一种基于多源遥感数据时序及纹理特征的农作物识别方法与流程

1.本发明涉及农作物识别方法技术领域，特别涉及一种基于多源遥感数据时序及纹理特征的农作物识别方法。


背景技术：

2.农作物类型提取大多采用无人机遥感技术手段，通过神经网络模型实现农作物分类。但无人机遥感处理成本高、大面积监测难度大，且神经网络模型需要训练样本数据量大且易受样本扰动，无法满足大范围动态监测的需求，为此我们提出一种基于多源遥感数据时序及纹理特征的农作物识别方法。


技术实现要素：

3.本发明的目的在于提供一种基于多源遥感数据时序及纹理特征的农作物识别方法，以解决上述背景技术中提出的问题。
4.为实现上述目的，本发明提供如下技术方案：
5.一种基于多源遥感数据时序及纹理特征的农作物识别方法，包括以下步骤：
6.s1、获取长时间序列的sentinel-2号数据及gf1-wfv数据，通过辐射定标、大气校正和正射校正的预处理过程，将图像的dn值转化为了地物反射率信息，得到农作物类型识别的长时序基础数据源；
7.s2、结合农作物类型外业采样点，提取光谱反射率、植被指数及纹理特征，构建农作物类型时序特征样本数据集；
8.s3、结合气象数据和农作物不同物候期外业采样点，提取叶面积指数、累计积温、累计日照时数、累计降水量特征参数，构建农作物物候期特征样本数据集；
9.s4、基于随机森林分类器对样本进行训练，构建农作物类型及生长期识别模型；
10.s5、对农作物的类型及生长期进行识别。
11.优选的，步骤s1中的具体方法为：
12.辐射定标是消除传感器本身的误差，将图像的数字量化值，即dn转化为物理量(辐射亮度)的处理过程；
13.经辐射定标后测得的地面目标的辐射亮度不是地表真实反射率的反映，其中包含了由大气反射、吸收及散射作用造成的辐射误差；
14.大气校正就是消除这些由大气影响所造成的辐射误差，将图像的辐亮度转化为地物真实的表面反射率的过程；
15.正射校正一方面用以消除因大气传输、传感器、地球曲率因素造成的几何畸变，另一方面根据数字高程模型，即dem来纠正影像因地形起伏而产生的畸变，赋予图像真实的平面及高程信息，通过在影像上选取一定数量的地面控制点，并利用影像范围内的dem数据，对影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像。
16.优选的，步骤s2的具体操作方法为：
17.提取的光谱反射率包括蓝波段反射率、绿波段反射率、红波段反射率、近红外波段反射率，其中蓝波段反射率以中心波长为0.49μm进行提取，绿波段反射率以中心波长为0.56μm进行提取，红波段反射率以中心波长为0.665μm进行提取，近红外波段反射率以中心波长为0.842μm进行提取；
18.植被指数的归一化通过公式(1)进行计算：
[0019][0020]
式中，ndvi为归一化的植被指数，ρ
nir
为近红外波段反射率值，ρ
red
为红波段反射率；
[0021]
纹理特征包括数据范围f1、平均值f2、方差f3、信息熵f4和偏斜f5，定义一个m
×
n的矩阵窗口，其中m为窗口的行数，n为窗口的列数，且行数与列数均为奇数，定义p(i，j)为矩阵窗口的第i行第j列的元素；
[0022]
数据范围通过公式(2)进行计算：
[0023]
f1＝max[p(i，j)]-min[p(i，j)]
ꢀꢀꢀꢀ
(2)
[0024]
平均值通过公式(3)进行计算：
[0025][0026]
方差通过公式(4)进行计算：
[0027][0028]
信息熵通过公式(5)进行计算：
[0029]
f4＝-∑p(i，j)log p(i，j)
ꢀꢀꢀꢀ
(5)
[0030]
偏斜通过公式(6)进行计算：
[0031][0032]
基于上述的光谱反射率、植被指数及纹理特征构建农作物时序特征样本数据集；
[0033]
对构建的农作物时序特征样本数据集进行训练，该数据集设定为d1，
[0034]
d1包含多个样本，i为样本类型，n为特征元素，每个样本包含对应的长时间序列的蓝波段反射率ρ
blue
、绿波段反射率ρ
green
、红波段反射率ρ
red
、近红外波段反射率ρ
nir
、植被指数ndvi、数据范围f1、平均值f2、方差f3、信息熵f4和偏斜f5和农作物类型y，即：
[0035]
[0036][0037]
优选的，步骤s3的具体操作方法为：
[0038]
对构建的农作物物候期特征样本数据集进行训练，该数据集设定为d2，d2中包含多个样本元组，每个样本元素均包含对应时序的叶面积指数lai、自播种日起的积温tem、累计日照时数sh、累计降水量pre和所处物候期z，u表示所属物候期类型：
[0039]
叶面积指数lai通过公式(7)进行计算：
[0040]
lai＝f(ndvi)
ꢀꢀꢀꢀ
(7)
[0041]
自播种日起的积温tem通过公式(8)进行计算：
[0042][0043]
式中m为播种日期，v为当前物候期所处日期；
[0044]
累计日照时数sh通过公式(9)进行计算：
[0045][0046]
累计降水量pre通过公式(10)进行计算：
[0047][0048]
即：
[0049]
d2＝{(lai1，tem1，sh1，pre1，z1)，
[0050]
(lai2，tem2，sh2，pre2，z2)，
[0051]
...，
[0052]
(laiu，temu，shu，preu，zu)}
[0053]
优选的，步骤s4的具体操作方法为：
[0054]
从d1与d2的两个数据集中均随机的抽取t个样本点，得到两个训练集d
t1
与d
t2
；
[0055]
用训练集d
t1
与d
t2
，分别训练cart决策树，这里在训练的过程中，对每个节点的切分规则是先从所有特征中随机的选择k个特征，然后在从这k个特征中选择最优的切分点做左右子树的划分，同时剪枝处理分类树的分支数目，以此来降低运算量；最终生成由n个决策树构成的随机森林，即作物类型识别模型rf1及作物生长期识别模型rf2。
[0056]
优选的，步骤s5的具体操作方法为：
[0057]
农作物类型识别：将待预测年份影像数据进行辐射定标、大气校正及正射校正处理，生成时间序列数据(待预测年份时序地表反射率数据、植被指数数据及纹理特征数据)，将时间序列数据数据输入构建好的随机森林分类器rf1，采用投票方式逐像元进行分类预测，预测的最终类别为该点所到叶节点中投票数最多的类别，最终得到待预测年份的农作物分类结果；
[0058]
农作物生长期识别：获取待确定生长期影像的时间及该农作物的播种时间，获取影像范围内农作物的叶面积指数，并结合气象数据计算自播种日起的积温、累计日照时数和累计降水量，将特征数据输入构建好的随机森林分类器rf2，采用投票方式逐像元进行分类预测，预测的最终类别为该点所到叶节点中投票数最多的类别，最终得到待预测时间农作物所处的生长期。
[0059]
与现有技术相比，本发明的有益效果是：
[0060]
一种基于多源遥感数据时序及纹理特征的农作物识别方法通过长时序sentinel-2和gf1-wfv数据，融合不同农作物类型的时序光谱特征、植被指数特征和纹理特征，结合气象数据，融合农作物不同物候期的积温、累计日照时数、累计降水量和叶面积指数特征，基于随机森林分类法实现了小样本下大范围动态农作物类型提取及生长期识别。
具体实施方式
[0061]
下面将结合本发明实施例对技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0062]
实施例
[0063]
一种基于多源遥感数据时序及纹理特征的农作物识别方法，包括以下步骤：
[0064]
s1、获取长时间序列的sentinel-2号数据及gf1-wfv数据，通过辐射定标、大气校正和正射校正的预处理过程，将图像的dn值转化为了地物反射率信息，得到农作物类型识别的长时序基础数据源；
[0065]
s2、结合农作物类型外业采样点，提取光谱反射率、植被指数及纹理特征，构建农作物类型时序特征样本数据集；
[0066]
s3、结合气象数据和农作物不同物候期外业采样点，提取叶面积指数、累计积温、累计日照时数、累计降水量特征参数，构建农作物物候期特征样本数据集；
[0067]
s4、基于随机森林分类器对样本进行训练，构建农作物类型及生长期识别模型；
[0068]
s5、对农作物的类型及生长期进行识别。
[0069]
具体而言，步骤s1中的具体方法为：
[0070]
辐射定标是消除传感器本身的误差，将图像的数字量化值，即dn转化为物理量(辐射亮度)的处理过程；
[0071]
经辐射定标后测得的地面目标的辐射亮度不是地表真实反射率的反映，其中包含了由大气反射、吸收及散射作用造成的辐射误差；
[0072]
大气校正就是消除这些由大气影响所造成的辐射误差，将图像的辐亮度转化为地物真实的表面反射率的过程；
[0073]
正射校正一方面用以消除因大气传输、传感器、地球曲率因素造成的几何畸变，另一方面根据数字高程模型，即dem来纠正影像因地形起伏而产生的畸变，赋予图像真实的平面及高程信息，通过在影像上选取一定数量的地面控制点，并利用影像范围内的dem数据，对影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像。
[0074]
具体而言，步骤s2的具体操作方法为：
[0075]
提取的光谱反射率包括蓝波段反射率、绿波段反射率、红波段反射率、近红外波段反射率，其中蓝波段反射率以中心波长为0.49μm进行提取，绿波段反射率以中心波长为0.56μm进行提取，红波段反射率以中心波长为0.665μm进行提取，近红外波段反射率以中心波长为0.842μm进行提取；
[0076]
植被指数的归一化通过公式(1)进行计算：
[0077][0078]
式中，ndvi为归一化的植被指数，ρ
nir
为近红外波段反射率值，ρ
red
为红波段反射率；
[0079]
纹理特征包括数据范围f1、平均值f2、方差f3、信息熵f4和偏斜f5，定义一个m
×
n的矩阵窗口，其中m为窗口的行数，n为窗口的列数，且行数与列数均为奇数，定义p(i，j)为矩阵窗口的第i行第j列的元素；
[0080]
数据范围通过公式(2)进行计算：
[0081]
f1＝max[p(i，j)]-min[p(i，j)]
ꢀꢀꢀꢀ
(2)
[0082]
平均值通过公式(3)进行计算：
[0083][0084]
方差通过公式(4)进行计算：
[0085][0086]
信息熵通过公式(5)进行计算：
[0087]
f4＝-∑p(i，j)log p(i，j)
ꢀꢀꢀꢀ
(5)
[0088]
偏斜通过公式(6)进行计算：
[0089][0090]
基于上述的光谱反射率、植被指数及纹理特征构建农作物时序特征样本数据集；
[0091]
对构建的农作物时序特征样本数据集进行训练，该数据集设定为d1，
[0092]
d1包含多个样本，i为样本类型，n为特征元素，每个样本包含对应的长时间序列的蓝波段反射率ρ
blue
、绿波段反射率ρ
green
、红波段反射率ρ
red
、近红外波段反射率ρ
nir
、植被指数ndvi、数据范围f1、平均值f2、方差f3、信息熵f4和偏斜f5和农作物类型y，即：
[0093][0094]
具体而言，步骤s3的具体操作方法为：
[0095]
对构建的农作物物候期特征样本数据集进行训练，该数据集设定为d2，d2中包含多个样本元组，每个样本元素均包含对应时序的叶面积指数lai、自播种日起的积温tem、累计日照时数sh、累计降水量pre和所处物候期z，u表示所属物候期类型：
[0096]
叶面积指数lai通过公式(7)进行计算：
[0097]
lai＝f(ndvi)
ꢀꢀꢀꢀ
(7)
[0098]
自播种日起的积温tem通过公式(8)进行计算：
[0099][0100]
式中m为播种日期，v为当前物候期所处日期；
[0101]
累计日照时数sh通过公式(9)进行计算：
[0102][0103]
累计降水量pre通过公式(10)进行计算：
[0104][0105]
即：
[0106]
d2＝{(lai1，tem1，sh1，pre1，z1)，
[0107]
(lai2，tem2，sh2，pre2，z2)，
[0108]
...，
[0109]
(laiu，temu，shu，preu，zu)}
[0110]
具体而言，步骤s4的具体操作方法为：
[0111]
从d1与d2的两个数据集中均随机的抽取t个样本点，得到两个训练集d
t1
与d
t2
；
[0112]
用训练集d
t1
与d
t2
，分别训练cart决策树，这里在训练的过程中，对每个节点的切分规则是先从所有特征中随机的选择k个特征，然后在从这k个特征中选择最优的切分点做左右子树的划分，同时剪枝处理分类树的分支数目，以此来降低运算量；最终生成由n个决策树构成的随机森林，即作物类型识别模型rf1及作物生长期识别模型rf2。
[0113]
具体而言，步骤s5的具体操作方法为：
[0114]
农作物类型识别：将待预测年份影像数据进行辐射校正、大气校正及正射校正处理，生成时间序列数据(待预测年份时序地表反射率数据、植被指数数据及纹理特征数据)，将时间序列数据数据输入构建好的随机森林分类器rf1，采用投票方式逐像元进行分类预测，预测的最终类别为该点所到叶节点中投票数最多的类别，最终得到待预测年份的农作物分类结果；
[0115]
农作物生长期识别：获取待确定生长期影像的时间及该农作物的播种时间，获取影像范围内农作物的叶面积指数，并结合气象数据计算自播种日起的积温、累计日照时数和累计降水量，将特征数据输入构建好的随机森林分类器rf2，采用投票方式逐像元进行分类预测，预测的最终类别为该点所到叶节点中投票数最多的类别，最终得到待预测时间农作物所处的生长期。
[0116]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。