对地观测技术的农业应用集成系统及其方法

专利名称：对地观测技术的农业应用集成系统及其方法
技术领域：
本发明涉及信息资源的应用技术，尤其涉及利用成像光谱技术所取得的信息资料为诸如农业试验、农作物类型识别和农情诊断等方面的农业应用提供辅助信息的应用技术。
背景技术：
成像光谱技术是目前对地观测领域的前沿技术。由于它可以获取地表植被、土壤、水体等地物的连续光谱，用于分析它们的物理化学过程，因此在农业应用方面有着巨大的应用潜力。
已运行的民用航天遥感器如Landsat TM、SPOT以及NOAA一般只有5-6个波段，光谱分辨率50nm以上。很难识别出多种作物类型。而植被的主要因素峰值宽约20nm，植被受害胁迫红移分量为5-17nm，这些现象是低光谱分辨遥感器所难以探测到的。航天或航空成像光谱遥感器的优越性在于可以在0.4-14μm光谱范围内细分出几十或几百个波段，光谱分辨率为5-10nm。这样就可以提高农作物识别能力，同时监测作物的生长变化信息，有利于农作物精细管理。
我国是世界上的农业大国，也是少数掌握成像光谱技术的国家。当前，怎样选择航空、卫星成像光谱仪所测得的高光谱数据中对农业有用的光谱参数、成像光谱数据如何处理及如何提取有用的农业信息是急待解决的关键技术问题。

发明内容
因此，本发明的目的在于提供一种对地观测技术的农业应用集成系统及其方法，可通过从成像光谱及其它航空遥感数据所获得的资料中选择合适的光谱参数，对成像数据进行处理，以提取有用的农业信息。
为实现上述目的，本发明提供了一种对地观测技术的农业应用集成方法，包括获取对地观测数据；对所获得的对地观测数据进行数据波段选择；对经所述波段选择后的对地观测数据进行特征提取，获取农情参数；利用所获取的农情参数进行特征分析，获得所述对地观测数据中的所需信息。
在本发明的优选实施方案中，对地观测数据为高光谱数据，并且上述方法中还包括对高光谱数据进行预处理的步骤。
另一方面，本发明还提供了一种对地观测技术的农业应用集成系统，包括数据存储单元，包括光谱数据库，其以矢量图形的数据形式存储不同农作物或地物目标的光谱曲线；遥感数据库，以栅格图像的数据形式存储机载成像光谱仪获取的多波段遥感图像；基础数据库，用来存储与研究区域遥感图像相匹配的其他辅助性地理空间数据(栅格或矢量形式的图形、图像数据)和属性数据(文本或表格形式的统计数据)。如矢量化的地区行政边界，气象要素、土地覆盖类型图件等；模型单元，包括参数选择模型库和农情反演模型库，所述参数选择模型库用于对图像进行光谱重建、数据复合特征分析以及波段选择，所述农情反演模型库用于提供多种类型的农情信息模型；控制和运算处理单元，用于利用所述模型单元的模型对图像数据进行相应的处理；和信息输出单元，用来根据所提取的农情参数，显示或用其它方式输出相关的农业信息。
本发明可利用先进的对地观测技术，对农业生产、试验和管理提供丰富和准确的信息。


图1是本发明的一个实施例的对地观测技术的农业应用方法的示意流程图；图2是本发明方法的一个实施例的分组变换、特征选择示意流程图；图3是本发明的方法在小麦长势分级评价中的应用的示意流程图；图4是本发明的方法在小麦叶面积系数提取中的应用的示意流程图；图5是本发明的对地观测技术的农业应用集成系统的结构示意方框图；图6是本发明的系统中建立模型库的过程的示意7显示了在本发明的系统中土地利用分类的过程。
。
具体实施例方式
如图1所示，本发明提供了一种对地观测技术的农业应用的方法，包括获取高光谱数据；对所获得的高光谱数据进行处理；对所述高光谱数据进行数据波段选择；提取所述高光谱数据中农情参数，显示相关农业信息。
在本发明的优选实施例中，需要使用光谱数据、基础数据和遥感数据。
光谱数据指不同农作物或地物目标的光谱曲线，即农作物或地物对不同波段电磁波的反射率所构成的曲线，是通过光谱测定和机载成像光谱仪的遥感图像所获得。
需要说明，真实的地物光谱是利用光谱仪通过地面测定的反射率获得的；遥感数据直接得到的是地物的辐射亮度值(即地物向外反射和辐射能量的多少)，而不是反射率。光谱重建就是将遥感图象的辐射亮度值转换为反射率，进而得到地物光谱曲线的过程。
高光谱数据(图像)为遥感数据(图像)的一种，主要特点为能区分波长间隔很细的光谱(如10nm)，因其覆盖的光谱段很多，所以称为高光谱。成像光谱技术是一种高光谱技术。本发明所用的遥感数据为成像光谱数据。
遥感数据指机载成像光谱仪获取的多波段遥感图像。以栅格图像的数据形式存储。
基础数据指与研究区域遥感图像相匹配的其他辅助性地理空间数据(栅格或矢量形式的图形、图像数据)和属性数据(文本或表格形式的统计数据)。如矢量化的地区行政边界，气象要素、土地覆盖类型图件等。
