CN113177942A - 大豆种植区遥感监测识别方法、装置、电子设备和介质 - Google Patents
大豆种植区遥感监测识别方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113177942A CN113177942A CN202110648057.2A CN202110648057A CN113177942A CN 113177942 A CN113177942 A CN 113177942A CN 202110648057 A CN202110648057 A CN 202110648057A CN 113177942 A CN113177942 A CN 113177942A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- soybean
- area
- crop
- planting 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.)
- Pending
Links
- 244000068988 Glycine max Species 0.000 title claims abstract description 145
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 238000003860 storage Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 238000011835 investigation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000012010 growth Effects 0.000 abstract description 10
- 238000012549 training Methods 0.000 description 15
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 9
- 238000009331 sowing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 230000009105 vegetative growth Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000029553 photosynthesis Effects 0.000 description 3
- 238000010672 photosynthesis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 240000004922 Vigna radiata Species 0.000 description 1
- 235000010721 Vigna radiata var radiata Nutrition 0.000 description 1
- 235000011469 Vigna radiata var sublobata Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- UBAZGMLMVVQSCD-UHFFFAOYSA-N carbon dioxide;molecular oxygen Chemical compound O=O.O=C=O UBAZGMLMVVQSCD-UHFFFAOYSA-N 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000031877 prophase Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种大豆种植区遥感监测识别方法、装置、电子设备和介质，其中方法包括：获取目标地域的至少两个不同时相的标准遥感图像；基于训练好的农作物分类模型，确定每个标准遥感图像中大豆作物的种植区域；根据每个标准遥感图像中大豆作物的种植区域，以及所述目标地域内的耕地分布区域，确定所述大豆作物在所述目标地域内的实际种植区域。本公开可精准识别大豆作物的种植区域，且可对不同区域不同生长期的大豆作物进行监测。
Description
技术领域
本公开涉及农作物遥感监测领域，尤其涉及一种大豆种植区遥感监测识别方法、装置、电子设备和存储介质。
背景技术
农业信息化是现代化农业发展的趋势，大数据、物联网等现代信息技术的应用是目前提供农业生产、管理效率的重要手段。
针对大豆这种农作物，由于大豆种植分布较为分散，进行大面积监测时，如果采用传统人工地面调查的方法，耗时费力，难以适应相关部门的决策管理需求。
