一種冬小麥識(shí)別方法
【專利摘要】本發(fā)明公開(kāi)了一種冬小麥識(shí)別方法。利用冬小麥生育期內(nèi)的遙感植被指數(shù)時(shí)序數(shù)據(jù)和物候歷數(shù)據(jù)，通過(guò)分類類別設(shè)定、訓(xùn)練樣本選取、樣本時(shí)序曲線提取、冬小麥識(shí)別特征選擇及參量化、最佳特征閾值確定和冬小麥識(shí)別模型構(gòu)建，提取出區(qū)域范圍內(nèi)冬小麥的空間分布信息。本方法的特點(diǎn)是可基于未經(jīng)去噪聲處理的遙感植被指數(shù)時(shí)序數(shù)據(jù)進(jìn)行冬小麥空間分布信息提取，具有較強(qiáng)的抗時(shí)序數(shù)據(jù)噪聲能力；方法的穩(wěn)定性和普適性較高，可應(yīng)用于具有一定物候差異的大范圍區(qū)域的冬小麥分布信息遙感提取。
【專利說(shuō)明】
-種冬小麥識(shí)別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及農(nóng)業(yè)遙感技術(shù)領(lǐng)域，尤其設(shè)及一種冬小麥空間分布信息的遙感提取方 法。
【背景技術(shù)】
[0002] 遙感影像數(shù)據(jù)因具有覆蓋面積大、現(xiàn)勢(shì)性強(qiáng)等優(yōu)勢(shì)，已被廣泛應(yīng)用于農(nóng)作物空間 分布信息的提取工作。目前，基于遙感影像的作物識(shí)別方法可分為單期影像源方法和時(shí)間 序列影像源方法。
[0003] 單期影像源方法是基于最佳時(shí)期的單期或少數(shù)幾期影像，利用待識(shí)別作物與背景 地物的光譜差異來(lái)實(shí)現(xiàn)作物空間分布信息的提取。此類方法的效率高、操作性強(qiáng)，但也存在 明顯不足。一方面，此類方法多采用中高空間分辨率遙感數(shù)據(jù)，然而，此類數(shù)據(jù)的衛(wèi)星重訪 周期一般較長(zhǎng)，且受云雨天氣的影響，往往難W提供最佳時(shí)期的影像數(shù)據(jù);另一方面，在某 幾個(gè)時(shí)相內(nèi)，此類方法很難區(qū)分光譜相似的地物類型。因此，此類方法的應(yīng)用通常要受到遙 感數(shù)據(jù)源的限制。
[0004] 時(shí)間序列影像源方法是基于植被指數(shù)時(shí)間序列數(shù)據(jù)，利用作物的物候變化規(guī)律特 征W實(shí)現(xiàn)作物空間分布信息的提取。不同作物類型的物候特征具有獨(dú)特性，對(duì)不同地物類 型具有可區(qū)分性，能夠進(jìn)一步提高作物的識(shí)別精度。植被指數(shù)時(shí)序數(shù)據(jù)由于能夠充分反映 不同作物的物候節(jié)律信息，從而使基于植被指數(shù)時(shí)序數(shù)據(jù)的作物空間信息提取方法得到了 不斷發(fā)展，并逐漸成為目前最為主流的技術(shù)方法之一。
[0005] 傳統(tǒng)的基于時(shí)間序列的作物識(shí)別方法多利用作物在幾個(gè)關(guān)鍵生長(zhǎng)節(jié)點(diǎn)上的影像 特征及其與其它節(jié)點(diǎn)上影像特征之間的邏輯關(guān)系來(lái)構(gòu)建作物識(shí)別模型。然而，受時(shí)序數(shù)據(jù) 噪聲的影響，某些待識(shí)別作物像元的時(shí)序曲線在關(guān)鍵節(jié)點(diǎn)上的影像特征易發(fā)生突變，甚至 與其他節(jié)點(diǎn)上影像特征之間的邏輯關(guān)系也發(fā)生了改變，致使傳統(tǒng)方法的作物識(shí)別精度較 低。因此，傳統(tǒng)的基于時(shí)序數(shù)據(jù)的作物識(shí)別方法往往需要依靠高質(zhì)量的植被指數(shù)時(shí)間序列 數(shù)據(jù)才能獲得較高的作物分布信息提取精度，但受大氣條件(云雨天氣等）的影響，我們有 時(shí)無(wú)法獲取質(zhì)量普遍較高的時(shí)序數(shù)據(jù)，通常需要在應(yīng)用之前對(duì)其進(jìn)行去噪聲處理。
[0006] 去噪聲處理一方面確實(shí)能夠去掉一些比較明顯的噪聲，使時(shí)序數(shù)據(jù)變得更為平 滑，但另一方面，去噪聲處理也使時(shí)序數(shù)據(jù)所反映的農(nóng)作物物候特征信息被修改或作為噪 聲信息而被去除（如冬小麥的雙峰特征不明顯），并同時(shí)會(huì)混進(jìn)新的噪聲，從而影響對(duì)后續(xù) 作物識(shí)別特征的選擇。此外，去噪聲處理也增加了作物識(shí)別工作的復(fù)雜度，降低了工作效 率。因此，在基于時(shí)序數(shù)據(jù)進(jìn)行作物空間信息提取時(shí)，應(yīng)盡量避免對(duì)時(shí)序數(shù)據(jù)進(jìn)行去噪聲處 理。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明正是針對(duì)傳統(tǒng)的基于時(shí)間序列的作物識(shí)別方法的一些不足，提出了一種抗 遙感時(shí)序數(shù)據(jù)噪聲的冬小麥識(shí)別方法，旨在利用未經(jīng)濾波處理的植被指數(shù)時(shí)序數(shù)據(jù)，快速 提取區(qū)域范圍內(nèi)冬小麥的空間分布信息。
[000引為達(dá)此目的，本發(fā)明采用W下技術(shù)方案：
[0009] -種冬小麥識(shí)別方法，包括W下步驟：
[0010] A、分類類別設(shè)定
[0011] 根據(jù)各地物類型與冬小麥的混分狀況，設(shè)定區(qū)域范圍內(nèi)的分類類別。
[0012] B、各地物類型訓(xùn)練樣本選取
[0013] 針對(duì)設(shè)定的分類類別，基于植被指數(shù)時(shí)序數(shù)據(jù)或符合應(yīng)用需求的其它數(shù)據(jù)，利用 目視解譯的方法，遵循基本的采樣原則，分別采集各地物類型的訓(xùn)練樣本;采樣的基本原則 如下：
[0014] (1)各地物類別的樣本數(shù)量一般要與區(qū)域范圍內(nèi)各地物類型的分布面積成比例。
[0015] (2)各地物類型的樣本要在整個(gè)區(qū)域范圍內(nèi)均勻分布，使各個(gè)樣本在局部范圍內(nèi) 具有區(qū)域代表性。
[0016] (3)各地物類型的樣本應(yīng)位于純像元區(qū)域，且其周圍像元也應(yīng)盡量為純像元。
[0017] C、樣本時(shí)序曲線提取
[0018] 基于植被指數(shù)時(shí)序數(shù)據(jù)，利用采集的訓(xùn)練樣本，提取各地物類型對(duì)應(yīng)的樣本時(shí)序 曲線。
[0019] D、冬小麥識(shí)別特征選擇及參量化
[0020] 結(jié)合區(qū)域的物候歷數(shù)據(jù)，根據(jù)提取的樣本時(shí)序曲線，確定冬小麥的識(shí)別特征，并對(duì) 其進(jìn)行參量化。確定的識(shí)別特征和參量化結(jié)果為：
[0021] (1)識(shí)別特征。冬小麥的識(shí)別特征為冬小麥分葉期內(nèi)的生長(zhǎng)狀態(tài)、冬小麥出苗期- S葉期和開(kāi)花期-乳熟期內(nèi)各自的總體生長(zhǎng)趨勢(shì)。
[0022] (2)參量化結(jié)果。分別將上述冬小麥的識(shí)別特征參量化為冬小麥分葉期內(nèi)植被指 數(shù)的平均值、冬小麥出苗期葉期和開(kāi)花期-乳熟期內(nèi)各自植被指數(shù)的線性擬合斜率。
[0023] E、最佳特征闊值確定
[0024] 首先基于訓(xùn)練樣本，對(duì)參量化后各地物類型的識(shí)別特征分別進(jìn)行頻數(shù)統(tǒng)計(jì)，然后 根據(jù)統(tǒng)計(jì)結(jié)果，將冬小麥與其它各地物類型區(qū)分程度最高處所對(duì)應(yīng)的特征取值范圍作為相 應(yīng)識(shí)別特征的最佳闊值選擇區(qū)間，最后在確定的區(qū)間范圍內(nèi)利用等步長(zhǎng)逐步捜索的方式， 選定冬小麥識(shí)別精度最高時(shí)各識(shí)別特征所對(duì)應(yīng)的取值作為其各自的最佳闊值。
[0025] F、冬小麥識(shí)別模型構(gòu)建
[0026] 根據(jù)參量化后的冬小麥識(shí)別特征及其對(duì)應(yīng)的最佳特征闊值，構(gòu)建冬小麥的識(shí)別模 型。其具體的模型構(gòu)建步驟為：
[0027] (1)利用冬小麥分葉期內(nèi)植被指數(shù)的平均值排除與冬小麥物候特征差異較大的非 植被和其它作物類型。其數(shù)學(xué)模型為：
[002引

[0029] (2)利用冬小麥出苗期-S葉期和開(kāi)花期-乳熟期兩個(gè)時(shí)間段內(nèi)植被指數(shù)的線性擬 合斜率進(jìn)一巧排除其它植被類型，最終實(shí)現(xiàn)冬小麥的提取。其數(shù)學(xué)模型為：
[0030]
[0031]
[0032] 上述數(shù)學(xué)模型中，tia = l ,2,...6)分別代表冬小麥出苗期普遍開(kāi)始時(shí)間、S葉期 普遍結(jié)束時(shí)間、分葉期普遍開(kāi)始時(shí)間、分葉期普遍結(jié)束時(shí)間、開(kāi)花期普遍開(kāi)始時(shí)間、乳熟期 普遍結(jié)束時(shí)間；巧,表示某一像元在ti至ti + i時(shí)間段內(nèi)包含的所有植被指數(shù)數(shù)據(jù)； WC0"仍J表示巧,的平均值；s/we(F/,,_,,+i)表示巧,_,,,1線性擬合后獲得的斜率;Ta、Tb 和Tc分別代表冬小麥各識(shí)別特征對(duì)應(yīng)的最佳闊值。將上述3個(gè)數(shù)學(xué)公式得到的結(jié)果求交集 之后的空間分布區(qū)即為識(shí)別的冬小麥分布范圍。
[0033] G、冬小麥空間分布信息提取
[0034] 基于植被指數(shù)時(shí)序數(shù)據(jù)，利用構(gòu)建的冬小麥識(shí)別模型，提取出區(qū)域范圍內(nèi)冬小麥 的空間分布信息。
[0035] 本發(fā)明具有W下特點(diǎn)：
[0036] (1)原理簡(jiǎn)單，易實(shí)施，工作效率高。
[0037] (2)可基于未經(jīng)去噪聲處理的遙感植被指數(shù)時(shí)序數(shù)據(jù)進(jìn)行冬小麥空間分布信息的 提取，具有較強(qiáng)的抗時(shí)序數(shù)據(jù)噪聲能力，且提取結(jié)果的穩(wěn)定性較高。
[0038] (3)可應(yīng)用于具有一定物候差異的大范圍區(qū)域的冬小麥空間分布信息遙感提取。
【附圖說(shuō)明】
[0039] 圖1是河南省冬小麥的空間分布信息提取結(jié)果。
【具體實(shí)施方式】
[0040] 下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)實(shí)施方案作進(jìn)一步描述。
[0041] A、分類類別設(shè)定
[0042] 根據(jù)各地物類型與冬小麥的混分狀況，設(shè)定區(qū)域范圍內(nèi)的分類類別。
[0043] 本案例中，設(shè)定河南省的分類類別為冬小麥、林地、草地、非植被和其它作物5種。
[0044] B、各地物類型訓(xùn)練樣本選取
[0045] 針對(duì)設(shè)定的采樣類別，基于植被指數(shù)時(shí)序數(shù)據(jù)或符合應(yīng)用需求的其它數(shù)據(jù)，利用 目視解譯的方法，遵循基本的采樣原則，分別采集各地物類別的訓(xùn)練樣本;采樣的基本原則 如下：
[0046] (1)各地物類別的樣本數(shù)量一般要與區(qū)域范圍內(nèi)各地物類型的分布面積成比例。
[0047] (2)各地物類型的樣本要在整個(gè)區(qū)域范圍內(nèi)均勻分布，使各個(gè)樣本在局部范圍內(nèi) 具有區(qū)域代表性。
[004引（3)各地物類型的樣本應(yīng)位于純像元區(qū)域，且其周圍像元也應(yīng)盡量為純像元。
[0049] 在本案例中，基于8天合成的MOD I S (Modera t e Re S O 1U t i on Imag i ng SpectrometerWDVKNormalized Difference Vege1:ation Index)時(shí)序數(shù)據(jù)，同時(shí)參考了 高分辨率遙感影像數(shù)據(jù)和物候歷數(shù)據(jù)，目視解譯選取了河南省各地物類別的訓(xùn)練樣本。
[0050] C、樣本時(shí)序曲線提取
[0051] 基于植被指數(shù)時(shí)序數(shù)據(jù)，利用采集的訓(xùn)練樣本，提取各地物類型對(duì)應(yīng)的樣本時(shí)序 曲線。
[0052] 本案例中，基于NDVI時(shí)序數(shù)據(jù)，利用各地物類型訓(xùn)練樣本的坐標(biāo)數(shù)據(jù)，提取出其對(duì) 應(yīng)像元的NDVI時(shí)序曲線作為各地物類型的樣本時(shí)序曲線。
[0053] D、冬小麥識(shí)別特征選擇及參量化
[0054] 結(jié)合冬小麥的物候歷數(shù)據(jù)，根據(jù)提取的冬小麥樣本時(shí)序曲線，確定冬小麥的識(shí)別 特征，并對(duì)其進(jìn)行參量化。確定的識(shí)別特征和參量化結(jié)果為：
[0055] (1)識(shí)別特征。冬小麥的識(shí)別特征為冬小麥分葉期內(nèi)的生長(zhǎng)狀態(tài)、冬小麥出苗期- S葉期和開(kāi)花期-乳熟期內(nèi)各自的總體生長(zhǎng)趨勢(shì)。
[0056] (2)參量化結(jié)果。分別將上述冬小麥的識(shí)別特征參量化為冬小麥分葉期內(nèi)植被指 數(shù)的平均值、冬小麥出苗期葉期和開(kāi)花期-乳熟期內(nèi)各自植被指數(shù)的線性擬合斜率。
[0057] E、最佳特征闊值確定
[0058] 首先基于訓(xùn)練樣本，對(duì)參量化后各地物類型的識(shí)別特征分別進(jìn)行頻數(shù)統(tǒng)計(jì)，然后 根據(jù)統(tǒng)計(jì)結(jié)果，將冬小麥與其它各地物類型區(qū)分程度最高處所對(duì)應(yīng)的特征取值范圍作為相 應(yīng)識(shí)別特征的最佳闊值選擇區(qū)間，最后在確定的區(qū)間范圍內(nèi)利用等步長(zhǎng)逐步捜索的方式， 選定冬小麥識(shí)別精度最高時(shí)各識(shí)別特征所對(duì)應(yīng)的取值作為其各自的最佳闊值。
[0059] 本案例中，初步確定分葉期NDVI平均值、出苗期-S葉期NDVI線性擬合斜率和開(kāi)花 期-乳熟期NDVI線性擬合斜率S個(gè)冬小麥識(shí)別特征的最佳闊值選擇區(qū)間為[0.32，0.3引、[- 0.02，0.03]和[-0.04，-0.Ol]。Wo.Ol為步長(zhǎng)，通過(guò)等步長(zhǎng)逐步捜索的方式確定上述識(shí)別特 征的最佳闊值依次為0.36、0.00和-0.03。
[0060] F、冬小麥識(shí)別模型構(gòu)建
[0061] 根據(jù)參量化后的冬小麥識(shí)別特征及其對(duì)應(yīng)的最佳特征闊值，構(gòu)建冬小麥的識(shí)別模 型。其具體的模型構(gòu)建步驟為：
[0062] (1)利用冬小麥分葉期內(nèi)植被指數(shù)的平均值排除與冬小麥物候特征差異較大的非 植被和其它化物類巧。巧敬學(xué)模型為：
[0063]
[0064] (2)利用冬小麥出苗期-S葉期和開(kāi)花期-乳熟期兩個(gè)時(shí)間段內(nèi)植被指數(shù)的線性擬 合斜率進(jìn)一步排除其它植被類型，最終實(shí)現(xiàn)冬小麥的提取。其數(shù)學(xué)模型為：
[00 化]
[0066]
[0067] 上述數(shù)學(xué)模型中，tia = l，2，...6)分別代表冬小麥出苗期普遍開(kāi)始時(shí)間、S葉期 普遍結(jié)束時(shí)間、分葉期普遍開(kāi)始時(shí)間、分葉期普遍結(jié)束時(shí)間、開(kāi)花期普遍開(kāi)始時(shí)間、乳熟期 普遍結(jié)束時(shí)間；表示某一像元在ti至ti + i時(shí)間段內(nèi)包含的所有植被指數(shù)數(shù)據(jù)； we。柳7,,J表示巧的平均值；J表示1^/,線性擬合后獲得的斜率;Ta、Tb 和Tc分別代表冬小麥各識(shí)別特征對(duì)應(yīng)的最佳闊值。將上述3個(gè)數(shù)學(xué)公式得到的結(jié)果求交集 之后的空間分布區(qū)即為識(shí)別的冬小麥分布范圍。
[0068] 本案例中，參考NDVI時(shí)序數(shù)據(jù)的合成周期、樣本時(shí)序曲線W及河南省物候歷，選定 ti(i = l，2，. . .6)分別為：10月24日、12月3日、12月11日、12月27日、次年的4月23日和次年 的6月10日。
[0069] G、冬小麥空間分布信息提取
[0070] 基于植被指數(shù)時(shí)序數(shù)據(jù)，利用構(gòu)建的冬小麥識(shí)別模型，提取出區(qū)域范圍內(nèi)冬小麥 的空間分布信息。
[0071] W上所述，僅為本發(fā)明較佳的【具體實(shí)施方式】，但本發(fā)明的保護(hù)范圍并不局限于此， 任何熟悉該技術(shù)的人在本發(fā)明所掲露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋 在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該W權(quán)利要求的保護(hù)范圍為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 一種冬小麥識(shí)別方法，其特征在于包括如下步驟： A、 分類類別設(shè)定，根據(jù)各地物類型與冬小麥的混分狀況，設(shè)定區(qū)域范圍內(nèi)的分類類別； B、 各地物類型訓(xùn)練樣本選取，針對(duì)設(shè)定的分類類別，基于植被指數(shù)時(shí)序數(shù)據(jù)或符合應(yīng) 用需求的其它數(shù)據(jù)，利用目視解譯的方法，遵循基本的采樣原則，分別采集各地物類型的訓(xùn) 練樣本； C、 樣本時(shí)序曲線提取，基于植被指數(shù)時(shí)序數(shù)據(jù)，利用采集的訓(xùn)練樣本，提取各地物類型 對(duì)應(yīng)的樣本時(shí)序曲線； D、 冬小麥識(shí)別特征選擇及參量化，結(jié)合區(qū)域的物候歷數(shù)據(jù)，根據(jù)提取的樣本時(shí)序曲線， 確定冬小麥的識(shí)別特征，并對(duì)其進(jìn)行參量化； E、 最佳特征閾值確定，首先基于訓(xùn)練樣本，對(duì)參量化后各地物類型的識(shí)別特征分別進(jìn) 行頻數(shù)統(tǒng)計(jì)，然后根據(jù)統(tǒng)計(jì)結(jié)果，將冬小麥與其它各地物類型區(qū)分程度最高處所對(duì)應(yīng)的特 征取值范圍作為相應(yīng)識(shí)別特征的最佳閾值選擇區(qū)間，最后在確定的區(qū)間范圍內(nèi)利用等步長(zhǎng) 逐步搜索的方式，選定冬小麥識(shí)別精度最高時(shí)各識(shí)別特征所對(duì)應(yīng)的取值作為其各自的最佳 閾值。 F、 冬小麥識(shí)別模型構(gòu)建，根據(jù)參量化后的冬小麥識(shí)別特征及其對(duì)應(yīng)的最佳特征閾值， 構(gòu)建冬小麥識(shí)別模型； G、 冬小麥空間分布信息提取，基于植被指數(shù)時(shí)序數(shù)據(jù)，利用構(gòu)建的冬小麥識(shí)別模型，提 取出區(qū)域范圍內(nèi)冬小麥的空間分布信息。2. 如權(quán)利要求1步驟D中所說(shuō)的冬小麥識(shí)別特征選擇及參量化，其特征在于將冬小麥分 蘗期內(nèi)的生長(zhǎng)狀態(tài)、冬小麥出苗期-三葉期和開(kāi)花期-乳熟期內(nèi)各自的總體生長(zhǎng)趨勢(shì)作為冬 小麥的識(shí)別特征，并分別將其參量化為冬小麥分蘗期內(nèi)植被指數(shù)的平均值、冬小麥出苗期-三葉期和開(kāi)花期-乳熟期內(nèi)各自植被指數(shù)的線性擬合斜率。3. 如權(quán)利要求1步驟F中所說(shuō)的冬小麥識(shí)別模型構(gòu)建，其特征在于將以下3個(gè)數(shù)學(xué)公式 得到的結(jié)果求交集之后的空間分布區(qū)即為識(shí)別的冬小麥分布范圍。3個(gè)數(shù)學(xué)公式分別為：式中，ti(i = 1，2，... 6)分別代表冬小麥出苗期普遍開(kāi)始時(shí)間、三葉期普遍結(jié)束時(shí)間、分 蘗期普遍開(kāi)始時(shí)間、分蘗期普遍結(jié)束時(shí)間、開(kāi)花期普遍開(kāi)始時(shí)間、乳熟期普遍結(jié)束時(shí)間； 7人,-，,+1表示某一像元在ti至ti+i時(shí)間段內(nèi)包含的所有植被指數(shù)(Vegetation Index，VI)數(shù) 據(jù);)表示F/,,~的平均值;AM%-,,+,)表示對(duì)％ a,線性擬合后所獲得的斜率； Ta、Tb和Tc分別代表冬小麥各識(shí)別特征對(duì)應(yīng)的最佳閾值。
【文檔編號(hào)】G06K9/00GK106022224SQ201610307697
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年5月12日
【發(fā)明人】朱文泉, 姜濤, 唐珂, 詹培
【申請(qǐng)人】北京師范大學(xué)