CN116524225A - 一种基于多源遥感数据的作物分类方法及*** - Google Patents
一种基于多源遥感数据的作物分类方法及*** Download PDFInfo
- Publication number
- CN116524225A CN116524225A CN202211663023.1A CN202211663023A CN116524225A CN 116524225 A CN116524225 A CN 116524225A CN 202211663023 A CN202211663023 A CN 202211663023A CN 116524225 A CN116524225 A CN 116524225A
- Authority
- CN
- China
- Prior art keywords
- crop
- remote sensing
- classification
- sensing data
- source remote
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011160 research Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000003306 harvesting Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000003967 crop rotation Methods 0.000 abstract description 8
- 240000008042 Zea mays Species 0.000 description 29
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 29
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 29
- 235000005822 corn Nutrition 0.000 description 29
- 241000209140 Triticum Species 0.000 description 17
- 235000021307 Triticum Nutrition 0.000 description 17
- 244000105624 Arachis hypogaea Species 0.000 description 12
- 235000020232 peanut Nutrition 0.000 description 12
- 235000017060 Arachis glabrata Nutrition 0.000 description 9
- 235000010777 Arachis hypogaea Nutrition 0.000 description 9
- 235000018262 Arachis monticola Nutrition 0.000 description 9
- 208000003643 Callosities Diseases 0.000 description 6
- 206010020649 Hyperkeratosis Diseases 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000035558 fertility Effects 0.000 description 3
- 230000006651 lactation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000009331 sowing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Remote Sensing (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Astronomy & Astrophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明涉及作物分类技术领域,提供了一种基于多源遥感数据的作物分类方法及***,包括:获取研究区域的物候期内的多源遥感数据;基于多源遥感数据,计算物候期内多个时间点的作物分类最优指数;基于所有作物的收获时间的作物分类最优指数,提取林地掩膜;基于每个作物的物候期,确定每个作物的两个关键时间点;对于每个作物,基于林地掩膜,结合两个关键时间点的作物分类最优指数的差值,进行作物的提取。消除了不同数据源对作物分类精度的影响,提高了大范围轮种作物分类准确度。
Description
技术领域
本发明属于作物分类技术领域,尤其涉及一种基于多源遥感数据的作物分类方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
农作物空间分布信息对粮食产量预测、国家农业政策制定和经济发展有着至关重要的作用。世界各地对于农业的重视使得人们愈加注重农作物的分布和变化情况。遥感数据对于农业监测有着重要的意义,很大程度减少了人们对于实地考察的依赖,且田间调查的方法成本高昂且通常会造成一定程度的作物损毁,而且由于不同农作物的生长周期不同,造成物候期内的生长状况也有一定的差异,因此,利用遥感影像的时间序列对于物候期内农作物进行分类能够一定程度上满足人们对于获取农作物空间信息和分布的需求。遥感提供了一种高时效、高精度、非损毁性的调查手段。
