基于時序遙感影像的多季農(nóng)作物自動識別方法
【專利摘要】本發(fā)明涉及遙感影像信息處理【技術(shù)領(lǐng)域】，公開了一種基于時序遙感影像的多季農(nóng)作物自動識別方法，該方法基于時序遙感影像，利用連續(xù)小波變換，獲取基于時間域與頻率域的小波系數(shù)譜，從小波系數(shù)譜中生成特征圖譜，并且從中提取用于區(qū)分植被相對偏好與偏差時期的特征線，通過跟蹤指示生長期內(nèi)的特征點變量在不同尺度區(qū)間內(nèi)的值域分布，有效地提取多季農(nóng)作物信息。該方法能有效地從時間-頻率兩個維度提取植被動態(tài)變化特征，通過提取植被相對偏好時期較低頻率上植被變化特征，用于多季農(nóng)作物的自動識別，具有基本不依賴先驗知識、魯棒性好、分類精度高、自動化程度高以及抗干擾能力強(qiáng)等特點。
【專利說明】基于時序遙感影像的多季農(nóng)作物自動識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及遙感影像信息處理【技術(shù)領(lǐng)域】，特別是一種基于時序遙感影像的多季農(nóng)作物自動識別方法。
【背景技術(shù)】
[0002]農(nóng)業(yè)是國民經(jīng)濟(jì)的基礎(chǔ)，而農(nóng)作物作為農(nóng)業(yè)的基礎(chǔ)，在保障糧食安全與社會穩(wěn)定中具有舉足輕重的地位。目前我國糧食生產(chǎn)面臨的形勢是:一方面，根據(jù)中國人口多、耕地少的特點，因地制宜地提高復(fù)種指數(shù)，是擴(kuò)大作物播種面積，挖掘耕地利用潛力和提高農(nóng)作物總產(chǎn)量的有效途徑；另一方面，在當(dāng)前農(nóng)村勞動力不斷轉(zhuǎn)移到城市，農(nóng)民種糧積極性不高的大背景下，提高耕地復(fù)種指數(shù)，面臨越來越多的現(xiàn)實性困難。因此如何制定與落實各項惠農(nóng)政策，調(diào)動農(nóng)民種糧的積極性，成為當(dāng)務(wù)之急。由于單季和多季(包括兩季、三季)糧食作物的補(bǔ)貼與優(yōu)惠政策不同，如何快速準(zhǔn)確地獲取全國各個地區(qū)每塊耕地上的耕地復(fù)種指數(shù)，成為農(nóng)業(yè)遙感應(yīng)用面臨的重要課題。目前獲取耕地復(fù)種指數(shù)的主要途徑為土地調(diào)查與農(nóng)業(yè)統(tǒng)計，這種傳統(tǒng)的調(diào)查方式費時費力，而且數(shù)據(jù)的時效性與精度均難以滿足精準(zhǔn)農(nóng)業(yè)的要求。當(dāng)前，MODIS等衛(wèi)星遙感系統(tǒng)能夠提供覆蓋全球的每日重復(fù)的遙感影像數(shù)據(jù)，為監(jiān)測地表覆蓋變化特征提供了詳實的數(shù)據(jù)基礎(chǔ)。如何充分利用遙感影像的時序信息，有效地提取耕地復(fù)種指數(shù)信息，是一項十分重要的工作。目前通過遙感技術(shù)進(jìn)行年內(nèi)耕地復(fù)種指數(shù)監(jiān)測的技術(shù)方法仍不成熟，正處在發(fā)展階段，需要開展更深入的研究工作。迄今為止，所提出的方法中均基于以下思想:利用MODIS EVI/NDVI或SPOT VGT時序數(shù)據(jù)集，建立基于原始數(shù)據(jù)的年內(nèi)變化圖譜，然后通過檢測植被指數(shù)的年內(nèi)動態(tài)變化，特別是峰谷值的個數(shù)，來確定耕地復(fù)種指數(shù)。這些方法的優(yōu)點在于它們充分利用單季、多季或多季作物分別具有單個、兩個或者多個生長期，從而能從象征其生長狀態(tài)的植被指數(shù)中找到對應(yīng)具有各自不同的生長峰的特點，因此具有一定的合理性。但其缺點也顯而易見，體現(xiàn)在以下幾個方面:
(I)基于MODIS或SPOT遙感平臺的植被指數(shù)數(shù)據(jù)集均在一定程度上受到噪聲的影響，導(dǎo)致此類方法所檢測到的峰、谷值很可能并不是植被生長或枯萎所引起的；(2)由于不同農(nóng)作`物的生長特點以及冬季雜草等其他非農(nóng)作物的影響，小的生長峰和農(nóng)作物并非--對應(yīng)，
如冬小麥存在“一小、一大”兩個生長峰，中國南方地區(qū)比較溫暖潮濕，即使在冬季農(nóng)閑時也普遍長草；(3)研究方法比較簡單，魯棒性不夠，很容易受到以上原因帶來的非農(nóng)作物生長峰干擾引起的局部最小或局部最大值的影響。因此，非常需要引入一種新型多季農(nóng)作物自動識別方法。

【發(fā)明內(nèi)容】

[0003]本發(fā)明的目的在于提供一種基于時序遙感影像的多季農(nóng)作物自動識別方法，該方法不需要依賴先驗知識，魯棒性好，分類精度高，自動化程度高。
[0004]為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案是:一種基于時序遙感影像的多季農(nóng)作物自動識別方法，該方法基于時序遙感影像，利用連續(xù)小波變換，獲取研究區(qū)域每個像元的小波系數(shù)譜，并從中提取可以表征研究區(qū)域每個像元植被變化特征的年內(nèi)變化特征圖譜，進(jìn)一步從所述年內(nèi)變化特征圖譜中提取用于區(qū)分植被相對偏好時期與植被相對偏差時期的特征線，逐尺度計算特征線確定的區(qū)域范圍內(nèi)的特征點數(shù)構(gòu)成特征點變量，而后依據(jù)已知的多季農(nóng)作物特征點變量在不同尺度區(qū)間內(nèi)的值域分布特征，進(jìn)行多季農(nóng)作物識別。
[0005]所述基于時序遙感影像的多季農(nóng)作物自動識別方法，進(jìn)一步包括以下步驟:
(1)基于一定時間步長為間隔的年內(nèi)時序變化系列遙感影像數(shù)據(jù)集，如某個年份8天最大化合成的MODIS EVI時間序列數(shù)據(jù)集，通過一定的方法，如線性插值方法，建立研究區(qū)域每個像元以日為時間步長的年內(nèi)時序變化原始圖譜，同時，為了消除小波邊沿效應(yīng)的影響，通過復(fù)制的方法將其擴(kuò)展為3年的3年期時序變化原始圖譜，以此作為多季農(nóng)作物自動識別的基礎(chǔ)；
(2)基于墨西哥帽母小波，對每個像元的3年期時序變化原始圖譜進(jìn)行連續(xù)小波變換，獲得小波系數(shù)譜，體現(xiàn)為一幅橫縱坐標(biāo)分別為時間維與尺度維的二維圖譜，從時間與尺度兩個維度刻畫農(nóng)作物年內(nèi)變化信息；在所述小波系數(shù)譜中，數(shù)值為正的區(qū)域表示該區(qū)域處于植被相對偏好時期，數(shù)值為負(fù)的區(qū)域表示該區(qū)域處于植被相對偏差時期，正負(fù)相鄰的區(qū)域表示開始發(fā)生突變的區(qū)域；
(3)截取中間年份小波系數(shù)譜，將小波系數(shù)正負(fù)相鄰的區(qū)域賦值為1，其他區(qū)域賦值為0，從而建立表征研究區(qū)域每個像元植被變化特征的年內(nèi)變化特征圖譜；
(4)從所述年內(nèi)變化特征圖譜中，提取用于區(qū)分植被相對偏好時期與植被相對偏差時期的特征線:從所述年內(nèi)變化特征圖譜的最大尺度開始搜索數(shù)值為I的區(qū)域，作為特征線的起點，采用領(lǐng)域搜索的方法，依次從大尺度往小尺度方向逐行搜索數(shù)值為I的區(qū)域，從而獲得用于區(qū)分植被相對偏好時期與植被相對偏差時期的特征線。
[0006](5)從所述年內(nèi)變化特征圖譜中，在特征線確定的區(qū)域范圍內(nèi)，從小尺度向大尺度逐步進(jìn)行搜索，記錄下每個尺度上數(shù)值為I的區(qū)域個數(shù)，稱為特征點數(shù)，并將所有尺度上的特征點數(shù)從小尺度到大尺度依次保存在特征點變量中；
(6)依據(jù)已知的多季農(nóng)作物特征點變量在不同尺度上的值域分布特征，建立多季農(nóng)作物判別標(biāo)準(zhǔn)，然后與步驟(5)中得到的特征點變量進(jìn)行比較，以對研究區(qū)域各像元是否為多季農(nóng)作物進(jìn)行識別。
[0007]逐像元循環(huán)，直至研究區(qū)域內(nèi)所有像元均得到合理的判別結(jié)果為止。
[0008]本發(fā)明的技術(shù)構(gòu)思為:多季農(nóng)作物具有區(qū)分于單季農(nóng)作物的物候變化特征，表現(xiàn)為兩種或多種作物輪作形成兩個或兩個以上的生長峰，在年內(nèi)時序變化原始信號上可檢測到一個比較明顯的多峰結(jié)構(gòu)，通過連續(xù)小波變換的方法，將年內(nèi)時序變化原始信號轉(zhuǎn)換為基于時間域與頻率域的小波系數(shù)譜，從小波系數(shù)譜中生成特征圖譜，通過特征線劃分出對應(yīng)農(nóng)作物種植與冬季休閑期的兩個植被相對偏好與偏差時期，將多季作物的多峰結(jié)構(gòu)轉(zhuǎn)換為特征線區(qū)域內(nèi)一個非常明顯的倒立的“U”形環(huán)，通過跟蹤特征線內(nèi)“U”形環(huán)的高度，最終有效地提取多季農(nóng)作物信息。
[0009]與現(xiàn)有技術(shù)相比，本發(fā)明具有基本不依賴先驗知識、魯棒性好、分類精度高、自動化程度高等特點，主要表現(xiàn)在:(I)基于小波變換的方法，本身具有較好的抗噪能力，能有效地消除小的峰谷值的干擾；(2)通過小波變換的方法，將原始信號轉(zhuǎn)換為小波系數(shù)譜，將原始信號放大到時間-尺度兩個不同的維度上，形成一幅二維圖譜，在有效地消除噪聲的同時豐富與擴(kuò)大原始信號的信息維度，為進(jìn)一步基于模式識別的思想進(jìn)行多季作物判別奠定基礎(chǔ)；(3)從小波系數(shù)譜中生成特征圖譜，并且從中區(qū)分植被相對偏好與偏差時期的特征線，從而非常有效地消除冬季雜草等非農(nóng)作物生長帶來的干擾；(4)通過跟蹤植被偏好時期指示作物生長變化的特征點變量在不同尺度區(qū)間內(nèi)的值域分布，依據(jù)農(nóng)作物在其生長期內(nèi)小的峰谷值以及噪聲等信息所帶來的特征點變量數(shù)值變化一般體現(xiàn)較小尺度上的特點，從而準(zhǔn)確有效地提取多季農(nóng)作物信息。
【專利附圖】

【附圖說明】
[0010]圖1是本發(fā)明實施例的實現(xiàn)流程圖。
[0011]圖2是本發(fā)明實施例中所涉及的特征線提取示意圖。
【具體實施方式】
[0012]下面結(jié)合附圖及具體實施例對本發(fā)明作詳細(xì)的說明。 [0013]本發(fā)明基于時序遙感影像的多季農(nóng)作物自動識別方法，如圖1所示，基于時序遙感影像，利用連續(xù)小波變換，獲取多季農(nóng)作物的小波系數(shù)譜，并從中提取年內(nèi)變化特征圖譜，而后進(jìn)一步從所述年內(nèi)變化特征圖譜中提取特征線，以此作為區(qū)分植被相對偏好與偏差時期的界限，逐尺度計算植被相對偏好時期內(nèi)的特征點數(shù)，并以所述特征點數(shù)隨尺度的變化規(guī)律建立多季農(nóng)作物判別標(biāo)準(zhǔn)，進(jìn)行多季農(nóng)作物識別。
[0014]本發(fā)明基于時序遙感影像的多季農(nóng)作物自動識別方法，進(jìn)一步包括以下步驟: 步驟1:建立研究區(qū)域以日為時間步長的年內(nèi)時序變化原始圖譜。
[0015]基于一定時間步長為間隔的年內(nèi)時序變化系列遙感影像數(shù)據(jù)集，如某個年份8天最大化合成的MODIS EVI時間序列數(shù)據(jù)集，通過一定的方法，如線性插值方法，建立研究區(qū)域每個像元以日為時間步長的年內(nèi)時序變化原始圖譜，同時，為了消除小波邊沿效應(yīng)的影響，通過復(fù)制的方法將其擴(kuò)展為3年的3年期時序變化原始圖譜，以此作為多季農(nóng)作物自動識別的基礎(chǔ)。
[0016]步驟2:進(jìn)行連續(xù)小波變換，生成小波系數(shù)譜。
[0017]基于墨西哥帽母小波，對若干已知地物的MODIS EVI指數(shù)的3年期時序變化原始圖譜進(jìn)行連續(xù)小波變換，獲得連續(xù)小波變換后的小波系數(shù)譜，從而獲得縱橫坐標(biāo)分別為時間維與頻率維的小波系數(shù)譜。其中時間維T的取值區(qū)間為[1，365]，頻率維S的取值區(qū)間為[I, 128]。小波變換可表示為:
Wr(a,b) =|α I?(O
其中a，b分別為尺度與時間參數(shù)，m為原始信號，為連續(xù)小波系數(shù)。
[0018]由于墨西哥帽小波為真正的對稱小波，非常適合監(jiān)測時序信號中的峰值和谷值，因此采用墨西哥帽母小波進(jìn)行連續(xù)小波變換，表示為:
墨西哥帽母小波基函數(shù)#(?) =(2)
步驟3:建立表征某個研究單元植被變化特征的年內(nèi)變化特征圖譜。
[0019]在步驟2生成的小波系數(shù)譜中，數(shù)值為正的區(qū)域表示該區(qū)域處于相對偏好的時期，相反地，數(shù)值為負(fù)的區(qū)域表示該區(qū)域處于相對偏差的時期，正負(fù)相鄰的區(qū)域表示開始發(fā)生突變的區(qū)域，截取中間年份的小波系數(shù)譜，將小波系數(shù)正負(fù)相鄰的區(qū)域賦值為1，其他區(qū)域賦值為O，從而建立表征某個研究單元植被變化特征的年內(nèi)變化特征圖譜。具體步驟為:在縱坐標(biāo)頻率維上，從最低到最高尺度[廣128]逐行進(jìn)行搜索，判斷小波系數(shù)譜中每個單元與鄰域單元的數(shù)值分布情況，如果小波系數(shù)譜中行列號分別為i，j的某個單元與鄰域單元小波系數(shù)的符號剛好相反，則將該單元賦值為1，否則為O。表示為:
【權(quán)利要求】
1.一種基于時序遙感影像的多季農(nóng)作物自動識別方法，其特征在于，該方法基于時序遙感影像，利用連續(xù)小波變換，獲取研究區(qū)域每個像元的小波系數(shù)譜，并從中提取可以表征研究區(qū)域每個像元植被變化特征的年內(nèi)變化特征圖譜，進(jìn)一步從所述年內(nèi)變化特征圖譜中提取用于區(qū)分植被相對偏好時期與植被相對偏差時期的特征線，逐尺度計算特征線確定的區(qū)域范圍內(nèi)的特征點數(shù)構(gòu)成特征點變量，而后依據(jù)已知的多季農(nóng)作物特征點變量在不同尺度區(qū)間內(nèi)的值域分布特征，進(jìn)行多季農(nóng)作物識別。
2.根據(jù)權(quán)利要求1所述的基于時序遙感影像的多季農(nóng)作物自動識別方法，其特征在于，包括以下步驟: (1)基于一定時間步長為間隔的年內(nèi)時序變化系列遙感影像數(shù)據(jù)集，建立研究區(qū)域每個像元以一定時間間隔為時間步長的年內(nèi)時序變化原始圖譜，并將其擴(kuò)展為多年期時序變化原始圖譜，以此作為多季農(nóng)作物自動識別的基礎(chǔ)； (2)基于墨西哥帽母小波，對每個像元的多年期時序變化原始圖譜進(jìn)行連續(xù)小波變換，獲得小波系數(shù)譜，體現(xiàn)為一幅橫縱坐標(biāo)分別為時間維與尺度維的二維圖譜，從時間與尺度兩個維度刻畫農(nóng)作物年內(nèi)變化信息；在所述小波系數(shù)譜中，數(shù)值為正的區(qū)域表示該區(qū)域處于植被相對偏好時期，數(shù)值為負(fù)的區(qū)域表示該區(qū)域處于植被相對偏差時期，正負(fù)相鄰的區(qū)域表示開始發(fā)生突變的區(qū)域； (3)截取中間年份小波系數(shù)譜，將小波系數(shù)正負(fù)相鄰的區(qū)域賦值為1，其他區(qū)域賦值為O，從而建立表征研究區(qū)域每個像元植被變化特征的年內(nèi)變化特征圖譜； (4)從所述年內(nèi)變化特征圖譜中，提取用于區(qū)分植被相對偏好時期與植被相對偏差時期的特征線:從所述年內(nèi)變化特征圖譜的最大尺度開始搜索數(shù)值為I的區(qū)域，作為特征線的起點，采用領(lǐng)域搜索的方法，依次往小尺度方向逐行搜索數(shù)值為I的區(qū)域，從而獲得用于區(qū)分植被相對偏好時期與植被相對偏差時期的特征線； (5)從所述年內(nèi)變化特征圖譜中，在特征線確定的區(qū)域范圍內(nèi)，從小尺度向大尺度逐步進(jìn)行搜索，記錄下每個尺度上數(shù)值為I的區(qū)域個數(shù)，稱為特征點數(shù)，并將所有尺度上的特征點數(shù)從小尺度到大尺度依次保存在特征點變量中； (6)依據(jù)已知的多季農(nóng)作物特征點變量在不同尺度上的值域分布特征，建立多季農(nóng)作物判別標(biāo)準(zhǔn)，然后與步驟(5)中得到的特征點變量進(jìn)行比較，以對研究區(qū)域各像元是否為多季農(nóng)作物進(jìn)行識別。
3.根據(jù)權(quán)利要求2所述的基于時序遙感影像的多季農(nóng)作物自動識別方法，其特征在于，在步驟(6)中，所述多季農(nóng)作物特征點變量基于已知多季農(nóng)作物的時序遙感影像，按步驟(I)?(6)所述方法求得。
4.根據(jù)權(quán)利要求2所述的基于時序遙感影像的多季農(nóng)作物自動識別方法，其特征在于，在步驟(6)中，建立多季農(nóng)作物判別標(biāo)準(zhǔn)的依據(jù)是多季農(nóng)作物在較低頻率域范圍內(nèi)的變化信息。
5.根據(jù)權(quán)利要求1、2、3或4所述的基于時序遙感影像的多季農(nóng)作物自動識別方法，其特征在于，該方法應(yīng)用在農(nóng)作物監(jiān)測、遙感影像自動分類領(lǐng)域中。
【文檔編號】G06K9/00GK103679131SQ201310024691
【公開日】2014年3月26日 申請日期:2013年1月23日 優(yōu)先權(quán)日:2013年1月23日
【發(fā)明者】邱炳文, 鐘鳴 申請人:福州大學(xué)