CN115272860A - 一种水稻种植区的确定方法、系统、电子设备及存储介质 - Google Patents
一种水稻种植区的确定方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115272860A CN115272860A CN202210924852.4A CN202210924852A CN115272860A CN 115272860 A CN115272860 A CN 115272860A CN 202210924852 A CN202210924852 A CN 202210924852A CN 115272860 A CN115272860 A CN 115272860A
- Authority
- CN
- China
- Prior art keywords
- area
- remote sensing
- sensing data
- rice
- 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.)
- Granted
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 322
- 235000009566 rice Nutrition 0.000 title claims abstract description 322
- 238000000034 method Methods 0.000 title claims abstract description 79
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 321
- 238000003306 harvesting Methods 0.000 claims abstract description 136
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 137
- 238000007781 pre-processing Methods 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 13
- 238000012952 Resampling Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 12
- 238000011160 research Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000012794 pre-harvesting Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012876 topography Methods 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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种水稻种植区的确定方法、系统、电子设备及存储介质,所属的技术领域为图像处理技术领域。所述水稻种植区的确定方法包括:获取目标区域的第一遥感数据和第二遥感数据;第一遥感数据为目标区域在水稻收割期之前的遥感数据,第二遥感数据为目标区域在水稻收割期之后的遥感数据;根据第一遥感数据确定目标区域在水稻收割期之前的第一归一化植被指数;根据第二遥感数据确定目标区域在水稻收割期之后的第二归一化植被指数;计算第一归一化植被指数和第二归一化植被指数的差值,得到目标区域的归一化植被指数变化量;根据归一化植被指数变化量确定目标区域中的水稻种植区。本申请能够在保证精度的基础上提高确定水稻种植区的效率。
Description
技术领域
本申请涉及图像处理技术领域,特别涉及一种水稻种植区的确定方法、系统、电子设备及存储介质。
背景技术
粮食是人类赖以生存的必需品,水稻作为一种主要粮食作物,其产量关系到粮食安全,所以能够准确、快速以及便捷地获取水稻种植面积信息,对于合理预估水稻产量,制定相关计划具有重要意义。
现有技术中,确定水稻种植区的过程大多较为复杂,需要较多时间段且质量较高的影像以及相关辅助判断数据,所需数据多而复杂且精准度较低。
因此,如何在保证精度的基础上提高确定水稻种植区的效率是本领域技术人员目前需要解决的技术问题。
发明内容
本申请的目的是提供一种水稻种植区的确定方法、一种水稻种植区的确定系统、一种电子设备及一种存储介质,能够在保证精度的基础上提高确定水稻种植区的效率。
为解决上述技术问题,本申请提供一种水稻种植区的确定方法,该水稻种植区的确定方法包括:
获取目标区域的第一遥感数据和第二遥感数据;其中,所述第一遥感数据为所述目标区域在水稻收割期之前的遥感数据,所述第二遥感数据为所述目标区域在所述水稻收割期之后的遥感数据;
根据所述第一遥感数据确定所述目标区域在所述水稻收割期之前的第一归一化植被指数;
根据所述第二遥感数据确定所述目标区域在所述水稻收割期之后的第二归一化植被指数;
计算所述第一归一化植被指数和所述第二归一化植被指数的差值,得到所述目标区域的归一化植被指数变化量;
根据所述归一化植被指数变化量确定所述目标区域中的水稻种植区。
可选的,所述获取目标区域的第一遥感数据和第二遥感数据,包括:
查询所述目标区域的空间位置信息;其中,所述空间位置信息包括海拔高度和纬度;
将所述空间位置信息输入收割期模型,得到所述目标区域的所述水稻收割期。
可选的,在根据所述第一遥感数据确定所述目标区域在所述水稻收割期之前的第一归一化植被指数之前,还包括:
对所述第一遥感数据进行数据预处理;其中,所述数据预处理包括辐射标定、大气校正、重采样和波段融合;
相应的,在根据所述第二遥感数据确定所述目标区域在所述水稻收割期之后的第二归一化植被指数之前,还包括:
对所述第二遥感数据进行数据预处理;其中,所述数据预处理包括辐射标定、大气校正、重采样和波段融合。
可选的,根据所述归一化植被指数变化量确定所述目标区域中的水稻种植区,包括:
确定所述目标区域对应的标准差值范围;
将所述目标区域中每一位置的归一化植被指数变化量与所述标准差值范围进行比对,并根据比对结果确定备选区;其中,所述备选区为归一化植被指数变化量处于所述标准差值范围内的区域;
去除所述备选区中的水边,得到所述目标区域中的所述水稻种植区。
可选的,确定所述目标区域对应的标准差值范围,包括:
获取所述目标区域的第三遥感数据;其中,所述第三遥感数据的数据精度大于所述第一遥感数据和所述第二遥感数据的数据精度;
根据用户输入信息确定所述第三遥感数据中的人工标注水稻种植区;
对所述人工标注水稻种植区的边界进行矢量化处理,对矢量化的水稻种植边界向内部设置预设宽度的缓冲区并将所述水稻种植边界换为面要素;
擦除所述面要素中的所述缓冲区,得到水稻种植内部区域;
将所述第一遥感数据在所述水稻种植边界的归一化植被指数减去所述第二遥感数据在所述水稻种植边界的归一化植被指数,得到边界系数差值;
将所述第一遥感数据在所述水稻种植内部区域的归一化植被指数减去所述第二遥感数据在所述水稻种植内部区域的归一化植被指数,得到内部区域系数差值;
将所述边界系数差值的平均值分别加减N1个所述边界系数差值的标准差,得到第一差值范围;
将所述内部区域系数差值的平均值分别加减N2个所述内部区域系数差值的标准差,得到第二差值范围;
将所述第一差值范围和所述第二差值范围的并集设置为所述目标区域对应的标准差值范围。
可选的,在去除所述备选区中的水边之前,还包括:
从所述目标区域的遥感数据中选取多个水体,并对水体边界进行矢量化;
根据矢量化后的所述水体边界分别向内和向外设置预设宽度的缓冲区,并利用分区统计工具根据所述水体边界的缓冲区计算所述水体边界的归一化水指数平均值和归一化水指数标准差;
将所述归一化水指数平均值分别加减N3个所述归一化水指数标准差,得到所述水体边界的归一化水指数范围;
根据所述归一化水指数范围确定所述目标区域内的水边。
可选的,去除所述备选区中的水边,得到所述目标区域中的所述水稻种植区,包括:
根据所述备选区的位置生成备选区栅格图;其中,所述备选区栅格图中所述备选区内的像元为1,所述备选区外的像元为0;
根据所述水边的位置生成水边栅格图;其中,所述水边栅格图中的水边对应的像元为0,其他像元为1;
利用栅格计算器将所述备选区栅格图和所述水边栅格图,得到所述目标区域中的所述水稻种植区。
本申请还提供了一种水稻种植区的确定系统,该系统包括:
数据获取模块,用于获取目标区域的第一遥感数据和第二遥感数据;其中,所述第一遥感数据为所述目标区域在水稻收割期之前的遥感数据,所述第二遥感数据为所述目标区域在所述水稻收割期之后的遥感数据;
归一化植被指数计算模块,用于根据所述第一遥感数据确定所述目标区域在所述水稻收割期之前的第一归一化植被指数;还用于根据所述第二遥感数据确定所述目标区域在所述水稻收割期之后的第二归一化植被指数;
系数变化量计算模块,用于计算所述第一归一化植被指数和所述第二归一化植被指数的差值,得到所述目标区域的归一化植被指数变化量;
水稻种植区确定模块,用于根据所述归一化植被指数变化量确定所述目标区域中的水稻种植区。
本申请还提供了一种存储介质,其上存储有计算机程序,所述计算机程序执行时实现上述水稻种植区的确定方法执行的步骤。
本申请还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现上述水稻种植区的确定方法执行的步骤。
本申请提供了一种水稻种植区的确定方法,包括:获取目标区域的第一遥感数据和第二遥感数据;其中,所述第一遥感数据为所述目标区域在水稻收割期之前的遥感数据,所述第二遥感数据为所述目标区域在所述水稻收割期之后的遥感数据;根据所述第一遥感数据确定所述目标区域在所述水稻收割期之前的第一归一化植被指数;根据所述第二遥感数据确定所述目标区域在所述水稻收割期之后的第二归一化植被指数;计算所述第一归一化植被指数和所述第二归一化植被指数的差值,得到所述目标区域的归一化植被指数变化量;根据所述归一化植被指数变化量确定所述目标区域中的水稻种植区。
本申请获取目标区域在水稻收割期前后的第一遥感数据和第二遥感数据,进而根据第一遥感数据确定目标区域在水稻收割期之前的第一归一化植被指数,根据第二遥感数据确定目标区域在水稻收割期之后的第二归一化植被指数。本申请根据第一归一化植被指数和第二归一化植被指数的差值确定目标区域中的水稻种植区,本申请能够在保证精度的基础上提高确定水稻种植区的效率。本申请同时还提供了一种水稻种植区的确定系统、一种存储介质和一种电子设备,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种水稻种植区的确定方法的流程图;
图2为本申请实施例所提供的水稻收割期模型生成示意图;
图3为本申请实施例所提供的一种确定NDVI差值范围的操作流程图;
图4为本申请实施例所提供的一种提取水边的方法的流程图;
图5为本申请实施例所提供的一种水稻种植区验证流程图;
图6为本申请实施例所提供的一种水稻种植区的确定系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
下面请参见图1,图1为本申请实施例所提供的一种水稻种植区的确定方法的流程图。
具体步骤可以包括:
S101:获取目标区域的第一遥感数据和第二遥感数据;
其中,本实施例可以应用于水稻种植区分析设备,该设备在确定水稻种植区之后,可以根据水稻种植区计算水稻产量或分配相应数量的水稻收割机器。目标区域为需要进行水稻种植区的区域,在目标区域内可以存在水稻种植区和非水稻种植区(如住宅区、公路、其他农作物等)。
在确定目标区域后,可以查询目标区域的水稻收割期,进而获取第一遥感数据和第二遥感数据,上述第一遥感数据为所述目标区域在水稻收割期之前的遥感数据,第二遥感数据为所述目标区域在所述水稻收割期之后的遥感数据。作为一种可行的实施方式,在确定目标区域的水稻收割期后,可以将水稻收割期之前第a天的遥感数据作为第一遥感数据,将水稻收割期之后第b天的遥感数据作为第二遥感数据。上述第一遥感数据和第二遥感数据可以为哨兵数据。
在本实施例中可以通过查表的方式确定目标区域的水稻收割期,还可以利用收割期模型确定目标区域的水稻收割期。收割期模型中存储有空间位置信息与收割期的对应关系,具体的,本步骤可以查询所述目标区域的空间位置信息;其中,所述空间位置信息包括海拔高度和纬度;将所述空间位置信息输入收割期模型,得到所述目标区域的所述水稻收割期。作为一种可行的实施方式,上述空间位置信息还可以包括经度。
S102:根据所述第一遥感数据确定所述目标区域在所述水稻收割期之前的第一归一化植被指数;
其中,在得到第一遥感数据之后,本步骤可以根据第一遥感数据计算归一化植被指数NDVI(Normalized Difference Vegetation Index),并将该归一化植被指数作为目标区域在所述水稻收割期之前的第一归一化植被指数。
作为一种可行的实施方式,在根据所述第一遥感数据确定所述目标区域在所述水稻收割期之前的第一归一化植被指数之前,还可以对所述第一遥感数据进行数据预处理,以便根据进行数据预处理之后的第一遥感数据确定所述目标区域在所述水稻收割期之前的第一归一化植被指数;其中,上述数据预处理包括辐射标定、大气校正、重采样和波段融合。
S103:根据所述第二遥感数据确定所述目标区域在所述水稻收割期之后的第二归一化植被指数;
其中,在得到第二遥感数据之后,本步骤可以根据第二遥感数据计算归一化植被指数NDVI,并将该归一化植被指数作为目标区域在所述水稻收割期之后的第二归一化植被指数。
作为一种可行的实施方式,在根据所述第二遥感数据确定所述目标区域在所述水稻收割期之后的第二归一化植被指数之前,还可以对所述第二遥感数据进行数据预处理,以便根据进行数据预处理之后的第二遥感数据确定所述目标区域在所述水稻收割期之后的第二归一化植被指数;其中,所述数据预处理包括辐射标定、大气校正、重采样和波段融合。
S104:计算所述第一归一化植被指数和所述第二归一化植被指数的差值,得到所述目标区域的归一化植被指数变化量;
其中,归一化植被指数是反映农作物长势和营养信息的参数。在水稻收割期之前水稻种植区内存在即将或已经成熟的水稻,在水稻收割期之后水稻种植区内的水稻已经被收割,因此在水稻收割期前后目标区域的水稻种植区的归一化植被指数会发生明显的变化,而目标区域的其他区域的归一化植被指数不会发生明显的变化。
在本步骤中,计算所述第一归一化植被指数和所述第二归一化植被指数的差值,即目标区域的归一化植被指数变化量。上述归一化植被指数变化量包括目标区域内每一位置在收割期前后的归一化植被指数差值。
S105:根据所述归一化植被指数变化量确定所述目标区域中的水稻种植区。
其中,在得到归一化植被指数变化量之后,本实施例可以根据目标区域内各个位置的在收割期前后的归一化植被指数变化情况确定目标区域中的水稻种植区。
本实施例获取目标区域在水稻收割期前后的第一遥感数据和第二遥感数据,进而根据第一遥感数据确定目标区域在水稻收割期之前的第一归一化植被指数,根据第二遥感数据确定目标区域在水稻收割期之后的第二归一化植被指数。本实施例根据第一归一化植被指数和第二归一化植被指数的差值确定目标区域中的水稻种植区,本实施例能够在保证精度的基础上提高确定水稻种植区的效率。
作为对于图1对应实施例的进一步介绍,可以通过以下方式从目标区域中确定水稻种植区:
步骤A1:确定所述目标区域对应的标准差值范围。
其中,上述标准差值范围为用于区分水稻种植区和非水稻种植区的归一化植被指数变化量的参数,本实施例可以预先存储每一区域的标准差值范围,或者取经验值作为标准差值范围。
作为一种可行的实施方式,本实施例可以通过以下方式确定标准差值范围,以提高检测精度:获取所述目标区域的第三遥感数据;根据用户输入信息确定所述第三遥感数据中的人工标注水稻种植区;对所述人工标注水稻种植区的边界进行矢量化处理,对矢量化的水稻种植边界向内部设置预设宽度的缓冲区并将所述水稻种植边界换为面要素;擦除所述面要素中的所述缓冲区,得到水稻种植内部区域。将所述第一遥感数据在所述水稻种植边界的归一化植被指数减去所述第二遥感数据在所述水稻种植边界的归一化植被指数,得到边界系数差值;将所述第一遥感数据在所述水稻种植内部区域的归一化植被指数减去所述第二遥感数据在所述水稻种植内部区域的归一化植被指数,得到内部区域系数差值;将所述边界系数差值的平均值分别加减N1个所述边界系数差值的标准差,得到第一差值范围;将所述内部区域系数差值的平均值分别加减N2个所述内部区域系数差值的标准差,得到第二差值范围;将所述第一差值范围和所述第二差值范围的并集设置为所述目标区域对应的标准差值范围。
上述第三遥感数据的数据精度大于所述第一遥感数据的数据精度,第三遥感数据的数据精度大于也大于第二遥感数据的数据精度。上述过程通过人工标注的方式确定目标区域内的一部分水稻种植区域,进而确定水稻种植区域的水稻种植边界和水稻种植内部区域。在确定水稻种植边界和水稻种植内部区域之后,再次将第一遥感数据和第二遥感数据分别在水稻种植边界和水稻种植内部区域归一化植被指数相减,得到收割期先后的边界系数差值,以及收割期前后的内部区域系数差值。
将所述边界系数差值的平均值A分别加减N1个所述边界系数差值的标准差B,得到第一差值范围(A-N1×B,A+N1×B)。将所述内部区域系数差值的平均值C分别加减N2个所述内部区域系数差值的标准差D,得到第二差值范围(C-N2×D,C+N2×D)。
最终得到的标准差值范围为(A-N1×B,A+N1×B)∪(C-N2×D,C+N2×D)。
步骤A2:将所述目标区域中每一位置的归一化植被指数变化量与所述标准差值范围进行比对,并根据比对结果确定备选区。
其中,所述备选区为归一化植被指数变化量处于所述标准差值范围内的区域。本实施例可以将目标区域中每一位置的归一化植被指数变化量与上述标准差值范围进行比对,处于标准差值范围内的所有位置形成的封闭区域为上述备选区。
步骤A3:去除所述备选区中的水边,得到所述目标区域中的所述水稻种植区。
为了避免水边效应对确定水稻种植区的精度影响,可以确定目标区域内的水体位置,根据水体位置去除备选区中的水边,得到所述目标区域中的所述水稻种植区。
作为对于上述实施例的进一步介绍,在去除所述备选区中的水边之前,还可以从所述目标区域的遥感数据中选取多个水体,并对水体边界进行矢量化;根据矢量化后的所述水体边界分别向内和向外设置预设宽度的缓冲区,并利用分区统计工具根据所述水体边界的缓冲区计算所述水体边界的归一化水指数平均值和归一化水指数标准差;将所述归一化水指数平均值分别加减N3个所述归一化水指数标准差,得到所述水体边界的归一化水指数范围;根据所述归一化水指数范围确定所述目标区域内的水边。具体的,可以基于水体边界向内设置预设宽度的缓冲区,还可以基于水体边界向外设置预设宽度的缓冲区,上述向内和向外设置缓冲区的操作可以同时执行,也可以先后执行。上述向内设置缓冲区指:水体边界围成的闭合区域的内部设置缓冲区;上述向外设置缓冲区指:水体边界围成的闭合区域的外部设置缓冲区。
具体的,本实施例可以将归一化水指数平均值E分别加减N3个归一化水指数标准差F,得到所述水体边界的归一化水指数范围(E-N3×F,E+N3×F)。
作为一种可行的实施方式,上述实施例可以通过以下方式去除所述备选区中的水边得到水稻种植区,包括:根据所述备选区的位置生成备选区栅格图;其中,所述备选区栅格图中所述备选区内的像元为1,所述备选区外的像元为0;根据所述水边的位置生成水边栅格图;其中,所述水边栅格图中的水边对应的像元为0,其他像元为1;利用栅格计算器将所述备选区栅格图和所述水边栅格图,得到所述目标区域中的所述水稻种植区。
下面通过在实际应用中的实施例说明上述实施例描述的流程。
对于水稻监测,传统方法主要基于对地面资料的收集统计分析,但该方法人力、物力、财力花费较大,且数据结果受人为的影响。因此随着地理信息系统、遥感以及计算机技术不断发展,基于遥感影像数据获取水稻在时间和空间分布信息成为研究热点之一。针对不同研究区地势环境特点、土地利用类型的复杂程度以及各地块的破碎度,众多学者采用的一种或多种方法耦合进行提取。但研究过程中,不同方法的提取精度、适用性以及方法难度相差很大,且受特定研究区的影响,因此提取精度和适用性成为重点突破的问题。常规的确定水稻种植区的方案的原理及操作过程大多较为复杂,需要较多时间段且质量较高的影像以及相关辅助判断数据,所需数据多而复杂,不易获取。另一方面,提取精度受特定研究区的影响,适用范围有一定的限制性,对于地块破碎、作物种类复杂多样的区域,“同物异谱”和“异物同谱”现象容易造成误分。
本实施例致力于从精度、效率、成本以及时间四个方面,克服在土地利用类型复杂、地块破碎、以及作物种类多样的区域不能准确、快速以及便捷地获取水稻种植信息的不足,从简单清晰的原理出发,不需要过多复杂且难以获得的数据便能迅速准确地获取水稻种植信息,且适用范围较广,可以减少特定研究区对其水稻提取效果的影响。数据主要选择Sentinel-2,空间分辨率为10m。哨兵系列是目前空间分辨率高、光谱质量好以及种类全的免费遥感数据,而Sentinel-2包括两颗卫星极地轨道相位成180°的多光谱高分辨率光学卫星组成,即哨兵-2A、哨兵-2B。
本实施例的流程总共由6个部分构成,分别为收割期模型、数据预处理、提取水稻模型、提取水边、除水边以及验证,接下来依次进行阐述。
收割期模型:通过实验以及查阅相关资料发现水稻收割期与地区的海拔高度和纬度相关,然后随机选择若干样本点,并收集相关信息,从而确定样本点的海拔高度、纬度以及收割日期。其中海拔高度和纬度作为数据分析中的自变量,而收割日期作为因变量,利用Excel数据分析中回归分析得出水稻收割期与海拔高度和纬度的关系,即随着海拔高度和纬度的变化,收割期对应发生的变化,最终得到一个二元一次方程。该模型的目的是,当把某地的海拔高度和纬度代入该模型时,可以较为迅速、准确地确定某地的收割期,基于此选取收割期前后两期数据,即为后续研究奠定数据选择的基础。
数据预处理:当数据选择并下载后,需要进行预处理。因为遥感影像数据在获取、成像以及传输等过程受到各种各样不可避免的影响,会发生畸变、失真以及各种误差,所以需要通过预处理来减小这些因素对数据本身的影响。选择不同的数据源所需要的预处理虽然基本相差不大,但为保证后续操作和结果的准确和可靠性,仍需要针对不同数据源采取相应所需的预处理。本实施例选择sentinel-2数据作为数据源,该数据源分辨率为10米,较高且免费使用。因此针对sentinel-2L1C产品,所需预处理为辐射定标和大气校正。因为sentinel-2L1C产品自身的属性以及后续操作需要在的遥感图像处理平台ENVI进行,所以还需要进行重采样和波段融合,使其能在的遥感图像处理平台ENVI中完成后续操作。
提取水稻模型:该部分的原理是以水稻收割时间前后NDVI值断崖式变化作为水稻提取特点。首先NDVI又称为归一化植被指数,能够检测植被生长状态、长势以及植被覆盖度等基本情况。而水稻在临近收割期前,其NDVI值达到自身最高,而在收割期刚结束后,水稻被全部收割,自身的NDVI值降到最低。因此在收割期前后,水稻的NDVI值发生断崖式下降。与此同时,其他地类、作物的NDVI值并没有发生如此之大的变化,所以本实施例以水稻收割时间前后NDVI值断崖式变化作为水稻提取特点,可以有效区别于其他地类和地物。而本实施例所需要的数据为收割期前后两期数据,收割期由上文的收割模型来确定。具体操作为在ENVI中分别计算它们的NDVI值,NDVI值等于近红外波段减红光波段的值除以近红外波段加红光波段的值,然后以收割期前的NDVI值减去收割后的NDVI值,得到收割期前后的NDVI的差值数据。确定水稻的NDVI的差值范围时,该范围既要准确包含所有水稻,同时尽可能不含有其他地类或作物,从而根据该范围能准确提取出水稻。
本实施例确定水稻NDVI的差值范围以更高分辨率影像为基础,人工目视判断水稻种植区,然后随机选取水稻样本,并计算样本的边界以及内部的NDVI差值情况从而估计整个水稻NDVI的差值范围。具体操作在ArcMap中,首先以更高分辨率影像人工目视判断水稻种植区,并随机对其边界进行勾画,边界为线要素,然后以矢量化的33个水稻边界做9米的缓冲区,同时将水稻边界转为面要素,然后利用擦除工具,擦除面要素里的边界缓冲区部分,得到27个水稻种植内部区域。接着运用分区统计工具,得到勾画的水稻样本的边界和内部的NDVI差值情况,包括平均值、标准差等。因为正态分布正负三个标准差之内的比率为99.6%,因此将NDVI差值的平均值分别加减三个标准差,并将边界范围和内部范围作并集,最终得到水稻种植区NDVI差值范围。
提取水边:仅通过水稻收割时间前后NDVI值断崖式变化特点提取出的水稻种植区会出现“水边效应”,即大量水边被提取出来,因此需要去除水边从而提高水稻提取精度。而本发明主要通过计算归一化水指数NDWI将水边提取出来,属于常用办法。NDWI归一化水指数是用遥感影像的特定波段进行归一化差值处理,以突显影像中的水体信息。虽然运用NDWI指数提取水体时城镇建筑用地、宅基地易对其造成干扰。但是因为通过水稻收割时间前后NDVI值断崖式变化特点提取出的水稻种植区中基本无城镇建筑用地、宅基地等,因此在水稻种植区中擦除通过NDWI提取的水边,错分的城镇建筑用地、宅基地并不会对结果造成影响。提取方法首先计算它们的NDWI值,该值等于绿光波段减近红外波段的值除以绿光波段加近红外波段的值。而确定水体NDWI的范围同上文确定水稻NDVI的差值范围一样,主要以更高分辨率影像人工目视判断水体,所以随机选取水体样本。因为发生“水边效应”的像元主要是水体与周围地物产生的混合像元,所以针对该混合像元,确定其范围的方式主要是同时计算水体像元、其边界地物像元以及两者交界混合像元的NDWI情况,从而估计所有水边NDWI值的范围。具体操作首先在ENVI中计算NDWI值,然后在ArcMap中,以更高分辨率影像人工目视判断水体,并随机对其边界进行勾画,然后利用缓冲导向,以矢量化的20个水体边界分别向内向外做2米的缓冲区,接着运用分区统计工具,根据水体边界缓冲区计算得到水体像元、其边界地物像元以及两者交界混合像元的NDWI均值和标准差,最后将NDVI差值的平均值分别加减三个标准差,得到水边NDWI值的范围。
除水边:在提出的水稻种植区中去除提出的水边。具体操作可以通过ArcMap中的栅格计算器来去除水边。
验证:本步骤主要通过分层抽样,以更高分辨率的影像对样本点进行目视解译,然后通过计算混淆矩阵来得到分类精度以及Kappa指数。
下面结合附图说明上述几个部分的实现方式:
(1)利用收割期模型确定某市的收割期。
水稻收割期与地区的海拔高度和纬度相关,本实施例在某市随机选择24个样本点,通过收集相关资料以及调查,确定24个样本点的海拔高度和纬度,利用Excel数据分析中回归分析得出水稻收割期与海拔高度和纬度的关系。
数据分析可以使用复相关系数Multiple R衡量自变量X(海拔高度和维度)与Y(水稻收割期)之间的相关程度的大小。本实施例可以使用复测定系数R Square说明自变量解释因变量Y变差的程度,以测定因变量y的拟合效果。
本实施例还可以使用方差分析表来判定回归模型的回归效果。本实施例还可以生成回归参数表。
请参见图2,图2为本申请实施例所提供的水稻收割期模型生成示意图,如图2所示样本点包括某市A1~A24村,自变量包括海拔高度X1和维度X2,Y因变量为收割日期。
最终得出收割期模型对应的方程为:Y=-301.577+0.067*X1+9.772*X2。
式中:Y为水稻收割期出现时间,Y=1表示8月1日,以此类推。X1为海拔高度,X2为纬度。根据图2可知以某市为例,研究区平均海拔高度约300米左右,纬度为29.809左右,将其带入收割期模型,得出Y=9.817,确定收割期在8月10日左右。
本实施例使用的水稻收割时间前后两期数据并不完全依靠人为主观来判断,可以借助水稻收割期模型较为迅速、准确地确定某地的收割期,为后续研究奠定数据选择的基础。
(2)数据选择和下载。
由上文所述的收割期模型得出研究区收割期在8月10日左右,因此本实施例以2019年7月28日与2019年8月25日两期分辨率为10米的哨兵2号数据为数据源,数据来源USGS官网。进而得到收割前数据(即,某市在水稻收割期之前的第一遥感数据)以及收割后数据(即,某市在所述水稻收割期之后的第二遥感数据)。
(3)对收割前后的数据进行预处理。
哨兵2号数据预处理采用Sen2Cor插件,将插件下载后,在cmd中加载该文件夹,双击文件夹中L2A_Process.bat文件,在cmd中输入L2A_Process.bat--help,等配置成功后在cmd中输入L2A_Process加上原始图像绝对路径,从而完成辐射定标和大气校正。
哨兵数据不能直接放到ENVI操作,需要进行重采样和波段融合,重采样在SNAP软件中完成,即Raster-Geometric-Resampling,波段融合在ENVI中Layer StackingParameters完成。
(4)计算NDVI值。
以NDVI计算公式为基础,NDVI值等于近红外波段减红光波段的值除以近红外波段加红光波段的值,利用ENVI中Band Math工具对其以及它的差值进行计算,即0728的NDVI值减去0825的NDVI值,但在Band Math中计算的时候,开头需加一个float,保证结果在[-1,1]。然后利用Save File As Parameters工具把7月28日与8月25日植被指数差值结果转换格式,导入到ArcMap中进行后续操作。
(5)确定耕地NDVI差值范围
通过0.5米的2019年8月25日高景一号影像判断水稻种植区,该数据精度大于10米的哨兵2号数据,并随机选取水稻种植区进行矢量化。根据水稻边界得到33个矢量化水稻种植区。同时因为水稻种植区边界与水稻种植区内部NDVI值仍有一定差距,所以还需获取水稻种植区内部的NDVI情况。具体操作为以矢量化的33个水稻边界做9米的缓冲区,同时将水稻边界转为面要素,然后利用擦除工具,擦除面要素里的边界缓冲区部分,得到27个水稻种植内部区域。本实施例通过实地验证的方式确定NDVI差值范围。
运用分区统计工具,分别以水稻种植区边界线要素和内部面要素为基础,计算得到水稻种植区边界和内部的NDVI均值。其中水稻种植区边界均值为0.300489,标准差为0.034564,水稻种植区内部平均值为0.434743,标准差为0.035631。由于正态分布正负三个标准差之内的比率为99.6%,因此将平均值分别加减三个标准差,并将边界范围和内部范围作并集,得到水稻种植区NDVI差值范围,即(0.196797,0.541636)。
请参见图3,图3为本申请实施例所提供的一种确定NDVI差值范围的操作流程图,对收割期前后的数据各自计算NDVI,详见得到NDVI差值,进行人工目视解译得到矢量化水稻种植区边界线。分区统计水稻种植区边界线NDVI差值(平均值、标准差),将平均值加减三倍标准差,得到水稻种植区边界线NDVI差值范围。以水稻边界线要素做9m缓冲区,水稻边界线要素转面,并擦除缓冲部分得到水稻种植区内部面,分区统计水稻种植区内部面NDVI差值(平均值、标准差),将平均值加减三倍标准差,得到水稻种植区内部面NDVI差值范围。将水稻种植区边界线NDVI差值范围和水稻种植区内部面NDVI差值范围取并集,得到水稻种植区NDVI差值范围。根据范围重分类得到水稻种植区。
水稻提取的过程以水稻收割时间前后NDVI值断崖式变化作为水稻提取特点,而确定水稻的NDVI的差值范围主要以更高分辨率影像为基础,人工目视判断水稻种植区,然后随机选取水稻样本,并计算样本的边界以及内部的NDVI差值情况从而估计整个水稻NDVI的差值范围。
在确定水稻收割时间前后NDVI差值的范围方法有很多,常规方法有双峰直方图阈值法、直方图熵阈值法、回归模型法等。其中双峰直方图阈值法指在一幅图像中,若目标与背景对比明显,则直方图显示出的像素灰度会集中在两处,即包含两个“山峰”,两峰之间的坡谷一般就是阈值的选取处;直方图熵阈值法又称最大熵阈值法,是假设阈值为t,则以阈值t为分界点将图像分割为目标区域O和背景区域B,目标区域的熵为Ho(t),背景区域的熵为Hb(t),当两者的总熵H(t)=Ho(t)+Hb(t)取最大值时所对应的t值即为最佳阈值;回归模型法又称经验模型法,是通过对遥感数据的某一波段、波段组合或利用遥感数据计算出的植被指数与植被覆盖度进行回归分析,建立统计回归模型。
(6)提出水稻种植区。
以植被指数差值结果数据图为基础,将上文得到的水稻种植区NDVI差值范围结果作为提取依据,利用重分类工具得到水稻种植区。
(7)提出水体。
从提取结果中可以看出部分水边也被提取出来,可以将其称作“水边效应”。针对“水边效应”,通过计算归一化水指数NDWI将水边提取出来。以2019年7月28日哨兵二号数据为基础,根据NDWI计算公式,NDWI值等于绿光波段减近红外波段的值除以绿光波段加近红外波段的值,利用ENVI中Band Math工具对其进行计算。和计算NDVI值相同,在Band Math中计算时,开头需加一个float,保证结果在[-1,1]。然后利用Save File As Parameters将结果转换格式,导入到ArcMap中进行后续操作。
同之前一样,随机选取20个水体,并对其边界进行矢量化。因为发生“水边效应”的像元主要是水体与周围地物产生的混合像元,所以针对该混合像元,确定其范围的方式主要是同时计算水体像元、其边界地物像元以及两者交界混合像元的NDWI情况。具体操作首先以矢量化的20个水体边界分别向内向外做2米的缓冲区,然后运用分区统计工具,根据水体边界缓冲区计算得到水体像元、其边界地物像元以及两者交界混合像元的NDWI均值和标准差。其中水体边界缓冲区NDWI均值为-0.370121,标准差为0.05435。由于正态分布正负三个标准差之内的比率为99.6%,因此将平均值分别加减三个标准差,最终得到水体边界NDWI范围,即(-0.533171,-0.207071)。利用重分类工具提取水边的同时,一些宅基地也被提出来。但在之前提取的水稻种植区中,宅基地并未对对其产生干扰,所以可以在水稻种植区中擦除提取的水边。
请参见图4,图4为本申请实施例所提供的一种提取水边的方法的流程图,该过程包括:计算归一化水指数NDWI,人工目视解译得到矢量化水体边界线;以水体边界线要素做2m缓冲区,分区统计水体边界2m缓冲区NDWI差值(平均值、标准差),对平均值加减三倍标准差,得到水体边界2m缓冲区NDWI差值范围。根据NDWI差值范围进行重分类得到水边。
本实施例仅通过水稻收割时间前后NDVI值断崖式变化特点提取出的水稻种植区会出现“水边效应”,即大量水边被提取出来,因此需要去除水边从而提高水稻提取精度。而本发明主要通过计算归一化水指数NDWI来突显影像中的水体信息,将水边提取出来。而确定水体NDWI的范围同上文确定水稻NDVI的差值范围一样,主要以更高分辨率影像人工目视判断水体,然后随机选取水体样本,因为发生“水边效应”的像元主要是水体与周围地物产生的混合像元,所以针对该混合像元,确定其范围的方式主要是同时计算水体像元、其边界地物像元以及两者交界混合像元的NDWI情况,从而估计所有水边NDWI值的范围。
(8)提高水稻种植区提取精度。
重分类后的水稻种植区图中,水稻为1,其余为0,重分类后的水边图中水边为0,其余为1,通过栅格计算器,将水稻种植区图与水边图相乘。最终得到值为1的图即是在水稻种植区中擦除水边后的结果图(水稻种植区对应的图像)。
在得到去除水边后的水稻种植区后,可以对最终得到的水稻种植区进行检验。在ArcMap中将擦除水边后的水稻提取结果导出为ENVI格式,然后在ENVI中选择新建密度分割工具,将值为0和值为1的像元区分开来,并将其导出为分类图像,其中值为1的像元为水稻种植区。接着运用Generate Random Sample lnput Parameters工具进行分层抽样,共撒点217个,其中值为0的像元样本点为152个,值为1的像元样本点为65个。然后将ROL导为Shapefile格式,将Shapefile格式在ArcMap中打开,为了便于观察,可以将分层抽样得到的面要素转为点要素,然后利用更高分辨率的影像对其进行目视解译。最后利用混淆矩阵工具计算混淆矩阵,总体分类精度为0.958525,Kappa指数为0.897086。
请参见图5,图5为本申请实施例所提供的一种水稻种植区验证流程图,具体包括以下步骤:对最终水稻提取结果新建密度分割,将分割结果转为遥感分类格式并进行分层抽样,通过人工目视解译计算混淆矩阵验证结果,对混淆矩阵验证结果进行结果分析。
本实施例针对于水稻本身,以水稻收割时间前后NDVI值断崖式变化作为提取特点,不太受四周环境、所处地势的影响,唯一受环境地势影响的是水稻收割的具体时间,而水稻收割的具体时间在收割模型中通过纬度和海拔因素可以确定,所以相比现有技术,本发明有较广的适用范围。同时所需数据简单易获取,操作高效便捷,不需要大量的复杂技术,主要使用ENVI、ArcGIS以及Excel等主流软件,实验过程易实现。另一方面,本实施例确定水稻的NDVI的差值范围主要以更高分辨率影像为基础,人工目视判断水稻种植区,然后随机选取水稻样本,计算样本的边界以及内部的NDVI差值情况并结合标准差法从而估算得到的,既准确包含所有水稻,又尽可能不含有其他地类或作物。
本实施例致力于从精度、效率、成本以及时间四个方面,克服在土地利用类型复杂、地块破碎、以及作物种类多样的区域不能准确、快速以及便捷地获取水稻种植信息的不足,从简单清晰的原理出发,不需要过多复杂且难以获得的数据便能迅速准确地获取水稻种植信息,且适用范围较广,可以减少特定研究区对其水稻提取效果的影响,具体如下:
本实施例原理简单清晰,主要将水稻收割时间前后NDVI值断崖式变化作为提取特点,操作高效便捷,不需要大量的复杂技术,主要使用ENVI、ArcGIS以及Excel等主流软件,实验过程易实现;
本实施例所需数据简单,主要使用水稻收割时间前后两期数据,数据源为Sentinel-2,空间分辨率为10m。哨兵系列是目前空间分辨率高、光谱质量好以及种类全的免费遥感数据,而Sentinel-2包括两颗卫星极地轨道相位成180°的多光谱高分辨率光学卫星组成,即哨兵-2A、哨兵-2B,两颗卫星分别于2015年6月22日和2017年3月7日成功发射,可用于陆地监测。而现有技术数据源大多为MODIS数据、Landsat数据以及GF数据等,所需数据多而繁杂,不易获取,且数据越多,对数据质量的相关要求就越多;
本实施例适用范围较广,因为本发明核心技术要点是将水稻收割时间前后NDVI值断崖式变化作为提取特点,而该要点主要针对于水稻本身,不太受四周环境、所处地势的影响,唯一受环境地势影响的是水稻收割的具体时间,而水稻收割的具体时间在本收割模型中通过纬度和海拔因素已经确定,所以相比现有技术,本实施例有较广的适用范围。
请参见图6,图6为本申请实施例所提供的一种水稻种植区的确定系统的结构示意图,该系统可以包括:
数据获取模块601,用于获取目标区域的第一遥感数据和第二遥感数据;其中,所述第一遥感数据为所述目标区域在水稻收割期之前的遥感数据,所述第二遥感数据为所述目标区域在所述水稻收割期之后的遥感数据;
归一化植被指数计算模块602,用于根据所述第一遥感数据确定所述目标区域在所述水稻收割期之前的第一归一化植被指数;还用于根据所述第二遥感数据确定所述目标区域在所述水稻收割期之后的第二归一化植被指数;
系数变化量计算模块603,用于计算所述第一归一化植被指数和所述第二归一化植被指数的差值,得到所述目标区域的归一化植被指数变化量;
水稻种植区确定模块604,用于根据所述归一化植被指数变化量确定所述目标区域中的水稻种植区。
本实施例获取目标区域在水稻收割期前后的第一遥感数据和第二遥感数据,进而根据第一遥感数据确定目标区域在水稻收割期之前的第一归一化植被指数,根据第二遥感数据确定目标区域在水稻收割期之后的第二归一化植被指数。本实施例根据第一归一化植被指数和第二归一化植被指数的差值确定目标区域中的水稻种植区,本实施例能够在保证精度的基础上提高确定水稻种植区的效率。
进一步的,数据获取模块601获取目标区域的第一遥感数据和第二遥感数据的过程包括:查询所述目标区域的空间位置信息;其中,所述空间位置信息包括海拔高度和纬度;将所述空间位置信息输入收割期模型,得到所述目标区域的所述水稻收割期。
进一步的,还包括:
第一预处理模块,用于在根据所述第一遥感数据确定所述目标区域在所述水稻收割期之前的第一归一化植被指数之前,对所述第一遥感数据进行数据预处理;其中,所述数据预处理包括辐射标定、大气校正、重采样和波段融合;
第二预处理模块,用于在根据所述第二遥感数据确定所述目标区域在所述水稻收割期之后的第二归一化植被指数之前,对所述第二遥感数据进行数据预处理;其中,所述数据预处理包括辐射标定、大气校正、重采样和波段融合。
进一步的,水稻种植区确定模块604根据所述归一化植被指数变化量确定所述目标区域中的水稻种植区的过程包括:确定所述目标区域对应的标准差值范围;将所述目标区域中每一位置的归一化植被指数变化量与所述标准差值范围进行比对,并根据比对结果确定备选区;其中,所述备选区为归一化植被指数变化量处于所述标准差值范围内的区域;去除所述备选区中的水边,得到所述目标区域中的所述水稻种植区。
进一步的,水稻种植区确定模块604确定所述目标区域对应的标准差值范围的过程包括:获取所述目标区域的第三遥感数据;其中,所述第三遥感数据的数据精度大于所述第一遥感数据和所述第二遥感数据的数据精度;根据用户输入信息确定所述第三遥感数据中的人工标注水稻种植区;对所述人工标注水稻种植区的边界进行矢量化处理,对矢量化的水稻种植边界向内部设置预设宽度的缓冲区并将所述水稻种植边界换为面要素;擦除所述面要素中的所述缓冲区,得到水稻种植内部区域;将所述第一遥感数据在所述水稻种植边界的归一化植被指数减去所述第二遥感数据在所述水稻种植边界的归一化植被指数,得到边界系数差值;将所述第一遥感数据在所述水稻种植内部区域的归一化植被指数减去所述第二遥感数据在所述水稻种植内部区域的归一化植被指数,得到内部区域系数差值;将所述边界系数差值的平均值分别加减N1个所述边界系数差值的标准差,得到第一差值范围;将所述内部区域系数差值的平均值分别加减N2个所述内部区域系数差值的标准差,得到第二差值范围;将所述第一差值范围和所述第二差值范围的并集设置为所述目标区域对应的标准差值范围。
进一步的,还包括:
水边确定模块,用于在去除所述备选区中的水边之前,从所述目标区域的遥感数据中选取多个水体,并对水体边界进行矢量化;还用于根据矢量化后的所述水体边界分别向内和向外设置预设宽度的缓冲区,并利用分区统计工具根据所述水体边界的缓冲区计算所述水体边界的归一化水指数平均值和归一化水指数标准差;还用于将所述归一化水指数平均值分别加减N3个所述归一化水指数标准差,得到所述水体边界的归一化水指数范围;还用于根据所述归一化水指数范围确定所述目标区域内的水边。
进一步的,水稻种植区确定模块604去除所述备选区中的水边,得到所述目标区域中的所述水稻种植区的过程包括:根据所述备选区的位置生成备选区栅格图;其中,所述备选区栅格图中所述备选区内的像元为1,所述备选区外的像元为0;根据所述水边的位置生成水边栅格图;其中,所述水边栅格图中的水边对应的像元为0,其他像元为1;利用栅格计算器将所述备选区栅格图和所述水边栅格图,得到所述目标区域中的所述水稻种植区。
由于系统部分的实施例与方法部分的实施例相互对应,因此系统部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
本申请还提供了一种存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种电子设备,可以包括存储器和处理器,所述存储器中存有计算机程序,所述处理器调用所述存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然所述电子设备还可以包括各种网络接口,电源等组件。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,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。在没有更多限制的状况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种水稻种植区的确定方法,其特征在于,包括:
获取目标区域的第一遥感数据和第二遥感数据;其中,所述第一遥感数据为所述目标区域在水稻收割期之前的遥感数据,所述第二遥感数据为所述目标区域在所述水稻收割期之后的遥感数据;
根据所述第一遥感数据确定所述目标区域在所述水稻收割期之前的第一归一化植被指数;
根据所述第二遥感数据确定所述目标区域在所述水稻收割期之后的第二归一化植被指数;
计算所述第一归一化植被指数和所述第二归一化植被指数的差值,得到所述目标区域的归一化植被指数变化量;
根据所述归一化植被指数变化量确定所述目标区域中的水稻种植区。
2.根据权利要求1所述水稻种植区的确定方法,其特征在于,所述获取目标区域的第一遥感数据和第二遥感数据,包括:
查询所述目标区域的空间位置信息;其中,所述空间位置信息包括海拔高度和纬度;
将所述空间位置信息输入收割期模型,得到所述目标区域的所述水稻收割期。
3.根据权利要求1所述水稻种植区的确定方法,其特征在于,在根据所述第一遥感数据确定所述目标区域在所述水稻收割期之前的第一归一化植被指数之前,还包括:
对所述第一遥感数据进行数据预处理;其中,所述数据预处理包括辐射标定、大气校正、重采样和波段融合;
相应的,在根据所述第二遥感数据确定所述目标区域在所述水稻收割期之后的第二归一化植被指数之前,还包括:
对所述第二遥感数据进行数据预处理;其中,所述数据预处理包括辐射标定、大气校正、重采样和波段融合。
4.根据权利要求1所述水稻种植区的确定方法,其特征在于,根据所述归一化植被指数变化量确定所述目标区域中的水稻种植区,包括:
确定所述目标区域对应的标准差值范围;
将所述目标区域中每一位置的归一化植被指数变化量与所述标准差值范围进行比对,并根据比对结果确定备选区;其中,所述备选区为归一化植被指数变化量处于所述标准差值范围内的区域;
去除所述备选区中的水边,得到所述目标区域中的所述水稻种植区。
5.根据权利要求4所述水稻种植区的确定方法,其特征在于,确定所述目标区域对应的标准差值范围,包括:
获取所述目标区域的第三遥感数据;其中,所述第三遥感数据的数据精度大于所述第一遥感数据和所述第二遥感数据的数据精度;
根据用户输入信息确定所述第三遥感数据中的人工标注水稻种植区;
对所述人工标注水稻种植区的边界进行矢量化处理,对矢量化的水稻种植边界向内部设置预设宽度的缓冲区并将所述水稻种植边界换为面要素;
擦除所述面要素中的所述缓冲区,得到水稻种植内部区域;
将所述第一遥感数据在所述水稻种植边界的归一化植被指数减去所述第二遥感数据在所述水稻种植边界的归一化植被指数,得到边界系数差值;
将所述第一遥感数据在所述水稻种植内部区域的归一化植被指数减去所述第二遥感数据在所述水稻种植内部区域的归一化植被指数,得到内部区域系数差值;
将所述边界系数差值的平均值分别加减N1个所述边界系数差值的标准差,得到第一差值范围;
将所述内部区域系数差值的平均值分别加减N2个所述内部区域系数差值的标准差,得到第二差值范围;
将所述第一差值范围和所述第二差值范围的并集设置为所述目标区域对应的标准差值范围。
6.根据权利要求4所述水稻种植区的确定方法,其特征在于,在去除所述备选区中的水边之前,还包括:
从所述目标区域的遥感数据中选取多个水体,并对水体边界进行矢量化;
根据矢量化后的所述水体边界分别向内和向外设置预设宽度的缓冲区,并利用分区统计工具根据所述水体边界的缓冲区计算所述水体边界的归一化水指数平均值和归一化水指数标准差;
将所述归一化水指数平均值分别加减N3个所述归一化水指数标准差,得到所述水体边界的归一化水指数范围;
根据所述归一化水指数范围确定所述目标区域内的水边。
7.根据权利要求4所述水稻种植区的确定方法,其特征在于,去除所述备选区中的水边,得到所述目标区域中的所述水稻种植区,包括:
根据所述备选区的位置生成备选区栅格图;其中,所述备选区栅格图中所述备选区内的像元为1,所述备选区外的像元为0;
根据所述水边的位置生成水边栅格图;其中,所述水边栅格图中的水边对应的像元为0,其他像元为1;
利用栅格计算器将所述备选区栅格图和所述水边栅格图,得到所述目标区域中的所述水稻种植区。
8.一种水稻种植区的确定系统,其特征在于,包括:
数据获取模块,用于获取目标区域的第一遥感数据和第二遥感数据;其中,所述第一遥感数据为所述目标区域在水稻收割期之前的遥感数据,所述第二遥感数据为所述目标区域在所述水稻收割期之后的遥感数据;
归一化植被指数计算模块,用于根据所述第一遥感数据确定所述目标区域在所述水稻收割期之前的第一归一化植被指数;还用于根据所述第二遥感数据确定所述目标区域在所述水稻收割期之后的第二归一化植被指数;
系数变化量计算模块,用于计算所述第一归一化植被指数和所述第二归一化植被指数的差值,得到所述目标区域的归一化植被指数变化量;
水稻种植区确定模块,用于根据所述归一化植被指数变化量确定所述目标区域中的水稻种植区。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如权利要求1至7任一项所述水稻种植区的确定方法的步骤。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如权利要求1至7任一项所述水稻种植区的确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924852.4A CN115272860B (zh) | 2022-08-02 | 一种水稻种植区的确定方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924852.4A CN115272860B (zh) | 2022-08-02 | 一种水稻种植区的确定方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272860A true CN115272860A (zh) | 2022-11-01 |
CN115272860B CN115272860B (zh) | 2024-07-09 |
Family
ID=
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115761486A (zh) * | 2022-11-15 | 2023-03-07 | 重庆市地理信息和遥感应用中心 | 一种基于多期稻田影像特征的水稻种植区判定方法和系统 |
CN115909063A (zh) * | 2022-11-15 | 2023-04-04 | 生态环境部卫星环境应用中心 | 一种中分辨率水稻提取方法及系统 |
CN117576572A (zh) * | 2024-01-16 | 2024-02-20 | 杭州稻道农业科技有限公司 | 一种综合种养稻田水稻种植覆盖度提取方法、装置及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107966116A (zh) * | 2017-11-20 | 2018-04-27 | 苏州市农业科学院 | 一种水稻种植面积的遥感监测方法及系统 |
CN113723319A (zh) * | 2021-09-02 | 2021-11-30 | 中国气象科学研究院 | 一种基于风云卫星数据的水稻种植分布提取方法 |
CN114120132A (zh) * | 2021-12-02 | 2022-03-01 | 二十一世纪空间技术应用股份有限公司 | 一种气象和红边波段遥感结合的农作物估产方法和装置 |
CN114220025A (zh) * | 2021-12-22 | 2022-03-22 | 武汉禾大科技有限公司 | 基于遥感影像数据的棉花脱叶剂使用方法、系统和介质 |
CN114821362A (zh) * | 2022-07-01 | 2022-07-29 | 江苏省水利科学研究院 | 一种基于多源数据的水稻种植面积提取方法 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107966116A (zh) * | 2017-11-20 | 2018-04-27 | 苏州市农业科学院 | 一种水稻种植面积的遥感监测方法及系统 |
CN113723319A (zh) * | 2021-09-02 | 2021-11-30 | 中国气象科学研究院 | 一种基于风云卫星数据的水稻种植分布提取方法 |
CN114120132A (zh) * | 2021-12-02 | 2022-03-01 | 二十一世纪空间技术应用股份有限公司 | 一种气象和红边波段遥感结合的农作物估产方法和装置 |
CN114220025A (zh) * | 2021-12-22 | 2022-03-22 | 武汉禾大科技有限公司 | 基于遥感影像数据的棉花脱叶剂使用方法、系统和介质 |
CN114821362A (zh) * | 2022-07-01 | 2022-07-29 | 江苏省水利科学研究院 | 一种基于多源数据的水稻种植面积提取方法 |
Non-Patent Citations (5)
Title |
---|
BOLUN LI ET AL.: "Estimating rice paddy areas in China using multi-temporal cloud-free normalized difference vegetation index (NDVI) imagery based on change detectio", PEDOSPHERE, vol. 30, no. 6, 31 December 2020 (2020-12-31), pages 735 * |
孙金彦;王春林;黄祚继;钱海明;: "MODIS遥感影像在蓝藻水华灾害监测中的应用", 安徽科技, no. 12, 20 December 2015 (2015-12-20) * |
李君;尚夏明;: "RGB-NDVI影像在植被变化信息监测中的应用分析――以博斯腾湖地区为例", 信息技术与信息化, no. 08, 28 August 2020 (2020-08-28) * |
牛海鹏等: "基于时空数据融合的县域水稻种植面积提取", 农业机械学报, vol. 51, no. 4, 30 April 2020 (2020-04-30) * |
韩晶;邓喀中;范洪冬;: "基于归一化植被指数的城市热岛效应分析", 测绘与空间地理信息, no. 09, 25 September 2012 (2012-09-25) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115761486A (zh) * | 2022-11-15 | 2023-03-07 | 重庆市地理信息和遥感应用中心 | 一种基于多期稻田影像特征的水稻种植区判定方法和系统 |
CN115909063A (zh) * | 2022-11-15 | 2023-04-04 | 生态环境部卫星环境应用中心 | 一种中分辨率水稻提取方法及系统 |
CN117576572A (zh) * | 2024-01-16 | 2024-02-20 | 杭州稻道农业科技有限公司 | 一种综合种养稻田水稻种植覆盖度提取方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barrett et al. | A questionnaire-based review of the operational use of remotely sensed data by national forest inventories | |
CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
Kordi et al. | Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images | |
Huo et al. | Supervised spatial classification of multispectral LiDAR data in urban areas | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
Sharma et al. | Geospatial technology in agroforestry: status, prospects, and constraints | |
CN111222539B (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
Gandharum et al. | Remote sensing versus the area sampling frame method in paddy rice acreage estimation in Indramayu regency, West Java province, Indonesia | |
CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及系统 | |
Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
Qu et al. | Mapping large area tea plantations using progressive random forest and Google Earth Engine | |
Kılıç et al. | An integrated framework to identify and map gullies in a Mediterranean region of Turkey | |
CN117249862A (zh) | 一种草原露天矿空天地一体化生态环境监测方法 | |
CN117114147A (zh) | 基于雷达和卫星遥感的森林植被碳储量估算的方法和装置 | |
Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
CN115272860B (zh) | 一种水稻种植区的确定方法、系统、电子设备及存储介质 | |
CN115272860A (zh) | 一种水稻种植区的确定方法、系统、电子设备及存储介质 | |
Siljander et al. | A predictive modelling technique for human population distribution and abundance estimation using remote-sensing and geospatial data in a rural mountainous area in Kenya | |
Mashonganyika et al. | Mapping of Winter Wheat Using Sentinel-2 NDVI Data | |
Atzberger et al. | Portability of neural nets modelling regional winter crop acreages using AVHRR time series | |
Xu | Obtaining forest description for small-scale forests using an integrated remote sensing approach | |
Huang et al. | Extraction of agricultural plastic film mulching in karst fragmented arable lands based on unmanned aerial vehicle visible light remote sensing |
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 |