CN112215090A - 融合物候知识的遥感水稻制图方法及其应用 - Google Patents

融合物候知识的遥感水稻制图方法及其应用 Download PDF

Info

Publication number
CN112215090A
CN112215090A CN202010997842.4A CN202010997842A CN112215090A CN 112215090 A CN112215090 A CN 112215090A CN 202010997842 A CN202010997842 A CN 202010997842A CN 112215090 A CN112215090 A CN 112215090A
Authority
CN
China
Prior art keywords
index
rice
phenological
period
vegetation
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
CN202010997842.4A
Other languages
English (en)
Other versions
CN112215090B (zh
Inventor
田金炎
李小娟
倪荣光
宫辉力
欧阳�
周丙锋
杜明竹
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.)
Beijing Spacescene Technology Co ltd
Original Assignee
Capital Normal University
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 Capital Normal University filed Critical Capital Normal University
Priority to CN202010997842.4A priority Critical patent/CN112215090B/zh
Publication of CN112215090A publication Critical patent/CN112215090A/zh
Application granted granted Critical
Publication of CN112215090B publication Critical patent/CN112215090B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种融合物候知识的遥感水稻制图方法，包括：获取目标区域去云后的遥感图像和地面观测的水稻样本点；绘制样本点位置的光谱指数时间剖面图，分析水稻的物候特征；分别在不同的物候期计算不同的光谱指数，得到目标地区的光谱指数图像，然后将每个指数图像作为单独的波段进行合成，最后得到一多波段的合成图像；根据水稻样本点在目标区域选取训练样本，然后将训练样本和合成图像输入到单类分类器进行分类，进而得到目标区域的水稻分布图。本申请充分利用四个水稻物候期光谱特征的融合方法，进行水稻高精度制图，为粮食安全和全球变化等研究提供基础理论方法和数据产品支撑，该方法不需要借助其他辅助数据。

