[发明专利]一种基于光学和雷达时序数据的烟稻种植模式识别方法

说明书

本发明涉及一种基于光学和雷达时序数据的烟稻种植模式识别方法，包括以下步骤：步骤S01：建立研究区植被指数、花青素指数时序数据集；步骤S02：建立研究区VV极化信号时序数据集；步骤S03：设计植被‑色素高高重叠度指标；步骤S04：划分前后茬农作物生长期；步骤S05：设计前后茬VV变幅指标；步骤S06：设计VH谷底曲率指标；步骤S07：建立烟稻种植模式识别技术流程；步骤S08：获得研究区烟稻种植模式空间分布图。该方法可解释能力强、简单易行、鲁棒性好，在不依赖训练样本数据情况下，具有大尺度多年份自动应用推广能力。

技术领域

本发明属于农作物遥感技术领域，具体涉及一种基于光学和雷达时序数据的烟稻种植模式识别方法。

背景技术

中国作为世界上最大的烤烟生产和消费国，在全世界烤烟行业中占主导地位。一方面，抽烟损害健康，另一方面，烤烟行业作为我国南方如云南等省份的支柱产业，对社会经济发展发挥重要作用。高时效精准获取烤烟种植面积分布信息，对于确保烤烟行业稳定发展非常重要。传统人工调查收集农作物分布成本非常高昂，而且覆盖范围有限。较高时间、空间与光谱分辨率的时序遥感影像数据，给农作物分布制图提供了难得的机遇，但同时也对遥感特征提取与分类算法提出了更高的要求。

遥感指数，通过将地物光谱通道进行组合运算，能有效地监测相应的地物特征。常用的遥感指数，有植被指数、水体指数、建筑物指数、土壤指数等。近年来，一些农业遥感学者陆续提出了分别针对水稻、冬小麦和玉米等大宗农作物的遥感指数。这些农作物遥感指数，通过充分挖掘某种农作物在其关键物候期内独有的变化特征而设计，能有效地区分该种农作物，在农业遥感技术应用中取得了一定的成效。例如，基于水稻需要移栽漫灌的特性，通过综合植被指数和水体指数从分蘖到抽穗期内相对变异性特征，设计水稻指数，可用于大区域水稻分布制图。

目前相关农作物遥感指数，仅局限于主要粮食作物和少数油料作物等，尚未见专门针对烤烟的农作物遥感指数。相对于其他农作物而言，烤烟遥感监测技术研究相对较少。其主要原因在于：一方面，由于烤烟种植相对零星分散，和其他农作物混在在一起，给烤烟遥感制图带来困难；另一方面，我国烤烟多分布在南方湿润区，由于常年多云多雨，光学遥感影像的数据可获得性通常受到影响，很大程度上降低了单纯基于光学遥感数据的农作物制图精度，通常难以满足行业应用需求。

目前农作物遥感制图，通常在获取耕地复种指数的基础上，确定一年内农作物种植次数及其所对应的生长期，然后在农作物生长期内提取时序遥感影像特征识别不同农作物类型。该研究方案所面临的问题在于，耕地复种指数通常基于植被指数时序曲线特征，我国南方多云多雨地区数据精度难以保证。跳出耕地复种指数-农作物类型识别分步骤实施的研究方案，直接开展农作物种植模式遥感监测，有望有效地解决这一难题。

Sentinel-2 MSI时序遥感数据，具有较为理想的时间、空间、光谱分辨率，其所特有的三个红光边沿波段，给农作物遥感制图带来很好的机遇。Sentinel-1雷达时序数据，有助于有效地弥补多云多雨地区时序数据缺失从而提高农作物制图精度。烟稻种植模式，不仅能确保粮食安全供给，而且能有效地增加农民收入，因此在我国南方省份得到大面积推广应用。

发明内容

本发明的目的在于提供一种基于光学和雷达时序数据的烟稻种植模式识别方法，该方法可解释能力强、简单易行、鲁棒性好，在不依赖训练样本数据情况下，具有大尺度多年份自动应用推广能力。

为实现上述目的，本发明采用的技术方案是：一种基于光学和雷达时序数据的烟稻种植模式识别方法，包括以下步骤：

步骤S01：建立研究区植被指数、花青素指数时序数据集；

步骤S02：建立研究区VV极化信号时序数据集；

步骤S03：设计植被-色素高高重叠度指标；

步骤S04：划分前后茬农作物生长期；

步骤S05：设计前后茬VV变幅指标；

步骤S06：设计VH谷底曲率指标；