CN113963260A - 一种冬小麦种植区的提取方法、装置和计算机设备 - Google Patents
一种冬小麦种植区的提取方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113963260A CN113963260A CN202111221199.7A CN202111221199A CN113963260A CN 113963260 A CN113963260 A CN 113963260A CN 202111221199 A CN202111221199 A CN 202111221199A CN 113963260 A CN113963260 A CN 113963260A
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- preset
- vegetation index
- wheat planting
- normalized vegetation
- 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
Images
Abstract
本发明公开了一种冬小麦种植区域的提取方法、装置、计算机设备和存储介质,所述方法包括:基于冬小麦种植区域提取模型,从预处理后的符合预设条件的卫星遥感影像数据中提取预设区域内的冬小麦种植区域,得到并输出包括预设区域内的冬小麦种植空间分布图像的提取结果,采用本申请实施例提供的提取方法,由于能够基于分析结果构建冬小麦种植区域的提取模型,并基于该提取模型进行区域提取,最终得到的提取结果更加精准,提取结果中的预设区域内的冬小麦种植空间分布图像更加符合实际冬小麦种植空间分布情况。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种冬小麦种植区的提取方法、装置和计算机设备。
背景技术
及时准确地获取农作物种植面积信息及空间分布状况对于政府部门制定粮食政策、调整农业结构、保障国家粮食安全十分重要,在农作物普查、长势监测、产量预估和灾害评估等方面也有重要应用。传统的农业种植面积只能依靠统计方法通过地面采集来获取,然后逐层汇总统计,虽可获得作物分布特征的详细信息,但其对统计数据过度依赖,使得统计结果较滞后,且大范围监测,费时费力。
随着遥感技术的发展,卫星遥感成为农作物面积与空间分布测量的重要技术手段,采用的可见光遥感数据主要有两大类,一是中高分辨率数据,二是低分辨率数据。中高分辨率影像,例如,Landsat数据、Spot数据、GF卫星遥感数据等,因为数据质量高而被广泛应用。低空间分辨率影像如MODIS数据因其更新快、易获取、覆盖范围广等优势,可在大范围进行作物空间分布检测、农作物估产、农情监测与预报等。中高分辨率遥感数据虽然面积测量精度高,但因天气、卫星重访等原因,难以获得作物生长期完整的数据;低分辨率数据虽然可以获取作物生长周期的完整信息,然而,由于低分辨率的限制使得单纯利用低分辨率数据提取作物种植面积的结果受到质疑。
目前,常用的农作物识别遥感提取方法大体分为三类:基于光谱特征的农作物遥感识别方法,基于多源遥感数据融合的农作物遥感识别方法和基于物候特征的农作物遥感识别方法。
基于光谱特征的农作物遥感识别方法是通过遥感影像多波段数据所获取的地物信息,运用数理统计的方法对其光谱特征进行分析变换,归纳出地物的关键特征,达到作物识别的目的,但由于受卫星影像分辨率限制,导致分类过程中“同物异谱”和“同谱异物”现象难以避免,所以,单纯基于地物光谱特征进行复杂种植结构作物分类较难获得理想效果。
基于多源数据农作物遥感识别方法主要包括多源遥感数据融合作物识别方法以及遥感信息与非遥感信息融合的作物识别方法。但是,目前,一般遥感信息与非遥感信息融合的作物空间分布制图技术大多将遥感获取的土地利用、农业灌溉和耕地适应性等作为辅助信息,而对研究对象作物自身生长机理及其变化规律考虑较少,没有充分地对作物自身遥感信息,尤其是时序遥感信息,加以直接应用,从而阻碍了作物空间分布提取精度的进一步提高。
基于物候特征的作物遥感识别方法而言,利用时间序列遥感数据时相变化规律可以实现不同农作物类型的识别,该方法通过分析时序数据中作物关键物候期特征进行作物类型识别,可避免利用单一时相影像数据进行作物空间分布提取时因“异物同谱”等原因导致的错分、漏分等现象。其中,基于时序影像单一特征量(如NDVI、EVI等)和物候特征的阈值法由于其操作简单、效率高,并且引入了作物的时间变化特征,对于作物种植结构比较简单的地区识别效果较好,因此,已经成为农作物,特别是冬小麦识别中最常用的方法之一。
现有的冬小麦识别方法主要存在如下问题:
问题1:数据源:目前用于农作物种植面积测量的可见光遥感数据主要有两大类,一个中高分辨率的数据,中高分辨率遥感数据面积测量精度高,在能够获取作物生长季关键期的单期影像、多期影像情况下,冬小麦面积提取精度可达90%以上。但由于作物物候和天气等因素的影响,难以获取适时的完整的生长周期数据。二是低分辨率的数据,如MODIS数据因其更新快、易获取、覆盖范围广等优势,适用于大范围作物面积的遥感监测,但解译精度难以保证。
问题2:面积提取方法:冬小麦种植面积信息主要通过统计数据和遥感监测两种方法获取,统计数据多依据不同行政单位,对冬小麦种植地区进行统计抽样或地面调查,信息获取相对滞后。利用遥感影像,人工目视解译虽然解译精度高,但工作量大、主观性较强且混合像元难以识别。根据冬小麦光谱特征差异是区分其他地表覆盖类型的基本物理基础,但受“同物异谱、异物同谱”和“混合像元”等因素的影响,仅仅依靠地表覆盖类型之间的光谱特征差异,难以取得理想的分类结果。
