CN111950361B - 基于单时序ndvi的甜菜识别方法、系统、设备、介质及终端 - Google Patents
基于单时序ndvi的甜菜识别方法、系统、设备、介质及终端 Download PDFInfo
- Publication number
- CN111950361B CN111950361B CN202010645297.2A CN202010645297A CN111950361B CN 111950361 B CN111950361 B CN 111950361B CN 202010645297 A CN202010645297 A CN 202010645297A CN 111950361 B CN111950361 B CN 111950361B
- Authority
- CN
- China
- Prior art keywords
- beet
- ndvi
- classification
- time
- identification
- 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
- 235000016068 Berberis vulgaris Nutrition 0.000 title claims abstract description 133
- 241000335053 Beta vulgaris Species 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000011160 research Methods 0.000 claims abstract description 52
- 238000012216 screening Methods 0.000 claims abstract description 24
- 230000001186 cumulative effect Effects 0.000 claims abstract description 23
- 238000007637 random forest analysis Methods 0.000 claims abstract description 20
- 230000003595 spectral effect Effects 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000007619 statistical method Methods 0.000 claims abstract description 9
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 claims description 28
- 235000021536 Sugar beet Nutrition 0.000 claims description 28
- 240000008042 Zea mays Species 0.000 claims description 10
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 10
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 10
- 235000005822 corn Nutrition 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000011835 investigation Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- CZMRCDWAGMRECN-UHFFFAOYSA-N Rohrzucker Natural products OCC1OC(CO)(OC2OC(CO)C(O)C(O)C2O)C(O)C1O CZMRCDWAGMRECN-UHFFFAOYSA-N 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000003967 crop rotation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 208000015181 infectious disease Diseases 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
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Abstract
