CN115526927A - 综合物候和遥感大数据的水稻种植及其面积估算方法 - Google Patents
综合物候和遥感大数据的水稻种植及其面积估算方法 Download PDFInfo
- Publication number
- CN115526927A CN115526927A CN202211154168.9A CN202211154168A CN115526927A CN 115526927 A CN115526927 A CN 115526927A CN 202211154168 A CN202211154168 A CN 202211154168A CN 115526927 A CN115526927 A CN 115526927A
- Authority
- CN
- China
- Prior art keywords
- rice
- index
- normalized
- period
- remote sensing
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及遥感技术领域,尤其涉及一种综合物候和遥感大数据的水稻种植及其面积估算方法。方法包括:获取水稻的不同生长期的高时间分辨率和高空间分辨率的遥感影像,并基于遥感影像计算水稻的不同生长期的归一化植被指数和归一化水体指数;基于水稻的不同生长期的归一化植被指数建立水稻的物候曲线;基于物候曲线初步确定水稻的种植区域;基于水稻的不同生长期的归一化植被指数和归一化水体指数确定水稻在各生长期的归一化水稻指数;基于水稻在各生长期的归一化水稻指数确定水稻信息指数;基于水稻信息指数计算水稻在种植区域的面积。本发明用以解决现有技术中无法精准获取水稻种植区域和面积的缺陷。
Description
技术领域
本发明涉及遥感技术领域,尤其涉及一种综合物候和遥感大数据的水稻种植及其面积估算方法。
背景技术
不同年份水稻的种植区域和面积并不稳定,主要受气候条件、水资源供给、粮食供给和国际政治等因素影响。因此,精准获取水稻种植面积关系到粮食安全和可持续发展。
遥感卫星由于覆盖范围广、客观、快速等特点,为大范围水稻监测提供了有效手段。目前,应用遥感技术估算水稻种植面积方法主要包括:利用传统的分类方法如监督或非监督分类方法、人工智能提取方法、水稻提取指数的方法和时间序列提取方法等。
其中,监督或非监督等分类方法比较成熟,但受“同物异谱”和“同谱异物”的影响,分类精度受到很大限制。人工智能提取方法大都有较高的精度,但是往往需要大量的样本,尤其针对大区域的水稻提取,需要结合区域物候等进行样本选择。但是,由于样本选择的难度、遥感影像的辐射、光谱和空间尺度的差异等原因,导致水稻提取存在很大的不确定性和难度。水稻遥感提取指数方法比较简单,运算量相对较小,主要是面向专题信息提取,但由于地物光谱的复杂性,及目前的遥感指数的不确定性,提取结果的精度具有较大的不确定性。时间序列方法的优势是结合水稻生长期和其他植被类型的差异,在识别水稻的种植信息方面具有较高的精度,但受数据获取的难度和所用的遥感指数的类型差异,也会产生一定的不确定性。
发明内容
本发明提供一种综合物候和遥感大数据的水稻种植及其面积估算方法,用以解决现有技术中无法精准获取水稻种植区域和面积的缺陷。
本发明提供一种综合物候和遥感大数据的水稻种植及其面积估算方法,包括:
获取所述水稻的不同生长期的高时间分辨率和高空间分辨率的遥感影像,并基于所述遥感影像计算水稻的不同生长期的归一化植被指数和归一化水体指数;
基于所述水稻的不同生长期的归一化植被指数建立水稻的物候曲线;
基于所述物候曲线初步确定所述水稻的种植区域;
基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻在各生长期的归一化水稻指数;
基于所述水稻在各生长期的归一化水稻指数确定水稻信息指数;
基于所述水稻信息指数计算所述水稻在所述种植区域的面积。
根据本发明提供的一种综合物候和遥感大数据的水稻种植及其面积估算方法,所述基于所述物候曲线初步确定所述水稻的种植区域,包括:
基于所述遥感影像的归一化植被指数和所述物候曲线确定作物识别指数;
在所述作物识别指数大于或等于设定阈值的情况下,初步确定所述遥感影像的种植区域。
根据本发明提供的一种综合物候和遥感大数据的水稻种植及其面积估算方法,所述基于所述遥感影像的归一化植被指数和所述物候曲线确定作物识别指数,通过以下公式计算:
根据本发明提供的一种综合物候和遥感大数据的水稻种植及其面积估算方法,所述基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻在各生长期的归一化水稻指数,包括:
基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻的各生长期的水稻信息提取指数;
基于生长期内测量的水稻信息提取指数,以及生长期内所述水稻信息提取指数的最大值、最小值,确定所述水稻在各生长期的归一化水稻指数。
根据本发明提供的一种综合物候和遥感大数据的水稻种植及其面积估算方法,所述基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻的各生长期的水稻信息提取指数,通过以下公式计算:
其中,RI为水稻信息提取指数,NDVI表示不同生长期的归一化植被指数,NDWI表示不同生长期的归一化水体指数;
所述基于生长期内测量的水稻信息提取指数,以及生长期内所述水稻信息提取指数的最大值、最小值,确定所述水稻在各生长期的归一化水稻指数,通过以下公式计算:
其中,DNRI为归一化水稻指数,取值范围为0-1;RImax为水稻信息提取指数的最大值;RImin为水稻信息提取指数的最小值;RI生长期内实际观测的水稻信息提取指数。
根据本发明提供的一种综合物候和遥感大数据的水稻种植及其面积估算方法,所述基于所述水稻在各生长期的归一化水稻指数确定水稻信息指数包括:
基于所述水稻在成熟期的归一化水稻指数、除去成熟期外至少一个生长期的归一化水稻指数,以及所述水稻分别在插秧期和成熟期的时间节点,确定所述水稻的水稻成熟指数;
基于所述水稻在成熟期的归一化水稻指数、所述水稻在插秧期的归一化水稻指数、除去成熟期和插秧期外至少一个生长期的归一化水稻指数,以及所述水稻分别在插秧期和成熟期的时间节点,确定所述水稻的作物生长线指数;
基于所述水稻成熟指数和所述作物生长线指数确定所述水稻在目标生长期的水稻信息指数。
根据本发明提供的一种综合物候和遥感大数据的水稻种植及其面积估算方法,所述基于所述水稻在成熟期的归一化水稻指数、除去成熟期外至少一个生长期的归一化水稻指数,以及所述水稻分别在插秧期和成熟期的时间节点,确定所述水稻的水稻成熟指数,通过以下公式计算:
其中,RGIin表示水稻成熟指数;DNRItn表示水稻成熟期的归一化水稻指数;tn为成熟期的时间节点;t1表示插秧期的时间节点;DNRIi表示不同生长期的归一化水稻指数;Δti表示第i个时间段;i表示时间节点数,n表示成熟期的时间节点数;
所述基于所述水稻在成熟期的归一化水稻指数、所述水稻在插秧期的归一化水稻指数、除去成熟期和插秧期外至少一个生长期的归一化水稻指数,以及所述水稻分别在插秧期和成熟期的时间节点,确定所述水稻的作物生长线指数,通过以下公式计算:
其中,RMI表示作物生长线指数;DNRItn表示水稻成熟期的归一化水稻指数;DNRIt1表示水稻插秧期的归一化水稻指数;t表示为成熟期的时间节点;t1表示插秧期的时间节点;DNRIi表示不同生长期的归一化水稻指数;Δti表示第i个时间段;i表示时间节点数,n表示成熟期的时间节点数。
根据本发明提供的一种综合物候和遥感大数据的水稻种植及其面积估算方法,所述基于所述水稻信息指数计算所述水稻在所述种植区域的面积,包括:
基于所述水稻信息指数和预设阈值确定遥感像元水稻占比指数;基于所述种植区域内的各像元面积和所述遥感像元水稻占比指数,计算所述水稻在所述种植区域的面积。
本发明还提供一种综合物候和遥感大数据的水稻种植及其面积估算装置,包括:
数据计算模块,用于获取所述水稻的不同生长期的高时间分辨率和高空间分辨率的遥感影像,并基于所述遥感影像计算水稻的不同生长期的归一化植被指数和归一化水体指数;
物候曲线建立模块,用于基于所述水稻的不同生长期的归一化植被指数建立水稻的物候曲线;
种植区域确定模块,用于基于所述物候曲线初步确定所述水稻的种植区域;
归一化水稻指数确定模块,用于基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻在各生长期的归一化水稻指数;
水稻信息指数确定模块,用于基于所述水稻在各生长期的归一化水稻指数确定水稻信息指数;
面积计算模块,用于基于所述水稻信息指数计算所述水稻在所述种植区域的面积。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述综合物候和遥感大数据的水稻种植及其面积估算方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述综合物候和遥感大数据的水稻种植及其面积估算方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述综合物候和遥感大数据的水稻种植及其面积估算方法。
本发明提供的综合物候和遥感大数据的水稻种植及其面积估算方法,通过基于所述水稻的不同生长期的归一化植被指数建立水稻的物候曲线;基于所述物候曲线初步确定所述水稻的种植区域;从而基于水稻的不同生长期的物候信息,从高时间分辨率和高空间分辨率的遥感影像中确定水稻的种植区域;又基于所述水稻的不同生长期的归一化植被指数和归一化水体指数计算水稻信息指数;以及基于所述水稻信息指数计算所述水稻在所述种植区域的面积,从而本发明基于水稻的物候信息和高时间分辨率和高空间分辨率的遥感影像实现精准识别水稻种植区域和面积。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的综合物候和遥感大数据的水稻种植及其面积估算方法的流程示意图;
图2是本发明提供的综合物候和遥感大数据的水稻种植及其面积估算装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1描述本发明的综合物候和遥感大数据的水稻种植及其面积估算方法。请参照图1,综合物候和遥感大数据的水稻种植及其面积估算方法包括:
步骤100、获取所述水稻的不同生长期的高时间分辨率和高空间分辨率的遥感影像,并基于所述遥感影像计算水稻的不同生长期的归一化植被指数和归一化水体指数。
电子设备获取所述水稻的不同生长期的高时间分辨率和高空间分辨率的遥感影像,并基于所述遥感影像计算水稻的不同生长期的归一化植被指数和归一化水体指数。其中,不同生长期可以包括水稻生长过程中的各个时期,例如,不同生长期可以包括水稻的插秧期、封垄期、拔节期、灌浆期以及乳熟期等。
高时间分辨率指的是在同一区域进行的相邻两次遥感观测的最小时间间隔较短。本发明中的高时间分辨率的遥感影像在同一区域进行的相邻两次遥感观测的最小时间间隔为天、小时或分钟的时间分辨率。高空间分辨率指的是遥感影像的单个像素所代表的地面范围较小,即扫描仪的瞬时视场,或地面物体能分辨的最小单元较小,但是遥感影像的像素多。本发明中的高时间分辨率的遥感影像的单个像素可以是30米*30米的地面面积等。
电子设备基于不同生长期的遥感影像中多种波段的反射率计算水稻的不同生长期的归一化植被指数和归一化水体指数。
具体的,归一化植被指数可根据遥感影像中近红外波段反射率和红波段的反射率的计算得到。本发明实施例的归一化植被指数计算公式如下:
公式(1)中,NDVI为归一化植被指数,Rnir为近红外波段反射率,Rr为红波段的反射率。
归一化水体指数可根据遥感影像中近红外波段反射率和绿波段的反射率的计算得到。本发明实施例的归一化水体指数计算公式如下:
公式(2)中,NDWI为归一化水体指数,Rg为绿波段的反射率。
步骤200、基于所述水稻的不同生长期的归一化植被指数建立水稻的物候曲线。
电子设备基于所述水稻的不同生长期的归一化植被指数建立水稻的物候曲线。在上述步骤获取到水稻的不同生长期的归一化植被指数的基础上,建立水稻的物候曲线。其中,水稻的物候曲线包括水稻插秧期、封垄期、拔节期、灌浆期、乳熟期等生长期的生长特征曲线。物候曲线是以时间和归一化植被指数NDVI为横纵坐标的物候曲线。
步骤300、基于所述物候曲线初步确定所述水稻的种植区域;
电子设备基于所述物候曲线初步确定所述水稻的种植区域。具体的,电子设备确定所述水稻的种植区域时可基于所述物候曲线中不同生长期的归一化植被指数的均值。由于物候曲线表明水稻不同生长期的特性,基于所述物候曲线初步确定所述水稻的种植区域有利于更精准地从遥感影像中提取种植区域。
步骤400、基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻在各生长期的归一化水稻指数;
电子设备基于所述水稻的不同生长期的归一化植被指数和归一化水体指数计算各生长期的水稻信息提取指数。再基于水稻信息提取指数确定水稻在各生长期的归一化水稻指数。
步骤500、基于所述水稻在各生长期的归一化水稻指数确定水稻信息指数;
具体的,电子设备可基于各生长期的归一化水稻指数确定水稻的水稻成熟指数和水稻的作物生长线指数,再基于水稻的水稻成熟指数和水稻的作物生长线指数确定水稻信息指数。
步骤600、基于所述水稻信息指数计算所述水稻在所述种植区域的面积。
电子设备基于所述水稻信息指数计算所述水稻在所述种植区域的面积。具体的,电子设备基于水稻信息指数计算遥感像元水稻占比估算指数。基于种植区域的各个像元面积和遥感像元水稻占比估算指数计算得到种植区域的面积。
本发明实施例通过基于所述水稻的不同生长期的归一化植被指数建立水稻的物候曲线;基于所述物候曲线初步确定所述水稻的种植区域;从而基于水稻的不同生长期的物候信息,从高时间分辨率和高空间分辨率的遥感影像中确定水稻的种植区域;又基于所述水稻的不同生长期的归一化植被指数和归一化水体指数计算水稻信息指数;以及基于所述水稻信息指数计算所述水稻在所述种植区域的面积,从而本发明基于水稻的物候信息和高时间分辨率和高空间分辨率的遥感影像实现精准识别水稻种植区域和面积。
在一个实施例中,步骤300、基于所述物候曲线初步确定所述水稻的种植区域,包括:
步骤310、基于所述遥感影像的归一化植被指数和所述物候曲线确定作物识别指数;
具体的,电子设备基于所述遥感影像的归一化植被指数和所述物候曲线确定作物识别指数,通过以下公式计算:
步骤320、在所述作物识别指数大于或等于设定阈值的情况下,初步确定所述遥感影像的种植区域。
当CRI≥a4时,即所述作物识别指数大于设定阈值时,则确定为水稻种植的像素,水稻种植的像素组成的区域确定为遥感影像中水稻种植的区域。a4可根据实际情况设置,在此不限定具体数值。
从而通过基于所述水稻的不同生长期的归一化植被指数建立水稻的物候曲线;基于所述物候曲线初步确定所述水稻的种植区域;从而基于水稻的不同生长期的物候信息,从高时间分辨率和高空间分辨率的遥感影像中确定水稻的种植区域。
在一个实施例中,步骤400、基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻在各生长期的归一化水稻指数,包括:
步骤410、基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻的各生长期的水稻信息提取指数。
具体的,水稻信息提取指数的计算公式如下:
公式(4)中,RI为水稻信息提取指数,NDVI表示不同生长期的归一化植被指数,NDWI表示不同生长期的归一化水体指数。
步骤420、基于生长期内测量的水稻信息提取指数,以及生长期内所述水稻信息提取指数的最大值、最小值,确定所述水稻在各生长期的归一化水稻指数。
具体的,归一化水稻指数的计算公式如下:
公式(5)中,DNRI为归一化水稻指数,取值范围为0-1;RImax为水稻信息提取指数的最大值;RImin为水稻信息提取指数的最小值;RI生长期内实际观测的水稻信息提取指数。
例如,需要计算水稻的插秧期的水稻信息提取指数时,基于插秧期内的水稻信息提取指数的最大值、水稻信息提取指数的最小值和实际观测的水稻信息提取指数计算得到插秧期的归一化水稻指数。
具体的,步骤500、基于所述水稻在各生长期的归一化水稻指数确定水稻信息指数包括:
步骤510、基于所述水稻在成熟期的归一化水稻指数、除去成熟期外至少一个生长期的归一化水稻指数,以及所述水稻分别在插秧期和成熟期的时间节点,确定所述水稻的水稻成熟指数。
基于所述水稻在成熟期的归一化水稻指数、除去成熟期外至少一个生长期的归一化水稻指数,以及所述水稻分别在插秧期和成熟期的时间节点,确定所述水稻的水稻成熟指数,通过以下公式计算:
其中,公式(6)中RGIin表示水稻成熟指数;DNRItn表示水稻成熟期的归一化水稻指数;tn为成熟期的时间节点;t1表示插秧期的时间节点;DNRIi表示不同生长期的归一化水稻指数;Δti表示第i个时间段;i表示时间节点数,n表示成熟期的时间节点数。
例如本发明包括水稻的插秧期、封垄期、拔节期、灌浆期以及乳熟期。通过公式(6)综合水稻的插秧期、封垄期、拔节期、灌浆期以及乳熟期的归一化水稻指数计算水稻的水稻成熟指数。
步骤520、基于所述水稻在成熟期的归一化水稻指数、所述水稻在插秧期的归一化水稻指数、除去成熟期和插秧期外至少一个生长期的归一化水稻指数,以及所述水稻分别在插秧期和成熟期的时间节点,确定所述水稻的作物生长线指数。
具体的,基于所述水稻在成熟期的归一化水稻指数、所述水稻在插秧期的归一化水稻指数、除去成熟期和插秧期外至少一个生长期的归一化水稻指数,以及所述水稻分别在插秧期和成熟期的时间节点,确定所述水稻的作物生长线指数,通过以下公式计算:
其中,公式(7)的RMI表示作物生长线指数;DNRItn表示水稻成熟期的归一化水稻指数;DNRIt1表示水稻插秧期的归一化水稻指数;t表示为成熟期的时间节点;t1表示插秧期的时间节点;DNRIi表示不同生长期的归一化水稻指数;Δti表示第i个时间段;i表示时间节点数,n表示成熟期的时间节点数。
例如本发明包括水稻的插秧期、封垄期、拔节期、灌浆期以及乳熟期。通过公式(7)综合水稻的插秧期、封垄期、拔节期、灌浆期以及乳熟期的归一化水稻指数计算水稻的作物生长线指数。其中,成熟期具体指的是乳熟期。
步骤530、基于所述水稻成熟指数和所述作物生长线指数确定所述水稻在目标生长期的水稻信息指数。
电子设备基于所述水稻成熟指数和所述作物生长线指数确定所述水稻在目标生长期的水稻信息指数。具体的,基于所述水稻成熟指数和所述作物生长线指数的商确定所述水稻在目标生长期的水稻信息指数。通过公式(8)表示为:
公式(8)中,RGI为水稻信息指数,RGIin为水稻成熟指数,RMI为作物生长线指数。
需要说明的是,当RGI≥a5,可以确定为水稻。a5可根据实际情况设置,在此不限定具体数值。
在一个实施例中,步骤600、基于所述水稻信息指数计算所述水稻在所述种植区域的面积,包括:
步骤610、基于所述水稻信息指数和预设阈值确定遥感像元水稻占比指数;
具体的,遥感像元水稻占比指数通过以下公式计算:
公式(9)中,SuRGI为遥感像元水稻占比指数,A为预设阈值。
步骤620、基于所述种植区域内的各像元面积和所述遥感像元水稻占比指数,计算所述水稻在所述种植区域的面积。
具体的,种植区域的面积通过以下公式计算:
公式(10)中,S为水稻种植面积;Pij为像元第i行j列的像元面积。
从而基于所述水稻的不同生长期的归一化植被指数和归一化水体指数计算水稻信息指数;以及基于所述水稻信息指数计算所述水稻在所述种植区域的面积,从而本发明基于水稻的物候信息和高时间分辨率和高空间分辨率的遥感影像实现精准识别水稻种植区域和面积。
下面对本发明提供的综合物候和遥感大数据的水稻种植及其面积估算装置进行描述,下文描述的综合物候和遥感大数据的水稻种植及其面积估算装置与上文描述的综合物候和遥感大数据的水稻种植及其面积估算方法可相互对应参照。
请参照图2,本发明还提供一种综合物候和遥感大数据的水稻种植及其面积估算装置,包括:
数据计算模块201,用于获取所述水稻的不同生长期的高时间分辨率和高空间分辨率的遥感影像,并基于所述遥感影像计算水稻的不同生长期的归一化植被指数和归一化水体指数;
物候曲线建立模块202,用于基于所述水稻的不同生长期的归一化植被指数建立水稻的物候曲线;
种植区域确定模块203,用于基于所述物候曲线初步确定所述水稻的种植区域;
归一化水稻指数确定模块204,用于基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻在各生长期的归一化水稻指数;
水稻信息指数确定模块205,用于基于所述水稻在各生长期的归一化水稻指数确定水稻信息指数;
面积计算模块206,用于基于所述水稻信息指数计算所述水稻在所述种植区域的面积。
本发明的综合物候和遥感大数据的水稻种植及其面积估算装置,通过基于所述水稻的不同生长期的归一化植被指数建立水稻的物候曲线;基于所述物候曲线初步确定所述水稻的种植区域;从而基于水稻的不同生长期的物候信息,从高时间分辨率和高空间分辨率的遥感影像中确定水稻的种植区域;又基于所述水稻的不同生长期的归一化植被指数和归一化水体指数计算水稻信息指数;以及基于所述水稻信息指数计算所述水稻在所述种植区域的面积,从而本发明基于水稻的物候信息和高时间分辨率和高空间分辨率的遥感影像实现精准识别水稻种植区域和面积。
在一个实施例中,所述种植区域确定模块包括:
作物识别指数确定模块,用于基于所述遥感影像的归一化植被指数和所述物候曲线确定作物识别指数;
最终种植区域确定模块,用于在所述作物识别指数大于或等于设定阈值的情况下,初步确定所述遥感影像的种植区域。
在一个实施例中,所述作物识别指数确定模块,通过以下公式计算:
在一个实施例中,所述归一化水稻指数确定模块,包括:
水稻信息提取指数确定模块,用于基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻的各生长期的水稻信息提取指数;
最终归一化水稻指数确定模块,用于基于生长期内测量的水稻信息提取指数,以及生长期内所述水稻信息提取指数的最大值、最小值,确定所述水稻在各生长期的归一化水稻指数。
在一个实施例中,水稻信息提取指数确定模块通过以下公式计算:
其中,RI为水稻信息提取指数,NDVI表示不同生长期的归一化植被指数,NDWI表示不同生长期的归一化水体指数;
所述最终归一化水稻指数确定模块通过以下公式计算:
其中,DNRI为归一化水稻指数,取值范围为0-1;RImax为水稻信息提取指数的最大值;RImin为水稻信息提取指数的最小值;RI生长期内实际观测的水稻信息提取指数。
在一个实施例中,所述水稻信息指数确定模块包括:
水稻成熟指数确定模块,用于基于所述水稻在成熟期的归一化水稻指数、除去成熟期外至少一个生长期的归一化水稻指数,以及所述水稻分别在插秧期和成熟期的时间节点,确定所述水稻的水稻成熟指数;
作物生长线指数确定模块,用于基于所述水稻在成熟期的归一化水稻指数、所述水稻在插秧期的归一化水稻指数、除去成熟期和插秧期外至少一个生长期的归一化水稻指数,以及所述水稻分别在插秧期和成熟期的时间节点,确定所述水稻的作物生长线指数;
最终水稻信息指数确定模块,用于基于所述水稻成熟指数和所述作物生长线指数确定所述水稻在目标生长期的水稻信息指数。
在一个实施例中,所述水稻成熟指数确定模块,通过以下公式计算:
其中,RGIin表示水稻成熟指数;DNRItn表示水稻成熟期的归一化水稻指数;tn为成熟期的时间节点;t1表示插秧期的时间节点;DNRIi表示不同生长期的归一化水稻指数;Δti表示第i个时间段;i表示时间节点数,n表示成熟期的时间节点数;
所述作物生长线指数确定模块,通过以下公式计算:
其中,RMI表示作物生长线指数;DNRItn表示水稻成熟期的归一化水稻指数;DNRIt1表示水稻插秧期的归一化水稻指数;t表示为成熟期的时间节点;t1表示插秧期的时间节点;DNRIi表示不同生长期的归一化水稻指数;Δti表示第i个时间段;i表示时间节点数,n表示成熟期的时间节点数。
根据本发明提供的一种综合物候和遥感大数据的水稻种植及其面积估算装置,所述面积计算模块,包括:
遥感像元水稻占比指数确定模块,用于基于所述水稻信息指数和预设阈值确定遥感像元水稻占比指数;
最终面积确定模块,用于基于所述种植区域内的各像元面积和所述遥感像元水稻占比指数,计算所述水稻在所述种植区域的面积。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线330,其中,处理器310,通信接口320,存储器330通过通信总线330完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行综合物候和遥感大数据的水稻种植及其面积估算方法,该方法包括:获取所述水稻的不同生长期的高时间分辨率和高空间分辨率的遥感影像,并基于所述遥感影像计算水稻的不同生长期的归一化植被指数和归一化水体指数;基于所述水稻的不同生长期的归一化植被指数建立水稻的物候曲线;基于所述物候曲线初步确定所述水稻的种植区域;基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻在各生长期的归一化水稻指数;基于所述水稻在各生长期的归一化水稻指数确定水稻信息指数;基于所述水稻信息指数计算所述水稻在所述种植区域的面积。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的综合物候和遥感大数据的水稻种植及其面积估算方法,该方法包括:获取所述水稻的不同生长期的高时间分辨率和高空间分辨率的遥感影像,并基于所述遥感影像计算水稻的不同生长期的归一化植被指数和归一化水体指数;基于所述水稻的不同生长期的归一化植被指数建立水稻的物候曲线;基于所述物候曲线初步确定所述水稻的种植区域;基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻在各生长期的归一化水稻指数;基于所述水稻在各生长期的归一化水稻指数确定水稻信息指数;基于所述水稻信息指数计算所述水稻在所述种植区域的面积。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的综合物候和遥感大数据的水稻种植及其面积估算方法,该方法包括:获取所述水稻的不同生长期的高时间分辨率和高空间分辨率的遥感影像,并基于所述遥感影像计算水稻的不同生长期的归一化植被指数和归一化水体指数;基于所述水稻的不同生长期的归一化植被指数建立水稻的物候曲线;基于所述物候曲线初步确定所述水稻的种植区域;基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻在各生长期的归一化水稻指数;基于所述水稻在各生长期的归一化水稻指数确定水稻信息指数;基于所述水稻信息指数计算所述水稻在所述种植区域的面积。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种综合物候和遥感大数据的水稻种植及其面积估算方法,其特征在于,包括:
获取所述水稻的不同生长期的高时间分辨率和高空间分辨率的遥感影像,并基于所述遥感影像计算水稻的不同生长期的归一化植被指数和归一化水体指数;
基于所述水稻的不同生长期的归一化植被指数建立水稻的物候曲线;
基于所述物候曲线初步确定所述水稻的种植区域;
基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻在各生长期的归一化水稻指数;
基于所述水稻在各生长期的归一化水稻指数确定水稻信息指数;
基于所述水稻信息指数计算所述水稻在所述种植区域的面积。
2.根据权利要求1所述的综合物候和遥感大数据的水稻种植及其面积估算方法,其特征在于,所述基于所述物候曲线初步确定所述水稻的种植区域,包括:
基于所述遥感影像的归一化植被指数和所述物候曲线确定作物识别指数;
在所述作物识别指数大于或等于设定阈值的情况下,初步确定所述遥感影像的种植区域。
4.根据权利要求1所述的综合物候和遥感大数据的水稻种植及其面积估算方法,其特征在于,所述基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻在各生长期的归一化水稻指数,包括:
基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻的各生长期的水稻信息提取指数;
基于生长期内测量的水稻信息提取指数,以及生长期内所述水稻信息提取指数的最大值、最小值,确定所述水稻在各生长期的归一化水稻指数。
5.根据权利要求4所述的综合物候和遥感大数据的水稻种植及其面积估算方法,其特征在于,
所述基于所述水稻的不同生长期的归一化植被指数和归一化水体指数确定所述水稻的各生长期的水稻信息提取指数,通过以下公式计算:
其中,RI为水稻信息提取指数,NDVI表示不同生长期的归一化植被指数,NDWI表示不同生长期的归一化水体指数;
所述基于生长期内测量的水稻信息提取指数,以及生长期内所述水稻信息提取指数的最大值、最小值,确定所述水稻在各生长期的归一化水稻指数,通过以下公式计算:
其中,DNRI为归一化水稻指数,取值范围为0-1;RImax为水稻信息提取指数的最大值;RImin为水稻信息提取指数的最小值;RI生长期内实际观测的水稻信息提取指数。
6.根据权利要求1所述的综合物候和遥感大数据的水稻种植及其面积估算方法,其特征在于,所述基于所述水稻在各生长期的归一化水稻指数确定水稻信息指数包括:
基于所述水稻在成熟期的归一化水稻指数、除去成熟期外至少一个生长期的归一化水稻指数,以及所述水稻分别在插秧期和成熟期的时间节点,确定所述水稻的水稻成熟指数;
基于所述水稻在成熟期的归一化水稻指数、所述水稻在插秧期的归一化水稻指数、除去成熟期和插秧期外至少一个生长期的归一化水稻指数,以及所述水稻分别在插秧期和成熟期的时间节点,确定所述水稻的作物生长线指数;
基于所述水稻成熟指数和所述作物生长线指数确定所述水稻在目标生长期的水稻信息指数。
7.根据权利要求6所述的综合物候和遥感大数据的水稻种植及其面积估算方法,其特征在于,所述基于所述水稻在成熟期的归一化水稻指数、除去成熟期外至少一个生长期的归一化水稻指数,以及所述水稻分别在插秧期和成熟期的时间节点,确定所述水稻的水稻成熟指数,通过以下公式计算:
其中,RGIin表示水稻成熟指数;DNRItn表示水稻成熟期的归一化水稻指数;tn为成熟期的时间节点;t1表示插秧期的时间节点;DNRIi表示不同生长期的归一化水稻指数;Δti表示第i个时间段;i表示时间节点数,n表示成熟期的时间节点数;
所述基于所述水稻在成熟期的归一化水稻指数、所述水稻在插秧期的归一化水稻指数、除去成熟期和插秧期外至少一个生长期的归一化水稻指数,以及所述水稻分别在插秧期和成熟期的时间节点,确定所述水稻的作物生长线指数,通过以下公式计算:
其中,RMI表示作物生长线指数;DNRItn表示水稻成熟期的归一化水稻指数;DNRIt1表示水稻插秧期的归一化水稻指数;t表示为成熟期的时间节点;t1表示插秧期的时间节点;DNRIi表示不同生长期的归一化水稻指数;Δti表示第i个时间段;i表示时间节点数,n表示成熟期的时间节点数。
8.根据权利要求1所述的综合物候和遥感大数据的水稻种植及其面积估算方法,其特征在于,所述基于所述水稻信息指数计算所述水稻在所述种植区域的面积,包括:
基于所述水稻信息指数和预设阈值确定遥感像元水稻占比指数;
基于所述种植区域内的各像元面积和所述遥感像元水稻占比指数,计算所述水稻在所述种植区域的面积。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述的综合物候和遥感大数据的水稻种植及其面积估算方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的综合物候和遥感大数据的水稻种植及其面积估算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211154168.9A CN115526927A (zh) | 2022-09-21 | 2022-09-21 | 综合物候和遥感大数据的水稻种植及其面积估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211154168.9A CN115526927A (zh) | 2022-09-21 | 2022-09-21 | 综合物候和遥感大数据的水稻种植及其面积估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526927A true CN115526927A (zh) | 2022-12-27 |
Family
ID=84698864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211154168.9A Pending CN115526927A (zh) | 2022-09-21 | 2022-09-21 | 综合物候和遥感大数据的水稻种植及其面积估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526927A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-09-21 CN CN202211154168.9A patent/CN115526927A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|
Santesteban et al. | High-resolution UAV-based thermal imaging to estimate the instantaneous and seasonal variability of plant water status within a vineyard | |
CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
CN113009485A (zh) | 一种基于改进植被指数的遥感烟田识别方法 | |
CA2656595A1 (en) | Remote sensing and probabilistic sampling based forest inventory method | |
CN114782838B (zh) | 水稻识别方法、装置、电子设备和存储介质 | |
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 | |
CN113029971A (zh) | 一种作物冠层氮素监测方法及系统 | |
CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
CN115526927A (zh) | 综合物候和遥感大数据的水稻种植及其面积估算方法 | |
CN113609910A (zh) | 基于遥感影像的冬小麦生长前期空间分布监测方法及装置 | |
CN113421273B (zh) | 林草搭配信息遥感提取方法及装置 | |
CN112418050B (zh) | 退耕地信息遥感识别方法及装置 | |
CN114419367A (zh) | 一种农作物高精度制图方法及系统 | |
CN112861712B (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
CN113125383A (zh) | 基于遥感的农耕用地次生盐渍化监测和预警方法和系统 | |
Tang et al. | Non-productive vine canopy estimation through proximal and remote sensing | |
CN115527111A (zh) | 水稻种植信息及复种指数遥感提取方法、装置及设备 | |
CN111815612A (zh) | 一种基于物联网的红枣病虫预测系统 | |
CN111582035A (zh) | 一种果树树龄识别方法、装置、设备及存储介质 | |
CN110059890A (zh) | 县域尺度农业洪涝监测方法及系统 | |
CN115690580A (zh) | 一种玉米倒伏遥感监测方法、系统、电子设备及介质 | |
CN113514402B (zh) | 一种冬小麦叶绿素含量的预测系统及方法 | |
Chakraborty et al. | Early almond yield forecasting by bloom mapping using aerial imagery and deep learning | |
Johansen et al. | Multi-temporal assessment of lychee tree crop structure using multi-spectral RPAS imagery |
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 |