发明内容
本申请实施例提供了一种冬小麦种植区域的提取方法、装置、计算机设备和存储介质。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种冬小麦种植区域的提取方法,所述方法包括:
获取预设区域且符合预设条件的卫星遥感影像数据;
根据第一预设方式,对所述符合预设条件的卫星遥感影像数据进行预处理,得到预处理后的符合所述预设条件的卫星遥感影像数据;
根据第二预设方式对冬小麦的物候特征进行分析,得到分析结果,并基于所述分析结果构建冬小麦种植区域提取模型,所述冬小麦种植区域提取模型用于确定所述预设区域内的待提取的面积区域是否为冬小麦种植区域;
基于所述冬小麦种植区域提取模型,从所述预处理后的符合所述预设条件的卫星遥感影像数据中提取所述预设区域内的冬小麦种植区域,得到并输出包括预设区域内的冬小麦种植空间分布图像的提取结果。
在一种实施方式中,所述预设条件包括:所述卫星遥感影像数据是通过Sentinel-2获取的、且其分辨率高于预设分辨率阈值的卫星遥感影像数据。
在一种实施方式中,所述根据第一预设方式,对所述符合预设条件的卫星遥感影像数据进行预处理包括:
对所述符合预设条件的卫星遥感影像数据计算其归一化植被指数;
根据预设滤波方式对归一化植被指数时间序列数据进行滤波处理,并修正异常值,得到滤波处理后的归一化植被指数时间序列数据。
在一种实施方式中,所述根据第二预设方式对冬小麦的物候特征进行分析包括:
获取所述滤波处理后的归一化植被指数时间序列数据和预设数量采样点对应的坐标信息;
基于滤波处理后的归一化植被指数时间序列数据和预设数量采样点对应的坐标信息,提取冬小麦种植区域的归一化植被指数值和非冬小麦种植区域的归一化植被指数值;
分别对所述冬小麦种植区域的归一化植被指数值和所述非冬小麦种植区域的归一化植被指数值取平均值,并构建冬小麦种植区域的归一化植被指数时间序列曲线和非冬小麦种植区域的归一化植被指数时间序列曲线;
比对所述冬小麦种植区域的归一化植被指数时间序列曲线和所述非冬小麦种植区域的归一化植被指数时间序列曲线,并从所述冬小麦种植区域的归一化植被指数时间序列曲线中选取多个关键节点处对应的归一化植被指数阈值范围,并基于选取的多个归一化植被指数阈值范围构建对应的冬小麦判识规则集,所述冬小麦判识规则集用于判识待识别区域是否为冬小麦种植区域。
在一种实施方式中,所述从所述冬小麦种植区域的归一化植被指数时间序列曲线中选取多个关键节点处对应的归一化植被指数阈值范围包括:
从所述冬小麦种植区域的归一化植被指数时间序列曲线中选取第一预设时期对应的第一归一化植被指数阈值范围;
从所述冬小麦种植区域的归一化植被指数时间序列曲线中选取第二预设时期对应的第二归一化植被指数阈值范围;
从所述冬小麦种植区域的归一化植被指数时间序列曲线中选取第三预设时期对应的第三归一化植被指数阈值范围。
在一种实施方式中,所述基于选取的多个归一化植被指数阈值范围构建对应的冬小麦判识规则集包括:
获取所述第一归一化植被指数阈值范围、所述第一预设时期和所述第一归一化植被指数阈值范围之间的第一映射关系、所述第二归一化植被指数阈值范围、所述第二预设时期和所述第二归一化植被指数阈值范围之间的第二映射关系、所述第三归一化植被指数阈值范围、所述第三预设时期和所述第三归一化植被指数阈值范围之间的第三映射关系;
基于所述第一归一化植被指数阈值范围、所述第一映射关系、所述第二归一化植被指数阈值范围、所述第二映射关系、所述第三归一化植被指数阈值范围和所述第三映射关系构建对应的冬小麦判识规则集。
在一种实施方式中,在所述得到包括预设区域内的冬小麦种植空间分布图像的提取结果之后,所述方法还包括:
对所述提取结果进行掩膜处理,并基于掩膜处理结果进行提取,得到并输出优化后的提取结果,所述优化后的提取结果包括预设区域内、且优化后的冬小麦种植空间分布图像。
第二方面,本申请实施例提供了一种冬小麦种植区域的提取装置,所述装置包括:
获取模块,用于获取预设区域且符合预设条件的卫星遥感影像数据;
预处理模块,用于根据第一预设方式,对所述获取模块获取的所述符合预设条件的卫星遥感影像数据进行预处理,得到预处理后的符合所述预设条件的卫星遥感影像数据;
分析模块,用于根据第二预设方式对冬小麦的物候特征进行分析,得到分析结果;
提取模型构建模块,用于基于所述分析模块得到的所述分析结果构建冬小麦种植区域提取模型,所述冬小麦种植区域提取模型用于确定所述预设区域内的待提取的面积区域是否为冬小麦种植区域;
提取模块,用于基于所述提取模型构建模块构建的所述冬小麦种植区域提取模型,从所述预处理模块得到的所述预处理后的符合所述预设条件的卫星遥感影像数据中提取所述预设区域内的冬小麦种植区域,得到包括预设区域内的冬小麦种植空间分布图像的提取结果;
输出模块,用于输出所述提取模块提取的所述提取结果。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述的方法步骤。
第四方面,本申请实施例提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,根据第二预设方式对冬小麦的物候特征进行分析,得到分析结果,并基于分析结果构建冬小麦种植区域提取模型,冬小麦种植区域提取模型用于确定预设区域内的待提取的面积区域是否为冬小麦种植区域;以及基于冬小麦种植区域提取模型,从预处理后的符合预设条件的卫星遥感影像数据中提取预设区域内的冬小麦种植区域,得到并输出包括预设区域内的冬小麦种植空间分布图像的提取结果,采用本申请实施例,由于能够基于分析结果构建冬小麦种植区域的提取模型,并基于该提取模型进行区域提取,最终得到的提取结果更加精准,提取结果中的预设区域内的冬小麦种植空间分布图像更加符合实际冬小麦种植空间分布情况。应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种冬小麦种植区域的提取方法的流程示意图;
