通过遥感卫星照片统计监测轮作休耕情况的方法和装置与流程

本申请属于遥感监测技术领域，尤其是涉及一种通过遥感卫星照片统计监测轮作休耕情况的方法和装置。

背景技术：

当前，我国农业正面临种植结构不合理，资源环境过载的问题。推行耕地轮作休耕是促进农业绿色发展，实现“藏粮于地、藏粮于技”目标，保障长久粮食安全的关键举措。轮作(croprotation)是指在同一耕地上，一定周期内轮转种植不同作物或组合的种植方式(赵其国，2017)；休耕(landfallow)是指在作物生长季对耕地停耕不种的方式(刘巽浩，1996)。轮作休耕可分为轮作换茬、休耕晒垡和休耕培肥的三种模式。随着轮作休耕工作的开展，遥感技术因其获取信息快、获取信息丰富的特点已成为轮作休耕利益补偿和效果评估的重要手段。国内外利用遥感技术跟踪监测耕地种植作物的变化展开了广泛的研究应用。

目前，各地耕地情况不一，轮作休耕情况不同，在直接面向轮作休耕的遥感监测尚缺乏完善的方法体系。

技术实现要素：

本发明要解决的技术问题是：为解决现有技术中的不足，从而提供一种通过遥感卫星照片统计监测轮作休耕情况的方法和装置。

本发明解决其技术问题所采用的技术方案是：

一种通过遥感卫星照片统计监测轮作休耕情况的方法，包括以下步骤：

s1：获取同一地区当年6月底至第二年6月底的一年的卫星遥感照片，对卫星遥感照片中的耕地地块进行分块或者不进行分块；

s2：获取每个照片中的每个分块的ndvi值、green值和blue值的平均值，ndvi＝(ρnir-ρr)/(ρnir+ρr)，green＝ρg/(ρr+ρg+ρb)，blue＝ρg/(ρr+ρg+ρb)，ρnir、ρr、ρg、ρb分别表示近红外波段反射率、红波段反射率、绿波段反射率、蓝波段反射率；不进行分块时，获取每个照片中的每个像元的ndvi值、green值和blue值；

s3：对卫星遥感照片中每个分块或者像元进行ndvi值、green值和blue值的判断，并对分块或者像元进行标定，判断依据基于以下条件：

符合条件1和条件5且不符合条件2时为休耕晒垡；

符合条件1、条件2和条件4且不符合条件3时为耕翻油菜；

符合条件1、条件6且不符合条件2和5时为种植绿肥；

耕翻油菜和种植绿肥为轮作休耕；

条件1，同时符合以下条件：0.55<ndvi(7月27-30日的照片)<0.75，ndvi(8月13-15日的照片)>0.36，ndvi(8月29-31日的照片)>0.42，ndvi(9月29-31日的照片)<0.24，ndvi(11月10-12日的照片)<0.31，ndvi(8月29-31日的照片)-ndvi(11月10-12日的照片)>0.30；

条件2，同时符合以下条件：ndvi(3月9-11日的照片)>0.28，ndvi(4月8-10日的照片)>0.47，ndvi(4月18-20日的照片)>0.24，ndvi(5月3-5日的照片)<0.72，ndvi(5月13-15日的照片)<0.45，ndvi(6月12-14日的照片)<0.23；

条件3，同时符合以下条件：green(4月8-10日的照片)>blue(4月8-10日的照片)；

条件4，同时符合以下条件：ndvi(3月9-11日的照片)>0.37，ndvi(4月8-10日的照片)>0.47，ndvi(4月18-20日的照片)>0.24，ndvi(5月3-5日的照片)<0.16，ndvi(5月13-15日的照片)<0.14，ndvi(6月12-14日的照片)<0.22，ndvi(5月13-15日的照片)-ndvi(5月3-5日的照片)<0.2；

