CN115631414A - 农作物种植分布地块识别方法、装置及设备 - Google Patents
农作物种植分布地块识别方法、装置及设备 Download PDFInfo
- Publication number
- CN115631414A CN115631414A CN202211273034.9A CN202211273034A CN115631414A CN 115631414 A CN115631414 A CN 115631414A CN 202211273034 A CN202211273034 A CN 202211273034A CN 115631414 A CN115631414 A CN 115631414A
- Authority
- CN
- China
- Prior art keywords
- planting
- crop
- suspected
- plot
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000003287 optical effect Effects 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims description 40
- 244000038559 crop plants Species 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 27
- 238000005192 partition Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 14
- 239000002689 soil Substances 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 5
- 241000209094 Oryza Species 0.000 description 59
- 235000007164 Oryza sativa Nutrition 0.000 description 50
- 235000009566 rice Nutrition 0.000 description 50
- 238000005516 engineering process Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 14
- 238000003860 storage Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000001914 filtration Methods 0.000 description 9
- 241000196324 Embryophyta Species 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000009499 grossing Methods 0.000 description 7
- 238000009825 accumulation Methods 0.000 description 6
- 238000009313 farming Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 235000013339 cereals Nutrition 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000009331 sowing Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013316 zoning Methods 0.000 description 2
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 244000299507 Gossypium hirsutum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (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
本申请实施例提供一种农作物种植分布地块识别方法、装置及设备,其中,方法包括:获取被测区域对应的SAR时序数据、高分辨率遥感影像数据及时序光学数据;基于所述SAR时序数据,结合所述被测区域不同农作物种植物候分区对应的物候特点,确定所述被测区域中的疑似农作物种植区;基于所述高分辨率遥感影像数据,从所述被测区域中确定农业种植地块;对所述疑似农作物种植区的分布图和所述农业种植地块的分布图进行叠加处理,得到疑似农作物种植地块分布图;基于所述疑似农作物种植地块分布图和所述时序光学数据,确定所述农作物的种植分布地块分布图。
Description
技术领域
本申请实施例涉及遥感技术领域,涉及但不限于一种农作物种植分布地块识别方法、装置及设备。
背景技术
粮食不仅是重要的商品,更是国家重要的战略物资,其重要性不言而喻。稳定粮食播种面积和提高粮食产量是保障国家粮食安全和社会稳定的硬任务。因此,农业主管部门对精准、全面和及时的粮食生产信息的需求越发迫切,以确保决策的科学有效且准确。众所周知,遥感技术是精细农业中最重要的监测技术手段之一。在我国,水稻是重要的粮食作物之一,我国有60%以上人口以稻米为主食,因此,水稻遥感监测具有重要的实用价值。
当前,遥感技术开展水稻种植监测,主要是利用多时相遥感影像上水稻所呈现出来的典型光谱特征及其变化来提取水稻的种植面积。其中光学影像的利用比较广泛,且精度相对较高。但在山地区域,由于气象条件影响,往往存在关键生育期影像缺失等问题,逐渐发展为基于合成孔径雷达(SAR,Synthetic Aperture Radar)像的水稻种植识别技术。近年来,又发展为综合利用光学和SAR影像各自优势的水稻识别方法。
但是,在相关技术中,采用单一的SAR时序数据或高分辨率遥感影像数据,易受云、雨雪等恶劣天气条件的影响,无法精准地获取所需的影像数据,此外,也会造成水稻生长周期和关键生育期的影像数据缺失,极大地限制了水稻遥感识别技术的应用。因此,相关技术中的方案不能快速准确的提取水稻种植分布地块分布图。
发明内容
本申请实施例提供一种农作物种植分布地块识别方法、装置及设备。
本申请实施例的技术方案是这样实现的:
本申请实施例提供一种农作物种植分布地块识别方法,所述方法包括:
获取被测区域对应的SAR时序数据、高分辨率遥感影像数据及时序光学数据;基于所述SAR时序数据,结合所述被测区域中不同农作物种植物候分区对应的物候特点,确定所述被测区域中的疑似农作物种植区;基于所述高分辨率遥感影像数据,从所述被测区域中确定农业种植地块;对所述疑似农作物种植区的分布图和所述农业种植地块的分布图进行叠加处理,得到疑似农作物种植地块分布图;基于所述疑似农作物种植地块分布图和所述时序光学数据,确定所述农作物的种植分布地块分布图。
在一些实施例中,在获取被测区域对应的SAR时序数据、高分辨率遥感影像数据及时序光学数据之前,方法还包括:获取所述被测区域的区域属性参数,其中所述区域属性参数包括:地形数据、气候数据和土壤母质数据;基于所述区域属性参数,将所述被测区域划分为多个农作物种植物候分区。
