买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国农业大学

摘要：本发明属于农业遥感领域，涉及一种融合GF‑1WFV和MODIS数据的地块尺度作物长势监测方法，具体为：对历史几年作物生育期内MODIS反射率数据和GF‑1WFV影像数据预处理；基于卡尔曼滤波算法融合两种遥感数据；利用融合后的红光波段与近红外波段，计算历史几年NDVI时间序列影像并平均；目标年份监测时期的GF‑1NDVI影像与对应时期的历史平均NDVI影像做差值判断长势等级，逐个作物格网单元运行获得监测结果指导作物生产。本发明克服了由于雨云影响难以获得作物生育期内中等空间分辨率多年平均NDVI基准曲线的问题，通过MODIS和WFV的数据融合方法，为精准长势监测提供了基准参考曲线。

主权项：1.一种融合GF-1WFV和MODIS数据的地块尺度作物长势监测方法，其特征在于，具体步骤如下：S1、收集研究区的目标年份之前历史几年作物生育期内MODIS反射率数据和GF-1WFV影像数据，并对所述MODIS反射率数据和所述GF-1WFV影像数据进行预处理；所述MODIS反射率数据的时间分辨率为每天、空间分辨率为500米；所述GF-1WFV影像数据的时间分辨率为4天、空间分辨率为16米；S2、基于卡尔曼滤波算法，融合MODIS反射率数据和GF-1WFV影像数据，得到时间分辨率为每天，空间分辨率为16米的反射率数据；S3、利用融合后的反射率数据中的红光波段与近红外波段，计算历史几年分辨率为每天、空间分辨率为16米的NDVI时间序列影像；S4、将S3计算得到的NDVI时间序列影像进行平均，得到时间分辨率为每天、空间分辨率为16米的历史几年平均NDVI时间序列影像；S5、以S4计算得到的历史几年平均NDVI时间序列影像为长势基准，将目标年份监测时期的GF-1NDVI影像与对应时期的历史平均NDVI影像做差值，并以此作为判断作物长势等级的标准；S6、逐个作物格网单元运行S5，获得目标年份作物长势监测结果，指导作物生产；步骤S2所述卡尔曼滤波的实现需要定义观测变量为GF-1WFV影像数据，并转换模型为两个子模型的集合：假设同一状态下，表征农作物反射率在生长季的动态变化趋势的子模型1和刻画GF-1WFV影像数据和MODIS反射率数据之间的关系的子模型2的估计结果均相互独立且服从高斯分布，在每一个时间步骤，卡尔曼算法中的时间更新模型是它们共同的估算结果，计算方式如下： 分别表示在k状态下，子模型1、子模型2和组合模型的先验估计值，分别表示对应的先验方差，将子模型2的不确定性设定为线性回归的标准误差； 计算公式如下： 是子模型1中状态k时的先验估计值，是状态k-1的后验估计值，并设定每一步线性回归模型的标准误差作为子模型1每一步对应的不确定性，a和b是k和k-1状态下的MODIS影像像元之间建立线性回归关系的斜率和截距； 计算公式如下： 是子模型2中k状态下的先验估计值，c和d是k状态下MODIS影像像元和GF-1WFV影像像元之间建立线性回归关系的截距和斜率。

全文数据：融合GF-1WFV和MODIS数据的地块尺度作物长势监测方法技术领域[0001]本发明属于农业遥感领域，具体涉及一种融合GF-IWFV和MODIS数据的地块尺度作物长势监测方法。背景技术[0002]作物长势的实时监测对作物的产量预报和农田精细管理具有重要意义。传统的作物长势监测方法多为实地调查，不仅费时费力而且很难获得大面积的作物长势信息。基于遥感技术的作物长势监测能够获得大面积地表信息，还可以实时动态监测。目前基于遥感技术的长势监测方法多是基于遥感植被指数对作物长势进行识别，这对遥感数据的时间分辨率和空间分辨率都有很高的要求。然而，目前遥感影像较少有同时满足高空间分辨率高时间分辨率的要求。鉴于此，将高空间分辨率的影像与高时间分辨率的影像进行融合，生成一种同时具有高时间分辨率和高空间分辨率的时间序列影像，克服了高空间分辨率影像受云雨影像数据量不足的局限性。并通过计算多年NDVI影像作为长势基准，实现了对作物的全生育期长势监测。发明内容[0003]本发明提供一种融合GF-IffFV和MODIS数据的地块尺度作物长势监测方法。[0004]本发明提供一种融合GF-IWFV和MODIS数据的地块尺度作物长势监测方法，具体步骤如下：[0005]Sl、收集研究区的目标年份之前历史几年作物生育期内MODIS搭载在terra和aqua卫星上的传感器反射率数据和GF-IWFV影像数据（高分一号卫星GF-I搭载的WFV相机的影像数据），并对上述两种遥感数据进行预处理;所述MODIS反射率数据的时间分辨率为每天、空间分辨率为500米;所述GF-IWFV影像数据的时间分辨率为4天、空间分辨率为16米；[0006]S2、基于卡尔曼滤波Kalmanfiltering，简写为KF算法，融合MODIS反射率数据和GF-IWFV影像数据，得到时间分辨率为每天，空间分辨率为16米的反射率数据；[0007]S3、利用融合后的反射率数据中的红光波段与近红外波段，计算历史几年分辨率为每天、空间分辨率为16米的NDVI归一化植被指数时间序列影像；[0008]S4、将S3计算得到的NDVI时间序列影像进行平均，得到时间分辨率为每天、空间分辨率为16米的历史几年平均NDVI时间序列影像；[0009]S5、以S4计算得到的历史几年平均NDVI时间序列影像为长势基准，将目标年份监测时期的GF-INDVI影像包括在GF-IWFV影像数据内）与对应时期的历史平均NDVI影像做差值，并以此作为判断作物长势等级的标准；[0010]S6、逐个作物格网单元运行S5,获得目标年份作物长势监测结果，指导作物生产。[0011]其中步骤Sl之前还可包括如下确定作物地块的步骤：[0012]收集研究区Landsat80LILandsat8卫星上荷载的陆地成像仪OperationalLandImager和Sentinel-2Sentinel-2卫星光学遥感数据，并进行农作物分类，获得待测作物种植地块。[0013]其中，步骤SI中所述目标年份之前历史几年，优选目标年份之前历史5年。[0014]其中，步骤Sl所述预处理为对GF-IWFV影像数据进行几何纠正、辐射定标、大气校正等预处理，并通过寻找两种遥感数据的同名控制点，完成MODIS反射率数据和GF-IWFV影像数据的几何配准。[0015]步骤S2所述卡尔曼滤波的实现需要定义观测变量为GF-IWFV影像数据，并转换模型为两个子模型的集合：[0016]假设同一状态下，表征农作物反射率在生长季的动态变化趋势的子模型1和刻画GF-IWFV影像数据和MODIS反射率数据之间的关系的子模型2的估计结果均相互独立且服从高斯分布，在每一个时间步骤，卡尔曼算法中的时间更新模型是它们共同的估算结果，计算方式如下：[0019]分别表示在k状态下，子模型1、子模型2和组合模型的先验估计值，分别表示对应的先验方差，将子模型2的不确定度设定为线性回归的标准误差；[0020]其中，子模型1提供了表征农作物反射率在生长季的动态变化趋势，选取待测农作物纯度大于50%的像元;线性状态转换模型为每天在MODIS反射率数据中提取构建k-Ι和k时刻每个时间状态的植被生长变化轨迹线性关系;子模型1将曲线定义为分段回归曲线;每一段通过连续的MODIS反射率线性回归得到，其中连续的MODIS反射率通过在计算机能够保持计算效率的影像上大量随机选取像元构建得到，其具体公式表达为：[0022]4ι是子模型1中状态k时的先验估计值，是状态k-Ι的后验估计值，并设定每一步线性回归模型的标准误差作为子模型1每一步对应的不确定性；[0023]子模型2刻画GF-IWFV影像数据和MODIS反射率数据之间的关系，从而实现对子模型1周期性曲线的约束;子模型1中的斜率和截距则被用于获取k状态下子模型2的先验估计值，其具体公式表达为：[0025]在公式4中，是子模型2中k状态下的先验估计值，c和d是k状态下MODIS影像像元和GF-IWFV影像像元之间建立线性关系的斜率和截距。[0026]其中，步骤S3所述NDVI的计算公式为：[0028]式中Pnir表示近红外波段的反射率值，Pred表示红光波段的反射率值。[0029]其中，步骤S4所述进行平均，采用公式⑹进行计算：[0031]式中，NDVIi,mean表示第i天历史几年NDVI平均值，NDVIi,j表示第j年第i天的NDVI值。[0032]步骤S5所述判断作物长势等级的分级标准为:δ〇.25表示长势好，为5级;0.25δ0.025表示长势较好，为4级;0.025δ-0.025表示长势持平，为3级;-0.025δ-0.25表示长势较差，为2级;δ〈-〇.25表示长势差，为1级。[0033]步骤S6所述逐个作物格网单元运行S5,为利用S5建立的长势监测分级标准，对每个像元进行重新赋值1-5级，从而获得目标年份作物长势监测结果。[0034]其中，所述作物优选为冬小麦、水稻等任一种大田作物。[0035]本发明还提供所述融合GF-IWFV和MODIS数据的地块尺度作物长势监测方法在指导农作物生产中的应用。[0036]本发明与现有技术相比，长势监测结果准确度提高了23%。附图说明[0037]图1为本发明实施例1对水稻实施融合GF-IWFV和MODIS数据的地块尺度水稻长势监测方法的流程示意图。[0038]图2为本发明实施例1以实施融合GF-IWFV和MODIS数据的地块尺度水稻长势监测方法对黑龙家七星农场水稻长势监测得到的2016年7月25日的监测图。具体实施方式[0039]下面结合实施例，对本范明的具体实施方式做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。[0040]实施例1[0041]以本发明融合GF-IWFV和MOTIS数据的地块尺度作物长势监测方法针对水稻进行估产的流程示意图参见附图1。[0042]选择黑龙江省作为研究区域，该区域地处东经121°11-135^5:北炜43°26-53°33之间。研究区总面积47.3万平方公里，地形以平原和山地为主，耕地占总面积的25%以上，属温带大陆性季风气候，年日照时数2400-2800h，年平均降水量400-600mm。[0043]SI、收集研究区的目标年份之前历史5年作物生育期内MODIS反射率数据和GF-IWFV影像数据，并对上述两种遥感数据进行预处理;所述MODIS反射率数据的时间分辨率为每天、空间分辨率为500米;所述GF-IWFV影像数据的时间分辨率为4天、空间分辨率为16米；[0044]所述预处理为对GF-IWFV影像数据进行几何纠正、辐射定标、大气校正等预处理，并通过寻找两种遥感数据的同名控制点，完成MODIS反射率数据和GF-IWFV影像数据的几何配准。[0045]S2、基于卡尔曼滤波算法，融合MODIS反射率数据和GF-IWFV影像数据，得到时间分辨率为每天，空间分辨率为16米的反射率数据；[0046]步骤S2所述卡尔曼滤波的实现需要定义观测变量为GF-IWFV影像数据，并转换模型为两个子模型的集合：[0047]假设同一状态下，表征农作物反射率在生长季的动态变化趋势的子模型1和刻画GF-IWFV影像数据和MODIS反射率数据之间的关系的子模型2的估计结果均相互独立且服从高斯分布，在每一个时间步骤，卡尔曼算法中的时间更新模型是它们共同的估算结果，计算方式如下：[0050]fλ分别表示在k状态下，子模型1、子模型2和组合模型的先验估计值，分别表示对应的先验方差，将子模型2的不确定度设定为线性回归的标准误差；[0051]其中，子模型1提供了表征农作物反射率在生长季的动态变化趋势，选取待测农作物纯度大于50%的像元;线性状态转换模型为每天在MODIS反射率数据中提取构建k-Ι和k时刻每个时间状态的植被生长变化轨迹线性关系;子模型1将曲线定义为分段回归曲线;每一段通过连续的MODIS反射率线性回归得到，其中连续的MODIS反射率通过在计算机能够保持计算效率的影像上大量随机选取像元构建得到，其具体公式表达为：[0053]4是子模型1中状态k时的先验估计值，是状态k-1的后验估计值，并设定每一步线性回归模型的标准误差作为子模型1每一步对应的不确定性；[0054]子模型2刻画GF-IWFV影像数据和MODIS反射率数据之间的关系，从而实现对子模型1周期性曲线的约束;子模型1中的斜率和截距则被用于获取k状态下子模型2的先验估计值，其具体公式表达为：[0056]在公式⑷中，心是子模型2中k状态下的先验估计值，c和d是k状态下MODIS影像像元和GF-IWFV影像像元之间建立线性关系的斜率和截距。[0057]S3、利用融合后的反射率数据中的红光波段与近红外波段，计算历史5年分辨率为每天、空间分辨率为16米的NDVI植被覆盖指数时间序列影像；[0058]NDVI的计算公式为：[0060]式中Pnir表示近红外波段的反射率值，Pred表示红光波段的反射率值。[0061]S4、将S3计算得到的NDVI时间序列影像进行平均，得到时间分辨率为每天、空间分辨率为16米的历史5年平均NDVI时间序列影像；[0062]所述进行平均，采用公式⑹进行计算：[0064]式中，NDVIi,mean表示第i天历史5年NDVI平均值，NDVIi,j表示第j年第i天的NDVI值。[0065]S5、以S4计算得到的历史5年平均NDVI时间序列影像为长势基准，将目标年份监测时期的GF-INDVI影像包括在GF-IWFV影像数据内）与对应时期的历史平均NDVI影像做差值，并以此作为判断作物长势等级的标准；[0066]所述判断作物长势等级的分级标准为：δ〇.25表示长势好，为5级；0.25δ〇.025表示长势较好，为4级;0.025δ-〇.025表示长势持平，为3级;-0.025δ-0.25表示长势较差，为2级;δ〈-〇.25表示长势差，为1级。[0067]S6、逐个作物格网单元运行S5，利用S5建立的长势监测分级标准，对每个像元进行重新赋值1-5级，从而获得目标年份水稻长势监测结果，指导生产。[0068]本实施例得到的2016年7月25日黑龙江省七星农场这以地块的水稻长势监测图见图2。[0069]虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

权利要求：1.一种融合GF-IWFV和MODIS数据的地块尺度作物长势监测方法，其特征在于，具体步骤如下：51、收集研究区的目标年份之前历史几年作物生育期内MODIS反射率数据和GF-IWFV影像数据，并对上述两种遥感数据进行预处理;所述MODIS反射率数据的时间分辨率为每天、空间分辨率为500米;所述GF-IWFV影像数据的时间分辨率为4天、空间分辨率为16米；52、基于卡尔曼滤波算法，融合MODIS反射率数据和GF-IWFV影像数据，得到时间分辨率为每天，空间分辨率为16米的反射率数据；53、利用融合后的反射率数据中的红光波段与近红外波段，计算历史几年分辨率为每天、空间分辨率为16米的NDVI时间序列影像；54、将S3计算得到的NDVI时间序列影像进行平均，得到时间分辨率为每天、空间分辨率为16米的历史几年平均NDVI时间序列影像；55、以S4计算得到的历史几年平均NDVI时间序列影像为长势基准，将目标年份监测时期的GF-INDVI影像与对应时期的历史平均NDVI影像做差值，并以此作为判断作物长势等级的标准；56、逐个作物格网单元运行S5,获得目标年份作物长势监测结果，指导作物生产。2.如权利要求1所述的方法，其特征在于，步骤Sl之前还包括如下确定作物地块的步骤：收集研究区Landsat80LI和Sentinel-2光学遥感数据，并进行农作物分类，获得待测作物种植地块。3.如权利要求1或2任一项所述的方法，其特征在于，步骤Sl中所述目标年份之前历史几年，为目标年份之前历史5年。4.如权利要求1或2任一项所述的方法，其特征在于，步骤Sl所述预处理为对GF-IWFV影像数据进行几何纠正、辐射定标、大气校正，并通过寻找两种遥感数据的同名控制点，完成MODIS反射率数据和GF-IWFV影像数据的几何配准。5.如权利要求1或2任一项所述的方法，其特征在于，步骤S2所述卡尔曼滤波的实现需要定义观测变量为GF-IWFV影像数据，并转换模型为两个子模型的集合：假设同一状态下，表征农作物反射率在生长季的动态变化趋势的子模型1和刻画GF-IWFV影像数据和MODIS反射率数据之间的关系的子模型2的估计结果均相互独立且服从高斯分布，在每一个时间步骤，卡尔曼算法中的时间更新模型是它们共同的估算结果，计算方式如下：..别表示在k状态下，子模型1、子模型2和组合模型的先验估计值，,分别表示对应的先验方差，将子模型2的不确定度设定为线性回归的标准误差；%计算公式如下：‘是子模型1中状态k时的先验估计值，是状态k-1的后验估计值，并设定每一步线性回归模型的标准误差作为子模型1每一步对应的不确定性；2计算公式如下：元2是子模型2中1^状态下的先验估计值，c和d是k状态下MODIS影像像兀和GF-IWFV影像像元之间建立线性关系的斜率和截距。6.如权利要求1或2任一项所述的方法，其特征在于，步骤S3所述NDVI的计算公式为：式中Pnlr表示近红外波段的反射率值，Pred表示红光波段的反射率值。7.如权利要求6所述的方法，其特征在于，步骤S4所述进行平均，采用公式（6进行计算：式中，NDVIi,m_表示第i天历史几年NDVI平均值，NDVIi,j表示第j年第i天的NDVI值。8.如权利要求1或2任一项所述的方法，其特征在于，步骤S5所述判断作物长势等级的分级标准为：S〇.25表示长势好，为5级；0.25δ〇.025表示长势较好，为4级；0.025δ-0.025表示长势持平，为3级;-0.025δ-0.25表示长势较差，为2级;δ〈-〇.25表示长势差，为1级。9.如权利要求1或2任一项所述的方法，其特征在于，步骤S6所述逐个作物格网单元运行S5,为利用S5建立的长势监测分级标准，对每个像元进行重新赋值1-5级，从而获得目标年份作物长势监测结果。10.权利要求1-9任一项所述融合GF-IWFV和MODIS数据的地块尺度作物长势监测方法在指导农作物生产中的应用。

百度查询： 中国农业大学 融合GF-1WFV和MODIS数据的地块尺度作物长势监测方法