一种基于改进植被指数的遥感烟田识别方法

技术领域

本发明涉及遥感技术在农业的应用技术领域，尤其涉及一种基于改进植被指数的遥感烟田识别方法。

背景技术

快速、准确的获取烟草种植面积信息有助于烟草长势监测、产量估算、病虫害监测和预警等。当前调查统计手段为人工调查与逐级上报，数据客观性难以保证，同时存在效率低、时效性差等问题，常规手段难以及时监控。利用遥感技术监测烟草种植面积，具有客观、快速等优点。

近年来，随着遥感技术的发展，遥感数据已广泛应用于烟草种植区信息提取。吴孟泉等在山区使用SPOT和Landsat TM遥感影像，采用去除非耕地干扰进行监督分类，提取烟草种植地块。胡九超基于不同时相和极化方式的Terra SAR-X数据，使用最大似然分类对高原山区的烟草识别精度对比分析；陈金等研究无人机遥感在烟草种植区域面积监测，长势监测，病虫害管理及产量估算中的可行性。刘明芹等针对临沂沂水县实行套种模式进行烟草种植的山区，采用资源三号卫星对遥感影像进行面向对象的分类，提取烟草的种植面积。张阳等利用Sentinel-2A可见光近红外光谱数据，以湖南省茶陵县为研究区，开展了县域烤烟种植面积提取分析。目前，对烟田遥感识别的研究主要使用光学遥感数据，对于江南地区烟草关键生育期多云多雨研究区，光学遥感数据难以获取，多云多雨地区烟田识别是目前业界亟待解决的重要课题。

发明内容

本发明实施例提供一种基于改进植被指数的遥感烟田识别方法，以解决多云多雨地区烟田遥感识别问题，烟田识别更为精确便捷。

本发明实施例提供一种基于改进植被指数的遥感烟田识别方法，包括：

1)获取监测区的烟草整个生育期多时相的合成孔径微波雷达遥感影像和可见光近红外多光谱遥感影像；

2)获取监测区作物在烟草各生育时期遥感影像的光谱反射和后向散射数据，分析烟草与监测区其他作物的光谱反射和后向散射差异，构建特征植被指数SPVI，生成指数时序曲线；

3)确定识别特征阈值，根据烟草生长特性和监测区土地利用数据、DEM数据、遥感数据，提取烟草适宜种植区域；

4)在所述烟草适宜种植区域，以地类间的光谱反射和后向散射差异，根据样本的特征植被指数SPVI时序曲线，建立分类特征集，识别监测区的烟田。

本发明中，采用具有穿透云雾的合成孔径雷达遥感技术为遥感识别提供有力的基础数据支撑，结合合成孔径微波雷达数据和可见光近红外多光谱遥感数据等多源遥感数据进行烟田识别有很大潜力。根据不同作物类别的物候差异，以关键生育期序列上的多时相遥感数据光谱信息结合SAR的后向散射信息，能更为有效的识别出烟草等不同作物。

根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤1)中，所述合成孔径微波雷达遥感影像经过噪声去除，辐射定标和几何校正；和/或所述可见光近红外多光谱遥感影像经过辐射定标、大气校正、几何校正、影像配准和影像裁剪。

根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤1)中，所述烟草整个生育期包括：烟草的移栽、团棵、旺长、现蕾、成熟和收获期。

根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤2)中，根据样本点提取烟草不同生育期合成孔径微波雷达影像和可见光近红外多光谱遥感影像的各波段反射率，以各波段名称及中心波长为横坐标，各波段反射率为纵坐标，绘制不同时相遥感影像下不同地类的光谱反射和后向散射曲线，分析不同生育期烟草与其他作物的光谱反射和后向散射差异，构建特征植被指数。

根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤2)中，分析烟草与监测区其他作物的光谱反射和后向散射差异，所述特征植被指数包括：用于反映烟田的地膜和植被特征的归一化植被指数NDVI

本发明中，指数构建规则包括地膜覆盖农田在光谱反射率上和直接植被覆盖的耕地有明显差异，通过遥感影像分析此时地膜覆盖烟草和其他作物的反射光谱，蓝波段对地膜识别最为敏感；由于烟草种植时需要起垄(垄高大于32cm，垄宽60-70cm)，烟草的植株高度和其他作物有明显区别，合成孔径微波雷达后向散射系数受烟田垄高度和阴影的影响，用于区分烟田和其他作物种植区域。

根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤2)中，构建包含蓝波段信息的归一化植被指数NDVI

式1中，NIR表示可见光近红外多光谱遥感影像近红外波段的反射率；R表示可见光近红外多光谱遥感影像红波段的反射率；B表示可见光近红外多光谱遥感影像蓝波段的反射率；

构建比值后向散射系数和NDVI

式2中，H表示水平极化的极化方式，V表示垂直极化的极化方式，S

以遥感影像数据获取时间为横坐标，SPVI值为纵坐标，绘制不同作物的特征植被指数SPVI时序曲线。

根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤3)中，利用烟草生长特性，结合监测区DEM数据、遥感数据和土地利用专题数据，提取烟草适宜种植区域；包括以下步骤：

a)根据烟草种植在平坦或坡度平缓区域，因此剔除坡度大于15度的山地区域，保留坡度小于15度的区域，数学模型1为：SLOPE<15；

b)根据烟草种植在耕地区域，使用土地利用数据库中的耕地图斑数据掩膜进一步剔除遥感影像的非耕地区域；

c)根据三月份烟草种植前土地休养，NDVI最大值低于T

d)根据烟草种植区域不被水覆盖，NDWI最大值低于T

e)根据烟草种植区水稻-烟草轮作耕作制度，使用前一年的水稻作物分布图对影像掩膜，进一步提取烟草适宜种植区域；

数学模型1-3中，Max为遥感影像像元位置的最大值提取算法；SLOPE为坡度；NDVI为归一化差值植被指数；NDWI为归一化差值水体指数，下标文字为时间，T

根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤3)中，统计烟草样本点在各识别特征的频数分布，得到频数分布图，将对应的最大值作为相应识别特征阈值。

根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤e)中，根据烟草种植区稻烟轮作的耕作制度，所述作物分布图选用前一年轮作的水稻识别结果；选取水稻播种期和齐穗期的遥感影像，计算播种期和齐穗期的NDVI和NDWI指数及其差值，公式为：

ΔNDVI＝NDVI

ΔNDVI＝NDVI

结合光谱特征构建分类特征集，采用随机森林分类器进行水稻种植区识别。

根据本发明提供的一种基于改进植被指数的遥感烟田识别方法，步骤4)中，分类所用特征集包括烟草生育期多时相SPVI，采用随机森林的分类方法进行烟田识别。

本发明将可见光近红外多光谱遥感和合成孔径微波雷达遥感结合，根据江南区烟草生育期多云多雾以及烟草种植管理特点，构建新型植被指数SPVI，提供了一种更高精度的烟草田块识别方法。尤其是，通过可见光近红外多光谱遥感以及合成孔径微波雷达遥感综合使用，能够使得多源遥感数据融合，更好的解决多云多雨地区光学遥感数据不足问题；而且采用SPVI时间序列变化信息，充分利用了区域不同作物的物候差异，增强了烟草与其他作物的可分性，获得了江南区遥感烟田识别更高的精度。

本发明至少具有如下有益效果：本发明提供的一种基于改进植被指数的江南区遥感烟田识别方法，根据江南区种植制度和烟田光谱反射特征，将改进的归一化植被指数与合成孔径微波雷达后向散射系数比值结合，提出烟田遥感识别的新型植被指数SPVI，使烟草与其他作物的可分性更为显著；本发明提出的基于多时相多源数据SPVI植被指数的烟田遥感识别方法，利用时间序列上的变化信息，能较准确的区分烟田和其他作物，使得多云多雨地区烟田识别更为精确快捷。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例基于改进植被指数的江南区遥感烟田识别方法流程图；

图2为本发明实施例中安徽省宣州区烟田分布图；

图3为本发明实施例中主要作物SPVI时间序列图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1为实施例中基于改进植被指数的江南区遥感烟田识别方法流程，具体步骤如下：

步骤1：获取烟田区域范围烟草整个生育期多时相的合成孔径微波雷达遥感影像(哨兵一号)和可见光近红外多光谱遥感影像(哨兵二号)。

数据源的选取原则根据监测目标、地方制度和经济等因素。烟草整个生育期指从烟草移栽到收获的几个主要生育期，包括：移栽、团棵、旺长、现蕾、成熟、收获期，本实施例步骤1可获取可见光近红外多光谱数据(哨兵二号)和合成孔径微波雷达数据(哨兵一号)，得到安徽省宣城市宣州区多时相多源遥感数据集。图2为实施例中安徽省宣州区烟田分布图。

步骤2：获取监测区作物在烟草各生育时期可见光近红外遥感影像的光谱反射差异。

利用样本获取宣州区作物(本实施例设定宣州区的作物类型为油菜、水稻、小麦和烟草四种)在烟草各生育时期可见光近红外遥感影像的光谱反射差异，所述光谱反射差异为不同地类的反射率在时间序列上变化趋势不同。根据地面调查样本点提取不同作物可见光近红外遥感(哨兵二号)每个时相数据的各波段反射率均值，以各波段名称及中心波长为横坐标，不同作物各波段反射率均值为纵坐标，绘制不同时相遥感影像下不同地类的光谱反射曲线。

步骤3：分析烟草与其他作物的光谱反射和后向散射差异、生育期特点，构建新型特征植被指数SPVI。

在三月份，烟草种植采取地膜覆盖的方式保持田间温度，地膜覆盖农田在光谱反射率上和直接植被覆盖的耕地有明显差异，研究提取的烟草覆膜时期影像的光谱是烟草识别的关键特征。通过分析此时的烟草和其他作物的反射光谱，蓝波段对烟田的地膜特征识别最为敏感。

在五月份，烟草处于旺长现蕾期，植被特性明显，此时近红外和红色波段对烟草的植被识别敏感。由于烟草种植时需要起垄，垄高大于32cm，垄宽60-70cm，烟草的植株高度和其他作物有明显区别，合成孔径微波雷达数据(哨兵一号)的后向散射系数受烟田垄高度和阴影的影响，使得烟草和其他作物种植区域有差异。

本实施例构建的包含蓝波段信息的归一化植被指数NDVI

其中，NIR表示可见光近红外多光谱遥感影像(哨兵二号)近红外波段的反射率；R表示可见光近红外多光谱遥感影像(哨兵二号)红波段的反射率；B表示可见光近红外多光谱遥感影像(哨兵二号)蓝波段的反射率。

基于烟田在可见光近红外多光谱遥感(哨兵二号)与合成孔径微波雷达遥感数据(哨兵一号)上的特性，构建比值后向散射系数和NDVI

其中，H为水平极化的极化方式，V为垂直极化的极化方式，S

步骤4：提取SPVI值，生成指数时序曲线。

根据采样点提取对象SPVI值，计算同种类型地类的SPVI样点均值，以遥感影像数据获取时间为横坐标，SPVI均值为纵坐标，绘制不同作物的新型特征植被指数SPVI时序曲线。图3为实施例中主要作物SPVI时间序列图。

步骤5：确定识别特征阈值。

统计烟草样本点在各识别特征的频数分布，得到频数分布图，将对应的最大值作为相应识别特征的阈值。本实施例通过对烟草训练样本的识别特征频数统计，确定宣州区烟草适宜种植区域的NDVI及NDWI最大值分别为0.2和0.05。

步骤6：根据烟草生长特性，结合监测区DEM数据、遥感数据、土地利用数据等其他专题数据提取出烟草适宜种植区域。具体步骤为：

a)根据烟草种植在平坦或坡度平缓区域，因此剔除坡度大于15度的山地区域，保留坡度小于15度的区域，数学模型1为：SLOPE<15；

b)根据烟草种植在耕地区域，使用土地利用数据库中的耕地图斑数据掩膜进一步剔除遥感影像的非耕地区域；

c)根据三月份烟草种植前土地休养，NDVI最大值低于T

d)根据烟草种植区域不被水覆盖，NDWI最大值低于T

e)根据烟草种植区稻烟轮作的耕作制度，使用前一年的水稻分布图对影像掩膜，进一步提取烟草适宜种植区域；

数学模型1-3中，Max为遥感影像像元位置的最大值提取算法；SLOPE为坡度；NDVI为归一化差值植被指数；NDWI为归一化差值水体指数，下标文字为时间，T

上述水稻分布图为前一年水稻识别结果，选取水稻播种期和齐穗期两个时期的可见光近红外多光谱遥感影像(哨兵二号)，计算两个时期的NDVI和NDWI指数及其差值，公式如下：

ΔNDVI＝NDVI

ΔNDWI＝NDWI

结合光谱特征构建分类特征集，采用随机森林进行分类，将水稻漏分率降低至5％以内。

步骤7：在烟草适宜种植区以地类间的光谱差异，根据样本新型特征指数SPVI时序曲线建立分类规则，利用随机森林分类方法，识别监测区烟田。

本实施例以烟草移栽，团棵，现蕾，成熟四个生育期多时相影像计算的特征指数SPVI构建分类特征集，使用随机森林分类机器进行分类，得到宣州区烟草分布结果。

步骤8：对烟田提取结果进行分类后处理及精度评价。

采用主次分析的方法，对分类后的结果以3*3的格网进行majority滤波处理，即中心像元值为相邻八个像元的频数最大值。以采样点为样本，计算混淆矩阵，以总体分类精度，Kappa系数和烟草的错分率、漏分率作为评价精度的指标。表1为烟田识别精度评价结果。

表1烟田识别精度评价结果

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。