熊德蘭

摘要：針對(duì)農(nóng)作物生長(zhǎng)發(fā)育各階段的特征，利用高分辨率遙感影像建立農(nóng)作物長(zhǎng)勢(shì)模板數(shù)據(jù)庫(kù)，可以實(shí)現(xiàn)農(nóng)作物從播種到收獲各個(gè)階段的全程監(jiān)測(cè)、預(yù)警及分析對(duì)比。以水稻種植及相關(guān)應(yīng)用需求為例，探討了遙感影像獲取及處理方法，模板數(shù)據(jù)庫(kù)概念設(shè)計(jì)、邏輯設(shè)計(jì)及分布式存儲(chǔ)等若干關(guān)鍵問題。該研究對(duì)實(shí)現(xiàn)農(nóng)作物生長(zhǎng)過(guò)程監(jiān)管、提高工作效率具有重要的意義，極大地促進(jìn)了農(nóng)業(yè)遙感的縱深化發(fā)展，并為農(nóng)業(yè)信息化的精細(xì)化、產(chǎn)業(yè)化發(fā)展帶來(lái)了新的契機(jī)。

關(guān)鍵詞：農(nóng)業(yè)遙感；數(shù)據(jù)庫(kù)；作物長(zhǎng)勢(shì)；水稻

中圖分類號(hào)：S127 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2014）08-0411-03

首先，根據(jù)要監(jiān)測(cè)的區(qū)域范圍和作物種植節(jié)律選取合適的遙感影像，如跨省范圍大面積區(qū)域性分析可以選擇中低分辨率遙感影像，田塊級(jí)別精細(xì)化識(shí)別需要選取高分辨率遙感影像，而東北地區(qū)和長(zhǎng)江中下游地區(qū)的水稻種植節(jié)律不同，應(yīng)選取不同時(shí)間段的遙感影像。影像預(yù)處理主要指大氣糾正、幾何糾正、輻射校正、圖像增強(qiáng)等操作^[7]。圖像特征提取主要提取遙感圖像中波譜、色彩、亮度、紋理、形狀、空間關(guān)系等特征信息，并在此基礎(chǔ)上計(jì)算作物特定生長(zhǎng)期的特征參數(shù)、遙感指數(shù)。這些信息連同處理并編碼后的遙感圖像被作為農(nóng)作物長(zhǎng)勢(shì)模板按照一定的索引存入數(shù)據(jù)庫(kù)。根據(jù)需要，可以讀取數(shù)據(jù)庫(kù)的信息并以一定的視圖形式呈現(xiàn)給用戶，也可以重新選取更合適的遙感影像進(jìn)行上述操作并更新數(shù)據(jù)。

2 數(shù)據(jù)庫(kù)設(shè)計(jì)

2.1 概念結(jié)構(gòu)設(shè)計(jì)

數(shù)據(jù)庫(kù)概念結(jié)構(gòu)設(shè)計(jì)是對(duì)需求信息進(jìn)行綜合、歸納，抽象為特定的概念模型。常用的概念模型是實(shí)體-聯(lián)系模型（E-R模型），該模型能真實(shí)、有效地反映現(xiàn)實(shí)世界需求，便于不同用戶的理解和交流。作物長(zhǎng)勢(shì)模板數(shù)據(jù)庫(kù)主要包含處理后的遙感圖像和分析提取的影像特征集2類數(shù)據(jù)。遙感圖像就是遙感影像數(shù)據(jù)預(yù)處理后得到圖像，可以使用統(tǒng)一的編號(hào)對(duì)其進(jìn)行編碼，圖像特征也是通過(guò)該編碼實(shí)現(xiàn)不同特征集合和遙感影像的關(guān)聯(lián)^[8]。圖像特征包括遙感影像波譜特征、空間特征、時(shí)間特征等，在此基礎(chǔ)上，根據(jù)特定作物的生長(zhǎng)發(fā)育特點(diǎn)和領(lǐng)域?qū)＜蚁闰?yàn)性知識(shí)，采用一定方法計(jì)算并記錄相關(guān)的遙感指數(shù)和作物特征參數(shù)。

根據(jù)上述分析，抽取出遙感影像（RSImage）、波譜特征（SpectrumInfo）、空間特征（SpatialInfo）、時(shí)間特征（TemporalInfo）、遙感指數(shù)（RSIndex）、作物參數(shù)（CropParameter）等實(shí)體，各實(shí)體之間關(guān)系如圖2所示。endprint

