CN114972838B - 基于卫星数据得到的冬小麦识别方法 - Google Patents
基于卫星数据得到的冬小麦识别方法 Download PDFInfo
- Publication number
- CN114972838B CN114972838B CN202210272181.8A CN202210272181A CN114972838B CN 114972838 B CN114972838 B CN 114972838B CN 202210272181 A CN202210272181 A CN 202210272181A CN 114972838 B CN114972838 B CN 114972838B
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- wheat
- vegetation index
- data
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 234
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 234
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008859 change Effects 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000011835 investigation Methods 0.000 claims abstract description 15
- 241000196324 Embryophyta Species 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 24
- 238000003306 harvesting Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 230000000630 rising effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 14
- 230000003595 spectral effect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 241001464837 Viridiplantae Species 0.000 description 6
- 238000012271 agricultural production Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000009331 sowing Methods 0.000 description 5
- 239000002028 Biomass Substances 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 102000006463 Talin Human genes 0.000 description 3
- 108010083809 Talin Proteins 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 239000005427 atmospheric aerosol Substances 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于卫星数据得到的冬小麦识别方法,包括对冬小麦的种植与物候特征进行调查分析;获取遥感卫星中的各波段数据;对该卫星数据进行预处理,进行增强型植被指数的计算;基于计算结果,对增强型植被指数进行时序变化曲线的绘制,并对绘制的图像进行分析以构建冬小麦增强型植被指数的识别模型;基于增强型植被指数的时序变化曲线和识别模型,对冬小麦分布进行识别和提取;在遥感图像处理平台对提取后的遥感影像进行密度分割来区分各种地物的类别;并对其提高分类识别精度,且对该精度进行验证;本发明摆脱传统建立敏感波段模型的方法,从地区冬小麦生长特征出发,建立EVI差值速率模型。
Description
技术领域
本发明涉及冬小麦识别技术领域,具体为基于卫星数据得到的冬小麦识别方法。
背景技术
随着现代农业产业的发展和农业生产技术的进步,面对人口-环境-资源等发展的重大问题,在农业生产领域,实现定量决策、变量投入、定位实施的农业生产方式,已成为当前农业生产领域亟待解决的重大技术问题。这就需要将高端的农业技术和设备应用于农业生产实践,以便快速、准确、实时的监测作物群体生长信息,实现作物生长的动态调控。将高光谱遥感技术应用于冬小麦生长范围和长势信息的研究与应用,准确有效的监测冬小麦生长信息,为高光谱遥感技术在大面积冬小麦识别提取中提供参考。
纵观当前遥感技术在农业生产领域的研究,农业遥感是农业信息技术体系中信息获取环节的关键内容。科学家们在利用高光谱遥感监测冬小麦的生长信息中,通过建立敏感波段模型的方法来获取冬小麦的生长范围。但是,由于冬小麦光谱反射率与生态生理参数受不同生态区域、不同栽培条件以及不同生长发育阶段的影响,存在一定差异,这将导致遥感监测模型的稳定性和重演性受到局限。
发明内容
本发明的目的在于提供基于卫星数据得到的冬小麦识别方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:基于卫星数据得到的冬小麦识别方法,包括以下具体过程:
步骤S100:对冬小麦的种植与物候特征进行调查分析;得到冬小麦的具体种植物候特征,具体种植物候特征包括小麦出苗期、小麦越冬期、小麦返青期、小麦起身拔节期、抽穗期、开花期、小麦灌浆期和成熟收获期;
