CN105447494B

CN105447494B - 基于多源多时相遥感影像数据的菜田监测方法

Info

Publication number: CN105447494B
Application number: CN201510898176.8A
Authority: CN
Inventors: 纪中奎; 文强; 李龙龙; 周会珍; 张强; 乔月霞; 丁媛; 关峰; 张鑫
Original assignee: Twenty First Century Aerospace Technology Co Ltd
Current assignee: Twenty First Century Aerospace Technology Co Ltd
Priority date: 2015-12-01
Filing date: 2015-12-01
Publication date: 2019-07-09
Anticipated expiration: 2035-12-01
Also published as: CN105447494A

Abstract

本发明属于遥感应用技术领域，公开了一种基于多源多时相遥感影像数据的菜田监测方法，包括步骤：确定菜田和干扰地物的种类及物候期，选择菜田及干扰地物识别的最佳时相；采集多源多时相遥感影像数据和业务专题矢量数据；采用面向对象的分类方法，结合地块级耕地矢量数据进行菜田数据提取，根据两个最佳时相提取菜田数据并取交集，获得菜田监测结果。该方法基于多源多时相遥感影像数据进行菜田监测，有效降低干扰地物影响，提高了监测精度。

Description

基于多源多时相遥感影像数据的菜田监测方法

技术领域

本发明属于遥感应用技术领域，涉及一种基于多源多时相遥感影像数据的菜田监测方法。

背景技术

及时准确监测菜田种植面积对于合理发展蔬菜产业具有重要的意义。在农作物遥感监测方面，针对小麦、水稻、玉米等大田作物种植面积的遥感监测研究较多，而针对菜田遥感监测的研究较少。以往的农作物遥感监测研究遥感数据源单一，短时间内不能有效覆盖监测区域，另外，多采用人机交互解译手段或支持向量机(SVM)自动分类技术进行菜田信息提取，但效率低、干扰地物影响较大、分类精度有限。随着卫星遥感技术的迅速发展，国内外高、中分辨率遥感卫星为农业统计遥感监测工作提供了丰富的遥感数据源。高分辨率遥感影像能提供更加丰富的结构和纹理信息，而中分辨率的多光谱影像比高分影像具有更加丰富的地物光谱信息。因此，如何利用多源、多时相的遥感影像数据结合计算机自动手段快速提取菜田信息已成为众多农业统计遥感监测工作者亟待解决的问题。

发明内容

本发明的目的是提供一种基于多源多时相遥感影像数据的菜田监测方法，引入一种基于面向对象分类并结合地块级耕地矢量数据方法的菜田信息提取技术，实现了菜田精确、高效的提取、监测。

为实现上述目的，本发明提供的基于多源多时相遥感数据的菜田监测方法包括以下步骤：

一种基于多源多时相遥感影像数据的菜田监测方法，包括如下步骤：

S1、确定菜田和干扰地物的种类及物候期，选择菜田及干扰地物识别的最佳时相；所述最佳时相有两个，分别是菜田为裸地的第一最佳时相和菜田为植被的第二最佳时相；

S2、采集多源多时相遥感影像数据和业务专题矢量数据，并进行数据处理；

所述业务专题矢量数据至少包括地块级耕地矢量数据；

所述遥感数据进行辐射纠正、几何纠正处理，所述业务专题矢量数据进行投影变换处理；

S3、采用面向对象的分类方法，结合地块级耕地矢量数据进行菜田数据提取，根据两个最佳时相提取菜田数据并取交集，获得菜田监测结果，具体步骤如下：

S31、对第一最佳时相的遥感影像数据结合地块级耕地矢量数据进行多尺度分割；多尺度分割后以分割对象为单位进行分类判定，所述分类判定依次包括：

亮度判定：

Brightness≥a

Brightness代表分割对象的亮度值，a为亮度阈值；

绿蓝波段比值判定：

M_Green代表分割对象的绿光波段均值，M_Blue代表分割对象的蓝光波段均值，b为绿蓝波段比值阈值；

纹理特征判定：

GLCM Contrast(all dir.)≤c

GLCM Contrast(all dir.)代表分割对象的纹理对比度，c为纹理特征阈值；

矩形度判定：

Rectangular Fit≥d

Rectangular Fit代表分割对象的矩形度，d为筛选裸露耕地的矩形度阈值；

依次经过四个判定，得到菜田裸地规则矢量图斑；

S32、对第二最佳时相的遥感影像数据结合地块级耕地矢量数据进行多尺度分割；多尺度分割后以分割对象为单位进行分类判定，所述分类判定依次包括：

归一化植被指数判定：

NDVI≥e

NDVI为归一化植被指数，e为归一化植被指数阈值；

矩形度判定：

Rectangular Fit≥f

Rectangular Fit代表分割对象的矩形度，f为筛选规则菜田植被矩形度阈值；

依次经过两个判定后，提取菜田植被规则矢量图斑；

S33、将菜田裸地规则矢量图斑和菜田植被规则矢量图斑进行矢量求交集，然后再与业务专题矢量数据进行叠置分析，将干扰地物矢量图斑剔除，获得菜田的监测结果。

进一步，所述步骤S1选择最佳时相的方法如下：

S11、将菜田、干扰地物分种类按时间建立物候特征表；

S12、在物候特征表中，将一旬作为移动物候期窗口的步长，提取每个物候期窗口的信息量，信息量用如下数组表示：

F_i＝(m_i，n_i)

其中，F为信息量；i为物候期窗口所在的时相；F_i为i时相对应的信息量；m_i为生长期蔬菜种类个数；n_i为生长期干扰地类物种类个数；

S13、在物候特征表中选择菜田为裸地和植被的时间段，分别在菜田裸地时间段和菜田植被时间段计算最佳时相，最佳时相i_a为当T_i取得最大值时对应的时相i值，其中T_i＝|m_i-n_i|；分别计算菜田为裸地第一最佳时相和菜田为植被第二最佳时相。

进一步，所述步骤S2中遥感影像数据是不同卫星传感器获得的高分辨率遥感影像数据或者中分辨率遥感影像数据，所述遥感影像的相邻景影像之间有4％以上的重叠，云、雪覆盖量小于10％；所述业务专题矢量数据包括粮食农作物遥感统计矢量数据、建设用地专题矢量数据、林地专题矢量数据、地块级耕地矢量数据。

本发明的有益效果：

本发明主要基于多源、多时相遥感影像数据，采用面向对象的方法，结合地块级耕地矢量数据，据进行菜田数据提取，然后将多时相菜田数据叠置分析求交集，最后得到菜田监测结果。引入一种基于面向对象分类并结合地块级耕地矢量数据方法的菜田信息提取技术，提高遥感影像分类效率和精度，实现了菜田精确、高效的提取、监测。

本发明遥感影像数据选取多个卫星数据，并结合高、中分辨率影像进行菜田数据提取，能够有效覆盖监测区域。同时，遥感影像能够兼顾纹理、光谱特性。

本发明对菜田数据提取时选择了菜田裸地识别最佳时相和菜田植被覆盖识别最佳时相，有效降低干扰地物影响，提高了监测精度。

附图说明

图1为本发明基于多源多时相遥感影像数据的菜田监测方法流程图；

图2为北京市秋季菜田与干扰地物的物候特征表及移动物候期窗口示意图；

图3为基于多源多时相遥感影像数据结合面向对象分类方法的菜田信息提取流程图。

具体实施方式

下面以北京市为例，结合附图和具体实施方式对本发明作进一步详细的说明，但不限定本发明。

图1是本发明对北京市秋季菜田监测的流程图，包括以下步骤：

步骤一：明确秋季菜田和干扰地物的种类及其物候期，采用物候期窗口法分析、筛选菜田及干扰地物识别的最佳时相。

(1)明确秋季菜田和干扰地物的种类及其物候期

根据北京市的气象条件特点，结合外业实际调查情况，种植的秋季农作物主要包括倭瓜、茄子、架豆、菠菜、普通白菜、胡萝卜、莴笋、萝卜、大白菜、大葱、菜花、西兰花、冬小麦、春玉米、夏玉米、红薯等。其中，倭瓜、茄子、架豆、菠菜、普通白菜、胡萝卜、莴笋、萝卜、大白菜、大葱、菜花、西兰花等是耕地菜田上种植的主要秋季菜，是需要监测的菜田目标。冬小麦、春玉米、夏玉米、红薯、花生是耕地上种植的粮食作物，这些属于干扰地物，此外，由于近年来北京市“百万亩造林计划”的实施，有部分耕地变更为林地，种植了较多的新增林地，这些也属于干扰地物。

由于不同作物在不同时期的生育状况不同，根据农业气象观测资料查询结果，将北京地区主要种植的各种秋季菜和粮食作物的生长阶段划分为：种植发芽期、幼苗期、生长期和成熟收割期。按前述四个阶段对各种秋季菜和粮食作物的物候期特征进行归纳和整合，得出不同时相下各种秋季菜和粮食作物的物候特征表，该物候特征表同时列出了林地物候特征，林地在每年的5月～10月属于生长期，见图2，图中纵向代表作物种类，横向代表时间，该图以一旬为时间步长。以物候特征表作为北京秋季菜遥感监测影像时相选择确定的参考。

(2)采用物候期窗口法分析、筛选菜田及干扰地物识别的最佳时相

由于各种作物及林地的物候期存在交叉，因而在进行菜田监测时，冬小麦、春玉米、夏玉米、红薯、花生、林地等通常会成为菜田监测的干扰地物信息，如何在秋季菜田监测时去除干扰地物信息是本研究需要解决的首要问题。由于各地物类的物候期各异，因此遥感影像时相的选择尤为重要，需对物候期进行分析。

本发明遥感影像时相的选择采用物候期窗口法，具体步骤如下：

(a)在物候特征表中，将一旬作为移动物候期窗口的步长，提取每个物候期窗口的信息量，信息量用如下数组表示：

F_i＝(m_i，n_i)

其中，F为信息量；i为物候期窗口所在的时相；Fi为i时相对应的信息量；m_i为生长期蔬菜种类个数；n_i为生长期干扰地物种类个数。

在本实施例中，移动物候期窗口，根据图2可知各时相的信息量如下：

表1各时相信息量

(b)由于单时相的秋季菜田信息提取时干扰地物带来的影响较大，本发明采用多时相分别提取菜田信息，叠置求交集提取秋季菜田信息，以减少干扰地物带来的误差。此外，作物生长阶段分为种植发芽期、幼苗期、生长期和成熟收割期，其中种植发芽期、幼苗期作物在遥感影像中呈现裸地状态，生长期和成熟收割期作物在遥感影像中呈现植被覆盖状态，依据该特征选取菜田为裸地和植被的两个时间段，计算最佳时相。

在本实施例中，6月上旬至7月下旬期间为秋季菜种植发芽期、幼苗期，用于种植秋季菜的菜田基本呈现裸地状态；8月上旬至11月下旬期间为大部分秋季菜成长期和成熟收割期，菜田呈现植被覆盖状态。在这两个时期段分别提取菜田裸地和植被的两个最佳时相。

遥感影像最佳时相选择的原则是将秋季菜种类最大程度识别出来，且干扰地物种类尽量少。即，在生长期秋季菜种类个数与生长期干扰地物种类个数差别最大时，选择此时的遥感影像时相为最佳。可定义以下函数：

T_i＝|m_i-n_i|

当T取得最大值时，对应的i即为最佳时相i_a，即最佳时相i_a为当T_i取得最大值时对应的时相i值。

根据上述规则函数可知，在6月上旬至7月下旬期间，T取得最大值2时，对应的i为7月中旬，即选择7月中旬为第一最佳时相，利用该时相的遥感影像来提取菜田裸地信息；在8月上旬至11月下旬期间，T取得最大值7时，对应的i为10月下旬，即选择10月下旬为第二最佳时相，利用该时相的遥感影像来提取菜田植被信息。

步骤二：采集多源多时相遥感影像数据和业务专题矢量数据，并进行数据处理。

根据步骤一选择的两个最佳时相，采集相应时相内的多源遥感影像数据。所述多源遥感影像数据是不同卫星传感器获得的高分辨率遥感影像数据或者中分辨率遥感影像数据。

所述遥感影像的质量要求：相邻景影像之间有4％以上的重叠，云、雪覆盖量小于10％，无明显噪声、斑点和坏线。

本实施例中，第一个最佳时相7月中旬的遥感影像可以选取GF1融合影像、ZY-03融合影像、ZY-02C融合影像、RapidEye 5米融合影像中的一种或几种的组合，第二个最佳时相10月下旬的遥感影像可以选取GF1融合影像或者QuickBird融合影像。

业务专题矢量数据主要包括北京市秋季粮食作物遥感统计矢量数据、建设用地专题矢量数据、林地专题矢量数据、地块级耕地矢量数据。

对于采集的多源多时相遥感数据和业务专题矢量数据进行数据处理，所述遥感数据进行辐射纠正、几何纠正处理，业务专题矢量数据主要进行投影变换处理使其与遥感数据投影坐标一致。

步骤三：采用面向对象分类方法，结合地块级耕地矢量数据进行菜田分类，根据两个最佳时相提取菜田数据并取交集，获得菜田监测结果。

面向对象的遥感影像分类方法是基于图像对象及其相互关系进行分类，而不是基于单个像元。利用面向对象方法进行遥感影像自动分类提取的矢量图斑多为不规则图斑，且受遥感影像本身“同物异谱，异物同谱”的影响，仍有部分图斑错判或漏判，较难达到农业统计遥感监测业务“图斑规则、属性精度95％以上，，的精度要求。在长期的农业统计遥感监测过程中，业务上已形成了较为完善的北京地区地块级耕地矢量数据，地块级耕地矢量数据是采用传统的人机交互解译方法基于航空遥感数据提取的图斑较为规则的耕地矢量数据。

综合考虑以上因素，将采用面向对象的方法结合地块级耕地矢量数据进行秋季菜田信息的快速提取，以尽量保证提取出来的结果为农业统计遥感监测业务要求的规则矢量地块，且提取精度尽量满足业务要求，提高生产人员的生产效率。

基于多源多时相遥感数据结合面向对象的菜田信息提取技术的主要流程包括以下步骤，见图3：

(1)针对第一最佳时相选择遥感影像数据，采用面向对象分类方法提取遥感影像反映为裸地的菜田信息，结合地块级耕地矢量数据，获得菜田裸地规则矢量图斑，步骤如下：

(a)对第一最佳时相的遥感影像数据结合地块级耕地矢量数据进行多尺度分割；

(b)多尺度分割后以分割对象为单位进行分类判定，所述分类判定依次包括：

亮度判定：

Brightness≥a

其中，Brightness代表分割对象的亮度值，a为亮度阈值，该判定用于筛选陆地区域，剔除水体和部分植被。

绿蓝波段比值判定：

其中，M_Green代表分割对象的绿光波段均值，M_Blue代表分割对象的蓝光波段均值；b为绿蓝波段比值阈值，该判定用于筛选裸露陆地，剔除陆地区域的植被。

纹理特征判定：

GLCM Contrast(all dir.)≤c

其中，GLCM Contrast(all dir.)代表分割对象的纹理对比度，c为纹理特征阈值，该判定用于筛选裸露耕地，剔除建设用地。

矩形度判定：

Rectangular Fit≥d

其中，Rectangular Fit代表分割对象的矩形度，d为筛选裸露耕地的矩形度阈值；该判定用于筛选规则裸露耕地，剔除非规则裸露耕地。

在本实施例中，分别取a＝79，b＝1.35，c＝54，d＝0.9，依次经过四个判定，得到菜田裸地规则矢量图斑。

(2)针对第二最佳时相的遥感影像数据，采用面向对象分类方法提取遥感影像植被覆盖特征明显的菜田信息，结合地块级耕地矢量数据，获得菜田植被规则矢量图斑，步骤如下：

(a)对第二最佳时相的遥感影像数据结合地块级耕地矢量数据进行多尺度分割；

归一化植被指数判定：

NDVI≥e

其中，NDVI为归一化植被指数，e为归一化植被指数阈值；该判定用于筛选植被区域，剔除非植被区域。

矩形度判定：

Rectangular Fit≥f

其中，Rectangular Fit代表分割对象的矩形度，f为筛选规则菜田植被矩形度阈值；该判定用于筛选规则植被耕地，剔除非规则植被耕地。

在本实施例中，取e＝0.01，f＝0.73，依次经过两个判定后，提取菜田植被规则矢量图斑

(3)将菜田裸地规则矢量图斑和菜田植被规则矢量图斑进行矢量求交集，然后再与业务专题数据进行叠置分析，将干扰地物矢量图斑剔除，即将结果中属于各类专题的矢量图斑剔除，获得秋季菜田的监测结果。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以对其作出种种变化。

Claims

1.一种基于多源多时相遥感影像数据的菜田监测方法，其特征在于，包括如下步骤：

所述业务专题矢量数据包括粮食农作物遥感统计矢量数据、建设用地专题矢量数据、林地专题矢量数据、地块级耕地矢量数据；

亮度判定：

Brightness≥a

Brightness代表分割对象的亮度值，a为亮度阈值；

绿蓝波段比值判定：

纹理特征判定：

GLCM Contrast(all dir.)≤c

矩形度判定：

Rectangular Fit≥d

依次经过四个判定，得到菜田裸地规则矢量图斑；

归一化植被指数判定：

NDVI≥e

NDVI为归一化植被指数，e为归一化植被指数阈值；

矩形度判定：

Rectangular Fit≥f

依次经过两个判定后，提取菜田植被规则矢量图斑；

2.如权利要求1所述的菜田监测方法，其特征在于，所述步骤S1选择最佳时相的方法如下：

S11、将菜田、干扰地物分种类按时间建立物候特征表；

F_i＝(m_i，n_i)

S13、在物候特征表中选择菜田为裸地和植被的时间段，分别在菜田裸地时间段和菜田植被时间段计算最佳时相，最佳时相i_a为当T_i取得最大值时对应的时相i值，其中T_i＝|m_i-n_i|；

分别计算菜田为裸地第一最佳时相和菜田为植被第二最佳时相。

3.如权利要求1所述的菜田监测方法，其特征在于，所述步骤S2中遥感影像数据是不同卫星传感器获得的高分辨率遥感影像数据或者中分辨率遥感影像数据，所述遥感影像的相邻景影像之间有4％以上的重叠，云、雪覆盖量小于10％。