Description

融合物候知识的遥感水稻制图方法及其应用
技术领域
本申请涉及水稻制图技术领域，特别是涉及一种融合物候知识的遥感水稻制图方法及其应用。
背景技术
水稻作为中国乃至全世界最重要的粮食作物，准确地掌握其种植面积对于确保粮食安全至关重要。同时，由于水稻生长过程需要大量灌溉水并且排放出相当可观的甲烷气体，快速高效地监测水稻时空分布对于区域资源环境可持续发展尤为重要。传统的人工地面调查方法受到人力物力以及自然条件等各方面的限制，难以满足农作物种植面积快速监测的现势性需求。
遥感图像识别是一种利用计算机对遥感图像中各类地物的光谱信息和空间信息进行分析，将图像中各个像元划分到各自地物类型的技术。而遥感水稻制图则是利用遥感图像，识别目标区域水稻，并生成水稻分布图的技术。
目前通常是利用水稻移栽期间稻田中的特殊光谱信号来识别水稻。水稻作为一种水田作物，与其他旱地作物不同的是，水稻栽培需要提前育苗，育苗完成后的水稻秧苗需要移栽至灌满水的稻田中，而在移栽过程中，稻田中是水和水稻幼苗的混合物，在遥感图像中表现为较强的水体信号和较弱的植被信号从而可以利用水稻移栽期对水稻进行识别。
然而，其存在以下的缺点：1、物候特征利用不完全：当前水稻识别制图技术主要利用水稻移栽期稻田中的水体信号来区分水稻与其他地物，而水稻的其他物候期尚未得到充分利用，而仅利用移栽期进行水稻制图经常会与湿地或其他含水地表类型混淆；2、辅助数据精度难以控制：通常现有的水稻识别技术都会利用辅助数据剔除一些区分困难的地物，这些辅助数据包括但不限于地表覆盖专题图、地表温度数据。然而，这些辅助数据的精度通常难以保障，而这将会降低水稻的识别精度。
发明内容
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。
根据本申请的一个方面，提供了一种融合物候知识的遥感水稻制图方法，包括如下步骤：
步骤S1：获取目标区域去云后的遥感图像和地面观测的水稻样本点；
步骤S2：绘制样本点位置的光谱指数时间剖面图，分析水稻的物候特征；
步骤S3：分别在不同的物候期计算不同的光谱指数，得到目标地区的光谱指数图像，然后将每个指数图像作为单独的波段进行合成，最后得到一多波段的合成图像；
步骤S4：根据水稻样本点在目标区域选取训练样本，然后将训练样本和步骤S3的合成图像输入到单类分类器进行分类，进而得到目标区域的水稻分布图。
可选地，所述步骤S2中用以分析水稻的物候特征的指数包括：裸土指数、地表水体指数、归一化植被指数和植被衰老指数。
可选地，基于裸土指数、地表水体指数、归一化植被指数和植被衰老指数的变化规律从而将水稻的生长周期划分为4个关键物候期，即裸土期、移栽期、生长期和成熟期。
可选地，所述步骤S3中用于计算的物候期包括裸土期、移栽期、生长期和成熟期。
可选地，所述裸土期所计算的光谱指数为：裸土指数；
所述移栽期所计算的光谱指数包括：地表水体指数、归一化水体指数和叶绿素含量指数；
所述生长期所计算的光谱指数包括：归一化植被指数和增强植被指数；
所述成熟期所计算的光谱指数包括：植被衰老指数。
可选地，所述步骤S3中多波段的合成图像为融合了裸土指数、地表水体指数、归一化水体指数、叶绿素含量指数、归一化植被指数、增强植被指数和植被衰老指数的7波段合成图像。
可选地，当裸土指数达到生长周期中的最高值，且归一化植被指数和地表水体指数达到生长周期中的最低值，即判定这段时间为裸土期；
当地表水体指数迅速上升，且裸土指数、归一化植被指数和植被衰老指数均下降，即判定这段时间为移栽期；
当归一化植被指数达到顶峰，且裸土指数为生长周期中的最低值，即判定这段时间为生长期；
当归一化植被指数迅速下降，且植被衰老指数上升，即判定这段时间为成熟期。
可选地，所述步骤S1中的遥感图像为Sentinel-2遥感图像。
可选地，所述单类分类器选取OCSVM分类器。
