冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法与流程

本发明属于遥感图像处理技术领域，具体涉及一种冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法。

背景技术：

华北平原是我国重要的粮食主产区之一，肩负着我国口粮供给及安全的重任，冬小麦-夏玉米轮作是该区主要种植模式。详细准确的了解冬小麦和夏玉米种植情况，特别是播种的空间分布及历年变化趋势情况，对区域粮食生产的优化布局、规模化种植、标准化生产和产业化经营具有重要的现实意义，同时，对管理部门及时制定相关土地使用政策及粮食补贴政策预案具有重要的参考价值。

现有的传统地方法，通常是参考各级统计部门提供的每年的粮食播种面积统计数据。尽管这种方法的优点是可以在县域及以上尺度和总量上把握冬小麦和夏玉米的种植情况，但也存在两方面缺点，缺点一是工作量大、统计周期长，需要各级统计部门上报汇总后才能了解各省或者整个华北地区的冬小麦和夏玉米种植情况；缺点二，难以掌握冬小麦和夏玉米播种较为准确的空间位置信息。也有学者基于遥感影像提出了冬小麦播种监测的制图方法，但这些方法通常仅面向单一年份种植面积制图，而对农田使用连续性缺乏考虑，因此在逐年自动监测制图方面表现不佳。现有的遥感影像监测制图方法突出问题是冬小麦播种面积空间位置在逐年之间变动较大，较难获取与现实情况较为吻合的逐年种植面积图。

技术实现要素：

为了克服传统统计方法和常规方法中存在的不足，本发明的目的是提供一种冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法，该方法逐年连续制图结果不仅可以反映华北平原冬小麦和夏玉米种植时间和空间变化情况，还考虑了农田使用连续性的实际情况，数据产品可以直接为行业部门提供数据支撑及决策参考。

本发明的具体技术方案是一种一种冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法，其特征在于，具体包括以下步骤：

1)构建平滑的modisndvi时间序列数据；

2)基于机器学习算法和重构的modisndvi时间序列数据，对遥感影像进行分类，得到逐年农田和非农田制图；

3)对重构的modisndvi时间序列数据进行变换，得到日尺度的ndvi时间序列，对逐年农田和非农田分类结果图中的农田进行标记，得到逐年复种监测制图；

4)基于机器学习算法、重构的modisndvi时间序列数据和逐年复种监测制图，对遥感影像进行分类，得到逐年冬小麦和夏玉米种植区制图。

更进一步地，所述的步骤1)中采用savitzky-golay滤波器构建平滑的modisndvi时间序列数据。

更进一步地，所述的步骤2)中得到逐年农田和非农田制图的具体方法如下：

2.1)基于机器学习算法对当前计算年份的遥感影像中农田和非农田进行分类，选择冬小麦和夏玉米关键生育期的遥感影像，根据农田和非农田的高分影像训练样本数据，选择神经网络、决策树和支持向量机三种机器学习算法，分别对农田和非农田构建分类器并进行分类，分类判断规则为：最少满足两种机器学习在同一区域/栅格上判定为农田，该区域/栅格才认定为农田，获取当前计算年份的农田和非农田本底土地利用图，

基于重构的modisndvi时间序列数据，获取相邻年份栅格尺度上归一化植被指数ndvi变化的相关性及显著性，并以归一化植被指数ndvi变化的相关性及显著性为依据来判断农田在使用过程中是否发生了土地利用类型变化，对于当前计算年份的农田和非农田本底土地利用图中土地利用类型变化的区域采用神经网络构建的分类器重新对其进行分类判断，而显著性p<0.05的显著相关的区域，则直接继承相邻本底年份类型，得到逐年农田和非农田分类结果图。

更进一步地，所述的步骤3)中得到逐年复种监测制图的具体方法是，对重构的modisndvi时间序列数据进行六次多项式拟合，得到日尺度ndvi时间序列，根据日尺度ndvi时间序列，能够获取逐年农田和非农田分类结果图中的农田的复种使用情况，复种使用情况包括单季还是双季种植模式、单季种植模式下作物峰值出现的时间及对应的最大值、双季种植模式下第一季和第二季作物峰值出现的时间及对应的最大值、是否存在撂荒。

更进一步地，所述的步骤3)中得到逐年冬小麦和夏玉米种植区制图的具体方法如下：

4.1)基于神经网络方法和冬小麦、夏玉米高分影像训练样本，对当前计算年份的遥感影像进行分类，得到当前计算年份的冬小麦和夏玉米种植区制图，所述的高分影像训练样通过本无人机野外调查和googleearth等获取，

4.2)分别计算冬小麦和夏玉米两个生育期内归一化植被指数ndvi的相关性和显著性，基于重构的modisndvi时间序列数据，获取相邻年份栅格尺度上归一化植被指数ndvi变化的相关性及显著性，以归一化植被指数(ndvi)变化的相关性及显著性为依据来判断种植作物是否发生变化的依据，基于神经网络方法构建分类器，对于当前计算年份的冬小麦和夏玉米种植区制图中变化的区域重新对其进行分类判断，而显著性p<0.05的显著相关的区域则直接继承相邻本底年份作物类型，得到逐年冬小麦和夏玉米种植区制图。

更进一步地，

本发明的有益效果是1)本发明的方法基于逐年连续的冬小麦、夏玉米种植区图分析华北平原复种情况，包括多种复种模式时间和空间格局变化(如，单季、双季、撂荒变化情况；又如，冬小麦-夏玉米轮作、冬小麦-其他作物轮作或其他作物-夏玉米轮作情况)；2)本发明的方法搭建savitzky-golay滤波器重构高质量时间序列modisndvi数据集；3)采用多种机器学习算法(如，使用最为广泛的神经网络、决策树和支持向量机)进行农田和非农田分类及优化；4)基于表现最好的机器学习算法和重构高质量modisndvi时间序列数据在栅格尺度上相邻年份相关性及显著性进行连续农田制图；5)基于重构高质量modisndvi时间序列数据和逐年农田图的复种监测制图。这包括单季还是双季种植模式、单季种植模式下作物峰值出现的时间及对应的最大值、双季种植模式下第一季和第二季作物峰值出现的时间及对应的最大值、是否存在撂荒可能等信息，能够获取更精确的冬小麦、夏玉米种植区制图；6)基于表现最好的机器学习算法和高质量训练数据集(基于无人机、野外调查和高分影像数据获取的样地数据)获得冬小麦、夏玉米种植区制图的中间数据，并基于表现最好的机器学习算法、重构高质量modisndvi时间序列数据在栅格尺度上相邻年份相关性及显著性和逐年农田复种监测图的连续冬小麦、夏玉米种植区制图。

与传统统计方法和已有的常规方法相比，本发明研制的一种冬小麦-夏玉米种植面积逐年自动监测的遥感制图方法，其逐年连续制图结果即可以反映华北平原冬小麦-夏玉米种植时间和空间变化情况，也考虑了农田使用连续性的实际情况，反演的数据产品可以直接为行业部门提供数据支撑及决策参考。

附图说明

图1是本发明的冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法的流程图；

图2是高质量modisndvi时间序列数据构建示意图；

图3是华北平原农田和非农田遥感分类图(2019年)；

图4是华北平原冬小麦和夏玉米种植空间分布图(2019年)。

具体实施方式

下面结构说明书附图对本发明的具体技术方案作进一步地描述。

本发明采用的原始数据为2000-2019年的modis数据，无人机野外调查和googleearth等获取的高分影像作为样本数据。

如附图1所示，本发明的一种冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法，具体包括以下步骤：

1)构建平滑的modisndvi时间序列数据。

由于受云及大气状况的影响，原始的modisndvi时间序列数据通常会受到这些噪声影响，因此，本发明首先构建savitzky-golay滤波器，对原始的modisndvi时间序列数据进行最小二次平滑，如附图2所示。以第i年数据处理为例，具体构建步骤为：为了降低年初和年末数据的噪声，将上一年度(如果有)的最后三期影像以及下一年度的最初三期影像(如果有)也引入到平滑滤波算法中；并对第(i-1)年、第i年和第(i+1)年中所有用于平滑处理输入的影像进行重新编号(本发明中使用的具体编码规则见附图2)，便于savitzky-golay滤波器读取数据；数据准备完毕后，利用savitzky-golay滤波器开展数据平滑处理；在滤波器数据输出时，则只输出第i年的数据(第i-1年和第i+1年则不输出)并恢复其原有编码，最终得到重构的第i年的高质量modisndvi时间序列数据。重复利用该方法可以得到全部年份高质量modisndvi时间序列数据。其中，本发明中savitzky-golay滤波器中参数配置情况，选择四次样条，滑动窗口大小设定为9(2*4+1)，迭代次数为6次。

2)基于机器学习算法和重构的modisndvi时间序列数据，对遥感影像进行分类，得到逐年农田和非农田制图。

2.1)基于机器学习算法对当前计算年份的遥感影像中农田和非农田进行分类，一种可实施的方法是，选择冬小麦和夏玉米关键生育期的遥感影像，涉及doy(dayofyear)64-289，每年包括15景。基于googleearth获取遥感影像区域农田和非农田的高分影像训练样本数据，选择使用最为广泛的神经网络、决策树和支持向量机三种机器学习算法，分别对遥感影像区域农田和非农田构建分类器并进行分类。三种机器学习算法均有其优势，因此我们综合三种分类结果对农田结果进行优化。具体优化的方法为，最少满足两种机器学习在同一区域/栅格上判定为农田，该区域才认定为农田。基于该方法获取当前计算年份的农田和非农田本底土地利用图。

2.2)基于重构的modisndvi时间序列数据(doy64-289)，可以获取相邻年份栅格尺度上归一化植被指数(ndvi)变化的相关性及显著性，并以归一化植被指数(ndvi)变化的相关性及显著性为依据来判断农田在使用过程中是否发生了土地利用类型变化。当前年份x和相邻年份y的ndvi时间序列相关性r的计算公式如下：

其中，ri,j表示空间位置(i，j)处的相关系数，xi,j和yi,j表示空间位置(i，j)处的当前年份x和相邻年份y的ndvi时间序列数据集，n为时间序列数。相关系数相应的显著性(即，p值)通过学生t检验(students’t-test)方法计算获取(本发明中使用p<0.05作为通过显著性检验的统计标准)。通过对当前计算年份的农田和非农田本底土地利用图计算过程分析，基于神经网络的方法其分类结果的总体精度及卡帕系数通常要好于其他两类算法，因此在逐年连续农田和非农田制图过程中使用了神经网络方法。对于当前计算年份的农田和非农田本底土地利用图中土地利用类型变化的区域采用神经网络构建的分类器重新对其进行分类判断，而显著相关的区域(显著性p<0.05)则直接继承相邻本底年份类型，得到逐年农田和非农田分类结果图，如附图3所示；

3)对重构的modisndvi时间序列数据进行变换，得到日尺度的ndvi时间序列，对逐年农田和非农田分类结果图中的农田进行标记，得到逐年复种监测制图。

对重构的modisndvi时间序列数据进行六次多项式拟合，得到日尺度ndvi时间序列，就可以获取逐年农田和非农田分类结果图中的农田的复种使用情况，这包括单季还是双季种植模式、单季种植模式下作物峰值出现的时间及对应的最大值、双季种植模式下第一季和第二季作物峰值出现的时间及对应的最大值、是否存在撂荒可能等信息。比如，如果一个计算区域/栅格仅出现一个ndvi峰值，这说明是单季种值；

4)基于机器学习算法、重构的modisndvi时间序列数据和逐年复种监测制图，对遥感影像进行分类，得到逐年冬小麦和夏玉米种植区制图。

4.1)基于机器学习算法和冬小麦、夏玉米高分影像训练样本，对当前计算年份的遥感影像进行分类，得到当前计算年份的冬小麦和夏玉米种植区制图。高分影像训练样可通过本无人机野外调查和googleearth等获取，本实施例中利用神经网络方法构建分类器，对冬小麦和夏玉米进行分类提取，进行种植区制图，获取训练样本相应年份的冬小麦和夏玉米种植区图，本实施例的当前计算年份为2019年，如附图4所示。

4.2)本步骤的方法同步骤2)的农田分类方法有些类似。不过，本步骤的方法需要分别计算冬小麦和夏玉米两个生育期内归一化植被指数(ndvi)相关性和显著性，冬小麦选择时间段为每年的doy64-doy177(共8景)，夏玉米选择时间段为每年的doy177-doy289(共8景)。以归一化植被指数(ndvi)变化的相关性及显著性为依据来判断种植作物是否发生变化的依据(相关性和显著性判定方法详见公式1处)，基于神经网络方法构建分类器，对于当前计算年份的冬小麦和夏玉米种植区制图中变化的区域重新对其进行分类判断，而显著相关的区域(显著性p<0.05)则直接继承相邻本底年份作物类型，得到逐年冬小麦和夏玉米种植区制图。

本发明的方法基于逐年连续的冬小麦、夏玉米种植区图分析华北平原复种情况，包括多种复种模式时间和空间格局变化。可以获取modis数据所有时段华北平原冬小麦和夏玉米种植区图(2000-2019)，并分析单季、双季、撂荒变化情况，同时也可以分析复种类型变化情况(例如：冬小麦-夏玉米轮作、冬小麦-其他作物轮作或其他作物-夏玉米轮作)，为行业部门提供数据支撑和决策支持。

虽然本发明已经以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。