本发明涉及遥感监测技术，更具体地，涉及基于光谱特征的地膜覆盖农田遥感监测方法。
背景技术：
地膜覆盖栽培能够明显改善农田温、光、水、气、肥等生境条件，提高土壤墒情，促进作物生长发育，缩短生育期、避免后期病虫害和干、热、风等自然灾害，大幅提高作物产量，并能够提前上市，提高经济收入，是干旱半干旱地区，低温缺水地区、气温和降水变化幅度和区域差异较大地区的关键栽培技术之一。
但是，农作物收割后，农田内残留的地膜会造成如下不良影响：造成环境污染(田间白色污染)；土壤通透性、水分和养分输导、土壤肥力降低；隔肥隔水、影响肥效；作物根系发育、产量下降；改变地气间能量平衡：温室气体排放；区域蒸散发。
这些不良影响有待于减少或消除，则依赖于对地膜数据的采集、分析。但是，当前我国地膜覆盖农田的空间分布格局、分布面积及其变化特征尚不清楚。因此，就无法为地膜生产、使用以及残膜回收治理等的科学规划管理提供依据，也不能为减轻地膜覆盖技术带来的负面影响以及寻找解决问题的有效途径等提供参考依据。更无法为其他研究(作物物候变迁、地表温湿度、蒸散发等)提供基础数据。因此，当前需要方法来对地膜覆盖农田进行监测。
技术实现要素：
针对背景技术中的问题，本发明提出一种基于光谱特征的地膜覆盖农田遥感监测方法，包括：
步骤S1，对遥感影像进行预处理，包括：
1)辐射校正；2)大气校正；和3)对影像进行镶嵌、裁剪处理以获取研究区影像；
步骤S2，建立地膜覆盖农田遥感监测分类体系，以区分地膜覆盖农田和其他地物；
步骤S3，通过目视解译与所述研究区影像相同时相的GoogleEarth影像，采集所述分类体系中不同地物类型的多边形样本，然后再通过目视解译所述研究区影像，在多边形内重新勾画预定尺寸像元的有规则多边形样本；
步骤S4，利用所述有规则多边形样本，对不同地物在所述研究区影像的可分离性进行分析，以选择适宜的波段，以所选择的波段的反射率作为光谱特征；
步骤S5，基于步骤S3中采集的训练样本以及S4中的光谱特征，利用分类器对所述研究区影像进行分类，以获得所述地膜覆盖农田遥感监测分类体系中地膜覆盖农田和其他地物的空间分布。
本发明提出了一种新方法来监测地膜覆盖农田，而且通过验证能达到相当高的精度。
附图说明
图1显示了5种塑料的光谱反射率图。
图2显示了ASTER植被光谱反射率曲线图。
图3显示了ASTER土壤光谱反射率曲线图。
图4显示了地膜覆盖农田ASD实测光谱反射率曲线。
图5显示了土壤ASD实测光谱反射率曲线。
图6为本发明的方法的一个实施方式的流程图。
图7显示了一个研究区的农作物物候历。
图8显示了不同地物Landsat8OLI光谱反射率曲线图。
图9显示了支持向量机的不同核函数表达式。
图10显示了基于光谱特征的地膜覆盖农田空间分布图。
具体实施方式
下面参照附图描述本发明的实施方式，其中相同的部件用相同的附图标记表示。
对于地膜覆盖农田的监测，申请人对USGS(UnitedStatesGeologicalSurvey，美国地质勘探局)、美国国家航空航天局ASTER(AdvancedSpaceborneThermalEmissionReflectionRadiometer)波谱库数据和ASD(AnalyticalSpectralDevices，地物光谱仪器)光谱仪实测光谱数据进行相关地物类型的光谱反射率曲线形状特征和反射率值范围进行分析。
图1图中显示了5种塑料的光谱反射率，包括：HDPE(高密度聚乙烯)、LDPE(低密度聚乙烯)、PETE(聚对苯二甲酸乙二醇酯)和PVC(聚氯乙烯)。图2显示了ASTER植被光谱反射率曲线图。图3显示了ASTER土壤光谱反射率曲线图。图4显示了地膜覆盖农田ASD实测光谱反射率曲线。图5显示了土壤ASD实测光谱反射率曲线。
从图1-5看出，不同地物在不同波长范围内呈现出不同的波谱曲线形状和不同的反射率值范围。从USGS和ASTER波谱库数据可看出，不同地物在可见光-近红外和短波红外波段范围内具有明显不同形状的波谱反射率曲线和反射率值范围。同样从ASD实测光谱数据也能看出此类特征。这些数据的分析能为遥感影像数据的选择提供依据，即相同或类似波宽设计的遥感传感器数据能为地膜覆盖农田遥感监测提供有效数据源。
利用遥感数据光谱特征对地膜覆盖农田进行监测，还存在有如下技术难题：
1、时间因素：不同地区、不同作物的覆膜方式、覆膜时间和覆膜时间长度(作物生长前期、全生育期覆膜等)不同。例如作物从地膜中长出后的遥感影像数据的分析难度，要比作物没长出时大，可能造成监测不准确。
2、光谱特征：光谱特征受地膜颜色、密度、厚度以及膜下土壤和作物的影响，其光谱特征的动态变化性强、稳定性弱。
对此，遥感影像数据最佳时相选择是有必要的。覆膜农田具有明显的物候和节律变化，确定遥感影像数据最佳时相是准确遥感监测覆膜农田的基础。可以根据目标监测区主要作物物候历数据以及地膜覆盖实施、存留、农事操作等信息，确定地膜覆盖农田最佳遥感监测时期。有了理论支撑后，如图6所示，本发明的地膜覆盖农田监测方法包括：
步骤S1，对研究区的遥感影像数据进行预处理。
其中，遥感影像数据的选择，根据地膜与其他地物的光谱特征，选择合适与地膜覆盖农田监测的遥感数据。在下面的实例中，本发明选用Landsat8OLI遥感影像对地膜覆盖农田进行监测，但本发明可采用的遥感数据不限于此。
优选地，选择研究区的地膜覆盖农田的最佳监测时相的遥感影像数据，所述最佳监测时相指的是作物播种期到出苗期。
在一个实例中，图7显示了河北省冀州市的试验区的农作物物候历。确定该区域地膜覆盖农田在作物播种期到出苗期为最佳监测时相，进而选择了对应最佳时期2014年4月29日Landsat8OLI遥感影像作为遥感监测数据源。
更具体地，所述预处理具体包括：
(1)对数据进行辐射校正
由于遥感器本身的光电系统特征以及大气、地形、太阳高度等外界环境因素的影响，遥感器得到的测量值与目标地物真实反射或辐射等物理量之间存在不一致性，即地物光谱特征的失真现象。辐射校正和大气校正的目的是为了消除这些失真，获取较真实的地面反射值。其中辐射校正是将遥感器得到的数字测量值(DigitalNumber)转换成遥感器辐射值。计算公式以下：
Lλ＝Gain*Pixelvalue+Offset
其中，Lλ表示遥感器辐射值，Pixelvalue表示像素数字测量值，Gain表示增益，offset表示偏移量。
例如可以利用遥感图像处理软件(如Envi5.1)辐射定标模块(Radiometriccalibration)进行辐射校正。
(2)大气校正(FLAASH)
大气校正的目的是消除大气因素的影响，即将遥感器辐射值转换成反射率值。同样可以利用遥感图像处理软件(如Envi5.1)中的大气校正模块FastLine-of-sightAtmosphericAnalysisofHypercubes(FLAASH)进行大气校正，获取地表反射率数据。
(3)对影像进行镶嵌、裁剪以获取研究区影像
根据研究区的行政界限图，利用遥感图像处理软件(如Envi5.1)数据裁剪模块(subsetviaregionofinterest)，进行裁剪处理，以获取本研究区域的影像数据。
参考图6，预处理后，在步骤S2，建立地膜覆盖农田遥感监测分类体系，以区分地膜覆盖农田和其他地物(地表覆盖物)。
在一个实例中，根据研究区土地覆盖类型，建立地膜覆盖农田、不透水层、植被、水体、裸土这五类地物。表1显示了该地膜覆盖农田遥感监测分类体系。也可以建立其他种分类体系，本发明的目的是提取地膜覆盖农田，所以分类体系以区分地膜覆盖农田和其他地物即可。在本发明中，最终将不透水层、植被、水体、裸土合并成非地膜覆盖农田。如此，则在最终的地膜覆盖农田空间分布图上，只需标出地膜覆盖农田和非地膜覆盖农田两种类型。
表1地膜覆盖农田遥感监测分类体系
参考图6，在步骤S3，通过目视解译与所选遥感影像相同时相的更高空间分辨率遥感影像(例如Googleearth影像)，采集五种地物类型的多边形样本(一般采集较大面积多边形样本)，然后再通过目视解译用于地膜覆盖农田监测的遥感影像(优选地，选择Landsat8OLI遥感影像，更优选地，选择Landsat8OLI数据的SWIR2、NIR、RED波段)，在所述较大面积多边形样本内重新勾画3*3像元(也可以是5*5的像元)的较小面积有规则多边形样本，以保证样本的代表性。
再次参考图6，步骤S4，利用所述有规则多边形样本，对不同地物在所述研究区影像的可分离性进行分析，以选择用于分类的适宜波段，并以所选择的波段的反射率作为光谱特征；
具体为，利用样本感兴趣区提取遥感影像反射率均值，用提取的样本反射率均值来分析五种地物在OLI数据上的可分离性，以便进行波段选择。图8显示了五种地物的光谱反射率曲线，从图中可以看出，通过光谱反射率特征五种地物能够被区分(不同地物反射率曲线形状及值域随波长的变化不同)。本发明中Landsat8OLI遥感影像的七个波段对五种地物的分类都具有一定价值，所以七个波段都被选为光谱特征参数。
再次参考图6，在步骤S5，以步骤S3中的多边形训练样本以及步骤S4中的光谱特征，用不同的分类器对步骤S2中的分类体系进行地物分类。
步骤S5，利用步骤S3中采集的有规则多边形样本用分类器对所述研究区影像进行分类，以获得所述地膜覆盖农田遥感监测分类体系中地膜覆盖农田和其他地物的空间分布。
其中所述分类器可以是支持向量机(SVM)、最大似然法、最短距离法等。在一个实例中，对地膜覆盖农田、不透水层、植被、水体、裸土这五类地物进行分类。例如可以利用遥感图像处理软件(如Envi5.1)中的分类模块进行分类，输入数据为Landsat8OLI遥感影像7个波段反射率数据，输出的是分类结果。图9中列出了支持向量机(SVM)的几种核函数表达式。
图10显示了基于光谱特征的地膜覆盖农田空间分布图，图中可以明确区分地膜覆盖农田和其他地物。
实际上，本发明的方法经过了验证。验证方法如下：将步骤S3中的样本等分成训练样本和验证样本。表2显示了一个分类样本示例。其中训练样本用于步骤S5的分类，验证样本用作分类结果的验证。可以利用遥感图像处理软件(如Envi5.1)计算混淆矩阵，得到总体精度、制图精度、用户精度，进而来评价分类器分类精度。表3显示了不同分类方法的精度。
表2分类样本表
表3分类精度
从表3看出，支持向量机不同核函数在地膜覆盖农田遥感监测精度都较理想，总体精度都高于92.7％(SVM-S)，对地膜覆盖农田来讲，制图精度都高于89.99％(SVM-S)，用户精度高于89.56％(SVM-S)。其中最高总体精度达93.57％(SVM-L线性核函数)，最高制图精度和用户精度达90.38％(SVM-L)。最大似然(MLC)和最短距离(MDC)也能提供较好的结果，但其分类精度的稳定性不如支持向量机。尤其是制图精度和用户精度之间存在一定差异。所以，利用Landsat8OLI数据光谱特征进行地膜覆盖农田遥感监测时，线性核函数支持向量机提供了最有效的分类。
本发明的方法提成一种基于光谱特征的地膜覆盖农田遥感监测的技术流程。该方法考虑到了对地膜覆盖农田遥感可分性，地膜覆盖农田最佳遥感监测时相的影响，SVM不同核函数对地膜覆盖农田遥感监测中的应用，均是本发明的创新之处。
以上所述的实施例，只是本发明较优选的具体实施方式，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。