CN108363949A - 一种基于物候分析的棉花遥感监测方法 - Google Patents

Abstract

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。

Description

一种基于物候分析的棉花遥感监测方法

技术领域

本发明属于遥感应用技术领域，具体涉及一种基于物候分析的棉花遥感监测方法。

背景技术

我国是世界上最大的产棉国，棉花是我国制作衣被的主要原料。棉花种植信息快速、准确提取对于掌握国家棉花种植规模、预测棉花产量乃至纺织工业经济发展等具有重要意义。

目前，在农作物遥感监测方面，针对棉花作物种植面积的遥感监测研究较少，且方法精度以及可推广性还存在很大的挑战，特别是我国北方地区，农业种植结构复杂，地块较小，对于棉花种植信息的准确获取具有较大的挑战。随着遥感技术发展，新型卫星传感器不断涌现，在同一地区形成了多时相、多分辨率的遥感影像数据序列，使得多时相遥感影像的应用更加普遍。因此，基于多时相遥感数据序列，结合棉花的生长期特性，开展棉花种植信息的自动化准确提取成为亟待解决的问题。

发明内容

本发明的所要解决的技术问题是提供一种自动化准确提取棉花种植信息的基于物候分析的棉花遥感监测方法。

为实现上述目的，本发明提出基于物候分析的棉花遥感监测方法包括以下步骤：

一种基于物候分析的棉花遥感监测方法，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L_t，t为所用不同影像期数；

4.2.1、在棉花所处的花铃期和吐絮期的时相之间选取植被生长旺盛时期的遥感影像；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，V_ndvi为植被归一化指数值，V_Brightness为波段平均亮度值，V_{GLCMContrast(all dir)}为纹理对比度值，V_{Blue_Mean}为蓝波段波段平均值，V_Max.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，V_ndvi为植被归一化指数值，V_Brightness为波段平均亮度值，V_{GLCM Contrast(all dir)}为纹理对比度值，V_Mean4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；

进一步，所述步骤一中，棉花光谱特征曲线构建步骤如下：

1)依照Neuman(2011)的采样规则，随机选择棉花样方S_j，j＝1，2，3，......n，n为选择的棉花样方数量；

2)计算出棉花生长阶段p，遥感影像的影像波段b中棉花样方S_j的DN值的平均值或光谱的平均值，p∈[未播种期，播种期，苗期，蕾期，花铃期，吐絮期，成熟收获期]；

3)对每个棉花生长阶段p、每个影像波段b的所有棉花样方S_j的DN值的平均值或光谱的平均值再次取均值，得到所有棉花样方在每个棉花生长阶段p、每个影像波段b的值，记为

4)绘制横坐标为b、纵坐标为的p条棉花光谱特征曲线；绘制横坐标为p、纵坐标为的b条棉花光谱特征曲线。

本发明所达到的有益效果是：

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遥感自动提取，通过充分考虑棉花在不同生长期的光谱特征以及与其他干扰农作物的光谱差异和纹理差异，使棉花种植信息提取结果更加准确和快速，易于推广和应用。

附图说明

图1为本发明的技术流程图；

图2为构建的棉花遥感监测的分层分类体系图；

图3为南宫市主要农作物物候分析表；

图4为南宫市棉花样地随机采样前后示意图；

图5为南宫市棉花不同时期光谱特征曲线示意图；

图6为南宫市不同波段棉花光谱特征变化曲线；

图7为棉花生长期解译标志示意图(假彩色合成)；

图8为分层移动窗口筛选法示意图；

图9为南宫市棉花遥感监测分布图。

具体实施方式

本发明所述的一种基于物候分析的棉花遥感监测方法适用于同一卫星拍摄多时相遥感影像，其具体实施流程见图1所示，包括以下步骤：

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。

1.2、绘制棉花特征曲线，确定棉花遥感监测关键时相。

根据物候表中棉花各生长阶段p，p∈[未播种期，播种期，苗期，蕾期，花铃期，吐絮期，成熟收获期]，选取遥感影像，绘制棉花光谱特征曲线。棉花生长期光谱特征依照Neuman(2011)的采样规则，采用样方均值，分别绘制横坐标为生长期和不同波段的两种棉花光谱特征曲线。

棉花光谱特征曲线构建步骤如下：

1)依照Neuman(2011)的采样规则，随机选择棉花样方S_j，j＝1，2，3，......n，n为选择的棉花样方数量。

2)计算出棉花生长阶段p，遥感影像的影像波段b中棉花样方S_j的DN值的平均值或光谱的平均值，p∈[未播种期，播种期，苗期，蕾期，花铃期，吐絮期，成熟收获期]。

3)对每个棉花生长阶段p、每个影像波段b的所有棉花样方S_j的DN值的平均值或光谱的平均值再次取均值，得到所有棉花样方在每个棉花生长阶段p、每个影像波段b的值，记为

4)绘制横坐标为b，纵坐标为的p条棉花光谱特征曲线；绘制横坐标为p、纵坐标为的b条棉花光谱特征曲线。

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，处于生长的初级阶段，植被能覆盖地表，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，生长旺盛，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，与光谱分析相吻合。

1.4、梯度划分；

基于棉花不同生长阶段的光谱特征以及解译标志呈现的地表特征，将棉花识别关键期分为四个梯度，四个梯度划分及地表特征如下：

梯度划分	物候阶段	地表特征
			第一梯度	未播种、播种期和苗期	裸地特征
第二梯度	蕾期、花铃期、吐絮期	植被特征
			第三梯度	成熟收获期	植被特征
第四梯度	成熟收获期之后	裸地特征

每一梯度内作物种类的确定方法如下：

第一梯度内的作物种类包含棉花与所有干扰农作物；

第二、第三、第四梯度内的作物种类不包含上一梯度内棉花识别关键时相下与棉花地表特征相反的干扰农作物。

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每个梯度内的棉花遥感监测关键时相。

步骤二、综合林地对农作物提取的影响，增加一期植被生长旺盛时期的影像，提高棉花提取精度，增加的关键时相影像优选在棉花所处的花铃期和吐絮期时相之间，在棉花所处的花铃期和吐絮期的时相之间选取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L_t，t为所用不同影像期数，图2给出了棉花遥感监测的分层分类体系；

4.2.1、基于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、农作物，所述的农作物包括棉花、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为农作物，即棉花、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，以河北省南宫市为例，春季生长茂盛的干扰农作物冬小麦，遥感影像中剩下的植被地物信息包括棉花，玉米、大豆。

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，V_ndvi为植被归一化指数值，V_Brightness为波段平均亮度值，V_{GLCMContrast(all dir)}为纹理对比度值，V_{Blue_Mean}为蓝波段波段平均值，V_Max.diff为最大异质性指数值，a、b、c、d、e、f、g、h为阈值。

步骤五、对步骤三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，步骤三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棉花纹理特征构建分类器f(L)，如下式所示，从步骤四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，V_ndvi为植被归一化指数值，V_Brightness为波段平均亮度值，V_{GLCM Contrast(all dir)}为纹理对比度值，V_Mean4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。

下面以河北省南宫市为例，结合附图和具体实施方式对本发明作进一步详细的说明。

本发明所述的一种基于物候分析的棉花遥感监测方法适用于同一卫星拍摄多时相遥感影像，其具体实施流程见图1所示，包括以下步骤：

步骤一、结合区域棉花光谱特征分析和主要作物物候分析，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；

南宫市干扰农作物类型主要有冬小麦，玉米、花生和大豆，物候分析表如图3所示。

1.2、结合物候表，绘制棉花光谱特征曲线，并对棉花光谱特征进行特征分析；

在本实施例中，南宫市已有棉花样地共292块，如图4a所示，基于Neuman(2011)采样规则，采样比例为0.3，即选择棉花地块292*0.3≈88块，如图4b所示，已有和选择后棉花地块分布如图4所示；依据棉花物候分析表，选择棉花样方不同生长期时相，分别为4月21日、5月16日、6月22日、8月27日、9月8日、10月14日6期高分一号多光谱影像，计算每个棉花样方所对应区域影像4个波段DN值的平均值：对每个生长期每个波段所有样方DN平均值再次取均值，得到棉花样方在每个生长期每个波段的值，绘制横坐标为不同波段，纵坐标为的6条棉花特征曲线，如图5所示；绘制横坐标为不同时相，纵坐标为的4条棉花特征曲线；如图6所示。

