專利名稱：對(duì)地觀測(cè)技術(shù)的農(nóng)業(yè)應(yīng)用集成系統(tǒng)及其方法
技術(shù)領(lǐng)域：
本發(fā)明涉及信息資源的應(yīng)用技術(shù)，尤其涉及利用成像光譜技術(shù)所取得的信息資料為諸如農(nóng)業(yè)試驗(yàn)、農(nóng)作物類型識(shí)別和農(nóng)情診斷等方面的農(nóng)業(yè)應(yīng)用提供輔助信息的應(yīng)用技術(shù)。
背景技術(shù)：
成像光譜技術(shù)是目前對(duì)地觀測(cè)領(lǐng)域的前沿技術(shù)。由于它可以獲取地表植被、土壤、水體等地物的連續(xù)光譜，用于分析它們的物理化學(xué)過(guò)程，因此在農(nóng)業(yè)應(yīng)用方面有著巨大的應(yīng)用潛力。
已運(yùn)行的民用航天遙感器如Landsat TM、SPOT以及NOAA一般只有5-6個(gè)波段，光譜分辨率50nm以上。很難識(shí)別出多種作物類型。而植被的主要因素峰值寬約20nm，植被受害脅迫紅移分量為5-17nm，這些現(xiàn)象是低光譜分辨遙感器所難以探測(cè)到的。航天或航空成像光譜遙感器的優(yōu)越性在于可以在0.4-14μm光譜范圍內(nèi)細(xì)分出幾十或幾百個(gè)波段，光譜分辨率為5-10nm。這樣就可以提高農(nóng)作物識(shí)別能力，同時(shí)監(jiān)測(cè)作物的生長(zhǎng)變化信息，有利于農(nóng)作物精細(xì)管理。
我國(guó)是世界上的農(nóng)業(yè)大國(guó)，也是少數(shù)掌握成像光譜技術(shù)的國(guó)家。當(dāng)前，怎樣選擇航空、衛(wèi)星成像光譜儀所測(cè)得的高光譜數(shù)據(jù)中對(duì)農(nóng)業(yè)有用的光譜參數(shù)、成像光譜數(shù)據(jù)如何處理及如何提取有用的農(nóng)業(yè)信息是急待解決的關(guān)鍵技術(shù)問(wèn)題。

發(fā)明內(nèi)容
因此，本發(fā)明的目的在于提供一種對(duì)地觀測(cè)技術(shù)的農(nóng)業(yè)應(yīng)用集成系統(tǒng)及其方法，可通過(guò)從成像光譜及其它航空遙感數(shù)據(jù)所獲得的資料中選擇合適的光譜參數(shù)，對(duì)成像數(shù)據(jù)進(jìn)行處理，以提取有用的農(nóng)業(yè)信息。
為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種對(duì)地觀測(cè)技術(shù)的農(nóng)業(yè)應(yīng)用集成方法，包括獲取對(duì)地觀測(cè)數(shù)據(jù)；對(duì)所獲得的對(duì)地觀測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)波段選擇；對(duì)經(jīng)所述波段選擇后的對(duì)地觀測(cè)數(shù)據(jù)進(jìn)行特征提取，獲取農(nóng)情參數(shù)；利用所獲取的農(nóng)情參數(shù)進(jìn)行特征分析，獲得所述對(duì)地觀測(cè)數(shù)據(jù)中的所需信息。
在本發(fā)明的優(yōu)選實(shí)施方案中，對(duì)地觀測(cè)數(shù)據(jù)為高光譜數(shù)據(jù)，并且上述方法中還包括對(duì)高光譜數(shù)據(jù)進(jìn)行預(yù)處理的步驟。
另一方面，本發(fā)明還提供了一種對(duì)地觀測(cè)技術(shù)的農(nóng)業(yè)應(yīng)用集成系統(tǒng)，包括數(shù)據(jù)存儲(chǔ)單元，包括光譜數(shù)據(jù)庫(kù)，其以矢量圖形的數(shù)據(jù)形式存儲(chǔ)不同農(nóng)作物或地物目標(biāo)的光譜曲線；遙感數(shù)據(jù)庫(kù)，以柵格圖像的數(shù)據(jù)形式存儲(chǔ)機(jī)載成像光譜儀獲取的多波段遙感圖像；基礎(chǔ)數(shù)據(jù)庫(kù)，用來(lái)存儲(chǔ)與研究區(qū)域遙感圖像相匹配的其他輔助性地理空間數(shù)據(jù)(柵格或矢量形式的圖形、圖像數(shù)據(jù))和屬性數(shù)據(jù)(文本或表格形式的統(tǒng)計(jì)數(shù)據(jù))。如矢量化的地區(qū)行政邊界，氣象要素、土地覆蓋類型圖件等；模型單元，包括參數(shù)選擇模型庫(kù)和農(nóng)情反演模型庫(kù)，所述參數(shù)選擇模型庫(kù)用于對(duì)圖像進(jìn)行光譜重建、數(shù)據(jù)復(fù)合特征分析以及波段選擇，所述農(nóng)情反演模型庫(kù)用于提供多種類型的農(nóng)情信息模型；控制和運(yùn)算處理單元，用于利用所述模型單元的模型對(duì)圖像數(shù)據(jù)進(jìn)行相應(yīng)的處理；和信息輸出單元，用來(lái)根據(jù)所提取的農(nóng)情參數(shù)，顯示或用其它方式輸出相關(guān)的農(nóng)業(yè)信息。
本發(fā)明可利用先進(jìn)的對(duì)地觀測(cè)技術(shù)，對(duì)農(nóng)業(yè)生產(chǎn)、試驗(yàn)和管理提供豐富和準(zhǔn)確的信息。


圖1是本發(fā)明的一個(gè)實(shí)施例的對(duì)地觀測(cè)技術(shù)的農(nóng)業(yè)應(yīng)用方法的示意流程圖；圖2是本發(fā)明方法的一個(gè)實(shí)施例的分組變換、特征選擇示意流程圖；圖3是本發(fā)明的方法在小麥長(zhǎng)勢(shì)分級(jí)評(píng)價(jià)中的應(yīng)用的示意流程圖；圖4是本發(fā)明的方法在小麥葉面積系數(shù)提取中的應(yīng)用的示意流程圖；圖5是本發(fā)明的對(duì)地觀測(cè)技術(shù)的農(nóng)業(yè)應(yīng)用集成系統(tǒng)的結(jié)構(gòu)示意方框圖；圖6是本發(fā)明的系統(tǒng)中建立模型庫(kù)的過(guò)程的示意7顯示了在本發(fā)明的系統(tǒng)中土地利用分類的過(guò)程。
。
具體實(shí)施例方式
如圖1所示，本發(fā)明提供了一種對(duì)地觀測(cè)技術(shù)的農(nóng)業(yè)應(yīng)用的方法，包括獲取高光譜數(shù)據(jù)；對(duì)所獲得的高光譜數(shù)據(jù)進(jìn)行處理；對(duì)所述高光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)波段選擇；提取所述高光譜數(shù)據(jù)中農(nóng)情參數(shù)，顯示相關(guān)農(nóng)業(yè)信息。
在本發(fā)明的優(yōu)選實(shí)施例中，需要使用光譜數(shù)據(jù)、基礎(chǔ)數(shù)據(jù)和遙感數(shù)據(jù)。
光譜數(shù)據(jù)指不同農(nóng)作物或地物目標(biāo)的光譜曲線，即農(nóng)作物或地物對(duì)不同波段電磁波的反射率所構(gòu)成的曲線，是通過(guò)光譜測(cè)定和機(jī)載成像光譜儀的遙感圖像所獲得。
需要說(shuō)明，真實(shí)的地物光譜是利用光譜儀通過(guò)地面測(cè)定的反射率獲得的；遙感數(shù)據(jù)直接得到的是地物的輻射亮度值(即地物向外反射和輻射能量的多少)，而不是反射率。光譜重建就是將遙感圖象的輻射亮度值轉(zhuǎn)換為反射率，進(jìn)而得到地物光譜曲線的過(guò)程。
