CN111985433B - 一种水稻遥感信息提取方法和系统 - Google Patents

一种水稻遥感信息提取方法和系统 Download PDF

Info

Publication number
CN111985433B
CN111985433B CN202010885243.3A CN202010885243A CN111985433B CN 111985433 B CN111985433 B CN 111985433B CN 202010885243 A CN202010885243 A CN 202010885243A CN 111985433 B CN111985433 B CN 111985433B
Authority
CN
China
Prior art keywords
rice
remote sensing
water body
value
data
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
CN202010885243.3A
Other languages
English (en)
Other versions
CN111985433A (zh
Inventor
李贺
付东杰
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 CN202010885243.3A priority Critical patent/CN111985433B/zh
Publication of CN111985433A publication Critical patent/CN111985433A/zh
Application granted granted Critical
Publication of CN111985433B publication Critical patent/CN111985433B/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
    • G06V20/13—Satellite images
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/30—Noise filtering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Agronomy & Crop Science (AREA)
  • Economics (AREA)
  • Remote Sensing (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种水稻遥感信息提取方法和系统，涉及资源环境研究技术领域，主要解决了如何大区域且高精度地提取水稻信息技术问题。本发明包括：将研究区的SAR遥感数据进行预处理操作；将全球地表水分布中的永久水体数据和预处理后的SAR遥感数据进行分析，提取含有水体信息的潜在分布区域数据；在潜在分布区域数据中剔除永久水体数据，得到潜在水稻区；计算潜在水稻区周年内的水稻物候参数；根据水稻物候参数和预设的水稻物候参数阈值，提取最终的研究区水稻种植区域。因此，本发明借助免费共享的Sentinel‑1时序SAR遥感数据，不受小区域局限，不依赖先验知识或实地样本点，就能进行水稻的准确提取。

