一种作物空间异质性量化表达方法及系统

本发明属于农田景观区遥感图像处理，尤其涉及一种作物空间异质性量化表达方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、作物类型的空间分布对于作物生长监测、产量估计和灾害评估至关重要。作物空间分布的准确描述能够为不同作物生长期从局域到全球作物的分类创造有利条件，以便更加有针对性地开展作物分布对作物遥感识别与面积估算的影响机制分析。

3、近年来，国内外学者利用各种关键技术开展作物空间分布精确制图的研究，在农作物遥感识别的理论、方法和应用方面取得了长足发展。目前研究在作物分布规整、单种类型作物分布集中的大规模产区，如美国、巴西、以及我国东北地区，仅依靠单时相影像即可取得高精度作物制图；而在我国作物空间异质性复杂区域具有耕地地块破碎、作物种植结构复杂、种植模式多样等特点，遥感影像难以做到高精度作物识别。前期研究发现，监测区内部作物破碎度、地块形状、聚集度等农田景观异质性指标对于作物遥感识别精度和分类算法均有明显影响。因此，如何量化作物空间异质性复杂区域、依据作物分布特性进行作物识别是当前重点关注内容之一。

4、发明人发现，现有针对作物空间异质性量化表达研究主要包含两方面问题：

5、第一，如何进行作物空间异质性量化表达。一方面国内外学者多使用一些定性词汇来从农业景观的角度描述作物的空间分布，如小农农业、异质性景观和碎片化区，缺少理论依据；还有学者使用平均耕地斑块面积等单一指标衡量空间异质性，但是无法对作物分布状况综合描述；另一方面，现有研究将作物空间异质性复杂区域看作为一个整体研究，没有对作物分布状况进行分区，忽略了区域内部异质性影响造成的复杂作物类型，因此，耕地破碎区域难以高精度识别。

6、第二，如何将景观生态学知识融入作物空间异质性表达。从景观生态学角度，景观格局一般用以描述不同形状、大小、数量和空间组合的景观斑块。景观指数是景观格局分析的指标，也是反映其格局的重要参数，是景观生态学研究方法的一大创新。将景观指数融入作物空间异质性量化，可以充分表达作物空间分布状况。而众多景观指数具有较强相关性，造成数据冗余问题。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了一种作物空间异质性量化表达方法及系统，针对作物空间分布复杂多样的农业景观，为如何进行作物制图和选择空间光谱特征提供了理论依据和指导。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、本发明第一方面提供了一种作物空间异质性量化表达方法。

4、一种作物空间异质性量化表达方法，包括以下步骤：

5、获取研究区遥感影像，对遥感影像进行预处理，得到样本数据集；

6、选取初始景观指标，基于样本数据集，计算研究区初始景观指标的初始景观指数；

7、对初始景观指数进行相关性分析，剔除反映相同空间特点的相关性较强的初始景观指标，获得最优景观指标；

8、建立包含公因子向量的因子分析模型，对最优景观指数进行因子分析，估计公因子向量的公因子得分，根据公因子得分情况，判断最优景观指标对每类公因子的贡献率大小，对最优景观指标进行筛选，得到与描述每类公因子重要性相关联的最优景观指标，将与描述每类公因子重要性相关联的最优景观指标作为作物空间异质性指标；

9、采用k-means聚类方法将样本数据集划分地块类别，计算每个地块类别的公因子得分，根据每个地块类别的公因子得分情况，通过每类公因子的作物空间异质性指标描述公因子代表的生态意义，进而对每个地块类别的作物分布状况与分类结果进行描述。

10、优选的，初始景观指标包括：

11、面积_周长_密度指数：景观类型面积百分比、平均斑块面积、景观要素斑块密度、边缘密度；

12、形状指数：景观形状指数、面积加权的平均形状指数、面积加权的平均斑块分维数；

13、蔓延度指数：平均最近距离、景观分离度、聚集度指数、蔓延度指数；

14、多样性指数：香浓多样性指数、均匀度指数。

15、优选的，对初始景观指数采用spearman相关分析来反映指数间的相关程度，在斑块类型和景观水平上分别对初始景观指标的数据计算秩相关系数，秩相关系数的绝对值越接近1，则代表相关性越强。

16、优选的，建立包含公因子向量的因子分析模型，对最优景观指数进行因子分析，估计公因子向量的公因子得分，具体包括：

17、s104-1：对最优景观指标进行相关性分析，检验最优景观指标是否适合做因子分析；

18、s104-2：建立因子分析模型，同时对样本数据集标准化，求取标准化后样本数据集的相关矩阵；

19、s104-3：基于主成分分析法求解因子分析模型的因子载荷矩阵，确定公共因子变量；

20、s104-4：使用方差最大法对因子载荷矩阵进行旋转；

21、s104-5：根据旋转后的因子载荷矩阵对公因子向量进行因子得分估计，根据最优景观指标对每类公因子的贡献率大小判断最优景观指标的重要性，并对最优景观指标进行筛选，最终得到描述作物空间异质性的指标。

22、优选的，所述因子分析模型为：

23、x＝a×f+e

24、其中，x为原变量向量，a为公因子荷载矩阵，f为公因子向量，e是公因子对数据的方差的影响。

25、优选的，利用回归的方法求取单个公因子的得分，得分函数为：

26、fj＝cj1x1+…+cjpxp；

27、其中，cjp为因子fj在标量xp上的得分；j＝1,2,…m。

28、优选的，采用k-means聚类方法将样本数据集划分类别,具体包括：

29、随机选取k个样本数据作为初始聚类中心；

30、计算每个待聚类数据对象到初始聚类中心的距离，将待聚类数据对象指派到距离最小的类簇中，进行归类；

31、归类后，重新计算每一个类中的质心，更新k个聚类中心的值；

32、对于更新后的k个聚类中心，重复执行s104-2与s104-3，当满足设定条件时迭代结束，完成分类。

33、本发明第二方面提供了一种作物空间异质性量化表达系统。

34、一种作物空间异质性量化表达系统，包括：

35、数据集获取模块，被配置为：获取研究区遥感影像，对遥感影像进行预处理，得到样本数据集；

36、初始景观指数计算模块，被配置为：选取初始景观指标，基于样本数据集，计算研究区初始景观指标的初始景观指数；

37、最优景观指标选取模块，被配置为：对初始景观指数进行相关性分析，剔除反映相同空间特点的相关性较强的初始景观指标，获得最优景观指标；

38、作物空间异质性指标获取模块，被配置为：建立包含公因子向量的因子分析模型，对最优景观指数进行因子分析，估计公因子向量的公因子得分，根据公因子得分情况，判断最优景观指标对每类公因子的贡献率大小，对最优景观指标进行筛选，得到与描述每类公因子重要性相关联的最优景观指标，将与描述每类公因子重要性相关联的最优景观指标作为作物空间异质性指标；

39、描述模块，被配置为：采用k-means聚类方法将样本数据集划分地块类别，计算每个地块类别的公因子得分，根据每个地块类别的公因子得分情况，通过每类公因子的作物空间异质性指标描述公因子代表的生态意义，进而对每个地块类别的作物分布状况与分类结果进行描述。

40、本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的作物空间异质性量化表达方法中的步骤。

41、本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的作物空间异质性量化表达方法中的步骤。

42、以上一个或多个技术方案存在以下有益效果：

43、本发明提供了一种作物空间异质性表达方法及系统，创造性的使用景观指数定量评价作物分布的空间异质性，选取一系列初始的景观指数，运用相关分析以及因子分析等方法对景观指数进行筛选，确定农田景观的定量化描述指标，并降低指数之间的相关性与冗余性，有效的避免了信息重复，提高了量化结果的鲁棒性，实现了对农田景观的分布定量化的描述，研究结果为建立统一的作物异质性评价框架提供了途径，也为改进有效的大尺度作物制图提供指导和建议。

44、本发明提供了一种作物空间异质性量化表达方法与系统，其通过因子分析对多个变量进行降维处理与分析评价，能够在保留尽可能多的信息的原则下对原始数据进行压缩，使得因子的意义更加明确；通过对因子载荷矩阵进行正交旋转，可以利用公因子对全体指标变量分类，探索问题的潜在因素，能够对分析结果进行合理的总结。

45、本发明提供了一种作物空间异质性表达方法及系统，其通过k-means聚类方法实现景观单元的分区，通过多次试验得到最优分类数目，采用分层次聚类分析方法对景观单元进行了生态分区，研究结果可以分类讨论农作物异质区有助于提高遥感识别与作物分类的精度。

46、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。