一種基于自適應(yīng)特征選擇的水稻制圖方法
【專利摘要】本發(fā)明涉及一種基于自適應(yīng)特征選擇的水稻制圖方法，包括以下步驟：建立研究區(qū)增強(qiáng)型植被指數(shù)和水體指數(shù)的時(shí)序數(shù)據(jù)集；建立研究區(qū)云分布的時(shí)間序列數(shù)據(jù)；基于水稻關(guān)鍵物候期遙感影像的云分布，將研究區(qū)劃分為有云區(qū)與無云區(qū)；基于時(shí)間序列分析法，獲取無云區(qū)水稻分類結(jié)果；提取基于像元的遙感影像特征；選取最少云干擾的影像，分為有云區(qū)與無云區(qū)并依次進(jìn)行分割獲得遙感影像對(duì)象；綜合基于像元的遙感影像特征，提取面向?qū)ο蟮倪b感影像特征；將無云區(qū)水稻分類結(jié)果作為訓(xùn)練數(shù)據(jù)，獲得有云區(qū)水稻分類結(jié)果；綜合無云區(qū)水稻分類結(jié)果及有云區(qū)水稻分類結(jié)果，獲取研究區(qū)水稻空間分布圖。本發(fā)明具有自動(dòng)化程度高、簡(jiǎn)單易用、魯棒性好以及分類精度高等特點(diǎn)。
【專利說明】
一種基于自適應(yīng)特征選擇的水稻制圖方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種基于自適應(yīng)特征選擇的水稻制圖方法。
【背景技術(shù)】
[0002] 水稻作為中國(guó)乃至全世界最重要的糧食作物，準(zhǔn)確地掌握其種植面積對(duì)于確保糧 食安全至關(guān)重要。同時(shí)，由于水稻生長(zhǎng)過程需要大量灌溉水并且排放出相當(dāng)可觀的甲烷氣 體，快速高效地監(jiān)測(cè)水稻時(shí)空分布對(duì)于區(qū)域資源環(huán)境可持續(xù)發(fā)展尤為重要。傳統(tǒng)的人工地 面調(diào)查方法受到人力物力以及自然條件等各方面的限制，難以滿足農(nóng)作物種植面積快速監(jiān) 測(cè)的現(xiàn)勢(shì)性需求。隨著遙感技術(shù)的深入發(fā)展，特別是Landsat 8、中國(guó)高分系列衛(wèi)星的發(fā)射 并且實(shí)現(xiàn)公開免費(fèi)使用，為實(shí)現(xiàn)快速高效低成本監(jiān)測(cè)農(nóng)作物分布提供了強(qiáng)有力的數(shù)據(jù)支 撐。農(nóng)作物遙感監(jiān)測(cè)也迎來了前所未有的發(fā)展機(jī)遇。但由于不同農(nóng)作物在可見光、近紅外以 及短波紅外光譜上的相似性，使得目前農(nóng)作物遙感監(jiān)測(cè)面臨挑戰(zhàn)，急需尋求新的技術(shù)方法 以滿足大數(shù)據(jù)時(shí)代實(shí)現(xiàn)我國(guó)農(nóng)業(yè)精準(zhǔn)監(jiān)測(cè)的需求。
[0003] 基于遙感影像時(shí)間序列的農(nóng)作物遙感監(jiān)測(cè)方法，能有效地監(jiān)測(cè)農(nóng)作物整個(gè)生命周 期，已成為目前的主流發(fā)展方向。即：通過連續(xù)多期的遙感影像，監(jiān)測(cè)農(nóng)作物在播種、發(fā)芽、 開花、結(jié)實(shí)乃至成熟的整個(gè)生長(zhǎng)周期內(nèi)的變化，從而達(dá)到農(nóng)作物遙感分類的目的。目前，基 于時(shí)序遙感影像的分類技術(shù)發(fā)展迅速，并且在農(nóng)作物遙感監(jiān)測(cè)中取得了一定的成效。相關(guān) 研究成果主要集中在針對(duì)水稻、小麥、玉米等大宗農(nóng)作物種植面積的遙感監(jiān)測(cè)方面。在水稻 遙感監(jiān)測(cè)方面，比較常用的方法有Xiangming Xiao等(2005)提出的基于植被指數(shù)與水體指 數(shù)的差值的方法。該方法基于水稻移栽期通常需要漫灌，因此水體指數(shù)會(huì)上升的特點(diǎn)，通過 判斷水體指數(shù)與植被指數(shù)之差，其小于一定的閾值時(shí)（如0.05)判斷為水稻。該方法簡(jiǎn)便易 用，自提出以來，東南亞以及中國(guó)等水稻主產(chǎn)區(qū)得到了良好的應(yīng)用，并且獲得了比較理想的 分類精度。邱炳文等(2015)針對(duì)水體指數(shù)易受到降水等因素干擾的特點(diǎn)，提出了一種基于 特定物候期的水體與植被指數(shù)變化比值指數(shù)的水稻自動(dòng)制圖方法。該方法巧妙地利用水稻 田在移栽到抽穗這段特定的物候期內(nèi)，水體指數(shù)較小而植被指數(shù)變化幅度較大的特點(diǎn)，通 過設(shè)計(jì)基于兩者比值的水體與植被指數(shù)變化比值指數(shù)開展水稻專題提取。該方法具有自動(dòng) 化程度高與抗干擾能力強(qiáng)等特點(diǎn)。利用該方法開展中國(guó)東南10多個(gè)省份歷年水稻信息提取 和時(shí)空演變研究，獲得了 90%以上的分類精度，進(jìn)一步證實(shí)了該方法的實(shí)用性。
[0004] 但基于遙感影像時(shí)間序列的農(nóng)作物遙感監(jiān)測(cè)方法應(yīng)用前提在于，能獲得基于一定 時(shí)間間隔的（如8天)數(shù)據(jù)質(zhì)量良好的年內(nèi)遙感影像時(shí)序數(shù)據(jù)集。對(duì)于高時(shí)間分辨率（1天以 內(nèi)）的遙感影像如M0DIS數(shù)據(jù)而言，往往能較好地滿足這一前提條件。但對(duì)于較低時(shí)間分辨 率（16天）的遙感影像如Landsat系列數(shù)據(jù)而言，由于云雨和霧霾等天氣因素限制，所建立的 年內(nèi)遙感影像時(shí)序數(shù)據(jù)集在某些地區(qū)可能不夠完整連續(xù)，因此基于遙感影像時(shí)間序列的農(nóng) 作物遙感監(jiān)測(cè)方法的應(yīng)用受限。
[0005] 由于我國(guó)耕地破碎化程度比較高，基于MOD IS等250米以上的空間分辨率遙感數(shù)據(jù) 難以實(shí)現(xiàn)農(nóng)作物分布的有效監(jiān)測(cè)。勢(shì)必要求開展較高空間分辨率數(shù)據(jù)，如30米Landsat影像 數(shù)據(jù)的遙感監(jiān)測(cè)。然而，較高空間分辨率數(shù)據(jù)通常難以兼具高時(shí)間分辨率的優(yōu)點(diǎn)。因此如何 合理地利用有限的遙感影像時(shí)間序列數(shù)據(jù)，從中選取合適的遙感影像特征，成為農(nóng)作物遙 感技術(shù)發(fā)展的核心問題。

【發(fā)明內(nèi)容】

[0006] 有鑒于此，本發(fā)明的目的在于提供一種基于自適應(yīng)特征選擇的水稻制圖方法，具 有自動(dòng)化程度高、簡(jiǎn)單易用、魯棒性好以及分類精度高等特點(diǎn)。
[0007] 為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案:一種基于自適應(yīng)特征選擇的水稻制 圖方法，其特征在于，包括以下步驟： 步驟S01:逐像元建立研究區(qū)增強(qiáng)型植被指數(shù)和水體指數(shù)的時(shí)序數(shù)據(jù)集； 步驟S02:建立研究區(qū)云分布的時(shí)間序列數(shù)據(jù)； 步驟S03:基于水稻關(guān)鍵物候期遙感影像的云分布，將所述研究區(qū)劃分為有云區(qū)與無云 區(qū)； 步驟S04:基于時(shí)間序列分析法，獲取無云區(qū)水稻分類結(jié)果； 步驟S05:提取基于像元的遙感影像特征，包括遙感影像的反射率、遙感影像的紋理、增 強(qiáng)型植被指數(shù)與水體指數(shù)的差值、水體指數(shù)與增強(qiáng)型植被指數(shù)變化比值指數(shù)； 步驟S06:選取最少云干擾的影像，分別對(duì)有云區(qū)與無云區(qū)并依次進(jìn)行分割獲得遙感影 像對(duì)象； 步驟S07:綜合步驟S05得到的基于像元的遙感影像特征，提取面向?qū)ο蟮倪b感影像特 征； 步驟S08:利用所述無云區(qū)水稻分類結(jié)果作為訓(xùn)練數(shù)據(jù)，獲得有云區(qū)水稻分類結(jié)果； 步驟S09:綜合所述無云區(qū)水稻分類結(jié)果及有云區(qū)水稻分類結(jié)果，獲取研究區(qū)水稻空間 分布圖。
[0008] 進(jìn)一步的，所述步驟S03中，將研究區(qū)水稻從移栽期到抽穗期這段時(shí)間，確定為水 稻關(guān)鍵物候期;基于所述云分布的時(shí)間序列數(shù)據(jù)，逐像元標(biāo)記水稻關(guān)鍵物候期各景遙感影 像的云分布，將所述研究區(qū)劃分為有云區(qū)和無云區(qū)。
[0009] 進(jìn)一步的，所述步驟S04中，針對(duì)無云區(qū)，基于時(shí)間序列分析方法，建立水稻分蘗期 到抽穗期間內(nèi)水體指數(shù)與增強(qiáng)型植被指數(shù)變化比值指數(shù)，逐像元進(jìn)行水稻識(shí)別，從而獲得 無云區(qū)的水稻分類結(jié)果圖。
[0010] 進(jìn)一步的，所述步驟S05中，依據(jù)優(yōu)先選取水稻物候關(guān)鍵期內(nèi)遙感影像的原則，并 且參照水稻與非水稻在遙感影像各波段差異的顯著性檢驗(yàn)結(jié)果，自適應(yīng)地選取多景合適的 遙感影像;從遙感影像的反射率、遙感影像的紋理、增強(qiáng)型植被指數(shù)與水體指數(shù)的差值、水 體指數(shù)與增強(qiáng)型植被指數(shù)變化比值指數(shù)方面建立基于像元的遙感影像特征。
[0011] 進(jìn)一步的，所述步驟S06中，依據(jù)所述云分布的時(shí)間序列數(shù)據(jù)，選取水稻關(guān)鍵物候 期內(nèi)最少云干擾的一景遙感影像;分有云區(qū)和無云區(qū)，依次進(jìn)行遙感影像分割，獲得分割后 形成的遙感影像對(duì)象分布圖；分割時(shí)所采用的遙感影像，直接采用波段反射率數(shù)據(jù)或者綜 合多波段反射率數(shù)據(jù)得到的第一主成分?jǐn)?shù)據(jù)作為遙感影像分割的基礎(chǔ)。
[0012] 進(jìn)一步的，所述步驟S07中，將所述步驟S05中得到的基于像元的遙感影像特征，利 用平均值、極值、方差統(tǒng)計(jì)量，匯總到基于分割后的遙感影像對(duì)象，從而獲得一系列面向?qū)?象的遙感影像特征。
[0013] 進(jìn)一步的，所述步驟S08中，將所述無云區(qū)水稻分類結(jié)果作為訓(xùn)練數(shù)據(jù);依據(jù)其在 水稻與非水稻中差異的顯著性檢驗(yàn)結(jié)果，自適應(yīng)地選取步驟S07中獲得的面向?qū)ο蟮倪b感 影像特征;利用機(jī)器學(xué)習(xí)的方法，對(duì)有云區(qū)進(jìn)行水稻專題信息提取，獲得有云區(qū)水稻分類結(jié) 果。
[0014] 本發(fā)明與現(xiàn)有技術(shù)相比具有以下有益效果： 1、本發(fā)明分水稻關(guān)鍵物候期有云區(qū)和無云區(qū)這兩種情況，分別采用不同的策略進(jìn)行水 稻專題信息提取，既避免了有云區(qū)中云對(duì)植被指數(shù)時(shí)序曲線干擾帶來的影響，也能充分地 利用已有的遙感影像數(shù)據(jù)，獲得無云區(qū)的比較理想的分類結(jié)果。
[0015] 2、本發(fā)明充分考慮到有云區(qū)中云對(duì)遙感影像干擾以及其他因素帶來的不確定性， 依據(jù)無云區(qū)分類結(jié)果，自適應(yīng)地選取合適的遙感影像及其遙感影像特征，自動(dòng)選取最有效 的特征，具有很好的自學(xué)習(xí)和泛化能力。
[0016] 3、本發(fā)明可以不借助其他輔助數(shù)據(jù)，自動(dòng)化程度高，自適應(yīng)能力強(qiáng)，結(jié)果穩(wěn)定可 與巨〇
【附圖說明】
[0017]圖1是本發(fā)明的方法流程圖。
[0018]圖2是本發(fā)明一實(shí)施例的研究區(qū)有云區(qū)和無云區(qū)分布圖。
[0019]圖3是本發(fā)明一實(shí)施例的無云區(qū)水稻分類結(jié)果圖。
[0020]圖4A是本發(fā)明基于像元的近紅外波段反射率空間分布圖。
[0021]圖4B是本發(fā)明基于像元的遙感影像的紋理空間分布圖。
[0022]圖4C是本發(fā)明基于像元的EVI2-LSWI空間分布圖。
[0023]圖5是本發(fā)明分割后形成的遙感影像對(duì)象分布圖。
[0024]圖6是本發(fā)明有云區(qū)域水稻空間分布結(jié)果圖。
[0025] 圖7是本發(fā)明研究區(qū)水稻空間分布圖。
【具體實(shí)施方式】
[0026] 下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步說明。
[0027] 請(qǐng)參照?qǐng)D1，本發(fā)明提供一種基于自適應(yīng)特征選擇的水稻制圖方法，其特征在于， 包括以下步驟： 步驟S01:逐像元建立研究區(qū)增強(qiáng)型植被指數(shù)和水體指數(shù)的時(shí)序數(shù)據(jù)集； 步驟S02:建立研究區(qū)云分布的時(shí)間序列數(shù)據(jù)； 步驟S03:基于水稻關(guān)鍵物候期遙感影像的云分布，將所述研究區(qū)劃分為有云區(qū)與無云 區(qū)； 步驟S04:基于時(shí)間序列分析法，獲取無云區(qū)水稻分類結(jié)果； 步驟S05:提取基于像元的遙感影像特征，包括遙感影像的反射率、遙感影像的紋理、增 強(qiáng)型植被指數(shù)與水體指數(shù)的差值、水體指數(shù)與增強(qiáng)型植被指數(shù)變化比值指數(shù)等； 步驟S06:選取最少云干擾的影像，分別對(duì)有云區(qū)與無云區(qū)并依次進(jìn)行分割獲得遙感影 像對(duì)象； 步驟S07:綜合步驟S05得到的基于像元的遙感影像特征，提取面向?qū)ο蟮倪b感影像特 征； 步驟S08:利用所述無云區(qū)水稻分類結(jié)果作為訓(xùn)練數(shù)據(jù)，獲得有云區(qū)水稻分類結(jié)果； 步驟S09:綜合所述無云區(qū)水稻分類結(jié)果及有云區(qū)水稻分類結(jié)果，獲取研究區(qū)水稻空間 分布圖。
[0028]為了讓一般技術(shù)人員更好的理解本發(fā)明的技術(shù)方案，以下結(jié)合具體實(shí)施例對(duì)本發(fā) 明進(jìn)行進(jìn)一步介紹。
[0029] S01:逐像元建立研究區(qū)增強(qiáng)型植被指數(shù)和水體指數(shù)時(shí)序數(shù)據(jù)集，其中研究區(qū)為 Landsat遙感影像對(duì)應(yīng)的區(qū)域； 利用Landsat 8波段反射率數(shù)據(jù)，計(jì)算EVI2和LSWI時(shí)序數(shù)據(jù)，計(jì)算公式分別為：
其中NIR，Red, Green, SWIR分別為L(zhǎng)andsat遙感影像的近紅外、紅光、綠光以及短波 紅外波段的反射率?；谟?jì)算得到的EVI2和LSWI時(shí)序數(shù)據(jù)，在排除有云干擾的觀測(cè)值的情 況下，利用線性插值方法，逐像元建立研究區(qū)逐日EVI 2和LSWI時(shí)序數(shù)據(jù)。然后采用 Whittaker smoother等數(shù)據(jù)平滑方法，逐像元構(gòu)建研究區(qū)時(shí)空連續(xù)的逐日增強(qiáng)型植被指數(shù) EVI2和水體指數(shù)LSWI時(shí)序數(shù)據(jù)集。
[0030] S02:逐像元開展遙感影像的云判別，建立研究區(qū)云分布的時(shí)間序列數(shù)據(jù)； 按照時(shí)間序列，針對(duì)每期Landsat遙感影像，逐像元標(biāo)記云分布情況。采用Zhu Zhe和 Woodcock Curtis E.等學(xué)者提出的Fmask方法檢測(cè)云。依據(jù)每期Landsat遙感影像的云的檢 測(cè)結(jié)果，建立研究區(qū)云分布的時(shí)間序列數(shù)據(jù)。
[0031 ] S03:基于云的時(shí)間序列數(shù)據(jù)，計(jì)算各景Landsat遙感影像的云比例，逐像元標(biāo)記水 稻關(guān)鍵物候期各景遙感影像的云分布，將研究區(qū)劃分為有云區(qū)和無云區(qū)。
[0032] 依據(jù)研究區(qū)農(nóng)作物物候，將研究區(qū)水稻從移栽期到抽穗期這段時(shí)間，確定為水稻 關(guān)鍵物候期。如黑龍江水稻移栽到抽穗這段時(shí)間約為每年的4月20日至7月10日左右。依據(jù) 所確定的水稻關(guān)鍵物候期，進(jìn)一步判斷哪些Landsat遙感影像處于水稻關(guān)鍵物候期內(nèi)。
[0033] 基于水稻關(guān)鍵物候期內(nèi)的所有Landsat遙感影像，依據(jù)云分布的時(shí)間序列數(shù)據(jù)，逐 像元統(tǒng)計(jì)每個(gè)像元中出現(xiàn)云干擾的比例。如果該像元在水稻關(guān)鍵物候期內(nèi)，所有Landsat遙 感影像都沒有受到云的干擾，將其標(biāo)記為無云區(qū)，否則為有云區(qū)。最終將研究區(qū)劃分為有云 區(qū)和無云區(qū)，并獲得研究區(qū)的有云區(qū)和無云區(qū)分布圖，請(qǐng)參照?qǐng)D2。
[0034] S04:針對(duì)水稻關(guān)鍵物候期無云區(qū)，逐像元開展基于時(shí)間序列分析方法的水稻識(shí) 別； 針對(duì)無云區(qū)，逐像元利用時(shí)間序列分析方法進(jìn)行水稻制圖，如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，獲得無云區(qū)域的水稻分類結(jié)果圖，請(qǐng)參照?qǐng)D3。但對(duì)于有 云區(qū)，逐日增強(qiáng)型植被指數(shù)和水體指數(shù)時(shí)序曲線受到比較大的干擾，嚴(yán)重地影響了分類精 度，因此需同時(shí)借助于其他遙感影像特征進(jìn)行分類。
[0035] S05:自適應(yīng)地選取多景合適的影像，從遙感影像反射率、紋理、增強(qiáng)型植被指數(shù)與 水體指數(shù)的差值、水體指數(shù)與增強(qiáng)型植被指數(shù)變化比值指數(shù)等各方面，建立基于像元的若 干遙感影像特征； 首先，借鑒水稻栽培以及生長(zhǎng)變化規(guī)律，參照水稻與非水稻在遙感影像各波段差異的 顯著性檢驗(yàn)結(jié)果，自適應(yīng)地選取多景合適的Landsat遙感影像。判斷遙感影像中水稻與非水 稻的分離度，可以依據(jù)水稻栽培與生長(zhǎng)的特殊規(guī)律，并且參考無云區(qū)的分類結(jié)果獲得。水稻 在移栽期通常需要漫灌，并且通常在整個(gè)生長(zhǎng)期內(nèi)土壤含水量均比較高。經(jīng)研究發(fā)現(xiàn)，水稻 在移栽期到抽穗期這段關(guān)鍵物候期內(nèi)，與非水稻的分離度比較大。因此，優(yōu)先選取水稻物候 關(guān)鍵期內(nèi)的影像;在水稻在非關(guān)鍵生長(zhǎng)期內(nèi)，優(yōu)先選取臨近水稻移栽期影像。
[0036]依據(jù)無云區(qū)的水稻分類結(jié)果圖，利用F檢驗(yàn)，開展水稻與非水稻在遙感影像各波段 的差異顯著性檢驗(yàn)。計(jì)算水稻與非水稻在不同時(shí)期Landsat遙感影像各波段中F檢驗(yàn)的P值。 如依次計(jì)算各景Landsat遙感影像，水稻與非水稻在不同波段反射率的F檢驗(yàn)的P值，按照P 距離從小到大的順序，依次對(duì)所有的遙感影像進(jìn)行排序，從而確定不同Landsat遙感影像的 分離度。從中選取水稻與非水稻F檢驗(yàn)的P值小于0.05的若干景遙感影像，作為計(jì)算特征指 標(biāo)數(shù)據(jù)的基礎(chǔ)。如果研究區(qū)水稻與非水稻F檢驗(yàn)的P值小于0.05的遙感影像不足4景，則選取 F檢驗(yàn)的P值最小的4景Landsat遙感影像，作為計(jì)算特征指標(biāo)數(shù)據(jù)的基礎(chǔ)。
[0037]基于選取的多景Landsat遙感影像，從各波段反射率、紋理、增強(qiáng)型植被指數(shù)與水 體指數(shù)的差值、水體指數(shù)與增強(qiáng)型植被指數(shù)變化比值指數(shù)等方面，建立基于像元的若干特 征指標(biāo)數(shù)據(jù)。如基于選取的最大分離度Landsat遙感影像(本實(shí)施例為抽穗期附近，第255 天），獲得的研究區(qū)近紅外波段的地物反射率空間分布圖見圖4A。同樣基于選取的最大分離 度Landsat遙感影像，通過三層離散小波分解，母小波基為db4，領(lǐng)域窗口為7 X 7，所獲得的 研究區(qū)紋理指標(biāo)的空間分布圖見圖4B。如基于選取的第二大分離度Landsat遙感影像(本實(shí) 施例為灌溉期，第175天），計(jì)算得到的植被指數(shù)與水體指數(shù)的差值指標(biāo)的空間分布圖見圖 4C〇
[0038] S06:選取水稻關(guān)鍵物候期內(nèi)最少云干擾的一景遙感影像，按照關(guān)鍵物候期有云和 無云兩種情況，分別進(jìn)行影像分割，獲得分割后形成的遙感影像對(duì)象分布圖； 在水稻移栽期到抽穗期這段水稻關(guān)鍵物候期內(nèi)，依據(jù)統(tǒng)計(jì)獲得的各景遙感影像數(shù)據(jù)中 云占整個(gè)研究區(qū)的比例，選取水稻關(guān)鍵物候期內(nèi)云所占比例最少的一景Landsat遙感影像。 [0039]依據(jù)S03步驟獲得的水稻關(guān)鍵物候期有云區(qū)和無云區(qū)，分有云和無云兩種情況，依 次進(jìn)行Landsat遙感影像分割。分割時(shí)所采用的遙感影像，可以直接采用波段反射率數(shù)據(jù)， 或者綜合各波段反射率數(shù)據(jù)。如對(duì)所選取的Landsat遙感影像各波段數(shù)據(jù)進(jìn)行主成分變換， 選取第一主成分?jǐn)?shù)據(jù)作為遙感影像分割的基礎(chǔ)。遙感影像分割的方式有很多，可選用經(jīng)典 的Canny邊沿檢測(cè)算子，進(jìn)行遙感影像分割。利用Canny邊沿檢測(cè)算子，對(duì)所選取的研究區(qū)水 稻關(guān)鍵物候期內(nèi)最少云干擾Landsat遙感影像，進(jìn)行分割后獲得遙感影像對(duì)象分布圖見圖 5〇
[0040] S07:基于分割后的遙感影像對(duì)象，從波段反射率、紋理、增強(qiáng)型植被指數(shù)與水體指 數(shù)的差值、水體指數(shù)與增強(qiáng)型植被指數(shù)變化比值指數(shù)以及這些指數(shù)的分布特征等各方面， 提取一系列面向?qū)ο蟮倪b感影像特征。
[0041] -方面，利用一定的方法，如平均值、中位數(shù)等方法，將基于像元的若干特征指標(biāo) 數(shù)據(jù)，匯總到基于分割后形成的遙感影像對(duì)象。另一方面，利用基于分割后形成的遙感影像 對(duì)象內(nèi)部各像元的特征指標(biāo)數(shù)據(jù)的分布特征，如最大值、最小值、方差等等，構(gòu)建新的基于 遙感影像對(duì)象的若干特征指標(biāo)數(shù)據(jù)。綜合這兩類數(shù)據(jù)，最終建立基于遙感影像對(duì)象的若干 特征指標(biāo)數(shù)據(jù)，作為有云區(qū)遙感影像分類的基礎(chǔ)。
[0042] S08:將關(guān)鍵物候期無云區(qū)水稻識(shí)別結(jié)果作為訓(xùn)練數(shù)據(jù)，選取合適的遙感影像特 征，利用機(jī)器學(xué)習(xí)的方法，對(duì)有云區(qū)域進(jìn)行水稻專題信息提取。
[0043]依據(jù)水稻與非水稻的顯著性檢驗(yàn)結(jié)果，選取合適的S07步驟中獲得的遙感影像特 征。利用F檢驗(yàn)，計(jì)算不同的遙感影像特征中水稻與非水稻的F檢驗(yàn)的P值。選取顯著性水平 達(dá)到一定標(biāo)準(zhǔn)(如0.05)的若干遙感影像特征，作為有云區(qū)水稻專題信息提取的數(shù)據(jù)基礎(chǔ)。
[0044]將關(guān)鍵物候期無云區(qū)水稻識(shí)別結(jié)果，結(jié)合選取的基于遙感影像對(duì)象的若干特征指 標(biāo)數(shù)據(jù)，作為機(jī)器學(xué)習(xí)方法的訓(xùn)練數(shù)據(jù)。選用一定的機(jī)器學(xué)習(xí)方法，如隨機(jī)森林方法，進(jìn)行 分類。利用訓(xùn)練后隨機(jī)森林，基于遙感影像對(duì)象的若干特征指標(biāo)數(shù)據(jù)，對(duì)有云區(qū)域進(jìn)行水稻 專題信息提取，從而獲得有云區(qū)域水稻空間分布結(jié)果圖見圖6。
[0045] S09:綜合水稻關(guān)鍵物候期無云區(qū)、有云區(qū)的分類結(jié)果，獲得研究區(qū)水稻分布圖。
[0046]基于以上所建立的分類流程，綜合水稻關(guān)鍵物候期無云區(qū)、有云區(qū)的分類結(jié)果，最 終生成研究區(qū)水稻空間分布圖。依據(jù)上述流程，可實(shí)現(xiàn)較高精度的水稻專題信息提取。以黑 龍江哈爾濱市及附近區(qū)域?yàn)槔@得的水稻空間分布圖見圖7。
[0047]以上所述僅為本發(fā)明的較佳實(shí)施例，凡依本發(fā)明申請(qǐng)專利范圍所做的均等變化與 修飾，皆應(yīng)屬本發(fā)明的涵蓋范圍。
【主權(quán)項(xiàng)】
1. 一種基于自適應(yīng)特征選擇的水稻制圖方法，其特征在于，包括以下步驟： 步驟SOI:逐像元建立研究區(qū)增強(qiáng)型植被指數(shù)和水體指數(shù)的時(shí)序數(shù)據(jù)集； 步驟S02:建立研究區(qū)云分布的時(shí)間序列數(shù)據(jù)； 步驟S03:基于水稻關(guān)鍵物候期遙感影像的云分布，將所述研究區(qū)劃分為有云區(qū)與無云 區(qū)； 步驟S04:基于時(shí)間序列分析法，獲取無云區(qū)水稻分類結(jié)果； 步驟S05:提取基于像元的遙感影像特征，包括遙感影像的反射率、遙感影像的紋理、增 強(qiáng)型植被指數(shù)與水體指數(shù)的差值、水體指數(shù)與增強(qiáng)型植被指數(shù)變化比值指數(shù)； 步驟S06:選取最少云干擾的影像，分別對(duì)有云區(qū)與無云區(qū)依次進(jìn)行分割獲得遙感影像 對(duì)象； 步驟S07 :綜合步驟S05得到的基于像元的遙感影像特征，提取面向?qū)ο蟮倪b感影像特 征； 步驟S08:利用所述無云區(qū)水稻分類結(jié)果作為訓(xùn)練數(shù)據(jù)，獲得有云區(qū)水稻分類結(jié)果； 步驟S09:綜合所述無云區(qū)水稻分類結(jié)果及有云區(qū)水稻分類結(jié)果，獲取研究區(qū)水稻空間 分布圖。2. 根據(jù)權(quán)利要求1所述的基于自適應(yīng)特征選擇的水稻制圖方法，其特征在于:所述步驟 S03中，將研究區(qū)水稻從移栽期到抽穗期這段時(shí)間，確定為水稻關(guān)鍵物候期;基于所述云分 布的時(shí)間序列數(shù)據(jù)，逐像元標(biāo)記水稻關(guān)鍵物候期各景遙感影像的云分布，將所述研究區(qū)劃 分為有云區(qū)和無云區(qū)。3. 根據(jù)權(quán)利要求1所述的基于自適應(yīng)特征選擇的水稻制圖方法，其特征在于:所述步驟 S04中，針對(duì)無云區(qū)，基于時(shí)間序列分析方法，建立水稻分蘗期到抽穗期間內(nèi)水體指數(shù)與增 強(qiáng)型植被指數(shù)變化比值指數(shù)，逐像元進(jìn)行水稻識(shí)別，從而獲得無云區(qū)的水稻分類結(jié)果圖。4. 根據(jù)權(quán)利要求1所述的基于自適應(yīng)特征選擇的水稻制圖方法，其特征在于:所述步驟 S05中，依據(jù)優(yōu)先選取水稻物候關(guān)鍵期內(nèi)遙感影像的原則，并且參照水稻與非水稻在遙感影 像各波段差異的顯著性檢驗(yàn)結(jié)果，自適應(yīng)地選取多景合適的遙感影像;從遙感影像的反射 率、遙感影像的紋理、增強(qiáng)型植被指數(shù)與水體指數(shù)的差值、水體指數(shù)與增強(qiáng)型植被指數(shù)變化 比值指數(shù)方面建立基于像元的遙感影像特征。5. 根據(jù)權(quán)利要求1所述的基于自適應(yīng)特征選擇的水稻制圖方法，其特征在于:所述步驟 S06中，依據(jù)所述云分布的時(shí)間序列數(shù)據(jù)，選取水稻關(guān)鍵物候期內(nèi)最少云干擾的一景遙感影 像;分有云區(qū)和無云區(qū)，依次進(jìn)行遙感影像分割，獲得分割后形成的遙感影像對(duì)象分布圖； 分割時(shí)所采用的遙感影像，直接采用波段反射率數(shù)據(jù)或者綜合多波段反射率數(shù)據(jù)得到的第 一主成分?jǐn)?shù)據(jù)作為遙感影像分割的基礎(chǔ)。6. 根據(jù)權(quán)利要求1所述的基于自適應(yīng)特征選擇的水稻制圖方法，其特征在于:所述步驟 S07中，將所述步驟S05中得到的基于像元的遙感影像特征，利用平均值、極值、方差統(tǒng)計(jì)量， 匯總到基于分割后的遙感影像對(duì)象，從而獲得一系列面向?qū)ο蟮倪b感影像特征。7. 根據(jù)權(quán)利要求1所述的基于自適應(yīng)特征選擇的水稻制圖方法，其特征在于:所述步驟 S08中，將所述無云區(qū)水稻分類結(jié)果作為訓(xùn)練數(shù)據(jù);依據(jù)其在水稻與非水稻中差異的顯著性 檢驗(yàn)結(jié)果，自適應(yīng)地選取步驟S07中獲得的面向?qū)ο蟮倪b感影像特征；利用機(jī)器學(xué)習(xí)的方 法，對(duì)有云區(qū)進(jìn)行水稻專題信息提取，獲得有云區(qū)水稻分類結(jié)果。
【文檔編號(hào)】G06K9/46GK105893977SQ201610258528
【公開日】2016年8月24日
【申請(qǐng)日】2016年4月25日
【發(fā)明人】邱炳文, 盧迪菲, 齊文
【申請(qǐng)人】福州大學(xué)