本发明涉及农业遥感技术领域，尤其涉及一种春玉米空间分布信息的遥感提取方法。
背景技术：
遥感具有大面积同步观测、时效性高以及成本低廉等特点，可以相对便捷地获得大范围、全覆盖的农作物空间分布信息，已被广泛应用于农作物种植范围提取。
农作物遥感识别方法包括基于单期遥感影像的方法和基于遥感时间序列影像的方法。在大范围条件下不同种类的同季农作物在遥感影像中经常有相似的光谱特征，单期遥感影像存在普遍的异物同谱现象，无法有效区分农作物类别。遥感时间序列数据对应着农作物生长活动全过程，能够很好地反映绿色植被长势、生物量和覆盖度等时间变化信息，利用中低空间分辨率遥感影像的高时间分辨率特点构建遥感影像时间序列可以根据不同农作物生长发育过程在特定物候阶段的差异进行大范围下的农作物空间分布提取。
传统的基于时间序列遥感影像识别农作物的方法往往仅利用了某一种遥感指标，尤以某一种植被指数最为常见，这种方式对于生育周期和种植结构较相似的不同农作物的区分能力较弱，对时序噪声的容错度较低，影响农作物遥感提取的精度。春玉米种植范围广且生态幅较宽，与其生长发育物候特点相似的农作物品种较多，仅利用单一遥感指标难以提高春玉米的遥感识别精度。
虽然归一化差值植被指数ndvi由红光和近红外波段计算得到，体现了信息综合的优势，常作为单一指标用于特定农作物类型的识别，但这种信息综合可能掩盖了某一特定农作物与其他地物在遥感红光或近红外波段上的差异，反而不利于该特定农作物类型的识别。因此选择红光反射率、近红外反射率以及ndvi作为特征指标来增强春玉米的特征信息，从而有可能提高春玉米的识别精度。
技术实现要素：
本发明正是针对传统的基于时间序列遥感影像的作物识别方法的一些不足，提出了一种基于多遥感指标的春玉米识别方法，旨在利用遥感红光反射率、近红外反射率和归一化差值植被指数ndvi时间序列数据，快速提取区域范围内的春玉米空间分布信息。
为达此目的，本发明采用以下技术方案：
一种春玉米遥感识别方法，包括以下步骤：
a、分类体系构建
根据区域范围内的地物类型结构和春玉米与其他地物类型的遥感光谱混分情况，构建相应的分类体系。
b、各地物类型训练样本选取
根据所构建的分类体系和当地主要农作物物候历，基于高空间分辨率遥感影像和实地调查数据，遵循训练样本选取的基本原则，选取各地物类型的训练样本。训练样本选取的基本原则为：
(1)各地物类型的样本数量要足够多，且一般要与区域范围内各地物类型的面积成比例。
(2)各地物类型的训练样本要在整个区域范围内均匀分布，使各训练样本在局部范围内均具有代表性。
(3)各地物类型的训练样本应位于纯净像元区域，且其周围像元也应尽量为纯净像元。
c、各地物类型遥感属性指标时间序列曲线均值提取
基于各地物类型训练样本数据，提取各地物类型训练样本在遥感红光反射率、近红外反射率以及归一化差值植被指数数据上的时间序列曲线均值。
d、识别特征选择
结合区域的物候历数据，根据提取的各地物类型遥感属性指标时间序列曲线均值，选择各地物类型遥感属性指标时间序列曲线均值在春玉米特定物候期的差异作为识别特征，具体包括以下两个步骤：
(1)物候特征选择。分析各地物类型在遥感红光反射率、近红外反射率和ndvi时间序列数据的变化规律，确定特征差异明显的物候阶段为春玉米拔节期前期、抽雄期至乳熟期和成熟期前期。
(2)识别特征选择。分别将上述春玉米物候特征所对应的遥感属性指标参量化，确定的识别特征为：春玉米抽雄期至乳熟期、拔节期前期、成熟期前期的ndvi均值，拔节期前期的红光反射率均值，拔节期前期和成熟期前期的近红外反射率均值。
e、特征阈值确定
根据选择的识别特征，统计各识别特征所对应的各地物类型训练样本的频数分布，根据频数分布图，将各地物类型区分程度最大处所对应的特征取值作为相应识别特征的阈值。
f、春玉米识别模型构建
根据识别特征及其对应的特征阈值，构建春玉米识别模型。其具体的模型构建步骤为：
(1)根据植被地物类型在春玉米抽雄期至乳熟期的ndvi平均值明显高于非植被，剔除非植被地物类型，其数学模型为：
mean(ndvi抽雄期至乳熟期)>t1
(2)根据春玉米拔节期前期农作物的ndvi平均值低于非农作物，剔除非农作物植被类型，其数学模型为：
mean(ndvi拔节期前期)<t2
(3)根据春玉米成熟期前期的ndvi平均值低于水稻，剔除部分水稻并提取玉米，其数学模型为：
mean(ndvi成熟期前期)<t3
(4)根据春玉米拔节期前期的红光反射率平均值高于水稻，进一步剔除部分水稻并提取玉米，其数学模型为：
mean(red拔节期前期)>t4
(5)根据春玉米拔节期前期的近红外反射率平均值高于水稻，进一步剔除部分水稻并提取玉米，其数学模型为：
mean(nir拔节期前期)>t5
(6)根据春玉米成熟期前期的近红外反射率平均值低于水稻，进一步剔除部分水稻并提取玉米，其数学模型为：
mean(nir成熟期前期)<t6
上述数学模型中，mean()表示遥感像元在时间上的求均值操作，ndvi、red和nir分别代表归一化差值植被指数、红光反射率和近红外反射率影像；下标文字代表春玉米的物候期；t1到t6分别代表春玉米各识别特征对应的阈值。将上述6个数学模型得到的结果求交集之后的空间分布区即为识别的春玉米分布范围。
g、春玉米空间分布信息提取
基于区域的遥感红光反射率、近红外反射率以及归一化差值植被指数时间序列数据，利用构建的春玉米识别模型，提取区域内春玉米的空间分布信息。
本发明具有以下特点：
(1)原理简单，易实施，工作效率高。
(2)可基于遥感红光和近红外反射率、ndvi时间序列数据进行春玉米空间分布信息的提取，且提取结果的稳定性较高。
(3)可应用于具有一定物候差异的大范围区域的春玉米空间分布信息遥感提取。
附图说明
图1是辽宁省春玉米的空间分布信息提取结果。
具体实施方式
下面结合附图对本发明的技术实施方案作进一步描述。
a、分类体系构建
根据区域范围内的地物类型结构和春玉米与其他地物类型的遥感光谱混分情况，构建相应的分类体系。
本案例设定辽宁省的地物类型为春玉米、水稻、林地(含灌木)、草地(含其他类型的作物，如蔬菜、大豆等)、建设用地、水域六类。
b、各地物类型训练样本选取
根据所构建的分类体系和当地主要农作物物候历，基于高空间分辨率遥感影像和实地调查数据，遵循训练样本选取的基本原则，选取各地物类型的训练样本。训练样本选取的基本原则为：
(1)各地物类型的样本数量要足够多，且一般要与区域范围内各地物类型的面积成比例。
(2)各地物类型的训练样本要在整个区域范围内均匀分布，使各训练样本在局部范围内均具有代表性。
(3)各地物类型的训练样本应位于纯净像元区域，且其周围像元也应尽量为纯净像元。
本案例同时参考了高分辨率遥感影像数据、物候历数据和实地调查数据等，目视解译选取了辽宁省各地物类型的训练样本。
c、各地物类型遥感属性指标时间序列曲线均值提取
基于各地物类型训练样本数据，提取各地物类型训练样本在遥感红光反射率、近红外反射率以及归一化差值植被指数数据上的时间序列曲线均值。
本案例主要使用8天合成的modis(moderateresolutionimagingspectrometer)地表反射率数据产品(mod09q1)，分别提取各地物类型训练样本对应像元的红光反射率、近红外反射率和ndvi时间序列曲线，并取其均值作为各地物类型的样本时序曲线。
d、识别特征选择
结合区域的物候历数据，根据提取的各地物类型遥感属性指标时间序列曲线均值，选择各地物类型遥感属性指标时间序列曲线均值在春玉米特定物候期的差异作为识别特征，具体包括以下两个步骤：
(1)物候特征选择。分析各地物类型在遥感红光反射率、近红外反射率和ndvi时间序列数据的变化规律，确定特征差异明显的物候阶段为春玉米拔节期前期、抽雄期至乳熟期和成熟期前期。本案例确定辽宁省春玉米的拔节期前期为年日序第129–153天、抽雄期至乳熟期为年日序第193–257天、成熟期前期为年日序第257–265天。
(2)识别特征选择。分别将上述春玉米物候特征所对应的遥感属性指标参量化，确定的识别特征为：春玉米抽雄期至乳熟期、拔节期前期、成熟期前期的ndvi均值，拔节期前期的红光反射率均值，拔节期前期和成熟期前期的近红外反射率均值。本案例确定辽宁省的识别特征为：春玉米抽雄期至乳熟期年日序第193–257天，拔节期前期年日序第129–153天，成熟期前期年日序第257–265天的ndvi均值，拔节期前期年日序第129–153天的红光反射率均值，拔节期前期年日序第129–153天和成熟期前期年日序第257–265天的近红外反射率均值。
e、特征阈值确定
根据选择的识别特征，统计各识别特征所对应的各地物类型训练样本的频数分布，根据频数分布图，将各地物类型区分程度最大处所对应的特征取值作为相应识别特征的阈值。
本案例通过对训练样本的频数分布进行统计，确定辽宁省春玉米抽雄期至乳熟期、拔节期前期、成熟期前期的ndvi均值，拔节期前期的红光反射率均值，拔节期前期和成熟期前期的近红外反射率均值阈值依次为0.40、0.33、0.57、0.10、0.18和0.30。
f、春玉米识别模型构建
根据识别特征及其对应的特征阈值，构建春玉米识别模型。其具体的模型构建步骤为：
(1)根据植被地物类型在春玉米抽雄期至乳熟期的ndvi平均值明显高于非植被，剔除非植被地物类型。本案例春玉米抽雄期至乳熟期为年日序第193–257天，该物候期对应的ndvi特征阈值为0.40，故其数学模型为：
mean(ndvi193-257)>0.40
(2)根据春玉米拔节期前期农作物的ndvi平均值低于非农作物，剔除非农作物植被类型。本案例春玉米拔节期前期为年日序第129–153天，该物候期对应的ndvi特征阈值为0.33，故其数学模型为：
mean(ndvi129-153)<0.33
(3)根据春玉米成熟期前期的ndvi平均值低于水稻，剔除部分水稻并提取玉米。本案例春玉米成熟期前期为年日序第257–265天，该物候期对应的ndvi特征阈值为0.57，故其数学模型为：
mean(ndvi257-265)<0.57
(4)根据春玉米拔节期前期的红光反射率平均值高于水稻，进一步剔除部分水稻并提取玉米。本案例春玉米拔节期前期为年日序第129–153天，该物候期对应的红光反射率特征阈值为0.10，故其数学模型为：
mean(red129-153)>0.10
(5)根据春玉米拔节期前期的近红外反射率平均值高于水稻，进一步剔除部分水稻并提取玉米。本案例春玉米拔节期前期为年日序第129–153天，该物候期对应的近红外反射率特征阈值为0.18，故其数学模型为：
mean(nir129-153)>0.18
(6)根据春玉米成熟期前期的近红外反射率平均值低于水稻，进一步剔除部分水稻并提取玉米。本案例春玉米成熟期前期为年日序第257–265天，该物候期对应的近红外反射率特征阈值为0.30，故其数学模型为：
mean(nir257-265)<0.30
上述数学模型中，mean()表示遥感像元在时间上的求均值操作，ndvi、red和nir分别代表归一化差值植被指数、红光反射率和近红外反射率影像；下标数字代表年日序，即一年内的第几天。将上述6个数学模型得到的结果求交集之后的空间分布区即为识别的春玉米分布范围。
g、春玉米空间分布信息提取
基于区域的遥感红光反射率、近红外反射率以及归一化差值植被指数时间序列数据，利用构建的春玉米识别模型，提取区域内春玉米的空间分布信息。
本案例为辽宁省modis遥感数据的红光反射率、近红外反射率以及归一化差值植被指数时间序列数据。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。