一种反映农作物生长状况的改进型植被指数的构建方法与流程

本发明属于农作物长势监测领域，特别涉及基于卫星遥感或者无人机遥感的农作物生长状况的监测领域。

背景技术：

作物的生长状况是光照、温度、土壤、大气、肥料、病虫害、管理措施等多因素的共同作用的结果。农作物生长状况的监测包括农作物生长早期的苗情、生长发育中后期的作物植株发育形势，以及在产量方面的指定性特征。农作生长状况的监测可以分为随时间变化的监测以及长势好坏在空间分布上的监测。遥感技术具有宏观、适时和动态的优点，同时能满足时间、空间上的农作物生长状况监测。因此，利用遥感数据动态监测区域作物生长状况已经被广泛的应用。

遥感对农作物开展监测的原理如下：农作物的叶绿素吸收了可见光部分波段，在遥感影像上表现为吸收峰；叶片在近红外波段、红边波段上高反射，在遥感影像表现为突峰。很多学者通过利用波段之间的组合运算，构建植被指数作为监测指标来反映农作物的生长状况。

目前用于农作物生长状况监测的植被指数主要有[王正兴,刘闯,Alfredo HUETE.植被指数研究进展:从AVHRR-NDVI到MODIS-EVI[J].生态学报,2003,(5):979-987.]：归一化植被指数(NDVI)、比值植被指数(RVI)、绿度植被指数(GVI)、垂直植被指数(PVI)、土壤调节植被指数(SAVI)、增强型植被指数(EVI)等。主要的植被指数计算方法如下：

(1)归一化植被指数(NDVI)

归一化植被指数主要采用近红外波段和红色波段进行计算，计算公式如下：

其中，Nir是近红外波段，R是红色波段。NDVI值的范围在[-1,1]之间。当NDVI的值为负时表示该地物类型为岩石、裸地、建筑等非植被；当NDVI的值为正值时表示该地物类型为植被，值越高，植被的生长状态就越好等。NDVI的局限性表现在当植被有较高的覆盖度时，NDVI有较低的灵敏度。

(2)比值植被指数(RVI)

比值植被指数(RVI)采用近红外波段和红外波段进行计算，计算公式如下：

RVI＝Nir/R

其中，Nir是近红外波段，R是红色波段。植被RVI值大于2，非植被(裸地、水体、建筑等)的RVI的值接近1。植被RVI是绿色植物健康程度的灵敏指标，可用于检测和估算植物生物量。该指数的缺陷在于当植被覆盖度较低(低于50％)时，敏感性较低；此外，RVI受大气条件的较大，存在较大的噪声。

(3)绿度植被指数(GVI)

绿度植被指数(GVI)是遥感图像经过K-T变换后表示绿度的分量。其基本原理是：植被生长过程中的光谱形状呈“穗帽”状，而土壤光谱构成一条土壤亮度线；K-T变换得到的第一个分量表示土壤亮度，第二个分量表示绿度，第三个分量随传感567器不同而表达不同的含义。绿度植被指数(GVI)有效的反映了植被和土壤之间的差异，它的缺陷在于它是各波段辐射亮度值的加权和，而辐射亮度是大气辐射、太阳辐射、环境辐射的综合结果，受外界的条件影响较大。

(4)垂直植被指数(PVI)

垂直植被指数(PVI)主要采用土壤和植被在近红外和红外波段上的反射率进行计算，计算公式如下：

其中，S^R是土壤在红色波段上反射率；S^NIR是土壤在近红外波段上的反射率；V^R是植被在红色波段上的反射率；V^NIR是植被在近红外波段上的反射率。该公式表达的含义是：在R-NIR波段的二维坐标系内，植被像元到土壤亮度线的垂直距离。垂直植被指数(PVI)较好地消除了土壤背景的影响，对大气的敏感度相比其他植被指数较小。

(5)土壤调节植被指数(SAVI)

土壤调节植被指数(SAVI)主要采用红外波段、红色波段和植被密度进行计算，计算公式如下所示：

SAVI＝(Nir-R)*(1+L)/(Nir+R+L)

