CN114782838B - 水稻识别方法、装置、电子设备和存储介质 - Google Patents
水稻识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114782838B CN114782838B CN202210683709.0A CN202210683709A CN114782838B CN 114782838 B CN114782838 B CN 114782838B CN 202210683709 A CN202210683709 A CN 202210683709A CN 114782838 B CN114782838 B CN 114782838B
- Authority
- CN
- China
- Prior art keywords
- index
- ndvi
- rice
- phenological
- period
- 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.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及农业智能检测技术领域,提供一种水稻识别方法、装置、电子设备和存储介质,方法包括:获取待识别区域的多时相遥感影像数据;对所述多时相遥感影像数据,进行不同时相的植被指数提取处理,得到第一植被指数集;对所述第一植被指数集进行特征提取,得到物候特征;基于所述物候特征和预设水稻识别条件,确定所述待识别区域的水稻识别结果;其中,所述预设水稻识别条件是基于对多时相遥感影像样本数据提取得到的样本物候特征,进行分析确定的。本发明可以提高水稻识别的准确性。
Description
技术领域
本发明涉及农业智能检测技术领域,尤其涉及一种水稻识别方法、装置、电子设备和存储介质。
背景技术
随着卫星技术的迅速发展和遥感数据分析技术的快速发展,卫星遥感在获取大区域的地表监测数据方面具有高效性,基于此,为大区域的种植物进行识别提供了支持。
目前,多采用水稻生育期内多个时间点的遥感影像数据,分析水稻在各个时期的作物生长指数特征,进行水稻识别。然而,通过固定生育期的遥感影像数据进行水稻识别,由于同一遥感影像上的不同地块的水稻存在差异,例如移栽期的差异、物候期的差异,从而导致水稻识别结果存在误差;同时,由于同一遥感影像上的水稻可能为不同品种,或者其种植条件存在不同,而现有水稻识别方法只能评估单一品种或单一种植条件的水稻,从而导致水稻识别结果准确性降低。
综上,如何提高水稻识别的准确性,是目前亟需解决的问题。
发明内容
本发明提供一种水稻识别方法、装置、电子设备和存储介质,用以解决现有技术中水稻识别结果准确性低的缺陷,实现高准确的水稻识别。
本发明提供一种水稻识别方法,包括:
获取待识别区域的多时相遥感影像数据;
对所述多时相遥感影像数据,进行不同时相的植被指数提取处理,得到第一植被指数集;
对所述第一植被指数集进行特征提取,得到物候特征;
基于所述物候特征和预设水稻识别条件,确定所述待识别区域的水稻识别结果;
其中,所述预设水稻识别条件是基于对多时相遥感影像样本数据提取得到的样本物候特征,进行分析确定的。
根据本发明提供的一种水稻识别方法,所述第一植被指数集包括归一化植被指数NDVI指数集,所述对所述第一植被指数集进行特征提取,得到物候特征,包括:
基于所述NDVI指数集,确定生长发育区间;
从所述第一植被指数集确定出所述生长发育区间对应的第二植被指数集;
对所述第二植被指数集进行特征提取,得到所述物候特征。
根据本发明提供的一种水稻识别方法,所述对所述第一植被指数集进行特征提取,得到物候特征,之前还包括:
对所述第一植被指数集进行月度划分处理,得到各月度的植被指数集;
分别将所述各月度的植被指数集进行平均运算,得到所述各月度的平均植被指数;
将所述各月度的平均植被指数组合成第三植被指数集;
将所述第一植被指数集更新为所述第三植被指数集,以供对更新后的第一植被指数集进行特征提取,得到月度物候特征。
根据本发明提供的一种水稻识别方法,所述预设水稻识别条件通过如下步骤确定:
获取所述多时相遥感影像样本数据;
对所述多时相遥感影像样本数据,进行不同时相的植被指数提取处理,得到第四植被指数集;
对所述第四植被指数集进行特征提取,得到所述样本物候特征;
基于所述样本物候特征与所述多时相遥感影像样本数据对应的样本水稻识别结果,进行分析得到所述预设水稻识别条件。
根据本发明提供的一种水稻识别方法,所述物候特征包括以下至少一种:NDVI指数爬升期对应的NDVI指数曲线的最大斜率、NDVI指数爬升期的起始点所对应的时刻、NDVI指数爬升期的时长、NDVI指数爬升期的变化梯度标准差、生长发育区间的时长、NDVI指数爬升期内各相邻的变化斜率间变化量、NDVI指数爬升期的起始点所对应的归一化水体指数NDWI指数和波段反射率比值、NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量;
所述NDVI指数爬升期为NDVI指数随时间向上变化的时期;
所述变化梯度标准差为所述NDVI指数爬升期内各相邻指数的变化梯度值的标准差,所述变化梯度值为所述NDVI指数爬升期内相邻两个NDVI指数的变化梯度;
所述变化斜率间变化量为所述NDVI指数爬升期对应的NDVI指数曲线中相邻两个变化斜率间的差值;
所述波段反射率比值为蓝波段的反射率与红波段的反射率的比值。
根据本发明提供的一种水稻识别方法,所述预设水稻识别条件包括以下至少一种:
若NDVI指数爬升期对应的NDVI指数曲线的最大斜率小于或等于第一预设阈值,确定水稻识别结果为非水稻区域,所述NDVI指数爬升期为NDVI指数随时间向上变化的时期;
若NDVI指数爬升期的起始点所对应的时刻未处于第一预设区间,确定水稻识别结果为非水稻区域;
若NDVI指数爬升期的时长未处于第二预设区间,确定水稻识别结果为非水稻区域;
若NDVI指数爬升期的变化梯度标准差小于或等于第二预设阈值,且所述最大斜率小于或等于第三预设阈值,确定水稻识别结果为非水稻区域,所述变化梯度标准差为所述NDVI指数爬升期内各相邻指数的变化梯度值的标准差,所述变化梯度值为所述NDVI指数爬升期内相邻两个NDVI指数的变化梯度;
若生长发育区间的时长未处于第三预设区间,确定水稻识别结果为非水稻区域;
若NDVI指数爬升期内最大的变化斜率间变化量小于第四预设阈值,确定水稻识别结果为非水稻区域,所述最大变化斜率间变化量为最大的变化斜率间变化量,所述变化斜率间变化量为所述NDVI指数爬升期对应的NDVI指数曲线中相邻两个变化斜率间的差值;
若NDVI指数爬升期的起始点所对应的NDWI指数和波段反射率比值未符合第一预设关系,确定水稻识别结果为非水稻区域,所述波段反射率比值为蓝波段的反射率与红波段的反射率的比值;
若NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量未符合第二预设关系,确定水稻识别结果为非水稻区域。
根据本发明提供的一种水稻识别方法,所述物候特征包括NDVI指数爬升期对应的NDVI指数曲线的最大斜率、NDVI指数爬升期的起始点所对应的时刻、NDVI指数爬升期的时长、NDVI指数爬升期的变化梯度标准差、生长发育区间的时长、NDVI指数爬升期内各相邻的变化斜率间变化量、NDVI指数爬升期的起始点所对应的NDWI指数和波段反射率比值、NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量;
所述基于所述物候特征和预设水稻识别条件,确定所述待识别区域的水稻识别结果,包括:
若所述物候特征中的所述最大斜率大于所述第一预设阈值,确定所述物候特征中的所述NDVI指数爬升期的起始点所对应的时刻是否处于所述第一预设区间;
若所述物候特征中的所述NDVI指数爬升期的起始点所对应的时刻处于所述第一预设区间,确定所述物候特征中的所述NDVI指数爬升期的时长是否处于所述第二预设区间;
若所述物候特征中的所述NDVI指数爬升期的时长处于所述第二预设区间,确定所述物候特征中的所述NDVI指数爬升期的变化梯度标准差是否大于所述第二预设阈值;
若所述物候特征中的所述NDVI指数爬升期的变化梯度标准差大于所述第二预设阈值,确定所述物候特征中的所述生长发育区间的时长是否处于所述第三预设区间,或者,若所述物候特征中的所述NDVI指数爬升期的变化梯度标准差小于或等于所述第二预设阈值,且所述物候特征中的所述最大斜率大于所述第三预设阈值,确定所述物候特征中的所述生长发育区间的时长是否处于所述第三预设区间;
若所述物候特征中的所述生长发育区间的时长处于所述第三预设区间,基于所述物候特征中的所述各相邻的变化斜率间变化量确定最大变化斜率间变化量,并确定所述最大变化斜率间变化量是否大于或等于所述第四预设阈值;
若所述最大变化斜率间变化量大于或等于所述第四预设阈值,确定所述物候特征中的所述NDVI指数爬升期的起始点所对应的NDWI指数和波段反射率比值是否符合所述第一预设关系;
若符合所述第一预设关系,确定所述物候特征中的所述NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量是否符合所述第二预设关系;
若符合所述第二预设关系,确定所述待识别区域为水稻区域。
本发明还提供一种水稻识别装置,包括:
获取模块,用于获取待识别区域的多时相遥感影像数据;
处理模块,用于对所述多时相遥感影像数据,进行不同时相的植被指数提取处理,得到第一植被指数集;
提取模块,用于对所述第一植被指数集进行特征提取,得到物候特征;
确定模块,用于基于所述物候特征和预设水稻识别条件,确定所述待识别区域的水稻识别结果;
其中,所述预设水稻识别条件是基于对多时相遥感影像样本数据提取得到的样本物候特征,进行分析确定的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述水稻识别方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述水稻识别方法。
本发明提供的水稻识别方法、装置、电子设备和存储介质,获取待识别区域的多时相遥感影像数据;对多时相遥感影像数据,进行不同时相的植被指数提取处理,得到第一植被指数集;对第一植被指数集进行特征提取,得到物候特征;基于物候特征和预设水稻识别条件,确定待识别区域的水稻识别结果。通过上述方式,对多时相遥感影像数据,进行不同时相的植被指数提取处理,可以高频次连续监测数据,从而可以考虑完整的种植物发育过程,可以将完整的发育曲线提取出来,进而可以避免移栽期差异和物候期差异等差异,从而提高水稻识别的准确性;同时,预设水稻识别条件是基于对多时相遥感影像样本数据提取得到的样本物候特征,进行分析确定的,进而可以充分考虑物候特征确定预设水稻识别条件,进而提高预设水稻识别条件确定的准确性,进而进一步提高水稻识别的准确性。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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为本发明提供的水稻识别方法的流程示意图之一;
图2为本发明提供的水稻识别方法的流程示意图之二;
图3为本发明提供的水稻识别方法的流程示意图之三;
图4为本发明提供的水稻识别装置的结构示意图;
图5为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
随着卫星技术的迅速发展和遥感数据分析技术的快速发展,卫星遥感在获取大区域的地表监测数据方面具有高效性,基于此,为大区域的种植物进行识别提供了支持。
目前,水稻识别多采用其生育期内多个时间点的遥感影像数据,例如,生育期包括拔节期、灌浆期、蜡熟期等,分析各个时期的作物生长指数特征,进而评估各时间点的健康营养状况,最后基于各时间点的健康营养状况,进行水稻识别。然而,通过固定生育期的遥感影像数据进行水稻识别,由于同一遥感影像上的不同地块的水稻存在差异,例如移栽期的差异、物候期的差异,从而导致水稻识别结果存在误差;同时,由于同一遥感影像上的水稻可能为不同品种,或者其种植条件存在不同,而现有水稻识别方法只能评估单一品种或单一种植条件的水稻,例如,在挑选植被指数时多利用植被指数的绝对值,未考虑不同种植物品种或不同种植条件的差异性,同时,构建的水稻识别模型往往地域局限性较大,不是所利用的遥感影像的时间点要调整,就是模型参数需要利用新的样本进行优化,可扩展性有限,即使是利用全样本数据结合深度学习模型深度挖掘空间、光谱等维度的特征,其可解释性也是较差的,进而导致水稻识别结果准确性降低。
综上,如何提高水稻识别的准确性,是目前亟需解决的问题。
针对上述问题,本发明提出以下各实施例。图1为本发明提供的水稻识别方法的流程示意图之一,如图1所示,该水稻识别方法包括:
步骤110,获取待识别区域的多时相遥感影像数据。
此处,待识别区域为需要进行水稻识别的区域。在一具体实施例中,该待识别区域为待识别的图斑区域。在另一具体实施例中,该待识别区域为遥感影像中的一像素点,或者包含预设数量像素点的区域。
具体地,获取整体区域的多时相遥感影像数据,进而基于整体区域的多时相遥感影像数据,获取待识别区域的多时相遥感影像数据。
其中,整体区域的多时相遥感影像数据中每一遥感影像可以覆盖较大的区域,基于此,可以实现对待识别区域的全覆盖。
此处,多时相遥感影像数据包括多个时间点的遥感影像,其具体包括多少时间点的遥感影像,可以根据实际需求进行设定。
该多时相遥感影像数据可以通过遥感卫星进行采集获取,本发明实施例对遥感卫星的类型不作具体限定,例如,哨兵2卫星。
在一具体实施例中,确定水稻的生育周期。例如,水稻的生育周期可以设定为5个月或6个月;由于水稻的生育周期一般不会超过5个月或6个月,因此,将水稻的生育周期设定为5个月或6个月,可以保证覆盖了水稻的整体生育周期,即从插秧到当前时间点的全部发育过程。
具体地,可以在生育周期内设定采样频率,进而基于该采样频率获取遥感影像。例如,生育周期为五个月,采样频率为5天一次,则该多时相遥感影像数据包括当前时间点往回准备5个月内的每5天一次的遥感影像。
可以理解的是,将该采样频率设定为高频率,可以高频次连续监测数据追踪,从而可以考虑较为完整的水稻发育过程,可以将完整的发育曲线提取出来,因此,即使同一遥感影像中不同地块之间的移栽期差异较大以及物候期差异较大等,通过提取完整的发育曲线,可以进一步避免这些差异,从而进一步提高水稻识别的准确性。
步骤120,对所述多时相遥感影像数据,进行不同时相的植被指数提取处理,得到第一植被指数集。
具体地,对多时相遥感影像数据中各时相的遥感影像进行植被指数提取处理,得到各时相的植被指数,进而将各时相的植被指数确定为第一植被指数集。更为具体地,计算多时相遥感影像数据中每一遥感影像的植被指数,得到各遥感影像的植被指数,进而将各遥感影像的植被指数确定为第一植被指数集。