Description

一种水稻遥感信息提取方法和系统
技术领域
本发明涉及资源环境研究技术领域，尤其涉及一种水稻遥感信息提取方法和系统。
背景技术
水稻是全球三大主粮之一，虽仅占全球作物耕地面积的12％，但养活了全球近一半的人口(数据来源于FAO 2010)。且水稻在生长过程中处于长期的淹水状态，是全球水资源消耗和甲烷排放的重要汇集地，对于水管理和全球变化具有重要作用。因此，及时、有效地获取水稻分布信息对于可持续的水稻生产、粮食安全、水安全、温室气体排放、环境可持续、以及有效的政策管理和决策支持具有重要作用。
虽然，水稻对粮食安全和全球变化的作用非常显著，但水稻范围及分布信息仍存在很大的不确定性。全球、及大洲尺度的水稻分布信息主要来自于各国的统计数据，无法反映真实水稻的空间分布状态。近年来，随着对地观测技术的不断发展和广泛应用，遥感逐渐成为水稻大区域分布信息提取的主要手段。则水稻遥感信息提取是遥感技术在农业领域应用的重要内容。遥感技术作为地球信息科学的前沿技术，可以在短期内连续获取大范围的地面信息，实现农业信息的快速收集和定量分析，反应迅速，客观性强，是目前最为有效的对地观测技术和信息获取手段。
传统的水稻遥感信息提取主要依赖光学卫星数据，基于单期或多期光学影像，利用监督或非监督分类方法进行水稻识别，这些方法大都需要当地的先验知识或实地样本点，适用范围较小，无法进行大区域扩展。近些年，基于中低分辨率卫星数据的时序植被指数开始应用于水稻提取，但受卫星数据混合像元影响严重，水稻分类精度不高。且水稻大都种植在热带、亚热带多云雨的区域，可利用的光学卫星数据有限，进一步限制了光学卫星数据水稻遥感信息提取的可应用性及推广性。
发明内容
本发明其中一个目的是为了提出一种水稻遥感信息提取方法和系统，解决了现有技术中如何大区域且高精度地提取水稻信息的技术问题。本发明优选实施方案中能够达到诸多有益效果，具体见下文阐述。
为实现上述目的，本发明提供了以下技术方案：
本发明的一种水稻遥感信息提取方法，其特征在于，包括：
将研究区周年内按时序排列的SAR遥感数据进行预处理操作；
将全球地表水分布中的永久水体数据结合预处理后的SAR遥感数据进行计算分析，提取含有水体信息的潜在分布区域数据；
在含有水体信息的潜在分布区域数据中，剔除所述永久水体数据，得到潜在水稻区；
针对所述潜在水稻区计算周年内的水稻物候参数；
根据所述水稻物候参数和预设的水稻物候参数阈值，提取最终的研究区水稻种植区域，并获取研究区水稻空间分布结果。
进一步的，所述预处理操作，包括：轨道纠正操作、边界无效值剔除操作、热噪声去除操作、辐射校正操作、正射校正操作和斑点噪声去除操作；
所述轨道纠正操作，用于更新SAR遥感数据中的轨道元数据，得到纠正后的轨道；
所述边界无效值剔除操作，用于采用GRD边界噪声去除函数，进行边缘噪声的检测及剔除；
所述热噪声去除操作，用于采用热噪声去除函数进行热校正；
所述辐射校正操作，用于将SAR遥感数据中的元数据信息转换成后向散射强度数据；
所述正射校正操作，用于对SAR遥感数据的进行几何变形校正，得到研究区像元的后向散射系数；
所述斑点噪声去除操作，用于过滤掉SAR遥感数据中的斑点噪声。
进一步的，所述将全球地表水分布中的永久水体数据结合预处理后的SAR遥感数据进行计算分析，提取含有水体信息的潜在分布区域数据，包括：
统计在周年内的永久水体像元的后向散射系数，确定永久水体像元的后向散射系数范围；
根据永久水体像元的后向散射系数范围，筛选研究区像元的后向散射系数。
进一步的，所述根据永久水体像元的后向散射系数范围，筛选研究区像元的后向散射系数，包括：
若研究区像元的后向散射系数在永久水体像元的后向散射系数范围内，则判定为含有水体信息的潜在分布区域数据；
若研究区像元的后向散射系数未在永久水体像元的后向散射系数范围内，则剔除。
进一步的，所述水稻物候参数，包括：水稻季开始时间、水稻生长高峰期最大后向散射值的日期、生长季结束时间、营养阶段生长时长和总物候期时长。
进一步的，所述水稻物候参数的计算操作，包括：
所述水稻季开始时间，为在预处理后SAR遥感数据的后向散射系数时序曲线中，二阶导数从零/负值变为正值所处的时间；
所述水稻生长高峰期最大后向散射值的日期，为在预处理后SAR遥感数据的后向散射系数时序曲线中，水稻季开始时间之后，后向散射系数达到最大后向散射值所处的时间；
所述生长季结束时间，为预处理后SAR遥感数据的后向散射系数时序曲线中，水稻生长高峰期最大后向散射值的日期之后，二阶导数从负值变为零值所处，且该点的下三个点值都比该值大，则该值所处的时间；
所述营养阶段生长时长，为水稻季开始时间到水稻生长高峰期最大后向散射值时所用的时长；
所述总物候期时长，为水稻季开始时间到生长季结束所用的时长；
其中，预处理后SAR遥感数据的后向散射系数时序曲线由预处理后的SAR遥感数据所得。