近年来,很多学者利用光学遥感影像对不同时空尺度下的多种农作物进行分类识别研究并已发展较为成熟。但是,沿海城市在农作物的关键物候期内常受多云雾等天气影想,导致有些影像数据的缺失,极大限制了实际研究中的应用,因此,利用多源数据有利于解决数据因为天气等原因导致的数据缺失问题。农作物框架结构的提取主要是利用农作物的光谱、时间和空间特性。
目前利用遥感技术手段对于农作物分类的研究主要存在以下主要问题:
1、大多数关于作物分类的研究,会首先提取耕地,而如果耕地提取不准确,则会严重影响后续精度问题,而且山区地块分布较散漫种植面积小,反映到影像上会出现像元太小、误差较大等问题;
2、影像提取的特征数量对于精度结果有很大的影响,较少的特征没有办法反映不同农作物之间的差别,较多则出现冗余,降低农作物的精度,需要合理的对特征的类别和数量进行决策;
3、需要解决传统单一遥感影像分类精度低,作物特征不明显,以及不同数据源分类精度差异等缺点;
4、一般利用关键期的遥感数据进行分类时,由于选取数据源分辨率的不同导致分类精度差异较大,因此,如何建立一种可以基于多源遥感数据的分类方法,可以有效解决分辨率不一致及数据缺失等重要问题;
5、传统利用时间序列分类对突变式作物较容易区分,但作物生长通常是渐变式的,特别,对于轮种作物,传统方法分类普适性较低、耗时久,即,传统时间序列分类方法对农作物突变式发展有很好的辨识能力,但是作物生长是渐变式的,需要量化作物细微变化。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于多源遥感数据的作物分类方法及***,基于多源遥感数据物候信息差值进行快速分类,可以量化不同作物类型的差异信息,消除不同数据源对作物分类精度的影响,以此提高大范围轮种作物分类准确度。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于多源遥感数据的作物分类方法,其包括:
获取研究区域的物候期内的多源遥感数据;
基于多源遥感数据,计算物候期内多个时间点的作物分类最优指数;
基于所有作物的收获时间的作物分类最优指数,提取林地掩膜;
基于每个作物的物候期,确定每个作物的两个关键时间点;
对于每个作物,基于林地掩膜,结合两个关键时间点的作物分类最优指数的差值,进行作物的提取。
进一步地,对多源遥感数据依次进行辐射校正、正射校正、去云和影像拼接后,计算物候期内多个时间点的作物分类最优指数。
进一步地,所述作物分类最优指数是根据若干种作物的特征指数时序图,在NDVI、EVI和RVI中选取出来的。
进一步地,对于某个作物,采用林地掩膜对多源遥感数据处理后,若两个关键时间点的作物分类最优指数的差值大于阈值,则在多源遥感数据中,提取出该作物。
进一步地,某作物对应的阈值是训练集中该作物对应的训练样本的两个关键时间点的作物分类最优指数的差值的均值。
进一步地,所述多源遥感数据包括Sentile-2A数据或Landsat8遥感影像数据。
本发明的第二个方面提供一种基于多源遥感数据的作物分类***,其包括:
数据获取模块,其被配置为:获取研究区域的物候期内的多源遥感数据;
分类指数计算模块,其被配置为:基于多源遥感数据,计算物候期内多个时间点的作物分类最优指数;
掩膜提取模块,其被配置为:基于所有作物的收获时间的作物分类最优指数,提取林地掩膜;
时间点确定模块,其被配置为:基于每个作物的物候期,确定每个作物的两个关键时间点;
分类模块,其被配置为:对于每个作物,基于林地掩膜,结合两个关键时间点的作物分类最优指数的差值,进行作物的提取。
本发明的第三个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的一种基于多源遥感数据的作物分类方法中的步骤。
本发明的第四个方面提供一种计算机设备,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所述的一种基于多源遥感数据的作物分类方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明提供了一种基于多源遥感数据的作物分类方法,其基于多源遥感数据物候信息差值进行快速分类,可以量化不同作物类型的差异信息,消除不同数据源对作物分类精度的影响,以此提高大范围轮种作物分类准确度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例一的一种基于多源遥感数据的作物分类方法的流程图;
图2是本发明实施例一的增强植被指数EVI时序图;
图3是本发明实施例一的归一化植被指数NDVI时序图;
图4是本发明实施例一的比值植被指数时序图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
实施例一
本实施例提供了一种基于多源遥感数据的作物分类方法,基于多源遥感数据构建高频植被特征时间序列,利用植被指数均值差值,确定不同作物分类阈值,提高大范围轮种农作物分类精度。
因为Sentile-2A受天气影响较大,所以利用Landsat8高时间分辨率特性,结合两种遥感影像构建了高空间分辨率的植被特征序列。本实施例以某沿海地区作为研究区,根据实地考察数据分为训练样本407和验证样本425,调研了不同农作物的物候期(如表1、表2、表3和表4),根据物候期,因此选择了2021年3.24、4.18、5.08、5.22、6.23、7.25、8.11、9.30、10.25日9期影像。
Sentile-2A和Landsat8两种数据不重叠,这两种数据是作为互补的,比如,6.7.8月降雨量较大,有的Sentinel卫星过境那天数据含云量比较大不能使用,所以会用Landsat数据做为替补。
表1、冬小麦物候期
表2、春玉米物候期(旬)
生育期 | 日期 |
播种期 | 4月下-5上 |
出苗期 | 5月中 |
拔节期 | 6月中-7上 |
抽雄期 | 7月中-8上 |
乳熟期 | 8月中-9上 |
成熟期 | 9月中-9下 |
表3、夏玉米物候期(旬)
生育期 | 日期 |
播种期 | 6月中-6月下 |
出苗期 | 7月上-7月中 |
拔节期 | 7月下-8月上 |
抽雄期 | 8月中-8月下 |
乳熟期 | 9月上-9月中 |
成熟期 | 9月下-10上 |
表4、花生物候期(旬)
生育期 | 日期 |
播种期 | 6月上-6月中 |
出苗期 | 7月中 |
开花下针期 | 7月 |
结荚期 | 8月 |
乳熟期 | 9月上 |
本实施例提供的一种基于多源遥感数据的作物分类方法,如图1所示,具体包括如下步骤:
(1)获取研究区域的物候期内的多源遥感数据;
(2)基于多源遥感数据,对多源遥感数据进行预处理后,计算物候期内多个时间点的作物分类最优指数;
(3)基于所有作物的收获时间(10月25日)的作物分类最优指数,提取林地掩膜;
(4)基于每个作物的物候期,确定每个作物的两个关键时间点;
(5)对于每个作物,基于林地掩膜,结合两个关键时间点的作物分类最优指数的差值,进行作物的提取。
对于某个作物,采用林地掩膜对多源遥感数据处理后,若两个关键时间点的作物分类最优指数的差值大于阈值,则在多源遥感数据中,提取出该作物。
某作物对应的阈值是训练集中该作物对应的训练样本的两个关键时间点的作物分类最优指数的差值的均值。
作物分类最优指数的确定、以及进行作物的提取的过程中的差值的阈值,的获取步骤为:
步骤1、收集研究区域的物候期内的多源遥感数据,研究区云覆盖率超过10%的数据弃用,并对研究区的多元影像进行时空优选,对所优选之后的多源遥感数据进行预处理,预处理过程即对所选研究区域内的多源遥感数据进行辐射校正、正射校正、去云和影像拼接。
步骤2、对预处理之后的多源遥感影像进行植被特征指数的计算,具体的特征指数有NDVI(归一化植被指数)、EVI(增强型植被指数)、RVI(比值植被指数),其具体表达公式为:
其中,ρR、ρB、ρNIR分别表示红色波段、蓝色波段以及近红外波段的反射值;L为背景(土壤)调整系数;C1、C2为拟合系数,EVI算法中,取L=1、C1=6、C2=7.5。
根据训练样本,画出各种植被特征指数时序图,如图2所示,由EVI指数时序图可看出,虽然5.22日之前可以很好得区分出冬小麦和其他作物,但是6.23之后春玉米和花生EVI时序曲线较为接近,因此不利于春玉米和花生的区分;如图3所示,由NDVI时序曲线,发现冬小麦和夏玉米曲线较为接近是因为大部分地区是小麦和玉米轮种,因此这两种作物时序曲线较为相似。在5.22-6.23期间,春玉米和花生呈上升趋势,小麦NDVI呈下降趋势,利用6.23日影像减去5.9日影像NDVI差值较大且为正值的即为春玉米。6.23之后春玉米拔节之后生长较为缓慢,NDVI时序曲线变化较为缓慢,而花生6.23之后快速生长,时序曲线变化也较为明显,因此有利于区春玉米和花生。9.30日左右夏玉米NDVI值较大,有利于区分夏玉米;如图4所示,由比值植被指数RVI时序图,不难看出其变化趋势与NDVI变化趋势较为相似,但是5.22日春玉米和小麦RVI值较为相近,且5.22-8.11期间RVI曲线变化没有NDVI变化显著,因为RVI对大气影响敏感,当植被覆盖度不够浓密时,其分辨能力比较弱。由此选用归一化植被指数NDVI进行农作物的分类,即,将NDVI作为作物分类最优指数。
步骤3、根据农作物物候期表格可发现小麦在6月中旬成熟,春玉米在4月中旬播种,5月初出苗,夏玉米和花生在6月中下旬播种,花生在9月初收获,夏玉米在9月底10月初收获,因此10月25日各种农作物都已经收获,因此,根据训练样本NDVI平均值,如表5所示,求出NDVI10/25>0.565的即为林地(森林、块状林地和灌草地),因此可以提取出林地作为森林掩膜。
表5、各类地物样本NDVI均值表
步骤4、结合3/24和4/18两期影像和森林掩膜(根据森林掩膜把影像中的林地剔除,剔除之后只剩下小麦的NDVI比较高,便于提取小麦),根据冬小麦训练样本平均值做差得出NDVI4/18-3/24>0.289即为冬小麦。
步骤5、根据6/29和5/11两期影像对比以及森林掩膜可以提取出春玉米,因为春玉米4月中下旬播种,5月中上旬出苗,此时小麦和春玉米NDVI值较为接近,6月中下旬拔节,此时小麦已经成熟,因此小麦NDVI值较小,两期NDVI影像进行差值,NDVI6/23-5/09>0.571即为春玉米,根据决策树提取出春玉米,做出春玉米掩膜。
步骤6、根据森林、春玉米掩膜文件对8/11和9/30两期影像进行掩膜处理,剩下的农作物区域即为花生和夏玉米,因为花生收获比较早在9月上旬,因此对两期NDVI影像进行差值,NDVI8/11-9/30>0.217即为夏玉米,然后利用夏玉米掩膜文件对8/11这期影像进行处理,NDVI8/11>0.880即为花生。
步骤7、根据实地采集样本,精度评定采用混淆矩阵的评价方法,评定结果如表6所示,整体精度高达95.8432%,在ArcGIS中统计农作物面积,其中小麦面积为830.432km2,玉米种植面积为832.3857km2,花生种植面积为3.3259km2。
表6、不同农作物分类结果精度评定
地物类别 | 训练样本 | 验证样本 | PA | UA |
冬小麦 | 103 | 108 | 94.50 | 95.37 |
春玉米 | 94 | 101 | 95.92 | 93.07 |
夏玉米 | 106 | 109 | 95.50 | 97.25 |
花生 | 104 | 107 | 96.30 | 97.20 |
本实施例提供的一种基于多源遥感数据的作物分类方法,根据现有农作物分类方法不足,建立一套适用于大范围、多源遥感数据、快速准确的轮种作物分类方法,首先考察的实地样本和农作物物候期,筛选关键物候期中的卫星遥感影像数据,利用2021年9期空间分辨率为10米的Sentile-2A数据和分辨率为30米的Landsat8遥感影像数据,提出多源多时相数据构建植被指数时间序列曲线。其次,筛选出利于作物分类的植被指数,对得到的时间序列指数进行做差,量化农作物之间的细微变化,确定每类作物的分割时间、顺序阈值。最后基于随机森林的进行特征选取和分类,与实地考察样本进行验证,分类总精度高达95.8342%。本实施例将时间序列覆盖2021年农作物的整个生长周期,有利于区分不同作物的植被指数阈值,且利用多源数据解决了卫星影像因为天气等原因造成缺失的问题。
本实施例提供的一种基于多源遥感数据的作物分类方法,不但能够通过保留影像数据高空间分辨率,还能同时使用两类数据的时间序列,提高对于研究区域的观测周期,有效地解决天气影响造成的农作物识别精度不高、不同数据源分辨率差异的问题。此外,根据植被特征指数时间序列图可以确定农作物的特征类别,因此具有对农作物空间分布进行精确快速提取的特点,有利于农业的管理和规划。
本实施例提供的一种基于多源遥感数据的作物分类方法,利用Sentinel-2A和Landsat8数据构建高时间空间分辨率的植被特征时间序列,时间序列覆盖农作物的生长周期,并且充分利用两种影像的高时空特征,通过基于随机森林的特征选取和分类达到了较高的精度。此种分类算法可以解决大范围、多种典型轮种农作物快速、高精度分类。
本实施例提供的一种基于多源遥感数据的作物分类方法,基于多源遥感数据物候信息差值进行快速分类,可以量化不同作物类型的差异信息,消除不同数据源对作物分类精度的影响,以此提高大范围轮种作物分类准确度。
实施例二
本实施例提供了一种基于多源遥感数据的作物分类***,其具体包括:
数据获取模块,其被配置为:获取研究区域的物候期内的多源遥感数据;
分类指数计算模块,其被配置为:基于多源遥感数据,计算物候期内多个时间点的作物分类最优指数;
掩膜提取模块,其被配置为:基于所有作物的收获时间的作物分类最优指数,提取林地掩膜;
时间点确定模块,其被配置为:基于每个作物的物候期,确定每个作物的两个关键时间点;
分类模块,其被配置为:对于每个作物,基于林地掩膜,结合两个关键时间点的作物分类最优指数的差值,进行作物的提取。
此处需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的一种基于多源遥感数据的作物分类方法中的步骤。
实施例四
本实施例提供了一种计算机设备,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实施例一所述的一种基于多源遥感数据的作物分类方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多源遥感数据的作物分类方法,其特征在于,包括:
获取研究区域的物候期内的多源遥感数据;
基于多源遥感数据,计算物候期内多个时间点的作物分类最优指数;
基于所有作物的收获时间的作物分类最优指数,提取林地掩膜;
基于每个作物的物候期,确定每个作物的两个关键时间点;
对于每个作物,基于林地掩膜,结合两个关键时间点的作物分类最优指数的差值,进行作物的提取。
2.如权利要求1所述的一种基于多源遥感数据的作物分类方法,其特征在于,对多源遥感数据依次进行辐射校正、正射校正、去云和影像拼接后,计算物候期内多个时间点的作物分类最优指数。
3.如权利要求1所述的一种基于多源遥感数据的作物分类方法,其特征在于,所述作物分类最优指数是根据若干种作物的特征指数时序图,在NDVI、EVI和RVI中选取出来的。
4.如权利要求1所述的一种基于多源遥感数据的作物分类方法,其特征在于,对于某个作物,采用林地掩膜对多源遥感数据处理后,若两个关键时间点的作物分类最优指数的差值大于阈值,则在多源遥感数据中,提取出该作物。
5.如权利要求4所述的一种基于多源遥感数据的作物分类方法,其特征在于,某作物对应的阈值是训练集中该作物对应的训练样本的两个关键时间点的作物分类最优指数的差值的均值。
6.如权利要求1所述的一种基于多源遥感数据的作物分类方法,其特征在于,所述多源遥感数据包括Sentile-2A数据或Landsat8遥感影像数据。
7.一种基于多源遥感数据的作物分类***,其特征在于,包括:
数据获取模块,其被配置为:获取研究区域的物候期内的多源遥感数据;
分类指数计算模块,其被配置为:基于多源遥感数据,计算物候期内多个时间点的作物分类最优指数;
掩膜提取模块,其被配置为:基于所有作物的收获时间的作物分类最优指数,提取林地掩膜;
时间点确定模块,其被配置为:基于每个作物的物候期,确定每个作物的两个关键时间点;
分类模块,其被配置为:对于每个作物,基于林地掩膜,结合两个关键时间点的作物分类最优指数的差值,进行作物的提取。
8.如权利要求7所述的一种基于多源遥感数据的作物分类***,其特征在于,所述分类指数计算模块,具体被配置为:对多源遥感数据依次进行辐射校正、正射校正、去云和影像拼接后,计算物候期内多个时间点的作物分类最优指数。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的一种基于多源遥感数据的作物分类方法中的步骤。
10.一种计算机设备,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1-6中任一项所述的一种基于多源遥感数据的作物分类方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211663023.1A CN116524225A (zh) | 2022-12-23 | 2022-12-23 | 一种基于多源遥感数据的作物分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211663023.1A CN116524225A (zh) | 2022-12-23 | 2022-12-23 | 一种基于多源遥感数据的作物分类方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116524225A true CN116524225A (zh) | 2023-08-01 |
Family
ID=87405285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211663023.1A Pending CN116524225A (zh) | 2022-12-23 | 2022-12-23 | 一种基于多源遥感数据的作物分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116524225A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151477A (zh) * | 2023-10-31 | 2023-12-01 | 中化现代农业有限公司 | 作物异常识别方法、装置、电子设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033150A (zh) * | 2011-10-09 | 2013-04-10 | 黄青 | 用modis数据快速提取主要农作物种植面积的方法 |
CN111507303A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种湿地植物种类检测方法 |
CN113392759A (zh) * | 2021-06-11 | 2021-09-14 | 河南大学 | 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 |
CN113963275A (zh) * | 2021-10-12 | 2022-01-21 | 中科禾信遥感科技(苏州)有限公司 | 一种冬小麦、土地农作物的遥感识别方法及遥感识别*** |
CN113963260A (zh) * | 2021-10-20 | 2022-01-21 | 中科三清科技有限公司 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
CN114255395A (zh) * | 2021-07-06 | 2022-03-29 | 中国农业大学 | 多源遥感数据融合的农作物分类方法、***、设备及介质 |
EP3997546A1 (en) * | 2019-07-08 | 2022-05-18 | Indigo AG, Inc. | Crop yield forecasting models |
US20220210987A1 (en) * | 2019-09-27 | 2022-07-07 | Indigo Ag, Inc. | Modeling field irrigation with remote sensing imagery |
-
2022
- 2022-12-23 CN CN202211663023.1A patent/CN116524225A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033150A (zh) * | 2011-10-09 | 2013-04-10 | 黄青 | 用modis数据快速提取主要农作物种植面积的方法 |
EP3997546A1 (en) * | 2019-07-08 | 2022-05-18 | Indigo AG, Inc. | Crop yield forecasting models |
US20220210987A1 (en) * | 2019-09-27 | 2022-07-07 | Indigo Ag, Inc. | Modeling field irrigation with remote sensing imagery |
CN111507303A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种湿地植物种类检测方法 |
CN113392759A (zh) * | 2021-06-11 | 2021-09-14 | 河南大学 | 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 |
CN114255395A (zh) * | 2021-07-06 | 2022-03-29 | 中国农业大学 | 多源遥感数据融合的农作物分类方法、***、设备及介质 |
CN113963275A (zh) * | 2021-10-12 | 2022-01-21 | 中科禾信遥感科技(苏州)有限公司 | 一种冬小麦、土地农作物的遥感识别方法及遥感识别*** |
CN113963260A (zh) * | 2021-10-20 | 2022-01-21 | 中科三清科技有限公司 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151477A (zh) * | 2023-10-31 | 2023-12-01 | 中化现代农业有限公司 | 作物异常识别方法、装置、电子设备和存储介质 |
CN117151477B (zh) * | 2023-10-31 | 2024-01-23 | 中化现代农业有限公司 | 作物异常识别方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948596B (zh) | 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 | |
CN113009485A (zh) | 一种基于改进植被指数的遥感烟田识别方法 | |
CN111345214A (zh) | 一种基于卫星影像数据的新疆棉花区域识别方法及*** | |
Sun et al. | Monitoring maize lodging grades via unmanned aerial vehicle multispectral image | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN112712038B (zh) | 基于多光谱卫星影像监测小麦倒伏状况的方法及*** | |
CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
CN112215090A (zh) | 融合物候知识的遥感水稻制图方法及其应用 | |
CN116524225A (zh) | 一种基于多源遥感数据的作物分类方法及*** | |
CN114581768A (zh) | 一种作物倒伏无人机监测方法及装置 | |
CN111950361B (zh) | 基于单时序ndvi的甜菜识别方法、***、设备、介质及终端 | |
CN110598514A (zh) | 一种土地整治项目区地块尺度农作物播种面积监测方法 | |
CN112240869A (zh) | 一种基于高分遥感影像的草原地块信息提取方法 | |
CN115861844A (zh) | 一种基于种植概率的水稻早期遥感识别方法 | |
CN116051993A (zh) | 一种人工草地识别方法 | |
CN115165773A (zh) | 一种基于Google Earth Engine的水稻面积提取方法 | |
CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 | |
Cui et al. | Phenotypic characteristics of ramie (Boehmeria nivea L) germplasm resources based on UAV remote sensing | |
CN114663780A (zh) | 基于gee和机器学习的河套灌区种植结构识别方法及*** | |
Shao et al. | Large-scale mapping of new mixed rice cropping patterns in southern China with phenology-based algorithm and MODIS dataset | |
Wang et al. | Classification of medicinal plants astragalus mongholicus bunge and sophora flavescens aiton using GaoFen-6 and multitemporal Sentinel-2 data | |
CN113743370A (zh) | 一种基于多时相遥感植被指数的柑橘识别方法 | |
Ye et al. | Inter-relationships between canopy features and fruit yield in citrus as detected by airborne multispectral imagery | |
Zhang et al. | Detection of wheat lodging plots using indices derived from multi-spectral and visible images | |
El Hajj et al. | Multi-source information fusion: Monitoring sugarcane harvest using multi-temporal images, crop growth modelling, and expert knowledge |
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 |