基础数据提供与研究区相关的背景资料和信息；遥感数据库提供地物目标的多波段图像数据；光谱数据库则包含了在前两者基础之上所选择的特定地物目标的特征光谱曲线；通常，不同地物目标具有自身特定的光谱曲线。
高光谱数据可利用机载航空成像光谱仪、机载(船载)航天成像光谱仪等获取。在某些实施例中，为更好地实现本发明，还应利用可见—近红外智能光谱仪、可见—近红外光谱仪、红外辐射计、GPS手提照像机等装置来获取地面信息。当然这些信息也可通过其它的来源提供，例如通过互联网从其它的信息提供者处获取。
在获得高光谱数据之后，需要对图像进行预处理。根据需要，这种预处理可包括辐射校正、几何校正等。此外，还可进行光谱增强、光谱识别、分组KL转换\图像分类等处理。
进一步，还可对图像进行光谱重建、多源数据复合、和波段选择处理。其中，光谱重建的作用是通过遥感图像获得地物的光谱曲线，这些光谱曲线可用于图像分类、地物识别。多源数据复合则用于提取参数特征。这些处理在后文中将更详细地说明。
根据本发明的一个实施例，还可以在光谱重建之后进行图像变换。
图像变换指的是将图像从空间域转换到变换域的过程。进行图像变换的目的就是为了使图像的处理过程简化，通过变换，使得矢量在新的空间中具有一些更好的性质，从而更有利于问题的分析与解决。
特征选择一般通过线性变换来完成。线性变换的表达式为Y＝AX(式1)式中X为变换前的n维随机矢量，Y为变换后的n维随机矢量，A为一个n×n的变换矩阵，A的不同决定了变换的性质不同。
通过图像变换以进行特征选择的基本思路是选择变换域中一个由Y的m个分量组成的子集(1≤m＜n)，当删去剩下的n-m个分量而仅用所保留的m个分量表示X时，引起的误差最小。这样就实现了由n维到m维的压缩。误差的大小一般用均方误差准则来衡量。均方误差准则是保留m个具有最大方差的分量子集，删去其余n-m个分量。
本发明采用分组KL变换的方法。为说明分组KL变换，首先说明KL变换。
KL变换是一种正交线性变换，是遥感数字图像处理中最常用也是最有用的变换算法之一，是去相关，进行特征提取、数据压缩的有效方法。
为了推导方便，将线性变换的表达式写为Y=AX=Σi=1nAiXi]]>(式2)希望经过KL变换后，在新的空间中仅用其前m维向量就能在误差最小的条件下反映出原来的n维信息。现将Y分为两个部分，前面m项为第一部分，后面n-m项为第二部分，则有Y=AX=Σi=1mAixi+Σi=m+1nAixi]]>(式3)将式中第二部分中的xi记为bi并记Y(m)=Σi=1mAixi+Σi=m+1nAibi]]>(式4)设Y与Y(m)之间的误差为ε，则ϵ=Σi=m+1nAi(xi-bi)]]>(式5)其均方差为ϵ2‾(k)=Σi=m+1nE[Ai(xi-bi)]2]]>(式6)为使均方差最小，对bi求导得bi＝E{xi}＝mx(式7)对于新的随机变量Y，要取其前m项而略去后面n-m项，应表示为yi＝Ai{xi-mx)即Y＝A(X-mx)(式8)新的随机变量Y的协方差∑y＝E{(Y-my)(Y-my)t}，其中my为Y的均值，变换后的向量是具有零均值的随机向量，所以my＝0，因此可得∑y＝E{YYt}＝E{[A(X-mx)][A(X-mx)]t}＝A∑xAt这说明将随机变量X的协方差矩阵对角化了，所得对角矩阵就是新的随机变量Y的协方差矩∑y。对角矩阵中每个元素就是∑x的一个特征值。将特征值按大小顺序排列，λ1＞λ2＞λ3…λn。这样，当我们只取前面m项，将m+1到n项略去，可使得
ϵ2‾(k)=Σi=m+1nλi]]>最小 (式9)由此可知，如果变换矩阵A为正交矩阵，且它是由原始图像数据矩阵X的协方差矩阵∑x的特征向量所组成，则变换为KL变换。
要进行KL变换，首先，根据原始图像矩阵X求出它的协方差矩阵∑x；其次，由特征方程(λI-∑x)u＝0(式10)其中λ为特征值，I为单位矩阵，u为特征向量，求出协方差矩阵∑x的各个特征值λi＝(i＝1，2，……，n)，将其按λ1≥λ2≥……≥λn排列，求出各特征值对应的特征向量u1ui＝[u1i，u2i……，uni]t(式11)然后，取变换矩阵A＝UT即得到了KL变换的具体表达式y=u11u12······u1nu21u22·······u2n···un1un2······unnX=UtX]]>(式12)经过KL变换后，得到一组新的变量(即Y的各个行向量)，它们依次被称为第一主成分、第二主成分、……、第n主成分。因为变换矩阵的行是∑x的特征向量，所以Y的第i个分量实际上是X各分量以第i个特征向量的各分量为权的加权和，整个Y的各分量均是X的各分量的信息的线性组合，它综合了原有各特征的信息而不是简单地取舍，这使得新的n维随机矢量能很好地反映原有事物的特征。
从KL变换的原理可知它是均方误差最小意义上的最佳正交变换，它具有以下几个特点·由于KL变换是正交线性变换，所以变换前后的方差总和保持不变，只是把原来的方差不等量地再分配到新的主成分图像中。
·KL变换在几何意义上相当于进行空间坐标的旋转，第一主成分取光谱空间中数据散布最集中的方向，第二主成分取与第一主成分正交且取数据散布次集中的方向，余此类推。因此，第一主成分包含了总方差的绝大部分(一般在80％以上)，而方差与信息量相一致，所以KL变换的结果使得第一主成分几乎包含了原来各波段图像信息的绝大部分，其余主成分所包含的信息依次迅速减小。
·KL变换是去相关、消除数据冗余的有效方法。在原空间中各分量是相互斜交的，具有较大的相关性，经过KL变换，在新的空间中各分量是直交的，相互独立的，相关系数为零，并且由于信息集中于前几个分量上，所以在信息损失最小的前提下，可用较少的分量代替原来的高维数据，达到了降维的效果，从而使得处理数据的时间和费用大大降低。另一方面，由于各主成分是相互垂直的，所以增大了类间距，减小了类内差异，可提高分类精度。
·应指出的是虽然前几个主成分往往包含了98％以上的信息，但不能简单地认为后面的主分量是没有用的，有时包含信息很小主成分里的信息恰好是所需的信息，因此在对主成分取舍时应根据具体的应用目标而做具体分析。
下面介绍本发明所采用的分组KL变换。
对于常规遥感数据，由于其波段少，特征选择是比较容易进行的。但对于成像光谱数据，由于波段数剧增，特征提取就难以用常规的方法实现。
将KL变换直接用于成像光谱数据仍面临困难。进行KL变换主要包括两个步骤，第一步是生成变换矩阵，第二步是利用变换矩阵对图像进行变换。第一步不需要太大的运算量，但是第二步是用变换矩阵对每个像元进行运算，这是个非常耗时的过程，因为对于每个像元的计算量为N×N个乘法和N×(N-1)个加法。因此，如果将变换用于成像光谱数据的所有波段，效率之低可想而知。由于成像光谱数据的光谱分辨率很高，它受太阳吸收光谱的影响更明显，这种影响对不同的波段范围是不一样的，随波长的增大而减小。因此，如果成像光谱数据没做辐射订正，或者辐射订正得不够理想(这是经常存在的)，那么辐射失真将会影响到波段的方差大小，受辐射失真影响小的波段的方差往往高于受影响大的波段的方差，方差的大小又会影响KL变换的结果，所以不宜直接将KL变换用于成像光谱数据。
通过对成像光谱数据的相关性分析了解了其波段分组的特点，就是说相邻波段的相关性很强，以一定的光谱范围为界限，构成若干个组内波段高相关而组间相对独立的波段组。分组KL变换是建立在对成像光谱数据这一特征认识的基础上。改变传统KL变换对全部数据进行变换的方法，而是把着眼点放在每个相对独立的波段组。其过程如图2所示。首先对原始数据进行相关性分析，设定一个门限值，根据波段之间相关系数的大小将它们划分为K个波段组，每个组的波段数分别为n1，n2，……nk；其次，对每个波段组分别进行KL变换，产生各组的主成分图像；然后，进行特征选择。如果选择出的特征参数比较多，还可重复上面的步骤对选出的特征参数再进行主成分变换及特征选择，直到达到具体的要求为止。
分组KL变换比常规KL变换有明显的优点，如前所述，对于常规KL变换，每个像元点的乘法运算量为N×N个，采用分组式KL变换，每个组内每个点的乘法运算为nk×nk个，K个组的全部乘法运算量为 两种不同方法乘法运算量之比为Σk=1Knk2/(N×N)=Σk=1K(nkN)2,]]>即与组内波段数和原图像波段数比值的平方成正比，组内波段数nk越小，上面的乘法比越小，节约的时间越多。
假设分为三组，每组大小一样(即K＝3，n1-n2＝n3)，则仅考虑乘法运算量就可节约2/3时间。同时，分组KL变换处理的结果是更加合理的。波段之所以能形成高度相关的组，是有其内在联系的，它们位于特定的光谱段，具有某种共同的相似的性质，即一致性。太阳光谱对不同光谱范围波段的影响大小是不一样的，可以造成方差异常，从而影响KL变换的结果，但在光谱范围比较窄的组内，这种影响相对一致，所以进行分组KL变换可避免这种错误，得到更合理的结果。
优选地，本发明的方法还包括高光谱图像处理的步骤，包括图像增强、光谱增强、光谱识别和图像分类。这些方法都可以采用本领域所公知的技术，例如可参见王长耀等主编的《对地观测技术与精细农业》(空间信息获取与处理系列专著，2001年，北京科学出版社)。在本文中不再赘述。