根据本申请的另一个方面，提供了如所述的遥感水稻制图方法的应用，该遥感水稻制图方法可应用于一年一熟、一年两熟或一年三熟的水稻制图。
本申请的融合物候知识的遥感水稻制图方法，充分利用四个水稻物候期(裸土期、移栽期、生长期和成熟期)光谱特征的融合方法，进行水稻高精度制图，为粮食安全和全球变化等研究提供基础理论方法和数据产品支撑，该方法不需要借助其他辅助数据。
本发明通过利用水稻的四个物候期，可以较好的将水稻与其他易混地物区分，提高了水稻的识别精度；同时无需利用其他辅助数据，减少了其他数据对精度的影响，降低了数据获取的成本。由于我国水稻种植面积广大，因此准确检测我国水稻种植面积对于经济和民生具有重要作用。
进一步地，本申请的融合物候知识的遥感水稻制图新方法，可针对中高分辨率遥感图像(Sentinel-2)进行目标区域的水稻精细制图。
根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1是本申请的一个实施例的物候期划分示意图；
图2列出了7波段合成图像的合成示意图；
图3是本申请的一个实施例的融合物候知识的遥感水稻制图方法所制成的水稻制图；
图4是对比例1基于统计年鉴的水稻面积所形成的回归分析图。
具体实施方式
本申请所指的物候是指：生物长期适应光照、降水、温度等条件的周期性变化，形成与此相适应的生长发育节律，这种现象称为物候现象。
本申请所指的水稻的4个关键物候期的解释分别是：
水稻裸土期：指水稻在移栽前，稻田此时为无任何作物的裸露土壤。
水稻移栽期：指将提前育秧好的水稻秧苗移栽至户外稻田时期，该时期水和水稻幼苗混合。
水稻生长期：指水稻移栽后至成熟前的主要生长阶段，这一阶段叶子为绿色。
水稻成熟期：指稻穗饱满金黄，可以开始收获的这一时期。
本申请所指的光谱指数是指：根据地物的光谱特性，将遥感图像中的不同波段进行组合计算，得到一系列能够反映目标地物特征、增强目标地物与背景之间差异的指标称为光谱指数。
混淆矩阵：混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。具体评价指标有总体精度、生产者精度、用户精度等，这些精度指标从不同的侧面反映了图像分类的精度。
生产者精度：生产者精度表示在此次分类中，该类别的地面真实参考数据被正确分类的概率。
用户精度：用户(使用者)精度表示在该次分类中，在分类图上，落在该类别上的检验点，被正确分类为该类别的比率。
总体精度：总体精度指所有正确分类的土地覆盖类别的检验点数所占总抽取的检核点数的百分比；即在混淆矩阵中对角线的所有数值和除以全部样本的总和。
Kappa系数：Kappa系数是一个用于一致性检验的指标，也可以用于衡量分类的效果。kappa系数的计算是基于混淆矩阵的，取值为-1到1之间，通常大于0。
本申请的一个实施例提供了一种融合物候知识的遥感水稻制图方法，目标区域选用东北三省，东北三省地区的水稻生长通常为一年一熟。该遥感水稻制图方法包括如下步骤：
步骤S1：获取目标区域去云后的Sentinel-2遥感图像和地面观测的水稻样本点，水稻样本点用于分类器训练和分类结果检验。
步骤S2：绘制样本点位置的光谱指数时间剖面图，分析水稻的物候特征；这些用以分析水稻的物候特征的指数包括：BSI(裸土指数，Bare Soil Index)、LSWI(地表水体指数，Land Surface Water Index)、NDVI(归一化植被指数，Normalized DifferenceVegetation Index)和PSRI(植被衰老指数，Plant Senescence Reflectance Index)。
图1是本申请的一个实施例的物候期划分示意图，其中，横坐标为一年中的时间，纵坐标为各个光谱指数的数值。参见图1，可根据这些指数的变化规律从而将水稻的生长周期划分为4个关键物候期，即裸土期、移栽期、生长期、成熟期。具体划分方法如下：
