CN114202535A - 作物种植面积提取方法及装置 - Google Patents
作物种植面积提取方法及装置 Download PDFInfo
- Publication number
- CN114202535A CN114202535A CN202111533358.7A CN202111533358A CN114202535A CN 114202535 A CN114202535 A CN 114202535A CN 202111533358 A CN202111533358 A CN 202111533358A CN 114202535 A CN114202535 A CN 114202535A
- Authority
- CN
- China
- Prior art keywords
- crop
- image data
- data
- backscattering
- sentinel
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 16
- 241000234295 Musa Species 0.000 description 12
- 240000000111 Saccharum officinarum Species 0.000 description 11
- 235000007201 Saccharum officinarum Nutrition 0.000 description 11
- 239000004576 sand Substances 0.000 description 11
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 8
- 238000002310 reflectometry Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 4
- 238000005388 cross polarization Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 235000021015 bananas Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 240000007817 Olea europaea Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种作物种植面积提取方法及装置。该方法的具体步骤包括：获取目标区域的遥感影像数据，对其预处理、矢量化和栅格化得到田块栅格数据；获取目标区域田块若干作物的样本数据，生成训练样本；获取目标区域的Sentinel‑1A影像数据，对其预处理和时空滤波得到后向散射时间序列数据，构建作物时间序列后向散射曲线；构建作物典型物候特征；利用分类器提取作物类型分布图；利用所述田块栅格数据对所述作物类型分布图进行掩膜处理，得到田块作物类型分布图；估算作物种植面积。本发明所述的一种作物种植面积提取方法及装置，将较高重访周期的Sentinel‑1A时间序列数据与田块栅格数据相结合，能够有效解决多云雨地区受天气影响，作物分类精度较低的问题。
Description
技术领域
本发明涉及农业遥感信息提取技术领域，特别是涉及一种作物种植面积提取方法及装置。
背景技术
作物种植信息及空间分布，对农业生产和气象灾害管理相关部门制定农业政策和灾后救助具有重要意义。与传统的农业统计数据及抽样调查方法相比，卫星遥感技术可以获取大范围、多时相的影像数据，有着宏观性、时效性和经济性等特点，为快速、准确地获取作物种植信息提供了有力的技术支撑。
目前的基于遥感影像的作物信息提取技术主要为光学遥感技术，其提取原理为：不同类型的作物在光学遥感影像的各个波段表现出不同的光谱特征；通过此种光谱特征差异，可以判别不同的作物类型。然而，由于我国南方地区在农作物的关键物候期常受多云多雨雾等天气影响，难以获取有效的光学数据用于作物分类，从而导致光学遥感技术在实际应用中存在一定的局限性。
发明内容
基于此，本发明的目的在于，提供一种作物种植面积提取方法及装置，不依赖天气条件，解决光学遥感技术受云层和重访周期的影响，对多云雨地区的作物分类精度较低的问题。
一种作物种植面积提取方法，包括以下步骤：
获取目标区域的遥感影像数据，将获取的遥感影像数据预处理后，进行矢量化和栅格化得到目标区域的田块栅格数据；
获取目标区域田块若干作物的样本数据，并标记所述作物的类型，生成目标区域田块作物的训练样本；
获取目标区域的Sentinel-1A影像数据，将获取的Sentinel-1A影像数据预处理后，进行时空滤波得到作物后向散射时间序列数据，根据所述作物后向散射时间序列数据，构建作物时间序列后向散射曲线；
根据所述作物时间序列后向散射曲线的变化规律，将所述作物时间序列后向散射曲线划分为不同阶段，得到作物典型物候特征；
将所述后向散射时间序列数据与作物典型物候特征输入预设的作物分类器，并对所述训练样本的作物典型物候特征进行训练得到作物分类模型；利用所述作物分类模型对预处理后的Sentinel-1A影像数据的后向散射时间序列数据进行分类，得到目标区域的作物类型分布图；
利用所述田块栅格数据对所述作物类型分布图进行掩膜处理，得到目标区域的田块作物类型分布图；
根据Sentinel-1A影像的空间分辨率和所述田块作物类型分布图中作物的像元数量，估算作物种植面积的大小。
本发明所述的一种作物种植面积提取方法，将较高重访周期的Sentinel-1A时间序列数据与田块栅格数据相结合，能够有效解决光学遥感技术受天气影响，对多云雨地区的作物分类精度较低的问题。
进一步地，获取目标区域的遥感影像数据后，还包括对所述目标区域的遥感影像数据进行拼接、裁剪，得到目标区域的完整遥感影像。
进一步地，获取目标区域的Sentinel-1A影像数据后，还包括对所述目标区域的Sentinel-1A影像数据进行拼接、裁剪，得到目标区域的完整Sentinel-1A影像数据。
进一步地，获取目标区域的遥感影像数据的步骤中，所述遥感影像数据为高分二号影像数据；对所述高分二号影像数据的预处理包括辐射定标、大气校正和正射校正。
进一步地，对所述Sentinel-1A影像数据的预处理包括热噪声去除、轨道精校正、辐射定标、地形校正和归一化处理。
进一步地，对预处理后的Sentinel-1A影像数据进行的所述时空滤波包括空域滤波和时域滤波。
进一步地，所述空域滤波是对全年时间序列的所述Sentinel-1A影像数据进行空间上的田块均值滤波；所述田块均值滤波为提取所述Sentinel-1A影像数据中所述训练样本的所有可观测值，计算所述所有可观测值的平均值，得到每类作物单个时间序列的后向散射系数值。
进一步地，所述时域滤波为在所述空域滤波得到每类作物单个时间序列的后向散射系数值后，对每类作物相同时间的后向散射系数值取中值，得到时空滤波下的后向散射时间序列数据。
进一步地，所述获取目标区域田块若干作物的样本数据后，还包括生成目标区域田块作物的验证样本；估算出作物种植面积后，以所述验证样本的数据为准，构建误差矩阵评价和面积精度评价两种分类精度评定体系。
本发明还提供一种作物种植面积提取装置，其特征在于，包括：
遥感影像数据获取模块，用于获取遥感影像数据，对所述遥感影像数据预处理后，进行矢量化和栅格化得到目标区域的田块栅格数据；
作物样本获取模块，用于获取目标区域田块若干作物的样本数据，标记所述作物的类型，生成目标区域田块作物的训练样本；
Sentinel-1A影像数据获取模块，用于获取Sentinel-1A影像数据，对所述Sentinel-1A影像数据预处理后，进行时空滤波得到作物后向散射时间序列数据，根据所述作物后向散射时间序列数据，构建作物时间序列后向散射曲线；
作物典型物候特征生成模块，用于根据所述作物时间序列后向散射曲线的变化规律，将所述作物时间序列后向散射曲线划分为不同阶段，得到作物典型物候特征；
作物类型提取模块，用于将所述后向散射时间序列数据与作物典型物候特征输入预设的作物分类器，并对所述训练样本的作物典型物候特征进行训练得到作物分类模型；利用所述作物分类模型对预处理后的Sentinel-1A影像数据的后向散射时间序列数据进行分类，得到目标区域的作物类型分布图；
掩膜处理模块，用于利用所述田块栅格数据对所述作物类型分布图进行掩膜处理，得到田块作物类型分布图；
作物种植面积计算模块，用于根据Sentinel-1A影像的空间分辨率和所述田块作物类型分布图中作物的像元数量，估算作物种植面积的大小。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明实施例中作物种植面积提取方法的流程图；
图2为本发明实施例中目标区域实地调查的田块分布图；
图3为本发明实施例中目标区域的作物类型样点分布示意图；
图4为本发明实施例中目标区域共极化下训练样本点的后向散射曲线图；
图5为本发明实施例中目标区域交叉极化下训练样本点的后向散射曲线图；
图6为本发明实施例中目标区域的田块作物类型分布图；
图7为本发明实施例中作物种植面积提取装置的结构示意图。
具体实施方式
下面通过实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1所示，本实施例的作物种植面积提取方法，包括以下具体步骤：
S1、获取目标区域的遥感影像数据，将获取的遥感影像数据预处理后，进行矢量化和栅格化得到目标区域的田块栅格数据。
本发明选取作物种植的地区作为目标区域，所述目标区域的遥感影像数据可以从中国资源卫星应用中心网站获取。
在一种实施例中，获取的目标区域遥感影像数据为所述目标区域的高分二号影像数据，所述高分二号影像数据可以从中国资源卫星应用中心网站的高分二号卫星数据中获取。
在一种实施例中，还包括对获取的所述高分二号影像数据进行拼接、裁剪操作后得到完整的高分二号影像数据。
然后对所述完整高分二号影像数据进行预处理，所述预处理包括辐射定标、大气校正和正射校正，再对预处理后的高分二号影像数据进行矢量化和栅格化得到目标区域的田块栅格数据。
具体地，所述对完整高分二号影像进行的预处理辐射定标是将传感器接收到的遥感数据转换为辐射亮度或天顶反射率，根据所获取数据的传感器类型和相应的定标系数，对高分二号影像数据进行辐射定标计算。所述大气校正旨在于消除大气和光照等因素对地表反射率的影响，消除由大气影响所造成的辐射误差，获得地物的反射率和辐射率、地表温度等真实物理模型参数。所述正射校正是通过选取所述高分二号影像上的一些地面控制点，并利用该影像范围内的数字高程模型(DEM)数据，对影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像，改正了因地形起伏和传感器误差而引起的像点位移。
所述目标区域的田块栅格数据是由所述预处理后的高分二号影像数据进行矢量化得到田块矢量数据后，再对所述田块矢量数据进行栅格化得到的。
S2、获取目标区域田块若干作物的样本数据，并标记所述作物的类型，生成目标区域田块作物的训练样本。
具体地，以目标区域的田块为采样点，并标记所述田块的作物类型，获取所述目标区域田块的作物样本，生成目标区域田块作物的训练样本。
在一种实施例中，还包括生成目标区域田块作物的验证样本，依据多次划分实验效果，将所述目标区域田块的作物样本划分为训练样本和验证样本。
S3、获取目标区域的Sentinel-1A影像数据，将获取的Sentinel-1A影像数据预处理后，进行时空滤波得到作物后向散射时间序列数据，根据所述作物后向散射时间序列数据，构建作物时间序列后向散射曲线。
具体地，所述目标区域的Sentinel-1A影像数据为全年的多时相Sentinel-1A影像数据，所述目标区域的多时相Sentinel-1A影像数据可以从欧空局哥白尼数据中心网站获取。
在一种实施例中，还包括对获取的所述多时相Sentinel-1A影像数据进行拼接、裁剪得到完整的Sentinel-1A影像数据。
然后再对所述完整的Sentinel-1A影像数据进行预处理，所述多时相Sentinel-1A影像数据的预处理包括热噪声去除、轨道精校正、辐射定标、地形校正和归一化处理。
具体地，所述对多时相Sentinel-1A影像数据的预处理热噪声去除是为了提高雷达后向散射信号的精度。所述轨道精校正可以更新更精确的卫星轨道位置。所述辐射定标是将接收的后向散射信号转化为后向散射系数。所述地形校正是为了消除测点周围地形起伏对观测结果的影响。所述归一化处理是对后向散射系数进行归一化。
具体地，所述时空滤波包括空域滤波和时域滤波，所述空域滤波是对预处理后的Sentinel-1A影像数据进行空间上田块均值滤波，所述时域滤波是对所述空域滤波后的Sentinel-1A影像数据进行时域内的中值滤波。其中，所述田块均值滤波为提取所述Sentinel-1A影像数据中每个田块内训练样本的所有可观测值，然后计算每个田块可观测值的平均值，得到每类作物单个时间序列的后向散射系数值；所述时域内的中值滤波是在进行空域滤波的Sentinel-1A影像数据的基础上，对每类作物相同时间的后向散射系数值取中值，得到时空滤波下的后向散射时间序列数据。
在一种实施例中，所述Sentinel-1A影像数据中提取的每个田块内训练样本的所有可观测值为共极化(VV)和交叉极化(VH)方式下的观测值；根据所述后向散射时间序列数据，构建的是共极化(VV)和交叉极化(VH)方式下的作物时间序列后向散射曲线。
S4、根据所述作物时间序列后向散射曲线的变化规律，将所述作物时间序列后向散射曲线划分为不同阶段，得到作物典型物候特征。
在一种实施例中，根据作物时间序列后向散射曲线的物候特征，所述后向散射曲线分成3个阶段。其中，第1阶段对应1～a次观测，第2阶段对应(a+1)～b次观测，第3阶段对应(b+1)～c次观测；并利用所述高分二号影像中的全色波段数据构建出作物典型物候特征(Integral、Range、Pan),各特征指标具体公式如下：
ρmin1＝minimum(ρ1…ρa)
ρmax2＝maximum(ρa+1…ρb)
ρmax3＝maximum(ρb+1…ρc)
Range＝maximum(ρ1…c)-minimum(ρ1…c)
Pan＝averagecropfield(VPAN)
P表示后向散射系数值，i表示第i次观测，ρmin1表示第1阶段每类作物后向散射系数值的最小值，ρmax2表示第2阶段每类作物后向散射系数值的最大值，ρmax3表示第3阶段段每类作物后向散射系数值的最大值，Integral表示第2、3阶段相对于第1阶段后向散射系数值的最小值的积分，Range表示全年c次观测每类作物后向散射系数值的最大差异，Pan表示步骤S1中所述的田块栅格数据(cropfield)对应的全色波段反射率值的平均值，VPAN表示所述高分二号影像中全色波段的反射率值。
S5、将所述后向散射时间序列数据与作物典型物候特征输入预设的作物分类器，并对所述训练样本的作物典型物候特征进行训练得到作物分类模型；利用所述作物分类模型对预处理后的Sentinel-1A影像数据的后向散射时间序列数据进行分类，得到目标区域的作物类型分布图。
具体地，所述后向散射时间序列数据是S3中时空滤波下的后向散射时间序列数据；所述作物典型物候特征为S4中的公式计算得到的Integral、Range、Pan值。
其中，所述作物类型分布图是目标区域全范围的作物类型分布图，包含了其他非田块区域的分类结果。
S6、利用所述田块栅格数据对所述作物类型分布图进行掩膜处理，得到目标区域的田块作物类型分布图。
具体地，所述掩膜处理为利用S1所述的田块栅格数据去除所述作物类型分布图中识别为非田块区域的部分，剩余部分为田块区域，能够排除非田块区域的干扰，得到田块作物类型分布图。
S7、根据Sentinel-1A影像的空间分辨率和所述田块作物类型分布图中作物的像元数量，估算作物种植面积的大小。
具体地，估算出的作物种植面积为Sentinel-1A影像空间分辨率和作物像元数量的乘积。其中，所述Sentinel-1A影像空间分辨率为S3获取的Sentinel-1A影像数据的分辨率大小，所述作物像元数量为S6得到的田块作物类型分布图中每类作物的像元统计数量。
在一种实施例中，所述作物种植面积提取方法还包括以下步骤：以S2中所述验证样本的实地调查数据为准，构建两种分类精度评定体系，分别为：误差矩阵评价体系和面积精度评价体系。
所述误差矩阵评价体系是通过混淆矩阵精度评价方法计算分类结果的用户精度(UA)、生产者精度(PA)、总体精度(OA)以及Kappa系数，其具体计算公式如下：
式中，n是混淆矩阵的总列数，即作物类别总数，Pii是混淆矩阵第i行和第i列中作物样本的正确分类数，Pi+和P+i分别是i行和i列中作物样本的总数，N是验证样本的总数。
所述面积精度评价体系的指标(PS)能够检测出不同分类特征之间的分类精度差异，研究对基于不同极化特征(VH/VV)的作物提取结果进行总面积精度评价，其具体计算公式如下：
式中，Ai是提取的目标区域作物种植面积总量；A0是统计年鉴数据中的作物种植面积的准真值。
在本发明的一个实施例中，以广东省广州市南沙区甘蔗和香蕉的种植为例，步骤S1中，所述获取的目标区域的遥感影像数据为广东省广州市南沙区2019年11月17日和2019年12月27日之间的高分二号影像数据，对所述高分二号影像数据进行拼接、裁剪、预处理、矢量化和栅格化后，得到该地区的田块栅格数据，共提取南沙区的田块14533个，如图2所示，主要作为后续目标区域Sentinel-1A影像的时空降噪过程中的滤波窗口，并用于构建后续分类研究中的作物时间序列后向散射曲线及典型物候特征。
该地区的年平均气温22.6℃，年日照时长为1651.7小时，年平均降水量为1673.1mm，是适宜甘蔗和香蕉种植区域。广州市的5422公顷甘蔗和6051公顷香蕉主要集中在沿海，即本实施例的研究区南沙区，该区2019年农业总产值为48.92亿元，占全区农林牧渔业产值的52.1％，属于岭南地区典型的都市农业区。本实施例研究的甘蔗与香蕉的种植都是一年一种，整个生长周期较长，具体生育期如表1所示。
表1南沙区主要作物生育期
步骤S2中，以南沙区2019年的遥感影像数据为基准，采取2021年同期土地类型未发生过变化的田块作为采样点，共获取442个典型作物样本，如图3所示，样本比例以6:4划分为训练样本和验证样本，如表2所示。
表2训练样本及验证样本数量
步骤S3中，所述获取的目标区域的Sentinel-1A影像数据为广东省广州市南沙区2019年全年的Sentinel-1A影像数据。对所述Sentinel-1A影像数据进行拼接、裁剪和预处理后，进行时空滤波得到该地区作物的后向散射时间序列数据。根据所述后向散射时间序列数据构建出作物时间序列后向散射曲线，如图4和5所示。
在本发明的一个实施例中，步骤S4中，通过观察不同作物的后向散射系数曲线发现，甘蔗和香蕉的曲线具有较明显的特点，将南沙区的作物后向散射时间曲线分为3个阶段：
第1阶段为2019年1月初至4月底(对应1-10次观测)，此时各类作物后向散射系数值较低；
第2阶段为2019年5月初至6月中旬(对应11-15次观测)，甘蔗和香蕉的后向散射系数值快速升高；
第3阶段为2019年6月下旬至年底(对应16-30次观测)，甘蔗的后向散射系数值逐步降低，而香蕉的后向散射系数值维持较高值。
基于甘蔗和香蕉物候特点以及其对应时序后向散射系数值的变化特点，本发明构建了若干物候特征变量(Integral、Range、Pan)，各特征指标具体公式如下：
ρmin1＝minimum(ρ1…ρ10)
ρmax2＝maximum(ρ11…ρ15)
ρmax3＝maximum(ρ16…ρ30)
Range＝maximum(ρ1…30)-minimum(ρ1…30)
Pan＝averagecropfield(VPAN)
其中，ρ表示后向散射系数值，i表示全年30次观测中第i次观测，ρmin1表示第1阶段每类作物后向散射系数值的最小值，ρmax2表示第2阶段每类作物后向散射系数值的最大值，ρmax3表示第3阶段段每类作物后向散射系数值的最大值，Integral表示第2、3阶段相对于第1阶段后向散射系数值的最小值的积分，Range表示全年30次观测的值域范围内每种作物后向散射系数值的最大差异，Pan表示所述获取的南沙区田块栅格数据对应的全色波段反射率值的平均值，VPAN表示所述高分二号影像中全色波段的反射率值。
步骤S5中，所述作物分类器为XGBoost分类器，其参数设置如表3所示。
表3XGBoost分类器中采用的关键参数
所述构建两种分类精度评定体系是以南沙区实地采样的176个验证样本数据以及历史统计数据作为精度评价的准真值。所述南沙区的甘蔗与香蕉的作物分类精度及面积估算精度如表4和表5所示。其中该方法总体的分类精度为94.31％，Kappa系数为0.91。另外将提取的甘蔗与香蕉分布结果与2019年的作物种植面积统计数据相比较，甘蔗的提取结果为4030.59公顷，面积精度达到82.04％；香蕉的提取结果为2673.63公顷，面积精度达到71.01％。
表4基于验证样本点的不同作物识别精度评价表
表5基于统计数据的不同作物面积估算精度评价表
如图6所示作物分布情况可见，在提取结果中，甘蔗与香蕉的种植区域主要集中于大岗、榄核、和横沥镇与实地调查的结果一致。
在本发明的一个实施例中，还提供一种作物种植面积提取装置，如图7所示，所述作物种植面积提取装置包括：
遥感影像数据获取模块10，用于获取遥感影像数据，对所述遥感影像数据预处理后，进行矢量化和栅格化得到目标区域的田块栅格数据；
作物样本获取模块11，用于获取目标区域田块若干作物的样本数据，标记所述作物的类型，生成目标区域田块作物的训练样本；
Sentinel-1A影像数据获取模块12，用于获取Sentinel-1A影像数据，对所述Sentinel-1A影像数据预处理后，进行时空滤波得到作物后向散射时间序列数据，根据所述作物后向散射时间序列数据，构建作物时间序列后向散射曲线；
作物典型物候特征生成模块13，用于根据所述作物时间序列后向散射曲线的变化规律，将所述作物时间序列后向散射曲线划分为不同阶段，得到作物典型物候特征；
作物类型提取模块14，用于将所述后向散射时间序列数据与作物典型物候特征输入预设的作物分类器，并对所述训练样本的作物典型物候特征进行训练得到作物分类模型；利用所述作物分类模型对预处理后的Sentinel-1A影像数据的后向散射时间序列数据进行分类，得到目标区域的作物类型分布图；
掩膜处理模块15，用于利用所述田块栅格数据对所述作物类型分布图进行掩膜处理，得到田块作物类型分布图；
作物种植面积计算模块16，用于根据Sentinel-1A影像的空间分辨率和所述田块作物类型分布图中作物的像元数量，估算作物种植面积的大小；
在本发明的一个实施例中，所述作物种植面积提取装置还包括分类精度评定模块17，用于以所述验证样本的数据为准，构建误差矩阵评价和面积精度评价两种分类精度评定体系。
本发明通过结合高分辨率的光学遥感影像和全天候观测的合成孔径雷达影像信息，并利用XGBoost算法和雷达数据时空滤波策略，可实现对岭南作物种植信息的准确探测和面积提取，能够有效解决光学影像受天气影响，雷达影像因斑点噪声的存在导致分类精度低的问题。由于XGBoost机器算法强大的可并行处理及泛化能力，大大提高了分类精度和效率，便于各类作物的信息管理。
以上所述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，则本发明也意图包含这些改动和变形。
Claims (10)
1.一种作物种植面积提取方法，包括以下步骤：
获取目标区域的遥感影像数据，将获取的遥感影像数据预处理后，进行矢量化和栅格化得到目标区域的田块栅格数据；
获取目标区域田块若干作物的样本数据，并标记所述作物的类型，生成目标区域田块作物的训练样本；
获取目标区域的Sentinel-1A影像数据，将获取的Sentinel-1A影像数据预处理后，进行时空滤波得到作物后向散射时间序列数据，根据所述作物后向散射时间序列数据，构建作物时间序列后向散射曲线；
根据所述作物时间序列后向散射曲线的变化规律，将所述作物时间序列后向散射曲线划分为不同阶段，得到作物典型物候特征；
将所述后向散射时间序列数据与作物典型物候特征输入预设的作物分类器，并对所述训练样本的作物典型物候特征进行训练得到作物分类模型；利用所述作物分类模型对预处理后的Sentinel-1A影像数据的后向散射时间序列数据进行分类，得到目标区域的作物类型分布图；
利用所述田块栅格数据对所述作物类型分布图进行掩膜处理，得到目标区域的田块作物类型分布图；
根据Sentinel-1A影像的空间分辨率和所述田块作物类型分布图中作物的像元数量，估算作物种植面积的大小。
2.根据权利要求1所述的作物种植面积提取方法，其特征在于：获取目标区域的遥感影像数据后，还包括对所述目标区域的遥感影像数据进行拼接、裁剪。
3.根据权利要求1所述的作物种植面积提取方法，其特征在于：获取目标区域的Sentinel-1A影像数据后，还包括对所述目标区域的Sentinel-1A影像数据进行拼接、裁剪。
4.根据权利要求1所述的作物种植面积提取方法，其特征在于：获取目标区域的遥感影像数据的步骤中，所述遥感影像数据为高分二号影像数据；对所述高分二号影像数据的预处理包括辐射定标、大气校正和正射校正。
5.根据权利要求1所述的作物种植面积提取方法，其特征在于：对所述Sentinel-1A影像数据的预处理包括热噪声去除、轨道精校正、辐射定标、地形校正和归一化处理。
6.根据权利要求1所述的作物种植面积提取方法，其特征在于：对预处理后的Sentinel-1A影像数据进行的所述时空滤波包括空域滤波和时域滤波。
7.根据权利要求6所述的作物种植面积提取方法，其特征在于：所述空域滤波是对全年时间序列的所述Sentinel-1A影像数据进行空间上的田块均值滤波；所述田块均值滤波为提取所述Sentinel-1A影像数据中所述训练样本的所有可观测值，计算所述所有可观测值的平均值，得到每类作物单个时间序列的后向散射系数值。
8.根据权利要求7所述作物种植面积提取方法，其特征在于：所述时域滤波为在所述空域滤波得到每类作物单个时间序列的后向散射系数值后，对每类作物相同时间的后向散射系数值取中值，得到时空滤波下的后向散射时间序列数据。
9.根据权利要求1至8中任一权利要求所述的作物种植面积提取方法，其特征在于：所述获取目标区域田块若干作物的样本数据后，还包括生成目标区域田块作物的验证样本；估算出作物种植面积后，以所述验证样本的数据为准，构建误差矩阵评价和面积精度评价两种分类精度评定体系。
10.一种的作物种植面积提取装置，其特征在于，包括：
遥感影像数据获取模块，用于获取遥感影像数据，对所述遥感影像数据预处理后，进行矢量化和栅格化得到目标区域的田块栅格数据；
作物样本获取模块，用于获取目标区域田块若干作物的样本数据，标记所述作物的类型，生成目标区域田块作物的训练样本；
Sentinel-1A影像数据获取模块，用于获取Sentinel-1A影像数据，对所述Sentinel-1A影像数据预处理后，进行时空滤波得到作物后向散射时间序列数据，根据所述作物后向散射时间序列数据，构建作物时间序列后向散射曲线；
作物典型物候特征生成模块，用于根据所述作物时间序列后向散射曲线的变化规律，将所述作物时间序列后向散射曲线划分为不同阶段，得到作物典型物候特征；
作物类型提取模块，将所述后向散射时间序列数据与作物典型物候特征输入预设的作物分类器，并对所述训练样本的作物典型物候特征进行训练得到作物分类模型；利用所述作物分类模型对预处理后的Sentinel-1A影像数据的后向散射时间序列数据进行分类，得到目标区域的作物类型分布图；
掩膜处理模块，用于利用所述田块栅格数据对所述作物类型分布图进行掩膜处理，得到田块作物类型分布图；
作物种植面积计算模块，用于根据Sentinel-1A影像的空间分辨率和所述田块作物类型分布图中作物的像元数量，估算作物种植面积的大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111533358.7A CN114202535A (zh) | 2021-12-15 | 2021-12-15 | 作物种植面积提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111533358.7A CN114202535A (zh) | 2021-12-15 | 2021-12-15 | 作物种植面积提取方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114202535A true CN114202535A (zh) | 2022-03-18 |
Family
ID=80653875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111533358.7A Pending CN114202535A (zh) | 2021-12-15 | 2021-12-15 | 作物种植面积提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114202535A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115205691A (zh) * | 2022-09-15 | 2022-10-18 | 江西农业大学 | 一种水稻种植区域识别方法、装置、存储介质及设备 |
| CN115372970A (zh) * | 2022-08-19 | 2022-11-22 | 陕西省土地工程建设集团有限责任公司 | 一种山区丘陵区作物sar遥感提取方法 |
| CN117197650A (zh) * | 2023-07-24 | 2023-12-08 | 移动广播与信息服务产业创新研究院(武汉)有限公司 | 基于sar数据时空极化定标的甘蔗分布提取方法及系统 |
| CN118521969A (zh) * | 2024-07-25 | 2024-08-20 | 广东省科学院广州地理研究所 | 一种水稻退种风险的监测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011102520A1 (ja) * | 2010-02-22 | 2011-08-25 | 株式会社パスコ | 水稲収量予測モデル生成方法、及び水稲収量予測方法 |
| CN109389049A (zh) * | 2018-09-19 | 2019-02-26 | 中国科学院东北地理与农业生态研究所 | 基于多时相sar数据与多光谱数据的作物遥感分类方法 |
| CN109840553A (zh) * | 2019-01-17 | 2019-06-04 | 苏州中科天启遥感科技有限公司 | 耕地作物类型的提取方法及系统、存储介质、电子设备 |
| CN113221790A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种基于雷达数据的田块轮作模式生成方法及装置 |
-
2021
- 2021-12-15 CN CN202111533358.7A patent/CN114202535A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011102520A1 (ja) * | 2010-02-22 | 2011-08-25 | 株式会社パスコ | 水稲収量予測モデル生成方法、及び水稲収量予測方法 |
| CN109389049A (zh) * | 2018-09-19 | 2019-02-26 | 中国科学院东北地理与农业生态研究所 | 基于多时相sar数据与多光谱数据的作物遥感分类方法 |
| CN109840553A (zh) * | 2019-01-17 | 2019-06-04 | 苏州中科天启遥感科技有限公司 | 耕地作物类型的提取方法及系统、存储介质、电子设备 |
| CN113221790A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种基于雷达数据的田块轮作模式生成方法及装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115372970A (zh) * | 2022-08-19 | 2022-11-22 | 陕西省土地工程建设集团有限责任公司 | 一种山区丘陵区作物sar遥感提取方法 |
| CN115205691A (zh) * | 2022-09-15 | 2022-10-18 | 江西农业大学 | 一种水稻种植区域识别方法、装置、存储介质及设备 |
| CN117197650A (zh) * | 2023-07-24 | 2023-12-08 | 移动广播与信息服务产业创新研究院(武汉)有限公司 | 基于sar数据时空极化定标的甘蔗分布提取方法及系统 |
| CN117197650B (zh) * | 2023-07-24 | 2024-03-19 | 移动广播与信息服务产业创新研究院(武汉)有限公司 | 基于sar数据时空极化定标的甘蔗分布提取方法及系统 |
| CN118521969A (zh) * | 2024-07-25 | 2024-08-20 | 广东省科学院广州地理研究所 | 一种水稻退种风险的监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
| CN114202535A (zh) | 作物种植面积提取方法及装置 | |
| CN114076738B (zh) | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 | |
| Sun et al. | Classification mapping and species identification of salt marshes based on a short-time interval NDVI time-series from HJ-1 optical imagery | |
| He et al. | Examining rice distribution and cropping intensity in a mixed single-and double-cropping region in South China using all available Sentinel 1/2 images | |
| CN104266982B (zh) | 一种大面积虫害量化监测系统 | |
| CN112800973B (zh) | 一种基于植被物候特征决策的互花米草提取方法 | |
| CN105809148B (zh) | 基于遥感时空谱融合的作物干旱识别及风险评估方法 | |
| CN114387516B (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
| CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
| CN113505635A (zh) | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 | |
| CN111337434A (zh) | 一种矿区复垦植被生物量估算方法及系统 | |
| Liu et al. | Comparative analysis of fractional vegetation cover estimation based on multi-sensor data in a semi-arid sandy area | |
| CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
| CN109977991A (zh) | 基于高清卫星遥感的林业资源采集方法 | |
| CN111738066A (zh) | 综合多源遥感信息的网格化水稻纹枯病生境评价方法 | |
| CN114120101A (zh) | 一种土壤水分多尺度综合感知方法 | |
| CN110836870A (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
| Guo et al. | Early-season mapping of winter wheat and garlic in Huaihe basin using Sentinel-1/2 and Landsat-7/8 imagery | |
| Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| Anurogo et al. | Satellite-based estimation of above ground carbon stock estimation for rubber plantation in Tembir Salatiga Central Java | |
| Gascon et al. | The application of medium-resolution MERIS satellite data for continental land-cover mapping over South America | |
| CN112052720B (zh) | 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型 | |
| Liu et al. | A Hyperspectral Remote Sensing Fusion Technology Based on Spectral Normalization of Gf and Zy Series Satellites |
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 |