一种基于遥感图像的池塘状态全自动监测方法和装置制造方法及图纸

本申请涉及一种基于遥感图像的池塘状态全自动监测方法和装置。利用归一化植被指数NDVI和归一化水体指数NDWI以及光谱波段信息，对池塘轮廓边界内的像元类型识别，可有效识别水体、干涸地、水草和浮萍像元，并利用识别结果建立池塘盖度参数，记录每一种盖度信息，用以监测池塘状态。

An automatic monitoring method and device of pond state based on remote sensing image

【技术实现步骤摘要】
一种基于遥感图像的池塘状态全自动监测方法和装置
本申请属于遥感监测
，尤其是涉及一种基于遥感图像的池塘状态全自动监测方法和装置。
技术介绍
池塘养殖一般是通过筑堤围割海域(湖域)方式而进行的养殖生产，其内部构成主要是水体。池塘的信息状态是水产养殖的基础，及时准确地掌握池塘空间分布及面积变化，是水产养殖实现现代化管理的迫切需要。遥感具有面积量算的优势，应用遥感方法准确量算池塘面积信息，具有重要的现实意义,也是渔业遥感应用的重点方向。目前池塘的遥感识别方法主要利用单波段阈值法、谱间联系法、光谱指数法、面向对象法等，这些方法与具体的应用和研究区域有关、迁移性较差，需人工确定阈值、并依赖专家经验和已有的参考数据，每种单一的方法难以详尽的提取水体，尤其对于地表复杂多样的区域更是如此。池塘养殖在大尺度空间分布上往往具有集中分布的特点且养殖池周围的筑堤将其划分为网格状的面状地物，主要构成为水体，具有颜色单一、形状规则的特点。深度学习卷积神经网络在特征提取方面,既能学习到颜色、光谱、边缘等底层特征,也能学习到纹理、形状等中级特征。因此,基于深度学本文档来自技高网...

【技术保护点】
1.一种基于遥感图像的池塘状态全自动监测方法，其特征在于，包括以下步骤：/nS1：获取检测区内的至少一年的遥感影像，所述遥感影像包含蓝光、绿光、红光、近红外波段，并计算归一化植被指数和归一化水体指数；/nS2：识别出遥感影像上的池塘轮廓，在每一个池塘轮廓边界内统计影像像元个数，分别判断每个影像像元类型：/nS3：识别出每个影像像元类型占池塘轮廓边界内总像元类型的百分比，以百分比的最大值标识为当前池塘的类型。/n

【技术特征摘要】
1.一种基于遥感图像的池塘状态全自动监测方法，其特征在于，包括以下步骤：
S1：获取检测区内的至少一年的遥感影像，所述遥感影像包含蓝光、绿光、红光、近红外波段，并计算归一化植被指数和归一化水体指数；
S2：识别出遥感影像上的池塘轮廓，在每一个池塘轮廓边界内统计影像像元个数，分别判断每个影像像元类型：
S3：识别出每个影像像元类型占池塘轮廓边界内总像元类型的百分比，以百分比的最大值标识为当前池塘的类型。


2.根据权利要求1所述的基于遥感图像的池塘状态全自动监测方法，其特征在于，S1步骤中，
NDVI、NDWI分别表示归一化植被指数和归一化水体指数，
计算公式如下：






Green、Red、NIR分别表示绿光、红光、近红外波段影像的灰度值。


3.根据权利要求1或2所述的基于遥感图像的池塘状态全自动监测方法，其特征在于，S2步骤中，
若影像像元符合条件1时影像像元类型识别为水体像元，条件1：NDVI<-0.2且NDWI>0.4且NIR<100，并统计像元个数，记为m1；
若影像像元符合条件2时影像像元类型识别为干涸地像元，条件2：NDVI>-0.2且0.4>NDWI>0.2且200>NIR>100，并统计像元个数，记为m2；
若影像像元符合条件3时影像像元类型识别为浮萍像元，条件3：NDVI>-0.05且NDWI<0.2且NIR>200，并统计像元个数，记为m3；
若影像像元符合条件4时影像像元类型识别为水草像元，条件4：NDVI>-0.1且NDWI>0且200<Green<250，并统计像元个数，记为m4。


4.根据权利要求3所述的基于遥感图像的池塘状态全自动监测方法，其特征在于，S3步骤中，
以盖度表示百分比，
池塘水体盖度：
池塘干涸盖度：
池塘浮萍覆盖度：
池塘水草覆盖度：
以V1、V2、V3、V4中的最大值标识为当前池塘类型。


5.根据权利要求4所述的基于遥感图像的池塘状态全自动监测方法，其特征在于，S1步骤中获取检测区内的一段时间的遥感影像，对每张遥感影像的池塘轮廓边界进行识别，分别记录一段时间内的池塘轮廓边界的变化、池塘类型变化和盖度变化。


6.一种...

【专利技术属性】
技术研发人员：徐飞飞，陆洲，
申请(专利权)人：中科禾信遥感科技苏州有限公司，中国科学院地理科学与资源研究所，
类型：发明
国别省市：江苏;32