CN115690580A - 一种玉米倒伏遥感监测方法、系统、电子设备及介质 - Google Patents
一种玉米倒伏遥感监测方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN115690580A CN115690580A CN202211328189.8A CN202211328189A CN115690580A CN 115690580 A CN115690580 A CN 115690580A CN 202211328189 A CN202211328189 A CN 202211328189A CN 115690580 A CN115690580 A CN 115690580A
- Authority
- CN
- China
- Prior art keywords
- lodging
- corn
- sentinel
- data
- period
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种玉米倒伏遥感监测方法、系统、电子设备及介质,属于遥感监测领域。该方法通过野外采样提取建模样本点处的哨兵数据;对建模样本点处的哨兵数据进行筛选和预处理,得到全时相的哨兵1号双极化数据和倒伏前哨兵2号光学影像数据,并据此计算玉米倒伏前归一化植被指数以及玉米灾害期和恢复期的最佳敏感参数差值,从而将所有建模样本点划分为低活力、中活力和高活力三个等级,并在每个等级下分别统计玉米灾害期和恢复期的最佳敏感参数差值的均值作为统计阈值,建立玉米倒伏监测决策树;根据玉米倒伏监测决策树确定所监测玉米种植区域的玉米倒伏程度。采用本发明方法能够对大区域的玉米倒伏情况进行监测,有效提高了监测精度。
Description
技术领域
本发明涉及遥感监测技术领域,特别是涉及一种玉米倒伏遥感监测方法、系统、电子设备及介质。
背景技术
玉米在生长季的倒伏现象,是限制玉米作物产量的一个重要因素。倒伏不仅会造成玉米产量的严重损失,并且大面积的倒伏不利于后期机械收获,还会造成收割成本的增加。快速、准确、大范围的玉米倒伏监测可以为农业管理提供及时的信息反馈,对减少玉米产量损失及经济效益损失都具有重要意义。传统的作物倒伏评估方法以专家现场目视评级和人工测量为主,具有一定的主观性,成本较高,时效性较低。基于遥感技术的监测是一种非实地、非接触式的监测方法,避免了大量人力消耗,可以简单高效地获取玉米实时倒伏情况。然而,现有应用遥感技术的倒伏监测方法往往存在以下不足:一方面,遥感数据的时空分辨率和光谱波段信息的相关性使得遥感数据的定量监测受到制约;另一方面,由于复杂的农田情况,使得倒伏发生前后光学数据的光学信息提取难度增加,且极端天气下,光学数据无法及时有效地获取;再一方面,SAR(SyntheticAperture Radar,合成孔径雷达)数据在农作物倒伏监测中的应用多面向地块尺度,在像元尺度或更大范围的应用中具有局限性。
发明内容
本发明的目的是提供一种玉米倒伏遥感监测方法、系统、电子设备及介质,能够对大区域的玉米倒伏情况进行监测,并有效提高监测精度。
为实现上述目的,本发明提供了如下方案:
一方面,本发明提供一种玉米倒伏遥感监测方法,包括:
通过野外采样获取存在不同倒伏程度玉米的野外样本点并提取建模样本点处的哨兵数据;所述不同倒伏程度玉米包括正常未倒伏玉米、轻度倒伏玉米以及重度倒伏玉米;所述哨兵数据包括哨兵1号雷达数据和哨兵2号光学影像数据;
对所述建模样本点处的哨兵数据进行筛选和预处理,得到预处理后的哨兵数据;所述预处理后的哨兵数据包括全时相的哨兵1号双极化数据和倒伏前哨兵2号光学影像数据;
根据所述倒伏前哨兵2号光学影像数据计算玉米倒伏前归一化植被指数;
根据所述全时相的哨兵1号双极化数据计算玉米灾害期和恢复期的最佳敏感参数差值;
根据所述玉米倒伏前归一化植被指数将所有建模样本点划分为低活力、中活力和高活力三个等级,并在每个等级下分别统计所述玉米灾害期和恢复期的最佳敏感参数差值的均值作为统计阈值;
根据所述统计阈值建立玉米倒伏监测决策树;
根据所述玉米倒伏监测决策树确定所监测玉米种植区域的玉米倒伏程度。
可选地,所述通过野外采样获取存在不同倒伏程度玉米的野外样本点并提取建模样本点处的哨兵数据,具体包括:
分别对正常未倒伏玉米、轻度倒伏玉米以及重度倒伏玉米所在的地块进行野外采样,作为野外样本点;
利用研究区的作物类型分布数据对所述野外样本点的哨兵数据进行掩膜处理,提取出研究区内所有玉米种植区域的哨兵数据作为建模样本点处的哨兵数据。
可选地,所述对所述建模样本点处的哨兵数据进行筛选和预处理,得到预处理后的哨兵数据,具体包括:
选取所述建模样本点处的倒伏前哨兵2号光学影像数据的红光波段和近红外波段数据,并进行云量筛选,获得倒伏前哨兵2号光学影像数据;
对所述建模样本点处的哨兵1号雷达数据中VV、VH以及VH/VV三种极化方式的后向散射系数进行全时相周期内的时间序列分析,选取雷达数据的VH极化波段数据并进行热噪声去除、辐射校正、地形校正以及5*5窗口的滤波处理,获得全时相的哨兵1号双极化数据。
可选地,所述根据所述倒伏前哨兵2号光学影像数据计算玉米倒伏前归一化植被指数,具体包括:
根据所述倒伏前哨兵2号光学影像数据,采用公式NDVI=(ρNIR-ρR)/(ρNIR+ρR)计算玉米倒伏前归一化植被指数NDVI;其中ρNIR和ρg分别为倒伏前哨兵2号光学影像数据中的近红外波段和红光波段。
可选地,所述根据所述全时相的哨兵1号双极化数据计算玉米灾害期和恢复期的最佳敏感参数差值,具体包括:
根据所述全时相的哨兵1号双极化数据,采用公式ΔσVH=σVH_倒伏期-σVH_倒伏前计算玉米灾害期的最佳敏感参数差值ΔσVH;σVH_倒伏期表示所述全时相的哨兵1号双极化数据中倒伏期VH极化波段的后向散射系数;σVH_倒伏前表示所述全时相的哨兵1号双极化数据中倒伏前VH极化波段的后向散射系数;
根据所述全时相的哨兵1号双极化数据,采用公式δσVH=σVH_恢复期-σVH_倒伏期计算玉米恢复期的最佳敏感参数差值δσVH;其中σVH_恢复期表示所述全时相的哨兵1号双极化数据中恢复期VH极化波段的后向散射系数。
可选地,所述根据所述玉米倒伏前归一化植被指数将所有建模样本点划分为低活力、中活力和高活力三个等级,具体包括:
若建模样本点的玉米倒伏前归一化植被指数NDVI<0.4,将建模样本点划分为低活力等级;若0.4<NDVI<0.6,将建模样本点划分为中活力等级;若NDVI>0.6,将建模样本点划分为高活力等级。
另一方面,本发明还提供一种玉米倒伏遥感监测系统,包括:
建模样本点哨兵数据提取模块,用于通过野外采样获取存在不同倒伏程度玉米的野外样本点并提取建模样本点处的哨兵数据;所述不同倒伏程度玉米包括正常未倒伏玉米、轻度倒伏玉米以及重度倒伏玉米;所述哨兵数据包括哨兵1号雷达数据和哨兵2号光学影像数据;
筛选和预处理模块,用于对所述建模样本点处的哨兵数据进行筛选和预处理,得到预处理后的哨兵数据;所述预处理后的哨兵数据包括全时相的哨兵1号双极化数据和倒伏前哨兵2号光学影像数据;
归一化植被指数计算模块,用于根据所述倒伏前哨兵2号光学影像数据计算玉米倒伏前归一化植被指数;
最佳敏感参数差值计算模块,用于根据所述全时相的哨兵1号双极化数据计算玉米灾害期和恢复期的最佳敏感参数差值;
阈值统计分析模块,用于根据所述玉米倒伏前归一化植被指数将所有建模样本点划分为低活力、中活力和高活力三个等级,并在每个等级下分别统计所述玉米灾害期和恢复期的最佳敏感参数差值的均值作为统计阈值;
玉米倒伏监测决策树建立模块,用于根据所述统计阈值建立玉米倒伏监测决策树;
玉米倒伏程度划分模块,用于根据所述玉米倒伏监测决策树确定所监测玉米种植区域的玉米倒伏程度。
另一方面,本发明还提供一种电子设备,包括存储器、处理器以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,所述处理器执行所述计算机程序时实现所述的玉米倒伏遥感监测方法。
另一方面,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,所述计算机程序被执行时实现所述的玉米倒伏遥感监测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种玉米倒伏遥感监测方法、系统、电子设备及介质,所述方法包括:通过野外采样获取存在不同倒伏程度玉米的野外样本点并提取建模样本点处的哨兵数据;对所述建模样本点处的哨兵数据进行筛选和预处理,得到预处理后的哨兵数据;所述预处理后的哨兵数据包括全时相的哨兵1号双极化数据和倒伏前哨兵2号光学影像数据;根据所述倒伏前哨兵2号光学影像数据计算玉米倒伏前归一化植被指数;根据所述全时相的哨兵1号双极化数据计算玉米灾害期和恢复期的最佳敏感参数差值;根据所述玉米倒伏前归一化植被指数将所有建模样本点划分为低活力、中活力和高活力三个等级,并在每个等级下分别统计所述玉米灾害期和恢复期的最佳敏感参数差值的均值作为统计阈值;根据所述统计阈值建立玉米倒伏监测决策树;根据所述玉米倒伏监测决策树确定所监测玉米种植区域的玉米倒伏程度。