高光譜數(shù)據(jù)(圖像)為遙感數(shù)據(jù)(圖像)的一種，主要特點(diǎn)為能區(qū)分波長(zhǎng)間隔很細(xì)的光譜(如10nm)，因其覆蓋的光譜段很多，所以稱為高光譜。成像光譜技術(shù)是一種高光譜技術(shù)。本發(fā)明所用的遙感數(shù)據(jù)為成像光譜數(shù)據(jù)。
遙感數(shù)據(jù)指機(jī)載成像光譜儀獲取的多波段遙感圖像。以柵格圖像的數(shù)據(jù)形式存儲(chǔ)。
基礎(chǔ)數(shù)據(jù)指與研究區(qū)域遙感圖像相匹配的其他輔助性地理空間數(shù)據(jù)(柵格或矢量形式的圖形、圖像數(shù)據(jù))和屬性數(shù)據(jù)(文本或表格形式的統(tǒng)計(jì)數(shù)據(jù))。如矢量化的地區(qū)行政邊界，氣象要素、土地覆蓋類型圖件等。
基礎(chǔ)數(shù)據(jù)提供與研究區(qū)相關(guān)的背景資料和信息；遙感數(shù)據(jù)庫(kù)提供地物目標(biāo)的多波段圖像數(shù)據(jù)；光譜數(shù)據(jù)庫(kù)則包含了在前兩者基礎(chǔ)之上所選擇的特定地物目標(biāo)的特征光譜曲線；通常，不同地物目標(biāo)具有自身特定的光譜曲線。
高光譜數(shù)據(jù)可利用機(jī)載航空成像光譜儀、機(jī)載(船載)航天成像光譜儀等獲取。在某些實(shí)施例中，為更好地實(shí)現(xiàn)本發(fā)明，還應(yīng)利用可見(jiàn)—近紅外智能光譜儀、可見(jiàn)—近紅外光譜儀、紅外輻射計(jì)、GPS手提照像機(jī)等裝置來(lái)獲取地面信息。當(dāng)然這些信息也可通過(guò)其它的來(lái)源提供，例如通過(guò)互聯(lián)網(wǎng)從其它的信息提供者處獲取。
在獲得高光譜數(shù)據(jù)之后，需要對(duì)圖像進(jìn)行預(yù)處理。根據(jù)需要，這種預(yù)處理可包括輻射校正、幾何校正等。此外，還可進(jìn)行光譜增強(qiáng)、光譜識(shí)別、分組KL轉(zhuǎn)換\圖像分類等處理。
進(jìn)一步，還可對(duì)圖像進(jìn)行光譜重建、多源數(shù)據(jù)復(fù)合、和波段選擇處理。其中，光譜重建的作用是通過(guò)遙感圖像獲得地物的光譜曲線，這些光譜曲線可用于圖像分類、地物識(shí)別。多源數(shù)據(jù)復(fù)合則用于提取參數(shù)特征。這些處理在后文中將更詳細(xì)地說(shuō)明。
根據(jù)本發(fā)明的一個(gè)實(shí)施例，還可以在光譜重建之后進(jìn)行圖像變換。
圖像變換指的是將圖像從空間域轉(zhuǎn)換到變換域的過(guò)程。進(jìn)行圖像變換的目的就是為了使圖像的處理過(guò)程簡(jiǎn)化，通過(guò)變換，使得矢量在新的空間中具有一些更好的性質(zhì)，從而更有利于問(wèn)題的分析與解決。
特征選擇一般通過(guò)線性變換來(lái)完成。線性變換的表達(dá)式為Y＝AX(式1)式中X為變換前的n維隨機(jī)矢量，Y為變換后的n維隨機(jī)矢量，A為一個(gè)n×n的變換矩陣，A的不同決定了變換的性質(zhì)不同。
通過(guò)圖像變換以進(jìn)行特征選擇的基本思路是選擇變換域中一個(gè)由Y的m個(gè)分量組成的子集(1≤m＜n)，當(dāng)刪去剩下的n-m個(gè)分量而僅用所保留的m個(gè)分量表示X時(shí)，引起的誤差最小。這樣就實(shí)現(xiàn)了由n維到m維的壓縮。誤差的大小一般用均方誤差準(zhǔn)則來(lái)衡量。均方誤差準(zhǔn)則是保留m個(gè)具有最大方差的分量子集，刪去其余n-m個(gè)分量。
本發(fā)明采用分組KL變換的方法。為說(shuō)明分組KL變換，首先說(shuō)明KL變換。
KL變換是一種正交線性變換，是遙感數(shù)字圖像處理中最常用也是最有用的變換算法之一，是去相關(guān)，進(jìn)行特征提取、數(shù)據(jù)壓縮的有效方法。
為了推導(dǎo)方便，將線性變換的表達(dá)式寫為Y=AX=Σi=1nAiXi]]>(式2)希望經(jīng)過(guò)KL變換后，在新的空間中僅用其前m維向量就能在誤差最小的條件下反映出原來(lái)的n維信息。現(xiàn)將Y分為兩個(gè)部分，前面m項(xiàng)為第一部分，后面n-m項(xiàng)為第二部分，則有Y=AX=Σi=1mAixi+Σi=m+1nAixi]]>(式3)將式中第二部分中的xi記為bi并記Y(m)=Σi=1mAixi+Σi=m+1nAibi]]>(式4)設(shè)Y與Y(m)之間的誤差為ε，則ϵ=Σi=m+1nAi(xi-bi)]]>(式5)其均方差為ϵ2‾(k)=Σi=m+1nE[Ai(xi-bi)]2]]>(式6)為使均方差最小，對(duì)bi求導(dǎo)得bi＝E{xi}＝mx(式7)對(duì)于新的隨機(jī)變量Y，要取其前m項(xiàng)而略去后面n-m項(xiàng)，應(yīng)表示為yi＝Ai{xi-mx)即Y＝A(X-mx)(式8)新的隨機(jī)變量Y的協(xié)方差∑y＝E{(Y-my)(Y-my)t}，其中my為Y的均值，變換后的向量是具有零均值的隨機(jī)向量，所以my＝0，因此可得∑y＝E{YYt}＝E{[A(X-mx)][A(X-mx)]t}＝A∑xAt這說(shuō)明將隨機(jī)變量X的協(xié)方差矩陣對(duì)角化了，所得對(duì)角矩陣就是新的隨機(jī)變量Y的協(xié)方差矩∑y。對(duì)角矩陣中每個(gè)元素就是∑x的一個(gè)特征值。將特征值按大小順序排列，λ1＞λ2＞λ3…λn。這樣，當(dāng)我們只取前面m項(xiàng)，將m+1到n項(xiàng)略去，可使得
ϵ2‾(k)=Σi=m+1nλi]]>最小 (式9)由此可知，如果變換矩陣A為正交矩陣，且它是由原始圖像數(shù)據(jù)矩陣X的協(xié)方差矩陣∑x的特征向量所組成，則變換為KL變換。
要進(jìn)行KL變換，首先，根據(jù)原始圖像矩陣X求出它的協(xié)方差矩陣∑x；其次，由特征方程(λI-∑x)u＝0(式10)其中λ為特征值，I為單位矩陣，u為特征向量，求出協(xié)方差矩陣∑x的各個(gè)特征值λi＝(i＝1，2，……，n)，將其按λ1≥λ2≥……≥λn排列，求出各特征值對(duì)應(yīng)的特征向量u1ui＝[u1i，u2i……，uni]t(式11)然后，取變換矩陣A＝UT即得到了KL變換的具體表達(dá)式y(tǒng)=u11u12······u1nu21u22·······u2n···un1un2······unnX=UtX]]>(式12)經(jīng)過(guò)KL變換后，得到一組新的變量(即Y的各個(gè)行向量)，它們依次被稱為第一主成分、第二主成分、……、第n主成分。因?yàn)樽儞Q矩陣的行是∑x的特征向量，所以Y的第i個(gè)分量實(shí)際上是X各分量以第i個(gè)特征向量的各分量為權(quán)的加權(quán)和，整個(gè)Y的各分量均是X的各分量的信息的線性組合，它綜合了原有各特征的信息而不是簡(jiǎn)單地取舍，這使得新的n維隨機(jī)矢量能很好地反映原有事物的特征。
從KL變換的原理可知它是均方誤差最小意義上的最佳正交變換，它具有以下幾個(gè)特點(diǎn)·由于KL變換是正交線性變換，所以變換前后的方差總和保持不變，只是把原來(lái)的方差不等量地再分配到新的主成分圖像中。