本发明属于遥感影像识别技术领域,公开了一种基于单时序NDVI的甜菜识别方法,获取含有近红外波段、红光波段以及遥感影像数据;同时筛选农作物的光谱特征,找出甜菜光谱特征值最明显的时期,做单时序NDVI反演分析;对所有甜菜地块的海拔和坡度信息统计分析;以单时序的遥感数据做基础数据,将获取的GPS坐标信息导入影像,使用监督分类法进行分类,采用随机森林分类器对研究区的甜菜进行识别形成识别结果图;对单时序NDVI影像数据进行累积统计,确定作物分类的下限和上限阈值;通过分类树法将海拔、坡度和随机森林分类器的初步分类阈值作为筛选条件。本发明最大程度上提高甜菜识别率。
Description
技术领域
本发明属于遥感影像识别技术领域,尤其涉及一种基于单时序NDVI的甜菜识别方法。
背景技术
甜菜是我国第二大产糖作物,是北方地区重要的经济作物。赤峰是内蒙古自治区主要的甜菜产区之一,主要栽培作物为玉米和甜菜。受玉米价格持续低迷影响,一些玉米主产区大力发展甜菜种植,收益显著。在国家宏观农业调减玉米种植的大背景下,甜菜是非常好的替代作物之一。甜菜已成为北方唯一常年实施保价收购的大宗农产品,甜菜制糖业全部实现了订单种植,并且顺带解决就业和带动当地服务业、运输业以及地方农业机械合作社的发展。甜菜已经成为农户耕作目标的首选,也是贫困地区脱贫攻坚的重要选择。赤峰市林西县通过甜菜富民的模式已经成功完成脱贫任务,这也成为了自治区脱贫攻坚的成功案例。
甜菜亩产经济效益高,种植收获全程机械化程度高,是农机合作社模式下大面积种植管理的潜力作物品种。但是甜菜产业的发展也存在一定的问题。褐斑病是甜菜最常见的病害,其主要的传播途径是病菌以菌丝团在种球或病残体上越冬,在第二年成为初侵染源。在春季温湿度适宜的环境中产生分生孢子,如果防治措施不及时在七月中下旬至八月上旬爆发,会严重影响甜菜的产质量,不但使甜菜块根含糖率下降,而且会减产20%以上,甚至绝收。其最有效的防治措施是收获后及时清除病残体,集中烧毁或沤肥,国家出台的甜菜种植技术指导说明建议实行4年以上的轮作,并与上一年甜菜地保持500米以上的距离。
但是由于甜菜收益高以及农户对连续种植甜菜的潜在危害认识不足等原因,很多农户会在自己的大田中连续两年甚至三年种植。这不仅导致农户管理成本上升,还极大的增加了病害发生的风险,降低了甜菜的产质量,降低糖厂的生产效益,最终对整个甜菜制糖业造成负面影响。传统依靠农务员实地调查统计甜菜地块不但耗费大量的人力物力且时效性不高。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有技术存在农户管理成本上升,极大的增加了病害发生的风险,降低了甜菜的产质量,降低糖厂的生产效益,最终对整个甜菜制糖业造成负面影响。
(2)传统依靠农务员实地调查统计甜菜地块不但耗费大量的人力物力且时效性不高。
解决以上问题及缺陷的难度为:
(1)遥感数据收集,目前没有基于遥感卫星数据甜菜识别的相关研究,所有数据需要逐月进行收集,以找出最佳的识别时期;
(2)遥感地物识别存在异物同谱的问题,即不同的地物的光谱特征相同,这种现象降低了甜菜的识别精度;
(3)需要大量的数据进行样本训练,样本量越多精度越高。
解决以上问题及缺陷的意义为:
(1)通过遥感技术手段进行甜菜识别可以降低农务员的压力,提高调查效率;
(2)遥感技术具有追溯性,避免了农民为追求经济利益瞒报地块种植的情况;
(3)通过加入坡度、坡向、海拔等参数提供了对甜菜识别的精度。
发明内容
针对现有技术存在的问题,本发明提供了一种基于单时序NDVI的甜菜识别方法。
本发明是这样实现的,一种基于单时序NDVI的甜菜识别方法,其特征在于,所述基于单时序NDVI的甜菜识别方法包括:
通过欧航局获取含有近红外波段、红光波段和可见光波段的哨兵-2遥感卫星影像数据,利用ENVI软件对影像进行辐射定标、大气校正和NDVI计算;筛选甜菜全生育时期内甜菜和其它研究区主栽农作物的NDVI值特征,找出甜菜NDVI与其它主栽农作物差距最明显的时期,进一步进行分析;
将农务员在研究区甜菜地块内标记的GPS坐标信息导入到裁剪好的海拔和坡度数据中,对所有甜菜地块的海拔和坡度信息统计分析;
以单时序的遥感数据做基础数据,将获取的GPS坐标信息导入影像,先通过监督分类法对研究区甜菜和其它主栽农作物进行分类,分析出150个地块作为训练样本,将训练样本导入随机森林分类器,分析甜菜和其它主栽农作物的NDVI阈值范围,并通过非监督分类法对研究区的甜菜进行识别,初步形成甜菜识别结果图;
对单时序NDVI影像数据进行累积统计,确定作物分类的下限和上限阈值,用于进一步分类;
通过分类树法将海拔、坡度和随机森林分类器的初步分类阈值作为筛选条件。
进一步,所述基于单时序NDVI的甜菜识别方法获取含有近红外波段、红光波段以及有3个近红外波段的遥感影像数据-哨兵-2A/B卫星数据。
进一步,所述基于单时序NDVI的甜菜识别方法同时筛选甜菜全生育时期5月至10月内甜菜和其它研究区主栽农作物的光谱特征。
进一步,所述基于单时序NDVI的甜菜识别方法利用研究区的SHP边界文件提取研究区的海拔和坡度数据,空间分辨率为30米,研究区甜菜种植在海拔低于2500米,坡度小于13度的地区。
进一步,所述基于单时序NDVI的甜菜识别方法使用监督分类法对研究区甜菜和其它主栽作物地被物进行分类,将研究区地被物分为三类:甜菜、玉米和城镇及其它,每种地物分类获取50个样地作为样本数据。
进一步,所述基于单时序NDVI的甜菜识别方法对单时序NDVI影像数据进行累积统计,以像元数量累积占比5%和像元数量累积占比95%为作物分类的下限和上限阈值,用于进一步分类。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
获取含有近红外波段、红光波段以及遥感影像数据;同时筛选甜菜全生育时期内甜菜和其它研究区主栽农作物的光谱特征,找出甜菜光谱特征值最明显的时期,做单时序NDVI反演分析;
在确认的GPS坐标信息导入到裁剪好的海拔和坡度数据中,对所有甜菜地块的海拔和坡度信息统计分析;
以单时序的遥感数据做基础数据,将获取的GPS坐标信息导入影像,使用监督分类法对研究区甜菜和其它主栽作物地被物进行分类,采用随机森林分类器对研究区的甜菜进行识别,初步形成甜菜识别结果图;
对单时序NDVI影像数据进行累积统计,确定作物分类的下限和上限阈值,用于进一步分类;
通过分类树法将海拔、坡度和随机森林分类器的初步分类阈值作为筛选条件。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
获取含有近红外波段、红光波段以及遥感影像数据;同时筛选甜菜全生育时期内甜菜和其它研究区主栽农作物的光谱特征,找出甜菜光谱特征值最明显的时期,做单时序NDVI反演分析;
在确认的GPS坐标信息导入到裁剪好的海拔和坡度数据中,对所有甜菜地块的海拔和坡度信息统计分析;
以单时序的遥感数据做基础数据,将获取的GPS坐标信息导入影像,使用监督分类法对研究区甜菜和其它主栽作物地被物进行分类,采用随机森林分类器对研究区的甜菜进行识别,初步形成甜菜识别结果图;
对单时序NDVI影像数据进行累积统计,确定作物分类的下限和上限阈值,用于进一步分类;
通过分类树法将海拔、坡度和随机森林分类器的初步分类阈值作为筛选条件。
本发明的另一目的在于提供一种实施所述基于单时序NDVI的甜菜识别方法的基于单时序NDVI的甜菜识别系统,所述基于单时序NDVI的甜菜识别系统包括:
单时序NDVI反演分析模块,用于获取含有近红外波段、红光波段以及遥感影像数据;同时筛选甜菜全生育时期内甜菜和其它研究区主栽农作物的光谱特征,找出甜菜光谱特征值最明显的时期,做单时序NDVI反演分析;
海拔和坡度数据处理模块,用于在确认的GPS坐标信息导入到裁剪好的海拔和坡度数据中,对所有甜菜地块的海拔和坡度信息统计分析;
识别结果输出模块,用于以单时序的遥感数据做基础数据,将获取的GPS坐标信息导入影像,使用监督分类法对研究区甜菜和其它主栽作物地被物进行分类,采用随机森林分类器对研究区的甜菜进行识别,初步形成甜菜识别结果图;
作物分类模块,用于对单时序NDVI影像数据进行累积统计,以像元数量累积占比5%和像元数量累积占比95%为作物分类的下限和上限阈值,用于进一步分类;
筛选条件确定模块,用于通过分类树法将海拔、坡度和随机森林分类器的初步分类阈值作为筛选条件。
本发明的另一目的在于提供一种遥感影像识别终端,所述遥感影像识别终端搭载所述的基于单时序NDVI的甜菜识别系统。
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:本发明为提高识别精度,最大限度的降低“同谱异物”(即不同的地被物但是其光谱反射特征相似或相同的现象)造成的识别误差本发明通过分类树法将上述海拔、坡度和随机森林分类器的初步分类阈值作为筛选条件,进一步提高甜菜识别的准确度。
目前,归一化植被指数(Normalized Difference Vegetation Index,NDVI)数据广泛应用于农作物分类,这种方法可以很好的反映植被物候信息。本发明的方法选择的单时序的时间点是经过专家组讨论和实验研究后确定的。甜菜的生育周期长,在7月中旬刚刚封垄,甜菜病害较少(褐斑病一般在7月下旬至8月上旬爆发),并且相较于研究区同时期的另一主栽作物玉米叶色更亮,选择这一时期对甜菜进行识别,最大程度的保证了识别的精度。同时为降低其他地被物如草地、森林等与甜菜产生“同谱异物”的现象,结合甜菜生长的海拔和坡度特性,进一步降低分类误差,提高分类精度。
本发明提出了一种基于单时序NDVI与海拔、坡度的甜菜识别方法,充分利用了不同生育时期甜菜的光谱特征和甜菜种植方式特点和生理特性,最大程度上提高甜菜识别率,为甜菜的遥感识别提供了新的研究思路。本发明可以最大程度的降低“同谱异物”产生的分类误差,提高分类精度;充分利用甜菜和研究区主栽的玉米的生理和栽培特性,有效的提升了甜菜的识别精度。
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基于单时序NDVI的甜菜识别方法流程图。
图2是本发明实施例提供的基于单时序NDVI的甜菜识别系统的结构示意图;
图中:1、单时序NDVI反演分析模块;2、海拔和坡度数据处理模块;3、识别结果输出模块;4、作物分类模块;5、筛选条件确定模块。
图3是本发明实施例提供的基于单时序NDVI的甜菜识别方法实现流程图。
图4至图11是本发明实施例提供的分类结果示意图。
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,本发明提供了一种基于单时序NDVI的甜菜识别方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的基于单时序NDVI的甜菜识别方法包括以下步骤:
S101:获取含有近红外波段、红光波段以及目前为止唯一有3个近红外波段的遥感影像数据-哨兵-2A/B卫星数据;同时筛选甜菜全生育时期(5月至10月)内甜菜和其它研究区主栽农作物的光谱特征,找出甜菜光谱特征值最明显的时期,做单时序NDVI反演分析;
S102:利用研究区的SHP边界文件提取研究区的海拔和坡度数据(空间分辨率为30米),将农务员在研究区逐个地块确认的GPS坐标信息导入到裁剪好的海拔和坡度数据中,对所有甜菜地块的海拔和坡度信息统计分析,结合农村农业部发布的《甜菜种植指导意见》和国家甜菜产业体系栽培生理岗位专家张少英教授的指导信息,研究区甜菜主要种植在海拔低于2500米,坡度小于13度的地区;
S103:以单时序的遥感数据做基础数据,将农务员获取的GPS坐标信息导入影像,使用监督分类法对研究区甜菜和其它主栽作物地被物进行分类,最终将研究区地被物分为三类:甜菜、玉米和城镇及其它,每种地物分类获取50个样地作为样本数据,采用随机森林分类器对研究区的甜菜进行识别,初步形成甜菜识别结果图;
S104:对步骤S101中的单时序NDVI影像数据进行累积统计,以像元数量累积占比5%和像元数量累积占比95%为作物分类的下限和上限阈值,用于进一步分类;
S105:通过分类树法将海拔、坡度和随机森林分类器的初步分类阈值作为筛选条件。
本发明提供的基于单时序NDVI的甜菜识别方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的基于单时序NDVI的甜菜识别方法仅仅是一个具体实施例而已。
如图2所示,本发明提供的基于单时序NDVI的甜菜识别系统包括:
单时序NDVI反演分析模块1,用于获取含有近红外波段、红光波段以及遥感影像数据;同时筛选甜菜全生育时期内甜菜和其它研究区主栽农作物的光谱特征,找出甜菜光谱特征值最明显的时期,做单时序NDVI反演分析;
海拔和坡度数据处理模块2,用于在确认的GPS坐标信息导入到裁剪好的海拔和坡度数据中,对所有甜菜地块的海拔和坡度信息统计分析;
识别结果输出模块3,用于以单时序的遥感数据做基础数据,将获取的GPS坐标信息导入影像,使用监督分类法对研究区甜菜和其它主栽作物地被物进行分类,采用随机森林分类器对研究区的甜菜进行识别,初步形成甜菜识别结果图;
作物分类模块4,用于对单时序NDVI影像数据进行累积统计,以像元数量累积占比5%和像元数量累积占比95%为作物分类的下限和上限阈值,用于进一步分类;
筛选条件确定模块5,用于通过分类树法将海拔、坡度和随机森林分类器的初步分类阈值作为筛选条件。
下面结合附图对本发明的技术方案作进一步的描述。
如图3所示,本发明提供的基于单时序NDVI的甜菜识别方法包括以下步骤:
步骤一:以赤峰市喀喇沁旗为研究区,识别目标作物为甜菜,其它分类有主栽作物玉米和城镇及其它。获取了覆盖研究区2019年5月至10月期间的哨兵2-A/B卫星影像(4天一景),通过专家组评审结合甜菜生理特性,筛选出7月中旬和9月下旬两景影像,并提取NDVI。NDVI计算方法如下:
式中,NIR表示近红外波段反射率,R表示红光波段反射率。
步骤二:利用研究区的SHP文件裁剪生成30米空间分辨率的海拔和坡度栅格数据,筛选出海拔低于2500米和坡度小于13度的地区。
步骤三:以农务员获取的GPS数据作为基础数据,三个地被物均选择50个样本作为训练样本数据输入,采用随机森林分类器对研究区的甜菜进行识别,形成分类结果图(图4-图11)和分类结果(表1和表2)。
步骤四:利用正态分布原理,筛选满足三种地被物分类5%至95%累积像元个数的NDVI值作为分类树阈值做进一步的分类,从遥感影像中随机选择10个样本点进行现场调查,甜菜识别精度达到100%。
表1
表2
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
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 (8)
1.一种基于单时序NDVI的甜菜识别方法,其特征在于,所述基于单时序NDVI的甜菜识别方法包括:
通过欧航局获取含有近红外波段、红光波段和可见光波段的哨兵-2遥感卫星影像数据,利用ENVI软件对影像进行辐射定标、大气校正和NDVI计算;筛选甜菜全生育时期内甜菜和其它研究区主栽农作物的NDVI值特征,找出甜菜NDVI与其它主栽农作物差距最明显的时期,进一步进行分析;
将农务员在研究区甜菜地块内标记的GPS坐标信息导入到裁剪好的海拔和坡度数据中,对所有甜菜地块的海拔和坡度信息统计分析;
