CN114332596A - 一种越冬作物的识别方法及装置 - Google Patents

Abstract

本申请提供了一种越冬作物的识别方法及装置，应用于农业遥感技术领域，包括：获取研究区域遥感影像数据，并进行预处理，得到时序影像数据；根据NDVI计算公式对时序影像数据进行计算，得到时序NDVI；获取实地样方地块数据并建立解译标志，根据解译标志进行选取得到样本；根据时序NDVI提取所述样本NDVI数值，汇总并绘制得到NDVI曲线，根据对比分析法对所述NDVI曲线和所述越冬作物物候进行分析，得到关键时相；根据预设处理方式对时序影像数据进行计算，得到越冬作物范围，根据关键时相并通过随机森林分类算法对越冬作物范围进行识别，得到越冬作物识别结果。提高了分类精度和识别精度，避免了作物识别错分和人为因素干扰，降低了数据数量和质量要求。

Description

一种越冬作物的识别方法及装置

技术领域

本申请涉及农业遥感技术领域，尤其涉及一种越冬作物的识别方法及装置。

背景技术

遥感作物识别技术能够对大范围的地区进行迅速准确的农作物空间分布信 息获取，从而为数字农业技术和服务提供基础信息支撑，有助于实现农业状态 的智能化感知和生产管理的数字化支撑。

现有技术方案较少考虑作物物候信息，大多根据单一时期影像数据或者全 时序影像数据进行作物分类，该方法会丢失或模糊作物的关键物候信息，因此 在分类精度上并不高；现有技术方案较少考虑作物生长特性，多是基于光谱特 性，采用单一经验阈值或组合经验阈值的方式进行作物类型的区分，阈值受卫 星成像条件及成像时间影响，经验阈值法或决策树法存在分类条件过于刚性， 影响作物识别精度；现有技术方案缺少先验知识约束，目前的作物识别更多的 考虑目标作物的提取，无法避免背景因素的影响，容易出现错分情况；现有技 术方案模型泛化能力较弱，目前遥感作物识别技术采用经验阈值法或决策树法 区分不同作物，对数据数量及质量要求过高，且受人为主观判断的影响因素较 大。

发明内容

本申请提供了一种越冬作物的识别方法及装置，旨在解决上述现有技术中 存在的分类精度不高，识别精度较低，作物识别错分，数据数量和质量要求太 高和人为因素干扰的问题。

为了解决上述问题，本发明采用了以下技术方案，包括：

获取研究区域遥感影像数据，并进行预处理，得到时序影像数据；

根据NDVI计算公式对所述时序影像数据进行计算，得到时序NDVI；

获取实地样方地块数据，并建立解译标志，根据所述解译标志进行选取得 到样本，所述实地样方地块数据不限于小麦和油菜，所述样本不限于小麦样本 和油菜样本；

根据所述时序NDVI提取所述小麦样本和所述油菜样本的NDVI数值，汇 总并绘制得到NDVI曲线，根据对比分析法对所述NDVI曲线和所述越冬作物 物候进行分析，得到所述越冬作物的关键时相；

根据预设处理方式对所述时序影像数据进行作物范围计算，得到所述越冬 作物范围，根据不限于所述关键时相并通过随机森林分类算法对所述越冬作物 范围进行识别，得到所述越冬作物识别结果。

作为优选，所述获取研究区域遥感影像数据，并进行预处理，得到时序影 像数据，包括：

获取所述研究区域不同时期的遥感影像数据，并进行云量筛选，得到第一 数据，再对所述第一数据进行辐射定标、大气校正、几何校正，得到第二数据；

根据所述研究区域将所述第二数据通过裁剪及镶嵌按照时序进行叠加，得 到所述时序影像数据。

作为优选，所述根据预设处理方式对所述时序影像数据进行作物范围计算， 得到所述越冬作物范围，包括：

通过全球10米分辨率土地覆盖数据集提取所述研究区域耕地范围，并记作Cropland图层，根据所述时序NDVI进行统计合成，得到NDVI_max图层，对 所述NDVI_max图层进行非植被区域去除，并与所述Cropland图层叠加，取交 集得到耕地范围；

