CN103345707A - 一种基于多源遥感数据的农作物成熟期遥感预测方法 - Google Patents

Abstract

本发明提供一种基于多源遥感数据的农作物成熟期遥感预测方法，该方法首先通过多源遥感数据融合生成高时空分辨率遥感数据，以满足作物成熟期预测在农田尺度开展动态监测的需求。然后根据作物成熟期植株不同部位含水率和叶绿素含量的动态变化规律，形成其变化规律的数字表达。基于农作物生化参数变化规律与遥感反演的农作物生化参数的耦合方法，将遥感获取的作物冠层水分和叶绿素含量与作物成熟期临近阶段的生化参数变化规律相结合，形成作物成熟期遥感预测方法。通过作物成熟期的遥感预测，进一步拓展遥感在精准农业领域的应用范围，挖掘遥感技术在农业领域应用的新增加点。

Description

一种基于多源遥感数据的农作物成熟期遥感预测方法

技术领域

本发明涉及遥感图像处理技术领域，特别涉及一种基于多源遥感数据的农作物成熟期遥感预测方法。

背景技术

精准农业是基于农田作物和环境的空间差异性，通过各种技术手段来获取农田内不同单元的农田信息，并由此利用变量技术进行农田优化管理，实现生产过程精细化、准确化的农业经营管理***。精准耕作是现代农业发展的必然结果，其目的是提高生产率，优化收成，保护环境。优化作物收割是精准农业的一个重要环节，作物收获时间对作物的产量、品质有重要的影响，合理的预测作物收获时间，有助于提高农产品的品质和产量，同时还可以指导农业机械进行合理的调度安排，这对规模化作物种植区域的机械化收割有重要意义。适时收割打碾，避免不利天气影响，是农业生产中的关键环节，收获过早或过晚都会影响产量，不利于丰产增收。以玉米为例，提前收获10天就会导致单产降低10%以上，而对于大豆，成熟后不及时收获而导致的曝裂，也会导致15%以上的产量损失。

成熟期是指作物一个世代生育的自然终限期，从农学意义上讲，成熟是指作物生长发育的一个阶段，指作物的果实成长到可收获的阶段。传统对作物成熟期和最佳采收期的判断主要是依据籽粒或叶片的颜色、结构及冠层结构等作物特征进行主观的解译，这种方法难以在大范围应用，易引入主观判断的误差，同时该方法只能用于现场判断，不具备预测的能力。针对这些问题，逐渐发展出一些作物成熟期预测方法与模型，其中最主要的是基于气象统计的作物成熟期预测方法和基于作物生长模型的作物成熟期预测方法。

基于气象统计的预测方法假定气象条件是影响作物生长过程并导致作物成熟期变化的最主要因素，因此可以利用作物不同物候期的气象条件或特定物候期的出现时间进行当年作物成熟期的预测。该类方法所发展的模型大都简单易用，且仅使用较少的驱动数据（如温度、降水等）就可以开展预测。但以气温为代表的气象数据在较大的范围内表现均一，无法反映田块尺度成熟期的差异，因而无法在较小的范围内预测不同田块的成熟时间并制定优化的收割顺序，同时这些模型多是基于统计回归的方式建立的，只适用于特定的区域，在一个区域建立的模型无法在其他区域或其他品种的作物上进行推广。

基于作物生长模型的预测方法的理论基础是作物生长模型可以从作物光合作用驱动的生长机理出发描述作物生长发育与产量形成的过程，利用作物生长模型以作物产量或品质（或两者综合）的最优化为目标构建代价函数，可以反向求解优化的作物收获时间，实现作物成熟期的预测。生长模型本身大部分是单点（site specific）模型，还没有完全普适的用于大尺度模拟的作物模型，这使得生长模型在不同区域进行应用前，均需要通过对模型参数的标定使其本地化。而作物生长模型本身涉及参数众多，逐一标定的工作量巨大，这在一定程度上限制了其在作物成熟期预测领域的推广应用。另外在较大范围利用作物生长模型进行作物生长模拟时，所需的土壤类型、作物品种等信息都难以获取，也给利用作物生长模型开展较大范围的作物成熟期预测带来了一定困难。