此处,第一植被指数集可以包括多种植被指数集,本发明实施例对植被指数的具体类型不作限定。在一具体实施例中,第一植被指数集包括NDVI(Normalized DifferenceVegetation Index,归一化植被指数)指数集、NDWI(Normalized Difference WaterIndex,归一化水体指数)指数集、b/r(蓝波段的反射率与红波段的反射率的比值)指数集。
该第一植被指数集中各植被指数有对应的时间属性,进而可以基于该第一植被指数集确定植被指数变化曲线,即植被指数随时间变化的植被指数变化情况,例如NDVI指数变化曲线、NDWI指数变化曲线、b/r指数变化曲线。
步骤130,对所述第一植被指数集进行特征提取,得到物候特征;
此处,物候特征可以包括但不限于以下一种或多种:NDVI指数爬升期对应的NDVI指数曲线的最大斜率、NDVI指数爬升期的起始点所对应的时刻、NDVI指数爬升期的时长、NDVI指数爬升期的变化梯度标准差、生长发育区间的时长、NDVI指数爬升期内各相邻的变化斜率间变化量、NDVI指数爬升期的起始点所对应的归一化水体指数NDWI指数和波段反射率比值、NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量等等。
其中,NDVI指数爬升期为NDVI指数随时间向上变化的时期。NDVI指数曲线的最大斜率用于表征NDVI指数随时间变化的最快速率。
其中,NDVI指数爬升期的起始点所对应的时刻可以用月份表示,也可以用日表示,或者用其他时间粒度表示,本发明实施例对此不作限定。例如,NDVI指数爬升期的起始点所对应的时刻为2019年6月9号,则NDVI指数爬升期的起始点所对应的时刻可以为6月,或者为6月9号。
其中,NDVI指数爬升期的时长为NDVI指数爬升期的区间时长。例如,NDVI指数爬升期包括2019年6月9号对应的NDVI指数、2019年6月24号对应的NDVI指数、2019年6月29号对应的NDVI指数、2019年7月4号对应的NDVI指数,则NDVI指数爬升期的时长为25天。
其中,变化梯度标准差为NDVI指数爬升期内各相邻指数的变化梯度值的标准差,变化梯度值为NDVI指数爬升期内相邻两个NDVI指数的变化梯度。例如,NDVI指数爬升期内,2019年6月9号对应的NDVI指数和2019年6月24号对应的NDVI指数对应的变化梯度为0.01,2019年6月29号对应的NDVI指数和2019年7月4号对应的NDVI指数对应的变化梯度为0.04。
其中,生长发育区间为水稻发生发育变化的时间段,即水稻生育期的时间段。具体地,由于第一植被指数集中NDVI指数集中各NDVI指数均有对应的时间属性,基于此,基于NDVI指数集可以提取出属于种植物发育变化的部分,进而可以将非种植物发育变化的部分去除掉,得到该生长发育区间。
其中,变化斜率间变化量为NDVI指数爬升期对应的NDVI指数曲线中相邻两个变化斜率间的差值。例如,NDVI指数爬升期包括2019年6月9号至2019年6月24号对应的变化斜率为0.01、2019年6月29号至2019年7月4号对应的变化斜率为0.04,则相邻的变化斜率间变化量为0.03。
其中,波段反射率比值为蓝波段的反射率与红波段的反射率的比值。
其中,NDWI指数的累积量为NDVI指数爬升期内所有的NDWI指数进行相加的值。波段反射率比值的累积量为NDVI指数爬升期内所有的波段反射率比值进行相加的值。
步骤140,基于所述物候特征和预设水稻识别条件,确定所述待识别区域的水稻识别结果。
其中,所述预设水稻识别条件是基于对多时相遥感影像样本数据提取得到的样本物候特征,进行分析确定的。
具体地,确定物候特征是否符合预设水稻识别条件所要求的水稻条件,若符合,则确定待识别区域为水稻区域;若不符合,则确定待识别区域为非水稻区域。
此处,水稻识别结果可以包括水稻区域和非水稻区域。
进一步地,基于各待识别区域的水稻识别结果,可以确定整体区域的水稻识别结果,进而确定哪一片区域为水稻区域,哪一片区域为非水稻区域。在一具体实施例中,基于各待识别区域的水稻识别结果,可以将非水稻的地类图斑去除掉,并最终识别出水稻图斑。
需要说明的是,对多时相遥感影像样本数据提取得到的样本物候特征,进行数据分析处理得到数据分析结果,该数据分析结果用于表征哪一类物候特征在水稻和非水稻之间差异最大,且用于表征水稻的物候特征所处的区间,以及用于表征水稻的物候特征所大于或小于的阈值,以及用于表征水稻的物候特征所符合的关系;进而基于数据分析结果确定预设水稻识别条件。
本发明实施例提供的水稻识别方法,获取待识别区域的多时相遥感影像数据;对多时相遥感影像数据,进行不同时相的植被指数提取处理,得到第一植被指数集;对第一植被指数集进行特征提取,得到物候特征;基于物候特征和预设水稻识别条件,确定待识别区域的水稻识别结果。通过上述方式,对多时相遥感影像数据,进行不同时相的植被指数提取处理,可以高频次连续监测数据,从而可以考虑完整的种植物发育过程,可以将完整的发育曲线提取出来,进而可以避免移栽期差异和物候期差异等差异,从而提高水稻识别的准确性;同时,预设水稻识别条件是基于对多时相遥感影像样本数据提取得到的样本物候特征,进行分析确定的,进而可以充分考虑物候特征确定预设水稻识别条件,进而提高预设水稻识别条件确定的准确性,进而进一步提高水稻识别的准确性。
基于上述实施例,图2为本发明提供的水稻识别方法的流程示意图之二,如图2所示,所述第一植被指数集包括归一化植被指数NDVI指数集,上述步骤130包括:
步骤131,基于所述NDVI指数集,确定生长发育区间。
具体地,由于NDVI指数集中各NDVI指数均有对应的时间属性,基于此,基于NDVI指数集可以确定生长发育区间。
此处,生长发育区间为种植物发生发育变化的时间段,即种植物生育期的时间段。
步骤132,从所述第一植被指数集确定出所述生长发育区间对应的第二植被指数集。
具体地,基于生长发育区间,提取出属于种植物发育变化的部分,进而可以将非种植物发育变化的部分去除掉,进而得到生长发育区间对应的第二植被指数集。
此处,第二植被指数集仅仅包括生长发育区间内的植被指数。具体地,第二植被指数集包括生长发育区间内的NDVI指数集。
步骤133,对所述第二植被指数集进行特征提取,得到所述物候特征。
此处,对第二植被指数集进行特征提取,得到物候特征,与上述实施例中对第一植被指数集进行特征提取,得到物候特征的步骤基本相同,此处不再一一赘述。
本发明实施例提供的水稻识别方法,通过上述方式,将第一植被指数集中生长发育区间外的植被指数去除,从而基于更加准确的第二植被指数集进行物候特征的提取,可以提高物候特征的准确性,进而进而进一步提高水稻识别的准确性。
基于上述任一实施例,该方法中,上述步骤130之前,该方法还包括:
对所述第一植被指数集进行月度划分处理,得到各月度的植被指数集;
分别将所述各月度的植被指数集进行平均运算,得到所述各月度的平均植被指数;
将所述各月度的平均植被指数组合成第三植被指数集;
将所述第一植被指数集更新为所述第三植被指数集,以供对更新后的第一植被指数集进行特征提取,得到月度物候特征。
具体地,将处于同一个月内的多个植被指数进行平均,得到每月的平均植被指数,进而基于每月的平均植被指数得到第三植被指数集,即第三植被指数集包括每月的平均植被指数。
在一具体实施例中,第一植被指数集包括NDVI指数集、NDWI指数集、b/r指数集。基于此,对NDVI指数集、NDWI指数集、b/r指数集分别进行月度划分处理,得到各月度的NDVI指数集、各月度的NDWI指数集、各月度的b/r指数集;分别将各月度的NDVI指数集、各月度的NDWI指数集、各月度的b/r指数集进行平均运算,得到各月度的平均NDVI指数、各月度的平均NDWI指数、各月度的平均b/r指数;将各月度的平均NDVI指数组合成月度平均的NDVI指数集,将各月度的平均NDWI指数组合成月度平均的NDWI指数集、将各月度的平均b/r指数组合成月度平均的b/r指数集,进而基于月度平均的NDWI指数集、月度平均的NDWI指数集、月度平均的b/r指数集确定第三植被指数集,即第三植被指数集包括月度平均的NDWI指数集、月度平均的NDWI指数集、月度平均的b/r指数集。
本发明实施例提供的水稻识别方法,通过上述方式,对第一植被指数集进行月度划分处理和平均处理,得到各月度的平均植被指数,进而得到植被指数数量更少的第三植被指数集,从而减少后续物候特征提取的计算量,并减少后续基于物候特征和预设水稻识别条件进行水稻识别的计算资源,进而提高水稻识别的效率;同时,在多时相遥感影像数据存在异常问题时,例如,出现云雾的影响时,基于月度的平均植被指数进行物候特征提取,不会因为多时相遥感影像数据在某一天或者某一段时间存在异常,便无法进行物候特征提取,进而无法进行水稻识别,因此,本发明实施例获取月度物候特征,可以提高水稻识别的鲁棒性。
基于上述任一实施例,图3为本发明提供的水稻识别方法的流程示意图之三,如图3所示,所述预设水稻识别条件通过如下步骤确定:
步骤310,获取所述多时相遥感影像样本数据。
此处,多时相遥感影像样本数据为多时相遥感影像数据对应的样本数据,该多时相遥感影像样本数据可以为历史数据,本发明实施例对此不作具体限定。
此处,多时相遥感影像样本数据包括多个时间点的遥感影像样本,其具体包括多少时间点的遥感影像样本,可以根据实际需求进行设定。
需要说明的是,每一遥感影像样本可以覆盖较大的区域,基于此,可以实现对待识别区域的全覆盖。
该多时相遥感影像样本数据可以通过遥感卫星进行采集获取,本发明实施例对遥感卫星的类型不作具体限定,例如,哨兵2卫星。
在一具体实施例中,确定水稻的生育周期。例如,水稻的生育周期可以设定为5个月或6个月;由于水稻的生育周期一般不会超过5个月或6个月,因此,将水稻的生育周期设定为5个月或6个月,可以保证覆盖了水稻的整体生育周期,即从插秧到当前时间点的全部发育过程。
具体地,可以在生育周期内设定采样频率,进而基于该采样频率获取遥感影像样本。例如,生育周期为五个月,采样频率为5天一次,则该多时相遥感影像样本数据包括当前时间点往回准备5个月内的每5天一次的遥感影像样本。
可以理解的是,将该采样频率设定为高频率,可以高频次连续监测数据追踪,从而可以考虑较为完整的种植物发育过程,可以将完整的发育曲线提取出来,因此,即使同一遥感影像样本中不同地块之间的移栽期或播种期的差异较大以及物候期差异较大等,通过提取完整的发育曲线,可以进一步避免这些差异,从而进一步提高预设水稻识别条件的确定准确性。
步骤320,对所述多时相遥感影像样本数据,进行不同时相的植被指数提取处理,得到第四植被指数集。
具体地,对多时相遥感影像样本数据中各时相的遥感影像样本进行植被指数提取处理,得到各时相的植被指数,进而将各时相的植被指数确定为第四植被指数集。更为具体地,计算多时相遥感影像样本数据中每一遥感影像样本的植被指数,得到各遥感影像样本的植被指数,进而将各遥感影像样本的植被指数确定为第四植被指数集。
此处,第四植被指数集可以包括多种植被指数集,本发明实施例对植被指数的具体类型不作限定。在一具体实施例中,第四植被指数集包括NDVI指数集、NDWI指数集、b/r指数集。
该第四植被指数集中各植被指数有对应的时间属性,进而可以基于该第四植被指数集确定植被指数变化曲线,即植被指数随时间变化的植被指数变化情况,例如NDVI指数变化曲线、NDWI指数变化曲线、b/r指数变化曲线。
步骤330,对所述第四植被指数集进行特征提取,得到所述样本物候特征。
此处,样本物候特征可以包括但不限于以下一种或多种:NDVI指数爬升期对应的NDVI指数曲线的最大斜率、NDVI指数爬升期的起始点所对应的时刻、NDVI指数爬升期的时长、NDVI指数爬升期的变化梯度标准差、生长发育区间的时长、NDVI指数爬升期内各相邻的变化斜率间变化量、NDVI指数爬升期的起始点所对应的归一化水体指数NDWI指数和波段反射率比值、NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量等等。
在另一实施例中,所述第四植被指数集包括NDVI指数集,上述步骤330包括:
基于NDVI指数集,确定生长发育区间;从第四植被指数集确定出生长发育区间对应的第五植被指数集;对第五植被指数集进行特征提取,得到样本物候变化特征。
具体地,由于NDVI指数集中各NDVI指数均有对应的时间属性,基于此,基于NDVI指数集可以提取出属于种植物发育变化的部分,进而可以将非种植物发育变化的部分去除掉,进而得到生长发育区间对应的第五植被指数集。
此处,第五植被指数集仅仅包括生长发育区间内的植被指数。具体地,第五植被指数集包括生长发育区间内的NDVI指数集。
可以理解的是,将第四植被指数集中生长发育区间外的植被指数去除,从而基于更加准确的第五植被指数集进行物候特征的提取,可以提高物候特征的准确性,进而进一步提高预设水稻识别条件确定的准确性,进而进一步提高水稻识别的准确性。
在另一实施例中,上述步骤330之前还包括:
对第四植被指数集进行月度划分处理,得到各月度的植被指数集;分别将各月度的植被指数集进行平均运算,得到各月度的平均植被指数;将各月度的平均植被指数组合成第六植被指数集;将第四植被指数集更新为第六植被指数集,以供对更新后的第四植被指数集进行特征提取,得到月度样本物候特征。
具体地,将处于同一个月内的多个植被指数进行平均,得到每月的平均植被指数,进而基于每月的平均植被指数得到第六植被指数集,即第六植被指数集包括每月的平均植被指数。
在一具体实施例中,第四植被指数集包括NDVI指数集、NDWI指数集、b/r指数集。基于此,对NDVI指数集、NDWI指数集、b/r指数集分别进行月度划分处理,得到各月度的NDVI指数集、各月度的NDWI指数集、各月度的b/r指数集;分别将各月度的NDVI指数集、各月度的NDWI指数集、各月度的b/r指数集进行平均运算,得到各月度的平均NDVI指数、各月度的平均NDWI指数、各月度的平均b/r指数;将各月度的平均NDVI指数组合成月度平均的NDVI指数集,将各月度的平均NDWI指数组合成月度平均的NDWI指数集、将各月度的平均b/r指数组合成月度平均的b/r指数集,进而基于月度平均的NDWI指数集、月度平均的NDWI指数集、月度平均的b/r指数集确定第六植被指数集,即第六植被指数集包括月度平均的NDWI指数集、月度平均的NDWI指数集、月度平均的b/r指数集。
可以理解的是,对第四植被指数集进行月度划分处理和平均处理,得到各月度的平均植被指数,进而得到植被指数数量更少的第六植被指数集,从而减少后续样本物候特征提取的计算量,并减少后续基于样本物候特征和样本水稻识别结果进行数据分析的计算资源,进而进一步提高水稻识别的效率;同时,在多时相遥感影像样本数据存在异常问题时,例如,出现云雾的影响时,基于月度的平均植被指数进行样本物候特征提取,不会因为多时相遥感影像样本数据在某一天或者某一段时间存在异常,便无法进行样本物候特征提取,进而无法进行数据分析,因此,本发明实施例获取月度样本物候特征,可以提高预设水稻识别条件确定的鲁棒性,进而进一步提高水稻识别的鲁棒性。
步骤340,基于所述样本物候特征与所述多时相遥感影像样本数据对应的样本水稻识别结果,进行分析得到所述预设水稻识别条件。
具体地,对多时相遥感影像样本数据提取得到的样本物候特征,与多时相遥感影像样本数据对应的样本水稻识别结果,进行数据分析处理得到数据分析结果,该数据分析结果用于表征哪一类物候特征在水稻和非水稻之间差异最大,且用于表征水稻的物候特征所处的区间,以及用于表征水稻的物候特征所大于或小于的阈值,以及用于表征水稻的物候特征所符合的关系;进而基于数据分析结果确定预设水稻识别条件。
此处,样本水稻识别结果为多时相遥感影像样本数据的标注标签,该样本水稻识别结果可以为多时相遥感影像样本数据对应的真实结果。该样本水稻识别结果可以包括水稻区域和非水稻区域。
本发明实施例提供的水稻识别方法,通过上述方式,对多时相遥感影像样本数据进行植被指数提取处理,进而基于第四植被指数集提取物候特征,进而基于物候特征与样本水稻识别结果进行数据分析,从而在确定预设水稻识别条件时,可以充分考虑物候特征,进而提高预设水稻识别条件确定的准确性,进而进一步提高水稻识别的准确性。
基于上述任一实施例,该方法中,所述物候特征包括以下至少一种:NDVI指数爬升期对应的NDVI指数曲线的最大斜率、NDVI指数爬升期的起始点所对应的时刻、NDVI指数爬升期的时长、NDVI指数爬升期的变化梯度标准差、生长发育区间的时长、NDVI指数爬升期内各相邻的变化斜率间变化量、NDVI指数爬升期的起始点所对应的归一化水体指数NDWI指数和波段反射率比值、NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量。
所述NDVI指数爬升期为NDVI指数随时间向上变化的时期;
所述变化梯度标准差为所述NDVI指数爬升期内各相邻指数的变化梯度值的标准差,所述变化梯度值为所述NDVI指数爬升期内相邻两个NDVI指数的变化梯度;
所述变化斜率间变化量为所述NDVI指数爬升期对应的NDVI指数曲线中相邻两个变化斜率间的差值;
所述波段反射率比值为蓝波段的反射率与红波段的反射率的比值。
在一实施例中,NDVI指数爬升期的起始点所对应的时刻用月份表示,例如,NDVI指数爬升期的起始点所对应的时刻为2019年6月9号,则NDVI指数爬升期的起始点所对应的时刻可以为6月。在另一实施例中,NDVI指数爬升期的起始点所对应的时刻也可以用日表示,例如,NDVI指数爬升期的起始点所对应的时刻为2019年6月9号,则NDVI指数爬升期的起始点所对应的时刻可以为6月9号。
在一具体实施例中,基于NDVI指数集可以提取出属于种植物发育变化的部分,进而可以将非种植物发育变化的部分去除掉,得到该生长发育区间。
基于上述任一实施例,该方法中,所述预设水稻识别条件包括以下至少一种:
第一种水稻识别条件:若NDVI指数爬升期对应的NDVI指数曲线的最大斜率小于或等于第一预设阈值,确定水稻识别结果为非水稻区域,所述NDVI指数爬升期为NDVI指数随时间向上变化的时期。
此处,第一预设阈值是基于样本物候特征,进行分析得到的。该第一预设阈值优选为0.06。
第二种水稻识别条件:若NDVI指数爬升期的起始点所对应的时刻未处于第一预设区间,确定水稻识别结果为非水稻区域。
此处,第一预设区间是基于样本物候特征,进行分析得到的。该第一预设区间优选为4月至7月之间。
在一实施例中,NDVI指数爬升期的起始点所对应的时刻用月份表示,例如,NDVI指数爬升期的起始点所对应的时刻为2019年6月9号,则确定处于第一预设区间。
在另一实施例中,NDVI指数爬升期的起始点所对应的时刻也可以用日表示,例如,NDVI指数爬升期的起始点所对应的时刻为2019年6月9号,则确定处于第一预设区间。
第三种水稻识别条件:若NDVI指数爬升期的时长未处于第二预设区间,确定水稻识别结果为非水稻区域。
此处,第二预设区间是基于样本物候特征,进行分析得到的。该第二预设区间优选为40天至100天之间。
第四种水稻识别条件:若NDVI指数爬升期的变化梯度标准差小于或等于第二预设阈值,且所述最大斜率小于或等于第三预设阈值,确定水稻识别结果为非水稻区域,所述变化梯度标准差为所述NDVI指数爬升期内各相邻指数的变化梯度值的标准差,所述变化梯度值为所述NDVI指数爬升期内相邻两个NDVI指数的变化梯度。
此处,第二预设阈值是基于样本物候特征,进行分析得到的。该第二预设阈值优选为0.1。
此处,第三预设阈值是基于样本物候特征,进行分析得到的。该第三预设阈值优选为0.2。
第五种水稻识别条件:若生长发育区间的时长未处于第三预设区间,确定水稻识别结果为非水稻区域。
此处,第三预设区间是基于样本物候特征,进行分析得到的。该第三预设区间优选为4个月至5个月之间。
第六种水稻识别条件:若NDVI指数爬升期内最大的变化斜率间变化量小于第四预设阈值,确定水稻识别结果为非水稻区域,所述最大变化斜率间变化量为最大的变化斜率间变化量,所述变化斜率间变化量为所述NDVI指数爬升期对应的NDVI指数曲线中相邻两个变化斜率间的差值。
此处,第四预设阈值是基于样本物候特征,进行分析得到的。该第四预设阈值优选为-0.05。
第七种水稻识别条件:若NDVI指数爬升期的起始点所对应的NDWI指数和波段反射率比值未符合第一预设关系,确定水稻识别结果为非水稻区域,所述波段反射率比值为蓝波段的反射率与红波段的反射率的比值。
此处,第一预设关系是基于样本物候特征,进行分析得到的。该第一预设关系优选为ndwi_start<-1.24*b/r_start+0.9,其中,ndwi_start为NDVI指数爬升期的起始点所对应的NDWI指数,b/r_start为NDVI指数爬升期的起始点所对应的波段反射率比值。
第八种水稻识别条件:若NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量未符合第二预设关系,确定水稻识别结果为非水稻区域。
此处,第二预设关系是基于样本物候特征,进行分析得到的。该第二预设关系优选为b/r_accum>=-1.634*ndwi_accum-0.266,其中,ndwi_accum为NDVI指数爬升期内NDWI指数的累积量,b/r_accum为NDVI指数爬升期内波段反射率比值的累积量。
在本发明实施例中,预设水稻识别条件包括的水稻识别条件的个数不作限定。为便于理解,以下以几个具体实施例进行说明。
在一具体实施例中,预设水稻识别条件包括第一种水稻识别条件。基于此,若物候特征中的最大斜率大于第一预设阈值,确定水稻识别结果为水稻区域。
在另一具体实施例中,预设水稻识别条件包括第一种水稻识别条件和第二种水稻识别条件。基于此,若物候特征中的最大斜率大于第一预设阈值,且物候特征中的NDVI指数爬升期的起始点所对应的时刻处于第一预设区间,确定水稻识别结果为水稻区域;若物候特征中的最大斜率小于或等于第一预设阈值,则确定水稻识别结果为非水稻区域,此处无需再判断第二种水稻识别条件。
需要说明的是,预设水稻识别条件中各水稻识别条件的判断顺序为第一种水稻识别条件、第二种水稻识别条件、第三种水稻识别条件、第四种水稻识别条件、第五种水稻识别条件、第六种水稻识别条件、第七种水稻识别条件、第八种水稻识别条件。
其中,判断顺序是基于样本物候特征,进行分析得到的。具体地,分析得到第一种水稻识别条件相比其他种水稻识别条件,其对应的物候特征在水稻和非水稻之间差异最大,之后,第二种水稻识别条件除第一种水稻识别条件之外,其对应的物候特征在水稻和非水稻之间差异最大,依此类推得到上述八种水稻识别条件。
此外,还需要说明的是,若基于判断顺序在前的水稻识别条件,已经确定水稻识别结果为非水稻区域,则无需再判断在后的水稻识别条件。同时,基于预设水稻识别条件确定的水稻识别结果中,预设水稻识别条件中所有水稻识别条件对应的水稻识别结果不为非水稻区域,才可以确定待识别区域的水稻识别结果为水稻区域;只要预设水稻识别条件中任一水稻识别条件对应的水稻识别结果为非水稻区域,则确定待识别区域的水稻识别结果为非水稻区域。
本发明实施例提供的水稻识别方法,预设水稻识别条件是基于对多时相遥感影像样本数据提取得到的样本物候特征,进行分析确定的,进而分析得到8个水稻识别条件,且8个水稻识别条件具备判断顺序,从而进一步提高预设水稻识别条件确定的准确性,进而进一步提高水稻识别的准确性。
基于上述任一实施例,该方法中,所述物候特征包括NDVI指数爬升期对应的NDVI指数曲线的最大斜率、NDVI指数爬升期的起始点所对应的时刻、NDVI指数爬升期的时长、NDVI指数爬升期的变化梯度标准差、生长发育区间的时长、NDVI指数爬升期内各相邻的变化斜率间变化量、NDVI指数爬升期的起始点所对应的NDWI指数和波段反射率比值、NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量;
所述基于所述物候特征和预设水稻识别条件,确定所述待识别区域的水稻识别结果,包括:
若所述物候特征中的所述最大斜率大于所述第一预设阈值,确定所述物候特征中的所述NDVI指数爬升期的起始点所对应的时刻是否处于所述第一预设区间;
若所述物候特征中的所述NDVI指数爬升期的起始点所对应的时刻处于所述第一预设区间,确定所述物候特征中的所述NDVI指数爬升期的时长是否处于所述第二预设区间;
若所述物候特征中的所述NDVI指数爬升期的时长处于所述第二预设区间,确定所述物候特征中的所述NDVI指数爬升期的变化梯度标准差是否大于所述第二预设阈值;
若所述物候特征中的所述NDVI指数爬升期的变化梯度标准差大于所述第二预设阈值,确定所述物候特征中的所述生长发育区间的时长是否处于所述第三预设区间,或者,若所述物候特征中的所述NDVI指数爬升期的变化梯度标准差小于或等于所述第二预设阈值,且所述物候特征中的所述最大斜率大于所述第三预设阈值,确定所述物候特征中的所述生长发育区间的时长是否处于所述第三预设区间;
若所述物候特征中的所述生长发育区间的时长处于所述第三预设区间,基于所述物候特征中的所述各相邻的变化斜率间变化量确定最大变化斜率间变化量,并确定所述最大变化斜率间变化量是否大于或等于所述第四预设阈值;
若所述最大变化斜率间变化量大于或等于所述第四预设阈值,确定所述物候特征中的所述NDVI指数爬升期的起始点所对应的NDWI指数和波段反射率比值是否符合所述第一预设关系;
若符合所述第一预设关系,确定所述物候特征中的所述NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量是否符合所述第二预设关系;
若符合所述第二预设关系,确定所述待识别区域为水稻区域。
本发明实施例提供的水稻识别方法,预设水稻识别条件包括8个水稻识别条件,从而进一步提高水稻识别的准确性;同时,基于预设水稻识别条件确定的水稻识别结果中,预设水稻识别条件中所有水稻识别条件对应的水稻识别结果不为非水稻区域,才可以确定待识别区域的水稻识别结果为水稻区域,从而确保准确识别到水稻区域,进而进一步提高水稻识别的准确性。
下面对本发明提供的水稻识别装置进行描述,下文描述的水稻识别装置与上文描述的水稻识别方法可相互对应参照。
图4为本发明提供的水稻识别装置的结构示意图,如图4所示,该水稻识别装置,包括:
获取模块410,用于获取待识别区域的多时相遥感影像数据;
处理模块420,用于对所述多时相遥感影像数据,进行不同时相的植被指数提取处理,得到第一植被指数集;
提取模块430,用于对所述第一植被指数集进行特征提取,得到物候特征;
确定模块440,用于基于所述物候特征和预设水稻识别条件,确定所述待识别区域的水稻识别结果;
其中,所述预设水稻识别条件是基于对多时相遥感影像样本数据提取得到的样本物候特征,进行分析确定的。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行水稻识别方法,该方法包括:获取待识别区域的多时相遥感影像数据;对所述多时相遥感影像数据,进行不同时相的植被指数提取处理,得到第一植被指数集;对所述第一植被指数集进行特征提取,得到物候特征;基于所述物候特征和预设水稻识别条件,确定所述待识别区域的水稻识别结果;其中,所述预设水稻识别条件是基于对多时相遥感影像样本数据提取得到的样本物候特征,进行分析确定的。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的水稻识别方法,该方法包括:获取待识别区域的多时相遥感影像数据;对所述多时相遥感影像数据,进行不同时相的植被指数提取处理,得到第一植被指数集;对所述第一植被指数集进行特征提取,得到物候特征;基于所述物候特征和预设水稻识别条件,确定所述待识别区域的水稻识别结果;其中,所述预设水稻识别条件是基于对多时相遥感影像样本数据提取得到的样本物候特征,进行分析确定的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的水稻识别方法,该方法包括:获取待识别区域的多时相遥感影像数据;对所述多时相遥感影像数据,进行不同时相的植被指数提取处理,得到第一植被指数集;对所述第一植被指数集进行特征提取,得到物候特征;基于所述物候特征和预设水稻识别条件,确定所述待识别区域的水稻识别结果;其中,所述预设水稻识别条件是基于对多时相遥感影像样本数据提取得到的样本物候特征,进行分析确定的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种水稻识别方法,其特征在于,包括:
获取待识别区域的多时相遥感影像数据;
对所述多时相遥感影像数据,进行不同时相的植被指数提取处理,得到第一植被指数集;
对所述第一植被指数集进行特征提取,得到物候特征;
基于所述物候特征和预设水稻识别条件,确定所述待识别区域的水稻识别结果;
其中,所述预设水稻识别条件是基于对多时相遥感影像样本数据提取得到的样本物候特征,进行分析确定的;
所述物候特征包括以下至少一种:NDVI指数爬升期对应的NDVI指数曲线的最大斜率、NDVI指数爬升期的起始点所对应的时刻、NDVI指数爬升期的时长、NDVI指数爬升期的变化梯度标准差、生长发育区间的时长、NDVI指数爬升期内各相邻的变化斜率间变化量、NDVI指数爬升期的起始点所对应的归一化水体指数NDWI指数和波段反射率比值、NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量;
所述NDVI指数爬升期为NDVI指数随时间向上变化的时期;
所述变化梯度标准差为所述NDVI指数爬升期内各相邻指数的变化梯度值的标准差,所述变化梯度值为所述NDVI指数爬升期内相邻两个NDVI指数的变化梯度;
所述变化斜率间变化量为所述NDVI指数爬升期对应的NDVI指数曲线中相邻两个变化斜率间的差值;
所述波段反射率比值为蓝波段的反射率与红波段的反射率的比值。
2.根据权利要求1所述的水稻识别方法,其特征在于,所述第一植被指数集包括归一化植被指数NDVI指数集,所述对所述第一植被指数集进行特征提取,得到物候特征,包括:
基于所述NDVI指数集,确定生长发育区间;
从所述第一植被指数集确定出所述生长发育区间对应的第二植被指数集;
对所述第二植被指数集进行特征提取,得到所述物候特征。
3.根据权利要求1所述的水稻识别方法,其特征在于,所述对所述第一植被指数集进行特征提取,得到物候特征,之前还包括:
对所述第一植被指数集进行月度划分处理,得到各月度的植被指数集;
分别将所述各月度的植被指数集进行平均运算,得到所述各月度的平均植被指数;
将所述各月度的平均植被指数组合成第三植被指数集;
将所述第一植被指数集更新为所述第三植被指数集,以供对更新后的第一植被指数集进行特征提取,得到月度物候特征。
4.根据权利要求1所述的水稻识别方法,其特征在于,所述预设水稻识别条件通过如下步骤确定:
获取所述多时相遥感影像样本数据;
对所述多时相遥感影像样本数据,进行不同时相的植被指数提取处理,得到第四植被指数集;
对所述第四植被指数集进行特征提取,得到所述样本物候特征;
基于所述样本物候特征与所述多时相遥感影像样本数据对应的样本水稻识别结果,进行分析得到所述预设水稻识别条件。
5.根据权利要求1至4任一项所述的水稻识别方法,其特征在于,所述预设水稻识别条件包括以下至少一种:
若NDVI指数爬升期对应的NDVI指数曲线的最大斜率小于或等于第一预设阈值,确定水稻识别结果为非水稻区域,所述NDVI指数爬升期为NDVI指数随时间向上变化的时期;
若NDVI指数爬升期的起始点所对应的时刻未处于第一预设区间,确定水稻识别结果为非水稻区域;
若NDVI指数爬升期的时长未处于第二预设区间,确定水稻识别结果为非水稻区域;
若NDVI指数爬升期的变化梯度标准差小于或等于第二预设阈值,且所述最大斜率小于或等于第三预设阈值,确定水稻识别结果为非水稻区域,所述变化梯度标准差为所述NDVI指数爬升期内各相邻指数的变化梯度值的标准差,所述变化梯度值为所述NDVI指数爬升期内相邻两个NDVI指数的变化梯度;
若生长发育区间的时长未处于第三预设区间,确定水稻识别结果为非水稻区域;
若NDVI指数爬升期内最大的变化斜率间变化量小于第四预设阈值,确定水稻识别结果为非水稻区域,所述变化斜率间变化量为所述NDVI指数爬升期对应的NDVI指数曲线中相邻两个斜率的差值;
若NDVI指数爬升期的起始点所对应的NDWI指数和波段反射率比值未符合第一预设关系,确定水稻识别结果为非水稻区域,所述波段反射率比值为蓝波段的反射率与红波段的反射率的比值;
若NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量未符合第二预设关系,确定水稻识别结果为非水稻区域。
6.根据权利要求5所述的水稻识别方法,其特征在于,所述物候特征包括NDVI指数爬升期对应的NDVI指数曲线的最大斜率、NDVI指数爬升期的起始点所对应的时刻、NDVI指数爬升期的时长、NDVI指数爬升期的变化梯度标准差、生长发育区间的时长、NDVI指数爬升期内各相邻的变化斜率间变化量、NDVI指数爬升期的起始点所对应的NDWI指数和波段反射率比值、NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量;
所述基于所述物候特征和预设水稻识别条件,确定所述待识别区域的水稻识别结果,包括:
若所述物候特征中的所述最大斜率大于所述第一预设阈值,确定所述物候特征中的所述NDVI指数爬升期的起始点所对应的时刻是否处于所述第一预设区间;
若所述物候特征中的所述NDVI指数爬升期的起始点所对应的时刻处于所述第一预设区间,确定所述物候特征中的所述NDVI指数爬升期的时长是否处于所述第二预设区间;
若所述物候特征中的所述NDVI指数爬升期的时长处于所述第二预设区间,确定所述物候特征中的所述NDVI指数爬升期的变化梯度标准差是否大于所述第二预设阈值;
若所述物候特征中的所述NDVI指数爬升期的变化梯度标准差大于所述第二预设阈值,确定所述物候特征中的所述生长发育区间的时长是否处于所述第三预设区间,或者,若所述物候特征中的所述NDVI指数爬升期的变化梯度标准差小于或等于所述第二预设阈值,且所述物候特征中的所述最大斜率大于所述第三预设阈值,确定所述物候特征中的所述生长发育区间的时长是否处于所述第三预设区间;
若所述物候特征中的所述生长发育区间的时长处于所述第三预设区间,基于所述物候特征中的所述各相邻的变化斜率间变化量确定最大变化斜率间变化量,并确定所述最大变化斜率间变化量是否大于或等于所述第四预设阈值;
若所述最大变化斜率间变化量大于或等于所述第四预设阈值,确定所述物候特征中的所述NDVI指数爬升期的起始点所对应的NDWI指数和波段反射率比值是否符合所述第一预设关系;
若符合所述第一预设关系,确定所述物候特征中的所述NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量是否符合所述第二预设关系;
若符合所述第二预设关系,确定所述待识别区域为水稻区域。
7.一种水稻识别装置,其特征在于,包括:
获取模块,用于获取待识别区域的多时相遥感影像数据;
处理模块,用于对所述多时相遥感影像数据,进行不同时相的植被指数提取处理,得到第一植被指数集;
提取模块,用于对所述第一植被指数集进行特征提取,得到物候特征;
确定模块,用于基于所述物候特征和预设水稻识别条件,确定所述待识别区域的水稻识别结果;
其中,所述预设水稻识别条件是基于对多时相遥感影像样本数据提取得到的样本物候特征,进行分析确定的;
所述物候特征包括以下至少一种:NDVI指数爬升期对应的NDVI指数曲线的最大斜率、NDVI指数爬升期的起始点所对应的时刻、NDVI指数爬升期的时长、NDVI指数爬升期的变化梯度标准差、生长发育区间的时长、NDVI指数爬升期内各相邻的变化斜率间变化量、NDVI指数爬升期的起始点所对应的归一化水体指数NDWI指数和波段反射率比值、NDVI指数爬升期内NDWI指数的累积量和波段反射率比值的累积量;
所述NDVI指数爬升期为NDVI指数随时间向上变化的时期;
所述变化梯度标准差为所述NDVI指数爬升期内各相邻指数的变化梯度值的标准差,所述变化梯度值为所述NDVI指数爬升期内相邻两个NDVI指数的变化梯度;
所述变化斜率间变化量为所述NDVI指数爬升期对应的NDVI指数曲线中相邻两个变化斜率间的差值;
所述波段反射率比值为蓝波段的反射率与红波段的反射率的比值。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述水稻识别方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述水稻识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210683709.0A CN114782838B (zh) | 2022-06-17 | 2022-06-17 | 水稻识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210683709.0A CN114782838B (zh) | 2022-06-17 | 2022-06-17 | 水稻识别方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114782838A CN114782838A (zh) | 2022-07-22 |
CN114782838B true CN114782838B (zh) | 2022-10-18 |
Family
ID=82422064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210683709.0A Active CN114782838B (zh) | 2022-06-17 | 2022-06-17 | 水稻识别方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782838B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909063A (zh) * | 2022-11-15 | 2023-04-04 | 生态环境部卫星环境应用中心 | 一种中分辨率水稻提取方法及系统 |
CN115719453B (zh) * | 2023-01-09 | 2023-08-04 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水稻种植结构遥感提取方法 |
CN116152673B (zh) * | 2023-04-21 | 2023-09-29 | 杭州稻道农业科技有限公司 | 一种利用多时相中高分卫星影像识别再生稻的方法及装置 |
CN117274798B (zh) * | 2023-09-06 | 2024-03-29 | 中国农业科学院农业信息研究所 | 基于正则化的时序变分模型的遥感水稻识别方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及系统 |
CN106372592B (zh) * | 2016-08-29 | 2019-07-16 | 中国农业科学院农业资源与农业区划研究所 | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 |
CN109948596B (zh) * | 2019-04-26 | 2022-04-22 | 电子科技大学 | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 |
CN110472184B (zh) * | 2019-08-22 | 2022-11-04 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
CN111104858B (zh) * | 2019-11-19 | 2022-07-15 | 浙江大学 | 一种基于形态模型法的大范围作物物候提取方法 |
CN111582035B (zh) * | 2020-04-07 | 2023-09-12 | 北京农业信息技术研究中心 | 一种果树树龄识别方法、装置、设备及存储介质 |
CN112215090B (zh) * | 2020-09-21 | 2023-05-02 | 北京航天绘景科技有限公司 | 融合物候知识的遥感水稻制图方法及其应用 |
CN112148785B (zh) * | 2020-09-24 | 2021-09-28 | 中国科学院空天信息创新研究院 | 一种作物分布制图方法 |
CN113009485A (zh) * | 2021-03-10 | 2021-06-22 | 安徽皖南烟叶有限责任公司 | 一种基于改进植被指数的遥感烟田识别方法 |
CN113205006B (zh) * | 2021-04-12 | 2022-07-19 | 武汉大学 | 一种基于水稻指数的多时相遥感影像水稻提取方法 |
CN113723254A (zh) * | 2021-08-23 | 2021-11-30 | 三明学院 | 一种毛竹林分布的识别方法、装置、设备和存储介质 |
CN113743370A (zh) * | 2021-09-20 | 2021-12-03 | 中国农业科学院农业资源与农业区划研究所 | 一种基于多时相遥感植被指数的柑橘识别方法 |
CN114549967A (zh) * | 2022-01-10 | 2022-05-27 | 杭州领见数字农业科技有限公司 | 一种大蒜种植区域的提取方法及装置 |
-
2022
- 2022-06-17 CN CN202210683709.0A patent/CN114782838B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114782838A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114782838B (zh) | 水稻识别方法、装置、电子设备和存储介质 | |
CN110751019B (zh) | 基于深度学习的高分辨率影像农作物自动提取方法及装置 | |
CN113160183B (zh) | 一种高光谱数据处理方法、设备及介质 | |
CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
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 | |
CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
CN115577866A (zh) | 物候期预测方法、装置、电子设备和存储介质 | |
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 | |
CN113850132A (zh) | 农作物识别方法、装置、设备及存储介质 | |
CN114419367A (zh) | 一种农作物高精度制图方法及系统 | |
US20190012749A1 (en) | Dynamic cost function calculation for agricultural users | |
CN111582035B (zh) | 一种果树树龄识别方法、装置、设备及存储介质 | |
CN114782837B (zh) | 种植物估产方法、装置、电子设备和存储介质 | |
CN113139717B (zh) | 作物苗情分级遥感监测方法及装置 | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
CN113807143A (zh) | 作物连通域的识别方法、装置及作业系统 | |
CN112861712A (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
CN115526927A (zh) | 综合物候和遥感大数据的水稻种植及其面积估算方法 | |
CN113011220A (zh) | 穗数识别方法、装置、存储介质及处理器 | |
CN115690580A (zh) | 一种玉米倒伏遥感监测方法、系统、电子设备及介质 | |
CN115375694A (zh) | 便捷式的基于图像识别的水稻整穗测量方法及其应用 | |
CN115271343A (zh) | 一种缺水区作物种植结构监测和调整决策的方法及系统 | |
CN114372611A (zh) | 水资源优化分配方法和装置 | |
CN113984212A (zh) | 农业灌区提取方法及系统 | |
CN111721711A (zh) | 耕地变化检测方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |