协同光学-微波物候特征的单双季水稻样本自动生成方法

技术特征：
1.协同光学-微波物候特征的单双季水稻样本自动生成方法，其特征在于，包括以下步骤：步骤1、获取sentinel-1数据并生成时序vh数据和时序vh/vv数据，获取sentinel-2地表反射率数据并进行去云处理，获取myd11a2数据并进行重采样；步骤2、获取耕地图层；步骤3、基于sentinel-2地表反射率数据生成sentinel-2植被指数对象尺度数据，时序vh对象尺度数据和时序vh/vv对象尺度数据，并根据sentinel-2植被指数对象尺度数据获取潜在水稻矢量对象及潜在水稻矢量对象图层；步骤4、分别对潜在水稻矢量对象的时序vh对象尺度数据和时序vh/vv对象尺度数据开展k-means无监督聚类，获得vh聚类簇和vh/vv聚类簇，基于单双季水稻微波物候特征，提取单季水稻vh候选簇、单季水稻vh/vv候选簇、双季水稻vh候选簇和双季水稻vh/vv候选簇；步骤5、基于单季水稻vh候选簇、单季水稻vh/vv候选簇、双季水稻vh候选簇和双季水稻vh/vv候选簇生成单季水稻vh候选子簇、单季水稻vh/vv候选子簇、双季水稻vh候选子簇和双季水稻vh/vv候选子簇，对上述候选子簇中的潜在水稻矢量对象进行提纯，提纯后的单季水稻vh候选子簇和单季水稻vh/vv候选子簇中的潜在水稻矢量对象作为单季水稻样本；提纯后的双季水稻vh候选子簇和双季水稻vh/vv候选子簇中的潜在水稻矢量对象作为双季水稻样本。2.根据权利要求1所述协同光学-微波物候特征的单双季水稻样本自动生成方法，其特征在于，所述步骤1包括以下步骤：步骤1.1、在google earth engine平台上下载sentinel-1数据、 sentinel-2地表反射率数据和myd11a2数据；步骤1.2、选择sentinel-1数据的干涉宽幅模式下的vh数据和vv数据，计算vh 数据和vv数据的比值得到vh/vv数据；对vh数据和vh/vv数据进行影像叠置区域的高入射角数据移除、20天中值合成、refined lee空间滤波、savitzky-golay时间滤波预处理，得到时序vh数据和时序vh/vv数据；步骤1.3、对sentinel-2地表反射率数据进行去云处理；步骤1.4、将myd11a2数据的数值单位从开尔文转换为摄氏度，使用最近邻法对myd11a2数据进行重采样。3.根据权利要求2所述协同光学-微波物候特征的单双季水稻样本自动生成方法，其特征在于，所述步骤2包括以下步骤：计算globeland30数据和cnlucc土地覆盖数据中耕地像元的交集得到耕地图层。4.根据权利要求3所述协同光学-微波物候特征的单双季水稻样本自动生成方法，其特征在于，所述步骤3包括以下步骤：步骤3.1、对去云后的sentinel-2地表反射率数据进行中值合成，得到中值合成的sentinel-2地表反射率数据，使用简单非迭代聚类分割算法，对中值合成的sentinel-2地表反射率数据的蓝、绿、红和近红外波段影像进行图像分割，得到研究区的矢量对象图层，矢量对象图层内包含若干个矢量对象，计算矢量对象图层中每个矢量对象内所有像元的归一化植被指数均值、增强型植被指数均值、地表水分指数均值、时序vh数据均值、以及时序vh/vv数据均值，分别作为对应的ndvi对象尺度数据、evi对象尺度数据、lswi对象尺度数
