本發(fā)明涉及遙感圖像處理和農(nóng)業(yè)監(jiān)測技術領域，特別涉及一種農(nóng)作物長勢監(jiān)測系統(tǒng)及其數(shù)據(jù)處理方法和模塊。

背景技術：

近年，全球各國，無論是發(fā)展中國家還是發(fā)達國家，無一例外的越來越多的依賴及時、準確、透明的農(nóng)情監(jiān)測結果，以應對在全球尺度、地區(qū)尺度、國家尺度以及省州級尺度所面臨的糧食安全問題。研究表明，與作物收割之后統(tǒng)計獲得的產(chǎn)量數(shù)據(jù)相比較，在作物生長階段盡早的獲取作物生長狀況信息，更有利于應對突發(fā)的糧食供應短缺以及糧食進出口相關政策的制定。當糧食產(chǎn)量預期可能出現(xiàn)下降的情況下，穩(wěn)定國際糧價對于糧食進口國和出口國均具有重要意義。

目前許多國家或組織紛紛構建了各自的農(nóng)業(yè)監(jiān)測系統(tǒng)，用以實現(xiàn)國家尺度、地區(qū)尺度或是全球尺度的作物生長形勢的監(jiān)測，以及產(chǎn)量變化形勢的預測。盡管這些數(shù)量眾多的農(nóng)業(yè)監(jiān)測系統(tǒng)采用監(jiān)測方法可能各有相同，但作物長勢監(jiān)測始終是監(jiān)測系統(tǒng)中最核心的模塊之一。

大多數(shù)現(xiàn)有的農(nóng)情監(jiān)測系統(tǒng)均采用某種遙感指數(shù)來實現(xiàn)作物生長形勢的監(jiān)測。在這些遙感指數(shù)中，歸一化植被指數(shù)(thenormalizeddifferencevegetationindex，簡稱ndvi)，因為其能夠直觀反映出作物光合作用的強弱，并在一定程度上削弱植物冠層的背景影響，如土壤、潮濕地面、雪、枯葉、粗糙度等，同時又能在一定程度上反映出植被是否受到水分、溫度等外在條件的脅迫，是最常用的遙感指數(shù)之一。

根據(jù)獲得的遙感圖像數(shù)據(jù)，利用年度間遙感指數(shù)的變化，分析人員一方面能夠?qū)斍皶r期的遙感指數(shù)與其他年份同期的數(shù)據(jù)進行對比，另一方面也可以對當前生長季的遙感指數(shù)的動態(tài)變化與其他年份遙感指數(shù)的動態(tài)變化進行對比，進而評估作物生長狀況并在早期進行產(chǎn)量預測。

根據(jù)前述的對比獲得了作物長勢的監(jiān)測結果，所述的監(jiān)測結果既包含真實的作物長勢信息，也包含由作物物候、作物輪作等因素造成的偽變化信息。另外，年際間耕地上同一像元播種情況的空間差異更是直接反應在實時作物長勢監(jiān)測和作物生長過程監(jiān)測結果上。

然而，現(xiàn)有的農(nóng)情監(jiān)測系統(tǒng)采用的長勢監(jiān)測方法均沒有考慮作物輪作、作物播種狀況變化造成的耕地利用狀況的變化，這些年際間的作物輪作造成的耕地利用狀況的變化均會在作物長勢監(jiān)測的過程中引入很大的不確定性。當作物輪作以及耕地種植區(qū)發(fā)生顯著變化時，作物長勢信息將會失去原有的指示意義。

技術實現(xiàn)要素：

針對現(xiàn)有技術中的不足，本發(fā)明提供了一種農(nóng)作物長勢監(jiān)測系統(tǒng)及其數(shù)據(jù)處理方法和模塊，用以消除耕地利用狀況的變化在作物長勢監(jiān)測過程中引入的不確定性，從而獲得更加準確的作物長勢監(jiān)測結果。

為了解決上述技術問題，本發(fā)明提供了一種農(nóng)作物長勢監(jiān)測數(shù)據(jù)處理方法，其中，包括：

獲取監(jiān)測用遙感數(shù)據(jù)和修正用遙感數(shù)據(jù)；

分別對所述監(jiān)測用遙感數(shù)據(jù)和修正用遙感數(shù)據(jù)進行預處理，得到對應的植被指數(shù)數(shù)據(jù)；

根據(jù)修正用植被指數(shù)數(shù)據(jù)獲得修正參數(shù)；

根據(jù)所述修正參數(shù)修正所述監(jiān)測用植被指數(shù)數(shù)據(jù)。

優(yōu)選地，所述根據(jù)修正用植被指數(shù)數(shù)據(jù)獲得修正參數(shù)的步驟包括：

選擇識別用關鍵時期；

基于所述修正用植被指數(shù)數(shù)據(jù)，在所述識別用關鍵時期，識別各像元對應的耕地為未種植耕地或種植耕地；

對所述修正用遙感數(shù)據(jù)按照監(jiān)測用遙感數(shù)據(jù)的圖像分辨率重新采樣；

獲取重新采樣后各像元所覆蓋的采樣前未種植耕地和種植耕地的像元數(shù)量，根據(jù)公式(2-1)計算得到重新采樣后各像元中未種植耕地的比例，所述未種植耕地的比例為所述的修正參數(shù)；

