[發(fā)明專利]用于地市及縣兩級(jí)糧食補(bǔ)貼核算的種植面積遙感確定方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410054798.8
• 申請(qǐng)日: 2014-02-18
• 公開（公告）號(hào): CN103761447B
• 公開（公告）日: 2017-05-24
• 發(fā)明（設(shè)計(jì)）人: 李強(qiáng)子;杜鑫;張煥雪;劉吉磊;王紅巖
• 申請(qǐng)（專利權(quán)）人: 中國(guó)科學(xué)院遙感與數(shù)字地球研究所
• 主分類號(hào): G06F19/00
• 分類號(hào): G06F19/00
• 代理公司: 北京權(quán)泰知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙)11460
• 代理人: 王道川

1.用于地市及縣兩級(jí)糧食補(bǔ)貼核算的種植面積遙感確定方法，其特征在于，包括如下步驟：

步驟P1：對(duì)目標(biāo)省域內(nèi)糧食作物的種植面積進(jìn)行抽樣調(diào)查；

步驟P2：遙感影像選擇與預(yù)處理；

步驟P3：糧食作物遙感識(shí)別；

步驟P4：混合像元的處理；

步驟P5：建立糧食作物的種植面積估算模型，對(duì)地市及縣兩級(jí)行政單元的糧食作物的種植面積進(jìn)行估算；

在步驟P1中：以監(jiān)測(cè)省份農(nóng)作物種植面積和種植比例結(jié)構(gòu)歷史數(shù)據(jù)為基礎(chǔ)，建立省域范圍的面積抽樣框架，并根據(jù)糧食作物的種植結(jié)構(gòu)、期望精度與可靠性計(jì)算樣本量，并采用系統(tǒng)布樣方式進(jìn)行布樣，具體包括如下步驟：

步驟P101：利用地理信息系統(tǒng)工具建立覆蓋省域范圍的矩形格網(wǎng)，矩形格網(wǎng)尺寸大小為：長(zhǎng)度和寬度均為5公里，刪除跨越省界的矩形格網(wǎng)單元，按照自上而下、自左而右的順序?qū)γ總€(gè)矩形格網(wǎng)單元進(jìn)行編號(hào)，使得每個(gè)矩形格網(wǎng)單元具有唯一的編號(hào)；

步驟P102：利用研究區(qū)最近5年的糧食作物的種植面積和種植比例結(jié)構(gòu)數(shù)據(jù)，計(jì)算樣本量，樣本量計(jì)算公式如下：

$n_0={\left(\frac{t}{r}\right)}^2\frac{S^2}{{\stackrel{\‾}{Y}}^2},$

n＝n₀+n₀*5％；

式中：n₀是初始樣本量，n是修正樣本量；t是抽樣概率，當(dāng)置信水平為95％時(shí)，t等于1.96；r是相對(duì)誤差，研究中取r＝5％；是總體均值，即研究區(qū)最近5年的糧食作物的種植面積平均；S²是總體方差，即研究區(qū)最近5年的糧食作物的種植面積方差；

步驟P103：采用系統(tǒng)布樣方法，選擇地面調(diào)查樣方，具體包括如下步驟：(1)用總的矩形格網(wǎng)數(shù)除以樣本量，得到布樣間隔；(2)隨機(jī)抽取一個(gè)介于0和布樣間隔數(shù)值之間的隨機(jī)數(shù)，作為布樣的起始值，即抽取第一個(gè)樣本；(3)根據(jù)上一個(gè)樣本的矩形格網(wǎng)編號(hào)，累加一個(gè)布樣間隔，得到一個(gè)新的樣本的矩形格網(wǎng)單元編號(hào)；(4)重復(fù)步驟(3)，直至結(jié)束；

步驟P104：由專門隊(duì)伍調(diào)查每個(gè)樣本矩形格網(wǎng)內(nèi)的每塊耕地上的農(nóng)作物種植類別；

步驟P105：統(tǒng)計(jì)推斷每種作物的種植成數(shù)，并根據(jù)全省耕地面積統(tǒng)計(jì)估算全省的種植面積，推斷公式如下：

農(nóng)作物總種植面積＝農(nóng)作物種植成數(shù)*總耕地面積；

在步驟P2中：根據(jù)作物物候期，確定合適時(shí)相的環(huán)境星CCD數(shù)據(jù)作為數(shù)據(jù)源，并對(duì)選定的環(huán)境星CCD數(shù)據(jù)進(jìn)行預(yù)處理，具體包括如下步驟：

步驟P201：參考研究區(qū)歷史物候數(shù)據(jù)，分別在作物播種期后30天、拔節(jié)期、開花期和收獲前期獲取4景影像；

步驟P202：以1:10萬地形圖為參考影像，應(yīng)用二次多項(xiàng)式方法對(duì)環(huán)境星CCD影像進(jìn)行幾何精校正，誤差控制在1個(gè)像元以內(nèi)；

步驟P203：對(duì)環(huán)境星CCD影像進(jìn)行輻射定標(biāo)處理，定標(biāo)采用如下公式進(jìn)行：

$\mathrm{\ρ}=(\frac{DN}{A}+L_0)*\frac{\mathrm{\π}*d^2}{ESUN*cos\mathrm{\θ}},$

公式中，DN為遙感影像的灰度值，A和L₀為中國(guó)資源衛(wèi)星中心公布的環(huán)境減災(zāi)星座A/B星各載荷在軌絕對(duì)輻射定標(biāo)系數(shù)，d為日地天文單位距離，ESUN為大氣頂層太陽輻照度，θ為太陽天頂角；

步驟P204：計(jì)算光學(xué)遙感影像的比值植被指數(shù)RVI、歸一化植被指數(shù)NDVI、增強(qiáng)型植被指數(shù)EVI：

$RVI=\frac{{\mathrm{\ρ}}_{Nir}}{{\mathrm{\ρ}}_{\mathrm{Re}d}};$

$NDVI=\frac{{\mathrm{\ρ}}_{Nir}-{\mathrm{\ρ}}_{\mathrm{Re}d}}{{\mathrm{\ρ}}_{Nir}+{\mathrm{\ρ}}_{\mathrm{Re}d}};$

$EVI=(1.5+L)\×\frac{{\mathrm{\ρ}}_{Nir}-{\mathrm{\ρ}}_{\mathrm{Re}d}}{L+{\mathrm{\ρ}}_{Nir}+C_1\×{\mathrm{\ρ}}_{\mathrm{Re}d}+C_2\×{\mathrm{\ρ}}_{Blue}}$

其中，ρ_Blue為環(huán)境星CCD數(shù)據(jù)藍(lán)波段反射率，ρ_Nir為近紅外反射率，ρ_Red為紅波段反射率，L是調(diào)整參數(shù)，C₁、C₂為大氣修正參數(shù)，它們均可以減少背景和大氣的作用，對(duì)于環(huán)境星影像來說，L、C₁、C₂的經(jīng)驗(yàn)值分別為1、6和7.5；

步驟P205：將NDVI數(shù)據(jù)與環(huán)境星CCD數(shù)據(jù)的4個(gè)波段疊加在一起，生成具有5個(gè)波段的合成圖像；

步驟P206：耕地范圍提?。豪萌「?cái)?shù)據(jù)庫提取出全省的耕地分布數(shù)據(jù)，以全省耕地分布數(shù)據(jù)為掩膜，對(duì)合成的環(huán)境星圖像做掩膜處理，切割出耕地，作為后續(xù)處理的基礎(chǔ)數(shù)據(jù)；

在步驟P3中：利用最大似然分類或支持向量機(jī)分類方法，以步驟P104地面樣方調(diào)查結(jié)果為訓(xùn)練樣本，對(duì)環(huán)境星CCD影像進(jìn)行分類，識(shí)別不同的糧食作物，具體包括如下步驟：

步驟P301：調(diào)入地面調(diào)查樣本矢量數(shù)據(jù)，利用地理信息系統(tǒng)工具將其分成兩個(gè)面積相等的部分，即將樣本分成兩個(gè)樣本庫；分別將不同的糧食作物多邊形提取出來，并對(duì)每個(gè)多邊形進(jìn)行編號(hào)，使得每個(gè)多邊形具有唯一標(biāo)識(shí)號(hào)；按照多邊形的唯一標(biāo)識(shí)號(hào)，將糧食作物的多邊形分為2個(gè)部分，奇數(shù)記錄為第1部分，偶數(shù)記錄為第2部分，同時(shí)刪除面積小于8100平方米的多邊形；

步驟P302：選取步驟P301所得的兩個(gè)樣本庫中的任何一部分，作為農(nóng)作物遙感分類的訓(xùn)練樣本庫，從中選取地塊大且色彩穩(wěn)定的多邊形，作為光譜訓(xùn)練集，然后利用光譜訓(xùn)練工具，訓(xùn)練出不同農(nóng)作物的光譜特征；

步驟P303：采用最大似然法或支持向量機(jī)進(jìn)行影像分類，將每個(gè)像元賦為某種農(nóng)作物，最終得到影像的農(nóng)作物分類結(jié)果，并對(duì)分類結(jié)果進(jìn)行重編碼，把一種作物對(duì)應(yīng)的像元值設(shè)為1，其他作物設(shè)為0，得到該作物純像元分布數(shù)據(jù)集；對(duì)每種作物重復(fù)此步驟，分別得到每種作物純像元分布數(shù)據(jù)集，從而得到不同農(nóng)作物的分布圖；

在步驟P4中：在步驟P3分類的基礎(chǔ)上，對(duì)于多種農(nóng)作物交錯(cuò)區(qū)域的混合像元，建立基于光譜特征的分解模型，計(jì)算不同像元內(nèi)各種作物的面積百分比，

具體包括如下步驟：

步驟P401：對(duì)P206所獲影像進(jìn)行非監(jiān)督分類，獲取不同農(nóng)作物的種植區(qū)域，并去除步驟P303所獲得的純象元區(qū)域，得到混合像元分布區(qū)；

步驟P402：從步驟P3的光譜訓(xùn)練特征中讀取不同作物的光譜特征平均值，計(jì)算每種農(nóng)作物和裸地RVI、NDVI、EVI的均值，建立線性混合像元分解模型，計(jì)算公式為：

$\underset{i=1}{\overset{n}{\Σ}}{p}_i+p_l=1$

$\underset{i=1}{\overset{n}{\Σ}}{p}_i*{\mathrm{RVI}}_i+p_l*{\mathrm{RVI}}_l={\mathrm{RVI}}_p$

$\underset{i=1}{\overset{n}{\Σ}}{p}_i*{\mathrm{NDVI}}_i+p_l*{\mathrm{NDVI}}_l={\mathrm{NDVI}}_p$

$\underset{i=1}{\overset{n}{\Σ}}{p}_i*{\mathrm{EVI}}_i+p_l*{\mathrm{EVI}}_l={\mathrm{EVI}}_p$

其中，n為農(nóng)作物種植數(shù)量，p_i為一種農(nóng)作物所占的像元比例，p_l為該裸地所占的像元比例，RVI_i、NDVI_i、EVI_i為該農(nóng)作物的訓(xùn)練樣本的平均RVI值、NDVI值、EVI值，RVI_l、NDVI_l、EVI_l裸地的訓(xùn)練樣本的平均RVI值、NDVI值、EVI值，RVI_p、NDVI_p、EVI_p為對(duì)應(yīng)像元的RVI值、NDVI值、EVI值；

步驟P403：采用線性光譜分解模型，求解不同像元的不同作物種植面積比例。

2.根據(jù)權(quán)利要求1所述的用于地市及縣兩級(jí)糧食補(bǔ)貼核算的種植面積遙感確定方法，其特征在于，在步驟P5中：以步驟P1、步驟P3和步驟P4為基礎(chǔ)，建立糧食作物種植面積估算模型，對(duì)地市及縣兩級(jí)行政單元的糧食作物種植面積進(jìn)行估算，具體包括如下步驟：

步驟P501：根據(jù)不同像元的面積比例，統(tǒng)計(jì)不同地市及縣兩級(jí)行政單元內(nèi)不同糧食作物的像元數(shù)據(jù)，并根據(jù)像元大小計(jì)算不同地市及縣兩級(jí)行政單元內(nèi)各種作物的毛種植面積；

步驟P502：利用不同地市及區(qū)縣內(nèi)的耕地系數(shù)，估算每個(gè)地市及縣兩級(jí)行政單元內(nèi)各種作物的凈種植面積：

凈種植面積＝毛種植面積*耕地系數(shù)；

步驟P503：用回歸估算模型，抽樣得到的作物的種植成數(shù)與分類得到的作物的種植成數(shù)相互修正，計(jì)算各地市及縣兩級(jí)行政單元內(nèi)各種糧食作物的種植面積；

步驟P504：統(tǒng)計(jì)匯總得到全省各種糧食作物的種植面積。