进一步的，所述根据所述水稻物候参数和预设的水稻物候参数阈值，提取最终的研究区水稻种植区域，并获取研究区水稻空间分布结果，包括：
根据水稻生长物候规律，设置所述营养阶段生长时长的阈值为大于40天，所述总物候期时长的阈值为大于等于90天。
进一步的，所述根据所述水稻物候参数和预设的水稻物候参数阈值，提取最终的研究区水稻种植区域，并获取研究区水稻空间分布结果，包括：
研究区水稻物候参数满足所述营养阶段生长时长的阈值和所述总物候期时长的阈值，则研究区像元就为最终的水稻像元，合并水稻像元得到研究区的水稻空间分布结果。
进一步的，所述研究区周年内按时序排列的SAR遥感数据为研究区周年内Sentinel-1时间序列的SAR遥感数据。
本发明还包括一种水稻遥感信息提取系统，其包括：
数据获取模块，用于获取研究区周年内按时序排列的SAR遥感数据，并进行预处理操作；
处理模块，用于将全球地表水分布中的永久水体数据结合预处理后的SAR遥感数据进行计算分析，提取含有水体信息的潜在分布区域数据；在含有水体信息的潜在分布区域数据中，剔除所述永久水体数据，得到潜在水稻区；针对所述潜在水稻区计算周年内的水稻物候参数；
结果模块，根据所述水稻物候参数和预设的水稻物候参数阈值，提取最终的研究区水稻种植区域，并获取研究区水稻空间分布结果。
本发明提供的一种水稻遥感信息提取方法和系统至少具有如下有益技术效果：
本发明水稻遥感信息提取所需的Sentinel-1时序SAR遥感数据和全球地表水分布中的永久水体数据均是全球免费共享数据，且不需要实地野外调查获取样本点就可以进行水稻的准确提取，大大降低了水稻遥感信息提取的成本投入；本发明借助免费共享的高时间和空间分辨率的Sentinel-1时序SAR遥感数据，不受云、雨、雾的影响，适用于各种天气下的水稻信息提取，大大提高了水稻遥感信息提取的区域可用性，且更高的空间分辨率数据大大降低了中、低空间分辨率卫星影像混合像元对水稻遥感信息的错分；本发明不依赖先验知识和研究区野外实地调查样本点，不受各研究区局地条件限制，依靠本发明提供的提取方法和系统，借助免费共享数据就可以直接进行水稻空间分布信息的准确提取，大大提高了该发明的大范围推广性。
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是本发明的水稻遥感信息提取方法的流程示意图；
图2是本发明的一种水稻遥感信息提取方法的另一流程示意图；
图3是周年内永久水体像元的最大和最小值的统计图；
图4是周年内一个潜在水稻区像元的后向散射时序信号图；
图5是本发明的一种水稻遥感信息提取系统的结构示意图。
图中，100-数据获取模块，200-处理模块，300-结果模块。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
参见图1和图2，本发明的一种水稻遥感信息提取方法，其包括如下步骤：
S1：将研究区周年内按时序排列的SAR遥感数据进行预处理操作；
S2：将全球地表水分布中的永久水体数据结合预处理后的SAR遥感数据进行计算分析，提取含有水体信息的潜在分布区域数据；
S3：在含有水体信息的潜在分布区域数据中，剔除所述永久水体数据，得到潜在水稻区；
S4：针对所述潜在水稻区计算周年内的水稻物候参数；
S5：根据所述水稻物候参数和预设的水稻物候参数阈值，提取最终的研究区水稻种植区域，并获取研究区水稻空间分布结果。
优选地，研究区周年内按时序排列的SAR遥感数据为研究区周年内Sentinel-1时间序列的SAR遥感数据。
需要说明的是，SAR遥感数据为SAR影像图，SAR影像图由像元组成，像元值为像元的后向散射系数。
本发明采用的是研究区周年内的Sentinel-1时间序列的SAR遥感数据，此Sentinel-1时间序列的SAR遥感数据是免费的、易获取，且Sentinel-1时序SAR遥感数据具有高空间分辨率，可以大大减少混合像元对水稻遥感信息的错分影响，不受区域局限。本发明将预处理后的SAR遥感数据与永久水体数据结合计算，分析出含有水体信息的潜在分布区域数据；再在含有水体信息的潜在分布区域数据中，剔除所述永久水体数据，得到潜在水稻区；然后针对所述潜在水稻区计算周年内的水稻物候参数；并根据所述水稻物候参数和预设的水稻物候参数阈值，提取最终的研究区水稻种植区域，并获取研究区水稻空间分布结果。本发明不依赖先验知识或实地样本点，就可以直接进行水稻的准确提取，本发明具有数据精确，结果可信度高等特点。
步骤S1中，所述预处理操作，包括：轨道纠正操作、边界无效值剔除操作、热噪声去除操作、辐射校正操作、正射校正操作和斑点噪声去除操作；
所述轨道纠正操作，用于更新SAR遥感数据中的轨道元数据，得到纠正后的轨道；
所述边界无效值剔除操作，用于采用GRD边界噪声去除函数，进行边缘噪声的检测及剔除；
所述热噪声去除操作，用于采用热噪声去除函数进行热校正；
