[发明专利]用于地市及县两级粮食补贴核算的种植面积遥感确定方法

摘要

本发明公开用于地市及县两级粮食补贴核算的种植面积遥感确定方法，包括如下步骤步骤P1对省域内粮食作物的种植面积抽样调查；步骤P2遥感影像选择与预处理；步骤P3粮食作物遥感识别；步骤P4混合像元的处理；步骤P5建立粮食作物种植面积估算模型，对区县级行政单元的大宗粮食作物种植面积进行估算。

主权项

用于地市及县两级粮食补贴核算的种植面积遥感确定方法，其特征在于，包括如下步骤：步骤P1：对目标省域内粮食作物的种植面积进行抽样调查；步骤P2：遥感影像选择与预处理；步骤P3：粮食作物遥感识别；步骤P4：混合像元的处理；步骤P5：建立粮食作物的种植面积估算模型，对地市及县两级行政单元的粮食作物的种植面积进行估算；在步骤P1中：以监测省份农作物种植面积和种植比例结构历史数据为基础，建立省域范围的面积抽样框架，并根据粮食作物的种植结构、期望精度与可靠性计算样本量，并采用系统布样方式进行布样，具体包括如下步骤：步骤P101：利用地理信息系统工具建立覆盖省域范围的矩形格网，矩形格网尺寸大小为：长度和宽度均为5公里，删除跨越省界的矩形格网单元，按照自上而下、自左而右的顺序对每个矩形格网单元进行编号，使得每个矩形格网单元具有唯一的编号；步骤P102：利用研究区最近5年的粮食作物的种植面积和种植比例结构数据，计算样本量，样本量计算公式如下：n0=(tr)2S2Y‾2,]]>n＝n0+n0*5％；式中：n0是初始样本量，n是修正样本量；t是抽样概率，当置信水平为95％时，t等于1.96；r是相对误差，研究中取r＝5％；是总体均值，即研究区最近5年的粮食作物的种植面积平均；S2是总体方差，即研究区最近5年的粮食作物的种植面积方差；步骤P103：采用系统布样方法，选择地面调查样方，具体包括如下步骤：(1)用总的矩形格网数除以样本量，得到布样间隔；(2)随机抽取一个介于0和布样间隔数值之间的随机数，作为布样的起始值，即抽取第一个样本；(3)根据上一个样本的矩形格网编号，累加一个布样间隔，得到一个新的样本的矩形格网单元编号；(4)重复步骤(3)，直至结束；步骤P104：由专门队伍调查每个样本矩形格网内的每块耕地上的农作物种植类别；步骤P105：统计推断每种作物的种植成数，并根据全省耕地面积统计估算全省的种植面积，推断公式如下：农作物总种植面积＝农作物种植成数*总耕地面积；在步骤P2中：根据作物物候期，确定合适时相的环境星CCD数据作为数据源，并对选定的环境星CCD数据进行预处理，具体包括如下步骤：步骤P201：参考研究区历史物候数据，分别在作物播种期后30天、拔节期、开花期和收获前期获取4景影像；步骤P202：以1:10万地形图为参考影像，应用二次多项式方法对环境星CCD影像进行几何精校正，误差控制在1个像元以内；步骤P203：对环境星CCD影像进行辐射定标处理，定标采用如下公式进行：ρ=(DNA+L0)*π*d2ESUN*cosθ,]]>公式中，DN为遥感影像的灰度值，A和L0为中国资源卫星中心公布的环境减灾星座A/B星各载荷在轨绝对辐射定标系数，d为日地天文单位距离，ESUN为大气顶层太阳辐照度，θ为太阳天顶角；步骤P204：计算光学遥感影像的比值植被指数RVI、归一化植被指数NDVI、增强型植被指数EVI：RVI=ρNirρRed;]]>NDVI=ρNir-ρRedρNir+ρRed;]]>EVI=(1.5+L)×ρNir-ρRedL+ρNir+C1×ρRed+C2×ρBlue]]>其中，ρBlue为环境星CCD数据蓝波段反射率，ρNir为近红外反射率，ρRed为红波段反射率，L是调整参数，C1、C2为大气修正参数，它们均可以减少背景和大气的作用，对于环境星影像来说，L、C1、C2的经验值分别为1、6和7.5；步骤P205：将NDVI数据与环境星CCD数据的4个波段叠加在一起，生成具有5个波段的合成图像；步骤P206：耕地范围提取：利用全省耕地数据库提取出全省的耕地分布数据，以全省耕地分布数据为掩膜，对合成的环境星图像做掩膜处理，切割出耕地，作为后续处理的基础数据；在步骤P3中：利用最大似然分类或支持向量机分类方法，以步骤P104地面样方调查结果为训练样本，对环境星CCD影像进行分类，识别不同的粮食作物，具体包括如下步骤：步骤P301：调入地面调查样本矢量数据，利用地理信息系统工具将其分成两个面积相等的部分，即将样本分成两个样本库；分别将不同的粮食作物多边形提取出来，并对每个多边形进行编号，使得每个多边形具有唯一标识号；按照多边形的唯一标识号，将粮食作物的多边形分为2个部分，奇数记录为第1部分，偶数记录为第2部分，同时删除面积小于8100平方米的多边形；步骤P302：选取步骤P301所得的两个样本库中的任何一部分，作为农作物遥感分类的训练样本库，从中选取地块大且色彩稳定的多边形，作为光谱训练集，然后利用光谱训练工具，训练出不同农作物的光谱特征；步骤P303：采用最大似然法或支持向量机进行影像分类，将每个像元赋为某种农作物，最终得到影像的农作物分类结果，并对分类结果进行重编码，把一种作物对应的像元值设为1，其他作物设为0，得到该作物纯像元分布数据集；对每种作物重复此步骤，分别得到每种作物纯像元分布数据集，从而得到不同农作物的分布图；在步骤P4中：在步骤P3分类的基础上，对于多种农作物交错区域的混合像元，建立基于光谱特征的分解模型，计算不同像元内各种作物的面积百分比，具体包括如下步骤：步骤P401：对P206所获影像进行非监督分类，获取不同农作物的种植区域，并去除步骤P303所获得的纯象元区域，得到混合像元分布区；步骤P402：从步骤P3的光谱训练特征中读取不同作物的光谱特征平均值，计算每种农作物和裸地RVI、NDVI、EVI的均值，建立线性混合像元分解模型，计算公式为：Σi=1npi+pl=1]]>Σi=1npi*RVIi+pl*RVIl=RVIp]]>Σi=1npi*NDVIi+pl*NDVIl=NDVIp]]>Σi=1npi*EVIi+pl*EVIl=EVIp]]>其中，n为农作物种植数量，pi为一种农作物所占的像元比例，pl为该裸地所占的像元比例，RVIi、NDVIi、EVIi为该农作物的训练样本的平均RVI值、NDVI值、EVI值，RVIl、NDVIl、EVIl裸地的训练样本的平均RVI值、NDVI值、EVI值，RVIp、NDVIp、EVIp为对应像元的RVI值、NDVI值、EVI值；步骤P403：采用线性光谱分解模型，求解不同像元的不同作物种植面积比例。