一种基于自适应特征选择的水稻制图方法

摘要

本发明涉及一种基于自适应特征选择的水稻制图方法，包括以下步骤：建立研究区增强型植被指数和水体指数的时序数据集；建立研究区云分布的时间序列数据；基于水稻关键物候期遥感影像的云分布，将研究区划分为有云区与无云区；基于时间序列分析法，获取无云区水稻分类结果；提取基于像元的遥感影像特征；选取最少云干扰的影像，分为有云区与无云区并依次进行分割获得遥感影像对象；综合基于像元的遥感影像特征，提取面向对象的遥感影像特征；将无云区水稻分类结果作为训练数据，获得有云区水稻分类结果；综合无云区水稻分类结果及有云区水稻分类结果，获取研究区水稻空间分布图。本发明具有自动化程度高、简单易用、鲁棒性好以及分类精度高等特点。

权利要求

1.一种基于自适应特征选择的水稻制图方法，其特征在于，包括以下步骤：

步骤S01：逐像元建立研究区增强型植被指数和水体指数的时序数据集；

步骤S02：建立研究区云分布的时间序列数据；

步骤S03：基于水稻关键物候期遥感影像的云分布，将所述研究区划分为有云区与无云区；

步骤S04：基于时间序列分析法，获取无云区水稻分类结果；

步骤S05：提取基于像元的遥感影像特征，包括遥感影像的反射率、遥感影像的纹理、增强型植被指数与水体指数的差值、水体指数与增强型植被指数变化比值指数；

步骤S06：选取最少云干扰的影像，分别对有云区与无云区依次进行分割获得遥感影像对象；

步骤S07：综合步骤S05得到的基于像元的遥感影像特征，提取面向对象的遥感影像特征；

步骤S08：利用所述无云区水稻分类结果作为训练数据，获得有云区水稻分类结果；

步骤S09：综合所述无云区水稻分类结果及有云区水稻分类结果，获取研究区水稻空间分布图。

2.根据权利要求1所述的基于自适应特征选择的水稻制图方法，其特征在于：所述步骤S03中，将研究区水稻从移栽期到抽穗期这段时间，确定为水稻关键物候期；基于所述云分布的时间序列数据，逐像元标记水稻关键物候期各景遥感影像的云分布，将所述研究区划分为有云区和无云区。

3.根据权利要求1所述的基于自适应特征选择的水稻制图方法，其特征在于：所述步骤S04中，针对无云区，基于时间序列分析方法，建立水稻分蘖期到抽穗期间内水体指数与增强型植被指数变化比值指数，逐像元进行水稻识别，从而获得无云区的水稻分类结果图。

4.根据权利要求1所述的基于自适应特征选择的水稻制图方法，其特征在于：所述步骤S05中，依据优先选取水稻物候关键期内遥感影像的原则，并且参照水稻与非水稻在遥感影像各波段差异的显著性检验结果，自适应地选取多景分离度较高的遥感影像；从遥感影像的反射率、遥感影像的纹理、增强型植被指数与水体指数的差值、水体指数与增强型植被指数变化比值指数方面建立基于像元的遥感影像特征。

5.根据权利要求1所述的基于自适应特征选择的水稻制图方法，其特征在于：所述步骤S06中，依据所述云分布的时间序列数据，选取水稻关键物候期内最少云干扰的一景遥感影像；分有云区和无云区，依次进行遥感影像分割，获得分割后形成的遥感影像对象分布图；

分割时所采用的遥感影像，直接采用波段反射率数据或者综合多波段反射率数据得到的第一主成分数据作为遥感影像分割的基础。

6.根据权利要求1所述的基于自适应特征选择的水稻制图方法，其特征在于：所述步骤S07中，将所述步骤S05中得到的基于像元的遥感影像特征，利用平均值、极值、方差统计量，汇总到基于分割后的遥感影像对象，从而获得一系列面向对象的遥感影像特征。

7.根据权利要求1所述的基于自适应特征选择的水稻制图方法，其特征在于：所述步骤S08中，将所述无云区水稻分类结果作为训练数据；依据其在水稻与非水稻中差异的显著性检验结果，自适应地选取步骤S07中获得的面向对象的遥感影像特征；利用机器学习的方法，对有云区进行水稻专题信息提取，获得有云区水稻分类结果。

