基于多元遥感影像的多云雾区域农作物种植模式提取方法技术

本发明专利技术属于图像处理技术领域，具体涉及一种基于多元遥感影像的多云雾区域农作物种植模式提取方法；基于多时相的Sentinel

【技术实现步骤摘要】
基于多元遥感影像的多云雾区域农作物种植模式提取方法


[0001]本专利技术属于图像处理
，具体涉及一种基于多元遥感影像的多云雾区域农作物种植模式提取方法。

技术介绍

[0002]快速准确地获取农作物种植结构和时空分布信息对于政府部门制定粮食政策、调整农业结构、保障国家粮食安全十分重要；遥感技术具有覆盖范围大、探测周期短、费用成本低等优势，已成为大尺度范围农作物监测的主要手段之一。
[0003]目前国内外相关研究多基于高分辨率的光学影像，利用农作物物候特征差异和光谱特征差异提取农作物的时序生长曲线，从而实现农作物分类识别；例如如下现有技术：1.吴静, 吕玉娜, 李纯斌，等. 基于多时相Sentinel
‑
2A的县域农作物分类 [J]. 农业机械学报, 2019, 50(9): 194
‑
200；2.杜保佳, 张晶, 王宗明，等. 应用Sentinel
‑
2A NDVI时间序列和面向对象决策树方法的农作物分类 [J]. 地球信息科学学报, 2019, 21(5): 740
‑
751；3.潘力, 夏浩铭, 王瑞萌，等. 基于Google Earth Engine的淮河流域越冬作物种植面积制图 [J]. 农业工程学报, 2021, 37(18): 211
‑
218；现有技术1中基于多基于多时相Sentinel
‑
2数据对景泰县农作物进行分类，结果表明，Sentinel
‑
2 特有的红边波段数据及其较高的空间分辨率在县域农作物分类上具有较好的精度。
[0004]现有技术2中基于Sentinel
‑
2 NDVI时序数据，利用面向对象决策树分类方法对北安市进行农作物识别，分类精度达96.2%。
[0005]现有技术3中基于Landsat和Sentinel
‑
2融合数据，根据不同作物物候期差异，准确提取淮河流域越冬作物空间分布。
[0006]基于上述可知，光学影像在农作物遥感监测中已经取得了显著成果，但上述研究多集中在地块平坦整齐、光学影像获取质量较高的区域，中国西南区域上空常年多云雾覆盖，获取的高质量光学影像非常有限，因此仅利用光学影像，并不能满足多云雾区域的农作物种植模式提取监测需求；而雷达卫星能够穿透云雾，全天时全天候观测地面，获得各种作物在不同极化方式下的雷达相应特性，从而反映作物的形态、结构和生长等信息，为农作物监测提供数据支持，例如如下现有技术：4.杨沈斌, 李秉柏, 申双和，等. 基于多时相多极化差值图的稻田识别研究 [J]. 遥感学报, 2008, 12(4): 613
‑
619；5.王晨丞, 王永前, 王利花. 基于SAR纹理信息的农作物识别研究——以农安县为例 [J]. 遥感技术与应用, 2021, 36(2): 372
‑
380；现有技术4中基于多时相多极化SAR数据对江西省高安地区水稻进行提取，分类精度达到84.92%；
现有技术5中以Sentinel
‑
1双极化数据为数据源，对吉林省农安县典型农作物进行分类制图，结果表明，基于SAR影像数据对农作物分类具有可行性。
[0007]但目前利用SAR数据进行农作物监测主要集中在空间异质性较低的区域，且多以水稻识别为主，对于地块破碎、种植结构复杂的旱地作物识别研究较少，尚不能满足区域性农作物监测需求。
[0008]并且若是研究区上空常年覆盖云雾，获取的高质量光学影像有限，难以满足农作物监测需求，仅利用获取的Sentinel
‑
2光学数据，难以区分水稻、玉米等夏季作物。星载SAR影像获取不受气候状况限制，为多云雾气候区域夏季农作物提取提供了可能性。光学影像和SAR影像在农作物识别提取中各有优势，目前国内外相关研究多基于光学影像或SAR影像进行农作物分类提取，将二者融合协同用于农作物识别的研究很少。
[0009]并且目前对于农作物的识别依旧停留在农作物种类的识别上，对于如何实现农作物种植模式的提取，目前在国内外还属于空白区域，基于此有必要提供一种农作物种植模式的提取方法，以期为全天候农作物遥感监测提供新的思路。

技术实现思路

[0010]本专利技术公开了一种基于多元遥感影像的多云雾区域农作物种植模式提取方法，拟实现对于目前地块破碎、种植结构复杂、多云雾区域的旱地作物的识别，并实现农作物种植模式的提取。
[0011]为解决上述技术问题，本专利技术采用的技术方案如下：基于多元遥感影像的多云雾区域农作物种植模式提取方法，包括以下步骤：数据获取：获取多时相多光谱数据以及时序SAR影像数据，并分别对多光谱数据以及SAR影像数据进行预处理，得到光谱特征和后向散射系数；特征提取：基于光谱特征和后向散射系数进行计算，分别得到光谱指数特征集和SAR纹理特征集；阈值函数确定：基于光谱指数特征以及训练样本得到冬季作物阈值函数；基于SAR纹理特征以及训练样本得到夏季作物阈值函数；农作物分类：采用面向对象的分类策略，提取农作物的类型以及空间分布；种植模式提取：基于不同作物的物候差异，统计农作物的时间
‑
特征变化曲线，将所述光谱指数特征集和SAR纹理特征集进行组合，基于农作物时间
‑
特征变化曲线，确定农作物时间
‑
特征阈值判定函数；在多时相影像上提取农作物时间
‑
空间分布，提取农作物种植模式。
[0012]所述种植模式为农作物的耕种模式，例如：小麦
‑
水稻、油菜
‑
水稻、土豆
‑
大豆、土豆
‑
玉米4种年内复种模式；粮油作物种植模式多为一年两熟的耕作模式，主要以“小麦
‑
水稻轮种”、“油菜
‑
水稻轮种”、“土豆
‑
玉米轮种”、“土豆
‑
大豆轮种”为主。
[0013]优选的，所述多光谱数据为Sentinel
‑
2多光谱数据；Sentinel
‑
2多光谱数据的预处理：利用IDL编程语言批量进行波段叠加、影像拼接及裁剪，得到包含7个波段的光谱特征集。
[0014]优选的，所述SAR影像数据采用Sentinel
‑
1卫星数据，SAR影像数据的获取模式为IW模式的GRDH格式产品，空间分辨率为20m，每景SAR影像都具有同极化和交叉极化两种方
式；SAR影像数据的预处理：利用欧空局SNAP软件构建处理模型批量对SAR影像数据进行预处理，包括辐射定标、多普勒地形校正、斑点滤波以及地理编码。
[0015]优选的，所述SAR纹理特征包括均值、协同性、方差以及对比度，具体计算公式如下：；；；；式中：Mean为均值；Homogeneity为协同性；Variance为方差；Contrast为对比度；n为灰度值的阶数；p(i,j)是n...

【技术保护点】

【技术特征摘要】
1.基于多元遥感影像的多云雾区域农作物种植模式提取方法，其特征在于，包括以下步骤：数据获取：获取多时相多光谱数据以及时序SAR影像数据，并分别对多光谱数据以及SAR影像数据进行预处理，得到光谱特征和后向散射系数；特征提取：基于光谱特征和后向散射系数进行计算，分别得到光谱指数特征集和SAR纹理特征集；阈值函数确定：基于光谱指数特征以及训练样本得到冬季作物阈值函数；基于SAR纹理特征以及训练样本得到夏季作物阈值函数；农作物分类：采用面向对象的分类策略，提取农作物的类型以及空间分布；种植模式提取：基于不同作物的物候差异，统计农作物的时间
‑
特征变化曲线，将所述光谱指数特征集和SAR纹理特征集进行组合，基于农作物时间
‑
特征变化曲线，确定农作物时间
‑
特征阈值判定函数；在多时相影像上提取农作物时间
‑
空间分布，提取农作物种植模式；种植模式即农作的类型、时空分布及轮作模式。2.根据权利要求1所述的基于多元遥感影像的多云雾区域农作物种植模式提取方法， 其特征在于，所述多光谱数据为Sentinel
‑
2多光谱数据；Sentinel
‑
2多光谱数据的预处理：利用IDL编程语言批量进行波段叠加、影像拼接及裁剪，得到包含7个波段的光谱特征集。3.根据权利要求1所述的基于多元遥感影像的多云雾区域农作物种植模式提取方法，其特征在于：所述SAR影像数据采用Sentinel
‑
1卫星数据，SAR影像数据的获取模式为IW模式的GRDH格式产品，空间分辨率为20m，每景SAR影像都具有同极化和交叉极化两种方式；SAR影像数据的预处理：利用欧空局SNAP软件构建处理模型批量对SAR影像数据进行预处理，...

【专利技术属性】
技术研发人员：周兴霞，王颖洁，杨攀，卓嵩，
申请(专利权)人：自然资源部第三航测遥感院，
类型：发明
国别省市：