CN115063690A - 一种基于ndvi时序特征的植被分类方法 - Google Patents
一种基于ndvi时序特征的植被分类方法 Download PDFInfo
- Publication number
- CN115063690A CN115063690A CN202210725922.3A CN202210725922A CN115063690A CN 115063690 A CN115063690 A CN 115063690A CN 202210725922 A CN202210725922 A CN 202210725922A CN 115063690 A CN115063690 A CN 115063690A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- ndvi
- area
- remote sensing
- time sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 230000000052 comparative effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 2
- 230000012010 growth Effects 0.000 description 10
- 241000209140 Triticum Species 0.000 description 9
- 235000021307 Triticum Nutrition 0.000 description 9
- 240000007594 Oryza sativa Species 0.000 description 7
- 229920000742 Cotton Polymers 0.000 description 6
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 241000219000 Populus Species 0.000 description 6
- 235000009566 rice Nutrition 0.000 description 6
- 241000219094 Vitaceae Species 0.000 description 5
- 235000021021 grapes Nutrition 0.000 description 5
- 241001106462 Ulmus Species 0.000 description 4
- 240000003307 Zinnia violacea Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000000832 Ayote Nutrition 0.000 description 3
- 240000008574 Capsicum frutescens Species 0.000 description 3
- 235000009854 Cucurbita moschata Nutrition 0.000 description 3
- 235000009804 Cucurbita pepo subsp pepo Nutrition 0.000 description 3
- 244000020551 Helianthus annuus Species 0.000 description 3
- 235000003222 Helianthus annuus Nutrition 0.000 description 3
- 235000006041 Prunus persica f compressa Nutrition 0.000 description 3
- 240000006522 Prunus persica f. compressa Species 0.000 description 3
- 244000088415 Raphanus sativus Species 0.000 description 3
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 235000015136 pumpkin Nutrition 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 240000004244 Cucurbita moschata Species 0.000 description 2
- 244000070406 Malus silvestris Species 0.000 description 2
- 244000277586 Prunus pissardii Species 0.000 description 2
- 235000009836 Prunus pissardii Nutrition 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 2