在一些实施例中,所述基于所述SAR时序数据,结合所述被测区域中不同农作物种植物候分区对应的物候特点,确定所述被测区域中疑似农作物种植区,包括:获取所述多个农作物种植物候分区中的每一农作物种植物候分区的SAR时序数据;基于每一所述农作物种植物候分区的SAR时序数据,确定所述农作物种植物候分区中每一像元在每一时间点对应的后向散射系数特征;基于每一时间点对应的所述后向散射系数特征,构建每一所述农作物种植物候分区中所有像元的特征时序曲线;基于所述特征时序曲线,从每一农作物种植物候分区中确定疑似农作物种植像元;将相邻的多个疑似农作物种植像元构成的种植区,确定为疑似农作物种植区。
在一些实施例中,所述基于所述特征时序曲线,从每一农作物种植物候分区中确定疑似农作物种植像元,包括:确定每一所述特征时序曲线对应的斜率变化特征;获取预设的斜率变化阈值;将所述斜率变化特征大于所述斜率变化阈值的每一像元,确定为所述疑似农作物种植像元。
在一些实施例中,所述基于所述高分辨率遥感影像数据,从所述被测区域中确定农业种植地块,包括:基于所述高分辨率遥感影像数据,提取所述被测区域中的地块边界信息;基于所述地块边界信息,构建所述被测区域的多边形矢量图;基于所述多边形矢量图,从所述被测区域中确定所述农业种植地块。
在一些实施例中,所述疑似农作物种植地块分布图中包括多个疑似农作物种植地块;所述基于所述疑似农作物种植地块分布图和所述时序光学数据,确定所述农作物的种植分布地块分布图,包括:将所述疑似农作物种植地块分布图与时序光学数据对应的影像进行叠加处理,得到每一疑似农作物种植地块的地块特征随时间变化的地块时序曲线;基于所述地块时序曲线,确定所述农作物的种植分布地块分布图。
在一些实施例中,所述基于所述地块时序曲线,确定所述农作物的种植分布地块分布图,包括:从样本数据集中获取农作物的样本时序曲线;确定每一疑似农作物种植地块的地块时序曲线与所述样本时序曲线之间的曲线相似度;将所述曲线相似度大于相似度阈值的疑似农作物种植地块,确定为所述农作物的种植分布地块;基于所述农作物的种植分布地块,构建所述种植分布地块分布图。
在一些实施例中,方法还包括:将每一疑似农作物种植地块的所述曲线相似度确定为所述疑似农作物种植地块判别时的置信度;将所述置信度大于置信度阈值的疑似农作物种植地块,确定为扩充样本;将所述扩充样本对应的地块时序曲线,添加至所述样本数据集中。
本申请实施例提供一种农作物种植分布地块识别装置,所述装置包括:
获取模块,用于获取被测区域对应的SAR时序数据、高分辨率遥感影像数据及时序光学数据;确定模块,用于基于所述SAR时序数据,结合所述被测区域中不同农作物种植物候分区对应的物候特点,确定所述被测区域中的疑似农作物种植区;所述确定模块,还用于基于所述高分辨率遥感影像数据,从所述被测区域中确定农业种植地块;叠加模块,用于对所述疑似农作物种植区的分布图和所述农业种植地块的分布图进行叠加处理,得到疑似农作物种植地块分布图;所述确定模块,还用于基于所述疑似农作物种植地块分布图和所述时序光学数据,确定所述农作物的种植分布地块分布图。
本申请实施例提供一种农作物种植分布地块识别设备,包括:
存储器,用于存储可执行指令;处理器,用于执行所述存储器中存储的可执行指令时,实现上述农作物种植分布地块识别方法。
本申请实施例提供一种计算机程序产品或计算机程序,计算机程序产品或计算机程序包括可执行指令,可执行指令存储在计算机可读存储介质中;其中,农作物种植分布地块识别的处理器从计算机可读存储介质中读取可执行指令,并执行可执行指令时,实现上述的农作物种植分布地块识别方法。
本申请实施例提供一种计算机可读存储介质,存储有可执行指令,用于引起处理器执行所述可执行指令时,实现上述农作物种植分布地块识别方法。
本申请实施例提供的农作物种植分布地块方法、装置及设备,基于SAR时序数据和高分辨率遥感影像数据,分别确定疑似农作物种植区和农业种植地块;之后,将疑似农作物种植区的分布图和农业种植地块的分布图进行叠加,得到疑似农作物种植地块分布图;再基于疑似农作物种植地块分布图和时序光学数据,确定农作物的种植分布地块分布图。如此,通过高分辨率遥感影像能够得到更精确的农业种植地块的分布图,提高了后续农作物种植分布地块分布图识别的精准度,同时,利用时间序列上的变化信息,也使得农作物种植分布地块的识别更符合自然规律和种植规律,进一步提高种植分布地块分布图的识别准确度。
附图说明
图1是本申请实施例提供的农作物种植分布地块识别系统的结构示意图;
图2是本申请实施例提供的农作物种植分布地块识别方法的流程示意图一;
图3是本申请实施例提供的农作物种植分布地块识别方法的流程示意图二;
图4是本申请实施例提供的农作物种植分布地块识别方法的流程示意图三;
图5是本申请实施例提供的农作物种植分布地块识别方法的流程示意图四;
图6是本申请实施例提供的特征时间序列曲线图的示意图;
图7是本申请实施例提供的斜率变化特征曲线图的示意图;
图8是本申请实施例提供的归一化植被指数重建曲线图的示意图;
图9是本申请实施例提供的农作物种植分布地块识别装置的组成结构示意图;
图10是本申请实施例提供的农作物种植分布地块识别设备的组成结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,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它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。除非另有定义,本申请实施例所使用的所有的技术和科学术语与属于本申请实施例的技术领域的技术人员通常理解的含义相同。本申请实施例所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
在相关技术中,对于农作物种植分布地块的识别通常存在以下几种问题:1)在单景光学影像上进行粗分类和分割,由于农作物存在不同的生长周期,因此在大面积被测区域的情况下,光学影像会表现出较大的光谱差异,使得粗分类结果的准确性以及分割得到的农作物识别对象的精确性受到较大的影响;2)由于种植位置、地形等各种因素的影响,被测区域的农作物的种植物候往往存在生长周期的差异,如山上农作物的生长周期和山下农作物的生长周期会相差一个月,如平坦地区农作物的生长周期和崎岖地区农作物的生长周期会相差半个月,导致关键生育期也相差较大,同一时间的影像上的特征也不一致,从而直接导致确定关键生育期特征时会出现误判;3)通过随机抽取的方式获取关键生育期特征,具有较大的不确定性和随机性,对于识别结果的精度有较大的影响;4)对于敏感特征和关键生育期特征,分别通过机器学习方法进行农作物识别,但对识别结果的进一步处理并没有涉及到。
基于相关技术中存在的上述至少一个问题,本申请实施例提供一种农作物种植分布地块识别方法,基于SAR时序数据和高分辨率遥感影像数据,分别确定疑似农作物种植区和农业种植地块;之后,将疑似农作物种植区的分布图和农业种植地块的分布图进行叠加,得到疑似农作物种植地块分布图;再基于疑似农作物种植地块分布图和时序光学数据,确定农作物的种植分布地块分布图。如此,通过高分辨率遥感影像能够得到更精确的农业种植地块的分布图,提高了后续农作物种植分布地块分布图识别的精准度,同时,利用时间序列上的变化信息,也使得农作物种植分布地块的识别更符合自然规律和种植规律,进一步提高种植分布地块分布图的识别准确度。
下面说明本申请实施例的农作物种植分布地块识别设备的示例性应用,本申请实施例提供的农作物种植分布地块识别设备可以实施为终端,也可以实施为服务器。在一种实现方式中,本申请实施例提供的农作物种植分布地块识别设备可以实施为笔记本电脑,平板电脑,台式计算机,移动设备等各种类型的终端;在另一种实现方式中,本申请实施例提供的农作物种植分布地块识别设备还可以实施为服务器,其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN,Content Delivery Network)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例中不做限制。下面,将说明农作物种植分布地块识别设备实施为服务器时的示例性应用。
