一种基于HMM的农作物物候动态估计方法技术

本发明专利技术涉及一种基于HMM的农作物物候动态估计方法，包括：建立HMM混合模型，获得包括：初始概率、局部状态转移矩阵、观测概率矩阵；向HMM混合模型输入农作物的多源特征，多源特征包括：NDVI均值、分维值、有效积温；通过HMM混合模型计算出农作物各发育阶段的百分比。本发明专利技术采用的分维值为遥感影像的纹理特征，可用于指示农作物生育过程的变化，可直接采用提取的多远特征作为数据输入，无须额外的过滤或平滑处理，农作物发育阶段百分比的精度在±12.91%至±16.14%之间，而遥感光谱逐像元方法最优的为±24.6%，所获得的结果较好，可实现玉米作物物候信息的动态估计。

【技术实现步骤摘要】

本专利技术涉及一种基于HMM的农作物物候动态估计方法。
技术介绍
目前，基于分形的农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，遥感手段成为农作物物候信息提取的热点。建立 遥感影像纹理特征与农作物物候的联系，是遥感物候检测首当其冲的。分维作为影像纹理 粗糙度的一种表述，可反映农作物发育过程中NDVI影像纹理的变化。建立分维与农作物物 候的关联，可为物候检测提供理论基础。另外，考虑到遥感影像上农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R0I的分维估计 算法。 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，有望提高农作物物候检测的种类、准 确度和实时化程度。
技术实现思路
本专利技术的目的是提供一种基于HMM的农作物物候动态估计方法。 为达到上述目的，本专利技术采用的技术方案是： -种基于HMM的农作物物候动态估计方法，包括： 1):建立HMM混合模型，HMM混合模型中包括获得： a、初始概率：农作物在各发育阶段发生的概率； b、局部状态转移矩阵：农作物在整个生育周期过程中的各发育阶段转移概率； C、观测概率矩阵：在给定发育阶段状态的情况下，各观测变量发生的概率； 2):向HMM混合模型输入农作物的多源特征，多源特征包括： a、NDVI均值； b、分维值； c、有效积温； 3)、通过HMM混合模型计算出农作物各发育阶段的百分比。 优选地，初始概率通过统计该地区同一时期的历史数据获得。 优选地，获取局部状态转移矩阵包括： 1)、选取同一时间点的多年归一化地面物候调查数据数据，计算其均值； 2)、计算出每个时间点的状态转移概率矩阵。 优选地，获取NDVI均值包括： 1)、影像合成：将每日的MODISNDVI时间序列影像合成为每周的NDVI时间序列影 像； 2)、影像掩膜：剔除MODISNDVI时间序列影像上非农作物类型的像元。 进一步优选地，对剔除MODISNDVI时间序列影像上非农作物类型的像元进行估算 获得。 优选地，有效积温获取包括：获取离散点位的地表日最低和最高温度；将离散点 位的地表日最低和最高温度转化为行政区划级别面状温度数据；对行政区划级别的日最低 和最高温度进行日温校正，并计算出有效积温。 其中： 初始概率（或状态先验概率）：表示起始时刻，不考虑观测值的情况下，各发育阶 段发生的概率。 局部状态转移矩阵：作物在整个生育周期过程中的各发育阶段转移概率随时间变 化而改变。 观测概率：在给定发育阶段状态的情况下，各观测变量发生的概率。 NDVI指数：根据植被在遥感影像中光谱响应的差异及动态变化原理，作为衡量植 被绿度及生长状况的指数。 分维值：用于衡量NDVI影像中农作物类型像元的粗糙度，并作为影像纹理异质性 的指标来反映农作物的生长状况。 有效积温：在作物生长发育所需要的其他条件均得到满足时，在一定温度范围内， 气温和发育速度成正相关，并且要积累到一定的温度总和，才能完成其发育期，这个温度的 累积数称为积温；每种作物都有其生长的下限温度，当温度高于下限温度时，它才能生长发 育，这个对作物生长发育起有效作用的高出的温度值，称作有效温度；作物在整个生育期内 有效温度的累积，即有效积温。 由于上述技术方案运用，本专利技术与现有技术相比具有下列优点和效果： 本专利技术采用的分维值为遥感影像的纹理特征，可用于指示农作物生育过程的变 化，可直接采用提取的多远特征作为数据输入，无须额外的过滤或平滑处理，农作物发 育阶段百分比的精度在±12. 91%至±16. 14%之间，而遥感光谱逐像元方法最优的为 ±24. 6%，所获得的结果较好，可实现玉米作物物候信息的动态估计。【附图说明】 附图1为本实施例中HMM混合模型； 附图2为本实施例中玉米在整个生育周期过程中的各发育阶段转移示意图。【具体实施方式】 下面结合附图及实施案例对本专利技术作进一步描述： 本实施例以玉米为例，其物候动态估计方法包括： 1)、建立HMM混合模型， 假设HMM混合模型参数为X(N，M，II，A,B): T:观测值长度，对应每个时间周期的周数， N:状态数目，对应物候期的数目， M:每个状态可能的观测值数，对应特征个数， S:隐形状态S=以，…，SN}， q:状态序列q=h，…，qT}， 0 :观测值序列0 =IA，…，0T}，II:初始时刻状态的概率分布，比如Sj状态的概率可记为Jrj， A:状态转移矩阵（transitionprobabilitymatrix)，可以表不成 j=P(qt = Sj|qtSJ，其中= 1，(1彡i，j彡N)，对应某时刻从一物候期转换到另一物候期 的概率。 B:观测值的概率分布（emissionprobabilitymatrix)，可以表示成bj⑴= P(0t|qt=S)，（2彡t彡T)，对应某一物候期、特征的分布概率。 如图1为本实施例中HMM混合模型，其中本实施例中隐形状态有8个，它们依次 为预备期（pre-season)、播种期（planted)、出苗期（emerged)、抽丝期（silking)、乳熟期 (dough)、腊熟期（dent)、完熟期（mature)和收割期（harvested)。其中，预备期被定义为 玉米种子播种前的一段时期，它仅仅提供模型设计时的便利性，不产生最终的结果，根据模 型变量的定义，全概率可以表示为： P(qi=Sr，…，qt=S.j，Oi，…，0t| 入）=，…，OtlqfSr，…，qt=SJ入）.P(qi =Sr，…，qt=S.j| 入）（1-1); 假设：DOi，…，0t观测值序列是一个典型的一阶（first-order)马尔可夫链，也就 是说qt仅由qti决定；2)t时刻的观测值0t只由t时刻的状态qt决定（独立输出假设）， 为此对于全概率：(1-2)； 由于HMM可以看成是马尔可夫模型和混合模型的组合，故观测值可以看做是由N 个状态共同作用而成，HMM混合模型中，两个嵌入的随机过程对应两条链：显性链（观测值） 和隐性链（生育期），该随机过程反映了作物生育期监测和数据观测本身存在的不确定性， 每个时间节点上的观测值都可以看做是多个隐含物候期共同作用的结果，假设观测量形成 N个簇，那么其可以构模成N个组分的混合，记每个组分的密度分布函数为h(0t)，那么观测 值概率可以表示为：(1-3)； 其中，JrJt)可以看作是第i个组分的权重， HMM混合模型至少包含三种概率：初始概率、局部状态转移矩阵、观测概率矩阵， 其中： 初始概率：玉米的播种期主要集中在第14、15周，因此，第13周的玉米作物一般 处于预备期，初始概率可以通过统计该地区在同一时期的历史记录，比如：起始时间若为第 13周，则计算同期可用地面物候调查数据记录的均值，将其作为初始概率。 局部状态转移矩阵：随玉米作物的生长而变化，例如：在玉米作物生长的初期，其 最有可能出现在生长初期对应的物候期，在转移矩阵中，从当前发育阶段转移到其自身的 概率比较高，转移到下本文档来自技高网...

【技术保护点】
一种基于HMM的农作物物候动态估计方法，其特征在于：包括：1）：建立HMM混合模型，HMM混合模型中包括获得：a、初始概率：农作物在各发育阶段发生的概率；b、局部状态转移矩阵：农作物在整个生育周期过程中的各发育阶段转移概率；c、观测概率矩阵：在给定发育阶段状态的情况下，各观测变量发生的概率；2）：向HMM混合模型输入农作物的多源特征，多源特征包括：a、NDVI均值；b、分维值；c、有效积温；3）、通过HMM混合模型计算出农作物各发育阶段的百分比。

【技术特征摘要】

【专利技术属性】
技术研发人员：沈永林，
申请(专利权)人：苏州奥诺遥感科技有限公司，
类型：发明
国别省市：江苏;32