根据本发明的一个实施例，可以按照如下顺序对图像进行处理辐射校正、几何校正、光谱重建、波段选择、多源数据复合。
波段选择是要在众多的波段中，选取包含足够相关地物目标信息的少量波段，找到少量最能反映地物信息的波段。
波段选择问题可归结为设原始数据有n个波段，要在这n维数据集中选择出m维的数据子集(m＜n)而又不损失重要的信息。人们希望选择出尽可能少的波段来反映原波段尽可能多的信息。在常规遥感数据最佳波段选择时，常用的方法是根据一定的算法、准则对所有可能的组合进行评价，从而得到最佳波段结合。对于常规遥感数据，波段数比较少，如TM数据为7个波段，用这样的方法是可行的。但对于高光谱数据，由于波段数剧增，再照搬这样的方法显然是不合适的。在n维数据集中挑选m维子集的所有组合可能为Cnm=n!/(n-m)!m!,]]>这是一个巨大的数字。仅以30个波段的成像光谱数据为例，若在30个波段中选择10个波段，可能的组合就有30045015种。而实际的成像光谱数据，少则几十个波段，多则上百甚至几百个波段。因此，对于波段非常多的高光谱数据，要把从n个波段中选择m个波段的所有可能情况都一一考虑，是不现实的，其实也是没有必要的。由于光谱细分，与常规遥感数据不同，高光谱数据在不同的谱段所拥有的波段数不再是一、二个，而是十几个甚至几十个，它们构成若干个光谱组，分属于电磁波中性质不同的光谱区间，组内各波段具有较大的相似性，而不同的组之间则具有较大的差异性。这在相关系数矩阵上表现得非常清楚。高光谱数据都可明显地分为若干个组，组内各波段的相关性很强，而不同组之间的相关性很弱。光谱波段选择的着眼点应放在组内各波段的评价，而不是组间。因此，在进行高光谱数据波段选择时，应该先将高光谱数据按性质分为若干组，然后以组为单元进行光谱波段的优劣评价，这样既避免了大量不必要的运算量，又可提高波段选择的准确性和效率。
基于以上考虑，下面给出了计算用于成像光谱数据波段评价的波段指数的方法。设ρij为波段i与j之间的相关系数，成像光谱数据被分为k组，每组的波段数分别为n1，n2……nk，定义波段指数为Pi=σiRi]]>其中Ri＝Rw+RaRw=1nkΣj=1nkρij(i≠j)]]>式中σi为第i波段的均方差，Rw为第i波段与所在组内其它波段相关系数的绝对值之和的平均值，Ra为第i波段与所在组以外的其它波段之间的相关系数的绝对值之和。就是说，波段指数为波段的均方差同该波段在组内的平均相关系数和该波段与组外波段相关系数绝对值之和的比值。
由于组内各波段的相关很强而组间波段的相关性很弱，一个波段的整体相关性强弱主要由其与组内各波段的相关性大小决定，而各个组的大小不同，即构成组的波段数不同，因此使用组内一波段与其它波段相关系数绝对值之和的平均值做为该波段指数分母的一项，更能合理地反映该波段的整体优劣水平。
波段指数的意义十分明确，它是表明该波段的与其它波段之间的离散程度。波段指数越大，它与其它波段所含的信息量的重复信息越少。换言之，因为均方差越大，表明波段的离散程度越大，所含的信息量越丰富，而波段的总体相关系数的绝对值越小，表明波段数据的独立性越强，信息冗余度越小。所以波段指数Pi能综合地反映波段信息含量和相关性两个因素，可做为选择波段的重要参数之一。显然，应选择Pi大的波段。
在波段选择之后，可对数据进行各种应用处理，例如进行多源数据复合、特征提取、特征分析等。
多源数据复合是指将不同来源的图形或图像数据层叠加或合并为一个图层，以获取更丰富、完整的信息。是从多个图层复合为一个图层的过程，即多个数据合并为一个数据。目的是为了增加信息量。
特征提取是在图象中识别和提取某些所关心的具有特定特征(包括几何特征、光谱特征等)的信息，如线状的河流、道路，反射率很低的水体等。这是从图像的众多信息中有选择地提取某种所需信息的过程。可利用公知的遗传算法对成像光谱仪及雷达等遥感数据进行特征提取和神经元网络分类。在特征提取中，必要时，需进行多源数据复合。
特征分析是指分析各种特征的空间分布和彼此间的相互关系，利用统计学、数学或文字等方法对它们进行测量和描述，并借助目标物的背景知识(基础数据)对目标物做数据分析、理解、识别。特征分析技术已用于图像识别，这些技术包括目前常用的公知的对地物图像中反映地理特征的边缘和拐角的检测、前景和背景分离、纹理分析和光谱等。
在多数情况下，处理顺序为多源数据复合、特征提取、特征分析。但是，三者间并无严格的先后顺序。比如，用于特征提取的数据，可能经过数据复合处理，也可能不需要；特征提取得到的数据层，也可能与其它数据进行复合。
对于农情监测，仅仅有经重建后的光谱提供的参数是不够的。也就是说，农情监测模型不仅需要光谱参数，也需要一些与光谱信息相配套的地面获取的辅助信息。这就要采用上述的多源数据复合。这个过程通过公知的图层叠加、属性信息表合并等步骤来实现。
