CN114387516B - 一种针对复杂地形环境下中小田块的单季稻sar识别方法 - Google Patents
一种针对复杂地形环境下中小田块的单季稻sar识别方法 Download PDFInfo
- Publication number
- CN114387516B CN114387516B CN202210017568.9A CN202210017568A CN114387516B CN 114387516 B CN114387516 B CN 114387516B CN 202210017568 A CN202210017568 A CN 202210017568A CN 114387516 B CN114387516 B CN 114387516B
- Authority
- CN
- China
- Prior art keywords
- rice
- sar
- area
- single cropping
- period
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种针对复杂地形环境下中小田块的单季稻SAR识别方法,包括步骤:对全年的SAR遥感影像数据进行预处理,将SAR遥感影像像素值转换为实际地物后向散射强度,得到全年时间序列的地物后向散射强度数据;在每个设定周期长度内对全年时间序列的地物后向散射强度数据进行一次平均值合成,并对合成后的时间序列数据进行时序Savitzky‑Golay滤波。本发明的有益效果是:本发明首先对单季稻SAR后向散射强度时间序列进行平均值合成,通过引入Savitzky‑Golay滤波重建水稻后向散射的时间序列,有效抑制了SAR斑点噪声和异常值的影响,且很好地保留了水稻后向散射的真实强度,可季节性表征水稻全年的物候发育特征,有助于准确提取水稻物候特征。
Description
技术领域
本发明属于遥感影像处理领域,尤其涉及一种针对复杂地形环境下中小田块的单季稻SAR识别方法。
背景技术
及时、准确地获取水稻种植面积及空间分布,是政府加快构建现代水稻产业体系,切实提高水稻综合生产,促进农民持续增收和水稻产业可持续发展等的基础性重要工作。近几十年,大面积的耕地或随城镇化建设转为建设用地,或因生态修复退耕还林还草,导致水稻种植面积急速下降。尤其在地形复杂区域,水稻经营方式主要以传统的小规模、半自给的农户家庭经营为主,水稻种植往往是分散的中小田块,且年际间空间变化较大,如何及时、准确地实现水稻种植制图仍是一项具有挑战性的工作。
近年来,遥感技术凭借其数据获取容易、数据信息量大、高时空分辨率等优点逐渐成为水稻制图的重要手段。然而,复杂地形环境下水稻分布呈现较强的空间异质性,且碎片化程度和离散度较高。同时,单块水稻田的面积较小,致使同一像元内,不同地物类型存在明显的遥感光谱混合现象,从而导致依赖遥感光谱响应信息进行水稻监测的结果存在较大的不确定性。传统的光学遥感主要与水稻叶冠层进行相互作用,植被结构和叶冠层以下特征被叶冠层阻挡,使得光学影像难以获取冠层以下特征。水稻光谱特征与其他农作物和其他植被类型具有光谱信息的相似性或一致性,导致依靠光谱特征难以实现水稻的精细识别。
与光学遥感相比,SAR被证实具有准确实施水稻监测和制图的潜力,且其不依赖于太阳辐射,能够穿透云层,可实现水稻制图的及时有效更新。已有研究表明,对水稻全生命周期的分析能够获得水稻物候的时间指标,可结合水稻日历和水稻生长特征构建分类规则,从而实现水稻的遥感分类决策。然而,这些特征往往是基于水稻的整个生长周期,有可能会削弱水稻生长的独特特征,导致无法有效区分与水稻雷达后向散射的动态范围或方差相似的其它作物。另一方面,已有结合物候特征的水稻监测研究主要用于地形平坦的平原区域,但是在地形复杂区域的水稻物候信息多变,且遥感地形阴影与浅水、与水稻早期高含水量地表区域的雷达后向散射系数范围相似,易导致不同地物的混分现象,无法实现复杂地形区域水稻的高精度监测。同时,SAR图像固有的斑点噪声也会影响农作物的SAR高精度分类。
发明内容
本发明的目的是克服现有技术中的不足,提供一种针对复杂地形环境下中小田块的单季稻SAR识别方法。
这种针对复杂地形环境下中小田块的单季稻SAR识别方法,包括以下步骤:
步骤1、对全年的SAR遥感影像数据进行预处理,将SAR遥感影像像素值转换为实际地物后向散射强度,得到全年时间序列的地物后向散射强度数据;
步骤2、在每个设定周期长度内对全年时间序列的地物后向散射强度数据进行一次平均值合成,并对合成后的时间序列数据进行时序Savitzky-Golay滤波:
上式中,Y*是第j个重建值;Ci是滑动窗口内第i个点的系数;N是滑动窗口长度,其大小等于2m+1,m为半个滑动窗口的长度;平均值合成为对设定周期长度内的后向散射强度数据求平均值;
步骤3、考虑高海拔地区一般无水稻种植,确定低海拔区域的单季稻、中海拔区域的单季稻、除单季稻外的其它作物、建成区、水域和自然植被的训练样本;
步骤4、结合数字高程模型(DEM)数据和步骤2全年时间序列的地物后向散射强度数据,引入概率阈值法来识别建成区、水域和自然植被这三大类非水稻区域,得到潜在的水稻种植区域;
步骤5、计算并提取单季稻的物候特征,单季稻的物候特征包括水稻移栽期TTD、稻田灌水速率VST、成熟期TMD、生长速率VTM和生长期时长GSL;
