CN112924967B - 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用 - Google Patents

一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用 Download PDF

Info

Publication number
CN112924967B
CN112924967B CN202110104065.0A CN202110104065A CN112924967B CN 112924967 B CN112924967 B CN 112924967B CN 202110104065 A CN202110104065 A CN 202110104065A CN 112924967 B CN112924967 B CN 112924967B
Authority
CN
China
Prior art keywords
lodging
areas
signal
distribution
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
Application number
CN202110104065.0A
Other languages
English (en)
Other versions
CN112924967A (zh
Inventor
黄健熙
李雪草
苏伟
刘峻明
李俐
尹冬勤
曾也鲁
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 CN202110104065.0A priority Critical patent/CN112924967B/zh
Publication of CN112924967A publication Critical patent/CN112924967A/zh
Application granted granted Critical
Publication of CN112924967B publication Critical patent/CN112924967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9094—Theoretical aspects
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • 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
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing

Abstract

本发明涉及农业遥感技术领域，公开了一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用。其包括：收集倒伏区域的信息；获取作物分布区Sentinel‑1 SAR数据，将VH除以VV作为第一信号特征；获取作物分布区Sentinel‑2光学遥感数据，获取归一化差异植被指数，作为第二信号特征；通过灰度共生矩阵计算Sentinel‑2光学遥感数据的空间纹理特征，作为第三信号特征；根据第一、第二、第三信号特征的分布分别构建倒伏区域的掩膜区域，求并集获得非倒伏区的掩膜范围；对倒伏区域进行掩膜之后，获得初步倒伏分布图，通过衡量其中每一待验证像元的各信号特征来得到综合相似性指数，据此筛除掉非倒伏区域的像元。本发明可对作物倒伏进行实时监测、准确评估。

Description

一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方 法与应用
技术领域
本发明涉及农业遥感技术领域，具体地说，涉及一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用。
背景技术
实现农作物灾害的及时监测和评估对于指导科学生产具有极为重要的现实意义。农作物的倒伏是农业生态系统中较为常见的灾害类型之一。遥感技术在开展大面积的倒伏区域监测和灾害评价上正在发挥积极的作用。然而，由于倒伏区域面积大小不一且形态各异，且倒伏的程度也存在着空间显性的异质性，因此，利用遥感技术实现倒伏区域特征提取仍然是当前面临的重要挑战。
目前通过遥感数据提取农作物倒伏的方法还较少，仍处于起步阶段，其中常见的一些农作物倒伏提取方法有结合无人机遥感数据与机器学习方法提取农作物倒伏、通过实地农作物倒伏测量数据结合遥感数据分析农作物不同物候期的倒伏发生率以及倒伏严重性评价等方法。但是这些方法都只限于小范围区域，并且需要大量的倒伏和其他非倒伏区域的观测数据，且数据获取花费较大。
基于此，有必要开发一种新的方法来实现对农作物倒伏特征的实时监测，并进行精准的灾后评估。
发明内容
为了解决现有技术中的问题，本发明的目的在于提供一种可适用多种面积、形态的倒伏区域和各种倒伏程度的农作物倒伏监测方法。
为了实现本发明的发明目的，本发明的技术方案如下：
一种农作物倒伏遥感监测方法，所述方法包括：
(1)收集含有倒伏样本点的具有代表性的倒伏区域的形状、位置、作物分布信息；
例如，对于台风过境的周边地区，通过野外走访并结合无人机航拍等手段，定位倒伏的中心区域(中心点的经纬度坐标)以及倒伏区域的边界(多个定位点连接成面)。
(2)获取所述倒伏区域中作物分布区对应时相的高分辨率Sentinel-1SAR数据，所述Sentinel-1SAR数据中包含两个极化模式下的后向散射系数VV和VH；将VH除以VV作为第一信号特征，获得所述第一信号特征的分布图；
Sentinel-1SAR数据是C波段的极化雷达数据，该数据可以用来检测倒伏与非倒伏区域的相关特征。例如，针对倒伏区域，其VV极化方式下的后向散射系数往往比周边非倒伏区域的后向散射系数要低，因为倒伏区域的植被高度下降；同时，倒伏区域在VH极化方式下的后向散射系数一般要比非倒伏地区高，因为倒伏区域的植被粗糙度增加。本发明结合VV和VH对倒伏区域的不同特征，获取他们的比值(VH除以VV)，来增长SAR信号在倒伏区域的信号特征。
(3)获取所述倒伏区域中作物分布区对应时相的高分辨率Sentinel-2光学遥感数据，根据所述Sentinel-2光学遥感数据中包含的近红和红波段的特征提取来获取归一化差异植被指数(Normalized Difference Vegetation Index)，作为第二信号特征，获得所述第二信号特征的分布图；
通过灰度共生矩阵计算所述Sentinel-2光学遥感数据的空间纹理特征，作为第三信号特征，获得所述第三信号特征的分布图；
归一化差异植被指数用来表征倒伏和非倒伏植被在植被长势上的差异。考虑到倒伏和非倒伏植被长势的变化，可以用时间序列数据和空间纹理特征来增强在倒伏区域的光学特征信号。本发明结合倒伏和非倒伏植被的NDVI指数差异，来区分正常的植被和倒伏的植被(倒伏地区的植被指数变化往往会比非倒伏地区大，因为倒伏后植被的生长状况被破坏了)。同时，结合Sentinel-2数据的高分辨率特征(10米)，可以通过灰度共生矩阵计算其空间纹理特征来对倒伏和非倒伏区域进行区分(倒伏区域由于倒伏程度不同且周边为正常区域，其空间纹理的对比度往往要比非倒伏区大)。
(4)根据所述第一信号特征、所述第二信号特征和第三信号特征的分布分别构建所述倒伏区域中的非倒伏掩膜区，并将结果求并集，最终获取非倒伏区的掩膜范围；
(5)以所述非倒伏区的掩膜范围对所述倒伏区域进行掩膜之后，获得所述倒伏区域的初步倒伏分布图，所述初步倒伏分布图中的所有像元为待验证像元；
通过衡量每一所述待验证像元的所述第一信号特征、所述第二信号特征和第三信号特征来得到综合相似性指数，并根据所述综合相似性指数筛除掉非倒伏区域的像元，最终获得倒伏区域的分布。
本发明中经过掩膜之后，所得到的区域为较大概率为倒伏区域的农作物，也就是倒伏作物主导的区域。进一步，通过衡量多个特征要素来得到综合相似性指数，并以此最终筛除掉非倒伏区域的像元。本发明对任一像元计算其综合相似性指数的值。SI值越高代表相似度指数越小，该像元属于倒伏特征的概率也较低。最终，可基于正态分布原理，当SI的值小于等于倒伏样本在综合性SI指数上的特定阈值时(μ-2δ)，则认为这些像元属于倒伏像元，从而从最终的结果中保留并最终获得倒伏区域的分布。
整体上，本发明是通过野外收集到的倒伏区域样本，在区域内刻画其统计关系(正态分布)，通过掩膜掉主要的非倒伏区域并在剩下的区域中通过衡量样本本身的相似性来提取出倒伏区域。具体通过融合遥感获取的SAR数据和光学数据，结合时序和空间纹理特征来提取倒伏区域的主要特征。
本发明中，所述综合相似性指数的计算公式如下：
Figure BDA0002917143800000041
其中，SI是综合相似性指数，m是信号特征要素的个数，μi和σi分别是初步倒伏分布图中在对应信号特征要素i上的信号特征的均值和标准差，xi是任一待验证像元在对应信号特征要素i上的值。
本发明中，基于正态分布原理，根据所述综合相似性指数筛除掉非倒伏区域的像元；具体地，根据各待验证像元的综合相似性指数的均值μsi和标准差σsi以如下公式计算每一待验证像元的指标HS：
Figure BDA0002917143800000042
当待验证像元的HS为1时则将其保留，为0时则将其掩膜掉，从而得到最终的所述倒伏区域的作物倒伏分布图。
本发明中，步骤(4)中构建所述倒伏区域的中的非倒伏掩膜区域的方法为：
以所述倒伏区域中的各倒伏样本点为中心，分别构建半径为50米的圆形缓冲区，与各倒伏样本点共同组成倒伏样本区，根据步骤(2)和(3)的方法获得所述倒伏样本区的第一信号特征、第二信号特征和第三信号特征的分布图，在判断所述倒伏样本区内各像素对应的第一信号特征、第二信号特征和第三信号特征数据均满足正态分布后，分别计算得到第一信号特征、第二信号特征和第三信号特征所对应的均值和标准差，根据所得到的第一信号特征、第二信号特征和第三信号特征的均值和标准差分别以如下公式计算出每个信号特征的两个掩膜阈值，分别获得在第一信号特征、第二信号特征和第三信号特征上信号特征不在所述两个掩膜阈值范围内的区域，作为非倒伏掩膜区域；
TH1＝μi-n*δi
TH2＝μi+n*δi
其中，TH1和TH2分别为每个信号特征的两个掩膜阈值，μi和δi分别为在对应信号特征i上的均值和标准差，n＝2或1；计算TH1和TH2时先将n取2，此时若0<TH1<TH2<1则表明n取值适宜，若出现TH1＝0、TH2＝1或TH1＝0且TH2＝1时，则将n取值改为1。
本发明中，所述倒伏样本区的构建方式替换为：
选取多个含有倒伏样本点的具有代表性的倒伏区域，以所有倒伏区域中的各倒伏样本点为中心，分别构建半径为50米的圆形缓冲区，与各倒伏样本点共同组成倒伏样本区；其中，所述多个含有倒伏样本点的具有代表性的倒伏区域为地理、气候条件接近的区域。
本发明在上述几个步骤的基础上，结合野外收集的倒伏样本特征，通过对样本在不同特征上的分布来构建倒伏区域的淹没区域。例如，针对VH/VV的比值这一特征，本发明把所有倒伏区域对应的像元(10米)在该特征上的值提取出来构建分布。考虑到倒伏特征的差异且假设收集到的样本具有较高的代表性，非倒伏区域可以通过计算倒伏样本的均值和标准差进行计算。当VH/VV的比值较高时，可以通过计算μ-2δ来剔除掉那些VH/VV较小的区域(也就是较大概率为非倒伏的区域)。类似的，通过对上述几个特征进行相同的操作所得到的结果求并集，最终获取非倒伏区的掩膜范围。
本发明中，像元的大小为10米。
本发明还提供一种上述方法在实时监测农作物倒伏情况和灾后评估中的应用。
本发明的有益效果至少在于：
本发明公开了一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法。该方法可以使用少量的实地农作物倒伏采样点，通过构建适当范围缓冲区的方式扩充采样点数据，并利用统计学原理提取农作物倒伏区域。无需要收集很多非常精准的倒伏样本，只需要确定倒伏区域的中心位置及对应的大致范围，通过统计的方法来构建倒伏和非倒伏的特征空间特征来进行制图。另外，本方法不仅可以减少不必要的计算，还可以用于更广泛空间范围尺度上的农作物倒伏提取，是一种准确有效的农作物倒伏提取方法，能够比较及时地进行灾害评估。
本发明的农作物倒伏监测方法可适用多种面积、形态的倒伏区域和各种倒伏程度的有效实时监测，可适用于灾后评估等领域，有广泛重要的实用价值。
附图说明
图1为本发明方法的流程示意图。
图2为本发明实例中所提供的示例性研究区的概况图；左图为研究区地理位置示意图，右图为研究区玉米分布(白色区域)图。
图3为本发明实例中所提供的示例性研究区中第一信号特征分布图(左图)、第二信号特征分布图(中间图)及第三信号特征分布图(右图)。
图4为本发明实例中所提供的示例性研究区信号特征数据正态分布示意图。
图5为本发明实例中所提供的示例性研究区玉米非倒伏区掩膜图(黑色部分为研究区玉米非倒伏区掩膜，白色部分为玉米分布)。
图6为本发明实例中所提供的掩膜掉非倒伏区后的初步研究区玉米倒伏分布图(灰色部分为初步研究区玉米倒伏分布图，白色部分为非倒伏玉米分布)。
图7为本发明实例中所提供的最终研究区玉米倒伏分布图(灰色部分为研究区玉米倒伏分布图，白色部分为非倒伏玉米分布)。
具体实施方式
下面将结合实施例对本发明的优选实施方式进行详细说明。需要理解的是以下实施例的给出仅是为了起到说明的目的，并不是用于对本发明的范围进行限制。本领域的技术人员在不背离本发明的宗旨和精神的情况下，可以对本发明进行各种修改和替换。
下述实施例中所使用的实验方法如无特殊说明，均为常规方法。下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
实施例1
参见图1，本发明实施例公开了一种农作物倒伏遥感监测方法，包括以下部分(本实施例中光学图像的分辨率为10m)：
Step1实地收集台风过后黑龙江玉米倒伏样本点，将鹤岗市附近玉米种植区(含倒伏样本点)作为本实施例的示例性研究区(即，具有代表性的倒伏区域)，该研究区地理位置示意图见图2中的左图，玉米分布概况图见图2中的右图；
Step2获取该研究区中玉米分布区对应时相的Sentinel-1SAR数据，该数据包含两个极化模式下的后向散射系数VV和VH，应用式(1)获取第一信号特征(FSF)，然后提取获得的该第一信号特征的分布图(参见图3中的左图)；
FSF＝VH/VV (1)
其中，FSF为第一信号特征，VV和VH分别为Sentinel-1SAR数据中的两个极化模式下的后向散射系数。
Step3获取该研究区玉米分布区对应时相的Sentinel-2光学遥感数据，该遥感数据中包含近红和红波段的特征，采用式(2)获取归一化差异植被指数，将其作为第二信号特征，然后提取获得的该第二信号特征的分布图(参见图3中的中间图)；另外，通过灰度共生矩阵计算Sentinel-2光学遥感数据的对比度(不限于对比度，也可采用其它灰度共生矩阵指标)，将其作为第三信号特征，然后提取获得的该第三信号特征的分布图(参见图3中的右图)；
NDVI＝(NIR-R)/(NIR+R) (2)
其中，NDVI为归一化差异植被指数，NIR为近红波段的反射值，R为红波段的反射值。
Step4对Step1中收集到的各黑龙江玉米倒伏样本点进行以下操作：以各玉米倒伏样本点为中心，分别构建半径为50米的圆形缓冲区，与玉米倒伏样本点共同组成倒伏样本区。
以上述步骤所述方法获得所有倒伏样本区内各像素对应的第一信号特征、第二信号特征、第三信号特征数据，并判断它们均满足正态分布后，分别计算得到第一信号特征、第二信号特征、第三信号特征所对应的均值和标准差。
根据所得到的第一信号特征、第二信号特征、第三信号特征的均值和标准差分别计算每个信号特征的两个掩膜阈值，通过这两个掩膜阈值可以分别获得在第一信号特征、第二信号特征、第三信号特征上非倒伏掩膜区域。
具体操作如下：以本实施例示例性研究区为例，根据式(3)求出这三个信号特征分布图像所分别对应的两个掩膜阈值TH1和TH2(0≤TH1<TH2≤1)。根据所求掩膜阈值找到每个信号特征不在此范围内(不在TH1和TH2之间)的区域(较大概率为非倒伏区域的掩膜范围)。具体示例性研究区信号特征数据正态分布示意图参见图4，每个信号特征小于TH1与大于TH2的范围为不在两个掩膜阈值范围内的区域，即较大概率为非倒伏区域的掩膜范围。
经过上述操作分别获取第一信号特征分布图、第二信号特征分布图和第三信号特征分布图的非倒伏区域的掩膜范围；之后将这三个信号特征所对应非倒伏掩膜区域结果求并集，获取最终的非倒伏区的掩膜范围。以本实施例示例性研究区为例，其最终的玉米非倒伏区掩膜范围参见图5中的黑色部分。
TH1＝μi-n*δi
TH2＝μi+n*δi (3)
其中，TH1和TH2分别为每个信号特征所求的两个掩膜阈值(0≤TH1<TH2≤1)，μi和δi分别为在对应信号特征i上的均值和标准差，n取2，此时0<TH1<TH2<1，表明可以有效获取该信号特征非倒伏区域的掩膜范围；当n取2时出现TH1＝0、TH2＝1或TH1＝0且TH2＝1时，表明不能有效获取该信号特征非倒伏区域的掩膜范围，此时n改为取1。
Step5以获取的最终的玉米非倒伏区的掩膜范围对待判断区域进行掩膜之后，获得初步研究区玉米倒伏分布图，其中的所有像元为待验证像元。以本实施例示例性研究区为例，以其作为待判断区域，掩膜掉非倒伏区后的初步研究区玉米倒伏分布图参见图6。
根据式(4)衡量所述初步研究区玉米倒伏分布图中各待验证像元的第一信号特征、第二信号特征和第三信号特征来得到综合相似性指数(公式(4)会规则化综合相似性指数，所得到的综合相似性指数整体会呈现正态分布)，然后计算出综合相似性指数的均值和标准差。
Figure BDA0002917143800000091
其中，SI是综合相似性指数，m是信号特征要素的个数(本实施例中为3)，μi和σi分别是初步研究区玉米倒伏分布图中在对应信号特征要素i上的信号特征的均值和标准差，xi是任一待验证像元在对应信号特征要素i上的值。
以本实施例示例性研究区为例，在计算出初步研究区玉米倒伏分布图中各待验证像元对应的综合相似性指数SI后，继续计算SI的均值和标准差，最后根据式(5)求出最终的研究区玉米倒伏分布图，参见图7。
Figure BDA0002917143800000092
其中，HS是进一步从初步研究区玉米倒伏分布图中筛选最终研究区玉米倒伏分布图的指标，μsi和σsi分别是SI的均值和标准差；当初步研究区玉米倒伏分布图中待验证像元的SI≤(μsi+2*σsi)时，HS取1，其它情况取0；当待验证像元的HS为1时则将其保留，为0时则将其掩膜掉，即，当待验证像元的SI值小于等于初步研究区玉米倒伏区域在正态分布的SI值上的特定阈值(μsi+2*σsi)时，保留该待验证像元，从而得到最终的研究区玉米倒伏分布图(初步研究区玉米倒伏分布图中所有HS＝1的像元)。
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (5)

1.一种农作物倒伏遥感监测方法，其特征在于，所述方法包括：
(1)收集含有倒伏样本点的具有代表性的倒伏区域的形状、位置、作物分布信息；
(2)获取所述倒伏区域中作物分布区对应时相的高分辨率Sentinel-1 SAR数据，所述Sentinel-1 SAR数据中包含两个极化模式下的后向散射系数VV和VH；将VH除以VV作为第一信号特征，获得所述第一信号特征的分布图；
(3)获取所述倒伏区域中作物分布区对应时相的高分辨率Sentinel-2光学遥感数据，根据所述Sentinel-2光学遥感数据中包含的近红和红波段的特征提取来获取归一化差异植被指数，作为第二信号特征，获得所述第二信号特征的分布图；
通过灰度共生矩阵计算所述Sentinel-2光学遥感数据的空间纹理特征，作为第三信号特征，获得所述第三信号特征的分布图；
(4)根据所述第一信号特征、所述第二信号特征和第三信号特征的分布图分别构建所述倒伏区域中的非倒伏掩膜区域，并将结果求并集，最终获取非倒伏区的掩膜范围；
具体构建所述倒伏区域的中的非倒伏掩膜区域的方法为：
以所述倒伏区域中的各倒伏样本点为中心，分别构建半径为50米的圆形缓冲区，与各倒伏样本点共同组成倒伏样本区，根据步骤(2)和(3)的方法获得所述倒伏样本区的第一信号特征、第二信号特征和第三信号特征的分布图，在判断所述倒伏样本区内各像素对应的第一信号特征、第二信号特征和第三信号特征数据均满足正态分布后，分别计算得到第一信号特征、第二信号特征和第三信号特征所对应的均值和标准差，根据所得到的第一信号特征、第二信号特征和第三信号特征的均值和标准差分别以如下公式计算出每个信号特征的两个掩膜阈值，分别获得在第一信号特征、第二信号特征和第三信号特征上信号特征不在所述两个掩膜阈值范围内的区域，作为非倒伏掩膜区域；
TH1＝μi-n*δi
TH2＝μi+n*δi
其中，TH1和TH2分别为每个信号特征的两个掩膜阈值，μi和δi分别为在对应信号特征i上的均值和标准差，n＝2或1；计算TH1和TH2时先将n取2，此时若0<TH1<TH2<1则表明n取值适宜，若出现TH1＝0、TH2＝1或TH1＝0且TH2＝1时，则将n取值改为1；
(5)以所述非倒伏区的掩膜范围对所述倒伏区域进行掩膜之后，获得所述倒伏区域的初步倒伏分布图，所述初步倒伏分布图中的所有像元为待验证像元；
通过衡量每一所述待验证像元的所述第一信号特征、所述第二信号特征和第三信号特征来得到综合相似性指数，并基于正态分布原理，根据所述综合相似性指数筛除掉非倒伏区域的像元，最终获得倒伏区域的分布；
所述综合相似性指数的计算公式如下：
Figure FDA0003907781240000021
其中，SI是综合相似性指数，m是信号特征要素的个数，μi和σi分别是初步倒伏分布图中在对应信号特征要素i上的信号特征的均值和标准差，xi是任一待验证像元在对应信号特征要素i上的值；
根据所述综合相似性指数筛除掉非倒伏区域的像元，具体为，根据各待验证像元的综合相似性指数的均值μsi和标准差σsi以如下公式计算每一待验证像元的指标HS：
Figure FDA0003907781240000022
当待验证像元的HS为1时则将其保留，为0时则将其掩膜掉，从而得到最终的所述倒伏区域的作物倒伏分布图。
2.根据权利要求1所述的方法，其特征在于，所述倒伏样本区的构建方式替换为：
选取多个含有倒伏样本点的具有代表性的倒伏区域，以所有倒伏区域中的各倒伏样本点为中心，分别构建半径为50米的圆形缓冲区，与各倒伏样本点共同组成倒伏样本区；其中，所述多个含有倒伏样本点的具有代表性的倒伏区域为地理、气候条件接近的区域。
3.根据权利要求2所述的方法，其特征在于，像元的大小为10米。
4.权利要求1-3任一项所述的方法在实时监测农作物倒伏情况中的应用。
5.权利要求1-3任一项所述的方法在灾后评估中的应用。
CN202110104065.0A 2021-01-26 2021-01-26 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用 Active CN112924967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110104065.0A CN112924967B (zh) 2021-01-26 2021-01-26 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110104065.0A CN112924967B (zh) 2021-01-26 2021-01-26 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用

Publications (2)

Publication Number Publication Date
CN112924967A CN112924967A (zh) 2021-06-08
CN112924967B true CN112924967B (zh) 2022-12-13

Family

ID=76167622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110104065.0A Active CN112924967B (zh) 2021-01-26 2021-01-26 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用

Country Status (1)

Country Link
CN (1) CN112924967B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114076955B (zh) * 2021-09-27 2022-07-19 农业农村部规划设计研究院 一种基于高分一号卫星数据识别倒伏玉米的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103969632A (zh) * 2014-03-26 2014-08-06 北京农业信息技术研究中心 一种利用雷达遥感数据监测小麦倒伏的方法及装置
CN110765977A (zh) * 2019-11-04 2020-02-07 南京禾谱航空科技有限公司 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法
CN111091052A (zh) * 2019-11-07 2020-05-01 中国农业大学 一种基于最大似然法的玉米倒伏面积提取系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103969632A (zh) * 2014-03-26 2014-08-06 北京农业信息技术研究中心 一种利用雷达遥感数据监测小麦倒伏的方法及装置
CN110765977A (zh) * 2019-11-04 2020-02-07 南京禾谱航空科技有限公司 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法
CN111091052A (zh) * 2019-11-07 2020-05-01 中国农业大学 一种基于最大似然法的玉米倒伏面积提取系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Cloud-based typhoon-derived paddy rice flooding and lodging detection using multi-temporal Sentinel-1&2";Wanben WU et al.;《Frontiers of Earth Science》;20191231;第1-13页 *
"Understanding wheat lodging using multi-temporal Sentinel-1 and Sentinel-2 data";Sugandh Chauhan et al.;《Remote Sensing of Environment》;20201231;第1-14页 *
"利用无人机遥感提取育种小区玉米倒伏信息";毛智慧 等;《中国农学通报》;20190331;第35卷(第3期);第63-68页 *

Also Published As

Publication number Publication date
CN112924967A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
US10909368B2 (en) Crop type classification in images
CN109389049A (zh) 基于多时相sar数据与多光谱数据的作物遥感分类方法
CN112924967B (zh) 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用
CN111144250B (zh) 融合雷达和光学遥感数据的土地覆盖分类方法
Peng et al. Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion
Wang et al. Unsupervised discrimination between lodged and non-lodged winter wheat: A case study using a low-cost unmanned aerial vehicle
CN113505635A (zh) 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置
Ozdarici Ok et al. A segment-based approach to classify agricultural lands by using multi-temporal optical and microwave data
CN108898070A (zh) 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法
Bai et al. A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery
CN112836725A (zh) 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法
Song et al. Object-based feature selection for crop classification using multi-temporal high-resolution imagery
CN114926743A (zh) 一种基于动态时间窗口的作物分类方法及系统
JPH0938631A (ja) リモートセンシング応用広域水圏監視システム
CN108509835B (zh) 基于DFIC超像素的PolSAR图像地物分类方法
Agarwal et al. Development of machine learning based approach for computing optimal vegetation index with the use of sentinel-2 and drone data
CN109726679B (zh) 一种遥感分类误差空间分布制图方法
Xu et al. MP-Net: An efficient and precise multi-layer pyramid crop classification network for remote sensing images
Lv et al. A novel spatial–spectral extraction method for subpixel surface water
CN116091940A (zh) 一种基于高分辨率卫星遥感影像的作物分类和识别方法
CN113240340B (zh) 基于模糊分类的大豆种植区分析方法、装置、设备和介质
CN109241866B (zh) 一种基于历史作物分布图的农作物自动分类方法及装置
Ozdarici-Ok et al. Object-based classification of multi-temporal images for agricultural crop mapping in Karacabey Plain, Turkey
Cao et al. New method and error analysis of lake retrieval with MetOp-A AVHRR images on the Tibetan Plateau
ZHANG et al. Object-oriented crop classification based on UAV remote sensing imagery

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