据、时序vh对象尺度数据、以及时序vh/vv对象尺度数据，ndvi对象尺度数据、evi对象尺度数据、lswi对象尺度数据构成sentinel-2植被指数对象尺度数据；步骤3.2、基于重采样的myd11a2数据和研究区水稻物候历数据，构建夜间地表温度与水稻移栽期始末儒略日的线性关系，将矢量对象图层中每个矢量对象的夜间地表温度首次高于15℃时对应的儒略日定义为水稻移栽期的开始儒略日sot，将水稻移栽期的结束儒略日eot定义为sot 80d，得到sot和eot空间分布图；使用每个矢量对象的水稻移栽期的开始儒略日sot和水稻移栽期的结束儒略日eot内的sentinel-2植被指数对象尺度数据，基于以下公式计算每个矢量对象的淹水信号出现频率f：，，其中， flood表示矢量对象是否出现淹水信号，为观测时间t
i
的lswi对象尺度数据，为观测时间t
i
的evi对象尺度数据，为观测时间t
i
的ndvi对象尺度数据，t
i
为观测时间，f表示矢量对象的淹水信号出现频率，n
flood
表示矢量对象出现淹水信号的频次，n
good
表示水稻移栽期内sentinel-2植被指数对象尺度数据总观测数；步骤3.3、保留淹水信号出现频率高于10%的矢量对象，并使用步骤2中得到的耕地图层对淹水信号出现频率高于10%的矢量对象进行掩膜，得到淹水信号出现频率高于10%的耕地矢量对象，将淹水信号出现频率高于10%的耕地矢量对象作为潜在水稻矢量对象，各个潜在水稻矢量对象组成潜在水稻对象图层。5.根据权利要求4所述协同光学-微波物候特征的单双季水稻样本自动生成方法，其特征在于，所述步骤4包括以下步骤：步骤4.1，在潜在水稻对象图层上随机选择多个潜在水稻矢量对象，并提取随机选择的潜在水稻矢量对象的时序vh对象尺度数据和时序vh/vv对象尺度数据；步骤4.2，对潜在水稻矢量对象的时序vh对象尺度数据和时序vh/vv对象尺度数据开展k-means无监督聚类，得到潜在水稻矢量对象对应的vh聚类簇和vh/vv聚类簇；步骤4.3，将步骤4.2中的vh聚类簇和vh/vv聚类簇中满足单季水稻微波物候规律的簇，定义为单季水稻vh候选簇和单季水稻vh/vv候选簇；将vh聚类簇和vh/vv聚类簇中满足双季水稻微波物候规律的簇，定义为双季水稻vh候选簇和双季水稻vh/vv候选簇。6.根据权利要求5所述协同光学-微波物候特征的单双季水稻样本自动生成方法，其特征在于，所述步骤4.2包括以下步骤：预设k-means无监督聚类算法的聚类簇数，基于预设的聚类簇数，分别对潜在水稻矢量对象的时序vh对象尺度数据和时序vh/vv对象尺度数据开展k-means无监督聚类，得到不同预设的聚类簇数下的vh聚类簇和vh/vv聚类簇，根据不同聚类簇数的vh聚类簇和vh/vv聚类簇，计算不同聚类簇数下的vh聚类簇对应的偏差解释比例和vh/vv聚类簇对应的偏差解释
比例，从小到大遍历各个聚类簇数，若当前遍历的聚类簇数对应的vh聚类簇的偏差解释比例与上次遍历的聚类簇数对应的vh聚类簇的偏差解释比例的差值小于设定阈值，则将当前遍历的聚类簇数作为vh聚类簇对应的最优聚类簇数；若当前遍历的聚类簇数对应的vh/vv聚类簇的偏差解释比例与上次遍历的聚类簇数对应的vh/vv聚类簇的偏差解释比例的差值小于设定阈值，则将当前遍历的聚类簇数作为vh/vv聚类簇对应的最优聚类簇数，基于vh聚类簇和vh/vv聚类簇对应的最优聚类簇数，分别对时序vh对象尺度数据和时序vh/vv对象尺度数据开展k-means无监督聚类，得到vh聚类簇和vh/vv聚类簇。7.根据权利要求6所述协同光学-微波物候特征的单双季水稻样本自动生成方法，其特征在于，所述步骤4.3包括以下步骤：识别vh聚类簇的时序vh对象尺度数据的波峰和波谷，若波谷和波峰交替出现1次，则为单季水稻vh候选簇；若波谷和波峰交替出现2次，则为双季水稻vh候选簇；识别vh/vv聚类簇的时序vh/vv对象尺度数据的波峰和波谷，若波谷和波峰交替出现1次，则为单季水稻vh/vv候选簇；若波谷和波峰交替出现2次，则为双季水稻vh/vv候选簇。8.根据权利要求7所述协同光学-微波物候特征的单双季水稻样本自动生成方法，其特征在于，所述步骤5包括以下步骤：步骤5.1、保留同时存在于单季水稻vh候选簇和单季水稻vh/vv候选簇中的潜在水稻矢量对象，将属于相同单季水稻vh候选簇和单季水稻vh/vv候选簇的潜在水稻矢量对象对应的时序vh对象尺度数据和时序vh/vv对象尺度数据分别进行组合，得到单季水稻vh候选子簇和单季水稻vh/vv候选子簇；保留同时存在于双季水稻vh候选簇和双季水稻vh/vv候选簇中的潜在水稻矢量对象，将同时属于相同双季水稻vh候选簇和双季水稻vh/vv候选簇的潜在水稻矢量对象对应的时序vh对象尺度数据和时序vh/vv对象尺度数据分别进行组合，得到双季水稻vh候选子簇和双季水稻vh/vv候选子簇；步骤5.2，对于单季水稻vh候选子簇和双季水稻vh候选子簇，保留包含的潜在水稻矢量对象个数大于2的单季水稻vh候选子簇和双季水稻vh候选子簇，计算每个vh候选子簇（vh候选子簇为单季水稻vh候选子簇或双季水稻vh候选子簇）中所有潜在水稻矢量对象的时序vh对象尺度数据在时序时间点的最大时序vh数值和最小时序vh数值，并计算时序时间点对应的最大vh阈值=最大时序vh数值-0.1
×
（最大时序vh数值-最小时序vh数值），计算时序时间点对应的最小vh阈值=最小时序vh数值 0.1
×
（最大时序vh数值-最小时序vh数值），遍历各个时序时间点，如果vh候选子簇中某个潜在水稻矢量对象的时序vh对象尺度数据在时序时间点的时序vh数值高于最大vh阈值或低于最小vh阈值，将潜在水稻矢量对象从单季水稻vh候选子簇、双季水稻vh候选子簇、单季水稻vh/vv候选子簇、双季水稻vh/vv候选子簇中均剔除；对于单季水稻vh/vv候选子簇和双季水稻vh/vv候选子簇，保留包含的潜在水稻矢量对象个数大于2的单季水稻vh/vv候选子簇和双季水稻vh/vv候选子簇，计算每个vh/vv候选子簇（vh/vv候选子簇为单季水稻vh/vv候选子簇或双季水稻vh/vv候选子簇）中所有潜在水稻矢量对象的时序vh/vv对象尺度数据在时序时间点的最大时序vh/vv数值和最小时序vh/vv数值，并计算时序时间点对应的最大vh/vv阈值=最大时序vh数值-0.1
×
（最大时序vh数值-最小时序vh数值），计算时序时间点对应的最小vh/vv阈值=最小时序vh数值 0.1
×
（最大时序vh数值-最小时序vh数值），遍历各个时序时间点，如果vh候选子簇中某个潜在水稻矢量
对象的时序vh/vv对象尺度数据在时序时间点的时序vh/vv数值高于最大vh/vv阈值或低于最小vh/vv阈值，将潜在水稻矢量对象从单季水稻vh候选子簇、双季水稻vh候选子簇、单季水稻vh/vv候选子簇、双季水稻vh/vv候选子簇中均剔除；单季水稻vh候选子簇和单季水稻vh/vv候选子簇中的潜在水稻矢量对象作为单季水稻样本；双季水稻vh候选子簇和双季水稻vh/vv候选子簇中的潜在水稻矢量对象作为双季水稻样本。

技术总结
本发明公开了协同光学-微波物候特征的单双季水稻样本自动生成方法，获取Sentinel-1数据、Sentinel-2地表反射率数据和MYD11A2数据；获取耕地图层；获取潜在水稻矢量对象；提取单/双季水稻VH候选簇和单/双季水稻VH/VV候选簇；对单/双季水稻VH候选簇和单/双季水稻VH/VV候选簇中的潜在水稻矢量对象进行提纯，获取单/双季水稻样本。本发明充分挖掘稀疏光学时序遥感数据和密集微波时序遥感数据反映水稻物候规律的优势，实现数量充足、质量可靠且具有物候代表性的单双季水稻样本的自动生成，为实现大区域长时序单双季水稻空间分布制图提供重要的样本基础。要的样本基础。要的样本基础。


技术研发人员：胡琼 杨靖雅 徐保东 王聪 吴浩 吴文斌
受保护的技术使用者：华中师范大学
技术研发日：2023.07.12
技术公布日：2023/8/9