图2是本申请实施例具体应用场景下的采用S-G滤波法对NDVI时间序列数据进行滤波处理的示意图;
图3是本申请实施例具体应用场景下的冬小麦与其它作物的NDVI时间序列曲线对比图;
图4是本申请实施例具体应用场景下的冬小麦种植区域的提取方法的流程示意图;
图5是本申请实施例提供的一种冬小麦种植区域的提取装置的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,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,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面结合附图详细说明本公开的可选实施例。
请参见图1,为本申请实施例提供了一种冬小麦种植区域的提取方法的流程示意图。如图1所示,本申请实施例的冬小麦种植区域的提取方法可以包括以下步骤:
S101,获取预设区域且符合预设条件的卫星遥感影像数据。
在本申请实施例中,预设条件包括:
卫星遥感影像数据是通过Sentinel-2获取的、且其分辨率高于预设分辨率阈值的卫星遥感影像数据。
在本申请实施例中,对预设分辨率阈值并没有做具体限制,但是分辨率越高越好,这样最终得到的提取结果更加精准。
Sentinel-2作为近几年发射的对地观测系列卫星,于2015年6月成功发射,搭载了一台多光谱成像仪,最高空间分辨率为10m,重访周期为10d,可利用单一数据源实现中高分辨率时序数据的构建,对于基于时序数据进行植被分类识别具有重要意义。
在面积提取方面,基于物候特征的遥感识别方法效果较好,因此,本申请实施例提供的提取方法,利用Sentinel-2时序影像,根据冬小麦独特的物候特征对冬小麦种植区域进行提取,最终得到的提取结果更加精准,符合实际的冬小麦种植区域的分布状况。
在本申请实施例中,由于卫星遥感影像数据是通过Sentinel-2获取的,这样,以Sentinal-2影像为数据源,提取冬小麦种植区,有效地克服了以往时序数据难以获取及空间分辨率低的问题,从而大大地提高了时序数据的空间分辨率。
S102,根据第一预设方式,对符合预设条件的卫星遥感影像数据进行预处理,得到预处理后的符合预设条件的卫星遥感影像数据。
在一种可能的实现方式中,根据第一预设方式,对符合预设条件的卫星遥感影像数据进行预处理包括以下步骤:
对符合预设条件的卫星遥感影像数据计算其归一化植被指数;
在实际应用场景中,计算归一化植被指数(NDVI)的公式可以为如下公式:
其中,NIR为近红外波段的反射值,R为红光波段的反射值。
根据预设滤波方式对归一化植被指数时间序列数据进行滤波处理,并修正异常值,得到滤波处理后的归一化植被指数时间序列数据。
在本申请实施例中,预设滤波方式可以为Savitzky-Golay平滑滤波法,该Savitzky-Golay平滑滤波法是光谱预处理中的常用滤波方法,其本质是是一种移动窗口的加权平均算法,但是其加权系数不是简单的常数窗口,而是通过在滑动窗口内对给定高阶多项式的最小二乘拟合得出,滤波示意图如图2所示。如图2所示,经过滤波处理的图更加平滑。
在某一具体应用场景中,具体计算过程如下所述:
步骤a1:从多个滤波算法中选取出合适的滤波算法。
在某一具体应用场景中,多个滤波算法包括S-G滤波、高斯低通滤波、巴特沃斯滤波器滤波算法。
读取原始NDVI值,构建一个三维数组([n,i,j]),其中,n是原始影像个数,i、j为选取的网格的行坐标、选取的网格的列坐标,每间隔预设时长提取该网格的NDVI值,这样,依次会得到多个NDVI值,并基于上述多个NDVI值构建出NDVI时间曲线。
步骤a2:S-G滤波:借助python‘savgol_filter’模块双层嵌套循环得到网格(i,j)滤波后的值;
步骤a3:保存滤波后的NDVI值。
S103,根据第二预设方式对冬小麦的物候特征进行分析,得到分析结果,并基于分析结果构建冬小麦种植区域提取模型,冬小麦种植区域提取模型用于确定预设区域内的待提取的面积区域是否为冬小麦种植区域。
在一种可能的实现方式中,根据第二预设方式对冬小麦的物候特征进行分析包括以下步骤:
获取滤波处理后的归一化植被指数时间序列数据和预设数量采样点对应的坐标信息;
基于滤波处理后的归一化植被指数时间序列数据和预设数量采样点对应的坐标信息,提取冬小麦种植区域的归一化植被指数值和非冬小麦种植区域的归一化植被指数值;
在本申请实施例中,基于冬小麦种植区的采样点和非冬小麦种植区的采样点是分开进行提取的。
上述基于滤波处理后的归一化植被指数时间序列数据和预设数量采样点对应的坐标信息,提取冬小麦种植区域的归一化植被指数值和非冬小麦种植区域的归一化植被指数值的步骤的目的是凸显出冬小麦独特的物候特征。
分别对冬小麦种植区域的归一化植被指数值和非冬小麦种植区域的归一化植被指数值取平均值,并构建冬小麦种植区域的归一化植被指数时间序列曲线和非冬小麦种植区域的归一化植被指数时间序列曲线;
在本申请实施例中,基于冬小麦种植区具有多个采样点,非冬小麦种植区也具有多个采样点,分别对冬小麦种植区的多个采样点的NDVI取均值,以及对非冬小麦种植区的多个采样点的NDVI取均值;这样,会分别得到冬小麦种植区对应的NDVI曲线,以及非冬小麦种植区对应的NDVI曲线。