摘要：針對(duì)農(nóng)作物生長(zhǎng)發(fā)育各階段的特征，利用高分辨率遙感影像建立農(nóng)作物長(zhǎng)勢(shì)模板數(shù)據(jù)庫(kù)，可以實(shí)現(xiàn)農(nóng)作物從播種到收獲各個(gè)階段的全程監(jiān)測(cè)、預(yù)警及分析對(duì)比。以水稻種植及相關(guān)應(yīng)用需求為例，探討了遙感影像獲取及處理方法，模板數(shù)據(jù)庫(kù)概念設(shè)計(jì)、邏輯設(shè)計(jì)及分布式存儲(chǔ)等若干關(guān)鍵問題。該研究對(duì)實(shí)現(xiàn)農(nóng)作物生長(zhǎng)過(guò)程監(jiān)管、提高工作效率具有重要的意義，極大地促進(jìn)了農(nóng)業(yè)遙感的縱深化發(fā)展，并為農(nóng)業(yè)信息化的精細(xì)化、產(chǎn)業(yè)化發(fā)展帶來(lái)了新的契機(jī)。

關(guān)鍵詞：農(nóng)業(yè)遙感；數(shù)據(jù)庫(kù)；作物長(zhǎng)勢(shì)；水稻

中圖分類號(hào)：S127 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2014）08-0411-03

首先，根據(jù)要監(jiān)測(cè)的區(qū)域范圍和作物種植節(jié)律選取合適的遙感影像，如跨省范圍大面積區(qū)域性分析可以選擇中低分辨率遙感影像，田塊級(jí)別精細(xì)化識(shí)別需要選取高分辨率遙感影像，而東北地區(qū)和長(zhǎng)江中下游地區(qū)的水稻種植節(jié)律不同，應(yīng)選取不同時(shí)間段的遙感影像。影像預(yù)處理主要指大氣糾正、幾何糾正、輻射校正、圖像增強(qiáng)等操作^[7]。圖像特征提取主要提取遙感圖像中波譜、色彩、亮度、紋理、形狀、空間關(guān)系等特征信息，并在此基礎(chǔ)上計(jì)算作物特定生長(zhǎng)期的特征參數(shù)、遙感指數(shù)。這些信息連同處理并編碼后的遙感圖像被作為農(nóng)作物長(zhǎng)勢(shì)模板按照一定的索引存入數(shù)據(jù)庫(kù)。根據(jù)需要，可以讀取數(shù)據(jù)庫(kù)的信息并以一定的視圖形式呈現(xiàn)給用戶，也可以重新選取更合適的遙感影像進(jìn)行上述操作并更新數(shù)據(jù)。

2 數(shù)據(jù)庫(kù)設(shè)計(jì)

2.1 概念結(jié)構(gòu)設(shè)計(jì)

數(shù)據(jù)庫(kù)概念結(jié)構(gòu)設(shè)計(jì)是對(duì)需求信息進(jìn)行綜合、歸納，抽象為特定的概念模型。常用的概念模型是實(shí)體-聯(lián)系模型（E-R模型），該模型能真實(shí)、有效地反映現(xiàn)實(shí)世界需求，便于不同用戶的理解和交流。作物長(zhǎng)勢(shì)模板數(shù)據(jù)庫(kù)主要包含處理后的遙感圖像和分析提取的影像特征集2類數(shù)據(jù)。遙感圖像就是遙感影像數(shù)據(jù)預(yù)處理后得到圖像，可以使用統(tǒng)一的編號(hào)對(duì)其進(jìn)行編碼，圖像特征也是通過(guò)該編碼實(shí)現(xiàn)不同特征集合和遙感影像的關(guān)聯(lián)^[8]。圖像特征包括遙感影像波譜特征、空間特征、時(shí)間特征等，在此基礎(chǔ)上，根據(jù)特定作物的生長(zhǎng)發(fā)育特點(diǎn)和領(lǐng)域?qū)＜蚁闰?yàn)性知識(shí)，采用一定方法計(jì)算并記錄相關(guān)的遙感指數(shù)和作物特征參數(shù)。

根據(jù)上述分析，抽取出遙感影像（RSImage）、波譜特征（SpectrumInfo）、空間特征（SpatialInfo）、時(shí)間特征（TemporalInfo）、遙感指數(shù)（RSIndex）、作物參數(shù)（CropParameter）等實(shí)體，各實(shí)體之間關(guān)系如圖2所示。endprint

摘要：針對(duì)農(nóng)作物生長(zhǎng)發(fā)育各階段的特征，利用高分辨率遙感影像建立農(nóng)作物長(zhǎng)勢(shì)模板數(shù)據(jù)庫(kù)，可以實(shí)現(xiàn)農(nóng)作物從播種到收獲各個(gè)階段的全程監(jiān)測(cè)、預(yù)警及分析對(duì)比。以水稻種植及相關(guān)應(yīng)用需求為例，探討了遙感影像獲取及處理方法，模板數(shù)據(jù)庫(kù)概念設(shè)計(jì)、邏輯設(shè)計(jì)及分布式存儲(chǔ)等若干關(guān)鍵問題。該研究對(duì)實(shí)現(xiàn)農(nóng)作物生長(zhǎng)過(guò)程監(jiān)管、提高工作效率具有重要的意義，極大地促進(jìn)了農(nóng)業(yè)遙感的縱深化發(fā)展，并為農(nóng)業(yè)信息化的精細(xì)化、產(chǎn)業(yè)化發(fā)展帶來(lái)了新的契機(jī)。

關(guān)鍵詞：農(nóng)業(yè)遙感；數(shù)據(jù)庫(kù)；作物長(zhǎng)勢(shì)；水稻

中圖分類號(hào)：S127 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2014）08-0411-03

首先，根據(jù)要監(jiān)測(cè)的區(qū)域范圍和作物種植節(jié)律選取合適的遙感影像，如跨省范圍大面積區(qū)域性分析可以選擇中低分辨率遙感影像，田塊級(jí)別精細(xì)化識(shí)別需要選取高分辨率遙感影像，而東北地區(qū)和長(zhǎng)江中下游地區(qū)的水稻種植節(jié)律不同，應(yīng)選取不同時(shí)間段的遙感影像。影像預(yù)處理主要指大氣糾正、幾何糾正、輻射校正、圖像增強(qiáng)等操作^[7]。圖像特征提取主要提取遙感圖像中波譜、色彩、亮度、紋理、形狀、空間關(guān)系等特征信息，并在此基礎(chǔ)上計(jì)算作物特定生長(zhǎng)期的特征參數(shù)、遙感指數(shù)。這些信息連同處理并編碼后的遙感圖像被作為農(nóng)作物長(zhǎng)勢(shì)模板按照一定的索引存入數(shù)據(jù)庫(kù)。根據(jù)需要，可以讀取數(shù)據(jù)庫(kù)的信息并以一定的視圖形式呈現(xiàn)給用戶，也可以重新選取更合適的遙感影像進(jìn)行上述操作并更新數(shù)據(jù)。

2 數(shù)據(jù)庫(kù)設(shè)計(jì)

2.1 概念結(jié)構(gòu)設(shè)計(jì)

數(shù)據(jù)庫(kù)概念結(jié)構(gòu)設(shè)計(jì)是對(duì)需求信息進(jìn)行綜合、歸納，抽象為特定的概念模型。常用的概念模型是實(shí)體-聯(lián)系模型（E-R模型），該模型能真實(shí)、有效地反映現(xiàn)實(shí)世界需求，便于不同用戶的理解和交流。作物長(zhǎng)勢(shì)模板數(shù)據(jù)庫(kù)主要包含處理后的遙感圖像和分析提取的影像特征集2類數(shù)據(jù)。遙感圖像就是遙感影像數(shù)據(jù)預(yù)處理后得到圖像，可以使用統(tǒng)一的編號(hào)對(duì)其進(jìn)行編碼，圖像特征也是通過(guò)該編碼實(shí)現(xiàn)不同特征集合和遙感影像的關(guān)聯(lián)^[8]。圖像特征包括遙感影像波譜特征、空間特征、時(shí)間特征等，在此基礎(chǔ)上，根據(jù)特定作物的生長(zhǎng)發(fā)育特點(diǎn)和領(lǐng)域?qū)＜蚁闰?yàn)性知識(shí)，采用一定方法計(jì)算并記錄相關(guān)的遙感指數(shù)和作物特征參數(shù)。

根據(jù)上述分析，抽取出遙感影像（RSImage）、波譜特征（SpectrumInfo）、空間特征（SpatialInfo）、時(shí)間特征（TemporalInfo）、遙感指數(shù)（RSIndex）、作物參數(shù)（CropParameter）等實(shí)體，各實(shí)體之間關(guān)系如圖2所示。endprint