基于分形和结构推理的玉米旱情遥感监测方法研究

　　**章绪论　　**节研究背景及意义　　随着全球气候变化的加剧，气温不断升高，干旱发生的频率和强度不断增强，干旱地区的扩大与干旱化程度日趋严重，干旱化趋势已成为全球关注的焦点。在长期无雨或少雨的情况下，土壤水分亏缺，蒸散作用使得农作物体内水分平衡严重失调，正常生理活动遭到破坏，从而引发农作物干旱事件。中国处于季风气候区，降雨分布不均，造成的干旱问题尤为突出［1］。中国常年农作物受旱面积2×107~27×107hm2，造成每年粮食损失25×1010~3×1010kg，占各种自然灾害损失总量的60%左右［2］。美国等一些涵盖农业产业的发达国家，同样不同程度地遭受着干旱的威胁。农业干旱是一个持续的过程，成灾范围一般呈片状，且干旱的发生、发展不受时间和空间的限制。目前，农业干旱监测主要采用干旱指数来反映干旱持续的时间和强度。世界气象组织（World Meteorological Organization）［3］将干旱指数定义为：它是跟持续、异常的水分不足造成的累积效应相关的指数。应用较为广泛的干旱监测指数主要有两类：一类是基于传统地面气象观测数据的干旱指数，即气象干旱指数，该类指数都是基于单点观测，其空间上的监测精度受控于气象站点的分布密度，很难反映精细的干旱状况；另一类是基于卫星遥感信息的干旱监测指数，主要是应用多时相、多光谱、多角度遥感数据从不同侧面定性或半定量地评价土壤水分分布状况，具有覆盖范围广、时空间分辨率高等优点。玉米作物作为世界上主要的粮食作物品种，干旱的发生将直接造成粮食危机，威胁到人类的温饱水平。故有必要对其进行较为精细的旱情监测。　　对于遥感干旱指数来说，它们大多被设计用于反映地表综合的干旱程度，很少考虑用于特定作物类型的旱情监测。因此，直接将常规遥感干旱指数应用于玉米作物旱情监测并不具可行性。比如，常规的植被状态指数（Vegetation Condition Index，VCI）应用于特定作物类型旱情监测存在以下3个方面的缺陷。　　（1）时间基准问题；由VCI指数定义可知，其所采用的时间基准是以观测月球运动规律制定的历法，即日历年。不同年同一日期（DOY）的归一化植被指数（NDVI），可能因为作物的物候期不一致，而不具有可比性。　　（2）作物类型变更问题。由于轮作机制，农业耕地里不同年份的作物类型可能发生变更。比如，对于同一地块，去年种玉米，今年可能换种大豆。这样，不同年份的NDVI值同样不具可比性，使得计算得到的VCI指数失准。　　（3）数据可靠性问题。遥感干旱指数（比如VCI指数）和气象干旱指数（比如标准降雨指数），都面临着数据可靠性的问题。当遥感数据出现大面积云遮挡、气溶胶等噪声时，据此数据计算出来的VCI指数可靠性降低。而借助于气象站点观测数据计算出来的标准降雨指数（Standardized Precipitation Index，SPI），同样存在因站点的变迁、数据漏记录、仪器整修等造成的可靠性问题。　　针对上述3个问题，提出相应的解决方案，依次为：①提出了一种物候调节植被状态指数（Phenology Adjusted Vegetation Condition Index，PA-VCI），即根据检测出的作物物候信息估计出每年的时间偏移量，对VCI指数的时间基准进行校正；②提出以行政区划单元（州、县）为*小对象，取代以遥感影像像元为*小对象的做法，可一定程度上消除互异性；③提出了一种基于结构推理的数据融合方法，实现PA-VCI指数与SPI指数的联合干旱监测。具体实现过程为：A依据玉米作物生育期NDVI影像分维变化的原理，建立玉米作物物候的分维衡量指标；B考虑到玉米作物物候信息动态检测的需求，以行政区划单元为目标对象，分维值、NDVI均值及有效积温为数据输入，构建隐形马尔可夫模型（Hidden Markov Model，HMM）实现玉米作物物候信息的动态估计；C考虑到植被状态指数（VCI）以日历年为基准的缺陷，引入作物物候校正VCI指数的时间基准，建立物候调节植被状态指数（PA-VCI）；D以美国干旱监测网发布的旱情为参考，讨论了PA-VCI指数与月时间尺度SPI指数的相关性和时间超前、滞后关系，并探讨指数融合的必要性；E针对多干旱指数联合干旱监测的需求，提出利用结构推理的方法实现对PA-VCI指数和SPI指数的融合处理。该研究成果可望实现对玉米作物旱情的动态监测，并及时准确地反映旱情发生的范围和程度，可为灾害管理提供辅助手段和决策支持。　　第二节研究目的、内容及解决的关键问题　　一、研究目的　　本研究的目的是通过融合包含PA-VCI指数在内的多源异构干旱指数，实现玉米作物旱情的动态监测。为此，通过分析遥感时序影像分维估计值和玉米作物物候信息地面实测值，探讨分维与玉米作物物候的关联关系；通过提取多源特征（分维、NDVI均值和有效积温），构建相应的估计模型，实现玉米作物物候信息的动态检测，并构建PA-VCI干旱指数；通过分析县级别的PA-VCI指数和SPI指数，发现两种干旱指数的关联关系，以及指数融合的必要性；通过构建结构推理模型，实现PA-VCI指数与SPI指数的融合处理，以实现玉米作物旱情的动态监测，为农业生产管理、先兆预警及宏观决策提供技术支持，提升农业生产过程管理的质量和竞争力。　　二、研究内容　　根据上述研究目的，拟提出以下两方面的研究内容。　　1基于分形的玉米作物物候检测方法　　针对玉米作物耕地呈零星块状在遥感影像上分布的特点（不规则兴趣区），研究遥感影像不规则兴趣区（Region of Interest，ROI）的分维估计方法；顾及玉米作物生育期遥感时序影像分维变化的特点，研究分维时间序列与玉米作物物候的联系及检测方法；针对实际应用中对玉米作物物候信息现时性的需求，研究基于NDVI值、分维值、有效积温等多源特征的玉米作物物候信息动态估计方法。　　2基于结构推理的多干旱指数融合方法　　针对VCI指数以日历年为时间基准的缺陷，研究利用玉米作物物候信息校正常规VCI指数的方法；针对遥感干旱指数和气象干旱指数各自的优势，探讨PA-VCI指数与SPI指数的联系及数据融合的必要性；针对干旱指数数据可靠性的问题，研究基于结构推理的PA-VCI指数和SPI指数融合方法，以满足玉米作物旱情精细化监测的需求。　　三、 解决的关键问题　　1基于分形的玉米作物物候遥感特征提取　　受传统地面作物物候信息单点调查手段费时、费力，且无法大范围操作的限制，遥感手段成为作物物候信息提取的热点。建立遥感影像纹理特征与玉米作物物候的联系，是遥感物候检测首要的。分维作为影像纹理粗糙度的一种表述，可反映玉米作物发育过程中NDVI影像纹理的变化。建立分维与玉米作物物候的关联，可为物候检测提供理论基础。另外，考虑到遥感影像上玉米作物耕地呈块状零星分布的特点，需利用分形乘积的原理，设计并实现一种针对遥感影像不规则ROI的分维估计算法。　　2玉米作物物候期的动态估计　　目前，大多数作物物候检测方法，仅依赖单源特征（比如NDVI指数或有效积温等），且只能检测出少量特定的物候期（比如变绿期、成熟期、衰落期和休眠期）。集成遥感光谱值、影像纹理和地面气象站变量等多源多特征，有望提高玉米作物物候检测的种类、准确度和实时化程度。为此，需解决多源特征的提取和估计模型的构建，实现玉米作物物候信息的动态检测。　　3基于多指数融合的玉米作物旱情监测　　解决常规VCI指数时间基准问题，提出基于作物物候信息修正的PA-VCI指数。解决PA-VCI指数和SPI指数的干旱等级划分问题，检验两指数间的关联性和时间超前滞后关系，验证两种指数融合的必要性，为联合旱情监测奠定理论基础。另外，目前多干旱指数融合作物旱情监测方法，较少考虑到数据自身的有效性（可靠性），仅是干旱指数间的硬性融合。为此，需结合来源于遥感影像的PA-VCI指数和来源于地面气象站观测资料的SPI指数，考虑指数的时序有效性，构建融合模式进行PA-VCI指数和SPI指数的融合处理，实现玉米作物旱情的动态监测。　　第三节研究方法与技术路线　　一、研究方法　　本研究是以空间信息科学、计算机科学、统计学、计算几何学及拓扑学为理论基础，研究过程中主要采用综合归纳、对比分析、模型假设与检验、算法开发与验证等方法。学习、借鉴国内外有关农作物物候检测方法和多干旱指数联合监测方法。在验证分维与玉米作物物候、PA-VCI指数与SPI指数等内在联系时，利用统计指标反映变量之间相关关系密切程度；在融合PA-VCI指数与SPI指数时，采用模式分类的方法实现多干旱指数的融合处理。　　为了更好地阐明和验证本书方法的有效性，所选取的研究区单元和数据涉及多种时空尺度。为了验证分形和玉米作物物候的内在联系，本书利用以州为*小统计单元、周时间尺度的地面调查数据进行了验证。为此，所采用的遥感数据也以州为单元、以周为时间尺度；为了验证分维方法的鲁棒性，不同遥感数据集间的时间尺度进行了统一，即采用旬时间尺度；然后，将分维方法从州单元空间尺度向县单元空间尺度进行了扩展；在进行多干旱指数融合时，也进行了时空尺度的统一，即以县为*小单元、以周为*小时间间隔。通过时空数据的转化，在一定程度上克服了因现有验证数据不足的缺陷，使得本书所提出的方法更具说服力。　　二、技术路线　　本书主要利用分维检测玉米作物物候特征，依据物候信息修正VCI指数，利用结构推理方法完成PA-VCI指数与SPI指数的融合处理，*终实现玉米作物旱情的动态监测。为此，针对本书的研究内容和关键问题，采用如图11所示的技术路线。　　图11技术路线　　1遥感影像不规则ROI的分维估计　　针对玉米作物像元呈块区在遥感影像上分布的特点，利用分形乘积原理，提出一种降维-差分计盒维数法（Dimensionality-Reduction based Differential Box-Counting algorithm，DR-DBC），以实现遥感影像不规则ROI的分维估计。　　2分维与玉米作物物候关联性检验　　分析了玉米作物生育期过程中，遥感影像分维变化的特点，建立了遥感影像分维值与玉米作物物候的联系。通过构建一系列拟合函数，实现对分维时间序列峰值的自动检测，建立了分维时序峰值与玉米作物物候的对应关系，并利用地面调查数据进行了实验验证。　　3分维玉米作物物候检测方法的鲁棒性测试　　通过构建一系列的对比因子和对比指标，验证分维方法对不同传感器、分辨率、混合像元的稳定性。　　4基于多特征、HMM模型的玉米作物物候信息动态检测　　利用从遥感影像中提取的NDVI均值和分维值，将从气象观测数据中提取的有效积温作为数据输入，结合隐形马尔可夫模型（Hidden Markov Model，HMM），动态估计玉米作物物候信息。通过实验验证，并与常规逐像元物候检测方法对比，验证HMM方法的有效性。　　5 PA-VCI指数的计算　　针对VCI指数以日历年作为时间基准，忽略了作物本身物候变化的缺陷，提出物候调节植被状态指数（PA-VCI），并给出该指数的定义及计算方法，探讨基于PA-VCI指数干旱监测的必要性和重要意义。　　6 SPI指数的计算、点面转换和插值方法　　考虑到SPI指数为月时间尺度离散点状数据，而PA-VCI指数为周时间尺度面状数据的问题，采用泰森多边形加权法实现对SPI指数的点面数据转换，并构造插值函数将月时间尺度SPI插值为周时间粒度。　　7 PA-VCI指数与SPI指数的关联检验　　通过构建PA-VCI指数与SPI指数时间序列的互相关性函数，计算互相关性、评估时间超前滞后关系，并探讨了指数融合的必要性。　　8基于结构推理实现PA-VCI指数与SPI指数融合处理　　将多干旱指数融合过程分解成相应的模式，然后根据所构建的概率模型，估计当前时间节点所对应的融合模式，实现玉米作物旱情的监测。　　……