CN111832643A - 星地多源降水数据融合冬小麦湿渍害遥感监测系统及方法 - Google Patents
星地多源降水数据融合冬小麦湿渍害遥感监测系统及方法 Download PDFInfo
- Publication number
- CN111832643A CN111832643A CN202010648582.XA CN202010648582A CN111832643A CN 111832643 A CN111832643 A CN 111832643A CN 202010648582 A CN202010648582 A CN 202010648582A CN 111832643 A CN111832643 A CN 111832643A
- Authority
- CN
- China
- Prior art keywords
- data
- winter wheat
- remote sensing
- module
- satellite
- 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
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 199
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 199
- 238000012544 monitoring process Methods 0.000 title claims abstract description 87
- 230000004927 fusion Effects 0.000 title claims abstract description 73
- 230000006378 damage Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001556 precipitation Methods 0.000 claims abstract description 86
- 238000005070 sampling Methods 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000013500 data storage Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000002310 reflectometry Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- SESFRYSPDFLNCH-UHFFFAOYSA-N benzyl benzoate Chemical compound C=1C=CC=CC=1C(=O)OCC1=CC=CC=C1 SESFRYSPDFLNCH-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Marine Sciences & Fisheries (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- General Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明属于农业气象灾害监测技术领域,公开了一种星地多源降水数据融合冬小麦湿渍害遥感监测系统及方法,所述基于星地多源降水数据融合的冬小麦湿渍害遥感监测系统包括:冬小麦采样模块、作物数据获取模块、降水数据获取模块、遥感数据获取模块、遥感数据预处理模块、种植面积获取模块、中央控制模块、降水数据融合模块、冬小麦湿渍害监测模块、数据存储模块、显示模块。本发明将地面雨量计观测和卫星反演降水数据相结合,融合生成的高质量、高分辨率降水数据能有效地对大范围的冬小麦湿渍害进行空间监测;同时,融合生成的高质量、高分辨率降水数据集也可以用于其它作物的旱涝灾害监测中,为作物旱涝灾害空间监测提供有效的数据支持。
Description
技术领域
本发明属于农业气象灾害监测技术领域,尤其涉及一种星地多源降水数据融合冬小麦湿渍害遥感监测系统及方法。
背景技术
