一种农作物高精度制图方法及系统技术方案

本发明专利技术提供一种农作物高精度制图方法及系统，该方法包括：根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合；将所述月均值时序合成影像集合输入到训练好的分类模型中，得到所述目标区域在所述预设年份内的农作物空间分布制图结果，其中，所述训练好的分类模型是由具有月均值时序合成影像像素特征的农作物采样点，对随机森林分类器进行训练得到的。本发明专利技术通过获取农作物区域的陆地卫星表面反射率影像，基于由随机森林分类器训练得到的分类模型，对陆地卫星表面反射率影像进行分类，得到农作物区域更为精准的空间分布图，更加准确的对农作物分布区域进行监测和评估。确的对农作物分布区域进行监测和评估。确的对农作物分布区域进行监测和评估。

【技术实现步骤摘要】
一种农作物高精度制图方法及系统


[0001]本专利技术涉及农业遥感
，尤其涉及一种农作物高精度制图方法及系统。

技术介绍

[0002]快速增长的人口和复杂的气候变化，为全球粮食安全带来了巨大压力。农作物空间分布监测，是调控农业生产、调整种植结构的重要基础之一，及时、准确地绘制高精度农作物分布图，对粮食安全和环境可持续发展至关重要。
[0003]随着卫星遥感和地面监测等技术的日渐成熟，农作物监测也越来越精准，基于遥感技术，在开展农作物制图及评价上正在发挥积极的作用。然而，由于高质量农作物样本不易收集，且大范围农作物分布区域制图也被明显的时空异质性干扰，严重限制了农作物空间分布制图精度。
[0004]因此，现在亟需一种农作物高精度制图方法及系统来解决上述问题。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供一种农作物高精度制图方法及系统。
[0006]本专利技术提供一种农作物高精度制图方法，包括：
[0007]根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合；
[0008]将所述月均值时序合成影像集合输入到训练好的分类模型中，得到所述目标区域在所述预设年份内的农作物空间分布制图结果，其中，所述训练好的分类模型是由具有农作物月均值时序合成影像像素特征的农作物采样点，对随机森林分类器进行训练得到的。
[0009]根据本专利技术提供的一种农作物高精度制图方法，所述训练好的分类模型通过以下步骤得到：
[0010]对目标农作物在生长周期内的样本陆地卫星表面反射率影像进行均值处理，得到样本月均值时序合成影像集合，并获取所述样本陆地卫星表面反射率影像对应区域的历史农作物分布区遥感影像数据；
[0011]对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像，并确定所述农作物种植区域影像中所有的农作物采样点；
[0012]基于所述农作物种植区影像中农作物的类型，对所述农作物采样点标记对应的农作物采样点类型标签，得到标签标记后的农作物采样点；
[0013]根据所述样本月均值时序合成影像集合中图像的像素值，为所述标签标记后的农作物采样点匹配对应的农作物月均值时序合成影像像素特征，构建得到训练样本集；
[0014]将所述训练样本集输入到随机森林分类器进行训练，得到训练好的分类模型。
[0015]根据本专利技术提供的一种农作物高精度制图方法，所述对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像，并确定所述农作物种植区域影像中所有的农作物采样点，包括：
[0016]根据不同年度的历史农作物分布区遥感影像数据之间的交集区域影像，确定初始农作物种植区域样本图像；
[0017]对所述初始农作物种植区样本图像进行图像腐蚀处理，得到农作物种植区域影像；
[0018]对所述农作物种植区域影像的质心进行提取，确定所述农作物种植区域影像中的第一初始农作物样本采样点；
[0019]删除所述第一初始农作物样本采样点中的第二初始农作物样本采样点，获取第三初始农作物样本采样点；其中，所述第二初始农作物样本采样点为所述农作物种植区域影像中农作物区域边界外的第一初始农作物样本采样点；
[0020]对所述第三初始农作物样本采样点进行判断，将满足预设分割阈值的第三初始农作物样本确定为所述农作物种植区域影像中对应的农作物采样点。
[0021]根据本专利技术提供的一种农作物高精度制图方法，在所述对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像之前，所述方法还包括：
[0022]在所述历史农作物分布区遥感影像数据内划分多个相同规格的格网单元；
[0023]所述将所述训练样本集输入到随机森林分类器进行训练，得到训练好的分类模型，包括：
[0024]步骤S1，基于预设选取条件和所述训练样本集，确定初始格网单元，并通过所述初始格网单元中的农作物采样点和非农作物采样点，构建得到初始采样点样本库；
[0025]步骤S2，将所述初始采样点样本库中的采样点，输入到随机森林分类器，得到初始分类模型；
[0026]步骤S3，根据所述初始格网单元，确定所述样本月均值时序合成影像集合的农作物采样区格网单元，得到基于农作物采样区格网单元构建的农作物采样区样本图像集合，并将所述农作物采样区样本图像集合输入到所述初始分类模型中，输出所述农作物采样区样本图像集合中每个农作物采样区格网单元对应的预测准确率，并得到第二分类模型；
[0027]步骤S4，将最低预测准确率的农作物采样区格网单元的农作物采样点和非农作物采样点，存储在所述初始采样点样本库中，得到目标采样点样本库；
[0028]步骤S5，将所述目标采样点样本库中的农作物采样点和非农作物采样点，输入到所述第二分类模型进行训练；
[0029]步骤S6，在当前轮次的训练完成之后，将所述最低预测准确率的农作物采样区格网单元中的农作物采样点和非农作物采样点再次加入到所述目标采样点样本库，得到更新后的目标采样点样本库，重复步骤S5至步骤S6，在满足预设训练条件之后，得到训练好的分类模型。
[0030]根据本专利技术提供的一种农作物高精度制图方法，所述根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合，包括：
[0031]获取预设年份内目标区域每月的陆地卫星表面反射率影像；
[0032]分别对每月的陆地卫星表面反射率影像进行均值处理，并确定均值处理后的陆地卫星表面反射率影像的波段特征，得到所述目标区域对应的月均值时序合成影像集合；
[0033]其中，所述波段特征包括红波段、绿波段、蓝波段、近红外波段、短波红外1波段、短波红外2波段和归一化植被指数波段，所述归一化植被指数波段是根据所述红波段和所述
近红外波段计算得到的。
[0034]根据本专利技术提供的一种农作物高精度制图方法，在所述将所述训练样本集输入到随机森林分类器进行训练，得到训练好的分类模型之后，所述方法还包括：
[0035]基于所述目标农作物每年的样本月均值时序合成影像集合，按照时序关系，将每年的样本月均值时序合成影像集合依次输入到训练好的分类模型中，得到每年的样本月均值时序合成影像集合各自对应的预测结果；
[0036]根据所述预测结果，确定目标样本月均值时序合成影像集合，所述目标样本月均值时序合成影像集合为最低预测精度对应年份的样本月均值时序合成影像集合；
[0037]根据目标样本月均值时序合成影像集合，确定对应年份的目标历史农作物分布区遥感影像数据，并通过所述目标历史农作物分布区遥感影像数据，对所述训练好的分类模型的参数进行优化，得到用于农作物时序分布制图的农作物年度分类模型；
[0038]将多个预设年份的月均值时序合成影像集合输入到所述农作物年度分类模型中，得到所述目标区域的农作物时序分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种农作物高精度制图方法，其特征在于，包括：根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合；将所述月均值时序合成影像集合输入到训练好的分类模型中，得到所述目标区域在所述预设年份内的农作物空间分布制图结果，其中，所述训练好的分类模型是由具有农作物月均值时序合成影像像素特征的农作物采样点，对随机森林分类器进行训练得到的。2.根据权利要求1所述的农作物高精度制图方法，其特征在于，所述训练好的分类模型通过以下步骤得到：对目标农作物在生长周期内的样本陆地卫星表面反射率影像进行均值处理，得到样本月均值时序合成影像集合，并获取所述样本陆地卫星表面反射率影像对应区域的历史农作物分布区遥感影像数据；对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像，并确定所述农作物种植区域影像中所有的农作物采样点；基于所述农作物种植区域影像中农作物的类型，对所述农作物采样点标记对应的农作物采样点类型标签，得到标签标记后的农作物采样点；根据所述样本月均值时序合成影像集合中图像的像素值，为所述标签标记后的农作物采样点匹配对应的农作物月均值时序合成影像像素特征，构建得到训练样本集；将所述训练样本集输入到随机森林分类器进行训练，得到训练好的分类模型。3.根据权利要求2所述的农作物高精度制图方法，其特征在于，所述对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像，并确定所述农作物种植区域影像中所有的农作物采样点，包括：根据不同年度的历史农作物分布区遥感影像数据之间的交集区域影像，确定初始农作物种植区域样本图像；对所述初始农作物种植区样本图像进行图像腐蚀处理，得到农作物种植区域影像；对所述农作物种植区域影像的质心进行提取，确定所述农作物种植区域影像中的第一初始农作物样本采样点；删除所述第一初始农作物样本采样点中的第二初始农作物样本采样点，获取第三初始农作物样本采样点；其中，所述第二初始农作物样本采样点为所述农作物种植区域影像中农作物区域边界外的第一初始农作物样本采样点；对所述第三初始农作物样本采样点进行判断，将满足预设分割阈值的第三初始农作物样本确定为所述农作物种植区域影像中对应的农作物采样点。4.根据权利要求2所述的农作物高精度制图方法，其特征在于，在所述对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像之前，所述方法还包括：在所述历史农作物分布区遥感影像数据内划分多个相同规格的格网单元；所述将所述训练样本集输入到随机森林分类器进行训练，得到训练好的分类模型，包括：步骤S1，基于预设选取条件和所述训练样本集，确定初始格网单元，并通过所述初始格网单元中的农作物采样点和非农作物采样点，构建得到初始采样点样本库；
步骤S2，将所述初始采样点样本库中的采样点，输入到随机森林分类器，得到初始分类模型；步骤S3，根据所述初始格网单元，确定所述样本月均值时序合成影像集合的农作物采样区格网单元，得到基于农作物采样区格网单元构建的农作物采样区样本图像集合，并将所述农作物采样区样本图像集合输入到所述初始分类模型中，输出所述农作物采样区样本图像集合中每个农作物采样区格网单元对应的预测准确率，并得到第二分类模型；步骤S4，...

【专利技术属性】
技术研发人员：李雪草，黄健熙，温亚楠，苗双喜，苏伟，曾也鲁，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：