本发明利用倒伏前的哨兵2号光学影像数据监测玉米倒伏前作物植株活力,并结合全时相的哨兵1号雷达数据分析SAR极化特征,对大区域的玉米倒伏情况进行监测,有效提高了监测精度,为提升玉米产量以及玉米倒伏灾害预警提供可靠参考。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例提供的玉米倒伏遥感监测方法的流程图;
图2为本发明实施例提供的玉米倒伏遥感监测技术路线图;
图3为本发明建立的玉米倒伏监测决策树的示意图;
图4为采用本发明方法生成的倒伏程度分类结果与野外验证点的混淆矩阵示意图;
图5为采用本发明方法生成的倒伏程度分类结果的局部放大图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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,都属于本发明保护的范围。
本发明的目的是提供一种玉米倒伏遥感监测方法、系统、电子设备及介质,能够对大区域的玉米倒伏情况进行监测,并有效提高监测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的玉米倒伏遥感监测方法的流程图。参见图1,本发明一种玉米倒伏遥感监测方法包括:
步骤101:通过野外采样获取存在不同倒伏程度玉米的野外样本点并提取建模样本点处的哨兵数据。
本发明主要针对台风过境后玉米倒伏情况进行监测,主要的影响周期集中在玉米的拔节期、抽雄期直至成熟期。其中拔节期是指玉米生长过程中,茎的节间向上迅速伸长的时期。抽雄期是指玉米抽穗期中雄穗的抽出阶段。成熟期是指玉米籽粒干物质形成并迅速积累时期。不同倒伏程度玉米包括正常未倒伏玉米、轻度倒伏玉米以及重度倒伏玉米。
本发明一种玉米倒伏遥感监测方法的技术路线如图2所示,首先通过对野外的玉米地块进行实地采样,分别对正常未倒伏玉米、轻度倒伏玉米以及重度倒伏玉米所在的地块进行野外采样,作为野外样本点。然后利用研究区的作物类型分布数据对野外样本点的哨兵数据进行掩膜处理,提取研究区的玉米种植区域的哨兵数据,将提取出的研究区的玉米种植区域作为建模样本点。
本发明以建模样本点处的哨兵1号雷达数据和哨兵2号光学影像作为遥感数据来源,实时获取玉米倒伏周期内的遥感数据。本发明结合光学影像和雷达数据对玉米倒伏进行研究,通过长时间数据特征分析,对玉米自抽雄期至成熟期的SAR影像信息进行分析,将玉米倒伏的周期分为倒伏前期-倒伏发生期-倒伏恢复期三个时期。其中倒伏前期(简称倒伏前),是指玉米遭遇台风等恶劣天气之前正常的生长状态时期。倒伏发生期(简称倒伏期),是指玉米自遭遇极端天气至极端天气结束的一段时期。倒伏恢复期(简称恢复期),是指极端天气结束后玉米恢复生长阶段。那么全时相就是指完整覆盖玉米倒伏前期、倒伏发生期以及倒伏恢复期所有时相周期。
步骤102:对所述建模样本点处的哨兵数据进行筛选和预处理,得到预处理后的哨兵数据;所述预处理后的哨兵数据包括全时相的哨兵1号双极化数据和倒伏前哨兵2号光学影像数据。
本发明以建模样本点处的哨兵1号雷达数据和哨兵2号光学影像作为遥感数据来源,实时获取玉米倒伏周期内的遥感数据,其中哨兵1号雷达数据含有2种极化方式,包含VV和VH,空间分辨率为10米;哨兵2号光学影像数据含有13个波段,其中蓝、绿、红、近红外四个波段,空间分辨率较高,为10米。哨兵1号雷达数据的极化方式分为H水平极化和V垂直极化;VV表示用于垂直发送和垂直接收,VH表示用于垂直发送和水平接收。
在作物倒伏监测过程中,本发明选取光学影像数据的红光波段和近红外波段以及雷达数据的VH极化波段。
并且为解决哨兵1号雷达数据后向散射系数噪声斑点过多的情况,对哨兵1号雷达数据进行了热噪声去除、辐射校正、地形校正以及5*5窗口的滤波处理,以最大程度减小原始数据误差对结果的影响。对哨兵2号光学影像数据的云量进行了筛选,有效地避免了云量过多的影响。
因此,所述步骤102对所述建模样本点处的哨兵数据进行筛选和预处理,得到预处理后的哨兵数据,具体包括:
选取所述建模样本点处的倒伏前哨兵2号光学影像数据的红光波段和近红外波段数据,并进行云量筛选,获得倒伏前哨兵2号光学影像数据;
对所述建模样本点处的哨兵1号雷达数据中VV、VH以及VH/VV三种极化方式的后向散射系数进行全时相周期内的时间序列分析,选取雷达数据的VH极化波段数据并进行热噪声去除、辐射校正、地形校正以及5*5窗口的滤波处理,获得全时相的哨兵1号双极化数据。
步骤103:根据所述倒伏前哨兵2号光学影像数据计算玉米倒伏前归一化植被指数。
将哨兵2号光学数据按照公式(1)计算玉米种植区域的NDVI,提取建模样本点处的玉米倒伏前归一化植被指数。
归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)的计算公式如下:
NDVI=(ρNIR-ρR)/(ρNIR+ρR) (1)
其中NDVI为玉米倒伏前归一化植被指数,ρNIR和ρR分别为倒伏前哨兵2号光学影像数据中的近红外波段和红光波段。
步骤104:根据所述全时相的哨兵1号双极化数据计算玉米灾害期和恢复期的最佳敏感参数差值。
基于Google Earth Engine(GEE),对建模样本点处哨兵1号雷达数据的VV、VH以及VH/VV三种极化方式的后向散射系数进行全时相周期内的时间序列分析,通过不同倒伏程度样本倒伏前后的后向散射系数变化规律可知,随着倒伏的发生,后向散射系数均呈现增大的趋势,其中,VH极化对于倒伏具有较高的敏感性且对不同倒伏程度的具有较好的可分性,因此本发明选择VH极化的后向散射系数作为最佳敏感参数(OSP)来进行后续阈值参数的分析和计算。也就是说,本发明建模所需数据为全时相的哨兵1号双极化数据和倒伏前哨兵2号光学影像数据。
将上述的由公式(1)通过倒伏前哨兵2号光学影像数据计算的玉米倒伏前NDVI作为倒伏前作物植株活力的指示因子,通过研究设定NDVI的经验阈值,NDVI<0.4为低活力,0.4<NDVI<0.6为中活力,NDVI>0.6为高活力,以此将玉米种植区域划分为低中高三个活力等级。对倒伏前、倒伏期和恢复期三个时期哨兵1号双极化数据的VH后向散射系数进行差值计算,计算方法如公式(2)和(3)所示。然后采用决策树分析的方法建立玉米倒伏监测模型,从而实现玉米倒伏程度划分。
ΔσOSP=ΔσVH=σVH_倒伏期-σVH_倒伏前 (2)
δσOSP=δσVH=σVH_烣复期-σVH_倒伏期 (3)
其中灾害期ΔσVH和恢复期δσVH分别为玉米灾害期和恢复期的最佳敏感参数差值,也可以记为ΔσOSP和δσOSP。σVH代表VH极化波段的后向散射系数;具体地,σVH_倒伏前、σVH_倒伏期、σVH_恢复期分别表示所述全时相的哨兵1号双极化数据中倒伏前、倒伏期、恢复期的VH极化波段的后向散射系数。
步骤105:根据所述玉米倒伏前归一化植被指数将所有建模样本点划分为低活力、中活力和高活力三个等级,并在每个等级下分别统计所述玉米灾害期和恢复期的最佳敏感参数差值的均值作为统计阈值。
建模样本点的NDVI作物活力等级划分方法为:若建模样本点的玉米倒伏前归一化植被指数NDVI<0.4,将建模样本点划分为低活力等级;若0.4<NDVI<0.6,将建模样本点划分为中活力等级;若NDVI>0.6,将建模样本点划分为高活力等级。
通过分析采样点(即建模样本点)的ΔσVH和δσVH发现,不同活力等级下,随着倒伏程度的增加,ΔσVH和δσVH的变化程度不同,由此可以建立如图3所示的玉米倒伏监测决策树作为玉米倒伏监测模型。首先利用NDVI值将建模样本点的所有玉米种植区域分为低活力、中活力和高活力三个等级,在每个等级下分别统计ΔσVH和δσVH的均值(avg)和协方差(std),为方便决策树表示,将ΔσVH和δσVH的均值分别表示为D和R,统计结果如表1所示。
表1玉米倒伏程度划分统计阈值
玉米植株活力 | avg-Δσ<sub>VH</sub>(D) | std-Δσ<sub>VH</sub> | avg-δσ<sub>VH</sub>(R) | std-δσ<sub>VH</sub> |
低活力 | 0.086 | 0.921 | -0.050 | 1.237 |
中活力 | 0.269 | 0.674 | -0.171 | 1.013 |
高活力 | 0.574 | 0.614 | -0.821 | 0.901 |
表1中低、中、高活力所对应的D和R值即为图3玉米倒伏监测决策树中的d1、d2、d3和r1、r2、r3,也就是本发明建立玉米倒伏监测决策树所需的统计阈值。由此统计阈值可以将玉米划分为正常、轻度倒伏和重度倒伏。