- 239000001390 capsicum minimum Substances 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 235000002568 Capsicum frutescens Nutrition 0.000 description 1
- 241000219122 Cucurbita Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000565359 Fraxinus chinensis Species 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 235000009754 Vitis X bourquina Nutrition 0.000 description 1
- 235000012333 Vitis X labruscana Nutrition 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000001728 capsicum frutescens Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 229940045860 white wax Drugs 0.000 description 1
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
- G06V20/13—Satellite images
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于NDVI时序特征的植被分类方法，在多个不同时刻分别下载样本区域和待分类地区的Sentinel‑2号卫星高分辨率遥感影像，然后对每一张遥感影像进行预处理后，计算每一张遥感影像中各个像素点的NDVI指标，进而建立样本区域已知植被的NDVI时序数据集和待分类地区未知植被的NDVI时序数据集，最后结合这两个数据集，利用SAM算法或SID算法进行分类。
Description
技术领域
本发明属于遥感图像植被分类技术领域，更为具体地讲，涉及一种基于 NDVI时序特征的植被分类方法。
背景技术
通过遥感图像对植被进行精细化分类、对农作物进行估产是发展现代农业产业不可或缺的技术环节；在研究区域开展高效的植被精细化分类对于土地利用和规划也有着实际意义。而复合应用多平台，多时相，多层面，多光谱，多空间分辨率使得遥感技术可以更全面地开展对地观测。
目前，遥感图像分类算法主要分为监督分类和无监督分类两种算法。无监督算法中常见的有K-means聚类算法，ISODATA算法，K-近邻算法，决策树等等，监督算法常见的有最大似然法，支持向量机等等，此类方法在作物分类的应用中都较为成熟，也在分类中取得了较高精度的结果。
然而现有地物分类多基于单一时相的遥感图像，用于分辨林地，耕地，裸土，水体和建筑这类区分度特别明显的地物，但是此类方法对诸如林地和耕地的具体精细化分类区分度非常低。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于NDVI时序特征的植被分类方法，通过建立归一化植被指数NDVI的时序谱信息，再结合光谱角制图算法或光谱信息散度算法进行植被分类，提高了目标地物分类的准确性。
为实现上述发明目的，本发明一种基于NDVI时序特征的植被分类方法，其特征在于，包括以下步骤：
(1)、样本数据采集；
设样本区域内植被的种类数为N，实地使用GPS手持仪在样本区域内记录各植被所在地的GPS世界坐标，然后记录对应坐标处植被的实际类型；
(2)、多时相遥感影像的下载及预处理；
(2.1)、在m个不同时刻分别下载样本区域和待分类地区的Sentinel-2号卫星高分辨率遥感影像，各m张，其中，样本区域的遥感影像记为Xi，待分类地区的遥感影像记为
(2.2)、对2m张遥感影像进行预处理；
在每一张遥感影像中，选取分辨率为10米×10米的蓝光B2、绿光B3、红光B4和近红外B8A四个波段数据，然后通过波段合成软件对四波段数据进行波段合成，形成RGB+近红外的真彩色影像，其中，遥感影像Xi处理完成后记为Yi，遥感影像
处理完成后记为
当2m张遥感影像进行相同处理后，共计得到2m 张RGB+近红外的真彩色影像；
对每一张真彩色影像进行辐射定标和大气校正，处理完成后分别记为Zi和
(3)、建立遥感影像的NDVI时序数据集；
(3.1)、定义NDVI时序数据集的元素值的取值范围为[-1，1]，当元素值为负值时，判定为云，水，雪覆盖，当元素值为0时，判定为岩石或者裸土，当元素值为正值时，判定为植被覆盖，且元素值越大表明植被覆盖度越高；
(3.2)、定义像元的归一化植被指数NDVI；
其中，NDVI(x,y)表示影像中像元(x,y)处的归一化植被指数，
表示像元 (x,y)处的近红外波段反射率值，
表示像元(x,y)处的红光波段的反射率值；
