CN115049900A - 一种基于光学与雷达数据的水稻种植区识别方法及系统 - Google Patents
一种基于光学与雷达数据的水稻种植区识别方法及系统 Download PDFInfo
- Publication number
- CN115049900A CN115049900A CN202210554906.2A CN202210554906A CN115049900A CN 115049900 A CN115049900 A CN 115049900A CN 202210554906 A CN202210554906 A CN 202210554906A CN 115049900 A CN115049900 A CN 115049900A
- Authority
- CN
- China
- Prior art keywords
- data
- optical
- radar data
- radar
- target area
- 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
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 84
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 48
- 235000009566 rice Nutrition 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 34
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 47
- 230000010287 polarization Effects 0.000 claims abstract description 17
- 230000015572 biosynthetic process Effects 0.000 claims description 22
- 238000003786 synthesis reaction Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000000513 principal component analysis Methods 0.000 abstract description 4
- 235000013339 cereals Nutrition 0.000 abstract description 3
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000004044 response Effects 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于光学与雷达数据的水稻种植区识别方法及系统,该方法包括:获取目标区域光学及雷达数据,根据水稻物候期,进行数据合成获得时序合成影像;对目标区域光学及雷达数据分别进行第一特征空间的构建,并结合光学数据的波段信息和雷达数据的极化信息进行主成分的分析、可视化处理和第二特征空间的构建,并进行分类场景的设计,得到特征优选组合,作为RF算法模型的输入,输出水稻种植区的识别结果。该方法通过主成分分析的引入解决了地块破碎导致分类精度不高的问题,解决了基于单机分类,数据获取困难、预处理复杂、分类时间较长、耗费人力财力的问题,可以广泛运用于南方地区作物识别,对粮食安全和精准农业的实施具有指导作用。
Description
技术领域
本发明涉及水稻识别技术领域,特别涉及一种基于光学与雷达数据的水稻种植区识别方法及系统。
背景技术
及时准确的获取农作物种植结构和空间分布有利于促进精准农业以及粮食安全合理推进。在西南高原及其全国的高原地区,加快卫星遥感的投入使用,是对环境保护、气候观测、精准农业、旅游开发等方面快速发展的重要响应。因此,亟需实时动态地监测南方地区农作物覆被状况。然而,由于地形条件和地理位置的复杂性,南方地区的农作物遥感监测一直是热点和难点。
大多数研究一般基于单机分类,数据获取困难、预处理复杂、分类时间较长、耗费人力财力。而GEE平台(Google Earth Engine,GEE)是一个提供全球尺度范围卫星观测数据的开放平台,可以便捷免费访问海量的地理空间数据集,使用代码就可以实现影像的读取、数据的处理和各类算法的应用。南方地区海拔高、光学影像年均可利用率低,极大限制了水稻的精准识别,雷达数据不受光照的影响,具有全天时全天候的观测能力,被广泛运用于作物提取,但单一时相微波数据很难对地面覆被类型精确提取;同时,南方耕地地块破碎、种植结构复杂,混合像元情况严重,分类中易出现“椒盐噪声”影响。
因此,如何解决南方地区水稻种植区的精准识别,成为本领域同行从业人员研究的热点。
发明内容
本发明的主要目的在于提供一种至少部分解决上述技术问题的基于光学与雷达数据的水稻种植区识别方法及系统,该方法可解决南方地区受地理位置、云雾等影响,光学数据缺失严重且单一影像对农作物提取精度不高的问题。
为实现上述目的,本发明采取的技术方案为:
第一方面,本发明实施例提供一种基于光学与雷达数据的水稻种植区识别方法,包括:
获取目标区域光学及雷达数据,根据水稻物候期分别对光学和雷达数据进行时序合成,基于合成后的数据进行数据融合得到合成影像;
根据所述合成影像,对所述目标区域光学及雷达数据分别进行第一特征空间的构建,并结合光学数据的波段信息和雷达数据的极化信息进行主成分的分析、可视化处理和第二特征空间的构建;
结合第一特征空间、主成分的分析结果、可视化处理结果和第二特征空间进行分类场景的设计,得到特征优选组合;
将所述特征优选组合作为RF算法模型的输入,输出水稻种植区的识别结果;所述RF算法模型基于影像数据和所述主成分的分析结果数据训练生成。
进一步地,获取目标区域光学及雷达数据,根据水稻物候期分别对光学和雷达数据进行时序合成,基于合成后的数据进行数据融合得到合成影像,包括:
1)通过GEE平台进行云掩膜处理,设置云量小于百分比阈值的影像进行合成,获取目标区域的光学和雷达数据;
2)根据水稻物候期,分别对目标区域的光学和雷达数据在预设时长尺度上进行均值合成,对均值合成后的光学和雷达数据进行数据融合,获得目标区域的时序合成影像。
进一步地,根据所述合成影像,对所述目标区域光学及雷达数据分别进行第一特征空间的构建,包括:
1)目标区域的光学数据第一特征空间构建,包含光谱特征、指数特征、红边纹理特征;所述指数特征包括归一化植被指数NDVI、归一化水体指数 NDWI、增强型植被指数EVI和改进的归一化水指数MNDWI;所述红边纹理特征包含对比度、角二阶矩、反差分矩阵和熵;
2)目标区域的雷达数据第一特征空间构建,包含极化特征和雷达纹理特征。
进一步地,结合光学数据的波段信息和雷达数据的极化信息进行主成分的分析、可视化处理,包括:
将光学数据的波段信息和雷达数据的极化信息采用映射的方式投影到k 维上;
求解协方差矩阵来获取差异性最大的主成分量,进行主成分特征的提取与主成分可视化呈现。
第二方面,本发明实施例还提供一种基于光学与雷达数据的水稻种植区识别系统,包括:
获取及合成模块,用于获取目标区域光学及雷达数据,根据水稻物候期分别对光学和雷达数据进行时序合成,基于合成后的数据进行数据融合得到合成影像;
构建模块,用于根据所述合成影像,对所述目标区域光学及雷达数据分别进行第一特征空间的构建,并结合光学数据的波段信息和雷达数据的极化信息进行主成分的分析、可视化处理和第二特征空间的构建;
设计模块,用于结合第一特征空间、主成分的分析结果、可视化处理结果和第二特征空间进行分类场景的设计,得到特征优选组合;
识别模块,用于将所述特征优选组合作为RF算法模型的输入,输出水稻种植区的识别结果;所述RF算法模型基于影像数据和所述主成分的分析结果数据训练生成。
与现有技术相比,本发明具有如下有益效果:
本发明通过获取目标区域光学及雷达数据,根据水稻物候期分别对光学和雷达数据进行时序合成,基于合成后的数据进行数据融合得到合成影像;根据所述合成影像,对所述目标区域光学及雷达数据分别进行第一特征空间的构建,并结合光学数据的波段信息和雷达数据的极化信息进行主成分的分析、可视化处理和第二特征空间的构建,并进行分类场景的设计;根据分类场景的设计结果,结合丰富的地面样本真值和RF算法,获得水稻种植区的识别结果。该方法解决了南方地区云雨天气多导致光学影像可利用率不高的问题,主成分分析的引入一定程度上解决了地块破碎导致分类精度不高的问题,并且全部过程均在GEE平台上代码实现,解决了基于单机分类,数据获取困难、预处理复杂、分类时间较长、耗费人力财力的问题,可以广泛运用于南方地区作物识别,对粮食安全和精准农业的实施具有指导作用。
附图说明
图1为本发明实施例提供的基于光学与雷达数据的水稻种植区识别方法的流程图;
图2为本发明实施例提供的基于光学与雷达数据的水稻种植区识别系统的框图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明提供的一种基于光学与雷达数据的水稻种植区识别方法,适用于南方地区受地理位置、云雾等影响,光学数据缺失严重且单一影像对农作物提取精度不高的情况,参照图1所示,包括:
S10、获取目标区域光学及雷达数据,根据水稻物候期分别对光学和雷达数据进行时序合成,基于合成后的数据进行数据融合得到合成影像;
S20、根据所述合成影像,对所述目标区域光学及雷达数据分别进行第一特征空间的构建,并结合光学数据的波段信息和雷达数据的极化信息进行主成分的分析、可视化处理和第二特征空间的构建;
S30、结合第一特征空间、主成分的分析结果、可视化处理结果和第二特征空间进行分类场景的设计,得到特征优选组合;
S40、将所述特征优选组合作为RF算法模型的输入,输出水稻种植区的识别结果;所述RF算法模型基于影像数据和所述主成分的分析结果数据训练生成。
该方法首先使用GEE平台进行光学和雷达的数据获取,然后结合水稻物候期分别对光学和雷达进行均值数据合成,得到时序合成影像,再对合成的时序影像融合并进行特征构建,包括光谱波段特征、指数特征、红边纹理特征、极化特征、微波纹理特征,由于南方丘陵地区耕地破碎,混合像元情况严重,基于此,融合光学和雷达波段信息进行主成分分析和主成分特征的构建以增强地物信息,提高可分离度,然后进行分类场景的设计,得到特征优选组合,作为RF算法模型的输入,输出水稻种植区的识别结果,从而得到更加精确的水稻分类结果。
下面分别对上述各个步骤进行详细的说明:
步骤一、光学与雷达数据的获取与处理:
1)在GEE平台进行云掩膜处理,设置云量比如小于10%的影像进行合成,获取光学和雷达数据;
2)根据水稻物候期,分别对光学和雷达数据在比如月尺度上进行均值合成,然后对均值合成后的光学和雷达数据进行数据融合,获取研究区合成影像;
步骤二、分类特征空间的构建:
1)光学数据特征第一特征空间构建,包含光谱特征、指数特征、红边纹理特征;其中,指数特征包括归一化植被指数NDVI、归一化水体指数NDWI、增强型植被指数EVI、改进的归一化水指数MNDWI等,部分特征计算方法如下:
其中,ρred为传感器红波段反射率值,ρgreen为绿波段反射率值,ρblue为蓝波段反射率值,ρnir为近红外反射率值,ρswir为短波红外波段反射率值,ρmir为中红外波段反射率值。红边纹理特征包含对比度(CONTRAST)、角二阶矩 (ASM)、反差分矩阵(IDM)和熵(ENT)。
2)雷达数据特征第一特征空间构建,包含极化特征和雷达纹理特征,如 VV、VH和其衍生的纹理特征,该衍生的纹理特征比如包括:均值、方差、对比度(CONTRAST)、相异性、信息熵(ENT)、角二阶矩(ASM),计算方法如下:
其中i,j是像元在合成影像中的行列坐标,P(i,j)为灰度联合概率矩阵,n 代表灰度共生矩阵的阶数;
步骤三、对光学和雷达合成影像进行主成分的分析、可视化处理和第一特征空间构建,具体步骤为:
结合光学数据的波段信息和雷达数据的极化信息,剔除在分类过程出重要性不高的波段,协同光学和雷达数据的最优波段信息用映射的方法投射到3 个维上,然后求解协方差矩阵来获取差异性最大的主成分量,获得3个主成分特征分量。用这3个主成分特征来对合成的影像进行表达,以达到主成分可视化的效果;
步骤四、分类场景的设计及特征优选分类,具体步骤为:
根据构建的第一特征空间和第二特征空间进行不同的分类场景设计组合,利用Google Earth水稻物候期高清影像和主成分可视化结果进行分类样本点的选取和逐点排查,删除错误点并就近补充,保证样点的精确性,训练基于 RF算法的分类模型。基于丰富的地面样本真值和不同的分类场景,根据GEE 中图像分类时计算的Gini指数以剔除贡献度较低的特征,使用RF算法不断进行特征组合实验,最终得出最好的分类场景和最优的制图结果。将上述特征优选组合作为分类模型的输入,输出水稻种植区的识别结果。
步骤五、水稻分类效果精度评价,具体步骤为:
为评估不同数据源、不同方法对水稻的提取精度改善情况,采用基于混淆矩阵和Hold-Out交叉验证的常用统计量来进行分类精度评价,具体评价指标有总体精度、用户精度、生产者精度、Kappa系数。
本发明实施例提供的一种基于光学与雷达数据的水稻种植区识别方法,具有如下优势:
(1)该方法简单,实用,南方地区受云雨天气的影响,年均光学数据可利用率低,雷达数据具有全天时全天候的特点,光学和雷达数据结合可以有效解决光学影像缺失和单一影像源分类精度不高的问题。
(2)南方地区以高原山地为主,地块极度破碎化,混合像元情况严重,易导致分类结果出现“同物异谱,同谱异物”和“椒盐噪声”问题,该方法通过主成分分析与可视化,增强光谱信息,提高作物可分离度,可以对上述现象进行改善。
(3)该方法方便、快捷,只需要在GEE平台上即可代码实现,解决了基于单机分类耗时耗力,对硬件要求高的问题,节约了物力和财力,同时为实验数据获取和处理提供了极大便利,省去单机的繁琐操作。
基于同一发明构思,本发明还提供一种基于光学与雷达数据的水稻种植区识别系统,如图2所示,包括:
获取及合成模块,用于获取目标区域光学及雷达数据,根据水稻物候期分别对光学和雷达数据进行时序合成,基于合成后的数据进行数据融合得到合成影像;
构建模块,用于根据所述合成影像,对所述目标区域光学及雷达数据分别进行第一特征空间的构建,并结合光学数据的波段信息和雷达数据的极化信息进行主成分的分析、可视化处理和第二特征空间的构建;
设计模块,用于结合第一特征空间、主成分的分析结果、可视化处理结果和第二特征空间进行分类场景的设计,得到特征优选组合;
识别模块,用于将所述特征优选组合作为RF算法模型的输入,输出水稻种植区的识别结果;所述RF算法模型基于影像数据和所述主成分的分析结果数据训练生成。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于光学与雷达数据的水稻种植区识别方法,其特征在于,包括:
获取目标区域光学及雷达数据,根据水稻物候期分别对光学和雷达数据进行时序合成,基于合成后的数据进行数据融合得到合成影像;
根据所述合成影像,对所述目标区域光学及雷达数据分别进行第一特征空间的构建,并结合光学数据的波段信息和雷达数据的极化信息进行主成分的分析、可视化处理和第二特征空间的构建;
结合第一特征空间、主成分的分析结果、可视化处理结果和第二特征空间进行分类场景的设计,得到特征优选组合;
将所述特征优选组合作为RF算法模型的输入,输出水稻种植区的识别结果;所述RF算法模型基于影像数据和所述主成分的分析结果数据训练生成。
2.根据权利要求1所述的一种基于光学与雷达数据的水稻种植区识别方法,其特征在于:获取目标区域光学及雷达数据,根据水稻物候期分别对光学和雷达数据进行时序合成,基于合成后的数据进行数据融合得到合成影像,包括:
1)通过GEE平台进行云掩膜处理,设置云量小于百分比阈值的影像进行合成,获取目标区域的光学和雷达数据;
2)根据水稻物候期,分别对目标区域的光学和雷达数据在预设时长尺度上进行均值合成,对均值合成后的光学和雷达数据进行数据融合,获得目标区域的时序合成影像。
3.根据权利要求2所述的一种基于光学与雷达数据的水稻种植区识别方法,其特征在于:根据所述合成影像,对所述目标区域光学及雷达数据分别进行第一特征空间的构建,包括:
1)目标区域的光学数据第一特征空间构建,包含光谱特征、指数特征、红边纹理特征;所述指数特征包括归一化植被指数NDVI、归一化水体指数NDWI、增强型植被指数EVI和改进的归一化水指数MNDWI;所述红边纹理特征包含对比度、角二阶矩、反差分矩阵和熵;
2)目标区域的雷达数据第一特征空间构建,包含极化特征和雷达纹理特征。
4.根据权利要求3所述的一种基于光学与雷达数据的水稻种植区识别方法,其特征在于:结合光学数据的波段信息和雷达数据的极化信息进行主成分的分析、可视化处理,包括:
将光学数据的波段信息和雷达数据的极化信息采用映射的方式投影到k维上;
求解协方差矩阵来获取差异性最大的主成分量,进行主成分特征的提取与主成分可视化呈现。
5.一种基于光学与雷达数据的水稻种植区识别系统,其特征在于:包括:
获取及合成模块,用于获取目标区域光学及雷达数据,根据水稻物候期分别对光学和雷达数据进行时序合成,基于合成后的数据进行数据融合得到合成影像;
构建模块,用于根据所述合成影像,对所述目标区域光学及雷达数据分别进行第一特征空间的构建,并结合光学数据的波段信息和雷达数据的极化信息进行主成分的分析、可视化处理和第二特征空间的构建;
设计模块,用于结合第一特征空间、主成分的分析结果、可视化处理结果和第二特征空间进行分类场景的设计,得到特征优选组合;
识别模块,用于将所述特征优选组合作为RF算法模型的输入,输出水稻种植区的识别结果;所述RF算法模型基于影像数据和所述主成分的分析结果数据训练生成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210554906.2A CN115049900A (zh) | 2022-05-20 | 2022-05-20 | 一种基于光学与雷达数据的水稻种植区识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210554906.2A CN115049900A (zh) | 2022-05-20 | 2022-05-20 | 一种基于光学与雷达数据的水稻种植区识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049900A true CN115049900A (zh) | 2022-09-13 |
Family
ID=83158573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210554906.2A Pending CN115049900A (zh) | 2022-05-20 | 2022-05-20 | 一种基于光学与雷达数据的水稻种植区识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049900A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935234A (zh) * | 2023-09-18 | 2023-10-24 | 众芯汉创(江苏)科技有限公司 | 一种输电线走廊点云数据自动分类和树障预警系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL258347A (en) * | 2017-12-31 | 2018-11-29 | Elta Systems Ltd | System and method for integrating data from GMT radar and electro-optical sensors |
CN109345555A (zh) * | 2018-10-15 | 2019-02-15 | 中科卫星应用德清研究院 | 基于多时相多源遥感数据进行水稻识别的方法 |
CN111652193A (zh) * | 2020-07-08 | 2020-09-11 | 中南林业科技大学 | 基于多源影像的湿地分类方法 |
CN111798132A (zh) * | 2020-07-06 | 2020-10-20 | 北京师范大学 | 基于多源时序遥感深度协同下的耕地动态监测方法及系统 |
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 |
CN114021656A (zh) * | 2021-11-08 | 2022-02-08 | 中国科学院东北地理与农业生态研究所 | 基于gee云平台和光学与雷达数据融合的水体提取方法 |
-
2022
- 2022-05-20 CN CN202210554906.2A patent/CN115049900A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL258347A (en) * | 2017-12-31 | 2018-11-29 | Elta Systems Ltd | System and method for integrating data from GMT radar and electro-optical sensors |
CN109345555A (zh) * | 2018-10-15 | 2019-02-15 | 中科卫星应用德清研究院 | 基于多时相多源遥感数据进行水稻识别的方法 |
CN111798132A (zh) * | 2020-07-06 | 2020-10-20 | 北京师范大学 | 基于多源时序遥感深度协同下的耕地动态监测方法及系统 |
CN111652193A (zh) * | 2020-07-08 | 2020-09-11 | 中南林业科技大学 | 基于多源影像的湿地分类方法 |
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 |
CN114021656A (zh) * | 2021-11-08 | 2022-02-08 | 中国科学院东北地理与农业生态研究所 | 基于gee云平台和光学与雷达数据融合的水体提取方法 |
Non-Patent Citations (8)
Title |
---|
LARA SUJUD 等: "Cannabis detection from optical and RADAR data fusion: A comparative analysis of the SMILE machine learning algorithms in Google Earth Engine", 《REMOTE SENSING APPLICATIONS: SOCIETY AND ENVIRONMENT》, 30 November 2021 (2021-11-30), pages 1 - 14 * |
LEI CHEN 等: "Disclosing the future food security risk of China based on crop production and water scarcity under diverse socioeconomic and climate scenarios", 《SCIENCE OF THE TOTAL ENVIRONMENT》, 10 October 2021 (2021-10-10), pages 1 - 17 * |
TAO ZHANG 等: "Rice and Greenhouse Identification in Plateau Areas Incorporating Sentinel-1/2 Optical and Radar Remote Sensing Data from Google Earth Engine", 《REMOTE SENSING》, 12 November 2022 (2022-11-12), pages 1 - 18 * |
刘戈 等: "特征优选与卷积神经网络在农作物精细分类中的应用研究", 《球信息科学学报》, 21 June 2021 (2021-06-21), pages 1 - 11 * |
成飞飞 等: "深度学习在光学和SAR影像融合研究进展", 《遥感学报》, 25 September 2022 (2022-09-25), pages 1744 - 1756 * |
田昕 等: "基于星载极化 SAR 数据的农作物 分类识别进展评述", 《中国农业资源与规划》, vol. 40, no. 11, 25 November 2019 (2019-11-25), pages 63 - 71 * |
章涛: "云南高原地区水稻和农业大棚遥感提取研究——以陆良县为例", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, 15 March 2024 (2024-03-15), pages 028 - 324 * |
谭 深 等: "基于Google Earth Engine与多源遥感数据的 海南水稻分类研究", 《地球信息科学》, vol. 21, no. 6, 25 June 2019 (2019-06-25), pages 937 - 947 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935234A (zh) * | 2023-09-18 | 2023-10-24 | 众芯汉创(江苏)科技有限公司 | 一种输电线走廊点云数据自动分类和树障预警系统及方法 |
CN116935234B (zh) * | 2023-09-18 | 2023-12-26 | 众芯汉创(江苏)科技有限公司 | 一种输电线走廊点云数据自动分类和树障预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Croft et al. | Evaluating leaf chlorophyll content prediction from multispectral remote sensing data within a physically-based modelling framework | |
George et al. | Forest tree species discrimination in western Himalaya using EO-1 Hyperion | |
Sun et al. | Monitoring maize lodging grades via unmanned aerial vehicle multispectral image | |
CN112183209B (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
Harris et al. | Hyperspectral remote sensing of peatland floristic gradients | |
Chen et al. | Predicting individual apple tree yield using UAV multi-source remote sensing data and ensemble learning | |
CN102829739A (zh) | 一种面向对象的作物叶面积指数遥感反演方法 | |
CN112818749B (zh) | 一年两熟地区大宗粮油作物复种模式遥感监测方法 | |
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 | |
CN114821362A (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
Ozdarici Ok et al. | A segment-based approach to classify agricultural lands by using multi-temporal optical and microwave data | |
CN115995005B (zh) | 基于单期高分辨率遥感影像的农作物的提取方法和装置 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
Launeau et al. | Airborne hyperspectral mapping of trees in an urban area | |
CN115861629A (zh) | 一种高分耕地影像提取方法 | |
Xu et al. | Vegetation information extraction in karst area based on UAV remote sensing in visible light band | |
CN115049900A (zh) | 一种基于光学与雷达数据的水稻种植区识别方法及系统 | |
Geng et al. | Vegetation coverage of desert ecosystems in the Qinghai-Tibet Plateau is underestimated | |
Sun et al. | Monitoring rice lodging grade via Sentinel-2A images based on change vector analysis | |
Zhang et al. | Large-scale apple orchard mapping from multi-source data using the semantic segmentation model with image-to-image translation and transfer learning | |
Pu | Comparing canonical correlation analysis with partial least squares regression in estimating forest leaf area index with multitemporal Landsat TM imagery | |
CN116883853A (zh) | 基于迁移学习的作物时空信息遥感分类方法 | |
Sarker et al. | Unsupervised Learning-based Vegetation change detection with Landsat 8 data | |
Ozdarici-Ok et al. | Object-based classification of multi-temporal images for agricultural crop mapping in Karacabey Plain, Turkey | |
Zhang et al. | A Mapping Approach for Eucalyptus Plantations Canopy and Single-Tree Using High-Resolution Satellite Images in Liuzhou, China |
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 |