·KL變換在幾何意義上相當(dāng)于進(jìn)行空間坐標(biāo)的旋轉(zhuǎn)，第一主成分取光譜空間中數(shù)據(jù)散布最集中的方向，第二主成分取與第一主成分正交且取數(shù)據(jù)散布次集中的方向，余此類推。因此，第一主成分包含了總方差的絕大部分(一般在80％以上)，而方差與信息量相一致，所以KL變換的結(jié)果使得第一主成分幾乎包含了原來(lái)各波段圖像信息的絕大部分，其余主成分所包含的信息依次迅速減小。
·KL變換是去相關(guān)、消除數(shù)據(jù)冗余的有效方法。在原空間中各分量是相互斜交的，具有較大的相關(guān)性，經(jīng)過(guò)KL變換，在新的空間中各分量是直交的，相互獨(dú)立的，相關(guān)系數(shù)為零，并且由于信息集中于前幾個(gè)分量上，所以在信息損失最小的前提下，可用較少的分量代替原來(lái)的高維數(shù)據(jù)，達(dá)到了降維的效果，從而使得處理數(shù)據(jù)的時(shí)間和費(fèi)用大大降低。另一方面，由于各主成分是相互垂直的，所以增大了類間距，減小了類內(nèi)差異，可提高分類精度。
·應(yīng)指出的是雖然前幾個(gè)主成分往往包含了98％以上的信息，但不能簡(jiǎn)單地認(rèn)為后面的主分量是沒(méi)有用的，有時(shí)包含信息很小主成分里的信息恰好是所需的信息，因此在對(duì)主成分取舍時(shí)應(yīng)根據(jù)具體的應(yīng)用目標(biāo)而做具體分析。
下面介紹本發(fā)明所采用的分組KL變換。
對(duì)于常規(guī)遙感數(shù)據(jù)，由于其波段少，特征選擇是比較容易進(jìn)行的。但對(duì)于成像光譜數(shù)據(jù)，由于波段數(shù)劇增，特征提取就難以用常規(guī)的方法實(shí)現(xiàn)。
將KL變換直接用于成像光譜數(shù)據(jù)仍面臨困難。進(jìn)行KL變換主要包括兩個(gè)步驟，第一步是生成變換矩陣，第二步是利用變換矩陣對(duì)圖像進(jìn)行變換。第一步不需要太大的運(yùn)算量，但是第二步是用變換矩陣對(duì)每個(gè)像元進(jìn)行運(yùn)算，這是個(gè)非常耗時(shí)的過(guò)程，因?yàn)閷?duì)于每個(gè)像元的計(jì)算量為N×N個(gè)乘法和N×(N-1)個(gè)加法。因此，如果將變換用于成像光譜數(shù)據(jù)的所有波段，效率之低可想而知。由于成像光譜數(shù)據(jù)的光譜分辨率很高，它受太陽(yáng)吸收光譜的影響更明顯，這種影響對(duì)不同的波段范圍是不一樣的，隨波長(zhǎng)的增大而減小。因此，如果成像光譜數(shù)據(jù)沒(méi)做輻射訂正，或者輻射訂正得不夠理想(這是經(jīng)常存在的)，那么輻射失真將會(huì)影響到波段的方差大小，受輻射失真影響小的波段的方差往往高于受影響大的波段的方差，方差的大小又會(huì)影響KL變換的結(jié)果，所以不宜直接將KL變換用于成像光譜數(shù)據(jù)。
通過(guò)對(duì)成像光譜數(shù)據(jù)的相關(guān)性分析了解了其波段分組的特點(diǎn)，就是說(shuō)相鄰波段的相關(guān)性很強(qiáng)，以一定的光譜范圍為界限，構(gòu)成若干個(gè)組內(nèi)波段高相關(guān)而組間相對(duì)獨(dú)立的波段組。分組KL變換是建立在對(duì)成像光譜數(shù)據(jù)這一特征認(rèn)識(shí)的基礎(chǔ)上。改變傳統(tǒng)KL變換對(duì)全部數(shù)據(jù)進(jìn)行變換的方法，而是把著眼點(diǎn)放在每個(gè)相對(duì)獨(dú)立的波段組。其過(guò)程如圖2所示。首先對(duì)原始數(shù)據(jù)進(jìn)行相關(guān)性分析，設(shè)定一個(gè)門限值，根據(jù)波段之間相關(guān)系數(shù)的大小將它們劃分為K個(gè)波段組，每個(gè)組的波段數(shù)分別為n1，n2，……nk；其次，對(duì)每個(gè)波段組分別進(jìn)行KL變換，產(chǎn)生各組的主成分圖像；然后，進(jìn)行特征選擇。如果選擇出的特征參數(shù)比較多，還可重復(fù)上面的步驟對(duì)選出的特征參數(shù)再進(jìn)行主成分變換及特征選擇，直到達(dá)到具體的要求為止。
分組KL變換比常規(guī)KL變換有明顯的優(yōu)點(diǎn)，如前所述，對(duì)于常規(guī)KL變換，每個(gè)像元點(diǎn)的乘法運(yùn)算量為N×N個(gè)，采用分組式KL變換，每個(gè)組內(nèi)每個(gè)點(diǎn)的乘法運(yùn)算為nk×nk個(gè)，K個(gè)組的全部乘法運(yùn)算量為 兩種不同方法乘法運(yùn)算量之比為Σk=1Knk2/(N×N)=Σk=1K(nkN)2,]]>即與組內(nèi)波段數(shù)和原圖像波段數(shù)比值的平方成正比，組內(nèi)波段數(shù)nk越小，上面的乘法比越小，節(jié)約的時(shí)間越多。
假設(shè)分為三組，每組大小一樣(即K＝3，n1-n2＝n3)，則僅考慮乘法運(yùn)算量就可節(jié)約2/3時(shí)間。同時(shí)，分組KL變換處理的結(jié)果是更加合理的。波段之所以能形成高度相關(guān)的組，是有其內(nèi)在聯(lián)系的，它們位于特定的光譜段，具有某種共同的相似的性質(zhì)，即一致性。太陽(yáng)光譜對(duì)不同光譜范圍波段的影響大小是不一樣的，可以造成方差異常，從而影響KL變換的結(jié)果，但在光譜范圍比較窄的組內(nèi)，這種影響相對(duì)一致，所以進(jìn)行分組KL變換可避免這種錯(cuò)誤，得到更合理的結(jié)果。
優(yōu)選地，本發(fā)明的方法還包括高光譜圖像處理的步驟，包括圖像增強(qiáng)、光譜增強(qiáng)、光譜識(shí)別和圖像分類。這些方法都可以采用本領(lǐng)域所公知的技術(shù)，例如可參見(jiàn)王長(zhǎng)耀等主編的《對(duì)地觀測(cè)技術(shù)與精細(xì)農(nóng)業(yè)》(空間信息獲取與處理系列專著，2001年，北京科學(xué)出版社)。在本文中不再贅述。
根據(jù)本發(fā)明的一個(gè)實(shí)施例，可以按照如下順序?qū)D像進(jìn)行處理輻射校正、幾何校正、光譜重建、波段選擇、多源數(shù)據(jù)復(fù)合。
波段選擇是要在眾多的波段中，選取包含足夠相關(guān)地物目標(biāo)信息的少量波段，找到少量最能反映地物信息的波段。