優(yōu)選地，所述選擇識別用關鍵時期的步驟包括：

采用類間jeffries-matusita距離對所述修正用植被指數(shù)數(shù)據(jù)進行量化；

對應于多個不同的兩個時期的植被指數(shù)組合，分別計算對應的未種植耕地和種植耕地兩種不同類別的jeffries-matusita距離；

比較多個所述jeffries-matusita距離的大小，獲取jeffries-matusita距離最大的植被指數(shù)組合；

分別獲取jeffries-matusita距離最大的植被指數(shù)組合對應的兩個時期，將其作為用于識別的關鍵時期。

優(yōu)選地，基于所述修正用植被指數(shù)數(shù)據(jù)，在所述識別用關鍵時期，識別各像元對應的耕地為未種植耕地或種植耕地的步驟包括：

讀取與兩個所述關鍵時期對應的植被指數(shù)值；

計算所述兩個植被指數(shù)值的差值，并將植被指數(shù)值大的關鍵時期設為高峰時期；

逐像元比較高峰時期的植被指數(shù)值與預設的種植區(qū)提取閾值的大小，如果高峰時期的植被指數(shù)值大于或等于所述種植區(qū)提取閾值，則將所述像元對應的耕地識別為種植耕地；

如果高峰時期的植被指數(shù)值小于所述種植區(qū)提取閾值，逐像元比較所述兩個所述關鍵時期對應的植被指數(shù)值的差值與預設的未種植區(qū)提取閾值的大小，如果所述差值大于或等于所述未種植區(qū)提取閾值，則將所述像元對應的耕地識別為種植耕地，如果所述差值小于所述未種植區(qū)提取閾值，則將所述像元對應的耕地識別為未種植耕地。

優(yōu)選地，根據(jù)所述修正參數(shù)修正所述監(jiān)測用植被指數(shù)數(shù)據(jù)的步驟包括：

根據(jù)紅波段和近紅外波段的反射率在種植作物端元和未種植作物端元的關系，獲得以下二元線性方程：

其中，所述ρr和ρnir為modis像元尺度的端元紅波段與近紅外波段反射率；

所述ualr為對應像元的未種植耕地比例；

ρrcropped為種植作物耕地端元的紅波段反射率；

ρnircropped為種植作物耕地端元的近紅波段反射率；

ρruncropped為未種植作物耕地端元的紅波段反射率；

ρniruncropped為未種植作物耕地端元的近紅外波段反射率；

其中，未種植作物耕地端元的紅波段反射率ρruncropped、近紅外波段反射率ρruncropped通過統(tǒng)計未種植耕地比例大于98％的像元對應波段的均值確定；

根據(jù)公式(2-2)獲得種植作物耕地端元的紅波段反射率ρrcropped和近紅外波段反射率ρnircropped；

根據(jù)公式(2-3)逐像元計算出對應的植被指數(shù)值，從而獲得修正后用于農(nóng)作物長勢監(jiān)測的植被指數(shù)數(shù)據(jù)；

本發(fā)明還提供了一種農(nóng)作物長勢監(jiān)測數(shù)據(jù)處理模塊，其中，包括：

數(shù)據(jù)獲取子模塊，用于獲取監(jiān)測用遙感數(shù)據(jù)和修正用遙感數(shù)據(jù)，并對監(jiān)測用遙感數(shù)據(jù)和修正用遙感數(shù)據(jù)進行預處理，獲得對應的植被指數(shù)數(shù)據(jù)；

數(shù)據(jù)預處理子模塊，用于分別對所述監(jiān)測用遙感數(shù)據(jù)和修正用遙感數(shù)據(jù)進行預處理，得到對應的植被指數(shù)數(shù)據(jù)；

修正參數(shù)計算子模塊，用于根據(jù)修正用遙感數(shù)據(jù)獲得修正參數(shù)；和

數(shù)據(jù)修正子模塊，用于根據(jù)所述修正參數(shù)修正所述監(jiān)測用植被指數(shù)數(shù)據(jù)。

優(yōu)選地，所述修正參數(shù)計算子模塊包括：

關鍵時期選擇單元，用于選擇識用別關鍵時期；

耕地種植狀況識別單元，用于基于所述修正用植被指數(shù)數(shù)據(jù)，在所述識別用關鍵時期，識別各像元對應的耕地為未種植耕地或種植耕地；

采樣單元，用于將修正用遙感數(shù)據(jù)按照監(jiān)測用遙感數(shù)據(jù)的圖像分辨率重新采樣，并獲取重新采樣后各像元所覆蓋的采樣前未種植耕地和種植耕地的像元數(shù)量；

修正參數(shù)計算單元，用于根據(jù)重新采樣后各像元所覆蓋的采樣前未種植耕地和種植耕地的像元數(shù)量計算得到未種植耕地的比例，所述未種植耕地的比例為所述的修正參數(shù)。

優(yōu)選地，所述數(shù)據(jù)修正子模塊包括：

第一計算單元，用于根據(jù)公式(2-2)提供的二元線性方程，及未種植作物的耕地端元的紅波段反射率ρruncropped和近紅外波段反射率ρruncropped計算得到種植作物的耕地端元的紅波段反射率ρrcropped和近紅外波段反射率ρnircropped；