4月21日播种期和5月16日出苗期光谱特征符合裸地光谱特征；6月22日蕾期属于植被生长初期阶段，符合基本植被光谱特征；8月27日的花铃期和吐絮期的过渡阶段以及9月8日的吐絮期属于植被生长旺盛阶段，具有典型植被光谱特征；10月14日的成熟收获期棉花开始枯萎，植被特征逐渐弱化，但还是具有基本的植被光谱特征；

1.3、结合棉花不同生长阶段的光谱曲线特征分析，并基于遥感影像目视解译，建立棉花生长阶段的解译标志，图7给出了棉花生长期解译标志示意图，(a)4月21日棉花处于播种期，(b)5月16日棉花处于出苗期，影像均呈现裸地信息；(c)6月22日棉花为蕾期，处于生长的初级阶段，植被能覆盖地表，呈粉红色，影像呈现棉花植被初期的地面特征；(d)8月27日棉花为花铃期和吐絮期的过渡阶段，生长旺盛，呈玫红色，影像呈现棉花茂盛的植被地面特征；(e)10月14日，棉花为收获期，但叶子等为暗绿色，影像上呈浅红色，呈现棉花枯萎的植被地面特征，与光谱分析相吻合。

1.4、梯度划分与梯度内棉花识别关键时相选取；

第一梯度：未播种、播种期和苗期，时相筛选需要考虑的作物类型为：棉花、冬小麦、玉米、花生、大豆。该梯度时相覆盖范围为4月中旬-5月下旬，与棉花地表特征相反的干扰农作物种类个数最大为1，棉花识别关键时相取值分别为4月中、下旬以及5月上、中、下旬，如图8a所示，此几个时相对应的与棉花表现特征相反的是冬小麦，因此剔除冬小麦，第二梯度作物类型为玉米、棉花、大豆、花生。

第二梯度：蕾期、花铃期、吐絮期，该梯度时相覆盖范围为6月上旬-9月下旬，与棉花地表特征相反的干扰农作物种类个数最大为2，棉花识别关键时相取值为6月中、下旬，如图8b所示。此时相对应的与棉花表现特征相反的是玉米和大豆，因此剔除玉米和大豆，第三梯度作物类型为棉花、花生。

第三梯度：成熟收获期，该梯度时相覆盖范围为10月上旬-11月上旬，与棉花地表特征相反的干扰农作物种类个数最大为1，棉花识别关键时相取值分别为10月上、中、下旬和11月上旬，如图8c所示。此时相对应的与棉花表现特征相反的是花生，因此剔除，第四梯度作物类型为棉花。

因此，结合棉花光谱特征分析和区域物候分析，并结合遥感数据的可用性，最终确定的棉花遥感监测关键时相为4月21日，6月22日，10月14日。

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。结合遥感数据的可用性，增加的一期遥感监测关键时相为8月27日。

步骤三、获取关键时相遥感影像，并进行预处理；

在本实施例中获取4月21日、6月22日、8月27日和10月14日的南宫市高分一号多光谱影像，对影像数据进行预处理，多光谱影像波段为近红外、红、绿、蓝四个波段，对影像利用Landsat/TM30米正射影像为参考影像，进行几何精纠正，纠正精度为平原区0.5-1个像元；然后以4月21日影像为参考，对其他3个时相影像进行图像配准，保证4期影像没有错位。

步骤四、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；

对多时相影像进行多尺度分割，最优分割尺度为同时满足每期图像对象光谱分割指数为峰值所对应的各期分割尺度值的平均值，经计算，南宫市4期影像多尺度分割的最优分割尺度为15。L₁为8月27日影像，L₂为4月21日影像，L₃为6月22日影像，L₄为10月14日影像。每层的分类器具体如下：

其中，V_ndvi为植被归一化指数值，V_Brightness为波段平均亮度值，V_{GLCMContrast(all dir)}为纹理对比度值，V_{Blue_Mean}为蓝波段波段平均值，V_Max.diff为最大异质性指数值。

