CN111832480B - 一种基于光谱特征的油菜种植区遥感识别方法 - Google Patents

一种基于光谱特征的油菜种植区遥感识别方法 Download PDF

Info

Publication number
CN111832480B
CN111832480B CN202010672490.5A CN202010672490A CN111832480B CN 111832480 B CN111832480 B CN 111832480B CN 202010672490 A CN202010672490 A CN 202010672490A CN 111832480 B CN111832480 B CN 111832480B
Authority
CN
China
Prior art keywords
rape
period
classification
remote 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.)
Active
Application number
CN202010672490.5A
Other languages
English (en)
Other versions
CN111832480A (zh
Inventor
张朝
韩继冲
骆玉川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Normal University
Original Assignee
Beijing Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Normal University filed Critical Beijing Normal University
Priority to CN202010672490.5A priority Critical patent/CN111832480B/zh
Publication of CN111832480A publication Critical patent/CN111832480A/zh
Application granted granted Critical
Publication of CN111832480B publication Critical patent/CN111832480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths

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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于光谱特征的油菜种植区光学遥感识别技术，包括：S1:定义油菜的初始开花时间到落花日期之后约25天内的时间段为合适的油菜分类期；S2：对分类期内研究区的Landsat系列卫星反射率数据进行预处理，去除影像中有云的区域；S3：依据反射率数据计算分类期内所有影像的三种光谱指数(NDVI,mNDWI和NRFIg)；S4：对三种光谱指数分别设置相应的阈值进行分割再组合得到不同时间点的油菜分类图；S5：将分类期内所有时间点的油菜分类结果通过叠加得到最终的油菜识别区域。本发明计算简单，不需要大量的训练样本，降低了在对油菜花期高质量影像可用性的依赖，提供了一种可靠的方法。