说明书

一种基于自适应特征选择的水稻制图方法

技术领域

[0001] 本发明涉及一种基于自适应特征选择的水稻制图方法。

背景技术

[0002] 水稻作为中国乃至全世界最重要的粮食作物，准确地掌握其种植面积对于确保粮食安全至关重要。同时，由于水稻生长过程需要大量灌溉水并且排放出相当可观的甲烷气体，快速高效地监测水稻时空分布对于区域资源环境可持续发展尤为重要。传统的人工地面调查方法受到人力物力以及自然条件等各方面的限制，难以满足农作物种植面积快速监测的现势性需求。随着遥感技术的深入发展，特别是Landsat 8、中国高分系列卫星的发射并且实现公开免费使用，为实现快速高效低成本监测农作物分布提供了强有力的数据支撑。农作物遥感监测也迎来了前所未有的发展机遇。但由于不同农作物在可见光、近红外以及短波红外光谱上的相似性，使得目前农作物遥感监测面临挑战，急需寻求新的技术方法以满足大数据时代实现我国农业精准监测的需求。

[0003] 基于遥感影像时间序列的农作物遥感监测方法，能有效地监测农作物整个生命周期，已成为目前的主流发展方向。即：通过连续多期的遥感影像，监测农作物在播种、发芽、开花、结实乃至成熟的整个生长周期内的变化，从而达到农作物遥感分类的目的。目前，基于时序遥感影像的分类技术发展迅速，并且在农作物遥感监测中取得了一定的成效。相关研究成果主要集中在针对水稻、小麦、玉米等大宗农作物种植面积的遥感监测方面。在水稻遥感监测方面，比较常用的方法有Xiangming Xiao等（2005）提出的基于植被指数与水体指数的差值的方法。该方法基于水稻移栽期通常需要漫灌，因此水体指数会上升的特点，通过判断水体指数与植被指数之差，其小于一定的阈值时（如0.05）判断为水稻。该方法简便易用，自提出以来，东南亚以及中国等水稻主产区得到了良好的应用，并且获得了比较理想的分类精度。邱炳文等（2015）针对水体指数易受到降水等因素干扰的特点，提出了一种基于特定物候期的水体与植被指数变化比值指数的水稻自动制图方法。该方法巧妙地利用水稻田在移栽到抽穗这段特定的物候期内，水体指数较小而植被指数变化幅度较大的特点，通过设计基于两者比值的水体与植被指数变化比值指数开展水稻专题提取。该方法具有自动化程度高与抗干扰能力强等特点。利用该方法开展中国东南10多个省份历年水稻信息提取和时空演变研究，获得了90%以上的分类精度，进一步证实了该方法的实用性。

[0004] 但基于遥感影像时间序列的农作物遥感监测方法应用前提在于，能获得基于一定时间间隔的（如8天）数据质量良好的年内遥感影像时序数据集。对于高时间分辨率（1天以内）的遥感影像如MODIS数据而言，往往能较好地满足这一前提条件。但对于较低时间分辨率（16天）的遥感影像如Landsat系列数据而言，由于云雨和雾霾等天气因素限制，所建立的年内遥感影像时序数据集在某些地区可能不够完整连续，因此基于遥感影像时间序列的农作物遥感监测方法的应用受限。

[0005] 由于我国耕地破碎化程度比较高，基于MODIS等250米以上的空间分辨率遥感数据难以实现农作物分布的有效监测。势必要求开展较高空间分辨率数据，如30米Landsat影像数据的遥感监测。然而，较高空间分辨率数据通常难以兼具高时间分辨率的优点。因此如何合理地利用有限的遥感影像时间序列数据，从中选取合适的遥感影像特征，成为农作物遥感技术发展的核心问题。

发明内容

[0006] 有鉴于此，本发明的目的在于提供一种基于自适应特征选择的水稻制图方法，具有自动化程度高、简单易用、鲁棒性好以及分类精度高等特点。

[0007] 为实现上述目的，本发明采用如下技术方案：一种基于自适应特征选择的水稻制图方法，其特征在于，包括以下步骤：

[0008] 步骤S01：逐像元建立研究区增强型植被指数和水体指数的时序数据集；

[0009] 步骤S02：建立研究区云分布的时间序列数据；

[0010] 步骤S03：基于水稻关键物候期遥感影像的云分布，将所述研究区划分为有云区与无云区；

[0011] 步骤S04：基于时间序列分析法，获取无云区水稻分类结果；

[0012] 步骤S05：提取基于像元的遥感影像特征，包括遥感影像的反射率、遥感影像的纹理、增强型植被指数与水体指数的差值、水体指数与增强型植被指数变化比值指数；

[0013] 步骤S06：选取最少云干扰的影像，分别对有云区与无云区并依次进行分割获得遥感影像对象；

[0014] 步骤S07：综合步骤S05得到的基于像元的遥感影像特征，提取面向对象的遥感影像特征；

[0015] 步骤S08：利用所述无云区水稻分类结果作为训练数据，获得有云区水稻分类结果；

[0016] 步骤S09：综合所述无云区水稻分类结果及有云区水稻分类结果，获取研究区水稻空间分布图。

[0017] 进一步的，所述步骤S03中，将研究区水稻从移栽期到抽穗期这段时间，确定为水稻关键物候期；基于所述云分布的时间序列数据，逐像元标记水稻关键物候期各景遥感影像的云分布，将所述研究区划分为有云区和无云区。

[0018] 进一步的，所述步骤S04中，针对无云区，基于时间序列分析方法，建立水稻分蘖期到抽穗期间内水体指数与增强型植被指数变化比值指数，逐像元进行水稻识别，从而获得无云区的水稻分类结果图。

[0019] 进一步的，所述步骤S05中，依据优先选取水稻物候关键期内遥感影像的原则，并且参照水稻与非水稻在遥感影像各波段差异的显著性检验结果，自适应地选取多景合适的遥感影像；从遥感影像的反射率、遥感影像的纹理、增强型植被指数与水体指数的差值、水体指数与增强型植被指数变化比值指数方面建立基于像元的遥感影像特征。

[0020] 进一步的，所述步骤S06中，依据所述云分布的时间序列数据，选取水稻关键物候期内最少云干扰的一景遥感影像；分有云区和无云区，依次进行遥感影像分割，获得分割后形成的遥感影像对象分布图；分割时所采用的遥感影像，直接采用波段反射率数据或者综合多波段反射率数据得到的第一主成分数据作为遥感影像分割的基础。

[0021] 进一步的，所述步骤S07中，将所述步骤S05中得到的基于像元的遥感影像特征，利用平均值、极值、方差统计量，汇总到基于分割后的遥感影像对象，从而获得一系列面向对象的遥感影像特征。

[0022] 进一步的，所述步骤S08中，将所述无云区水稻分类结果作为训练数据；依据其在水稻与非水稻中差异的显著性检验结果，自适应地选取步骤S07中获得的面向对象的遥感影像特征；利用机器学习的方法，对有云区进行水稻专题信息提取，获得有云区水稻分类结果。

[0023] 本发明与现有技术相比具有以下有益效果：

[0024] 1、本发明分水稻关键物候期有云区和无云区这两种情况，分别采用不同的策略进行水稻专题信息提取，既避免了有云区中云对植被指数时序曲线干扰带来的影响，也能充分地利用已有的遥感影像数据，获得无云区的比较理想的分类结果。

[0025] 2、本发明充分考虑到有云区中云对遥感影像干扰以及其他因素带来的不确定性，依据无云区分类结果，自适应地选取合适的遥感影像及其遥感影像特征，自动选取最有效的特征，具有很好的自学习和泛化能力。

[0026] 3、本发明可以不借助其他辅助数据，自动化程度高，自适应能力强，结果稳定可靠。

附图说明

[0027] 图1是本发明的方法流程图。

[0028] 图2是本发明一实施例的研究区有云区和无云区分布图。

[0029] 图3是本发明一实施例的无云区水稻分类结果图。

[0030] 图4A是本发明基于像元的近红外波段反射率空间分布图。

[0031] 图4B是本发明基于像元的遥感影像的纹理空间分布图。

[0032] 图4C是本发明基于像元的EVI2-LSWI空间分布图。

[0033] 图5是本发明分割后形成的遥感影像对象分布图。

[0034] 图6是本发明有云区域水稻空间分布结果图。

[0035] 图7是本发明研究区水稻空间分布图。

具体实施方式

[0036] 下面结合附图及实施例对本发明做进一步说明。

[0037] 请参照图1，本发明提供一种基于自适应特征选择的水稻制图方法，其特征在于，包括以下步骤：

[0038] 步骤S01：逐像元建立研究区增强型植被指数和水体指数的时序数据集；

[0039] 步骤S02：建立研究区云分布的时间序列数据；

[0040] 步骤S03：基于水稻关键物候期遥感影像的云分布，将所述研究区划分为有云区与无云区；

[0041] 步骤S04：基于时间序列分析法，获取无云区水稻分类结果；

[0042] 步骤S05：提取基于像元的遥感影像特征，包括遥感影像的反射率、遥感影像的纹理、增强型植被指数与水体指数的差值、水体指数与增强型植被指数变化比值指数等；

[0043] 步骤S06：选取最少云干扰的影像，分别对有云区与无云区并依次进行分割获得遥感影像对象；

[0044] 步骤S07：综合步骤S05得到的基于像元的遥感影像特征，提取面向对象的遥感影像特征；

[0045] 步骤S08：利用所述无云区水稻分类结果作为训练数据，获得有云区水稻分类结果；

[0046] 步骤S09：综合所述无云区水稻分类结果及有云区水稻分类结果，获取研究区水稻空间分布图。

[0047] 为了让一般技术人员更好的理解本发明的技术方案，以下结合具体实施例对本发明进行进一步介绍。

[0048] S01：逐像元建立研究区增强型植被指数和水体指数时序数据集，其中研究区为Landsat遥感影像对应的区域；

[0049] 利用Landsat 8波段反射率数据，计算EVI2和LSWI时序数据，计算公式分别为：

[0050]

[0051]

[0052] 其中NIR, Red, Green, SWIR分别为Landsat遥感影像的近红外、红光、绿光以及短波红外波段的反射率。基于计算得到的EVI2和LSWI时序数据，在排除有云干扰的观测值的情况下，利用线性插值方法，逐像元建立研究区逐日EVI2和LSWI时序数据。然后采用Whittaker smoother等数据平滑方法，逐像元构建研究区时空连续的逐日增强型植被指数EVI2和水体指数LSWI时序数据集。

[0053] S02：逐像元开展遥感影像的云判别，建立研究区云分布的时间序列数据；

[0054] 按照时间序列，针对每期Landsat遥感影像，逐像元标记云分布情况。采用Zhu Zhe和Woodcock Curtis E.等学者提出的Fmask方法检测云。依据每期Landsat遥感影像的云的检测结果，建立研究区云分布的时间序列数据。

[0055] S03：基于云的时间序列数据，计算各景Landsat遥感影像的云比例，逐像元标记水稻关键物候期各景遥感影像的云分布，将研究区划分为有云区和无云区。

[0056] 依据研究区农作物物候，将研究区水稻从移栽期到抽穗期这段时间，确定为水稻关键物候期。如黑龙江水稻移栽到抽穗这段时间约为每年的4月20日至7月10日左右。依据所确定的水稻关键物候期，进一步判断哪些Landsat遥感影像处于水稻关键物候期内。

[0057] 基于水稻关键物候期内的所有Landsat遥感影像，依据云分布的时间序列数据，逐像元统计每个像元中出现云干扰的比例。如果该像元在水稻关键物候期内，所有Landsat遥感影像都没有受到云的干扰，将其标记为无云区，否则为有云区。最终将研究区划分为有云区和无云区，并获得研究区的有云区和无云区分布图，请参照图2。

[0058] S04：针对水稻关键物候期无云区，逐像元开展基于时间序列分析方法的水稻识别；

[0059] 针对无云区，逐像元利用时间序列分析方法进行水稻制图，如基于水体与植被指数变化比值指数的水稻自动制图方法，获得无云区域的水稻分类结果图，请参照图3。但对于有云区，逐日增强型植被指数和水体指数时序曲线受到比较大的干扰，严重地影响了分类精度，因此需同时借助于其他遥感影像特征进行分类。

[0060] S05：自适应地选取多景合适的影像，从遥感影像反射率、纹理、增强型植被指数与水体指数的差值、水体指数与增强型植被指数变化比值指数等各方面，建立基于像元的若干遥感影像特征；

[0061] 首先，借鉴水稻栽培以及生长变化规律，参照水稻与非水稻在遥感影像各波段差异的显著性检验结果，自适应地选取多景合适的Landsat遥感影像。判断遥感影像中水稻与非水稻的分离度，可以依据水稻栽培与生长的特殊规律，并且参考无云区的分类结果获得。水稻在移栽期通常需要漫灌，并且通常在整个生长期内土壤含水量均比较高。经研究发现，水稻在移栽期到抽穗期这段关键物候期内，与非水稻的分离度比较大。因此，优先选取水稻物候关键期内的影像；在水稻在非关键生长期内，优先选取临近水稻移栽期影像。

[0062] 依据无云区的水稻分类结果图，利用F检验，开展水稻与非水稻在遥感影像各波段的差异显著性检验。计算水稻与非水稻在不同时期Landsat遥感影像各波段中F检验的P值。如依次计算各景Landsat遥感影像，水稻与非水稻在不同波段反射率的F检验的P值，按照P距离从小到大的顺序，依次对所有的遥感影像进行排序，从而确定不同Landsat遥感影像的分离度。从中选取水稻与非水稻F检验的P值小于0.05的若干景遥感影像，作为计算特征指标数据的基础。如果研究区水稻与非水稻F检验的P值小于0.05的遥感影像不足4景，则选取F检验的P值最小的4景Landsat遥感影像，作为计算特征指标数据的基础。

[0063] 基于选取的多景Landsat遥感影像，从各波段反射率、纹理、增强型植被指数与水体指数的差值、水体指数与增强型植被指数变化比值指数等方面，建立基于像元的若干特征指标数据。如基于选取的最大分离度Landsat遥感影像（本实施例为抽穗期附近，第255天），获得的研究区近红外波段的地物反射率空间分布图见图4A。同样基于选取的最大分离度Landsat遥感影像，通过三层离散小波分解，母小波基为db4，领域窗口为7×7，所获得的研究区纹理指标的空间分布图见图4B。如基于选取的第二大分离度Landsat遥感影像（本实施例为灌溉期，第175天），计算得到的植被指数与水体指数的差值指标的空间分布图见图4C。

[0064] S06：选取水稻关键物候期内最少云干扰的一景遥感影像，按照关键物候期有云和无云两种情况，分别进行影像分割，获得分割后形成的遥感影像对象分布图；

[0065] 在水稻移栽期到抽穗期这段水稻关键物候期内，依据统计获得的各景遥感影像数据中云占整个研究区的比例，选取水稻关键物候期内云所占比例最少的一景Landsat遥感影像。

[0066] 依据S03步骤获得的水稻关键物候期有云区和无云区，分有云和无云两种情况，依次进行Landsat遥感影像分割。分割时所采用的遥感影像，可以直接采用波段反射率数据，或者综合各波段反射率数据。如对所选取的Landsat遥感影像各波段数据进行主成分变换，选取第一主成分数据作为遥感影像分割的基础。遥感影像分割的方式有很多，可选用经典的Canny边沿检测算子，进行遥感影像分割。利用Canny边沿检测算子，对所选取的研究区水稻关键物候期内最少云干扰Landsat遥感影像，进行分割后获得遥感影像对象分布图见图5。

[0067] S07：基于分割后的遥感影像对象，从波段反射率、纹理、增强型植被指数与水体指数的差值、水体指数与增强型植被指数变化比值指数以及这些指数的分布特征等各方面，提取一系列面向对象的遥感影像特征。

[0068] 一方面，利用一定的方法，如平均值、中位数等方法，将基于像元的若干特征指标数据，汇总到基于分割后形成的遥感影像对象。另一方面，利用基于分割后形成的遥感影像对象内部各像元的特征指标数据的分布特征，如最大值、最小值、方差等等，构建新的基于遥感影像对象的若干特征指标数据。综合这两类数据，最终建立基于遥感影像对象的若干特征指标数据，作为有云区遥感影像分类的基础。

[0069] S08：将关键物候期无云区水稻识别结果作为训练数据，选取合适的遥感影像特征，利用机器学习的方法，对有云区域进行水稻专题信息提取。

[0070] 依据水稻与非水稻的显著性检验结果，选取合适的S07步骤中获得的遥感影像特征。利用F检验，计算不同的遥感影像特征中水稻与非水稻的F检验的P值。选取显著性水平达到一定标准（如0.05）的若干遥感影像特征，作为有云区水稻专题信息提取的数据基础。

[0071] 将关键物候期无云区水稻识别结果，结合选取的基于遥感影像对象的若干特征指标数据，作为机器学习方法的训练数据。选用一定的机器学习方法，如随机森林方法，进行分类。利用训练后随机森林，基于遥感影像对象的若干特征指标数据，对有云区域进行水稻专题信息提取，从而获得有云区域水稻空间分布结果图见图6。

[0072] S09：综合水稻关键物候期无云区、有云区的分类结果，获得研究区水稻分布图。

[0073] 基于以上所建立的分类流程，综合水稻关键物候期无云区、有云区的分类结果，最终生成研究区水稻空间分布图。依据上述流程，可实现较高精度的水稻专题信息提取。以黑龙江哈尔滨市及附近区域为例，获得的水稻空间分布图见图7。

[0074] 以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。