技术领域
[0001] 本
发明具体涉及一种
合成孔径雷达和
激光雷达综合使用的地面遥感地面参照信息收集方法。技术背景
[0002] RS(遥感)技术对粮食地面信息采集具有全
覆盖、及时、客观等特点，在农业部
门政策制定和规划中得到了越来越广泛的应用，创造了良好的社会和经济效益。我国近年来，大量研究建立了各种遥感
农作物单位面积产量估算的模型，这些模型考虑了气象因素、农作物生长过程等，遥感数据则作为作物估产模型的直接或间接输入参数之一。利用遥感在农业上的进行农作物识别和面积提取、农作物生长状况监测、
土壤湿度提取和产量估算等方面。而随着航天技术和遥感技术的发展，越来越多的多
角度、多波段、多极化的数据被获取。然而，目前的粮食作物遥感测量存没有一套流畅的业务流能够满足业务测量的需要，对测量人员的专业素质要求高，因此难以被非专业工作人员掌握；针对粮食作物测量中采用的海量空间数据，缺乏有效管理和分析。
[0003] GIS(地理资讯系统)是一门综合性学科，结合地理学与地图学，已经广泛的应用在不同的领域，是用于输入、存储、查询、分析和显示地理数据的
计算机系统。GIS属于信息系统的一类，不同在于它能运作和处理地理参照数据。地理参照数据描述地球表面(包括大气层和较浅的地表下空间)空间要素的
位置和属性，在GIS中的两种地理数据成分：空间数据，与空间要素几何特性有关；属性数据，提供空间要素的信息。而GIS对我国的精准农业发展有着极大的意义。精准农业是由信息技术支持的根据空间变异，
定位、定时、定量地实施一整套现代化农事操作技术与管理的系统，其核心是建立一个完善的农田GIS。该农田GIS系统可根据作物生长的土壤性状确定农作物的生产目标，调节对作物的投入，高效地利用各类农业资源，取得经济效益和环境效益。而实施“精准农业”经营的重要保障就是对农作物重大病虫害数字化监测预警，这是判断一个国家现代农业发展
水平的重要标准之一。
[0004] Multispectral Scanner(
光谱扫描仪)
[0005] LIDAR(激光雷达)是一种集激光、全球定位系统(GPS)和惯性
导航系统技术于一身的用于快速获取地面及地面目标三维空间信息的主动式光学遥感器，在近十年内，激光雷达测图在地形测绘、环境监测、三维城市建模等诸多领域得到了广泛应用。由于激光雷达能够穿透森林冠层获取森林三维结构特征信息，弥补被动光学遥感数据的不足，因而在植被垂直结构参数获取方面得到了广泛应用。机载激光雷达技术，是一种通过位置、距离、角度等观测数据直接获取对象表面点的三维坐标，实现地表信息提取和三维场景重建的对地观测技术。机载激光雷达系统集成了GPS、IMU激光扫描仪、
数码相机等光谱成像设备。其中主动传感系统(激光扫描仪)利用返回的脉冲获取目标高
分辨率的距离、坡度、粗糙度和反射率等信息，而被动光电成像技术(数码相机)可获取目标的数字成像信息，经过地面的信息处理而生成逐个地面
采样点的三维坐标，最后经过综合处理而得到沿一定条带的地面区域三维定位与成像结果，如高
密度点
云数据、高分辨率数字正射影像、各种数字地形模型、表面模型、大比例尺地形图等。
发明内容
[0006] 本法发明的目的是提供一种基于遥感数据与地理信息系统的粮田地面参照点筛选方法。通过本发明提供的方法可以实现对粮田统计和管理，降低粮田信息收集的作业量，提高粮田作业活动的反应速度，改进人
力和财力资源的管理，并且形成最优的作业方案，从而达到利用遥感技术和
数据挖掘方法提高农业生产效率的目标。
[0008] 1.3S(RS、GIS和GPS\INS)的协同工作，其工作
框架如图1所示：
[0009] 飞机前置LIDAR和多光谱扫描仪遥感系统，GPS\INS需要将遥感影像获取瞬间的空间位置(Xt、Yt、Zt)和
传感器姿态(U、X、J)用同步记录下来，互为补偿运动中可能的失
锁和其它系统误差。GPS\INS和GIS终端安装在机内，并通过无线网络
访问GIS远程
数据库。GPS\INS为LiDAR和多光谱扫描仪提供空间位置参数、传感器姿势参数和时间参数；机翼两侧的遥感器分别记录参考点左右的遥感数据，通过与原有GIS系统的远程数据库中的数据作比较，实现实地检测粮田变化、更新农图数据和自动导航监测的功能，用户通过GIS提供的信息发布
接口访问所需的信息
[0010] 2.整个农图绘制的基本流程如图2所示：
[0011] 整个流程以粮田遥感
数据采集为起点，以农图绘制为终点，涵盖了本应用所实现的粮田地面参照点筛选方法。机载多光谱扫描仪1和机载LiDAR遥感器2同时对粮田进行遥感，得到1m
全色影像数据、4m多光谱像数据和1m空间分辨率的LiDAR数据，利用GLCM
算法1.1对1m全色影像数据进行处理得到粮田冠层的纹理特征，利用SFIM算法1.2对1m全色影像数据和4m多光谱像数据合成得到增强的光谱图像，对LiDAR遥感器2得到的1m空间分辨率的LiDAR数据进行预处理2.1分离出第一回波层和地面同波层，对两者进行LiDAR强度影像处理2.2得到LiDAR高程影像，根据经验得到的
阈值对此做数字阈值分割2.3产生LiDAR专题层；采用MRS算法3依据经验分割参数对纹理特征数据层影像、增强的多光谱影像和LiDAR专题层做合成，得到高
精度高信息量的待筛选农图，采用基于知识规则的
模糊逻辑分类器进行分方法4对粮田POI进行筛选，知识规则有基于NDVI的
叶片氮含量筛选、土壤有机物含量筛选和土壤湿度筛选，绘制不同POI类型的遥感图像，最终采用多边形综合5修正农图中的
建筑物和道路等地面信息得到粮田的作物生长信息实时监测农图；
[0012] 3.在多光谱图像的融合增强中，SFIM算法表述为：
[0013]
[0014] 如公式1所示，PSFIM代表融合后的波段影像像元数字值，PLow代表低空间分辨率波段影像像元数字值，PHigh代表高空间分辨率全色影像像元数字值，PMean代表高空间分辨率全色影像低通均值滤波后像元数字值。
[0015] 纹理是粮田作物冠层目标提取的一个重要特征信息，采用基于全色波段灰度共现矩阵(GLCM)的方法。将图像分为i×j个栅格，以计算获得同质性纹理特征数据层影像，实现算法为公式2和公式3所示
[0016]
[0017]
[0018] 以上公式中i表示行数，j表示列数，N表示行列数，Mi，j表示矩阵(I，j)处原来的像元值，Pi，j表示归一化处理之后矩阵(i，j)处的值。
[0019] 4.对于LiDAR数据和多光谱数据合成处理，采用基于局部异质性最小的区域增长多分辨率分割算法(MRS)。
[0020] 对LiDAR高程强度影像通过数字阈值分割，河流提取采用TM5+TM6+TM7-TM1-TM2-TM4道路，提取采用TM6-(TM1+TM2+TM3+TM4+TM5+TM7)，并将分割结果影像转换为专题数据形式与多光谱数据一同输入。
[0021] 首先确定待分割图像各图层的权重，然后设置尺度参数、
颜色权重和形状权重。从单
像素大小的影像区域(对象)开始，在全图范围内，把相邻的小影像区域逐步合并为更大的影像区域。在每一步合并处理步骤中，基于新生成的更大影像区域局部异质性最小原则进行相邻影像区域的合并。当新生成的更大影像区域异质性大于由尺度参数定义的阈值时，合并过程将终止，程序完成影像分割。尺度参数可根据所要提取的感兴趣地物目标或空间结构的大小范围在影像上所占的像元数来参考确定。分割时主要利用了融合增强的多光谱影像数据，同时强调了利用LiDAR的高程强度特征信息。而阈值分割后的LiDAR专题层主要用来约束分割算法的区域增长，从而阻止分割进行中区域增长超过LiDAR专题层对应的区域。分割完成后，生成的影像区域作为后续面向对象分类时，综合利用各种特征信息进行建筑物分类的对象。
[0022] 5.将多光谱扫描仪在TM4和TM3增强后的生成的高分辨率影像分析归一化差值植被指数(NDVI)，区分粮田、道路以及其他地面覆盖物。
[0023] 利用多光谱遥感监测粮田冠层反射率在可见光波段(460-680nm)和
近红外波段(810-1100nm)两个区间的遥感图像，实现粮田基于叶片氮含量的筛选，本应用中，选取可见光560nm，红外波段810nm有良好的效果，实现图像基于叶片氮含量含量值分割，在农图中体现为
亮度大小体现叶片氮含量高低；
[0024]
[0025] 公式4用以检测植被生长状态、植被覆盖度和消除部分
辐射误差等；NIR表示近红外光，VIS为可见红光；在-1≤NDVI≤1，负值表示地面覆盖为云、水、
雪等，对可见光高反射；0表示有
岩石或者道路；正值表示有植被覆盖，且随覆盖度增大而增大；NDVI能反映出
植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗超度等，且与植被覆盖有关；同时根据NDVI值得大小可以判断植被的生长情况；
[0026] 进一步粮田作物的区分1以遥感TM4、TM5、TM3来合成卫星影像图。稻田成熟期存水，其图像较暗，水稻接近
收获，且稻田中不存在积水，因此粮田
色调呈粉红色；麦地由于作物大多收获，且土壤水分少而呈灰白色；菜地则由于蔬菜长势好，色调鲜亮并呈猩红色；园地色调呈浅褐色，且
地块规则整齐、轮廓清晰；林地中乔木林色调呈深褐色，而分布于喀斯特山地丘陵等地区的灌丛则呈黄到黄褐色；牧草地大多呈黄绿色调；水库和河流则都呈深蓝色调；
[0027] 对遥感图像进行
栅格化，遥感图像被分为足够细密的网格。分类系统中通过对网格所呈现DN值的相关性分析方法对粮田进行分割。一般的，粮田在一个年之内其种植作物保持不变，而同一种作物的变化趋势总是高度相似的。
[0028] 将图像分为x×y个小栅格，计算矩阵中元素(x，y)在时间维度上的相关度来判断A区域是否种植同一种作物。根据公式5表述：
[0029]
[0030]
[0031] Xti(x，y)表示在ti时间是元素(x，y)栅格对应的遥感图像DN值， 为同一个传感器对同一地区按照一定时间间隔扫描得到的图像集合X所包含的元素。 为整个图像区域的整体特征均值，A表示整个图像的栅格个数， 的求法如上式给出。
[0032] 根据相关度便可以确定遥感图像上两个点之间是否属于同一种类或者同一生长阶段的农作物进行分割。根据先验概率和经验设置一个阈值R，在COV(i，j)＜R时认为这两个栅格为不同的粮田。根据公式4提供的算法，可对遥感图像进行分块。根据先验概率和经验设置一个阈值R，在CO(i，j)＜R时认为这两个栅格为不同的粮田。
[0033] 6.基于用户需求的参照点筛选有：选取可见光560nm，红外波段810nm，实现粮田基于叶片氮含量的筛选。有良好的效果，实现依据叶片氮含量含量值对粮田参照点进行筛选，在农图中以亮度大小体现叶片氮含量高低；粮田多光谱遥感选择TM5和TM3通道，进一步根据DN值与监控点表层土壤有机质含量进行回归分析，反演出整个农田上粮田土壤有机物的含量；GIS系统通过读取多光谱遥感中TM 3和TM4的图像，计算归一化植被指数NDVI，采用公式6来判断20cm层土壤湿度，并用的值来处理单波段图像，突出显示遥感影像的土壤湿度参照点分布状况；
[0034]
[0035] H为t期的参照点湿度分布值；
[0036] NDVt期的参照点NDVI数值；
[0037] NDV为t-1期的参照点NDVI最小值；
[0038] NDV为t-1期的参照点NDVI最大值；
[0039] 根据历史DoHt表，对参照点的湿度大小进行连续记录，实现对参照点湿度的实时t监控。使用DoH能够实现对粮田区域湿度的
时空变化的监测。
[0040] 1.根据
权利要求1所述的基于遥感数据与地理信息系统的粮田地面参照点筛选协同工作方法，其粮田分类过程特征在于：
[0041] 同时选用平均LiDAR高程特征N、植被指数归一化指数NDVI、对象面积Sq、同质性纹理特征值H、全色波段灰度平均值P、近红外波段与多光谱波段之和的比率值R，通过基于知识规则的隶属度分析影响所对应的粮田类型，隶属度采用S型函数，根据特征值不同采用上身或者下降的S形函数，进行基于知识规则的模糊逻辑分类器进行分类。
[0042] μx＝S(i：a，b，c) (7)
[0043] μx＝1-S(i：a，b，c) (8)
[0044] 公式7和公式8中，a、b、c为隶属度函数的控制点。
[0045] 在上升型S型函数7中，a、b、c分别是当类别隶属度为0、0.5、1时，对象特征i的取值；
[0046] 在下降型S型函数8中，a、b、c则分别是当类别隶属度为1、0.5、0时，对象特征i的取值，其中
[0047] 对于特征NDVI，用上升型S函数公式7来表示，根据经验统计得出特征控制值Hc，为粮田不同参考点植被归一化指数的平均值；特征控制值NDVIa(NDVIc＞NDVIa)，为粮田作物样本植被归一化指数平均值减去标准差；自然的
[0048] 对于特征H，用上升型S函数公式7来表示，根据经验统计得出特征控制值Hc，为粮田不同作物样本对象纹理特征的平均值；特征控制值Ha(Hc＞Ha)，为粮田作物样本对象的平均值减去标准差；自然的
[0049] 对于特征P和R，用下降型S函数来表示；其中，特征控制值Pa和Ra，分别为粮田不同作物样本对象全色波段灰度平均值和近红外波段与多光谱波段之和的比率值平均值；特征控制值Pc和Rc(Pc＞Pa，Rc＞Ra)，为建筑物
屋顶类样本对象的平均值加上标准差；自然的，
[0050] 根据以上的方法，可以计算出NDVI、P、H、R对应的隶属度μNDVI、μP、μH、μR。
[0051] 如图4，对粮田作物的具体分类流程如图所示。对待分类的图像根据相应的通道计算出其参考点对应的N、NDVI、Sq、H、P、R。首先按照NDVI的值筛选出植被区和非植被区，在对植被区进行进一步筛选。根据要求，被监控的粮田面积在一亩以上。以此为依据，得到有效的监控区域。
[0052] 约束条件为μH＞KH，μP＞KP，μR＞KR，据此较为精确的确定类粮田区域。根据约束条件K2＜NDVI＜K1，分离出错误参考点，及粮田中出现的草地、灌木、林地区域。μNDVI经验表对照。将μNDVI经验表于参考点相对照，可以判断出相应的粮食作物种类。
附图说明
[0053] 图1 RS、GIS和GPS\INS的协同工作示意图
[0055] 图3 NDVI粮田种类判断参照表
[0056] 图4基于知识规则的模糊逻辑分类器进行分类 。
