基于植被指数时空间统计特征的农业灾害信息遥感提取方法技术

基于植被指数时空间统计特征的农业灾害信息遥感提取方法，属于农业灾害信息获取技术领域。本发明专利技术是为了解决现有农业灾害遥感监测不能用于对大尺度区域或区域内长时间序列的灾害进行监测与评价，监测方法不具有普遍性的问题。它在考虑到不同物候区、作物和生长阶段的植被指数存在差异的基础上，提取已知灾害所在物候区内的各像元NDVI以及相同作物的NDVI平均值NDVI

Remote sensing extraction method of agricultural disaster information based on spatial statistical characteristics of vegetation index

The method of Remote Sensing Extraction of agricultural disaster information based on spatial statistical characteristics of vegetation index belongs to the field of agricultural disaster information acquisition technology. The invention aims to solve the existing agricultural disaster remote sensing monitoring, and can not be used for monitoring and evaluating the disaster in a large scale region or a long time sequence in a region, and the monitoring method is not universal. On the basis of considering the difference of vegetation index in different phenological areas, crops and growing stages, the NDVI of each phenological area in the known disaster area and the average NDVI value of the same crop NDVI are extracted

【技术实现步骤摘要】
基于植被指数时空间统计特征的农业灾害信息遥感提取方法
本专利技术涉及基于植被指数时空间统计特征的农业灾害信息遥感提取方法，属于农业灾害信息获取

技术介绍
目前大多数农业灾害遥感监测的研究中，对小面积地区或某一时期、某一特定类型灾害的研究较多，对于大尺度区域或长时间序列的灾害监测与评价研究较少，不能全面且宏观地掌握和分析农业灾害的时空分布规律；由于不同作物类型、生长地区、生长阶段的植被指数存在差异，利用单时相影像所获得的植被指数，仅能反映在该地区、该时间内作物长势的相对优劣，进行灾害监测不具有普遍性。MODIS全称为中分辨率成像光谱仪(moderate-resolutionimagingspectroradiometer)。MODIS是搭载在Terra和Aqua卫星上的一个重要的传感器，是卫星上唯一将实时观测数据通过x波段向全世界直接广播，并可以免费接收数据并无偿使用的星载仪器，全球许多国家和地区都在接收和使用MODIS数据。MODIS用于对陆表、生物圈、固态地球、大气和海洋进行长期全球观测。中分辨率成像光谱仪归一化植被指数MODIS-NDVI时序数据空间分辨率较低，但时间分辨率高，覆盖范围广，适用于大尺度范围、长时间序列监测。高分一号卫星影像和环境减灾卫星影像空间分辨率高，已被证实可以满足灾害监测。高分一号GF-1卫星搭载了两台2m分辨率全色/8m分辨率多光谱相机，四台16m分辨率多光谱相机。高分一号卫星的宽幅多光谱相机幅宽达到了800公里。环境与灾害监测预报小卫星星座A、B、C星HJ-1A/B/C包括两颗光学星HJ-1A/B和一颗雷达星HJ-1C，可以实现对生态环境与灾害的大范围、全天候、全天时的动态监测。
技术实现思路
本专利技术目的是为了解决现有农业灾害遥感监测不能用于对大尺度区域或区域内长时间序列的灾害进行监测与评价，监测方法不具有普遍性的问题，提供了一种基于植被指数时空间统计特征的农业灾害信息遥感提取方法。本专利技术所述基于植被指数时空间统计特征的农业灾害信息遥感提取方法，它包括以下步骤：步骤一：采集被监测区域作物生长期的MODIS反射率产品MOD09Q1数据和MYD09Q数据；采集被监测区域基准年全年的植被指数产品MOD13Q1数据；采集被监测区域基准年内典型受灾区域所需的HJ-1A/1B_CCD影像数据和GF-1/WFV影像数据；步骤二：对所述MOD09Q1数据和MYD09Q数据转投影，分别计算获得归一化植被指数MOD09Q1-NDVI和MYD09Q1-NDVI，将二者拼接结合，获得被监测区域作物生长期的MOD_MYD-NDVI时间序列；对所述MOD13Q1数据进行转投影，提取被监测区域基准年全年的23期归一化植被指数MOD13Q1-NDVI时间序列；步骤三：对所述HJ-1A/1B_CCD影像数据和GF-1/WFV影像数据分别进行辐射定标、大气校正、正摄校正和自动匹配项目的预处理，提取获得所述典型受灾区域的基准年植被覆盖指数HJ-NDVI；用已知的该典型受灾区域的矢量文件裁剪所述基准年植被覆盖指数HJ-NDVI，并对裁剪后获得的HJ-NDVI数据进行分级处理；将分级后的HJ-NDVI数据与原始的HJ-1A/1B_CCD影像数据和GF-1/WFV影像数据对比，去除分级后的HJ-NDVI数据中非受灾的等级，保留受灾的等级作为灾害区域HJ-NDVI数据，用灾害区域HJ-NDVI数据裁剪所述的分级后的HJ-NDVI数据，再重新分级获得最终灾害监测基准区；步骤四：对归一化植被指数MOD13Q1-NDVI时间序列进行平滑重构，在被监测区域内，利用基准年全年的植被指数产品MOD13Q1数据，根据作物的物候特征，进行S-G滤波平滑，提取11个物候参数；对11个物候参数进行标准化处理，统一数值范围，然后提取每个物候参数的有效成分，再对被监测区域进行分区获得物候分区；步骤五：将被监测区域与各物候分区的矢量文件分别进行交汇处理，获得包含物候信息及作物信息的矢量文件，为该矢量文件添加包含物候信息和作物类型信息的字段，获得包含物候信息和作物类型信息的矢量文件；步骤六：对步骤五中获得的包含物候信息和作物类型信息的矢量文件进行提取，获得各个物候分区各类作物的归一化植被指数中值NDVIm与标准差STD；步骤七：对步骤三中所述最终灾害监测基准区的受灾年份与未受灾年份的NDVI灰度直方图进行分析，获得作物受灾的判断依据：当某时相某区域作物的实际NDVI值小于NDVIm-xSTD，并且在连续的下两个时相内仍然小于NDVIm-xSTD时，认定该区域作物受灾；由此，建立作物受灾监测模型：NDVI-(NDVIm-xSTD)；式中x为受灾监测模型的阈值；步骤八：由步骤二中的被监测区域作物生长期的MOD_MYD-NDVI时间序列和步骤七中作物受灾监测模型，在0～1范围内尝试不同阈值，通过空间分析法提取被监测区域的灾害范围，将被监测区域分为6月下旬至7月中旬、7月中旬至8月上旬、8月上旬至八月下旬三个时段，每个时段分为三个时相，计算连续三个时相都受灾的栅格数据；步骤九：将连续三个时相都受灾的栅格数据转成矢量数据，计算受灾面积，将大于三个像元面积的区域认作受灾区域的中心，再将受灾区域向外扩展一个像元的大小，获得新的矢量文件，用新的矢量文件裁剪之前得到的连续三个时相都受灾的栅格数据，得到不同阈值对应的灾害监测结果；步骤十：将不同阈值对应的灾害监测结果与相应的已知最终灾害监测基准区的监测结果进行对比，将每一对两种不同分辨率监测结果分别转成矢量数据，进行交汇处理，得到同时包含两种分辨率监测结果的矢量文件；取阈值＝0.5作为最优阈值，获得最终的灾害监测模型为NDVI-(NDVIm-0.5STD)；步骤十一：将最终的灾害监测模型NDVI-(NDVIm-0.5STD)用于被监测区域，获得被监测区域的农业灾害信息。本专利技术的优点：本专利技术方法能够快速、准确的获取农业灾害信息，它在考虑到不同物候区、作物和生长阶段的植被指数存在差异的基础上，提取已知灾害所在物候区内的各像元NDVI以及相同作物的NDVI平均值NDVIm和标准差STD，根据受灾前后NDVI灰度直方图特征，利用统计学特征分析各参数之间的关系，建立灾害监测模型，提取农业灾害。该方法考虑到了因生长地区、不同作物和生长阶段造成的干扰因素，提高了监测结果精度。本专利技术提取作物的NDVI、NDVIm、STD，通过已知典型灾害，根据受灾前后灾害所在物候区的NDVI灰度直方图，分析验证各参数之间的关系，建立灾害监测模型，并确定了模型的最优阈值，得出最终的灾害监测模型，基于不同物候区与作物分类进行灾害信息提取，解决了因为地域不同造成的作物长势差异和不同作物的长势差异等影响因素对提取结果造成的误差，提高了精度。将每年作物关键生长期分为177-193、193-209、209-225三个时段，分别对黑龙江省2013年至2015年投保地块提取灾害空间信息，验证了最终的灾害监测模型的通用性，实现了大尺度范围、长时间序列农业灾害监测。附图说明图1是2013年6月末四方山涝灾HJ灾害监测图，其中1级为受灾最重的等级，逐级变轻；图2是2013年6月末四方山涝灾MODIS灾害监测图；图3是2015年6月24日洪河农场雹灾HJ本文档来自技高网...

【技术保护点】
一种基于植被指数时空间统计特征的农业灾害信息遥感提取方法，其特征在于，它包括以下步骤：步骤一：采集被监测区域作物生长期的MODIS反射率产品MOD09Q1数据和MYD09Q数据；采集被监测区域基准年全年的植被指数产品MOD13Q1数据；采集被监测区域基准年内典型受灾区域所需的HJ‑1A/1B_CCD影像数据和GF‑1/WFV影像数据；步骤二：对所述MOD09Q1数据和MYD09Q数据转投影，分别计算获得归一化植被指数MOD09Q1‑NDVI和MYD09Q1‑NDVI，将二者拼接结合，获得被监测区域作物生长期的MOD_MYD‑NDVI时间序列；对所述MOD13Q1数据进行转投影，提取被监测区域基准年全年的23期归一化植被指数MOD13Q1‑NDVI时间序列；步骤三：对所述HJ‑1A/1B_CCD影像数据和GF‑1/WFV影像数据分别进行辐射定标、大气校正、正摄校正和自动匹配项目的预处理，提取获得所述典型受灾区域的基准年植被覆盖指数HJ‑NDVI；用已知的该典型受灾区域的矢量文件裁剪所述基准年植被覆盖指数HJ‑NDVI，并对裁剪后获得的HJ‑NDVI数据进行分级处理；将分级后的HJ‑NDVI数据与原始的HJ‑1A/1B_CCD影像数据和GF‑1/WFV影像数据对比，去除分级后的HJ‑NDVI数据中非受灾的等级，保留受灾的等级作为灾害区域HJ‑NDVI数据，用灾害区域HJ‑NDVI数据裁剪所述的分级后的HJ‑NDVI数据，再重新分级获得最终灾害监测基准区；步骤四：对归一化植被指数MOD13Q1‑NDVI时间序列进行平滑重构，在被监测区域内，利用基准年全年的植被指数产品MOD13Q1数据，根据作物的物候特征，进行S‑G滤波平滑，提取11个物候参数；对11个物候参数进行标准化处理，统一数值范围，然后提取每个物候参数的有效成分，再对被监测区域进行分区获得物候分区；步骤五：将被监测区域与各物候分区的矢量文件分别进行交汇处理，获得包含物候信息及作物信息的矢量文件，为该矢量文件添加包含物候信息和作物类型信息的字段，获得包含物候信息和作物类型信息的矢量文件；步骤六：对步骤五中获得的包含物候信息和作物类型信息的矢量文件进行提取，获得各个物候分区各类作物的归一化植被指数中值NDVI...

【技术特征摘要】
1.一种基于植被指数时空间统计特征的农业灾害信息遥感提取方法，其特征在于，它包括以下步骤：步骤一：采集被监测区域作物生长期的MODIS反射率产品MOD09Q1数据和MYD09Q数据；采集被监测区域基准年全年的植被指数产品MOD13Q1数据；采集被监测区域基准年内典型受灾区域所需的HJ-1A/1B_CCD影像数据和GF-1/WFV影像数据；步骤二：对所述MOD09Q1数据和MYD09Q数据转投影，分别计算获得归一化植被指数MOD09Q1-NDVI和MYD09Q1-NDVI，将二者拼接结合，获得被监测区域作物生长期的MOD_MYD-NDVI时间序列；对所述MOD13Q1数据进行转投影，提取被监测区域基准年全年的23期归一化植被指数MOD13Q1-NDVI时间序列；步骤三：对所述HJ-1A/1B_CCD影像数据和GF-1/WFV影像数据分别进行辐射定标、大气校正、正摄校正和自动匹配项目的预处理，提取获得所述典型受灾区域的基准年植被覆盖指数HJ-NDVI；用已知的该典型受灾区域的矢量文件裁剪所述基准年植被覆盖指数HJ-NDVI，并对裁剪后获得的HJ-NDVI数据进行分级处理；将分级后的HJ-NDVI数据与原始的HJ-1A/1B_CCD影像数据和GF-1/WFV影像数据对比，去除分级后的HJ-NDVI数据中非受灾的等级，保留受灾的等级作为灾害区域HJ-NDVI数据，用灾害区域HJ-NDVI数据裁剪所述的分级后的HJ-NDVI数据，再重新分级获得最终灾害监测基准区；步骤四：对归一化植被指数MOD13Q1-NDVI时间序列进行平滑重构，在被监测区域内，利用基准年全年的植被指数产品MOD13Q1数据，根据作物的物候特征，进行S-G滤波平滑，提取11个物候参数；对11个物候参数进行标准化处理，统一数值范围，然后提取每个物候参数的有效成分，再对被监测区域进行分区获得物候分区；步骤五：将被监测区域与各物候分区的矢量文件分别进行交汇处理，获得包含物候信息及作物信息的矢量文件，为该矢量文件添加包含物候信息和作物类型信息的字段，获得包含物候信息和作物类型信息的矢量文件；步骤六：对步骤五中获得的包含物候信息和作物类型信...

【专利技术属性】
技术研发人员：刘焕军，殷继先，张新乐，闫岩，于微，孟令华，
申请(专利权)人：黑龙江禾禾遥感科技有限公司，
类型：发明
国别省市：黑龙江,23