CN111860150A - 基于遥感影像的倒伏水稻识别方法与装置 - Google Patents

基于遥感影像的倒伏水稻识别方法与装置 Download PDF

Info

Publication number
CN111860150A
CN111860150A CN202010530422.5A CN202010530422A CN111860150A CN 111860150 A CN111860150 A CN 111860150A CN 202010530422 A CN202010530422 A CN 202010530422A CN 111860150 A CN111860150 A CN 111860150A
Authority
CN
China
Prior art keywords
condition
rice
lodging
remote sensing
image
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
CN202010530422.5A
Other languages
English (en)
Other versions
CN111860150B (zh
Inventor
徐飞飞
陆洲
罗明
梁爽
周敏强
赵晨
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.)
Zhongke Hexin Remote Sensing Technology Suzhou Co ltd
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Zhongke Hexin Remote Sensing Technology Suzhou Co ltd
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 Zhongke Hexin Remote Sensing Technology Suzhou Co ltd, Institute of Geographic Sciences and Natural Resources of CAS filed Critical Zhongke Hexin Remote Sensing Technology Suzhou Co ltd
Priority to CN202010530422.5A priority Critical patent/CN111860150B/zh
Publication of CN111860150A publication Critical patent/CN111860150A/zh
Application granted granted Critical
Publication of CN111860150B publication Critical patent/CN111860150B/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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种基于遥感影像的倒伏水稻识别方法与装置。本发明的基于遥感影像的倒伏水稻识别方法与装置，根据图像拍摄的时间来确定水稻的生长时期，并通过组合NDVI、NDWI、纹理Mean值、RVI构建的决策树模型，基于单期影像，充分利用不同时期倒伏水稻的纹理及光谱特征，减少了数据量，识别方便、精度较准。

