农作物长势监测系统及其数据处理方法和模块技术方案

本发明专利技术公开了农作物长势监测系统及其数据处理方法和模块，涉及遥感图像处理和农业监测技术领域。所述数据处理方法包括：获取监测用遥感数据和修正用遥感数据；分别对所述监测用遥感数据和修正用遥感数据进行预处理，得到对应的植被指数数据；根据修正用植被指数数据获得修正参数；根据所述修正参数修正所述监测用植被指数数据。根据本发明专利技术所述修正后的植被指数数据来监测农作物长势，削弱了由于作物轮作和耕地种植区年际变化造成作物长势监测结果的不确定性，提高了农作物长势监测的精准度。

Crop growth monitoring system, data processing method and module thereof

The invention discloses a crop growth monitoring system, a data processing method and a module thereof, relating to the remote sensing image processing and the agricultural monitoring technical field. The data processing method includes: obtaining monitoring using remote sensing data and correction using remote sensing data; for the monitoring using remote sensing data and correction using remote sensing data preprocessing by vegetation index data corresponding to the correction of vegetation index data; according to the obtained parameters; according to the correction parameter correction the monitoring of vegetation index data. To monitor the crop growth based on vegetation index data of the invention after correction, weakened because of annual crop rotation and cropland area caused by the change of crop growth monitoring results of uncertainty, improves the accuracy of crop growth monitoring.

【技术实现步骤摘要】
农作物长势监测系统及其数据处理方法和模块
本专利技术涉及遥感图像处理和农业监测
，特别涉及一种农作物长势监测系统及其数据处理方法和模块。
技术介绍
近年，全球各国，无论是发展中国家还是发达国家，无一例外的越来越多的依赖及时、准确、透明的农情监测结果，以应对在全球尺度、地区尺度、国家尺度以及省州级尺度所面临的粮食安全问题。研究表明，与作物收割之后统计获得的产量数据相比较，在作物生长阶段尽早的获取作物生长状况信息，更有利于应对突发的粮食供应短缺以及粮食进出口相关政策的制定。当粮食产量预期可能出现下降的情况下，稳定国际粮价对于粮食进口国和出口国均具有重要意义。目前许多国家或组织纷纷构建了各自的农业监测系统，用以实现国家尺度、地区尺度或是全球尺度的作物生长形势的监测，以及产量变化形势的预测。尽管这些数量众多的农业监测系统采用监测方法可能各有相同，但作物长势监测始终是监测系统中最核心的模块之一。大多数现有的农情监测系统均采用某种遥感指数来实现作物生长形势的监测。在这些遥感指数中，归一化植被指数(TheNormalizedDifferenceVegetationIndex，简称NDVI)，因为其能够直观反映出作物光合作用的强弱，并在一定程度上削弱植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，同时又能在一定程度上反映出植被是否受到水分、温度等外在条件的胁迫，是最常用的遥感指数之一。根据获得的遥感图像数据，利用年度间遥感指数的变化，分析人员一方面能够将当前时期的遥感指数与其他年份同期的数据进行对比，另一方面也可以对当前生长季的遥感指数的动态变化与其他年份遥感指数的动态变化进行对比，进而评估作物生长状况并在早期进行产量预测。根据前述的对比获得了作物长势的监测结果，所述的监测结果既包含真实的作物长势信息，也包含由作物物候、作物轮作等因素造成的伪变化信息。另外，年际间耕地上同一像元播种情况的空间差异更是直接反应在实时作物长势监测和作物生长过程监测结果上。然而，现有的农情监测系统采用的长势监测方法均没有考虑作物轮作、作物播种状况变化造成的耕地利用状况的变化，这些年际间的作物轮作造成的耕地利用状况的变化均会在作物长势监测的过程中引入很大的不确定性。当作物轮作以及耕地种植区发生显著变化时，作物长势信息将会失去原有的指示意义。
技术实现思路
针对现有技术中的不足，本专利技术提供了一种农作物长势监测系统及其数据处理方法和模块，用以消除耕地利用状况的变化在作物长势监测过程中引入的不确定性，从而获得更加准确的作物长势监测结果。为了解决上述技术问题，本专利技术提供了一种农作物长势监测数据处理方法，其中，包括：获取监测用遥感数据和修正用遥感数据；分别对所述监测用遥感数据和修正用遥感数据进行预处理，得到对应的植被指数数据；根据修正用植被指数数据获得修正参数；根据所述修正参数修正所述监测用植被指数数据。优选地，所述根据修正用植被指数数据获得修正参数的步骤包括：选择识别用关键时期；基于所述修正用植被指数数据，在所述识别用关键时期，识别各像元对应的耕地为未种植耕地或种植耕地；对所述修正用遥感数据按照监测用遥感数据的图像分辨率重新采样；获取重新采样后各像元所覆盖的采样前未种植耕地和种植耕地的像元数量，根据公式(2-1)计算得到重新采样后各像元中未种植耕地的比例，所述未种植耕地的比例为所述的修正参数；优选地，所述选择识别用关键时期的步骤包括：采用类间Jeffries-Matusita距离对所述修正用植被指数数据进行量化；对应于多个不同的两个时期的植被指数组合，分别计算对应的未种植耕地和种植耕地两种不同类别的Jeffries-Matusita距离；比较多个所述Jeffries-Matusita距离的大小，获取Jeffries-Matusita距离最大的植被指数组合；分别获取Jeffries-Matusita距离最大的植被指数组合对应的两个时期，将其作为用于识别的关键时期。优选地，基于所述修正用植被指数数据，在所述识别用关键时期，识别各像元对应的耕地为未种植耕地或种植耕地的步骤包括：读取与两个所述关键时期对应的植被指数值；计算所述两个植被指数值的差值，并将植被指数值大的关键时期设为高峰时期；逐像元比较高峰时期的植被指数值与预设的种植区提取阈值的大小，如果高峰时期的植被指数值大于或等于所述种植区提取阈值，则将所述像元对应的耕地识别为种植耕地；如果高峰时期的植被指数值小于所述种植区提取阈值，逐像元比较所述两个所述关键时期对应的植被指数值的差值与预设的未种植区提取阈值的大小，如果所述差值大于或等于所述未种植区提取阈值，则将所述像元对应的耕地识别为种植耕地，如果所述差值小于所述未种植区提取阈值，则将所述像元对应的耕地识别为未种植耕地。优选地，根据所述修正参数修正所述监测用植被指数数据的步骤包括：根据红波段和近红外波段的反射率在种植作物端元和未种植作物端元的关系，获得以下二元线性方程：其中，所述ρR和ρNIR为MODIS像元尺度的端元红波段与近红外波段反射率；所述UALR为对应像元的未种植耕地比例；ρRcropped为种植作物耕地端元的红波段反射率；ρNIRcropped为种植作物耕地端元的近红波段反射率；ρRuncropped为未种植作物耕地端元的红波段反射率；ρNIRuncropped为未种植作物耕地端元的近红外波段反射率；其中，未种植作物耕地端元的红波段反射率ρRuncropped、近红外波段反射率ρRuncropped通过统计未种植耕地比例大于98％的像元对应波段的均值确定；根据公式(2-2)获得种植作物耕地端元的红波段反射率ρRcropped和近红外波段反射率ρNIRcropped；根据公式(2-3)逐像元计算出对应的植被指数值，从而获得修正后用于农作物长势监测的植被指数数据；本专利技术还提供了一种农作物长势监测数据处理模块，其中，包括：数据获取子模块，用于获取监测用遥感数据和修正用遥感数据，并对监测用遥感数据和修正用遥感数据进行预处理，获得对应的植被指数数据；数据预处理子模块，用于分别对所述监测用遥感数据和修正用遥感数据进行预处理，得到对应的植被指数数据；修正参数计算子模块，用于根据修正用遥感数据获得修正参数；和数据修正子模块，用于根据所述修正参数修正所述监测用植被指数数据。优选地，所述修正参数计算子模块包括：关键时期选择单元，用于选择识用别关键时期；耕地种植状况识别单元，用于基于所述修正用植被指数数据，在所述识别用关键时期，识别各像元对应的耕地为未种植耕地或种植耕地；采样单元，用于将修正用遥感数据按照监测用遥感数据的图像分辨率重新采样，并获取重新采样后各像元所覆盖的采样前未种植耕地和种植耕地的像元数量；修正参数计算单元，用于根据重新采样后各像元所覆盖的采样前未种植耕地和种植耕地的像元数量计算得到未种植耕地的比例，所述未种植耕地的比例为所述的修正参数。优选地，所述数据修正子模块包括：第一计算单元，用于根据公式(2-2)提供的二元线性方程，及未种植作物的耕地端元的红波段反射率ρRuncropped和近红外波段反射率ρRuncropped计算得到种植作物的耕地端元的红波段反射率ρRcropped和近红外波段反射率ρNIRcropped；其中，所述本文档来自技高网...

【技术保护点】
一种农作物长势监测数据处理方法，其中，包括：获取监测用遥感数据和修正用遥感数据；分别对所述监测用遥感数据和修正用遥感数据进行预处理，得到对应的植被指数数据；根据修正用植被指数数据获得修正参数；根据所述修正参数修正所述监测用植被指数数据。

【技术特征摘要】
1.一种农作物长势监测数据处理方法，其中，包括：获取监测用遥感数据和修正用遥感数据；分别对所述监测用遥感数据和修正用遥感数据进行预处理，得到对应的植被指数数据；根据修正用植被指数数据获得修正参数；根据所述修正参数修正所述监测用植被指数数据。2.如权利要求1所述的农作物长势监测数据处理方法，其中，所述根据修正用植被指数数据获得修正参数的步骤包括：选择识别用关键时期；基于所述修正用植被指数数据，在所述识别用关键时期，识别各像元对应的耕地为未种植耕地或种植耕地；对所述修正用遥感数据按照监测用遥感数据的图像分辨率重新采样；获取重新采样后各像元所覆盖的采样前未种植耕地和种植耕地的像元数量，根据公式(2-1)计算得到重新采样后各像元中未种植耕地的比例，所述未种植耕地的比例为所述的修正参数；3.如权利要求2所述的农作物长势监测数据处理方法，其中，所述选择识别用关键时期的步骤包括：采用类间Jeffries-Matusita距离对所述修正用植被指数数据进行量化；对应于多个不同的两个时期的植被指数组合，分别计算对应的未种植耕地和种植耕地两种不同类别的Jeffries-Matusita距离；比较多个所述Jeffries-Matusita距离的大小，获取Jeffries-Matusita距离最大的植被指数组合；分别获取Jeffries-Matusita距离最大的植被指数组合对应的两个时期，将其作为用于识别的关键时期。4.如权利要求3所述的农作物长势监测数据处理方法，其中，基于所述修正用植被指数数据，在所述识别用关键时期，识别各像元对应的耕地为未种植耕地或种植耕地，包括：读取与两个所述关键时期对应的植被指数值；计算所述两个植被指数值的差值，并将植被指数值大的关键时期设为高峰时期；逐像元比较高峰时期的植被指数值与预设的种植区提取阈值的大小，如果高峰时期的植被指数值大于或等于所述种植区提取阈值，则将所述像元对应的耕地识别为种植耕地；如果高峰时期的植被指数值小于所述种植区提取阈值，逐像元比较所述两个所述关键时期对应的植被指数值的差值与预设的未种植区提取阈值的大小，如果所述差值大于或等于所述未种植区提取阈值，则将所述像元对应的耕地识别为种植耕地，如果所述差值小于所述未种植区提取阈值，则将所述像元对应的耕地识别为未种植耕地。5.如权利要求2所述的农作物长势监测数据处理方法，其中，根据所述修正参数修正所述监测用植被指数数据，包括：根据红波段和近红外波段的反射率在有种植作物端元和未种植作物端元的关系，获得以下二元线性方程：其中，所述ρR和ρNIR为MODIS像元尺度的端元红波段与近红外波段反射率；所述UALR为对应像元的未种植耕地比例；ρRcropped为种植作物耕地端元的红波段反射率；ρNIRcropped为种植作物耕地端元的近红波段反射率；ρRuncropped为未种植作物耕地端元的红波段反射率；ρNIRuncropped为未种植作物耕地端元的近红外波段反射率；其中，未种植作物耕地端...

【专利技术属性】
技术研发人员：吴炳方，张淼，曾红伟，
申请(专利权)人：中国科学院遥感与数字地球研究所，
类型：发明
国别省市：北京,11