CN113240340B - 基于模糊分类的大豆种植区分析方法、装置、设备和介质 - Google Patents
基于模糊分类的大豆种植区分析方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113240340B CN113240340B CN202110646654.1A CN202110646654A CN113240340B CN 113240340 B CN113240340 B CN 113240340B CN 202110646654 A CN202110646654 A CN 202110646654A CN 113240340 B CN113240340 B CN 113240340B
- Authority
- CN
- China
- Prior art keywords
- soybean
- target
- remote sensing
- soybean crops
- crops
- 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
- 244000068988 Glycine max Species 0.000 title claims abstract description 185
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 185
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000007635 classification algorithm Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 23
- 238000013145 classification model Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 12
- 238000011835 investigation Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- 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
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种基于模糊分类的大豆种植区分析方法、装置、设备和介质,方法包括:获取目标地域的至少两个不同时相的遥感图像,并在每个遥感图像中分别识别属于大豆作物的目标像元;针对任一时相的所述遥感图像,执行如下操作:确定该遥感图像中目标像元对应的植被指数特征;基于模糊分类算法,根据各目标像元对应的植被指数特征,确定各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元;将真实像元在遥感图像中组成的区域作为该时相下大豆作物的种植区域;根据大豆作物在不同时相下的种植区域,确定大豆作物在目标地域内的实际种植区域。本公开实施例提升了大豆种植区识别的精度。
Description
技术领域
本公开涉及农作物遥感监测领域,尤其涉及一种基于模糊分类的大豆种植区分析方法、装置、电子设备和存储介质。
背景技术
随着互联网、物联网、云计算、大数据等现代信息技术的日趋成熟,使得农业信息化从单项农业技术应用转向综合技术集成、组装和配套应用,信息技术的发展为智能农业技术的快速发展提供了坚实的基础条件,也带来了难得发展机遇。
发明内容
本公开提供一种基于模糊分类的大豆种植区分析方法、装置、电子设备和存储介质。
第一方面,本公开提供了一种基于模糊分类的大豆种植区分析方法,方法包括:
获取目标地域的至少两个不同时相的遥感图像,并在每个所述遥感图像中分别识别属于大豆作物的目标像元;
针对任一时相的所述遥感图像,执行如下操作:确定该遥感图像中所述目标像元对应的植被指数特征;基于模糊分类算法,根据各所述目标像元对应的植被指数特征,确定各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元;将所述真实像元在遥感图像中组成的区域作为该时相下大豆作物的种植区域;
根据所述大豆作物在不同时相下的种植区域,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,本公开提供了一种基于模糊分类的大豆种植区分析装置,包括:
获取与识别模块,用于获取目标地域的至少两个不同时相的遥感图像,并在每个所述遥感图像中分别识别属于大豆作物的目标像元;
模糊分类模块,用于针对任一时相的所述遥感图像,执行如下操作:确定该遥感图像中所述目标像元对应的植被指数特征;基于模糊分类算法,根据各所述目标像元对应的植被指数特征,确定各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元;将所述真实像元在遥感图像中组成的区域作为该时相下大豆作物的种植区域;
种植区域确定模块,用于根据所述大豆作物在不同时相下的种植区域,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基于模糊分类的大豆种植区分析方法。
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基于模糊分类的大豆种植区分析方法。
本公开中,依次识别多个时相的遥感图像中属于大豆作物的目标像元后,基于模糊分类算法对目标像元是否属于大豆作物进行筛选,进而基于筛选出的真实像元确定大豆作物在各个时相下的种植区域,最后根据大豆作物在不同时相下的种植区域,确定大豆作物的实际种植区域。由于利用模糊算法对识别出的属于大豆作物的目标像元进行二次筛选,排除被误识别为大豆作物的像元,进而保证了确定的大豆作物实际种植区域的准确性。
附图说明
图1是本公开第一实施例中的基于模糊分类的大豆种植区分析方法的流程示意图;
图2是本公开第二实施例中的基于模糊分类的大豆种植区分析方法的流程示意图;
图3是本公开第三实施例中的基于模糊分类的大豆种植区分析装置的结构示意图;
图4是本公开第四实施例中的实现基于模糊分类的大豆种植区分析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基于模糊分类的大豆种植区分析方法的流程图,本实施例可适用于对任一地域内的大豆作物进行监测的情况,该方法可以由基于模糊分类的大豆种植区分析装置来执行,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,基于模糊分类的大豆种植区分析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遥感图像,并在每个所述遥感图像中分别识别属于大豆作物的目标像元。
