CN105957115A - 广义dem思想下的农作物种植结构遥感提取方法 - Google Patents

Abstract

本发明属于农业遥感领域，具体为广义DEM思想下的农作物种植结构遥感提取方法，获取目标区域遥感数据，增强所要提取的农作物信息，引入广义DEM思想中地形特征点“山顶点”原理自动随机提取某类农作物一定数量的样本点，引入广义DEM思想中特征线“山脊线”作为二次筛选条件，将错误的样本点去掉，精度验证。本发明提供的广义DEM思想下的农作物种植结构遥感提取方法，农作物信息提取精度高，不需要采集农作物训练样本，不需要大量人工，减少人为因素干扰，并且自动化程度高。

Description

广义DEM思想下的农作物种植结构遥感提取方法

技术领域

本发明属于农业遥感领域，具体涉及广义DEM思想下的农作物种植结构遥感提取方法。

背景技术

农业领域应用遥感技术提取农作物种植结构的方法日益丰富，技术越来越成熟、可靠，整体效果逐步被业内认可。目前，农作物种植结构遥感提取方法很多，如基于不同数据源的遥感提取方法，包括基于MODIS、TM/ETM、SPOT、高分等不同来源、不同分辨率影像数据；如基于不同分类技术的提取方法，包括目视解译、决策树、神经网络、支持向量机等分类技术。根据已有研究成果分析发现，现有提取效果较好的农作物提取方法存在以下问题：一是需要人工采集大量的农作物训练样本；二是人为因素干扰较大；三是自动化程度较低。

发明内容

为了克服现有农作物种植结构遥感提取方法中存在的上述问题，本发明提供了一种基于广义DEM思想的农作物种植结构遥感提取方法。

本发明采用的技术方案是：

广义DEM思想下的农作物种植结构遥感提取方法，包括以下过程：

第一，获取目标区域遥感数据。遥感数据可以是高、中、低分辨率遥感影像的植被指数数据，其中，植被指数可以是ndvi、evi等。

第二，增强所要提取的农作物信息。由于某些外在影响因素，可能会导致影像数据无法达到预期要求。因此，根据专家知识，本方法选择目标区域农作物植被指数相对最大和最小时的相邻时相遥感影像各两期。其中，植被指数最大的相邻两期数据做最大合成，记为Max影像，最小的相邻两期数据做最小合成，记为Min影像。然后，通过差值法增强农作物信息，即Max影像减去Min影像，记为农作物信息差值增强影像。农作物差值增强影像应尽可能地确保所要提取的农作物位于该影像的高值区域，而其它地物位于中、低值区域。农作物冬小麦经过上述差值增强处理后，理论上，冬小麦植被指数处于高值区域，小于零的植被指数数据必然是非目标农作物信息。那么，通过掩膜差值影像中小于零的数据，可以进一步去除其它地物信息。

第三，引入广义DEM思想中地形特征点“山顶点”原理自动随机提取某类农作物一定数量的样本点。在广义DEM思想指导下，获取农作物植被指数差值影像的“山顶点”，此“山顶点”即为该类农作物的样本点。具体步骤如下：

(1)邻域统计函数计算区域最大值

邻域统计最大值函数是统计指定邻域范围内所有输入栅格像元值的最大值。此函数算法在执行过程中将访问输入栅格的每一个像元，根据设置的邻域范围计算出最大值统计数据。

(2)邻域最大值统计栅格减去输入栅格

若执行邻域统计最大值函数后的输出栅格记为RasterMax，原输入栅格记为Raster，植被指数“山顶点”栅格记为Peak，则Peak＝{(RasterMax-Raster)＝0}。红色方框高亮显示的像元就是“山顶点”。

(3)提取“山顶点”的植被指数数值

根据“山顶点”像元数据和原始输入植被指数栅格数据，即可提取山顶点处的植被指数数值。

在样本点提取过程中，若是邻域范围设置过大，提取的样本点植被指数的数值范围会小于研究区冬小麦农作物植被指数的数值范围，这样会存在漏分现象。若是邻域范围设置过小，提取的样本点植被指数的数值范围会大于研究区冬小麦农作物植被指数的数值范围，则会发生错分现象。因此，邻域范围过大和过小会发生漏分和错分现象。

由于提取的农作物样本点最佳邻域范围无法精确确定，所以本模型算法选择相对较小的邻域范围。这样会导致所提农作物样本点中存在一定数量的错误数据，因此，需要对样本点进行二次筛选，从而去掉错误样本点。

第四，引入广义DEM思想中特征线“山脊线”作为二次筛选条件，将错误的样本点去掉，统计剩余样本点最小值作为提取该类农作物的阈值，应用阈值法提取该类农作物种植面积，并进行精度验证。其中，二次筛选原理是“山顶点”必然位于“山脊线”上。因此，通过广义DEM思想提取“山脊线”，位于“山脊线”上的“山顶点”作为正确的样本点，其它剩余的“山顶点”认为是错误数据，并去除这些错误样本点。其中，山脊线提取原理是利用DEM数据提取地面的坡向变率及地面的正负地形，取正地形上坡向变率的大值即为山脊。

第五，精度验证。应用统计数据或更高分辨率遥感影像目视解译结果对本方法提取的农作物种植面积结果进行精度验证。

第六，若精度达不到应用要求，从第二步开始重新选择合适时相遥感影像，并应用新选择数据增强农作物信息，重复第三、四、五步骤，直到精度达到要求。

本发明提供的广义DEM思想下的农作物种植结构遥感提取方法，农作物信息提取精度高，不需要采集农作物训练样本，不需要大量人工，减少人为因素干扰，并且自动化程度高。

附图说明

图1为本发明的提取方法流程；

图2为本发明邻域最大值统计示例；

图3为发明植被指数“山顶点”计算示例；

图4为实施例农作物样本点提取；

图5为实施例辛集市2014年冬小麦种植空间分布及验证图；(a)分辨率为16米高分一号目视解译结果；(b)本发明方法提取结果；(c)应用高分一号目视解译验证本发明方法提取结果。

具体实施方式

下面将结合附图和实施例对本发明做进一步阐述，其中，下面的实施例只是本发明的一部分，并不是本发明的全部实施例。因此，以下实施例仅用于更加清楚地描述本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明提供的基于广义DEM思想的农作物种植结构遥感提取方法，具体过程如图1所示。下面应用本发明提取河北省辛集市2014年冬小麦种植面积及空间分布，并进行精度验证。遥感数据可以选择高中低分辨率遥感影像的植被指数，如SPOT、高分一号、TM/ETM、MODIS等影像，植被指数可以是ndvi、evi等。本次提取使用MODIS 16天合成、分辨率为250米的NDVI数据。具体提取过程如下：

(1)数据选取与增强

根据辛集市气候和种植管理方式等专家知识，得出该区域主要农作物的物候特征，具体见表1。

表1辛集市主要农作物物候特征

根据表1可以得出：4月下旬、5月上旬是冬小麦植被指数最大时期，其它干扰地物(果树、套种春玉米等)植被指数都相对较小；6月中、下旬是冬小麦收割时期，植被指数理论上最小，其它干扰地物植被指数相对较大。

综上所述，本次冬小麦提取选取2014年MODIS第113(4月下旬)天和第129天(5月上旬)NDVI数据做最大合成，记为Max影像。第161天(6月上旬)NDVI和第177天(6月下旬)NDVI做最小合成，记为Min影像。然后，通过Max影像减去Min影像来增强研究区冬小麦，并掩膜小于零的部分，记为Mask影像。

(2)随机、均匀获取研究区农作物样本点

根据广义DEM特征点“山顶点”提取原理，提取目标农作物差值NDVI“山顶点”，进而随机、均匀地获取适当数量的农作物样本点数据。

(a)邻域统计函数计算区域最大值

邻域统计最大值函数是统计指定邻域范围内所有输入栅格像元值的最大值。此函数算法在执行过程中将访问输入栅格的每一个像元，根据设置的邻域范围计算出最大值统计数据，如图2所示。

(b)邻域最大值统计栅格减去输入栅格

若执行邻域统计最大值函数后的输出栅格记为RasterMax，原输入栅格记为Raster，植被指数“山顶点”栅格记为Peak，则Peak＝{(RasterMax-Raster)＝0}。如图3所示，加黑框显示的像元就是“山顶点”。

(c)提取“山顶点”的植被指数数值

根据“山顶点”像元数据和原始输入植被指数栅格数据，即可提取山顶点处的植被指数数值，如图4所示。

具体如下：

应用模型算法计算辛集市冬小麦mask影像的邻域最大值，计算结果记为stMAX。stMAX影像再减去原差值增强NDVI影像数据(mask影像)，计算结果记为differ。其中，differ＝0的像元即为冬小麦差值NDVI“山顶点”，提取这些“山顶点”处的差值增强NDVI值，即为目标农作物冬小麦样本点数据。模型算法具体参数设置及统计结果见表2。

表2辛集市冬小麦样本点提取参数设置及统计结果

年份	stMAX矩形尺寸参数	样本点个数	样本点最小值
				2014	9	115	0.2736

(3)二次筛选农作物样本点

应用广义DEM思想提取辛集市“山脊线”，然后，根据山顶点必然位于山脊线上的原理，对研究区辛集市2014年冬小麦样本点进行二次筛选。最后，统计出筛选后的样本点最小值为0.3506，如表3所示。

表3山脊线提取设置及统计参数

年份	坡向变率	标准方差	阈值	山脊线点数	样本点最小值
						2014	0～23.915	5.31	18.605	538	0.3506

表中阈值的计算公式为：阈值＝坡向变率最大值-标准方差＝23.915-5.31＝18.605

(4)应用阈值法提取辛集市冬小麦种植面积及验证提取结果精度

以上面筛选后样本点最小值作为阈值，本次冬小麦提取采用阈值法提取辛集市2014年冬小麦种植面积及空间分布。提取结果如附图图5所示。

验证数据选用分辨率为16米的2014年4月3日高分一号遥感影像数据结合2014年6月23日高分一号影像，目视解译目标区域冬小麦的种植结构，解译数据记为2014年高分目视解译结果，如附图图5中(a)图所示。

2014年辛集市高分目视解译提取冬小麦面积为362.96平方公里，应用该解译结果验证新方法提取冬小麦的精度。具体见下面统计表4。

表4应用高分一号2014年目视解译结果验证新方法提取辛集市冬小麦精度

新方法提取冬小麦精度验证包括三个个方面：面积准确度、位置准确度以及整体精度，具体定量描述公式为：

面积准确度＝Abs(新方法提取面积-目视解译面积)/目视解译面积

位置准确度＝新方法提取结果与目视解译结果位置重合面积/目视解译面积

整体精度＝(面积准确度+位置准确度)/2

在验证过程中，除与高分一号目视解译结果验证以外，还可以应用政府部门统计数据对新方法提取结果进行面积精度验证，基于统计数据的精度验证见表5。据政府部门统计数据，辛集市常年种植小麦60万亩(400平方公里)。

表5 2014年辛集市冬小麦提取结果精度验证汇总(政府部门统计数据验证)

年份	广义DEM方法提取面积	政府部门统计面积	面积之差	准确度
					2014	372km2	400km2	28km2	93.00％

以上实施例仅用于说明本发明，而并非是对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (2)

1.广义DEM思想下的农作物种植结构遥感提取方法，其特征在于，包括以下过程：

第一，获取目标区域遥感数据；

第二，增强所要提取的农作物信息，选择目标区域农作物植被指数相对最大和最小时的相邻时相遥感影像各两期；其中，植被指数最大的相邻两期数据做最大合成，记为Max影像，最小的相邻两期数据做最小合成，记为Min影像。然后，通过差值法增强农作物信息，即Max影像减去Min影像，记为农作物信息差值增强影像；

第三，引入广义DEM思想中地形特征点“山顶点”原理自动随机提取某类农作物一定数量的样本点；

第四，引入广义DEM思想中特征线“山脊线”作为二次筛选条件，将错误的样本点去掉，统计剩余样本点最小值作为提取该类农作物的阈值，应用阈值法提取该类农作物种植面积，并进行精度验证；其中，二次筛选原理是“山顶点”必然位于“山脊线”上；

第五，精度验证，应用统计数据或更高分辨率遥感影像目视解译结果对提取的农作物种植面积结果进行精度验证；

第六，若精度达不到应用要求，从第二步开始重新选择合适时相遥感影像，并应用新选择数据增强农作物信息，重复第三、第四、第五步骤，直到精度达到要求。

2.根据权利要求1所述的广义DEM思想下的农作物种植结构遥感提取方法，其特征在于，所述的第三步骤，在广义DEM思想指导下，获取农作物植被指数差值影像的“山顶点”，此“山顶点”即为该类农作物的样本点；具体步骤包括：

(1)邻域统计函数计算区域最大值

邻域统计最大值函数是统计指定邻域范围内所有输入栅格像元值的最大值；此函数算法在执行过程中将访问输入栅格的每一个像元，根据设置的邻域范围计算出最大值统计数据；

(2)邻域最大值统计栅格减去输入栅格

若执行邻域统计最大值函数后的输出栅格记为RasterMax，原输入栅格记为Raster，植被指数“山顶点”栅格记为Peak，则Peak＝{(RasterMax-Raster)＝0}；

(3)提取“山顶点”的植被指数数值

根据“山顶点”像元数据和原始输入植被指数栅格数据，即可提取山顶点处的植被指数数值。