目前,气候变化背景下,极端天气气候事件增加,使得农业气象灾害呈现出频率高、强度大、危险日益严重的态势,对农业生产的影响日益加剧。湿渍害是世界范围常见的农业气象灾害之一,在美国、澳大利亚、俄罗斯、非洲中东部、中国、巴基斯坦、印度、尼泊尔、孟加拉国等国家均有发生,且不同发育期均会对农作物造成不同程度危害。据估计全球约有10%的土地严重受土壤渍水的影响,然而对于特定区域如东欧和俄罗斯联邦达到20%(FAO,2002),每年15~20%的小麦种植区受涝渍灾害的影响。在中国,受气候、地形、土壤属性、种植制度等因素的影响,小麦种植区很容易遭受旱涝袭击,水旱轮作的南方区域受湿渍害影响严重。加强作物湿渍害监测研究,对于防灾减灾,保障国家粮食安全具有十分重要的现实意义。传统的利用降水数据进行作物湿渍害监测方法是通过国家级地面气象观测站的资料,但站点密度稀疏;区域自动气象站建设及投入使用,气象站点的密度加大,但其数据质量、稳定性及其在湿渍害监测及损失评估的应用有待进一步研究。
通过上述分析,现有技术存在的问题及缺陷为:传统的利用降水数据进行作物湿渍害监测方法需要通过国家级地面气象观测站的资料,但站点密度稀疏;区域自动气象站建设及投入使用,气象站点的密度加大,但其数据质量、稳定性及其在湿渍害监测及损失评估的应用有待进一步研究。
发明内容
针对现有技术存在的问题,本发明提供了一种星地多源降水数据融合冬小麦湿渍害遥感监测系统。
本发明是这样实现的,一种星地多源降水数据融合冬小麦湿渍害遥感监测方法,所述星地多源降水数据融合冬小麦湿渍害遥感监测方法,包括:
步骤一,冬小麦采样模块通过采样装置获取冬小麦种植区实地采样数据;作物数据获取模块通过数据获取设备获取冬小麦的作物物候信息;冬小麦的作物物候信息包括冬小麦的物候历、冬小麦生育期数据;
步骤二,降水数据获取模块通过地面雨量计获取冬小麦地面观测降水数据集,遥感数据获取模块通过卫星获取冬小麦遥感卫星数据;所述遥感卫星数据包括高分一号WFV数据、Landsat-8OLI数据和MODIS数据;并且遥感数据预处理模块通过数据预处理程序对遥感卫星数据进行时间序列重构,得到NDVI时间序列数据;
第三、根据步骤一和步骤二采集的各类数据,中央控制模块分别控制冬小麦采样模块、作物数据获取模块、降水数据获取模块、遥感数据获取模块、遥感数据预处理模块、种植面积获取模块、降水数据融合模块、冬小麦湿渍害监测模块、数据存储模块、显示模块连接各个模块的正常运行;
第四、中央控制模块控制种植面积获取模块通过高分一号WFV数据反演NDVI时间序列数据结合高程数据以及近红外波段反射率进行冬小麦种植面积的提取;降水数据融合模块对原始粗分辨率的卫星反演降水数据集进行降尺度,得到降尺度的卫星降水数据;通过数据融合程序将地面观测降水数据集与降尺度的卫星降水数据和地理因子进行融合,获取降水数据集;
第五、中央控制模块控制冬小麦湿渍害监测模块根据融合生成的降水数据集并结合冬小麦种植面积,利用冬小麦湿渍害监测程序对冬小麦湿渍害可能发生区域进行空间监测;
第六、数据存储模块通过存储器存储冬小麦种植区实地采样数据、作物物候信息、地面观测降水数据集、遥感卫星数据、种植面积、降水数据集及空间监测结果;显示模块通过显示器显示冬小麦种植区实地采样数据、作物物候信息、地面观测降水数据集、遥感卫星数据、种植面积、降水数据集及空间监测结果的实时数据;
所述步骤四中,冬小麦种植面积的提取方法包括:
(1)分析冬小麦生育期数据、农作物物候信息中的冬小麦的物候历、冬小麦种植面积统计数据、冬小麦种植区实地采样数据与植被指数的对应关系;
(2)通过种植面积获取模块利用获得的NDVI时间序列数据,采用构建决策树的方法提取冬小麦种植面积空间信息;
(3)根据冬小麦种植面积空间信息利用高分一号WFV数据反演NDVI时间序列数据结合高程数据以及近红外波段反射率进行冬小麦种植面积的提取。
进一步,所述步骤一中,所述冬小麦的作物物候信息包括冬小麦的物候历、冬小麦生育期数据。
进一步,所述步骤二中,遥感卫星数据包括高分一号WFV数据、Landsat-8OLI数据和MODIS数据。
进一步,所述步骤六中,地理因子包括经纬度和海拔高度。
进一步,所述降水数据融合模块中对数据进行融合方法,包括:
根据原始粗分辨率的卫星反演降水数据集进行降尺度,得到降尺度的卫星降水数据,建立相应的数据融合样本;
根据降尺度的卫星降水数据融合样本,进行特征提取变换,提取具有代表一类数据的特征矢量;
通过聚类算法,对特征矢量进行模式识别处理,并对每类数据进行说明解释;
根据说明解释的内容,建立不同类之间的关联性,对分类的数据进行统一解释与描述。
进一步,所述遥感数据预处理模块中对遥感图像进行去噪的过程为:
根据获取的遥感图像,建立相应的去噪数据集;
利用噪声识别,提取去噪数据集中含有噪声的遥感图像,确定相应的小波分解层数;
对含有噪声的遥感图像,进行小波分解;同时对遥感图像中的高频系数进行阈值量化;选择一个阈值,并对这一层的高频系数进行软阈值量化处理;
根据遥感图像中小波分解中低频系数和高频系数,对遥感图像进行小波重构。
本发明另一目的在于提供一种实施所述的星地多源降水数据融合冬小麦湿渍害遥感监测方法的星地多源降水数据融合冬小麦湿渍害遥感监测系统,所述星地多源降水数据融合冬小麦湿渍害遥感监测系统包括:
冬小麦采样模块、作物数据获取模块、降水数据获取模块、遥感数据获取模块、遥感数据预处理模块、种植面积获取模块、中央控制模块、降水数据融合模块8、冬小麦湿渍害监测模块、数据存储模块、显示模块;
冬小麦采样模块,与中央控制模块连接,用于通过采样装置获取冬小麦种植区实地采样数据;
作物数据获取模块,与中央控制模块连接,用于通过数据获取设备获取冬小麦的作物物候信息;所述冬小麦的作物物候信息包括冬小麦的物候历、冬小麦生育期数据;
降水数据获取模块,与中央控制模块连接,用于通过地面雨量计获取冬小麦地面观测降水数据集;
遥感数据获取模块,与中央控制模块连接,用于通过卫星获取冬小麦遥感卫星数据;所述遥感卫星数据包括高分一号WFV数据、Landsat-8OLI数据和MODIS数据;
遥感数据预处理模块,与中央控制模块连接,用于通过数据预处理程序对遥感卫星数据进行时间序列重构,得到NDVI时间序列数据;
种植面积获取模块,与中央控制模块连接,用于通过高分一号WFV数据反演NDVI时间序列数据结合高程数据以及近红外波段反射率进行冬小麦种植面积的提取;
中央控制模块,与冬小麦采样模块、作物数据获取模块、降水数据获取模块、遥感数据获取模块、遥感数据预处理模块、种植面积获取模块、降水数据融合模块、冬小麦湿渍害监测模块、数据存储模块、显示模块连接,用于通过中央处理器控制所述基于星地多源降水数据融合的冬小麦湿渍害遥感监测系统各个模块的正常运行。
进一步,所述星地多源降水数据融合冬小麦湿渍害遥感监测系统还包括:
降水数据融合模块,与中央控制模块连接,用于对原始粗分辨率的卫星反演降水数据集进行降尺度,得到降尺度的卫星降水数据;通过数据融合程序将地面观测降水数据集与降尺度的卫星降水数据和地理因子进行融合,获取降水数据集;
冬小麦湿渍害监测模块,与中央控制模块连接,用于根据融合生成的降水数据集并结合冬小麦种植面积,利用冬小麦湿渍害监测程序对冬小麦湿渍害可能发生区域进行空间监测;
数据存储模块,与中央控制模块连接,用于通过存储器存储冬小麦种植区实地采样数据、作物物候信息、地面观测降水数据集、遥感卫星数据、种植面积、降水数据集及空间监测结果;
显示模块,与中央控制模块连接,用于通过显示器显示冬小麦种植区实地采样数据、作物物候信息、地面观测降水数据集、遥感卫星数据、种植面积、降水数据集及空间监测结果的实时数据。
进一步,所述遥感数据预处理模块包括:
遥感图像清晰度处理单元,对获取的遥感图像进行降噪处理,并且去除遥感图像中的坏线和条带;同时对遥感图像中的薄云进行减弱;遥感图像矫正单元,对农作种植区地形起伏较大的位置,进行正射矫处理;遥感图像增强单元,对获取的农作物遥感图像进行彩色修正、直方图处理和图像灰度处理。
进一步,所述降水数据融合模块包括:
卫星降水数据获取单元,对原始粗分辨率的卫星反演降水数据集进行降尺度,得到降尺度的卫星降水数据;地理因子获取单元,获取冬小麦监测区域的经纬度和海拔高度;数据融合单元,通过数据融合程序将地面观测降水数据集与降尺度的卫星降水数据和地理因子进行融合,获取降水数据集。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明通过冬小麦采样模块通过采样装置获取冬小麦种植区实地采样数据;作物数据获取模块通过数据获取设备获取冬小麦的作物物候信息;所述冬小麦的作物物候信息包括冬小麦的物候历、冬小麦生育期数据;降水数据获取模块通过地面雨量计获取冬小麦地面观测降水数据集;遥感数据获取模块通过卫星获取冬小麦遥感卫星数据;所述遥感卫星数据包括高分一号WFV数据、Landsat-8OLI数据和MODIS数据;遥感数据预处理模块通过数据预处理程序对遥感卫星数据进行时间序列重构,得到NDVI时间序列数据;种植面积获取模块通过高分一号WFV数据反演NDVI时间序列数据结合高程数据以及近红外波段反射率进行冬小麦种植面积的提取;降水数据融合模块对原始粗分辨率的卫星反演降水数据集进行降尺度,得到降尺度的卫星降水数据;通过数据融合程序将地面观测降水数据集与降尺度的卫星降水数据和地理因子进行融合,获取降水数据集;冬小麦湿渍害监测模块根据融合生成的降水数据集并结合冬小麦种植面积,利用冬小麦湿渍害监测程序对冬小麦湿渍害可能发生区域进行空间监测;数据存储模块通过存储器存储冬小麦种植区实地采样数据、作物物候信息、地面观测降水数据集、遥感卫星数据、种植面积、降水数据集及空间监测结果。
本发明提供的基于星地多源降水数据融合的冬小麦湿渍害遥感监测系统,将地面雨量计观测和卫星反演降水数据相结合,融合生成的高质量、高分辨率降水数据能有效地对大范围的冬小麦湿渍害进行空间监测;同时,融合生成的高质量、高分辨率降水数据集也可以用于其它作物的旱涝灾害监测中,为作物旱涝灾害空间监测提供有效的数据支持。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述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。
图1是本发明实施例提供的星地多源降水数据融合冬小麦湿渍害遥感监测系统结构框图;
图中:1、冬小麦采样模块;2、作物数据获取模块;3、降水数据获取模块;4、遥感数据获取模块;5、遥感数据预处理模块;6、种植面积获取模块;7、中央控制模块;8、降水数据融合模块;9、冬小麦湿渍害监测模块;10、数据存储模块;11、显示模块。
图2是本发明实施例提供的遥感数据预处理模块结构示意图。
图3是本发明实施例提供的降水数据融合模块结构示意图。
图4是本发明实施例提供的星地多源降水数据融合冬小麦湿渍害遥感监测方法流程图。
图5是本发明实施例提供的冬小麦种植面积的提取方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种星地多源降水数据融合冬小麦湿渍害遥感监测系统及方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的星地多源降水数据融合冬小麦湿渍害遥感监测系统包括:冬小麦采样模块1、作物数据获取模块2、降水数据获取模块3、遥感数据获取模块4、遥感数据预处理模块5、种植面积获取模块6、中央控制模块7、降水数据融合模块8、冬小麦湿渍害监测模块9、数据存储模块10、显示模块11。
冬小麦采样模块1,与中央控制模块7连接,用于通过采样装置获取冬小麦种植区实地采样数据;
作物数据获取模块2,与中央控制模块7连接,用于通过数据获取设备获取冬小麦的作物物候信息;所述冬小麦的作物物候信息包括冬小麦的物候历、冬小麦生育期数据;
降水数据获取模块3,与中央控制模块7连接,用于通过地面雨量计获取冬小麦地面观测降水数据集;
遥感数据获取模块4,与中央控制模块7连接,用于通过卫星获取冬小麦遥感卫星数据;所述遥感卫星数据包括高分一号WFV数据、Landsat-8OLI数据和MODIS数据;
遥感数据预处理模块5,与中央控制模块7连接,用于通过数据预处理程序对遥感卫星数据进行时间序列重构,得到NDVI时间序列数据;
种植面积获取模块6,与中央控制模块7连接,用于通过高分一号WFV数据反演NDVI时间序列数据结合高程数据以及近红外波段反射率进行冬小麦种植面积的提取;
中央控制模块7,与冬小麦采样模块1、作物数据获取模块2、降水数据获取模块3、遥感数据获取模块4、遥感数据预处理模块5、种植面积获取模块6、降水数据融合模块8、冬小麦湿渍害监测模块9、数据存储模块10、显示模块11连接,用于通过中央处理器控制所述基于星地多源降水数据融合的冬小麦湿渍害遥感监测系统各个模块的正常运行;
降水数据融合模块8,与中央控制模块7连接,用于对原始粗分辨率的卫星反演降水数据集进行降尺度,得到降尺度的卫星降水数据;通过数据融合程序将地面观测降水数据集与降尺度的卫星降水数据和地理因子进行融合,获取降水数据集;
冬小麦湿渍害监测模块9,与中央控制模块7连接,用于根据融合生成的降水数据集并结合冬小麦种植面积,利用冬小麦湿渍害监测程序对冬小麦湿渍害可能发生区域进行空间监测;
数据存储模块10,与中央控制模块7连接,用于通过存储器存储冬小麦种植区实地采样数据、作物物候信息、地面观测降水数据集、遥感卫星数据、种植面积、降水数据集及空间监测结果;
显示模块11,与中央控制模块7连接,用于通过显示器显示冬小麦种植区实地采样数据、作物物候信息、地面观测降水数据集、遥感卫星数据、种植面积、降水数据集及空间监测结果的实时数据。
如图2所示,本发明实施例提供的遥感数据预处理模块5包括:
遥感图像清晰度处理单元5-1,对获取的遥感图像进行降噪处理,并且去除遥感图像中的坏线和条带;同时对遥感图像中的薄云进行减弱;
遥感图像矫正单元5-2,对农作种植区地形起伏较大的位置,进行正射矫处理;
遥感图像增强单元5-3,对获取的农作物遥感图像进行彩色修正、直方图处理和图像灰度处理。
如图3所示,本发明实施例提供的降水数据融合模块8包括:
卫星降水数据获取单元8-1,对原始粗分辨率的卫星反演降水数据集进行降尺度,得到降尺度的卫星降水数据;
地理因子获取单元8-2,获取冬小麦监测区域的经纬度和海拔高度;
数据融合单元8-3,通过数据融合程序将地面观测降水数据集与降尺度的卫星降水数据和地理因子进行融合,获取降水数据集。
如图4所示,本发明实施例提供的星地多源降水数据融合冬小麦湿渍害遥感监测方法包括以下步骤:
S101:冬小麦采样模块通过采样装置获取冬小麦种植区实地采样数据;作物数据获取模块通过数据获取设备获取冬小麦的作物物候信息;冬小麦的作物物候信息包括冬小麦的物候历、冬小麦生育期数据。
S102:降水数据获取模块通过地面雨量计获取冬小麦地面观测降水数据集,遥感数据获取模块通过卫星获取冬小麦遥感卫星数据;所述遥感卫星数据包括高分一号WFV数据、Landsat-8OLI数据和MODIS数据;并且遥感数据预处理模块通过数据预处理程序对遥感卫星数据进行时间序列重构,得到NDVI时间序列数据。
S103:根据步骤一和步骤二采集的各类数据,中央控制模块分别控制冬小麦采样模块、作物数据获取模块、降水数据获取模块、遥感数据获取模块、遥感数据预处理模块、种植面积获取模块、降水数据融合模块、冬小麦湿渍害监测模块、数据存储模块、显示模块连接各个模块的正常运行。
S104:中央控制模块控制种植面积获取模块通过高分一号WFV数据反演NDVI时间序列数据结合高程数据以及近红外波段反射率进行冬小麦种植面积的提取;降水数据融合模块对原始粗分辨率的卫星反演降水数据集进行降尺度,得到降尺度的卫星降水数据;通过数据融合程序将地面观测降水数据集与降尺度的卫星降水数据和地理因子进行融合,获取降水数据集。
S105:中央控制模块控制冬小麦湿渍害监测模块根据融合生成的降水数据集并结合冬小麦种植面积,利用冬小麦湿渍害监测程序对冬小麦湿渍害可能发生区域进行空间监测。
S106:数据存储模块通过存储器存储冬小麦种植区实地采样数据、作物物候信息、地面观测降水数据集、遥感卫星数据、种植面积、降水数据集及空间监测结果;显示模块通过显示器显示冬小麦种植区实地采样数据、作物物候信息、地面观测降水数据集、遥感卫星数据、种植面积、降水数据集及空间监测结果的实时数据。
本发明实施例提供的步骤S101中,所述冬小麦的作物物候信息包括冬小麦的物候历、冬小麦生育期数据。
本发明实施例提供的步骤S102中,所述遥感卫星数据包括高分一号WFV数据、Landsat-8OLI数据和MODIS数据。
如图5所示,本发明实施例提供的步骤S104中,所述冬小麦种植面积的提取方法包括:
S201:分析冬小麦生育期数据、农作物物候信息中的冬小麦的物候历、冬小麦种植面积统计数据、冬小麦种植区实地采样数据与植被指数的对应关系。
S202:通过种植面积获取模块利用获得的NDVI时间序列数据,采用构建决策树的方法提取冬小麦种植面积空间信息。
S203:根据冬小麦种植面积空间信息利用高分一号WFV数据反演NDVI时间序列数据结合高程数以及近红外波段反射率进行冬小麦种植面积的提取。
本发明实施例提供的步骤S106中,所述的地理因子包括经纬度和海拔高度。
本发明实施例提供的降水数据融合模块中对数据进行融合方法,包括:
根据原始粗分辨率的卫星反演降水数据集进行降尺度,得到降尺度的卫星降水数据,建立相应的数据融合样本;
根据降尺度的卫星降水数据融合样本,进行特征提取变换,提取具有代表一类数据的特征矢量;
通过聚类算法,对特征矢量进行模式识别处理,并对每类数据进行说明解释;
根据说明解释的内容,建立不同类之间的关联性,对分类的数据进行统一解释与描述。
本发明实施例提供的遥感数据预处理模块中对遥感图像进行去噪的过程为:
根据获取的遥感图像,建立相应的去噪数据集;
利用噪声识别,提取去噪数据集中含有噪声的遥感图像,确定相应的小波分解层数;
对含有噪声的遥感图像,进行小波分解;同时对遥感图像中的高频系数进行阈值量化;选择一个阈值,并对这一层的高频系数进行软阈值量化处理。、
根据遥感图像中小波分解中低频系数和高频系数,对遥感图像进行小波重构。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种星地多源降水数据融合冬小麦湿渍害遥感监测方法,其特征在于,所述星地多源降水数据融合冬小麦湿渍害遥感监测方法,包括:
步骤一,冬小麦采样模块通过采样装置获取冬小麦种植区实地采样数据;作物数据获取模块通过数据获取设备获取冬小麦的作物物候信息;冬小麦的作物物候信息包括冬小麦的物候历、冬小麦生育期数据;
步骤二,降水数据获取模块通过地面雨量计获取冬小麦地面观测降水数据集,遥感数据获取模块通过卫星获取冬小麦遥感卫星数据;所述遥感卫星数据包括高分一号WFV数据、Landsat-8OLI数据和MODIS数据;并且遥感数据预处理模块通过数据预处理程序对遥感卫星数据进行时间序列重构,得到NDVI时间序列数据;
第三、根据步骤一和步骤二采集的各类数据,中央控制模块分别控制冬小麦采样模块、作物数据获取模块、降水数据获取模块、遥感数据获取模块、遥感数据预处理模块、种植面积获取模块、降水数据融合模块、冬小麦湿渍害监测模块、数据存储模块、显示模块连接各个模块的正常运行;
第四、中央控制模块控制种植面积获取模块通过高分一号WFV数据反演NDVI时间序列数据结合高程数据以及近红外波段反射率进行冬小麦种植面积的提取;降水数据融合模块对原始粗分辨率的卫星反演降水数据集进行降尺度,得到降尺度的卫星降水数据;通过数据融合程序将地面观测降水数据集与降尺度的卫星降水数据和地理因子进行融合,获取降水数据集;
第五、中央控制模块控制冬小麦湿渍害监测模块根据融合生成的降水数据集并结合冬小麦种植面积,利用冬小麦湿渍害监测程序对冬小麦湿渍害可能发生区域进行空间监测;
第六、数据存储模块通过存储器存储冬小麦种植区实地采样数据、作物物候信息、地面观测降水数据集、遥感卫星数据、种植面积、降水数据集及空间监测结果;显示模块通过显示器显示冬小麦种植区实地采样数据、作物物候信息、地面观测降水数据集、遥感卫星数据、种植面积、降水数据集及空间监测结果的实时数据;
所述步骤四中,冬小麦种植面积的提取方法包括:
(1)分析冬小麦生育期数据、农作物物候信息中的冬小麦的物候历、冬小麦种植面积统计数据、冬小麦种植区实地采样数据与植被指数的对应关系;
(2)通过种植面积获取模块利用获得的NDVI时间序列数据,采用构建决策树的方法提取冬小麦种植面积空间信息;
(3)根据冬小麦种植面积空间信息利用高分一号WFV数据反演NDVI时间序列数据结合高程数据以及近红外波段反射率进行冬小麦种植面积的提取。
2.如权利要求1所述的星地多源降水数据融合冬小麦湿渍害遥感监测方法,其特征在于,所述步骤一中,所述冬小麦的作物物候信息包括冬小麦的物候历、冬小麦生育期数据。
3.如权利要求1所述的星地多源降水数据融合冬小麦湿渍害遥感监测方法,其特征在于,所述步骤二中,遥感卫星数据包括高分一号WFV数据、Landsat-8OLI数据和MODIS数据。
4.如权利要求1所述的星地多源降水数据融合冬小麦湿渍害遥感监测方法,其特征在于,所述步骤六中,地理因子包括经纬度和海拔高度。
5.如权利要求1所述的星地多源降水数据融合冬小麦湿渍害遥感监测方法,其特征在于,所述降水数据融合模块中对数据进行融合方法,包括:
根据原始粗分辨率的卫星反演降水数据集进行降尺度,得到降尺度的卫星降水数据,建立相应的数据融合样本;
根据降尺度的卫星降水数据融合样本,进行特征提取变换,提取具有代表一类数据的特征矢量;
通过聚类算法,对特征矢量进行模式识别处理,并对每类数据进行说明解释;
根据说明解释的内容,建立不同类之间的关联性,对分类的数据进行统一解释与描述。
6.如权利要求1所述的星地多源降水数据融合冬小麦湿渍害遥感监测方法,其特征在于,所述遥感数据预处理模块中对遥感图像进行去噪的过程为:
根据获取的遥感图像,建立相应的去噪数据集;
利用噪声识别,提取去噪数据集中含有噪声的遥感图像,确定相应的小波分解层数;
对含有噪声的遥感图像,进行小波分解;同时对遥感图像中的高频系数进行阈值量化;选择一个阈值,并对这一层的高频系数进行软阈值量化处理;
根据遥感图像中小波分解中低频系数和高频系数,对遥感图像进行小波重构。
7.一种实施如权利要求1-6所述的星地多源降水数据融合冬小麦湿渍害遥感监测方法的星地多源降水数据融合冬小麦湿渍害遥感监测系统,其特征在于,所述基于星地多源降水数据融合的冬小麦湿渍害遥感监测系统包括:
冬小麦采样模块、作物数据获取模块、降水数据获取模块、遥感数据获取模块、遥感数据预处理模块、种植面积获取模块、中央控制模块、降水数据融合模块8、冬小麦湿渍害监测模块、数据存储模块、显示模块;
冬小麦采样模块,与中央控制模块连接,用于通过采样装置获取冬小麦种植区实地采样数据;
作物数据获取模块,与中央控制模块连接,用于通过数据获取设备获取冬小麦的作物物候信息;所述冬小麦的作物物候信息包括冬小麦的物候历、冬小麦生育期数据;
降水数据获取模块,与中央控制模块连接,用于通过地面雨量计获取冬小麦地面观测降水数据集;
遥感数据获取模块,与中央控制模块连接,用于通过卫星获取冬小麦遥感卫星数据;所述遥感卫星数据包括高分一号WFV数据、Landsat-8OLI数据和MODIS数据;
遥感数据预处理模块,与中央控制模块连接,用于通过数据预处理程序对遥感卫星数据进行时间序列重构,得到NDVI时间序列数据;
种植面积获取模块,与中央控制模块连接,用于通过高分一号WFV数据反演NDVI时间序列数据结合高程数据以及近红外波段反射率进行冬小麦种植面积的提取;
中央控制模块,与冬小麦采样模块、作物数据获取模块、降水数据获取模块、遥感数据获取模块、遥感数据预处理模块、种植面积获取模块、降水数据融合模块、冬小麦湿渍害监测模块、数据存储模块、显示模块连接,用于通过中央处理器控制所述基于星地多源降水数据融合的冬小麦湿渍害遥感监测系统各个模块的正常运行。
8.如权利要求7所述的星地多源降水数据融合冬小麦湿渍害遥感监测系统,其特征在于,所述星地多源降水数据融合冬小麦湿渍害遥感监测系统还包括:
降水数据融合模块,与中央控制模块连接,用于对原始粗分辨率的卫星反演降水数据集进行降尺度,得到降尺度的卫星降水数据;通过数据融合程序将地面观测降水数据集与降尺度的卫星降水数据和地理因子进行融合,获取降水数据集;
冬小麦湿渍害监测模块,与中央控制模块连接,用于根据融合生成的降水数据集并结合冬小麦种植面积,利用冬小麦湿渍害监测程序对冬小麦湿渍害可能发生区域进行空间监测;
数据存储模块,与中央控制模块连接,用于通过存储器存储冬小麦种植区实地采样数据、作物物候信息、地面观测降水数据集、遥感卫星数据、种植面积、降水数据集及空间监测结果;
显示模块,与中央控制模块连接,用于通过显示器显示冬小麦种植区实地采样数据、作物物候信息、地面观测降水数据集、遥感卫星数据、种植面积、降水数据集及空间监测结果的实时数据。
9.如权利要求7所述的星地多源降水数据融合冬小麦湿渍害遥感监测系统,其特征在于,所述遥感数据预处理模块包括:
遥感图像清晰度处理单元,对获取的遥感图像进行降噪处理,并且去除遥感图像中的坏线和条带;同时对遥感图像中的薄云进行减弱;遥感图像矫正单元,对农作种植区地形起伏较大的位置,进行正射矫处理;遥感图像增强单元,对获取的农作物遥感图像进行彩色修正、直方图处理和图像灰度处理。
10.如权利要求8所述的星地多源降水数据融合冬小麦湿渍害遥感监测系统,其特征在于,所述降水数据融合模块包括:
卫星降水数据获取单元,对原始粗分辨率的卫星反演降水数据集进行降尺度,得到降尺度的卫星降水数据;地理因子获取单元,获取冬小麦监测区域的经纬度和海拔高度;数据融合单元,通过数据融合程序将地面观测降水数据集与降尺度的卫星降水数据和地理因子进行融合,获取降水数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010648582.XA CN111832643A (zh) | 2020-07-07 | 2020-07-07 | 星地多源降水数据融合冬小麦湿渍害遥感监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010648582.XA CN111832643A (zh) | 2020-07-07 | 2020-07-07 | 星地多源降水数据融合冬小麦湿渍害遥感监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832643A true CN111832643A (zh) | 2020-10-27 |
Family
ID=72899647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010648582.XA Pending CN111832643A (zh) | 2020-07-07 | 2020-07-07 | 星地多源降水数据融合冬小麦湿渍害遥感监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832643A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764688A (zh) * | 2018-05-21 | 2018-11-06 | 浙江大学 | 基于星地多源降水数据融合的冬小麦湿渍害遥感监测方法 |
CN110210990A (zh) * | 2019-05-30 | 2019-09-06 | 河南省农业科学院农业经济与信息研究所 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
-
2020
- 2020-07-07 CN CN202010648582.XA patent/CN111832643A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764688A (zh) * | 2018-05-21 | 2018-11-06 | 浙江大学 | 基于星地多源降水数据融合的冬小麦湿渍害遥感监测方法 |