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。
本公开实施例中,不同时相的遥感图像是指在不同时间获取的目标地域的遥感图像,可选的,不同时相的遥感图像可以是在农作物不同生长阶段获取的遥感图像。而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。在此需要说明的是,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。
本公开实施例中,要从遥感图像中将大豆作物识别出来,需要对遥感图像进行分类。需要说明的是,对遥感图像进行分类,即是将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,也即每个子区域是由属于同类农作物的像元组成。因此,在本公开实施例中,对不同时相的遥感图像进行分类,即是在每个遥感图像中分别识别属于大豆作物的目标像元,而具体采用的识别方法在此不做具体限定。
在大豆作物种植区遥感监测过程中,针对作物物候期接近或者大片分布的作物种植区,遥感图像的特征相差不大,有时会导致在遥感图像中识别出的属于大豆作物的目标像元并不准确,也即存在有的像元被误识别为大豆作物,如果直接将目标像元组成的区域作为大豆作物的种植区,会使得确定的大豆作物种植区的准确性较低。基于此,引入了模糊分类的方法,对被识别属于大豆作物的目标像元进行二次识别,具体的,参见如下S102的步骤。
S102、针对任一时相的所述遥感图像,执行如下操作:确定该遥感图像中所述目标像元对应的植被指数特征;基于模糊分类算法,根据各所述目标像元对应的植被指数特征,确定各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元;将所述真实像元在遥感图像中组成的区域作为该时相下大豆作物的种植区域。
由于S101中获取了多个不同时相的遥感图像,并确定了每个遥感图中属于大豆作物的目标像元,因此在本步骤中,依次对每个遥感图中的目标像元进行模糊分类处理,以排除被误识别的目标像元。而在具体的实现时,针对任一时相的所述遥感图像,执行如下操作:根据遥感图像中目标像元的光谱特征,确定该遥感图像中目标像元对应的植被指数特征,其中,植被指数是对地表植被状况的简单、有效和经验的度量,具体的,植被指数是不同遥感光谱波段间的线性或非线性组合。进而基于模糊分类算法,根据各所述目标像元对应的植被指数特征,确定各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元。可选的,根据各目标像元对应的植被指数特征,利用预先确定的隶属度函数分别计算各目标像元属于大豆作物的隶属度,例如将各目标像元对应的植被指数特征作为隶属度函数的输入,根据隶属度函数的输出确定目标像元属于大豆作物的隶属度,其中,所述隶属度函数为高斯型隶属度函数。将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元,也即如果目标像元属于大豆作物的隶属度超过预设阈值,则该目标像元当作真实像元保留,反之,如果目标像元属于大豆作物的隶属度未超过预设阈值,则将该目标像元丢弃,由此可以有效减少被误识别为大豆作物的像元。在此需要说明的是,由于不同时相下,大豆作物的植被指数不同,为了准确识别大豆作物,需要保证每个时相下的预设阈值不同。
S103、根据所述大豆作物在不同时相下的种植区域,确定所述大豆作物在所述目标地域内的实际种植区域。
在S102步骤中,每个时相的遥感图像都各自对应一个大豆作物的种植区域,然而由于根据不同时相的遥感图像确定的大豆作物的种植区域大小可能不同,为了精准确定大豆作物在目标地域内的实际种植区域,需要综合考虑大豆作物在不同时相下的种植区域。在一种可选的实施方式,可以将大豆作物在不同时相下的种植区域进行求交集运算,并将运算结果作为大豆作物在所述目标地域内的实际种植区域,也即将各时相下的种植区域的交集区域作为大豆作物实际种植区域。进一步的,由于每个像元都具有空间位置信息,因此可根据实际种植区域包括的像元的空间位置信息,确定大豆作物实际种植区域的经纬度信息。
在此需要说明的是,在进行求交集运算之前,还需根据多期合成运算的分辨率要求,将低分辨率图像重采样为最高分辨率,其中,重采样采用最近邻法。由于分类结果是像元级别,而非地块级别,分类后会有一些零星分散的噪声像元,需去除掉。
本公开实施例中,依次识别多个时相的遥感图像中属于大豆作物的目标像元后,基于模糊分类算法对目标像元是否属于大豆作物进行筛选,进而基于筛选出的真实像元确定大豆作物在各个时相下的种植区域,最后根据大豆作物在不同时相下的种植区域,确定大豆作物的实际种植区域。由于利用模糊算法对识别出的属于大豆作物的目标像元进行二次筛选,排除被误识别为大豆作物的像元,进而保证了确定大豆作物实际种植区域的准确性。
图2是本公开第二实施例的基于模糊分类的大豆种植区分析方法的流程图,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。大豆作物的物候期可以分为播种期、发芽期、幼苗期、分枝期、开花期、结荚期和成熟收获期,每个物候期都各自对应一个时间段,需要说明的是,因为气候、降水、光照等因素的印象,不同地域的大豆物候期对应的时间段存在差异。本公开实施例中,可根据目标地域的地理位置,确定大豆的物候期。进而为了保证识别的准确性,可以在大豆作物分枝期、开花期和结荚期各自对应时间,分别获取目标地域的遥感图像。
S202、基于训练好的农作物分类模型,分别识别每个遥感图像中属于大豆作物的目标像元。
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分到若干类别中的一类。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农作物类别,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遥感图像中属于大豆作物的目标像元。
S203、针对任一时相的所述遥感图像,执行如下操作:确定该遥感图像中所述目标像元对应的植被指数特征;基于模糊分类算法,根据各所述目标像元对应的植被指数特征,确定各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元;将所述真实像元在遥感图像中组成的区域作为该时相下大豆作物的种植区域。
S204、根据所述大豆作物在不同时相下的种植区域,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,S203-S204的过程可参见上述实施例,在此不再赘述。
S205、基于预先构建的解释知识库,对得到的大豆作物的实际种植区域进行精度验证。
在确定大豆作物在所述目标地域内的实际种植区域之后,还需对对得到的大豆作物的实际种植区域进行精度验证。在一种可选的实施方式中,可在实际种植区域中抽选一定数量的检验点,利用预先构建的解释知识库中的先验知识对检测点的地物类型进行标定,作为参考数据,建立参考数据和检验点的实际分类数据,测算总体精度、生产者精度和用户精度。
示例性的,生成误差矩阵的格式如下:
总体精度:OA=Xii/N
用户精度:PA=Xij/x+j
生产者精度:OA=Xij/xi+
其中,Xii代表对角线上分类数据与参考数据一致的个数,N代表总检验点的个数,x+j代表第j列检验点总数,xi+代表第i行检验点总数。
本公开实施例中,基于训练好的农作物分类模型,分别识别每个遥感图像中属于大豆作物的目标像元,可以提升识别效率;而通过精度验证,可以确定大豆作物基于模糊分类的大豆种植区分析的准确性。
图3是本公开第三实施例的基于模糊分类的大豆种植区分析装置的结构示意图,本实施例可适用于对任一地域内的大豆作物进行监测的情况,参见图3,该装置包括:
获取与识别模块301,用于获取目标地域的至少两个不同时相的遥感图像,并在每个所述遥感图像中分别识别属于大豆作物的目标像元;
模糊分类模块302,用于针对任一时相的所述遥感图像,执行如下操作:确定该遥感图像中所述目标像元对应的植被指数特征;基于模糊分类算法,根据各所述目标像元对应的植被指数特征,确定各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元;将所述真实像元在遥感图像中组成的区域作为该时相下大豆作物的种植区域;
种植区域确定模块303,用于根据所述大豆作物在不同时相下的种植区域,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,获取与识别模块包括:
获取单元,用于根据所述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遥感图像;
识别单元,用于基于训练好的农作物分类模型,分别识别每个遥感图像中属于大豆作物的目标像元。
在上述实施例的基础上,可选的,模糊分类模块包括:
模糊处理单元,用于根据各所述目标像元对应的植被指数特征,利用预先确定的隶属度函数分别计算各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元;其中,所述隶属度函数为高斯型隶属度函数;每个时相下的预设阈值不同。
在上述实施例的基础上,可选的,种植区域确定模块具体用于:
将所述大豆作物在不同时相下的种植区域进行求交集运算,并将运算结果作为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,所述装置还包括:
精度验证模块,用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,基于预先构建的解释知识库,对得到的大豆作物的实际种植区域进行精度验证。
本公开实施例所提供的基于模糊分类的大豆种植区分析装置可执行本公开任意实施例所提供的基于模糊分类的大豆种植区分析方法,具备执行方法相应的功能模块和有益效果。
图4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4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402和存储器401;该电子设备中的处理器402可以是一个或多个,图4中以一个处理器402为例;存储器401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402执行,使得一个或多个处理器402实现如本公开实施例中任一项的基于模糊分类的大豆种植区分析方法。
该电子设备还可以包括:输入装置403和输出装置404。
该电子设备中的处理器402、存储器401、输入装置403和输出装置404可以通过总线或其他方式连接,图4中以通过总线连接为例。
该电子设备中的存储器401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基于模糊分类的大豆种植区分析方法对应的程序指令/模块。处理器402通过运行存储在存储器401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基于模糊分类的大豆种植区分析方法。
存储器401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401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401可进一步包括相对于处理器402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403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404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402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遥感图像,并在每个所述遥感图像中分别识别属于大豆作物的目标像元;
针对任一时相的所述遥感图像,执行如下操作:确定该遥感图像中所述目标像元对应的植被指数特征;基于模糊分类算法,根据各所述目标像元对应的植被指数特征,确定各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元;将所述真实像元在遥感图像中组成的区域作为该时相下大豆作物的种植区域;
根据所述大豆作物在不同时相下的种植区域,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402执行时,程序还可以进行本公开任意实施例中所提供的基于模糊分类的大豆种植区分析方法中的相关操作。
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基于模糊分类的大豆种植区分析方法,该方法包括:
获取目标地域的至少两个不同时相的遥感图像,并在每个所述遥感图像中分别识别属于大豆作物的目标像元;
针对任一时相的所述遥感图像,执行如下操作:确定该遥感图像中所述目标像元对应的植被指数特征;基于模糊分类算法,根据各所述目标像元对应的植被指数特征,确定各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元;将所述真实像元在遥感图像中组成的区域作为该时相下大豆作物的种植区域;
根据所述大豆作物在不同时相下的种植区域,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 (5)
1.一种基于模糊分类的大豆种植区分析方法,其特征在于,包括:
获取目标地域的至少两个不同时相的遥感图像,并在每个所述遥感图像中分别识别属于大豆作物的目标像元;
