基于多时相数据中特征提取的中稻信息决策树分类方法技术

本发明专利技术所述基于多时相数据中特征提取的中稻信息决策树分类方法，其选取的高分一号影像数据既具有高空间分辨率也具有高时间分辨率的优点，在此基础上，本发明专利技术既使用了单时相影像提取水稻分布时用到的多种特征参量，又结合了多时相影像进行时序分析的优势，使多参量与多时相有机的结合，通过知识决策树分类的方式，提取出中稻的分布。多种特征参量，可以更好的剔除非目标地物，多时相分析，可以有助于剔除异物同谱导致的错分地物也可以进一步提取出目标地物，决策树分类具有灵活、直观、效率高等特点。所以，综合这些优势，可以进一步提高中稻提取的精度，无论是对国家的粮食安全体系，还是对遥感在农业方面的商业化应用，都有积极的意义。

【技术实现步骤摘要】
基于多时相数据中特征提取的中稻信息决策树分类方法
本专利技术涉及测绘遥感领域，具体涉及一种基于多时相数据中特征提取的中稻信息决策树分类方法。
技术介绍
水稻是世界三大粮食作物之一，播种面积占世界总耕地面积的15％。我国是世界最大的水稻生产国，水稻种植区域很广阔，南至海南省，北至黑龙江省，东至台湾省，西达新疆维吾尔族自治区都有水稻的种植。不同地域不同气候，水稻种植的品种也不尽相同，根据种植时间主要可分为三大类：早稻、中稻、晚稻。不同地域，早稻、中稻、晚稻生长期会有所差别。以湖北省为例，常年种植双季早晚稻、一季中稻、一季晚稻等，早稻移栽期大概是在四月下旬至五月上旬，收获期在七月中下旬。中稻移栽期在五月下旬至六月上中旬，收获期在九月下旬至十月上中旬。晚稻移栽期在七月下旬，收获期在十月下旬至十一月上旬。水稻种植面积约占我国粮食作物总面积的30％，其产量约占粮食总产量的将近一半。准确、及时、客观、快速地获取水稻种植面积，具有许多方面的重要意义，其一，水稻的种植面积关系到国计民生，正确及时地掌握水稻的种植面积，对编制社会经济发展规划，确保国家粮食安全，宏观调控种植业结构有非常重要的作用；其二，及时准确的水稻种植面积可以为国家及各级地方政府的决策，采取的宏观调控措施，提供客观的科学依据；其三，及时、客观、准确的水稻面积还可以带来巨大的商业价值。传统的获取大面积水稻种植面积的方法主要有抽样调查法和农业统计报表法。抽样调查法指的是根据统计学理论，从研究对象的全部单位中抽取一部分单位进行考察和分析，并用这部分单位的数量特征去推断总体的数量特征，即利用样本特征来推算总体特征的调查方法。该方法的精度与调查的样本数有着直接的联系，如果调查的样本数量少，那么统计的总体精度会存在较大的偏差，如果调查的样本多，那么调查所花的时间、精力、成本又会过大。农业统计报表法是按照行政单位，从村级单位逐渐汇总上报到乡镇、县市、省和国家。该方法虽然统计的比较的全面，但是其时效性较差，往往需要花费大量的时间，并且在逐级上报时也存在一定的漏报、错报、谎报的现象，导致数据的准确性与可靠性存在一定的缺陷，另一方面，通过上报统计的数据能够作为数据参考，但是不能反映出水稻在空间上的种植分布状况。因此，这些传统的获取农作物面积的方法在时效性、准确性、以及经济成本等方面已经越来越不能满足现实的需要。目前，随着卫星传感器技术以及遥感探测技术的不断发展，遥感技术在农业方面的应用也变得越来越广泛。遥感具有宏观、客观、实时、准确等特点，能够及时、客观并以较低的经济成本提取出大范围的农作物种植信息。特别是随着传感器类型的不断增加以及传感器在空间分辨率、光谱分辨率、时间分辨率以及灰度分辨率上的不断提高，利用遥感影像获取农作物的信息也更加的精准。如何利用不同的影像数据源获取精确的作物信息也成为了当前遥感领域的研究课题。水稻作为主要的农作物，更是成为了当前许多专家学者的研究热点。黄青等基于MODIS时序数据，分析水稻生长时期每个节点的NDVI值规律，通过对每个节点的NDVI值设定合适的阈值，提取出中稻的分布，最后以历年的统计数据为标准，做了精度评定。何月等通过选取水稻备耕期及各个生长关键时期的MODIS影像，分析水稻田与其他地物的可分性，构建决策树模型，提取晚稻种植面积，并与统计资料进行对比分析，从行政区县尺度对提取的晚稻种植面积进行了精度分析与评价，取得了较好的效果。但是，MODIS影像的分辨率较低，仅为250m,许多离散的水稻田，对应在MODIS影像上连一个像元大小都没有，所以，离散分布的水稻田的提取效果并不理想，特别是南方地区丘陵很多，水稻的分布并不集中。另外，MODIS数据提取水稻分布的过程中，只是用到了NDVI、LSWI等光谱特征参量，未与非光谱特征参量结合使用，导致特征参量单一，提取的效果也不是很好。相对MODIS数据，TM与HJ-1A、SPOT数据有着更高的影像空间分辨率。周义等以TM影像为数据源，引入DEM、纹理特征等非光谱特征，再结合水稻抽穗期的光谱特征提取出中稻的分布，最后选取了一定数量的样本验证了提取精度，取得了不错的效果。郑长春等在SPOT5影像的基础上，通过比较分析中稻在抽穗期与其他地物在各个波段上DN值以及NDVI值的差异提取出了试验区中稻，并采用目视判读和定量统计来评价提取结果。但是，单时相高分辨率影像数据提取水稻，影像中存在很多异物同谱的现象，会导致很多错分的情况，因此对水稻提取的精度会有较大的影响。潘志强等通过选取三个不同时相的TM影像，分析水稻在这三个时期内NDVI值的变化规律，得到了水稻大致的分布，经过验证，精度达到了84％，取得了不错的效果。但是，TM影像数据的重访周期较长，想要获取水稻不同时期的TM时序影像难度较大，特别是云雨天气很容易对影像的质量产生负面的影响。
技术实现思路
有鉴于此，有必要提供一种能够更好剔除非目标地物，从而对目标地物进行精确提取的基于多时相数据中特征提取的中稻信息决策树分类方法。一种基于多时相数据中特征提取的中稻信息决策树分类方法，所述基于多时相数据中特征提取的中稻信息决策树分类方法包括以下步骤：S1、获取相应区域不同时相的高分一号影像数据，并对高分一号影像数据分别做辐射定标预处理以及大气校正预处理；S2、通过影像中各种地物的影像解译标识与移栽期的影像结合进行对比分析，将抽穗期影像中的地物进行典型地物的初步区分；S3、记录不同地物样本点在各个波段上的光谱值，并绘制不同地物样本点光谱值统计表，通过分析统计表中的数值找出不同地物在各个波段上光谱值之间的差异，建立多时相高分一号影像数据的特征参量；S4、对影像数据的各项指标进行阈值设定，自高分一号影像数据中提取出中稻的分布信息，精确的提取出中稻的分布；S5、采用随机抽样的方式布设样本点，通过实地调查样本点的类别与遥感分类结果比较，采用基于误差矩阵的评估方法评定遥感分类的准确性。本专利技术选取的GF116M影像数据既具有高空间分辨率也具有高时间分辨率的优点，在此基础上，本专利技术既使用了单时相影像提取水稻分布时用到的多种特征参量，又结合了多时相影像进行时序分析的优势，使多参量与多时相有机的结合，通过知识决策树分类的方式，提取出中稻的分布。通过多种特征参量的分析提取，可以更好的剔除非目标地物，同时对多时相分析，可以有助于剔除异物同谱导致的错分地物也可以进一步提取出目标地物，决策树分类具有灵活、直观、效率高等特点。所以，综合这些优势，可以进一步提高中稻提取的精度，无论是对国家的粮食安全体系，还是对遥感在农业方面的商业化应用，都有积极的意义。附图说明图1是本专利技术所述的基于多时相数据中特征提取的中稻信息决策树分类方法的步骤流程图；图2是本专利技术所述的基于多时相数据中特征提取的中稻信息决策树分类方法的流程框图；图3是图1中步骤S4的流程框图；图4是图1中步骤S41的流程框图；图5是本专利技术所述的基于多时相数据中特征提取的中稻信息决策树分类方法的另一流程框图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明，应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术实施例提供一种基于多时相数据中特征提取的中稻信本文档来自技高网...

【技术保护点】
一种基于多时相数据中特征提取的中稻信息决策树分类方法，其特征在于，所述基于多时相数据中特征提取的中稻信息决策树分类方法包括以下步骤：S1、获取相应区域不同时相的高分一号影像数据，并对高分一号影像数据分别做辐射定标预处理以及大气校正预处理；S2、通过影像中各种地物的影像解译标识与移栽期的影像结合进行对比分析，将抽穗期影像中的地物进行典型地物的初步区分；S3、记录不同地物样本点在各个波段上的光谱值，并绘制不同地物样本点光谱值统计表，通过分析统计表中的数值找出不同地物在各个波段上光谱值之间的差异，建立多时相高分一号影像数据的特征参量；S4、对影像数据的各项指标进行阈值设定，自高分一号影像数据中提取出中稻的分布信息，精确的提取出中稻的分布；S5、采用随机抽样的方式布设样本点，通过实地调查样本点的类别与遥感分类结果比较，采用基于误差矩阵的评估方法评定遥感分类的准确性。

【技术特征摘要】
1.一种基于多时相数据中特征提取的中稻信息决策树分类方法，其特征在于，所述基于多时相数据中特征提取的中稻信息决策树分类方法包括以下步骤：S1、获取相应区域不同时相的高分一号影像数据，并对高分一号影像数据分别做辐射定标预处理以及大气校正预处理；S2、通过影像中各种地物的影像解译标识与移栽期的影像结合进行对比分析，将抽穗期影像中的地物进行典型地物的初步区分；S3、记录不同地物样本点在各个波段上的光谱值，并绘制不同地物样本点光谱值统计表，通过分析统计表中的数值找出不同地物在各个波段上光谱值之间的差异，建立多时相高分一号影像数据的特征参量；S4、对影像数据的各项指标进行阈值设定，自高分一号影像数据中提取出中稻的分布信息，精确的提取出中稻的分布；S5、采用随机抽样的方式布设样本点，通过实地调查样本点的类别与遥感分类结果比较，采用基于误差矩阵的评估方法评定遥感分类的准确性。2.根据权利要求1所述的基于多时相数据中特征提取的中稻信息决策树分类方法，其特征在于，所述不同时相的高分一号影像数据包括：中稻的移栽期、时间范围为五月下旬至六月上旬的高分一号影像数据；中稻的抽穗期、时间范围为七月下旬至八月上中旬的高分一号影像数据；中稻的乳熟期、时间范围为九月下旬至十月上旬的高分一号影像数据。3.根据权利要求1所述的基于多时相数据中特征提取的中稻信息决策树分类方法，其特征在于，所述步骤S4包括以下分步骤：S41、在中稻抽穗期影像中，将绝大部分的山地林地与水稻田、非植被区、居民地、道路、裸露地以及玉米、大豆进行剔除；S42、在中稻移栽时期的影像中，对LSWI值设定阈值，将中稻田与棉花地和常绿地进行区分，并剔除棉花地与常绿地。4.根据权利要求3所述的基于多时相数据中特征提取的中稻信息决策树分类方法，...

【专利技术属性】
技术研发人员：彭凯，冷伟，周学林，
申请(专利权)人：武汉珈和科技有限公司，
类型：发明
国别省市：湖北;42