步骤S200:获取遥感卫星中的各波段数据,波段包括近红外波段、蓝波段和红外波段;所述数据包括小麦出苗期、小麦越冬期、小麦返青期、小麦起身拔节期、抽穗期和成熟收获期的数据;且小麦成熟收获期的数据作为精度验证数据;
步骤S300:基于步骤S200中获取的遥感卫星数据,遥感卫星数据包括第一卫星数据和第二卫星数据,并对第一卫星数据和第二卫星数据进行预处理;
第一卫星可以为哨兵2号卫星由欧洲航天局研制,该数据具有空间分辨率高、多光谱成像能力强、幅宽宽以及重访周期短等优势,可用于监测地球土地覆盖变化、植被健康和水体污染情况,以及对山体滑坡、洪水等自然灾害进行快速成像,为灾害救援提供帮助,在光学数据中,第一卫星数据是唯一一个在红边范围含有三个波段的数据,这对监测植被健康信息非常有效;第二卫星可以为高分一号卫星,且该卫星的数据大幅度提高了自然资源部山、水、林、田、湖、草等自然资源全要素、全覆盖、全天候的实时调查监测能力。
步骤S400:基于步骤S300的数据进行增强型植被指数的计算;
步骤S500:基于步骤S400的计算结果,绘制增强型植被指数的时序变化曲线,并对该时序变化曲线进行分析以构建冬小麦增强型植被指数的识别模型;
步骤S600:基于步骤S500中的增强型植被指数的时序变化曲线和识别模型,提取和识别冬小麦的遥感影像;在遥感图像处理平台对提取和识别冬小麦的遥感影像进行密度的分割形成密度分割影像;
步骤S700:基于步骤S600的数据,对密度分割影像计算分类识别精度,并对该分类识别精度进行验证。
进一步的,步骤S300中对第一卫星数据进行预处理,具体为以下过程:
步骤S310:对元数据集进行重采样得到重采样数据集,选择第一分辨率的其中一个波段作为重采样的数据源,对输入输出的路径及文件名进行设置,将重采样数据集转换为ENVI格式,得到重采样数据结果;
步骤S320:进行波段融合,利用遥感图像处理平台对重采样后的所有波段数据结果进行波段融合得到融合图像;
进行波段融合的目的是为了使得到的融合图像具有兼容可见光及近红外波段信息的优势,使得融合图像色彩丰富,地表信息更加清晰;
步骤S330:进行矢量裁剪,利用遥感图像处理平台对进行波段融合得到融合图像进行矢量区的选择。
进一步的,步骤S300中对第二卫星数据进行预处理,具体为以下过程:
步骤S3a0:对第二卫星中获取的多光谱影像和全色影像分别做正射校正;
步骤S3b0:校正完成后对多光谱影像和全色影像分别进行图像融合,图像融合包括消除黑框和输入相应参数,输入相应参数包括输入低精度栅格和输入高精度栅格,其中正射校正后的多光谱影像对应输入低精度栅格,正射校正后的全色影像对应输入高精度栅格;
融合后的图像会保留多光谱与全色数据的优点,使得图像质量变高;
步骤S3c0:进行矢量裁剪,利用遥感图像处理平台对融合后的图像进行矢量区的选择。
进一步的,步骤S400中进行增强型植被指数的计算,包括以下过程:
利用公式计算冬小麦的增强型植被指数;其中Red指第一卫星红波段数值,Nir指第一卫星近红外波段数值,Blue为第一卫星蓝波段数值,C1为6.0,C2为7.5,L为土壤调节参数且数值为1;
利用遥感图像处理平台输入冬小麦的增强型植被指数计算公式,依次计算出小麦出苗期、小麦越冬期、小麦返青期、小麦起身拔节期、抽穗期和成熟收获期遥感影像的增强型植被指数值。
遥感图像上的植被信息,主要通过绿色植物叶子和植被冠层的光谱特性及其差异、变化而反映的,不同光谱通道所获得的植被信息可与植被的不同要素或某种特征状态有各种不同的相关性,因此,我们往往选用多光谱遥感数据经分析运算,即加、减、乘、除等线性或非线性组合方式,产生某些对植被长势、生物量等有一定指示意义的数值,即所谓的“植被指数”。用一种简单有效的形式来实现对植物状态信息的表达,以定性和定量地评价植被覆盖、生长活力及生物量;
在植被指数中,通常选用对绿色植物强吸收的可见光红波段和对绿色植物高反射的近红外波段。这两个波段不仅是植物光谱中的最典型的波段,而且它们对同一生物物理现象的光谱响应截然相反,故它们的多种组合对增强或揭示隐含信息将是有利的;
增强植被指数算法是遥感专题数据产品中生物物理参数产品中的一个主要算法,可以同时减少来自大气和土壤噪音的影响,稳定地反应了所测地区植被的情况。红光和近红外探测波段的范围设置更窄,不仅提高了对稀疏植被探测的能力,而且减少了水汽的影响,同时,引入了蓝光波段对大气气溶胶的散射和土壤背景进行了矫正。
进一步的,步骤S500中绘制增强型植被指数的时序变化曲线包括以下过程:
将卫星遥感影像与实地调查结合,在卫星遥感图像上选择样本区域,做出样本区域的增强型植被指数时序变化曲线;
绘制时序变化曲线基于冬小麦每月增强型植被指数遥感影像;利用遥感图像处理平台进行处理,选择每个地块中任意像元点作为地块的增强型植被指数值,依次获取若干地块若干个月中的增强型植被指数值,并求出每月若干个地块的增强型植被指数值和均值;;
其中增强型植被指数时序变化曲线是以月份为X轴、每月增强型植被指数均值为Y轴,作出冬小麦增强型植被指数随时序变化曲线图。
由于冬小麦光谱反射率与生态生理参数受不同生态区域、不同栽培条件以及不同生长发育阶段的影响,存在一定差异。即不同地区由于气候条件以及地理位置不同,冬小麦的生长状态也不同,这也就导致了不同地区冬小麦EVI时序变化曲线有所不同;本研究方案为了弥补地理位置不同的差异,将高分辨率卫星遥感影像与实地调查结合。
进一步的,步骤S500中对该时序变化曲线进行分析以构建冬小麦增强型植被指数的识别模型,包括以下过程:
分析冬小麦时序变化曲线图增长趋势和下降趋势对应的月份以及此时该冬小麦的物候特征;
构建冬小麦增强型植被指数差值速率识别模型为:
其中m1、m2、m3分别为小麦出苗期、小麦起身拔节期和小麦成熟期的增强型植被指数,d为三个时间段增强型植被指数的天数差;
分别得到两个时序阶段内差值速率的取值区间,计算两个时序阶段内差值速率的绝对值之差,当该绝对值之差大于系统预设阈值时,将两个时序阶段内差值速率对应的取值区间作为识别冬小麦的区间。
