CN114998742A - 一种单季稻稻作区水稻种植面积的快速识别与提取的方法 - Google Patents

一种单季稻稻作区水稻种植面积的快速识别与提取的方法 Download PDF

Info

Publication number
CN114998742A
CN114998742A CN202210683659.6A CN202210683659A CN114998742A CN 114998742 A CN114998742 A CN 114998742A CN 202210683659 A CN202210683659 A CN 202210683659A CN 114998742 A CN114998742 A CN 114998742A
Authority
CN
China
Prior art keywords
rice
sentinel
precision
classification
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.)
Granted
Application number
CN202210683659.6A
Other languages
English (en)
Other versions
CN114998742B (zh
Inventor
张征云
江文渊
张彦敏
罗航
赵翌晨
陈启华
孙艳青
李莉
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.)
Tianjin Huanke Environmental Planning Technology Development Co ltd
Tianjin Academy of Ecological and Environmental Sciences
Original Assignee
Tianjin Huanke Environmental Planning Technology Development Co ltd
Tianjin Academy of Ecological and Environmental Sciences
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 Tianjin Huanke Environmental Planning Technology Development Co ltd, Tianjin Academy of Ecological and Environmental Sciences filed Critical Tianjin Huanke Environmental Planning Technology Development Co ltd
Priority to CN202210683659.6A priority Critical patent/CN114998742B/zh
Publication of CN114998742A publication Critical patent/CN114998742A/zh
Application granted granted Critical
Publication of CN114998742B publication Critical patent/CN114998742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

一种单季稻稻作区水稻种植面积的快速识别与提取的方法，包括如下步骤：S1：获取目标区域不同水稻关键生长期Sentinel‑2MSI光学影像数据，所述长期Sentinel‑2MSI光学影像数据预处理包括：大气校正、重采样、裁剪、镶嵌；S2：基于不同关键生长期的Sentinel‑2MSI光学影像数据，筛选最利于水稻提取的波段组合，对筛选出的优选波段合成的某景假彩色影像采用非监督或监督分类方式进行地类提取；S3：对地类提取结果进行精度验证，比较各种分类方法的水稻的生产者精度和用户精度；本发明优先选取成熟期或移载期的Sentinel‑2光学数据B12/B8/B4波段组合数据，快速且准确提取水稻种植范围与面积，若无法获取该数据情况下，则采用Sentinel‑1SAR时序数据，根据水稻时序后向散射系数时序特征提取水稻种植面积。

Description

一种单季稻稻作区水稻种植面积的快速识别与提取的方法
技术领域
本发明涉及农作物遥感识别与提取技术领域，具体是涉及一种单季稻稻作区水稻种植面积的快速识别与提取的方法。
背景技术
水稻是是国家实施粮食安全战略的基础，我国种植结构中，水稻以25.76％的占比居第二。掌握水稻的种植面积动态信息，可为监测水稻的生产状况、评估水稻的产量和规划粮食生产布局、合理调整农业结构等提供依据。同时，水稻的种植信息对于水资源的合理利用和监测，以及评估人类活动对于大气环境的影响均有重要的意义。
目前，对于水稻的提取的研究已使用光学遥感数据为主，由于部分地区在农作物生长时期内常被云雾覆盖，实时获取农作物种植与生长情况困难，而SAR与光学遥感相比，不依赖阳光、能够穿透云雾甚至土壤表层实现全天时全天候观测地面，提供不同于光学遥感以外的信息，在水稻研究领域也得到大量的应用。
光学影像在近红外与短波红外波段对农作物有较好地区分。李杨等利用典型物候期的TM数据，张薇薇中巴卫星CBRES CCD影像和Landsat TM影像数据，基于光谱特征波段构建决策树分类提取水稻。由于空间分辨率和光谱分辨率的限制而产生的“同物异谱”和“异物同谱”现象，为提高作物识别的精度，时序光谱和指数影像被广泛使用，通过增加时间维度信息进行作物长势监测和遥感分类。李根等MODIS 8d合成地表反射率数据，利用NDVI、EVI、LSWI三种指数构建判别条件确定可能种植水稻的区域。Guan等利用MODIS影像构建NDVI年时间序列提取越南湄公河三角洲水稻种植结构。苗翠翠等基于MODISNDVI时序数据对江苏省水稻种植面积进行了遥感监测分析。陈雨思等以MODIS为数据源，融合多特征和指数时间序列等方法建立决策树模型提取水稻种植面积。
SAR通过主动发射微波脉冲，并接收目标物体对微波信号的后向散射信号，根据其强度的不同进行成像。水稻的后向散射系数随时相的变化比其他作物较为明显，这是利用SAR进行水稻识别提取的主要机理。WUF等人利用Radarsat-2的交叉极化数据，结合水稻的生长模型，对海南地区的水稻进行了识别。邵芸等利用多时相RADARSAT数据制作水稻分布图，并通过模型模拟和分析了水稻的时序后向散射特征，提出了水稻监测的最佳参数。黄翀等以泰国湄南河流域中部平原水稻种植区为例，基于Sentinel-1SAR时间序列数据，提出一种融合时序统计参数与时序曲线相似性特征的热带地区水稻种植结构提取方法
本发明基于Sentinel-2MSI光学数据和Sentinel-1 SAR时间序列数据的中国北方单季稻稻作区水稻种植区提取技术方法进。本技术方法优先选取成熟期或移载期的Sentinel-2光学数据B12/B8/B4波段组合数据，快速且准确提取水稻种植范围与面积，若无法获取该数据情况下，则采用Sentinel-1SAR时序数据，根据水稻时序后向散射系数时序特征提取水稻种植面积。
发明内容
为解决上述技术问题，本发明提供了一种单季稻稻作区水稻种植面积的快速识别与提取的方法。
为实现上述目的，本发明提供了如下方案∶
一种单季稻稻作区水稻种植面积的快速识别与提取的方法，包括如下步骤：
S1：获取目标区域不同水稻关键生长期Sentinel-2 MSI光学影像数据，所述长期Sentinel-2 MSI光学影像数据预处理包括：大气校正、重采样、裁剪、镶嵌；
S2：基于不同关键生长期的Sentinel-2 MSI光学影像数据，筛选最利于水稻提取的波段组合，对筛选出的优选波段合成的某景假彩色影像采用非监督或监督分类方式进行地类提取；
S3：对地类提取结果进行精度验证，比较各种分类方法的水稻的生产者精度和用户精度；
S4：确定精度高的分类方法，确定目标区域水稻提取的长期Sentinel-2MSI光学影像遥感数据的最优波段组合和分类方法，应用最优波段组合和分类方法至目标区域水稻提取；
S5：在长期的Sentinel-2 MSI光学影像数据不可获取情况下，获取目标区域时序Sentinel-1 SAR数据；
S6：对目标区域时序Sentinel-1 SAR数据进行数据预处理，所述数据预处理包括热噪声去除、辐射定标、多视滤波、相干斑滤波；
S7：处理后得到线性比例单位的后向散射系数Sigma0；
S8：对后向散射系数Sigma0进行分贝化处理，分析分贝化处理后的各地类向散射系数时序变化特征，分析各地物后向散射系数时序变化特征与水稻后向散射系数时序变化的异同；
S9：分析目标区域水稻后向散射系数随生长期变化的特征，选取三个时期的VV极化下和VH极化下影像进行波段合成，形成假彩色影像；
S10：根据假彩色影像比较分类提取分离度；
S11：采用阈值法或监督分类法提取水稻，将提取结果处理并提取精度验证；
S12：比较各种分类方法的水稻的生产者精度和用户精度；
S13：确定精度高的分类方法，应用该法至目标区域提取水稻。
优选地，水稻关键生长期包括∶幼苗期、移栽期、分檗期、幼穗发育期、灌浆期、成熟期。
优选地，对目标区域Sentinel-2影像数据的重采样保留包括B2红、B3绿、B4红、B8近红外、B11短波红外和B12短波红外6个波段。
优选地，推荐波段组合包括B4/B3/B2真彩色、B8/B4/B3标准假彩色、B11/B8/B2农业、B8/B11/B2健康植被、B8/B11/B4陆/水、B12/B8/B4短波红外、B11/B8/B4植被分析，计算各地类分离度，选取分离度最高的波段组合。
优选地，S9的分析假彩色合成图像的特征包括以下子步骤：
S91：将具有相同颜色的区域进行提取；
S92：将具有相同颜色特征的区域作为同一个对象。
优选地，S13包括以下子步骤：
S131：采用混淆矩阵对分类效果进行评价；
S132：通过计算分类精度、Kappa系数、生产者精度和用户精度；
S133：选择分类精度最高的算法及分类结果。
有益效果
1.相比现有技术，本发明的水稻提取的简易程度也有所不同，不同于现有技术利用各类光谱特征、纹理特征、指数特征等，本发明主要是基于水稻特定时期不同波段组合光谱特征来提取。
2.本发明还提供了一种在光学影像不能获取情况下，利用SAR数据、基于水稻不同关键生长期时序后向散射系数特点提取水稻的方法。
附图说明
图1为本发明的流程图。
图2为本发明应用Sentinel-1数据提取的水稻面积流程图。
图3为本发明实施例目标区域Sentinel MSI数据和Sentinel SAR数据覆盖。
图4为本发明实施例目标区域VV和VH极化方式下水稻后向散射系数随作物生长的变化规律
图5为本发明实施例VV极化下和VH极化下不同时相合成假彩色影像。
图6为本发明实施例分类后处理
图7为本发明实施例目标区域水稻分布范围图
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
附图仅用于示例性说明，不能理解为对本专利的限制。
在北方地区春秋季云量相对夏季来具有云量低的特点，获取水稻移栽期(春季)和成熟期(秋季)的无云量或低云量遥感影像较易。在可获取的情况下，采用Sentinel-2 MSI光学数据可用来提取水稻。包括以下步骤：
获取目标区域不同水稻关键生长期Sentinel-2 MSI光学影像数据。
所获取的2016-2019的Sentinel-2 MSI光学影像数据为经过正射校正和亚像元级几何精校正后的L1C大气表观反射率产品，未进行大气校正。对该类数据需进行大气校正。
2020年及以后的数据为经大气校正后的L2A级产品。
对获取组成目标区域的水稻不同生长期的影像数据进行重采样、裁剪、镶嵌等预处理。
基于不同关键生长期的MSI光学遥感影像，筛选最利于水稻提取的波段组合。
对筛选出的优选波段合成的某景假彩色影像采用非监督或监督分类方式进行地类提取。
对分类结果进行精度验证，重点比较各种分类方法的水稻的生产者精度和用户精度。确定精度高的分类方法。
确定目标区域水稻提取的Sentinel-2MSI光学遥感数据的最优波段组合和分类方法。应用该法至目标区域水稻提取。
分类结果后处理，以消除孤立像素点(噪点)。得到目标区域水稻种植分布范围图，基于此计算水稻种植面积。
发明Sentinel-2 MSI光学遥感影像产品具体从欧洲航天局(European SpaceAgency)哥白尼开放数据访问中心COAH获取。
水稻关键生长期包括∶幼苗期、移栽期、分檗期、幼穗发育期、灌浆期、成熟期。
对遥感图像进行预处理的步骤包括大气校正和去云处理。对遥感图像进行去云处理的步骤包括：对遥感图像中同一区域不同时相的影像采用平均像素值法处理。
光学遥感数据为正射校正的UTM/WGS投影坐标系。
对目标影像的重采样仅需保留B2(红)、B3(绿)、B4(红)、B8(近红外)、B11(短波红外)和B12(短波红外)等6个波段。
推荐波段组合有B4/B3/B2真彩色、B8/B4/B3标准假彩色、B11/B8/B2农业、B8/B11/B2健康植被、B8/B11/B4陆/水、B12/B8/B4短波红外、B11/B8/B4植被分析。计算各地类分离度，选取分离度最高的波段组合。
采用最大似然法、随机森林、支持向量机等监督分类方法分别对波段合成后的RGB假彩色影像进行地物分类。
采用混淆矩阵(confusion matri)定量评价同一位置的实际像素地类和分类结果地类是否一致。判断指标有Kappa系数(K)、总精度(Po，％)、生产者精度(某类)和使用者精度(某类)。
分类后处理先后采用Majority/Minority分析、聚类处理(clump)和过滤处理(Sieve)等方式。
在不可获取水稻关键期光学遥感影像的情况下，采用时序Sentinel-1SAR数据可用来提取水稻。包括以下步骤：
获取目标区域时序Sentinel-1 SAR数据。数据源是经多视处理的Sentinel-1GRDH级数据。
数据依次经热噪声去除、辐射定标、多视滤波、相干斑滤波(RefinedLee滤波器)等处理。处理后得到线性比例单位的后向散射系数Sigma0。
后向散射系数进行分贝化处理，使在可视化以及数据分析上更方便。
分析分贝化后的各地类向散射系数时序变化特征，分析各地类后向散射系数时序变化特征与水稻后向散射系数时序变化的异同。
分析目标区域水稻后向散射系数随生长期变化的特征。
选取三个时期的VV极化下和VH极化下下影像进行波段合成，形成假彩色影像。
对比VV极化下和VH极化下下假彩色合成效果，比较分类提取分离度。
选取分离度高的做为分类的影像。
选取已选定三个时期的SAR影像裁剪、镶嵌，波段合成。范围为目标区域。
采用阈值法或监督分类法提取水稻。
提取结果后处理及提取精度验证。重点比较各种分类方法的水稻的生产者精度和用户精度。确定精度高的分类方法。
应用该法至目标区域提取水稻。
分类结果后处理，以消除孤立像素点(噪点)。得到目标区域水稻种植分布范围图，基于此计算水稻种植面积。
本发明所述Sentinel-1 SAR遥感影像产品具体从欧洲航天局(European SpaceAgency)哥白尼开放数据访问中心COAH获取。
所有SAR遥感数据为正射校正的UTM/WGS投影坐标系。
分贝化的公式如下，其中P、P0分别表示目标量和参考量。对于后向散射系数σ0(sigma0)的分贝化，则是执行(2)的对数变换。
Figure BDA0003697241490000041
σ0(dB)＝10×log10σ0 (2)
分析所述假彩色合成图像的特征，将具有相同颜色的区域进行提取，将具有相同颜色特征的区域作为同一个对象。
采用最大似然法、随机森林、支持向量机监督分类方法进行分类。
采用混淆矩阵(confusion matri)定量评价同一位置的实际像素地类和分类结果地类是否一致。判断指标有Kappa系数(K)、总精度(Po，％)、生产者精度(某类)和使用者精度(某类)。
分类后处理先后采用Majority/Minority分析、聚类处理(clump)和过滤处理(Sieve)等方式。
参照图1所示，本实施例提供。一种单季稻稻作区水稻种植面积的快速识别与提取的方法，步骤如下：
实施例目标区域为天津。天津历史上种稻较早，水稻栽培与育种研究历史久远在北方稻区有。
较大的知名度。在全国综合农业区划中，属华北单季稻稻作区华北北部平原中早熟亚区。
步骤S101，获取Sentinel-2MSI光学影像。数据源为覆盖天津市的Sentinel光学数据，覆盖全天津市需5景(图3)。
在该步骤中，Sentinal-2是全球环境与安全监测的第2颗卫星，卫星携带多光谱成像仪(MSI)，涵盖了从可见光到短波红外共13个波段，按照空间分辨率可将波段分为10m、20m和60m，不同分辨率的波段可应用于陆表监测、植被监测、地质监测、海洋监测等不同的应用领域。Sentinel-2A卫星幅宽达290km，A/B两星重访互补，时间分辨率为5天。如表1所示：
表1：
Figure BDA0003697241490000051
步骤S102，目标区域2021年光学影像数据为经大气校正后的L2A级产品。
步骤S103，完成遥感影像重采样、裁剪、镶嵌等预处理。
在该步骤中，将20m分辨率处2个短波红外波段B11和B12使用最近邻法重采样到10m分辨率，结合4个原始10m分辨率的波段共得到6个10m分辨率的波段。
在该步骤中，对5景重采样后的影像进行裁剪(subset)后拼接(mosaicing)形成天津市全域10米分辨率的多光谱影像。
步骤S104，以其中一景重采样后的影像为对象，合成B4/B3/B2真彩色、B8/B4/B3标准假彩色、B11/B8/B2农业、B8/B11/B2健康植被、B8/B11/B4陆/水、B12/B8/B4短波红外、B11/B8/B4植被分析等影像。
在该步骤中，经过对2021年水稻生长各阶段及收割后Sentinel-2多光谱影像的对比分析，在水稻移栽期和成熟期，稻田和周边其他作物光谱特征有区别明显易于提取。移栽期和成熟期在B11/B8/B4、B12/B8/B4和B11/B8/B4波段组合下，水稻与其他地物的分离度较高，均在1.98-2.0之间。分离度最好的为移栽期和成熟期的B12/B8/B4波段组合。
步骤S105，构建样本库，采用非监督或监督分类方式提取地类信息、提取水稻种植范围。
在该步骤中，利用实地调查和Google Earth高分辨率遥感影像目视选取创建了包括水稻、林地、水体、旱地和建设用地等5个地物的分类样本集，每个地物不低于50处。
在该步骤中，采用最大似然法和支持向量机法对移栽期(5月30日)、成熟期(10月21日)的B12/B8/B4波段合成影像进行分类。
步骤S106，分类后处理。分类精度分析。
在该步骤中，分类后处理采用Majority/Minority分析、聚类处理(clump)和过滤处理(Sieve)等方式。
在该步骤中，采用混淆矩阵(confusion matri)定量评价分类精度。判断指标有Kappa系数、总精度、生产者精度和使用者精度，数值越接近1，分类结果越准确。其中Kappa系数和总精度是对分类结果的总体评价，生产者精度和使用者精度则是反映的某特定类的分类精度。Kappa系数、总精度计算如下所示：
Figure BDA0003697241490000061
Figure BDA0003697241490000062
Figure BDA0003697241490000063
式中P0为总精度，表示分类结果与实际土地利用类型一致的概率，％；n为图像总像素数；S为同一位置的参照像素地类和分类结果地类一致的像素数；Pc为偶然一致率，分类结果与实际土地利用类型无关时，两者联合出现的概率是单独出现概率的乘积；g1表示参照像素中某一地类的像素数；g2表示参照像素中其他地类像素数；f1表示分类结果中某一地类的像素数；f2表示分类结果中其他地类的像素数。
生产者精度指分类法将整个影像的像元正确分为某类的像元数与该类真实参考总数的比率，该值用于比较分类方法的好坏。用户精度是指正确分到某类的像元总数与分类法将整个影像的像元分为该类的像元总数比率，该值用来表示分类结果中，各类别的可信度和可靠性。
分类精度评价结果见表2，
表2
Figure BDA0003697241490000064
步骤S107，确认提取水稻种植范围提取的生长期波段组合及分类方法，并进行目标区域水稻种植面积的提取。
在该步骤中，成熟期B12\B8\B4组合合成影像为优选水稻提取目标影像，分类方法为支持向量机法。依此，提取天津市2021年水稻种植面积为365.51平方千米。
本发明实施例在假设无法获取所需光学影像的情况下，应用Sentinel-1数据提取水稻面积。包括以下步骤(图2)：
步骤S201，获取Sentinel-1SAR遥感影像。数据源为覆盖天津市产稻区的Sentinel-1 SAR数据(1景)(图3)。
在该步骤中，获取目标区域2021年覆盖天津市水稻产区的Sentinel-1双极化(VH、VV)水稻生长期时序SAR数据，坐标采用UTM/WGS84投影系统。数据获取模式为干涉宽幅模式(IW)，产品类型为Level-1级地距影像(GRD)。其时间分辨率为12天，空间分辨率为5m*20m，幅宽为250km。影像从欧洲航天局(ESA)哥白尼开放数据访问中心下载。
步骤S202，对SAR影像进行预处理，步骤包括轨道校正、热噪声去除、辐射定标、相干斑滤波等。
在该步骤中，使用ESA非商业软件SNAP进行轨道校正、热噪声去除、辐射定标、相干斑滤波等预处理。处理后得到线性比例单位的后向散射系数Sigma0。
步骤S203，后向散射系数分贝化处理。
在该步骤中，分贝化变换后代表后向散射系数强度的分贝(dB)数据的值大约在-35dB到+10dB之间。
步骤S204，分析目标区域水稻后向散射系数时序变化特征。
在该步骤中，比较不同地物在VV极化和VH极化下的后向散射系数。总体来讲，无论是VV极化极化下还是VH极化极化下，后向散射强度均为：水体<水稻<小麦<林地<建筑物。水体在VH、VV极化上的时序后向散射系数分别在-28.1dB至-24.96dB、-25.95dB至-16.25dB之间波动，VV极化比VH极化下的时序后向散射系数有较大的波动趋势；小麦在VH、VV极化上的时序后向散射系数分别在-22.79dB至-14.53dB、-15.04dB至-7.88dB之间波动，VV极化与VH极化的时序后向散射系数波动趋势基本一致；林地在VH、VV极化上的时序后向散射系数分别在-16.87dB至-12.29dB、-10.80dB至-5.48dB之间波动，VV极化与VH极化的波动趋势基本一致；建筑物的VH、VV极化时序后向散射系数在-6.38dB至-2.27dB、-0.24dB至3.05dB之间波动，波动幅度较小，两者波动趋势类似，较为平稳。
在该步骤中，选取15处水稻种植点获取时序后向散射系数，分析目标区域水稻在极化SAR数据上的时序后向散射系数特征。目标区域水稻在VH、VV极化上的时序后向散射系数分别在-14.09dB至-28.25dB、-6.63dB至-20.32dB之间，波动幅度分别为13.96dB和14.0dB，变化趋势基本一致(图4)。
步骤205，根据水稻时序后向散射与其他作物不同的时序特征，选取三个时期的VV极化下和VH极化下下影像进行波段合成。
在该步骤中，在移栽期及生长初期，水稻植株个体小，后向散射接近于水面的后向散射系，散射强度较低。随着水稻的生长，后向散射以稻体散射和冠层面散射为主，后向散射系数不断增大，在抽穗期达到最大值(VV极化下的最高值时间早于VH极化下达到最高值的时间)，这一特性是其他作物所不具有的。针对这一特点，选取三个特征时间，结合水稻关键生育期，VV极化选择选择5月30日、6月23日、8月10日三景影像进行RGB假彩色合成；VH极化选择选择5月30日、7月5日、8月10三景影像进行RGB假彩色合成(图5)。突出水稻与其他地物的区别。
步骤S206，比较VV极化下与VH极化下后向散射系数合成效果。采用阈值法或监督分类法提取水稻种植面积。
在该步骤中，VV极化下与VH极化下后向散射系数合成影响比较不是地物间的分离度，确认VH极化下分离效果更好。
在该步骤中，采用阈值法、最大似然法和支持向量机法对VH极化下三景影像进行RGB假彩色合成影像进行分类提取。
其中，提取规则：同时满足VH极化下下后向散射系数5月30日在-21dB至-29dB区间，7月5日在-13.5dB至-19.0dB区间，8月10日在-16.2dB至-25.3dB，在arcgis栅格计算器中运用con函数获取满足条件的水稻种植范围。
步骤S207。分类结果后处理，同上；分类精度验证，同上。结果显示支持向量机法水稻提取精度最高，其中生产者精度为97.75％，用户精度为92.92％。分类精度验证结果表3:
表3
Figure BDA0003697241490000081
步骤208，以分类精度高的方法提取结果制作目标区域水稻种植面积分布图，计算水稻种植面积。该法计算天津市2021年水稻种植面积345.80平方公里。

Claims (6)

1.一种单季稻稻作区水稻种植面积的快速识别与提取的方法，其特征在于，包括以下步骤：
S1：获取目标区域不同水稻关键生长期Sentinel-2MSI光学影像数据，所述长期Sentinel-2MSI光学影像数据预处理包括：大气校正、重采样、裁剪、镶嵌；
S2：基于不同关键生长期的Sentinel-2MSI光学影像数据，筛选最利于水稻提取的波段组合，对筛选出的优选波段合成的某景假彩色影像采用非监督或监督分类方式进行地类提取；
S3：对地类提取结果进行精度验证，比较各种分类方法的水稻的生产者精度和用户精度；
S4：确定精度高的分类方法，确定目标区域水稻提取的长期Sentinel-2MSI光学影像遥感数据的最优波段组合和分类方法，应用最优波段组合和分类方法至目标区域水稻提取；
S5：在长期的Sentinel-2MSI光学影像数据不可获取情况下，获取目标区域时序Sentinel-1SAR数据；
S6：对目标区域时序Sentinel-1SAR数据进行数据预处理，所述数据预处理包括热噪声去除、辐射定标、多视滤波、相干斑滤波；
S7：处理后得到线性比例单位的后向散射系数Sigma0；
S8：对后向散射系数Sigma0进行分贝化处理，分析分贝化处理后的各地类向散射系数时序变化特征，分析各地物后向散射系数时序变化特征与水稻后向散射系数时序变化的异同；
S9：分析目标区域水稻后向散射系数随生长期变化的特征，选取三个时期的VV极化下和VH极化下影像进行波段合成，形成假彩色影像；
S10：根据假彩色影像比较分类提取分离度；
S11：采用阈值法或监督分类法提取水稻，将提取结果处理并提取精度验证；
S12：比较各种分类方法的水稻的生产者精度和用户精度；
S13：确定精度高的分类方法，应用该法至目标区域提取水稻。
2.根据权利要求1所述的单季稻稻作区水稻种植面积的快速识别与提取的方法，其特征在于，所述水稻关键生长期包括∶幼苗期、移栽期、分檗期、幼穗发育期、灌浆期、成熟期。
3.根据权利要求1所述的单季稻稻作区水稻种植面积的快速识别与提取的方法，其特征在于，对目标区域Sentinel-2影像数据的重采样保留包括B2红、B3绿、B4红、B8近红外、B11短波红外和B12短波红外6个波段。
4.根据权利要求1所述的单季稻稻作区水稻种植面积的快速识别与提取的方法，其特征在于，推荐波段组合包括B4/B3/B2真彩色、B8/B4/B3标准假彩色、B11/B8/B2农业、B8/B11/B2健康植被、B8/B11/B4陆/水、B12/B8/B4短波红外、B11/B8/B4植被分析，计算各地类分离度，选取分离度最高的波段组合。
5.根据权利要求1所述的单季稻稻作区水稻种植面积的快速识别与提取的方法，所述S9的分析假彩色合成图像的特征包括以下子步骤：
S91：将具有相同颜色的区域进行提取；
S92：将具有相同颜色特征的区域作为同一个对象。
6.根据权利要求1所述的单季稻稻作区水稻种植面积的快速识别与提取的方法，其特征在于，所述S13包括以下子步骤：
S131：采用混淆矩阵对分类效果进行评价；
S132：通过计算分类精度、Kappa系数、生产者精度和用户精度；
S133：选择分类精度最高的算法及分类结果。
CN202210683659.6A 2022-06-16 2022-06-16 一种单季稻稻作区水稻种植面积的快速识别与提取的方法 Active CN114998742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210683659.6A CN114998742B (zh) 2022-06-16 2022-06-16 一种单季稻稻作区水稻种植面积的快速识别与提取的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210683659.6A CN114998742B (zh) 2022-06-16 2022-06-16 一种单季稻稻作区水稻种植面积的快速识别与提取的方法

Publications (2)

Publication Number Publication Date
CN114998742A true CN114998742A (zh) 2022-09-02
CN114998742B CN114998742B (zh) 2023-08-18

Family

ID=83035284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210683659.6A Active CN114998742B (zh) 2022-06-16 2022-06-16 一种单季稻稻作区水稻种植面积的快速识别与提取的方法

Country Status (1)

Country Link
CN (1) CN114998742B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115205691A (zh) * 2022-09-15 2022-10-18 江西农业大学 一种水稻种植区域识别方法、装置、存储介质及设备
CN115719453A (zh) * 2023-01-09 2023-02-28 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
CN116091938A (zh) * 2022-12-29 2023-05-09 宁波大学 一种针对单季稻种植面积的多源遥感监测方法
CN116563720A (zh) * 2023-07-12 2023-08-08 华中师范大学 协同光学-微波物候特征的单双季水稻样本自动生成方法
CN117197650A (zh) * 2023-07-24 2023-12-08 移动广播与信息服务产业创新研究院(武汉)有限公司 基于sar数据时空极化定标的甘蔗分布提取方法及系统
CN117975293A (zh) * 2024-03-28 2024-05-03 四川汉盛源科技有限公司 多云雾地区水稻种植区域提取方法
CN117975293B (zh) * 2024-03-28 2024-06-04 四川汉盛源科技有限公司 多云雾地区水稻种植区域提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389049A (zh) * 2018-09-19 2019-02-26 中国科学院东北地理与农业生态研究所 基于多时相sar数据与多光谱数据的作物遥感分类方法
AU2020101054A4 (en) * 2020-06-19 2020-07-30 Guizhou Institute Of Pratacultural A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV
CN111521562A (zh) * 2020-03-19 2020-08-11 航天信德智图（北京）科技有限公司 基于Sentinel-2卫星的棉花植被指数遥感检测方法
CN112818749A (zh) * 2020-12-31 2021-05-18 中国电子科技集团公司第二十七研究所 一年两熟地区大宗粮油作物复种模式遥感监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389049A (zh) * 2018-09-19 2019-02-26 中国科学院东北地理与农业生态研究所 基于多时相sar数据与多光谱数据的作物遥感分类方法
CN111521562A (zh) * 2020-03-19 2020-08-11 航天信德智图（北京）科技有限公司 基于Sentinel-2卫星的棉花植被指数遥感检测方法
AU2020101054A4 (en) * 2020-06-19 2020-07-30 Guizhou Institute Of Pratacultural A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV
CN112818749A (zh) * 2020-12-31 2021-05-18 中国电子科技集团公司第二十七研究所 一年两熟地区大宗粮油作物复种模式遥感监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭立;杨武年;黄瑾;: "川西高原多时相干涉雷达土地覆盖分类研究", 西南大学学报(自然科学版), no. 05 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115205691A (zh) * 2022-09-15 2022-10-18 江西农业大学 一种水稻种植区域识别方法、装置、存储介质及设备
CN116091938A (zh) * 2022-12-29 2023-05-09 宁波大学 一种针对单季稻种植面积的多源遥感监测方法
CN116091938B (zh) * 2022-12-29 2023-08-18 宁波大学 一种针对单季稻种植面积的多源遥感监测方法
CN115719453A (zh) * 2023-01-09 2023-02-28 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
CN116563720A (zh) * 2023-07-12 2023-08-08 华中师范大学 协同光学-微波物候特征的单双季水稻样本自动生成方法
CN116563720B (zh) * 2023-07-12 2023-10-03 华中师范大学 协同光学-微波物候特征的单双季水稻样本自动生成方法
CN117197650A (zh) * 2023-07-24 2023-12-08 移动广播与信息服务产业创新研究院(武汉)有限公司 基于sar数据时空极化定标的甘蔗分布提取方法及系统
CN117197650B (zh) * 2023-07-24 2024-03-19 移动广播与信息服务产业创新研究院(武汉)有限公司 基于sar数据时空极化定标的甘蔗分布提取方法及系统
CN117975293A (zh) * 2024-03-28 2024-05-03 四川汉盛源科技有限公司 多云雾地区水稻种植区域提取方法
CN117975293B (zh) * 2024-03-28 2024-06-04 四川汉盛源科技有限公司 多云雾地区水稻种植区域提取方法

Also Published As

Publication number Publication date
CN114998742B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN114998742B (zh) 一种单季稻稻作区水稻种植面积的快速识别与提取的方法
CN110472184B (zh) 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法
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
CN115223059B (zh) 基于多元遥感影像的多云雾区域农作物种植模式提取方法
US20220392215A1 (en) System and Method for Mapping Land Cover Types with Landsat, Sentinel-1, and Sentinel-2 Images
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
Xue et al. Assessment of canopy vigor information from kiwifruit plants based on a digital surface model from unmanned aerial vehicle imagery
Liu et al. Mapping the complex crop rotation systems in Southern China considering cropping intensity, crop diversity, and their seasonal dynamics
CN113688909B (zh) 一种生态区土地分类方法、装置及电子设备
Fu et al. Forest cover classification with MODIS images in Northeastern Asia
Rulinda et al. Image mining for drought monitoring in eastern Africa using Meteosat SEVIRI data
CN107437262B (zh) 作物种植面积预警方法和系统
Abdelraouf et al. Comparative analysis of some winter crops area estimation using landsat-8 and sentinal-2 satellite imagery
Pohl et al. Multisensor approach to oil palm plantation monitoring using data fusion and GIS
Suga et al. Rice crop monitoring using X, C and L band SAR data
Ishitsuka Identification of paddy rice areas using SAR: Some case studies in Japan
Ghazali et al. Pre-assessment of the potential of dual polarization of Sentinel 1 data for mapping the mangrove tree species distribution in South Bali, Indonesia
Mirelva et al. Application of Sentinel-1 Data for Classifying Croplands Using Google Earth Engine.
Wang et al. Canopy extraction and height estimation of trees in a shelter forest based on fusion of an airborne multispectral image and photogrammetric point cloud
Yuan et al. Monitoring of Sugarcane Crop based on Time Series of Sentinel-1 data: A case study of Fusui, Guangxi
Chen et al. Coupling optical and SAR imagery for automatic garlic mapping
Dai et al. Object-oriented classification of rubber plantations from Landsat satellite imagery
Kim et al. Agricultural land cover classification using rapideye satellite imagery in South Korea-first result
Charoenjit Estimation of Biomass and Carbon Stock in Para rubber Plantation in East Thailand Using Object-based Classification from THAICHOTE Satellite Data

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