(3.3)、遍历每一张图像Zi与
然后利用公式计算出各像元(x,y)处的 NDVI(x,y)；
(3.4)、对每一张图像Zi，分别计算出N种已知植被区域所包含像元的NDVI 均值，并作为N种已知植被的NDVI指标，再将m张图像中N种已知植被的 NDVI指标按遥感影像拍摄时间排序，从而得到样本区域已知植被的NDVI时序数据集；
(3.5)、设待分类地区中共包含M种未知植被，则对于每一张图像
分别计算出M种未知植区域被所包含像元的NDVI均值，并作为M种未知植被的 NDVI指标，再将m景图像中M种未知植被的NDVI指标按遥感影像拍摄时间排序，从而得到待分类地区未知植被的NDVI时序数据集；
(4)、植被分类；
(4.1)、根据样本区域已知植被的NDVI时序数据集，建立N种植被在各时间点处的目标向量；
其中，
表示第j1种已知植被在第i个时刻的NDVI指标；
根据待分类地区未知植被的NDVI时序数据集，建立M种植被在各时间点处的待测向量；
其中，
表示第j2种已知植被在第i个时刻的NDVI指标；
(4.2)、给定N种已知植被的分类阈值
(4.3)、利用SAM算法进行分类；
(4.3.1)、以样本区域N种已知植被为基准，计算待分类地区中任意一种未知植被与某一已知植被的光谱角DSAM(j1,j2)；
(4.3.2)、比较光谱角DSAM(j1,j2)与分类阈值
的大小，如果
则判定待分类地区中未知植被j2与样本区域内已知植被j1为同一种类；否则，判定待分类地区中未知植被j2与样本区域内已知植被j1为不同种类。
本发明的发明目的是这样实现的：
本发明一种基于NDVI时序特征的植被分类方法，在多个不同时刻分别下载样本区域和待分类地区的Sentinel-2号卫星高分辨率遥感影像，然后对每一张遥感影像进行预处理后，计算每一张遥感影像中各个像素点的NDVI指标，进而建立样本区域已知植被的NDVI时序数据集和待分类地区未知植被的NDVI 时序数据集，最后结合这两个数据集，利用SAM算法或SID算法进行分类。
同时，本发明一种基于NDVI时序特征的植被分类方法还具有以下有益效果：
(1)、本发明不采用传统的无监督分类流程，而是通过目视判读和实地视察获取该地作物真实的光谱统计特性，以监督分类方法流程展开分类，在一定程度上弥补了现有方法未考虑地物光谱不确定性产生的影响，提高了目标地物分类的准确性；
(2)、本发明基于NDVI时序曲线，采用光谱角制图算法或光谱信息散度算法进行作物精细分类，相较于常规的单时相影像分类方法总体精度有一定程度的提高；
(3)、本发明对于研究地区的地物分类有很好的适用性，可以在此基础上进一步的优化和推广，服务于地方的作物类型和作物生长周期的动态监测。
附图说明
图1是本发明一种基于NDVI时序特征的植被分类方法流程图；
图2是部分植被样本点分布示意图；
图3是石河子地区Sentinel-2B2,B3,B4,B8波段的合成图像；
图4是石河子地区已知18种植被的NDVI时序曲线；
图5是利用SAM算法对石河子部分地区植被分类的结果图；
图6是SID算法对石河子部分地区植被分类的结果图
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明一种基于NDVI时序特征的植被分类方法流程图。
在本实施例中，如图1所示，本发明一种基于NDVI时序特征的植被分类方法，包括以下步骤：
S1、样本数据采集；
在本实施例中，需要先对待分类地区进行调查研究，首先确定该区域的具体坐标范围，并分析区域内地势地貌、常见作物种类(主要粮食作物、主要经济作物等)、气候状况(主要降水分布区间、季节交替时间、积雪情况等)，然后根据这些特点选取相似的样本区域；
假如设选取的样本区域内包含N种植被，实地使用GPS手持仪在样本区域内记录各植被所在地的GPS世界坐标，然后记录对应坐标处植被的实际类型；
在本实施例中，选取地处天山北麓中段，准噶尔盆地南都，面积约460平方千米的新疆石河子地区进行了调查研究。首先确定了石河子的坐标范围，并分析了当地的地势地貌(地势较平坦，平均海拔在450.8m左右)、常见作物种类(常见乔木有白杨，榆树和白蜡；粮食作物主要为冬麦，春麦以及玉米和大豆；经济作物品种主要为棉花)、气候状况(候属典型的温带大陆性气候，冬季长而严寒，夏季短而炎热，降水主要分布在4月-7月)，然后根据这些特点选取了本例的样本区域；
在2021年7月28日到2021年7月31日共4天内，在样本区域确定了18 种待记录植被(玉米、萝卜、葡萄、白蜡树、紫叶李、棉花、旱水稻、百日菊、榆树、南瓜、水稻、小辣椒、小麦、白杨、苹果、灌木草坪、蟠桃、向日葵)，每种植被样本点均在10个以上，所有植被类型共有300个样本点，部分植被样本点分布如图2所示。实地使用GPS手持仪在样本区域内记录各植被所在地的 GPS世界坐标，然后记录对应坐标处植被的实际类型。
S2、多时相遥感影像的下载及预处理；
S2.1、在m个不同时刻分别下载样本区域和待分类地区的Sentinel-2号卫星高分辨率遥感影像，各m张，其中，样本区域的遥感影像记为Xi，待分类地区的遥感影像记为
在本实施例中，m取值为15，15个不同时段分别为2020.04.23，2020.05.08，2020.05.28，2020.06.22，2020.07.17，2020.09.30， 2020.10.05，2020.10.15，2020.10.20，2020.10.30，2021.05.23，2021.06.02， 2021.07.02，2021.07.12，2021.08.01，15个不同时段代表着植被不同生长阶段，因此在NDVI数据特征上会体现出峰值、低谷值、下降期、上升期与稳定期；
S2.2、对2m张遥感影像进行预处理；
在每一张遥感影像中，每一张遥感影像的数据包中有多个波段数据，各个波段的分辨率也不同(有10m，20m，60m)，在本实施例中，我们选取分辨率为10m(10m×10m的地面面积为一个像元)的蓝光B2、绿光B3、红光B4和近红外B8A四个波段数据，然后通过SNAP软件对四波段数据进行波段合成，形成RGB+近红外的真彩色影像，如图3所示，其中，遥感影像Xi处理完成后记为Yi，遥感影像
处理完成后记为
当2m张遥感影像进行相同处理后，共计得到2m张RGB+近红外的真彩色影像；
利用独立式遥感影像处理模块Sen2Cor对每一张真彩色影像进行辐射定标和大气校正，处理完成后分别记为Zi和
这一步能将每个影像中物体的反射信息从大气和太阳的信息中分离出来，使我们可以更直观的了解某一物体表面的光谱属性，以便于后续NDVI时序数据集的建立。
S3、建立遥感影像的NDVI时序数据集；
S3.1、定义像元的归一化植被指数NDVI；
其中，NDVI(x,y)表示影像中像元(x,y)处的归一化植被指数，
表示像元 (x,y)处的近红外波段反射率值，
表示像元(x,y)处的红光波段的反射率值；也就是说在本实施例中，我们将上步中的近红外光波段数据B8A和红光波段数据B4代入公式(1)进行NDVI指标的计算。
S3.2、遍历每一张图像Zi与
然后利用公式计算出各像元(x,y)处的 NDVI(x,y)；
S3.3、对每一张图像Zi，分别计算出15种已知植被区域所包含像元的NDVI 均值，并作为18种已知植被的NDVI指标，再将15张图像中18种已知植被的 NDVI指标按遥感影像拍摄时间排序，从而得到样本区域已知植被的NDVI时序数据集；如图4中的(a)～(c)所示，石河子地区15个时刻(横坐标)下18 种已知植被训练样本的NDVI值(纵坐标)时序数据绘制出的折线图；
S3.4、设待分类地区中共包含M种未知植被，则对于每一张图像
分别计算出M种未知植区域被所包含像元的NDVI均值，并作为M种未知植被的 NDVI指标，再将15张图像中M种未知植被的NDVI指标按遥感影像拍摄时间排序，从而得到待分类地区未知植被的NDVI时序数据集；
S4、植被分类；
在本实施例中，提供SAM算法和SID算法的分类过程，具体如下：
S4.1、根据样本区域已知植被的NDVI时序数据集，建立N种植被在各时间点处的目标向量；
其中，
表示第j1种已知植被在第i个时刻的NDVI指标；在本实施例中共有m＝15个时刻，即向量有15个代表各时刻NDVI值的元素，N＝18种植被；
根据待分类地区未知植被的NDVI时序数据集，建立M种植被在各时间点处的待测向量；
其中，
表示第j2种已知植被在第i个时刻的NDVI指标；
S4.2、在本实施例中，由于不同作物之间物候差异明显，观察NDVI时序曲线图并结合作物的种植时间、不同时段的生长状况与收获时间分析，就能较为明显地区分出大部分作物：
例如，南瓜的生长时间最早，于4月底开始生长并进入生长旺盛期，生长曲率非常大，于5月底到达峰值，在7月末到9月的时间区间中收获，随后NDVI 值到达底端。萝卜的生长时间较南瓜略晚，于5月初到5月中旬左右开始进入生长旺盛期，在6月底左右到达峰值，并且一直维持到10月中旬，到10月下旬NDVI值才开始出现明显下降，其NDVI时序曲线较其他作物有显著区别。棉花生长季与生长曲线于小麦相似，但其NDVI值下降趋势与幅度较小麦存在明显差异，小麦于7月末到9月的时间区间中迅速达到底端，棉花于9月底到 10月底以较为稳定的趋势逐渐枯萎，于10月底前后到达谷底值。玉米于9月到 10月区间的NDVI曲线介于棉花和小麦之间，其生长旺盛期和达到NDVI峰值的时间在上述6种作物中最晚，并且峰值略低于其他几种作物。水稻在6种作物中可达到的NDVI峰值最高，其NDVI时序曲线与小麦相近，但在9月到10 月的期间内其NDVI值略高于小麦。由图5看出，除小辣椒曲线与图4作物趋势相近以外，其余果类作物，向日葵和旱水稻与图4作物均存在显著差别。小辣椒于5月底进入生长旺盛期，在7月中旬左右达到峰值，9月底进入枯萎期， NDVI值一直维持在较低水平。向日葵在2020年于2021年中生长期存在区别，不过均在夏季达到峰值。苹果5月初一直到9月中下旬NDVI值都处在一个较为稳定的水平，没有明显的波峰出现。石河子地区的葡萄从4月份到9月下旬 NDVI值一直处于缓慢上升的趋势，直到9月底，10月初左右的时间，才进入采摘期，NDVI值开始缓慢下降，相较于内地葡萄，存在差别。蟠桃全年NDVI 曲线趋势与葡萄类似，但其生长期NDVI值较葡萄更高，采摘期NDVI值较葡萄更低，全年中NDVI值波动更大。旱水稻生长期较晚，在6月下旬到7月初左右，并且在8月左右出现峰值，在7月与9月内的NDVI峰值不高。从图6 可以看出，紫叶李，灌木草坪，白杨和榆树NDVI值全年维持在较高水平，随季节波动幅度相较作物不明显。紫叶李和白杨全年NDVI曲线较接近，但紫叶李9月10月期间NDVI值较白杨低，白杨全年NDVI值处于较高水平，春夏季期间NDVI值一直维持在0.8左右。榆树NDVI值2020年与2021年峰值差异较大。灌木草坪全年NDVI值趋于稳定水平，其峰值在0.7左右，底值在0.5左右。白蜡树NDVI值较另外几种植物低，随季节变化差异性不大。百日菊在4月份前后NDVI达到底值，5月底进入生长旺盛期，7月中旬达到峰值，9月开始NDVI值逐渐下降，进入枯萎期。
因此，结合作物特征进行NDVI时序曲线分析(大致判断各种作物的NDVI 时序曲线的相近程度大小)后，我们可以给定18种已知植被的分类阈值
S4.3、利用SAM算法进行分类；
S4.3.1、以样本区域18种已知植被为基准，计算待分类地区中任意一种未知植被与某一已知植被的光谱角DSAM(j1,j2)；
S4.3.2、比较光谱角DSAM(j1,j2)与分类阈值
的大小，如果
则判定待分类地区中未知植被j2与样本区域内已知植被j1为同一种类；否则，判定待分类地区中未知植被j2与样本区域内已知植被j1为不同种类。
在本实施例中，SAM算法对石河子部分地区植被分类的结果如图5所示。
其中，植被分类的方法还可以为：
S4.4、利用SID算法进行分类；
S4.4.1、以样本区域18种已知植被为基准，计算待分类地区中任意一种未知植被与某一已知植被的光谱信息散度DSID(j1,j2)；
其中，D(·||·)表示求相对熵；mi和ni分别表示比例系数，且满足
S4.4.2、比较光谱角DSID(j1,j2)与分类阈值
的大小，如果
则判定待分类地区中未知植被j2与样本区域内已知植被j1为同一种类；否则，判定待分类地区中未知植被j2与样本区域内已知植被j1为不同种类。
在本实施例中，SID算法对石河子部分地区植被分类的结果如图6所示。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于NDVI时序特征的植被分类方法，其特征在于，包括以下步骤：
(1)、样本数据采集；
设样本区域内植被的种类数为N，实地使用GPS手持仪在样本区域内记录各植被所在地的GPS世界坐标，然后记录对应坐标处植被的实际类型；
(2)、多时相遥感影像的下载及预处理；
(2.1)、在m个不同时刻分别下载样本区域和待分类地区的Sentinel-2号卫星高分辨率遥感影像，各m张，其中，样本区域的遥感影像记为Xi，待分类地区的遥感影像记为
(2.2)、对2m张遥感影像进行预处理；
在每一张遥感影像中，选取分辨率为10米×10米的蓝光B2、绿光B3、红光B4和近红外B8A四个波段数据，然后通过波段合成软件对四波段数据进行波段合成，形成RGB+近红外的真彩色影像，其中，遥感影像Xi处理完成后记为Yi，遥感影像
处理完成后记为
当2m张遥感影像进行相同处理后，共计得到2m张RGB+近红外的真彩色影像；
对每一张真彩色影像进行辐射定标和大气校正，处理完成后分别记为Zi和
(3)、建立遥感影像的NDVI时序数据集；
(3.1)、定义NDVI时序数据集的元素值的取值范围为[-1，1]，当元素值为负值时，判定为云，水，雪覆盖，当元素值为0时，判定为岩石或者裸土，当元素值为正值时，判定为植被覆盖，且元素值越大表明植被覆盖度越高；
(3.2)、定义像元的归一化植被指数NDVI；
其中，NDVI(x,y)表示影像中像元(x,y)处的归一化植被指数，
表示像元(x,y)处的近红外波段反射率值，
表示像元(x,y)处的红光波段的反射率值；
(3.3)、遍历每一张图像Zi与
然后利用公式计算出各像元(x,y)处的NDVI(x,y)；
(3.4)、对每一张图像Zi，分别计算出N种已知植被区域所包含像元的NDVI均值，并作为N种已知植被的NDVI指标，再将m张图像中N种已知植被的NDVI指标按遥感影像拍摄时间排序，从而得到样本区域已知植被的NDVI时序数据集；
(3.5)、设待分类地区中共包含M种未知植被，则对于每一张图像
分别计算出M种未知植区域被所包含像元的NDVI均值，并作为M种未知植被的NDVI指标，再将m景图像中M种未知植被的NDVI指标按遥感影像拍摄时间排序，从而得到待分类地区未知植被的NDVI时序数据集；
(4)、植被分类；
(4.1)、根据样本区域已知植被的NDVI时序数据集，建立N种植被在各时间点处的目标向量；
其中，
表示第j1种已知植被在第i个时刻的NDVI指标；
根据待分类地区未知植被的NDVI时序数据集，建立M种植被在各时间点处的待测向量；
其中，
表示第j2种已知植被在第i个时刻的NDVI指标；
(4.2)、给定N种已知植被的分类阈值
(4.3)、利用SAM算法进行分类；
(4.3.1)、以样本区域N种已知植被为基准，计算待分类地区中任意一种未知植被与某一已知植被的光谱角DSAM(j1,j2)；
(4.3.2)、比较光谱角DSAM(j1,j2)与分类阈值
的大小，如果
则判定待分类地区中未知植被j2与样本区域内已知植被j1为同一种类；否则，判定待分类地区中未知植被j2与样本区域内已知植被j1为不同种类。
2.根据权利要求1所述的基于NDVI时序特征的植被分类方法，其特征在于，所述步骤(4)中植被分类的方法还可以通过SID算法进行分类，具体过程为：
1.1)、以样本区域N种已知植被为基准，计算待分类地区中任意一种未知植被与某一已知植被的光谱信息散度DSID(j1,j2)；
其中，D(·||·)表示求相对熵；mi和ni分别表示比例系数，且满足
1.2)、比较光谱角DSID(j1,j2)与分类阈值
的大小，如果
则判定待分类地区中未知植被j2与样本区域内已知植被j1为同一种类；否则，判定待分类地区中未知植被j2与样本区域内已知植被j1为不同种类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210725922.3A CN115063690A (zh) | 2022-06-24 | 2022-06-24 | 一种基于ndvi时序特征的植被分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210725922.3A CN115063690A (zh) | 2022-06-24 | 2022-06-24 | 一种基于ndvi时序特征的植被分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115063690A true CN115063690A (zh) | 2022-09-16 |
Family
ID=83202273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210725922.3A Pending CN115063690A (zh) | 2022-06-24 | 2022-06-24 | 一种基于ndvi时序特征的植被分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115063690A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117372503A (zh) * | 2023-12-08 | 2024-01-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种河湖岸带植被分类及覆盖度计算方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6212824B1 (en) * | 1991-10-18 | 2001-04-10 | Dekalb Genetics Corporation | Methods for classifying plants for evaluation and breeding programs by use of remote sensing and image analysis technology |
| CN102798851A (zh) * | 2012-08-27 | 2012-11-28 | 电子科技大学 | 一种基于几何成像的modis lai产品验证方法 |
| US10127451B1 (en) * | 2017-04-24 | 2018-11-13 | Peter Cecil Vanderbilt Sinnott | Method of detecting and quantifying sun-drying crops using satellite derived spectral signals |
| CN109948556A (zh) * | 2019-03-21 | 2019-06-28 | 中国农业科学院农业资源与农业区划研究所 | 作物分类识别方法及系统 |
| CN111126203A (zh) * | 2019-12-04 | 2020-05-08 | 山东科技大学 | 基于ndvi百分比匹配的浓密植被识别方法 |
| CN112085781A (zh) * | 2020-09-08 | 2020-12-15 | 中国农业科学院农业资源与农业区划研究所 | 一种基于光谱重构技术提取冬小麦种植面积的方法 |
| CN114519823A (zh) * | 2021-12-09 | 2022-05-20 | 国能生物发电集团有限公司 | 一种利用Sentinel-2时间序列影像数据的农作物制图方法 |
| CN114639005A (zh) * | 2022-05-20 | 2022-06-17 | 湖北省国土测绘院 | 多分类器融合的农作物自动分类方法、系统及存储介质 |
-
2022
- 2022-06-24 CN CN202210725922.3A patent/CN115063690A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6212824B1 (en) * | 1991-10-18 | 2001-04-10 | Dekalb Genetics Corporation | Methods for classifying plants for evaluation and breeding programs by use of remote sensing and image analysis technology |
| CN102798851A (zh) * | 2012-08-27 | 2012-11-28 | 电子科技大学 | 一种基于几何成像的modis lai产品验证方法 |
| US10127451B1 (en) * | 2017-04-24 | 2018-11-13 | Peter Cecil Vanderbilt Sinnott | Method of detecting and quantifying sun-drying crops using satellite derived spectral signals |
| CN109948556A (zh) * | 2019-03-21 | 2019-06-28 | 中国农业科学院农业资源与农业区划研究所 | 作物分类识别方法及系统 |
| CN111126203A (zh) * | 2019-12-04 | 2020-05-08 | 山东科技大学 | 基于ndvi百分比匹配的浓密植被识别方法 |
| CN112085781A (zh) * | 2020-09-08 | 2020-12-15 | 中国农业科学院农业资源与农业区划研究所 | 一种基于光谱重构技术提取冬小麦种植面积的方法 |
| CN114519823A (zh) * | 2021-12-09 | 2022-05-20 | 国能生物发电集团有限公司 | 一种利用Sentinel-2时间序列影像数据的农作物制图方法 |
| CN114639005A (zh) * | 2022-05-20 | 2022-06-17 | 湖北省国土测绘院 | 多分类器融合的农作物自动分类方法、系统及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| CHENGHAI YANG等: "Using spectral distance, spectral angle and plant abundance derived from hyperspectral imagery to characterize crop yield variation", 《PRECISION AGRICULTURE》, 21 October 2011 (2011-10-21) * |
| YUXIANG FANG等: "A Fine Classification Algorithm for Vegetation Based on NDVI Time Series Features", 《IGARSS 2022 - 2022 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》, 28 September 2022 (2022-09-28) * |
| 李晓慧;王宏;李晓兵;迟登凯;汤曾伟;韩重远;: "基于多时相Landsat 8 OLI影像的农作物遥感分类研究", 遥感技术与应用, no. 02, 20 April 2019 (2019-04-20) * |
| 李鑫川;徐新刚;王纪华;武洪峰;金秀良;李存军;鲍艳松;: "基于时间序列环境卫星影像的作物分类识别", 农业工程学报, no. 02, 15 January 2013 (2013-01-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117372503A (zh) * | 2023-12-08 | 2024-01-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种河湖岸带植被分类及覆盖度计算方法及系统 |
| CN117372503B (zh) * | 2023-12-08 | 2024-03-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种河湖岸带植被分类及覆盖度计算方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ballesteros et al. | Vineyard yield estimation by combining remote sensing, computer vision and artificial neural network techniques | |
| Shanmugapriya et al. | Applications of remote sensing in agriculture-A Review | |
| Brook et al. | A smart multiple spatial and temporal resolution system to support precision agriculture from satellite images: Proof of concept on Aglianico vineyard | |
| Lamb et al. | Using remote sensing to predict grape phenolics and colour at harvest in a Cabernet Sauvignon vineyard: Timing observations against vine phenology and optimising image resolution | |
| Peña-Barragán et al. | Object-based crop identification using multiple vegetation indices, textural features and crop phenology | |
| Stagakis et al. | Monitoring water stress and fruit quality in an orange orchard under regulated deficit irrigation using narrow-band structural and physiological remote sensing indices | |
| 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 | |
| CN111666815B (zh) | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 | |
| CN109543654B (zh) | 一种反映农作物生长状况的改进型植被指数的构建方法 | |
| 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 | |
| CN113221806B (zh) | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 | |
| CN116091938B (zh) | 一种针对单季稻种植面积的多源遥感监测方法 | |
| CN111275567B (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
| CN116129276A (zh) | 一种地形复杂地区主要粮食作物遥感精细分类方法 | |
| CN115063690A (zh) | 一种基于ndvi时序特征的植被分类方法 | |
| López-García et al. | Yield estimations in a vineyard based on high-resolution spatial imagery acquired by a UAV | |
| 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 | |
| Yang et al. | Monitoring winter wheat in ShanDong province using Sentinel data and Google Earth Engine platform | |
| CN113283281A (zh) | 基于多时相遥感影像的茭白种植面积提取方法 | |
| Papić et al. | On Olive Groves Analysis using UAVs | |
| Costa Ferreira et al. | Transformation of high resolution aerial images in vine vigour maps at intra-block scale by semi-automatic image processing | |
| CN114332628B (zh) | 一种基于典型物候及膜网特征的生姜快速遥感提取方法 | |
| CN109918826A (zh) | 一种基于关键物候期多源植被参量的水稻估产方法 | |
| Sbahi et al. | Evaluation of the Efficiency of Agricultural Production in the Pivotal Farms Utilizing Remote Sensing Techniques | |
| CN114724024B (zh) | 基于云计算平台和生命周期的双季作物种植界线自动化提取方法 |
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 |