CN114926565A - 一种基于绿度水分综合指数的大豆制图方法 - Google Patents
一种基于绿度水分综合指数的大豆制图方法 Download PDFInfo
- Publication number
- CN114926565A CN114926565A CN202210568915.7A CN202210568915A CN114926565A CN 114926565 A CN114926565 A CN 114926565A CN 202210568915 A CN202210568915 A CN 202210568915A CN 114926565 A CN114926565 A CN 114926565A
- Authority
- CN
- China
- Prior art keywords
- ndvi
- soybean
- time
- soybeans
- calculating
- 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.)
- Granted
Links
- 244000068988 Glycine max Species 0.000 title claims abstract description 70
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013507 mapping Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000002310 reflectometry Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于绿度水分综合指数的大豆制图方法,包括步骤一,计算时间窗口;步骤二,计算尺度因子;步骤三,构建绿度水分综合指数;步骤四,最优阈值确定;步骤五,大豆分类制图;所述步骤一中,基于等间距时间节点集合,NDVI序列的变化率ρ的计算公式为所述步骤二中,整幅影像尺度因子sf的计算公式为sf=2*(NDVI/SWTR);本发明相较于现有的大豆制图方法,创新性地结合NDVI和SWIR波段构建绿度水分综合指数(GWCCI),能够在大豆生长峰值时期显著增强大豆与其它地物类型的信息差异;本发明采用的基于GWCCI的大豆制图方法,可实现基于单景遥感影像的、端到端的、全自动的大豆制图,不需要训练样本且不依赖长时间序列遥感数据集NDVI。
Description
技术领域
本发明涉及作物制图技术领域,具体为一种基于绿度水分综合指数的大豆制图方法。
背景技术
基于遥感数据的农作物分类依赖于农作物独有的物候特征和光谱特征,由于种植系统的多样性以及不同国家地区气候环境等自然条件的巨大差异,许多农作物的物候和光谱特征存在交叠,导致单种作物分类精度不高,大豆作为重要的粮食和经济作物,通常与玉米水稻等粮食作物同时期间作种植且光谱特征较为相似,在进行大豆识别时极易与其它作物(尤其玉米)发生混淆,长时序遥感影像数据能够尽可能多地捕捉大豆的可区分特征,是当下进行大豆分类制图的主流数据源,机器学习等传统方法虽能获得较高大豆制图精度,但需要采集大量训练样本构建模型,耗费大量人力、物力和财力,方法难以在大范围应用推广;基于阈值的方法虽不需要采集样本,但需依赖长时序遥感影像开展作物制图,受天气等条件的干扰,高质量长时序遥感影像数据集往往难以获得,极大程度上限制了基于阈值的方法的应用,实际上,大豆制图的主要难点在于利用原始光谱信息识别大豆具有较大的局限性,如何最大化大豆的可区分特征,放大大豆与其它地物类型的信息差异(包括物候和光谱信息差异)是进行大豆高精度分类的主要难点所在。
发明内容
本发明的目的在于提供一种基于绿度水分综合指数的大豆制图方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于绿度水分综合指数的大豆制图方法,包括以下步骤:步骤一,计算时间窗口;步骤二,计算尺度因子;步骤三,构建绿度水分综合指数;步骤四,最优阈值确定;步骤五,大豆分类制图;
其中在上述步骤一中,下载4月份到11月份的多光谱遥感影像,计算每幅影像的NDVI,基于SG滤波法获得拟合后的NDVI时序剖面图,基于拟合后的NDVI时序剖面图,设定时间间距k,基于大豆整个生长季获取n个等间距时间节点及其对应的NDVI值,计算NDVI序列的变化率ρ,将ρ在生长季内首次小于0.1的时间节点t1作为大豆生长峰值时期的起点,首次小于-0.1的时间节点t2作为大豆生长峰值时期的终点,从而获得大豆生长峰值时期时间窗口(t1,t2),即遥感影像数据获取的时间窗口;
其中在上述步骤二中,在设定的时间窗口(t1,t2)内任选一景无云的多光谱遥感影像Mt,计算该影像的NDVI值并获取SWIR波段,由于此时间节点的NDVI值远大于SWIR波段的反射率,为保证NDVI值和SWIR处于同一可比较的水平,利用波段计算器计算整幅影像的尺度因子sf,选取部分代表性大豆样本计算相应尺度因子的平均值,将该值作为GWCCI的尺度因子sf;
其中在上述步骤三中,由于大豆生长峰值时期大豆与其它地物类型的冠层含水量差异最大,因此采用NDVI与SWIR波段反射率乘积的方式构建绿度水分综合指数(GWCCI):
其中在上述步骤四中,根据公式(1)计算整幅遥感影像的GWCCI指数图,计算阈值区间,设定阈值步长,获得目标阈值集合,通过试错法,计算不同目标阈值下大豆的制图精度,将制图精度最高时对应的阈值确定为该指数的最优阈值;
优选的,所述步骤一中,基于大豆整个生长季获取n个等间距时间节点(1,2,3...,i,...n)及其对应的NDVI值(NDVI1,NDVI2,...,NDVIi,...,NDVIn)。
优选的,所述步骤二中,整幅影像尺度因子sf的计算公式为sf=2*(NDVI/SWIR))。
优选的,所述步骤三中,t为获取的遥感影像的时间节点,即一年中的第t天(Dayof Year,DOY),DOY∈[0,365],NDVIt为该时间点影像的NDVI值,为该时间点的SWIR波段的反射率,sf为上述计算得到的尺度因子。
优选的,所述步骤四中,计算获得GWCCI指数图后,在(1,2)阈值区间内设置步长(σ=0.1),获得目标阈值集合{1,1+σ,1+2σ,...,1+j*σ,...,2},通过试错法,计算不同阈值下大豆的制图精度,将制图精度最高时对应的阈值确定为该指数的最优阈值。
与现有技术相比,本发明的有益效果是:本发明相较于现有的大豆制图方法,创新性地结合NDVI和SWIR波段构建绿度水分综合指数(GWCCI),能够在大豆生长峰值时期显著增强大豆与其它地物类型的信息差异;本发明采用的基于GWCCI的大豆制图方法,可实现基于单景遥感影像的、端到端的、全自动的大豆制图,不需要训练样本且不依赖长时间序列遥感数据集。
附图说明
图1为本发明的步骤流程图;
图2为本发明的GWCCI方法流程图。
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。
请参阅图1-2,本发明提供的一种实施例:一种基于绿度水分综合指数的大豆制图方法包括以下步骤:步骤一,计算时间窗口;步骤二,计算尺度因子;步骤三,构建绿度水分综合指数;步骤四,最优阈值确定;步骤五,大豆分类制图;
其中在上述步骤一中,下载4月份到11月份的多光谱遥感影像,计算每幅影像的NDVI,基于SG滤波法获得拟合后的NDVI时序剖面图,基于拟合后的NDVI时序剖面图,设定时间间距k,基于大豆整个生长季获取n个等间距时间节点(1,2,3...,i,...n)及其对应的NDVI值(NDVI1,NDVI2,...,NDVIi,...,NDVIn),基于等间距时间节点集合,NDVI序列的变化率ρ的计算公式为将ρ在生长季内首次小于0.1的时间节点t1作为大豆生长峰值时期的起点,首次小于-0.1的时间节点t2作为大豆生长峰值时期的终点,从而获得大豆生长峰值时期时间窗口(t1,t2),即遥感影像数据获取的时间窗口;
其中在上述步骤二中,在设定的时间窗口(t1,t2)内任选一景无云的多光谱遥感影像Mt,计算该影像的NDVI值并获取SWIR波段,由于此时间节点的NDVI值远大于SWIR波段的反射率,为保证NDVI值和SWIR处于同一可比较的水平,利用波段计算器计算整幅影像的尺度因子sf,选取部分代表性大豆样本计算相应尺度因子的平均值,将该值作为GWCCI的尺度因子sf,其中,整幅影像尺度因子sf的计算公式为sf=2*(NDVI/SWIR);
其中在上述步骤三中,由于大豆生长峰值时期大豆与其它地物类型的冠层含水量差异最大,因此采用NDVI与SWIR波段反射率乘积的方式构建绿度水分综合指数(GWCCI):
t为获取的遥感影像的时间节点,即一年中的第t天(Day of Year,DOY),DOY∈[0,365],NDVIt为该时间点影像的NDVI值,为该时间点的SWIR波段的反射率,sf为上述计算得到的尺度因子;
其中在上述步骤四中,根据公式(1)计算整幅遥感影像的GWCCI指数图,在(1,2)阈值区间内设置步长(σ=0.1),获得目标阈值集合{1,1+σ,1+2σ,...,1+j*σ,...,2},通过试错法,计算不同阈值下大豆的制图精度,将制图精度最高时对应的阈值确定为该指数的最优阈值;
基于上述,本发明的优点在于,该发明使用时,不需要依赖大量长时序遥感影像,规避了复杂且耗时的影像预处理过程,只需要获取时间窗口内任意一景多光谱遥感影像即可实现大豆的精确制图;第二,是一种端到端的、全自动的大豆制图方法,不需要训练样本构建模型,计算简单且方便快捷,特别适合于大尺度大豆制图应用需求。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (6)
1.一种基于绿度水分综合指数的大豆制图方法,包括以下步骤:步骤一,计算时间窗口;步骤二,计算尺度因子;步骤三,构建绿度水分综合指数;步骤四,最优阈值确定;步骤五,大豆分类制图;其特征在于:
其中在上述步骤一中,下载4月份到11月份的多光谱遥感影像,计算每幅影像的NDVI,基于SG滤波法获得拟合后的NDVI时序剖面图,基于拟合后的NDVI时序剖面图,设定时间间距k,基于大豆整个生长季获取n个等间距时间节点及其对应的NDVI值,计算NDVI序列的变化率ρ,将ρ在生长季内首次小于0.1的时间节点t1作为大豆生长峰值时期的起点,首次小于-0.1的时间节点t2作为大豆生长峰值时期的终点,从而获得大豆生长峰值时期时间窗口(t1,t2),即遥感影像数据获取的时间窗口;
其中在上述步骤二中,在设定的时间窗口(t1,t2)内任选一景无云的多光谱遥感影像Mt,计算该影像的NDVI值并获取SWIR波段,由于此时间节点的NDVI值远大于SWIR波段的反射率,为保证NDVI值和SWIR处于同一可比较的水平,利用波段计算器计算整幅影像的尺度因子sf,选取部分代表性大豆样本计算相应尺度因子的平均值,将该值作为GWCCI的尺度因子sf;
其中在上述步骤三中,由于大豆生长峰值时期大豆与其它地物类型的冠层含水量差异最大,因此采用NDVI与SWIR波段反射率乘积的方式构建绿度水分综合指数(GWCCI):
其中在上述步骤四中,根据公式(1)计算整幅遥感影像的GWCCI指数图,计算阈值区间,设定阈值步长,获得目标阈值集合,通过试错法,计算不同目标阈值下大豆的制图精度,将制图精度最高时对应的阈值确定为该指数的最优阈值;
2.根据权利要求1所述的一种基于绿度水分综合指数的大豆制图方法,其特征在于:所述步骤一中,基于大豆整个生长季获取n个等间距时间节点(1,2,3...,i,...n)及其对应的NDVI值(NDVI1,NDVI2,...,NDVIi,...,NDVIn)。
4.根据权利要求1所述的一种基于绿度水分综合指数的大豆制图方法,其特征在于:所述步骤二中,整幅影像尺度因子sf的计算公式为sf=2*(NDVI/SWIR)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210568915.7A CN114926565B (zh) | 2022-05-24 | 2022-05-24 | 一种基于绿度水分综合指数的大豆制图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210568915.7A CN114926565B (zh) | 2022-05-24 | 2022-05-24 | 一种基于绿度水分综合指数的大豆制图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114926565A true CN114926565A (zh) | 2022-08-19 |
CN114926565B CN114926565B (zh) | 2024-04-12 |
Family
ID=82810474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210568915.7A Active CN114926565B (zh) | 2022-05-24 | 2022-05-24 | 一种基于绿度水分综合指数的大豆制图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926565B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612777A (zh) * | 2020-05-23 | 2020-09-01 | 福州大学 | 一种基于叶片衰老失水指数的大豆制图方法 |
AU2020103047A4 (en) * | 2020-09-24 | 2020-12-24 | Aerospace Information Research Institute, the Chinese Academy of Sciences | Crop Distribution Mapping |
CN113642464A (zh) * | 2021-08-13 | 2021-11-12 | 福州大学 | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 |
-
2022
- 2022-05-24 CN CN202210568915.7A patent/CN114926565B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612777A (zh) * | 2020-05-23 | 2020-09-01 | 福州大学 | 一种基于叶片衰老失水指数的大豆制图方法 |
AU2020103047A4 (en) * | 2020-09-24 | 2020-12-24 | Aerospace Information Research Institute, the Chinese Academy of Sciences | Crop Distribution Mapping |
CN113642464A (zh) * | 2021-08-13 | 2021-11-12 | 福州大学 | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 |
Non-Patent Citations (3)
Title |
---|
刘莹;朱秀芳;徐昆: "用于灌溉耕地制图的特征变量优选", 《农业工程学报》, 8 February 2022 (2022-02-08), pages 119 - 127 * |
卢元兵;李华朋;张树清: "基于混合3D-2D CNN的多时相遥感农作物分类", 《农业工程学报》, 8 July 2021 (2021-07-08), pages 142 - 151 * |
杜保佳;张晶;王宗明;毛德华;张淼;吴炳方;: "应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类", 地球信息科学学报, no. 05, 5 June 2019 (2019-06-05), pages 114 - 125 * |
Also Published As
Publication number | Publication date |
---|---|
CN114926565B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
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 | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
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 | |
CN112183428A (zh) | 一种小麦种植区域分割与产量预测方法 | |
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 | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
CN116824384A (zh) | 一种基于标准曲线的大豆识别方法 | |
CN110765977A (zh) | 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法 | |
CN114926743A (zh) | 一种基于动态时间窗口的作物分类方法及系统 | |
CN107273797B (zh) | 基于水体指数变异系数的水稻亚像元识别方法 | |
CN116543316A (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 | |
CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
CN114140695A (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
CN114299393A (zh) | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 | |
CN114419367A (zh) | 一种农作物高精度制图方法及系统 | |
CN112329733B (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
CN113570273A (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
CN114926565B (zh) | 一种基于绿度水分综合指数的大豆制图方法 | |
CN107818565B (zh) | 一种小麦一至三叶期麦苗数量调查方法 | |
CN115035423A (zh) | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 |
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 |