(10)申请公布号 (43)申请公布日 2013.10.09C N 103345707 A (21)申请号 201310218851.9
(22)申请日 2013.06.04
G06Q 50/02(2012.01)
G06T 5/50(2006.01)
(71)申请人中国科学院遥感与数字地球研究所
地址100101 北京市朝阳区北辰西路1号
(72)发明人蒙继华 吴炳方
(74)专利代理机构北京路浩知识产权代理有限
公司 11002
代理人
王莹
(54)发明名称
(57)摘要
本发明提供一种基于多源遥感数据的农作物
成熟期遥感预测方法，该方法首先通过多源遥感
数据融合生成高时空分辨率遥感数据，以满足作
物成熟期预测在农田尺度开展动态监测的需求。
然后根据作物成熟期植株不同部位含水率和叶绿
素含量的动态变化规律，形成其变化规律的数字
表达。基于农作物生化参数变化规律与遥感反演
的农作物生化参数的耦合方法，将遥感获取的作
物冠层水分和叶绿素含量与作物成熟期临近阶段
的生化参数变化规律相结合，形成作物成熟期遥
感预测方法。通过作物成熟期的遥感预测，进一步
拓展遥感在精准农业领域的应用范围，挖掘遥感
技术在农业领域应用的新增加点。
(51)Int.Cl.
权利要求书1页 说明书9页 附图2页
(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书1页 说明书9页 附图2页(10)申请公布号CN 103345707 A
*CN103345707A*
1/1页
1.一种基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，该方法包括以下步骤：
（1）对地面光谱反射的遥感数据进行预处理，这些遥感数据来源于多个卫星探测器；
（2）对预处理后的多源遥感数据进行数据融合；
（3）基于地面观测数据提取农作物成熟期生化参数变化规律；
（4）根据提取的农作物生化参数的变化规律和遥感数据反演农作物生化参数；
（5）根据反演得到的农作物生化参数预测农作物成熟期。
2.根据权利要求1所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述遥感数据包括MODIS 数据、MERSI 数据、HJ-1CCD 数据和HJ-1IRS 数据。
3.根据权利要求1所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述遥感数据预处理的内容包括辐射定标、几何纠正和大气纠正。
4.根据权利要求3所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述几何纠正采
用二次多项式方法。
5.根据权利要求1所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述多源遥感数据融合包括时空维数据融合和光谱维数据融合。
6.根据权利要求5所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述时空维数据融合采用时空适应性反射率融合模型，所述光谱维数据融合采用小波变换融合方法。
7.根据权利要求6所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述小波变换融合方法包括以下步骤：
（1）将图像进行小波变换，即将图像分解到不同频率下的不同特征域上；
（2）将分解后的低频分量和高频分量按一定的融合规则进行融合。
8.根据权利要求7所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述融合规则包括高频融合规则和低频融合规则，所述高频融合规则包括替代法、加权平均法和基于极大值法，所述低频融合规则包括替代法、加权平均法和基于边缘保留法。
9.根据权利要求1所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述农作物成熟期生化参数变化规律采用最小二乘法拟合得到。
10.根据权利要求9所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述生化参数包括冠层叶片水分含量和叶绿素含量。
11.根据权利要求10所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述冠层叶片水分含量通过短波红外波段的反射率变化或NDWI 进行监测，所述叶绿素含量通过近红外波段的反射率或NDVI 进行监测。
12.根据权利要求1所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，所述生化参数的遥感反演采用统计模型的方法或机理模型的方法。
13.根据权利要求1～12任一项所述的基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，在象元尺度将遥感估算的作物水分和叶绿素含量与函数化后的作物成熟期临近阶段生化参数变化规律相耦合，确定距离成熟期的时间距离，从而实现作物成熟期的估算。权 利 要 求 书CN 103345707 A
一种基于多源遥感数据的农作物成熟期遥感预测方法
技术领域
[0001] 本发明涉及遥感图像处理技术领域，特别涉及一种基于多源遥感数据的农作物成熟期遥感预测方法。
背景技术
[0002] 精准农业是基于农田作物和环境的空间差异性，通过各种技术手段来获取农田内不同单元的农田信息，并由此利用变量技术进行农田优化管理，实现生产过程精细化、准确化的农业经营管理系统。精准耕作是现代农业发展的必然结果，其目的是提高生产率，优化收成，保护环境。优化作物收割是精准农业的一个重要环节，作物收获时间对作物的产量、品质有重要的影响，合理的预测作物收获时间，有助于提高农产品的品质和产量，同时还可以指导农业机械进行合理的调度安排，这对规模化作物种植区域的机械化收割有重要意义。适时收割打碾，避免不利天气影响，是农业生产中的关键环节，收获过早或过晚都会影响产量，不利于丰产增收。以玉米为例，提前收获10天就会导致单产降低10%以上，而对于大豆，成熟后不及时收获而导致的曝裂，也会导致15%以上的产量损失。
[0003] 成熟期是指作物一个世代生育的自然终限期，从农学意义上讲，成熟是指作物生长发育的一个阶段，指作物的果实成长到可收获的阶段。传统对作物成熟期和最佳采收期的判断主要是依据籽粒或叶片的颜、结构及冠层结构等作物特征进行主观的解译，这种方法难以在大范围应用，易引入主观判断的误差，同时该方法只能用于现场判断，不具备预测的能力。针对这些问题，逐渐发展出一些作物成熟期预测方法与模型，其中最主要的是基于气象统计的作物成熟期预测方法和基于作物生长模型的作物成熟期预测方法。[0004] 基于气象统计的预测方法假定气象条件是影响作物生长过程并导致作物成熟期变化的最主要因素，因此可以利用作物不同物候期的气象条件或特定物候期的出现时间进行当年作物成熟期
的预测。该类方法所发展的模型大都简单易用，且仅使用较少的驱动数据（如温度、降水等）就可以开展预测。但以气温为代表的气象数据在较大的范围内表现均一，无法反映田块尺度成熟期的差异，因而无法在较小的范围内预测不同田块的成熟时间并制定优化的收割顺序，同时这些模型多是基于统计回归的方式建立的，只适用于特定的区域，在一个区域建立的模型无法在其他区域或其他品种的作物上进行推广。
[0005] 基于作物生长模型的预测方法的理论基础是作物生长模型可以从作物光合作用驱动的生长机理出发描述作物生长发育与产量形成的过程，利用作物生长模型以作物产量或品质（或两者综合）的最优化为目标构建代价函数，可以反向求解优化的作物收获时间，实现作物成熟期的预测。生长模型本身大部分是单点（site specific）模型，还没有完全普适的用于大尺度模拟的作物模型，这使得生长模型在不同区域进行应用前，均需要通过对模型参数的标定使其本地化。而作物生长模型本身涉及参数众多，逐一标定的工作量巨大，这在一定程度上限制了其在作物成熟期预测领域的推广应用。另外在较大范围利用作物生长模型进行作物生长模拟时，所需的土壤类型、作物品种等信息都难以获取，也给利用作物生长模型开展较大范围的作物成熟期预测带来了一定困难。
[0006] 目前，中国东北与西北已经发展形成了规模化的农业生产模式，随着“土地流转”的进一步加深，中国其他地区传统小户农业也将通过转包和合作社等形式向规模化和机械化农业转变，而作物成熟期的预测与监测，正是规模化农业下精准机械化耕作的实施对遥感技术提出的新要求。而国内外还少有学者
利用卫星遥感技术，开展获取作物成熟度信息、优化收割顺序的研究。
发明内容
[0007] （一）要解决的技术问题
[0008] 本发明要解决的问题是提供一种基于多源遥感数据的农作物成熟期遥感预测方法，利用遥感技术，在大范围内对农作物的成熟期进行客观的、高精度的预测，并且能够将该预测方法在不同区域进行推广应用。
[0009] （二）技术方案
[0010] 为了解决上述问题，本发明提供一种基于多源遥感数据的农作物成熟期遥感预测方法，其特征在于，该方法包括以下步骤：
[0011] （1）对地面光谱反射的遥感数据进行预处理，这些遥感数据来源于多个卫星探测器；
[0012] （2）对预处理后的多源遥感数据进行数据融合；
[0013] （3）基于地面观测数据提取农作物成熟期生化参数变化规律；
[0014] （4）根据提取的农作物生化参数的变化规律和遥感数据反演农作物生化参数；[0015] （5）根据反演得到的农作物生化参数预测农作物成熟期。
[0016] 其中，遥感数据包括MODIS数据、MERSI数据、HJ-1CCD数据和HJ-1IRS数据。这些数据预处理的内容包括辐射定标、几何纠正和大气纠正。
[0017] 其中，几何纠正采用二次多项式方法。
[0018] 其中，多源遥感数据融合包括时空维数据融合和光谱维数据融合。时空维数据融合采用时空适应性反射率融合模型，所述光谱维数据融合采用小波变换融合方法。[0019] 其中，小波变换融合方法包括以下步骤：
[0020] （1）将图像进行小波变换，即将图像分解到不同频率下的不同特征域上；[0021] （2）将分解后的低频分量和高频分量按一定的融合规则进行融合。融合规则包括高频融合规则和低频融合规则，所述高频融合规则包括替代法、加权平均法和基于极大值法，所述低频融合规则包括替代法、加权平均法和基于边缘保留法。
[0022] 其中，农作物成熟期生化参数变化规律采用最小二乘法拟合得到。生化参数包括冠层叶片水分含量和叶绿素含量。冠层叶片水分含量通过短波红外波段的反射率变化或NDWI进行监测，叶绿素含量通过近红外波段的反射率或NDVI进行监测。
[0023] 其中，生化参数的遥感反演采用统计模型的方法或机理模型的方法。
[0024] 其预测方法为：在象元尺度将遥感估算的作物水分和叶绿素含量与函数化后的作物成熟期临近阶段生化参数变化规律相耦合，确定距离成熟期的时间距离，从而实现作物成熟期的估算。
[0025] （三）有益效果
[0026] 本发明以作物成熟期预测为目的，对提高作物产量、品质以及合理安排收割（特别
在大规模机械化条件下）有重要实际意义。
[0027] 本发明所发展的方法充分利用了遥感技术可以反映农田空间异质性的特点，具有更高的空间分辨率，不仅可以反映田块与田块之间的成熟期差异，甚至可以反映同一田块内部的作物成熟期差异。
[0028] 本发明通过多源遥感数据融合生成高时空分辨率遥感数据，既满足作物成熟期预测在农田尺度开展动态监测的需求，同时源数据均为免费数据，又降低了应用的成本，可以保障发明的推广应用。
附图说明
[0029] 图1为基于多源遥感数据的农作物成熟期遥感预测流程图；
[0030] 图2为遥感数据图；
[0031] 图3为小波逐层分解示意图；
[0032] 图4为冠层水分变化规律图；
[0033] 图5为叶绿素变化规律图；
[0034] 图6为成熟期预测结果图。
具体实施方式
[0035] 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。
[0036] 如图1所示，基于多源遥感数据的农作物成熟期遥感预测方法，包括以下步骤：[0037] 1、对地面光谱反射的多源遥感数据进行预处理
[0038] 根据作物物候期并结合地面观测数据，在监测区域作物成熟前30天开始获取监测区的遥感数据，如图2所示，获取的遥感数据包括4类，分别来源于中分辨率成像光谱仪（moderate-resolution imaging
spectro-radiometer，简称MODIS）、中等分辨率成像频谱仪（Medium Resolution Spectral Imager，简称MERSI）、环境与灾害监测预报小卫星星座（简称“环境一号”，代号HJ-1)CCD相机和HJ-1红外相机（infrared scanner，简称IRS），这些数据均是以三维矩阵的形式存储，包括空间上的二维（X、Y）以及光谱维。其中MODIS数据和MERSI数据以天为频率获取，HJ-1CCD与HJ-1IRS则根据数据的获取情况尽可能多的获取。
[0039] 选择质量较好（没有或仅有少量云覆盖）的数据作为数据源，对数据进行预处理，数据预处理的内容包括辐射定标、几何精纠正、大气纠正等操作。
[0040] （1）数据辐射定标
[0041] 数据的辐射定标按下式进行：
[0042] L=DN/g+L0（1）
[0043]
[0044] 其中，L为辐射度；DN为各类遥感数据的数字信号值；g和L0为标定参数，可以从不同数据的元数据文件（如MODIS HDF（Hierarchical Data Format，一种数据格式）中的元
为表观反射率（即大气顶部的光谱反射率）；数据和环境星数据中的XML文件）中得到；ρ
TOA
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议