一种新的中低分辨率遥感数据复合的耕地识别方法
【专利说明】一种新的中低分辨率遥感数据复合的耕地识别方法 【技术领域】
[0001] 本发明涉及遥感图像分类领域，特别是一种中低分辨率遥感数据复合的耕地识别 方法。 【【背景技术】】
[0002] 耕地是农业发展的基础，是保障粮食安全生产的重要资源之一。及时获得准确、详 实的耕地面积及其空间分布信息，对合理利用和保护耕地资源，保障粮食安全生产，实现社 会、经济、环境和生态协调发展至关重要。同一耕地地块，由于轮作复种方式的不同，在不同 时期可以表现为裸地或植被信息；不同耕地地块，由于种植和管理方式不同，在同一时期也 可以表现为裸地或植被信息。因此，耕地是年内年际变化最为复杂的一种土地利用/覆盖 类型，其光谱会随时间变化而变化，对于遥感识别而言也最为复杂。
[0003] 目前，耕地遥感识别主要以中分辨率（10-30m)和低分辨率（250--1000m)遥感 数据源为主。中分辨率遥感识别耕地通常需要选用作物生长季内单期或多期关键期影像。 然而，单期影像不能反映农作物生长动态变化信息，无法良好地表达耕地上地物覆盖强烈 的光谱变化特征，耕地识别难度大；多期影像虽然可以良好地表达地表信息变化，充分利用 耕地特殊光谱特征识别耕地，但由于受到卫星重访周期、作物物候以及天气等诸多因素影 响，大范围适合时相的多期影像数据获取十分困难。低分辨率遥感卫星覆盖范围广，重访周 期短，可以及时获取大范围影像数据，为耕地识别提供了数据保证。但由于存在大量混合像 元，区域内部详细的耕地空间分布信息难以反映，识别结果精度低且可靠性不高，很难满足 实际需求。
[0004] 因此，复合中、低空间分辨率遥感数据进行耕地识别，借助中分辨率数据丰富的空 间细节和低分辨率数据较高的时间维信息，在一定程度上解决区域耕地识别中存在的难题 同时提高耕地的识别精度，满足实际应用的需求。但目前的中低分辨率遥感数据复合的耕 地识别方法，多以低分辨率数据为主要研究数据，中分辨率数据仅起辅助作用（用于选择 训练样本和精度检验样本或求解研究方法的模型参数或阈值，进而指导低分辨率数据分 类），耕地识别结果的空间分辨率仍然维持低空间分辨率，识别精度近似于仅采用低分辨率 遥感数据的识别结果，无法与中分辨率耕地识别结果相比较，没有发挥出两种数据的各自 优势。 【
【发明内容】
】
[0005] 针对前述方法的各种不足，本发明提出一种新的中低空间分辨率遥感数据复合的 耕地识别方法-物候光谱复合模型（PhenologicalandSpectralCombinationModel， PSCM)，具体包括以下步骤：
[0006] 步骤一、数据预处理；
[0007] 步骤二、低分辨率地物分布概率图提取；
[0008] 步骤三、物候光谱复合影像（PhenologicalandSpectralCombinedImage，PSC Image)生成；
[0009] 步骤四、利用PSC图像进行耕地识别；
[0010] 步骤五、耕地识别精度评价。
[0011] 本发明通过分析典型地物的物候特征和光谱响应特征，复合低分辨率植被指数时 间序列数据所反映的地物物候信息及单期中分辨率数据的高空间分辨率、多光谱信息共同 识别耕地，达到提高耕地识别精度，同时保持了耕地识别结果的高空间分辨率特征（与所 采用的中分辨率数据空间分辨率相同），为实际应用提供更为准确的耕地空间分布信息。 【【附图说明】】
[0012] 图1为地理位置及TM影像；
[0013] 图2为总体流程图；
[0014] 图3为TM影像8类地物光谱反射率曲线；
[0015] 图4为种主要土地利用/覆盖类型的MODISNDVI时间序列曲线；
[0016] 图5为低分辨率地物分布概率图提取流程图；
[0017] 图6为PSC影像生成流程图；
[0018] 图7为分类结果对比图：(a)TM影像分类结果，（b)复合影像分类结果，（c)、（f)为 GE高分影像，（d)、（g)分别是对应（c)、（f)的TM影像分类结果细节图，（e)、（h)分别是对 应（c)、（f)的复合影像分类结果细节图。 【【具体实施方式】】
[0019] 下面结合【附图说明】及【具体实施方式】对本发明进一步说明。
[0020] 研究区和数据
[0021] 研究区地处黑龙江省牡丹江市与鸡西市交界处内，地理坐标为北纬 45° 14' -45° 4'，东经 130° 14' -130° 22'，区域大小为 50X50km，如图 1 所示。该 地区地处山区，地势中部高、南北低，地貌复杂、地形多样。全区主要粮食作物为水稻、玉米 和大豆等一年一熟型作物，耕种模式相对简单，符合研究需要。水稻4月中上旬开始育秧， 5月中下旬开始移栽，9月下旬成熟收获；玉米和大豆5月上旬开始播种，分别在9月下旬和 10月上旬成熟收获。自然植被从4月中上旬开始进入叶芽开放期，9月下旬进入落叶期。
[0022] 在本实验中，选取2007年8月24日的一景作物生长关键期的LandsatTM5影像， 空间分辨率为30m，条代号为115-029;NASAUSGS提供的M0DIS16天合成250m空间分辨率 NDVI产品构建植被指数时间序列数据集，时间从2007年1月1日至2007年12月31日，共 23景影像，条代号H27v04 ;2007年至2011年的高分辨率GoogleEarth(以下简称GE)数 据作为精度验证辅助参考；2007年8月野外调查获取的137个GPS野外详查样本，辅助训 练样本和精度评价样本。
[0023] 方法流程
[0024] 本发明研究流程主要包括数据预处理、PSCM构建、耕地识别以及精度评价，具体流 程如下图2所示：
[0025] 1数据预处理
[0026] 由于耕地有别于其他土地利用/覆盖类型，其在不同时期可以表现出的不同的光 谱特征，年内变化十分复杂。因此，本发明以研究区内作物生长物候规律作为主要依据来 选取适合时相的中分辨率影像。本发明选取了 2007年8月24日的一景作物种植关键期 Landsat-5TM影像（除去第6波段热红外波段）进行耕地识别，条带号为115-029,UTM投 影，WGS84坐标系。在该时期，农作物生长旺盛，植被特征明显，较易识别。采用ENVI4. 7软 件对LandsatTM5影像进行辐射定标，大气校正，以减少或消除大气效应对影像光谱反射率 的干扰。同时，本发明选取16天最大合成的MOD13(陆地2级标准数据产品）中的NDVI产 品构建植被指数时间序列数据，空间分辨率250m时间从2007年1月1日至2007年12月 31日，共23景数据，条带号H27v04,Sinusoidal投影，WGS84坐标系。利用Erdas9. 2软件 将MODISNDVI时间序列数据投影转换成与TM影像相同的投影，S卩UTM投影，WGS84坐标系。
[0027] 2PSCM构建
[0028] 2. 1研究区分类体系建立
[0029] 研究区作物种植模式为一年一熟类型，基本土地利用/覆盖类型有以下5种类 另IJ:耕地、自然植被、建筑用地、水体和未利用地。基于TM影像及高分辨率GE数据辅助，耕地 可分为旱田、水田和休耕地三个子类；自然植被可分为向阳植被和背阴植被两个子类（二 者光谱反射率曲线差异较大，为保证分类精度，故区分为两个子类）。具体分类类别信息如 表1所示。
[0030] 表1分类体系
[0031] TableIClassificationscheme
[0032]
【主权项】
1. 一种新的中低分辨率遥感数据复合的耕地识别方法一物候光谱复合方法 (PhenologicalandSpectralCombinationModel,PSCM),其特征在于包括W下步骤： 步骤一、数据预处理； 步骤二、低分辨率地物分布概率图提取； 步骤H、物候光谱复合影像（PhenologicalandSpectralCombinedImage,PSC Image)生成； 步骤四、选择分类样本利用PSC图像进行耕地识别； 步骤五、耕地识别精度评价。
2. -种新的中低分辨率遥感数据复合的耕地识别方法一物候光谱复合方法 (PhenologicalandSpectralCombinationModel,PSCM),其特征在于包括W下步骤： 步骤一、数据预处理。对中分辨率多光谱影像数据进行福射校正W及大气校正，W获取 地物真实的光谱信息；对低分辨率植被指数时间序列数据进行滤波操作，并将其投影转换 成与中分辨率多光谱影像数据相同的投影。 步骤二、低分辨率地物分布概率图提取。首先W低分辨率植被指数时间序列数据代 替地物光谱反射率作为混合像元的分解因子，然后利用中分辨率影像辅助选取合适的端元 (端元类别由研究区具体情况决定），最后采用不带约束条件的线性光谱混合模型进行混 合像元，获得基于地物物候信息的低分辨率地物分布概率图。 步骤H、物候光谱复合影像（PhenologicalandSpectralCombinedImage,PSC Image)生成。首先通过分析研究区中分辨率遥感影像上容易产生"同物异谱"和"异物同 谱"现象的±地利用/覆盖类型，仅选取与该些类别相对应的低分辨率地物分布概率图进 行物候光谱复合。然后，将选定±地利用/覆盖类型的低分辨率地物分布概率图重采样为 与中分辨率遥感影像相同的空间分辨率。最后，进行物候和光谱信息的复合，即采用多波段 叠加的方法将重采样后的地物分布概率图与中分辨率影像复合，生成PSC影像，如公式3所 示：
式中I为PSC影像，共包含a+m个波段；。为低分辨率NDVI时间序列数据混合像元分 解后所得到地物分布概率图（集）F(fi，f,，fs，. . .，fi，e，i<n)中第i个端元所对应的 分布概率图；Tj.为中分辨率影像T(ti，t2,t3, . . .，ti，j<m)的第j个波段；n为端元类别数； a为参与影像复合的地物类别；m为中分辨率影像波段数。 步骤四、对图像进行分类。首先，选择合适的监督分类器。然后通过目视判定的方式 选择出适合数量（3化，P代表用于分类遥感影像的波段数目）的纯净像元构成训练样本集 合。最后，对利用选定的分类器和训练样本对PSC影像进行监督分类，获得耕地的空间分布 范围。 步骤五、利用误差矩阵对耕地识别精度进行评价。利用检验样本集对PSCM耕地识别结 果计算误差矩阵，并比较分析采用相同分类器和训练样本对中分辨率遥感影像分类的耕地 识别结果的分类总精度、用户精度和生产者精度。
【专利摘要】本发明提供一种新的中低分辨率遥感数据复合的耕地识别方法——物候光谱复合方法(Phenological and Spectral Combination Model，PSCM)，包括以下步骤：步骤一、数据预处理；步骤二、低分辨率地物分布概率图提取；步骤三、物候光谱复合影像(Phenological and Spectral Combined Image，PSC Image)生成；步骤四、选择分类样本；步骤五、利用PSC图像进行耕地识别；步骤六、耕地识别精度评价。本发明通过分析典型地物的物候特征和光谱响应特征，由低分辨率植被指数时间序列数据所反映的植被物候信息提供像元分布概率信息，中分辨率多光谱数据提供像元光谱信息，复合物候、光谱两种信息共同识别耕地，以达到提高耕地识别精度，且保持识别结果为中分辨率的目的。
【IPC分类】G06K9-00, G06K9-62
【公开号】CN104794424
【申请号】CN201410028272
【发明人】秦晓俊, 李玉婷, 雷燕飞, 谭遵泉
【申请人】北京天合数维科技有限公司
【公开日】2015年7月22日
【申请日】2014年1月20日