CN112819846B - 面向多云雨地区的基于多载荷遥感图像的水稻估产方法 - Google Patents
面向多云雨地区的基于多载荷遥感图像的水稻估产方法 Download PDFInfo
- Publication number
- CN112819846B CN112819846B CN202110111039.0A CN202110111039A CN112819846B CN 112819846 B CN112819846 B CN 112819846B CN 202110111039 A CN202110111039 A CN 202110111039A CN 112819846 B CN112819846 B CN 112819846B
- Authority
- CN
- China
- Prior art keywords
- rice
- yield
- field
- remote sensing
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了面向多云雨地区的基于多载荷遥感图像的水稻估产方法,属于遥感图像农业应用领域,通过利用光学遥感卫星和合成孔径雷达遥感卫星对某水稻种植区进行监测;然后利用GIS技术提取工作区水稻种植面积,并将相关信息储存在属性表中;再区分水稻种植时间;然后计算各田块对应的雷达后向散射系数MeanRSC;并对强反射点影响的稻田区域值进行修正;再实地进行人工采样测产,得到田块的水稻测产亩产量;然后建立水稻估产模型;最后根据估产模型和时相雷达后向散射系数计算田块的预估产量;本发明解决了多云雨地区水稻估产的实际应用难题。
Description
技术领域
本发明涉及遥感图像农业应用领域,具体涉及面向多云雨地区的基于多载荷遥感图像的水稻估产方法。
背景技术
水稻在我国粮食生产中占有重要地位,是我国重要的粮食作物之一,种植面积约占全国粮食总播种面积的25%,而其产量达到全国粮食总产量的32%。水稻种植面积及产量预报是重要的农情信息之一,对国家粮食安全预警、宏观粮食经济决策具有重要意义。
传统的水稻估产采用人工区域调查方法,结合农学、气象学、统计学,从不同角度建立作物估产模式,该方法速度慢、工作量大、成本高且很难及时获取水稻长势与产量信息;卫星遥感以其宏观、快速、准确、动态等优势,被广泛应用于农作物的长势监测及产量预报。
水稻遥感估产包括播种面积提取与产量预报两项内容,目前,国内外学者在水稻遥感估产方面已取得了大量的研究成果,其主要方法大多是基于中低分辨率遥感影像,利用计算机分类的方法提取水稻种植面积;利用水稻生殖生长期的光学遥感影像光谱信息计算植被指数,建立水稻长势指标与产量的关系模型,进行水稻产量的估算。这种估产方法建立的模型简洁明了,计算便捷,是一种较为普遍的产量估算模式,但是具有极大的局限性:首先,通过计算机分类或机器学习方法提取的水稻种植面积,不管是基于光学遥感还是SAR遥感,都存在田块边缘识别效果差、无法准确提取水稻田块边界的技术壁垒,尤其是我国很多地区的种植田块极度不规则,因此造成估产过程中水稻种植面积及田块长势信息的获取出现偏差,影响估产模型建立的精度,从而导致产量预报容易出现较大的误差;其次,在我国现有农情条件下,同一地区的水稻种植时间会存在一至两个月的差异,因此传统的估产模式,无法消除种植时间差异对估产模型的影响;再次,利用光学遥感数据获取水稻光谱信息来计算植被指数,需要确保水稻生殖生长期的遥感数据质量良好,图像清晰,无云雾覆盖,而多云雨地区在多数情况下无法获取水稻生殖生长阶段足够可用的光学遥感数据,因此,在多云雨地区的水稻估产很难采用该估算模式,影响了卫星遥感数据在农业中的应用。
合成孔径雷达技术拥有全天时、全天候、高分辨率和不受云层干扰的特点,同时,可根据雷达后向散射原理,以及水稻生长周期内稻田水浸特性差异导致的地表后向散射系数的变化,可通过多时相SAR图像来区分水稻种植时间,从而消除因种植时间差异导致的影响,利用SAR在我多云雨地区进行水稻估产拥有无可比拟的优势,但是,由于SAR图像分类提取水稻种植面积的精度较差,也会导致估产结果精度出现较大的偏差,因此,不管是单一的光学遥感数据估产还是SAR估产,均无法满足某些行业或农业应用的高精度要求。
发明内容
本发明的目的在于:针对目前单一的光学遥感数据估产还是SAR估产,均无法满足某些行业或农业应用的高精度要求的问题,提供了面向多云雨地区的基于多载荷遥感图像的水稻估产方法,解决了上述问题。
本发明的技术方案如下:
面向多云雨地区的基于多载荷遥感图像的水稻估产方法,包括以下步骤:
步骤一:针对某水稻种植区利用光学遥感卫星和合成孔径雷达遥感卫星对某工作区进行监测,获取若干监测影像,并对各图像分别进行预处理;并制作种植区高分辨率正射底图;
步骤二:基于工作区高分辨率光学遥感正射底图,利用GIS技术提取工作区水稻种植面积,并将相关信息储存在属性表中;
步骤三:基于水稻种植前后的多时相SAR图像预处理结果,区分水稻种植时间,并将该信息添加至属性表;
步骤四:在水稻生殖生长期内的三个时相SAR图像中,计算各田块对应的雷达后向散射系数MeanRSC;并对强反射点影响的稻田区域值进行修正;
步骤五:实地选取一定数量的分布均衡且具有代表性的田块作为样本进行人工采样测产,处理得到各样本田块的水稻测产亩产量;
步骤六:根据样本田块水稻产量和三个时相的雷达后向散射系数建立水稻估产模型;
步骤七:利用建模样本外的水稻亩产量数据,对上述估产模型进行估产精度验证;
步骤八:根据估产模型和种植区所有水稻田块的三个时相雷达后向散射系数计算各个田块的预估产量。
进一步地,所述步骤一中的预处理包括:对高分辨率光学遥感卫星数据进行辐射校正、正射校正、图像融合和图像镶嵌等处理,并进行分幅裁剪形成工作区高分辨率正射底图;对多时相合成孔径雷达数据进行聚焦、多视处理、配准、斑点滤波、地理编码和辐射定标、几何精校正等预处理。
进一步地,所述步骤二中是利用ENVI与ArcGIS软件进行人机交互式解译提取水稻田块边缘,在工作区高分辨率正射底图上勾画水稻田块边界得到水稻田块矢量数据,并在属性表中建立相应的地块归属、坐标、面积等属性字段,从而获取水稻种植面积及相关信息。
进一步地,所述水稻种植时间的区分是基于水稻种植前后的多时相SAR图像预处理结果,利用步骤二获取的水稻田块矢量提取对应的多时相图像的后向散射系数,结合水体的微波散射特性,通过对各期SAR图像的后向散射系数的变化值进行阈值切割,提取水稻田块水浸量信息,从而判别水稻种植时间。
进一步地,所述步骤四中首先选择水稻生殖生长期内三个时相的雷达图像预处理结果,利用步骤二获取的水稻田块矢量,利用GIS空间分析技术,分别提取水稻田块i区域对应的三个时相雷达后向散射系数值,提取规则设置为均值,记为MeanjRSCi,其中j表示三个时相;对于靠近强反射点位置的稻田,通过目视和强反射点检测,获取农田质心间与强反射点间的欧式距离,利用缓冲区分析对田块均值进行修正。
进一步地,所述步骤六的详细步骤是:基于水稻样本亩产量和对应的三期雷达后向散射系数MeanjRSCi根据水稻种植时间将样本分为两个种植时期,分别采用不少于10个样本产量与对应的三期雷达后向散射系数进行线性拟合分析,根据拟合函数求解线性回归系数,从而建立水稻分时区估产模型;
线性拟合关系式为:
①水稻种植日期在XX之前:Y=a1*X1+b1*X2+c1*X3+d1;
②水稻种植日期在XX之后:y=a2*X4+b2*X5+c2*X6+d2;
其中,Y为人工测产获得样本田块的亩产量,单位kg;X为样本田块对应的多时相雷达平均后向散射系数MeanjRSCi;a、b、c、d分别为待求解的线性回归系数。
进一步地,所述步骤七的详细步骤是:根据建模以外样本田块的三个时相雷达后向散射系数和分时区估产模型,计算建模外所有样本田块的亩产量,该计算结果与其人工采样测产结果进行误差对比分析,验证卫星遥感测产精度。
进一步地,所述步骤八的详细步骤是:根据水稻田块i的三个时相雷达后向散射系数和分时区估产模型,分别计算得到全部水稻田块对应的亩产量,结合各水稻田块的面积,统计得到卫星遥感估产的总产量及平均亩产量。
与现有的技术相比本发明的有益效果是:
1、面向多云雨地区的基于多载荷遥感图像的水稻估产方法,基于高分辨率光学遥感图获取高精度水稻种植面积,利用多时相雷达数据提取水稻田块雷达后向散射系数构建估产模型,将光学遥感数据的高分辨率与雷达数据全天时、全天候、不受云层干扰的优势结合在一起,解决了多云雨地区水稻估产的实际应用难题。
2、面向多云雨地区的基于多载荷遥感图像的水稻估产方法,根据水稻田块矢量数据及雷达强度图像提取稻田质心点及强反射点阈值范围,对于靠近强反射点位置的稻田,通过目视和强反射点检测,获取农田质心间与强反射点间的欧式距离,利用缓冲区分析对田块均值进行修正,改善了后向散射系数提取的精度。
3、面向多云雨地区的基于多载荷遥感图像的水稻估产方法,根据后向散射系数与产量间的拟合关系,考虑稻作物候信息,结合水稻生殖生长期的多时相雷达后向散射系数,建立估产模型,很大程度上消除单一时期参数拟合造成的模型偏差,提高了估产的精度。
附图说明
图1为面向多云雨地区的基于多载荷遥感图像的水稻估产方法的流程图。
具体实施方式
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合实施例对本发明的特征和性能作进一步的详细描述。
实施例一
请参阅图1,面向多云雨地区的基于多载荷遥感图像的水稻估产方法,包括以下步骤:
步骤一:针对某水稻种植区利用光学遥感卫星和合成孔径雷达遥感卫星对某工作区进行监测,获取若干监测影像,并对各图像分别进行预处理;并制作种植区高分辨率正射底图。
结合卫星遥感数据的特点、监测需求及数据成本,合理选择覆盖工作区范围的遥感数据源,遥感数据源包括高分辨率光学遥感数据和合成孔径雷达数据,要求在水稻生长周期内光学遥感能够覆盖监测区域,并且高分辨率光学卫星质量良好、图像清晰、稻田区域无云雾覆盖,分辨率优于1米;合成孔径雷达数据要求覆盖水稻主要生长周期的多时相VV极化雷达影像,不少于3个周期。
预处理包括对高分辨率光学遥感卫星数据进行辐射校正、正射校正、图像融合和图像镶嵌等处理,并进行分幅裁剪形成工作区高分辨率正射底图;对多时相合成孔径雷达数据进行聚焦、多视处理、配准、斑点滤波、地理编码和辐射定标、几何精校正等预处理。
步骤二:基于工作区高分辨率光学遥感正射底图,利用GIS技术提取工作区水稻种植面积,并将相关信息储存在属性表中。
利用ENVI与ArcGIS软件进行人机交互式解译提取水稻田块边缘,在工作区高分辨率正射底图上勾画水稻田块边界得到水稻田块矢量数据,并在属性表中建立相应的地块归属、坐标、面积等属性字段,从而获取水稻种植面积及相关信息。按分幅裁剪范围进行分工解译,然后把各解译成果进行边界修正、拼接、拓扑检查,确保合并后的水稻田块图斑矢量无自相交、缝隙、重叠等错误。
步骤三:基于水稻种植前后的多时相SAR图像预处理结果,区分水稻种植时间,并将该信息添加至属性表。
基于水稻种植前后的多时相SAR图像预处理结果,利用步骤二获取的水稻田块矢量提取对应的多时相图像的后向散射系数,结合水体的微波散射特性,通过对各期SAR图像的后向散射系数的变化值进行阈值切割,提取水稻田块水浸量信息,从而判别水稻种植时间,并将该信息添加至属性表。
步骤四:在水稻生殖生长期内的三个时相SAR图像中,计算各田块对应的雷达后向散射系数MeanRSC;并对强反射点影响的稻田区域值进行修正。
选择水稻生殖生长期内三个时相的雷达图像预处理结果,利用步骤二获取的水稻田块矢量,利用GIS空间分析技术,分别提取水稻田块i区域对应的三个时相雷达后向散射系数值,提取规则设置为均值,记为MeanjRSCi,其中j表示三个时相。
首先,根据水稻田块矢量数据提取所有稻田的质心点,对雷达强度图像进行阈值切割,获取强反射点阈值范围,利用栅格分析提取强反射点位置;其次,根据强反射点检测结果和目视判别,获取强反射点与靠近其位置的稻田质心点间的欧式距离,并进行缓冲区分析;最后,利用空间分析提取缓冲区内的平均雷达后向散射系数,并将该值作为水稻田块的后向散射系数值,由此来消除稻田区域强反射点雷达散射系数的影响。
步骤五:实地选取一定数量的分布均衡且具有代表性的田块作为样本进行人工采样测产,处理得到各样本田块的水稻测产亩产量;
根据随机抽样的原则,选取工作区分布均衡、种植时间和长势互有差异的水稻田块作为样本进行人工采样,对各样本进行脱粒、晾晒、穗粒计数等处理,计算得到各样本田块的水稻亩产量,一部分用于建立估产模型,一部分作为精度验证。
步骤六:根据样本田块水稻产量和三个时相的雷达后向散射系数建立水稻估产模型;
基于水稻样本亩产量和对应的三期雷达后向散射系数MeanjRSCi,根据水稻种植时间将样本分为两个种植时期,分别采用不少于10个样本产量与对应的三期雷达后向散射系数进行线性拟合分析,根据拟合函数求解线性回归系数,从而建立水稻分时区估产模型;
线性拟合关系式为:
①水稻种植日期在XX之前:Y=a1*X1+b1*X2+c1*X3+d1;
②水稻种植日期在XX之后:y=a2*X4+b2*X5+c2*X6+d2;
其中,Y为人工测产获得样本田块的亩产量,单位kg;X为样本田块对应的多时相雷达平均后向散射系数MeanjRSCi;a、b、c、d分别为待求解的线性回归系数。
步骤七:利用建模样本外的水稻亩产量数据,对上述估产模型进行估产精度验证。
根据建模以外样本田块的三个时相雷达后向散射系数和分时区估产模型,计算建模外所有样本田块的亩产量,该计算结果与其人工采样测产结果进行误差对比分析,验证卫星遥感测产精度。
步骤八:根据估产模型和种植区所有水稻田块的三个时相雷达后向散射系数计算各个田块的预估产量。
根据水稻田块i的三个时相雷达后向散射系数和分时区估产模型,分别计算得到全部水稻田块对应的亩产量,结合各水稻田块的面积,统计得到卫星遥感估产的总产量及平均亩产量。
实施例二
下面选取四川某地2020年水稻收入保险项目为例,对本发明提供的面向多云雨地区的基于多载荷遥感图像的水稻估产方法进行说明。
根据项目总体要求及技术指标,进行基础资料收集,主要包括高分辨率光学遥感数据、多时相雷达数据及相关资料,并进行数据预处理。
利用吉林一号光学遥感数据生成分辨率优于1M的工作区遥感影像正射底图,以此为基础,在ENVI软件中利用计算机分类提取水稻种植区域,在ArcGIS软件中进行人工解译勾画水稻边界,得到水稻田块矢量数据,并在属性表中添加相关属性信息;利用预处理后的覆盖水稻生长周期的哨兵一号多时相雷达VV极化数据结果,选择水稻种植前后的雷达散射图像,结合水体微波散射特性的差异进行阈值分割,提取水稻种植时间信息;选择覆盖水稻生殖生长期的6月、7月和8月的雷达散射图像,结合水稻田块矢量,利用ArcGIS空间分析技术,提取所有田块对应的6月、7月和8月雷达后向散射系数;利用欧式距离通过缓冲区分析对提取的散射系数进行修正,根据人工采样处理结果及水稻种植时间区分结果,分别选择不少于10个样本产量及其对应的6月、7月和8月雷达后向散射系数作为建模数据,进行线性回归分析,建立分时估产模型,得到田块亩产量(Y,单位kg/亩)与雷达散射系数X的线性拟合关系式为:
①种植期在5月15日之前:Y=963.632*x1+510.539*x2+1040.104*x3+92.828;
②种植期在5月15日及其后:Y=-18.782*x1-702.46*x2+226.865*x3+523.219;
根据估产模型计算得到工作区水稻田块产量,并以建模外的其余样本数据对计算得到的田块产量进行对比分析,验证估产模型的精度,结果见表1。
表1估产模型结果与人工采样结果对比分析表
样本 | 样本产量(kg/ | 模型产量(kg/ | 误差率 |
1 | 978.28 | 1009.22 | 3.16 |
2 | 676.42 | 694.14 | 2.62 |
3 | 1165.76 | 1019.2 | -12.57 |
4 | 836.6 | 866.2 | 3.54 |
5 | 832.72 | 866.76 | 4.09 |
6 | 581.8 | 651.56 | 11.99 |
7 | 571.04 | 615.84 | 7.85 |
8 | 581.98 | 598.66 | 2.87 |
9 | 738.6 | 733.88 | -0.64 |
10 | 704.16 | 716.9 | 1.81 |
11 | 765.8 | 782.98 | 2.24 |
12 | 634.1 | 655.16 | 3.32 |
13 | 646.26 | 663.4 | 2.65 |
由表1可知:13个验证样本的平均绝对误差为4.57%,其中,有10个样本绝对误差率小于5%,3个样本绝对误差率大于5%,若剔除2个绝对误差率超过10%的异常值,则样本校验平均误差率为3.16%,同时,最终测产结果与农户电话回访得到的实际收割亩产量有较好的一致性,说明本次卫星遥感测产结果具有比较高的精度,测产结果可靠。
上述实例的结果说明利用本发明提出的方法,在工作区多云雨天气,无法获取足够光学遥感数据的情况下,可结合水稻生长周期的多时相雷达数据进行估产,且由此建立的估产模型及估产结果都具有比较高的精度,满足某些行业或农业应用水稻估产的高精度需求,为多云雨地区水稻高精度估产提供了有效的技术支撑,具有较好的实际生产应用价值。
以上所述实施例仅表达了本申请的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请保护范围的限制,应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请技术方案构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (3)
1.面向多云雨地区的基于多载荷遥感图像的水稻估产方法,其特征在于,包括以下步骤:
步骤一:针对某水稻种植区利用光学遥感卫星和合成孔径雷达遥感卫星对某工作区进行监测,获取若干监测影像,并对各图像分别进行预处理;并制作种植区高分辨率正射底图;
步骤二:基于工作区高分辨率光学遥感正射底图,利用GIS技术提取工作区水稻种植面积,并将相关信息储存在属性表中;
步骤三:基于水稻种植前后的多时相SAR图像预处理结果,区分水稻种植时间,并将该信息添加至属性表;
步骤四:在水稻生殖生长期内的三个时相SAR图像中,计算各田块对应的雷达后向散射系数MeanRSC;并对强反射点影响的稻田区域值进行修正;
步骤五:实地选取一定数量的分布均衡且具有代表性的田块作为样本进行人工采样测产,处理得到各样本田块的水稻测产亩产量;
步骤六:根据样本田块水稻产量和三个时相的雷达后向散射系数建立水稻估产模型;
步骤七:利用建模样本外的水稻亩产量数据,对上述估产模型进行估产精度验证;
步骤八:根据估产模型和种植区所有水稻田块的三个时相雷达后向散射系数计算各个田块的预估产量;
所述步骤一中的预处理包括:对高分辨率光学遥感卫星数据进行辐射校正、正射校正、图像融合和图像镶嵌的处理,并进行分幅裁剪形成工作区高分辨率正射底图;对多时相合成孔径雷达数据进行聚焦、多视处理、配准、斑点滤波、地理编码和辐射定标、几何精校正的预处理;
所述步骤二中是利用ENVI与ArcGIS软件进行人机交互式解译提取水稻田块边缘,在工作区高分辨率正射底图上勾画水稻田块边界得到水稻田块矢量数据,并在属性表中建立相应的地块归属、坐标和面积的属性字段;
所述步骤三中的水稻种植时间的区分是基于水稻种植前后的多时相SAR图像预处理结果,利用步骤二获取的水稻田块矢量提取对应的多时相图像的后向散射系数,结合水体的微波散射特性,通过对各期SAR图像的后向散射系数的变化值进行阈值切割,提取水稻田块水浸量信息,从而判别水稻种植时间;
所述步骤四中首先选择水稻生殖生长期内三个时相的雷达图像预处理结果,利用步骤二获取的水稻田块矢量,利用GIS空间分析技术,分别提取水稻田块i区域对应的三个时相雷达后向散射系数值,提取规则设置为均值,记为MeanjRSCi,其中j表示三个时相;对于靠近强反射点位置的稻田,通过目视和强反射点检测,获取农田质心间与强反射点间的欧式距离,利用缓冲区分析对田块均值进行修正;
所述步骤六的详细步骤是:基于水稻样本亩产量和对应的三期雷达后向散射系数MeanjRSCi根据水稻种植时间将样本分为两个种植时期,分别采用不少于10个样本产量与对应的三期雷达后向散射系数进行线性拟合分析,根据拟合函数求解线性回归系数,从而建立水稻分时区估产模型;
线性拟合关系式为:
①水稻种植日期在XX之前:Y=a1*X1+b1*X2+c1*X3+d1;
②水稻种植日期在XX之后:y=a2*X4+b2*X5+c2*X6+d2;
其中,Y为人工测产获得样本田块的亩产量,单位kg;Xn为样本田块对应的多时相雷达平均后向散射系数,其中n为1-6;am、bh、ci和dz分别为待求解的线性回归系数,其中m、h、i、z为1-2。
2.根据权利要求1所述的面向多云雨地区的基于多载荷遥感图像的水稻估产方法,其特征在于,所述步骤七的详细步骤是:根据建模以外样本田块的三个时相雷达后向散射系数和分时区估产模型,计算建模外所有样本田块的亩产量,该计算结果与其人工采样测产结果进行误差对比分析,验证卫星遥感测产精度。
3.根据权利要求1所述的面向多云雨地区的基于多载荷遥感图像的水稻估产方法,其特征在于,所述步骤八的详细步骤是:根据水稻田块i的三个时相雷达后向散射系数和分时区估产模型,分别计算得到全部水稻田块对应的亩产量,结合各水稻田块的面积,统计得到卫星遥感估产的总产量及平均亩产量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110111039.0A CN112819846B (zh) | 2021-01-27 | 2021-01-27 | 面向多云雨地区的基于多载荷遥感图像的水稻估产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110111039.0A CN112819846B (zh) | 2021-01-27 | 2021-01-27 | 面向多云雨地区的基于多载荷遥感图像的水稻估产方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819846A CN112819846A (zh) | 2021-05-18 |
CN112819846B true CN112819846B (zh) | 2021-09-21 |
Family
ID=75859674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110111039.0A Active CN112819846B (zh) | 2021-01-27 | 2021-01-27 | 面向多云雨地区的基于多载荷遥感图像的水稻估产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819846B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221790A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种基于雷达数据的田块轮作模式生成方法及装置 |
CN114612896B (zh) * | 2022-03-07 | 2023-01-03 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻产量预测方法、装置以及设备 |
CN116416530B (zh) * | 2023-03-08 | 2023-11-03 | 自然资源部国土卫星遥感应用中心 | 一种新增建设图斑影像核实的方法 |
CN117056856B (zh) * | 2023-07-21 | 2024-04-05 | 广东省国土资源测绘院 | 一种融合多源自然资源监测变化图斑数据的方法与系统 |
CN117576572B (zh) * | 2024-01-16 | 2024-06-14 | 杭州稻道农业科技有限公司 | 一种综合种养稻田水稻种植覆盖度提取方法、装置及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7983446B2 (en) * | 2003-07-18 | 2011-07-19 | Lockheed Martin Corporation | Method and apparatus for automatic object identification |
JP2011167163A (ja) * | 2010-02-22 | 2011-09-01 | Pasuko:Kk | 水稲収量予測モデル生成方法、及び水稲収量予測方法 |
CN110287457B (zh) * | 2019-07-02 | 2023-02-17 | 吉林大学 | 基于卫星雷达遥感数据的玉米生物量反演测算方法 |
CN110472184B (zh) * | 2019-08-22 | 2022-11-04 | 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 |
CN111368736B (zh) * | 2020-03-04 | 2020-12-01 | 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 |
-
2021
- 2021-01-27 CN CN202110111039.0A patent/CN112819846B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112819846A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112819846B (zh) | 面向多云雨地区的基于多载荷遥感图像的水稻估产方法 | |
CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
CN108846832B (zh) | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 | |
CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
CN108985260A (zh) | 一种遥感及气象一体化水稻估产方法 | |
CN105160192B (zh) | 基于M5‑LocalR的TRMM卫星降雨数据降尺度方法 | |
CN105740759B (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
CN102194127B (zh) | 一种多频率sar数据农作物遥感分类方法 | |
Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
CN111091079B (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
CN102033230A (zh) | 一种草原卫星遥感监测系统及方法 | |
Lin et al. | Monitoring of winter wheat distribution and phenological phases based on MODIS time-series: A case study in the Yellow River Delta, China | |
CN109508633B (zh) | 一种基于光学遥感数据的甘蔗分布识别方法 | |
CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
Sabzchi-Dehkharghani et al. | Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing | |
Yang et al. | Fraction vegetation cover extraction of winter wheat based on RGB image obtained by UAV | |
CN114782840A (zh) | 一种基于无人机rgb影像的小麦物候期实时分类方法 | |
CN117765387A (zh) | 一种适用于复杂环境的耕地非粮化遥感监测方法 | |
Ge et al. | Improving spatial and temporal variation of ammonia emissions for the Netherlands using livestock housing information and a Sentinel-2-derived crop map | |
Tang et al. | UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard | |
CN105046229B (zh) | 一种农作物行的识别方法及装置 | |
CN111913185B (zh) | 针对高寒脆弱区低矮灌丛样地调查的tls测度方法 | |
You et al. | Crop Mapping of Complex Agricultural Landscapes Based on Discriminant Space | |
Duan et al. | Monitoring apple flowering date at 10 m spatial resolution based on crop reference curves | |
Zang et al. | Estimation of Density and Height of Winter Wheat Varieties Using Unmanned Aerial Vehicles Images |
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 |