CN113376123B - 基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法 - Google Patents
基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法 Download PDFInfo
- Publication number
- CN113376123B CN113376123B CN202110658551.7A CN202110658551A CN113376123B CN 113376123 B CN113376123 B CN 113376123B CN 202110658551 A CN202110658551 A CN 202110658551A CN 113376123 B CN113376123 B CN 113376123B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- time sequence
- index
- pigment
- soil
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 120
- 230000008878 coupling Effects 0.000 title claims abstract description 54
- 238000010168 coupling process Methods 0.000 title claims abstract description 54
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 54
- 239000006185 dispersion Substances 0.000 title claims abstract description 51
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 239000002699 waste material Substances 0.000 title claims description 14
- 239000000049 pigment Substances 0.000 claims abstract description 70
- 230000008859 change Effects 0.000 claims abstract description 23
- 101001057166 Homo sapiens Protein EVI2A Proteins 0.000 claims description 48
- 102100027246 Protein EVI2A Human genes 0.000 claims description 48
- 238000009825 accumulation Methods 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 32
- 238000011160 research Methods 0.000 claims description 25
- 238000002310 reflectometry Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- XJCLWVXTCRQIDI-UHFFFAOYSA-N Sulfallate Chemical compound CCN(CC)C(=S)SCC(Cl)=C XJCLWVXTCRQIDI-UHFFFAOYSA-N 0.000 claims 2
- 241000196324 Embryophyta Species 0.000 abstract description 6
- 230000002194 synthesizing effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 16
- 238000009336 multiple cropping Methods 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 244000025254 Cannabis sativa Species 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000021466 carotenoid Nutrition 0.000 description 1
- 150000001747 carotenoids Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G01N21/55—Specular reflectivity
-
- 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
- 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Cultivation Of Plants (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于植被‑色素‑土壤时序耦合离散度的耕地抛荒信息提取方法,该方法基于植被指数、色素指数和土壤指数时序数据集,综合植被、土壤与色素三个维度,考虑耕地抛荒区域有别于农作物耕种区域的特点,通过设计植被‑色素‑土壤时序耦合离散度指标,建立耕地抛荒信息提取方法。本发明利用相对耕作区域而言,耕地抛荒区域色素指数与植被指数变化同步性好,并且土壤指数和植被指数相对变化更加平稳的特点,通过设计综合多维度遥感指数时序耦合度指标,用于耕地抛荒信息提取。本发明克服了南方湿润区耕地抛荒后杂草丛生仅仅通过植被指数难以有效监测的问题,适用于大尺度耕地抛荒信息提取。
Description
技术领域
本发明涉及农业遥感领域,特别是一种基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法。
背景技术
随着农村劳动力转移,我国南方丘陵山区耕地抛荒问题日趋严重。为保障18亿亩耕地防线,摸清我国耕地抛荒总体情况,快速监测耕地抛荒分布范围,具有重要意义。目前,耕地抛荒数据主要通过农户抽样调查和遥感获取。农户抽样调查能获取详实的耕地抛荒分布信息,但只能抽样获取样点区域内耕地抛荒信息,难以避免抽样统计估算误差,并且需要耗费大量的人力物力财力。随着中高分辨率时序遥感数据源的不断丰富,为耕地抛荒信息获取带来了很大机遇。耕地抛荒后由于缺乏施肥灌溉等管理措施,植被覆盖状况远远低于农作物,因此通常将植被指数年内最大值作为耕地是否抛荒的重要依据。基于植被指数最大值的耕地抛荒识别方法,在我国耕地水热资源贫瘠区域,例如北方干旱区具有一定的适用性。但对于我国南方热带亚热带湿润区而言,耕地抛荒后通常杂草丛生,植被指数年内最大值通常较高,仅仅依据植被指数年内最大值,难以有效区分耕作或抛荒区域。因此需要扩展耕地抛荒遥感监测信息维度,结合耕地抛荒后在植被色素和土壤指数方面有别于耕作区域的特征,设计构建新型的耕地抛荒信息提取方法。
发明内容
有鉴于此,本发明的目的是提供一种基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法,克服了南方湿润区耕地抛荒后杂草丛生仅仅通过植被指数难以有效监测的问题,适用于大尺度耕地抛荒信息提取。
本发明采用以下方案实现:一种基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法,包括如下步骤:
步骤S1:建立研究区多维度遥感指数时序数据集;
步骤S2:计算植被-色素时序差分累积量;
步骤S3:计算植被-土壤时序差分累积量;
步骤S4:设计植被-色素-土壤时序耦合离散度;
步骤S5:建立耕地抛荒信息提取流程;
步骤S6:依据上述步骤获得研究区耕地抛荒空间分布图。
进一步地,基于哨兵波段的反射率数据,依次计算植被指数EVI2、色素指数CRI和土壤指数DBSI;逐像元在研究年份内按照时间顺序依次计算EVI2、CRI、DBSI指数,从而获得研究区该年份EVI2、CRI、DBSI指数时序数据集;基于研究区剔除云干扰后的EVI2、CRI、DBSI指数时序数据集,采用Whittaker Smoother数据平滑方法,逐像元构建研究年份内逐日连续平滑的EVI2、CRI、DBSI指数时序数据集;
EVI2指数的计算公式为:
其中,ρRed,ρNIR分别为哨兵影像的红光、近红外波段的反射率;
色素指数的计算公式为:其中ρBlue、ρVRE1表示哨兵影像蓝光、第一红光边缘波段的反射率;
土壤指数DBSI的计算公式为:其中ρSWIR1、ρGreen、ρNIR、ρRed分别表示哨兵影像第一短波红外、绿光、近红外、红光波段的反射率。
进一步地,所述步骤S2中,逐像元逐日对植被指数与色素指数进行相减,然后对植被指数与色素指数相减所形成的时序数据进行时序差分,形成植被-色素差分时序数据,进一步对差分时序数据实施逐日取其绝对值然后进行累加操作,获得植被-色素时序差分累积量。
进一步地,步骤S2中所述植被-色素时序差分累积量CDEC的计算公式为:式中,EVI2t、CRIt分别表示第t天植被指数、色素指数数值;t表示第t天;N的取值为364。
进一步地,所述步骤S3中,逐像元逐日对植被指数与土壤指数进行相减,然后对植被指数与土壤指数相减所形成的时序数据进行时序差分,形成植被-土壤指数差分时序数据,进一步对差分时序数据实施逐日取其绝对值然后进行累加操作,获得植被-土壤时序差分累积量。
进一步地,步骤S3中所述植被-土壤时序差分累积量CDED的计算公式为:EVI2t、DBSIt分别表示第t天植被指数、土壤指数数值;N的取值为364。
进一步地,所述步骤S4的具体内容为:基于植被-色素时序差分累积量以及植被-土壤时序差分累积量,建立植被-色素-土壤时序耦合离散度。
进一步地,所设计的植被-色素-土壤时序耦合离散度VCD,其表达式为:VCD=(CDEC+CDED)/364;式中,CDEC、CDED分别表示植被-色素时序差分累积量、植被-土壤时序差分累积量。
进一步地,基于植被-色素-土壤时序耦合离散度,建立耕地抛荒区域信息提取流程,其依据在于,耕地抛荒区域内,色素指数时序曲线和植被指数时序变化同步,并且植被-土壤指数差分时序曲线变化平稳;而耕作区域内,色素指数时序曲线和植被指数呈现出逆向变化特征,并且植被-土壤指数差分时序曲线变化幅度大;
依据植被-色素-土壤时序耦合离散度,进行耕地抛荒区域信息提取,其流程为:如果该像元在某年份Yi植被-色素-土壤时序耦合离散度VCDi<ω,则该像元判断为疑似抛荒;如果进一步确定该像元在下一年份植被-色素-土壤时序耦合离散度VCDi+1<ω,则该像元在该年份Yi出现耕地抛荒,其他情况为耕作区。
进一步地,所述设置阈值ω取值为0.6,该阈值ω在不同区域实际应用中在0.06范围内适当调整。
与现有技术相比,本发明具有以下有益效果:
(1)本发明适应范围广,能同时应用于我国北方干旱区以及南方湿润区耕地抛荒信息提取;而常规仅仅基于植被指数峰值大小的方法,难以有效区分南方水热条件丰富地区耕地抛荒信息有效提取。
(2)本发明精度高,结合植被指数、色素指数以及土壤指数等多维度时序数据,设计植被-色素-土壤时空耦合度指标,能高精度有效提取耕地抛荒信息。
(3)本发明鲁棒性强,本发明所设计的方法,不仅能应对高质量耕地抛荒后植被生长茂盛容易漏分的问题,同时也能有效处理低等级耕地农作物长势欠佳容易被错分为耕地抛荒的挑战。即使由于干旱和土壤肥力低下等各种因素导致耕作区农作物植被指数峰值偏低,本发明中所设计的植被-色素-土壤多维度时序耦合离散度依然符合耕作区的特点。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的耕地抛荒区和耕作区的EVI2、CRI指数时序曲线图,其中,图2(a)为南方耕地抛荒的EVI2、CRI指数时序曲线图,图2(b)为北方耕地抛荒的EVI2、CRI指数时序曲线图,图2(c)为单熟制的EVI2、CRI指数时序曲线图,图2(d)为多熟制的EVI2、CRI指数时序曲线图。
图3为本发明实施例的耕地抛荒区和耕作区的EVI2、DBSI指数时序曲线图,其中,图3(a)为南方耕地抛荒的EVI2、DBSI指数时序曲线图,图3(b)为北方耕地抛荒的EVI2、DBSI指数时序曲线图,图3(c)为单熟制的EVI2、DBSI指数时序曲线图,图3(d)为多熟制的EVI2、DBSI指数时序曲线图。
图4为本发明实施例的耕地抛荒区和耕作区的EVI2-CRI以及时序差分时序曲线图,其中,图4(a)为南方耕地抛荒的EVI2-CRI以及时序差分时序曲线图,图4(b)为北方耕地抛荒的EVI2-CRI以及时序差分时序曲线图,图4(c)为单熟制的EVI2-CRI以及时序差分时序曲线图,图4(d)为多熟制的EVI2-CRI以及时序差分时序曲线图。
图5为本发明实施例的耕地抛荒区和耕作区的EVI2-DBSI以及时序差分时序曲线图,其中,图5(a)为南方耕地抛荒的EVI2-DBSI以及时序差分时序曲线图,图5(b)为北方耕地抛荒的EVI2-DBSI以及时序差分时序曲线图,图5(c)为单熟制的EVI2-DBSI以及时序差分时序曲线图,图5(d)为多熟制的EVI2-DBSI以及时序差分时序曲线图。
图6为本发明实施例的耕地抛荒信息提取技术流程图。
图7为本发明实施例的研究区耕地抛荒空间分布图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供一种基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法,包括如下步骤:
步骤S1:建立研究区多维度遥感指数时序数据集;
步骤S2:计算植被-色素时序差分累积量;
步骤S3:计算植被-土壤时序差分累积量;
步骤S4:设计植被-色素-土壤时序耦合离散度;
步骤S5:建立耕地抛荒信息提取流程;
步骤S6:依据上述步骤获得研究区耕地抛荒空间分布图。
在本实施例中,基于哨兵波段的反射率数据,依次计算植被指数EVI2、色素指数CRI和土壤指数DBSI;逐像元在研究年份内按照时间顺序依次计算EVI2、CRI、DBSI指数,从而获得研究区该年份EVI2、CRI、DBSI指数时序数据集;基于研究区剔除云干扰后的EVI2、CRI、DBSI指数时序数据集,采用Whittaker Smoother数据平滑方法,逐像元构建研究年份内逐日连续平滑的EVI2、CRI、DBSI指数时序数据集;
EVI2指数的计算公式为:
其中,ρRed,ρNIR分别为哨兵影像的红光、近红外波段的反射率;
色素指数的计算公式为:其中ρBlue、ρVRE1表示哨兵影像蓝光、第一红光边缘波段的反射率;
土壤指数DBSI的计算公式为:其中ρSWIR1、ρGreen、ρNIR、ρRed分别表示哨兵影像第一短波红外、绿光、近红外、红光波段的反射率。
在本实施例中,所述步骤S2中,逐像元逐日对植被指数与色素指数进行相减,然后对植被指数与色素指数相减所形成的时序数据进行时序差分,形成植被-色素差分时序数据,进一步对差分时序数据实施逐日取其绝对值然后进行累加操作,获得植被-色素时序差分累积量。
在本实施例中,步骤S2中所述植被-色素时序差分累积量CDEC的计算公式为:式中,EVI2t、CRIt分别表示第t天植被指数、色素指数数值;t表示第t天;N的取值为364。
在本实施例中,所述步骤S3中,逐像元逐日对植被指数与土壤指数进行相减,然后对植被指数与土壤指数相减所形成的时序数据进行时序差分,形成植被-土壤指数差分时序数据,进一步对差分时序数据实施逐日取其绝对值然后进行累加操作,获得植被-土壤时序差分累积量。
在本实施例中,步骤S3中所述植被-土壤时序差分累积量CDED的计算公式为:EVI2t、DBSIt分别表示第t天植被指数、土壤指数数值;N的取值为364。
在本实施例中,所述步骤S4的具体内容为:基于植被-色素时序差分累积量以及植被-土壤时序差分累积量,建立植被-色素-土壤时序耦合离散度。
在本实施例中,所设计的植被-色素-土壤时序耦合离散度VCD,其表达式为:VCD=(CDEC+CDED)/364;式中,CDEC、CDED分别表示植被-色素时序差分累积量、植被-土壤时序差分累积量。
在本实施例中,基于植被-色素-土壤时序耦合离散度,建立耕地抛荒区域信息提取流程,其依据在于,耕地抛荒区域内,色素指数时序曲线和植被指数时序变化同步,并且植被-土壤指数差分时序曲线变化平稳;而耕作区域内,色素指数时序曲线和植被指数呈现出逆向变化特征,并且植被-土壤指数差分时序曲线变化幅度大;
依据植被-色素-土壤时序耦合离散度,进行耕地抛荒区域信息提取,其流程为:如果该像元在某年份Yi植被-色素-土壤时序耦合离散度VCDi<ω,则该像元判断为疑似抛荒;如果进一步确定该像元在下一年份植被-色素-土壤时序耦合离散度VCDi+1<ω,则该像元在该年份Yi出现耕地抛荒,其他情况为耕作区。
在本实施例中,所述设置阈值ω取值为0.6,该阈值ω在不同区域实际应用中在0.06范围内适当调整。
较佳的,本实施例基于植被指数、色素指数和土壤指数时序数据集,综合植被、土壤与色素三个维度,考虑耕地抛荒区域有别于农作物耕种区域的特点,通过设计植被-色素-土壤时序耦合离散度指标,建立耕地抛荒信息提取方法。本发明利用相对耕作区域而言,耕地抛荒区域色素指数与植被指数变化同步性好,并且土壤指数和植被指数相对变化更加平稳的特点,通过设计综合多维度遥感指数时序耦合度指标,用于耕地抛荒信息提取。本实施例克服了南方湿润区耕地抛荒后杂草丛生仅仅通过植被指数难以有效监测的问题,适用于大尺度耕地抛荒信息提取。
较佳的,本实施例的具体实施方式如下:
如图1所示,首先建立研究区连续两年植被指数EVI2、色素指数CRI和土壤指数DBSI时序数据集,在耕地区域内,通过设计植被-色素-土壤时序耦合离散度指标,依据耕地抛荒区域植被-色素-土壤时序耦合离散度偏低的特点,建立耕地抛荒判别技术流程,实现研究区域耕地抛荒分布制图。所述基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法,具体包括以下步骤:
步骤S01:建立研究区多维度遥感指数时序数据集
基于哨兵波段的反射率数据,依次计算植被指数EVI2、色素指数CRI和土壤指数DBSI。逐像元在研究年份内按照时间顺序依次计算EVI2、CRI、DBSI指数,从而获得研究区该年份EVI2、CRI、DBSI指数时序数据集。基于研究区剔除云干扰后的EVI2、CRI、DBSI指数时序数据集,采用Whittaker Smoother数据平滑方法,逐像元构建研究年份内逐日连续平滑的EVI2、CRI、DBSI指数时序数据集。所建立的耕地抛荒、单熟制、多熟制区域的EVI2、CRI指数的年内时序曲线图,见图2。所构建的耕地抛荒、单熟制、多熟制区域的EVI2、DBSI指数的年内时序曲线图,见图3。
哨兵2号(Sentinel-2)作为新型光学遥感卫星,具有宽幅和高时空分辨率以及免费共享等多重优势。其所特有的红光边缘波段,为监测植被生长与健康状态非常有效。
植被指数:植被指数是表征植被生长状态以及空间分布密度的因子。常见的植被指数有NDVI和NDVI。NDVI为归一化植被指数,全称为Normalized Difference VegetationIndex。NDVI指数的计算公式为:EVI2为基于两个波段的增强型植被指数,全称为EnhancedVegetation Index。EVI2指数的计算公式为:/> 其中ρRed,ρNIR分别为哨兵影像的红光、近红外波段的反射率。
色素指数(Carotenoid Reflectance Index,CRI),色素是一种植物中广泛存在的重要色素。色素含量及其变化能很好地反应不同农作物生长特性及其生长变化规律。色素指数的计算公式为:其中ρBlue、ρVRE1表示哨兵影像蓝光、第一红光边缘波段的反射率。
土壤指数(DBSI),农作物在播种时以及收割后土壤呈现裸露状态,可以用土壤指数监测。土壤指数DBSI的计算公式为: 其中ρSWIR1、ρGreen、ρNIR、ρRed分别表示哨兵影像第一短波红外、绿光、近红外、红光波段的反射率。
步骤S02:计算植被-色素时序差分累积量
针对研究区耕地区域,在研究年份内,逐像元逐日对植被指数EVI2与色素指数CRI进行相减,获得该像元在该研究年份的植被指数与色素指数相减所形成的时序数据(EVI2-CRI),然后,对植被指数与色素指数相减所形成的时序数据EVI2-CRI,进行时序差分,形成植被-色素(EVI2-CRI)差分时序数据集,进一步对其实施逐日取其绝对值然后进行累加操作,获得植被-色素时序差分累积量CDEC(Cumulative Differenced EVI2-CRI,简称CDEC)。其计算公式为:
上式中,EVI2t、CRIt分别表示第t天植被指数、色素指数数值;t表示第t天;N表示t的最大取值范围,通常为第364天。
虽然抛荒和包括单熟制和多熟制在内的耕作区植被指数时序曲线具有一定的相似性,但植被-色素-土壤指数时序关系存在明显差异,表现为:在农作物生长盛期,色素指数时序曲线通常出现很明显的谷值,并且随着农作物成熟再次升高;对于耕地抛荒区域而言,随着荒草灌木的生长,植被指数逐渐升高并在一段时间内持续处于高值区间,而色素指数随着植被指数上升而上升,并未在植被指数峰值附近出现明显的谷值。因此,农作物植被指数和色素指数呈现出逆向变化特征,而耕地抛荒区域内色素指数时序曲线和植被指数时序变化同步(图2)。
耕地抛荒和单熟制、多熟制区域的EVI2-CRI以及时序差分的时序曲线图,见图4。从图可见,由于耕地抛荒区域的植被-色素指数时序同步性好,EVI2-CRI时序差分后的时序曲线数值较小。相对耕地抛荒区域而言,单熟制、多熟制区域的植被-色素指数呈现出逆向变化特征,EVI2-CRI时序差分后的时序曲线变化幅度大,因此植被-土壤时序差分累积量大。
步骤S03:计算植被-土壤时序差分累积量
针对研究区耕地区域,在研究年份内,逐像元逐日对植被指数EVI2与土壤指数DBSI进行相减,获得该像元在该研究年份的植被指数与土壤指数相减所形成的时序数据(EVI2-DBSI),然后,对植被指数与土壤指数相减所形成的时序数据EVI2-DBSI,进行时序差分,形成植被-土壤(EVI2-DBSI)差分时序数据集,进一步对其实施逐日取其绝对值然后进行累加操作,获得植被-色素时序差分累积量CDED(Cumulative Differenced EVI2-DBSI,简称CDED)。其计算公式为:
上式中,EVI2t、DBSIt分别表示第t天植被指数、土壤指数数值;t表示第t天;N表示t的最大取值范围,通常为第364天。
虽然在抛荒或耕作区植被指数和土壤指数均表现出一定的负向变化关系,但由于抛荒区域常年被荒草或枯草覆盖,没有耕作区翻耕播种地表土壤完全裸露的现象,抛荒区域土壤和植被指数相对变化更加平稳(图3)。
耕地抛荒和单熟制、多熟制区域的EVI2-DBSI以及时序差分的时序曲线图,见图5。由图可见,由于耕地抛荒区域的植被-土壤指数变化平缓,EVI2-DBSI时序差分后的时序曲线趋近于零。相对耕地抛荒区域而言,单熟制、多熟制区域的EVI2-DBSI时序差分后的时序曲线变化幅度大,因此植被-色素时序差分累积量大。
步骤S04:设计植被-色素-土壤时序耦合离散度
基于植被-色素时序差分累积量以及植被-土壤时序差分累积量,建立植被-色素-土壤时序耦合离散度VCD。其表达式为:
VCD=(CDEC+CDED)/364
上式中,CDEC、CDED分别表示植被-色素时序差分累积量、植被-土壤时序差分累积量。
步骤S05:建立耕地抛荒信息提取技术流程
耕地抛荒和耕作区域,植被-色素-土壤多维度时序耦合离散度数值分布存在明显差异。表现为:在耕地抛荒区域,植被-色素-土壤多维度时序耦合离散度明显偏低;而在单熟制或多熟制等耕作区域内,植被-色素-土壤多维度时序耦合离散度明显偏高。因此,可以利用本发明中所设计的植被-色素-土壤多维度时序耦合离散度,进行耕地抛荒区域识别。
其判断规则为:如果该像元在某年份Yi植被-色素-土壤时序耦合离散度VCDi<ω,则该像元判断为疑似抛荒;如果进一步确定该像元在下一年份植被-色素-土壤时序耦合离散度VCDi+1<ω,则该像元在该年份Yi出现耕地抛荒,其他情况为耕作区。本实施例所建立的耕地遥感监测提取流程,见图6。在本实施例中,设置阈值ω取值为0.6,该阈值ω在不同区域实际应用中可以适当调整。
由于水热土壤条件差异,不同耕地抛荒区域的植被指数峰值高低存在很大变异性。例如,在北方干旱贫瘠耕地区域,耕地抛荒后植被稀疏,植被指数峰值偏低;而在南方湿润区域耕地抛荒后杂草灌木疯长,植被指数峰值偏高,和农作物难以区分。本实施例所设计的植被-色素-土壤多维度时序耦合离散度指标,能同时有效地获取北方和南方耕地抛荒区域。无论耕地抛荒后植被覆盖稀疏或者茂盛,植被-色素-土壤多维度时序耦合离散度均呈现出数值偏低的特点。因此,本发明中设计的植被-色素-土壤多维度时序耦合离散度,能有效地区分不同水热和土壤条件下耕地抛荒区域,能适用于我国南方和北方不同地域条件下耕地抛荒信息提取。
步骤S06:依据上述步骤获得研究区耕地抛荒空间分布图
以江西省吉安市安福县为例,依据本实施例提供的上述流程方法,获得研究区抛荒空间分布图(见图7)。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (7)
1.一种基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法,其特征在于:包括如下步骤:
步骤S1:建立研究区多维度遥感指数时序数据集;
步骤S2:计算植被-色素时序差分累积量;
步骤S3:计算植被-土壤时序差分累积量;
步骤S4:设计植被-色素-土壤时序耦合离散度;
步骤S5:建立耕地抛荒信息提取流程;
步骤S6:依据上述步骤获得研究区耕地抛荒空间分布图;
基于哨兵波段的反射率数据,依次计算植被指数EVI2、色素指数CRI和土壤指数DBSI;逐像元在研究年份内按照时间顺序依次计算EVI2、CRI、DBSI指数,从而获得研究区该年份EVI2、CRI、DBSI指数时序数据集;基于研究区剔除云干扰后的EVI2、CRI、DBSI指数时序数据集,采用Whittaker Smoother数据平滑方法,逐像元构建研究年份内逐日连续平滑的EVI2、CRI、DBSI指数时序数据集;
EVI2指数的计算公式为:
其中,ρRed,ρNIR分别为哨兵影像的红光、近红外波段的反射率;
色素指数的计算公式为:其中ρBlue、ρVRE1表示哨兵影像蓝光、第一红光边缘波段的反射率;
土壤指数DBSI的计算公式为:其中ρSWIR1、ρGreen、ρNIR、ρRed分别表示哨兵影像第一短波红外、绿光、近红外、红光波段的反射率;
所述步骤S2中,逐像元逐日对植被指数与色素指数进行相减,然后对植被指数与色素指数相减所形成的时序数据进行时序差分,形成植被-色素差分时序数据,进一步对差分时序数据实施逐日取其绝对值然后进行累加操作,获得植被-色素时序差分累积量;
步骤S2中所述植被-色素时序差分累积量CDEC的计算公式为: 式中,EVI2t、CRIt分别表示第t天植被指数、色素指数数值;t表示第t天;N的取值为364。
2.根据权利要求1所述的一种基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法,其特征在于:所述步骤S3中,逐像元逐日对植被指数与土壤指数进行相减,然后对植被指数与土壤指数相减所形成的时序数据进行时序差分,形成植被-土壤指数差分时序数据,进一步对差分时序数据实施逐日取其绝对值然后进行累加操作,获得植被-土壤时序差分累积量。
3.根据权利要求2所述的一种基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法,其特征在于:步骤S3中所述植被-土壤时序差分累积量CDED的计算公式为:EVI2t、DBSIt分别表示第t天植被指数、土壤指数数值;N的取值为364。
4.根据权利要求1所述的一种基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法,其特征在于:所述步骤S4的具体内容为:基于植被-色素时序差分累积量以及植被-土壤时序差分累积量,建立植被-色素-土壤时序耦合离散度。
5.根据权利要求4所述的一种基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法,其特征在于:所设计的植被-色素-土壤时序耦合离散度VCD,其表达式为:VCD=(CDEC+CDED)/364;式中,CDEC、CDED分别表示植被-色素时序差分累积量、植被-土壤时序差分累积量。
6.根据权利要求1所述的一种基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法,其特征在于:基于植被-色素-土壤时序耦合离散度,建立耕地抛荒区域信息提取流程,其依据在于,耕地抛荒区域内,色素指数时序曲线和植被指数时序变化同步,并且植被-土壤指数差分时序曲线变化平稳;而耕作区域内,色素指数时序曲线和植被指数呈现出逆向变化特征,并且植被-土壤指数差分时序曲线变化幅度大;
依据植被-色素-土壤时序耦合离散度,进行耕地抛荒区域信息提取,其流程为:如果像元在某年份Yi植被-色素-土壤时序耦合离散度VCDi<ω,则该像元判断为疑似抛荒;如果进一步确定该像元在下一年份植被-色素-土壤时序耦合离散度VCDi+1<ω,则该像元在该年份Yi出现耕地抛荒,其他情况为耕作区。
7.根据权利要求6所述的一种基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法,其特征在于:设置阈值ω取值为0.6,该阈值ω在不同区域实际应用中在0.06范围内适当调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110658551.7A CN113376123B (zh) | 2021-06-13 | 2021-06-13 | 基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110658551.7A CN113376123B (zh) | 2021-06-13 | 2021-06-13 | 基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113376123A CN113376123A (zh) | 2021-09-10 |
CN113376123B true CN113376123B (zh) | 2023-08-01 |
Family
ID=77574214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110658551.7A Active CN113376123B (zh) | 2021-06-13 | 2021-06-13 | 基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113376123B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107255621A (zh) * | 2017-05-18 | 2017-10-17 | 成都理工大学 | 基于植物叶绿素值特征变化的高植被覆盖区遥感找矿方法 |
CN108170926A (zh) * | 2017-12-12 | 2018-06-15 | 伊犁师范学院 | 一种河谷草地退化情况的信息数据采集及分析方法 |
CN108918820A (zh) * | 2018-05-23 | 2018-11-30 | 中国水利水电科学研究院 | 获取耕地土壤盐渍化程度等级分布的方法和装置 |
CN110147720A (zh) * | 2019-04-10 | 2019-08-20 | 中国农业大学 | 一种玉米叶片等效水厚度反演方法及系统 |
CN111191963A (zh) * | 2020-01-21 | 2020-05-22 | 福州大学 | 一种基于生长期色素变化特征的花生空间分布制图方法 |
CN112164062A (zh) * | 2020-10-29 | 2021-01-01 | 河海大学 | 一种基于遥感时序分析的抛荒地信息提取方法及装置 |
-
2021
- 2021-06-13 CN CN202110658551.7A patent/CN113376123B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107255621A (zh) * | 2017-05-18 | 2017-10-17 | 成都理工大学 | 基于植物叶绿素值特征变化的高植被覆盖区遥感找矿方法 |
CN108170926A (zh) * | 2017-12-12 | 2018-06-15 | 伊犁师范学院 | 一种河谷草地退化情况的信息数据采集及分析方法 |
CN108918820A (zh) * | 2018-05-23 | 2018-11-30 | 中国水利水电科学研究院 | 获取耕地土壤盐渍化程度等级分布的方法和装置 |
CN110147720A (zh) * | 2019-04-10 | 2019-08-20 | 中国农业大学 | 一种玉米叶片等效水厚度反演方法及系统 |
CN111191963A (zh) * | 2020-01-21 | 2020-05-22 | 福州大学 | 一种基于生长期色素变化特征的花生空间分布制图方法 |
CN112164062A (zh) * | 2020-10-29 | 2021-01-01 | 河海大学 | 一种基于遥感时序分析的抛荒地信息提取方法及装置 |
Non-Patent Citations (2)
Title |
---|
From cropland to cropped field: A robust algorithm for national-scale mapping by fusing time series of Sentinel-1 and Sentinel-2;Bingwen Qiu 等;《International Journal of Applied Earth Observations and Geoinformation》;第113卷;1-12 * |
基于植被指数季节变化曲线的年总初级生产力估算;张赫林;彭代亮;张肖;范海生;徐富宝;叶回春;王大成;;遥感技术与应用(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113376123A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612777B (zh) | 一种基于叶片衰老失水指数的大豆制图方法 | |
CN109635731A (zh) | 一种识别有效耕地的方法及装置、存储介质及处理器 | |
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 | |
CN109360117A (zh) | 一种农作物种植模式识别方法 | |
CN106772429B (zh) | 基于生长盛期nmdi增减比值指数的玉米自动制图方法 | |
CN114387516A (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
CN114299393B (zh) | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 | |
CN112418050B (zh) | 退耕地信息遥感识别方法及装置 | |
Irmak et al. | Large-scale and long-term trends and magnitudes in irrigated and rainfed maize and soybean water productivity: grain yield and evapotranspiration frequency, crop water use efficiency, and production functions | |
CN114708490A (zh) | 水稻种植提取及复种指数监测方法、系统、终端及存储介质 | |
CN107314990A (zh) | 一种春玉米遥感识别方法 | |
Guo et al. | Comparison of farmland crop classification methods based on visible light images of unmanned aerial vehicles | |
CN110598514B (zh) | 一种土地整治项目区地块尺度农作物播种面积监测方法 | |
CN107340268B (zh) | 一种基于遥感时序数据的旱地作物识别方法 | |
CN113376123B (zh) | 基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法 | |
Zhao et al. | Understanding the Temporal Dynamics of Coherence and Backscattering Using Sentinel-1 Imagery for Crop-Type Mapping | |
CN113283281A (zh) | 基于多时相遥感影像的茭白种植面积提取方法 | |
CN113570251B (zh) | 基于生长前后期氮素输出累积指数的土豆制图方法 | |
Abdelraouf et al. | Comparative analysis of some winter crops area estimation using landsat-8 and sentinal-2 satellite imagery | |
CN115512233A (zh) | 地块尺度耕地种植属性多时相遥感提取方法 | |
He et al. | Novel harmonic-based scheme for mapping rice-crop intensity at a large scale using time series Sentinel-1 and ERA5-Land datasets | |
Bachelet | Rice paddy inventory in a few provinces of China using AVHRR data | |
CN109918826A (zh) | 一种基于关键物候期多源植被参量的水稻估产方法 | |
Northwood | Cashew production in the Southern Province of Tanganyika | |
Korotkova et al. | AI for Agriculture: the Comparison of Semantic Segmentation Methods for Crop Mapping with Sentinel-2 Imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |