CN113128453B - 采用遥感时间序列数据的地膜识别方法、系统以及介质 - Google Patents
采用遥感时间序列数据的地膜识别方法、系统以及介质 Download PDFInfo
- Publication number
- CN113128453B CN113128453B CN202110483715.7A CN202110483715A CN113128453B CN 113128453 B CN113128453 B CN 113128453B CN 202110483715 A CN202110483715 A CN 202110483715A CN 113128453 B CN113128453 B CN 113128453B
- Authority
- CN
- China
- Prior art keywords
- mulching film
- remote sensing
- film
- image
- wave band
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000002310 reflectometry Methods 0.000 claims abstract description 74
- 238000000605 extraction Methods 0.000 claims abstract description 52
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000002362 mulch Substances 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 11
- 239000002985 plastic film Substances 0.000 claims description 9
- 229920006255 plastic film Polymers 0.000 claims description 9
- JCJIZBQZPSZIBI-UHFFFAOYSA-N 2-[2,6-di(propan-2-yl)phenyl]benzo[de]isoquinoline-1,3-dione Chemical compound CC(C)C1=CC=CC(C(C)C)=C1N(C1=O)C(=O)C2=C3C1=CC=CC3=CC=C2 JCJIZBQZPSZIBI-UHFFFAOYSA-N 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008439 repair process Effects 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims description 2
- 238000000576 coating method Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 210000002489 tectorial membrane Anatomy 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 10
- 238000001228 spectrum Methods 0.000 abstract description 4
- 239000002689 soil Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- KEQXNNJHMWSZHK-UHFFFAOYSA-L 1,3,2,4$l^{2}-dioxathiaplumbetane 2,2-dioxide Chemical compound [Pb+2].[O-]S([O-])(=O)=O KEQXNNJHMWSZHK-UHFFFAOYSA-L 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了采用遥感时间序列数据的地膜识别方法、系统以及介质，地膜识别方法包括获取被地膜覆盖的覆膜作物在物候期内的遥感卫星影像；对所述遥感卫星影像进行预处理，以得到反射率影像；对得到的所述反射率影像进行计算生成时间序列遥感数据；基于所述反射率影像和时间序列遥感数据构建地膜指数；对所述地膜指数进行计算得到地膜提取阈值，并根据所述地膜提取阈值确定地膜提取结果图。实现扩大了地膜与非地膜地物之间的光谱差异，以及根据计算得到的地膜提取阈值确定地膜提取结果图，达到了在地膜提取结果图上清晰的展现地膜空间分布的目的。