发明内容
本公开提供一种大豆种植区遥感监测识别方法、装置、电子设备和存储介质。
第一方面，本公开提供了一种大豆种植区遥感监测识别方法，方法包括：
获取目标地域的至少两个不同时相的标准遥感图像；
基于训练好的农作物分类模型，确定每个标准遥感图像中大豆作物的种植区域；
根据每个标准遥感图像中大豆作物的种植区域，以及所述目标地域内的耕地分布区域，确定所述大豆作物在所述目标地域内的实际种植区域。
第二方面，本公开提供了一种大豆种植区遥感监测识别装置，包括：
数据获取模块，用于获取目标地域的至少两个不同时相的标准遥感图像；
第一识别模块，用于基于训练好的农作物分类模型，确定每个标准遥感图像中大豆作物的种植区域；
第二识别模块，用于根据每个标准遥感图像中大豆作物的种植区域，以及所述目标地域内的耕地分布区域，确定所述大豆作物在所述目标地域内的实际种植区域。
第三方面，本公开实施例还提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；
其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开任一实施例的大豆种植区遥感监测识别方法。
第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开任一实施例的大豆种植区遥感监测识别方法。
本公开中，依次对多个时相的遥感图像中的大豆作物进行识别，得到每个遥感图像中大豆作物的种植区域，进而根据每个遥感图像中大豆作物的种植区域和耕地区域，确定大豆作物的实际种植区域，相比基于单个遥感图像识别大豆种植区域的方式，可提升大豆作物种植区域的识别精准，而且由于对多个时相的遥感图像进行识别，可实现对不同生长期的大豆作物进行监测。
附图说明
图1是本公开第一实施例中的大豆种植区遥感监测识别方法的流程示意图；
图2是本公开第二实施例中的大豆种植区遥感监测识别方法的流程示意图；
图3是本公开第三实施例中的大豆种植区遥感监测识别方法的逻辑流程图；
图4是本公开第四实施例中的大豆种植区遥感监测识别装置的结构示意图；
图5是本公开第五实施例中的实现大豆种植区遥感监测识别方法的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本公开，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分而非所有结构。
图1是本公开第一实施例的大豆种植区遥感监测识别方法的流程图，本实施例可适用于对任一区域内的大豆作物进行监测的情况，该方法可以由大豆种植区遥感监测识别装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在电子设备中，例如集成在服务器或计算机设备上。
如图1所示，大豆种植区遥感监测识别方法具体包括如下流程：
S101、获取目标地域的至少两个不同时相的标准遥感图像。
本公开实施例中，目标地域是指任一需要监测农作物种植面积的区域，示例性的，目标地域为某一县级行政区划所包围的区域。遥感图像是指以数字形式描述地物的图像，遥感图像是以像元为单位的，遥感图像中的每个像元都有它的空间位置特征。具体的，遥感图像实际上是一个具有m×n个像元的矩阵函数，遥感图像的像元点即为矩阵中的元素。遥感数据获取过程中受卫星平台、传输过程和成像方式的影响，存在一定的几何畸变和成像变异；不同来源、不同尺度遥感数据的存储方式、地理坐标普遍存在差异，无法直接用于测量。因此，遥感数据需进行必要的数据预处理，以保证遥感图像的正常使用和目标地物的最佳表达。因此本公开实施例中的标准遥感图像是指经过预处理后遥感图像，示例性的，标准遥感图像是一种中分辨率遥感图像。而不同时相的标准遥感图像是指在不同时间获取的目标地域的遥感图像。
在此需要说明的是，之所以获取至少两个不同时相的遥感图像，是因为基于单个时相的遥感图像识别大豆作物种植区域时，识别精度较低，难以将一些同期种植的其他农作物(例如玉米、绿豆)与大豆作物区分开。
S102、基于训练好的农作物分类模型，确定每个标准遥感图像中大豆作物的种植区域。
其中，农作物分类模型的作用是对标准遥感图像进行分类，即是将标准遥感图像中的每个像元或者每一块区域分到若干类别中的一类，或若干专题要素中的一种。具体的，分类的结果是将图像空间划分成若干个子区域，每个子区域代表一种实际的农作物。
在训练农作物分类模型之前，需要先确定农作物分类模型的训练样本，训练样本还可以从历史农业统计数据和历史训练样本库中进行选取，也可以根据农作物的物候信息和野外调查数据确定，例如将大豆作物在某一物候期的遥感图像作为训练样本。本公开实施例中，可将大豆作物的特征图像作为正训练样本，将飞大豆作物的特征图像作为负训练样本。