在本发明中，可通过遥感数据与基础数据的图形复合，来得到更丰富的综合信息。
通过基础数据与遥感数据间不同图层的叠加，可以获取不同种类的地面信息，这些不同来源的数据组成复合信息，为地物目标光谱判断和分析提供了辅助参考和支持。将特征光谱曲线应用于遥感图像，可以在大区域范围内判别不同地物目标、并进一步挖掘图像所包含的深层地物目标信息。
由于不同数据来源可能包含重复的属性信息，因此可以进行属性信息表合并，以便把这些信息归并整理，形成统一完整的属性信息。
这种属性信息表合并可以利用公知的GIS技术，对不同来源的图形属性表进行编辑整理即可。
数据的信息特征可根据有关统计参数加以分析。熵和方差可用于衡量信息大小的评价依据，它们的值越大，说明信息越丰富；均值反映图像的平均亮度水平，图像的动态范围(即亮度的最大值和最小值之差)反映影像的反差大小，反差大则地物的可分性强；波段之间的相关系数反映波段的相关性强弱，相关强说明数据的冗余性大，相关性弱说明波段的独立性强。遥感图像的时相不同、下垫面状况不同，图像的熵、方差、均值和动态范围会发生变化，但波段之间的相关系数变化很小。
波段选择获得的少量信息量丰富的波段，是用于特征提取的数据源。分类和特征选择都是在波段选择的基础上进行的，特征提取得到的信息可用于分类。
在本发明的优选实施例中，提供了农业信息显示的步骤。下面结合具体的实施例介绍本发明的利用对地观测技术所获得的数据(光谱、遥感数据等)提供农情分析的方法。
如图3所示，在本发明的一个实施例中，农情为小麦长势。其步骤为利用高光谱的特点，即高光谱的特点是由波长间隔很小的丰富的光谱波段组成，即光谱分的很细；如10nm间隔，即每个波段所覆盖的波长范围只有10nm。这些细分光谱可为波段选择和组合提供丰富的选择，通过细分光谱，根据地面观测数据，与光谱数据进行主成分分析，得到反映小麦长势的三个主要因子(叶绿素、蛋白质、水分)的波段信息，并分别对其进行归一化处理。根据这三个主要因子(叶绿素C、蛋白质P、水分W)对小麦长势的贡献大小，采用线性组合的方法，求算出小麦长势函数G，G＝aC+bP+cW其中a＝2，b＝1，c＝2；分别为叶绿素、蛋白质、水分因素对小麦长势的贡献率。
叶绿素信息第2波段(0.46-0.48um)能够很好反映叶绿素信息。
蛋白质信息第15波段(1.00-1.02um)能够很好反映蛋白质信息。
水分信息第12波段(0.94-0.96um)能够很好反映水分信息。
而第8波段(0.64-0.66um)对于叶绿素、蛋白质、水分都是反射低值区，分别利用第2波段和第8波段，第15波段和第8波段，第12波段和第8波段进行归一化处理，消除条带影响，同时突出叶绿素、蛋白质、水分信息，反映小麦长势。
然后对小麦长势函数G进行分级评价，得到小麦长势结果。
·利用基础数据，叠合作物分布专题信息，去除非小麦区域。
·输入数据库。
如图4所示，在本发明的一个实施例中，可以计算叶面积系数。
首先对高光谱数据进行辐射校正和几何校正，然后进行分类，通过归一化处理，求得小麦绿度值NI，NI=CHANNEL12-CHANNEL8CHANNEL12+CHANNEL8]]>进一步得到小麦覆盖率fv，其中，CHANNEL8和CHANNEL12分别表示波段8和12中的值。利用 LAI＝K-1·In(1-fv)-1其中K为小麦的消光系数，最后求出小麦叶面积系数分布。
图5显示了根据本发明一实施方案的用于实现上述方法的系统的示意性框图，该系统包括一、数据存储单元，包括1)光谱数据库，其以矢量图形的数据格式存储不同农作物或地物目标的光谱曲线；2)遥感数据库，以栅格图像的数据格式存储机载成像光谱仪获取的多波段遥感图像。
3)基础数据库，用来存储与研究区域遥感图像相匹配的其他辅助性地理空间数据(栅格或矢量形式的图形、图像数据)和属性数据(文本或表格形式的统计数据)。如矢量化的地区行政边界，气象要素、土地覆盖类型图件等。
具体地说，对于矢量数据，可以用x，y坐标方式作为实体位置的标识，还可用拓扑结构来反映各实体之间的相互关系。主要包括·点要素，如水井、观测台站等。
·线要素，如公(铁)路，江河等。
·多边形要素，如区划，田块等。
·注记要素。
对于矢量数据文件采用面向图幅的方式，按照专题逐一进行，形成相应的专题数据文件，包括坐标文件，存贮空间几何数据属性文件，存贮空间属性数据同一应用领域的多种专题数据文件，可以构成一个文件组。
在本发明的系统中，矢量数据格式可以采用ARC/INFO(E00)数据格式或/和Auto CAD(DXF)数据格式对于栅格数据，是将地图或图像分成若干行和列组成的格网，按每个格网作为一个点对全图扫描采样得到每点的属性数据。网格编好后的全图是规则的阵列，所以实体的坐标位置隐藏在网格的存贮地址中。
本系统需要存贮多种专题空间数据，要选取同样大小的区域，同样的比例尺。这时每个网格包含两种或两种以上的属性，可以有以下两种记录方式文件组方式。每个专题独立形成文件，所有相关文件构成一个文件组。
多波段方式。将每个不同专题放在不同的波段中，形成一个文件。
栅格数据格式可以采用行列矩阵数据格式、PCI数据格式、TIFF数据格式、BMP数据格式。
对于多波段栅格数据，可以采取下列方式存贮。
BIP格式，文件先顺序排第1个点的各个波段数据，再排第2个点的各个波段数据，依此排至最后一点。
BIL格式，文件先排第1行的第1波段数据，再排第1行第2波段数据，直至排完第1行所有波段数据后，再依此顺序排第2行各个波段数据，一直到最后一行。
BSQ格式，文件先排第1波段所有点的数据，再排第2波段所有点的数据，依此直至最后一个波段。
在本发明的一个实施例中，上述数据库可以采用ARC/INFO地理信息系统、FOXPRO数据库处理软件来设计。
二、控制和运算处理单元，包括图像预处理单元，包含有常规的图像处理工具，例如公知的GIS功能。用来对遥感数据图像进行辐射校正、几何校正、噪声去除、镶嵌拼接、投影变换、图像增强、光谱增强、光谱识别和图像分类等处理；也可以仅进行上述的其中一些处理。这些处理的方法都可以采用现有技术来实现，因此不再赘述。
在本发明的一个实施例中，可以采用加拿大PCI公司开发的PCI系统Version6.2各功能模块为核心，并结合上述的ARC/INFO地理信息系统、FOXPRO数据库处理软件，以及微软公司的C/C++软件等形成系统的工具库，用于为数据采集录入、数据管理维护、数据常规处理、利用后述的模型单元中的模型对数据库中的数据进行处理运算、信息图件输出等提供系统软件工具支持。
三、模型单元，在本发明的系统中用于存储修改模型算法，对多种数据进行有目的、专业化的运算，得到所需信息的中央处理模块。模型单元中的模型是通用地理信息系统和遥感图像处理系统所未收集的，专门针对本课题各项目标和任务的完成而开发的算法模块。
本发明系统中的模型单元包括参数选择模型库和农情反演模型库。
参数选择模型用于对处理过的图像进行光谱重建、数据复合特征分析以及波段选择等。这些处理过程在前文已详细说明，此处从略。
在模型单元中要建立农情反演模型库。为此首先需要收集其它各子课题研究、采用、并已在实践中被证明具有良好效果的模型，在分析其算法结构的基础上，从工具库中挑选必要的功能模块，按照模型采取的算法顺序进行链接，必要时辅以程序开发，形成从数据输入、模型运算到信息输出的一整套模型电子化流程。用户使用模型时，只需输入待处理数据文件信息和结果文件名，而不必知道中间模型运算过程。
参见图6，下面以简单的NDVI植被指数计算模型为例，说明农情反演模型库中各模型的开发过程。
如上所述，在建立模型时，首先要根据其它子课题所提供的模型计算公式，在本例中为NDVI=Ch2-Ch1Ch2+Ch1,]]>来进行算法结构分析，即分析在公式中中包含的运算步骤(波段相减、波段相加以及进行除法运算等)。
然后，根据所得到的特定的算法结构，进行模型的电子化构建。当用户输入待处理的图像时，系统自动调用控制和运算处理单元中的波段运算模块，对图像的两个波段进行相减运算，将结果输出到新图像的第一波段。
系统调用工具库中波段运算模块，对图像两个波段进行相加运算，将结果输出到新图像第二波段。
系统调用工具库中波段运算模块，对新图像两个波段进行相除运算，得到最终结果图。
然后，系统自动删除中间处理过程中的图，向用户输出结果图像。
本系统农情反演模型库中的农情信息模型主要包括高光谱作物理化特性提取模型作物长势动态监测模型高光谱飞行数据与现有星载数据复合模型成像光谱仪参数选择模型这些模型的具体开发方法基本类似，本文不再赘述。
四、信息输出单元，用来根据所提取的农情参数，显示或用其它方式输出相关的农业信息。
本发明的系统可以为农业应用提供多种信息，包括土地利用图、作物分布图、作物长势数据、旱情监测数据、多种信息复合结果、农用参数选择方案等。以下以土地利用信息为例说明本发明系统的方法。
土地利用信息用于研究地物在高光谱图像上的光谱特性，探讨使用高光谱数据进行土地利用分类的方法和潜力。
土地利用图是作物分布图、小麦长势图等图件的基础，土地利用图的质量直接影响其它专题图的质量。因此，在进行土地利用图的遥感制图时，本发明的系统可采用目视解译、计算机自动识别分类及综合分类等多种公知的方法，从而保证了这一基础图件的准确性。图7显示了以北京顺义县的土地利用现状图为例的具体过程。
高光谱数据成像时间1998年4月24号，小麦拔节、抽穗季节。光谱范围0.44～2.40μm，共32个波段各波段的波段范围见表5，由于仪器问题，其中有七个波段(1、9、17、22、23、25、32波段)质量不好，因此实际可使用的波段为25个。
非遥感资料1∶5万地彩图，是前人完成的土地利用图等专题图。
几何纠正与图像镶嵌顺义试验区由东西向七个航带组成，每一航带之间都有一定宽度的旁向重迭。同一航带上，几何畸变自中间向西边逐渐增大，为了充分利用航带中间质量较好的图像，先将处于旁向重迭范围内几何变形较大的图像切掉，然后对照高光谱图像和1∶5万地形图，在图像上均匀地选择控制点，建立多项式转换方程，经再取样对图像进行几何纠正。最后将经过几何纠正、具有共同的地图投影(高斯—克吕格投影)、在同一坐标系下的七个航带镶嵌成一幅图像。
建立解译标志进行野外实地考察，与高光谱影像对照，分析研究实验区各地物的影像特征，建立图像解译标志。在此基础上制定制图规范和分类系统。
土地利用现状分类包括目视解译、计算机自动分类等方法。
(1)目视解译方法选取高光谱飞行数据的第12波段、第10波段和第6波段进行RGB彩色合成；
·以CorelDraw软件为操作平台，根据所建立的解译标志，参考地形图、前人做的土地利用图等有关资料，结合地学专业知识综合分析，进行人机交互判读。
·将解译结果从CorelDraw里导出，存为Arc/Info可接受的DXF格式。
·在Arc/Info中对解译结果进行修改、编辑、赋属性代码，并进行坐标转换。
·针对解译中遇到的疑难问题，去实地考察解决，并对解译结果验证、修改。
·输入数据库。
(2)计算机自动分类A监督分类·光谱波段选择针对一定目的的分类，最佳波段及其组合的正确选择是非常重要的。与其它遥感数据相比，高光谱数据的特点是，波段范围很窄，光谱信息极其丰富，可选择的波段更多，识别物体的能力更强。但这并不意味着在分类时使用的波段数越多越好。这是因为，第一，光谱波段数并不简单地等于信息波段数。有一些波段数据之间的相关性很强(表4.1)。如果使用所有波段进行分类，由于相关数据的相互干扰，不仅不会提高分类精度，反而还会影响分类结果；第二，选择波段过多，会影响计算的速度，对计算机硬件提出更高的要求；第三，现有图像处理软件无法满足这一要求。各种软件对波段数都有一定的限定，如PCI软件在进行监督分类时，图像波段数不能大于16。
在选择光谱波段时，我们主要考虑了两个因素，其一是各波段的相关性，其二是实验区各地物的光谱响应特点。
表1为高光谱数据各波段间的相关系数，从表1可以看出如下几个特点a.波段2～11可见光范围，各波段之间的相关性很强，其中波段2与其它波段相关最弱，其次是波段11。
b.波段12～31的红外波段均与可见光波段相关不太强，尤其是波段12～16与可见光相关很小(相关系数小于0.2)，而波段18～31之间的相关系数小于0.2。
c.波段12～16之间的相关系数均在0.94以上，而它们与波段18～31之间的相关系数小于0.2。
d.波段18～31之间的相关系数为0.7～0.85，相关最强的为波段28与31，最弱的为波段19与29，波段19与各波段相关较弱。
从地物的光变响应来看，实验区的麦地与果园、果园与菜地及林地、水库与河流及池塘等地物间的光谱特性在某些波段上很相似，但如果从所有波段去观察它们的光谱曲线，会发现它们在另一些波段上有差异(见表2)。
表1 高光谱数据各波段相关系数矩阵

续表1

表2 实验区部分地物的光谱可分性 注√表示地物在此波段可分综合考虑地物的波段特性和各波段数据的相关性，选择波段2、6、11、12、19、24和30参加分类。
·选择训练区根据每类地物的光谱特点选择能代表其特性的典型样区为训练区。考虑到同物异谱的存在，所选每类地物的训练区不止一个。
·分类采用最大似然法进行分类B、基于标准光谱数据库分类法·建立试验区主要地物标准光谱数据库·将标准光谱数据库转为PCI软件的数据库文件格式·根据定标系数将高光谱图像由灰度值转为反射率值·将高光谱图像上像元的反射率曲线与标准光谱曲线比较，逐点判断每一个像元的归属类，得到分类图。
C、综合分类法以上各种分类方法各有优点，但同时存在不足。目视解译方法分类精度高，但解译结果受解译人员专业素质影响较大，且花费时间较多，监督分类法虽然速度快，但由于是一种纯光谱分类方法，无法解决同物异谱、同谱异物的问题，所以分类精度受到限制；基于标准光谱数据库的分类法，必须以充足的光谱数据库为前提，同时对图像的预处理、图像的质量有较高的要求。基于以上考虑，我们提出综合分类法。所谓综合分类法就是将各种分类法有机地结合起来，在满足精度的前提下，为求省时、省力、实用，达到整体效果最佳。
具体步骤是·对于重点地物，在标准光谱数据库支持下分类·对仅靠光谱就能分开的地物用监督分类法分类·在上面两次分类的基础上，通过人机交互，把其它方法不易分开的地物解译出来。
这样做既能保证制图精度，又使分类时间大大减少。
以上为说明的目的对本发明的优选实施例进行了详细的描述，但本领域的普通技术人员应该意识到，在本发明的范围和精神内，各种改进、添加和替换都是可能的，并且都在本发明的权利要求所限定的保护范围内。
权利要求
1.一种对地观测技术的农业应用集成方法，包括获取对地观测数据；对所获得的对地观测数据进行数据波段选择；对经所述波段选择后的对地观测数据进行特征提取，获取农情参数；利用所获取的农情参数进行特征分析，获得所述对地观测数据中的所需信息。
2.根据权利要求1所述的方法，其特征在于，所述对地观测数据为高光谱数据，所述方法进一步包括对高光谱数据进行预处理的步骤，所述预处理步骤包括如下的一种或多种处理辐射校正、几何校正、光谱重建、图像变换。
3.根据权利要求2所述的方法，其特征在于，所述特征提取的步骤包括通过多源数据的复合而获取不同种类地面信息的步骤，所述多源数据复合通过所述高光谱数据和地面信息进行图层叠加来实现。
4.根据权利要求2所述的方法，其特征在于，所述图像变换为分组KL变换。
5.根据权利要求2所述的方法，其特征在于，所述的波段选择包括对所述的高光谱数据的波段进行波段分组；和利用所分各组计算波段指数；其中，设ρij为波段i与j之间的相关系数，成像光谱数据被分为k组，每组的波段数分别为n1，n2……nk，定义波段指数为Pi=σiRi]]>Ri＝Rw+RaRw=1nkΣj=1nkρij,]]>其中i≠j式中σi为第i波段的均方差，Rw为第i波段与所在组内其它波段相关系数的绝对值之和的平均值，Ra为第i波段与所在组以外的其它波段之间的相关系数的绝对值之和。
6.根据权利要求1所述的方法，其特征在于，所述农情参数包括叶绿素信息、蛋白质信息和小麦水份信息，所述相关农业信息包括小麦长势信息；或者所述农情参数信息为植被指数，所述相关农业信息为作物产量趋势。
7.一种对地观测技术的农业应用集成系统，包括数据存储单元，包括光谱数据库，其以矢量图形的数据形式存储不同农作物或地物目标的光谱曲线；遥感数据库，以栅格图像的数据形式存储机载成像光谱仪获取的多波段遥感图像；模型单元，包括参数选择模型库和农情反演模型库，所述参数选择模型库用于对图像进行光谱重建、数据复合特征分析以及波段选择，所述农情反演模型库用于提供多种类型的农情信息模型；控制和运算处理单元，用于利用所述模型单元的模型对图像数据进行相应的处理；和信息输出单元，用于根据所提取的农情参数，显示或用其它方式输出相关的农业信息。
8.根据权利要求7所述的对地观测技术的农业应用集成系统，其特征在于，进一步包括基础数据库，用来存储与研究区域遥感图像相匹配的辅助性地理空间数据和属性数据。
9.根据权利要求7所述的对地观测技术的农业应用集成系统，其特征在于，所述辅助性地理空间数据为栅格或矢量形式的图形、图像数据，所述属性数据为文本或表格形式的统计数据，包括矢量化的地区行政边界，气象要素、土地覆盖类型图件。
10.根据权利要求7所述的对地观测技术的农业应用集成系统，其特征在于，所述农情信息模型包括高光谱作物理化特性提取模型、作物长势动态监测模型、高光谱飞行数据与现有星载数据复合模型、以及成像光谱仪参数选择模型。
全文摘要
本发明公开了一种对地观测技术的农业应用集成系统和方法，所述系统包括数据存储单元，包括光谱数据库，遥感数据库，基础数据库；模型单元，包括参数选择模型库和农情反演模型库；控制和运算处理单元，用于利用所述模型单元的模型对图像数据进行相应的处理；和信息输出单元，用于根据所提取的农情参数，显示或用其它方式输出相关的农业信息。本发明可利用先进的对地观测技术，对农业进行精准的现代化管理。所述方法包括获取高光谱数据；对所获得的高光谱数据进行处理；对所述高光谱数据进行数据波段选择；对经波段选择后的高光谱数据进行特征提取，获取农情参数；利用所获取的农情参数，输出所述高光谱数据中的相关农业信息。
文档编号G01N21/25GK1677085SQ20041002982
公开日2005年10月5日 申请日期2004年3月29日 优先权日2004年3月29日
发明者王长耀, 牛铮 申请人:中国科学院遥感应用研究所