参加图1,图1是本申请实施例提供的农作物种植分布地块识别系统的结构示意图。为实现对农作物种植分布地块的识别,本申请实施例可以提供一农作物种植分布地块识别平台,该农作物种植分布地块识别平台可以实施为一农作物种植分布地块识别应用。本申请实施例提供的农作物种植分布地块识别系统10中包括终端100、网络200和服务器300,其中,服务器300是农作物种植分布地块识别应用的服务器。服务器300可以构成本申请实施例的农作物种植分布地块识别设备。终端100通过网络200连接服务器300,网络200可以是广域网或者局域网,又或者是二者的组合。
在一些实施例中,请参照图1,在进行农作物种植分布地块识别时,终端100通过网络200将被测区域的遥感影像数据发送给服务器300,其中,遥感影像数据至少包括以下类型的数据:被测区域对应的SAR时序数据、高分辨率遥感影像数据及时序光学数据。服务器300基于SAR时序数据,结合被测区域中不同农作物种植物候分区对应的物候特点,确定被测区域中的疑似农作物种植区;并基于高分辨率遥感影像数据,从被测区域中确定农业种植地块;然后,对疑似农作物种植区的分布图和农业种植地块的分布图进行叠加处理,得到疑似农作物种植地块分布图;最后,基于疑似农作物种植地块分布图和时序光学数据,确定农作物的种植分布地块分布图。服务器300在得到农作物的种植分布地块分布图后,通过网络200将种植分布地块分布图发送给终端,从而实现对农作物的种植分布地块进行识别。
本申请实施例所提供的农作物种植分布地块识别方法还可以基于云平台并通过云技术来实现,例如,上述服务器300可以是云端服务器。通过云端服务器确定农作物的种植分布地块分布图。
这里需要说明的是,云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。云技术基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。
本申请实施例提供一种农作物种植分布地块识别方法,参见图2,图2是本申请实施例提供的农作物种植分布地块识别方法的流程示意图一,将结合图2示出的步骤进行说明。
步骤S201,获取被测区域对应的SAR时序数据、高分辨率遥感影像数据及时序光学数据。
在一些实施例中,被测区域的种植物包括但不限于水稻、小麦、油菜等任意一种类型的农作物,本申请实施例可以是对水稻的种植分布地块进行识别。
在一些实施例中,SAR合成孔径雷达是利用合成孔径原理,实现高分辨的微波成像,具备全天时、全天候、高分辨、大幅宽等多种特点。SAR是分辨率较高的相干成像雷达系统,SAR是通过天线给物体发射能量,同时也通过SAR接收能量,全部的能量都通过电子设备记录下来,最后形成图像。SAR时序数据指的是一定时间段内高频次形成一个时间序列内的雷达影像数据集。高分辨率遥感影像数据指的是小于特定精确度的遥感影像数据集,例如,特定精确度可以是5米。在本申请实施例中,由于被测区域的地块可以是不连续分布的多个小面积地块形成的区域,因此小于特定精确度的遥感影像数据集还可以是小于0.8至1米的遥感影像数据集。时序光学数据指的是来自多个卫星的光学遥感时间序列数据集。
在一些实施例中,服务器在获取被测区域的SAR时序数据、高分辨率遥感影像数据及时序光学数据之前,可以对SAR时序影像数据、高分辨率遥感影像数据及时序光学影像数据进行大气校正和几何校正处理,以提高遥感影像数据的精准性。这里,大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映,其中包含了由大气吸收,尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差,反演地物真实的表面反射率的过程。几何校正指通过一系列的数学模型来改正和消除遥感影像成像时因摄影材料变形、物镜畸变、大气折光、地球曲率、地球自转、地形起伏等因素导致的原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中的表达要求不一致时产生的变形。
在一些实施例中,服务器可以获取用户输入的被测区域的SAR时序数据、高分辨率遥感影像数据及时序光学数据,服务器也可以直接从数据库中获取被测区域的SAR时序数据、高分辨率遥感影像数据及时序光学数据。
步骤S202,基于SAR时序数据,结合被测区域中不同农作物种植物候分区对应的物候特点,确定被测区域中的疑似农作物种植区。
在一些实施例中,农作物种植物候分区可以是基于被测区域的区域属性参数,通过地方农作物的农业生产特点,开展地理分区。可以基于上述区域属性参数,将被测区域划分为多个内部具有相对一致生长周期和关键生育期的多个物候分区,即划分成多个农作物种植物候分区。这里,区域属性参数可以包括但不限于以下几种类型数据,例如:地形数据、气候数据和土壤母质数据。
在一些实施例中,疑似农作物种植区可以理解为是服务器基于SAR时序数据对被测区域进行划分之后得到的最有可能种植农作物的区域,也就是说,可以从划分得到的多个农作物种植物候分区中,每个农作物种植物候分区都可以选择出疑似农作物种植区和非农作物种植区。这里,疑似农作物种植区可以是一个或者多个农作物种植物候分区中的一部分。
步骤S203,基于高分辨率遥感影像数据,从被测区域中确定农业种植地块。
在一些实施例中,农业种植地块可以理解为是服务器基于高分辨率遥感影像数据对被测区域进行划分,去除明确是建筑物、道路、森林、水等其他对象的区域之后得到的农业种植地块。
步骤S204,对疑似农作物种植区的分布图和农业种植地块的分布图进行叠加处理,得到疑似农作物种植地块分布图。
在一些实施例中,疑似农作物种植地块可以理解为相对于疑似农作物种植区而言,区域范围更小,精度更准确的、有明确地块边界,且最有可能种植农作物的区域。
在本申请实施例中,服务器将疑似农作物种植区的分布图和农业种植地块的分布图进行叠加处理,得到了较为精准的疑似农作物种植地块分布图。叠加处理指的是将疑似农作物种植区的分布图和农业种植地块的分布图进行重合之后,确定出疑似农作物种植区和农业种植地块中重合的部分区域,将重合的部分区域确定为疑似农作物种植地块。
步骤S205,基于疑似农作物种植地块分布图和时序光学数据,确定农作物的种植分布地块分布图。
在本申请实施例中,服务器可以基于上述步骤S204获得的疑似农作物种植地块分布图和时序光学数据,确定出农作物的种植分布地块分布图。
本申请实施例提供的农作物种植分布地块方法,基于SAR时序数据和高分辨率遥感影像数据,分别确定疑似农作物种植区和农业种植地块;之后,将疑似农作物种植区的分布图和农业种植地块的分布图进行叠加,得到疑似农作物种植地块分布图;再基于疑似农作物种植地块分布图和时序光学数据,确定农作物的种植分布地块分布图。如此,通过高分辨率遥感影像能够得到更精确的农业种植地块的分布图,提高了后续农作物种植分布地块分布图识别的精准度,同时,利用时间序列上的变化信息,也使得农作物种植分布地块的识别更符合自然规律和种植规律,进一步提高种植分布地块分布图的识别准确度。
在一些实施例中,在获取被测区域对应的SAR时序数据、高分辨率遥感影像数据及时序光学数据之前,可以基于被测区域的区域属性参数,将被测区域划分为多个农作物种植物候分区,以保证每一农作物种植物候分区内部具有相对一致的生长周期和关键生育期,例如,每一农作物种植物候分区内具有相对一致的移栽期、播种期、齐穗期和成熟期等。基于前述实施例,本申请实施例提供一种农作物种植分布地块识别方法,该农作物种植分布地块识别方法可以由服务器执行,图3是本申请实施例提供的农作物种植分布地块识别方法的流程示意图二,如图3所示,在执行步骤S201之前,还可以执行步骤S301至步骤S302。
步骤S301,服务器获取被测区域的区域属性参数,其中区域属性参数包括:地形数据、气候数据和土壤母质数据。
在一些实施例中,地形数据指的是能够表示地球表面高低起伏状态的数据,即具有高程信息的数据。气候数据指的是能够表示环境气候变化状态的数据,即具有温度信息的数据。土壤母质指的是岩石风化后形成的疏松碎屑物,是土壤矿物质的来源,其矿物组成、化学组成及机械组成(颗粒大小),影响了土壤的形成和性质。
步骤S302,服务器基于区域属性参数,将被测区域划分为多个农作物种植物候分区。
在一些实施例中,首先,服务器依据高程对温度等的影响,根据获取的地形数据,提取两种不同高度的等高线,从而将被测区域分为三个高程区间;其次,服务器结合多年的每日气象数据,计算有效年积温和平均气温,提取农作物最低有效积温的有效年积温线和农作物移栽最低温度的均温线,将有效年积温线和均温线作为物候分区的依据;最后,将基于地形数据分区后的分区图、基于气候数据分区后的分区图和基于土壤母质数据分区后的分区图进行叠加处理,从而得到划分后的多个农作物种植物候分区的分区图。
在一些实施例中,有效年积温指的是一年内日平均气温≥10℃持续期间日平均气温的总和,即活动温度总和。
本申请实施例中,基于区域属性参数对被测区域进行农作物种植物候分区,通过直接利用农作物生长环境要素(温度、热量和土壤)将大范围的被测区域进行划分,使得划分后的小区域内部农作物的种植和生长过程基本保持一致,避免了由于农作物处于不同的生长期表现出的光谱差异引起的的农作物种植分布地块的精准度。
请继续参照图3,在一些实施例中,步骤S202可以通过步骤S303至步骤S307实现:
步骤S303,服务器获取多个农作物种植物候分区中的每一农作物种植物候分区的SAR时序数据。
在本申请实施例中,针对存在不同生长周期和关键生育期的农作物种植物候分区,服务器可以获取在同一生长周期和关键生育期的农作物种植物候分区的SAR时序数据。
步骤S304,服务器基于每一农作物种植物候分区的SAR时序数据,确定农作物种植物候分区中每一像元在每一时间点对应的后向散射系数特征。
在一些实施例中,像元指的是服务器在进行SAR时序数据采集(如扫描成像),是传感器对地面景物进行扫描采样的最小单元;在数字图像处理中,像元是对模拟影像进行扫描数字化时的采样点,是构成遥感数字图像的基本单元,是遥感成像过程中的采样点。
在本申请实施例中,服务器基于上述获取的SAR时序数据,计算出每一时间点对应的向后散射系数特征。将在下文中详细解释计算每一时间点对应的向后散射系数特征的过程。
步骤S305,服务器基于每一时间点对应的后向散射系数特征,构建每一农作物种植物候分区中所有像元的特征时序曲线。
在一些实施例中,服务器可以将每一点对应的后向散射系数特征,表征在横坐标为生长时间轴,纵坐标为后向散射系数的曲线图中,由于在实际应用中遥感数据的不稳定性会造成一定程度的波动,因此会进行滤波平滑处理,这里,可以采用Savizky-Glolay滤波拟合法进行滤波平滑处理,从而得到较为精准的特征时序曲线。通常情况下,为了保证SAR时序数据的连续性与完整性,可以通过滤波平滑SAR时序数据中的异常点,得到符合农作物实际生长规律的特征时序曲线。
在一些实施例中,采用Savizky-Glolay滤波拟合法能够有效去除噪声,提高SAR时序数据的质量,同时能够保留农作物生长周期内的关键生育期和生长周期。
步骤S306,服务器基于特征时序曲线,从每一农作物种植物候分区中确定疑似农作物种植像元。
步骤S307,服务器将相邻的多个疑似农作物种植像元构成的种植区,确定为疑似农作物种植区。
在一些实施例中,上述步骤S307可以通过以下方式实现:首先,服务器确定每一特征时序曲线对应的斜率变化特征,并且,服务器获取预设的斜率变化阈值。然后,服务器将斜率变化特征大于斜率变化阈值的每一像元,确定为疑似农作物种植像元。
这里,特征时序曲线的斜率变化可以通过特征时序曲线上任一时间点的切线的斜率k来表征。对于任一直线L,该直线L的斜率公式可以是:k=(y2-y1)/(x2-x1)。如果直线L与x轴垂直,直角的正切值无穷大,故此直线L不存在斜率;当直线L的斜率存在时,对于一次函数y=kx+b(斜截式),k即该函数图像(直线)的斜率。也就是说,特征时序曲线对应的斜率变化特征可以是后一个时间点的曲线斜率与前一个时间点的曲线斜率的差值,即斜率变化特征为k2-k1。
在一些实施例中,服务器可以获取预先存储的斜率变化阈值,将获取的斜率变化特征与斜率变化阈值进行比对,以确定出疑似农作物种植区。这里,可以将斜率变化特征大于斜率变化阈值的农作物种植物候分区,确定为疑似农作物种植区。
在一些实施例中,可以基于高分辨率遥感影像数据,得到农业种植地块。基于前述实施例,本申请实施例提供一种农作物种植分布地块识别方法,该农作物种植分布地块识别方法可以由服务器执行,图4是本申请实施例提供的农作物种植分布地块识别方法的流程示意图三,如图4所示,步骤S203可以通过以下步骤S401至步骤S403实现:
步骤S401,服务器基于高分辨率遥感影像数据,提取被测区域中的地块边界信息。在一些实施例中,地块边界信息指的是农作物的边界形成地块的多边形矢量图。这里,提取地块边界信息指的是利用地块在遥感影像上的边缘、纹理等特征提取边缘线。在实际应用中,可以通过使用具有深度学习的模型进行地块边界信息的提取,其中,包括样本标注、模型训练、边缘特征提取等主要步骤。
步骤S402,服务器基于地块边界信息,构建被测区域的多边形矢量图。
步骤S403,服务器基于多边形矢量图,从被测区域中确定农业种植地块。
请继续参照图4,在一些实施例中,步骤S205可以通过以下步骤S404至步骤S405实现:
步骤S404,服务器将疑似农作物种植地块分布图与时序光学数据对应的影像进行叠加处理,得到每一疑似农作物种植地块的地块特征随时间变化的地块时序曲线。
步骤S405,服务器基于地块时序曲线,确定农作物的种植分布地块分布图。
在一些实施例中,地块特征可以是归一化植被指数、增强植被指数和像元的光谱值中的任意一种。当然,也可以是其他形式的植被指数,本申请实施例对此不作具体限定。
在一些实施例中,将上述得到的疑似农作物种植区的分布图与农业种植地块的分布图进行叠加处理,通过空间统计,当确定一地块多边形内50%以上的区域为疑似农作物种植区时,将该地块标记为疑似农作物种植地块;最后通过属性筛选,得到疑似农作物种植地块分布图。这里,属性筛选指的是在矢量图层里增加一个属性识别字段,这个属性识别字段用于识别多边形地块内是否存在50%以上的区域为疑似农作物种植区的区域,对于多边形地块内存在50%以上的区域为疑似农作物种植区的地块,那么将该地块的属性值标记为1,对于多边形地块内不存在50%的区域为疑似农作物种植区的地块,那么将该地块的属性值标记为0,然后,通过空间统计标记的属性值,将在属性识别字段中标记为1的多边形地块确定为疑似农作物种植地块。
在一些实施例中,上述步骤S405可以通过以下方式实现:
首先,服务器从样本数据集中获取农作物的样本时序曲线。然后,服务器确定每一疑似农作物种植地块的地块时序曲线与样本时序曲线之间的曲线相似度。再然后,服务器将曲线相似度大于相似度阈值的疑似农作物种植地块,确定为农作物的种植分布地块。最后,服务器基于农作物的种植分布地块,构建种植分布地块分布图。
这里,样本数据集指的是存储有多个样本时序曲线的数据集。样本时序曲线可以是由人工采集样本对应的特征时序曲线,也可以是历史数据中置信度最高的地块对应的特征时序曲线。当然,样本时序曲线也可以是通过其他方式确定的,本申请实施例对此不作具体限定。
在一些实施例中,相似度可以通过特定的算法确定,通常情况下,服务器可以根据地块时序曲线和样本时序曲线之间的最佳对齐曲线,来确定地块时序曲线和样本时序曲线之间的相似度。服务器可以直接获取农作物样本的归一化植被指数(NDVI,NormalizedDifference Vegetation Index)和增强植被指数(EVI,Enhanced Vegetation Index)的标准曲线。那么,地块时序曲线和样本时序曲线之间的相似度可以由每一疑似农作物种植地块的归一化植被指数时间序列和农作物样本的标准归一化植被指数时间序列的平方,加上每一疑似农作物种植地块的增强植被指数时间序列和农作物样本的标准增强植被指数的平方后,乘以2的负次方来确定。在确定地块时序曲线和样本时序曲线之间的相似度后,将该相似度与预设的相似度阈值进行比对,将大于相似度阈值的每一疑似农作物种植地块确定为农作物的种植分布地块。
在一些实施例中,当服务器确定出农作物的种植分布地块后,可以将之前得到的每一疑似农作物种植地块的曲线相似度作为每一疑似农作物种植地块的置信度;同时,将该置信度与预设的置信度阈值进行比对,将该置信度大于置信度阈值的每一疑似农作物种植地块,确定为扩充样本;最后,将该扩充样本所对应的地块时序曲线,添加至所述样本数据集中。
本申请实施例中,基于对特征时序曲线的相似度分析,能够实现样本的自动扩充,在很大程度上可以降低人工采集的工作量,加快农作物种植分布地块识别设备的迭代优化效率。同时,农作物在遥感影像上的特征随时间的变化趋势(即特征时序曲线),也表现出农作物的生长过程和农作物的物候特点。也就是说,特征时序曲线的相似度是能够表征每一疑似农作物种植地块上是农作物的概率,即特征时序曲线相似度高的地块可以作为农作物样本,特征时序曲线相似度低的地块是需要进行重点验证的地块。
下面,将说明本申请实施例在一个实际的应用场景中的示例性应用。
本申请实施例提供一种水稻种植分布地块识别方法,该水稻种植分布地块识别方法由服务器执行,图5是本申请实施例提供的水稻种植分布地块识别方法的流程示意图四,如图5所示,将结合图5示出的流程示意图进行说明。
步骤S501,服务器基于地形数据501、气候数据502和土壤母质数据503,对被测区域进行物候分区,确定水稻种植物候分区的分布图504。
在一些实施例中,服务器可以基于区域地形数据、气候数据和土壤母质数据,以及地方水稻农业生产特点对被测区域进行物候分区,将被测区域分成多个水稻种植物候分区。每个水稻种植物候分区内部具有一致的生长周期和关键生育期,例如泡田期、移栽期和收割等时期。
在一些实施例中,首先,服务器可以依据高程对温度等的影响,利用地形数据,提取400米和900米等高线,从而将被测区域分为400米以内、400至900米之间、900以上3个高程区间;其次,结合多年(目前使用10年的数据)每日气象数据,计算≥10摄氏度的有效年积温和平均气温,提取2000摄氏度的有效积温线和15摄氏度的均温线;最后,将地形分区的分布图、积温分区的分布图、均温分区的分布图和土壤母质分区的分布图进行叠加处理,确定出水稻种植物候分区图。
步骤S502,基于SAR时序数据505,确定疑似水稻种植区的分布图506。
在一些实施例中,首先,针对不同时期的水稻种植物候分区,如水稻泡田期和移栽期,服务器可以直接选择相应时期的水稻种植物候分区的SAR时序数据;然后,服务器可以计算每一个时间点SAR时序数据对应的后向散射系数特征;然后,基于同一位置的多个时间点的后向散射系数特征,构建后向散射系数特征的时间序列曲线;再然后,计算特征时序曲线的斜率变化特征;最后,将斜率变化特征与斜率变化阈值进行比对,以提取水稻移栽前后后向散射系数特征的特征时序曲线呈现下降-上升V形这一显著特点,那么,当出现下降-上升V形这一显著特点时,服务器将斜率变化特征大于斜率变化阈值的农作物种植物候分区,确定为疑似农作物种植区。
为了便于理解该特征时序曲线,图6对此进行了进一步地解释说明,图6为本申请实施例的特征时间序列曲线图的示意图。如图6所示,图中分别示出了单季水稻、双季水稻、城市和农村、森林和草原、玉米和大豆、棉花和花生、蔬菜、水产养殖和水的特征时序曲线。
请继续参照图6,图中箭头标记了单季水稻在播种移栽期出现了下降-上升V形的显著特点。水稻播种移栽期前后的特征时序曲线呈现出下降-上升V形这一显著特点,主要是由于水稻在种植过程中会存在泡田的情况,以及移栽后也存在大量的水。那么,基于SAR时序数据确定后向散射系数特征时,遇到水信号时,可以确定当前的后向散射系数特征值明显降低;当水稻生长一段时间后,从SAR时序影像上观测不到水时,可以确定当前的水信号有所下降,那么,当前的后向散射系数特征则会明显上升,所以形成了下降-上升V形的特点。
在一些实施例中,通常是利用特征时序曲线的曲线斜率变化特征来确定特征时序曲线的下降-上升V形特点,将存在这个下降-上升V形特点的地块确定为疑似水稻种植区。
在一些实施例中,服务器可以将每一时间点对应的后向散射系数特征,表征在横坐标为生长时间轴,纵坐标为后向散射系数的曲线图中,由于在实际应用中遥感数据的不稳定性会造成一定程度的波动,因此会进行滤波平滑处理,以得到较为精准的特征时序曲线。通常情况下,为了保证SAR时序数据的连续性与完整性,可以通过滤波平滑SAR时序数据中的异常点,得到符合农作物实际生长规律的特征时序曲线。
为了便于理解斜率变化特征曲线,图7对此进行了进一步地解释说明,图7为本申请实施例的斜率变化特征曲线图的示意图。
如图所示,特征时序曲线的斜率变化趋势可以通过特征时序曲线上任一时间点的切线的斜率k来描述。对于任一直线L,该直线L的斜率公式可以是:k=(y2-y1)/(x2-x1)。如果直线与x轴垂直,直角的正切值无穷大,故此直线不存在斜率;当直线的斜率存在时,对于一次函数y=kx+b(斜截式),k即该函数图像(直线)的斜率。那么,特征时间序列曲线的斜率差值是后一个时间点曲线斜率(例如6月10号在特征时序曲线上对应的点的斜率)与前一个时间点曲线斜率(例如5月10号在特征时序曲线上对应的点的斜率)的差值:k2-k1。
步骤S503,基于高分辨率遥感影像数据507,确定农业种植地块分布图508。
在本申请实施例中,服务器先基于高分辨率遥感影像数据,利用视觉的深度学习方法,分层提取农业种植地块的边界信息,确定出农业种植地块的分布图,之后,服务器将农业种植地块的分布图与疑似水稻种植区的分布图进行叠加处理,确定出疑似水稻种植地块的分布图。
在一些实施例中,首先,服务器基于小于1米的高分辨率遥感影像,通过机器视觉的语义分割(Semantic Segmentation)方法,例如U-NET、VGC16等模型,对农业种植地块边界信息进行提取;其次,通过矢量化处理和后处理工具得到农业种植地块分布地图。这里,语义分割指的是按照“语义”给图像上目标类别中的每一点打一个标签,使得不同种类的东西在图像上被区分开来,可以理解为像素级别的分类任务。
步骤S504,将疑似水稻种植区分布图506和农业种植地块分布图508进行叠加处理,确定疑似水稻种植地块分布图509。
在一些实施例中,将步骤S502中得到的疑似水稻种植区的分布图与农业种植地块的分布图进行叠加处理,通过空间统计,当确定一地块多边形内50%以上的区域为疑似农作物种植区时,将该地块标记为疑似农作物种植地块;最后通过属性筛选,得到疑似水稻种植地块分布图。这里,边界信息提取指的是利用地块在遥感影像上的边缘、纹理等特征提取边缘性。通常可以使用一些具有深度学习的模型进行地块边界信息的提取。这里,属性筛选指的是在矢量图层里增加一个属性识别字段,这个属性识别字段用于识别多边形地块内是否存在50%以上的区域为疑似农作物种植区的区域,对于多边形地块内存在50%以上的区域为疑似农作物种植区的地块,那么将该地块的属性值标记为1,对于多边形地块内不存在50%的区域为疑似农作物种植区的地块,那么将该地块的属性值标记为0,最后,通过空间统计标记的属性值,将在属性识别字段中标记为1的多边形地块确定为疑似农作物种植地块。