所述辐射校正操作，用于将SAR遥感数据中的元数据信息转换成后向散射强度数据；
所述正射校正操作，用于对SAR遥感数据的进行几何变形校正，得到研究区像元的后向散射系数；
所述斑点噪声去除操作，用于过滤掉SAR遥感数据中的斑点噪声。
需要说明的是，轨道纠正操作主要应用SAR遥感数据中包含的轨道文件，更新轨道元数据，得到纠正后的轨道。
边界无效值剔除操作主要应用GRD边界噪声去除函数，进行边缘噪声的检测及剔除。
热噪声去除操作主要应用热噪声去除函数，该函数使用Setinel-1SAR噪声查找表来对数据进行热校正。
辐射校正操作主要把SAR遥感数据中的元数据信息转换成后向散射强度数据。
正射校正操作主要基于航天飞机雷达地形测绘使命(SRTM)的30米空间分辨率数字高程模型(DEM)产品，进行SAR遥感数据的几何变形校正，得到研究区像元的后向散射系数。
斑点噪声去除操作主要基于各种滤波方法来过滤存在于雷达影像中的斑点噪声，本发明中使用的是高斯滤波进行SAR后向散射系数的平滑滤波。
以上的6个预处理步骤，都可以在谷歌地球引擎(Google Earth Engine，GEE)平台上，直接调用Sentinel-1工具箱的各函数对SAR影像进行预处理，最终得到研究区周年内的所有Sentinel-1时序SAR的VH极化通道的后向散射系数图像数据，和预处理后SAR遥感数据的后向散射系数时序曲线，即平滑去噪的后向散射系数时序曲线。
步骤S2中，所述将全球地表水分布中的永久水体数据结合预处理后的SAR遥感数据进行计算分析，提取含有水体信息的潜在分布区域数据，包括：
统计在周年内的永久水体像元的后向散射系数，确定永久水体像元的后向散射系数范围；
根据永久水体像元的后向散射系数范围，筛选研究区像元的后向散射系数。
进一步的，所述根据永久水体像元的后向散射系数范围，筛选研究区像元的后向散射系数，包括：
若研究区像元的后向散射系数在永久水体像元的后向散射系数范围内，则判定为含有水体信息的潜在分布区域数据；
若研究区像元的后向散射系数未在永久水体像元的后向散射系数范围内，则剔除。
需要解释的是，全球地表水分布数据来自于全球地表水共享网站免费共享数据。例如，该数据集包含1984-2015年总计32年的全球地表水分布数据，该数据集把水体信息分为永久水体、新的永久水体、消失的永久水体、季节性水体、新的季节性水体、消失的季节性水体、季节性水体转换成的永久水体、永久水体转成的季节性水体、短暂的永久水体和短暂的季节性水体，总计10个类型。本发明使用的是该数据集中的永久水体，其类型代表1984-2015年时间段内一直是水体的区域。
S2的具体步骤为：
S21：利用研究区内的永久水体数据，对预处理后的时序SAR遥感数据进行每期的提取，得到周年内所有SAR遥感数据中永久水体像元的后向散射系数结果；
S22：对所有时序数据中永久水体像元的后向散射系数结果的后向散射值的统计计算，最终得到周年内永久水体像元的后向散射最小值a和最大值b，即永久水体像元的后向散射系数范围；
S23：根据永久水体像元的后向散射系数范围，提取预处理后的时序SAR影像的潜在水体分布像元，然后合并得到周年段内的含有水体信息的潜在分布区域数据。
需要说明的是，参见图3，该图3表示周年内，永久水体像元的后向散射系数每个时序的最小值和最大值，最终取周年内整体的永久水体像元的后向散射系数的最小值和最大值。例如，周年内时序只有两期数据，则第一期的数据中，永久水体像元的后向散射系数最小值为-47.3266和最大值为-12.959，第二期的数据中，永久水体像元的后向散射系数最小值为-47.7288和最大值为-21.5926，最终取周年内整体的永久水体像元的后向散射系数的最小值为-47.7288和最大值-12.959。由此可知，永久水体像元的后向散射系数范围是逐渐扩大的，则永久水体像元的后向散射系数范围是包括含有水体信息的潜在分布区域的后向散射系数。
本发明中所得的a为-55.8945和b为-6.8265，故设置大于-55.8945且小于-6.8265内的所有影像像元为潜在水体分布像元，合并各影像的潜在水体分布像元，即得到最终的含有水体信息的潜在分布区域数据。
步骤S3中，在含有水体信息的潜在分布区域数据中，剔除所述永久水体数据，得到潜在水稻区。
需要说明的是，剔除永久水体数据过程，即主要对于含有水体信息的潜在分布区域中，把全球地表水分布数据中获得的永久水体像元剔除掉，即得到潜在的水稻区。
步骤S4中，所述水稻物候参数，包括：水稻季开始时间、水稻生长高峰期最大后向散射值的日期、生长季结束时间、营养阶段生长时长和总物候期时长。
其中，所述水稻物候参数的计算操作，包括：
所述水稻季开始时间，为在预处理后SAR遥感数据的后向散射系数时序曲线中，二阶导数从零/负值变为正值所处的时间；其中，水稻季开始时间主要利用研究区各像元时序曲线的二阶导数进行检测搜索得到；
所述水稻生长高峰期最大后向散射值的日期，为在预处理后SAR遥感数据的后向散射系数时序曲线中，水稻季开始时间之后，后向散射系数达到最大后向散射值所处的时间；其中，水稻生长高峰期最大后向散射值的日期主要利用研究区各像元时序曲线中某一点的下三个点值都比该值小，则该值所处的时间即为水稻生长高峰期最大后向散射值的日期；
所述生长季结束时间，为预处理后SAR遥感数据的后向散射系数时序曲线中，水稻生长高峰期最大后向散射值的日期之后，二阶导数从负值变为零值，且该点的下三个点值都比该值大，则该值所处的时间即为生长季结束时间；
所述营养阶段生长时长，为水稻季开始时间到水稻生长高峰期最大后向散射值时所用的时长；
所述总物候期时长，为水稻季开始时间到生长季结束所用的时长；
其中，预处理后SAR遥感数据的后向散射系数时序曲线由预处理后的SAR遥感数据所得。
需要说明的是，水稻物候参数包括：水稻季开始时间(DBS)、水稻生长高峰期最大后向散射值的日期(DMP)、生长季结束时间(DES)、营养阶段生长时长(LVS)和总物候期时长(LTS)。
在应用中，水稻物候参数的实际具体操作如下：
参见图4，水稻季开始时间(DBS)定义为：在平滑去噪的后向散射系数时序曲线中，按时间顺序查找到的后向散射局地最小所处的时间。在一个曲线中可能存在多个局地最小的情况，依次判断相邻的两个局地最小的间隔时间是否小于50；如果小于50，则只保留后一个的后向散射系数局地最小值，即两个局地最小值间隔时间如果小于50，说明这一段时间的曲线不是水稻，则需要从下一个局地最小值点开始计算，再判断是否是水稻。本实施例中，DBS＝165。
水稻生长高峰期最大后向散射值的日期(DMP)定义为：在平滑去噪的后向散射系数时序曲线中，水稻季开始时间(DBS)之后，后向散射系数达到最大后向散射值所处的时间。本实施例中，DMP＝207。
生长季结束时间(DES)定义为：在平滑去噪的后向散射系数时序曲线中，水稻生长高峰期最大后向散射值的日期(DMP)之后，后向散射系数又达到局地最小值时所处的时间。本实施例中，DES＝273。
营养阶段生长时长(LVS)定义为：水稻季开始时间到水稻生长高峰期最大后向散射值时所用的时长，公式为LVS＝DMP-DBS。本实施例中，LVS＝42。
总物候期时长(LTS)定义为：水稻季开始时间到生长季结束所用的时长，公式为LTS＝DES-DBS。本实施例中，LTS＝108。
步骤S5中，所述根据所述水稻物候参数和预设的水稻物候参数阈值，提取最终的研究区水稻种植区域，并获取研究区水稻空间分布结果，包括：
根据水稻生长物候规律，设置所述营养阶段生长时长的阈值为大于40天，所述总物候期时长的阈值为大于等于90天。
进一步的，所述根据所述水稻物候参数和预设的水稻物候参数阈值，提取最终的研究区水稻种植区域，并获取研究区水稻空间分布结果，还包括：
研究区水稻物候参数满足所述营养阶段生长时长的阈值和所述总物候期时长的阈值，则研究区像元就为最终的水稻像元，合并水稻像元得到研究区的水稻空间分布结果。
需要说明的是，水稻的营养阶段生长时长(LVS)和总物候期时长(LTS)阈值通常需要参考各地的物候特性，例如南方的水稻生长时间在95-110天左右，东北单季节水稻，生长时长在150-180天，三季稻的生长时间为90多天，最小的营养生长时长和物候时间就在40和90。因此，根据一般通用的水稻物候参数阈值，本发明预设营养阶段生长时长(LVS)的阈值大于40天，总物候期时长(LTS)阈值大于等于90天，同时满足这两个条件下的像元为水稻像元，本实施例中，预设LVS＝42且LTS＝108，因此该像元为水稻像元，最后把潜在水稻区的所有像元都以该阈值进行提取，从而可以得到最终的水稻空间分布结果
参见图5，本发明还有一种水稻遥感信息提取系统，其包括：
数据获取模块100，用于获取研究区周年内按时序排列的SAR遥感数据，并进行预处理操作；
处理模块200，用于将全球地表水分布中的永久水体数据结合预处理后的SAR遥感数据进行计算分析，提取含有水体信息的潜在分布区域数据；在含有水体信息的潜在分布区域数据中，剔除所述永久水体数据，得到潜在水稻区；针对所述潜在水稻区计算周年内的水稻物候参数；
结果模块300，根据所述水稻物候参数和预设的水稻物候参数阈值，提取最终的研究区水稻种植区域，并获取研究区水稻空间分布结果。
本发明借助免费共享的高时空分辨率Sentinel-1时序SAR遥感数据，可以避免混合像元对水稻信息的错分影响，且不受云、雨、雾等恶劣天气的影响，不受小区域局限；不依赖先验知识和野外实地调查样本点，直接进行水稻的准确提取，能够得到高精度的水稻空间分布结果，具有方便实用、可信度高的特点。
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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (5)

1.一种水稻遥感信息提取方法，其特征在于，包括：
将研究区周年内按时序排列的SAR遥感数据进行预处理操作；
将全球地表水分布中的永久水体数据结合预处理后的SAR遥感数据进行计算分析，提取含有水体信息的潜在分布区域数据；
在含有水体信息的潜在分布区域数据中，剔除所述永久水体数据，得到潜在水稻区；
针对所述潜在水稻区计算周年内的水稻物候参数；
根据所述水稻物候参数和预设的水稻物候参数阈值，提取最终的研究区水稻种植区域，并获取研究区水稻空间分布结果；
其中，所述预处理操作，包括：轨道纠正操作、边界无效值剔除操作、热噪声去除操作、辐射校正操作、正射校正操作和斑点噪声去除操作；
所述轨道纠正操作，用于更新SAR遥感数据中的轨道元数据，得到纠正后的轨道；
所述边界无效值剔除操作，用于采用GRD边界噪声去除函数，进行边缘噪声的检测及剔除；
所述热噪声去除操作，用于采用热噪声去除函数进行热校正；
所述辐射校正操作，用于将SAR遥感数据中的元数据信息转换成后向散射强度数据；
所述正射校正操作，用于对SAR遥感数据的进行几何变形校正，得到研究区像元的后向散射系数；
所述斑点噪声去除操作，用于过滤掉SAR遥感数据中的斑点噪声；
其中，所述将全球地表水分布中的永久水体数据结合预处理后的SAR遥感数据进行计算分析，提取含有水体信息的潜在分布区域数据，包括：
统计在周年内的永久水体像元的后向散射系数，确定永久水体像元的后向散射系数范围；
根据永久水体像元的后向散射系数范围，筛选研究区像元的后向散射系数；
其中，所述根据永久水体像元的后向散射系数范围，筛选研究区像元的后向散射系数，包括：
若研究区像元的后向散射系数在永久水体像元的后向散射系数范围内，则判定为含有水体信息的潜在分布区域数据；
若研究区像元的后向散射系数未在永久水体像元的后向散射系数范围内，则剔除；
其中，所述水稻物候参数，包括：水稻季开始时间、水稻生长高峰期最大后向散射值的日期、生长季结束时间、营养阶段生长时长和总物候期时长；
其中，所述水稻物候参数的计算操作，包括：
所述水稻季开始时间，为在预处理后SAR遥感数据的后向散射系数时序曲线中，二阶导数从零/负值变为正值所处的时间；
所述水稻生长高峰期最大后向散射值的日期，为在预处理后SAR遥感数据的后向散射系数时序曲线中，水稻季开始时间之后，后向散射系数达到最大后向散射值所处的时间；
所述生长季结束时间，为预处理后SAR遥感数据的后向散射系数时序曲线中，水稻生长高峰期最大后向散射值的日期之后，二阶导数从负值变为零值，且所述二阶导数从负值变为零值的点的下三个点值都比所述二阶导数从负值变为零值点的值大，则所述二阶导数从负值变为零值点的值所处的时间即为生长季结束时间；
所述营养阶段生长时长，为水稻季开始时间到水稻生长高峰期最大后向散射值时所用的时长；
所述总物候期时长，为水稻季开始时间到生长季结束所用的时长；
其中，预处理后SAR遥感数据的后向散射系数时序曲线由预处理后的SAR遥感数据所得。
2.根据权利要求1所述的水稻遥感信息提取方法，其特征在于，所述根据所述水稻物候参数和预设的水稻物候参数阈值，提取最终的研究区水稻种植区域，并获取研究区水稻空间分布结果，包括：
根据水稻生长物候规律，设置所述营养阶段生长时长的阈值为大于40天，所述总物候期时长的阈值为大于等于90天。
3.根据权利要求2所述的水稻遥感信息提取方法，其特征在于，所述根据所述水稻物候参数和预设的水稻物候参数阈值，提取最终的研究区水稻种植区域，并获取研究区水稻空间分布结果，包括：
研究区水稻物候参数满足所述营养阶段生长时长的阈值和所述总物候期时长的阈值，则研究区像元就为最终的水稻像元，合并水稻像元得到研究区的水稻空间分布结果。
4.根据权利要求1所述的水稻遥感信息提取方法，其特征在于，所述研究区周年内按时序排列的SAR遥感数据为研究区周年内Sentinel-1时间序列的SAR遥感数据。
5.一种水稻遥感信息提取系统，其特征在于，包括：
数据获取模块，用于获取研究区周年内按时序排列的SAR遥感数据，并进行预处理操作；
处理模块，用于将全球地表水分布中的永久水体数据结合预处理后的SAR遥感数据进行计算分析，提取含有水体信息的潜在分布区域数据；在含有水体信息的潜在分布区域数据中，剔除所述永久水体数据，得到潜在水稻区；针对所述潜在水稻区计算周年内的水稻物候参数；
结果模块，根据所述水稻物候参数和预设的水稻物候参数阈值，提取最终的研究区水稻种植区域，并获取研究区水稻空间分布结果；
其中，所述预处理操作，包括：轨道纠正操作、边界无效值剔除操作、热噪声去除操作、辐射校正操作、正射校正操作和斑点噪声去除操作；
所述轨道纠正操作，用于更新SAR遥感数据中的轨道元数据，得到纠正后的轨道；
所述边界无效值剔除操作，用于采用GRD边界噪声去除函数，进行边缘噪声的检测及剔除；
所述热噪声去除操作，用于采用热噪声去除函数进行热校正；
所述辐射校正操作，用于将SAR遥感数据中的元数据信息转换成后向散射强度数据；
所述正射校正操作，用于对SAR遥感数据的进行几何变形校正，得到研究区像元的后向散射系数；
所述斑点噪声去除操作，用于过滤掉SAR遥感数据中的斑点噪声；
其中，所述将全球地表水分布中的永久水体数据结合预处理后的SAR遥感数据进行计算分析，提取含有水体信息的潜在分布区域数据，包括：
统计在周年内的永久水体像元的后向散射系数，确定永久水体像元的后向散射系数范围；
根据永久水体像元的后向散射系数范围，筛选研究区像元的后向散射系数；
其中，所述根据永久水体像元的后向散射系数范围，筛选研究区像元的后向散射系数，包括：
若研究区像元的后向散射系数在永久水体像元的后向散射系数范围内，则判定为含有水体信息的潜在分布区域数据；
若研究区像元的后向散射系数未在永久水体像元的后向散射系数范围内，则剔除；
其中，所述水稻物候参数，包括：水稻季开始时间、水稻生长高峰期最大后向散射值的日期、生长季结束时间、营养阶段生长时长和总物候期时长；
其中，所述水稻物候参数的计算操作，包括：
所述水稻季开始时间，为在预处理后SAR遥感数据的后向散射系数时序曲线中，二阶导数从零/负值变为正值所处的时间；
所述水稻生长高峰期最大后向散射值的日期，为在预处理后SAR遥感数据的后向散射系数时序曲线中，水稻季开始时间之后，后向散射系数达到最大后向散射值所处的时间；
所述生长季结束时间，为预处理后SAR遥感数据的后向散射系数时序曲线中，水稻生长高峰期最大后向散射值的日期之后，二阶导数从负值变为零值，且所述二阶导数从负值变为零值的点的下三个点值都比所述二阶导数从负值变为零值的值大，则所述二阶导数从负值变为零值所处的时间即为生长季结束时间；
所述营养阶段生长时长，为水稻季开始时间到水稻生长高峰期最大后向散射值时所用的时长；
所述总物候期时长，为水稻季开始时间到生长季结束所用的时长；
其中，预处理后SAR遥感数据的后向散射系数时序曲线由预处理后的SAR遥感数据所得。
CN202010885243.3A 2020-08-28 2020-08-28 一种水稻遥感信息提取方法和系统 Active CN111985433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010885243.3A CN111985433B (zh) 2020-08-28 2020-08-28 一种水稻遥感信息提取方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010885243.3A CN111985433B (zh) 2020-08-28 2020-08-28 一种水稻遥感信息提取方法和系统

