CN112818749A - 一年两熟地区大宗粮油作物复种模式遥感监测方法 - Google Patents
一年两熟地区大宗粮油作物复种模式遥感监测方法 Download PDFInfo
- Publication number
- CN112818749A CN112818749A CN202011631322.8A CN202011631322A CN112818749A CN 112818749 A CN112818749 A CN 112818749A CN 202011631322 A CN202011631322 A CN 202011631322A CN 112818749 A CN112818749 A CN 112818749A
- Authority
- CN
- China
- Prior art keywords
- area
- evi
- year
- 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.)
- Granted
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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一年两熟地区大宗粮油作物复种模式遥感监测方法,包括以下步骤:A:结合中国熟制区划资料,获取研究区域的熟制信息,并按照经纬度范围,对研究区域进行地理位置分区;B:对研究区域的高分辨率多光谱卫星影像进行一系列处理,得到北方和南方一年两熟地区可辨别时相的、预处理后的多波段影像,以及EVI灰度影像、edgNDVI灰度影像、LSWI灰度影像以及D‑value灰度影像;C:对北方一年两熟地区和南方一年两熟地区的两季大宗粮油作物进行分类识别;D:利用小斑块聚合方法对分类识别结果进行优化;E:判定复种模式。本发明能够实现大空间尺度、复杂种植制度下的大宗粮油作物复种模式快速及高精度获取。
Description
技术领域
本发明涉及一种大宗粮油作物复种模式监测方法,尤其涉及一种一年两熟地区大宗粮油作物复种模式遥感监测方法。
背景技术
复种是指一年内于同一田块上连续种植两季或两季以上作物的种植方式,是提高土地、光、热等资源利用率、提升单位面积年产量的有效途径。监测大宗粮油作物的复种模式,有助于准确掌握大宗粮油作物的年内时空分布格局,对制定农业政策、优化种植结构、保障粮食安全具有重要意义。
随着对地观测技术的快速发展,卫星遥感以其宏观、高效、动态、真实的信息获取优势,成为大宗粮油作物时空分布调查的重要手段之一。目前,国内外相关研究主要集中于某特定地域(如某行政单元)、某一季农作物的遥感分类识别与分布调查,很少涉及综合考虑农业熟制区划与南北方农作物种类差异的年内多季农作物分类识别与分布调查,不利于清晰地认识大空间尺度、复种方式下的农业种植结构。
与此同时,现有相关技术大多采用以下实施方式:一、基于样本训练的监督分类方法(可分为面向像元、面向对象两种),该方法的精度很大程度上依赖于样本的数量与质量,且样本训练过程相对费时,不适宜大空间尺度下的应用。二、基于中分辨率遥感数据的植被指数时间序列分析方法,该方法需要长时序、高频次的光学影像(如MODIS)支持,故而其精度往往受到云雨天气影响,且存在因中等空间分辨率导致的大量混合像元的问题。三、基于多时相高分辨率遥感数据的决策树分类方法,该方法运算速度快、分类精度高;但在现有研究中,或因选取的卫星传感器波段数量少、光谱识别度低,导致农作物明显混分、误分;或因选取的光谱指数相对单一、不能显著反映不同农作物的光谱特性差异,导致决策树判断条件复杂或分类效果欠佳;或因方法设计过程未涉及分类结果的后处理,导致分类结果存在像元尺度分类的椒盐噪声。
发明内容
本发明的目的是提供一种一年两熟地区大宗粮油作物复种模式遥感监测方法,能够实现一年两熟地区两季大宗粮油作物的分类识别,实现大空间尺度、复杂种植制度下的大宗粮油作物复种模式快速及高精度获取,有助于及时准确地掌握大宗粮油作物的年内时空分布格局,提升农业科学决策水平。
本发明采用下述技术方案:
一年两熟地区大宗粮油作物复种模式遥感监测方法,包括以下步骤:
A:结合中国熟制区划资料,获取研究区域的熟制信息;若研究区域确为一年两熟地区,则按照经纬度范围,对其进行地理位置分区,将位于秦岭-淮河一线北侧的区域标记为北方一年两熟地区,将位于秦岭-淮河一线南侧的区域标记为南方一年两熟地区;
B:获取研究区域的高分辨率多光谱卫星影像,并对获取到的高分辨率多光谱卫星影像进行时相筛选、预处理与波段计算,得到北方一年两熟地区和南方一年两熟地区可辨别时相的、预处理后的多波段影像,以及北方一年两熟地区和南方一年两熟地区可辨别时相的EVI灰度影像、edgNDVI灰度影像、LSWI灰度影像以及D-value灰度影像;
EVI指增强型植被指数,edgNDVI指近红外波段与红边波段组合的改进型归一化植被指数,LSWI指地表水分指数,D-value指LSWI与EVI差值;
C:根据步骤B中得到的可辨别时相的EVI灰度影像、edgNDVI灰度影像以及D-value灰度影像,对北方一年两熟地区和南方一年两熟地区的两季大宗粮油作物进行分类识别;北方一年两熟地区大宗粮油作物包括冬小麦、夏玉米和夏大豆,南方一年两熟地区大宗粮油作物包括冬小麦、冬油菜、早稻、中稻、晚稻和夏大豆;
D:利用小斑块聚合方法,分别对步骤C中得到的北方一年两熟地区和南方一年两熟地区的两季大宗粮油作物分类识别结果进行优化处理,消除分类结果的“椒盐”现象,并分别生成北方第一季、北方第二季、南方第一季和南方第二季大宗粮油作物分布数据;
E:根据步骤D中得到的北方第一季、北方第二季、南方第一季和南方第二季大宗粮油作物分布数据,判定复种模式。
所述的步骤B中,对获取到的高分辨率多光谱卫星影像进行时相筛选、预处理与波段计算,具体包括以下步骤:
B1:对卫星影像进行时相筛选,得到可辨别时相的影像;
根据卫星影像成像质量与观测时间,结合研究区域地理位置分区结果、南北方农作物种类差异及物候特征,筛选出可辨别时相的影像:
对于北方一年两熟地区,筛选出冬小麦分蘖期、冬小麦拔节期、冬小麦收获期及夏玉米抽穗期4期无云或少云影像;其中,夏玉米抽穗期同时为夏大豆结荚期,少云影像指云量低于5%的影像;
对于南方一年两熟地区,筛选出冬小麦返青期、冬油菜开花期、冬小麦收获期、中稻移栽期及中稻与夏大豆收获期5期无云或少云影像;其中,冬小麦返青期同时为冬油菜蕾薹期,冬油菜开花期同时为冬小麦拔节孕穗期,冬小麦收获期同时为早稻分蘖拔节期,中稻移栽期同时为夏大豆出苗期,夏大豆收获期同时为晚稻抽穗乳熟期,少云影像指云量低于5%的影像;
B2:对筛选后得到的可辨别时相的影像进行预处理,得到可辨别时相的、预处理后的多波段影像;
对筛选后得到的可辨别时相的影像进行预处理,依次包括正射校正、几何精校正、大气校正、波段选取与重采样;在对可辨别时相的、大气校正后的影像进行波段选取时,仅保留后续农作物分类识别所需的蓝色波段、绿色波段、红色波段、红边波段、近红外波段和短波红外波段这6个波段;然后对上述6个波段进行重采样,将空间分辨率予以统一;
B3:对可辨别时相的、预处理后的多波段影像进行波段计算,分别得到可辨别时相的EVI灰度影像、edgNDVI灰度影像、LSWI灰度影像以及D-value灰度影像;
EVI灰度影像是由预处理后的多波段影像通过波段计算得到的EVI单波段影像,该单波段影像的每个象元值即为原多波段影像每个对应位置象元的EVI值;edgNDVI灰度影像、LSWI灰度影像以及D-value灰度影像同理;
其中,EVI的计算公式为:
式中,ρnir、ρred和ρblue分别表示近红外波段、红色波段和蓝色波段的反射率;
edgNDVI的计算公式为:
式中,ρnir和ρedg分别表示近红外波段和红边波段的反射率;
LSWI的计算公式为:
式中,ρnir和ρswir分别表示近红外波段和短波红外波段的反射率;
D-value的计算公式为:
D-value=LWSI-EVI;
式中,LWSI和EVI分别表示地表水分指数的值和增强型植被指数的值。
所述的步骤C包括以下具体步骤:
在对北方一年两熟地区的两季大宗粮油作物分类识别时,按照以下步骤进行:
C1:进行北方一年两熟地区第一季大宗粮油作物分类识别;
首先,对冬小麦拔节期的EVI灰度影像进行阈值分割;当EVI大于等于T1时,判定为植被1区域;当EVI小于T1时,判定为非植被1区域;
然后,对植被1区域的冬小麦收获期的EVI灰度影像进行阈值分割;当EVI小于等于T2时,判定为农田1区域;当EVI大于T2时,判定为林草1区域;
最后,再对农田1区域的冬小麦分蘖期的EVI灰度影像进行阈值分割;当EVI大于等于T3时,判定为冬小麦;当EVI小于T3时,判定为其他夏收作物;
C2:进行北方一年两熟地区第二季大宗粮油作物分类识别;
首先,以步骤C1中判定出的农田1区域掩膜夏玉米抽穗期的edgNDVI灰度影像,得到农田1区域的夏玉米抽穗期的edgNDVI灰度影像;
然后,再对农田1区域的夏玉米抽穗期的edgNDVI灰度影像进行阈值分割;当edgNDVI大于等于T4时,判定为夏玉米;当edgNDVI小于T4,判定为夏大豆;
在对南方一年两熟地区的两季大宗粮油作物分类识别时,按照以下步骤进行:
C3:进行南方一年两熟地区第一季大宗粮油作物分类识别;
首先,对冬小麦返青期的EVI灰度影像进行阈值分割;当EVI大于等于T5时,判定为植被2区域;当EVI小于T5时,判定为非植被2区域;
然后,对植被2区域的冬油菜开花期的edgNDVI灰度影像进行阈值分割;当edgNDVI小于T6时,判定为林草2区域;当edgNDVI大于等于T6且小于等于T7时,判定为冬油菜;当edgNDVI大于T7时,判定为冬小麦;
同时,对冬小麦收获期的EVI灰度影像进行阈值分割;当EVI大于等于T8时,判定为植被3区域;当EVI小于T8时,判定为非植被3区域;
最后,通过空间叠置分析,求取植被3区域与林草2区域的差集,并将其判定为早稻;
C4:进行南方一年两熟地区第二季大宗粮油作物分类识别;
首先,以步骤C3中判定出的南方一年两熟地区冬小麦、冬油菜及早稻区域求并集,得到农田2区域;并以农田2区域掩膜中稻移栽期的D-value灰度影像,得到农田2区域的中稻移栽期的D-value灰度影像;再对农田2区域的中稻移栽期的D-value灰度影像进行阈值分割;当D-value大于等于T9时,判定为中稻;当D-value小于T9时,判定为夏大豆;
其次,以农田2区域掩膜夏大豆收获期的EVI灰度影像,得到农田2区域的夏大豆收获期的EVI灰度影像;再对农田2区域的夏大豆收获期的EVI灰度影像进行阈值分割;当EVI大于等于T10时,判定为晚稻;当EVI小于T10时,判定为非植被4区域。
所述的阈值T1-T10的确定方法为:
首先根据样本点的经纬度信息,分别取样本点在EVI、edgNDVI以及D-value灰度影像中的灰度值,即样本点的EVI值、edgNDVI以及D-value值;然后分别统计各类样本点各灰度值的最大值与最小值;再参考待分类识别的两类或两类以上地物的样本点灰度值范围,选取并调整阈值,使待分类识别的两类或两类以上地物分离,最终确定阈值T1-T10。
所述的样本点数量以每类地物30个,且样本点在空间上应尽可能地均匀分布。
所述的步骤E中,分别对北方第一季和北方第二季、南方第一季和南方第二季大宗粮油作物分布数据进行空间叠置分析,根据同一地块上第一季与第二季大宗粮油作物类型判定复种模式,生成一年两熟地区复种模式空间分布图。
所述的复种模式包括冬小麦-夏玉米、冬小麦-夏大豆、早稻-晚稻、冬小麦-中稻、冬小麦-晚稻、冬油菜-中稻、冬油菜-晚稻以及冬油菜-夏大豆。
还包括步骤F,
F:根据步骤E中得到的一年两熟地区复种模式空间分布图,利用GIS基础软件的空间统计分析功能,得到每一个地块的复种模式信息与面积信息,然后按复种模式类别进行面积求和,最终生成一年两熟地区复种模式面积统计表。
所述的步骤B中,高分辨率多光谱卫星影像选取Sentinel-2A与Sentinel-2B卫星MSI传感器影像。
所述的步骤B2中,在波段选取中,仅保留Sentinel-2A与Sentinel-2B卫星MSI传感器影像的蓝色波段、绿色波段、红色波段、红边波段1、近红外波段和短波红外波段1。
本发明实现了大空间尺度、复杂种植制度下的大宗粮油作物复种模式快速、高精度获取,有助于及时准确地掌握大宗粮油作物的年内时空分布格局,提升农业科学决策水平。
附图说明
图1为本发明的流程示意图。
具体实施方式
以下结合附图和实施例对本发明作以详细的描述:
如图1所示,本发明所述的一年两熟地区大宗粮油作物复种模式遥感监测方法,包括以下步骤:
A:结合中国熟制区划资料,获取研究区域的熟制信息;若研究区域确为一年两熟地区,则按照经纬度范围,对其进行地理位置分区,将位于秦岭-淮河一线北侧的区域标记为北方一年两熟地区,将位于秦岭-淮河一线南侧的区域标记为南方一年两熟地区;
B:获取研究区域的高分辨率多光谱卫星影像,并对获取到的高分辨率多光谱卫星影像进行时相筛选、预处理与波段计算,得到北方一年两熟地区和南方一年两熟地区可辨别时相的、预处理后的多波段影像,以及北方一年两熟地区和南方一年两熟地区可辨别时相的EVI(增强型植被指数)灰度影像、edgNDVI(近红外波段与红边波段组合的改进型归一化植被指数)灰度影像、LSWI(地表水分指数)灰度影像以及D-value(LSWI与EVI差值)灰度影像;
本实施例中,高分辨率多光谱卫星影像选取Sentinel-2A与Sentinel-2B卫星MSI传感器L2A级影像。其中,Sentinel-2A卫星指欧洲航天局于2015年6月发射的哨兵2号A星;Sentinel-2B卫星指欧洲航天局于2017年3月发射的哨兵2号B星;MSI传感器指Sentinel-2A、Sentinel-2B卫星上携带的多光谱成像仪,幅宽达290千米,覆盖从可见光到短波红外的13个光谱波段,空间分辨率为10m、20m或60m,双星组网后重访周期可缩短为5天;L2A级影像指欧洲航天局发布的、已经过正射校正、亚像元级几何精校正与大气校正的大气底层反射率影像产品。
现有研究中,在高分辨率多光谱卫星传感器的选取上,大多选用高分一号(GF-1)、环境一号(HJ-1)、Landsat、SPOT等不具备红边波段的卫星的传感器,普遍存在因光谱识别度有限导致的农作物混分、误分的问题。而Sentinel-2A与Sentinel-2B卫星MSI传感器影像是目前唯一一种在红边范围含有3个波段的数据,由于红边波段对植被信息非常敏感,Sentinel-2A/B卫星MSI传感器影像的使用可以有效提升农作物分类识别精度。
步骤B中,对获取到的高分辨率多光谱卫星影像进行时相筛选、预处理与波段计算,具体包括以下步骤:
B1:对卫星影像进行时相筛选,得到可辨别时相的影像;
根据卫星影像成像质量与观测时间,结合研究区域地理位置分区结果、南北方农作物种类差异及物候特征,筛选出可辨别时相的影像。
对于北方一年两熟地区,筛选出冬小麦分蘖期、冬小麦拔节期、冬小麦收获期及夏玉米抽穗期4期无云或少云影像;其中,夏玉米抽穗期同时为夏大豆结荚期,少云影像指云量低于5%的影像;
对于南方一年两熟地区,筛选出冬小麦返青期、冬油菜开花期、冬小麦收获期、中稻移栽期及中稻与夏大豆收获期5期无云或少云影像;其中,冬小麦返青期同时为冬油菜蕾薹期,冬油菜开花期同时为冬小麦拔节孕穗期,冬小麦收获期同时为早稻分蘖拔节期,中稻移栽期同时为夏大豆出苗期,夏大豆收获期同时为晚稻抽穗乳熟期,少云影像指云量低于5%的影像。
B2:对筛选后得到的可辨别时相的影像进行预处理,得到可辨别时相的、预处理后的多波段影像;
预处理步骤具体包括正射校正、几何精校正、大气校正、波段选取与重采样。其中,通过波段选取,仅保留后续农作物分类识别所需的蓝色波段、绿色波段、红色波段、红边波段、近红外波段和短波红外这6个波段;然后对上述6个波段进行重采样,将6个波段的空间分辨率予以统一以便波段组合与波段计算。
本实施例中,由于筛选后得到的可辨别时相的影像均为Sentinel-2A与Sentinel-2B卫星MSI传感器L2A级影像,是已经过正射校正、亚像元级几何精校正与大气校正的大气底层反射率数据,因此本实施例中仅进行波段选取与重采样。具体地,在波段选取中,仅保留Sentinel-2A与Sentinel-2B卫星MSI传感器L2A级影像的蓝色波段(B2波段)、绿色波段(B3波段)、红色波段(B4波段)、红边波段1(B5波段)、近红外波段(B8波段)和短波红外波段1(B11波段)这6个波段;然后对上述6个波段进行重采样,将空间分辨率统一为10m。
Sentinel-2A与Sentinel-2B卫星MSI传感器影像中,红边范围和短波红外范围各有3个波段,统筹考虑数据量与分类精度,本实施例中选取红边波段1(B5波段)和短波红外波段1(B11波段)。
B3:对可辨别时相的、预处理后的多波段影像进行波段计算,分别得到可辨别时相的EVI(增强型植被指数)灰度影像、edgNDVI(近红外波段与红边波段组合的改进型归一化植被指数)灰度影像、LSWI(地表水分指数)灰度影像以及D-value(LSWI与EVI差值)灰度影像。
EVI灰度影像是由预处理后的多波段影像通过波段计算得到的EVI单波段影像,该单波段影像的每个象元值即为原多波段影像每个对应位置象元的EVI值。edgNDVI灰度影像、LSWI灰度影像以及D-value灰度影像同理,不再赘述。
其中,EVI(增强型植被指数)的计算公式为:
式中,ρnir、ρred和ρblue分别表示近红外波段、红色波段和蓝色波段的反射率;
本实施例中,ρnir、ρred和ρblue具体为Sentinel-2A与Sentinel-2B卫星MSI传感器L2A级影像的B11波段、B4波段和B2波段的反射率;
EVI耦合了抗大气植被指数(ARVI)和土壤调节植被指数(SAVI),可以克服传统归一化植被指数(NDVI)在高植被覆盖区出现的易饱和、在低植被覆盖条件下易受土壤背景影响的缺点。
edgNDVI(近红外波段与红边波段组合的改进型归一化植被指数)的计算公式为:
式中,ρnir和ρedg分别表示近红外波段和红边波段的反射率;
本实施例中,ρnir和ρedg具体为Sentinel-2A与Sentinel-2B卫星MSI传感器L2A级影像的B8波段和B5波段的反射率;
在现有应用红边波段进行农作物分类识别的研究中,大多利用红色波段与红边波段组合的红边归一化植被指数(RENDVI)来实现农作物类型划分,却少见近红外波段与红边波段组合的改进型归一化植被指数(edgNDVI)应用。然而,由于绿色植被在近红外波段具有高反射特性,因此绿色植被在edgNDVI灰度影像中呈现正值并被高亮显示;同时,红边波段又是植被敏感波段,故而edgNDVI灰度影像可以很好地凸显植被光谱特征差异,非常适宜用于农作物分类识别。
RENDVI(红色波段与红边波段组合的红边归一化植被指数)的计算公式为:
式中,ρred和ρedg分别表示红色波段和红边波段的反射率;
LSWI(地表水分指数)的计算公式为:
式中,ρnir和ρswir分别表示近红外波段和短波红外波段的反射率;
本实施例中,ρnir和ρswir具体为Sentinel-2A与Sentinel-2B卫星MSI传感器L2A级影像的B8波段和B11波段的反射率;
LSWI是利用植被在近红外波段反射率较高、而在短波红外波段吸收率较高的特征来提取植被中的水分。
D-value(LSWI与EVI差值)的计算公式为:
D-value=LWSI-EVI;
式中,LWSI和EVI分别表示地表水分指数的值和增强型植被指数的值。
由于移栽期水稻田的具有水体、土壤、小秧苗的混合光谱特征,即高土壤含水量、低植被覆盖度,因此D-value(LSWI与EVI差值)可以很好地用于水稻与其他同期农作物的分类识别中去。
C:根据步骤B中得到的可辨别时相的EVI灰度影像、edgNDVI灰度影像以及D-value灰度影像,对北方一年两熟地区和南方一年两熟地区的两季大宗粮油作物进行分类识别;北方一年两熟地区大宗粮油作物包括冬小麦、夏玉米和夏大豆,南方一年两熟地区大宗粮油作物包括冬小麦、冬油菜、早稻、中稻、晚稻和夏大豆。
在对北方一年两熟地区的两季大宗粮油作物分类识别时,按照以下步骤进行:
C1:进行北方一年两熟地区第一季大宗粮油作物分类识别;
首先,对冬小麦拔节期的EVI灰度影像进行阈值分割;当EVI大于等于T1时,判定为植被1(包含冬小麦和林草)区域;当EVI小于T1时,判定为非植被1(包含水体和建设用地等)区域;
阈值分割是根据阈值把灰度影像划分为若干有特定意义的子区域的过程。
然后,对植被1区域的冬小麦收获期的EVI灰度影像进行阈值分割;当EVI小于等于T2时,判定为农田1区域;当EVI大于T2时,判定为林草1区域;
最后,再对农田1区域的冬小麦分蘖期的EVI灰度影像进行阈值分割;当EVI大于等于T3时,判定为冬小麦;当EVI小于T3时,判定为其他夏收作物;
C2:进行北方一年两熟地区第二季大宗粮油作物分类识别;
首先,以步骤C1中判定出的农田1区域掩膜夏玉米抽穗期的edgNDVI灰度影像(即以农田1区域为范围对夏玉米抽穗期的edgNDVI灰度影像进行裁剪),得到农田1区域的夏玉米抽穗期(夏大豆结荚期)的edgNDVI灰度影像;
然后,再对农田1区域的夏玉米抽穗期(夏大豆结荚期)的edgNDVI灰度影像进行阈值分割;当edgNDVI大于等于T4时,判定为夏玉米;当edgNDVI小于T4,判定为夏大豆;
在对南方一年两熟地区的两季大宗粮油作物分类识别时,按照以下步骤进行:
C3:进行南方一年两熟地区第一季大宗粮油作物分类识别;
首先,对冬小麦返青期(冬油菜蕾薹期)的EVI灰度影像进行阈值分割;当EVI大于等于T5时,判定为植被2(包含冬小麦、冬油菜和林草)区域;当EVI小于T5时,判定为非植被2(包含水体、建设用地及待耕种农田等)区域;
然后,对植被2区域的冬油菜开花期(冬小麦拔节孕穗期)的edgNDVI灰度影像进行阈值分割;当edgNDVI小于T6时,判定为林草2区域;当edgNDVI大于等于T6且小于等于T7时,判定为冬油菜;当edgNDVI大于T7时,判定为冬小麦;
同时,对冬小麦收获期(早稻分蘖拔节期)的EVI灰度影像进行阈值分割;当EVI大于等于T8时,判定为植被3(包含早稻和林草)区域;当EVI小于T8时,判定为非植被3(包含水体、建设用地、已收割农田等)区域;
最后,通过空间叠置分析,求取植被3区域与林草2区域的差集,并将其判定为早稻;
空间叠置分析是将两层或多层地图要素进行叠置产生一个新要素层的操作,其结果将原来要素分割成新的要素,新要素综合了原来两层或多层要素所具有的属性。空间叠置分析要对新要素的属性按一定的数学模型进行计算分析,其中往往涉及到逻辑交、逻辑并、逻辑差等的运算。
C4:进行南方一年两熟地区第二季大宗粮油作物分类识别;
首先,以步骤C3中判定出的南方一年两熟地区冬小麦、冬油菜及早稻区域求并集,得到农田2区域;并以农田2区域掩膜中稻移栽期(夏大豆出苗期)的D-value灰度影像,得到农田2区域的中稻移栽期的D-value灰度影像;再对农田2区域的中稻移栽期的D-value灰度影像进行阈值分割;当D-value大于等于T9时,判定为中稻;当D-value小于T9时,判定为夏大豆;
其次,以农田2区域掩膜夏大豆收获期(晚稻抽穗乳熟期)的EVI灰度影像,得到农田2区域的夏大豆收获期的EVI灰度影像;再对农田2区域的夏大豆收获期的EVI灰度影像进行阈值分割;当EVI大于等于T10时,判定为晚稻;当EVI小于T10时,判定为非植被4(包含水体、建设用地及已收割农田等)区域。
步骤C中,阈值T1-T10的取值,与影像中各类地物的比例组合及研究区域在成像时刻的大气光学特征均具有联系,因此非固定值。本发明中,结合具体实施例,给出阈值T1-T10的确定方法。
阈值T1-T10可以通过选取样本点、对灰度影像中样本点的灰度值进行统计分析而确定。具体为:根据样本点的经纬度信息,分别取样本点在EVI、edgNDVI以及D-value灰度影像中的灰度值(即样本点的EVI值、edgNDVI以及D-value值),然后分别统计各类样本点(冬小麦、冬油菜、夏玉米、夏大豆、早稻、中稻、晚稻、林草、水体、建设用地和裸土等)各灰度值的最大值与最小值。参考待分类识别的两类或两类以上地物的样本点灰度值范围,选取阈值,使待分类识别的两类或两类以上地物尽可能地分离,从而完成阈值分割。
下面详细描述阈值选取过程:取某类样本点灰度值普遍较大的灰度值范围的最小值、取另一类样本点灰度值普遍较小的灰度值范围的最大值,计算二者的平均值,作为分割这两类地物的初始阈值;通过生成一定数量的随机点,利用外业实地调查或人工目视判读,逐一判断每个随机点的地物类型是否识别正确;依据分类结果精度,对阈值进行适当调整,该过程通常需要重复多次,直到不能通过阈值进一步调整使得分类结果精度更高为止。
本方案中,样本点数量以每类地物30个左右为宜,且样本点在空间上应尽可能地均匀分布。样本点的真实类别及经纬度信息可以通过外业实地调查采集,或利用人工目视解译的方式在B11(短波红外波段1)、B8(近红外波段)、B5(红边波段1)假彩色合成影像或B8(近红外波段)、B4(红色波段)、B3(绿色波段)假彩色合成影像及更高分辨率(亚米级及更高)的谷歌地球影像或无人机航拍影像上提取得到。
假彩色合成是指在多光谱遥感影像彩色合成处理时,如果参与合成的三个波段的波长与对应的红、绿、蓝三种原色的波长不同,那么合成影像的颜色就不可能是地物的真实颜色,这种合成就是假彩色合成。B11、B8、B5或B8、B4、B3假彩色合成可以从色彩显示上凸显不同植被间及植被与其他地物间的差异,使依靠视觉辨别的人工目视判读变得更容易。人工目视解译/判读的依据是影像上地物的形状、尺寸、色调及结构等特征。
D:利用小斑块聚合(Classification Aggregate)方法,分别对步骤C中得到的北方一年两熟地区和南方一年两熟地区的两季大宗粮油作物分类识别结果进行优化处理,消除分类结果的“椒盐”现象,并分别生成北方第一季、北方第二季、南方第一季和南方第二季大宗粮油作物分布数据。
伴随着多光谱卫星影像空间分辨率的提高,同种地物光谱异质性增大,因此,在基于高分辨率遥感数据的决策树分类结果中往往存在像元尺度分类的椒盐噪声(出现细碎图斑),被称为“椒盐现象”。小斑块聚合(Classification Aggregate)是个将小的临近的图斑聚合成大的图斑的过程,可以在一定程度上消除椒盐噪声,使分类结果符合大宗粮油作物种植地块连片、规则、成块的特点;同时,较聚类(Clump)数学形态学方法可以更好地保留原有分类结果中的地块边界信息,对地块面积统计的准确度影响更小;也可避免低通滤波平滑处理时类别信息会被临近类别编码干扰的问题。
E:根据步骤D中得到的北方第一季、北方第二季、南方第一季和南方第二季大宗粮油作物分布数据,判定复种模式;
分别对北方第一季和北方第二季、南方第一季和南方第二季大宗粮油作物分布数据进行空间叠置分析,根据同一地块上第一季与第二季大宗粮油作物类型判定复种模式,生成一年两熟地区复种模式空间分布图;
复种模式包括冬小麦-夏玉米、冬小麦-夏大豆、早稻-晚稻、冬小麦-中稻、冬小麦-晚稻、冬油菜-中稻、冬油菜-晚稻以及冬油菜-夏大豆。
F:根据步骤E中得到的一年两熟地区复种模式空间分布图,利用GIS基础软件的空间统计分析功能,得到每一个地块的复种模式信息与面积信息,然后按复种模式类别进行面积求和,最终生成一年两熟地区复种模式面积统计表。
Claims (10)
1.一年两熟地区大宗粮油作物复种模式遥感监测方法,其特征在于:包括以下步骤:
A:结合中国熟制区划资料,获取研究区域的熟制信息;若研究区域确为一年两熟地区,则按照经纬度范围,对其进行地理位置分区,将位于秦岭-淮河一线北侧的区域标记为北方一年两熟地区,将位于秦岭-淮河一线南侧的区域标记为南方一年两熟地区;
B:获取研究区域的高分辨率多光谱卫星影像,并对获取到的高分辨率多光谱卫星影像进行时相筛选、预处理与波段计算,得到北方一年两熟地区和南方一年两熟地区可辨别时相的、预处理后的多波段影像,以及北方一年两熟地区和南方一年两熟地区可辨别时相的EVI灰度影像、edgNDVI灰度影像、LSWI灰度影像以及D-value灰度影像;
EVI指增强型植被指数,edgNDVI指近红外波段与红边波段组合的改进型归一化植被指数,LSWI指地表水分指数,D-value指LSWI与EVI差值;
C:根据步骤B中得到的可辨别时相的EVI灰度影像、edgNDVI灰度影像以及D-value灰度影像,对北方一年两熟地区和南方一年两熟地区的两季大宗粮油作物进行分类识别;北方一年两熟地区大宗粮油作物包括冬小麦、夏玉米和夏大豆,南方一年两熟地区大宗粮油作物包括冬小麦、冬油菜、早稻、中稻、晚稻和夏大豆;
D:利用小斑块聚合方法,分别对步骤C中得到的北方一年两熟地区和南方一年两熟地区的两季大宗粮油作物分类识别结果进行优化处理,消除分类结果的“椒盐”现象,并分别生成北方第一季、北方第二季、南方第一季和南方第二季大宗粮油作物分布数据;
E:根据步骤D中得到的北方第一季、北方第二季、南方第一季和南方第二季大宗粮油作物分布数据,判定复种模式。
2.根据权利要求1所述的一年两熟地区大宗粮油作物复种模式遥感监测方法,其特征在于,所述的步骤B中,对获取到的高分辨率多光谱卫星影像进行时相筛选、预处理与波段计算,具体包括以下步骤:
B1:对卫星影像进行时相筛选,得到可辨别时相的影像;
根据卫星影像成像质量与观测时间,结合研究区域地理位置分区结果、南北方农作物种类差异及物候特征,筛选出可辨别时相的影像:
对于北方一年两熟地区,筛选出冬小麦分蘖期、冬小麦拔节期、冬小麦收获期及夏玉米抽穗期4期无云或少云影像;其中,夏玉米抽穗期同时为夏大豆结荚期,少云影像指云量低于5%的影像;
对于南方一年两熟地区,筛选出冬小麦返青期、冬油菜开花期、冬小麦收获期、中稻移栽期及中稻与夏大豆收获期5期无云或少云影像;其中,冬小麦返青期同时为冬油菜蕾薹期,冬油菜开花期同时为冬小麦拔节孕穗期,冬小麦收获期同时为早稻分蘖拔节期,中稻移栽期同时为夏大豆出苗期,夏大豆收获期同时为晚稻抽穗乳熟期,少云影像指云量低于5%的影像;
B2:对筛选后得到的可辨别时相的影像进行预处理,得到可辨别时相的、预处理后的多波段影像;
对筛选后得到的可辨别时相的影像进行预处理,依次包括正射校正、几何精校正、大气校正、波段选取与重采样;在对可辨别时相的、大气校正后的影像进行波段选取时,仅保留后续农作物分类识别所需的蓝色波段、绿色波段、红色波段、红边波段、近红外波段和短波红外波段这6个波段;然后对上述6个波段进行重采样,将空间分辨率予以统一;
B3:对可辨别时相的、预处理后的多波段影像进行波段计算,分别得到可辨别时相的EVI灰度影像、edgNDVI灰度影像、LSWI灰度影像以及D-value灰度影像;
EVI灰度影像是由预处理后的多波段影像通过波段计算得到的EVI单波段影像,该单波段影像的每个象元值即为原多波段影像每个对应位置象元的EVI值;edgNDVI灰度影像、LSWI灰度影像以及D-value灰度影像同理;
其中,EVI的计算公式为:
式中,ρnir、ρred和ρblue分别表示近红外波段、红色波段和蓝色波段的反射率;
edgNDVI的计算公式为:
式中,ρnir和ρedg分别表示近红外波段和红边波段的反射率;
LSWI的计算公式为:
式中,ρnir和ρswir分别表示近红外波段和短波红外波段的反射率;
D-value的计算公式为:
D-value=LWSI-EVI;
式中,LWSI和EVI分别表示地表水分指数的值和增强型植被指数的值。
3.根据权利要求2所述的一年两熟地区大宗粮油作物复种模式遥感监测方法,其特征在于,所述的步骤C包括以下具体步骤:
在对北方一年两熟地区的两季大宗粮油作物分类识别时,按照以下步骤进行:
C1:进行北方一年两熟地区第一季大宗粮油作物分类识别;
首先,对冬小麦拔节期的EVI灰度影像进行阈值分割;当EVI大于等于T1时,判定为植被1区域;当EVI小于T1时,判定为非植被1区域;
然后,对植被1区域的冬小麦收获期的EVI灰度影像进行阈值分割;当EVI小于等于T2时,判定为农田1区域;当EVI大于T2时,判定为林草1区域;
最后,再对农田1区域的冬小麦分蘖期的EVI灰度影像进行阈值分割;当EVI大于等于T3时,判定为冬小麦;当EVI小于T3时,判定为其他夏收作物;
C2:进行北方一年两熟地区第二季大宗粮油作物分类识别;
首先,以步骤C1中判定出的农田1区域掩膜夏玉米抽穗期的edgNDVI灰度影像,得到农田1区域的夏玉米抽穗期的edgNDVI灰度影像;
然后,再对农田1区域的夏玉米抽穗期的edgNDVI灰度影像进行阈值分割;当edgNDVI大于等于T4时,判定为夏玉米;当edgNDVI小于T4,判定为夏大豆;
在对南方一年两熟地区的两季大宗粮油作物分类识别时,按照以下步骤进行:
C3:进行南方一年两熟地区第一季大宗粮油作物分类识别;
首先,对冬小麦返青期的EVI灰度影像进行阈值分割;当EVI大于等于T5时,判定为植被2区域;当EVI小于T5时,判定为非植被2区域;
然后,对植被2区域的冬油菜开花期的edgNDVI灰度影像进行阈值分割;当edgNDVI小于T6时,判定为林草2区域;当edgNDVI大于等于T6且小于等于T7时,判定为冬油菜;当edgNDVI大于T7时,判定为冬小麦;
同时,对冬小麦收获期的EVI灰度影像进行阈值分割;当EVI大于等于T8时,判定为植被3区域;当EVI小于T8时,判定为非植被3区域;
最后,通过空间叠置分析,求取植被3区域与林草2区域的差集,并将其判定为早稻;
C4:进行南方一年两熟地区第二季大宗粮油作物分类识别;
首先,以步骤C3中判定出的南方一年两熟地区冬小麦、冬油菜及早稻区域求并集,得到农田2区域;并以农田2区域掩膜中稻移栽期的D-value灰度影像,得到农田2区域的中稻移栽期的D-value灰度影像;再对农田2区域的中稻移栽期的D-value灰度影像进行阈值分割;当D-value大于等于T9时,判定为中稻;当D-value小于T9时,判定为夏大豆;
其次,以农田2区域掩膜夏大豆收获期的EVI灰度影像,得到农田2区域的夏大豆收获期的EVI灰度影像;再对农田2区域的夏大豆收获期的EVI灰度影像进行阈值分割;当EVI大于等于T10时,判定为晚稻;当EVI小于T10时,判定为非植被4区域。
4.根据权利要求3所述的一年两熟地区大宗粮油作物复种模式遥感监测方法,其特征在于,所述的阈值T1-T10的确定方法为:
首先根据样本点的经纬度信息,分别取样本点在EVI、edgNDVI以及D-value灰度影像中的灰度值,即样本点的EVI值、edgNDVI以及D-value值;然后分别统计各类样本点各灰度值的最大值与最小值;再参考待分类识别的两类或两类以上地物的样本点灰度值范围,选取并调整阈值,使待分类识别的两类或两类以上地物分离,最终确定阈值T1-T10。
5.根据权利要求4所述的一年两熟地区大宗粮油作物复种模式遥感监测方法,其特征在于:所述的样本点数量以每类地物30个,且样本点在空间上应尽可能地均匀分布。
6.根据权利要求1所述的一年两熟地区大宗粮油作物复种模式遥感监测方法,其特征在于:所述的步骤E中,分别对北方第一季和北方第二季、南方第一季和南方第二季大宗粮油作物分布数据进行空间叠置分析,根据同一地块上第一季与第二季大宗粮油作物类型判定复种模式,生成一年两熟地区复种模式空间分布图。
7.根据权利要求6所述的一年两熟地区大宗粮油作物复种模式遥感监测方法,其特征在于:所述的复种模式包括冬小麦-夏玉米、冬小麦-夏大豆、早稻-晚稻、冬小麦-中稻、冬小麦-晚稻、冬油菜-中稻、冬油菜-晚稻以及冬油菜-夏大豆。
8.根据权利要求1所述的一年两熟地区大宗粮油作物复种模式遥感监测方法,其特征在于:还包括步骤F,
F:根据步骤E中得到的一年两熟地区复种模式空间分布图,利用GIS基础软件的空间统计分析功能,得到每一个地块的复种模式信息与面积信息,然后按复种模式类别进行面积求和,最终生成一年两熟地区复种模式面积统计表。
9.根据权利要求2所述的一年两熟地区大宗粮油作物复种模式遥感监测方法,其特征在于:所述的步骤B中,高分辨率多光谱卫星影像选取Sentine1-2A与Sentine1-2B卫星MSI传感器影像。
10.根据权利要求9所述的一年两熟地区大宗粮油作物复种模式遥感监测方法,其特征在于:所述的步骤B2中,在波段选取中,仅保留Sentine1-2A与Sentine1-2B卫星MSI传感器影像的蓝色波段、绿色波段、红色波段、红边波段1、近红外波段和短波红外波段1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011631322.8A CN112818749B (zh) | 2020-12-31 | 2020-12-31 | 一年两熟地区大宗粮油作物复种模式遥感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011631322.8A CN112818749B (zh) | 2020-12-31 | 2020-12-31 | 一年两熟地区大宗粮油作物复种模式遥感监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818749A true CN112818749A (zh) | 2021-05-18 |
CN112818749B CN112818749B (zh) | 2022-09-13 |
Family
ID=75855180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011631322.8A Active CN112818749B (zh) | 2020-12-31 | 2020-12-31 | 一年两熟地区大宗粮油作物复种模式遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818749B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221806A (zh) * | 2021-05-25 | 2021-08-06 | 河南大学 | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 |
CN113469112A (zh) * | 2021-07-19 | 2021-10-01 | 三门峡市扶贫开发办公室 | 农作物生长状况图像识别方法及系统 |
CN113963260A (zh) * | 2021-10-20 | 2022-01-21 | 中科三清科技有限公司 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
CN114998742A (zh) * | 2022-06-16 | 2022-09-02 | 天津市生态环境科学研究院(天津市环境规划院、天津市低碳发展研究中心) | 一种单季稻稻作区水稻种植面积的快速识别与提取的方法 |
CN115631419A (zh) * | 2022-12-08 | 2023-01-20 | 航天宏图信息技术股份有限公司 | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 |
CN116879237A (zh) * | 2023-09-04 | 2023-10-13 | 自然资源部第二海洋研究所 | 一种近海浑浊水体的大气校正方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
RU2668319C1 (ru) * | 2017-10-27 | 2018-09-28 | Общество с ограниченной ответственностью "АгроДронГрупп" | Способ и система обработки зон посева сельскохозяйственных культур на основании данных мониторинга |
CN109948596A (zh) * | 2019-04-26 | 2019-06-28 | 电子科技大学 | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 |
CN110472184A (zh) * | 2019-08-22 | 2019-11-19 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
-
2020
- 2020-12-31 CN CN202011631322.8A patent/CN112818749B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
RU2668319C1 (ru) * | 2017-10-27 | 2018-09-28 | Общество с ограниченной ответственностью "АгроДронГрупп" | Способ и система обработки зон посева сельскохозяйственных культур на основании данных мониторинга |
CN109948596A (zh) * | 2019-04-26 | 2019-06-28 | 电子科技大学 | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 |
CN110472184A (zh) * | 2019-08-22 | 2019-11-19 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
Non-Patent Citations (4)
Title |
---|
RAFAEL BAETA: "Learning Deep Features on Multiple Scales for Coffee Crop Recognition", 《2017 30TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI)》 * |
李中元等: "利用物候差异与面向对象决策树提取油菜种植面积", 《地球信息科学学报》 * |
王连喜等: "决策树分类提取宁夏耕地复种指数", 《遥感信息》 * |
马佳妮: "基于长时间序列遥感数据反演 NPP 的耕地质量评价", 《农业机械学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221806A (zh) * | 2021-05-25 | 2021-08-06 | 河南大学 | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 |
CN113469112A (zh) * | 2021-07-19 | 2021-10-01 | 三门峡市扶贫开发办公室 | 农作物生长状况图像识别方法及系统 |
CN113963260A (zh) * | 2021-10-20 | 2022-01-21 | 中科三清科技有限公司 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
CN114998742A (zh) * | 2022-06-16 | 2022-09-02 | 天津市生态环境科学研究院(天津市环境规划院、天津市低碳发展研究中心) | 一种单季稻稻作区水稻种植面积的快速识别与提取的方法 |
CN114998742B (zh) * | 2022-06-16 | 2023-08-18 | 天津市生态环境科学研究院(天津市环境规划院、天津市低碳发展研究中心) | 一种单季稻稻作区水稻种植面积的快速识别与提取的方法 |
CN115631419A (zh) * | 2022-12-08 | 2023-01-20 | 航天宏图信息技术股份有限公司 | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 |
CN116879237A (zh) * | 2023-09-04 | 2023-10-13 | 自然资源部第二海洋研究所 | 一种近海浑浊水体的大气校正方法 |
CN116879237B (zh) * | 2023-09-04 | 2023-12-12 | 自然资源部第二海洋研究所 | 一种近海浑浊水体的大气校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112818749B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818749B (zh) | 一年两熟地区大宗粮油作物复种模式遥感监测方法 | |
George et al. | Forest tree species discrimination in western Himalaya using EO-1 Hyperion | |
Yang et al. | Evaluating high resolution SPOT 5 satellite imagery for crop identification | |
Sun et al. | Monitoring maize lodging grades via unmanned aerial vehicle multispectral image | |
CN111462223B (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
Solano-Correa et al. | A method for the analysis of small crop fields in sentinel-2 dense time series | |
Chust et al. | Land cover mapping with patch-derived landscape indices | |
Currit | Development of a remotely sensed, historical land-cover change database for rural Chihuahua, Mexico | |
CN116883853B (zh) | 基于迁移学习的作物时空信息遥感分类方法 | |
Ozdarici Ok et al. | A segment-based approach to classify agricultural lands by using multi-temporal optical and microwave data | |
Katoh et al. | Application of high-resolution airborne data using individual tree crowns in Japanese conifer plantations | |
CN116912578A (zh) | 一种农作物分类方法、系统及电子设备 | |
Etteieb et al. | Mediterranean forest mapping using hyper-spectral satellite imagery | |
Okubo et al. | Land use/cover classification of a complex agricultural landscape using single-dated very high spatial resolution satellite-sensed imagery | |
Yang et al. | Using high resolution QuickBird imagery for crop identification and area estimation | |
Gong et al. | Vineyard identification in an oak woodland landscape with airborne digital camera imagery | |
CN113111794B (zh) | 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法 | |
Whiteside et al. | Vegetation map for Magela Creek floodplain using WorldView-2 multispectral image data | |
GASTELLU-ETCHEGORRY et al. | Computer-assisted land cover mapping with SPOT in Indonesia | |
Ozdarici et al. | Field-based classification of agricultural crops using multi-scale images | |
Malinverni et al. | Agricultural crop change detection by means of hybrid classification and high resolution images | |
CN117011702A (zh) | 基于卫星影像的茶园识别方法及装置 | |
Melnychuk | Multi-temporal crop classification using a decision tree in a Southern Ontario agricultural region | |
Solano et al. | Int J Appl Earth Obs Geoinformation | |
Jia et al. | Long Image Time Series for Crop Extraction Based on the Automatically Generated Samples Algorithm |
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 |