CN114821362B - 一种基于多源数据的水稻种植面积提取方法 - Google Patents
一种基于多源数据的水稻种植面积提取方法 Download PDFInfo
- Publication number
- CN114821362B CN114821362B CN202210766499.1A CN202210766499A CN114821362B CN 114821362 B CN114821362 B CN 114821362B CN 202210766499 A CN202210766499 A CN 202210766499A CN 114821362 B CN114821362 B CN 114821362B
- Authority
- CN
- China
- Prior art keywords
- rice
- period
- remote sensing
- data
- 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
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
- G06V20/13—Satellite images
-
- 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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于多源数据的水稻种植面积提取方法,结合多源遥感影像数据和水田矢量数据实现水稻识别和种植面积提取,获取研究区内水稻的耕作制度信息和物候期的时间范围,对不同物候期采用不同遥感影像数据进行特征提取,识别疑似水稻种植区域,最后基于设定的水稻提取规则提取水稻。本发明针对水稻种植面积获取的问题,通过获取研究区多源遥感数据,融合第三次国土面积调查数据对水稻分布和种植面积进行精准快速提取。该方法适用范围广,精度高。解决了人为估算水稻面积数据时间长,降低了人力、物力、财力的投入,提高了现有遥感技术提取水稻面积的精度,为水稻面积精确提取提供技术支撑。
Description
技术领域
本发明涉及农业遥感技术领域,具体涉及基于多源数据的水稻种植面积提取方法。
背景技术
水稻是我国的主要粮食作物,及时准确掌握水稻播种面积和空间分布情况,对指导粮食生产和粮食安全具有重要的现实意义。长期以来,粮食播种面积以抽样调查和逐级上报汇总的方式形成。
目前,水稻播种面积获取有两种方式,一种以抽样调查和逐级上报汇总的方式形成。例如全国的粮食生产以省为总体的粮食抽样调查,在国家调查县(市)中进行,调查时节,国家***各调查队调查人员和辅助调查员对样方地块内及其压盖的所有自然地块中开展播种面积抽样调查,各调查总队根据调查基础数据推算出各地区粮食播种面积。二是利用绿色植物独特的波谱反射特征,用遥感技术进行快速的大面积农作物种植面积提取。采用传统的数据获取方式要花费大量的物力、财力和人力,而且上报数据受主观影响较大,数据获取时间周期较长。用遥感技术进行水稻面积提取主要采用单一的数据源提取一个或两个时期水稻种植面积,这种方法的准确性有待提高。水稻的生育期包括幼苗期,返青期、分蘖期、齐穗期、灌浆成熟期5个时期,目前许多采用遥感技术提取水稻种植面积的研究,主要特点1、利用中低分辨率的卫星,例如Landsat TM、ETM+等、NOAA/AVHRR、MODIS、SPOT、风云卫星等单一遥感数据。2、单一时相或多时相的特征值提取,利用水或绿色植物独特的波谱反射特征,提取单一时相或多时相的水稻面积或几个时相水稻面积的交叉值作为水稻种植面积。3、缺少辅助数据的佐证,只是单一的卫星遥感数据提取水稻种植面积,例如利用国土调查中的水田数据可以辅助水稻种植面积的提取,同一日期利用多种影像数据可以进行相互佐证。总之,目前采用的遥感方法要么是遥感数据重访周期较长,阻碍了获取农作物关键生育期的影像信息,要么是重访周期短分辨率较低,产生误差较大;且由于“同物异谱”和“异物同谱”及混合像元的影响,以及由于不同的卫星时相及云覆盖的影响,获取某地区同一时期完全无云覆盖的遥感数据较难保证,因此单纯利用单一的数据源且是中低分辨率的遥感数据获取一个或两个时期水稻种植面积的方法的准确性值得商榷。
发明内容
本发明的目的在于针对上述现有技术存在的问题,提供一种基于多源数据的水稻种植面积提取方法。
为实现上述技术目的,本发明采用如下技术方案:
一种基于多源数据的水稻种植面积提取方法,包括如下步骤:
获取研究区多源卫星遥感影像数据及水田矢量数据,将水田矢量数据划分的区域归为潜在水稻种植区域;
分析研究区内水稻的耕作制度信息和物候期,获取水稻移栽期、齐穗期、成熟期的时间范围;对不同水稻物候期,选取不同遥感影像数据用于特征分析;其中,用于齐穗期特征分析的遥感影像分辨率高于用于移栽期、成熟期特征分析的遥感影像分辨率;
分析水稻全生育期指数特征的变化趋势,确定用于移栽期、齐穗期、成熟期疑似水稻种植区域提取的指数特征;以像元为最小计算单元,对移栽期、齐穗期、成熟期影像进行特征计算,并根据计算结果分别设定阈值提取疑似水稻种植区域;
利用空间交叉运算获取潜在水稻种植区域和移栽期、齐穗期、成熟期提取的疑似水稻种植区域交集的部分,该交集的部分即为水稻种植区。
作为一种优选的实施方式,所述水田矢量数据为第三次国土面积调查数据中用于种植水生农作物的耕地矢量数据,包括实行水生、旱生农作物轮种的耕地。
作为一种优选的实施方式,还包括,对移栽期和齐穗期,选择辅助卫星遥感影像辅助计算,在卫星遥感影像数据不全时利用辅助卫星遥感影像补足计算。进一步的,齐穗期辅助卫星遥感影像分辨率高于移栽期辅助卫星遥感影像。
作为一种优选的实施方式,选用哨兵二号、资源三号卫星遥感影像数据用于水稻特征分析;
其中,哨兵二号卫星遥感影像用于移栽期、成熟期水稻特征分析,资源三号卫星遥感影像用于齐穗期水稻特征分析。
作为一种优选的实施方式,选用高分一号卫星遥感影像作为辅助卫星遥感影像;移栽期辅助卫星遥感影像为高分一号WFV遥感影像数据,齐穗期辅助卫星遥感影像为高分一号全色多光谱相机遥感影像数据。
作为一种优选的实施方式,取水稻成熟期时间范围内哨兵二号卫星遥感影像数据的B11波段的短波特征值和B6波段的红边特征值。
作为一种优选的实施方式,以影像的NDWI值作为移栽期指数特征;影像的NDVI值作为齐穗期指数特征;影像的短波特征值、红边特征值和NDVI值作为成熟期指数特征。
作为一种优选的实施方式,对卫星遥感影像根据需要进行辐射定标、大气校正处理和重采样处理。
作为一种优选的实施方式,将水田矢量数据和移栽期、齐穗期、成熟期卫星遥感影像数据进行多尺度分割,形成影像像斑;针对多尺度分割后的移栽期、齐穗期、成熟期卫星遥感影像数据,以形成的影像像元为最小计算单元进行特征计算。
本发明针对水稻种植面积获取的问题,通过获取研究区多源遥感数据高分一号、哨兵二号、资源三号遥感数据,融合第三次国土面积调查数据对水稻分布和种植面积进行精准快速提取。该方法适用范围广,精度高。解决了人为估算水稻面积数据时间长,降低了人力、物力、财力的投入,提高了现有遥感技术提取水稻面积的精度,为水稻面积精确提取提供技术支撑。
附图说明
图1是实施例1方法流程图。
图2是水稻的指数特征在不同生长期的变化趋势图。
图3是影像分割示例图。
图4是影像水体指数特征图。
图5是影像植被指数特征图。
图6是影像短波波段特征图。
图7是线性回归分析图。
图8是2021连云港市水稻种植面积分布图。
具体实施方式
实施例1
如图1所示,本发明的方法包括如下步骤:
1、获取第三次国土调查的水田矢量数据,水田指用于种植水稻、莲藕等水生农作物的耕地。包括实行水生、旱生农作物轮种的耕地。
2、获取研究区内水稻的耕作制度信息和物候期的时间范围。
3、获取水稻移栽期、齐穗期、成熟期的遥感影像,具体如下:
表1 水稻移栽期、齐穗期、成熟期选取的遥感影像
齐穗期指全田有80%或以上水稻植株抽穗时为齐穗期(抽穗指禾谷类作物发育完全的幼穗从剑叶鞘内伸出的时期或状态)。齐穗期是水稻生长最为关键的时期,是水稻生长最旺盛时期,也是遥感影像上水稻植被指数与其他作物差别最大,利用植被植物最容易识别水稻的时期,齐穗期选择高分辨率的遥感影像有助于提高水稻的识别。
4、分析水稻全生育期指数特征。水稻的指数特征在不同时期的变化趋势如图2所示。
5、数据预处理。对影像进行辐射定标和大气校正处理。利用ENVI5.3对高分一号和资源三号影像完成辐射定标和大气校正过程。辐射定标参数一般存放在元数据文件中,ENVI中的辐射定标工具(Radiometric Calibration)能自动从元数据文件中读取参数,从而完成辐射定标。大气校正主要采用ENVI软件中FLAASH Atmospheric Correction模块进行。
获取的哨兵二号影像为2A级数据,为已经过辐射定标和大气校正的大气底层反射率数据。对哨兵二号影像进行影像重采样。哨兵二号影像不同的波段分辨率不同,需将所有波段采样为统一分辨率图像。
6、将水田矢量数据载入到易康软件中,形成潜在水稻种植水田区域数据。
7、将潜在水稻种植区域水田矢量数据和移栽期的哨兵二号影像、齐穗期的高分一号影像和成熟期的哨兵二号影像数据同时载入到易康软件中,对影像进行多尺度分割,形成移栽期水稻初步影像像斑。考虑到云覆盖的影响,移栽期和齐穗期每个时期分别选择了高分一号WFV和资源三号作为辅助数据对提取结果进行进一步补充完善。
8、指数提取。以影像像元为最小计算单元,分别提取移栽期影像的归一化水体指数(NDWI)、齐穗期影像的归一化植被指数(NDVI)、成熟期影像的B11波段的短波特征值和B6波段的红边特征值以及成熟期的归一化植被指数(NDVI)。
