CN113505635B - 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 - Google Patents
基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 Download PDFInfo
- Publication number
- CN113505635B CN113505635B CN202110567398.7A CN202110567398A CN113505635B CN 113505635 B CN113505635 B CN 113505635B CN 202110567398 A CN202110567398 A CN 202110567398A CN 113505635 B CN113505635 B CN 113505635B
- Authority
- CN
- China
- Prior art keywords
- data set
- time sequence
- winter wheat
- garlic
- remote sensing
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 111
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 111
- 240000002234 Allium sativum Species 0.000 title claims abstract description 102
- 235000004611 garlic Nutrition 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000011160 research Methods 0.000 claims abstract description 58
- 230000003287 optical effect Effects 0.000 claims abstract description 57
- 230000004069 differentiation Effects 0.000 claims abstract description 33
- 238000007637 random forest analysis Methods 0.000 claims abstract description 30
- 238000002310 reflectometry Methods 0.000 claims abstract description 23
- 230000008878 coupling Effects 0.000 claims abstract description 15
- 238000010168 coupling process Methods 0.000 claims abstract description 15
- 238000005859 coupling reaction Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 17
- 229930002875 chlorophyll Natural products 0.000 claims description 12
- 235000019804 chlorophyll Nutrition 0.000 claims description 12
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims 2
- 230000008859 change Effects 0.000 description 16
- 230000001932 seasonal effect Effects 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000035790 physiological processes and functions Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 230000010287 polarization Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 239000002352 surface water Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001579 optical reflectometry Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供一种基于光学和雷达的冬小麦与大蒜混种区识别方法及装置，该方法包括：在生育期内构建多时相遥感数据集，并根据反射率计算每景影像的多特征植被指数；在固定时间窗口内以植被指数最大值对多时相遥感数据集进行重组，得到时间序列数据集；根据研究区域的合成孔径雷达遥感数据，获取对应的后向散射系数时间序列数据集获得；将光学与雷达影像时间序列数据集耦合后特征，输入训练后的随机森林分类模型，得到研究区的作物分类结果；植被指数时间序列和后向散射系数时间序列中的特征，均为冬小麦与大蒜差异化最大的时期对应的区分度明显的遥感特征。该方法增强了冬小麦与大蒜间的差异性息，从而进一步提高混合种植区冬小麦的识别精度。
Description
技术领域
本发明涉及农业遥感技术领域，尤其涉及一种基于光学和雷达的冬小麦与大蒜混种区识别方法及装置。
背景技术
遥感技术的迅速发展为获取农作物种植信息提供了丰富的数据和方法，大大节省了农作物种植面积统计的时间、人力和物力。随着遥感平台的发展和图像分辨率的提高，利用遥感技术手段对冬小麦等作物进行种植面积提取对于基本农情信息的及时准确获取非常重要。
大蒜具有与冬小麦相似的生育期和物候特征。现有技术中的冬小麦识别方法尤其是在大尺度区域对于大蒜混种区的区分能力有限。由于不同农作物光谱特征多样，不同作物之间存在异物同谱现象，利用遥感数据进行作物识别分类往往出现“少判”、“误判”的情况，对分类结果造成了一定影响，精度难以达到预期。同时，由于农作物种类多样复杂、地块分散，只有部分地区作物种植种类单一。而大蒜与冬小麦混种区，二者光谱特征相似，容易混淆，影响了冬小麦的识别精度。尤其是在地块分散地区，大蒜遥感识别难度更大。
