CN109685081A - 一种遥感提取撂荒地的联合变化检测方法 - Google Patents
一种遥感提取撂荒地的联合变化检测方法 Download PDFInfo
- Publication number
- CN109685081A CN109685081A CN201811614941.9A CN201811614941A CN109685081A CN 109685081 A CN109685081 A CN 109685081A CN 201811614941 A CN201811614941 A CN 201811614941A CN 109685081 A CN109685081 A CN 109685081A
- Authority
- CN
- China
- Prior art keywords
- data
- remotely
- land
- sensed
- farmland
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种遥感提取撂荒地的联合变化检测方法,包括获取数据组合、执行遥感数据预处理、执行地理信息数据专题提取、执行多源数据联合配准处理、执行年内检测与年际检测相组合的联合变化检测五个步骤。本发明的方法既提高了撂荒地提取精度,使提取总精度高达97.6%,同时又能有效区分撂荒地类型。本发明为调查研究撂荒地时空演变、定向提升撂荒地管理方法,提供了必要的信息基础及技术体系。
Description
技术领域
本发明涉及撂荒地检测领域,具体涉及一种遥感提取撂荒地的联合变化检测方法。
背景技术
联合国粮农组织FAO(Food and Agriculture Organization)预计,2050年世界人口总数将增长到91亿,故而需要在40年内增加全球70%的粮食产量才能满足人口增长的需求。同时,随着生活水平的提高,以肉类为主的单位人均农产品消耗量也在增长。农产品需求在世界范围内将持续走高,在此背景下的耕地撂荒逐渐成为一个严肃的问题。撂荒地的消极影响包括:减少粮食产量、造成传统栽培形式的不可逆转的损失、破坏乡村景观、影响农民收入、造成物种丰富生境的长期丧失、增加野生火灾发生概率等。积极影响包括:增强土壤的稳定性,提高碳贮存能力和生物多样性的暂时增加。
目前的撂荒地传统提取方法主要分为两大类:第一类提取方法是基于遥感图像分类的方法:如目视解译、非监督分类、监督分类、面向对象分类等。第二类提取方法是基于变化检测的方法:如直接变化检测、分类后变化检测、植被指数变化检测、非遥感数据(主要为GIS数据)的变化检测等。
然而,第一类基于遥感图像的分类方法的前提是撂荒地必需与其它地类存在显著差别,而实际中,撂荒地的地表覆被复杂,样本可分离度低,很容易同裸地、草地、灌木等地类混分。第二类变化检测方法的前提是耕地在监测周期内发生撂荒,对于监测周期之前已经发生的撂荒地无能为力,且容易受非耕地变化噪声影响。此外,遥感数据本身也存在一定限制,中低分数据空间分辨率低,不足以提取撂荒地;高分数据重访周期长、幅宽小,难以保证大区域的时空覆盖,且易受地形、云层干扰。再加上撂荒地存在多种类型(完全撂荒、半撂荒、过渡撂荒),不同区域的作物特征和种植制度也有差别,因此,用上述传统方法精确提取撂荒地存在诸多困难。
发明内容
本发明所要解决的技术问题是针对现有技术中存在上述缺陷,提供一种即使撂荒地必需与其它地类不存在显著差别也能遥感提取撂荒地信息的,不易受非耕地变化噪声影响的联合变化检测方法。
根据本发明,提供了一种遥感提取撂荒地的联合变化检测方法,包括:
第一步骤:获取数据组合;
第二步骤:执行遥感数据预处理;
第三步骤:执行地理信息数据专题提取;
第四步骤:执行多源数据联合配准处理;
第五步骤:执行年内检测与年际检测相组合的联合变化检测。
优选地,所述数据组合包括:目标监测周期内目标监测区全覆盖下的高时空遥感数据、目标监测周期内的土地利用数据、目标监测周期内的退耕还林数据、以及目标监测周期内的设施占用耕地数据。
优选地,遥感数据的观测频度为与农作物的播种期、成熟期、收割期分别对应的春季、夏季、秋季,目标监测周期至少为2年,遥感数据的时间分辨率不低于15天,遥感数据的空间分辨率不低于16米,获取遥感数据所采用的波段组合包括可见光-近红外波段。
优选地,第二步骤的遥感数据预处理包括依次执行下述处理:
执行云覆盖处理:从整体高时空遥感数据中去除经由其中云覆盖区域占整个影像的面积超过预定第一比值的影像获取的高时空遥感数据;
执行坐标系转换:将目标监测周期内的土地利用数据的坐标系统、目标监测周期内的退耕还林数据的坐标系统以及目标监测周期内的设施占用耕地数据的坐标系统转换成遥感数据的数据源的坐标系统;
执行反射率生产处理:根据传感器的定标方程和定标系数,将传感器记录的量化遥感影像像元亮度值转换成对应视场的表观辐射亮度,以使不同影像像元值具有相同的量纲水平,然后利用大气校正获得地表反射率。
对数据组合中的所有数据执行几何校正:以执行反射率生产处理后得到的一期几何精校正数据或土地利用数据为基准,自动或手动生成几何控制点,采用多项式模型进行几何校正。
优选地,第三步骤的执行地理信息数据专题提取包括:从土地利用数据中提取耕地矢量图层、村庄边界及名称图层、建筑用地图层,从退耕还林数据提取还林图层,并将获取的数据存储为掩膜文件,从而得到矢量图层形式的地理信息数据。
优选地,第四步骤的多源数据联合配准处理包括:
高精度几何相对校正,其中以可靠性最高的遥感数据为参照底图,自动选择控制点以优化其他遥感数据的RPC参数,并利用数字高程模型实现高精度几何相对校正。
优选地,第四步骤的多源数据联合配准处理包括:通过相对辐射归一化来校正不同数据源的相对误差并且平滑植被覆盖指数突变。
优选地,相对辐射归一化可包括下述处理:
在辐射定标和大气校正基础上,将所有数据重采样到基准数据空间分辨率,其中升采样采用二次线性插值模型,降采样采用像素聚合模型;
以季度为单元,将所有数据分组,每一组代表一个季节的数据集合;
依据重叠区域直方图匹配方法将每一组数据进行拼接和匀色;
将各组数据输出为4波段同一分辨率的ENVI标准格式,并用行政边界进行裁剪。
优选地,第五步骤的联合变化检测包括下述步骤:
进行年内检测:以第三步骤中提取的耕地矢量图层对遥感图像进行掩膜以得到耕地斑块集合,将耕地斑块集合视为分段函数集合F1;然后生成NDVI数据集,利用农作物NDVI的季节变化分别进行春季到夏季以及夏季到秋季两次变化检测,检测结果记作D1、D2,对两次检测结果取交集,提取正在种植耕地区域;最后,以总耕地区域减去正在种植耕地区域得到未种植耕地区域,即撂荒地区域,记作A1;于是有A1=F1-D1∩D2;
进行年际检测:以第三步骤中提取的耕地矢量图层对遥感影像数据进行掩膜,将ROI限定在耕地范围内;然后对前后两年的夏季遥感影像ROI进行植被指数变化检测,将当前NDVI比前一年的NDVI小预定比例的耕地斑块提取出来,记作D3;计算年际撂荒斑块集合A2为:A2=D3;
利用公式A=A1∪A2,AT=T+B,AH=A2-A2∩AT,AC=A-AT-AH计算总撂荒区域A、完全撂荒区域AC、半撂荒区域AH、过渡撂荒区域AT,其中B为设施占地区域,T为退耕还林区域。
本发明提供的一种遥感提取撂荒地的联合变化检测方法的最优技术方案如下:
第一步骤中所述数据组合包括:目标监测周期内目标监测区全覆盖下的高时空遥感数据、目标监测周期内的土地利用数据、目标监测周期内的退耕还林数据、以及目标监测周期内的设施占用耕地数据;遥感数据的观测频度为与农作物的播种期、成熟期、收割期分别对应的春季、夏季、秋季,目标监测周期至少为2年,遥感数据的时间分辨率不低于15天,遥感数据的空间分辨率不低于16米,获取遥感数据的波段组合包括可见光-近红外波段;
第二步骤的遥感数据预处理包括依次执行下述处理:
执行云覆盖处理:从整体高时空遥感数据中去除经由其中云覆盖区域占整个影像的面积超过预定第一比值的影像获取的高时空遥感数据;
执行坐标系转换:将目标监测周期内的土地利用数据的坐标系统、目标监测周期内的退耕还林数据的坐标系统以及目标监测周期内的设施占用耕地数据的坐标系统转换成遥感数据的数据源的坐标系统;
执行反射率生产处理:根据传感器的定标方程和定标系数,将传感器记录的量化遥感影像像元亮度值转换成对应视场的表观辐射亮度,以使不同影像像元值具有相同的量纲水平,然后利用大气校正获得地表反射率;
对数据组合中的所有数据执行几何校正:以执行反射率生产处理后得到的一期几何精校正数据或土地利用数据为基准,自动或手动生成几何控制点,采用多项式模型进行几何校正;
第三步骤的执行地理信息数据专题提取包括:从土地利用数据中提取耕地矢量图层、村庄边界及名称图层、建筑用地图层,从退耕还林数据提取还林图层,并将获取的数据存储为掩膜文件,从而得到矢量图层形式的地理信息数据;
第四步骤的多源数据联合配准处理包括:
高精度几何相对校正,其中以可靠性最高的遥感数据为参照底图,自动选择控制点以优化其他遥感数据的RPC参数,并利用数字高程模型实现高精度几何相对校正;
通过相对辐射归一化来校正不同数据源的相对误差并且平滑植被覆盖指数突变;
相对辐射归一化可包括下述处理:
在辐射定标和大气校正基础上,将所有数据重采样到基准数据空间分辨率,其中升采样采用二次线性插值模型,降采样采用像素聚合模型;
以季度为单元,将所有数据分组,每一组代表一个季节的数据集合;
依据重叠区域直方图匹配方法将每一组数据进行拼接和匀色;
将各组数据输出为4波段同一分辨率的ENVI标准格式,并用行政边界进行裁剪;
第五步骤的联合变化检测包括下述步骤:
进行年内检测:以第三步骤中提取的耕地矢量图层对遥感图像进行掩膜以得到耕地斑块集合,将耕地斑块集合视为分段函数集合F1;然后生成NDVI数据集,利用农作物NDVI的季节变化分别进行春季到夏季以及夏季到秋季两次变化检测,检测结果记作D1、D2,对两次检测结果取交集,提取正在种植耕地区域;最后,以总耕地区域减去正在种植耕地区域得到未种植耕地区域,即撂荒地区域,记作A1;于是有A1=F1-D1∩D2;
进行年际检测:以第三步骤中提取的耕地矢量图层对遥感影像数据进行掩膜,将ROI限定在耕地范围内;然后对前后两年的夏季遥感影像ROI进行植被指数变化检测,将当前NDVI比前一年的NDVI小预定比例的耕地斑块提取出来,记作D3;计算年际撂荒斑块集合A2为:A2=D3;
利用公式A=A1∪A2,AT=T+B,AH=A2-A2∩AT,AC=A-AT-AH计算总撂荒区域A、完全撂荒区域AC、半撂荒区域AH、过渡撂荒区域AT,其中B为设施占地区域,T为退耕还林区域。
综上所述,本发明提供了一种遥感提取撂荒地的联合变化检测方法,利用多源高分遥感数据的数据量优势,保证研究区的时空覆盖和晴空数据比重;而且本发明利用地理信息调查数据圈定耕地范围和退耕还林范围,减少非耕地变化噪声干扰;此外,本发明针对不同类型的撂荒地分别采用年内检测法和年际检测法,并将之耦合为联合变化检测法。本发明的方法既提高了撂荒地提取精度,使提取总精度高达97.6%,同时又能有效区分撂荒地类型。本发明为调查研究撂荒地时空演变、定向提升撂荒地管理方法,提供了必要的信息基础及技术体系。
由此,本发明提供了一种遥感提取撂荒地的联合变化检测方法,其中通过对多源数据组合进行遥感数据预处理,使得该方法在即使撂荒地必需与其它地类不存在显著差别的情况下,也能遥感提取撂荒地信息;而且,通过地理信息数据专题提取、多源数据联合配准以及联合变化检测的配合处理,解决了现有技术中存在的“基于变化检测的方法前提是耕地在监测周期内发生撂荒,对于监测周期之前已经发生的撂荒地无能为力”的问题,而且使得该方法不易受非耕地变化噪声影响;此外,多源数据的组合使用,可获得较高的时空精度及较强的区域背景,显著提高撂荒地监测精度。
附图说明
结合附图,并通过参考下面的详细描述,将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征,其中:
图1示意性地示出了根据本发明优选实施例的遥感提取撂荒地的联合变化检测方法的流程图。
图2示意性地示出了根据本发明优选实施例的遥感提取撂荒地的联合变化检测方法的具体示例采用的研究区地理位置示意图。
图3示意性地示出了根据本发明优选实施例的遥感提取撂荒地的联合变化检测方法的具体示例采用的技术路线示意图。
图4示意性地示出了根据本发明优选实施例的遥感提取撂荒地的联合变化检测方法的具体示例采用的农作物生长期NDVI折线图。
图5示意性地示出了根据本发明优选实施例的遥感提取撂荒地的联合变化检测方法的具体示例采用的验证点位图。
图6示意性地示出了根据本发明优选实施例的遥感提取撂荒地的联合变化检测方法的具体示例采用的联合变化检测方法提取结果图。
图7示意性地示出了根据本发明优选实施例的遥感提取撂荒地的联合变化检测方法的具体示例采用的种植耕地及全类型撂荒地面积柱状图。
需要说明的是,附图用于说明本发明,而非限制本发明。注意,表示结构的附图可能并非按比例绘制。并且,附图中,相同或者类似的元件标有相同或者类似的标号。
具体实施方式
为了使本发明的内容更加清楚和易懂,下面结合具体实施例和附图对本发明的内容进行详细描述。
图1示意性地示出了根据本发明优选实施例的遥感提取撂荒地的联合变化检测方法的流程图。
如图1所示,根据本发明优选实施例的遥感提取撂荒地的联合变化检测方法包括:
第一步骤S1:获取数据组合,其中所述数据组合包括:目标监测周期内目标监测区全覆盖下的高时空遥感数据、目标监测周期内的土地利用数据、目标监测周期内的退耕还林数据、以及目标监测周期内的设施占用耕地数据;
优选地,遥感数据的观测频度为与农作物的播种期、成熟期、收割期分别对应的春季、夏季、秋季,目标监测周期至少为2年(6期),遥感数据的时间分辨率不低于15天,遥感数据的空间分辨率不低于16米,获取遥感数据所采用的波段组合包括可见光-近红外波段。在数据组合阶段,获取遥感数据时尽量避免使用有云的影像。
此外,遥感数据的数据源优选多源、高分辨率、多光谱、高可靠性传感器数据,以保证监测区的高时空覆盖及晴空数据比重。依据“无云数据优先、高空间分辨率数据优先、高时间分辨率数据优先、高可靠性数据优先”原则筛选可用影像,经处理得到覆盖所选区域的多时相高分辨率遥感影像数据集。
地理信息数据包括全国土地利用变更调查数据、退耕还林数据、设施占地数据等,辅助数据集应包括GDEMDEM的30米DEM数据及少量农户问卷及地面调查采样点数据。即,目标监测周期内的土地利用数据、目标监测周期内的退耕还林数据以及目标监测周期内的设施占用耕地数据可以从官方公布的数据资料获取。
第二步骤S2:执行遥感数据预处理;
具体地,遥感数据预处理包括依次执行下述处理:
(1)执行云覆盖处理,其中从整体高时空遥感数据中去除经由其中云覆盖区域占整个影像的面积超过预定第一比值的影像获取的高时空遥感数据;优选地,将经由其中云覆盖区域占整个影像的面积不超过预定第一比值但是大于预定第二比值的影像获取的高时空遥感数据视为误差。
换言之,如上所述,在之前的数据组合阶段,尽量避免使用有云的影像;如单一遥感数据源不能满足晴空数据需求,则改用多源遥感数据,利用多源遥感数据的高观测频度削弱云层影响;对于没有可替换数据的大块云覆盖区域,在后处理中剔除;对于小块云覆盖区域,将其视为误差来源。
(2)执行坐标系转换:将目标监测周期内的土地利用数据的坐标系统、目标监测周期内的退耕还林数据的坐标系统以及目标监测周期内的设施占用耕地数据的坐标系统转换成遥感数据的数据源的坐标系统。例如,可以采用七参数法进行坐标系转换。
例如,遥感数据的数据源为WGS84坐标系统,土地利用数据为西安80坐标系统,退耕还林数据为北京54坐标系统;通过建立坐标转换联合平差控制点,用七参数法将所有坐标系统转换为WGS84坐标系统;