根据多时相NDVI变化对所述耕地范围进行干扰作物去除，得到所述越冬 作物范围。

作为优选，所述根据不限于所述关键时相并通过随机森林分类算法对所述 越冬作物范围进行识别，得到所述越冬作物识别结果，包括：

将不限于一个的关键时相和所述NDVI曲线相结合进行分析，得到第一时 期时NDVI油菜/NDVI小麦>1，第二时期时NDVI油菜/NDVI小麦<1；

根据所述第一时期和所述第二时期的特征并通过随机森林分类算法对所述 越冬作物范围进行所述小麦和所述油菜的识别，得到所述小麦和所述油菜的识 别结果，汇总得到所述越冬作物识别结果。

一种越冬作物的识别装置，包括：

影像数据处理模块：用于获取研究区域遥感影像数据，并进行预处理，得 到时序影像数据；

时序影像数据计算模块：用于根据NDVI计算公式对所述时序影像数据进 行计算，得到时序NDVI；

样本获得模块：用于获取实地样方地块数据，并建立解译标志，根据所述 解译标志进行选取得到样本，所述实地样方地块数据不限于小麦和油菜，所述 样本不限于小麦样本和油菜样本；

关键时相确定模块：用于根据所述时序NDVI提取所述小麦样本和所述油 菜样本的NDVI数值，汇总并绘制得到NDVI曲线，根据对比分析法对所述NDVI 曲线和所述越冬作物物候进行分析，得到所述越冬作物的关键时相；

越冬作物识别模块：用于根据预设处理方式对所述时序影像数据进行作物 范围计算，得到所述越冬作物范围，根据不限于所述关键时相并通过随机森林 分类算法对所述越冬作物范围进行识别，得到所述越冬作物识别结果。

作为优选，所述影像数据处理模块，包括：

第一预处理模块：用于获取所述研究区域不同时期的遥感影像数据，并进 行云量筛选，得到第一数据，再对所述第一数据进行辐射定标、大气校正、几 何校正，得到第二数据；

第二预处理模块：用于根据所述研究区域将所述第二数据通过裁剪及镶嵌 按照时序进行叠加，得到所述时序影像数据。

作为优选，所述越冬作物识别模块，包括：

耕地范围计算模块：用于通过全球10米分辨率土地覆盖数据集提取所述研 究区域耕地范围，并记作Cropland图层，根据所述时序NDVI进行统计合成， 得到NDVI_max图层，对所述NDVI_max图层进行非植被区域去除，并与所述 Cropland图层叠加，取交集得到耕地范围；

干扰物去除模块：用于根据多时相NDVI变化对所述耕地范围进行干扰作 物去除，得到所述越冬作物范围。

作为优选，所述越冬作物识别模块，还包括：

作物第一识别模块：用于将不限于一个的关键时相和所述NDVI曲线相结 合进行分析，得到第一时期时NDVI油菜/NDVI小麦>1，第二时期时NDVI油 菜/NDVI小麦<1；

作物第二识别模块：用于根据所述第一时期和所述第二时期的特征并通过 随机森林分类算法对所述越冬作物范围进行所述小麦和所述油菜的识别，得到 所述小麦和所述油菜的识别结果，汇总得到所述越冬作物识别结果。

一种越冬作物的识别装置，包括存储器和处理器，所述存储器用于存储一 条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以 实现如上述中任一项所述的一种越冬作物的识别方法。

一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机 执行时实现如上述中任一项所述的一种越冬作物的识别方法。

本发明具有以下有益效果：

本技术方案采用多时序数据，获取覆盖越冬作物生育期的多景遥感影像数 据，利用时序数据作为各类越冬作物的特征进行作物分类，并对数据进行云量 筛选以及定标，校正，裁剪，镶嵌等一系列处理，提高影像数据的精度，使得 对作物特征的提取更加准确，提高了对作物分类的精度；本技术方案建立小麦 和油菜作物物侯的对应关系，并建立小麦和油菜相结合的归一化植被指数 (NDVI)曲线图，二者结合更直观更准确的分析生育期高度重叠的两种作物识 别特征，总结冬小麦和油菜作物识别关键数据时相即关键时相，从而建立起具 有差异性的越冬作物识别特征集，并针对油菜生长特性，构建关键生长期指数， 可以有效提高作物的识别精度；本技术方案引入实地样方地块数据，对实地中 的小麦和油菜进行特征识别，并基于此确定研究区域中较小范围的耕地范围数 据作为先验知识，并综合考虑了春种作物、耕地变化等因素的影响，对一些干 扰作物进行了去除，可以有效的减少在对小麦和油菜识别结果的错分情况，提 高识别的准确度；本技术方案在最终对小麦和油菜种植区域识别的过程中采用 随机森林分类算法，提高了作物识别精度和泛化能力，在受云影响导致的某些 区域某些时相数据缺失情况下，依然可以通过其他时相特征输入获得较好的精 度，减少了影像数据时相的要求，也同时减少了对影像数据质量的要求，避免 了现有技术中，人为参与导致的误差干扰。

附图说明

图1为本发明实施例实现一种越冬作物的识别方法的流程图

图2为本发明实施例实现一种确定越冬作物关键时相的方法的流程图

图3为本发明实施例中小麦和油菜的NDVI曲线及其图表的示意图

图4为本发明实施例中越冬作物小麦和油菜的作物物候日历的示意图

图5为本发明实施例实现一种根据预设方式进行处理得到最终识别结果的 方法的流程图

图6为本发明实施例实现一种越冬作物的识别装置的结构示意图

图7为本发明实施例实现一种越冬作物的识别装置中的影像数据处理模块 10的结构示意图

图8为本发明实施例实现一种越冬作物的识别装置中的越冬作物识别模块 50的结构示意图

图9为本发明实施例实现一种越冬作物的识别装置的一种电子设备示意图

具体实施方式

下面将结合附图，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，都属于本发明保护的范围。

本申请的权利要求书和说明书的术语“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术语 在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在 描述时所采用的区分方式，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，以便包含一系列单元的过程、方法、系统、 产品或设备不必限于那些单元，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单元。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术 领域的技术人员通常理解的含义相同，本文中在本申请的说明书中所使用的术 语只是为了描述具体的实施例的目的，不是在于限制本申请。

实施例1

如图1所示，一种越冬作物的识别方法，包括以下步骤：

S11、获取研究区域遥感影像数据，并进行预处理，得到时序影像数据；

S12、根据NDVI计算公式对所述时序影像数据进行计算，得到时序NDVI；

S13、获取实地样方地块数据，并建立解译标志，根据所述解译标志进行选 取得到样本，所述实地样方地块数据不限于小麦和油菜，所述样本不限于小麦 样本和油菜样本；

S14、根据所述时序NDVI提取所述小麦样本和所述油菜样本的NDVI数值， 汇总并绘制得到NDVI曲线，根据对比分析法对所述NDVI曲线和所述越冬作 物物候进行分析，得到所述越冬作物的关键时相；

S15、根据预设处理方式对所述时序影像数据进行作物范围计算，得到所述 越冬作物范围，根据不限于所述关键时相并通过随机森林分类算法对所述越冬 作物范围进行识别，得到所述越冬作物识别结果。

在本实施例中，首先根据哨兵2号获取研究区域的不同时期的遥感影像数 据，对于不同时序Sentinel-2数据即研究区域不同时期的遥感影像数据，通过云 量筛选，将获取的影像数据中含有云遮挡的数据进行筛选，保留云量小于10％ 的影像，得到云量筛选后的影像数据即第一数据，然后对时序影像数据即第一 数据进行辐射定标、大气校正、几何校正等操作，得到处理后的时序影像数据 即第二数据，然后根据研究区域将不同时期的影像数据进行裁剪和镶嵌，因为 一景影像是规则的矩形，覆盖地表范围与研究区不完全重合，需要将多出去的 区域切掉，这个过程称为裁剪，将少了的区域需要相邻一景影像补上，这个过 程称为镶嵌，然后将这些影像叠加起来，通过上述的一系列操作就得到了研究 区域的时序遥感影像，即时序影像数据，接着根据NDVI计算公式NDVI＝ (NIR-Red)/(NIR+Red)对时序影像数据进行计算，得到时序影像数据的时序 NDVI，其中NIR代表遥感影像中的近红外波段，Red代表遥感影像中的红光波 段，NDVI的值位于-1到1之间，NDVI<0表示地表覆盖为水、雪、云等，对可 见光高反射，NDVI＝0表示有裸土或岩石等，NDVI>0表示地表有植被覆盖， 且NDVI随植被覆盖度增大而增大，然后根据哨兵2号获取不同时期的小麦和 油菜实地样方地块，然后根据该地块建立小麦和油菜的时序Sentinel-2数据真彩 色波段组合解译标志，在时序Sentinel-2解译标志上，11月上旬油菜地块已经显 示出油菜苗与裸土混合的绿色与黄色并存特征，小麦地块则为裸土特征，1月上 旬油菜地块基本被油菜植株覆盖表现为绿色，小麦正处于越冬即将返青，地块 呈现绿色与黄色混合的特征，3月下旬，油菜为花期，地块表现为黄色或平滑的 黄绿色，小麦地块为深绿色，4月中旬，油菜花谢后NDVI上升，地块表现为鲜 绿色，小麦则进入长势顶峰，表现为墨绿色，5月下旬及6月上旬，小麦和油菜 都完成了收割，地块呈黄色的裸土特征，根据上述的作物特征，进行三个年份 的小麦和油菜样本的选取，得到样本，接着根据时序NDVI提取其中小麦样本 和油菜样本的NDVI数值，将数值汇总起来并且进行绘制得到小麦和油菜的 NDVI曲线，将两个曲线合在一起，以图表形式表示，然后根据对比分析法对 NDVI曲线即图表和小麦以及油菜的物候即越冬作物物候进行分析，得到越冬作 物的关键时相，该关键时相有四个并且为小麦和油菜的关键时相，接着根据预 设处理方式对时序影像数据进行作物范围计算，得到越冬作物范围，根据关键 时相等数据并通过随机森林分类算法对越冬作物范围进行识别，得到越冬作物识别结果，确定小麦和油菜的具体种植范围。本实施例的有益效果是：本技术 方案采用多时序数据，获取覆盖越冬作物生育期的多景遥感影像数据，利用时 序数据作为各类越冬作物的特征进行作物分类，并对数据进行云量筛选以及定 标，校正，裁剪，镶嵌等一系列处理，提高影像数据的精度，使得对作物特征 的提取更加准确，提高了对作物分类的精度，并且本技术方案引入实地样方地 块数据，对实地中的小麦和油菜进行特征识别，使得获取的样本更准确，有效 的提高了识别的准确度。

实施例2

如图2所示，一种确定越冬作物关键时相的方法，包括以下步骤：

S21、根据所述时序NDVI提取所述小麦样本和所述油菜样本的NDVI数值， 汇总并绘制得到NDVI曲线；

S22、根据对比分析法对所述NDVI曲线和所述越冬作物物候进行分析，得 到所述越冬作物的关键时相。

在本实施例中，根据时序影像数据的时序NDVI提取小麦作物样本、油菜 作物样本2018年11月-2019年6月、2019年11月-2020年6月、2020年11月 -2021年6月三个生育期时间段内NDVI数值，合成归并到一年内即进行汇总， 然后绘制小麦和油菜的NDVI曲线，并将两条曲线绘制在同一附图中，如图3 所示，a表示小麦的NDVI，b表示油菜的NDVI，方便后续的对比分析，整理 总结研究区域的越冬作物小麦和油菜的作物物候日历，如图4所示，从小麦和 油菜的作物物候和其对应的NDVI曲线分析可知：

关键时相1(11月-1月中旬)：两种作物油菜种植时间较小麦更早，11月 上中旬是冬小麦出苗期，以土壤特征为主，NDVI值较低；而油菜处于五叶移 栽期，叶绿素含量较高，NDVI值较大。12月开始到次年1月为冬小麦越冬期， 生长逐渐停止。因此，早期冬小麦返青前油菜地块的NDVI值会显著高于小麦 地块。

NDVI>T1：油菜

NDVI<T1：小麦

关键时相2(2月-3月上旬)，小麦处于分蘖拔节期，油菜处于现蕾抽薹期， 长势较快，NDVI上升。

关键时相3(3月中旬-4月下旬)，油菜处于开花结荚期，对应NDVI先降 后升；小麦处于拔节抽穗期，NDVI达到峰值。从油菜花期开始到4月中下旬结 荚，油菜NDVI小于小麦。

NDVI>T2：小麦

NDVI<T2：油菜

若包含油菜花期，则定义关键生长期指数Flower_index

Flower_index>T3:油菜

Flower_index<T3:小麦

Flower_index＝(Red+Green)/Blue

关键时相4(5月中下旬-6月上旬)，两种作物都逐步进入成熟收获期。油 菜相比小麦成熟早，在后期影像上，由于已经收割完成两者都显示为较低的 NDVI值。

NDVI<T3：油菜and小麦

综上所述，越冬作物(小麦和油菜)共有四个关键时相。本实施例的有益 效果是：本技术方案建立小麦和油菜作物物侯的对应关系，并建立小麦和油菜 相结合的归一化植被指数(NDVI)曲线图，二者结合更直观更准确的分析生育 期高度重叠的两种作物识别特征，总结冬小麦和油菜作物识别关键数据时相即 关键时相，从而建立起具有差异性的越冬作物识别特征集，并针对油菜生长特 性，构建关键生长期指数，可以有效提高作物的识别精度。

实施例3

如图5所示，一种根据预设方式进行处理得到最终识别结果的方法，包括 以下步骤：

S31、通过全球10米分辨率土地覆盖数据集提取所述研究区域耕地范围， 并记作Cropland图层，根据所述时序NDVI进行统计合成，得到NDVI_max图 层，对所述NDVI_max图层进行非植被区域去除，并与所述Cropland图层叠加， 取交集得到耕地范围；

S32、根据多时相NDVI变化对所述耕地范围进行干扰作物去除，得到所述 越冬作物范围；

S33、将不限于一个的关键时相和所述NDVI曲线相结合进行分析，得到第 一时期时NDVI油菜/NDVI小麦>1，第二时期时NDVI油菜/NDVI小麦<1；

S34、根据所述第一时期和所述第二时期的特征并通过随机森林分类算法对 所述越冬作物范围进行所述小麦和所述油菜的识别，得到所述小麦和所述油菜 的识别结果，汇总得到所述越冬作物识别结果。

在本实施例中，首先基于清华大学利用哨兵数据制作的全球10米分辨率土 地覆盖数据集(FROM-GLC10)，获取研究区耕地范围(耕地类别代码10)，记 为Cropland图层，采用时序NDVI指数，统计合成2020年全年NDVI最大值图 层NDVI_max，选取NDVI_max数值大于0.5的区域，去除新增建筑及道路等 非植被区域，并与耕地范围Cropland图层叠加，计算二者交集，即为更新后的 耕种地块范围即耕地范围，如下述公式说明：

NDVI_max>0.5Vegetation

NDVI_max<0.5Non-Vegetation

Cropland_update:Vegetation∩Cropland

在得到耕地范围之后，由于大宗越冬作物只包含小麦和油菜两种，因此只需要 去除春季播种的作物地块，因为春季播种作物NDVI呈上升趋势，而越冬作物3 月或4月NDVI数值与5月相比呈下降趋势，因此可以采用多时相NDVI变化 去除干扰作物(后缀表示月份，如NDVI_5表示5月份NDVI)，即： IF(NDVI_5<NDVI_3ORNDVI_5<NDVI_4)＝True：小麦油菜区域也可以根据数据获取情况采用2-3月份影像去除干扰作物，因为3月份之前，春 季作物未播种或刚播种，地块NDVI较低，

IF(NDVI_2>0.5ORNDVI_3>0.5)＝True：小麦油菜区域 在去除干扰物之后，得到小麦和油菜的种植区域，即越冬作物范围，然后只需 分析小麦和油菜之间的区别，区分两者种植地块，结合作物物候规律，根据NDVI 曲线分析，在2月冬小麦返青之前即第一时期，油菜NDVI都大于小麦NDVI， 因此：

NDVI油菜/NDVI小麦>1

3月中下旬到4月上旬即第二时期，油菜花期NDVI下降，小麦进入抽穗期 NDVI达到顶峰且大于油菜，因此：

NDVI油菜/NDVI小麦<1

接着根据第一时期和第二时期的特征并通过随机森林分类算法对所述越冬作物范围进行小麦和油菜的识别，得到小麦和油菜的识别结果，汇总得到越冬作物 识别的结果。本实施例的有益效果是：通过对研究区域中耕地范围的初步确定， 并综合考虑了春种作物、耕地变化等因素的影响，对一些干扰作物进行了去除， 使得可以得到较为准确的小麦和油菜的种植区域，可以有效的减少在对小麦和 油菜识别结果的错分情况，提高识别的准确度，并且本技术方案在最终对小麦 和油菜种植区域识别的过程中采用随机森林分类算法，提高了作物识别精度和 泛化能力，在受云影响导致的某些区域某些时相数据缺失情况下，依然可以获 得较好的精度，减少了影像数据时相的要求，也同时减少了对影像数据质量的 要求，避免了现有技术中，人为参与导致的误差干扰。

