CN113963275A - 一种冬小麦、土地农作物的遥感识别方法及遥感识别系统 - Google Patents
一种冬小麦、土地农作物的遥感识别方法及遥感识别系统 Download PDFInfo
- Publication number
- CN113963275A CN113963275A CN202111187963.3A CN202111187963A CN113963275A CN 113963275 A CN113963275 A CN 113963275A CN 202111187963 A CN202111187963 A CN 202111187963A CN 113963275 A CN113963275 A CN 113963275A
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- identification
- crop
- characteristic index
- index parameter
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种冬小麦、土地农作物的遥感识别方法及遥感识别系统,遥感识别方法包括:利用目标区域过往的冬小麦分布数据,获取冬小麦的解译样本点采集范围,以在该范围内选取解译样本点;以及获取目标区域的多光谱影像,根据多光谱影像计算其各个栅格像元对应的冬小麦特征指数参量值,并从中提取出样本点对应的冬小麦特征指数参量值;以及将各个栅格像元对应的特征指数参量值输入预构建的冬小麦识别模型;以及冬小麦识别模型对目标区域的多光谱影像的各个栅格像元进行识别,识别结果为该栅格像元的农作物属性为冬小麦,或为其他地物。本发明利用过往成果数据,减少人工操作,高效精准识别冬小麦,以确定区域内的生长布局。
Description
技术领域
本发明涉及农作物遥感识别领域,尤其涉及一种冬小麦、土地农作物的遥感识别方法及遥感识别系统。
背景技术
冬小麦作为我国主要的越冬粮食作物,在粮食生产中占据重要地位,因此高效精准的识别出冬小麦,进而分析获得冬小麦种植面积和产量数据,为决策者及时掌握冬小麦种植情况、准确预估夏粮产量,从而科学研判粮食生产形势提供了科学有效的参考意见,对保障粮食生产、解决粮食安全问题具有重要意义。
目前,针对农作物的监测识别方法主要分为监督分类方法和非监督分类方法。监督分类方法是利用已知样本训练机器掌握各种类别的特征,按照选定分类规则进行分类的过程,常见的监督分类方法包括最大似然法、最小距离法等。监督分类结果精度普遍较高、后续操作简单,但由于需要采集足够数量的训练样本,且训练样本需要有一定的代表性,因此需要耗费一定的人力物力及时间且监测成果会受主观因素影响。非监督分类方法是指分类过程不施加先验知识,机器根据地物光谱特征自动进行分类,分类结果不具有属性信息,属性类别需要进行后续对比分析判定,常见的非监督分类方法包括K-均值法、ISODATA法等。非监督分类方法的优势在于前期分类过程简便易操作,减小了主观因素影响,但后续操作流程繁琐、分类精度较之监督分类较低。
综上,目前的监督分类方法和非监督分类方法流程均过于复杂,因此无法方便且快捷地解决农作物的监测识别问题。
发明内容
为了解决现有技术的问题,本发明提供了一种冬小麦、土地农作物的遥感识别方法及遥感识别系统,技术方案如下:
一方面,本发明提供了一种土地农作物的遥感识别方法,用于对目标区域的冬小麦作出识别,所述遥感识别方法包括以下步骤:
利用所述目标区域过往的冬小麦分布数据,获取冬小麦的解译样本点采集范围,以在该解译样本点采集范围内选取多个解译样本点;以及
获取所述目标区域的多光谱影像,根据所述多光谱影像计算其各个栅格像元对应的冬小麦特征指数参量值,并从中提取出各个解译样本点对应的冬小麦特征指数参量值;以及
将各个栅格像元对应的冬小麦特征指数参量值输入预构建的冬小麦识别模型,所述冬小麦识别模型与各个解译样本点对应的冬小麦特征指数参量值相关;以及
所述冬小麦识别模型对所述目标区域的多光谱影像的各个栅格像元进行识别,识别结果为该栅格像元的农作物属性为冬小麦,或为其他地物。
进一步地,所述冬小麦特征指数参量为冬小麦抽穗期归一化植被指数和/或冬小麦抽穗期与收获期归一化植被指数差值,其计算公式分别为:
ΔNDVI=NDVI抽穗期-NDVI收获期,其中,NDVI抽穗期为抽穗期的归一化植被指数,NDVI收获期为收获期的归一化植被指数,ΔNDVI为抽穗期与收获期归一化植被指数差值。
进一步地,预构建的冬小麦识别模型以冬小麦抽穗期NDVI以及冬小麦抽穗期与收获期ΔNDVI作为模型特征参量;且
若目标区域的多光谱影像的栅格像元对应的NDVI以及ΔNDVI满足:NDVI∈T1且ΔNDVI∈T2,其中,T1为根据各个解译样本点对应的冬小麦抽穗期NDVI而确定的阈值范围,T2为根据各个解译样本点对应的冬小麦抽穗期与收获期归一化植被指数差值ΔNDVI而确定的阈值范围,则识别结果为该栅格像元的农作物属性为冬小麦,否则识别结果为该栅格像元的农作物属性为其他地物。
进一步地,所述利用遥感技术采集目标区域的多光谱影像及其各个栅格像元的多光谱数据进一步包括:
在冬小麦抽穗期期间,获取所述目标区域的多光谱影像及其各个栅格像元的近红外波段的反射值和红光波段的反射值,进而计算得到各个栅格像元对应的冬小麦抽穗期NDVI抽穗期;
在冬小麦收获期期间,获取所述目标区域的多光谱影像及其各个栅格像元的近红外波段的反射值和红光波段的反射值,进而计算得到各个栅格像元对应的冬小麦收获期NDVI收获期;
进而根据各个栅格像元对应的冬小麦抽穗期NDVI抽穗期和冬小麦收获期NDVI收获期计算各个栅格像元对应的冬小麦抽穗期与收获期归一化植被指数差值ΔNDVI。
进一步可选地,通过以下任一方式获取所述目标区域的多光谱影像:
下载或采购遥感数据,以获取所述目标区域的多光谱影像,进而获取其各个栅格像元的近红外波段的反射值和红光波段的反射值,所述遥感数据包括卫星影像;或者
利用无人机载多光谱成像装置,在所述目标区域的上方对其进行检测,得到所述目标区域的多光谱影像,进而获取其各个栅格像元的近红外波段的反射值和红光波段的反射值。
进一步地,所述冬小麦识别模型与各个解译样本点对应的冬小麦特征指数参量值相关包括:
根据各个解译样本点对应的冬小麦特征指数参量值,利用数学方法计算冬小麦识别模型的识别阈值上限值和识别阈值下限值,所述识别阈值上限值与识别阈值下限值的区间构成所述冬小麦识别模型的特征指数参量识别阈值范围,其中,所述数学方法包括箱式图分析法或K均值聚类算法或正态分布判断方法或格拉布斯检验法;
其中,若所述目标区域的多光谱影像的栅格像元对应的冬小麦特征指数参量值处于所述冬小麦识别模型的特征指数参量识别阈值范围,则识别结果为该栅格像元的农作物属性为冬小麦。
进一步地,所述冬小麦识别模型的识别阈值上限值和识别阈值下限值利用箱式图分析法计算得到,基于各个解译样本点对应的冬小麦特征指数参量值由小到大排列得到的顺序数据集合,计算公式包括:
Qmax=Min[(Q3+1.5*IQR),Xmax],其中,Qmax为识别阈值上限值,Q3为所述顺序数据集合的上四分位数,Xmax为所述顺序数据集合的最大值,Min[]为取小函数;
Qmin=Max[(Q1-1.5*IQR),Xmin],其中,Qmin为识别阈值下限值,Q1为所述顺序数据集合的下四分位数,Xmin为所述顺序数据集合的最小值,Max[]为取大函数;
其中,IQR为四分位数间距,其计算公式为IQR=Q3-Q1。
进一步地,所述利用所述目标区域过往的冬小麦分布数据,获取冬小麦的解译样本点采集范围进一步包括:
获取目标区域过往的冬小麦分布栅格数据,利用数据转换工具将其数据格式由栅格数据转换为矢量图斑;
对转换后的矢量图斑的区域进行汇总处理,得到所述目标区域的冬小麦的解译样本点采集范围。
进一步地,在所获取的冬小麦的解译样本点采集范围内随机生成预设数量的解译样本点,生成的解译样本点满足以下条件:
所述解译样本点的密度大于或等于预设的亩均点数阈值,及/或,任意两个解译样本点之间的距离均大于或等于预设的距离阈值。
进一步地,在所述冬小麦识别模型对所述目标区域的多光谱影像的全部栅格像元进行识别之后,还包括通过以下步骤对识别结果进行验证:
在所述目标区域内设定多个验证点,并根据高分辨率影像或地面实际调查数据确定各个验证点的农作物属性;以及
匹配所述验证点在所述目标区域的多光谱影像上的栅格像元,以确定所述冬小麦识别模型识别所匹配的栅格像元的农作物属性;
统计出所述冬小麦识别模型正确识别的验证点个数、错误识别的验证点个数,利用混淆矩阵计算Kappa系数。
进一步地,若Kappa系数的计算结果低于预设的合格精度值,则在解译样本点采集范围内重新选取解译样本点和/或调整解译样本点的选取数量,重新对目标区域的冬小麦作出遥感识别。
另一方面,本发明提供了一种土地农作物的遥感识别方法,用于对目标区域的目标作物作出识别,利用所述目标区域过往的目标作物的历史分布数据,获取所述目标作物的解译样本点采集范围,以在该解译样本点采集范围内选取多个解译样本点;以及
获取所述目标区域的多光谱影像及其各个栅格像元的多光谱数据,根据所述多光谱数据计算各个栅格像元对应的农作物特征指数参量值,并从中提取出各个解译样本点对应的农作物特征指数参量值;以及
根据数学方法对所述多个解译样本点对应的农作物特征指数参量值进行数据处理,得到该目标作物的特征指数参量识别阈值范围;以及
对所述目标区域的多光谱影像的各个栅格像元进行判别,若该栅格像元对应的农作物特征指数参量值介于所述目标作物的特征指数参量识别阈值范围内,则判定该栅格像元的属性为目标作物,否则判定其属性为其他地物。
其中,所述获取所述目标作物的解译样本点采集范围进一步包括:
获取目标区域过往的目标作物的分布栅格数据,利用数据转换工具将其数据格式由栅格数据转换为矢量图斑;
对转换后的矢量图斑的区域进行汇总,得到所述目标区域的目标作物的解译样本点采集范围。
进一步地,通过以下方式得到该目标作物的特征指数参量识别阈值范围:
利用箱式图分析法或K均值聚类算法或正态分布判断方法或格拉布斯检验法对多个解译样本点对应的农作物特征指数参量值进行计算,得到识别阈值上限值和识别阈值下限值,所述识别阈值上限值与识别阈值下限值的区间构成所述特征指数参量识别阈值范围。
进一步地,所述农作物特征指数参量根据目标作物的生育期特征而择取,并根据所述农作物特征指数参量构建识别模型;并获取相应的生育期时期的目标区域的多光谱影像及其各个栅格像元的多光谱数据。
进一步地,所述目标作物为冬小麦,对应的农作物特征指数参量为冬小麦抽穗期归一化植被指数、冬小麦抽穗期与收获期归一化植被指数差值、冬小麦抽穗期蓝波段、冬小麦抽穗期绿波段中的任一种或者多种的组合;或者,
所述目标作物为水稻,对应的农作物特征指数参量为水稻抽穗期归一化植被指数和/或水稻泡田期水体指数;或者,
所述目标作物为玉米,对应的农作物特征指数参量为玉米抽穗期归一化植被指数、玉米抽穗期红边参数、玉米抽穗期蓝波段、玉米抽穗期绿波段中的任一种或者多种的组合。
进一步地,所述目标作物为冬小麦,所述农作物特征指数参量为冬小麦抽穗期归一化植被指数和/或冬小麦抽穗期与收获期归一化植被指数差值,其计算公式分别为:
ΔNDVI=NDVI抽穗期-NDVI收获期,其中,NDVI抽穗期为抽穗期的归一化植被指数,NDVI收获期为收获期的归一化植被指数,ΔNDVI为抽穗期与收获期归一化植被指数差值。
再一方面,本发明提供了一种土地农作物的遥感识别系统,包括以下模块:
遥感数据获取模块,用于获取目标区域的多光谱影像及其各个栅格像元的多光谱数据;
历史分布数据存储模块,用于存储目标区域过往的目标作物的分布栅格数据;
解译样本点选取模块,用于将所述目标区域过往的目标作物的分布栅格数据转换为矢量图斑,并在转换后的矢量图斑汇总得到的解译样本点采集范围内随机生成预设数量的解译样本点;
农作物特征指数参量值计算模块,用于根据所述遥感数据获取模块所获取的多光谱数据计算各个栅格像元对应的农作物特征指数参量值;
模型识别阈值计算模块,用于从所述农作物特征指数参量值计算模块的计算结果中提取各个解译样本点对应的农作物特征指数参量值,并利用数学方法计算农作物识别模型的识别阈值上限值和识别阈值下限值,所述识别阈值上限值与识别阈值下限值的区间构成冬小麦识别模型的特征指数参量识别阈值范围,其中,所述数学方法包括箱式图分析法或K均值聚类算法或正态分布判断方法或格拉布斯检验法;
农作物识别模型模块,根据所述模型识别阈值计算模块所计算得到的特征指数参量识别阈值范围,对目标区域的多光谱影像的各个栅格像元进行识别,识别结果为该栅格像元的农作物属性为目标作物,或为其他地物。
本发明提出了一种针对冬小麦的遥感识别方法,根据冬小麦生长发育特征,选取最优特征参量构建模型,同时利用过往成果,通过统计学原理快速获取模型阈值,从而实现冬小麦的高效精准识别。本发明提供的技术方案带来的有益效果如下:
a.在利用过往已有成果基础上获取冬小麦解译样本点,同时运用箱式图算法可以剔除异常值,筛选出样本点特征参量的正确数值范围作为模型阈值,从而实现冬小麦的快速识别监测;
b.降低解译样本点选取过程中的人工干预,减少采集大量解译样本点带来的复杂工作量,提高监测精度和效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本公开的一个示例性实施例提供的冬小麦的遥感识别方法的流程示意图;
图2为本公开的一个示例性实施例提供的冬小麦监测模型的判别流程示意图;
图3为本公开的一个示例性实施例提供的温县2019年冬小麦分布栅格数据示意图;
图4为本公开的一个示例性实施例提供的基于图3的分布栅格数据而确定的冬小麦解译样本点采集范围数据的示意图;
图5为本公开的一个示例性实施例提供的基于图4的解译样本点采集范围而选取解译样本点的分布示意图;
图6为本公开的一个示例性实施例提供的图5中解译样本点的NDVI值散点示意图;
图7为本公开的一个示例性实施例提供的图5中解译样本点的ΔNDVI值散点示意图;
图8为本公开的一个示例性实施例提供的温县2020年冬小麦分布栅格数据示意图;
图9为本公开的一个示例性实施例提供的土地农作物的遥感识别系统的示意模块框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,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、装置、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他步骤或单元。
本发明的发明构思如下:农作物随着生长发育,光谱特征变化呈现一定的规律性,不同农作物因为生育期不同,光谱特征变化规律也具有差异性。本发明利用农作物光谱特征及生长发育过程中光谱变化的规律性、差异性可以有效区分目标作物。因此提出了一种依据冬小麦生长发育特征,结合种植制度,选用冬小麦抽穗期NDVI、抽穗期与收获期NDVI差值ΔNDVI构建模型,同时利用过往成果获取样本点,通过统计学原理获取样本点正常值范围作为模型阈值实现冬小麦的高效精准识别。具体地,本发明提出一种运用决策树分类方法结合统计学原理的针对冬小麦的识别方法。充分利用冬小麦生长发育特征,选用冬小麦抽穗期NDVI、抽穗期与收获期差值ΔNDVI构建识别模型。同时利用过往成果数据,通过随机采样获取冬小麦样本点,运用箱式图算法筛选出冬小麦样本点特征参量的正常值范围作为模型阈值,从而实现冬小麦的高效精准识别。识别方法在保证识别精度的同时,降低了解译样本点选取过程中的人工干预,减少采集大量解译样本点带来的复杂工作量,提高识别的精度和效率。
在本发明的一个实施例中,提供了一种冬小麦的遥感识别方法,用于对目标区域的冬小麦作出识别,参见图1,所述遥感识别方法包括以下步骤:
利用所述目标区域过往的冬小麦分布数据,获取冬小麦的解译样本点采集范围,以在该解译样本点采集范围内选取多个解译样本点;以及
获取所述目标区域的多光谱影像,根据所述多光谱影像计算其各个栅格像元对应的冬小麦特征指数参量值,并从中提取出各个解译样本点对应的冬小麦特征指数参量值;以及
将各个栅格像元对应的冬小麦特征指数参量值输入预构建的冬小麦识别模型,所述冬小麦识别模型与各个解译样本点对应的冬小麦特征指数参量值相关;以及
所述冬小麦识别模型对所述目标区域的多光谱影像的各个栅格像元进行识别,识别结果为该栅格像元的农作物属性为冬小麦,或为其他地物。
本发明并不严格限定以上各个步骤的先后顺序,在合理范围内可以适应性调整或改变各步骤的先后顺序,下面以其中一种可行的顺序作为举例:
选取河南省焦作市温县为研究区域,基于sentinel-210m分辨率遥感影像,运用决策树分类方法,利用已有温县2019年冬小麦分布格局数据,按照本方案高效精准获取温县2020年冬小麦分布格局数据。
步骤一:利用过往成果获取冬小麦样本点采集范围。选取河南省焦作市温县为目标区域进行研究,获取温县2019年度冬小麦分布格局数据,参见图3,利用数据转换工具将栅格数据转换为矢量图斑。逐个图斑计算矢量面积S矢量,筛选出所有S矢量≥1亩的矢量图斑,合并所有图斑形成目标区域冬小麦解译样本点的采集范围,参见图4。
具体地,数据转换和计算图斑的矢量面积均可采用现有的ArcGIS10.4软件工具,转换前的栅格数据和转换后的矢量图斑均具有位置坐标信息。
其中,通过排除S矢量<1亩的矢量图斑,可以有效避免错误的样本点的区域被纳入解译样本点的采集范围,以保证解译样本点的采集范围的准确性,进而提高下一步选取解译样本点的精度和准确度。
但是本发明不限定矢量面积的临界值为1亩,具体数值可以视不同情况调整/设定,比如,也可以为0.1亩-0.5亩,或者1.1亩-1.5亩。这里的数值以及下文涉及到数值的部分均为举例,而不应作为限定本发明要求的保护范围的依据。
步骤二:在冬小麦样本点采集范围内获取解译样本点。在温县冬小麦解译样本点采集范围内通过随机采样获取冬小麦解译样本点,参见图5,具体解译样本点数量N依据冬小麦样本点采集范围的矢量面积设定,保证解译样本点密度P密度≥500亩/点,同时将解译样本点之间最小距离限定为100米。
同样地,样本点密度和解译样本点之间最小距离的设定临界值可以调整。
其中,解译样本点密度P密度≥500亩/点即至少每500亩内需要设置一个解译样本点,设置一个最低限制可以确保在解译样本点采集范围内不至于过分松散地选取样本点,同时避免样本点过少导致样本不具代表性而影响精度;限定相邻两个解译样本点之间的最小距离可以避免样本点过于密集造成后续分析误差,比如在解译样本点采集范围内不同区域的冬小麦成熟度不同的情况下,会影响相应的冬小麦特征指数参量值有所不同,假如过分密集地在小区域采集采样点,对于确定整体采集范围内的冬小麦特征指数参量值显然是会带来较大误差的。
在本发明的一个实施例中,在该解译样本点采集范围内选取多个解译样本点之后,根据冬小麦的种植地地形特征参量,对所选取的解译样本点进行筛选,包括:
获取各个被选取的解译样本点处的坡度数据,并将其与预设的坡度阈值进行比较,若超过所述预设的坡度阈值,则筛除对应的样本点。具体地,根据农学先验知识,冬小麦生长发育期间耗水量大,需要灌溉,为避免水土流失,冬小麦基本种植于坡度平缓、地势平坦的区域,利用上述特征,基于地形数据,利用提取工具从地形数据中获取解译样本点的坡度数据Pslope,筛除掉Pslope>6°的解译样本点,以剩余的解译样本点继续执行下面的步骤。
步骤三:结合目标作物生长发育特征构建监测模型。根据农学先验知识,四月份冬小麦处于抽穗期,生长状况高于同期多数地物,六月份冬小麦因收获植被指数大幅减小,同时期其他地物无明显变化。利用上述特征,选取冬小麦抽穗期归一化植被指数NDVI、抽穗期与收获期归一化植被指数差值ΔNDVI作为特征参量构建识别模型,具体步骤如下:
条件①:NDVI∈T1,若条件为真,则进行步骤②判断,否则像元判别为其他地物;
条件②:ΔNDVI∈T2,若条件为真,则像元判别为冬小麦,否则像元判别为其他地物。
或者将上述条件①与②对调判别顺序,总之,两个条件均满足,则像元判别为冬小麦,否则判别为其他地物。
其中,冬小麦抽穗期归一化植被指数NDVI、抽穗期与收获期归一化植被指数差值ΔNDVI的计算公式分别为:
ΔNDVI=NDVI抽穗期-NDVI收获期,其中,NDVI抽穗期为抽穗期的归一化植被指数,NDVI收获期为收获期的归一化植被指数,ΔNDVI为抽穗期与收获期归一化植被指数差值。
其中,T1、T2为阈值范围,此步骤为构建监测模型,下一步骤为根据步骤二中获取的解译样本点来确定T1、T2的阈值范围。
显然,这一步骤可以先于步骤一执行。
步骤四:获取所述目标区域的多光谱影像,再根据解译样本点分析结果设定阈值识别冬小麦。根据目标区域冬小麦生育期特征及影像情况,获取目标区域符合质量要求的冬小麦抽穗期和收获期影像影像,叠加运算获取冬小麦抽穗期NDVI和差值ΔNDVI,至此的这一步骤可以先于步骤一或者步骤三执行。利用提取工具,获取解译样本点NDVI值和ΔNDVI值,分别参见图6和图7。运用箱式图分析法分别计算解译样本点NDVI和ΔNDVI的上边缘Qmax及下边缘Qmin数值,计算结果作为模型阈值识别冬小麦。
具体地,通过以下任一方式获取所述目标区域的多光谱影像:
下载或采购遥感数据,以获取所述目标区域的多光谱影像,进而获取其各个栅格像元的近红外波段的反射值和红光波段的反射值,所述遥感数据包括卫星影像;或者
利用无人机载多光谱成像装置,在所述目标区域的上方对其进行检测,得到所述目标区域的多光谱影像,进而获取其各个栅格像元的近红外波段的反射值和红光波段的反射值。
首先以NDVI值的模型阈值T1的上边缘Qmax及下边缘Qmin数值的计算方法进行说明:
基于如图6所示的各个解译样本点对应的冬小麦NDVI抽穗期由小到大排列得到的顺序数据集合,利用如下公式计算T1的上边缘Qmax及下边缘Qmin:
Qmax=Min[(Q3+1.5*IQR),Xmax],其中,Qmax为识别阈值上限值,Q3为所述顺序数据集合的上四分位数,Xmax为所述顺序数据集合的最大值,Min[]为取小函数;
Qmin=Max[(Q1-1.5*IQR),Xmin],其中,Qmin为识别阈值下限值,Q1为所述顺序数据集合的下四分位数,Xmin为所述顺序数据集合的最小值,Max[]为取大函数;
其中,IQR为四分位数间距,其计算公式为IQR=Q3-Q1,Q3和Q1分别为上四分位数和下四分位数,是样本中所有数值由小到大排列后第i项和第j项数值。
其中,i=3*(n+1)/4,j=(n+1)/4,n为NDVI抽穗期由小到大排列得到的顺序数据集合的样本点数,通过上式可知,i和j有可能为整数(小数部分为0),也可能为非整数。
Q3=Xi+(Xi+1-Xi)*i的小数部分,其中,Xi为所述顺序数据集合的第i位,Xi+1为所述顺序数据集合的第i+1位;
Q1=Xj+(Xj+1-Xj)*j的小数部分,其中,Xj为所述顺序数据集合的第j位,Xj+1为所述顺序数据集合的第j+1位。
ΔNDVI值的模型阈值T2的上边缘Qmax及下边缘Qmin数值的计算方法同理于上,即以如图7所示的各个解译样本点对应的冬小麦抽穗期与收获期归一化植被指数差值ΔNDVI由小到大排列得到的顺序数据集合,利用如上相同的公式计算T2的上边缘Qmax及下边缘Qmin。
在本发明的一个实施例中,解译样本点的NDVI抽穗期和ΔNDVI箱式图法分析结果如表1所示:
表1解译样本点的抽穗期NDVI和差值ΔNDVI箱式图法分析结果
以上表1的数据,则
T1∈[069,0.90],
T2∈[0.48,0.77],
则利用冬小麦识别模型/监测模型对所述目标区域的多光谱影像的各个栅格像元进行识别的流程图参见图2,识别得到的冬小麦分布示意图如图8所示。
这一步骤的机理在于,通过过往成果获取的样本点,大致上是具备参考意义的,但是也不排除有变化的因素,比如上一年度是种植冬小麦的区域,下一年度改种植其他作物,这种情况下,该区域标定的解译样本点就不具备参考意义,因此,需要将其对应的栅格数据计算出的NDVI抽穗期和/或ΔNDVI从上边缘Qmax及下边缘Qmin形成的识别阈值范围内剔除。但是本发明并不限定采用箱式图分析法这一种数学方法在一堆数据中删除部分明显不符合大体特征的异常数据。
比如,常见的数学方法中还可以采用K均值聚类算法或正态分布判断方法或格拉布斯检验法来确定T1、T2各自的上下临界值(Qmax,Qmin)。以K均值聚类算法举例,比如可以运用SPSS软件,利用K均值聚类分析将NDVI抽穗期样本点分为两类,其中,NDVI抽穗期数值大的一类的NDVI值范围作为模型阈值T1;利用K均值聚类分析将ΔNDVI样本点分为两类,其中,ΔNDVI数值大的一类的ΔNDVI值范围作为模型阈值T2。
本实施例进一步依据国家标准对本发明识别结果进行精度评价。参照《数字测绘成果质量检查与验收》国家标准,在温县范围内随机生成300个验证点,以高分辨影像或地面实际调查数据为依据判别验证点的真实类型,与遥感分类结果作对比,统计出正确分类、错误分类及遗漏分类的验证点个数,参见表2,利用混淆矩阵分别计算Kappa系数、制图精度及用户精度。
表2温县2020年冬小麦监测结果精度检验表
其中,Kappa系数计算公式如下:
本实施例计算得到的Kappa系数超过0.88,表明本实施例提供的冬小麦的遥感识别方法精度较高,具有较大的实践意义。
若Kappa系数的计算结果低于预设的合格精度值,则说明与2019年的冬小麦分布栅格数据相比,2020年的冬小麦种植情况可能发生了大的变化,比如2019年种植冬小麦的区域2020年改种其他地物了,或者解译样本点的采集范围确定有误差,或者解译样本点的选取有误差,或者解译样本点的数量不够、过多、过密或过疏,进而需要重新确定解译样本点采集范围,或者在解译样本点采集范围内重新选取解译样本点和/或调整解译样本点的选取数量,或者改变解译样本点的生成密度或相邻间距,重新对目标区域的冬小麦作出遥感识别。
上述实施例,依据冬小麦生长发育特征,以冬小麦抽穗期归一化植被指数NDVI、抽穗期与收获期归一化植被指数差值ΔNDVI共同作为监测模型的特征参量,以排除其他地物干扰、精准识别冬小麦,但是本发明不限定以上为唯一的监测模型,比如,单以冬小麦抽穗期归一化植被指数NDVI、或者单以冬小麦抽穗期与收获期归一化植被指数差值ΔNDVI作为监测模型的特征参量,也是可行的监测模型的实施方案。
本发明也不限定以其他农作物特征指数参量构建识别模型的实施方案,本发明也不排除以上归一化植被指数作为除冬小麦以外的农作物的监测模型的特征参量,也不限定除冬小麦以外的农作物的监测模型以其他农作物特征指数参量构建识别模型,在本发明的一个实施例中,提供了一种土地农作物的遥感识别方法,用于对目标区域的目标作物作出识别:
利用所述目标区域过往的目标作物的历史分布数据,获取所述目标作物的解译样本点采集范围,以在该解译样本点采集范围内选取多个解译样本点;以及
获取所述目标区域的多光谱影像及其各个栅格像元的多光谱数据,根据所述多光谱数据计算各个栅格像元对应的农作物特征指数参量值,并从中提取出各个解译样本点对应的农作物特征指数参量值;以及
根据数学方法对所述多个解译样本点对应的农作物特征指数参量值进行数据处理,得到该目标作物的特征指数参量识别阈值范围;以及
对所述目标区域的多光谱影像的各个栅格像元进行判别,若该栅格像元对应的农作物特征指数参量值介于所述目标作物的特征指数参量识别阈值范围内,则判定该栅格像元的属性为目标作物,否则判定其属性为其他地物。
上述数学方法具体可以通过以下方式得到该目标作物的特征指数参量识别阈值范围:
利用箱式图分析法或K均值聚类算法或正态分布判断方法或格拉布斯检验法对多个解译样本点对应的农作物特征指数参量值进行计算,得到识别阈值上限值和识别阈值下限值,所述识别阈值上限值与识别阈值下限值的区间构成所述特征指数参量识别阈值范围。
其中,所述农作物特征指数参量根据目标作物的生育期特征而择取,并根据所述农作物特征指数参量构建识别模型;并获取相应的生育期时期的目标区域的多光谱影像及其各个栅格像元的多光谱数据,比如:目标作物为冬小麦,根据其生育期特征可以选择抽穗期的归一化植被指数和/或抽穗期与收获期归一化植被指数差值作为其对应的农作物特征指数参量来构建识别模型,也可以选择抽穗期蓝波段或绿波段作为农作物特征指数参量;再比如农作物为水稻,可以选择泡田期的水体指数和/或抽穗期归一化植被指数作为农作物特征指数参量;再比如农作物为玉米,可以选择抽穗期归一化植被指数和/或抽穗期红边参数和/或抽穗期蓝波段和/或抽穗期绿波段作为农作物特征指数参量。
在本发明的一个实施例中,提供了一种土地农作物的遥感识别系统,参见图9,所述遥感识别系统包括以下模块:
遥感数据获取模块,用于获取目标区域的多光谱影像及其各个栅格像元的多光谱数据;
历史分布数据存储模块,用于存储目标区域过往的目标作物的分布栅格数据;
解译样本点选取模块,用于将所述目标区域过往的目标作物的分布栅格数据转换为矢量图斑,并在转换后的矢量图斑汇总得到的解译样本点采集范围内随机生成预设数量的解译样本点;
农作物特征指数参量值计算模块,用于根据所述遥感数据获取模块所获取的多光谱数据计算各个栅格像元对应的农作物特征指数参量值,其中包括对应解译样本点选取模块生成的解译样本点所对应的农作物特征指数参量值;
模型识别阈值计算模块,用于从所述农作物特征指数参量值计算模块的计算结果中提取各个解译样本点对应的农作物特征指数参量值,并利用数学方法计算农作物识别模型的识别阈值上限值和识别阈值下限值,所述识别阈值上限值与识别阈值下限值的区间构成冬小麦识别模型的特征指数参量识别阈值范围,其中,所述数学方法包括箱式图分析法或K均值聚类算法或正态分布判断方法或格拉布斯检验法;
农作物识别模型模块,根据所述模型识别阈值计算模块所计算得到的特征指数参量识别阈值范围,对目标区域的多光谱影像的各个栅格像元进行识别,识别结果为该栅格像元的农作物属性为目标作物,或为其他地物。
需要说明的是:上述实施例提供的土地农作物的遥感识别系统在对农作物进行遥感识别时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以将上述功能分配由不同的功能模块完成,即将其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,本发明的土地农作物的遥感识别方法实施例和土地农作物的遥感识别系统实施例与上述冬小麦的遥感识别方法实施例属于同一发明构思,将冬小麦的遥感识别方法实施例的全部内容通过引用的方式并入土地农作物的遥感识别方法实施例和土地农作物的遥感识别系统实施例,不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种冬小麦的遥感识别方法,其特征在于,用于对目标区域的冬小麦作出识别,所述遥感识别方法包括以下步骤:
利用所述目标区域过往的冬小麦分布数据,获取冬小麦的解译样本点采集范围,以在该解译样本点采集范围内选取多个解译样本点;以及
获取所述目标区域的多光谱影像,根据所述多光谱影像计算其各个栅格像元对应的冬小麦特征指数参量值,并从中提取出各个解译样本点对应的冬小麦特征指数参量值;以及
将各个栅格像元对应的冬小麦特征指数参量值输入预构建的冬小麦识别模型,所述冬小麦识别模型与各个解译样本点对应的冬小麦特征指数参量值相关;以及
所述冬小麦识别模型对所述目标区域的多光谱影像的各个栅格像元进行识别,识别结果为该栅格像元的农作物属性为冬小麦,或为其他地物。
3.根据权利要求2所述的冬小麦的遥感识别方法,其特征在于,预构建的冬小麦识别模型以冬小麦抽穗期NDVI以及冬小麦抽穗期与收获期ΔNDVI作为模型特征参量;且
若目标区域的多光谱影像的栅格像元对应的NDVI以及ΔNDVI满足:NDVI∈T1且ΔNDVI∈T2,其中,T1为根据各个解译样本点对应的冬小麦抽穗期NDVI而确定的阈值范围,T2为根据各个解译样本点对应的冬小麦抽穗期与收获期归一化植被指数差值ΔNDVI而确定的阈值范围,则识别结果为该栅格像元的农作物属性为冬小麦,否则识别结果为该栅格像元的农作物属性为其他地物。
4.根据权利要求3所述的冬小麦的遥感识别方法,其特征在于,所述利用遥感技术采集目标区域的多光谱影像及其各个栅格像元的多光谱数据进一步包括:
在冬小麦抽穗期期间,获取所述目标区域的多光谱影像及其各个栅格像元的近红外波段的反射值和红光波段的反射值,进而计算得到各个栅格像元对应的冬小麦抽穗期NDVI抽穗期;
在冬小麦收获期期间,获取所述目标区域的多光谱影像及其各个栅格像元的近红外波段的反射值和红光波段的反射值,进而计算得到各个栅格像元对应的冬小麦收获期NDVI收获期;
进而根据各个栅格像元对应的冬小麦抽穗期NDVI抽穗期和冬小麦收获期NDVI收获期计算各个栅格像元对应的冬小麦抽穗期与收获期归一化植被指数差值ΔNDVI。
5.根据权利要求1所述的冬小麦的遥感识别方法,其特征在于,所述冬小麦识别模型与各个解译样本点对应的冬小麦特征指数参量值相关包括:
根据各个解译样本点对应的冬小麦特征指数参量值,利用数学方法计算冬小麦识别模型的识别阈值上限值和识别阈值下限值,所述识别阈值上限值与识别阈值下限值的区间构成所述冬小麦识别模型的特征指数参量识别阈值范围,其中,所述数学方法包括箱式图分析法或K均值聚类算法或正态分布判断方法或格拉布斯检验法;
其中,若所述目标区域的多光谱影像的栅格像元对应的冬小麦特征指数参量值处于所述冬小麦识别模型的特征指数参量识别阈值范围,则识别结果为该栅格像元的农作物属性为冬小麦。
6.根据权利要求5所述的冬小麦的遥感识别方法,其特征在于,所述冬小麦识别模型的识别阈值上限值和识别阈值下限值利用箱式图分析法计算得到,基于各个解译样本点对应的冬小麦特征指数参量值由小到大排列得到的顺序数据集合,计算公式包括:
Qmax=Min[(Q3+1.5*IQR),Xmax],其中,Qmax为识别阈值上限值,Q3为所述顺序数据集合的上四分位数,Xmax为所述顺序数据集合的最大值,Min[]为取小函数;
Qmin=Max[(Q1-1.5*IQR),Xmin],其中,Qmin为识别阈值下限值,Q1为所述顺序数据集合的下四分位数,Xmin为所述顺序数据集合的最小值,Max[]为取大函数;
其中,IQR为四分位数间距,其计算公式为IQR=Q3-Q1。
7.根据权利要求1所述的冬小麦的遥感识别方法,其特征在于,所述利用所述目标区域过往的冬小麦分布数据,获取冬小麦的解译样本点采集范围进一步包括:
获取目标区域过往的冬小麦分布栅格数据,利用数据转换工具将其数据格式由栅格数据转换为矢量图斑;对转换后的矢量图斑的区域进行汇总处理,得到所述目标区域的冬小麦的解译样本点采集范围;并且,
在所获取的冬小麦的解译样本点采集范围内随机生成预设数量的解译样本点,生成的解译样本点满足以下条件:所述解译样本点的密度大于或等于预设的亩均点数阈值,及/或,任意两个解译样本点之间的距离均大于或等于预设的距离阈值。
8.一种土地农作物的遥感识别方法,用于对目标区域的目标作物作出识别,其特征在于,利用所述目标区域过往的目标作物的历史分布数据,获取所述目标作物的解译样本点采集范围,以在该解译样本点采集范围内选取多个解译样本点;以及
获取所述目标区域的多光谱影像及其各个栅格像元的多光谱数据,根据所述多光谱数据计算各个栅格像元对应的农作物特征指数参量值,并从中提取出各个解译样本点对应的农作物特征指数参量值;以及
根据数学方法对所述多个解译样本点对应的农作物特征指数参量值进行数据处理,得到该目标作物的特征指数参量识别阈值范围;以及
对所述目标区域的多光谱影像的各个栅格像元进行判别,若该栅格像元对应的农作物特征指数参量值介于所述目标作物的特征指数参量识别阈值范围内,则判定该栅格像元的属性为目标作物,否则判定其属性为其他地物。
9.根据权利要求8所述的土地农作物的遥感识别方法,其特征在于,通过以下方式得到该目标作物的特征指数参量识别阈值范围:
利用箱式图分析法或K均值聚类算法或正态分布判断方法或格拉布斯检验法对多个解译样本点对应的农作物特征指数参量值进行计算,得到识别阈值上限值和识别阈值下限值,所述识别阈值上限值与识别阈值下限值的区间构成所述特征指数参量识别阈值范围。
10.根据权利要求8所述的土地农作物的遥感识别方法,其特征在于,所述农作物特征指数参量根据目标作物的生育期特征而择取,并根据所述农作物特征指数参量构建识别模型;并获取相应的生育期时期的目标区域的多光谱影像及其各个栅格像元的多光谱数据。
11.根据权利要求8所述的土地农作物的遥感识别方法,其特征在于,
所述目标作物为冬小麦,对应的农作物特征指数参量为冬小麦抽穗期归一化植被指数、冬小麦抽穗期与收获期归一化植被指数差值、冬小麦抽穗期蓝波段、冬小麦抽穗期绿波段中的任一种或者多种的组合;或者,
所述目标作物为水稻,对应的农作物特征指数参量为水稻抽穗期归一化植被指数和/或水稻泡田期水体指数;或者,
所述目标作物为玉米,对应的农作物特征指数参量为玉米抽穗期归一化植被指数、玉米抽穗期红边参数、玉米抽穗期蓝波段、玉米抽穗期绿波段中的任一种或者多种的组合。
12.一种土地农作物的遥感识别系统,其特征在于,包括以下模块:
遥感数据获取模块,用于获取目标区域的多光谱影像及其各个栅格像元的多光谱数据;
历史分布数据存储模块,用于存储目标区域过往的目标作物的分布栅格数据;
解译样本点选取模块,用于将所述目标区域过往的目标作物的分布栅格数据转换为矢量图斑,并在转换后的矢量图斑汇总得到的解译样本点采集范围内随机生成预设数量的解译样本点;
农作物特征指数参量值计算模块,用于根据所述遥感数据获取模块所获取的多光谱数据计算各个栅格像元对应的农作物特征指数参量值;
模型识别阈值计算模块,用于从所述农作物特征指数参量值计算模块的计算结果中提取各个解译样本点对应的农作物特征指数参量值,并利用数学方法计算农作物识别模型的识别阈值上限值和识别阈值下限值,所述识别阈值上限值与识别阈值下限值的区间构成冬小麦识别模型的特征指数参量识别阈值范围,其中,所述数学方法包括箱式图分析法或K均值聚类算法或正态分布判断方法或格拉布斯检验法;
农作物识别模型模块,根据所述模型识别阈值计算模块所计算得到的特征指数参量识别阈值范围,对目标区域的多光谱影像的各个栅格像元进行识别,识别结果为该栅格像元的农作物属性为目标作物,或为其他地物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111187963.3A CN113963275A (zh) | 2021-10-12 | 2021-10-12 | 一种冬小麦、土地农作物的遥感识别方法及遥感识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111187963.3A CN113963275A (zh) | 2021-10-12 | 2021-10-12 | 一种冬小麦、土地农作物的遥感识别方法及遥感识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113963275A true CN113963275A (zh) | 2022-01-21 |
Family
ID=79463543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111187963.3A Pending CN113963275A (zh) | 2021-10-12 | 2021-10-12 | 一种冬小麦、土地农作物的遥感识别方法及遥感识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113963275A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114112987A (zh) * | 2021-11-23 | 2022-03-01 | 国家卫星气象中心(国家空间天气监测预警中心) | 冬小麦判识阈值确定方法以及冬小麦判识方法 |
CN116385314A (zh) * | 2023-05-30 | 2023-07-04 | 武汉大学 | 面阵成像系统噪声去除方法及系统 |
CN116524225A (zh) * | 2022-12-23 | 2023-08-01 | 山东大学 | 一种基于多源遥感数据的作物分类方法及系统 |
CN114112987B (zh) * | 2021-11-23 | 2024-05-24 | 国家卫星气象中心(国家空间天气监测预警中心) | 冬小麦判识阈值确定方法以及冬小麦判识方法 |
-
2021
- 2021-10-12 CN CN202111187963.3A patent/CN113963275A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114112987A (zh) * | 2021-11-23 | 2022-03-01 | 国家卫星气象中心(国家空间天气监测预警中心) | 冬小麦判识阈值确定方法以及冬小麦判识方法 |
CN114112987B (zh) * | 2021-11-23 | 2024-05-24 | 国家卫星气象中心(国家空间天气监测预警中心) | 冬小麦判识阈值确定方法以及冬小麦判识方法 |
CN116524225A (zh) * | 2022-12-23 | 2023-08-01 | 山东大学 | 一种基于多源遥感数据的作物分类方法及系统 |
CN116385314A (zh) * | 2023-05-30 | 2023-07-04 | 武汉大学 | 面阵成像系统噪声去除方法及系统 |
CN116385314B (zh) * | 2023-05-30 | 2023-08-15 | 武汉大学 | 面阵成像系统噪声去除方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A review on weed detection using ground-based machine vision and image processing techniques | |
Pang et al. | Improved crop row detection with deep neural network for early-season maize stand count in UAV imagery | |
CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
CN113963275A (zh) | 一种冬小麦、土地农作物的遥感识别方法及遥感识别系统 | |
CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
Ninomiya | High-throughput field crop phenotyping: current status and challenges | |
CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
Wang et al. | Classification of rice yield using UAV-based hyperspectral imagery and lodging feature | |
CN111462223A (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
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 | |
Shu et al. | Assessing maize lodging severity using multitemporal UAV-based digital images | |
Bawa et al. | A support vector machine and image processing based approach for counting open cotton bolls and estimating lint yield from UAV imagery | |
CN115861629A (zh) | 一种高分耕地影像提取方法 | |
Meng et al. | Fine hyperspectral classification of rice varieties based on self-attention mechanism | |
Meng et al. | Fine hyperspectral classification of rice varieties based on attention module 3D-2DCNN | |
Yang et al. | Classification of sugar beets based on hyperspectral and extreme learning machine methods | |
Kuswidiyanto et al. | Airborne hyperspectral imaging for early diagnosis of kimchi cabbage downy mildew using 3D-ResNet and leaf segmentation | |
Paulo et al. | Wheat lodging ratio detection based on UAS imagery coupled with different machine learning and deep learning algorithms | |
Azizi et al. | Comprehensive wheat lodging detection after initial lodging using UAV RGB images | |
CN115035423B (zh) | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 | |
CN115690582A (zh) | 一种基于高光谱数据的冬小麦识别方法 | |
Gupta et al. | Inferring Agronomical Insights for Wheat Canopy Using Image-Based Curve Fit-Means Segmentation Algorithm and Statistical Analysis | |
Nuraeni et al. | Spatial machine learning for monitoring tea leaves and crop yield estimation using sentinel-2 imagery,(A Case of Gunung Mas Plantation, Bogor) | |
Boutiche et al. | Robust vegetation segmentation under field conditions using new adaptive weights for hybrid multichannel images based on the Chan-Vese model |
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 |