CN105894006A - 时空概率模型水稻遥感识别方法 - Google Patents

Abstract

本发明公开了一种时空概率模型水稻遥感识别方法，主要包括数据准备、数据预处理、构建时空概率模型、像元归属概率计算、像元时空概率计算、作物类别阈值划分及水稻分类结果识别。本发明可以有效提取水稻，降低传统变化监测作物遥感识别存在的误差累积问题，避免了云污染，一定程度上消除了椒盐现象。对水稻的识别达到了较高的精度。

Description

时空概率模型水稻遥感识别方法

技术领域

本发明涉及一种在时间序列影像基础上，从时间和空间两个维度出发，以滤波方法计算像元时空概率，作为阈值划分依据的时空概率模型水稻遥感识别方法。充分的利用了邻域像元和相邻时相的遥感影像信息，构造了中心像元时空概率计算方法，并以此作为中心像元类别判别依据。提取水稻，并进行精度评价及时空概率模型水稻遥感识别方法不同滤波尺度在不同景观特征下的适用性分析。属于遥感影像应用领域。

背景技术

水稻是我国粮食作物的重要组成部分，准确地获取水稻种植面积对制定农业政策和管理具有十分重要的意义。利用遥感变化监测技术进行农业监测是一个重要的应用方向，无论在面积识别还是遥感估产等方面都发挥着重要作用。

然而变化监测遥感识别存在着以下四个难以解决的问题1、无云影像难以获取：所需影像数据在作物生长的关键期，但是水稻生长于温暖湿润的环境中，云频繁出现，在水稻生长期很难获得无云的影像。云雨天气造成“云污染(cloud contamination)”限制了利用遥感变化监测进行水稻识别的适用性。2、几何校正不准确：几何校正不准确导致各期影像分类结果中像元位置偏差，多期影像像元类别错误的变化信息使得作物遥感识别准确性降低。3、单期影像分类误差：各期影像的大量地物光谱互相影响及单期影像选择的分类方法会导致分类结果不准确程度增加(如椒盐现象)，有可能为变化监测提供错误的类别信息。最终导致像元识别误差不断累积，影响了像元类型的确定。4、椒盐现象(salt and pepper)：云污染、几何校正不准确、单期影像分类误差会导致各期影像对应位置的像元分类结果存在差异，进而导致产生椒盐现象。

遥感影像上的云以“团簇”状分布。不同时相遥感影像的云在空间上的分布 是随机的。从时间维度分析，对于一个像元而言是能够找到不受“云”污染时期的影像。因此充分的利用多期影像上水稻的光谱信息进行像元类别判定是可行的。从空间维度分析，相邻位置像元类别信息为目标像元类别的确定提供了一定的依据，提高了像元类别判断的准确性。传统的变化监测遥感识别虽然或结合了时间维度或空间维度的信息或同时结合二者信息，但是忽略了各期影像由于云污染、几何校正不准确、分类结果不准确，进而导致的不同期影像对应位置像元类别的差异和由此而带来的误差累积问题。因此，单纯的将像元时间维度与空间维度的信息相结合的变化监测遥感识别方法并不能够有效的提高像元遥感分类识别的精度，甚至在一定程度上降低了遥感识别的精度。

发明内容

本发明的目的是针对现有技术中存在的问题，从时间和空间维度相结合的角度，提出以滤波方式计算像元归属概率，结合时间维度计算像元时空概率，进而作为作物类别阈值划分依据的时空概率模型水稻遥感识别方法。利用该模型进行水稻遥感识别，验证识别精度及模型滤波尺度在不同景观特征下的适用性。

本发明通过以下技术方案解决上述问题，本发明提供时空概率模型水稻遥感识别方法，主要包括以下步骤：

步骤一、数据准备；

步骤二、数据预处理；

步骤三、构建时空概率模型

步骤四、像元归属概率计算；

步骤五、像元时空概率计算；

步骤六、作物类别阈值划分；

步骤七、时空概率模型分类实现；

优选的，上述步骤一～步骤七具体为：

步骤一、数据准备，选取目标区域，获取同一区域的Landsat8多期影像数据、航拍数据；

步骤二、数据预处理，包括对步骤一获取的Landsat8影像数据根据一定的先验知识对影像进行初步分类；对航拍数据和“高分一号”数据进行坐标系转换、解译、矢量化和属性赋值并形成栅格数据；

步骤三、构建时空概率模型，以滤波方法为基础，从影像时间维度和空间维度出发，提取像元类别信息，通过概率计算的方式，构建像元时空概率计算方法。

步骤四、像元归属概率计算，定义邻域像元与中心像元类别相同所占滤波窗口总数的比例为像元的归属概率；

步骤五、像元时空概率计算，以时间序列影像相同位置像元归属概率的均值作为中心像元的时空概率；被云污染的像元不参与时空概率计算；

步骤六、作物类别阈值划分，选取适宜的变化监测阈值划分方法，以像元时空概率为基础，计算作物类别划分阈值。

步骤七、时空概率模型水稻遥感识别方法分类实现，以步骤六所计算阈值为依据，提取作物像元。实现作物类别划分。

优选的，上述方法还包括步骤八、采用无人机航拍数据和“高分一号”8米分辨率影像数据评价分类结果，对选取目标区域航拍影像及“高分一号”8米分辨率样方影像矢量化数据转化的栅格数据进行重分类，使重分类后的分类结果与所述步骤七的分类数据进行像元对像元的叠加比较，得到用于分类结果精度评价的混淆矩阵。

优选的，上述步骤二中以时间序列Landsat8多期影像初步分类结果为基础 数据，利用时空概率型计算方法，计算像元时空概率，通过下列公式计算得到：

P_ij＝n_j/(m*m)，(i＝1，2，...，L；j＝1，2，...，K)

$P_j=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}}{N}$

式中：P_ij-第i期影像中第j个像元的归属概率；n_j-第i期影像第j个像元为中心像元时窗口内目标作物的像元个数；m*m-搜索窗口大小；L-影像总数；K-各期影像参与计算像元数；P_j-像元时空归属概率；N-参与像元时空概率计算的影像数量。

优选的，上述步骤四、五是以滤波方法为基础，以概率表达像元类别为核心，构建像元时空概率计算方法。

优选的，上述的航拍数据为高分辨率的无人机航拍数据，拍摄多个无人机航拍样方，对多幅样方进行拼接后转换坐标系，同时对“高分一号”8米分辨率样方影像进行转换坐标系。并对以上两种样方数据进行目视解译矢量化及地块属性赋值，以面积占优方法转换成一定分辨率的栅格数据。

本发明公开了一种时空概率模型水稻遥感识别方法，主要包括数据准备、数据预处理、构建时空概率模型、像元归属概率计算、像元时空概率计算、作物类别阈值划分及水稻分类结果识别。本发明可以有效提取水稻，降低传统变化监测作物遥感识别存在的误差累积问题，避免了云污染，一定程度上消除了椒盐现象。对水稻的识别达到了较高的识别精度。

附图说明

图1为本发明时空概率模型结构图；

图2为本发明实施例研究区位置及样方分布图；

图3为滤波尺度为3×3的时空概率计算过程图；

图4为滤波尺度3×3滤波尺度下时空概率图；

图5时空概率模型水稻分类识别结果

图6云污染区域处理TSPM模型及分类后比较法结果对比

图7椒盐现象处理TSPM模型及分类后比较法结果对比

图8滤波尺度变化对应水稻阈值

图9时空概率模型分类精度随滤波尺度变化趋势图

图10试验选取的景观规整区域TSPM分类结果

图11试验选取的景观破碎区域TSPM分类结果

图12(a)试验选取的景观规整区域分类精度，(b)试验选取的景观破碎区域分类精度

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及具体实施方式对本发明作进一步的详细描述。

如图1所示，本发明公开的时空概率模型水稻遥感识别方法。遥感具有丰富的时空信息，是作物调查的重要手段(Hatfield，2008)。目前遥感分类识别方法主要分为两大类：一是单时相遥感识别，利用植被指数NDVI和LWSI分析得到水稻种植区域(Xiao，2005)。根据叶面积指数(LAI)和植被指数生物量的反演模型，进行水稻监测(Li，2011)。但是，单一时相的影像存在许多异物同谱的现象，对于作物识别精度影响很大。二是多时相的变化监测方法。Okamato(2009)等用多时相的中分辨率TM数据分类识别水稻，精度达到了80％以上。Lorenzo(1997)等利用迭代检测的方法进行水稻识别，与分类后比 较法的分类结果比较，总体精度提高了约10％。Chen(2008)等在传统的马尔可夫随机场的基础上提出了基于变化监测的马尔可夫随机场用于多时相的遥感影像变化监测研究。Xiao(2005)等利用MODIS数据，计算EVI(Enhanced Vegetation Index)、NDVI(Normalized Difference Vegetation Index)、LSWI(Land Surface Water Index)，提出了LWSI+T≥EVI(或NDVI)时，判定作物为水稻。其中T是固定的阈值。但是MODIS数据分辨率较低，对于水稻种植破碎区域识别精度较低(Xiao，2003)。Jeong(2012)等在Xiao的基础上提出了可变阈值模型识别水稻区域。变化监测遥感识别的方法虽然能够较好的识别水稻，但是都存在以下四个影响识别精度的问题：1、无云影像难以获取：所需影像数据在作物生长的关键期(Peng，2011)，但是水稻生长于温暖湿润的环境中，云频繁出现(Shao，2001)，在水稻生长期很难获得无云的影像(Zhang，2009)。云雨天气造成“云污染(cloud contamination)”限制了利用遥感变化监测进行水稻识别的适用性(Cheng，2014)。2、几何校正不准确：几何校正不准确导致各期影像分类结果中像元位置偏差，多期影像像元类别错误的变化信息使得作物遥感识别准确性降低。3、单期影像分类误差：各期影像的大量地物光谱互相影响及单期影像选择的分类方法会导致分类结果不准确程度增加(如椒盐现象)(Stuckens，2000)，有可能为变化监测提供错误的类别信息。最终导致像元识别误差不断累积，影响了像元类型的确定(Serra，2003)。4、椒盐现象(salt and pepper(Bischof，1992))：云污染、几何校正不准确、单期影像分类误差会导致各期影像对应位置的像元分类结果存在差异，进而导致产生椒盐现象(Goodchild，1994)。

本发明针对多时相变化监测进行遥感分类识别时，单期影像被云污染、几何校正不准确、分类结果不准确导致的像元类别判定误差累积严重的问题，从 时间和空间维度相结合的角度出发，提出用像元时空概率作为作物类别阈值划分依据的方法来降低判别错误的概率的时空概率模型水稻遥感识别方法。从而提高变化监测遥感分类识别精度。该模型充分利用多时相影像及相邻像元的光谱信息计算像元作物时空概率，有效地降低了传统变化监测遥感识别方法像元类别判定误差累积问题，避免了水稻遥感分类识别时影像被云污染的问题，一定程度上解决了椒盐现象的出现。模型算法简单，处理效率较高。

为了验证本发明提出的方法有效性，本发明选择了实地区域进行了实验研究，研究位于辽宁省西部3市县(盘锦市市辖区、盘山市、大洼县)，总面积2947.7KM²(40°0′-40°6′N，121°3′-122°8′E)，处于中纬度地区，属于温带大陆性季风气候区，如图1。水稻种植区域地势平缓，地块较为规整。境内雨热同季，日照丰富，积温较高，冬长夏暖，春秋季短，四季分明，是水稻的主要产区。水稻4月上旬播种，5月上旬出苗，6月至9月上旬水稻返青、分蘖、抽穗、乳熟、9月中下旬至10月上旬成熟收获。以上几个时段为水稻生长的关键物候期。