步骤五、对棉花初步结果及可能混分对象二次分割，结合棉花光谱特征、纹理特征构建分类器，去除混分，增补漏提棉花信息；

(1)二次分割对象选取。二次分割对象选取南宫市的棉花初步提取结果及南宫市其他作物中与棉花较易混分的干扰作物花生和大豆，共计3类，影像数据选取提取棉花时干扰作物最少的时期的影像，选取了10月14日的高分一号16米影像。

(2)二次分割最优尺度选择。以选取的初步提取的棉花、花生、大豆为目标，以10月14日影像近红外波段均值方差为二次分割尺度评估参数，以3为分割尺度下限，2为步长，初次分割最优尺度15为上限，二次分割的最优尺度为5。

(3)构建分类器。结合南宫市的棉花光谱特征曲线，如图6所示，以及棉花纹理特征构建棉花精细提取的分类器，从初步提取的棉花中提取出棉花子类1、花生中提取出棉花子类2、花生中提取出棉花子类3。

其中，V_ndvi为植被归一化指数值，V_Brightness为波段平均亮度值，V_{GLCM Contrast(all dir)}为纹理对比度值，V_Mean4为近红外波段的波段平均值。

步骤六、对分层提取的棉花信息各类进行归并和输出制图

制图利用ArcGIS软件，确定比例尺，增加图例、指北针，完成棉花分布制图，如图9所示。

为了对本发明方法进行有效验证和评价，对提取的南宫市棉花信息利用棉花样方数据进行了精度验证。

棉花遥感监测的属性精度计算步骤如下：首先，将验证用样方数据由矢量(.shp格式)转换为栅格数据，其空间分辨率与主要农作物空间分布数据相同；然后将栅格样方数据转为点数据，点的位置为每个像元的中心位置；接着，将点数据与提取的棉花信息矢量叠加分析，计算棉花遥感监测的属性精度，计算公式如下：

式中，SX_accuracy为属性精度，N_overlay为棉花样方与棉花遥感监测矢量相交的点的数量，N_sample为棉花样方转成点的数量。经计算，南宫市样方数据转成点共4448个，全部落在棉花遥感监测矢量上的点为4194，因此，属性精度为94.3％。

棉花遥感监测的面积精度计算如下：将验证用样方矢量与棉花遥感监测矢量进行叠加，统计两者相交的面积，该面积与棉花样方总面积的比值即为面积精度，计算公式如下：

式中，MJ_accuracy为面积精度，A_overlap为棉花样方矢量与棉花遥感监测矢量相交区域的面积，A_sample为棉花样方矢量的面积，经计算，南宫市棉花样方矢量与棉花遥感监测矢量相交的面积为1078165.5m²，南宫市棉花样方总面积为1138033.8m²，因此面积精度为94.7％。

属性精度为94.3％、面积精度为94.7％达到实际应用的要求。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以对其作出种种变化。

Claims (2)

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L_t，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，V_ndvi为植被归一化指数值，V_Brightness为波段平均亮度值，V_{GLCMContrast(all dir)}为纹理对比度值，V_{Blue_Mean}为蓝波段波段平均值，V_Max.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，V_ndvi为植被归一化指数值，V_Brightness为波段平均亮度值，V_{GLCM Contrast(all dir)}为纹理对比度值，V_Mean4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。

2.如权利要求1所述的一种基于物候分析的棉花遥感监测方法，其特征在于，所述步骤一中，棉花光谱特征曲线构建步骤如下：

1)依照Neuman(2011)的采样规则，随机选择棉花样方S_j，j＝1，2，3，......n，n为选择的棉花样方数量；

2)计算出棉花生长阶段p、遥感影像的影像波段b中棉花样方S_j的DN值的平均值或光谱的平均值，p∈[未播种期，播种期，苗期，蕾期，花铃期，吐絮期，成熟收获期]；

3)对每个棉花生长阶段p、每个影像波段b的所有棉花样方S_j的DN值的平均值或光谱的平均值再次取均值，得到所有棉花样方在每个棉花生长阶段p、每个影像波段b的值，记为

4)绘制横坐标为b、纵坐标为的p条棉花光谱特征曲线；绘制横坐标为p、纵坐标为的b条棉花光谱特征曲线。