获取待监测区域遥感中分影像和高分影像信息，并对影像进行预处理以获得高质量影像；
步骤S2：采用3S技术通过对待监测区实地采集解译标志，获取包括柑橘多个不同地类的解译标志点，得到训练样本及验证样本；
步骤S3：以高分影像作为基底，叠加二调数据通过包括切割、合并、拓扑监测处理完成地块形态边界更新；
步骤S4：计算中分影像的多时相影像特征NDVI、RVI、NDWI、NDRE1、MTCI、IRECI，计算高分影像灰度共生矩阵的均值表征纹理信息，同时计算可见光常用特征指数NDVI、RVI、NDWI；
步骤S5：以S2获取的地块信息作为训练样本，基于S4计算出的高分影像纹理特征与特征指数NDVI、RVI、NDWI以及中分影像多时相影像特征NDVI、RVI、NDWI、NDRE1、MTCI、IRECI作为输入特征，对向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器进行训练；
步骤S6：将待监测区域的影像信息分别输入训练好的向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器进行识别并分别输出结果；
步骤S7：对各类识别结果加权计分，对计分超过半数的地块识别为柑橘，从得分为半数地块挑选训练样本循环更新分类器并完成柑橘识别；
进一步的，还包括对识别出为柑橘的地块进行面积计算，其步骤包括，对识别为柑橘的地块基于DEM计算地块的坡度均值，坡度值≤6°划分为平地柑橘地块，坡度值＞6°划分为坡地柑橘地块，针对判断为平地的地块采用投影面积计算方法获取平地柑橘地块面积，坡地柑橘地块通过投影面积与坡度余弦之比的计算方法获取，累计所有柑橘地块面积即为柑橘实际种植面积。
进一步的，所述步骤S1使用GF-1、ZY-3、北京二号卫星数据形成低频高分影像，以哨兵二号影像为高频中分数据，剔除云量覆盖率超过70％影像，对影像预处理方法包括：以谷歌地球影像为参考，基于高程模型开展全色影像正射校正处理，同理完成多光谱影像正射纠正处理，将全色正射影像和相应的多光谱正射影像进行融合处理，提高多光谱影像分辨率，在此基础上利用试验区行政边界裁剪融合后的数据，再通过镶嵌模型处理形成研究区高分辨率高质量影像；针对获得的中分影像，首先通过大气自动纠正处理生成地物真实反射率数据，再通过基于像元的监督分类方法检测云影并形成矢量文件，剔除云影遮盖区域形成有效不完整影像，筛选邻近时期影像为替补数据源，利用云影矢量文件进行裁剪处理形成无云碎片影像以填补剔除云影遮盖区域的影像。
进一步的，所述步骤S2解译标志点包括柑橘地块、水稻地块、蔬菜地块、林地地块。
进一步的，所述步骤S3，待监测区提取二调数据为耕地、林地、园地三种类型地块作为待监测区，进一步减少任务工作量和提高分类精度。
本发明还提供基于遥感影像的丘陵区柑橘种植地块监测系统，其特征在于，包括：
影像获取模块，其用于获取待监测区域遥感中分影像和高分影像信息，并对影像进行预处理以获得高质量影像；
地块样本提取模块，其用于采用3S技术通过对待监测区实地采集解译标志，获取包括柑橘多个不同地类的解译标志点，得到训练样本及验证样本；
地块边界提取模块，以高分影像作为基底，叠加二调数据通过包括切割、合并、拓扑监测处理获取完整整、准确地块；
特征计算模块，其用于计算中分影像的多时相影像特征NDVI、RVI、NDWI、NDRE1、MTCI、IRECI，计算高分影像灰度共生矩阵的均值表征纹理信息，同时计算特征指数NDVI、RVI、NDWI；
分类器训练模块，以地块样本提取模块获取的地块信息作为训练样本，基于特征计算模块计算出的高分影像纹理特征与特征指数NDVI、RVI、NDWI以及中分影像多时相影像特征NDVI、RVI、NDWI、NDRE1、MTCI、IRECI作为输入特征，对向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器进行训练，获得向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器模型；
识别模块，将待监测区域的影像信息分别输入训练好的向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器进行识别并分别输出结果；对各分类器识别结果加权计分，对计分超过半数的地块识别为柑橘，从得分为半数地块挑选训练样本循环更新分类器并完成柑橘识别；
面积计算模块，对识别为柑橘的地块基于DEM计算地块的坡度均值，针对平地的地块采用投影面积计算方法获取平地柑橘地块面积，坡地柑橘地块通过投影面积与坡度余弦之比的计算方法获取，累计所有柑橘地块面积即为柑橘实际种植面积。
本发明具有以下技术效果：
(1)针对现有技术忽略云雨覆盖影像，以及南方高质量影像严重不足的问题，本发明通过多源卫星数据协同方式形成无云高分辨率影像数据，以及碎片化影像处理方法生成多时相中分高质量数据，有效解决南方地区多云雨条件影像缺乏问题，充分发挥有效像元优势，为作物识别提供丰富影像数据源。