①裸土期：在一年中的第60天至110天，当裸土指数(BSI)达到全年中的最高值，NDVI和LSWI均为一年中的低值。而这表明这段时间稻田中土壤信号强烈而水体信号和植被信号较弱，因此我们将这段时间定为裸土期。
②移栽期：在一年中的第120天至160天，LSWI迅速上升，其他指数均下降，这表明稻田中迅速出现大量水体使得水体信号上升。这也与秧苗移栽时的稻田特征相符合，因此我们将这段时间定义为移栽期。
③生长期：在一年中的第180-250天，NDVI达到顶峰而BSI为一年中的最低值，这说明此时水稻长势最盛，基本完全覆盖地表。因此我们将这段时间定义为生长期
④成熟期：在一年中的第260-300天，NDVI迅速下降，PSRI上升，这表明此时水稻逐渐枯黄成熟，即将开始收割。因此我们将这段时期定义为成熟期。
步骤S3：分别在不同的物候期(裸土期、移栽期、生长期和成熟期)计算不同的光谱指数，得到目标地区的光谱指数图像，然后将每个指数图像作为单独的波段进行合成，最后得到7波段的合成图像。
表1列出了4个物候期中选取的7个光谱指数。
表1 4个物候期中选取的7个光谱指数
Figure BDA0002693224390000051
Figure BDA0002693224390000061
图2列出了7波段合成图像的合成示意图。参见图2，该7波段的合成图像为融合了裸土指数、地表水体指数、归一化水体指数、叶绿素含量指数、归一化植被指数、增强植被指数和植被衰老指数的7波段合成图像。
步骤S4：根据水稻样本点在目标区域选取训练样本，然后将训练样本和步骤S3的合成图像输入到单类分类器进行分类，进而得到目标区域的水稻分布图。本发明中单类分类器选取的是OCSVM(one class support vectormachine)分类器，无需选取负样本(非水稻)，只需选取正样本(水稻)即可完成训练，减少了负样本选取工作量。
本发明旨在解决长期以来大尺度范围内水稻制图精度低和效果差的问题。该方法既能解决现有方法面临的制图精度低的问题，又能解决以往方法在水稻面积统计过程中需要耗费大量人力、物力和财力的问题，为国家粮食安全和可持续发展提供技术方法和数据产品支撑。
图3是本申请的一个实施例的融合物候知识的遥感水稻制图方法所制成的水稻制图。由图3可看出，东北三省具体的水稻种植面积精准体现在图3中。
本申请的另一个实施例提供了上述实施例的方案与现有技术方案的对比分析。
对比例1：基于国家统计局及各省统计局水稻面积数据的统计结果
获取渠道：国家统计局及各省统计局官方网站；
获取内容：东北三省及各个地级市的水稻面积数据；
数据来源：由基层农业调查人员进行实地抽样调查、汇总得到；
分析内容：对上述水稻面积数据进行回归分析，图4是对比例1基于统计年鉴的水稻面积所形成的回归分析图。参见图4，R2达到了0.98，RMSE为321.8km2。
对比例2：基于地面样本点的统计结果
获取渠道：2019年7月份对东北三省地区进行地表覆盖调查；
获取内容：约20000个水稻样本点；
分析内容：将20000个水稻样本点随机分为训练数据和验证数据，其中训练数据占60％，验证数据占40％。然后利用训练数据和验证数据生成混淆矩阵，具体结果见表1。混淆矩阵显示，本方法在东北三省的水稻识别总体精度均为99％以上，Kappa系数均为90％以上。
表1
Figure BDA0002693224390000071
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”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。在本申请的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
在本申请中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
以上所述，仅为本申请较佳的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种融合物候知识的遥感水稻制图方法，其特征在于，包括如下步骤：
步骤S1：获取目标区域去云后的遥感图像和地面观测的水稻样本点；
步骤S2：绘制样本点位置的光谱指数时间剖面图，分析水稻的物候特征；
步骤S3：分别在不同的物候期计算不同的光谱指数，得到目标地区的光谱指数图像，然后将每个指数图像作为单独的波段进行合成，最后得到一张多波段的合成图像；
步骤S4：根据水稻样本点在目标区域选取训练样本，然后将训练样本和步骤S3的合成图像输入到单类分类器进行分类，进而得到目标区域的水稻分布图。
2.根据权利要求1所述的融合物候知识的遥感水稻制图方法，其特征在于，所述步骤S2中用以分析水稻的物候特征的指数包括：裸土指数、地表水体指数、归一化植被指数和植被衰老指数。
3.根据权利要求2所述的融合物候知识的遥感水稻制图方法，其特征在于，基于裸土指数、地表水体指数、归一化植被指数和植被衰老指数的变化规律从而将水稻的生长周期划分为4个关键物候期，即裸土期、移栽期、生长期和成熟期。
4.根据权利要求3所述的融合物候知识的遥感水稻制图方法，其特征在于，所述步骤S3中用于计算的物候期包括裸土期、移栽期、生长期和成熟期。
5.根据权利要求4所述的融合物候知识的遥感水稻制图方法，其特征在于，
所述裸土期所计算的光谱指数为：裸土指数；
所述移栽期所计算的光谱指数包括：地表水体指数、归一化水体指数和叶绿素含量指数；
所述生长期所计算的光谱指数包括：归一化植被指数和增强植被指数；
所述成熟期所计算的光谱指数包括：植被衰老指数。
6.根据权利要求5所述的融合物候知识的遥感水稻制图方法，其特征在于，
所述步骤S3中多波段的合成图像为融合了裸土指数、地表水体指数、归一化水体指数、叶绿素含量指数、归一化植被指数、增强植被指数和植被衰老指数的7波段合成图像。
7.根据权利要求3所述的融合物候知识的遥感水稻制图方法，其特征在于，
当裸土指数达到生长周期中的最高值，且归一化植被指数和地表水体指数达到生长周期中的最低值，即判定这段时间为裸土期；
当地表水体指数迅速上升，且裸土指数、归一化植被指数和植被衰老指数均下降，即判定这段时间为移栽期；
当归一化植被指数达到顶峰，且裸土指数为生长周期中的最低值，即判定这段时间为生长期；
当归一化植被指数迅速下降，且植被衰老指数上升，即判定这段时间为成熟期。
8.根据权利要求1所述的融合物候知识的遥感水稻制图方法，其特征在于，所述步骤S1中的遥感图像为Sentinel-2遥感图像。
9.根据权利要求1所述的融合物候知识的遥感水稻制图方法，其特征在于，所述单类分类器选取OCSVM分类器。
10.如权利要求1-9中任一项所述的遥感水稻制图方法的应用，该遥感水稻制图方法可应用于一年一熟、一年两熟或一年三熟的水稻制图。
CN202010997842.4A 2020-09-21 2020-09-21 融合物候知识的遥感水稻制图方法及其应用 Active CN112215090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010997842.4A CN112215090B (zh) 2020-09-21 2020-09-21 融合物候知识的遥感水稻制图方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010997842.4A CN112215090B (zh) 2020-09-21 2020-09-21 融合物候知识的遥感水稻制图方法及其应用

Publications (2)

Publication Number Publication Date
CN112215090A true CN112215090A (zh) 2021-01-12
CN112215090B CN112215090B (zh) 2023-05-02

Family

ID=74050217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010997842.4A Active CN112215090B (zh) 2020-09-21 2020-09-21 融合物候知识的遥感水稻制图方法及其应用

Country Status (1)

Country Link
CN (1) CN112215090B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177441A (zh) * 2021-04-09 2021-07-27 首都师范大学 面向对象与物候知识相融合的遥感互花米草制图方法
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
CN113468990A (zh) * 2021-06-18 2021-10-01 首都师范大学 一种模型训练方法、装置、电子设备及存储介质
CN113657469A (zh) * 2021-07-30 2021-11-16 广东省生态气象中心（珠江三角洲环境气象预报预警中心） 基于图像识别的木本植物物候期的自动观测方法和系统
CN114782838A (zh) * 2022-06-17 2022-07-22 中化现代农业有限公司 水稻识别方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599844A (zh) * 2016-12-14 2017-04-26 中国科学院南京地理与湖泊研究所 一种基于modis传感器的水稻种植区自动提取方法
CN108766203A (zh) * 2018-05-23 2018-11-06 中科卫星应用德清研究院 一种紧致极化水稻制图的方法及系统
CN109614891A (zh) * 2018-11-27 2019-04-12 北京师范大学 基于物候学和遥感的农作物识别方法
CN109948596A (zh) * 2019-04-26 2019-06-28 电子科技大学 一种基于植被指数模型进行水稻识别和种植面积提取的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599844A (zh) * 2016-12-14 2017-04-26 中国科学院南京地理与湖泊研究所 一种基于modis传感器的水稻种植区自动提取方法
CN108766203A (zh) * 2018-05-23 2018-11-06 中科卫星应用德清研究院 一种紧致极化水稻制图的方法及系统
CN109614891A (zh) * 2018-11-27 2019-04-12 北京师范大学 基于物候学和遥感的农作物识别方法
CN109948596A (zh) * 2019-04-26 2019-06-28 电子科技大学 一种基于植被指数模型进行水稻识别和种植面积提取的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINYAN TIAN等: "Development of spectral-phenological features for deep learning to understand Spartina alterniflora invasion", 《REMOTE SENSING OF ENVIRONMENT》 *
李玉琴: "基于样本知识挖掘的水稻种植区提取方法—以浙江省为例", 《万方数据》 *
陈映彤: "多时相遥感影像的湖南省醴陵市水稻生长期以及面积提取", 《中国优秀硕士学位论文全文数据库（电子期刊）农业科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177441A (zh) * 2021-04-09 2021-07-27 首都师范大学 面向对象与物候知识相融合的遥感互花米草制图方法
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
CN113468990A (zh) * 2021-06-18 2021-10-01 首都师范大学 一种模型训练方法、装置、电子设备及存储介质
CN113468990B (zh) * 2021-06-18 2023-10-13 首都师范大学 一种模型训练方法、装置、电子设备及存储介质
CN113657469A (zh) * 2021-07-30 2021-11-16 广东省生态气象中心（珠江三角洲环境气象预报预警中心） 基于图像识别的木本植物物候期的自动观测方法和系统
CN113657469B (zh) * 2021-07-30 2024-01-05 广东省生态气象中心（珠江三角洲环境气象预报预警中心） 基于图像识别的木本植物物候期的自动观测方法和系统
CN114782838A (zh) * 2022-06-17 2022-07-22 中化现代农业有限公司 水稻识别方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN112215090B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN109345555B (zh) 基于多时相多源遥感数据进行水稻识别的方法
CN112215090A (zh) 融合物候知识的遥感水稻制图方法及其应用
CN109948596B (zh) 一种基于植被指数模型进行水稻识别和种植面积提取的方法
Boschetti et al. PhenoRice: A method for automatic extraction of spatio-temporal information on rice crops using satellite data time series
CN110472184A (zh) 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法
CN110288647B (zh) 一种基于高分辨率卫星数据监测灌区灌溉面积方法
CN107273820A (zh) 一种土地覆盖遥感分类方法及系统
CN112485204A (zh) 基于高光谱的水稻穗期氮营养监测与诊断方法及应用
CN105740759A (zh) 基于多时相数据中特征提取的中稻信息决策树分类方法
CN104408307A (zh) 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法
CN105445229A (zh) 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法
CN105758806B (zh) 基于光谱特征的地膜覆盖农田遥感监测方法
CN104199027A (zh) 基于紧致极化雷达大面积近实时监测水稻物候期的方法
CN116543316B (zh) 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法
CN105893977A (zh) 一种基于自适应特征选择的水稻制图方法
CN114782840A (zh) 一种基于无人机rgb影像的小麦物候期实时分类方法
CN107437262B (zh) 作物种植面积预警方法和系统
Deng et al. Extraction of sugarcane planting area based on similarity of NDVI time series
Luo et al. Staple crop mapping with Chinese GaoFen-1 and GaoFen-6 satellite images: A case study in Yanshou County, Heilongjiang Province, China
CN114972838B (zh) 基于卫星数据得到的冬小麦识别方法
CN103125371B (zh) 一种作物抗旱突变体田间快速辅助筛选的方法
Minha et al. Spatial delineation of rice yield and production by the combination of rice crop modelling and remote sensing: a case study in Soc Trang Province
Nuarsa et al. Modification of input images for improving the accuracy of rice field classification using MODIS data
Chen et al. Monitoring plastic-mulched farmland using Landsat-8 OLI imagery
Moukomla et al. Mapping rice paddy fields in semiarid northeastern Thailand using Sentinel-1 and-2 time series data and phenological clustering

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230407

Address after: 1707, 17th Floor, Building 1, Yard 8, Longyu North Street, Huilongguan Town, Changping District, Beijing 102200

Applicant after: BEIJING SPACESCENE TECHNOLOGY CO.,LTD.

Address before: 100048 No. 105 West Third Ring Road North, Beijing, Haidian District

Applicant before: Capital Normal University

GR01 Patent grant
GR01 Patent grant