CN113609899B - 基于遥感时序分析的退耕地信息定位显示系统 - Google Patents
基于遥感时序分析的退耕地信息定位显示系统 Download PDFInfo
- Publication number
- CN113609899B CN113609899B CN202110702619.7A CN202110702619A CN113609899B CN 113609899 B CN113609899 B CN 113609899B CN 202110702619 A CN202110702619 A CN 202110702619A CN 113609899 B CN113609899 B CN 113609899B
- Authority
- CN
- China
- Prior art keywords
- ndvi
- crop
- year
- remote sensing
- time
- 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
- 238000012300 Sequence Analysis Methods 0.000 title claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000003306 harvesting Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000003595 spectral effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 244000025254 Cannabis sativa Species 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241000209504 Poaceae Species 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
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于遥感时序分析的退耕地信息定位显示系统,其特征在于,包括:用户输入模块,用于用户输入时间间隔和地点区域;云服务平台,用于接收用户输入的时间间隔和用户输入的地点区域,调取与时间间隔和地点区域对应的农田退耕分布范围图片,并反馈给用户。本方法利用遥感年内时间序列影像进行目标农作物与背景信息的物候特征差异分析,捕捉目标农作物生长周期内关键物候节点,确定目标农作物的分布范围。将退耕区域植被变化信息进行参数化的定义,通过研究年份之间地物信息差异获取退耕地分布。
Description
技术领域
本发明涉及基于遥感时序分析的退耕地信息定位显示系统,属于定位显示技术领域。
背景技术
利用遥感手段获取退耕地时空分布的主要技术难点是从复杂背景信息中,高效准确地识别耕地变为林草的动态过程。通常情况下,利用地物光谱信息可以实现地物类型的简单分类,但光谱混淆会对分类结果造成影响。在时间尺度上,考虑地物类型的改变导致光谱信息的变化程度时,光谱混淆的影响会更加突出。
为避免光谱混淆的影响,通常可以提高遥感影像的空间分辨率减小光谱混淆的影响,但由于高分辨率影像数据重访周期长,易受云层影响,缺乏时间序列特征。同时高分辨率影像数据的获取成本高昂、覆盖范围较小,使得利用效果不佳并很难进行推广。另外,利用超高时间分辨率的遥感影像会牺牲空间分辨率。因此,这就必须提出一套完善的方法,同时考虑遥感影像的时间分辨率和空间分辨率,最大程度减小光谱混淆影响的同时精准识别耕地转变成林地和草地。
Remote Sensing of Environment 2018年213期49-60页中提出了一种方法,该方法采用随机森林(Random Forest)分类,将基于LandTrendr算法(Landsat-baseddetection of Trends in Disturbance and Recovery)获取的年度Landsat光谱变化指标作为预测变量绘制每年的农田概率。该方法首先根据耕地的在Landsat年内时间序列影像上的光谱特征,利用随机森林算法获得多年时序耕地的概率图,然后使用时间分割和变化检测算法LandTrendr对时序耕地的变化曲线进行分段拟合,通过设置合理的阈值获得模型断点,从而捕捉农田在时间上发生的废弃与再耕。
Remote Sensing of Environment 2018年213期49-60页中用到的是Landsat 16天重访周期的卫星影像数据,该卫星影像数据易受云层影响,连续的年内时间序列数据获取困难,且LandTrendr算法检测到的断点为多年时间序列曲线中的变化节点,只能获取到常年处于废弃或休耕状态下的耕地。由于国情政策不同与地势差异,我国对于停止耕种的土地进行补种林草,在年内时间序列影像的光谱变化中,由于草地与耕地的光谱特征相似,光谱混淆对时间分割和变化检测算法识别的结果会造成严重的影响,使得退耕地的识别精度十分的低,文献Remote Sensing of Environment 2018年204期918-930页中的结果也表明了这一点。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供基于遥感时序分析的退耕地信息定位显示系统,降低了光谱混淆并高效准确识别退耕地时空分布。
