CN112101256A - 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 - Google Patents
基于云平台的耦合主被动遥感影像的大蒜作物识别方法 Download PDFInfo
- Publication number
- CN112101256A CN112101256A CN202010995102.7A CN202010995102A CN112101256A CN 112101256 A CN112101256 A CN 112101256A CN 202010995102 A CN202010995102 A CN 202010995102A CN 112101256 A CN112101256 A CN 112101256A
- Authority
- CN
- China
- Prior art keywords
- garlic
- image
- ndvi
- pixel
- crop
- 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
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
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9094—Theoretical aspects
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Electromagnetism (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于云平台的耦合主被动遥感影像的大蒜作物识别方法,其步骤为:首先,基于大蒜物候特征获得光学卫星遥感影像,并结合大蒜的地理坐标信息构建大蒜光学影像识别决策树模型,进而得到大蒜光学分布图;其次,基于合成孔径雷达卫星获得大蒜、冬小麦的雷达影像特征,并结合大蒜的地理坐标信息构建大蒜雷达影像识别决策树模型,进而得到大蒜雷达分布图;最后,对大蒜光学分布图、大蒜雷达分布图进行耦合,即选取两种分布图的交集,完成大蒜遥感识别制图。本发明综合利用了光学卫星影像和合成孔径雷达影像的优势,解决了大蒜与冬小麦不易区分的技术难题,实现了基于云平台的地理空间大区域尺度上大蒜分布遥感精准自动识别。
Description
技术领域
本发明涉及遥感目标识别技术领域,特别是指一种基于云平台的耦合主被动遥感影像的大蒜作物识别方法。
背景技术
大蒜作物和冬小麦作物同属于越冬作物,具有相似的生长期和光谱特征。单一依靠光学卫星影像难以准确区分大蒜作物与冬小麦作物。相对冬小麦作物的播种面积,大蒜作物的播种面积较少,且大蒜地块多与冬小麦地块交错分布,进一步制约了大蒜作物遥感识别的精度。如何通过卫星影像实现大蒜作物与冬小麦作物的准确区分,是作物遥感识别领域的难点之一。
遥感大数据的处理过程复杂,数据计算量巨大,远远超出个人计算机的数据处理能力。Google Earth Engine云计算平台集成了全球公开的遥感数据,并且提供个性化的数据处理服务,用户只需将相关数据处理算法以Google Earth Engine语言的方式编程运行,Google Earth Engine在后台就会自动调用Google的数以万计的服务器以并行运算的方式快速完成数据处理任务,并将结果反馈给用户。Google Earth Engine解决了遥感大数据处理的难题,为作物遥感识别的自动化、业务化运行提供了机遇和平台。
发明内容
针对上述背景技术中存在的不足,本发明提出了一种基于云平台的耦合主被动遥感影像的大蒜作物识别方法,解决了现有遥感识别技术中无法准确识别大蒜作物的技术问题。
本发明的技术方案是这样实现的:
一种基于云平台的耦合主被动遥感影像的大蒜作物识别方法,其步骤如下:
S1、在Google Earth Engine云计算平台上通过调取目标年份大蒜作物主产区的MODIS-NDVI时序影像,根据MODIS-NDVI时序影像获取大蒜作物和其他林草植被的物候信息;
S2、在Google Earth Engine云计算平台上通过调取目标年份大蒜作物主产区的Sentinel-2时序影像及Landsat-8时序卫星影像,并结合大蒜作物的物候信息获得光学合成影像数据集;
S3、使用手持GPS获取、记录大蒜作物主产区的大蒜作物和冬小麦作物的地理坐标信息;
S4、基于步骤S2中得到的光学合成影像数据集和步骤S3中得到的大蒜作物的地理坐标信息,构建大蒜作物光学影像识别决策树模型;
S5、根据步骤S4中得到的大蒜作物光学影像识别决策树模型对步骤S2中得到的光学合成影像数据集进行分类,得到大蒜作物光学分布图;
S6、在Google Earth Engine云计算平台上通过调取目标年份大蒜作物主产区的Sentinel-1时序合成孔径雷达卫星影像,结合步骤S3中得到的大蒜作物、冬小麦作物的地理坐标信息获取大蒜作物和冬小麦作物的雷达图像特征;
S7、根据步骤S6中大蒜作物和冬小麦作物的图像特征获得雷达合成影像数据集;
S8、根据步骤S7中得到的雷达合成影像数据集和步骤S3中得到的大蒜作物的地理坐标信息,构建大蒜作物雷达影像识别决策树模型;
S9、根据步骤S8中得到的大蒜作物雷达影像识别决策树模型对步骤S7中得到的雷达合成影像数据集进行分类,得到大蒜作物雷达分布图;
S10、在Google Earth Engine云计算平台上将步骤S9中的大蒜作物雷达分布图和步骤S5中的大蒜作物光学分布图进行耦合,得到大蒜作物遥感识别结果。
所述光学合成影像数据集的获得方法为:在大蒜作物的时序MODIS-NDVI高于其他林草植被的时序MODIS-NDVI的时期内,提取像元i位置上的Sentinel-2时序影像的NDVI的最大值作为像元i的像元值,依次遍历Sentinel-2时序影像的所有像元位置,得到NDVI最大值合成影像,记为NDVImax;在大蒜作物的时序MODIS-NDVI小于其他林草植被的时序MODIS-NDVI的时期内,提取像元i位置上的Sentinel-2和Landsat-8时序影像的NDVI的最小值作为像元i的像元值,依次遍历Sentinel-2和Landsat-8时序影像的所有像元位置,得到NDVI最小值合成影像,记为NDVImin;在大蒜作物的时序MODIS-NDVI小于其他林草植被的时序MODIS-NDVI的时期内,提取像元i位置上的Sentinel-2和Landsat-8时序卫星影像的NDVI的中值作为像元i的像元值,依次遍历Sentinel-2和Landsat-8时序卫星影像的所有像元位置,得到NDVI中值合成影像,记为NDVImed;将NDVI最大值合成影像NDVImax、NDVI最小值合成影像NDVImin和NDVI中值合成影像NDVImed组合为光学合成影像数据集。
所述大蒜作物光学影像识别决策树模型的构建方法为:根据NDVI中值合成影像NDVImed在大蒜作物的地理坐标位置上的分布获得像元中值阈值α;根据NDVI最大值合成影像NDVImax在大蒜作物的地理坐标位置上的分布获得像元最大值第一阈值γ和像元最大值第二阈值β;根据NDVI最小值合成影像NDVImin在大蒜作物的地理坐标位置上的分布获得像元最小值阈值δ;根据像元中值阈值α、像元最大值第一阈值γ、像元最大值第二阈值β和像元最小值阈值δ得到大蒜作物光学影像识别决策树模型。
所述大蒜作物光学分布图的获得方法为:根据大蒜作物光学影像识别决策树模型构建大蒜作物的第一约束条件:或根据大蒜作物的第一约束条件分别对NDVI最大值合成影像NDVImax、NDVI中值合成影像NDVImed和NDVI最小值合成影像NDVImin中的像元进行筛选,得到大蒜作物光学分布图,其中,NDVImax,i表示NDVI最大值合成影像NDVImax中第i个像元的像元值,NDVImed,i表示NDVI中值合成影像NDVImed中第i个像元的像元值,NDVImin,i表示NDVI最小值合成影像NDVImin中第i个像元的像元值。
所述雷达合成影像数据集的获得方法为:在冬小麦越冬期内合成Sentinel-1合成孔径雷达卫星影像的中值影像,记为SVV1med合成影像;在冬小麦分蘖至孕穗期内合成Sentinel-1合成孔径雷达卫星影像的中值影像,记为SVV2med合成影像;将SVV1med合成影像和SVV2med合成影像组合为雷达合成影像数据集。
所述大蒜作物雷达影像识别决策树模型的构建方法为:根据SVV1med合成影像和SVV2med合成影像在大蒜作物的地理坐标位置上的分布获得差值阈值ε和阈值ζ;根据差值阈值ε和阈值ζ得到大蒜作物雷达影像识别决策树模型。
所述大蒜作物雷达分布图的获得方法为:根据大蒜作物雷达影像识别决策树模型构建大蒜作物的第二约束条件,根据大蒜作物的第二约束条件对SVV1med合成影像和SVV2med合成影像中的像元进行筛选,得到大蒜作物雷达分布图,其中,SVV1med,i表示SVV1med合成影像中第i个像元的像元值,SVV2med,i表示SVV2med合成影像中第i个像元的像元值。
所述大蒜作物最终遥感识别结果的获得方法为:当像元i在大蒜作物雷达分布图和大蒜作物光学分布图中均为大蒜作物时,判断像元i为大蒜作物,否则,像元i不是大蒜作物;依次遍历大蒜作物雷达分布图和大蒜作物光学分布图中的所有像元,完成大蒜作物的最终遥感识别。
本技术方案能产生的有益效果:
(1)本发明创建的大蒜作物遥感自动识别模型,充分利用了时序光学影像对大蒜作物物候特征响应敏感,以及Sentinel-1合成孔径雷达影像对大蒜作物与冬小麦作物的植株结构特征响应敏感的优势,实现了大蒜作物分布遥感精准识别;
(2)本发明可移植到Google Earth Engine云计算平台上,避免了遥感大数据处理的难题,可实现地理空间大尺度上的大蒜作物自动快速识别,为大蒜作物分布遥感识别提供了理论和技术基础。
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为本发明的流程图;
图2为本发明的大蒜作物光学影像识别决策树模型;
图3为本发明的大蒜作物雷达影像识别决策树模型;
图4为本发明的大蒜分布遥感识别结果。
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付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。
如图1所示,本发明实施例提供了一种基于云平台的耦合主被动遥感影像的大蒜作物识别方法,具体步骤如下:
S1、在Google Earth Engine云计算平台上通过调取目标年份为2019年10月1日至2020年6月30日的华北地区大蒜主产区(地理坐标为:北纬34°至北纬34.6°,东经113.5°至东经118.5°)的MODIS-NDVI时序影像,根据MODIS-NDVI时序影像获取大蒜作物和其他林草植被的物候信息,以发现大蒜作物的物候相对于林草植被物候的独特性(大蒜作物的独特性具体表现为:在12月至次年3月内,大蒜作物处于生长期或越冬期,林草植被多处于落叶枯萎期(中国北方大蒜种植区内的林草植被多为非常绿植被),在卫星影像上表现为大蒜作物的NDVI高于林草植被的NDVI;在大蒜播种期及收获期内,大蒜作物处于生长初期或末期,林草植被多处于生长旺盛期,在卫星影像上表现为大蒜作物的NDVI低于林草植被的NDVI);由于冬小麦的物候信息与大蒜作物的物候信息相似,本实施例中冬小麦作物的NDVI(normalized difference vegetation index)与大蒜作物的NDVI相似。
S2、在Google Earth Engine云计算平台上通过调取目标年份大蒜作物主产区的Sentinel-2时序影像及Landsat-8时序卫星影像,并结合大蒜作物的物候信息获得光学合成影像数据集;
根据大蒜物候的独特性,设计时序光学影像合成方案,以增强大蒜的影像信息。所述光学合成影像数据集的获得方法为:在大蒜作物的时序MODIS-NDVI高于其他林草植被的时序MODIS-NDVI的时期内(2019年12月1日至2020年3月20日),提取像元i位置上的Sentinel-2时序影像的NDVI的最大值作为像元i的像元值,依次遍历Sentinel-2时序影像的所有像元位置,得到NDVI最大值合成影像,记为NDVImax;在大蒜作物的时序MODIS-NDVI小于其他林草植被的时序MODIS-NDVI的时期内(2019年10月1日至2019年10月30日和2020年5月20日至2020年6月20日),提取像元i位置上的Sentinel-2时序影像的NDVI的最小值作为像元i的像元值,依次遍历Sentinel-2时序影像的所有像元位置,得到NDVI最小值合成影像,记为NDVImin;在大蒜作物的时序MODIS-NDVI小于其他林草植被的时序MODIS-NDVI的时期内(2019年10月1日至2019年10月30日和2020年5月20日至2020年6月20日),提取像元i位置上的Sentinel-2和Landsat-8时序卫星影像的NDVI的中值作为像元i的像元值,依次遍历Sentinel-2和Landsat-8时序卫星影像的所有像元位置,得到NDVI中值合成影像,记为NDVImed;将NDVI最大值合成影像NDVImax、NDVI最小值合成影像NDVImin和NDVI中值合成影像NDVImed组合为光学合成影像数据集。合成影像均在Google Earth Engine云计算平台上完成的。
S3、实验人员到达大蒜及其他地物(包括冬小麦地块、林地、居民点等)的实际分布地点,使用手持GPS获取、记录大蒜作物主产区的大蒜作物和冬小麦作物的地理坐标信息,完成样本采集工作。
S4、基于步骤S2中得到的光学合成影像数据集和步骤S3中得到的大蒜作物的地理坐标信息,构建大蒜作物光学影像识别决策树模型;统计NDVI最大值合成影像NDVImax在大蒜作物的地理坐标位置上的2600个像元值的分布区间为γ~1,但集中分布在两个子区间内,即γ~β和β~1,在区间γ~β内的大蒜长势差或存在混合像元现象,在区间β~1内的大蒜长势良好,据此获得像元最大值第一阈值γ和像元最大值第二阈值β;统计NDVI中值合成影像NDVImed在大蒜作物的地理坐标位置上的2600个像元值的分布区间为0~α,据此获得像元中值阈值α;统计NDVI最小值合成影像NDVImin在大蒜作物的地理坐标位置上的2600个像元值的分布区间为小于δ,据此获得像元最小值阈值δ。根据像元最大值第一阈值γ、像元最大值第二阈值β、像元中值阈值α和像元最小值阈值δ得到大蒜作物光学影像识别决策树模型。本实施例中,α=0.51、β=0.48、γ=0.33、δ=0.15。
S5、根据步骤S4中得到的大蒜作物光学影像识别决策树模型对步骤S2中得到的光学合成影像数据集进行分类,得到大蒜作物光学分布图;
如图2所述,所述大蒜作物光学分布图的获得方法为:根据大蒜作物光学影像识别决策树模型构建大蒜作物的第一约束条件,或根据大蒜作物的第一约束条件分别对NDVI最大值合成影像NDVImax、NDVI中值合成影像NDVImed和NDVI最小值合成影像NDVImin中的像元进行筛选,得到大蒜作物光学分布图,其中,NDVImax,i表示NDVI最大值合成影像NDVImax中第i个像元的像元值,NDVImed,i表示NDVI中值合成影像NDVImed中第i个像元的像元值,NDVImin,i表示NDVI最小值合成影像NDVImin中第i个像元的像元值。大蒜作物光学分布图是在Google Earth Engine云计算平台上实现的。
S6、在Google Earth Engine云计算平台上通过调取目标年份(2019年10月1日至2020年6月30日)大蒜作物主产区的Sentinel-1时序合成孔径雷达卫星影像,结合步骤S3中得到的大蒜作物、冬小麦作物的地理坐标信息获取大蒜作物和冬小麦作物的图像特征;
所述大蒜作物和冬小麦作物的图像特征的获得方法为:统计大蒜作物样本和冬小麦作物样本在每期Sentinel-1合成孔径雷达卫星影像上的像元值的均值,并按照时间顺序排列,即得到大蒜作物和冬小麦作物在时序Sentinel-1合成孔径雷达卫星影像中的图像特征。大蒜作物和冬小麦作物图像特征的差异性表现为:从冬小麦越冬期至冬小麦分蘖孕穗期内,冬小麦在时序合成孔径雷达卫星影像(VV极化影像)中的像元值呈现下降趋势;大蒜则表现为与之相反的趋势。
