CN103500421A - 一种基于频率特征的耕地复种指数提取方法 - Google Patents

Abstract

本发明公开了一种基于频率特征的耕地复种指数提取方法。基于植被指数年内时序原始数据，首先剔除非植被单元，然后通过多尺度小波变换，分别依次获取大致对应于月尺度、季节尺度上的时序信号，进而利用三熟制的月尺度时序信号比季节尺度的变化幅度更强的特征，进行三熟制种植识别，并且基于二熟制的季节尺度时序信号具有峰谷峰谷的变化频率特征，进行二熟制种植识别，从而获得研究区耕地复种指数。本发明方法克服了通过人为设定的参数或阈值方法计算耕地复种指数的局限性，依据月尺度、季节尺度时序信号的变化频率与幅度特征进行熟制识别，具有基本不依赖先验知识、鲁棒性好、分类精度高、抗噪声能力强以及自动化程度高等特点。

Description

一种基于频率特征的耕地复种指数提取方法

技术领域

本发明涉及农业遥感技术领域，特别是一种基于频率特征的耕地复种指数提取方法。

背景技术

复种指数(cropping index,CI)是一块耕地一年内种植农作物的次数。按照种植的次数，可以分为一熟、二熟、三熟制种植模式。逐步提高与稳定复种指数，鼓励有条件的地区实施二熟、三熟制种植模式，对于确保我国粮食安全至关重要。

准确高效地获取全国耕地复种指数，及时掌握农作物种植模式，成为我国农业领域面临的重要课题。目前耕地复种指数的提取方法有两种：其一为土地调查与农业统计，其二为基于遥感的方法。前一种方法虽然简单易行，但受统计口径与人为因素的干扰大，难以满足大范围、高时效性快速监测的需求。因此基于遥感技术的耕地复种指数提取方法成为研究的热点问题。

目前基于遥感技术的耕地复种指数提取方法大多以植被指数时序数据为基础，首先通过各种滤波去噪的方法获得平滑的年内植被指数变化曲线，然后依据峰值法及其相关方法进行不同熟制判别。由于数据噪声、不同地区管理措施与短期气候变化的影响，导致峰值数与熟制之间并非一一对应关系，直接影响到峰值法及其相关方法的推广与使用。虽然可以通过一定的阈值对出现的峰值加以限制，但阈值设置存在区域适应性与局限性。因此目前需求需要一种简单易行并且具有推广价值的耕地复种指数提取方法。

发明内容

本发明的目的在于充分利用一熟制、二熟制、三熟制种植模式下植被指数年内时序原始数据信号在不同尺度上的变化频率与幅度特征，进行耕地复种指数提取，具有自动化程度高、分类精度高以及便于推广使用等优点。

为实现上述目的，本发明提供了一种基于频率特征的耕地复种指数提取方法，其特征在于：基于时序遥感影像，利用多尺度小波变换，分别依次获得月尺度时序信号以及季节尺度时序信号，依据其变化频率与幅度特征建立熟制判别标准，从而有效地提取耕地复种指数，其具体包括以下步骤：

S01：基于N天合成的植被指数遥感数据，逐像元建立研究区某个年份的植被指数年内时序原始数据，N为大于1的自然数；

S02：通过阈值法剔除研究区非植被单元；

S03：基于植被指数年内时序原始数据，通过多尺度小波变换，分别依次获得月尺度以及季节尺度时序信号；

S04：综合月尺度与季节尺度时序信号的变化规律，建立三熟制判别标准，进行三熟制种植识别；

S05：依据季节尺度时序信号的变化规律，建立二熟制判别标准，进行二熟制种植识别；

S06：统计研究区内一熟制、二熟制、三熟制的像元个数，确定研究区耕地复种指数。

进一步的，所述的多尺度小波变换的流程为：首先对植被指数年内原始时序信号做1次小波变换，分别获得低频成分A₁和高频成分D₁，然后继续对低频成分A₁进行小波变换，进一步获得第二次小波变换后的低频成分A₂和高频成分D₂，接下来继续对低频成分A₂进行小波变换，以此类推，直至依次获得大致对应月尺度以及季节尺度上的时序信号为止。

进一步的，所述三熟制判别标准是依据月尺度和季节尺度时序信号的变化幅度特征来建立。

进一步的，所述二熟制判别标准是依据不同季节尺度时序信号的变化频率特征来建立。

进一步的，所述建立三熟制判别标准的依据为：三熟制种植在月尺度时序信号的变化幅度比季节尺度时序信号的变化幅度更强，而一熟制、二熟制的月尺度时序信号的变化幅度均弱于季节尺度时序信号的变化幅度。

进一步的，所述建立二熟制判别标准的依据为：二熟制种植在季节尺度上的时序信号具有峰谷峰谷的变化特征，而一熟制种植仅有谷峰谷的变化特征。

相较于现有技术，本发明具有基本不依赖先验知识、鲁棒性好、分类精度高、自动化程度高等特点，主要表现在：

1、通过多尺度小波变换的方法，将植被指数年内时序原始数据分别转换为月尺度、季节尺度时序信号，无形中消除了小于月尺度以内的细节信号，因此既保留了原始信号的主要特征，同时也具有很强的抗噪能力；

2、巧妙利用三熟制种植模式在月尺度上植被指数时序信号变化幅度偏强的特点，进行三熟制种植识别；

3、巧妙利用二熟制种植在季节尺度上的时序信号具有峰谷峰谷的变化特征，而一熟制种植仅有谷峰谷的变化特征，依据其变化频率特征，进行二熟制种植识别；

4、所需参数少，不需要人为干预，方法简单明了，具有很好的推广使用价值。

附图说明

图1本发明实施例流程图。

图2一熟制、二熟制、三熟制的MODIS EVI年内时序原始数据信号图。

图3一熟制、二熟制、三熟制的MODIS EVI月尺度(D2)、季节尺度(D3S)时序信号图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

如图1所示，本发明的一种基于频率特征的耕地复种指数提取方法，其特征在于：基于时序遥感影像，利用多尺度小波变换，分别依次获得月尺度时序信号以及季节尺度时序信号，依据其变化频率与幅度特征建立熟制判别标准，从而有效地提取耕地复种指数，其具体包括以下步骤：

S01：基于N天合成的植被指数遥感数据，逐像元建立研究区某个年份的植被指数年内时序原始数据，N为大于1的自然数；

S02：通过阈值法剔除研究区非植被单元；

S03：基于植被指数年内时序原始数据，通过多尺度小波变换，分别依次获得月尺度以及季节尺度时序信号；

S04：综合月尺度与季节尺度时序信号的变化规律，建立三熟制判别标准，进行三熟制种植识别；

S05：依据季节尺度时序信号的变化规律，建立二熟制判别标准，进行二熟制种植识别；

S06：统计研究区内一熟制、二熟制、三熟制的像元个数，确定研究区耕地复种指数。

为了获得大致对应月尺度以及季节尺度上的时序信号，所述的多尺度小波变换的流程为：首先对植被指数年内原始时序信号做1次小波变换，分别获得低频成分A₁和高频成分D₁，然后继续对低频成分A₁进行小波变换，进一步获得第二次小波变换后的低频成分A₂和高频成分D₂，接下来继续对低频成分A₂进行小波变换，以此类推，直至依次获得大致对应月尺度以及季节尺度上的时序信号为止。

所述三熟制判别标准是依据月尺度和季节尺度时序信号的变化幅度特征来建立。

所述二熟制判别标准是依据不同季节尺度时序信号的变化频率特征来建立。

为了对三熟制判别标准进行具体描述，所述建立三熟制判别标准的依据为：三熟制种植在月尺度时序信号的变化幅度比季节尺度时序信号的变化幅度更强，而一熟制、二熟制的月尺度时序信号的变化幅度均弱于季节尺度时序信号的变化幅度。

为了对二熟制判别标准进行具体描述，所述建立二熟制判别标准的依据为：二熟制种植在季节尺度上的时序信号具有峰谷峰谷的变化特征，参见图3-(b)的D3曲线的所示，而一熟制种植仅有谷峰谷的变化特征，参见图3-(a)的D3曲线的所示。

以下结合附图1-3及具体实施例进行对本发明进行讲述：

如图1所示，通过多尺度小波变换分别依次获取对应到月尺度、季节尺度上的时序信号，综合依据其变化频率和幅度特征，确定耕地复种指数；具体的，本实施例提出一种基于频率特征的耕地复种指数提取方法，包括以下步骤：

步骤S01：建立研究区植被指数年内时序原始数据集：

基于16天合成的MODIS EVI(增强型植被指数)数据(MOD09Q1)，逐像元建立研究区植被指数年内时序原始数据信号，总计23期，表示为：N_t{n₁,n₂,……n₂₃}，一熟制、二熟制、三熟制的MODIS EVI年内原始时序信号如图2所示；

步骤S02：剔除研究区非植被单元：

通过阈值法首先可以将研究区非植被单元剔除，如设置判断条件为：某像元的植被指数年内时序信号N_t{n₁,n₂,……n₂₃}最大值为A，如果A<θ，则判断该像元为非植被单元，其中θ为常数，在本实施例中为0.18；

步骤S03：通过多尺度小波变换，分别依次获得月尺度、季节尺度时序信号：

小波变换可表示为：

$W_{a,b}=2^{-\frac{a}{2}}\underset{i=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{x}_i\mathrm{\&psi;}(2^{-a}i-b)$

其中a,b分别为频率域与时间域参数，f(t)为原始信号，W(a,b)为小波系数；

由于Meyer小波能确保时序数据平滑并且具有简单易用等优点，因此采用Meyer小波进行多尺度小波变换，多尺度小波变换的步骤为：基于Meyer母小波，对研究区植被指数年内时序数据进行1次小波变换，分别生成低频成分A₁(Approximation)和高频成分D₁(Detail)，然后对低频成分A₁继续进行小波变换，进一步获得低频成分A₂和高频成分D₂，继续对低频成分A₂进行小波变换，获得第三次小波分解后的低频成分A₃和高频成分D₃；

在多尺度小波分解的不同层次上，对应着不同的时间观测尺度，其对应关系的计算公式为：

p=a△t/v_c

其中p为时间周期，a为小波尺度，a=2ⁿ，n为小波分解层次，△t为观测数据的时间分辨率，在本实施例中△t=16，V_c为基小波的中心频率，Meyer小波的中心频率为0.6634，通过计算获得分解次数与对应的时间尺度如表1所示，因此，植被指数年内时序原始数据信号通过多尺度小波分解后，D₂(24-48天)和D₃(48-95天)分别大致对应月尺度以及季节尺度时序信号：

表1分解次数与时间尺度的对应表

层次(n)	尺度(2n)	对应时间尺度(天)
			1	2	＜24
2	4	24～48
			3	8	48～96

步骤S04：建立三熟制判别标准，进行三熟制识别：

月尺度时序信号D₂表示为：M_t{m₁,m₂,…m_i,…m₂₃}，其中m_i为第i期的信号；

季节尺度时序信号D₃表示为：S_t{s₁,s₂,…s_i,…s₂₃}，其中s_i为第i期的信号；

一熟制、二熟制、三熟制的MODIS EVI月尺度、季节尺度时序信号D₂、D₃如图3所示；

由于三熟制的植被指数年内变化频率快，表现出月尺度时序信号比季节尺度更强的特征，而一熟制、二熟制的季节尺度时序信号则相比偏强；设某像元月尺度时序信号M_t{m₁,m₂,…m_i,…m₂₃}的最大值为m_k，季节尺度时序信号S_t{s₁,s₂,…s_i,…s₂₃}的最大值为s_j，三熟制的判别条件为：如果m_k-s_j>0，则该像元为三熟制，否则为一熟或二熟制；

步骤S05：建立二熟制判别标准，进行二熟制识别：

在剔除了非植被像元，区分出三熟制的基础上，通过建立双熟制判别标准，进一步区分出一熟制、二熟制；

二熟制的判别标准为：在季节尺度时序信号S_t{s₁,s₂,…s_i,…s₂₃}中，如果s₁-s₂<0，则该像元为二熟制，否则为一熟制；

步骤S06：统计研究区内一熟制、二熟制、三熟制的像元个数，确定研究区耕地复种指数：

统计研究区内一熟制、二熟制、三熟制像元的个数，假设分别为a,b,c，则研究区耕地复种指数的计算公式为：

CI=(a+b*2+c*3)/(a+b+c)

依据此公式进行统计计算，CI即复种指数。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (6)

1.一种基于频率特征的耕地复种指数提取方法，其特征在于：基于时序遥感影像，利用多尺度小波变换，分别依次获得月尺度时序信号以及季节尺度时序信号，依据其变化频率与幅度特征建立熟制判别标准，从而有效地提取耕地复种指数，其具体包括以下步骤：

S01：基于N天合成的植被指数遥感数据，逐像元建立研究区某个年份的植被指数年内时序原始数据，N为大于1的自然数；

S02：通过阈值法剔除研究区非植被单元；

S03：基于植被指数年内时序原始数据，通过多尺度小波变换，分别依次获得月尺度以及季节尺度时序信号；

S04：综合月尺度与季节尺度时序信号的变化规律，建立三熟制判别标准，进行三熟制种植识别；

S05：依据季节尺度时序信号的变化规律，建立二熟制判别标准，进行二熟制种植识别；

S06：统计研究区内一熟制、二熟制、三熟制的像元个数，确定研究区耕地复种指数。

2.根据权利要求1所述的基于频率特征的耕地复种指数提取方法，其特征在于：所述的多尺度小波变换的流程为：首先对植被指数年内时序原始数据信号做1次小波变换，分别获得低频成分A₁和高频成分D₁，然后继续对低频成分A₁进行小波变换，进一步获得第二次小波变换后的低频成分A₂和高频成分D₂，接下来继续对低频成分A₂进行小波变换，以此类推，直至依次获得大致对应月尺度以及季节尺度上的时序信号为止。

3.根据权利要求1所述的基于频率特征的耕地复种指数提取方法，其特征在于：所述三熟制判别标准是依据月尺度和季节尺度时序信号的变化幅度特征来建立。

4.根据权利要求1所述的基于频率特征的耕地复种指数提取方法，其特征在于：所述二熟制判别标准是依据不同季节尺度时序信号的变化频率特征来建立。

5.根据权利要求1或3所述的基于频率特征的耕地复种指数提取方法，其特征在于：所述建立三熟制判别标准的依据为：三熟制种植在月尺度时序信号的变化幅度比季节尺度时序信号的变化幅度更强，而一熟制、二熟制的月尺度时序信号的变化幅度均弱于季节尺度时序信号的变化幅度。

6.根据权利要求1或4所述的基于频率特征的耕地复种指数提取方法，其特征在于：所述建立二熟制判别标准的依据为：二熟制种植在季节尺度上的时序信号具有峰谷峰谷的变化特征，而一熟制种植仅有谷峰谷的变化特征。

Images