基于多时相多源遥感数据进行水稻识别的方法技术

本申请公开了一种基于多时相多源遥感数据进行水稻识别的方法，方法包括数据获取：包括获取比对数据和待测水稻样本数据、获取待测水稻生长期内的遥感雷达影像、以及获取待测水稻生长期内的光学数据，雷达数据波段组合筛选，雷达图像特征提取，不同种类待测水稻识别，将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行精度评价。本发明专利技术结合了雷达数据和光学数据多种遥感数据源，深度挖掘了雷达数据在农业方面的应用前景，为科学的指导农事提供了可靠的依据；与传统依靠野外测量调查水稻种类的方法相比，本发明专利技术节省了大量的人力物力财力；与遥感光学数据相比，本发明专利技术所使用的雷达数据更具有稳定性，在多云多雨的南方更具有优势。

【技术实现步骤摘要】
基于多时相多源遥感数据进行水稻识别的方法
本专利技术涉及基于多源遥感数据进行农作物识别的领域，具体地说，涉及基于多时相多源遥感数据进行水稻识别的方法。
技术介绍
水稻是人类最主要的粮食来源，全球超过一半的人口以大米为主食，尤其是对亚洲、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。水稻是世界三大粮食作物之一，在我国乃至世界的粮食生产结构中占有十分重要的地位，其生产状况与整个世界的粮食安全、社会稳定息息相关。我国以世界水稻种植面积的21.4％获得了世界稻谷产量的34.5％。因此，水稻安全生产的压力尤为巨大，更需要发展必要的技术或方法来实时地监测水稻生长环境，获得水稻安全生产所需的种植面积、长势和生态系统状况等信息。水稻监测包括很多方面，其中，水稻种植面积统计、物候期识别以及产量预报是三大主要的应用需求。准确掌握水稻种植面积的最新信息对及时了解水稻种植分布，各级政府制定粮食生产政策，以及宏观调控水稻种植区划有着重要意义。传统的水稻种类识别主要依靠人力进行野外实地调查，这种方法识别精度较高但是费时费力，在进行较大面积的水稻种类识别的时候会浪费很多资源和设备。近年来，随着遥感技术的快速发展，利用遥感技术进行水稻种类的识别逐渐成为一种较为常用的调查手段。光学遥感能反映真实的地物颜色变化且具有重访周期短等优点，但水稻生长期内常伴有云雨天气，特别是在我国南方地区，会有长达数月梅雨季节，这就导致很难及时获取适合监测水稻生长的光学影像。另一方面，在生产应用中，基于光学影像的水稻种类识别常常受到其他农作物生长的干扰而造成误判。雷达遥感具有全天时全天候的观测能力且不受云雨等气候变化的干扰，具有大范围监测的能力，在农业方面的应用较为广泛。有关雷达数据进行有效的识别农作物的种类和生长状态的研究已经较为成熟。根据水稻不同生长阶段形态上的变化在不同极化方式下的差异，可以将水稻与其他农作物进行区分；不同种类的水稻在同一时期的雷达影像上也有差异。雷达遥感的这些特点使其成为能用于进行水稻分类、监测和估产的重要技术手段。利用遥感方法识别水稻种类也存在着以下方面的不足：(1)单一的雷达数据重访周期过长，会错过一些区分不同种类水稻的最佳时期。(2)单极化数据所能表现的水稻生长信息与全极化数据还有一定距离。综上所述，现有方法在实际的农田检测应用中存在认知尺度上的局限以及认识方法上的不足。
技术实现思路
有鉴于此，本专利技术的目的是提供一种基于多时相多源遥感数据进行水稻识别的方法，其特征在于，包括步骤：数据获取：包括获取比对数据和待测水稻样本数据、获取待测水稻生长期内的遥感雷达影像、以及获取待测水稻生长期内的光学数据，其中，所述比对数据为早稻、单季稻、和晚稻的种植面积数据和分布数据，将获取的比对数据的水稻样本点随机筛选出三分之一作为训练样本A1；通过卫星获取所述待测水稻样本数据；获取待测水稻生长期内关键生长阶段的遥感雷达影像；获取待测水稻关键生长阶段的光学数据；雷达数据波段组合筛选，包括步骤：对获取的遥感雷达影像和光学数据进行预处理；计算所述光学数据的归一化植被指数NDVI，生成NDVI图像；将遥感雷达影像与NDVI图像进行配准，采用遥感图像处理软件ENVI以雷达遥感影像为底图，选取控制点进行配准；从时序获取的遥感雷达影像中筛选波段组合，通过分析不同时相下待测水稻的极化响应特征、统计每个时相遥感雷达影像的均值、标准差、等效视数、辐射分辨率、以及相关系数进行比较，共同筛选出遥感雷达影像所含信息量最丰富的波段组合；雷达图像特征提取，包括步骤：利用筛选出的波段组合，生成假彩色合成图像；分析所述假彩色合成图像的特征，将具有相同颜色的区域进行提取，将具有相同颜色特征的区域作为同一个对象；根据所提取出的对象对整个研究区进行监督分类；不同种类待测水稻识别，包括步骤：提取分析关键遥感参数，分析计算所述训练样本A1在每个时相遥感数据下的关键参数，包括雷达数据HH极化后向散射系数以及光学数据的NDVI；建立水稻识别算法并得到识别结果，根据所述关键参数使用决策树建立水稻种类识别算法，并对所述对象应用所述水稻种类识别算法，将识别出的早稻、单季稻和晚稻进行合并；将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行精度评价。优选地，所述遥感雷达影像为多时相的COSMO-SkyMed卫星影像，所述遥感雷达影像的获取时间分布于早稻、单季稻、晚稻的关键生长阶段，所述光学数据为多时相的德国RapidEye影像，所述光学数据的获取时间分布于早稻、单季稻、晚稻的关键生长阶段。优选地，所述关键生长阶段包括：播种期、移栽期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期、和成熟期。优选地，所述将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行精度评价，进一步为，所述将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行识别面积和重合度计算进行精度评价，采用制图软件ArcMap10.2，分别将所述比对数据的矢量文件、以及所述识别出的早稻、单季稻和晚稻的水稻结果的矢量文件导入到所述制图软件ArcMap10.2中，计算同一种水稻两个矢量文件间的重合面积及重合度来进行精度评价。优选地，所述采用制图软件ArcMap10.2，分别将所述比对数据的矢量文件、以及所述识别出的早稻、单季稻和晚稻的水稻结果的矢量文件导入到所述制图软件ArcMap10.2中，计算同一种水稻两个矢量文件间的重合面积及重合度来进行精度评价，进一步为，分别计算所述比对数据和所述识别结果的水稻面积：计算所述比对数据与识别结果之间的重合面积，在制图软件ArcMap10.2中分别打开所述比对数据和识别结果的早稻、单季稻和晚稻的属性表，并添加字段用来存放面积要素，右键单击字段名称选择几何计算，打开几何计算对话框，在属性中选择面积、单位设为公顷，计算出面积；计算所述比对数据与识别结果之间的重合度，先计算所述比对数据与识别结果之间的重叠区域，再计算重合度，先在矢量叠加ArcToolbox中，选择分析工具/叠加分析/相交，在弹出的对话框中的输入要素里添加要计算重叠区域的两个矢量，其他设置为默认，在输出要素类中添加输出路径和输出文件名，计算出重合区域的面积，计算出的重合面积与所述比对数据相对应的类别面积的比值，即为水稻的重合度。优选地，所述将遥感雷达影像与NDVI图像进行配准，采用遥感图像处理软件ENVI以雷达遥感影像为底图，选取控制点进行配准，进一步为，所述遥感雷达影像与所述光学数据的分辨率相近，将遥感雷达影像与光学数据计算得出的NDVI图像进行图像配准，以遥感雷达影像为基准影像，光学数据为待配准影像，选择21个配准点，确保误差范围在1个像元以内。优选地，所述分析所述假彩色合成图像的特征，将具有相同颜色的区域进行提取，将具有相同颜色特征的区域作为同一个对象，进一步为，采用基于对象特征提取的方法，提取在所述假彩色合成图上颜色呈现出相同颜色或近似颜色变化的图斑,并认为呈现出相同颜色为同一种地物对象。优选地，所述提取在所述假彩色合成图上颜色呈现出相同颜色或近似颜色变化的特征图斑，进一步为，利用遥感图像处理软件ENVI中的感兴趣区工具，手动提取出所述特征图斑，并转化为矢量文件。优选地，所述根据所提取出的对象对整个研本文档来自技高网...

【技术保护点】
1.一种基于多时相多源遥感数据进行水稻识别的方法，其特征在于，包括步骤：数据获取：包括获取比对数据和待测水稻样本数据、获取待测水稻生长期内的遥感雷达影像、以及获取待测水稻生长期内的光学数据，其中，所述比对数据为早稻、单季稻、和晚稻的种植面积数据和分布数据，将获取的比对数据的水稻样本点随机筛选出三分之一作为训练样本A1；通过卫星获取所述待测水稻样本数据；获取待测水稻生长期内关键生长阶段的遥感雷达影像；获取待测水稻关键生长阶段的光学数据；雷达数据波段组合筛选，包括步骤：对获取的遥感雷达影像和光学数据进行预处理；计算所述光学数据的归一化植被指数NDVI，生成NDVI图像；将遥感雷达影像与NDVI图像进行配准，采用遥感图像处理软件ENVI以雷达遥感影像为底图，选取控制点进行配准；从时序获取的遥感雷达影像中筛选波段组合，通过分析不同时相下待测水稻的极化响应特征、统计每个时相遥感雷达影像的均值、标准差、等效视数、辐射分辨率、以及相关系数进行比较，共同筛选出遥感雷达影像所含信息量最丰富的波段组合；雷达图像特征提取，包括步骤：利用筛选出的波段组合，生成假彩色合成图像；分析所述假彩色合成图像的特征，将具有相同颜色的区域进行提取，将具有相同颜色特征的区域作为同一个对象；根据所提取出的对象对整个研究区进行监督分类；不同种类待测水稻识别，包括步骤：提取分析关键遥感参数，分析计算所述训练样本A1在每个时相遥感数据下的关键参数，包括雷达数据HH极化后向散射系数以及光学数据的NDVI；建立水稻识别算法并得到识别结果，根据所述关键参数使用决策树建立水稻种类识别算法，并对所述对象应用所述水稻种类识别算法，将识别出的早稻、单季稻和晚稻进行合并；将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行精度评价。...

【技术特征摘要】
1.一种基于多时相多源遥感数据进行水稻识别的方法，其特征在于，包括步骤：数据获取：包括获取比对数据和待测水稻样本数据、获取待测水稻生长期内的遥感雷达影像、以及获取待测水稻生长期内的光学数据，其中，所述比对数据为早稻、单季稻、和晚稻的种植面积数据和分布数据，将获取的比对数据的水稻样本点随机筛选出三分之一作为训练样本A1；通过卫星获取所述待测水稻样本数据；获取待测水稻生长期内关键生长阶段的遥感雷达影像；获取待测水稻关键生长阶段的光学数据；雷达数据波段组合筛选，包括步骤：对获取的遥感雷达影像和光学数据进行预处理；计算所述光学数据的归一化植被指数NDVI，生成NDVI图像；将遥感雷达影像与NDVI图像进行配准，采用遥感图像处理软件ENVI以雷达遥感影像为底图，选取控制点进行配准；从时序获取的遥感雷达影像中筛选波段组合，通过分析不同时相下待测水稻的极化响应特征、统计每个时相遥感雷达影像的均值、标准差、等效视数、辐射分辨率、以及相关系数进行比较，共同筛选出遥感雷达影像所含信息量最丰富的波段组合；雷达图像特征提取，包括步骤：利用筛选出的波段组合，生成假彩色合成图像；分析所述假彩色合成图像的特征，将具有相同颜色的区域进行提取，将具有相同颜色特征的区域作为同一个对象；根据所提取出的对象对整个研究区进行监督分类；不同种类待测水稻识别，包括步骤：提取分析关键遥感参数，分析计算所述训练样本A1在每个时相遥感数据下的关键参数，包括雷达数据HH极化后向散射系数以及光学数据的NDVI；建立水稻识别算法并得到识别结果，根据所述关键参数使用决策树建立水稻种类识别算法，并对所述对象应用所述水稻种类识别算法，将识别出的早稻、单季稻和晚稻进行合并；将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行精度评价。2.根据权利要求1所述的基于多时相多源遥感数据进行水稻识别的方法，其特征在于，所述遥感雷达影像为多时相的COSMO-SkyMed卫星影像，所述遥感雷达影像的获取时间分布于早稻、单季稻、晚稻的关键生长阶段，所述光学数据为多时相的德国RapidEye影像，所述光学数据的获取时间分布于早稻、单季稻、晚稻的关键生长阶段。3.根据权利要求1或2所述的基于多时相多源遥感数据进行水稻识别的方法，其特征在于，所述关键生长阶段包括：播种期、移栽期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期、和成熟期。4.根据权利要求1所述的基于多时相多源遥感数据进行水稻识别的方法，其特征在于，所述将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行精度评价，进一步为，所述将识别出的早稻、单季稻和晚稻的识别结果与所述比对数据相比较，进行识别面积和重合度计算进行精度评价，采用制图软件ArcMap10.2，分别将所述比对数据的矢量文件、以及所述识别出的早稻、单季稻和晚稻的水稻结果的矢量文件导入到所述制图软件ArcMap10.2中，计算同一种水稻两个矢量文件间的重合面积及重合度来进行精度评价。5.根据权利要求4所述的基于多时相多源遥...

【专利技术属性】
技术研发人员：李坤，李宏宇，国贤玉，邵芸，王志勇，
申请(专利权)人：中科卫星应用德清研究院，中国科学院遥感与数字地球研究所，
类型：发明
国别省市：浙江,33