一种基于时序多光谱影像特征的多种作物分类方法与流程
本发明涉及卫星遥感影像数据处理领域,特别涉及一种基于时序多光谱影像特征的多种作物分类方法。
背景技术:
1、作物种植范围提取及空间分布监测,对于农作物产量评估、食品安全管控、农业生产管理具有重要支撑作用。遥感技术可在时间与空间维度上重复提供客观、准确的耕地与作物信息,是当前大尺度农业监测的核心技术手段。
2、目前,针对大范围单一作物的遥感提取方法已较为成熟,但在山地丘陵等地形复杂、作物混合种植的区域,多作物分类仍存在显著技术缺陷:其一,受遥感影像 “异物同谱”和“同物异谱” 效应影响,不同作物光谱特征相似度高,仅依靠单期影像或少量特征难以有效区分,错分、漏分现象严重;其二,传统监督分类方法依赖大量外业实地采样获取样本,山地丘陵区域交通不便,采样成本高、周期长,难以支撑大规模、常态化的作物分类工作;其三,山地多云雾环境下,时序遥感影像易出现数据空缺,现有方法对缺失数据的填补能力不足,导致分类结果稳定性差,难以适配复杂区域的应用需求。
技术实现思路
1、为了解决现有遥感作物分类技术在复杂山地丘陵区域的不足的问题,本发明提供了一种基于时序多光谱影像特征的多种作物分类方法,可实现多作物种植分布的高精度识别,解决地形复杂、作物混杂区域作物识别困难、分类精度低、外业样本依赖度高、效率低的问题,为山地丘陵复杂地区作物分类提供技术支撑与实现依据。具体方案如下:
2、一种基于时序多光谱影像特征的多种作物分类方法,包括以下步骤:
3、s1,获取研究区域全年多期时序多光谱遥感影像,提取多类植被指数与植被生物结构参数,得到初始时序特征数据集;
4、s2,对所述初始时序特征数据集的缺失值进行插值填补,构建完整的长时间序列植被特征数据集;
5、s3,基于耕地范围约束,从所述完整的长时间序列植被特征数据集中提取时序统计特征、物候期特征、作物专属判别特征、作物生长周期特征,并融合dem衍生的地形特征,构建多维特征立方体;
6、s4,基于所述完整的长时间序列植被特征数据集,结合预设的多种作物生长周期物候特性,逐像元计算各类作物的分类匹配得分,经质量筛选生成各类作物的高置信度伪样本标签;
7、s5,将所述多维特征立方体与所述伪样本标签输入随机森林分类器进行训练,得到多作物分类模型;利用所述多作物分类模型对耕地范围内全部像元进行分类,输出多种作物的空间分布结果。
8、本发明的有益效果在于:
9、本发明进行多维特征融合,分类精度高。融合光谱植被指数、植被生物结构参数、时序统计特征、物候特征、作物专属判别规则与地形特征,构建 68 维特征空间,充分挖掘不同作物在时间、光谱、空间维度的差异,有效缓解 “异物同谱”、“同物异谱” 带来的分类误差,显著提升山地丘陵破碎种植区的多作物分类精度。
10、同时,本发明基于作物生长周期特性与特征阈值规则,自动计算分类得分并筛选高置信度伪样本,无需大量人工外业采样即可完成模型训练,大幅降低人力与时间成本,可支撑大区域、常态化的作物分类监测。
11、再有,本发明针对山地多云雾导致的时序数据缺失,采用 “线性插值 + 最近邻期外推” 的组合填补策略,可自适应处理不同位置的空缺数据,保障时序数据完整性,提升方法在复杂气象、地形条件下的稳定性与适用性。
12、另外,本发明方法鲁棒性强,泛化能力好。采用随机森林算法作为分类器,抗噪声能力强、不易过拟合,适配破碎种植、地形复杂的应用场景;方法框架可迁移至其他作物类型与研究区域,具备良好的特征泛化与迁移能力。
1.一种基于时序多光谱影像特征的多种作物分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于时序多光谱影像特征的多种作物分类方法,其特征在于,s1具体包括以下步骤:
3.根据权利要求1所述的基于时序多光谱影像特征的多种作物分类方法,其特征在于,步骤s2包括:
4.根据权利要求1所述的基于时序多光谱影像特征的多种作物分类方法,其特征在于,所述步骤s3中,多维特征立方体为68维,在耕地范围掩膜约束下提取特征,由时序统计特征、物候期特征、作物专属判别特征、作物生长周期特征与地形特征五类特征组合构成,各类特征的具体内容与维度数量如下:
5.根据权利要求4所述的基于时序多光谱影像特征的多种作物分类方法,其特征在于,所述林地近似指数特征的判定规则为:同时满足ndvi年最大最小值范围小于0.20、ndre年均值大于0.30、mtci年均值大于0.20、cigreen年均值大于1.05、冬春季ndyi均值小于0.12时,判定为林地类,用于排除耕地范围内的林地干扰。
6.根据权利要求 4 所述的基于时序多光谱影像特征的多种作物分类方法,其特征在于:所述ndvi跃升指数特征为3-4月ndvi均值与1-2月ndvi均值的差值,当差值大于0.3时判定为冬油菜返青,小于0.3时判定为冬闲田,用于区分冬油菜与其他作物;所述水稻专属水分特征包括7-8月mndwi均值、7-8月nbr均值、7-8月与其余月份mndwi均值差、7-8月与其余月份nbr均值差,用于区分水稻与其他作物。
7.根据权利要求 1 所述的基于时序多光谱影像特征的多种作物分类方法,其特征在于,所述步骤 s4 具体包括:
8.根据权利要求 1 所述的基于时序多光谱影像特征的多种作物分类方法,其特征在于,所述步骤 s5 中对耕地范围内像元进行分类时,具体判定规则为:若单类别输出概率显著高于其余类别,直接将该类别作为像元的分类结果; 若多类别输出概率接近,结合多维特征立方体数据与作物生长周期规律进行二次判定,确定像元最终分类结果。
9.根据权利要求 1 所述的基于时序多光谱影像特征的多种作物分类方法,其特征在于:步骤 s5 输出分类结果后,还包括精度验证步骤:采用外业采集的真值样本,通过总体分类精度 oa、kappa 系数与单类 f1 分位数对分类结果进行精度评价。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com