法律状态公告日
法律状态信息
法律状态
2022-04-26
未缴年费专利权终止 IPC(主分类):G06F17/50 专利号:ZL2015102416482 申请日:20150513 授权公告日:20180504
专利权的终止
2018-05-04
授权
授权
2015-09-16
实质审查的生效 IPC(主分类):G06F17/50 申请日:20150513
实质审查的生效
2015-08-19
公开
公开
技术领域
本发明属于遥感分类技术领域,特别涉及一种基于生长期植被指数增量的冬小麦遥感监测方法。
背景技术
小麦作为我国最主要的粮食作物之一,快速高效地掌握其种植面积与空间分布对于确保粮食安全至关重要。随着遥感影像数据源不断丰富以及数据质量的进一步提高,农作物遥感监测已经成为我国获取农作物种植面积的主要手段。由于不同农作物的光谱具有一定的相似性,传统的基于单幅遥感影像的分类方法难以获得理想的分类精度,因此基于时序遥感影像的农作物面积监测已成为重要的发展方向。目前基于时序遥感数据开展农作物种植面积监测方法的常见步骤为:首先基于研究区植被指数时序数据集,建立不同农作物的标准植被指数时序曲线,然后通过衡量未知像元的植被指数时序曲线与已知农作物的标准植被指数时序曲线的相似度,最终实现农作物遥感监测。其不足之处在于:由于纬度、海拔高程以及其他立地条件等各方面因素,引起不同地区农作物物候变化、长势变化,难以建立代表性强的农作物标准植被指数时序曲线。在研究区域内,不同地区同类农作物的年内植被指数时序曲线的变异性大,甚至超过不同农作物之间的差异性。因此,急需探索一种新型冬小麦监测方法。
在冬小麦遥感监测中术语解释如下:MODIS数据:中分辨率成像光谱仪数据,全称为Moderate Resolution Imaging Spectroradiometer。植被指数:植被指数是表征植被生长状态以及空间分布密度的因子。常见的植被指数有NDVI和EVI。NDVI为归一化植被指数,全称为Normalized Difference Vegetation Index。EVI为增强型植被指数,全称为Enhanced Vegetation Index。年内逐日植被指数时序数据:从元旦开始,按时间顺序,逐日记录一年内的植被指数的数据列。生长期:从农作物播种到成熟这段时间。生长前期、生长后期:将播种期到抽穗期定义为生长前期,抽穗期到成熟期定义为生长后期。生长期植被指数增量:包括生长前期植被指数增量以及生长后期植被指数增量,为不同的关键物候期之间(播种到抽穗、抽穗到成熟)植被指数的变化量。
发明内容
有鉴于此,本发明的目的是提供一种基于生长期植被指数增量的冬小麦遥感监测方法,用于冬小麦信息自动提取,具有构思巧妙、易于推广、分类精度高等特点。
本发明采用以下方案实现:一种基于生长期植被指数增量的冬小麦遥感监测方法,包括以下步骤:
步骤S01:建立冬小麦抽穗期趋势面模型;
步骤S02:建立研究区植被指数时序数据;
步骤S03:根据冬小麦抽穗期趋势面模型,逐像元获取对应的冬小麦抽穗期;
步骤S04:根据冬小麦抽穗期,逐像元推算冬小麦播种期和成熟期;
步骤S05:构建冬小麦生长前期以及生长后期的植被指数增量指标;
步骤S06:建立冬小麦信息提取模型;
步骤S07:生成研究区冬小麦分布图。
进一步地,所述步骤S01中建立冬小麦抽穗期的趋势面模型的具体方法为:获取研究区的纬度与海拔高程,构建趋势面模型,所述模型形式为:Y=Ax1+Bx2+C;其中Y为冬小麦抽穗期,x1,x2分别为纬度和海拔高程变量,A,B为系数,C为常数项。
较佳的,所述系数A与B以及常数项C的取值分别为:A=3.2703;B=0.0085;C=1.9733,参数A、B、C可以基于已知物候观测站点数据,利用最小二乘拟合方法求算得到。
进一步地,所述步骤S02中建立研究区植被指数时序数据的具体方法为:首先根据线性插值方法获取研究区每个栅格像元的原始的年内逐日植被指数时序数据,再采用Whittaker smoother的数据平滑方法建立研究区每个栅格像元的平滑的年内逐日植被指数时序数据。
进一步地,所述步骤S03中,基于冬小麦抽穗期趋势面模型,逐像元获取抽穗期,冬小麦抽穗期还可以直接基于已知物候观测站点数据,利用反距离加权、克里金等空间插值方法计算得出。
进一步地,所述步骤S04中推算冬小麦播种期和成熟期的具体方法为:根据冬小麦物候历与所述步骤S03获得的冬小麦抽穗期,以冬小麦抽穗期前M天作为冬小麦播种期同时以冬小麦抽穗期后N天作为冬小麦成熟期,推算每个像元所对应的冬小麦播种期和成熟期,其中M的取值为160至170,N的取值为45至50。
进一步地,所述步骤S05中构建冬小麦生长前期以及生长后期的植被指数增量指标的具体方法为:根据所述步骤S03与所述步骤S04推算获得的每个像元所对应的冬小麦播种期、抽穗期以及成熟期,分别计算冬小麦生长前期植被指数增量指标ΔEVIE以及冬小麦生长后期的植被指数增量指标ΔEVIL;计算冬小麦生长前期植被指数增量指标的公式为:ΔEVIE=EVI(H)-EVI(S);计算冬小麦生长后期的植被指数增量指标的公式为:ΔEVIL= EVI(E)-EVI(H);其中EVI(S), EVI(H),EVI(E)分别为冬小麦播种期、抽穗期以及成熟期时该像元的植被指数数值。
较佳的,冬小麦播种期到抽穗期这段时间定义为冬小麦生长前期,抽穗期到成熟期定义为冬小麦生长后期。
进一步地,所述步骤S06中建立冬小麦信息提取模型的具体方法为:根据冬小麦生长期植被指数变化特征,建立冬小麦信息提取模型,所述模型的形式为:若ΔEVIE>θ1并且ΔEVIL<θ2,符合该模型的像元判别为冬小麦;其中θ1,θ2为常数,并且θ1与θ2分别取值为0.25±0.05与-0.1±0.02。
较佳的,由于冬小麦生长前期植被指数增量指标一般为比较明显的正值,而生长后期植被指数增量指标一般为比较明显的负值,因此基于冬小麦生长前期植被指数增量指标ΔEVIE,以及生长后期的植被指数增量指标ΔEVIL,即可建立所述步骤S06中的冬小麦信息提取模型。
特别的,本发明提供的方法除了适用于冬小麦,还可以应用于其他农作物遥感分类领域中。
相较于现有技术,本发明具有以下有益效果:
(1)通过建立冬小麦抽穗期的趋势面模型,动态确定每个像元所对应的冬小麦抽穗期,而非假设固定时间段的冬小麦抽穗期,能有效地避免不同区域冬小麦抽穗期不一致带来的干扰;
(2)基于冬小麦抽穗期的趋势面模型,参考冬小麦物候历,逐像元推算其冬小麦播种期、抽穗期以及成熟期,并且以这些关键物候参数确定的冬小麦生长期植被指数增量指标作为分类依据,具有一定的自适应性;
(3)相关辅助数据,如海拔高程、纬度等数据客观性强,易于获取,因此方法的可操作性强,结果稳定可靠。
附图说明
图1是本发明实施例的实现流程图。
图2是本发明中冬小麦、油菜、蔬菜、单季稻、双季稻的MODIS EVI年内时序信号图。
图3是本发明中研究区冬小麦抽穗期空间分布图。
图4是本发明中冬小麦生长前期和后期植被指数增量示意图。
图5是本发明中研究区冬小麦空间分布图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本实施例提供一种基于生长期植被指数增量的冬小麦遥感监测方法,如图1所示,包括如下步骤:
步骤S01:建立研究区冬小麦抽穗期趋势面模型;
观测表明,冬小麦抽穗期一般随纬度与海拔梯度的增加而推迟。设冬小麦抽穗期为Y,对应为一年中的第Y天,纬度、海拔高程分别为x1,x2。建立冬小麦抽穗期随纬度、海拔高程变量的趋势面模型:Y=Ax1+Bx2+C。其中Y为冬小麦抽穗期,A,B为系数,C为常数项。A,B,C的取值可以基于若干已知物候观测站点数据,依据最小二乘拟合方法获得。在本实施例中,A,B,C的取值分别为:A=3.2703;B=0.0085;C=1.9733。
步骤S02:逐像元建立研究区植被指数时序数据。
基于8天最大化合成的500米MODIS EVI(增强型植被指数Enhanced Vegetation Index,简称EVI)数据,在去除受到云干扰的观测值的基础上,依据线性插值方法获得研究区每个栅格单元的逐日植被指数年内时序数据,然后利用Whittaker smoother数据平滑方法,建立研究区每个栅格单元的逐日植被指数时序数据。如基于逐日植被指数时序数据,建立的2012冬季-2013年夏季的研究区主要农作物的植被指数时序曲线图见图2。
步骤S03:通过冬小麦抽穗期趋势面模型,逐像元获取冬小麦抽穗期;
基于海拔高程与纬度数据,通过冬小麦抽穗期趋势面模型,逐像元计算获取冬小麦抽穗期,所获得的研究区冬小麦抽穗期空间分布图见图3。
步骤S04:基于冬小麦抽穗期,参考物候历,逐像元推算冬小麦播种期和成熟期;
参考冬小麦物候历,在步骤S03获得的冬小麦抽穗期的基础上,以冬小麦抽穗期之前160天作为该像元所对应的冬小麦播种期,以冬小麦抽穗期之后50天作为该像元所对应的冬小麦成熟期,从而推算每个像元所对应的冬小麦播种期和成熟期等关键物候参数。
步骤S05:构建冬小麦生长前期以及生长后期的植被指数增量指标;
基于步骤S03、S04推算获得的每个像元所对应的冬小麦播种期、抽穗期以及成熟期,分别计算冬小麦生长前期植被指数增量指标ΔEVIE,以及生长后期的植被指数增量指标ΔEVIL。将冬小麦播种期到抽穗期这段时间确定为冬小麦生长前期,抽穗期到成熟期定为冬小麦生长后期。基于冬小麦播种期到抽穗期内植被指数的变化量,作为冬小麦生长前期植被指数增量指标ΔEVIE。基于冬小麦抽穗期到成熟期植被指数的变化量,作为冬小麦生长后期植被指数增量指标ΔEVIL。其具体计算公式为:ΔEVIE= EVI(H)-EVI(S);ΔEVIL=EVI(E)-EVI(H);其中EVI(S), EVI(H),EVI(E)分别为冬小麦播种期、抽穗期以及成熟期时该像元的植被指数数值。冬小麦生长前期增量指标ΔEVIE,以及生长后期的植被指数增量指标ΔEVIL示意图见图4。
步骤S06:建立冬小麦信息提取模型。
在冬小麦生长前期和生长后期,植被指数增量呈现出一定的生长期变化规律。冬小麦生长前期植被指数增量为比较明显的正值,而冬小麦生长后期植被指数增量为明显的负值。如冬小麦以及其他农作物的MODIS EVI年内时序信号图(图2)所示,在冬小麦生长前期、生长后期两个时段内,其他农作物(如蔬菜、双季稻等)植被指数增量的变化特征与冬小麦并不吻合。依据冬小麦生长期植被指数变化特征,即:基于冬小麦生长前期植被指数增量指标ΔEVIE,以及生长后期的植被指数增量指标ΔEVIL,建立冬小麦信息提取模型。具体而言,其模型形式为:如果ΔEVIE>θ1并且ΔEVIL<θ2,则将该像元判别为冬小麦;其中θ1,θ2为常数,分别取值为0.2、-0.1。
步骤S07:生成研究区冬小麦空间分布图。
基于上述流程,通过构建冬小麦抽穗期趋势面模型并参考农作物物候历,逐像元推算冬小麦播种期、抽穗期以及成熟期,在耕地区域内,逐像元计算冬小麦生长前期以及生长后期的植被指数增量指标,依据所建立的冬小麦信息提取模型,最终获得研究区冬小麦空间分布图。依据上述技术流程,可以实现较精确的冬小麦信息遥感自动提取。以河南、安徽、江苏、湖北、陕西、山西、河北、山东等地为例,获得的冬小麦空间分布图见图5。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
机译: 基于多源卫星遥感数据的海雾监测方法
机译: 基于多源卫星遥感数据的海雾监测方法
机译: 基于遥感成像的蓝细菌监测方法及装置