其中，所述ρr和ρnir為modis像元尺度的紅波段與近紅外波段反射率；

所述ualr為對應像元的未種植耕地比例；

和

第二計算單元，用于根據(jù)公式(2-3)，針對監(jiān)測用植被指數(shù)數(shù)據(jù)，逐像元計算出對應的植被指數(shù)值，從而獲得修正后用于農(nóng)作物長勢監(jiān)測的植被指數(shù)數(shù)據(jù)；

本發(fā)明還提供了一種農(nóng)作物長勢監(jiān)測系統(tǒng)，其中，包括前面所述的數(shù)據(jù)處理模塊和監(jiān)測模塊，所述監(jiān)測模塊以所述數(shù)據(jù)處理模塊修正后的植被指數(shù)數(shù)據(jù)作為監(jiān)測數(shù)據(jù)，進行作物長勢的過程監(jiān)測和/或作物長勢的實時監(jiān)測。

優(yōu)選地，所述農(nóng)作物長勢監(jiān)測系統(tǒng)還包括數(shù)據(jù)輸出模塊，其與所述監(jiān)測模塊相連接，用于輸出監(jiān)測結果數(shù)據(jù)。

本發(fā)明以高分辨率遙感數(shù)據(jù)為數(shù)據(jù)源，識別不同年份間耕地利用狀況，并計算未種植耕地的比例。通過所述未種植耕地比例來修正低分辨率遙感植被指數(shù)數(shù)據(jù)，從而還原耕地種植區(qū)的低分辨率遙感植被指數(shù)的真實數(shù)據(jù)，削弱了由于作物輪作和耕地種植區(qū)年際變化造成的農(nóng)作物長勢監(jiān)測不確定性，因而在開展年度間作物長勢的對比分析及實時作物長勢監(jiān)測時，提高了耕地種植狀況動態(tài)變化情況下作物長勢監(jiān)測的精準度。

附圖說明

通過參照以下附圖對本發(fā)明實施例的描述，本發(fā)明的上述以及其它目的、特征和優(yōu)點將更為清楚，在附圖中：

圖1為本發(fā)明實施例一提供的一種農(nóng)作物長勢監(jiān)測數(shù)據(jù)處理方法流程示意圖；

圖2為本發(fā)明實施例一中獲得修正參數(shù)的流程示意圖；

圖3為本發(fā)明實施例一利用植被指數(shù)閾值建立決策樹、在關鍵時期識別各像元農(nóng)田種植狀況的具體流程示意圖；

圖4為本發(fā)明實施例二所述農(nóng)作物長勢監(jiān)測數(shù)據(jù)處理模塊的結構原理框圖；

圖5為本發(fā)明實施例三所述農(nóng)作物長勢監(jiān)測系統(tǒng)的結構原理框圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明的一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。附圖中的流程圖、框圖圖示了本發(fā)明實施例的系統(tǒng)、方法、裝置的可能的體系框架、功能和操作，流程圖和框圖上的方框可以代表一個模塊、程序段或僅僅是一段代碼，所述模塊、程序段和代碼都是用來實現(xiàn)規(guī)定邏輯功能的可執(zhí)行指令。也應當注意，所述實現(xiàn)規(guī)定邏輯功能的可執(zhí)行指令可以重新組合，從而生成新的模塊和程序段。因此附圖的方框以及方框順序只是用來更好的圖示實施例的過程和步驟，而不應以此作為對發(fā)明本身的限制。

實施例一

參見圖1，為本發(fā)明實施例一提供的一種農(nóng)作物長勢監(jiān)測數(shù)據(jù)處理方法的流程示意圖。所述方法包括：

步驟s1，獲取監(jiān)測用遙感數(shù)據(jù)和修正用遙感數(shù)據(jù)。

步驟s2，對所述監(jiān)測用遙感數(shù)據(jù)和修正用遙感數(shù)據(jù)進行預處理，得到對應的植被指數(shù)數(shù)據(jù)。其中，所述植被指數(shù)數(shù)據(jù)包括由多個特定時期順序組成的時間序列植被指數(shù)數(shù)據(jù)。

步驟s3，根據(jù)修正用植被指數(shù)數(shù)據(jù)獲得修正參數(shù)。

步驟s4，根據(jù)所述修正參數(shù)修正所述監(jiān)測用植被指數(shù)數(shù)據(jù)。

具體地，在步驟s1中，所述監(jiān)測用遙感數(shù)據(jù)和修正用遙感數(shù)據(jù)分別采用不同分辨率的遙感數(shù)據(jù)。其中，監(jiān)測用遙感數(shù)據(jù)為中低分辨率的遙感數(shù)據(jù)，來源于中分辨率成像光譜儀(moderateresolutionimagingspectro-radiometer，簡稱modis)，具體為modis上午星(terra)和下午星(aqua)16日合成歸一化植被指數(shù)(thenormalizeddifferencevegetationindex，簡稱ndvi)產(chǎn)品。例如采用產(chǎn)品編號為mod13q1和myd13q1的三級(l3)產(chǎn)品，其空間分辨率為250m，時間范圍為2009-2010年度和2010-2011年度冬季作物完整生長期，共包括五個不同影像塊(h26v04，h26v05，h27v04，h27v05和h28v05)的時間序列數(shù)據(jù)。所述數(shù)據(jù)是從美國國家宇航局(nasa)的reverb網(wǎng)絡工具(http://reverb.echo.nasa.gov)上下載獲取。