步骤106:根据所述统计阈值建立玉米倒伏监测决策树。
将上述的由公式(1)通过倒伏前哨兵2号光学影像数据计算的玉米倒伏前NDVI作为倒伏前作物植株活力的指示因子,将所有建模样本点划分为低活力、中活力和高活力三个等级,并将低、中、高活力所对应的D和R值作为玉米倒伏监测决策树中的统计阈值d1、d2、d3和r1、r2、r3,建立出如图3所示的玉米倒伏监测决策树。
步骤107:根据所述玉米倒伏监测决策树确定所监测玉米种植区域的玉米倒伏程度。
在进行所监测玉米种植区域的玉米倒伏程度划分时,需要首先依据公式(1)计算出所监测玉米种植区域的玉米倒伏前NDVI,并依据公式(2)和(3)计算出所监测玉米种植区域的D和R值,然后将所监测玉米种植区域的玉米倒伏前NDVI以及D和R值代入图3所示的玉米倒伏监测决策树中,与预先训练好的NDVI统计阈值(0.4、0.6)以及D和R统计阈值(d1、d2、d3、r1、r2、r3)进行比较,根据玉米倒伏监测决策树中的比较逻辑,就可以将所监测玉米种植区域的玉米划分为正常、轻度倒伏和重度倒伏,作为所监测玉米种植区域的玉米倒伏程度分类结果。
例如,参见图3,当所监测玉米种植区域的NDVI>0.6时,若D>d3且R>r3,可以确定所监测玉米种植区域的玉米为重度倒伏;若D>d3且R≤r3,则可以确定所监测玉米种植区域的玉米为轻度倒伏;若D≤d3时,则可以确定所监测玉米种植区域的玉米为正常状态。当所监测玉米种植区域的0.4<NDVI≤0.6时,若D≤d2,可以确定所监测玉米种植区域的玉米为正常状态;若D>d2且R≤r2,可以确定所监测玉米种植区域的玉米为轻度倒伏;若D>d2且R>r2,则可以确定所监测玉米种植区域的玉米为重度倒伏。当所监测玉米种植区域的NDVI≤0.4时,若D≤d1,可以确定所监测玉米种植区域的玉米为正常状态;若D>d1且R≤r1,可以确定所监测玉米种植区域的玉米为轻度倒伏;若D>d1且R>r1,则可以确定所监测玉米种植区域的玉米为重度倒伏。
本发明结合光学影像和雷达数据对玉米倒伏进行研究,通过长时间数据特征分析,对玉米自抽雄期至成熟期的SAR影像信息进行分析,将玉米倒伏的周期分为倒伏前期-倒伏发生期-倒伏恢复期三个时期,利用倒伏前的光学影像数据监测玉米倒伏前作物植株活力,并结合全时相各周期内的SAR影像,能够对大区域的玉米倒伏情况进行监测,有效提高监测精度,为提升玉米产量以及玉米倒伏灾害预警提供可靠参考。
下面采用一个具体实施例对本发明玉米倒伏遥感监测方法进行精度验证。
将本发明提出的玉米倒伏遥感监测方法在东北地区(吉林省和黑龙江省共14个地级市)进行测试。图4为本发明方法的倒伏程度分类结果与野外验证点的混淆矩阵,参见图4,从精度验证上看,正常玉米精度为91.7%,轻度的精度为93.3%,重度总体精度可达94.2%,表明本发明方法具有较高的监测精度。图5为本发明方法生成的倒伏监测结果局部放大图,参见图5,从目视角度来看,采用本发明方法划分的玉米倒伏程度分类结果与实际地块的地块信息吻合程度较高,表明本发明方法可以在大区域尺度上对倒伏程度进行监测。
基于本发明提供的方法,本发明还提供一种玉米倒伏遥感监测系统,包括:
建模样本点哨兵数据提取模块,用于通过野外采样获取存在不同倒伏程度玉米的野外样本点并提取建模样本点处的哨兵数据;所述不同倒伏程度玉米包括正常未倒伏玉米、轻度倒伏玉米以及重度倒伏玉米;所述哨兵数据包括哨兵1号雷达数据和哨兵2号光学影像数据;
筛选和预处理模块,用于对所述建模样本点处的哨兵数据进行筛选和预处理,得到预处理后的哨兵数据;所述预处理后的哨兵数据包括全时相的哨兵1号双极化数据和倒伏前哨兵2号光学影像数据;
归一化植被指数计算模块,用于根据所述倒伏前哨兵2号光学影像数据计算玉米倒伏前归一化植被指数;
最佳敏感参数差值计算模块,用于根据所述全时相的哨兵1号双极化数据计算玉米灾害期和恢复期的最佳敏感参数差值;
阈值统计分析模块,用于根据所述玉米倒伏前归一化植被指数将所有建模样本点划分为低活力、中活力和高活力三个等级,并在每个等级下分别统计所述玉米灾害期和恢复期的最佳敏感参数差值的均值作为统计阈值;
玉米倒伏监测决策树建立模块,用于根据所述统计阈值建立玉米倒伏监测决策树;
玉米倒伏程度划分模块,用于根据所述玉米倒伏监测决策树确定所监测玉米种植区域的玉米倒伏程度。
本发明针对拔节期后的玉米,使用多时相的哨兵数据,分析玉米倒伏前后长时间序列的SAR极化特征,结合灾前作物活力和SAR极化特征建立了一种极端天气玉米倒伏的监测方法。由于本发明玉米倒伏遥感监测方法使用了长时间的哨兵数据,既可以满足时间周期上的特征变化,同时也保证了数据的空间分辨率。并且本发明方法将光学影像与雷达数据进行结合,在考虑受灾前玉米的植株活力的前提下,进一步分析SAR极化特征,从而建立出玉米倒伏监测决策树,依据该玉米倒伏监测决策树可以将玉米划分为正常、轻度倒伏和重度倒伏,使监测精度有了极大的提升,并且可以在大区域尺度上对倒伏程度进行监测,具有广泛的应用前景。
进一步地,本发明还提供一种电子设备,该电子设备可以包括:处理器、通信接口、存储器和通信总线。其中,处理器、通信接口、存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的计算机程序,以执行所述的玉米倒伏遥感监测方法。
此外,上述的存储器中的计算机程序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、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,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,所述计算机程序被执行时可以实现所述的玉米倒伏遥感监测方法。
本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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种玉米倒伏遥感监测方法,其特征在于,包括:
通过野外采样获取存在不同倒伏程度玉米的野外样本点并提取建模样本点处的哨兵数据;所述不同倒伏程度玉米包括正常未倒伏玉米、轻度倒伏玉米以及重度倒伏玉米;所述哨兵数据包括哨兵1号雷达数据和哨兵2号光学影像数据;
对所述建模样本点处的哨兵数据进行筛选和预处理,得到预处理后的哨兵数据;所述预处理后的哨兵数据包括全时相的哨兵1号双极化数据和倒伏前哨兵2号光学影像数据;
根据所述倒伏前哨兵2号光学影像数据计算玉米倒伏前归一化植被指数;
根据所述全时相的哨兵1号双极化数据计算玉米灾害期和恢复期的最佳敏感参数差值;
根据所述玉米倒伏前归一化植被指数将所有建模样本点划分为低活力、中活力和高活力三个等级,并在每个等级下分别统计所述玉米灾害期和恢复期的最佳敏感参数差值的均值作为统计阈值;
根据所述统计阈值建立玉米倒伏监测决策树;
根据所述玉米倒伏监测决策树确定所监测玉米种植区域的玉米倒伏程度。
2.根据权利要求1所述的玉米倒伏遥感监测方法,其特征在于,所述通过野外采样获取存在不同倒伏程度玉米的野外样本点并提取建模样本点处的哨兵数据,具体包括:
分别对正常未倒伏玉米、轻度倒伏玉米以及重度倒伏玉米所在的地块进行野外采样,作为野外样本点;
利用研究区的作物类型分布数据对所述野外样本点的哨兵数据进行掩膜处理,提取出研究区内所有玉米种植区域的哨兵数据作为建模样本点处的哨兵数据。
3.根据权利要求1所述的玉米倒伏遥感监测方法,其特征在于,所述对所述建模样本点处的哨兵数据进行筛选和预处理,得到预处理后的哨兵数据,具体包括:
选取所述建模样本点处的倒伏前哨兵2号光学影像数据的红光波段和近红外波段数据,并进行云量筛选,获得倒伏前哨兵2号光学影像数据;
对所述建模样本点处的哨兵1号雷达数据中VV、VH以及VH/VV三种极化方式的后向散射系数进行全时相周期内的时间序列分析,选取雷达数据的VH极化波段数据并进行热噪声去除、辐射校正、地形校正以及5*5窗口的滤波处理,获得全时相的哨兵1号双极化数据。
4.根据权利要求1所述的玉米倒伏遥感监测方法,其特征在于,所述根据所述倒伏前哨兵2号光学影像数据计算玉米倒伏前归一化植被指数,具体包括:
根据所述倒伏前哨兵2号光学影像数据,采用公式NDVI=(ρNIR-ρR)/(ρNIR+ρR)计算玉米倒伏前归一化植被指数NDVI;其中ρNIR和ρR分别为倒伏前哨兵2号光学影像数据中的近红外波段和红光波段。
5.根据权利要求1所述的玉米倒伏遥感监测方法,其特征在于,所述根据所述全时相的哨兵1号双极化数据计算玉米灾害期和恢复期的最佳敏感参数差值,具体包括:
根据所述全时相的哨兵1号双极化数据,采用公式ΔσVH=σVH_倒伏期-σVH_倒伏前计算玉米灾害期的最佳敏感参数差值ΔσVH;σVH_倒伏期表示所述全时相的哨兵1号双极化数据中倒伏期VH极化波段的后向散射系数;σVH_倒伏前表示所述全时相的哨兵1号双极化数据中倒伏前VH极化波段的后向散射系数;
根据所述全时相的哨兵1号双极化数据,采用公式δσVH=σVH_恢复期-σVH_倒伏期计算玉米恢复期的最佳敏感参数差值δσVH;其中σVH_恢复期表示所述全时相的哨兵1号双极化数据中恢复期VH极化波段的后向散射系数。
6.根据权利要求4所述的玉米倒伏遥感监测方法,其特征在于,所述根据所述玉米倒伏前归一化植被指数将所有建模样本点划分为低活力、中活力和高活力三个等级,具体包括:
若建模样本点的玉米倒伏前归一化植被指数NDVI<0.4,将建模样本点划分为低活力等级;若0.4<NDVI<0.6,将建模样本点划分为中活力等级;若NDVI>0.6,将建模样本点划分为高活力等级。
7.一种玉米倒伏遥感监测系统,其特征在于,包括:
建模样本点哨兵数据提取模块,用于通过野外采样获取存在不同倒伏程度玉米的野外样本点并提取建模样本点处的哨兵数据;所述不同倒伏程度玉米包括正常未倒伏玉米、轻度倒伏玉米以及重度倒伏玉米;所述哨兵数据包括哨兵1号雷达数据和哨兵2号光学影像数据;
筛选和预处理模块,用于对所述建模样本点处的哨兵数据进行筛选和预处理,得到预处理后的哨兵数据;所述预处理后的哨兵数据包括全时相的哨兵1号双极化数据和倒伏前哨兵2号光学影像数据;
归一化植被指数计算模块,用于根据所述倒伏前哨兵2号光学影像数据计算玉米倒伏前归一化植被指数;
最佳敏感参数差值计算模块,用于根据所述全时相的哨兵1号双极化数据计算玉米灾害期和恢复期的最佳敏感参数差值;
阈值统计分析模块,用于根据所述玉米倒伏前归一化植被指数将所有建模样本点划分为低活力、中活力和高活力三个等级,并在每个等级下分别统计所述玉米灾害期和恢复期的最佳敏感参数差值的均值作为统计阈值;
玉米倒伏监测决策树建立模块,用于根据所述统计阈值建立玉米倒伏监测决策树;
玉米倒伏程度划分模块,用于根据所述玉米倒伏监测决策树确定所监测玉米种植区域的玉米倒伏程度。
8.一种电子设备,包括存储器、处理器以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计算机程序时实现如权利要求1至6中任一项所述的玉米倒伏遥感监测方法。
9.一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,所述计算机程序被执行时实现如权利要求1至6中任一项所述的玉米倒伏遥感监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211328189.8A CN115690580A (zh) | 2022-10-27 | 2022-10-27 | 一种玉米倒伏遥感监测方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211328189.8A CN115690580A (zh) | 2022-10-27 | 2022-10-27 | 一种玉米倒伏遥感监测方法、系统、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115690580A true CN115690580A (zh) | 2023-02-03 |
Family
ID=85099190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211328189.8A Pending CN115690580A (zh) | 2022-10-27 | 2022-10-27 | 一种玉米倒伏遥感监测方法、系统、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115690580A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233123A (zh) * | 2023-09-13 | 2023-12-15 | 宁波大学 | 基于哨兵2号的水稻白叶枯病大范围遥感监测方法与装置 |
CN118097435A (zh) * | 2024-04-23 | 2024-05-28 | 北京市农林科学院信息技术研究中心 | 基于超图神经网络的玉米倒伏分类方法及装置 |
CN118097435B (zh) * | 2024-04-23 | 2024-07-05 | 北京市农林科学院信息技术研究中心 | 基于超图神经网络的玉米倒伏分类方法及装置 |
-
2022
- 2022-10-27 CN CN202211328189.8A patent/CN115690580A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233123A (zh) * | 2023-09-13 | 2023-12-15 | 宁波大学 | 基于哨兵2号的水稻白叶枯病大范围遥感监测方法与装置 |
CN118097435A (zh) * | 2024-04-23 | 2024-05-28 | 北京市农林科学院信息技术研究中心 | 基于超图神经网络的玉米倒伏分类方法及装置 |
CN118097435B (zh) * | 2024-04-23 | 2024-07-05 | 北京市农林科学院信息技术研究中心 | 基于超图神经网络的玉米倒伏分类方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
CN110909679B (zh) | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN116188465B (zh) | 基于图像处理技术的作物生长状态检测方法 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN114782838A (zh) | 水稻识别方法、装置、电子设备和存储介质 | |
CN113609899A (zh) | 基于遥感时序分析的退耕地信息定位显示系统 | |
CN114708490A (zh) | 水稻种植提取及复种指数监测方法、系统、终端及存储介质 | |
CN115690580A (zh) | 一种玉米倒伏遥感监测方法、系统、电子设备及介质 | |
CN112861712B (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
CN110929222A (zh) | 基于遥感植被冠层水分指数的灌溉农田识别方法 | |
Zhang et al. | Evaluating the effectiveness of forest conservation policies with multi-temporal remotely sensed imagery: a case study from Tiantangzhai Township, Anhui, China | |
CN112418073B (zh) | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 | |
CN111537510B (zh) | 一种基于空间信息技术的农田防护林防风效应计量方法 | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
CN114782837B (zh) | 种植物估产方法、装置、电子设备和存储介质 | |
CN114694020B (zh) | 一种棉花蚜虫遥感预报模型的构建方法 | |
CN117033810A (zh) | 一种基于大数据的农业数据分析管理系统及方法 | |
CN116579521A (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
CN110533544A (zh) | 农作物冷冻害定损理赔方法及系统 | |
CN115810170A (zh) | 一种利用多源遥感数据监测旱情的方法 | |
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 | |
Mangla et al. | Statistical growth prediction analysis of rice crop with pixel-based mapping technique | |
CN113112147A (zh) | 一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法 | |
CN115830442B (zh) | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 |
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 |