Description

一种基于光谱特征的油菜种植区遥感识别方法
技术领域
本发明涉及农业遥感技术领域，更具体涉及一种基于光谱特征的油菜种植区遥感识别方法。
背景技术
油菜是全球主要的经济作物和油料来源，其中我国是油菜种植面积最多，产量最高的国家之一。油菜种植区的识别是监测油菜长势，预测油菜产量和制定相关农业措施的基础，对油菜的进出口等具有非常重要的意义。
目前主要的油菜光学遥感识别方法分为结合实地调查统计的遥感影像目视解译法，机器学习分类法，根据物候特征划分阈值分类法，基于HSV色彩转化的油菜识别法。实地调查统计是基于相关人员对野外进行实地测量，遥感影像目视解译主要是利用油菜在花期的影像上独特的视觉特征(例如真彩色为黄绿色)进行人工矢量化得到；机器学习分类主要是基于大量真实的样本数据，利用机器学习算法(如支持向量机和人工神经网络)对油菜花期的影像进行分类；根据物候特征划分阈值的分类方法主要是利用油菜生长过程中与其他植被类型的物候曲线(如NDVI)的差异设置相应的阈值进行种植区的提取；基于HSV色彩转化的油菜识别方法主要是将花期的反射率数据转化为颜色特征数据(颜色，纯度和亮度)进行油菜种植区的识别。
基于实地调查统计和遥感影像目视解译的方法虽然精度高，但需要大量的人力，财力和物力。此外，目视解译的基础是在目标区域内的油菜盛花期有完整可用的卫星影像。机器学习中的监督分类需要大量的真实训练样本数据，且花期的影像为分类的基础数据。根据物候特征划分阈值的分类方法不需要大量的样本数据，该方法要求在油菜的生长期具有连续可用的高质量的影像，然而大部分区域无法满足这种前提。基于HSV色彩转化的方法由于其原理是依据油菜开黄花的颜色特征，因此该方法的前提是花期必须有可用的高质量影像。所以目前的油菜识别研究的共同缺陷是高度依赖于花期影像的可用性，这在一定程度上限制了大范围，长时间序列的研究。
因此，需要新的技术以至少部分解决现有技术中存在的局限。
发明内容
为解决现有的油菜种植区光学遥感识别方法中存在的高度依赖油菜花期影像的缺陷，本发明基于油菜的物候和光谱特征创建了一种可降低花期影像质量对油菜识别精度影响的新的技术方法。
根据本发明的一方面，提供了一种基于光谱特征的油菜种植区光学遥感识别的技术，包括如下步骤：
S1:确定目标区域的油菜分类期，所述油菜分类期包括油菜花期和花后期，油菜花期为油菜的初始开花日期到初始落花日期，花后期为初始落花日期之后的20-30天的这一时间段，具体可以根据情况来适当选择，例如可以为25天；
S2:对目标区域的分类期内不同时间点的卫星遥感反射率图像进行预处理，去除反射率图像中被云覆盖的像元，得到基础反射率图像；
S3:基于步骤S2的基础反射率图像，对不同的波段反射率进行组合计算，得到分类期内不同时间点的三种光谱指数，包括归一化植被指数(NDVI)，归一化水体指数(mNDWI)和NRFIg，其中，
Figure BDA0002582826220000021
其中Bgree为绿波段反射率，Bswir2为短波红外2波段反射率；
S4：对NDVI，mNDWI和NRFIg分别设置相应的阈值TVI，TWI和TFI，当某一像元在某一时间点同时满足如下式(4)中的条件时，该时间点下该像元分类识别为油菜：
Figure BDA0002582826220000031
其中，i表示卫星拍摄影像的时间，NDVIi，mNDWIi，NRFIgi分别表示i时刻的NDVI，mNDWI和NRFIg的值；clasis为基于i时间的影像得到的分类结果；
S5：将S4中得到的不同时间点的油菜识别结果图层进行叠加组合，取所有图层的并集，即同一位置的像元在不同图层的最大值作为最终的油菜种植区空间分布图，由此得到油菜种植区。
根据本发明的实施方案，所述卫星为Landsat卫星，或者其他合适的中低分辨率卫星。
根据本发明的实施方案，所述阈值TVI为0.50-0.60，TWI为0.03-0.07，TFI分别为0.07-0.13。例如，TVI为0.55，TWI为0.05，TFI为0.10。本领域技术人员也可以根据具体情况来进行适当的调整阈值。
根据本发明的实施方案，油菜初始开花日期和初始落花日期的编码可以依据国际植物生长编码***BBCH-scale(canola)确定，初始开花日期的编码为60，初始落花日期的编码为69。
根据本发明的实施方案，去除影像中被云覆盖的像元的方法可以为CFMASK算法，或者其他合适的算法。
根据本发明的实施方案，其中：
Figure BDA0002582826220000041
Figure BDA0002582826220000042
式中，Bgreen为绿波段反射率，Bred为红波段反射率，Bnir为近红外波段反射率，Bswir1为短波红外1波段反射率。
