[发明专利]一种基于时序NDVI与LST的农作物分类方法

说明书

本发明公开了一种基于时序NDVI与LST的农作物分类方法，包括如下步骤：步骤1）获取含有红光波段、近红外波段和热红外波段的遥感影像数据，构建覆盖农作物生长周期的遥感影像时间序列，并计算得到NDVI时间序列和LST时间序列；步骤2）为了增强不同农作物间的差异，针对步骤1）中每一期LST，先计算LST的均值LST_mean，然后利用均值进行调整（公式为ALST_(i,j)=LST_(i,j)‑LST_mean，式中i，j分别为每个像元的行号和列号），最后将调整后的所有ALST按照时间顺序叠加在一起，形成ALST时间序列；步骤3）通过实地调查或历史图件，获取农作物样本数据；步骤4）以NDVI时间序列、ALST时间序列以及样本数据作为输入，采用随机森林分类器，对研究区的农作物进行分类，形成农作物分类结果图。

技术领域

本发明是一项农作物遥感精细分类技术，提出了一种基于时序NDVI与LST的农作物分类方法，充分利用NDVI时间序列和LST时间序列能够反应不同农作物的生长特点，有效提高农作物精细分类的精度，为农作物精细分类提供了一种新思路。

背景技术

准确的农作物空间分布是农作物长势监测、农作物产量估算的重要基础，是国家制定粮食规划和经济政策的重要依据。传统的农作物监测方法多为区域调查，耗费大量人力、物力和财力，并且很难及时获得大面积的农作物信息。遥感凭借其速度快、范围广等特点被广泛应用于农作物分类，获取农作物的空间分布。

农作物类型多样、种植结构复杂，农业土地系统往往由一种或多种农作物通过连作、轮作、间种与套种等种植模式组合形成的种植结构。受“同物异谱和异物同谱”现象、混合像元效应等影响，农作物遥感识别比自然植被（林地和草地）更为复杂，单纯依靠光谱特征进行农作物提取，经常会出现“错分、漏分”的现象，难以达到预期效果。由于不同作物具有特定的生长规律和物候特征，不同生长时期的同一农作物其光谱特征不同，同一生长期的不同农作物光谱也具有差异。因此，时间序列遥感已逐步应用于农作物提取，这种方法充分利用了农作物的生长规律和物候特征。目前，归一化植被指数( Normalized DifferenceVegetation Index, NDVI )时间序列数据，广泛应用于农作物分类，这种方法能够较好地反映植被物候信息，有效削弱“同物异谱，同谱异物”现象，较为流行的方法是基于MODIS、NOAA/AVHRR的NDVI时间序列数据，但由于影像空间分辨率较低，农作物分类精度有限。随着遥感数据源的不断丰富，目前中、高分辨率影像时间序列的构建逐步成为热点，而且高分辨率NDVI时间序列已经应用于农作物分类。然而，NDVI数值容易饱和，对高植被密度区敏感性降低，从而影响农作物的分类精度。

不同农作物由于其叶子大小、稠密的差异，蒸腾能力会有所差异，从而导致农作物冠层的温度差异。在地表温度（Land Surface Temperature，LST）信息的获取方面，遥感技术已经非常成熟。因此，本专利充分利用遥感数据的光谱信息和温度信息，提出了一种基于时序NDVI与LST的农作物分类方法，提升农作物的分类精度。

发明内容

本发明提出了一种基于时序NDVI与LST的农作物分类方法，充分利用农作物在生长过程中，不同农作物冠层的光谱特征及温度特征的差异，有效提升了农作物遥感分类的精度。该估算方法包括如下步骤：

步骤一：获取含有红光波段、近红外波段和热红外波段的遥感影像数据，构建覆盖农作物生长周期的遥感影像时间序列，并计算得到NDVI时间序列和LST时间序列；步骤二：为了增强不同农作物间的差异，将LST时间序列中的每一期LST进行调整，构建ALST（AdjustLand Surface Temperature）时间序列；步骤三：通过实地调查或历史图件，获取农作物样本数据；步骤四：以NDVI时间序列、ALST时间序列以及样本数据作为输入，采用随机森林分类器，对研究区的农作物进行分类，形成农作物分类结果图。