一、数据与预处理

1、Landsat 8数据

选取研究区水稻生长物候期5月至10月份内的6景Landsat 8影像数据，其投影坐标系为UTM-WGS84 Zone 51N，获取时间分别为2013-05-23，2013-06-08，2013-07-26，2013-08-11，2013-09-12和2013-09-28。由于Landsat8数据做过基于地形数据的几何校正，一般情况下可以直接使用而不需要做几何校正。因此，本实验中Landsat8数据不再进行几何校正。

表1 用于实验的Landsat 8影像数据的主要特征

3、验证数据

本实验采用无人机高分辨率影像和“高分一号”8米分辨率影像为验证数据。验证数据均以Landsat TM8影像数据为基准进行无人机影像几何校正，校正误差小于0.5个像元。并将投影转为UTM-WGS84投影坐标系。①高分辨率无人机航拍影像：对无人机影像进行拼接。研究区内共6个样方，约24平方公里。②“高分一号”8米分辨率影像数据：由于无人机样方数据量较少，不能充分的反映地表真实情况，实验另一部分高分影像样方精准数据由“高分一号”8米分辨率数据获取。在研究区范围内随机选取19个样方，约233平方公里。

对无人机样方和“高分一号”影像样方进行矢量化和目视解译确定地表真值类型。以面积占优的方式将目视解译结果转为30米分辨率的栅格数据，包含水稻和非水稻两类，作为验证数据进行水稻分类精度检验。

二、水稻时空概率表达模型

本发明时空概率模型水稻遥感识别方法根据多期遥感影像分类结果计算研究区各像元的归属概率(像元属于某一地类的概率)，进而根据时空概率模型水稻遥感识别方法计算像元时空概率。最后根据一定的变化阈值检测方法确定目标作物类的概率范围，从而确定像元所属作物种类。该模型充分提取多期影像时间维度和空间维度的信息，准确、有效地确定被云覆盖的像元类型。模型结构如图1。模型由3部分组成：时间序列影像分类、像元空间概率计算、像元时空概率计算。

(1)时间序列影像分类

获取水稻关键生长期时间序列影像数据，采用支持向量机方法进行影像分类。

(2)像元时空概率计算

1)单期影像像元归属概率计算：

在单期影像上，建立m×m像元窗口，遍历分类专题图像元，统计搜索窗口内属于目标作物的像元个数，计算像元归属概率(公式1)。移动窗口直至整景分类专题图遍历完成，获得各期影像所有像元归属概率。所取影像范围大于研究区，影像边缘像元忽略不计。

P_ij＝n_j/(m×m)，(i＝1，2，…，L；j＝1，2，…，K) 公式1

式中：P_ij-第i期影像中第j个像元的归属概率；n_j-第i期影像第j个像元为中心像元时窗口内目标作物的像元个数；m×m-搜索窗口大小；L-影像总数；K-各期影像参与计算像元数；

2)像元时空概率计算：

像元时空概率计算首先从时间维度结合被云污染像元在其它期影像上的光谱信息，以像元归属概率来表达时间维度上空间维度的信息。最后计算像元时空归属概率(模型结构见图1)。被云污染的像元时空概率通过时间维度上对应空间位置的未被云污染像元归属概率来计算。以此实现被云污染像元类型的确定。计算方法如公式2：

$P_j=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}}{N}$ 公式2

式中：P_ij-第i期影像中第j个像元的归属概率；n_j-第i期影像第j个像元为中心像元时窗口内目标作物的像元个数；m×m-搜索窗口大小；L-影像 总数；K-各期影像参与计算像元数；

三、水稻作物识别

本实验将6景影像的分类结果按照滤波尺度为3×3的时空概率模型水稻遥感识别方法计算像元时空概率，结合双窗口变步长阈值划分方法(Chen，2003)计算水稻与非水稻阈值，最终得到水稻分类结果。

1、时空概率计算

根据时空概率模型水稻遥感识别方法结构，首先计算像元归属概率：将6景Landsat TM8影像分类结果分别按照3×3的滤波尺度进行计算，得到6景影像每个像元的归属概率。接着从空间维度出发，根据像元时空概率计算方法(见公式2)，得到像元时空概率。图3为截取的研究区局部参与TSPM分类过程中各步骤的像元归属概率图和最终像元时空概率图。最终得到时空概率分布图如图4所示。

2、基于双窗口变步长的阈值设定方法水稻提取

(1)水稻阈值计算：根据变化阈值检测方法-双窗口变步长阈值搜寻方法划分目标作物阈值，提取水稻。其基本假设是：如果包含不同变化类型的典型变化训练样区，能够确定某一阈值，使得变化检测精度达到最大，则该阈值在整景图像上亦可能使检测精度达到最大(陈晋等，2001)。计算得到水稻时空概率阈值为0.68。

(2)分类结果优化：分类结果优化主要是为了剔除与水稻易混地类-水体：在水稻的生长初期，水体区域的像元归属于水稻的概率为100％。根据TSPM计算方法，在水稻关键生长期的其他影像水体的像元属于水稻的概率为0％。最后计算出这些像元属于水稻的概率为100％，显然是错误的。因此，需要对这部分象元进行剔除。剔除方法：以水体为目标类，采用本实验提出的方法， 获取象元属于水体的时空概率，其值为100％的像元可确定类别为水体。最后，根据划分的阈值，分出水稻与非水稻(见图5)。

五、结果与分析

1、精度评价

本实验采用无人机航拍影像和“高分一号”8米分辨率影像作为地表真值，研究区内无人机航拍影像和“高分一号”8米分辨率影像和矢量化数据转化的栅格数据进行重分类，使重分类后的地物为水稻和非水稻。采用混淆矩阵进行精度评价。通过混淆矩阵计算获得图像分类的用户精度、生产精度及总体精度进行分类结果精度评价与分析。并与分类后比较法分类结果精度进行比较。

(1)时空概率模型水稻遥感识别方法与分类后比较法结果比较：时空概率模型水稻遥感识别方法分类结果的用户精度、制图精度、总体精度均高于分类后比较法。时空概率模型水稻遥感识别方法对于水稻的识别方法精度达到了较高的准确率。其原因是，时空概率模型水稻遥感识别方法将像元时间维度和空间维度的信息充分利用，并且有效的避免了影像被云污染和各期影像对应空间位置像元类别不同的影响，很大程度上提高了识别的精度。而分类后比较法影像被云污染，光谱信息损失，导致单期影像分类结果存在错误。进行分类后比较时，这种错误被继承到了最后的分类结果中，很大程度的降低了分类精度。

表1 试验结果

	用户精度(％)	制图精度(％)	总体精度(％)
				TSPM	93.4	83.5	87.9
PCC	91.44	71.20	78.64

(2)云污染区域分类结果比较：实验选取云污染较严重区域(图6)。时空概率模型水稻遥感识别方法较好的得到了云污染区域的水稻分布信息。而分类后比较法，由于光谱信息的缺失，无法完整的获得云污染区域水稻分布信息。 时空概率模型水稻遥感识别方法不完全依赖像元光谱信息，而是结合了时间维度和空间维度上的邻域像元和相邻时相影像像元的相关信息，对污染区域水稻分布情况进行了较准确的预测。很好的避免了影像被云污染导致的分类结果不准确的问题。

(3)椒盐处理：分类结果中的椒盐现象表现为单个像元类别与其周围像元类别不同。实验选取了分类结果中的局部区域分析，PCC分类结果中存在椒盐现象，TSPM一定程度上解决了这个问题(见图7)。原因是，PCC方法中两景影像基于像元的分类结果本身存在椒盐现象，两景影像分类结果进行分类后比较分析时使得这种识别错误进一步累积，导致分类结果中椒盐现象增多。TSPM分类采用像元归属概率和时空概率的方法，以滤波的方式，去除了单期影像的椒盐现象，最后通过阈值分析确定了像元的类别，有效的降低了单期影像椒盐现象带来的误差积累问题。模型本身采取的滤波方式进行概率计算，从一定程度上降低了单个像元类别不同于邻域像元类别这种情况发生的概率。

2、滤波尺度对分类结果的影响

为分析TSPM模型滤波尺度对分类结果的影响，实验另外分别设置5×5、7×7、9×9、11×11大小的搜索窗口，获取不同滤波尺度下的水稻时空概率图。并根据双窗口变步长的阈值确定方法计算阈值见图8，分出水稻与非水稻类。TSPM模型分类精度随滤波尺度变化的趋势见图9。

(1)滤波尺度改变对分类精度的影响分析

不同滤波尺度下TSPM分类精度见表2。随着时空概率模型水稻遥感识别方法搜索窗口的增大，用户精度逐渐降低并趋于稳定，制图精度则呈相反趋势变化，总体精度呈现先降低后增加的现象(图9)。但整体上来看呈现上升趋势。由此结果可知：随着TSPM模型搜索窗口的增大，水稻被漏分的可能性升 高，而其它类错分入水稻的可能性则在降低。其原因是随着搜索窗口的增大，中心像元归属概率的计算受到了周围像元的影响更大。模型对于作物空间分布的敏感性会有一定程度的增加，分类结果的稳定性就会降低。因此用户精度呈下降趋势而制图精度则呈上升趋势。这也很好的解释了总体精度升高的原因。但是对于分类来说，是一个目标作物错入和错出的平衡过程，因此并非窗口越大越好。从图9可以看出搜索窗口设置为9×9时较为适宜。

表2 不同滤波尺度下TSPM分类精度

(2)TSPM在不同景观特征下的适用性探讨：实验选取研究区内景观规整区域(图10)与景观特破碎区域(图11)的分类结果进行分析。从分类精度来看，TSPM在景观规整区域，用户精度在95.5％～93.5％之间，随滤波尺度增大呈下降趋势。制图精度在93.5％～97.0％之间，随滤波尺度增加呈上升趋势。总体精度均达到了93.5％以上，随滤波尺度增加呈先上升后下降趋势。景观破碎区域用户精度在95％～91％之间，制图精度在86％～91％之间，二者精度随滤波尺度增加的变化趋势与景观规整区域的相同。总体精度则在88％～89％之间，呈先下降再平缓上升的趋势。分析图12(a)可知，景观规整区域窗口大小为5×5时分类达到较好效果。分析图12(b)可知，景观破碎区域窗口大小为9×9时达到较好效果。从时空概率模型水稻遥感识别方法分类总体的结果来看，随着搜索窗口的增大，对分类总体的精度是有益的。而对于景观破碎区域，为了保证破碎区域地物边界附近像元分类更加准确，需要增加邻域像元的信息来进行判断。这也从直观上说明了TSPM模型在对景观破碎区域分类时，滤波尺度应当大于景观规整区域较为适宜。

本方法以辽宁省西部3市县(盘锦市市辖区、盘山市、大洼县)，总面积2947.7KM2(40°0′-40°6′N，121°3′-122°8′E)为实验区，将影像时间维度与空间维度相结合，以滤波方式计算像元时空概率，对水稻进行遥感分类识别，得出以下结论：

(1)本研究提出的时空概率模型水稻遥感识别方法进行作物遥感监测是可行且有效的。该模型可以充分利用中心像元的邻域像元及相邻时相像元的信息进行中心像元类别的判定。从实验结果看，该模型水稻遥感分类识别的精度较高。避免了影像被云污染、各期影像几何校正不准确及单期影像分类不准确带来的变化监测遥感分类识别类别错误信息的累积问题，并且一定程度上解决了单期影像分类结果椒盐现象累积和最终分类结果椒盐现象严重的出现。

(2)时空概率模型水稻遥感识别方法充分提取时间维度和空间维度的影像信息，利用滤波方式进行概率计算，最终判定中心像元类别。实验结果说明，TSPM滤波尺度在不同景观特征下的适用性不同。景观特征破碎区域比规整区域更适宜较大的滤波尺度。

(3)时空概率模型水稻遥感识别方法分类识别方法简单、有效的避免了影像被“云污染”的问题。针对作物的分类识别，充分提取时间和空间两个维度的像元信息，以时空概率进行目标作物阈值划分能够有效的进行水稻识别，提高了遥感影像的适用性。

以上所述，仅是用以说明本发明的具体实施案例而已，并非用以限定本发明的可实施范围，举凡本领域熟练技术人员在未脱离本发明所指示的精神与原理下所完成的一切等效改变或修饰，仍应由本发明权利要求的范围所覆盖。

Claims (6)

1.一种时空概率模型水稻遥感识别方法，用于水稻识别。其特征在于所述方法主要包括以下步骤：

步骤一、数据准备；

步骤二、数据预处理；

步骤三、构建时空概率模型；

步骤四、像元归属概率计算；

步骤五、像元时空概率计算；

步骤六、作物类别阈值划分；

步骤七、时空概率模型分类实现。

2.根据权利要求1所述的时空概率模型水稻遥感识别方法，其特征在于：所述步骤一～步骤七具体为：

步骤一、数据准备，选取目标区域，获取同一区域的多期Landsat8影像数据、航拍数据、“高分一号”数据；

步骤二、数据预处理，包括对步骤一获取的Landsat8影像数据根据一定的先验知识对影像进行初步分类；对航拍数据和“高分一号”8米分辨率数据进行坐标系转换、解译、矢量化和属性赋值并形成栅格数据；

步骤三、构建时空概率模型，以滤波方法为基础，从影像时间维度和空间维度出发，提取像元类别信息，通过概率计算的方式，构建像元时空概率计算方法。

步骤四、像元归属概率计算，定义与中心像元类别相同的邻域像元的数目占滤波窗口总数的比例为中心像元的归属概率；

步骤五、像元时空概率计算，以时间序列影像相同位置像元归属概率的均值作为中心像元的时空概率；被云污染的像元不参与时空概率计算；

步骤六、作物类别阈值划分，选取适宜的变化监测阈值划分方法，以像元时空概率为基础，计算划分作物类别的阈值。

步骤七、时空概率模型分类实现，以步骤六所计算阈值为依据，提取目标作物像元。实现作物类别划分。

3.根据权利要求2所述的时空概率模型水稻遥感识别方法，其特征在于：所述方法还包括步骤八、采用无人机航拍数据和“高分一号”8米分辨率数据评价分类结果，对选取目标区域无人机航拍影像及“高分一号”8米分辨率影像矢量化数据转化的栅格数据进行重分类，使重分类后的分类结果与所述步骤七的分类数据进行像元对像元的叠加比较，得到用于分类结果精度评价的混淆矩阵。

4.根据权利要求2所述的时空概率模型水稻遥感识别方法，其特征在于：所述步骤二中以时间序列Landsat8多期影像初步分类结果为基础数据，利用时空概率型计算方法，计算像元时空概率，通过下列公式计算得到：

P_ij＝n_j/(m*m)，(i＝1，2，...，L；j＝1，2，...，K)

式中：P_ij一第i期影像中第j个像元的归属概率；n_j一第i期影像第j个像元为中心像元时窗口内目标作物的像元个数；m*m一搜索窗口大小；L-影像总数；K-各期影像参与计算像元数；P_j-像元时空归属概率；N-参与像元时空概率计算的影像数量。

5.如权利要求2所述的时空概率模型水稻识别方法，其特征在于：所述步骤四、五是以滤波方法为基础，以概率表达像元类别为核心，构建像元时空概率计算方法。

6.如权利要求2-5之一所述的时空模型水稻识别方法，其特征在于：所述的航拍数据为高分辨率的无人机航拍数据，拍摄多个无入机航拍样方，对多幅样方进行拼接后转换坐标系。对“高分一号”8米分辨率样方数据进行坐标转换。并且目视解译矢量化及地块属性赋值，以面积占优的方法转换成一定分辨率的栅格数据。