以单时序的遥感数据做基础数据,将获取的GPS坐标信息导入影像,先通过监督分类法对研究区甜菜和其它主栽农作物进行分类,分析出150个地块作为训练样本,将训练样本导入随机森林分类器,分析甜菜和其它主栽农作物的NDVI阈值范围,并通过非监督分类法对研究区的甜菜进行识别,初步形成甜菜识别结果图;
对单时序NDVI影像数据进行累积统计,确定作物分类的下限和上限阈值,用于进一步分类;
通过分类树法将海拔、坡度和随机森林分类器的初步分类阈值作为筛选条件;
所述基于单时序NDVI的甜菜识别方法获取含有近红外波段、红光波段以及有3个近红外波段的遥感影像数据-哨兵-2A/B卫星数据;
所述基于单时序NDVI的甜菜识别方法同时筛选甜菜全生育时期5月至10月内甜菜和其它研究区主栽农作物的光谱特征。
2.如权利要求1所述的基于单时序NDVI的甜菜识别方法,其特征在于,所述基于单时序NDVI的甜菜识别方法利用研究区的SHP边界文件提取研究区的海拔和坡度数据,空间分辨率为30米,研究区甜菜种植在海拔低于2500米,坡度小于13度的地区。
3.如权利要求1所述的基于单时序NDVI的甜菜识别方法,其特征在于,所述基于单时序NDVI的甜菜识别方法使用监督分类法对研究区甜菜和其它主栽作物地被物进行分类,将研究区地被物分为三类:甜菜、玉米和城镇及其它,每种地被物分类获取50个样地作为样本数据。
4.如权利要求1所述的基于单时序NDVI的甜菜识别方法,其特征在于,所述基于单时序NDVI的甜菜识别方法对单时序NDVI影像数据进行累积统计,以像元数量累积占比5%和像元数量累积占比95%为作物分类的下限和上限阈值,用于进一步分类。
5.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1~4任意一项所述的基于单时序NDVI的甜菜识别方法。
6.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~4任意一项所述的基于单时序NDVI的甜菜识别方法。
7.一种实施权利要求1~4任意一项所述基于单时序NDVI的甜菜识别方法的基于单时序NDVI的甜菜识别系统,其特征在于,所述基于单时序NDVI的甜菜识别系统包括:
单时序NDVI反演分析模块,用于获取含有近红外波段、红光波段以及遥感影像数据;同时筛选甜菜全生育时期内甜菜和其它研究区主栽农作物的光谱特征,找出甜菜光谱特征值最明显的时期,做单时序NDVI反演分析;
海拔和坡度数据处理模块,用于在确认的GPS坐标信息导入到裁剪好的海拔和坡度数据中,对所有甜菜地块的海拔和坡度信息统计分析;
识别结果输出模块,用于以单时序的遥感数据做基础数据,将获取的GPS坐标信息导入影像,使用监督分类法对研究区甜菜和其它主栽作物地被物进行分类,采用随机森林分类器对研究区的甜菜进行识别,初步形成甜菜识别结果图;
作物分类模块,用于对单时序NDVI影像数据进行累积统计,以像元数量累积占比5%和像元数量累积占比95%为作物分类的下限和上限阈值,用于进一步分类;
筛选条件确定模块,用于通过分类树法将海拔、坡度和随机森林分类器的初步分类阈值作为筛选条件。
8.一种遥感影像识别终端,其特征在于,所述遥感影像识别终端搭载权利要求7所述的基于单时序NDVI的甜菜识别系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010645297.2A CN111950361B (zh) | 2020-07-07 | 2020-07-07 | 基于单时序ndvi的甜菜识别方法、系统、设备、介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010645297.2A CN111950361B (zh) | 2020-07-07 | 2020-07-07 | 基于单时序ndvi的甜菜识别方法、系统、设备、介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950361A CN111950361A (zh) | 2020-11-17 |
CN111950361B true CN111950361B (zh) | 2022-09-20 |
Family
ID=73341783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010645297.2A Active CN111950361B (zh) | 2020-07-07 | 2020-07-07 | 基于单时序ndvi的甜菜识别方法、系统、设备、介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950361B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076506B (zh) * | 2021-03-23 | 2023-06-09 | 北京师范大学 | 一种基于水质净化和生态节水相结合调控湿地ndvi的方法 |
CN113642464B (zh) * | 2021-08-13 | 2023-09-15 | 福州大学 | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010166851A (ja) * | 2009-01-22 | 2010-08-05 | Chiharu Hongo | 作物の収量予測方法及びその装置 |
CN107330413A (zh) * | 2017-07-06 | 2017-11-07 | 中国科学院遥感与数字地球研究所 | 一种基于遥感技术的毒品原植物识别方法 |
CN109613531A (zh) * | 2019-01-07 | 2019-04-12 | 北方工业大学 | 一种微变感知预警雷达的多阈值优化形变反演方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10185790B2 (en) * | 2015-01-23 | 2019-01-22 | Clearag, Inc. | Modeling of crop growth for desired moisture content of targeted livestock feedstuff for determination of harvest windows using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states |
US10586105B2 (en) * | 2016-12-30 | 2020-03-10 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
CN106971156A (zh) * | 2017-03-22 | 2017-07-21 | 中国地质科学院矿产资源研究所 | 一种基于面向对象分类的稀土开采区遥感信息提取方法 |
CN110119717A (zh) * | 2019-05-15 | 2019-08-13 | 中国科学院遥感与数字地球研究所 | 一种基于时序ndvi与lst的农作物分类方法 |
CN111060455B (zh) * | 2019-11-01 | 2022-03-08 | 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 |
-
2020
- 2020-07-07 CN CN202010645297.2A patent/CN111950361B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010166851A (ja) * | 2009-01-22 | 2010-08-05 | Chiharu Hongo | 作物の収量予測方法及びその装置 |
CN107330413A (zh) * | 2017-07-06 | 2017-11-07 | 中国科学院遥感与数字地球研究所 | 一种基于遥感技术的毒品原植物识别方法 |
CN109613531A (zh) * | 2019-01-07 | 2019-04-12 | 北方工业大学 | 一种微变感知预警雷达的多阈值优化形变反演方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于GF-1卫星遥感数据识别京津冀冬小麦面积;王利民等;《作物学报》;20180126(第05期);第762-773页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111950361A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Som-Ard et al. | Remote sensing applications in sugarcane cultivation: A review | |
Panda et al. | Remote sensing and geospatial technological applications for site-specific management of fruit and nut crops: A review | |
Sangbamrung et al. | A novel automatic method for cassava disease classification using deep learning | |
CN111950361B (zh) | 基于单时序ndvi的甜菜识别方法、系统、设备、介质及终端 | |
Li et al. | Improvement Of In-season Crop Mapping For Illinois Cropland Using Multiple Machine Learning Classifiers | |
Yuan et al. | Early prediction of soybean traits through color and texture features of canopy RGB imagery | |
CN111345214A (zh) | 一种基于卫星影像数据的新疆棉花区域识别方法及系统 | |
Zheng et al. | High-resolution map of sugarcane cultivation in Brazil using a phenology-based method | |
Qadri et al. | Machine vision approach for classification of rice varieties using texture features | |
CN115456476A (zh) | 一种基于机器视觉的国土空间规划数据采集分析系统 | |
Bhuyar et al. | Crop classification with multi-temporal satellite image data | |
Ariza-Sentís et al. | Dataset on UAV RGB videos acquired over a vineyard including bunch labels for object detection and tracking | |
Uribeetxebarria et al. | A first approach to determine if it is possible to delineate in-season n fertilization maps for wheat using NDVI derived from sentinel-2 | |
Faye et al. | Mango Diseases Classification Solutions Using Machine Learning or Deep Learning: A Review | |
Zualkernan et al. | Machine Learning for Precision Agriculture Using Imagery from Unmanned Aerial Vehicles (UAVs): A Survey | |
Mueller-Warrant et al. | Methods for improving accuracy and extending results beyond periods covered by traditional ground-truth in remote sensing classification of a complex landscape | |
Nacouzi et al. | Quality and phytochemical composition of sweet cherry cultivars can be influenced by altitude | |
Villalobos-Soublett et al. | Effect of shading nets on yield, leaf biomass and petiole nutrients of a Muscat of Alexandria vineyard growing under hyper-arid conditions | |
Tacconi et al. | Farm diversification strategies, dietary diversity and farm size: Results from a cross-country sample in South and Southeast Asia | |
Peerbhay et al. | Can remote sensing detect, monitor and track baboon-damaged Pinus plantations located in South Africa? | |
Duan et al. | Mapping saffron fields and their ages with Sentinel-2 time series in north-east Iran | |
CN116524225A (zh) | 一种基于多源遥感数据的作物分类方法及系统 | |
CN115861844A (zh) | 一种基于种植概率的水稻早期遥感识别方法 | |
Rahman et al. | Potential of Time-Series Sentinel 2 Data for Monitoring Avocado Crop Phenology | |
Kavithamani et al. | Investigation of Deep learning for whitefly identification in coconut tree leaves |
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 |