一种融合多源地理信息数据的农作物分类方法技术

本发明专利技术涉及一种融合多源地理信息数据的农作物分类方法，包括：获取目标区域中农作物生产周期范围内的多景多时相卫星影像数据，对卫星影像数据进行预处理的操作；对卫星影像数据进行多维特征因子的提取，特征因子包括：光谱、纹理和植被指数；对各个特征因子进行不同组合下的多通道数据融合，将不同组合的多通道融合数据结合地面真实样本训练支持向量机分类器，基于训练完成的支持向量机分类器得到农作物分类初始结果；使用到了多源数据，该多源数据包括难以获取的土地利用数据和农作物分类很少用到的农经权数据，基于该土地利用现状数据准确的地块类别信息以及农经权数据精细的地块分类对作物分类结果进行重分类，能够实现作物分类结果的优化。现作物分类结果的优化。现作物分类结果的优化。

【技术实现步骤摘要】
一种融合多源地理信息数据的农作物分类方法


[0001]本专利技术涉及农作物分类领域，尤其涉及一种融合多源地理信息数据的农作物分类方法。

技术介绍

[0002]利用遥感方式及时、有效地获取主要农作物种植分布信息，对农作物种植结构调查、长势监测和产量估算具有重要意义，同时可以为农业部门制定政策与发展规划、农户生产选择及企业经营管理提供数据支撑。目前，现有作物分类研究主要利用遥感影像的光谱特征或提取遥感时序植被指数基于随机森林、支持向量机等机器学习方法进行作物种植范围的提取。然而农作物种类丰富、结构复杂、同物异谱和同谱异物现象较多，仅依赖于遥感影像单一数据源以及单一的数据特征难以实现高精度的作物分类。

技术实现思路

[0003]本专利技术针对现有技术中存在的技术问题，提供一种融合多源地理信息数据的农作物分类方法，使用到了多源数据，该多源数据包括难以获取的土地利用数据和农作物分类很少用到的农经权数据，基于该土地利用现状数据准确的地块类别信息以及农经权数据精细的地块分类对作物分类结果进行重分类，能够实现作物分类结果的优化。
[0004]根据本专利技术的第一方面，提供了一种融合多源地理信息数据的农作物分类方法，包括：步骤1，获取目标区域中农作物生产周期范围内的多景多时相卫星影像数据，对所述卫星影像数据进行预处理的操作；步骤2，对所述卫星影像数据进行多维特征因子的特征提取，所述特征因子包括：光谱、纹理和植被指数；步骤3，对各个所述特征因子进行不同组合下的多通道数据融合，将所述不同组合的多通道融合数据结合地面真实样本训练支持向量机分类器，基于训练完成的所述支持向量机分类器得到农作物分类初始结果。
[0005]在上述技术方案的基础上，本专利技术还可以作出如下改进。
[0006]可选的，所述步骤1中对所述影像数据进行预处理的操作包括：去云、正射校正、辐射定标、大气校正、图像镶嵌以及图像裁剪中的一个或多个。
[0007]可选的，所述步骤2中对所述卫星影像数据进行光谱特征提取时，提取的波段包括可见光蓝波段、可见光绿、可见光红和近红外波段。
[0008]可选的，所述步骤2中进行纹理特征提取的过程包括：针对所述卫星影像数据的可见光蓝波段、可见光绿、可见光红和近红外波段四个波段计算多组常用的植被指数；通过相关性分析剔除相关性超过设定阈值的植被指数；结合地面实测样本采用TD方法分析地物类别间的可分性，提取多组地物类别的分离度，计算出各个植被指数对应的分离度，基于各个植被指数的分离度进行加权处理计算
得到其综合植被指数因子。
[0009]可选的，采用TD方法分析地物类别间的可分性的过程为计算各个地物类别间的TD距离，TD距离函数为：；其中，为地物类别x和y间的离散度：；和为地物类别x和y的协方差矩阵，和为地物类别x和y的平均矢量,tr表示矩阵对角线元素之和。
[0010]可选的，所述综合植被指数因子的计算公式为：；其中,表示综合植被指数因子,n表示相关性分析筛选后的植被指数数量，表示第i个植被指数，表示第i个植被指数计算出的分离度。
[0011]可选的，所述步骤2中对所述卫星影像数据进行纹理特征提取的过程包括：针对所述卫星影像的多光谱数据进行主成分分析，将所述主成分分析得到的第一分量作为纹理特征提取的特征图像，提取所述特征图像中灰度共生矩阵的熵和角二阶矩阵特征。
[0012]可选的，所述步骤3中各个所述特征因子的不同组合包括：对光谱、纹理和植被指数中的任意1个、2个或3个进行组合生成7个组合结果。
[0013]可选的，所述步骤3之后还包括：步骤4，将所述农作物分类初始结果与土地利用现状数据、农经权地块数据进行叠加，对所述农作物分类初始结果进行优化后得到农作物分类优化结果。
[0014]可选的，所述步骤4包括：步骤401，通过土地利用现状数据的水田、水浇地和旱地3个二级地类认定细则，确定不同农作物在土地利用现状数据中的归属情况，明确叠加逻辑，将划分至错误类别的结果进行重分类；步骤402，针对指定地块，当任一农作物x的分类结果占据地块面积75%以上，或者所述指定地块中某一农作物占据地块60%以上且其余地物面积均在8%以下，则认定所述指定地块的土地利用类型为所述农作物x，将所述指定地块的其他地物重新分类为所述农作物x。
[0015]本专利技术提供的一种融合多源地理信息数据的农作物分类方法，多源地理信息数据包括Sentinel 2影像、土地利用现状数据和农经权地块数据；通过特征工程构建综合植被指数因子的方法；基于作物生育期和作物表型特点对Sentinel 2影像数据进行挖掘，构建光谱、纹理和植被指数多维特征集，通过特征工程实现特征因子的降维，针对植被指数特征使用改进的TD方法构建了信息量大、冗余性低的综合植被指数因子；本专利技术提供多种分类
方案，能够为作物分类提供多维、冗余性低且有效的特征数据集，并满足不同作物的分类需求。
附图说明
[0016]图1为本专利技术提供的一种融合多源地理信息数据的农作物分类方法的实施例的流程图；图2 本专利技术提供的一种作物分类初始结果与土地利用现状数据叠加逻辑的具体应用实施例的示意图；图3 本专利技术提供的一种作物分类初始结果优化过程的具体应用实施例的示意图。
具体实施方式
[0017]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0018]图1为本专利技术提供的一种融合多源地理信息数据的农作物分类方法的实施例的流程图，如图1所示，该农作物分类方法包括：步骤1，获取目标区域中农作物生产周期范围内的多景多时相卫星影像数据，对影像数据进行预处理的操作。
[0019]具体实施中，该卫星影像数据可以为Sentinel 2影像数据，欧洲航天局发射的哨兵2号卫星（Sentinel
‑
2A/B），双星采集数据可达到5天更新一次，其可见光和近红外波段的分辨率为10 m，能够收集多时相、高分辨率的多光谱数据。土地利用现状数据可以提供土地利用要素的状态、特征、动态变化、分布特点，该数据将地物分为湿地、耕地、林地等多个一级类。每个一级类会进一步细分为二级类，其中耕地被划分为水田、水浇地和旱地3个二级类，而不同农作物会按规则分别划分至对应的二级类中。农村土地承包经营权（简称农经权）地块数据包含家庭农户承包土地的地块、面积、空间位置等信息，具有更精细的地块划分，但未记录明确的土地利用类别。通过融合Sentinel 2影像、土地利用现状以及农经权地块多源地理信息数据进行农作物分类，能够弥补单一数据源和单一数据特征造成的农作物误分割现象，一定程度上提高农作物分类精度。
[0020]步骤2，对卫星影像数据进行多维特征因子的提取，特征因子包括：光谱、纹理和植被指数。
[0021]步骤3，对各个特征因子进行不同组合下的多通道数据融合，将不同组合的多通道融合数据结合地面真实样本训练支持向量机分类器，基于训练完成的支持向量机分类器得到农作物分类初始结果。
[0022]针本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多源地理信息数据的农作物分类方法，其特征在于，所述农作物分类方法包括：步骤1，获取目标区域中农作物生产周期范围内的多景多时相卫星影像数据，对所述卫星影像数据进行预处理的操作；步骤2，对所述卫星影像数据进行多维特征因子的提取，所述特征因子包括：光谱、纹理和植被指数；步骤3，对各个所述特征因子进行不同组合下的多通道数据融合，将所述不同组合的多通道融合数据结合地面真实样本训练支持向量机分类器，基于训练完成的所述支持向量机分类器得到农作物分类初始结果。2.根据权利要求1所述的农作物分类方法，其特征在于，所述步骤1中对所述影像数据进行预处理的操作包括：去云、正射校正、辐射定标、大气校正、图像镶嵌以及图像裁剪中的一个或多个。3.根据权利要求1所述的农作物分类方法，其特征在于，所述步骤2中对所述卫星影像数据进行光谱特征提取时，提取的波段包括可见光蓝波段、可见光绿、可见光红和近红外波段。4.根据权利要求3所述的农作物分类方法，其特征在于，所述步骤2中进行纹理特征提取的过程包括：针对所述卫星影像数据的可见光蓝波段、可见光绿、可见光红和近红外波段四个波段计算多组常用的植被指数；通过相关性分析剔除相关性超过设定阈值的植被指数；结合地面实测样本采用TD方法分析地物类别间的可分性，提取多组地物类别的分离度，计算出各个植被指数对应的分离度，基于各个植被指数的分离度进行加权处理计算得到其综合植被指数因子。5.根据权利要求4所述的农作物分类方法，其特征在于，采用TD方法分析地物类别间的可分性的过程为计算各个地物类别间的TD距离，TD距离函数为：；其中，为地物类别x和y间的离散度：；和为地物类别x和y的协方差矩阵，...

【专利技术属性】
技术研发人员：李江，谢田晋，罗冷坤，吴燕平，姜益民，刘琛，张小朋，
申请(专利权)人：湖北省自然资源厅信息中心，
类型：发明
国别省市：