[发明专利]一种基于物候分析的棉花遥感监测方法

摘要

本发明属于农业遥感领域，具体涉及一种基于物候分析的棉花遥感监测方法，包括：结合区域棉花光谱特征分析和干扰农作物物候分析，明确棉花识别关键时相；获取关键物候期遥感影像，并进行预处理；对多时相影像进行多尺度分割，分层构建分类器，初步提取棉花信息；对棉花信息初步结果及可能混分的对象进行二次分割，结合棉花光谱特征、纹理特征构建分类器，去除混分，增补漏提的棉花信息；对提取的棉花信息子类进行归并和输出制图。本发明通过棉花与干扰农作物的物候期分析结合基于遥感影像的分层分类方法实现了棉花种植信息的自动提取，充分考虑棉花与其他干扰农物的光谱差异和纹理特征，使棉花种植信息提取结果更准确快速，易于推广应用。

主权项

1.一种基于物候分析的棉花遥感监测方法，其特征在于，包括如下步骤：步骤一、结合区域主要作物物候分析和棉花光谱特征分析，明确棉花遥感监测的关键时相；1.1、确定棉花种植期主要的干扰农作物类型及其物候，制作物候表，所述的主要干扰农作物包括冬小麦、玉米、花生、大豆；1.2、绘制棉花光谱特征曲线；1.3、结合不同生长阶段的棉花光谱特征曲线分析，并基于遥感影像目视解译，建立棉花生长阶段的遥感影像解译标志；具体过程如下：棉花处于播种期和出苗期，遥感影像均呈现裸地信息；棉花处于蕾期，遥感影像呈粉红色，呈现棉花植被初期的地面特征；棉花处于花铃期和吐絮期，遥感影像呈玫红色，呈现棉花茂盛的植被地面特征；棉花处于收获期，遥感影像呈浅红色，呈现棉花枯萎的植被地面特征；1.4、梯度划分；将棉花识别关键期分为四个梯度，第一梯度为未播种、播种期和苗期，地表特征为裸地特征；第二梯度为蕾期、花铃期、吐絮期，地表特征为植被特征；第三梯度为成熟收获期，地表特征为植被特征；第四梯度为成熟收获期之后，地表特征为裸地特征；1.5、在每一梯度范围内采用移动窗口法选取该梯度内棉花识别关键时相；具体过程如下：在每一梯度内，以旬为步长在物候表中移动窗口，与棉花地表特征相反的干扰农作物种类个数最大时的时相确定为该梯度内棉花识别关键时相；1.6、结合遥感数据的可用性，在每个梯度内棉花识别关键时相中确定棉花遥感监测关键时相。步骤二、在棉花所处的花铃期和吐絮期的时相之间选取一期植被生长旺盛时期的遥感影像；步骤三、获取关键时相遥感影像，进行预处理；以一个时相的遥感影像为参考，对其他时相的遥感影像进行图像配准；步骤四、对多时相遥感影像进行多尺度分割，分层构建分类器，初步提取棉花；具体过程如下：4.1、对多个棉花识别关键时相的遥感影像进行多尺度分割，最优分割尺度为同时满足每个时相的遥感影像对象的光谱分割指数为峰值时所对应的各时相分割尺度值的平均值；4.2、构建不同的影像信息层Lt，t为所用不同影像期数；4.2.1、对选取的植被生长旺盛时期的遥感影像构建分类层的第1层记为L1，在分类层L1中，建立多时相光谱特征分类器f(L11)，提取遥感影像中所有的植被地物，所述的植被地物包括园林地、棉花、干扰农作物；在分类层L1中，构建多时相光谱特征分类器f(L12)，剔除遥感影像中所有的园林地，遥感影像中剩下的植被地物信息包括棉花、干扰农作物；4.2.2、选取第一梯度棉花识别关键时相的遥感影像，构建分类层的第2层记为L2，在分类层L2中，建立多时相光谱特征分类器f(L2)，剔除春季生长茂盛的干扰农作物；4.2.3、选取第二梯度棉花识别关键时相的遥感影像，构建分类层的第3层记为L3，在分类层L3中，建立多时相光谱特征分类器f(L3)，剔除呈现裸地特征的干扰农作物玉米、大豆，遥感影像中剩下的植被地物信息为棉花和花生；4.2.4、选取第三梯度棉花识别关键时相的遥感影像，构建分类层的第4层L4，在分类层L4中，建立多时相光谱特征分类器f(L4)，剔除呈现裸地特征的干扰农作物花生，遥感影像中剩下的植被地物信息为棉花的初步信息结果。式中，Vndvi为植被归一化指数值，VBrightness为波段平均亮度值，VGLCMContrast(all dir)为纹理对比度值，VBlue_Mean为蓝波段波段平均值，VMax.diff为最大异质性指数值，a、b、c、d、e、f、g、h为阈值。步骤五、对步骤四中得到的遥感影像中棉花的初步信息结果及可能混分为棉花的其他干扰农作物信息二次多尺度分割，构建分类器，精细提取棉花信息；5.1、对步骤四中得到的遥感影像中棉花的初步信息结果及可能混分为棉花的其他干扰农作物信息进行二次多尺度分割；与棉花混分的干扰农作物为花生、大豆；所述的二次多尺度分割所基于的遥感影像为最后一个梯度棉花识别关键时相所对应的遥感影像；二次多尺度分割最优尺度选择：二次多尺度分割对象作为目标区域，以干扰农作物最少遥感影像近红外波段均值方差为评估参数，以3为分割尺度下限，2为步长，步骤四中初次分割的最优分割尺度为上限，选择均值方差值最大时对应的分割尺度为二次多尺度分割的最优分割尺度；5.2、构建分类器；结合棉花光谱特征曲线以及纹理特征构建分类器f(L)，如下式所示，从二次多尺度分割后的棉花初步信息结果中剔除与棉花混分的干扰农作物，提取棉花子类1信息，从其他干扰农作物花生、大豆中分别提取漏分的棉花子类2信息与棉花子类3信息；其中，Vndvi为植被归一化指数值，VBrightness为波段平均亮度值，VGLCM Contrast(all dir)为纹理对比度值，VMean4为近红外波段的波段平均值，k、l、m、n、o、p为阈值；步骤六、对提取的棉花各类信息进行归并，输出制图。