比对冬小麦种植区域的归一化植被指数时间序列曲线和非冬小麦种植区域的归一化植被指数时间序列曲线,并从冬小麦种植区域的归一化植被指数时间序列曲线中选取多个关键节点处对应的归一化植被指数阈值范围,并基于选取的多个归一化植被指数阈值范围构建对应的冬小麦判识规则集,冬小麦判识规则集用于判识待识别区域是否为冬小麦种植区域。
在本申请实施例中,从冬小麦种植区域的归一化植被指数时间序列曲线中选取多个关键节点对应于冬小麦的3个关键物候期:播种期,拔节期、抽穗期和收割期。
如图3所示,为本申请实施例具体应用场景下的冬小麦与其它作物的NDVI时间序列曲线对比图。
如图3所示,能够分析出冬小麦与非冬小麦的NDVI时间序列曲线有明显区别,能够从作物1、作物2和冬小麦中确定出冬小麦。
如图3所示,分别提取冬小麦生长周期内三个关键节点处NDVI的阈值范围,作为判定冬小麦的预设条件:
预设条件1:播种期:9月下旬-10月上旬为冬小麦的播种期,冬小麦的NDVI值要比其他作物的低,总结多次试验的结果构建冬小麦判识规则集:{0.1<NDVI<0.25}。
预设条件2:拔节期、抽穗期:3月下旬-4月中下旬,冬小麦NDVI达到整个生长周期最高值,远远超过其他作物,经过多次试验,得到冬小麦的判识规则集:{0.6<NDVI<0.85}。
预设条件3:收割期:NDVI在峰值过后,5月中旬-6月下旬是冬小麦的收割期,NDVI值骤降至20%左右,而此时其他作物正生长旺盛,NDVI值较高。总结试验结果,构建冬小麦的判识规则集:{NDVI<0.35}。
在上述预设条件1、预设条件2和预设条件3均满足的条件下,就能够精准地判断出栅格网格对应的待识别区域是否为种植有冬小麦的冬小麦种植区域。
在某一具体应用场景中,若在上述预设条件1、预设条件2和预设条件3均满足的条件下,就能够精准地判断出栅格网格对应的待识别区域为冬小麦种植区域,否则,则为非冬小麦种植区域。
上述仅仅是示例。基于不同的区域用于判定冬小麦的预设条件有所不同,在此不再穷举。
在本申请实施例中,根据第二预设方式对冬小麦的物候特征进行分析,得到的分析结果包括如上述实例所列举的预设条件1、预设条件2和预设条件3,并基于上述三个预设条件确定的冬小麦判识规则集构建冬小麦种植区域提取模型。基于该冬小麦判识规则集构建冬小麦种植区域提取模型的构建方法为常规方法,在此不再赘述。
在不同的应用场景中,可以根据不同的地区所得到的冬小麦判识规则集构建对应的冬小麦种植区域提取模型,在此不再赘述。
在一种可能的实现方式中,从冬小麦种植区域的归一化植被指数时间序列曲线中选取多个关键节点处对应的归一化植被指数阈值范围包括以下步骤:
从冬小麦种植区域的归一化植被指数时间序列曲线中选取第一预设时期对应的第一归一化植被指数阈值范围;
从冬小麦种植区域的归一化植被指数时间序列曲线中选取第二预设时期对应的第二归一化植被指数阈值范围;
从冬小麦种植区域的归一化植被指数时间序列曲线中选取第三预设时期对应的第三归一化植被指数阈值范围。
在某一具体应用场景下,从冬小麦种植区域的归一化植被指数时间序列曲线中选取出的多个关键节点处对应的归一化植被指数阈值范围可以如上述图3所示的NDVI的阈值范围:
冬小麦的播种期:9月下旬-10月上旬,播种期对应的第一归一化植被指数阈值范围可以为:0.1<NDVI<0.25;
冬小麦的拔节期、抽穗期:3月下旬-4月中下旬,拔节期对应的第二归一化植被指数阈值范围可以为:0.6<NDVI<0.85。
冬小麦的收割期:5月中旬-6月下旬,收割期对应的第三归一化植被指数阈值范围可以为:NDVI<0.35。
需要说明的是,由于不同区域、品种的冬小麦的特殊物候和判别阈值范围均会有所偏差,因此,采用本公开实施例的提取方法,每次均需要重新进行关键节点的选取和阈值范围的确定。
在一种可能的实现方式中,基于选取的多个归一化植被指数阈值范围构建对应的冬小麦判识规则集包括以下步骤:
获取第一归一化植被指数阈值范围、第一预设时期和第一归一化植被指数阈值范围之间的第一映射关系、第二归一化植被指数阈值范围、第二预设时期和第二归一化植被指数阈值范围之间的第二映射关系、第三归一化植被指数阈值范围、第三预设时期和第三归一化植被指数阈值范围之间的第三映射关系;
基于第一归一化植被指数阈值范围、第一映射关系、第二归一化植被指数阈值范围、第二映射关系、第三归一化植被指数阈值范围和第三映射关系构建对应的冬小麦判识规则集。
S104,基于冬小麦种植区域提取模型,从预处理后的符合预设条件的卫星遥感影像数据中提取预设区域内的冬小麦种植区域,得到并输出包括预设区域内的冬小麦种植空间分布图像的提取结果。
在本申请实施例中,基于冬小麦独特的物候特征,构建用于识别冬小麦的冬小麦判识规则集,并基于该冬小麦判识规则集构建冬小麦种植区域提取模型;这样,基于该冬小麦种植区域提取模型对预设区域内的冬小麦种植区域进行提取,由于能够有效地避免利用单一时相影像数据进行作物空间分布提取时因“异物同谱”等原因导致的错分、漏分等现象,因此,最终得到的提取结果更加精准,符合实际的冬小麦种植分布状况。
在一种可能的实现方式中,在得到包括预设区域内的冬小麦种植空间分布图像的提取结果之后,本申请实施例提供的提取方法还包括以下步骤:
对提取结果进行掩膜处理,并基于掩膜处理结果进行提取,得到并输出优化后的提取结果,优化后的提取结果包括预设区域内、且优化后的冬小麦种植空间分布图像。
在本申请实施例中,对提取结果进行掩膜处理所采用的掩膜方式为常规方式,在此不再赘述。基于已有的土地利用分类数据对提取结果进行掩膜处理,能够有效地提高识别精度。
在实际应用场景中,可以采用本申请实施例所采用的提取方法从种植有冬小麦的预设区域精准地提取出多处冬小麦种植区域,并生成对应的冬小麦种植空间分布图像。
如图4所示,是本申请实施例具体应用场景下的冬小麦种植区域的提取方法的流程示意图。
基于图4与前述相同或相似的部分,参见前述描述,在此不再赘述。
在本申请实施例中,获取预设区域且符合预设条件的卫星遥感影像数据;根据第一预设方式,对符合预设条件的卫星遥感影像数据进行预处理,得到预处理后的符合预设条件的卫星遥感影像数据;根据第二预设方式对冬小麦的物候特征进行分析,得到分析结果,并基于分析结果构建冬小麦种植区域提取模型,冬小麦种植区域提取模型用于确定预设区域内的待提取的面积区域是否为冬小麦种植区域;以及基于冬小麦种植区域提取模型,从预处理后的符合预设条件的卫星遥感影像数据中提取预设区域内的冬小麦种植区域,得到并输出包括预设区域内的冬小麦种植空间分布图像的提取结果,采用本申请实施例,由于能够基于分析结果构建冬小麦种植区域的提取模型,并基于该提取模型进行区域提取,最终得到的提取结果更加精准,提取结果中的预设区域内的冬小麦种植空间分布图像更加符合实际冬小麦种植空间分布情况。
下述为本发明冬小麦种植区域的提取装置实施例,可以用于执行本发明冬小麦种植区域的提取方法实施例。对于本发明冬小麦种植区域的提取装置实施例中未披露的细节,请参照本发明冬小麦种植区域的提取方法实施例。
请参见图5,其示出了本发明一个示例性实施例提供的冬小麦种植区域的提取装置的结构示意图。该冬小麦种植区域的提取装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该冬小麦种植区域的提取装置包括获取模块501、预处理模块502、分析模块503、提取模型构建模块504、提取模块505和输出模块506。
具体而言,获取模块501,用于获取预设区域且符合预设条件的卫星遥感影像数据;
预处理模块502,用于根据第一预设方式,对获取模块501获取的符合预设条件的卫星遥感影像数据进行预处理,得到预处理后的符合预设条件的卫星遥感影像数据;
分析模块503,用于根据第二预设方式对冬小麦的物候特征进行分析,得到分析结果;
提取模型构建模块504,用于基于分析模块503得到的分析结果构建冬小麦种植区域提取模型,冬小麦种植区域提取模型用于确定预设区域内的待提取的面积区域是否为冬小麦种植区域;
提取模块505,用于基于提取模型构建模块504构建的冬小麦种植区域提取模型,从预处理模块502得到的预处理后的符合预设条件的卫星遥感影像数据中提取预设区域内的冬小麦种植区域,得到包括预设区域内的冬小麦种植空间分布图像的提取结果;
输出模块506,用于输出提取模块505提取的提取结果。
可选的,预设条件包括:卫星遥感影像数据是通过Sentinel-2获取的、且其分辨率高于预设分辨率阈值的卫星遥感影像数据。
可选的,预处理模块502具体用于:
对符合预设条件的卫星遥感影像数据计算其归一化植被指数;
根据预设滤波方式对归一化植被指数时间序列数据进行滤波处理,并修正异常值,得到滤波处理后的归一化植被指数时间序列数据。
可选的,分析模块503用于:
获取滤波处理后的归一化植被指数时间序列数据和预设数量采样点对应的坐标信息;
基于滤波处理后的归一化植被指数时间序列数据和预设数量采样点对应的坐标信息,提取冬小麦种植区域的归一化植被指数值和非冬小麦种植区域的归一化植被指数值;
分别对冬小麦种植区域的归一化植被指数值和非冬小麦种植区域的归一化植被指数值取平均值,并构建冬小麦种植区域的归一化植被指数时间序列曲线和非冬小麦种植区域的归一化植被指数时间序列曲线;
比对冬小麦种植区域的归一化植被指数时间序列曲线和非冬小麦种植区域的归一化植被指数时间序列曲线,并从冬小麦种植区域的归一化植被指数时间序列曲线中选取多个关键节点处对应的归一化植被指数阈值范围,并基于选取的多个归一化植被指数阈值范围构建对应的冬小麦判识规则集,冬小麦判识规则集用于判识待识别区域是否为冬小麦种植区域。
可选的,分析模块503具体用于:
从冬小麦种植区域的归一化植被指数时间序列曲线中选取第一预设时期对应的第一归一化植被指数阈值范围;
从冬小麦种植区域的归一化植被指数时间序列曲线中选取第二预设时期对应的第二归一化植被指数阈值范围;
从冬小麦种植区域的归一化植被指数时间序列曲线中选取第三预设时期对应的第三归一化植被指数阈值范围。
可选的,分析模块503具体用于:
获取第一归一化植被指数阈值范围、第一预设时期和第一归一化植被指数阈值范围之间的第一映射关系、第二归一化植被指数阈值范围、第二预设时期和第二归一化植被指数阈值范围之间的第二映射关系、第三归一化植被指数阈值范围、第三预设时期和第三归一化植被指数阈值范围之间的第三映射关系;
基于第一归一化植被指数阈值范围、第一映射关系、第二归一化植被指数阈值范围、第二映射关系、第三归一化植被指数阈值范围和第三映射关系构建对应的冬小麦判识规则集。
可选的,所述装置还包括:
掩膜处理模块(在图5中未示出),用于在提取模块505得到包括预设区域内的冬小麦种植空间分布图像的提取结果之后,对提取模块505提取的提取结果进行掩膜处理。
提取模块505还用于:基于掩膜处理模块得到的掩膜处理结果进行提取,得到优化后的提取结果,优化后的提取结果包括预设区域内、且优化后的冬小麦种植空间分布图像;
输出模块506还用于:输出提取模块505提取出的优化后的提取结果。
需要说明的是,上述实施例提供的冬小麦种植区域的提取装置在执行冬小麦种植区域的提取方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的冬小麦种植区域的提取装置与冬小麦种植区域的提取方法实施例属于同一构思,其体现实现过程详见冬小麦种植区域的提取方法实施例,这里不再赘述。
在本申请实施例中,提取模块用于基于提取模型构建模块构建的冬小麦种植区域提取模型,从预处理模块得到的预处理后的符合预设条件的卫星遥感影像数据中提取预设区域内的冬小麦种植区域,得到包括预设区域内的冬小麦种植空间分布图像的提取结果;以及输出模块用于输出提取模块提取的提取结果,采用本申请实施例,由于能够基于分析结果构建冬小麦种植区域的提取模型,并基于该提取模型进行区域提取,最终得到的提取结果更加精准,提取结果中的预设区域内的冬小麦种植空间分布图像更加符合实际冬小麦种植空间分布情况。
在一个实施例中,提出了一种计算机设备,计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:获取预设区域且符合预设条件的卫星遥感影像数据;根据第一预设方式,对符合预设条件的卫星遥感影像数据进行预处理,得到预处理后的符合预设条件的卫星遥感影像数据;根据第二预设方式对冬小麦的物候特征进行分析,得到分析结果,并基于分析结果构建冬小麦种植区域提取模型,冬小麦种植区域提取模型用于确定预设区域内的待提取的面积区域是否为冬小麦种植区域;基于冬小麦种植区域提取模型,从预处理后的符合预设条件的卫星遥感影像数据中提取预设区域内的冬小麦种植区域,得到并输出包括预设区域内的冬小麦种植空间分布图像的提取结果。
在一个实施例中,提出了一种存储有计算机可读指令的存储介质,该计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行以下步骤:获取预设区域且符合预设条件的卫星遥感影像数据;根据第一预设方式,对符合预设条件的卫星遥感影像数据进行预处理,得到预处理后的符合预设条件的卫星遥感影像数据;根据第二预设方式对冬小麦的物候特征进行分析,得到分析结果,并基于分析结果构建冬小麦种植区域提取模型,冬小麦种植区域提取模型用于确定预设区域内的待提取的面积区域是否为冬小麦种植区域;基于冬小麦种植区域提取模型,从预处理后的符合预设条件的卫星遥感影像数据中提取预设区域内的冬小麦种植区域,得到并输出包括预设区域内的冬小麦种植空间分布图像的提取结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种冬小麦种植区域的提取方法,其特征在于,所述方法包括:
获取预设区域且符合预设条件的卫星遥感影像数据;
根据第一预设方式,对所述符合预设条件的卫星遥感影像数据进行预处理,得到预处理后的符合所述预设条件的卫星遥感影像数据;
根据第二预设方式对冬小麦的物候特征进行分析,得到分析结果,并基于所述分析结果构建冬小麦种植区域提取模型,所述冬小麦种植区域提取模型用于确定所述预设区域内的待提取的面积区域是否为冬小麦种植区域;
基于所述冬小麦种植区域提取模型,从所述预处理后的符合所述预设条件的卫星遥感影像数据中提取所述预设区域内的冬小麦种植区域,得到并输出包括预设区域内的冬小麦种植空间分布图像的提取结果。
2.根据权利要求1所述的方法,其特征在于,
所述预设条件包括:所述卫星遥感影像数据是通过Sentinel-2获取的、且其分辨率高于预设分辨率阈值的卫星遥感影像数据。
3.根据权利要求1所述的方法,其特征在于,所述根据第一预设方式,对所述符合预设条件的卫星遥感影像数据进行预处理包括:
对所述符合预设条件的卫星遥感影像数据计算其归一化植被指数;
根据预设滤波方式对归一化植被指数时间序列数据进行滤波处理,并修正异常值,得到滤波处理后的归一化植被指数时间序列数据。
4.根据权利要求3所述的方法,其特征在于,所述根据第二预设方式对冬小麦的物候特征进行分析包括:
获取所述滤波处理后的归一化植被指数时间序列数据和预设数量采样点对应的坐标信息;
基于滤波处理后的归一化植被指数时间序列数据和预设数量采样点对应的坐标信息,提取冬小麦种植区域的归一化植被指数值和非冬小麦种植区域的归一化植被指数值;
分别对所述冬小麦种植区域的归一化植被指数值和所述非冬小麦种植区域的归一化植被指数值取平均值,并构建冬小麦种植区域的归一化植被指数时间序列曲线和非冬小麦种植区域的归一化植被指数时间序列曲线;
比对所述冬小麦种植区域的归一化植被指数时间序列曲线和所述非冬小麦种植区域的归一化植被指数时间序列曲线,并从所述冬小麦种植区域的归一化植被指数时间序列曲线中选取多个关键节点处对应的归一化植被指数阈值范围,并基于选取的多个归一化植被指数阈值范围构建对应的冬小麦判识规则集,所述冬小麦判识规则集用于判识待识别区域是否为冬小麦种植区域。
5.根据权利要求4所述的方法,其特征在于,所述从所述冬小麦种植区域的归一化植被指数时间序列曲线中选取多个关键节点处对应的归一化植被指数阈值范围包括:
从所述冬小麦种植区域的归一化植被指数时间序列曲线中选取第一预设时期对应的第一归一化植被指数阈值范围;
从所述冬小麦种植区域的归一化植被指数时间序列曲线中选取第二预设时期对应的第二归一化植被指数阈值范围;
从所述冬小麦种植区域的归一化植被指数时间序列曲线中选取第三预设时期对应的第三归一化植被指数阈值范围。
6.根据权利要求5所述的方法,其特征在于,所述基于选取的多个归一化植被指数阈值范围构建对应的冬小麦判识规则集包括:
获取所述第一归一化植被指数阈值范围、所述第一预设时期和所述第一归一化植被指数阈值范围之间的第一映射关系、所述第二归一化植被指数阈值范围、所述第二预设时期和所述第二归一化植被指数阈值范围之间的第二映射关系、所述第三归一化植被指数阈值范围、所述第三预设时期和所述第三归一化植被指数阈值范围之间的第三映射关系;
基于所述第一归一化植被指数阈值范围、所述第一映射关系、所述第二归一化植被指数阈值范围、所述第二映射关系、所述第三归一化植被指数阈值范围和所述第三映射关系构建对应的冬小麦判识规则集。
