CN117197650B - 基于sar数据时空极化定标的甘蔗分布提取方法及系统 - Google Patents
基于sar数据时空极化定标的甘蔗分布提取方法及系统 Download PDFInfo
- Publication number
- CN117197650B CN117197650B CN202310910888.1A CN202310910888A CN117197650B CN 117197650 B CN117197650 B CN 117197650B CN 202310910888 A CN202310910888 A CN 202310910888A CN 117197650 B CN117197650 B CN 117197650B
- Authority
- CN
- China
- Prior art keywords
- sugarcane
- data
- sar data
- distribution
- calibration
- 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.)
- Active
Links
- 240000000111 Saccharum officinarum Species 0.000 title claims abstract description 160
- 235000007201 Saccharum officinarum Nutrition 0.000 title claims abstract description 160
- 238000009826 distribution Methods 0.000 title claims abstract description 61
- 230000010287 polarization Effects 0.000 title claims abstract description 59
- 238000000605 extraction Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000007637 random forest analysis Methods 0.000 claims abstract description 11
- 239000000203 mixture Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000005388 cross polarization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于SAR数据时空极化定标的甘蔗分布提取方法及系统，所述方法包括：获取目标区域的Sentinel‑1A数据并对SAR数据进行预处理；通过建筑物的后向散射构建定标基准图像，对预处理得到的SAR数据进行分布目标时空极化定标；基于甘蔗物候特征建立甘蔗生长指数；获取目标区域的Sentinel‑2A数据并对RGB数据进行预处理；将甘蔗生长指数与预处理后的RGB数据进行波段叠加，得到叠加图像，采用随机森林算法对叠加图像进行甘蔗分布提取；针对甘蔗分布提取结果，结合甘蔗幼苗期SAR数据建立混合高斯模型，进行宿根蔗和新植蔗的分类。本发明通过建筑物的后向散射构建定标基准图像，对时序VH极化数据进行分布目标时空极化定标，可以提高基于雷达影像的作物提取精度。
Description
技术领域
本发明属于遥感影像处理技术领域，具体涉及一种基于SAR数据时空极化定标的甘蔗分布提取方法及系统。
背景技术
甘蔗是一种重要的糖料作物，及时、准确地获取甘蔗的种植信息对甘蔗生产管理、农业保险勘查、稳定食糖市场、保障食糖安全及经济健康循环发展具有重要意义。
传统的通过实地调查的甘蔗种植信息统计方法耗时费力，且主观性强。而基于光学遥感数据的分类识别研究由于其高时效性、高准确性、低成本，如今已经成为农作分布提取的成熟技术手段。然而，一些甘蔗主要种植区在甘蔗关键生长期内往往天气多云多雨，无法获取多时相、高质量的光学遥感数据，当基于单幅影像进行甘蔗分布提取或者未在重要生育期获取甘蔗影像时，甘蔗与其他地物会产生严重地误分。合成孔径雷达(SyntheticAperture Radar，SAR)的主动微波遥感手段不受天气因素影响，具备全天时、全天候、穿透力强的对地观测能力，且对农作物的介电常数、几何形状敏感，能够一定程度上弥补光学遥感的不足。
此外，准确地建立雷达后向散射与地球物理参数之间的定量关系对基于SAR数据的应用十分重要。然而，雷达信号处理一般认为发射波和散射波均在真空中传播，但在传播过程中会因为湍流、风场、热环境等复杂传输条件产生波动，导致极化散射矩阵测量引入失真。
公开号为CN115861844A的发明专利公开了一种基于种植概率的水稻早期遥感识别方法，利用SAR影像数据提取水稻移栽到分蘖期的时序特征，计算各时序特征指标下种植水稻的概率，并整合构建TRPI，利用阈值二分类实现早期水稻识别。但是其也并未实现准确的极化校正，准确度有待提高。此外，对于甘蔗这类作物，甘蔗在生长初期，宿根蔗和新植蔗形态特征往往难以区分，现有技术中也未见针对宿根蔗和新植蔗分类的研究。
发明内容
有鉴于此，本发明提出了一种基于SAR数据时空极化定标的甘蔗分布提取方法及系统，用于解决对极化数据校正不准确导致甘蔗分布提取精度降低的问题。
本发明第一方面，公开了一种基于SAR数据时空极化定标的甘蔗分布提取方法，所述方法包括：
获取目标区域的Sentinel-1A数据并对SAR数据进行预处理；
通过建筑物的后向散射构建定标基准图像，对预处理得到的SAR数据进行分布目标时空极化定标；
基于时空极化定标后的SAR数据构建时序曲线图以表征甘蔗全生育期的生长特征，根据时序曲线图计算甘蔗生长指数；
获取目标区域的Sentinel-2A数据并对RGB数据进行预处理；
将甘蔗生长指数与预处理后的RGB数据进行波段叠加，得到叠加图像，采用随机森林算法对叠加图像进行甘蔗分布提取；
针对甘蔗分布提取结果，结合甘蔗幼苗期SAR数据建立混合高斯模型，进行宿根蔗和新植蔗的分类。
在以上技术方案的基础上，优选的，所述获取目标区域的Sentinel-1A数据并对SAR数据进行预处理具体包括：
选取Sentinel-1A卫星的干涉宽幅模式一级产品，数据类型选择地距影像，极化方式选择交叉极化特征VH，下载目标区域的全年影像，得到SAR数据；
对SAR数据进行辐射定标、干斑滤波、地形校正和分贝化处理。
在以上技术方案的基础上，优选的，所述通过建筑物的后向散射构建定标基准图像，对预处理得到的SAR数据进行分布目标时空极化定标具体包括：
利用Sentinel-2可见光影像提取建筑物区域，将提取结果作为掩膜提取SAR数据中的建筑物；
利用焦点统计算法对空值区域进行插值填充，形成目标区域内连续的影像，得到建筑物定标基准图像；
基于建筑物定标基准图像，采用乘积模型对SAR数据进行时空极化定标，公式为：
I＝ωn
其中I是被观测地物的强度，ω是地物实际的强度，即定标后地物强度，n为建筑物定标基准图像。
所述甘蔗生长指数的计算公式为：
其中，SI为甘蔗生长指数，MAXvh、MINvh分别为时序曲线图的值大值和最小值。
在以上技术方案的基础上，优选的，所述针对甘蔗分布提取结果，结合甘蔗幼苗期SAR数据建立混合高斯模型，进行宿根蔗和新植蔗的分类具体包括：
假设甘蔗幼苗期SAR数据的值域分布包含K类，由K个高斯模型组成；
通过K个高斯模型建立混合高斯模型；
通过最大期望算法对混合高斯模型进行迭代求解，直到对数似然函数收敛，得到最优模型参数值；
根据最优模型参数值确定最佳混合高斯模型；
将甘蔗分布提取结果输入最佳混合高斯模型进行新植蔗和宿根蔗分类。
在以上技术方案的基础上，优选的，所述混合高斯模型的概率密度函数公式如下：
其中p(x|k)是第k个高斯模型的概率密度函数，p(k)是第k个高斯模型的权重，且满足K为高斯模型总数。
在以上技术方案的基础上，优选的，所述通过最大期望算法对混合高斯模型进行迭代求解具体包括：
初始化混合高斯模型的参数值，通过t轮迭代获得第k个高斯模型在第t轮的参数值αk,t、μk,t、σk,t，第t轮迭代的后验概率ωi,k,t的计算公式如下：
其中xi表示第i个数据点，k表示第k个高斯模型，t表示迭代次数，N(xi|μk,t,σk,t)代表第k个高斯模型下样本xi的概率密度函数；
根据第t轮迭代的后验概率ωi,k,t更新高斯混合模型的参数：
其中，αk,t+1、μk,t+1、σk,t+1为混合高斯模型第t+1轮迭代的参数值，i＝1,2,...,N，N为甘蔗幼苗期SAR数据中数据点总数。
本发明第二方面，公开了一种基于SAR数据时空极化定标的甘蔗分布提取系统，所述系统包括：
预处理模块：用于获取目标区域的Sentinel-1A数据并对SAR数据进行预处理；获取目标区域的Sentinel-2A数据并对RGB数据进行预处理；
极化定标模块：用于通过建筑物的后向散射构建定标基准图像，对预处理得到的SAR数据进行分布目标时空极化定标；
甘蔗分布提取模块：用于基于时空极化定标后的SAR数据构建时序曲线图以表征甘蔗全生育期的生长特征，根据时序曲线图计算甘蔗生长指数；将甘蔗生长指数与预处理后的RGB数据进行波段叠加，得到叠加图像，采用随机森林算法对叠加图像进行甘蔗分布提取；
甘蔗长势分类模块：用于针对甘蔗分布提取结果，结合甘蔗幼苗期SAR数据建立混合高斯模型，进行宿根蔗和新植蔗的分类。