条件5，同时符合以下条件：ndvi(3月9-11日的照片)<0.40，ndvi(4月8-10日的照片)>0.05，ndvi(4月18-20日的照片)<0.40，ndvi(5月3-5日的照片)>0.05，ndvi(5月13-15日的照片)<0.40，ndvi(6月12-14日的照片)<0.26；

条件6，ρnir(4月8-10日的照片)>0.32；

s4：汇总分块或者像元的结果，并输出图像。

优选地，本发明的通过遥感卫星照片统计监测轮作休耕情况的方法，在s3步骤中，符合条件1和条件2且不符合条件3和条件4时为未耕翻油菜；

符合条件1、条件2和条件3为种植了小麦的地块；

不符合条件1的为非水稻地块；

未耕翻油菜或者种植了小麦了均为未轮作休耕。

优选地，本发明的通过遥感卫星照片统计监测轮作休耕情况的方法，对卫星遥感照片不进行分块时，在s4步骤中，以n×n为像元窗口，移动步长为1，阈值为m将相邻近的分块聚合成大块，将被大块中包围的不满足条件的小块进行填充形成边缘规则内部连续的分块，并输出图像。

优选地，本发明的通过遥感卫星照片统计监测轮作休耕情况的方法，所述n＝3或4或5，m＝4或5或6。

优选地，本发明的通过遥感卫星照片统计监测轮作休耕情况的方法，对卫星遥感照片中的耕地地块进行分块通过对耕地的田埂道路采用多尺度分割方法识别得到。

本申请还提供一种通过遥感卫星照片统计监测轮作休耕情况的装置，包括，图像采集模块、图像处理模块、分类标定模块和结果输出模块；

所述图像采集模块用于获取同一地区当年10月底至第二年10月底的全年的卫星遥感照片；

所述图像处理模块用于获取每个照片中的每个像元的ndvi值、green值和blue值，或者先对卫星遥感照片中的耕地地块进行分块并获取每个照片中的每个分块的ndvi值、green值和blue值的平均值，

其中，ndvi＝(ρnir-ρr)/(ρnir+ρr)，green＝ρg/(ρr+ρg+ρb)，blue＝ρg/(ρr+ρg+ρb)，ρnir、ρr、ρg、ρb分别表示近红外波段反射率、红波段反射率、绿波段反射率、蓝波段反射率；

所述分类标定模块用于对卫星遥感照片中的像元进行标定，标定的判断依据基于以下条件：

符合条件1和条件5且不符合条件2时为休耕晒垡；

符合条件1、条件2和条件4且不符合条件3时为耕翻油菜；

符合条件1、条件6且不符合条件2和5时为种植绿肥；

耕翻油菜和种植绿肥为轮作休耕；

条件1，同时符合以下条件：0.55<ndvi(7月27-30日的照片)<0.75，ndvi(8月13-15日的照片)>0.36，ndvi(8月29-31日的照片)>0.42，ndvi(9月29-31日的照片)<0.24，ndvi(11月10-12日的照片)<0.31，ndvi(8月29-31日的照片)-ndvi(11月10-12日的照片)>0.30；

条件2，同时符合以下条件：ndvi(3月9-11日的照片)>0.28，ndvi(4月8-10日的照片)>0.47，ndvi(4月18-20日的照片)>0.24，ndvi(5月3-5日的照片)<0.72，ndvi(5月13-15日的照片)<0.45，ndvi(6月12-14日的照片)<0.23；

条件3，同时符合以下条件：green(4月8-10日的照片)>blue(4月8-10日的照片)；

条件4，同时符合以下条件：ndvi(3月9-11日的照片)>0.37，ndvi(4月8-10日的照片)>0.47，ndvi(4月18-20日的照片)>0.24，ndvi(5月3-5日的照片)<0.16，ndvi(5月13-15日的照片)<0.14，ndvi(6月12-14日的照片)<0.22，ndvi(5月13-15日的照片)-ndvi(5月3-5日的照片)<0.2；

条件5，同时符合以下条件：ndvi(3月9-11日的照片)<0.40，ndvi(4月8-10日的照片)>0.05，ndvi(4月18-20日的照片)<0.40，ndvi(5月3-5日的照片)>0.05，ndvi(5月13-15日的照片)<0.40，ndvi(6月12-14日的照片)<0.26；

条件6，ρnir(4月8-10日的照片)>0.32；

所述结果输出模块用于根据所述分类标定模块的结果输出标定好的图像。

优选地，本发明的通过遥感卫星照片统计监测轮作休耕情况的装置，所述分类标定模块中，符合条件1和条件2且不符合条件3和条件4时为未耕翻油菜；

符合条件1、条件2和条件3为种植了小麦的地块；

不符合条件1的为非水稻地块；

未耕翻油菜或者种植了小麦了均为未轮作休耕。

优选地，本发明的通过遥感卫星照片统计监测轮作休耕情况的装置，所述图像处理模块用于获取每个照片中的每个像元的ndvi值、green值和blue值时，所述结果输出模块中，以n×n为像元窗口，移动步长为1，阈值为m将相邻近的分块聚合成大块，将被大块中包围的不满足条件的小块进行填充形成边缘规则内部连续的分块，并输出图像。

优选地，本发明的通过遥感卫星照片统计监测轮作休耕情况的装置，所述n＝3或4或5，m＝4或5或6。

优选地，本发明的通过遥感卫星照片统计监测轮作休耕情况的装置，对卫星遥感照片中的耕地地块进行分块通过对耕地的田埂道路采用多尺度分割方法识别得到。

本发明的有益效果是：

本申请通过获取同一地区当年6月底至第二年6月底的全年的卫星遥感照片，通过对卫星遥感照片中进行ndvi值、green值和blue值的提取，并依据6个条件来进行判断，最终可确定出相应的区域是否为休耕晒垡和轮作休耕，具有结果精确的优点，实现了区域性耕地轮作休耕以地块为单元的遥感精准监测调查。

附图说明

下面结合附图和实施例对本申请的技术方案进一步说明。

图1是本申请实施例的条件判定规则；

图2是苏州市辖区高程分布遥感影像数据釆用欧空局(esa)哨兵2(sentinel-2)数据；

图3是耕地地块分块结果图；

图4是2017-2018年苏州市辖区耕地轮作休耕的模式分布；

图5是2017-2018年苏州市辖区耕地轮作休耕水稻后茬种植分布。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本申请的技术方案。

实施例1

本实施例提供一种通过遥感卫星照片统计监测轮作休耕情况的方法，包括以下步骤：

s1：获取同一地区当年6月底至第二年6月底的一年的卫星遥感照片，对卫星遥感照片中的耕地地块进行分块；(比如利用gf-2的0.8m分辨率影像基于机器学习的卷积算法对耕地地块信息进行识别，对耕地的田埂道路采用多尺度分割方法识别，还可进一步结合高分辨率谷歌地球影像对识别结果进行人工质检和修正)；

s2：获取每个照片中的每个分块的ndvi值、green值和blue值的平均值，ndvi＝(ρnir-ρr)/(ρnir+ρr)，green＝ρg/(ρr+ρg+ρb)，blue＝ρg/(ρr+ρg+ρb)，ρnir、ρr、ρg、ρb分别表示近红外波段反射率、红波段反射率、绿波段反射率、蓝波段反射率；

s3：对卫星遥感照片中每个分块进行ndvi值、green值和blue值的判断，并对分块进行标定，判断依据基于以下条件：

符合条件1和条件5且不符合条件2时为休耕晒垡；

符合条件1、条件2和条件4且不符合条件3时为耕翻油菜；

符合条件1、条件6且不符合条件2和5时为种植绿肥；

符合条件1和条件2且不符合条件3和条件4时为未耕翻油菜；

符合条件1、条件2和条件3为种植了小麦的地块；

不符合条件1的为非水稻地块；

未耕翻油菜或者种植了小麦了均为未轮作休耕；

耕翻油菜和种植绿肥为轮作休耕；

不同植被具有不同的光谱特征，ndvi(归一化植被指数)可以直观反映植被的不同的覆盖情况。多时相ndvi的特征限定是不同植被提取的有效方法之一。并且在油菜盛花期其蓝绿颜色占比与小麦有明显区别。

条件1，同时符合以下条件：0.55<ndvi(7月27-30日的照片)<0.75，ndvi(8月13-15日的照片)>0.36，ndvi(8月29-31日的照片)>0.42，ndvi(9月29-31日的照片)<0.24，ndvi(11月10-12日的照片)<0.31，ndvi(8月29-31日的照片)-ndvi(11月10-12日的照片)>0.30；

条件2，同时符合以下条件：ndvi(3月9-11日的照片)>0.28，ndvi(4月8-10日的照片)>0.47，ndvi(4月18-20日的照片)>0.24，ndvi(5月3-5日的照片)<0.72，ndvi(5月13-15日的照片)<0.45，ndvi(6月12-14日的照片)<0.23；

条件3，同时符合以下条件：green(4月8-10日的照片)>blue(4月8-10日的照片)；

条件4，同时符合以下条件：ndvi(3月9-11日的照片)>0.37，ndvi(4月8-10日的照片)>0.47，ndvi(4月18-20日的照片)>0.24，ndvi(5月3-5日的照片)<0.16，ndvi(5月13-15日的照片)<0.14，ndvi(6月12-14日的照片)<0.22，ndvi(5月13-15日的照片)-ndvi(5月3-5日的照片)<0.2；

条件5，同时符合以下条件：ndvi(3月9-11日的照片)<0.40，ndvi(4月8-10日的照片)>0.05，ndvi(4月18-20日的照片)<0.40，ndvi(5月3-5日的照片)>0.05，ndvi(5月13-15日的照片)<0.40，ndvi(6月12-14日的照片)<0.26；

条件6，ρnir(4月8-10日的照片)>0.32。

s4：标定分块的结果，并输出图像，根据图像即可获得各种情况的面积。

实施例2

本实施例提供一种通过遥感卫星照片统计监测轮作休耕情况的方法，包括以下步骤：

s1：获取同一地区当年6月底至第二年6月底的一年的卫星遥感照片；

s2：获取每个照片中的每个像元的ndvi值、green值和blue值，ndvi＝(ρnir-ρr)/(ρnir+ρr)，green＝ρg/(ρr+ρg+ρb)，blue＝ρg/(ρr+ρg+ρb)，ρnir、ρr、ρg、ρb分别表示近红外波段反射率、红波段反射率、绿波段反射率、蓝波段反射率；

s3：对卫星遥感照片中每个像元进行ndvi值、green值和blue值的判断，判断依据基于以下条件：

符合条件1和条件5且不符合条件2时为休耕晒垡；

符合条件1、条件2和条件4且不符合条件3时为耕翻油菜；

符合条件1、条件6且不符合条件2和5时为种植绿肥；

符合条件1和条件2且不符合条件3和条件4时为未耕翻油菜；

符合条件1、条件2和条件3为种植了小麦的地块；

不符合条件1的为非水稻地块；

未耕翻油菜或者种植了小麦了均为未轮作休耕；

耕翻油菜和种植绿肥为轮作休耕；

不同植被具有不同的光谱特征，ndvi(归一化植被指数)可以直观反映植被的不同的覆盖情况。多时相ndvi的特征限定是不同植被提取的有效方法之一。并且在油菜盛花期其蓝绿颜色占比与小麦有明显区别。

条件1，同时符合以下条件：0.55<ndvi(7月27-30日的照片)<0.75，ndvi(8月13-15日的照片)>0.36，ndvi(8月29-31日的照片)>0.42，ndvi(9月29-31日的照片)<0.24，ndvi(11月10-12日的照片)<0.31，ndvi(8月29-31日的照片)-ndvi(11月10-12日的照片)>0.30；

条件2，同时符合以下条件：ndvi(3月9-11日的照片)>0.28，ndvi(4月8-10日的照片)>0.47，ndvi(4月18-20日的照片)>0.24，ndvi(5月3-5日的照片)<0.72，ndvi(5月13-15日的照片)<0.45，ndvi(6月12-14日的照片)<0.23；

条件3，同时符合以下条件：green(4月8-10日的照片)>blue(4月8-10日的照片)；

条件4，同时符合以下条件：ndvi(3月9-11日的照片)>0.37，ndvi(4月8-10日的照片)>0.47，ndvi(4月18-20日的照片)>0.24，ndvi(5月3-5日的照片)<0.16，ndvi(5月13-15日的照片)<0.14，ndvi(6月12-14日的照片)<0.22，ndvi(5月13-15日的照片)-ndvi(5月3-5日的照片)<0.2；

条件5，同时符合以下条件：ndvi(3月9-11日的照片)<0.40，ndvi(4月8-10日的照片)>0.05，ndvi(4月18-20日的照片)<0.40，ndvi(5月3-5日的照片)>0.05，ndvi(5月13-15日的照片)<0.40，ndvi(6月12-14日的照片)<0.26；

条件6，ρnir(4月8-10日的照片)>0.32。

s4：以n×n为像元窗口，移动步长为1，阈值为m将相邻近的分块聚合成大块，将被大块中包围的不满足条件的小块进行填充形成边缘规则内部连续的分块，并输出图像，其中n＝3-5，m＝4-6，根据图像即可获得各种情况的面积。

实施例3

本实施例提供一种通过遥感卫星照片统计监测轮作休耕情况的装置，包括：

包括，图像采集模块、图像处理模块、分类标定模块和结果输出模块；

所述图像采集模块用于获取同一地区当年6月底至第二年6月底的全年的卫星遥感照片；

所述图像处理模块用于获取每个照片中的每个像元的ndvi值、green值和blue值，或者先对卫星遥感照片中的耕地地块进行分块并获取每个照片中的每个分块的ndvi值、green值和blue值的平均值，

其中，ndvi＝(ρnir-ρr)/(ρnir+ρr)，green＝ρg/(ρr+ρg+ρb)，

blue＝ρg/(ρr+ρg+ρb)，ρnir、ρr、ρg、ρb分别表示近红外波段反射率、红波段反射率、绿波段反射率、蓝波段反射率；

所述分类标定模块用于对卫星遥感照片中的像元进行标定，标定的判断依据基于以下条件：

符合条件1和条件5且不符合条件2时为休耕晒垡；

符合条件1、条件2和条件4且不符合条件3时为耕翻油菜；

符合条件1、条件6且不符合条件2和5时为种植绿肥；

耕翻油菜和种植绿肥为轮作休耕；

条件1，同时符合以下条件：0.55<ndvi(7月27-30日的照片)<0.75，ndvi(8月13-15日的照片)>0.36，ndvi(8月29-31日的照片)>0.42，ndvi(9月29-31日的照片)<0.24，ndvi(11月10-12日的照片)<0.31，ndvi(8月29-31日的照片)-ndvi(11月10-12日的照片)>0.30；

条件2，同时符合以下条件：ndvi(3月9-11日的照片)>0.28，ndvi(4月8-10日的照片)>0.47，ndvi(4月18-20日的照片)>0.24，ndvi(5月3-5日的照片)<0.72，ndvi(5月13-15日的照片)<0.45，ndvi(6月12-14日的照片)<0.23；

条件3，同时符合以下条件：green(4月8-10日的照片)>blue(4月8-10日的照片)；

条件4，同时符合以下条件：ndvi(3月9-11日的照片)>0.37，ndvi(4月8-10日的照片)>0.47，ndvi(4月18-20日的照片)>0.24，ndvi(5月3-5日的照片)<0.16，ndvi(5月13-15日的照片)<0.14，ndvi(6月12-14日的照片)<0.22，ndvi(5月13-15日的照片)-ndvi(5月3-5日的照片)<0.2；

条件5，同时符合以下条件：ndvi(3月9-11日的照片)<0.40，ndvi(4月8-10日的照片)>0.05，ndvi(4月18-20日的照片)<0.40，ndvi(5月3-5日的照片)>0.05，ndvi(5月13-15日的照片)<0.40，ndvi(6月12-14日的照片)<0.26；

条件6，ρnir(4月8-10日的照片)>0.32；

所述结果输出模块用于根据所述分类标定模块的结果输出标定好的图像。

优选地，所述分类标定模块中，符合条件1和条件2且不符合条件3和条件4时为未耕翻油菜；

符合条件1、条件2和条件3为种植了小麦的地块；

不符合条件1的为非水稻地块；

未耕翻油菜或者种植了小麦了均为未轮作休耕。

优选地，所述图像处理模块用于获取每个照片中的每个像元的ndvi值、green值和blue值时，所述结果输出模块中，以n×n为像元窗口，移动步长为1，阈值为m将相邻近的分块聚合成大块，将被大块中包围的不满足条件的小块进行填充形成边缘规则内部连续的分块，并输出图像。

优选地，所述n＝3或4或5，m＝4或5或6。

优选地，对卫星遥感照片中的耕地地块进行分块通过对耕地的田埂道路采用多尺度分割方法识别得到。

以下以苏州涉农市辖区的遥感图片为例具体说明，包括吴江区、吴中区、虎丘区和相城区(图1，高程使用srtm90m分辨率dem数据，数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站，http://www.gscloud.cn)。研究区地处江苏南部，太湖沿岸，属亚热带季风海洋性气候，地势低平，年平均降水量1099.6mm，雨量充沛，种植水稻、小麦、油菜和绿肥作物，产蚕桑、林果和茶叶；境内河网密集，导致农业耕地地块破碎。苏州市于2017年对稻麦两熟区耕地实施轮作休耕。

遥感图像数据采用欧空局(esa)哨兵2(sentinel-2)数据。sentinel-2卫星包含sentinel-2a卫星和sentinel-2b卫星，多光谱数据包含13个波段，提供空间分辨率分别为10m、20m、60m的数据，其中10m分辨率波段包含蓝(b2:458～523mm)、绿(b3:543～578mm)、红(b4:650～680mm)、近红外(b8:785～900mm)4个波段。sentinel-2a卫星于2015年发射，sentinel-2b卫星于2017年发射，双星组网可5天重访。从欧空局分发系统(https://scihub.copernicus.eu/dhus/#/home)获取覆盖研究区的10景影像，时间2017年6月-2018年6月，采用envi5.3的radiancesentinel-2lic模块进行sentinel-2数据的波段导出合成和辐射定标，大气校正在flaash模块下进行。

针对研究区地块破碎、种植结构复杂等现象，为保证提取地块信息的完整性和分类精度，利用gf-2的0.8m分辨率影像基于机器学习的卷积算法对耕地地块信息进行识别，对耕地的田埂道路采用多尺度分割方法识别，并结合高分辨率谷歌地球影像对识别结果进行质检和修正，共生产绘制地块44082个。

使用实施例1的方法将上述的像元结果映射到已生产的耕地地块上。叠加像元栅格图层和耕地地块矢量图层，利用arcgis的spatialjoin和intersect工具，自动将重叠的耕地地块标记，重新赋值目标属性。采用面积和空间位置上验证方式：即基于统计数据和基于空间分布的精度验证。面积的验证以遥感监测的轮作休耕各模式面积与统计上报的数据分区进行评价验证，总体上遥感监测休耕晒垡误差为0.22％，遥感监测轮作换茬误差为-0.19％；空间分布的验证以分辨率更高的google影像和外业实地布点，选取种植水稻地块，水稻后茬种植耕翻油菜、未耕翻油菜、小麦、绿肥的地块，以及休耕晒垡地块和其他情况的地块，验证遥感监测地块类型与验证样点是否一致，总体匹配精度90％以上。

以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。