一种适用于景观破碎区作物类型遥感识别的方法及系统技术方案

本发明专利技术公开了一种适用于景观破碎区作物类型遥感识别的方法及系统，该方法包括：根据作物物候特征获取目标区域的遥感影像，进行数据预处理；基于耕地数据计算目标区域的破碎度并分区；结合耕地数据及SVM算法识别得到的作物分布数据构建样本集；从各个破碎度分区中分别随机抽选训练样本集及测试集，作为样本输入包含细节特征提取模块、语义特征提取模块、浅层特征跳接操作模块和特征融合模块的多特征深度学习模型MFsNet完成作物识别模型的构建；将待识别目标区域影像输入模型得到作物类型识别结果。该方法通过从不同破碎度分区中抽选训练样本，确保了训练样本代表性，模型训练结果能够在景观破碎区域实现较高的作物类型识别精度。别精度。别精度。

【技术实现步骤摘要】
一种适用于景观破碎区作物类型遥感识别的方法及系统


[0001]本专利技术属于遥感图像处理和作物类型识别
，特别涉及一种适用于景观破碎区作物类型遥感识别的方法及系统。

技术介绍

[0002]基于短探测周期、大覆盖范围、强现势性等方面的优点，遥感技术能够支撑作物类型的准确、快速识别，主要是采用遥感分类方法，分析光谱、物候、空间等特征以及解析农学机理，将不同作物、其它类别地物进行区分的过程。遥感识别分类方法和特征的提取将直接影响作物识别的精度，需要工作量较大的人工干预，如手工提取特征，难以实现自动分类；难以提取到深层次的特征，提取特征都为层次较低的单一或少量的浅层特征，造成模型表征能力不足。
[0003]随着技术的进步，出现了神经网络在图像处理领域的应用；深度卷积神经网络(Deep Convolutional Neural Networks,DCNN,也称CNN)由于具有“端对端”、可提取深层特征等特性，能够克服传统分类方法的众多缺点。免去手工提取特征的操作，实现“端到端”的分类；能够自动、高效地提取深层的大量特征，具有很强的处理复杂分类问题的能力和很好的鲁棒性，在遥感影像分类领域得到了大量应用。
[0004]深度学习最初的动机是建立并模拟人脑进行学习分析。作为深度学习领域的重要内容，深度卷积神经网络能够将特征提取和分类这两个过程合并，实现“端对端”的图像识别；因其独特的卷积层、池化层等结构，使得深度卷积神经网络拥有“局部感知”、“权值共享”、“下采样”的特点。与传统的机器学习方法相比，深度卷积神经网络具有“端对端”的特性，可以免去手工提取特征的操作，够提取深层特征，具有很强的处理复杂分类问题的能力、鲁棒性，还具有出色的泛化能力。
[0005]在遥感识别任务中，深度卷积神经网络通过多个隐层对地物特征进行逐步提取，在此过程中，特征的层次逐渐加深，最终能提取到具有强大表征能力的地物深层特征，因此能够提高目标地物识别的精度。
[0006]但是，目前多数应用CNN于农业遥感领域的研究中，采用的模型多为模块单一、支路单一的较为简单的结构，由于连续的下采样操作，提取到深层特征缺乏细节信息，也鲜有对模型进行有针对性地设计去实现不同层次、不同类别的多特征提取，尤其缺乏对细节特征的关注，在农业景观复杂地区还存在局限性；因此，针对农业景观破碎地区的细碎地物的遥感识别并不适用。

技术实现思路

[0007]鉴于上述情况，本专利技术提出了一种适用于景观破碎区作物类型遥感识别的方法及系统，可解决传统分类方法的缺点和结构简单、模块单一的CNN模型在地块破碎地区的局限性问题。
[0008]为实现上述目的，本专利技术采取的技术方案为：
[0009]第一方面，本专利技术实施例提供一种适用于景观破碎区作物类型遥感识别的方法，包括以下步骤：
[0010]根据作物物候特征获取目标区域的遥感影像，进行数据预处理；
[0011]基于耕地数据计算所述目标区域破碎度并按破碎度指标进行分区；
[0012]利用SVM算法完成对各破碎度分区的遥感影像初步分类，并结合所述耕地数据完成作物类型样本标定，获得耕地地块内仅包含一种作物类型的样本数据；
[0013]从所述各破碎度分区中分别随机抽选相同数量的样本数据，构建作物类型训练样本集；
[0014]将所述训练样本集输入多特征深度学习模型MFsNet进行微调训练，不断迭代直至Loss收敛，最终参考测试损失辅助选择确定最优模型；所述多特征深度学习模型MFsNet包括细节特征提取模块、语义特征提取模块、浅层特征跳接操作模块和特征融合模块；
[0015]将待识别目标区域的遥感影像输入训练完成的MFsNet模型，完成农作物类型遥感识别。
[0016]进一步地，根据作物物候特征获取目标区域的遥感影像，进行数据预处理,包括：
[0017]根据作物物候特征获取目标区域的遥感影像，并对所述遥感影像进行辐射定标、正射校正、大气校正、投影转换和影像裁剪处理操作。
[0018]进一步地，基于耕地数据计算所述目标区域破碎度并按破碎度指标进行分区，包括：
[0019]将所述目标区域的耕地地块矢量数据转化为栅格数据，计算景观水平的斑块密度作为景观破碎度；
[0020]根据所述景观破碎度，按分位数将所述目标区域划分为若干破碎度分区，获得目标区域中不同破碎度分区下具有同一作物类型的遥感影像。
[0021]进一步地，作物类型样本标定的过程包括：
[0022]在每个耕地地块内，以像元数最多的作物类型进行标定，得到作物类型标记真值；如果地块内没有作物类型像元则标记为其他作物；
[0023]以得到耕地范围内、类型纯净的作物类型样本。
[0024]进一步地，所述多特征深度学习模型MFsNet的激活函数为ReLU函数。
[0025]进一步地，所述细节特征提取模块由一个最大池化层和四个卷积层组成；其中后两层设置为膨胀卷积层。
[0026]进一步地，所述语义特征提取模块以ResNet作为主干，在层数较深的34层ResNet进行深层特征提取后，与空间金字塔结构模块进行连接。
[0027]进一步地，所述浅层特征跳接操作模块，通过两层普卷积、两层空洞卷积提取较为底层特征；并让输入的原始数据通过一个3x3的卷积层之间连接到特征融合模块。
[0028]进一步地，所述特征融合模块，将所述细节特征提取模块、语义特征提取模块和浅层特征跳接操作模块各自提取得到的多种特征图进行融合；融合步骤包括：
[0029]经过一层Concat层将多种特征图进行叠加操作；
[0030]叠加完成后再经过一次上采样操作，使它们的尺寸大小和原图像相同；
[0031]通过3层3x3的卷积层对多种特征图的参数进行适应调整；
[0032]与Softmax层相连，最后一层输出特征图大小为128
×
128
×
4，每张特征图各个像
元的数值即对应该像元在该类别下的概率。
[0033]第二方面，本专利技术实施例还提供一种适用于景观破碎区作物类型遥感识别的系统，包括：
[0034]获取预处理模块，用于根据作物物候特征获取目标区域的遥感影像，进行数据预处理；
[0035]破碎度分区模块，用于基于耕地数据计算所述目标区域破碎度并按破碎度指标进行分区；
[0036]分类标定模块，利用SVM算法完成对各破碎度分区的遥感影像初步分类，并结合所述耕地数据完成作物类型样本标定，获得耕地地块内仅包含一种作物类型的样本数据；
[0037]构建样本集模块，用于从所述各破碎度分区中分别随机抽选相同数量的样本数据，构建作物类型训练样本集；
[0038]训练模块，用于将所述训练样本集输入多特征深度学习模型MFsNet进行微调训练，不断迭代直至Loss收敛，最终参考测试损失辅助选择确定最优模型；所述多特征深度学习模型MFsNet包括细节特征提取模块、语义特征提取模块、浅层特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，包括以下步骤：根据作物物候特征获取目标区域的遥感影像，进行数据预处理；基于耕地数据计算所述目标区域破碎度并按破碎度指标进行分区；利用SVM算法完成对各破碎度分区的遥感影像初步分类，并结合所述耕地数据完成作物类型样本标定，获得耕地地块内仅包含一种作物类型的样本数据；从所述各破碎度分区中分别随机抽选相同数量的样本数据，构建作物类型训练样本集；将所述训练样本集输入多特征深度学习模型MFsNet进行微调训练，不断迭代直至Loss收敛，最终参考测试损失辅助选择确定最优模型；所述多特征深度学习模型MFsNet包括细节特征提取模块、语义特征提取模块、浅层特征跳接操作模块和特征融合模块；将待识别目标区域的遥感影像输入训练完成的MFsNet模型，完成农作物类型遥感识别。2.如权利要求1所述的一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，根据作物物候特征获取目标区域的遥感影像，进行数据预处理,包括：根据作物物候特征获取目标区域的遥感影像，并对所述遥感影像进行辐射定标、正射校正、大气校正、投影转换和影像裁剪处理操作。3.根据权利要求2所述的一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，基于耕地数据计算所述目标区域破碎度并按破碎度指标进行分区，包括：将所述目标区域的耕地地块矢量数据转化为栅格数据，计算景观水平的斑块密度作为景观破碎度；根据所述景观破碎度，按分位数将所述目标区域划分为若干破碎度分区，获得目标区域中不同破碎度分区下具有同一作物类型的遥感影像。4.根据权利要求1所述的一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，作物类型样本标定的过程包括：在每个耕地地块内，以像元数最多的作物类型进行标定，得到作物类型标记真值；如果地块内没有作物类型像元则标记为其他作物；以得到耕地范围内、类型纯净的作物类型样本。5.根据权利要求1所述的一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，所述多特征深度学习模型MFsNet的激活函数为ReLU函数。6.根据权利要求1所述的一种适用于景观破碎区作物类型遥感识别的方法，其特征在于，所述细节特征提取模块由一个最大池化层和四...

【专利技术属性】
技术研发人员：梁治华，丁志平，朱爽，
申请(专利权)人：北京艾尔思时代科技有限公司，
类型：发明
国别省市：