实施例4

如图6所示，一种越冬作物的识别装置，包括：

影像数据处理模块10：用于获取研究区域遥感影像数据，并进行预处理， 得到时序影像数据；

时序影像数据计算模块20：用于根据NDVI计算公式对所述时序影像数据 进行计算，得到时序NDVI；

样本获得模块30：用于获取实地样方地块数据，并建立解译标志，根据所 述解译标志进行选取得到样本，所述实地样方地块数据不限于小麦和油菜，所 述样本不限于小麦样本和油菜样本；

关键时相确定模块40：用于根据所述时序NDVI提取所述小麦样本和所述 油菜样本的NDVI数值，汇总并绘制得到NDVI曲线，根据对比分析法对所述 NDVI曲线和所述越冬作物物候进行分析，得到所述越冬作物的关键时相；

越冬作物识别模块50：用于根据预设处理方式对所述时序影像数据进行作 物范围计算，得到所述越冬作物范围，根据不限于所述关键时相并通过随机森 林分类算法对所述越冬作物范围进行识别，得到所述越冬作物识别结果。

上述装置的一种实施方式为，在影像数据处理模块10中，获取研究区域遥 感影像数据，并进行预处理，得到时序影像数据，在时序影像数据计算模块20 中，根据NDVI计算公式对所述时序影像数据进行计算，得到时序NDVI，在样 本获得模块30中，获取实地样方地块数据，并建立解译标志，根据所述解译标 志进行选取得到样本，所述实地样方地块数据不限于小麦和油菜，所述样本不 限于小麦样本和油菜样本，在关键时相确定模块40中，根据所述时序NDVI提 取所述小麦样本和所述油菜样本的NDVI数值，汇总并绘制得到NDVI曲线， 根据对比分析法对所述NDVI曲线和所述越冬作物物候进行分析，得到所述越 冬作物的关键时相，在越冬作物识别模块50中，根据预设处理方式对所述时序 影像数据进行作物范围计算，得到所述越冬作物范围，根据不限于所述关键时 相并通过随机森林分类算法对所述越冬作物范围进行识别，得到所述越冬作物 识别结果。

实施例5

如图7所示，一种越冬作物的识别装置中的影像数据处理模块10，包括：

第一预处理模块11：用于获取所述研究区域不同时期的遥感影像数据，并 进行云量筛选，得到第一数据，再对所述第一数据进行辐射定标、大气校正、 几何校正，得到第二数据；

第二预处理模块12：用于根据所述研究区域将所述第二数据通过裁剪及镶 嵌按照时序进行叠加，得到所述时序影像数据。

上述装置的一种实施方式为，在第一预处理模块11中，获取所述研究区域 不同时期的遥感影像数据，并进行云量筛选，得到第一数据，再对所述第一数 据进行辐射定标、大气校正、几何校正，得到第二数据，在第二预处理模块12 中，根据所述研究区域将所述第二数据通过裁剪及镶嵌按照时序进行叠加，得 到所述时序影像数据。

实施例6

如图8所示，一种越冬作物的识别装置中的越冬作物识别模块50，包括：

耕地范围计算模块51：用于通过全球10米分辨率土地覆盖数据集提取所述 研究区域耕地范围，并记作Cropland图层，根据所述时序NDVI进行统计合成， 得到NDVI_max图层，对所述NDVI_max图层进行非植被区域去除，并与所述 Cropland图层叠加，取交集得到耕地范围；

干扰物去除模块52：用于根据多时相NDVI变化对所述耕地范围进行干扰 作物去除，得到所述越冬作物范围；

作物第一识别模块53：用于将不限于一个的关键时相和所述NDVI曲线相 结合进行分析，得到第一时期时NDVI油菜/NDVI小麦>1，第二时期时NDVI 油菜/NDVI小麦<1；

作物第二识别模块54：用于根据所述第一时期和所述第二时期的特征并通 过随机森林分类算法对所述越冬作物范围进行所述小麦和所述油菜的识别，得 到所述小麦和所述油菜的识别结果，汇总得到所述越冬作物识别结果。

上述装置的一种实施方式为，在耕地范围计算模块51中，通过全球10米 分辨率土地覆盖数据集提取所述研究区域耕地范围，并记作Cropland图层，根 据所述时序NDVI进行统计合成，得到NDVI_max图层，对所述NDVI_max图 层进行非植被区域去除，并与所述Cropland图层叠加，取交集得到耕地范围， 在干扰物去除模块52中，根据多时相NDVI变化对所述耕地范围进行干扰作物 去除，得到所述越冬作物范围，在作物第一识别模块53中，将不限于一个的关 键时相和所述NDVI曲线相结合进行分析，得到第一时期时NDVI油菜/NDVI 小麦>1，第二时期时NDVI油菜/NDVI小麦<1，在作物第二识别模块54中，根 据所述第一时期和所述第二时期的特征并通过随机森林分类算法对所述越冬作 物范围进行所述小麦和所述油菜的识别，得到所述小麦和所述油菜的识别结果， 汇总得到所述越冬作物识别结果。

实施例7

如图9所示，一种电子设备，包括存储器701和处理器702，所述存储器 701用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述 处理器702执行以实现上述的任一一种方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述 的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不 再赘述。

一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机 执行时实现如上述的任一一种方法。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个 模块/单元被存储在存储器701中，并由处理器702执行，并由输入接口705和 输出接口706完成数据的I/O接口传输，以完成本发明,一个或多个模块/单元 可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算 机程序在计算机设备中的执行过程。

计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算 设备。计算机设备可包括，但不仅限于，存储器701、处理器702,本领域技术 人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的 限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例 如计算机设备还可以包括输入器707、网络接入设备、总线等。

处理器702可以是中央处理单元(CentralProcessingUnit，CPU)，还可以 是其他通用处理器702、数字信号处理器802(DigitalSignalProcessor，DSP)、 专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程 门阵列(Field-ProgRAM503mableGateArray，FPGA)或者其他可编程逻辑器件、 分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器702可以是微处理 器702或者该处理器702也可以是任何常规的处理器702等。

存储器701可以是计算机设备的内部存储单元，例如计算机设备的硬盘或 内存。存储器701也可以是计算机设备的外部存储设备，例如计算机设备上配 备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字 (SecureDigital,SD)卡，闪存卡(FlashCard)等,进一步地，存储器701还 可以既包括计算机设备的内部存储单元也包括外部存储设备,存储器701用于存 储计算机程序以及计算机设备所需的其他程序和数据,存储器701还可以用于暂 时地存储在输出器708，而前述的存储介质包括U盘、移动硬盘、只读存储器 ROM703、随机存储器RAM704、碟盘或光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此， 任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明 的专利范围之中。

Claims (10)

1.一种越冬作物的识别方法，其特征在于，包括：

获取研究区域遥感影像数据，并进行预处理，得到时序影像数据；

根据NDVI计算公式对所述时序影像数据进行计算，得到时序NDVI；

获取实地样方地块数据，并建立解译标志，根据所述解译标志进行选取得到样本，所述实地样方地块数据不限于小麦和油菜，所述样本不限于小麦样本和油菜样本；

根据所述时序NDVI提取所述小麦样本和所述油菜样本的NDVI数值，汇总并绘制得到NDVI曲线，根据对比分析法对所述NDVI曲线和所述越冬作物物候进行分析，得到所述越冬作物的关键时相；

根据预设处理方式对所述时序影像数据进行作物范围计算，得到所述越冬作物范围，根据不限于所述关键时相并通过随机森林分类算法对所述越冬作物范围进行识别，得到所述越冬作物识别结果。

2.根据权利要求1所述的一种越冬作物的识别方法，其特征在于，所述获取研究区域遥感影像数据，并进行预处理，得到时序影像数据，包括：

获取所述研究区域不同时期的遥感影像数据，并进行云量筛选，得到第一数据，再对所述第一数据进行辐射定标、大气校正、几何校正，得到第二数据；

根据所述研究区域将所述第二数据通过裁剪及镶嵌按照时序进行叠加，得到所述时序影像数据。

3.根据权利要求1所述的一种越冬作物的识别方法，其特征在于，所述根据预设处理方式对所述时序影像数据进行作物范围计算，得到所述越冬作物范围，包括：

通过全球10米分辨率土地覆盖数据集提取所述研究区域耕地范围，并记作Cropland图层，根据所述时序NDVI进行统计合成，得到NDVI_max图层，对所述NDVI_max图层进行非植被区域去除，并与所述Cropland图层叠加，取交集得到耕地范围；

根据多时相NDVI变化对所述耕地范围进行干扰作物去除，得到所述越冬作物范围。

4.根据权利要求3所述的一种越冬作物的识别方法，其特征在于，所述根据不限于所述关键时相并通过随机森林分类算法对所述越冬作物范围进行识别，得到所述越冬作物识别结果，包括：

将不限于一个的关键时相和所述NDVI曲线相结合进行分析，得到第一时期时NDVI油菜/NDVI小麦>1，第二时期时NDVI油菜/NDVI小麦<1；

根据所述第一时期和所述第二时期的特征并通过随机森林分类算法对所述越冬作物范围进行所述小麦和所述油菜的识别，得到所述小麦和所述油菜的识别结果，汇总得到所述越冬作物识别结果。

5.一种越冬作物的识别装置，用于实现如权利要求1所述的一种越冬作物的识别方法，其特征在于，包括：

影像数据处理模块：用于获取研究区域遥感影像数据，并进行预处理，得到时序影像数据；

时序影像数据计算模块：用于根据NDVI计算公式对所述时序影像数据进行计算，得到时序NDVI；

样本获得模块：用于获取实地样方地块数据，并建立解译标志，根据所述解译标志进行选取得到样本，所述实地样方地块数据不限于小麦和油菜，所述样本不限于小麦样本和油菜样本；

关键时相确定模块：用于根据所述时序NDVI提取所述小麦样本和所述油菜样本的NDVI数值，汇总并绘制得到NDVI曲线，根据对比分析法对所述NDVI曲线和所述越冬作物物候进行分析，得到所述越冬作物的关键时相；

越冬作物识别模块：用于根据预设处理方式对所述时序影像数据进行作物范围计算，得到所述越冬作物范围，根据不限于所述关键时相并通过随机森林分类算法对所述越冬作物范围进行识别，得到所述越冬作物识别结果。

6.根据权利要求5所述的一种越冬作物的识别装置，其特征在于，所述影像数据处理模块，包括：

第一预处理模块：用于获取所述研究区域不同时期的遥感影像数据，并进行云量筛选，得到第一数据，再对所述第一数据进行辐射定标、大气校正、几何校正，得到第二数据；

第二预处理模块：用于根据所述研究区域将所述第二数据通过裁剪及镶嵌按照时序进行叠加，得到所述时序影像数据。

7.根据权利要求5所述的一种越冬作物的识别装置，其特征在于，所述越冬作物识别模块，包括：

耕地范围计算模块：用于通过全球10米分辨率土地覆盖数据集提取所述研究区域耕地范围，并记作Cropland图层，根据所述时序NDVI进行统计合成，得到NDVI_max图层，对所述NDVI_max图层进行非植被区域去除，并与所述Cropland图层叠加，取交集得到耕地范围；

干扰物去除模块：用于根据多时相NDVI变化对所述耕地范围进行干扰作物去除，得到所述越冬作物范围。

8.根据权利要求6所述的一种越冬作物的识别装置，其特征在于，所述越冬作物识别模块，还包括：

作物第一识别模块：用于将不限于一个的关键时相和所述NDVI曲线相结合进行分析，得到第一时期时NDVI油菜/NDVI小麦>1，第二时期时NDVI油菜/NDVI小麦<1；

作物第二识别模块：用于根据所述第一时期和所述第二时期的特征并通过随机森林分类算法对所述越冬作物范围进行所述小麦和所述油菜的识别，得到所述小麦和所述油菜的识别结果，汇总得到所述越冬作物识别结果。

9.一种越冬作物的识别装置，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-4中任一项所述的一种越冬作物的识别方法。

10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被计算机执行时实现如权利要求1-4中任一项所述的一种越冬作物的识别方法。

Images