【技术实现步骤摘要】
基于云覆盖遥感影像和深度学习的作物识别方法和系统
本专利技术涉及农业遥感
,特别涉及一种基于云覆盖遥感影像和深度学习的作物识别方法和系统,适用于不同农田系统的农业遥感监测研究。
技术介绍
据联合国预测,到2050年世界人口将增至97亿,这对全球的粮食供应系统提出了巨大的挑战。农业遥感监测工作是保障国家粮食安全、农业资源可持续发展的重要手段;而作物类型图是农业遥感监测工作的重要组成部分,为作物生长监测、灾害评估、产量估计等提供基础数据。由于我国耕地破碎程度高、作物类型丰富、种植模式复杂,准确、高效地估计作物的面积和分布是一项艰巨的任务。季节性是作物最突出的特征之一,每类作物的物候演变产生了独特的光谱反射率时间分布。因此,多时相遥感数据成为监测作物生长动态并对其进行分类的有效数据源。随着越来越多的卫星系统以前所未有的规模和速度生成高空分辨率的时间序列影像,如Sentinel-2A/B、Gaofen-1/6等,为农业监测工作提供新机遇的同时,对传统的作物分类方法提出了挑战:1)如何更充分地利用这些多光谱时间序列影像;2)针对海量的遥感数据,作物分类算法需具有高效性和可移植性。目前,基于机器学习的作物识别方法,依赖于特征提取、数据融合等过程,增加了误差传递风险、忽略了时序数据的季节模式和顺序关系,这些都在一定程度上影像了作物识别的准确性。与经典机器学习方法相比,深度学习方法允许机器获取原始数据(例如原始图像的像素值)并自动发现手动模型无法表达的多级别特征。其中,递归神经网络(RNN)和一维卷积神经网络(
【技术保护点】
1.一种基于云覆盖遥感影像和深度学习的作物识别方法,其特征在于,包括以下步骤:/nS1,收集遥感数据和作物地面样本数据;所述遥感数据为作物生育期内Sentinel-2时序数据;/nS2,对Sentinel-2影像进行预处理;/nS3,训练样本提取;/nS3-1,根据S1中获得的地面样本数据和S2获得的带有“0”标记的Sentinel-2时序数据,提取训练样本的时序数据;/nS3-2,采用L2-范数对样本进行通道归一化,所述通道为一个日期中Sentinel-2的一个波段;如果所有样本在一个通道上的记录为X=(x
【技术特征摘要】
1.一种基于云覆盖遥感影像和深度学习的作物识别方法,其特征在于,包括以下步骤:
S1,收集遥感数据和作物地面样本数据;所述遥感数据为作物生育期内Sentinel-2时序数据;
S2,对Sentinel-2影像进行预处理;
S3,训练样本提取;
S3-1,根据S1中获得的地面样本数据和S2获得的带有“0”标记的Sentinel-2时序数据,提取训练样本的时序数据;
S3-2,采用L2-范数对样本进行通道归一化,所述通道为一个日期中Sentinel-2的一个波段;如果所有样本在一个通道上的记录为X=(x1,x2,…,xn),通道的归一化如公式(1)所示:
||X||2=(|x1|2+|x2|2+…+|xn|2)1/2(1)
式中,n为样本的个数,xn为第n个样本的反射率,X为归一化向量;
S3-3,采用5-折交叉验证方法;由于每一类作物的样本量不同,为获取样本的无偏估计,在每一折交叉验证中,将每一类样本按照7:1:2的比例随机分为训练集、验证集和测试集,共得到5个训练集、验证集和测试集,分类结果取5个测试集的平均值;
S4,单波段评估;利用S3中单波段的5个训练集、验证集和测试集依次训练MaskLSTM-CNN模型,测试精度为5个测试集的平均值,最后比较每个波段的分类精度;
采用整体分类精度OA和Kappa系数来对作物的整体分类精度进行评价;同时还利用生产精度Aprod和用户精度Auser的调和平均值F1来评价每类作物的精度;
式中,N为测试集样本的个数,r为作物类别数,xii为预测标签和真实标签都为第i类的数量,xi+为真实标签为第i类的数量,x+i为为预测标签为第i类的数量;
S5,根据S4中评价的结果,根据OA由大到小的排序依次选择不同的波段组合,当两个波段的OA值相同时,选取Kappa值较大的波段;将不同的波段组合依次作为MaskLSTM-CNN模型的输入数据,评估每个组合的5-折交叉验证的平均分类精度,并与S4中的结果进行比较,选择分类精度最高的波段或波段组合对研究区域作物进行识别;根据每类作物的精度F1值,当对某一类作物进行识别时,可选取该作物F1值最高的波段或波段组合进行识别。
2.根据权利要求1所述的作物识别方法,其特征在于,步骤(1)中,所述遥感数据为作物生育期内Sentinel-2时序数据,包含Level-1C级产品中可见光B2~B4、红边B5~B7、近红外B8/B8A、短波红外B11/B12共计10个波段光谱数据。
3.根据权利要求2所述的作物识别方法,其特征在于,步骤(1)中,所述地面样本数据为作物类型和所在地理位置。
4.根据权利要求1所述的作物识别方法,其特征在于,步骤(2)中,包括大气校正、云识别、重采样步骤;所述大气校正采用sen2cor工具。
5.根据权利要求4所述的作物识别方法,其特征在于,步骤(2)中,所述云识别采用Fmask4.0算法识别影像中的云/云阴影像素,并将相应位置所有波段像素标记为“0”。
6.根据权利要求4所述的作物识别方法,其特征在于,步骤(2)中,所述重采样指将空间分辨率为20m的B5~B7、B8A、B11、B12影像重采样到10m。
7.根据权利要求1所述的作物识别方法,其特征在于,所述MaskLSTM-CNN模型包含两部分:MaskLSTM模块和CNN模块;
(1)MaskLSTM模块利用掩膜机制Mask对“0”标记的元素进行过滤;设X=(x1,x2,...,xT),式中,T作物生长季内Sentinel-2数据获取的次数,表示第t次数据获取的所有...
【专利技术属性】
技术研发人员:赵红伟,陈仲新,孙亮,刘佳,
申请(专利权)人:中国农业科学院农业资源与农业区划研究所,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。