目前，中国东北与西北已经发展形成了规模化的农业生产模式，随着“土地流转”的进一步加深，中国其他地区传统小户农业也将通过转包和合作社等形式向规模化和机械化农业转变，而作物成熟期的预测与监测，正是规模化农业下精准机械化耕作的实施对遥感技术提出的新要求。而国内外还少有学者利用卫星遥感技术，开展获取作物成熟度信息、优化收割顺序的研究。

发明内容

（一）要解决的技术问题

本发明要解决的问题是提供一种基于多源遥感数据的农作物成熟期遥感预测方法，利用遥感技术，在大范围内对农作物的成熟期进行客观的、高精度的预测，并且能够将该预测方法在不同区域进行推广应用。

（二）技术方案

为了解决上述问题，本发明提供一种基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，该方法包括以下步骤：

（1）对地面光谱反射的遥感数据进行预处理，这些遥感数据来源于多个卫星探测器；

（2）对预处理后的多源遥感数据进行数据融合；

（3）基于地面观测数据提取农作物成熟期生化参数变化规律；

（4）根据提取的农作物生化参数的变化规律和遥感数据反演农作物生化参数；

（5）根据反演得到的农作物生化参数预测农作物成熟期。

其中，遥感数据包括MODIS数据、MERSI数据、HJ-1CCD数据和HJ-1IRS数据。这些数据预处理的内容包括辐射定标、几何纠正和大气纠正。

其中，几何纠正采用二次多项式方法。

其中，多源遥感数据融合包括时空维数据融合和光谱维数据融合。时空维数据融合采用时空适应性反射率融合模型，所述光谱维数据融合采用小波变换融合方法。

其中，小波变换融合方法包括以下步骤：

（1）将图像进行小波变换，即将图像分解到不同频率下的不同特征域上；

（2）将分解后的低频分量和高频分量按一定的融合规则进行融合。融合规则包括高频融合规则和低频融合规则，所述高频融合规则包括替代法、加权平均法和基于极大值法，所述低频融合规则包括替代法、加权平均法和基于边缘保留法。

其中，农作物成熟期生化参数变化规律采用最小二乘法拟合得到。生化参数包括冠层叶片水分含量和叶绿素含量。冠层叶片水分含量通过短波红外波段的反射率变化或NDWI进行监测，叶绿素含量通过近红外波段的反射率或NDVI进行监测。

其中，生化参数的遥感反演采用统计模型的方法或机理模型的方法。

其预测方法为：在象元尺度将遥感估算的作物水分和叶绿素含量与函数化后的作物成熟期临近阶段生化参数变化规律相耦合，确定距离成熟期的时间距离，从而实现作物成熟期的估算。

（三）有益效果

本发明以作物成熟期预测为目的，对提高作物产量、品质以及合理安排收割（特别在大规模机械化条件下）有重要实际意义。

本发明所发展的方法充分利用了遥感技术可以反映农田空间异质性的特点，具有更高的空间分辨率，不仅可以反映田块与田块之间的成熟期差异，甚至可以反映同一田块内部的作物成熟期差异。

本发明通过多源遥感数据融合生成高时空分辨率遥感数据，既满足作物成熟期预测在农田尺度开展动态监测的需求，同时源数据均为免费数据，又降低了应用的成本，可以保障发明的推广应用。

附图说明

图1为基于多源遥感数据的农作物成熟期遥感预测流程图；

图2为遥感数据图；

图3为小波逐层分解示意图；

图4为冠层水分变化规律图；

图5为叶绿素变化规律图；

图6为成熟期预测结果图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。

如图1所示，基于多源遥感数据的农作物成熟期遥感预测方法，包括以下步骤：

1、对地面光谱反射的多源遥感数据进行预处理

根据作物物候期并结合地面观测数据，在监测区域作物成熟前30天开始获取监测区的遥感数据，如图2所示，获取的遥感数据包括4类，分别来源于中分辨率成像光谱仪（moderate-resolution imagingspectro-radiometer，简称MODIS）、中等分辨率成像频谱仪（MediumResolution Spectral Imager，简称MERSI）、环境与灾害监测预报小卫星星座（简称“环境一号”，代号HJ-1)CCD相机和HJ-1红外相机（infraredscanner，简称IRS），这些数据均是以三维矩阵的形式存储，包括空间上的二维（X、Y）以及光谱维。其中MODIS数据和MERSI数据以天为频率获取，HJ-1CCD与HJ-1IRS则根据数据的获取情况尽可能多的获取。

选择质量较好（没有或仅有少量云覆盖）的数据作为数据源，对数据进行预处理，数据预处理的内容包括辐射定标、几何精纠正、大气纠正等操作。

（1）数据辐射定标

数据的辐射定标按下式进行：

L=DN/g+L₀   （1）

${\mathrm{\ρ}}_{\mathrm{TOA}}=\frac{\mathrm{\π}\·d^2\·L}{E_s\·\cos {\mathrm{\θ}}_s}---\left(2\right)$

其中，L为辐射度；DN为各类遥感数据的数字信号值；g和L₀为标定参数，可以从不同数据的元数据文件（如MODIS HDF（Hierarchical Data Format，一种数据格式）中的元数据和环境星数据中的XML文件）中得到；ρ_TOA为表观反射率（即大气顶部的光谱反射率）；d为日地距离改正因子；E_s为太阳在大气层顶的辐射通量；θ_s为太阳高度角。

（2）几何纠正

几何纠正的目的是将遥感图像数据投影到平面上，使其符合地图投影***。本实施例中数据的几何纠正采用二次多项式方法进行，先使用目标区域高分辨率遥感影像或大比例尺（1：10万以上）地形图，对HJ-1CCD进行几何纠正，再使用纠正后的HJ-1CCD数据对其他三种分辨率相对较低的数据（MODIS、MERSI与HJ-1IRS）进行几何纠正，纠正时将误差控制在0.5个像元以内。

几何纠正采用多项式配准的方式，如下式所示：

x_warp=a₀×x_ref+b₀×y_ref+c₀     （3）

y_warp=a₁×x_ref+b₁×y_ref+c₁

其中，x_warp、y_warp是待纠正遥感影像上一点；x_ref、y_ref是参考影像上同名点；a、b、c为配准系数，通过多个对应点的最小二乘法拟合来获取。

（3）大气纠正

遥感所利用的各种辐射能均要与地球大气层发生相互作用（或散射、或吸收），而使能量衰减，并使光谱分布发生变化。消除大气影像的处理过程，称为大气纠正。大气纠正主要算法如下：

其中，ρ₀为大气程辐射反射率；ρ_s为地表反射率；T为透过率；u_s，u_v分别为太阳天顶角余弦值和卫星天顶角余弦值；S为大气底层向下的半球反射率。其中输入参数中的大气状态参数可以从MODIS数据产品MOD04中获取。

2、对预处理后的多源遥感数据进行融合

受技术条件的限制，在使用遥感数据时不得不在时间与空间分辨率上进行取舍。高空间分辨率的遥感数据通常只覆盖较小的空间范围，导致其重访周期长；而高时间分辨率的传感器以较短的重访周期进行大范围的重复访问，空间分辨率却较低。解决这一问题的方法之一就是将不同传感器上具有不同时空分辨率特征的数据进行融合，生成同时具有高时间和高空间分辨率的遥感数据。

（1）时空维数据融合

本实施例中，采用时空适应性反射率融合模型，结合高时间分辨率的MODIS数据在HJ-1CCD的空间分辨率上进行地表反射率的预测，该方法首先获取同一时间t₁的MODIS与HJ-1CCD影像，通过计算影像间空间分布的差异，结合另一时间t₂的MODIS数据进行相应时间HJ-1CCD影像的预测。在预测过程中使用滑动窗口的方法来减少低分辨率遥感数据像元边界的影响，在使用滑动窗口进行中心像元值的计算时，把空间距离、光谱距离及时间距离作为了权重。

预测算法可以用下式进行描述：

$L(x_{w/2},y_{w/2},t_2)=\underset{i=1}{\overset{w}{\mathrm{\Σ}}}\underset{j=1}{\overset{w}{\mathrm{\Σ}}}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{W}_{\mathrm{ijk}}\×(M(x_i,y_j,t_2)+L(x_i,y_j,t_1)-M(x_i,y_j,t_1))---\left(5\right)$

式中，L(x_w/2,y_w/2,T₂)为预测的t₂时刻的HJ-1CCD像元值；w为移动窗口的大小，窗口中只使用有效像元来进行预测；(x_w/2,y_w/2)为窗口的中心像元；M(x_i,y_i,t₂)为窗口位置(x_i,y_i)处在t₂时刻MODIS的像元值；L(x_i,y_i,t₁)为HJ-1CCD在t₁时刻的相应像元值；M(x_i,y_i,t₁)为MODIS在t₁时刻的相应像元值；W_ijk为窗口内各像元在预测中心像元时的权重。

算法中的权重函数可以用下式进行计算：

$W_{\mathrm{ijk}}=1/C_{\mathrm{ijk}}/\underset{i=1}{\overset{w}{\mathrm{\Σ}}}\underset{j=1}{\overset{w}{\mathrm{\Σ}}}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(1/C_{\mathrm{ijk}})---\left(6\right)$

式中，C_ijk是根据窗口中心的预测像元与窗口中其他像元（包括多时相数据）的光谱距离、时间距离与空间距离计算得到的产品。

（2）光谱维数据融合

本实施例中采用基于小波变换的方法进行HJ-1CCD和HJ-1IRS数据之间的融合。

首先，将一幅影像进行小波变换，即将其分解到不同频率下的不同特征域上。如图3所示，对于图像C₀，可以用小波算法将其分解为C₁、D₁ ¹、D₁ ²、D₁ ³四个分量，其中C₁显示了C₀的低频分量，即图像的低频部分；D₁ ¹显示垂直方向的高频分量，即图像的水平边缘；D₁ ²显示C₀水平方向的高频分量，即图像的垂直边缘；D₁ ³显示两个方向的高频分量，即图像的对角边缘。而C₁可通过小波变换进行再次分解，依次类推，可将C₀逐层分解到任意n层。最终得到C_n、D_n ¹、D_n ²、D_n ³、D_n-1 ¹、D_n-1 ²、D_n-1 ³、……、D₁ ¹、D₁ ²、D₁ ³。

其次，将两影像分解后的低频分量和高频分量按一定的融合规则进行融合：

■高频融合规则

在一幅图像的小波分解中，绝对值较大的小波系数对应于图像中对比度变化较大的边缘等特征，而人眼对于这些特征比较敏感。所以，对于高频率域我们基于极大值的选择规则。对于图像X，可为其高频率域的小波系数定义一个衡量其显著性的变量S:

$S_j^{\mathrm{\ϵ}}(X,p)=\underset{q\∈Q}{\max }\left(\right|D_j^{\mathrm{\ϵ}}(X,q)\left|\right)---\left(7\right)$

其中，j代表小波系数的层数；ε=1，2，3表示频率段的序号；p=(m,n)表示小波系数的空间位置；Q表示以p为中心的一个3×3的方形窗口；q为窗口内的任意一点。

对于图像Y中对应的小波系数同样可定义S^ε _j(Y,p)。为了在最后的融合图像中保留两幅原图像中最显著的特征，我们在两幅原图像的小波系数中选择S值较大的小波系数作为合成图像中对应位置的小波系数。如果用M*^ε _j(X,p)、M*^ε _j(Y,p)分别表示两幅图像相应位置上的决策表的值，上述思想用数学公式就可表示为：

一种好的图像融合方法在选择小波系数时应对一个区域内的点采取相同的选择方案，所以应对得到的决策表进行一致性验证．在这里，我们采用多数表决原则．令修正后决策表的值为M^εj(X,p)，则：

$M_j^{\mathrm{\ϵ}}(Y,p)=1-M_j^{\mathrm{\ϵ}}(X,p)---\left(11\right)$

得到决策表中各点的值后，就可计算融合图像Z的高频小波系数：

$D_j^{\mathrm{\ϵ}}(Z,p)=M_j^{\mathrm{\ϵ}}(X,p)\×D_j^{\mathrm{\ϵ}}(X,p)+M_j^{\mathrm{\ϵ}}(Y,p)\×D_j^{\mathrm{\ϵ}}(Y,p)---\left(12\right)$

■低频融合规则

对于图像X的低频系数定义一个变量E(X,p)：

E(X,p)=(F₁*C_j)²(X,p)+(F₂*C_j)²(X,p)+(F₃*C_j)²(X,p)

$F_1=\left[\begin{array}{ccc}-1& -1& -1\\ 2& 2& 2\\ -1& -1& -1\end{array}\right],F_2=\left[\begin{array}{ccc}-1& 2& -1\\ -1& 2& -1\\ -1& 2& -1\end{array}\right],F_3=\left[\begin{array}{ccc}-1& 0& -1\\ 0& 4& 0\\ -1& 0& -1\end{array}\right]---\left(13\right)$

其中*表示卷积。同样，对于图像Y，可以定义变量E(Y,p)。变量E在一定程度上反映了图像在水平、垂直和对角线方向的边缘信息。因此为了较好地保留原图像中的细节，可对两幅图像的低频系数计算出变量E，并选择E较大的低频系数作为合成图像的低频系数，这样就能在融合图像中最大程度的保留原图像的边缘信息。融合函数表达如下：

C_j(Z,p)=W(X,p)×C_j(X,p)+W(Y,p)×C_j(Y,p)

最后，将融合后的分量进行小波逆变换即可得到融合后影像。

3、基于地面观测数据提取农作物成熟期生化参数变化规律

在作物成熟前一个月开展作物成熟过程中的冠层叶片水分与叶绿素含量的测量，测量频率可以为天或每2天，其中叶绿素的测量使用叶绿素计进行测量，而叶片含水量则是在叶片取样后称其湿重，烘干后再称其干重，然后计算得出含水量=（湿重-干重）/湿重。

利用常用函数（如线性函数、对数函数、指数函数、2次多项式等）对叶绿素与水分含量的变化进行拟合，如图4和图5，构建这两个参数在作物成熟期变化规律的函数描述。拟合过程中采用最小二乘法来确定拟合的函数形式。

由于线性函数是多项式函数的特例，且对数函数和指数函数均可以化为线性函数来分析，故本实施例以多项式函数为例来说明最小二乘法拟合的原理。

假设给定数据点(x_i,y_i)(i=0,1,……,m)，Φ为所有次数不超过n(n≤m)的多项式构成的函数类，现求一

使得下式取得最小值：

$I=\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{[p_n\left(x_i\right)-y_i]}^2=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{(\underset{k=0}{\overset{n}{\mathrm{\Σ}}}{a}_k{x}_i^k-y_i)}^2---\left(15\right)$

显然，

$I=\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{(\underset{k=0}{\overset{n}{\mathrm{\Σ}}}{a}_k{x}_i^k-y_i)}^2$

为a₀,a₁,……,a_n的多元函数，因此上述问题即为求I=I(a₀,a₁,……,a_n)的极值问题。由多元函数求极值的必要条件，得：

$\frac{\∂I}{{\∂a}_j}=2\underset{i=0}{\overset{m}{\mathrm{\Σ}}}(\underset{k=0}{\overset{n}{\mathrm{\Σ}}}{a}_k{x}_i^k-y_i)x_i^j=0,$ j=0,1,…,n   （16）

即：

$\underset{k=0}{\overset{n}{\mathrm{\Σ}}}\left(\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^{j+k}\right)a_k=\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^j{y}_i$ j=0,1,…,n   （17）

其中，（17）是关于a₀,a₁,……,a_n的线性方程组，用矩阵表示为：

$\left[\begin{array}{cccc}m+1& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i& \·\·\·& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^n\\ \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^2& \·\·\·& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^{n+1}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^n& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^{n+1}& \·\·\·& \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^{2n}\end{array}\right]\left[\begin{array}{c}{a}_0\\ a_1\\ \·\\ \·\\ \·\\ a_n\end{array}\right]\left[\begin{array}{c}\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{y}_i\\ \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i{y}_i\\ \·\\ \·\\ \·\\ \underset{i=0}{\overset{m}{\mathrm{\Σ}}}{x}_i^n{y}_i\end{array}\right]---\left(18\right)$

式（17）或式（18）称为正规方程组或法方程组。

可以证明，方程组（18）的系数矩阵是一个对称正定矩阵，故存在唯一解。从式（18）中解出a_k(k=0,1,……,n)，从而可得多项式：

$p_n\left(x\right)=\underset{k=0}{\overset{n}{\mathrm{\Σ}}}{a}_k{x}^k---\left(19\right)$

可以证明，式（19）中的p_n(x)满足式（15），即p_n(x)为所求的拟合多项式。

4、根据提取的农作物生化参数的变化规律和遥感数据反演农作物生化参数

首先计算一些指数，然后使用这些指数以及反射率信息进行作物冠层叶片水分与叶绿素含量的估算，估算过程中，同时提供统计模型与机理模型两种方法。其中统计模型简单易用，且仅使用较少的驱动数据（如单一遥感指数）就可以开展估算并获得较高精度，但这类模型没有理论基础，在一个区域建立的模型无法在其他区域或其他品种的作物上进行推广；机理模型有较好的理论基础，但模型运算复杂，基于象元计算时需要的时间较长，同时也需要较多的参数作为输入。

（1）指数计算

由于作物在成熟期临近时，冠层水分和叶绿素会有明显的规律性变化，同时大量研究表明，作物叶绿素的变化可以通过近红外波段的反射率或归一化植被指数（Normalized Difference Vegetation Index，简称NDVI）进行监测，而冠层水分的变化可以通过短波红外波段的反射率变化或用其所构建的归一化水指数（Normal Differential Water Index，简称NDWI）进行监测。本实施例使用HJ-1A CCD所构建的NDVI和HJ-1B IRS短波红外波段的反射率及其所构建的NDWI构建冬小麦成熟度预测模型。

$\left\{\begin{array}{c}\mathrm{NDVI}=(R_{\mathrm{NIR}}-R_R)/(R_{\mathrm{NIR}}+R_R)\\ \mathrm{NDWI}=(R_{\mathrm{NIR}}-R_{\mathrm{SWIR}})/(R_{\mathrm{NIR}}+R_{\mathrm{SWIR}})\end{array}\right.---\left(20\right)$

式中，R_NIR为作物在近红外波段的反射率，R_R为作物在红外波段的反射率，R_SWIR为作物在短波红外波段的反射率。

（2）统计模型

基于统计模型的估算方法以HJ-1CCD与IRS的波段反射率及其所构建的各种指数为输入，其中指数包括NDVI和NDWI。通过回归分析的方法研究这些指数及不同波段反射率与作物水分与叶绿素含量的相关性，选取相关性较高的因子，再以主成分分析的方法提取因子中的主成分，并构建一元或多元的回归估算模型。在模型参数的确定过程中仍然使用最小二乘法。

（3）机理模型

叶片光学模型基于生物物理机制，通过描述光子在叶片内的散射和吸收，模拟叶片的光谱特性，其前向过程通常都包含生化组分含量，这些参数通常无法获得解析表达式，但是可以通过反向反演得到。进一步可以将叶片模型耦合到冠层模型中，就可以利用冠层光谱数据反演得到组分含量。由于物理模型解释了光与叶片物质的作用机制，原理清楚，加之在模型的初始假设范围内，不受限于时间地点等因素，因此成为植物生化组分参数提取的重要手段。

本实施例采用PROSAIL物理模型反演作物水分与叶绿素含量。PROSAIL模型由叶片光学特性模型PROSPECT和冠层反射模型SAIL耦合而成，已经有研究显示该模型集成了叶片尺度和冠层尺度两类模型的优点，在不同空间分辨率遥感数据上有很好的稳定性。利用PROSAIL模型建立基于叶绿素含量、叶片含水率等的数据查找表。模型反演策略为最小化目标函数方法，计算差值函数F。当差值函数F值越小，模型模拟反射率值与实际测量的反射率值越接近，则差值函数F最小或较小时所对应的模拟结果即被认为是反演结果。选择融合后的HJ-1CCD/IRS的反射率为输入量，差值函数F公式如下：

$F=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\left(\right|{\mathrm{\ρ}}_{\mathrm{mod}}^k-{\mathrm{\ρ}}_{\mathrm{HJ}}^k\left|\right)---\left(21\right)$

式中，

为波长k的模拟反射率值；

为波长k的实测反射率值。最终选前50个最小的F值所对应的模拟参数值取平均值，作为最终反演的象元作物水分与叶绿素含量。算法拟在在ENVI环境下用IDL语言编程实现。

5、根据反演得到的农作物生化参数预测农作物成熟期

在象元尺度将遥感估算的作物水分和叶绿素含量与函数化后的作物成熟期临近阶段生化参数变化规律相耦合，确定距离成熟期的时间距离，从而实现作物成熟期的估算。将估算的成熟日期用彩色图表示，如图6所示，图中不同的颜色表示不同的成熟日期。

本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (13)

1.一种基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，该方法包括以下步骤：

（1）对地面光谱反射的遥感数据进行预处理，这些遥感数据来源于多个卫星探测器；

（2）对预处理后的多源遥感数据进行数据融合；

（3）基于地面观测数据提取农作物成熟期生化参数变化规律；

（4）根据提取的农作物生化参数的变化规律和遥感数据反演农作物生化参数；

（5）根据反演得到的农作物生化参数预测农作物成熟期。

2.根据权利要求1所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述遥感数据包括MODIS数据、MERSI数据、HJ-1CCD数据和HJ-1IRS数据。

3.根据权利要求1所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述遥感数据预处理的内容包括辐射定标、几何纠正和大气纠正。

4.根据权利要求3所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述几何纠正采用二次多项式方法。

5.根据权利要求1所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述多源遥感数据融合包括时空维数据融合和光谱维数据融合。

6.根据权利要求5所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述时空维数据融合采用时空适应性反射率融合模型，所述光谱维数据融合采用小波变换融合方法。

7.根据权利要求6所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述小波变换融合方法包括以下步骤：

（1）将图像进行小波变换，即将图像分解到不同频率下的不同特征域上；

（2）将分解后的低频分量和高频分量按一定的融合规则进行融合。

8.根据权利要求7所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述融合规则包括高频融合规则和低频融合规则，所述高频融合规则包括替代法、加权平均法和基于极大值法，所述低频融合规则包括替代法、加权平均法和基于边缘保留法。

9.根据权利要求1所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述农作物成熟期生化参数变化规律采用最小二乘法拟合得到。

10.根据权利要求9所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述生化参数包括冠层叶片水分含量和叶绿素含量。

11.根据权利要求10所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述冠层叶片水分含量通过短波红外波段的反射率变化或NDWI进行监测，所述叶绿素含量通过近红外波段的反射率或NDVI进行监测。

12.根据权利要求1所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述生化参数的遥感反演采用统计模型的方法或机理模型的方法。

13.根据权利要求1～12任一项所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，在象元尺度将遥感估算的作物水分和叶绿素含量与函数化后的作物成熟期临近阶段生化参数变化规律相耦合，确定距离成熟期的时间距离，从而实现作物成熟期的估算。

Images