除了预先确定训练样本外，还需要预先构建农作物解释知识库，通过实地调查数据、农作物的物候数据(可通过资料调研得到)、遥感图像，在目标地域范围内判定各类农作物在各个时期在遥感图像上的特征，并截取图片。有实地调查点的地方直接截取，没有实地调查点的地方根据相近区域的实地调查数据判定哪些点种植的是目标作物，并截取图片，最终形成目标地域的点矢量文件，记录各个知识点的遥感图像类型、影像时间、知识点样片等信息。
在具体训练时，将训练样本输入到农作物分类模型中，农作物分类模型基于农作物解释知识库对训练样本进行解释，也即是对样本进行分类识别，确定训练样本中每个像元所属的类别，通过迭代训练可使得农作物分类模型学习各种农作物的特征。
在得到农作物分类模型之后，将标准遥感图像作为农作物分类模型的输入，农作物分类模型根可直接识别出大豆作物的种植区域。在一种可选的实施方式中，可基于训练好的农作物分类模型，分别确定每个标准遥感图像中属于大豆作物的目标像元；将每个标准遥感图像中的目标像元组成的区域作为每个标准遥感图像中大豆作物的种植区域。
需要说明的是，由于在S101中获得了多个标准遥感图像，因此在经过S102识别后，每个标准遥感图像各自对应一个大豆作物的种植区域，由于各标准遥感图像是在不同时相获取的，由此可以得到大豆作物在不同时期对应的种植区域。
S103、根据每个标准遥感图像中大豆作物的种植区域，以及所述目标地域内的耕地分布区域，确定所述大豆作物在所述目标地域内的实际种植区域。
本公开实施例中，通过S102获得大豆作物在不同时期的种植区域后，可按照如下S1031-S1032的方式确定大豆作物在目标地域的实际种植区域。
S1031.对各标准遥感图像中大豆作物的种植区域进行求交集运算，得到目标种植区域。
如果不同时期的大豆作物的种植区域相同，则可以认为种植区域即为目标种植区域；如果不同时期的大豆作物的种植区域不同，则将不同时期的大豆作物的种植区域的交集区域作为目标种植区域。
S1032.对所述目标种植区域和所述耕地分布区域进行求交集运算，得到所述大豆作物在所述目标地域内的实际种植区域。
大豆作物一定种植在耕地分布区域内，因此为了保证大豆作物种植区域识别的准确性，在得到目标种植区域后，可将目标种植区域与耕地分布区域进行比较，如果目标种植区域完全被耕地分布区域包围，则确认目标种植区域即为大豆作物在目标地域的实际种植区域；如果目标种植区域超出耕地分布区域，则认为超出耕地分布区域的部分不是大豆作物的种植区域，此时将目标种植区域和耕地分布区域的交集区域作为大豆作物实际种植区域。需要说明的是，目标地域的耕地区域可以使根据目标地域的农业统计数据预先确定的。
本公开实施例中，依次对多个时相的遥感图像中的大豆作物进行识别，得到每个遥感图像中大豆作物的种植区域，进而根据每个遥感图像中大豆作物的种植区域和耕地区域，确定大豆作物的实际种植区域，相比基于单个遥感图像识别大豆种植区域的方式，可提升大豆作物种植区域的识别精准，而且由于对多个时相的遥感图像进行识别，可实现对不同生长期的大豆作物进行监测。
图2是本公开第二实施例的大豆种植区遥感监测识别方法的流程图，本实施例是在上述实施例的基础上进行优化，参见图2，该方法包括：
S201、根据大豆作物的物候信息，获取目标地域的至少两个不同物候期的原始遥感图像。
本公开实施例中，大豆作物的物候信息可预先通过资料调研获取。
大豆作物的生育期列表如下：
表1大豆各生育期所需天数
| 播种季节 | 出苗期 | 幼苗期 | 花芽分化期 | 开花结果期 | 鼓粒期 |
| 春播 | 8-15天 | 35-40天 | 20-25天 | 20-25天 | 25-30天 |
| 夏播 | 4-5天 | 10-20天 | 10-20天 | 15-20天 | 25-30天 |
表2大豆各生育期所在月份
制定主要农作物的物候特征数据库，能够描述整个生长周期。大豆作物物候特征如下：
出苗期：从播种至出苗在温、光、雨、热等外因条件一致下，出苗较早，因大豆萌动最低在6～10℃，温度较低时，出苗较晚，播种在4～5cm，播种后及时镇压，才能保证大豆出苗整齐一致。
幼苗期：从出苗至12叶l心期之前为营养生长，从出苗至3叶1心期，所需的积温为242.2～497.5℃，时间为14～27天，大豆为短日照作物，即在比较长的黑暗条件下才能通过光照阶段，因此这个时期所需天数时间长，积温偏高；3叶1心至5叶1心期为营养生长前期，时间为7～9天，积温为149.3～276.2℃，这个时期地下生长大于地上生长，因此在水分、温度一定的情况下，所需的光照、热量就明显比3叶1心期前少，更突出大豆的生长特性短日照作物；从5叶1心至7叶1心期为营养生长中期，大豆地上部茎秆、叶片均能进行光合作用，植物的养分除来自光合作用外，加上土壤中植物根系吸收两部分，大豆需积温为106.8～237.9℃，时间为5～11天；从7叶1心至12叶1心期为营养生长和生殖生长并存的阶段，开始花芽分化，所需积温341.6～613.7℃，时间为13～26天，这个时期是需要养分的时期，可以适当给大豆喷叶面肥，需水量较多。
初花期：从出苗至初花期是大豆表现该品种特性的时期，肥力效应表现最佳时期养分上移，茎秆的养分也向花蕾转移。这段时期雨水调和的年份注意控制植株生长，干旱年份注意补水补肥，所需积温为704.1～777.9℃，时间为36～40天。
终花期：从初花至终花期是大豆达到生理上成熟的过程，所需积温为679.9～878.5℃，时间为29～38天，大豆是边开花边结荚，这个时期是大豆需水量最大的时期，干旱时应及时喷灌；其次是光照，温、热也是必不可少的，子粒的干物质积累是上位叶片和茎秆通过光合作用制造的，而充足的雨水能够提高粒重，达到增产的效果。
在得到大豆作物的物候信息后，获取目标地域的至少两个不同物候期的原始遥感图像，示例性的，在大豆作物的开花期和结荚期分别获取目标地域的原始遥感图像。
在此需要说明的是，物候期分析是建立解译知识库的基础条件之一，通过收集并分析气象数据、农情数据和统计数据，充分了解了大豆各生长期的时间分布，为后续研究、建立作物解译知识库奠定基础，而建立解释知识库的过程参见上述实施例，在此不再赘述。
S202、对原始遥感图像进行预处理，得到至少两个不同物候期的标准遥感图像。
本公开实施例中，可参考大豆作物的物候信息、行政区矢量边界数据以及DEM数据(数字高程模型数据)进行数据预处理。预处理包括如下至少一项：正射校正、图像配准、大气校正、图像融合、镶嵌与裁剪。其中，正射校正是指对图像空间和几何畸变进行校正生成多中心投影平面正射图像的处理过程，对遥感图像同时进行倾斜改正和投影差改正。图像配准是指通过测定多组遥感图像上特殊地物的坐标点以及与这些坐标点相对应的地图上的坐标，然后将测得的控制点坐标带入坐标系转换多项式方程，求出各项系数，从而确定了坐标系转换方程。大气校正是指消除大气和光照等因素对地物反射的影响，获取地物反射率、辐射、地表温度等真实物理模型参数，用来消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧等对地物反射的影响，消除大气分子和气溶胶散射的影响。镶嵌与裁剪是指将冗余图像信息进行裁剪与删除。图像融合是指将低空间分辨率的多光谱影像或高光谱数据与高空间分辨率的单波段影像重采样生成一副高分辨率多光谱影像遥感。
在对不同物候期的原始遥感图像进行预处理后，得到多个不同物候期的标准遥感图像。
S203、基于训练好的农作物分类模型，确定每个标准遥感图像中大豆作物的种植区域。
S204、根据每个标准遥感图像中大豆作物的种植区域，以及所述目标地域内的耕地分布区域，确定所述大豆作物在所述目标地域内的实际种植区域。
在识别出大豆作物在目标地域的实际种植区域后，可通过S205的步骤对识别结果的精度进行验证。
S205、对得到的大豆作物的实际种植区域进行精度验证，并在验证结果满足预设条件后生成精度评估报告。
可选的，根据预先构建的解释知识库的知识点和/或实际农作物种植调查结果(即实地调查的大豆作物的种植情况数据)，对得到的大豆作物的实际种植区域进行精度验证。在精度满足预设条件后，生成精度评估报告。同时，结合目标地域的矢量边界，将大豆作物实际种植区域进行可视化展示。
本公开实施例中，通过预处理可以保证标准遥感图像的正常使用和目标地物的最佳表达；而且在精度验证后还可以生成相应的报告以供用户查看。
图3是本公开第三实施例的大豆种植区遥感监测识别方法的逻辑流程图，参见图3，该方法逻辑包括四个阶段，分别为数据预处理阶段、单期影像作物识别阶段、多期影像作物识别阶段、以及精度验证阶段。
其中，在数据预处理阶段，就是按照统一坐标系的经纬度对原始中分遥感影像进行标定。具体的，针对原始中分遥感影像(即遥感图像)，参考作物物候信息、行政区矢量边界数据以及DEM数据(数字高程模型数据)，最终得到多个关键期中分标准影像(例如开花期中分标准影像)。将所有地理信息数据统一到大地坐标系统WGS-84中，所有图像分辨率统一到原始中分遥感影像的图像分辨率。需要说明的是，由于经纬度坐标系没有高程信息，因此利用DEM数据弥补这个维度的信息缺失。
单期影像作物识别阶段，在选择好训练样本和分类方法(例如综合采用直接分类法和分类后比较的方法)后，利用样本训练一个农作物分类模型，训练完成后，利用验证样本验证分类模型的精度，然后将关键期I中分标准影像输入到分类模型中，对模型输出的分类结果进行后处理，得到关键期I分类结果(即关键期I内大豆作物的种植区域)；同理，关键期II中分标准影像分别输入到分类模型中，对模型输出的分类结果进行后处理，得到关键期II分类结果(即关键期II中大豆作物的种植区域)。
多期影像作物识别阶段，根据关键期I分类结果、关键期II分类结果和耕地区空间分布数据，确定大豆作物实际空间分布。可选的，选择两个单期分类结果(例如关键期I分类结果、关键期II分类结果)进行逻辑(交运算)运算，得到农作物空间分布成果，然后与耕作区空间分布数据求交集运算，最终得到大豆作物实际种植空间分布结果。
精度验证阶段，根据预先构建的解释知识库和实际农作物种植调查结果，对得到的大豆作物实际种植区域进行精度验证，并在验证结果满足预设条件后生成精度评估报告。若识别精度不满足预设条件，则返回数据预处理阶段继续判断。
图4是本公开第四实施例的大豆种植区遥感监测识别装置的结构示意图，本实施例可适用于对任一区域内的大豆作物进行监测的情况，参见图4，该装置包括：
数据获取模块401，用于获取目标地域的至少两个不同时相的标准遥感图像；
第一识别模块402，用于基于训练好的农作物分类模型，确定每个标准遥感图像中大豆作物的种植区域；
第二识别模块403，用于根据每个标准遥感图像中大豆作物的种植区域，以及所述目标地域内的耕地分布区域，确定所述大豆作物在所述目标地域内的实际种植区域。
在上述实施例的基础上，可选的，第二识别模块包括：
第一运算单元，用于对各所述标准遥感图像中大豆作物的种植区域进行求交集运算，得到目标种植区域；
第二运算单元，用于对所述目标种植区域和所述耕地分布区域进行求交集运算，得到所述大豆作物在所述目标地域内的实际种植区域。
在上述实施例的基础上，可选的，数据获取模块包括：
数据获取单元，用于根据大豆作物的物候信息，获取目标地域的至少两个不同物候期的原始遥感图像；
预处理单元，用于对所述原始遥感图像进行预处理，得到至少两个不同物候期的标准遥感图像；其中，所述预处理包括如下至少一项：正射校正、图像配准、大气校正、图像融合、镶嵌与裁剪。
在上述实施例的基础上，可选的，该装置还包括：
验证与报告模块，用于在确定所述大豆作物的实际种植区域之后，对得到的大豆作物的实际种植区域进行精度验证，并在验证结果满足预设条件后生成精度评估报告。
在上述实施例的基础上，可选的，第一识别模块具体用于：
基于训练好的农作物分类模型，分别确定每个标准遥感图像中属于大豆作物的目标像元；
将每个标准遥感图像中的目标像元组成的区域作为每个标准遥感图像中大豆作物的种植区域。
本公开实施例所提供的大豆种植区遥感监测识别装置可执行本公开任意实施例所提供的大豆种植区遥感监测识别方法，具备执行方法相应的功能模块和有益效果。
图5是本公开第五实施例中提供的一种电子设备的结构示意图。如图5所示结构，本公开实施例中提供的电子设备包括：一个或多个处理器502和存储器501；该电子设备中的处理器502可以是一个或多个，图5中以一个处理器502为例；存储器501用于存储一个或多个程序；一个或多个程序被一个或多个处理器502执行，使得一个或多个处理器502实现如本公开实施例中任一项的大豆种植区遥感监测识别方法。
该电子设备还可以包括：输入装置503和输出装置504。
该电子设备中的处理器502、存储器501、输入装置503和输出装置504可以通过总线或其他方式连接，图5中以通过总线连接为例。
该电子设备中的存储器501作为一种计算机可读存储介质，可用于存储一个或多个程序，程序可以是软件程序、计算机可执行程序以及模块，如本公开实施例中所提供的大豆种植区遥感监测识别方法对应的程序指令/模块。处理器502通过运行存储在存储器501中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中大豆种植区遥感监测识别方法。
存储器501可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器501可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器501可进一步包括相对于处理器502远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置503可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置504可包括显示屏等显示设备。
并且，当上述电子设备所包括一个或者多个程序被一个或者多个处理器502执行时，程序进行如下操作：
获取目标地域的至少两个不同时相的标准遥感图像；
基于训练好的农作物分类模型，确定每个标准遥感图像中大豆作物的种植区域；
根据每个标准遥感图像中大豆作物的种植区域，以及所述目标地域内的耕地分布区域，确定所述大豆作物在所述目标地域内的实际种植区域。
当然，本领域技术人员可以理解，当上述电子设备所包括一个或者多个程序被一个或者多个处理器502执行时，程序还可以进行本公开任意实施例中所提供的大豆种植区遥感监测识别方法中的相关操作。
本公开的一个实施例中提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行大豆种植区遥感监测识别方法，该方法包括：
获取目标地域的至少两个不同时相的标准遥感图像；
基于训练好的农作物分类模型，确定每个标准遥感图像中大豆作物的种植区域；
根据每个标准遥感图像中大豆作物的种植区域，以及所述目标地域内的耕地分布区域，确定所述大豆作物在所述目标地域内的实际种植区域。
可选的，该程序被处理器执行时还可以用于执行本公开任意实施例中所提供的方法。
本公开实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、可擦式可编程只读存储器(Erasable ProgrammableRead Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、无线电频率(Radio Frequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言(诸如“C”语言或类似的程序设计语言)。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络(例如包括局域网(LAN)或广域网(WAN))连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本公开的较佳实施例及所运用技术原理。本领域技术人员会理解，本公开不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本公开的保护范围。因此，虽然通过以上实施例对本公开进行了较为详细的说明，但是本公开不仅仅限于以上实施例，在不脱离本公开构思的情况下，还可以包括更多其他等效实施例，而本公开的范围由所附的权利要求范围决定。
Claims (10)
1.一种大豆种植区遥感监测识别方法，其特征在于，包括：
获取目标地域的至少两个不同时相的标准遥感图像；
基于训练好的农作物分类模型，确定每个标准遥感图像中大豆作物的种植区域；
根据每个标准遥感图像中大豆作物的种植区域，以及所述目标地域内的耕地分布区域，确定所述大豆作物在所述目标地域内的实际种植区域。
2.根据权利要求1所述的方法，其特征在于，根据每个标准遥感图像中大豆作物的种植区域，以及所述目标地域内的耕地分布区域，确定所述大豆作物在所述目标地域内的实际种植区域，包括：
对各所述标准遥感图像中大豆作物的种植区域进行求交集运算，得到目标种植区域；
对所述目标种植区域和所述耕地分布区域进行求交集运算，得到所述大豆作物在所述目标地域内的实际种植区域。
3.根据权利要求1所述的方法，其特征在于，获取目标地域的至少两个不同时相的标准遥感图像，包括：
根据大豆作物的物候信息，获取目标地域的至少两个不同物候期的原始遥感图像；
对所述原始遥感图像进行预处理，得到至少两个不同物候期的标准遥感图像；其中，所述预处理包括如下至少一项：正射校正、图像配准、大气校正、图像融合、镶嵌与裁剪。
4.根据权利要求1所述的方法，其特征在于，在确定所述大豆作物在所述目标地域内的实际种植区域之后，还包括：
根据预先构建的解释知识库和实际农作物种植调查结果，对得到的大豆作物的实际种植区域进行精度验证，并在验证结果满足预设条件后生成精度评估报告。
5.根据权利要求1所述的方法，其特征在于，基于训练好的农作物分类模型，确定每个标准遥感图像中大豆作物的种植区域，包括：
基于训练好的农作物分类模型，分别确定每个标准遥感图像中属于大豆作物的目标像元；
将每个标准遥感图像中的目标像元组成的区域作为每个标准遥感图像中大豆作物的种植区域。
6.一种大豆种植区遥感监测识别装置，其特征在于，包括：
数据获取模块，用于获取目标地域的至少两个不同时相的标准遥感图像；
第一识别模块，用于基于训练好的农作物分类模型，确定每个标准遥感图像中大豆作物的种植区域；
第二识别模块，用于根据每个标准遥感图像中大豆作物的种植区域，以及所述目标地域内的耕地分布区域，确定所述大豆作物在所述目标地域内的实际种植区域。
7.根据权利要求6所述的装置，其特征在于，所述第二识别模块包括：
第一运算单元，用于对各所述标准遥感图像中大豆作物的种植区域进行求交集运算，得到目标种植区域；
第二运算单元，用于对所述目标种植区域和所述耕地分布区域进行求交集运算，得到所述大豆作物在所述目标地域内的实际种植区域。
8.根据权利要求6所述的装置，其特征在于，所述数据获取模块包括：
数据获取单元，用于根据大豆作物的物候信息，获取目标地域的至少两个不同物候期的原始遥感图像；
预处理单元，用于对所述原始遥感图像进行预处理，得到至少两个不同物候期的标准遥感图像；其中，所述预处理包括如下至少一项：正射校正、图像配准、大气校正、图像融合、镶嵌与裁剪。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110648057.2A CN113177942A (zh) | 2021-06-10 | 2021-06-10 | 大豆种植区遥感监测识别方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110648057.2A CN113177942A (zh) | 2021-06-10 | 2021-06-10 | 大豆种植区遥感监测识别方法、装置、电子设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113177942A true CN113177942A (zh) | 2021-07-27 |
Family
ID=76927924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110648057.2A Pending CN113177942A (zh) | 2021-06-10 | 2021-06-10 | 大豆种植区遥感监测识别方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113177942A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115082808A (zh) * | 2022-06-17 | 2022-09-20 | 安徽大学 | 基于高分一号数据与U-Net模型的大豆种植区提取方法 |
| CN117557915A (zh) * | 2024-01-09 | 2024-02-13 | 中化现代农业有限公司 | 作物品种识别方法、装置、电子设备和存储介质 |
| CN117788351A (zh) * | 2024-02-27 | 2024-03-29 | 杨凌职业技术学院 | 一种农业遥感图像校正方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523525A (zh) * | 2020-07-02 | 2020-08-11 | 航天宏图信息技术股份有限公司 | 农作物分类识别方法、装置和电子设备 |
-
2021
- 2021-06-10 CN CN202110648057.2A patent/CN113177942A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523525A (zh) * | 2020-07-02 | 2020-08-11 | 航天宏图信息技术股份有限公司 | 农作物分类识别方法、装置和电子设备 |
Non-Patent Citations (6)
| Title |
|---|
| 侯亮 等: "基于多时相遥感影像的作物提取研究", 《农业图书情报学刊》 * |
| 张宏斌 等: "锡林浩特草原植被盖度变化研究", 《中国农业资源与区划》 * |
| 张锦水 等: "HJ-1号卫星数据与统计抽样相结合的冬小麦区域面积估算", 《中国农业科学》 * |
| 曾志康 等: "基于国产高时空分辨率卫星影像的作物种植信息提取研究", 《福建农业学报》 * |
| 汪月娇: "基于分层抽样的平湖市小麦种植面积遥感测算方法研究", 《中国农学通报》 * |
| 韩立建 等: "基于多时相IRS-P6卫星AWiFS影像的水稻种植面积提取方法", 《农业工程学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115082808A (zh) * | 2022-06-17 | 2022-09-20 | 安徽大学 | 基于高分一号数据与U-Net模型的大豆种植区提取方法 |
| CN117557915A (zh) * | 2024-01-09 | 2024-02-13 | 中化现代农业有限公司 | 作物品种识别方法、装置、电子设备和存储介质 |
| CN117557915B (zh) * | 2024-01-09 | 2024-04-19 | 中化现代农业有限公司 | 作物品种识别方法、装置、电子设备和存储介质 |
| CN117788351A (zh) * | 2024-02-27 | 2024-03-29 | 杨凌职业技术学院 | 一种农业遥感图像校正方法及系统 |
| CN117788351B (zh) * | 2024-02-27 | 2024-05-03 | 杨凌职业技术学院 | 一种农业遥感图像校正方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN113177942A (zh) | 大豆种植区遥感监测识别方法、装置、电子设备和介质 | |
| Azar et al. | Assessing in-season crop classification performance using satellite data: A test case in Northern Italy | |
| Yan et al. | Multiple cropping intensity in China derived from agro-meteorological observations and MODIS data | |
| Huang et al. | BESS-Rice: A remote sensing derived and biophysical process-based rice productivity simulation model | |
| CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
| Dehkordi et al. | Yield gap analysis using remote sensing and modelling approaches: Wheat in the northwest of Iran | |
| US20210223433A1 (en) | Determination of location-specific weather information for agronomic decision support | |
| Chen et al. | Global datasets of leaf photosynthetic capacity for ecological and earth system research | |
| CN113723319A (zh) | 一种基于风云卫星数据的水稻种植分布提取方法 | |
| Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
| CN114220022A (zh) | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 | |
| CN108596029A (zh) | 农作物分类方法、装置、计算机设备和存储介质 | |
| Liu et al. | Open-air grape classification and its application in parcel-level risk assessment of late frost in the eastern Helan Mountains | |
| Vanino et al. | Earth observation for improving irrigation water management: A case-study from Apulia Region in Italy | |
| Bazkiaee et al. | The rice yield gap estimation using integrated system approaches: a case study—Guilan province, Iran | |
| Huang et al. | Digital image analysis technologies for decision support systems in agricultural | |
| 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 | |
| Bhattarai et al. | Influence of modeling domain and meteorological forcing data on daily evapotranspiration estimates from a Shuttleworth–Wallace model using Sentinel-2 surface reflectance data | |
| Escobar-Silva et al. | A general grass growth model for urban green spaces management in tropical regions: A case study with bahiagrass in southeastern Brazil | |
| CN113435574A (zh) | 一种卷积神经网络土壤速效钾分析模型构建系统及方法 | |
| Mashonganyika et al. | Mapping of Winter Wheat Using Sentinel-2 NDVI Data | |
| CN113408701A (zh) | 一种卷积神经网络土壤有机质分析模型构建系统及方法 | |
| CN113420875A (zh) | 一种卷积神经网络土壤有效磷分析模型构建系统及方法 | |
| Bruscolini et al. | Drone services for plant water-status 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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210727 |