Landsat8和MODIS融合構(gòu)建高時(shí)空分辨率數(shù)據(jù)識(shí)別秋糧作物的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種利用遙感數(shù)據(jù)時(shí)空融合方法（Spatial Temporal Data Fusion Approach，STDFA)構(gòu)建高時(shí)間、空間分辨率的遙感影像數(shù)據(jù)。并以此為基礎(chǔ)，構(gòu)建分類數(shù)據(jù) 集，然后利用支持向量機(jī)（Support Vector Machine, SVM)進(jìn)行秋糧作物識(shí)別的方法，驗(yàn)證 不同維度的數(shù)據(jù)集進(jìn)行秋糧作物識(shí)別的適用性。屬于遙感影像應(yīng)用領(lǐng)域。
【背景技術(shù)】
[0002] 秋糧作物是我國(guó)糧食作物的重要組成部分，準(zhǔn)確地獲取秋糧作物種植面積對(duì)制定 農(nóng)業(yè)政策和管理具有十分重要的意義。利用遙感技術(shù)進(jìn)行農(nóng)業(yè)監(jiān)測(cè)是其重要的一個(gè)應(yīng)用 方向，無(wú)論在面積監(jiān)測(cè)還是遙感估產(chǎn)等方面發(fā)揮著重要作用。然而，秋糧作物分布廣泛，種 植結(jié)構(gòu)復(fù)雜，同期作物生長(zhǎng)，造成"異物同譜"現(xiàn)象，這對(duì)用于作物識(shí)別的遙感數(shù)據(jù)要求比較 高；秋糧作物生長(zhǎng)關(guān)鍵期內(nèi)云雨天氣較多，增加了有效遙感數(shù)據(jù)獲取的難度，對(duì)利用遙感技 術(shù)進(jìn)行秋糧作物的識(shí)別帶來(lái)了 一定的挑戰(zhàn)。
[0003] 搭載在Terra和Aqua衛(wèi)星上的中分辨率成像光譜儀（Moderate-resolution Imaging Spectroradiometer，M0DIS)是一種廣泛應(yīng)用于農(nóng)作物監(jiān)測(cè)和識(shí)別的傳感器。 MODIS傳感器具有很高的時(shí)間分辨率，重返周期為1-2天，能很好地記錄農(nóng)作物生長(zhǎng)的時(shí)間 信息，應(yīng)用于地表植被的生長(zhǎng)監(jiān)測(cè)和識(shí)別，這對(duì)大尺度、種植結(jié)構(gòu)單一的作物（如小麥、水 稻）具有很大的優(yōu)勢(shì)。利用MODIS 250米分辨率的NDVI時(shí)間序列產(chǎn)品數(shù)據(jù)對(duì)大面積種植 的水稻進(jìn)行識(shí)別，能夠獲得較高的識(shí)別精度。但我國(guó)秋糧作物、種植結(jié)構(gòu)復(fù)雜（玉米、水稻、 棉花、大豆和花生等交錯(cuò)種植）、種植地塊破碎，再加上自然植被（樹木等）的影響，這使得 MODIS數(shù)據(jù)的空間分辨率限制了破碎地塊小面積種植的秋糧的識(shí)別。中高分辨率的衛(wèi)星具 有比較適中的空間分辨率，如美國(guó)的陸地衛(wèi)星（Landsat)和法國(guó)SPOT衛(wèi)星，在作物識(shí)別中 發(fā)揮著重要的作用。Landsat衛(wèi)星空間分辨率為30米，回返周期為16天，對(duì)于大面積種植 的作物具有較高的識(shí)別精度。但該衛(wèi)星的時(shí)間分辨率會(huì)限制植被生長(zhǎng)關(guān)鍵期遙感數(shù)據(jù)的獲 取，再加上我國(guó)的雨季與秋糧作物的生長(zhǎng)期重疊，這使得獲取作物生長(zhǎng)關(guān)鍵期高質(zhì)量的遙 感影像數(shù)據(jù)（云量< 10% )非常困難（獲取概率< 10% )。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)中存在的問(wèn)題，以遙感數(shù)據(jù)時(shí)空融合方法（Spatial Temporal Data Fusion Approach, STDFA)構(gòu)建高時(shí)間、空間分辨率的遙感影像數(shù)據(jù)。以 此為基礎(chǔ)，構(gòu)建15種30米分辨率分類數(shù)據(jù)集，然后利用支持向量機(jī)（Support Vector Machine，SVM)進(jìn)行秋糧作物識(shí)別，驗(yàn)證不同維度的數(shù)據(jù)集進(jìn)行秋糧作物識(shí)別的適用性。
[0005] 本發(fā)明通過(guò)以下技術(shù)方案解決上述問(wèn)題，本發(fā)明提供一種LandsatS和MODIS融合 構(gòu)建高時(shí)空分辨率數(shù)據(jù)識(shí)別秋糧作物的方法，主要包括以下步驟：
[0006] 步驟一、數(shù)據(jù)準(zhǔn)備；
[0007] 步驟二、數(shù)據(jù)預(yù)處理；
[0008] 步驟三、利用STDFA模型構(gòu)建數(shù)據(jù)；
[0009] 步驟四、數(shù)據(jù)濾波處理；
[0010] 步驟五、秋糧識(shí)別特征向量選擇；
[0011] 步驟六、秋糧識(shí)別特征組合；
[0012] 步驟七、SVM分類獲得識(shí)別結(jié)果。
[0013] 優(yōu)選的，上述步驟一~步驟七具體為：
[0014] 步驟一、數(shù)據(jù)準(zhǔn)備，選取目標(biāo)區(qū)域，獲取同一區(qū)域的LandsatS影像數(shù)據(jù)、MODIS數(shù) 據(jù)和航拍數(shù)據(jù)；
[0015] 步驟二、數(shù)據(jù)預(yù)處理，包括對(duì)步驟一獲取的LandsatS影像數(shù)據(jù)進(jìn)行幾何校正、對(duì) MODIS數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換和重采樣，對(duì)航拍數(shù)據(jù)進(jìn)行坐標(biāo)系轉(zhuǎn)換、解譯、矢量化和屬性賦值 并形成柵格數(shù)據(jù)；
[0016] 步驟三、利用STDFA模型構(gòu)建數(shù)據(jù)，即以步驟二的數(shù)據(jù)為基礎(chǔ)，利用數(shù)據(jù)時(shí)空融合 STDFA模型構(gòu)建紅波段（RED)和近紅外波段（NIR)高時(shí)空分辨率數(shù)據(jù)，再利用RED和NIR數(shù) 據(jù)計(jì)算歸一化植被指數(shù)（NDVI)數(shù)據(jù)；
[0017] 步驟四、數(shù)據(jù)濾波處理，對(duì)上述步驟三構(gòu)建的RED、NIR和NDVI數(shù)據(jù)進(jìn)行濾波處理， 并對(duì)NDVI時(shí)間序列數(shù)據(jù)濾波提取的多種物候指標(biāo)組成物候數(shù)據(jù)（Phenology);
[0018] 步驟五、秋糧識(shí)別特征向量選擇，根據(jù)航拍數(shù)據(jù)，選取時(shí)間序列中能區(qū)分地物的波 段用于后續(xù)的秋糧識(shí)別；
[0019] 步驟六、秋糧識(shí)別特征組合，以步驟四濾波后的Red、NIR和NDVI時(shí)間序列數(shù)據(jù)以 及重組的物候指標(biāo)數(shù)據(jù)為基礎(chǔ)，進(jìn)行所有可能的類型組合用于秋糧識(shí)別；
[0020] 步驟七、SVM分類獲得識(shí)別結(jié)果，即利用對(duì)高維數(shù)據(jù)分類具有明顯優(yōu)勢(shì)的支持向 量機(jī)（SVM)的分類方法分別步驟六的數(shù)據(jù)組合類型進(jìn)行分類，得到秋糧作物種類的識(shí)別結(jié) 果。
[0021] 優(yōu)選的，上述方法還包括步驟八、采用航拍數(shù)據(jù)評(píng)價(jià)分類結(jié)果，對(duì)選取目標(biāo)區(qū)域拍 影像矢量化數(shù)據(jù)轉(zhuǎn)化的柵格數(shù)據(jù)進(jìn)行重分類，使重分類后的分類結(jié)果與所述步驟七的分類 數(shù)據(jù)進(jìn)行像元對(duì)像元的疊加比較，得到用于分類結(jié)果精度評(píng)價(jià)的混淆矩陣。
[0022] 優(yōu)選的，上述步驟二數(shù)據(jù)預(yù)處理中對(duì)MODIS地表反射率產(chǎn)品首先轉(zhuǎn)化為反射率 數(shù)據(jù)，然后利用MODIS重投影轉(zhuǎn)換成與LandsatS影像一致的坐標(biāo)系，將MODIS產(chǎn)品的數(shù)據(jù) 進(jìn)行格式轉(zhuǎn)換，并重采樣到Landsat8數(shù)據(jù)分辨率的整數(shù)倍的空間分辨率，以便進(jìn)行后續(xù)的 MODIS混合像元分解。
[0023] 優(yōu)選的，上述步驟三種以M0D09Q1和Landsat8為基礎(chǔ)數(shù)據(jù)利用數(shù)據(jù)時(shí)空融合 STDFA模型構(gòu)建三種高時(shí)空分辨率數(shù)據(jù)（RecUNIR和NDVI)，所述NDVI數(shù)據(jù)是利用時(shí)空數(shù)據(jù) 融合STDFA模型構(gòu)建的Red和NIR數(shù)據(jù)，通過(guò)下列公式計(jì)算得到：
[0024]
[0025] 式中，Pm與P Ked分別表示近紅外（NIR)波段和紅波段（Red)的反射率。
[0026] 優(yōu)選的，上述步驟四是以Savitzky-Golay(S-G)擬合法為核心算法對(duì)時(shí)間序列數(shù) 據(jù)進(jìn)行重構(gòu)建。
[0027] 優(yōu)選的，上述的航拍數(shù)據(jù)為高分辨率的無(wú)人機(jī)航拍數(shù)據(jù)，拍攝多個(gè)無(wú)人機(jī)航拍樣 方，對(duì)多幅樣方進(jìn)行拼接后轉(zhuǎn)換坐標(biāo)系，并且目視解譯矢量化及地塊屬性賦值，以面積占優(yōu) 的類型轉(zhuǎn)換成一定分辨率的柵格數(shù)據(jù)。
[0028] 本發(fā)明提供的Landsat8和MODIS融合構(gòu)建高時(shí)空分辨率數(shù)據(jù)識(shí)別秋糧作物的方 法可以有效區(qū)分秋糧作物的類型，在一定程度上可以解決秋糧識(shí)別過(guò)程中高分辨率數(shù)據(jù)不 足的問(wèn)題。根據(jù)實(shí)驗(yàn)結(jié)果可知，對(duì)秋糧識(shí)別的各項(xiàng)精度均達(dá)到了較高的識(shí)別精度，也在一定 程度上驗(yàn)證了物候數(shù)據(jù)有助于秋糧識(shí)別。
【附圖說(shuō)明】
[0029] 圖1為本發(fā)明實(shí)施例研究區(qū)位置及其四期Landsat8影像圖；
[0030] 圖2為本發(fā)明實(shí)施例無(wú)人機(jī)樣方及分布圖；
[0031] 圖3 (a)-3⑴為本發(fā)明實(shí)施例融合影像與真實(shí)Landsat8影像比較及對(duì)應(yīng)波段的 相關(guān)系數(shù)圖；（a)為融合的2013-7-20Red影像圖；（b)為真實(shí)的2013-7-26Landsat8Red波 段影像圖；（c)為融合的2013-07-20Red波段影像與真實(shí)2013-07-26Red影像散點(diǎn)圖及相 關(guān)系數(shù)；（d)為融合的2013-7-20NIR影像圖；（e)為真實(shí)的2013-7-26Landsat8NIR波段影 像圖；（f)為融合的2013-07-20NIR波段影像與真實(shí)2013-07-26NIR影像散點(diǎn)圖及相關(guān)系 數(shù)；（g)為融合的2013-08-05Red影像圖；（h)為真實(shí)的2013-08-llLandsat8Red波段影像 圖；（i)為融合的2013-08-05Red波段影像與真實(shí)的2013-08-llRed影像散點(diǎn)圖及相關(guān)系 數(shù)；（j)為融合的2013-08-05NIR影像圖；（k)為真實(shí)的2013-08-llLandsat NIR波段影像 圖；（1)為融合的2013-08-05NIR波段影像與真實(shí)的2013-08-11NIR影像散點(diǎn)圖及相關(guān)系 數(shù)；
[0032] 圖4為本發(fā)明方法流程示意圖；
[0033] 圖5為本發(fā)明實(shí)施例不同數(shù)據(jù)典型地物曲線圖；(a)、（b)、（C)表示三種構(gòu)建數(shù)據(jù) 的不同地物時(shí)間序列曲線；（d)圖表示提取的不同地物物候特征，橫坐標(biāo)表3中的物候指 標(biāo)，縱坐標(biāo)表示物候指標(biāo)歸一化值；
[0034] 圖6為本發(fā)明實(shí)施例矢量數(shù)據(jù)與分類結(jié)果子區(qū)比較圖。
[0035] 圖中標(biāo)記：I-森林；2-水稻；3-玉米；4-蘆華；5-居民區(qū)。
【具體實(shí)施方式】
[0036] 為了便于本領(lǐng)域普通技術(shù)人員理解和實(shí)施本發(fā)明，下面結(jié)合附圖及【具體實(shí)施方式】 對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述。
[0037] 如圖1所示，本發(fā)明公開的Landsat8和MODIS融合構(gòu)建高時(shí)空分辨率數(shù)據(jù)識(shí)別秋 糧作物的方法，結(jié)合MODIS數(shù)據(jù)和中高分辨率數(shù)據(jù)各自的優(yōu)點(diǎn)進(jìn)行秋糧作物識(shí)別。
[0038] 融合MODIS數(shù)據(jù)與