S7、根据步骤S6中大蒜作物和冬小麦作物的图像特征获得雷达合成影像数据集;
根据大蒜和冬小麦的图像特征(从冬小麦越冬期至冬小麦分蘖孕穗期内,冬小麦在时序合成孔径雷达卫星影像(VV极化影像)中的像元值呈现下降趋势;大蒜则呈现总体上升趋势),设计时序Sentinel-1影像的合成方案,实现冗余数据的剔除和大蒜与冬小麦影像特征差异的增强。所述雷达合成影像数据集的获得方法为:在冬小麦越冬期(2020年1月1日至2020年1月30日)内合成Sentinel-1合成孔径雷达卫星影像的中值影像,记为SVV1med合成影像;在冬小麦的分蘖、孕穗期内(2020年4月1日至2020年4月30日)合成Sentinel-1合成孔径雷达卫星影像的中值影像,记为SVV2med合成影像;将SVV1med合成影像和SVV2med合成影像组合为雷达合成影像数据集。VV表示Sentinel-1影像中以VV极化方式成像的影像。
S8、根据步骤S7中得到的雷达合成影像数据集和步骤S3中得到的大蒜作物的地理坐标信息,构建大蒜作物雷达影像识别决策树模型;根据SVV1med合成影像和SVV2med合成影像在大蒜作物的地理坐标位置上的分布获得差值阈值ε和阈值ζ。
将SVV1med合成影像与SVV2med合成影像作减法运算,得到其差值影像,统计差值影像在大蒜作物的地理坐标位置上的像元值,其分布区间为小于ε;统计SVV2med合成影像在大蒜作物的地理坐标位置上的像元值,其分布区间为大于ζ。根据差值阈值ε和阈值ζ得到大蒜作物雷达影像识别决策树模型。本实施例中,ε=3dB、ζ=-16dB。
S9、根据步骤S8中得到的大蒜作物雷达影像识别决策树模型对步骤S7中得到的雷达合成影像数据集进行分类,得到大蒜作物雷达分布图;如图3所示,根据大蒜作物雷达影像识别决策树模型构建大蒜作物的第二约束条件,根据大蒜作物的第二约束条件分别对SVV1med合成影像和SVV2med合成影像中的像元进行筛选,得到大蒜作物雷达分布图,其中,SVV1med,i表示SVV1med合成影像中第i个像元的像元值,SVV2med,i表示SVV2med合成影像中第i个像元的像元值。大蒜作物雷达分布图是在Google Earth Engine云计算平台上实现的。
S10、在Google Earth Engine云计算平台上将步骤S9中的大蒜作物雷达分布图和步骤S5中的大蒜作物光学分布图进行耦合,即选取两种分布图的交集,得到大蒜作物遥感识别结果。当像元i在大蒜作物雷达分布图和大蒜作物光学分布图中均为大蒜作物时,判断像元i为大蒜作物,否则,像元i不是大蒜作物;依次遍历大蒜作物雷达分布图和大蒜作物光学分布图中的所有像元,完成大蒜作物的遥感识别。
本实施例的识别结果如图4所示。通过图4可以看出实施例区域内的主要大蒜集中种植区得到了完整识别,如山东金乡县、河南杞县、江苏邳州等大蒜集中种植区。从局部放大图中可以看出大蒜种植地块的边界等纹理信息完整,道路等其他地物可以被有效区分,说明了本发明对大蒜分布识别的可靠性、准确性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于云平台的耦合主被动遥感影像的大蒜作物识别方法,其特征在于,其步骤如下:
S1、在Google Earth Engine云计算平台上通过调取目标年份大蒜作物主产区的MODIS-NDVI时序影像,根据MODIS-NDVI时序影像获取大蒜作物和其他林草植被的物候信息;
S2、在Google Earth Engine云计算平台上通过调取目标年份大蒜作物主产区的Sentinel-2时序影像及Landsat-8时序卫星影像,并结合大蒜作物的物候信息获得光学合成影像数据集;
S3、使用手持GPS获取、记录大蒜作物主产区的大蒜作物和冬小麦作物的地理坐标信息;
S4、基于步骤S2中得到的光学合成影像数据集和步骤S3中得到的大蒜作物的地理坐标信息,构建大蒜作物光学影像识别决策树模型;
S5、根据步骤S4中得到的大蒜作物光学影像识别决策树模型对步骤S2中得到的光学合成影像数据集进行分类,得到大蒜作物光学分布图;
S6、在Google Earth Engine云计算平台上通过调取目标年份大蒜作物主产区的Sentinel-1时序合成孔径雷达卫星影像,结合步骤S3中得到的大蒜作物、冬小麦作物的地理坐标信息获取大蒜作物和冬小麦作物的雷达图像特征;
S7、根据步骤S6中大蒜作物和冬小麦作物的图像特征获得雷达合成影像数据集;
S8、根据步骤S7中得到的雷达合成影像数据集和步骤S3中得到的大蒜作物的地理坐标信息,构建大蒜作物雷达影像识别决策树模型;
S9、根据步骤S8中得到的大蒜作物雷达影像识别决策树模型对步骤S7中得到的雷达合成影像数据集进行分类,得到大蒜作物雷达分布图;
S10、在Google Earth Engine云计算平台上将步骤S9中的大蒜作物雷达分布图和步骤S5中的大蒜作物光学分布图进行耦合,得到大蒜作物遥感识别结果。
2.根据权利要求1所述的基于云平台的耦合主被动遥感影像的大蒜作物识别方法,其特征在于,所述光学合成影像数据集的获得方法为:在大蒜作物的时序MODIS-NDVI高于其他林草植被的时序MODIS-NDVI的时期内,提取像元i位置上的Sentinel-2时序影像的NDVI的最大值作为像元i的像元值,依次遍历Sentinel-2时序影像的所有像元位置,得到NDVI最大值合成影像,记为NDVImax;在大蒜作物的时序MODIS-NDVI小于其他林草植被的时序MODIS-NDVI的时期内,提取像元i位置上的Sentinel-2和Landsat-8时序影像的NDVI的最小值作为像元i的像元值,依次遍历Sentinel-2和Landsat-8时序影像的所有像元位置,得到NDVI最小值合成影像,记为NDVImin;在大蒜作物的时序MODIS-NDVI小于其他林草植被的时序MODIS-NDVI的时期内,提取像元i位置上的Sentinel-2和Landsat-8时序卫星影像的NDVI的中值作为像元i的像元值,依次遍历Sentinel-2和Landsat-8时序卫星影像的所有像元位置,得到NDVI中值合成影像,记为NDVImed;将NDVI最大值合成影像NDVImax、NDVI最小值合成影像NDVImin和NDVI中值合成影像NDVImed组合为光学合成影像数据集。
3.根据权利要求2所述的基于云平台的耦合主被动遥感影像的大蒜作物识别方法,其特征在于,所述大蒜作物光学影像识别决策树模型的构建方法为:根据NDVI中值合成影像NDVImed在大蒜作物的地理坐标位置上的分布获得像元中值阈值α;根据NDVI最大值合成影像NDVImax在大蒜作物的地理坐标位置上的分布获得像元最大值第一阈值γ和像元最大值第二阈值β;根据NDVI最小值合成影像NDVImin在大蒜作物的地理坐标位置上的分布获得像元最小值阈值δ;根据像元中值阈值α、像元最大值第一阈值γ、像元最大值第二阈值β和像元最小值阈值δ得到大蒜作物光学影像识别决策树模型。
4.根据权利要求3所述的基于云平台的耦合主被动遥感影像的大蒜作物识别方法,其特征在于,所述大蒜作物光学分布图的获得方法为:根据大蒜作物光学影像识别决策树模型构建大蒜作物的第一约束条件:或根据大蒜作物的第一约束条件分别对NDVI最大值合成影像NDVImax、NDVI中值合成影像NDVImed和NDVI最小值合成影像NDVImin中的像元进行筛选,得到大蒜作物光学分布图,其中,NDVImax,i表示NDVI最大值合成影像NDVImax中第i个像元的像元值,NDVImed,i表示NDVI中值合成影像NDVImed中第i个像元的像元值,NDVImin,i表示NDVI最小值合成影像NDVImin中第i个像元的像元值。
5.根据权利要求1或4所述的基于云平台的耦合主被动遥感影像的大蒜作物识别方法,其特征在于,所述雷达合成影像数据集的获得方法为:在冬小麦越冬期内合成Sentinel-1合成孔径雷达卫星影像的中值影像,记为SVV1med合成影像;在冬小麦分蘖至孕穗期内合成Sentinel-1合成孔径雷达卫星影像的中值影像,记为SVV2med合成影像;将SVV1med合成影像和SVV2med合成影像组合为雷达合成影像数据集。
6.根据权利要求5所述的基于云平台的耦合主被动遥感影像的大蒜作物识别方法,其特征在于,所述大蒜作物雷达影像识别决策树模型的构建方法为:根据SVV1med合成影像和SVV2med合成影像在大蒜作物的地理坐标位置上的分布获得差值阈值ε和阈值ζ;根据差值阈值ε和阈值ζ得到大蒜作物雷达影像识别决策树模型。
8.根据权利要求7所述的基于云平台的耦合主被动遥感影像的大蒜作物识别方法,其特征在于,所述大蒜作物最终遥感识别结果的获得方法为:当像元i在大蒜作物雷达分布图和大蒜作物光学分布图中均为大蒜作物时,判断像元i为大蒜作物,否则,像元i不是大蒜作物;依次遍历大蒜作物雷达分布图和大蒜作物光学分布图中的所有像元,完成大蒜作物的最终遥感识别。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995102.7A CN112101256B (zh) | 2020-09-21 | 2020-09-21 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
PCT/CN2021/097839 WO2022057319A1 (zh) | 2020-09-21 | 2021-06-02 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
ZA2021/09334A ZA202109334B (en) | 2020-09-21 | 2021-11-22 | Cloud platform-based garlic crop recognition method by couplling active and passive remote sensing images |
US17/531,826 US20220092306A1 (en) | 2020-09-21 | 2021-11-22 | Cloud platform-based garlic crop recognition method by coupling active and passive remote sensing images |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995102.7A CN112101256B (zh) | 2020-09-21 | 2020-09-21 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101256A true CN112101256A (zh) | 2020-12-18 |
CN112101256B CN112101256B (zh) | 2021-07-09 |
Family
ID=73756348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010995102.7A Active CN112101256B (zh) | 2020-09-21 | 2020-09-21 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN112101256B (zh) |
WO (1) | WO2022057319A1 (zh) |
ZA (1) | ZA202109334B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221806A (zh) * | 2021-05-25 | 2021-08-06 | 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 |
CN113505635A (zh) * | 2021-05-24 | 2021-10-15 | 中国农业大学 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
WO2022057319A1 (zh) * | 2020-09-21 | 2022-03-24 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
CN114419463A (zh) * | 2022-01-26 | 2022-04-29 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
CN114792491A (zh) * | 2021-01-26 | 2022-07-26 | 深圳市柔宇科技股份有限公司 | 可折叠显示模组及可折叠显示设备 |
CN114821362A (zh) * | 2022-07-01 | 2022-07-29 | 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 |
CN115457401A (zh) * | 2022-08-30 | 2022-12-09 | 宁波大学 | 一种针对不同淡水资源类型的sar遥感精细识别方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641504A (zh) * | 2022-10-26 | 2023-01-24 | 南京农业大学 | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 |
CN116664959B (zh) * | 2023-07-28 | 2023-11-03 | 航天宏图信息技术股份有限公司 | 基于多源卫星遥感的无样本农作物分类方法及装置 |
CN117576580A (zh) * | 2023-11-17 | 2024-02-20 | 广东省地质测绘院 | 基于遥感卫星的虾稻田信息提取方法、电子设备和介质 |
CN117423003B (zh) * | 2023-12-19 | 2024-03-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
CN117456368B (zh) * | 2023-12-22 | 2024-03-08 | 安徽大学 | 一种果蔬识别采摘方法、系统及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529451A (zh) * | 2016-10-28 | 2017-03-22 | 山东省农业可持续发展研究所 | 一种冬小麦—夏玉米种植模式遥感识别方法 |
CN108399400A (zh) * | 2018-03-23 | 2018-08-14 | 中国农业科学院农业资源与农业区划研究所 | 一种基于高分辨率遥感数据的早期作物识别方法和系统 |
CN109919083A (zh) * | 2019-03-06 | 2019-06-21 | 武汉大学 | 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 |
CN110298322A (zh) * | 2019-07-02 | 2019-10-01 | 北京师范大学 | 一种基于遥感数据的耕地提取方法及系统 |
CN111104896A (zh) * | 2019-12-18 | 2020-05-05 | 河南大学 | 一种基于Sentinel-1微波卫星影像的陆表水自动识别方法 |
CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
CN111652193A (zh) * | 2020-07-08 | 2020-09-11 | 中南林业科技大学 | 基于多源影像的湿地分类方法 |
CN111666815A (zh) * | 2020-05-06 | 2020-09-15 | 武汉大学 | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897707B (zh) * | 2017-03-02 | 2020-08-28 | 苏州中科天启遥感科技有限公司 | 基于多源中分的特征影像时间序列合成方法及装置 |
IL253260B (en) * | 2017-07-02 | 2021-07-29 | Manna Irrigation Ltd | Methods and systems for directing irrigation |
CN110751727B (zh) * | 2019-10-30 | 2020-12-18 | 南京林业大学 | 一种基于Landsat长时间序列的合成图像构建方法 |
CN112101256B (zh) * | 2020-09-21 | 2021-07-09 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
-
2020
- 2020-09-21 CN CN202010995102.7A patent/CN112101256B/zh active Active
-
2021
- 2021-06-02 WO PCT/CN2021/097839 patent/WO2022057319A1/zh active Application Filing
- 2021-11-22 ZA ZA2021/09334A patent/ZA202109334B/en unknown
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529451A (zh) * | 2016-10-28 | 2017-03-22 | 山东省农业可持续发展研究所 | 一种冬小麦—夏玉米种植模式遥感识别方法 |
CN108399400A (zh) * | 2018-03-23 | 2018-08-14 | 中国农业科学院农业资源与农业区划研究所 | 一种基于高分辨率遥感数据的早期作物识别方法和系统 |
CN109919083A (zh) * | 2019-03-06 | 2019-06-21 | 武汉大学 | 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 |
CN110298322A (zh) * | 2019-07-02 | 2019-10-01 | 北京师范大学 | 一种基于遥感数据的耕地提取方法及系统 |
CN111104896A (zh) * | 2019-12-18 | 2020-05-05 | 河南大学 | 一种基于Sentinel-1微波卫星影像的陆表水自动识别方法 |
CN111666815A (zh) * | 2020-05-06 | 2020-09-15 | 武汉大学 | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 |
CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
CN111652193A (zh) * | 2020-07-08 | 2020-09-11 | 中南林业科技大学 | 基于多源影像的湿地分类方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022057319A1 (zh) * | 2020-09-21 | 2022-03-24 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
CN114792491A (zh) * | 2021-01-26 | 2022-07-26 | 深圳市柔宇科技股份有限公司 | 可折叠显示模组及可折叠显示设备 |
CN113505635A (zh) * | 2021-05-24 | 2021-10-15 | 中国农业大学 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
CN113505635B (zh) * | 2021-05-24 | 2024-05-31 | 中国农业大学 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
CN113221806A (zh) * | 2021-05-25 | 2021-08-06 | 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 |
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 |
CN114419463A (zh) * | 2022-01-26 | 2022-04-29 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
CN114419463B (zh) * | 2022-01-26 | 2022-09-30 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
CN114821362A (zh) * | 2022-07-01 | 2022-07-29 | 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 |
CN115457401A (zh) * | 2022-08-30 | 2022-12-09 | 宁波大学 | 一种针对不同淡水资源类型的sar遥感精细识别方法 |
CN115457401B (zh) * | 2022-08-30 | 2023-11-03 | 中海云科(北京)科技有限公司 | 一种针对不同淡水资源类型的sar遥感精细识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022057319A1 (zh) | 2022-03-24 |
ZA202109334B (en) | 2022-02-23 |
CN112101256B (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101256B (zh) | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 | |
US10872417B1 (en) | Automatic delineation agricultural field management zones using remote sensing and field data | |
CN109117811A (zh) | 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 | |
Wing et al. | Prediction of understory vegetation cover with airborne lidar in an interior ponderosa pine forest | |
CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
Turker et al. | Sequential masking classification of multi‐temporal Landsat7 ETM+ images for field‐based crop mapping in Karacabey, Turkey | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
GB2618896A (en) | System and method for crop monitoring | |
Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
CN111126662B (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
CN109508633B (zh) | 一种基于光学遥感数据的甘蔗分布识别方法 | |
CN110598532B (zh) | 一种树木病虫害监控系统及方法 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
Mtibaa et al. | Land cover mapping in cropland dominated area using information on vegetation phenology and multi-seasonal Landsat 8 images | |
CN113177942A (zh) | 大豆种植区遥感监测识别方法、装置、电子设备和介质 | |
CN110610438B (zh) | 一种农作物冠层叶柄夹角计算方法及系统 | |
Thomas et al. | Impacts of abrupt terrain changes and grass cover on vertical accuracy of UAS-SfM derived elevation models | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
CN113570273A (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
US20220092306A1 (en) | Cloud platform-based garlic crop recognition method by coupling active and passive remote sensing images | |
CN113313671A (zh) | 一种结合卫星影像和modis数据的水稻估产方法 | |
CN115909063A (zh) | 一种中分辨率水稻提取方法及系统 | |
Lee et al. | Evaluation of crop mapping on fragmented and complex slope farmlands through random forest and object-oriented analysis using unmanned aerial vehicles | |
CN114663780A (zh) | 基于gee和机器学习的河套灌区种植结构识别方法及系统 | |
Sevillano Marco et al. | Improvement of existing and development of future Copernicus land monitoring products–the ECOLASS project |
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 |