基于特征强化提取农作物种植面积的深度学习方法技术

本发明专利技术属于卫星遥感数据处理技术领域，具体涉及一种基于特征强化提取农作物种植面积的深度学习方法，该方法包括以下步骤：针对作为研究对象的农作物，收集所需多分辨率卫星遥感影像并进行预处理；识别地物类型，提取其光谱特征，并做敏感性分析；基于深度学习的卷积神经网络的特征提取；设计卷积层层数以及网络结构，最终输出分类结果；统计输出后影像上的农作物种植面积。本发明专利技术方法设计科学合理，以冬小麦为例，设计冬小麦等地物类型的光谱特征分析、深入提取整合特征信息，进一步增强光谱特征对冬小麦分类提取的能力的网络结构，实现掌握冬小麦种植区的分布以及种植面积的统计计算。计算。计算。

【技术实现步骤摘要】
基于特征强化提取农作物种植面积的深度学习方法


[0001]本专利技术属于卫星遥感数据处理
，具体涉及一种基于特征强化提取农作物种植面积的深度学习方法。

技术介绍

[0002]卫星遥感技术因其非接触、高空探测、动态和及时等优点，结合数据信息准确丰富、地表覆盖范围大和相对地面工作省时省力的特点，已被广泛应用于农作物种植范围提取、作物长势监测以及产量估算等方面。随着对地观测平台、遥感传感器种类的日益丰富，遥感影像逐渐能够表达出更多的特征信息，且农作物光谱特性的时空效应存在于遥感全过程。目前，卫星遥感数据经过一系列预处理步骤后，可以快速准确地获取有关区域乃至世界范围内的特征信息。然而，受采样点数量、采样区域地形、采样技术水平一致性、大气云层覆盖等诸多因素影响，对农作物种植面积的统计存在着天然误差，且由于各平台系统数据获得渠道不一，导致不同系统数据对比时存在无法完全对应的情况。农作物的生长周期以及种植情况受到天气、自然灾害等影响，卫星遥感数据的回访周期以及影像质量难以满足研究需求，且在种植结构复杂、同期多类作物共生的地区由于可能存在的“同物异谱、异本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于特征强化提取农作物种植面积的深度学习方法，其特征在于：包括以下步骤：步骤一、针对作为研究对象的农作物，收集所需多分辨率卫星遥感影像并进行预处理；步骤二、识别上述农作物的地物类型，提取其光谱特征，并做敏感性分析；步骤三、基于深度学习的卷积神经网络的特征提取；步骤四、设计卷积层层数以及网络结构，最终输出分类结果；步骤五、统计输出后影像上的农作物种植面积。2.根据权利要求1所述的基于特征强化提取农作物种植面积的深度学习方法，其特征在于，步骤一中，包括，1)在精细农业方面，需进行大气校正，去除大气对影像的影响；2)正射校正，纠正影像几何变形；3)确定参考影像为基础，将多幅影像进行镶嵌，并根据所需区域进行影像裁剪。3.根据权利要求2所述的基于特征强化提取农作物种植面积的深度学习方法，其特征在于，步骤二中，依据野外调查或人工目视解译经验确定地物类型，并对应建立农作物样本库，通过分析步骤一后的影像特征，提取相关地物类型的光谱信息，并以此统计分析农作物地物类型的光谱曲线图，进行波段信息的敏感度分析，筛除对各类地物区分度较低的波段，并加入对农作物分类提取有益的植被指数，增强农作物与其他地物类型的区分度，以此增强整体的光谱特征，作为农作物识别的主要数据来源。4.根据权利要求3所述的基于特征强化提取农作物种植面积的深度学习方法，其特征在于，步骤三中，在多层神经网络的基础上，选择用于进行分类任务的卷积神经网络作为主要深度学习模型；卷积神经网络包含由卷积层和子采样层构成的特征抽取器。5.根据权利要求4所述的基...

【专利技术属性】
技术研发人员：杨辉，吴艳兰，王彪，
申请(专利权)人：合肥深蓝空间智能科技有限公司，
类型：发明
国别省市：