CN117132897A - 一种基于Landsat和MODIS的自动选取棉花样本的提取方法 - Google Patents
一种基于Landsat和MODIS的自动选取棉花样本的提取方法 Download PDFInfo
- Publication number
- CN117132897A CN117132897A CN202310866433.4A CN202310866433A CN117132897A CN 117132897 A CN117132897 A CN 117132897A CN 202310866433 A CN202310866433 A CN 202310866433A CN 117132897 A CN117132897 A CN 117132897A
- Authority
- CN
- China
- Prior art keywords
- cotton
- landsat
- remote sensing
- modis
- cultivated land
- 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
- 229920000742 Cotton Polymers 0.000 title claims abstract description 134
- 238000000605 extraction Methods 0.000 title claims abstract description 27
- 238000011160 research Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 230000003595 spectral effect Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000000873 masking effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 16
- 238000012876 topography Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于Landsat和MODIS的自动选取棉花样本的提取方法,涉及遥感地理信息技术领域,包括以下步骤:获取遥感影像并预处理;利用Landsat遥感数据对耕地进行面向对象分类提取,构建光谱特征、纹理特征和地形特征,提取信息并掩膜处理;获得耕地矢量数据并人工优化处理,计算耕地矢量数据的中心点;根据棉花的物候特征,利用MODIS‑NDVI时序数据,构建棉花样点筛选规则,获取棉花训练样点;基于Landsat耕地数据,构建棉花分类特征,利用面向对象机器学习分类法获取研究区空间分辨率为30米的棉花长时序的空间分布数据。本发明结合Landsat和MODIS遥感数据,自动化获取棉花样点,弥补长时序研究中训练样本的缺乏和较低空间分辨率的不足,高效且精度高。
Description
技术领域
本实用新型涉及遥感地理信息技术领域,特别涉及一种基于Landsat和MODIS的自动选取棉花样本的提取方法。
背景技术
棉花是我国重要的经济种植作物同时也是纺织业的原材料之一,传统的棉花种植面积的获取方法一般需要时间长且效率低,随着遥感技术的发展,高时间和高空间分辨率的数据源和技术方法应用于棉花的长时序提取中,能够为棉花的种植监测以及相关决策制定提供数据支持。
现阶段,对于棉花的提取方法主要是利用棉花的特征,通过训练样本点构建机器学习模型或者利用阈值法对特定年份进行提取。
由于单一的遥感卫星很难满足长时序下同时具有高时间和高空间分辨率的要求,而基于遥感影像长时序棉花提取的研究中使用的遥感数据源空间分辨率较低且会受限于作物样本训练点,因此存在长时序棉花提取中样本缺乏以及高时空分辨率的制约问题而难以对棉花进行长时序的提取。
发明内容
本发明实施例提供一种基于Landsat和MODIS的自动选取棉花样本的提取方法,可以解决现有技术中,存在的难以对棉花进行长时序且高空间分辨率提取的问题。
本发明实施例提供一种基于Landsat和MODIS的自动选取棉花样本的提取方法,包括以下步骤:
获取长时序下棉花研究区域的所有Landsat遥感影像;
利用Landsat遥感影像对耕地进行面向对象分类提取,获得棉花研究区域的相关特征,以此形成棉花研究区域的耕地信息;
对棉花研究区域的耕地信息进行掩膜处理;
掩膜处理完成后,利用栅格转矢量方法获得耕地地块的矢量数据,计算耕地地块矢量数据的中心点;
根据棉花的物候特征,利用MODIS-NDVI时序数据,构建棉花样点筛选规则,并根据筛选规则从所有耕地地块矢量数据的中心点中选出棉花样本点;
利用已选取的棉花样本点训练分类器,并采用训练后的分类器对Landsat遥感影像中棉花样本点进行标记,获取到棉花长时序的空间分布数据。
优选地,所述获取长时序下棉花研究区域的Landsat遥感影像,包括:
选择研究区域内棉花的整个生长时期4月至11月的长时序下原始Landsat遥感影像;
在GEE平台对长时序下原始Landsat遥感影像进行云筛选、裁剪、中值合成处理,形成Landsat遥感影像。
优选地,所述利用Landsat遥感影像对耕地进行面向对象分类提取,包括:
采用简单非迭代聚类算法对耕地进行面向对象分类提取;
其中,所述简单非迭代聚类算法是根据网络上创建的种子,采用CIELAB颜色距离和空间欧式距离加权法计算像素,及根据图像的灰度、纹理和颜色特征信息,将位置相近、特征相似的像素点聚集成一个局部均匀的连通区域组。
优选地,所述获得棉花研究区域的相关特征,包括:
选择Landsat遥感影像的蓝、绿、红、近红外、短波红外1和2波段以及NDVI指数作为光谱特征;
采用灰度共生矩阵计算纹理特征,并选取角二阶矩ASM、逆差矩IDM、对比度CON、相关性CORR和熵ENT这五种参数作为纹理特征;
选取高程elevation和坡度slope特征分量作为地形特征。
优选地,所述对棉花研究区域的耕地信息进行掩膜处理,包括:
利用感光条件和摄影处理的差别,将原图像制成不同密度、不同反差的正片或负片;
通过正片或负片的各种不同叠加方案改变原有影像的显示效果。
优选地,所述计算耕地地块矢量数据的中心点,包括:
利用栅格转矢量方法获得耕地地块的矢量数据;
在ArcGIS平台对矢量数据进行优化处理,将同一耕地地块合并成一个耕地对象,获得优化后的耕地地块矢量数据;
根据优化后的耕地地块矢量数据,计算每个耕地地块矢量数据的中心点。
优选地,所述根据棉花的物候特征,利用MODIS-NDVI时序数据,构建棉花样点筛选规则,包括:
获得棉花特定的种植模式和物候信息,找到棉花的关键物候特征;
利用MODIS遥感影像,计算出研究区域耕地地块中心点的NDVI时间序列数据;
结合棉花物候特征信息,生成MODIS-NDVI时序曲线;
利用对应的棉花的关键物候特征包括NDVI的峰值数以及峰值大小范围和对应的时间结合形成棉花的筛选规则;
其中NDVI公式为:
其中,Bandnir和,Bandred分别为近红外波段和可见光红光波段。
优选地,所述获取到棉花长时序的空间分布数据,包括:
利用棉花样点,训练机器学习的分类器;
采用分类后的机器学习算法对Landsat遥感影像进行棉花样本点标记;
将Landsat遥感影像中标记到的棉花样本点与Landsat遥感影像中的所有耕地地块中心点进行对比,获取研究区空间分辨率为30米的棉花长时序的空间分布数据。
本发明实施例提供一种基于Landsat和MODIS的自动选取棉花样本的提取方法,与现有技术相比,其有益效果如下:
利用Landsat的长时序和高空间分辨率的优点和MODIS的长时序和高时间分辨率的优点,先获取长时序下研究区域的所有遥感影像,利用Landsat遥感数据对耕地进行面向对象分类提取,构建光谱特征、纹理特征和地形特征,将位置及特征相似的点形成一个局部均匀的连通区域组,提取其中的耕地数据并掩膜处理将其中的目标凸显出来,利用栅格矢量方法获得耕地地块的矢量数据,并利用ArcGIS平台进行优化处理,计算获得耕地地块矢量数据的中心点,用来筛选棉花样点,再根据棉花的物候特征,结合利用MODIS-NDVI时序数据,构建棉花样点筛选规则,即可自动化获取棉花样点,弥补长时序研究中训练样本的缺乏和较低空间分辨率的不足,实现省域/国家尺度下长时序且高空间分辨率的棉花提取,为农业部门作物监测和农作物种植结构优化以及相关决策的制定提供科学依据。
附图说明
图1为本发明实施例提供的一种基于Landsat和MODIS的自动选取棉花样本的提取方法的流程图;
图2为本发明实施例提供的一种基于Landsat和MODIS的自动选取棉花样本的提取方法的精河县耕地矢量数据,2(a)为其a处的耕地矢量数据及其优化后的耕地矢量数据,2(b)为其b处的耕地矢量数据及其优化后的耕地矢量数据,2(c)为其c处的耕地矢量数据及其优化后的耕地矢量数据,2(d)为其d处的耕地矢量数据及其优化后的耕地矢量数据;
图3为本发明实施例提供的一种基于Landsat和MODIS的自动选取棉花样本的提取方法的图1中A处的棉花MODIS-NDVI时间序列示意图;
图4为本发明实施例提供的一种基于Landsat和MODIS的自动选取棉花样本的提取方法的精河县地形图,4(a)为其2000年棉花样点筛选结果示意图,4(b)为其2006年棉花样点筛选结果示意图,4(c)为其2010年棉花样点筛选结果示意图,4(d)为其2015年棉花样点筛选结果示意图,4(e)为其2020年棉花样点筛选结果示意图;
图5为本发明实施例提供的一种基于Landsat和MODIS的自动选取棉花样本的提取方法的研究区域2000年—2020年五期的棉花空间分布图,5(a)为其2000年的棉花空间分布图,5(b)为其2006年棉花空间分布图,5(c)为其2010年棉花空间分布图,5(d)为其2015年棉花空间分布图,5(e)为其2020年棉花空间分布图,5(f)为其各市县棉花分布条形图;
图6为本发明实施例提供的一种基于Landsat和MODIS的自动选取棉花样本的提取方法的研究区域2000年—2020年棉花种植在地理空间上的分布变化图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
如图1~6,本发明实施例提供了一种基于Landsat和MODIS的自动选取棉花样本的提取方法,包括以下步骤:
步骤一:基于Google Earth Engine(GEE)平台(https://code.earthengine.google.com/)中获取2000年-2020年覆盖研究区域内的Landsat遥感影像,并在GEE中直径进行预处理;为了保证影像质量,对获取的遥感影像进行预处理,包括云量筛选(小于等于20%的云覆盖率)和去云处理,然后对研究区域进行裁剪和中值合成,中值合成为将多副影像中对应的像元中值作为该像元的像素值。
步骤二:对预处理后的影像,基于GEE选择非迭代聚类算法(Simple Non-Iterative Clustering,SNIC)进行面向对象分割,然后构建光谱特征、纹理特征和地形特征的分类特征,此分类特征选取蓝、绿、红、近红外、短波红外1和2波段以及NDVI指数作为光谱特征;然后采用灰度共生矩阵计算纹理特征,选取角二阶矩(ASM)、逆差矩(IDM)、对比度(CON)、相关性(CORR)和熵(ENT)这五种相关性较低的参数作为纹理特征;其次,研究区域耕地大多分布在地势较为平缓的区域,整体上坡度相对较小,其坡度和海拔处于一定的范围,因此,选取高程(elevation)和坡度(slope)特征分量作为地形特征;构建好分类特征后,利用面向对象机器学习算法提取实现耕地地块的提取,并进行掩膜处理。
步骤三:提取获得耕地地块后,在GEE中利用SNIC算法对耕地进行聚类,SNIC算法主要的参数有“size”、“compactness”、“connectivity”、“neighborhood size”和“seeds”;“紧致性因子”其值越大则聚集更紧凑,“connectivity”为“连通性因子”,在本发明中设置为8,“neighborhood size”为“邻域值”,在本发明中设置为256;在代码测试阶段,对不同研究区域的耕地地块大小的不同通过不断调试SNIC算法的seed的种子大小,对比获得最优种植分布后,得到最终的分割结果;然后在GEE平台利用(image.reduceToVectors)算法,将分割结果计算转化为矢量,获得耕地地块的矢量数据;最后,在ArcGIS中,对矢量结果进行人工优化处理,使得耕地地块矢量数据更接近研究区域耕地地块的真实轮廓,耕地矢量结果示意图如图2。
步骤四:基于GEE计算获得耕地地块所有矢量数据的中心点,然后了解研究区域内棉花的种植制度,棉花的种植制度为一年一熟,其生长周期需要180天以上,在每年的4月中下旬播种,至10月中旬收获,棉花的整个生长周期可分为播种、幼苗、生长、开花、开铃等五个阶段;结合棉花物候特征和MODIS-NDVI数据构建筛选规则获得研究区域的棉花样本点,研究区域内棉花的NDVI时序曲线形状相似,如图3;其样本点的筛选规则为:每个耕地地块的中心点代表该耕地地块的种植类型的样点,对每个地块的NDIV时序曲线与其种植类型和种植制度相匹配;其中棉花的关键物候特征主要包括NDIV的峰值数以及峰值大小和对应的时间,代表棉花的种植制度、物候阶段和生长状态;棉花8月中下旬至9月的NDIV达到峰值,大约为0.8,其次棉花为一年一季作物,NDIV时序曲线只有一个波峰,研究区域内每年的棉花NDIV时序去行啊形状应相似,如图3,根据以上规则从耕地地块中心点筛选研究区域2000-2020年丰富合理的棉花训练样点,棉花获取样点示例如图4。
步骤五:在GEE平台,基于Landsat耕地信息为基础,构建棉花的分类特征,利用步骤四选取的棉花样本点,去训练机器学习算法,最终获得2000-2020年研究区域内的空间分布数据,如图5;可以看出,研究区域为精河、博乐和双河,这三个区域的棉花种植面积总体都呈现增加的趋势,在不同的时间段,三个区域的棉花种植面积的变化存在一定的波动,其中,20年来精河县棉花种植面积增加最为显著,增加了46.664kha,双河市和博乐市棉花种植增加的面积分别为18.646kha和17.576kha。
利用混淆矩阵计算得到2000-2020年棉花提取的Z总体精度Kappa系数均在85%和0.7以上,将提取的结果与农业统计数据相比较,两者数据之间的R2值为0.98,表明了本方法提取的棉花种植面积与农业统计数据吻合程度明显很高。
步骤六:利用标准差椭圆(Standarddeviational ellipse,SDE)来分析研究区2000—2020年棉花种植的时空变化特征,标准差椭圆是一种用于准确表征研究对象空间结构与区位,并展示研究对象的空间性、延展性、中心性和方向性的空间统计方法。,一般从椭圆重心坐标、方位角、长、短轴这四个参数反映研究对象重心、分布方向和密集性等多个角度的地理要素空间分布特征及时空变化过程。其公式为:
其中,SDEx和SDEy为椭圆的重心坐标;tanθ为方位角;x和y分别表示为椭圆的长轴跟短轴。式中xi、yi为每个棉花i的空间横、纵坐标,n为棉花样点数量,和/>是算数平均中心。
如图6,研究区域内的棉花呈现“东南-西北”的种植空间分布,其拉动力主要为东南方向,其研究区域总体呈现先聚集后离散的种植空间格局。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于Landsat和MODIS的自动选取棉花样本的提取方法,其特征在于,包括以下步骤:
获取长时序下棉花研究区域的所有Landsat遥感影像;
利用Landsat遥感影像对耕地进行面向对象分类提取,获得棉花研究区域的相关特征,以此形成棉花研究区域的耕地信息;
对棉花研究区域的耕地信息进行掩膜处理;
掩膜处理完成后,利用栅格转矢量方法获得耕地地块的矢量数据,计算耕地地块矢量数据的中心点;
根据棉花的物候特征,利用MODIS-NDVI时序数据,构建棉花样点筛选规则,并根据筛选规则从所有耕地地块矢量数据的中心点中选出棉花样本点;
利用已选取的棉花样本点训练分类器,并采用训练后的分类器对Landsat遥感影像中棉花样本点进行标记,获取到棉花长时序的空间分布数据。
2.根据权利要求1所述的一种基于Landsat和MODIS的自动选取棉花样本的提取方法,其特征在于,所述获取长时序下棉花研究区域的Landsat遥感影像,包括:
选择研究区域内棉花的整个生长时期4月至11月的长时序下原始Landsat遥感影像;
在GEE平台对长时序下原始Landsat遥感影像进行云筛选、裁剪、中值合成处理,形成Landsat遥感影像。
3.根据权利要求1所述的一种基于Landsat和MODIS的自动选取棉花样本的提取方法,其特征在于,所述利用Landsat遥感影像对耕地进行面向对象分类提取,包括:
采用简单非迭代聚类算法对耕地进行面向对象分类提取;
其中,所述简单非迭代聚类算法是根据网络上创建的种子,采用CIELAB颜色距离和空间欧式距离加权法计算像素,及根据图像的灰度、纹理和颜色特征信息,将位置相近、特征相似的像素点聚集成一个局部均匀的连通区域组。
4.根据权利要求1所述的一种基于Landsat和MODIS的自动选取棉花样本的提取方法,其特征在于,所述获得棉花研究区域的相关特征,包括:
选择Landsat遥感影像的蓝、绿、红、近红外、短波红外1和2波段以及NDVI指数作为光谱特征;
采用灰度共生矩阵计算纹理特征,并选取角二阶矩ASM、逆差矩IDM、对比度CON、相关性CORR和熵ENT这五种参数作为纹理特征;
选取高程elevation和坡度slope特征分量作为地形特征。
5.根据权利要求1所述的一种基于Landsat和MODIS的自动选取棉花样本的提取方法,其特征在于,所述对棉花研究区域的耕地信息进行掩膜处理,包括:
利用感光条件和摄影处理的差别,将原图像制成不同密度、不同反差的正片或负片;
通过正片或负片的各种不同叠加方案改变原有影像的显示效果。
6.根据权利要求1所述的一种基于Landsat和MODIS的自动选取棉花样本的提取方法,其特征在于,所述计算耕地地块矢量数据的中心点,包括:
利用栅格转矢量方法获得耕地地块的矢量数据;
在ArcGIS平台对矢量数据进行优化处理,将同一耕地地块合并成一个耕地对象,获得优化后的耕地地块矢量数据;
根据优化后的耕地地块矢量数据,计算每个耕地地块矢量数据的中心点。
7.根据权利要求1所述的一种基于Landsat和MODIS的自动选取棉花样本的提取方法,其特征在于,所述根据棉花的物候特征,利用MODIS-NDVI时序数据,构建棉花样点筛选规则,包括:
获得棉花特定的种植模式和物候信息,找到棉花的关键物候特征;
利用MODIS遥感影像,计算出研究区域耕地地块中心点的NDVI时间序列数据;
结合棉花物候特征信息,生成MODIS-NDVI时序曲线;
利用对应的棉花的关键物候特征包括NDVI的峰值数以及峰值大小范围和对应的时间结合形成棉花的筛选规则;
其中NDVI公式为:
其中,Bandnir和,Bandred分别为近红外波段和可见光红光波段。
8.根据权利要求1所述的一种基于Landsat和MODIS的自动选取棉花样本的提取方法,其特征在于,所述获取到棉花长时序的空间分布数据,包括:
利用棉花样点,训练机器学习的分类器;
采用分类后的机器学习算法对Landsat遥感影像进行棉花样本点标记;
将Landsat遥感影像中标记到的棉花样本点与Landsat遥感影像中的所有耕地地块中心点进行对比,获取研究区空间分辨率为30米的棉花长时序的空间分布数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310866433.4A CN117132897A (zh) | 2023-07-14 | 2023-07-14 | 一种基于Landsat和MODIS的自动选取棉花样本的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310866433.4A CN117132897A (zh) | 2023-07-14 | 2023-07-14 | 一种基于Landsat和MODIS的自动选取棉花样本的提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117132897A true CN117132897A (zh) | 2023-11-28 |
Family
ID=88851786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310866433.4A Pending CN117132897A (zh) | 2023-07-14 | 2023-07-14 | 一种基于Landsat和MODIS的自动选取棉花样本的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132897A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794424A (zh) * | 2014-01-20 | 2015-07-22 | 北京天合数维科技有限公司 | 一种新的中低分辨率遥感数据复合的耕地识别方法 |
CN112164062A (zh) * | 2020-10-29 | 2021-01-01 | 河海大学 | 一种基于遥感时序分析的抛荒地信息提取方法及装置 |
CN114663780A (zh) * | 2022-04-07 | 2022-06-24 | 中国农业大学 | 基于gee和机器学习的河套灌区种植结构识别方法及系统 |
CN115049920A (zh) * | 2022-04-19 | 2022-09-13 | 航天宏图信息技术股份有限公司 | 基于gee结合生育期属性和面向对象的大区域作物提取方法 |
CN115861629A (zh) * | 2022-12-07 | 2023-03-28 | 南京市测绘勘察研究院股份有限公司 | 一种高分耕地影像提取方法 |
CN115909044A (zh) * | 2022-07-13 | 2023-04-04 | 中国科学院地理科学与资源研究所 | 一种国土空间结构时空演变模式挖掘方法 |
-
2023
- 2023-07-14 CN CN202310866433.4A patent/CN117132897A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794424A (zh) * | 2014-01-20 | 2015-07-22 | 北京天合数维科技有限公司 | 一种新的中低分辨率遥感数据复合的耕地识别方法 |
CN112164062A (zh) * | 2020-10-29 | 2021-01-01 | 河海大学 | 一种基于遥感时序分析的抛荒地信息提取方法及装置 |
CN114663780A (zh) * | 2022-04-07 | 2022-06-24 | 中国农业大学 | 基于gee和机器学习的河套灌区种植结构识别方法及系统 |
CN115049920A (zh) * | 2022-04-19 | 2022-09-13 | 航天宏图信息技术股份有限公司 | 基于gee结合生育期属性和面向对象的大区域作物提取方法 |
CN115909044A (zh) * | 2022-07-13 | 2023-04-04 | 中国科学院地理科学与资源研究所 | 一种国土空间结构时空演变模式挖掘方法 |
CN115861629A (zh) * | 2022-12-07 | 2023-03-28 | 南京市测绘勘察研究院股份有限公司 | 一种高分耕地影像提取方法 |
Non-Patent Citations (4)
Title |
---|
张宏国: "基于多源时空大数据的水稻稻飞虱检测预报方法", 《中国博士学位论文全文数据库农业科级辑》, 15 April 2023 (2023-04-15), pages 3 - 5 * |
晁吉祥等: "《高等学校规划教材 煤田遥感地质学》", 30 September 1994, 煤炭工业出版社 * |
王桥等: "《基于遥感的宏观生态监控技术研究》", 30 September 2006, 中国环境科学出版社 * |
童庆禧等: "《国土资源遥感技术发展文集》", 31 July 2006, 吉林大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598019B (zh) | 基于多源遥感数据的作物类型与种植模式识别方法 | |
CN105678281B (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
CN109086826B (zh) | 基于图像深度学习的小麦干旱识别方法 | |
CN107504923B (zh) | 一种综合遥感影像和延绳信息的海带养殖面积监测方法 | |
CN107330413B (zh) | 一种基于遥感技术的毒品原植物识别方法 | |
CN107480706A (zh) | 一种制种玉米田遥感识别方法及装置 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN109977991A (zh) | 基于高清卫星遥感的林业资源采集方法 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN113191334B (zh) | 一种基于改进CenterNet的植物冠层密集叶片计数方法 | |
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 | |
CN110598532A (zh) | 一种树木病虫害监控系统及方法 | |
CN108776106A (zh) | 一种基于无人机低空遥感的作物长势监测方法及系统 | |
CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
CN112686086A (zh) | 一种基于光学-sar协同响应的作物分类方法 | |
CN110647932A (zh) | 一种种植作物结构遥感影像分类方法及装置 | |
CN115468917A (zh) | 基于高分辨率遥感提取农田地块作物信息的方法及系统 | |
CN110610438B (zh) | 一种农作物冠层叶柄夹角计算方法及系统 | |
CN112329733B (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
CN113469122A (zh) | 基于深度学习作物时空泛化分类方法及系统 | |
CN110598514A (zh) | 一种土地整治项目区地块尺度农作物播种面积监测方法 | |
Chen et al. | Dense greenhouse extraction in high spatial resolution remote sensing imagery | |
CN117132897A (zh) | 一种基于Landsat和MODIS的自动选取棉花样本的提取方法 | |
Xu et al. | Spatiotemporal distribution of cage and raft aquaculture in China's offshore waters using object-oriented random forest classifier | |
Babykalpana et al. | Classification of land use land cover change detection using remotely sensed 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 |