CN115761486A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115761486A CN115761486A CN202211420265.8A CN202211420265A CN115761486A CN 115761486 A CN115761486 A CN 115761486A CN 202211420265 A CN202211420265 A CN 202211420265A CN 115761486 A CN115761486 A CN 115761486A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- rice
- stage
- image
- sensing image
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 281
- 235000009566 rice Nutrition 0.000 title claims abstract description 281
- 238000000034 method Methods 0.000 title claims abstract description 37
- 241000209094 Oryza Species 0.000 title claims abstract 70
- 230000003595 spectral effect Effects 0.000 claims abstract description 47
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000009313 farming Methods 0.000 claims abstract description 9
- 238000003306 harvesting Methods 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 21
- 238000011160 research Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000011835 investigation Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 description 213
- 238000000605 extraction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 235000002566 Capsicum Nutrition 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 3
- 241000722363 Piper Species 0.000 description 3
- 235000016761 Piper aduncum Nutrition 0.000 description 3
- 235000017804 Piper guineense Nutrition 0.000 description 3
- 235000008184 Piper nigrum Nutrition 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Abstract
本发明提供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,其中,方法包括:获取水稻的耕作制度和物候信息,确定水稻收割后及种植初期和/或灌浆期的至少两个特定时期,获取多期初始遥感影像并进行预处理,得到第一期遥感影像、第二期遥感影像和/或第三期遥感影像;获取水田矢量数据,对第一期遥感影像进行空间约束,结合第一期遥感影像呈现的纹理和光谱特征,判定初始水稻种植区;根据第二期遥感影像和/或第三期遥感影像呈现的光谱特征,判定水稻干扰区;基于空间叠加技术,在初始水稻种植区中剔除水稻干扰区,获取目标水稻种植区。本发明实现了在复杂山地背景下对水稻种植区的精准判定,且能够得到便于识别和管理的水稻种植区范围。
Description
技术领域
本发明涉及耕地种植属性监测技术领域,尤其涉及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。
背景技术
水稻是我国的主要粮食作物之一,而耕地种植属性监测是自然资源耕地管理领域的一个重要内容,准确掌握耕地覆盖类别变化和粮食种植作物分布,对耕地保护、防止耕地“非粮化”有着重要意义。因此,客观准确及时掌握水稻种植区空间分布,是一个亟需解决的重要问题。传统的水稻种植面积获取方式,通常是采用逐级上报汇总、抽调核查的方式进行,耗时费力,上报结果多根据历史经验数据推论,受主观因素影响大,数据准确度不高,且该方法以统计数据为主,缺少水稻种植的空间范围,不利于水稻种植面积核查和数字化管理。
近年来,随着遥感技术的不断发展,遥感在水稻面积估算方面的应用得到不断深入。MODIS、Landsat、Spot、哨兵系列等空间分辨率几百米、几十米的中低分辨率卫星广泛应用到大范围的水稻种植范围估算工作中。
但是,目前基于遥感数据的水稻面积提取方法还存在以下问题:一是利用中低分辨率遥感数据评估水稻面积,多面向县域、市域甚至省域尺度,获取宏观趋势性数据,缺少管理数据约束,无法真正用于自然资源、农业农村在镇、村一级的精细化管理工作。二是随着国产商业卫星数据资源的不断丰富,高分遥感影像在水稻面积估算等方面的应用也得到不断深入,但是国产亚米级、米级空间分辨率影像,例如高景一号、吉林一号、资源三号等,在精细化水稻种植范围评估方面运用还不充分。三是常见的遥感数据的水稻面积提取方法,通常是针对水稻植株光谱特征变化进行判定,判定过程复杂,忽略了水稻田在不同时期呈现的明显的光谱及纹理特征,判定精度不高,极易产生的同物异谱导致的错分、漏分问题。四是由于西南山区地形起伏大、地表破碎、水稻生长环境背景复杂等原因,利用遥感在山地区域开展水稻面积估算结果往往空间分辨率精度不高,椒盐现象和边界锯齿现象普遍。
因此,亟需一种能够在复杂山地背景下,对镇村一级水稻种植区进行精准判定,且能够获取便于识别和管理利用的种植区判定方法。
发明内容
基于此,有必要针对上述技术问题,提供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。
一种基于多期稻田影像特征的水稻种植区判定方法,包括以下步骤:获取研究区域内水稻的耕作制度和物候信息,确定水稻收割后及种植初期和/或灌浆期的至少两个特定时期,根据所述特定时期获取多期初始遥感影像;对所述多期初始遥感影像进行预处理,得到空间分辨率依次递减的水稻收割后的第一期遥感影像及水稻灌浆期的第二期遥感影像和/或水稻种植初期的第三期遥感影像;获取自然资源基础调查中的水田矢量数据,根据所述水田矢量数据对所述第一期遥感影像进行空间约束,结合所述第一期遥感影像呈现的纹理和光谱特征,判定初始水稻种植区;根据所述第二期遥感影像和/或第三期遥感影像呈现的光谱特征,判定水稻干扰区;基于空间叠加技术,在所述初始水稻种植区中剔除所述水稻干扰区,获取目标水稻种植区。
在其中一个实施例中,所述初始遥感影像为空间分辨率优于3米的米级或亚米级遥感卫星影像。
在其中一个实施例中,所述对所述多期初始遥感影像进行预处理,具体包括:依次对所述多期初始遥感影像进行正射纠正、几何配准和影像融合。
在其中一个实施例中,所述几何配准具体包括:选取同名点对多光谱影像进行配准,配准后,利用布尔莎七参数坐标转换模型,进行影像空间坐标的统一转换,公式为:
其中,XA、YA、ZA表示是A坐标,XB、YB、ZB表示是B坐标,TX、TY、TZ为坐标系B转移到坐标系A在X、Y、Z三个方向上的平移参数,m是尺度参数,wx、wy、wz是旋转参数。
在其中一个实施例中,所述第一期遥感影像采用高景一号亚米级遥感数据进行水稻收割后的特征分析;所述第二期遥感影像采用吉林一号亚米级遥感数据进行水稻灌浆期的特征分析;所述第三期遥感影像采用资源三号米级遥感数据进行水稻种植初期的特征分析。
在其中一个实施例中,所述影像融合具体包括:对高景一号和吉林一号的遥感影像采用PCI软件封装的UBN-Pansharp融合算法,利用最小二乘算法获取多光谱与全色波段之间的最佳拟合,获取对应的第一期遥感影像和第二期遥感影像;对资源三号遥感影像采用Gram-Schmidt融合算法,通过对矩阵或多维影像的正交化对遥感影像进行融合,获取对应的第三期遥感影像。
在其中一个实施例中,所述获取自然资源基础调查中的水田矢量数据,根据所述水田矢量数据对所述第一期遥感影像进行空间约束,结合所述第一期遥感影像呈现的纹理和光谱特征,判定初始水稻种植区,具体包括:根据自然资源基础调查获取水田矢量数据,并根据所述水田矢量数据获取水田空间范围,将所述水田空间范围作为水稻种植区的最大范围;根据所述水稻种植区的最大范围对所述第一期遥感影像进行空间约束,得到空间约束后的第一期遥感影像,作为目标影像;根据水稻田识别规则,识别所述目标影像呈现的纹理和光谱特征,判定初始水稻种植区。
在其中一个实施例中,所述根据水稻田识别规则,识别所述目标影像呈现的纹理和光谱特征,判定初始水稻种植区,具体包括:根据所述目标影像的红波段和近红外波段计算归一化差值植被指数;根据所述目标影像的近红外波段计算基于二阶概率统计的方差局部纹理特征;获取水稻收割后的标准归一化差值植被指数和方差纹理灰度的阈值范围,识别所述目标影像中呈现水稻收割后的光谱特征及纹理特征的区域,并判定对应区域为初始水稻种植区。
在其中一个实施例中,所述根据所述第二期遥感影像和/或第三期遥感影像呈现的光谱特征,判定水稻干扰区,具体包括:根据所述第二期遥感影像和/或第三期遥感影像的红波段和近红外波段计算干扰归一化差值植被指数;获取水稻灌浆期影像非水稻田的干扰归一化差值植被指数阈值范围,识别所述第二期遥感影像中非水稻田的区域,得到非水稻田区;和/或,获取水稻种植初期影像非水稻田的干扰归一化差值植被指数阈值范围,识别所述第三期遥感影像中非水稻田的区域,得到非水稻田区;结合所有被判定为非水稻田区的区域,得到水稻干扰区。
一种基于多期稻田影像特征的水稻种植区判定系统,用于实现如上所述的一种基于多期稻田影像特征的水稻种植区判定方法,包括:多期遥感影像获取模块,用于获取研究区域内水稻的耕作制度和物候信息,确定水稻收割后及种植初期和/或灌浆期的至少两个特定时期,根据所述特定时期获取多期初始遥感影像;遥感影像预处理模块,用于对所述多期初始遥感影像进行预处理,得到空间分辨率依次递减的水稻收割后的第一期遥感影像及水稻灌浆期的第二期遥感影像和/或水稻种植初期的第三期遥感影像;初始种植区判定模块,用于获取自然资源基础调查中的水田矢量数据,根据所述水田矢量数据对所述第一期遥感影像进行空间约束,结合所述第一期遥感影像呈现的纹理和光谱特征,判定初始水稻种植区;水稻干扰区判定模块,用于根据所述第二期遥感影像和/或第三期遥感影像呈现的光谱特征,判定水稻干扰区;目标种植区获取模块,用于基于空间叠加技术,在所述初始水稻种植区中剔除所述水稻干扰区,获取目标水稻种植区。
相比于现有技术,本发明的优点及有益效果在于:通过获取研究区域内水稻的耕作制度和物候信息,确定水稻收割后及种植初期和/或灌浆期的至少两个特定时期,根据特定时期获取多期初始遥感影像,对初始遥感影像进行预处理,得到空间分辨率依次递减的水稻收割后的第一期遥感影像及水稻灌浆期的第二期遥感影像和/或水稻种植初期的第三期遥感影像,通过预处理能够消除遥感影像的边缘锯齿和图斑内部的“椒盐现象”,便于进行图像识别;获取自然资源基础调查中的水田矢量数据,并根据水田矢量数据对水稻种植区进行空间约束,结合第一期遥感影像呈现的纹理和光谱特征,判定初始水稻种植区,同时,根据第二期遥感影像和/或第三期遥感影像呈现的光谱特征,判定水稻干扰区,基于空间叠加技术,在初始水稻种植区中剔除水稻干扰区,获取目标水稻种植区,从而能够实现在复杂山地背景下,对镇村一级的水稻种植区的精准判定,且能够通过不同空间分辨率的遥感影像,得到便于识别和管理利用的种植区范围。
附图说明
图1为一个实施例中一种基于多期稻田影像特征的水稻种植区判定方法的流程示意图;
图2为一个实施例中根据光谱特征提取的初始水稻种植区;
图3为一个实施例中根据纹理特征提取的初始水稻种植区;
图4为一个实施例中结合光谱特征和纹理特征提取的初始水稻种植区;
图5为一个实施例中基于第二期遥感影像提取的非水稻种植区;
图6为一个实施例中基于第三期遥感影像提取的非水稻种植区;
图7为一个实施例中基于第二期遥感影像和第三期遥感影像提取的水稻干扰区;
图8为一个实施例中获取的水稻种植区范围示意图;
图9为一个实施例中需要进行外业核查的样点分布图;
图10为一个实施例中一种基于多期稻田影像特征的水稻种植区判定系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在一个实施例中,如图1所示,提供了一种基于多期稻田影像特征的水稻种植区判定方法,包括以下步骤:
步骤S101,获取研究区域内水稻的耕作制度和物候信息,确定水稻收割后及种植初期和/或灌浆期的至少两个特定时期,根据特定时期获取多期初始遥感影像。
具体地,由于不同地区、海拔高度不同,则对应的水稻种植周期不同,因此,根据所处地区和海拔高度,获取研究区域内的水稻物候信息,将研究区域内的时间划分为三个特定的时间段,即种植初期、灌浆期和水稻收割后,其中,将插秧期前后不超过2周的时期认定为种植初期,超过50%面积范围进行水稻收割且收割后不超过2个月的时期内认定为水稻收割后。
由于水稻收割后的时期能够较为清晰的实现对水稻种植区判定,因此在选取特定时期的遥感影像时,均需通过水稻收割后的特定时期进行识别。在选取特定时期时,可以选取上述三个时期,或水稻种植初期和水稻收割后,或水稻灌浆期和水稻收割后,通过上述三种方式的时期选择均能够对水稻种植区进行判定,当然,同时采用三个时期进行水稻种植区判定的方式能够得到更为精准的判定结果。其中,水稻收割后的初始遥感影像的分辨率高于种植初期和灌浆期。
其中,初始遥感影像为空间分辨率优于3米的米级和亚米级遥感卫星影像。
具体地,初始遥感影像采用空间分辨率优于3米的米级和亚米级遥感卫星影像,例如,种植初期的初始遥感影像采用全色2.1米、多光谱5.88米空间分辨率资源三号系列遥感卫星影像,灌浆期的初始遥感影像采用全色0.72米、多光谱2.88米空间分辨率吉林一号系列遥感卫星影像,水稻收割后的初始遥感影像采用全色0.5米、多光谱2米空间分辨率高景一号系列遥感卫星影像。
此外,采用不同数据源的卫星,获取水稻种植过程中的三个特定时期的遥感影像,能够保障多时相、高分辨率的数据需求,便于进行卫星进行重访,且提高了空间分辨率,有利用提升图像精度。
步骤S102,对多期初始遥感影像进行预处理,得到空间分辨率依次递减的水稻收割后的第一期遥感影像及水稻灌浆期的第二期遥感影像和/或水稻种植初期的第三期遥感影像。
具体地,由于初始遥感影像为辐射校正后的影像产品,因此,需要对该初始遥感影像进行预处理,提升图像精确度,得到水稻收割后的第一期遥感影像数据、水稻灌浆期的第二期遥感影像和水稻中值初期的第三期遥感影像,且第一期遥感影像的空间分辨率最高,第二期遥感影像的空间分辨率次之,第三期遥感影像的空间分辨率最低,便于后续根据获取的遥感影像数据进行种植区判定,避免地块边界出现锯齿状或存在“椒盐现象”,提升判定结果的准确度,便于根据获取的水稻种植区进行实际的管理工作,便于识别。
其中,对多期初始遥感影像进行预处理具体包括:依次对多期初始遥感影像进行正射纠正、几何配准和影像融合。
具体地,利用专业遥感影像处理软件,如采用PCI遥感影像处理软件对多期初始遥感影像进行正射纠正,例如,资源三号全色波段原始分辨率2.1米,正射影像分辨率重采样为2米;高景一号全色波段原始分辨率0.5米,正射影像分辨率仍保持0.5米;吉林一号全色波段原始分辨率0.72米,正射影像分辨率重采样为0.75米。
其中,几何配准具体包括:选取同名点对多光谱影像进行配准,配准后,利用布尔莎七参数坐标转换模型,进行影像空间坐标的统一转换,公式为:
其中,XA、YA、ZA表示是A坐标,XB、YB、ZB表示是B坐标,TX、TY、TZ为坐标系B转移到坐标系A在X、Y、Z三个方向上的平移参数,m是尺度参数,wx、wy、wz是旋转参数。
具体地,采用专业软件进行几何配准,多光谱影像与全色波段影像的几何配准以经过正射纠正的全色波段影像为控制基础,选取同名点对多光谱影像进行配准,几何配准的控制点残差中误差原则上应不超过1个像素,全色波段和多光谱影像之间配准的精度不大于1个多光谱影像像素。配准后,利用布尔莎七参数坐标转换模型,实现影像空间坐标的统一转换,最终成果坐标为CGCS2000国际大地坐标系。
其中,第一期遥感影像采用高景一号亚米级遥感数据进行水稻收割后的特征分析;第二期遥感影像采用吉林一号米级遥感数据进行水稻灌浆期的特征分析;第三期遥感影像采用资源三号米级遥感数据进行水稻种植初期的特征分析。
其中,影像融合具体包括:对高景一号和吉林一号的遥感影像采用PCI软件封装的UBN-Pansharp融合算法,利用最小二乘算法获取多光谱与全色波段之间的最佳拟合,获取对应的第一期遥感影像和第二期遥感影像;对资源三号遥感影像采用Gram-Schmidt融合算法,通过对矩阵或多维影像的正交化对遥感影像进行融合,获取对应的第三期遥感影像。
具体地,融合后影像分辨率与全色波段影像分辨率保持一致,影像融合后能明显提高地物解译的信息量,影像融合后纹理清晰,无发虚和重影现象。不同数据源为了得到最佳融合效果,在水稻收割后的初始遥感影像为高景一号遥感影像且水稻灌浆期的初始遥感影像为吉林一号遥感影像时,采用PCI软件封装的UBN-Pansharp融合算法对遥感影像进行融合,利用最小二乘算法寻找多光谱与全色波段之间的最佳拟合,使得融合效果较好;在种植初期初始遥感影像为资源三号系列的遥感卫星影像时,采用Gram-Schmidt(Gram-Schmidt Spectral Sharpening,GS光谱锐化)融合算法,通过对矩阵或多维影像的正交化处理来消除冗余,使得信息保真度高。
其中,Gram-Schmidt融合算法具体包括:将多光谱影像按照预设权重模拟成全色影像,并作为GS第一分量,公式为:
式中,Bi为多光谱第i个波段的灰度值;重复获取T-1个GS分量,根据前T-1个GS分量构建第T个GS分量,公式为:
式中,BT是原始多光谱T波段影像,uT是BT灰度值的均值,φ(BT,GSl)是原始多光谱T波段与GSl分量的协方差;调整高分辨率波段影像统计值,并与GS第一分量进行匹配,得到修改后的高分辨率波段影像,并替换GS第一分量,公式为:
式中,为经过修改后的高分辨率波段影像,P为原始高分辨率波段影,k1为增益,k2为偏差,k1=δin/δ,k2=uin-(k1×u),δin和δ表示亮度分量和高分辨率波段影像灰度值的方差,uin和u表示亮度分量和高分辨率波段影像灰度值的均值;重复进行GS分量的替换,直至替换完所有的GS分量,得到新GS数据集,根据新GS数据集进行反GS变换运算,得到融合后的多光谱影像,公式为:
具体地,影像融合是通过将多光谱低分辨率的图像和高分辨率的全色波段进行融合从而得到信息量更丰富的遥感图像。Gram-Schmidt融合算法具有较好的效果,能够得到精度高的遥感影像,便于后续根据遥感影像进行水稻种植区的判定。
步骤S103,获取自然资源基础调查中的水田矢量数据,根据水田矢量数据对第一期遥感影像进行空间约束,结合第一期遥感影像呈现的纹理和光谱特征,判定初始水稻种植区。
具体地,获取自然资源基础调查的水田矢量数据,将水田矢量数据作为水稻潜在种植的最大范围,忽略田坎对水田矢量图斑的影响,以获取空间连续图斑。结合第一期遥感影像呈现的纹理和光谱特征,判定得到水稻种植区,而能够不受地形的限制,实现对山地丘陵破碎地表等复杂环境背景下的水稻种植区进行精准判定,且提取的水稻种植区能够直接用于实际管理,而不受水稻品种的限制。
其中,步骤S103具体包括:根据自然资源基础调查获取水田矢量数据,并根据水田矢量数据获取水田空间范围,将水田空间范围作为水稻种植区的最大范围;根据水稻种植区的最大范围对第一期遥感影像进行空间约束,得到空间约束后的第一期遥感影像,作为目标影像;根据水稻田识别规则,识别目标影像呈现的纹理和光谱特征,判定初始水稻种植区。
具体地,根据自然资源基础调查获取的水田矢量数据,确定水田的空间范围,并以水田空间范围作为水稻潜在种植的最大范围,在该最大范围内,对第一期遥感影像进行空间约束,使得获取的水稻种植区不超过该最大范围,得到空间约束后的第一期遥感影像,作为目标影像,根据水稻田的识别规则,识别目标影像呈现的纹理和光谱特征,将符合水稻田规则的区域判定为初始水稻种植区,通过第一期遥感影像判定得到初始水稻种植区的精度和效率高。
其中,对初始水稻种植区的判定方法具体为:根据目标影像的红波段和近红外波段计算归一化差值植被指数;根据目标影像的近红外波段计算基于二阶概率统计的方差局部纹理特征;获取水稻收割后的标准归一化差值植被指数和方差纹理灰度的阈值范围,识别目标影像中呈现水稻收割后的光谱特征及纹理特征的区域,并判定对应区域为初始水稻种植区。
具体的,由于第一期遥感影像在水稻收割后会中呈现出土壤和植被混合的光谱特征以及水田簇状纹理特征,因此,根据目标影像的红波段和近红外波段,以像元为最小计算单元,计算归一化差值植被指数(Normalized Difference Vegetation Index,NDVI),公式为:
式中,BN表示近红外波段的反射率,BR表示红波段的反射率;
根据目标影像的NDVI确定其光谱特征,并获取第一期遥感影像的标准归一化差值植被指数阈值范围,例如阈值范围为-0.433至0.345,则识别出目标影像在此范围内的区域,并将对应区域判定为初始水稻种植区,提取结果如图2所示。
同时,采用ENVI软件中Co-occurrence Measures(二阶概率统计)模块,计算目标影像中近红外波段基于二阶概率统计的方差局部纹理特征。根据目标影像中呈现的纹理特征,以3*3的窗口计算邻域内二阶概率统计方差纹理特征,设定方差灰度阈值范围,例如将方差灰度阈值范围设定为小于2.73,则将目标影像中小于2.79的区域判定为水稻种植区,提取结果如图3所示。
根据上述方式融合光谱特征和纹理特征,提取得到初始水稻种植区如图4所示,从而实现对水稻种植区的初步识别,并能够以识别出的初始水稻种植区为限,剔除其中的干扰区,得到目标水稻种植区。
步骤S104,根据第二期遥感影像和/或第三期遥感影像呈现的光谱特征,判定水稻干扰区。
具体地,在水稻田识别过程中,可能存在旱作植物、其他水生作物或田边零散树林等干扰项,因此,在对第一期遥感影像进行识别后,根据研究区作物种植及生长发育形势,需要根据第二期遥感影像和/或第三期遥感影像呈现的光谱特征,判定处于初始水稻种植区中的干扰区域,并进行剔除,从而提升获取的水稻种植区的精确度。
其中,水稻干扰区的判定方法具体为:根据第二期遥感影像和/或第三期遥感影像的红波段和近红外波段计算干扰归一化差值植被指数;获取水稻灌浆期影像非水稻田的干扰归一化差值植被指数阈值范围,识别第二期遥感影像中非水稻田的区域,得到非水稻田区;和/或,获取水稻种植初期影像非水稻田的干扰归一化差值植被指数阈值范围,识别第三期遥感影像中非水稻田的区域,得到非水稻田区;结合所有被判定为非水稻田区的区域,得到水稻干扰区。
具体地,在进行水稻干扰区的判定时,可以采用第二期遥感影像和/或第三期遥感影像作为干扰判定遥感影像。一方面,根据第二期遥感影像红波段和近红外波段计算干扰归一化差值植被指数,并获取水稻干扰区的干扰归一化差值植被指数(NDVI)阈值范围,例如设定为大于0.57,从而识别出NDVI大于0.57的田边零散树林或其他水生植物的干扰区域,得到非水稻种植区如图5所示。
另一方面,根据第三期遥感影像中呈现植被特征或非水域的光谱特征,确定水稻种植初期的干扰归一化差值植被指数(NDVI)阈值范围,例如设定为0.37至0.52,则识别出NDVI处于该范围的干扰区域,得到非水稻种植区如图6所示。
此外,还能够结合上述两种方式,获取所有被判定为非水稻种植区的区域,则得到的水稻干扰区如图7所示,从而实现对干扰区的识别,并能够基于干扰区提升目标水稻种植区的识别精度。
在存在识别异常时,可以通过工作人员对该区域进行进一步的核实判定,例如通过实地走访的方式进行确认,或辅助自然资源调查情况进行判定,从而提升水稻种植区判定的精确度。
在本实施例中,通过获取研究区域内水稻的耕作制度和物候信息,确定水稻收割后及种植初期和/或灌浆期的至少两个特定时期,根据特定时期获取多期初始遥感影像,对初始遥感影像进行预处理,得到空间分辨率依次递减的水稻收割后的第一期遥感影像及水稻灌浆期的第二期遥感影像和/或水稻种植初期的第三期遥感影像,通过预处理能够获得更好的遥感影像效果,便于进行图像识别;获取自然资源基础调查中的水田矢量数据,并根据水田矢量数据对水稻种植区进行空间约束,结合第一期遥感影像呈现的纹理和光谱特征,判定初始水稻种植区,同时,根据第二期遥感影像和/或第三期遥感影像呈现的光谱特征,判定水稻干扰区,基于空间叠加技术,在初始水稻种植区中剔除水稻干扰区,获取目标水稻种植区,从而能够实现在复杂山地背景下,对镇村一级的水稻种植区的精准判定,且能够通过不同空间分辨率的遥感影像,得到便于识别和管理利用的种植区范围。
在一个实施例中,以具有典型山地特征的重庆市梁平区回龙镇寒岭村2021年水稻种植区提取为例,对本申请所述基于多期稻田影像特征的水稻种植区判定方法做具体阐述。
首先,依据寒岭村水稻耕作物候期信息,确定种植初期、灌浆期以及水稻成熟后的时间范围,并获取水稻种植初期、水稻灌浆期时间范围内以及成熟水稻收割后的遥感影像。遥感影像选取时,尽量选择空间分辨率更高、含云量更少的遥感数据源。经过走访了解研究区水稻插秧期为4月下旬-5月初,灌浆期为7月下旬至8月中旬,成熟水稻收割时间为8月下旬至9月初。具体获得第一期遥感影像成熟水稻收割后高景一号0.5米数据,采集时间为2021年9月20日,第二期遥感影像灌浆期吉林一号0.75米数据,采集时间为2021年7月31日,第三期遥感影像插秧期资源三号2米数据,采集时间为2021年5月2日。
第二,由于接收到的原始数据为辐射校正后的影像数据,因此,需要对初始遥感影像数据依次进行正射校正、集合配准和影像融合操作,得到处理后的遥感影像数据。
第三,获取自然资源基础调查水田矢量数据。基于自然资源基础调查年度更新成果,提取水田矢量数据。水田是用于种植水稻、莲藕等水生农作物的耕地,包括实行水生、旱生农作物轮种的耕地,水田矢量范围包括了宽度小于1米固定的沟、渠、路和地坎(埂)。
第四,利用ArcGIS10.2软件空间叠加水田矢量数据,对第一期遥感影像进行空间约束,并基于第一期遥感影像呈现的纹理和光谱特征,确定初始水稻种植区。
第五,根据第二期遥感影像和第三期遥感影像的光谱特征,对初始水稻种植区中的水稻干扰区进行判定。
第六,采用空间叠加技术,将初始水稻种植区中的水稻干扰区进行剔除,得到目标水稻种植区。
第七,本实施例从需求侧角度,以村一级为单位提取了重庆市梁平区回龙镇寒岭村水稻种植范围,用ArcGIS10.2制作该区域水稻种植面积分布图,第一期遥感影像作为底图,具体如图8所示。
最后,在重庆市梁平区回龙镇寒岭村随机选取122个外业核查点位进行精度验证,其中116个点位判定准确,总体精度达95.1%。外业调查点位分布情况如图9所示。
在本实施例中,通过遥感影像对水稻种植区进行了判定,同时能够得到水稻种植面积分布图,实现对水稻种植区和非水稻种植区的快速精准判定,能够得到高精度的水稻种植区图像,便于识别和后续利用。
在一个实施例中,如图10所示,提供了一种基于多期稻田影像特征的水稻种植区判定系统10,用于实现如上所述的一种基于多期稻田影像特征的水稻种植区判定方法,包括:多期遥感影像获取模块11、遥感影像预处理模块12、初始种植区判定模块13、水稻干扰区判定模块14和目标种植区获取模块15,其中:
多期遥感影像获取模块11,用于获取研究区域内水稻的耕作制度和物候信息,确定水稻收割后及种植初期和/或灌浆期的至少两个特定时期,根据特定时期获取多期初始遥感影像;
遥感影像预处理模块12,用于对多期初始遥感影像进行预处理,得到空间分辨率依次递减的水稻收割后的第一期遥感影像及水稻灌浆期的第二期遥感影像和/或水稻种植初期的第三期遥感影像;
初始种植区判定模块13,用于获取自然资源基础调查中的水田矢量数据,根据水田矢量数据对第一期遥感影像进行空间约束,结合所述第一期遥感影像呈现的纹理和光谱特征,判定初始水稻种植区;
水稻干扰区判定模块14,用于根据第二期遥感影像和/或第三期遥感影像呈现的光谱特征,判定水稻干扰区;
目标种植区获取模块15,用于基于空间叠加技术,在所述初始水稻种植区中剔除所述水稻干扰区,获取目标水稻种植区。
在一个实施例中,遥感影像预处理模块12具体用于:依次对初始遥感影像进行正射纠正、几何配准和影像融合。
在一个实施例中,初始种植区判定模块13具体用于:根据自然资源基础调查获取水田矢量数据,并根据水田矢量数据获取水田空间范围,将水田空间范围作为水稻种植区的最大范围;根据水稻种植区的最大范围对所述第一期遥感影像进行空间约束,得到空间约束后的第一期遥感影像,作为目标影像;根据水稻田识别规则,识别所述目标影像呈现的纹理和光谱特征,判定初始水稻种植区。
在一个实施例中,初始种植区判定模块13还用于:根据目标影像的红波段和近红外波段计算归一化差值植被指数;根据目标影像的近红外波段计算基于二阶概率统计的方差局部纹理特征;获取水稻收割后的标准归一化差值植被指数和方差纹理灰度的阈值范围,识别目标影像中呈现水稻收割后的光谱特征及纹理特征的区域,并判定对应区域为初始水稻种植区。
在一个实施例中,水稻干扰区判定模块14具体用于:根据第二期遥感影像和/或第三期遥感影像的红波段和近红外波段计算干扰归一化差值植被指数;获取水稻灌浆期影像非水稻田的干扰归一化差值植被指数阈值范围,识别第二期遥感影像中非水稻田的区域,得到非水稻田区;和/或,获取水稻种植初期影像非水稻田的干扰归一化差值植被指数阈值范围,识别第三期遥感影像中非水稻田的区域,得到非水稻田区;结合所有被判定为非水稻田区的区域,得到水稻干扰区。
显然,本领域的技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于多期稻田影像特征的水稻种植区判定方法,其特征在于,包括以下步骤:
获取研究区域内水稻的耕作制度和物候信息,确定水稻收割后及种植初期和/或灌浆期的至少两个特定时期,根据所述特定时期获取多期初始遥感影像;
对所述多期初始遥感影像进行预处理,得到空间分辨率依次递减的水稻收割后的第一期遥感影像及水稻灌浆期的第二期遥感影像和/或水稻种植初期的第三期遥感影像;
获取自然资源基础调查中的水田矢量数据,根据所述水田矢量数据对所述第一期遥感影像进行空间约束,结合所述第一期遥感影像呈现的纹理和光谱特征,判定初始水稻种植区;
根据所述第二期遥感影像和/或第三期遥感影像呈现的光谱特征,判定水稻干扰区;
基于空间叠加技术,在所述初始水稻种植区中剔除所述水稻干扰区,获取目标水稻种植区。
2.根据权利要求1所述的一种基于多期稻田影像特征的水稻种植区判定方法,其特征在于,所述初始遥感影像为空间分辨率优于3米的米级或亚米级遥感卫星影像。
3.根据权利要求1所述的一种基于多期稻田影像特征的水稻种植区判定方法,其特征在于,所述对所述多期初始遥感影像进行预处理,具体包括:
依次对所述多期初始遥感影像进行正射纠正、几何配准和影像融合。
5.根据权利要求3所述的一种基于多期稻田影像特征的水稻种植区判定方法,其特征在于,所述第一期遥感影像采用高景一号亚米级遥感数据进行水稻收割后的特征分析;所述第二期遥感影像采用吉林一号亚米级遥感数据进行水稻灌浆期的特征分析;所述第三期遥感影像采用资源三号米级遥感数据进行水稻种植初期的特征分析。
6.根据权利要求5所述的一种基于多期稻田影像特征的水稻种植区判定方法,其特征在于,所述影像融合具体包括:
对高景一号和吉林一号的遥感影像采用PCI软件封装的UBN-Pansharp融合算法,利用最小二乘算法获取多光谱与全色波段之间的最佳拟合,获取对应的第一期遥感影像和第二期遥感影像;
对资源三号遥感影像采用Gram-Schmidt融合算法,通过对矩阵或多维影像的正交化对遥感影像进行融合,获取对应的第三期遥感影像。
7.根据权利要求1所述的一种基于多期稻田影像特征的水稻种植区判定方法,其特征在于,所述获取自然资源基础调查中的水田矢量数据,根据所述水田矢量数据对所述第一期遥感影像进行空间约束,结合所述第一期遥感影像呈现的纹理和光谱特征,判定初始水稻种植区,具体包括:
根据自然资源基础调查获取水田矢量数据,并根据所述水田矢量数据获取水田空间范围,将所述水田空间范围作为水稻种植区的最大范围;
根据所述水稻种植区的最大范围对所述第一期遥感影像进行空间约束,得到空间约束后的第一期遥感影像,作为目标影像;
根据水稻田识别规则,识别所述目标影像呈现的纹理和光谱特征,判定初始水稻种植区。
8.根据权利要求7所述的一种基于多期稻田影像特征的水稻种植区判定方法,其特征在于,所述根据水稻田识别规则,识别所述目标影像呈现的纹理和光谱特征,判定初始水稻种植区,具体包括:
根据所述目标影像的红波段和近红外波段计算归一化差值植被指数;
根据所述目标影像的近红外波段计算基于二阶概率统计的方差局部纹理特征;
获取水稻收割后的标准归一化差值植被指数和方差纹理灰度的阈值范围,识别所述目标影像中呈现水稻收割后的光谱特征及纹理特征的区域,并判定对应区域为初始水稻种植区。
9.根据权利要求1所述的一种基于多期稻田影像特征的水稻种植区判定方法,其特征在于,所述根据所述第二期遥感影像和/或第三期遥感影像呈现的光谱特征,判定水稻干扰区,具体包括:
根据所述第二期遥感影像和/或第三期遥感影像的红波段和近红外波段计算干扰归一化差值植被指数;
获取水稻灌浆期影像非水稻田的干扰归一化差值植被指数阈值范围,识别所述第二期遥感影像中非水稻田的区域,得到非水稻田区;
和/或,获取水稻种植初期影像非水稻田的干扰归一化差值植被指数阈值范围,识别所述第三期遥感影像中非水稻田的区域,得到非水稻田区;
结合所有被判定为非水稻田区的区域,得到水稻干扰区。
10.一种基于多期稻田影像特征的水稻种植区判定系统,其特征在于,用于实现上述权利要求1-9任一项所述的一种基于多期稻田影像特征的水稻种植区判定方法,包括:
多期遥感影像获取模块,用于获取研究区域内水稻的耕作制度和物候信息,确定水稻收割后及种植初期和/或灌浆期的至少两个特定时期,根据所述特定时期获取多期初始遥感影像;
遥感影像预处理模块,用于对所述多期初始遥感影像进行预处理,得到空间分辨率依次递减的水稻收割后的第一期遥感影像及水稻灌浆期的第二期遥感影像和/或水稻种植初期的第三期遥感影像;
初始种植区判定模块,用于获取自然资源基础调查中的水田矢量数据,根据所述水田矢量数据对所述第一期遥感影像进行空间约束,结合所述第一期遥感影像呈现的纹理和光谱特征,判定初始水稻种植区;
水稻干扰区判定模块,用于根据所述第二期遥感影像和/或第三期遥感影像呈现的光谱特征,判定水稻干扰区;
目标种植区获取模块,用于基于空间叠加技术,在所述初始水稻种植区中剔除所述水稻干扰区,获取目标水稻种植区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211420265.8A CN115761486A (zh) | 2022-11-15 | 2022-11-15 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211420265.8A CN115761486A (zh) | 2022-11-15 | 2022-11-15 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761486A true CN115761486A (zh) | 2023-03-07 |
Family
ID=85370394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211420265.8A Pending CN115761486A (zh) | 2022-11-15 | 2022-11-15 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761486A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152673A (zh) * | 2023-04-21 | 2023-05-23 | 杭州稻道农业科技有限公司 | 一种利用多时相中高分卫星影像识别再生稻的方法及装置 |
CN116543316A (zh) * | 2023-07-06 | 2023-08-04 | 杭州稻道农业科技有限公司 | 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 |
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 (13)
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 |
CN109948596A (zh) * | 2019-04-26 | 2019-06-28 | 电子科技大学 | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 |
CN110472184A (zh) * | 2019-08-22 | 2019-11-19 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
CN111368736A (zh) * | 2020-03-04 | 2020-07-03 | 北京四象爱数科技有限公司 | 基于sar和光学遥感数据的水稻精细化估产方法 |
CN111709379A (zh) * | 2020-06-18 | 2020-09-25 | 谢国雪 | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 |
WO2021072165A1 (en) * | 2019-10-10 | 2021-04-15 | Pioneer Hi-Bred International, Inc. | Synchronized breeding and agronomic methods to improve crop plants |
CN112884672A (zh) * | 2021-03-04 | 2021-06-01 | 南京农业大学 | 一种基于同期卫星影像的多架次无人机影像相对辐射校正方法 |
CN113009485A (zh) * | 2021-03-10 | 2021-06-22 | 安徽皖南烟叶有限责任公司 | 一种基于改进植被指数的遥感烟田识别方法 |
US20210209747A1 (en) * | 2020-01-06 | 2021-07-08 | The Texas A&M University System | Unmanned aerial system genotype analysis using machine learning routines |
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 |
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 |
WO2022180616A1 (en) * | 2021-02-28 | 2022-09-01 | The State Of Israel, Ministry Of Agriculture & Rural Development, Agricultural Research Organization (Aro) (Volcani Institute) | Estimation of a crop coefficient vector based on multispectral remote sensing |
CN115272860A (zh) * | 2022-08-02 | 2022-11-01 | 西南大学 | 一种水稻种植区的确定方法、系统、电子设备及存储介质 |
-
2022
- 2022-11-15 CN CN202211420265.8A patent/CN115761486A/zh active Pending
Patent Citations (13)
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 |
CN109948596A (zh) * | 2019-04-26 | 2019-06-28 | 电子科技大学 | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 |
CN110472184A (zh) * | 2019-08-22 | 2019-11-19 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
WO2021072165A1 (en) * | 2019-10-10 | 2021-04-15 | Pioneer Hi-Bred International, Inc. | Synchronized breeding and agronomic methods to improve crop plants |
US20210209747A1 (en) * | 2020-01-06 | 2021-07-08 | The Texas A&M University System | Unmanned aerial system genotype analysis using machine learning routines |
CN111368736A (zh) * | 2020-03-04 | 2020-07-03 | 北京四象爱数科技有限公司 | 基于sar和光学遥感数据的水稻精细化估产方法 |
CN111709379A (zh) * | 2020-06-18 | 2020-09-25 | 谢国雪 | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 |
WO2022180616A1 (en) * | 2021-02-28 | 2022-09-01 | The State Of Israel, Ministry Of Agriculture & Rural Development, Agricultural Research Organization (Aro) (Volcani Institute) | Estimation of a crop coefficient vector based on multispectral remote sensing |
CN112884672A (zh) * | 2021-03-04 | 2021-06-01 | 南京农业大学 | 一种基于同期卫星影像的多架次无人机影像相对辐射校正方法 |
CN113009485A (zh) * | 2021-03-10 | 2021-06-22 | 安徽皖南烟叶有限责任公司 | 一种基于改进植被指数的遥感烟田识别方法 |
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 |
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 |
CN115272860A (zh) * | 2022-08-02 | 2022-11-01 | 西南大学 | 一种水稻种植区的确定方法、系统、电子设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152673A (zh) * | 2023-04-21 | 2023-05-23 | 杭州稻道农业科技有限公司 | 一种利用多时相中高分卫星影像识别再生稻的方法及装置 |
CN116152673B (zh) * | 2023-04-21 | 2023-09-29 | 杭州稻道农业科技有限公司 | 一种利用多时相中高分卫星影像识别再生稻的方法及装置 |
CN116543316A (zh) * | 2023-07-06 | 2023-08-04 | 杭州稻道农业科技有限公司 | 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 |
CN116543316B (zh) * | 2023-07-06 | 2023-10-27 | 杭州稻道农业科技有限公司 | 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 |
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 |
---|---|---|
Georgi et al. | Automatic delineation algorithm for site-specific management zones based on satellite remote sensing data | |
US10824861B2 (en) | System and method using image based machine learning process for earth observation and analysis | |
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
CN111598019B (zh) | 基于多源遥感数据的作物类型与种植模式识别方法 | |
CN115761486A (zh) | 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 | |
Zhou et al. | Perspective of Chinese GF-1 high-resolution satellite data in agricultural remote sensing monitoring | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
CN107480706A (zh) | 一种制种玉米田遥感识别方法及装置 | |
Ren et al. | Winter wheat planted area monitoring and yield modeling using MODIS data in the Huang-Huai-Hai Plain, China | |
CN109740570B (zh) | 一种基于地形指数和物候差异的梯田遥感识别方法 | |
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 | |
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 | |
CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
Yu et al. | Deep convolutional neural networks for estimating maize above-ground biomass using multi-source UAV images: A comparison with traditional machine learning algorithms | |
CN115512237A (zh) | 基于多时相卫星遥感数据的安徽冬小麦种植面积提取方法 | |
CN114419367A (zh) | 一种农作物高精度制图方法及系统 | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
CN112036313A (zh) | 烟草种植面积检测方法、装置、设备及可读存储介质 | |
CN113269030A (zh) | 石漠化演变的遥感监测方法 | |
CN112329733A (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
Chai et al. | Garlic mapping for sentinel-2 time-series data using a random forest classifier | |
CN115909063A (zh) | 一种中分辨率水稻提取方法及系统 | |
WO2023131949A1 (en) | A versatile crop yield estimator | |
CN113052433B (zh) | 基于关键时相和农田景观特征参量的作物单产估算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |