CN103336956A - 一种基于遥感时序数据的冬小麦面积估算方法 - Google Patents

Abstract

本发明涉及一种基于遥感时序数据的冬小麦面积估算方法，该方法基于遥感时序数据，通过连续小波变换，将遥感植被指数时序数据转换为小波系数谱；在此基础上建立研究区域内表征每个像元年内植被变化特征的小波系数二值图；通过将若干已知冬小麦样点的小波系数二值图叠加，生成研究区冬小麦的标准小波系数二值图；研究区域每个像元的小波系数二值图逐一与冬小麦的标准小波系数二值图叠加，统计叠加后建立冬小麦识别标准，逐像元进行冬小麦识别，最后汇总计算获得整个研究区冬小麦的种植面积。该方法能有效地避免各种因素引起的原始植被指数年内变化幅度不一致等问题，具有抗噪能力强、分类精度好、以及适用范围广等优点。

Description

一种基于遥感时序数据的冬小麦面积估算方法

技术领域

本发明属于遥感影像信息处理技术领域，涉及一种基于遥感时序数据的冬小麦面积估算方法。 

背景技术

小麦是世界性的粮食作物，在我国的产量仅次于水稻，其种植面积与产量关乎国计民生。目前获取冬小麦种植面积数据的渠道主要为农业调查抽样统计与遥感监测。与传统的农业调查抽样方法相比，遥感技术在大范围快速获取信息方面具有明显优势。并且，MODIS等卫星遥感系统能够提供每日覆盖全球的遥感影像数据，为监测农作物种植面积提供了详实的数据基础。如何充分利用遥感影像的时序信息，进行农作物种植面积监测，是一项十分重要的工作。目前基于时序遥感影像数据进行包括冬小麦在内的农作物遥感监测技术方法仍不成熟，正处在发展阶段，需要开展更深入的研究工作。迄今为止，所提出的方法中均基于以下思想：利用MODIS EVI/NDVI (Enhanced Vegetation Index增强型植被指数/ Normalized Difference Vegetation Index归一化植被指数)或SPOT VGT(Vegetation)时序数据集，建立基于原始数据的冬小麦年内变化曲线，然后通过计算欧式距离等方法判断未知像元与已知冬小麦区域的植被指数的年内原始变化曲线的相似度，然后通过设定一定阈值的方法实现遥感影像分类。此类方法比较直观并且易于实现，但其不足之处在于：(1) 基于MODIS或SPOT遥感平台的植被指数数据集均在一定程度上受到噪声的影响，基于原始数据建立的已知冬小麦与待分像元的年内变化曲线，自然也难以避免噪声的干扰，从而直接影响到分类精度；(2) 未知像元与已知冬小麦之间的距离计算直接基于植被指数年内原始变化曲线，而不同地块的冬小麦由于耕作方式、土壤肥力、灌溉条件等不同，直接导致不同地块的冬小麦的植被指数年内变化曲线存在较大差异，这种已知样本之间的不确定性直接影响到分类结果的可靠性。因此，非常需要引入一种新型冬小麦监测方法。

发明内容

本发明所要解决的问题是：提出一种基于遥感时序数据的冬小麦面积估算方法，能有效地避免各种因素引起的原始植被指数年内变化幅度不一致等问题。

本发明提供的技术方案是：一种基于遥感时序数据的冬小麦面积估算方法，其特征在于包括以下步骤：

S1. 获取遥感植被指数时序数据，并生成研究区域内每个像元以日为时间步长的植被指数年内时序数据集； 

S2. 利用连续小波变换，将每个像元的植被指数年内时序数据转换为小波系数谱；

S3. 基于所述小波系数谱建立研究区域内表征每个像元年内植被变化特征的小波系数二值图； 

S4. 将N个已知冬小麦样点的小波系数二值图进行叠加操作，将叠加后生成的图像中绝对值大于或等于θ                                               N的区域设置为1，其他区域设置为-1，生成冬小麦的标准小波系数二值图，θ大于0且小于或等于1，N为自然数；

S5. 通过计算每个像元小波系数二值图与冬小麦的标准小波系数二值图叠加后生成的图像中绝对值为2的单元个数占整个图像的比例R，作为冬小麦识别的依据；

S6. 通过统计M个若干已知冬小麦样点的R值分布，建立冬小麦识别标准，M为自然数；

S7. 依据冬小麦识别标准，逐像元实现冬小麦识别，汇总统计得到研究区域冬小麦面积。

在本发明一实施例中，所述步骤S1的实现方式是：根据L天合成的植被指数时序数据，生成研究区域内每个像元以日为时间步长的植被指数年内时序数据集，其中L为大于1的自然数。

在本发明一实施例中，所述步骤S3的实现方式是：将小波系数谱中小波系数大于或等于0的单元赋值为1，其他单元赋值为-1，从而获得数值为1或-1的二维矩阵，称为小波系数二值图。

在本发明一实施例中，生成小波系数二值图的具体步骤是：在纵坐标频率维上，从最低到最高尺度[1,80]逐行进行搜索，如果小波系数谱中行列号分别为i, j的某个单元的小波系数大于或者等于0，则将该单元赋值为1，否则为-1；表示为：

                        （3）

其中

表示小波谱中行列号为i, j所处的位置小波系数值，

表示小波系数二值图中行列号为i, j所处的位置的取值。

在本发明一实施例中，所述步骤S4的具体实现方式：在N个已知冬小麦样点的小波系数二值图叠加后生成的图像中，从纵坐标频率维[1,80] 从最低到最高尺度开始逐行进行搜索，逐个判断每个点的绝对值是否大于或等于80%

N，如果是，则将该点赋值为1，否则为-1，由此生成的图像称为冬小麦的标准小波系数二值图。

    （4）

其中

其中

表示若干已知冬小麦样点的小波系数二值图叠加后生成的图像中行列号为i, j所处的位置的取值，

表示冬小麦的标准小波系数二值图中行列号为i, j所处的位置的取值。

在本发明一实施例中，所述步骤S6中M为大于100的自然数。

在本发明一实施例中，该方法在农作物监测、遥感影像自动分类领域中的应用。

本发明基于遥感时序数据，利用连续小波变换方法，将原始时序数据转换为小波系数谱；在此基础上生成研究区域每个像元的小波系数二值图，并且通过选取若干已知冬小麦样点，建立冬小麦的标准小波系数二值图；然后建立冬小麦识别标准，逐像元进行冬小麦识别，最后统计研究区域中所有冬小麦的像元个数，从而最终达到冬小麦面积估算的目的。该方法能有效地避免各种因素引起的原始植被指数年内变化幅度不一致等问题，具有抗噪能力强、分类精度好、以及适用范围广等优点。

附图说明

图1是本发明流程示意简图。 

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。

请参加图1，本实施例提供一种基于遥感时序数据的冬小麦面积估算方法，其特征在于包括以下步骤：

S1. 获取遥感植被指数时序数据，并生成研究区域内每个像元以日为时间步长的植被指数年内时序数据集； 

S2. 利用连续小波变换，将每个像元的植被指数年内时序数据转换为小波系数谱；

S3. 基于所述小波系数谱建立研究区域内表征每个像元年内植被变化特征的小波系数二值图； 

S4. 将N个已知冬小麦样点的小波系数二值图进行叠加操作，将叠加后生成的图像中绝对值大于或等于θ

N的区域设置为1，其他区域设置为-1，生成冬小麦的标准小波系数二值图，θ大于0且小于或等于1，N为自然数；

S5. 通过计算每个像元小波系数二值图与冬小麦的标准小波系数二值图叠加后生成的图像中绝对值为2的单元个数占整个图像的比例R，作为冬小麦识别的依据；

S6. 通过统计M个若干已知冬小麦样点的R值分布，建立冬小麦识别标准，M为自然数；

S7. 依据冬小麦识别标准，逐像元实现冬小麦识别，汇总统计得到研究区域冬小麦面积。

具体的，下面结合附图，以8天最大化合成的MODIS EVI遥感时序数据集为例，对本发明做详细的说明。

本发明基于MODIS数据的冬小麦面积估算方法，包括以下步骤：

步骤1：建立研究区基于每个像元的以日为时间步长的MODIS EVI年内时序变化数据集

获取8天合成的MODIS EVI数据集（MOD09），基于线性插值的方法，建立研究区基于像元的以日为时间步长的冬小麦年内变化时序数据集，作为进一步开展冬小麦遥感监测的基础。

步骤2：进行连续小波变换，生成小波系数谱。

基于墨西哥帽母小波，对研究区所有像元的MODIS EVI年内时序变化数据进行连续小波变换，获得连续小波变换后的小波系数谱，从而获得横纵坐标分别为时间维与频率维的小波系数谱。其中时间维T的取值区间为[1,350]，频率维S的取值区间为[1,80]。小波变换可表示为：

                     （1）

其中a ,b分别为尺度与时间参数，

为原始信号，

为连续小波系数。

由于墨西哥帽小波为真正的对称小波，非常适合监测时序信号中的峰值和谷值，因此采用墨西哥帽母小波进行连续小波变换，表示为：

墨西哥帽母小波基函数：

    （2）

步骤3：建立研究区域内表征每个像元植被变化特征的年内变化小波系数二值图。

在步骤二生成的小波系数谱中，将小波系数等于或大于0的区域赋值为1，其他区域赋值为-1，从而获得数值为1或-1的二维矩阵，称为小波系数二值图。具体步骤为：

在纵坐标频率维上，从最低到最高尺度[1,80]逐行进行搜索，如果小波系数谱中行列号分别为i, j的某个单元的小波系数大于或者等于0，则将该单元赋值为1，否则为-1。表示为：

                        （3）

其中

表示小波谱中行列号为i, j所处的位置小波系数值，表示小波系数二值图中行列号为i, j所处的位置的取值。

步骤4：建立研究区冬小麦的标准小波系数二值图。

首先，在研究区中选取N个已知冬小麦样点，将这些已知冬小麦样点的小波系数二值图叠加，然后进一步判断叠加后生成的图像中每个点的值域分布情况，如果某个点的绝对值大于或等于80%

N，则将该点赋值为1，否则为-1，由此生成的图像称为冬小麦的标准小波系数二值图。具体步骤为：

在若干已知冬小麦样点的小波系数二值图叠加后生成的图像中，从纵坐标频率维[1,80] 从最低到最高尺度开始逐行进行搜索，逐个判断每个点的绝对值是否大于或等于80%

N，如果是，则将该点赋值为1，否则为-1，由此生成的图像称为冬小麦的标准小波系数二值图。

    （4）

其中

其中

表示若干已知冬小麦样点的小波系数二值图叠加后生成的图像中行列号为i, j所处的位置的取值，

表示冬小麦的标准小波系数二值图中行列号为i, j所处的位置的取值。

步骤5：建立研究区每个未知像元的冬小麦识别指标R。

将研究区域每个未知像元的小波系数二值图与冬小麦的标准小波系数二值图叠加，叠加后生成新的图像X，进一步统计图像X中绝对值为2的单元个数占整个图像的比例R，以此作为该像元的冬小麦识别指标。

步骤6：建立冬小麦识别标准。

在研究区域内选取M个(M至少大于100，有别于步骤四中的冬小麦样点)已知冬小麦样点，统计所有这些已知冬小麦样点中R值的95%分布区间[a, b]，以此作为冬小麦识别标准。

步骤7：进行冬小麦识别，估算研究区冬小麦面积。

逐一判断研究区域所有像元的R值的大小，如果R值大于或者等于阈值a,则判别该像元为冬小麦，否则判别该项元不属于冬小麦。在此基础上统计研究区域中所有冬小麦的像元个数，乘以像元分辨率，最后获得整个研究区域内冬小麦种植面积。

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。 

Claims (7)

1.一种基于遥感时序数据的冬小麦面积估算方法，其特征在于包括以下步骤：

S1. 获取遥感植被指数时序数据，并生成研究区域内每个像元以日为时间步长的植被指数年内时序数据集； 

S2. 利用连续小波变换，将每个像元的植被指数年内时序数据转换为小波系数谱；

S3. 基于所述小波系数谱建立研究区域内表征每个像元年内植被变化特征的小波系数二值图； 

S4. 将N个已知冬小麦样点的小波系数二值图进行叠加操作，将叠加后生成的图像中绝对值大于或等于θ                                               

N的区域设置为1，其他区域设置为-1，生成冬小麦的标准小波系数二值图，θ大于0且小于或等于1，N为自然数；

S5. 通过计算每个像元小波系数二值图与冬小麦的标准小波系数二值图叠加后生成的图像中绝对值为2的单元个数占整个图像的比例R，作为冬小麦识别的依据；

S6. 通过统计M个若干已知冬小麦样点的R值分布，建立冬小麦识别标准，M为自然数；

S7. 依据冬小麦识别标准，逐像元实现冬小麦识别，汇总统计得到研究区域冬小麦面积。

2.根据权利要求1所述的基于遥感时序数据的冬小麦面积估算方法，其特征在于：所述步骤S1的实现方式是：根据L天合成的植被指数时序数据，生成研究区域内每个像元以日为时间步长的植被指数年内时序数据集，其中L为大于1的自然数。

3.根据权利要求1所述的基于遥感时序数据的冬小麦面积估算方法，其特征在于：所述步骤S3的实现方式是：将小波系数谱中小波系数大于或等于0的单元赋值为1，其他单元赋值为-1，从而获得数值为1或-1的二维矩阵，称为小波系数二值图。

4.根据权利要求3所述的基于遥感时序数据的冬小麦面积估算方法，其特征在于：生成小波系数二值图的具体步骤是：在纵坐标频率维上，从最低到最高尺度[1,80]逐行进行搜索，如果小波系数谱中行列号分别为i, j的某个单元的小波系数大于或者等于0，则将该单元赋值为1，否则为-1；表示为：

                        （3）

其中

表示小波谱中行列号为i, j所处的位置小波系数值，

表示小波系数二值图中行列号为i, j所处的位置的取值。

5.根据权利要求4所述的基于遥感时序数据的冬小麦面积估算方法，其特征在于：所述步骤S4的具体实现方式：在N个已知冬小麦样点的小波系数二值图叠加后生成的图像中，从纵坐标频率维[1,80] 从最低到最高尺度开始逐行进行搜索，逐个判断每个点的绝对值是否大于或等于80%N，如果是，则将该点赋值为1，否则为-1，由此生成的图像称为冬小麦的标准小波系数二值图；

    （4）

其中

其中表示若干已知冬小麦样点的小波系数二值图叠加后生成的图像中行列号为i, j所处的位置的取值，

表示冬小麦的标准小波系数二值图中行列号为i, j所处的位置的取值。

6.根据权利要求1所述的基于遥感时序数据的冬小麦面积估算方法，其特征在于：所述步骤S6中M为大于100的自然数。

7.根据权利要求1至6任一项所述的基于遥感时序数据的冬小麦面积估算方法，其特征在于：该方法在农作物监测、遥感影像自动分类领域中的应用。

Images