针对任一时相的所述遥感图像,执行如下操作:确定该遥感图像中所述目标像元对应的植被指数特征;基于模糊分类算法,根据各所述目标像元对应的植被指数特征,确定各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元;将所述真实像元在遥感图像中组成的区域作为该时相下大豆作物的种植区域;
根据所述大豆作物在不同时相下的种植区域,确定所述大豆作物在所述目标地域内的实际种植区域;
所述获取目标地域的至少两个不同时相的遥感图像,并在每个所述遥感图像中分别识别属于大豆作物的目标像元,包括:
根据所述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遥感图像;
基于训练好的农作物分类模型,分别识别每个遥感图像中属于大豆作物的目标像元;
所述基于模糊分类算法,根据各所述目标像元对应的植被指数特征,确定各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元,包括:
根据各所述目标像元对应的植被指数特征,利用预先确定的隶属度函数分别计算各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元;其中,所述隶属度函数为高斯型隶属度函数;每个时相下的预设阈值不同;
所述利用预先确定的隶属度函数分别计算各目标像元属于大豆作物的隶属度包括:
将各目标像元对应的植被指数特征作为隶属度函数的输入,根据隶属度函数的输出确定目标像元属于大豆作物的隶属度;
根据所述大豆作物在不同时相下的种植区域,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:
根据多期合成运算的分辨率要求,将低分辨率图像重采样为最高分辨率,将所述大豆作物在不同时相下的种植区域进行求交集运算,并将运算结果作为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,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,所述方法还包括:
基于预先构建的解释知识库,对得到的大豆作物的实际种植区域进行精度验证。
3.一种基于模糊分类的大豆种植区分析装置,其特征在于,包括:
获取与识别模块,用于获取目标地域的至少两个不同时相的遥感图像,并在每个所述遥感图像中分别识别属于大豆作物的目标像元;
模糊分类模块,用于针对任一时相的所述遥感图像,执行如下操作:确定该遥感图像中所述目标像元对应的植被指数特征;基于模糊分类算法,根据各所述目标像元对应的植被指数特征,确定各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元;将所述真实像元在遥感图像中组成的区域作为该时相下大豆作物的种植区域;
种植区域确定模块,用于根据所述大豆作物在不同时相下的种植区域,确定所述大豆作物在所述目标地域内的实际种植区域;
所述获取与识别模块包括:
获取单元,用于根据所述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遥感图像;
识别单元,用于基于训练好的农作物分类模型,分别识别每个遥感图像中属于大豆作物的目标像元;
所述模糊分类模块包括:
模糊处理单元,用于根据各所述目标像元对应的植被指数特征,利用预先确定的隶属度函数分别计算各目标像元属于大豆作物的隶属度,并将隶属度大于预设阈值的目标像元作为属于大豆作物的真实像元;其中,所述隶属度函数为高斯型隶属度函数;每个时相下的预设阈值不同;
所述利用预先确定的隶属度函数分别计算各目标像元属于大豆作物的隶属度包括:
将各目标像元对应的植被指数特征作为隶属度函数的输入,根据隶属度函数的输出确定目标像元属于大豆作物的隶属度;
所述种植区域确定模块具体用于:
根据多期合成运算的分辨率要求,将低分辨率图像重采样为最高分辨率,将所述大豆作物在不同时相下的种植区域进行求交集运算,并将运算结果作为所述大豆作物在所述目标地域内的实际种植区域。
4.一种电子设备,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1-2中任一项所述的方法。
5.一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1-2中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110646654.1A CN113240340B (zh) | 2021-06-10 | 2021-06-10 | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110646654.1A CN113240340B (zh) | 2021-06-10 | 2021-06-10 | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240340A CN113240340A (zh) | 2021-08-10 |
CN113240340B true CN113240340B (zh) | 2024-04-16 |
Family
ID=77139457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110646654.1A Active CN113240340B (zh) | 2021-06-10 | 2021-06-10 | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240340B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001033505A2 (en) * | 1999-11-04 | 2001-05-10 | Monsanto Company | Multi-variable model for identifying crop response zones in a field |
CN104063718A (zh) * | 2014-04-01 | 2014-09-24 | 中国科学院遥感与数字地球研究所 | 在作物识别和面积估算中选择遥感数据和分类算法的方法 |
CN107527014A (zh) * | 2017-07-20 | 2017-12-29 | 武汉珈和科技有限公司 | 县级作物种植面积遥感统计抽样调查方案设计方法 |
CN110245694A (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分割的西北地区农膜信息分析方法 |
CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
CN111949817A (zh) * | 2020-09-09 | 2020-11-17 | 中国农业科学院农业信息研究所 | 基于遥感影像的农作物信息展示系统、方法、设备及介质 |
-
2021
- 2021-06-10 CN CN202110646654.1A patent/CN113240340B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001033505A2 (en) * | 1999-11-04 | 2001-05-10 | Monsanto Company | Multi-variable model for identifying crop response zones in a field |
CN104063718A (zh) * | 2014-04-01 | 2014-09-24 | 中国科学院遥感与数字地球研究所 | 在作物识别和面积估算中选择遥感数据和分类算法的方法 |
CN107527014A (zh) * | 2017-07-20 | 2017-12-29 | 武汉珈和科技有限公司 | 县级作物种植面积遥感统计抽样调查方案设计方法 |
CN110245694A (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分割的西北地区农膜信息分析方法 |
CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
CN111949817A (zh) * | 2020-09-09 | 2020-11-17 | 中国农业科学院农业信息研究所 | 基于遥感影像的农作物信息展示系统、方法、设备及介质 |
Non-Patent Citations (1)
Title |
---|
基于MODIS遥感数据混合像元分解的小麦识别及其面积估算;蔡薇;中国优秀硕士学位论文全文数据 信息科技辑(第第3期期);I140-523 * |
Also Published As
Publication number | Publication date |
---|---|
CN113240340A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11275197B2 (en) | Forecasting national crop yield during the growing season | |
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
Fawcett et al. | Unmanned aerial vehicle (UAV) derived structure-from-motion photogrammetry point clouds for oil palm (Elaeis guineensis) canopy segmentation and height estimation | |
CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
Bui et al. | Whale Optimization Algorithm and Adaptive Neuro-Fuzzy Inference System: a hybrid method for feature selection and land pattern classification | |
CN111126662B (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
EP3719722A1 (en) | Forecasting national crop yield during the growing season | |
Liu et al. | Estimating maize seedling number with UAV RGB images and advanced image processing methods | |
Wang et al. | Classification of rice yield using UAV-based hyperspectral imagery and lodging feature | |
Solvin et al. | Use of UAV photogrammetric data in forest genetic trials: measuring tree height, growth, and phenology in Norway spruce (Picea abies L. Karst.) | |
US11317570B2 (en) | Peanut maturity grading systems and methods | |
US11762125B2 (en) | Forecasting national crop yield during the growing season | |
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 | |
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 | |
CN111652195A (zh) | 一种土地利用变化分析预测方法 | |
Matias et al. | Bison‐Fly: An open‐source UAV pipeline for plant breeding data collection | |
Guo et al. | Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
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 | |
WO2023131949A1 (en) | A versatile crop yield estimator | |
Sevillano Marco et al. | Improvement of existing and development of future Copernicus land monitoring products–the ECOLASS project | |
CN112966579B (zh) | 一种基于无人机遥感的大面积油茶林快速估产方法 | |
CN116823918B (zh) | 作物苗株数测量方法、装置、电子设备及存储介质 | |
CN116109712B (zh) | 望远镜指向天区背景天光的自动测量方法和测量设备 | |
CN117218528A (zh) | 模型训练方法、分蘖数预测方法、装置、设备及介质 |
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 |