与现有技术相比，本发明不需要大量的地面实际样本数据用于训练分类模型，同时减少了对油菜花期影像可用性的依赖。本发明方法创造性地提出了新的指数，并综合多种指数来进行处理，操作简单，不需要复杂的计算公式，但是能够对油菜的种植区进行大范围和较高精度的识别。为开展像元尺度下长时间的油菜种植面积统计，时空变化规律以及产量的预测等研究提供了支持。
附图说明
附图中相同的附图标记标示了相同或类似的部件或部分。本发明的目标及特征考虑到如下结合附图的描述将更加明显，附图中：
图1为本发明的基于光谱特征的油菜光学遥感识别方法的流程示意图；
图2为根据本发明一个实施方案的春油菜生长过程中三种光谱指数的曲线图；
图3为根据本发明一个实施方案的局部区域的基于花期和非花期影像的春油菜分类结果图；
图4为根据本发明一个实施方案的目标区域最终的油菜识别结果图；
具体实施方式
为清楚的说明本发明中的方案，下面给出优选的实施例，以下的说明本质上仅仅是示例性的而并不是为了限制本公开的应用或用途。
下面以青海省门源县作为研究目标区域，结合附图示例性说明本发明的方法的具体应用。
附图1为依据本发明的基于光谱特征的油菜光学遥感识别的流程示意图，具体包括以下步骤：
S1：选择青海省门源县作为目标区域，该区域是春油菜的主产区。范围在100.86°E～102.59°E，37.06°N～37.88°N之间。2017年该区域的春油菜初始开花时间为7月5号左右，落花时间约为7月25号左右，落花时间延后25天，即定义7月5号-8月20号为合适的分类期。一般来说，油菜的开花以及落花时间可以根据研究区内常年的农业统计资料来确定。
S2：获取2017年分类期内覆盖目标区域的所有landsat8卫星反射率数据，数据的空间分辨率为30m，利用CFMASK算法去除影像中有云的区域。
S3：基于研究时段内处理后的不同时间点的反射率数据，分别计算三种光谱指数，得到NDVI，mNDWI和NRFIg的栅格图像数据，其中NDVI为归一化植被指数，mNDWI为归一化水体指数，NRFIg为本发明中所创建的光谱指数。研究发现，综合此三种指数并进行一定的处理，可以实现较高精度的油菜种植区的识别。
更具体地，三种光谱指数的计算可以参见公式(1)-(3)。目标区域春油菜的三种光谱指数的完整物候曲线如附图2所示，图中灰色的区域为油菜花期，虚线的范围为油菜分类期。
Figure BDA0002582826220000061
Figure BDA0002582826220000062
Figure BDA0002582826220000063
式中，Bgreen为绿波段，Bred为红波段，Bnir为近红外波段，Bswir1为短波红外1波段，Bswir2为短波红外2波段。
S4：对分类期内不同时间点的NDVI，mNDWI和NRFIg按照阈值分割成二值栅格图像。更具体地，对NDVI，mNDWI和NRFIg分别设置相应的阈值TVI，TWI和TFI，所述阈值TVI可以为0.50-0.60，TWI可以为0.03-0.07，TFI可以为0.07-0.13。应该理解的是，本领域技术人员可以根据本发明的教导并结合具体情况来选择适当的阈值。
在本实施方案中，TVI选择为0.55，TWI为0.05，TFI为0.10。NDVI值大于阈值0.55的像元可以赋值为1，其余赋值为0；mNDWI值小于阈值0.05的像元可以赋值为1，其余赋值为0；NRFIg大于阈值0.10的像元可以赋值为1，其余赋值为0；其中1表示满足条件，0表示不满足条件。将上述三个光谱指数分割的结果相加，若像元值为3，即同时满足上述三个条件(公式4)的区域为识别的油菜种植区。根据得到的不同时间点的油菜种植区识别结果，可以将识别为油菜的像元赋值为1，其余赋值为0。油菜花期和花后期的局部地区影像识别结果如附图3所示。
Figure BDA0002582826220000071
其中，i表示Landsat 8卫星拍摄影像的时间，classi为基于i时间的影像得到的分类结果，NDVIi，mNDWIi，NRFIgi分别表示i时刻的NDVI，mNDWI和NRFIg。
S5：将S4中得到的不同时间点的油菜识别结果图层进行叠加组合，取所有图层的并集，即同一位置的像元在不同图层的最大值(公式5)作为最终的油菜种植区空间分布图，空间分辨率为30m，时间分辨率为1年。2017年目标区域最终的油菜种植区识别结果如图4所示。
class＝max(classi) (5)
为验证本发明油菜种植区识别结果的准确性，本文使用了总精度，用户精度，生产者精度和F1共四个指标。其中总精度表示分类正确的样本占总样本数的百分比；油菜分类的用户精度表示正确分类到油菜的样本数占由分类方法得到的总的油菜样本数的百分比；油菜的生产者精度表示正确分类到油菜的样本数占真实的总的油菜样本数的百分比；
F1分数的计算如公式(6)所示。
Figure BDA0002582826220000081
基于花期高分辨率影像Sentinel 2和Google Earth目视解译的验证数据集(338个油菜样本点，1199个非油菜样本点)进行验证，得到的误差矩阵如下表1所示：
表1
Figure BDA0002582826220000082
依据上述误差矩阵进行计算，得到各指标的精度如下：
总精度为(1174+382)/1587*100＝98.0％；
油菜分类的用户精度为382/407*100＝93.9％；
油菜分类的生产者精度为382/388*100＝98.5％；
F1分数为2*(93.9％*98.5％)/(93.9％+98.5％)＝96.1％
结果表明，本发明方法识别结果具有较高的精度，具有重要的科学和经济价值。
与现有技术相比，本发明不需要大量的地面实际样本数据用于训练分类模型，且能够在非花期的影像上进行油菜识别，降低了已有方法中对油菜花期影像质量的高度依赖。本发明方法操作简单，不需要复杂的计算公式，能够对油菜的种植区进行大范围和较高精度的识别。为开展像元尺度下长时间的油菜种植面积统计，时空变化规律以及产量的预测等研究提供支持。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的装置及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种基于光谱特征的油菜种植区遥感识别方法，包括如下步骤：
S1:确定目标区域的油菜分类期，所述油菜分类期包括油菜花期和花后期，油菜花期为油菜的初始开花日期到初始落花日期，花后期为初始落花日期之后的20-30天的这一时间段；
S2:对目标区域的分类期内不同时间点的卫星遥感反射率图像进行预处理，去除反射率图像中被云覆盖的像元，得到基础反射率图像；
S3:基于步骤S2的基础反射率图像，对不同的波段反射率进行组合计算，得到分类期内不同时间点的三种光谱指数，包括归一化植被指数NDVI，归一化水体指数mNDWI和NRFIg，其中，
Figure FDA0002965202990000011
Figure FDA0002965202990000012
其中Bgreen为绿波段反射率，Bswir2为短波红外2波段反射率；Bswir1为短波红外1波段反射率；
S4：对NDVI，mNDWI和NRFIg分别设置相应的阈值TVI，TWI和TFI，所述阈值TVI为0.50-0.60，TWI为0.03-0.07，TFI为0.07-0.13，当某一像元在某一时间点同时满足如下式(4)中的条件时，该时间点下该像元分类识别为油菜：
Figure FDA0002965202990000013
其中，i表示卫星拍摄影像的时间，NDVIi，mNDWIi，NRFIgi分别表示i时刻的NDVI，mNDWI和NRFIg的值；classi为基于i时间的影像得到的分类结果；
S5：将S4中得到的不同时间点的油菜识别结果图层进行叠加组合，取所有图层的并集，即同一位置的像元在不同图层的最大值作为最终的油菜种植区空间分布图，由此得到油菜种植区。
2.根据权利要求1所述的油菜种植区遥感识别方法，其特征在于，所述卫星为Landsat卫星。
3.根据权利要求1所述的油菜种植区遥感识别方法，其特征在于，油菜初始开花日期和初始落花日期的编码依据国际植物生长编码***BBCH-scale确定，初始开花日期的编码为60，初始落花日期的编码为69。
4.根据权利要求1所述的油菜种植区遥感识别方法，其特征在于，去除影像中被云覆盖的像元的方法为CFMASK算法。
5.根据权利要求1所述的油菜种植区遥感识别方法，其特征在于，
Figure FDA0002965202990000021
式中，Bgreen为绿波段反射率，Bred为红波段反射率，Bnir为近红外波段反射率。
CN202010672490.5A 2020-07-14 2020-07-14 一种基于光谱特征的油菜种植区遥感识别方法 Active CN111832480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010672490.5A CN111832480B (zh) 2020-07-14 2020-07-14 一种基于光谱特征的油菜种植区遥感识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010672490.5A CN111832480B (zh) 2020-07-14 2020-07-14 一种基于光谱特征的油菜种植区遥感识别方法

Publications (2)

Publication Number Publication Date
CN111832480A CN111832480A (zh) 2020-10-27
CN111832480B true CN111832480B (zh) 2021-04-23

Family

ID=72922690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010672490.5A Active CN111832480B (zh) 2020-07-14 2020-07-14 一种基于光谱特征的油菜种植区遥感识别方法

Country Status (1)

Country Link
CN (1) CN111832480B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158767B (zh) * 2021-03-02 2022-09-30 山东科技大学 一种基于光谱特性的钉螺孳生地识别方法
CN112883987A (zh) * 2021-03-11 2021-06-01 成都数之联科技有限公司 基于遥感光谱特征的目标提取方法及***及装置及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107271382A (zh) * 2017-06-02 2017-10-20 西北农林科技大学 一种不同生育期油菜叶片spad值遥感估算方法
CN107527014A (zh) * 2017-07-20 2017-12-29 武汉珈和科技有限公司 县级作物种植面积遥感统计抽样调查方案设计方法
CN110175931A (zh) * 2019-05-10 2019-08-27 北京师范大学 一种大范围快速提取农作物种植面积和物候信息的方法
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
CN111209871A (zh) * 2020-01-09 2020-05-29 河南大学 一种基于光学卫星影像的油菜种植地块遥感自动识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107271382A (zh) * 2017-06-02 2017-10-20 西北农林科技大学 一种不同生育期油菜叶片spad值遥感估算方法
CN107527014A (zh) * 2017-07-20 2017-12-29 武汉珈和科技有限公司 县级作物种植面积遥感统计抽样调查方案设计方法
CN110175931A (zh) * 2019-05-10 2019-08-27 北京师范大学 一种大范围快速提取农作物种植面积和物候信息的方法
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
CN111209871A (zh) * 2020-01-09 2020-05-29 河南大学 一种基于光学卫星影像的油菜种植地块遥感自动识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Study on Extraction Methods of Rape Area Based on GF-1 Satellite Image;Jie Shan等;《2018 7th International Conference on Agro-geoinformatics (Agro-geoinformatics)》;20181001;全文 *
基于MODIS时序数据的Landsat8影像选取及面向对象分类方法的农作物分类;刘明月等;《土壤与作物》;20170615;第104-112页 *
基于多时相环境星数据的甘蔗收割过程遥感监测;马尚杰等;《农业工程学报》;20110301;第215-219页 *
基于红边位置变化特征的油菜种植区域提取;佘宝等;《农业工程学报》;20130830;第145-151页 *

Also Published As

Publication number Publication date
CN111832480A (zh) 2020-10-27

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
CN110751019B (zh) 基于深度学习的高分辨率影像农作物自动提取方法及装置
CN112183209B (zh) 一种基于多维特征融合的区域农作物分类方法及***
CN108458978B (zh) 基于敏感波段和波段组合最优的树种多光谱遥感识别方法
CN113221765B (zh) 一种基于数字相机影像有效像元的植被物候期提取方法
CN108710864B (zh) 基于多维度识别及图像降噪处理的冬小麦遥感提取方法
CN111832480B (zh) 一种基于光谱特征的油菜种植区遥感识别方法
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
CN110765977A (zh) 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法
CN111753834B (zh) 基于深度神经网络的种植地块结构语义分割方法和装置
CN114612794B (zh) 一种细碎化农业区土地覆被与种植结构的遥感识别方法
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
CN113033453A (zh) 一种适用于景观破碎区作物类型遥感识别的方法及***
CN104951754A (zh) 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法
CN112541933B (zh) 一种农田边界及种植结构的提取方法
Fan et al. An improved Deeplab based model for extracting cultivated land information from high definition remote sensing images
Rony et al. BottleNet18: Deep Learning-Based Bottle Gourd Leaf Disease Classification
CN115147730A (zh) 一种联合全卷积神经网络和集成学习的遥感分类方法
CN114463642A (zh) 一种基于深度学习的耕地地块提取方法
CN115035423A (zh) 一种基于无人机遥感影像的杂交水稻父母本识别提取方法
Jahan et al. Using images from a handheld camera to detect wheat bacterial leaf streak disease severities
Hall et al. A method for extracting detailed information from high resolution multispectral images of vineyards
CN113191177A (zh) 一种用于深度学习的松材线虫病遥感影像样本标注方法
CN116052141B (zh) 作物生育期的识别方法、装置、设备及介质
Rodrigues et al. Circular Hough Transform and Balanced Random Forest to Detect Center Pivots.

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