技术领域
[0001] 本发明涉及水稻制图技术领域，具体为一种增强像素级物候特征复合方法。
相关背景技术
[0002] 大尺度区域上运用中高分辨率进行水稻制图，获得较高精度的水稻空间分布图，但需要农田层来排除非作物像元，大多研究利用移栽期的物候特征，选择无云的遥感影像进行水稻空间分布制图，通过进行水稻空间分布制图，能够明确知晓水稻分布情况，为后续研究提供基础数据。
[0003] 当前，大多研究采样移栽期进行水稻制图，单一物候期无法表征水稻生长周期的全部光谱特性，难以区分其他含水土地覆盖区如湿地、沼泽，而利用中高等分辨率进行水稻制图，大多使用的遥感影像为无云影像，大大减少了可用图像的数量，制图的精确度不高。
[0004] 于是，有鉴于此，针对现有的结构及缺失予以研究改良，提出一种增强像素级物候特征复合方法。
具体实施方式
[0033] 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。
[0034] 如图1所示，本发明提供技术方案：一种增强像素级物候特征复合方法，增强像素级物候特征复合方法包括下述操作步骤：
[0035] S1、影像去云：
[0036] 对影像进行云掩膜去除影像中的云，影像为卫星影像，而影像中云含量高达70％及以上则将该影像舍去不用；
[0037] S2、确定水稻物候期：
[0038] 通过分析裸土指数、地表水指数、归一化植被指数和植物衰老反射指数来确定水稻四个不同的物候期，分析裸土指数即BSI，地表水指数即LSWI，归一化植被指数即NDVI，植物衰老反射指数即PSRI，而且水稻四个不同的物候期分别为裸土期、移栽期、生长期、成熟期；
[0039] S3、构建物候期信息的新特征：
[0040] 选取六个光谱指标，构建4个关键物候期信息的新特征；
[0041] 其中，4个关键物候期信息的新特征分别对应的是裸土期、移栽期、生长期、成熟期，而裸土期为裸土指数；移栽期为地表水指数和绿色叶绿素植被指数；生长期为归一化差异植被指数和增强植被指数；成熟期为植物衰老反射指数；
[0042] S4、指标叠加：
[0043] 采用谷歌云计算平台的合成方法，将6个指标图像进行叠加，得到一个具有6个指标的新特征；
[0044] 其中，6个指标图像分别是裸土指数图像、地表水指数图像、绿色叶绿素植被指数图像、归一化差异植被指数图像、增强植被指数图像和植物衰老反射指数图像；
[0045] S5、水稻制图：
[0046] 水稻作为唯一的目标类，因此采用单类分离器进行水稻分类，单类分离器作为支持向量机的一个分支，其基本原理是在特征空间中构造一个最优超平面，使目标类与其他类之间的裕度最大化，将基于Eppf‑CM的6个光谱指标的复合图像输入到单类分离器中进行水稻制图；
[0047] 其中，单类分离器采用one‑class adaboost分类方法，支持向量机即SVM，Eppf‑CM指的是步骤S1‑S4的操作内容。
[0048] 该增强像素级物候特征复合方法应用于水稻制图技术领域。
[0049] 基于上述内容，该增强像素级物候特征复合方法基于像素级物候特征组合方法在谷歌云计算平台上进行水稻制图，且Eppf‑CM结合了四个不同的物候期，并通过相应物候期的六个特定光谱指数来表示水稻生长周期的全部光谱特性，从而最大限度地提高了水稻与其他作物的光谱可分离性，将Eppf‑CM的物候特征与one‑class adaboost分类方法结合使用，可以更好地分辨水稻。
[0050] 实施例：
[0051] 使用该增强像素级物候特征复合方法对中国东北三省(黑龙江、吉林、辽宁)进行水稻制图，空间分布图如图2所示，图2中(b)、(c)、(d)分别代表黑龙江、吉林、辽宁案例区域；
[0052] 精度验证结果如图3所示，Eppf‑CM图谱总体精度高于98％，Kappa系数均在0.9以上，不同省份的大米地图的准确性略有不同，黑龙江省水稻品种PA和UA值分别为91.34％和95.19％；
[0053] 吉林省PA和UA分别为96.77％和90.20％；
[0054] 辽宁省PA和UA分别为93.66％和91.62％；
[0055] 黑龙江总体准确率最高(OA为98.89％)，其次是吉林(OA为98.68％)，最后是辽宁(OA为98.64％)；
[0056] 与三省农业统计数据相比，虽然实际面积略有不同，但Eppf‑CM制图总面积百分比2 2
与三省统计数据高度一致.Eppf‑CM制图的水稻面积为辽宁5075.9km，吉林8025.8km ，黑龙
2 2
江37541.1km，东北地区累计约50642.8km，其次，分别在2019年、2018年和2017年对两类地
2
级面积数据进行相关性和显著性检验，如图4所示，三年的相关系数(R)为0.98，在0.0001水平上相关性显著(N＝36)，这两个结果都表明该增强像素级物候特征复合方法具有较好的精确性；
[0057] 再对比Eppf‑CM图和EIT图，即图5，发现这两种产品的空间分布具有较高的一致性，如图5所示，而Eppf‑CM图在细节上表现更好，这些细节不仅体现在面积上，而且还体现在Eppf‑CM地图减少错分和漏分现象了，从面积上看，2017‑2019年黑龙江省Eppf‑CM地图和2 2
EIT地图的水稻种植面积分别为37541.1km和43423.3km，而国家统计局的水稻种植面积分
2 2 2
别为39488.9km 、37831.2km和38125.5km ，以2018年为例，Eppf‑CM图和EIT图的误差分别为0.7％和14.78％，证实了Eppf‑CM图比EIT图更准确。
[0058] 综上，该增强像素级物候特征复合方法，使用时，首先对影像进行云掩膜去除影像中的云，影像为卫星影像，而影像中云含量高达70％及以上则将该影像舍去不用；
[0059] 通过分析裸土指数、地表水指数、归一化植被指数和植物衰老反射指数来确定水稻四个不同的物候期，分析裸土指数即BSI，地表水指数即LSWI，归一化植被指数即NDVI，植物衰老反射指数即PSRI，而且水稻四个不同的物候期分别为裸土期、移栽期、生长期、成熟期；
[0060] 选取六个光谱指标，构建4个关键物候期信息的新特征；其中，4个关键物候期信息的新特征分别对应的是裸土期、移栽期、生长期、成熟期，而裸土期为裸土指数；移栽期为地表水指数和绿色叶绿素植被指数；生长期为归一化差异植被指数和增强植被指数；成熟期为植物衰老反射指数；
[0061] 采用谷歌云计算平台的合成方法，将6个指标图像进行叠加，得到一个具有6个指标的新特征；其中，6个指标图像分别是裸土指数图像、地表水指数图像、绿色叶绿素植被指数图像、归一化差异植被指数图像、增强植被指数图像和植物衰老反射指数图像；
[0062] 水稻作为唯一的目标类，因此采用单类分离器进行水稻分类，单类分离器作为支持向量机的一个分支，其基本原理是在特征空间中构造一个最优超平面，使目标类与其他类之间的裕度最大化，将基于Eppf‑CM的6个光谱指标的复合图像输入到单类分离器中进行水稻制图。
[0063] 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，并且使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。
