CN106599844A

CN106599844A - 一种基于modis传感器的水稻种植区自动提取方法

Info

Publication number: CN106599844A
Application number: CN201611155395.8A
Authority: CN
Inventors: 何隆华; 姚飞
Original assignee: Nanjing Institute of Geography and Limnology of CAS
Current assignee: Nanjing Institute of Geography and Limnology of CAS
Priority date: 2016-12-14
Filing date: 2016-12-14
Publication date: 2017-04-26
Anticipated expiration: 2036-12-14
Also published as: CN106599844B

Abstract

本发明公开了一种基于MODIS传感器的水稻种植区自动提取方法，其特征在于：对MODIS数据进行指数计算、云掩膜、时间序列合成、滤波等预处理；基于归一化植被指数对不同类型的典型地物采用阈值法进行剔除；采用一种极值检测方法对像元的归一化植被指数曲线进行检测，找出可能为水稻的像元，并进行水稻抽穗期反演；采用水稻移栽期期间地表水分指数和归一化植被指数之间的关系进行水稻像元的最终提取。本发明可以精确提取水稻像元，在不同地区均有较强的适用性，并能区分单季稻与多季稻，能为国土、测绘、农业等部门提供快速准确的水稻空间分布信息，为不同部门的科学决策作支持。

Description

一种基于MODIS传感器的水稻种植区自动提取方法

技术领域

本发明涉及一种基于MODIS传感器的水稻种植区自动提取方法。

背景技术

水稻是我国第二大粮食作物，关系国家粮食安全问题，对于水稻面积和空间分布的调查一直是国土资源调查的重点(Peng et al.2014；Zhang et al.2015；邓睿etal.2010)。近年来，随着卫星平台技术的发展，使用遥感进行土地资源大范围的调查成为一个技术热点，利用多时相遥感进行水稻的自动提取是其中之一。在实际使用中，搭载于Terra/Auqa卫星上的MODIS(Moderate-resolution Imaging spectroradiometer)传感器具有多波段(36波段)、高时相(1天)、中等空间分辨率(250～1000m)等特点因而被广泛应用。

水稻是禾本科一年生植物，从播种到收割可分为出苗期、三叶期、移栽期、返青期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期和成熟期等10个阶段(孙华生2009)。由于不同地区的气候、水土、品种以及种植制度不同，各地的播种时间有所差异，但总体的生长周期相近，一个完整的水稻生长周期约为90～110天。水稻是灌溉作物，在生长周期内根部需长期浸没于水中。因此，水稻田是植被与水的混合地表，具有其独特的地表特性。

因此，在使用遥感进行水稻提取的方法中，最为常用的指数是植被指数和水分指数，较为常用的有如NDVI(Normalized Difference Vegetation Index，归一化植被指数)、EVI(Enhanced Vegetation Index，增强型植被指数)、EVI2(2-band EVI，双波段EVI指数)、LSWI(Land Surface Water Index，地表水分指数)和NDWI(Normalized Difference WaterIndex，归一化水体指数)等(Qin et al.2015；Wang et al.2015；Xiao et al.2006；Xiaoet al.2005)。植被指数能够反映植被的生长情况，水分指数对地表的湿度较为敏感，这类指数通常是针对不同物体在光谱曲线上的特征波段计算所得。如植被叶片在近红外波段具有很强的反射峰，在红波段吸收很强，因此利用该两波段进行归一化计算所得的NDVI指数突出了植被信息，且地表植被越茂盛NDVI指数越高(Gao 1996；Huete et al.2002)。

基于植被指数能够反映地表植被的生长信息以及水分指数能够反映地表湿度信息，使用多个时相的遥感影像，通过观察分析植被指数和水分指数的变化并结合研究区水稻的种植周期进行水稻的提取是当前常用的方法(Cheng et al.2014；Peng et al.2011；Shi et al.2014；Sun et al.2009；Thi Thu Ha et al.2012；刘新圣et al.2010；张猛and曾永年2015；张友水et al.2007；郑长春et al.2009)。但目前的技术手段大都针对一个一定范围的具体研究区，通常假定在研究区内水稻的播种时间、生长态势一致，限制了研究范围。本方法通过首先反演区域水稻的物候期，再进行水稻的识别，使得方法具有更强的普适性，能够满足水稻空间分布与制图业务化的需求。

参考文献

[文献1]PENG D,HUANG J F,LI C J,et al.Modelling paddy rice yield usingMODIS data.Agricultural and Forest Meteorology,2014,184:107-116.

[文献2]ZHANG G L,XIAO X M,DONG J W,et al.Mapping paddy rice plantingareas through time series analysis of MODIS land surface temperature andvegetation index data.ISPRS Journal ofPhotogrammetry and Remote Sensing,2015,106:157-171.

[文献3]邓睿,黄敬峰,王福民,等.基于中分辨率成像光谱仪(MODIS)数据的水稻遥感估产研究——以江苏省为例.中国水稻科学,2010,(01):87-92.

[文献4]孙华生.利用多时相MODIS数据提取中国水稻种植面积和长势信息.浙江大学,2009.

[文献5]XIAO X M,Boles S,Frolking S,et al.Mapping paddy riceagriculture in South and Southeast Asia using multi-temporal MODISimages.Remote Sensing of Environment,2006,100(1):95-113.

[文献6]XIAO X M,Boles S,LIU J Y,et al.Mapping paddy rice agriculturein southern China using multi-temporal MODIS images.Remote Sensing ofEnvironment,2005,95(4):480-492.

[文献7]QIN Y W,XIAO X M,DONG J W,et al.Mapping paddy rice plantingarea in cold temperate climate region through analysis of time series Landsat8(OLI),Landsat 7(ETM+)and MODIS imagery.Isprs Journal ofPhotogrammetry&RemoteSensing,2015,105:220-233.

[文献8]WANG J,HUANG J F,ZHANG K Y,et al.Rice Fields Mapping inFragmented Area Using Multi-Temporal HJ-1A/B CCD Images.Remote Sensing,2015,7(4):3467-3488.

[文献9]Huete A,Didan K,Miura A,et al.Overview of the radiometric andbiophysical performance of the MODIS vegetation indices.Remote Sensing ofEnvironment,2002,83(1–2):195-213.

[文献10]Gao B C.NDWI—A normalized difference water index for remotesensing of vegetation liquid water from space.Proc Spie,1996,58(3):257-266.

[文献11]SHI J J,HUANG J F.Application of MODIS time series data toestimate effects of rice planthopper in Yangtze River Delta region,in ThirdInternational Conference on Agro-Geoinformatics,2014,281-286.

[文献12]PENG D L,Huete A R,HUANG J F,et al.Detection and estimationofmixed paddy rice cropping patterns with MODIS data.International Journal ofApplied Earth Observation and Geoinformation,2011,13(1):13-23.

[文献13]CHENG Y X,WANG X Z,GUO J P,et al.Dynamic Monitoring of SpringCold Damage of Double Cropping Rice in Southern China.ScientiaAgriculturaSinica,2014,47(24):4790-4804.

[文献14]SUN H S,HUANG J F,Huete A R,et al.Mapping paddy rice withmulti-date moderate-resolution imaging spectroradiometer(MODIS)data inChina.Journal of Zhejiang University-Science A,2009,10(10):1509-1522.

[文献15]Nguyen T,De B,Ali A,et al.Mapping the irrigated rice croppingpatterns of the Mekong delta Vietnam,through hyper-temporal SPOT NDVI imageanalysis.International Journal ofRemote Sensing,2012,33(2):415-434.

[文献16]刘新圣,孙睿,武芳,等.利用MODIS-EVI时序数据对河南省土地覆盖进行分类.农业工程学报,2010,(S1):213-219.

[文献17]张友水,原立峰,姚永慧.多时相MODIS影像水田信息提取研究.遥感学报,007,(02):282-288.

[文献18]郑长春,王秀珍,黄敬峰.多时相MODIS影像的浙江省水稻种植面积信息提取方法研究.浙江大学学报(农业与生命科学版),2009,(01):98-104.

[文献19]张猛,曾永年.基于多时相Landsat数据融合的洞庭湖区水稻面积提取.农业工程学报,2015,(13):178-185.

发明内容

本发明的目的在于提供一种基于MODIS传感器的水稻种植区自动提取方法，本发明的方法能够实现大范围水稻种植区的快速制图，为国土资源、测绘、农业部门提供快速全面准确的水稻面积与空间分布信息。

为了实现上述目的，本发明所采用的技术方案如下：

一种基于MODIS传感器的水稻种植区自动提取方法，对MODIS数据进行云掩膜、光谱指数计算以及时间序列滤波等预处理；采用显著阈值对典型的非水稻地物进行剔除；采用一种适用于离散数据的曲线极值检测方法进行水稻疑似像元的检测并进行物候的反演；利用移栽期水分指数和植被指数关系进行水稻的提取；

具体地，所述的方法包括如下步骤：

1)获取待监测区域MODIS数据，计算NDVI指数、LSWI₂指数，之后剔除云层像元，将剔除云层像元的数据按时间合成为NDVI、LSWI₂时间序列影像，并对时间序列影像像元进行平滑降噪处理；

其中，所述MODIS数据选用MOD09A1数据；

MOD09A1数据经过了辐射定标、大气校正并选择8天内最佳反射率像元进行合成得到，影像质量好，且时间分辨率也较高，提取效果好。

2)剔除典型非水稻地物；

分析不同地物的NDVI指数在一年中的变化，统计各像元NDVI指数的最大值、平均值、最小值，采用阈值法对典型的非水稻地物进行掩膜剔除。

3)物候反演与水稻疑似像元识别；

结合水稻NDVI值范围与极值检测进行水稻疑似像元识别，所述极值检测的方法具体为：采用一个大小为5的时间序列窗口对各像元NDVI曲线进行极值检测，检测得到极值点数目为1个，或有两个极值点且极值点之间相差的时相大于8时，该像元为水稻疑似像元；

其中，时相与天数之间通过“天数＝4+8*时相”进行转换；

采用水稻疑似像元进行物候反演，极值点所在的时间为水稻抽穗期；

4)水稻像元提取；

将步骤3)中极值点所在时相减10，得到水稻移栽期时相，利用水稻移栽期NDVI与LSWI₂之间关系，以及水稻移栽期NDVI的指数值提取水稻像元。

上述步骤(1)中，NDVI指数采用MODIS数据第1波段和第2波段计算，LSWI₂指数采用MODIS数据第2波段和第7波段进行计算。采用云掩膜处理剔除云层像元，具体为：将蓝波段反射率大于10％的像元视为云层覆盖像元，进行掩膜。平滑处理的方式为采用窗口为5的Savitzky-Golay滤波器对各个像元的NDVI、LSWI₂时间序列进行滤波。

上述步骤(2)中，剔除典型非水稻地物所采用的阈值来自于对纯净像元样本的分析；所述典型非水稻地物地表类型包括城镇、水体、林地、洲滩。其中，纯净像元样本指的是通过野外采样获得的某个地物类型的样本数据，即一个像元中全是一个地物类型，它能代表这个地物类型理论上的NDVI时间序列数据，基于纯净像元样本确定阈值后，对步骤1)中的NDVI数据进行阈值剔除。

上述步骤(3)中，具体采用如下关系式对像元NDVI时间序列曲线进行检测：

(t_n＞0.6)&(t_n-2＜t_n-1＜t_n＞t_n+1＞t_n+2) (3)

其中t为NDVI值，n为剔除云层像元后NDVI时相号。

上述步骤(4)中，具体采用如下关系式进行水稻移栽期像元的提取：

(LSWI₂+T＞NDVI)&(NDVI＜0.4) (4)

其中T为阈值，T＝0.05。

本发明结合水稻生长周期与遥感植被指数、水分指数的关系，设计并实现了一种结合物候反演的水稻提取方法，通过极值检测这一关键步骤确定待分类像元是否初步具备水稻特征，并对具备特征的水稻疑似像元进行物候期的反演。因此，该方法不依赖于具体区域的水稻种植时间，能够适用于大范围的水稻提取，能够实现快速准备的大范围水稻制图，有助于实现对水稻面积的变化趋势评估，为国土资源、农业等部门的决策提供科学支持。

下面结合具体实施对本发明进行详细描述。本发明的保护范围并不以具体实施方式为限，而是由权利要求加以限定。

附图说明

图1是本发明时间序列合成示意图；

图2是典型地物NDVI曲线；

图3是典型地物NDVI值统计图；

图4是水稻年际NDVI曲线变化；

图5是水稻NDVI与LSWI₂变化曲线；

图6是江西省2010年水稻空间分布图。

具体实施方式

下面通过具体实施例对本发明所述的技术方案给予进一步详细的说明，但有必要指出以下实验只用于对发明内容的描述，并不构成对本发明保护范围的限制。

本发明给予MODIS传感器MOD09A1数据实现江西省2010年水稻面积的提取，步骤如下：

1、MOD09A1数据的预处理；

遥感指数计算与指数影像时间序列合成：计算每个时相下的NDVI、LSWI₂指数，其计算公式如下：

其中ρ_nir为近红外波段反射率，ρ_red为红波段反射率，ρ_swir2为MODIS第二短波红外波段(波段：2105～2155nm)反射率。

云掩膜：将蓝波段反射率大于10％的像元视为云层覆盖像元，进行掩膜。

将一年共46个时相(一个时相为8天)计算所得的NDVI、LSWI₂影像分别按时间合成为NDVI、LSWI₂时间序列影像(示意图如图1)。

时间序列滤波：采用窗口为5的Savitzky-Golay滤波器对像元NDVI、LSWI₂时间序列进行滤波，消除噪声，平滑数据。

2、典型地物的剔除；

将地物分为单季稻、双季稻、水体、城镇、森林和洲滩，分析地物的纯净像元样本NDVI时间序列曲线(见图2)并统计像元NDVI时间序列数据(见图3)，得到一年中最大值、最小值和水稻生育期内(12～42时相)最大值最小值。采用阈值法对水体、城镇、森林和洲滩四类非水稻地物进行剔除。

水体：一年中NDVI最大值在0以下。

城镇：一年中NDVI最大值在0.6以下。

森林：一年中NDVI最小值在0.55以上。

洲滩：在水稻生育期出现NDVI小于0.1。

3、物候反演与水稻疑似像元识别；

水稻NDVI曲线具有较为明显的规律性变化(见图4)，因此采用如下关系式对像元NDVI时间序列曲线进行检测：

(t_n＞0.6)&(t_n-2＜t_n-1＜t_n＞t_n+1＞t_n+2) (3)

式中t为NDVI值，n为剔除云层像元后NDVI时相号，对于获取的一年46个时相数据，2＜n＜44。将满足以上关系式的点称为显著极值点。若检测得到极值点个数为1或2且个数为2时两个极值点之间相差的时相大于8，则认为该像元为水稻疑似像元，采用水稻疑似像元进行物候反演，检测得到的极值点所在的时间为水稻抽穗期。

4、水稻提取；

水稻移栽期与抽穗期相隔时间在80天左右，因此将极值点所在时相减10，得到水稻移栽期时相。根据水稻移栽期水分信息突出，植被信息较弱的特点，采用植被指数NDVI与水分指数LSWI₂之间的关系对水稻疑似像元进一步判别(见图5a-5b)，得到水稻像元，水稻像元移栽期满足条件如下：

(LSWI₂+T＞NDVI)&(NDVI＜0.4) (4)

其中T为阈值，T＝0.05。

将满足上述所有条件的像元判别为水稻像元，其余为非水稻像元，实现江西省2010年水稻种植区的自动提取，其空间分辨率为500m(见图6)。

通过上述方法即可实现本发明所述水稻种植区的自动提取。

在本说明书的描述中，参考术语“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims

1.一种基于MODIS传感器的水稻种植区自动提取方法，其特征在于，包括如下步骤：

其中，所述MODIS数据选用MOD09A1数据；

2)剔除典型非水稻地物；

分析不同地物的NDVI指数在一年中的变化，统计各像元NDVI指数的最大值、平均值、最小值，采用阈值法对典型的非水稻地物进行掩膜剔除；

3)物候反演与水稻疑似像元识别；

4)水稻像元提取；

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，NDVI指数采用MODIS数据第1波段和第2波段计算，LSWI₂指数采用MODIS数据第2波段和第7波段进行计算。

3.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，采用云掩膜处理剔除云层像元，具体为：将蓝波段反射率大于10％的像元视为云层覆盖像元，进行掩膜。

4.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，平滑处理的方式为采用窗口为5的Savitzky-Golay滤波器对像元NDVI、LSWI₂时间序列进行滤波。

5.根据权利要求1所述的方法，其特征在于，所述步骤(2)中，剔除典型非水稻地物所采用的阈值来自于对纯净像元样本的分析；所述典型非水稻地物地表类型包括城镇、水体、林地、洲滩。

6.根据权利要求1所述的方法，其特征在于，所述步骤(3)中，具体采用如下关系式对像元NDVI时间序列曲线进行检测：

(t_n＞0.6)&(t_n-2＜t_n-1＜t_n＞t_n+1＞t_n+2) (3)

其中t为NDVI值，n为剔除云层像元后NDVI时相号。

7.根据权利要求1所述的方法，其特征在于，所述步骤(4)中，具体采用如下关系式进行水稻移栽期像元的提取：

(LSWI₂+T＞NDVI)&(NDVI＜0.4) (4)

其中T为阈值，T＝0.05。