CN116129276A - 一种地形复杂地区主要粮食作物遥感精细分类方法 - Google Patents
一种地形复杂地区主要粮食作物遥感精细分类方法 Download PDFInfo
- Publication number
- CN116129276A CN116129276A CN202310259930.8A CN202310259930A CN116129276A CN 116129276 A CN116129276 A CN 116129276A CN 202310259930 A CN202310259930 A CN 202310259930A CN 116129276 A CN116129276 A CN 116129276A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- crops
- judging
- main grain
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种地形复杂地区主要粮食作物遥感精细分类方法,包括以下步骤:S1、采集遥感影像数据,并对采集的遥感影像数据进行处理,得到处理好的遥感影像数据;S2、对处理好的数据进行多尺度影像分割,得到分割后的影像;S3、根据农作物的光谱特征构建特征变量;S4、使用分割后的影像和特征变量通过CART决策树提取主要粮食作物种植分布。本发明基于面向对象的分类思想构建决策树分类模型,实现多种作物种植分布信息高精度识别,解决了在地形复杂、作物种植种类繁多的地区作物识别困难的问题,为西南低山丘陵复杂地区作物识别提供参考和现实依据,识别精度高,作物面积提取可靠性高。
Description
技术领域
本发明涉及图像特征检测领域,具体涉及一种地形复杂地区主要粮食作物遥感精细分类方法。
背景技术
粮食作物种类有谷物类、豆类、薯类,主要粮食作物主要为水稻、玉米和红薯。及时、准确掌握主要粮食作物时空分布信息,是切实提高粮食作物综合生产,促进农民持续增收和粮食种植产业可持续发展等的基础性重要工作。作物种植结构包括作物种类和空间分布等信息,是农作物空间格局的重要组成部分。及时、准确的进行作物种植空间分布监测可以辅助作物管理、作物产量预估、作物灾害的预警和作物种植计划的制定,对保证粮食安全具有十分重要的意义。
光学遥感成像范围广、光谱信息丰富、观测成本低,可实现短时间重复观测,近年来已经成为作物种植区域信息提取的重要手段。目前大多数农作物遥感识别研究中,国内外学者多围绕时序植被指数的农作物种植识别、多源影像数据融合、特征变量优选、分类器选择及参数优化等关键技术,对农作物种植空间识别开展了大量深入而广泛的研究。尤其是近年来卫星传感器呈现出高时空、高光谱的发展特点,加上分类方法不断改善,使得农作物种植识别取得长足的进展,但大多农作物遥感提取研究主要针对平原地区的单一作物类型,较少学者将其研究区定位在地形复杂、作物种植种类繁多的地区。西南地区地形复杂,田块破碎,作物种植分布呈现较强的空间异质性,且碎片化程度和离散度较高,致使同一像元内不同地物类型存在明显的光谱混合现象,作物种植精细识别存在较大挑战。
发明内容
针对现有技术中的上述不足,本发明提供的一种地形复杂地区主要粮食作物遥感精细分类方法解决了现有技术主要针对平原地区的单一作物类型,对碎片化程度和离散度较高的地区作物种植精细识别困难的问题。
为了达到上述发明目的,本发明采用的技术方案为:
一种地形复杂地区主要粮食作物遥感精细分类方法,包括以下步骤:
S1、采集遥感影像数据,并对采集的遥感影像数据进行处理,得到处理好的遥感影像数据;
S2、对处理好的数据进行多尺度影像分割,得到分割后的影像;
S3、根据农作物的光谱特征构建特征变量;
S4、使用分割后的影像和特征变量通过CART决策树提取主要粮食作物种植分布。
进一步地,步骤S1的具体实现方式如下:
S1-1、从欧空局哥白尼数据开放中心获取三种主要粮食作物生长物4-11月云量小于10%且空间分辨率为10m的蓝、绿、红、近红外4个波段的遥感影像;
S1-2、对遥感影像进行预处理,包括波段合成、影像裁剪、影像拼接,得到预处理的影像;
S1-3、对预处理的影像划分采样点,得到处理好的遥感影像数据。
进一步地,步骤S2的具体实现方式如下:
S2-1、根据公式:
