一种基于Sentinel-2影像的大豆种植信息遥感提取方法与流程

一种基于sentinel-2影像的大豆种植信息遥感提取方法
技术领域
1.本发明涉及农业遥感技术领域，具体涉及一种基于sentinel-2影像的大豆种植信息遥感提取方法。


背景技术：

2.我国是农业大国，既有大量的小麦、玉米、水稻，又有大量的油料作物种植，如大豆，准确掌握大豆种植信息，对于我国农作物种植普查、粮食安全、经济发展等具有重要的意义。以往的大豆种植信息调查多依托当地统计部门进行田间调查、抽样提取、面积估算等，该方法不仅效率低下，且难以获取精确的大豆种植信息。遥感技术是从远距离感知目标反射或自身辐射的电磁波、可见光、红外线，对目标进行探测和识别的技术，是由遥感器、遥感平台、信息传输设备、接收装置以及图像处理设备等组成，是一种非接触的、远距离探测技术，具有覆盖范围广、重访周期短、现势性强、数据获取与处理简便等优势，为农作物信息的精准获取提供了强有力的手段。
3.近年来，随着遥感技术的发展，越来越多的高分辨率卫星发生升空并应用到各行各业中，sentinel-2卫星于2015年发射，搭载的多光谱传感器每10天获取全球的10米分辨率卫星影像，2017年第二颗卫星的发射，将重放周期缩短至5天。sentinel-2卫星影像不仅具有较快的重访周期、较高的空间分辨率，同时也具有3个红边波段，2个短波红外波段，这些特点在农作物提取中具有很大的优势。目前基于sentinel-2卫星影像的小麦、玉米、水稻等主粮作物已有较多的研究，而对于大豆种植提取研究较少。
4.大豆作为油料作物，大豆耕地占地球耕地总量的主要部分，在主要农作物类别中排名第三。大豆可用作牲畜饲料、工业原料和人类食品，并且是世界上的主要农作物之一。大豆是理想的优质植物蛋白食品，是我们日常生活不可缺少的食用品。目前对于农作物信息的种植提取主要依靠机器学习算法，该算法是建立在大量的样本训练之上；如何寻找一种不需要大量的样本即可得到较高的分类精度的算法是目前农业遥感领域急需解决的问题。


技术实现要素：

5.有鉴于此，本发明提供一种基于sentinel-2影像的大豆种植信息遥感提取方法，利用大豆作物的物候特征与生长节点，通过丰富指数特征实现大豆作物高精度自动提取。
6.为解决上述技术问题，本发明提供一种基于sentinel-2影像的大豆种植信息遥感提取方法，包括如下步骤：
7.s1、分析特色作物物候特征并确定、选取生长时间节点；
8.s2、获取s1中选取的生长时间节点的sentinel-2影像，并进行预处理；
9.s3、利用s2中预处理后的sentinel-2影像进行多指数特征计算，并将计算的特征指数扩充到面向对象分类的特征空间库中，以丰富影像特征空间库；
10.s4；对s3中丰富后得到的影像特征空间库进行多尺度分割，得到各地物最优分割
对象；
11.s5、将s4中获得的最优分割对象带入到面向对象分类算法中进行分类计算，最终得到具有较高精度的特色作物分类提取成果。
12.进一步的，s1中，特色作物为大豆，大豆的物候特征包括种植期、发芽期、生长期、出枝期、开花期和结荚期，选取具有明显特征的开花期和结荚期为生长时间节点。
13.其中种植期、发芽期，大豆株高较低，且不能完全覆盖裸土，在卫星影像上仍以裸土信息为主，而在开花期、结荚期，大豆长势较好，且叶片叶绿素含量丰富，在卫星影像上的光谱特征较明显，多波段假彩色合成的卫星影像，可大致区分出大豆与同时期作物，如玉米。选用该时期作为生长时间节点，可为大豆种植信息遥感提取提供良好的时间窗口。
14.进一步的，s2中，采用python语言对选取的生长时间节点的sentinel-2影像进行批量的校正、重采样以及投影。
15.具体采用python语言，对l1c级卫星影像进行大气校正，消除大气对影像成像的影响，得到大气底层反射率产品；然后对其进行重采样，sentinel-2原始影像的13个波段有3种分辨率，分别为10米、20米、60米，采用python语言对其进行重采样，最终得到10米分辨率的多光谱影像；最终，通过python语言对其进行投影转换，得到完全覆盖永城市的拼接影像。
16.进一步的，s3中，利用s2中预处理后的sentinel-2影像进行多指数特征计算时，特征指数包括ndvi、evi、dvi、rvi、ndwi、cire、ndre1、ndre2、ndvire1、ndvire2、ndvire3。
17.其中，具体利用envi idl工具，对与处理后的sentinel-2影像进行波段组合计算，分别生成ndvi、evi、dvi、rvi、ndwi、cire、ndre1、ndre2、ndvire1、ndvire2、ndvire3等指数。
18.进一步的，对特征指数进行对比分析，筛选出对大豆具有强烈表达的特征指数作为优选的特征指数，并将筛选出的优选的特征指数扩充到面向对象分类的特征空间库中。
19.进一步的，所述优选的特征指数包括ndvi、dvi、ndwi、ndre1、ndre2；
20.所述ndvi、dvi、ndwi、ndre1、ndre2的表达式分别如下：
21.ndvi表达式如下所示：
[0022][0023]
其中nir为近红外波段反射率，r为红光波段反射率；
[0024]
dvi表达式如下所示：
[0025]
dvi＝nir-r
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0026]
其中nir为近红外波段反射率，r为红光波段反射率；
[0027]
ndwi表达式如下所示：
[0028][0029]
其中g为绿光波段反射率，nir为近红外波段反射率；
[0030]
ndre1表达式如下所示：
[0031]
[0032]
其中r
edg1
为第一红边波段1，r
edg2
为第二红边波段；
[0033]
ndvire2表达式如下所示：
[0034][0035]
其中r
edg1
为第一红边波段1，r
edg3
为第三红边波段。
[0036]
进一步的，s4中，对s3中丰富后得到的影像特征空间库进行多尺度分割时，具体通过调整分隔阈值得到各地物的最优分隔尺度，并附加样本信息，最终得到各地物最优分割对象。
[0037]
具体，利用envi软件，对选用的seintinel-2影像进行主成分分析，选用贡献率最高的第一波段进行纹理特征计算，共计算均值(mean)、方差(variance)、协同性(homogeneity)、对比度(contrast)、相异性(dissimilarity)、信息熵(entropy)、二阶矩(second moment)和相关性(correlation)8个纹理特征；
[0038]
计算后的8个纹理特征以及s3中的5个植被指数特征叠加到选用sentinel-2影像波段中，作为丰富后的特征空间库，然后对其进行多尺度分割，分别按照地物类型进行尺度调整，得到各地物的最优分割尺度，并附加样本信息，最终得到各地物最优分割对象。
[0039]
进一步的，s5中，将s4中获得的最优分割对象带入到面向对象分类算法中进行分类计算时，选用支持向量机算法，具体包括如下步骤：
[0040]
s51、导入最优分割对象，并进行特征信息提取统计、迭代训练，剔除误差信息，得到训练后的模型；
[0041]
s52、将s2中预处理后的sentinel-2影像与训练后的模型对比分类，最终得到具有较高精度的特色作物分类提取成果。
[0042]
本发明的上述技术方案的有益效果如下：
[0043]
1、本发明相对于传统的机器学习，不需要依赖大量的样本，可有效的节省样本采集的时间，并且，通过多指数计算、对比分析、最优指数特征筛选，为面向对象分类算法提供了丰富的特征空间，提升大豆的遥感特征，实现大豆种植信息的高精度提取。
[0044]
2、本发明从大豆的物候特征与影像综合特征入手设计分类算法，可实现不仅依赖于影像光谱特征的特色作物高精度提取，并且具有良好的可迁移性。
[0045]
3、本发明具有良好的适用性，可应用于大范围内的大豆种植信息提取，提高了大豆农作物的分类能力和分类精度。
附图说明
[0046]
图1为本发明实施例中基于sentinel-2影像的大豆种植信息遥感提取方法的流程图；
[0047]
图2为本发明实施例中选用支持向量机算法得到具有较高精度的特色作物分类提取成果的流程图；
[0048]
图3为本发明实施例中ndvi反演图；
[0049]
图4为本发明实施例中dvi反演图；
[0050]
图5为本发明实施例中ndwi反演图；
[0051]
图6为本发明实施例中ndre1反演图；
[0052]
图7为本发明实施例中ndre2反演图。
具体实施方式
[0053]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图1-7，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
[0054]
大豆作为油料作物，是我们日常生活不可缺少的食用品。目前对于农作物信息的种植提取主要依靠机器学习算法，该算法是建立在大量的样本训练之上；本发明相对于传统的机器学习，不需要依赖大量的样本，可有效的节省样本采集的时间，并且，通过多指数计算、对比分析、最优指数特征筛选，为面向对象分类算法提供了丰富的特征空间，保证提取精度。同时，本方法具有良好的适用性，可应用与大范围内的大豆种植信息提取。
[0055]
sentinel-2影像具有重放周期短、分辨率高、红边波段多等优势，在农作物提取中具有良好的应用前景。为了减少对样本的依赖，增加本方法的推广性，本发明引入了多种植被指数及其变种，以此丰富特征空间库，提升大豆的遥感特征，实现大豆种植信息的高精度提取。
[0056]
从大豆的物候特征与影像综合特征入手设计分类算法，可实现不仅依赖于影像光谱特征的特色作物高精度提取，并且具有良好的可迁移性。
[0057]
本发明实施例具体选择的研究区为河南省永城市，永城市位于河南省商丘市，地处苏鲁豫皖四省交界处，永城一直是主要农作物的良种繁育基地，更是大豆的主要种植基地。大豆有六个较为明显的物候期，分别为种植期、发芽期、生长期、出枝期、开花期和结荚期，其中种植期、发芽期，大豆株高较低，且不能完全覆盖裸土，在卫星影像上仍以裸土信息为主，而在开花期、结荚期，大豆长势较好，且叶片叶绿素含量丰富，在卫星影像上的光谱特征较明显，多波段假彩色合成的卫星影像，可大致区分出大豆与同时期作物，如玉米。选用开花期和结荚期作为时间节点，可为大豆种植信息遥感提取提供良好的时间窗口。
[0058]
如图1所示，一种基于sentinel-2影像的大豆种植信息遥感提取方法，包括如下步骤：
[0059]
s1、分析特色作物物候特征并确定、选取生长时间节点；
[0060]
其中，特色作物为大豆，大豆的物候特征包括种植期、发芽期、生长期、出枝期、开花期和结荚期，选取具有明显特征的开花期和结荚期为生长时间节点。
[0061]
s2、获取s1中选取的生长时间节点的sentinel-2影像，并进行预处理；
[0062]
其中，采用python语言对选取的生长时间节点的sentinel-2影像进行批量的校正、重采样以及投影。
[0063]
具体采用python语言，对l1c级卫星影像进行大气校正，消除大气对影像成像的影响，得到大气底层反射率产品；然后对其进行重采样，sentinel-2原始影像的13个波段有3种分辨率，分别为10米、20米、60米，采用python语言对其进行重采样，最终得到10米分辨率的多光谱影像；最终，通过python语言对其进行投影转换，得到完全覆盖永城市的拼接影像。
[0064]
s3、利用s2中预处理后的sentinel-2影像进行多指数特征计算，并将计算的特征
指数扩充到面向对象分类的特征空间库中，以丰富影像特征空间库；
[0065]
其中，具体利用s2中预处理后的sentinel-2影像进行多指数特征计算时，特征指数包括ndvi、evi、dvi、rvi、ndwi、cire、ndre1、ndre2、ndvire1、ndvire2、ndvire3。
[0066]
其中，对特征指数进行对比分析，筛选出对大豆具有强烈表达的特征指数作为优选的特征指数，并将筛选出的优选的特征指数扩充到面向对象分类的特征空间库中。
[0067]
其中，所述优选的特征指数包括ndvi、dvi、ndwi、ndre1、ndre2；
[0068]
所述ndvi、dvi、ndwi、ndre1、ndre2的表达式分别如下：
[0069]
ndvi表达式如下所示：
[0070][0071]
其中nir为近红外波段反射率，r为红光波段反射率；
[0072]
dvi表达式如下所示：
[0073]
dvi＝nir-r
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0074]
其中nir为近红外波段反射率，r为红光波段反射率；
[0075]
ndwi表达式如下所示：
[0076][0077]
其中g为绿光波段反射率，nir为近红外波段反射率；
[0078]
ndre1表达式如下所示：
[0079][0080]
其中r
edg1
为第一红边波段1，r
edg2
为第二红边波段；
[0081]
ndvire2表达式如下所示：
[0082][0083]
其中r
edg1
为第一红边波段1，r
edg3
为第三红边波段。
[0084]
具体利用envi idl工具，对与处理后的sentinel-2影像进行波段组合计算，分别生成ndvi、evi、dvi、rvi、ndwi、cire、ndre1、ndre2、ndvire1、ndvire2、ndvire3等指数；并对反演的指数进行对比分析，筛选出对大豆有强烈表达的指数作为优选特征，筛选出的指数分别为ndvi、dvi、ndwi、ndre1、ndre2，各指数反演成果分别如图3、图4、图5、图6、图7所示，
[0085]
由图可知，各指数反演结果中大豆明显与其它作物区分开来，且大豆的指数反演数值高于周边玉米等其它作物，是因为选用的seintinel-2影像时相处于大豆的开花期与结荚期，该时期大豆的作物叶片对光谱的响应较其它作物更强烈，更易于区分。
[0086]
s4；对s3中丰富后得到的影像特征空间库进行多尺度分割，得到各地物最优分割对象；
[0087]
其中，对s3中丰富后得到的影像特征空间库进行多尺度分割时，具体通过调整分隔阈值得到各地物的最优分隔尺度，并附加样本信息，最终得到各地物最优分割对象。
[0088]
envi包含齐全的遥感影像处理功能：常规处理、几何校正、定标、多光谱分析、高光
谱分析、雷达分析、地形地貌分析、矢量应用、神经网络分析、区域分析、gps联接、正射影像图生成、三维图像生成、丰富的可供二次开发调用的函数库、制图、数据输入/输出等功能组成了图像处理软件中非常全面的系统。
[0089]
具体，利用envi软件，对选用的seintinel-2影像进行主成分分析，选用贡献率最高的第一波段进行纹理特征计算，共计算均值(mean)、方差(variance)、协同性(homogeneity)、对比度(contrast)、相异性(dissimilarity)、信息熵(entropy)、二阶矩(second moment)和相关性(correlation)8个纹理特征；
[0090]
计算后的8个纹理特征以及s3中的5个植被指数特征叠加到选用sentinel-2影像波段中，作为丰富后的特征空间库，然后对其进行多尺度分割，分别按照地物类型进行尺度调整，得到各地物的最优分割尺度，并附加样本信息，最终得到各地物最优分割对象。
[0091]
s5、将s4中获得的最优分割对象带入到面向对象分类算法中进行分类计算，最终得到具有较高精度的特色作物分类提取成果。
[0092]
其中，将s4中获得的最优分割对象带入到面向对象分类算法中进行分类计算时，选用支持向量机算法，具体包括如下步骤：
[0093]
s51、导入最优分割对象，并进行特征信息提取统计、迭代训练，剔除误差信息，得到训练后的模型；
[0094]
s52、将s2中预处理后的sentinel-2影像与训练后的模型对比分类，最终得到具有较高精度的特色作物分类提取成果。
[0095]
支持向量机是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，支持向量机算法是建立在统计学习理论基础之上的,是机器学习中识别精度较高的算法。
[0096]
本发明相对于传统的机器学习，不需要依赖大量的样本，可有效的节省样本采集的时间，并且，通过多指数计算、对比分析、最优指数特征筛选，为面向对象分类算法提供了丰富的特征空间，保证提取精度。同时，本方法具有良好的适用性，可应用与大范围内的大豆种植信息提取，提高了大豆农作物的分类能力和分类精度。
[0097]
以上所述是本发明的优选实施方式，在文中的“包括”、“包含”等词语解释为包含的含义而不是排他或穷举的含义；也就是说，是“包含但不限于”的含义。在不脱离本发明构思的前提下，还可以做出变形、同等替换、改进等，这些都属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。