式中,NIR为近红外波段反射值;Green为绿光波段反射值;Red为红光波段反射值。
以影像像元为最小计算单元,提取移栽期影像的水体指数、齐穗期影像的植被指数及成熟期影像的红边特征值、短波特征值以及成熟期的归一化植被指数(NDVI)。
红边波段是指示绿色植物生长状况的敏感性波段,与表征绿色植物生长状况的重要生化参数之间有很好的相关关系,可以有效地监测植被的生长状况。在电磁波谱中,红边是植被的反射率在近红外线波段接近与红光交界处快速变化的区域。红边是绿色植物在670-760nm之间反射率增高最快的点,也是一阶导数光谱在该区间内的拐点。本发明主要利用植被光谱红边位置参数,即红光范围(680nm~ 760nm)内一阶导数光谱最大值所对应的波长(单位:nm)。
9、阈值设定。根据水稻移栽期在影像上的水体特征,设定合适的阈值,排除非灌水特征的植被;根据水稻齐穗期影像的植被指数,设定合适的阈值排除建筑和水体;结合水稻成熟期的特征设定合适的阈值排除非水稻。阈值需要根据影像特征进行调整。
10、建立规则集提取水稻。根据以上方法,在易康中建立规则集提取水稻并输出。
11、制作水稻分布图并进行统计分析。
实施例2
本实施例以连云港市2021年水稻种植分布提取为例,对本申请所述基于多源数据多时相的遥感数据进行水稻识别和种植面积提取及水稻种植分布图制作的方法做具体阐述。
(一)数据获取:
水田矢量数据:连云港市第三次国土调查数据
遥感数据:结合连云港市2021年水稻耕作制度和关键物候期的时间信息,并基于无云、少云的遥感影像筛选条件,获取2021年连云港市水稻的遥感数据,具体为移栽期高分一号WFV 16米(2021.06.25-2021.07.10)、和哨兵二号10米(2021.06.25-2021.07.10)、齐穗期资源三号2米(2021.7.20-2021.8.31)和高分一号2米(2021.7.20-2021.8.31)、成熟期哨兵二号10米(2021.09.08)和高分一号WFV16米(2021.09.22)的数据。
(二)数据处理:
(1)提取连云港市第三次国土调查数据中的水田矢量数据,获取潜在水稻种植水田区域。
水田指种植水稻、莲藕、席草等水生作物的耕地,水田区域是种植水稻的潜在区域。
(2)遥感影像获取及预处理,包括:
①辐射定标和大气校正。对高分一号和资源三号影像利用ENVI5.3完成辐射定标和大气校正过程。辐射定标参数一般存放在元数据文件中,ENVI中的辐射定标工具(Radiometric Calibration)能自动从元数据文件中读取参数,从而完成辐射定标。大气校正主要采用ENVI软件中FLAASH Atmospheric Correction模块进行。获取的哨兵二号影像为2A级数据,为已经过辐射定标和大气校正的大气底层反射率数据。
②影像重采样。哨兵二号影像不同的波段分辨率不同,需将所有波段采样为10米分辨率图像。
③波段融合。哨兵影像具有多个波段,为便于影像用于监测,需要对需要的影像波段进行融合。
④坐标转换。将所有影像数据统一至CGCS2000坐标系。
⑤正射校正。对所有影像采用专业软件进行正射校正。
⑥影像分割。将水田矢量数据和不同生长期的影像数据同时载入到易康软件中,对影像进行多尺度分割,形成影像像斑。如图3所示。
(3)指数提取。以影像像元为最小计算单元,分别提取移栽期影像的归一化水体指数(NDWI)、齐穗期影像的归一化植被指数(NDVI)、成熟期哨兵二号影像的B11的短波特征值。
NIR为近红外波段反射值;Green为绿光波段反射值;Red为红光波段反射值
(4)水稻种植区域阈值设定。根据水稻移栽期在影像上的水体特征(图4),设定移栽期NDWI的阈值为0.35排除非灌水特征的植被;移栽期影像的归一化水体指数大于0.35,则判定为疑似水稻种植区域,移栽期水体指数特征图上白色的部分判定疑似水稻种植区域。
根据水稻齐穗期影像的植被指数(图5),设定NDVI的阈值为0.45排除建筑和水体。齐穗期影像的归一化植被指数大于0.45,则判定为疑似水稻种植区域,齐穗期植被指数特征图上白色的部分判定疑似水稻种植区域。
根据水稻成熟期哨兵二号影像的B11的短波特征值(图6),设定阈值为1400~1700。成熟期哨兵二号影像B11的短波特征值介于1400~1700之间,同时B6波段的特征值在2300~2700之间,并且成熟期影像的NDVI值在0.45-0.55之间则判定为疑似水稻种植区域,水稻成熟期哨兵二号影像的特征图上灰色的部分判定疑似水稻种植区域。
利用空间交叉运算获取潜在水稻种植区域水田矢量数据和移栽期、齐穗期、成熟区三个时期遥感图像相交集的部分获得水稻种植区。
(5)水稻提取。根据以上规则,建立规则集提取水稻。根据以上方法,建立规则集提取水稻并输出。
(三)提取结果
对本方法提取的连云港市2021年各区县的水稻面积进行统计。
表2 2021年连云港市各区县水稻面积
(四)精度验证
1、野外实地调查验证
水稻提取的精度验证采用随机采取验证点进行精度验证。选取连云港市东海县、灌云县和连云区三个区县进行验证点精度验证。根据三个区县的耕地分布情况,在耕地范围内随机选取验证点进行精度验证。东海县随机选取94个验证点,灌云县随机选取74个验证点,连云区随机选取41个验证点。三个区县的精度如下表所示。
表3 东海县验证点精度验证
表4 灌云县验证点精度验证
表5 连云区验证点精度验证
东海县水稻提取精度为94.90%,灌云县水稻提取精度为95.94%,连云区水稻提取精度为95.12%,这说明了采用本发明所提供的监测方法能快速准确的识别水稻的种植区域。
2、统计数据对比
将遥感解译提取的连云港市各区县水稻面积和连云港市统计年鉴中水稻面积进行对比,如下表所示:
表6 2021年提取水稻面积和统计年鉴值对比
上述对比结果表明本方法与统计数据间的平均相对误差达到了86.81%。用本方法提取的2021年连云港市的水稻种植面积与连云港市统计年鉴中统计数据的进行线性回归分析,R2为0.872(图7)。可见运用本方法进行连云港市水稻种植面积提取的结果与统计年鉴基本一致,精度达到了87%,这说明了本方法的可行性。
(五)水稻分布图
用本发明方法提取了连云港市6个区县的水稻种植面积,用Arcgis10.2制作连云港市水稻种植面积分布图,如图8所示。
Claims (5)
1.一种基于多源数据的水稻种植面积提取方法,其特征在于,包括如下步骤:
获取研究区多源卫星遥感影像数据及水田矢量数据,将水田矢量数据划分的区域归为潜在水稻种植区域;所述水田矢量数据为第三次国土面积调查数据中用于种植水生农作物的耕地矢量数据,包括实行水生、旱生农作物轮种的耕地;
分析研究区内水稻的耕作制度信息和物候期,获取水稻移栽期、齐穗期、成熟期的时间范围;选用哨兵二号、资源三号卫星遥感影像数据用于水稻特征分析;其中,哨兵二号卫星遥感影像用于移栽期、成熟期水稻特征分析,资源三号卫星遥感影像用于齐穗期水稻特征分析;
分析水稻全生育期指数特征的变化趋势,确定用于移栽期、齐穗期、成熟期疑似水稻种植区域提取的指数特征:以影像的NDWI值作为移栽期指数特征;影像的NDVI值作为齐穗期指数特征;影像的短波特征值、红边特征值和NDVI值作为成熟期指数特征;取水稻成熟期时间范围内哨兵二号卫星遥感影像数据的B11波段的短波特征值和B6波段的红边特征值;将水田矢量数据和移栽期、齐穗期、成熟期卫星遥感影像数据进行多尺度分割,形成影像像斑;针对多尺度分割后的移栽期、齐穗期、成熟期卫星遥感影像数据,以像元为最小计算单元,对移栽期、齐穗期、成熟期影像进行特征计算,并根据计算结果分别设定阈值提取疑似水稻种植区域;
利用空间交叉运算获取潜在水稻种植区域和移栽期、齐穗期、成熟期提取的疑似水稻种植区域交集的部分,该交集的部分即为水稻种植区。
2.根据权利要求1所述的方法,其特征在于,还包括,对移栽期和齐穗期,选择辅助卫星遥感影像辅助计算,在卫星遥感影像数据不全时利用辅助卫星遥感影像补足计算。
3.根据权利要求2所述的方法,其特征在于,齐穗期辅助卫星遥感影像分辨率高于移栽期辅助卫星遥感影像。
4.根据权利要求3所述的方法,其特征在于,选用高分一号卫星遥感影像作为辅助卫星遥感影像;移栽期辅助卫星遥感影像为高分一号WFV遥感影像数据,齐穗期辅助卫星遥感影像为高分一号全色多光谱相机遥感影像数据。
5.根据权利要求1所述的方法,其特征在于,对卫星遥感影像根据需要进行辐射定标、大气校正处理和重采样处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210766499.1A CN114821362B (zh) | 2022-07-01 | 2022-07-01 | 一种基于多源数据的水稻种植面积提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210766499.1A CN114821362B (zh) | 2022-07-01 | 2022-07-01 | 一种基于多源数据的水稻种植面积提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114821362A CN114821362A (zh) | 2022-07-29 |
CN114821362B true CN114821362B (zh) | 2022-09-23 |
Family
ID=82523476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210766499.1A Active CN114821362B (zh) | 2022-07-01 | 2022-07-01 | 一种基于多源数据的水稻种植面积提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114821362B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272860B (zh) * | 2022-08-02 | 2024-07-09 | 西南大学 | 一种水稻种植区的确定方法、***、电子设备及存储介质 |
CN115578644B (zh) * | 2022-08-08 | 2023-04-18 | 江苏省水利科学研究院 | 基于多特征机器学***原水网水葫芦提取方法及装置 |
CN115205691B (zh) * | 2022-09-15 | 2023-01-13 | 江西农业大学 | 一种水稻种植区域识别方法、装置、存储介质及设备 |
CN115909063A (zh) * | 2022-11-15 | 2023-04-04 | 生态环境部卫星环境应用中心 | 一种中分辨率水稻提取方法及*** |
CN115761486A (zh) * | 2022-11-15 | 2023-03-07 | 重庆市地理信息和遥感应用中心 | 一种基于多期稻田影像特征的水稻种植区判定方法和*** |
CN115631419B (zh) * | 2022-12-08 | 2023-05-09 | 航天宏图信息技术股份有限公司 | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 |
CN117576580A (zh) * | 2023-11-17 | 2024-02-20 | 广东省地质测绘院 | 基于遥感卫星的虾稻田信息提取方法、电子设备和介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103994976A (zh) * | 2013-11-28 | 2014-08-20 | 江苏省水利科学研究院 | 基于modis数据的农业旱情遥感监测方法 |
CN105447494A (zh) * | 2015-12-01 | 2016-03-30 | 二十一世纪空间技术应用股份有限公司 | 基于多源多时相遥感影像数据的菜田监测方法 |
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及*** |
CN106908415A (zh) * | 2017-02-24 | 2017-06-30 | 郑州大学 | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 |
CN107084688A (zh) * | 2017-05-06 | 2017-08-22 | 湖北大学 | 一种基于地块尺度的农作物面积动态变化遥感监测方法 |
CN107314990A (zh) * | 2017-08-28 | 2017-11-03 | 北京师范大学 | 一种春玉米遥感识别方法 |
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 |
CN107966116A (zh) * | 2017-11-20 | 2018-04-27 | 苏州市农业科学院 | 一种水稻种植面积的遥感监测方法及*** |
CN109241922A (zh) * | 2018-09-18 | 2019-01-18 | 安徽阡陌网络科技有限公司 | 一种基于遥感数据与数字田块的农业保险精准验保方法 |
CN109389049A (zh) * | 2018-09-19 | 2019-02-26 | 中国科学院东北地理与农业生态研究所 | 基于多时相sar数据与多光谱数据的作物遥感分类方法 |
CN111666900A (zh) * | 2020-06-09 | 2020-09-15 | 中国科学院地理科学与资源研究所 | 基于多源遥感影像的土地覆盖分类图的获取方法和装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046242B (zh) * | 2015-08-24 | 2018-02-13 | 山东省农业可持续发展研究所 | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 |
US10705204B2 (en) * | 2017-12-08 | 2020-07-07 | International Business Machines Corporation | Crop classification and growth tracking with synthetic aperture radar |
CN109948596B (zh) * | 2019-04-26 | 2022-04-22 | 电子科技大学 | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 |
CN111931987A (zh) * | 2020-07-09 | 2020-11-13 | 黑龙江省农业科学院农业遥感与信息研究所 | 时间序列lai曲线积分面积区域水稻成熟期预测方法 |
CN111985433B (zh) * | 2020-08-28 | 2023-01-20 | 中国科学院地理科学与资源研究所 | 一种水稻遥感信息提取方法和*** |
CN112101256B (zh) * | 2020-09-21 | 2021-07-09 | 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 |
CN112836575B (zh) * | 2020-12-30 | 2023-06-27 | 哈尔滨航天恒星数据***科技有限公司 | 一种基于作物物候期的多时序影像水稻估产方法 |
-
2022
- 2022-07-01 CN CN202210766499.1A patent/CN114821362B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103994976A (zh) * | 2013-11-28 | 2014-08-20 | 江苏省水利科学研究院 | 基于modis数据的农业旱情遥感监测方法 |
CN105447494A (zh) * | 2015-12-01 | 2016-03-30 | 二十一世纪空间技术应用股份有限公司 | 基于多源多时相遥感影像数据的菜田监测方法 |
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及*** |
CN106908415A (zh) * | 2017-02-24 | 2017-06-30 | 郑州大学 | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 |
CN107084688A (zh) * | 2017-05-06 | 2017-08-22 | 湖北大学 | 一种基于地块尺度的农作物面积动态变化遥感监测方法 |
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 |
CN107314990A (zh) * | 2017-08-28 | 2017-11-03 | 北京师范大学 | 一种春玉米遥感识别方法 |
CN107966116A (zh) * | 2017-11-20 | 2018-04-27 | 苏州市农业科学院 | 一种水稻种植面积的遥感监测方法及*** |
CN109241922A (zh) * | 2018-09-18 | 2019-01-18 | 安徽阡陌网络科技有限公司 | 一种基于遥感数据与数字田块的农业保险精准验保方法 |
CN109389049A (zh) * | 2018-09-19 | 2019-02-26 | 中国科学院东北地理与农业生态研究所 | 基于多时相sar数据与多光谱数据的作物遥感分类方法 |
CN111666900A (zh) * | 2020-06-09 | 2020-09-15 | 中国科学院地理科学与资源研究所 | 基于多源遥感影像的土地覆盖分类图的获取方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114821362A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
US20230292647A1 (en) | System and Method for Crop Monitoring | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及*** | |
Sankaran et al. | Unmanned aerial system and satellite-based high resolution imagery for high-throughput phenotyping in dry bean | |
Dobrowski et al. | Grapevine dormant pruning weight prediction using remotely sensed data | |
Li et al. | Estimating aboveground and organ biomass of plant canopies across the entire season of rice growth with terrestrial laser scanning | |
CN111209871B (zh) | 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 | |
Chen et al. | Predicting individual apple tree yield using UAV multi-source remote sensing data and ensemble learning | |
CN113128401B (zh) | 基于光学和雷达遥感数据的区域实际灌溉面积监测方法 | |
Liang et al. | Improved estimation of aboveground biomass in rubber plantations by fusing spectral and textural information from UAV-based RGB imagery | |
Warren et al. | Agricultural applications of high-resolution digital multispectral imagery | |
Zhang et al. | High-throughput phenotyping of plant leaf morphological, physiological, and biochemical traits on multiple scales using optical sensing | |
Yuan et al. | Research on rice leaf area index estimation based on fusion of texture and spectral information | |
CN112329733B (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
Zhou et al. | Improved yield prediction of ratoon rice using unmanned aerial vehicle-based multi-temporal feature method | |
CN113313671A (zh) | 一种结合卫星影像和modis数据的水稻估产方法 | |
CN115880577A (zh) | 一种基于遥感技术的耕地秋整地进度动态监测方法 | |
Tang et al. | UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard | |
Peng et al. | Remote sensing monitoring of tobacco field based on phenological characteristics and time series image—A case study of Chengjiang County, Yunnan Province, China | |
He et al. | Diagnosis of nitrogen nutrition in sugar beet based on the characteristics of scanned leaf images | |
Shan et al. | Study on extraction methods of paddy rice area based on GF-6 satellite image | |
CN115775354B (zh) | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 | |
Du et al. | Growth Monitoring of Weak Gluten Wheat Using Visible and Multispectral UAV Imagery | |
Adeluyi | The potential of remote sensing technologies for monitoring the productivity of dry season irrigated rice |
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 |