[发明专利]一种农作物种植结构月尺度动态提取方法

说明书

本发明公开了一种农作物种植结构月尺度动态提取方法，包括以下步骤：S1：确定分析区域空间范围并进行数据准备，收集不大于月尺度的时间序列卫星遥感数据集，时间上统一处理为月尺度数据，同时完成研究区域内样本数据的预获取；S2：利用预处理后的月尺度卫星遥感影像数据，计算纹理特征与归一化植被指数；S3：选取信息丰富度，高的纹理特征，与植被指数组合形成新的图像；解决了以往方法的重访周期长、获取最佳时相困难、价格高昂以及难以满足作物动态管理的需求问题。

技术领域

本发明涉及遥感种植结构监测领域，特别是一种农作物种植结构月尺度动态提取方法。

背景技术

农作物种植结构反映了人类农业生产在空间范围内利用农业生产资源的状况，是研究农作物种类、数量结构和空间分布特征的重要信息，也是进行农作物结构调整与优化以及农业用水精细化管理的依据。传统获取农作物种植结构信息的方法主要依靠地方管理部门逐级上报与区域抽样调查，这两种方法不仅耗费人力物力，并且难以获取各类农作物的空间分布信息。

随着遥感技术的发展，改变了传统作物种植结构信息的获取方式。目前普遍采用TM、SPOT、HJ等中空间分辨率或NOAA、MODIS等低空间分辨率的遥感数据。裴欢、马丽等利用Landsat8数据基于植被指数和面向对象的方法获取土地利用分类结果；Dong J等基于L8数据反演水稻的空间分布；刘焕军、Susan Ustin等基于L8数据对棉花建立估产模型；吴健平等人用NOAA/AVHRR数据估算上海地区水稻种植面积；潘耀忠等利用MODIS-EVI时间序列对典型作物进行分类识别，赵丽花、刘佳、玉苏普江·艾麦提等基于HJ卫星提取冬小麦等的空间分布信息。中低分辨率的遥感数据获取来源较多，且影像覆盖范围广，适合大面积的单一作物识别；但是由于中低分辨率影像混合像元现象的干扰，针对复杂的地物类型，严重影响其作物的提取精度。随着传感器分辨率的提高，针对Quick Bird、SPOT、SuperView-1、SAR等高空间分辨率数据也被用来提取农作物种植面积。叶时平基于灰度共生矩阵的纹理特征提取Quick Bird影像的土地利用信息；Yang M D、侯学会等利用SPOT影像数据对植被进行长期检测；Dekker R J.、赵凌君等基于SAR建立纹理特征对城市建筑区域进行分析。高空间分辨率影像可以表现地物丰富的纹理、色调、形状和几何结构等特征信息，地物内部细节信息明显，边缘突出，具有较高的分辨精度与目标识别可靠性，为农作物种植结构高精度提取提供了新的发展空间。但因其重访周期长、获取最佳时相困难、价格高昂，难以满足作物动态管理的需求。

发明内容

为解决现有技术中存在的问题，本发明提供了一种农作物种植结构月尺度动态提取方法，解决了以往方法的重访周期长、获取最佳时相困难、价格高昂以及难以满足作物动态管理的需求问题。

本发明采用的技术方案是，一种农作物种植结构月尺度动态提取方法，包括以下步骤：

S1：确定分析区域空间范围并进行数据准备，收集不大于月尺度的时间序列卫星遥感数据集，以月尺度数据为时间数据，同时预获取研究区域内样本数据；

S2：根据预处理后的月尺度卫星遥感影像数据，计算纹理特征与归一化植被指数；

S3：选取信息丰富度，高的纹理特征，与植被指数组合形成新的图像；

S4：结合组合形成的新图像数据，利用随机森林分类器对研究区域的农作物种植结构进行提取，实现月尺度农作物种植结构的动态识别；

S5：以月为单位，对农作物种植结构的动态识别，生成完整时间序列的农作物的时空分布专题图并验证精度。

优选地，S1包括以下步骤：

S11：根据研究区的位置和范围，选择我国自主研发的具有高时间分辨率和高空间分辨率的GF-1WFV数据，如果出现数据源不能完全覆盖的情况，考虑使用sention-2，高分二号，landsat8或HJ-1A/B代替，同时调查实施例范围的农作物类型以及各自的生长物候期；