CN114639011A - 一种基于年龄特征的香榧种植面积计算方法及装置 - Google Patents

一种基于年龄特征的香榧种植面积计算方法及装置 Download PDF

Info

Publication number
CN114639011A
CN114639011A CN202210090496.0A CN202210090496A CN114639011A CN 114639011 A CN114639011 A CN 114639011A CN 202210090496 A CN202210090496 A CN 202210090496A CN 114639011 A CN114639011 A CN 114639011A
Authority
CN
China
Prior art keywords
remote sensing
torreya
forest
screening
multispectral data
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
Application number
CN202210090496.0A
Other languages
English (en)
Inventor
周祖煜
陈煜人
童小虎
张澎彬
张�浩
林波
白博文
莫志敏
李天齐
刘俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Lingjian Digital Agricultural Technology Co ltd
Original Assignee
Hangzhou Lingjian Digital Agricultural Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Lingjian Digital Agricultural Technology Co ltd filed Critical Hangzhou Lingjian Digital Agricultural Technology Co ltd
Priority to CN202210090496.0A priority Critical patent/CN114639011A/zh
Publication of CN114639011A publication Critical patent/CN114639011A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于年龄特征的香榧种植面积计算方法及装置，根据香榧不同年龄段具备的不同生理特征，将香榧整体划分为成年林与幼年林两类，分别进行提取后合并，得到香榧整体分布情况。针对成年林，利用亚米级高分辨率影像做底图进行标注，利用深度学习图像识别框架进行识别；针对幼年林，利用哨兵多光谱数据结合植被覆盖度作为基础数据，使用随机森林方法提取幼林，并利用田块全年间峰值植被指数极高的特点移除误分的田块。最后合并得香榧种植图斑，并在阿尔玻斯等积投影下统计像素点数量，结合空间分辨率信息和坡度信息得到香榧种植面积，得到与统计数据接近的香榧种植面积而非投影面积，对研究香榧种植分布，指导香榧生产有重要意义。

Description

一种基于年龄特征的香榧种植面积计算方法及装置
技术领域
本发明涉及遥感变化监测领域，尤其涉及一种基于年龄特征的香榧种植面积计算方法及装置。
背景技术
现有技术中有对农业农作物的检测方法，主要为通过对区域内存在的农作物及其对应的种植子区域进行统计，并统计各种农作物对应各种植子区域在各历史年限的单位面积年产量和农作物果实综合品质系数，进而统计各种农作物对应各种植子区域的平均单位面积年产量和农作物果实平均综合品质系数，以此对各种农作物对应的各种植子区域进行排序，从而根据排序结果分析得出各种农作物对应的适宜种植子区域，实现了对区域农作物种植状况的监测分析，为区域管理人员根据各种农作物对应的适宜种植子区域进行农作物种植区域调整提供参考依据。
还有现有技术中对大豆种植区域的提取算法，主要为对遥感影像数据 Sentinel-2进行预处理，从预处理后的遥感影像数据中选取对提取大豆有利的 G个波段；计算归一化植被指数和归一化水指数，Sentinel-2数据中包含G+2 个数据；利用GEE平台提供某一年的USDA进行预处理；利用包含G+2个数据的 Sentinel-2数据和预处理后的USDA进行训练集和测试集的构建；将训练集输入三种分类器中进行训练，将测试集输入训练后的分类器中进行分类，根据分类结果得到大豆种植区域。用于解决遥感数据量巨大导致算法效率低、耗时久的问题以及单一算法提取大豆精度不够的问题。
香榧林的快速扩张引起了一系列的环境问题，急需准确获取香榧种植的时空分布信息。然而由于香榧林复杂的景观特征，目前还没有合适的方法提取香榧林的分布信息。香榧林的冠层特征和地表覆盖特征存在较大差异。一种为高大乔木，树冠面积较大，分布不规整；另一种多为矮小灌木，单株树形小，分布十分规整，林下可分有草覆盖和无草覆盖两个子类，林分整体盖度较低。目前仅有少数研究开展了香榧遥感信息提取，有基于IKONOS高分辨率卫星影像的，也有结合光谱信息、植被指数、纹理信息，并利用面向对象多尺度分割最近邻法分类或利用决策树多尺度分类的。此类研究多用于获取局部尺度香榧老林的分布信息，并未反映大面积扩增的香榧幼林分布信息，而且所采用的分类方法仍是传统覆盖所有地类的分类方法，并非专门针对香榧这一树种的专题信息提取。
发明内容
本发明提供的一种基于年龄特征的香榧种植面积计算方法，旨在解决提取香榧林地信息提取不全，错分漏分较多的问题；同时解决由提取的香榧图斑计算面积时与种植面积偏差较大的状况。
为实现上述目的，本发明采用以下技术方案：
获取待识别的遥感多光谱数据和香榧老林的栅格图层，所述遥感多光谱数据用于识别香榧幼林；
利用随机森林算法对所述遥感多光谱数据进行初步筛选，得到所述遥感多光谱数据的第一筛选结果；
先后计算所述遥感多光谱数据的归一化植被指数和植被覆盖度，并结合所述第一筛选结果进行叠置分析得到所述遥感多光谱数的第二筛选结果；
根据所述第二筛选结果和所述香榧老林的栅格图层计算香榧的种植面积。
作为优选，所述利用随机森林算法对所述遥感多光谱数据进行初步筛选，得到所述遥感多光谱数据的第一筛选结果具体包括：
利用随机森林算法筛选所述遥感多光谱数据中云量小于一定阈值的时序数据并进行中值合成作为随机森林分类底图；
设定随机森林算法的参数，并在所述随机森林分类底图中标记出香榧幼林，训练生成训练器；
利用所述训练器将所述随机森林分类底图进行二分类，得到第一筛选结果。
作为优选，所述先后计算所述遥感多光谱数据的归一化植被指数和植被覆盖度，并结合所述第一筛选结果进行叠置分析得到所述遥感多光谱数的第二筛选结果，包括：
先后计算所述遥感多光谱数据的归一化植被指数和植被覆盖度，计算公式为：
NDVI＝(NIR-RED)/(NIR+RED) (1)；
FVC＝(NDVI-NDVImin)/(NDVImax-NDVImin) (2)；
其中，NDVI为归一化植被指数值，NIR为近红外波段，RED为红光波段，FVC为植被覆盖度，NDVImin为纯裸土的归一化植被指数值，NDVImax为高植被覆盖度的归一化植被指数值；
选取所述遥感多光谱数据中所述归一化植被指数值和所述植被覆盖度小于预设阈值的图层，并与所述第一筛选结果进行叠置分析，取交集得到第二筛选结果。
作为优选，所述根据所述第二筛选结果和所述香榧老林的栅格图层计算香榧的种植面积，包括：
利用栅格计算器将所述第二筛选结果和所述香榧老林的栅格图层叠置分析，得到香榧林空间分布栅格成果；
根据阿尔玻斯等积投影法统计所述香榧林空间分布栅格成果中像素点数量，结合空间分辨率信息和坡度信息得到香榧种植面积。
一种基于年龄特征的香榧种植面积计算方法装置，包括：
获取模块：用于获取待识别的遥感多光谱数据和香榧老林的栅格图层，所述遥感多光谱数据用于识别香榧幼林；
第一筛选模块：用于利用随机森林算法对所述遥感多光谱数据进行初步筛选，得到所述遥感多光谱数据的第一筛选结果；
第二筛选模块：用于先后计算所述遥感多光谱数据的归一化植被指数和植被覆盖度，并结合所述第一筛选结果进行叠置分析得到所述遥感多光谱数的第二筛选结果；
计算模块：用于根据所述第二筛选结果和所述香榧老林的栅格图层计算香榧的种植面积。
作为优选，所述第一筛选模块包括：
地图生成单元：用于利用随机森林算法筛选所述遥感多光谱数据中云量小于一定阈值的时序数据并进行中值合成作为随机森林分类底图；
训练单元：用于设定随机森林算法的参数，并在所述随机森林分类底图中标记出香榧幼林，训练生成训练器；
分类单元：用于利用所述训练器将所述随机森林分类底图进行二分类，得到第一筛选结果。
作为优选，所述第二筛选模块包括：
计算子单元：用于先后计算所述遥感多光谱数据的归一化植被指数和植被覆盖度，计算公式为：
NDVI＝(NIR-RED)/(NIR+RED) (1)；
FVC＝(NDVI-NDVImin)/(NDVImax-NDVImin) (2)；
其中，NDVI为归一化植被指数值，NIR为近红外波段，RED为红光波段，FVC为植被覆盖度，NDVImin为纯裸土的归一化植被指数值，NDVImax为高植被覆盖度的归一化植被指数值；
筛选子单元：用于选取所述遥感多光谱数据中所述归一化植被指数值和所述植被覆盖度小于预设阈值的图层，并与所述第一筛选结果进行叠置分析，取交集得到第二筛选结果。
作为优选，所述计算模块包括：
叠置单元：用于利用栅格计算器将所述第二筛选结果和所述香榧老林的栅格图层叠置分析，得到香榧林空间分布栅格成果；
统计单元：用于根据阿尔玻斯等积投影法统计所述香榧林空间分布栅格成果中像素点数量，结合空间分辨率信息和坡度信息得到香榧种植面积。
一种基于年龄特征的香榧种植面积计算方法装置，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基于年龄特征的香榧种植面积计算方法。
一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述中任一项所述的一种基于年龄特征的香榧种植面积计算方法。
本发明具有如下有益效果：
一点：针对提取目标问题。本技术方案中通过分别提取幼年林(灌木型) 和成年林(乔木型)，最终合并得总香榧林图斑的方法，避免了针对其中某类进行提取时存在的提取不全、误分错分率较高的问题。
二点：针对分类方法问题。本技术方案中刻意针对香榧这类地物进行特征信息提取，包括树冠形状、植被覆盖度等信息，并非使用常规的覆盖所有地类的分类方法。
三点：针对使用的分类方法和数据源种类问题。在方法的选择上，本技术方案包括但不仅限于随机森林算法，也结合了光谱特征、物候特点、纹理信息；使用的数据源上，有亚米级的Google earth影像、多光谱哨兵2号影像、30米分辨率的地形数据。
四点：针对投影面积与坡面面积问题。本技术方案在求得投影面积结果的基础上，辅以地形数据，以勾股定理计算出坡面面积，缩小与统计得到的种植面积之间的数据差距。
附图说明
图1是本发明实施例实现一种基于年龄特征的香榧种植面积计算方法流程图；
图2是本发明实施例的香榧幼林的初步筛选结果图；
图3是本发明实施例的具体流程图；
图4是本发明实施例实现一种基于年龄特征的香榧种植面积计算装置示意图；
图5是本发明实施例实现一种基于年龄特征的香榧种植面积计算方法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和2所示，一种基于年龄特征的香榧种植面积计算方法，包括以下步骤：
S110、获取待识别的遥感多光谱数据和香榧老林的栅格图层，所述遥感多光谱数据用于识别香榧幼林；
S120、利用随机森林算法对所述遥感多光谱数据进行初步筛选，得到所述遥感多光谱数据的第一筛选结果；
S130、先后计算所述遥感多光谱数据的归一化植被指数和植被覆盖度，并结合所述第一筛选结果进行叠置分析得到所述遥感多光谱数的第二筛选结果；
S140、根据所述第二筛选结果和所述香榧老林的栅格图层计算香榧的种植面积。
在实施例1中，由于香榧老林提取算法中，现有技术中已经公开，首先使用ArcGISpro中Training sample manager功能进行标注，圈画香榧作为训练样本；其次，使用ExportTraining Data For Deep Learning功能导出训练数据；最后使用Detectg Object UsingDeep Learning执行识别过程，得到成年香榧树识别结果。这个识别结果为矢量，需要将矢量转换为栅格结果，这里为了和香榧幼林统一，于是将香榧老林提取结果重采样至10m分辨率，使香榧老林图层保持与香榧幼林图层空间分辨率一致，就能直接获取到香榧老林的栅格图层。
然后获取待识别的遥感多光谱数据，用于识别香榧幼林，采用二分类方法，只分为香榧幼林和其他地物，这里并不考虑香榧老林的提取，并在地图上标注，接着设定随机森林的参数，最主要的参数有特征选择数、最大树深度、树棵树。这里特征选择数为全部，树深度设置100，树棵树设置100，并使用先前标注中的50％作为训练集。剩下的30％作为验证集，当召回率大于80％时完成训练器，并以该训练器对底图进行二分类，得到香榧幼林的初步筛选结果，如图2所示，初步筛选结果显示的是香榧的图斑，然后在计算植被归一化指数和植被覆盖度，植被覆盖度是由植被归一化指数计算得出，计算公式如下：
NDVI＝(NIR-RED)/(NIR+RED) (1)；
FVC＝(NDVI-NDVImin)/(NDVImax-NDVImin) (2)；
其中，NDVI为归一化植被指数值，NIR为近红外波段，RED为红光波段，FVC为植被覆盖度，NDVImin为纯裸土的归一化植被指数值，NDVImax为高植被覆盖度的归一化植被指数值；这里的NDVImin和NDVImax的计算方式为提取1000个裸土像元和植被像元，分别提取其NDVI并将均值作为NDVImin和NDVImax。
得到FVC图层后，设置条件，当FVC<0.8时，为香榧幼林的存在区域。将该图层与香榧初筛结果进行叠置分析(即同时满足随机森林结果为香榧、 FVC<0.8)，得到第二次筛选结果。这里的筛选结果是将混入香榧幼林的常绿森林给剔除，常绿森林包括杉树、竹林、香榧老林，还存在田块对香榧幼林识别的干扰。
最后剔除田块对香榧幼林识别的干扰，其体现在田块的年内峰值NDVI大于香榧幼林。因此，计算各月份NDVI值并做年最大值合成，得到NDVImax栅格图像。得到NDVImax图层后，设置条件NDVImax<0.8时，为非田块区域。将该图层与第二次筛选结果的图层一同进行叠置分析(即同时满足随机森林结果为香榧、FVC<0.8、NDVImax<0.8)，得到香榧幼林的最终筛选结果。该结果为10m 空间分辨率的栅格图像。
本发明根据香榧不同年龄段具备的不同生理特征，将香榧整体划分为成年林与幼年林两类，分别进行提取后合并，得到香榧整体分布情况。针对成年林，利用亚米级高分辨率影像做底图进行标注，利用深度学习图像识别框架进行识别；针对幼年林，利用哨兵多光谱数据结合植被覆盖度作为基础数据，使用随机森林方法提取幼林，并利用田块全年间峰值植被指数极高的特点移除误分的田块。分别完成成年林和幼年林的提取后，合并得香榧种植图斑，并在阿尔玻斯等积投影下统计像素点数量，结合空间分辨率信息和坡度信息得到香榧种植面积。
实施例2
如图3所示，一种基于年龄特征的香榧种植面积计算方法，包括：
在获取待识别的遥感多光谱数据时，在开源平台Google earth engine上选择sentinel-2A数据，筛选2020年云量小于20％的时序数据进行中值合成作为随机森林分类底。云量过大会导致遥感影像不精准，本方案中筛选2020年9月无云数据计算NDVI，再由NDVI计算植被覆盖度FVC。这里使用的数据为9月数据，仅考虑9月不同作物的植被覆盖度差异。根据调研可知，对香榧老林而言，9月正值果实收获期，林下经人为除草，基本无植被覆盖，但林分整体盖度较高，仍可到达50％，其他时段林下有草覆盖，盖度更高；香榧幼林整体林分盖度较低，有草覆盖时可达到40％，无草覆盖约5％。例如在图2中的区域内选择五处进行9月份FVC均值统计(无作物地块为额外选取)，得到成年林为0.856，竹林0.971，杉树0.991，幼年林0.475，有作物田块0.897，无作物田块0.575。
然后得到香榧幼林的最终提取结果结合香榧老林图层，汇总得香榧林总体分布图斑。利用栅格计算器实现叠置分析，即：当一个像素点为幼林或老林时，赋值1进行标记，其余区域标记为0值。完成此步骤后，即得到香榧林空间分布栅格成果。对全图像素点值进行求和，并乘像素点面积，即可得到香榧种植区投影面积。这里在求和全图像素点值时，存在坡度的情况，坡度的种植面积要大于投影面积，因此针对坡度的计算为由地理数据空间云获取30m分辨率 DEM栅格图像，重采样至10m分辨率以对齐香榧分布栅格。使用ArcMap中坡度计算功能，由DEM数据计算坡度数据。由勾股定理，有：底面面积÷斜面面积＝COS(坡度)，而坡度、底面面积已知，可求斜面面积。
例如：原香榧分布图层标记了0和1，1代表存在香榧。当该位置的坡度为 60°时，那么新生成的栅格图层中，对应位置的值为2，对应面积为200平方米 (空间分辨率10米，面积为10*10*2)。执行完成后，得到香榧林斜面面积栅格图像。此时统计全图像素点像素值之和，并乘100即可得到香榧种植总面积。这里像素点代表一个10*10的正方形区域，若获取大比例尺地形图，则可从地形图生成更高精度地形信息。本发明利用遥感多光谱数据、亚米级影像数据和地形数据，分别提取乔木型香榧和灌木型香榧，并使用地形数据辅助计算香榧斜面种植面积。该方法可以提取出较全的香榧地物，并得到与统计数据接近的香榧种植面积而非投影面积，对研究香榧种植分布，指导香榧生产有重要意义。
实施例3
如图4所示，一种基于年龄特征的香榧种植面积计算方法装置，包括：
获取模块10：用于获取待识别的遥感多光谱数据和香榧老林的栅格图层，所述遥感多光谱数据用于识别香榧幼林；
第一筛选模块20：用于利用随机森林算法对所述遥感多光谱数据进行初步筛选，得到所述遥感多光谱数据的第一筛选结果；
第二筛选模块30：用于先后计算所述遥感多光谱数据的归一化植被指数和植被覆盖度，并结合所述第一筛选结果进行叠置分析得到所述遥感多光谱数的第二筛选结果；
计算模块40：用于根据所述第二筛选结果和所述香榧老林的栅格图层计算香榧的种植面积。
上述装置的一种实施方式可为：获取模块10获取待识别的遥感多光谱数据和香榧老林的栅格图层，所述遥感多光谱数据用于识别香榧幼林；第一筛选模块20利用随机森林算法对所述获取模块10获取的所述遥感多光谱数据进行初步筛选，得到所述遥感多光谱数据的第一筛选结果；第二筛选模块30先后计算所述遥感多光谱数据的归一化植被指数和植被覆盖度，并结合所述第一筛选模块20得到的所述第一筛选结果进行叠置分析得到所述遥感多光谱数的第二筛选结果；计算模块40根据第二筛选模块30得到的所述第二筛选结果和所述香榧老林的栅格图层计算香榧的种植面积。
实施例4
如图5所示，一种电子设备，包括存储器501和处理器502，所述存储器 501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502执行以实现上述的一种基于年龄特征的香榧种植面积计算方法。
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一种基于年龄特征的香榧种植面积计算方法。
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501中，并由处理器502执行，并由输入接口505和输出接口506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501、处理器502,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507、网络接入设备、总线等。
处理器502可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器502、数字信号处理器502(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502可以是微处理器502或者该处理器502也可以是任何常规的处理器502等。
存储器501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501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501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501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501还可以用于暂时地存储在输出器508，而前述的存储介质包括U盘、移动硬盘、只读存储器 ROM503、随机存储器RAM504、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)

1.一种基于年龄特征的香榧种植面积计算方法，其特征在于，所述年龄特征将香榧分为香榧幼林和香榧老林，包括：
获取待识别的遥感多光谱数据和香榧老林的栅格图层，所述遥感多光谱数据用于识别香榧幼林；
利用随机森林算法对所述遥感多光谱数据进行初步筛选，得到所述遥感多光谱数据的第一筛选结果；
先后计算所述遥感多光谱数据的归一化植被指数和植被覆盖度，并结合所述第一筛选结果进行叠置分析得到所述遥感多光谱数的第二筛选结果；
根据所述第二筛选结果和所述香榧老林的栅格图层计算香榧的种植面积。
2.根据权利要求1所述的一种基于年龄特征的香榧种植面积计算方法，其特征在于，所述利用随机森林算法对所述遥感多光谱数据进行初步筛选，得到所述遥感多光谱数据的第一筛选结果具体包括：
利用随机森林算法筛选所述遥感多光谱数据中云量小于一定阈值的时序数据并进行中值合成作为随机森林分类底图；
设定随机森林算法的参数，并在所述随机森林分类底图中标记出香榧幼林，训练生成训练器；
利用所述训练器将所述随机森林分类底图进行二分类，得到第一筛选结果。
3.根据权利要求1所述的一种基于年龄特征的香榧种植面积计算方法，其特征在于，所述先后计算所述遥感多光谱数据的归一化植被指数和植被覆盖度，并结合所述第一筛选结果进行叠置分析得到所述遥感多光谱数的第二筛选结果，包括：
先后计算所述遥感多光谱数据的归一化植被指数和植被覆盖度，计算公式为：
NDVI＝(NIR-RED)/(NIR+RED) (1)；
FVC＝(NDVI-NDVImin)/(NDVImax-NDVImin) (2)；
其中，NDVI为归一化植被指数值，NIR为近红外波段，RED为红光波段，FVC为植被覆盖度，NDVImin为纯裸土的归一化植被指数值，NDVImax为高植被覆盖度的归一化植被指数值；
选取所述遥感多光谱数据中所述归一化植被指数值和所述植被覆盖度小于预设阈值的图层，并与所述第一筛选结果进行叠置分析，取交集得到第二筛选结果。
4.根据权利要求1所述的一种基于年龄特征的香榧种植面积计算方法，其特征在于，所述根据所述第二筛选结果和所述香榧老林的栅格图层计算香榧的种植面积，包括：
利用栅格计算器将所述第二筛选结果和所述香榧老林的栅格图层叠置分析，得到香榧林空间分布栅格成果；
统计所述香榧林空间分布栅格成果中像素点数量，结合空间分辨率信息和坡度信息得到香榧种植面积。
5.一种基于年龄特征的香榧种植面积计算装置，其特征在于，包括
获取模块：用于获取待识别的遥感多光谱数据和香榧老林的栅格图层，所述遥感多光谱数据用于识别香榧幼林；
第一筛选模块：用于利用随机森林算法对所述遥感多光谱数据进行初步筛选，得到所述遥感多光谱数据的第一筛选结果；
第二筛选模块：用于先后计算所述遥感多光谱数据的归一化植被指数和植被覆盖度，并结合所述第一筛选结果进行叠置分析得到所述遥感多光谱数的第二筛选结果；
计算模块：用于根据所述第二筛选结果和所述香榧老林的栅格图层计算香榧的种植面积。
6.根据权利要求5所述的一种基于年龄特征的香榧种植面积计算装置，其特征在于，所述第一筛选模块包括：
地图生成单元：用于利用随机森林算法筛选所述遥感多光谱数据中云量小于一定阈值的时序数据并进行中值合成作为随机森林分类底图；
训练单元：用于设定随机森林算法的参数，并在所述随机森林分类底图中标记出香榧幼林，训练生成训练器；
分类单元：用于利用所述训练器将所述随机森林分类底图进行二分类，得到第一筛选结果。
7.根据权利要求5所述的一种基于年龄特征的香榧种植面积计算装置，其特征在于，所述第二筛选模块包括：
计算子单元：用于先后计算所述遥感多光谱数据的归一化植被指数和植被覆盖度，计算公式为：
NDVI＝(NIR-RED)/(NIR+RED) (1)；
FVC＝(NDVI-NDVImin)/(NDVImax-NDVImin) (2)；
其中，NDVI为归一化植被指数值，NIR为近红外波段，RED为红光波段，FVC为植被覆盖度，NDVImin为纯裸土的归一化植被指数值，NDVImax为高植被覆盖度的归一化植被指数值；
筛选子单元：用于选取所述遥感多光谱数据中所述归一化植被指数值和所述植被覆盖度小于预设阈值的图层，并与所述第一筛选结果进行叠置分析，取交集得到第二筛选结果。
8.根据权利要求5所述的一种基于年龄特征的香榧种植面积计算装置，其特征在于，所述计算模块包括：
叠置单元：用于利用栅格计算器将所述第二筛选结果和所述香榧老林的栅格图层叠置分析，得到香榧林空间分布栅格成果；
统计单元：用于统计所述香榧林空间分布栅格成果中像素点数量，结合空间分辨率信息和坡度信息得到香榧种植面积。
9.一种基于年龄特征的香榧种植面积计算装置，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基于年龄特征的香榧种植面积计算方法。
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基于年龄特征的香榧种植面积计算方法。
CN202210090496.0A 2022-01-25 2022-01-25 一种基于年龄特征的香榧种植面积计算方法及装置 Pending CN114639011A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210090496.0A CN114639011A (zh) 2022-01-25 2022-01-25 一种基于年龄特征的香榧种植面积计算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210090496.0A CN114639011A (zh) 2022-01-25 2022-01-25 一种基于年龄特征的香榧种植面积计算方法及装置

Publications (1)

Publication Number Publication Date
CN114639011A true CN114639011A (zh) 2022-06-17

Family

ID=81946731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210090496.0A Pending CN114639011A (zh) 2022-01-25 2022-01-25 一种基于年龄特征的香榧种植面积计算方法及装置

Country Status (1)

Country Link
CN (1) CN114639011A (zh)

Similar Documents

Publication Publication Date Title
Zhang et al. Accessing the temporal and spectral features in crop type mapping using multi-temporal Sentinel-2 imagery: A case study of Yi’an County, Heilongjiang province, China
CN111709379B (zh) 基于遥感影像的丘陵区柑橘种植地块监测方法及系统
George et al. Forest tree species discrimination in western Himalaya using EO-1 Hyperion
CN107527014A (zh) 县级作物种植面积遥感统计抽样调查方案设计方法
CN107480706A (zh) 一种制种玉米田遥感识别方法及装置
CN108458978B (zh) 基于敏感波段和波段组合最优的树种多光谱遥感识别方法
WO2001033505A2 (en) Multi-variable model for identifying crop response zones in a field
Chen et al. Predicting individual apple tree yield using UAV multi-source remote sensing data and ensemble learning
Estornell et al. Tree extraction and estimation of walnut structure parameters using airborne LiDAR data
Nguyen Trong et al. Land cover and forest type classification by values of vegetation indices and forest structure of tropical lowland forests in central vietnam
LUO et al. Comparison of machine learning algorithms for mapping mango plantations based on Gaofen-1 imagery
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
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
CN113657158A (zh) 基于Google Earth Engine的大尺度大豆种植区域提取算法
Kang et al. Support vector machine classification of crop lands using sentinel-2 imagery
Panda et al. Distinguishing blueberry bushes from mixed vegetation land use using high resolution satellite imagery and geospatial techniques
Liu et al. UAV-based crops classification with joint features from orthoimage and DSM data
CN115861629A (zh) 一种高分耕地影像提取方法
Sun et al. Monitoring annual urbanization activities in Guangzhou using Landsat images (1987–2015)
CN114639011A (zh) 一种基于年龄特征的香榧种植面积计算方法及装置
Wilkinson et al. Change detection techniques for use in a statewide forest inventory program
CN114663780A (zh) 基于gee和机器学习的河套灌区种植结构识别方法及系统
Hirschmugl Derivation of forest parameters from UltracamD data
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)
Li et al. Application of High-Resolution Remote Sensing Image for Individual Tree Identification of Pinus sylvestris and Pinus tabulaeformis

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