步骤6、构建集成地形数据和水稻SAR物候特征的决策树算法模型,在潜在的水稻种植区域提取复杂地形环境下的中小田块稻田,得到单季稻种植区域的栅格数据;决策树算法模型为:
满足播种期至移栽期内:同时满足移栽期至成熟期内:同时满足GSL≥t8;上式中σTD为移栽期后向散射系数,σMD为成熟期后向散射系数;t1至t8均为阈值,阈值t1至t8的确定方式为:根据采集的低海拔区域的单季稻、中海拔区域的单季稻、其他作物、自然植被的训练样本,结合水稻物候特征的SAR遥感影像,制作单季稻、除单季稻外的其它作物和自然植被的物候特征直方图,将直方图中各物候特征参数谷底点分别作为阈值t1至t8的值;
步骤7、对单季稻种植区域的栅格数据进行后处理:将栅格数据格式转为矢量格式,删除像元个数小于设定值的单季稻图斑,得到最终的单季稻识别结果。
作为优选,步骤1中全年的SAR遥感影像数据为C波段合成孔径雷达SAR影像VH极化数据。
作为优选,步骤1具体包括以下步骤:
步骤1.1、对SAR遥感影像进行轨道校正:获取SAR遥感影像的轨道类型和影像精细轨道文件;查找SAR影像初始轨道状态的零多普勒时间T0;从精细轨道文件中筛选与T0最邻近的9个轨道的状态参数,并采用8阶拉格朗日插值方法计算得到SAR影像成像时刻的精细轨道状态参数;
步骤1.2、对SAR遥感影像数据进行辐射定标:
上式中,σ0为后向散射系数,Ai为像元i单位时间内返回到天线的反向散射,DNi为像元i的灰度值;
步骤1.3、去除SAR遥感影像数据中的热噪声(斑点噪声);
步骤1.4、运用ALOS-12.5米DEM数据作为地形数据,对SAR遥感影像数据进行多普勒地形校正;
步骤1.5、对SAR遥感影像数据进行均值滤波;
步骤1.6、对SAR遥感影像数据进行分贝化,SAR遥感影像数据分贝化后的后向散射系数σ为:
σ=10*log10σ0
上式中,σ0为原始后向散射系数,σ表示分贝化后的后向散射系数,单位为dB。
作为优选:
步骤1.1中与T0最邻近的9个轨道的状态参数包括经度、纬度和高度三个方向的传感器位置,经度、纬度和高度三个方向的传感器速度;
步骤1.5中均值滤波时使用的卷积核尺寸大小为3×3,中心元素值为1,周围元素值为1,卷积核具体为:
作为优选,步骤2中设定周期长度为12天;时序Savitzky-Golay滤波时多项式拟合次数为3,滑动窗口长度为11。
作为优选,步骤3依据作物物候数据、实地调查数据、无人机影像和高分辨率谷歌地球影像,考虑高海拔地区一般无水稻种植,确定低海拔区域的单季稻、中海拔区域的单季稻、除单季稻外的其它作物、建成区、水域和自然植被的训练样本;其中低海拔区域的单季稻和中海拔区域的单季稻训练样本总数为350个,除单季稻外的其它作物、建成区、水域和自然植被的训练样本总数为150个;其中低海拔区域为高程≤500m的区域,中海拔区域为500<高程<1500m的区域,高海拔区域为高程≥1500m的区域。
作为优选,步骤4具体包括以下步骤:
步骤4.1、利用数字高程模型数据计算坡度:
Slope=arctan(高程差/水平距离)
步骤4.2、识别单景影像中的建成区、水域和自然植被;其中建成区对应的参数范围为:σ≥-11dB&Slope<15°;水域对应的参数范围为σ≤-20dB&Slope<15°;自然植被对应的参数范围为:-16<σ<-11dB or Slope≥25°or DEM≥1500m;Slope表示坡度值;σ表示分贝化后的后向散射系数,单位为dB;DEM表示高程模型数据,选用ALOS-12.5米DEM数据,单位为m;
步骤4.3、在步骤4.2基础上,基于全年时间序列的地物后向散射强度数据,运用概率阈值法提取建成区、水域和自然植被:
步骤4.4、对建成区、水域、自然植被区域进行掩膜,得到潜在的水稻种植区域。
作为优选,步骤5中单季稻的物候特征计算方式为:
假设一个像元的全年时间序列后向散射系数及对应时间表示为(d1,σ1),(d2,σ2),…,(dn,σn),其中σ1,…,σn为像元的全年时间序列后向散射系数,d1,…,dn为σ1,…,σn对应的日期;
如果σi=min(σ1,…,σn),则移栽期TTD为di;其中移栽期TTD表示像元后向散射系数时序曲线的最小值对应的日期在一年中的日序;
如果σj=max(σ1,…,σn),则成熟期TMD为dj;
假设(di1,σi1)为水稻播种日期及对应的后向散射系数,(di2,σi2)为水稻移栽日期及对应的后向散射系数,则灌水速率VST=(σi2-σi1)/(di2-di1);其中灌水速率VST表示像元后向散射系数时序曲线从水稻播种期到水稻移栽期的下降速率;
假设(di3,σi3)为水稻成熟日期及对应的后向散射系数,则生长速率VTM=(σi3-σi3)/(di2-di2);其中水稻成熟日期表示像元后向散射系数时序曲线的最大值所对应的日期在一年中的日序;生长速率VTM表示像元后向散射系数时序曲线在水稻移栽期到成熟期的上升速率;
生长期时长GSL=dj-di;其中生长期时长GSL表示成熟期日序与移栽期日序的时间差。
作为优选,步骤6中t1、t1分别表示水稻移栽期TTD的上下限阈值,t3表示移栽期后向散射系数σTD的上限阈值,t4表示稻田灌水速率VST的上限阈值,t5表示成熟期TMD的下限阈值,t6表示成熟期后向散射系数σMD的上限阈值,t7表示生长速率VTM的下限阈值;t8表示生长期时长GSL的下限阈值。
作为优选,步骤7中像元个数设定值为3。
本发明的有益效果是:
本发明开发了一种对SAR斑点噪声不敏感、能够适用于复杂地形环境且中小尺度田块的单季稻识别算法,以实现水稻空间分布的高精度提取。
本发明首先对单季稻SAR后向散射强度时间序列进行平均值合成,通过引入Savitzky-Golay滤波重建水稻后向散射的时间序列,有效抑制了SAR斑点噪声和异常值的影响,且很好地保留了水稻后向散射的真实强度,可季节性表征水稻全年的物候发育特征,有助于准确提取水稻物候特征。
本发明确定了单季稻的五个有效物候特征,分别为移栽期(TTD)、灌水速率(VST)、成熟期(TMD)、生长速率(VTM)和生长期时长(GSL)。在此基础上,本发明集成复杂地形环境下水稻生长的地形特征和不同地形特征下的水稻物候特征,通过分析不同特征的概率分布来构建决策树分类算法,实现复杂地形环境下中小田块的单季稻SAR识别和制图。
附图说明
图1为本发明针对复杂地形环境下中小田块的单季稻SAR识别方法的技术流程图;
图2为本发明实施例中经平均值合成和Savitzky-Golay滤波的单季稻全年后向散射系数时序曲线及典型物候期的Sentinel-1SAR的VH极化影像图;
图3为本发明实施例中坡度影像图;
图4为本发明实施例中物候特征示意图及单季稻、其他作物、自然植被三种地物类型的物候特征直方图;
图5为本发明实施例中识别单季稻的决策树处理流程图;
图6为本发明实施例中单季稻识别结果图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
实施例一
本申请实施例一提供了一种针对复杂地形环境下中小田块的单季稻SAR识别方法:
步骤1、对全年的SAR遥感影像数据进行预处理,将SAR遥感影像像素值转换为实际地物后向散射强度,得到全年时间序列的地物后向散射强度数据;
步骤2、在每个设定周期长度内对全年时间序列的地物后向散射强度数据进行一次平均值合成,并对合成后的时间序列数据进行时序Savitzky-Golay滤波:
上式中,Y*是第j个重建值;Ci是滑动窗口内第i个点的系数;N是滑动窗口长度,其大小等于2m+1,m为半个滑动窗口的长度;平均值合成为对设定周期长度内的后向散射强度数据求平均值;
步骤3、考虑高海拔地区一般无水稻种植,确定低海拔区域的单季稻、中海拔区域的单季稻、除单季稻外的其它作物、建成区、水域和自然植被的训练样本;
步骤4、结合数字高程模型(DEM)数据和步骤2全年时间序列的地物后向散射强度数据,引入概率阈值法来识别建成区、水域和自然植被这三大类非水稻区域,得到潜在的水稻种植区域;
步骤5、计算并提取单季稻的物候特征,单季稻的物候特征包括水稻移栽期TTD、稻田灌水速率VST、成熟期TMD、生长速率VTM和生长期时长GSL;
步骤6、构建集成地形数据和水稻SAR物候特征的决策树算法模型,在潜在的水稻种植区域提取复杂地形环境下的中小田块稻田,得到单季稻种植区域的栅格数据;决策树算法模型为:
满足播种期至移栽期内:同时满足移栽期至成熟期内:同时满足GSL≥t8;上式中σTD为移栽期后向散射系数,σMD为成熟期后向散射系数;t1至t8均为阈值,阈值t1至t8的确定方式为:根据采集的低海拔区域的单季稻、中海拔区域的单季稻、其他作物、自然植被的训练样本,结合水稻物候特征的SAR遥感影像,制作单季稻、除单季稻外的其它作物和自然植被的物候特征直方图,将直方图中各物候特征参数谷底点分别作为阈值t1至t8的值;
步骤7、对单季稻种植区域的栅格数据进行后处理:将栅格数据格式转为矢量格式,删除像元个数小于设定值的单季稻图斑,得到最终的单季稻识别结果。
实施例二
在实施例一的基础上,本申请实施例二提供了实施例一中针对复杂地形环境下中小田块的单季稻SAR识别方法在现实中的应用:重庆市是著名的山城,地形复杂,田块破碎,是典型的单季稻种植区;将针对复杂地形环境下中小田块的单季稻SAR识别方法应用于重庆市;使用重庆市2020年全年的Sentinel-1VH极化影像进行单季稻识别。如图1所示,本实施例的方法包括以下步骤:
步骤1、对全年的C波段合成孔径雷达SAR影像VH极化数据进行轨道校正、热噪声去除、辐射定标、多普勒地形校正、极化滤波和分贝化等预处理操作,将原始影像像素值转换为实际地表后向散射强度,得到时间序列的地表后向散射强度数据。
对遥感影像进行轨道校正包括以下步骤:
[1]获取SAR遥感影像的轨道类型和影像精细轨道文件;
[2]查找SAR影像初始轨道状态的零多普勒时间T0;
[3]从精细轨道文件中筛选与T0最邻近的9个轨道的状态参数(每个轨道的状态参数包括经度、纬度和高度三个方向的传感器位置和三个方向对应的传感器速度),采用8阶拉格朗日插值方法计算得到SAR影像成像时刻的精细轨道状态参数。
对遥感影像进行辐射定标的公式如下:
上式中,σ0为后向散射系数,Ai为像元i单位时间内返回到天线的反向散射,DNi为像元i的灰度值。
对遥感影像进行多普勒地形校正时运用的数字高程模型(DEM)为ALOS-12.5米DEM数据。
对遥感影像进行均值滤波时,所使用的卷积核具有如下特征:
卷积核的尺寸大小为3×3;
卷积核中心元素值为1;
卷积核周围元素值为1;
卷积核可表示为如下形式:
对遥感影像进行分贝化时,分贝化后的后向散射系数(σ)由下式求得:
σ=10*log10σ0
上式中,σ0为原始后向散射系数,σ表示分贝化后的后向散射系数,单位dB;
步骤2、对全年时间序列的后向散射强度数据每12天进行一次平均值合成,并对合成后的时间序列数据进行时序Savitzky-Golay滤波。时序Savitzky-Golay滤波公式如下,其中两个关键参数多项式拟合次数和滑动窗口长度分别为3和11。经平均值合成和时序SG滤波的单季稻全年后向散射系数时序曲线、无人机影像及典型物候期的Sentinel-1VH极化影像如图2所示。
上式中,Yj是第j个原始值,Y*是重建值,Ci是滑动窗口内第i个点的系数,N是滑动窗口长度,其大小等于2m+1;
步骤3、考虑高海拔地区一般无水稻种植,选取单季稻(低海拔区域)、单季稻(中海拔区域)、其它作物、建成区、水域、自然植被的训练样本。高中低海拔划分标准为:
低海拔区域:高程≤500m;
中海拔区域:500<高程<1500m;
高海拔区域:高程≥1500m;
单季稻(低海拔区域)、单季稻(中海拔区域)、其他作物、建成区、水域、自然植被的训练样本依据实地调研、无人机影像和高分辨率谷歌地球影像选取,单季稻训练样本350个,其它各类分别150个。
步骤4、结合数字高程模型(DEM)数据和步骤2的时间序列后向散射强度数据,引入概率阈值法,识别建成区、水域和自然植被这三大类非水稻区域,得到潜在的水稻种植区域。
数字高程模型(DEM)数据为ALOS-12.5米DEM数据。
水稻种植的潜在种植区域的提取,具体步骤包括:
[1]利用数字高程模型(DEM)数据计算坡度,坡度计算公式如下:
坡度(Slope)=arctan(高程差/水平距离)
计算所得的坡度影像如图3所示;
[2]识别单景影像中的建成区、水域和自然植被;
建成区:σ≥-11dB&Slope<15°
水域:σ≤-20dB&Slope<15°
自然植被:-16<σ<-11dB or Slope≥25°or DEM≥1500m
其中:σ表示分贝化后的后向散射系数,单位dB;DEM表示高程,单位m;
[3]在上一步的基础上,基于全年时间序列SAR影像,运用概率阈值法提取建成区、水域和自然植被:
[4]掩膜掉建成区、水域、自然植被,得到潜在的水稻种植区域。
步骤5、提取单季稻的物候特征,包括水稻移栽期(TTD)、稻田灌水速率(VST)、成熟期(TMD)、生长速率(VTM)、生长期时长(GSL)等。物候特征示意图及单季稻、其他作物、自然植被四种地物类型的物候特征直方图如图4所示;
提取的单季稻物候特征包括移栽期(TTD)、灌水速率(VST)、成熟期(TMD)、生长速率(VTM)和生长期时长(GSL),分别定义为:
移栽期(TTD):像元后向散射系数时序曲线的最小值所对应的日期在一年中的日序;
灌水速率(VST):像元后向散射系数时序曲线从水稻播种期到移栽期的下降速率;
成熟期(TMD):像元后向散射系数时序曲线的最大值所对应的日期在一年中的日序;
生长速率(VTM):像元后向散射系数时序曲线在水稻移栽期到成熟期的上升速率;
生长期时长(GSL):成熟期日序与移栽期日序的时间差。
单季稻物候特征的计算公式如下:
[1]假设一个像元的全年时间序列后向散射系数及对应时间表示为(d1,σ1),(d2,σ2),…,(dn,σn),其中σ1,…,σn为像元的全年时间序列后向散射系数,d1,…,dn为σ1,…,σn对应的日期;
[2]移栽期(TTD):如果σi=min(σ1,…,σn),则移栽期TTD为di;
[3]成熟期(TMD):如果σj=max(σ1,…,σn),则成熟期TMD为dj;
[4]灌水速率(VST):假设(di1,σi1)为水稻播种日期及对应的后向散射系数,(di2,σi2)为水稻移栽日期及对应的后向散射系数,则灌水速率VST为(σi2-σi1)/(di2-di1);
[5]生长速率(VTM):假设(di3,σi3)为水稻成熟日期及对应的后向散射系数,则生长速率VTM为(σi3-σi3)/(di2-di2);
[6]生长期时长GSL为dj-di;
步骤6、构建集成地形数据和水稻SAR物候特征的决策树算法模型,在潜在的水稻种植区域提取复杂地形环境下的中小田块稻田,得到单季稻种植区域的栅格数据。识别单季稻的决策树如图5所示;
构建的决策树算法模型为:
满足播种期至移栽期内:同时满足移栽期至成熟期内:同时满足GSL≥t8;上式中σTD为移栽期后向散射系数,σMD为成熟期后向散射系数;t1至t8均为阈值,阈值t1至t8的确定方式为:根据采集的低海拔区域的单季稻、中海拔区域的单季稻、其他作物、自然植被的训练样本,结合水稻物候特征的SAR遥感影像,制作单季稻、除单季稻外的其它作物和自然植被的物候特征直方图,将直方图中各物候特征参数谷底点分别作为阈值t1至t8的值;
步骤7、对单季稻种植区域的栅格数据进行后处理:将栅格数据格式转为矢量格式,删除小于3个像元的单季稻图斑,得到最终的单季稻识别结果,如图6所示。
Claims (10)
1.一种针对复杂地形环境下中小田块的单季稻SAR识别方法,其特征在于,包括以下步骤:
步骤1、对全年的SAR遥感影像数据进行预处理,将SAR遥感影像像素值转换为实际地物后向散射强度,得到全年时间序列的地物后向散射强度数据;
步骤2、在每个设定周期长度内对全年时间序列的地物后向散射强度数据进行一次平均值合成,并对合成后的时间序列数据进行时序Savitzky-Golay滤波:
步骤3、确定低海拔区域的单季稻、中海拔区域的单季稻、除单季稻外的其它作物、建成区、水域和自然植被的训练样本;
步骤4、结合数字高程模型数据和步骤2全年时间序列的地物后向散射强度数据,引入概率阈值法来识别建成区、水域和自然植被区域,得到潜在的水稻种植区域;
步骤5、计算并提取单季稻的物候特征,单季稻的物候特征包括水稻移栽期TTD、稻田灌水速率VST、成熟期TMD、生长速率VTM和生长期时长GSL;
步骤6、构建集成地形数据和水稻SAR物候特征的决策树算法模型,在潜在的水稻种植区域提取复杂地形环境下的中小田块稻田,得到单季稻种植区域的栅格数据;决策树算法模型为:
满足播种期至移栽期内:同时满足移栽期至成熟期内:同时满足GSL≥t8;上式中σTD为移栽期后向散射系数,σMD为成熟期后向散射系数;t1至t8均为阈值,阈值t1,t2,…,t8的确定方式为:根据采集的低海拔区域的单季稻、中海拔区域的单季稻、其他作物、自然植被的训练样本,结合水稻物候特征的SAR遥感影像,制作单季稻、除单季稻外的其它作物和自然植被的物候特征直方图,将直方图中各物候特征参数谷底点分别作为阈值t1,t2,…,t8的值;
步骤7、对单季稻种植区域的栅格数据进行后处理:将栅格数据格式转为矢量格式,删除像元个数小于设定值的单季稻图斑,得到最终的单季稻识别结果。
2.根据权利要求1所述针对复杂地形环境下中小田块的单季稻SAR识别方法,其特征在于:步骤1中全年的SAR遥感影像数据为C波段合成孔径雷达SAR影像VH极化数据。
3.根据权利要求1所述针对复杂地形环境下中小田块的单季稻SAR识别方法,其特征在于,步骤1具体包括以下步骤:
步骤1.1、对SAR遥感影像进行轨道校正:获取SAR遥感影像的轨道类型和影像精细轨道文件;查找SAR影像初始轨道状态的零多普勒时间T0;从精细轨道文件中筛选与T0最邻近的9个轨道的状态参数,并采用8阶拉格朗日插值方法计算得到SAR影像成像时刻的精细轨道状态参数;
步骤1.2、对SAR遥感影像数据进行辐射定标:
上式中,σ0为后向散射系数,Ai为像元i单位时间内返回到天线的反向散射,DNi为像元i的灰度值;
步骤1.3、去除SAR遥感影像数据中的热噪声;
步骤1.4、运用ALOS-12.5米DEM数据作为地形数据,对SAR遥感影像数据进行多普勒地形校正;
步骤1.5、对SAR遥感影像数据进行均值滤波;
步骤1.6、对SAR遥感影像数据进行分贝化,SAR遥感影像数据分贝化后的后向散射系数σ为:
σ=10*log10σ0
上式中,σ0为原始后向散射系数,σ表示分贝化后的后向散射系数,单位为dB。
5.根据权利要求1所述针对复杂地形环境下中小田块的单季稻SAR识别方法,其特征在于:步骤2中设定周期长度为12天;时序Savitzky-Golay滤波时多项式拟合次数为3,滑动窗口长度为11。
6.根据权利要求1所述针对复杂地形环境下中小田块的单季稻SAR识别方法,其特征在于:步骤3依据作物物候数据、实地调查数据、无人机影像和高分辨率谷歌地球影像,确定低海拔区域的单季稻、中海拔区域的单季稻、除单季稻外的其它作物、建成区、水域和自然植被的训练样本;其中低海拔区域的单季稻和中海拔区域的单季稻训练样本总数为350个,除单季稻外的其它作物、建成区、水域和自然植被的训练样本总数为150个;其中低海拔区域为高程≤500m的区域,中海拔区域为500<高程<1500m的区域,高海拔区域为高程≥1500m的区域。
7.根据权利要求3至6中任一项所述针对复杂地形环境下中小田块的单季稻SAR识别方法,其特征在于,步骤4具体包括以下步骤:
步骤4.1、利用数字高程模型数据计算坡度:
Slope=arctan(高程差/水平距离)
步骤4.2、识别单景影像中的建成区、水域和自然植被;其中建成区对应的参数范围为:σ≥-11dB&Slope<15°;水域对应的参数范围为σ≤-20dB&Slope<15°;自然植被对应的参数范围为:-16<σ<-11dB or Slope≥25°or DEM≥1500m;Slope表示坡度值;σ表示分贝化后的后向散射系数,单位为dB;DEM表示高程模型数据,选用ALOS-12.5米DEM数据,单位为m;
步骤4.3、在步骤4.2基础上,基于全年时间序列的地物后向散射强度数据,运用概率阈值法提取建成区、水域和自然植被:
步骤4.4、对建成区、水域、自然植被区域进行掩膜,得到潜在的水稻种植区域。
8.根据权利要求7所述针对复杂地形环境下中小田块的单季稻SAR识别方法,其特征在于,步骤5中单季稻的物候特征计算方式为:
假设一个像元的全年时间序列后向散射系数及对应时间表示为(d1,σ1),(d2,σ2),…,(dn,σn),其中σ1,...,σn为像元的全年时间序列后向散射系数,d1,...,dn为σ1,...,σn对应的日期;
如果σi=min(σ1,...,σn),则移栽期TTD为di;其中移栽期TTD表示像元后向散射系数时序曲线的最小值对应的日期在一年中的日序;
如果σj=max(σ1,...,σn),则成熟期TMD为dj;
假设(di1,σi1)为水稻播种日期及对应的后向散射系数,(di2,σi2)为水稻移栽日期及对应的后向散射系数,则灌水速率VST=(σi2-σi1)/(di2-di1);其中灌水速率VST表示像元后向散射系数时序曲线从水稻播种期到水稻移栽期的下降速率;
假设(di3,σi3)为水稻成熟日期及对应的后向散射系数,则生长速率VTM=(σi3-σi1)/(di3-di1);其中水稻成熟日期表示像元后向散射系数时序曲线的最大值所对应的日期在一年中的日序;生长速率VTM表示像元后向散射系数时序曲线在水稻移栽期到成熟期的上升速率;
生长期时长GSL=dj-di;其中生长期时长GSL表示成熟期日序与移栽期日序的时间差。
9.根据权利要求8所述针对复杂地形环境下中小田块的单季稻SAR识别方法,其特征在于:步骤6中t1、t2分别表示水稻移栽期TTD的上下限阈值,t3表示移栽期后向散射系数σTD的上限阈值,t4表示稻田灌水速率VST的上限阈值,t5表示成熟期TMD的下限阈值,t6表示成熟期后向散射系数σMD的上限阈值,t7表示生长速率VTM的下限阈值;t8表示生长期时长GSL的下限阈值。
10.根据权利要求1所述针对复杂地形环境下中小田块的单季稻SAR识别方法,其特征在于:步骤7中像元个数设定值为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210017568.9A CN114387516B (zh) | 2022-01-07 | 2022-01-07 | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210017568.9A CN114387516B (zh) | 2022-01-07 | 2022-01-07 | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114387516A CN114387516A (zh) | 2022-04-22 |
CN114387516B true CN114387516B (zh) | 2022-08-16 |
Family
ID=81199075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210017568.9A Active CN114387516B (zh) | 2022-01-07 | 2022-01-07 | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387516B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115290648A (zh) * | 2022-08-03 | 2022-11-04 | 中国水稻研究所 | 一种基于无人机动态数字高程数据的水稻拔节期判断方法 |
CN115457401B (zh) * | 2022-08-30 | 2023-11-03 | 中海云科(北京)科技有限公司 | 一种针对不同淡水资源类型的sar遥感精细识别方法 |
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 |
CN117690017B (zh) * | 2023-11-16 | 2024-06-28 | 宁波大学 | 一种顾及物候时序特征的单、双季水稻提取方法 |
CN117690024B (zh) * | 2023-12-18 | 2024-06-14 | 宁波大学 | 一种针对多种植模式水稻田的一体化遥感识别方法 |
CN117975293B (zh) * | 2024-03-28 | 2024-06-04 | 四川汉盛源科技有限公司 | 多云雾地区水稻种植区域提取方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019043356A1 (en) * | 2017-09-04 | 2019-03-07 | LLEO Limited | IMPROVEMENTS IN CROP CROPS |
CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
CN111142106A (zh) * | 2020-02-26 | 2020-05-12 | 北京师范大学 | 一种基于合成孔径雷达时序数据的水稻自动识别方法 |
CN111461052A (zh) * | 2020-04-13 | 2020-07-28 | 安徽大学 | 基于迁移学习的多个生育期小麦倒伏区域识别方法 |
CN111695723A (zh) * | 2020-05-28 | 2020-09-22 | 中科卫星应用德清研究院 | 一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法 |
EP3816880A1 (en) * | 2019-11-04 | 2021-05-05 | Gaf AG | A yield estimation method for arable crops and grasslands, coping with extreme weather conditions and with limited reference data requirements |
CN112800973A (zh) * | 2021-01-29 | 2021-05-14 | 宁波大学 | 一种基于植被物候特征决策的互花米草提取方法 |
CN112836725A (zh) * | 2021-01-11 | 2021-05-25 | 中国农业科学院农业信息研究所 | 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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006031273A2 (en) * | 2004-06-18 | 2006-03-23 | Cytokinetics, Inc. | Cellular phenotype |
US10957036B2 (en) * | 2019-05-17 | 2021-03-23 | Ceres Imaging, Inc. | Methods and systems for crop pest management utilizing geospatial images and microclimate data |
-
2022
- 2022-01-07 CN CN202210017568.9A patent/CN114387516B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019043356A1 (en) * | 2017-09-04 | 2019-03-07 | LLEO Limited | IMPROVEMENTS IN CROP CROPS |
CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
EP3816880A1 (en) * | 2019-11-04 | 2021-05-05 | Gaf AG | A yield estimation method for arable crops and grasslands, coping with extreme weather conditions and with limited reference data requirements |
CN111142106A (zh) * | 2020-02-26 | 2020-05-12 | 北京师范大学 | 一种基于合成孔径雷达时序数据的水稻自动识别方法 |
CN111461052A (zh) * | 2020-04-13 | 2020-07-28 | 安徽大学 | 基于迁移学习的多个生育期小麦倒伏区域识别方法 |
CN111695723A (zh) * | 2020-05-28 | 2020-09-22 | 中科卫星应用德清研究院 | 一种基于Ku波段无人机载SAR的双物候期水稻产量预测方法 |
CN112836725A (zh) * | 2021-01-11 | 2021-05-25 | 中国农业科学院农业信息研究所 | 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 |
CN112800973A (zh) * | 2021-01-29 | 2021-05-14 | 宁波大学 | 一种基于植被物候特征决策的互花米草提取方法 |
Non-Patent Citations (5)
Title |
---|
Impact of climate change on apple crop in Himachal Pradesh;Rana R S et al;《Journal of Agrometeorology》;20111231;全文 * |
合成孔径雷达水稻识别和监测研究进展;唐鹏钦等;《中国农学通报》;20090720(第14期);全文 * |
基于SAR与Landsat TM的小区域稻田的识别研究——以南京市江宁区为例;张细燕等;《遥感技术与应用》;20151231;第30卷(第01期);全文 * |
基于合成孔径雷达的农作物后向散射特性及纹理信息分析-以吉林省农安县为例;王利花等;《中国生态农业学报》;20191231(第09期);全文 * |
泰国水稻种植面积月变化的遥感监测;张峰等;《遥感学报》;20041210(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114387516A (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Pan et al. | Mapping cropping intensity in Huaihe basin using phenology algorithm, all Sentinel-2 and Landsat images in Google Earth Engine | |
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 | |
Joshi et al. | Vegetation cover mapping in India using multi-temporal IRS Wide Field Sensor (WiFS) data | |
Liu et al. | Large-scale crop mapping from multisource remote sensing images in *** earth engine | |
