地块尺度耕地种植属性多时相遥感提取方法技术

本发明专利技术提供了一种地块尺度耕地种植属性多时相遥感提取方法，包括：第一步骤：执行数据收集及预处理；第二步骤：10m多时相NDVI时序数据构建；第三步骤：利用作物NDVI多时相变化特征，执行时序NDVI聚类分析；第四步骤：基于前期土地利用调查数据，结合卫星遥感数据聚类约束，生成地表覆盖类型时空标准样本集，并构造地物NDVI标准时序曲线；第五步骤：利用地物NDVI标准时序曲线，对10m多时相NDVI聚类结果进行类别标定，在前期土地利用图斑的基础上，对耕地地块进行统合约束，提取种植属性信息。提取种植属性信息。提取种植属性信息。

【技术实现步骤摘要】
地块尺度耕地种植属性多时相遥感提取方法


[0001]本专利技术涉及耕地遥感监测
，具体涉及一种地块尺度耕地种植属性多时相遥感提取方法。

技术介绍

[0002]耕地是人类生存和发展的基本资源，随着社会经济发展和农业经营方式的变化，人类在耕地上实施的作物种植活动逐渐多样化，导致耕地中存在多种种植属性，如种植粮食、牧草、林木及温室农业等。这些利用方式不但减少了作物种植面积，而且影响了土壤肥力等耕地环境，制约农业规模化发展。第三次全国国土调查中明确要求对耕地现状进行详细调查，要求对耕地图斑内的利用状况进行清理及标注，如“临时种植园木”、“观赏园艺”、“速生林木”和“绿化草地”，归为其他地类；同时，按照实际耕作情况，逐图斑标注耕地种植属性，包括“未耕种”、“林粮间作”、“种植粮食作物”、“种植非粮作物”、“粮与非粮轮作”、“休耕”等。因此，在农业生产管理过程中迫切需要一种快速准确的获取耕地种植属性信息的方法，及时了解各种种植利用及变化情况，更加科学合理的制定农业发展和管理策略。
[0003]卫星遥感技术凭借其多尺度、多时相、多谱段的对地观测能力能够在空间和时间上提供准确和客观的地物信息，已经被广泛用于区域尺度的农田制图。Terra/MODIS逐日观测数据能够获取作物生长的动态变化信息，成为大尺度耕地利用监测中最常用的数据。与较低空间分辨率500m(可见光和近红外波段250米)的MODIS数据相比，Landsat系列卫星(15
‑
30m)可以更准确的监测不同田块的种植差异，然而其重访周期较长，加之受云等气象条件影响，难以获取高时空分辨率的遥感数据。欧空局发射的具有5天重访周期10m分辨率的Sentinel
‑
2卫星，为大区域田块尺度的时序遥感监测提供了数据基础。已有众多研究利用Sentinel
‑
2卫星数据开展大区域、高精度的耕地作物监测，研究结果表明该卫星观测数据极大地提升了区域尺度作物监测的精度。Sentinel
‑
2的10m空间分辨率观测数据一方面能够开展1；5万大比例尺土地利用制图、提升变化检测精度，另一方面也为拓展耕地质量的精准监测应用提供了契机，为面向土地管理需求的大区域田块尺度的耕地种植属性遥感监测提供了数据基础。
[0004]近年来，为了解决多源卫星观测数据收集和数据处理效率等问题，谷歌公司推出了谷歌地球云引擎(Google Earth Engine,GEE)遥感大数据平台。GEE存储了近40年来几乎所有公开的卫星遥感和地理空间数据集，数据总量达到BP级别；同时GEE提供了较为友好的人机交互操作方式。操作人员无需具备强大的计算机或专业级别的代码能力，就能够利用平台进行多源/多时相卫星观测数据的预处理，下载经过预处理后的数据，而无需下载大量的原始数据。很多基于GEE的区域甚至全球尺度的研究证明，GEE极大的提升了大区域、长时序、高空间分辨率遥感监测的能力，使得大区域，精细化的耕地种植属性监测成为可能。
[0005]另外一方面，为准确获取耕地种植属性信息，需要大量的训练和验证样本。目前以实地调查或目视解译方式难以获取大量的地面样本。研究表明训练样本的数量和质量对最终分类结果的影响最大，且制图精度随样本数量的增加而不断提高。而在区域尺度的制图
过程中，需要耗费大量人力和时间制作训练样本集，并且难以对生成的样本进行大面积的更新。为提高样本获取的效率，众多国家基于已有土地利用调查产品进行样本筛选，如美国的农田数据层数据(CDL)，加拿大的全国作物底图数据，欧洲的LPIS数据等。中国第二次土地利用调查数据是地类最全、精度最高的1:1万土地利用制图产品。然而目前还没有利用该土地利用数据结合高时空分辨率遥感数据获取大量地物标准样本的应用案例。

技术实现思路

[0006]本专利技术所要解决的技术问题是针对现有技术中存在的上述缺陷，提供一种地块尺度耕地种植属性多时相遥感提取方法，能够利用已有土地利用数据结合高时空分辨率遥感数据获取大量标准样本，并在已有土地利用数据的基础上通过时序NDVI统合约束的方法提取耕地地块尺度的种植属性。根据本专利技术，提供了一种地块尺度耕地种植属性多时相遥感提取方法，包括：
[0007]第一步骤：执行数据收集及预处理；
[0008]第二步骤：基于收集的数据，执行10m多时相NDVI时序数据构建；
[0009]第三步骤：基于构建的10m多时相NDVI时序数据，利用作物NDVI多时相变化特征，执行时序NDVI聚类分析；
[0010]第四步骤：基于前期土地利用调查数据，结合聚类约束，生成地表覆盖类型标准样本集，并构造地物NDVI标准时序曲线；
[0011]第五步骤：利用地物NDVI标准时序曲线，对10m多时相NDVI聚类结果进行类别标定，在前期土地利用图斑的基础上，对耕地地块进行统合约束，提取种植属性信息。
[0012]优选地，第五步骤利用地物NDVI标准时序曲线，应用动态时间归整算法对聚类分析结果进行类别匹配，在前期土地利用数据基础上，针对耕地区域提取耕地种植属性信息。
[0013]优选地，在第五步骤中，针对待归类对象T，按照以下公式分别计算其与多个标准类型N的Wk值，最小W的标准类m即为待归类对象：
[0014]γ(i,j)＝∥Yi
–
Sj∥；
[0015]式中Yi为第i月待归类对象的NDVI(i＝1,2,
…
,12)；Sj为第j天标准NDVI(j＝1,2,
…
,365)；
[0016]Di＝min[γ(i,j)],j＝1,2,
…
,365；
[0017]式中Di为规整路径，i＝1,2,
…
12
[0018]Wk＝∑Di i＝1,2,
…
,12；
[0019]待归类对象与标准类型中最小距离的类型即为待归类对象的类型：
[0020]T∈m when Wm＝min(Wk)，k＝1,..,m,
…
,N。
[0021]优选地，收集的数据包括10m及以上空间分辨率的多时相卫星遥感数据以及已有土地利用调查数据。
[0022]优选地，收集的前期土地用数据精度需满足1；5万及以上的数据精度，例如第二次全国土地调查数据、第三次全国国土调查数据等。
[0023]优选地，10m多时相NDVI构建，需要采用但不限于月度最大值、均值、中值等合成方法，但数据的时间分辨率必须要能够覆盖作物的生长季且可以刻画作物的物候变化规律。
[0024]优选地，土地利用调查数据不包含耕地种植属性信息。
[0025]优选地，地表覆盖类型包括：林地、草地、裸地、水体、建设用地、设施农用地、园地、种植粮食作物1季耕地、种植粮食作物2季耕地、其他作物耕地。
[0026]优选地，多时相卫星遥感数据的收集、数据的预处理、时序NDVI的构建、时序NDVI的聚类分析、生成地物NDVI标准时序曲线可以但不限于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地块尺度耕地种植属性多时相遥感提取方法，其特征在于包括：第一步骤：执行数据收集及预处理；第二步骤：基于收集的数据，执行10m多时相NDVI时序数据构建；第三步骤：基于构建的10m多时相NDVI时序数据，利用作物NDVI多时相变化特征，执行10m多时相NDVI聚类分析；第四步骤：基于前期土地利用调查数据，结合卫星遥感数据聚类约束，生成地表覆盖类型时空标准样本集，并构造地物NDVI标准时序曲线；第五步骤：利用地物NDVI标准时序曲线，对10m多时相NDVI聚类结果进行类别标定，在前期土地利用图斑的基础上，对耕地地块进行统合约束，提取耕地种植属性信息。2.根据权利要求1所述的地块尺度耕地种植属性多时相遥感提取方法，其特征在于，第五步骤利用地物NDVI标准时序曲线，应用动态时间归整算法对聚类分析结果进行类别匹配，在前期土地利用数据基础上，针对耕地区域提取耕地种植属性信息。3.根据权利要求1或2所述的地块尺度耕地种植属性多时相遥感提取方法，其特征在于，在第五步骤中，针对待归类对象T，按照以下公式分别计算其与多个标准类型N的Wk值，最小W的标准类m即为待归类对象：γ(i,j)＝∥Yi
–
Sj∥；式中Yi为第i月待归类对象的NDVI(i＝1,2,
…
,12)；Sj为第j天标准NDVI(j＝1,2,
…
,365)；Di＝min[γ(i,j)],j＝1,2,
…
,365；式中Di为规整路径，i＝1,2,
…
12Wk＝∑Di i＝1,2,
…
,12；待归类对象与标准类型中最小距离的类型即...

【专利技术属性】
技术研发人员：张智杰，张渊婕，赵文武，雷莉萍，杨通，郭旭东，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：