基于面向?qū)ο蠹夹g(shù)與ndvi時(shí)間序列相結(jié)合的農(nóng)作物精細(xì)分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明是一項(xiàng)農(nóng)作物遙感精細(xì)分類技術(shù)，提出了一種基于面向?qū)ο蠹夹g(shù)與NDVI 時(shí)間序列相結(jié)合的農(nóng)作物精細(xì)分類方法，充分利用NDVI時(shí)間序列能夠反應(yīng)農(nóng)作物物候信 息的特點(diǎn)，實(shí)現(xiàn)農(nóng)作物的區(qū)分，同時(shí)基于面向?qū)ο蠹夹g(shù)消除椒鹽效應(yīng)，有效提高農(nóng)作物精細(xì) 分類的精度，為農(nóng)作物精細(xì)分類提供了一種新思路。
【背景技術(shù)】
[0002] 農(nóng)作物的種植面積、產(chǎn)量等信息是國(guó)家制定糧食規(guī)劃和經(jīng)濟(jì)政策的重要依據(jù)，而 及時(shí)準(zhǔn)確地掌握農(nóng)作物種植分布是獲取作物種植面積和進(jìn)行產(chǎn)量預(yù)測(cè)估產(chǎn)的基礎(chǔ)。隨著遙 感平臺(tái)的不斷發(fā)展及影像分辨率不斷提高，遙感技術(shù)在農(nóng)業(yè)領(lǐng)域中得到了廣泛的應(yīng)用，如 作物種類提取、種植面積監(jiān)測(cè)、長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量估算等。利用遙感技術(shù)能夠在短期內(nèi)快速、 連續(xù)獲取大尺度農(nóng)作物的高分辨率影像，為農(nóng)作物的精細(xì)分類提供了強(qiáng)有力的技術(shù)支撐。
[0003] 我國(guó)農(nóng)作物類型復(fù)雜多樣，許多作物的光譜特征極為相似，利用單一時(shí)相遙感 影像數(shù)據(jù)進(jìn)行農(nóng)作物提取經(jīng)常會(huì)出現(xiàn)"錯(cuò)分、漏分"的現(xiàn)象。近年來，歸一化植被指數(shù) (Normalized Difference Vegetation Index, NDVI)時(shí)間序列數(shù)據(jù)，能夠精確地反映植被 物候信息，有效削弱"同物異譜，同譜異物"現(xiàn)象，逐漸應(yīng)用于農(nóng)作物的提取。目前較為流行 的方法是基于M0DIS、NOAA/AVHRR的NDVI時(shí)間序列數(shù)據(jù)，但由于影像空間分辨率較低加之 我國(guó)農(nóng)作物種植類別復(fù)雜多樣，地塊較為破碎，僅有極少的像元是由單一地物所組成，農(nóng)作 物分類精度有限。隨著遙感數(shù)據(jù)源的不斷豐富，目前中、高分辨率影像時(shí)間序列的構(gòu)建逐步 成為熱點(diǎn)，主要方法包括圖像模擬法、多源數(shù)據(jù)綜合法，而且高分辨率NDVI時(shí)間序列已經(jīng) 應(yīng)用于農(nóng)作物分類。
[0004] 隨著遙感影像空間分辨率的不斷提升，面向?qū)ο蟮姆诸惙椒ㄒ殉蔀橹髁?，該方?將具有相同光譜、紋理和空間組合關(guān)系等特征的像元合并成一個(gè)對(duì)象，W對(duì)象為單位進(jìn)行 分類。相對(duì)基于像元的分類方法，面向?qū)ο蟮姆诸惙椒軌蛎黠@消除椒鹽噪聲，而且地物邊 界信息清晰。目前該方法主要集中應(yīng)用于單一時(shí)相高分辨率遙感影像的分類，因此無法區(qū) 分"異物同譜"的地物類型。
[0005] 基于上述問題，本專利提出了一種基于面向?qū)ο蠹夹g(shù)與NDVI時(shí)間序列相結(jié)合的 農(nóng)作物精細(xì)分類算法，該算法針對(duì)高分辨率遙感數(shù)據(jù)時(shí)相分辨率的不足，綜合利用LANDSAT TM數(shù)據(jù)和町-1數(shù)據(jù)構(gòu)建高分辨率NDVI時(shí)間序列，并與面向?qū)ο蠹夹g(shù)進(jìn)行優(yōu)勢(shì)互補(bǔ)，即削弱 "同物異譜、異物同譜"現(xiàn)象，又消除椒鹽效應(yīng)，從而提升分類精度。

【發(fā)明內(nèi)容】

[0006] 本專利提出了一種基于面向?qū)ο蠹夹g(shù)與NDVI時(shí)間序列相結(jié)合的農(nóng)作物精細(xì)分類 算法，該方法綜合了農(nóng)作物的光譜信息（NDVI)和物候信息（時(shí)間序列）削弱了農(nóng)作物"同 物異譜、同譜異物"現(xiàn)象，同時(shí)結(jié)合面向?qū)ο蟮募夹g(shù)消除椒鹽效應(yīng)，能有效提升農(nóng)作物分類 的精度。該方法包括如下步驟：
[0007] 步驟1)獲取TM數(shù)據(jù)和町-1數(shù)據(jù)，利用TM數(shù)據(jù)和町-1數(shù)據(jù)構(gòu)建NDVI時(shí)間序列； [000引步驟2)對(duì)步驟1)得到的NDVI時(shí)間序列進(jìn)行主成分分析，提取前3個(gè)主成分形成 主成分?jǐn)?shù)據(jù)；
[0009] 步驟3)對(duì)步驟2)得到的主成分?jǐn)?shù)據(jù)進(jìn)行多尺度分割，得到一系列分割單元，每 個(gè)分割單元由空間上相鄰、同質(zhì)性達(dá)到80%W上的像元組成，將每個(gè)分割單元作為一個(gè)對(duì) 象；
[0010] 步驟4)將步驟3)所得到的對(duì)象作為面狀矢量與步驟1構(gòu)建的NDVI時(shí)間序列進(jìn) 行疊加，提取每個(gè)對(duì)象對(duì)應(yīng)區(qū)域不同時(shí)相的NDVI均值，從而獲得每個(gè)對(duì)象相應(yīng)的NDVI時(shí)序 數(shù)據(jù)，形成基于對(duì)象的NDVI時(shí)間序列；
[0011] 步驟5)利用全球30米地表覆蓋數(shù)據(jù)獲取試驗(yàn)區(qū)的耕地分布圖，形成對(duì)應(yīng)區(qū)域的 掩膜；
[0012] 步驟6)針對(duì)基于對(duì)象的NDVI時(shí)間序列數(shù)據(jù)添加步驟5)形成的掩膜，利用地面實(shí) 測(cè)農(nóng)作物樣本數(shù)據(jù)，采用支持向量機(jī)（SVM)的監(jiān)督分類算法對(duì)耕地區(qū)域進(jìn)行分類，形成農(nóng) 作物精細(xì)分類圖。
[0013] 進(jìn)一步地，多尺度分割的分割尺度為80、顏色因子為0. 7、光滑度為0. 5。
[0014] 進(jìn)一步地，地面實(shí)測(cè)農(nóng)作物樣本為棉花、玉米、小麥、打瓜和葡萄，樣本數(shù)據(jù)為作物 的幾何位置信息。
[0015] 本發(fā)明的優(yōu)點(diǎn)；本發(fā)明針對(duì)高分辨率遙感數(shù)據(jù)時(shí)相分辨率的不足，綜合利用多源 遙感數(shù)據(jù)分辨率、波段相近的特點(diǎn)，實(shí)現(xiàn)了高分辨率NDVI時(shí)間序列的構(gòu)建；同時(shí)將面向?qū)?象技術(shù)與農(nóng)作物物候特征進(jìn)行了有機(jī)結(jié)合，應(yīng)用于高分辨率遙感影像，即削弱"同物異譜、 異物同譜"現(xiàn)象，又消除椒鹽效應(yīng)，提高了分類的精度。
【附圖說明】
[0016] 圖1為試驗(yàn)區(qū)30m-NDVI主成分?jǐn)?shù)據(jù)分割圖；
[0017] 圖2為試驗(yàn)區(qū)農(nóng)作物精細(xì)分類圖。
【具體實(shí)施方式】
[0018] 下面結(jié)合實(shí)例對(duì)本發(fā)明作進(jìn)一步說明。
[0019] 步驟一；高空間分辨率NDVI時(shí)間序列的構(gòu)建。高分辨率影像雖然空間分辨率較 高，但回訪周期較長(zhǎng)，且受制于云、水汽等天氣影響，很難利用同源高分辨率影像構(gòu)建NDVI 時(shí)間序列數(shù)據(jù)。而町-1衛(wèi)星搭載的中分辨率多光譜CCD相機(jī)，其傳感器波段設(shè)置和空間分 辨率與LandsatTM基本一致，所W本發(fā)明獲取了試驗(yàn)區(qū)（位于新疆博爾塔拉蒙古自治州博 樂市中部）（2011年4月至10月）5景町-1影像和6景TM影像（影像序列的獲取時(shí)間見 表1)，經(jīng)過福射定標(biāo)、大氣校正、幾何校正等處理后，提取NDVI并構(gòu)建30m-NDVI時(shí)間序列， W實(shí)現(xiàn)對(duì)作物生長(zhǎng)發(fā)育關(guān)鍵時(shí)期的連續(xù)觀測(cè)。
[0020] 表1町-1CCD和 LandsatTM影像
[0021]
[0022] 步驟二；NDVI時(shí)間序列主成分提取。對(duì)步驟一獲取的30m-NDVI時(shí)間序列進(jìn)行主 成分分析，W去除或減弱波段之間的相關(guān)性，提取前3個(gè)主成分形成30m-NDVI主成分?jǐn)?shù)據(jù)。
[0023] 步驟S ;對(duì)30m-NDVI主成分?jǐn)?shù)據(jù)進(jìn)行多尺度分割，得到一系列空間上相鄰、同質(zhì) 性較高的分割單元，將每個(gè)單元作為一個(gè)對(duì)象。利用30m-NDVI時(shí)間序列前=個(gè)主成分進(jìn)行 影像分割，既能減弱信息冗余對(duì)分割精度的影響，同時(shí)由于維數(shù)的降低能夠提高影像分割 效率。多尺度分割試驗(yàn)采用的參數(shù)為；分割尺度為80、顏色因子為0. 7、光滑度為0. 5。
[0024] 步驟四；將步驟S所得到的對(duì)象作為面狀矢量與步驟一構(gòu)建的NDVI時(shí)間序列進(jìn) 行疊加，提取每個(gè)對(duì)象對(duì)應(yīng)區(qū)域不同時(shí)相的NDVI均值，從而獲得每個(gè)對(duì)象相應(yīng)的NDVI時(shí)序 數(shù)據(jù)，形成基于對(duì)象的NDVI時(shí)間序列；
[0025] 步驟五：利用全球30米地表覆蓋數(shù)據(jù)，獲取耕地分布圖，做成掩膜；本發(fā)明主要目 的是利用物候信息結(jié)合面向?qū)ο蠹夹g(shù)開展農(nóng)作物精細(xì)分類，為了避免其它地物的干擾，從 網(wǎng)站化ttp ;//glc30. tiandi1:u. com/background. html)下載實(shí)驗(yàn)區(qū)的30米地表覆蓋數(shù)據(jù)， 該數(shù)據(jù)是由國(guó)家基礎(chǔ)地理信息中屯、牽頭制作的全球30米地表覆蓋數(shù)據(jù)佑lobeLand30)，獲 取試驗(yàn)區(qū)耕地分布數(shù)據(jù)，制作成掩膜。
[0026] 步驟六：針對(duì)試驗(yàn)區(qū)的耕地，利用地面實(shí)測(cè)農(nóng)作物數(shù)據(jù)作為訓(xùn)練樣本，開展農(nóng)作物 精細(xì)分類。試驗(yàn)區(qū)的主要農(nóng)作物為棉花、玉米、小麥、小麥-玉米（套種）、打瓜和葡萄，通 過野外實(shí)地調(diào)查獲取了各類農(nóng)作物種植地塊的樣本數(shù)據(jù)（樣本數(shù)據(jù)為作物的幾何位置信 息），形成訓(xùn)練樣本，同時(shí)添加步驟五形成的掩膜，對(duì)基于對(duì)象的NDVI時(shí)序數(shù)據(jù)，采用支持 向量機(jī)（SVM)的監(jiān)督分類算法首先對(duì)從農(nóng)作物樣本的NDVI時(shí)間序列中獲取農(nóng)作物的物候 特征，進(jìn)而利用各農(nóng)作物的物候特征對(duì)耕地區(qū)域進(jìn)行分類，形成農(nóng)作物精細(xì)分類圖。本次 試驗(yàn)的總體分類精度為93. 17%，相對(duì)于傳統(tǒng)的基于像素的分類方法，精度提高了 3個(gè)百分 點(diǎn)。
【主權(quán)項(xiàng)】
1. 基于面向?qū)ο蠹夹g(shù)與NDVI時(shí)間序列相結(jié)合的農(nóng)作物精細(xì)分類方法，其特征在于，該 方法包括以下步驟： 步驟1)獲取TM數(shù)據(jù)和HJ-I數(shù)據(jù)，利用TM數(shù)據(jù)和HJ-I數(shù)據(jù)構(gòu)建NDVI時(shí)間序列；步驟 2)對(duì)步驟1)得到的NDVI時(shí)間序列進(jìn)行主成分分析，提取前3個(gè)主成分形成主成分?jǐn)?shù)據(jù)；步 驟3)對(duì)步驟2)得到的主成分?jǐn)?shù)據(jù)進(jìn)行多尺度分割，得到一系列分割單元，每個(gè)分割單元由 空間上相鄰、同質(zhì)性達(dá)到80%以上的像元組成，將每個(gè)分割單元作為一個(gè)對(duì)象；步驟4)將 步驟3)所得到的對(duì)象作為面狀矢量與步驟1)構(gòu)建的NDVI時(shí)間序列進(jìn)行疊加，提取每個(gè)對(duì) 象對(duì)應(yīng)區(qū)域不同時(shí)相的NDVI均值，從而獲得每個(gè)對(duì)象相應(yīng)的NDVI時(shí)序數(shù)據(jù)，形成基于對(duì)象 的NDVI時(shí)間序列；步驟5)利用全球30米地表覆蓋數(shù)據(jù)獲取試驗(yàn)區(qū)耕地分布圖，形成對(duì)應(yīng) 區(qū)域的掩膜；步驟6)針對(duì)基于對(duì)象的NDVI時(shí)間序列數(shù)據(jù)添加步驟5)形成的掩膜，利用地 面實(shí)測(cè)農(nóng)作物樣本數(shù)據(jù)，采用支持向量機(jī)（SVM)的監(jiān)督分類算法對(duì)耕地區(qū)域進(jìn)行分類，形 成農(nóng)作物精細(xì)分類圖。2. 根據(jù)權(quán)利要求1所述的基于面向?qū)ο蠹夹g(shù)與NDVI時(shí)間序列相結(jié)合的農(nóng)作物精細(xì)分 類方法，其特征在于，所述多尺度分割的分割尺度為80、顏色因子為0. 7、光滑度為0. 5。3. 根據(jù)權(quán)利要求1所述的基于面向?qū)ο蠹夹g(shù)與NDVI時(shí)間序列相結(jié)合的農(nóng)作物精細(xì)分 類方法，其特征在于，所述地面實(shí)測(cè)農(nóng)作物樣本為棉花、玉米、小麥、打瓜和葡萄，所述樣本 數(shù)據(jù)為作物的幾何位置信息。
【專利摘要】本發(fā)明公開了一種基于面向?qū)ο蠹夹g(shù)與NDVI時(shí)間序列相結(jié)合的農(nóng)作物精細(xì)分類方法，充分利用NDVI時(shí)間序列能夠反應(yīng)農(nóng)作物物候信息的特點(diǎn)，實(shí)現(xiàn)農(nóng)作物的區(qū)分，同時(shí)基于面向?qū)ο蠹夹g(shù)消除椒鹽效應(yīng)，有效提高農(nóng)作物精細(xì)分類的精度，為農(nóng)作物精細(xì)分類提供了一種新思路。
【IPC分類】G06K9/62, G06K9/00
【公開號(hào)】CN104951754
【申請(qǐng)?zhí)枴緾N201510304801
【發(fā)明人】占玉林, 郝鵬宇, 牛錚, 王力, 黃妮, 高帥
【申請(qǐng)人】中國(guó)科學(xué)院遙感與數(shù)字地球研究所
【公開日】2015年9月30日
【申請(qǐng)日】2015年6月8日