Byrd et al. | Evaluation of sensor types and environmental controls on mapping biomass of coastal marsh emergent vegetation | |
Sun et al. | Classification mapping and species identification of salt marshes based on a short-time interval NDVI time-series from HJ-1 optical imagery | |
Kumar et al. | Remote sensing for agriculture and resource management | |
Kordi et al. | Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images | |
CN109685081B (zh) | 一种遥感提取撂荒地的联合变化检测方法 | |
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 | |
Zhang et al. | An automated early-season method to map winter wheat using time-series Sentinel-2 data: A case study of Shandong, China | |
Wang et al. | An automated extraction of small-and middle-sized rice fields under complex terrain based on SAR time series: A case study of Chongqing | |
Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
CN116452023B (zh) | 基于低频微波雷达vod数据的公里级碳储量评估方法 | |
CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
Bolun et al. | Estimating rice paddy areas in China using multi-temporal cloud-free normalized difference vegetation index (NDVI) imagery based on change detection | |
Dieye et al. | Sensitivity analysis of the GEMS soil organic carbon model to land cover land use classification uncertainties under different climate scenarios in senegal | |
Yelwa | Broadscale vegetation change assessment across Nigeria from coarse spatial and high temporal resolution AVHRR data | |
Gomez et al. | Sentinel-2 images to assess soil surface characteristics over a rainfed Mediterranean cropping system | |
Choudhury et al. | Potential role of landsat satellite data for the evaluation of land surface temperature and assessment of urban environment | |
Dan | The change of vegetation in Mekong Delta and its effect for the hydrological mechanism using GIS and remote sensing | |
Bobric et al. | The use of spectral techniques to monitor the vegetation status in a protected area in the Iasi county | |
Zhu et al. | Mapping fractional cropland covers in Brazil through integrating LSMA and SDI techniques applied to MODIS imagery | |
Gudmundsdottir | Detection of potential arable land with remote sensing and GIS: a case study for Kjósarhreppur |
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 |