一种灌溉水体提取方法与流程

1.本发明涉及水资源优化、遥感图像处理技术和空间数据处理等领域，特别是指一种高效、准确获取水体面积监测方法。


背景技术：

2.根据fao报告，到2050年全球人口将达到97亿，到2080年将达到108亿，在人口因素的推动下，粮食需求预计将大大增加。世界上大约三分之一的农田中度或高度退化，特别是旱地地区，为了提高农业产量，灌溉是一种有效的措施之一。随着社会经济的发展，农业用水和工业城市用水之间的矛盾不断加剧，人们逐渐认识到灌溉在土地管理方面的重要性，以及对区域和全球气候的影响，并引起了科学界的注意。
3.灌溉面积的监测最重要的是地面水体的提取。目前区域水体的提取方法主要是利用水体敏感指数，通过设定阈值获得区域的水体面积，但是利用水体指数提取地表水体面临着两个主要的问题：第一是使用不同的水体指数所获得的地表水体，其结果不一致，不可靠；第二是阈值不固定，可能随着环境和地点的不同而变化。因此，如何提高地表水体的提取精度，是目前研究的热点之一。
4.综上，为解决上述问题，本发明提出了一种灌溉水体提取方法。


技术实现要素：

5.本发明提出一种灌溉水体提取方法，能够较好地解决阈值确定困难和由于选取水体敏感指数不同，导致获取水体差异性较大的问题，进一步提高监测灌溉面积精度，对耕地合理配制水量和高效用水具有一定的指导意义。包括以下步骤：
6.本发明实现发明目的采用如下技术方案：
7.一种灌溉水体提取方法，利用多时相多源遥感影像作为数据源，计算出水体敏感指数，例如常见的归一化水分差异指数(ndwi)、改进的归一化水体指数(mndwi)以及自动提取指数(awei)等，但不限于所列举的以上水体敏感指数，计算出水体敏感光谱指数的空间分布之后，再利用空间自相关分析法对采用水体敏感指数获取的空间分布进行处理，根据getis
‑
ord gi指数中的z得分和p值大小提取水体聚集空间分布，解决了阈值确定困难和由于选取水体敏感指数不同，而导致提取水体差异性较大的问题，能够进一步提高灌溉面积提取精度。
8.一种灌溉水体提取方法，步骤为：
9.步骤1，根据灌溉时间和地理位置要求选择遥感影像数据；
10.步骤2，计算水体敏感光谱指数，获得其空间分布；
11.步骤3，对水体敏感光谱指数的空间信息进行空间自相关分析；
12.步骤4，计算全局莫兰指数(moran’s i)，根据i值的取值范围判断研究区域是否出现聚集或异常值；
13.步骤5，若出现聚集或异常值，则计算局部moran’s i指数；
14.步骤6，计算getis
‑
ord g
i
指数，获得水体空间聚集分布；
15.步骤7，利用合理的遥感影像通过地物分类，获得研究区的种植结构，进而最终获得灌溉水体面积或不同作物种类的灌溉水体面积；
16.进一步地，所述步骤1包括：
17.步骤8，原始影像应用前需要进行预处理，其预处理环节包括几何校正、辐射校正和大气校正等3个环节，可根据下载遥感影像的类型和级别，进行选择性地预处理；
18.步骤9，可利用envi软件上已有模块或第三方开源程序进行遥感影像的预处理；
19.进一步地，所述步骤2包括：
20.步骤10，水体敏感光谱指数较多，本发明建议选用mndwi或awei等水体敏感光谱指数，但不限于使用这两种水体敏感光谱指数；
21.步骤11，计算改进的归一化水体指数(mndwi)，其公式如下：
[0022][0023]
其中，ρ是遥感影像的光谱波段的反射率：biue是蓝波段(0.45
‑
0.51μm),gree是绿波段(0.53
‑
0.59μm)，nir是近红外波段(0.85
‑
0.88μm)，swir1是短波红外波段(1.57
‑
1.65μm)，swir2是短波红外波段(2.21
‑
2.29μm)。
[0024]
步骤12，计算自动提取指数(awei)，包括awei
nsh
和awei
sh
两种类型，其公式如下：
[0025]
awei
nsh
＝4
×
(ρ
green
‑
ρ
swir1
)
‑
(0.25
×
ρ
nir
2.75
×
ρ
swir1
)
[0026]
awei
sh
＝ρ
biue
2.5
×
ρ
green
‑
1.5
×
(ρ
nir
ρ
swir1
)
‑
0.25
×
ρ
swir2
)
[0027]
其中各项含义同步骤11中mndwi的计算公式中各项含义；
[0028]
进一步地，所述步骤4包括：
[0029]
步骤13，在计算全局莫兰指数之前，需要对水体敏感光谱指数空间信息数据矢量化处理，矢量化处理可在arcgis中处理，文件转换为格式是.shp的文件；
[0030]
步骤14，计算全局莫兰指数(moran’s i)，其公式如下：
[0031][0032][0033]
其中，n为数据数目，w
ij
为空间权重，x
i
和x
j
分别是空间对象在第i和第j处的属性值，为x的平均值；z为标准化统计量值，e(i)为观测变量自相关性的期望值，var(i)为方差。
[0034]
moran’s i指数的取值范围为[
‑
1,1]，i>0代表属性值呈现空间正相关，趋于空间聚集特征；i<0代表属性值呈现空间负相关，趋于空间分散特征；i＝0代表属性值趋于空间随机分布特征。
[0035]
步骤15，全局莫兰指数计算可在arcgis或geoda有关模块中进行处理；
[0036]
进一步地，所述步骤5包括：
[0037]
步骤16，根据moran’s i指数i值进行判断，若不出现异常值则本方法失效，可能研
究区域无水体出现，若判断出现聚集或异常值，则利用局部空间自相关性进行分析；
[0038]
步骤17，计算局部moran’s i指数，其公式如下：
[0039][0040][0041]
其中各项含义同步骤4中全局莫兰指数的计算公式中各项含义；
[0042]
进一步地，所述步骤6包括：
[0043]
步骤18，计算getis
‑
ord g
i
指数，其公式如下：
[0044][0045]
其中x
j
是要素j的属性值，w
i,j
是要素i和j之间的空间权重，n为要素总数，且：
[0046][0047][0048]
步骤19，在计算getis
‑
ord g
i
指数时，需要确定权重，构建空间的权重矩阵文件时可根据实际情况选取固定距离模型、面邻接模型(共边、相交)、面邻接模型(共边、相交、邻接点)、反距离模型、反距离平方模型、k最邻近模型等等进行构造；
[0049]
步骤20，利用arcgis或geoda等软件的相关模块可计算出z得分和p值；
[0050]
步骤21，选取z得分在大于1.96条件下的空间分布作为水体的空间聚集分布，其置信度为95％；
[0051]
步骤22，利用决策树等的分类方法，获得水体的空间分布；
[0052]
步骤23，利用像元的空间分辨率，以及水体统计的像元数量，计算出区域的水体面积；
[0053]
进一步地，所述步骤7包括：
[0054]
步骤24，根据作物的特点，选择适当时相的遥感影像，计算归一化植被指数(ndvi)，根据ndvi数值大小对研究区进行分类，获得研究区的耕地空间分布以及作物种植结构空间分布；
[0055]
步骤25，研究区耕地空间分布与水体空间分布进行配准处理，利用掩膜方法获得研究区耕地灌溉水体空间分布；
[0056]
步骤26，统计耕地灌溉水体的像元数，计算出其灌溉水体面积大小；
[0057]
步骤27，研究区作物种植结构空间分布与水体空间分布进行配准处理，利用掩膜方法获得不同作物种类的灌溉水体空间分布；
[0058]
步骤28，统计不同作物种类的耕地灌溉水体的像元数，计算出不同作物类型的灌溉水体面积大小。
[0059]
本发明的实施例具有以下有益效果：
[0060]
上述方案中，由于利用水体敏感指数对研究区的水体进行提取时，阈值选取的不确定性，往往导致提取面积具有较大的差异性，利用本方案可以进一步提高提取水体精度，避免阈值选取时带有的主观性，减轻了地面监测的工作强度；方案中利用不同时相的遥感影像数据，可监测出不同时间段灌溉水体面积及其空间分布，为完善研究区灌溉制度提供依据。
附图说明
[0061]
图1是本发明一种灌溉水体提取方法的工作流程简图；
[0062]
图2是本发明一种灌溉水体提取方法实施例的监测结果示意图。
具体实施方式
[0063]
以下通过具体实施例对本发明做进一步解释说明。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0064]
本发明的实施例提供了一种灌溉水体提取方法，能够快速、有效、准确地监测研究区灌溉水体面积，为进一步提高区域用水效率和完善灌溉制度具有一定的指导意义。
[0065]
如图1所示，本发明实施例提供了一种灌溉水体提取方法，包括如下主要步骤：
[0066]
步骤1，根据时间和地理位置要求选择遥感影像数据；
[0067]
步骤2，计算水体敏感光谱指数，获得其空间分布；
[0068]
步骤3，对水体敏感光谱指数的空间信息进行空间自相关分析；
[0069]
步骤4，计算全局莫兰指数(moran’s i)，根据i值的取值范围判断研究区域是否出现聚集或异常值；
[0070]
步骤5，若出现聚集或异常值，则计算局部moran’s i指数：
[0071]
步骤6，计算getis
‑
ord g
i
指数，获得水体空间聚集分布；
[0072]
步骤7，利用合理的遥感影像通过地物分类，获得研究区的种植结构，进而最终获得灌溉水体面积或不同作物种类的灌溉水体面积；
[0073]
在本发明中，对水体敏感光谱指数的选取，建议选用mndwi或awei等敏感指数，也可以选用其他种类的敏感水体光谱指数。
[0074]
在本发明中，对于计算getis
‑
ord gi指数时，根据实际情况选取固定距离模型、面邻接模型(共边、相交)、面邻接模型(共边、相交、邻接点)、反距离模型、反距离平方模型、k最邻近模型等进行权重矩阵构造。
[0075]
以上描述了本发明的基本特点，技术方案和有益效果。对于本领域技术人员而言，本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在
将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。