一种基于多时相遥感影像的农作物种植结构提取与产量估算方法

摘要: 本发明涉及农业遥感,具体为一种基于多时相遥感影像的农作物种植结构提取与产量估算方法。背景技术:1、农业遥感工程是以同一区域多生育期时序卫星/无人机影像为数据源,...
一种基于多时相遥感影像的农作物种植结构提取与产量估算方法

本发明涉及农业遥感,具体为一种基于多时相遥感影像的农作物种植结构提取与产量估算方法。

背景技术:

1、农业遥感工程是以同一区域多生育期时序卫星/无人机影像为数据源,先校正重构时序植被曲线,依托作物物候节律区分小麦、水稻、玉米、油料等作物类型,绘制地块级种植结构分布图;再耦合时序长势参数、气象、田间本底数据构建定量反演模型,逐地块、分区域核算单产与总产量。

2、现有技术在开展区域农作物种植结构提取与产量估算工作时,普遍采用先粗分作物类型、后独立构建模型估产的割裂式两段式作业模式。该类作业模式一方面适配性受限,大多仅针对单一作物开展识别估产作业,通用适配性差,同时多依托像素级解译逻辑或低分辨率遥感数据源开展分析,空间解译精度不足,无法适配我国耕地细碎化、多作物插花种植、一年多熟轮作的种植现状,难以实现小麦、玉米、水稻、大豆等多作物同步分类识别,更无法完成田块尺度精细化种植结构提取;

3、另一方面现有分类与估产功能相互独立、无联动闭环机制,作物错分、漏分、混分产生的识别误差,无法向产量估算端实时反馈、联动校正,各类作物生理生长特性、产量形成规律差异较大,但现有固定化估产模型参数,无法依据地块分类结果实现分作物自适应调整优化,前期分类误差会逐级传导叠加至产量估算环节,进一步放大估产偏差,极大降低全域农作物产量估算结果的稳定性、精准度与可信度,难以满足粮食摸排、农业管控、粮食产能预判的精细化业务需求。

技术实现思路

1、本发明的目的在于提供一种基于多时相遥感影像的农作物种植结构提取与产量估算方法,以解决上述背景技术提出的现有技术适用作物单一、空间精度不足,无法满足多作物同步、精细提取种植结构,针对分类误差无法实时反馈,分作物的估产参数不能及时修正,从而影响整体产量估算的稳定性的问题。

2、为实现上述目的,本发明提供如下技术方案:一种基于多时相遥感影像的农作物种植结构提取与产量估算方法,包括以下步骤:

3、s1、多时相遥感影像预处理与时序特征构建:获取覆盖目标区域全生育期的多时相高分辨率遥感影像,时间分辨率≤10天,空间分辨率≤10米,对获取的图像进行预处理,提取时序特征;

4、s2、面向对象地块单元解译:采用fnea或slic进行地块分割,若采用fnea,利用光谱、几何、纹理特征进行多尺度合并,生成符合真实地块边界的对象层;若采用slic,基于像素局部聚类生成超像素地块;结合耕地矢量边界或数字高程模型进行地形约束,剔除非耕地对象,保留最小耕地单元作为“地块对象”,实现地块优化,分割完成后,使用耕地图斑矢量数据对遥感时序影像进行空间统计(取每个地块内部的植被指数平均值或中位数),生成地块级平滑曲线,完成对象时序特征聚合;

5、s3、多作物通用时序物候识别分类模型构建与估产模型参数预标定:构建时序物候特征库,采用dtw结合随机森林或lightgbm,构建多作物共享分类器,输入步骤二中的地块级时序曲线,输出每种作物的概率向量,搭建模型框架,对每个地块,取最大概率对应的作物类型为初步分类结果,并记录置信度(最大概率值),生成分类结果,预标定估产模型参数;

6、s4、分类与估产双向联动闭环:输入s2的地块级时序曲线、s3的分类模型及预标定参数,执行初步分类、初步产量估算、置信度引导的误差反馈、半监督标签传播修正和迭代收敛判断。

7、s5、搭建分作物自适应可调估产参数体系:构建作物专属参数库,根据s4的最终分类结果进行动态匹配(每个地块自动获取对应作物的参数集,对于多熟制区域,分别构建早/晚季独立参数),引入误差传导抑制校正机制;

8、s6、结果输出与验证:累加所有耕地地块的最终产量,得到全区总产量;若为多熟区,按季分别累加,汇总地块级产量;通过精度验证,将验证修正后的作物专属参数存入参数库,供下一轮或相邻区域使用,输出最终的估算数据。

9、优选的,s1中,图像预处理依次执行辐射定标转换地表反射率、6s模型大气校正、高精度底图控制点几何精校正、fmask云及云阴影掩膜、whittaker平滑插值补全缺失时序像元,得到标准化时序影像数据集。

10、优选的,s3中,构建时序物候特征库时,通过时序重构、物候参数提取、样本采集与特征库构建和特征筛选与验证实现。

11、优选的,s3中,参数标定时,利用历史年份的地面实测产量数据、对应的遥感时序指数及气象数据,针对每种作物独立标定参数、、、,标定方法采用多元线性回归或随机森林回归;收集n个样本(每个样本包含、、温度积、降水距平以及实测产量),使用最小二乘法求解:

12、;

13、其中,为样本特征矩阵,为实测产量向量;

14、若采用随机森林回归,则通过袋外数据(out-of-bag)的预测误差增加量自动评估特征重要性,无需显式计算各参数;标定后的参数存入作物专属参数库。

15、优选的,s4中,初步分类使用dtw结合随机森林或lightgbm,输出各地块的作物类型概率向量,取最大概率对应的类型为初步分类结果,记录置信度;初步产量估算依据分类结果匹配对应作物的估产模型,计算初步产量。

16、优选的,s4中,若地块分类置信度≤阈值,则将与区域统计单产或历史同地块产量对比,计算相对误差,若>15%,则将该地块标记为疑似错分样本;若所有高置信度地块(原始置信度≥0.8)的产量误差低于阈值或迭代次数达到上限,则停止迭代;输出最终分类结果与每个地块的初步产量。

17、优选的,s5中,构建专属参数库时,针对每种作物预设以下线性模型:

18、;

19、其中,、、、为s3标定的参数;为误差项;为地块初始估算单产;为作物生育期内最大归一化植被指数;为sar雷达极化生物量特征值;温度积为作物完整生育期有效积温;降水距平用来量化旱涝胁迫程度。

20、优选的,搭建误差传导抑制校正机制时,定义分类误差影响因子=1-置信度,置信度来自步骤四的最终分类结果,若分类完全准确,置信度=1,则=0,无分类误差风险;若识别结果极不可靠,置信度=0,则=1,分类完全失效。

21、优选的,经过误差传导抑制校正机制校正后,最终产量计算公式如下:

22、;

23、其中,为地块原始模型估算单产;为与当前地块同作物类型的相邻地块平均单产。

24、优选的,精度验证包括分类精度验证和产量精度验证:

25、分类精度验证:采用地面真实样点混淆矩阵;

26、产量精度验证:与县级统计产量或田间实测单产对比,计算均方根误差和相对误差。

27、与现有技术相比,本发明的有益效果是:

28、1、本发明中,构建多作物通用时序物候分类模型,依托统一物候特征库、dtw结合机器学习算法,可同步识别水稻、玉米、小麦等多种大田作物;同时针对多熟种植区域分季提取物候参数、独立配置估产参数,兼容单作、轮作等多种种植模式;采用fnea、slic算法实现面向对象地块分割,并结合耕地矢量、地形数据剔除非耕地单元,以真实耕地地块作为最小分析单元;再通过地块内植被指数统计聚合生成时序特征曲线,有效削弱混合像元干扰,实现地块尺度精细化种植结构提取,适配我国耕地细碎化、插花种植的现状,大幅提升空间解译精度;

29、2、本发明中,搭建分类与估产双向联动的闭环迭代机制,将低置信度、产量偏差超限的地块判定为疑似错分样本;利用半监督标签传播算法优化分类结果,并把修正后的样本补充至训练集以迭代更新分类模型,实现分类误差的实时反馈与动态校正,有效减少作物错分、漏分现象,解决分类误差无法实时反馈、修正的问题;

30、3、本发明中,提前基于历史实测数据、遥感与气象因子,为每类作物独立标定专属估产模型参数并建立参数库;依据地块最终分类结果动态匹配对应作物参数,多熟区域还区分早、晚季配置独立参数,改变了现有技术采用统一参数适配全部作物的缺陷,让估产模型贴合不同作物的生长与产量形成规律;引入分类误差影响因子,结合地块分类置信度构建加权校正公式,利用相邻同类地块平均产量对低可信度结果进行兜底修正,有效抑制分类误差向产量估算环节逐级放大;结合迭代收敛规则控制运算流程,最终产出的地块单产与区域总产量结果波动小、稳定性与准确度显著提升。