一种用于茶树修剪活动时空分布的监测方法及系统与流程

1.本发明涉及图像识别技术领域，具体而言，涉及一种用于茶树修剪活动时空分布的监测方法及系统。


背景技术：

2.精细化、科学化地茶树管理是保障茶叶品质和产量的关键，而修剪是近代茶树栽培综合管理中的一项重要技术措施。茶树具有非常强的生长能力，容易在顶端生长和再分化，茶树冠层修剪可以抑制茶树的顶端优势，使根和茎保留营养，并刺激新芽新枝的生长，扩大茶冠采摘面积。故定期修剪有利于恢复茶树活力，提高茶叶的产量、茶树抗寒性，同时有利于适当的高度便于茶农采茶。从宏观尺度上及时掌握某区域内茶树修剪农事活动进度，有利于茶叶生产管理部门督促修剪落后的茶园抢抓农事，以保障茶叶产量品质，并可为下一步茶园管理计划的合理部署提供支撑。因此准确、及时地绘制不同时间点的茶树修剪已发生区域和新增区域具有重要价值。
3.随着中高分辨率卫星遥感技术的发展，公开免费的卫星影像数据在种类、空间分辨率和时间分辨率上得到了较大的提升，为茶园修剪进度监测提供了有效途径。目前中高分辨率卫星遥感技术已经被广泛的应用于农业资源调查、种植结构提取、作物长势评估、产量估算、土壤墒情、病虫害预报、作物倒伏、农事活动进度等农业应用场景中。但在茶叶监测的应用较少，主要集中在茶叶种植区提取，少量研究正在利用遥感技术进行茶叶产量估算。
4.茶树是多年生常绿植物，本没有明显的自然物候期，但由于茶园修剪管理改变了冠层顶部结构形成了特殊的修剪人工物候期。一些茶叶遥感监测研究表明了多时相sentinel-2影像在捕获茶树生育期内物候特征的有效性，而茶树最明显最特殊的物候特征即重度修剪形成的特征。以往的研究多选用修剪后较长时间(10-30天)影像以体现修剪带来冠层绿度明显下降的物候特征，用于提取茶叶种植区分布，然而尚未有研究利用茶树修剪后较短时间内的光谱变化特征来实现茶树修剪进度遥感监测。
5.现有的茶树修剪进度信息调查一般是通过记录几个茶场的茶树修剪发生的几个大致时间点。但由于天气和不同农户劳作时间的差异，茶树修剪发生时间在空间上存在较大的差异。而现有的调查方式缺乏连续的时空分布特征，很难从宏观尺度上及时掌握大范围内茶树修剪农事活动进展，不能准确地绘制不同时间点的茶树修剪已发生区域和新增区域的空间分布。


技术实现要素：

6.针对现有茶树修剪进度调查方式的缺陷，本发明的目的是利用遥感技术的大范围、高频次和高时效等优点，通过地面实验分析茶树修剪后冠层光谱信息随时间变化的情况，提出一种基于多时相sentinel-2影像监测茶树修剪活动时空分布的方法，以获取某区域内不同时间点上的当期新增修剪活动空间分布图和累计已发生修剪活动空间分布图，为茶树修剪进度监测提供一种简单实用高效的方法。
7.为了实现上述技术目的，本技术提供了一种用于茶树修剪活动时空分布的监测方法，包括以下步骤：
8.基于茶树种植区的茶树修剪期，获取在茶树修剪期前的第一sentinel-2影像数据，以及在茶树修剪期内的第二sentinel-2影像数据；
9.基于第一sentinel-2影像数据，获取在茶树修剪期前的第一最佳植被指数分布vi
best
_qian；
10.基于第二sentinel-2影像数据，获取在茶树修剪期内的第二最佳植被指数分布vi
best
_houi；
11.根据第一最佳植被指数分布vi
best
_qian和第二最佳植被指数分布vi
best
_houi，获取茶树种植区内的影像数据的每个像元在不同时间点上的变化率时间序列；
12.设置阈值，在变化率时间序列上，通过标注触发阈值的时间点对应的像元，对茶树修剪活动时空分布进行表征。
13.优选地，在获取茶树修剪期的过程中，基于茶树种植区所处地理位置，依据地理位置对应的修剪规律，获取茶树修剪期。
14.优选地，在获取sentinel-2影像数据的过程中，选择运量少、质量优的数据作为第一sentinel-2影像数据和第二sentinel-2影像数据。
15.优选地，在生成最佳植被指数分布的过程中，获取经过几何精校正和大气校正后获得的s2_l2a级地表反射率数据，依据s2cloudless算法对l2a数据进行去云处理后，进行最佳植被指数的计算和均值合成，采用茶树种植区分布矢量进行掩膜裁剪获取空间分布数据，获取最佳植被指数分布，用于表征修剪前茶树冠层状态。
16.优选地，在进行最佳植被指数的计算和均值合成的过程中，最佳植被指数表示红绿比值指数，用于判断是否为修剪状态的变化率阈值为40％，其中，变化率阈值用于表示变化幅度，红绿比值指数表示为：
[0017][0018]
式中，ρ
red
和ρ
green
分别是红光和绿光波段的反射率，其对应的sentinel-2波段的b4和b3波段。
[0019]
优选地，在获取变化率时间序列的过程中，变化率时间序列表示为：
[0020][0021]
本发明还公开了一种用于茶树修剪活动时空分布的监测系统，包括：
[0022]
数据采集模块，用于根据茶树种植区的茶树修剪期，获取在茶树修剪期前的第一sentinel-2影像数据，以及在茶树修剪期内的第二sentinel-2影像数据；
[0023]
数据处理模块，用于根据第一sentinel-2影像数据，获取在茶树修剪期前的第一最佳植被指数分布vi
best
_qian；并根据第二sentinel-2影像数据，获取在茶树修剪期内的第二最佳植被指数分布vi
best
_houi；
[0024]
变化率计算模块，用于根据第一最佳植被指数分布vi
best
_qian和第二最佳植被指数分布vi
best
_houi，获取茶树种植区内的影像数据的每个像元在不同时间点上的变化率时
间序列；
[0025]
监测模块，用于根据设置的阈值，在变化率时间序列上，通过标注触发阈值的时间点对应的像元，对茶树修剪活动时空分布进行表征。
[0026]
优选地，数据采集模块，还用于采集茶树种植区所处地理位置，并依据地理位置对应的修剪规律，获取茶树修剪期。
[0027]
优选地，数据处理模块，还用于选择运量少、质量优的数据作为第一sentinel-2影像数据和第二sentinel-2影像数据；
[0028]
数据处理模块，还用于获取经过几何精校正和大气校正后获得的s2_l2a级地表反射率数据，依据s2cloudless算法对l2a数据进行去云处理后，进行最佳植被指数的计算和均值合成，采用茶树种植区分布矢量进行掩膜裁剪获取空间分布数据，获取最佳植被指数分布，用于表征修剪前茶树冠层状态，其中，最佳植被指数表示红绿比值指数，用于判断是否为修剪状态的变化率阈值为40％，变化率阈值用于表示变化幅度，红绿比值指数表示为：
[0029][0030]
式中，ρ
red
和ρ
green
分别是红光和绿光波段的反射率，其对应的sentinel-2波段的b4和b3波段。
[0031]
优选地，变化率计算模块获取的变化率时间序列表示为：
[0032][0033]
本发明公开了以下技术效果：
[0034]
本发明基于茶树修剪前后茶树冠层光谱特征差异性，通过选择反映修剪发生与否的最佳植被指数和变化率阈值，提出了基于多时相sentinel-2影像监测茶树修剪活动时空分布的方法。相对于现有的以地面调查记录为主的茶树修剪信息获取方法，本方法通过遥感技术监测某时间节点上的新增修剪活动空间分布和累计已发生修剪活动空间分布，同时从空间和时间两个维度调查一个生育期内茶树修剪信息，可以从宏观上及时掌握茶树修剪农事活动进度，为精细化的茶园管理提供支撑。
附图说明
[0035]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]
图1是本发明所述的监测流程图；
[0037]
图2是本发明所述的方法流程示意图。
具体实施方式
[0038]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实
施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0039]
如图1-2所示，本发明提供了一种基于多时相sentinel-2影像监测茶树修剪活动时空分布的方法,具体包括如下技术过程：
[0040]
茶树修剪活动会剪除茶树冠层顶部的叶子和枝丫，茶冠的绿度较未修剪状态出现下降，冠层光谱曲线红光区域反射率升高，红边至近红外区域反射率下降。这种冠层绿度和光谱特征的变化给茶树修剪遥感监测带来了潜力。但茶树冠层绿度下降的程度受到修剪后时长、冠层留叶量等因素的影响。
[0041]
本发明根据地面试验，选取了受修剪后时长和冠层留叶量影响较小，最能体现修剪活动发生与否的最佳植被指数，结合修剪前后植被指数变化率阈值法，提出了基于多时相sentinel-2影像的茶树修剪进度分布和修剪区域累计空间分布的监测流程，如图1所示：
[0042]
茶树修剪期的确定:
[0043]
根据某区域内茶树的生育期和茶树修剪农事活动经验时间，划分出茶树修剪大致发生的时间范围。
[0044]
以杭州西湖龙井茶产区为例，其一般在春茶采摘结束(“龙井43”在4月10日左右，“龙井群体种”在4月下旬)后，进行离地45cm重修剪，陆续持续到5月底。故西湖区的茶树修剪期定为4月初-6月初，尽可能覆盖全部可能发生修剪活动的时间段。
[0045]
可用sentinel-2影像查询
[0046]
于欧空局sentinel科学数据中心(sentinelscientificdatahub)上检索覆盖待监测区域的茶树修剪前和茶树修剪期内所有云量较少、质量较优的sentinel-2a和sentinel-2b影像情况。
[0047]
分别计算表征修剪前状态的一期最佳植被指数分布vi
best
_qian和修剪期内的每一期最佳植被指数分布vi
best
_houi；
[0048]
根据上述确定的茶树修剪期，在茶树修剪前(萌发期-春茶采摘期)时间段内，选取一期无云且距修剪活动最早发生时间较短的影像，并计算最佳植被指数的空间分布vi
best
_qian，来表征修剪前茶树冠层状态。若无满足条件的单期影像，则选取茶树修剪前的受云雾水汽影响小，且组合无云区域可覆盖研究区域的多期影像，计算每期最佳植被指数的空间分布，最后采用均值合成法，构建一期vi
best
_qian空间分布表征修剪前茶冠平均状态。
[0049]
选择修剪期内所有可用的影像，并对每一期影像计算最佳植被指数分布vi
best-houi，以表征修剪期内每个时间点上的茶冠状态。
[0050]
其中所有所用的影像均利用googleearthengine(gee)平台处理并下载。首先获取经过几何精校正和大气校正后获得s2_l2a级地表反射率数据，其次用gee平台上的s2cloudless算法对l2a数据进行去云处理，在此基础上进行最佳植被指数的计算和均值合成，最后采用茶树种植区分布矢量进行掩膜裁剪获取vi
best
的空间分布数据。
[0051]
获取茶树种植区内每个像元在不同时间点上，vi
best-houi与修剪前状态vi
best
_qian的变化率时间序列
[0052][0053]
触发变化率阈值，标注“已修剪”，获取茶树修剪进度时空分布
[0054]
当种植区内某像元在某时间点的变化率changedi第一次超过阈值a，以该时间点上标记该像元为已修剪，从而得出每个时间点上的新增修剪像元的分布，即当期新增修剪活动空间分布图。累计某时间点前所有标注为“已修剪”像元的分布，即累计已发生修剪活动空间分布图。该两种分布图即可表现出茶树修剪进度的时空分布情况。
[0055]
本方案采用的最佳植被指数为红绿比值指数(red-greenratioindex，rgri)，其计算方式见公式(2)，判断是否为修剪状态的变化率阈值(变化幅度)为40％。
[0056][0057]
其中，ρ
red
和ρ
green
分别是红光和绿光波段的反射率，其对应的sentinel-2波段的b4和b3波段，见表1。
[0058]
表1
[0059][0060]
[0061]
实施例一：本发明以杭州西湖茶树种植区为研究对象，在2021年4月8日-4月9日于西湖区翁家山茶场、白虎湾生态茶场、外桐坞茶场三个面积较大、管理技术成熟的茶场内选择了三个观察样地，分别采集了样地内不同修剪时长(未修剪、刚修剪、修剪后5小时、修剪后1天)和修剪后茶冠不同留叶量的茶树冠层光谱数据。光谱采集活动均在上午9-11点和下午1:30-3:30晴朗的天空条件下进行。使用fieldspechandheld2便携式分光辐射谱仪器测量325-1075nm范围内光谱分辨率为1nm的茶树冠层原位反射率光谱数据。在测量过程中先使用参考白板进行优化校准，选用25
°
视场角的探头在距离茶冠高度为0.6-0.8m，以确保探头视场内全部为所关注的地物。茶树呈垄状种植，成龄茶园的茶冠垄距一般为0.4-1米左右。由于茶树修剪后鲜叶枝条均落在垄间和茶冠上，考虑到遥感影像数据获取的一般为茶冠和垄间的混合像元。因此在光谱收集过程中，分别采集了茶冠、垄间和混合区域(视场内茶冠与垄间各占一半)的光谱，每个样点采集4-6条光谱曲线，在去除异常曲线后将每个样本点采集的光谱曲线进行平均，得到样本点反射率光谱信息。
[0062]
本发明选用了4个常用来表征冠层绿度的植被指数作为候选指数，包括了归一化植被指数ndvi、第一红边指数ndvire1、第二红边指数ndvire2和红绿比值指数rgri。ndvi是最常用的植被指数，可用于监测植被长势状态、物候特征变化等。ndvire1和ndvire2是利用sentinel-2影像特有的三个红边波段，参照ndvi指数构建方式新创的红边类指数，能较好的表征植物的冠层叶绿素含量、叶面积指数等信息。rgri可以用来估计植被的冠层发育过程，通常用于植物生长和物候研究、冠层压力检测和作物估算。植被指数可以依据下列公式按照sentinel-2的波段进行计算：
[0063][0064][0065][0066]
式中，ρ
nir
、ρ
re3
、ρ
re2
、ρ
re1
、ρ
red
分别是近红外、第三红边、第二红边、第一红边、红光波段的反射率，其对应的sentinel-2波段见表1。利用sentinel-2a的波谱响应函数，对地面测量的不同茶树冠层光谱数据计算出绿光至近红外范围内各波段值，从而获取四个植被指数值。通过对比分析不同修剪时长后的茶树与未修剪茶树的植被指数变化率，寻求修剪前后差值变化率最大的指数作为表征茶树是否发生修剪的最佳指数(vi_best)，并确定该植被指数变化率的最佳阈值判断修剪发生已否。
[0067]
(1)正常留叶量情况下，不同修剪时长，各植被指数变化情况。
[0068]
表2
[0069][0070]
表2为正常留叶量下不同修剪时长后各植被指数的变化情况。可以看出，相较于未修剪区域，修剪区域的植被指数均有较为明显的变化，且变化幅度随修剪后时间增长而增加。四个指数在修剪后不同时长上展现的优越性存在差异，就刚修剪到修剪后5小时而言ndvi
re2
表现最优，依次是ndvi
re1
、ndvi和rgri；但就修剪后24小时而言，rgri表现最优，依次是ndvi
re1
、ndvi
re2
和ndvi。
[0071]
同时可以看出在修剪5小时后，ndvi
re2
、ndvi
re1
、ndvi和rgri的变化幅度相对较少，易受其他非修剪因素导致的植被指数变动干扰，而在修剪后24小时后ndvi
re2
、ndvi
re1
、ndvi和rgri的变化幅度均较大，就混合部位而言达20-60％，可以明显的区分出修剪导致的植被指数变化。另外根据卫星重访一般过境周期，遥感的时效性很难体现出修剪后5小时的差异，而且在实际应用中，修剪后一天被监测出为已修剪状态在时效上是一个合适的概念。故在本发明设计的茶树修剪状态遥感监测中，采用修剪24小时后体现的植被指数差异特征。另外，虽然茶冠部位的植被指数变化幅度大于混合部位，但是遥感影像中观测到的像元反射率更通常而言是茶冠和垄间的混合反射率，在修剪24小时后以混合部位得到的植被指数变化阈值，也同样适用于茶冠部位。故本发明以混合部位的变化特征来确定修剪状态变化阈值。
[0072]
(2)修剪后24小时，不同茶冠留叶量，各植被指数的变化
[0073]
表3
[0074][0075]
表3为不同茶冠留叶量情况下，修剪24小时后的植被指数变化情况。可以发现，针对修剪后茶冠留叶量较多的茶树，修剪前后ndvi的变化不明显，
[0076]
ndvi
re2
、ndvi
re1
较为明显，而rgri非常明显(变化率达40％)。其原因是在茶冠留叶量较多情况下，鲜叶依然可以贡献非常大的绿度值，导致表征绿度的
[0077]
ndvi
re2
、ndvi
re1
、ndvi指数变化相对不明显，但即使只发生了轻微的修剪，随着落叶逐渐枯黄和部分裸露出的褐色枝条，将会明显的改变冠层在红光和绿光的反射率，导致rgri升高。
[0078]
根据上述分析可以得出这样的结论：无任修剪之后茶冠留叶量多少，只要超过一定的修剪时长(例如24小时)，rgri的变化幅度均较大，且留叶量越少，rgri增加幅度越大。rgri指数更能体现出修剪前后落叶枯黄的现象，比ndvi_re2、ndvi_re1、ndvi等表征绿度等指数更适合于茶树修剪状态的监测。故本发明选择rigi指数作为观测茶园修剪的最佳指数，且在修剪24小时后的状态下，基于本实验测量数据确定的变化阈值(变化幅度)为：rgri》40％。
[0079]
(2)本发明的应用关键点是茶树修剪期内可用影像的分布情况。
[0080]
遥感数据的可用性是多时相遥感监测的基础。sentinel-2a和sentinel-2b卫星具有10米空间分辨率，双星组网重访周期为5天，在两星覆盖条带的重叠部分可达2-3天，充分满足茶树修剪进度遥感监测对空间分辨率和重访周期的要求。
[0081]
但光学遥感数据在使用过程中易会受云、雨、雾等天气因素影响，而导致可用数据的时间频次和空间范围大幅减少。在我国除西南以外南方地区的茶树修剪活动一般从4月份到6月份，与梅雨季节存在一定的重叠。这种天气等不可预期因素有可能导致修剪期内监测频次和监测范围的缩减。
[0082]
表4
[0083]
修剪发生区4/84/134/285/35/136/12当期增加(公顷)54.05360.36324.1950.666.06累计(公顷)4.4558.5418.86743.05793.71799.77
[0084]
同时本发明应用此方法分析了西湖区2020年茶树修剪进度空间分布，通过6期不同时刻影像监测的西湖区2020年茶树修剪发生区的面积(表4)发现西湖区茶树修剪主要发生于4月13日至5月3日。
[0085]
本发明是参照根据本发明实施例的方法、设备(系统)、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。
[0086]
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。
[0087]
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。
[0088]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种用于茶树修剪活动时空分布的监测方法，其特征在于，包括以下步骤：基于茶树种植区的茶树修剪期，获取在茶树修剪期前的第一sentinel-2影像数据，以及在茶树修剪期内的第二sentinel-2影像数据；基于所述第一sentinel-2影像数据，获取在所述茶树修剪期前的第一最佳植被指数分布vi
best
_qian；基于所述第二sentinel-2影像数据，获取在所述茶树修剪期内的第二最佳植被指数分布vi
best
_hou
i
；根据所述第一最佳植被指数分布vi
best
_qian和所述第二最佳植被指数分布vi
best
_hou
i
，获取茶树种植区内的影像数据的每个像元在不同时间点上的变化率时间序列；设置阈值，在变化率时间序列上，通过标注触发所述阈值的时间点对应的所述像元，对茶树修剪活动时空分布进行表征。2.根据权利要求1所述一种用于茶树修剪活动时空分布的监测方法，其特征在于：在获取茶树修剪期的过程中，基于所述茶树种植区所处地理位置，依据所述地理位置对应的修剪规律，获取所述茶树修剪期。3.根据权利要求2所述一种用于茶树修剪活动时空分布的监测方法，其特征在于：在获取sentinel-2影像数据的过程中，选择运量少、质量优的数据作为所述第一sentinel-2影像数据和所述第二sentinel-2影像数据。4.根据权利要求3所述一种用于茶树修剪活动时空分布的监测方法，其特征在于：在生成最佳植被指数分布的过程中，获取经过几何精校正和大气校正后获得的s2_l2a级地表反射率数据，依据s2cloudless算法对l2a数据进行去云处理后，进行最佳植被指数的计算和均值合成，采用茶树种植区分布矢量进行掩膜裁剪获取空间分布数据，获取所述最佳植被指数分布，用于表征修剪前茶树冠层状态。5.根据权利要求4所述一种用于茶树修剪活动时空分布的监测方法，其特征在于：在进行最佳植被指数的计算和均值合成的过程中，所述最佳植被指数表示红绿比值指数，用于判断是否为修剪状态的变化率阈值为40％，其中，所述变化率阈值用于表示变化幅度，所述红绿比值指数表示为：式中，ρ
red
和ρ
green
分别是红光和绿光波段的反射率，其对应的sentinel-2波段的b4和b3波段。6.根据权利要求1所述一种用于茶树修剪活动时空分布的监测方法，其特征在于：在获取变化率时间序列的过程中，所述变化率时间序列表示为：7.一种用于茶树修剪活动时空分布的监测系统，其特征在于，包括：数据采集模块，用于根据茶树种植区的茶树修剪期，获取在茶树修剪期前的第一sentinel-2影像数据，以及在茶树修剪期内的第二sentinel-2影像数据；数据处理模块，用于根据所述第一sentinel-2影像数据，获取在所述茶树修剪期前的
第一最佳植被指数分布vi
best
_qian；并根据所述第二sentinel-2影像数据，获取在所述茶树修剪期内的第二最佳植被指数分布vi
best
_hou
i
；变化率计算模块，用于根据所述第一最佳植被指数分布vi
best
_qian和所述第二最佳植被指数分布vi
best
_hou
i
，获取茶树种植区内的影像数据的每个像元在不同时间点上的变化率时间序列；监测模块，用于根据设置的阈值，在变化率时间序列上，通过标注触发所述阈值的时间点对应的所述像元，对茶树修剪活动时空分布进行表征。8.根据权利要求7所述一种用于茶树修剪活动时空分布的监测系统，其特征在于：数据采集模块，还用于采集所述茶树种植区所处地理位置，并依据所述地理位置对应的修剪规律，获取所述茶树修剪期。9.根据权利要求8所述一种用于茶树修剪活动时空分布的监测系统，其特征在于：所述数据处理模块，还用于选择运量少、质量优的数据作为所述第一sentinel-2影像数据和所述第二sentinel-2影像数据；所述数据处理模块，还用于获取经过几何精校正和大气校正后获得的s2_l2a级地表反射率数据，依据s2cloudless算法对l2a数据进行去云处理后，进行最佳植被指数的计算和均值合成，采用茶树种植区分布矢量进行掩膜裁剪获取空间分布数据，获取所述最佳植被指数分布，用于表征修剪前茶树冠层状态，其中，所述最佳植被指数表示红绿比值指数，用于判断是否为修剪状态的变化率阈值为40％，所述变化率阈值用于表示变化幅度，所述红绿比值指数表示为：式中，ρ
red
和ρ
green
分别是红光和绿光波段的反射率，其对应的sentinel-2波段的b4和b3波段。10.根据权利要求9所述一种用于茶树修剪活动时空分布的监测系统，其特征在于：所述变化率计算模块获取的所述变化率时间序列表示为：

技术总结
本发明公开了一种用于茶树修剪活动时空分布的监测方法及系统，属于图像识别技术领域，包括：基于茶树种植区的茶树修剪期，获取在茶树修剪期前的第一Sentinel-2影像数据对应的第一最佳植被指数分布，以及在茶树修剪期内的第二Sentinel-2影像数据对应的第二最佳植被指数分布，进而获取茶树种植区内的影像数据的每个像元在不同时间点上的变化率时间序列；设置阈值，在变化率时间序列上，通过标注触发阈值的时间点对应的像元，对茶树修剪活动时空分布进行表征；本发明从空间和时间两个维度调查一个生育期内茶树修剪信息，从宏观上及时掌握了茶树修剪农事活动进度。握了茶树修剪农事活动进度。握了茶树修剪农事活动进度。


技术研发人员：黄鹏 赵洋甬 朱锦辉 董恒
受保护的技术使用者：浙江时空智子大数据有限公司
技术研发日：2023.06.29
技术公布日：2023/10/15