Sf=Wcolor*hcolor+(1-Wcolor)*hshape
hshape=wcpt*hcpt+(1-wcpt)*hsmooth
得到影像对象总异质性函数Sf;其中:hshape为形状异质性参数;hcolor为光谱异质性参数;Wcolor为光谱异质性权重;wcpt为紧致度权重;hcpt为紧致度参数;hsmooth为平滑度参数;
S2-2、根据影像对象总异质性函数Sf对处理好的遥感影像数据进行多尺度分割,得到分割后的影像。
进一步地,步骤S3的具体实现方式如下:
S3-1、根据公式:
NDVI=(ρnir-ρred)/(ρnir+ρred)
得到归一化植被指数NDVI;其中,ρnir为近红外波段的反射率;ρred为红波段的反射率;
S3-2、根据公式:
RVI=ρnir/ρred
得到比值植被指数RVI;
S3-3、根据公式:
NDWI=(ρgreen-ρnir)/(ρgreen+ρred)
得到归一化差值水体指数NDWI;其中,ρgreen为绿波段的反射率;
S3-4、将海拔高度特征和坡度特征作为地形特征;
S3-5、根据地形特征、归一化植被指数NDVI、比值植被指数RVI和归一化差值水体指数NDWI构建特征变量。
进一步地,步骤S4的具体实现方式如下:
S4-1、判断归一化植被指数NDVI是否大于预定值,若是,则判定分割后的影像的当前的块为植被覆盖区,进入步骤S4-3;否则,判断分割后的影像的当前的块为非植被覆盖区,进入步骤S4-2;
S4-2、判断归一化差值水体指数NDWI是否大于预定值,若是,则判定分割后的影像的当前的块为水体,否则判定为建筑等其他地类;进入步骤S4-6;
S4-3、判断比值植被指数RVI是否大于预定值且归一化差值水体指数NDWI是否小于预定值;若是,则判定分割后的影像的当前的块为林地;否则,判定分割后的影像的当前的块为耕地,进入步骤S4-4;
S4-4、判断归一化差值水体指数NDWI是否在预定区间内,且海拔高度特征小于预定值、坡度特征小于预定值,若是,则判定分割后的影像的当前的块为水稻,否则,进入步骤S4-5;
S4-5、判断归一化植被指数NDVI是否小于预定值,且海拔高度特征小于预定值、坡度特征小于预定值,若是,则判定分割后的影像的当前的块为玉米,否则,判定分割后的影像的当前的块为红薯;进入步骤S4-6;
S4-6、重复步骤S4-1至步骤S4-5直到完成分割后的影像的所有块的判断,得到主要粮食作物种植分布。
本发明的有益效果为:
(1)本发明在复杂地形条件,作物分布破碎且斑块尺度小,多种作物生育期存在重叠的情况下,提高了识别精度,验证了利用多时相高分辨率卫星资料在地形复杂地区在大宗作物识别技术的可行性,可为其他地形复杂作物分类提供较好的理论与实践支撑;
(2)本发明采用面向对象的方法使得具有相似形状、光谱特征的像素在空间上集聚,将同种地物类型的田块进行同质单元构建,使作物识别在田块多尺度分割基础上分层进行,避免了分类结果“椒盐”现象,继而在田块尺度上采用CART决策树模型,完成了对主要粮食作物的智能识别,提高了作物面积提取可靠性。
附图说明
图1为本发明流程图;
图2为本发明研究区区位图;其中,图2(a)为研究区位置图;图2(b)为研究区高程图;
图3为不同地类的光谱曲线图;
图4为Sentinel-2影像不同尺度分割效果对比图;其中,图4(a)为分割尺度为50的影像分割效果;图4(b)为分割尺度为30的影像分割效果;图4(c)为分割尺度为10的影像分割效果;
图5为不同形状因子效果对比图;其中,图5(a)为形状因子为0.3时的效果图;图5(b)为形状因子为0.5时的效果图;
图6为典型地物NDVI时间序列曲线;
图7为农作物和其他植被红波段—近红波段光谱特征空间;
图8为Sentinel/MSI不同物候期影像图;其中,图8(a)为2018-4-17Sentinel/MSI影像图;图8(b)为2018-6-6Sentinel/MSI影像图;图8(c)为2018-08-25Sentinel/MSI影像图;
图9为重庆市渝西地区2018年主要粮食作物分类结果。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种地形复杂地区主要粮食作物遥感精细分类方法,包括以下步骤:
S1、采集遥感影像数据,并对采集的遥感影像数据进行处理,得到处理好的遥感影像数据;
S2、对处理好的数据进行多尺度影像分割,得到分割后的影像;
S3、根据农作物的光谱特征构建特征变量;
S4、使用分割后的影像和特征变量通过CART决策树提取主要粮食作物种植分布。
步骤S1的具体实现方式如下:
S1-1、从欧空局哥白尼数据开放中心获取三种主要粮食作物生长物4-11月云量小于10%且空间分辨率为10m的蓝、绿、红、近红外4个波段的遥感影像;
S1-2、对遥感影像进行预处理,包括波段合成、影像裁剪、影像拼接,得到预处理的影像;
S1-3、对预处理的影像划分采样点,得到处理好的遥感影像数据。
步骤S2的具体实现方式如下:
S2-1、根据公式:
Sf=Wcolor*hcolor+(1-Wcolor)*hshape
hshape=wcpt*hcpt+(1-wcpt)*hsmooth
得到影像对象总异质性函数Sf;其中:hshape为形状异质性参数;hcolor为光谱异质性参数;Wcolor为光谱异质性权重;wcpt为紧致度权重;hcpt为紧致度参数;hsmooth为平滑度参数;
S2-2、根据影像对象总异质性函数Sf对处理好的遥感影像数据进行多尺度分割,得到分割后的影像。
步骤S3的具体实现方式如下:
S3-1、根据公式:
NDVI=(ρnir-ρred)/(ρnir+ρred)
得到归一化植被指数NDVI;其中,ρnir为近红外波段的反射率;ρred为红波段的反射率;
S3-2、根据公式:
RVI=ρnir/ρred
得到比值植被指数RVI;
S3-3、根据公式:
NDWI=(ρgreen-ρnir)/(ρgreen+ρred)
得到归一化差值水体指数NDWI;其中,ρgreen为绿波段的反射率;
S3-4、将海拔高度特征和坡度特征作为地形特征;
S3-5、根据地形特征、归一化植被指数NDVI、比值植被指数RVI和归一化差值水体指数NDWI构建特征变量。
步骤S4的具体实现方式如下:
S4-1、判断归一化植被指数NDVI是否大于预定值,若是,则判定分割后的影像的当前的块为植被覆盖区,进入步骤S4-3;否则,判断分割后的影像的当前的块为非植被覆盖区,进入步骤S4-2;
S4-2、判断归一化差值水体指数NDWI是否大于预定值,若是,则判定分割后的影像的当前的块为水体,否则判定为建筑等其他地类;进入步骤S4-6;
S4-3、判断比值植被指数RVI是否大于预定值且归一化差值水体指数NDWI是否小于预定值;若是,则判定分割后的影像的当前的块为林地;否则,判定分割后的影像的当前的块为耕地,进入步骤S4-4;
S4-4、判断归一化差值水体指数NDWI是否在预定区间内,且海拔高度特征小于预定值、坡度特征小于预定值,若是,则判定分割后的影像的当前的块为水稻,否则,进入步骤S4-5;
S4-5、判断归一化植被指数NDVI是否小于预定值,且海拔高度特征小于预定值、坡度特征小于预定值,若是,则判定分割后的影像的当前的块为玉米,否则,判定分割后的影像的当前的块为红薯;进入步骤S4-6;
S4-6、重复步骤S4-1至步骤S4-5直到完成分割后的影像的所有块的判断,得到主要粮食作物种植分布。
在本发明的一个实施例中,如图2(a)和图2(b)所示,重庆市位于青藏高原与长江中下游平原的过渡地带,地跨105°11′-110°11′E、28°10′-32°13′N,境内山高谷深,沟壑纵横。研究区位于重庆市西部(简称渝西地区,下同),区内平坝、丘陵和山地等多种地形地貌并存,海拔高差1219m,属亚热带季风性湿润气候,水热资源差异大,光温水同季,年平均气温17.2118.3℃,年平均降水量99911134mm,降水多集中在519月。渝西地区独特自然环境和气候条件利于农作物生长,是重庆市主要的农业产区,主要粮食作物主要为水稻、玉米和红薯,区内种植结构复杂、作物斑块分布破碎,多种作物物候期有重叠。
基于实地调查和重庆市气象局作物生育期观测,确定了研究区主要粮食作物生长物候历,这3类作物依次从2月下旬开始播种,春玉米播种育苗最早,接着是水稻和红薯下播,3种主要农作物在经历了出苗、移栽、拔节、开花、灌浆或薯块膨大等生长阶段后,于7月中下旬陆续进入成熟期,如表1所示。
表1
本发明使用Sentinel-2/MSI卫星多光谱数据,从欧空局哥白尼数据开放中心下载获取,根据三种主要粮食作物生长物候历选择研究区4-11月遥感影像,影像采集日期为2018年4月17日至11月25日共8期L2A级数据,空间分辨率为10m的蓝、绿、红、近红外4个波段进行试验,空间坐标系GCS-WGS-84,需要进行的预处理包括波段合成、影像裁剪、影像拼接操作。
农作物分类遥感解译精度的验证数据来源于野外调查数据和Google Earth高空间分辨率遥感影像,共获得2018年有效土地覆被类型样点930个,大致按照3:7的比例划分281个采样点作为解译标志点,649个采样点作为主要粮食作物分类精度的验证点,较为均匀地覆盖整个研究区。依据作物关键生育期选取多时相Sentinel-2A遥感影像,通过提取地块级别光谱和地形特征,构建决策树分类规则集实现研究区主要粮食作物的空间分布的高精度提取。
多尺度影像分割通过调整分割尺度,找到最适宜的参数。在eCognition软件使用process tree模块设置进程为分割,通过insert child插入子进程,设置子进程的算法为多尺度分割,即mutil segmentation,再调整分割尺度及参数。参数包括分割尺度,形状因子和紧凑度因子。调整最适宜分割尺度为30,如图4(b)所示,分割尺度为50的影像分割效果如图4(a)所示,分割尺度为10的影像分割效果如图4(c)所示。调整形状因子和紧凑度指数的匹配,在分割尺度为30的影像对象层中设置紧凑度为0.5、形状因子为0.5时,植被边缘分割较为理想,同时体现林间带,如图5(b)所示,形状因子为0.3时的效果图如图5(a)所示。
选用有效特征变量,包括归一化植被指数NDVI、比值植被指数RVI和归一化差值水体指数NDWI。
NDVI是目前应用最广泛的植被指数,对植被有较强的反映能力,作物类型不同,NDVI的光谱差异明显,如图6所示。RVI可以克服饱和性的问题,对高覆盖植被区域更为敏感,与生物量的相关性最好,适用于区分农田和林地。农作物与林地的光谱曲线相似,相差较大的为红波段和近红波段,红光波段反射率6%-8%之间,林地集中在红光波段反射率3%-6%之间,由农作物和林地的红波段—近红波段光谱特征空间如图7所示。NDWI突出水体信息,适合对水稻与其他旱地作物进行区分。通过波段发射计算三个有效特征变量指数,其中,不同地类的光谱曲线如图3所示。
本发明选用DEM数据进行地形分析,构建海拔高度(elevation)和坡度(slope)特征作为独立波段参与特征构建。
精度评价基于野外调查数据和Google Earth影像开展,使用混淆矩阵精度评价方法计算用户精度、制图精度、总体精度和Kappa系数。基于野外调查数据和Google Earth影像获取了均匀分布的649个验证样本,包括235个水稻样本,189个玉米样本、83个红薯样本、林地样本132个和10个其他地类(建筑用地、河流、裸地、云影响区等)样本,使用混淆矩阵精度评价方法对分类结果进行评价。计算分类结果的总体精度90.8%,Kappa系数86.3%。利用作物关键生育期时相的影像分类得到的水稻、玉米、红薯的分类精度分别为85.7%、83.3%、和80.7%,如表2所示。
表2
6月初,作物进入旺长期,NDVI值迅速拉升,与建筑、裸地、水体等非植被覆盖区形成鲜明对比,选择2018-06-06的Sentinel-2卫星影像区分植被与非植被覆盖区,设置参数为NDVI≥0.46。根据物候信息,6月初水稻生长进入孕穗期,玉米为抽雄吐丝期、红薯处于移栽期,真彩色影像上规则的灰绿区域为耕地,深绿色区域为林地,通过RVI特征值能够很好地区分林地和耕地,选择2018-6-6的Sentinel-2卫星影像,设置参数RVI≥4.8,区分出茂密度高的林地,如图8(b)所示;耕地类型分为水田和旱地,4月水稻处于移栽期,水田水量充足,与旱地和河流塘库等NDWI取值差异大,选择2018-4-17的Sentinel-2卫星影像进行NDWI判识,排除旱地,如图8(a)所示。水稻对种植环境要求较高,海拔越高水稻的适宜性越低,渝西地区海拔超过600m且坡度大于15°的地区基本属于不适宜种植水稻的区域,设定阈值为-0.39≤NDWI≤0和海拔<600、坡度<15°提取出水田,在耕地类型中排除旱地的前提下,设置地形因子确定水田,农作物类型为水稻8月中下旬渝西地区玉米已收获完毕,NDVI值迅速下降,而红薯处于薯块形成期,地上部分长势旺盛,叶绿素含量上升,NDVI值升高,选择2018-08-25的Sentinel-2卫星影像,设置阈值NDVI≥0.6,生长旺盛且边界清晰的深绿色区域是红薯及其他蔬菜地,如图8(c)所示。
综上所述,利用多时相Sentinel-2卫星资料,采用面向对象的决策树方法对渝西地区主要粮食作物识别结果如下:水稻、玉米、红薯为研究区的主要农作物,呈镶嵌结构广泛分布于研究区,如图9所示,其中水稻种植面积最大,约310万亩,在各区县均有大量分布,红薯种植面积其次,约140万亩,主要分布在合川、潼南、铜梁等区县,玉米面积约110万亩。
本发明基于面向对象的分类思想构建决策树分类模型,实现多种作物种植分布信息高精度识别,解决了在地形复杂、作物种植种类繁多的地区作物识别困难的问题,为西南低山丘陵复杂地区作物识别提供参考和现实依据,识别精度高,作物面积提取可靠性高。
Claims (5)
1.一种地形复杂地区主要粮食作物遥感精细分类方法,其特征在于,包括以下步骤:
S1、采集遥感影像数据,并对采集的遥感影像数据进行处理,得到处理好的遥感影像数据;
S2、对处理好的数据进行多尺度影像分割,得到分割后的影像;
S3、根据农作物的光谱特征构建特征变量;
S4、使用分割后的影像和特征变量通过CART决策树提取主要粮食作物种植分布。
2.根据权利要求1所述的一种地形复杂地区主要粮食作物遥感精细分类方法,其特征在于,步骤S1的具体实现方式如下:
S1-1、从欧空局哥白尼数据开放中心获取三种主要粮食作物生长物4-11月云量小于10%且空间分辨率为10m的蓝、绿、红、近红外4个波段的遥感影像;
S1-2、对遥感影像进行预处理,包括波段合成、影像裁剪、影像拼接,得到预处理的影像;
S1-3、对预处理的影像划分采样点,得到处理好的遥感影像数据。
3.根据权利要求2所述的一种地形复杂地区主要粮食作物遥感精细分类方法,其特征在于,步骤S2的具体实现方式如下:
S2-1、根据公式:
Sf=Wcolor*hcolor+(1-Wcolor)*hshape
hshape=wcpt*hcpt+(1-wcpt)*hsmooth
得到影像对象总异质性函数Sf;其中:hshape为形状异质性参数;hcolor为光谱异质性参数;Wcolor为光谱异质性权重;wcpt为紧致度权重;hcpt为紧致度参数;hsmooth为平滑度参数;
S2-2、根据影像对象总异质性函数Sf对处理好的遥感影像数据进行多尺度分割,得到分割后的影像。
4.根据权利要求3所述的一种地形复杂地区主要粮食作物遥感精细分类方法,其特征在于,步骤S3的具体实现方式如下:
S3-1、根据公式:
NDVI=(ρnir-ρred)/(ρnir+ρred)
得到归一化植被指数NDVI;其中,ρnir为近红外波段的反射率;ρred为红波段的反射率;
S3-2、根据公式:
RVI=ρnir/ρred
得到比值植被指数RVI;
S3-3、根据公式:
NDWI=(ρgreen-ρnir)/(ρgreen+ρred)
得到归一化差值水体指数NDWI;其中,ρgreen为绿波段的反射率;
S3-4、将海拔高度特征和坡度特征作为地形特征;
S3-5、根据地形特征、归一化植被指数NDVI、比值植被指数RVI和归一化差值水体指数NDWI构建特征变量。
5.根据权利要求4所述的一种地形复杂地区主要粮食作物作物遥感精细分类方法,其特征在于,步骤S4的具体实现方式如下:
S4-1、判断归一化植被指数NDVI是否大于预定值,若是,则判定分割后的影像的当前的块为植被覆盖区,进入步骤S4-3;否则,判断分割后的影像的当前的块为非植被覆盖区,进入步骤S4-2;
S4-2、判断归一化差值水体指数NDWI是否大于预定值,若是,则判定分割后的影像的当前的块为水体,否则判定为建筑等其他地类;进入步骤S4-6;
S4-3、判断比值植被指数RVI是否大于预定值且归一化差值水体指数NDWI是否小于预定值;若是,则判定分割后的影像的当前的块为林地;否则,判定分割后的影像的当前的块为耕地,进入步骤S4-4;
S4-4、判断归一化差值水体指数NDWI是否在预定区间内,且海拔高度特征小于预定值、坡度特征小于预定值,若是,则判定分割后的影像的当前的块为水稻,否则,进入步骤S4-5;
S4-5、判断归一化植被指数NDVI是否小于预定值,且海拔高度特征小于预定值、坡度特征小于预定值,若是,则判定分割后的影像的当前的块为玉米,否则,判定分割后的影像的当前的块为红薯;进入步骤S4-6;
S4-6、重复步骤S4-1至步骤S4-5直到完成分割后的影像的所有块的判断,得到主要粮食作物种植分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310259930.8A CN116129276A (zh) | 2023-03-16 | 2023-03-16 | 一种地形复杂地区主要粮食作物遥感精细分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310259930.8A CN116129276A (zh) | 2023-03-16 | 2023-03-16 | 一种地形复杂地区主要粮食作物遥感精细分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116129276A true CN116129276A (zh) | 2023-05-16 |
Family
ID=86295729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310259930.8A Pending CN116129276A (zh) | 2023-03-16 | 2023-03-16 | 一种地形复杂地区主要粮食作物遥感精细分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116129276A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563721A (zh) * | 2023-07-12 | 2023-08-08 | 浙江领见数智科技有限公司 | 基于分层分类思想的烟田提取方法 |
CN117456378A (zh) * | 2023-12-20 | 2024-01-26 | 山东锋士信息技术有限公司 | 基于卫星遥感的水利数字孪生底座要素实现方法和系统 |
-
2023
- 2023-03-16 CN CN202310259930.8A patent/CN116129276A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563721A (zh) * | 2023-07-12 | 2023-08-08 | 浙江领见数智科技有限公司 | 基于分层分类思想的烟田提取方法 |
CN117456378A (zh) * | 2023-12-20 | 2024-01-26 | 山东锋士信息技术有限公司 | 基于卫星遥感的水利数字孪生底座要素实现方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peña-Barragán et al. | Object-based crop identification using multiple vegetation indices, textural features and crop phenology | |
CN116129276A (zh) | 一种地形复杂地区主要粮食作物遥感精细分类方法 | |
Knipper et al. | Using high-spatiotemporal thermal satellite ET retrievals to monitor water use over California vineyards of different climate, vine variety and trellis design | |
CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
CN113221806B (zh) | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 | |
CN109543654B (zh) | 一种反映农作物生长状况的改进型植被指数的构建方法 | |
CN115223059B (zh) | 基于多元遥感影像的多云雾区域农作物种植模式提取方法 | |
US20220392215A1 (en) | System and Method for Mapping Land Cover Types with Landsat, Sentinel-1, and Sentinel-2 Images | |
Pieri et al. | Estimation of actual evapotranspiration in fragmented Mediterranean areas by the spatio-temporal fusion of NDVI data | |
Kang et al. | Construction of multidimensional features to identify tea plantations using multisource remote sensing data: A case study of Hangzhou city, China | |
CN115063690A (zh) | 一种基于ndvi时序特征的植被分类方法 | |
RAHMAN | Monitoring Directional Dynamics of Growing Wheat Crop Canopy Using Ground based Time Series Remote Sensing Radiative Measurements | |
CN113283281A (zh) | 基于多时相遥感影像的茭白种植面积提取方法 | |
Chuinsiri et al. | A poppy survey using high resolution remote sensing data | |
Safdary et al. | Application of landscape metrics and object-oriented remote sensing to detect the spatial arrangement of agricultural land | |
Gilabert et al. | Usefulness of the temporal analysis and the normalized difference in the study of rice by means of landsat‐5 TM images: Identification and inventory of rice fields | |
CN114332628B (zh) | 一种基于典型物候及膜网特征的生姜快速遥感提取方法 | |
CN116883853B (zh) | 基于迁移学习的作物时空信息遥感分类方法 | |
Sumithra et al. | An Extensive Study on Satellite Images of Sentinel 2 for Crop Type Identification | |
Bidgoli et al. | Area estimation of saffron cultivation using satellite images and time difference method (case study: Fazl Village in Nishabur County of Iran) | |
Bao et al. | Forecasting spring maize yield using vegetation indices and crop phenology metrics from UAV observations | |
Lanne | Monitoring indigenous tropical montane forests in the Taita Hills using airborne digital camera imagery | |
CN116246168A (zh) | 一种耕地非粮化遥感时序检测方法 | |
CN115876721A (zh) | 一种农作物分类方法、系统、介质、计算机设备及终端 | |
MIHAILESCU et al. | MONITORING THE VEGETATION STATE IN OLTENIA PLAIN, USING COPERNICUS LAND PRODUCTS. |
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 |