一种基于随机森林模型和迁移学习CDL知识的作物识别方法

技术特征：
1.一种基于随机森林模型和迁移学习cdl知识的作物识别方法，其特征在于，包括以下步骤：s1)基于识别区和训练样本选择区的积温、降雨等气候特征划定训练样本选择区的范围；s2)基于步骤s1中划定训练样本选择区的范围，利用随机分作物层抽样算法选取物训练样本点；s3)构建识别区和训练样本选择区10天时间序列遥感影像数据集；s4)利用步骤s2获取的采样点的位置信息，设为点位坐标数据集{x,y}，结合步骤s3的10天时间序列遥感影像数据集，得到采样点尺度的10天时间分辨率的作物遥感时间序列特征信息，构建作物遥感光谱特征曲线数据库；s5)设定随机森林模型训练参数，利用训练样本选择区的作物样本进行训练，其中所有样本中选取70％数量的样本进行训练；s6)利用迁移学习策略，将训练好的随机森林模型结合步骤s3获取的识别区的10天时间序列遥感影像数据集对识别区的作物进行识别。2.根据权利要求1所述的一种基于随机森林模型和迁移学习cdl知识的作物识别方法，其特征在于，所述的步骤s1)中的识别区为中国北方农牧交错区，所述的训练样本选择区美国cdl数据的采集区域，所述的作物为玉米和大豆。3.根据权利要求2所述的一种基于随机森林模型和迁移学习cdl知识的作物识别方法，其特征在于，所述的步骤s1中划定训练样本选择区的方法是基于多年平均有效活动积温、多年平均年降水和样本选择区多年cdl数据稳定像元位置信息构建地理数学模型，划定训练样本选择区，具体方法包括以下步骤：s11)下式(i)为有效活动积温模型表达式，其中，代表第doy天的连续5天滑动平均的温度，i和j是位置信息，代表经纬度；a等于有效活动积温开始日期sdt10，n等于有效活动积温结束日期edt10，当i早于a或者晚于n时候，s12)下式(ii)年降水计算模型表达式：其中，atp年年总降水量，p
m
是月尺度降水量；，i和j是位置信息，代表经纬度；。s13)下式(iii)多年cdl数据稳定作物像元计算模型表达式：
其中，pix
i，j
为cdl数据中有稳定作物的像元，它是通过计算2017-2021年连续五年cdl数据，通过逐像元求解数据交集获得的；i和j是位置信息，代表经纬度；s14)下式(iv)顾及有效活动积温、年降水及多年cdl数据稳定像元位置信息的地理数学模型表达式：roi
i，j
＝aat10
i，j
∩atp
i,j
∩pix
i，j
......(iv)其中，roi
i，j
为顾及有效活动积温、年降水及多年cdl数据稳定像元位置信息pix
i，j
确定的感兴趣区域；i和j是位置信息，代表经纬度。4.根据权利要求2所述的一种基于随机森林模型和迁移学习cdl知识的作物识别方法，其特征在于，所述的随机分作物层是将cdl数据分成不同的粮食作物层，即依据作物种类分成不同的数据层，分为玉米层、大豆层、其他作物层、非作物层四类，并基于分作物层随机抽样的方法，选取玉米、大豆、其他作物层作物训练数据，具体方法如下：s21)下式(v)为每一种作物层提取算法表达式：crop
i，j，layer
＝if(cdl
i，j
＝＝id
layer
)......(v)其中，crop
i，j，layer
为利用条件函数提取某一种作物数据；id
layer
表示玉米、大豆、其他作物的编号；layer表示玉米、大豆或者其他作物；i和j是位置信息，代表经纬度；s22)下式(vi)为顾及有效活动积温、年降水及多年cdl数据稳定像元位置信息的每种作物位置信息确定方法表达式：roi
i，j，layer
＝roi
i，j
∩crop
i，j，layer
......(vi)其中，roi
i，j，layer
为某一种作物训练样本可选择的区域；roi
i，j
为顾及有效活动积温aat10
i，j
、年降水atp
i，j
及多年cdl数据稳定像元位置信息pix
i，j
等确定的感兴趣区域；i和j是位置信息，代表经纬度，crop
i，j，layer
为利用条件函数提取某一种作物数据；s23)下式(vii)为在分层作物数据上随机采样的方法表达式：其中，代表某类作物layer上选取出的n个随机训练样本，i和j是位置信息，代表经纬度；minimum_allowed_distance为随机采样点与点之间允许的最小欧几里得距离。具体地，基于随机数生成器生成一系列roi范围内的随机点位，这些点位是由不同的坐标组成的，即(x，y)，其中x轴和y轴的最大最小值范围恰恰是中roi
i，j，layer
中经纬度的范围，随机生成点之间的距离是通过坐标转换以及计算点与点之间的欧几里得距离确定的，如果距离小于最小距离，则随机点不被使用，循环重复，直到满足样本需求为止，即达到n个随机点。5.根据权利要求1所述的一种基于随机森林模型和迁移学习cdl知识的作物识别方法，其特征在于，在所述的步骤s6之后，还包括步骤s7：分别利用野外调研实测点位数据和国家统计数据对步骤s6中的玉米和大豆作物识别结果进行精度评价。

技术总结
本发明涉及一种基于随机森林模型和迁移学习CDL知识的作物识别方法，包括以下步骤：S1)基于识别区和训练样本选择区的积温、降雨等气候特征划定训练样本选择区的范围；S2)基于步骤S1中划定训练样本选择区的范围，利用随机分作物层抽样算法选取物训练样本点；S3)构建识别区和训练样本选择区10天时间序列遥感影像数据集；S4)构建作物遥感光谱特征曲线数据库；S5)设定随机森林模型训练参数，利用训练样本选择区的作物样本进行训练；S6)利用迁移学习策略，将训练好的随机森林模型结合步骤S3获取的识别区的数据集对识别区的作物进行识别。本发明的作物识别方法不需要大量的野外实测样本数据，稳健性好，粮食作物识别精度高。粮食作物识别精度高。粮食作物识别精度高。


技术研发人员：刘正佳 刘彦随 王丝丝 陈芳鑫 王永生 王介勇
受保护的技术使用者：中国科学院地理科学与资源研究所
技术研发日：2022.07.05
技术公布日：2022/11/29