为达到上述目的,本发明提供基于遥感时序分析的退耕地信息定位显示系统,包括:
用户输入模块,用于用户输入时间间隔和地点区域;
云服务平台,用于接收用户输入的时间间隔和用户输入的地点区域,调取与时间间隔和地点区域对应的农田退耕分布范围图片,并反馈给用户。
优先地,云服务平台包括云计算中心平台和大数据分析平台,云计算中心平台计算识别农田退耕分布范围,调取与时间间隔和地点区域对应的农田退耕分布范围图片,并反馈给用户;
大数据分析平台:对获取农田退耕分布范围结果进行评价分析;
云服务平台包括决策支持和咨询服务平台,决策支持和咨询服务平台中记载各个地区出台的退耕还林还草政策文件。
优先地,构建云计算中心平台,包括以下步骤:
基于用户输入的时间间隔和用户输入的地点区域,获取预先存储的该地点区域的主要农作物种类;
根据长时间序列遥感影像的归一化植被指数曲线获取农作物种类的种植规律,确定该地点区域内农作物生长周期中的开始种植的时间、生长旺盛期的时间和收割期的时间;
下载开始种植的时间对应的Landsat遥感影像、生长旺盛期的时间对应的Landsat遥感影像和收割期的时间对应的Landsat遥感影像,计算Landsat影像的归一化植被指数NDVI:NDVI=(RNIR-RRed)/(RNIR+RRed),
式中,RNIR是近红外波段的反射率,RRed是红波段的反射率;
3)将主要农作物种类中的一种农作物选取为目标农作物,利用NDVI在时间上表现的波动差异,提高农作物识别提取精度,公式如下:
式中,为第a年目标农作物NDVI值的变化率,公式(Na ta2-Na ta1)/Δta2-a1是根据目标农作物与目标农作物的背景之间的生长波动分析定义的;目标农作物从种植到生长旺盛期之间NDVI值明显的变化差值大于0.5,而背景的NDVI值差值小于0.2;
Na ta2为生长旺盛期内NDVI值的最高值点,Na ta1为生长旺盛期内NDVI值的最低值点,Δta2-a1是生长旺盛期间Na ta2到Na ta1对应时间长度;
Na ta20为收割期的时间内NDVI值的最高值点,Na ta10为收割期的时间内NDVI值的最低值点,Δta20-a10是农作物收割时间Na ta20到Na ta10对应的时间长度;
4)若在该地点区域内目标农作物类型发生改变,以目标作物在a年确定的时间节点选取对应时间的b年的NDVI值,提取第b年目标农作物NDVI值的变化率布利用/>和/>的差值ΔVRate获取地点区域内目标农作物在第a年到第b年的变化量,公式如下:
式中,Nb ta2为第b年生长旺盛期内NDVI值的最高值点,Nb ta1为第b年生长旺盛期内NDVI值的最低值点,Nb ta20为第b年收割期内NDVI值的最高值点,Nb ta10为第b年收割期内NDVI值的最低值点;ΔVRate为参数由a年至b年的NDVI值变化量;
若在该地点区域内目标农作物类型没有发生改变,则ΔVRate<0.003;当目标农作物类型发生改变时,则ΔVRate>0.013;因此,当ΔVRate>k(k>0)时,确定该地点区域目标农作物类型发生改变,并且改变的时间在a年到b年之间;
5)面向象元的NDVI变异系数CV的计算,CV值越大,则NDVI变化曲线波动越剧烈,反之NDVI变化曲线越平缓;根据目标农作物关键物候期剧烈的生长波动,CV值能有效区分目标农作物的背景对目标农作物的干扰;计算面向象元的NDVI变异系数CV时,首先收集该地点区域一年中所有的Landsat遥感影像并且按照年内拍摄时间进行排序,收集的Landsat遥感影像数量记为n,公式如下:
CV=σ/μ,
其中,NDVIi为第i个NDVI值,CV为第i个象元NDVI的时间序列变异系数,σ为第i个象元为NDVI的时间序列标准差,μ为第i个象元NDVI时间序列的均值;
6)在a年的Landsat遥感图像中选取一部分像素,目视解译像素中农作物的百分比,定义Landsat遥感图像的像素中农作物面积占比大于50%的像素为耕地,将这些像素中农作物对应的值进行线性回归,得到农作物百分比大于50%时对应的/>阈值,从而得到a年耕地的分布范围;
在b年的图像中选取一部分像素,目视解译像素中农作物的百分比,将这些像素中农作物对应的进行线性回归,得到农作物百分比大于50%时对应的/>阈值,从而得到b年耕地的分布范围;
在b年内,计算面向象元的NDVI变异系数CV;选取CV中一部分像素,目视解译像素中农作物的百分比,将这些像素中农作物的百分比与对应的CV值进行线性回归,得到农作物百分比大于50%时对应的变异系数CV的阈值;
7)选取该地区区域发生退耕还林事件的区域,目视解译对应像素中农作物百分比的变化程度;同时这部分像素分别对应着a年计算的值和b年计算的/>值;将这些像素中农作物的变化程度与ΔVRate进行线性回归,得到目标农作物百分比损失50%时对应的阈值k;
通过a年的耕地分布范围和b年的耕地范围,获取耕地从a年到b年农田耕地退耕的分布情况;基于面向象元的NDVI变异系数CV的阈值,排除农田耕地损失的分布中背景信息造成的光谱混淆;根据阈值k获取农田退耕的分布情况;
8)步骤3至步骤7为单一农作物识别提取的处理流程,主要农作物种类中包括两种以上的农作物,则对主要农作物种类中每种农作物需分别进行步骤3至步骤7的操作;且在步骤7中由阈值和/>阈值确定的耕地损失分布中,要同时考虑多种农作物,排除不同农作物之间相互转变造成的干扰;
9)统计各类农作物的农田退耕的分布情况,得到用户输入的时间间隔内总的退耕地分布范围。优先地,在步骤7中由阈值和/>阈值确定的耕地损失分布中,要同时考虑多种农作物,排除不同农作物之间相互转变造成的干扰,包括,
主要农作物种类中包括两种以上的农作物时,首先计算第一种农作物的农田退耕的分布;计算第二种农作物在b年的耕地分布时,如果第一种农作物的农田退耕分布情况与第二种农作物在b年的农田退耕分布情况有重合的像素,则认为这部分重合的像素不属于第一种农作物的农田退耕分布,而是由于不同农作物之间类型的变化造成的错误判断,删除这部分重合像素。
优先地,调取陆地卫星遥感影像预先拍摄的与用户输入的地点区域相对应的多年退耕地分布图像,在下载多年内开始种植的时间对应的Landsat遥感影像、多年内生长旺盛期的时间对应的Landsat遥感影像和多年内收割期的时间对应的Landsat遥感影像时,对所有Landsat遥感影像进行裁剪、几何校正、辐射定标和大气校正。
优先地,获取长时间序列遥感影像的归一化植被指数曲线,包括,
遥感影像获取1MODIS NDVI多年影像,得到年内时间序列NDVI数据集,NDVI数据集分解后得到作物关键物候期的Landsat影像;将收集的年内时间序列NDVI数据集按时间顺序排序,各个农作物种类分别统计在各个时期的NDVI值,将这些NDVI值连接成线,得到各个农作物种类对应的长时间序列遥感影像的归一化植被指数曲线。
优先地,对获取农田退耕分布范围结果进行评价分析,包括:
收集发生退耕事件的地点区域的多个地球高分辨率影像,将球高分辨率影像分为用于结果验证的样本集和用于仿真分析的样本集;
将仿真分析的样本集输入到云计算平台中,云计算平台自动计算得到阈值、阈值、阈值k和变异系数CV阈值,提取农田退耕的分布情况;
获取用户输入的时间间隔内总的退耕地分布范围,将与用户输入的时间间隔相同的用于结果验证的样本集输入云计算平台中,得到该样本对应的退耕地分布范围;
将该样本对应的退耕地分布范围与用户输入的时间间隔内总的退耕地分布范围进行比较,若相似度高于设定的相似度阈值,则表示该云计算平台满足需求,否则重新构建云计算中心平台。
优先地,相似度阈值为75%-80%。本发明所达到的有益效果:
本发明的云计算平台通过多时相NDVI影像数据获取目标农作物确定的耕地范围,结合具体农作物与背景信息之间光谱特征变化,识别耕地退耕转变成林草的空间分布。时序NDVI的变异系数CV由于敏感性强,稳定性高,甚至可以表征出微小的生长变化波动。在目标农作物的关键生长物候期,由于背景信息的NDVI波动不明显。变异系数CV阈值可以区分年内的目标农作物与背景信息,解决了现存方法中光谱混淆干扰对结果的明显影响,提高了退耕地提取的精度。与现有的算法对比,本算法不需要收集大量的样本进行训练。此外,本发明算法易操作,运行速度快,处理效率高,并能够实时定位指示,节约了大量成本与能耗。本方法利用遥感年内时间序列影像进行目标农作物与背景信息的物候特征差异分析,捕捉目标农作物生长周期内关键物候节点,确定目标农作物的分布范围。将退耕区域植被变化信息进行参数化的定义,通过研究年份之间地物信息差异获取退耕地分布。
附图说明
图1是本发明的框架图;
图2是本发明的流程图。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
(1)基于高德地图API的界面操作显示系统
手持端APP软件界面基于高德地图API服务协议,方便用户进行定位和地点搜索。用户在明确时间间隔和地点区域后,后台将时间间隔与地点区域实时传输至遥感影像实时处理云服务平台。遥感影像实时处理云服务平台将获取的农田退耕分布范围结果传输到显示界面,并通过导航和路况显示功能,展现用户指定地点区域的农田退耕分布范围结果。
(2)云服务平台
基于用户指定的时间间隔与地点区域,在云服务平台完成相应时间间隔和地点区域的遥感影像数据的下载与处理。该云服务平台基于陆地卫星(Landsat)遥感影像和中分辨率成像光谱仪(MODIS),可以收集现有的所有开放的Landsat影像和MODIS影像。集数据的实时获取、处理以及分析为一体,形成遥感影像实时处理云平台,依托云计算中心的核心算法与运算规则,智能获取用户所需时间间隔和地点区域的农田退耕分布范围结果。
1)遥感影像数据的实时下载及预处理
基于用户提供的时间间隔和地点区域,开发卫星遥感影像自动下载系统。例如下载Landsat遥感影像:根据用户提供的时间间隔和地点区域,自动下载Landsat遥感影像。并实现遥感影像的自动预处理,预处理功能包括裁剪、几何校正、辐射定标和大气校正。裁剪:调用Arcgis软件中影像裁剪功能。几何校正:调用Arcgis软件中几何校正功能。辐射定标:调用ENVI软件中辐射定标模块。大气校正:调用ENVI软件中大气校正模块。
2)遥感影像数据的计算与分析
遥感影像处理云平台采用软件即服务(SaaS)方式进行设计,包括面向服务的架构(SOA)设计和软件工程方法的结合。采用当前Web端国际主流的B/S结构模式进行互联网的交互应用,以便用户在不同地点、采用不同访问方式登陆系统。另一方面,面向服务的软件工程方法把ENVI和GIS的全部功能封装为Web-ENVI-GIS网络服务,从而实现被多种客户端跨平台、跨网络、跨语言地调用,并具备了服务聚合能力以集成来自其他服务器发布的ENVI和GIS服务。
云计算中心平台:包含识别农田退耕分布范围的核心算法;
大数据分析平台:对获取农田退耕分布范围结果进行评价分析;
决策支持和咨询服务平台:包含各个地方政府出台的退耕还林还草政策文件。
对获取农田退耕分布范围结果进行评价分析,包括:
收集发生退耕事件的地点区域的多个地球高分辨率影像,将球高分辨率影像分为用于结果验证的样本集和用于仿真分析的样本集;
将仿真分析的样本集输入到云计算平台中,云计算平台自动计算得到阈值、阈值、阈值k和变异系数CV阈值,提取农田退耕的分布情况;
获取用户输入的时间间隔内总的退耕地分布范围,将与用户输入的时间间隔相同的用于结果验证的样本集输入云计算平台中,得到该样本对应的退耕地分布范围;
将该样本对应的退耕地分布范围与用户输入的时间间隔内总的退耕地分布范围进行比较,若相似度高于设定的相似度阈值,则表示该云计算平台满足需求,否则重新构建云计算中心平台。本实施例中相似度阈值为78%。
(3)政策规划
基于县域规划进行文件统计得到退耕还林还草工程统计结果,为用户详细了解目标区域提供咨询服务与决策支持。
县域规划:中国各个县市政府发布的农田退耕还林还草政策与计划书。
文件统计:对收集的中国各个县市政府发布的农田退耕还林还草政策与计划书进行汇总,并提取关键信息,包括:县市名称、农田退耕的时间、农田退耕的面积。
(4)核心算法与运行规则
通过在云计算中心平台上定义核心算法与运行规则,实现农田退耕分布范围的自动获取。具体流程图如图2所示。
1)选定区域与研究时间范围,确定该区域主要农作物种类。根据长时间序列遥感影像的归一化植被指数(NDVI)曲线获取农作物种类的种植规律,确定该区域农作物生长周期中的开始、中间和结束的时间日期。
2)根据第1步确定的农作物生长周期的开始种植的时间、生长旺盛期的时间和收割期的时间,基于云服务平台自动下载开始种植的时间的Landsat遥感影像、生长旺盛期的时间的Landsat遥感影像和收割期的时间的Landsat遥感影像并进行预处理。基于改进的邻近相似像元差值法MNSPI(the modified neighborhood similar pixel interpolator)去除云和阴影遮罩的像素。根据归一化植被指数(NDVI)的公式计算Landsat影像的归一化植被指数。
NDVI=(RNIR-RRed)/(RNIR+RRed)
式中R是反射率,NIR是近红外波段,Red是红波段
3)将主要农作物中的一种农作物选取为目标农作物,面向像元的多时相NDVI农作物信息识别。根据农作物物候变化特征,利用NDVI在时间上表现的波动差异,提高农作物识别提取精度。
式中为第a年目标农作物NDVI值的变化率,公式(Na ta2-Na ta1)/Δta2-a1是根据目标农作物与背景信息之间的生长波动分析定义的。目标农作物从种植到生长旺盛期之间,NDVI值明显的变大,差值大于0.5。背景信息的NDVI值则没有明显变化,差值小于0.2。Na ta2和Na ta1为生长旺盛期间内NDVI值的最高值点和NDVI值的最低值点,Δta2-a1是生长旺盛期间Na ta2和Na ta1对应时间长度;我们考虑了两个这样的时间段:在农作物收割期,NDVI的最大值点对应着Na ta20,NDVI的最低值点对应着Na ta10。Δta20-a10是农作物收割期间Na ta20和Na ta10对应的时间长度。
4)当第3步中的目标农作物类型发生改变时,对应的多时相NDVI值均会发生明显的变化。在时间尺度上,认为目标农作物在生长周期的开始、中间和结束有着相似的NDVI波动曲线。因此,以目标作物在a年确定的时间节点选取对应b年的NDVI值,提取b年中目标农作物的分布从而,利用/>和/>的差值ΔVRate获取耕地范围内目标农作物在第a年到第b年的变化量,公式如下:
式中,Nb ta2、Nb ta1、Nb ta20、Nb ta10是第a年目标农作物生长周期中开始、中间和结束的时间点对应的第b年的NDVI值。
ΔVRate为参数由a年至b年的变化量。在同一区域,如果农作物类型没有发生改变,其对应的ΔVRate为较小的值,ΔVRate<0.003;当农作物类型发生改变时,例如由玉米变成草地,则ΔVRate为较大的正值,ΔVRate>0.013。因此,当ΔVRate>k(k>0)时,确定该区域作物发生改变,并且改变的时间在a年到b年之间。
5)面向象元的NDVI变异系数CV的计算,CV值的大小揭示了NDVI变化曲线的波动剧烈程度,CV值越大,则曲线波动越剧烈,反之越平缓;根据目标农作物关键物候期剧烈的生长波动,CV值能有效区分背景信息对目标农作物的干扰。
CV=σ/μ
其中,CV为第i个象元NDVI的时间序列变异系数,σ为第i个象元为NDVI的时间序列标准差,μ为第i个象元NDVI时间序列的均值,n为时间序列影像的个数;
6)目标农作物信息的和/>采用相同的阈值:选取部分目标农作物像素,目视解译像素中农作物的百分比,与这些像素的/>值和/>值进行线性回归,得到目标农作物百分比大于50%时对应的/>和/>阈值;
变异系数CV阈值的选取:选取部分目标农作物像素,目视解译像素中农作物的百分比,与这些像素的CV值进行线性回归,得到目标农作物百分比大于50%时对应的CV阈值;
阈值k的选取:选取部分目标农作物发生变化的像素,目视解译像素中农作物百分比的变化量,与这些像素的k值进行线性回归,得到目标农作物百分比损失50%时对应的k阈值;
进行阈值、/>阈值、k值和CV阈值的分析后,在/>阈值和/>阈值确定的目标农作物变化范围内根据合理的k值获取目标农作物类型发生退耕区域。基于目标农作物的变异系数CV可以有效排除背景信息造成的光谱混淆,提高识别精度。
7)步骤3至步骤6为单一农作物识别提取的处理流程,两种以上的农作物需分别进行步骤3至步骤6的操作。且在步骤6中由阈值和/>阈值确定的目标农作物变化范围时,要同时考虑多种农作物,排除不同农作物之间相互转变造成的干扰。
排除方法:另一种农作物在b年的分布范围与目标农作物退耕结果的重合部分,是农作物之间相互转变造成的,需要删除这部分结果。
8)统计各类农作物的退耕范围,获取研究时间段内总的退耕地分布范围。
(5)退耕地分布实时指示
客户端APP软件系统通过高德地图API服务协议连接访问服务器,接收来自服务器端的退耕地分布信息,实现退耕地信息的定位与路线指示;云数据处理平台完成退耕地信息的计算后,通过客户端完成退耕地信息的实时接收,并显示在操作界面。在接收的数据结果中,根据退耕地在时间和空间上的分布以不同于背景信息的颜色加以区分并显示在客户端。同时显示界面包括退耕地面积的统计信息。
1、本方法利用遥感年内时间序列影像进行目标农作物与背景信息的物候特征差异分析,捕捉目标农作物生长周期内关键物候节点,确定目标农作物的分布范围。
2、将退耕区域植被变化信息进行参数化的定义,通过研究年份之间地物信息差异获取退耕地分布。
3、利用NDVI变异系数CV有效降低光谱混淆的干扰,提高了退耕地提取的精度。
以上所述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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.基于遥感时序分析的退耕地信息定位显示系统,其特征在于,包括
用户输入模块,用于用户输入时间间隔和地点区域;
云服务平台,用于接收用户输入的时间间隔和用户输入的地点区域,调取与时间间隔和地点区域对应的农田退耕分布范围图片,并反馈给用户;
云服务平台包括云计算中心平台和大数据分析平台,云计算中心平台计算识别农田退耕分布范围,调取与时间间隔和地点区域对应的农田退耕分布范围图片,并反馈给用户;
大数据分析平台:对获取农田退耕分布范围结果进行评价分析;
云服务平台包括决策支持和咨询服务平台,决策支持和咨询服务平台中记载各个地区出台的退耕还林还草政策文件;
构建云计算中心平台,包括以下步骤:
基于用户输入的时间间隔和用户输入的地点区域,获取预先存储的该地点区域的主要农作物种类;
根据长时间序列遥感影像的归一化植被指数曲线获取农作物种类的种植规律,确定该地点区域内农作物生长周期中的开始种植的时间、生长旺盛期的时间和收割期的时间;
下载开始种植的时间对应的Landsat遥感影像、生长旺盛期的时间对应的Landsat遥感影像和收割期的时间对应的Landsat遥感影像,计算Landsat影像的归一化植被指数NDVI:
NDVI=(RNIR-RRed)/(RNIR+RRed),
式中,RNIR是近红外波段的反射率,RRed是红波段的反射率;
3)将主要农作物种类中的一种农作物选取为目标农作物,利用NDVI在时间上表现的波动差异,提高农作物识别提取精度,公式如下:
式中,为第a年目标农作物NDVI值的变化率,公式(Na ta2-Na ta1)/Δta2-a1是根据目标农作物与目标农作物的背景之间的生长波动分析定义的;目标农作物从种植到生长旺盛期之间NDVI值明显的变化差值大于0.5,而背景的NDVI值差值小于0.2;
Na ta2为生长旺盛期内NDVI值的最高值点,Na ta1为生长旺盛期内NDVI值的最低值点,Δta2-a1是生长旺盛期间Na ta2到Na ta1对应时间长度;
Na ta20为收割期的时间内NDVI值的最高值点,Na ta10为收割期的时间内NDVI值的最低值点,Δta20-a10是农作物收割时间Na ta20到Na ta10对应的时间长度;
4)若在该地点区域内目标农作物类型发生改变,以目标作物在a年确定的时间节点选取对应时间的b年的NDVI值,提取第b年目标农作物NDVI值的变化率布利用/>和的差值ΔVRate获取地点区域内目标农作物在第a年到第b年的变化量,公式如下:
式中,Nb ta2为第b年生长旺盛期内NDVI值的最高值点,Nb ta1为第b年生长旺盛期内NDVI值的最低值点,Nb ta20为第b年收割期内NDVI值的最高值点,Nb ta10为第b年收割期内NDVI值的最低值点;ΔVRate为参数由a年至b年的NDVI值变化量;
若在该地点区域内目标农作物类型没有发生改变,则ΔVRate<0.003;当目标农作物类型发生改变时,则ΔVRate>0.013;因此,当ΔVRate>k(k>0)时,确定该地点区域目标农作物类型发生改变,并且改变的时间在a年到b年之间;
5)面向象元的NDVI变异系数CV的计算,CV值越大,则NDVI变化曲线波动越剧烈,反之NDVI变化曲线越平缓;根据目标农作物关键物候期剧烈的生长波动,CV值能有效区分目标农作物的背景对目标农作物的干扰;计算面向象元的NDVI变异系数CV时,首先收集该地点区域一年中所有的Landsat遥感影像并且按照年内拍摄时间进行排序,收集的Landsat遥感影像数量记为n,公式如下:
CV=σ/μ,
其中,NDVIi为第i个NDVI值,CV为第i个象元NDVI的时间序列变异系数,σ为第i个象元为NDVI的时间序列标准差,μ为第i个象元NDVI时间序列的均值;
6)在a年的Landsat遥感图像中选取一部分像素,目视解译像素中农作物的百分比,定义Landsat遥感图像的像素中农作物面积占比大于50%的像素为耕地,将这些像素中农作物对应的值进行线性回归,得到农作物百分比大于50%时对应的/>阈值,从而得到a年耕地的分布范围;
在b年的图像中选取一部分像素,目视解译像素中农作物的百分比,将这些像素中农作物对应的进行线性回归,得到农作物百分比大于50%时对应的/>阈值,从而得到b年耕地的分布范围;
在b年内,计算面向象元的NDVI变异系数CV;选取CV中一部分像素,目视解译像素中农作物的百分比,将这些像素中农作物的百分比与对应的CV值进行线性回归,得到农作物百分比大于50%时对应的变异系数CV的阈值;
7)选取该地点区域发生退耕还林事件的区域,目视解译对应像素中农作物百分比的变化程度;同时这部分像素分别对应着a年计算的值和b年计算的/>值;将这些像素中农作物的变化程度与ΔVRate进行线性回归,得到目标农作物百分比损失50%时对应的阈值k;
通过a年的耕地分布范围和b年的耕地范围,获取耕地从a年到b年农田耕地退耕的分布情况;基于面向象元的NDVI变异系数CV的阈值,排除农田耕地损失的分布中背景信息造成的光谱混淆;根据阈值k获取农田退耕的分布情况;
8)步骤3至步骤7为单一农作物识别提取的处理流程,主要农作物种类中包括两种以上的农作物,则对主要农作物种类中每种农作物需分别进行步骤3至步骤7的操作;且在步骤7中由阈值和/>阈值确定的耕地损失分布中,要同时考虑多种农作物,排除不同农作物之间相互转变造成的干扰;
9)统计各类农作物的农田退耕的分布情况,得到用户输入的时间间隔内总的退耕地分布范围。
2.根据权利要求1所述的基于遥感时序分析的退耕地信息定位显示系统,其特征在于,
在步骤7中由阈值和/>阈值确定的耕地损失分布中,要同时考虑多种农作物,排除不同农作物之间相互转变造成的干扰,包括,
主要农作物种类中包括两种以上的农作物时,首先计算第一种农作物的农田退耕的分布;计算第二种农作物在b年的耕地分布时,如果第一种农作物的农田退耕分布情况与第二种农作物在b年的农田退耕分布情况有重合的像素,则认为这部分重合的像素不属于第一种农作物的农田退耕分布,而是由于不同农作物之间类型的变化造成的错误判断,删除这部分重合像素。
3.根据权利要求1所述的基于遥感时序分析的退耕地信息定位显示系统,其特征在于,
调取陆地卫星遥感影像预先拍摄的与用户输入的地点区域相对应的多年退耕地分布图像,在下载多年内开始种植的时间对应的Landsat遥感影像、多年内生长旺盛期的时间对应的Landsat遥感影像和多年内收割期的时间对应的Landsat遥感影像时,对所有Landsat遥感影像进行裁剪、几何校正、辐射定标和大气校正。
4.根据权利要求1所述的基于遥感时序分析的退耕地信息定位显示系统,其特征在于,
获取长时间序列遥感影像的归一化植被指数曲线,包括,
遥感影像获取1MODIS NDVI多年影像,得到年内时间序列NDVI数据集,NDVI数据集分解后得到作物关键物候期的Landsat影像;将收集的年内时间序列NDVI数据集按时间顺序排序,各个农作物种类分别统计在各个时期的NDVI值,将这些NDVI值连接成线,得到各个农作物种类对应的长时间序列遥感影像的归一化植被指数曲线。
5.根据权利要求1所述的基于遥感时序分析的退耕地信息定位显示系统,其特征在于,
对获取农田退耕分布范围结果进行评价分析,包括:
收集发生退耕事件的地点区域的多个地球高分辨率影像,将球高分辨率影像分为用于结果验证的样本集和用于仿真分析的样本集;
将仿真分析的样本集输入到云计算平台中,云计算平台自动计算得到阈值、/>阈值、阈值k和变异系数CV阈值,提取农田退耕的分布情况;
获取用户输入的时间间隔内总的退耕地分布范围,将与用户输入的时间间隔相同的用于结果验证的样本集输入云计算平台中,得到该样本对应的退耕地分布范围;
将该样本对应的退耕地分布范围与用户输入的时间间隔内总的退耕地分布范围进行比较,若相似度高于设定的相似度阈值,则表示该云计算平台满足需求,否则重新构建云计算中心平台。
6.根据权利要求5所述的基于遥感时序分析的退耕地信息定位显示系统,其特征在于,
相似度阈值为75%-80%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110702619.7A CN113609899B (zh) | 2021-06-24 | 2021-06-24 | 基于遥感时序分析的退耕地信息定位显示系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110702619.7A CN113609899B (zh) | 2021-06-24 | 2021-06-24 | 基于遥感时序分析的退耕地信息定位显示系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113609899A CN113609899A (zh) | 2021-11-05 |
CN113609899B true CN113609899B (zh) | 2024-05-14 |
Family
ID=78303681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110702619.7A Active CN113609899B (zh) | 2021-06-24 | 2021-06-24 | 基于遥感时序分析的退耕地信息定位显示系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609899B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092835B (zh) * | 2022-01-24 | 2022-04-19 | 中国测绘科学研究院 | 基于不同时空分辨率的归一化植被指数数据时空融合方法 |
CN115205675B (zh) * | 2022-06-29 | 2023-05-16 | 中国科学院地理科学与资源研究所 | 一种基于多源遥感数据的森林变化驱动力分类方法 |
CN115909063A (zh) * | 2022-11-15 | 2023-04-04 | 生态环境部卫星环境应用中心 | 一种中分辨率水稻提取方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169467A (zh) * | 2017-05-25 | 2017-09-15 | 江西理工大学 | 一种多源时序影像的稀土矿区土地毁损与恢复分析方法 |
CN108388832A (zh) * | 2018-01-11 | 2018-08-10 | 福州大学 | 一种基于多时序指标变化趋势的退耕还林自动识别方法 |
CN112001809A (zh) * | 2020-07-31 | 2020-11-27 | 中科海慧(天津)科技有限公司 | 一种农林区退耕地信息获取方法 |
US10872417B1 (en) * | 2019-07-04 | 2020-12-22 | FlyPard Analytics GmbH | Automatic delineation agricultural field management zones using remote sensing and field data |
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 |
CN112232230A (zh) * | 2020-10-20 | 2021-01-15 | 中国气象科学研究院 | 退耕地信息遥感识别方法及装置 |
-
2021
- 2021-06-24 CN CN202110702619.7A patent/CN113609899B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169467A (zh) * | 2017-05-25 | 2017-09-15 | 江西理工大学 | 一种多源时序影像的稀土矿区土地毁损与恢复分析方法 |
CN108388832A (zh) * | 2018-01-11 | 2018-08-10 | 福州大学 | 一种基于多时序指标变化趋势的退耕还林自动识别方法 |
US10872417B1 (en) * | 2019-07-04 | 2020-12-22 | FlyPard Analytics GmbH | Automatic delineation agricultural field management zones using remote sensing and field data |
CN112001809A (zh) * | 2020-07-31 | 2020-11-27 | 中科海慧(天津)科技有限公司 | 一种农林区退耕地信息获取方法 |
CN112232230A (zh) * | 2020-10-20 | 2021-01-15 | 中国气象科学研究院 | 退耕地信息遥感识别方法及装置 |
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 (1)
Title |
---|
基于遥感技术的退耕还林工程动态监测研究——以四川天全县为例;邢元军 等;中南林业调查规划;20160531;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113609899A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113609899B (zh) | 基于遥感时序分析的退耕地信息定位显示系统 | |
Arvor et al. | Classification of MODIS EVI time series for crop mapping in the state of Mato Grosso, Brazil | |
Pang et al. | Improved crop row detection with deep neural network for early-season maize stand count in UAV imagery | |
Pott et al. | Satellite-based data fusion crop type classification and mapping in Rio Grande do Sul, Brazil | |
McCarty et al. | Extracting smallholder cropped area in Tigray, Ethiopia with wall-to-wall sub-meter WorldView and moderate resolution Landsat 8 imagery | |
CN110926430B (zh) | 一种空地一体化红树林监测系统及控制方法 | |
Zhong et al. | Phenology-based crop classification algorithm and its implications on agricultural water use assessments in California’s Central Valley | |
CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
Gounaridis et al. | Land cover of Greece, 2010: a semi-automated classification using random forests | |
Zhang et al. | An automated early-season method to map winter wheat using time-series Sentinel-2 data: A case study of Shandong, China | |
Liang et al. | A cross comparison of spatiotemporally enhanced springtime phenological measurements from satellites and ground in a northern US mixed forest | |
Costa et al. | Combining per-pixel and object-based classifications for mapping land cover over large areas | |
Tang et al. | Mapping forest disturbance across the China–Laos border using annual Landsat time series | |
Cao et al. | Mapping paddy rice using Landsat time series data in the Ganfu Plain irrigation system, Southern China, from 1988− 2017 | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
Potapov et al. | The global Landsat imagery database for the FAO FRA remote sensing survey | |
Kuhnell et al. | Mapping woody vegetation cover over the state of Queensland using Landsat TM imagery | |
Saini et al. | Land use land cover change detection using remote sensing and GIS in Srinagar, India | |
Bolun et al. | Estimating rice paddy areas in China using multi-temporal cloud-free normalized difference vegetation index (NDVI) imagery based on change detection | |
WO2023043317A1 (en) | Method and system for delineating agricultural fields in satellite images | |
Wan et al. | Mapping annual urban change using time series Landsat and NLCD | |
Wang et al. | Improved understorey bamboo cover mapping using a novel hybrid neural network and expert system | |
CN109960972B (zh) | 一种基于中高分辨率时序遥感数据的农林作物识别方法 | |
Yang et al. | Towards Scalable Within-Season Crop Mapping With Phenology Normalization and Deep Learning | |
Zhang et al. | Winter wheat yield prediction using integrated Landsat 8 and Sentinel-2 vegetation index time-series data and machine learning algorithms |
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 |