发明内容
针对现有技术中由异物同谱现象引起的冬小麦与大蒜混分问题，本发明实施例提供一种基于光学和雷达的冬小麦与大蒜混种区识别方法及装置，用以解决现有技术中的缺陷。
本发明实施例提供一种基于光学和雷达的冬小麦与大蒜混种区识别方法及装置，包括：在冬小麦与大蒜生育期内搜索研究区域内的所有光学遥感数据，构建研究区内的多时相遥感数据集，并根据反射率计算每景影像的多特征植被指数；在固定时间窗口内，以植被指数最大值对所述多时相遥感数据集进行重组，得到具有规则时间间隔的多特征植被指数时间序列数据集；根据研究区域的合成孔径雷达遥感数据，获取对应的后向散射系数时间序列数据集；将获取的光学与雷达影像时间序列数据集，根据特征级融合算法进行耦合；将耦合后特征，输入训练后的随机森林分类模型，进行逐像元分类，得到研究区域内的作物分类结果；其中，所述随机森林分类模型，根据不同作物对应的耦合后时间序列特征与确定的类别标签作为样本，训练后得到；所述多特征植被指数时间序列数据集和后向散射系数时间序列数据集中的特征，均选取冬小麦与大蒜差异化最大的时期对应的具有明显区分度的时间序列遥感特征。
根据本发明一个实施例的基于光学和雷达的冬小麦与大蒜混种区识别方法，所述根据反射率计算每景影像的多特征植被指数，包括：根据研究区矢量数据与生育期开始与结束日期两个筛选条件收集覆盖研究区的空间分辨率10米的Sentinel-2反射率数据，运用s2cloudless机器学习云检测算法消除云污染，基于反射率计算每景影像的植被指数。
根据本发明一个实施例的基于光学和雷达的冬小麦与大蒜混种区识别方法，所述在固定时间窗口内，以植被指数最大值对所述多时相遥感数据集进行重组，包括：将植被指数影像集合按照固定时间窗口15天进行最大值合成与拼接，构建具有规则时间间隔的时间序列曲线。
根据本发明一个实施例的基于光学和雷达的冬小麦与大蒜混种区识别方法，所述获取对应的后向散射系数时间序列数据集，包括：以研究区矢量与作物生育期开始与结束日期为筛选条件，获取作业区内的IW模式下成像的Sentinel-1数据；运用Refined Lee滤波算法进行斑点滤波之后形成后向散射系数数据集。
根据本发明一个实施例的基于光学和雷达的冬小麦与大蒜混种区识别方法，所述将获取的光学与雷达影像时间序列数据集，根据特征级融合算法进行耦合，包括：对光学影像时间序列数据集与雷达影像时间序列数据集，使用Whittaker滤波算法进行平滑后形成连续的特征。
根据本发明一个实施例的基于光学和雷达的冬小麦与大蒜混种区识别方法，所述多特征植被指数包括，归一化植被指数、地表水分指数、倒红边叶绿素指数和绿色叶绿素指数，相应地，特征为差异最大时期的特征；所述时间序列包括，时间序列VV和时间序列VH；所述标签和分类结果分布包括，冬小麦、大蒜与其它。
根据本发明一个实施例的基于光学和雷达的冬小麦与大蒜混种区识别方法，根据反射率计算每景影像的多特征植被指数之前，还包括：获取已知分类结果区域的植被指数时间序列数据集和后向散射系数时间序列数据集；根据所述植被指数时间序列数据集和后向散射系数时间序列数据集的对比分析，确定冬小麦和大蒜的差异化最大时期以及区分度明显的遥感特征；根据差异化最大时期的区分度最大的遥感特征，构建样本植被指数时间序列数据集和样本后向散射系数时间序列数据集；基于样本植被指数时间序列数据集和样本后向散射系数时间序列数据集，对构建的随机森林分类模型进行训练。
本发明实施例还提供一种基于光学和雷达的冬小麦与大蒜混种区识别装置，包括：植被指数获取模块，用于在冬小麦与大蒜生育期内搜索研究区域内的所有光学遥感数据，构建研究区内的多时相遥感数据集，并根据反射率计算每景影像的多特征植被指数；光学数据获取模块，用于在固定时间窗口内，以植被指数最大值对所述多时相遥感数据集进行重组，得到具有规则时间间隔的多特征植被指数时间序列数据集；雷达数据获取模块，用于根据研究区域的合成孔径雷达遥感数据，获取对应的后向散射系数时间序列数据集；特征融合模块，用于将获取的光学与雷达影像时间序列数据集，根据特征级融合算法进行耦合；分类处理模块，用于将耦合后特征，输入训练后的随机森林分类模型，进行逐像元分类，得到研究区域内的作物分类结果；其中，所述随机森林分类模型，根据不同作物对应的耦合后时间序列特征与确定的类别标签作为样本，训练后得到；所述多特征植被指数时间序列数据集和后向散射系数时间序列数据集中的特征，均选取冬小麦与大蒜差异化最大的时期对应的具有明显区分度的时间序列遥感特征。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于光学和雷达的冬小麦与大蒜混种区识别方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于光学和雷达的冬小麦与大蒜混种区识别方法的步骤。
本发明实施例提供的基于光学和雷达的冬小麦与大蒜混种区识别方法及装置，通过耦合光学影像和雷达影像的作物长时间序列的季节变化曲线特征，捕获了冬小麦与大蒜的生理状态变化特征与植株结构变化特征来克服二者之间的异物同谱现象，增强了冬小麦与大蒜间的差异性息，从而进一步提高混合种植区冬小麦的识别精度，并且能够在大尺度区域冬小麦识别中发挥作用。
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一简单地介绍，显而易见地，下面描述中的附图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是本发明实施例提供的基于光学和雷达的冬小麦与大蒜混种区识别方法的流程示意图；
图2是本发明实施例中研究区冬小麦与大蒜的光学反射率时间序列曲线图；
图3是本发明实施例中冬小麦与大蒜的植被指数时间序列曲线图；
图4是本发明实施例中冬小麦与大蒜的后向反射系数时间序列曲线图；
图5是本发明实施例提供的基于光学和雷达的冬小麦与大蒜混种区识别装置的结构示意图；
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明综合了冬小麦与大蒜在光学与雷达数据中的生理状态特征与植株结构特征来进行混种区二者的信息增强，进一步提高了冬小麦的识别精度。
图1为本发明实施例提供的基于光学和雷达的冬小麦与大蒜混种区识别方法流程图，如图1所示，本发明实施例提供一种基于光学和雷达的冬小麦与大蒜混种区识别方法，包括：
S1、在冬小麦与大蒜生育期内搜索研究区域内的所有光学遥感数据，构建研究区内的多时相遥感数据集，并根据反射率计算每景影像的植被指数。
具体地，光学遥感数据可采用Sentinel-2A/B数据。Sentinel-1/2是欧洲哥白尼计划(Copernicus Programme)中的对地观测卫星。Sentinel-2由A/B两颗卫星组成双星***，单星运行重访周期为10天，双星组合可以达到5天的重访周期。该卫星携带了高分辨率多光谱扫描仪(Multi-spectral instrument,MSI)，辐宽为290千米，波段范围覆盖了可见光、近红外和红边等十三个波段，是目前光学数据中唯一能够在红边范围提供三个波段的数据源。Sentinel-1雷达卫星单星重访周期为12天，双星组合***A/B可以达到6天，搭载了双极化C波段合成孔径雷达，该仪器支持单极化(HH或VV)和双极化(HH+HV或VV+VH)，能够在复杂天气状况下(昼夜、云雨)连续的传输图像。从遥感数据中，选取冬小麦与大蒜差异化最大的时期对应的明显区分度的多特征植被指数。其中，明显区分度或者区分度明显的含义包括，冬小麦与大蒜区植被指数的差异值最大(即选取差异值最大的若干植被指数作为特征)，或者差异值达到预设的比例。
S2、在固定时间窗口内，以植被指数最大值对所述多时相遥感数据集进行重组，得到具有规则时间间隔的多特征植被指数时间序列数据集。
例如，固定时间窗口可以为15天，对多特征植被指数进行最大值的重组。重组后，得到的是具有规则时间间隔的长时间连续的多特征时间序列作物季节性变化特征。
S3、根据研究区域的合成孔径雷达遥感数据，获取对应的后向散射系数时间序列数据集。
合成孔径雷达遥感数据可以为Sentinel-1 GRD数据，后向散射系数时间序列数据体现为后向散射系数变化曲线。后向散射系数时间序列中的特征，也为冬小麦与大蒜差异化最大的时期对应的遥感特征。
S4、将获取的光学与雷达影像时间序列数据集，根据特征级融合算法进行耦合。
S5、将耦合后特征，输入训练后的随机森林分类模型进行逐像元分类，得到研究区域内的作物分类结果；其中，所述随机森林分类模型，根据不同作物对应的耦合后时间序列特征与确定的类别标签作为样本，训练后得到。
本发明中的随机森林分类模型，是分类结果已知的地块(一个地块可以是一个像元)，按照上述S1-S4相同的方法获取耦合后特征，相应地分类结果作为标签，以大量样本进行训练后得到的。
在此基础上，对于待分类的研究区，基于S4得到的耦合后的特征分块进行分类，从而得到整个研究区内的冬小麦与大蒜的分类结果。
本发明的基于光学和雷达的冬小麦与大蒜混种区识别方法，通过耦合光学影像和雷达影像的作物长时间序列的季节变化曲线特征，捕获了冬小麦与大蒜的生理状态变化特征与植株结构变化特征来克服二者之间的异物同谱现象，增强了冬小麦与大蒜间的差异性息，从而进一步提高混合种植区冬小麦的识别精度，并且能够在大尺度区域冬小麦识别中发挥作用。同时，多特征植被指数和后向散射系数时间序列数据集中的特征，均为冬小麦与大蒜差异化最大的时期对应的区分度明显的遥感特征，进一步保证分区的准确度。
在一个实施例中，S1中所述根据反射率计算每景影像的多特征植被指数，包括：根据研究区矢量数据与生育期(播种到成熟期)开始与结束日期两个筛选条件收集覆盖研究区的空间分辨率10米的Sentinel-2反射率数据，运用s2cloudless机器学习云检测算法消除云污染，基于反射率计算每景影像的植被指数，以形成光学遥感预处理数据集。
在一个实施例中，S2中所述在固定时间窗口内，以植被指数最大值对所述多时相遥感数据集进行重组，包括：将植被指数影像集合按照固定时间窗口15天进行最大值合成与拼接，构建具有规则时间间隔的时间序列曲线，该曲线反映了作物随季节变化的生理状态的改变。
在一个实施例中，S3中所述获取对应的后向散射系数时间序列数据集，包括：以研究区矢量与作物生育期开始与结束日期为筛选条件，获取作业区内的IW模式下成像的Sentinel-1数据；运用Refined Lee滤波算法进行斑点滤波之后形成后向散射系数数据集。
Sentinel-1数据为经过边界噪声消除、热噪声消除、辐射校准和正射校正的GRD数据，在此数据基础上运用Refined Lee滤波算法进行斑点滤波之后形成后向散射系数数据集。
在一个实施例中，S4中所述将获取的光学与雷达影像时间序列数据集，根据特征级融合算法进行耦合，包括：对光学影像时间序列数据集与雷达影像时间序列数据集，使用Whittaker滤波算法进行平滑后形成连续的特征。
对光学影像特征集与雷达影像特征集应用Whittaker进行平滑后形成一种连续的特征，该特征包含了光学与雷达影像的时间序列变化信息。假设保真度为S(公式1)，粗糙度为R(公式2)，则惩罚最小二乘旨在找到最优的z，从而使差异矩阵Q最小(公式3)。
Q＝|y-z|2+λ|Dz|2 (3)
其中，y和z分别代表原始时间序列和平滑后的时间序列；t是时间，λ表示粗糙度参数，D表示n-d行(d为不同阶)和n列的差异矩阵。
在一个实施例中，所述多特征植被指数包括，归一化植被指数、地表水分指数、倒红边叶绿素指数和绿色叶绿素指数，相应地，特征为差异最大时期的特征；时间序列包括，时间序列VV和时间序列VH；标签和分类结果包括，冬小麦、大蒜与其它。
归一化植被指数(NDVI)、地表水分指数(LSWI)、倒红边叶绿素指数(IRECI)和绿色叶绿素指数(GCVI)，时间序列VV和时间序列VH。其中NDVI主要用于检测植被生物量和覆盖度；IRECI指数与植物冠层叶绿素含量和叶面积指数具有很好的相关性，可定量表征植物叶绿素含量；LSWI对水分比较敏感，能够用于衡量植被冠层含水量状况；GCVI可以表征光合作用的强度。
可选地，本发明可以在不同研究区尺度进行应用，所述研究区尺度可以为省、市或县中的任意一种。
在一个实施例中，根据反射率计算每景影像的多特征植被指数之前，还包括：获取已知分类结果区域的植被指数时间序列数据集和后向散射系数时间序列数据集；根据所述植被指数时间序列数据集和后向散射系数时间序列数据集的对比分析，确定冬小麦和大蒜的差异化最大时期以及区分度明显的遥感特征；根据差异化最大时期的区分度最大的遥感特征，构建样本植被指数时间序列数据集和样本后向散射系数时间序列数据集；基于样本植被指数时间序列数据集和样本后向散射系数时间序列数据集，对构建的随机森林分类模型进行训练。
具体而言，在对随机森林分类模型进行训练时，选用的训练样本是冬小麦和大蒜的差异化最大时期以及区分度明显的遥感特征，再基于确定的分类结果作为标签进行训练，从而得到能够实现准确分类的随机森林分类模型。
在具体进行分类识别时，也是基于该区分度最大的时期确定对应的区分度最大的遥感特征，得到多特征植被指数时间序列数据集和后向散射系数时间序列数据集。以此作为初始数据，根据特征级融合算法进行耦合后，基于训练后的随机森林分类模型进行分类，从而可得到准确的分类结果。
本发明还提供基于光学和雷达的冬小麦与大蒜混种区识别在指导基本农情信息获取中的应用。
下面结合实施例，对本范明的具体实施方式做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
选择河南省开封市作为研究区域，该区域地处东经113°52′15″至115°15′42″，北纬34°11'45″–35°01'20″。研究区地势平坦，土壤肥沃。土壤质地主要为沙质，黏土，壤土，适合种植各种农作物。开封市属于温带季风气候，有四个不同的季节，气候特征是春季干燥多风，夏季炎热多雨，秋季凉爽，冬季寒冷干燥。年平均气温为14.52℃，年平均降雨量为627.5mm。大部分降水集中在7月和8月的夏天。
本实施例具体步骤如下：
S1、在冬小麦与大蒜生育期内搜索研究区域内的所有光学遥感数据Sentinel-2A/B，构建作业区内的多时相遥感数据集，根据反射率计算每景影像的多特征植被指数；
所述多特征植被指数数据集的构建，具体方法如下：根据研究区矢量数据与生育期开始与结束日期两个筛选条件收集覆盖研究区的空间分辨率10米的Sentinel-2反射率数据，运用s2cloudless机器学习云检测算法消除云污染，基于反射率计算每景影像的植被指数。
S2、在固定时间窗口内以植被指数最大值对多时相影像数据集进行重组得到具有规则时间间隔的长时间连续的多特征时间序列作物季节性变化特征；
所述作物季节性变化特征，其提取方法如下：将S1中的植被指数影像集合按照固定时间窗口15天进行最大值合成与拼接来构建具有规则时间间隔的时间序列曲线，该曲线反映了作物随季节变化的生理状态的改变。
S3、利用研究区域的合成孔径雷达遥感数据Sentinel-1 GRD，获取对应的长时间序列后向散射系数变化曲线数据集；
所述后向散射系数变化曲线数据集，具体方法如下：以研究区矢量与作物生育期开始与结束日期为筛选条件，搜集作业区内的IW模式下成像的Sentinel-1数据，该数据应经过边界噪声消除、热噪声消除、辐射校准和正射校正的GRD数据，在此数据基础上运用Refined Lee滤波算法进行斑点滤波之后形成后向散射系数数据集。
S4、使用Whittaker滤波算法对时间序列曲线进行平滑后，将上述获取的光学与雷达影像时间序列数据集根据特征级融合算法进行耦合，完成对冬小麦与大蒜的物候差异信息增强；
S5、结合不同作物对应的重组后的时间序列特征与类别标签作为输入对构建好的随机森林模型进行模型的训练，根据测试精度来调整随机森林训练参数；
其中，时间序列特征与标签包括：归一化植被指数(NDVI)、地表水分指数(LSWI)、倒红边叶绿素指数(IRECI)和绿色叶绿素指数(GCVI)，时间序列VV和时间序列VH差异最大化时期的特征，标签包括冬小麦、大蒜与其它。
S6、利用训练好的模型对研究区域内进行逐像元预测，获取研究区域内的农作物分类结果。
附图2是本研究区内冬小麦与大蒜的光学反射率曲线，可以看出二者具有异物同谱现象，附图3是冬小麦与大蒜的植被指数曲线，可以看出在越冬与返青抽穗关键生育期具有差异性显著，附图4是冬小麦与大蒜的后向散射系数时间序列曲线，可以看出在生长后期冬小麦与大蒜的后向散射系数出现明显的差异性。经验证，本发明相比于仅使用光学影像进行冬小麦与大蒜的识别，光学和雷达影像特征信息增强的识别方法显著提高了识别精度，具体体现为冬小麦的用户精度提高了2.18％，大蒜的生产者精度提高了3.1％，该方法显著降低了冬小麦的错分率与大蒜的漏分率。
下面对本发明实施例提供的基于光学和雷达的冬小麦与大蒜混种区识别装置进行描述，下文描述的基于光学和雷达的冬小麦与大蒜混种区识别装置与上文描述的基于光学和雷达的冬小麦与大蒜混种区识别方法可相互对应参照。
图5为本发明实施例提供的基于光学和雷达的冬小麦与大蒜混种区识别装置结构图，如图5所示，该基于光学和雷达的冬小麦与大蒜混种区识别装置包括：植被指数获取模块501用于在冬小麦与大蒜生育期内搜索研究区域内的所有光学遥感数据，构建研究区内的多时相遥感数据集，并根据反射率计算每景影像的多特征植被指数；光学数据获取模块502用于在固定时间窗口内，以植被指数最大值对所述多时相遥感数据集进行重组，得到具有规则时间间隔的多特征植被指数时间序列数据集；雷达数据获取模块503用于根据研究区域的合成孔径雷达遥感数据，获取对应的后向散射系数时间序列数据集；特征融合模块504用于将获取的光学与雷达影像时间序列数据集，根据特征级融合算法进行耦合；分类处理模块505用于将耦合后特征，输入训练后的随机森林分类模型，进行逐像元分类，得到研究区域内的作物分类结果；其中，所述随机森林分类模型，根据不同作物对应的耦合后时间序列特征与确定的类别标签作为样本，训练后得到；所述多特征植被指数时间序列数据集和后向散射系数时间序列数据集中的特征，均选取冬小麦与大蒜差异化最大的时期对应的具有明显区分度的时间序列遥感特征。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的基于光学和雷达的冬小麦与大蒜混种区识别装置，通过耦合光学影像和雷达影像的作物长时间序列的季节变化曲线特征，捕获了冬小麦与大蒜的生理状态变化特征与植株结构变化特征来克服二者之间的异物同谱现象，增强了冬小麦与大蒜间的差异性息，从而进一步提高混合种植区冬小麦的识别精度，并且能够在大尺度区域冬小麦识别中发挥作用。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令，以执行基于光学和雷达的冬小麦与大蒜混种区识别方法，该方法包括：在冬小麦与大蒜生育期内搜索研究区域内的所有光学遥感数据，构建研究区内的多时相遥感数据集，并根据反射率计算每景影像的多特征植被指数；在固定时间窗口内，以植被指数最大值对所述多时相遥感数据集进行重组，得到具有规则时间间隔的多特征植被指数时间序列数据集；根据研究区域的合成孔径雷达遥感数据，获取对应的后向散射系数时间序列数据集；将获取的光学与雷达影像时间序列数据集，根据特征级融合算法进行耦合；将耦合后特征，输入训练后的随机森林分类模型，进行逐像元分类，得到研究区域内的作物分类结果；其中，所述随机森林分类模型，根据不同作物对应的耦合后时间序列特征与确定的类别标签作为样本，训练后得到；多特征植被指数时间序列数据集和后向散射系数时间序列数据集中的特征，均为冬小麦与大蒜差异化最大的时期对应的区分度明显的遥感特征。
此外，上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的基于光学和雷达的冬小麦与大蒜混种区识别方法，该方法包括：在冬小麦与大蒜生育期内搜索研究区域内的所有光学遥感数据，构建研究区内的多时相遥感数据集，并根据反射率计算每景影像的多特征植被指数；在固定时间窗口内，以植被指数最大值对所述多时相遥感数据集进行重组，得到具有规则时间间隔的多特征植被指数时间序列数据集；根据研究区域的合成孔径雷达遥感数据，获取对应的后向散射系数时间序列数据集；将获取的光学与雷达影像时间序列数据集，根据特征级融合算法进行耦合；将耦合后特征，输入训练后的随机森林分类模型，进行逐像元分类，得到研究区域内的作物分类结果；其中，所述随机森林分类模型，根据不同作物对应的耦合后时间序列特征与确定的类别标签作为样本，训练后得到；所述多特征植被指数时间序列数据集和后向散射系数时间序列数据集中的特征，均选取冬小麦与大蒜差异化最大的时期对应的具有明显区分度的时间序列遥感特征。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于光学和雷达的冬小麦与大蒜混种区识别方法，该方法包括：在冬小麦与大蒜生育期内搜索研究区域内的所有光学遥感数据，构建研究区内的多时相遥感数据集，并根据反射率计算每景影像的多特征植被指数；在固定时间窗口内，以植被指数最大值对所述多时相遥感数据集进行重组，得到具有规则时间间隔的多特征植被指数时间序列数据集；根据研究区域的合成孔径雷达遥感数据，获取对应的后向散射系数时间序列数据集；将获取的光学与雷达影像时间序列数据集，根据特征级融合算法进行耦合；将耦合后特征，输入训练后的随机森林分类模型，进行逐像元分类，得到研究区域内的作物分类结果；其中，所述随机森林分类模型，根据不同作物对应的耦合后时间序列特征与确定的类别标签作为样本，训练后得到；所述多特征植被指数时间序列数据集和后向散射系数时间序列数据集中的特征，均选取冬小麦与大蒜差异化最大的时期对应的具有明显区分度的时间序列遥感特征。
以上所描述的装置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，即可以位于一个地方，或者也可以分布到多个网络单元上。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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于光学和雷达的冬小麦与大蒜混种区识别方法，其特征在于，包括：
在冬小麦与大蒜生育期内搜索研究区域内的所有光学遥感数据，构建研究区内的多时相遥感数据集，并根据反射率计算每景影像的多特征植被指数；
在固定时间窗口内，以植被指数最大值对所述多时相遥感数据集进行重组，得到具有规则时间间隔的多特征植被指数时间序列数据集；
根据研究区域的合成孔径雷达遥感数据，获取对应的后向散射系数时间序列数据集；
将获取的光学与雷达影像时间序列数据集，根据特征级融合算法进行耦合；
将耦合后特征，输入训练后的随机森林分类模型，进行逐像元分类，得到研究区域内的作物分类结果；
其中，所述随机森林分类模型，根据不同作物对应的耦合后时间序列特征与确定的类别标签作为样本，训练后得到；所述多特征植被指数时间序列数据集和后向散射系数时间序列数据集中的特征，均选取冬小麦与大蒜差异化最大的时期对应的具有明显区分度的时间序列遥感特征；
其中，在所述根据反射率计算每景影像的多特征植被指数之前，还包括：
获取已知分类结果区域的植被指数时间序列数据集和后向散射系数时间序列数据集；
根据所述植被指数时间序列数据集和后向散射系数时间序列数据集的对比分析，确定冬小麦和大蒜的差异化最大时期以及明显区分度的时间序列遥感特征；
根据差异化最大时期的明显区分度的遥感特征，构建样本植被指数时间序列数据集和样本后向散射系数时间序列数据集；
基于样本植被指数时间序列数据集和样本后向散射系数时间序列数据集，对构建的随机森林分类模型进行训练；
其中，所述将获取的光学与雷达影像时间序列数据集，根据特征级融合算法进行耦合，包括：
对光学影像时间序列数据集与雷达影像时间序列数据集，使用Whittaker滤波算法进行平滑后形成连续的特征。
2.根据权利要求1所述的基于光学和雷达的冬小麦与大蒜混种区识别方法，其特征在于，所述根据反射率计算每景影像的多特征植被指数，包括：
根据研究区矢量数据与生育期开始与结束日期两个筛选条件收集覆盖研究区的空间分辨率10米的Sentinel-2反射率数据，运用s2cloudless机器学习云检测算法消除云污染，基于反射率计算每景影像的植被指数。
3.根据权利要求1所述的基于光学和雷达的冬小麦与大蒜混种区识别方法，其特征在于，所述在固定时间窗口内，以植被指数最大值对所述多时相遥感数据集进行重组，包括：
将植被指数影像集合按照固定时间窗口15天进行最大值合成与拼接，构建具有规则时间间隔的时间序列曲线。
4.根据权利要求1所述的基于光学和雷达的冬小麦与大蒜混种区识别方法，其特征在于，所述获取对应的后向散射系数时间序列数据集，包括：
以研究区矢量与作物生育期开始与结束日期为筛选条件，获取作业区内的IW模式下成像的Sentinel-1数据；
运用Refined Lee滤波算法进行斑点滤波之后形成后向散射系数数据集。
5.根据权利要求1所述的基于光学和雷达的冬小麦与大蒜混种区识别方法，其特征在于，所述多特征植被指数包括，归一化植被指数、地表水分指数、倒红边叶绿素指数和绿色叶绿素指数，相应地，特征为差异最大时期的特征；
所述时间序列包括，时间序列VV和时间序列VH；
所述标签和分类结果分布包括，冬小麦、大蒜与其它。
6.一种基于光学和雷达的冬小麦与大蒜混种区识别装置，其特征在于，包括：
植被指数获取模块，用于在冬小麦与大蒜生育期内搜索研究区域内的所有光学遥感数据，构建研究区内的多时相遥感数据集，并根据反射率计算每景影像的多特征植被指数；
光学数据获取模块，用于在固定时间窗口内，以植被指数最大值对所述多时相遥感数据集进行重组，得到具有规则时间间隔的多特征植被指数时间序列数据集；
雷达数据获取模块，用于根据研究区域的合成孔径雷达遥感数据，获取对应的后向散射系数时间序列数据集；
特征融合模块，用于将获取的光学与雷达影像时间序列数据集，根据特征级融合算法进行耦合；
分类处理模块，用于将耦合后特征，输入训练后的随机森林分类模型，进行逐像元分类，得到研究区域内的作物分类结果；
其中，所述随机森林分类模型，根据不同作物对应的耦合后时间序列特征与确定的类别标签作为样本，训练后得到；所述多特征植被指数时间序列数据集和后向散射系数时间序列数据集中的特征，均选取冬小麦与大蒜差异化最大的时期对应的具有明显区分度的时间序列遥感特征；
所述装置具体还用于：
获取已知分类结果区域的植被指数时间序列数据集和后向散射系数时间序列数据集；
根据所述植被指数时间序列数据集和后向散射系数时间序列数据集的对比分析，确定冬小麦和大蒜的差异化最大时期以及明显区分度的时间序列遥感特征；
根据差异化最大时期的明显区分度的遥感特征，构建样本植被指数时间序列数据集和样本后向散射系数时间序列数据集；
基于样本植被指数时间序列数据集和样本后向散射系数时间序列数据集，对构建的随机森林分类模型进行训练；
其中，所述特征融合模块具体用于：
对光学影像时间序列数据集与雷达影像时间序列数据集，使用Whittaker滤波算法进行平滑后形成连续的特征。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基于光学和雷达的冬小麦与大蒜混种区识别方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于光学和雷达的冬小麦与大蒜混种区识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110567398.7A CN113505635B (zh) | 2021-05-24 | 2021-05-24 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110567398.7A CN113505635B (zh) | 2021-05-24 | 2021-05-24 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113505635A CN113505635A (zh) | 2021-10-15 |
| CN113505635B true CN113505635B (zh) | 2024-05-31 |
Family
ID=78008604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110567398.7A Active CN113505635B (zh) | 2021-05-24 | 2021-05-24 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505635B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114092804A (zh) * | 2021-11-06 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 遥感图像的识别方法和装置 |
| CN114282609B (zh) * | 2021-12-23 | 2022-09-20 | 西南交通大学 | 一种作物面积与物候指标提取方法 |
| 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*** |
| CN115035413B (zh) * | 2022-06-30 | 2023-08-29 | 河南理工大学 | 一种多时相主被动遥感随机森林农作物识别方法及*** |
| CN115410053B (zh) * | 2022-07-05 | 2024-03-12 | 中国科学院地理科学与资源研究所 | 一种基于随机森林模型和迁移学习cdl知识的作物识别方法 |
| CN115223059B (zh) * | 2022-08-31 | 2022-12-09 | 自然资源部第三航测遥感院 | 基于多元遥感影像的多云雾区域农作物种植模式提取方法 |
| 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 |
| CN116664959B (zh) * | 2023-07-28 | 2023-11-03 | 航天宏图信息技术股份有限公司 | 基于多源卫星遥感的无样本农作物分类方法及装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010055915A1 (ja) * | 2008-11-14 | 2010-05-20 | 株式会社パスコ | 植生生育状況解析方法、プログラムを記録した記録媒体および植生生育状況解析装置 |
| CN106373150A (zh) * | 2016-08-15 | 2017-02-01 | 中国农业大学 | 一种基于高分辨率遥感数据纹理分析的制种玉米识别方法 |
| CN109492563A (zh) * | 2018-10-30 | 2019-03-19 | 深圳大学 | 一种基于无人机高光谱影像和LiDAR点云的树种分类方法 |
| CN109815910A (zh) * | 2019-01-14 | 2019-05-28 | 广西师范学院 | 基于多源卫星数据时序特征的复杂地形条件下农作物类型识别方法 |
| CN110532967A (zh) * | 2019-09-02 | 2019-12-03 | 中国科学院遥感与数字地球研究所 | 一种基于哨兵1号rvi时间序列的农作物分类方法 |
| CN110852262A (zh) * | 2019-11-11 | 2020-02-28 | 南京大学 | 基于时间序列高分一号遥感影像的农业用地提取方法 |
| CN111241912A (zh) * | 2019-12-18 | 2020-06-05 | 安徽易刚信息技术有限公司 | 一种基于机器学习算法的多植被指数的水稻产量估测方法 |
| CN111337434A (zh) * | 2020-03-06 | 2020-06-26 | 东北大学 | 一种矿区复垦植被生物量估算方法及*** |
| CN111368736A (zh) * | 2020-03-04 | 2020-07-03 | 北京四象爱数科技有限公司 | 基于sar和光学遥感数据的水稻精细化估产方法 |
| CN112101256A (zh) * | 2020-09-21 | 2020-12-18 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
| CN112183209A (zh) * | 2020-08-27 | 2021-01-05 | 中国农业大学 | 一种基于多维特征融合的区域农作物分类方法及*** |
| CN112345458A (zh) * | 2020-10-22 | 2021-02-09 | 南京农业大学 | 一种基于无人机多光谱影像的小麦产量估测方法 |
| CN112668400A (zh) * | 2020-12-08 | 2021-04-16 | 深圳先进技术研究院 | 一种植被识别方法及应用 |
-
2021
- 2021-05-24 CN CN202110567398.7A patent/CN113505635B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010055915A1 (ja) * | 2008-11-14 | 2010-05-20 | 株式会社パスコ | 植生生育状況解析方法、プログラムを記録した記録媒体および植生生育状況解析装置 |
| CN106373150A (zh) * | 2016-08-15 | 2017-02-01 | 中国农业大学 | 一种基于高分辨率遥感数据纹理分析的制种玉米识别方法 |
| CN109492563A (zh) * | 2018-10-30 | 2019-03-19 | 深圳大学 | 一种基于无人机高光谱影像和LiDAR点云的树种分类方法 |
| CN109815910A (zh) * | 2019-01-14 | 2019-05-28 | 广西师范学院 | 基于多源卫星数据时序特征的复杂地形条件下农作物类型识别方法 |
| CN110532967A (zh) * | 2019-09-02 | 2019-12-03 | 中国科学院遥感与数字地球研究所 | 一种基于哨兵1号rvi时间序列的农作物分类方法 |
| CN110852262A (zh) * | 2019-11-11 | 2020-02-28 | 南京大学 | 基于时间序列高分一号遥感影像的农业用地提取方法 |
| CN111241912A (zh) * | 2019-12-18 | 2020-06-05 | 安徽易刚信息技术有限公司 | 一种基于机器学习算法的多植被指数的水稻产量估测方法 |
| CN111368736A (zh) * | 2020-03-04 | 2020-07-03 | 北京四象爱数科技有限公司 | 基于sar和光学遥感数据的水稻精细化估产方法 |
| CN111337434A (zh) * | 2020-03-06 | 2020-06-26 | 东北大学 | 一种矿区复垦植被生物量估算方法及*** |
| CN112183209A (zh) * | 2020-08-27 | 2021-01-05 | 中国农业大学 | 一种基于多维特征融合的区域农作物分类方法及*** |
| CN112101256A (zh) * | 2020-09-21 | 2020-12-18 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
| CN112345458A (zh) * | 2020-10-22 | 2021-02-09 | 南京农业大学 | 一种基于无人机多光谱影像的小麦产量估测方法 |
| CN112668400A (zh) * | 2020-12-08 | 2021-04-16 | 深圳先进技术研究院 | 一种植被识别方法及应用 |
Non-Patent Citations (8)
| Title |
|---|
| SAR遥感指数研究进展;谢小曼;李俐;张迁迁;陈琦琦;朱德海;;中国农业信息;20191025;第31卷(第05期);全文 * |
| 基于SAR 与光学遥感数据相结合的 农作物种植类型识别研究;江珊， 王春，宋宏利， 刘玉锋；;国土资源遥感;第32卷(第04期);第105-110页 * |
| 基于Sentinel－1B SAＲ 数据的农作物分类方法研究;朱凤敏，吴迪，杨佳琪；;测绘与空间地理信息;20200525;第43卷(第5期);全文 * |
| 基于光谱特征分异的玉米种植面积提取;王尔美;李卫国;顾晓鹤;张云华;陈华;;江苏农业学报(第04期);全文 * |
| 基于时序植被指数的县域作物遥感分类方法研究;张荣群;王盛安;高万林;孙玮健;王建仑;牛灵安;;农业机械学报;20151230(第S1期);全文 * |
| 基于时间序列Sentinel-1A数据的玉米种植面积监测研究;李俐，孔庆玲，王鹏新，王蕾，荀兰;资源科学;20180825;第40卷(第8期);全文 * |
| 基于时间序列环境卫星影像的作物分类识别;李鑫川;徐新刚;王纪华;武洪峰;金秀良;李存军;鲍艳松;;农业工程学报;20130115(第02期);全文 * |
| 基于面向对象的QUICKBIRD数据和SAR数据融合的地物分类;王宇航;范文义;刘超逸;;东北林业大学学报;20160925;第44卷(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113505635A (zh) | 2021-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113505635B (zh) | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 | |
| Tian et al. | Comparison of UAV and WorldView-2 imagery for mapping leaf area index of mangrove forest | |
| Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
| Cutler et al. | Estimating tropical forest biomass with a combination of SAR image texture and Landsat TM data: An assessment of predictions between regions | |
| Chen et al. | Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near-and short-wave infrared bands | |
| Sun et al. | Monitoring maize lodging grades via unmanned aerial vehicle multispectral image | |
| CN112183209B (zh) | 一种基于多维特征融合的区域农作物分类方法及*** | |
| Kordi et al. | Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images | |
| Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
| CN109508633B (zh) | 一种基于光学遥感数据的甘蔗分布识别方法 | |
| Navarro-Cerrillo et al. | Hyperspectral and multispectral satellite sensors for mapping chlorophyll content in a Mediterranean Pinus sylvestris L. plantation | |
| Nagai et al. | Importance of the collection of abundant ground‐truth data for accurate detection of spatial and temporal variability of vegetation by satellite remote sensing | |
| Li et al. | Estimating plant traits of alpine grasslands on the Qinghai-Tibetan Plateau using remote sensing | |
| Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
| Launeau et al. | Airborne hyperspectral mapping of trees in an urban area | |
| Murray et al. | The novel use of proximal photogrammetry and terrestrial LiDAR to quantify the structural complexity of orchard trees | |
| Park | Estimating plant water stress and evapotranspiration using very-high-resolution (VHR) UAV imagery | |
| Adar et al. | Estimation of aboveground biomass production using an unmanned aerial vehicle (UAV) and VENμS satellite imagery in Mediterranean and semiarid rangelands | |
| Ge et al. | Monitoring canopy-scale autumn leaf phenology at fine-scale using unmanned aerial vehicle (UAV) photography | |
| Jia et al. | The influence of BRDF effects and representativeness of training data on tree species classification using multi-flightline airborne hyperspectral imagery | |
| CN115496999A (zh) | 田间立地秸秆产量估计方法及装置 | |
| Sun et al. | Estimation of crop residue cover in rice paddies by a dynamic-quadripartite pixel model based on Sentinel-2A data | |
| Guo et al. | Estimating aboveground biomass of alpine grassland during the wilting period using in situ hyperspectral, Sentinel-2 and Sentinel-1 data | |
| Guyon et al. | Applications of multispectral optical satellite imaging in forestry | |
| Wang et al. | Assessing the effectiveness of a central flux tower in representing the spatial variations in gross primary productivity in a semi-arid pine forest |
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 |