CN113642399A - 基于sar数据的水田撂荒地识别方法 - Google Patents
基于sar数据的水田撂荒地识别方法 Download PDFInfo
- Publication number
- CN113642399A CN113642399A CN202110784602.0A CN202110784602A CN113642399A CN 113642399 A CN113642399 A CN 113642399A CN 202110784602 A CN202110784602 A CN 202110784602A CN 113642399 A CN113642399 A CN 113642399A
- Authority
- CN
- China
- Prior art keywords
- paddy field
- abandoned
- sar data
- backscattering
- temporal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 7
- 239000000463 material Substances 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000011835 investigation Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于SAR数据的水田撂荒地识别方法，基于SAR数据的水田撂荒地识别方法包括：S101：采集多时相SAR数据，并对多时相SAR数据进行预处理获取后向散射系数；S102：根据后向散射系数获取多时相SAR数据中水田样本的后向散射特征；S103：根据后向散射特征选取多时相SAR数据中的水田的训练样本，基于训练样本构建水田撂荒地识别模型，通过水田撂荒地识别模型对多时相SAR数据进行撂荒水田和非撂荒水田识别。本发明耗时短、效率高，消耗的人力物力成本低，且不容易出现错漏，从而能够及时、准确获取撂荒信息，便于及时根据撂荒信息对水田进行保护，提高了保护效果。
Description
技术领域
本发明涉及图像识别领域，尤其涉及一种基于SAR数据的水田撂荒地识别方法。
背景技术
水田是重要的农业生产资料，水田的大面积撂荒不仅对生态环境效应和社会经济效益产生影响，严重制约农村地区的可持续发展，加剧边际地区低收入农户的贫困程度，同时也会涉及到国家粮食的安全问题。水田撂荒的现象近年来有愈演愈烈的趋势，及时获取撂荒水田空间分布、撂荒数量，对于水田的保护至关重要。
现有技术中，为了获取水田的撂荒信息，采用野外调查和基层人员汇报的方式获取撂荒信息。但是，野外调查和基层人员汇报的方式耗时长、效率低，消耗的人力物力成本高，而且容易出现错漏，难以及时、准确获取撂荒信息，降低了对水田的保护效果。
发明内容
为了克服现有技术的不足，本发明提出一种基于SAR数据的水田撂荒地识别方法，获取多时相SAR数据以及该数据的后向散射系数，并根据该后向散射系数提取多时相SAR数据中水田样本的后向散射特征，利用该后向散射特征选取SAR数据中水田的训练样本，根据该训练样本构建水田撂荒地识别模型以识别SAR数据中水田的撂荒信息，能够通过遥感技术快速获取水田的相关信息，并根据该信息识别撂荒水田、非撂荒水田以获取水田的撂荒信息，耗时短、效率高，消耗的人力物力成本低，且不容易出现错漏，从而能够及时、准确获取撂荒信息，便于及时根据撂荒信息对水田进行保护，提高了保护效果。
为解决上述问题，本发明采用的一个技术方案为：一种基于SAR数据的水田撂荒地识别方法，所述基于SAR数据的水田撂荒地识别方法包括：S101：采集多时相SAR数据，并对所述多时相SAR数据进行预处理获取后向散射系数；S102：根据所述后向散射系数获取所述多时相SAR数据中水田样本的后向散射特征，所述水田样本包括撂荒水田、非撂荒水田的样本；S103：根据所述后向散射特征选取所述多时相SAR数据中的水田的训练样本，基于所述训练样本构建水田撂荒地识别模型，通过所述水田撂荒地识别模型对多时相SAR数据进行撂荒水田和非撂荒水田识别。
进一步地，对所述多时相SAR数据进行预处理获取后向散射系数的步骤具体包括：根据所述多时相SAR数据中的图像像素灰度值获取后向散射系数，并将所述后向散射系数分贝化处理。
进一步地，所述预处理还包括轨道校正、热噪声去除、辐射定标、斑点滤波、地形校正中的任一种。
进一步地，所述根据所述后向散射系数获取所述多时相SAR数据中水田样本的后向散射特征的步骤具体包括：根据输入的调查信息获取所述多时相SAR数据中水田样本的数据，并通过所述多时相SAR数据的时序信息获取所述水田样本的后向散射时序特征。
进一步地，所述后向散射时序特征包括数值特征、离散特征、曲线波动特征、取值特征中的至少一种。
进一步地，根据所述后向散射特征选取所述多时相SAR数据中水田的训练样本的步骤具体包括：获取所述多时相SAR数据中的水田地类以及所述水田地类的后向散射系数，根据所述后向散射系数与所述后向散射特征的匹配结果选择所述水田的训练样本。
进一步地，基于所述训练样本构建水田撂荒地识别模型的步骤包括：获取所述训练样本的特征向量以及所述训练样本中撂荒水田样本类型、非撂荒水田样本类型，并采用fitcsvm构建二类分类支持向量机的水田撂荒地识别模型。
进一步地，所述基于所述训练样本构建水田撂荒地识别模型的步骤之后还包括：采用交叉校验方法对所述水田撂荒地识别模型进行精度校验。
相比现有技术，本发明的有益效果在于：获取多时相SAR数据以及该数据的后向散射系数，并根据该后向散射系数提取多时相SAR数据中水田样本的后向散射特征，利用该后向散射特征选取SAR数据中水田的训练样本，根据该训练样本构建水田撂荒地识别模型以识别SAR数据中水田的撂荒信息，能够通过遥感技术快速获取水田的相关信息，并根据该信息识别撂荒水田、非撂荒水田以获取水田的撂荒信息，耗时短、效率高，消耗的人力物力成本低，且不容易出现错漏，从而能够及时、准确获取撂荒信息，便于及时根据撂荒信息对水田进行保护，提高了保护效果。
附图说明
图1为本发明基于SAR数据的水田撂荒地识别方法一实施例的流程图；
图2为本发明基于SAR数据的水田撂荒地识别方法另一实施例的流程图。
具体实施方式
为了使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各个实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好理解本发明而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本发明所要求保护的技术方案。
本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
请参阅图1-2，其中，图1为本发明基于SAR数据的水田撂荒地识别方法一实施例的流程图；图2为本发明基于SAR数据的水田撂荒地识别方法另一实施例的流程图。结合附图1-2对本发明的基于SAR数据的水田撂荒地识别方法作详细说明。
在本实施例中，执行该基于SAR(Synthetic Aperture Radar，合成孔径雷达)数据的水田撂荒地识别方法的设备可以为电脑、虚拟机、服务器等能够对多时相SAR数据进行处理以及构建模型的智能终端。
在一个实施例中，基于SAR数据的水田撂荒地识别方法包括：
S101：采集多时相SAR数据，并对多时相SAR数据进行预处理获取后向散射系数。
在本实施例中，多时相SAR数据为通过卫星遥感技术获取的多时相多极化SAR数据。SAR作为一种高分辨率成像雷达，可全天时、全天候监测，可以提供长时间序列的数据，特别是多时相多极化SAR数据能够获得更加完整的地物散射特征，这为水田撂荒地提取提供了更好的数据源。
在本实施例中，因为信号传输距离远，接收器接收的雷达后向散射(或者说功率)是很小的，得到的后向散射系数也是很小的正值。分贝化后的后向散射系数范围近似呈常见的高斯分布、数据的存储位数变小，可节省存储空间，另外，后向散射系数分贝化后，可视化以及数据分析上也更方便。因此，对多时相SAR数据进行预处理获取后向散射系数的步骤具体包括：根据多时相SAR数据中的图像像素灰度值获取后向散射系数，并将后向散射系数分贝化处理。
在一个具体的实施例中，多时相SAR数据为Sentinel-1A卫星的多时相雷达数据，通过公式σdB＝10*log10DN获取分贝化处理后的后向散射系数，其中，DN为多时相SAR数据中影像的图像像素灰度值，σdB为后向散射系数。
在本实施例中，预处理还包括轨道校正、热噪声去除、辐射定标、斑点滤波、地形校正中的任一种，其中，轨道校正、热噪声去除、辐射定标、斑点滤波、地形校正执行在分贝化处理之前，通过上述方式提高后向散射系数的准确性。
其中，轨道校正：下载得到的卫星轨道信息存在基线误差，默认的元数据文件(.xml)中轨道状态数据精度不是很高。通过卫星精密轨道数据对SAR遥感影像轨道信息进行修正，降低因轨道问题引起的系统性误差，更新卫星数据中元数据文件的卫星轨道状态信息。
热噪声去除：因为SAR数据是主动式观测成像的，需要发射机主动发出电磁波信号，SAR天线从发出电磁波到接收电磁波所经历的距离遥远，且能量呈距离平方反比衰减，所以发射机需要很大的功率和发出很强的能量，那么SAR卫星装置(发射机、功率放大器、接收机等)内部的热损耗是不可以忽视的。
辐射定标：辐射定标是接收的后向散射信号转化为有单位的物理量，也有没有单位的比例值，比如这次的后向散射系数。对于SAR数据而言，不受云雨影响，有穿透云层的能力，只需要辐射定标即可，不用大气校正。
斑点滤波：相干斑是SAR影像常见的现象，此次使用Refined Lee滤波器去除相干斑，它是一种自适应的相干斑滤波器，可以根据区域自动调整滤波窗口，处理效果较好。
地形校正：基于多普勒地形校正工具校正影像的几何畸变，结合SRTM3Sec数据，减少影像地形畸变的误差。
在上述实施例中，可以通过具备相关功能的软件对SAR数据进行预处理。
S102：根据后向散射系数获取多时相SAR数据中水田样本的后向散射特征，水田样本包括撂荒水田、非撂荒水田的样本。
雷达信号与地物发生作用过程中，同时包含表面散射与体散射。根据不同地物类型特征，主导的散射方式不同，导致后向散射强度差异。水田植被中，冠层多发生体散射，雷达信号穿透冠层在冠层-地面发生二次回波散射(Double-bounce Backscatter)，故植被多为体散射与二次回波散射的叠加；植被下淹水情况下，信号在水面发生镜面散射，回波信号很弱。利用上述特性获取水田样本的后向散射时序特征。
在本实施例中，根据后向散射系数获取多时相SAR数据中水田样本的后向散射特征的步骤具体包括：根据输入的调查信息获取多时相SAR数据中水田样本的数据，并通过多时相SAR数据的时序信息获取水田样本的后向散射时序特征。其中，后向散射时序特征包括数值特征、离散特征、曲线波动特征、取值特征中的至少一种。
在本实施例中，调查信息为野外调查得到的撂荒水田、非撂荒水田的信息，该信息包括撂荒水田、非撂荒水田的地理位置信息、撂荒水田的撂荒时间、撂荒面积等信息。根据该信息从多时相SAR数据中获取与调查得到的撂荒水田、非撂荒水田对应的图斑的数据。并以该数据获取后向散射时序特征。
在其他实施例中，也可以使用卷积神经网络、聚类分析以及其他能够对数据进行特征提取的算法或软件提取水田样本的后向散射时序特征。
在一个具体的实施例中，根据野外调查得到的水田撂荒地和非撂荒地的样本，利用多时相SAR数据输出对应ROI(Region of Interest，感兴趣区域)的文件(.csv)，以该文件的数据构建撂荒地和非撂荒地样本基于时间序列的后向散射系数曲线，根据该后向散射系数曲线获取后向散射时序特征。其中，由于水体复介电常数较大，表面光滑，产生镜面反射，其后向散射系数是很低的。在有种植水稻的水田中，由于水稻生长过程中有灌水期，其后向散射系数在年内存在明显的最小值，其值与水体较为接近。而撂荒水田中不存在灌水期，其后向散射系数的最小值较高，地物后向散射系数年变化范围较小。标准差反映了水田这一地类后向散射系数年际变化的离散程度。水田撂荒地凸显的特征是全年后向散射系数变化小，值相对稳定且较高，在影像中表现出的特点是多时相的影像中都没有出现明显的暗斑，而水田非撂荒地凸显的特征是全年后向散射系数变化大，特别是在粮食生产期间，处在灌水期的非撂荒区域影像中呈现成片暗斑而在粮食成熟期呈现亮斑。
S103：根据后向散射特征选取多时相SAR数据中的水田的训练样本，基于训练样本构建水田撂荒地识别模型，通过水田撂荒地识别模型对多时相SAR数据进行撂荒水田和非撂荒水田识别。
在本实施例中，根据后向散射特征选取多时相SAR数据中水田的训练样本的步骤具体包括：获取多时相SAR数据中的水田地类以及水田地类的后向散射系数，根据后向散射系数与后向散射特征的匹配结果选择水田的训练样本。
在一个具体的实施例中，获取多时相SAR数据的后向散射系数曲线，将该曲线的后向散射时序特征与上一步得到的撂荒水田、非撂荒水田的后向散射时序特征进行对比，若与撂荒水田或非撂荒水田的匹配度满足预设值，则确定该后向散射系数区域对应的地点或区域为撂荒水田或非撂荒水田。
支持向量机(SVM)是基于统计学理论，采用结构化风险最小化原则，在高维空间中寻找一个最优超平面，将训练样本准确分开的机器学习方法，最初是针对二元分类问题提出来。本发明的目的是提取研究水田的撂荒地，只采用了撂荒地和非撂荒地两类样本，因此非常适合采用SVM算法。fitcsvm基于低维或中维预测变量数据集训练或交叉验证一类和二类分类的支持向量机模型。此次实验用到的是二分类，SVM二类分类算法搜索将数据分成两类的最优超平面，对于可分离类，最优超平面会最大化自身周围的边距，从而在正类和负类间创建边界。对于不可分离的类，目标是相同的，但是如果有观测值位于其类边界的错误一侧，则算法会相应的对边距长度施加罚分。fitcsvm支持使用核函数映射预测变量数据，并支持序列最小优化(Sequential Minimal Optimization，SMO)、迭代单点数据算法(Iteration Steepest Descent Algorithm，ISDA)或L1软边距最小化(二次规划目标函数最小化)。
因此，基于训练样本构建水田撂荒地识别模型的步骤包括：获取训练样本的特征向量以及训练样本中撂荒水田样本类型、非撂荒水田样本类型，并采用fitcsvm构建二类分类支持向量机的水田撂荒地识别模型。
在一个具体的实施例中，通过数学统计或聚类分析的方式分别提取撂荒水田样本、非撂荒水田样本的特征向量，并将撂荒样本类型设为1，非撂荒样本类型设为0，以获取训练样本的特征向量以及训练样本中撂荒水田样本类型、非撂荒水田样本类型为参数，采用fitcsvm构建二类分类支持向量机(SVM)的水田撂荒地识别模型。
基于训练样本构建水田撂荒地识别模型的步骤之后还包括：采用交叉校验方法对水田撂荒地识别模型进行精度校验。
具体的，将样本数据集划分为10份，每次9份样本用来训练模型，1份样本用来评价精度，并重复10次，最后将10次的平均精度作为最后的验证精度，计算其最后的混淆矩阵，分析其生产精度、用户精度、总体精度和Kappa系数。判断生产精度、用户精度、总体精度和Kappa系数是否满足要求，若不满足要求，优化水田撂荒地识别模型。其中，可以通过增加训练样本数量，调整模型的训练参数的方式进行优化。
有益效果：本发明提出的一种基于SAR数据的水田撂荒地识别方法，获取多时相SAR数据以及该数据的后向散射系数，并根据该后向散射系数提取多时相SAR数据中水田样本的后向散射特征，利用该后向散射特征选取SAR数据中水田的训练样本，根据该训练样本构建水田撂荒地识别模型以识别SAR数据中水田的撂荒信息，能够通过遥感技术快速获取水田的相关信息，并根据该信息识别撂荒水田、非撂荒水田以获取水田的撂荒信息，耗时短、效率高，消耗的人力物力成本低，且不容易出现错漏，从而能够及时、准确获取撂荒信息，便于及时根据撂荒信息对水田进行保护，提高了保护效果。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种基于SAR数据的水田撂荒地识别方法，其特征在于，所述基于SAR数据的水田撂荒地识别方法包括：
S101：采集多时相SAR数据，并对所述多时相SAR数据进行预处理获取后向散射系数；
S102：根据所述后向散射系数获取所述多时相SAR数据中水田样本的后向散射特征，所述水田样本包括撂荒水田、非撂荒水田的样本；
S103：根据所述后向散射特征选取所述多时相SAR数据中的水田的训练样本，基于所述训练样本构建水田撂荒地识别模型，通过所述水田撂荒地识别模型对多时相SAR数据进行撂荒水田和非撂荒水田识别。
2.如权利要求1所述的基于SAR数据的水田撂荒地识别方法，其特征在于，对所述多时相SAR数据进行预处理获取后向散射系数的步骤具体包括：
根据所述多时相SAR数据中的图像像素灰度值获取后向散射系数，并将所述后向散射系数分贝化处理。
3.如权利要求2所述的基于SAR数据的水田撂荒地识别方法，其特征在于，所述预处理还包括轨道校正、热噪声去除、辐射定标、斑点滤波、地形校正中的任一种。
4.如权利要求1所述的基于SAR数据的水田撂荒地识别方法，其特征在于，所述根据所述后向散射系数获取所述多时相SAR数据中水田样本的后向散射特征的步骤具体包括：
根据输入的调查信息获取所述多时相SAR数据中水田样本的数据，并通过所述多时相SAR数据的时序信息获取所述水田样本的后向散射时序特征。
5.如权利要求4所述的基于SAR数据的水田撂荒地识别方法，其特征在于，所述后向散射时序特征包括数值特征、离散特征、曲线波动特征、取值特征中的至少一种。
6.如权利要求1所述的基于SAR数据的水田撂荒地识别方法，其特征在于，根据所述后向散射特征选取所述多时相SAR数据中水田的训练样本的步骤具体包括：
获取所述多时相SAR数据中的水田地类以及所述水田地类的后向散射系数，根据所述后向散射系数与所述后向散射特征的匹配结果选择所述水田的训练样本。
7.如权利要求1所述的基于SAR数据的水田撂荒地识别方法，其特征在于，基于所述训练样本构建水田撂荒地识别模型的步骤包括：
获取所述训练样本的特征向量以及所述训练样本中撂荒水田样本类型、非撂荒水田样本类型，并采用fitcsvm构建二类分类支持向量机的水田撂荒地识别模型。
8.如权利要求1所述的基于SAR数据的水田撂荒地识别方法，其特征在于，所述基于所述训练样本构建水田撂荒地识别模型的步骤之后还包括：
采用交叉校验方法对所述水田撂荒地识别模型进行精度校验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110784602.0A CN113642399A (zh) | 2021-07-12 | 2021-07-12 | 基于sar数据的水田撂荒地识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110784602.0A CN113642399A (zh) | 2021-07-12 | 2021-07-12 | 基于sar数据的水田撂荒地识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113642399A true CN113642399A (zh) | 2021-11-12 |
Family
ID=78417147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110784602.0A Pending CN113642399A (zh) | 2021-07-12 | 2021-07-12 | 基于sar数据的水田撂荒地识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642399A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114202691A (zh) * | 2021-12-09 | 2022-03-18 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻识别方法、装置以及设备 |
| CN116108700A (zh) * | 2023-04-10 | 2023-05-12 | 昆明理工大学 | 耕地撂荒时间定年方法、装置及电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914678A (zh) * | 2013-01-05 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 基于纹理与植被指数的撂荒地遥感识别方法 |
| CN106815559A (zh) * | 2016-12-21 | 2017-06-09 | 中国科学院深圳先进技术研究院 | 一种利用sar数据监测蚝排区域的方法及装置、用户设备 |
| CN108766203A (zh) * | 2018-05-23 | 2018-11-06 | 中科卫星应用德清研究院 | 一种紧致极化水稻制图的方法及系统 |
| CN108960295A (zh) * | 2018-06-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种为多时相的全极化sar图像提取特征的方法及植被分布区域的分类方法 |
| CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
| CN111259876A (zh) * | 2020-05-06 | 2020-06-09 | 中国水利水电科学研究院 | 一种基于陆表水体产品的雷达数据水体信息提取方法及系统 |
| 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 |
| CN112257515A (zh) * | 2020-09-29 | 2021-01-22 | 河南大学 | 一种基于复杂地形的sar图像地物分类方法及装置 |
| CN112749628A (zh) * | 2020-12-09 | 2021-05-04 | 北京星衡科技有限公司 | 一种用于撂荒地的遥感识别方法 |
-
2021
- 2021-07-12 CN CN202110784602.0A patent/CN113642399A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914678A (zh) * | 2013-01-05 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 基于纹理与植被指数的撂荒地遥感识别方法 |
| CN106815559A (zh) * | 2016-12-21 | 2017-06-09 | 中国科学院深圳先进技术研究院 | 一种利用sar数据监测蚝排区域的方法及装置、用户设备 |
| CN108766203A (zh) * | 2018-05-23 | 2018-11-06 | 中科卫星应用德清研究院 | 一种紧致极化水稻制图的方法及系统 |
| CN108960295A (zh) * | 2018-06-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种为多时相的全极化sar图像提取特征的方法及植被分布区域的分类方法 |
| CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
| CN111259876A (zh) * | 2020-05-06 | 2020-06-09 | 中国水利水电科学研究院 | 一种基于陆表水体产品的雷达数据水体信息提取方法及系统 |
| CN112257515A (zh) * | 2020-09-29 | 2021-01-22 | 河南大学 | 一种基于复杂地形的sar图像地物分类方法及装置 |
| 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 |
| CN112749628A (zh) * | 2020-12-09 | 2021-05-04 | 北京星衡科技有限公司 | 一种用于撂荒地的遥感识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| NORYUSDIANA MOHAMAD YUSOFF 等: "Phenology and classification of abandoned agricultural land based on ALOS-1 and 2 PALSAR multi-temporal measurements", 《INTERNATIONAL JOURNAL OF DIGITAL EARTH》 * |
| 张肖敏 等: "基于改进的PSO-SVM的SAR图像分类识别", 《重庆理工大学学报(自然科学)》 * |
| 邓继忠 等: "基于多时相 Sentinel-2 卫星数据的农作物分类研究", 《广东农业科学》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114202691A (zh) * | 2021-12-09 | 2022-03-18 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻识别方法、装置以及设备 |
| CN114202691B (zh) * | 2021-12-09 | 2022-10-04 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻识别方法、装置以及设备 |
| CN116108700A (zh) * | 2023-04-10 | 2023-05-12 | 昆明理工大学 | 耕地撂荒时间定年方法、装置及电子设备 |
| CN116108700B (zh) * | 2023-04-10 | 2023-07-11 | 昆明理工大学 | 耕地撂荒时间定年方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Son et al. | Assessment of Sentinel-1A data for rice crop classification using random forests and support vector machines | |
| CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| Chen et al. | Decision-level fusion of Sentinel-1 SAR and Landsat 8 OLI texture features for crop discrimination and classification: case of Masvingo, Zimbabwe | |
| CN102194127B (zh) | 一种多频率sar数据农作物遥感分类方法 | |
| KR102496740B1 (ko) | 위성영상 기반 저수지 수표면적 분석 시스템 및 방법 | |
| Rußwurm et al. | Breizhcrops: A satellite time series dataset for crop type identification | |
| CN110926430A (zh) | 一种空地一体化红树林监测系统及控制方法 | |
| CN113642399A (zh) | 基于sar数据的水田撂荒地识别方法 | |
| WO2001033505A2 (en) | Multi-variable model for identifying crop response zones in a field | |
| Chen et al. | Superpixel-based cropland classification of SAR image with statistical texture and polarization features | |
| CN107103306A (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
| Rasmussen et al. | The challenge of reproducing remote sensing data from satellites and unmanned aerial vehicles (UAVs) in the context of management zones and precision agriculture | |
| CN107578441B (zh) | 热带气旋中心定位的红外亮温偏差角梯度分布均匀性方法 | |
| CA3138812C (en) | Automatic crop classification system and method | |
| Mongkolchart et al. | The measurement of brown planthopper by image processing | |
| Almeida-Ñauñay et al. | Optimization of soil background removal to improve the prediction of wheat traits with UAV imagery | |
| CN112434569A (zh) | 一种无人机热成像系统 | |
| Kaushik et al. | Crop health assessment using Sentinel-1 SAR time series data in a part of central India | |
| CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
| Mishra et al. | Crop classification by using dual-pol SAR vegetation indices derived from Sentinel-1 SAR-C data | |
| CN110516552B (zh) | 一种基于时序曲线的多极化雷达图像分类方法及系统 | |
| Bilodeau et al. | Identifying hair fescue in wild blueberry fields using drone images for precise application of granular herbicide | |
| CN116757099B (zh) | 一种土壤盐分反演及盐渍化风险评估方法、装置及设备 | |
| CN117690024A (zh) | 一种针对多种植模式水稻田的一体化遥感识别方法 | |
| Casuccio et al. | Corn planting quality assessment in very high-resolution RGB UAV imagery using Yolov5 and Python |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211112 |