CN109960972B - 一种基于中高分辨率时序遥感数据的农林作物识别方法 - Google Patents
一种基于中高分辨率时序遥感数据的农林作物识别方法 Download PDFInfo
- Publication number
- CN109960972B CN109960972B CN201711406182.2A CN201711406182A CN109960972B CN 109960972 B CN109960972 B CN 109960972B CN 201711406182 A CN201711406182 A CN 201711406182A CN 109960972 B CN109960972 B CN 109960972B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- forestry
- crop
- high resolution
- agricultural
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于中高分辨率时序遥感数据的农林作物识别方法,所述方法包括:步骤1)对多个中高分辨率遥感器在不同时间对同一地区进行观测到的遥感影像进行交叉定标;步骤2)对于不同空间分辨率的遥感影像,在交叉定标的基础上,形成空间分辨率一致、时间间隔较短的遥感时序数据集合;步骤3)利用影像分割方法对遥感影像中的农林地块进行分割,获得各个地块的边界;步骤4)以地块为单位,对遥感时序数据集合进行分析,统计各时期地块光谱波段反射率、归一化植被指数、叶面积指数的均值和方差;然后按照时间对统计特征进行排序,形成该地块的多种特征曲线;步骤5)将农林地块的多种特征曲线与物候特征库进行匹配,获取该地块的作物类型。
Description
技术领域
本发明涉及遥感应用领域,特别涉及中高分辨率的时序遥感数据在农、林作物识别方面的应用,具体涉及一种基于中高分辨率时序遥感数据的农林作物识别方法。
背景技术
农林作物识别是长势监测、作物估产等农林作物遥感监测的基础。当前的农林作物遥感识别主要有三类方法:
1、人工目视解译。专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息。该方法受限于人员技术水平且费工费时,不能满足信息时效性的需要。
2、计算机监督分类。以最大似然法为代表的监督分类,是计算机模式识别的方式自动提取农林作类别。该方法虽然自动化程度较高,但准确度受限于样本选择数量与质量、计算机模式识别算法性能等的影响,识别的准确度较低,难以满足应用要求。
3、多时相分析方法。该方法在物候历分析的基础上,通过选择最适合时相的遥感影像,与农林作物的物候关键期进行对比,实现作物的类别识别。但由于不同卫星存在空间分辨率不一致、大气状况等观测条件多变、观测周期难以控制等因素的影响,导致符合要求的观测数据难以采集,实用性较低。
近年来遥感观测技术的迅速发展,遥感数据的光谱分辨率、空间分辨率、时间分辨率不断提高,为进一步提高遥感农林作物识别的准确性和效率提供了可能性。但上述三类方法均无法充分利用多源(尤其是中高分辨率卫星)、时序观测遥感数据提供的有效信息,因此需要一种能够针对中高分辨率时序遥感数据的准确、高效、适用性强的农林作物识别方法。
发明内容
本发明的目的在于克服目前多源遥感数据在农林作物识别中信息无法被充分利用、解译自动化程度较低、作物类别识别准确度较低等问题。提供一种对来源、不同时相遥感数据的交叉定标方法,实现有效的辐射定标和大气校正;构建多尺度时空遥感分析框架,使不同空间分辨率、不同观测间隔的遥感影像可以进行联合分析;在采集大量农林作物实测数据的基础上,建立主要农林作物类别的物候特征库;提取时序遥感影像植被相关的特征,对农林地块进行识别并构建其特征曲线;利用模糊数学方法,进行农林地块特征曲线与物候特征库的匹配,实现准确的作物类别识别。
为了实现上述目的,本发明提出了一种基于中高分辨率时序遥感数据的农林作物识别方法,所述方法包括:
步骤1)对多个中高分辨率遥感器在不同时间对同一地区进行观测到的遥感影像进行交叉定标;
步骤2)对于不同空间分辨率的遥感影像,在交叉定标的基础上,考虑空间和时间多尺度方差反映不同尺度上的波动性,利用离散小波变换对图像进行融合和插值处理,形成空间分辨率一致、时间间隔较短的遥感时序数据集合;
步骤3)利用影像分割方法对遥感影像中的农林地块进行分割,获得各个地块的边界;
步骤4)以地块为单位,对遥感时序数据集合进行分析,统计各时期地块光谱波段反射率、归一化植被指数、叶面积指数的均值和方差;然后按照时间对统计特征进行排序,形成该地块的多种特征曲线;
步骤5)将农林地块的多种特征曲线与物候特征库进行匹配,获取该地块的作物类型。
作为上述方法的一种改进,所述方法的步骤5)之前包括:建立物候特征库;具体包括:
步骤S1)通过外业实地调查、从农林相关部门获取大量农林作物的实际种植数据,包括作物类型、种植年份、种植位置和播种时间;
步骤S2)根据其种植位置与年份,收集与其对应的历史遥感影像数据;
步骤S3)计算各类作物在遥感影像上对应的特征,包括光谱波段反射率、归一化植被指数、叶面积指数的均值和方差;利用物候历进行误差分析与质量控制,再利用聚类算法形成物候特征库。
作为上述方法的一种改进,所述步骤1)的具体实现过程为:
步骤101)选取一个参考遥感器的遥感影像图像,计算入瞳辐亮度或表观反射率;
步骤102)任意选取一幅遥感影像图像;
步骤103)判断参考遥感器的遥感影像图像和选取的遥感影像图像是否满足光线匹配交叉定标的匹配条件;如果满足,转入步骤104),否则,转入步骤102),直至所有遥感影像图像处理完毕;
所述匹配条件为:观测时间差异小于半小时,观测角度差异小于1球面度;
步骤104)将参考传感器的入瞳辐亮度或表观反射率乘以比例因子,作为选取的遥感影像图像的入瞳辐亮度或表观反射率,由此实现两幅图像的交叉定标。
作为上述方法的一种改进,所述步骤5)具体为:
利用模糊数学概率松弛的方法,为每个特征点提供一个模糊度参数并构建总体的匹配函数:
上式为匹配函数表达式,其中Sim为某地块与物候特征库中某作物类别的相似度;M为时间观测点数、N为选择的特征数量,为农林地块在第i时刻、第j个特征的特征数值;为K0作物在第i时刻、第j个特征的特征数值;
通过计算地块特征曲线与物候特征库中所有作物类别的相似程度,选取相似度最高的类别为该地块的作物类型。
本发明的有益效果是:
本发明的方法充分利用各种遥感手段提供的观测信息,实现自动化、高准确度、强适应性的农林作物类别自动识别,为相关农林遥感监测***的业务化运行提供技术支撑。
附图说明
图1为本发明的基于中高分辨率时序遥感数据的农林作物识别方法的流程图。
具体实施方式
下面结合附图对本发明的实施方式进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
1、总体技术流程
本专利的总体技术流程如附图1所示。主要分为5个环节,分别是中高分辨率时序遥感数据的交叉定标、多尺度时空遥感分析框架构建、农林作物物候特征库的建立、农林地块识别及特征曲线提取、农林地块特征曲线与物候特征库匹配。通过这些技术环节,解决了中高分辨率时序遥感数据分析中的各种问题,实现基于中高分辨率时序遥感数据农林作物类别的识别。
2、中高分辨率时序遥感数据的交叉定标
多个中高分辨率遥感器在不同时间对同一地区进行观测是常见的一种遥感数据组合模式。该模式下获取数据时大气条件、观测几何不同,不同遥感器的光谱响应也不同,地面表面情况存在一定的差异。利用光谱匹配交叉定标充分考虑光谱响应的差异,采用光线匹配法进行交叉定标。当两幅图像满足光线匹配交叉定标的匹配条件(观测时间差异小于半小时,观测角度差异小于1球面度)由于两个遥感器光谱响应不同,使得其入瞳辐亮度或表观反射率之间存在比例关系,即将参考传感器的入瞳辐亮度或表观反射率乘以某一比例因子得到待定标遥感器的入瞳辐亮度或表观反射率。
3、多尺度时空遥感分析框架构建
不同卫星的重复观测周期也不一致,同时考虑到云、雾等不利气象因素的影响,用于分析的中高分辨率时序遥感数据集往往不规则的时间间隔。此外,不同卫星的空间分辨率不一致,对于中高分辨率遥感影像来说,这种差异可至数十倍。为解决此问题,本发明采用多尺度分析方法,构建多尺度时空遥感分析框架。对于不同空间分辨率的遥感影像,在交叉定标的基础上,考虑空间和时间多尺度方差反映不同尺度上的波动性,利用离散小波变换对图像进行融合和插值处理,形成空间分辨率一致、时间间隔较短的时序数据集合。
4、农林作物物候特征库的建立
通过外业实地调查、从农林相关部门收集等方法获取大量农、林作物的实际种植数据,包括作物类型、种植年份、种植位置、播种时间等。根据其种植位置与年份,收集与其对应的历史遥感影像数据。计算各类作物在遥感影像上对应的特征,包括各主要光谱波段反射率、归一化植被指数、叶面积指数等。利用物候历进行误差分析与质量控制,再利用聚类方法形成各主要农林作物物候特征库。
5、农林地块识别及特征曲线提取
以较高分辨率的遥感影像为基础,利用影像分割方法对农林地块分割,获得各个地块的边界。以地块为单位,对时序数据集合进行分析,统计各时期地块光谱反射率、归一化植被指数、叶面积指数等的均值和方差。按照时间对统计特征进行排序,形成该地块的多种特征曲线。
6、农林地块特征曲线与物候特征库匹配
以地块为单位,将其多种特征曲线与物候特征库进行比对,寻找最匹配的作物类别。采用的技术方法是利用模糊数学概率松弛的方法,为每个特征点给出一个模糊度参数并构建总体的匹配函数。
利用模糊数学概率松弛的方法,为每个特征点提供一个模糊度参数并构建总体的匹配函数:
上式为匹配函数表达式,其中Sim为某地块与物候特征库中某作物类别的相似度;M为时间观测点数、N为选择的特征数量,为农林地块在第i时刻、第j个特征的特征数值;为K0作物在第i时刻、第j个特征的特征数值;
通过计算地块特征曲线与物候特征库中所有作物类别的相似程度,选取相似度最高的类别为该地块的作物类型。
按照此方法进行实施,即可有效识别时序中高分辨率遥感影像上的农林作物类型。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于中高分辨率时序遥感数据的农林作物识别方法,所述方法包括:
步骤1)对多个中高分辨率遥感器在不同时间对同一地区进行观测到的遥感影像进行交叉定标;
步骤2)对于不同空间分辨率的遥感影像,在交叉定标的基础上,考虑空间和时间多尺度方差反映不同尺度上的波动性,利用离散小波变换对图像进行融合和插值处理,形成空间分辨率一致、时间间隔较短的遥感时序数据集合;
步骤3)利用影像分割方法对遥感影像中的农林地块进行分割,获得各个地块的边界;
步骤4)以地块为单位,对遥感时序数据集合进行分析,统计各时期地块光谱波段反射率、归一化植被指数、叶面积指数的均值和方差;然后按照时间对统计特征进行排序,形成每一地块的多种特征曲线;
步骤5)将每一地块的多种特征曲线与物候特征库进行匹配,获取相应地块的作物类型。
2.根据权利要求1所述的基于中高分辨率时序遥感数据的农林作物识别方法,其特征在于,所述方法的步骤5)之前包括:建立物候特征库;具体包括:
步骤S1)通过外业实地调查、从农林相关部门获取大量农林作物的实际种植数据,包括作物类型、种植年份、种植位置和播种时间;
步骤S2)根据其种植位置与年份,收集与其对应的历史遥感影像数据;
步骤S3)计算各类作物在遥感影像上对应的特征,包括光谱波段反射率、归一化植被指数、叶面积指数的均值和方差;利用物候历进行误差分析与质量控制,再利用聚类算法形成物候特征库。
3.根据权利要求1所述的基于中高分辨率时序遥感数据的农林作物识别方法,其特征在于,所述步骤1)的具体实现过程为:
步骤101)选取一个参考遥感器的遥感影像图像,计算入瞳辐亮度或表观反射率;
步骤102)任意选取一幅遥感影像图像;
步骤103)判断参考遥感器的遥感影像图像和选取的遥感影像图像是否满足光线匹配交叉定标的匹配条件;如果满足,转入步骤104),否则,转入步骤102),直至所有遥感影像图像处理完毕;
所述匹配条件为:观测时间差异小于半小时,观测角度差异小于1球面度;
步骤104)将参考传感器的入瞳辐亮度或表观反射率乘以比例因子,作为选取的遥感影像图像的入瞳辐亮度或表观反射率,由此实现两幅图像的交叉定标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711406182.2A CN109960972B (zh) | 2017-12-22 | 2017-12-22 | 一种基于中高分辨率时序遥感数据的农林作物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711406182.2A CN109960972B (zh) | 2017-12-22 | 2017-12-22 | 一种基于中高分辨率时序遥感数据的农林作物识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109960972A CN109960972A (zh) | 2019-07-02 |
CN109960972B true CN109960972B (zh) | 2020-11-10 |
Family
ID=67019476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711406182.2A Active CN109960972B (zh) | 2017-12-22 | 2017-12-22 | 一种基于中高分辨率时序遥感数据的农林作物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109960972B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232230B (zh) * | 2020-10-20 | 2021-04-16 | 中国气象科学研究院 | 退耕地信息遥感识别方法及装置 |
CN112330700A (zh) * | 2020-11-16 | 2021-02-05 | 四川航天神坤科技有限公司 | 一种卫星影像的耕地地块提取方法 |
CN112699850A (zh) * | 2021-01-14 | 2021-04-23 | 中国科学院地理科学与资源研究所 | 一种基于多源信息融合的荒漠植物遥感识别方法 |
CN113111763B (zh) * | 2021-04-08 | 2023-01-24 | 洛阳师范学院 | 一种建立光谱体积指数的方法、装置及树种识别的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482929A (zh) * | 2009-03-09 | 2009-07-15 | 中国农业科学院农业资源与农业区划研究所 | 遥感影像的处理方法及*** |
CN102609726A (zh) * | 2012-02-24 | 2012-07-25 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
US9652840B1 (en) * | 2014-10-30 | 2017-05-16 | AgriSight, Inc. | System and method for remote nitrogen monitoring and prescription |
-
2017
- 2017-12-22 CN CN201711406182.2A patent/CN109960972B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482929A (zh) * | 2009-03-09 | 2009-07-15 | 中国农业科学院农业资源与农业区划研究所 | 遥感影像的处理方法及*** |
CN102609726A (zh) * | 2012-02-24 | 2012-07-25 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
US9652840B1 (en) * | 2014-10-30 | 2017-05-16 | AgriSight, Inc. | System and method for remote nitrogen monitoring and prescription |
Non-Patent Citations (3)
Title |
---|
《A Boosting-based Approach for Remote Sensing Multimodal Image Classification》;Edemir Ferreira Jr 等;《2016 29th SIBGRIPA Conference on Graphic, Patterns and Images》;20161231;全文 * |
《基于光谱时间序列拟合的中国南方水稻遥感识别方法研究》;宋盼盼 等;《地球信息科学学报》;20170131;第19卷(第1期);全文 * |
《基于多时相GF-1遥感影像的作物分类提取》;贺鹏 等;《河南农业科学》;20160131;第45卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109960972A (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qureshi et al. | Machine vision for counting fruit on mango tree canopies | |
CN109960972B (zh) | 一种基于中高分辨率时序遥感数据的农林作物识别方法 | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
Paulus et al. | Surface feature based classification of plant organs from 3D laserscanned point clouds for plant phenotyping | |
Lu et al. | Current situation and needs of change detection techniques | |
US8615133B2 (en) | Process for enhancing images based on user input | |
CN111898503B (zh) | 基于云覆盖遥感影像和深度学习的作物识别方法和*** | |
Kordi et al. | Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images | |
CN110363246B (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
Kalantar et al. | A deep learning system for single and overall weight estimation of melons using unmanned aerial vehicle images | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及*** | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
CN112434569B (zh) | 一种无人机热成像*** | |
CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
Ye et al. | An image-based approach for automatic detecting tasseling stage of maize using spatio-temporal saliency | |
Liu et al. | Estimating maize seedling number with UAV RGB images and advanced image processing methods | |
Liu et al. | Optimal MODIS data processing for accurate multi-year paddy rice area mapping in China | |
Olenskyj et al. | End-to-end deep learning for directly estimating grape yield from ground-based imagery | |
Guo et al. | Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field | |
Sitokonstantinou et al. | A Sentinel based agriculture monitoring scheme for the control of the CAP and food security | |
Sun et al. | A highly efficient temporal-spatial probability synthesized model from multi-temporal remote sensing for paddy rice identification | |
Masykur et al. | Approach and Analysis of Yolov4 Algorithm for Rice Diseases Detection at Different Drone Image Acquisition Distances | |
CN112488230A (zh) | 基于机器学习的作物水分胁迫程度判定方法和装置 | |
Yadav et al. | Crop Yield Prediction Using Image Processing | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100070 Building 5, area 17, 188 South 4th Ring Road West, Fengtai District, Beijing Patentee after: Aerospace Science and Technology (Beijing) Space Information Application Co.,Ltd. Address before: 100070 Building 5, area 17, 188 South 4th Ring Road West, Fengtai District, Beijing Patentee before: BEIJING AEROSPACE TITAN TECHNOLOGY Co.,Ltd. |