CN113963263B - 多年生植被生长属性的确定方法、装置以及存储介质 - Google Patents
多年生植被生长属性的确定方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN113963263B CN113963263B CN202111584930.2A CN202111584930A CN113963263B CN 113963263 B CN113963263 B CN 113963263B CN 202111584930 A CN202111584930 A CN 202111584930A CN 113963263 B CN113963263 B CN 113963263B
- Authority
- CN
- China
- Prior art keywords
- determining
- data
- vegetation
- abundance value
- growth
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000002310 reflectometry Methods 0.000 claims abstract description 56
- 239000011248 coating agent Substances 0.000 claims abstract description 13
- 238000000576 coating method Methods 0.000 claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 22
- 230000003595 spectral effect Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 239000000470 constituent Substances 0.000 claims 2
- 230000008569 process Effects 0.000 description 22
- 238000001514 detection method Methods 0.000 description 20
- 239000002420 orchard Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 14
- 239000002689 soil Substances 0.000 description 13
- 235000013399 edible fruits Nutrition 0.000 description 11
- 239000004576 sand Substances 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 150000003839 salts Chemical class 0.000 description 9
- 238000013507 mapping Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 244000141359 Malus pumila Species 0.000 description 2
- 235000011430 Malus pumila Nutrition 0.000 description 2
- 235000015103 Malus silvestris Nutrition 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 244000043261 Hevea brasiliensis Species 0.000 description 1
- 241000220225 Malus Species 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 241000207836 Olea <angiosperm> Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种多年生植被生长属性的确定方法、装置以及存储介质。其中,多年生植被生长属性的确定方法,包括:根据预定区域内的多个时间节点的地表反射率数据,确定预定数量端元组分分别对应的多个丰度值数据,其中端元组分对应多个时间节点的丰度值数据;根据多个丰度值数据,确定覆被分类数据;根据覆被分类数据以及多个时间节点的丰度值数据,确定多年生植被的植被丰度值时间序列曲线;以及根据植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息。
Description
技术领域
本申请涉及遥感数据处理技术领域,特别是涉及一种多年生植被生长属性的确定方法、装置以及存储介质。
背景技术
林木经济作物(苹果、橡胶、橄榄等)有着较高的经济效益,其人为管理活动强度(化肥农药的施用、灌溉量等)也远大于一般作物。因此,林木经济作物种植也伴随着较高外部环境风险的产生。长时间序列对地观测遥感数据(Landsat、MODIS等)的积累为林木经济作物生长动态监测提供了数据基础。目前,已经有许多方法尝试对长时间序列遥感数据分析并提取林木经济作物的年龄这一关键参数。这些方法在橡胶树等木本经济作物的年龄制图中已经取得了广泛的应用,并为木经济作物生长动态遥感监测提供了重要的方法基础。但这些基于遥感光谱指数的经验模型无法准确的表征林木经济作物的生物物理属性,并且难以在不同的区域进行应用。
目前现有的林木经济作物的年龄检测方法多是基于简单的植被指数等光谱指数时间序列,容易受到土壤等环境背景信息的干扰,难以准确反应果园变化信息。并且这些指数缺乏强健的生物物理含义(准确稳定地表征植被等地物的生物物理属性),并且难以构建与相关生态过程的关系,因此无法表征木本经济作物实际生长过程。因此现有方法对于果园时间序检测的算法只是寻找种植点存在的位置和相应的时间,并未研究之后的果树生长动态。而树木的准确年龄信息与其生物生态动态监测是进行林木经济作物的健康诊断以及产量估算所必要的,果树的生长动态监测对于林木经济作物的精细化管理具有更重要的意义。
针对上述的现有技术中存在的现有的林木年龄检测方法,由于受到土壤等背景因素的影响,得到的属性信息准确率低,并且无法表征林本实际生长过程的技术问题,目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种多年生植被生长属性的确定方法、装置以及存储介质,以至少解决现有技术中存在的林木年龄检测方法,由于受到土壤等背景因素的影响,得到的属性信息准确率低,并且无法表征林本实际生长过程的技术问题。
根据本公开实施例的一个方面,提供了一种多年生植被生长属性的确定方法,包括:根据预定区域内的多个时间节点的地表反射率数据,确定预定数量端元组分分别对应的多个丰度值数据,其中端元组分对应多个时间节点的丰度值数据;根据多个丰度值数据,确定覆被分类数据;根据覆被分类数据以及多个时间节点的丰度值数据,确定多年生植被的植被丰度值时间序列曲线;以及根据植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息。
根据本公开实施例的另一个方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时由处理器执行以上任意一项所述的方法。
根据本公开实施例的另一个方面,还提供了一种多年生植被生长属性的确定装置,包括:第一确定模块,用于根据预定区域内的多个时间节点的地表反射率数据,确定预定数量端元组分分别对应的多个丰度值数据,其中端元组分对应多个时间节点的丰度值数据;第二确定模块,用于根据多个丰度值数据,确定覆被分类数据;第三确定模块,用于根据覆被分类数据以及多个时间节点的丰度值数据,确定多年生植被的植被丰度值时间序列曲线;以及第四确定模块,用于根据植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息。
根据本公开实施例的另一个方面,还提供了一种多年生植被生长属性的确定装置,包括:处理器;以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:根据预定区域内的多个时间节点的地表反射率数据,确定预定数量端元组分分别对应的多个丰度值数据,其中端元组分对应多个时间节点的丰度值数据;根据多个丰度值数据,确定覆被分类数据;根据覆被分类数据以及多个时间节点的丰度值数据,确定多年生植被的植被丰度值时间序列曲线;以及根据植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息。
根据本申请实施例提供的多年生植被生长属性的确定方法,通过多个时间节点的地表反射率数据确定多个端元组分的丰度值数据,然后进行覆被分类,确定覆被分类数据。最后根据覆被分类数据以及多个丰度值数据,确定多年生植被的生长属性数据信息。可以在不同区域上进行大范围高效、精确地林木经济作物(也可以是其他多年生植被类型的检测)的生长动态遥感监测以及关键属性数据信息制图,弥补基于统计和经验模型无法在不同时空上科学准确的反演林木经济作物生长动态的不足。进而解决了现有技术中存在的现有的林木年龄检测方法,由于受到土壤等背景因素的影响,得到的属性信息准确率低,并且无法表征林本实际生长过程的技术问题。
附图说明
此处所说明的附图用来提供对本公开的进一步理解,构成本申请的一部分,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。在附图中:
图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框图;
图2是根据本公开实施例1的第一个方面所述的多年生植被生长属性的确定方法的流程示意图;
图3A是根据本公开实施例1的第一个方面所述的混合像元以及地表基质纯净端元的示意图;
图3B是根据本公开实施例1的第一个方面所述的地表纯净像元的确定的示意图;
图4A是根据本公开实施例1的第一个方面所述的覆被分类数据的分类过程的示意图;
图4B是根据本公开实施例1的第一个方面所述的果树起始种植点检测的的示意图;
图4C是根据本公开实施例1的第一个方面所述的果园年际典型季节植被丰度值时间序列的示意图;
图5是根据本公开实施例1所述的多年生植被生长属性的确定方法的示意图;
图6是根据本公开实施例2所述的多年生植被生长属性的确定装置的示意图;以及
图7是根据本公开实施例3所述的多年生植被生长属性的确定装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案,下面将结合本公开实施例中的附图,对本公开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公开一部分的实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本公开保护的范围。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,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。
实施例1
根据本实施例,提供了一种多年生植被生长属性的确定方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的计算设备中执行。图1示出了一种用于实现多年生植被生长属性的确定方法的计算设备的硬件结构框图。如图1所示,计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器可用于存储应用软件的软件程序以及模块,如本公开实施例中的多年生植被生长属性的确定方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的多年生植被生长属性的确定方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算设备的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算设备中的部件的类型。
在上述运行环境下,根据本实施例的第一个方面,提供了一种多年生植被生长属性的确定方法。图2示出了该方法的流程示意图,参考图2所示,该方法包括:
S202:根据预定区域内的多个时间节点的地表反射率数据,确定预定数量端元组分分别对应的多个丰度值数据,其中端元组分对应多个时间节点的丰度值数据;
S204:根据多个丰度值数据,确定覆被分类数据;以及
S206:根据覆被分类数据以及多个时间节点的丰度值数据,确定多年生植被的植被丰度值时间序列曲线;以及
S210:根据植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息。
正如背景技术中所述的,目前现有的林木经济作物的年龄检测方法多是基于简单的植被指数等光谱指数时间序列,容易受到土壤等环境背景信息的干扰,难以准确反应果园变化信息。并且这些指数缺乏强健的生物物理含义(准确稳定地表征植被等地物的生物物理属性),并且难以构建与相关生态过程的关系,因此无法表征木本经济作物实际生长过程。因此现有方法对于果园时间序检测的算法只是寻找种植点存在的位置和相应的时间,并未研究之后的果树生长动态。而树木的准确年龄信息与其生物生态动态监测是进行林木经济作物的健康诊断以及产量估算所必要的,果树的生长动态监测对于林木经济作物的精细化管理具有更重要的意义。
有鉴于此,当需要对林木等多年生植被进行生长属性的确定的情况下,首先计算设备可以根据预定区域内的多个时间节点的地表反射率数据,确定与该预定区域对应的像元中预定数量端元组分分别对应的多个丰度值数据,其中端元组分对应多个时间节点的丰度值数据。具体地,该地表反射率数据例如可以通过卫星上设置的地表反射率传感器测量得到。该地表放射率传感器例如可以是landsat 8的OLI传感器(陆地成像仪)。此外,参考图3A所示,地表反射率中的像元可以为混合像元,即每个像元中包括多个端元组分。其中端元组分例如包括沙(SL)、盐(SA)、植被(GV)、暗色物质(DA)和水(WA)。然后对地表反射率数据逐个像元地进行计算,分别确定每个像元中各个端元组分的占比,即确定每个像元中各个端元组分的丰度值,从而得到该像元中每个端元组分对应的丰度值数据。其中丰度值数据可以通过丰度值图像的方式展示。并且,尽管本实施例中采用了5个端元组分进行说明,但是端元组分不限于5个还可以是3个、4个等其他数量,可以根据需求进行端元组分的选取。
其中多个时间节点可以为多个年份的特定季度以及单个年份内各个季度的时间节点。
