CN112232230B - 退耕地信息遥感识别方法及装置 - Google Patents
退耕地信息遥感识别方法及装置 Download PDFInfo
- Publication number
- CN112232230B CN112232230B CN202011124138.4A CN202011124138A CN112232230B CN 112232230 B CN112232230 B CN 112232230B CN 202011124138 A CN202011124138 A CN 202011124138A CN 112232230 B CN112232230 B CN 112232230B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- area
- determining
- annual
- target
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种退耕地信息遥感识别方法及装置,通过采用不同空间分辨率的第一类时间序列遥感影像以及第二类时间序列遥感影像相结合的方式,对目标区域内的退耕地区域进行确定,并确定出退耕地区域的面积,可以使得确定的退耕地区域以及退耕地区域的面积更加准确,为精准的旱区生态恢复提供支撑。
Description
技术领域
本发明涉及遥感技术领域,尤其涉及退耕地信息遥感识别方法及装置。
背景技术
鉴于干旱区生态环境比较脆弱或者重要的生态功能区保护的需要,一些农田需要作为退耕地进行还林还草等,以实现生态系统的价值最大化。
然而,从管理角度,需要及时统计不同时期退耕的具体时间、位置、面积和恢复的类型,以及退耕并且根据退耕的时间和面积对地方或者农民给予一定的经济补偿,同时也为监测退耕还林还草生态恢复的效果提供重要支撑。
遥感技术由于其多时间、多空间和多光谱等特性,使其能够有效的获取地表覆盖和变化的相关信息,因此对于农林草区域退耕地生态恢复的时间和面积的识别具有不可替代的潜力。
然而,根据目前的相关的遥感研究和应用成果来看,应用遥感技术进行退耕地面积、退耕地再利用信息等退耕地信息的确定多是通过光谱信息或者结合纹理信息等进行土地利用分类,并在此基础上得到退耕地信息。但是农田退耕的时间差异可能会比较大,而用分类的方法多是采用一个时相得到的,因此可能会存在一些农田信息不能有效的提取或者荒地植树不能识别的可能,故现有传统的遥感提取休耕地和恢复的植被类型方法的精度存在一定的不确定性。
因此如何更有效提取退耕地信息已经成为业界亟待解决的问题。
发明内容
本发明实施例提供一种退耕地信息遥感识别方法及装置,用以解决上述背景技术中提出的技术问题,或至少部分解决上述背景技术中提出的技术问题。
本发明实施例提供一种退耕地信息遥感识别方法,包括:
获取监测时间段内目标区域的第一空间分辨率的第一类时间序列遥感影像以及第二空间分辨率的第二类时间序列遥感影像;所述第一空间分辨率大于所述第二空间分辨率;
基于所述第一类时间序列遥感影像,确定所述目标区域内各作物的生长关键点,并基于各作物的生长关键点处的归一化植被指数,确定所述目标区域内的退耕地区域以及退耕时间;
确定目标像元的数量,并基于所述目标像元的数量,确定所述退耕地区域的面积;其中,所述目标像元为目标遥感影像中对应于所述退耕地区域的像元,所述目标遥感影像为所述第二类时间序列遥感影像中与所述退耕时间相对应的遥感影像。
更具体的,还包括:
基于所述第二类时间序列遥感影像,以所述退耕时间为起点,确定每一目标像元位置的植被生长累计趋势值以及每一目标像元位置的归一化植被指数均值;
若判断所述植被生长累计趋势值大于等于第一阈值,且所述归一化植被指数均值大于等于第二阈值,则确定所述退耕地区域为退耕还林区域。
更具体的,还包括:
基于所述第二类时间序列遥感影像,以所述退耕时间为起点,确定每一目标像元位置的年归一化植被指数均值以及方差,并基于所述年归一化植被指数均值以及方差,确定年植被NDVI变异系数;
以所述退耕时间为起点,获取所述退耕地区域的年时间序列降雨量均值及方差,并基于所述年时间序列降雨量均值以及方差,确定年降雨量变异系数;
若判断获知所述年植被NDVI变异系数以及所述年降雨量变异系数满足预设条件,则确定所述退耕地区域为退耕还草区域。
更具体的,还包括:基于所述年植被NDVI变异系数以及所述年降雨量变异系数,确定年协同变化系数;
相应地,所述预设条件具体包括:所述年协同变化系数小于等于第三阈值,且所述年植被NDVI变异系数大于等于第四阈值、所述年降雨量变异系数大于等于第五阈值;或者,所述年植被NDVI变异系数小于等于第六阈值,且所述年降雨量变异系数小于等于第七阈值。
更具体的,所述基于所述年植被NDVI变异系数以及所述年降雨量变异系数,确定年协同变化系数,具体包括:
计算所述年植被NDVI变异系数与所述年降雨量变异系数之差的绝对值,并计算所述绝对值与所述年植被NDVI变异系数的比值,将所述比值作为所述年协同变化系数。
更具体的,所述基于所述第一类时间序列遥感影像,确定所述目标区域内各作物的生长关键点,具体包括:
基于所述第一类时间序列遥感影像,确定每景遥感影像中每一像元的归一化植被指数,并基于每景遥感影像中每一像元的归一化植被指数,确定所述第一类时间序列遥感影像的每一像元位置处的年归一化植被指数均值以及方差;
基于所述年归一化植被指数均值以及方差,确定所述第一类时间序列遥感影像的每一像元位置处的年植被NDVI变异系数;
若判断获知所述年植被NDVI变异系数大于等于第八阈值,且所述年归一化植被指数均值大于等于第九阈值,则确定对应的像元位置处存在作物;
基于存在作物的所有像元位置处所有像元的归一化植被指数,生成所述目标区域内各作物的物候曲线,并从各作物的物候曲线中提取各作物的生长关键点。
更具体的,所述基于各作物的生长关键点处的归一化植被指数,确定所述目标区域内的退耕地区域以及退耕时间,具体包括:
基于各作物的生长关键点处的归一化植被指数,确定存在作物的每一像元位置的年植被NDVI变异系数;
若判断获知所述监测时间段内的任一年份内存在作物的任一像元位置的年植被NDVI变异系数与目标年份内所述任一像元位置的年植被NDVI变异系数之差的绝对值大于等于第十阈值,则确定所述任一像元位置表示退耕地,所有表示退耕地的像元位置构成所述退耕地区域,所述任一年份为退耕时间。
本发明实施例提供一种退耕地信息遥感识别装置,包括:
遥感影像获取模块,用于获取监测时间段内目标区域的第一空间分辨率的第一类时间序列遥感影像以及第二空间分辨率的第二类时间序列遥感影像;所述第一空间分辨率大于所述第二空间分辨率;
退耕地区域确定模块,用于基于所述第一类时间序列遥感影像,确定所述目标区域内各作物的生长关键点,并基于各作物的生长关键点处的归一化植被指数,确定所述目标区域内的退耕地区域以及退耕时间;
退耕地区域面积确定模块,用于确定目标像元的数量,并基于所述目标像元的数量,确定所述退耕地区域的面积;其中,所述目标像元为目标遥感影像中对应于所述退耕地区域的像元,所述目标遥感影像为所述第二类时间序列遥感影像中与所述退耕时间相对应的遥感影像。
本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所退耕地信息遥感识别方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述退耕地信息遥感识别方法的步骤。
本发明实施例提供的一种退耕地信息遥感识别方法及装置,通过采用不同空间分辨率的第一类时间序列遥感影像以及第二类时间序列遥感影像相结合的方式,对目标区域内的退耕地区域进行确定,并确定出退耕地区域的面积,可以使得确定的退耕地区域以及退耕地区域的面积更加准确,为精准的旱区生态恢复提供支撑。
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一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例中提供的一种退耕地信息遥感识别方法的流程示意图;
图2为本发明实施例中提供的一种退耕地信息遥感识别装置的结构示意图;
图3为本发明实施例中提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
图1为本发明实施例中所描述的退耕地信息遥感识别方法的流程示意图,如图1所示,该方法包括:
S1,获取监测时间段内目标区域的第一空间分辨率的第一类时间序列遥感影像以及第二空间分辨率的第二类时间序列遥感影像;所述第一空间分辨率大于所述第二空间分辨率;
S2,基于所述第一类时间序列遥感影像,确定所述目标区域内各作物的生长关键点,并基于各作物的生长关键点处的归一化植被指数,确定所述目标区域内的退耕地区域以及退耕时间;
S3,确定目标像元的数量,并基于所述目标像元的数量,确定所述退耕地区域的面积;其中,所述目标像元为目标遥感影像中对应于所述退耕地区域的像元,所述目标遥感影像为所述第二类时间序列遥感影像中与所述退耕时间相对应的遥感影像。
具体的,本发明实施例中提供的退耕地信息遥感识别方法,其执行主体为服务器,具体可以是电脑服务器或者云端服务器,本发明实施例中对此不作具体限定。
首先执行步骤S1。其中,监测时间段是指需要研究的时间范围,可以以年为单位,例如5年、10年等。目标区域是指需要研究的地理区域,可以以公里为单位,例如方圆10公里,方圆50公里,方圆100公里等。目标区域内会包含有农田作物以及草地、林地等其他植被。农田作物可以包括冬小麦、夏玉米、春玉米等。第一空间分辨率的第一类时间序列遥感影像具体可以是低空间分辨率、高时间分辨率的第一类时间序列遥感影像,第二空间分辨率的第二类时间序列遥感影像可以是中高空间分辨率、低时间分辨率的第二类时间序列遥感影像。其中,第一类时间序列遥感影像以及第二类时间序列遥感影像具体可以是多个年份中每一年份内的时间序列遥感影像,均可包含有多景遥感影像,包含的具体景数可以根据需要进行设定,本发明实施例中对此不作具体限定。第一类时间序列遥感影像具体可以是通过中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,MODIS)确定的MODIS数据。
然后执行步骤S2。在第一类时间序列遥感影像以及第二类时间序列遥感影像内均包含有目标区域的地面植被在各个光谱的反射率,因此本发明实施例中根据第一类时间序列遥感影像,可以确定出目标区域内各作物的生长关键点。其中,作物是指农田作物,可以包括冬小麦、夏玉米、春玉米等。具体可以通过计算第一类时间序列遥感影像中每景遥感影像中各对应于作物的像元处的归一化植被指数(Normalized Difference VegetationIndex,NDVI)实现。作物的生长关键点可以包括每一年中种植、封垄、拔节等不同阶段。由于退耕地与耕地之间的NDVI会存在差异,因此可以根据各作物的生长关键点处的归一化植被指数,确定出目标区域内的退耕地区域以及退耕时间。
最后执行步骤S3,确定目标像元的数量,并基于目标像元的数量,确定出退耕地区域的面积。其中,目标像元为目标遥感影像中对应于退耕地区域的像元,即第二类时间序列遥感影像中与退耕时间相对应的遥感影像中,对应于退耕地区域的像元。也就是说,本发明实施例中通过低空间分辨率的第一类时间序列遥感影像确定出退耕地区域,然后再通过高空间分辨率的第二类时间序列遥感影像确定出退耕地区域的面积。该面积的计算具体可以通过如下公式确定:
Sj=b·p2
其中,Sj为监测时间段内第j年的退耕地面积,b为第j年的目标像元的数量,也即第二类时间序列遥感影像中第j年对应的遥感影像中对应于退耕地区域的像元,p为第二类时间序列遥感影像的。
本发明实施例提供的一种退耕地信息遥感识别方法,通过采用不同空间分辨率的第一类时间序列遥感影像以及第二类时间序列遥感影像相结合的方式,对目标区域内的退耕地区域进行确定,并确定出退耕地区域的面积,可以使得确定的退耕地区域以及退耕地区域的面积更加准确,为精准的旱区生态恢复提供支撑。
在上述实施例的基础上,本发明实施例中提供的退耕地信息遥感识别方法,还包括:
基于所述第二类时间序列遥感影像,以所述退耕时间为起点,确定每一目标像元位置的植被生长累计趋势值以及每一目标像元位置的归一化植被指数均值;
若判断所述植被生长累计趋势值大于等于第一阈值,且所述归一化植被指数均值大于等于第二阈值,则确定所述退耕地区域为退耕还林区域。
具体地,本发明实施例中在确定出退耕地区域以及退耕时间的基础上,可以进一步确定退耕地的再利用信息,即是退耕还草还是退耕还林或者退耕再复耕。
首先,根据第二类时间序列遥感影像,以退耕时间为起点,确定出每一目标像元位置的植被生长累计趋势值以及每一目标像元位置的归一化植被指数均值。目标像元位置是指第二类时间序列遥感影像中对应于退耕地区域的每一像元所处的位置,植被生长累计趋势值用于表征退耕地区域在退耕之后的植被生成的累计趋势。植被生长累计趋势值具体可以通过如下公式构建的林地生长趋势值分析模型确定:
其中,ITV为以退耕时间为起点至第M年的植被生长累计趋势值,ITj为以退耕时间为起点第j年生长旺季的NDVI。M为常数,且为正整数,μ为以退耕时间为起点至第M年的归一化植被指数均值。
然后判断植被生长累计趋势值ITV的大小以及归一化植被指数均值μ的大小。若植被生长累计趋势值ITV大于等于第一阈值a1,且归一化植被指数均值μ大于等于第二阈值a2,则确定退耕地区域为退耕还林区域。其中,a1和a2均为常数,可根据需要进行设定,本发明实施例中对此不作具体限定。
在上述实施例的基础上,本发明实施例中提供的退耕地信息遥感识别方法,还包括:查找是否存在退耕又复耕的情况,如果存在则将遥感影像进行掩膜处理,不参与以下步骤的处理。
在上述实施例的基础上,本发明实施例中提供的退耕地信息遥感识别方法,还包括:
基于所述第二类时间序列遥感影像,以所述退耕时间为起点,确定每一目标像元位置的年归一化植被指数均值以及方差,并基于所述年归一化植被指数均值以及方差,确定年植被NDVI变异系数;
以所述退耕时间为起点,获取所述退耕地区域的年时间序列降雨量均值及方差,并基于所述年时间序列降雨量均值以及方差,确定年降雨量变异系数;
若判断获知所述年植被NDVI变异系数以及所述年降雨量变异系数满足预设条件,则确定所述退耕地区域为退耕还草区域。
具体地,年归一化植被指数均值是指每一目标像元位置在以退耕时间为起点的某一年份j内的归一化植被指数均值,具体可通过如下公式确定:
其中,μ为年归一化植被指数均值,n为某一年份j的第二类时间序列遥感影像的景数,NDVIi为第i景遥感影像中某一目标像元位置处的NDVI。
年归一化植被指数方差是指每一目标像元位置在以退耕时间为起点的某一年份j的归一化植被指数方差,具体可通过如下公式确定:
其中,σ为年归一化植被指数方差。
根据年归一化植被指数均值μ以及方差σ,可以采用如下公式确定年植被NDVI变异系数CV:
以退耕时间为起点,可以分别通过如下公式获取退耕地区域在某一年份j的年时间序列降雨量均值及方差,并确定年降雨量变异系数:
其中,CVp为退耕地区域在某一年份j的年降雨量变异系数,μp为退耕地区域在某一年份j的年时间序列降雨量均值,σp为退耕地区域在某一年份j的年时间序列降雨量方差,pk为退耕地区域在某一年份j的第k月的降雨量。
然后判断年植被NDVI变异系数以及所述年降雨量变异系数是否满足预设条件,如果满足预设条件,则确定退耕地区域为退耕还草区域。本发明实施例中,预设条件可以为年植被NDVI变异系数CV小于等于第六阈值a6,且年降雨量变异系数CVp小于等于第七阈值a7。其中,a6和a7均为常数,可根据需要进行设定,本发明实施例中对此不作具体限定。
在上述实施例的基础上,本发明实施例中提供的退耕地信息遥感识别方法,还包括:
基于所述年植被NDVI变异系数以及所述年降雨量变异系数,确定年协同变化系数;
相应地,所述预设条件具体包括:所述年协同变化系数小于等于第三阈值,且所述年植被NDVI变异系数大于等于第四阈值、所述年降雨量变异系数大于等于第五阈值。
具体地,本发明实施例中,根据年植被NDVI变异系数CV以及年降雨量变异系数CVp确定年协同变化系数时,可以先计算年植被NDVI变异系数CV与年降雨量变异系数CVp之差的绝对值,并计算绝对值与所述年植被NDVI变异系数CV的比值,将该比值作为年协同变化系数CVVI,具体可以通过如下公式实现:
其中,CVVI为年协同变化系数。
如果年协同变化系数CVVI小于等于第三阈值a3,且年植被NDVI变异系数CV大于等于第四阈值a4、年降雨量变异系数CVp大于等于第五阈值a5,则退耕地区域为退耕还草区域。其中,a3、a4和a5均为常数,可根据需要进行设定,本发明实施例中对此不作具体限定。
在上述实施例的基础上,若退耕地区域既不是退耕再复耕,也不是退耕还林区域或退耕还草区域,则可认为是退耕还林后,林地枯萎或消失,演变为草地的情况。
在上述实施例的基础上,本发明实施例中提供的退耕地信息遥感识别方法,所述基于所述第一类时间序列遥感影像,确定所述目标区域内各作物的生长关键点,具体包括:
基于所述第一类时间序列遥感影像,确定每景遥感影像中每一像元的归一化植被指数,并基于每景遥感影像中每一像元的归一化植被指数,确定所述第一类时间序列遥感影像的每一像元位置处的年归一化植被指数均值以及方差;
基于所述年归一化植被指数均值以及方差,确定所述第一类时间序列遥感影像的每一像元位置处的年植被NDVI变异系数;
若判断获知所述年植被NDVI变异系数大于等于第八阈值,且所述年归一化植被指数均值大于等于第九阈值,则确定对应的像元位置处存在作物;
基于存在作物的所有像元位置处所有像元的归一化植被指数,生成所述目标区域内各作物的物候曲线,并从各作物的物候曲线中提取各作物的生长关键点。
具体地,根据第一类时间序列遥感影像,可以确定每景遥感影像中每一像元的NDVI,根据每景遥感影像中每一像元的NDVI,可以确定第一类时间序列遥感影像的每一像元位置处某一年份j的年归一化植被指数均值μ0以及方差σ0;
根据μ0以及σ0,可以确定第一类时间序列遥感影像的每一像元位置处的年植被NDVI变异系数CV0。
若年植被NDVI变异系数CV0大于等于第八阈值a8,且年归一化植被指数均值μ0大于等于第九阈值a9,则确定对应的像元位置处存在作物。否则确定对应的像元位置处存在其他植被。其中,a8和a9均为常数,可根据需要进行设定,本发明实施例中对此不作具体限定。
根据存在作物的所有像元位置处所有像元的归一化植被指数,生成目标区域内各作物的物候曲线,并从各作物的物候曲线中提取各作物的生长关键点。
在上述实施例的基础上,本发明实施例中提供的退耕地信息遥感识别方法,所述基于各作物的生长关键点处的归一化植被指数,确定所述目标区域内的退耕地区域以及退耕时间,具体包括:
基于各作物的生长关键点处的归一化植被指数,确定存在作物的每一像元位置的年植被NDVI变异系数;
若判断获知所述监测时间段内的任一年份内存在作物的任一像元位置的年植被NDVI变异系数与目标年份内所述任一像元位置的年植被NDVI变异系数之差的绝对值大于等于第十阈值,则确定所述任一像元位置表示退耕地,所有表示退耕地的像元位置构成所述退耕地区域,所述任一年份为退耕时间。
具体地,设监测时间段内的任一年份j内存在作物的任一像元位置的年植被NDVI变异系数为CVj,目标年份内任一像元位置的年植被NDVI变异系数为CV0,表示监测时间段的前一年内任一像元位置的年植被NDVI变异系数。CVj与CV0之差的绝对值大于等于第十阈值a10,则确定该像元位置表示退耕地,所有表示退耕地的像元位置构成退耕地区域,任一年份j则为退耕时间。
在上述实施例的基础上,本发明实施例中提供的退耕地信息遥感识别方法,本发明实施例在得到第一类时间序列遥感影像以及第二类时间序列遥感影像之后,确定第一类时间序列遥感影像以及第二类时间序列遥感影像中每个像元的NDVI。然后通过Savitzky-Golay滤波模型对得到的NDVI进行滤波。Savitzky-Golay滤波基本公式为:
其中,Y是指NDVI的原始值,Y*是NDVI的拟合值,Ci是第i个NDVI滤波时的系数,N是指卷积数目,也等于滑动数组的宽度(2m+1)。系数j是指原始NDVI数组的系数。滑动数组包含有(2m+1)个点。该方法本质上是种平滑滤波,因此两个参数控制滤波效果,一个是m,即滤波窗口大小;二是平滑多项式的次数。
图2为本发明一实施例所描述退耕地信息遥感识别装置的结构示意图,如图2所示,包括:遥感影像获取模块210、退耕地区域确定模块220和退耕地区域面积确定模块230。其中,
遥感影像获取模块210用于获取监测时间段内目标区域的第一空间分辨率的第一类时间序列遥感影像以及第二空间分辨率的第二类时间序列遥感影像;所述第一空间分辨率大于所述第二空间分辨率;
退耕地区域确定模块220用于基于所述第一类时间序列遥感影像,确定所述目标区域内各作物的生长关键点,并基于各作物的生长关键点处的归一化植被指数,确定所述目标区域内的退耕地区域以及退耕时间;
退耕地区域面积确定模块230用于确定目标像元的数量,并基于所述目标像元的数量,确定所述退耕地区域的面积;其中,所述目标像元为目标遥感影像中对应于所述退耕地区域的像元,所述目标遥感影像为所述第二类时间序列遥感影像中与所述退耕时间相对应的遥感影像。
本发明实施例提供的装置是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图3为本发明一实施例所描述的电子设备的结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行如下退耕地信息遥感识别方法:获取监测时间段内目标区域的第一空间分辨率的第一类时间序列遥感影像以及第二空间分辨率的第二类时间序列遥感影像;所述第一空间分辨率小于所述第二空间分辨率;基于所述第一类时间序列遥感影像,确定所述目标区域内各作物的生长关键点,并基于各作物的生长关键点处的归一化植被指数,确定所述目标区域内的退耕地区域以及退耕时间;确定目标像元的数量,并基于所述目标像元的数量,确定所述退耕地区域的面积;其中,所述目标像元为目标遥感影像中对应于所述退耕地区域的像元,所述目标遥感影像为所述第二类时间序列遥感影像中与所述退耕时间相对应的遥感影像。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的退耕地信息遥感识别方法:获取监测时间段内目标区域的第一空间分辨率的第一类时间序列遥感影像以及第二空间分辨率的第二类时间序列遥感影像;所述第一空间分辨率小于所述第二空间分辨率;基于所述第一类时间序列遥感影像,确定所述目标区域内各作物的生长关键点,并基于各作物的生长关键点处的归一化植被指数,确定所述目标区域内的退耕地区域以及退耕时间;确定目标像元的数量,并基于所述目标像元的数量,确定所述退耕地区域的面积;其中,所述目标像元为目标遥感影像中对应于所述退耕地区域的像元,所述目标遥感影像为所述第二类时间序列遥感影像中与所述退耕时间相对应的遥感影像。
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述各实施例提供的退耕地信息遥感识别方法:获取监测时间段内目标区域的第一空间分辨率的第一类时间序列遥感影像以及第二空间分辨率的第二类时间序列遥感影像;所述第一空间分辨率小于所述第二空间分辨率;基于所述第一类时间序列遥感影像,确定所述目标区域内各作物的生长关键点,并基于各作物的生长关键点处的归一化植被指数,确定所述目标区域内的退耕地区域以及退耕时间;确定目标像元的数量,并基于所述目标像元的数量,确定所述退耕地区域的面积;其中,所述目标像元为目标遥感影像中对应于所述退耕地区域的像元,所述目标遥感影像为所述第二类时间序列遥感影像中与所述退耕时间相对应的遥感影像。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种退耕地信息遥感识别方法,其特征在于,包括:
获取监测时间段内目标区域的第一空间分辨率的第一类时间序列遥感影像以及第二空间分辨率的第二类时间序列遥感影像;所述第一空间分辨率小于所述第二空间分辨率;
基于所述第一类时间序列遥感影像,确定所述目标区域内各作物的生长关键点,并基于各作物的生长关键点处的归一化植被指数,确定所述目标区域内的退耕地区域以及退耕时间;
确定目标像元的数量,并基于所述目标像元的数量,确定所述退耕地区域的面积;其中,所述目标像元为目标遥感影像中对应于所述退耕地区域的像元,所述目标遥感影像为所述第二类时间序列遥感影像中与所述退耕时间相对应的遥感影像。
2.根据权利要求1所述的退耕地信息遥感识别方法,其特征在于,还包括:
基于所述第二类时间序列遥感影像,以所述退耕时间为起点,确定每一目标像元位置的植被生长累计趋势值以及每一目标像元位置的归一化植被指数均值;
若判断所述植被生长累计趋势值大于等于第一阈值,且所述归一化植被指数均值大于等于第二阈值,则确定所述退耕地区域为退耕还林区域。
3.根据权利要求1所述的退耕地信息遥感识别方法,其特征在于,还包括:
基于所述第二类时间序列遥感影像,以所述退耕时间为起点,确定每一目标像元位置的年归一化植被指数均值以及方差,并基于所述年归一化植被指数均值以及方差,确定年植被NDVI变异系数;
以所述退耕时间为起点,获取所述退耕地区域的年时间序列降雨量均值及方差,并基于所述年时间序列降雨量均值以及方差,确定年降雨量变异系数;
若判断获知所述年植被NDVI变异系数以及所述年降雨量变异系数满足预设条件,则确定所述退耕地区域为退耕还草区域。
4.根据权利要求3所述的退耕地信息遥感识别方法,其特征在于,还包括:基于所述年植被NDVI变异系数以及所述年降雨量变异系数,确定年协同变化系数;
相应地,所述预设条件具体包括:所述年协同变化系数小于等于第三阈值,且所述年植被NDVI变异系数大于等于第四阈值、所述年降雨量变异系数大于等于第五阈值;或者,所述年植被NDVI变异系数小于等于第六阈值,且所述年降雨量变异系数小于等于第七阈值。
5.根据权利要求4所述的退耕地信息遥感识别方法,其特征在于,所述基于所述年植被NDVI变异系数以及所述年降雨量变异系数,确定年协同变化系数,具体包括:
计算所述年植被NDVI变异系数与所述年降雨量变异系数之差的绝对值,并计算所述绝对值与所述年植被NDVI变异系数的比值,将所述比值作为所述年协同变化系数。
6.根据权利要求1-5中任一项所述的退耕地信息遥感识别方法,其特征在于,所述基于所述第一类时间序列遥感影像,确定所述目标区域内各作物的生长关键点,具体包括:
基于所述第一类时间序列遥感影像,确定每景遥感影像中每一像元的归一化植被指数,并基于每景遥感影像中每一像元的归一化植被指数,确定所述第一类时间序列遥感影像的每一像元位置处的年归一化植被指数均值以及方差;
基于所述年归一化植被指数均值以及方差,确定所述第一类时间序列遥感影像的每一像元位置处的年植被NDVI变异系数;
若判断获知所述年植被NDVI变异系数大于等于第八阈值,且所述年归一化植被指数均值大于等于第九阈值,则确定对应的像元位置处存在作物;
基于存在作物的所有像元位置处所有像元的归一化植被指数,生成所述目标区域内各作物的物候曲线,并从各作物的物候曲线中提取各作物的生长关键点。
7.根据权利要求6所述退耕地信息遥感识别方法,其特征在于,所述基于各作物的生长关键点处的归一化植被指数,确定所述目标区域内的退耕地区域以及退耕时间,具体包括:
基于各作物的生长关键点处的归一化植被指数,确定存在作物的每一像元位置的年植被NDVI变异系数;
若判断获知所述监测时间段内的任一年份内存在作物的任一像元位置的年植被NDVI变异系数与目标年份内所述任一像元位置的年植被NDVI变异系数之差的绝对值大于等于第十阈值,则确定所述任一像元位置表示退耕地,所有表示退耕地的像元位置构成所述退耕地区域,所述任一年份为退耕时间。
8.一种退耕地信息遥感识别装置,其特征在于,包括:
遥感影像获取模块,用于获取监测时间段内目标区域的第一空间分辨率的第一类时间序列遥感影像以及第二空间分辨率的第二类时间序列遥感影像;所述第一空间分辨率大于所述第二空间分辨率;
退耕地区域确定模块,用于基于所述第一类时间序列遥感影像,确定所述目标区域内各作物的生长关键点,并基于各作物的生长关键点处的归一化植被指数,确定所述目标区域内的退耕地区域以及退耕时间;
退耕地区域面积确定模块,用于确定目标像元的数量,并基于所述目标像元的数量,确定所述退耕地区域的面积;其中,所述目标像元为目标遥感影像中对应于所述退耕地区域的像元,所述目标遥感影像为所述第二类时间序列遥感影像中与所述退耕时间相对应的遥感影像。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述退耕地信息遥感识别方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述退耕地信息遥感识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011124138.4A CN112232230B (zh) | 2020-10-20 | 2020-10-20 | 退耕地信息遥感识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011124138.4A CN112232230B (zh) | 2020-10-20 | 2020-10-20 | 退耕地信息遥感识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232230A CN112232230A (zh) | 2021-01-15 |
CN112232230B true CN112232230B (zh) | 2021-04-16 |
Family
ID=74118139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011124138.4A Active CN112232230B (zh) | 2020-10-20 | 2020-10-20 | 退耕地信息遥感识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232230B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609899B (zh) * | 2021-06-24 | 2024-05-14 | 河海大学 | 基于遥感时序分析的退耕地信息定位显示系统 |
CN113984212B (zh) * | 2021-10-27 | 2023-06-27 | 中国气象科学研究院 | 农业灌区提取方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794424A (zh) * | 2014-01-20 | 2015-07-22 | 北京天合数维科技有限公司 | 一种新的中低分辨率遥感数据复合的耕地识别方法 |
CN109960972A (zh) * | 2017-12-22 | 2019-07-02 | 北京航天泰坦科技股份有限公司 | 一种基于中高分辨率时序遥感数据的农林作物识别方法 |
JP2020024103A (ja) * | 2018-08-06 | 2020-02-13 | ソニー株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
-
2020
- 2020-10-20 CN CN202011124138.4A patent/CN112232230B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794424A (zh) * | 2014-01-20 | 2015-07-22 | 北京天合数维科技有限公司 | 一种新的中低分辨率遥感数据复合的耕地识别方法 |
CN109960972A (zh) * | 2017-12-22 | 2019-07-02 | 北京航天泰坦科技股份有限公司 | 一种基于中高分辨率时序遥感数据的农林作物识别方法 |
JP2020024103A (ja) * | 2018-08-06 | 2020-02-13 | ソニー株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
Non-Patent Citations (3)
Title |
---|
Identifying climate risk causing maize (Zea mays L.) yield fluctuation by time‑series data;Yuhe Ji et al.;《Natural Hazards》;20190430;第1213-1222页 * |
利用高—中—低分辨率遥感影像的大区域耕地面积快速估测研究;王力凡 等;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140415;I140-713 * |
基于中高分辨率卫星遥感数据的县域冬小麦估产;秦元伟 等;《农业工程学报》;20090731(第7期);第118-123页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112232230A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Son et al. | Assessment of Sentinel-1A data for rice crop classification using random forests and support vector machines | |
Stanton et al. | Unmanned aircraft system-derived crop height and normalized difference vegetation index metrics for sorghum yield and aphid stress assessment | |
Sexton et al. | Global, 30-m resolution continuous fields of tree cover: Landsat-based rescaling of MODIS vegetation continuous fields with lidar-based estimates of error | |
Pôças et al. | Estimation of actual crop coefficients using remotely sensed vegetation indices and soil water balance modelled data | |
Vaudour et al. | Early-season mapping of crops and cultural operations using very high spatial resolution Pléiades images | |
Kordi et al. | Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images | |
CN112232230B (zh) | 退耕地信息遥感识别方法及装置 | |
Smith et al. | Investigating RADARSAT-2 as a tool for monitoring grassland in western Canada | |
Anderegg et al. | On-farm evaluation of UAV-based aerial imagery for season-long weed monitoring under contrasting management and pedoclimatic conditions in wheat | |
Sinde-González et al. | Biomass estimation of pasture plots with multitemporal UAV-based photogrammetric surveys | |
Avtar et al. | Assessing the influence of UAV altitude on extracted biophysical parameters of young oil palm | |
de Beurs et al. | Disturbance analyses of forests and grasslands with MODIS and Landsat in New Zealand | |
CN112001809A (zh) | 一种农林区退耕地信息获取方法 | |
Hütt et al. | Multi-data approach for crop classification using multitemporal, dual-polarimetric TerraSAR-X data, and official geodata | |
Kavats et al. | Monitoring of sugarcane harvest in Brazil based on optical and SAR data | |
De Vroey et al. | Mowing detection using Sentinel-1 and Sentinel-2 time series for large scale grassland monitoring | |
Wang et al. | An automated extraction of small-and middle-sized rice fields under complex terrain based on SAR time series: A case study of Chongqing | |
CN112418050B (zh) | 退耕地信息遥感识别方法及装置 | |
Beniaich et al. | UAV-based vegetation monitoring for assessing the impact of soil loss in olive orchards in Brazil | |
Kganyago | Using sentinel-2 observations to assess the consequences of the COVID-19 lockdown on winter cropping in Bothaville and Harrismith, South Africa | |
North et al. | Mapping bare ground in New Zealand hill-country agriculture and forestry for soil erosion risk assessment: An automated satellite remote-sensing method | |
Rizvi et al. | Mapping extent of agroforestry area through remote sensing: issues, estimates and methodology | |
Kopeć et al. | The essence of acquisition time of airborne hyperspectral and on-ground reference data for classification of highly invasive annual vine Echinocystis lobata (Michx.) Torr. & A. Gray | |
Prasad et al. | Cotton yield estimation using phenological metrics derived from long-term MODIS data | |
Rege et al. | Mapping cashew monocultures in the Western Ghats using optical and radar imagery in Google Earth Engine |
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 |