Publications (2)

Publication Number Publication Date
CN111985433A CN111985433A (zh) 2020-11-24
CN111985433B true CN111985433B (zh) 2023-01-20

Family

ID=73441034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010885243.3A Active CN111985433B (zh) 2020-08-28 2020-08-28 一种水稻遥感信息提取方法和系统

Country Status (1)

Country Link
CN (1) CN111985433B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114821362B (zh) * 2022-07-01 2022-09-23 江苏省水利科学研究院 一种基于多源数据的水稻种植面积提取方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105758806A (zh) * 2016-02-04 2016-07-13 中国农业科学院农业资源与农业区划研究所 基于光谱特征的地膜覆盖农田遥感监测方法
CN110688990A (zh) * 2019-10-31 2020-01-14 中国科学院地理科学与资源研究所 一种水稻种植候选区确定方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5369282B2 (ja) * 2008-11-14 2013-12-18 株式会社パスコ 植生生育状況解析方法、プログラムおよび植生生育状況解析装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105758806A (zh) * 2016-02-04 2016-07-13 中国农业科学院农业资源与农业区划研究所 基于光谱特征的地膜覆盖农田遥感监测方法
CN110688990A (zh) * 2019-10-31 2020-01-14 中国科学院地理科学与资源研究所 一种水稻种植候选区确定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Sentinel-1数据时序特征的热带地区水稻种植结构提取方法;黄翀等;《农业工程学报》;20200508(第09期);全文 *

Also Published As

Publication number Publication date
CN111985433A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN108921885B (zh) 一种综合三类数据源联合反演森林地上生物量的方法
CN106780091B (zh) 基于植被指数时空间统计特征的农业灾害信息遥感提取方法
Brandt et al. Woody plant cover estimation in drylands from Earth Observation based seasonal metrics
CN109919875B (zh) 一种高时频遥感图像特征辅助的居民地提取与分类方法
Sun et al. Classification mapping and species identification of salt marshes based on a short-time interval NDVI time-series from HJ-1 optical imagery
Wohlfart et al. Multi-faceted land cover and land use change analyses in the Yellow River Basin based on dense Landsat time series: Exemplary analysis in mining, agriculture, forest, and urban areas
Liu et al. Large-scale crop mapping from multisource remote sensing images in google earth engine
Behrangi et al. Daytime precipitation estimation using bispectral cloud classification system
CN114387516B (zh) 一种针对复杂地形环境下中小田块的单季稻sar识别方法
Zhang et al. An automated early-season method to map winter wheat using time-series Sentinel-2 data: A case study of Shandong, China
CN111985433B (zh) 一种水稻遥感信息提取方法和系统
CN113392759B (zh) 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法
Du et al. Agricultural land abandonment and retirement mapping in the Northern China crop-pasture band using temporal consistency check and trajectory-based change detection approach
Sun et al. Decameter cropland LAI/FPAR estimation from sentinel-2 imagery using google earth engine
CN114627087B (zh) 一种多时相卫星遥感图像的地物变化自动检测方法及系统
Pang et al. Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery
Zhang et al. Mapping the agricultural land use of the North China Plain in 2002 and 2012
CN112526515A (zh) 一种基于合成孔径雷达干涉测量技术的地表形变检测方法
Cihlar et al. From need to product: a methodology for completing a land cover map of Canada with Landsat data
Qin et al. Reconstruction of 60-year (1961–2020) surface air temperature on the Tibetan Plateau by fusing MODIS and ERA5 temperatures
CN117765387A (zh) 一种适用于复杂环境的耕地非粮化遥感监测方法
CN104778469B (zh) 一种太阳轮廓的自动提取方法
Xu et al. Crop discrimination in shandong province based on phenology analysis of multi-year time series
Zhang et al. Spatial-Temporal Variation of Surface Roughness and Its Effect on the Wind Fields in the Beijing-Tianjin-Hebei Region during 2007–2011
Jagtap et al. Time Series Analysis of Urban Expansion Using Land-Use and Land-Cover Change Detection of LANDSAT Imagery for Pune District of Maharashtra

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