基于多时相数据中特征提取的中稻信息决策树分类方法

摘要

本发明所述基于多时相数据中特征提取的中稻信息决策树分类方法，其选取的高分一号影像数据既具有高空间分辨率也具有高时间分辨率的优点，在此基础上，本发明既使用了单时相影像提取水稻分布时用到的多种特征参量，又结合了多时相影像进行时序分析的优势，使多参量与多时相有机的结合，通过知识决策树分类的方式，提取出中稻的分布。多种特征参量，可以更好的剔除非目标地物，多时相分析，可以有助于剔除异物同谱导致的错分地物也可以进一步提取出目标地物，决策树分类具有灵活、直观、效率高等特点。所以，综合这些优势，可以进一步提高中稻提取的精度，无论是对国家的粮食安全体系，还是对遥感在农业方面的商业化应用，都有积极的意义。

说明书

技术领域

本发明涉及测绘遥感领域，具体涉及一种基于多时相数据中特征提取的中 稻信息决策树分类方法。

背景技术

水稻是世界三大粮食作物之一，播种面积占世界总耕地面积的15％。我国是 世界最大的水稻生产国，水稻种植区域很广阔，南至海南省，北至黑龙江省， 东至台湾省，西达新疆维吾尔族自治区都有水稻的种植。不同地域不同气候， 水稻种植的品种也不尽相同，根据种植时间主要可分为三大类：早稻、中稻、 晚稻。不同地域，早稻、中稻、晚稻生长期会有所差别。以湖北省为例，常年 种植双季早晚稻、一季中稻、一季晚稻等，早稻移栽期大概是在四月下旬至五 月上旬，收获期在七月中下旬。中稻移栽期在五月下旬至六月上中旬，收获期 在九月下旬至十月上中旬。晚稻移栽期在七月下旬，收获期在十月下旬至十一 月上旬。水稻种植面积约占我国粮食作物总面积的30％，其产量约占粮食总产量 的将近一半。准确、及时、客观、快速地获取水稻种植面积，具有许多方面的 重要意义，其一，水稻的种植面积关系到国计民生，正确及时地掌握水稻的种 植面积，对编制社会经济发展规划，确保国家粮食安全，宏观调控种植业结构 有非常重要的作用；其二，及时准确的水稻种植面积可以为国家及各级地方政 府的决策，采取的宏观调控措施，提供客观的科学依据；其三，及时、客观、 准确的水稻面积还可以带来巨大的商业价值。

传统的获取大面积水稻种植面积的方法主要有抽样调查法和农业统计报表 法。抽样调查法指的是根据统计学理论，从研究对象的全部单位中抽取一部分 单位进行考察和分析，并用这部分单位的数量特征去推断总体的数量特征，即 利用样本特征来推算总体特征的调查方法。该方法的精度与调查的样本数有着 直接的联系，如果调查的样本数量少，那么统计的总体精度会存在较大的偏差， 如果调查的样本多，那么调查所花的时间、精力、成本又会过大。农业统计报 表法是按照行政单位，从村级单位逐渐汇总上报到乡镇、县市、省和国家。该 方法虽然统计的比较的全面，但是其时效性较差，往往需要花费大量的时间， 并且在逐级上报时也存在一定的漏报、错报、谎报的现象，导致数据的准确性 与可靠性存在一定的缺陷，另一方面，通过上报统计的数据能够作为数据参考， 但是不能反映出水稻在空间上的种植分布状况。因此，这些传统的获取农作物 面积的方法在时效性、准确性、以及经济成本等方面已经越来越不能满足现实 的需要。

目前，随着卫星传感器技术以及遥感探测技术的不断发展，遥感技术在农 业方面的应用也变得越来越广泛。遥感具有宏观、客观、实时、准确等特点， 能够及时、客观并以较低的经济成本提取出大范围的农作物种植信息。特别是 随着传感器类型的不断增加以及传感器在空间分辨率、光谱分辨率、时间分辨 率以及灰度分辨率上的不断提高，利用遥感影像获取农作物的信息也更加的精 准。如何利用不同的影像数据源获取精确的作物信息也成为了当前遥感领域的 研究课题。水稻作为主要的农作物，更是成为了当前许多专家学者的研究热点。

