CN112329733B - 一种基于gee云平台的冬小麦长势监测及分析方法 - Google Patents
一种基于gee云平台的冬小麦长势监测及分析方法 Download PDFInfo
- Publication number
- CN112329733B CN112329733B CN202011374330.9A CN202011374330A CN112329733B CN 112329733 B CN112329733 B CN 112329733B CN 202011374330 A CN202011374330 A CN 202011374330A CN 112329733 B CN112329733 B CN 112329733B
- Authority
- CN
- China
- Prior art keywords
- ndvi
- winter wheat
- period
- image
- value
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于GEE云平台的冬小麦长势监测及分析方法,该方法基于Landsat8、MODIS两种影像的优势,在GEE云平台上首先结合Landsat8影像数据对训练特征进行构建,并使用机器学习的方法提取X个年限被测农作区冬小麦播种面积及其空间分布,进而以MODIS影像数据对被测年限冬小麦返青期至抽穗期间冬小麦长势进行监测及分析。通过利用Landsat8影像数据进行特征提取,从而减少混合像元对冬小麦播种面积提取精度的影响,同时利用MODIS影像数据时间分辨率高的特点,对冬小麦长势进行持续跟踪,使监测结果准确度得到大幅提升,为安排指导农事活动提供科学依据。
Description
技术领域
本发明涉及空间信息处理技术领域,具体涉及一种基于GEE云平台的冬小麦长势监测及分析方法。
背景技术
卫星遥感数据以其覆盖面广、光谱信息丰富、周期性强等特点目前已成为监测冬小麦分布及长势的重要手段之一。目前常用的提取冬小麦播种面积的手段主要有:1、结合遥感影像利用NDVI等植被指数的时序变化来设置合适阈值对冬小麦的空间分布信息进行提取;2、使用机器学习的方法对遥感影像各类型地物进行分类进而提取冬小麦的播种面积。在机器学习方法中,随机森林算法自动化程度高、较容易实现,且其计算开销小,在遥感影像分类上被广泛应用,在使用机器学习方法对遥感影像进行分类时,加入地形、纹理特征能够提高分类精度。
目前在冬小麦的长势监测上大部分研究都是基于MODIS影像数据,运用各种植被指数时序变化构建阈值来提取冬小麦的空间分布信息并进行长势监测,而由于MODIS影像数据存在空间分辨率较低的问题,在根据MODIS影像数据进行特征提取时会产生大量的混合像元,致使分析存在较大误差。
如专利文献CN110390287A公开了一种基于卫星遥感的作物成熟期预测方法,在单独运用MODIS影像数据时受混合像元影响,其成像提取结果存有偏差。
发明内容
本发明为解决在对冬小麦进行大区域高精度的提取且进行高频度的长势监测时提取数据存在混合像元较多或时间分辨率不足的问题,提供了一种基于GEE云平台的冬小麦长势监测及分析方法,基于Landsat8、MODIS两种影像各自的优势,在GEE云平台上首先结合Landsat8影像数据对训练特征进行构建,并使用机器学习的方法提取X个年限被测农作区冬小麦播种面积及其空间分布,进而以MODIS影像数据对被测年限小麦返青期至抽穗期间冬小麦长势进行监测及分析。
本发明的技术方案是:一种基于GEE云平台的冬小麦长势监测及分析方法,所述方法包括:
步骤1:从GEE云平台获取被测农作区X个年限Landsat8影像数据及MODIS影像数据,并对应生成Landsat8影像数据集和MODIS影像数据集,其中X>3,定义其中一个年限为被测年限,其余年限为参考年限,在参考年限中与被测年限临近的年限为临近年限;
步骤2:基于Landsat8影像数据集,计算每景影像NDVI数据,并合成影像,基于合成影像构建训练特征使用机器学习的方法提取被测区冬小麦种植面积;
步骤3:将冬小麦种植面积区域生成掩膜,结合MODIS影像数据集对掩膜区域进行计算生成NDVI差值模型;
步骤4:利用同期对比法对被测年限冬小麦长势进行高频度监测及分析。
进一步地,所述步骤2具体包括:
步骤2.1:结合GoogleEarth高清影像数据选取被测农作区的样本数据,所述样本数据包括冬小麦及其它地物,定义冬小麦为特征样本,其它地物为参考样本,所述参考样本对于特征样本处于相对静止状态;
步骤2.2:通过Landsat8影像数据基于公式(1)分别计算冬小麦出苗期至返青期每景NDVI数据;
所述每景NDVI数据计算公式NDVI表示为:
其中NDVI为植被覆盖指数,Red为Landsat8影像的红波段,NIR为Landsat8影像的近红外波段;
对Landsat8影像数据的每个像元按照NDVI值从小到大进行排序,提取基于NDVI最大值合成的影像;
步骤2.3:通过所述冬小麦出苗期至返青期每景NDVI数据基于公式(2)计算冬小麦出苗期至返青期NDVI数据增幅NDVIincrease,并将NDVI数据增幅NDVIincrease作为特征参数添加至基于NDVI最大值合成的影像中,完善基于NDVI最大值合成的影像信息;
其中NDVImin为Landsat8影像数据集中出苗期合成影像的最小NDVI值,NDVImax为Landsat8影像数据集中返青期合成影像的最大NDVI值;
步骤2.4:基于GEE云平台通过SRTM影像数据构建被测农作区的地形特征,并在GEE云平台上基于Landsat8影像数据使用灰度共生矩阵构建被测农作区的纹理特征;
步骤2.5:在GEE云平台上对构建的地形特征、纹理特征信息以独立的光谱波段添加至基于NDVI最大值合成的影像中,以完善基于NDVI最大值合成的影像信息;
使用RF分类方法对所述样本数据基于地形特征、纹理特征信息进行训练,并提取被测农作区的冬小麦种植面积。
进一步地,所述步骤3具体包括:
步骤3.1:通过GEE云平台基于MODIS影像数据集对X个年限冬小麦返青期至抽穗期的每旬影像数据采用WGS-84坐标系进行重投影;
步骤3.2:对所述重投影的每旬影像数据进行NDVI最大值合成,生成NDVI最大合成影像;
步骤3.3:使用Savitzky-Golay滤波算法对所述NDVI最大合成影像进行修正,修复NDVI异常值;
步骤3.4:利用多个所述参考年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI均值与被测年限冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值进行差值对比,并将临近年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值与被测年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值进行差值对比,获得被测年限冬小麦长势参考数据。
进一步地,步骤2.4所述构建被测农作区的纹理特征具体包括;
基于NDVI选取纹理信息,结合公式(3)~(7)建立灰度共生矩阵;
所述角二阶矩ASM表示为:
其中k为原始图像的灰度级数,M(i,j)为基于原始图像生成的灰度共生矩阵;
所述逆差距IDM表示为:
所述对比度CON表示为:
所述相关性CORR表示为:
其中μ为均值,其表达式为公式(7),σ为方差,其表达式为公式(8);
进一步地,步骤3.4具体包括:
所述被测年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值与多个所述参考年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI均值的差值DL表示为公式(9):
所述被测年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值与临近年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值的差值Dn表示为公式(10):
其中,NDVIBxy为临近年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值。
进一步地,所述步骤4具体包括;
利用冬小麦种植面积基于被测农作区气候特征,并结合公式(9)和公式(10)
按公式(11)计算结果将被测年限冬小麦返青期至抽穗期的长势分为三类:
其中当f(Dn/DL)=-1时表示被测年限冬小麦长势比参考年限冬小麦长势差;
当f(Dn/DL)=0时表示被测年限冬小麦长势和参考年限冬小麦长势持平;
当f(Dn/DL)=1时表示被测年限冬小麦长势比参考年限冬小麦长势好。
通过上述技术方案,本发明的有益效果为:
本发明提出了一种基于GEE云平台的冬小麦长势监测及分析方法,使用GEE云平台通过Landsat8遥感设备能够对被测农作区冬小麦种植空间分布信息进行快速制图;使用随机森林方法加入地形特征、纹理特征、在得出区域NDVI数据后,鉴于冬小麦生长规律进行NDVI数据增幅,能够有效的提高冬小麦的提取精度以及降低与统计数据的相对误差;最终使用MODIS影像数据结合NDVI差值模型对被测农作区的冬小麦进行高频度的长势监测;
通过利用Landsat8影像数据进行特征提取,从而减少混合像元对冬小麦播种面积提取精度的影响,同时利用MODIS影像数据时间分辨率高的特点,对冬小麦长势进行持续跟踪,使监测结果准确度得到大幅提升,为安排指导农事活动提供科学依据。
附图说明
图1为一种基于GEE云平台的冬小麦长势监测及分析方的流程图。
图2为一种基于GEE云平台的冬小麦长势监测及分析方的实验对比图之一。
图3为一种基于GEE云平台的冬小麦长势监测及分析方的实验对比图之二。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明:
如图1~3所示,一种基于GEE云平台的冬小麦长势监测及分析方法,所述方法包括:
步骤1:从GEE云平台获取被测农作区X个年限Landsat8影像数据及MODIS影像数据,并对应生成Landsat8影像数据集和MODIS影像数据集,其中X>3,定义其中一个年限为被测年限,其余年限为参考年限,在参考年限中与被测年限临近的年限为临近年限;
步骤2:基于Landsat8影像数据集,计算每景影像NDVI数据,并合成影像,基于合成影像构建训练特征使用机器学习的方法提取被测区冬小麦种植面积;
步骤3:将冬小麦种植面积区域生成掩膜,结合MODIS影像数据集对掩膜区域进行计算生成NDVI差值模型;
步骤4:利用同期对比法对被测年限冬小麦长势进行高频度监测及分析。
为在冬小麦面积提取时减少混合像元的产生,所述步骤2具体包括:
步骤2.1:结合GoogleEarth高清影像数据选取被测农作区的样本数据,所述样本数据包括冬小麦及其它地物,定义冬小麦为特征样本,其它地物为参考样本,所述参考样本对于特征样本处于相对静止状态;
步骤2.2:通过Landsat8影像数据基于公式(1)分别计算冬小麦出苗期至返青期每景NDVI数据;
所述每景NDVI数据计算公式NDVI表示为:
其中NDVI为植被覆盖指数,Red为Landsat8影像的红波段,NIR为Landsat8影像的近红外波段;
对Landsat8影像数据的每个像元按照NDVI值从小到大进行排序,提取基于NDVI最大值合成的影像;
步骤2.3:通过所述冬小麦出苗期至返青期每景NDVI数据基于公式(2)计算冬小麦出苗期至返青期NDVI数据增幅NDVIincrease,并将NDVI数据增幅NDVIincrease作为特征参数添加至基于NDVI最大值合成的影像中,完善基于NDVI最大值合成的影像信息;
其中NDVImin为Landsat8影像数据集中出苗期合成影像的最小NDVI值,NDVImax为Landsat8影像数据集中返青期合成影像的最大NDVI值;
步骤2.4:基于GEE云平台通过SRTM影像数据构建被测农作区的地形特征,并在GEE云平台上基于Landsat8影像数据使用灰度共生矩阵构建被测农作区的纹理特征;
基于NDVI选取纹理信息,结合公式(3)~(7)建立灰度共生矩阵;
所述角二阶矩ASM表示为:
其中k为原始图像的灰度级数,M(i,j)为基于原始图像生成的灰度共生矩阵;
所述逆差距IDM表示为:
所述对比度CON表示为:
所述相关性CORR表示为:
其中μ为均值,其表达式为公式(7),σ为方差,其表达为公式(8);
步骤2.5:在GEE云平台上对构建的地形特征、纹理特征信息以独立的光谱波段添加至基于NDVI最大值合成的影像中,以完善基于NDVI最大值合成的影像信息;
使用RF分类方法对所述样本数据基于地形特征、纹理特征信息进行训练,并提取被测农作区的冬小麦种植面积。
所述RF分类法为包含多颗决策树的分类方法,其随机主要体现在两方面:一方面是子模型的训练样本是有放回的随机抽取的;另一方面是子模型的特征变量也是随机抽取的。随机森林的每一颗决策树都是一个分类器,当输入一个样本时,随机森林的任一颗树都会产生相对应的分类结果,而随机森林收集了所有子树的分类结果,将涵盖子树最多的类别作为最终的输出结果。
为结合MODIS影像数据特征对冬小麦长势进行跟踪,所述步骤3具体包括:
步骤3.1:通过GEE云平台基于MODIS影像数据集对X个年限冬小麦返青期至抽穗期的每旬影像数据采用WGS-84坐标系进行重投影;
步骤3.2:对所述重投影的每旬影像数据进行NDVI最大值合成,生成NDVI最大合成影像;
步骤3.3:使用Savitzky-Golay滤波算法对所述NDVI最大合成影像进行修正,修复NDVI异常值;
步骤3.4:利用多个所述参考年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI均值与被测年限冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值进行差值对比,并将临近年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值与被测年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值进行差值对比,获得被测年限冬小麦长势参考数据;
步骤3.4具体包括,所述被测年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值与多个所述参考年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI均值的差值DL表示为公式(9):
所述被测年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值与临近年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值的差值Dn表示为公式(10):
为对被测年限冬小麦长势进行数据分析,所述步骤4具体包括;
利用冬小麦种植面积基于被测农作区气候特征,并结合公式(9)和公式(10)
按公式(11)计算结果将被测年限冬小麦返青期至抽穗期的长势分为三类:
其中当f(Dn/DL)=-1时表示被测年限冬小麦长势比参考年限冬小麦长势差;
当f(Dn/DL)=0时表示被测年限冬小麦长势和参考年限冬小麦长势持平;
当f(Dn/DL)=0时表示被测年限冬小麦长势比参考年限冬小麦长势好。
在本实施例中,所述Landsat8遥感设备为Landsat 8卫星搭载OLI陆地成像仪,所述Landsat8OLI包括九个波段,Landsat 8卫星大约每两周对整个地球表面成像,其成像包括多光谱和热数据。所述MODIS遥感设备为MODIS卫星及MO9GQ地表反射率产品,其空间分辨率为250m,时间分辨率为1天。所述GEE云平台为谷歌公司开发的一款用于遥感数据分析的工具。
在本实施例中,结合实际,选取我国河南省地区作为被测农作区,对河南省2019.2月~2020.4月冬小麦的长势进行监测及分析;
首先对2019.9月(播种期)河南地区冬小麦面积进行提取及分析:
通过GoogleEarth高分辨率影像选取四类地物的样本点,结合Landsat 8影像绘制各类地物在次年9月份到4月份的NDVI变化,其中在被测农作区内共选取3889个样本点,样本数据分布均匀,覆盖全省范围,其中冬小麦样本点2554个,非冬小麦样本点1335个,非冬小麦样本包括水体、不透水面以及其它植被。
按上述方法步骤进冬小麦种植面积提取,如图2,所示,其中图像中深色区域为冬小麦种植区域图像,浅色为非种植区;
在本实施例中,X等于3,选取2017~2019年为参考年限,其中2019年度为临近年限,2020年为被测年限;
对比2017~2019年遥感数据,提取图像中冬小麦种植面积数值,通过数据可以看出2020年冬小麦种植面积大于2017~2019年。为了更好的检验此方法提取的精确性,对河南省冬小麦主要种植区域的冬小麦种植面积进行提取并计算相对误差,加入NDVI增幅这一特征后提取2017~2019年河南省冬小麦主要种植区域的冬小麦的相对误差有很大的降低,2017~2018年冬小麦的平均相对误差从12.10%降低到5.69%,2018~2019年冬小麦的平均相对误差从10.84%降低到5.49%。
为进一步对提取精度进行验证,运用混淆矩阵对验证样本计算分类后的总体分类精度、kappa系数以及冬小麦分类精度进行计算,在加入NDVI增幅特征后,总体精度、kappa系数、冬小麦分类精度均有提高。通过以上分析可以看出本研究所使用的方法提取河南省冬小麦的精度较高、效果较好。
接着通过MODIS影像及NDVI提取,对2020年2~4月冬小麦长势进行分析;
将河南省2020年的冬小麦种植面积分布应用于公式(9)和(10)进行NDVI差值模型参考年限进行对比,统计NDVI对应增量的像元个数,如图3所示,(图a为2020年与2017~2019年2~4月每旬NDVI差值模型图像对比,图b为2020年与2019年2~4月每旬NDVI差值模型图像对比)其中分别对2017~2020同期2~4月每旬NDVI差值模型图像进行对比,分析各月份冬小麦的长势,从图3反映出2020年2月上旬到3月中旬冬小麦的长势大面积好于2017~2019年,这个结果与统计的结果一致,在3月下旬到4月中旬,长势较好的区域大幅减少,90%以上的冬小麦种植区域长势与2017~2019年持平,但总体上长势好的区域于多于势差的区域;
结合气候因素分析在2月上旬到2月下旬无论是与2019同期相比还是与2017~2019年同期均值相比,2020年冬小麦的长势要远好于2019年同期及2017~2019年同期均值,在2月份2020年的气温相比2017~2019年要高,且有充足的光照时间,有利于冬小麦生长,因此冬小麦进入返青期较早;
在3月下旬到4月中旬期间2020年与2017~2019年同期相比气温在降低,光照时间在不断变化,总体趋势光照时间较2017~2019年短,因此冬小麦长势放缓。
虽然冬小麦长势受到气候的影响,但总体上在2020年冬小麦的长势依旧要好于2017~2019年均值及2019年,通过对2020年2-4月份的冬小麦长势与2017~2019年均值及2019年进行分析,可以得出河南省2020年的冬小麦长势相比2019年要好。
结合公式(11)计算结果,表明无论是从出苗期到返青期还是拔节期到抽穗期,NDVI增量大于0的区域要多于NDVI增量小于0的区域,因此冬小麦长势好的区域要多于冬小麦长势差的区域,因此判断河南省2020年冬小麦的总体产量要比2019年好。
以上所述之实施例,只是本发明的较佳实施例而已,并非限制本发明的实施范围,故凡依本发明专利范围所述的构造、特征及原理所做的等效变化或修饰,均应包括于本发明申请专利范围内。
Claims (2)
1.一种基于GEE云平台的冬小麦长势监测及分析方法,其特征在于,所述方法包括:
步骤1:从GEE云平台获取被测农作区X个年限Landsat8影像数据及MODIS影像数据,并对应生成Landsat8影像数据集和MODIS影像数据集,其中X>3,定义其中一个年限为被测年限,其余年限为参考年限,在参考年限中与被测年限临近的年限为临近年限;
步骤2:基于Landsat8影像数据集,计算每景影像NDVI数据,并合成影像,基于合成影像构建训练特征使用机器学习的方法提取被测区冬小麦种植面积;
步骤3:将冬小麦种植面积区域生成掩膜,结合MODIS影像数据集对掩膜区域进行计算生成NDVI差值模型;
步骤4:利用同期对比法对被测年限冬小麦长势进行高频度监测及分析;
所述步骤2具体包括:
步骤2.1:结合GoogleEarth高清影像数据选取被测农作区的样本数据,所述样本数据包括冬小麦及其它地物,定义冬小麦为特征样本,其它地物为参考样本,所述参考样本对于特征样本处于相对静止状态;
步骤2.2:通过Landsat8影像数据基于公式(1)分别计算冬小麦出苗期至返青期每景NDVI数据;
所述每景NDVI数据计算公式NDVI表示为:
其中NDVI为植被覆盖指数,Red为Landsat8影像的红波段,NIR为Landsat8影像的近红外波段;
对Landsat8影像数据的每个像元按照NDVI值从小到大进行排序,提取基于NDVI最大值合成的影像;
步骤2.3:通过所述冬小麦出苗期至返青期每景NDVI数据基于公式(2)计算冬小麦出苗期至返青期NDVI数据增幅NDVIincrease,并将NDVI数据增幅NDVIincrease作为特征参数添加至基于NDVI最大值合成的影像中,完善基于NDVI最大值合成的影像信息;
其中NDVImin为Landsat8影像数据集中出苗期合成影像的最小NDVI值,NDVImax为Landsat8影像数据集中返青期合成影像的最大NDVI值;
步骤2.4:基于GEE云平台通过SRTM影像数据构建被测农作区的地形特征,并在GEE云平台上基于Landsat8影像数据使用灰度共生矩阵构建被测农作区的纹理特征;
步骤2.5:在GEE云平台上对构建的地形特征、纹理特征信息以独立的光谱波段添加至基于NDVI最大值合成的影像中,以完善基于NDVI最大值合成的影像信息;
使用RF分类方法对所述样本数据基于地形特征、纹理特征信息进行训练,并提取被测农作区的冬小麦种植面积;
所述步骤3具体包括:
步骤3.1:通过GEE云平台基于MODIS影像数据集对X个年限冬小麦返青期至抽穗期的每旬影像数据采用WGS-84坐标系进行重投影;
步骤3.2:对所述重投影的每旬影像数据进行NDVI最大值合成,生成NDVI最大合成影像;
步骤3.3:使用Savitzky-Golay滤波算法对所述NDVI最大合成影像进行修正,修复NDVI异常值;
步骤3.4:利用多个所述参考年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI均值与被测年限冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值进行差值对比,并将临近年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值与被测年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值进行差值对比,获得被测年限冬小麦长势参考数据;
骤3.4具体包括:
所述被测年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值与多个所述参考年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI均值的差值DL表示为公式(9):
所述被测年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值与临近年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值的差值Dn表示为公式(10):
其中,NDVIBxy为临近年限的冬小麦返青期至抽穗期每旬NDVI最大合成影像的NDVI值;
述步骤4具体包括;
利用冬小麦种植面积基于被测农作区气候特征,并结合公式(9)和公式(10)按公式(11)计算结果将被测年限冬小麦返青期至抽穗期的长势分为三类:
其中当f(Dn/DL)=-1时表示被测年限冬小麦长势比参考年限冬小麦长势差;
当f(Dn/DL)=0时表示被测年限冬小麦长势和参考年限冬小麦长势持平;
当f(Dn/DL)=1时表示被测年限冬小麦长势比参考年限冬小麦长势好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374330.9A CN112329733B (zh) | 2020-11-27 | 2020-11-27 | 一种基于gee云平台的冬小麦长势监测及分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374330.9A CN112329733B (zh) | 2020-11-27 | 2020-11-27 | 一种基于gee云平台的冬小麦长势监测及分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329733A CN112329733A (zh) | 2021-02-05 |
CN112329733B true CN112329733B (zh) | 2022-08-30 |
Family
ID=74309404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011374330.9A Active CN112329733B (zh) | 2020-11-27 | 2020-11-27 | 一种基于gee云平台的冬小麦长势监测及分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329733B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712071A (zh) * | 2021-03-26 | 2021-04-27 | 北京简巨科技有限公司 | 作物长势检测方法及其相关设备 |
CN115524329B (zh) * | 2022-09-20 | 2023-07-07 | 北京世纪国源科技股份有限公司 | 基于gee的作物生长监测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951772A (zh) * | 2015-07-10 | 2015-09-30 | 中国科学院遥感与数字地球研究所 | 一种基于ndvi时间序列曲线积分的冬小麦提取方法 |
CN109142359A (zh) * | 2018-08-23 | 2019-01-04 | 中国水利水电科学研究院 | 一种基于时间序列遥感数据的农作物长势监测方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
-
2020
- 2020-11-27 CN CN202011374330.9A patent/CN112329733B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951772A (zh) * | 2015-07-10 | 2015-09-30 | 中国科学院遥感与数字地球研究所 | 一种基于ndvi时间序列曲线积分的冬小麦提取方法 |
CN109142359A (zh) * | 2018-08-23 | 2019-01-04 | 中国水利水电科学研究院 | 一种基于时间序列遥感数据的农作物长势监测方法 |
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 |
Non-Patent Citations (3)
Title |
---|
A Scheme for the Long-Term Monitoring of Impervious-Relevant Land Disturbances Using High Frequency Landsat Archives and the Google Earth Engine;Hanzeyu Xu et al;《remote sensing》;20190813;1-27页 * |
基于不同时相遥感的冬小麦种植面积的提取;王庆林等;《江苏农业学报》;20141231;第30卷(第6期);1286-1291页 * |
综合NDVI时序特征的冬小麦混合像元分解及面积估算;王利民等;《中国农学通报》;20191231;第35卷(第27期);23-33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112329733A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
US20230292647A1 (en) | System and Method for Crop Monitoring | |
Guo et al. | Integrating spectral and textural information for identifying the tasseling date of summer maize using UAV based RGB images | |
CN107480706A (zh) | 一种制种玉米田遥感识别方法及装置 | |
US20100040260A1 (en) | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest | |
CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
Guan et al. | Modeling strawberry biomass and leaf area using object-based analysis of high-resolution images | |
CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN112329733B (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
CN111738066A (zh) | 综合多源遥感信息的网格化水稻纹枯病生境评价方法 | |
Liu et al. | Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data | |
Li et al. | Maize acreage estimation using ENVISAT MERIS and CBERS-02B CCD data in the North China Plain | |
CN115512237A (zh) | 基于多时相卫星遥感数据的安徽冬小麦种植面积提取方法 | |
Danoedoro et al. | Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery | |
Guliyeva | Land cover/land use monitoring for agriculture features classification | |
Bueno et al. | Land use/land cover classification in a heterogeneous agricultural landscape using PlanetScope data. | |
Ye et al. | Inter-relationships between canopy features and fruit yield in citrus as detected by airborne multispectral imagery | |
CN117576596B (zh) | 基于无人机多光谱遥感的薇甘菊智能检测方法 | |
Sun et al. | Method for extracting corn planting plots in the Loess Plateau region based on the improved HRNet and NDVI time series | |
Jewan et al. | Monitoring Growth and Development of Bambara Groundnut Using a Low-Cost Unmanned Aerial Vehicle | |
Atzberger et al. | Estimation of inter-annual winter crop area variation and spatial distribution with low resolution NDVI data by using neural networks trained on high resolution images | |
Ermish | Accuracy and Practicality of Incorporating UAV-Based Technologies in Soybean Production Systems for the Purpose of Making Replant Decisions | |
Kara et al. | Assessing the Impact of Beet Webworm Moths on Sunflower Fields Using Multitemporal SENTINEL-2 Satellite Imagery and Vegetation Indices |
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 |