基于多时相遥感影像的茭白种植面积提取方法

摘要

本发明提供了一种基于多时相遥感影像的茭白种植面积提取方法，使用覆盖作物全生育期的哨兵2号时序影像，处理生成NDVI时序谱，根据茭白生长特征，配合决策树分类方法，能有效区分茭白与其他地物，作物面积提取总体精度较高，结果验证表面结合种植特征与多时相光谱指数特征的决策树分类结果更加符合真实地物分布状况。

说明书

技术领域

本发明属于农业遥感技术领域，尤其是涉及一种基于多时相遥感影像的茭白种植面积提取方法。

背景技术

茭白(Zizania altifolia)禾本科、菰属多年生浅水草本，是我国“水八仙”之一，主要在我国长江流域及以南方的沼泽和水田地区栽培。浙江省台州市黄岩地区逐渐形成了一套适合黄岩区特点的、较为先进实用的棚茭栽培技术，“黄岩棚茭”肉质白嫩皮色鲜亮，商品性特好，该区茭白已成为国家农产品地理标志登记产品。双季茭白是黄岩农业中的一大特色产业，目前种植面积已超过4500hm2，拥有全国最大的设施茭白种植基地。及时、准确的获取茭白种植面积，可以协调蔬菜种植面积与粮食作物种植的结构，为农业决策提供参考，同时为蔬菜补贴提供依据。

黄岩区茭白一般为双季种植，夏季收获的茭白称为“夏茭”，秋季收获的茭白称为“秋茭”。夏茭种植时间为上年11月至翌年4月上旬左右，采用设施农膜覆盖栽培和培土护茭生产技术，一般在清明节前后收获(参见《浙江农业科学》,2016.57(10):第1644-1646页)，同时大棚约12月下旬覆盖薄膜，一般在3月下旬揭膜，基本清明以后农膜全部揭开(《长江蔬菜》,2009(16):第102-103页)。秋茭种植时间为6月中旬至11月，秋茭种植时需要进行整地准备，一般在夏茭收获之后的5-6月份进行田间灌水，然后6月下旬至7月上旬进行秋茭定植，一般在11月份收获，收获时也要保留较多强健秋天分蘖苗，用来增加早熟春、夏茭的品质和产量。

当前，获取茭白面积的方法主要靠传统人工调查的方法，不仅需要耗费大量的时间，而且需要大量的人力物力，人工调查在统计过程中不可避免的会因为一些主观因素，如统计错误、各地标准不一致、测量工具不同等原因，影响统计调查的精度。遥感可以进行大面积的同步监测，并且时效性高，利用遥感统计茭白种植面积不仅在统计结果上比传统方法更为精确，而且经济投入少，且不受地域限制。

目前，针对茭白的研究大多集中在栽培措施、病虫害发生等生理生化角度，对于茭白遥感提取的相关研究较少，而提取的作物主要集中在小麦、水稻、玉米等大田作物。

在遥感分类方法方面，包含监督分类与非监督分类两种。监督分类是根据已知训练区提供的样本，选择特征参数，使用训练出的特征参数作为决策规则，以此规则对各待分类影像进行的图像分类。而非监督分类是以不同影像地物在特征空间中的类差别为依据，是按照已知类别标准进行图像分类的方法。全璟等利用非监督分类的方法，提取了大别山区的水稻种植面积分布，该方法实现了对研究区域内水稻种植面积的实时动态监测(参见《中国农学通报》,2019.35(01):第104-111页)。麦丽素以内蒙古自治区兴安盟乌兰浩特市为研究区域，基于支持向量机法、最大似然法、面向对象分类法等三种监督分类方法与非监督分类的分级集群法进行对比，研究表明，采用监督分类的方法，在提取的精确度上高于非监督分类方法(《北方农业学报》,2019.47(05):第119-126页)。李中元等通过NDVI时序数据，利用决策树分类方法对油菜面积进行监测，研究表明识别结果可以有效去除非植被、林地等干扰类型，进而提取出油菜的种植面积及分布(《地球信息科学学报》,2019.)。

另外，作物提取的特征方面大多利用单一特征或多特征相结合进行识别。肇振国等分析了水稻冠层光谱特征与其他类地物光谱，通过对比，确定了水稻种植信息遥感提取的最佳时相(《现代农业科技》,2015(15):第258-259页)。但并没有利用其他时相的数据，同利用多时相方法进行水稻提取相比，有待进一步研究。时序遥感影像不仅具有单一时相影像的光谱信息，还具有一系列时间信息，在作物分布信息提取中具有重要意义，目前已有很多学者利用多时相数据进行遥感监测。

目前大面积提取作物种植分布的研究主要有以下几个方面，一是针对在不同遥感影像条件下作物遥感识别能力研究；二是基于不同分类方法下对作物识别能力和精度的比较研究；三是结合多时相影像与多特征辅助作物分类。然而，针对作物的遥感识别主要集中在大宗作物，关于茭白遥感识别的相关研究较少。黄岩区耕地地块破碎程度高，作物种类丰富，有不少作物存在“同物异谱”现象，会对茭白的提取造成干扰。以往作物信息的获取主要是基于光学卫星数据。对于光学遥感，通过分析当前影像光谱反射率的变化来判断作物分布情况，并通过构建植被指数来提取作物，其局限性在于，在同一时期，茭白和其他作物之间存在“异物同谱”现象，简单的依据单时相影像和光谱特征，并不能很好的区分各地物。

如何有效、准确识别茭白分布及面积为蔬菜种植补贴和生产布局规划提供支持，是本领域面临的急需解决的问题。

发明内容

为解决现有技术中存在的上述不足，本发明的目的在于提供一种能够准确的获取茭白的面积信息与空间分布的双季茭白种植面积提取方法。

具体的，本发明提供了一种基于多时相遥感影像的茭白种植面积提取方法，包括以下步骤：

S1获取研究区内茭白主要生育期的遥感多光谱影像，提取包含红、绿、蓝、近红外波段的影像，然后对影像进行大气校正处理；

S2根据茭白与混淆作物的光谱指数特征、植被模式特征、颜色特征的差异，构建决策树分类模型进行分类；

S3构建识别模型，区分茭白并估算其面积。

上述方法中，优选地，S1所述获取研究区内茭白主要生育期的遥感多光谱影像是通过哨兵2号卫星提供的影像数据；更优选地，所述的蓝光波段的中心波长为0.49μm，分辨率优于10m；绿光波段的中心波长为0.56μm，分辨率优于10m；红光波段的中心波长为0.665μm，分辨率优于10m；近红外波段的中心波长为0.842μm，分辨率优于10m。

黄岩区茭白一般为双季种植，夏季收获的茭白称为“夏茭”，秋季收获的茭白称为“秋茭”。S2所述植被模式特征的识别基础包括：

(1)夏茭种植的地块，在上年11月份至翌年3-4月份夏茭收获前，田间覆盖大棚农膜；

(2)在夏茭收获后秋茭种植前，为田间灌水阶段；

(3)在秋茭收获阶段，较同时期收获的晚稻相比，在颜色特征上表现出比晚稻更绿。

进一步的，根据哨兵影像上茭白、水稻、果树、林地的颜色特征，S2所述颜色特征的识别包括：

利用2月份茭白地块呈现灰白色的特征进行目视解译；

从6月份的影像提取出所有在6月份有水且覆盖绿萍的地块；

再利用10月份茭白在田间呈深绿色的指数特征进一步筛选出茭白种植地块，根据10月份影像排除非茭白种植地块。

进一步的，S2所述光谱指数特征包括：

计算2月份至11月份影像上的NDVI、NDWI植被指数；

其中，NDVI是归一化植被指数，为近红外波段与可见光红波段数值之差和这两个波段数值之和的比值；NDVI能反映出植物冠层的背景影响且与植被覆盖有关；

NDVI的计算公式为：NDVI＝(NIR-R)/(NIR+R)；

NDWI是基于绿波段与近红外波段的归一化比值指数；用来提取影像中的水体信息效果较好，NDWI是基于绿波段与近红外波段的归一化比值指数，NDWI的计算公式为：NDWI＝(G-NIR)/(G+NIR)；

其中NIR为红外波段数值，R为可见光红波段数值，G为绿波段数值。

进一步的，S3所述构建识别模型，包括：

S31:利用NDVI剔除非植被和人造建筑；

S32:利用NDWI和NDVI设定阈值提取6月份水体范围；

S33:再结合10月份NDVI可区分出茭白；

更优选地，S3所述构建识别模型，包括：

S31提取9月份影像图，设置阈值NDVI>0.6，当条件为假时，像元标记为非植被；当条件为真时，像元标记为植被，则进入S32判断；

S32:提取6月份影像图，设置阈值0.4

S33:提取10月份影像图，设置阈值NDVI>0.6，当条件为假时，像元标记为其他植被；当条件为真时，像元标记为茭白。

进一步的，上述方法中，还包括采用混淆矩阵的方法进行位置精度评价；优选地，所述采用混淆矩阵的方法进行位置精度评价包括：在研究区创建随机验证点，随机点数为900个,结合高分辨率影像和实地情况对每个随机点目视解译，并与遥感提取结果对比，制成一个混淆矩阵，分别计算其用户精度、制图精度和Kappa系数。

本发明提供了一种使用覆盖作物全生育期的遥感时序影像，处理生成NDVI时序谱，依据茭白生长特征，配合决策树分类方法，能有效区分茭白与其他地物，作物面积提取总体精度较高，验证结果表明结合种植特征与多时相光谱指数特征，基于这两种特征的决策树分类结果更加符合真实地物分布状况，验证了茭白遥感提取的可行性。

本发明提供的方法为应用高分辨遥感数据进行茭白调查提供相关依据，为蔬菜种植补贴和生产布局规划提供支持。

本发明提供的组合多时相光谱特征构建的决策树模型能有效识别茭白种植区域，茭白的用户精度和制图精度分别为96.00％和94.00％，Kappa系数为0.93，其他地物的用户精度和制图精度分别为95.00％和93.00％。

附图说明

下面结合附图和实施例对本申请的技术方案进一步说明。

图1是本申请实施例中研究区域位置图；

图2是本申请实施例中茭白种植模式图；

图3是本申请实施例中双季茭白颜色特征图；

图4是本申请实施例中2月份至11月份的植被多时相NDVI曲线图；

图5是申请实施例中2月份至11月份的植被多时相NDWI曲线图，其中5(a)是各地物多时相NDWI曲线图，5(b)是茭白多时相NDWI曲线图；

图6是茭白提取技术流程图。

图7是实施例中茭白空间分布图。其中，图7(a)是茭白在实施例范围内总体分布情况，图7(b)是实施例范围内某一局部区域放大图，图7(c)是该局部区域内茭白种植情况。

图8是茭白的用户精度和制图精度图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例

以下以浙江省台州市黄岩区的东部，经纬度28°35′N-28°45′N，121°7′E-121°12′E，位于头陀镇、新前街道作为研究区域(如图1所示)，利用2020年2月-2020年11月多景哨兵2号影像，举例说明本发明的技术方案及有益效果。

黄岩区处于台州市中部，辖区地势西高东低，西部多高山，东部有部分平原，属于温黄平原，全区总面积988平方千米。气候温和湿润，雨量充沛，光照适宜四季分明，属亚热带季风气候，全区多年平均气温为17℃，持续日照天数247.9d，年平均日照时数为1955h，降雨分布自西向东，随海拔降低而递减。

S1获取研究区内茭白主要生育期的遥感多光谱影像，提取包含红、绿、蓝、近红外波段的影像，然后对影像进行大气校正处理；

哨兵2号携带一枚多光谱成像仪，可覆盖13个光谱波段，波段范围从可见光、近红外到短波红外，是唯一在红边范围含有3个波段的卫星，最高空间分辨率为10m，幅宽为290km，两星共同工作时间分辨率可以提高至5d。

哨兵2号卫星提供的数据产品为Level-1C和Level-2A，Level-1C是经过辐射校正和几何校正的大气层顶表观反射率数据，Level-2A是经过大气校正后的地表反射率数据。本实施例选用大气校正后的Level-2A数据，有效消除了云、大气和光照等因素对地物反射的影响，影像时相包括茭白的主要生育期，从2020年2月至2020年11月，共10景影像。本文选取了四个波段，各波段范围及分辨率如表1所示。

表1本实施例选用的哨兵2号影像波段及分辨率

S2根据茭白与混淆作物的光谱指数特征、植被模式特征、颜色特征的差异，构建决策树分类模型进行分类；

首先分析茭白的种植模式特征，在此基础上，分析茭白的光谱指数特征、植被模式特征、颜色特征等，为提取茭白提供特征选择的依据；然后根据茭白与混淆作物的光谱反射率特征、植被指数特征的差异，构建决策树分类模型进行分类。

种植模式特征

黄岩区茭白一般为双季种植，夏季收获的茭白称为“夏茭”，秋季收获的茭白称为“秋茭”。夏茭种植时间为上年11月至翌年4月上旬左右，采用设施农膜覆盖栽培和培土护茭生产技术，一般在清明节前后收获，同时大棚覆膜时间以12月下旬覆盖薄膜，一般在3月下旬揭膜，基本清明以后农膜全部揭开。秋茭种植时间为6月中旬至11月，秋茭种植时需要进行整地准备，一般在夏茭收获之后的5-6月份进行田间灌水，然后6月下旬至7月上旬进行秋茭定植，一般在11月份收获，收获时也要保留较多强健秋天分蘖苗，用来增加早熟春、夏茭的品质和产量。

茭白种植过程如图2所示，可以分为茭白种植阶段和整地准备阶段，从茭白种植模式总结出以下3点作为目视解译及特征识别的基础。分别是：一是夏茭种植的地块，在上年11月份至翌年3-4月份夏茭收获前，田间覆盖大棚农膜；二是在夏茭收获后秋茭种植前，为田间灌水阶段；三是在秋茭收获阶段，较同时期收获的晚稻相比，在颜色特征上表现出比晚稻更绿。

颜色特征

黄岩区主要农作物有水稻、茭白，果树主要是桔树和枇杷树。黄岩区水稻一般为早晚连作种植，与茭白在大部分时期存在“异物同谱”现象。果树和林地在全年颜色特征变化不大。根据哨兵影像上茭白、水稻、果树、林地的颜色特征，得出：2月份种植茭白的地块有农膜覆盖，从影像上看呈灰白色，在二月份早稻还未种植，田块是呈土灰色的裸地状态，果树和林地为四季常绿地，林地较果树更绿。因此，可利用2月份茭白地块呈现灰白色的特征进行目视解译。

6月份夏茭刚刚收获，在遥感影像上呈深绿色，果树和林地同二月份相比颜色差别不大。6月份的影像为茭白田块识别的关键时相，利用茭白地块整地灌水时，田间覆盖绿萍的特点，提取出所有在6月份有水且覆盖绿萍的地块，此时的提取结果包含茭白种植的地块和其他6月份田间含水的地块；10月份时，茭白在田间呈深绿色，与此时正处于成熟收获期的晚稻对比明显更绿，此时可以根据6月份提取的结果，再利用10月份指数特征进一步筛选出茭白种植地块，根据10月份影像排除非茭白种植地块。

光谱指数特征

依据多时相哨兵2号多光谱反射率影像，结合Google影像以及现场实际调查的结果进行目视解译，在研究区内共选取了2103个样点，其中果树样本点177个，建筑673个，茭白样本点790个，林地289个，水稻174个，样本点分布如图1所示。建筑可用归一化植被指数剔除。

