基于SAR和光学遥感数据的水稻精细化估产方法技术

本发明专利技术公开了一种基于SAR和光学遥感数据的水稻精细化估产方法，属于遥感图像农业应用领域。首先利用光学遥感卫星遥感卫星对水稻种植区进行监测，提取水稻种植区的边缘，标绘各田块的边界。用合成孔径雷达遥感卫星在水稻种植前采集一次图像，然后在水稻种植期间再次对各个田块分别采集SAR影像，根据后向散射系数的变化得到水稻种植时间。最后针对各个田块，计算水稻生长周期内各田块的累积植被指数值∑Max

Fine yield estimation of rice based on SAR and optical remote sensing data

【技术实现步骤摘要】
基于SAR和光学遥感数据的水稻精细化估产方法
本专利技术属于遥感图像农业应用领域，具体涉及一种基于SAR(SyntheticApertureRadar，合成孔径雷达)和光学遥感数据的水稻精细化估产方法。
技术介绍
水稻是我国历史最悠久的农作物之一，其种植历史可追溯到7000年前的新石器时代，是我国重要的粮食作物之一，在整个农业乃至国民经济中占有十分重要的地位，根据《2018年国民经济和社会发展统计公报》，我国水稻种植面积为3019万公顷，约占全国粮食种植总面积的25.8％，其产量为21213万吨，达到全国粮食总产量的32.2％。水稻种植面积监测以及水稻产量的精确估算，对于我国农业经济发展、粮食政策制定、国家粮食安全以及在世界粮食贸易中都具有极为重要的现实意义。传统的水稻估产主要采用农学模式和气象模式，把作物生长与主要制约和影响产量的农学因子或气候因子之间用统计分析的方式建立起关系。这类方法依托人工区域，调查速度慢、工作量大、成本高，只能进行大区域范围的统计估产，而且模式计算繁杂，因此不易推广应用。随着遥感技术的快速发展，水稻遥感估产具有快速及时、客观准确和省工省时等优势，在作物长势监测、产量预测等智慧农业应用方面占有重要的地位。国内外学者在农作物遥感估产方面已取得了大量的研究成果,其主要方法大多是利用光学遥感的光谱信息或者SAR遥感的辐射信息，建立光谱信息或者辐射信息与产量的关系模型，得到预测的农作物产量。这种方法建立的模型简洁明了，计算方便，是一种较为普遍的产量估算模式。该类方法通常在获取区域范围内水稻种植分布的基础上，利用多年以来的AVHRR或MODIS等中低分辨率遥感数据，计算得到该区域历年来的植被指数，再结合当地农业部门发布的历年水稻总产量，建立植被指数与产量的回归估产模型，最后利用当年的植被指数来计算预报农作物产量。根据国内外研究结果，利用中低分辨率遥感数据对单一的或大面积的水稻长势和产量的估算虽然可以发挥较好的作用，但是由于遥感数据分辨率低，像元混合光谱现象严重，尤其是在种植结构复杂的地区，通过遥感获取的植被指数值存在一定偏差，使得水稻估产精度的提高受到制约。同时政府部门发布的历年水稻产量一般都是按照行政区域划分，是大区域范围内的统计产量，这也将影响估产模型的精度。而且在我国南方和西南地区，受土地承包制的约束，各农户或合作社种植的水稻区块面积小且相对分散，真正的单作物大面积种植的情况较少，而且各农户水稻的种植时间跨度教大，同地区水稻的生长阶段时间差异明显，低分辨率遥感估产方法使得不同生长阶段的像元光谱混叠严重，导致获取的植被指数无法准确反映水稻各生长阶段的长势信息，估产精度更难以达到满意的结果。因此传统的水稻遥感估产方法不适用于这种大比例尺农业实际生产的精细化应用。
技术实现思路
本专利技术针对以上问题，提出了一种微观层面的水稻估产方法，基于多源多分辨率SAR和光学遥感图像，利用高分辨率光学图像获取水稻种植区域范围，利用雷达图像中雷达散射特性判别水稻种植时间，利用中分辨率多光谱图像获取水稻区域植被指数，最后采用分时建模方式进行水稻产量估算，具体是一种基于SAR和光学遥感数据的水稻精细化估产方法，满足我国南方和西南地区水稻精细化估产的需要。所述方法包括如下步骤：步骤一、针对某水稻种植区，分别利用光学遥感卫星和合成孔径雷达遥感卫星进行监测，获取各监测影像进行预处理，并制作种植区高分辨率正射底图。光学遥感卫星包括高分辨率光学遥感卫星和中分辨率光学遥感卫星预处理包括：对高分辨率光学遥感卫星采集的图像数据，进行大气校正、正射校正、图像融合和图像镶嵌等处理，并进行分幅裁剪，形成工作区高分辨率正射底图。对中分辨率光学遥感卫星采集的图像数据，进行大气校正、正射校正和图像镶嵌等处理。对合成孔径雷达遥感卫星采集的图像数据，进行辐射校正、多视处理、配准、斑点滤波和正射校正等处理，获取经过辐射校正后的标准雷达图像数据，即后向散射系数并几何校正后数据。最后，以高分辨率正射底图为基准，将中分辨率光学遥感卫星采集的图像和合成孔径雷达遥感卫星采集的图像分别进行配准处理。步骤二、利用GIS技术提取水稻种植区的边缘，在高分辨率正射底图上人工标绘种植区中各田块的边界，并将相关信息存储在属性表中。属性表中存储的是各田块的地块归属、坐标和面积等属性字段信息。步骤三、针对各水稻田块，用合成孔径雷达遥感卫星在进行水稻种植前采集一次图像；步骤四、在水稻种植期间，合成孔径雷达遥感卫星再次对各个田块分别采集SAR影像，判断各个田块的SAR影像与种植前的图像中后向散射系数是否有变化，如果有，则该田块已经种植水稻，水稻种植时间即为SAR影像拍摄时间之前；否则，该田块没有种植水稻，水稻种植时间为SAR影像拍摄时间之后。将各田块对应的水稻种植时间添加到对应的属性表中。步骤五、针对各个田块，计算水稻生长周期内各田块的累积植被指数值∑MaxNDVI。具体步骤如下：步骤501、针对田块i，用中分辨率光学遥感卫星在生长周期的每个时间段内分别采集一次图像；步骤502、针对某时间段采集的图像，分别计算该图像中每个像素的归一化植被指数值；针对像素a，归一化植被指数的计算公式如下：其中，RNIR为遥感图像中像素a的近红外波段反射率，RR为遥感图像中像素a的红外波段反射率。步骤503、从该图像中所有像素的归一化植被指数值中选择最大值，作为田块i在该时间段内的植被指数值；同理得到田块i在水稻生长周期的各时间段内的植被指数值；步骤504、针对田块i，将水稻生长周期各个时间段内所有的植被指数值进行累积求和，记为∑MaxNDVIi。步骤六、随机抽选若干分布均衡且具有代表性的水稻田块作为样本进行人工采样测产，人工获取各样本田块的水稻测产亩产量。确保种植时间前后的水稻田块的有效样本分别不少4个；步骤七、根据各样本田块的水稻测产亩产量和各田块的累积植被指数值∑MaxNDVI，建立以水稻种植时间为分时区的水稻估产模型。具体为：首先，根据水稻种植时间将各样本分为两个时区：分别为SAR影像拍摄时间之前和SAR影像拍摄时间之后；然后，将所有样本的水稻测产亩产量和各样本对应的累积植被指数值∑MaxNDVI进行相关性拟合；并求解线性回归系数，从而建立水稻分时区的估产模型。利用线性拟合关系表达的水稻估产模型如下：水稻种植日期在SAR影像拍摄时间之前的水稻估产模型为：Y＝a*X+b；水稻种植日期在SAR影像拍摄时间之后的水稻估产模型为：：Y＝c*X+d；其中，Y为人工测产获得各样本田地的亩产量，单位kg；X为样本田块累积植被指数值∑MaxNDVI；a、b、c和d分别为待求解的线性回归系数。步骤八、利用水稻估产模型，计算除去样本外的剩余各水稻田块的预估产量；本专利技术的优点在于：1)、一种基于SAR和光学遥感数据的水稻精细本文档来自技高网...

【技术保护点】
1.基于SAR和光学遥感数据的水稻精细化估产方法，其特征在于，包括如下步骤：/n步骤一、针对某水稻种植区，分别利用光学遥感卫星和合成孔径雷达遥感卫星进行监测，获取各监测影像进行预处理，并制作种植区高分辨率正射底图；/n步骤二、利用GIS技术提取水稻种植区的边缘，在高分辨率正射底图上人工标绘种植区中各田块的边界，并将相关信息存储在属性表中；/n属性表中存储的是各田块的地块归属、坐标和面积；/n步骤三、针对各水稻田块，用合成孔径雷达遥感卫星在进行水稻种植前采集一次图像；/n步骤四、在水稻种植期间，合成孔径雷达遥感卫星再次对各个田块分别采集SAR影像，判断各个田块的SAR影像与种植前的图像中后向散射系数是否有变化，如果有，则该田块已经种植水稻，水稻种植时间即为SAR影像拍摄时间之前；否则，该田块没有种植水稻，水稻种植时间为SAR影像拍摄时间之后；/n将各田块对应的水稻种植时间添加到对应的属性表中；/n步骤五、针对各个田块，计算水稻生长周期内各田块的累积植被指数值∑Max

【技术特征摘要】
1.基于SAR和光学遥感数据的水稻精细化估产方法，其特征在于，包括如下步骤：
步骤一、针对某水稻种植区，分别利用光学遥感卫星和合成孔径雷达遥感卫星进行监测，获取各监测影像进行预处理，并制作种植区高分辨率正射底图；
步骤二、利用GIS技术提取水稻种植区的边缘，在高分辨率正射底图上人工标绘种植区中各田块的边界，并将相关信息存储在属性表中；
属性表中存储的是各田块的地块归属、坐标和面积；
步骤三、针对各水稻田块，用合成孔径雷达遥感卫星在进行水稻种植前采集一次图像；
步骤四、在水稻种植期间，合成孔径雷达遥感卫星再次对各个田块分别采集SAR影像，判断各个田块的SAR影像与种植前的图像中后向散射系数是否有变化，如果有，则该田块已经种植水稻，水稻种植时间即为SAR影像拍摄时间之前；否则，该田块没有种植水稻，水稻种植时间为SAR影像拍摄时间之后；
将各田块对应的水稻种植时间添加到对应的属性表中；
步骤五、针对各个田块，计算水稻生长周期内各田块的累积植被指数值∑MaxNDVI；
具体步骤如下：
步骤501、针对田块i，用中分辨率光学遥感卫星在生长周期的每个时间段内分别采集一次图像；
步骤502、针对某时间段采集的图像，分别计算该图像中每个像素的归一化植被指数值；
针对像素a，归一化植被指数的计算公式如下：



其中，RNIR为遥感图像中像素a的近红外波段反射率，RR为遥感图像中像素a的红外波段反射率；
步骤503、从该图像中所有像素的归一化植被指数值中选择最大值，作为田块i在该时间段内的植被指数值；
同理得到田块i在水稻生长周期的各时间段内的植被指数值；
步骤504、针对田块i，将水稻生长周期各个时间段内所有的植被指数值进行累积求和，记为∑MaxNDVIi；
步骤六、随机抽选若干分布均衡且具有代表性的水稻田块作为样本进行人工采样测产，人工获取各样本田块的水稻测产亩产量；
确保种植时间前后的水稻田块的有效样本分别不少4个；

【专利技术属性】
技术研发人员：俞雷，张薇，侯从强，郗晓菲，姚勇航，康曼，张书毅，
申请(专利权)人：北京四象爱数科技有限公司，成都四象纵横遥感科技有限公司，
类型：发明
国别省市：北京;11