一种基于哨兵二号影像的耕地深度学习提取方法技术

本发明专利技术公开了一种基于Sentinel

【技术实现步骤摘要】
一种基于哨兵二号影像的耕地深度学习提取方法


[0001]本专利技术涉及耕地分割的遥感图像处理
，具体涉及一种基于哨兵二号影像的耕地深度学习提取方法。

技术介绍

[0002]耕地和粮食安全有着密切的关联，是人类生存和发展的重要基础资源。实时准确的掌握耕地的面积和分布是农业发展与调控的重要科学依据，对于各种应用都有广泛的意义。例如耕地动态监测、粮食生产力调查、粮食安全和农业产量预测等。
[0003]如今，遥感影像几乎覆盖了全球地表的每个地方，并且因其具有大面积和实时监测的优势，使其成为了获取耕地信息和空间分布的重要工具。传统的Sentinel
‑
2影像耕地制图的方法大多是基于机器学习算法的，例如随机森林(RF)、支持向量机(SVM)和决策树(DT)等。这些方法都是分析不同地物类型的光谱季节性的特征或利用各种指数的特征来区分不同地物的差异，然后使用相同地物的光谱季节性特征相似性或指数阈值的方法来实现耕地提取的。但是，传统的方法只能从原始影像数据中提取低级或中级特征，这对于大范围且不同类型的耕地提取的鲁棒性不是很强。...

【技术保护点】

【技术特征摘要】
1.一种基于哨兵二号影像的耕地深度学习提取方法，其特征在于，包括：步骤1，遥感影像预处理，包括采集同一区域内不同时相的Sentinel
‑
2遥感影像，进行去云、中值合成等预处理后得到处理好的影像；步骤2，分类数据预处理，包括获取相应区域内的土地利用分类数据，根据分类的标签值将数据分为耕地数据和背景数据；步骤3，构建样本库，包括将处理好的遥感数据和分类数据裁剪成大小一致的小块图像，然后将裁剪好的数据集划分为训练集和测试集；步骤4，构建改进的深度卷积神经网络，包括基于UNet网络，加入基于空洞卷积操作的上下文模块，该模块可以结合多尺度信息，扩大网络的感受野，用于提取输入影像的全局特征，可以更好的区分耕地和背景；步骤5，对改进的耕地提取网络进行训练，包括基于步骤3中样本库划分好的训练集，将其输入到步骤4中构建的深度卷积神经网络进行训练；步骤6，耕地提取，包括对待提取的Sentinel
‑
2遥感影像，通过步骤1中的预处理，将其分块通过步骤5中的训练好的模型进行预测，最后将结果拼接还原就得到了耕地提取结果。2.根据权利要求1所述一种基于哨兵二号影像的耕地深度学习提取方法，其特征在于：步骤1中遥感影像去云所采用的方法是利用Sentinel
‑
2影像的QA60波段标记来实现去云处理。3.根据权利要求1所述一种基于哨兵二号影像的耕地深度学习提取方法，其特征在于：步骤2中的分类数据是全球土地利用分类数据，且将其耕地标签值设为1，背景标签值设为0。4.根据权利要求1所述一种基于哨兵二号影像的耕地深度学习提取方法，其特征在于：步骤3中的影像裁剪是以256
×
256像素大小的滑动窗口来裁剪得到图像块的，并将裁剪后的影像进行归一化处理。5.根据权利要求1所述一种基于哨兵二号影像的耕地深度学习提取方法，其特征在于...

【专利技术属性】
技术研发人员：王加胜，王志敏，王丽蒙，杨昆，粟凡婕，陈鑫亚，赵喆，冉文静，饶珣，徐春晓，
申请(专利权)人：云南师范大学，
类型：发明
国别省市：