(3)执行反射率生产处理:根据传感器的定标方程和定标系数,将传感器记录的量化遥感影像像元亮度值转换成对应视场的表观辐射亮度,以使不同影像像元值具有相同的量纲水平,消除传感器间的量化级数差异对拟合精度的影响;然后,利用大气校正获得地表反射率。
其中,例如,大气校正可采用ATCOR或ENVI5.3大气校正商业化软件,如使用哨兵系列卫星数据则使用欧空局提供的Sen2Cor软件完成。其中,ATCOR或ENVI5.3可实现大部分卫星数据的大气校正;Sen2Cor专用于哨兵数据的大气校正。
(4)对数据组合中的所有数据执行几何校正:以执行反射率生产处理后得到的一期几何精校正数据(如果有)或土地利用数据(如果没有一期几何精校正数据)为基准,自动或手动生成几何控制点,采用多项式模型进行几何校正。优选地,几何校正的几何误差不超过1.5像素;哨兵数据的L1C级产品为几何精校级,可作为参考影像校正其他数据。而且例如,可以利用ENVI5.3软件对所有数据进行几何校正。
第三步骤S3:执行地理信息数据专题提取,其中从土地利用数据中提取耕地矢量图层、村庄边界及名称图层、建筑用地图层,从退耕还林数据提取还林图层,并将获取的数据存储为掩膜文件,从而得到矢量图层形式的地理信息数据;
第四步骤S4:执行多源数据联合配准处理;
具体地,多源数据联合配准处理包括:
(1)高精度几何相对校正:以可靠性最高的遥感数据为参照底图,自动选择控制点以优化其他遥感数据的RPC参数,在此基础上结合数字高程模型(DEM)实现高精度几何相对校正;
更具体地,优选使得所需遥感数据应在可见光-近红外波段的中心波长一致,避免因波长不同而使用光谱重采样导致损失精度。联合配准包括高精度几何相对校正与相对辐射归一化。其中高精度几何相对校正以质量最高的数据为参照底图,自动选择控制点以优化其余数据的RPC参数,在此基础上结合DEM实现高精度几何相对校正。
(2)通过相对辐射归一化来校正不同数据源的相对误差并且平滑植被覆盖指数突变。
具体地,例如相对辐射归一化可包括下述处理:1)在辐射定标和大气校正基础上,将所有数据重采样到基准数据空间分辨率(优选地,基准数据空间分辨率为4-10米,既可满足撂荒地提取所需精度,又不会造成过大的数据量。),升采样采用二次线性插值模型,降采样采用像素聚合模型;2)以季度为单元,将所有数据分组,每一组代表一个季节的数据集合;3)依据重叠区域直方图匹配方法将每一组数据进行拼接和匀色,增强同组数据的辐射一致性;4)将各组数据输出为4波段同一分辨率的ENVI标准格式,并用行政边界进行裁剪。由此,相对辐射归一化的目削弱了不同数据源的相对误差,及平滑NDVI(NormalDifferential Vegetation Index,归一化植被指数,标准差异植被指数)突变;输出为4波段是便于精度验证,真彩色影像更符合肉眼的认知习惯。
第五步骤S5:执行年内检测与年际检测相组合的联合变化检测。
优选地,联合变化检测包括下述步骤:
(1)进行年内检测:以第三步骤S3中提取的耕地矢量图层对遥感图像进行掩膜以得到耕地斑块集合,去除耕地范围外的变化地物干扰,将耕地斑块集合视为分段函数集合F1;然后,生成NDVI数据集,利用农作物NDVI的季节变化分别进行春季到夏季以及夏季到秋季两次变化检测,检测结果记作D1、D2,对两次检测结果取交集,提取正在种植耕地区域;例如,可以以实地采样点为依据训练阈值,变化检测采用图像差值法,平滑核为3,聚类值为25。最后,以总耕地区域减去正在种植耕地区域得到未种植耕地区域,即撂荒地区域,记作A1;于是有A1=F1-D1∩D2。即,年内检测法中,通过遥感影像提取“正在种植耕地”,通过土地利用数据的耕地矢量图层确定“总耕地”,用总耕地减去种植耕地,以间接提取“未种植耕地”,即撂荒地。
(2)进行年际检测:以第三步骤S3中提取的耕地矢量图层对遥感影像数据进行掩膜,将ROI限定在耕地范围内;然后对前后两年的夏季遥感影像ROI进行植被指数变化检测,将当前NDVI比前一年的NDVI小预定比例的耕地斑块提取出来(将NDVI显著小于前一年的耕地斑块提取出来),记作D3;则年际撂荒斑块集合A2为:A2=D3。即,撂荒地在撂荒前和撂荒后的地表覆被不同,NDVI变化明显。撂荒地地表覆被主要为草地,新撂荒的地块杂草较为稀疏,长期撂荒的地块杂草较为茂密;在发生撂荒的第一年,由于前期的耕作措施,杂草类型主要为传播较快的低矮先锋植物,且较为稀疏,光谱特征接近裸地;基于此,在年际检测法中,对前后两年夏季的遥感影像做植被差分指数变化检测;首先,以耕地矢量图层对遥感图像掩膜,将ROI限定在耕地范围内;然后对前后两年的夏季遥感影像ROI进行变化检测,将NDVI明显小于前一年的耕地斑块提取出来。
(3)对年内检测和年际检测的提取结果取并集,可得完整的撂荒地斑块集合,同时,对退耕还林及设施占地数据叠加分析,还可区分撂荒类型。具体地,利用公式A=A1∪A2,AT=T+B,AH=A2-A2∩AT,AC=A-AT-AH计算总撂荒区域A、完全撂荒区域AC、半撂荒区域AH、过渡撂荒区域AT,其中B为设施占地区域,T为退耕还林区域。
年内检测法和年际检测法各有其局限性;年内检测法无法提取土地利用类型由耕地转出的撂荒地;年际检测法无法提取监测周期以前发生的撂荒地;将2种方法耦合取并集,即联合变化检测,则可解决上述问题。联合变化检测还可区分撂荒地类型;年内检测法的提取结果主要为完全撂荒;年际检测法的提取结果主要为半撂荒;退耕还林、设施占地数据可以圈定过渡撂荒;根据上述步骤区分撂荒地类型。
可以看出,本发明首先利用多源高分遥感数据的数据量优势,保证研究区的时空覆盖和晴空数据比重;其次利用地理信息调查数据圈定耕地范围和退耕还林范围,减少非耕地变化噪声干扰;最后,针对不同类型的撂荒地分别采用年内检测法和年际检测法,并将之耦合为联合变化检测法。本发明的方法既提高了撂荒地提取精度,使提取总精度高达97.6%,同时又能有效区分撂荒地类型。本发明为调查研究撂荒地时空分布、定向提升撂荒地管理水平提供了必要的信息基础。
本发明针对研究区撂荒地特征,将不同形态的撂荒地进行分类,基于欧盟环境政策研究所IEEP对撂荒地的定义,并结合我国实际情况,多年撂荒可视为“完全撂荒”;一年撂荒和轮耕地可视为“半撂荒”;退耕还林、建筑占地等耕地转出可视为“过渡撂荒”。利用多源数据联合变化检测方法,实现了的上述三种撂荒地类型的区分和提取。
<具体示例>
1.1研究区概况
和林格尔县位于内蒙古自治区中南部(北纬39°58’-40°41’,东经111°26’-112°18’),为首府呼和浩特市所辖旗县之一。总面积3436平方公里,耕地约占县域面积的三分之一,主要种植作物为玉米、土豆、大豆等。海拔1400~2028m,年平均降水量为392.8mm。该县属内蒙古高原和黄土高原的过渡地带,东南部山区面积占县域面积的20.4%;中部和南部的黄土丘陵区占总面积的57.3%;西北部属土默川平原的边缘,面积占和林格尔总面积的22.3%(图2)。选择和林格尔县作为研究区的主要原因是:(1)面积较大,具备一定代表性;(2)兼具平原、山区、黄土丘陵区,地形地貌齐全;(3)交通便利、方言易懂,便于实地调研;(4)种植类型、种植制度相对简单,减少了方法复杂性。研究区地理位置图见图2。
1.2数据来源
遥感数据源包括高分一号卫星8米、16米多光谱影像;高分二号卫星4米多光谱影像;资源三号卫星6米多光谱影像;哨兵二号卫星10米多光谱影像。获取2014年至2017年每年春(5月)、夏(7-8月)、秋(9月下旬-10月上旬)多源遥感影像106景,依据“无云数据优先、高时空数据优先、高可靠性数据优先”原则筛选可用影像63景,经处理得到覆盖全县的4年12期高分辨率遥感影像数据。地理信息数据包括全国土地利用变更调查数据、退耕还林数据、设施占地数据等(表1),才外还有GDEMDEM的30米DEM数据。
表1数据源时相分布表
1.3原理与方法
分类方法受限于撂荒地覆被类型复杂,容易与其他地类混分,且受地形影响较大。相比之下,变化检测的方法视角是发生变化的地表覆被,而非覆被类型,并且该方法受地形影响较小,相对适宜于提取撂荒地。其缺点是:(1)不能提取监测周期以前发生的撂荒地;(2)易受非耕地变化因素干扰。为解决这两个问题,首先需要将ROI定位在耕地范围,然后在耕地范围内提取“正在种植耕地”,两者相减可得到“未种植耕地”,即撂荒地。该方法有赖于对农作物的精确提取,故需对研究区的主要农作物类型、特征、种植制度予以统计分析,在此基础上确定数据时相和变化阈值。此外,利用多源数据的高时空分辨率和高晴空数据比,可有效提高监测精度。最后,对于不同类型的撂荒地需采取不同的提取策略。参考IEEP(Institute for European Environmental Policy)对撂荒地的定义[8]及研究区的实际情况,本研究将“连续2年及2年以上未种植的耕地”归入“完全撂荒”;将“一年未耕种的耕地”归入“半撂荒”;将“退耕还林、设施占地造成的短期撂荒”归入“过渡撂荒”。用“年内检测法”提取“完全撂荒”,用“年际检测法”提取“半撂荒”,用退耕还林、设施占地数据提取“过渡撂荒”,对上述方法进行耦合分析,建立“联合变化检测”撂荒地提取方法技术体系见图3。
1.3.1多源数据预处理
所选4种高分卫星在所需波段上的中心波长一致,具备数据融合的基础。
坐标系转换:遥感数据源采用WGS84坐标系统,二调数据采用西安80坐标系统,退耕还林数据采用北京54坐标系统。通过野外踏勘建立坐标转换控制点,用七参数法将所有坐标系统转换为WGS84坐标系统。
反射率生产:根据传感器的定标方程和定标系数,将其记录的量化DN值转换成对应视场的表观辐射亮度,再经大气校正获得地表反射率。大气校正分别采用ATCOR大气校正商业化软件以及欧空局提供的Sen2Cor软件完成。其中,ATCOR用于实现GF-1、GF-2、ZY-3等国产数据的大气校正;Sen2Cor用于实现Sentinel-2A的大气校正。
几何校正:利用ENVI5.3软件对所有GF-1、GF-2、ZY-3等国产数据进行几何校正。Sentinel-2A的L1C级产品为几何精校级,可作为参考影像校正其他数据。
多源数据融合:用ENVI5.3软件按以下步骤进行:(1)将所有数据重采样到10m空间分辨率,升采样采用二次线性插值方法,降采样采用像素聚合方法;(2)将采样后数据按照12期影像进行归类存储,并对每一期不同源遥感数据采用直方图匹配方法进行相对辐射归一化校正,以增强多源数据的辐射一致性;(3)对12期数据分别进行镶嵌、羽化;(4)将融合数据保存为4波段10米分辨率ENVI标准格式,并用和林格尔县行政边界进行裁剪。
1.3.2主要农作物生长特征统计
撂荒地提取精度依赖于种植耕地的提取精度。样本县主要农作物为玉米、土豆、大豆,还有少量谷子,其余零星播种作物不纳入统计(表2)。
表2主要农作物特征表
对各主要农作物生长期的NDVI特征进行统计可知(图4),玉米和谷子的NDVI较高,土豆次之,大豆最低。5月所有作物NDVI略有下降,可能是播种期除草所致;6-8月NDVI持续增长,于8—9月间达到峰值;9-10月收割期NDVI陡降;11月天气转冷,杂草枯死,NDVI继续降低。撂荒地的NDVI在8月以前持续上升,于8-9月达到峰值,9月后逐渐下降。撂荒地与农作物在8月峰值的区别度较大,在5-8月、8-10月的变化梯度差异更为显著。总体而言,研究区的主要农作物与撂荒地的NDVI峰值和变化梯度具有较高的区别度,以此作为阈值分割的基础和联合变化检测的前提。农作物生长期NDVI折线图见图4。
例如,前期进行实地踏勘,建立农作物及撂荒地样本知识库。该方法有赖于对农作物的精确提取,故需对研究区的主要农作物类型、特征、种植制度予以统计分析,在此基础上确定数据时相和变化阈值。比如,样本知识库应包括监测区主要农作物及撂荒地,零星种植的农作物不纳入统计,每种类别样本点不少于5个,同种农作物应对灌溉、雨养种植条件分别采样,将所有样本点与多时相遥感数据建立关联;以此为基础制作生长期NDVI折线图,以农作物与撂荒地区分度最大的梯度值训练阈值。
1.3.3联合变化检测
联合变化检测由年内检测法和年际检测法组成,其理论依据是:农作物在生长期的NDVI变化梯度显著高于自然植被(杂草、灌木)。基于此,分别做三次变化检测,按数据时相分为两次年内检测和一次年际检测,对检测结果做交集、并集处理以提取撂荒地。
年内检测法:以土地变更调查数据中的耕地地类为总耕地集合F1,通过遥感影像提取“正在种植耕地”,用总耕地减去种植耕地,以间接提取“未种植耕地”,即撂荒地。首先,以耕地矢量图层对遥感图像进行掩膜,去除耕地范围外的变化地物干扰,提取总耕地斑块集合F1。然后,利用农作物NDVI的季节变化分别进行“春-夏”、“夏-秋”两次变化检测,检测结果记作D1、D2,对两次检测结果取交集,提取“正在种植耕地”,记作D1∩D2。分析图4可知,春、夏、秋NDVI变化梯度最大的时相分别是5月、8月、10月,宜选用相应月份的遥感数据。变化检测采用图像差值法,阈值分割以农作物统计结果为基础,以能提取变化梯度最小的大豆且不误提撂荒地为原则,并结合时间跨度和先验知识共同拟合最佳变化阈值。最后,以“总耕地”减去“正在种植耕地”得到“未种植耕地”,即撂荒地,记作A内。公式表达:
A内=F1-D1∩D2 (1)
年际检测法:撂荒地在撂荒前和撂荒后的地表覆被不同,NDVI变化明显。经实地调研,研究区的撂荒地地表覆被主要为草地,新撂荒的地块杂草较为稀疏,长期撂荒的地块杂草较为茂密。在发生撂荒的第一年,由于前期的耕作措施,杂草类型主要为传播较快的低矮先锋植物,且较为稀疏,光谱特征接近裸地。将前后两年夏季的遥感影像为基础做变化检测,经实验分析可以取得较好的效果。首先,以耕地矢量图层对遥感图像掩膜,将ROI限定在耕地范围内。然后对前后两年的夏季遥感影像ROI进行变化检测,将NDVI明显小于前一年的耕地斑块提取出来,记作D3。则年际撂荒斑块集合A际为:
A际=D3 (2)
年内检测法和年际检测法各有其局限性。年内检测法无法提取土地利用类型由耕地转出的撂荒地;年际检测法无法提取监测周期以前发生的撂荒地。将2种方法耦合取并集,即联合变化检测,则可解决上述问题。完整的撂荒地分布斑块集合A为:
A=A内∪A际 (3)
联合变化检测还可区分撂荒地类型。年内检测法的提取结果主要为完全撂荒;年际检测法的提取结果主要为半撂荒;退耕还林、设施占地数据可以圈定过渡撂荒。根据下列步骤区分撂荒地类型:
过渡撂荒:A过=T+B (4)
半撂荒:A半=A际-A际∩A过 (5)
完全撂荒:A完=A-A过-A半 (6)
其中,退耕还林为T、设施占地为B、A过为过渡撂荒、A半为半撂荒、A完为完全撂荒、A为总撂荒、A内为年内检测法提取撂荒斑块集合、A际为年际检测法提取撂荒斑块集合。
由于撂荒地覆被类型复杂,很容易同草地、灌木混分,导致分类方法的提取精度不高。而变化检测方法易受非耕地变化因素干扰,且只能提取监测周期内的新增撂荒,无法提取监测周期之前的历史撂荒。此外,受遥感数据本身的制约,中低分数据受混合像元干扰而提取能力不足,高分遥感易受地形起伏、云层遮蔽、覆盖周期长等因素干扰而损失精度,因此,传统遥感方法提取撂荒地是困难的。而本发明采用多源数据联合变化检测方法以提取撂荒地,利用多源数据的异质性和不同方法的互补性,针对不同类型的撂荒地制定不同的提取策略,并进行耦合分析以提取撂荒地。由上述实施例的实地调查验证可知,本发明方法的提取总精度达到97.6%,且能有效区分撂荒地类型。将本发明的方法应用于内蒙古和林格尔县,提取结果表明,样本县连续4年的撂荒率均超过30%,并以完全撂荒占绝对优势,说明我国北方黄土丘陵区、山区的撂荒情况较为严重。此外,对多源数据和检测结果进行数据挖掘,可提取“距离特征”、“高差特征”、“灌溉特征”、“邻域特征”等自然地理指标,对其进行显著性分析,有助于判别区域撂荒主导因素,为撂荒驱动力研究、定向提升撂荒地管理方法提供依据。
2.结果与分析
2.1精度评价
精度评价采用野外实地验证和目视解译两种方法结合。在联合变化检测提取出的最后一年撂荒地图斑上,用Aregis10.5软件生成均匀分布的100个以上随机点做为验证点,其为年际检测法提取结果点与年内检测法提取结果点的总合,最小点距为150米;对其中三分之一以上的验证点进行野外实地考察验证,其余验证点结合高分遥感数据目视解译验证;用混淆矩阵或检测率表评估提取撂荒地的精度指标。具体地,例如,在提取出的2017年撂荒地图斑上,用Aregis10.5软件生成均匀分布的450个随机点(图5),其中年际检测法提取结果230个点,年内检测法提取结果220个点,最小点距为150米。对450个验证点中的120个点进行野外实地考察验证,其余330个验证点结合高分遥感数据目视解译验证。验证点位图见图5。
以联合变化检测法提取的撂荒地斑块为基础,结合30米DEM数据,以及图5的随机验证点和二调数据的旱地、水浇地、建筑用地、村庄边界等信息,可以提取4种空间特征指标,分别是:“撂荒地块距村庄中心距离”;“撂荒地块距村庄中心高差”;“撂荒地块的灌溉类型”(旱地/水浇地);“一年撂荒地与多年撂荒地的邻接关系”。
经验证,联合变化检测方法提取撂荒地总体精度为97.6%,说明撂荒地提取结果真实可信,方法可行。保障方法有效性及观测精度需注意:(1)研究前期进行实地踏勘,建立农作物及撂荒地样本知识库。(2)多源数据的组合原则:无云数据优先、高分数据优先、高质量数据优先。(3)以高质量数据为基准(S-2A),尽量削弱多源数据的系统差异,平滑NDVI突变。(4)阈值分割以各地类样本统计为基础,综合考虑时相跨度和年际降雨量变化。
2.2联合变化检测结果分析
2.2.1空间特征提取及统计分析
以联合变化检测法提取的撂荒地斑块为基础,结合30米DEM数据,以及图5的随机验证点和二调数据的旱地、水浇地、建筑用地、村庄边界等信息,可以提取4种空间特征指标,分别是:“撂荒地块距村庄中心距离”;“撂荒地块距村庄中心高差”;“撂荒地块的灌溉类型”(旱地/水浇地);“一年撂荒地与多年撂荒地的邻接关系”。考虑到坡度可由距离和高差求得,导致多重共线性,故不予提取。
距离特征:准确的距离特征应是农户到撂荒地块的距离,需要掌握农户的位置坐标、撂荒地块的权属及是否流转,超出了遥感方法的解决范畴,并极大增加了计算复杂性。因此,本研究以“撂荒地块距村庄中心距离”替代距离指标。农户住宅通常聚集于村庄中心(建筑区中心),村庄中心坐标可由高分遥感影像结合二调数据(建筑用地)直接判读,撂荒地块的归属村庄可由村庄边界获得(图5)。基于此,对均匀分布的随机撂荒地块进行距离统计,得出:研究区的撂荒地距所属村庄中心的平均距离为1.17公里,而村庄的耕地辐射范围通常为2-4公里甚至更远,可见距离对撂荒的影响并不显著。究其原因,机动车和农用机械的普及使得耕地的距离远近并不成为撂荒与否的主要原因。
高差特征:同理,以村庄中心高程为基准高程,基于30米DEM数据对撂荒地距所属村庄的高差进行统计,得出研究区撂荒地平均高于村庄基准面40.8米。撂荒地受高差因素影响显著。结合实地调研分析,高差对撂荒的驱动作用为限制了农用机械的使用,增加了劳动力成本。
灌溉特征:以二调数据为本底,对研究区耕地、撂荒地的旱地/水浇地属性类别进行统计,得出全县耕地的旱地比例为72.3%,全县撂荒地的旱地比例为73.3%。“耕地是否为旱地”对“耕地是否撂荒”只产生微弱贡献,换言之,耕地和撂荒地的旱地比例差异不显著,说明灌溉条件对撂荒地的驱动力远低于预计,可能是由于研究区广泛种植土豆、谷子等耐旱作物所致。
邻域特征:对新增撂荒地块(半撂荒)的空间分布规律进行统计分析发现,样本县81.9%的新增撂荒地块紧邻多年撂荒地块(完全撂荒),说明一方面农户决策受相邻其他农户决策的影响;另一方面,局部区域的耕地内源性因素相似,撂荒地会向相似条件的地块“蔓延”。
2.2.2区域撂荒综合分析
利用多源数据、联合变化检测方法对研究区的撂荒地进行全类型提取。将“连续2年及2年以上未种植的耕地”归入“完全撂荒”;将“一年未耕种的耕地”归入“半撂荒”;将“退耕还林、设施占地造成的短期撂荒”归入“过渡撂荒”。全类型撂荒地提取结果见图6(本研究采用的卫星数据源均为2013年以后发射,缺乏2014年以前的高分遥感数据,故无法对2014年数据做年际检测和全类型提取)。结果表明(图6)种植耕地主要分布于和林格尔县西北部土默川平原,及县域内两条河流沿岸区域。西北部平原因地形平整、易于灌溉和机械化种植,撂荒较少。同时,河岸附近耕地多为冲洪积地貌,地形相对平整,方便耕种且农作物产量较高,几乎不存在撂荒现象。从河岸向两侧山区辐射,因机械化种植的难度加大,农作物产量降低,导致撂荒地逐渐增多,可见地形是影响和林格尔县山区丘陵耕地撂荒的重要自然因素。
完全撂荒主要分布于西南及东南部的黄土丘陵区、以及东北部山区。其分布特征与种植耕地相反,山区丘陵由于交通不便、地形崎岖、不易机械化种植、难以流转等原因导致撂荒较多,平原地区完全撂荒较少。值得注意的是,完全撂荒在一些区域(西南、东南)已呈集中连片之势,并完全取代了种植耕地,说明这些区域人口大量迁出、村庄衰落,农业完全废弃。
半撂荒在全县零星分布,不同年份的分布特征不同。2015年多分布于西北部平原,2016年多分布于山区丘陵,2017年平原山区都有分布。分布于平原区的半撂荒多为休耕地,待地力恢复后继续耕种;分布于山区丘陵的半撂荒则有很大概率在第二年继续撂荒,最终转为完全撂荒。
过渡撂荒在研究区有两种形式:退耕还林和设施占地。对监测周期内的相关数据进行整理:研究区每年退耕还林1万亩耕地,各个乡镇平均分配,山区乡镇较多。其中2014年没有退耕还林工程,2017年的退耕还林工程尚未完成小班验证。设施占地方面较大型的占地项目主要为“盛乐国际机场项目”,计划征收3.4万亩土地,主要涉及西北4个行政村,截至目前尚未征收完毕。其他设施占地项目面积较小,占比不超过全县耕地面积的千分之一,故不予统计。对已有退耕还林及设施占地数据进行数字化、坐标转换、配准等处理,并与其他数据耦合分析以提取过渡撂荒。对种植耕地和全类型撂荒地进行统计(见图7)。
由图6、图7可知,研究区撂荒类型以完全撂荒为主,半撂荒和过渡撂荒较少;撂荒地多分布于山区丘陵,平原分布较少。该县2014年撂荒率为37.8%,2015年为32.4%,2016年为36.7%,2017年为39%,近4年平均撂荒率为36.5%,撂荒情况较为严重。总体撂荒规模相对稳定,离差最大的2015年为4.1%,其余三年离差较小。其中,完全撂荒呈逐年增长态势,表示伴随农业人口老龄化和农村人口城镇化的趋势,撂荒地不可逆转的增加;半撂荒为外源性因素的响应,具体表现为农民受当年降雨量减少、农产品收购价格下降、地力下降、政策导向等外源性因素影响,而产生的暂时撂荒行为,此类撂荒的复耕潜力较大;过渡撂荒只受大型工程项目的影响,如退耕还林、修建公路、设施占地等,没有显著驱动因素,可视为随机扰动项。
总而言之,根据本发明的检测方法,保证了研究区的时空覆盖和晴空数据比重;而且利用地理信息调查数据圈定了耕地范围和退耕还林范围,减少了非耕地变化噪声干扰;此外,根据本发明的检测方法针对不同类型的撂荒地分别提出年内检测法和年际检测法,并将之耦合为联合变化检测法,既提高了撂荒地提取精度,又能区分撂荒类型,以利进一步研究。
需要说明的是,除非特别指出,否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等,而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
可以理解的是,虽然本发明已以较佳实施例披露如上,然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言,在不脱离本发明技术方案范围情况下,都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (10)
1.一种遥感提取撂荒地的联合变化检测方法,其特征在于包括:
第一步骤:获取数据组合;
第二步骤:执行遥感数据预处理;
第三步骤:执行地理信息数据专题提取;
第四步骤:执行多源数据联合配准处理;
第五步骤:执行年内检测与年际检测相组合的联合变化检测。
2.根据权利要求1所述的遥感提取撂荒地的联合变化检测方法,其特征在于,第一步骤中所述数据组合包括:目标监测周期内目标监测区全覆盖下的高时空遥感数据、目标监测周期内的土地利用数据、目标监测周期内的退耕还林数据、以及目标监测周期内的设施占用耕地数据。
3.根据权利要求2所述的遥感提取撂荒地的联合变化检测方法,其特征在于,第一步骤中,遥感数据的观测频度为与农作物的播种期、成熟期、收割期分别对应的春季、夏季、秋季,目标监测周期至少为2年,遥感数据的时间分辨率不低于15天,遥感数据的空间分辨率不低于16米,获取遥感数据的波段组合包括可见光-近红外波段。
4.根据权利要求1至3之一所述的遥感提取撂荒地的联合变化检测方法,其特征在于,第二步骤的遥感数据预处理包括依次执行下述处理:
执行云覆盖处理:从整体高时空遥感数据中去除经由其中云覆盖区域占整个影像的面积超过预定第一比值的影像获取的高时空遥感数据;
执行坐标系转换:将目标监测周期内的土地利用数据的坐标系统、目标监测周期内的退耕还林数据的坐标系统以及目标监测周期内的设施占用耕地数据的坐标系统转换成遥感数据的数据源的坐标系统;
执行反射率生产处理:根据传感器的定标方程和定标系数,将传感器记录的量化遥感影像像元亮度值转换成对应视场的表观辐射亮度,以使不同影像像元值具有相同的量纲水平,然后利用大气校正获得地表反射率。
对数据组合中的所有数据执行几何校正:以执行反射率生产处理后得到的一期几何精校正数据或土地利用数据为基准,自动或手动生成几何控制点,采用多项式模型进行几何校正。
5.根据权利要求1至3之一所述的遥感提取撂荒地的联合变化检测方法,其特征在于,第三步骤的执行地理信息数据专题提取包括:从土地利用数据中提取耕地矢量图层、村庄边界及名称图层、建筑用地图层,从退耕还林数据提取还林图层,并将获取的数据存储为掩膜文件,从而得到矢量图层形式的地理信息数据。
6.根据权利要求1至3之一所述的遥感提取撂荒地的联合变化检测方法,其特征在于,第四步骤的多源数据联合配准处理包括:
高精度几何相对校正,其中以可靠性最高的遥感数据为参照底图,自动选择控制点以优化其他遥感数据的RPC参数,并利用数字高程模型实现高精度几何相对校正。
7.根据权利要求1至3之一所述的遥感提取撂荒地的联合变化检测方法,其特征在于,第四步骤的多源数据联合配准处理包括:通过相对辐射归一化来校正不同数据源的相对误差并且平滑植被覆盖指数突变。
8.根据权利要求7所述的遥感提取撂荒地的联合变化检测方法,其特征在于,相对辐射归一化可包括下述处理:
在辐射定标和大气校正基础上,将所有数据重采样到基准数据空间分辨率,其中升采样采用二次线性插值模型,降采样采用像素聚合模型;
以季度为单元,将所有数据分组,每一组代表一个季节的数据集合;
依据重叠区域直方图匹配方法将每一组数据进行拼接和匀色;
将各组数据输出为4波段同一分辨率的ENVI标准格式,并用行政边界进行裁剪。
9.根据权利要求1至3之一所述的遥感提取撂荒地的联合变化检测方法,其特征在于,第五步骤的联合变化检测包括下述步骤:
进行年内检测:以第三步骤中提取的耕地矢量图层对遥感图像进行掩膜以得到耕地斑块集合,将耕地斑块集合视为分段函数集合F1;然后生成NDVI数据集,利用农作物NDVI的季节变化分别进行春季到夏季以及夏季到秋季两次变化检测,检测结果记作D1、D2,对两次检测结果取交集,提取正在种植耕地区域;最后,以总耕地区域减去正在种植耕地区域得到未种植耕地区域,即撂荒地区域,记作A1;于是有A1=F1-D1∩D2;
进行年际检测:以第三步骤中提取的耕地矢量图层对遥感影像数据进行掩膜,将ROI限定在耕地范围内;然后对前后两年的夏季遥感影像ROI进行植被指数变化检测,将当前NDVI比前一年的NDVI小预定比例的耕地斑块提取出来,记作D3;计算年际撂荒斑块集合A2为:A2=D3;
利用公式A=A1∪A2,AT=T+B,AH=A2-A2∩AT,AC=A-AT-AH计算总撂荒区域A、完全撂荒区域AC、半撂荒区域AH、过渡撂荒区域AT,其中B为设施占地区域,T为退耕还林区域。
10.根据权利要求1所述的一种遥感提取撂荒地的联合变化检测方法,其特征在于:
第一步骤中所述数据组合包括:目标监测周期内目标监测区全覆盖下的高时空遥感数据、目标监测周期内的土地利用数据、目标监测周期内的退耕还林数据、以及目标监测周期内的设施占用耕地数据;遥感数据的观测频度为与农作物的播种期、成熟期、收割期分别对应的春季、夏季、秋季,目标监测周期至少为2年,遥感数据的时间分辨率不低于15天,遥感数据的空间分辨率不低于16米,获取遥感数据的波段组合包括可见光-近红外波段;
第二步骤的遥感数据预处理包括依次执行下述处理:
执行云覆盖处理:从整体高时空遥感数据中去除经由其中云覆盖区域占整个影像的面积超过预定第一比值的影像获取的高时空遥感数据;
执行坐标系转换:将目标监测周期内的土地利用数据的坐标系统、目标监测周期内的退耕还林数据的坐标系统以及目标监测周期内的设施占用耕地数据的坐标系统转换成遥感数据的数据源的坐标系统;
执行反射率生产处理:根据传感器的定标方程和定标系数,将传感器记录的量化遥感影像像元亮度值转换成对应视场的表观辐射亮度,以使不同影像像元值具有相同的量纲水平,然后利用大气校正获得地表反射率;
对数据组合中的所有数据执行几何校正:以执行反射率生产处理后得到的一期几何精校正数据或土地利用数据为基准,自动或手动生成几何控制点,采用多项式模型进行几何校正;
第三步骤的执行地理信息数据专题提取包括:从土地利用数据中提取耕地矢量图层、村庄边界及名称图层、建筑用地图层,从退耕还林数据提取还林图层,并将获取的数据存储为掩膜文件,从而得到矢量图层形式的地理信息数据;
第四步骤的多源数据联合配准处理包括:
高精度几何相对校正,其中以可靠性最高的遥感数据为参照底图,自动选择控制点以优化其他遥感数据的RPC参数,并利用数字高程模型实现高精度几何相对校正;
通过相对辐射归一化来校正不同数据源的相对误差并且平滑植被覆盖指数突变;
相对辐射归一化可包括下述处理:
在辐射定标和大气校正基础上,将所有数据重采样到基准数据空间分辨率,其中升采样采用二次线性插值模型,降采样采用像素聚合模型;
以季度为单元,将所有数据分组,每一组代表一个季节的数据集合;
依据重叠区域直方图匹配方法将每一组数据进行拼接和匀色;
将各组数据输出为4波段同一分辨率的ENVI标准格式,并用行政边界进行裁剪;
第五步骤的联合变化检测包括下述步骤:
进行年内检测:以第三步骤中提取的耕地矢量图层对遥感图像进行掩膜以得到耕地斑块集合,将耕地斑块集合视为分段函数集合F1;然后生成NDVI数据集,利用农作物NDVI的季节变化分别进行春季到夏季以及夏季到秋季两次变化检测,检测结果记作D1、D2,对两次检测结果取交集,提取正在种植耕地区域;最后,以总耕地区域减去正在种植耕地区域得到未种植耕地区域,即撂荒地区域,记作A1;于是有A1=F1-D1∩D2;
进行年际检测:以第三步骤中提取的耕地矢量图层对遥感影像数据进行掩膜,将ROI限定在耕地范围内;然后对前后两年的夏季遥感影像ROI进行植被指数变化检测,将当前NDVI比前一年的NDVI小预定比例的耕地斑块提取出来,记作D3;计算年际撂荒斑块集合A2为:A2=D3;
利用公式A=A1∪A2,AT=T+B,AH=A2-A2∩AT,AC=A-AT-AH计算总撂荒区域A、完全撂荒区域AC、半撂荒区域AH、过渡撂荒区域AT,其中B为设施占地区域,T为退耕还林区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811614941.9A CN109685081B (zh) | 2018-12-27 | 2018-12-27 | 一种遥感提取撂荒地的联合变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811614941.9A CN109685081B (zh) | 2018-12-27 | 2018-12-27 | 一种遥感提取撂荒地的联合变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685081A true CN109685081A (zh) | 2019-04-26 |
CN109685081B CN109685081B (zh) | 2020-07-24 |
Family
ID=66190667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811614941.9A Active CN109685081B (zh) | 2018-12-27 | 2018-12-27 | 一种遥感提取撂荒地的联合变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685081B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264518A (zh) * | 2019-05-31 | 2019-09-20 | 中国矿业大学 | 一种基于遥感监测的变更地块来源和去向识别方法 |
CN110288602A (zh) * | 2019-05-10 | 2019-09-27 | 香港理工大学深圳研究院 | 滑坡提取方法、滑坡提取系统及终端 |
CN110390255A (zh) * | 2019-05-29 | 2019-10-29 | 中国铁路设计集团有限公司 | 基于多维度特征提取的高铁环境变化监测方法 |
CN111914015A (zh) * | 2020-08-25 | 2020-11-10 | 河北时代电子有限公司 | 一种基于工业协议的多源数据网关数据分析预警系统 |
CN111931126A (zh) * | 2020-06-18 | 2020-11-13 | 内蒙古生态环境大数据有限公司 | 一种撂荒地生态化治理的空间决策系统 |
CN115082803A (zh) * | 2022-08-19 | 2022-09-20 | 广州大学 | 基于植被季相变化的耕地撂荒监测方法、装置和存储介质 |
CN116108700A (zh) * | 2023-04-10 | 2023-05-12 | 昆明理工大学 | 耕地撂荒时间定年方法、装置及电子设备 |
CN116503274A (zh) * | 2023-04-07 | 2023-07-28 | 中山大学 | 一种基于图像重叠区域的图像匀色方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
CN105046242A (zh) * | 2015-08-24 | 2015-11-11 | 山东省农业可持续发展研究所 | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 |
CN105447494A (zh) * | 2015-12-01 | 2016-03-30 | 二十一世纪空间技术应用股份有限公司 | 基于多源多时相遥感影像数据的菜田监测方法 |
CN105677890A (zh) * | 2016-01-29 | 2016-06-15 | 东南大学 | 一种城市绿量数字地图制作及显示方法 |
CN108830844A (zh) * | 2018-06-11 | 2018-11-16 | 北华航天工业学院 | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 |
-
2018
- 2018-12-27 CN CN201811614941.9A patent/CN109685081B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
CN105046242A (zh) * | 2015-08-24 | 2015-11-11 | 山东省农业可持续发展研究所 | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 |
CN105447494A (zh) * | 2015-12-01 | 2016-03-30 | 二十一世纪空间技术应用股份有限公司 | 基于多源多时相遥感影像数据的菜田监测方法 |
CN105677890A (zh) * | 2016-01-29 | 2016-06-15 | 东南大学 | 一种城市绿量数字地图制作及显示方法 |
CN108830844A (zh) * | 2018-06-11 | 2018-11-16 | 北华航天工业学院 | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 |
Non-Patent Citations (2)
Title |
---|
STEPHAN ESTEL等: "Mapping farmland abandonment and recultivation across Europe using MODIS NDVI time series", 《REMOTE SENSING OF ENVIRONMENT》 * |
王利等: "‘撂荒地’影像特征分析及信息提取—以右玉县牛心堡乡为例", 《辽宁师范大学学报(自然科学版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288602A (zh) * | 2019-05-10 | 2019-09-27 | 香港理工大学深圳研究院 | 滑坡提取方法、滑坡提取系统及终端 |
CN110288602B (zh) * | 2019-05-10 | 2021-07-09 | 香港理工大学深圳研究院 | 滑坡提取方法、滑坡提取系统及终端 |
CN110390255A (zh) * | 2019-05-29 | 2019-10-29 | 中国铁路设计集团有限公司 | 基于多维度特征提取的高铁环境变化监测方法 |
CN110264518A (zh) * | 2019-05-31 | 2019-09-20 | 中国矿业大学 | 一种基于遥感监测的变更地块来源和去向识别方法 |
CN111931126A (zh) * | 2020-06-18 | 2020-11-13 | 内蒙古生态环境大数据有限公司 | 一种撂荒地生态化治理的空间决策系统 |
CN111914015A (zh) * | 2020-08-25 | 2020-11-10 | 河北时代电子有限公司 | 一种基于工业协议的多源数据网关数据分析预警系统 |
CN115082803A (zh) * | 2022-08-19 | 2022-09-20 | 广州大学 | 基于植被季相变化的耕地撂荒监测方法、装置和存储介质 |
CN115082803B (zh) * | 2022-08-19 | 2023-02-03 | 广州大学 | 基于植被季相变化的耕地撂荒监测方法、装置和存储介质 |
CN116503274A (zh) * | 2023-04-07 | 2023-07-28 | 中山大学 | 一种基于图像重叠区域的图像匀色方法及装置 |
CN116503274B (zh) * | 2023-04-07 | 2023-12-22 | 中山大学 | 一种基于图像重叠区域的图像匀色方法及装置 |
CN116108700A (zh) * | 2023-04-10 | 2023-05-12 | 昆明理工大学 | 耕地撂荒时间定年方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109685081B (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685081A (zh) | 一种遥感提取撂荒地的联合变化检测方法 | |
Sumesh et al. | Integration of RGB-based vegetation index, crop surface model and object-based image analysis approach for sugarcane yield estimation using unmanned aerial vehicle | |
Omran | Detection of land-use and surface temperature change at different resolutions | |
CN110472184A (zh) | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 | |
Imukova et al. | Determining the spatial and temporal dynamics of the green vegetation fraction of croplands using high-resolution RapidEye satellite images | |
Akbari et al. | Crop and land cover classification in Iran using Landsat 7 imagery | |
Sicre et al. | Determination of the crop row orientations from Formosat-2 multi-temporal and panchromatic images | |
Hadria et al. | Potentiality of optical and radar satellite data at high spatio-temporal resolutions for the monitoring of irrigated wheat crops in Morocco | |
Millette et al. | The use and limits of remote sensing for analysing environmental and social change in the Himalayan Middle Mountains of Nepal | |
Chaurasia et al. | Development of regional wheat VI-LAI models using Resourcesat-1 AWiFS data | |
CN114387516A (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
Mokarram et al. | RELATIONSHIP BETWEEN LAND COVER AND VEGETATION INDICES. CASE STUDY: EGHLID PLAIN, FARS PROVINCE, IRAN. | |
Wang et al. | An automated extraction of small-and middle-sized rice fields under complex terrain based on SAR time series: A case study of Chongqing | |
Sakamoto et al. | Semi-automatic classification method for mapping the rice-planted areas of Japan using multi-temporal Landsat images | |
Demissie et al. | Geospatial solutions for evaluating the impact of the Tigray conflict on farming | |
Idrees et al. | Urban land use land cover mapping in tropical savannah using Landsat-8 derived normalized difference vegetation index (NDVI) threshold | |
Wang et al. | Research on cropping intensity mapping of the Huai River Basin (China) based on multi-source remote sensing data fusion | |
Sivarajan | Estimating yield of irrigated potatoes using aerial and satellite remote sensing | |
Scholand et al. | Deriving the main cultivation direction from open remote sensing data to determine the support practice measure contouring | |
Mondal et al. | Land use/Land cover changes in Hugli Estuary using Fuzzy CMean algorithm | |
Qin et al. | Inundation impact on croplands of 2020 flood event in three Provinces of China | |
Brogaard et al. | Land cover in the Horqin grasslands, North China. Detecting changes between 1975 and 1990 by means of remote sensing | |
Gomez et al. | Sentinel-2 images to assess soil surface characteristics over a rainfed Mediterranean cropping system | |
Assa et al. | Modeling canopy water content in the assessment for rainfall induced surface and groundwater nitrate contamination: The Bilate cropland sub watershed | |
Romero Luna et al. | Water level fluctuations of Lake Enriquillo and Lake Saumatre in response to environmental changes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |