CN103969632A - 一种利用雷达遥感数据监测小麦倒伏的方法及装置 - Google Patents

Abstract

本发明涉及一种利用雷达遥感数据监测小麦倒伏的方法及装置，包括：获取监测区域的全极化合成孔径雷达遥感影像；处理所述合成孔径雷达遥感影像，提取不同极化通道的后向散射系数；提取监测区域内小麦种植区域的地块单元；计算每个地块单元所有像素在不同极化通道上的平均后向散射系数，并利用所述平均后向散射系数构建极化指数；将所述极化指数作为判断指标，对小麦的倒伏状况进行判断。采用该方法及装置，实现了大面积、快速准确监测小麦倒伏状况，掌握小麦倒伏的发生范围和严重程度，是灾情诊断、及时防控、损失评估的关键；雷达遥感数据不受天气影响，且雷达遥感观测对结构变化十分敏感，利用全极化合成孔径雷达数据监测倒伏更具优势。

Description

一种利用雷达遥感数据监测小麦倒伏的方法及装置

技术领域

本发明涉及农业灾害及雷达遥感应用技术领域，尤其涉及一种利用雷达遥感数据监测小麦倒伏的方法及装置。

背景技术

小麦倒伏是农业生产的常见灾害之一。小麦一旦发生倒伏，植株水分、养分的运转以及光合作用都会降低，还会诱发各种病虫害，严重影响籽粒灌浆过程，最终影响到小麦产量与籽粒品质的形成，严重倒伏时产量损失可达27%。此外由于倒伏不利于机械收获，人力收割成本的增加也会加重农田收益的损失。大面积、快速监测小麦倒伏状况是掌握灾情、及时防控、评估损失的关键，对于农业部门及时获取农田小麦生长信息具有重要价值。

遥感技术的发展为倒伏的宏观快速监测提供了一种有效手段。目前，不少研究者已经尝试用遥感技术来监测倒伏，刘良云等（遥感学报，2005）发现冬小麦冠层光谱反射率随倒伏角度的增加而增加，并利用Landsat ETM影像倒伏前后归一化植被指数（NDVI）的变化，成功监测了小麦倒伏的发生程度；刘占宇等（红外与毫米波学报，2009）利用可见光/近红外地面光谱仪数据，通过支持向量机方法对倒伏水稻进行了识别；张杰、胡宗杰等（安徽农业科学，2011）研究了灌浆期小麦倒伏冠层光谱变化的原因和特征；张竞成等（Sensor Letters，2012）利用地面高光谱数据和连续小波技术评估了倒伏对玉米品质的影响；吴尚蓉等（中国农业资源与区划，2013）基于图像和光谱技术评估了倒伏对冬小麦产量的影响等。

可以发现，目前这些方法主要利用了光学遥感的光谱特性：倒伏后光谱反射率发生变化，进而基于变化的光谱反射率判断倒伏发生的程度。但是光学遥感的光谱技术有其局限性，倒伏引起的光谱变化比较微弱，且往往淹没在复杂多变的混合光谱之中，实际上导致光谱变化的因素较多，如农田环境和其他胁迫如病虫害、水肥胁迫等，因此难以将倒伏的弱信息从众多影响因素中提取出来；而且发生倒伏时，往往伴随着灾害天气，光学遥感数据受阴雨天气的影响无法保证数据的及时获取。

发明内容

（一）要解决的技术问题

本发明所要解决的技术问题是：基于光学遥感的光谱技术监测小麦倒伏状况存在一定的局限性，目前大面积快速监测小麦倒伏状况手段匮乏的问题。

（二）技术方案

为此目的，本发明提出了一种利用雷达遥感数据监测小麦倒伏的方法，包括以下步骤：

S1：获取监测区域的全极化合成孔径雷达遥感影像；

S2:处理所述合成孔径雷达遥感影像，提取不同极化通道的后向散射系数；

S3:提取监测区域内小麦种植区域的地块单元；

S4:计算每个地块单元所有像素在不同极化通道上的平均后向散射系数，并利用所述平均后向散射系数构建极化指数；

S5:将所述极化指数作为判断指标，对小麦的倒伏状况进行判断。

优选地，所述方法还包括：

实时采集监测区域的全极化合成孔径雷达遥感影像。

优选地，所述步骤S2具体包括：

对所述合成孔径雷达遥感影像的四个极化通道进行辐射定标；

将辐射定标后每个极化通道的复数据生成强度数据；

对每个极化通道的所述强度数据进行地理编码；

对地理编码后的图像数据进行几何精校正和斑点噪声的去除处理。

优选地，所述将辐射定标后每个极化通道的复数据生成强度数据具体为：

获取每个极化通道上每一个像素的复数据;

计算每个极化通道上每一个像素的强度A，公式为:

A=a²+b²

其中，A为每个极化通道上任一个像素的强度，a为该像素对应的实部数据，b为该像素对应的虚部数据。

优选地，所述步骤S3具体包括：

利用已有的土地利用数据库和/或根据面向对象的分类方法得到农作物种植区划地图；

对所述农作物种植区划地图进行矢量化，得到小麦种植区域的地块单元。

优选地，所述步骤S4具体包括：

以地块单元为分析单元计算每个地块单元内所有像素在不同极化通道上的平均后向散射系数；所述平均后向散射系数包括：地块单元内所有像素的HH极化平均后向散射系数地块单元内所有像素的VV极化平均后向散射系数地块单元内所有像素的HV极化平均后向散射系数

利用所述平均后向散射系数构建极化指数，公式为:

${\mathrm{PI}}_1={\mathrm{\σ}}_{\mathrm{HH}}^0/{\mathrm{\σ}}_{\mathrm{VV}}^0;$

${\mathrm{PI}}_2={\mathrm{\σ}}_{\mathrm{HH}}^0/{\mathrm{\σ}}_{\mathrm{HV}}^0;$

其中，PI₁为第一极化指数，PI₂为第二极化指数。

优选地，所述步骤S5具体包括：

对比所述极化指数与正常小麦地块的极化指数；

获取对比的差异程度，并根据所述差异程度利用预设阈值对小麦的倒伏状况进行判断。

此外，本发明还提出了一种利用雷达遥感数据监测小麦倒伏的装置，包括：

获取模块，用于获取监测区域的全极化合成孔径雷达遥感影像；

处理模块，用于处理所述合成孔径雷达遥感影像，提取不同极化通道的后向散射系数；

提取模块，用于提取监测区域内小麦种植区域的地块单元；

计算模块，用于计算每个地块单元所有像素在不同极化通道上的平均后向散射系数，并利用所述平均后向散射系数构建极化指数；

判断模块，用于将所述极化指数作为判断指标，对小麦的倒伏状况进行判断。

优选地，所述装置还包括：

采集模块，用于实时采集监测区域的全极化合成孔径雷达遥感影像。

优选地，所述处理模块包括：

辐射定标单元，用于对所述合成孔径雷达遥感影像的四个极化通道进行辐射定标；

强度单元，用于将辐射定标后每个极化通道的复数据生成强度数据；

地理编码单元，用于对每个极化通道的所述强度数据进行地理编码；

优化单元，用于对地理编码后的图像数据进行几何精校正和斑点噪声的去除处理。

（三）有益效果

通过采用本发明公开的一种利用雷达遥感数据监测小麦倒伏的方法及装置，实现了大面积、快速准确监测小麦倒伏状况，掌握小麦倒伏的发生范围和严重程度，是灾情诊断、及时防控、损失评估的关键；此外，与传统的光学遥感方法相比，雷达遥感数据不受天气影响，且雷达遥感观测对结构变化十分敏感，利用全极化合成孔径雷达数据监测倒伏将更具优势。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1是本发明一种利用雷达遥感数据监测小麦倒伏的方法流程图；

图2是本发明实施例中第一极化指数随生育进程的变化示意图；

图3是本发明实施例中第二极化指数随生育进程的变化示意图；

图4是利用第一极化指数获得的小麦倒伏监测结果示意图；

图5是利用第二极化指数获得的小麦倒伏监测结果示意图；

图6是利用HH单极化后向散射系数获得的小麦倒伏监测结果示意图；

图7是利用VV单极化后向散射系数获得的小麦倒伏监测结果示意图；

图8是利用HV单极化后向散射系数获得的小麦倒伏监测结果示意图；

图9是本发明一种利用雷达遥感数据监测小麦倒伏的装置模块图。

具体实施方式

下面将结合附图对本发明的实施例进行详细描述。

本发明实施例提出了一种利用雷达遥感数据监测小麦倒伏的方法，如图1所示，包括以下步骤：

S1：获取监测区域的全极化合成孔径雷达遥感影像；

S2:处理所述合成孔径雷达遥感影像，提取不同极化通道的后向散射系数；具体包括：对所述合成孔径雷达遥感影像的四个极化通道进行辐射定标；将辐射定标后每个极化通道的复数据生成强度数据；对每个极化通道的所述强度数据进行地理编码；对地理编码后的图像数据进行几何精校正和斑点噪声的去除处理。

其中，所述将辐射定标后每个极化通道的复数据生成强度数据具体为：

获取每个极化通道上每一个像素的复数据;

计算每个极化通道上每一个像素的强度A，公式为:

A=a²+b²

其中，A为每个极化通道上任一个像素的强度，a为该像素对应的实部数据，b为该像素对应的虚部数据。

S3:提取监测区域内小麦种植区域的地块单元；具体包括：利用已有的土地利用数据库和/或根据面向对象的分类方法得到农作物种植区划地图；对所述农作物种植区划地图进行矢量化，得到小麦种植区域的地块单元。

S4:计算每个地块单元所有像素在不同极化通道上的平均后向散射系数，并利用所述平均后向散射系数构建极化指数；具体包括：以地块单元为分析单元计算每个地块单元内所有像素在不同极化通道上的平均后向散射系数；所述平均后向散射系数包括：地块单元内所有像素的HH极化平均后向散射系数地块单元内所有像素的VV极化平均后向散射系数地块单元内所有像素的HV极化平均后向散射系数利用所述平均后向散射系数构建极化指数，公式为:

${\mathrm{PI}}_1={\mathrm{\σ}}_{\mathrm{HH}}^0/{\mathrm{\σ}}_{\mathrm{VV}}^0;$

${\mathrm{PI}}_2={\mathrm{\σ}}_{\mathrm{HH}}^0/{\mathrm{\σ}}_{\mathrm{HV}}^0;$

其中，PI₁为第一极化指数，PI₂为第二极化指数。

S5:将所述极化指数作为判断指标，对小麦的倒伏状况进行判断；具体包括：对比所述极化指数与正常小麦地块的极化指数；获取对比的差异程度，并根据所述差异程度利用预设阈值对小麦的倒伏状况进行判断。

其中，本发明实施例公开的利用雷达遥感数据监测小麦倒伏的方法还包括：

实时采集监测区域的全极化合成孔径雷达遥感影像。

本发明实施例以内蒙古自治区额尔古纳市上库力农场为研究区，其地处中国最东北部，大兴安岭西北麓，呼伦贝尔草原北端，50.28°～50.39°N，120.76°～120.89°E，属于典型的东北高寒地区黑土地春小麦种植带，大陆性气候显著。该农场为农垦系统国有农场，农场面积约2,800hm²，地形起伏较小，种植结构相对简单，机械化程度高，地块整齐均匀，主要种植小麦、油菜和大麦3种作物，均为大面积种植，平均每地块17hm²。由于冬季时间长，温度低，农作物一年一季，作物生育期从5月中旬至9月初。2013年7月底，由于大雨、大风等天气因素，该农田小麦发生较大面积倒伏。实地调查了研究区31个地块的倒伏状况，发现13地块在8月3日时处于不同程度的倒伏状态，而另18个地块一直正常生长。

本发明实施例中具体的实施步骤包括：

获取研究区域2013年8月3日的全极化Radarsat-2遥感影像，此时研究区小麦正处于抽穗灌浆期。Radarsat-2为加拿大新一代合成孔径雷达卫星，性能较为稳定，辐射精度较高，幅宽25km×25km，C波段，使用其SLC（single look complex）格式产品。

需要说明的是，对本发明实施例还获取了其它生育期的4景Radarsat-2影像，如表1所示，以辅助证明本发明方法的有效性，在其它时间没有倒伏，极化指数并无太大变化。该5景Radarsat-2影像成像模式、成像入射角等参数完全一致，如表2所示：

表1 5景雷达影像获取日期和对应生育期

表2 5景Radarsat-2数据参数

处理合成孔径雷达（SAR）图像，提取不同极化通道的后向散射系数，具体包括如下步骤：

获取的Radarsat-2Fine Quad SLC数据产品是包含4个极化（HH，VV，HV，VH）的单视复数据，为斜距产品。每极化数据由实部和虚部组成，不仅记录电磁波强度，还记录了电磁波相位。为得到对应地物准确的σ⁰，需进行数据处理。该处理过程包括辐射定标、强度数据生成、地理编码、几何精校正、斑噪去除处理步骤，具体为：

S21:利用遥感数据产品文件中的Sigma定标系数对SAR图像四个极化通道进行辐射定标，该步骤采用极化数据处理软件PolSARPro软件完成；

S22:在S21的基础上，将每个极化通道的复数据生成强度数据，公式为：

A=a²+b²，

其中，A为每一极化通道上每一像素的强度，a为该像素对应的实部数据，b为该像素对应的虚部数据；

S23:在S22的基础上，对每极化通道数据进行地理编码：利用遥感数据产品文件自带的地理位置信息，以及30米分辨率的DEM数据，采用ASF MapReady软件，完成SAR数据斜距到地距的转换、地形校正以及几何粗校正。

S24:在S23的基础上，利用野外采集的高精度地面控制点，采用ENVI4.7软件对上述结果进一步进行几何精校正，实现每极化通道每个像素的几何精度在1像素以内；

S25:在S24的基础上，对每极化通道的SAR图像进行斑点噪声的去除，使用Enhanced Lee滤波，滤波窗口为3×3。

提取小麦种植区域的地块单元；利用已有的土地利用数据库和/或根据面向对象的分类方法得到农作物种植区划地图；对所述农作物种植区划地图进行矢量化，得到小麦种植区域的地块单元。

利用不同极化通道的地块内平均后向散射系数构建极化指数；以图像中的地块为分析单元，计算每地块区域所有像素在不同极化通道上的平均后向散射系数；计算地块的第一极化指数PI₁和第二极化指数PI₂：

${\mathrm{PI}}_1={\mathrm{\σ}}_{\mathrm{HH}}^0/{\mathrm{\σ}}_{\mathrm{VV}}^0;$

${\mathrm{PI}}_2={\mathrm{\σ}}_{\mathrm{HH}}^0/{\mathrm{\σ}}_{\mathrm{HV}}^0;$

其中，为地块单元内所有像素的HH极化平均后向散射系数，为地块单元内所有像素的VV极化平均后向散射系数，为地块单元内所有像素的HV极化平均后向散射系数。

最后，将所述极化指数作为判断指标，对小麦的倒伏状况进行判断，对比所述极化指数与正常小麦地块的极化指数；获取对比的差异程度，并根据所述差异程度利用预设阈值对小麦的倒伏状况进行判断。

图2和图3中为倒伏地块与正常地块在不同生长期的对比，图2为极化指数随生育进程的变化，图3为极化指数随生育进程的变化。其中三块小麦地块XM04，XM07和XM10生长条件（位置、播期、品种、管理措施等）相近，XM04地块和XM07地块小麦在7月底发生倒伏，8月3日处于倒伏状态，XM10地块小麦整个生长期一直正常生长。可以看到，在倒伏未发生时，如5月23日，6月16日，7月10日时，三地块的极化指数差异并不明显，而在倒伏发生后，如8月3日时，倒伏地块的极化指数差异显著，倒伏地块XM04和XM07的极化指数皆明显低于正常地块XM10。由于三地块生长条件一致，8月3日时极化指数出现的显著差异将主要来源于小麦的倒伏。

将极化指数作为倒伏的判断指标，通过该时期小范围地块的统计分析，对于极化指数本发明实施例选择阈值2.0，极化指数小于2.0的地块，判定为发生倒伏，愈小倒伏愈严重；或者对于极化指数本发明实施例选择阈值5.5，极化指数小于5.5的地块，判定为发生倒伏，愈小倒伏愈严重。

在图4中，为利用该发明方法中第一极化指数对8月3日研究区另28块小麦地块倒伏的监测结果示意图，其中实心圆代表正常生长地块，空心圆代表8月3日调查时为倒伏状态的地块。图4中小于阈值2.0的11地块（虚线下方）正为调查中发生倒伏的地块，而大于2.0的17地块正为调查中正常生长的地块（虚线下方）；图5是利用第二极化指数获得的小麦倒伏监测结果示意图；图5中小于阈值5.5的11地块（虚线下方）正为调查中发生倒伏的地块，而大于5.5的17地块正为调查中正常生长的地块（虚线下方）。对于倒伏不严重的地块，其极化指数接近阈值，而倒伏愈严重，其极化指数离阈值越远。可以看到，两种极化指数皆能较好地监测小麦倒伏地块。

此外，作为对比，图6、图7和图8给出了利用单极化(HH,VV,HV)后向散射系数方法对相同监测区域小麦倒伏的监测结果示意图。可以看到，倒伏地块和正常地块在各单极化后向散射系数上的表征差异并不明显，二者没能呈现出很好的分离性，单极化后向散射系数方法并不能很好地监测倒伏。而这主要由于不同地块之间的长势差异造成，后向散射对倒伏的敏感性淹没在长势差异对后向散射的影响之中。相比之下，极化指数方法能消除地块间长势的差异，具有较好的抗干扰性，更好地反映倒伏的本质特征，显示出其优越性。

此外，本发明实施例二还提出了一种利用雷达遥感数据监测小麦倒伏的装置，如图9所示，包括：

获取模块1，用于获取监测区域的全极化合成孔径雷达遥感影像；

处理模块2，用于处理所述合成孔径雷达遥感影像，提取不同极化通道的后向散射系数；

提取模块3，用于提取监测区域内小麦种植区域的地块单元；

计算模块4，用于计算每个地块单元所有像素在不同极化通道上的平均后向散射系数，并利用所述平均后向散射系数构建极化指数；

判断模块5，用于将所述极化指数作为判断指标，对小麦的倒伏状况进行判断。

其中，所述装置还包括：

采集模块，用于实时采集监测区域的全极化合成孔径雷达遥感影像。

其中，所述处理模块2包括：

辐射定标单元，用于对所述合成孔径雷达遥感影像的四个极化通道进行辐射定标；

强度单元，用于将辐射定标后每个极化通道的复数据生成强度数据；

地理编码单元，用于对每个极化通道的所述强度数据进行地理编码；

优化单元，用于对地理编码后的图像数据进行几何精校正和斑点噪声的去除处理。

通过采用本发明公开的一种利用雷达遥感数据监测小麦倒伏的方法及装置，实现了大面积、快速准确监测小麦倒伏状况，掌握小麦倒伏的发生范围和严重程度，是灾情诊断、及时防控、损失评估的关键；此外，与传统的光学遥感方法相比，雷达遥感数据不受天气影响，且雷达遥感观测对结构变化十分敏感，利用全极化合成孔径雷达数据监测倒伏将更具优势。作为一种基础灾情信息，对很多部门都有重大意义。在国家战略层面，它有助于决策部门了解倒伏对粮食产量的影响，进而预测粮食产量，维护粮食安全。在农业生产领域，及时获取农田小麦生长信息，有助于及时采取措施进行管理调控，减少经济损失；在灾害领域，有助于民政部门大范围迅速掌握灾情，对发生的倒伏灾害进行损失评估，制定防灾、减灾和救灾措施；甚至对于农业保险和粮食期货等其它领域，对倒伏灾害的查勘定损、产量预测等较大应用前景和实际意义。

以上实施例仅用以说明本发明的技术方案而非限定，仅仅参照较佳实施例对本发明进行了详细说明。本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种利用雷达遥感数据监测小麦倒伏的方法，其特征在于，该方法包括以下步骤：

S1：获取监测区域的全极化合成孔径雷达遥感影像；

S2:处理所述合成孔径雷达遥感影像，提取不同极化通道的后向散射系数；

S3:提取监测区域内小麦种植区域的地块单元；

S4:计算每个地块单元所有像素在不同极化通道上的平均后向散射系数，并利用所述平均后向散射系数构建极化指数；

S5:将所述极化指数作为判断指标，对小麦的倒伏状况进行判断。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

实时采集监测区域的全极化合成孔径雷达遥感影像。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2具体包括：

对所述合成孔径雷达遥感影像的四个极化通道进行辐射定标；

将辐射定标后每个极化通道的复数据生成强度数据；

对每个极化通道的所述强度数据进行地理编码；

对地理编码后的图像数据进行几何精校正和斑点噪声的去除处理。

4.根据权利要求3所述的方法，其特征在于，所述将辐射定标后每个极化通道的复数据生成强度数据具体为：

获取每个极化通道上每一个像素的复数据;

计算每个极化通道上每一个像素的强度A，公式为:

A=a²+b²

其中，A为每个极化通道上任一个像素的强度，a为该像素对应的实部数据，b为该像素对应的虚部数据。

5.根据权利要求1所述的方法，其特征在于，所述步骤S3具体包括：

利用已有的土地利用数据库和/或根据面向对象的分类方法得到农作物种植区划地图；

对所述农作物种植区划地图进行矢量化，得到小麦种植区域的地块单元。

6.根据权利要求1所述的方法，其特征在于，所述步骤S4具体包括：

以地块单元为分析单元计算每个地块单元内所有像素在不同极化通道上的平均后向散射系数；所述平均后向散射系数包括：地块单元内所有像素的HH极化平均后向散射系数地块单元内所有像素的VV极化平均后向散射系数地块单元内所有像素的HV极化平均后向散射系数

利用所述平均后向散射系数构建极化指数，公式为:

${\mathrm{PI}}_1={\mathrm{\σ}}_{\mathrm{HH}}^0/{\mathrm{\σ}}_{\mathrm{VV}}^0;$

${\mathrm{PI}}_2={\mathrm{\σ}}_{\mathrm{HH}}^0/{\mathrm{\σ}}_{\mathrm{HV}}^0;$

其中，PI₁为第一极化指数，PI₂为第二极化指数。

7.根据权利要求1所述的方法，其特征在于，所述步骤S5具体包括：

对比所述极化指数与正常小麦地块的极化指数；

获取对比的差异程度，并根据所述差异程度利用预设阈值对小麦的倒伏状况进行判断。

8.一种利用雷达遥感数据监测小麦倒伏的装置，其特征在于，包括：

获取模块，用于获取监测区域的全极化合成孔径雷达遥感影像；

处理模块，用于处理所述合成孔径雷达遥感影像，提取不同极化通道的后向散射系数；

提取模块，用于提取监测区域内小麦种植区域的地块单元；

计算模块，用于计算每个地块单元所有像素在不同极化通道上的平均后向散射系数，并利用所述平均后向散射系数构建极化指数；

判断模块，用于将所述极化指数作为判断指标，对小麦的倒伏状况进行判断。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

采集模块，用于实时采集监测区域的全极化合成孔径雷达遥感影像。

10.根据权利要求8所述的装置，其特征在于，所述处理模块包括：

辐射定标单元，用于对所述合成孔径雷达遥感影像的四个极化通道进行辐射定标；

强度单元，用于将辐射定标后每个极化通道的复数据生成强度数据；

地理编码单元，用于对每个极化通道的所述强度数据进行地理编码；

优化单元，用于对地理编码后的图像数据进行几何精校正和斑点噪声的去除处理。