Description

基于遥感影像的倒伏水稻识别方法与装置
技术领域
本发明涉及倒伏遥感监测领域，尤其是涉及水稻倒伏遥感监测方法和装置。
背景技术
水稻是中国粮食生产的关键作物。然而因为其自身的结构特点，在大风大雨天气影响下很容易发生倒伏现象。倒伏是水稻生长中后期常见的农业灾害，由天气、病虫害等因素引发的倒伏会严重影响水稻生长、产量和稻米品质。不同生长期下发生倒伏对作物后期产量均有不同程度的影响，例如抽雄期倒伏使得水稻产量损失最大，可达22％左右，极端天气状况下可达到50％左右，甚至绝产。快速、准确获取水稻倒伏区域的位置、面积等信息，对灾后农业生产管理、农业灾害保险、补贴等工作有重要意义。
目前，获取作物倒伏信息的方法主要有人工法和遥感法。人工法在获取倒伏作物位置及面积方面存在效率低的问题，另外针对不规则倒伏区域无法做到精确测量。遥感法是根据影像中倒伏作物与正常作物在光谱、色调和纹理等特征的差异，识别倒伏作物，获取倒伏信息的方法。基于遥感的调查方法凭借遥感影像覆盖面积大、数据获取及时的特点，具有高效、准确等优点。已有的使用卫星遥感调查评估作物倒伏的研究还主要集中在作物倒伏后的光谱、后向散射系数及极化特征研究，应用影像纹理准确估算倒伏面积的研究还很少。另外，倒伏容易受天气影响，不同生长期下均有发生，现有的倒伏水稻监测方法大多针对于某一生长期，没有推广至整个生育期，无法对其他时间倒伏进行监测。
发明内容
本发明要解决的技术问题是：为解决现有技术中的不足，从而提供一种考虑了水稻易发生倒伏的生育期，提出针对不同倒伏时间的遥感影像的倒伏水稻识别方法与装置。
本发明解决其技术问题所采用的技术方案是：
一种基于遥感影像的倒伏水稻识别方法，包括以下步骤：
S1：影像获取与处理，获取待识别区内发生倒伏后的遥感影像，所述遥感影像包括蓝光、绿光、红光、近红外波段；
S2：计算遥感影像上的NDVI、NDWI、纹理Mean值、RVI；
Figure BDA0002534996150000021
Figure BDA0002534996150000022
Figure BDA0002534996150000023
其中，ρred、ρgreen、ρnir分别为红光波段、绿光波段和近红外波段像元反射率值；
Figure BDA0002534996150000024
其中，P(i，j)表示灰度联合矩阵中第i行j列的元素，μ表示P(i，j)的均值，N为像元个数；
S3：根据图像拍摄日期判断水稻处于抽穗期或者乳熟期；
S4：若图像中的水稻处于抽穗期，则
S41：使用阈值判断NDVI值：T1<NDVI<T2，若条件为否则像元标识为水体或建筑，若条件为真则进行S42判断；
S42：使用阈值判断RVI值：T3<RVI<T4，若条件为否则像元标识为其他绿色植被，若条件为真则进行S43判断；
S43：设定条件ρred>T5且ρnir>T6且(ρred-ρblue)>T7，若条件为否则像元标识为正常水稻，若条件为真则像元标识为倒伏水稻；
S5：若图像中的水稻处于乳熟期，则
S51：使用阈值判断NDVI值：A1<NDVI<A2，若条件为否则像元标识为水体或建筑，若条件为真则进行S52判断；
S52：设定条件NDWI<A3且ρgreen>A4，若条件为否则像元标识为其他绿色植被，若条件为真则进行S53判断；
S53：设定条件ρred>A5且A6>Mean>A7，若条件为否则像元标识为正常水稻，若条件为真则像元标识为倒伏水稻；
S6：将S43和S53识别得到的像元进行聚类，形成完整图像。
优选地，本发明的基于遥感影像的倒伏水稻识别方法，S4和S5中的阈值由样本数据统计所得。
优选地，本发明的基于遥感影像的倒伏水稻识别方法，纹理Mean值计算过程中的像元个数N为3×3。
优选地，本发明的基于遥感影像的倒伏水稻识别方法，还包括S7步骤，S7步骤包括：获取待识别区创建随机点，对每个随机点进行目视解译识别出是否为倒伏水稻，并与识别结果进行比对，计算混淆矩阵，若混淆矩阵中总体精度优于90％，则满足要求，否则调整阈值，重新计算结果。
本发明还提供一种基于遥感影像的倒伏水稻识别装置，包括：
影像获取与处理模块，用于获取待识别区内发生倒伏后的遥感影像，所述遥感影像包括蓝光、绿光、红光、近红外波段；
数据设定模块，用于计算遥感影像上的NDVI、NDWI、纹理Mean值、RVI；
Figure BDA0002534996150000041
其中，ρred、ρgreen、ρnir分别为红光波段、绿光波段和近红外波段像元反射率值；
Figure BDA0002534996150000042
其中，P(i，j)表示灰度联合矩阵中第i行j列的元素，μ表示P(i，j)的均值，N为像元个数；
时期判断模块：用于根据图像拍摄日期判断水稻处于抽穗期或者乳熟期；
抽穗期倒伏水稻识别模块：若图像中的水稻处于抽穗期，则使用阈值判断NDVI值：T1<NDVI<T2，若条件为否则像元标识为水体或建筑，若条件为真则使用阈值判断RVI值：T3<RVI<T4，若条件为否则像元标识为其他绿色植被，若条件为真则设定条件ρred>T5且ρnir>T6且(ρred-ρblue)>T7，若条件为否则像元标识为正常水稻，若条件为真则像元标识为倒伏水稻；
乳熟期倒伏水稻识别模块：若图像中的水稻处于乳熟期，则使用阈值判断NDVI值：A1<NDVI<A2，若条件为否则像元标识为水体或建筑，若条件为真则设定条件NDWI<A3且ρgreen>A4，若条件为否则像元标识为其他绿色植被，若条件为真则设定条件ρred>A5且A6>Mean>A7，若条件为否则像元标识为正常水稻，若条件为真则像元标识为倒伏水稻；
聚类分析模块：将抽穗期倒伏水稻识别模块和乳熟期倒伏水稻识别模块识别得到的像元进行聚类，形成完整图像。
优选地，本发明的基于遥感影像的倒伏水稻识别装置，抽穗期倒伏水稻识别模块和乳熟期倒伏水稻识别模块中的阈值由样本数据统计所得。
优选地，本发明的基于遥感影像的倒伏水稻识别装置，纹理Mean值计算过程中的像元个数N为3×3。
优选地，本发明的基于遥感影像的倒伏水稻识别装置，还包括精度判断模块，精度判断模块包括：用于获取待识别区创建随机点，对每个随机点进行目视解译识别出是否为倒伏水稻，并与识别结果进行比对，计算混淆矩阵，若混淆矩阵中总体精度优于90％，则满足要求，否则调整阈值，重新计算结果。
本发明的有益效果是：
本发明组合NDVI、NDWI、均值纹理构建的决策树模型，基于单期影像，充分利用不同时期倒伏水稻的纹理及光谱特征，减少了数据量，识别方便、精度较准。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1倒伏水稻现场照片与遥感图像；
图2倒伏水稻遥感识别技术流程图；
图3乳熟期倒伏水稻遥感识别技术流程图；
图4倒伏水稻遥感识别结果。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“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申请和简化描述，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申请保护范围的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本实用新型创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，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，可以通过具体情况理解上述术语在本申请中的具体含义。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例1
本实施例提供一种基于遥感影像的倒伏水稻识别方法，如图1所示，包括：
S1：影像获取与处理，获取待识别区内发生倒伏后的遥感影像，所述遥感影像包括蓝光、绿光、红光、近红外波段，如哨兵2号影像、Planet影像，对遥感影像做波段合成、大气校正、几何校正、裁剪、镶嵌等处理；
S2：计算遥感影像上的NDVI、NDWI、纹理Mean值；
NDVI为归一化植被指数，定义为近红外波段与红波段两者反射率之差与之和比值；NDWI为归一化水体指数，定义为绿波段的反射率与近红外波段的反射率之差与两者之和的比值，计算公式定义如下：
Figure BDA0002534996150000071
Figure BDA0002534996150000072
Figure BDA0002534996150000073
其中，ρred、ρgreen、ρnir分别为红光波段、绿光波段和近红外波段像元反射率值；
纹理均值计算的波段为红光波段，窗口大小为3×3，计算公式如下：
Figure BDA0002534996150000081
其中，P(i，j)表示灰度联合矩阵中第i行j列的元素，μ表示P(i，j)的均值，N为像元个数。
S3：根据图像拍摄日期判断水稻处于抽穗期或者乳熟期；
抽穗期指水稻穗顶露出顶叶鞘1-2cm的这段时间。
乳熟期:水稻开花3-5天开始灌浆。灌浆后籽粒内部白色乳浆状，随着淀粉的不断积累，干物质重量不断增加，乳熟初期，鲜重迅速增加，中期，千重迅速增加，末期鲜重最大,，米粒逐渐变硬变白，背部仍为绿色，持续7-10天。
S4：若图像中的水稻处于抽穗期，则
S41：利用影像NDVI剔除非植被，其中所使用的阈值为T1<NDVI<T2，阈值T1与T2由样本数据统计所得，如T1＝0.29，T2＝0.58，若条件为否则像元标识为水体或建筑，若条件为真则进行S42判断；
S42：利用影像RVI识别水稻种植区；设定条件T3<RVI<T4且，其中RVI为近红外波段和红波段构建的比值植被指数，阈值T3与T4由样本数据统计所得,例如T3＝-0.35，T4＝0.1若条件为否则像元标识为其他绿色植被，若条件为真则进行S43判断；
S43：设定条件ρred>T5且ρnir>T6且(ρred-ρblue)>T7，其中，ρred表示红光波段反射率，Mean为纹理均值，阈值T5、T6、T7由样点数据统计而得，例如T5＝0.1、T6＝0.18、T7＝-100，若条件为否则像元标识为正常水稻，若条件为真则像元标识为倒伏水稻；
S5：若图像中的水稻处于乳熟期，则
S51：首先利用影像NDVI剔除非植被，其中所使用的阈值为A1<NDVI<A2，阈值A1与A2由样本数据统计所得，如A1＝0.29，A2＝0.58，若条件为否则像元标识为水体或建筑，若条件为真则进行S52判断；
S52：利用影像NDWI识别水稻种植区。在步骤S51后设定条件NDWI<A3且ρgreen>A4，其中NDWI为归一化水体指数，ρgreen为绿光波段反射率，阈值A3与A4由样本数据统计所得,例如A1＝0.29，A2＝0.58若条件为否则像元标识为其他绿色植被，若条件为真则进行S53判断；
S53：在步骤S52后设定条件ρred>A5且A6>Mean>A7，其中，ρred表示红光波段反射率，Mean为纹理均值，阈值A5、A6、A7由样点数据统计而得，例如A5＝0.13、A6＝2、A7＝5若条件为否则像元标识为正常水稻，若条件为真则像元标识为倒伏水稻。
S6：识别结果后处理，上述决策树模型得到的一般是初步结果，将S43和S53识别得到的像元进行聚类，形成完整图像。因此，需要对初步的分类结果进行一些处理，才能得到满足需求，这些处理过程就通常称为分类后处理。常用的方法有Majority/Minority分析、聚类处理(clump)和过滤处理(Sieve)，经以上操作能够去除碎小斑点，得到相对规整的栅格结果。聚类后就可以方便计算倒伏水稻的面积
S7：精度验证，在获取待识别区创建随机点，按照获取待识别区大小设定随机点个数，例如每10m2/个，随机点数一般在300～1000范围。结合高分辨率和中分辨率遥感影像对每个随机点目视解译，并与遥感识别结果对比，计算混淆矩阵，若混淆矩阵中总体精度优于90％，则满足要求，若精度低于90％则重新设定阈值识别倒伏水稻。
实施例2
本实施例提供一种基于遥感影像的倒伏水稻识别装置，包括：
--影像获取与处理模块，用于获取待识别区内发生倒伏后的遥感影像，所述遥感影像包括蓝光、绿光、红光、近红外波段；
--数据设定模块，用于计算遥感影像上的NDVI、NDWI、纹理Mean值、RVI；
Figure BDA0002534996150000101
其中，ρred、ρgreen、ρnir分别为红光波段、绿光波段和近红外波段像元反射率值；
Figure BDA0002534996150000102
其中，P(i，j)表示灰度联合矩阵中第i行j列的元素，μ表示P(i，j)的均值，N为像元个数；纹理均值计算的波段为红光波段，窗口大小为3×3；
--时期判断模块：用于根据图像拍摄日期判断水稻处于抽穗期或者乳熟期；
--抽穗期倒伏水稻识别模块：若图像中的水稻处于抽穗期，则使用阈值判断NDVI值：T1<NDVI<T2，若条件为否则像元标识为水体或建筑，若条件为真则使用阈值判断RVI值：T3<RVI<T4，其中RVI为近红外波段和红波段构建的比值植被指数，若条件为否则像元标识为其他绿色植被，若条件为真则设定条件ρred>T5且ρnir>T6且(ρgred-ρblue)>T7，若条件为否则像元标识为正常水稻，若条件为真则像元标识为倒伏水稻；抽穗期倒伏水稻识别模块中，可以将阈值进行以下设定：T1＝0.29，T2＝0.58，T3＝-0.35，T4＝0.1，T5＝0.1、T6＝0.18、T7＝-100。
--乳熟期倒伏水稻识别模块：若图像中的水稻处于乳熟期，则使用阈值判断NDVI值：A1<NDVI<A2，若条件为否则像元标识为水体或建筑，若条件为真则设定条件NDWI<A3且ρgreen>A4，若条件为否则像元标识为其他绿色植被，若条件为真则设定条件ρred>A5且A6>Mean>A7，若条件为否则像元标识为正常水稻，若条件为真则像元标识为倒伏水稻；乳熟期倒伏水稻识别模块中，阈值可以进行以下设定：A1＝0.29，A2＝0.58，A1＝0.29，A2＝0.58，A5＝0.13、A6＝2、A7＝5。
--聚类分析模块：将抽穗期倒伏水稻识别模块和乳熟期倒伏水稻识别模块识别得到的像元进行聚类，形成完整图像。
抽穗期倒伏水稻识别模块和乳熟期倒伏水稻识别模块中的阈值由样本数据统计所得。
精度判断模块，精度判断模块包括：用于获取待识别区创建随机点，对每个随机点进行目视解译识别出是否为倒伏水稻，并与识别结果进行比对，计算混淆矩阵，若混淆矩阵中总体精度优于90％，则满足要求，否则调整阈值，重新计算结果。
以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (8)

1.一种基于遥感影像的倒伏水稻识别方法，其特征在于，包括以下步骤：
S1：影像获取与处理，获取待识别区内发生倒伏后的遥感影像，所述遥感影像包括蓝光、绿光、红光、近红外波段；
S2：计算遥感影像上的NDVI、NDWI、纹理Mean值、RVI；
Figure FDA0002534996140000011
Figure FDA0002534996140000012
Figure FDA0002534996140000013
其中，ρred、ρgreen、ρnir分别为红光波段、绿光波段和近红外波段像元反射率值；
Figure FDA0002534996140000014
其中，P(i，j)表示灰度联合矩阵中第i行j列的元素，μ表示P(i，j)的均值，N为像元个数；
S3：根据图像拍摄日期判断水稻处于抽穗期或者乳熟期；
S4：若图像中的水稻处于抽穗期，则
S41：使用阈值判断NDVI值：T1<NDVI<T2，若条件为否则像元标识为水体或建筑，若条件为真则进行S42判断；
S42：使用阈值判断RVI值：T3<RVI<T4，若条件为否则像元标识为其他绿色植被，若条件为真则进行S43判断；
S43：设定条件ρred>T5且ρnir>T6且(ρred-ρblue)>T7，若条件为否则像元标识为正常水稻，若条件为真则像元标识为倒伏水稻；
S5：若图像中的水稻处于乳熟期，则
S51：使用阈值判断NDVI值：A1<NDVI<A2，若条件为否则像元标识为水体或建筑，若条件为真则进行S52判断；
S52：设定条件NDWI<A3且ρgreen>A4，若条件为否则像元标识为其他绿色植被，若条件为真则进行S53判断；
S53：设定条件ρred>A5且A6>Mean>A7，若条件为否则像元标识为正常水稻，若条件为真则像元标识为倒伏水稻；
S6：将S43和S53识别得到的像元进行聚类，形成完整图像。
2.根据权利要求1所述的基于遥感影像的倒伏水稻识别方法，其特征在于，S4和S5中的阈值由样本数据统计所得。
3.根据权利要求1或2所述的基于遥感影像的倒伏水稻识别方法，其特征在于，纹理Mean值计算过程中的像元个数N为3×3。
4.根据权利要求1-3任一项所述的基于遥感影像的倒伏水稻识别方法，其特征在于，还包括S7步骤，S7步骤包括：获取待识别区创建随机点，对每个随机点进行目视解译识别出是否为倒伏水稻，并与识别结果进行比对，计算混淆矩阵，若混淆矩阵中总体精度优于90％，则满足要求，否则调整阈值，重新计算结果。
5.一种基于遥感影像的倒伏水稻识别装置，其特征在于，包括：
影像获取与处理模块，用于获取待识别区内发生倒伏后的遥感影像，所述遥感影像包括蓝光、绿光、红光、近红外波段；
数据设定模块，用于计算遥感影像上的NDVI、NDWI、纹理Mean值、RVI；
Figure FDA0002534996140000031
其中，ρred、ρgreen、ρnir分别为红光波段、绿光波段和近红外波段像元反射率值；
Figure FDA0002534996140000032
其中，P(i，j)表示灰度联合矩阵中第i行j列的元素，μ表示P(i，j)的均值，N为像元个数；
时期判断模块：用于根据图像拍摄日期判断水稻处于抽穗期或者乳熟期；
抽穗期倒伏水稻识别模块：若图像中的水稻处于抽穗期，则使用阈值判断NDVI值：A1<NDVI<A2，若条件为否则像元标识为水体或建筑，若条件为真则使用阈值判断RVI值：A3<RVI<A4，若条件为否则像元标识为其他绿色植被，若条件为真则设定条件ρred>A5且ρnir>A6且(ρred-ρblue)>A7，若条件为否则像元标识为正常水稻，若条件为真则像元标识为倒伏水稻；
乳熟期倒伏水稻识别模块：若图像中的水稻处于乳熟期，则使用阈值判断NDVI值：T1<NDVI<T2，若条件为否则像元标识为水体或建筑，若条件为真则设定条件NDWI<T3且ρgreen>T4，若条件为否则像元标识为其他绿色植被，若条件为真则设定条件ρred>T5且T6>Mean>T7，若条件为否则像元标识为正常水稻，若条件为真则像元标识为倒伏水稻；
聚类分析模块：将抽穗期倒伏水稻识别模块和乳熟期倒伏水稻识别模块识别得到的像元进行聚类，形成完整图像。
6.根据权利要求5所述的基于遥感影像的倒伏水稻识别装置，其特征在于，抽穗期倒伏水稻识别模块和乳熟期倒伏水稻识别模块中的阈值由样本数据统计所得。
7.根据权利要求5或6所述的基于遥感影像的倒伏水稻识别装置，其特征在于，纹理Mean值计算过程中的像元个数N为3×3。
8.根据权利要求5-7任一项所述的基于遥感影像的倒伏水稻识别装置，其特征在于，还包括精度判断模块，精度判断模块包括：用于获取待识别区创建随机点，对每个随机点进行目视解译识别出是否为倒伏水稻，并与识别结果进行比对，计算混淆矩阵，若混淆矩阵中总体精度优于90％，则满足要求，否则调整阈值，重新计算结果。
CN202010530422.5A 2020-06-11 2020-06-11 基于遥感影像的倒伏水稻识别方法与装置 Active CN111860150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010530422.5A CN111860150B (zh) 2020-06-11 2020-06-11 基于遥感影像的倒伏水稻识别方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010530422.5A CN111860150B (zh) 2020-06-11 2020-06-11 基于遥感影像的倒伏水稻识别方法与装置

Publications (2)

Publication Number Publication Date
CN111860150A true CN111860150A (zh) 2020-10-30
CN111860150B CN111860150B (zh) 2024-01-26

Family

ID=72986125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010530422.5A Active CN111860150B (zh) 2020-06-11 2020-06-11 基于遥感影像的倒伏水稻识别方法与装置

Country Status (1)

Country Link
CN (1) CN111860150B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597855A (zh) * 2020-12-15 2021-04-02 中国农业大学 农作物倒伏程度识别方法及装置
CN112712038A (zh) * 2020-12-31 2021-04-27 武汉珈和科技有限公司 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
CN112766036A (zh) * 2020-12-08 2021-05-07 中科禾信遥感科技（苏州）有限公司 一种倒伏玉米遥感提取方法与装置
CN114076955A (zh) * 2021-09-27 2022-02-22 农业农村部规划设计研究院 一种基于高分一号卫星数据识别倒伏玉米的方法
CN114202691A (zh) * 2021-12-09 2022-03-18 广东省科学院广州地理研究所 基于遥感图像的水稻识别方法、装置以及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480706A (zh) * 2017-07-24 2017-12-15 中国农业大学 一种制种玉米田遥感识别方法及装置
CN108169138A (zh) * 2017-12-18 2018-06-15 扬州大学 一种利用热红外图像的水稻倒伏监测方法
CN108805079A (zh) * 2018-06-12 2018-11-13 中国科学院地理科学与资源研究所 冬小麦的识别方法及装置
CN111007013A (zh) * 2019-11-01 2020-04-14 中科禾信遥感科技（苏州）有限公司 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
CN111060455A (zh) * 2019-11-01 2020-04-24 中科禾信遥感科技（苏州）有限公司 面向东北冷凉区的遥感图像作物标记方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480706A (zh) * 2017-07-24 2017-12-15 中国农业大学 一种制种玉米田遥感识别方法及装置
CN108169138A (zh) * 2017-12-18 2018-06-15 扬州大学 一种利用热红外图像的水稻倒伏监测方法
CN108805079A (zh) * 2018-06-12 2018-11-13 中国科学院地理科学与资源研究所 冬小麦的识别方法及装置
CN111007013A (zh) * 2019-11-01 2020-04-14 中科禾信遥感科技（苏州）有限公司 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
CN111060455A (zh) * 2019-11-01 2020-04-24 中科禾信遥感科技（苏州）有限公司 面向东北冷凉区的遥感图像作物标记方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗明 等: "基于快速设定决策阈值的大范围作物种植分布的遥感监测研究", 《中国农业资源与区划》, pages 27 - 33 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766036A (zh) * 2020-12-08 2021-05-07 中科禾信遥感科技（苏州）有限公司 一种倒伏玉米遥感提取方法与装置
CN112597855A (zh) * 2020-12-15 2021-04-02 中国农业大学 农作物倒伏程度识别方法及装置
CN112597855B (zh) * 2020-12-15 2024-04-16 中国农业大学 农作物倒伏程度识别方法及装置
CN112712038A (zh) * 2020-12-31 2021-04-27 武汉珈和科技有限公司 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
CN112712038B (zh) * 2020-12-31 2024-05-28 武汉珈和科技有限公司 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
CN114076955A (zh) * 2021-09-27 2022-02-22 农业农村部规划设计研究院 一种基于高分一号卫星数据识别倒伏玉米的方法
CN114202691A (zh) * 2021-12-09 2022-03-18 广东省科学院广州地理研究所 基于遥感图像的水稻识别方法、装置以及设备
CN114202691B (zh) * 2021-12-09 2022-10-04 广东省科学院广州地理研究所 基于遥感图像的水稻识别方法、装置以及设备

Also Published As

Publication number Publication date
CN111860150B (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
CN111860150A (zh) 基于遥感影像的倒伏水稻识别方法与装置
CN111091052A (zh) 一种基于最大似然法的玉米倒伏面积提取系统及方法
CN111832518B (zh) 基于时空融合的tsa遥感影像土地利用方法
CN113850139B (zh) 一种基于多源遥感的森林年际物候监测方法
CN112818749B (zh) 一年两熟地区大宗粮油作物复种模式遥感监测方法
CN108764284B (zh) 一种对松树病死木的高分辨率影像的分类去噪方法及系统
CN112766036A (zh) 一种倒伏玉米遥感提取方法与装置
CN111161362A (zh) 一种茶树生长状态光谱影像鉴别方法
Vélez et al. Agronomic classification between vineyards ('Verdejo') using NDVI and Sentinel-2 and evaluation of their wines.
CN116958572B (zh) 一种果树繁育中叶片病虫害区域分析方法
CN112285710A (zh) 一种多源遥感水库蓄水量估算方法与装置
CN112836725A (zh) 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法
CN111242934B (zh) 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法
CN116824384A (zh) 一种基于标准曲线的大豆识别方法
CN114778483A (zh) 用于监测山地的遥感影像近红外波段地形阴影校正方法
CN114581768A (zh) 一种作物倒伏无人机监测方法及装置
Zhou et al. Wheat phenology detection with the methodology of classification based on the time-series UAV images
CN117575953B (zh) 一种高分辨率林业遥感图像细节增强方法
CN110991714A (zh) 一种农作物倒伏灾情监测方法及系统
CN117557897A (zh) 目标农作物的倒伏监测方法、装置、电子设备及存储介质
CN111191543A (zh) 油菜产量估测方法
CN114782843A (zh) 基于无人机多光谱图像融合的作物产量预测方法及系统
CN109141371B (zh) 冬小麦受灾识别方法、装置及设备
CN110399860B (zh) 一种玉米涝灾监测方法及系统
Ding et al. Rice lodging area extraction based on YCbCr spatial and texture features

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