一种基于Sentinel-2A/B数据的水稻种植面积提取方法技术

本发明专利技术为克服对于地块破碎的水稻种植面积估算精度较低的缺陷，提出一种基于Sentinel

【技术实现步骤摘要】
一种基于Sentinel
‑
2A/B数据的水稻种植面积提取方法


[0001]本专利技术涉及遥感影像信息提取
，更具体地，涉及一种基于Sentinel
‑
2A/B数据的水稻种植面积提取方法。

技术介绍

[0002]水稻是我国三大主要粮食作物之一，然而受到非农建设用地占用、自然灾害毁坏以及退耕还林还草等因素的影响，我国水稻种植面积逐年下降。传统的农作物种植面积估算采用人工区域调查方法，该方法需要大量人力物力进行现场大规模实地调查，该方法速度慢、工作量大、成本高，且在数据采集的过程中，受到现场环境影响和人为因素的影响比较大，数据的准确性会受到比较大的影响。
[0003]目前，由于现代卫星遥感技术具有宏观、快速、准确等优点，其被广泛应用到各类粮食作物种植面积的估算中。邓刚等人在提取MODIS陆地水分指数和增强植被指数时间序列数据集并对其进行去噪处理的基础上，建立了水稻种植面积决策树提取模型(邓刚,唐志光,李朝奎,陈浩,彭焕华,王晓茹.基于MODIS时序数据的湖南省水稻种植面积提取及时空变化分析[J].国土资源遥感,2020,32(02):177
‑
185.)。结果显示，利用MODIS数据对单一或者大面积的水稻种植面积提取效果较好，但是对于地块破碎的水稻种植面积估算存在估算精度较低的问题，且没有考虑不同地形以及南方天气多云雨的因素对估算精度造成的影响。

