一种基于深度学习的水稻种植结构遥感提取方法技术

本申请公开了一种基于深度学习的水稻种植结构遥感提取方法，涉及遥感分类技术领域，本发明专利技术利用处理后的遥感数据结合实地样本点形成水稻种植结构样本点，利用水稻种植结构样本点同时对多种机器学习模型训练并验证精度，将多个机器学习模型的精度输出至得分策略，通过得分策略综合判断像元的水稻种植结构类型。由于这一方法同步训练和测试了多种机器学习模型，且利用得分策略将多种机器学习模型有机地结合起来，用以判断识别单一模型难以区分的水稻细分类别，因此，本发明专利技术区分的地物非常精细，能够对“同物同谱”的多种不同水稻种植结构类型进行有效精细分类。类型进行有效精细分类。类型进行有效精细分类。

【技术实现步骤摘要】
一种基于深度学习的水稻种植结构遥感提取方法


[0001]本专利技术涉及遥感分类
，尤其涉及一种基于深度学习的水稻种植结构的遥感提取方法。

技术介绍

[0002]水稻是我国种植面积最大、覆盖范围最广的主粮作物，水稻种植结构的准确提取对水稻产量预估具有极为重要的意义。在气候变化等多种因素的共同作用下，区域水稻种植结构不断改变。水稻按照稻作制度的不同可细分为双季稻、单季晚稻、中稻、再生稻。其中双季稻、单季晚稻、中稻、再生稻作为水稻种植结构类型处于农田
‑
水稻
‑
水稻类型中的第三级细分类型。这些细分水稻类型都是“同物同谱”的水稻，区别仅在于稻作制度和栽培方式，区分再生稻和双季稻则更为困难。遥感技术具有覆盖范围广、探测周期短、现势性强和费用成本低等优点，已成为提取水稻种植结构的重要手段，利用遥感技术可以实时精确地得到大区域水稻种植地理空间分布信息。遥感技术主要包括单景光谱影像方法、基于时序光谱的物候特征法和机器学习分类算法，这些遥感技术用于提取水稻种植结构的缺点如下：单景光谱影像方法难以克服“异物同谱”、“同物异谱”等问题，分类结果往往存在“椒盐现象”，影响作物识别准确性，存在种植面积大量错分、漏分等状况。
[0003]基于时序光谱的物候特征法采用了作物完整生长周期内的影像数据，虽然解决了单景光谱影像方法的“异物同谱”等问题，但基于时序光谱的物候特征法通过光谱指数阈值进行水稻识别，分类阈值依赖人工干预，需要主观反复推敲进行修订，光谱混淆区分类精度仍然不高。
[0004]而机器学习分类算法在处理高维数据与冗余数据方面有强大优势的同时，不依赖人工干预，与传统方法相比，其应用能显著提升运算效率与分类精度。现有的机器学习分类算法包括贝叶斯分类算法、随机森林分类算法、支持向量机分类算法、决策树分类算法、K
‑
最近邻分类算法等。
[0005]但现有的单一机器学习分类算法，如随机森林算法，在区分这些“同物同谱”的细分水稻类型时仍然难以获得高精度的结果或者直接无法区分。因此，需要解决如何联用多种分类算法对多种不同水稻细分类型进行精细分类的问题。

技术实现思路

[0006]本申请旨在解决如何联用多种分类算法对“同物同谱”的多种不同水稻细分类型进行精细分类的问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种基于深度学习的水稻种植结构遥感提取方法，包括：获取目标种植区域的遥感数据，并基于NDVI模型和所述目标种植区域的遥感数据，形成NDVI时间序列数据集；获取水稻种植区域的实地样本点数据，并基于所述实地样本点数据，将NDVI时间
序列数据集赋值到目标种植区域遥感数据的各像素点，获得水稻种植样本点；所述水稻种植区域为目标种植区域内的水稻种植区域；以水稻种植样本点作为输入量，水稻种植区域的实地样本点数据作为输出量，训练和测试不同的机器学习算法，获得各机器学习算法的验证精度；获取待测目标区域的遥感数据，选取验证精度达标的多种机器学习算法进入得分策略，以进入得分策略的多种机器学习算法分别对待测目标区域的遥感数据中目标像元进行水稻类型划分，每种机器学习算法对应输出一种水稻类型；基于得分策略，输入各机器学习算法的验证精度和对应输出的水稻类型，获得待测目标区域的遥感数据中目标像元的水稻类型。优选地，所述得分策略具体为：多种机器学习算法进入得分策略后，将每个机器学习算法的验证精度作为权重值赋予其对应输出的水稻类型，将同一目标像元下水稻类型相同的权重值求和获得综合赋分值，最后比较不同水稻类型的综合赋分值，综合赋分值最大的水稻类型即为该目标像元的水稻类型。
[0008]优选地，以水稻种植样本点作为输入量，水稻种植区域的实地样本点数据作为输出量，训练和测试机器学习算法的具体方法为：将水稻种植样本点分割为训练集与测试集，提取水稻种植样本点对应的NDVI时间序列数据集作为输入量，水稻种植区域的实地样本点数据作为输出量，运用训练集对每个机器学习算法进行训练，并调用混淆矩阵对每个机器学习算法精度进行定量评价，再利用测试集验证精度。
[0009]优选地，由目标种植区域内的归一化植被指数形成NDVI时间序列数据集的具体方法为：基于归一化植被指数，以月内归一化植被指数的最大值计算得到NDVI月值，由NDVI月值形成NDVI时间序列数据集。
[0010]优选地，所述遥感数据和待分类的遥感数据均为已经过正射校正、几何精度矫正及大气校正处理的卫星影像数据。
[0011]优选地，机器学习算法包括但不限于K
‑
近邻分类算法、决策树分类算法、朴素贝叶斯分类算法、逻辑回归分类算法、支持向量机分类算法、随机森林分类算法。
[0012]上述水稻种植结构的遥感提取方法针对的水稻类型为具有不同稻作制度或栽培模式的水稻细分类型。
[0013]进一步地，所述水稻细分类型包括再生稻。
[0014]本专利技术还提供一种基于深度学习的水稻种植结构的遥感提取系统，应用上述基于深度学习的水稻种植结构的遥感提取方法对待测目标区域的遥感数据进行水稻类型的识别，包含如下组件：遥感数据处理模块：用于将多时相卫星影像数据计算处理形成NDVI时间序列数据集，将NDVI时间序列数据集输出至存储模块；存储模块：用于接收并存储NDVI时间序列数据集和实地样本点数据，形成并存储水稻种植样本点；输出水稻种植样本点数据至训练模块；训练模块：提取存储模块中的水稻种植样本点对应的NDVI月值数据输入训练机器学习分类算法，输出机器学习分类算法的验证精度至识别模块；识别模块：接收输出机器学习分类算法的验证精度，利用得分策略计算输出待测
目标区域的遥感数据中各像元的水稻类型。
[0015]本专利技术提供一种计算机存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述基于深度学习的水稻种植结构的遥感提取方法的步骤。
[0016]本专利技术取得的有益效果：一、本专利技术利用处理后的遥感数据结合实地样本点形成水稻种植样本点，利用水稻种植样本点对多种机器学习模型同时训练并验证精度，将多个机器学习模型的精度输出至得分策略，通过得分策略识别判断像元的水稻类型。由于这一方法同步训练和测试了多种机器学习模型，且利用得分策略将多种机器学习模型有机地结合起来，用以判断识别单一模型难以区分的水稻细分类型，因此，本专利技术区分的地物非常精细，能够对“同物同谱”的多种不同水稻细分类型进行精细分类。
[0017]二、本专利技术中的得分策略并非简单地比较多种机器学习模型的精度来输出水稻类型，而是创造性地将不同机器学习模型的精度作为权重赋值给对应的水稻类型，再合并相同水稻类型的赋分值，在此基础上比较综合赋分值并输出水稻类型。这种赋分合并再比较的过程中充分调用了多种机器学习方法的输出模型，有机地将多种机器学习方法结合起来对像元的水稻类型进行识别，大幅提升了识别的准确度，规避了单一模型的缺点，多种模型之间优势互补，因而能够对水稻细分类型进行精确分类。
附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的水稻种植结构遥感提取方法，其特征在于，包括：获取目标种植区域的遥感数据，并基于NDVI模型和所述目标种植区域的遥感数据，确定目标种植区域内的NDVI，并由所述目标种植区域内的NDVI形成NDVI时间序列数据集；获取水稻种植区域的实地样本点数据，并基于所述实地样本点数据，将NDVI时间序列数据集赋值到目标种植区域遥感数据的各像素点，获得水稻种植样本点；所述水稻种植区域为目标种植区域内的水稻种植区域；以水稻种植样本点作为输入量，水稻种植区域的实地样本点数据作为输出量，训练和测试不同的机器学习算法，获得各机器学习算法的验证精度；获取待测目标区域的遥感数据，选取验证精度达标的多种机器学习算法进入得分策略，以进入得分策略的多种机器学习算法分别对待测目标区域的遥感数据中目标像元进行水稻类型划分，每种机器学习算法对应输出一种水稻类型；基于得分策略，输入各机器学习算法的验证精度和对应输出的水稻类型，获得待测目标区域的遥感数据中目标像元的水稻类型。2.根据权利要求1所述基于深度学习的水稻种植结构遥感提取方法，其特征在于，所述得分策略具体为：多种机器学习算法进入得分策略后，将每个机器学习算法的验证精度作为权重值赋予其对应输出的水稻类型，将同一目标像元下水稻类型相同的权重值求和获得综合赋分值，最后比较不同水稻类型的综合赋分值，综合赋分值最大的水稻类型即为该目标像元的水稻类型。3.根据权利要求1所述基于深度学习的水稻种植结构遥感提取方法，其特征在于，以水稻种植样本点作为输入量，水稻种植区域的实地样本点数据作为输出量，训练和测试机器学习算法的具体方法为：将水稻种植样本点分割为训练集与测试集，提取水稻种植样本点对应的NDVI时间序列数据集作为输入量，水稻种植区域的实地样本点数据作为输出量，运用训练集对每个机器学习算法进行训练，并调用混淆矩阵对每个机器学习算法精度进行定量评价，再利用测试集验证精度。4.根据权利要求1所述基于深度学习的水稻种植结构遥感提取方法，其特征在于，由目标种植区...

【专利技术属性】
技术研发人员：雷少华，时元智，钱明霞，才硕，徐祎凡，时红，和玉璞，皮凤岚，陈一帆，高辰源，
申请(专利权)人：水利部交通运输部国家能源局南京水利科学研究院，
类型：发明
国别省市：