冬小麦的EVI曲线具有非常明显的季节性变化特点,呈现出先增后减的趋势。从冬小麦播种开始,其生长状况同大部分绿色植被一样,随着春季回暖,植被逐渐生长,植被EVI增强型植被指数呈现递增趋势。当冬小麦EVI指数达到峰值后,由于冬小麦不同于其他植被生长特点,其EVI值会随着时间的变化逐渐降低;
进一步的,步骤S600包括以下过程:
基于步骤S500中冬小麦的识别区间,对冬小麦分布进行识别和提取,并在遥感图像处理平台对增强型植被指数差值遥感影像进行密度分割;
对于K1模型,提取结果用绿色表示,对于K2模型,提取结果用黄色表示;
按照冬小麦增强型植被指数的变化趋势,将增强型植被指数的K1模型识别结果导出为矢量,以增强型植被指数的K1模型识别结果的矢量对增强型植被指数的K2模型识结果进行裁剪,裁剪后的结果即为冬小麦识别的最终结果,即求出K1和K2模型识别结果的交集。
密度分割是一种单波段图像彩色变换的方法,它是把单波段的黑白遥感图像按照亮度来分层,对于每一层赋予不同的颜色,使之成为一幅彩色图像,其中每一层包含的亮度值范围可以不同。通过这种方法就可以区分出各种地物的类别;
进一步的,步骤S700包括以下过程:
将冬小麦成熟收获期的数据分为识别值和真实值两种,识别值为K1和K2模型识别结果的交集所占地块的个数,真实值为通过区域调查并结合卫星统计的冬小麦地块个数;列出冬小麦地块和非冬小麦地块在两种不同分类情况的个数,令真实值是冬小麦、模型识别认为是冬小麦的数量为TP,真实值是冬小麦、模型识别认为是非冬小麦的数量为FN,真实值是非冬小麦、模型识别认为是冬小麦的数量为FP,真实值为非冬小麦、模型识别认为是非冬小麦的数量为TN;求出冬小麦混淆矩阵的准确率和精确率,计算公式如下:
其中ACC为冬小麦混淆矩阵统计结果的准确率,即分类模型中所有真实值和识别值都判断为冬小麦和非冬小麦正确的结果占总观测值的比重;PPV指冬小麦混淆矩阵统计记过的精确率,即模型识别是冬小麦的所有结果中,模型识别对的比重;
将冬小麦混淆矩阵统计记过的精确率与设置的精确率阈值进行比较,若该冬小麦混淆矩阵统计记过的精确率大于精确率阈值,完成精度验证。
采用混淆矩阵评价,也称误差矩阵,是表示精度评价的一种标准格式,用n行n列的矩阵形式来表示。在图像精度评价中,主要用于比较分类结果和实际测得值,可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个实测像元的位置和分类与分类图像中的相应位置和分类相比较计算的。混淆矩阵的每一列代表了预测类别,每一列的总数表示预测为该类别的数据的数目;每一行代表了数据的真实归属类别,每一行的数据总数表示该类别的数据实例的数目。每一列中的数值表示真实数据被预测为该类的数目。
与现有技术相比,本发明所达到的有益效果是:本发明摆脱传统建立敏感波段模型的方法研究,从地区冬小麦生长特征出发,分析冬小麦增强型植被指数随时间的变化情况。通过实地走访、查阅相关文献以及新闻报道,并结合高光谱遥感技术原理和方法,获取常州新北区冬小麦增强型植被指数EVI随时间的变化曲线。分析冬小麦在不同生长育期EVI值的变化情况,根据冬小麦的生长特性,对其EVI识别模型进行构建,通过建立的EVI差值速率模型K1和K2模型两者取交集,进而区分出冬小麦的分布范围。
通过冬小麦播种到收获的遥感数据分析,充分挖掘高光谱信息,提取对不同生育时期冬小麦EVI生态生理参数敏感值,实现冬小麦生长范围实时、快速、无损监测,为冬小麦精确识别监测提供理论依据和技术支撑,进而推动精准农业的快速发展和实践应用;并且与传统人工监测识别方法相比,多光谱遥感监测精度高、波段多、信息量大,具有高动态、低成本和宏观性等显著特点。利用遥感监测识别,不仅能反映冬小麦在时间上和空间上的变化情况,而且识别效率更高,方便快捷,相比传统测量有着不可替代的优点。卫星遥感监测将大大减少人力、物力以及财力费用,同样也会减少人们对仪器的检修和维护成本。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明基于卫星数据得到的冬小麦识别方法的流程图;
图2是本发明基于卫星数据得到的冬小麦识别方法的常州新北区遥感影像;
图3是本发明基于卫星数据得到的冬小麦识别方法的常州新北区现代农业产业园西北区域15个冬小麦地块;
图4是本发明基于卫星数据得到的冬小麦识别方法的现代农业产业园西北区域冬小麦15个地块每月EVI值和均值;
图5是本发明基于卫星数据得到的冬小麦识别方法的常州新北区冬小麦EVI时序变化曲线图;
图6是本发明基于卫星数据得到的冬小麦识别方法的15个地块两个时序阶段内m1、m2、m3、m2-m1、m2-m3和差值速率K1、K2取值及其均值;
图7是本发明基于卫星数据得到的冬小麦识别方法的小黄山村和现代农业产业园冬小麦混淆矩阵评价;
图8是本发明基于卫星数据得到的冬小麦识别方法的小黄山村和现代农业产业园冬小麦混淆矩阵精度验证。
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-图8,本发明提供技术方案:基于卫星数据得到的冬小麦识别方法,包括以下具体过程:
步骤S100:对冬小麦的种植与物候特征进行调查分析;得到冬小麦的具体种植物候特征,具体种植物候特征包括小麦出苗期、小麦越冬期、小麦返青期、小麦起身拔节期、抽穗期、开花期、小麦灌浆期和成熟收获期;
步骤S200:获取遥感卫星中的各波段数据,波段包括近红外波段、蓝波段和红外波段;所述数据包括小麦出苗期、小麦越冬期、小麦返青期、小麦起身拔节期、抽穗期和成熟收获期的数据;且小麦成熟收获期的数据作为精度验证数据;
例如:在欧空局官网依次下载获取日期为2020年11月24日、2021年1月18日、2月7日、3月29日、4月18日、4月29日、6月5日第一卫星数据,以上数据作为分析研究数据;在中国资源卫星应用中心官网上申请下载2021年6月5日数据,该数据作为精度验证数据;研究区域为常州新北区域。
步骤S300:基于步骤S200中获取的遥感卫星数据,遥感卫星数据包括第一卫星数据和第二卫星数据,并对第一卫星数据和第二卫星数据进行预处理;
第一卫星可以为哨兵2号卫星由欧洲航天局研制,该数据具有空间分辨率高、多光谱成像能力强、幅宽宽以及重访周期短等优势,可用于监测地球土地覆盖变化、植被健康和水体污染情况,以及对山体滑坡、洪水等自然灾害进行快速成像,为灾害救援提供帮助,在光学数据中,第一卫星数据是唯一一个在红边范围含有三个波段的数据,这对监测植被健康信息非常有效;第二卫星可以为高分一号卫星,且该卫星的数据大幅度提高了自然资源部山、水、林、田、湖、草等自然资源全要素、全覆盖、全天候的实时调查监测能力。
步骤S300中对第一卫星数据进行预处理,具体为以下过程:
步骤S310:对元数据集进行重采样得到重采样数据集,选择第一分辨率的其中一个波段作为重采样的数据源,对输入输出的路径及文件名进行设置,将重采样数据集转换为ENVI格式,得到重采样数据结果;其中第一分辨率可以为10m;
步骤S320:进行波段融合,利用遥感图像处理平台对重采样后的所有波段数据结果进行波段融合得到融合图像;
进行波段融合的目的是为了使得到的融合图像具有兼容可见光及近红外波段信息的优势,使得融合图像色彩丰富,地表信息更加清晰;
步骤S330:进行矢量裁剪,利用遥感图像处理平台对进行波段融合得到融合图像进行矢量区的选择。
例如:选择的矢量区可以为新北矢量区,使用SANP软件中的Resample功能对元数据集进行重采样得到重采样数据集;选择分辨率为10m的Band2波段作为重采样的数据源;目的是将元数据集中的所有波段的空间分辨率都转换Band2波段10米级的分辨率,这样影像分辨率就会变高;
利用ENVI5.3中的Layer Stacking功能对重采样后的所有波段数据结果进行波段融合得到融合图像;
利用ENVI5.3中的Subset Data from ROIs功能,Input File选择融合后的影像,点击OK,Input ROIs选择新北区矢量,Mask pixels outside of ROI选择Yes,选择输出路径,点击OK。
步骤S300中对第二卫星数据进行预处理,具体为以下过程:
步骤S3a0:对第二卫星中获取的多光谱影像和全色影像分别做正射校正;
步骤S3b0:校正完成后对多光谱影像和全色影像分别进行图像融合,图像融合包括消除黑框和输入相应参数,输入相应参数包括输入低精度栅格和输入高精度栅格,其中正射校正后的多光谱影像对应输入低精度栅格,正射校正后的全色影像对应输入高精度栅格;
融合后的图像会保留多光谱与全色数据的优点,使得图像质量变高;
步骤S3c0:进行矢量裁剪,利用遥感图像处理平台对融合后的图像进行矢量区的选择。
例如:在ENVI5.3中分别打开分辨率8米的多光谱MUX影像和分辨率2米的全色PAN影像;
在ENVI5.3中启动RPC Orthorectification Workflow工具;输入文件里面选择:大气校正后的影像;DEM File里面选择:加载文件数据自带的MUX的dem数据,如果没有dem数据,就选择默认的GMTED2010.jp2影像;在下一步后的面板中Advanced里面输出分辨率设置为8米,选择方法双线性内插;输出文件设置为ENVI格式,设置输出路径名。
选择Edit ENVI Header工具,打开并在工具框中点击Add,添加Data IgnoreValue,设置为0;启动NNDiffuse Pan Sharpening工具;在工具框中输入相应参数,设置输出路径,保存;
利用ENVI5.3中的Subset Data from ROIs功能,Input File选择融合后的影像,点击OK,Input ROIs选择新北区矢量,Mask pixels outside of ROI选择Yes,选择输出路径,点击OK。
步骤S400:基于步骤S300的数据进行增强型植被指数的计算;
步骤S400中进行增强型植被指数的计算,包括以下过程:
利用公式计算冬小麦的增强型植被指数;其中Red指第一卫星红波段数值,Nir指第一卫星近红外波段数值,Blue为第一卫星蓝波段数值,C1为6.0,C2为7.5,L为土壤调节参数且数值为1;
利用遥感图像处理平台输入冬小麦的增强型植被指数计算公式,依次计算出小麦出苗期、小麦越冬期、小麦返青期、小麦起身拔节期、抽穗期和成熟收获期遥感影像的增强型植被指数值。
遥感图像上的植被信息,主要通过绿色植物叶子和植被冠层的光谱特性及其差异、变化而反映的,不同光谱通道所获得的植被信息可与植被的不同要素或某种特征状态有各种不同的相关性,因此,我们往往选用多光谱遥感数据经分析运算,即加、减、乘、除等线性或非线性组合方式,产生某些对植被长势、生物量等有一定指示意义的数值,即所谓的“植被指数”;用一种简单有效的形式来实现对植物状态信息的表达,以定性和定量地评价植被覆盖、生长活力及生物量;
在植被指数中,通常选用对绿色植物强吸收的可见光红波段和对绿色植物高反射的近红外波段。这两个波段不仅是植物光谱中的最典型的波段,而且它们对同一生物物理现象的光谱响应截然相反,故它们的多种组合对增强或揭示隐含信息将是有利的;
增强植被指数算法是遥感专题数据产品中生物物理参数产品中的一个主要算法,可以同时减少来自大气和土壤噪音的影响,稳定地反应了所测地区植被的情况。红光和近红外探测波段的范围设置更窄,不仅提高了对稀疏植被探测的能力,而且减少了水汽的影响,同时,引入了蓝光波段对大气气溶胶的散射和土壤背景进行了矫正。
例如:利用ENVI5.3软件BandMath功能,输入公式:
其中b8指哨兵2号卫星的Band8近红外波段,b4指哨兵2号卫星的Band4红外波段,b2指哨兵2号卫星的Band2蓝波段,依此计算出11月、1月、2月、3月、4月、6月遥感影像的EVI值。
步骤S500:基于步骤S400的计算结果,绘制增强型植被指数的时序变化曲线,并对该时序变化曲线进行分析以构建冬小麦增强型植被指数的识别模型;
步骤S500中绘制增强型植被指数的时序变化曲线包括以下过程:
将卫星遥感影像与实地调查结合,在卫星遥感图像上选择样本区域,做出样本区域的增强型植被指数时序变化曲线;
绘制时序变化曲线基于冬小麦每月增强型植被指数遥感影像;利用遥感图像处理平台进行处理,选择每个地块中任意像元点作为地块的增强型植被指数值,依次获取若干地块若干个月中的增强型植被指数值,并求出每月若干个地块的增强型植被指数值和均值;
例如:依次获取15处地块6个月中的增强型植被指数值,并求出每月15个地块的增强型植被指数值和均值,如图所述。
其中增强型植被指数时序变化曲线是以月份为X轴、每月增强型植被指数均值为Y轴,作出冬小麦增强型植被指数随时序变化曲线图。
由于冬小麦光谱反射率与生态生理参数受不同生态区域、不同栽培条件以及不同生长发育阶段的影响,存在一定差异。即不同地区由于气候条件以及地理位置不同,冬小麦的生长状态也不同,这也就导致了不同地区冬小麦EVI时序变化曲线有所不同;本研究方案为了弥补地理位置不同的差异,将高分辨率卫星遥感影像与实地调查结合。
例如:将步骤3得到的冬小麦每月EVI遥感影像,按顺序依此叠加在在ENVI软件图层中,利用Cursor Value功能,在感兴趣的位置单击,会在Cursor Value窗口出现鼠标位置所在像元的信息,其中Data像元灰度值代表了每个像元点对应的EVI值。
步骤S500中对该时序变化曲线进行分析以构建冬小麦增强型植被指数的识别模型,包括以下过程:
分析冬小麦时序变化曲线图增长趋势和下降趋势对应的月份以及此时该冬小麦的物候特征;
构建冬小麦增强型植被指数差值速率识别模型为:
其中m1、m2、m3分别为小麦出苗期、小麦起身拔节期和小麦成熟期的增强型植被指数,d为三个时间段增强型植被指数的天数差;
分别得到两个时序阶段内差值速率的取值区间,计算两个时序阶段内差值速率的绝对值之差,当该绝对值之差大于系统预设阈值时,将两个时序阶段内差值速率对应的取值区间作为识别冬小麦的区间。
冬小麦的EVI曲线具有非常明显的季节性变化特点,呈现出先增后减的趋势。从冬小麦播种开始,其生长状况同大部分绿色植被一样,随着春季回暖,植被逐渐生长,植被EVI增强型植被指数呈现递增趋势。当冬小麦EVI指数达到峰值后,由于冬小麦不同于其他植被生长特点,其EVI值会随着时间的变化逐渐降低;
例如:常州冬小麦EVI时序具体变化为:冬小麦一般在11月上旬播种,直到12月均处于缓慢生长阶段,EVI曲线呈上升趋势,随着气温降低,12月到1月中上旬冬小麦基本停止生长,EVI增长缓慢;在2-4月冬小麦拔节~孕穗~抽穗期,冬小麦生长快速,EVI迅速上升并达到峰值,基本上在3月底4月初处于峰值,4月中旬则开始下降,直至6月成熟收割降至最低;冬小麦EVI值从播种时的谷值到峰值有较大的增长幅度;之后随着冬小麦逐渐灌浆成熟,EVI曲线呈明显下降趋势。
得出冬小麦生长随着时间的变化,EVI值先增后减的特点后,冬小麦自播种后,11月24日EVI均值较小为0.285;从1月底开始,2月到4月冬小麦开始拔节孕穗,EVI均值最高达到了3月29日的3.137;之后随着冬小麦开花到成熟,4月18日EVI均值降到了2.693,4月29日降到了1.710,最后在6月5日降至最低为0.177。可见,从播种开始到3月底再到6月初收获,这两个时序阶段内对应的EVI均值从最低到最高最后降至最低,由此可以将冬小麦生长范围识别出来。因此,在两个时相EVI阈值的限制条件下,两个时相的EVI差值速率可以作为识别冬小麦的依据;
对于冬小麦,m2-m1的EVI差值在2.5~3.2之间,m2-m3的EVI差值在2.7~3.2之间,差值速率K1在21.0~25.0之间,差值速率K2在41.0~47.0之间。因此,将2.5~3.2和2.7~3.2这两个EVI差值区间作为识别冬小麦的显著区间。
步骤S600:基于步骤S500中的增强型植被指数的时序变化曲线和识别模型,提取和识别冬小麦的遥感影像;在遥感图像处理平台对提取和识别冬小麦的遥感影像进行密度的分割形成密度分割影像;
步骤S600包括以下过程:
基于步骤S500中冬小麦的识别区间,对冬小麦分布进行识别和提取,并在遥感图像处理平台对增强型植被指数差值遥感影像进行密度分割;
对于K1模型,提取结果用绿色表示,对于K2模型,提取结果用黄色表示;
按照冬小麦增强型植被指数的变化趋势,将增强型植被指数的K1模型识别结果导出为矢量,以增强型植被指数的K1模型识别结果的矢量对增强型植被指数的K2模型识结果进行裁剪,裁剪后的结果即为冬小麦识别的最终结果,即求出K1和K2模型识别结果的交集。
密度分割是一种单波段图像彩色变换的方法,它是把单波段的黑白遥感图像按照亮度来分层,对于每一层赋予不同的颜色,使之成为一幅彩色图像,其中每一层包含的亮度值范围可以不同。通过这种方法就可以区分出各种地物的类别;
例如:在ENVI5.3利用New Raster Color Slice功能,对EVI差值遥感影像进行密度分割,由图知,常州新北区冬小麦识别结果在研究区域的西北部、西南部以及中东部较多,其中在西北孟河镇区域较集中;在研究区域的中部、南部和东部分布较少且零散分布。西北部、西南部多为耕地种植区,且冬小麦在11月到6月分布较集中,长势较好,覆盖度较高。中部和南部则为常州市新北区城区,耕地面积较少,农作物分布少,冬小麦覆盖度低,主要为工业用地和居民地,在常州新北区冬季的农作物种植类型中,冬小麦种植所占比例较大,冬小麦的EVI信息基本一致。
步骤S700:基于步骤S600的数据,对密度分割影像计算分类识别精度,并对该分类识别精度进行验证。
步骤S700包括以下过程:
将冬小麦成熟收获期的数据分为识别值和真实值两种,识别值为K1和K2模型识别结果的交集所占地块的个数,真实值为通过区域调查并结合卫星统计的冬小麦地块个数;列出冬小麦地块和非冬小麦地块在两种不同分类情况的个数,令真实值是冬小麦、模型识别认为是冬小麦的数量为TP,真实值是冬小麦、模型识别认为是非冬小麦的数量为FN,真实值是非冬小麦、模型识别认为是冬小麦的数量为FP,真实值为非冬小麦、模型识别认为是非冬小麦的数量为TN;求出冬小麦混淆矩阵的准确率和精确率,计算公式如下:
其中ACC为冬小麦混淆矩阵统计结果的准确率,即分类模型中所有真实值和识别值都判断为冬小麦和非冬小麦正确的结果占总观测值的比重;PPV指冬小麦混淆矩阵统计记过的精确率,即模型识别是冬小麦的所有结果中,模型识别对的比重;
将冬小麦混淆矩阵统计记过的精确率与设置的精确率阈值进行比较,若该冬小麦混淆矩阵统计记过的精确率大于精确率阈值,完成精度验证。
例如:在Arcgis10.6软件中选中识别结果所占的地块并通过属性表统计地块个数作为冬小麦的识别值;在Arcgis10.6软件中选中地块并通过属性表统计地块个数作为冬小麦的真实值;
选取研究区域的两个村的冬小麦分布作为验证对象,上圈为现代农业产业园矢量范围,下圈为小黄山村矢量范围;收集了研究区域两个村新北区小黄山村和现代农业产业园种植冬小麦的地块划分范围,据统计小黄山村种植冬小麦地块127块,现代农业产业园种植冬小麦地块101块,计算得到两个地区冬小麦混淆矩阵的准确率和精确率。
采用混淆矩阵评价,也称误差矩阵,是表示精度评价的一种标准格式,用n行n列的矩阵形式来表示。在图像精度评价中,主要用于比较分类结果和实际测得值,可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个实测像元的位置和分类与分类图像中的相应位置和分类相比较计算的。混淆矩阵的每一列代表了预测类别,每一列的总数表示预测为该类别的数据的数目;每一行代表了数据的真实归属类别,每一行的数据总数表示该类别的数据实例的数目。每一列中的数值表示真实数据被预测为该类的数目。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于卫星数据得到的冬小麦识别方法,其特征在于,包括以下具体过程:
步骤S100:对冬小麦的种植与物候特征进行调查分析;得到冬小麦的具体种植物候特征,所述具体种植物候特征包括小麦出苗期、小麦越冬期、小麦返青期、小麦起身拔节期、抽穗期、开花期、小麦灌浆期和成熟收获期;
步骤S200:获取遥感卫星中的各波段数据,所述波段包括近红外波段、蓝波段和红外波段;所述数据包括小麦出苗期、小麦越冬期、小麦返青期、小麦起身拔节期、抽穗期和成熟收获期的数据;且小麦成熟收获期的数据作为精度验证数据;
步骤S300:基于所述步骤S200中获取的遥感卫星数据,所述遥感卫星数据包括第一卫星数据和第二卫星数据,并对第一卫星数据和第二卫星数据进行预处理;
步骤S400:基于所述步骤S300的数据进行增强型植被指数的计算;
所述步骤S400中进行增强型植被指数的计算,包括以下过程:
利用公式计算冬小麦的增强型植被指数;其中Red指第一卫星红波段数值,Nir指第一卫星近红外波段数值,Blue为第一卫星蓝波段数值,C1为6.0,C2为7.5,L为土壤调节参数且数值为1;
利用遥感图像处理平台输入冬小麦的增强型植被指数计算公式,依次计算出小麦出苗期、小麦越冬期、小麦返青期、小麦起身拔节期、抽穗期和成熟收获期遥感影像的增强型植被指数值;
步骤S500:基于所述步骤S400的计算结果,绘制增强型植被指数的时序变化曲线,并对该时序变化曲线进行分析以构建冬小麦增强型植被指数的识别模型;
所述步骤S500中绘制增强型植被指数的时序变化曲线包括以下过程:
将卫星遥感影像与实地调查结合,在卫星遥感图像上选择样本区域,做出样本区域的增强型植被指数时序变化曲线;
绘制时序变化曲线基于冬小麦每月增强型植被指数遥感影像;利用遥感图像处理平台进行处理,选择每个地块中任意像元点作为地块的增强型植被指数值,依次获取若干地块若干个月中的增强型植被指数值,并求出每月若干个地块的增强型植被指数值和均值;
其中增强型植被指数时序变化曲线是以月份为X轴、每月增强型植被指数均值为Y轴,作出冬小麦增强型植被指数随时序变化曲线图;
所述步骤S500中对该时序变化曲线进行分析以构建冬小麦增强型植被指数的识别模型,包括以下过程:
分析冬小麦时序变化曲线图增长趋势和下降趋势对应的月份以及此时该冬小麦的物候特征;
构建冬小麦增强型植被指数差值速率识别模型为:
其中m1、m2、m3分别为小麦出苗期、小麦起身拔节期和小麦成熟期的增强型植被指数,d为三个时间段增强型植被指数的天数差;
分别得到两个时序阶段内差值速率的取值区间,计算两个时序阶段内差值速率的绝对值之差,当该绝对值之差大于系统预设阈值时,将所述两个时序阶段内差值速率对应的取值区间作为识别冬小麦的区间;
步骤S600:基于所述步骤S500中的增强型植被指数的时序变化曲线和识别模型,提取和识别冬小麦的遥感影像;在遥感图像处理平台对提取和识别冬小麦的遥感影像进行密度的分割形成密度分割影像;
所述步骤S600包括以下过程:
基于步骤S500中冬小麦的识别区间,对冬小麦分布进行识别和提取,并在遥感图像处理平台对增强型植被指数差值遥感影像进行密度分割;
对于K1模型,提取结果用绿色表示,对于K2模型,提取结果用黄色表示;
按照冬小麦增强型植被指数的变化趋势,将增强型植被指数的K1模型识别结果导出为矢量,以增强型植被指数的K1模型识别结果的矢量对增强型植被指数的K2模型识结果进行裁剪,裁剪后的结果即为冬小麦识别的最终结果,即求出K1和K2模型识别结果的交集;
步骤S700:基于所述步骤S600的数据,对密度分割影像计算分类识别精度,并对该分类识别精度进行验证。
2.根据权利要求1所述的基于卫星数据得到的冬小麦识别方法,其特征在于:所述步骤S300中对第一卫星数据进行预处理,具体为以下过程:
步骤S310:对元数据集进行重采样得到重采样数据集,选择第一分辨率的其中一个波段作为重采样的数据源,对输入输出的路径及文件名进行设置,将重采样数据集转换为ENVI格式,得到重采样数据结果;
步骤S320:进行波段融合,利用遥感图像处理平台对重采样后的所有波段数据结果进行波段融合得到融合图像;
步骤S330:进行矢量裁剪,利用遥感图像处理平台对进行波段融合得到融合图像进行矢量区的选择。
3.根据权利要求2所述的基于卫星数据得到的冬小麦识别方法,其特征在于:所述步骤S300中对第二卫星数据进行预处理,具体为以下过程:
步骤S3a0:对第二卫星中获取的多光谱影像和全色影像分别做正射校正;
步骤S3b0:校正完成后对多光谱影像和全色影像分别进行图像融合,所述图像融合包括消除黑框和输入相应参数,所述输入相应参数包括输入低精度栅格和输入高精度栅格,其中正射校正后的多光谱影像对应输入低精度栅格,正射校正后的全色影像对应输入高精度栅格;
步骤S3c0:进行矢量裁剪,利用遥感图像处理平台对融合后的图像进行矢量区的选择。
4.根据权利要求3所述的基于卫星数据得到的冬小麦识别方法,其特征在于:所述步骤S700包括以下过程:
将冬小麦成熟收获期的数据分为识别值和真实值两种,所述识别值为K1和K2模型识别结果的交集所占地块的个数,所述真实值为通过区域调查并结合卫星统计的冬小麦地块个数;列出冬小麦地块和非冬小麦地块在两种不同分类情况的个数,令真实值是冬小麦、模型识别认为是冬小麦的数量为TP,真实值是冬小麦、模型识别认为是非冬小麦的数量为FN,真实值是非冬小麦、模型识别认为是冬小麦的数量为FP,真实值为非冬小麦、模型识别认为是非冬小麦的数量为TN;求出冬小麦混淆矩阵的准确率和精确率,计算公式如下:
其中ACC为冬小麦混淆矩阵统计结果的准确率,即分类模型中所有真实值和识别值都判断为冬小麦和非冬小麦正确的结果占总观测值的比重;PPV指冬小麦混淆矩阵统计记过的精确率,即模型识别是冬小麦的所有结果中,模型识别对的比重;
将冬小麦混淆矩阵统计记过的精确率与设置的精确率阈值进行比较,若该冬小麦混淆矩阵统计记过的精确率大于精确率阈值,完成精度验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210272181.8A CN114972838B (zh) | 2022-03-18 | 2022-03-18 | 基于卫星数据得到的冬小麦识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210272181.8A CN114972838B (zh) | 2022-03-18 | 2022-03-18 | 基于卫星数据得到的冬小麦识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972838A CN114972838A (zh) | 2022-08-30 |
CN114972838B true CN114972838B (zh) | 2024-04-30 |
Family
ID=82976541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210272181.8A Active CN114972838B (zh) | 2022-03-18 | 2022-03-18 | 基于卫星数据得到的冬小麦识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972838B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336956A (zh) * | 2013-07-10 | 2013-10-02 | 福州大学 | 一种基于遥感时序数据的冬小麦面积估算方法 |
CN108710864A (zh) * | 2018-05-25 | 2018-10-26 | 北华航天工业学院 | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 |
RU2695963C1 (ru) * | 2018-11-28 | 2019-07-29 | Владислав Анатольевич Третьяков | Способ распознавания образов биохимических наземных объектов с тонкими спектральными различиями на основе гиперспектральных данных |
CN110210990A (zh) * | 2019-05-30 | 2019-09-06 | 河南省农业科学院农业经济与信息研究所 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
CN112052799A (zh) * | 2020-09-08 | 2020-12-08 | 中科光启空间信息技术有限公司 | 一种迷迭香种植分布高分辨率卫星遥感识别方法 |
CN113963260A (zh) * | 2021-10-20 | 2022-01-21 | 中科三清科技有限公司 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
-
2022
- 2022-03-18 CN CN202210272181.8A patent/CN114972838B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336956A (zh) * | 2013-07-10 | 2013-10-02 | 福州大学 | 一种基于遥感时序数据的冬小麦面积估算方法 |
CN108710864A (zh) * | 2018-05-25 | 2018-10-26 | 北华航天工业学院 | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 |
RU2695963C1 (ru) * | 2018-11-28 | 2019-07-29 | Владислав Анатольевич Третьяков | Способ распознавания образов биохимических наземных объектов с тонкими спектральными различиями на основе гиперспектральных данных |
CN110210990A (zh) * | 2019-05-30 | 2019-09-06 | 河南省农业科学院农业经济与信息研究所 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
CN112052799A (zh) * | 2020-09-08 | 2020-12-08 | 中科光启空间信息技术有限公司 | 一种迷迭香种植分布高分辨率卫星遥感识别方法 |
CN113963260A (zh) * | 2021-10-20 | 2022-01-21 | 中科三清科技有限公司 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
Non-Patent Citations (2)
Title |
---|
刘学刚 ; 李峰 ; 郭丽娜 ; .基于高分卫星影像的青岛市冬小麦种植信息提取.中国农学通报.2020,(11),全文. * |
王碧晴 ; 韩文泉 ; 许驰 ; .基于图像分割和NDVI时间序列曲线分类模型的冬小麦种植区域识别与提取.国土资源遥感.2020,(02),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114972838A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600434B (zh) | 基于作物模型与同化技术的作物长势遥感监测方法 | |
CN111598019B (zh) | 基于多源遥感数据的作物类型与种植模式识别方法 | |
Hall et al. | Optical remote sensing applications in viticulture‐a review | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
CN109685081B (zh) | 一种遥感提取撂荒地的联合变化检测方法 | |
CN108984803B (zh) | 一种农作物产量空间化的方法及系统 | |
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 | |
CN105372672B (zh) | 基于时间序列数据的南方冬种作物种植面积提取方法 | |
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 | |
CN109934109B (zh) | 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 | |
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 | |
CN110598514B (zh) | 一种土地整治项目区地块尺度农作物播种面积监测方法 | |
CN115512237A (zh) | 基于多时相卫星遥感数据的安徽冬小麦种植面积提取方法 | |
CN116188793A (zh) | 一种基于卫星遥感影像的紫云英种植面积监测方法 | |
CN113570273B (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
Boschetti et al. | Estimation of rice production at regional scale with a Light Use Efficiency model and MODIS time series. | |
Zhao et al. | Cropland abandonment mapping at sub-pixel scales using crop phenological information and MODIS time-series images | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
CN114972838B (zh) | 基于卫星数据得到的冬小麦识别方法 | |
CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
WO2023131949A1 (en) | A versatile crop yield estimator | |
CN113435574A (zh) | 一种卷积神经网络土壤速效钾分析模型构建系统及方法 | |
CN113408701A (zh) | 一种卷积神经网络土壤有机质分析模型构建系统及方法 | |
CN113408700A (zh) | 一种卷积神经网络土壤碱解氮分析模型构建系统及方法 | |
GASTELLU-ETCHEGORRY et al. | Computer-assisted land cover mapping with SPOT in Indonesia |
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 |