本發(fā)明屬于農(nóng)業(yè)遙感技術(shù)領(lǐng)域。更具體地，涉及一種基于水體指數(shù)變異系數(shù)的水稻亞像元識別方法。

背景技術(shù)：

水稻種植空間分布的變化對于我國農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整、水資源監(jiān)測以及溫室氣體排放至關(guān)重要。作為世界上最大的水稻生產(chǎn)國，快速精確監(jiān)測水稻的空間分布，對于確保糧食安全和氣候變化研究具有重要意義。高精度的光學(xué)遙感和合成孔徑雷達(dá)由于受數(shù)據(jù)可獲得性及計(jì)算能力的限制，很難應(yīng)用于區(qū)域水稻面積制圖。目前區(qū)域或國家尺度水稻面積制圖大都采用中等分辨率的遙感數(shù)據(jù)，這些數(shù)據(jù)具有較高的時(shí)間分辨率并且數(shù)據(jù)比較容易獲取。

水稻面積制圖已經(jīng)開展了大量的工作。與自然植被相比，在人類水肥管理?xiàng)l件下，水稻具有特定的物候期和生長發(fā)育階段。早期的研究大都采用單波段反射率，利用監(jiān)督/非監(jiān)督分類的方法進(jìn)行水稻面積制圖。但由于受水稻生長物候期的區(qū)域差異，這種方法很難大面積推廣。一些研究采用多時(shí)相的遙感影像和植被指數(shù)進(jìn)行水稻面積制圖。近幾年比較常用的方法是xiangmingxiao（2002）提出的基于植被指數(shù)和水體指數(shù)算法，該方法通過比較水稻插秧期植被指數(shù)（ndvi/evi）與水分指數(shù)（lswi），如果滿足（ndvi/evi+t>lswi），則該像元被判定為水稻。其中ndvi為歸一化植被指數(shù)，evi為增強(qiáng)型植被指數(shù)，lswi為水體指數(shù)，t為常數(shù)。該方法充分利用水稻插秧期淹水的條件下，lswi比較高，而ndvi或evi比較低的特點(diǎn)進(jìn)行水稻識別，在東亞、東南亞以及南亞地區(qū)得到了很好的應(yīng)用。另外，bingwenqiu（2015）提出了一種基于水體與植被指數(shù)變化比值指數(shù)的水稻自動(dòng)制圖方法。但是上述這些方法都沒有考慮水稻的亞像元問題，對于山區(qū)水稻和水稻與其它作物間作種植區(qū)域識別度比較低。因此，需要發(fā)展一種亞像元的水稻識別方法來進(jìn)一步提高中等分辨率遙感數(shù)據(jù)的水稻識別能力。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是克服現(xiàn)有水稻面積制圖中的缺陷和不足，提供一種基于水體指數(shù)變異系數(shù)的水稻亞像元自動(dòng)識別方法。所述方法不依賴于田間觀測，魯棒性好分類精度比較高；可進(jìn)一步提高對山區(qū)水稻和水稻與其它空間作物間作種植區(qū)域的識別度，提高中等分辨率遙感數(shù)據(jù)的水稻識別能力。

本發(fā)明的目的是提供一種基于水體指數(shù)變異系數(shù)的水稻亞像元識別方法。

本發(fā)明的上述目的是通過以下技術(shù)方案給予實(shí)現(xiàn)的：

一種基于水體指數(shù)變異系數(shù)的水稻亞象元自動(dòng)識別方法，包含如下步驟，

s1.構(gòu)建水體指數(shù)、植被指數(shù)、夜間地表溫度時(shí)序數(shù)據(jù)集；

s2.剔除研究區(qū)域內(nèi)非耕地像元；

s3.根據(jù)地表溫度確定生長季的時(shí)期；

s4.計(jì)算各像元生長季內(nèi)水體指數(shù)的變異系數(shù)；

s5.確定水體指數(shù)變異系數(shù)與水稻種植面積比例的關(guān)系；

s6.依據(jù)水體指數(shù)的變異系數(shù)進(jìn)行水稻種植面積比例計(jì)算。

本發(fā)明基于水分指數(shù)變異系數(shù)的水稻亞像元識別方法，流程如圖1所示，首先建立研究區(qū)lswi、ndvi和lst的年內(nèi)時(shí)序數(shù)據(jù)集，在對研究區(qū)內(nèi)的非耕地像元進(jìn)行掩膜處理的基礎(chǔ)上，利用地表溫度數(shù)據(jù)確定作物的生長季時(shí)期，并計(jì)算每個(gè)像元生長季lswi指數(shù)的cv值，根據(jù)modis土地利用類型圖自動(dòng)獲取水稻純像元（以水體代替，與水稻具有相近的cv值）和旱地零像元，并計(jì)算cv值，確定cv值與水稻種植面積比例的線性關(guān)系，然后根據(jù)研究區(qū)內(nèi)每個(gè)像元的cv值計(jì)算水稻種植面積的比例。

優(yōu)選地，步驟s1所述水體指數(shù)與植被指數(shù)是根據(jù)mod09a1產(chǎn)品計(jì)算得出的；地表溫度是根據(jù)myd11a2產(chǎn)品計(jì)算得出的。

優(yōu)選地，步驟s2具體為設(shè)定生長季ndvi最大值為a，若a<0.6，則判定該像元為稀疏植被；設(shè)定夜間地表溫度0到10℃期間ndvi最大值為b，若b>0.4，則判定該像元為自然植被，從而剔除非耕地像元；耕地具有比較高的ndvi值，若生長季內(nèi)ndvi最大值小于0.6，則判定該像元為稀疏植被（包括水體、建筑用地、鹽堿地等），即不為耕地；滿足ndvi大于0.6的，除了耕地，還有可能是林地等蓋度比較大的自然植被，這些自然植被返青一般比較早，ndvi值相對比較高，而耕地在夜間地表溫度0到10℃的時(shí)候的ndvi還比較小，所以設(shè)定了第二個(gè)條件，去除林地等蓋度比較大的自然植被。

優(yōu)選地，步驟s3中，夜間地表溫度（lst）穩(wěn)定大于0℃時(shí)，作物出苗不受凍害影響，以此判定為作物生長季的時(shí)期；

優(yōu)選地，步驟s4的水體指數(shù)變異系數(shù)為耕地作物生長季時(shí)期的水體指數(shù)的標(biāo)準(zhǔn)偏差與平均值的比值。

優(yōu)選地，步驟s5中，依據(jù)水稻純像元（100%水稻面積）與旱地零像元（0%水稻面積）的cv值，確定水稻種植面積的比例：yarea=-a×xcv+b；其中，yarea為水稻種植面積的比例，xcv為像元水體指數(shù)的變異系數(shù)，a、b為常數(shù)。

優(yōu)選地，步驟s5中，為了提高該方法的自動(dòng)性，利用modis土地利用類型圖被用來自動(dòng)獲取水稻純像元與旱地零像元；因?yàn)樗w像元與水稻純像元具有相近的cv值，因此水體像元被用來作為純像元。

由于一年一熟地區(qū)作物的生長發(fā)育主要受溫度限制，因而可以利用地表生長溫度判定作物的生長季，從而再研究作物水體指數(shù)變異系數(shù)與種植面積比例之間的關(guān)系。

因此，上述任一所述方法在一年一季作物生長區(qū)農(nóng)作物或/和土地利用分類的遙感自動(dòng)識別方面的應(yīng)用亦在本發(fā)明保護(hù)范圍內(nèi)。

優(yōu)選地，所述農(nóng)作物為水稻、小麥、大豆或玉米。

具體地，所用應(yīng)用為在水稻精確制圖中的應(yīng)用。

本發(fā)明充分利用水稻的需水特性，在整個(gè)生育期內(nèi)水稻基本處于淹水條件，其水體指數(shù)的變異性小于其它農(nóng)作物，并且水體指數(shù)變異系數(shù)隨水稻種植面積比例的增加而降低，二者具有顯著的線性相關(guān)性。通過設(shè)計(jì)水體指數(shù)的變異系數(shù)，用于水稻亞像元識別并計(jì)算種植面積的比例。

與現(xiàn)有技術(shù)變比，本發(fā)明具有以下有益效果：

（1）本發(fā)明能夠進(jìn)行中等分辨率尺度上水稻的亞像元識別，提高了水稻的識別能力；

（2）本發(fā)明通過計(jì)算植被生長季內(nèi)水體指數(shù)的變異系數(shù)，而非某個(gè)時(shí)刻水體指數(shù)的值，能在很大程度上消除噪聲和降水帶來的干擾；

（3）本發(fā)明相較于其它水稻制圖方法，僅利用水分指數(shù)一個(gè)指標(biāo)，簡潔方便，易于操作；

（4）本發(fā)明不借助于觀察數(shù)據(jù)，自動(dòng)性強(qiáng)，魯棒性好分類精度比較高，結(jié)果穩(wěn)定可靠。

附圖說明

圖1為本發(fā)明的實(shí)現(xiàn)流程圖。

圖2為lst、lswi年內(nèi)時(shí)序信號圖；lswi100代表純水稻像元，lswi50為水稻種植面積占50%的像元，lswi0代表旱地像元。

圖3為水稻種植面積比例與像元cv值之間的關(guān)系。

具體實(shí)施方式

以下結(jié)合說明書附圖和具體實(shí)施例來進(jìn)一步說明本發(fā)明，但實(shí)施例并不對本發(fā)明做任何形式的限定。除非特別說明，本發(fā)明采用的試劑、方法和設(shè)備為本技術(shù)領(lǐng)域常規(guī)試劑、方法和設(shè)備。

除非特別說明，以下實(shí)施例所用試劑和材料均為市購。

實(shí)施例1

一種基于水體指數(shù)變異系數(shù)的水稻亞象元自動(dòng)識別方法，具體包括如下步驟：

步驟s1：構(gòu)建植被指數(shù)、水體指數(shù)、地表溫度時(shí)序數(shù)據(jù)集；

首先根據(jù)mod09a18天合成的反射率產(chǎn)品，計(jì)算ndvi（波段1和2）、lswi（波段2和6）。利用savitzky-golayfilter等去噪方法，對原始年內(nèi)時(shí)序數(shù)據(jù)集進(jìn)行平滑去噪處理。根據(jù)myd11a2產(chǎn)品計(jì)算夜間地表溫度。共獲得46幅年內(nèi)時(shí)序數(shù)據(jù)集，作為水稻亞象元識別的基礎(chǔ)。

步驟s2：剔除研究區(qū)內(nèi)非耕地像元；

依據(jù)植被指數(shù)值域分布特征，對研究區(qū)內(nèi)的稀疏植被（包括水體、建筑用地、鹽堿地等）及自然植被（包括林地、草地、濕地等）進(jìn)行掩膜處理。因?yàn)楦鼐哂斜容^高的ndvi值，因此判定條件為：設(shè)定生長季ndvi最大值為a，如果a<0.6，則判定該像元為稀疏植被，即不為耕地；同時(shí)，滿足ndvi大于0.6的，除了耕地，還有可能是林地等蓋度比較大的自然植被，相對于耕地，自然植被在春季返青比較早，ndvi值相對比較高，而耕地在夜間地表溫度0到10℃期間的ndvi還比較小，因而設(shè)定第二判定條件，ndvi最大值為b，如果b>0.4，則判定該像元為自然植被。

步驟s3：根據(jù)地表溫度確定作物生長季時(shí)期；

在一年一熟地區(qū)作物的生長發(fā)育主要受溫度限制。春季低溫是造成作物凍害并影響作物種植時(shí)期的主要因素。因此，判定夜間地表溫度穩(wěn)定大于0℃時(shí)為作物的生長季時(shí)期。

步驟s4：計(jì)算各像元生長季內(nèi)水體指數(shù)的變異系數(shù)；

針對研究區(qū)域內(nèi)的目標(biāo)土地利用類型，根據(jù)夜間地表溫度確定的作物生長季時(shí)期，逐像元計(jì)算夜間地表溫度大于0℃時(shí)水體指數(shù)的變異系數(shù)。變異系數(shù)cv為標(biāo)準(zhǔn)偏差sd與平均值mean的比值，其表達(dá)式為cv=sd/mean。

步驟s5：確定水體指數(shù)變異系數(shù)與水稻種植面積比例之間的線性關(guān)系；

水稻的生長終生離不開水，在水稻的整個(gè)生長季，lswi的cv值要小于旱地作物，并且隨像元內(nèi)水稻面積的增加，lswi的cv值降低（圖2）。通過無人機(jī)航拍獲取的影像，發(fā)現(xiàn)水稻種植面積的比例與cv值存在顯著的線性關(guān)系（圖3）。其中，yarea=-a×xcv+b。yarea為水稻種植面積的比例，xcv為像元水分指數(shù)的變異系數(shù)，a、b為常數(shù)。為了提高該方法的自動(dòng)性，modis土地利用類型圖被用來自動(dòng)獲取水稻純像元與旱地零像元。因?yàn)樗w像元與水稻純像元具有相近的cv值，因此水體像元被用來作為純像元。旱地純像元可以根據(jù)水稻插秧期lswi的差異從耕地分類中自動(dòng)獲取。

步驟s6：依據(jù)水體指數(shù)變異系數(shù)進(jìn)行水稻種植面積比例計(jì)算；

利用步驟s5確定的lswi的cv值與水稻種植面積比例之間的關(guān)系公式（如圖3所示），計(jì)算每一個(gè)像元水稻面積的比例。本自動(dòng)方法水稻的純像元對應(yīng)的cv值為0.55，而根據(jù)實(shí)際觀測得到的水稻純像元的cv值為0.35。因此，將cv值在0.35至0.55之間的象元判定為水稻的純像元。如果采用前人的算法，很難識別小于一個(gè)像元的水稻種植區(qū)域。而利用該方法可以識別水稻種植面積比例比較小的區(qū)域。

本發(fā)明方法適用于一年一季作物生長區(qū)農(nóng)作物（水稻、小麥、大豆或玉米等）及土地利用分類的遙感自動(dòng)識別領(lǐng)域中。

依據(jù)上述水稻亞像元識別流程，可實(shí)現(xiàn)比較精確的水稻自動(dòng)制圖。

以上是本發(fā)明的較佳實(shí)施例，凡依本發(fā)明技術(shù)方案所做的改變，所產(chǎn)生的功能作用未超出本發(fā)明技術(shù)方案的范圍時(shí)，均屬于本發(fā)明的保護(hù)范圍。