(2)本发明通过叠加高分辨影像与二调数据变更地块形态数据，形成具有完整性图斑对象，避免利用分割算法生成地块对象出现分割不足和分割过度的现象，充分利用了现有数据源，有效缩小研究区范围有利于提高分类精度。
(3)本发明基于面向地块对象，综合利用高分影像纹理信息与多时序影像常用特征和红边特征，集成支持向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯六种分类方法识别柑橘地块信息，通过分类器等权重投票方式判定柑橘地块。充分发挥了高分影像的图谱信息以及中分影像的红边特征的优势，分类结果精度高，可通过得分值分析识别结果精度等级情况，能提高丘陵区柑橘识别的准确性和客观性。
(4)本发明采用DEM计算坡度划分平地和坡地，分别计算坡地面积和平地面积，较好解决地形起伏造成面积误差问题。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于遥感影像的丘陵区柑橘种植地块监测方法流程图；
图2为本发明实施例中基于遥感影像的丘陵区柑橘种植地块监测方法地块风险效果图；
图3为本发明实施例中基于遥感影像的丘陵区柑橘种植地块监测方法柑橘种植信息提取成果图。
具体实施方式
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，所描述的实施例仅仅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做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。
为了便于对本发明内容的描述，给出如下的定义描述：
定义1：二调数据：第二次全国土地调查数据
定义2：高分影像：高分辨率卫星遥感影像
中分影像：中分辨率卫星遥感影像实施例1
本实施例提供了基于遥感影像的丘陵区柑橘种植地块监测方法，对广西富川瑶族自治县柑橘种植情况进行识别包括以下步骤：
步骤S1：获取待监测区域遥感中分影像和高分影像信息，并对影像进行预处理以获得高质量影像；本实施例为减少受到天气影响，单一卫星数据无法满足无云影像，综合使用GF-1、ZY-3、北京二号卫星数据形成低频高分影像。以哨兵二号影像为中分数据，每月仅有一期数据且云量覆盖率超过70％影像直接剔除。
获取的高分影像做以下处理：
1.以谷歌地球影像为参考，基于高程模型开展全色影像正射校正处理，同理完成多光谱影像正射纠正处理。
2.将全色正射影像和相应的多光谱正射影像进行融合处理，提高多光谱影像分辨率，在此基础上利用试验区行政边界裁剪融合后的数据，再通过镶嵌模型处理形成研究区高分辨率高质量影像。
获取的中分影像做以下处理：
1.为消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧等物质对地物反射的影响，通过大气自动纠正处理生成地物真实反射率数据。
2.通过基于像元的监督分类方法检测云影并形成矢量文件，剔除云影遮盖区域形成有效不完整影像，筛选同月或邻近时期影像为替补数据源，利用云影矢量文件进行裁剪处理形成无云碎片影像。将无云碎片影像通过裁剪、镶嵌拼接处理替代如不完整影像形成高质量中分影像。
步骤S2：采用3S技术通过对待监测区实地采集解译标志，获取包括柑橘多个不同地类的解译标志点，本实施例共采集806个解译标志点，其中柑橘解译点579个、水稻47个、蔬菜41个、林地9个、其他130个，得到训练样本及验证样本。
步骤S3：以高分影像作为基底，叠加二调数据通过包括切割、合并、拓扑监测处理完成地块形态边界更新，如图2所示，保障田块的完整性和准确性；通过加入二调数据以解决多尺度分割算法出现分割不足、分割过度的问题。因为柑橘主要种植于水田、旱地、山坡等地区，通过提取二调数据的耕地、林地、园地三种类型地块作为待监测区。
步骤S4：计算中分影像的多时相影像特征NDVI、RVI、NDWI、NDRE1、MTCI、IRECI，哨兵二号影像波段包括7个波段，蓝、绿、红、近红外波段(B2、B3、B4、B8)分辨率为10米，3个红边波段(B5、B6、B7)分辨率为20米，影像特征计算详情见表1。高分辨影像具有清晰的纹理信息，计算高分影像灰度共生矩阵的均值表征纹理信息，同时计算可见光常用特征指数NDVI、RVI、NDWI；
表1中分影像特征计算公式
步骤S5：以S2获取的地块信息作为训练样本，基于S4计算出的高分影像纹理特征与特征指数NDVI、RVI、NDWI以及中分影像多时相影像特征NDVI、RVI、NDWI、NDRE1、MTCI、IRECI作为输入特征开展柑橘种植信息提取，对向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器进行训练；
步骤S6：将待监测区域的影像信息分别输入训练好的向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器进行识别并分别输出结果；
步骤S7：对各类识别结果加权计分，对计分超过半数的地块识别为柑橘；每一个分类器具有同等比重，逐一评价研究对象，识别为柑橘地块计分为1，非柑橘计分为0，加权计分≥4判别为柑橘，分值为3标识为重点核查对象，分值≤2判别为非柑橘，原理表2所示。重点核查加权计分为3的地块对象，通过循环更新训练样本再开展地块识别。此外，得分情况分析识别地类精度的重要指标，分值越高表明分类精度越好，解决了现有技术无法分析分类结果精度等级的问题。
表2加权计分评价原理
随机抽取200个柑橘解译标志进行精度验证，要求参与验证标志点未被选为样本点，发现准确识别为柑橘地块数为189个，准确率为94.5％，满足使用要求，成果如图3所示。
步骤S8：对识别出为柑橘的地块进行面积计算，其步骤包括，对识别为柑橘的地块基于30米分辨率的DEM计算地块的坡度均值，坡度值≤6°划分为平地柑橘地块，坡度值＞6°划分为坡地柑橘地块，针对判断为坡地的地块采用ArcGIS投影面积计算方法获取平地柑橘地块面积，坡地柑橘地块面积＝投影面积/COS坡度；分别将平地地块面积与坡地地块面积累积求和，即为柑橘种植地块信息的真实面积，累计所有柑橘地块面积即为柑橘实际种植面积。实验区柑橘地块投影面积为277419.92亩，在DEM数据支持下开展平地与坡地面积计算为279647.26亩，两者相差2227.34亩，由此可见针对坡地的计算方式可以更精确的识别测算出柑橘种植面积，对柑橘种植规划、补贴计算、产量预估等工作带来便利。
实施例2
本发明还提供基于遥感影像的丘陵区柑橘种植地块监测系统，其，包括：
影像获取模块，其用于获取待监测区域遥感中分影像和高分影像信息，并对影像进行预处理以获得高质量影像；
地块样本提取模块，其用于采用3S技术通过对待监测区实地采集解译标志，获取包括柑橘多个不同地类的解译标志点，得到训练样本及验证样本；
地块边界提取模块，以高分影像作为基底，叠加二调数据通过包括切割、合并、拓扑监测处理获取完整、准确地块；
特征计算模块，其用于计算中分影像的多时相影像特征NDVI、RVI、NDWI、NDRE1、MTCI、IRECI，计算高分影像灰度共生矩阵的均值表征纹理信息，同时计算特征指数NDVI、RVI、NDWI；
分类器训练模块，以地块样本提取模块获取的地块信息作为训练样本及验证样本，基于特征计算模块计算出的高分影像纹理特征与特征指数NDVI、RVI、NDWI以及中分影像多时相影像特征NDVI、RVI、NDWI、NDRE1、MTCI、IRECI作为输入特征，对向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器进行训练，获得向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器模型；
识别模块，将待监测区域的影像信息分别输入训练好的向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器进行识别并分别输出结果；对各分类器识别结果加权计分，对计分超过半数的地块识别为柑橘，循环更新样本重点开展得分为半数地块的识别；
面积计算模块，对识别为柑橘的地块基于DEM计算地块的坡度均值，针对平地的地块采用投影面积计算方法获取平地柑橘地块面积，坡地柑橘地块通过投影面积与坡度余弦之比的计算方法获取，累计所有柑橘地块面积即为柑橘实际种植面积。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (6)
1.基于遥感影像的丘陵区柑橘种植地块监测方法，其特征在于，包括以下步骤：
步骤S1：获取待监测区域遥感中分影像和高分影像信息，并对影像进行预处理以获得高质量影像；
步骤S2：采用3S技术通过对待监测区实地采集解译标志，获取包括柑橘多个不同地类的解译标志点，得到训练样本及验证样本；
步骤S3：以高分影像作为基底，叠加二调数据通过包括切割、合并、拓扑监测处理完成地块形态边界更新；
步骤S4：计算中分影像的多时相影像特征NDVI、RVI、NDWI、NDRE1、MTCI、IRECI，计算高分影像灰度共生矩阵的均值表征纹理信息，同时计算可见光常用特征指数NDVI、RVI、NDWI；
步骤S5：以S2获取的地块信息作为训练样本，基于S4计算出的高分影像纹理特征与特征指数NDVI、RVI、NDWI以及中分影像多时相影像特征NDVI、RVI、NDWI、NDRE1、MTCI、IRECI作为输入特征，对向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器进行训练；
步骤S6：将待监测区域的影像信息分别输入训练好的向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器进行识别并分别输出结果；
步骤S7：对各类识别结果加权计分，对计分超过半数的地块识别为柑橘，从得分为半数地块挑选训练样本循环更新分类器并完成柑橘识别。
2.根据权利要求1所述基于遥感影像的丘陵区柑橘种植地块监测方法，其特征在于，还包括对识别出为柑橘的地块进行面积计算，其步骤包括，对识别为柑橘的地块基于DEM计算地块的坡度均值，坡度值≤6°划分为平地柑橘地块，坡度值＞6°划分为坡地柑橘地块，针对判断为平地的地块采用投影面积计算方法获取平地柑橘地块面积，坡地柑橘地块通过投影面积与坡度余弦之比的计算方法获取，累计所有柑橘地块面积即为柑橘实际种植面积。
3.根据权利要求1所述基于遥感影像的丘陵区柑橘种植地块监测方法，其特征在于：所述步骤S1使用GF-1、ZY-3、北京二号卫星数据形成低频高分影像，以哨兵二号影像为高频中分数据，剔除云量覆盖率超过70％影像，对影像预处理方法包括：以谷歌地球影像为参考，基于高程模型开展全色影像正射校正处理，同理完成多光谱影像正射纠正处理，将全色正射影像和相应的多光谱正射影像进行融合处理，提高多光谱影像分辨率，在此基础上利用试验区行政边界裁剪融合后的数据，再通过镶嵌模型处理形成研究区高分辨率高质量影像；针对获得的中分影像，首先通过大气自动纠正处理生成地物真实反射率数据，再通过基于像元的监督分类方法检测云影并形成矢量文件，剔除云影遮盖区域形成有效不完整影像，筛选邻近时期影像为替补数据源，利用云影矢量文件进行裁剪处理形成无云碎片影像以填补剔除云影遮盖区域的影像。
4.根据权利要求1所述基于遥感影像的丘陵区柑橘种植地块监测方法，其特征在于：所述步骤S2解译标志点包括柑橘地块、水稻地块、蔬菜地块、林地地块。
5.根据权利要求1所述基于遥感影像的丘陵区柑橘种植地块监测方法，其特征在于：所述步骤S3，待监测区提取二调数据为耕地、林地、园地三种类型地块作为待监测区，进一步减少任务工作量和提高分类精度。
6.基于遥感影像的丘陵区柑橘种植地块监测系统，其特征在于，包括：
影像获取模块，其用于获取待监测区域遥感中分影像和高分影像信息，并对影像进行预处理以获得高质量影像；
地块样本提取模块，其用于采用3S技术通过对待监测区实地采集解译标志，获取包括柑橘多个不同地类的解译标志点，得到训练样本及验证样本；
地块边界提取模块，以高分影像作为基底，叠加二调数据通过包括切割、合并、拓扑监测处理获取完整、准确地块；
特征计算模块，其用于计算中分影像的多时相影像特征NDVI、RVI、NDWI、NDRE1、MTCI、IRECI，计算高分影像灰度共生矩阵的均值表征纹理信息，同时计算特征指数NDVI、RVI、NDWI；
分类器训练模块，以地块样本提取模块获取的地块信息作为训练样本，基于特征计算模块计算出的高分影像纹理特征与特征指数NDVI、RVI、NDWI以及中分影像多时相影像特征NDVI、RVI、NDWI、NDRE1、MTCI、IRECI作为输入特征，对向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器进行训练，获得向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器模型；
识别模块，将待监测区域的影像信息分别输入训练好的向量机、决策树、神经网络、随机森林、K最邻近、贝叶斯分类器进行识别并分别输出结果；对各分类器识别结果加权计分，对计分超过半数的地块识别为柑橘，从得分为半数地块挑选训练样本循环更新分类器并完成柑橘识别；
面积计算模块，对识别为柑橘的地块基于DEM计算地块的坡度均值，针对坡地的地块采用投影面积与坡度余弦之比的计算方法获取面积，平地地块面积直接采用投影面积计算方法获取，累计所有柑橘地块面积即为柑橘实际种植面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010562660.4A CN111709379B (zh) | 2020-06-18 | 2020-06-18 | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010562660.4A CN111709379B (zh) | 2020-06-18 | 2020-06-18 | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111709379A CN111709379A (zh) | 2020-09-25 |
| CN111709379B true CN111709379B (zh) | 2023-04-18 |
Family
ID=72541083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010562660.4A Active CN111709379B (zh) | 2020-06-18 | 2020-06-18 | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709379B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160237B (zh) * | 2021-03-02 | 2021-11-02 | 中国科学院地理科学与资源研究所 | 一种土地覆被制图方法 |
| CN112883987A (zh) * | 2021-03-11 | 2021-06-01 | 成都数之联科技有限公司 | 基于遥感光谱特征的目标提取方法及系统及装置及介质 |
| CN113033670B (zh) * | 2021-03-29 | 2023-06-23 | 华南农业大学 | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 |
| CN113052102A (zh) * | 2021-03-31 | 2021-06-29 | 北京农业信息技术研究中心 | 基于无人机多光谱影像的农田管理分区方法及装置 |
| CN113033474A (zh) * | 2021-04-14 | 2021-06-25 | 海南大学 | 基于融合算法及模型的红树林资源遥感解译方法 |
| CN113221806B (zh) * | 2021-05-25 | 2022-02-01 | 河南大学 | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 |
| CN113269789B (zh) * | 2021-05-26 | 2022-04-05 | 华东师范大学 | 一种遥感图像无监督域自适应的水陆分割方法 |
| RU2769575C1 (ru) * | 2021-07-05 | 2022-04-04 | Общество с ограниченной ответственностью «АГРОНОУТ» | Способ генерации карт деградации почвенного покрова |
| CN114220004B (zh) * | 2021-11-26 | 2023-04-18 | 北京亿耘科技有限公司 | 一种基于遥感影像的人工牧场地块识别方法和系统 |
| CN114494198A (zh) * | 2022-01-26 | 2022-05-13 | 自然资源部第一航测遥感院(陕西省第五测绘工程院) | 一种综合多源信息的玉米干旱损害范围提取方法 |
| CN114219847B (zh) * | 2022-02-18 | 2022-07-01 | 清华大学 | 基于物候特征的作物种植面积确定方法、系统及存储介质 |
| CN114488921B (zh) | 2022-04-14 | 2022-08-16 | 山东省农业机械科学研究院 | 一种智慧果园物联网管控系统 |
| DE202022102591U1 (de) | 2022-05-12 | 2022-06-27 | Deepak Batham | System zur Überwachung des Gesundheitszustands von Pflanzen in der Präzisionslandwirtschaft mittels Bildverarbeitung und Faltungsneuronalem Netz |
| CN115063678A (zh) * | 2022-06-15 | 2022-09-16 | 安徽大学 | 基于国产gf-6 wfv数据的大豆种植区提取方法 |
| CN115019198B (zh) * | 2022-08-08 | 2022-10-18 | 中国科学院空天信息创新研究院 | 高频次遥感观测影像迭代更新制图方法 |
| CN115578641B (zh) * | 2022-11-08 | 2023-06-20 | 中化现代农业有限公司 | 农作物的铲除进度监测方法、装置、电子设备和存储介质 |
| CN115761486B (zh) * | 2022-11-15 | 2024-08-20 | 重庆市地理信息和遥感应用中心 | 一种基于多期稻田影像特征的水稻种植区判定方法和系统 |
| CN116091850B (zh) * | 2023-04-11 | 2023-06-23 | 中国地质大学（武汉） | 一种矿区土地覆盖分类模型建立及分类方法 |
| CN116342685B (zh) * | 2023-05-29 | 2023-07-28 | 四川凯普顿信息技术股份有限公司 | 一种基于dom影像的农业耕地地块的面积测量方法 |
| CN116503677B (zh) * | 2023-06-28 | 2023-09-05 | 武汉大学 | 一种湿地分类信息提取方法、系统、电子设备及存储介质 |
| CN116563721B (zh) * | 2023-07-12 | 2024-09-10 | 浙江领见数智科技有限公司 | 基于分层分类思想的烟田提取方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104615977A (zh) * | 2015-01-26 | 2015-05-13 | 河南大学 | 综合关键季相特征和模糊分类技术的冬小麦遥感识别方法 |
| CN105184224A (zh) * | 2015-08-10 | 2015-12-23 | 东北农业大学 | 一种东北地区水田分类与信息提取系统及方法 |
| CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
| CN108399423A (zh) * | 2018-02-01 | 2018-08-14 | 南京大学 | 一种遥感影像分类的多时相-多分类器融合方法 |
| WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
-
2020
- 2020-06-18 CN CN202010562660.4A patent/CN111709379B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104615977A (zh) * | 2015-01-26 | 2015-05-13 | 河南大学 | 综合关键季相特征和模糊分类技术的冬小麦遥感识别方法 |
| CN105184224A (zh) * | 2015-08-10 | 2015-12-23 | 东北农业大学 | 一种东北地区水田分类与信息提取系统及方法 |
| CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
| CN108399423A (zh) * | 2018-02-01 | 2018-08-14 | 南京大学 | 一种遥感影像分类的多时相-多分类器融合方法 |
| WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
Non-Patent Citations (4)
| Title |
|---|
| Bingfang Wu等.Remote sensing-based global crop monitoring: experiences with China's CropWatch system.International Journal of Digital Earth.2014,第7卷(第7期),第113-137页. * |
| 覃泽林 等.多时相高分一号影像在丘陵地区大宗农作物提取中的应用.南方农业学报.2017,第48卷(第01期),第181-188页. * |
| 许凯 等.基于AdaBoost的高分辨率遥感影像城市绿地提取算法.计算机工程与应用.2008,第44卷(第20期),第23-25、82页. * |
| 陈绍杰等.基于多分类器集成的煤矿区土地利用遥感分类.中国矿业大学学报.2011,第40卷(第02期),第273-278页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111709379A (zh) | 2020-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709379B (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 | |
| Chen et al. | Mapping croplands, cropping patterns, and crop types using MODIS time-series data | |
| Phalke et al. | Large area cropland extent mapping with Landsat data and a generalized classifier | |
| Wang et al. | A new time series vegetation–water index of phenological–hydrological trait across species and functional types for Poyang Lake wetland ecosystem | |
| George et al. | Forest tree species discrimination in western Himalaya using EO-1 Hyperion | |
| CN105740759B (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
| CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
| Olthof et al. | Mapping deciduous forest ice storm damage using Landsat and environmental data | |
| Sharma et al. | Geospatial technology in agroforestry: status, prospects, and constraints | |
| Luo et al. | Comparison of machine learning algorithms for mapping mango plantations based on Gaofen-1 imagery | |
| CN113657158B (zh) | 基于Google Earth Engine的大尺度大豆种植区域提取算法 | |
| CN107680098A (zh) | 一种甘蔗蔗节特征的识别方法 | |
| Linhui et al. | Extracting the forest type from remote sensing images by random forest | |
| 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 | |
| Sun et al. | Mapping tropical dry forest age using airborne waveform LiDAR and hyperspectral metrics | |
| Ruiz et al. | Automated classification of crop types and condition in a mediterranean area using a fine-tuned convolutional neural network | |
| Baraldi et al. | Operational performance of an automatic preliminary spectral rule-based decision-tree classifier of spaceborne very high resolution optical images | |
| CN116912578A (zh) | 一种农作物分类方法、系统及电子设备 | |
| CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
| Colkesen et al. | Multi-seasonal evaluation of hybrid poplar (P. Deltoides) plantations using Worldview-3 imagery and state-of-the-art ensemble learning algorithms | |
| Jensen et al. | Remote sensing agricultural crop type for sustainable development in South Africa | |
| Dibs et al. | Estimation and Mapping the Rubber Trees Growth Distribution using Multi Sensor Imagery With Remote Sensing and GIS Analysis | |
| CN115115948B (zh) | 一种基于随机森林和辅助因子的林地信息精细化提取方法 | |
| Ferro et al. | Comparison of different computer vision methods for vineyard canopy detection using UAV multispectral images | |
| CN116051993A (zh) | 一种人工草地识别方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210118 Address after: 530007, 174 East University Road, the Guangxi Zhuang Autonomous Region, Nanning Applicant after: GUANGXI ACADEMY OF AGRICULTURAL SCIENCES Address before: 530003 174 East University Road, XiXiangTang District, Nanning, the Guangxi Zhuang Autonomous Region Applicant before: Xie Guoxue Applicant before: GUANGXI ZHUANG AUTONOMOUS REGION AGRICULTURAL SCIENCES INSTITUTE AGRICULTURAL TECHNOLOGY INFORMATION Research Institute |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |