CN113009485A - 一种基于改进植被指数的遥感烟田识别方法 - Google Patents
一种基于改进植被指数的遥感烟田识别方法 Download PDFInfo
- Publication number
- CN113009485A CN113009485A CN202110259624.5A CN202110259624A CN113009485A CN 113009485 A CN113009485 A CN 113009485A CN 202110259624 A CN202110259624 A CN 202110259624A CN 113009485 A CN113009485 A CN 113009485A
- Authority
- CN
- China
- Prior art keywords
- tobacco
- remote sensing
- vegetation
- index
- vegetation index
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 178
- 241000208125 Nicotiana Species 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 27
- 241000209094 Oryza Species 0.000 claims description 16
- 235000007164 Oryza sativa Nutrition 0.000 claims description 16
- 235000009566 rice Nutrition 0.000 claims description 16
- 238000002310 reflectometry Methods 0.000 claims description 14
- 230000010287 polarization Effects 0.000 claims description 13
- 238000013178 mathematical model Methods 0.000 claims description 12
- 238000009331 sowing Methods 0.000 claims description 11
- 244000061176 Nicotiana tabacum Species 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 239000002362 mulch Substances 0.000 claims description 5
- 241000196324 Embryophyta Species 0.000 claims description 4
- 230000034303 cell budding Effects 0.000 claims description 4
- 238000003306 harvesting Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 239000002985 plastic film Substances 0.000 claims description 3
- 229920006255 plastic film Polymers 0.000 claims description 3
- 244000025254 Cannabis sativa Species 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 240000007087 Apium graveolens Species 0.000 description 1
- 235000015849 Apium graveolens Dulce Group Nutrition 0.000 description 1
- 235000010591 Appio Nutrition 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
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
-
- 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- 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
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于改进植被指数的遥感烟田识别方法，包括：获取监测区的烟草整个生育期多时相的合成孔径微波雷达遥感影像和可见光近红外多光谱遥感影像；获取监测区作物在烟草各生育时期遥感影像的光谱反射和后向散射数据，分析烟草与监测区其他作物的光谱反射和后向散射差异，构建特征植被指数SPVI，生成指数时序曲线；确定识别特征阈值，根据烟草生长特性和监测区土地利用数据、DEM数据、遥感数据，提取烟草适宜种植区域；在烟草适宜种植区域，以地类间的光谱反射和后向散射差异，根据样本的特征植被指数SPVI时序曲线，建立分类特征集，识别监测区的烟田。本发明解决了多云多雨地区烟田遥感识别问题，烟田识别更精确便捷。
Description
技术领域
本发明涉及遥感技术在农业的应用技术领域，尤其涉及一种基于改进植被指数的遥感烟田识别方法。
背景技术
快速、准确的获取烟草种植面积信息有助于烟草长势监测、产量估算、病虫害监测和预警等。当前调查统计手段为人工调查与逐级上报，数据客观性难以保证，同时存在效率低、时效性差等问题，常规手段难以及时监控。利用遥感技术监测烟草种植面积，具有客观、快速等优点。
近年来，随着遥感技术的发展，遥感数据已广泛应用于烟草种植区信息提取。吴孟泉等在山区使用SPOT和Landsat TM遥感影像，采用去除非耕地干扰进行监督分类，提取烟草种植地块。胡九超基于不同时相和极化方式的Terra SAR-X数据，使用最大似然分类对高原山区的烟草识别精度对比分析；陈金等研究无人机遥感在烟草种植区域面积监测，长势监测，病虫害管理及产量估算中的可行性。刘明芹等针对临沂沂水县实行套种模式进行烟草种植的山区，采用资源三号卫星对遥感影像进行面向对象的分类，提取烟草的种植面积。张阳等利用Sentinel-2A可见光近红外光谱数据，以湖南省茶陵县为研究区，开展了县域烤烟种植面积提取分析。目前，对烟田遥感识别的研究主要使用光学遥感数据，对于江南地区烟草关键生育期多云多雨研究区，光学遥感数据难以获取，多云多雨地区烟田识别是目前业界亟待解决的重要课题。
发明内容
本发明实施例提供一种基于改进植被指数的遥感烟田识别方法，以解决多云多雨地区烟田遥感识别问题，烟田识别更为精确便捷。
本发明实施例提供一种基于改进植被指数的遥感烟田识别方法，包括：
1)获取监测区的烟草整个生育期多时相的合成孔径微波雷达遥感影像和可见光近红外多光谱遥感影像；
2)获取监测区作物在烟草各生育时期遥感影像的光谱反射和后向散射数据，分析烟草与监测区其他作物的光谱反射和后向散射差异，构建特征植被指数SPVI，生成指数时序曲线；
3)确定识别特征阈值，根据烟草生长特性和监测区土地利用数据、DEM数据、遥感数据，提取烟草适宜种植区域；
4)在所述烟草适宜种植区域，以地类间的光谱反射和后向散射差异，根据样本的特征植被指数SPVI时序曲线，建立分类特征集，识别监测区的烟田。
本发明中，采用具有穿透云雾的合成孔径雷达遥感技术为遥感识别提供有力的基础数据支撑，结合合成孔径微波雷达数据和可见光近红外多光谱遥感数据等多源遥感数据进行烟田识别有很大潜力。根据不同作物类别的物候差异，以关键生育期序列上的多时相遥感数据光谱信息结合SAR的后向散射信息，能更为有效的识别出烟草等不同作物。
根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤1)中，所述合成孔径微波雷达遥感影像经过噪声去除，辐射定标和几何校正；和/或所述可见光近红外多光谱遥感影像经过辐射定标、大气校正、几何校正、影像配准和影像裁剪。
根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤1)中，所述烟草整个生育期包括：烟草的移栽、团棵、旺长、现蕾、成熟和收获期。
根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤2)中，根据样本点提取烟草不同生育期合成孔径微波雷达影像和可见光近红外多光谱遥感影像的各波段反射率，以各波段名称及中心波长为横坐标，各波段反射率为纵坐标，绘制不同时相遥感影像下不同地类的光谱反射和后向散射曲线，分析不同生育期烟草与其他作物的光谱反射和后向散射差异，构建特征植被指数。
根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤2)中，分析烟草与监测区其他作物的光谱反射和后向散射差异，所述特征植被指数包括：用于反映烟田的地膜和植被特征的归一化植被指数NDVIB，以及用于反映烟草同其他植株高度差异与烟草种植起垄特性的比值后向散射系数，结合NDVIB构建的合成孔径雷达地膜植被指数SPVI。
本发明中，指数构建规则包括地膜覆盖农田在光谱反射率上和直接植被覆盖的耕地有明显差异，通过遥感影像分析此时地膜覆盖烟草和其他作物的反射光谱，蓝波段对地膜识别最为敏感；由于烟草种植时需要起垄(垄高大于32cm，垄宽60-70cm)，烟草的植株高度和其他作物有明显区别，合成孔径微波雷达后向散射系数受烟田垄高度和阴影的影响，用于区分烟田和其他作物种植区域。
根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤2)中，构建包含蓝波段信息的归一化植被指数NDVIB，用于反映烟田的地膜和植被特征，公式为：
式1中，NIR表示可见光近红外多光谱遥感影像近红外波段的反射率；R表示可见光近红外多光谱遥感影像红波段的反射率；B表示可见光近红外多光谱遥感影像蓝波段的反射率；
构建比值后向散射系数和NDVIB的合成孔径雷达地膜植被指数SPVI，用于反映烟草植株高度与种植起垄造成的特征，公式为：
式2中，H表示水平极化的极化方式，V表示垂直极化的极化方式，SVV表示合成孔径微波雷达影像VV极化的后向散射系数，SVH表示合成孔径微波雷达影像VH极化的后向散射系数，NDVIB表示包含蓝波段信息的归一化植被指数；
以遥感影像数据获取时间为横坐标，SPVI值为纵坐标，绘制不同作物的特征植被指数SPVI时序曲线。
根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤3)中，利用烟草生长特性，结合监测区DEM数据、遥感数据和土地利用专题数据，提取烟草适宜种植区域；包括以下步骤：
a)根据烟草种植在平坦或坡度平缓区域，因此剔除坡度大于15度的山地区域，保留坡度小于15度的区域，数学模型1为：SLOPE<15；
b)根据烟草种植在耕地区域，使用土地利用数据库中的耕地图斑数据掩膜进一步剔除遥感影像的非耕地区域；
c)根据三月份烟草种植前土地休养，NDVI最大值低于T1，数学模型2为：Max(NDVI1-2月)<T1；
d)根据烟草种植区域不被水覆盖，NDWI最大值低于T2，数学模型3为：Max(NDWI1-5月)<T2；
e)根据烟草种植区水稻-烟草轮作耕作制度，使用前一年的水稻作物分布图对影像掩膜，进一步提取烟草适宜种植区域；
数学模型1-3中，Max为遥感影像像元位置的最大值提取算法；SLOPE为坡度；NDVI为归一化差值植被指数；NDWI为归一化差值水体指数，下标文字为时间，T1为烟草适宜区域识别特征阈值1，T2为烟草适宜区域识别特征阈值2。
根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤3)中，统计烟草样本点在各识别特征的频数分布，得到频数分布图，将对应的最大值作为相应识别特征阈值。
根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤e)中，根据烟草种植区稻烟轮作的耕作制度，所述作物分布图选用前一年轮作的水稻识别结果；选取水稻播种期和齐穗期的遥感影像，计算播种期和齐穗期的NDVI和NDWI指数及其差值，公式为：
ΔNDVI＝NDVI齐穗期-NDVI播种期 式3
ΔNDVI＝NDVI齐穗期-NDVI播种期 式4
结合光谱特征构建分类特征集，采用随机森林分类器进行水稻种植区识别。
根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤4)中，分类所用特征集包括烟草生育期多时相SPVI，采用随机森林的分类方法进行烟田识别。
本发明将可见光近红外多光谱遥感和合成孔径微波雷达遥感结合，根据江南区烟草生育期多云多雾以及烟草种植管理特点，构建新型植被指数SPVI，提供了一种更高精度的烟草田块识别方法。尤其是，通过可见光近红外多光谱遥感以及合成孔径微波雷达遥感综合使用，能够使得多源遥感数据融合，更好的解决多云多雨地区光学遥感数据不足问题；而且采用SPVI时间序列变化信息，充分利用了区域不同作物的物候差异，增强了烟草与其他作物的可分性，获得了江南区遥感烟田识别更高的精度。
本发明至少具有如下有益效果：本发明提供的一种基于改进植被指数的江南区遥感烟田识别方法，根据江南区种植制度和烟田光谱反射特征，将改进的归一化植被指数与合成孔径微波雷达后向散射系数比值结合，提出烟田遥感识别的新型植被指数SPVI，使烟草与其他作物的可分性更为显著；本发明提出的基于多时相多源数据SPVI植被指数的烟田遥感识别方法，利用时间序列上的变化信息，能较准确的区分烟田和其他作物，使得多云多雨地区烟田识别更为精确快捷。
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一简单地介绍，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是本发明实施例基于改进植被指数的江南区遥感烟田识别方法流程图；
图2为本发明实施例中安徽省宣州区烟田分布图；
图3为本发明实施例中主要作物SPVI时间序列图。
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作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。
实施例1
如图1为实施例中基于改进植被指数的江南区遥感烟田识别方法流程，具体步骤如下：
步骤1：获取烟田区域范围烟草整个生育期多时相的合成孔径微波雷达遥感影像(哨兵一号)和可见光近红外多光谱遥感影像(哨兵二号)。
数据源的选取原则根据监测目标、地方制度和经济等因素。烟草整个生育期指从烟草移栽到收获的几个主要生育期，包括：移栽、团棵、旺长、现蕾、成熟、收获期，本实施例步骤1可获取可见光近红外多光谱数据(哨兵二号)和合成孔径微波雷达数据(哨兵一号)，得到安徽省宣城市宣州区多时相多源遥感数据集。图2为实施例中安徽省宣州区烟田分布图。
步骤2：获取监测区作物在烟草各生育时期可见光近红外遥感影像的光谱反射差异。
利用样本获取宣州区作物(本实施例设定宣州区的作物类型为油菜、水稻、小麦和烟草四种)在烟草各生育时期可见光近红外遥感影像的光谱反射差异，所述光谱反射差异为不同地类的反射率在时间序列上变化趋势不同。根据地面调查样本点提取不同作物可见光近红外遥感(哨兵二号)每个时相数据的各波段反射率均值，以各波段名称及中心波长为横坐标，不同作物各波段反射率均值为纵坐标，绘制不同时相遥感影像下不同地类的光谱反射曲线。
步骤3：分析烟草与其他作物的光谱反射和后向散射差异、生育期特点，构建新型特征植被指数SPVI。
在三月份，烟草种植采取地膜覆盖的方式保持田间温度，地膜覆盖农田在光谱反射率上和直接植被覆盖的耕地有明显差异，研究提取的烟草覆膜时期影像的光谱是烟草识别的关键特征。通过分析此时的烟草和其他作物的反射光谱，蓝波段对烟田的地膜特征识别最为敏感。
在五月份，烟草处于旺长现蕾期，植被特性明显，此时近红外和红色波段对烟草的植被识别敏感。由于烟草种植时需要起垄，垄高大于32cm，垄宽60-70cm，烟草的植株高度和其他作物有明显区别，合成孔径微波雷达数据(哨兵一号)的后向散射系数受烟田垄高度和阴影的影响，使得烟草和其他作物种植区域有差异。
本实施例构建的包含蓝波段信息的归一化植被指数NDVIB，用于反映烟田的地膜和植被特征，计算公式为：
其中，NIR表示可见光近红外多光谱遥感影像(哨兵二号)近红外波段的反射率；R表示可见光近红外多光谱遥感影像(哨兵二号)红波段的反射率；B表示可见光近红外多光谱遥感影像(哨兵二号)蓝波段的反射率。
基于烟田在可见光近红外多光谱遥感(哨兵二号)与合成孔径微波雷达遥感数据(哨兵一号)上的特性，构建比值后向散射系数和NDVIB相结合的合成孔径雷达地膜植被指数SPVI，用来反映烟草植株高度与种植起垄造成的特征：
其中，H为水平极化的极化方式，V为垂直极化的极化方式，SVV为合成孔径微波雷达影像(哨兵一号)VV极化的后向散射系数，SVH为合成孔径微波雷达影像(哨兵一号)VH极化的后向散射系数，NDVIB为包含蓝波段信息的归一化植被指数。
步骤4：提取SPVI值，生成指数时序曲线。
根据采样点提取对象SPVI值，计算同种类型地类的SPVI样点均值，以遥感影像数据获取时间为横坐标，SPVI均值为纵坐标，绘制不同作物的新型特征植被指数SPVI时序曲线。图3为实施例中主要作物SPVI时间序列图。
步骤5：确定识别特征阈值。
统计烟草样本点在各识别特征的频数分布，得到频数分布图，将对应的最大值作为相应识别特征的阈值。本实施例通过对烟草训练样本的识别特征频数统计，确定宣州区烟草适宜种植区域的NDVI及NDWI最大值分别为0.2和0.05。
步骤6：根据烟草生长特性，结合监测区DEM数据、遥感数据、土地利用数据等其他专题数据提取出烟草适宜种植区域。具体步骤为：
a)根据烟草种植在平坦或坡度平缓区域，因此剔除坡度大于15度的山地区域，保留坡度小于15度的区域，数学模型1为：SLOPE<15；
b)根据烟草种植在耕地区域，使用土地利用数据库中的耕地图斑数据掩膜进一步剔除遥感影像的非耕地区域；
c)根据三月份烟草种植前土地休养，NDVI最大值低于T1，数学模型2为：Max(NDVI1-2月)<T1；
d)根据烟草种植区域不被水覆盖，NDWI最大值低于T2，数学模型3为：Max(NDWI1-5月)<T2；
e)根据烟草种植区稻烟轮作的耕作制度，使用前一年的水稻分布图对影像掩膜，进一步提取烟草适宜种植区域；
数学模型1-3中，Max为遥感影像像元位置的最大值提取算法；SLOPE为坡度；NDVI为归一化差值植被指数；NDWI为归一化差值水体指数，下标文字为时间，T1为烟草适宜区域识别特征阈值1，T2为烟草适宜区域识别特征阈值2。本实施例中T1和T2分别为0.2和0.05。
上述水稻分布图为前一年水稻识别结果，选取水稻播种期和齐穗期两个时期的可见光近红外多光谱遥感影像(哨兵二号)，计算两个时期的NDVI和NDWI指数及其差值，公式如下：
ΔNDVI＝NDVI齐穗期-NDVI播种期 式3
ΔNDWI＝NDWI齐穗期-NDWI播种期 式4
结合光谱特征构建分类特征集，采用随机森林进行分类，将水稻漏分率降低至5％以内。
步骤7：在烟草适宜种植区以地类间的光谱差异，根据样本新型特征指数SPVI时序曲线建立分类规则，利用随机森林分类方法，识别监测区烟田。
本实施例以烟草移栽，团棵，现蕾，成熟四个生育期多时相影像计算的特征指数SPVI构建分类特征集，使用随机森林分类机器进行分类，得到宣州区烟草分布结果。
步骤8：对烟田提取结果进行分类后处理及精度评价。
采用主次分析的方法，对分类后的结果以3*3的格网进行majority滤波处理，即中心像元值为相邻八个像元的频数最大值。以采样点为样本，计算混淆矩阵，以总体分类精度，Kappa系数和烟草的错分率、漏分率作为评价精度的指标。表1为烟田识别精度评价结果。
表1烟田识别精度评价结果
| 总体精度 | Kappa系数 | 烟田漏分率 | 烟田错分率 | 制图精度 | 用户精度 |
| 94.44％ | 0.8574 | 7.74％ | 12.15％ | 87.85％ | 92.26％ |
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)
1.一种基于改进植被指数的遥感烟田识别方法，其特征在于，包括：
1)获取监测区的烟草整个生育期多时相的合成孔径微波雷达遥感影像和可见光近红外多光谱遥感影像；
2)获取监测区作物在烟草各生育时期遥感影像的光谱反射和后向散射数据，分析烟草与监测区其他作物的光谱反射和后向散射差异，构建特征植被指数SPVI，生成指数时序曲线；
3)确定识别特征阈值，根据烟草生长特性和监测区土地利用数据、DEM数据、遥感数据，提取烟草适宜种植区域；
4)在所述烟草适宜种植区域，以地类间的光谱反射和后向散射差异，根据样本的特征植被指数SPVI时序曲线，建立分类特征集，识别监测区的烟田。
2.根据权利要求1所述的基于改进植被指数的遥感烟田识别方法，其特征在于，步骤1)中，所述合成孔径微波雷达遥感影像经过噪声去除，辐射定标和几何校正；和/或所述可见光近红外多光谱遥感影像经过辐射定标、大气校正、几何校正、影像配准和影像裁剪。
3.根据权利要求1所述的基于改进植被指数的遥感烟田识别方法，其特征在于，步骤1)中，所述烟草整个生育期包括：烟草的移栽、团棵、旺长、现蕾、成熟和收获期。
4.根据权利要求1所述的基于改进植被指数的遥感烟田识别方法，其特征在于，步骤2)中，根据样本点提取烟草不同生育期合成孔径微波雷达影像和可见光近红外多光谱遥感影像的各波段反射率，以各波段名称及中心波长为横坐标，各波段反射率为纵坐标，绘制不同时相遥感影像下不同地类的光谱反射和后向散射曲线，分析不同生育期烟草与其他作物的光谱反射和后向散射差异，构建特征植被指数。
5.根据权利要求4所述的基于改进植被指数的遥感烟田识别方法，其特征在于，步骤2)中，分析烟草与监测区其他作物的光谱反射和后向散射差异，所述特征植被指数包括：用于反映烟田的地膜和植被特征的归一化植被指数NDVIB，以及用于反映烟草同其他植株高度差异与烟草种植起垄特性的比值后向散射系数，结合NDVIB构建的合成孔径雷达地膜植被指数SPVI。
6.如权利要求5所述的基于改进植被指数的遥感烟田识别方法，其特征在于，步骤2)中，构建包含蓝波段信息的归一化植被指数NDVIB，用于反映烟田的地膜和植被特征，公式为：
式1中，NIR表示可见光近红外多光谱遥感影像近红外波段的反射率；R表示可见光近红外多光谱遥感影像红波段的反射率；B表示可见光近红外多光谱遥感影像蓝波段的反射率；
构建比值后向散射系数和NDVIB的合成孔径雷达地膜植被指数SPVI，用于反映烟草植株高度与种植起垄造成的特征，公式为：
式2中，H表示水平极化的极化方式，V表示垂直极化的极化方式，SVV表示合成孔径微波雷达影像VV极化的后向散射系数，SVH表示合成孔径微波雷达影像VH极化的后向散射系数，NDVIB表示包含蓝波段信息的归一化植被指数；
以遥感影像数据获取时间为横坐标，SPVI值为纵坐标，绘制不同作物的特征植被指数SPVI时序曲线。
7.如权利要求1所述的基于改进植被指数的遥感烟田识别方法，其特征在于，步骤3)中，利用烟草生长特性，结合监测区DEM数据、遥感数据和土地利用专题数据，提取烟草适宜种植区域；包括以下步骤：
a)根据烟草种植在平坦或坡度平缓区域，因此剔除坡度大于15度的山地区域，保留坡度小于15度的区域，数学模型1为：SLOPE＜15；
b)根据烟草种植在耕地区域，使用土地利用数据库中的耕地图斑数据掩膜进一步剔除遥感影像的非耕地区域；
c)根据三月份烟草种植前土地休养，NDVI最大值低于T1，数学模型2为：Max(NDVI1-2月)＜T1；
d)根据烟草种植区域不被水覆盖，NDWI最大值低于T2，数学模型3为：Max(NDWI1-5月)＜T2；
e)根据烟草种植区烟草-水稻轮作耕作制度，使用前一年的水稻作物分布图对影像掩膜，进一步提取烟草适宜种植区域；
数学模型1-3中，Max为遥感影像像元位置的最大值提取算法；SLOPE为坡度；NDVI为归一化差值植被指数；NDWI为归一化差值水体指数，下标文字为时间，T1为烟草适宜区域识别特征阈值1，T2为烟草适宜区域识别特征阈值2。
8.如权利要求7所述的基于改进植被指数的遥感烟田识别方法，其特征在于，步骤3)中，统计烟草样本点在各识别特征的频数分布，得到频数分布图，将对应的最大值作为相应识别特征阈值。
9.如权利要求7所述的基于改进植被指数的遥感烟田识别方法，其特征在于，步骤e)中，根据烟草种植区稻烟轮作的耕作制度，所述作物分布图选用前一年轮作的水稻识别结果；选取水稻播种期和齐穗期的遥感影像，计算播种期和齐穗期的NDVI和NDWI指数及其差值，公式为：
ΔNDVI＝NDVI齐穗期-NDVI播种期 式3
ΔNDWI＝NDWI齐穗期-NDWI播种期 式4
结合光谱特征构建分类特征集，采用随机森林分类器进行水稻种植区识别。
10.根据权利要求1-9任一项所述的基于改进植被指数的遥感烟田识别方法，其特征在于，步骤4)中，分类所用特征集包括烟草生育期多时相SPVI，采用随机森林的分类方法进行烟田识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110259624.5A CN113009485B (zh) | 2021-03-10 | 一种基于改进植被指数的遥感烟田识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110259624.5A CN113009485B (zh) | 2021-03-10 | 一种基于改进植被指数的遥感烟田识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113009485A true CN113009485A (zh) | 2021-06-22 |
| CN113009485B CN113009485B (zh) | 2024-07-02 |
Family
ID=
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113421273A (zh) * | 2021-06-30 | 2021-09-21 | 中国气象科学研究院 | 林草搭配信息遥感提取方法及装置 |
| CN113468361A (zh) * | 2021-06-30 | 2021-10-01 | 中国科学院地理科学与资源研究所 | Ndvi时序数据补偿重建方法、装置和电子设备 |
| CN113642579A (zh) * | 2021-07-08 | 2021-11-12 | 湖南元想科技有限公司 | 南荻生长区域确定、分割方法及系统 |
| CN113792263A (zh) * | 2021-07-28 | 2021-12-14 | 中科卫星应用德清研究院 | 水生植被的类型确定方法及装置 |
| CN114076955A (zh) * | 2021-09-27 | 2022-02-22 | 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 |
| CN114202691A (zh) * | 2021-12-09 | 2022-03-18 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻识别方法、装置以及设备 |
| CN114549960A (zh) * | 2022-02-28 | 2022-05-27 | 长光禹辰信息技术与装备(青岛)有限公司 | 一种条垄作物断垄点识别方法及相关装置 |
| CN114627148A (zh) * | 2021-07-05 | 2022-06-14 | 广东省科学院广州地理研究所 | 一种基于微波遥感的海岸带养殖水体对象提取方法及装置 |
| CN114782838A (zh) * | 2022-06-17 | 2022-07-22 | 中化现代农业有限公司 | 水稻识别方法、装置、电子设备和存储介质 |
| CN114820578A (zh) * | 2022-05-26 | 2022-07-29 | 云南省烟草公司红河州公司 | 烟草种植面积无人机遥感监测设备 |
| CN114841231A (zh) * | 2022-03-21 | 2022-08-02 | 赛思倍斯(绍兴)智能科技有限公司 | 一种农作物遥感分类方法及系统 |
| CN115049900A (zh) * | 2022-05-20 | 2022-09-13 | 昆明理工大学 | 一种基于光学与雷达数据的水稻种植区识别方法及系统 |
| CN115205691A (zh) * | 2022-09-15 | 2022-10-18 | 江西农业大学 | 一种水稻种植区域识别方法、装置、存储介质及设备 |
| CN115761486A (zh) * | 2022-11-15 | 2023-03-07 | 重庆市地理信息和遥感应用中心 | 一种基于多期稻田影像特征的水稻种植区判定方法和系统 |
| CN116563721A (zh) * | 2023-07-12 | 2023-08-08 | 浙江领见数智科技有限公司 | 基于分层分类思想的烟田提取方法 |
| CN117690024A (zh) * | 2023-12-18 | 2024-03-12 | 宁波大学 | 一种针对多种植模式水稻田的一体化遥感识别方法 |
| CN118090639A (zh) * | 2024-04-23 | 2024-05-28 | 吉林大学 | 冬油菜生育期的监测方法 |
| CN118090639B (zh) * | 2024-04-23 | 2024-07-09 | 吉林大学 | 冬油菜生育期的监测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106373150A (zh) * | 2016-08-15 | 2017-02-01 | 中国农业大学 | 一种基于高分辨率遥感数据纹理分析的制种玉米识别方法 |
| CN111242224A (zh) * | 2020-01-16 | 2020-06-05 | 贵州省草业研究所 | 一种基于无人机提取分类样本点的多源遥感数据分类方法 |
| CN111353402A (zh) * | 2020-02-24 | 2020-06-30 | 中国科学院地理科学与资源研究所 | 一种油棕林遥感提取方法 |
| CN112183209A (zh) * | 2020-08-27 | 2021-01-05 | 中国农业大学 | 一种基于多维特征融合的区域农作物分类方法及系统 |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106373150A (zh) * | 2016-08-15 | 2017-02-01 | 中国农业大学 | 一种基于高分辨率遥感数据纹理分析的制种玉米识别方法 |
| CN111242224A (zh) * | 2020-01-16 | 2020-06-05 | 贵州省草业研究所 | 一种基于无人机提取分类样本点的多源遥感数据分类方法 |
| CN111353402A (zh) * | 2020-02-24 | 2020-06-30 | 中国科学院地理科学与资源研究所 | 一种油棕林遥感提取方法 |
| CN112183209A (zh) * | 2020-08-27 | 2021-01-05 | 中国农业大学 | 一种基于多维特征融合的区域农作物分类方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 谭深等: "基于Google Earth Engine与多源遥感数据的海南水稻分类研究", 《地球信息科学学报》, vol. 21, no. 6, pages 939 - 945 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113468361A (zh) * | 2021-06-30 | 2021-10-01 | 中国科学院地理科学与资源研究所 | Ndvi时序数据补偿重建方法、装置和电子设备 |
| CN113468361B (zh) * | 2021-06-30 | 2022-02-15 | 中国科学院地理科学与资源研究所 | Ndvi时序数据补偿重建方法、装置和电子设备 |
| CN113421273A (zh) * | 2021-06-30 | 2021-09-21 | 中国气象科学研究院 | 林草搭配信息遥感提取方法及装置 |
| CN114627148A (zh) * | 2021-07-05 | 2022-06-14 | 广东省科学院广州地理研究所 | 一种基于微波遥感的海岸带养殖水体对象提取方法及装置 |
| CN114627148B (zh) * | 2021-07-05 | 2024-01-02 | 广东省科学院广州地理研究所 | 一种基于微波遥感的海岸带养殖水体对象提取方法及装置 |
| CN113642579A (zh) * | 2021-07-08 | 2021-11-12 | 湖南元想科技有限公司 | 南荻生长区域确定、分割方法及系统 |
| CN113792263A (zh) * | 2021-07-28 | 2021-12-14 | 中科卫星应用德清研究院 | 水生植被的类型确定方法及装置 |
| CN114076955A (zh) * | 2021-09-27 | 2022-02-22 | 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 |
| CN114202691A (zh) * | 2021-12-09 | 2022-03-18 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻识别方法、装置以及设备 |
| CN114202691B (zh) * | 2021-12-09 | 2022-10-04 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻识别方法、装置以及设备 |
| CN114549960A (zh) * | 2022-02-28 | 2022-05-27 | 长光禹辰信息技术与装备(青岛)有限公司 | 一种条垄作物断垄点识别方法及相关装置 |
| CN114841231B (zh) * | 2022-03-21 | 2024-04-09 | 赛思倍斯(绍兴)智能科技有限公司 | 一种农作物遥感分类方法及系统 |
| CN114841231A (zh) * | 2022-03-21 | 2022-08-02 | 赛思倍斯(绍兴)智能科技有限公司 | 一种农作物遥感分类方法及系统 |
| CN115049900A (zh) * | 2022-05-20 | 2022-09-13 | 昆明理工大学 | 一种基于光学与雷达数据的水稻种植区识别方法及系统 |
| CN115049900B (zh) * | 2022-05-20 | 2024-06-11 | 昆明理工大学 | 一种基于光学与雷达数据的水稻种植区识别方法及系统 |
| CN114820578A (zh) * | 2022-05-26 | 2022-07-29 | 云南省烟草公司红河州公司 | 烟草种植面积无人机遥感监测设备 |
| CN114820578B (zh) * | 2022-05-26 | 2024-05-28 | 云南省烟草公司红河州公司 | 烟草种植面积无人机遥感监测设备 |
| CN114782838A (zh) * | 2022-06-17 | 2022-07-22 | 中化现代农业有限公司 | 水稻识别方法、装置、电子设备和存储介质 |
| CN115205691A (zh) * | 2022-09-15 | 2022-10-18 | 江西农业大学 | 一种水稻种植区域识别方法、装置、存储介质及设备 |
| CN115761486A (zh) * | 2022-11-15 | 2023-03-07 | 重庆市地理信息和遥感应用中心 | 一种基于多期稻田影像特征的水稻种植区判定方法和系统 |
| CN116563721A (zh) * | 2023-07-12 | 2023-08-08 | 浙江领见数智科技有限公司 | 基于分层分类思想的烟田提取方法 |
| CN117690024A (zh) * | 2023-12-18 | 2024-03-12 | 宁波大学 | 一种针对多种植模式水稻田的一体化遥感识别方法 |
| CN118090639A (zh) * | 2024-04-23 | 2024-05-28 | 吉林大学 | 冬油菜生育期的监测方法 |
| CN118090639B (zh) * | 2024-04-23 | 2024-07-09 | 吉林大学 | 冬油菜生育期的监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472184B (zh) | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 | |
| Chong et al. | A review of remote sensing applications for oil palm studies | |
| Zhong et al. | Phenology-based crop classification algorithm and its implications on agricultural water use assessments in California’s Central Valley | |
| CN111345214A (zh) | 一种基于卫星影像数据的新疆棉花区域识别方法及系统 | |
| Li et al. | Estimating aboveground and organ biomass of plant canopies across the entire season of rice growth with terrestrial laser scanning | |
| CN109635731A (zh) | 一种识别有效耕地的方法及装置、存储介质及处理器 | |
| CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| Peters et al. | Remote sensing of broom snakeweed (Gutierrezia sarothrae) with NOAA-10 spectral image processing | |
| CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
| Panda et al. | Distinguishing blueberry bushes from mixed vegetation land use using high resolution satellite imagery and geospatial techniques | |
| Erdanaev et al. | The Identification of Irrigated Crop Types Using Support Vector Machine, Random Forest and Maximum Likelihood Classification Methods with Sentinel-2 Data in 2018: Tashkent Province, Uzbekistan. | |
| Mhango et al. | Applying colour-based feature extraction and transfer learning to develop a high throughput inference system for potato (Solanum tuberosum L.) stems with images from unmanned aerial vehicles after canopy consolidation | |
| Ramadanningrum et al. | Image-based tea yield estimation using Landsat-8 OLI and Sentinel-2B images | |
| CN115861844A (zh) | 一种基于种植概率的水稻早期遥感识别方法 | |
| Mirelva et al. | Application of Sentinel-1 Data for Classifying Croplands Using Google Earth Engine. | |
| CN116524225A (zh) | 一种基于多源遥感数据的作物分类方法及系统 | |
| CN115880577A (zh) | 一种基于遥感技术的耕地秋整地进度动态监测方法 | |
| Zhong | Efficient crop type mapping based on remote sensing in the Central Valley, California | |
| CN113009485A (zh) | 一种基于改进植被指数的遥感烟田识别方法 | |
| CN113009485B (zh) | 一种基于改进植被指数的遥感烟田识别方法 | |
| Wang et al. | Classification of medicinal plants astragalus mongholicus bunge and sophora flavescens aiton using GaoFen-6 and multitemporal Sentinel-2 data | |
| Jiang et al. | An automatic rice mapping method based on constrained feature matching exploiting Sentinel-1 data for arbitrary length time series | |
| CN114663780A (zh) | 基于gee和机器学习的河套灌区种植结构识别方法及系统 | |
| Rouault et al. | Using high spatial resolution satellite imagery for improved agricultural management of Mediterranean orchards | |
| Chen et al. | Coupling optical and SAR imagery for automatic garlic mapping |
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 |