黄青等基于MODIS时序数据，分析水稻生长时期每个节点的NDVI值规律， 通过对每个节点的NDVI值设定合适的阈值，提取出中稻的分布，最后以历年的 统计数据为标准，做了精度评定。何月等通过选取水稻备耕期及各个生长关键 时期的MODIS影像，分析水稻田与其他地物的可分性，构建决策树模型，提取 晚稻种植面积，并与统计资料进行对比分析，从行政区县尺度对提取的晚稻种 植面积进行了精度分析与评价，取得了较好的效果。但是，MODIS影像的分辨率 较低，仅为250m,许多离散的水稻田，对应在MODIS影像上连一个像元大小都没 有，所以，离散分布的水稻田的提取效果并不理想，特别是南方地区丘陵很多， 水稻的分布并不集中。另外，MODIS数据提取水稻分布的过程中，只是用到了 NDVI、LSWI等光谱特征参量，未与非光谱特征参量结合使用，导致特征参量单 一，提取的效果也不是很好。

相对MODIS数据，TM与HJ-1A、SPOT数据有着更高的影像空间分辨率。周 义等以TM影像为数据源，引入DEM、纹理特征等非光谱特征，再结合水稻抽穗 期的光谱特征提取出中稻的分布，最后选取了一定数量的样本验证了提取精度， 取得了不错的效果。郑长春等在SPOT5影像的基础上，通过比较分析中稻在抽 穗期与其他地物在各个波段上DN值以及NDVI值的差异提取出了试验区中稻， 并采用目视判读和定量统计来评价提取结果。但是，单时相高分辨率影像数据 提取水稻，影像中存在很多异物同谱的现象，会导致很多错分的情况，因此对 水稻提取的精度会有较大的影响。潘志强等通过选取三个不同时相的TM影像， 分析水稻在这三个时期内NDVI值的变化规律，得到了水稻大致的分布，经过验 证，精度达到了84％，取得了不错的效果。但是，TM影像数据的重访周期较长， 想要获取水稻不同时期的TM时序影像难度较大，特别是云雨天气很容易对影像 的质量产生负面的影响。

发明内容

有鉴于此，有必要提供一种能够更好剔除非目标地物，从而对目标地物进 行精确提取的基于多时相数据中特征提取的中稻信息决策树分类方法。

一种基于多时相数据中特征提取的中稻信息决策树分类方法，所述基于多 时相数据中特征提取的中稻信息决策树分类方法包括以下步骤：

S1、获取相应区域不同时相的高分一号影像数据，并对高分一号影像数据 分别做辐射定标预处理以及大气校正预处理；

S2、通过影像中各种地物的影像解译标识与移栽期的影像结合进行对比分 析，将抽穗期影像中的地物进行典型地物的初步区分；

S3、记录不同地物样本点在各个波段上的光谱值，并绘制不同地物样本点 光谱值统计表，通过分析统计表中的数值找出不同地物在各个波段上光谱值之 间的差异，建立多时相高分一号影像数据的特征参量；

S4、对影像数据的各项指标进行阈值设定，自高分一号影像数据中提取出 中稻的分布信息，精确的提取出中稻的分布；

S5、采用随机抽样的方式布设样本点，通过实地调查样本点的类别与遥感 分类结果比较，采用基于误差矩阵的评估方法评定遥感分类的准确性。

本发明选取的GF116M影像数据既具有高空间分辨率也具有高时间分辨率 的优点，在此基础上，本发明既使用了单时相影像提取水稻分布时用到的多种 特征参量，又结合了多时相影像进行时序分析的优势，使多参量与多时相有机 的结合，通过知识决策树分类的方式，提取出中稻的分布。通过多种特征参量 的分析提取，可以更好的剔除非目标地物，同时对多时相分析，可以有助于剔 除异物同谱导致的错分地物也可以进一步提取出目标地物，决策树分类具有灵 活、直观、效率高等特点。所以，综合这些优势，可以进一步提高中稻提取的 精度，无论是对国家的粮食安全体系，还是对遥感在农业方面的商业化应用， 都有积极的意义。

附图说明

图1是本发明所述的基于多时相数据中特征提取的中稻信息决策树分类方 法的步骤流程图；

图2是本发明所述的基于多时相数据中特征提取的中稻信息决策树分类方 法的流程框图；

图3是图1中步骤S4的流程框图；

图4是图1中步骤S41的流程框图；

图5是本发明所述的基于多时相数据中特征提取的中稻信息决策树分类方 法的另一流程框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本发明进行进一步详细说明，应当理解，此处所描述的具体实施例仅 仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种基于多时相数据中特征提取的中稻信息决策树分类 方法，如图1和图2所示，所述基于多时相数据中特征提取的中稻信息决策树 分类方法包括以下步骤：

S1、获取相应区域不同时相的高分一号影像数据，并对高分一号影像数据 分别做辐射定标预处理以及大气校正预处理。

具体的，本发明采用的高分一号影像数据是从中国资源卫星应用中心下载 相应区域不同时相的GF116M影像数据。主要包括三个时相的影像数据：中稻 的移栽期、时间范围为五月下旬至六月上旬的高分一号影像数据；中稻的抽穗 期、时间范围为七月下旬至八月上中旬的高分一号影像数据；中稻的乳熟期、 时间范围为九月下旬至十月上旬的高分一号影像数据。另外，在ENVIClassic 中，选择菜单栏中的TopographicModeling，能够根据相应区域的shp矢量边 界文件和DEM影像数据衍生出坡度文件。

同时，利用ENVI对三个时相的GF116M影像分别做辐射定标预处理以及大 气校正预处理。若两幅影像的投影坐标系统不一样，还需转换影像的投影坐标 系统。利用shp矢量边界文件对两个时相的影像做裁剪。裁剪后的影像需要在 ENVI中做几何精配准，整体误差必须要在一个像素范围内，以保证同一地面点 在不同时间、不同波段以及不同传感器获得的影像上完全重合。

S2、通过影像中各种地物的影像解译标识与移栽期的影像结合进行对比分 析，将抽穗期影像中的地物进行典型地物的初步区分。

其中，所述影像解译标识包括影像中各种地物的形状、大小、颜色、纹理、 阴影、图形、立体外貌等；所述初步区分是将抽穗期影像中的地物分为中稻、 晚稻、玉米、大豆、棉花、居民地、道路、水体、裸露地、常绿地十种典型地 物。

因此，通过影像中各种地物的形状、大小、颜色、纹理、阴影、图形、立 体外貌等影像解译标与移栽期的影像结合进行对比分析，可以初步将抽穗期影 像中的地物分为中稻、晚稻、玉米、大豆、棉花、居民地、道路、水体、裸露 地、常绿地十种典型地物。

S3、记录不同地物样本点在各个波段上的光谱值，并绘制不同地物样本点 光谱值统计表，通过分析统计表中的数值找出不同地物在各个波段上光谱值之 间的差异，建立多时相高分一号影像数据的特征参量。

具体的，在中稻抽穗期影像上，选取一定数量的典型地物样本点。记录不 同地物样本点在各个波段(主要是可见光红波段、近红外波段与短波红外波段) 上的光谱值，并绘制不同地物样本点光谱值统计表，统计表中包含不同地物在 各个波段上光谱值的最大值、最小值、均值以及标准差。通过分析统计表中的 数值找出不同地物在各个波段上光谱值之间的差异。

不同的地物样本点，也可以作为提取后初步检查的检查点。不同地物，由 于其组成、结构、理化性质以及生长环境的不同，其NDVI、EVI、LSWI以及DEM 等特征值也相互之间存在差异，这些可以用来区分不同地物的特征值，称之为 特征参量。

S4、对影像数据的各项指标进行阈值设定，自高分一号影像数据中提取出 中稻的分布信息，精确的提取出中稻的分布。

如图3所示，所述步骤S4包括以下分步骤：

S41、在中稻抽穗期影像中，将绝大部分的山地林地与水稻田、非植被区、 居民地、道路、裸露地以及玉米、大豆进行剔除；

其中，如图4所示，所述步骤S41包括以下分步骤：

S411、依据中稻的生长特性，一般是种植在坡度不大的田地里，因此在中 稻抽穗期影像中，根据中稻的实际种植情况，对坡度条件合理地设定阈值，可 以将绝大部分的山地林地与水稻田区分出来并剔除掉。

具体的，设所述坡度阈值为T1，即在所述中稻抽穗期影像中，如果地面的 坡度小于T1，则该地域可能为适合做种植中稻的田地，如果地面的坡度大于T1， 则该地域属于不适合做种植中稻的田地的山地林地，因此，通过坡度阈值将山 地林地剔除。

S412、选取中稻抽穗时期的GF116M影像，得到影像的NDVI、EVI值，通 过对NDVI与EVI设定合理阈值，初步将影像中植被区与非植被区进行区分。

由于植被在可见光红波段反射率很低，在近红外波段反射率很高，所以植 被相对于非植被，其NDVI与EVI值较高，但由于降水和水分影响，植被的NDVI 与EVI值会比以往偏小，甚至与非植被的NDVI与EVI值有重叠交叉。因此，可 以通过对NDVI与EVI设定合理阈值，初步将影像中植被区与非植被区进行区分。

设所述NDVI的合理阈值为T2，所述EVI的合理阈值为T3，即在所述中稻 抽穗期影像中，如果部分影像的NDVI值大于T2，EVI值大于T3，则该部分影像 为植被区域，反之，则为非植被区域。因此，通过NDVI与EVI的合理阈值能够 将山地林地剔除。

S413、在中稻抽穗期影像中，对可见光红波段反射率值设定阈值，可以将 中稻与居民地、道路、裸露地进行区分并剔除。

分析中稻抽穗期影像上各种地物的光谱反射率值可以发现，居民地、道路、 裸露地的光谱反射率值在各个波段上都较高，而中稻的光谱反射率在可见光红 波段上较低，所以居民地、道路、裸露地与中稻的光谱反射率值在可见光红波 段差异较大。

设所述可见光红波段反射率阈值为T4，即在所述中稻抽穗期影像中，如果 部分影像的可见光红波段反射率大于T4，则该地域为居民地、道路、裸露地， 如果部分影像的可见光红波段反射率小于T4，则该地域为中稻、玉米、大豆、 棉花、常绿地、晚稻的种植地，因此，通过可见光红波段反射率阈值能够将居 民地、道路、裸露地进行区分并剔除。

S414、在中稻抽穗期影像中，对短波红外波段的反射率值设定阈值，可以 将中稻抽穗期影像中的玉米、大豆剔除。

在中稻抽穗期影像上，大豆和玉米的光谱反射率值在短波红外波段上较高， 中稻的光谱反射率值在短波红外波段上较低，因此，通过对短波红外波段的反 射率值设定阈值，可以将中稻抽穗期影像中的玉米、大豆剔除。

设所述短波红外波段的反射率阈值为T5，即在所述中稻抽穗期影像中，如 果部分影像的短波红外波段的反射率值小于T5，则该地域为中稻、棉花、常绿 地、晚稻的种植地，如果部分影像的可见光红波段反射率大于T5，则该地域为 玉米、大豆的种植地，因此，通过可见光红波段反射率阈值能够将玉米、大豆 的种植地进行区分并剔除。

S42、在中稻移栽时期的影像中，对LSWI值设定阈值，将中稻田与棉花地 和常绿地进行区分，并剔除棉花地与常绿地。

在中稻移栽时期的影像中，由于中稻刚移栽或者即将移栽，此时中稻田的 含水量较多，对应的LSWI值更高，而棉花、常绿地的LSWI值相对较低。

设所述LSWI阈值为T6，即在所述中稻移栽时期的影像中，如果部分影像的 短波红外波段的反射率值大于T6，则该地域为中稻的种植地，如果部分影像的 可见光红波段反射率小于T6，则该地域为棉花、常绿地、晚稻的种植地，因此， 通过可见光红波段反射率阈值能够将棉花、常绿地、晚稻的种植地进行区分并 剔除。

为进一步提高中稻提取的精度，如图5所示，所述基于多时相数据中特征 提取的中稻信息决策树分类方法还包括步骤S4a，

步骤S4a:通过对中稻的移栽期、抽穗期以及乳熟期三个时期影像的NDVI设 定阈值，以及对三个时期影像的短波红外光谱值设定阈值，将“异物同谱”像 元和未完全剔除的晚稻田剔除。

具体的，所述中稻的抽穗期是中稻生长非常旺盛的时期，从中稻的移栽期 到抽穗期，中稻的NDVI值会大幅的增大，但是，从中稻的抽穗杨花期，再到中 稻的乳熟收获期，中稻的NDVI值又会逐渐减小。另外，由于中稻田含水量的变 化，对含水量敏感的短波红外波段的光谱值也会大幅增大。因此，通过对中稻 的移栽期、抽穗期以及乳熟期三个时期影像的NDVI设定阈值，以及对三个时期 影像的短波红外光谱值设定阈值，可以进一步提高中稻提取的精度。同时，通 过这一步，更可以将单时相中错分的“异物同谱”像元和未完全剔除的晚稻田 有效剔除。

S5、采用随机抽样的方式布设样本点，通过实地调查样本点的类别与遥感 分类结果比较，采用基于误差矩阵的评估方法评定遥感分类的准确性。

具体的，中稻实际种植面积通过人工实地勘测的方式获取，将研究区域的 高分辨率遥感影像作为底图，以单独的田块为单位进行实地调查，获取准确的 中稻种植面积和分布数据。遥感影像提取的中稻分布的准确性验证采用基于误 差矩阵的评估方法，采用简单随机抽样的方式布设样本点，通过实地调查样本 点的类别与遥感分类结果比较，采用基于误差矩阵的评估方法评定遥感分类的 准确性，不同空间分辨率遥感影像，根据实验范围大小的不同，其样本点的个 数存在差异。

具体的，所述评估步骤为：首先根据实地调查的样本数据与对应的分类数 据建立中稻分类的误差矩阵表格即表一所述的样本点分类精度实地调查表，然 后根据误差矩阵表格计算出中稻种植分类提取的总体面积精度、用户精度以及 生产者精度，基于这三类分类精度便可从不同的侧面反映出中稻的分类精度。

所述总体面积精度、用户精度以及生产者精度从不同的侧面描述了中稻的 分类精度，是简便易行并具有统计意义的评价指标。其中，总体分类精度表述 的是对每一个随机样本，所分类的结果与检验数据类型相一致的概率。用户精 度指从分类结果中任取一个随机样本，其所具有的类型与地面实际类型相同的 条件概率。生产者精度表示相对于检验数据中的任意一个随机样本，分类图上 同一地点的分类结果与其相一致的条件概率。

其中，所述随机抽样的样本数计算公式为：

$n=P(1-P)/(\frac{e^2}{Z^2}+\frac{P(1-P)}{N})$

其中，P为样本变异程度，N为总体个数，Z为调查结果的置信度，e为抽 样误差范围。

将外业实地调查所得结果作为实验区域的真实值数据，与利用遥感影像进 行分类提取得到的中稻种植数据进行对比，计算基于遥感影像进行中稻种植面 积提取的精度，包括分类的总体面积精度、用户精度以及生产者精度，其中，

总体面积精度计算公式为：

用户精度计算公式：$B=\left(\frac{I_1}{I_1+I_2}\right)*100\%$

生产者精度计算公式：$C=\left(\frac{I_1}{I_1+I_3}\right)*100\%$

其中，S_测为遥感影像提取所得中稻面积，S_实为实地调查所得中稻种植面积。 I₁为样本点中正确分为中稻的点数，I₂为样本点中属于非中稻但被分类为中稻的 点数，I₃为样本点中属于中稻但被分为非中稻的点数。根据调研情况，可生成实 地调研样本点与分布提取点的记录表格即误差矩阵表格，如下表1：

表1样本点分类精度实地调查表

将经过实地验证的精度与传统的提取分类精度和其他学者的提取方法的精 度进行对比，如下表2所示：

表2本发明与其他方法提取中稻的精度对比

综上所述，本发明所述基于多时相数据中特征提取的中稻信息决策树分类 方法，其选取的GF116M影像数据既具有高空间分辨率也具有高时间分辨率的 优点，在此基础上，本发明既使用了单时相影像提取水稻分布时用到的多种特 征参量，又结合了多时相影像进行时序分析的优势，使多参量与多时相有机的 结合，通过知识决策树分类的方式，提取出中稻的分布。多种特征参量，可以 更好的剔除非目标地物，多时相分析，可以有助于剔除异物同谱导致的错分地 物也可以进一步提取出目标地物，决策树分类具有灵活、直观、效率高等特点。 所以，综合这些优势，可以进一步提高中稻提取的精度，无论是对国家的粮食 安全体系，还是对遥感在农业方面的商业化应用，都有积极的意义。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的 精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的 保护范围之内。