一种结合卫星影像和MODIS数据的水稻估产方法与流程

本发明涉及水稻估产领域，尤其涉及一种结合卫星影像和modis数据的水稻估产方法。

背景技术：

水稻作为世界上最重要的粮食作物之一，水稻产量数据有着重要的意义。传统的水稻估产速度慢、工作量大、成本高。目前获取水稻产量数据的渠道大多来源于各级统计部门抽样调查统计的数据、农业部门调查汇总的数据、气象部门根据气候条件推算的数据，传统的水稻估产则基于以上数据，根据水稻的物理构建，通过作物面积抽样调查水稻穗禾的颗粒数，利用统计数学估算小范围的水稻产量，难以估测大面积的水稻产量。

与常规的统计方法相比，遥感技术因其具有的多光谱、多时相及高分辨率，全天候和宏观特性的特点，使其在水稻面积提取和估产方面有着独特的优势。通过遥感技术与地理信息系统和全球定位系统结合，实现更为快速、准确、动态的信息采集和分析，通过卫星传感器，获取更为丰富的地表，获取更为准确的水稻种植区域，提取不同时期水稻的相关植被指数信息。通常是使用基于时间序列ndvi(normalizeddifferencevegetationindex，归一化植被指数)与水稻产量拟合一种函数关系建立估产模型，能够在一定程度上满足估产的需求，但会受到数据源的限制，存在数据泛化的风险。另外还有一种基于无人机遥感归一化光谱植被指数来分析水稻不同时期的状态，建立一种时序模型来估测产量，但会受到地形的限制，增加了估产的难度。

技术实现要素：

本发明针对现有技术中存在的技术问题，提供一种结合卫星影像和modis数据的水稻估产方法，解决现有技术中水稻估产数据低分辨率提取精度低的问题。

本发明解决上述技术问题的技术方案如下：一种结合卫星影像和modis数据的水稻估产方法，包括：

步骤1，对原始的卫星影像进行预处理操作；

步骤2，在预处理后的所述卫星影像上选取感兴趣区，分别采用基于人工目视解译的监督分类、基于规则的面向对象分类和基于专家知识的决策树分类三种方法对所述感兴趣区进行分类和水稻提取，分类后的类型包括：林地、水稻、水体和建设用地；

步骤3，取三种分类方法得到的水稻提取结果的相交区域作为水稻区域，提取所述水稻区域的不同时期的modis影像中的evi指数均值图像；

步骤4，将水稻evi均值作为自变量，水稻产量统计数据作为因变量，进行回归分析，构建所述水稻evi均值与所述水稻产量统计数据之间的统计回归估算模型。

本发明的有益效果是：本发明提供的一种结合卫星影像和modis数据的水稻估产方法，使用高分辨率影像，通过不同提取特征、不同分类方法综合提取水稻区域，在此基础上，使用多时序影像来提取植被指数evi，以描述植被在不同季节的差异。通过探究水稻植被指数与水稻产量之间的数学关系，建立估产的数学模型，能够更加快速、准确、有效地估测水稻的产量。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤1中对所述卫星影像进行预处理操作包括：大气校正、影像融合、影像剪裁和影像拼接。

进一步，所述步骤2中选取所述感兴趣区包括：结合高清地图影像、实地考察水稻样本点和水稻种植标准农田数据，在所述卫星影像上使用人工标注的方式选取所述感兴趣区域。

进一步，所述步骤2中采用基于人工目视解译的监督分类进行分类和水稻提取的过程包括：采用最大似然法对所述感兴趣区进行分类和水稻提取。

进一步，所述步骤2中基于规则的面向对象分类进行分类和水稻提取的过程包括：

根据光谱范围的差异建立水稻的提取规则，使用基于所述提取规则的面向对象分类方法对所述感兴趣区进行分类；

所述提取规则包括：设置在可见光蓝色波段光谱的植被的提取阈值进行植被范围的提取，设置近红外波段光谱的水稻的提取阈值进行水稻范围的提取。

进一步，所述步骤2中基于专家知识的决策树分类进行分类和水稻提取的过程包括：

通过对植被物候期的分析得出所述感兴趣区所有植被的植被指数随时间变化的先验信息，选取一种差距显著的植被指数，确定基于所述植被指数进行分类的阈值，使用决策树分类方法对所述感兴趣区进行分类。

进一步，所述步骤3中提取evi均值指数图像的过程包括：

以所述水稻区域作为掩膜，提取不同时期的modis影像中的evi指数图像，对所述evi指数图像做重投影、去除空值和取有效值处理，提取得到evi有效值指数图像；

以统计区域的矢量边界为掩膜，基于所述evi有效值指数图像提取得到所述统计区域的水稻evi均值图像。

进一步，所述步骤4中采用逐步回归方法构建多元线性的所述统计回归估算模型，并根据输出参数选择最佳模型。

进一步，所述统计回归模型的公式为yield＝135165.591-146486.295*evid209-49164.16*evid177+22347.074*evid161，yield表示因变量水稻产量统计数据，evid209、evid177和evid161分别表示全年第209、177和161天的evi均值。

进一步，所述步骤4之后还包括：

步骤5，使用水稻产量统计数据验证所述统计回归估算模型的精度并做相应的评估。

采用上述进一步方案的有益效果是：

1、针对农作物面积统计和产量预估等传统农业应用需求，本发明提出了一种引入遥感技术手段、实现农业遥感，同时协调农村与自然资源领域统计数据的综合性行业需求解决技术方案，为农村产业升级融合提供了应用示范，推动农村相关多种类产业的升级和融合发展。

2、针对水稻面积提取过程中单一分类方法准确率低的问题，本发明提出了一种结合基于人工目视解译的监督分类，基于规则的面向对象分类和基于专家知识的决策树分类方式，通过3种方式结合取相交区域的方式，减少误分类带来的误差，提高准确率。

3、针对传统水稻估产速度慢、工作量大、成本高的问题，本发明提出了一种基于遥感影像提取水稻作物信息的方式，能够更加快速、准确地获取到水稻植被信息；提出了一种通过建立数理统计学模型来预估产量的方式，大大减少了工作量，降低了成本。

4、针对高分辨率影像重访周期较长，难以获取针对特定时期的多时序影像，低分辨率影像提取作物精度较低的问题，本发明提出了一种结合使用高低分辨率影像的方式，使用高分辨率影像提取作物基础面积，使用中低分辨率影像提取多时序作物指数信息，同时减少来自大气和土壤噪音的影响，既解决了高分辨率影像用于多时序指数提取数据量不足的问题，又解决了低分辨率提取精度低的问题。

附图说明

图1为本发明提供的一种结合卫星影像和modis数据的水稻估产方法的实施例的流程图；

图2为本发明实施例提供的采用最大似然法进行分类后的分类结果示意图；

图3为本发明实施例提供的采用最大似然法进行分类后的水稻提取结果示意图；

图4为本发明实施例提供的面向对象分类的水稻提取结果图；

图5为本发明实施例提供的决策树进行分类的水稻提取结果图；

图6为本发明实施例提供的三种分类结果相交区域示意图；

图7为本发明实施例提供的水稻区域evi有效值示意图；

图8为本发明实施例提供的水稻evi均值示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示为本发明提供的一种结合卫星影像和modis数据的水稻估产方法的实施例的流程图，结合图1可知，该方法包括：

步骤1，对原始的卫星影像进行预处理操作。

该卫星影像可以为高分二号(gf-2)卫星影像，gf-2卫星是空间分辨率优于1米的民用光学遥感卫星，搭载有两台高分辨率1米全色、4米多光谱相机，星下点空间分辨率可达0.8米，具有亚米级空间分辨率、高定位精度和快速姿态机动能力等特点，有效地提升了卫星综合观测效能，主要用户为国土资源部、住房和城乡建设部、交通运输部和国家林业局等部门，同时还将为其他用户部门和有关区域提供示范应用服务。

modis(moderate-resolutionimagingspectroradiometer，中分辨率成像光谱仪)是美国宇航局研制大型空间遥感仪器，以了解全球气候的变化情况以及人类活动对气候的影响。

步骤2，在预处理后的卫星影像上选取感兴趣区，分别采用基于人工目视解译的监督分类、基于规则的面向对象分类和基于专家知识的决策树分类三种方法对感兴趣区进行分类和水稻提取，分类后的类型包括：林地、水稻、水体和建设用地。

为了提高水稻面积的提取精度，同时结合基于人工目视解译的监督分类、基于规则的面向对象分类和基于专家知识的决策树分类三种影像分类方法的提取结果，以确定水稻估产模型基础面积。使用高分辨率gf-2数据，结合基于人工目视解译的监督分类、基于规则的面向对象分类和基于专家知识的决策树分类3种方法进行农作物分类，分类精度较高，满足精度需求。

步骤3，取三种分类方法得到的水稻提取结果的相交区域作为水稻区域，提取水稻区域的不同时期的modis影像中的evi(enhancedvegetationindex增强植被指数)指数均值图像。

使用多时序modis数据提取水稻相关植被指数，数据覆盖的周期更广，同时提取的植被指数满足估产需求；进行作物基础估产，估产成本较小，精度符合实际需要，模型可用性较强。

步骤4，将水稻evi均值作为自变量，水稻产量统计数据作为因变量，进行回归分析，构建水稻evi均值与水稻产量统计数据之间的统计回归估算模型。

为构建不同光谱值运算得到的植被指数与水稻产量之间的统计回归估算模型，使用重访周期短的modis数据获取多时序的影像数据。为减少来自大气和土壤噪音的影响，稳定反映地表植被的特征，使用evi作为提取的特征指数，evi的计算公式为其中g为增益系数，nir为近红外波段反射率，r为红光波段发射率，b为蓝光波段发射率，c1、c2为气溶胶阻抗系数，l为冠层背景调整因子。

本发明提供的一种结合卫星影像和modis数据的水稻估产方法，使用高分辨率影像，通过不同提取特征、不同分类方法综合提取水稻区域，在此基础上，使用多时序影像来提取植被指数evi，以描述植被在不同季节的差异。通过探究水稻植被指数与水稻产量之间的数学关系，建立估产的数学模型，能够更加快速、准确、有效地估测水稻的产量；结合高分辨率的gf-2数据、中低分辨率的modis数据进行估产，既解决了特定时期内高分辨率影像用于多时序指数提取数据量不足的问题，又解决了低分辨率提取精度低的问题。

实施例1

本发明提供的实施例1为本发明提供的一种结合卫星影像和modis数据的水稻估产方法的实施例，本发明提供的一种结合卫星影像和modis数据的水稻估产方法的实施例中，首先基于高分辨率gf-2卫星影像、高清地图影像、部分实地考察水稻样本点和水稻种植标准农田数据，结合人工目视解译的监督分类、规则的面向对象分类和专家知识的决策树分类3种方法，综合确定地区的水稻种植范围。再根据水稻生育物候期，选取多时相多光谱modis13q1影像产品，通过探究影像经过不同波段运算得到的植被指数与水稻产量之间的数学关系，实现利用遥感数据的作物产量监测和估算。最后在spss中对提取出的水稻区域evi均值和县域水稻年产量进行相关性分析，获得显著相关性结果。

结合图1可知，该实施例包括：

步骤1，对原始的卫星影像进行预处理操作。

优选的，对卫星影像进行预处理操作包括：大气校正、影像融合、影像剪裁和影像拼接等。

在使用gf-2数据时，需要对原始gf-2影像做相应的影像预处理操作，对gf-2影像进行融合和大气校正操作，为后续提取壁纸植被指数做准备。

如图1所示，本发明以湖北省恩施土家族苗族自治州宣恩县为例，由当地水稻种植的物候期可知，7月上旬、10月初分别为早稻孕穗抽穗期和晚稻收获期，水稻生长茂盛。选择对应时期的gf-2影像作为原始数据，并对影像做大气校正和重采样后，使用宣恩县行政区矢量边界作为掩膜，对影像进行裁剪，拼接等操作。

步骤2，在预处理后的高分辨率(2m)gf-2影像上选取感兴趣区，分别采用基于人工目视解译的监督分类、基于规则的面向对象分类和基于专家知识的决策树分类三种方法对感兴趣区进行分类和水稻提取，分类后的类型包括：林地、水稻、水体和建设用地。

优选的，选取感兴趣区包括：结合高清地图影像、实地考察水稻样本点和水稻种植标准农田数据，结合谷歌地球的显示影像确定地类的解译标志，在卫星影像上使用人工标注的方式选取感兴趣区域。

基于实地考察结果、利用遥感技术手段实现农作物面积统计和产量预估等传统农业应用的同时，协调农村农业与自然资源部门及领域统计数据，形成农村行业综合体应用，能够推动农村相关多种类产业的升级和融合发展。

具体的，采用基于人工目视解译的监督分类进行分类和水稻提取的过程包括：采用最大似然法对感兴趣区进行分类和水稻提取。

如图2和图3所示分别为本发明实施例提供的采用最大似然法进行分类后的分类结果示意图和水稻提取结果示意图。

基于规则的面向对象分类进行分类和水稻提取的过程包括：

根据光谱范围的差异建立水稻的提取规则，使用基于提取规则的面向对象分类方法对感兴趣区进行分类。

进一步的，通过对各类感兴趣区样本进行光谱统计分析可以得出，植被在可见光蓝色波段与山体、建设用地的光谱范围差异明显，水稻等农作物在近红外波段光谱范围整体大于山区植被。

对应的，该提取规则包括：设置在可见光蓝色波段光谱的植被的提取阈值进行植被范围的提取，设置近红外波段光谱的水稻的提取阈值进行水稻范围的提取。如下表1所示为基于光谱范围的水稻提取规则表：

表1：水稻提取规则表

如图4所示为本发明实施例提供的面向对象分类的水稻提取结果图。

基于专家知识的决策树分类进行分类和水稻提取的过程包括：

通过对植被物候期的分析得出感兴趣区所有植被的植被指数随时间变化的先验信息，选取一种差距显著的植被指数，例如rvi(ratiovegetationindex，比值植被指数)，确定基于植被指数进行分类的阈值，使用决策树分类方法对感兴趣区进行分类。

具体实施中，基于对水稻物候期的分析可得出，7月上旬、10月初当地种植的农作物分别为水稻和玉米，且10月初玉米已完成抽穗，植被指数迅速下降，同时rvi对高植被地区覆盖敏感，且山地植被的rvi指数均值较农作物区域更大，rvi的计算公式为其中nir为近红外波段反射率，r为红光波段发射率，在对影像数据进行大气校正的基础上，通过阈值划分rvi的取值范围。如下表2所示为基于决策树分类规则表：

表2：水稻分类规则表

如图5所示为本发明实施例提供的决策树进行分类的水稻提取结果图。

如图6所示为本发明实施例提供的三种分类结果相交区域示意图，如图6所示，计算区域水稻面积，与水稻面积统计数据的误差处于合理误差范围内，可作为水稻估产的基础水稻面积。

步骤3，取三种分类方法得到的水稻提取结果的相交区域作为水稻区域，提取水稻区域的不同时期的modis影像中的evi指数均值图像。

modis影像使用modis13q1(250m16天合成)产品，相比原粗颗粒估产更具可行性。因为村县级地区分散稻田面积通常范围不大，粗颗粒估产在村县级地区可行性较低；同时，modis09a1获取evi值需要通过多波段修改处理后进行组合和公式计算，modis13q1直接获取第2波段并修改处理即为evi有效值。

优选的，提取evi均值指数图像的过程包括：

以水稻区域作为掩膜，提取不同时期的modis影像中的evi指数图像，对evi指数图像做重投影、去除空值和取有效值处理，提取得到evi有效值指数图像。

以统计区域的矢量边界为掩膜，基于evi有效值指数图像提取得到统计区域的水稻evi均值图像。

如图7和图8所示为本发明实施例提供的水稻区域evi有效值示意图和水稻evi均值示意图。

步骤4，将水稻evi均值作为自变量，水稻产量统计数据作为因变量，进行回归分析，构建水稻evi均值与水稻产量统计数据之间的统计回归估算模型。

优选的，采用逐步回归方法构建多元线性的统计回归估算模型，并根据输出参数选择最佳模型。如下表3所示为统计回归估算模型的回归参数取值表：

表3：统计回归估算模型的回归参数取值表

由表3可以得到，统计回归模型的公式为yield＝135165.591-146486.295*evid209-49164.16*evid177+22347.074*evid161，yield表示因变量水稻产量统计数据，evid209、evid177和evid161分别表示全年第209、177和161天的evi均值。

对于具有因变量yield的最终模型，拟合效果较好，方差膨胀因子vif值均接近于1，自变量之间基本不存在共线性问题，同时以2012年-2017年全年第161天(6月11日左右)、第177天(6月27日左右)、第209天(7月29日左右)作为自变量，分别对应早稻孕穗期、早稻黄熟期和晚稻黄熟期，植被指数较高，符合水稻估产模型的现实理论意义。

进一步优选的，步骤4之后还包括：

步骤5，使用水稻产量统计数据验证统计回归估算模型的精度并做相应的评估。

本发明提供的实施例中，对生长期间每连续16天的evi值进行逐步回归的模型拟合，以数理统计规律确定最具影响因素的自变量，最终确定仅以3天evi值为自变量的统计模型；具体的，使用2018-2020年全年第161天(6月11日左右)、第177天(6月27日左右)、第209天(7月29日左右)共9期modis影像数据提取evi均值并代入统计回归估算模型的公式，与2018-2020年的水稻产量统计数据对比，对比结果如表4所示，模型精度得以验证。

表4：水稻估产量与实际产量对比表

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。