7.根据权利要求1所述的方法,其特征在于,在所述得到包括预设区域内的冬小麦种植空间分布图像的提取结果之后,所述方法还包括:
对所述提取结果进行掩膜处理,并基于掩膜处理结果进行提取,得到并输出优化后的提取结果,所述优化后的提取结果包括预设区域内、且优化后的冬小麦种植空间分布图像。
8.一种冬小麦种植区域的提取装置,其特征在于,所述装置包括:
获取模块,用于获取预设区域且符合预设条件的卫星遥感影像数据;
预处理模块,用于根据第一预设方式,对所述获取模块获取的所述符合预设条件的卫星遥感影像数据进行预处理,得到预处理后的符合所述预设条件的卫星遥感影像数据;
分析模块,用于根据第二预设方式对冬小麦的物候特征进行分析,得到分析结果;
提取模型构建模块,用于基于所述分析模块得到的所述分析结果构建冬小麦种植区域提取模型,所述冬小麦种植区域提取模型用于确定所述预设区域内的待提取的面积区域是否为冬小麦种植区域;
提取模块,用于基于所述提取模型构建模块构建的所述冬小麦种植区域提取模型,从所述预处理模块得到的所述预处理后的符合所述预设条件的卫星遥感影像数据中提取所述预设区域内的冬小麦种植区域,得到包括预设区域内的冬小麦种植空间分布图像的提取结果;
输出模块,用于输出所述提取模块提取的所述提取结果。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项权利要求所述提取方法的步骤。
10.一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111221199.7A CN113963260A (zh) | 2021-10-20 | 2021-10-20 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111221199.7A CN113963260A (zh) | 2021-10-20 | 2021-10-20 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113963260A true CN113963260A (zh) | 2022-01-21 |
Family
ID=79465708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111221199.7A Pending CN113963260A (zh) | 2021-10-20 | 2021-10-20 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113963260A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219847A (zh) * | 2022-02-18 | 2022-03-22 | 清华大学 | 基于物候特征的作物种植面积确定方法、系统及存储介质 |
CN114782837A (zh) * | 2022-06-17 | 2022-07-22 | 中化现代农业有限公司 | 种植物估产方法、装置、电子设备和存储介质 |
CN114972838A (zh) * | 2022-03-18 | 2022-08-30 | 江苏天汇空间信息研究院有限公司 | 基于卫星数据得到的冬小麦识别方法 |
CN114972838B (zh) * | 2022-03-18 | 2024-04-30 | 江苏天汇空间信息研究院有限公司 | 基于卫星数据得到的冬小麦识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592181A (zh) * | 2011-12-30 | 2012-07-18 | 中国农业科学院农业资源与农业区划研究所 | 一种作物种植面积统计数据空间分布的优化方法 |
CN106022224A (zh) * | 2016-05-12 | 2016-10-12 | 北京师范大学 | 一种冬小麦识别方法 |
CN109583283A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 玉米种植区域提取方法、装置及种植区域提取系统 |
CN109670425A (zh) * | 2018-12-07 | 2019-04-23 | 河北工程大学 | 一种基于多尺度思想的地物信息提取方法 |
CN112818749A (zh) * | 2020-12-31 | 2021-05-18 | 中国电子科技集团公司第二十七研究所 | 一年两熟地区大宗粮油作物复种模式遥感监测方法 |
-
2021
- 2021-10-20 CN CN202111221199.7A patent/CN113963260A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592181A (zh) * | 2011-12-30 | 2012-07-18 | 中国农业科学院农业资源与农业区划研究所 | 一种作物种植面积统计数据空间分布的优化方法 |
CN106022224A (zh) * | 2016-05-12 | 2016-10-12 | 北京师范大学 | 一种冬小麦识别方法 |
CN109583283A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 玉米种植区域提取方法、装置及种植区域提取系统 |
CN109670425A (zh) * | 2018-12-07 | 2019-04-23 | 河北工程大学 | 一种基于多尺度思想的地物信息提取方法 |
CN112818749A (zh) * | 2020-12-31 | 2021-05-18 | 中国电子科技集团公司第二十七研究所 | 一年两熟地区大宗粮油作物复种模式遥感监测方法 |
Non-Patent Citations (4)
Title |
---|
宋宏利, 雷海梅, 尚明: "基于Sentinel 2A/B 时序数据的黑龙港流域主要农作物分类", 《江苏农业学报》 * |
甄晓菊等: "基于Sentinel - 2A NDVI 时间序列数据的冬小麦识别", 《江苏农业学报》 * |
贾玉秋: "基于物候差异分析的冬小麦长势监测", 《中国优秀硕士学位论文全文数据库 农业科技辑 》 * |
黄 青, 吴文斌, 邓 辉, 张 莉: "2009年江苏省冬小麦和水稻种植面积信息遥感提取及长势监测", 《江苏农业科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219847A (zh) * | 2022-02-18 | 2022-03-22 | 清华大学 | 基于物候特征的作物种植面积确定方法、系统及存储介质 |
CN114219847B (zh) * | 2022-02-18 | 2022-07-01 | 清华大学 | 基于物候特征的作物种植面积确定方法、系统及存储介质 |
CN114972838A (zh) * | 2022-03-18 | 2022-08-30 | 江苏天汇空间信息研究院有限公司 | 基于卫星数据得到的冬小麦识别方法 |
CN114972838B (zh) * | 2022-03-18 | 2024-04-30 | 江苏天汇空间信息研究院有限公司 | 基于卫星数据得到的冬小麦识别方法 |
CN114782837A (zh) * | 2022-06-17 | 2022-07-22 | 中化现代农业有限公司 | 种植物估产方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hall et al. | Characterising and mapping vineyard canopy using high-spatial-resolution aerial multispectral images | |
CN111091052A (zh) | 一种基于最大似然法的玉米倒伏面积提取系统及方法 | |
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 | |
CN110414738B (zh) | 一种农作物产量预测方法及系统 | |
CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
CN108710864B (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN115761486A (zh) | 一种基于多期稻田影像特征的水稻种植区判定方法和系统 | |
Yang et al. | Cotton hail disaster classification based on drone multispectral images at the flowering and boll stage | |
Shahrin et al. | Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning | |
Guan et al. | An improved approach to estimating crop lodging percentage with Sentinel-2 imagery using machine learning | |
Smit et al. | Vine signal extraction-an application of remote sensing in precision viticulture | |
CN112861712B (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
CN110059890B (zh) | 县域尺度农业洪涝监测方法及系统 | |
CN112329733A (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
CN112183273A (zh) | 一种基于光谱信息及气象数据的小麦条锈病监测方法 | |
CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
CN105046229B (zh) | 一种农作物行的识别方法及装置 | |
CN116310864A (zh) | 一种作物倒伏自动识别方法、系统、电子设备及介质 | |
CN115641504A (zh) | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 | |
CN116502901A (zh) | 一种基于光学遥感数据的农田干旱空间分布评价方法 | |
CN111768101B (zh) | 一种顾及物候特征的遥感耕地变化检测方法及系统 | |
CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 |
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: 20220121 |