CN113033670B - 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 - Google Patents

一种基于Sentinel-2A/B数据的水稻种植面积提取方法 Download PDF

Info

Publication number
CN113033670B
CN113033670B CN202110333793.9A CN202110333793A CN113033670B CN 113033670 B CN113033670 B CN 113033670B CN 202110333793 A CN202110333793 A CN 202110333793A CN 113033670 B CN113033670 B CN 113033670B
Authority
CN
China
Prior art keywords
remote sensing
sensing image
sentinel
classification
index
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
CN202110333793.9A
Other languages
English (en)
Other versions
CN113033670A (zh
Inventor
肖德琴
杨文涛
潘永琪
黄一桂
张远琴
曾瑞麟
刘又夫
冯健昭
殷建军
王春桃
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.)
South China Agricultural University
Original Assignee
South China Agricultural 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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN202110333793.9A priority Critical patent/CN113033670B/zh
Publication of CN113033670A publication Critical patent/CN113033670A/zh
Application granted granted Critical
Publication of CN113033670B publication Critical patent/CN113033670B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning 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
    • G06V10/20—Image preprocessing
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明为克服对于地块破碎的水稻种植面积估算精度较低的缺陷，提出一种基于Sentinel‑2A/B数据的水稻种植面积提取方法，包括以下步骤：获取目标区域的Sentinel‑2A/B数据并对其进行拼接、裁剪操作，得到完整的遥感图像后对其进行预处理；建立特征工程，提取遥感图像的光谱特征、指数特征、纹理特征后进行叠加；通过不同的监督分类方法进行目标作物分类；对目标作物分类结果进行精度评估，选择分类精度最高的目标作物分类结果，根据不同遥感图像样本的光谱范围差异提取水稻的阈值，构建面向对象的决策树分类规则集，提取得到水稻区域，进一步通过计算水稻像素点占遥感图像的比重，计算得到水稻种植面积。

Description

一种基于Sentinel-2A/B数据的水稻种植面积提取方法
技术领域
本发明涉及遥感影像信息提取技术领域，更具体地，涉及一种基于Sentinel-2A/B数据的水稻种植面积提取方法。
背景技术
水稻是我国三大主要粮食作物之一，然而受到非农建设用地占用、自然灾害毁坏以及退耕还林还草等因素的影响，我国水稻种植面积逐年下降。传统的农作物种植面积估算采用人工区域调查方法，该方法需要大量人力物力进行现场大规模实地调查，该方法速度慢、工作量大、成本高，且在数据采集的过程中，受到现场环境影响和人为因素的影响比较大，数据的准确性会受到比较大的影响。
目前，由于现代卫星遥感技术具有宏观、快速、准确等优点，其被广泛应用到各类粮食作物种植面积的估算中。邓刚等人在提取MODIS陆地水分指数和增强植被指数时间序列数据集并对其进行去噪处理的基础上，建立了水稻种植面积决策树提取模型(邓刚,唐志光,李朝奎,陈浩,彭焕华,王晓茹.基于MODIS时序数据的湖南省水稻种植面积提取及时空变化分析[J].国土资源遥感,2020,32(02):177-185.)。结果显示，利用MODIS数据对单一或者大面积的水稻种植面积提取效果较好，但是对于地块破碎的水稻种植面积估算存在估算精度较低的问题，且没有考虑不同地形以及南方天气多云雨的因素对估算精度造成的影响。
发明内容
本发明为克服上述现有技术所述的对于地块破碎的水稻种植面积估算精度较低的缺陷，提供一种基于Sentinel-2A/B数据的水稻种植面积提取方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于Sentinel-2A/B数据的水稻种植面积提取方法，包括以下步骤：
获取目标区域的Sentinel-2A/B数据并对其进行拼接、裁剪操作，得到完整的遥感图像后对其进行预处理；
对经过预处理的遥感图像建立特征工程，提取遥感图像的光谱特征、指数特征、纹理特征后进行叠加；
将叠加处理后的图像特征通过不同的监督分类方法进行目标作物分类；
对目标作物分类结果进行精度评估，选择分类精度最高的目标作物分类结果，根据不同遥感图像样本的光谱范围差异提取水稻的阈值，构建面向对象的决策树分类规则集，提取得到水稻区域，进一步通过计算水稻像素点占遥感图像的比重，计算得到水稻种植面积。
作为优选方案，对遥感图像进行预处理的步骤包括辐射定标、大气校正、超分辨率处理、去云处理。
作为优选方案，对遥感图像进行去云处理的步骤包括：对遥感图像中同一区域不同时相的影像采用平均像素值法处理。
作为优选方案，采用主成分分析降维方法从遥感图像中提取光谱特征。
作为优选方案，所述指数特征包括植被指数、植被红边位置指数、水体植被指数、土壤亮度指数、增强植被指数。
作为优选方案，提取遥感图像的指数特征的步骤包括：
计算植被指数NDVI，其计算公式如下：
NDVI＝(B8-B4)/(B8+B4)
式中，B8表示Sentinel-2近红外波段，B4表示Sentinel-2红波段；
计算植被红边位置指数REPI，其计算公式如下：
REPI＝705+35*((B4+B7)/2-B5)/(B6-B5)
式中，B6、B7表示Sentinel-2近红外波段；
计算水体植被指数NDWI，其计算公式如下：
NDWI＝(B3-B11)/(B3+B11)
式中，B3表示Sentinel-2绿色波段，B11表示Sentinel-2短波红外波段；
计算土壤亮度指数BI，其计算公式如下：
BI＝sqrt(((B4*B4*B4)+(B3*B3*B3)+(B8*B8*B8))/3)
计算增强植被指数EVI，其计算公式如下：
EVI＝2.5*(B8-B4)/(B8+6*B4-7.5*B2+1)
式中，B2表示Sentinel-2蓝波段。
作为优选方案，提取遥感图像的纹理特征的步骤包括：将所述遥感图像转换为灰度图像并进行灰度级量化处理，采用灰度共生矩阵计算图像中一定距离和一定方向的两点灰度之间的相关性作为纹理特征值，并生成纹理特征影像。
作为优选方案，采用随机森林、支持向量机、神经网络监督分类方法分别对叠加处理后的图像特征进行目标作物分类。
作为优选方案，对目标作物分类结果进行精度评估的步骤包括：采用混淆矩阵对分类效果进行评价，通过计算分类精度与Kappa系数，选择分类精度最高的算法及分类结果。
作为优选方案，还包括以下步骤：进行目标作物分类后，对遥感图像中水稻区域与其他地物类型区域邻接的混合像元采用膨胀腐蚀操作进行滤除或保留。
与现有技术相比，本发明技术方案的有益效果是：本发明通过对小范围水稻种植区域进行识别及估算，通过监督学习的方法识别出水稻区域，并得到水稻在不同特征上的阈值范围，从而构成决策树的分类方法，应用到大面积作物面积的计算中，即可实现对于地块破碎的水稻种植面积估算；通过将光谱特征、指数特征以及纹理特征进行叠加，使得水稻分类特征更加明显，有利于提升水稻分类的精度，有效避免不同地形以及天气因素对估算精度造成的影响。
附图说明
图1为本发明的基于Sentinel-2A/B数据的水稻种植面积提取方法的流程图。
图2为本发明的多时相互补的影像去云处理原理图。
图3为实施例2的广东省境内合成遥感图像。
图4为实施例2的广东省分幅示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
Sentinel-2A/B，又称哨兵2号卫星，是高分辨率多光谱成像卫星，携带一枚多光谱成像仪(MSI)，用于陆地监测，可提供植被、土壤和水覆盖、内陆水路及海岸区域等图像，还可用于紧急救援服务。分为2A和2B两颗卫星。一颗卫星的重访周期为10天，两颗互补，重访周期为5天。哨兵-2号卫星携带一枚多光谱成像仪(MSI)，高度为786km，可覆盖13个光谱波段，幅宽达290千米，地面分辨率各波段分别为10m、20m和60m。如表1所示，为Sentinel-2A/B的各波段参数。
表1
Figure BDA0002997366130000041
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提出一种基于Sentinel-2A/B数据的水稻种植面积提取方法，如图1所示，为本实施例的水稻种植面积提取方法的流程图。
本实施例提出的基于Sentinel-2A/B数据的水稻种植面积提取方法中，包括以下步骤：
S1：获取目标区域的Sentinel-2A/B数据并对其进行拼接、裁剪操作，得到完整的遥感图像后对其进行预处理。
对遥感图像进行预处理的步骤包括辐射定标、大气校正、超分辨率处理、去云处理。
其中，由于Sentinel-2不同波段之间存在不同的分辨率，因此必须要将波段重采样到相同的分辨率，但此方法存在偏差。本实施例中，将原始遥感图像数据经过辐射定标、大气校正处理后，进行超分辨率合成至10m分辨率，可以实现将20m，60m的各波段合成至10m的波段且合成效果大大由于重采样的结果。
对云量较多的遥感图像数据，利用多时相互补的影像，对遥感图像中同一区域不同时相的影像采用平均像素值法处理，合成得到无云的遥感图像。如图2所示，为本实施例的多时相互补的影像去云处理原理图。
S2：对经过预处理的遥感图像建立特征工程，提取遥感图像的光谱特征、指数特征、纹理特征后进行叠加。
由于遥感图像中邻近波段之间存在高度相关性，存在着大量冗余和重复的信息，因此需要从这些数据当中提取出对识别目标作物无效的信息。本实施例中，采用主成分分析(PCA，principal components analysis)降维方法从遥感图像中提取光谱特征，从而有效压缩冗余信息。
针对指数特征，本实施例对植被指数NDVI(Normalized Difference VegetationIndex)、植被红边位置指数REPI(Red Edge Position Index)、水体植被指数NDWI(Normalized Difference Water Index)、土壤亮度指数BI(brightness index)、增强植被指数EVI等波段指数进行计算，具体的：
计算植被指数NDVI，该指数被用于识别植被与非植被；其计算公式如下：
NDVI＝(B8-B4)/(B8+B4)
式中，B8表示Sentinel-2近红外波段，B4表示Sentinel-2红波段；
计算植被红边位置指数REPI，该指数由Sentinel-2数据在红光与近红外波段的红边区域计算得到，被认为对植被分类具有更好的分辨作用，常用于农作物监测和估产等；其计算公式如下：
REPI＝705+35*((B4+B7)/2-B5)/(B6-B5)
式中，B6、B7表示Sentinel-2近红外波段；
计算水体植被指数NDWI，该指数对冠层水分含量的变化非常敏感，但是又不同于液态水的吸收特性，应用于冠层胁迫性分析、浓密叶型的叶面积指数的研究，植被生产力模型中；其计算公式如下：
NDWI＝(B3-B11)/(B3+B11)
式中，B3表示Sentinel-2绿色波段，B11表示Sentinel-2短波红外波段；
计算土壤亮度指数BI，该指数对土壤亮度比较敏感，有助于区分土壤与其他地物；其计算公式如下：
BI＝sqrt(((B4*B4*B4)+(B3*B3*B3)+(B8*B8*B8))/3)
计算增强植被指数EVI，该指数通过加入蓝色波段以增强植被信号，矫正土壤背景和气溶胶散射的影像；其计算公式如下：
EVI＝2.5*(B8-B4)/(B8+6*B4-7.5*B2+1)
式中，B2表示Sentinel-2蓝波段。
进一步的，本实施例中提取遥感图像的纹理特征的步骤包括：将所述遥感图像转换为灰度图像并进行灰度级量化处理，采用灰度共生矩阵计算图像中一定距离和一定方向的两点灰度之间的相关性作为纹理特征值，并生成纹理特征影像。
纹理特征反映了图像灰度模式的空间分布，包含了图像的表面信息及其与周边环境的关系，本实施例提取遥感图像的纹理特征，能提升作物分类的精度。在本实施例中，基于灰度共生纹理矩阵对纹理特征进行提取，其中灰度共生矩阵是像素距离和角度的矩阵函数，通过计算图像中一定距离和一定方向的两点灰度之间的相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合信息。
完成的光谱特征、指数特征、纹理特征的提取后，通过BandMerge操作，将提取得到的光谱特征、指数特征、纹理特征进行波段叠加，完成特征工程的建立。
S3：将叠加处理后的图像特征通过不同的监督分类方法进行目标作物分类。
本实施例中，采用随机森林、支持向量机、神经网络监督分类方法分别对叠加处理后的图像特征进行目标作物分类。
S4：对目标作物分类结果进行精度评估，选择分类精度最高的目标作物分类结果，根据不同遥感图像样本的光谱范围差异提取水稻的阈值，构建面向对象的决策树分类规则集，提取得到水稻区域，进一步通过计算水稻像素点占遥感图像的比重，计算得到水稻种植面积。
本实施例中，对目标作物分类结果进行精度评估的步骤包括：采用混淆矩阵对分类效果进行评价，通过计算分类精度与Kappa系数，选择分类精度最高的算法及分类结果。进一步的，完成分类后的对于水稻与其他地物类型邻接的混合像元，可以通过膨胀腐蚀操作滤除或保留。
本实施例通过将光谱特征、指数特征以及纹理特征进行叠加，使得水稻分类特征更加明显，有利于提升水稻分类的精度。此外，本实施例通过对小范围水稻种植区域进行识别及估算，通过监督学习的方法识别出水稻区域，并得到水稻在不同特征上的阈值范围，从而构成决策树的分类方法，应用到大面积作物面积的计算中，可以有效提高大范围水稻作物面积计算的速度，使得能够在大范围区域中计算水稻种植面积。
实施例2
本实施例提出一种应用实施例1提出的基于Sentinel-2A/B数据的水稻种植面积提取方法的具体实施过程。
首先获取广东省水稻生长期内(早稻生长期是4月-7月)，所有的能完全覆盖广东省境内的sentinel-2A/B的数据。如图3～4所示，为广东省境内的合成遥感图像及分幅示意图。由图可知，广东省范围内有多个小正方形，邻接的小正方形之间有重叠部分。根据轨道编号和分幅编号，通过拼接、裁剪等操作得到一张完整的可覆盖广东省境内的遥感图像。如图3所示，为本实施例的广东省境内合成遥感图像。
其中，初始获取的sentinel-2A/B原始数据是Level1C级别的，需要在此基础上进行辐射定标以及大气校正，得到Level2A级别的产品，然后将原始数据进行超分辨率合成至10m分辨率，进一步进行图像特征提取及分类识别。进一步的，对部分云量比较多的遥感影像，利用多时相互补的影像，对影像进行去云处理，合成为一幅无云的影像。
本实施例将研究区域分成粤西北、粤西南、珠三角地区、粤东以及粤北五个地区，并在五个区域中各选择一些实验田，通过裁剪操作，将所选地区进行裁剪。
根据实施例1提出的基于Sentinel-2A/B数据的水稻种植面积提取方法，对遥感图像进行光谱特征、指数特征、纹理特征的提取，再通过BandMerge操作，将得到的12个光谱特征，5个指数特征，10个纹理特征进行波段叠加，完成sentinel-2监督分类影像特征工程的构建。
结合谷歌地图对裁剪的区域创建标签，然后使用随机森林、支持向量机以及神经网络分别进行分类，分类完成后使用混淆矩阵对分类效果进行评价，通过计算总体精度与Kappa系数，选择分类精度最高的算法及结果。分类后对于水稻与其他地物类型邻接的混合像元，进一步通过膨胀腐蚀操作滤除或保留。
根据选择的分类精度最高的分类结果，对不同样本进行光谱统计分析以及植被指数分析，根据不同样本的光谱范围差异提取水稻的阈值，构建面向对象的决策树分类规则集，提取出水稻区域图像，通过直方图统计，得到水稻占影像的比重，从而根据广东省的面积，计算得到广东省水稻的种植面积。如表2所示，为应用本实施例的水稻种植面积提取方法对各地区种植面积提取准确率。
表2各地区识别准确率
Figure BDA0002997366130000081
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种基于Sentinel-2A/B数据的水稻种植面积提取方法，其特征在于，包括以下步骤：
获取目标区域的Sentinel-2A/B数据并对其进行拼接、裁剪操作，得到完整的遥感图像后对其进行预处理；
对经过预处理的遥感图像建立特征工程，提取遥感图像的光谱特征、指数特征、纹理特征后进行叠加；其中，所述指数特征包括植被指数、植被红边位置指数、水体植被指数、土壤亮度指数、增强植被指数；
提取遥感图像的指数特征的步骤包括：
计算植被指数NDVI，其计算公式如下：
NDVI＝(B8-B4)/(B8+B4)
式中，B8表示Sentinel-2近红外波段，B4表示Sentinel-2红波段；
计算植被红边位置指数REPI，其计算公式如下：
REPI＝705+35*((B4+B7)/2-B5)/(B6-B5)
式中，B5、B6、B7表示Sentinel-2近红外波段；
计算水体植被指数NDWI，其计算公式如下：
NDWI＝(B3-B11)/(B3+B11)
式中，B3表示Sentinel-2绿色波段，B11表示Sentinel-2短波红外波段；
计算土壤亮度指数BI，其计算公式如下：
BI＝sqrt(((B4*B4*B4)+(B3*B3*B3)+(B8*B8*B8))/3)
计算增强植被指数EVI，其计算公式如下：
EVI＝2.5*(B8-B4)/(B8+6*B4-7.5*B2+1)
式中，B2表示Sentinel-2蓝波段；
将叠加处理后的图像特征通过不同的监督分类方法进行目标作物分类；
对目标作物分类结果进行精度评估，选择分类精度最高的目标作物分类结果，根据不同遥感图像样本的光谱范围差异提取水稻的阈值，构建面向对象的决策树分类规则集，提取得到水稻区域，进一步通过计算水稻像素点占遥感图像的比重，计算得到水稻种植面积。
2.根据权利要求1所述的水稻种植面积提取方法，其特征在于，对遥感图像进行预处理的步骤包括辐射定标、大气校正、超分辨率处理、去云处理。
3.根据权利要求2所述的水稻种植面积提取方法，其特征在于，对遥感图像进行去云处理的步骤包括：对遥感图像中同一区域不同时相的影像采用平均像素值法处理。
4.根据权利要求1所述的水稻种植面积提取方法，其特征在于，采用主成分分析降维方法从遥感图像中提取光谱特征。
5.根据权利要求1所述的水稻种植面积提取方法，其特征在于，提取遥感图像的纹理特征的步骤包括：将所述遥感图像转换为灰度图像并进行灰度级量化处理，采用灰度共生矩阵计算图像中一定距离和一定方向的两点灰度之间的相关性作为纹理特征值，并生成纹理特征影像。
6.根据权利要求1所述的水稻种植面积提取方法，其特征在于，采用随机森林、支持向量机、神经网络监督分类方法分别对叠加处理后的图像特征进行目标作物分类。
7.根据权利要求6所述的水稻种植面积提取方法，其特征在于，对目标作物分类结果进行精度评估的步骤包括：采用混淆矩阵对分类效果进行评价，通过计算分类精度与Kappa系数，选择分类精度最高的算法及分类结果。
8.根据权利要求7所述的水稻种植面积提取方法，其特征在于，还包括以下步骤：进行目标作物分类后，对遥感图像中水稻区域与其他地物类型区域邻接的混合像元采用膨胀腐蚀操作进行滤除或保留。
CN202110333793.9A 2021-03-29 2021-03-29 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 Active CN113033670B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110333793.9A CN113033670B (zh) 2021-03-29 2021-03-29 一种基于Sentinel-2A/B数据的水稻种植面积提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110333793.9A CN113033670B (zh) 2021-03-29 2021-03-29 一种基于Sentinel-2A/B数据的水稻种植面积提取方法

Publications (2)

Publication Number Publication Date
CN113033670A CN113033670A (zh) 2021-06-25
CN113033670B true CN113033670B (zh) 2023-06-23

Family

ID=76452571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110333793.9A Active CN113033670B (zh) 2021-03-29 2021-03-29 一种基于Sentinel-2A/B数据的水稻种植面积提取方法

Country Status (1)

Country Link
CN (1) CN113033670B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870110B (zh) * 2021-09-10 2023-06-13 深圳市魔方卫星科技有限公司 遥感影像的图像融合方法、装置、电子设备和存储介质
CN114359730B (zh) * 2022-01-05 2023-06-09 中国科学院地理科学与资源研究所 一种无样本条件下农作物种植区快速识别的方法
CN115035423B (zh) * 2022-01-10 2024-04-16 华南农业大学 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
CN114494882B (zh) * 2022-02-07 2023-04-18 中国科学院空天信息创新研究院 一种基于随机森林的冬小麦遥感识别分析方法和***
CN114187538A (zh) * 2022-02-17 2022-03-15 航天宏图信息技术股份有限公司 一种多光谱植被监测干扰信息的剔除方法和装置
CN115049920B (zh) * 2022-04-19 2022-12-02 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
CN116091938B (zh) * 2022-12-29 2023-08-18 宁波大学 一种针对单季稻种植面积的多源遥感监测方法
CN115719453B (zh) * 2023-01-09 2023-08-04 水利部交通运输部国家能源局南京水利科学研究院 一种基于深度学习的水稻种植结构遥感提取方法
CN117233123A (zh) * 2023-09-13 2023-12-15 宁波大学 基于哨兵2号的水稻白叶枯病大范围遥感监测方法与装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985260A (zh) * 2018-08-06 2018-12-11 航天恒星科技有限公司 一种遥感及气象一体化水稻估产方法
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
CN111652092A (zh) * 2020-05-19 2020-09-11 中南林业科技大学 基于Sentinel-2A数据监测森林覆盖变化的方法
CN111709379A (zh) * 2020-06-18 2020-09-25 谢国雪 基于遥感影像的丘陵区柑橘种植地块监测方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985260A (zh) * 2018-08-06 2018-12-11 航天恒星科技有限公司 一种遥感及气象一体化水稻估产方法
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
CN111652092A (zh) * 2020-05-19 2020-09-11 中南林业科技大学 基于Sentinel-2A数据监测森林覆盖变化的方法
CN111709379A (zh) * 2020-06-18 2020-09-25 谢国雪 基于遥感影像的丘陵区柑橘种植地块监测方法及***

Also Published As

Publication number Publication date
CN113033670A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN113033670B (zh) 一种基于Sentinel-2A/B数据的水稻种植面积提取方法
Reza et al. Rice yield estimation based on K-means clustering with graph-cut segmentation using low-altitude UAV images
CN110796001B (zh) 一种卫星影像覆膜农田识别与提取方法及***
Chen et al. Mapping tropical forests and deciduous rubber plantations in Hainan Island, China by integrating PALSAR 25-m and multi-temporal Landsat images
Hall et al. Optical remote sensing applications in viticulture‐a review
Peña-Barragán et al. Object-based crop identification using multiple vegetation indices, textural features and crop phenology
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及***
Chen et al. Mapping forest and their spatial–temporal changes from 2007 to 2015 in tropical hainan island by integrating ALOS/ALOS-2 L-Band SAR and landsat optical images
Guan et al. Modeling strawberry biomass and leaf area using object-based analysis of high-resolution images
CN111345214A (zh) 一种基于卫星影像数据的新疆棉花区域识别方法及***
US20220392215A1 (en) System and Method for Mapping Land Cover Types with Landsat, Sentinel-1, and Sentinel-2 Images
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
CN114049562B (zh) 一种土地覆被数据融合修正方法
CN116091938B (zh) 一种针对单季稻种植面积的多源遥感监测方法
CN117197668A (zh) 基于深度学习的作物倒伏级别的预测方法及***
Ouyang et al. UAV and ground-based imagery analysis detects canopy structure changes after canopy management applications
Zou et al. The fusion of satellite and unmanned aerial vehicle (UAV) imagery for improving classification performance
CN111832480B (zh) 一种基于光谱特征的油菜种植区遥感识别方法
Danoedoro et al. Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery
CN113989668A (zh) 一种基于时间序列特征的遥感农作物自动分类方法
CN113392377A (zh) 基于土壤湿度的沼泽湿地遥感提取方法和***
Jiang et al. Automated segmentation of individual leafy potato stems after canopy consolidation using YOLOv8x with spatial and spectral features for UAV-based dense crop identification
Reyes-Hung et al. Crop Stress Detection with Multispectral Imaging using IA
Dai et al. Object-oriented classification of rubber plantations from Landsat satellite imagery
Chen et al. Coupling optical and SAR imagery for automatic garlic mapping

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