进一步地,计算设备根据多个丰度值数据,确定覆被分类数据。具体地,可以根据各个像元的丰度值数据,确定各个像元的覆被分类数据。该覆被分类数据用于描述像元所对应的地表类型,包括作物、常绿林、春季林、草地、盐碱地等等。其中图4A示出了覆被分类数据所描述的各个地表类型。从而可以根据各个像元的覆被分类数据从地表反射率数据中要找到与多年生植被(例如林木)对应的像元,从而通过覆被分类数据可以清楚的找到多年生植被像元,达到为后续分析多年生植被生长属性提供基础数据的技术效果。覆被分类数据是根据单一年份年内的多个丰度值数据计算得到的,例如通过年内的多季相数据(即春、夏、秋各季节一期影像数据)计算覆被分类数据。
进一步地,计算设备根据覆被分类数据以及多个时间节点的丰度值数据,确定多年生植被的植被丰度值时间序列曲线。然后根据植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息。其中例如选取十年的地表反射率数据,可以选择每一年内同一时期的一期数据计算植被丰度值确定长时间序列曲线。例如选择每年内夏季的数据,从而十年对应的夏季(这里仅做举例说明,还可以是春季、秋季、冬季)数据构成植被丰度值时间序列曲线。
正如上面所述,根据各个像元的覆被分类数据确定与多年生植被对应的像元,然后根据多年生植被像元中与植被端元对应的丰度值数据,确定该多年生植被像元的植被丰度值时间序列曲线。
具体地,计算设备可以根据各个像元的覆被分类数据确定多年生植被所在的像元,然后根据多年生植被所在的像元对应的植被丰度值数据确定植被丰度值时间序列曲线。例如包含多年生植被(其中该植被可以是林木作物,例如某果园中的果树)的像元有200个,那么可以根据这200个像元不同时间的植被端元组分的丰度值得到分别与这200个像元对应的植被丰度值时间序列曲线。然后计算设备可以通过这些植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息。
从而通过本申请实施例提供的多年生植被生长属性的确定方法,通过多个时间节点的地表反射率数据确定多个端元组分的丰度值数据,然后进行覆被分类,确定覆被分类数据。最后根据覆被分类数据以及多个丰度值数据,确定多年生植被的生长属性数据信息。可以在不同区域上进行大范围高效、精确地林木经济作物(也可以是其他多年生植被类型的检测)的生长动态遥感监测以及关键属性数据信息制图,弥补基于统计和经验模型无法在不同时空上科学准确的反演林木经济作物生长动态的不足。进而解决了现有技术中存在的现有的树木年龄检测方法,由于受到土壤等背景因素的影响,得到的属性信息准确率低,并且无法表征林本实际生长过程的技术问题。
可选地,根据预定区域内的多个时间节点的地表反射率数据,确定预定数量端元组分分别对应的多个丰度值数据的操作,包括:根据多个时间节点的地表反射率数据,确定与预定数量的端元组分对应的地表纯净像元;根据多个时间节点的地表反射率数据以及地表纯净像元,确定预定数量的地表纯净像元分别对应的端元光谱曲线;以及利用线性光谱混合分解模型,根据端元光谱曲线,确定多个丰度值数据。
具体地,计算设备可以根据多个时间节点的地表反射率数据,确定与预定数量的端元组分对应的地表纯净像元。例如根据地表反射率数据确定分别与沙(SL)、盐(SA)、植被(GV)、暗色物质(DA)以及水(WA)这五个端元组分对应的地表纯净像元。
然后计算设备可以根据地表反射率数据对地表纯净像元进行端元的提取。其中地表反射率数据为多时间节点组成的光谱数据,每个像元包括多个光谱值。例如,以现有的landsat 8的OLI传感器(陆地成像仪)为例,该传感器例如可以采集9个波段的地表反射率数据。因此每个像元的光谱值包括这9个波段的光谱值。从而,每个地表纯净像元的光谱值也包括这9个波段的光谱值,因此可以根据9个波段的光谱值确定地表纯净像元的端元光谱曲线。
然后,计算设备针对与该预定区域对应的各个像元,分别应用线性光谱混合分解模型以端元光谱曲线分解地表反射率影像得到各端元的丰度值影像(各端元组分占像元的面积百分比)。从而通过上述方式可以得到与各个端元组分对应的多个丰度值数据,从而为计算覆被功能指数提供了基础数据。
其中,线性光谱混合模型是利用一个线性关系表达遥感系统中待分析的目标像元内各地物的类型、比例与地物的光谱响应。它的基本假设是,组成混合像元的几种不同地物的光谱曲线以线性的方式组合成混合像元中一个波段的光谱值,即假定混合像元内各个端元成分的光谱值之间是独立的。模型如下∶
式中,j=1,2,…,m,代表待分析的目标像元的各个端元组分的序号,例如在本实施例中,m=5。j=1~5,分别对应于沙(SL)、盐(SA)、植被(GV)、暗色物质(DA)以及水(WA)这五个端元组分。
i=1,2,…,n,代表目标像元所包括的各个波段的序号,即地表反射率传感器所包括的各个波段的序号。例如,landsat 8的OLI传感器包括9个波段,因此n=9。
F j 为各端元组分在目标像元中所占的视面积比(即丰度值),为待求解的数据。
.....
从而可以通过以上等式解得目标像元中分别与各个端元组分对应的丰度值F j ,j=1~5。
从而,具有明确物理意义的端元丰度值能够更好地反映植被、土壤等景观要素的信息。来自不同遥感数据源的端元丰度值提供了方便计算、易于校准并且基于物理概念的亚像元尺度的土地覆盖面积测量,使得其能够在不同时空尺度上进行比较。这一优势也是构建端元年际时间序列曲线反映果园覆被变化的基础。
光谱混合分解的主要过程为端元确定及选取和丰度值估计。本算法采用主成分分析法对各季相的光谱空间进行降维,并检查不同年份各季相影像光谱空间的一致性,从而确定端元的数量以及种类。采用“图像端元”选取法进行端元选择,使端元与影像光谱具有相同的度量尺度。应用全约束线性光谱混合分解模型对地表反射率影像进行分解,从而得到了各影像数据的五端元面积百分比图——端元丰度值影像。
可选地,根据地表反射率数据,确定与预定数量的端元组分对应的地表纯净像元的操作,包括:利用主成分分析算法,对地表反射率数据进行数据降维,确定预定维度的波段数据;以及对预定维度的波段数据进行几何顶点的端元提取,确定预定数量的地表纯净像元。
具体地,主成分分析是一种去除波段之间的多余信息、将多波段的图像信息压缩到比原始波段更有效的少数几个转换波段的方法。通过主成分分析,实现对数据的降维。例如,将原始所有波段中95%以上的信息量压缩到三个主要波段中(这里预定波段不限于3个,也可以是2个或者4个等其他数量的波段),且变换后的各波段相关很小,即包括95%的数据信息的波段可以作为主成分波段。
进一步地,参考图3B所示,将相关性很小的图像波段,如主成分分析变换结果的前面两个波段,作为X、Y轴构成二维散点图。在理想情况下,散点图是五角形状,根据线性混合模型数学描述,纯净端元几何位置分布在五角形的五个顶点,而五角形内部的点则是这五个顶点的线性组合,也就是混合像元,如图3B所示。根据这个原理,本发明可以在二维散点图上选择端元波谱。在实际的端元选择过程中,往往选择散点图周围凸出部分区域,后获取这个区域相应原图上的平均波谱作为端元波谱。
此外,例如以水体端点(WA)为例,以水体端点为圆心,半径1(半径1仅做举例说明,也可以是其他数值,根据用户要求进行限定)以内的像元作为纯净像元,即距离水体端点的像元越近,这个像元越纯净。沙地和植被端点的原理参考水体端点纯净像元的选取。
从而通过以上方式,可以将与图3B中5个顶点对应的像元确定为分别对应于沙(SL)、盐(SA)、植被(GV)、暗色物质(DA)以及水(WA)的纯净像元。然后,计算设备可以根据纯净像元中与传感器各个波段对应的幅值,(例如landsat 8的OLI传感器的9个波段的幅值)确定前文函数中的参数。
可选地,根据年份内各个季度的时间节点的丰度值数据,确定覆被分类数据的操作,包括:逐像元计算地表反射率数据中预定数量的端元组分的丰度值,确定与预定数量的端元组分分别对应的多个丰度值数据;以及利用决策树方法,将多个丰度值数据进行逐像元分类,确定覆被分类数据。
具体地,通过地表反射率数据确定端元组分的多个丰度值数据参考上文所述,这里就不再一一赘述。然后,参考图4A所示,利用决策树分类方法,逐像元对各端元组分的丰度值进行计算确定覆被分类数据。即,根据各个像元中各个端元组分的丰度值,确定各个像元的覆被分类。例如,以预定区域为例,分类决策树如图4A所示。SL,SA,GV,DA,WA 分别代表沙、盐、植被、暗色物质和水的端元丰度值。5、8、11 代表春、夏、初冬季相,根据不同地区进行设定,这里不做限定。例如,首先将沙地作为目标地物。选择 SL5,SL8 和 SL11 作为根节点的分割变量,并统计其训练样本的直方图,设定 0.5(由研究地区特征进行设定,这里仅做举例说明)为分割阈值。然后以 SA5,SA8 或 SA11 为分割变量,将沙地续分为盐渍化沙地和流动沙地。通过上述方式,确定覆被分类数据。
其中决策树阈值主要通过目标地类训练样本决定。以林木经济作物与自然林划分为例,两者主要通过典型季相(例子为秋季)的植被与阴影端元的差异,同时辅助坡度数据进行划分。
综上,可以得到覆被分类数据,从而可以根据覆被分类数据清晰的得到待研究的多年生植被像元。
可选地,根据所述覆被分类数据以及所述多个时间节点的丰度值数据,确定多年生植被的植被丰度值时间序列曲线的操作,包括:根据所述覆被分类数据,确定预先设定的多年生植被对应的多年生植被像元;以及根据所述多年生植被像元以及所述多个节点的植被丰度值数据,确定所述多年生植被丰度值时间序列曲线。
具体地,根据覆被分类数据可以确定与多年生植被对应的多年生植被像元,然后获取该像元在各个时间点与植被端元组分对应的丰度值数据,就可以确定与该像元对应的植被丰度值时间序列曲线。例如,选取十年的地表反射率数据,那么该植被丰度值时间序列曲线对应的即为十年内该多年生植被的时间序列曲线。从而通过上述方式,得到多年生植被的植被丰度值时间序列曲线,从而通过植被丰度值时间序列曲线进行属性数据分析。
可选地,根据所述植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息的操作,包括:根据所述植被丰度值时间序列曲线,确定多年生植被的开始时间节点;根据所述多个时间节点以及所述开始时间节点,确定所述多年生植被的年龄及生长曲线;以及根据所述生长曲线,确定所述多年生植被的生长属性数据信息。
具体地,在对林木进行分析的过程中,由于幼年树木的叶子很少,因此它们的丰度值很低,并且树木的丰度值随着树木的冠层盖度增加而上升。因此通过上述林木年龄丰度值变化的规则,针对林木植被端元的历史动态进行分析,利用种植林木经济作物时的植被变化确定其起始种植年份,从而通过林木的起始种植年份可以确定该林木的年龄。例如,确定起始种植年份为2007年,那么2012年的地表反射率数据中该植被(例如林木)的年龄即为5。
进一步地,大部分的林木经济作物均为多年生植被,因此它们的生长可以通过其植被丰度值的年际变化趋势来反应。植被的年际时间序列曲线通过在特定的时间窗口每年选择一期影像构建,具体的时间窗口需要根据目标作物的物候规律确定,时间窗口的选择原则为保证在窗口期内林木经济作物的植被丰度值维持在一个稳定的状态,同时也要考虑到遥感数据的可获得性。例如以山东烟台的苹果树为例,可以以9月15日至11月15日为时间窗口构建曲线。其中以9月15日至11月15日为例作为时间窗口选择原因如下:1、根据目标作物的物候规律确定,时间窗口的选择原则为保证在窗口期内林木经济作物的植被丰度值维持在一个稳定的状态。2、考虑到遥感数据的可获得性,9-11月份为秋季,相对于夏季来说有云的天气较少,因此无云影像更容易获取。3、园地的林木一般会进行种植其他作物或是生有杂草,在秋季间作物收获、杂草枯萎的时候遥感影像反应的才是林木经济作物的变化情况。以9月15日至11月15日为是在本实施例中在针对苹果树研究选择的时间窗口,这一时间窗口对于我国北方的林木经济作物基本都适用。此外,其他研究目标可根据目标的特性选择合适的时间作为时间窗口,此处不做限定。
进一步地,图4B示例性的示出了起始种植点检测的示意图,参考图4B所示,起始点检测过程如下,开始进行起始种植点检测时,首先检测整条曲线中所有小于g1的谷值点(规则1,对应着种植林木经济作物时的清园活动所导致的植被丰度值降低)。其中,在曲线中可能存在一些由于遥感影像中云的覆盖所导致的谷值点。云层覆盖像元的植被丰度值接近于0,而它们的植被丰度值通常在第二年恢复到正常水平。而成熟果园的植被丰度值通常大于g1,因此本实施例增加了另一个决策阈值规则:初始种植点后一年的植被丰度值增量应小于g1(规则2)。
此外,参考图4B所示,g1确定树木起始种植点的阈值,它代表裸露地表或者刚种小树时的地表植被丰度值,可以通过选取一定数量的训练样本(所述训练样本为已知起始种植点的多个不同像元对应的植被时间序列曲线),计算样本起始种植点的植被丰度值的均值与标准差,最后将均值加上二倍的标准差确定。
此外,几乎所有的多年生树木都需要几年的生长时间才能进入成熟期,并且在此期间它们的植被丰度值一直在增加。因此,提出了一个新的初始种植点检测规则:前三年树木生长速率(k)(即以谷值点开始的四个点的线性拟合斜率)应大于预设的速率阈值k1,以此来代表幼树的快速生长(规则3)。其中k1可以通过选取一定数量的训练样本(其中训练样本为已知起始种植点的多个不同像元对应的植被时间序列曲线,从而可以通过该曲线确定该相应区域从初始种植点开始前三年的树木生长速率),计算样本前三年的树木生长速率的均值与标准差,最后将均值加上二倍的标准差作为k1。
y(t)=kt+d (3)
其中t是时间,y(t)是第t年典型时间窗内果园的植被丰度值;和是拟合参数,为树木生长速率。从而公式(3)通过已知的y(t)和t反解方程求得k,即代表的是一个植
被丰度值的每年的增长量,也就是木本经济作物的生长速率。其中,g1以及k1两个阈值是由
训练样本中果园的真实初始种植点的相关统计值确定的。两者均设定为统计样本的平均值
±2倍标准差,此为相对宽松的阈值设定,将尽可能多的潜在起始种植点包括进来。然后将
通过生长曲线拟合进一步优选初始种植点。
从而通过上述方式得到准确的多年生植被的开始时间节点,从而可以准确得到多年生植被的年龄信息,为确定多年生植被生长属性数据信息奠定基础。
此外,规则1-4为在得到林木经济作物时间序列曲线之后为了确定起始种植点所依次执行的四个判定过程。即:
规则1、检查整个年际植被丰度时间序列,并监测所有小于g1的谷值点。
规则2、初始种植点后一年的植被丰度值增量应小于g1。
规则3、前三年树木生长速率(k)应大于k1(即以谷值点开始的四个点的线性拟合斜率)。
规则4、logistic函数拟合的R方小于0.4。
通过这四条规则的检验才能确定为起始种植点。
可选地,根据所述生长曲线,确定所述多年生植被的生长属性数据信息的操作,包括:根据所述开始时间节点以及所述植被丰度值时间序列曲线,确定所述植被的拟合函数;以及根据所述拟合函数,确定所述多年生植被的生长属性数据信息。
具体地,年际植被丰度值时间序列表示的林木经济作物生长曲线与年内植被物候曲线相似。因此,在本实施例中用logistic函数模拟了树木的生长,即将包括起始种植点在内及其之后的所有点进行函数拟合,公式如下所示:
其中t是树龄,y(t)是第t年典型时间窗内果园的植被丰度值;a、b和c是拟合参数。其中参数a为logistic函数并且可以在设置该logistic函数时进行设置,参数c反映了成熟稳定期的果园在所选时间窗口内所能达到的一个稳定的植被丰度期望值,参数b则反映了果树的生长速率。
此外,图4C示例性的示出了果园年际典型季节植被丰度值时间序列。参考图4C所示,本实施例中以确定的潜在起始种植点及其之后的所有点建立拟合模型。通过计算模型的R2评价了模型的拟合优度,并消除R2相对较低的伪点。通过实际树龄样本训练拟合模型,确定0.4为R2阈值下限来剔除假起始种植点(规则4)。如果起始种植点出现在最后两年则无法进行logistic函数拟合,则选择拟合线性函数的斜率(即果树生长速率)来确定。由于在研究期间的时间序列中可能存在多个果树种植周期,因此选择最新的起始种植点(较为靠后的年份)来计算果园的最新树龄。
木本经济作物的logistic生长拟合模型不仅可以确定果树的初始种植时间,它还记录了木本经济作物生长的一些关键属性。其中参数c反映了成熟稳定期的果园在所选时间窗口内所能达到的一个稳定的植被丰度期望值,参数b则反映了果树的生长速率。而木本经济作物进入成熟期的时间点则可以通过计算logistic曲线的曲率变化率的极值得到:
这些参数对于林木经济作物(不限于林木也可以是其他多年生植被)的管理具有重要意义。年龄是决定林木经济作物生物物理特征以及产量的基础属性,同时人为管理措施也与年龄紧密相关。成熟期的植被丰度值以及树木生长速率则表征了林木经济作物的生长健康状况,是由土壤、气候等自然资源禀赋以及农业管理措施共同作用的结果。对这些属性在区域尺度上的监测制图是明晰不同地理位置、气候条件和种植策略下树木生长的差异和由此产生的产量差距,并进行更好地农业管理的基础。
此外,参考图1所示,根据本实施例的第二个方面,提供了一种存储介质。所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行以上任意一项所述的方法。
从而根据本实施例,提供的多年生植被生长属性的确定方法,通过多个时间节点的地表反射率数据确定多个端元组分的丰度值数据,然后进行覆被分类,确定覆被分类数据。最后根据覆被分类数据以及多个丰度值数据,确定多年生植被的生长属性数据信息。可以在不同区域上进行大范围高效、精确地林木经济作物(也可以是其他多年生植被类型)的生长动态遥感监测以及关键属性数据信息制图,弥补基于统计和经验模型无法在不同时空上科学准确的反演林木经济作物生长动态的不足。进而解决了现有技术中存在的现有的林木年龄检测方法,由于受到土壤等背景因素的影响,得到的属性信息准确率低,并且无法表征林本实际生长过程的技术问题。
此外,图5示出了本申请多年生植被生长属性的确定方法的过程示意图,主要包含了(1)基于线性光谱混合分解模型的地表光谱端元提取与丰度值估计(2)基于多季相光谱端元的林木经济作物提取(3)构建林木经济作物植被端元的年际时间序列曲线并进行树木起始种植点检测,以及(4)树木的生长动态建模。
一方面,本发明充分发挥地表光谱端元具有实际物理意义并且在不同时空尺度具有可比性的优势,建立了能够反应木本经济作物真实生长动态的植被丰度值年际时间序列曲线。
另一方面首先在综合了前人方法的基础上对起始种植点的检测算法进行了优化,不仅考虑了新种植林木经济作物导致的覆被变化,还考虑了种植林木经济作物后的生长动态,可以更好地识别起始种植点。更重要的是对整个林木经济作物生长动态的logistic模型拟合可以对林木经济作物生长状况的关键参数进行高效准确制图。
本发明的算法基于遥感技术,可以应用于宏观区域尺度各类林木经济作物的生长动态及其关键属性的监测。本方法具有快速、高效进行大范围监测的优势,不但可以提取各类林木经济作物的空间分布并估算其年龄,同时也可以得到其成熟稳定期的生长状态(植被丰度值)、生长速率、进入成熟期的时间点等参数。对林木经济作物的空间年龄结构分析有助于及时发现果园的“老龄化”等相关问题,指导政府等相关机构制定空间差异化政策引导林木经济作物种植业健康发展。结合年龄信息与林木经济作物的生长状态可以进行空间化的作物估产以及生长健康诊断,进一步对其土壤、气候等自然资源禀赋以及农业管理措施进行分析则可以明晰问题产生原因,并进行更好地农业管理。对林木经济作物的生长监测以及关键参数制图也是进行木本经济作物种植宏观环境效应分析的基础。通过林木经济作物生长过程以及相关生态环境过程的综合研究可以为平衡林木经济作物种植业经济效益和环境效益,达到可持续发展目标提供依据。
此外,尽管本实施例以林木为例对多年生植被生长属性的确定进行了示例性说明,但是本公开的方案并不限于林木类型的多年生植被,也可以应用于其他类型的多年生植被。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
图6示出了根据本实施例的第一个方面所述的多年生植被生长属性的确定装置600,该装置600与根据实施例1的第一个方面所述的方法相对应。参考图6所示,该装置600包括:第一确定模块610,用于根据预定区域内的多个时间节点的地表反射率数据,确定预定数量端元组分分别对应的多个丰度值数据,其中端元组分对应多个时间节点的丰度值数据;第二确定模块620,用于根据多个丰度值数据,确定覆被分类数据;第三确定模块630,用于根据覆被分类数据以及多个时间节点的丰度值数据,确定多年生植被的植被丰度值时间序列曲线;以及第四确定模块640,用于根据植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息。
可选地,第一确定模块610包括:第一确定子模块,用于根据多个时间节点的地表反射率数据,确定与预定数量的端元组分对应的地表纯净像元;第二确定子模块,用于根据多个时间节点的地表反射率数据以及地表纯净像元,确定预定数量的地表纯净像元分别对应的端元光谱曲线;以及第三确定子模块,用于利用线性光谱混合分解模型,根据端元光谱曲线,确定多个丰度值数据。
可选地,第一确定子模块包括:第一确定单元,用于利用主成分分析算法,对地表反射率数据进行数据降维,确定预定维度的波段数据;以及第二确定单元,用于对预定维度的波段数据进行几何顶点的端元提取,确定预定数量的地表纯净像元。
可选地,第二确定模块620包括:第四确定子模块,用于将预定数量端元组分分别对应的多个时间节点的丰度值数据进行组合,确定预定数量端元组分分别对应的多个时间序列丰度值数据;以及第五确定子模块,用于利用决策树方法,将多个时间序列丰度值数据进行逐像元分类,确定覆被分类数据。
可选地,第三确定模块630包括:第六确定子模块,用于根据覆被分类数据,确定预先设定的多年生植被对应的像元;以及第七确定子模块,用于根据多年生植被像元以及多个时间序列丰度值数据,确定植被丰度值时间序列曲线。
可选地,第四确定模块640包括:第八确定子模块,用于根据植被丰度值时间序列曲线,确定多年生植被的开始时间节点;第九确定子模块,用于根据多个时间节点以及开始时间节点,确定多年生植被的年龄及生长曲线;以及第十确定子模块,用于根据生长曲线,确定多年生植被的生长属性数据信息。
可选地,第十确定子模块包括:第三确定单元,用于根据开始时间节点以及植被丰度值时间序列曲线,确定多年生植被的拟合函数;以及第四确定单元,用于根据拟合函数,确定多年生植被的生长属性数据信息。
从而根据本实施例,提供的多年生植被生长属性的确定装置,通过多个时间节点的地表反射率数据确定多个端元组分的丰度值数据,然后进行覆被分类,确定覆被分类数据。最后根据覆被分类数据以及多个丰度值数据,确定多年生植被的生长属性数据信息。可以在不同区域上进行大范围高效、精确地林木经济作物(也可以是其他多年生植被类型的检测)的生长动态遥感监测以及关键属性数据信息制图,弥补基于统计和经验模型无法在不同时空上科学准确的反演林木经济作物生长动态的不足。进而解决了现有技术中存在的现有的林木年龄检测方法,由于受到土壤等背景因素的影响,得到的属性信息准确率低,并且无法表征林本实际生长过程的技术问题。
实施例3
图7示出了根据本实施例的第一个方面所述的多年生植被生长属性的确定装置700,该装置700与根据实施例1的第一个方面所述的方法相对应。参考图7所示,该装置700包括:处理器710;以及存储器720,与处理器710连接,用于为处理器710提供处理以下处理步骤的指令:根据预定区域内的多个时间节点的地表反射率数据,确定预定数量端元组分分别对应的多个丰度值数据,其中端元组分对应多个时间节点的丰度值数据;根据多个丰度值数据,确定覆被分类数据;根据覆被分类数据以及多个时间节点的丰度值数据,确定多年生植被的植被丰度值时间序列曲线;以及根据植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息。
可选地,根据预定区域内的多个时间节点的地表反射率数据,确定预定数量端元组分分别对应的多个丰度值数据的操作,包括:根据多个时间节点的地表反射率数据,确定与预定数量的端元组分对应的地表纯净像元;根据多个时间节点的地表反射率数据以及地表纯净像元,确定预定数量的地表纯净像元分别对应的端元光谱曲线;以及利用线性光谱混合分解模型,根据端元光谱曲线,确定多个丰度值数据。
可选地,根据地表反射率数据,确定与预定数量的端元组分对应的地表纯净像元的操作,包括:利用主成分分析算法,对地表反射率数据进行数据降维,确定预定维度的波段数据;以及对预定维度的波段数据进行几何顶点的端元提取,确定预定数量的地表纯净像元。
可选地,根据多个时间节点的丰度值数据,确定覆被分类数据的操作,包括:将预定数量端元组分分别对应的多个时间节点的丰度值数据进行组合,确定预定数量端元组分分别对应的多个时间序列丰度值数据;以及利用决策树方法,将多个时间序列丰度值数据进行逐像元分类,确定覆被分类数据。
可选地,根据覆被分类数据以及多个时间节点的丰度值数据,确定多年生植被的植被丰度值时间序列曲线的操作,包括:根据覆被分类数据,确定预先设定的多年生植被对应的像元;以及根据多年生植被像元以及多个时间序列植被丰度值数据,确定植被丰度值时间序列曲线。
可选地,根据植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息的操作,包括:根据植被丰度值时间序列曲线,确定多年生植被的开始时间节点;根据多个时间节点以及开始时间节点,确定多年生植被的年龄及生长曲线;以及根据生长曲线,确定多年生植被的生长属性数据信息。
可选地,根据生长曲线,确定多年生植被的生长属性数据信息的操作,包括:根据开始时间节点以及植被丰度值时间序列曲线,确定多年生植被的拟合函数;以及根据拟合函数,确定植被的生长属性数据信息。
从而根据本实施例,提供的多年生植被生长属性的确定装置,通过多个时间节点的地表反射率数据确定多个端元组分的丰度值数据,然后进行覆被分类,确定覆被分类数据。最后根据覆被分类数据以及多个丰度值数据,确定多年生植被的生长属性数据信息。可以在不同区域上进行大范围高效、精确地林木经济作物(也可以是其他多年生植被类型的检测)的生长动态遥感监测以及关键属性数据信息制图,弥补基于统计和经验模型无法在不同时空上科学准确的反演林木经济作物生长动态的不足。进而解决了现有技术中存在的现有的林木年龄检测方法,由于受到土壤等背景因素的影响,得到的属性信息准确率低,并且无法表征林本实际生长过程的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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 (6)
1. 一种多年生植被生长属性的确定方法,其特征在于,包括:
根据预定区域内的多个时间节点的地表反射率数据,确定预定数量端元组分分别对应的多个丰度值数据,其中所述端元组分对应多个时间节点的所述丰度值数据;
根据所述多个丰度值数据,确定覆被分类数据;
根据所述覆被分类数据以及所述多个时间节点的丰度值数据,确定多年生植被的植被丰度值时间序列曲线;
根据所述植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息;
根据预定区域内的多个时间节点的地表反射率数据,确定预定数量端元组分分别对应的多个丰度值数据的操作,包括:
根据所述多个时间节点的所述地表反射率数据,确定与所述预定数量的所述端元组分对应的地表纯净像元;
根据所述多个时间节点的所述地表反射率数据以及所述地表纯净像元,确定所述预定数量的所述地表纯净像元分别对应的端元光谱曲线;
利用线性光谱混合分解模型,根据所述端元光谱曲线,确定所述多个丰度值数据;
根据所述地表反射率数据,确定与所述预定数量的所述端元组分对应的地表纯净像元的操作,包括:
利用主成分分析算法,对所述地表反射率数据进行数据降维,确定预定维度的波段数据;
对所述预定维度的波段数据进行几何顶点的端元提取,确定所述预定数量的所述地表纯净像元;
根据所述植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息的操作,包括:
根据所述植被丰度值时间序列曲线,确定多年生植被的开始时间节点;
根据所述多个时间节点以及所述开始时间节点,确定所述多年生植被的年龄及生长曲线;
根据所述生长曲线,确定所述多年生植被的生长属性数据信息;
根据所述生长曲线,确定所述多年生植被的生长属性数据信息的操作,包括:
根据所述开始时间节点以及所述植被丰度值时间序列曲线,确定所述多年生植被的拟合函数;以及
根据所述拟合函数,确定所述多年生植被的生长属性数据信息。
2.根据权利要求1所述的方法,其特征在于,根据所述多个时间节点的丰度值数据,确定覆被分类数据的操作,包括:
逐像元计算所述地表反射率数据中预定数量的端元组分的丰度值,确定与所述预定数量的所述端元组分分别对应的多个丰度值数据;以及
利用决策树方法,将所述多个丰度值数据进行逐像元分类,确定所述覆被分类数据。
3.根据权利要求1所述的方法,其特征在于,根据所述覆被分类数据以及所述多个时间节点的丰度值数据,确定多年生植被时间序列曲线的操作,包括:
根据所述覆被分类数据,确定预先设定的多年生植被对应的多年生植被像元;以及
根据所述多年生植被像元以及所述多个时间节点的丰度值数据,确定所述多年生植被的植被丰度值时间序列曲线。
4.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行权利要求1至3中任意一项所述的方法。
5.一种多年生植被生长属性的确定装置,其特征在于,包括:
第一确定模块,用于根据预定区域内的多个时间节点的地表反射率数据,确定预定数量端元组分分别对应的多个丰度值数据,其中所述端元组分对应多个时间节点的所述丰度值数据;
第二确定模块,用于根据所述多个丰度值数据,确定覆被分类数据;
第三确定模块,用于根据所述覆被分类数据以及所述多个时间节点的丰度值数据,确定多年生植被的植被丰度值时间序列曲线;
第四确定模块,用于根据所述植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息;
第一确定模块610包括:第一确定子模块,用于根据多个时间节点的地表反射率数据,确定与预定数量的端元组分对应的地表纯净像元;
第二确定子模块,用于根据多个时间节点的地表反射率数据以及地表纯净像元,确定预定数量的地表纯净像元分别对应的端元光谱曲线;
第三确定子模块,用于利用线性光谱混合分解模型,根据端元光谱曲线,确定多个丰度值数据;
第一确定子模块包括:第一确定单元,用于利用主成分分析算法,对地表反射率数据进行数据降维,确定预定维度的波段数据;
第二确定单元,用于对预定维度的波段数据进行几何顶点的端元提取,确定预定数量的地表纯净像元;
第四确定模块640包括:第八确定子模块,用于根据植被丰度值时间序列曲线,确定多年生植被的开始时间节点;
第九确定子模块,用于根据多个时间节点以及开始时间节点,确定多年生植被的年龄及生长曲线;
第十确定子模块,用于根据生长曲线,确定多年生植被的生长属性数据信息;
第十确定子模块包括:第三确定单元,用于根据开始时间节点以及植被丰度值时间序列曲线,确定多年生植被的拟合函数;以及
第四确定单元,用于根据拟合函数,确定多年生植被的生长属性数据信息。
6.一种多年生植被生长属性的确定装置,其特征在于,包括:
处理器;以及
存储器,与所述处理器连接,用于为所述处理器提供处理以下处理步骤的指令:
根据预定区域内的多个时间节点的地表反射率数据,确定预定数量端元组分分别对应的多个丰度值数据,其中所述端元组分对应多个时间节点的所述丰度值数据;
根据所述多个丰度值数据,确定覆被分类数据;
根据所述覆被分类数据以及所述多个时间节点的丰度值数据,确定多年生植被的植被丰度值时间序列曲线;
根据所述植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息;
根据预定区域内的多个时间节点的地表反射率数据,确定预定数量端元组分分别对应的多个丰度值数据的操作,包括:
根据所述多个时间节点的所述地表反射率数据,确定与所述预定数量的所述端元组分对应的地表纯净像元;
根据所述多个时间节点的所述地表反射率数据以及所述地表纯净像元,确定所述预定数量的所述地表纯净像元分别对应的端元光谱曲线;
利用线性光谱混合分解模型,根据所述端元光谱曲线,确定所述多个丰度值数据;
根据所述地表反射率数据,确定与所述预定数量的所述端元组分对应的地表纯净像元的操作,包括:
利用主成分分析算法,对所述地表反射率数据进行数据降维,确定预定维度的波段数据;
对所述预定维度的波段数据进行几何顶点的端元提取,确定所述预定数量的所述地表纯净像元;
根据所述植被丰度值时间序列曲线,确定多年生植被的生长属性数据信息的操作,包括:
根据所述植被丰度值时间序列曲线,确定多年生植被的开始时间节点;
根据所述多个时间节点以及所述开始时间节点,确定所述多年生植被的年龄及生长曲线;
根据所述生长曲线,确定所述多年生植被的生长属性数据信息;
根据所述生长曲线,确定所述多年生植被的生长属性数据信息的操作,包括:
根据所述开始时间节点以及所述植被丰度值时间序列曲线,确定所述多年生植被的拟合函数;以及
根据所述拟合函数,确定所述多年生植被的生长属性数据信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111584930.2A CN113963263B (zh) | 2021-12-23 | 2021-12-23 | 多年生植被生长属性的确定方法、装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111584930.2A CN113963263B (zh) | 2021-12-23 | 2021-12-23 | 多年生植被生长属性的确定方法、装置以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113963263A CN113963263A (zh) | 2022-01-21 |
CN113963263B true CN113963263B (zh) | 2022-03-11 |
Family
ID=79473686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111584930.2A Active CN113963263B (zh) | 2021-12-23 | 2021-12-23 | 多年生植被生长属性的确定方法、装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113963263B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116469016A (zh) * | 2023-04-28 | 2023-07-21 | 银河航天(成都)通信有限公司 | 基于丰度值的植被状态监控方法、装置和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102690820A (zh) * | 2011-03-25 | 2012-09-26 | 中国科学院上海生命科学研究院 | 大白菜叶绿体来源的小rna及其热响应作用 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6608931B2 (en) * | 2001-07-11 | 2003-08-19 | Science Applications International Corporation | Method for selecting representative endmember components from spectral data |
US9031287B2 (en) * | 2012-12-28 | 2015-05-12 | Weyerhaeuser Nr Company | System and method for estimating ages of forests from remotely sensed images |
CN103258330B (zh) * | 2013-05-24 | 2015-08-26 | 大连海事大学 | 一种高光谱图像端元丰度的估计方法 |
CN107389036B (zh) * | 2017-08-02 | 2019-07-12 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
CN109360117A (zh) * | 2018-10-08 | 2019-02-19 | 西充恒河农牧业开发有限公司 | 一种农作物种植模式识别方法 |
CN111860328B (zh) * | 2020-07-21 | 2021-04-06 | 杭州时光坐标影视传媒股份有限公司 | 一种基于双向反射函数和森林场景光照效果建模的生物量估算方法 |
CN112348812B (zh) * | 2020-12-04 | 2024-04-26 | 南京大学 | 林分年龄信息测量方法及装置 |
CN113255491A (zh) * | 2021-05-17 | 2021-08-13 | 福州大学 | 一种基于随机森林的线性光谱分解方法 |
CN113317105A (zh) * | 2021-06-28 | 2021-08-31 | 中国林业科学研究院林业研究所 | 基于植物功能群构建的杉木林土壤生态服务功能提升方法 |
CN113643409B (zh) * | 2021-08-24 | 2022-03-18 | 中国农业大学 | 植被生产速率的表征方法、装置以及存储介质 |
CN113469586B (zh) * | 2021-09-02 | 2021-12-07 | 中国农业大学 | 土地系统状态的评估方法、装置以及存储介质 |
-
2021
- 2021-12-23 CN CN202111584930.2A patent/CN113963263B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102690820A (zh) * | 2011-03-25 | 2012-09-26 | 中国科学院上海生命科学研究院 | 大白菜叶绿体来源的小rna及其热响应作用 |
Also Published As
Publication number | Publication date |
---|---|
CN113963263A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pôças et al. | Remote sensing for estimating and mapping single and basal crop coefficientes: A review on spectral vegetation indices approaches | |
Ballesteros et al. | Vineyard yield estimation by combining remote sensing, computer vision and artificial neural network techniques | |
Kayad et al. | How many gigabytes per hectare are available in the digital agriculture era? A digitization footprint estimation | |
Liu et al. | Estimation of potato above-ground biomass based on unmanned aerial vehicle red-green-blue images with different texture features and crop height | |
Ballesteros et al. | Characterization of Vitis vinifera L. canopy using unmanned aerial vehicle-based remote sensing and photogrammetry techniques | |
Bai et al. | Jujube yield prediction method combining Landsat 8 Vegetation Index and the phenological length | |
CN111008733B (zh) | 一种作物生长管控方法和系统 | |
CN112364681B (zh) | 基于二维表的植被覆盖度估算方法及装置 | |
Yang et al. | A VI-based phenology adaptation approach for rice crop monitoring using UAV multispectral images | |
Ohana-Levi et al. | Time-series clustering of remote sensing retrievals for defining management zones in a vineyard | |
CN113963263B (zh) | 多年生植被生长属性的确定方法、装置以及存储介质 | |
Parreiras et al. | Using unmanned aerial vehicle and machine learning algorithm to monitor leaf nitrogen in coffee | |
Carrasco-Benavides et al. | Assessment of an automated digital method to estimate leaf area index (LAI) in cherry trees | |
Mostafa et al. | Using LiDAR technique and modified Community Land Model for calculating water interception of cherry tree canopy | |
Liu et al. | Evaluating how lodging affects maize yield estimation based on UAV observations | |
Bao et al. | Forecasting spring maize yield using vegetation indices and crop phenology metrics from UAV observations | |
Tang et al. | Estimation of tomato water status with photochemical reflectance index and machine learning: Assessment from proximal sensors and UAV imagery | |
Eugenio et al. | Estimated flooded rice grain yield and nitrogen content in leaves based on RPAS images and machine learning | |
Garrido-Rubio et al. | Remote sensing-based soil water balance for irrigation water accounting at the Spanish Iberian Peninsula | |
Chen et al. | A novel framework to assess apple leaf nitrogen content: Fusion of hyperspectral reflectance and phenology information through deep learning | |
CN111721711A (zh) | 耕地变化检测方法、装置、电子设备和存储介质 | |
Lakso et al. | Integrating physiological models in applied fruit crop research | |
Sarron et al. | Assessing production gaps at the tree scale: definition and application to mango (Mangifera indica L.) in West Africa | |
Ngo et al. | Unmanned aerial vehicle imaging application for crop health in rice field | |
Kirui et al. | Calibration and parameterization of APSIM-wheat using earth observation data for wheat simulation in Kenya |
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 |