技术摘要：
本发明提供一种基于对象图谱和混合光谱的遥感耕地变化检测方法，包括：步骤1，获取至少五年同期遥感影像数据；步骤2，根据所述遥感影像数据构建影像的对象图谱；构建的过程包括数据预处理、影像分割及特征提取和影像分类；步骤3，对对象图谱进行混合光谱分析；步骤4，  全部
背景技术：
随着经济的快速发展、污染加剧、人口增长等众多原因，全球面临着耕地减少、土 壤质量下降等粮食安全问题，因此，保护耕地是推进实现粮食安全过程中的一项重要任务； 那么，能够高效且精确地检测、把握耕地状况变化，会对土地资源类型变化的精准把控、土 地资源发展规划等都具有重要的指导意义。 传统的耕地变化检测是依赖于耕地监测，这种方式存在着工作量大、成本高、周期 长、时效性差等问题，已无法满足耕地动态变化检测对工作效率和精度的需求，而结合遥感 技术和地理信息系统技术的耕地变化检测方法正是一种快速、准确、实时有效的耕地变化 检测方法。 目前利用遥感技术进行耕地变化检测的方法主要有三种：光谱直接比较法、分类 后变化检测法和时间序列变化检测法。 光谱直接比较法是直接对同一区域不同时相遥感影像的光谱信息进行处理并比 较来确定变化位置、范围与类型的一种方法。目前常用的直接比较法有影像差值法、对象变 化矢量分析法和基于像斑光谱向量相似度法等。通过这些方法能够直接确定变化的位置, 避免大范围分类,提高了检测效率,但是只能得到变化和未变化的结果，不能直接获得变化 的类型。 分类后变化检测方法是一种对所观测的地理范围内的所有数据进行单相分类，比 较分析各阶段之间的差异，得到最后的变化检测结果的方法。该方法显著的特点是，先分类 后检测。分类后变化检测法是一种常用的变化检测方法。例如，Abd  El-Kawy等使用遥感数 据视觉解释与遥感影像的监督分类相结合的方法，利用最大似然法对四期Landsat图像进 行分类，为埃及尼罗河西部地区提供了近期和历史的土地利用与覆盖(LULC)地图。随着科 技的发展，分类后变化检测方法与机器学习相结合，出现了一些新的算法，如支持向量机 (Support  Vector  Machine,SVM)分类变化检测法、神经网络分类变化检测法、决策树分类 变化检测法等。这种方法可以回避不同时相和不同传感器带来的归一化问题，但是其变化 检测的结果依赖于分类的精度，而且每个时间点提取的特征是相互隔离的，没有考虑到地 表覆盖的时间上的依赖性。 时间序列变化检测方法是一种主要针对长时间序列遥感影像的时间趋势分析并 进行变化检测的方法。即对同一地理位置上的像素点构造出相应的时间序列，对特征点的 时间维变化进行分析和提取，估计并确认特征点，对子序列进行分割和分类，最终得到时间 序列变化检测结果。时间序列变化检测法也有着广泛的用途。例如，Alcantara开发一种使 用MODIS归一化植被指数(NDVI)时间序列绘制活动土地和休耕土地的方法，并提供全欧洲 范围内第一幅农田废弃和耕种的分布图。这种方法主要用于处理中低空间分辨率图像，能 3 CN 111598045 A 说　明　书 2/13 页 够充分利用和处理地物特征的时间相关性，可以有效地提高时间序列分类的精度，但由于 时间序列分类算法的能力有限，不擅长对于细微变化的检测和变化细节的提供，不适合不 规则变化的检测。 综上所述，目前关于耕地变化检测技术主要面临以下问题： (1)耕地变化类型的识别。耕地发生变化的位置能够直接得到确定，对于变化类型 的划分和变化类型的识别都需要进一步的申请，在申请和应用中，尤其是对三种耕地变化 类型存在较大的“辨”识难度，即，新增耕地、撂荒耕地和退耕耕地。 (2)地表覆被的互动变化。目前关于耕地变化检测技术主要着重于土地利用与覆 盖变化层次上的申请，忽略了耕地变化过程中各地物要素和覆被类型的互动变化，缺少对 不同耕地变化类型联合起来的讨论。 (3)耕地变化细节的检测。对于实际发生耕地变化的区域地表覆被复杂，样本可分 离度低，容易与裸地、草地和林地等地类混分，对于变化细节的检测很大程度上要依赖与影 像分类精度的提高。 因此，亟需提出一种新的关于耕地变化的检测方法，以解决现有技术中存在的技 术缺陷。
技术实现要素：
本发明的目的是提供一种基于对象图谱和混合光谱的遥感耕地变化检测方法，以 克服现有检测精度低的问题。 为了实现上述目的，本发明提供如下技术方案： 一种基于对象图谱和混合光谱的遥感耕地变化检测方法，包括如下步骤： 步骤1，获取至少五年同期遥感影像数据； 步骤2，根据所述遥感影像数据构建影像的对象图谱；构建的过程包括数据预处 理、影像分割及特征提取和影像分类； 步骤3，对所述对象图谱进行混合光谱分析； 步骤4，通过叠置分析实现耕地变化进行检测。 进一步的，所述步骤2中的数据预处理为进行辐射定标、大气校正、影像融合和几 何校正的处理。 进一步的，所述步骤2中的影像分割采用多尺度分割方法，所述多尺度分割是基于 异质性最小算法，通过特征选择获取分割影像，所述特征包括光谱特征、几何特征和纹理特 征。 进一步的，在进行多尺度分割处理时，分割参数为50，形状因子为0.3，紧致度因子 为0.5。 进一步的，所述步骤2中的影像分类为多层次分类，包括支持向量机、最近邻分类 和随机森林。 进一步的，所述步骤2的构建的过程还包括对影像分类结果进行精度评价，所述精 度评价方式为混淆矩阵法，能够获得用户精度、生产者精度、总体精度和Kappa系数。 进一步的，通过所述精度评价确定采用随机森林分类得到的分割影像。 进一步的，所述步骤3中将对象图谱中的混合像元分解成多个端元进行建模，得到 4 CN 111598045 A 说　明　书 3/13 页 线性光谱混合模型。 进一步的，所述步骤3中混合像元分解得到的端元为林地、草地和裸地；通过对多 个所述端元的丰度计算实现对混合光谱的分析； 线性光谱混合模型为： 式中：Riλ为第λ波段第i混合像元的光谱反射率；0＜λ≤m，m为波段的数量；Ckλ为第 k个端元在第λ波段的光谱反射率； 为端元的数目，fki为对应于 第i混合像元的第k个端元所占的分量值，又称丰度；εiλ为残余误差值。 进一步的，所述步骤4是基于建立的知识结构规则利用叠置分析进行耕地变化检 测的判断。 与现有技术相比，本申请的技术方案能够实现的有益技术效果： 本发明结合耕地对象图谱的差异特征和混合光谱计算的分异特性，利用混合光谱 指数完成对易混地类的分离，并根据耕地变化类型的演化特征建立起相应的知识规则结 构，对变化过程中耕地与其他地物类型的转变进行描述，提出了一种基于对象分类和混合 像元分解的耕地变化检测的新方法，充分挖掘耕地变化的要素特征，提高了耕地变化细节 的检测精度，进而提高整个遥感耕地变化检测的精度，使得本发明的检测方法适应性更好。 附图说明 构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示 意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。其中： 图1为本发明耕地变化检测方法流程图； 图2为本发明实施例中研究区地理位置及其遥感影像图； 图3为本发明实施例中研究区特征分割过程的分析对比图； 图4为本发明实施例中研究区土地利用分类结果图； 图5为本发明实施例中三种端元波谱响应曲线图； 图6为本发明实施例中在2018年三种端元的丰度图； 图7为本发明实施例中2019年三种端元的丰度图； 图8为本发明实施例中林草光谱解混结果图； 图9为本发明实施例中耕地变化检测流程图； 图10为本发明实施例中五年间耕地变化检测结果图。