CN114581400A - 一种基于时间序列遥感影像的茶园打顶时间检测方法 - Google Patents
一种基于时间序列遥感影像的茶园打顶时间检测方法 Download PDFInfo
- Publication number
- CN114581400A CN114581400A CN202210198698.7A CN202210198698A CN114581400A CN 114581400 A CN114581400 A CN 114581400A CN 202210198698 A CN202210198698 A CN 202210198698A CN 114581400 A CN114581400 A CN 114581400A
- Authority
- CN
- China
- Prior art keywords
- time
- remote sensing
- sensing image
- evi
- rgri
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 241001122767 Theaceae Species 0.000 claims abstract description 75
- 238000002310 reflectometry Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000001174 ascending effect Effects 0.000 claims abstract description 10
- 238000009499 grossing Methods 0.000 claims abstract description 10
- 235000009024 Ceanothus sanguineus Nutrition 0.000 claims description 24
- 240000003553 Leptospermum scoparium Species 0.000 claims description 24
- 235000015459 Lycium barbarum Nutrition 0.000 claims description 24
- 230000003595 spectral effect Effects 0.000 claims description 21
- 238000011160 research Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于时间序列遥感影像的茶园打顶时间检测方法,包括:获取茶园区域内Landsat‑8OLI与Sentinel‑2MSI卫星传感器的地表反射率数据;根据地表反射率数据构建时间分辨率为5天的时间序列遥感影像集;基于时间序列遥感影像集进行每个像元的NDVI、LSWI、EVI、RGRI指数的计算以及平滑;计算每个像元在时间序列遥感影像集上相邻时间的指数变化强度系数及NDVI、LSWI、EVI、RGRI指数的变化方向;基于时间序列遥感影像集,获取像元上NDVI、LSWI、EVI指数变化方向为下降同时RGRI指数变化方向为上升且指数变化强度系数最大处的相应时间,即为茶园打顶时间,完成茶园打顶时间检测。本发明利用茶园在时间序列遥感影像上的时序特征,快速检测茶园的打顶时间,方法简单,结果准确。
Description
技术领域
本发明涉及遥感目标识别技术领域,特别是涉及一种基于时间序列遥感影像的茶园打顶时间检测方法。
背景技术
茶树生长过程中,顶芽生长旺盛,侧芽生长较弱或缓慢,呈现明显的顶端优势。茶园打顶是调节顶端优势,促进树冠培养最重要的技术措施,对于茶园优质高产和持续健康发展具有十分重要的作用。茶园打顶会造成短期内显著抑制茶树的生殖生长,茶树茶叶脱落,导致独特的“人工物候”现象。传统茶园打顶时间确认方法依靠人工经验判断,费时费力。
卫星遥感对地观测具有重访性特点,时间序列遥感影像数据能较为真实地反映地表在一个长时间范围内的动态变化情况。基于时间序列遥感影像可以检测到土地覆盖变化的区域和程度、变化类型的分布、变化的类型。因此,加强卫星遥感技术在茶园打顶时间检测上的应用具有重要意义。
发明内容
本发明的目的是提供一种基于时间序列遥感影像的茶园打顶时间检测方法,可有效利用茶园在时间序列遥感影像上的时序特征,快速检测茶园的打顶时间,弥补了传统方法费时费力的不足,为进行茶园科学管理提供参考。
为实现上述目的,本发明提供了如下方案:
一种基于时间序列遥感影像的茶园打顶时间检测方法,包括以下步骤:
S1,获取茶园研究区域中研究期内所有Landsat-8 OLI与Sentinel-2MSI卫星传感器的地表反射率数据;
S2,根据获取的地表反射率数据构建时间分辨率为5天的时间序列遥感影像集,并对时间序列遥感影像集进行预处理;
S3,基于时间序列遥感影像集进行每个像元的NDVI、LSWI、EVI、RGRI指数的计算以及平滑处理;
S4,计算每个像元在时间序列遥感影像集上相邻时间的指数变化强度系数及NDVI、LSWI、EVI、RGRI指数的变化方向;
S5,基于时间序列遥感影像集,获取像元上NDVI、LSWI、EVI指数变化方向为下降同时RGRI指数变化方向为上升且指数变化强度系数最大处的相应时间;
S6,步骤S5获得的时间即为茶园打顶时间,完成对茶园打顶时间的检测。
进一步的,所述步骤S1中,获取地表反射率数据的来源是:基于谷歌云平台获取Landsat-8OLI与Sentinel-2MSI卫星传感器的地表反射率数据,且所述地表反射率数据经过大气校正、辐射校正、地形校正的预处理。
进一步的,所述步骤S2,根据获取的地表反射率数据构建时间分辨率为5天的时间序列遥感影像集,并对时间序列遥感影像集进行预处理,具体包括:
S201,对时间序列遥感影像集进行云量筛选;
S202,对时间序列遥感影像集进行去云处理;
S203,对时间序列遥感影像集进行裁剪拼接;
S204,协调Landsat-8OLI与Sentinel-2MSI之间的卫星传感器误差;
S205,对时间序列遥感影像集进行影像合成;
S206,利用时序线性插值方法填补时间序列遥感影像集由于影像去云造成的空洞;
S207,在时间序列遥感影像上增加时间属性,时间属性用DOY表示,DOY定义为影像时间为一年中的第几天。
进一步的,所述步骤S3,基于时间序列遥感影像集进行每个像元的NDVI、LSWI、EVI、RGRI指数的计算以及平滑处理,具体包括:
S301,对归一化植被指数NDVI、陆表水分指数LSWI、增强型植被指数EVI、红绿比值指数RGRI进行计算,计算公式如下:
EVI=2.5*(Bnir-Bred)/(Bnir+6*Bred-7.5*Bblue+10000)
上式中,Bnir表示遥感影像的近红外波段,Bred表示遥感影像的红色波段,Bswir表示遥感影像的短波红外波段,Bblue表示遥感影像的蓝色波段,Bgreen表示遥感影像的绿色波段;
S302,采用移动窗口大小为9、滤波器阶数为2的Savitzky Golay滤波器进行NDVI、LSWI、EVI、RGRI指数的平滑处理。
进一步的,所述步骤S4中,计算每个像元在时间序列遥感影像集上相邻时间的指数变化强度系数及NDVI、LSWI、EVI、RGRI指数的变化方向,具体包括:
茶园区域内每个像元均有一个时间序列遥感影像数据,代表该像元在研究期间内光谱反射率随时间的变化情况,表现为指数随时间的变化情况;
计算每个像元在时间序列遥感影像集上相邻时间的指数变化强度系数,公式如下:
式中,下角标i、j的参数分别表示像元在时间序列影像上相邻时间的前一张影像、后一张影像对应的指数;
指数的变化方向有两种:上升和下降;指数的变化方向用公式表达为:
NDVI变化方向ΔNDVI:ΔNDVI=NVDIj-NVDIi;
LSWI变化方向ΔLSWI:ΔLSWI=LSWIj-LSWIi;
EVI变化方向ΔEVI:ΔEVI=EVIj-EVIi;
RGRI变化方向ΔRGRI:ΔRGRI=RGRIj-RGRIi;
其中,ΔNDVI、ΔLSWI、ΔEVI、ΔRGRI值为正,分别表示NDVI、LSWI、EVI、RGRI指数变化方向为上升;ΔNDVI、ΔLSWI、ΔEVI、ΔRGRI值为负,分别表示NDVI、LSWI、EVI、RGRI指数变化方向为下降;
茶园打顶时指数变化方向为NDVI、LSWI、EVI指数下降同时RGRI指数上升,即ΔNDVI、ΔLSWI、ΔEVI值为负,同时ΔRGRI值为正。
进一步的,所述步骤S5中,获取像元上NDVI、LSWI、EVI指数变化方向为下降同时RGRI指数变化方向为上升且指数变化强度系数最大处的相应时间,具体为:
像元上NDVI、LSWI、EVI指数下降同时RGRI指数上升,即茶树树叶脱落时间;
像元的指数变化强度系数最大代表像元的指数变化的速度最快,即茶树的光谱反射率发生突变时间;
获取发生茶树树叶脱落且茶树的光谱反射率发生突变的时间即为茶园打顶时间。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于时间序列遥感影像的茶园打顶时间检测方法,调用茶园研究区域中研究期内所有的Landsat-8OLI与Sentinel-2MSI卫星传感器的地表反射率数据,通过合成高时间分辨率的时间序列遥感影像数据检测茶园打顶时间;本发明充分利用了茶园因打顶而形成的光谱反射率显著变化的规律,茶园打顶会造成茶树树叶快速脱落,反映在遥感光谱上则为茶树的光谱反射率变化的速度最快,且对应的光谱指数NDVI、LSWI、EVI指数快速下降同时RGRI指数快速上升,从而快速有效判断出茶园打顶时间,为茶园提取工作提供帮助,对确定茶树生长周期,产量估计,了解区域茶园管理尤为重要。此外,由于不同地区、不同海拔的茶园打顶时间截然不同,本发明提供的算法可对不同纬度、不同海拔的茶园物候提取及分析气候、降水、高程等因素对茶树生长的影响提供非常重要的支持及帮助。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于时间序列遥感影像的茶园打顶时间检测方法的流程图;
图2为本发明以某个像元为例,其NDVI、LSWI、EVI、RGRI指数随时间的变化曲线图;
图3为以某个像元为例,其ΔNDVI、ΔLSWI、ΔEVI、ΔRGRI值以及ICIF值随时间的变化曲线图。
具体实施方式
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,都属于本发明保护的范围。
本发明的目的是提供一种基于时间序列遥感影像的茶园打顶时间检测方法,可有效利用茶园在时间序列遥感影像上的时序特征,快速检测茶园的打顶时间,弥补了传统方法费时费力的不足,为进行茶园科学管理提供参考。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明的实施流程图,如图1所示,本发明提供的基于时间序列遥感影像的茶园打顶时间检测方法,包括以下步骤:
S1,基于谷歌云平台Google Earth Engine,获取茶园研究区域中研究期内所有Landsat-8OLI与Sentinel-2MSI卫星传感器的地表反射率数据,且所述地表反射率数据经过大气校正、辐射校正、地形校正等预处理;经实地调查,像元所代表的茶园打顶时间为11月末至12月,因此,为了使影像数据更充分并且处理结果更符合真实情况,将研究期范围扩大为8月-12月;
S2,根据获取的地表反射率数据构建时间分辨率为5天的时间序列遥感影像集,并对时间序列遥感影像集进行预处理;
S3,基于时间序列遥感影像集进行每个像元的NDVI、LSWI、EVI、RGRI指数的计算以及平滑处理;
S4,计算每个像元在时间序列遥感影像集上相邻时间的指数变化强度系数及NDVI、LSWI、EVI、RGRI指数的变化方向;
S5,基于时间序列遥感影像集,获取像元上NDVI、LSWI、EVI指数变化方向为下降同时RGRI指数变化方向为上升且指数变化强度系数最大处的相应时间;
S6,步骤S5获得的时间即为茶园打顶时间,完成对茶园打顶时间的检测。
其中,所述步骤S2,根据获取的地表反射率数据构建时间分辨率为5天的时间序列遥感影像集,并对时间序列遥感影像集进行预处理,具体包括:
S201,对时间序列遥感影像集进行云量筛选,筛选云量少于10%的影像数据,筛选后的影像数据几乎无云;
S202,对时间序列遥感影像集进行去云处理,利用CF-Mask算法去除云层影响;
S203,对时间序列遥感影像集进行裁剪拼接,利用Clip函数实现遥感影像的裁剪拼接;
S204,协调Landsat-8OLI与Sentinel-2MSI之间的卫星传感器误差,不同传感器之间有光谱反射差异,以landsat-8OLI影像数据为标准利用最小二乘法协调Sentinel-2MSI影像数据后可以同时使用两种传感器产生的影像数据;
S205,对时间序列遥感影像集进行影像合成,以5天为时间间隔,5天之内如果像元有多个光谱值,则用多个光谱值的中值代替,合成时间分辨率为5天的时间序列遥感影像集;
S206,利用时序线性插值方法填补时间序列遥感影像集由于影像去云造成的空洞;
线性插值公式如下:
式中,X为空洞像素,Ia为空洞像素的前一个有值的像素,Ib为空洞像素的后一个有值的像素,ΔTac为前一个有值的像素与空洞像素之间的时间差,ΔTad为前一个有值的像素与后一个有值的像素之间的时间差;
S207,在时间序列遥感影像上增加时间属性,时间属性用DOY表示(day ofyear),DOY定义为影像时间为一年中的第几天。像元的时间序列遥感影像的时间属性DOY计算利用getRelative函数。
光谱指数最能反映各类地物光谱的变化特征。所述光谱指数包括归一化植被指数NDVI、陆表水分指数LSWI、增强型植被指数EVI、红绿比值指数RGRI。归一化植被指数NDVI常用于监测植被生长状态、植被覆盖度等,由近红和红波段组成。陆表水分指数LSWI对土壤湿度和植被含水量较为敏感,由近红和短波红外波段组成。增强型植被指数EVI是为了解决基于比值的植被指数饱和问题而提出的。红绿比值指数RGRI增强了土壤与植被的反射对比,较好的反应植被覆盖度和生长状况的差异。
因此,所述步骤S3,基于时间序列遥感影像集进行每个像元的NDVI、LSWI、EVI、RGRI指数的计算以及平滑处理,具体包括:
S301,对植被指数NDVI、陆表水分指数LSWI、增强型植被指数EVI、红绿比值指数RGRI进行计算,计算公式如下:
EVI=2.5*(Bnir-Bred)/(Bnir+6*Bred-7.5*Bblue+10000)
上式中,Bnir表示遥感影像的近红外波段,Bred表示遥感影像的红色波段,Bswir表示遥感影像的短波红外波段,Bblue表示遥感影像的蓝色波段,Bgreen表示遥感影像的绿色波段;
S302,采用移动窗口大小为9、滤波器阶数为2的Savitzky Golay滤波器进行NDVI、LSWI、EVI、RGRI指数的平滑处理。
像元在时间序列遥感影像上的NDVI、LSWI、EVI、RGRI指数随时间的分布情况如图2所示。
所述步骤S4中,计算每个像元在时间序列遥感影像集上相邻时间的指数变化强度系数及NDVI、LSWI、EVI、RGRI指数的变化方向,具体包括:
茶园区域内每个像元均有一个时间序列遥感影像数据,代表该像元在研究期间内光谱反射率随时间的变化情况,表现为指数随时间的变化情况;
计算每个像元在时间序列遥感影像集上相邻时间的指数变化强度系数(IndexChange Intensity Factor,ICIF),公式如下:
式中,下角标i、j的参数分别表示像元在时间序列影像上相邻时间的前一张影像、后一张影像对应的指数;
指数的变化方向有两种:上升和下降;指数的变化方向用公式表达为:
NDVI变化方向ΔNDVI:ΔNDVI=NVDIj-NVDIi;
LSWI变化方向ΔLSWI:ΔLSWI=LSWIj-LSWIi;
EVI变化方向ΔEVI:ΔEVI=EVIj-EVIi;
RGRI变化方向ΔRGRI:ΔRGRI=RGRIj-RGRIi;
其中,ΔNDVI、ΔLSWI、ΔEVI、ΔRGRI值为正,分别表示NDVI、LSWI、EVI、RGRI指数变化方向为上升;ΔNDVI、ΔLSWI、ΔEVI、ΔRGRI值为负,分别表示NDVI、LSWI、EVI、RGRI指数变化方向为下降;
茶园打顶时指数变化方向为NDVI、LSWI、EVI指数下降同时RGRI指数上升,即ΔNDVI、ΔLSWI、ΔEVI值为负,同时ΔRGRI值为正。
像元在时间序列遥感影像上的ΔNDVI、ΔLSWI、ΔEVI、ΔRGRI随时间的分布情况如图3所示。图3中折线图表示了像元在时间序列遥感像上的ICIF值随时间的变化情况。
所述步骤S5中,获取像元上NDVI、LSWI、EVI指数变化方向为下降同时RGRI指数变化方向为上升且指数变化强度系数最大处的相应时间,具体为:
像元上NDVI、LSWI、EVI指数下降同时RGRI指数上升,即茶树树叶脱落时间;
像元的指数变化强度系数最大代表像元的指数变化的速度最快,即茶树的光谱反射率发生突变时间;
获取发生茶树树叶脱落且茶树的光谱反射率发生突变的时间即为茶园打顶时间。
如图3所示,该像元的NDVI、LSWI、EVI指数变化方向为下降同时RGRI指数变化方向为上升且指数变化强度系数最大处的相应时间为DOY:341,日期:12月7日,用灰色柱标出。
茶园打顶会造成茶树树叶快速脱落,反映在遥感光谱上则为茶树的光谱反射率变化的速度最快,且对应的光谱指数NDVI、LSWI、EVI指数快速下降同时RGRI指数快速上升。因此步骤S5中像元上NDVI、LSWI、EVI指数下降同时RGRI指数上升且指数变化强度系数最大处的相应时间,即为茶树树叶脱落并且指数变化的速度最快的时间,则认为此时间即为茶园打顶时间。
本发明的有益效果为:本发明充分利用了茶园在打顶时期形成的光谱反射率的显著变化和在时间序列遥感影像上的时序特征,提供了一种可用于检测茶园打顶时间的方法,解决了检测茶园打顶时间的问题,弥补了传统茶园打顶时间统计方法费时费力的不足,为政府部门及茶农提供准确可靠的参考依据,为茶园的实时监测、茶园管理等做出科学可靠的实施方案。本发明有利于检测茶园打顶时间,为其他地区、其他年份的茶园打顶时间检测提供一种新的思路,对不同纬度、不同海拔的茶园物候提取及分析气候、降水、高程等因素对茶树生长的影响提供非常重要的支持及帮助。
综上,本发明利用茶园在打顶时期光谱反射率发生的显著变化,充分利用茶园打顶在时间序列遥感影像上的时序特征,基于时间序列遥感影像数据检测茶园打顶时间,为茶园打顶时间检测提供一种科学有效的算法。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于时间序列遥感影像的茶园打顶时间检测方法,其特征在于,包括以下步骤:
S1,获取茶园研究区域中研究期内所有Landsat-8 OLI与Sentinel-2 MSI卫星传感器的地表反射率数据;
S2,根据获取的地表反射率数据构建时间分辨率为5天的时间序列遥感影像集,并对时间序列遥感影像集进行预处理;
S3,基于时间序列遥感影像集进行每个像元的NDVI、LSWI、EVI、RGRI指数的计算以及平滑处理;
S4,计算每个像元在时间序列遥感影像集上相邻时间的指数变化强度系数及NDVI、LSWI、EVI、RGRI指数的变化方向;
S5,基于时间序列遥感影像集,获取像元上NDVI、LSWI、EVI指数变化方向为下降同时RGRI指数变化方向为上升且指数变化强度系数最大处的相应时间;
S6,步骤S5获得的时间即为茶园打顶时间,完成对茶园打顶时间的检测。
2.根据权利要求1所述的基于时间序列遥感影像的茶园打顶时间检测方法,其特征在于,所述步骤S1中,地表反射率数据的来源是:基于谷歌云平台获取Landsat-8 OLI与Sentinel-2 MSI卫星传感器的地表反射率数据,且所述地表反射率数据经过大气校正、辐射校正、地形校正的预处理。
3.根据权利要求1所述的基于时间序列遥感影像的茶园打顶时间检测方法,其特征在于,所述步骤S2,根据获取的地表反射率数据构建时间分辨率为5天的时间序列遥感影像集,并对时间序列遥感影像集进行预处理,具体包括:
S201,对时间序列遥感影像集进行云量筛选;
S202,对时间序列遥感影像集进行去云处理;
S203,对时间序列遥感影像集进行裁剪拼接;
S204,协调Landsat-8 OLI与Sentinel-2 MSI之间的卫星传感器误差;
S205,对时间序列遥感影像集进行影像合成;
S206,利用时序线性插值方法填补时间序列遥感影像集由于影像去云造成的空洞;
S207,在时间序列遥感影像上增加时间属性,时间属性用DOY表示,DOY定义为影像时间为一年中的第几天。
4.根据权利要求1所述的基于时间序列遥感影像的茶园打顶时间检测方法,其特征在于,所述步骤S3,基于时间序列遥感影像集进行每个像元的NDVI、LSWI、EVI、RGRI指数的计算以及平滑处理,具体包括:
S301,对归一化植被指数NDVI、陆表水分指数LSWI、增强型植被指数EVI、红绿比值指数RGRI进行计算,计算公式如下:
EVI=2.5*(Bnir-Bred)/(Bnir+6*Bred-7.5*Bblue+10000)
上式中,Bnir表示遥感影像的近红外波段,Bred表示遥感影像的红色波段,Bswir表示遥感影像的短波红外波段,Bblue表示遥感影像的蓝色波段,Bgreen表示遥感影像的绿色波段;
S302,采用移动窗口大小为9、滤波器阶数为2的Savitzky Golay滤波器进行NDVI、LSWI、EVI、RGRI指数的平滑处理。
5.根据权利要求4所述的基于时间序列遥感影像的茶园打顶时间检测方法,其特征在于,所述步骤S4中,计算每个像元在时间序列遥感影像集上相邻时间的指数变化强度系数及NDVI、LSWI、EVI、RGRI指数的变化方向,具体包括:
茶园区域内每个像元均有一个时间序列遥感影像数据,代表该像元在研究期间内光谱反射率随时间的变化情况,表现为指数随时间的变化情况;
计算每个像元在时间序列遥感影像集上相邻时间的指数变化强度系数,公式如下:
式中,下角标i、j的参数分别表示像元在时间序列影像上相邻时间的前一张影像、后一张影像对应的指数;
指数的变化方向有两种:上升和下降,指数的变化方向用公式表达为:
NDVI变化方向ΔNDVI:ΔNDVI=NVDIj-NVDIi;
LSWI变化方向ΔLSWI:ΔLSWI=LSWIj-LSWIi;
EVI变化方向ΔEVI:ΔEVI=EVIj-EVIi;
RGRI变化方向ΔRGRI:ΔRGRI=RGRIj-RGRIi;
其中,ΔNDVI、ΔLSWI、ΔEVI、ΔRGRI值为正,分别表示NDVI、LSWI、EVI、RGRI指数变化方向为上升;ΔNDVI、ΔLSWI、ΔEVI、ΔRGRI值为负,分别表示NDVI、LSWI、EVI、RGRI指数变化方向为下降;
茶园打顶时指数变化方向为NDVI、LSWI、EVI指数下降同时RGRI指数上升,即ΔNDVI、ΔLSWI、ΔEVI值为负,同时ΔRGRI值为正。
6.根据权利要求5所述的基于时间序列遥感影像的茶园打顶时间检测方法,其特征在于,所述步骤S5中,获取像元上NDVI、LSWI、EVI指数变化方向为下降同时RGRI指数变化方向为上升且指数变化强度系数最大处的相应时间,具体为:
像元上NDVI、LSWI、EVI指数下降同时RGRI指数上升的时间,即茶树树叶脱落时间;
像元的指数变化强度系数最大代表像元的指数变化的速度最快,即茶树的光谱反射率发生突变时间;
获取发生茶树树叶脱落且茶树的光谱反射率发生突变的时间即为茶园打顶时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210198698.7A CN114581400A (zh) | 2022-03-02 | 2022-03-02 | 一种基于时间序列遥感影像的茶园打顶时间检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210198698.7A CN114581400A (zh) | 2022-03-02 | 2022-03-02 | 一种基于时间序列遥感影像的茶园打顶时间检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114581400A true CN114581400A (zh) | 2022-06-03 |
Family
ID=81775623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210198698.7A Pending CN114581400A (zh) | 2022-03-02 | 2022-03-02 | 一种基于时间序列遥感影像的茶园打顶时间检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581400A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115524329A (zh) * | 2022-09-20 | 2022-12-27 | 北京世纪国源科技股份有限公司 | 基于gee的作物生长监测方法、装置、设备及存储介质 |
-
2022
- 2022-03-02 CN CN202210198698.7A patent/CN114581400A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115524329A (zh) * | 2022-09-20 | 2022-12-27 | 北京世纪国源科技股份有限公司 | 基于gee的作物生长监测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hall et al. | Optical remote sensing applications in viticulture‐a review | |
CN110751727B (zh) | 一种基于Landsat长时间序列的合成图像构建方法 | |
CN108169161A (zh) | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 | |
CN106803059B (zh) | 一种遥感植被指数时间序列森林监测方法 | |
CN112800973B (zh) | 一种基于植被物候特征决策的互花米草提取方法 | |
CN113033670B (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
CN107609526A (zh) | 基于规则的精细尺度城市不透水面快速提取方法 | |
CN114076738A (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 | |
CN113392759B (zh) | 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 | |
CN111209871B (zh) | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 | |
CN112348812A (zh) | 林分年龄信息测量方法及装置 | |
US20220392215A1 (en) | System and Method for Mapping Land Cover Types with Landsat, Sentinel-1, and Sentinel-2 Images | |
CN116824384A (zh) | 一种基于标准曲线的大豆识别方法 | |
CN115810155B (zh) | 一种潮汐湿地的分类方法 | |
CN111402169A (zh) | 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法 | |
CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
CN114581400A (zh) | 一种基于时间序列遥感影像的茶园打顶时间检测方法 | |
CN114708490A (zh) | 水稻种植提取及复种指数监测方法、系统、终端及存储介质 | |
CN112666170A (zh) | 天空地一体化病虫害遥感监测方法 | |
CN115062863A (zh) | 基于作物参考曲线和积温校正的苹果的始花期预测方法 | |
CN114049564A (zh) | 基于高光谱遥感影像的松材线虫病等级预测模型构建方法 | |
CN115545311A (zh) | 一种农作物估产方法、装置、存储介质及电子设备 | |
CN112861712B (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
Kennaway et al. | Mapping land cover and estimating forest structure using satellite imagery and coarse resolution lidar in the Virgin Islands | |
Danoedoro et al. | Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery |
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 |