[发明专利]冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法

说明书

本发明提供了一种冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法，包括以下步骤：1)构建平滑的MODIS NDVI时间序列数据；2)基于机器学习算法和重构的MODIS NDVI时间序列数据，得到逐年农田和非农田制图；3)对重构的MODIS NDVI时间序列数据进行变换，得到日尺度的NDVI时间序列，对逐年农田和非农田分类结果图中的农田进行标记，得到逐年复种监测制图；4)基于机器学习算法、重构的MODIS NDVI时间序列数据和逐年复种监测制图，得到逐年冬小麦和夏玉米种植区制图。本发明的遥感制图方法的逐年连续制图结果不仅可以反映华北平原冬小麦和夏玉米种植时间和空间变化情况，还考虑了农田使用连续性的实际情况，数据产品可以直接为行业部门提供数据支撑及决策参考。

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法。

背景技术

华北平原是我国重要的粮食主产区之一，肩负着我国口粮供给及安全的重任，冬小麦-夏玉米轮作是该区主要种植模式。详细准确的了解冬小麦和夏玉米种植情况，特别是播种的空间分布及历年变化趋势情况，对区域粮食生产的优化布局、规模化种植、标准化生产和产业化经营具有重要的现实意义，同时，对管理部门及时制定相关土地使用政策及粮食补贴政策预案具有重要的参考价值。

现有的传统地方法，通常是参考各级统计部门提供的每年的粮食播种面积统计数据。尽管这种方法的优点是可以在县域及以上尺度和总量上把握冬小麦和夏玉米的种植情况，但也存在两方面缺点，缺点一是工作量大、统计周期长，需要各级统计部门上报汇总后才能了解各省或者整个华北地区的冬小麦和夏玉米种植情况；缺点二，难以掌握冬小麦和夏玉米播种较为准确的空间位置信息。也有学者基于遥感影像提出了冬小麦播种监测的制图方法，但这些方法通常仅面向单一年份种植面积制图，而对农田使用连续性缺乏考虑，因此在逐年自动监测制图方面表现不佳。现有的遥感影像监测制图方法突出问题是冬小麦播种面积空间位置在逐年之间变动较大，较难获取与现实情况较为吻合的逐年种植面积图。

发明内容

为了克服传统统计方法和常规方法中存在的不足，本发明的目的是提供一种冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法，该方法逐年连续制图结果不仅可以反映华北平原冬小麦和夏玉米种植时间和空间变化情况，还考虑了农田使用连续性的实际情况，数据产品可以直接为行业部门提供数据支撑及决策参考。

本发明的具体技术方案是一种一种冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法，其特征在于，具体包括以下步骤：

1)构建平滑的MODIS NDVI时间序列数据；

2)基于机器学习算法和重构的MODIS NDVI时间序列数据，对遥感影像进行分类，得到逐年农田和非农田制图；

3)对重构的MODIS NDVI时间序列数据进行变换，得到日尺度的NDVI时间序列，对逐年农田和非农田分类结果图中的农田进行标记，得到逐年复种监测制图；

4)基于机器学习算法、重构的MODIS NDVI时间序列数据和逐年复种监测制图，对遥感影像进行分类，得到逐年冬小麦和夏玉米种植区制图。

更进一步地，所述的步骤1)中采用Savitzky-Golay滤波器构建平滑的MODIS NDVI时间序列数据。

更进一步地，所述的步骤2)中得到逐年农田和非农田制图的具体方法如下：

2.1)基于机器学习算法对当前计算年份的遥感影像中农田和非农田进行分类，选择冬小麦和夏玉米关键生育期的遥感影像，根据农田和非农田的高分影像训练样本数据，选择神经网络、决策树和支持向量机三种机器学习算法，分别对农田和非农田构建分类器并进行分类，分类判断规则为：最少满足两种机器学习在同一区域/栅格上判定为农田，该区域/栅格才认定为农田，获取当前计算年份的农田和非农田本底土地利用图，