CN113421255A - 一种基于栅格的耕地复种指数提取方法及系统 - Google Patents

一种基于栅格的耕地复种指数提取方法及系统 Download PDF

Info

Publication number
CN113421255A
CN113421255A CN202110827072.3A CN202110827072A CN113421255A CN 113421255 A CN113421255 A CN 113421255A CN 202110827072 A CN202110827072 A CN 202110827072A CN 113421255 A CN113421255 A CN 113421255A
Authority
CN
China
Prior art keywords
index
pixel data
grid
vegetation
data
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.)
Granted
Application number
CN202110827072.3A
Other languages
English (en)
Other versions
CN113421255B (zh
Inventor
刘彦随
刘正佳
刘雪琦
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202110827072.3A priority Critical patent/CN113421255B/zh
Publication of CN113421255A publication Critical patent/CN113421255A/zh
Application granted granted Critical
Publication of CN113421255B publication Critical patent/CN113421255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于栅格的耕地复种指数提取方法及系统。该方案包括构建年尺度归一化植被指数时间序列的数据集；借助气候变化行动和阈值法，剔除被研究区域的各个时期的非耕地和非植被像元；根据年尺度归一化植被指数时间序列的数据集，利用S‑G滤波对第二像元数据进行平滑处理；计算栅格像元的植被指数峰值范围，并剔除假峰像元；进行连续16日的植被指数计算，并通过回归方程生成每个栅格点的每年逐日植被指数序列；生成时序曲线，并对时序曲线求导，计算导数的正负转折点格数作为每个栅格的峰值个数，生成每个栅格的复种指数。该方案通过栅格进行复种指数的提取，高效准确的获取每个栅格点的复种指数，并可进行连续多年的对比分析。

Description

一种基于栅格的耕地复种指数提取方法及系统
技术领域
本发明涉及地理遥感技术领域，更具体地，涉及一种基于栅格的耕地复种指数提取方法及系统。
背景技术
耕地复种指数是衡量耕地资源集约化利用程度的基础，其表示一定时期内(通常为一年)内同一耕地上的作物种植次数。中国用仅世界9％的耕地养活着世界20％的人口，综合考虑不断加剧的气候变化与人类活动影响，在现有耕地资源上稳定并适当提高耕地复种指数是保证我国的粮食安全的有效途径。
目前，耕地复种指数的提取通常是基于土地调查和农业统计数据获取，计算公式如下：
CI＝As/Ac*100％
式中，CI表示耕地复种指数；As表示同一耕地全年作物的总播种面积；Ac表示同一耕地全年作物的总耕地面积。该复种指数提取方法计算简单，但是受限于不同区域对于耕地相关指数统计口径不同，统计时间的延后性，很难满足长时间序列、不同尺度、大范围的耕地复种指数需求，因此利用遥感时序数据进行复种指数的提取成为研究热点。
利用遥感时序数据进行复种指数提取通常基于归一化植被指数(NDVI)时序数据，通过不同的滤波平滑处理、峰值提取方法以判别不同熟制，但现有基于NDVI时序数据的提取方法，受到研究区域数据与气候、滤波平滑及峰值提取方法操作难易程度等限制，可能会造成所提取峰值个数与当地作物实际复种指数不相符的情况，
发明内容
鉴于上述问题，本发明提出了一种基于栅格的耕地复种指数提取方法及系统，通过栅格进行复种指数的提取，高效准确的获取每个栅格点的复种指数，并可进行连续多年的对比分析。
根据本发明实施例的第一方面，提供了一种基于栅格的耕地复种指数提取方法。
在一个或多个实施例中，优选地，所述的一种基于栅格的耕地复种指数提取方法包括：
获取被研究区域的全部的第一像元数据，构建年尺度归一化植被指数时间序列的数据集；
借助气候变化行动和阈值法，从所述第一像元数据中剔除所述被研究区域的各个时期的非耕地和非植被像元，生成第二像元数据；
根据所述年尺度归一化植被指数时间序列的数据集，利用S-G滤波对所述第二像元数据进行平滑处理，生成第三像元数据；
对所述第三像元数据计算栅格像元的植被指数峰值范围，并剔除假峰像元，生成第四像元数据；
对所述第四像元数据进行连续16日的植被指数计算，并通过回归方程生成每个栅格点的每年逐日植被指数序列；
对所述每年逐日植被指数序列生成时序曲线，并对所述时序曲线求导，计算导数的正负转折点格数作为每个栅格的峰值个数，生成每个栅格的复种指数。
在一个或多个实施例中，优选地，所述获取被研究区域的全部的第一像元数据，构建年尺度归一化植被指数时间序列的数据集，具体包括：
获取全部的所述被研究区域的第一像元数据，设置空间分辨率为500米；
设置时间分辨率为16天，进行植被指数数据的归一化处理；
提取近20年的逐年数据，并按照栅格点的位置进行数据存储，生成所述年尺度归一化植被指数时间序列的数据集。
在一个或多个实施例中，优选地，所述借助气候变化行动和阈值法，从所述第一像元数据中剔除所述被研究区域的各个时期的非耕地和非植被像元，生成第二像元数据，具体包括：
从所述第一像元数据中提取每个栅格点的时间序列数据集；
利用第一计算公式获取每个栅格点的每年的最大值；
获取5年平均的植被指数，判断所述5年平均的植被指数小于0.3，则认为对应的像元非耕地区域；
从所述第一像元数据中剔除所述被研究区域的各个时期的非耕地和非植被像元，生成所述第二像元数据；
所述第一计算公式为：
NDVImaxi＝max(NDVItsi)
其中，NDVImaxi为栅格点i的每年的最大值，NDVItsi为栅格点i的时间序列数据集。
在一个或多个实施例中，优选地，所述根据所述年尺度归一化植被指数时间序列的数据集，利用S-G滤波对所述第二像元数据进行平滑处理，生成第三像元数据，具体包括：
获取所述第二像元数据，利用S-G卷积平滑滤波进行数据去噪；
将去噪后的全部数据逐一存储到所述第三像元数据中。
在一个或多个实施例中，优选地，所述对所述第三像元数据计算栅格像元的植被指数峰值范围，并剔除假峰像元，生成第四像元数据，具体包括：
设置植被指数峰值范围；
根据所述第三像元数据，利用第二计算公式确定第一峰值；
根据所述第三像元数据，利用第二计算公式确定第二峰值；
根据所述第一峰值和所述第二峰值获取峰值最小值；
将所有的所述峰值最小值与所述植被指数峰值范围对比，若所述峰值最小值小于所述植被指数峰值范围的最小值时，将对应像元标记为所述假峰像元；
从所述第三像元数据中提出所有的所述假峰像元，生成所述第四像元数据；
所述第二计算公式为：
Figure BDA0003174132090000041
其中，NDVIpeak1i为栅格点i的所述第一峰值，NDVIpeak2i为栅格点i的所述第二峰值，minNDVIPeaki为栅格点i的所述峰值最小值，NDVItsi为栅格点i的时间序列数据集。
在一个或多个实施例中，优选地，所述对所述第四像元数据进行连续16日的植被指数计算，并通过回归方程生成每个栅格点的每年逐日植被指数序列，具体包括：
获取所述第四像元数据，设置一个三次多项式作为回归函数；
对所有的所述第四像元数据输入到所述三次多项式，对每个栅格点进行循环迭代，获得每个栅格点对应的所述回归函数的系数；
根据每个栅格点的所述回归函数和当前的栅格点的植被指数，进行每个栅格点的未来的所述每年逐日植被指数序列的预测。
在一个或多个实施例中，优选地，所述对所述每年逐日植被指数序列生成时序曲线，并对所述时序曲线求导，计算导数的正负转折点格数作为每个栅格的峰值个数，生成每个栅格的复种指数，具体包括：
当获得的栅格点峰值个数为1时，则认为对应栅格点种植模式为1年1熟制；
当获得的栅格点峰值个数为2时，则认为对应栅格点种植模式为1年2熟制；
当获得的栅格点峰值个数为3时，则认为对应栅格点种植模式为1年3熟制。
根据本发明实施例的第二方面，提供了一种基于栅格的耕地复种指数提取系统。
在一个或多个实施例中，优选地，所述的一种基于栅格的耕地复种指数提取系统包括：
第一时间序列生成模块，用于获取被研究区域的全部的第一像元数据，构建年尺度归一化植被指数时间序列的数据集；
第一剔除模块，用于借助气候变化行动和阈值法，从所述第一像元数据中剔除所述被研究区域的各个时期的非耕地和非植被像元，生成第二像元数据；
平滑处理模块，用于根据所述年尺度归一化植被指数时间序列的数据集，利用S-G滤波对所述第二像元数据进行平滑处理，生成第三像元数据；
第二剔除模块，用于对所述第三像元数据计算栅格像元的植被指数峰值范围，并剔除假峰像元，生成第四像元数据；
第二时间序列生成模块，用于对所述第四像元数据进行连续16日的植被指数计算，并通过回归方程生成每个栅格点的每年逐日植被指数序列；
复种指数生成模块，用于对所述每年逐日植被指数序列生成时序曲线，并对所述时序曲线求导，计算导数的正负转折点格数作为每个栅格的峰值个数，生成每个栅格的复种指数。
在一个或多个实施例中，优选地，所述的一种基于栅格的耕地复种指数提取系统还包括：
数据重构子模块，用于对缺少数据节点进行数据重构；
所述数据重构，具体包括：
获取缺少数据节点的地理位置；
根据所述地理位置，进行相邻节点搜索；
获得空间距离最近的三个相邻节点的植被覆盖指数；
利用第三计算公式获得所述缺少数据节点的临时植被覆盖指数；
利用第四计算公式获得目标缺失植被覆盖指数；
所述第三计算公式为：
P'＝(P1+P2+P3)/3
其中，P'为所述临时植被覆盖指数，P1、P2、P3为三个相邻节点的植被覆盖指数；
所述第四计算公式为：
P＝(P'+P”)/2
其中，P为所述目标缺失植被覆盖指数，P”为最接近当前时刻的所述缺少数据节点的植被覆盖指数。
根据本发明实施例第三方面，提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
1)本发明实施中，通过基于栅格的复种提取方法可通过程序语言实现连续多年的批处理计算，自动化程度高，运算效率高；
2)本发明实施例中，提供的栅格复种提取方法鲁棒性强，无需额外的辅助数据；
3)本发明实施例中，提供的基于栅格的复种提取方法受到区域的影响小，且不受人为因素影响，客观可靠，且通用性强。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种基于栅格的耕地复种指数提取方法的流程图。
图2是本发明一个实施例的一种基于栅格的耕地复种指数提取方法中的获取被研究区域的全部的第一像元数据，构建年尺度归一化植被指数时间序列的数据集的流程图。
图3是本发明一个实施例的一种基于栅格的耕地复种指数提取方法中的借助气候变化行动和阈值法，从所述第一像元数据中剔除所述被研究区域的各个时期的非耕地和非植被像元，生成第二像元数据的流程图。
图4是本发明一个实施例的一种基于栅格的耕地复种指数提取方法中的根据所述年尺度归一化植被指数时间序列的数据集，利用S-G滤波对所述第二像元数据进行平滑处理，生成第三像元数据的流程图。
图5是本发明一个实施例的一种基于栅格的耕地复种指数提取方法中的对所述第三像元数据计算栅格像元的植被指数峰值范围，并剔除假峰像元，生成第四像元数据的流程图。
图6是本发明一个实施例的一种基于栅格的耕地复种指数提取方法中的对所述第四像元数据进行连续16日的植被指数计算，并通过回归方程生成每个栅格点的每年逐日植被指数序列的流程图。
图7是本发明一个实施例的一种基于栅格的耕地复种指数提取方法中的对所述每年逐日植被指数序列生成时序曲线，并对所述时序曲线求导，计算导数的正负转折点格数作为每个栅格的峰值个数，生成每个栅格的复种指数的流程图。
图8是本发明一个实施例的一种基于栅格的耕地复种指数提取系统的结构图。
图9是本发明一个实施例的一种基于栅格的耕地复种指数提取信息中的数据重构方法的流程图。
图10是本发明一个实施例中一种电子设备的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
耕地复种指数是衡量耕地资源集约化利用程度的基础，其表示一定时期内(通常为一年)内同一耕地上的作物种植次数。中国用仅世界9％的耕地养活着世界20％的人口，综合考虑不断加剧的气候变化与人类活动影响，在现有耕地资源上稳定并适当提高耕地复种指数是保证我国的粮食安全的有效途径。
目前，耕地复种指数的提取通常是基于土地调查和农业统计数据获取，计算公式如下：
CI＝As/Ac*100％
式中，CI表示耕地复种指数；As表示同一耕地全年作物的总播种面积；Ac表示同一耕地全年作物的总耕地面积。该复种指数提取方法计算简单，但是受限于不同区域对于耕地相关指数统计口径不同，统计时间的延后性，很难满足长时间序列、不同尺度、大范围的耕地复种指数需求，因此利用遥感时序数据进行复种指数的提取成为研究热点。
利用遥感时序数据进行复种指数提取通常基于归一化植被指数(NDVI)时序数据，通过不同的滤波平滑处理、峰值提取方法以判别不同熟制，但现有基于NDVI时序数据的提取方法，受到研究区域数据与气候、滤波平滑及峰值提取方法操作难易程度等限制，可能会造成所提取峰值个数与当地作物实际复种指数不相符的情况，
本发明实施例中，提供了一种基于栅格的耕地复种指数提取方法及系统。该方案通过栅格进行复种指数的提取，高效准确的获取每个栅格点的复种指数，并可进行连续多年的对比分析。
根据本发明实施例的第一方面，提供了一种基于栅格的耕地复种指数提取方法。
图1是本发明一个实施例的一种基于栅格的耕地复种指数提取方法的流程图。
如图1所示，在一个或多个实施例中，优选地，所述的一种基于栅格的耕地复种指数提取方法包括：
S101、获取被研究区域的全部的第一像元数据，构建年尺度归一化植被指数时间序列的数据集；
S102、借助气候变化行动和阈值法，从所述第一像元数据中剔除所述被研究区域的各个时期的非耕地和非植被像元，生成第二像元数据；
S103、根据所述年尺度归一化植被指数时间序列的数据集，利用S-G滤波对所述第二像元数据进行平滑处理，生成第三像元数据；
S104、对所述第三像元数据计算栅格像元的植被指数峰值范围，并剔除假峰像元，生成第四像元数据；
S105、对所述第四像元数据进行连续16日的植被指数计算，并通过回归方程生成每个栅格点的每年逐日植被指数序列；
S106、对所述每年逐日植被指数序列生成时序曲线，并对所述时序曲线求导，计算导数的正负转折点格数作为每个栅格的峰值个数，生成每个栅格的复种指数。
在本发明实施例中，具体给出了如何通过地理遥感信息，进行栅格的植被复种情况的提取，提取之后，以复种指数形式直接呈现出区域内的更低复种情况。
图2是本发明一个实施例的一种基于栅格的耕地复种指数提取方法中的获取被研究区域的全部的第一像元数据，构建年尺度归一化植被指数时间序列的数据集的流程图。
如图2所示，在一个或多个实施例中，优选地，所述获取被研究区域的全部的第一像元数据，构建年尺度归一化植被指数时间序列的数据集，具体包括：
S201、获取全部的所述被研究区域的第一像元数据，设置空间分辨率为500米；
S202、设置时间分辨率为16天，进行植被指数数据的归一化处理；
S203、提取近20年的逐年数据，并按照栅格点的位置进行数据存储，生成所述年尺度归一化植被指数时间序列的数据集。
在本发明实施例中，在进行被研究区域设定后，进行了固定的时间和空间分辨率的数据提取，进而利用20年的数据进行逐年的数据划分，获得一个数据集的形式。
图3是本发明一个实施例的一种基于栅格的耕地复种指数提取方法中的借助气候变化行动和阈值法，从所述第一像元数据中剔除所述被研究区域的各个时期的非耕地和非植被像元，生成第二像元数据的流程图。
如图3所示，在一个或多个实施例中，优选地，所述借助气候变化行动和阈值法，从所述第一像元数据中剔除所述被研究区域的各个时期的非耕地和非植被像元，生成第二像元数据，具体包括：
S301、从所述第一像元数据中提取每个栅格点的时间序列数据集；
S302、利用第一计算公式获取每个栅格点的每年的最大值；
S303、获取5年平均的植被指数，判断所述5年平均的植被指数小于0.3，则认为对应的像元非耕地区域；
S304、从所述第一像元数据中剔除所述被研究区域的各个时期的非耕地和非植被像元，生成所述第二像元数据；
所述第一计算公式为：
NDVImaxi＝max(NDVItsi)
其中，NDVImaxi为栅格点i的每年的最大值，NDVItsi为栅格点i的时间序列数据集。
在本发明实施例中，对数据集中的数据进行了植被裕度的剔除，剔除了5年平均的植被过小的区域和非耕地，因此，保留的范围为更低范围。
图4是本发明一个实施例的一种基于栅格的耕地复种指数提取方法中的根据所述年尺度归一化植被指数时间序列的数据集，利用S-G滤波对所述第二像元数据进行平滑处理，生成第三像元数据的流程图。
如图4所示，在一个或多个实施例中，优选地，所述根据所述年尺度归一化植被指数时间序列的数据集，利用S-G滤波对所述第二像元数据进行平滑处理，生成第三像元数据，具体包括：
S401、获取所述第二像元数据，利用S-G卷积平滑滤波进行数据去噪；
S402、将去噪后的全部数据逐一存储到所述第三像元数据中。
在本发明实施例中，由于植被的变换是连续的过程，很难出现大幅度波动，因此，对其进行了去噪，删除了噪声像元数据。
图5是本发明一个实施例的一种基于栅格的耕地复种指数提取方法中的对所述第三像元数据计算栅格像元的植被指数峰值范围，并剔除假峰像元，生成第四像元数据的流程图。
如图5所示，在一个或多个实施例中，优选地，所述对所述第三像元数据计算栅格像元的植被指数峰值范围，并剔除假峰像元，生成第四像元数据，具体包括：
S501、设置植被指数峰值范围；
S502、根据所述第三像元数据，利用第二计算公式确定第一峰值；
S503、根据所述第三像元数据，利用第二计算公式确定第二峰值；
S504、根据所述第一峰值和所述第二峰值获取峰值最小值；
S505、将所有的所述峰值最小值与所述植被指数峰值范围对比，若所述峰值最小值小于所述植被指数峰值范围的最小值时，将对应像元标记为所述假峰像元；
S506、从所述第三像元数据中提出所有的所述假峰像元，生成所述第四像元数据；
所述第二计算公式为：
Figure BDA0003174132090000121
其中，NDVIpeak1i为栅格点i的所述第一峰值，NDVIpeak2i为栅格点i的所述第二峰值，minNDVIPeaki为栅格点i的所述峰值最小值，NDVItsi为栅格点i的时间序列数据集。
在本发明实施例中，进行了详细的峰值提取，删除出了可能出现假峰值的一些像元数据，使得最终获得的数据仅包括真像元数据。
图6是本发明一个实施例的一种基于栅格的耕地复种指数提取方法中的对所述第四像元数据进行连续16日的植被指数计算，并通过回归方程生成每个栅格点的每年逐日植被指数序列的流程图。
如图6所示，在一个或多个实施例中，优选地，所述对所述第四像元数据进行连续16日的植被指数计算，并通过回归方程生成每个栅格点的每年逐日植被指数序列，具体包括：
S601、获取所述第四像元数据，设置一个三次多项式作为回归函数；
S602、对所有的所述第四像元数据输入到所述三次多项式，对每个栅格点进行循环迭代，获得每个栅格点对应的所述回归函数的系数；
S603、根据每个栅格点的所述回归函数和当前的栅格点的植被指数，进行每个栅格点的未来的所述每年逐日植被指数序列的预测。
在本发明实施例中，利用真的像元数据第四像元数据，进行回归预估，进而形成未来的逐年预估，以此为基础进行植被指数的分析。
图7是本发明一个实施例的一种基于栅格的耕地复种指数提取方法中的对所述每年逐日植被指数序列生成时序曲线，并对所述时序曲线求导，计算导数的正负转折点格数作为每个栅格的峰值个数，生成每个栅格的复种指数的流程图。
如图7所示，在一个或多个实施例中，优选地，所述对所述每年逐日植被指数序列生成时序曲线，并对所述时序曲线求导，计算导数的正负转折点格数作为每个栅格的峰值个数，生成每个栅格的复种指数，具体包括：
S701、当获得的栅格点峰值个数为1时，则认为对应栅格点种植模式为1年1熟制；
S702、当获得的栅格点峰值个数为2时，则认为对应栅格点种植模式为1年2熟制；
S703、当获得的栅格点峰值个数为3时，则认为对应栅格点种植模式为1年3熟制。
在本发明实施例中，最终对于栅格点的峰值个数进行解读，生成不同峰值点个数下的1年几熟制度。
根据本发明实施例的第二方面，提供了一种基于栅格的耕地复种指数提取系统。
图8是本发明一个实施例的一种基于栅格的耕地复种指数提取系统的结构图。
如图8所示，在一个或多个实施例中，优选地，所述的一种基于栅格的耕地复种指数提取系统包括：
第一时间序列生成模块801，用于获取被研究区域的全部的第一像元数据，构建年尺度归一化植被指数时间序列的数据集；
第一剔除模块802，用于借助气候变化行动和阈值法，从所述第一像元数据中剔除所述被研究区域的各个时期的非耕地和非植被像元，生成第二像元数据；
平滑处理模块803，用于根据所述年尺度归一化植被指数时间序列的数据集，利用S-G滤波对所述第二像元数据进行平滑处理，生成第三像元数据；
第二剔除模块804，用于对所述第三像元数据计算栅格像元的植被指数峰值范围，并剔除假峰像元，生成第四像元数据；
第二时间序列生成模块805，用于对所述第四像元数据进行连续16日的植被指数计算，并通过回归方程生成每个栅格点的每年逐日植被指数序列；
复种指数生成模块806，用于对所述每年逐日植被指数序列生成时序曲线，并对所述时序曲线求导，计算导数的正负转折点格数作为每个栅格的峰值个数，生成每个栅格的复种指数。
图9是本发明一个实施例的一种基于栅格的耕地复种指数提取信息中的数据重构方法的流程图。
如图9所示，在一个或多个实施例中，优选地，所述的一种基于栅格的耕地复种指数提取系统还包括：
数据重构子模块，用于对缺少数据节点进行数据重构；
所述数据重构，具体包括：
S901、获取缺少数据节点的地理位置；
S902、根据所述地理位置，进行相邻节点搜索；
S903、获得空间距离最近的三个相邻节点的植被覆盖指数；
S904、利用第三计算公式获得所述缺少数据节点的临时植被覆盖指数；
S905、利用第四计算公式获得目标缺失植被覆盖指数；
所述第三计算公式为：
P'＝(P1+P2+P3)/3
其中，P'为所述临时植被覆盖指数，P1、P2、P3为三个相邻节点的植被覆盖指数；
所述第四计算公式为：
P＝(P'+P”)/2
其中，P为所述目标缺失植被覆盖指数，P”为最接近当前时刻的所述缺少数据节点的植被覆盖指数。
本发明实施例中，在进行植被分析过程中，针对植被信息缺失的数据点，进行了补全，这种补全方式既考虑了相邻区域影响，也考虑了本数据点的影响。
根据本发明实施例第三方面，提供一种电子设备。图10是本发明一个实施例中一种电子设备的结构图。图10所示的电子设备为通用复种指数提取装置，其包括通用的计算机硬件结构，其至少包括处理器1001和存储器1002。处理器1001和存储器1002通过总线1003连接。存储器1002适于存储处理器1001可执行的指令或程序。处理器1001可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器1001通过执行存储器1002所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线1003将上述多个组件连接在一起，同时将上述组件连接到显示控制器1004和显示装置以及输入/输出(I/O)装置1005。输入/输出(I/O)装置1005可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置1005通过输入/输出(I/O)控制器1006与系统相连。
本发明的实施例提供的技术方案可以包括以下有益效果：
1)本发明实施中，通过基于栅格的复种提取方法可通过程序语言实现连续多年的批处理计算，自动化程度高，运算效率高；
2)本发明实施例中，提供的栅格复种提取方法鲁棒性强，无需额外的辅助数据；
3)本发明实施例中，提供的基于栅格的复种提取方法受到区域的影响小，且不受人为因素影响，客观可靠，且通用性强。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于栅格的耕地复种指数提取方法，其特征在于，该方法包括：
获取被研究区域的全部的第一像元数据，构建年尺度归一化植被指数时间序列的数据集；
借助气候变化行动和阈值法，从所述第一像元数据中剔除所述被研究区域的各个时期的非耕地和非植被像元，生成第二像元数据；
根据所述年尺度归一化植被指数时间序列的数据集，利用S-G滤波对所述第二像元数据进行平滑处理，生成第三像元数据；
对所述第三像元数据计算栅格像元的植被指数峰值范围，并剔除假峰像元，生成第四像元数据；
对所述第四像元数据进行连续16日的植被指数计算，并通过回归方程生成每个栅格点的每年逐日植被指数序列；
对所述每年逐日植被指数序列生成时序曲线，并对所述时序曲线求导，计算导数的正负转折点格数作为每个栅格的峰值个数，生成每个栅格的复种指数。
2.如权利要求1所述的一种基于栅格的耕地复种指数提取方法，其特征在于，所述获取被研究区域的全部的第一像元数据，构建年尺度归一化植被指数时间序列的数据集，具体包括：
获取全部的所述被研究区域的第一像元数据，设置空间分辨率为500米；
设置时间分辨率为16天，进行植被指数数据的归一化处理；
提取近20年的逐年数据，并按照栅格点的位置进行数据存储，生成所述年尺度归一化植被指数时间序列的数据集。
3.如权利要求1所述的一种基于栅格的耕地复种指数提取方法，其特征在于，所述借助气候变化行动和阈值法，从所述第一像元数据中剔除所述被研究区域的各个时期的非耕地和非植被像元，生成第二像元数据，具体包括：
从所述第一像元数据中提取每个栅格点的时间序列数据集；
利用第一计算公式获取每个栅格点的每年的最大值；
获取5年平均的植被指数，判断所述5年平均的植被指数小于0.3，则认为对应的像元非耕地区域；
从所述第一像元数据中剔除所述被研究区域的各个时期的非耕地和非植被像元，生成所述第二像元数据；
所述第一计算公式为：
NDVImaxi＝max(NDVItsi)
其中，NDVImaxi为栅格点i的每年的最大值，NDVItsi为栅格点i的时间序列数据集。
4.如权利要求1所述的一种基于栅格的耕地复种指数提取方法，其特征在于，所述根据所述年尺度归一化植被指数时间序列的数据集，利用S-G滤波对所述第二像元数据进行平滑处理，生成第三像元数据，具体包括：
获取所述第二像元数据，利用S-G卷积平滑滤波进行数据去噪；
将去噪后的全部数据逐一存储到所述第三像元数据中。
5.如权利要求3所述的一种基于栅格的耕地复种指数提取方法，其特征在于，所述对所述第三像元数据计算栅格像元的植被指数峰值范围，并剔除假峰像元，生成第四像元数据，具体包括：
设置植被指数峰值范围；
根据所述第三像元数据，利用第二计算公式确定第一峰值；
根据所述第三像元数据，利用第二计算公式确定第二峰值；
根据所述第一峰值和所述第二峰值获取峰值最小值；
将所有的所述峰值最小值与所述植被指数峰值范围对比，若所述峰值最小值小于所述植被指数峰值范围的最小值时，将对应像元标记为所述假峰像元；
从所述第三像元数据中提出所有的所述假峰像元，生成所述第四像元数据；
所述第二计算公式为：
Figure FDA0003174132080000031
其中，NDVIpeak1i为栅格点i的所述第一峰值，NDVIpeak2i为栅格点i的所述第二峰值，minNDVIPeaki为栅格点i的所述峰值最小值，NDVItsi为栅格点i的时间序列数据集。
6.如权利要求1所述的一种基于栅格的耕地复种指数提取方法，其特征在于，所述对所述第四像元数据进行连续16日的植被指数计算，并通过回归方程生成每个栅格点的每年逐日植被指数序列，具体包括：
获取所述第四像元数据，设置一个三次多项式作为回归函数；
对所有的所述第四像元数据输入到所述三次多项式，对每个栅格点进行循环迭代，获得每个栅格点对应的所述回归函数的系数；
根据每个栅格点的所述回归函数和当前的栅格点的植被指数，进行每个栅格点的未来的所述每年逐日植被指数序列的预测。
7.如权利要求1所述的一种基于栅格的耕地复种指数提取方法，其特征在于，所述对所述每年逐日植被指数序列生成时序曲线，并对所述时序曲线求导，计算导数的正负转折点格数作为每个栅格的峰值个数，生成每个栅格的复种指数，具体包括：
当获得的栅格点峰值个数为1时，则认为对应栅格点种植模式为1年1熟制；
当获得的栅格点峰值个数为2时，则认为对应栅格点种植模式为1年2熟制；
当获得的栅格点峰值个数为3时，则认为对应栅格点种植模式为1年3熟制。
8.一种基于栅格的耕地复种指数提取系统，其特征在于，包括：
第一时间序列生成模块，用于获取被研究区域的全部的第一像元数据，构建年尺度归一化植被指数时间序列的数据集；
第一剔除模块，用于借助气候变化行动和阈值法，从所述第一像元数据中剔除所述被研究区域的各个时期的非耕地和非植被像元，生成第二像元数据；
平滑处理模块，用于根据所述年尺度归一化植被指数时间序列的数据集，利用S-G滤波对所述第二像元数据进行平滑处理，生成第三像元数据；
第二剔除模块，用于对所述第三像元数据计算栅格像元的植被指数峰值范围，并剔除假峰像元，生成第四像元数据；
第二时间序列生成模块，用于对所述第四像元数据进行连续16日的植被指数计算，并通过回归方程生成每个栅格点的每年逐日植被指数序列；
复种指数生成模块，用于对所述每年逐日植被指数序列生成时序曲线，并对所述时序曲线求导，计算导数的正负转折点格数作为每个栅格的峰值个数，生成每个栅格的复种指数。
9.如权利要求8所述的一种基于栅格的耕地复种指数提取系统，其特征在于，还包括：
数据重构子模块，用于对缺少数据节点进行数据重构；
所述数据重构，具体包括：
获取缺少数据节点的地理位置；
根据所述地理位置，进行相邻节点搜索；
获得空间距离最近的三个相邻节点的植被覆盖指数；
利用第三计算公式获得所述缺少数据节点的临时植被覆盖指数；
利用第四计算公式获得目标缺失植被覆盖指数；
所述第三计算公式为：
P'＝(P1+P2+P3)/3
其中，P'为所述临时植被覆盖指数，P1、P2、P3为三个相邻节点的植被覆盖指数；
所述第四计算公式为：
P＝(P'+P”)/2
其中，P为所述目标缺失植被覆盖指数，P”为最接近当前时刻的所述缺少数据节点的植被覆盖指数。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-7任一项所述的步骤。
CN202110827072.3A 2021-07-21 2021-07-21 一种基于栅格的耕地复种指数提取方法及系统 Active CN113421255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110827072.3A CN113421255B (zh) 2021-07-21 2021-07-21 一种基于栅格的耕地复种指数提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110827072.3A CN113421255B (zh) 2021-07-21 2021-07-21 一种基于栅格的耕地复种指数提取方法及系统

Publications (2)

Publication Number Publication Date
CN113421255A true CN113421255A (zh) 2021-09-21
CN113421255B CN113421255B (zh) 2022-08-26

Family

ID=77718043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110827072.3A Active CN113421255B (zh) 2021-07-21 2021-07-21 一种基于栅格的耕地复种指数提取方法及系统

Country Status (1)

Country Link
CN (1) CN113421255B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688505A (zh) * 2024-02-04 2024-03-12 河海大学 一种植被大范围区域化负异常的预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760978A (zh) * 2015-07-22 2016-07-13 北京师范大学 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法
CN108345992A (zh) * 2018-01-31 2018-07-31 北京师范大学 一种复种指数提取方法及装置
WO2021062177A1 (en) * 2019-09-27 2021-04-01 Indigo Ag, Inc. Imputation of remote sensing time series for low-latency agricultural applications
WO2021098471A1 (zh) * 2019-11-19 2021-05-27 浙江大学 一种基于形态模型法的大范围作物物候提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760978A (zh) * 2015-07-22 2016-07-13 北京师范大学 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法
CN108345992A (zh) * 2018-01-31 2018-07-31 北京师范大学 一种复种指数提取方法及装置
WO2021062177A1 (en) * 2019-09-27 2021-04-01 Indigo Ag, Inc. Imputation of remote sensing time series for low-latency agricultural applications
WO2021098471A1 (zh) * 2019-11-19 2021-05-27 浙江大学 一种基于形态模型法的大范围作物物候提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MEHA JAIN: "Mapping cropping intensity of smallholder farms: A comparison of methods using multiple sensors", 《REMOTE SENSING OF ENVIRONMENT》 *
ZHI CHAO等: "When and where did the Loess Plateau turn "green"? Analysis of the tendency and breakpoints of the normalized difference vegetation index", 《WILEYONLINELIBRARY》 *
唐鹏钦: "基于小波去噪NDVI数据的耕地复种指数提取技术研究——以黄淮海平原为例", 《中国优秀硕士学位论文全文数据库（电子期刊） 农业科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688505A (zh) * 2024-02-04 2024-03-12 河海大学 一种植被大范围区域化负异常的预测方法及系统
CN117688505B (zh) * 2024-02-04 2024-04-19 河海大学 一种植被大范围区域化负异常的预测方法及系统

Also Published As

Publication number Publication date
CN113421255B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
EP3408825B1 (en) System and method for earth observation and analysis
Xiao et al. Modeling the spatial distribution of crop sequences at a large regional scale using land-cover survey data: A case from France
Boogaard et al. Robust node detection and tracking in fruit-vegetable crops using deep learning and multi-view imaging
CN113421255B (zh) 一种基于栅格的耕地复种指数提取方法及系统
CN118152501B (zh) 基于资源数据获取土地利用变化信息的方法及系统
CN107437262B (zh) 作物种植面积预警方法和系统
CN114612896A (zh) 基于遥感图像的水稻产量预测方法、装置以及设备
Dokoohaki et al. Development of an open-source regional data assimilation system in PEcAn v. 1.7. 2: Application to carbon cycle reanalysis across the contiguous US using SIPNET
Dalposso et al. Spatial autocorrelation of NDVI and GVI indices derived from Landsat/TM images for soybean crops in the western of the state of Paraná in 2004/2005 crop season
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
CN112527442A (zh) 一种环境数据多维显示方法、装置、介质及终端设备
Bhattacharyya et al. Long term prediction of rainfall in Andhra Pradesh with Deep learning
Bóbeda et al. Using regression trees to predict citrus load balancing accuracy and costs
Xiong et al. Daily DeepCropNet: A hierarchical deep learning approach with daily time series of vegetation indices and climatic variables for corn yield estimation
CN114782835B (zh) 作物倒伏面积比例检测方法及装置
CN110458438A (zh) 植被水分利用效率wue的影响因子的计算方法及装置
CN114707412B (zh) 一种基于植被冠层时变特征的swat模型优化方法
CN116524734A (zh) 一种基于动态时空交错图构建的交通流量预测装置
CN115526032A (zh) 一种基于模糊建模的隧道掘进数据缺失值插补方法
CN113052433B (zh) 基于关键时相和农田景观特征参量的作物单产估算方法
Maeda et al. Monte Carlo simulation and remote sensing applied to agricultural survey sampling strategy in Taita Hills, Kenya
CN115170968A (zh) 一种复杂场景地块的遥感提取方法、装置、计算机设备及存储介质
CN109840308A (zh) 一种区域风电功率概率预报方法及系统
KR20210069987A (ko) 영상 이미지를 이용한 작물 성장 진단 시스템 및 방법
CN112101325A (zh) 耕地变化检测方法、装置、电子设备及存储介质

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