NDVI(Normalized Difference Vegetation Index)归一化植被指数定义为近红外波段(NIR)与可见光红波段(RED)数值之差和这两个波段数值之和的比值。能反映出植物冠层的背景影响且与植被覆盖有关。NDWI(Nornalized Difference Waterter Index)是基于绿波段与近红外波段的归一化比值指数，用来提取影像中的水体信息效果较好。

根据植被指数NDVI和NDWI计算公式计算了从2月份至11月份的归一化植被指数。根据多时相NDVI曲线图可知，各地物NDVI介于0.2-0.9之间，而茭白的NDVI在0.4～0.8之间。黄岩区茭白一般为双季种植，全年均有茭白的田间，即使没有茭白在田间种植的时候，也由于整地灌水时，水上覆盖浮萍，导致茭白地块的NDVI并不低。茭白地块的NDVI在2月份～7月份处于0.4～0.6之间，在7月份～11月份茭白NDVI逐渐升高，在收获季节一般稳定在0.7～0.8之间，在10月份与同时期的水稻相比，茭白的NDVI要比水稻的NDVI高。图4中水稻2月～11月份NDVI整体上呈下降-上升-下降-上升-下降的趋势，2月份～4月份NDVI下降，在4月份NDVI下降至0.2左右，4月份～7月份NDVI呈先上升后下降的趋势，8月份～11月份种植晚稻，同样呈先上升后下降的趋势。林地和果树上升和下降的趋势相似。

NDWI一般用来提取影像中的水体信息，根据多时相NDWI曲线图5a可知，各地物NDWI一般处于-0.8～-0.2之间，茭白的NDWI曲线整体上呈先上升后下降的趋势，在6月份～7月份茭白的NDWI与其他地物差异明显，如图5b所示，此时茭白的NDWI大于-0.4，而其他地物均小于-0.4。水稻的NDWI总体上呈现上升-下降-上升-下降的趋势。

S3构建识别模型，区分茭白并估算其面积：

研究区内主要作物为茭白，另外还有少量水稻种植，本发明方法旨在区分双季茭白并估算其面积，故未对研究区所有地物进行细分，其他地物可利用掩膜文件去除。

经过反复对比和试验，NDVI可有效剔除非植被和人造建筑；利用对水体敏感的NDWI和对植被敏感的NDVI设定阈值能够提取6月份水体范围；再结合10月份NDVI可区分出茭白。依据9月份植被的NDVI均大于0.6,设定阈值NDVI>0.6,筛选出绿色植被；双季茭白在6月份灌水整地时，茭白地块的NDVI<0.6，NDWI>0.4可排除其他绿色植被，提取水体区域。图3说明双季茭白在10月份NDVI与其他植被差异明显，双季茭白在10月份NDVI>0.6；当满足这个条件时，说明分类物为茭白，否则为其他地物。具体分类流程图如图6所示。分类结果如图7所示，图7a中茭白分布较为集中，基本都分布于山谷之间地势较为平坦地区，该空间分布监测结果与现场调查情况基本一致。

模型精度的评价

为较真实、客观地实现模型精度的评价，本发明采用混淆矩阵的方法进行位置精度评价。在研究区创建随机验证点，随机点数为900个，结合高分辨率影像和实地情况对每个随机点目视解译，与遥感提取结果对比，制成一个混淆矩阵，分别计算其用户精度、制图精度和Kappa系数。结果如图8所示。经计算得到得其Kappa系数为0.93，茭白的用户精度和制图精度分别为96.00％和94.00％，其他地物的用户精度和制图精度分别为95.00％和93.00％，表明错分率及漏分率较低。基于面积和混淆矩阵两种精度验证结果均验证本文的茭白遥感提取模型识别精度较高,可以实现对区域内茭白空间分布的遥感监测。

以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。