基于时序遥感影像的多季农作物自动识别方法

摘要

本发明涉及遥感影像信息处理技术领域，公开了一种基于时序遥感影像的多季农作物自动识别方法，该方法基于时序遥感影像，利用连续小波变换，获取基于时间域与频率域的小波系数谱，从小波系数谱中生成特征图谱，并且从中提取用于区分植被相对偏好与偏差时期的特征线，通过跟踪指示生长期内的特征点变量在不同尺度区间内的值域分布，有效地提取多季农作物信息。该方法能有效地从时间-频率两个维度提取植被动态变化特征，通过提取植被相对偏好时期较低频率上植被变化特征，用于多季农作物的自动识别，具有基本不依赖先验知识、鲁棒性好、分类精度高、自动化程度高以及抗干扰能力强等特点。

说明书

技术领域

本发明涉及遥感影像信息处理技术领域，特别是一种基于时序遥感影像的多季农作物自动识别方法。

背景技术

农业是国民经济的基础，而农作物作为农业的基础，在保障粮食安全与社会稳定中具有举足轻重的地位。目前我国粮食生产面临的形势是：一方面，根据中国人口多、耕地少的特点，因地制宜地提高复种指数，是扩大作物播种面积，挖掘耕地利用潜力和提高农作物总产量的有效途径；另一方面，在当前农村劳动力不断转移到城市，农民种粮积极性不高的大背景下，提高耕地复种指数，面临越来越多的现实性困难。因此如何制定与落实各项惠农政策，调动农民种粮的积极性，成为当务之急。由于单季和多季（包括两季、三季）粮食作物的补贴与优惠政策不同，如何快速准确地获取全国各个地区每块耕地上的耕地复种指数，成为农业遥感应用面临的重要课题。目前获取耕地复种指数的主要途径为土地调查与农业统计，这种传统的调查方式费时费力，而且数据的时效性与精度均难以满足精准农业的要求。当前，MODIS等卫星遥感系统能够提供覆盖全球的每日重复的遥感影像数据，为监测地表覆盖变化特征提供了详实的数据基础。如何充分利用遥感影像的时序信息，有效地提取耕地复种指数信息，是一项十分重要的工作。目前通过遥感技术进行年内耕地复种指数监测的技术方法仍不成熟，正处在发展阶段，需要开展更深入的研究工作。迄今为止，所提出的方法中均基于以下思想：利用MODIS EVI/NDVI 或SPOT VGT时序数据集，建立基于原始数据的年内变化图谱，然后通过检测植被指数的年内动态变化，特别是峰谷值的个数，来确定耕地复种指数。这些方法的优点在于它们充分利用单季、多季或多季作物分别具有单个、两个或者多个生长期，从而能从象征其生长状态的植被指数中找到对应具有各自不同的生长峰的特点，因此具有一定的合理性。但其缺点也显而易见，体现在以下几个方面：(1) 基于MODIS或SPOT遥感平台的植被指数数据集均在一定程度上受到噪声的影响，导致此类方法所检测到的峰、谷值很可能并不是植被生长或枯萎所引起的；(2) 由于不同农作物的生长特点以及冬季杂草等其他非农作物的影响，小的生长峰和农作物并非一一对应，如冬小麦存在“一小、一大”两个生长峰，中国南方地区比较温暖潮湿，即使在冬季农闲时也普遍长草；(3) 研究方法比较简单，鲁棒性不够，很容易受到以上原因带来的非农作物生长峰干扰引起的局部最小或局部最大值的影响。因此，非常需要引入一种新型多季农作物自动识别方法。

发明内容

本发明的目的在于提供一种基于时序遥感影像的多季农作物自动识别方法，该方法不需要依赖先验知识，鲁棒性好，分类精度高，自动化程度高。

为实现上述目的，本发明的技术方案是：一种基于时序遥感影像的多季农作物自动识别方法，该方法基于时序遥感影像，利用连续小波变换，获取研究区域每个像元的小波系数谱，并从中提取可以表征研究区域每个像元植被变化特征的年内变化特征图谱，进一步从所述年内变化特征图谱中提取用于区分植被相对偏好时期与植被相对偏差时期的特征线，逐尺度计算特征线确定的区域范围内的特征点数构成特征点变量，而后依据已知的多季农作物特征点变量在不同尺度区间内的值域分布特征，进行多季农作物识别。

所述基于时序遥感影像的多季农作物自动识别方法，进一步包括以下步骤：

（1）基于一定时间步长为间隔的年内时序变化系列遥感影像数据集，如某个年份8天最大化合成的MODIS EVI时间序列数据集，通过一定的方法，如线性插值方法，建立研究区域每个像元以日为时间步长的年内时序变化原始图谱，同时，为了消除小波边沿效应的影响，通过复制的方法将其扩展为3年的3年期时序变化原始图谱，以此作为多季农作物自动识别的基础；

（2）基于墨西哥帽母小波，对每个像元的3年期时序变化原始图谱进行连续小波变换，获得小波系数谱，体现为一幅横纵坐标分别为时间维与尺度维的二维图谱，从时间与尺度两个维度刻画农作物年内变化信息；在所述小波系数谱中，数值为正的区域表示该区域处于植被相对偏好时期，数值为负的区域表示该区域处于植被相对偏差时期，正负相邻的区域表示开始发生突变的区域；

（3）截取中间年份小波系数谱，将小波系数正负相邻的区域赋值为1，其他区域赋值为0，从而建立表征研究区域每个像元植被变化特征的年内变化特征图谱；

（4）从所述年内变化特征图谱中，提取用于区分植被相对偏好时期与植被相对偏差时期的特征线：从所述年内变化特征图谱的最大尺度开始搜索数值为1的区域，作为特征线的起点，采用领域搜索的方法，依次从大尺度往小尺度方向逐行搜索数值为1的区域，从而获得用于区分植被相对偏好时期与植被相对偏差时期的特征线。

（5）从所述年内变化特征图谱中，在特征线确定的区域范围内，从小尺度向大尺度逐步进行搜索，记录下每个尺度上数值为1的区域个数，称为特征点数，并将所有尺度上的特征点数从小尺度到大尺度依次保存在特征点变量中；

（6）依据已知的多季农作物特征点变量在不同尺度上的值域分布特征，建立多季农作物判别标准，然后与步骤（5）中得到的特征点变量进行比较，以对研究区域各像元是否为多季农作物进行识别。

逐像元循环，直至研究区域内所有像元均得到合理的判别结果为止。

本发明的技术构思为：多季农作物具有区分于单季农作物的物候变化特征，表现为两种或多种作物轮作形成两个或两个以上的生长峰，在年内时序变化原始信号上可检测到一个比较明显的多峰结构，通过连续小波变换的方法，将年内时序变化原始信号转换为基于时间域与频率域的小波系数谱，从小波系数谱中生成特征图谱，通过特征线划分出对应农作物种植与冬季休闲期的两个植被相对偏好与偏差时期，将多季作物的多峰结构转换为特征线区域内一个非常明显的倒立的“U”形环，通过跟踪特征线内“U”形环的高度，最终有效地提取多季农作物信息。

与现有技术相比，本发明具有基本不依赖先验知识、鲁棒性好、分类精度高、自动化程度高等特点，主要表现在：（1）基于小波变换的方法，本身具有较好的抗噪能力，能有效地消除小的峰谷值的干扰；（2）通过小波变换的方法，将原始信号转换为小波系数谱，将原始信号放大到时间-尺度两个不同的维度上，形成一幅二维图谱，在有效地消除噪声的同时丰富与扩大原始信号的信息维度，为进一步基于模式识别的思想进行多季作物判别奠定基础；（3）从小波系数谱中生成特征图谱，并且从中区分植被相对偏好与偏差时期的特征线，从而非常有效地消除冬季杂草等非农作物生长带来的干扰；（4）通过跟踪植被偏好时期指示作物生长变化的特征点变量在不同尺度区间内的值域分布，依据农作物在其生长期内小的峰谷值以及噪声等信息所带来的特征点变量数值变化一般体现较小尺度上的特点，从而准确有效地提取多季农作物信息。

附图说明

图1是本发明实施例的实现流程图。

图2是本发明实施例中所涉及的特征线提取示意图。

具体实施方式

下面结合附图及具体实施例对本发明作详细的说明。

本发明基于时序遥感影像的多季农作物自动识别方法，如图1所示，基于时序遥感影像，利用连续小波变换，获取多季农作物的小波系数谱，并从中提取年内变化特征图谱，而后进一步从所述年内变化特征图谱中提取特征线，以此作为区分植被相对偏好与偏差时期的界限，逐尺度计算植被相对偏好时期内的特征点数，并以所述特征点数随尺度的变化规律建立多季农作物判别标准，进行多季农作物识别。

本发明基于时序遥感影像的多季农作物自动识别方法，进一步包括以下步骤：

步骤1：建立研究区域以日为时间步长的年内时序变化原始图谱。

基于一定时间步长为间隔的年内时序变化系列遥感影像数据集，如某个年份8天最大化合成的MODIS EVI时间序列数据集，通过一定的方法，如线性插值方法，建立研究区域每个像元以日为时间步长的年内时序变化原始图谱，同时，为了消除小波边沿效应的影响，通过复制的方法将其扩展为3年的3年期时序变化原始图谱，以此作为多季农作物自动识别的基础。

步骤2：进行连续小波变换，生成小波系数谱。

基于墨西哥帽母小波，对若干已知地物的MODIS EVI指数的3年期时序变化原始图谱进行连续小波变换，获得连续小波变换后的小波系数谱，从而获得纵横坐标分别为时间维与频率维的小波系数谱。其中时间维T的取值区间为[1,365]，频率维S的取值区间为[1,128]。小波变换可表示为：

    （1）

其中a ,b分别为尺度与时间参数，为原始信号，为连续小波系数。

由于墨西哥帽小波为真正的对称小波，非常适合监测时序信号中的峰值和谷值，因此采用墨西哥帽母小波进行连续小波变换，表示为：

墨西哥帽母小波基函数：    （2）

步骤3：建立表征某个研究单元植被变化特征的年内变化特征图谱。

在步骤2生成的小波系数谱中，数值为正的区域表示该区域处于相对偏好的时期，相反地，数值为负的区域表示该区域处于相对偏差的时期，正负相邻的区域表示开始发生突变的区域，截取中间年份的小波系数谱，将小波系数正负相邻的区域赋值为1，其他区域赋值为0，从而建立表征某个研究单元植被变化特征的年内变化特征图谱。具体步骤为：

在纵坐标频率维上，从最低到最高尺度[1~128]逐行进行搜索，判断小波系数谱中每个单元与邻域单元的数值分布情况，如果小波系数谱中行列号分别为i,j的某个单元与邻域单元小波系数的符号刚好相反，则将该单元赋值为1，否则为0。表示为：

 （3）

其中表示小波谱中行列号为i,j所处的位置小波系数值，表示特征谱中行列号为i,j所处的位置的取值。

步骤4：从年内变化特征图谱中提取区分植被相对偏好与偏差时期的特征线。

在特征图谱中，在小尺度上，数值为1的区域比较多，随着尺度增大，逐渐减少，当尺度增大到一定程度时，只剩两个正负相邻的区域，该区域一直延伸到120天等较大尺度，形成两条表征植被相对偏好与偏差时期的特征线，通过领域窗口搜索的方法提取该特征线。具体步骤为：

从最大尺度 (第一行，尺度为128)开始，在时间维[0,365]上从小到大依次进行搜索，将搜索到第一个数值为1的区域标记为bone1，第二个数值为1的区域标记为bone2。然后，当转入第二行的搜索时，分别以bone1和bone2为中心，在其领域范围内，按照先向下一行搜索，如果没有找到数值为1的点，则分别依次从该点的左边或者右边领域进行搜索，直到搜索到为1的区域为止。将在bone1(bone2)的领域范围内找到的数值为1的区域赋值为bone1(bone2)，否则将该区域赋值为0。假设第二行中行列号分别为i,j所处的位置被标记为bone1(bone2)。以bone1为中心，以向下一行搜索为例进行说明，其搜索并赋值的过程可表示为：

    （4）

其中为特征图谱中行列号分别为i,j-1所在位置的取值，为行列号分别为i,j-1所在位置的特征线的取值。

依次进行下一行搜索，直至最后一行(尺度最小)结束。按照尺度从大到小的顺序，依次记录下每行中数值为bone1区域的最大的列号，记录在特征线变量B1中，并且依次记录下每行中数值为bone1区域的最小的列号，记录在特征线变量B2中。特征线变量B1和B2所确定的区间植被相对偏好时期，变量B1和B2象征区分整个植被相对偏好与偏差时期的特征线。

步骤5：提取特征图谱中特征线范围内每个尺度上的特征点数。

从该像元的特征图谱中，在特征线确定的区域范围内，从小尺度向大尺度逐行进行搜索，记录下每行（每个尺度上）数值为1的区域的个数，称为特征点数，将特征图谱中所有尺度域范围内的特征点数从小到大依次保存在特征点变量中，特征点变量为(128×1)的矢量。

    （5）

其中为特征图谱中行列号分别为i, j所在位置的取值，为特征点变量在第i行的取值。

步骤6：建立多季农作物判别标准，进行多季作物识别。

特征点变量随尺度的变化规律是，随着尺度增大，特征点个数逐渐减少，直至为0。

依据若干已知多季作物对应的特征点变量随尺度变化规律，确定多季农作物的特征点变量变为0的尺度域区间[a, b]，建立多季作物判别标准，最终达到多季作物识别的目的。多季农作物的特征点变量变为0的尺度域区间[a, b]可依据统计方法确定，首先计算若干已知多季作物对应的特征点变量变为0的临界尺度的平均值及其方差，尺度域区间[a, b]可分别设为平均值加减两倍方差。多季农作物的具体判别流程为：读取尺度为a时的特征点变量的取值，如果变量取值大于0，则判别该像元为多季农作物，否则判别该像元不属于多季农作物。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。