一种基于多时相植被变化指数图的农作物识别方法与流程

1.本发明属于农业遥感技术领域，更具体地说，涉及一种基于多时相植被变化指数图的农作物识别方法。


背景技术：

2.我国是个农业大国，农作物种植呈现区域广、差异大、季节性变化复杂的特点，因此农作物种植面积监测统计就显得尤为重要。从国家层面出发，对宏观种植情况进行指导和调整以满足社会发展的需要，是农业生产的主要目标；从区域层面，及时获取作物种植面积是研究粮食区域平衡，预测农业综合生产力和人口承载力的基础；同时农作物识别与种植面积数据制图是作物长势、风险胁迫、产量评估等生产参量监测预测，种植结构调整与供需决策分析以及耕地资源安全与生态效应评估等工作的基础数据。
3.目前往往通过遥感作物识别技术得到农作物的种植面积及种植分布，现有的遥感作物识别技术一般根据作物生长规律对应的特定时相影像数据的光谱纹理特征差异或多期数据的时间序列特征区分不同作物种植分布；上述遥感作物识别技术的方法存在以下缺陷：
4.1、特定时相影像数据作物识别受数据可获取性的限制以及干扰作物的影响，在作物种植品种多样的情况下，容易与其他作物品种混淆，因此，得到的农作物的种植面积及种植分布往往不够精确，从而影响后续分析与评估。
5.2、目前的多时相时间序列特征只是简单的多期数据的特征罗列，所述多时相时间序列特征不具有代表性，难以表达作物生育期的时间信息；且时间序列影像中获取的时序特征表现复杂，如同一作物不同种植时间引起的特征差异、不同作物生育期重合引起的时序特征相似，从而导致对目标植物的种植面积统计出现过大或者过小的情况，统计不够精准；
6.3、当前作物识别常采用多种光谱指数和纹理特征，计算复杂，数据处理压力大，数据处理成本高，难以总结分析作物差异化规律。


技术实现要素：

7.本发明要解决的技术问题在于提供一种基于多时相植被变化指数图的农作物识别方法，它可以实现精准快速地统计并得到目标植被的分布范围和分布面积，并且在识别统计过程中的数据处理压力小。
8.本发明的一种基于多时相
±
植被变化指数图的农作物识别方法，包括：得到待识别区域内的至少一个目标作物的一个作物季的影像数据；得到目标作物在一个作物季内的时相ndvi变化指数，ndvi变化指数表示前后两个相邻时相的影像ndvi的变化速率；训练随机森林识别模型，其输入特征为待识别区域的影像光谱信息、时相ndvi变化指数，其输出特征为所述目标植物的分布范围。
9.作为本发明的进一步改进，时相ndvi变化指数的计算方法包括：
ndvi
前时相
和ndvi
后时相
分别表示相邻的前后时相影像的ndvi数值，doy
后时相
与doy
前时相
分别表示相邻的前后时相影像对应的年积日。
10.作为本发明的进一步改进，还包括得到地块样方内的目标作物的一个作物季内的时相ndvi值和/或ndvi曲线，并计算得到相差指数r；随机森林识别模型的输入特征还包括相差指数r。
11.作为本发明的进一步改进，相差指数r的计算方法包括：得到目标作物的一个作物季内的ndvi的最大值ndvi
max
和ndvi的最小值ndvi
min
，或
12.作为本发明的进一步改进，随机森林得到所述目标植物的分布范围的方法包括：
13.得到待识别区域内相差指数在r
±
a％范围内的区域，所述区域为初步识别得到的目标作物的分布区域，记为初步分布区域；
14.时序ndvi变化指数表示为ndvi
变化指数1
、...、ndvi
变化指数n
，n》＝1；
15.分别得到初步分布区域内ndvi变化指数为ndvi
变化指数1
、...、ndvi
变化指数n
的区域，并将所得到的区域取交集，最终得到的区域即为目标作物在待识别区域内的所有分布区域。
16.作为本发明的进一步改进，还可以输出目标作物在待识别区域内的种植分布图，输出步骤包括：在待识别区域内对ndvi变化指数进行rgb彩色合成，得到ndvi变化指数-rgb合成图，并得到目标作物的ndvi变化指数ndvi
变化指数
所对应的颜色，所述颜色在ndvi变化指数-rgb合成图显示的区域即为目标作物在待识别区域内的种植分布图。
17.作为本发明的进一步改进，还可以输出目标作物在待识别区域内的种植分布图，输出步骤包括：
18.在待识别区域内对相差指数进行rgb彩色合成，得到待识别区域内的相差指数-rgb合成图，并得到目标作物的相差指数r所对应的颜色，从而得到目标作物在待识别区域内的初步分布范围；
19.在初步分布范围内对ndvi变化指数进行rgb彩色合成，得到ndvi变化指数-rgb合成图，并得到目标作物的ndvi变化指数ndvi
变化指数
所对应的颜色，所述颜色在ndvi变化指数-rgb合成图显示的区域即为目标作物在待识别区域内的种植分布。
20.作为本发明的进一步改进，得到待识别区域内的至少一个目标作物的一个作物季的影像数据的步骤包括：
21.获取待识别区域内的sentinel-2数据，筛选出待识别区域无云影像；叠加待识别区域矢量数据，对sentinel-2数据进行裁剪和拼接，并利用欧空局配套snap软件平台进行大气校正、重采样、波段合成、投影坐标转换，完成待识别区域内目标作物的一个作物季的影像数据准备。
22.相比于现有技术，本发明的有益效果在于：
23.(1)提出了多时相ndvi变化指数，并将多时相的ndvi变化指数进行合成，实现时序数据的时间序列特征变化空间可视化，作为随机森林分类算法模型的训练特征，用于对目标作物的种植分布识别，提高了作物可区分性，同时综合了多时相特征，降低了数据处理维
度，提高了处理效率；
24.(2)通过多时相卫星影像数据的变化信息融合，降低了对关键时相卫星数据的需求，减少了需要处理和收集的数据，减少了信息冗余；
25.(3)ndvi变化指数表示前后两个相邻时相的影像ndvi的变化速率，多时相ndvi变化指数将时间信息融合到光谱图像中，模拟出作物的生长过程，且具有时序可扩展性；且每种作物的生长过程均具有其特性，避免了同一作物不同种植时间引起的特征差异、不同作物生育期重合引起的时序特征相似而导致的统计不精准的情况发生，以使得到的目标植物的分布范围精准，分布图分布直观；
26.(4)ndvi变化指数的计算过程中，不仅需要计算相邻前后时相影像的ndvi数值，还需要计算相邻的前后时相影像对应的年积日，计算数据需要计算的数据多；而本方案中还缩小了需要使用ndvi变化指数进行识别的识别区域，减少了需要计算的ndvi变化指数的数量，大大减少了需要处理的数据，降低了数据处理压力，减少了数据处理成本，提高了数据处理效率。
附图说明
27.图1为本发明的整体流程图；
28.图2为本发明的整体流程图；
29.图3为本发明的部分技术流程图；
30.图4为本发明的部分技术流程图；
31.图5为本发明的试验区的作物统计图；
32.图6为本发明的识别得到的油菜小麦作物种植分布图；
33.图7为本发明的识别得到的玉米水稻作物种植分布图。
具体实施方式
34.具体实施例一：请参阅图1-7的一种基于多时相植被变化指数图的农作物识别方法，用于识别待识别区域内不同种类的作物，并统计待识别区域内的不同种类的作物的分布情况，待识别区域内的作物至少包括两种；
35.在本实施例中，待识别区域内的作物有两种，待识别区域内的作物为目标作物a和目标作物b，目标作物a和目标作物b处于同一个作物季，一种基于多时相植被变化指数图的农作物识别方法包括以下步骤：
36.s1：通过欧空局哨兵数据官网，获取sentinel-2数据，筛选出待识别区域无云影像；叠加待识别区域矢量数据，对sentinel-2数据进行裁剪和拼接，并利用欧空局配套snap软件平台进行大气校正、重采样、波段合成、投影坐标转换，完成待识别区域内作物的一个作物季的影像数据准备；
37.得到所述作物在一个作物季内的每个月的sentinel-2数据时相。
38.s2：根据地块样方，提取地块样方对应区域内的ndvi像素，并计算ndvi均值，分别得到目标作物a和目标作物b在一个作物季内的每个月所对应的ndvi；ndvi作为最普遍通用的一种植被指数，可以监测植被生长状态、植被覆盖度，消除部分辐射误差；其中，
39.ndvi＝(nir-red)/(nir+red)
40.red为红波段，nir为近红外波段。
41.s3：分别得到目标作物a和目标作物b在一个作物季内的ndvi曲线，其中，月份为x轴，ndvi值为y轴；
42.得到目标作物a在一个作物季内的ndvi的最大值ndvi
max1
和ndvi的最小值ndvi
min1
，从而得到目标作物a生长成熟过程中的ndvi的相差指数ra，相差指数ra的计算方式为或
43.s4：得到目标作物b在一个作物季内的ndvi的最大值ndvi
max2
和ndvi的最大值ndvi
min2
，从而得到目标作物b生长成熟过程中的ndvi的相差指数rb，相差指数rb的计算方式为或或
44.s5：计算并得到目标作物a和目标作物b的ndvi变化指数；ndvi变化指数定义为相邻的前后两个月的影像ndvi的变化速率，表达特定时期内作物ndvi的变化情况；ndvi变化指数的计算公示如下：
[0045][0046]
式中，ndvi
前时相
和ndvi
后时相
分别表示相邻的前后时相影像的ndvi数值，doy
后时相
与doy
前时相
分别表示相邻的前后时相影像对应的年积日；为了保持尺度一致，所以对前后时相ndvi变化值放大了100倍，以保证ndvi变化指数数值落在[-2，+2]范围内；
[0047]
将目标作物a的ndvi变化指数记为ndvi
变化指数a
，将目标作物b的ndvi变化指数记为ndvi
变化指数b
。
[0048]
s6：训练随机森林识别模型，并通过随机森林识别模型得到识别结果；随机森林算法擅长处理具有高维特征的输入样本，并且具有较高的精确度和泛化性能，因此利用随机森林算法区分目标作物a和目标作物b；所述随机森林识别模型的输入特征为待识别区域的影像光谱信息、相差指数ra、相差指数rb、ndvi
变化指数a
、ndvi
变化指数b
；所述随机森林识别模型的输出特征为待识别区域内目标作物a和目标作物b的分布范围。
[0049]
其中，相差指数ra、ndvi
变化指数a
为一组，相差指数rb、ndvi
变化指数b
为一组，以用于得到目标作物a/目标作物b在待识别区域内的分布；以识别目标作物a为例，主要包括以下步骤：
[0050]
得到待识别区域内相差指数在ra
±
a％范围内的区域，所述区域为初步识别得到的目标作物a的分布区域，记为初步分布区域a；初步分布区域a内包含待识别区域内全部的目标作物a和部分其他干扰作物；
[0051]
由于目标作物a在一个生长季内有多个生长阶段，因此可以计算得到的目标作物a的ndvi变化指数至少为一个，并将所述ndvi变化指数记为ndvi
变化指数a1
、...、ndvi
变化指数an
，n》＝1；
[0052]
分别得到初步分布区域a内ndvi变化指数为ndvi
变化指数a1
、...、ndvi
变化指数an
的区域，并将所得到的区域取交集，最终得到的区域即为目标作物a在待识别区域内的所有分布区域；由于初步分布区域a内就包含了待识别区域内全部的目标作物a，因此无需计算整个待识别区域内的ndvi变化指数，通过在初步分布区域a内区分干扰作物，识别过程中通过缩小
识别区域，提高了识别效率；
[0053]
且ndvi变化指数的计算过程中，不仅需要计算相邻前后时相影像的ndvi数值，还需要计算相邻的前后时相影像对应的年积日，计算数据需要计算的数据多；而本方案还缩小了需要使用ndvi变化指数进行识别的识别区域，减少了需要计算的ndvi变化指数的数量，大大减少了需要处理的数据，降低了数据处理压力，提高了数据处理效率。
[0054]
其中，步骤s6还可输出目标作物a和目标作物b在待识别区域内的种植分布图，具体步骤如下：
[0055]
在待识别区域内对相差指数进行rgb彩色合成，得到待识别区域内的相差指数-rgb合成图，并得到目标作物a的相差指数ra、目标作物b的相差指数rb所对应的颜色，从而得到目标作物a和目标作物b在待识别区域内的初步分布范围，所述初步分布范围内包括所有的目标作物a和目标作物b，还包括部分干扰作物；
[0056]
在初步分布范围内对ndvi变化指数进行rgb彩色合成，得到ndvi变化指数-rgb合成图，并得到目标作物a的ndvi变化指数ndvi
变化指数a
、目标作物b的ndvi变化指数ndvi
变化指数b
所对应的颜色，目标作物a和目标作物b在图上所显示的颜色不同，且目标作物a或目标作物b在图上所表示的颜色相同或相近，因此得到待识别区域内的目标作物a、目标作物b的种植分布图。
[0057]
本实施例中，以百里洲镇核心区为试验区；百里洲镇位于湖北省宜昌枝江市长江中游荆江段首段，地处江汉平原西部，长江干流荆江段南岸，是长江第一大江心洲，介于东经111
°
25
′
～112
°
03
′
，北纬30
°
16
′
～30
°
40
′
之间；百里洲镇境内全部为冲积平原，地势平坦，其地势西高东低，南北高中间低；百里洲处于东南季风区，属亚热带温暖湿润气候，是一个典型的农业大镇，种植业主要以果树、蔬菜、小麦、玉米、油菜、水稻为主；
[0058]
收集并得到所述试验区2019年12月～2020年11月共计12个月的时序sentinel-2数据，所述试验区内包含了两个主要大田作物的生长季，如图5所示，油菜和小麦为一季，玉米和水稻为一季，因此得到的数据分别为2019年12月～2020年5月的油菜和小麦，2020年5月～2020年10月玉米和水稻；按照两个大田作物生长季时间，对时序数据分为两组，分别进行相应的作物识别，包括油菜、小麦一季，玉米、水稻一季；
[0059]
具体地，得到了2019.12.4、2020.2.17、2020.3.18、2020.4.12、2020.5.3、2020.6.1、2020.8.5、2020.8.29、2020.9.24、2020.10.29共计十期的sentinel-2数据时相。
[0060]
将得到的十期的sentinel-2数据时相应用于上述一种基于多时相植被变化指数图的农作物识别方法，得到的油菜小麦作物种植分布图，如图6所示，得到的玉米水稻作物种植分布图，如图7所示。

技术特征：
1.一种基于多时相植被变化指数图的农作物识别方法，其特征在于，包括：得到待识别区域内的至少一个目标作物的一个作物季的影像数据；得到目标作物在一个作物季内的时相ndvi变化指数，ndvi变化指数表示前后两个相邻时相的影像ndvi的变化速率；训练随机森林识别模型，其输入特征为待识别区域的影像光谱信息、时相ndvi变化指数，其输出特征为所述目标植物的分布范围。2.根据权利要求1所述的一种基于多时相植被变化指数图的农作物识别方法，其特征在于：时相ndvi变化指数的计算方法包括：在于：时相ndvi变化指数的计算方法包括：ndvi
前时相
和ndvi
后时相
分别表示相邻的前后时相影像的ndvi数值，doy
后时相
与doy
前时相
分别表示相邻的前后时相影像对应的年积日。3.根据权利要求1所述的一种基于多时相植被变化指数图的农作物识别方法，其特征在于：还包括得到地块样方内的目标作物的一个作物季内的时相ndvi值和/或ndvi曲线，并计算得到相差指数r；随机森林识别模型的输入特征还包括相差指数r。4.根据权利要求3所述的一种基于多时相植被变化指数图的农作物识别方法，其特征在于：相差指数r的计算方法包括：得到目标作物的一个作物季内的ndvi的最大值ndvi
max
和ndvi的最小值ndvi
min
，或5.根据权利要求3所述的一种基于多时相植被变化指数图的农作物识别方法，其特征在于：随机森林得到所述目标植物的分布范围的方法包括：得到待识别区域内相差指数在r
±
a％范围内的区域，所述区域为初步识别得到的目标作物的分布区域，记为初步分布区域；时序ndvi变化指数表示为ndvi
变化指数1
、...、ndvi
变化指数n
，n>＝1；分别得到初步分布区域内ndvi变化指数为ndvi
变化指数1
、...、ndvi
变化指数n
的区域，并将所得到的区域取交集，最终得到的区域即为目标作物在待识别区域内的所有分布区域。6.根据权利要求1所述的一种基于多时相植被变化指数图的农作物识别方法，其特征在于：还可以输出目标作物在待识别区域内的种植分布图，输出步骤包括：在待识别区域内对ndvi变化指数进行rgb彩色合成，得到ndvi变化指数-rgb合成图，并得到目标作物的ndvi变化指数ndvi
变化指数
所对应的颜色，所述颜色在ndvi变化指数-rgb合成图显示的区域即为目标作物在待识别区域内的种植分布图。7.根据权利要求3所述的一种基于多时相植被变化指数图的农作物识别方法，其特征在于：还可以输出目标作物在待识别区域内的种植分布图，输出步骤包括：在待识别区域内对相差指数进行rgb彩色合成，得到待识别区域内的相差指数-rgb合成图，并得到目标作物的相差指数r所对应的颜色，从而得到目标作物在待识别区域内的初步分布范围；在初步分布范围内对ndvi变化指数进行rgb彩色合成，得到ndvi变化指数-rgb合成图，并得到目标作物的ndvi变化指数ndvi
变化指数
所对应的颜色，所述颜色在ndvi变化指数-rgb合成图内显示的区域即为目标作物在待识别区域内的种植分布。
8.根据权利要求1所述的一种基于多时相植被变化指数图的农作物识别方法，其特征在于：得到待识别区域内的至少一个目标作物的一个作物季的影像数据的步骤包括：获取待识别区域内的sentinel-2数据，筛选出待识别区域无云影像；叠加待识别区域矢量数据，对sentinel-2数据进行裁剪和拼接，并利用欧空局配套snap软件平台进行大气校正、重采样、波段合成、投影坐标转换，完成待识别区域内目标作物的一个作物季的影像数据准备。

技术总结
本发明公开了一种基于多时相植被变化指数图的农作物识别方法，属于农业遥感技术领域。一种基于多时相植被变化指数图的农作物识别方法，包括：得到待识别区域内的至少一个目标作物的一个作物季的影像数据；得到目标作物在一个作物季内的时相NDVI变化指数，NDVI变化指数表示前后两个相邻时相的影像NDVI的变化速率；训练随机森林识别模型，其输入特征为待识别区域的影像光谱信息、时相NDVI变化指数，其输出特征为所述目标植物的分布范围。它可以实现精准快速地统计并得到目标植被的分布范围和分布面积，并且在识别统计过程中的数据处理压力小。理压力小。理压力小。


技术研发人员：周祖煜 张澎彬 陈煜人 林波 杨肖 刘雅萱 刘昕璇
受保护的技术使用者：杭州领见数字农业科技有限公司
技术研发日：2023.06.01
技术公布日：2023/10/11