CN112418016A - 基于sar的灌溉信息提取方法及装置 - Google Patents
基于sar的灌溉信息提取方法及装置 Download PDFInfo
- Publication number
- CN112418016A CN112418016A CN202011241241.7A CN202011241241A CN112418016A CN 112418016 A CN112418016 A CN 112418016A CN 202011241241 A CN202011241241 A CN 202011241241A CN 112418016 A CN112418016 A CN 112418016A
- Authority
- CN
- China
- Prior art keywords
- soil
- backscattering coefficient
- sar
- irrigation information
- information extraction
- 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.)
- Pending
Links
- 238000003973 irrigation Methods 0.000 title claims abstract description 115
- 230000002262 irrigation Effects 0.000 title claims abstract description 115
- 238000000605 extraction Methods 0.000 title claims abstract description 61
- 239000002689 soil Substances 0.000 claims abstract description 151
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000008859 change Effects 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 230000003287 optical effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000016507 interphase Effects 0.000 claims description 6
- 230000010287 polarization Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000000149 penetrating effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000012549 training Methods 0.000 abstract description 6
- 241000209140 Triticum Species 0.000 description 6
- 235000021307 Triticum Nutrition 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003746 surface roughness Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- HQHACWYQWDKBOZ-UHFFFAOYSA-N 1-nitroso-azacyclotridecane Chemical compound O=NN1CCCCCCCCCCCC1 HQHACWYQWDKBOZ-UHFFFAOYSA-N 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供一种基于SAR的灌溉信息提取方法及装置，该方法包括：根据SAR遥感数据，获取作业区的总体后向散射系数；并去除植被影响，转换为土壤后向散射系数；对土壤后向散射系数进行双极化差分运算，计算土壤粗糙度；代入土壤粗糙度，获取去除土壤粗糙度影响的相邻两个时相土壤后向散射系数差分值，进而确定每一像素在两个时相的土壤水分变化值，将变化值和预设阈值进行比较，根据比较结果和气象降雨数据确定每一像素在两个时相间的灌溉信息，从而得到整个作业区两个时相间灌溉信息。由于灌溉与非灌溉区域分类的过程不需要复杂的模型和大量的训练样本，从而该方法计算量小，实用性更强，能够为大范围灌溉信息提取提供可靠的实施方法。
Description
技术领域
本发明涉及农业信息化技术领域，尤其涉及一种基于SAR的灌溉信息提取方法及装置。
背景技术
有效的灌溉能为农业生产提供有效的土壤墒情保障。然而，近年水资源的紧缺，特别是地下水的超采，为灌溉的使用提出了新的要求。因此，快速获取灌溉信息有着非常重要的意义。卫星遥感技术能为地面活动提供快速有效的大面积信息，近年来，人们也积极应用遥感技术进行灌溉信息的提取。
主要工作集中在对土壤水分的反演、灌溉设施的识别和水浇地的提取上。研究者首先利用光学遥感数据，根据作物的生长状况或者灌溉设施的纹理、形态特征构建了各种土壤水分指数、作物指数或纹理/光谱信息来提取灌溉相关信息。例如，与土壤水分的相关的水分亏缺指数(Water Deficit Index，WDI)，归一化差异植被指数(NormalizedDifference Vegetation Index，NDVI)，综合利用农田水分指数与相邻自然植被的水分指数(NN-WD)等都曾被研究使用。然而，光学遥感指数经常受到土壤水分之外的其他大气状况、地物阴影等因素影响。此外，光学遥感数据的获取受到光照条件的限制，云、雨、雪、雾等天气下，存在数据获取困难、质量不佳等问题。
合成孔径雷达(Synthetic Aperture Radar，SAR)遥感技术是一种主动发射信号的遥感技术，不受天气影响，能够为灌溉信息提取提供全天候、全天时遥感信息，且雷达后向散射系数对土壤水分信息敏感，为灌溉信息的提取提供了新的契机。目前，已有研究利用先进的深度卷积神经网络模型(Convolutional Neural Network，CNN)、或后向散射模型，如水云模型(Water Cloud Model，WCM)等反演出土壤水分，来提取灌溉信息。但这些方法存在反演过程中受植被等特性影响，反演过程需要大量训练样本，并且反演计算为病态过程、反演结果不准确。
发明内容
本发明实施例提供一种基于SAR的灌溉信息提取方法及装置，用以解决现有技术中的问题。
本发明实施例提供一种基于SAR的灌溉信息提取方法，包括：根据SAR遥感数据，获取作业区的总体后向散射系数；将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数；对所述土壤后向散射系数进行双极化差分运算，计算得到土壤粗糙度；根据土壤粗糙度，计算相邻两个时相的土壤后向散射系数差分值，进而确定每一像素在所述两个时相的土壤水分变化值，将所述变化值和预设阈值进行比较，根据比较结果和气象降水数据确定每一像素在两个时相间的灌溉信息，从而得到整个作业区在所述两个时相间的灌溉信息。
根据本发明一个实施例的基于SAR的灌溉信息提取方法，将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数，包括根据下式确定：
其中，γ2为雷达波穿透植被层的衰减因子，
为植被层后向散射系数，θ为SAR的入射角；Mveg为单位体积的植被含水量；
为总体后向散射系数，
为土壤后向散射系数。
根据本发明一个实施例的基于SAR的灌溉信息提取方法，对所述土壤后向散射系数进行双极化差分运算，计算得到土壤粗糙度，包括：
通过最小二乘法建立回归模型，对如下模型进行求解得到土壤粗糙度：
其中，A(θ)、B(θ)为经验参数，只与雷达入射角θ有关，
和
分别为VV和VH极化的土壤后向散射系数
值；Zs为土壤粗糙度。
根据本发明一个实施例的基于SAR的灌溉信息提取方法，所述根据土壤粗糙度，计算相邻两个时相的土壤后向散射系数差分值，进而确定每一像素在所述两个时相的土壤水分变化值，包括：
其中，εMv(t2，t1)为两个时相的土壤水分变化值，C(θ)和D(θ)为与雷达入射角θ有关的经验参数，δσ(t2，t1)为两个时相土壤后向散射系数差值，Zs为土壤粗糙度。
根据本发明一个实施例的基于SAR的灌溉信息提取方法，所述单位体积的植被含水量根据下式确定：
Mveg＝1.44NDMI2+1.36NDMI+0.34；
其中，Mveg为单位体积的植被含水量，NDMI为归一化差异湿度指数。
根据本发明一个实施例的基于SAR的灌溉信息提取方法，所述根据SAR遥感数据，获取作业区的总体后向散射系数，包括：
根据Sentinel-1卫星的SAR数据，经过辐射定标、斑点噪声滤波、地形校正得到所述总体后向散射系数。
根据本发明一个实施例的基于SAR的灌溉信息提取方法，所述单位体积的植被含水量根据归一化差异湿度指数确定，相应地，将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数之前，还包括：根据Sentinel-2卫星的光学遥感数据，进行大气校正后，提取所述归一化差异湿度指数。
本发明实施例还提供一种基于SAR的灌溉信息提取装置，包括：散射系数获取模块，用于根据SAR遥感数据，获取作业区的总体后向散射系数；土壤后向散射系数获取模块，用于将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数；土壤粗糙度计算模块，用于对所述土壤后向散射系数进行双极化差分运算，计算得到土壤粗糙度；灌溉信息获取模块，用于根据土壤粗糙度，计算相邻两个时相的土壤后向散射系数差分值，进而确定每一像素在所述两个时相的土壤水分变化值，将所述变化值和预设阈值进行比较，根据比较结果和气象降雨数值确定每一像素在两个时相间的灌溉信息，从而得到整个作业区在所述两个时相间的灌溉信息。
本发明实施例还提供一种电子设备，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上述任一种所述基于SAR的灌溉信息提取方法的步骤。
本发明实施例还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上述任一种所述基于SAR的灌溉信息提取方法的步骤。
本发明实施例提供的基于SAR的灌溉信息提取方法及装置，将土壤水分定量反演问题转为根据土壤水分变化阈值进行是否灌溉的分类问题，并利用如水云模型等方式将光学遥感引入到微波遥感的后向散射系数计算中。由于灌溉与非灌溉区域分类的过程不需要复杂的模型和大量的训练样本，从而该方法计算量小，实用性更强，能够为大范围灌溉信息提取提供可靠的实施方法。
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是本发明实施例提供的一种基于SAR的灌溉信息提取方法的流程示意图；
图2是本发明另一实施例提供的一种基于SAR的灌溉信息提取方法的流程示意图；
图3是本发明实施例提供的一种基于SAR的灌溉信息提取装置的结构示意图；
图4是本发明实施例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作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。
为解决现有的技术下存在的如下问题：单一光学遥感数据获取存在障碍，传统SAR遥感数据提取需要大量的训练样本和复杂的模型、未去除地面影响因素等问题。
下面结合图1-图4描述本发明实施例的基于SAR的灌溉信息提取方法及装置。图1是本发明实施例提供的一种基于SAR的灌溉信息提取方法的流程示意图，如图1所示，本发明实施例提供一种基于SAR的灌溉信息提取方法，包括：
101、根据SAR遥感数据，获取作业区的总体后向散射系数。
根据灌溉信息提取的需求选定作业区，获取作业区范围内(如小麦等作物)关键生长期(4月)不同旬期的SAR遥感数据，根据SAR遥感数据得到总体后向散射系数。同时，还可获取作物的物候期降雨事件和野外调查采集用于验证的灌溉信息样本数据，用于104中灌溉信息的确定。
102、将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数。
在总体后向散射系数的基础上，过滤掉植被的影响，得到只包含土壤信息的土壤后向散射系数。例如，基于水云模型原理，将总体后向散射系数
转换为不受植被覆盖的土壤后向散射系数
103、对所述土壤后向散射系数进行双极化差分运算，计算得到土壤粗糙度。
将去除植被覆盖的土壤后向散射系数
进行双极化差分运算，得到
(VV和VH通道)与Zs关系，从而确定土壤粗糙度Zs值，以去除土壤粗糙度不确定性带来的误差。
104、根据土壤粗糙度，计算相邻两个时相土壤后向散射系数差分值，进而确定每一像素在所述两个时相的土壤水分变化值，将所述变化值和预设阈值进行比较，根据比较结果和气象降水数据确定每一像素在两个时相间的灌溉信息，从而得到整个作业区在所述两个时相间的灌溉信息。
对相邻时相(t2，t1)，根据103得到去除土壤粗糙度不确定性和植被覆盖的后向散射系数，诸像素Pixel(i，j)进行两时相差分运算，获得后向散射系数差异δσ(t2，t1)，从而得到每个像素相邻时相土壤水分变化值εMv(t2，t1)。引起土壤水分变化的主要因素是天然降雨和人工灌溉，因此，结合气象降雨资料和相邻时相土壤水分变化，利用面向对象分类方法即可提取出每个像素的人工灌溉信息。例如，诸像素获取土壤水分变化值，完成作业区的土壤水分变化图(MapεMv)，设置预设阈值εMv提取灌溉区域信息，获得灌溉信息分布结果。
例如，在无降雨的情况下，考虑到蒸发的影响，预设阈值设为1。当εMv(t2，t1)>1时，即Mv(t2)>Mv(t1)，t2时相农田土壤水分值高于t1时相时，则该地块可判定为灌溉信息。反之，当εMv(t2，t1)<1时，即Mv(t2)<Mv(t1)，t2时相农田土壤水分值低于t1时相时，则该地块可判定为雨养地。根据εMv阈值设置1，在ArcGIS和ENVI软件中提取出作业区灌溉信息。
此外，可将上述提取的结果和样本进行比较验证，根据评价指标进行该方法的提取精度评价。
本发明实施例的基于SAR的灌溉信息提取方法，将土壤水分定量反演问题转为根据土壤水分变化阈值进行是否灌溉的分类问题，并利用如水云模型等方式将光学遥感引入到微波遥感的后向散射系数计算中。由于灌溉与非灌溉区域分类的过程不需要复杂的模型和大量的训练样本，从而该方法计算量小，实用性更强，能够为大范围灌溉信息提取提供可靠的实施方法。
基于上述实施例的内容，作为一种可选实施例，将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数，包括：
根据下式确定：
γ2＝exp(-2*0.138*Mveg*secθ)；
其中，γ2为雷达波穿透植被层的衰减因子，
为植被层后向散射系数，θ为SAR的入射角；Mveg为单位体积的植被含水量；
为总体后向散射系数，
为土壤后向散射系数。
基于上述实施例的内容，作为一种可选实施例，对所述土壤后向散射系数进行双极化差分运算，计算得到土壤粗糙度，包括：通过最小二乘法建立回归模型，对如下模型进行求解得到土壤粗糙度：
其中，A(θ)、B(θ)为经验参数，只与雷达入射角θ有关，
和
分别为VV和VH极化的土壤后向散射系数
值；Zs为土壤粗糙度。
基于上述实施例的内容，作为一种可选实施例，所述根据土壤粗糙度，计算相邻两个时相土壤后向散射系数差分值，进而确定每一像素在相应时刻的土壤水分变化值，包括：
其中，εMv(t2，t1)为两个时相的土壤水分变化值，C(θ)和D(θ)为与雷达入射角θ有关的经验参数，δσ(t2，t1)两个时相土壤后向散射系数差值，Zs为土壤粗糙度。对于像素点(i、j)，
两个采集时相t1和t2像素Pixel(i，j)对应的地面点土壤后向散射值可为为：
其中，C(θ)、D(θ)和E(θ)，为与雷达入射角θ有关的经验参数。
相邻时相土壤后向散射系数差异为：
理论上，同一观测区域所对应雷达入射角变化可以忽略，即θ(t1)＝θ(t2)，所以：
从而得出t2，t1时相的土壤水分变化值为：
基于上述实施例的内容，作为一种可选实施例，所述单位体积的植被含水量根据下式确定：
Mveg＝1.44NDMI2+1.36NDMI+0.34；
其中，Mveg为单位体积的植被含水量，NDMI为归一化差异湿度指数。
基于上述实施例的内容，作为一种可选实施例，所述根据SAR遥感数据，获取作业区的总体后向散射系数，包括：根据Sentinel-1卫星的SAR数据，经过辐射定标、斑点噪声滤波、地形校正得到所述总体后向散射系数。
基于上述实施例的内容，作为一种可选实施例，所述单位体积的植被含水量根据归一化差异湿度指数确定，相应地，将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数之前，还包括：根据Sentinel-2卫星的光学遥感数据，进行大气校正后，提取所述归一化差异湿度指数。
图2是本发明另一实施例提供的一种基于SAR的灌溉信息提取方法的流程示意图，结合上述各实施例的方法如图2所示，下面结合图2以某市Sentinel-1双极化SAR数据为例进一步阐述本发明实施例的技术方案。
S1、根据灌溉信息提取的需求选定作业区，获取作业区范围内小麦关键生长期(4月)不同旬期的Sentinel-1(IW)VV和VH双极化SAR数据，Sentinel-2(MSI)光学遥感数据，小麦物候期降雨事件和野外调查采集用于验证的灌溉信息样本数据。
选择市作为灌溉信息提取作业区，研究区属于半湿润季风气候，小麦生育期多年平均降雨量为108.9mm，降雨集中在夏季，春季干旱少雨，下载某市2017年4月遥感数据。
从气象数据科学中心下载获取气象降雨数据，选择作业区3-6月份降雨事件。分别于2017年4月8日、4月18日进行了实地调查。实地调查初步采集灌溉信息样和未灌溉区域样本，以作为验证样本验证灌溉区域提取精度。
S2、Sentinel-1数据经过辐射定标、斑点噪声滤波、地形校正得到总体后向散射系数
Sentinel-1数据预处理主要包括辐射定标、斑点噪声滤波、地形校正和后向散射系数计算等。相干斑噪声滤波选择Refined Lee滤波降低Sentinel-1数据斑点噪声，滤波窗口设为7×7。根据经辐射定标、相干斑滤除和地形校正的雷达影像像元灰度(DN值)即可得到雷达后向散射系数
S3、Sentinel-2数据进行大气校正，采用Sen2cor方法计算大气下层地表反射率，校正后提取归一化差异湿度指数NDMI。
S4、基于水云模型原理，将总体后向散射系数
转换为不受植被覆盖的土壤后向散射系数
作业区4月份农田作物以冬小麦为主，根据经验转换公式，基于预处理的Sentinel-1后向散射系数数据转换为去除植被影响的后向散射系数
S5、将S4中不受植被覆盖的VV和VH极化的土壤后向散射系数
进行差分运算，得到
与Zs关系，确定Zs值以取出除土壤粗糙度不确定性对土壤后向散射系数的影响。
决定土壤后向散射强度的地表参数主要是地表粗糙度和土壤含水量，根据上述地表粗糙度Zs与后向散射系数的关系公式，求取地表粗糙度。
S6、由S5得到确定Zs的相邻时相(t2，t1)的后向散射系数，并诸像素Pixel(i，j)进行两时相差分得到后向散射系数差异δσ(t2，t1)，进而计算土壤水分变化值εMv(t2，t1)。
该市应用案例中，选择2017-04-02、2017-04-14、2017-04-26作为代表，计算土壤水分变化情况。
S7、逐像素完成作业区土壤水分变化图(MapεMv)，并设置1为εMv阈值提取对研究区进行灌溉区域提取，获得灌溉信息分布结果。
S8、将S7的提取结果和样本进行比较验证，根据评价指标进行提取精度评价。
该市应用案例中，利用验证样本进行混淆矩阵计算对灌溉信息提取结果进行精度评价，灌溉区和非灌溉区的分类总体精度(OA)，制图精度(PA)，用户精度(UA)和Kappa系数(Kc)如附表1所示。
表1不同监测时段土壤水分变化影像灌溉区分类精度评价
两个不同监测时间段内土地覆盖分类OA均达到80％以上，说明利用土壤水分变化特征进行未灌溉区和灌溉区的分类精度较高。
下面对本发明实施例提供的基于SAR的灌溉信息提取装置进行描述，下文描述的基于SAR的灌溉信息提取装置与上文描述的基于SAR的灌溉信息提取方法可相互对应参照。
图3是本发明实施例提供的一种基于SAR的灌溉信息提取装置的结构示意图，如图3所示，该基于SAR的灌溉信息提取装置包括：后向散射系数提取模块301、土壤后向散射系数获取模块302、土壤粗糙度提取模块303和灌溉信息获取模块304。其中，后向散射系数提取模块301用于根据合成孔径雷达SAR遥感数据，获取作业区的总体后向散射系数；土壤后向散射系数获取模块302用于将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数；土壤粗糙度提取模块303用于对所述土壤后向散射系数进行双极化差分运算，计算得到土壤粗糙度；灌溉信息获取模块304用于根据土壤粗糙度，计算相邻两个时相的土壤后向散射系数差分值，进而确定每一像素在所述两个时相的土壤水分变化值，将所述变化值和预设阈值进行比较，根据比较结果和气象降雨数据确定每一像素在两个时相间的灌溉信息，从而得到整个作业区在所述两个时相间的灌溉信息。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的基于SAR的灌溉信息提取装置，将土壤水分定量反演问题转为根据土壤水分变化进行是否灌溉的分类问题，并利用如水云模型等方式将光学遥感引入到微波遥感的后向散射系数计算中。由于灌溉与非灌溉区域分类的过程不需要复杂的模型和大量的训练样本，从而该方法计算量小，实用性更强，能够为大范围灌溉信息提取提供可靠的实施方法。
图4是本发明实施例提供的一种电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行基于SAR的灌溉信息提取方法，该方法包括：根据合成孔径雷达SAR遥感数据，获取作业区的总体后向散射系数；将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数；对所述土壤后向散射系数进行双极化差分运算，得到土壤粗糙度；根据土壤粗糙度和相邻两个时相的土壤后向散射系数差分值，确定每一像素在所述两个时相的土壤水分变化值，将所述变化值和预设阈值进行比较，根据比较结果和气象降雨数据确定每一像素在两个时相的灌溉信息，从而得到整个作业区在所述两个时相间时间段的灌溉信息。
此外，上述的存储器403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。
另一方面，本发明实施例还提供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基于SAR的灌溉信息提取方法，该方法包括：根据合成孔径雷达SAR遥感数据，获取作业区的总体后向散射系数；将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数；对所述土壤后向散射系数进行双极化差分运算，得到土壤粗糙度；根据土壤粗糙度和相邻两个时相的土壤后向散射系数差分值，确定每一像素在所述两个时相的土壤水分变化值，将所述变化值和预设阈值进行比较，根据比较结果和气象降雨数据确定每一像素在两个时相的灌溉信息，从而得到整个作业区在所述两个时相间时间段的灌溉信息。
又一方面，本发明实施例还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以执行上述各实施例提供的基于SAR的灌溉信息提取方法，该方法包括：根据合成孔径雷达SAR遥感数据，获取作业区的总体后向散射系数；将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数；对所述土壤后向散射系数进行双极化差分运算，得到土壤粗糙度；根据土壤粗糙度和相邻两个时相的土壤后向散射系数差分值，确定每一像素在所述两个时相的土壤水分变化值，将所述变化值和预设阈值进行比较，根据比较结果和气象降雨数据确定每一像素在两个时相的灌溉信息，从而得到整个作业区在所述两个时相的灌溉信息。
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(可以是个人计算机，服务器，或者网络设备等)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)
1.一种基于SAR的灌溉信息提取方法，其特征在于，包括：
根据合成孔径雷达SAR遥感数据，获取作业区的总体后向散射系数；
将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数；
对所述土壤后向散射系数进行双极化差分运算，计算得到土壤粗糙度；
根据土壤粗糙度，计算相邻两个时相土壤后向散射系数差分值，进而确定每一像素在所述两个时相的土壤水分变化值，将所述变化值和预设阈值进行比较，根据比较结果和气象降水数据确定每一像素在两个时相间的灌溉信息，从而得到整个作业区在所述两个时相间的灌溉信息。
2.根据权利要求1所述的基于SAR的灌溉信息提取方法，其特征在于，将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数，包括：
根据下式确定：
γ2＝exp(-2*0.138*Mveg*secθ)；
其中，γ2为雷达波穿透植被层的衰减因子，
为植被层后向散射系数，θ为SAR的入射角；Mveg为单位体积的植被含水量；
为总体后向散射系数，
为土壤后向散射系数。
3.根据权利要求1所述的基于SAR的灌溉信息提取方法，其特征在于，所述对所述土壤后向散射系数进行双极化差分运算，计算得到土壤粗糙度，包括：
通过最小二乘法建立回归模型，对如下模型进行求解得到土壤粗糙度：
其中，A(θ)、B(θ)为经验参数，只与雷达入射角θ有关，
和
分别为VV和VH极化的土壤后向散射系数
值；Zs为土壤粗糙度。
4.根据权利要求1所述的基于SAR的灌溉信息提取方法，其特征在于，所述根据土壤粗糙度，计算相邻两个时相土壤后向散射系数差分值，进而确定每一像素在所述两个时相的土壤水分变化值，包括：
其中，εMv(t2，t1)为两个时相的土壤水分变化值，C(θ)和D(θ)为与雷达入射角θ有关的经验参数，δσ(t2，t1)为两个时相土壤后向散射系数差值，Zs为土壤粗糙度。
5.根据权利要求2所述的基于SAR的灌溉信息提取方法，其特征在于，所述单位体积的植被含水量根据下式确定：
Mveg＝1.44NDMI2+1.36NDMI+0.34；
其中，Mveg为单位体积的植被含水量，NDMI为归一化差异湿度指数。
6.根据权利要求1所述的基于SAR的灌溉信息提取方法，其特征在于，根据SAR遥感数据，获取作业区的总体后向散射系数，包括：
根据Sentinel-1卫星的SAR数据，经过辐射定标、斑点噪声滤波、地形校正得到所述总体后向散射系数。
7.根据权利要求2所述的基于SAR的灌溉信息提取方法，其特征在于，所述单位体积的植被含水量根据归一化差异湿度指数确定，相应地，将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数之前，还包括：
根据Sentinel-2卫星的光学遥感数据，进行大气校正后，提取所述归一化差异湿度指数。
8.一种基于SAR的灌溉信息提取装置，其特征在于，包括：
散射系数获取模块，用于根据SAR遥感数据，获取作业区的总体后向散射系数；
土壤后向散射系数获取模块，用于将所述总体后向散射系数去除植被影响，转换为土壤后向散射系数；
土壤粗糙度计算模块，用于对所述土壤后向散射系数进行双极化差分运算，计算得到土壤粗糙度；
灌溉信息获取模块，用于根据土壤粗糙度，计算相邻两个时相的土壤后向散射系数差分值，进而确定每一像素在所述两个时相的土壤水分变化值，将所述变化值和预设阈值进行比较，根据比较结果和气象降雨数据确定每一像素在两个时相间的灌溉信息，从而得到整个作业区在所述两个时相间的灌溉信息。
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任一项所述基于SAR的灌溉信息提取方法的步骤。
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任一项所述基于SAR的灌溉信息提取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011241241.7A CN112418016A (zh) | 2020-11-09 | 2020-11-09 | 基于sar的灌溉信息提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011241241.7A CN112418016A (zh) | 2020-11-09 | 2020-11-09 | 基于sar的灌溉信息提取方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112418016A true CN112418016A (zh) | 2021-02-26 |
Family
ID=74780806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011241241.7A Pending CN112418016A (zh) | 2020-11-09 | 2020-11-09 | 基于sar的灌溉信息提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418016A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113470175A (zh) * | 2021-06-11 | 2021-10-01 | 北京大学 | 基于光学梯形模型的灌溉区域制图方法 |
| CN113534083A (zh) * | 2021-05-24 | 2021-10-22 | 中国农业大学 | 基于sar的玉米留茬方式识别方法、装置和介质 |
| CN115479960A (zh) * | 2022-09-13 | 2022-12-16 | 安徽师范大学 | 联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681652A (zh) * | 2018-06-04 | 2018-10-19 | 中国科学院遥感与数字地球研究所 | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 |
| CN111751286A (zh) * | 2020-06-22 | 2020-10-09 | 电子科技大学 | 基于变化检测算法的土壤水分提取方法 |
-
2020
- 2020-11-09 CN CN202011241241.7A patent/CN112418016A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681652A (zh) * | 2018-06-04 | 2018-10-19 | 中国科学院遥感与数字地球研究所 | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 |
| CN111751286A (zh) * | 2020-06-22 | 2020-10-09 | 电子科技大学 | 基于变化检测算法的土壤水分提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘正春 等: "基于Sentinel多元数据的晋南农田地表土壤水分反演", 《中国农学通报》, vol. 36, no. 20, pages 51 - 58 * |
| 徐嘉昕: "冬小麦灌溉信息遥感提取方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, pages 5 * |
| 贺法川: "基于合成孔径雷达遥感影像的农作物分类及生物量反演研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, pages 5 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113534083A (zh) * | 2021-05-24 | 2021-10-22 | 中国农业大学 | 基于sar的玉米留茬方式识别方法、装置和介质 |
| CN113534083B (zh) * | 2021-05-24 | 2023-08-08 | 中国农业大学 | 基于sar的玉米留茬方式识别方法、装置和介质 |
| CN113470175A (zh) * | 2021-06-11 | 2021-10-01 | 北京大学 | 基于光学梯形模型的灌溉区域制图方法 |
| CN113470175B (zh) * | 2021-06-11 | 2023-02-28 | 北京大学 | 基于光学梯形模型的灌溉区域制图方法 |
| CN115479960A (zh) * | 2022-09-13 | 2022-12-16 | 安徽师范大学 | 联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ribbes | Rice field mapping and monitoring with RADARSAT data | |
| Ma et al. | Estimating regional winter wheat yield by assimilation of time series of HJ-1 CCD NDVI into WOFOST–ACRM model with Ensemble Kalman Filter | |
| de Wit et al. | Estimating regional winter wheat yield with WOFOST through the assimilation of green area index retrieved from MODIS observations | |
| Liu | Analysis of Sentinel-1 SAR data for mapping standing water in the Twente region | |
| CN112418016A (zh) | 基于sar的灌溉信息提取方法及装置 | |
| Ramoelo et al. | Potential to monitor plant stress using remote sensing tools | |
| CN109685081B (zh) | 一种遥感提取撂荒地的联合变化检测方法 | |
| CN103994976A (zh) | 基于modis数据的农业旱情遥感监测方法 | |
| CN112711989A (zh) | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 | |
| Bretreger et al. | Monitoring irrigation using landsat observations and climate data over regional scales in the Murray-Darling Basin | |
| Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
| Hadria et al. | Potentiality of optical and radar satellite data at high spatio-temporal resolutions for the monitoring of irrigated wheat crops in Morocco | |
| CN114387516A (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 | |
| CN116452023B (zh) | 基于低频微波雷达vod数据的公里级碳储量评估方法 | |
| Liang et al. | A synergic method of Sentinel-1 and Sentinel-2 images for retrieving soil moisture content in agricultural regions | |
| CN110222656B (zh) | 基于遥感技术的地上植被生态水定量反演方法 | |
| CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
| Jurišić et al. | Current status and perspective of remote sensing application in crop management | |
| Wang et al. | Research on cropping intensity mapping of the Huai River Basin (China) based on multi-source remote sensing data fusion | |
| Liu et al. | Evaluating how lodging affects maize yield estimation based on UAV observations | |
| Mirelva et al. | Application of Sentinel-1 Data for Classifying Croplands Using Google Earth Engine. | |
| Berezowski et al. | Towards rainfall interception capacity estimation using ALS LiDAR data | |
| Guo et al. | Estimating aboveground biomass of alpine grassland during the wilting period using in situ hyperspectral, Sentinel-2 and Sentinel-1 data | |
| Gomez et al. | Sentinel-2 images to assess soil surface characteristics over a rainfed Mediterranean cropping system | |
| Jahan et al. | Developing a gross primary production model for coniferous forests of northeastern USA from MODIS data |
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 |