一种基于植被指数模型进行水稻识别和种植面积提取的方法与流程

本发明属于农业遥感技术领域，具体涉及一种基于植被指数模型进行水稻识别和种植面积提取的方法。

背景技术：

水稻作为世界三大粮食作物之一，是人类最主要的粮食来源，在我国乃至世界的粮食生产结构中占有十分重要的地位。全球超过一半的人口以大米为主食，尤其对亚洲、非洲和拉美地区的发展中国家，粮食的安全生产显得尤为重要。水稻的生产状况与整个世界的粮食安全、社会稳定息息相关。掌握水稻种植面积、长势和产量信息，能够为监测中国水稻生产状况、指导农业生产与宏观调控水稻种植区划、水稻产量的预报和评估、粮食价格的预测和政府部门对粮食生产政策的制定等方面提供依据。

长期以来，我国水稻种植面积依靠人工方法，通过实地抽样调查和逐级汇总方式来获取数据，这种方法不仅需要耗费大量的人力、物力，且受到各种主客观因素的影响，精度受到很大限制。随着遥感技术的快读发展，为农作物种植面积快速、准确地实现动态监测提供了新的技术手段。遥感信息具有覆盖范围大、探测周期短、现势性强、成本低等特点，有利于短时间内连续获取大范围的地面信息，实现农作物的种植面积提取。农作物种植面积的遥感提取离不开农作物的识别。而农作物的识别主要是利用绿色植物独特的波谱反射特征，从而将农作物与其他地物区分开。

利用遥感技术进行水稻种植面积的估算，国内外已有大量的研究。以往的研究主要是通过单一时相的影响分类法对水田进行精细化监测或者通过时序归一化植被指数(ndvi)的差异监测水稻种植信息。近年来，随着新一代卫星传感器modis的出现，其多时相和多通道的优势，在监测水稻种植面积越来越受到重视。modis数据主要的三种特征指数为ndvi(归一化植被指数)、(lswi)陆表水体指数和evi(增强型植被指数)。ndvi可较好的反映植被绿度变化，能够消除影像内部和外部的噪音。lswi是与植被水分含量相关的植被指数，利用对水体敏感的短波红外波段，对于处于泡田期的水稻监测有较好的效果。evi利用蓝光波段修正大气对红光波段的影响，可提高对高生物量区的敏感度，与ndvi互为补充，

现阶段应用modis卫星数据进行水稻种植面积的监测往往是根据水稻的物候历，确定水稻识别的移栽期、生长期和收获期等关键时期，通过关键时期内的特征来识别水稻。水稻生长过程中有三个重要的时期：一是移栽期；二是生长期；三是收获后。在不同生育期，随着水稻生长状况发生变化，相应地光谱特征也随之变化。目前这三种植被指数广泛应用于水稻遥感监测和估产研究中，modis影像的最佳时相选取基于水稻不同时期的光谱特征。在移栽期，稻田常常存有2～15cm的水，此时地表是水稻和水体的混合，可通过影像中水体和水稻的混合光谱特征，利用对水体和植被较为敏感的波段或植被指数来监测ndvi和lswi变化，识别蓄水和移栽期的水稻，并提取种植面积。利用遥感影像高精度地提取作物种植面积但是，当前研究仍然存在一些缺陷：(1)由于“同物异谱”和“异物同谱”现象以及混合像元影响了结果的准确性；(2)由于地区差异，不同种植类型水稻的耕作制度不同，不分段地一次性提取种植面积往往无法完全反映实际种植情况，导致种植面积提取结果与实际种植情况有出入。遥感影像分析方法的选取将直接影响水稻种植面积的提取精度，如何利用遥感影像实现高精度提取水稻的种植面积成为农业遥感领域亟待解决的技术问题。

技术实现要素：

针对现有水稻种植面积提取精度较低，无法反映实际种植情况的问题，本发明提供一种基于植被指数模型进行水稻识别和种植面积提取的方法，通过水稻的耕作制度和农时历作为辅助，分段逐步提取遥感影像中水稻种植面积，达到了提高提取精度的目的。

本发明的技术方案具体如下：

一种基于植被指数模型进行水稻识别和种植面积提取的方法，其特征在于，包括以下步骤：

步骤1：获取研究区内水稻的耕作制度信息和水稻潜在移栽期的时间范围；

步骤2：将水稻与其他明显地物区分，获取遥感影像中潜在水稻种植区；

步骤3：基于遥感影像提取水稻样本像元的多个植被指数的时间曲线，结合步骤1获得的信息，对不同的水稻类别分别建立植被指数阈值模型进行相应类别水稻的识别；

步骤4：采用基于不同水稻类别建立的植被指数阈值模型，对遥感影像中潜在水稻种植区的每一个像元进行分段判别，然后将不同水稻类别的种植面积合并，获取最终的水稻种植区分布图。

进一步地，本发明所述遥感影像产品具体为美国地质调查局(usgs)提供的modiscollection6的反射率产品数据(mod09a1)。

进一步地，所述步骤1中水稻的耕作制度信息可根据国家统计局自2001年开始出版的《中国统计年鉴》中不同种植类型(即不同类别)的水稻面积整理分析而确定。

进一步地，所述步骤1中水稻的潜在移栽期是根据农业部市场与经济司所公布的各地区的水稻农时信息整理分析而确定，通过农时信息选择移栽期前后7～15天的遥感影像数据，有利于降低数据处理总量，提高运行效率。

进一步地，所述步骤2中将水稻与其他明显地物区分是通过包括ndsi、lswi、ndvi在内的植被指数之间的差值关系，确定永久水体、常绿植被、雪等其它地物类型，从而获取水稻潜在种植区。

进一步地，所述步骤3中植被阈值模型是依据lswi和evi的时序变化，建立evi和lswi之间的相关关系，进而实现水稻识别。

进一步地，所述步骤3中不同的水稻类别具体指的是早稻、单季稻和晚稻。

进一步地，所述步骤4中还包括：结合统计年鉴数据，对提取的不同类别的水稻种植面积进行精度评价，如果精度达不到要求，可重复步骤3和步骤4，对植被指数阈值模型中阈值参数进行调整。

本发明考虑到水稻与其它地物类型的区分，剔除干扰像元的影响，并且选取水稻的移栽期作为水稻识别的关键生长期，移栽期土壤的含水量非常高。因此可根据稻田含水量高的特点，从遥感图像上与其他农作物区别，实现水稻的识别。lswi是与植被水分含量相关的植被指数，evi对高生物量区非常敏感，因此利用通过水稻样本历史数据来建立lswi和evi之间的相关关系来建立植被阈值模型。同时，考虑到不同种植类型水稻的耕作制度不同，进一步地结合水稻的耕作制度和农时信息，采用植被阈值模型进行分段提取水稻种植面积，最终将不同种植类型的水稻种植面积合并，即可准确反映水稻种植情况，得到相对较为准确的水稻种植面积。

相比现有技术，本发明的有益效果在于：

本发明提供一种基于植被指数模型进行水稻识别和种植面积提取的方法，利用光学遥感数据可快速、准确地实现大区域水稻面积的提取，获取水稻种植图。相比现有利用遥感技术提取水稻种植面积的方法，本发明能够真实反映实际种植情况，提高了种植面积提取的精度。本发明深度挖掘了光学遥感数据在农业方面的应用前景，也为科学的指导农事提供了可靠的依据。

附图说明

图1是本发明实施例基于多时相modis光学遥感数据进行水稻识别与种植面积提取的流程示意图。

图2是本发明实施例中研究的中国部分区域和该区域内水稻样本数据的个数以及空间分布图。

图3是本发明实施例研究的中国部分区域内水稻耕作制度信息图。

图4是本发明实施例中研究的中国部分区域内水稻的潜在移栽期图。

图5是本发明实施例水稻evi和lswi的时间曲线图。

图6为本发明实施例稻田灌水移栽期evi和lswi的关系图。

图7为本发明实施例利用植被指数阈值模型基于多时相modis光学遥感数据识别与提取得到的2015-2016年中国部分区域的水稻种植分布图。

图8为本发明实施例提取2015-2016年的水稻种植面积与《中国统计年鉴》提供的参考数据的精度对比分析结果。

图9为本发明实施例利用植被指数阈值模型基于多时相modis光学遥感数据识别与提取得到的2002年至2018年中国部分区域的水稻种植分布图。

具体实施方式

通过选择水稻生长阶段的关键时期——移栽期作为水稻识别的突破口，在移栽期，稻田常常存有2～15cm的水，因此地表是水稻和水体的混合，可通过遥感影像中水体和水稻的混合光谱特征，利用对水体和植被较为敏感的波段或植被指数来监测ndvi、evi和lswi变化，识别移栽期的水稻，并提取种植面积。ndvi、evi、lswi是较为常见的植被指数，可通过遥感卫星反射率产品(mod09a1)的波段计算获取。

下面结合说明书附图和具体实施例对本发明进行详细说明：

实施例：

一种基于植被指数模型进行水稻识别和种植面积提取的方法，包括以下步骤：

步骤1：数据获取：

依据《中国农村统计年鉴》2012～2016年不同种植类型的水稻种植面积统计数据以及农业部市场与经济司所公布的各地区的农时历，获取不同类别水稻的比对数据；依据美国地质调查局(usgs)提供的遥感卫星反射率产品(mod09a1)，获取待测水稻样本数据；获取待测水稻生长期内的光学遥感数据；其中：所述比对数据为早稻、单季稻和晚稻的种植面积数据；所述待测水稻样本数据为研究的中国部分区域内水稻种植区域卫星数据；所述光学遥感数据为研究的中国部分区域内待测水稻全年的modis光学遥感反射率数据(mod09a1collection6)和数字高程模型(dem)数据；

步骤2：数据处理：

对步骤1获取的水稻种植面积进行整理、分析，得到水稻耕作制度信息，结果如图3所示；对获取农时信息进行整理、分析，得到水稻的潜在移栽期，结果如图4所示；对获取的光学遥感数据进行预处理；计算所述光学遥感数据的归一化植被指数ndvi、增强型植被指数evi、陆表水体指数lswi、归一化雪指数ndsi，采用改进的s-g滤波对上述evi、ndvi两种植被指数进行时空滤波处理；

步骤3：潜在水稻区域的确定：

该步骤的原理具体是通过对包括ndsi、lswi、ndvi等植被指数之间的差值关系确定永久水体、常绿植被、雪等其它地物类型，获取水稻可能或潜在的区域；

本实施例基于光学遥感数据的多时相特征，以年作为时间尺度，基于2015年mod09a1产品计算获取ndsi、lswi、ndvi等植被指数数据，来识别永久水体(识别算法如式(1))、常绿植被(识别算法如式(2))、雪(识别算法如式(3))等其它地物类型；

ndvi<0.1&&ndvi<lswi(10/46)(1)

ndvi>0.7(20/46)||lswi>0.15(40/46)(2)

ndsi>0.4&&nir>0.11(冬春季)(3)

式(1)中“(10/46)”表示一年46景数据中每个像元符合大于等于10即为永久水体；式(2)中表示一年46景数据中每个像元满足ndvi>0.7符合大于等于20或者一年46景数据中每个像元满足lswi>0.15符合大于等于40即为常绿植被；式(3)中nir表示近红外波段反射率值，即在冬春季满足ndsi>0.4&&nir>0.11即判为雪。

步骤4：水稻种植面积的提取

(1)水稻识别：

在移栽期，稻田的反射光谱通常都是水、土壤、秧苗及稻田的背景沟渠、道路、杂草、防护林和其他作物等的混合光谱，此时，稻田高土壤含水量和低植被覆盖度可以利用lswi和evi检测出来。具体的检测原理如下：如果在灌水移栽期时evi值较高，则说明该像素代表的地物为其他植被,如树木、灌木、草地或者其他作物等，因此就可认为是非水稻区；如果lswi很低，则说明土壤含水量较低的区域，同样可认为是非水稻区；反之，如果lswi较高并且evi较低，那么该像元很有可能就是移栽期的水稻田；

本实施例中包括对获取的待测水稻样本的evi和lswi这两种植被指数进行统计分析，建立植被指数evi和lswi之间的时间曲线关系，如图5所示；为了检测稻田的光谱特性,在研究的中国部分区域范围内选择30个有效试验样点，以2015年的统计数据作为分析依据，根据从以上样点获取的资料，计算各个试验样点覆盖下稻田灌水移栽期的平均evi和lswi，稻田灌水移栽期evi和lswi表现出的特征如图6所示；通过以上从试验样点获取的资料分析结果可得到不同类别水稻的提取算法；

本发明针对不同种植类别的水稻建立了不同的水稻植被指数阈值模型(简称为水稻模型)，具体如下所示：

单季稻/早稻：

淹水移栽期判断算法：

lswit＞0.12,evit＜0.26,(lswit+0.05)＞evit(t为潜在或可能移栽期)

水稻识别算法：

晚稻：

淹水移栽期判断算法：

lswit>0.12，evit<0.35，(lswit+0.17)>evit(t为潜在或可能移栽期)

水稻识别算法：

基于不同水稻种植类别建立的水稻模型，对遥感影像中潜在水稻种植区的每一个像元进行分段判别；

(2)水稻种植面积获取：

将不同种植类别的水稻种植面积合并，获取2015年中国部分区域最终的水稻种植区分布图，结果如图7所示.

以农业部每年出版的《中国农业统计资料》为参考，比较研究的中国部分区域采用较早的研究方法得到数据以及本实施例的提取数据，进行精度评价。下面是《中国农业统计资料》记载的水稻面积(单位为10km²)和本方法提取的水稻面积比对表：

上述对比结果表明，本方法的与统计数据间的相对误差达到了83.92％。同样的，如图8所示为本方法提取的2015-2016年中国部分区域的水稻种植面积与《中国农业统计资料》统计数据的线性回归分析，r²为0.951.。可见，运用本方法进行中国部分区域水稻种植面积提取的结果与土地种植水稻分布基本一致，精度达到83％，这说明了本方法的可行性。

本实施例采用上述提出的水稻模型进一步对多时相modis光学遥感数据进行2002至2018年中国部分区域的水稻种植面积进行提取，结果如图9所示。

以上结合附图对本发明的实施例进行了详细阐述，但是本发明并不局限于上述的具体实施方式，上述具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，不脱离本发明宗旨和权利要求所保护范围的情况下还可以做出很多变形，这些均属于本发明的保护。