一种农作物自动化分类方法及系统技术方案

本发明专利技术涉及一种农作物分类方法及系统，方法包括：获取待分类农作物的CDL数据；获取待分类农作物的历史遥感数据；根据所述CDL数据以及所述历史遥感数据训练神经网络模型，得到农作物自动化分类模型；根据当前农作物的遥感数据以及所述农作物自动化分类模型进行农作物分类。CDL数据以及历史遥感数据可以获得在大空间尺度上农作物的多样化光谱特征信息，本发明专利技术利用CDL数据以及历史遥感数据训练的神经网络模型进行农作物分类，农作物分类精准极高。农作物分类精准极高。农作物分类精准极高。

【技术实现步骤摘要】
一种农作物自动化分类方法及系统


[0001]本专利技术涉及农作物分类
，特别是涉及一种农作物自动化分类方法及系统。

技术介绍

[0002]利用卫星遥感数据并结合机器学习算法的方法成为主流的作物制图范式。但是这些分类方法往往针对于一个特定地区或者特定日期，在世界其他地区的泛化性能如何并没有经过评估。在另一方面，由于训练样本的获取和标注费时费力，甚至在有些地区难以获得真值样本，影响模型识别精度。
[0003]CDL(Cropland Data Layer)是目前任意访问、免费共享且高精度的作物类型分类产品数据。现有的利用CDL数据进行模型训练然后进行空间迁移的方法无法解决大尺度区域模型迁移问题，尤其当跨洲际尺度，由于纬度等因素的差异造成作物生长期长短发生显著变化和无法获得足够的时间序列数据(目标区域数据与训练区域数据维度保持一致)，采用时间序列的方法会带来严重的误分，难以推广应用。

技术实现思路

[0004]本专利技术的目的是提供一种农作物自动化分类方法及系统，以提高农作物分类精准度。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种农作物自动化分类方法，所述农作物自动化分类方法包括：
[0007]获取待分类农作物的CDL数据；
[0008]获取待分类农作物的历史遥感数据；
[0009]根据所述CDL数据以及所述历史遥感数据训练神经网络模型，得到农作物自动化分类模型；
[0010]根据当前农作物的遥感数据以及所述农作物自动化分类模型进行农作物分类。
[0011]可选地，所述历史遥感数据获取过程包括：
[0012]获取待分类农作物播种时段的时间窗口遥感数据以及生长旺盛时段的时间窗口遥感数据；
[0013]采用中值合成法将所述播种时段的时间窗口遥感数据以及所述生长旺盛时段的时间窗口遥感数据分别合成无云影像；
[0014]获取所述无云影像的蓝、绿、红、近红、短波红外一以及短波红外二波段的数据，得到历史遥感数据。
[0015]可选地，所述待分类农作物播种时段为待分类农作物播种后两个月内的时间段，所述待分类农作物生长旺盛时段为待分类农作物的归一化植被指数达到最大值时的时间段。
[0016]可选地，所述农作物自动化分类模型训练过程包括：
[0017]将所述CDL数据和所述历史遥感数据进行合成，得到合成数据；
[0018]将所述合成数据划分为训练样本以及验证样本；
[0019]将所述训练样本输入U
‑
Net模型进行训练，得到农作物自动化分类模型。
[0020]可选地，所述农作物自动化分类模型训练过程还包括：
[0021]利用所述验证样本对所述农作物自动化分类模型进行验证。
[0022]可选地，所述U
‑
Net模型的初始学习率为0.00001，所述U
‑
Net模型的batch size为10。
[0023]可选地，所述U
‑
Net模型由编码器和解码器构成。
[0024]一种农作物自动化分类系统，所述农作物自动化分类系统包括：
[0025]第一获取模块，用于获取待分类农作物的CDL数据；
[0026]第二获取模块，用于获取待分类农作物的历史遥感数据；
[0027]模型训练模块，用于根据所述CDL数据以及所述历史遥感数据训练神经网络模型，得到农作物自动化分类模型；
[0028]农作物分类模块，用于根据当前农作物的遥感数据以及所述农作物自动化分类模型进行农作物分类。
[0029]可选地，所述第二获取模块包括：
[0030]第一获取单元，用于获取待分类农作物播种时段的时间窗口遥感数据以及生长旺盛时段的时间窗口遥感数据；
[0031]第一合成单元，用于采用中值合成法将所述播种时段的时间窗口遥感数据以及所述生长旺盛时段的时间窗口遥感数据分别合成无云影像；
[0032]第二获取单元，用于获取所述无云影像的蓝、绿、红、近红、短波红外一以及短波红外二波段的数据，得到历史遥感数据。
[0033]可选地，所述模型训练模块包括：
[0034]第二合成单元，将所述CDL数据和所述历史遥感数据进行合成，得到合成数据；
[0035]划分单元，用于将所述合成数据划分为训练样本以及验证样本；
[0036]模型训练单元，用于将所述训练样本输入U
‑
Net模型进行训练，得到农作物自动化分类模型。
[0037]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0038]本专利技术公开了一种农作物自动化分类方法及系统，方法包括：获取待分类农作物的CDL数据；获取待分类农作物的历史遥感数据；根据所述CDL数据以及所述历史遥感数据训练神经网络模型，得到农作物自动化分类模型；根据当前农作物的遥感数据以及所述农作物自动化分类模型进行农作物分类。CDL数据以及历史遥感数据可以获得在大空间尺度上农作物的多样化光谱特征信息，本专利技术利用CDL数据以及历史遥感数据训练的神经网络模型进行农作物分类，农作物分类精准极高。
附图说明
[0039]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图
获得其他的附图。
[0040]图1为本专利技术实施例提供的农作物自动化分类方法流程图。
具体实施方式
[0041]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0042]本专利技术的目的是提供一种农作物自动化分类方法及系统，以提高农作物分类精准度。
[0043]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0044]如图1所示，农作物自动化分类方法包括：
[0045]步骤101：获取待分类农作物的CDL数据。
[0046]CDL数据为覆盖美国全境的农作物类型数据，包含大量的农作物种植信息，既包括大面积种植作物，如大豆、玉米以及水稻等，也包括其他小面积种植的作物。
[0047]步骤102：获取待分类农作物的历史遥感数据。步骤102具体包括：
[0048]步骤1021：获取待分类农作物播种时段的时间窗口遥感数据以及生长旺盛时段的时间窗口遥感数据。
[0049]步骤1022：采用中值合成法将播种时段的时间窗口遥感数据以及生长旺盛时段的时间窗口遥感数据分别合成无云影像。
[0050]步骤1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种农作物自动化分类方法，其特征在于，所述农作物自动化分类方法包括：获取待分类农作物的CDL数据；获取待分类农作物的历史遥感数据；根据所述CDL数据以及所述历史遥感数据训练神经网络模型，得到农作物自动化分类模型；根据当前农作物的遥感数据以及所述农作物自动化分类模型进行农作物分类。2.根据权利要求1所述的农作物自动化分类方法，其特征在于，所述历史遥感数据获取过程包括：获取待分类农作物播种时段的时间窗口遥感数据以及生长旺盛时段的时间窗口遥感数据；采用中值合成法将所述播种时段的时间窗口遥感数据以及所述生长旺盛时段的时间窗口遥感数据分别合成无云影像；获取所述无云影像的蓝、绿、红、近红、短波红外一以及短波红外二波段的数据，得到历史遥感数据。3.根据权利要求2所述的农作物自动化分类方法，其特征在于，所述待分类农作物播种时段为待分类农作物播种后两个月内的时间段，所述待分类农作物生长旺盛时段为待分类农作物的归一化植被指数达到最大值时的时间段。4.根据权利要求1所述的农作物自动化分类方法，其特征在于，所述农作物自动化分类模型训练过程包括：将所述CDL数据和所述历史遥感数据进行合成，得到合成数据；将所述合成数据划分为训练样本以及验证样本；将所述训练样本输入U
‑
Net模型进行训练，得到农作物自动化分类模型。5.根据权利要求4所述的农作物自动化分类方法，其特征在于，所述农作物自动化分类模型训练过程还包括：利用所述验证样本对所述农作物自动化分类模型进行验证。6.根据权利要求4所述的农作物自动化分类方法，其特征在于，所述U
‑<...

【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：