【技术实现步骤摘要】
一种基于多维特征融合的区域农作物分类方法及系统
本专利技术涉及农业遥感
,尤其涉及一种基于多维特征融合的区域农作物分类方法及系统。
技术介绍
农作物分类问题是农业遥感中的重要基础科学问题,其结果不仅关系到农作物面积以及分布等监测指标的精度,还会影响到农作物的长势监测以及农作物估产等的结果。现有通过遥感数据进行农作物分类的方法有很多,其分类原理主要为:1)不同作物间的光谱差异;2)不同作物间的纹理差异;3)不同作物的物候存在差异,体现为生长序列的差异。其中,纹理差异是通过不同地物对光谱的吸收以及反射是存在差异,利用光谱反射的差异来进行农作物的区分。然而,现有的农作物分类方法在对不同区域内的农作物进行分类时,传仅仅使用单一的特征,农作物分类精度有限,不能全面分析不同区域内农作物的分布情况;并且,针对地块破碎地区的农作物分类,暂未提出有效的方法,通常,在多云多雨地区,作物生长关键时期的光学影像往往由于云雨等影响无法获得,降低了农作物分类效果的准确度和农作物的识别精度。因此,现在亟需一种基于多维特征融合的区域农 ...
【技术保护点】
1.一种基于多维特征融合的区域农作物分类方法,其特征在于,包括:/n获取目标区域农作物的第一光学遥感数据、第二光学遥感数据和合成孔径雷达后向散射特征,所述第二光学遥感数据的空间分辨率高于所述第一光学遥感数据的空间分辨率;/n获取所述第一光学遥感数据中的光谱特征,并基于时间序列,对所述第一光学遥感数据进行物候特征提取,以根据所述光谱特征和提取得到的物候特征,得到光谱-物候特征;根据纹理特征提取算法,对所述第二光学遥感数据进行纹理特征提取,得到纹理特征;/n将所述光谱-物候特征、所述纹理特征和所述合成孔径雷达后向散射特征进行特征融合处理,得到多特征融合数据;/n根据所述多特征融 ...
【技术特征摘要】
1.一种基于多维特征融合的区域农作物分类方法,其特征在于,包括:
获取目标区域农作物的第一光学遥感数据、第二光学遥感数据和合成孔径雷达后向散射特征,所述第二光学遥感数据的空间分辨率高于所述第一光学遥感数据的空间分辨率;
获取所述第一光学遥感数据中的光谱特征,并基于时间序列,对所述第一光学遥感数据进行物候特征提取,以根据所述光谱特征和提取得到的物候特征,得到光谱-物候特征;根据纹理特征提取算法,对所述第二光学遥感数据进行纹理特征提取,得到纹理特征;
将所述光谱-物候特征、所述纹理特征和所述合成孔径雷达后向散射特征进行特征融合处理,得到多特征融合数据;
根据所述多特征融合数据,获取对应的评价指标,并按照时间顺序将评价指标进行排序,得到所述目标区域农作物的多时相多特征数据集;
将所述多时相多特征数据集输入到训练好的区域农作物分类模型中,得到所述目标区域农作物的分类结果,其中,所述训练好的区域农作物分类模型是通过标记有分类标签的样本多时相多特征数据集,对神经网络模型进行训练得到的。
2.根据权利要求1所述的基于多维特征融合的区域农作物分类方法,其特征在于,所述训练好的区域农作物分类模型通过以下步骤得到:
根据样本区域农作物的第一光学遥感样本数据、第二光学遥感样本数据和合成孔径雷达后向散射样本特征,得到所述样本区域农作物的多时相多特征样本数据集,其中,所述第一光学遥感样本数据为Sentinel-2和Landsat-8的光学遥感数据,所述第二光学遥感样本数据为GF-1、GF-2或GF-6的PMS相机采集的光学遥感数据,所述合成孔径雷达后向散射样本特征为Sentinel-1的雷达多极化数据;
对所述多时相多特征样本数据集的图像区域标记分类标签,构建样本数据集;
根据所述样本数据集,对神经网络模型进行训练,得到训练好的区域农作物分类模型,其中,所述神经网络模型为U-net模型。
3.根据权利要求1所述的基于多维特征融合的区域农作物分类方法,其特征在于,所述光谱-物候特征包括绿度差异特征数据、冠层含水量差异特征数据和生物量差异特征数据。
4.根据权利要求1所述的基于多维特征融合的区域农作物分类方法,其特征在于,所述纹理特征提取算法据包括:灰度共生矩阵、小波变换提取法、Gabor滤波器提取或局部二值模式。
5.根据权利要求1所述的基于多维特征融合的区域农作物分类方法,其特征在于,所述评价指标包括:归一化植被指数、增强植被指数、比值植被指数、归一化差值水分...
【专利技术属性】
技术研发人员:黄健熙,牛全弟,黄敬峰,冯权泷,苏伟,李雪草,
申请(专利权)人:中国农业大学,浙江大学,
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。