CN112711989A - 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 - Google Patents

基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 Download PDF

Info

Publication number
CN112711989A
CN112711989A CN202011475675.3A CN202011475675A CN112711989A CN 112711989 A CN112711989 A CN 112711989A CN 202011475675 A CN202011475675 A CN 202011475675A CN 112711989 A CN112711989 A CN 112711989A
Authority
CN
China
Prior art keywords
remote sensing
radar
index
coverage
soil
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
CN202011475675.3A
Other languages
English (en)
Other versions
CN112711989B (zh
Inventor
刘忠
万炜
刘之榆
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.)
China Agricultural University
Original Assignee
China Agricultural 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 China Agricultural University filed Critical China Agricultural University
Priority to CN202011475675.3A priority Critical patent/CN112711989B/zh
Publication of CN112711989A publication Critical patent/CN112711989A/zh
Application granted granted Critical
Publication of CN112711989B publication Critical patent/CN112711989B/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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，包括以下步骤：S1、选择种植区，分别在春秋两时期，结合春秋两时期的光学影像、雷达影像和秸秆覆盖度采样数据；S2、土壤质地分区建模，采用土壤质地分区的方法估算秸秆覆盖度，通过实地观察和参考土壤类型分布图设定阈值；S3、基于雷达影像和光学影像分别提取雷达指数和光学遥感指数，用于秸秆覆盖度估算模型的建立；S4、将雷达指数与光学遥感指数相结合，采用多元线性回归模型估算玉米秸秆覆盖度，建立雷达指数和光学遥感指数与玉米秸秆覆盖度的关系模型。本发明中结合雷达指数与光学遥感指数能够有效地提高秸秆覆盖度估算精度，使得构建的模型与实测CRC的相关性达到了最高。

Description

基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法
技术领域
本发明属于在农田生态数据估算的领域，具体涉及基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法。
背景技术
田间秸秆是指作物收获后遗留在田间的残留物质，它对农田生态系统有着重要影响。田间秸秆能够形成土壤与大气进行碳交换的隔膜，阻隔土壤中碳元素向大气的散失，是农田生态系统影响碳循环的重要因子。同时，覆盖在地表的秸秆可以减少土壤耕层水土流失，防止土壤侵蚀，增加土壤有机质含量和微生物数量，增强土壤的保水能力，改善土壤结构与理化性质，进而提高土壤质量，增加农作物的产量。与传统的焚烧方式相比，秸秆还田可以有效地减少空气污染和有害气体的排放。秸秆覆盖度(crop residue cover，CRC)是指单位面积内田间秸秆垂直投影面积与地表总面积之比，其值在0-1之间，美国环保技术中心将秸秆覆盖度(CRC)不小于0.3的耕作方式定义为保护性耕作，保护性耕作已成为一种世界公认的农业可持续生产方式和现代生态农业的重要组成部分，其在环境保护方面发挥着重要作用。同时，秸秆覆盖度的估算是保护性耕作系统不可或缺的部分，也是众多农业生态模型的重要组成因子。
目前，遥感技术因其在时间和空间尺度上的优势，具有快速、准确和大范围地监测秸秆覆盖度的特点，目前已成为秸秆覆盖度估算的主流方法。其中，微波遥感具有全天时、全天候、多波段和多极化的独特优势，利用雷达数据估算秸秆覆盖度的研究越来越多。利用地面散射计的秸秆覆盖度估算探究也为合成孔径雷达(SAR)数据在这方面的应用提供了基础，虽然雷达数据在秸秆覆盖度估算方面取得了一定的成果，但其却受极化方式、雷达入射角、表面粗糙度、土壤和秸秆水分等多种因素的干扰，使得微波遥感法估算秸秆覆盖度的应用受到极大限制。
与微波遥感相比，利用光学遥感影像估算秸秆覆盖度的精度相对较高，基于可见光-近红外区域的高光谱、多光谱影像构建光学遥感指数回归模型是一种常用方法。土壤与秸秆在光谱特征上表现相似，作物秸秆光谱仅在2100nm附近存在纤维素-木质素强吸收谷，因此，利用其特性，众多光学遥感指数被提出。高光谱影像数据构建光学遥感指数充分利用了其光谱分辨率的优势，但在高光谱数据难以获取的情况下，多光谱影像数据被越来越多的学者关注，如基于Landsat-5TM数据第4和第5波段的归一化差值指数(normalizeddifference index5，NDI5)、第4和第7波段的归一化差值指数(normalized differenceindex7，NDI7)(McNairn和Protz，1993)、第5和第7波段的归一化差值耕作指数(normalizeddifference tillage index，NDTI)、简单耕作指数(simple tillage index，STI)、归一化差值衰老指数(normalized difference senescent vegetation index，NDSVI)和归一化差值秸秆指数(normalized difference residue index，NDRI)。虽然光学遥感指数在反演秸秆覆盖度上表现出一定的潜力，但在总体监测上效果仍然较差，主要原因在于多数光学遥感指数受到土壤质地、土壤有机质含量和土壤含水量等土壤背景因素的影响。因此，为减弱土壤背景的影响，引入土壤线的概念，在NDI5的基础上提出了土壤调整玉米秸秆指数(soil adjusted corn residue index，SACRI)，SACRI指数有效地降低了土壤背景因素的影响，但当秸秆覆盖度大于0.15时易出现饱和现象；基于多时相NDTI构建了min-NDTI指数，该指数不受水分影响，但在不同土壤背景下的相关性具有显著差异。尽管众多此类指数被提出，但大多大区域反演精度较低，难以推广应用。
有鉴于此，特提出本发明。
发明内容
本发明的目的是提供基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，解决了大区域的玉米秸秆覆盖度反演精度较低、难以推广的问题。
为了实现上述目的，本发明提供的基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，包括以下步骤：
S1、选择种植区，分别在春秋两时期，结合春秋两时期的光学影像、雷达影像和秸秆覆盖度采样数据；
S2、土壤质地分区建模，采用土壤质地分区的方法估算秸秆覆盖度，通过实地观察和参考土壤类型分布图设定阈值；
S3、基于雷达影像和光学影像分别提取雷达指数和光学遥感指数，用于秸秆覆盖度估算模型的建立；
S4、将雷达指数与光学遥感指数相结合，采用多元线性回归模型估算玉米秸秆覆盖度，建立雷达指数和光学遥感指数与玉米秸秆覆盖度的关系模型。
优选地，所述步骤S1包括以下步骤：
S1.1、数据获取：通过欧空局哥白尼数据开放中心获取SAR光学影像，通过地距多视产品获取雷达影像，通过拉绳法获取秸秆覆盖度实测值，通过国际土壤参比与信息中心获取土壤质地数据；
S1.2、数据处理：通过雷达图像处理软件对雷达影像和光学影像进行影像预处理，使得经处理后的雷达影像与光学影像数据空间分辨率均为10m；
S1.3、种植区的提取与精度验证：采用遥感图像监督分类的方式提取玉米种植区，采用支持向量机分类方法，提取玉米种植区，分类结果经过聚类处理去除零碎斑块，对照Google Earth随机选择的区域对分类结果进行精度评价。
优选地，在所述步骤S2中，将种植区土壤距表层0.05～2.00mm处砂粒含量大于39％的区域划为砂质土壤区，将种植区土壤距表层0.05～2.00mm处砂粒含量不大于39％的区域划为黏质土壤区。
优选地，所述步骤S3中，所述雷达指数选用双极化方式下的后向散射系数和基于余弦校正法修正的归一化后向散射系数。
优选地，所述雷达指数选用雷达指数M0 γ、雷达指数M0 σ、雷达指数σ0 VH、雷达指数σ0 VV、雷达指数γ0 VH和雷达指数γ0 VV。
优选地，所述步骤S3中，所述光学遥感指数选择归一化差值耕作指数NDTI、简单耕作指数STI、归一化差值秸秆指数NDRI、归一化差值指数NDI7和归一化差值指数NDI71。
优选地，所述步骤S4中，多元线性回归模型中采用最优子集回归法估算玉米秸秆覆盖度。
优选地，最优子集的选取准则包括：(1)调整后的决定系数R2最大；(2)AIC最小；(3)BIC最小；(4)Cp接近p+1。
更优选地，所述步骤S4中，模型拟合由决定系数来评价；留一法交叉验证用于评价验证模型的预测能力。
本发明提供的基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，具有如下有益效果：
1、在种植区土壤存在明显异质性的情况下，采用土壤质地分区建模的方法可以有效提升反演精度；
2、采用雷达影像与光学影像相结合的方式，将春秋两期数据结合建模，体现了结合两种遥感数据的优势，使其取长补短，优势互补，有效地提高了遥感影像反演玉米秸秆覆盖度的精度；
3、结合雷达指数与光学遥感指数能够有效地提高反演秸秆覆盖度的精度，在一元回归模型中结合指数较之单一指数均较大地提升了与实测CRC的相关性，在多元线性回归中利用最优子集回归法构建的模型与实测CRC的决定系数达到了最高(R2＝0.799，RMSE＝13.67％)。
附图说明
图1为本发明的基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法的流程图。
图2为本发明的实施例中的研究区样点的空间分布图。
图3为本发明的实施例中的土壤类型及土壤质地分区的分布图。
图4为本发明的实施例中的种植区土地利用类型的分类图。
图5为本发明的实施例中的春秋两季部分光学遥感指数的散点图。
图6为本发明的实施例中的最优模型预测CRC与实测CRC的散点图。
图7为本发明的实施例中的土壤质地分区后预测CRC与实测CRC散点图。
图8为本发明的实施例中的春季与秋季秸秆覆盖度估算图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合具体实施方式对本发明作进一步的详细说明。
利用遥感手段估算秸秆覆盖度的研究屡见不鲜，但单独使用一种遥感影像反演秸秆覆盖度(CRC)的精度会受到环境因素的较大限制。微波遥感不受天气状况影响，对秸秆的三维信息敏感，但限制因素较多，反演精度较低；光学遥感反演精度较高，但仅获取秸秆的光谱信息，缺乏明确的物理意义。因此，将两种遥感方式相结合，使其优势互补，会进一步提升秸秆覆盖度的反演精度。本专利基于Sentinel-1SAR雷达影像数据和Sentinel-2B光学影像数据分别构建雷达指数和光学遥感指数，探究遥感指数与玉米秸秆覆盖度的关系，利用土壤质地分区建模法消除土壤背景影响，并结合春秋两时期实地采样数据筛选出稳定性较好的遥感指数，同时尝试将雷达指数与光学遥感指数相结合，建立基于结合指数的玉米秸秆覆盖度最优估算模型，并对模型进行验证，旨在进一步提升遥感影像反演秸秆覆盖度的精度，为秸秆覆盖度的监测提供一种新方法。
如图1-8所示，一种基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，包括以下步骤：
S1、选择种植区，分别在春秋两时期，结合春秋两时期的光学影像、雷达影像和秸秆覆盖度(CRC)采样数据，在种植区内分别建立了雷达指数和光学遥感指数与实测秸秆覆盖度(CRC)的回归模型。
其中，在本实施例中，选取的种植区位于吉林省四平市梨树县(图2)，其土壤类型多样，地势较为平坦，是东北平原中部的产粮大县。地属温带半湿润大陆性季风气候，年均降水量614mm，区域平均海拔175m，土壤肥沃，自然条件优越。区域内种植作物以春玉米为主，还有少量的大豆、水稻等作物，玉米种植面积占农作物总种植面积的绝大部分，春玉米多以4月末至5月初播种，10月初收获。梨树县是保护性耕作秸秆覆盖还田的重点推广县，“梨树模式”即秸秆全量覆盖的保护性耕作方式在县内广泛存在，同时也存在部分传统耕作方式，因此适合秸秆覆盖度估算研究。
其中，步骤S1包括以下子步骤，即步骤S1.1、S1.2和S1.3：
S1.1、数据获取：通过欧空局哥白尼数据开放中心获取Level-1级Sentinel-1SAR光学影像，通过地距多视产品获取雷达影像，通过拉绳法获取秸秆覆盖度实测值，通过国际土壤参比与信息中心(ISRIC)的SoilGrids数据库(https://soilgrids.org/)获取土壤质地数据。
具体地，在本实施例中，从欧空局哥白尼数据开放中心(https://scihub.copernicus.eu/)获取了2018年11月14日与2019年5月13日两个时期的Level-1级Sentinel-1SAR影像，每期需两景影像才能完整覆盖种植区。雷达影像选用地距多视产品(ground range detected,GRD)，其工作波段为C波段，工作频率为5.4GHz，极化方式为VH和VV，影像成像模式为干涉幅宽模式(interferometric wide swath,IW)，两期影像的平均入射角分别为38.08°和38.09°，因此认为两期影像在入射角上几乎不存在差异。同时，研究还获取了2018年11月10日、2019年5月4日和2019年9月11日三个时期的Sentinel-2B光学影像，每期由四景影像经镶嵌处理后完整覆盖种植区，数据级别为L1C。
由国际土壤参比与信息中心(ISRIC)的SoilGrids数据库(https://soilgrids.org/)提供土壤质地数据，选取覆盖种植区表层土壤质地的栅格数据集，从中获取表层(0-5cm)砂粒含量栅格数据，数据分辨率为250m。土壤类型图由资源环境数据云平台(http://www.resdc.cn)提供，源数据为全国第二次土壤普查成果图，比例尺为1：100万，其采用传统的“土壤发生分类”系统进行分类，基本制图单元为亚类。
S1.2、数据处理：通过雷达图像处理软件对雷达影像和光学影像进行影像预处理，使得经处理后的雷达影像与光学影像数据空间分辨率均为10m。
具体地，由于SAR系统自身(包括雷达系统、校正系统、成像算法等)的特征，SAR影像存在斑点噪声、阴影、叠掩、透视收缩等问题，严重影响图像的质量，因此须对SAR影像进行预处理。本研究利用Sarmap公司(瑞士)研发的雷达图像处理软件SAR scape 5.5对SAR影像进行处理，该软件架构于ENVI软件之上。SAR影像预处理主要包括以下几个步骤：
1)数据导入：由于不同传感器都有特定的数据格式，因此在软件中首先要将数据转换成SAR scape的标准格式数据。软件自动进行多景影像的镶嵌处理。
2)图像配准：遥感图像配准是实现同场景多幅遥感图像分析和处理的前提和基础。本研究采用Intensity Processing-Coregistration工具对两个时期的SAR影像进行配准。
3)斑点噪声滤波：SAR系统是相干系统，斑点噪声是其固有的特性，因此需要滤波抑制斑点噪声，单时相滤波中常用的滤波器有Lee、Refined Lee、Frost等；多时相滤波常用的滤波器为De Grandi和Anisotropic Non-Linear Diffusion(ANLD)，研究采用ANLD滤波器对SAR影像进行滤波。
4)辐射定标：辐射定标的目的是将像元亮度(DN值)转换为后向散射系数，以消除由于SAR轨道和观测角度不同导致的成像几何误差。SAR scape软件提供了Geocoding andRadiometric Calibration工具对影像进行辐射定标和地形校正。辐射定标的公式如下
Figure BDA0002837234350000071
式中，
Figure BDA0002837234350000072
为第i行，第j列像元的后向散射系数；DNij为第i行，第j列像元的原始散射强度；A为定标系数，该系数可在原始影像数据中获取，根据不同形式的后向散射系数选用不同的定标参数。
同时，SAR scape软件还提供了基于余弦校正法(Ulaby and Dobson,1989)的归一化后向散射系数，该系数考虑了后向散射系数与图像场景中心入射角和局部入射角的相关性。计算公式如下
Figure BDA0002837234350000073
式中，
Figure BDA0002837234350000074
为第i行，第j列像元的归一化后向散射系数；
Figure BDA0002837234350000075
为第i行，第j列像元的后向散射系数；cosθC为图像场景中心入射角的余弦值；cosθL为各像元局部入射角的余弦值；n为加权因子，通常取决于图像的采集模式，范围为2-7，从近到远的入射角差越大，加权因子设置越高。
5)地形校正：在SAR系统中，后向散射被投影为斜距几何，因此需要通过地形校正来将斜距或地距投影转换为地理坐标投影，转化后的影像通过三次卷积法将空间分辨率重采样到10m，与光学影像数据空间分辨率保持一致。本发明利用SRTM3 Version4的90m分辨率DEM数据进行地形校正，该数据由SAR scape软件提供的DEM下载工具获取。
Sentinel-2B影像预处理在ENVI 5.5软件中实现，预处理过程包括辐射定标、FLAASH大气校正和影像拼接裁剪。光学影像与SAR影像的辐射定标有所不同，光学影像的辐射定标是将图像的DN值转化为辐射亮度值，本研究采用ENVI软件中RadiometricCalibration工具对Sentinel-2B影像进行辐射定标。在光学影像的成像过程中，传感器不仅会接收物体表面的光谱信息，同时也包含了部分大气以及太阳光的信息，因此需要进行大气校正，本发明采用FLAASH Atmospheric Correction工具对影像进行大气校正，最后，在Seamless Mosaic工具和Subset Data from ROIs工具中对影像进行镶嵌和裁剪。经处理后的雷达影像与光学影像数据空间分辨率均为10m。
S1.3、种植区的提取与精度验证：采用遥感图像监督分类的方式提取玉米种植区，采用支持向量机(SVM)分类方法，提取玉米种植区，分类结果经过聚类处理(腐蚀-膨胀)去除零碎斑块，对照Google Earth随机选择感兴趣区对分类结果进行精度评价。
具体地，东北地区玉米生长期可达5-6个月，9月中旬玉米、大豆和水稻等农作物基本成熟，成熟的玉米与大豆、水稻有明显的光谱差异，同时玉米与其他地物在光学影像上也表现出明显的色差，因此可用遥感图像监督分类的方式提取玉米种植区。研究利用2019年9月11日的Sentinel-2B影像，采用支持向量机(SVM)分类方法，提取玉米种植区。分类结果经过聚类处理(腐蚀-膨胀)去除零碎斑块，对照Google Earth随机选择感兴趣区对分类结果进行精度评价。
S2、土壤质地分区建模，采用土壤质地分区的方法估算秸秆覆盖度，通过实地观察和参考土壤类型分布图设定阈值，将种植区土壤表层砂粒(0.05-2mm)含量大于39％的区域划为砂质土壤区，低于39％的区域划为黏质土壤区。
具体地，种植区土壤类型丰富，且有较强空间异质性，土壤类型如图3所示。种植区中广泛分布的黑土和风沙土是主要的两个土壤类型，不同的土壤类型其理化性质有显著差异，黑土有机质含量较高，土壤粘湿；风沙土质地偏砂，保水能力差。土壤理化性质的显著差异会导致其在光谱反射率以及雷达回波上表现出明显差异，进而影响秸秆覆盖度的估算。
为实现更高的CRC估算精度，本发明采用土壤质地分区的方法估算秸秆覆盖度，通过实地观察和参考土壤类型分布图设定阈值，将种植区土壤表层砂粒(0.05-2mm)含量大于39％的区域划为砂质土壤区，低于39％的区域划为黏质土壤区(如图3所示)，划分结果与实际土壤类型空间分布情况基本一致。
S3、基于雷达影像和光学影像分别提取雷达指数和光学遥感指数，用于与实测CRC相结合，用于秸秆覆盖度估算模型的建立：雷达指数选用双极化(VH和VV)方式下的后向散射系数和基于余弦校正法修正的归一化后向散射系数，选用6种雷达指数M0 γ、M0 σ、σ0 VH、σ0 VV、γ0 VH、γ0 VV探究实测CRC的相关性，并选择5种光学遥感指数，即归一化差值耕作指数(NDTI)、简单耕作指数(STI)、归一化差值秸秆指数(NDRI)、归一化差值指数(NDI7)和归一化差值指数(NDI71)，用于参与秸秆覆盖度估算模型的建立；
其中，σ0 VH和σ0 VV分别为VH和VV极化方式下的后向散射系数；γ0 VH和γ0 VV分别为VH和VV极化方式下的归一化后向散射系数，M0 γ和M0 σ分别为极化组合的雷达指数，其计算方式如下：
Figure BDA0002837234350000091
Figure BDA0002837234350000092
对于归一化差值耕作指数(NDTI)、简单耕作指数(STI)、归一化差值秸秆指数(NDRI)、归一化差值指数(NDI7)和归一化差值指数(NDI71)的计算，参见表1：
表1参与秸秆覆盖度估算的光学遥感指数
Table 1 Optical remote sensing indices participating in crop residuecover estimation
Figure BDA0002837234350000101
注：B4、B5、B8、B11、B12分别对应Sentinel-2B影像第4、5、8、11、12波段.
S4、将雷达指数与光学遥感指数相结合，采用多元线性回归模型估算玉米秸秆覆盖度，建立雷达指数和光学遥感指数与玉米秸秆覆盖度的关系；其中，多元线性回归模型中采用最优子集回归法估算玉米秸秆覆盖度；
具体地，为了更好地探究遥感指数与CRC之间的关系，本发明尝试结合雷达指数与光学遥感指数，采用多元线性回归模型估算玉米秸秆覆盖度。最优子集回归法是多元线性回归中一种常用的方法，它能求出自变量所有可能的组合来作为子集，然后选择最优子集，对于m个自变量，它可以产生2m-1个子集。最优子集的选取可按照以下几个准则：1)调整后的决定系数R2最大；2)AIC(Akaike’s Information Criterion)最小；3)BIC(BayesInformation Criterion)最小；4)Cp(p为变量个数)接近p+1。采用方差膨胀因子(VIF)来判断变量之间是否具有共线性问题，当VIF大于10时，认为自变量之间存在严重的共线性问题。
模型拟合的好坏由决定系数(R2)来评价；留一法交叉验证(LOOCV)用于评价验证模型的预测能力，该方法依次将每个样本作为测试集，以均方根误差(RMSE)来评价其他样本建立的模型的准确性，对于n个样本，会产生n个模型的RMSE，最终取其平均值作为该组数据留一交叉验证的评价指标，留一法交叉验证在R软件中实现。
对于本实施例(吉林省四平市梨树县)，采取上述一种基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，所取得的结果与分析如下：
对于步骤S1和S2中，对于种植区提取，采用支持向量机分类的结果如图4所示，分类结果与地类实际空间分布基本一致，总体分类精度达88.4％，Kappa系数为0.86，玉米种植区制图精度为99.1％。由图可知，玉米为种植区的主要农作物，且在主要分布在黏质土壤区，而大豆、水稻等作物主要分布在砂质土壤区，其中水稻集中连片分布于种植区北部，与水稻土分布一致，大豆分布较为零散，种植区西部较多。林地集中分布于种植区地势相对较高的东南部，在其他区域有零散分布。
对于步骤S3中，对于雷达指数与实测CRC的相关性：
6种雷达指数在2018年秋季和2019年春季与实测CRC的线性回归结果如表2所示，表2：雷达指数与实测CRC的线性回归表。秋季样本中的R2值均大于0.387，RMSE均低于25.07％，其中γ0 VH表现最好，R2达到0.455，RMSE为23.55％；春季样本的R2在0.243～0.328之间，RMSE在15.05％～16.04％之间，γ0 VH和M0 γ两个指数相对表现较好。
由表2可以看出，基于2018年秋季样本建立的一元线性回归模型整体表现优于2019年春季样本，究其原因，种植区玉米在秋季收获时，大部分会同时将玉米秸秆打碎进行还田处理，此时种植区的秸秆覆盖量达到最大值，秋季采样的55个样本平均CRC为60％；而在2019年春季采样中，由于自然因素与人为因素的共同影响，种植区玉米秸秆覆盖量骤减，70个样本的平均CRC仅为25％，在低覆盖的情况下，雷达指数所表征的秸秆信息被稀释，加之种植区存在明显土壤异质性，导致春季回归模型表现较差。
基于余弦校正法的归一化后向散射系数γ在整体表现上优于σ，在春季样本中的优势体现的更加明显，这可能是因为γ考虑到了局部入射角的变化。无论是不同的采样时期还是不同类型的后向散射系数，VH极化方式的表现都优于VV极化方式，VV极化方式对于作物的行向以及秸秆中的水分非常敏感，当雷达扫射地面的方向垂直于作物行向以及秸秆中保留大量水分时，VV极化方式才会与CRC显著相关，而VH极化方式几乎不受行向效应的影响。
表2雷达指数与实测CRC的线性回归表
Figure BDA0002837234350000111
Figure BDA0002837234350000121
注：**表示模型在0.01概率水平上显著(p<0.01)；RMSE表示留一交叉验证中的均方根误差。
采用土壤质地分区建模后，6种雷达指数的R2均有提升，RMSE均有减小，充分说明在土壤存在明显异质性的区域，分区建模较之整体建模会提升雷达指数反演CRC的能力，如表3：土壤质地分区后雷达指数与实测CRC的线性回归表。秋季样本中σ0 VH与γ0 VH的R2均达到0.5以上，RMSE均小于23％；而春季样本中γ0 VH的R2也达到0.4以上，RMSE达到14.19％。
研究还发现，黏质土壤区的模型表现要明显优于砂质土壤区，这是因为黏质土壤区的黑土有机质含量较高，土壤保水能力强，秸秆覆盖地表之后在土壤表层和秸秆内部有较充足的水分，雷达波在秸秆内部产生了更多地散射和更大地衰减；而在砂质土壤区，风沙土的含水量较低，秸秆内部水分蒸发较快，雷达波对于秸秆信息不敏感。
在黏质土壤区中，各指数均通过了P<0.01的显著性检验，但各指数的R2值在秋季和春季两个时期没有表现出预想的差异，反而在VV极化方式的雷达指数和雷达组合指数上表现出了春季大于秋季的现象，这可能是因为春季采样过程中发生过一次降水；在砂质土壤区中，仅春季采样中的σ0 VH与γ0 VH通过了P<0.01显著性检验，M0 γ通过了P<0.05的显著性检验，其余指数均表现为不显著，这说明以风沙土为土壤背景会严重影响雷达波束对于秸秆信息的获取，风沙土保水能力差，地表秸秆中的水分也不能得到及时地补充。已有研究表明，土壤表层含水量、秸秆含水量和土壤表面粗糙度是影响雷达指数反演CRC的关键因素，而这种影响在春季低覆盖时期的VV极化方式下更加显著。
表3土壤质地分区后雷达指数与实测CRC的线性回归表
Figure BDA0002837234350000122
Figure BDA0002837234350000131
注：**表示模型在0.01概率水平上显著(p<0.01)；*表示模型在0.05概率水平上显著(p<0.05)；秋季黏质土壤区样本量n＝47，砂质土壤区样本量n＝8；春季黏质土壤区样本量n＝47，砂质土壤区样本量n＝23(下同)。
对于步骤S3中，光学遥感指数与实测CRC的相关性：
光学遥感指数与实测CRC表现出了更好的相关性，所有指数均通过了P<0.01显著性检验，如表4：光学遥感指数与实测CRC的线性回归表。在秋季样本中NDRI的R2值达到最高的0.770，RMSE为15.38％，而NDTI表现相对较差，R2值为0.592，RMSE为20.39％，各指数按照相关性大小排序为NDRI、NDI7、NDI71、STI、NDTI；而在春季样本中，NDTI相较于其他指数表现最优，R2达到0.557，RMSE达到12.25％，NDI71表现出最低的R2(0.449)和最高的RMSE(13.67％)，各指数按照相关性大小排序为NDTI、STI、NDI7、NDRI、NDI71。
与雷达指数相似的是，光学遥感指数在秋季样本中的表现均优于春季样本，但各个指数的差异不尽相同。其中差异最小的是NDTI(R2差值为0.034)和STI(R2差值为0.051)，差异最大的为NDI7(R2差值为0.304)，这说明基于B11、B12波段构建的NDTI和STI指数具有更强的适应性和稳定性。在春季低覆盖时期，土壤背景因素和种植区的土壤异质性同样会对光学遥感指数反演CRC产生严重干扰，在同一像元中的土壤光谱信息会更多，秸秆光谱信息被稀释，最终导致光学遥感指数与CRC的相关性减弱。
表4光学遥感指数与实测CRC的线性回归表
Figure BDA0002837234350000132
土壤质地分区后的光学遥感指数与实测CRC的线性回归，如表5：土壤质地分区后光学遥感指数与实测CRC的线性回归表，在不同的分区和采样时期中，所有指数均通过了P<0.01显著性检验。各指数在分区后的表现均有所提升，其中NDRI在秋季高覆盖时期表现出较高的决定系数(R2＝0.804，RMSE＝14.26％)，其余指数的R2值均高于0.629，RMSE均低于19.46％；春季低覆盖时期，NDTI、STI、NDI7三个指数的R2值达到0.5以上，RMSE达到13％以下，NDI71(R2＝0.455，RMSE＝13.59％)表现最弱。
对比不同土壤质地区域的各模型表现发现，各光学遥感指数在不同质地区域的表现差异很小，且没有体现出如雷达指数般明显的规律性(黏质土壤区>砂质土壤区)。这表明在砂质土壤区光学遥感指数反演CRC较之雷达指数有很大的优势，因为雷达指数会受到土壤表层含水量、秸秆含水量等因素的影响，而这些因素对于光学遥感指数来说是相对微弱的。
表5土壤质地分区后光学遥感指数与实测CRC的线性回归表
Figure BDA0002837234350000141
根据混合像元光谱原理分析，随着秸秆覆盖度增大，秸秆光谱占比增大，不同质地土壤-秸秆混合像元的光谱应逐渐趋同于秸秆端元光谱，光学遥感指数值应逐渐趋近，在光学遥感指数散点图中表现为不同质地上的拟合直线呈现出逐渐趋近，开口向下的形态，如图5所示。图5为两个采样时期部分光学遥感指数的散点图。
由图5可以看出，在秋季高覆盖时期，NDRI的两条拟合直线呈现出微弱的分离趋势，NDI7表现出聚合趋势；而在春季低覆盖时期，NDTI和STI都呈现出开口向上的形态。实际上，由于春季整体覆盖度较低的原因，所有光学遥感指数均表现出这种开口向上的形式，而在秋季高覆盖的情况下，共有3种指数(NDI7、NDTI和STI)呈现出聚合趋势。这说明在整体覆盖度较低的情况下，显著的土壤异质性为光学遥感指数反演CRC带来更严重的影响，这也体现了土壤分区建模的重要性。
对于步骤S4中，雷达指数与光学遥感指数相结合的遥感结合指数与实测CRC的相关性：
对于雷达指数，两个采样时期中表现最好的组合都是γ0 VH和γ0 VV；而在光学遥感指数中，不同时期的指数表现不同。因此，在不同的时期中，将表现最优的雷达指数组合与表现相对较好的前三个光学遥感指数归一化后相乘，分别得到6种雷达-光学遥感结合指数，不同时期的遥感结合指数与实测CRC的线性回归如表6和表7所示，表6：秋季结合指数与实测CRC的线性回归表，表7：春季结合指数与实测CRC的线性回归表。
由表6可知，在秋季高覆盖时期，结合指数与实测CRC表现出了更好的相关性，所有指数的拟合结果均优于单一雷达指数，其中γ0 VV×NDRI(R2＝0.797，RMSE＝14.41％)和γ0 VV×NDI7(R2＝0.784，RMSE＝14.86％)的表现优于单一光学遥感指数的拟合结果，γ0 VH×NDI71表现相对最弱，R2值为0.709，RMSE为17.12％。
结合指数在春季低覆盖时期的表现同样均优于单一雷达指数，且较之单一光学遥感指数也有一定程度地提升，如表7，但由于雷达指数在春季时期的表现整体较差，导致结合指数的提升幅度较小。其中γ0 VH×NDTI(R2＝0.567，RMSE＝12.44％)和γ0 VV×NDI7(R2＝0.553，RMSE＝12.28％)分别达到了最高的R2值和最低的RMSE，而γ0 VV×STI(R2＝0.523，RMSE＝12.72％)和γ0 VH×NDI7(R2＝0.526，RMSE＝12.69％)分别达到了最低的R2值和最高的RMSE。
表6秋季结合指数与实测CRC的线性回归表
Figure BDA0002837234350000151
Figure BDA0002837234350000161
表7春季结合指数与实测CRC的线性回归表
Figure BDA0002837234350000162
在土壤质地分区后，两时期的结合指数与实测CRC的线性回归分别如表8和表9所示，表8：土壤质地分区后秋季结合指数与实测CRC的线性回归表，表9：土壤质地分区后春季结合指数与实测CRC的线性回归表。由表可知，分区后结合指数在两个时期的拟合结果较之分区前均有较大提升，在秋季高覆盖时期，除γ0 VH×NDI71(R2＝0.780)外，所有指数的R2值均达到0.8以上，RMSE均小于14.89％；在春季低覆盖时期，结合指数的R2值在0.574～0.649之间，RMSE在11.21％～12.03％之间。
表8土壤质地分区后秋季结合指数与实测CRC的线性回归表
Figure BDA0002837234350000163
表9土壤质地分区后春季结合指数与实测CRC的线性回归表
Figure BDA0002837234350000164
由此可以看出，雷达-光学遥感结合指数体现出了比单一雷达指数或光学遥感指数更好的拟合结果，特别是在土壤质地分区后能够使得指数与CRC的相关性得到较大地提升，这充分说明采用雷达影像与光学影像相结合的方式能够提高遥感指数反演CRC的精度。
对于步骤S4中，基于最优子集回归的CRC估算：
为进一步提高遥感指数反演CRC的精度，研究采用多元线性回归中的最优子集回归法选择出最佳模型。同时，为尝试筛选出稳定性更强的遥感指数，尽可能使模型的精度更佳，本研究将2018年秋季样本与2019年春季样本相结合，共同构建模型。由于光学遥感影像各波段的反射率会受到传感器的位置、太阳高度等环境因素影响，同一地物在不同时期的反射率差异较大，导致由此构建的光学遥感指数在数值上也会出现差异，因此，本发明将两个采样时期样本点所对应的光学遥感指数值分别归一化后进行组合，以消除差异。两种遥感指数在春秋数据结合后均呈现出较高的一致性，说明结合两时期数据具有可行性。样本组合后分别选择表现较好的雷达指数与光学遥感指数以及由它们所构成的遥感结合指数来探究其与实测CRC的相关性，所选遥感指数与实测CRC拟合的R2值如表10所示，表10：所选遥感指数与实测CRC拟合的R2值表。
表10所选遥感指数与实测CRC拟合的R2值表
Figure BDA0002837234350000171
Figure BDA0002837234350000181
最优子集回归法能在自变量的所有组合中选择出最优子集，将所选的11个遥感指数作为自变量，最优子集回归法会产生2047个子集，并通过一定的规则给出1到11个子模型，每一个子模型是分别由1到11个自变量组合所产生的所有子集中最优的子集，最终再根据评价准则在给出的子模型中选择最优模型。部分子模型及其评价准则由表11所示，表11：部分子模型及其评价准则表。
表11部分子模型及其评价准则表
Figure BDA0002837234350000182
注：Adj R2、AIC、BIC和VIF分别表示调整后的R2、Akaike信息准则、Bayes信息准则和方差膨胀因子。
由表可知，通过γ0 VH×STI和γ0 VV×NDI7两个自变量构成的子模型表现最优，AIC和BIC在所有子模型中最低，且两个自变量的VIF均为6.633小于10，所以自变量之间不存在共线性问题。因此，由最优子集回归法所得的最优模型为
Figure BDA0002837234350000183
最优模型通过了显著性检验，说明模型具有统计意义，最优模型的R2值为0.765，RMSE为14.91％，与表10中基于一元线性回归模型中的最佳结果(γ0 VH×STI，R2＝0.743)相比有一定地提升，图6为最优模型预测CRC与实测CRC的散点图。
上述结果表明，基于最优子集回归法能够选择出最优模型，因此，本发明将在黏质土壤区和砂质土壤区中分别建立模型来作为种植区玉米秸秆覆盖度估算的最终模型。黏质土壤区与砂质土壤区的最优模型下式所示。
黏质土壤区
Figure BDA0002837234350000184
砂质土壤区
Figure BDA0002837234350000185
模型均通过了显著性检验，具有统计意义。其中，黏质土壤区模型两个自变量的VIF均为5.082，说明模型自变量之间不存在共线性问题，模型R2值为0.797，RMSE为14.58％，与表10中黏质土壤区最优模型相比，R2值提升了0.029；而在砂质土壤区中，最优子集回归法显示基于γ0 VH×STI一个自变量的回归模型最优，其R2值为0.609，RMSE为12.44％。采用土壤质地分区后的最优模型R2值为0.799，RMSE为13.67％，相比于分区前R2值提升了0.034，RMSE下降了1.24％，这说明在土壤存在明显异质性的区域，通过土壤质地分区的方式，结合雷达指数与光学遥感指数建立多元线性回归模型，并且通过最优子集回归法选择出最佳模型能够有效的估算区域内的CRC，提升反演精度。土壤质地分区后的最优模型预测CRC与实测CRC的散点图如图7所示。
结合种植区在春秋两季实际秸秆覆盖情况，将种植区的秸秆覆盖度分为4个等级：0-0.15、0.15-0.3、0.3-0.6、0.6-1。由图8可以发现，种植区春季秸秆覆盖度绝大部分集中在0-0.3的范围内，仅有部分零散地块覆盖度达到0.6以上，整体覆盖度呈现出一个较低水平；而秋季覆盖度整体较高，大部分地块覆盖度高于0.3，且具有东部高、西部低的空间分布规律，西部砂质土壤区土壤肥力较差，玉米种植密度及产量均显著低于东部黏质土壤区，加之农业机械化程度不高，农户大多自行打包带走秸秆，导致西部秸秆覆盖度偏低。
本发明基于Sentinel-1雷达影像与Sentinel-2B光学影像，同时结合春秋两时期的实地采样数据，在种植区内分别建立了雷达指数和光学遥感指数与实测CRC的回归模型，为了更好地探究遥感指数与实测CRC的相关性，本专利对比了各种遥感指数在不同覆盖水平下的表现及其影响因素，并且采用了土壤质地分区建模的方法降低土壤背景因素的干扰，在此基础上，研究将雷达指数与光学遥感指数相结合，采用最优子集回归的方法建立了种植区玉米秸秆覆盖度的最优估算模型，并通过该模型完成了梨树县2018年秋季与2019年春季玉米秸秆覆盖度估算制图。结果表明：在种植区土壤存在明显异质性的情况下，采用土壤质地分区建模的方法可以有效提升反演精度；各遥感指数在秋季高覆盖时期的表现均优于春季低覆盖时期；STI(R2＝0.701)、NDTI(R2＝0.697)指数在光学遥感指数中表现最好，而在雷达指数中，基于余弦矫正法的γ0 VH(R2＝0.564)指数与实测CRC的相关性最高；结合雷达指数与光学遥感指数能够有效地提高秸秆覆盖度估算精度，在一元回归模型中结合指数较之单一指数均较大地提升了与实测CRC的相关性，在多元线性回归中利用最优子集回归法构建的模型与实测CRC的决定系数达到了最高(R2＝0.799，RMSE＝13.67％)。
本发明中应用了具体个例对发明构思进行了详细阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离该发明构思的前提下，所做的任何显而易见的修改、等同替换或其他改进，均应包含在本发明的保护范围之内。

Claims (9)

1.基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，其特征在于，包括以下步骤：
S1、选择种植区，分别在春秋两时期，结合春秋两时期的光学影像、雷达影像和秸秆覆盖度采样数据；
S2、土壤质地分区建模，采用土壤质地分区的方法估算秸秆覆盖度，通过实地观察和参考土壤类型分布图设定阈值；
S3、基于雷达影像和光学影像分别提取雷达指数和光学遥感指数，用于秸秆覆盖度估算模型的建立；
S4、将雷达指数与光学遥感指数相结合，采用多元线性回归模型估算玉米秸秆覆盖度，建立雷达指数和光学遥感指数与玉米秸秆覆盖度的关系模型。
2.根据权利要求1所述的基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，其特征在于，所述步骤S1包括以下步骤：
S1.1、数据获取：通过欧空局哥白尼数据开放中心获取SAR光学影像，通过地距多视产品获取雷达影像，通过拉绳法获取秸秆覆盖度实测值，通过国际土壤参比与信息中心获取土壤质地数据；
S1.2、数据处理：通过雷达图像处理软件对雷达影像和光学影像进行影像预处理，使得经处理后的雷达影像与光学影像数据空间分辨率均为10m；
S1.3、种植区的提取与精度验证：采用遥感图像监督分类的方式提取玉米种植区，采用支持向量机分类方法，提取玉米种植区，分类结果经过聚类处理去除零碎斑块，对照GoogleEarth随机选择的区域对分类结果进行精度评价。
3.根据权利要求1所述的基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，其特征在于，在所述步骤S2中，将种植区土壤距表层0.05～2.00mm处砂粒含量大于39％的区域划为砂质土壤区，将种植区土壤距表层0.05～2.00mm处砂粒含量不大于39％的区域划为黏质土壤区。
4.根据权利要求1所述的基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，其特征在于，所述步骤S3中，所述雷达指数选用双极化方式下的后向散射系数和基于余弦校正法修正的归一化后向散射系数。
5.根据权利要求3所述的基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，其特征在于，所述雷达指数选用雷达指数M0 γ、雷达指数M0 σ、雷达指数σ0 VH、雷达指数σ0 VV、雷达指数γ0 VH和雷达指数γ0 VV。
6.根据权利要求1所述的基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，其特征在于，所述步骤S3中，所述光学遥感指数选择归一化差值耕作指数NDTI、简单耕作指数STI、归一化差值秸秆指数NDRI、归一化差值指数NDI7和归一化差值指数NDI71。
7.根据权利要求1所述的基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，其特征在于，所述步骤S4中，多元线性回归模型中采用最优子集回归法估算玉米秸秆覆盖度。
8.根据权利要求7所述的基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，其特征在于，最优子集的选取准则包括：(1)调整后的决定系数R2最大；(2)AIC最小；(3)BIC最小；(4)Cp接近p+1。
9.根据权利要求7所述的基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法，其特征在于，所述步骤S4中，模型拟合由决定系数来评价；留一法交叉验证用于评价验证模型的预测能力。
CN202011475675.3A 2020-12-15 2020-12-15 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 Active CN112711989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011475675.3A CN112711989B (zh) 2020-12-15 2020-12-15 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011475675.3A CN112711989B (zh) 2020-12-15 2020-12-15 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法

Publications (2)

Publication Number Publication Date
CN112711989A true CN112711989A (zh) 2021-04-27
CN112711989B CN112711989B (zh) 2024-03-05

Family

ID=75542032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011475675.3A Active CN112711989B (zh) 2020-12-15 2020-12-15 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法

Country Status (1)

Country Link
CN (1) CN112711989B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
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
CN113759389A (zh) * 2021-09-09 2021-12-07 中国科学院东北地理与农业生态研究所 一种基于ndvi的作物雷达信号入射角归一化方法
CN114494854A (zh) * 2021-12-28 2022-05-13 农业农村部大数据发展中心 基于遥感的低矮湿地植被地上生物量估算方法和系统
CN114814782A (zh) * 2022-05-06 2022-07-29 中国农业大学 一种基于激光雷达的秸秆覆盖率实时检测方法及装置
WO2023087630A1 (zh) * 2021-11-22 2023-05-25 浙江大学 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法
CN117333494A (zh) * 2023-12-01 2024-01-02 辽宁牧龙科技有限公司 基于深度学习的秸秆覆盖率检测方法及系统
CN114782324B (zh) * 2022-03-31 2024-05-17 中国科学院东北地理与农业生态研究所 一种基于地块形态特征的农田作物行向遥感识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033230A (zh) * 2009-09-25 2011-04-27 中国农业科学院农业资源与农业区划研究所 一种草原卫星遥感监测系统及方法
CN106021864A (zh) * 2016-05-09 2016-10-12 国家卫星海洋应用中心 星载散射计后向散射系数的检验方法和装置
CN108303044A (zh) * 2018-02-01 2018-07-20 苏州市农业科学院 一种叶面积指数获取方法及系统
CN108662991A (zh) * 2018-04-08 2018-10-16 浙江大学 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法
CN108896022A (zh) * 2018-08-17 2018-11-27 山东农业大学 一种植被覆盖度估算方法
CN110136194A (zh) * 2019-05-21 2019-08-16 吉林大学 基于星载多光谱遥感数据的积雪覆盖度测算方法
CN111337434A (zh) * 2020-03-06 2020-06-26 东北大学 一种矿区复垦植被生物量估算方法及系统
CN111368736A (zh) * 2020-03-04 2020-07-03 北京四象爱数科技有限公司 基于sar和光学遥感数据的水稻精细化估产方法
CN111414891A (zh) * 2020-04-07 2020-07-14 云南电网有限责任公司昆明供电局 基于激光雷达与光学遥感的输电线路通道树高反演方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033230A (zh) * 2009-09-25 2011-04-27 中国农业科学院农业资源与农业区划研究所 一种草原卫星遥感监测系统及方法
CN106021864A (zh) * 2016-05-09 2016-10-12 国家卫星海洋应用中心 星载散射计后向散射系数的检验方法和装置
CN108303044A (zh) * 2018-02-01 2018-07-20 苏州市农业科学院 一种叶面积指数获取方法及系统
CN108662991A (zh) * 2018-04-08 2018-10-16 浙江大学 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法
CN108896022A (zh) * 2018-08-17 2018-11-27 山东农业大学 一种植被覆盖度估算方法
CN110136194A (zh) * 2019-05-21 2019-08-16 吉林大学 基于星载多光谱遥感数据的积雪覆盖度测算方法
CN111368736A (zh) * 2020-03-04 2020-07-03 北京四象爱数科技有限公司 基于sar和光学遥感数据的水稻精细化估产方法
CN111337434A (zh) * 2020-03-06 2020-06-26 东北大学 一种矿区复垦植被生物量估算方法及系统
CN111414891A (zh) * 2020-04-07 2020-07-14 云南电网有限责任公司昆明供电局 基于激光雷达与光学遥感的输电线路通道树高反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
崔要奎: "机载Lidar数据的农作物覆盖度及LAI反演", 遥感学报, vol. 15, no. 06, 25 November 2011 (2011-11-25), pages 1276 - 1288 *

Cited By (10)

* Cited by examiner, † Cited by third party
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
CN113759389A (zh) * 2021-09-09 2021-12-07 中国科学院东北地理与农业生态研究所 一种基于ndvi的作物雷达信号入射角归一化方法
WO2023087630A1 (zh) * 2021-11-22 2023-05-25 浙江大学 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法
CN114494854A (zh) * 2021-12-28 2022-05-13 农业农村部大数据发展中心 基于遥感的低矮湿地植被地上生物量估算方法和系统
CN114782324B (zh) * 2022-03-31 2024-05-17 中国科学院东北地理与农业生态研究所 一种基于地块形态特征的农田作物行向遥感识别方法
CN114814782A (zh) * 2022-05-06 2022-07-29 中国农业大学 一种基于激光雷达的秸秆覆盖率实时检测方法及装置
CN114814782B (zh) * 2022-05-06 2024-05-24 中国农业大学 一种基于激光雷达的秸秆覆盖率实时检测方法及装置
CN117333494A (zh) * 2023-12-01 2024-01-02 辽宁牧龙科技有限公司 基于深度学习的秸秆覆盖率检测方法及系统
CN117333494B (zh) * 2023-12-01 2024-02-27 辽宁牧龙科技有限公司 基于深度学习的秸秆覆盖率检测方法及系统

Also Published As

Publication number Publication date
CN112711989B (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
CN112711989B (zh) 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法
CN105678281B (zh) 基于光谱和纹理特征的地膜覆盖农田遥感监测方法
CN104915674B (zh) Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法
Costa et al. Biophysical properties and mapping of aquatic vegetation during the hydrological cycle of the Amazon floodplain using JERS-1 and Radarsat
CN105004320B (zh) 一种高分卫星数据陆表植被覆盖度反演方法及系统
CN112800973B (zh) 一种基于植被物候特征决策的互花米草提取方法
CN109685081B (zh) 一种遥感提取撂荒地的联合变化检测方法
CN114387516B (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
CN111798327A (zh) 基于高光谱影像的小麦产量计算模型的构建方法及其应用
CN112285710B (zh) 一种多源遥感水库蓄水量估算方法与装置
CN109543654B (zh) 一种反映农作物生长状况的改进型植被指数的构建方法
Sonmez et al. Measuring intensity of tillage and plant residue cover using remote sensing
McNairn et al. Establishing crop productivity using RADARSAT-2
CN112418016A (zh) 基于sar的灌溉信息提取方法及装置
CN113534083B (zh) 基于sar的玉米留茬方式识别方法、装置和介质
CN111783288A (zh) 基于Landsat8对黄河三角洲土壤盐分的反演方法
CN105678280B (zh) 基于纹理特征的地膜覆盖农田遥感监测方法
CN111751286B (zh) 基于变化检测算法的土壤水分提取方法
Venkatesan et al. Multi-temporal feature extraction for precise maize area mapping using time-series Sentinel 1A SAR data
Yadav et al. Estimation of soil moisture through water cloud model using sentinel-1A SAR data
Mirelva et al. Application of Sentinel-1 Data for Classifying Croplands Using Google Earth Engine.
RU2705549C1 (ru) Способ агрохимического обследования земель сельскохозяйственного назначения
Guo et al. Estimating aboveground biomass of alpine grassland during the wilting period using in situ hyperspectral, Sentinel-2 and Sentinel-1 data
Gu et al. Monitoring Maize Lodging Disaster Via Multi-Temporal Remote Sensing Images
Haldar et al. Identification of tall fibre crop (jute) using multi-temporal RADARSAT data in rainfed areas of eastern indogangetic plain

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