CN110210990A (zh) * | 2019-05-30 | 2019-09-06 | 河南省农业科学院农业经济与信息研究所 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107918776B (zh) | 一种基于机器视觉的用地规划方法、系统及电子设备 | |
CN108764688B (zh) | 基于星地多源降水数据融合的冬小麦湿渍害遥感监测方法 | |
Behrangi et al. | Daytime precipitation estimation using bispectral cloud classification system | |
CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
KR102496740B1 (ko) | 위성영상 기반 저수지 수표면적 분석 시스템 및 방법 | |
Zhu et al. | An advanced change detection method for time-series soil moisture retrieval from Sentinel-1 | |
Maynard et al. | Effect of spatial image support in detecting long-term vegetation change from satellite time-series | |
CN114092794A (zh) | 一种海冰图像分类方法、系统、介质、设备及处理终端 | |
Wang et al. | An automated extraction of small-and middle-sized rice fields under complex terrain based on SAR time series: A case study of Chongqing | |
CN112329265A (zh) | 卫星遥感降水精细化空间估算方法及系统 | |
CN114581768A (zh) | 一种作物倒伏无人机监测方法及装置 | |
Nguyen et al. | Mapping Land use/land cover using a combination of Radar Sentinel-1A and Sentinel-2A optical images | |
Bois et al. | Sensitivity of grapevine soil–water balance to rainfall spatial variability at local scale level | |
Sabzchi-Dehkharghani et al. | Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing | |
CN116450700A (zh) | 极轨卫星地表温度时间归一化方法、装置及电子设备 | |
Liu et al. | Thick cloud removal under land cover changes using multisource satellite imagery and a spatiotemporal attention network | |
CN113688909A (zh) | 一种生态区土地分类方法、装置及电子设备 | |
CN111985433B (zh) | 一种水稻遥感信息提取方法和系统 | |
CN112232303B (zh) | 一种基于高分遥感影像的草原道路信息提取方法 | |
CN111832643A (zh) | 星地多源降水数据融合冬小麦湿渍害遥感监测系统及方法 | |
CN116310864A (zh) | 一种作物倒伏自动识别方法、系统、电子设备及介质 | |
Doblas et al. | Stabilization of sentinel-1 sar time-series using climate and forest structure data for early tropical deforestation detection | |
Li et al. | Urban vegetation mapping based on the hj-1 ndvi reconstrction | |
CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 |
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 |