技术实现思路

[0004]本专利技术为克服上述现有技术所述的对于地块破碎的水稻种植面积估算精度较低的缺陷，提供一种基于Sentinel
‑
2A/B数据的水稻种植面积提取方法。
[0005]为解决上述技术问题，本专利技术的技术方案如下：
[0006]一种基于Sentinel
‑
2A/B数据的水稻种植面积提取方法，包括以下步骤：
[0007]获取目标区域的Sentinel
‑
2A/B数据并对其进行拼接、裁剪操作，得到完整的遥感图像后对其进行预处理；
[0008]对经过预处理的遥感图像建立特征工程，提取遥感图像的光谱特征、指数特征、纹理特征后进行叠加；
[0009]将叠加处理后的图像特征通过不同的监督分类方法进行目标作物分类；
[0010]对目标作物分类结果进行精度评估，选择分类精度最高的目标作物分类结果，根据不同遥感图像样本的光谱范围差异提取水稻的阈值，构建面向对象的决策树分类规则集，提取得到水稻区域，进一步通过计算水稻像素点占遥感图像的比重，计算得到水稻种植面积。
[0011]作为优选方案，对遥感图像进行预处理的步骤包括辐射定标、大气校正、超分辨率处理、去云处理。
[0012]作为优选方案，对遥感图像进行去云处理的步骤包括：对遥感图像中同一区域不
同时相的影像采用平均像素值法处理。
[0013]作为优选方案，采用主成分分析降维方法从遥感图像中提取光谱特征。
[0014]作为优选方案，所述指数特征包括植被指数、植被红边位置指数、水体植被指数、土壤亮度指数、增强植被指数。
[0015]作为优选方案，提取遥感图像的指数特征的步骤包括：
[0016]计算植被指数NDVI，其计算公式如下：
[0017]NDVI＝(B8
‑
B4)/(B8+B4)
[0018]式中，B8表示Sentinel
‑
2近红外波段，B4表示Sentinel
‑
2红波段；
[0019]计算植被红边位置指数REPI，其计算公式如下：
[0020]REPI＝705+35*((B4+B7)/2
‑
B5)/(B6
‑
B5)
[0021]式中，B6、B7表示Sentinel
‑
2近红外波段；
[0022]计算水体植被指数NDWI，其计算公式如下：
[0023]NDWI＝(B3
‑
B11)/(B3+B11)
[0024]式中，B3表示Sentinel
‑
2绿色波段，B11表示Sentinel
‑
2短波红外波段；
[0025]计算土壤亮度指数BI，其计算公式如下：
[0026]BI＝sqrt(((B4*B4*B4)+(B3*B3*B3)+(B8*B8*B8))/3)
[0027]计算增强植被指数EVI，其计算公式如下：
[0028]EVI＝2.5*(B8
‑
B4)/(B8+6*B4
‑
7.5*B2+1)
[0029]式中，B2表示Sentinel
‑
2蓝波段。
[0030]作为优选方案，提取遥感图像的纹理特征的步骤包括：将所述遥感图像转换为灰度图像并进行灰度级量化处理，采用灰度共生矩阵计算图像中一定距离和一定方向的两点灰度之间的相关性作为纹理特征值，并生成纹理特征影像。
[0031]作为优选方案，采用随机森林、支持向量机、神经网络监督分类方法分别对叠加处理后的图像特征进行目标作物分类。
[0032]作为优选方案，对目标作物分类结果进行精度评估的步骤包括：采用混淆矩阵对分类效果进行评价，通过计算分类精度与Kappa系数，选择分类精度最高的算法及分类结果。
[0033]作为优选方案，还包括以下步骤：进行目标作物分类后，对遥感图像中水稻区域与其他地物类型区域邻接的混合像元采用膨胀腐蚀操作进行滤除或保留。
[0034]与现有技术相比，本专利技术技术方案的有益效果是：本专利技术通过对小范围水稻种植区域进行识别及估算，通过监督学习的方法识别出水稻区域，并得到水稻在不同特征上的阈值范围，从而构成决策树的分类方法，应用到大面积作物面积的计算中，即可实现对于地块破碎的水稻种植面积估算；通过将光谱特征、指数特征以及纹理特征进行叠加，使得水稻分类特征更加明显，有利于提升水稻分类的精度，有效避免不同地形以及天气因素对估算精度造成的影响。
附图说明
[0035]图1为本专利技术的基于Sentinel
‑
2A/B数据的水稻种植面积提取方法的流程图。
[0036]图2为本专利技术的多时相互补的影像去云处理原理图。
[0037]图3为实施例2的广东省境内合成遥感图像。
[0038]图4为实施例2的广东省分幅示意图。
具体实施方式
[0039]附图仅用于示例性说明，不能理解为对本专利的限制；
[0040]对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0041]Sentinel
‑
2A/B，又称哨兵2号卫星，是高分辨率多光谱成像卫星，携带一枚多光谱成像仪(MSI)，用于陆地监测，可提供植被、土壤和水覆盖、内陆水路及海岸区域等图像，还可用于紧急救援服务。分为2A和2B两颗卫星。一颗卫星的重访周期为10天本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Sentinel
‑
2A/B数据的水稻种植面积提取方法，其特征在于，包括以下步骤：获取目标区域的Sentinel
‑
2A/B数据并对其进行拼接、裁剪操作，得到完整的遥感图像后对其进行预处理；对经过预处理的遥感图像建立特征工程，提取遥感图像的光谱特征、指数特征、纹理特征后进行叠加；将叠加处理后的图像特征通过不同的监督分类方法进行目标作物分类；对目标作物分类结果进行精度评估，选择分类精度最高的目标作物分类结果，根据不同遥感图像样本的光谱范围差异提取水稻的阈值，构建面向对象的决策树分类规则集，提取得到水稻区域，进一步通过计算水稻像素点占遥感图像的比重，计算得到水稻种植面积。2.根据权利要求1所述的水稻种植面积提取方法，其特征在于，对遥感图像进行预处理的步骤包括辐射定标、大气校正、超分辨率处理、去云处理。3.根据权利要求2所述的水稻种植面积提取方法，其特征在于，对遥感图像进行去云处理的步骤包括：对遥感图像中同一区域不同时相的影像采用平均像素值法处理。4.根据权利要求1所述的水稻种植面积提取方法，其特征在于，采用主成分分析降维方法从遥感图像中提取光谱特征。5.根据权利要求1所述的水稻种植面积提取方法，其特征在于，所述指数特征包括植被指数、植被红边位置指数、水体植被指数、土壤亮度指数、增强植被指数。6.根据权利要求5所述的水稻种植面积提取方法，其特征在于，提取遥感图像的指数特征的步骤包括：计算植被指数NDVI，其计算公式如下：NDVI＝(B8
‑
B4)/(B8+B4)式中，B8表示Sentinel
‑
2近红外波段，B4表示Sentinel
‑
2红波段；计算植被红边位置指数REPI，其计算公式如下：REPI＝705+35*((B4+B...

【专利技术属性】
技术研发人员：肖德琴，杨文涛，潘永琪，黄一桂，张远琴，曾瑞麟，刘又夫，冯健昭，殷建军，王春桃，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：