其中，Nir是近红外波段的反射率，R是红色波段的反射率。L是表达植被密度变化的参数，取值范围为0至1；当植被覆盖度很高时为0，很低时为1。该指数的优势在于考虑植被密度以消除土壤的影响；劣势在于植被密度很难测算，该指数的实际应用程度不高。

(6)增强型植被指数(EVI)

增强型植被指数(EVI)主要采用红外波段、红色波段和蓝色波段进行计算，计算公式如下：

其中，Nir是近红外波段的反射率，R是红色波段的反射率，B是蓝色波段的反射率。EVI的值范围是[-1，1]，适合植被覆盖度较高的区域，一般绿色植被区的范围是0.2-0.8。EVI作为反映植被生理物理参数的一个指标，优势在于减少了大气和土壤噪声的影响。

在以上6个主要的植被指数中，归一化植被指数(NDVI)和增强型植被指数(EVI)由于其简便的计算和参数的可获性较高，常作为农作物长势监测、生长状况监测、估产的变量[薛利红,曹卫星,罗卫红,等.光谱植被指数与水稻叶面积指数相关性的研究[J].植物生态学报,2004,(1):47-52.]

技术实现要素：

本发明要解决的技术问题是：目前所有监测农作物生长状况的植被指数主要采用了红色波段和近红外波段，忽略能够对植被营养水平、健康程度的红边波段。本发明提供了一种反映农作物生长状况的改进型植被指数的构建方法，该指数对归一化植被指数(NDVI)进行改进，应用于农作物的生长状况的监测并验证改进型指数的适用性。

本发明解决其技术问题所采用的技术方案是：

一种反映农作物生长状况的改进型植被指数的构建方法，包含以下步骤：

步骤1)：获取遥感影像，进行标准化预处理；

步骤2)：土地覆盖类型遥感分类，提取农作物范围；

步骤3)：计算红边斜率；

步骤4)：计算改进型植被指数；

具体地，上述步骤1)具体为：获取遥感影像，并获取影像的红边波段的光谱波长值λRe以微米um为单位)、红色波段的光谱波长λRed(以微米um为单位)，对该遥感影像进行辐射定标、大气校正、几何校正标准化预处理，获得遥感图像上红边波段的反射率ρRe，遥感图像上红色波段的反射率ρRed。

其中，遥感影像一般是通过卫星或者无人机搭载传感器的方式获取。

具体地，上所述步骤2)具体为：对标准预处理之后的遥感影像采用分类算法进行土地覆盖分类，从土地覆盖分类图中提取农作物的空间范围。

具体地，上述分类算法为最大似然法、支持向量机或平行六面体。当然也可以是其他可行的方法。

具体地，上述步骤3)具体为：计算红边斜率ρ′Re，计算公式如下：

具体地，上述步骤4)具体为：计算改进型植被指数AVI，计算公式如下：

其中，ρNir是遥感图像上近红外波段的反射率；a,b,c分别是三个波段的权重。

本发明的有益效果是：将本发明的构建方法用于单景无人机遥感影像分析空间上农作物的生长状况时，NDVI的均值为0.45，方差为0.15；EVI的均值为0.48，方差为0.22；AVI的均值为0.53，方差为0.24。AVI的方差大，指数表达波峰之间的差异明显优于NDVI和EVI。将本发明的构建方法用于不同时相分析农作物在时间上的生长状况时，NDVI的均值为0.46，方差为0.21；EVI的均值为0.50，方差为0.25；AVI的均值为0.54，方差为0.25。根据地面实际调查对比发现，AVI指数方差稳定，能够反映作物在时间上的差异。以上分析说明，本专利提出的AVI指数适用于农作物生长状况的时空分析。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明专利总体技术路线图。

图2中(a)为江苏省常州武进地区2018年4月20日无人机遥感影像；(b)为江苏省常州武进地区2018年4月20日无人机遥感影像中提取的农作物范围；

图3中，(a)为江苏省常州武进地区2018年5月23日无人机遥感影像；(b)为江苏省常州武进地区2018年5月23日无人机遥感影提取的农作物范围。

图4为江苏省常州武进地区2018年4月20日无人机遥感影像计算的农作物范围内的(a)归一化植被指数(NDVI)、(b)增强型植被指数(EVI)、(c)改进型植被指数(AVI)的直方图对比；

图5为江苏省常州武进地区2018年5月23日无人机遥感影像计算的农作物范围内的归一化植被指数(NDVI)、增强型植被指数(EVI)、改进型植被指数(AVI)的直方图对比。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

实施案例1：案例1主要用于验证该改进型指数(AVI)应用于同一时期反映农作物生长状况的空间差异的适用性。案例1采用无人机(大疆M200)搭载法国Parrot Sequoia多光谱传感器获取了江苏省常州武进地区一副0.5公里*0.5公里的多光谱影像。Parrot Sequoia多光谱传感器获取的影像包括以下波段：近红外波段(790nm)，红边波段(735nm)，红色波段(660nm)，绿光波段(550nm)，蓝光波段(482nm)。影像的波段满足本专利的要求。影像的中心坐标为119°59'11.154″E、31°37'17.372″N。影像的获取时间为2018年4月20日。影像的空间分辨率为0.06米。无人机获取数据后对影像分别做了以下遥感影像预处理：无人机图像拼接、正射校正、大气校正与几何校正。采用支持向量机分类算法对影像进行分类，分类的类型包括：建设用地、道路、冬小麦、森林、水体、灌丛、大棚蔬菜、裸地。本案例将改进型指数与以往农作物生长状况监测文献中常用的NDVI和EVI两个植被指数进行比较。比较的方法主要采用均值、方差和直方图等参数进行比较。

试验结果表明：通过2018年4月20日单期的无人机影像计算的冬小麦种植范围内的归一化植被指数(NDVI)、增强型植被指数(EVI)、改进型植被指数(AVI)的直方图比较发现：NDVI的均值为0.45，方差为0.15；EVI的均值为0.48，方差为0.22；AVI的均值为0.53，方差为0.24。每种指数的直方图都有两个波峰，这表明部分田块生长状况明显优于另一部分的地块；但是AVI指数表达波峰之间的差异明显优于NDVI和EVI。这表明本专利提出的AVI指数能够明显的反映农作物在空间上的差异性。

实施案例2：案例2主要用于验证该改进型指数(AVI)应用于同一地区反映农作物生长状况时间上的差异的适用性。案例2是在案例1的基础上开展的。案例2采用同样的无人机和多光谱传感器获取了案例1中同一地区2018年5月23日的影像，与案例1的数据构成了同一地区不同时间的两幅影像。该影像的数据预处理与案例1相同。已知该区域从2018年4月20日至5月23日并无农作物灾害、自然灾害等发生；冬小麦生长状况良好。野外采集的案例2将改进型指数与以往农作物生长状况监测文献中常用的NDVI和EVI两个植被指数进行比较。验证的方法主要采用两期影像AVI、NDVI和EVI的均值、方差和直方图进行比较。

试验结果表明：通过2018年5月23日单期的无人机影像计算的冬小麦种植范围内的归一化植被指数(NDVI)、增强型植被指数(EVI)、改进型植被指数(AVI)的直方图比较发现：NDVI的均值为0.46，方差为0.21；EVI的均值为0.50，方差为0.25；AVI的均值为0.54，方差为0.25。5月份的每种指数的均值均高于4月份，这表明冬小麦5月份的生长状况良好，属于正常生长。5月份AVI值的方差与4月份相近，但是均值发生了显著变化，这表明每个田块的冬小麦相比上一个阶段都生长状况良好；而NDVI和AVI的均值虽然表现为增长，但是方差也发生了显著的变化，很难用于判断其整体的长势情况。从直方图的角度来看，AVI的直方图明显还有两个波峰，但是NDVI的两个波峰变成一个，EVI有两个波峰但是没有AVI明显。这表明加入红边波段以后，AVI指数更能反映出田块之间生长状况在空间上的细微差异。综上所述，本专利提出的AVI指数能够明显的反映农作物在时间和空间上的差异性。

其中江苏省常州武进地区2018年4月20日、5月23日无人机遥感影像计算的农作物范围内的归一化植被指数(NDVI)、增强型植被指数(EVI)、改进型植被指数(AVI)的均值和方差对比数据如表1所示。

表1：

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。