CN112418050B - 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
- CN112418050B CN112418050B CN202011291406.1A CN202011291406A CN112418050B CN 112418050 B CN112418050 B CN 112418050B CN 202011291406 A CN202011291406 A CN 202011291406A CN 112418050 B CN112418050 B CN 112418050B
- Authority
- CN
- China
- Prior art keywords
- time period
- area
- determining
- index
- pixel position
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000009336 multiple cropping Methods 0.000 claims description 111
- 230000008859 change Effects 0.000 claims description 69
- 230000012010 growth Effects 0.000 claims description 63
- 238000012544 monitoring process Methods 0.000 claims description 63
- 238000003306 harvesting Methods 0.000 claims description 26
- 238000002310 reflectometry Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003971 tillage Methods 0.000 claims description 10
- 238000001556 precipitation Methods 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 7
- 229910052739 hydrogen Inorganic materials 0.000 description 7
- 239000001257 hydrogen Substances 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 230000035800 maturation Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 240000008042 Zea mays Species 0.000 description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 4
- 235000005822 corn Nutrition 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 244000025254 Cannabis sativa Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 244000037666 field crops Species 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009355 double cropping Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Game Theory and Decision Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种退耕地信息遥感识别方法及装置，通过第一空间分辨率的第一类时间序列遥感影像确定出目标区域内的作物种植区域以及作物种植区域中每一像元位置在监测时间段内指定时间段对应的复种指数，并通过复种指数以及第二空间分辨率的第二类时间序列遥感影像确定出指定时间段的归一化植被指数变化速率，最后通过归一化植被指数变化速率确定出作物种植区域中的退耕地区域。可以准确确定出作物种植区域中的退耕地区域，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，尤其涉及一种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
本发明提供一种退耕地信息遥感识别方法及装置，用以解决现有技术中存在的缺陷。
本发明提供一种退耕地信息遥感识别方法，包括：
基于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，确定作物种植区域，并确定所述作物种植区域中每一像元位置在所述监测时间段内指定时间段对应的复种指数；
基于所述复种指数以及第二空间分辨率的第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的生长关键点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率；所述第一空间分辨率低于所述第二空间分辨率；
基于所述复种指数以及所述指定时间段的归一化植被指数变化速率，确定所述作物种植区域中的退耕地区域。
根据本发明提供一种的退耕地信息遥感识别方法，所述作物种植区域中每一像元位置在所述监测时间段内指定时间段对应的复种指数，具体通过如下方法确定：
若所述作物种植区域中任一像元位置处的所有像元在所述指定时间段的每一年份内大于第一预设天数的时间里均存在作物，则确定所述任一像元位置在所述指定时间段对应的复种指数大于1；
若所述作物种植区域中任一像元位置处的所有像元在所述指定时间段的每一年份内小于第二预设天数的时间里均存在作物，则确定所述任一像元位置在所述指定时间段对应的复种指数等于1；
若所述作物种植区域中任一像元位置处的所有像元在所述指定时间段内存在至少一个年份不存在作物，则确定所述任一像元位置在所述指定时间段对应的复种指数小于1且大于0。
根据本发明提供一种的退耕地信息遥感识别方法，所述基于所述复种指数以及所述第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的生长关键点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率，具体包括：
若所述复种指数小于等于1且大于0，则基于所述第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的起始年份与终止年份的生长旺盛期、成熟收割期以及种植起始点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率；
若所述复种指数大于1，则基于所述第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的起始年份与终止年份的多个生长旺盛期、多个成熟收割期以及多个种植起始点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率。
根据本发明提供一种的退耕地信息遥感识别方法，所述基于所述复种指数以及所述指定时间段的归一化植被指数变化速率，确定所述作物种植区域中的退耕地区域，具体包括：
若所述作物种植区域中任一像元位置对应的所述复种指数小于1且大于0、所述归一化植被指数变化速率大于等于第一阈值，则确定所述任一像元位置对应的区域为第一类退耕地区域；
若所述作物种植区域中任一像元位置对应的所述复种指数等于1、所述归一化植被指数变化速率大于等于第二阈值，则确定所述任一像元位置对应的区域为第二类退耕地区域；
若所述作物种植区域中任一像元位置对应的所述复种指数大于1、所述归一化植被指数变化速率大于等于第三阈值，则确定所述任一像元位置对应的区域为第三类退耕地区域。
根据本发明提供一种的退耕地信息遥感识别方法，还包括：
若所述监测时间段内所述指定时间段后的第一时间段内，所述第一类退耕地区域中任一像元位置对应的所述归一化植被指数变化速率小于等于第四阈值，则确定所述任一像元位置对应的区域为所述第一类退耕地区域中的复耕区域；
若所述监测时间段内所述指定时间段后的第一时间段内，所述第二类退耕地区域中任一像元位置对应的所述归一化植被指数变化速率小于等于第五阈值，则确定所述任一像元位置对应的区域为所述第二类退耕地区域中的复耕区域；
若所述监测时间段内所述指定时间段后的第一时间段内，所述第三类退耕地区域中任一像元位置对应的所述归一化植被指数变化速率小于等于第六阈值，则确定所述任一像元位置对应的区域为所述第三类退耕地区域中的复耕区域。
根据本发明提供一种的退耕地信息遥感识别方法，还包括：
若所述监测时间段内所述第一时间段后，所述复耕区域内任一像元位置在生长旺盛期的平均归一化植被指数小于等于第七阈值，且所述任一像元位置处的红光波段反射率、绿光波段反射率以及蓝光波段反射率的平方和大于等于第八阈值，则确定所述复耕区域出现植被退化现象。
根据本发明提供一种的退耕地信息遥感识别方法，还包括：
获取所述监测时间段内所述作物种植区域的年均降水量、植被实际蒸散发量和潜在蒸散发量；
基于所述年均降水量、植被实际蒸散发量和潜在蒸散发量，确定所述作物种植区域是否具有可持续性。
本发明还提供一种退耕地信息遥感识别装置，包括：复种指数确定模块、归一化植被指数变化速率确定模块和退耕地区域确定模块。
其中，
复种指数确定模块用于基于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，确定作物种植区域，并确定所述作物种植区域中每一像元位置在所述监测时间段内指定时间段对应的复种指数；
归一化植被指数变化速率确定模块用于基于所述复种指数以及第二空间分辨率的第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的生长关键点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率；所述第一空间分辨率低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复种指数以及所述指定时间段的归一化植被指数变化速率，确定所述作物种植区域中的退耕地区域。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述退耕地信息遥感识别方法的步骤。
本发明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，所述计算机程序被处理器执行时实现如上述任一种所述退耕地信息遥感识别方法的步骤。
本发明提供的退耕地信息遥感识别方法及装置，通过第一空间分辨率的第一类时间序列遥感影像确定出目标区域内的作物种植区域以及作物种植区域中每一像元位置在监测时间段内指定时间段对应的复种指数，并通过复种指数以及第二空间分辨率的第二类时间序列遥感影像确定出指定时间段的归一化植被指数变化速率，最后通过归一化植被指数变化速率确定出作物种植区域中的退耕地区域。可以准确确定出作物种植区域中的退耕地区域，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是本发明提供的退耕地信息遥感识别方法的流程示意图；
图2是本发明提供的退耕地信息遥感识别装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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为本发明实施例中提供的一种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，基于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，确定作物种植区域，并确定所述作物种植区域中每一像元位置在所述监测时间段内指定时间段对应的复种指数；
S2，基于所述复种指数以及第二空间分辨率的第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的生长关键点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率；所述第一空间分辨率低于所述第二空间分辨率；
S3，基于所述复种指数以及所述指定时间段的归一化植被指数变化速率，确定所述作物种植区域中的退耕地区域。
具体地，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。在此之前，需要先确定出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。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、高时间分辨率的时间序列遥感影像。第一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，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。例如，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 ImagingSpectroradiometer，MODIS)确定的MODIS数据。
在第一类时间序列遥感影像内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的作物种植区域。作物种植区域是指目标区域在监测时间段内种植过作物的区域。其中，作物是指农田作物，可以包括冬小麦、夏玉米、春玉米等。
复种指数用于表征作物种植区域中每一像元位置在监测时间段内指定时间段对应的种植频率，复种指数的取值具体可以为大于0且小于1、等于1、大于1等。例如每年种植一次，此时复种指数为1；每年种植大于一次，此时种植指数大于1；多年种植一次，此时复种指数大于0且小于1；指定时间段内每年都不种植，此时复种指数为0。指定时间段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。
然后执行步骤S2。在此之前，需要先确定出监测时间段内目标区域的第二空间分辨率的第二类时间序列遥感影像。第二空间分辨率大于第一空间分辨率，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、低时间分辨率的时间序列遥感影像，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，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。
在步骤S2之前，还需要先确定出作物种植区域内各作物在指定时间段的生长关键点，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 Vegetation Index，NDVI)实现。作物的生长关键点可以包括某一年份中种植、封垄、拔节等不同阶段。各作物在指定时间段的生长关键点可以是指各作物在指定时间段中的若干年份的生长关键点。
由于指定时间段对应的复种指数不同，作物的生长关键点的数量不同，因此在步骤S2中，可以结合指定时间段对应的复种指数，根据第二类时间序列遥感影像中作物种植区域内各作物在指定时间段的生长关键点处的归一化植被指数，确定出指定时间段的归一化植被指数变化速率。指定时间段的归一化植被指数变化速率是指在指定时间段的起始年份中生长关键点之间的归一化植被指数随时间的变化速度，与终止年份中生长关键点之间的归一化植被指数随时间的变化速度之差。
最后执行步骤S3，由于指定时间段对应的复种指数不同，作物的生长关键点的数量不同，进而得到的指定时间段的归一化植被指数变化速率也不相同，因此需要结合指定时间段的复种指数，根据指定时间段的归一化植被指数变化速率，确定出作物种植区域中的退耕地区域。针对于不同复种指数对应的归一化植被指数变化速率与相应的预设阈值之间的大小关系，确定出作物种植区域中的退耕区域。如果归一化植被指数变化速率大于相应的预设阈值，则确定为该复种指数对应的像元位置所在的区域为作物种植区域中的退耕区域。
本发明实施例中提供的退耕地信息遥感识别方法，通过第一空间分辨率的第一类时间序列遥感影像确定出目标区域内的作物种植区域以及作物种植区域中每一像元位置在监测时间段内指定时间段对应的复种指数，并通过复种指数以及第二空间分辨率的第二类时间序列遥感影像确定出指定时间段的归一化植被指数变化速率，最后通过归一化植被指数变化速率确定出作物种植区域中的退耕地区域。可以准确确定出作物种植区域中的退耕地区域，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，所述基于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，确定作物种植区域，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中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一指定阈值，且所述年归一化植被指数均值大于等于第二指定阈值，则确定对应的像元位置处存在作物，存在作物的所有像元位置构成所述作物种植区域。
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，可以根据如下公式确定出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；
其中，μ0为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，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。
其中，σ0为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方差。
根据μ0以及σ0，可以通过如下公式确定出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大于等于第一指定阈值a1，且年归一化植被指数均值μ0大于等于第二指定阈值a2，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，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，所述作物种植区域内各作物在生长关键点，具体通过如下方法确定：
基于作物种植区域内存在作物的所有像元位置处所有像元的归一化植被指数，生成所述作物种植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，根据作物种植区域内存在作物的任一像元位置处所有像元的归一化植被指数进行连线，并结合该任一像元位置处的作物类型，生成不同作物的生育期物候曲线。结合当地多年记录的不同作物的物候信息，分析不同作物不同生育期的物候曲线，提取作物种植、封垄、拔节等不同阶段的曲线的时间点的特征。
根据确定的物候曲线，假设作物种植区域最多种植两季庄稼，即指定时间段内对应的复种指数为2，确定不同种类作物的物候曲线的生长起始点NDVI值Ng1和成熟收割期终点或包括越冬作物时间点NDVI值Ng2。根据确定的物候曲线，确定不同种类作物的物候曲线的生长旺盛期的NDVI值Nf3。
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，所述作物种植区域中每一像元位置在所述监测时间段内指定时间段对应的复种指数，具体通过如下方法确定：
若所述作物种植区域中任一像元位置处的所有像元在所述指定时间段的每一年份内大于第一预设天数的时间里均存在作物，则确定所述任一像元位置在所述指定时间段对应的复种指数大于1；
若所述作物种植区域中任一像元位置处的所有像元在所述指定时间段的每一年份内小于第二预设天数的时间里均存在作物，则确定所述任一像元位置在所述指定时间段对应的复种指数等于1；
若所述作物种植区域中任一像元位置处的所有像元在所述指定时间段内存在至少一个年份不存在作物，则确定所述任一像元位置在所述指定时间段对应的复种指数小于1且大于0。
具体地，在确定作物种植区域中每一像元位置在监测时间段内指定时间段对应的复种指数时，判断作物种植区域中任一像元位置处的所有像元在指定时间段的每一年份内是否在大于第一预设天数的时间里均存在作物，若是则认为该任一像元位置每年种植多次，即确定该任一像元位置在指定时间段对应的复种指数大于1。
判断作物种植区域中任一像元位置处的所有像元在指定时间段的每一年份内是否在小于第二预设天数的时间里均存在作物，若是则认为该任一像元位置每年种植一次，即确定该任一像元位置在指定时间段对应的复种指数等于1。
判断作物种植区域中任一像元位置处的所有像元在指定时间段内是否在至少一个年份不存在作物，若是则认为该任一像元位置多年种植一次，即确定该任一像元位置在指定时间段对应的复种指数小于1且大于0。
判断作物种植区域中任一像元位置处的所有像元在指定时间段内是否在每个年份均不存在作物，若是则认为该任一像元位置在指定时间段内都不种植，即确定该任一像元位置在指定时间段对应的复种指数等于0。
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，可以确定出指定时间段对应的复种指数等于0的所有像元位置对应的区域构成的第一区域、指定时间段对应的复种指数大于0且小于1的所有像元位置对应的区域构成的第二区域、指定时间段对应的复种指数等于1的所有像元位置对应的区域构成的第三区域以及指定时间段对应的复种指数大于1的所有像元位置对应的区域构成的第四区域。
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，所述基于所述复种指数以及所述第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的生长关键点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率，具体包括：
若所述复种指数小于等于1且大于0，则基于所述第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的起始年份与终止年份的生长旺盛期、成熟收割期以及种植起始点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率；
若所述复种指数大于1，则基于所述第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的起始年份与终止年份的多个生长旺盛期、多个成熟收割期以及多个种植起始点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率。
具体地，若复种指数小于1且大于0，则基于第二类时间序列遥感影像中作物种植区域内各作物在指定时间段的起始年份与终止年份的生长旺盛期、成熟收割期以及种植起始点处的归一化植被指数，通过如下公式确定出指定时间段的归一化植被指数变化速率。
其中，ΔVt0-1为复种指数小于1且大于0时指定时间段的归一化植被指数变化速率，Nqzfi为复种指数小于1且大于0时起始年份生长旺盛期起始点的NDVI；Nqzgi为复种指数小于1且大于0时起始年份种植起始点的NDVI；Nqsfi为复种指数小于1且大于0时起始年份生长旺盛期终止点的NDVI；Nqsgi+1为复种指数小于1且大于0时起始年份成熟期或收割期监测点的NDVI；Nzzfi为复种指数小于1且大于0时终止年份生长旺盛期起始点的NDVI；Nzzgi为复种指数小于1且大于0时终止年份种植起始点的NDVI；Nzsfi为复种指数小于1且大于0时终止年份生长旺盛期终止点的NDVI；Nzsgi+1为复种指数小于1且大于0时终止年份成熟期或收割期监测点的NDVI；Δtqzfi-zgi为复种指数小于1且大于0时起始年份种植起始点和生长旺盛期起始点的时间差；Δtqsgi+1-sfi为复种指数小于1且大于0时起始年份成熟期或收割期监测点和生长旺盛期终止点的时间差；Δtzzfi-zgi为复种指数小于1且大于0时终止年份种植起始点和生长旺盛期起始点的时间差；Δtzsgi+1-sfi为复种指数小于1且大于0时终止年份成熟期或收割期监测点和生长旺盛期终止点的时间差。
若复种指数等于1，则基于第二类时间序列遥感影像中作物种植区域内各作物在指定时间段的起始年份与终止年份的生长旺盛期、成熟收割期以及种植起始点处的归一化植被指数，通过如下公式确定出指定时间段的归一化植被指数变化速率。
其中，ΔVt1为复种指数等于1时指定时间段的归一化植被指数变化速率，N′qzfi为复种指数等于1时起始年份生长旺盛期起始点的NDVI；N′qzgi为复种指数等于1时起始年份种植起始点的NDVI；N′qsfi为复种指数等于1时起始年份生长旺盛期终止点的NDVI；N′qsgi+1为复种指数等于1时起始年份成熟期或收割期监测点的NDVI；N′zzfi为复种指数等于1时终止年份生长旺盛期起始点的NDVI；N′zsfi为复种指数等于1时终止年份生长旺盛期终止点的NDVI；N′zsgi+1为复种指数等于1时终止年份成熟期或收割期监测点的NDVI；Δt′qzfi-zgi为复种指数等于1时起始年份种植起始点和生长旺盛期起始点的时间差；Δt′qsgi+1-sfi为复种指数等于1时起始年份成熟期或收割期监测点和生长旺盛期终止点的时间差；Δt′zzfi-zgi为复种指数等于1时终止年份种植起始点和生长旺盛期起始点的时间差；Δt′zsgi+1-sfi为复种指数等于1时终止年份成熟期或收割期监测点和生长旺盛期终止点的时间差。
若复种指数大于1，则基于第二类时间序列遥感影像中作物种植区域内各作物在指定时间段的起始年份与终止年份的多个生长旺盛期、多个成熟收割期以及多个种植起始点处的归一化植被指数，通过如下公式确定出指定时间段的归一化植被指数变化速率，以复种指数等于2为例进行说明。
其中，ΔVt2为复种指数等于2时指定时间段的归一化植被指数变化速率，N2qzfi为复种指数等于2时第二季作物起始年份生长旺盛期起始点的NDVI；N2qzgi为复种指数等于2时第二季作物起始年份种植起始点的NDVI；N1qsfi为复种指数等于2时第一季作物起始年份生长旺盛期终止点的NDVI；N1qsgi+1为复种指数等于2时第一季作物起始年份成熟期或收割期监测点的NDVI；N2qsgi为复种指数等于2时第二季作物起始年份成熟期或收割期监测点的NDVI；N2zzfi为复种指数等于2时第二季作物终止年份生长旺盛期终止点的NDVI；N2zzgi为复种指数等于2时第二季作物终止年份种植起始点的NDVI；N1zsfi为复种指数等于2时第一季作物终止年份生长旺盛期终止点的NDVI；N1zsgi+1为复种指数等于2时第一季作物终止年份成熟期或收割期监测点的NDVI；N2zsgi为复种指数等于2时第二季作物终止年份成熟期或收割期监测点的NDVI；Δt2qzfi-zgi为复种指数等于2时第二季作物起始年份成熟期或收割期监测点和生长旺盛期起始点的时间差；Δt1qsgi+1-sfi为复种指数等于2时第一季作物起始年份成熟期或收割期监测点和生长旺盛期终止点的时间差；Δt2sgi-qzfi为复种指数等于2时第二季作物终止年份种植起始点和生长旺盛期起始点的时间差；Δt2zzfi-zgi为复种指数等于2时第二季作物终止年份成熟期或收割期监测点和生长旺盛期终止点的时间差；Δt1zsgi+1-sfi为复种指数等于2时第一季作物终止年份成熟期或收割期监测点和生长旺盛期终止点的时间差；Δt2sgi-zzfi为复种指数等于2时第二季作物终止年份种植起始点和生长旺盛期终止点的时间差。
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，所述基于所述复种指数以及所述指定时间段的归一化植被指数变化速率，确定所述作物种植区域中的退耕地区域，具体包括：
若作物种植区域中任一像元位置对应的复种指数小于1且大于0、归一化植被指数变化速率ΔVt0-1大于等于第一阈值a1，则确定该任一像元位置对应的区域为第一类退耕地区域；若作物种植区域中任一像元位置对应的复种指数等于1、归一化植被指数变化速率ΔVt1大于等于第二阈值a2，则确定该任一像元位置对应的区域为第二类退耕地区域；若作物种植区域中任一像元位置对应的复种指数大于1、归一化植被指数变化速率ΔVt2大于等于第三阈值a3，则确定该任一像元位置对应的区域为第三类退耕地区域。其中，a1、a2、a3均为常数。
在上述实施例的基础上，本发明实施例中可以通过如下公式确定出起始年份某一类退耕地区域的面积。该面积的计算具体可以通过如下公式确定：
Si＝b·p2
其中，Si为起始年份某一类退耕地区域的面积，i的取值可以为小于1且大于0，此时对应第一类退耕地区域的面积，i的取值还可以为1，此时对应第二类退耕地区域的面积，i的取值还可以为大于1，此时对应第三类退耕地区域的面积。b为某一类退耕地区域内像元的数量，也即第二类时间序列遥感影像中起始年份对应的遥感影像对应于某一类退耕地区域的像元的数量，p为第二类时间序列遥感影像的空间分辨率。
在上述实施例的基础上，本发明实施例提供的退耕地信息遥感识别方法还包括：
若监测时间段内指定时间段后的第一时间段内，第一类退耕地区域中任一像元位置对应的归一化植被指数变化速率ΔVt0-1小于等于第四阈值b1，则确定该任一像元位置对应的区域为第一类退耕地区域中的复耕区域；若监测时间段内所述指定时间段后的第一时间段内，第二类退耕地区域中任一像元位置对应的归一化植被指数变化速率ΔVt1小于等于第五阈值b2，则确定该任一像元位置对应的区域为第二类退耕地区域中的复耕区域；若监测时间段内指定时间段后的第一时间段内，第三类退耕地区域中任一像元位置对应的归一化植被指数变化速率ΔVt2小于等于第六阈值b3，则确定该任一像元位置对应的区域为第三类退耕地区域中的复耕区域。其中，b1、b2、b3均为常数。
在上述实施例的基础上，本发明实施例提供的退耕地信息遥感识别方法，还包括：
若所述监测时间段内所述第一时间段后，所述复耕区域内任一像元位置在生长旺盛期的平均归一化植被指数小于等于第七阈值，且所述任一像元位置处的红光波段反射率、绿光波段反射率以及蓝光波段反射率的平方和大于等于第八阈值，则确定所述复耕区域出现植被退化现象。
具体地，如果确定某一类退耕地区域之后，植被恢复情况判定方法如下：
如果退耕以后在植被生长旺盛的季节，出现如下情况，则判定为植被退化。
式中
为某一类退耕地区域中的复耕区域内任一像元位置在生长旺盛期的平均归一化植被指数，Rb、Rg、Rr分别为蓝光波段反射率、绿光波段反射率、红光波段反射率，c1、d1均为常数。
在上述实施例的基础上，本发明实施例提供的退耕地信息遥感识别方法，还包括：
获取所述监测时间段内所述作物种植区域的年均降水量、植被实际蒸散发量和潜在蒸散发量；
基于所述年均降水量、植被实际蒸散发量和潜在蒸散发量，确定所述作物种植区域是否具有可持续性。
具体地，通过如下条件判定植被覆盖区是否具有可持续性，如果如下条件满足，则判定具有可持续性，否则判定不具有可持续性。
式中，
分别为监测时间段内作物种植区域的年均降水量、植被实际蒸散发量和潜在蒸散发量，∈1、f1均为常数。
在上述实施例的基础上，本发明实施例提供的退耕地信息遥感识别方法，还包括：矢量化作物种植区域。
在上述实施例的基础上，本发明实施例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为本发明实施例所描述的退耕地信息遥感识别装置的结构示意图，如图2所示，包括：复种指数确定模块210、归一化植被指数变化速率确定模块220和退耕地区域确定模块230。其中，
复种指数确定模块210用于基于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，确定作物种植区域，并确定所述作物种植区域中每一像元位置在所述监测时间段内指定时间段对应的复种指数；
归一化植被指数变化速率确定模块220用于基于所述复种指数以及第二空间分辨率的第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的生长关键点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率；所述第一空间分辨率低于所述第二空间分辨率；
退耕地区域确定模块230用于基于所述复种指数以及所述指定时间段的归一化植被指数变化速率，确定所述作物种植区域中的退耕地区域。
具体地，本发明实施例中提供的退耕地信息遥感识别装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。
图3示例了一种电子设备的实体结构示意图，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，以执行退耕地信息遥感识别方法，该方法包括：基于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，确定作物种植区域，并确定所述作物种植区域中每一像元位置在所述监测时间段内指定时间段对应的复种指数；基于所述复种指数以及第二空间分辨率的第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的生长关键点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率；所述第一空间分辨率低于所述第二空间分辨率；基于所述复种指数以及所述指定时间段的归一化植被指数变化速率，确定所述作物种植区域中的退耕地区域。
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。
另一方面，本发明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所提供的退耕地信息遥感识别方法，该方法包括：基于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，确定作物种植区域，并确定所述作物种植区域中每一像元位置在所述监测时间段内指定时间段对应的复种指数；基于所述复种指数以及第二空间分辨率的第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的生长关键点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率；所述第一空间分辨率低于所述第二空间分辨率；基于所述复种指数以及所述指定时间段的归一化植被指数变化速率，确定所述作物种植区域中的退耕地区域。
又一方面，本发明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提供的退耕地信息遥感识别方法，该方法包括：基于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，确定作物种植区域，并确定所述作物种植区域中每一像元位置在所述监测时间段内指定时间段对应的复种指数；基于所述复种指数以及第二空间分辨率的第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的生长关键点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率；所述第一空间分辨率低于所述第二空间分辨率；基于所述复种指数以及所述指定时间段的归一化植被指数变化速率，确定所述作物种植区域中的退耕地区域。
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)
1.一种退耕地信息遥感识别方法，其特征在于，包括：
基于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，确定作物种植区域，并确定所述作物种植区域中每一像元位置在所述监测时间段内指定时间段对应的复种指数；
基于所述复种指数以及第二空间分辨率的第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的生长关键点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率；所述第一空间分辨率低于所述第二空间分辨率；
基于所述复种指数以及所述指定时间段的归一化植被指数变化速率，确定所述作物种植区域中的退耕地区域。
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，所述作物种植区域中每一像元位置在所述监测时间段内指定时间段对应的复种指数，具体通过如下方法确定：
若所述作物种植区域中任一像元位置处的所有像元在所述指定时间段的每一年份内大于第一预设天数的时间里均存在作物，则确定所述任一像元位置在所述指定时间段对应的复种指数大于1；
若所述作物种植区域中任一像元位置处的所有像元在所述指定时间段的每一年份内小于第二预设天数的时间里均存在作物，则确定所述任一像元位置在所述指定时间段对应的复种指数等于1；
若所述作物种植区域中任一像元位置处的所有像元在所述指定时间段内存在至少一个年份不存在作物，则确定所述任一像元位置在所述指定时间段对应的复种指数小于1且大于0。
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，所述基于所述复种指数以及所述第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的生长关键点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率，具体包括：
若所述复种指数小于等于1且大于0，则基于所述第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的起始年份与终止年份的生长旺盛期、成熟收割期以及种植起始点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率；
若所述复种指数大于1，则基于所述第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的起始年份与终止年份的多个生长旺盛期、多个成熟收割期以及多个种植起始点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率。
4.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，所述基于所述复种指数以及所述指定时间段的归一化植被指数变化速率，确定所述作物种植区域中的退耕地区域，具体包括：
若所述作物种植区域中任一像元位置对应的所述复种指数小于1且大于0、所述归一化植被指数变化速率大于等于第一阈值，则确定所述任一像元位置对应的区域为第一类退耕地区域；
若所述作物种植区域中任一像元位置对应的所述复种指数等于1、所述归一化植被指数变化速率大于等于第二阈值，则确定所述任一像元位置对应的区域为第二类退耕地区域；
若所述作物种植区域中任一像元位置对应的所述复种指数大于1、所述归一化植被指数变化速率大于等于第三阈值，则确定所述任一像元位置对应的区域为第三类退耕地区域。
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，还包括：
若所述监测时间段内所述指定时间段后的第一时间段内，所述第一类退耕地区域中任一像元位置对应的所述归一化植被指数变化速率小于等于第四阈值，则确定所述任一像元位置对应的区域为所述第一类退耕地区域中的复耕区域；
若所述监测时间段内所述指定时间段后的第一时间段内，所述第二类退耕地区域中任一像元位置对应的所述归一化植被指数变化速率小于等于第五阈值，则确定所述任一像元位置对应的区域为所述第二类退耕地区域中的复耕区域；
若所述监测时间段内所述指定时间段后的第一时间段内，所述第三类退耕地区域中任一像元位置对应的所述归一化植被指数变化速率小于等于第六阈值，则确定所述任一像元位置对应的区域为所述第三类退耕地区域中的复耕区域。
6.根据权利要求5所述的退耕地信息遥感识别方法，其特征在于，还包括：
若所述监测时间段内所述第一时间段后，所述复耕区域内任一像元位置在生长旺盛期的平均归一化植被指数小于等于第七阈值，且所述任一像元位置处的红光波段反射率、绿光波段反射率以及蓝光波段反射率的平方和大于等于第八阈值，则确定所述复耕区域出现植被退化现象。
7.根据权利要求1-6中任一项所述的退耕地信息遥感识别方法，其特征在于，还包括：
获取所述监测时间段内所述作物种植区域的年均降水量、植被实际蒸散发量和潜在蒸散发量；
基于所述年均降水量、植被实际蒸散发量和潜在蒸散发量，确定所述作物种植区域是否具有可持续性。
8.一种退耕地信息遥感识别装置，其特征在于，包括：
复种指数确定模块，用于基于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，确定作物种植区域，并确定所述作物种植区域中每一像元位置在所述监测时间段内指定时间段对应的复种指数；
归一化植被指数变化速率确定模块，用于基于所述复种指数以及第二空间分辨率的第二类时间序列遥感影像中所述作物种植区域内各作物在所述指定时间段的生长关键点处的归一化植被指数，确定所述指定时间段的归一化植被指数变化速率；所述第一空间分辨率低于所述第二空间分辨率；
退耕地区域确定模块，用于基于所述复种指数以及所述指定时间段的归一化植被指数变化速率，确定所述作物种植区域中的退耕地区域。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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，所述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 |
|---|---|---|---|
| CN202011291406.1A CN112418050B (zh) | 2020-11-18 | 2020-11-18 | 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 |
|---|---|---|---|
| CN202011291406.1A CN112418050B (zh) | 2020-11-18 | 2020-11-18 | 退耕地信息遥感识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112418050A CN112418050A (zh) | 2021-02-26 |
| CN112418050B true CN112418050B (zh) | 2022-10-21 |
Family
ID=74832042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011291406.1A Active CN112418050B (zh) | 2020-11-18 | 2020-11-18 | 退耕地信息遥感识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418050B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114782816B (zh) * | 2022-04-28 | 2023-03-24 | 天津大学 | 一种作物复种指数遥感提取方法 |
| CN118521969A (zh) * | 2024-07-25 | 2024-08-20 | 广东省科学院广州地理研究所 | 一种水稻退种风险的监测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090007485A1 (en) * | 2007-07-03 | 2009-01-08 | Holland Scientific | Sensor-Based Chemical Management for Agricultural Landscapes |
| CN108345992A (zh) * | 2018-01-31 | 2018-07-31 | 北京师范大学 | 一种复种指数提取方法及装置 |
| CN110766299A (zh) * | 2019-10-11 | 2020-02-07 | 清华大学 | 一种基于遥感数据的流域植被变化分析方法 |
| CN111861838A (zh) * | 2020-08-24 | 2020-10-30 | 电子科技大学 | 一种山区森林退化成因的判别方法及系统 |
-
2020
- 2020-11-18 CN CN202011291406.1A patent/CN112418050B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090007485A1 (en) * | 2007-07-03 | 2009-01-08 | Holland Scientific | Sensor-Based Chemical Management for Agricultural Landscapes |
| CN108345992A (zh) * | 2018-01-31 | 2018-07-31 | 北京师范大学 | 一种复种指数提取方法及装置 |
| CN110766299A (zh) * | 2019-10-11 | 2020-02-07 | 清华大学 | 一种基于遥感数据的流域植被变化分析方法 |
| CN111861838A (zh) * | 2020-08-24 | 2020-10-30 | 电子科技大学 | 一种山区森林退化成因的判别方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| The NDVI-CV Method for Mapping Evergreen Trees in Complex Urban Areas Using Reconstructed Landsat 8 Time-Series Data;Yingying Yang 等;《forests》;20190208;全文 * |
| 基于NDVI时间序列的水稻面积提取研究;苗翠翠;《中国优秀硕士学位论文全文数据库 农业科技辑》;20110515(第05期);全文 * |
| 基于环境减灾卫星时序归一化植被指数的冬小麦产量估测;陈鹏飞等;《农业工程学报》;20130601(第11期);第124-131页 * |
| 黄河流域植被生态用水过程动态模拟;王玉娟 等;《自然资源学报》;20140331;第29卷(第3期);第431-440页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112418050A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418050B (zh) | 退耕地信息遥感识别方法及装置 | |
| CN107480706A (zh) | 一种制种玉米田遥感识别方法及装置 | |
| CN109635731B (zh) | 一种识别有效耕地的方法及装置、存储介质及处理器 | |
| CN113009485A (zh) | 一种基于改进植被指数的遥感烟田识别方法 | |
| CN110909679B (zh) | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 | |
| CN109446958B (zh) | 施药效果的确定方法及装置、系统 | |
| JP7311102B2 (ja) | 農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム | |
| CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
| CN112001809A (zh) | 一种农林区退耕地信息获取方法 | |
| CN108805079A (zh) | 冬小麦的识别方法及装置 | |
| CN116385885A (zh) | 一种病虫害识别方法及系统 | |
| CN108345992A (zh) | 一种复种指数提取方法及装置 | |
| CN112861766A (zh) | 农田玉米秸秆卫星遥感提取方法及装置 | |
| CN112232230B (zh) | 退耕地信息遥感识别方法及装置 | |
| CN112465038A (zh) | 一种识别果树病虫害种类的方法及系统 | |
| Jackson et al. | Season, classifier, and spatial resolution impact honey mesquite and yellow bluestem detection using an unmanned aerial system | |
| CN113421273B (zh) | 林草搭配信息遥感提取方法及装置 | |
| CN111610159B (zh) | 地表温度降尺度估算方法及植被水分胁迫监测方法 | |
| CN113984212A (zh) | 农业灌区提取方法及系统 | |
| Rege et al. | Mapping cashew monocultures in the Western Ghats using optical and radar imagery in Google Earth Engine | |
| CN115527111A (zh) | 水稻种植信息及复种指数遥感提取方法、装置及设备 | |
| CN115526927A (zh) | 综合物候和遥感大数据的水稻种植及其面积估算方法 | |
| Abdelraouf et al. | Comparative analysis of some winter crops area estimation using landsat-8 and sentinal-2 satellite imagery | |
| CN110059890A (zh) | 县域尺度农业洪涝监测方法及系统 | |
| CN115512218A (zh) | 一种基于多时相遥感影像的茶园识别方法、装置、设备及存储介质 |
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 |