一種新的中低分辨率遙感數(shù)據(jù)復(fù)合的耕地識(shí)別方法
【專利說明】一種新的中低分辨率遙感數(shù)據(jù)復(fù)合的耕地識(shí)別方法 【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及遙感圖像分類領(lǐng)域，特別是一種中低分辨率遙感數(shù)據(jù)復(fù)合的耕地識(shí)別 方法。 【【背景技術(shù)】】
[0002] 耕地是農(nóng)業(yè)發(fā)展的基礎(chǔ)，是保障糧食安全生產(chǎn)的重要資源之一。及時(shí)獲得準(zhǔn)確、詳 實(shí)的耕地面積及其空間分布信息，對(duì)合理利用和保護(hù)耕地資源，保障糧食安全生產(chǎn)，實(shí)現(xiàn)社 會(huì)、經(jīng)濟(jì)、環(huán)境和生態(tài)協(xié)調(diào)發(fā)展至關(guān)重要。同一耕地地塊，由于輪作復(fù)種方式的不同，在不同 時(shí)期可以表現(xiàn)為裸地或植被信息；不同耕地地塊，由于種植和管理方式不同，在同一時(shí)期也 可以表現(xiàn)為裸地或植被信息。因此，耕地是年內(nèi)年際變化最為復(fù)雜的一種土地利用/覆蓋 類型，其光譜會(huì)隨時(shí)間變化而變化，對(duì)于遙感識(shí)別而言也最為復(fù)雜。
[0003] 目前，耕地遙感識(shí)別主要以中分辨率（10-30m)和低分辨率（250--1000m)遙感 數(shù)據(jù)源為主。中分辨率遙感識(shí)別耕地通常需要選用作物生長季內(nèi)單期或多期關(guān)鍵期影像。 然而，單期影像不能反映農(nóng)作物生長動(dòng)態(tài)變化信息，無法良好地表達(dá)耕地上地物覆蓋強(qiáng)烈 的光譜變化特征，耕地識(shí)別難度大；多期影像雖然可以良好地表達(dá)地表信息變化，充分利用 耕地特殊光譜特征識(shí)別耕地，但由于受到衛(wèi)星重訪周期、作物物候以及天氣等諸多因素影 響，大范圍適合時(shí)相的多期影像數(shù)據(jù)獲取十分困難。低分辨率遙感衛(wèi)星覆蓋范圍廣，重訪周 期短，可以及時(shí)獲取大范圍影像數(shù)據(jù)，為耕地識(shí)別提供了數(shù)據(jù)保證。但由于存在大量混合像 元，區(qū)域內(nèi)部詳細(xì)的耕地空間分布信息難以反映，識(shí)別結(jié)果精度低且可靠性不高，很難滿足 實(shí)際需求。
[0004] 因此，復(fù)合中、低空間分辨率遙感數(shù)據(jù)進(jìn)行耕地識(shí)別，借助中分辨率數(shù)據(jù)豐富的空 間細(xì)節(jié)和低分辨率數(shù)據(jù)較高的時(shí)間維信息，在一定程度上解決區(qū)域耕地識(shí)別中存在的難題 同時(shí)提高耕地的識(shí)別精度，滿足實(shí)際應(yīng)用的需求。但目前的中低分辨率遙感數(shù)據(jù)復(fù)合的耕 地識(shí)別方法，多以低分辨率數(shù)據(jù)為主要研究數(shù)據(jù)，中分辨率數(shù)據(jù)僅起輔助作用（用于選擇 訓(xùn)練樣本和精度檢驗(yàn)樣本或求解研究方法的模型參數(shù)或閾值，進(jìn)而指導(dǎo)低分辨率數(shù)據(jù)分 類），耕地識(shí)別結(jié)果的空間分辨率仍然維持低空間分辨率，識(shí)別精度近似于僅采用低分辨率 遙感數(shù)據(jù)的識(shí)別結(jié)果，無法與中分辨率耕地識(shí)別結(jié)果相比較，沒有發(fā)揮出兩種數(shù)據(jù)的各自 優(yōu)勢(shì)。 【
【發(fā)明內(nèi)容】
】
[0005] 針對(duì)前述方法的各種不足，本發(fā)明提出一種新的中低空間分辨率遙感數(shù)據(jù)復(fù)合的 耕地識(shí)別方法-物候光譜復(fù)合模型（PhenologicalandSpectralCombinationModel， PSCM)，具體包括以下步驟：
[0006] 步驟一、數(shù)據(jù)預(yù)處理；
[0007] 步驟二、低分辨率地物分布概率圖提??；
[0008] 步驟三、物候光譜復(fù)合影像（PhenologicalandSpectralCombinedImage，PSC Image)生成；
[0009] 步驟四、利用PSC圖像進(jìn)行耕地識(shí)別；
[0010] 步驟五、耕地識(shí)別精度評(píng)價(jià)。
[0011] 本發(fā)明通過分析典型地物的物候特征和光譜響應(yīng)特征，復(fù)合低分辨率植被指數(shù)時(shí) 間序列數(shù)據(jù)所反映的地物物候信息及單期中分辨率數(shù)據(jù)的高空間分辨率、多光譜信息共同 識(shí)別耕地，達(dá)到提高耕地識(shí)別精度，同時(shí)保持了耕地識(shí)別結(jié)果的高空間分辨率特征（與所 采用的中分辨率數(shù)據(jù)空間分辨率相同），為實(shí)際應(yīng)用提供更為準(zhǔn)確的耕地空間分布信息。 【【附圖說明】】
[0012] 圖1為地理位置及TM影像；
[0013] 圖2為總體流程圖；
[0014] 圖3為TM影像8類地物光譜反射率曲線；
[0015] 圖4為種主要土地利用/覆蓋類型的MODISNDVI時(shí)間序列曲線；
[0016] 圖5為低分辨率地物分布概率圖提取流程圖；
[0017] 圖6為PSC影像生成流程圖；
[0018] 圖7為分類結(jié)果對(duì)比圖：(a)TM影像分類結(jié)果，（b)復(fù)合影像分類結(jié)果，（c)、（f)為 GE高分影像，（d)、（g)分別是對(duì)應(yīng)（c)、（f)的TM影像分類結(jié)果細(xì)節(jié)圖，（e)、（h)分別是對(duì) 應(yīng)（c)、（f)的復(fù)合影像分類結(jié)果細(xì)節(jié)圖。 【【具體實(shí)施方式】】
[0019] 下面結(jié)合【附圖說明】及【具體實(shí)施方式】對(duì)本發(fā)明進(jìn)一步說明。
[0020] 研究區(qū)和數(shù)據(jù)
[0021] 研究區(qū)地處黑龍江省牡丹江市與雞西市交界處內(nèi)，地理坐標(biāo)為北緯 45° 14' -45° 4'，東經(jīng) 130° 14' -130° 22'，區(qū)域大小為 50X50km，如圖 1 所示。該 地區(qū)地處山區(qū)，地勢(shì)中部高、南北低，地貌復(fù)雜、地形多樣。全區(qū)主要糧食作物為水稻、玉米 和大豆等一年一熟型作物，耕種模式相對(duì)簡單，符合研究需要。水稻4月中上旬開始育秧， 5月中下旬開始移栽，9月下旬成熟收獲；玉米和大豆5月上旬開始播種，分別在9月下旬和 10月上旬成熟收獲。自然植被從4月中上旬開始進(jìn)入葉芽開放期，9月下旬進(jìn)入落葉期。
[0022] 在本實(shí)驗(yàn)中，選取2007年8月24日的一景作物生長關(guān)鍵期的LandsatTM5影像， 空間分辨率為30m，條代號(hào)為115-029;NASAUSGS提供的M0DIS16天合成250m空間分辨率 NDVI產(chǎn)品構(gòu)建植被指數(shù)時(shí)間序列數(shù)據(jù)集，時(shí)間從2007年1月1日至2007年12月31日，共 23景影像，條代號(hào)H27v04 ;2007年至2011年的高分辨率GoogleEarth(以下簡稱GE)數(shù) 據(jù)作為精度驗(yàn)證輔助參考；2007年8月野外調(diào)查獲取的137個(gè)GPS野外詳查樣本，輔助訓(xùn) 練樣本和精度評(píng)價(jià)樣本。
[0023] 方法流程
[0024] 本發(fā)明研究流程主要包括數(shù)據(jù)預(yù)處理、PSCM構(gòu)建、耕地識(shí)別以及精度評(píng)價(jià)，具體流 程如下圖2所示：
[0025] 1數(shù)據(jù)預(yù)處理
[0026] 由于耕地有別于其他土地利用/覆蓋類型，其在不同時(shí)期可以表現(xiàn)出的不同的光 譜特征，年內(nèi)變化十分復(fù)雜。因此，本發(fā)明以研究區(qū)內(nèi)作物生長物候規(guī)律作為主要依據(jù)來 選取適合時(shí)相的中分辨率影像。本發(fā)明選取了 2007年8月24日的一景作物種植關(guān)鍵期 Landsat-5TM影像（除去第6波段熱紅外波段）進(jìn)行耕地識(shí)別，條帶號(hào)為115-029,UTM投 影，WGS84坐標(biāo)系。在該時(shí)期，農(nóng)作物生長旺盛，植被特征明顯，較易識(shí)別。采用ENVI4. 7軟 件對(duì)LandsatTM5影像進(jìn)行輻射定標(biāo)，大氣校正，以減少或消除大氣效應(yīng)對(duì)影像光譜反射率 的干擾。同時(shí)，本發(fā)明選取16天最大合成的MOD13(陸地2級(jí)標(biāo)準(zhǔn)數(shù)據(jù)產(chǎn)品）中的NDVI產(chǎn) 品構(gòu)建植被指數(shù)時(shí)間序列數(shù)據(jù)，空間分辨率250m時(shí)間從2007年1月1日至2007年12月 31日，共23景數(shù)據(jù)，條帶號(hào)H27v04,Sinusoidal投影，WGS84坐標(biāo)系。利用Erdas9. 2軟件 將MODISNDVI時(shí)間序列數(shù)據(jù)投影轉(zhuǎn)換成與TM影像相同的投影，S卩UTM投影，WGS84坐標(biāo)系。
[0027] 2PSCM構(gòu)建
[0028] 2. 1研究區(qū)分類體系建立
[0029] 研究區(qū)作物種植模式為一年一熟類型，基本土地利用/覆蓋類型有以下5種類 另IJ:耕地、自然植被、建筑用地、水體和未利用地?；赥M影像及高分辨率GE數(shù)據(jù)輔助，耕地 可分為旱田、水田和休耕地三個(gè)子類；自然植被可分為向陽植被和背陰植被兩個(gè)子類（二 者光譜反射率曲線差異較大，為保證分類精度，故區(qū)分為兩個(gè)子類）。具體分類類別信息如 表1所示。
[0030] 表1分類體系
[0031] TableIClassificationscheme
[0032]
【主權(quán)項(xiàng)】
1. 一種新的中低分辨率遙感數(shù)據(jù)復(fù)合的耕地識(shí)別方法一物候光譜復(fù)合方法 (PhenologicalandSpectralCombinationModel,PSCM),其特征在于包括W下步驟： 步驟一、數(shù)據(jù)預(yù)處理； 步驟二、低分辨率地物分布概率圖提取； 步驟H、物候光譜復(fù)合影像（PhenologicalandSpectralCombinedImage,PSC Image)生成； 步驟四、選擇分類樣本利用PSC圖像進(jìn)行耕地識(shí)別； 步驟五、耕地識(shí)別精度評(píng)價(jià)。
2. -種新的中低分辨率遙感數(shù)據(jù)復(fù)合的耕地識(shí)別方法一物候光譜復(fù)合方法 (PhenologicalandSpectralCombinationModel,PSCM),其特征在于包括W下步驟： 步驟一、數(shù)據(jù)預(yù)處理。對(duì)中分辨率多光譜影像數(shù)據(jù)進(jìn)行福射校正W及大氣校正，W獲取 地物真實(shí)的光譜信息；對(duì)低分辨率植被指數(shù)時(shí)間序列數(shù)據(jù)進(jìn)行濾波操作，并將其投影轉(zhuǎn)換 成與中分辨率多光譜影像數(shù)據(jù)相同的投影。 步驟二、低分辨率地物分布概率圖提取。首先W低分辨率植被指數(shù)時(shí)間序列數(shù)據(jù)代 替地物光譜反射率作為混合像元的分解因子，然后利用中分辨率影像輔助選取合適的端元 (端元類別由研究區(qū)具體情況決定），最后采用不帶約束條件的線性光譜混合模型進(jìn)行混 合像元，獲得基于地物物候信息的低分辨率地物分布概率圖。 步驟H、物候光譜復(fù)合影像（PhenologicalandSpectralCombinedImage,PSC Image)生成。首先通過分析研究區(qū)中分辨率遙感影像上容易產(chǎn)生"同物異譜"和"異物同 譜"現(xiàn)象的±地利用/覆蓋類型，僅選取與該些類別相對(duì)應(yīng)的低分辨率地物分布概率圖進(jìn) 行物候光譜復(fù)合。然后，將選定±地利用/覆蓋類型的低分辨率地物分布概率圖重采樣為 與中分辨率遙感影像相同的空間分辨率。最后，進(jìn)行物候和光譜信息的復(fù)合，即采用多波段 疊加的方法將重采樣后的地物分布概率圖與中分辨率影像復(fù)合，生成PSC影像，如公式3所 示：
式中I為PSC影像，共包含a+m個(gè)波段；。為低分辨率NDVI時(shí)間序列數(shù)據(jù)混合像元分 解后所得到地物分布概率圖（集）F(fi，f,，fs，. . .，fi，e，i<n)中第i個(gè)端元所對(duì)應(yīng)的 分布概率圖；Tj.為中分辨率影像T(ti，t2,t3, . . .，ti，j<m)的第j個(gè)波段；n為端元類別數(shù)； a為參與影像復(fù)合的地物類別；m為中分辨率影像波段數(shù)。 步驟四、對(duì)圖像進(jìn)行分類。首先，選擇合適的監(jiān)督分類器。然后通過目視判定的方式 選擇出適合數(shù)量（3化，P代表用于分類遙感影像的波段數(shù)目）的純凈像元構(gòu)成訓(xùn)練樣本集 合。最后，對(duì)利用選定的分類器和訓(xùn)練樣本對(duì)PSC影像進(jìn)行監(jiān)督分類，獲得耕地的空間分布 范圍。 步驟五、利用誤差矩陣對(duì)耕地識(shí)別精度進(jìn)行評(píng)價(jià)。利用檢驗(yàn)樣本集對(duì)PSCM耕地識(shí)別結(jié) 果計(jì)算誤差矩陣，并比較分析采用相同分類器和訓(xùn)練樣本對(duì)中分辨率遙感影像分類的耕地 識(shí)別結(jié)果的分類總精度、用戶精度和生產(chǎn)者精度。
【專利摘要】本發(fā)明提供一種新的中低分辨率遙感數(shù)據(jù)復(fù)合的耕地識(shí)別方法——物候光譜復(fù)合方法(Phenological and Spectral Combination Model，PSCM)，包括以下步驟：步驟一、數(shù)據(jù)預(yù)處理；步驟二、低分辨率地物分布概率圖提?。徊襟E三、物候光譜復(fù)合影像(Phenological and Spectral Combined Image，PSC Image)生成；步驟四、選擇分類樣本；步驟五、利用PSC圖像進(jìn)行耕地識(shí)別；步驟六、耕地識(shí)別精度評(píng)價(jià)。本發(fā)明通過分析典型地物的物候特征和光譜響應(yīng)特征，由低分辨率植被指數(shù)時(shí)間序列數(shù)據(jù)所反映的植被物候信息提供像元分布概率信息，中分辨率多光譜數(shù)據(jù)提供像元光譜信息，復(fù)合物候、光譜兩種信息共同識(shí)別耕地，以達(dá)到提高耕地識(shí)別精度，且保持識(shí)別結(jié)果為中分辨率的目的。
【IPC分類】G06K9-00, G06K9-62
【公開號(hào)】CN104794424
【申請(qǐng)?zhí)枴緾N201410028272
【發(fā)明人】秦曉俊, 李玉婷, 雷燕飛, 譚遵泉
【申請(qǐng)人】北京天合數(shù)維科技有限公司
【公開日】2015年7月22日
【申請(qǐng)日】2014年1月20日