Description
技术领域
本发明属于遥感图像处理技术领域，尤其涉及一种地膜识别方法、系统以及介质。
背景技术
地膜是一种人工地物，主要是用白色或乳白色薄膜覆盖地表，以调节农田土壤光、热、水、气等条件，具有节水、保温、保墒、保肥等功能，使农作物免受低温冻害、高温干旱、病虫害的影响，从而促进作物生长发育，提高作物产量和质量。但地膜的大面积使用，使农田中存在大量残膜，在一定程度上改变了土壤性质和功能，造成土壤肥力下降、作物减产以及“白色污染”等问题。因此，有效获取大规模的地膜空间分布信息，对相关部门进行科学的规划与管理，提高农业生产水平和保护生态环境安全具有重要的实践意义。
然而，不同地区覆膜作物的生长期及生理状态不同，使其覆膜方式、覆膜时期不一致，难以获取大空间尺度内的地膜的空间分布信息。目前可利用遥感影像，基于对遥感图像的像元或面向对象的分类方法，实现地膜识别，但大多是基于单源单时相遥感影像进行的，难以准确捕捉地膜遥感特征，限制了地膜识别精度的提高。
发明内容
针对现有技术中存在的上述技术问题，本发明提供了采用遥感时间序列数据的地膜识别方法、系统以及介质，其能够提高地膜的识别精度，实现大空间尺度内的地膜的空间分布信息。
本发明实施例提供了一种采用遥感时间序列数据的地膜识别方法，所述方法包括：
获取被地膜覆盖的覆膜作物在物候期内的遥感卫星影像；
对所述遥感卫星影像进行预处理，以得到反射率影像；
对得到的所述反射率影像进行计算生成时间序列遥感数据；
基于所述反射率影像和时间序列遥感数据构建地膜指数；
对所述地膜指数进行计算得到地膜提取阈值，并根据所述地膜提取阈值确定地膜提取结果图。
在一些实施例中，所述获取被地膜覆盖的覆膜作物在物候期内的遥感卫星影像，具体包括：
基于被地膜覆盖的覆膜作物的物候期确定识别时间；
获取所述识别时间下的包括Blue波段、Green波段、Red波段、NIR波段、SWIR1波段以及SWIR2波段的遥感卫星影像；其中，所述遥感卫星影像包括Sentinel-2影像和MCD43A4影像。
在一些实施例中，所述对所述遥感卫星影像进行预处理，具体包括：
对所述MCD43A4影像依次进行格式转换、重投影、重采样、波段选择和裁剪处理；
对所述Sentinel-2影像依次进行大气校正、波段选择和裁剪处理；
采用像元修复算法对所述Sentinel-2影像和所述MCD43A4影像的无效像元进行云修复。
在一些实施例中，所述对得到的所述反射率影像进行计算生成时间序列遥感数据，具体包括：
对得到的所述反射率影像采用时空数据融合算法进行计算，生成时间序列遥感数据。
在一些实施例中，所述基于所述反射率影像和时间序列遥感数据构建地膜指数，具体包括：
根据由所述反射率影像确定的所述地膜的光谱特征，确定地膜与非地膜地物之间可分性好的关键波段；
根据所述覆膜作物的物候期以及所述时间序列遥感数据，确定地膜遥感识别的关键时期；
对所述关键波段和所述关键时期采用归一化处理得到地膜指数，
具体采用如下公式(1)和公式(2)计算所述地膜指数：
其中，
分别代表Red波段、SWIR2波段在北半球温带大陆性气候地区于5月的地膜反射率的最大值，以及Red波段、SWIR2波段在北半球温带大陆性气候地区于8月的地膜反射率的最小值，NPMI的值介于-1和1之间。
在一些实施例中，所述方法还包括：
计算得到用于评价所述地膜指数的可分离性指标，其中采用如下公式(3)计算所述可分离性指标：
式中：μpm为覆膜农田的反射率均值，u1～un为未覆膜地物的反射率均值；δpm为覆膜农田反射率标准差，δ1～δn为未覆膜农作物的反射率标准差；
基于所述可分离性指标选取能够突出覆膜地表的关键地膜指数，并基于所述关键地膜指数确定覆膜地表图像；
所述对所述地膜指数进行计算得到覆膜地表提取阈值，具体包括：
对选取的所述关键地膜指数采用阈值法进行计算，得到覆膜地表提取阈值。
本发明实施例还提供了一种采用遥感时间序列数据的地膜识别系统，包括：
获取模块，其配置为获取被地膜覆盖的覆膜作物在物候期内的遥感卫星影像；
处理模块，其配置为对所述遥感卫星影像进行预处理，以得到反射率影像；
计算模块，其配置为对得到的所述反射率影像进行计算生成时间序列遥感数据；
构建模块，其配置为基于所述反射率影像和时间序列遥感数据构建地膜指数；
确定模块，其配置为对所述地膜指数进行计算得到地膜提取阈值，并根据所述地膜提取阈值确定地膜提取结果图。
在一些实施例中，所述获取模块还配置为：
基于被地膜覆盖的覆膜作物的物候期确定识别时间；
获取所述识别时间下的包括Blue波段、Green波段、Red波段、NIR波段、SWIR1波段以及SWIR2波段的遥感卫星影像；其中，所述遥感卫星影像包括Sentinel-2影像和MCD43A4影像。
本发明实施例还提供了一种存储有指令的非暂时性计算机可读介质，当所述指令由处理器执行时，执行根据上述的一种采用遥感时间序列数据的地膜识别方法中的步骤。
与现有技术相比，本发明实施例的有益效果在于：本发明通过获取覆膜作物在物候期内的遥感卫星影像，并对该遥感卫星影像进行预处理得到反射率影像，以及对反射率影像进行计算生成时间序列遥感数据，再根据反射率影像和时间序列遥感数据构建地膜指数，实现扩大了地膜与非地膜地物之间的光谱差异，以及根据计算得到的地膜提取阈值确定地膜提取结果图，达到了在地膜提取结果图上清晰的展现地膜空间分布的目的。通过上述方法能够提高地膜的识别精度，实现大空间尺度内的地膜的空间分布信息。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。
图1为本发明实施例地膜识别方法的流程图；
图2为本发明实施例研究的一些区域的遥感卫星影像；
图3为本发明实施例中基于遥感卫星影像构建的研究区不同地物的反射率；
图4为本发明实施例研究的一些区域的地膜提取结果图；
图5为本发明实施例地膜识别系统的结构框图。
图中的附图标记所表示的构件：
100-地膜识别系统；1-获取模块；2-处理模块；3-计算模块；4-构建模块；5-确定模块。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。下面结合附图和具体实施例对本发明的实施例作进一步详细描述，但不作为对本发明的限定。
本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的部分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
在本发明中，当描述到特定器件位于第一器件和第二器件之间时，在该特定器件与第一器件或第二器件之间可以存在居间器件，也可以不存在居间器件。当描述到特定器件连接其它器件时，该特定器件可以与所述其它器件直接连接而不具有居间器件，也可以不与所述其它器件直接连接而具有居间器件。
本发明使用的所有术语(包括技术术语或者科学术语)与本发明所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
本发明实施例提供了一种地膜识别方法，如图1所示，地膜识别方法包括步骤S101至步骤S105。
步骤S101：获取被地膜覆盖的覆膜作物在物候期内的遥感卫星影像。
步骤S102：对所述遥感卫星影像进行预处理，以得到反射率影像。
步骤S103：对得到的所述反射率影像进行计算生成时间序列遥感数据。
步骤S104：基于所述反射率影像和时间序列遥感数据构建地膜指数。
步骤S105：对所述地膜指数进行计算得到地膜提取阈值，并根据所述地膜提取阈值确定地膜提取结果图。
可以理解的是，物候期是指动植物的生长、发育、活动等规律与生物的变化对节候的反应，正在产生这种反应的时候叫物候期，每一个物候期的进行都具有一定的顺序性，但不同覆膜作物的物候期的顺序是有所差异的，选择与覆膜作物的物候期对应的遥感卫星影像，使得获取的遥感卫星影像更具针对性。
可以理解的是，上述反射率影像可以反应地膜的光谱特征，不同地膜的不同时期的反射率，基于反射率影像可以对研究的区域内的不同地物在不同波段下的地膜的反射率进行分析，得到不同地物在不同波段下的反射率趋势图。具体结合图2和图3进行举例说明，图2中示出了研究的一些区域的Sentinel-2影像，图中示出的区域包括东经115°及北纬36°附近区域、东经119°及北纬41°附近区域、东经111°及北纬40°附近区域，其中，Sentinel-2影像属于遥感卫星影像中的一种影像，Sentinel-2是高分辨率多光谱成像卫星，且Sentinel-2卫星可覆盖13个光谱波段，具有光谱信息丰富的优点。在获取到图2所示的一些区域的Sentinel-2影像后，对三者的Sentinel-2影像进行预处理能够得到可以反应地膜的光谱特征的反射率影像，并对三者的反射率影像进行分析可分别得到对应的反射率趋势图(如图3所示)，图3中对应图2中的一些区域示出的覆膜农田、未覆膜农作物、水体、建筑物、林地和灌木在六个波段下的反射率趋势，六个波段包括Blue波段、Green波段、Red波段、NIR波段、SWIR1波段以及SWIR2波段，以直观地获取不同地物的反射率趋势变化。
本发明通过获取覆膜作物在物候期内的遥感卫星影像，并对该遥感卫星影像进行预处理得到反射率影像，以及对反射率影像进行计算生成时间序列遥感数据，再根据反射率影像和时间序列遥感数据构建地膜指数，实现扩大了地膜与非地膜地物之间的光谱差异，以及根据计算得到的地膜提取阈值确定地膜提取结果图，达到了在地膜提取结果图上清晰的展现地膜空间分布的目的。通过上述方法能够提高地膜的识别精度，实现大空间尺度内的地膜的空间分布信息。
在一些实施例中，步骤S101：所述获取被地膜覆盖的覆膜作物在物候期内的遥感卫星影像，具体包括：
基于被地膜覆盖的覆膜作物的物候期确定识别时间；
获取所述识别时间下的包括Blue波段、Green波段、Red波段、NIR波段、SWIR1波段以及SWIR2波段的遥感卫星影像；其中，所述遥感卫星影像包括Sentinel-2影像和MCD43A4影像。
可以理解的是，上述识别时间与被地膜覆盖的覆膜作物的物候期和覆膜作物所处环境相关，若本申请实施例覆膜作物在北半球更靠近寒带地区生长，因此，上述识别时间可为4月至10月，若上述覆膜作物在北半球更靠近热带地区生长，上述识别时间可基于相应的覆膜作物和地区环境确定为11月至3月，本申请对此不做具体限定。
可以理解的是，遥感卫星影像的Blue波段、Green波段、Red波段、NIR波段、SWIR1波段以及SWIR2波段下的地膜与非地膜的可分性较好，选择上述六个波段能够提高对地膜的识别精度，且提高识别效率，无需在其他地膜与非地膜的可分性较差的波段下消耗识别资源。
可以理解的是，Sentinel-2卫星可覆盖13个光谱波段，与上述MCD43A4影像对应的MCD43A4数据能够提供定向半球反射率和双半球反射率数据。
在一些实施例中，步骤S102中的所述对所述遥感卫星影像进行预处理，具体包括：
对所述MCD43A4影像依次进行格式转换、重投影、重采样、波段选择和裁剪处理；
对所述Sentinel-2影像依次进行大气校正、波段选择和裁剪处理；
采用像元修复算法对所述Sentinel-2影像和所述MCD43A4影像的无效像元进行云修复。
可以理解的是，Sentinel-2影像和MCD43A4影像中包含运和云阴影覆盖的部分像元，像元修复算法可对该部分像元进行修复，以得到更加清晰准确的影像。
在一些实施例中，步骤S103：所述对得到的所述反射率影像进行计算生成时间序列遥感数据，具体包括：
对得到的所述反射率影像采用时空数据融合算法进行计算，生成时间序列遥感数据。
在一些实施例中，步骤S104：所述基于所述反射率影像和时间序列遥感数据构建地膜指数，具体包括步骤S201至步骤S203。
步骤S201：根据由所述反射率影像确定的所述地膜的光谱特征，确定地膜与非地膜地物之间可分性好的关键波段。
可以理解的是，上述反射率影像可以反应地膜的光谱特征，不同地膜的不同时期的反射率，基于反射率影像确定上述关键波段，具体地，结合多次实验操作可以确定的是地膜与非地膜地物在Red波段和SWIR2波段的可分性最好。
步骤S202：根据所述覆膜作物的物候期以及所述时间序列遥感数据，确定地膜遥感识别的关键时期。
可以理解的是，利用得到的时间序列遥感数据，可以分析出地膜在覆膜作物处于不同生长期的光谱反射率变化特征，再结合该覆膜作物的物候期，可以确定地膜遥感识别的关键时期，具体地，本申请实施例提出在北半球温带大陆性气候地区生长的覆膜作物在5月和8月的地膜反射率达到极值，其中，在5月时地膜的反射率达到最大值，而后逐渐降低，直到8月时达到最小值，因此，5月和8月为地膜遥感识别的关键时期。
步骤S203：对所述关键波段和所述关键时期采用归一化处理得到地膜指数，具体采用如下公式(1)和公式(2)计算所述地膜指数，其中，利用公式(1)计算可得到在Red波段下的地膜指数，利用(2)计算可得到在SWIR2波段下的地膜指数：
其中，
分别代表Red波段、SWIR2波段在北半球温带大陆性气候地区于5月的地膜反射率的最大值，以及Red波段、SWIR2波段在北半球温带大陆性气候地区于8月的地膜反射率的最小值，NPMI的值介于-1和1之间。
在一些实施例中，所述方法还包括：
计算得到用于评价所述地膜指数的可分离性指标，其中采用如下公式(3)计算所述可分离性指标：
式中：μpm为覆膜农田的反射率均值，u1～un为未覆膜地物的反射率均值；δpm为覆膜农田反射率标准差，δ1～δn为未覆膜农作物的反射率标准差；
基于所述可分离性指标选取能够突出地膜的关键地膜指数，并基于所述关键地膜指数确定地膜图像；
上述步骤S105中所述对所述地膜指数进行计算得到地膜提取阈值，具体包括：
对选取的所述关键地膜指数采用阈值法进行计算，得到地膜提取阈值。
在一些实施例中，所述根据所述地膜提取阈值确定，具体包括：
基于所述关键地膜指数和所述地膜提取阈值的比较结果，对所述地膜图像进行处理以确定地膜提取结果图。
可以理解的是，根据阈值法确定地膜提取阈值为T，其中，地膜图像中地膜指数NPMI大于地膜提取阈值T的像元为地膜，具体将地膜图像中地膜指数NPMI大于等于地膜提取阈值T的像元设置为1，地膜指数NPMI小于地膜提取阈值T的像元设置为0，以此得到二值化图像，并将得到的二值化图像对应的结果进行聚类处理，得到最终的地膜提取结果图(如图4所示)，分别对应于图2，图4中示出的是图2中所示一些区域的地膜提取结果图。
本发明实施例还提供了一种地膜识别系统100，如图5所示，地膜识别系统100包括：
获取模块1，其配置为获取被地膜覆盖的覆膜作物在物候期内的遥感卫星影像；
处理模块2，其配置为对所述遥感卫星影像进行预处理，以得到反射率影像；
计算模块3，其配置为对得到的所述反射率影像进行计算生成时间序列遥感数据；
构建模块4，其配置为基于所述反射率影像和时间序列遥感数据构建地膜指数；
确定模块5，其配置为对所述地膜指数进行计算得到地膜提取阈值，并根据所述地膜提取阈值确定地膜提取结果图。
本发明提出的地膜识别系统100通过获取覆膜作物在物候期内的遥感卫星影像，并对该遥感卫星影像进行预处理得到反射率影像，以及对反射率影像进行计算生成时间序列遥感数据，再根据反射率影像和时间序列遥感数据构建地膜指数，实现扩大了地膜与非地膜地物之间的光谱差异，以及根据计算得到的地膜提取阈值确定地膜提取结果图，达到了在地膜提取结果图上清晰的展现地膜空间分布的目的。通过上述方法能够提高地膜的识别精度，实现大空间尺度内的地膜的空间分布信息。
在一些实施例中，所述获取模块1还配置为：
基于被地膜覆盖的覆膜作物的物候期确定识别时间；
获取所述识别时间下的包括Blue波段、Green波段、Red波段、NIR波段、SWIR1波段以及SWIR2波段的遥感卫星影像；其中，所述遥感卫星影像包括Sentinel-2影像和MCD43A4影像。
本发明实施例还提供了一种存储有指令的非暂时性计算机可读介质，当所述指令由处理器执行时，执行根据上述的一种地膜识别方法中的步骤。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本发明的具有等同元件、修改、省略、组合(例如，各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本发明。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本发明的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (9)
1.一种采用遥感时间序列数据的地膜识别方法，其特征在于，所述方法包括：
获取被地膜覆盖的覆膜作物在物候期内的遥感卫星影像；
对所述遥感卫星影像进行预处理，以得到反射率影像；
对得到的所述反射率影像进行计算生成时间序列遥感数据；
基于所述反射率影像和时间序列遥感数据构建地膜指数；
对所述地膜指数进行计算得到地膜提取阈值，并根据所述地膜提取阈值确定地膜提取结果图；其中，
所述基于所述反射率影像和时间序列遥感数据构建地膜指数，具体包括：
根据由所述反射率影像确定的所述地膜的光谱特征，确定地膜与非地膜地物之间可分性好的关键波段；
根据所述覆膜作物的物候期以及所述时间序列遥感数据，确定地膜遥感识别的关键时期；
对所述关键波段和所述关键时期采用归一化处理得到地膜指数，
具体采用如下公式(1)和公式(2)计算所述地膜指数：
其中，
分别代表Red波段、SWIR2波段在北半球温带大陆性气候地区于5月的地膜反射率的最大值，以及Red波段、SWIR2波段在北半球温带大陆性气候地区于8月的地膜反射率的最小值，NPMI的值介于-1和1之间。
2.根据权利要求1所述的地膜识别方法，其特征在于，所述获取被地膜覆盖的覆膜作物在物候期内的遥感卫星影像，具体包括：
基于被地膜覆盖的覆膜作物的物候期确定识别时间；
获取所述识别时间下的包括Blue波段、Green波段、Red波段、NIR波段、SWIR1波段以及SWIR2波段的遥感卫星影像；其中，所述遥感卫星影像包括Sentinel-2影像和MCD43A4影像。
3.根据权利要求2所述的地膜识别方法，其特征在于，所述对所述遥感卫星影像进行预处理，具体包括：
对所述MCD43A4影像依次进行格式转换、重投影、重采样、波段选择和裁剪处理；
对所述Sentinel-2影像依次进行大气校正、波段选择和裁剪处理；
采用像元修复算法对所述Sentinel-2影像和所述MCD43A4影像的无效像元进行云修复。
4.根据权利要求1所述的地膜识别方法，其特征在于，所述对得到的所述反射率影像进行计算生成时间序列遥感数据，具体包括：
对得到的所述反射率影像采用时空数据融合算法进行计算，生成时间序列遥感数据。
5.根据权利要求1所述的地膜识别方法，其特征在于，所述方法还包括：
计算得到用于评价所述地膜指数的可分离性指标，其中采用如下公式(3)计算所述可分离性指标：
式中：μpm为覆膜农田的反射率均值，u1～un为未覆膜地物的反射率均值；δpm为覆膜农田反射率标准差，δ1～δn为未覆膜农作物的反射率标准差；n为数据个数；
基于所述可分离性指标选取能够突出覆膜地表的关键地膜指数，并基于所述关键地膜指数确定覆膜地表图像；
所述对所述地膜指数进行计算得到覆膜地表提取阈值，具体包括：
对选取的所述关键地膜指数采用阈值法进行计算，得到覆膜地表提取阈值。
6.根据权利要求5所述的地膜识别方法，其特征在于，所述根据所述地膜提取阈值确定，具体包括：
基于所述关键地膜指数和所述地膜提取阈值的比较结果，对所述地膜图像进行处理以确定地膜提取结果图。
7.一种采用遥感时间序列数据的地膜识别系统，其特征在于，包括：
获取模块，其配置为获取被地膜覆盖的覆膜作物在物候期内的遥感卫星影像；
处理模块，其配置为对所述遥感卫星影像进行预处理，以得到反射率影像；
计算模块，其配置为对得到的所述反射率影像进行计算生成时间序列遥感数据；
构建模块，其配置为基于所述反射率影像和时间序列遥感数据构建地膜指数；
确定模块，其配置为对所述地膜指数进行计算得到地膜提取阈值，并根据所述地膜提取阈值确定地膜提取结果图；其中，
所述构建模块具体配置为：
根据由所述反射率影像确定的所述地膜的光谱特征，确定地膜与非地膜地物之间可分性好的关键波段；
根据所述覆膜作物的物候期以及所述时间序列遥感数据，确定地膜遥感识别的关键时期；
对所述关键波段和所述关键时期采用归一化处理得到地膜指数，
具体采用如下公式(1)和公式(2)计算所述地膜指数：
其中，
分别代表Red波段、SWIR2波段在北半球温带大陆性气候地区于5月的地膜反射率的最大值，以及Red波段、SWIR2波段在北半球温带大陆性气候地区于8月的地膜反射率的最小值，NPMI的值介于-1和1之间。
8.根据权利要求7所述的地膜识别系统，其特征在于，所述获取模块还配置为：
基于被地膜覆盖的覆膜作物的物候期确定识别时间；
获取所述识别时间下的包括Blue波段、Green波段、Red波段、NIR波段、SWIR1波段以及SWIR2波段的遥感卫星影像；其中，所述遥感卫星影像包括Sentinel-2影像和MCD43A4影像。
9.一种存储有指令的非暂时性计算机可读介质，其特征在于，当所述指令由处理器执行时，执行根据权利要求1-6中任一项所述的一种采用遥感时间序列数据的地膜识别方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110483715.7A CN113128453B (zh) | 2021-04-30 | 2021-04-30 | 采用遥感时间序列数据的地膜识别方法、系统以及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110483715.7A CN113128453B (zh) | 2021-04-30 | 2021-04-30 | 采用遥感时间序列数据的地膜识别方法、系统以及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113128453A CN113128453A (zh) | 2021-07-16 |
| CN113128453B true CN113128453B (zh) | 2022-12-06 |
Family
ID=76780770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110483715.7A Active CN113128453B (zh) | 2021-04-30 | 2021-04-30 | 采用遥感时间序列数据的地膜识别方法、系统以及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113128453B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117451639A (zh) * | 2023-12-21 | 2024-01-26 | 内蒙古工业大学 | 一种基于遥感数据的水体叶绿素浓度反演方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019110849A (ja) * | 2017-12-25 | 2019-07-11 | 株式会社クボタ | マルチフィルム残量検出装置及びマルチフィルム検出システム |
| CN112712071A (zh) * | 2021-03-26 | 2021-04-27 | 北京简巨科技有限公司 | 作物长势检测方法及其相关设备 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504736B (zh) * | 2015-01-19 | 2017-10-31 | 河北大学 | 一种识别大田作物长势监控图像中绿色植物的方法及系统 |
| CN106650689B (zh) * | 2016-12-30 | 2019-08-27 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
| CR20210455A (es) * | 2019-01-30 | 2021-11-23 | Univ Florida | Mantillo con franjas reflectantes y métodos de uso |
| CN110245589A (zh) * | 2019-05-30 | 2019-09-17 | 农业农村部农业生态与资源保护总站 | 一种基于高分遥感影像的西北地区地膜信息综合分析方法 |
| CN110390267B (zh) * | 2019-06-25 | 2021-06-01 | 东南大学 | 一种基于高分遥感影像的山地景观建筑提取方法和设备 |
| 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 |
| CN110796001B (zh) * | 2019-09-23 | 2023-04-07 | 武汉珈和科技有限公司 | 一种卫星影像覆膜农田识别与提取方法及系统 |
| CN111345214A (zh) * | 2020-03-13 | 2020-06-30 | 武汉禾大科技有限公司 | 一种基于卫星影像数据的新疆棉花区域识别方法及系统 |
| CN111521562A (zh) * | 2020-03-19 | 2020-08-11 | 航天信德智图（北京）科技有限公司 | 基于Sentinel-2卫星的棉花植被指数遥感检测方法 |
| CN111666815B (zh) * | 2020-05-06 | 2022-04-01 | 武汉大学 | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 |
| CN111723711A (zh) * | 2020-06-10 | 2020-09-29 | 内蒙古农业大学 | 基于Pléiades和面向对象的地膜信息提取方法及系统 |
| CN112668670A (zh) * | 2021-03-15 | 2021-04-16 | 北京简巨科技有限公司 | 地膜识别方法及其相关设备 |
-
2021
- 2021-04-30 CN CN202110483715.7A patent/CN113128453B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019110849A (ja) * | 2017-12-25 | 2019-07-11 | 株式会社クボタ | マルチフィルム残量検出装置及びマルチフィルム検出システム |
| CN112712071A (zh) * | 2021-03-26 | 2021-04-27 | 北京简巨科技有限公司 | 作物长势检测方法及其相关设备 |
Non-Patent Citations (2)
| Title |
|---|
| 地物波谱数据库应用方法及遥感应用现状;程娟等;《遥感技术与应用》;20200420(第02期);3-22 * |
| 多源遥感数据支撑的耕地质量监测与评价;马佳妮等;《中国农业信息》;20181024(第03期);18-26 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113128453A (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khan et al. | Estimation of vegetation indices for high-throughput phenotyping of wheat using aerial imaging | |
| Dobrowski et al. | Grapevine dormant pruning weight prediction using remotely sensed data | |
| Son et al. | A phenological object-based approach for rice crop classification using time-series Sentinel-1 Synthetic Aperture Radar (SAR) data in Taiwan | |
| CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
| CN111209871B (zh) | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 | |
| US20200396976A1 (en) | Methods for deploying biosentinels to agricultural fields and monitoring biotic and abiotic stresses in crops remotely | |
| CN110796001A (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
| CN109784300A (zh) | 一种农作物科学测产方法及系统 | |
| CN109816542A (zh) | 一种农作物减产理赔方法及系统 | |
| Tang et al. | Vine water status mapping with multispectral UAV imagery and machine learning | |
| CN108596029A (zh) | 农作物分类方法、装置、计算机设备和存储介质 | |
| CN112084991A (zh) | 基于多源遥感时序影像和卷积神经网络的作物早期识别方法 | |
| Abebe et al. | Combined use of Landsat 8 and Sentinel 2A imagery for improved sugarcane yield estimation in Wonji-Shoa, Ethiopia | |
| CN110765977A (zh) | 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 | |
| CN113128453B (zh) | 采用遥感时间序列数据的地膜识别方法、系统以及介质 | |
| CN112666170A (zh) | 天空地一体化病虫害遥感监测方法 | |
| Wang et al. | Research on cropping intensity mapping of the Huai River Basin (China) based on multi-source remote sensing data fusion | |
| Kashtan et al. | Information Technology Analysis of Satellite Data for Land Irrigation Monitoring | |
| Hunt Jr et al. | Improving potential geographic distribution models for invasive plants by remote sensing | |
| Gansukh et al. | Monitoring wheat crop growth parameters using time series sentinel-1 and sentinel-2 data for agricultural application in Mongolia | |
| RU2705549C1 (ru) | Способ агрохимического обследования земель сельскохозяйственного назначения | |
| Nyamekye et al. | Classification of time series NDVI for the assessment of land cover change in Ghana using NOAA/AVHRR data | |
| Ye et al. | Estimation of citrus yield from canopy spectral features determined by airborne hyperspectral imagery | |
| Costa Ferreira et al. | Transformation of high resolution aerial images in vine vigour maps at intra-block scale by semi-automatic image processing |
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 |