本发明第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的方法。
本发明第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果：
1)本发明利用垂直建筑物和地面能够形成二面体结构，与SAR影像定标的角反射器结构相似的原理，通过建筑物的后向散射构建定标基准图像，对时序VH极化数据进行分布目标时空极化定标，通过利用建筑物的偏振散射特性来选择正确的偏振校准参数集，能够对极化数据进行有效地校正，从而有助于地物分类精度的提升，本发明能够实现时间和空间维度上的校准，大幅度提高基于雷达影像的作物提取精度。
2)本发明使用VH时序数据建立甘蔗全生育期生长曲线，选取曲线的波峰与波谷，通过差分计算构建甘蔗生长指数，并与RGB数据波段叠加形成叠加图像用于甘蔗分布提取，能够突出甘蔗表型特征，以区分甘蔗和其他同生育期的作物，提高甘蔗分布提取的准确度。
3)由于宿根蔗和新植蔗生育周期和表型特征有一定差异，本发明统计的甘蔗幼苗期的VH极化数据呈现混合高斯模型分布，通过EM算法求解该数据中的混合高斯模型，可以不依赖样本区分宿根蔗和新植蔗，弥补了目前并未有针对宿根蔗和新植蔗分类的算法研究的空白。
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，下面将对实施例或现有技术描述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为本发明的基于SAR数据时空极化定标的甘蔗分布提取方法流程图；
图2为目标区域下GMM分布拟合图和AIC和BIC度量结果图；
图3为目标区域赶着分布提取结果示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
请参阅图1，本发明提出一种基于SAR数据时空极化定标的甘蔗分布提取方法，所述方法包括：
S1、获取目标区域的Sentinel-1A数据并进行预处理，同时获取目标区域的Sentinel-2A数据并对RGB数据进行预处理。
本发明选取Sentinel-1A卫星的干涉宽幅模式(Interferometric Wide，IW)一级产品(Level-1)，数据类型选择地距影像(Ground Range detected,GRD)，其像素信息表示对应监测区域的振幅信息；极化方式选择交叉极化特征VH，空间分辨率为10×10m，下载覆盖目标区域的2022年全年影像。
然后对Sentinel-1A数据进行辐射定标，相干斑滤波，地形校正和分贝化等预处理。
具体的，通过辐射定标将原始Sentinel-1A数据的DN值转换为后向散射系数σ0波段；相干斑滤波采用自适应滤波器Refined Lee，滤波窗口大小选择5×5；利用SRTM 3SecDEM数据进行地形校正，选择双线性插值方法将数据重采样为10×10m，并转换到UTM投影坐标系；最终通过分贝化将σ0转换为单位为dB的后向散射系数。
同时获取目标区域的Sentinel-2A数据并对RGB数据进行预处理。
S2、通过建筑物的后向散射构建定标基准图像，对预处理得到的SAR数据进行分布目标时空极化定标。
由于垂直建筑物和地面能够形成二面体结构，可以产生后向散射信号较强的表面反射，与SAR影像定标的角反射器结构相似。因此，本发明通过建筑物的后向散射构建定标基准图像，对时序VH极化数据进行分布目标时空极化定标，实现时间和空间维度上的校准。
步骤S2具体包括如下分步骤：
S21、利用Sentinel-2可见光影像提取建筑物区域，将提取结果作为掩膜提取SAR数据中的建筑物。
S22、利用焦点统计算法对空值区域进行插值填充，形成目标区域内连续的影像，得到建筑物定标基准图像。其中焦点统计图形选择矩形，边长为500×500pix，统计类型为平均值，最终形成建筑物定标基准图像。
S23、基于建筑物定标基准图像，采用乘积模型对SAR数据进行时空极化定标，公式为：
I＝ωn
其中，I是被观测地物的强度，ω是地物实际的强度，即时空极化定标后地物强度，n为损耗，即建筑物定标基准图像。
通过以上乘积模型，可以利用建筑物的偏振散射特性来选择正确的偏振校准参数集，能够对极化数据进行有效地校正，实现目标区域全域、多时间维度的SAR数据定标，实现时间和空间维度上的校准。
S3、基于时空极化定标后的SAR数据构建时序曲线图以表征甘蔗全生育期的生长特征，根据时序曲线图计算甘蔗生长指数。
本发明从时空极化定标后的SAR数据中提取甘蔗生长特征，按照时间先后顺序形成甘蔗生长的时序曲线图，计算甘蔗生长指数。甘蔗生长指数的计算公式为：
其中，SI为甘蔗生长指数，MAXvh、MINvh分别为时序曲线图的值大值和最小值。
本发明基于时空极化定标后的SAR数据建立甘蔗全生育期时序曲线图，选取曲线的波峰与波谷，通过差分计算构建甘蔗生长指数用于甘蔗分布提取，能够突出甘蔗表型特征，以区分甘蔗和其他同生育期的作物。
S4、将甘蔗生长指数与预处理后的RGB数据进行波段叠加，得到叠加图像，采用随机森林算法对叠加图像进行甘蔗分布提取。
具体的，预处理后的RGB数据为3波段影像，将甘蔗生长指数作为1个波段与RGB数据合并，生成一个4波段影像数据，从而得到叠加图像，该叠加图像可以增加影像数据信息量。
本发明基于调查数据建立训练样本和测试样本，并训练基于随机森林算法构建随机森林分类器，提取叠加图像中的甘蔗分布。本实施例中设置随机森林算法树数为80，树深为20。
S5、针对甘蔗分布提取结果，结合甘蔗幼苗期SAR数据建立混合高斯模型，进行宿根蔗和新植蔗的分类。
甘蔗在生长初期(幼苗期)，宿根蔗较新植蔗具有早生快发的特点，两者形态特征会有一定差异，经实验研究发现，两者形态特征形成一种混合高斯模型(Gaussian mixturemodel,GMM)分布，因此，本发明利用混合高斯模型进行宿根蔗和新植蔗的分类。
步骤S5具体包括如下分步骤：
S51、假设甘蔗幼苗期SAR数据的值域分布包含K类，由K个高斯模型组成，通过K个高斯模型建立混合高斯模型。
混合高斯模型的概率密度函数公式如下：
其中p(x|k)是第k个高斯模型的概率密度函数，p(k)是第k个高斯模型的权重，且满足K为高斯模型总数。
S52、通过最大期望算法(expectation maximization，EM)对混合高斯模型进行迭代求解，直到对数似然函数收敛，得到最优模型参数值。
初始化混合高斯模型的参数值α、μ和σ，通过t轮迭代获得第t轮参数值αk,t、μk,t、σk,t，第t轮迭代的后验概率ωi,k,t的计算公式如下：
其中xi表示甘蔗幼苗期SAR影像数据中第i个数据点，k表示第k个高斯模型，t表示迭代次数，N(xi|μk,t,σk,t)代表第k个高斯模型下样本xi的概率密度函数；
根据第t轮迭代的后验概率ωi,k,t更新高斯混合模型的参数：
其中，αk,t+1、μk,t+1、σk,t+1为混合高斯模型第t+1轮迭代的参数值，i＝1,2,...,N，N为甘蔗幼苗期SAR数据中数据点总数。
重复步骤S52，直到对数似然函数收敛，获得最佳参数值。
由于EM算法无需先验知识，仅从观测数据本身得到参数的估计值。每次迭代由期望值和期望最大化两个步骤组成，这两步在整个迭代过程中依次交替进行，直至迭代过程收敛，通过EM求解混合高斯模型参数，实现对不同长势甘蔗进行分类。
S53、根据最优模型参数值确定最佳混合高斯模型。
本发明通过AIC信息准则和BIC贝叶斯信息准则衡量混合高斯模型的性能：
AIC＝-2ln(L)+2m
BIC＝mln(n)-2ln(L)
其中，L为对数似然函数，m为训练参数数量，n为样本数量，mln(n)为惩罚项。
由于BIC的惩罚项比AIC大，导致BIC更倾向于选择参数少的简单模型，一般选取AIC和BIC均较小的模型，提高模型拟合度的同时降低过拟合的可能性。即当AIC和BIC均小于预设阈值，则确定当前模型参数下的混合高斯模型为最佳混合高斯模型。
S54、将甘蔗分布提取结果输入最佳混合高斯模型进行新植蔗和宿根蔗分类。
本发明以崇左市为目标区域，下载覆盖崇左市区域2022年全年影像，共计27幅SAR数据。通过分布目标时空极化定标方法对SAR时序数据中存在的系统误差进行标定，利用Sentinel-2可见光影像提取建筑物区域，将提取结果作为掩膜提取27幅SAR数据中的建筑物。本发明将EM算法中类别数K设为4，共迭代100次。根据物候特征构建甘蔗生长指数，基于随机森林分类器进行总体的甘蔗分布提取，在此基础上结合幼苗时期SAR影像通过EM算法进行新植蔗和宿根蔗进一步分类。然后基于统计数据进行分类精度评价。分别设置不同的K值，进行结果比较，通过AIC和BIC可判断最佳类别数。如图2所示为目标区域下GMM分布拟合图和AIC和BIC度量结果图，其中，(A)为K＝2时的GMM分布拟合图(幼苗期)，由(A)可知该混合高斯分布可以较好的拟合统计数据，(B)为不同K值下的AIC和BIC度量结果图(幼苗期)。
如图3所示为目标区域甘蔗分布提取结果示意图，其中(a)为总体的甘蔗分布提取结果，(b)为新植蔗分类结果，(c)为宿根蔗分类结果。结果显示，通过实地调研数据测试甘蔗分布提取精度为92.19％，通过统计数据测试甘蔗面积提取精度为81.96％。基于EM算法提取的崇左市宿根蔗面积提取精度85.13％，崇左市新植蔗面积提取精度71.43％。
与上述方法实施例相对应，本发明还提出一种基于SAR数据时空极化定标的甘蔗分布提取系统，所述系统包括：
预处理模块：用于获取目标区域的Sentinel-1A数据并进行预处理；同时获取目标区域的Sentinel-2A数据并对RGB数据进行预处理；
极化定标模块：用于通过建筑物的后向散射构建定标基准图像，对预处理得到的SAR数据进行分布目标时空极化定标；
甘蔗分布提取模块：用于基于时空极化定标后的SAR数据建立时序曲线图表征甘蔗全生育期的生长特征，建立甘蔗生长指数；将甘蔗生长指数与预处理后的RGB数据进行波段组合，得到叠加数据，采用随机森林算法对叠加数据进行甘蔗分布提取；
甘蔗长势分类模块：用于针对甘蔗分布提取结果，结合甘蔗幼苗期SAR数据建立混合高斯模型，进行宿根蔗和新植蔗的分类。
以上系统实施例和方法实施例是一一对应的，系统实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于SAR数据时空极化定标的甘蔗分布提取方法，其特征在于，所述方法包括：
获取目标区域的Sentinel-1A数据并对SAR数据进行预处理；
通过建筑物的后向散射构建定标基准图像，对预处理得到的SAR数据进行分布目标时空极化定标；所述通过建筑物的后向散射构建定标基准图像，对预处理得到的SAR数据进行分布目标时空极化定标具体包括：
利用Sentinel-2A可见光影像提取建筑物区域，将提取结果作为掩膜提取SAR数据中的建筑物；
利用焦点统计算法对空值区域进行插值填充，形成目标区域内连续的影像，得到建筑物定标基准图像；
基于建筑物定标基准图像，采用乘积模型对SAR数据进行时空极化定标，公式为：
I＝ωn
其中I是被观测地物的强度，ω是地物实际的强度，即定标后地物强度，n为建筑物定标基准图像；
基于时空极化定标后的SAR数据构建时序曲线图以表征甘蔗全生育期的生长特征，根据时序曲线图计算甘蔗生长指数；所述甘蔗生长指数的计算公式为：
其中，SI为甘蔗生长指数，MAXvh、MINvh分别为时序曲线图的值大值和最小值；
获取目标区域的Sentinel-2A数据并对RGB数据进行预处理；
将甘蔗生长指数与预处理后的RGB数据进行波段叠加，得到叠加图像，采用随机森林算法对叠加图像进行甘蔗分布提取；
针对甘蔗分布提取结果，结合甘蔗幼苗期SAR数据建立混合高斯模型，进行宿根蔗和新植蔗的分类。
2.根据权利要求1所述的基于SAR数据时空极化定标的甘蔗分布提取方法，其特征在于，所述获取目标区域的Sentinel-1A数据并对SAR数据进行预处理具体包括：
选取Sentinel-1A卫星的干涉宽幅模式一级产品，数据类型选择地距影像，极化方式选择交叉极化特征VH，下载目标区域的全年影像，得到SAR数据；
对SAR数据进行辐射定标、干斑滤波、地形校正和分贝化处理。
3.根据权利要求1所述的基于SAR数据时空极化定标的甘蔗分布提取方法，其特征在于，所述针对甘蔗分布提取结果，结合甘蔗幼苗期SAR数据建立混合高斯模型，进行宿根蔗和新植蔗的分类具体包括：
假设甘蔗幼苗期SAR数据的值域分布包含K类，由K个高斯模型组成；
通过K个高斯模型建立混合高斯模型；
通过最大期望算法对混合高斯模型进行迭代求解，直到对数似然函数收敛，得到最优模型参数值；
根据最优模型参数值确定最佳混合高斯模型；
将甘蔗分布提取结果输入最佳混合高斯模型进行新植蔗和宿根蔗分类。
4.根据权利要求3所述的基于SAR数据时空极化定标的甘蔗分布提取方法，其特征在于，所述混合高斯模型的概率密度函数公式如下：
其中p(x|k)是第k个高斯模型的概率密度函数，p(k)是第k个高斯模型的权重，且满足K为高斯模型总数。
5.根据权利要求4所述的基于SAR数据时空极化定标的甘蔗分布提取方法，其特征在于，所述通过最大期望算法对混合高斯模型进行迭代求解具体包括：
初始化混合高斯模型的参数值，通过t轮迭代获得第k个高斯模型在第t轮的参数值αk,t、μk,t、σk,t，第t轮迭代的后验概率ωi,k,t的计算公式如下：
其中xi表示第i个数据点，k表示第k个高斯模型，t表示迭代次数，N(xi|μk,t,σk,t)代表第k个高斯模型下样本xi的概率密度函数；
根据第t轮迭代的后验概率ωi,k,t更新高斯混合模型的参数：
其中，αk,t+1、μk,t+1、σk,t+1为混合高斯模型第t+1轮迭代的参数值，i＝1,2,...,N，N为甘蔗幼苗期SAR数据中数据点总数。
6.使用权利要求1～5任一项所述方法的一种基于SAR数据时空极化定标的甘蔗分布提取系统，其特征在于，所述系统包括：
预处理模块：用于获取目标区域的Sentinel-1A数据并对SAR数据进行预处理；获取目标区域的Sentinel-2A数据并对RGB数据进行预处理；
极化定标模块：用于通过建筑物的后向散射构建定标基准图像，对预处理得到的SAR数据进行分布目标时空极化定标；
甘蔗分布提取模块：用于基于时空极化定标后的SAR数据构建时序曲线图以表征甘蔗全生育期的生长特征，根据时序曲线图计算甘蔗生长指数；将甘蔗生长指数与预处理后的RGB数据进行波段叠加，得到叠加图像，采用随机森林算法对叠加图像进行甘蔗分布提取；
甘蔗长势分类模块：用于针对甘蔗分布提取结果，结合甘蔗幼苗期SAR数据建立混合高斯模型，进行宿根蔗和新植蔗的分类。
7.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1～5任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如权利要求1～5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310910888.1A CN117197650B (zh) | 2023-07-24 | 2023-07-24 | 基于sar数据时空极化定标的甘蔗分布提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310910888.1A CN117197650B (zh) | 2023-07-24 | 2023-07-24 | 基于sar数据时空极化定标的甘蔗分布提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117197650A CN117197650A (zh) | 2023-12-08 |
| CN117197650B true CN117197650B (zh) | 2024-03-19 |
Family
ID=89000523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310910888.1A Active CN117197650B (zh) | 2023-07-24 | 2023-07-24 | 基于sar数据时空极化定标的甘蔗分布提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197650B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408468A (zh) * | 2021-07-01 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 |
| CN114202535A (zh) * | 2021-12-15 | 2022-03-18 | 广东省科学院广州地理研究所 | 作物种植面积提取方法及装置 |
| WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
| CN114998742A (zh) * | 2022-06-16 | 2022-09-02 | 天津市生态环境科学研究院(天津市环境规划院、天津市低碳发展研究中心) | 一种单季稻稻作区水稻种植面积的快速识别与提取的方法 |
| CN115393728A (zh) * | 2022-06-30 | 2022-11-25 | 中国空间技术研究院 | 一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法 |
| CN115880519A (zh) * | 2022-09-09 | 2023-03-31 | 河南大学 | 双通道cnn的农作物分类系统、方法、存储介质和电子设备 |
-
2023
- 2023-07-24 CN CN202310910888.1A patent/CN117197650B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
| CN113408468A (zh) * | 2021-07-01 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 |
| CN114202535A (zh) * | 2021-12-15 | 2022-03-18 | 广东省科学院广州地理研究所 | 作物种植面积提取方法及装置 |
| CN114998742A (zh) * | 2022-06-16 | 2022-09-02 | 天津市生态环境科学研究院(天津市环境规划院、天津市低碳发展研究中心) | 一种单季稻稻作区水稻种植面积的快速识别与提取的方法 |
| CN115393728A (zh) * | 2022-06-30 | 2022-11-25 | 中国空间技术研究院 | 一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法 |
| CN115880519A (zh) * | 2022-09-09 | 2023-03-31 | 河南大学 | 双通道cnn的农作物分类系统、方法、存储介质和电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| Mapping Land use/land cover using a combination of Radar Sentinel-1A and Sentinel-2A optical images;T T H Nguyen et al.;IOP Conference Series: Earth and Environmental Science;20211231;第1-12页 * |
| 基于Sentinel-1数据时序特征的热带地区水稻种植结构提取方法;黄翀 等;农业工程学报;20200531;36(09);第177-184页 * |
| 融合多源遥感图像和时序分析的甘蔗生长监测;刘立露;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;20220315;第2022卷(第03期);第C028-246页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117197650A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
| Lu et al. | A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems | |
| CN111414891B (zh) | 基于激光雷达与光学遥感的输电线路通道树高反演方法 | |
| CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
| CN112711989B (zh) | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 | |
| CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
| CN108509836A (zh) | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 | |
| 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 | |
| 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 | |
| CN116188465B (zh) | 基于图像处理技术的作物生长状态检测方法 | |
| CN112861810B (zh) | 一种基于时序遥感观测数据的人工林种植时间自动检测方法 | |
| CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
| CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
| CN116824384A (zh) | 一种基于标准曲线的大豆识别方法 | |
| CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
| CN115690580A (zh) | 一种玉米倒伏遥感监测方法、系统、电子设备及介质 | |
| CN110929222A (zh) | 基于遥感植被冠层水分指数的灌溉农田识别方法 | |
| CN117197650B (zh) | 基于sar数据时空极化定标的甘蔗分布提取方法及系统 | |
| CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
| CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
| CN111597692A (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
| CN116310864A (zh) | 一种作物倒伏自动识别方法、系统、电子设备及介质 | |
| Mirelva et al. | Application of Sentinel-1 Data for Classifying Croplands Using Google Earth Engine. | |
| CN115496999A (zh) | 田间立地秸秆产量估计方法及装置 | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |