【技术实现步骤摘要】
一种针对单季稻种植面积的多源遥感监测方法
[0001]本专利技术涉及遥感影像处理领域,更确切地说,它涉及一种针对单季稻种植面积的多源遥感监测方法。
技术介绍
[0002]近年来,遥感在农业监测中的应用取得了重大进展,遥感现已发展成为一种有效和广泛使用的作物监测工具。与传统的基于调查的作物制图方法相比,遥感具有节省时间和劳动力的优点。更重要的是,它可以提供周期性频率的实时和大规模同时监测,同时保持令人满意的准确性。广泛用于水稻制图的两个主要遥感数据源是光学和合成孔径雷达(SAR)数据。光学遥感数据可以很容易地与植被光合参数相关联,如叶面积指数或总初级生产力,因此它们可以很好地捕捉作物的生长状态。合成孔径雷达(SAR)的后向散射强度与地表的粗糙度、复介电常数等因素相关,可以很好地反映水稻的生长状态。
[0003]但光学遥感成像容易受天气条件影响,在持续多云的地区,光学遥感数据的观测数量可能不足,比如中国南方的水稻种植区。合成孔径雷达(SAR)影像存在大量噪声且受地形影响存在畸变。另外,中国南方山地丘陵地形导致稻田破碎,使用MODIS和Landsat卫星等卫星平台的粗或中分辨率数据不能很好地监测水稻田。复杂的种植系统、多变的作物物候、高度异质性的地表景观,都增加了水稻种植面积遥感监测的难度。
技术实现思路
[0004]本专利技术的目的是克服现有技术中的不足,提供了一种针对单季稻种植面积的多源遥感监测方法。
[0005]第一方面,提供了一种针对单季稻种植面积的多源遥感监测方法,包括:
...
【技术保护点】
【技术特征摘要】
1.一种针对单季稻种植面积的多源遥感监测方法,其特征在于,包括:步骤1、筛选目标年份及其前一年和后一年的云像素占比小于30%的光学遥感地表反射率数据并进行去云处理,然后选取光谱反射率数据并计算光谱指数;步骤2、对目标年份的SAR遥感影像数据进行预处理,将SAR遥感影像像素值转换为后向散射强度,得到全年时间序列的地表后向散射强度数据;步骤3、通过实地田间观测获取水稻物候数据,包括播种期、移栽期、生长期和成熟期对应的时间;步骤4、分别对播种期、移栽期、生长期和成熟期的光谱反射率数据、光谱指数数据和后向散射强度数据进行均值合成和波段叠加,然后叠加上地形坡度数据,得到四个物候期的四景多波段影像;步骤5、选择水稻和非水稻的样本点,获取水稻在四个物候期四景多波段影像中的共4条标准光谱曲线;步骤6、计算四景多波段影像中每个像元与对应物候期的水稻光谱曲线的光谱相似性,得到四景光谱相似性影像;步骤7、基于四景光谱相似性影像、水稻和非水稻样本点,采用决策树分类器识别水稻,得到水稻识别结果;步骤8、在ArcGIS中将栅格格式的水稻识别结果转为矢量图,添加面积字段后统计水稻种植面积。2.根据权利要求1所述的针对单季稻种植面积的多源遥感监测方法,其特征在于,步骤1中,去云处理包括以下步骤:步骤1.1、运用归一化函数,分别基于蓝波段、蓝绿红波段、近红外和第二短波红外波段、绿波段和第一第二短波红外波段计算四个初始云分数影像;归一化函数:cloudScore1=normaiize(blue,0.1,0.3)cloudScore2=normaiize(blue+green+red,0.1,0.3)cloudScore3=normaiize(nir+swir2,0.1,0.3)cloudScore4=normallze(green+swir1+swir2,0.1,0.3)其中,blue表示蓝波段,green表示绿波段,red表示红波段,nir表示近红外波段,swir1表示第一短波红外波段,swir2表示第二短波红外波段;cloudScore1,cloudScore2,cloudScore3,cloudScore4表示四个初始云分数影像;步骤1.2、针对每个像素,从四个初始云分数影像中取最小值生成最终的云分数影像,并掩膜掉像素值大于0.3的区域得到无云区域范围图;步骤1.3、用无云区域范围图掩膜光学遥感地表反射率数据得到无云的光学遥感地表反射率数据。3.根据权利要求2所述的针对单季稻种植面积的多源遥感监测方法,其特征在于,步骤1中,选取的光谱反射率数据包括红、绿、蓝、红边1
‑
3、近红外、短波红外1
‑
2波段。4.根据权利要求3所述的针对单季稻种植面积的多源遥感监测方法,其特征在于,步骤1中,计算的光谱指数包括地面叶绿素植被指数、归一化植被指数、增强植被指数、地形叶绿
素指数、标准化差分红边指数、红边位置、归一化水指数、改进的归一化差异水体指数、地表水指数和归一化土壤指数,计算公式为:水指数和...
【专利技术属性】
技术研发人员:王利花,马浩,孙伟伟,杨刚,王煜淼,杨松玲,
申请(专利权)人:宁波大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。