CN113392759B - 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 - Google Patents

一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 Download PDF

Info

Publication number
CN113392759B
CN113392759B CN202110656413.5A CN202110656413A CN113392759B CN 113392759 B CN113392759 B CN 113392759B CN 202110656413 A CN202110656413 A CN 202110656413A CN 113392759 B CN113392759 B CN 113392759B
Authority
CN
China
Prior art keywords
ndvi
overwintering
time
lswi
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.)
Active
Application number
CN202110656413.5A
Other languages
English (en)
Other versions
CN113392759A (zh
Inventor
夏浩铭
潘力
卢鹤立
秦耀辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University
Original Assignee
Henan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University filed Critical Henan University
Priority to CN202110656413.5A priority Critical patent/CN113392759B/zh
Publication of CN113392759A publication Critical patent/CN113392759A/zh
Application granted granted Critical
Publication of CN113392759B publication Critical patent/CN113392759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/14—Classification; Matching by matching peak patterns
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法，首先，融合Landsat 7/8和Sentinel‑2A/B卫星影像并进行预处理，计算NDVI、LSWI、EVI和mNDWI以对土地覆被进行分类来获得耕地掩膜，使用影像10天合成法，线性插值和Savitzky‑Golay滤波对时间序列进行重构；其次，在重构后的时间序列数据集上迭代算法，识别时间序列曲线中的峰值和低谷，利用阈值法确定越冬作物生长季节的开始日期和结束日期，计算最大生长期的生长速率和完整生长周期跨度；最后，根据越冬作物不同物候时期的物候指标，设置阈值在像素尺度上提取越冬作物种植面积。本发明实现了越冬作物种植面积遥感精准、自动识别。

Description

一种云计算平台下基于多源全时相卫星影像的越冬作物种植 面积识别方法
技术领域
本发明属于遥感目标识别技术领域，尤其涉及一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法。
背景技术
通常作物种植信息的获取方法包括农业普查法和遥感提取法。及时性是农业统计数据和相关监控系统的主要因素，传统的农业普查法时效性较差。官方耕地统计资料包含许多有关作物类型分布的信息，但耕地总面积统计以行政区为单元，不能具体到行政区内的空间分布，面积信息的准确度依赖基层上报和抽样的样本量。使用遥感数据能够基于一幅或多幅影像准确快速地提取作物种植信息，是一种非常有效的农作物监测方法。随着遥感数据的激增和遥感大数据处理方法的发展，利用遥感技术进行作物种植强度的提取逐渐成为作物种植数据统计的重要途径。以往的越冬作物种植面积识别通常基于多时相NDVI值来提取，影像时相选取至关重要，影像的质量和数量成为影像分类结果的关键，在气候恶劣，多云覆盖的区域难以精准捕获越冬作物的物候动态。
发明内容
本发明针对以往的越冬作物种植面积识别通常基于多时相NDVI值来提取，在气候恶劣，多云覆盖的区域难以精准捕获越冬作物的物候动态的问题，提出一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法，通过融合多传感器所有卫星影像极大地增加了每个像素上可用的高质量影像数量，解决由于单传感器、单时相和多时相影像数据量不足造成的物候信息不完整问题；通过对土地覆被进行分类来获取耕地掩膜，减少了其他土地覆被类型对越冬作物提取的影响；通过分析越冬作物完整生长周期物候特征的方法获取作物独特生长特征，相比多时相提取法更加全面和精准。
为了实现上述目的，本发明采用以下技术方案：
一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法，包括：
步骤1：基于云计算平台获取研究区在研究期内所有可使用的Landsat 7ETM+、Landsat 8OLI和Sentinel-2A/B MSI卫星影像；
步骤2：对步骤1中所述卫星影像进行预处理，包括：去云处理和波段协调，得到卫星影像数据集；
步骤3：基于所述卫星影像数据集，计算归一化植被指数NDVI、地表水分指数LSWI、增强型植被指数EVI和改进归一化差异水体指数mNDWI，基于上述四个指数对土地覆被进行分类来获得耕地掩膜；
步骤4：对NDVI和LSWI时间序列进行处理，包括：计算每10天NDVI的最大值和LSWI的平均值作为该10天的观测值；在缺失10天的观测值的地区，根据10天前、后的观测值进行线性插值；使用Savitzky-Golay滤波对NDVI时间序列进行平滑处理；
步骤5：在步骤4处理后的NDVI时间序列中迭代寻找所有峰值和低谷，包括：识别NDVI时间序列中的局部最大值为峰值、局部最小值为低谷；去除NDVI小于0.6的峰值和LSWI大于0的低谷；将获得的峰值发生的日期SDP和低谷发生的日期以月、日、年的形式储存到每个像元中；
步骤6：根据步骤4处理后的NDVI时间序列，结合步骤5中获得的低谷发生的日期计算NDVI的最大变化率，确定植被生长周期中的播种期SOS和收获期EOS；
步骤7：根据步骤5中获取的峰值发生的日期SDP和步骤6中获取的SOS，计算植被快速绿化期NDVI的增长速率GUS；
步骤8：根据步骤6获取的SOS和EOS，计算植被完整生长周期时间跨度GSL；
步骤9：采集越冬作物和其他植被的样本，通过NDVI时间序列提取越冬作物与其他植被在不同物候期的物候差异，获取用于分类的物候指标，所述物候指标包括SOS、SDP、EOS、GUS和GSL；
步骤10：通过设定物候指标阈值，在像素尺度上对研究区耕地进行分类，获取越冬作物种植面积图。
进一步地，对所述卫星影像进行预处理包括：
利用FMask算法对所述卫星影像进行观测值提取，去除云、云阴影、卷云和冰/雪覆盖的观测值；再利用最小二乘法将Landsat 7ETM+和Sentinel-2A/BMSI的波段反射率协调至Landsat 8OLI标准，获得可相互比对的光谱一致的卫星影像数据集。
进一步地，所述基于上述四个指数对土地覆被进行分类来获得耕地掩膜包括：
将Freq(LSWI>0、EVI>0.2)>50％且NDVI_median>0.7的像素分类为常绿森林，其中Freq(LSWI>0、EVI>0.2)为LSWI>0且EVI>0.2的影像数量占一年所有影像数量的百分比，NDVI_median为11月1日至12月31日NDVI中位值；将Freq(LSWI>0、EVI>0.2)>50％且NDVI_max>0.5的像素分类为落叶森林，其中，NDVI_max为4月10日至5月20日NDVI最大值；将Freq(LSWI<0)>90％的像素分类为不透水面；将Freq(EVI<0.1)>80％，且mNDWI>NDVI或mNDWI>EVI的像素分类为水体；将除以上4种类型之外的土地覆被类型归类为耕地。
进一步地，所述步骤5中，识别峰值和低谷的方法为：识别NDVI时间序列中的局部最大值为峰值，识别NDVI时间序列中的局部最小值为低谷，如果某个时间的NDVI值高于该时间之前和之后的NDVI值，则将其定义为峰值，如果某个时间的NDVI值低于该时间之前和之后的NDVI值，则将其定义为低谷。
进一步地，所述步骤10包括：
设定物候指标阈值：260<SOS<330、80<SDP<140、130<EOS<190、GUS>0.001和200<GSL<250，在像素尺度上对研究区耕地进行分类，以获取越冬作物种植面积图。
与现有技术相比，本发明具有的有益效果：
本发明基于所有高质量的Landsat 7ETM+、Landsat 8OLI和Sentinel-2A/BMSI卫星影像，采用线性插值和Savitzky-Golay滤波算法，充分利用了研究期间所有可用的影像，完整地获取出了越冬作物所有时期的物候特征，提取越冬作物与其它作物之间的差异达到区分的目的，与单传感器和多时相法相比更加精准，且提供了越冬作物在特定时期的物候动态。本发明通过对土地覆被进行分类来获取耕地掩膜，减少了其他土地覆被类型对越冬作物提取的影响。
附图说明
图1为本发明实施例一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法的流程图；
图2为通过本发明方法得到的淮河流域越冬作物种植面积识别结果图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明：
如图1所示，本发明实施例提供了一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法，具体步骤如下：
S1、基于云计算平台获取研究区在研究期内所有可使用的Landsat 7 ETM+、Landsat 8 OLI和Sentinel-2A/B MSI卫星影像；作为一种可实施方式，基于GEE(GoogleEarth Engine)云计算平台，利用JavaScript编程获取2017年9月1日至2018年6月30日淮河流域逐像元Landsat 7 ETM+、Landsat 8 OLI和Sentinel-2A/B MSI卫星影像的总数。
S2、对步骤S1中所述卫星影像进行预处理，包括：去云处理和波段协调，得到卫星影像数据集。
进一步地，预处理的方法为：首先提取卫星影像中高质量观测值，Landsat 7/8的影像质量评估由GEE云计算平台的FMask算法来确定，没有云、云阴影、卷云和雪覆盖的观测被用作高质量观测。Sentinel-2A/B的质量由卫星影像中的元数据进行评估，使用存储在图像文件中的NODATA对影像进行掩膜去除质量差的观测值。其次对波段反射率进行协调，使用最小二乘法将Landsat 7和Sentinel-2A/B的波段反射率协调至Landsat 8标准；具体地，利用最小二乘法对Landsat 7的ETM+和Sentinel-2A/B的MSI传感器的波段反射率协调至Landsat8的OLI标准，获得可相互比对的光谱一致的卫星影像数据集。
S3：基于所述卫星影像数据集，计算归一化植被指数NDVI、地表水分指数LSWI、增强型植被指数EVI和改进归一化差异水体指数mNDWI，基于上述四个指数对土地覆被进行分类来获得耕地掩膜；
具体地，计算公式如下：
Figure BDA0003113019320000041
Figure BDA0003113019320000042
Figure BDA0003113019320000043
Figure BDA0003113019320000044
式中：ρNIR和ρRED分别代表近红外波段和红色波段；ρSWIR代表短波红外波段；ρGREEN代表绿波段；ρBLUE代表蓝波段。
进一步地，按照如下方式基于上述四个指数对土地覆被进行分类来获得耕地掩膜：
将Freq(LSWI＞0、EVI＞0.2)＞50％且NDVI_median＞0.7的像素分类为常绿森林，其中Freq(LSWI＞0、EVI＞0.2)为LSWI＞0且EVI＞0.2的影像数量占一年所有影像数量的百分比，NDVI_median为11月1日至12月31日NDVI中位值；将Freq(LSWI＞0、EVI＞0.2)＞50％且NDVI_max＞0.5的像素分类为落叶森林，其中，NDVI_max为4月10日至5月20日NDVI最大值；将Freq(LSWI＜0)＞90％的像素分类为不透水面；将Freq(EVI＜0.1)＞80％，且mNDWI＞NDVI或mNDWI＞EVI的像素分类为水体；将除以上4种类型之外的土地覆被类型归类为耕地。
S4、对NDVI和LSWI时间序列进行处理：包括：计算每10天NDVI的最大值和LSWI的平均值作为该10天的观测值；在缺失10天的观测值的地区，根据10天前、后的观测值进行线性插值；使用Savitzky-Golay滤波对NDVI时间序列进行平滑处理；
具体地，不同传感器所获得影像的时间分辨率不同和区域覆盖及重叠存在差异。为了获取相等间隔的时间序列影像集，本发明以10天内所有高质量影像的最大值作为该10天的观察值。如果影像受云、雪或其他因素的影响，在某些地区无法获得10天内高质量的观察值时，本发明基于10天前后的高质量观测值通过线下插值对的时间序列数据集进行填补。即使上述数据集即使经过严格的预处理，仍残留由云、大气和双向效应引起的噪声。因此，本发明利用Savitzky-Golay滤波器(S-G滤波)对NDVI时间序列曲线进行平滑，以消除数据集中的噪声，尤其是由云污染和大气多变性引起的干扰。这种拟合过程的一般方程式如下：
Figure BDA0003113019320000051
式中：Yj *是重构后的数据集；Yj+1为原始值；Ci为滤波系数，即第i期原始值Yj在平滑窗口中的权重，该系数可以参考Savitzky-Golay滤波器的修正版本；N为滑动窗口的数据个数(2m+1)，其中m为窗口宽度。
值得说明的是，LSWI时间序列无需进行平滑处理，因为LSWI对地表水分敏感。
S5、在S4处理后的NDVI时间序列中迭代算法，寻找所有峰值和低谷。具体的算法是：首先，识别NDVI时间序列中的局部最大值为峰值，识别NDVI时间序列中的局部最小值为低谷，如果某个时间的NDVI值高于该时间之前和之后的NDVI值，则将其定义为峰值，如果某个时间的NDVI值低于该时间之前和之后的NDVI值，则将其定义为低谷。其次，通过设置阈值，去除NDVI小于0.6的峰值和LSWI大于0的低谷。最后，将获得的峰值发生的日期(SDP)和低谷发生的日期以DOY(day of year，月、日、年)的形式储存到每个像元中。
S6、根据S4处理后的NDVI时间序列，结合S5中获得的低谷发生的日期计算NDVI的最大变化率，确定植被生长周期中的播种期SOS和收获期EOS。
具体地，采用一种持续检测整个冬季作物生长周期内作物出苗和生长的方法，通过对计算NDVI的最大变化率来确定越冬作物的播种期SOS和收获期EOS。公式如下：
Figure BDA0003113019320000061
其中，NDVIratio为NDVI的变化率，NDVImax和NDVImin为9月1日至次年6月30日作物NDVI的最大值和裸土期间NDVI的最小值。
从作物出苗开始，NDVIratio随着作物NDVI值的增大而增加，NDVIratio为0和1的时刻分别表示时间序列内裸土时期和作物NDVI峰值时期。作为一种可实施方式，在本发明中，分别设置SOS对应的NDVIratio阈值为0.1，EOS对应的NDVIratio阈值为0.18。
S7、根据步骤S5中获取的峰值发生的日期SDP和步骤S6中获取的SOS，计算植被快速绿化期NDVI的增长速率GUS；
具体地，越冬作物在冬季停止生长，在三月份后进入返青期，在四月份至五月份达到生长旺期，因此进入返青期后直至峰值期为快速绿化阶段。计算NDVI增长速率(GUS)作为其中一项物候指标，具体的计算方法为：NDVI峰值和刚进入返青期NDVI值的差值与快速绿化阶段时间跨度的比值。GUS计算公式如下：
Figure BDA0003113019320000062
其中，NDVIpeak和NDVIrevive分别表示整个生长周期内NDVI峰值和复苏期开始时的第一个NDVI值；DOYpeak和DOYrevive分别表示这两个值出现的日期；
S8、根据S6获取的SOS和EOS，计算植被完整生长周期时间跨度GSL，计算方法为EOS和SOS的差值。GSL公式如下：
GSL＝EOS-SOS (8)
S9、采集越冬作物和其它植被样本，在这些样本点处创建NDVI和LSWI的时间序列，使用直方图显示越冬作物和其他植被的物候事件发生区间，以获取越冬作物与其它植被在物候上的差异。分析发现，越冬作物的SOS通常发生在10月初至11月初，SDP发生在3月下旬至5月上旬，EOS发生在5月下旬至7月上旬。在快速绿化期，NDVI日生长量超过0.001，完整生长周期的日期跨度超过282天。基于这些物候指标的信息，确定阈值范围如下：260＜SOS＜330、80＜SDP＜140、130＜EOS＜190、GUS＞0.001和200＜GSL＜250。
S10、通过以下决策方法：260＜SOS＜330、80＜SDP＜140、130＜EOS＜190、GUS＞0.001和200＜GSL＜250，在像素尺度上对研究区耕地进行分类，以获取越冬作物种植面积图。
为了验证本发明的效果，本发明以2017年9月1日至2018年6月30日淮河流域越冬作物种植面积识别为实验对象，实验数据为GEE云平台上2017年9月1日至2018年6月30日淮河流域所有可使用的Landsat 7 ETM+、Landsat 8 OLI和Sentinel-2A/B MSI卫星影像，以30m空间分辨率生成了2017-2018年淮河流域越冬作物种植面积识别结果，如图2所示，提取的越冬作物种植面积为95541.15km2，总精度为95.81％，Kappa系数为0.91，精度较高，满足大区域作物分类精度要求。
综上，本发明基于所有高质量的Landsat 7 ETM+、Landsat 8 OLI和Sentinel-2A/B MSI卫星影像，采用线性插值和Savitzky-Golay滤波算法，充分利用了研究期间所有可用的影像，完整地获取出了越冬作物所有时期的物候特征，提取越冬作物与其它作物之间的差异达到区分的目的，与多时相法相比更加精准，且提供了越冬作物在特定时期的物候动态。本发明通过对土地覆被进行分类来获取耕地掩膜，减少了其他土地覆被类型对越冬作物提取的影响。本实施例成功地绘制了高精度的淮河流域越冬作物种植图，为未来融合多源多尺度全时相遥感大数据绘制植被类型图提供参考。
以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法，其特征在于，包括：
步骤1：基于云计算平台获取研究区在研究期内所有可使用的Landsat 7ETM+、Landsat8OLI和Sentinel-2A/B MSI卫星影像；
步骤2：对步骤1中所述卫星影像进行预处理，包括：去云处理和波段协调，得到卫星影像数据集；
步骤3：基于所述卫星影像数据集，计算归一化植被指数NDVI、地表水分指数LSWI、增强型植被指数EVI和改进归一化差异水体指数mNDWI，基于上述四个指数对土地覆被进行分类来获得耕地掩膜；
步骤4：对NDVI和LSWI时间序列进行处理，包括：计算每10天NDVI的最大值和LSWI的平均值作为该10天的观测值；在缺失10天的观测值的地区，根据10天前、后的观测值进行线性插值；使用Savitzky-Golay滤波对NDVI时间序列进行平滑处理；
步骤5：在步骤4处理后的NDVI时间序列中迭代寻找所有峰值和低谷，包括：识别NDVI时间序列中的局部最大值为峰值、局部最小值为低谷；去除NDVI小于0.6的峰值和LSWI大于0的低谷；将获得的峰值发生的日期SDP和低谷发生的日期以月、日、年的形式储存到每个像元中；
步骤6：根据步骤4处理后的NDVI时间序列，结合步骤5中获得的低谷发生的日期计算NDVI的最大变化率，确定植被生长周期中的播种期SOS和收获期EOS；
步骤7：根据步骤5中获取的峰值发生的日期SDP和步骤6中获取的SOS，计算植被快速绿化期NDVI的增长速率GUS；
步骤8：根据步骤6获取的SOS和EOS，计算植被完整生长周期时间跨度GSL；
步骤9：采集越冬作物和其他植被的样本，通过NDVI时间序列提取越冬作物与其他植被在不同物候期的物候差异，获取用于分类的物候指标，所述物候指标包括SOS、SDP、EOS、GUS和GSL；
步骤10：通过设定物候指标阈值，在像素尺度上对研究区耕地进行分类，获取越冬作物种植面积图。
2.根据权利要求1所述的一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法，其特征在于，对所述卫星影像进行预处理包括：
利用FMask算法对所述卫星影像进行观测值提取，去除云、云阴影、卷云和冰/雪覆盖的观测值；再利用最小二乘法将Landsat 7ETM+和Sentinel-2A/B MSI的波段反射率协调至Landsat 8OLI标准，获得可相互比对的卫星影像数据集。
3.根据权利要求1所述的一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法，其特征在于，所述基于上述四个指数对土地覆被进行分类来获得耕地掩膜包括：
将Freq(LSWI>0、EVI>0.2)>50％且NDVI_median>0.7的像素分类为常绿森林，其中Freq(LSWI>0、EVI>0.2)为LSWI>0且EVI>0.2的影像数量占一年所有影像数量的百分比，NDVI_median为11月1日至12月31日NDVI中位值；将Freq(LSWI>0、EVI>0.2)>50％且NDVI_max>0.5的像素分类为落叶森林，其中，NDVI_max为4月10日至5月20日NDVI最大值；将Freq(LSWI<0)>90％的像素分类为不透水面；将Freq(EVI<0.1)>80％，且mNDWI>NDVI或mNDWI>EVI的像素分类为水体；将除以上4种类型之外的土地覆被类型归类为耕地。
4.根据权利要求1所述的一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法，其特征在于，所述步骤5中，识别峰值和低谷的方法为：识别NDVI时间序列中的局部最大值为峰值，识别NDVI时间序列中的局部最小值为低谷，如果某个时间的NDVI值高于该时间之前和之后的NDVI值，则将其定义为峰值，如果某个时间的NDVI值低于该时间之前和之后的NDVI值，则将其定义为低谷。
5.根据权利要求1所述的一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法，其特征在于，所述步骤10包括：
设定物候指标阈值：260<SOS<330、80<SDP<140、130<EOS<190、GUS>0.001和200<GSL<250，在像素尺度上对研究区耕地进行分类，以获取越冬作物种植面积图。
CN202110656413.5A 2021-06-11 2021-06-11 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 Active CN113392759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110656413.5A CN113392759B (zh) 2021-06-11 2021-06-11 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110656413.5A CN113392759B (zh) 2021-06-11 2021-06-11 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法

Publications (2)

Publication Number Publication Date
CN113392759A CN113392759A (zh) 2021-09-14
CN113392759B true CN113392759B (zh) 2022-02-01

Family

ID=77620897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110656413.5A Active CN113392759B (zh) 2021-06-11 2021-06-11 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法

Country Status (1)

Country Link
CN (1) CN113392759B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092831B (zh) * 2021-12-02 2023-03-24 中国科学院东北地理与农业生态研究所 一种草本沼泽植被物候信息提取方法
CN114359730B (zh) * 2022-01-05 2023-06-09 中国科学院地理科学与资源研究所 一种无样本条件下农作物种植区快速识别的方法
CN114332628B (zh) * 2022-01-05 2023-06-16 中国科学院地理科学与资源研究所 一种基于典型物候及膜网特征的生姜快速遥感提取方法
CN116524225A (zh) * 2022-12-23 2023-08-01 山东大学 一种基于多源遥感数据的作物分类方法及系统
CN116485784B (zh) * 2023-06-12 2023-09-12 天地信息网络研究院(安徽)有限公司 一种基于时序ndvi的冬闲田遥感提取方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951772A (zh) * 2015-07-10 2015-09-30 中国科学院遥感与数字地球研究所 一种基于ndvi时间序列曲线积分的冬小麦提取方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103033150A (zh) * 2011-10-09 2013-04-10 黄青 用modis数据快速提取主要农作物种植面积的方法
CN106372592B (zh) * 2016-08-29 2019-07-16 中国农业科学院农业资源与农业区划研究所 一种基于冬小麦面积指数的冬小麦种植面积计算方法
CN106446875A (zh) * 2016-11-16 2017-02-22 航天恒星科技有限公司 面向县域遥感尺度的农作物种植面积信息提取方法及装置
CN109919083B (zh) * 2019-03-06 2020-11-17 武汉大学 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951772A (zh) * 2015-07-10 2015-09-30 中国科学院遥感与数字地球研究所 一种基于ndvi时间序列曲线积分的冬小麦提取方法

Also Published As

Publication number Publication date
CN113392759A (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN113392759B (zh) 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法
Wang et al. Mapping sugarcane plantation dynamics in Guangxi, China, by time series Sentinel-1, Sentinel-2 and Landsat images
Helmer et al. Mapping tropical dry forest height, foliage height profiles and disturbance type and age with a time series of cloud-cleared Landsat and ALI image mosaics to characterize avian habitat
CN106803059B (zh) 一种遥感植被指数时间序列森林监测方法
CN112800973B (zh) 一种基于植被物候特征决策的互花米草提取方法
Kordi et al. Crop classification based on phenology information by using time series of optical and synthetic-aperture radar 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
CN113221806B (zh) 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法
US20220392215A1 (en) System and Method for Mapping Land Cover Types with Landsat, Sentinel-1, and Sentinel-2 Images
Zhang et al. Identification and mapping of winter wheat by integrating temporal change information and Kullback–Leibler divergence
CN114387516B (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
CN114519821A (zh) 一种绿色健康植被遥感识别指数的构建方法
Liu et al. Optimal MODIS data processing for accurate multi-year paddy rice area mapping in China
CN114445703A (zh) 基于时间序列分析的森林增长年份自动识别方法、系统
CN114049566B (zh) 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置
CN117475313A (zh) 一种基于训练样本自动化提取的大尺度冬小麦早期识别方法
CN115063437B (zh) 一种红树林冠层可见光图像指数特征分析方法及系统
Bolun et al. Development of a new index for automated mapping of ratoon rice areas using time-series normalized difference vegetation index imagery
Fauziana et al. Linear spectral mixture analysis of SPOT-7 for tea yield estimation in Pagilaran Estate, Batang Central Java
CN115661675A (zh) 多云地区地震滑坡遥感识别方法、系统、设备及存储介质
CN115661633A (zh) 一种山地丘陵区撂荒耕地信息的遥感提取方法
CN114332596A (zh) 一种越冬作物的识别方法及装置
CN114724024B (zh) 基于云计算平台和生命周期的双季作物种植界线自动化提取方法
CN112215094B (zh) 一种卫星遥感图像的积雪提取方法及装置
CN113505635B (zh) 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置

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