一种农作物分类方法、系统、介质、计算机设备及终端

1.本发明属于农作物分类技术领域，尤其涉及一种农作物分类方法、系统、介质、计算机设备及终端。


背景技术：

2.物候特征是利用遥感卫星数据对农作物种植情况进行监测过程中最常用的分类特征。对多时相遥感数据进行分析处理，可以更好地分析不同作物随时间变化的情况，从而提高农作物的分类精度，已被广泛应用于作物的识别。马丽等选择多时相tm卫星遥感影像为数据源，对主要地物光谱特征进行提取，得到了主要农作物的ndvi植被指数。并通过构建决策树提取研究区内玉米、大豆、水稻等农作物的种植信息。patel等通过计算noaa/avhrr可见光通道和红外通道的光谱反射率，并构建水稻产量和rvi的关系，完成对产量有效预测。verbeiren等以比利时为研究区，采用基于神经网络的亚像素分解方法，对spot-vegetation时间序列ndvi影像进行玉米和冬小麦作物空间分布的提取，并在1km像素(1km2)、市级(平均52km2)和农业统计区(平均1174km2)三个层面上，进行结果验证，其相关系数达到0.95。李存军等通过光谱信息，分析小麦和苜蓿之间的差异，选择3个时相的landsat近红外波段数据作为数据源，进行假彩色影像合成，以此来区分不同作物的收获时间。潘耀忠以北京市通州及其附近地区为研究区域，利用modis数据建立植被指数时间序列，对冬小麦种植面积展开研究，最后成功提出冬小麦的种植面积指数模型，进而确定作物物候参数与种植面积的定量函数关系。wardlow等比较了ndvi和evi两种常用的植被指数在作物分类中的表现，发现两种植被指数各有优势。在植被覆盖度较低时，ndvi对植被的变化更敏感，当植被覆盖度较高时，ndvi出现饱和现象，而evi探测植被覆盖度变化的效果更好。
3.然而，构建ndvi时间序列进行研究需要使用多时相遥感影像。卫星影像在成像的过程中极易受到传感器、大气条件、地表覆盖物等因素的干扰，需要尽可能地减少这些因素的影响。杨闫君等以河北唐山南部地区为研究区域，采用hants滤波算法建立gf-1/ndvi时间序列数据模型，最后选择svm、ml和神经网络等多种分类方法进行农作物识别分类。viovy等为了去除各种噪声引起的ndvi波动，采用最佳坡度系数截取法，分析判断一个滑动周期中ndvi再增长的百分比。shao等通过提取modis-ndvi时间序列数据，研究劳伦大湖流域的土地覆盖类别，在比较不同的平滑方法后，发现用傅里叶变换算法和whittaker平滑后图像的噪声显著减少，较好地改善了作物的分类准确度。苗翠翠等通过采用s-g滤波算法，重构了modis-ndvi时间序列，成功提取研究区的水稻种植面积。针对时间频率相对较低的传感器，chuc duc man等人使用合成技术从所有可用的landsat 8图像中创建密集的时间序列合成图像，提高分类准确度。
4.但是，现有农作物分类方法很难让遥感传感器空间分辨率和时间分辨率兼顾，且存在精确度不高的问题。同时，因云雾天气的存在，降低了利用遥感数据进行农作物分类的效果。为了应对人口增长、粮食需求增加和气候变化等全球挑战，有必要加强对农业地区作物的监测，并设计一种农作物分类方法、系统。
5.通过上述分析，现有技术存在的问题及缺陷为：现有农作物分类方法难以兼顾遥感传感器空间分辨率和时间分辨率，精确度不高。同时，因云雾天气的存在，降低了利用遥感数据进行农作物分类的效果。


技术实现要素：

6.针对现有技术存在的问题，本发明提供了一种农作物分类方法、系统、介质、计算机设备及终端，尤其涉及一种基于多时相遥感影像的农作物分类方法、系统、介质、计算机设备及终端。
7.本发明是这样实现的，一种农作物分类方法，所述农作物分类方法包括：
8.选取多光谱遥感影像作为数据源，以农业区的玉米、大豆和小麦三种农作物为分析对象，利用农作物在不同的物候时具有不同的光谱反射特性，建立作物ndvi时间序列模型，并用pearson相关系数对作物类型进行判别；通过设置常数忽略云像素，并采用混淆矩阵的方法对作物分类结果进行分析验证。
9.进一步，所述农作物分类方法还包括：
10.根据待分析区域农作物的物候信息和实地调查数据，选择玉米、大豆和小麦这三种农作物为分析对象；统计三种作物的多时段ndvi数据，建立农作物植被指数的时间序列模型；对含有云阴影的影像制作云掩膜，建立新的不受云阴影所影响的参考时间序列曲线；再利用已经建立的时间序列模型，采用pearson相关系数对每个像素点进行作物类别的分类，最后采用混淆矩阵对分类结果进行精度评价。
11.进一步，所述农作物分类方法包括以下步骤：
12.步骤一，以植被与环境监测新式微型卫星venμs影像为数据源；
13.步骤二，构建ndvi时间序列模型，对遥感影像数据进行预处理；
14.步骤三，利用多时相遥感数据，基于时间序列进行农作物分类。
15.进一步，所述步骤一中，通过选取venμs影像19景，覆盖实验区内农作物的主要生长期；地面数据通过野外调查获取，用gps记录每个地块边界的经纬度范围，并将作物的类别记录为属性信息。
16.进一步，所述步骤二中的ndvi时间序列模型的构建包括：
17.(1)数据预处理
18.植被与环境监测新式微型卫星venμs影像的预处理包括影像裁剪、大气校正和云掩膜的制作；根据实地调查制作的矢量数据进行图像裁剪，剪切后的图像大小为1457
×
1762像素；对剪切后的影像进行大气校正，得到地物真实表面反射率数据；对含云量较大的影像制作云掩膜。
19.(2)作物分类特征变量的选择
20.通过对近红外光谱的反射率进行测量，用于区分不同的植物类别。基于卫星遥感影像建立的植被指数包括：简单线性波段组合计算的植被指数、去除影响因子的植被指数和基于高光谱和热红外遥感数据的植被指数。
21.(3)ndvi时间序列模型的构建和分析
22.对影像进行预处理后得到的地表反射率数据，反映地表的真实情况；根据ndvi植被指数的定义，选择波段5和11进行波段运算，公式如下：
[0023][0024]
式中，ρ
nir
为近红外波段的反射率，ρr为红光波段的反射率。
[0025]
通过波段运算得到ndvi数据后，利用实地调查数据为每种农作物建立各自的感兴趣区域，分别提取研究区范围内玉米、大豆和小麦的ndvi平均值，绘制出影像覆盖时间段内作物的ndvi参考时间变化曲线。
[0026]
进一步，所述步骤三中的基于时间序列的农作物分类为：利用所有不受云干扰的多时相影像数据构建ndvi时间序列曲线，采用pearson相关系数对每个像素点进行作物类别的分类，具体包括：
[0027]
(1)pearson相关系数的确定
[0028]
pearson相关系数是一个线性相关系数，反映两个变量之间的线性相关关系；相关系数的绝对值越大，相关性越强：相关系数的绝对值越接近于1，相关度越强，相关系数越接近于0，相关度越弱；pearson相关系数公式如下：
[0029][0030]
式中，r表示pearson相关系数，n为样本量，x、y为两个变量。
[0031]
在实际处理过程中，变量x和y分别代表作物ndvi参考值和图像各点的ndvi真实值。作物ndvi参考值由构建的ndvi参考时间序列模型提供数据；图像各点的ndvi真实值为分析范围内19个时间段的ndvi实际数据。
[0032]
对于同一坐标位置的像素点，按照绘制参考曲线的方法，将数值按照时间序列进行排列，形成分析区所对应位置的ndvi时间序列曲线；利用pearson相关系数将时间序列曲线分别与3条作物参考曲线进行比较；通过计算得到三个r值，分别是像素的时间序列曲线和玉米、大豆、小麦的参考时间序列曲线计算得到的pearson相关系数；当r值大于0.95时，归类为作物，并将作物类型归类为对应r值最大的作物；如果三个r值均低于0.95，则像素将被划分为其他类别。
[0033]
(2)处理云阴影对分类的影响
[0034]
在分类过程中需要对数据进行处理，对存在云阴影较多的影像进行云检测并制作掩膜，通过执行云掩码将含云的区域的ndvi值设置为0。
[0035]
构造新的不受云信息影响的时间序列曲线；如果像素的时间序列曲线检测到零值，则将参考曲线的相应值也设置为0，相当于删除含有云信息的部分。
[0036]
本发明的另一目的在于提供一种应用所述的农作物分类方法的农作物分类系统，所述农作物分类系统包括：
[0037]
数据获取模块，用于以植被与环境监测新式微型卫星venμs影像为数据源；
[0038]
数据预处理模块，用于构建ndvi时间序列模型，对遥感影像进行预处理；
[0039]
农作物分类模块，用于利用多时相遥感数据基于时间序列进行农作物分类。
[0040]
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的农作物分类方法的步骤。
[0041]
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述的农作物分类方法的步骤。
[0042]
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的农作物分类系统。
[0043]
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
[0044]
本发明使用多时相遥感数据，对农作物分类识别的方法进行分析。本发明选取某时间段venμs影像作为数据源，以某地区一个农业区内的玉米、大豆和小麦三种农作物为分析对象，利用农作物在不同的物候时具有不同的光谱反射特性，建立作物ndvi时间序列模型，并用pearson相关系数对作物类型进行判别。云阴影的存在会影响分类的准确性，为了消除云的影响，通过设置一个常数来忽略云像素。最后采用混淆矩阵的方法对作物分类结果进行分析验证，总体准确率达到79.30％，kappa达到70.61％。分析结果表明，结合作物物候信息和ndvi时间序列数据，本发明提出的分类方法可以得到较好的分类结果。即使在多云或多雾的特殊地区，该方法也具有作物分类的应用潜力，为多时相遥感影像的作物分类分析提供了新的思路。
[0045]
本发明提供的基于多时相遥感数据的作物分类方法包括对云干扰的处理。该方法利用可见光和近红外波段构建作物的ndvi时间序列，来区分不同作物的特征。不同于常见的作物分类方法，本发明在像元级的尺度上，根据构建的作物参考时间序列曲线，采用pearson相关系数对每个像素点进行作物类别的分类。
[0046]
与传统的使用单时相遥感影像进行监督分类和非监督分类的方法相比，本发明提出的方法充分利用多时相的遥感数据，采用pearson相关系数进行作物分类。总体精度达到79.30％，kappa系数达到70.61％，验证了该方法的可行性。
[0047]
分类特征变量选择ndvi植被指数，其时间序列曲线能明显反映作物生长周期的变化过程，有效地弱化了不同作物之间的光谱混淆现象。
[0048]
针对云阴影的干扰，本发明通过设置一个常数忽略云像素点，相当于删除云信息部分，构建新的不受云干扰的时间序列曲线，大大提高了分类精度。
附图说明
[0049]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
[0050]
图1是本发明实施例提供的农作物分类方法流程图；
[0051]
图2是本发明实施例提供的三种作物的参考时间序列曲线图；
[0052]
图3是本发明实施例提供的监督分类结果示意图；
[0053]
图4是本发明实施例提供的非监督分类结果示意图；
[0054]
图5是本发明实施例提供的处理前的ndvi时间序列曲线图；
[0055]
图6是本发明实施例提供的处理后的ndvi时间序列曲线图；
[0056]
图7是本发明实施例提供的未经云处理的作物分类结果示意图；
[0057]
图8是本发明实施例提供的云处理后的作物分类结果示意图。
具体实施方式
[0058]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0059]
针对现有技术存在的问题，本发明提供了一种农作物分类方法、系统、介质、计算机设备及终端，下面结合附图对本发明作详细的描述。
[0060]
如图1所示，本发明实施例提供的农作物分类方法包括以下步骤：
[0061]
s101，以植被与环境监测新式微型卫星venμs影像为数据源；
[0062]
s102，构建ndvi时间序列模型，对遥感影像数据进行预处理；
[0063]
s103，利用多时相遥感数据，基于时间序列进行农作物分类。
[0064]
本发明实施例提供的步骤s101中，通过选取venμs影像19景，覆盖实验区内农作物的主要生长期；地面数据通过野外调查获取，用gps记录每个地块边界的经纬度范围，并将作物的类别记录为属性信息。
[0065]
本发明实施例提供的步骤s102中的ndvi时间序列模型的构建包括：
[0066]
(1)数据预处理
[0067]
植被与环境监测新式微型卫星venμs影像的预处理包括影像裁剪、大气校正和云掩膜的制作；根据实地调查制作的矢量数据进行图像裁剪，剪切后的图像大小为1457
×
1762像素；对剪切后的影像进行大气校正，得到地物真实表面反射率数据；对含云量较大的影像制作云掩膜。
[0068]
(2)作物分类特征变量的选择
[0069]
通过对近红外光谱的反射率进行测量，用于区分不同的植物类别。基于卫星遥感影像建立的植被指数包括：简单线性波段组合计算的植被指数、去除影响因子的植被指数和基于高光谱和热红外遥感数据的植被指数。
[0070]
(3)ndvi时间序列模型的构建和分析
[0071]
对影像进行预处理后得到的地表反射率数据，反映地表的真实情况；根据ndvi植被指数的定义，选择波段5和11进行波段运算，公式如下：
[0072][0072][0074]
式中，ρ
nir
为近红外波段的反射率，ρr为红光波段的反射率。
[0075]
通过波段运算得到ndvi数据后，利用实地调查数据为每种农作物建立各自的感兴趣区域，分别提取研究区范围内玉米、大豆和小麦的ndvi平均值，绘制出影像覆盖时间段内作物的ndvi参考时间变化曲线。
[0076]
本发明实施例提供的步骤s103中的基于时间序列的农作物分类为：利用所有不受云干扰的多时相影像数据构建ndvi时间序列曲线，采用pearson相关系数对每个像素点进行作物类别的分类，具体包括：
[0077]
(1)pearson相关系数的确定
[0078]
pearson相关系数是一个线性相关系数，反映两个变量之间的线性相关关系；相关
系数的绝对值越大，相关性越强：相关系数的绝对值越接近于1，相关度越强，相关系数越接近于0，相关度越弱；pearson相关系数公式如下：
[0079][0080]
式中，r表示pearson相关系数，n为样本量，x、y为两个变量。
[0081]
在实际处理过程中，变量x和y分别代表作物ndvi参考值和图像各点的ndvi真实值。作物ndvi参考值由构建的ndvi参考时间序列模型提供数据；图像各点的ndvi真实值为分析范围内19个时间段的ndvi实际数据。
[0082]
对于同一坐标位置的像素点，按照绘制参考曲线的方法，将数值按照时间序列进行排列，形成分析区所对应位置的ndvi时间序列曲线；利用pearson相关系数将时间序列曲线分别与3条作物参考曲线进行比较；通过计算得到三个r值，分别是像素的时间序列曲线和玉米、大豆、小麦的参考时间序列曲线计算得到的pearson相关系数；当r值大于0.95时，归类为作物，并将作物类型归类为对应r值最大的作物；如果三个r值均低于0.95，则像素将被划分为其他类别。
[0083]
(2)处理云阴影对分类的影响
[0084]
在分类过程中需要对数据进行处理，对存在云阴影较多的影像进行云检测并制作掩膜，通过执行云掩码将含云的区域的ndvi值设置为0。
[0085]
构造新的不受云信息影响的时间序列曲线；如果像素的时间序列曲线检测到零值，则将参考曲线的相应值也设置为0，相当于删除含有云信息的部分。
[0086]
本发明实施例提供的农作物分类系统包括：
[0087]
数据获取模块，用于以植被与环境监测新式微型卫星venμs影像为数据源；
[0088]
数据预处理模块，用于构建ndvi时间序列模型，对遥感影像进行预处理；
[0089]
农作物分类模块，用于利用多时相遥感数据基于时间序列进行农作物分类。
[0090]
本发明实施例以某地区伦敦地区的一个农业区为分析区域，根据当地农作物的物候信息和实地调查数据，选择玉米、大豆和小麦这三种主要农作物为分析对象。本发明实施例对2018年4月2日至7月25日的19幅venμs影像进行处理，统计三种作物的多时段ndvi数据，建立农作物植被指数的时间序列模型。云的存在会影响分类的准确性，为了消除云的影响，本发明实施例对含有云阴影的影像制作云掩膜，建立一个新的不受云阴影所影响的参考时间序列曲线；之后利用已经建立的时间序列模型，采用pearson相关系数对每个像素点进行作物类别的分类；最后采用混淆矩阵对结果进行精度评价，并对此分类方法进行讨论和总结。
[0091]
本发明实施例提供的分析区地处某市以西35公里处的斯特拉斯罗伊地区，是一个肥沃的农业区，地处42
°
46
′
～42
°
54
′
n，81
°
28
′
～81
°
41
′
w。该地位于五大湖地区，三面分别环绕着安大略湖、休伦湖和伊利湖，昼夜温差相对不大。分析区属于湿润的温带大陆性气候，冬季寒冷，夏季炎热。一年中1月份气温最低，日平均温度为-5.2℃；7月份气温最高，日平均温度为21.5℃。全年降水充沛且较为均匀，年平均降水量达967mm。分析区地势平坦，土壤自然肥力较高。总体来说，分析区域在地理位置、气候和水利等方面都具有一定的分析价值，其独特的自然环境和气候条件十分有利于农业发展。主要农作物为玉米、大豆和小麦，还有少量的经济作物。
[0092]
本发明实施例基于实地调查数据，通过查阅相关资料，确定了分析区范围内玉米、大豆和小麦的生长发育期，如表1所示。
[0093]
表1分析区主要作物物候期
[0094][0095]
相关资料显示，这3种农作物每年依次从4月开始，首先进行小麦的播种，接着是玉米和大豆的播种，经历出苗期、拔节期或开花期、抽穗期和灌浆期等生长阶段后逐渐成熟。分析区内小麦于4月播种，其最大生育期在5月中旬到6月上旬之间，早于其他两种作物成熟，种植时间和收获时间都是最早的。玉米和大豆两种作物的物候期相似，种植时间都在5月初，在6月到7月迅速生长，且生长周期更长。总体来看，小麦的物候期与另外两种作物差异明显，较容易区分；玉米和大豆的物候期差别不大，生长阶段在时间上有交叉的部分。
[0096]
物候特征的提取是本发明的基础和关键。从表1可知，作物在春夏两季的生长变化最为显著。因此，本发明选取了2018年4月2日至7月25日的venμs影像19景，覆盖实验区内所分析农作物的主要生育期。地面数据通过野外调查获取，用gps记录每个地块边界的经纬度范围，并将作物的类别记录为属性信息。样本包含分析对象在内的107块玉米地、80块大豆地和23块小麦地，此外还有少量其他种类的植被及建筑用地。
[0097]
venμs是“植被与环境监测新式微型卫星”的缩写，于2017年8月2日通过欧洲“织女星”小型运载火箭发射升空，在距地球表面约720公里的太阳同步轨道上运行，预计工作寿命为4.5年，承担着以色列航天局和法国空间局cnes的联合任务。venμs科学任务的主要目标是提供数字图像，以便能够分析陆地表面参数行为的监测、分析和建模。该任务的目标还包括在全球环境与安全监测计划的背景下，展示具有频繁重访能力的超光谱、高空间分辨率观测的相关性。该卫星载有多光谱成像设备，相机提供12张同时重叠的高空间和高光谱分辨率的地球图像。venμs相机在vnir(可见光近红外)光谱区域拥有12个宽度较窄的波带和5.3m的地面分辨率，为广泛的商业和科学应用引入了一个超光谱高空间分辨率的地球成像新水平，其波段参数见表2。
[0098]
venμs卫星每天可拍摄十几张图像，每张图像覆盖的地表面积约760平方公里。该卫星的运行轨道几乎等同于极地轨道，这使其能够始终保持在相同的时间和成像条件下飞过地球上每个拍摄点。分析人员将通过对同一拍摄点的不同图像进行分析、对比来分析土地状况，分析植被生长变化，并探测是否存在疾病传播或田地污染现象等。
[0099]
表2venμs波段参数
[0100]
波段号中心波长(nm)波带宽度(nm)主要目标141540大气校正244340气溶胶，云349040大气校正，水蒸气455540土地563840植被指数663840dem，影像质量
767230红边870224红边974216红边1078216红边1186540植被指数1291020水蒸气
[0101]
本发明实施例介绍了分析区的地理环境和气候条件，并通过查询相关资料整理得出分析区主要农作物的种植规律及其物候特征，为接下来的物候参数分析及农作物分类奠定了基础。影像数据源选择2018年4月至7月的venμs影像数据，覆盖分析区主要作物生长发育期，为接下来的分析做好数据准备。
[0102]
在本发明实施例中，植被与环境监测新式微型卫星venμs影像的预处理包括影像裁剪、大气校正和云掩膜的制作，为后续作物信息的提取做好准备。
[0103]
根据实地调查制作的矢量数据进行图像裁剪，剪切后的图像大小为1457
×
1762像素。为了消除大气分子和气溶胶散射作用的影响，需要对剪切后的影像进行大气校正，得到地物真实的表面反射率数据。云阴影的存在会影响植被信息的提取，因此还需要对含云量较大的影像制作云掩膜。
[0104]
绿色植物不同于土壤、水和其他类型地物，其光谱反射特征更加典型。植物的叶片决定了植物能够对电磁波有一定的反应。在植物的电磁波频谱响应中，真正起到决定性作用的是叶片的形态和化学特征。无论植物能否健康生长，其生物类别以及生长环境条件都会影响其光谱特性。植物叶片中的叶绿素、叶肉细胞、水分以及其他生化成分对光的吸收和反射，形成了植物的反射光谱。在可见光谱中，叶片的各种色素在控制植物的光谱特性中起着重要作用，其中影响最大的是叶绿素。由于各种色素能够强烈吸收太阳光，因此植物中的叶子显示出非常低的反射率，在光谱中形成一个反射峰和两个吸收谷。可见光波段光谱特性和近红外波段光谱特性的变化是同步的。在近红外光谱中，植物因其叶片内部细胞结构非常复杂，所以具有很强的红外反射光谱特性，在近红外波段的反射率非常高。
[0105]
不同类别的植物，其叶片的内部结构会存在着很大不同，所以通过对近红外光谱的反射率进行测量，可以用来区分不同的植物类别。不同植物的色素种类和浓度不同，所以它们表现出不同的光谱特性。此外，土壤含水量、植物高度和覆盖率等宏观特征的差异，也会影响作物的反射特性。从时空上来看，随着植物的生长发育或者出现水分亏缺等病虫害状态的时候，叶片中的叶绿素含量、叶肉细胞组织结构和含水量会发生变化，叶片的光谱特征也会随之变化。根据不同的光谱特征，可以区分植物与非植物，还可以识别植被的类型，并对植被生长进行监测。
[0106]
通过遥感图像获取植被信息的过程中，仅仅使用单波段或多波段数据进行植被信息的比较分析具有很大的局限性。因此，对多光谱遥感数据进行波段之间的分析和运算成为了分析热点，随之产生了许多种能够指示植被生长和生物量的值，即植被指数。植被指数作为遥感分类中最常用的特征，已被广泛用于监测土地利用和覆盖情况，评估植被的覆盖密度，鉴定作物类别和估算作物产量。此外，植被指数还增强了专题制图过程中的分类能力。受到植被类别、自然环境、大气状况和其他因素的影响，植被指数常常会表现出明显的区域性和时段性。
[0107]
基于卫星遥感影像建立的植被指数主要有三类：简单线性波段组合计算的植被指数、去除影响因子的植被指数和基于高光谱和热红外遥感数据的植被指数。常见的基于可见光和近红外波段的植被指数如表3所示，这些指数广泛应用于农业分析，对作物分类分析的发展有着重要意义。
[0108]
表3常见的植被指数表
[0109][0110][0111]
植被光谱反射率曲线的在可见光波段和近红外波段表现不同。叶绿素在红、蓝光波段的反射率较低，在绿光波段的反射率高于红波段和蓝波段。而在近红外波段，叶绿素的辐射吸收比较小，反射率很高。选择红光与近红外波段的比值组合能较好地反映植被绿度的变化。因此，ndvi被定义为近红外和可见光波段的反射差除以两者之和，取值介于-1与1之间，有效避免了数据过大或过小给使用带来的不便。该正值越大表示植被覆盖越大，0到-1通常表示地表为裸地、水体或冰雪覆盖。
[0112]
ndvi作为利用遥感技术获取作物信息最常用的植被指数，可以反映作物从播种、生长到成熟和收获的变化过程，在作物分类和生长评价中得到了广泛的应用。不同作物类型的ndvi光谱不同。ndvi值的增减与作物生长变化过程相对应，反映作物生长和衰退的信息。对于一幅图像中未被区分的作物，构建ndvi时间序列曲线可以较好地区分作物类别。ndvi时间序列曲线不仅能够反映同一作物在不同生育期的差异，还能反映同一时期内不同作物的差异。对遥感数据进行处理，利用采样点获得不同作物的ndvi平均值，建立ndvi时间序列特征曲线，可以反映不同时期作物ndvi的变化情况。对于大部分作物来说，其物候期与遥感数据提取得到的参数有很好的相关性。例如，分析不同时间段内ndvi时间序列曲线的变化，可以在曲线的拐点处定义不同的物候阶段。依照ndvi时间序列的持续增长和减少，能够有效地进行作物生长不同阶段的监测。进一步分析ndvi时间序列数据，可以准确地获得植被物候信息，有效地减少了不同种类作物之间的光谱混淆现象，对农作物分类分析的发展有着重要意义。
[0113]
本发明采用选择ndvi指数作为分类特征，并建立其时间序列曲线进行分类分析。这是因为分析对象的类型复杂多样，不同种类的作物在某一时间段内会出现明显的光谱重叠。如果只采用单时相的遥感影像数据对作物进行分类，就很容易出现漏分、误分的情况，难以达到理想的作物分类精度。因为农作物在生长发育各个阶段存在差异，利用多时相的影像数据进行分类分析可以增强不同作物之间的光谱可分性，突显不同作物物候时在遥感影像中的时相变化特征，进而提高作物的遥感识别能力和分类精度。ndvi时间序列数据准确反映了植物候信息，有效削弱了“同物异谱、同谱异物”现象，是作物分类分析中不可缺少的手段之一。
[0114]
对影像进行预处理后得到的地表反射率数据，能够比较准确地反映地表真实情况。根据ndvi植被指数的定义，选择波段5和11进行波段运算，公式如下：
[0115][0116]
式中，ρ
nir
为近红外波段的反射率，ρr为红光波段的反射率。
[0117]
通过波段运算得到ndvi数据后，利用实地调查数据为每种农作物建立各自的感兴趣区域，分别提取分析区范围内玉米、大豆和小麦的ndvi平均值，绘制出影像覆盖时间段内作物的ndvi参考时间变化曲线，如图2所示。
[0118]
作物的物候期表示的是其生长发育周期内的特征变化情况。作物的类型不同，物候期的变化特征也会不同，这主要取决于作物的叶片。在作物生长发育过程的各个阶段，作物的植被指数值会随着作物的生长不断发生变化，具体表现为ndvi数值随着地表叶片覆盖面积的增加而增加，并且作物的叶面积指数与ndvi值会同时达到最大值。随着作物的进一步成熟，叶片的光合作用能力出现下降，ndvi值也随着同步减少。
[0119]
从图2中可以看出，在影像覆盖的时间范围内，小麦的ndvi时间序列具有一个明显的波峰，小麦区别于其他作物典型的特征在于生长期中的ndvi峰值。依据ndvi时间序列曲线形状和走势的不同，能够轻松地将小麦与其他作物区别开来。4月中下旬是小麦的出苗期，ndvi值从最低点开始缓慢增长；而小麦在5月中旬进入拔节期，此时叶片中的叶绿素含量较高，植被指数也较大，与其他地物相比差异最为显著。进入6月后，小麦开始抽穗开花，ndvi值可以达到最大。从6月底开始，小麦开始逐渐成熟，地表逐渐裸露，其植被指数也随之急剧降低。
[0120]
玉米和大豆在分析周期内的ndvi值从整体来看保持上升状态，这是因为此两种作物的生长期晚于小麦。玉米和大豆都是在6、7月份中处于生长旺季，ndvi值在这一时期才会快速升高。而玉米的ndvi值要明显高于大豆，这是区分两种作物最为关键的特征。
[0121]
由于不同田块的同一种作物所处环境不完全相同，会导致不同位置的ndvi时间序列曲线无法完全一致，但其升降的趋势从总体来看基本没有差别。同一时期的同种作物来说，长势好ndvi值就高，长势差ndvi值就低。因此，取影像中每种作物的采样点的ndvi平均值，得到的作物时间序列ndvi平均曲线能够较好地减少长势不同产生的误差。
[0122]
本发明实施例介绍了分类前对遥感影像数据进行的预处理工作。在综合分析多种植被指数后，选取ndvi植被指数作为后续分类工作的依据。得到ndvi数据之后分别提取并构建三种作物的ndvi参考时间序列，并对分析区内作物的生长状况进行分析。
[0123]
在传统的分类分析方法中，根据是否有先验知识作为判别的准则依据，遥感图像
分类可分为监督分类和非监督分类。下面分别采用监督分类和非监督分类方法进行作物分类，并对分类结果进行总结。
[0124]
监督分类，以一定数量的已知类别的样本作为训练样本，又称为训练分类。用已知样本的观测值来确定判别函数中所需要确定的参数这一步称为学习或训练，最后在根据判别准则进行样本类别的确定。监督分类可以依照分析的目标和领域，有选择性地确定分类类别，这样可以避免一些不必要的类别划分。另外，监督分类方法可以通过控制训练样本的选择，以此判断训练样本分类是否准确，避免在分类中出现严重错误。
[0125]
监督分类的步骤主要包括定义训练样本、执行监督分类和评价分类结果。数据选择的是7月13号的遥感影像，一方面是因为该影像中几乎不存在云阴影，另一方面是因为此时三种作物彼此的ndvi值差异较大，一定程度上能够减少分类误差。
[0126]
依据地面调查数据分别选取三种作物的训练样本，创建感兴趣区域。之后选择监督分类中的支持向量机法进行分类，得到分析区域内的作物分类结果，如图3所示。
[0127]
精度评价采用目视判读方法检验分类结果，检测精度如表4所示。
[0128]
表4监督分类精度评价
[0129][0130]
从表4中可以看出，监督分类结果的总体精度为65.23％，kappa系数为51.58％，说明该方法存在着较大的误差。
[0131]
总的来说，监督分类体系的确定和培训样本的选择等主观因素较强。分析员定义的类别可能不在图像中自然存在，这导致空间中多维数据的类别不是唯一的。此外，由于图像中同一类别对象的光谱差异不大，很难选择具有较好的代表性训练样本。在监督分类中还需要花费大量的人力和时间，来进行训练样本的选择和评价。监督分类方法只能用于识别训练样本中已经定义的类别。如果分析员不知道类别或其编号太小而无法定义，则无法识别监督分类。
[0132]
4.2非监督分类
[0133]
进行isodata非监督分类之后获得一个初步的结果。然后通过目视解译定义类别，将相同类别的子类进行合并，得到作物的分类结果，如图4所示。
[0134]
本发明的方法充分利用所有不受云干扰的多时相影像数据构建ndvi时间序列曲线，采用pearson相关系数对每个像素点进行作物类别的分类。因此，受到云阴影干扰的像素所得到的时间序列会变短。该方法适用于含云阴影较少的数据集。
[0135]
pearson相关系数是一个线性相关系数，它反映了两个变量之间的线性相关关系。
相关系数的绝对值越大，相关性越强：相关系数的绝对值越接近于1，相关度越强，相关系数越接近于0，相关度越弱。pearson相关系数公式如下：
[0136][0137]
式中，r表示pearson相关系数，n为样本量，x、y为两个变量。
[0138]
在实际处理过程中，变量x和y分别代表作物ndvi参考值和图像各点的ndvi真实值。前者由上一步构建的ndvi参考时间序列模型提供数据；后者为分析范围内19个时间段的ndvi实际数据。
[0139]
对于同一坐标位置的像素点，按照绘制参考曲线的方法，将其数值按照时间序列进行排列，形成像素的时间序列曲线，即分析区所对应位置的ndvi时间序列曲线。用pearson相关系数将该时间序列曲线分别与3条作物参考曲线进行比较。通过计算得到三个r值，分别是像素的时间序列曲线和玉米、大豆、小麦的参考时间序列曲线计算得到的pearson相关系数。尝试使用不同的阈值进行作物类别划分，最后决定当r值大于0.95时将其归类为作物，并将其作物类型归类为对应r值最大的作物。如果三个r值都低于0.95，则像素将被划分为其他类别。
[0140]
在所选取的19幅遥感影像中，有一半的影像存在云阴影的干扰，其中5幅图像的云阴影则超过了50％。为了消除云阴影对分类结果的影响，在分类过程中需要对数据进行处理。对存在云阴影较多的影像进行云检测并制作掩膜，通过执行云掩码将含云的区域的ndvi值设置为0。在最后得到的时间序列曲线中，ndvi值为0的点表示观测像元在此时刻受到云阴影的影响，缺少真实ndvi数据。
[0141]
如图5所示，该观测像元在6月19日受到云阴影的影响，在时间序列曲线中表现为纵坐标值出现异常波动。针对这些具有云信息图像的时间序列，我们构造了一个新的不受云信息影响的时间序列曲线。如果像素的时间序列曲线检测到零值，那么需要将参考曲线的相应值也设置为0，相当于删除含有云信息的部分。处理后的时间序列曲线如图6所示。
[0142]
不经过云处理的作物分类结果如图7所示，经过云处理的作物分类结果如图8所示。在图7中，由于云信息对检测的影响较大，所以大部分区域被划分为其他区域，使得计算得到的pearson相关系数较低。在图8中，经过云处理的作物分类结果比较理想，明显优于没有经过云处理的作物分类结果。
[0143]
在精度测试中，对分类结果同样采用目视判读方法检验其分类效果。在地面调查数据制作的感兴趣区域内随机选取256个样本点，并通过混淆矩阵进行精度验证。检测精度如表5所示。
[0144]
表5基于时间序列的分类精度评价
[0145][0146]
从表6中可以看出，总体准确率达到79.30％，kappa系数达到0.7061，说明该方法在利用具有云层信息的多时相遥感数据进行作物分类时具有良好的潜力。
[0147]
由于玉米和大豆的ndvi数值相似，常常被错误地归为大豆一类。而小麦常被归为其他类，这可能是由于小麦的样地比玉米和大豆少，代表性标准曲线较低。除此之外，作物分类产生误差还有其他一些原因，如：同一田块进行作物混合种植，会导致其ndvi时间序列曲线变化特征不明显；由于管理不善，部分作物缺乏施肥和灌溉，也会导致长势状况变差，表现为其ndvi曲线位置偏低，与该作物的参考ndvi曲线存在差异。
[0148]
本发明采用的三种方法的分类过程可以看出，监督分类和非监督分类两种方法使用的是单一影像数据，操作过程比较简单，但总体分类精度不高。特别是在非监督分类中的类别判定过程，分析者的主观判断往往对分类结果起着决定作用，容易产生较大误差。本发明提出的基于时间序列的分类方法，充分利用了多时相遥感数据，且能够处理少量云阴影的干扰，虽然操作过程较复杂，但分类结果精度更高，达到了预期的要求。
[0149]
综合利用农作物完全成长期的遥感数据和物候时，可以得到按作物在生长期各个阶段表现的生长情况，有效避免了单时相影像数据因无法表现植被生长情况差异而导致的类别错分或漏分，从而提高整体分类精度。不同作物的生长时间不同，时间序列的曲线形状也不同，ndvi峰值出现的时间点也不同，表现出一定的规律性。同一地区内的同种类型的作物，其成长过程和规律相对稳定，这同样也是利用时间序列数据进行地物分类的依据。基于农作物生长周期得到ndvi时间序列曲线，从中可以看出地块表面植被覆盖情况的长期变化，也反映出了各种作物生长过程中ndvi的动态变化。
[0150]
利用时间序列的ndvi数据来识别农作物的气候特征是进行农作物分类制图的一种常用方法，很多技术人员在这个领域进行了很多探索，得到了更理想的结果。本发明使用的分析方法的优点在于，在缺少作物ndvi实测参考数据的情况下，根据多时相影像数据和地面调查得到的作物区域坐标，就可以完成分析区的作物分类任务。
[0151]
基于遥感影像的作物分类是农业遥感领域的重要分析内容。本发明提出了一种基于多时相遥感数据的作物分类方法，包括对云干扰的处理。该方法利用可见光和近红外波段构建作物的ndvi时间序列，来区分不同作物的特征。不同于常见的作物分类方法，本发明在像元级的尺度上，根据构建的作物参考时间序列曲线，采用pearson相关系数对每个像素点进行作物类别的分类。得到了如下结论：
[0152]
(1)与传统的使用单时相遥感影像进行监督分类和非监督分类的方法相比，本发明实施例提出的方法充分利用了多时相的遥感数据，采用pearson相关系数进行作物分类。总体精度达到79.30％，kappa系数达到70.61％，验证了该方法的可行性。
[0153]
(2)分类特征变量选择ndvi植被指数，其时间序列曲线能明显反映作物生长周期
的变化过程，有效地弱化了不同作物之间的光谱混淆现象。
[0154]
(3)针对云阴影的干扰，本发明通过设置一个常数忽略云像素点，相当于删除云信息部分，构建新的不受云干扰的时间序列曲线，大大提高了分类精度。
[0155]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。