所述的修正用遙感數(shù)據(jù)為高分辨率的遙感數(shù)據(jù)。例如，在本實施例中，依據(jù)研究區(qū)內(nèi)的主要作物的物候期，并結合地面觀測時間，申請2010年2月中旬至2010年5月下旬、2011年2月中旬至2011年5月下旬每半月一期的環(huán)境1a、1b星(hj-1a/1b)的ccd數(shù)據(jù)，研究區(qū)需要7景環(huán)境星以實現(xiàn)全覆蓋，本實施例共獲取了112景數(shù)據(jù)質(zhì)量較好的hj-1a/bccd數(shù)據(jù)，其分辨率為30m。

在步驟s2中，分別對前述兩種遙感數(shù)據(jù)進行預處理。對于中低分辨率的檢測用遙感數(shù)據(jù)，其預處理過程包括數(shù)據(jù)拼接、重投影、數(shù)據(jù)類型轉(zhuǎn)換和數(shù)據(jù)格式轉(zhuǎn)換等過程。例如，利用mrt軟件(lpdaac.usgs.gov/tools/modis_reprojection_tool)完成重投影，投影參數(shù)使用統(tǒng)一的albers110大地坐標系。然后，根據(jù)產(chǎn)品提供的標定參數(shù)，提取植被指數(shù)產(chǎn)品中的ndvi數(shù)據(jù)，或者是evi數(shù)據(jù)。再將數(shù)據(jù)換算成真實植被指數(shù)，并轉(zhuǎn)存成geo-tiff格式，利用研究區(qū)的矢量邊界對圖像進行裁剪。最后得到監(jiān)測用遙感圖像和植被指數(shù)數(shù)據(jù)，所述植被指數(shù)數(shù)據(jù)是指由多個特定時期順序組成的時間序列植被指數(shù)數(shù)據(jù)。

對于修正用遙感數(shù)據(jù)，即hj-1ccd數(shù)據(jù)，在使用之前，需要進行預處理，主要包括幾何精校正和輻射校正，而大氣糾正是輻射校正中重要的一步，也是影響冠層反射率質(zhì)量、植被指數(shù)計算及陸表類型分類精度的重要環(huán)節(jié)，因此本發(fā)明將輻射校正分為兩個步驟進行，第一步將dn值轉(zhuǎn)換為輻亮度，第二步進行大氣校正，具體過程如下：

根據(jù)每景環(huán)境星影像自帶的配置文件中標明的各波段絕對定標系數(shù)(包含在*.xml文件中)將ccd圖像各波段的dn值轉(zhuǎn)換為輻亮度圖像，其計算公式如(1-1)所示：

式中a為絕對定標系數(shù)增益，l0為絕對定標系數(shù)偏移量，轉(zhuǎn)換后輻亮度單位為w·m^-2·sr^-1·μm^-1；

本發(fā)明通過envi軟件提供的flaash(fastline-of-sightatmosphericanalysisofspectralhypercube)大氣糾正模塊對影像進行大氣糾正。在flaash模型中，依據(jù)影像獲取時間將大氣模型選擇夏天或冬天中緯度模型，氣溶膠模型則選擇農(nóng)村模型(rural)；由于空氣能見度與氣溶膠厚度存在著很好的轉(zhuǎn)換關系，利用轉(zhuǎn)換公式(1-2)(1-3)將氣溶膠厚度轉(zhuǎn)換成flaash所需要的能見度。氣溶膠厚度則來自于modis的氣溶膠產(chǎn)品(mod04_v5.1，http://ladsweb.nascom.nasa.gov/data/search.html)。

春夏：

秋冬：

式中，t550表示550nm波長范圍的氣溶膠光學厚度，v代表水平氣象視距(km)。

關于環(huán)境星的幾何糾正，通常需要人工選取大量的地面控制點進行校正。由于本實施例中所用到的環(huán)境星數(shù)量眾多，如果全部采用人工方式進行處理將耗費大量的時間和精力。因此本實施例采用基于arop程序包的類landsat遙感影像配準與正射糾正軟件包基礎上，升級實現(xiàn)了環(huán)境星ccd數(shù)據(jù)并行化預處理系統(tǒng)進行，并對hj-1ccd數(shù)據(jù)進行幾何校正和正射校正，其中參考影像為預處理后的landsattm數(shù)據(jù)，dem數(shù)據(jù)為90m分辨率的srtm數(shù)據(jù)(https://lta.cr.usgs.gov/srtm2)。系統(tǒng)輸出的經(jīng)過處理的影像采用utm投影，wgs84橢球體，utm投影參數(shù)是北半球50區(qū)。幾何糾正的平均誤差基本控制在1個像元內(nèi)，部分山區(qū)地帶的影像幾何偏差稍大。

經(jīng)過幾何糾正、正射校正、輻射定標和大氣糾正之后，就獲取了各景影像藍波段、綠波段、紅波段和近紅外波段的反射率，利用植被指數(shù)計算公式可以計算各景影像對應的植被指數(shù)(ndvi)數(shù)值，并獲取了各時期影像對應的ndvi影像。

在步驟3中，根據(jù)修正用植被指數(shù)數(shù)據(jù)獲得修正參數(shù)的過程具體如圖2所示，首先，在步驟s31，選擇識別用關鍵時期，所述識別用關鍵時期為確定修正參數(shù)時用到的關鍵時期。具體地選擇的原理及過程如下：

在獲得時間序列植被指數(shù)數(shù)據(jù)后，將區(qū)分未種植耕地與種植耕地的關鍵時期選擇問題轉(zhuǎn)換為最佳波段組合問題，本發(fā)明采用jeffries-matusita距離(簡稱j-m距離)以指示未種植耕地和種植耕地兩種類別間可分性，基于修正用遙感數(shù)據(jù)，采用未種植耕地和種植耕地兩種類別間j-m距離進行量化。

將監(jiān)測用時間序列植被指數(shù)數(shù)據(jù)的不同時期的數(shù)據(jù)視為不同波段的遙感數(shù)據(jù)，針對多個不同的兩個時期波段組合，分別計算對應的未種植耕地和種植耕地兩種不同類別的j-m距離；具體如公式(1-4)(1-5)所示：

jmij＝2(1-e^-b)(1-4)

其中，μi，μj分別為第i，j類的均值矢量，σi，σj分別為第i，j類的協(xié)方差矩陣。由于本發(fā)明僅有未種植耕地和種植耕地兩個類別，因此i類和j類分別代表未種植耕地和種植耕地兩個類別。

而后比較多個所述j-m距離的大小，得到j-m距離最大的兩個特定波段組合，該波段組合即為區(qū)分未種植耕地與有作物種植耕地的最佳波段組合。所述最佳波段組合對應的兩個時期即為未種植耕地提取的關鍵時期，選擇該時期對應的環(huán)境星數(shù)據(jù)，即修正用的植被指數(shù)數(shù)據(jù)，來進行未種植耕地的識別。

在得到了識別用關鍵時期之后，在步驟s32，基于所述修正用遙感數(shù)據(jù)，在所述識別用關鍵時期，識別各像元對應的耕地為未種植耕地或種植耕地。

在一個具體實施例中，選擇經(jīng)過預處理后的識別用關鍵時期覆蓋的某個區(qū)域(如黃淮海平原)的環(huán)境星影像。首先利用2010年黃淮海平原的土地利用數(shù)據(jù)對環(huán)境星ccd影像中的非耕地區(qū)域進行去除，并計算出兩個識別用關鍵時期環(huán)境星ccd影像對應的植被指數(shù)?？梢灶A見的是，在這兩個關鍵時期中，其中一個關鍵時期一定處于作物生長高峰時期，因為作物生長高峰階段未種植耕地的植被指數(shù)將顯著低于植被區(qū)，因而，在這里將植被指數(shù)值大的時期設為高峰時期t高峰，則另一時期設為t2。

針對環(huán)境星ccd遙感數(shù)據(jù)中的耕地像元，逐像元來識別耕地像元的種植狀況，即有作物種植，還是沒有作物種植。具體如圖3所示：

步驟s321，獲取t高峰時期的像元i的植被指數(shù)值ndvi高峰。

步驟s322，比較所述像元i的植被指數(shù)值ndvi高峰與預設閾值x的大小，判斷像元i的植被指數(shù)值ndvi高峰是否大于或等于閾值x，如果大于或等于，則確認當前像元i為種植耕地，并執(zhí)行步驟s326；如果像元i的植被指數(shù)值ndvi高峰小于閾值x，轉(zhuǎn)到步驟s323。

步驟s323，獲取t2時期的像元i的植被指數(shù)值ndvi2。

步驟s324，計算兩個時期對應的植被指數(shù)差值ndvi差值，其中，ndvi差值＝ndvi高峰-ndvi2。

步驟s325，比較ndvi差值與預設閾值y的大小，判斷ndvi差值是否大于等于閾值y,如果ndvi差值大于等于閾值y，則確認當前像元i為種植耕地，并執(zhí)行步驟s326；如果ndvi差值小于閾值y，則確認當前像元i為未種植耕地，并執(zhí)行步驟s326。

步驟s326，判斷是否識別完所有的像元，如果識別完了所有的像元，則識別完成，結束該流程；如果沒有識別完所有的像元，在步驟s327，取下一個像元，并返回步驟s321，重復上述步驟。

其中，以地面采樣過程中獲取的種植作物耕地區(qū)訓練樣本，統(tǒng)計t高峰時期的植被指數(shù)，繪制種植作物耕地區(qū)高峰植被指數(shù)的直方圖，截取頻率為2％處的植被指數(shù)值作為種植區(qū)提取閾值，記為x。

以地面采樣過程獲取的未種植耕地區(qū)訓練樣本，計算出t高峰時期和t2時期的植被指數(shù)差值，并統(tǒng)計繪制出未種植耕地區(qū)訓練樣本區(qū)域的植被指數(shù)差值直方圖，截取累積頻率為98％處的植被指數(shù)差值作為未種植耕地識別的閾值之一，記為y。

通過上述步驟，識別完了環(huán)境星ccd遙感數(shù)據(jù)中耕地種植狀況。

在本實施例中，由于識別用的環(huán)境星ccd遙感數(shù)據(jù)與監(jiān)測用的遙感數(shù)據(jù)(modisndvi)的分辨率不同，像元大小不同，為了獲得環(huán)境星ccd遙感數(shù)據(jù)與modisndvi像元大小一致的未種植耕地比例(ualr)數(shù)據(jù)，本發(fā)明利用最鄰近方法，在步驟s33將30米分辨率的環(huán)境星ccd遙感數(shù)據(jù)中的種植耕地與未種植耕地分布圖重新采樣到250米分辨率上，根據(jù)采樣后各像元的覆蓋區(qū)域中采樣前未種植耕地像元個數(shù)(nuc)和有作物種植耕地像元個數(shù)(nc)，根據(jù)公式(2-1)推導計算出采樣后的各像元中未種植耕地比例ualr，具體公式如下：

本發(fā)明假定在冬小麥生長季內(nèi)各像元未種植耕地比例ualr數(shù)值基本保持不變。

在步驟s4，本實施例將modis影像各耕地像元考慮為僅由有作物種植和無作物種植的兩種端元組成的混合像元，其他端元忽略不計，并假定混合像元的地表反射率由兩種端元的地表反射率按照各自豐度構成的線性混合。由于需要計算modis像元尺度的ndvi數(shù)據(jù)，因此本實施例中僅對紅波段和近紅外波段的反射率進行線性混合像元分解。各混合像元內(nèi)，“有作物種植”端元的紅波段、近紅外波段的地表反射率可以通過求解下列的二元線性方程組獲得：

其中ρr和ρnir為某一modis像元尺度的端元紅波段與近紅外波段反射率，ualr代表對應像元的未種植耕地比例，ρrcropped、ρnircropped和ρruncropped、ρniruncropped分別代表在種植作物的耕地端元紅波段反射率、近紅外波段反射率以及未種植耕地端元紅波段反射率、近紅外波段反射率，其中未種植耕地端元紅波段的反射率和近紅外波段的反射率通過統(tǒng)計未種植耕地比例大于98％的像元對應波段的均值確定，因此式(2-2)中僅有有作物種植耕地端元紅波段、近紅外波段反射率(ρrcropped、ρnircropped)兩個未知數(shù)，通過求解式(2-2)中的二元線性方程組即可獲得ρrcropped、ρnircropped的值。

由此，根據(jù)所述ρrcropped、ρnircropped的值，根據(jù)公式(2-3)，以監(jiān)測用數(shù)據(jù)，即16天合成的時間序列modis數(shù)據(jù)為數(shù)據(jù)源，計算出各modis像元內(nèi)有作物種植耕地部分的ndvi值，計算公式見式(2-3)。

基于前述步驟s4中修正后得到的ndvi數(shù)據(jù)，進行作物長勢監(jiān)測，包括作物長勢實時監(jiān)測與作物長勢過程監(jiān)測兩種方法。

對于作物長勢實時監(jiān)測，其反映的是當前監(jiān)測時段與前一年同時段的ndvi變化特征，識別出哪些區(qū)域在當前時期作物生長狀況優(yōu)于去年，哪些區(qū)域不及去年，哪些區(qū)域與去年作物長勢相當。實時監(jiān)測突出的是兩年間空間上的差異性。而對作物長勢過程監(jiān)測，記錄的是某一區(qū)域生長季內(nèi)ndvi的時間序列變化，通常利用各像元耕地比例作為權重統(tǒng)計某一區(qū)域各期ndvi的均值，并與往年ndvi動態(tài)變化曲線進行對比分析，作物長勢過程監(jiān)測突出的是作物生長狀況的動態(tài)變化并能反映出不同年份之間不同生長階段的作物長勢差異。

實施例二

如圖4所示，為本發(fā)明提供的一種農(nóng)作物長勢監(jiān)測數(shù)據(jù)處理模塊，包括：數(shù)據(jù)獲取子模塊1、數(shù)據(jù)預處理子模塊2、修正參數(shù)計算子模塊3和數(shù)據(jù)修正子模塊4。另外，為了完整地體現(xiàn)出本發(fā)明的技術方案，在圖4中還包括數(shù)據(jù)存儲子模塊5，如各種存儲介質(zhì)。具體地，所述數(shù)據(jù)獲取子模塊1獲取的數(shù)據(jù)包括遙感數(shù)據(jù)，即監(jiān)測用遙感數(shù)據(jù)和修正用遙感數(shù)據(jù)。還包括各種參數(shù)，如閾值、公式中涉及到必要的參數(shù)等，這類參數(shù)數(shù)據(jù)，在獲取到后，直接存儲到數(shù)據(jù)存儲子模塊5中，并根據(jù)相應模塊或單元的讀取指令，向其提供相應的參數(shù)。獲取到遙感數(shù)據(jù)后，將其發(fā)送給數(shù)據(jù)預處理子模塊2。其中，監(jiān)測用遙感數(shù)據(jù)為中低分辨率的遙感數(shù)據(jù)，例如通過訪問相關網(wǎng)站下載或通過數(shù)據(jù)接口從外部存儲裝置中讀取數(shù)據(jù)等方式，獲得本發(fā)明所需要的數(shù)據(jù)。如前述實施例一中所述的監(jiān)測用中低分辨率的modisndvi數(shù)據(jù)、修正用的環(huán)境1a、1b星的ccd數(shù)據(jù)及用于獲取相應閾值及驗證的地面觀測得到的樣本數(shù)據(jù)等。另外，數(shù)據(jù)獲取子模塊1還包括獲取一些必要的計算參數(shù)、公式等。如未種植耕地端元紅波段、近紅外波段的反射率ρruncropped、ρniruncropped和前面實施例一中涉及到的各種公式。

所述數(shù)據(jù)預處理子模塊2收到遙感數(shù)據(jù)后，分別對所述監(jiān)測用遙感數(shù)據(jù)和修正用遙感數(shù)據(jù)進行預處理，例如，對所述mod13q1和myd13q1的三級(l3)產(chǎn)品的數(shù)據(jù)進行括數(shù)據(jù)拼接、重投影、數(shù)據(jù)類型轉(zhuǎn)換和數(shù)據(jù)格式轉(zhuǎn)換等。對所述的環(huán)境星ccd數(shù)據(jù)進行幾何精校正和輻射校正等操作。由于這些操作在實施例一中已進行較為詳細地說明，因而在此不再重復說明。經(jīng)過上述的預處理后，得到對應的植被指數(shù)數(shù)據(jù)。

所述修正參數(shù)計算子模塊3具體包括關鍵時期選擇單元31、耕地種植狀況識別單元32、采樣單元33和修正參數(shù)計算單元34，數(shù)據(jù)獲取子模塊1為上述各單元提供必要的參數(shù)數(shù)據(jù)。其中，所述關鍵時期選擇單元31用于選擇關鍵時期。所述的關鍵時期為用于識別耕地種植狀況的關鍵時期。在本發(fā)明中，將時期選擇的問題轉(zhuǎn)換為最佳波段組合問題，將兩個最佳波段組合對應的時期確定為關鍵時期。具體如實施例一所述，在此不再重復說明。

耕地種植狀況識別單元32基于所述修正用植被指數(shù)數(shù)據(jù)，在所述關鍵時期，識別各像元對應的耕地為未種植耕地或種植耕地。例如，耕地種植狀況識別單元32按照圖3所示的流程圖逐像元地識別出耕地類別。在具體識別過程中，利用了預先設置的兩個閾值，即種植區(qū)提取閾值x和未種植耕地識別閾值y。這兩個數(shù)據(jù)可以預先計算好后輸入到本模塊中，或根據(jù)本模塊根據(jù)存儲的地面采樣訓練樣本數(shù)據(jù)計算獲得。

所述采樣單元33將修正用遙感數(shù)據(jù)按照監(jiān)測用遙感數(shù)據(jù)的圖像分辨率重新采樣，例如，將原來分辨率為30m的遙感數(shù)據(jù)按照250m重新采樣，從而得到新的像元。對應于采樣前的像元，重新采樣后一個像元則覆蓋了多個采樣前的像元，并且，這些像元的類別已確定，因而可以得到采樣后的一個像元中未種植耕地的像元數(shù)量和種植耕地的像元數(shù)量。

所述修正參數(shù)計算單元34根據(jù)公式(2-1)、重新采樣后各像元所覆蓋的采樣前未種植耕地和種植耕地的像元數(shù)量，計算得到未種植耕地的比例，所述未種植耕地的比例為所述的修正參數(shù)。

所述數(shù)據(jù)修正子模塊4包括兩個計算單元：第一計算單元41和第一計算單元42。其中，所述第一計算單元41根據(jù)公式(2-2)的二元線性方程，及未種植作物的耕地所處像元的紅波段、近紅外波段的反射率ρruncropped和ρruncropped，計算得到種植作物的耕地端元的紅波段、近紅外波段反射率ρrcropped、ρnircropped；

其中，所述ρr和ρnir為modis像元尺度的端元紅波段與近紅外波段反射率；

所述ualr為對應像元的未種植耕地比例；

ρrcropped為種植作物耕地端元的紅波段的反射率；

ρnircropped為種植作物耕地端元的近紅波段的反射率；

ρruncropped為未種植作物耕地端元的紅波段的反射率；

ρniruncropped為未種植作物耕地端元的近紅外波段的反射率。

所述第二計算單元42根據(jù)公式(2-3)，針對監(jiān)測用植被指數(shù)數(shù)據(jù)，逐像元計算出對應的植被指數(shù)值，從而獲得修正后用于農(nóng)作物長勢監(jiān)測的植被指數(shù)數(shù)據(jù)；

通過上述農(nóng)作物長勢監(jiān)測數(shù)據(jù)處理模塊，實現(xiàn)了對中低分辨率modis數(shù)據(jù)的修正。

實施例三

本實施例三提供了一種農(nóng)作物長勢監(jiān)測系統(tǒng)，其中，包括前面實施例二中提供的數(shù)據(jù)處理模塊1a和監(jiān)測模塊2a，通過數(shù)據(jù)處理模塊1a得到經(jīng)過修正的中低分辨率modis數(shù)據(jù)。所述監(jiān)測模塊2a以所述修正后的植被指數(shù)數(shù)據(jù)作為監(jiān)測數(shù)據(jù)，進行作物長勢的過程監(jiān)測和/或作物長勢的實時監(jiān)測。

為了便于查看，所述監(jiān)測系統(tǒng)還包括數(shù)據(jù)輸出模塊3a，所述數(shù)據(jù)輸出模塊3a為打印模塊或/和顯示模塊等。用于將監(jiān)測數(shù)據(jù)以特定的形式輸出，如以圖表、圖形的方式顯示或打印。

應用實施例：

采用本實施例中的數(shù)據(jù)處理方法和模塊，對取得的遙感數(shù)據(jù)進行修正，以修正前和修正后的數(shù)據(jù)作為數(shù)據(jù)源進行作物長勢監(jiān)測，對監(jiān)測結果進行對比分析如下：

首先利用分類獲取的黃淮海地區(qū)30米分辨率的作物種植區(qū)與未種植區(qū)耕地分布數(shù)據(jù)，按前述的未種植耕地比例的統(tǒng)計方法，重采樣獲得了250米分辨率的黃淮海平原冬小麥生長季內(nèi)的未種植耕地比例分布圖。顯而易見的，未種植耕地比例分布圖與中的在耕地與未種植耕地分布具有非常相似的分布特征。2011年渤海灣西海岸以及黃河三角洲附近區(qū)域的未種植耕地比例明顯高于2010年；同樣的，2011年河南省西部地區(qū)的未種植耕地比例較2010年也有所增加，盡管這些區(qū)域的未種植耕地比例與渤海灣西海岸附近區(qū)域相比總體較低。

而后，關于作物長勢實時監(jiān)測，利用2010年與2011年兩年的ndvi數(shù)據(jù)進行對比分析，根據(jù)獲得的研究區(qū)的作物長勢實時圖，經(jīng)過對比，兩幅數(shù)據(jù)源不同的作物長勢圖具有相似的空間分布態(tài)勢，但在個別區(qū)域還是存在一定差異的。統(tǒng)計結果顯示，利用修正前modisndvi數(shù)據(jù)生成的作物長勢圖中，研究區(qū)約有8％的耕地作物長勢好于2010年，約9.2％的耕地作物長勢比2010年5月上旬差，而其余大部分地區(qū)的作物長勢與2010年持平。而利用修正后的ndvi數(shù)據(jù)導出的作物長勢圖中，約有13.4％的有作物種植的耕地長勢好于2010年同期，而14.3％的在農(nóng)作物長勢與2010年相比偏差，且某些區(qū)域的作物長勢明顯偏差，而原modisndvi數(shù)據(jù)生成的作物長勢圖中，該地區(qū)的作物長勢僅比2010年同期稍差。這一點與未種植耕地比率分布圖的分布態(tài)勢相似，未種植耕地比例監(jiān)測結果顯示黃淮海平原南部區(qū)域(主要包括河南最南部和安徽北部)在2009-2010年度冬小麥生長季內(nèi)保留了較2010-2011年度更多的未種植耕地，因此直接利用modisndvi數(shù)據(jù)開展作物長勢監(jiān)測時有一部分作物長勢較差的信號被未種植耕地的變化所掩蓋，而利用修正后的ndvi數(shù)據(jù)開展作物長勢監(jiān)測時，恰恰恢復了真實的作物長勢狀況。

在以本發(fā)明提供的監(jiān)測系統(tǒng)對河南省最北部和河北省最南部地區(qū)進行監(jiān)測時，如果以修正前的modisndvi數(shù)據(jù)監(jiān)測作物長勢，其結果顯示2010年和2011年作物長勢基本持平，但應用修正之后ndvi數(shù)據(jù)時，其監(jiān)測結果卻顯示該區(qū)域作物長勢較2010年稍差，這些長勢好壞統(tǒng)計比例以及空間分布態(tài)勢的變化進一步凸顯了利用未種植耕地比例進行ndvi修正來完善作物長勢監(jiān)測的重要性。

關于作物長勢過程監(jiān)測的對比，以對黃淮海平原以及其覆蓋的五個省級行政單元開展長勢監(jiān)測得到結果為例，2009-2010年度與2010-2011年度的植被指數(shù)變化范圍差異較大，2009-2010年度冬小麥生長季內(nèi)，修正前modisndvi數(shù)據(jù)的數(shù)值范圍為0.19-0.66，而2010-2011年度的修正前modisndvi數(shù)據(jù)的數(shù)值范圍為0.31-0.63；相應時間段的修正后ndvi數(shù)據(jù)的數(shù)值范圍分別為0.2-0.68及0.32-0.63。從上述數(shù)據(jù)可以得知，經(jīng)過修正后的ndvi值與修正前modisndvi值均有較大差異。

因而，與現(xiàn)有技術相比，本發(fā)明具有以下明顯的技術優(yōu)勢：

(1)耕地種植狀況歸一化修正后的ndvi數(shù)據(jù)因其結合了年度間耕地利用狀況(有作物種植耕地與未種植耕地)的空間變化，解決了年度間耕地利用狀況變化以及作物輪作對作物長勢的影響。更適合用于作物長勢監(jiān)測，由此生成的作物長勢監(jiān)測結果較以原始ndvi數(shù)據(jù)為數(shù)據(jù)源的作物長勢監(jiān)測結果更加準確。

(2)本發(fā)明提出的農(nóng)作物長勢監(jiān)測系統(tǒng)僅需要區(qū)分出有作物種植的耕地與沒有作物種植的耕地兩類，不需要精確識別出不同作物類別，便可對原始ndvi數(shù)據(jù)進行修正，從而開展更加準確的作物長勢監(jiān)測，這種對種植耕地與未種植耕地的識別更加適用于遙感數(shù)據(jù)的處理。

(3)本發(fā)明采用混合像元分解策略，有效規(guī)避了植被指數(shù)的非線性混合效應，在一定程度上減小了修正后的純凈種植區(qū)ndvi數(shù)據(jù)的誤差。

以上實施方式僅用于說明本發(fā)明，而并非對本發(fā)明的限制，有關技術領域的普通技術人員，在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變化和變型，因此所有等同的技術方案也屬于本發(fā)明的范疇，本發(fā)明的專利保護范圍應由權利要求限定。