波段選擇問(wèn)題可歸結(jié)為設(shè)原始數(shù)據(jù)有n個(gè)波段，要在這n維數(shù)據(jù)集中選擇出m維的數(shù)據(jù)子集(m＜n)而又不損失重要的信息。人們希望選擇出盡可能少的波段來(lái)反映原波段盡可能多的信息。在常規(guī)遙感數(shù)據(jù)最佳波段選擇時(shí)，常用的方法是根據(jù)一定的算法、準(zhǔn)則對(duì)所有可能的組合進(jìn)行評(píng)價(jià)，從而得到最佳波段結(jié)合。對(duì)于常規(guī)遙感數(shù)據(jù)，波段數(shù)比較少，如TM數(shù)據(jù)為7個(gè)波段，用這樣的方法是可行的。但對(duì)于高光譜數(shù)據(jù)，由于波段數(shù)劇增，再照搬這樣的方法顯然是不合適的。在n維數(shù)據(jù)集中挑選m維子集的所有組合可能為Cnm=n!/(n-m)!m!,]]>這是一個(gè)巨大的數(shù)字。僅以30個(gè)波段的成像光譜數(shù)據(jù)為例，若在30個(gè)波段中選擇10個(gè)波段，可能的組合就有30045015種。而實(shí)際的成像光譜數(shù)據(jù)，少則幾十個(gè)波段，多則上百甚至幾百個(gè)波段。因此，對(duì)于波段非常多的高光譜數(shù)據(jù)，要把從n個(gè)波段中選擇m個(gè)波段的所有可能情況都一一考慮，是不現(xiàn)實(shí)的，其實(shí)也是沒(méi)有必要的。由于光譜細(xì)分，與常規(guī)遙感數(shù)據(jù)不同，高光譜數(shù)據(jù)在不同的譜段所擁有的波段數(shù)不再是一、二個(gè)，而是十幾個(gè)甚至幾十個(gè)，它們構(gòu)成若干個(gè)光譜組，分屬于電磁波中性質(zhì)不同的光譜區(qū)間，組內(nèi)各波段具有較大的相似性，而不同的組之間則具有較大的差異性。這在相關(guān)系數(shù)矩陣上表現(xiàn)得非常清楚。高光譜數(shù)據(jù)都可明顯地分為若干個(gè)組，組內(nèi)各波段的相關(guān)性很強(qiáng)，而不同組之間的相關(guān)性很弱。光譜波段選擇的著眼點(diǎn)應(yīng)放在組內(nèi)各波段的評(píng)價(jià)，而不是組間。因此，在進(jìn)行高光譜數(shù)據(jù)波段選擇時(shí)，應(yīng)該先將高光譜數(shù)據(jù)按性質(zhì)分為若干組，然后以組為單元進(jìn)行光譜波段的優(yōu)劣評(píng)價(jià)，這樣既避免了大量不必要的運(yùn)算量，又可提高波段選擇的準(zhǔn)確性和效率。
基于以上考慮，下面給出了計(jì)算用于成像光譜數(shù)據(jù)波段評(píng)價(jià)的波段指數(shù)的方法。設(shè)ρij為波段i與j之間的相關(guān)系數(shù)，成像光譜數(shù)據(jù)被分為k組，每組的波段數(shù)分別為n1，n2……nk，定義波段指數(shù)為Pi=σiRi]]>其中Ri＝Rw+RaRw=1nkΣj=1nkρij(i≠j)]]>式中σi為第i波段的均方差，Rw為第i波段與所在組內(nèi)其它波段相關(guān)系數(shù)的絕對(duì)值之和的平均值，Ra為第i波段與所在組以外的其它波段之間的相關(guān)系數(shù)的絕對(duì)值之和。就是說(shuō)，波段指數(shù)為波段的均方差同該波段在組內(nèi)的平均相關(guān)系數(shù)和該波段與組外波段相關(guān)系數(shù)絕對(duì)值之和的比值。
由于組內(nèi)各波段的相關(guān)很強(qiáng)而組間波段的相關(guān)性很弱，一個(gè)波段的整體相關(guān)性強(qiáng)弱主要由其與組內(nèi)各波段的相關(guān)性大小決定，而各個(gè)組的大小不同，即構(gòu)成組的波段數(shù)不同，因此使用組內(nèi)一波段與其它波段相關(guān)系數(shù)絕對(duì)值之和的平均值做為該波段指數(shù)分母的一項(xiàng)，更能合理地反映該波段的整體優(yōu)劣水平。
波段指數(shù)的意義十分明確，它是表明該波段的與其它波段之間的離散程度。波段指數(shù)越大，它與其它波段所含的信息量的重復(fù)信息越少。換言之，因?yàn)榫讲钤酱?，表明波段的離散程度越大，所含的信息量越豐富，而波段的總體相關(guān)系數(shù)的絕對(duì)值越小，表明波段數(shù)據(jù)的獨(dú)立性越強(qiáng)，信息冗余度越小。所以波段指數(shù)Pi能綜合地反映波段信息含量和相關(guān)性兩個(gè)因素，可做為選擇波段的重要參數(shù)之一。顯然，應(yīng)選擇Pi大的波段。
在波段選擇之后，可對(duì)數(shù)據(jù)進(jìn)行各種應(yīng)用處理，例如進(jìn)行多源數(shù)據(jù)復(fù)合、特征提取、特征分析等。
多源數(shù)據(jù)復(fù)合是指將不同來(lái)源的圖形或圖像數(shù)據(jù)層疊加或合并為一個(gè)圖層，以獲取更豐富、完整的信息。是從多個(gè)圖層復(fù)合為一個(gè)圖層的過(guò)程，即多個(gè)數(shù)據(jù)合并為一個(gè)數(shù)據(jù)。目的是為了增加信息量。
特征提取是在圖象中識(shí)別和提取某些所關(guān)心的具有特定特征(包括幾何特征、光譜特征等)的信息，如線狀的河流、道路，反射率很低的水體等。這是從圖像的眾多信息中有選擇地提取某種所需信息的過(guò)程?？衫霉倪z傳算法對(duì)成像光譜儀及雷達(dá)等遙感數(shù)據(jù)進(jìn)行特征提取和神經(jīng)元網(wǎng)絡(luò)分類。在特征提取中，必要時(shí)，需進(jìn)行多源數(shù)據(jù)復(fù)合。
特征分析是指分析各種特征的空間分布和彼此間的相互關(guān)系，利用統(tǒng)計(jì)學(xué)、數(shù)學(xué)或文字等方法對(duì)它們進(jìn)行測(cè)量和描述，并借助目標(biāo)物的背景知識(shí)(基礎(chǔ)數(shù)據(jù))對(duì)目標(biāo)物做數(shù)據(jù)分析、理解、識(shí)別。特征分析技術(shù)已用于圖像識(shí)別，這些技術(shù)包括目前常用的公知的對(duì)地物圖像中反映地理特征的邊緣和拐角的檢測(cè)、前景和背景分離、紋理分析和光譜等。
在多數(shù)情況下，處理順序?yàn)槎嘣磾?shù)據(jù)復(fù)合、特征提取、特征分析。但是，三者間并無(wú)嚴(yán)格的先后順序。比如，用于特征提取的數(shù)據(jù)，可能經(jīng)過(guò)數(shù)據(jù)復(fù)合處理，也可能不需要；特征提取得到的數(shù)據(jù)層，也可能與其它數(shù)據(jù)進(jìn)行復(fù)合。
對(duì)于農(nóng)情監(jiān)測(cè)，僅僅有經(jīng)重建后的光譜提供的參數(shù)是不夠的。也就是說(shuō)，農(nóng)情監(jiān)測(cè)模型不僅需要光譜參數(shù)，也需要一些與光譜信息相配套的地面獲取的輔助信息。這就要采用上述的多源數(shù)據(jù)復(fù)合。這個(gè)過(guò)程通過(guò)公知的圖層疊加、屬性信息表合并等步驟來(lái)實(shí)現(xiàn)。
在本發(fā)明中，可通過(guò)遙感數(shù)據(jù)與基礎(chǔ)數(shù)據(jù)的圖形復(fù)合，來(lái)得到更豐富的綜合信息。
通過(guò)基礎(chǔ)數(shù)據(jù)與遙感數(shù)據(jù)間不同圖層的疊加，可以獲取不同種類的地面信息，這些不同來(lái)源的數(shù)據(jù)組成復(fù)合信息，為地物目標(biāo)光譜判斷和分析提供了輔助參考和支持。將特征光譜曲線應(yīng)用于遙感圖像，可以在大區(qū)域范圍內(nèi)判別不同地物目標(biāo)、并進(jìn)一步挖掘圖像所包含的深層地物目標(biāo)信息。
由于不同數(shù)據(jù)來(lái)源可能包含重復(fù)的屬性信息，因此可以進(jìn)行屬性信息表合并，以便把這些信息歸并整理，形成統(tǒng)一完整的屬性信息。
這種屬性信息表合并可以利用公知的GIS技術(shù)，對(duì)不同來(lái)源的圖形屬性表進(jìn)行編輯整理即可。
數(shù)據(jù)的信息特征可根據(jù)有關(guān)統(tǒng)計(jì)參數(shù)加以分析。熵和方差可用于衡量信息大小的評(píng)價(jià)依據(jù)，它們的值越大，說(shuō)明信息越豐富；均值反映圖像的平均亮度水平，圖像的動(dòng)態(tài)范圍(即亮度的最大值和最小值之差)反映影像的反差大小，反差大則地物的可分性強(qiáng)；波段之間的相關(guān)系數(shù)反映波段的相關(guān)性強(qiáng)弱，相關(guān)強(qiáng)說(shuō)明數(shù)據(jù)的冗余性大，相關(guān)性弱說(shuō)明波段的獨(dú)立性強(qiáng)。遙感圖像的時(shí)相不同、下墊面狀況不同，圖像的熵、方差、均值和動(dòng)態(tài)范圍會(huì)發(fā)生變化，但波段之間的相關(guān)系數(shù)變化很小。
波段選擇獲得的少量信息量豐富的波段，是用于特征提取的數(shù)據(jù)源。分類和特征選擇都是在波段選擇的基礎(chǔ)上進(jìn)行的，特征提取得到的信息可用于分類。
在本發(fā)明的優(yōu)選實(shí)施例中，提供了農(nóng)業(yè)信息顯示的步驟。下面結(jié)合具體的實(shí)施例介紹本發(fā)明的利用對(duì)地觀測(cè)技術(shù)所獲得的數(shù)據(jù)(光譜、遙感數(shù)據(jù)等)提供農(nóng)情分析的方法。
如圖3所示，在本發(fā)明的一個(gè)實(shí)施例中，農(nóng)情為小麥長(zhǎng)勢(shì)。其步驟為利用高光譜的特點(diǎn)，即高光譜的特點(diǎn)是由波長(zhǎng)間隔很小的豐富的光譜波段組成，即光譜分的很細(xì)；如10nm間隔，即每個(gè)波段所覆蓋的波長(zhǎng)范圍只有10nm。這些細(xì)分光譜可為波段選擇和組合提供豐富的選擇，通過(guò)細(xì)分光譜，根據(jù)地面觀測(cè)數(shù)據(jù)，與光譜數(shù)據(jù)進(jìn)行主成分分析，得到反映小麥長(zhǎng)勢(shì)的三個(gè)主要因子(葉綠素、蛋白質(zhì)、水分)的波段信息，并分別對(duì)其進(jìn)行歸一化處理。根據(jù)這三個(gè)主要因子(葉綠素C、蛋白質(zhì)P、水分W)對(duì)小麥長(zhǎng)勢(shì)的貢獻(xiàn)大小，采用線性組合的方法，求算出小麥長(zhǎng)勢(shì)函數(shù)G，G＝aC+bP+cW其中a＝2，b＝1，c＝2；分別為葉綠素、蛋白質(zhì)、水分因素對(duì)小麥長(zhǎng)勢(shì)的貢獻(xiàn)率。
葉綠素信息第2波段(0.46-0.48um)能夠很好反映葉綠素信息。
蛋白質(zhì)信息第15波段(1.00-1.02um)能夠很好反映蛋白質(zhì)信息。
水分信息第12波段(0.94-0.96um)能夠很好反映水分信息。
而第8波段(0.64-0.66um)對(duì)于葉綠素、蛋白質(zhì)、水分都是反射低值區(qū)，分別利用第2波段和第8波段，第15波段和第8波段，第12波段和第8波段進(jìn)行歸一化處理，消除條帶影響，同時(shí)突出葉綠素、蛋白質(zhì)、水分信息，反映小麥長(zhǎng)勢(shì)。
然后對(duì)小麥長(zhǎng)勢(shì)函數(shù)G進(jìn)行分級(jí)評(píng)價(jià)，得到小麥長(zhǎng)勢(shì)結(jié)果。
·利用基礎(chǔ)數(shù)據(jù)，疊合作物分布專題信息，去除非小麥區(qū)域。
·輸入數(shù)據(jù)庫(kù)。
如圖4所示，在本發(fā)明的一個(gè)實(shí)施例中，可以計(jì)算葉面積系數(shù)。
首先對(duì)高光譜數(shù)據(jù)進(jìn)行輻射校正和幾何校正，然后進(jìn)行分類，通過(guò)歸一化處理，求得小麥綠度值NI，NI=CHANNEL12-CHANNEL8CHANNEL12+CHANNEL8]]>進(jìn)一步得到小麥覆蓋率fv，其中，CHANNEL8和CHANNEL12分別表示波段8和12中的值。利用 LAI＝K-1·In(1-fv)-1其中K為小麥的消光系數(shù)，最后求出小麥葉面積系數(shù)分布。
圖5顯示了根據(jù)本發(fā)明一實(shí)施方案的用于實(shí)現(xiàn)上述方法的系統(tǒng)的示意性框圖，該系統(tǒng)包括一、數(shù)據(jù)存儲(chǔ)單元，包括1)光譜數(shù)據(jù)庫(kù)，其以矢量圖形的數(shù)據(jù)格式存儲(chǔ)不同農(nóng)作物或地物目標(biāo)的光譜曲線；2)遙感數(shù)據(jù)庫(kù)，以柵格圖像的數(shù)據(jù)格式存儲(chǔ)機(jī)載成像光譜儀獲取的多波段遙感圖像。
3)基礎(chǔ)數(shù)據(jù)庫(kù)，用來(lái)存儲(chǔ)與研究區(qū)域遙感圖像相匹配的其他輔助性地理空間數(shù)據(jù)(柵格或矢量形式的圖形、圖像數(shù)據(jù))和屬性數(shù)據(jù)(文本或表格形式的統(tǒng)計(jì)數(shù)據(jù))。如矢量化的地區(qū)行政邊界，氣象要素、土地覆蓋類型圖件等。
具體地說(shuō)，對(duì)于矢量數(shù)據(jù)，可以用x，y坐標(biāo)方式作為實(shí)體位置的標(biāo)識(shí)，還可用拓?fù)浣Y(jié)構(gòu)來(lái)反映各實(shí)體之間的相互關(guān)系。主要包括·點(diǎn)要素，如水井、觀測(cè)臺(tái)站等。
·線要素，如公(鐵)路，江河等。
·多邊形要素，如區(qū)劃，田塊等。
·注記要素。
對(duì)于矢量數(shù)據(jù)文件采用面向圖幅的方式，按照專題逐一進(jìn)行，形成相應(yīng)的專題數(shù)據(jù)文件，包括坐標(biāo)文件，存貯空間幾何數(shù)據(jù)屬性文件，存貯空間屬性數(shù)據(jù)同一應(yīng)用領(lǐng)域的多種專題數(shù)據(jù)文件，可以構(gòu)成一個(gè)文件組。
在本發(fā)明的系統(tǒng)中，矢量數(shù)據(jù)格式可以采用ARC/INFO(E00)數(shù)據(jù)格式或/和Auto CAD(DXF)數(shù)據(jù)格式對(duì)于柵格數(shù)據(jù)，是將地圖或圖像分成若干行和列組成的格網(wǎng)，按每個(gè)格網(wǎng)作為一個(gè)點(diǎn)對(duì)全圖掃描采樣得到每點(diǎn)的屬性數(shù)據(jù)。網(wǎng)格編好后的全圖是規(guī)則的陣列，所以實(shí)體的坐標(biāo)位置隱藏在網(wǎng)格的存貯地址中。
本系統(tǒng)需要存貯多種專題空間數(shù)據(jù)，要選取同樣大小的區(qū)域，同樣的比例尺。這時(shí)每個(gè)網(wǎng)格包含兩種或兩種以上的屬性，可以有以下兩種記錄方式文件組方式。每個(gè)專題獨(dú)立形成文件，所有相關(guān)文件構(gòu)成一個(gè)文件組。
多波段方式。將每個(gè)不同專題放在不同的波段中，形成一個(gè)文件。
柵格數(shù)據(jù)格式可以采用行列矩陣數(shù)據(jù)格式、PCI數(shù)據(jù)格式、TIFF數(shù)據(jù)格式、BMP數(shù)據(jù)格式。
對(duì)于多波段柵格數(shù)據(jù)，可以采取下列方式存貯。
BIP格式，文件先順序排第1個(gè)點(diǎn)的各個(gè)波段數(shù)據(jù)，再排第2個(gè)點(diǎn)的各個(gè)波段數(shù)據(jù)，依此排至最后一點(diǎn)。
BIL格式，文件先排第1行的第1波段數(shù)據(jù)，再排第1行第2波段數(shù)據(jù)，直至排完第1行所有波段數(shù)據(jù)后，再依此順序排第2行各個(gè)波段數(shù)據(jù)，一直到最后一行。
BSQ格式，文件先排第1波段所有點(diǎn)的數(shù)據(jù)，再排第2波段所有點(diǎn)的數(shù)據(jù)，依此直至最后一個(gè)波段。
在本發(fā)明的一個(gè)實(shí)施例中，上述數(shù)據(jù)庫(kù)可以采用ARC/INFO地理信息系統(tǒng)、FOXPRO數(shù)據(jù)庫(kù)處理軟件來(lái)設(shè)計(jì)。
二、控制和運(yùn)算處理單元，包括圖像預(yù)處理單元，包含有常規(guī)的圖像處理工具，例如公知的GIS功能。用來(lái)對(duì)遙感數(shù)據(jù)圖像進(jìn)行輻射校正、幾何校正、噪聲去除、鑲嵌拼接、投影變換、圖像增強(qiáng)、光譜增強(qiáng)、光譜識(shí)別和圖像分類等處理；也可以僅進(jìn)行上述的其中一些處理。這些處理的方法都可以采用現(xiàn)有技術(shù)來(lái)實(shí)現(xiàn)，因此不再贅述。
在本發(fā)明的一個(gè)實(shí)施例中，可以采用加拿大PCI公司開(kāi)發(fā)的PCI系統(tǒng)Version6.2各功能模塊為核心，并結(jié)合上述的ARC/INFO地理信息系統(tǒng)、FOXPRO數(shù)據(jù)庫(kù)處理軟件，以及微軟公司的C/C++軟件等形成系統(tǒng)的工具庫(kù)，用于為數(shù)據(jù)采集錄入、數(shù)據(jù)管理維護(hù)、數(shù)據(jù)常規(guī)處理、利用后述的模型單元中的模型對(duì)數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行處理運(yùn)算、信息圖件輸出等提供系統(tǒng)軟件工具支持。
三、模型單元，在本發(fā)明的系統(tǒng)中用于存儲(chǔ)修改模型算法，對(duì)多種數(shù)據(jù)進(jìn)行有目的、專業(yè)化的運(yùn)算，得到所需信息的中央處理模塊。模型單元中的模型是通用地理信息系統(tǒng)和遙感圖像處理系統(tǒng)所未收集的，專門針對(duì)本課題各項(xiàng)目標(biāo)和任務(wù)的完成而開(kāi)發(fā)的算法模塊。
本發(fā)明系統(tǒng)中的模型單元包括參數(shù)選擇模型庫(kù)和農(nóng)情反演模型庫(kù)。
參數(shù)選擇模型用于對(duì)處理過(guò)的圖像進(jìn)行光譜重建、數(shù)據(jù)復(fù)合特征分析以及波段選擇等。這些處理過(guò)程在前文已詳細(xì)說(shuō)明，此處從略。
在模型單元中要建立農(nóng)情反演模型庫(kù)。為此首先需要收集其它各子課題研究、采用、并已在實(shí)踐中被證明具有良好效果的模型，在分析其算法結(jié)構(gòu)的基礎(chǔ)上，從工具庫(kù)中挑選必要的功能模塊，按照模型采取的算法順序進(jìn)行鏈接，必要時(shí)輔以程序開(kāi)發(fā)，形成從數(shù)據(jù)輸入、模型運(yùn)算到信息輸出的一整套模型電子化流程。用戶使用模型時(shí)，只需輸入待處理數(shù)據(jù)文件信息和結(jié)果文件名，而不必知道中間模型運(yùn)算過(guò)程。
參見(jiàn)圖6，下面以簡(jiǎn)單的NDVI植被指數(shù)計(jì)算模型為例，說(shuō)明農(nóng)情反演模型庫(kù)中各模型的開(kāi)發(fā)過(guò)程。
如上所述，在建立模型時(shí)，首先要根據(jù)其它子課題所提供的模型計(jì)算公式，在本例中為NDVI=Ch2-Ch1Ch2+Ch1,]]>來(lái)進(jìn)行算法結(jié)構(gòu)分析，即分析在公式中中包含的運(yùn)算步驟(波段相減、波段相加以及進(jìn)行除法運(yùn)算等)。
然后，根據(jù)所得到的特定的算法結(jié)構(gòu)，進(jìn)行模型的電子化構(gòu)建。當(dāng)用戶輸入待處理的圖像時(shí)，系統(tǒng)自動(dòng)調(diào)用控制和運(yùn)算處理單元中的波段運(yùn)算模塊，對(duì)圖像的兩個(gè)波段進(jìn)行相減運(yùn)算，將結(jié)果輸出到新圖像的第一波段。
系統(tǒng)調(diào)用工具庫(kù)中波段運(yùn)算模塊，對(duì)圖像兩個(gè)波段進(jìn)行相加運(yùn)算，將結(jié)果輸出到新圖像第二波段。
系統(tǒng)調(diào)用工具庫(kù)中波段運(yùn)算模塊，對(duì)新圖像兩個(gè)波段進(jìn)行相除運(yùn)算，得到最終結(jié)果圖。
然后，系統(tǒng)自動(dòng)刪除中間處理過(guò)程中的圖，向用戶輸出結(jié)果圖像。
本系統(tǒng)農(nóng)情反演模型庫(kù)中的農(nóng)情信息模型主要包括高光譜作物理化特性提取模型作物長(zhǎng)勢(shì)動(dòng)態(tài)監(jiān)測(cè)模型高光譜飛行數(shù)據(jù)與現(xiàn)有星載數(shù)據(jù)復(fù)合模型成像光譜儀參數(shù)選擇模型這些模型的具體開(kāi)發(fā)方法基本類似，本文不再贅述。
四、信息輸出單元，用來(lái)根據(jù)所提取的農(nóng)情參數(shù)，顯示或用其它方式輸出相關(guān)的農(nóng)業(yè)信息。
本發(fā)明的系統(tǒng)可以為農(nóng)業(yè)應(yīng)用提供多種信息，包括土地利用圖、作物分布圖、作物長(zhǎng)勢(shì)數(shù)據(jù)、旱情監(jiān)測(cè)數(shù)據(jù)、多種信息復(fù)合結(jié)果、農(nóng)用參數(shù)選擇方案等。以下以土地利用信息為例說(shuō)明本發(fā)明系統(tǒng)的方法。
土地利用信息用于研究地物在高光譜圖像上的光譜特性，探討使用高光譜數(shù)據(jù)進(jìn)行土地利用分類的方法和潛力。
土地利用圖是作物分布圖、小麥長(zhǎng)勢(shì)圖等圖件的基礎(chǔ)，土地利用圖的質(zhì)量直接影響其它專題圖的質(zhì)量。因此，在進(jìn)行土地利用圖的遙感制圖時(shí)，本發(fā)明的系統(tǒng)可采用目視解譯、計(jì)算機(jī)自動(dòng)識(shí)別分類及綜合分類等多種公知的方法，從而保證了這一基礎(chǔ)圖件的準(zhǔn)確性。圖7顯示了以北京順義縣的土地利用現(xiàn)狀圖為例的具體過(guò)程。
高光譜數(shù)據(jù)成像時(shí)間1998年4月24號(hào)，小麥拔節(jié)、抽穗季節(jié)。光譜范圍0.44～2.40μm，共32個(gè)波段各波段的波段范圍見(jiàn)表5，由于儀器問(wèn)題，其中有七個(gè)波段(1、9、17、22、23、25、32波段)質(zhì)量不好，因此實(shí)際可使用的波段為25個(gè)。
非遙感資料1∶5萬(wàn)地彩圖，是前人完成的土地利用圖等專題圖。
幾何糾正與圖像鑲嵌順義試驗(yàn)區(qū)由東西向七個(gè)航帶組成，每一航帶之間都有一定寬度的旁向重迭。同一航帶上，幾何畸變自中間向西邊逐漸增大，為了充分利用航帶中間質(zhì)量較好的圖像，先將處于旁向重迭范圍內(nèi)幾何變形較大的圖像切掉，然后對(duì)照高光譜圖像和1∶5萬(wàn)地形圖，在圖像上均勻地選擇控制點(diǎn)，建立多項(xiàng)式轉(zhuǎn)換方程，經(jīng)再取樣對(duì)圖像進(jìn)行幾何糾正。最后將經(jīng)過(guò)幾何糾正、具有共同的地圖投影(高斯—克呂格投影)、在同一坐標(biāo)系下的七個(gè)航帶鑲嵌成一幅圖像。
建立解譯標(biāo)志進(jìn)行野外實(shí)地考察，與高光譜影像對(duì)照，分析研究實(shí)驗(yàn)區(qū)各地物的影像特征，建立圖像解譯標(biāo)志。在此基礎(chǔ)上制定制圖規(guī)范和分類系統(tǒng)。
土地利用現(xiàn)狀分類包括目視解譯、計(jì)算機(jī)自動(dòng)分類等方法。
(1)目視解譯方法選取高光譜飛行數(shù)據(jù)的第12波段、第10波段和第6波段進(jìn)行RGB彩色合成；
·以CorelDraw軟件為操作平臺(tái)，根據(jù)所建立的解譯標(biāo)志，參考地形圖、前人做的土地利用圖等有關(guān)資料，結(jié)合地學(xué)專業(yè)知識(shí)綜合分析，進(jìn)行人機(jī)交互判讀。
·將解譯結(jié)果從CorelDraw里導(dǎo)出，存為Arc/Info可接受的DXF格式。
·在Arc/Info中對(duì)解譯結(jié)果進(jìn)行修改、編輯、賦屬性代碼，并進(jìn)行坐標(biāo)轉(zhuǎn)換。
·針對(duì)解譯中遇到的疑難問(wèn)題，去實(shí)地考察解決，并對(duì)解譯結(jié)果驗(yàn)證、修改。
·輸入數(shù)據(jù)庫(kù)。
(2)計(jì)算機(jī)自動(dòng)分類A監(jiān)督分類·光譜波段選擇針對(duì)一定目的的分類，最佳波段及其組合的正確選擇是非常重要的。與其它遙感數(shù)據(jù)相比，高光譜數(shù)據(jù)的特點(diǎn)是，波段范圍很窄，光譜信息極其豐富，可選擇的波段更多，識(shí)別物體的能力更強(qiáng)。但這并不意味著在分類時(shí)使用的波段數(shù)越多越好。這是因?yàn)?，第一，光譜波段數(shù)并不簡(jiǎn)單地等于信息波段數(shù)。有一些波段數(shù)據(jù)之間的相關(guān)性很強(qiáng)(表4.1)。如果使用所有波段進(jìn)行分類，由于相關(guān)數(shù)據(jù)的相互干擾，不僅不會(huì)提高分類精度，反而還會(huì)影響分類結(jié)果；第二，選擇波段過(guò)多，會(huì)影響計(jì)算的速度，對(duì)計(jì)算機(jī)硬件提出更高的要求；第三，現(xiàn)有圖像處理軟件無(wú)法滿足這一要求。各種軟件對(duì)波段數(shù)都有一定的限定，如PCI軟件在進(jìn)行監(jiān)督分類時(shí)，圖像波段數(shù)不能大于16。
在選擇光譜波段時(shí)，我們主要考慮了兩個(gè)因素，其一是各波段的相關(guān)性，其二是實(shí)驗(yàn)區(qū)各地物的光譜響應(yīng)特點(diǎn)。
表1為高光譜數(shù)據(jù)各波段間的相關(guān)系數(shù)，從表1可以看出如下幾個(gè)特點(diǎn)a.波段2～11可見(jiàn)光范圍，各波段之間的相關(guān)性很強(qiáng)，其中波段2與其它波段相關(guān)最弱，其次是波段11。
b.波段12～31的紅外波段均與可見(jiàn)光波段相關(guān)不太強(qiáng)，尤其是波段12～16與可見(jiàn)光相關(guān)很小(相關(guān)系數(shù)小于0.2)，而波段18～31之間的相關(guān)系數(shù)小于0.2。
c.波段12～16之間的相關(guān)系數(shù)均在0.94以上，而它們與波段18～31之間的相關(guān)系數(shù)小于0.2。
d.波段18～31之間的相關(guān)系數(shù)為0.7～0.85，相關(guān)最強(qiáng)的為波段28與31，最弱的為波段19與29，波段19與各波段相關(guān)較弱。
從地物的光變響應(yīng)來(lái)看，實(shí)驗(yàn)區(qū)的麥地與果園、果園與菜地及林地、水庫(kù)與河流及池塘等地物間的光譜特性在某些波段上很相似，但如果從所有波段去觀察它們的光譜曲線，會(huì)發(fā)現(xiàn)它們?cè)诹硪恍┎ǘ紊嫌胁町?見(jiàn)表2)。
表1 高光譜數(shù)據(jù)各波段相關(guān)系數(shù)矩陣

續(xù)表1

表2 實(shí)驗(yàn)區(qū)部分地物的光譜可分性 注√表示地物在此波段可分綜合考慮地物的波段特性和各波段數(shù)據(jù)的相關(guān)性，選擇波段2、6、11、12、19、24和30參加分類。
·選擇訓(xùn)練區(qū)根據(jù)每類地物的光譜特點(diǎn)選擇能代表其特性的典型樣區(qū)為訓(xùn)練區(qū)?？紤]到同物異譜的存在，所選每類地物的訓(xùn)練區(qū)不止一個(gè)。
·分類采用最大似然法進(jìn)行分類B、基于標(biāo)準(zhǔn)光譜數(shù)據(jù)庫(kù)分類法·建立試驗(yàn)區(qū)主要地物標(biāo)準(zhǔn)光譜數(shù)據(jù)庫(kù)·將標(biāo)準(zhǔn)光譜數(shù)據(jù)庫(kù)轉(zhuǎn)為PCI軟件的數(shù)據(jù)庫(kù)文件格式·根據(jù)定標(biāo)系數(shù)將高光譜圖像由灰度值轉(zhuǎn)為反射率值·將高光譜圖像上像元的反射率曲線與標(biāo)準(zhǔn)光譜曲線比較，逐點(diǎn)判斷每一個(gè)像元的歸屬類，得到分類圖。
C、綜合分類法以上各種分類方法各有優(yōu)點(diǎn)，但同時(shí)存在不足。目視解譯方法分類精度高，但解譯結(jié)果受解譯人員專業(yè)素質(zhì)影響較大，且花費(fèi)時(shí)間較多，監(jiān)督分類法雖然速度快，但由于是一種純光譜分類方法，無(wú)法解決同物異譜、同譜異物的問(wèn)題，所以分類精度受到限制；基于標(biāo)準(zhǔn)光譜數(shù)據(jù)庫(kù)的分類法，必須以充足的光譜數(shù)據(jù)庫(kù)為前提，同時(shí)對(duì)圖像的預(yù)處理、圖像的質(zhì)量有較高的要求。基于以上考慮，我們提出綜合分類法。所謂綜合分類法就是將各種分類法有機(jī)地結(jié)合起來(lái)，在滿足精度的前提下，為求省時(shí)、省力、實(shí)用，達(dá)到整體效果最佳。
具體步驟是·對(duì)于重點(diǎn)地物，在標(biāo)準(zhǔn)光譜數(shù)據(jù)庫(kù)支持下分類·對(duì)僅靠光譜就能分開(kāi)的地物用監(jiān)督分類法分類·在上面兩次分類的基礎(chǔ)上，通過(guò)人機(jī)交互，把其它方法不易分開(kāi)的地物解譯出來(lái)。
這樣做既能保證制圖精度，又使分類時(shí)間大大減少。
以上為說(shuō)明的目的對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行了詳細(xì)的描述，但本領(lǐng)域的普通技術(shù)人員應(yīng)該意識(shí)到，在本發(fā)明的范圍和精神內(nèi)，各種改進(jìn)、添加和替換都是可能的，并且都在本發(fā)明的權(quán)利要求所限定的保護(hù)范圍內(nèi)。
權(quán)利要求
1.一種對(duì)地觀測(cè)技術(shù)的農(nóng)業(yè)應(yīng)用集成方法，包括獲取對(duì)地觀測(cè)數(shù)據(jù)；對(duì)所獲得的對(duì)地觀測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)波段選擇；對(duì)經(jīng)所述波段選擇后的對(duì)地觀測(cè)數(shù)據(jù)進(jìn)行特征提取，獲取農(nóng)情參數(shù)；利用所獲取的農(nóng)情參數(shù)進(jìn)行特征分析，獲得所述對(duì)地觀測(cè)數(shù)據(jù)中的所需信息。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)地觀測(cè)數(shù)據(jù)為高光譜數(shù)據(jù)，所述方法進(jìn)一步包括對(duì)高光譜數(shù)據(jù)進(jìn)行預(yù)處理的步驟，所述預(yù)處理步驟包括如下的一種或多種處理輻射校正、幾何校正、光譜重建、圖像變換。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述特征提取的步驟包括通過(guò)多源數(shù)據(jù)的復(fù)合而獲取不同種類地面信息的步驟，所述多源數(shù)據(jù)復(fù)合通過(guò)所述高光譜數(shù)據(jù)和地面信息進(jìn)行圖層疊加來(lái)實(shí)現(xiàn)。
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述圖像變換為分組KL變換。
5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述的波段選擇包括對(duì)所述的高光譜數(shù)據(jù)的波段進(jìn)行波段分組；和利用所分各組計(jì)算波段指數(shù)；其中，設(shè)ρij為波段i與j之間的相關(guān)系數(shù)，成像光譜數(shù)據(jù)被分為k組，每組的波段數(shù)分別為n1，n2……nk，定義波段指數(shù)為Pi=σiRi]]>Ri＝Rw+RaRw=1nkΣj=1nkρij,]]>其中i≠j式中σi為第i波段的均方差，Rw為第i波段與所在組內(nèi)其它波段相關(guān)系數(shù)的絕對(duì)值之和的平均值，Ra為第i波段與所在組以外的其它波段之間的相關(guān)系數(shù)的絕對(duì)值之和。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述農(nóng)情參數(shù)包括葉綠素信息、蛋白質(zhì)信息和小麥水份信息，所述相關(guān)農(nóng)業(yè)信息包括小麥長(zhǎng)勢(shì)信息；或者所述農(nóng)情參數(shù)信息為植被指數(shù)，所述相關(guān)農(nóng)業(yè)信息為作物產(chǎn)量趨勢(shì)。
7.一種對(duì)地觀測(cè)技術(shù)的農(nóng)業(yè)應(yīng)用集成系統(tǒng)，包括數(shù)據(jù)存儲(chǔ)單元，包括光譜數(shù)據(jù)庫(kù)，其以矢量圖形的數(shù)據(jù)形式存儲(chǔ)不同農(nóng)作物或地物目標(biāo)的光譜曲線；遙感數(shù)據(jù)庫(kù)，以柵格圖像的數(shù)據(jù)形式存儲(chǔ)機(jī)載成像光譜儀獲取的多波段遙感圖像；模型單元，包括參數(shù)選擇模型庫(kù)和農(nóng)情反演模型庫(kù)，所述參數(shù)選擇模型庫(kù)用于對(duì)圖像進(jìn)行光譜重建、數(shù)據(jù)復(fù)合特征分析以及波段選擇，所述農(nóng)情反演模型庫(kù)用于提供多種類型的農(nóng)情信息模型；控制和運(yùn)算處理單元，用于利用所述模型單元的模型對(duì)圖像數(shù)據(jù)進(jìn)行相應(yīng)的處理；和信息輸出單元，用于根據(jù)所提取的農(nóng)情參數(shù)，顯示或用其它方式輸出相關(guān)的農(nóng)業(yè)信息。
8.根據(jù)權(quán)利要求7所述的對(duì)地觀測(cè)技術(shù)的農(nóng)業(yè)應(yīng)用集成系統(tǒng)，其特征在于，進(jìn)一步包括基礎(chǔ)數(shù)據(jù)庫(kù)，用來(lái)存儲(chǔ)與研究區(qū)域遙感圖像相匹配的輔助性地理空間數(shù)據(jù)和屬性數(shù)據(jù)。
9.根據(jù)權(quán)利要求7所述的對(duì)地觀測(cè)技術(shù)的農(nóng)業(yè)應(yīng)用集成系統(tǒng)，其特征在于，所述輔助性地理空間數(shù)據(jù)為柵格或矢量形式的圖形、圖像數(shù)據(jù)，所述屬性數(shù)據(jù)為文本或表格形式的統(tǒng)計(jì)數(shù)據(jù)，包括矢量化的地區(qū)行政邊界，氣象要素、土地覆蓋類型圖件。
10.根據(jù)權(quán)利要求7所述的對(duì)地觀測(cè)技術(shù)的農(nóng)業(yè)應(yīng)用集成系統(tǒng)，其特征在于，所述農(nóng)情信息模型包括高光譜作物理化特性提取模型、作物長(zhǎng)勢(shì)動(dòng)態(tài)監(jiān)測(cè)模型、高光譜飛行數(shù)據(jù)與現(xiàn)有星載數(shù)據(jù)復(fù)合模型、以及成像光譜儀參數(shù)選擇模型。
全文摘要
本發(fā)明公開(kāi)了一種對(duì)地觀測(cè)技術(shù)的農(nóng)業(yè)應(yīng)用集成系統(tǒng)和方法，所述系統(tǒng)包括數(shù)據(jù)存儲(chǔ)單元，包括光譜數(shù)據(jù)庫(kù)，遙感數(shù)據(jù)庫(kù)，基礎(chǔ)數(shù)據(jù)庫(kù)；模型單元，包括參數(shù)選擇模型庫(kù)和農(nóng)情反演模型庫(kù)；控制和運(yùn)算處理單元，用于利用所述模型單元的模型對(duì)圖像數(shù)據(jù)進(jìn)行相應(yīng)的處理；和信息輸出單元，用于根據(jù)所提取的農(nóng)情參數(shù)，顯示或用其它方式輸出相關(guān)的農(nóng)業(yè)信息。本發(fā)明可利用先進(jìn)的對(duì)地觀測(cè)技術(shù)，對(duì)農(nóng)業(yè)進(jìn)行精準(zhǔn)的現(xiàn)代化管理。所述方法包括獲取高光譜數(shù)據(jù)；對(duì)所獲得的高光譜數(shù)據(jù)進(jìn)行處理；對(duì)所述高光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)波段選擇；對(duì)經(jīng)波段選擇后的高光譜數(shù)據(jù)進(jìn)行特征提取，獲取農(nóng)情參數(shù)；利用所獲取的農(nóng)情參數(shù)，輸出所述高光譜數(shù)據(jù)中的相關(guān)農(nóng)業(yè)信息。
文檔編號(hào)G01N21/25GK1677085SQ20041002982
公開(kāi)日2005年10月5日 申請(qǐng)日期2004年3月29日 優(yōu)先權(quán)日2004年3月29日
發(fā)明者王長(zhǎng)耀, 牛錚 申請(qǐng)人:中國(guó)科學(xué)院遙感應(yīng)用研究所