步骤S505,基于疑似水稻种植地块509与时序光学数据510,确定水稻种植分布地块分布图511。
在本申请实施例中,以疑似水稻种植地块为单元,基于时序光学数据,通过构建水稻的地块时序曲线,通过动态时间归整算法等方法计算每个地块时序曲线与样本时序曲线之间的相似度,基于该相似度进行水稻种植分布地块的提取。
在一些实施例中,首先,以水稻疑似种植地块多边形为约束条件,与每个时期对应的遥感影像叠加,计算完全在多边形内部的像元的光谱值和特征值(例如归一化植被指数NDVI、增强植被指数EVI等);其次,以水稻疑似种植地块为单元,构建每个单元的特征随时间变化的曲线,即地块时序曲线;然后,利用Savizky-Glolay滤波拟合法进行曲线的滤波平滑处理;最后,利用动态时间规整算法(DTW,Dynamic Time Warping)计算地块时序曲线与样本时序曲线之间的相似度,将得到的相似度与预设的相似度阈值进行比对,以确定出疑似农作物种植地块。这里,可以将相似度大于相似度阈值的疑似水稻种植地块确定为水稻种植分布地块。
这里,动态时间规整算法DTW是一种算法,可以根据地块时序曲线与样本时序曲线之间之间的最佳对齐曲线来计算地块时序曲线与样本时序曲线之间之间的相似度。也就是说,可以通过计算每一疑似水稻种植地块与归一化植被指数NDVI或增强植被指数EVI的标准曲线之间的DTW距离,如公式(1)所示,根据预设的DTW距离阈值,将高于DTW距离阈值的每一疑似水稻种植地块确定为水稻的种植分布地块。
其中,NDVIs1、EVIs1分别是每一疑似水稻种植地块的NDVI和EVI时间序列,NDVIs2、EVIs2分别是水稻样本的标准NDVI和EVI时间序列。
为了便于理解归一化植被指数重建曲线图,图8对此进行了进一步地解释说明,图8为本申请实施例的归一化植被指数重建曲线图的示意图。如图所示,图中分别示出了归一化植被指数观测值、归一化植被指数的关键时相点以及归一化植被指数重建曲线。
在一些实施例中,服务器可以将每一点对应的归一化植被指数特征,表征在横坐标为生长时间轴,纵坐标为归一化植被指数的曲线图中,由于在实际应用中遥感数据的不稳定性会造成一定程度的波动,因此会进行滤波平滑处理,以得到较为精准的归一化植被指数曲线。通常情况下,为了保证多源时序光学数据的连续性与完整性,可以通过滤波平滑多源时序光学数据中的异常点,得到符合农作物实际生长规律的归一化植被指数曲线。
在一些实施例中,服务器将地块时序曲线样本时序曲线之间的相似度大于相似度阈值的地块确定为水稻种植地块,同时将该相似度作为水稻的置信度输出。那么,将置信度高的地块作为扩充样本添加至样本数据集中,与人工采集样本输入,可以进行模型的迭代和结果的优化。
本申请实施例中,高分辨率遥感影像可以实现对地理对象单体的表征,通过利用影像的光谱、纹理和边缘特征,可以精确的提取农业种植的边界信息,形成更小范围的地理分析对象——地块。与利用分割方法得到的地块相比,本申请实施例提取到的地块更加精准,可以确保单元内是同一类农作物,有效减少了后续分析中由于混合像元等因素导致的精度降低的问题。本申请实施例中,在进行水稻种植物候分区的基础上,每个水稻种植物候分区内的水稻移栽、发育、收割整个过程关键发育期的时间区间成为一种先验数据,可以依据水稻种植物候分区选择关键识别时间期间的时间序列影像进行分析。例如,平原区的水稻移栽在3月至4月间完成,而海拔较高地区的水稻移栽在4月下到5月期间,可以选择对应时间段的SAR时序影像捕捉移栽这一关键期的重要特征,很大程度上降低了不同时间点具有相似特征的农作物的混分,以及由于物候差异导致的水稻错分。
图9是本申请实施例提供的农作物种植分布地块识别装置的组成结构示意图,如图9所示,农作物种植分布地块识别装置900包括:获取模块901,用于用于获取被测区域对应的SAR时序数据、高分辨率遥感影像数据及时序光学数据;确定模块902,用于基于所述SAR时序数据,结合所述被测区域中不同农作物种植物候分区对应的物候特点,确定所述被测区域中的疑似农作物种植区;所述确定模块902,还用于基于所述高分辨率遥感影像数据,从所述被测区域中确定农业种植地块;叠加模块903,用于对所述疑似农作物种植区的分布图和所述农业种植地块的分布图进行叠加处理,得到疑似农作物种植地块分布图;所述确定模块902,还用于基于所述疑似农作物种植地块分布图和所述时序光学数据,确定所述农作物的种植分布地块分布图。
在一些实施例中,农作物种植分布地块识别装置还包括:划分模块,用于获取所述被测区域的区域属性参数,其中所述区域属性参数包括:地形数据、气候数据和土壤母质数据;基于所述区域属性参数,将所述被测区域划分为多个农作物种植物候分区。
在一些实施例中,所述确定模块,还用于获取所述多个农作物种植物候分区中的每一农作物种植物候分区的SAR时序数据;基于每一所述农作物种植物候分区的SAR时序数据,确定所述农作物种植物候分区中每一像元在每一时间点对应的后向散射系数特征;基于每一时间点对应的所述后向散射系数特征,构建每一所述农作物种植物候分区中所有像元的特征时序曲线;基于所述特征时序曲线,从每一农作物种植物候分区中疑似农作物种植单元;将相邻的多个疑似农作物种植单元构成的种植区,确定为疑似农作物种植区。
在一些实施例中,所述确定模块,还用于确定每一所述特征时序曲线对应的斜率变化特征;获取预设的斜率变化阈值;将所述斜率变化特征大于所述斜率变化阈值的每一像元,确定为所述疑似农作物种植像元。
在一些实施例中,所述确定模块,还用于基于所述高分辨率遥感影像数据,提取所述被测区域中的地块边界信息;基于所述地块边界信息,构建所述被测区域的多边形矢量图;基于所述多边形矢量图,从所述被测区域中确定所述农业种植地块。
在一些实施例中,所述疑似农作物种植地块分布图中包括多个疑似农作物种植地块;所述确定模块,还用于将所述疑似农作物种植地块分布图与时序光学数据对应的影像进行叠加处理,得到每一疑似农作物种植地块的地块特征随时间变化的地块时序曲线;基于所述地块时序曲线,确定所述农作物的种植分布地块分布图。
在一些实施例中,所述确定模块,还用于从样本数据集中获取农作物的样本时序曲线;确定每一疑似农作物种植地块的地块时序曲线与所述样本时序曲线之间的曲线相似度;将所述曲线相似度大于相似度阈值的疑似农作物种植地块,确定为所述农作物的种植分布地块;基于所述农作物的种植分布地块,构建所述种植分布地块分布图。
在一些实施例中,农作物种植分布地块识别装置还包括:添加模块,用于将每一疑似农作物种植地块的所述曲线相似度确定为所述疑似农作物种植地块判别时的置信度;将所述置信度大于置信度阈值的疑似农作物种植地块,确定为扩充样本;将所述扩充样本对应的地块时序曲线,添加至所述样本数据集中。
需要说明的是,本申请实施例装置的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果,因此不做赘述。对于本装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的农作物种植分布地块识别方法,并作为独立的产品销售或使用时,也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,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台终端执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
对应的,本申请实施例提供一种农作物种植分布地块识别设备,图10是本申请实施例提供的农作物种植分布地块识别设备的组成结构示意图,如图10所示,所述农作物种植分布地块识别设备1000至少包括:处理器1001和配置为存储可执行指令的计算机可读存储介质1002,其中处理器1001通常控制所述农作物种植分布地块识别设备的总体操作。计算机可读存储介质1002配置为存储由处理器1001可执行的指令和应用,还可以缓存待处理器1001和农作物种植分布地块识别设备1000中各模块待处理或已处理的数据,可以通过闪存(FLASH)或随机访问存储器(Random Access Memory,RAM)实现。
本申请实施例提供一种存储有可执行指令的存储介质,其中存储有可执行指令,当可执行指令被处理器执行时,将引起处理器执行本申请实施例提供的方法,例如,如图2示出的方法。
在一些实施例中,存储介质可以是计算机可读存储介质,例如,铁电存储器(FRAM,Ferromagnetic Random Access Memory)、只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,Programmable Read Only Memory)、可擦除可编程只读存储器(E PROM,Erasable Programmable Read Only Memory)、带电可擦可编程只读存储器(EEPR OM,Electrically Erasable Programmable Read Only Memory)、闪存、磁表面存储器、光盘、或光盘只读存储器(CD-ROM,Compact Disk-Read Only Memory)等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。作为示例,可执行指令可被部署为在一个电子设备上执行,或者在位于一个地点的多个电子设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个电子设备上执行。
以上所述,仅为本申请的实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本申请的保护范围之内。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,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、方法或者装置不仅包括那些要素,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、方法或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。
以上所述,仅为本申请的实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种农作物种植分布地块识别方法,其特征在于,所述方法包括:
获取被测区域对应的SAR时序数据、高分辨率遥感影像数据及时序光学数据;
基于所述SAR时序数据,结合所述被测区域中不同农作物种植物候分区对应的物候特点,确定所述被测区域中的疑似农作物种植区;
基于所述高分辨率遥感影像数据,从所述被测区域中确定农业种植地块;
对所述疑似农作物种植区的分布图和所述农业种植地块的分布图进行叠加处理,得到疑似农作物种植地块分布图;
基于所述疑似农作物种植地块分布图和所述时序光学数据,确定所述农作物的种植分布地块分布图。
2.根据权利要求1所述的方法,其特征在于,在获取被测区域对应的SAR时序数据、高分辨率遥感影像数据及时序光学数据之前,所述方法还包括:
获取所述被测区域的区域属性参数,其中所述区域属性参数包括:地形数据、气候数据和土壤母质数据;
基于所述区域属性参数,将所述被测区域划分为多个农作物种植物候分区。
3.根据权利要求1所述的方法,其特征在于,所述基于所述SAR时序数据,结合所述被测区域中不同农作物种植物候分区对应的物候特点,确定所述被测区域中的疑似农作物种植区,包括:
获取所述多个农作物种植物候分区中的每一农作物种植物候分区的SAR时序数据;
基于每一所述农作物种植物候分区的SAR时序数据,确定所述农作物种植物候分区中每一像元在每一时间点对应的后向散射系数特征;
基于每一时间点对应的所述后向散射系数特征,构建每一所述农作物种植物候分区中所有像元的特征时序曲线;
基于所述特征时序曲线,从每一农作物种植物候分区中确定疑似农作物种植像元;
将相邻的多个疑似农作物种植像元构成的种植区,确定为疑似农作物种植区。
4.根据权利要求3所述的方法,其特征在于,所述基于所述特征时序曲线,从每一农作物种植物候分区中确定疑似农作物种植像元,包括:
确定每一所述特征时序曲线对应的斜率变化特征;
获取预设的斜率变化阈值;
将所述斜率变化特征大于所述斜率变化阈值的每一像元,确定为所述疑似农作物种植像元。
5.根据权利要求1所述的方法,其特征在于,所述基于所述高分辨率遥感影像数据,从所述被测区域中确定农业种植地块,包括:
基于所述高分辨率遥感影像数据,提取所述被测区域中的地块边界信息;
基于所述地块边界信息,构建所述被测区域的多边形矢量图;
基于所述多边形矢量图,从所述被测区域中确定所述农业种植地块。
6.根据权利要求1所述的方法,其特征在于,所述疑似农作物种植地块分布图中包括多个疑似农作物种植地块;
所述基于所述疑似农作物种植地块分布图和所述时序光学数据,确定所述农作物的种植分布地块分布图,包括:
将所述疑似农作物种植地块分布图与时序光学数据对应的影像进行叠加处理,得到每一疑似农作物种植地块的地块特征随时间变化的地块时序曲线;
基于所述地块时序曲线,确定所述农作物的种植分布地块分布图。
7.根据权利要求6所述的方法,其特征在于,所述基于所述地块时序曲线,确定所述农作物的种植分布地块分布图,包括:
从样本数据集中获取农作物的样本时序曲线;
确定每一疑似农作物种植地块的地块时序曲线与所述样本时序曲线之间的曲线相似度;
将所述曲线相似度大于相似度阈值的疑似农作物种植地块,确定为所述农作物的种植分布地块;
基于所述农作物的种植分布地块,构建所述种植分布地块分布图。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
将每一疑似农作物种植地块的所述曲线相似度确定为所述疑似农作物种植地块判别时的置信度;
将所述置信度大于置信度阈值的疑似农作物种植地块,确定为扩充样本;
将所述扩充样本对应的地块时序曲线,添加至所述样本数据集中。
9.一种农作物种植分布地块识别装置,其特征在于,所述装置包括:
获取模块,用于获取被测区域对应的SAR时序数据、高分辨率遥感影像数据及时序光学数据;
确定模块,用于基于所述SAR时序数据,结合所述被测区域中不同农作物种植物候分区对应的物候特点,确定所述被测区域中的疑似农作物种植区;
所述确定模块,还用于基于所述高分辨率遥感影像数据,从所述被测区域中确定农业种植地块;
叠加模块,用于对所述疑似农作物种植区的分布图和所述农业种植地块的分布图进行叠加处理,得到疑似农作物种植地块分布图;
所述确定模块,还用于基于所述疑似农作物种植地块分布图和所述时序光学数据,确定所述农作物的种植分布地块分布图。
10.一种农作物种植分布地块识别设备,其特征在于,包括:
存储器,用于存储可执行指令;处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至8任一项所述的农作物种植分布地块识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211273034.9A CN115631414A (zh) | 2022-10-18 | 2022-10-18 | 农作物种植分布地块识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211273034.9A CN115631414A (zh) | 2022-10-18 | 2022-10-18 | 农作物种植分布地块识别方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115631414A true CN115631414A (zh) | 2023-01-20 |
Family
ID=84907458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211273034.9A Pending CN115631414A (zh) | 2022-10-18 | 2022-10-18 | 农作物种植分布地块识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631414A (zh) |
-
2022
- 2022-10-18 CN CN202211273034.9A patent/CN115631414A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chong et al. | A review of remote sensing applications for oil palm studies | |
Avitabile et al. | Capabilities and limitations of Landsat and land cover data for aboveground woody biomass estimation of Uganda | |
Mäkisara et al. | The multi-source national forest inventory of Finland–methods and results 2013 | |
Kordi et al. | Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images | |
CN114387516B (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
CN111504425B (zh) | 一种估算干旱平原地区生态地下水位的方法及装置 | |
Herbei et al. | Processing and Use of Satellite Images in Order to Extract Useful Information in Precision Agriculture. | |
CN115222296A (zh) | 一种山地绿色覆盖指数动态变化遥感监测方法和系统 | |
Sakamoto et al. | Semi-automatic classification method for mapping the rice-planted areas of Japan using multi-temporal Landsat images | |
Toosi et al. | Citrus orchard mapping in Juybar, Iran: Analysis of NDVI time series and feature fusion of multi-source satellite imageries | |
Gebremedhin et al. | Deriving potential evapotranspiration from satellite-based reference evapotranspiration, Upper Tekeze Basin, Northern Ethiopia | |
Cheng et al. | Crop type classification with combined spectral, texture, and radar features of time-series Sentinel-1 and Sentinel-2 data | |
CN113076796B (zh) | 喀斯特石漠化的遥感制图方法及装置 | |
CN113570273A (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
Singla et al. | Spatiotemporal analysis of LANDSAT Data for Crop Yield Prediction. | |
Rana et al. | Optimizing the number of training areas for modeling above-ground biomass with ALS and multispectral remote sensing in subtropical Nepal | |
Álvarez-Martínez et al. | Can training data counteract topographic effects in supervised image classification? A sensitivity analysis in the Cantabrian Mountains (Spain) | |
Hailegiorgis | Remote Sensing analysis of summer time Evapotranspiration using SEBS algorithm | |
CN115631414A (zh) | 农作物种植分布地块识别方法、装置及设备 | |
Yelwa | Broadscale vegetation change assessment across Nigeria from coarse spatial and high temporal resolution AVHRR data | |
Al Faruq et al. | Analysis of forest cover changes using Landsat satellite imagery: a case study of the Madhupur Sal forest in Bangladesh | |
Gomez et al. | Sentinel-2 images to assess soil surface characteristics over a rainfed Mediterranean cropping system | |
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 | |
Ramachandra | Comparative assessment of techniques for bioresource monitoring using GIS and remote sensing | |
Szatmári et al. | The Role of Field Survey in the Identification of Farmland Abandonment in Slovakia Using Sentinel-2 Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |