基于物候学和遥感的农作物识别方法与流程

本发明涉及数据分析技术领域，尤其是涉及一种基于物候学和遥感的农作物识别方法。

背景技术：

耕地信息提取是遥感专题信息提取的难点之一，这是由于耕地与背景地物在空间上镶嵌，因此对于遥感画面来说耕地与背景地物之间是相互交错而构成复杂的混合体。闷时，耕地因种植的作物、灌溉方式以及土壤属性的不同使得耕地内部不同地类之间光谱特征的可分性很小。

技术实现要素：

针对当前的缺少耕地遥感识别技术的缺陷，本发明实施例提出了一种基于物候学和遥感的农作物识别方法，至少部分的解决现有技术中存在的问题。

为了实现上述目的，本发明实施例提供了一种基于物候学和遥感的农作物识别方法，包括：

步骤1、对目标农作物的物候期进行分析以获取目标农作物在不同时间段的生长状态；

步骤2、根据目标农作物的生长规律，确定目标农作物的生长的物候历，并遥感数据的第四红光波段band4和第五红外波段band5，计算目标农作物的植被指数ndvi，

ndvi＝(band5-band4)/(band5+band4)；

步骤3、根据目标农作物在不同时间段的生长状态和对应的ndvi值，生成提取目标农作物的整个生长期的ndvi序列；

步骤4、利用分类树算法，根据ndvi值识别农作物和背景。

其中，所述步骤4具体包括：

获取目标区域的ndvi值，并判断ndvi≤0.15是否成立，如果是则该目标区域为水体，如果否，则根据目标区域的ndvi值与目标农作物在生长期的ndvi曲线相匹配，以区分目标区域为农业用地还是非农业用地。

其中，所述方法还包括：

步骤5、利用遥感光谱信息反演植被指数ndvi，并建立植被指数与产量的关系模型以预测产量。

其中，所述步骤5具体包括：

获取预设时间段内不同生长时期下目标区域的水稻种植面积每个像元的ndvi均值，以及预设时间段内的单位面积产量；

建立如公式1所示的多元回归模型，将水稻单位产量进行估算与实际值比较，选取方程拟合相关系数指标并计算与实际之间的相关关系，对多元回归模型进行评价分析；

y＝2116.8x1+9338.4x2+3351.4x3+13829.7x4–17930.9x5-2300.4(公式1)

其中，x1为分蘖期初期的目标区域水稻的ndvi均值；x2为分蘖期中期的目标区域水稻的ndvi均值；x3为分蘖期后期的目标区域水稻的ndvi均值；x4为抽穗期早期的目标区域水稻的ndvi均值；x5为抽穗期晚期的目标区域水稻的ndvi均值；

用率定的方程对预设区域的水稻单位产量进行估算。

其中，所述步骤5具体包括：

获取预设时间段内不同生长时期下目标区域的玉米种植面积每个像元的ndvi均值，以及预设时间段内的单位面积产量；

建立公式2的多元回归模型，将玉米单位产量进行估算与实际值比较，选取方程拟合相关系数指标并计算与实际之间的相关关系，对多元回归模型进行评价分析；

y＝4639-108574x1+46498x2+19556x3+191661x4-158471x5

(公式2)

其中，x1表示拔节期的目标区域玉米的ndvi均值；x2为抽穗期早期的目标区域玉米的ndvi均值；x3为抽穗期晚期的目标区域玉米的ndvi均值；x4为蜡熟期早期的目标区域玉米的ndvi均值；x5为蜡熟期晚期的目标区域玉米的ndvi均值；

用率定的方程对预设区域的玉米单位产量进行估算。

本发明的技术方案具有以下优势：

上述方案提出了一种基于物候学和遥感的农作物识别方法，能够更为准确的利用物候学和遥感技术对农作物进行识别，且能够进一步的对农作物的产量进行预估，以实现更为科学有效的农作物监测管理。

附图说明

通过下面结合附图对本发明的一个优选实施例进行的描述，本发明的技术方案及其技术效果将变得更加清楚，且更加易于理解。其中：

图1为本发明实施例的玉米和水稻整个生长期的ndvi序列示意图；

图2为分类树法识别农作物的流程示意图；

图3为采用本发明实施例的技术方案获取的水稻计算响应与实际响应的关系图；

图4为采用本发明实施例的技术方案获取的玉米计算响应与实际响应的关系图。

具体实施方式

以下将结合所附的附图对本发明的一个优选实施例进行描述。

耕地信息提取是遥感专题信息提取的难点之一，因为耕地与背景地物在空间上镶嵌，相互交错而构成复杂的混合体。闷时，耕地因种植的作物、灌溉方式以及土壤属性的不同使得耕地内部不同地类之间光谱特征的可分性很小。

1、遥感数据来源

2013年2月11日，美国航空航天局(nasa)成功发射landsat-8卫星。landsat-8卫星上携带两个传感器，分别是oli陆地成像仪(operationallandimager)和tirs热红外传感器(thermalinfraredsensor)。landsat-8在空间分辨率和光谱特性等方面与landsat1-7保持了基本一致，卫星一共有11个波段，波段1～7，9～11的空间分辨率为30米，波段8为15米分辨率的全色波段，卫星每16天可以实现一次全球覆盖。oli陆地成像仪有9个波段，成像宽幅为185x185km。与landsat-7上的etm传感器相比，oli陆地成像仪做了以下调整：band5的波段范围调整为0.845～0.885μm，排除了0.825μm处水汽吸收的影响；band8全色波段范围较窄，从而可以更好区分植被和非植被区域；新增两个波段。band1蓝色波段(0.433～0.453μm)主要应用于海岸带观测，band9短波红外波段(1.360～1.390μm)应用于云检测。

modis的全称为中分辨率成像光谱仪(moderate-resolutionimagingspectroradiometer)，是搭载在terra和aqua卫星上的一个重要的传感器，是卫星上唯一将实时观测数据通过x波段向全世界直接广播，并可以免费接收数据并无偿使用的星载仪器，全球许多国家和地区都在接收和使用modis数据。

modis产品有44种，可以分为大气、陆地、冰雪、海洋四个专题数据产品，其中mod13q1属于陆地专题的产品，全称为modis/terravegetationindices16-dayl3global250msingrid.，简称：mod13q1。

全球的mod13q1数据是一个采用sinusoidal投影方式的3级网格数据产品，具有250米的空间分辨率，每隔16天提供一次。当缺少250米分辨率的蓝波段时，evi算法使用500米分辨率的蓝波段矫正残余的大气影响。

植被指标用于反映全球植被环境条件监测和显示土地覆盖和土地覆盖变化，这些数据可作为模拟全球生物地球化学过程、水文过程以及全球或者区域性气候的输入数据，也可用于描述陆地表面生物物理性质和过程，包括初级生产量和土地覆被转换。

ndvi(normalizeddifferencevegetationindex，归一化差值植被指数，以下统称为植被指数)是一种有效的土地利用覆盖监测、植被覆盖密度评价、作物识别和作物产量预报的技术。作物在不同生长季节、不同生育期具有不同的生理特征，并在某些方面(如群体特征)通过ndvi来反映。因此多时相ndvi数据的时间变化曲线能够充分表现同一作物在不同生育期及不同作物在同一生育期的差异。

本发明实施例中医玉米和水稻为例来进行说明。本发明实施例中利用多时相landsat-8卫星2015年多期遥感影像生成ndvi及其特征波段，结合地物光谱的时间变化效应和空间变化特征信息，采用决策树分类算法进行分类，达到高精度识别作物类别的目的。

2、农作物的物候学特征：

物候学主要是研究自然界的植物(包括农作物)、动物和环境条件(气候、水文、上壤条件)的周期变化及其之间相互关系的科学，是气候学、农业气象学和生态学之间的边缘学科。外界环境对农作物生长和发育的影响是一个极其复杂的过程。通常，我们用仪器可以对当时环境条件的某些个别因素进行探测记录，而物候现象却可以将过去和现在各种环境因素进行综合反映。

因此，物候现象可以被用来评价环境对农作物影响的总体效果，同时也可以作为整体环境因素影响的指标。研究区玉米和水稻的生长的物候历见表1，并利用2015年3月到10月多景陆地卫星landsat-8数据，计算相应的ndvi值，ndvi值通过landsat8-产品的第四个红光波段(band4)与第五个红外波段(band5)计算获得，计算公式为ndvi＝(band5-band4)/(band5+band4)，利用arcgis中的spatialanalyst-rastercalculator计算(float(band5)-float(band4)/float(band5)+float(band4))值，结果输出为一幅ndvi图象，并结合地面观测水稻和玉米的点位，分别提取玉米和水稻整个生长期的ndvi序列，见图1所示。

表1玉米和水稻的物候历

对玉米的物候期加以分析，5月上旬到中旬播种玉米；5月下旬到6月上旬玉米种子胚乳养分已基本耗尽，幼苗开始从土壤内吸收养分，玉米从自养生活转向异养生活；6月中下旬到7月上旬玉米茎的节间向上迅速伸长，此时植株生长快，需要大量水分、养料，ndvi逐步上升；7月中下旬到8月中上旬是玉米的抽穗期，标志着玉米由营养生长(根和茎、叶等的生长)转向生殖生长(开花、结果)，也就是营养生长和生殖生长旺盛的并进阶段，这是决定玉米产量最关键时期，这一时期也是玉米一生中生长发育最快，对养分、水分、温度、光照要求最多的时期，因此是使用灌溉、穗肥追肥的关键时期，在这一时期ndvi达到最大值；8月下旬开始逐步进入成熟期，此后随着玉米的逐渐成熟，叶片中的叶绿素含量渐渐减少，ndvi又逐渐下降。随着玉米的播种、生长、抽穗、成熟，反映植被生长状况的ndvi值也出现明显的波动规律。

对水稻的物候期加以分析，5月到6月上旬播种水稻；6月中下旬开始移栽；7月到8月中上旬水稻进入分蘖期，早期生出的能抽穗结实的分蘖称为有效分蘖，晚期生出的不能抽穗或抽穗而不结实的称为无效分蘖；8月中下旬到9月上旬是水稻的抽穗期，标志着水稻进入营养生长和生殖生长旺盛的并进阶段，这是决定玉米产量最关键时期，在这一时期ndvi达到最大值；9月中旬开始逐步进入成熟期，此后随着水稻的逐渐成熟，叶片中的叶绿素含量渐渐减少，ndvi又逐渐下降。对比玉米和水稻的物候期的不同，可以看出，水稻的抽穗期和成熟期整体滞后于玉米的抽穗期和成熟期，其中抽穗期ndvi达到最大值，反映在ndvi时间序列上，水稻的ndvi峰值要比玉米的峰值提前，随后各自进入成熟期后ndvi开始下降。

3、分类树法识别农作物

由于玉米与水稻物候期差异的存在，本次研究采用分类树法，利用遥感数据对农作物类型进行分类，进而提取农作物面积。遥感数据选用了具有较高空间分辨率和光谱分辨率的四景陆地卫星landsat-8数据，时间分别为2015年6月16日、2015年7月18日、2015年9月4日、2015年9月20日，空间分辨率为30m。分类树法识别农作物过程见图2。2015年9月4日期遥感图像计算的ndvi以0.15为界限，小于0.15的认为是水体，大于0.15的是非水体。再对非水体进行进一步分类，由农作物的物候历和ndvi曲线可知，7月和8月是重要的作物生长时期，也是ndvi的高峰期，因此种植农作物的区域，6月中旬的ndvi应小于7月中旬，9月初的ndvi应大于9月末，将此作为条件区别农业用地和非农业用地。由ndvi曲线峰值的差异，对比2015年9月4日、2015年7月18日两期遥感卫星数据，水稻的峰值在9月4日，而玉米的峰值在7月18日，由此识别出玉米和水稻，并提取农作物种植面积。

根据提取结果就可以确定出识别区域内的总耕地面积、水稻耕种面积、玉米耕种面积。

4、建立遥感估产模型

传统的农作物估产，主要采用人工区域调查方法，其速度慢、工作量大、成本高，且难以满足作物产量预测的精度要求。遥感技术具有宏观、客观、快速、低成本等特点，可以克服传统估产方法的局限，并已逐渐成为近几十年来农作物估产和长势监测的新兴技术。

目前，农作物遥感估产已取得了很大发展，归纳起来，主要有三种类型：第一种为基于农学机理的遥感估产模型，主要利用遥感影像的光谱信息反演植被生长所需的水、氮等养分信息，进而获取植被长势情况，得到最终的粮食产量。如冯伟等通过测定植株氮含量、重量和叶面积指数及成熟期籽粒产量，定量分析小麦籽粒产量与冠层高光谱参数的相互关系，并建立了基于高光谱参数的作物籽粒产量预测模型。第二种为基于遥感与作物生长模型的估产模型，主要利用遥感光谱信息反演部分作物生长参数，并与作物生长模型结合，建立作物生长遥感估产模型。如padilla等利用grami模型和tm遥感影像对西班牙南部区域作物生产进行了监测，并取得了较为满意的估算结果。

第三种为基于植被指数的遥感估产模型，主要利用遥感光谱信息反演植被指数，并建立植被指数与产量的关系模型，得到最终的粮食产量。归一化植被指数ndvi作为一种常用的植被指数之一，被较多地用来研究作物长势监测和产量估测。归一化植被指数不仅反映了植被生长状况、生产率及其它生物物理、化学特征，还可以消除与太阳高度角、地形、阴影和大气条件对卫星探测光谱信息的影响，其变化与作物生长状况、发育时期关系非常紧密。因此，ndvi在作物生物量、叶面积、农作物产量反演等方面被广泛应用。moriondo等利用ndvi数据集建立了作物产量估算模型，并对模型精度进行了实地验证和评估。本次研究就采用第三种遥感估产模型，建立植被指数ndvi与产量的关系。

4.1、水稻的估产模型

从水稻生长的各个关键生育期可看出，水稻生长前期的ndvi值可以反映秧苗营养的好坏，中期可以反映秧苗的生长变化到稻穗生长变化的情况，后期可以反映水稻是否青秆黄熟或者倒伏的情况，都不能很准确的估算水稻的产量。在单个生育期比较时，抽穗期的各项指标相对其他单个生育期较优，主要是因为水稻抽穗后，生长变化较大，变化的方向以及变化的强度对水稻产量的高低具有关键作用，并且将决定水稻是否早衰、青秆黄熟、贪青徒长甚至倒伏。对作物生育期进行组合的复合模型与对应生育期的单独模型相比，多个生育期组合更能从机理上反映水稻长时间的ndvi值变化，能够反映整个生育期内水稻长势变化，缩小单独生育期与产量之间的误差。

采用2003—2010年8年铁岭市水稻数据为样本点，结合水稻的3个生育期(分蘖期、抽穗期、成熟期)内的5期modis—ndvi影像数据(见图4，7月上旬、7月中旬、8月上旬、9月上旬和9月中旬)。

建立2003—2010年8年不同生长时期下铁岭市水稻种植面积每个像元的ndvi均值与铁岭市8年的单位面积产量建立多元回归模型(见公式4-1)，对水稻单位产量进行估算与实际值比较，选取方程拟合相关系数指标、计算与实际之间的相关关系见图3，对多元回归模型进行评价分析。

y＝2116.8x1+9338.4x2+3351.4x3+13829.7x4–17930.9x5-2300.4

其中，x1表示七月上旬铁岭市水稻的ndvi均值；x2表示七月中旬铁岭市水稻的ndvi均值；x3表示八月上旬铁岭市水稻的ndvi均值；x4表示九月上旬铁岭市水稻的ndvi均值；x5表示九月中旬铁岭市水稻的ndvi均值。r²＝0.637。

用率定的方程对柴河水库饮用水水源地二级保护区的2015的水稻单位产量进行估算。估算结果见表2。水稻种植面积结果来自遥感手段区别作物类型一节中的解译结果。水稻总产量为1925.8吨。

表2水稻遥感估产结果

4.2、玉米的估产模型

从玉米生长的各个关键生育期可看出，玉米生长前期的ndvi值可以反映秧苗营养的好坏，中期可以反映秧苗的生长变化到玉米生长变化的情况，后期可以反映玉米是否青秆黄熟或者倒伏的情况，都不能很准确的估算玉米的产量。在单个生育期比较时，抽穗期的各项指标相对其他单个生育期较优，主要是因为玉米抽穗后，生长变化较大，变化的方向以及变化的强度对玉米产量的高低具有关键作用，并且将决定玉米是否早衰、青秆黄熟、贪青徒长甚至倒伏。对作物生育期进行组合的复合模型与对应生育期的单独模型相比，多个生育期组合更能从机理上反映玉米长时间的ndvi值变化，能够反映整个生育期内玉米长势变化，缩小单独生育期与产量之间的误差。

采用2003—2010年8年铁岭市玉米数据为样本点，结合玉米的3个生育期(拔节期、抽穗期、蜡熟期)内的5期modis—ndvi影像数据(7月上旬、7月中旬、8月上旬、9月上旬和9月中旬)。建立2003—2010年8年不同生长时期下铁岭市玉米种植面积每个像元的ndvi均值与铁岭市8年的单位面积产量建立多元回归模型(见公式2)，对玉米单位产量进行估算与实际值比较，选取方程拟合相关系数指标、估算与实际之间的相关关系图(见图4)对多元回归模型进行评价分析。

y＝4639-108574x1+46498x2+19556x3+191661x4-158471x5

其中，x1表示七月上旬铁岭市玉米的ndvi均值；x2表示七月中旬铁岭市玉米的ndvi均值；x3表示八月上旬铁岭市玉米的ndvi均值；x4表示九月上旬铁岭市玉米的ndvi均值；x5表示九月中旬铁岭市玉米的ndvi均值。r²＝0.914。

用率定的方程对柴河水库饮用水水源地二级保护区的2015的玉米单位产量进行估算。估算结果见表3。玉米种植面积结果来自遥感手段区别作物类型一节中的解译结果。玉米总产量为73204.7吨。

表3玉米遥感估产结果

对于所属技术领域的技术人员而言，随着技术的发展，本发明构思可以不同方式实现。本发明的实施方式并不仅限于以上描述的实施例，而且可在权利要求的范围内进行变化。