一种大豆种植区识别和面积测算方法技术

本申请涉及一种大豆种植区识别和面积测算方法，包括以下步骤：步骤S1、确定目标区域范围、作物种类、样点数据集及作物生长期：步骤S2、获取Sentinel2影像并进行预处理；获取Sentinel1影像并预处理；步骤S3、提取Sentinel2影像时序特征；提取Sentinel1影像时序特征；掩膜处理得到目标区域数据；步骤S4、将样点数据集上传到GEE平台中并划分为训练集和测试集；将步骤S3中特征参数提取到训练集中，构建随机森林分类模型并用所述训练集完成模型训练；步骤S5、将目标区域数据输入到随机森林分类模型中得到作物分类结果,提取大豆种植区，计算大豆种植面积。本申请天气因素影响小，识别精度高。识别精度高。识别精度高。

【技术实现步骤摘要】
一种大豆种植区识别和面积测算方法


[0001]本申请涉及一种大豆种植区识别和面积测算方法，主要适用于基于Sentinel1/2遥感时间序列影像的大豆种植区识别和面积测算。

技术介绍

[0002]遥感技术是观测地球表面和获取信息的先进技术，遥感卫星可以宏观、动态、持续地获取地表影像，进而实现地物的识别提取和时空分析。其中哨兵系列卫星具有较高的空间分辨率和时间分辨率，可实现大范围、长时序和多模态的地表信息获取，满足大豆种植区精确识别的要求。
[0003]传统的大豆种植区制图方法主要是通过人工田间调查和上报，这种方法耗费人力、物力和财力，且效率低下，难以应用在大范围的制图任务中。遥感技术凭借精细、宏观、高效的优点，能够以低成本、高效率的方式完成大范围的大豆种植区分布制图，并保证制图的客观性和准确性。
[0004]鉴于大豆在生长发育过程中光谱反射率会出现明显的季相变化特征，利用遥感影像时间序列识别大豆可以较为完整地刻画出大豆的生长周期变化，从而准确提取出其关键生长期特征和物候特征，为大豆种植区的精确识别提供重要信息。除光谱反射率外，遥感影像中还可以提取出丰富的植被指数，植被指数可以有效指示作物的生长状况和叶面积指数、水分含量等特征，已广泛应用在农作物识别中。
[0005]虽然利用光学遥感影像识别大豆的技术已相对成熟，但光学影像易受云雨影响，在阴雨天气往往无法获得有效的地面观测数据。而大豆精确识别依赖于密集、连续的影像序列，若其关键生长期的影像受到严重影响，其识别效果则会大大降低，因此需要降低云雨等不利天气因素所造成的影响。

技术实现思路

[0006]本申请解决的技术问题是克服现有技术中存在的上述不足，而提供一种使用方便，天气因素影响小，识别精度高的大豆种植区识别和面积测算方法。
[0007]本申请解决上述技术问题所采用的技术方案是：一种大豆种植区识别和面积测算方法，其特征是包括以下步骤：
[0008]步骤S1、通过地面调查获取目标区域内包括大豆在内的生长期重叠且相近作物的样点数据集，分析目标区域内所述作物的种植日历，确定其主要生长期的时间跨度(确定目标区域范围、作物种类、样点数据集及作物生长期)；
[0009]步骤S2、获取目标区域的Sentinel2影像并进行预处理，选择七个原始波段并计算五个植被指数，得到Sentinel2影像时间序列；获取目标区域的Sentinel1影像并进行预处理，选择两个极化通道后向散射系数并计算三个极化通道组合，得到Sentinel1影像时间序列。
[0010]步骤S3、提取Sentinel2影像的七个原始波段和五个植被指数的统计特征、生长高
峰期特征、谐波拟合特征以及物候特征作为大豆在Sentinel2影像中的时序特征；提取Sentinel1影像的两个极化通道后向散射系数和三个极化通道组合的统计特征和主成分特征作为大豆在Sentinel1影像中的时序特征；在GEE中获取ESA 10m地表覆盖数据集，去除步骤S2、步骤S3中所有不在地表覆盖数据集范围内的数据(取地表覆盖数据与Sentinel1、Sentinel2数据集的交集)，得到掩膜处理后的目标区域数据；
[0011]步骤S4、将样点数据集上传到GEE平台中，并将其划分为训练集和测试集；将步骤S3中特征参数提取到训练集样点中，构建随机森林分类模型，并将带有步骤S3所述特征参数的训练集输入到随机森林分类模型中完成模型训练；
[0012]步骤S5、将带有步骤3所述特征参数的目标区域数据输入到训练好的随机森林分类模型中，得到作物分类结果并从中提取出大豆种植区，计算大豆种植面积。
[0013]步骤S2中，获取样点数据集的Sentinel2影像并进行预处理包含以下步骤：
[0014]在GEE平台中获取大豆生长期内的所有Sentinel2卫星地表反射率数据影像，将所有波段数值除以10000得到真实反射率数值；通过波段筛选选择Sentinel2影像的七个原始波段，分别是蓝、红、红边1、红边2、红边3、近红外和短波红外1，在Sentinel2影像的名称中分别为B2、B4、B5、B6、B7、B8和B11；计算Sentinel2影像的五个植被指数，分别是增强型植被指数EVI、地表水分指数LSWI、归一化植被衰老指数NDSVI、红边归一化植被指数RENDVI和红边位置REP；利用云得分算法识别每幅影像中的含云像素并将之去除；然后采用10天中值合成的方式等间隔生成目标区域Sentinel2影像时间序列，使用线性插值的方式对10天中值数据集中的空缺像素进行填补，应用SG滤波处理Sentinel2影像时间序列。
[0015]其中Sentinel2影像的植被指数计算公式如下：
[0016][0017]其中，Red、Blue、NIR分别代表Sentinel2影像的红光波段、蓝光波段和近红外波段的反射率。
[0018][0019]其中NIR和SWIR1分别代表Sentinel2影像的近红外波段和短波红外1波段的反射率。
[0020][0021]其中NIR和RE2分别代表Sentinel2影像的近红外波段和红边2波段的反射率。
[0022][0023]其中Red和SWIR1分别代表Sentinel2影像的红光波段和短波红外1波段的反射率。
[0024][0025]其中RE1、RE2、RE3和Red分别代表Sentinel2影像的红边1波段、红边2波段、红边3波段和红光波段的反射率。
[0026]步骤S2中，获取样点数据集的Sentinel1影像并进行预处理包含以下步骤：
[0027]在GEE平台中获取大豆生长期内的所有Sentinel1的GRD地距影像，成像方式为IW干涉宽带扫描；通过波段筛选选择Sentinel1影像的两个极化通道后向散射系数，分别是垂直同向极化和垂直/水平交叉极化，即VV和VH；计算Sentinel1影像的三个极化通道组合，分别是交叉共极化之和、交叉共极化比率和雷达植被指数RVI。利用局部入射角对原始后向散射系数值进行入射角归一化，减弱入射角的影响；应用7
×
7精炼Lee滤波对SAR影像中的噪点进行滤除；然后采用10天中值合成的方式等间隔生成目标区域Sentinel1影像时间序列，使用线性插值的方式对10天中值数据集中的空缺像素进行填补，最后应用SG滤波处理Sentinel1影像时间序列。
[0028]其中Sentinel1影像的极化通道组合方式如下：
[0029]交叉共极化之和σ
VH0
+σ
VV0
[0030]交叉共极化比率σ
VH0
/σ
VV0
[0031]雷达植被指数
[0032]其中σ
VH0
和σ
VV0
分别为Sentinel1影像的VH和VV通道的后向散射系数值。
[0033]步骤S3中，所述Sentinel2的统计特征包括特征参数在大豆生长期中的最大值、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大豆种植区识别和面积测算方法，其特征是包括以下步骤：步骤S1、确定目标区域范围、作物种类、样点数据集及作物生长期：步骤S2、获取目标区域的Sentinel2影像并进行预处理，得到Sentinel2影像时间序列；获取目标区域的Sentinel1影像并进行预处理，得到Sentinel1影像时间序列；步骤S3、提取Sentinel2影像的统计特征、生长高峰期特征、谐波拟合特征以及物候特征作为大豆在Sentinel2影像中的时序特征；提取Sentinel1影像的两个极化通道后向散射系数和三个极化通道组合的统计特征和主成分特征作为大豆在Sentinel1影像中的时序特征；在GEE中获取ESA 10m地表覆盖数据集，去除步骤S2、步骤S3中所有不在地表覆盖数据集范围内的数据，得到掩膜处理后的目标区域数据；步骤S4、将样点数据集上传到GEE平台中，并将其划分为训练集和测试集；将步骤3中特征参数提取到训练集样点中，构建随机森林分类模型，并将带有步骤S3所述特征参数的训练集输入到随机森林分类模型中完成模型训练；步骤S5、将目标区域数据输入到训练好的随机森林分类模型中，得到作物分类结果并从中提取出大豆种植区，计算大豆种植面积。2.根据权利要求1所述大豆种植区识别和面积测算方法，其特征是：获取目标区域的Sentinel2影像并进行预处理包含以下步骤：在GEE平台中获取大豆生长期内的所有Sentinel2卫星地表反射率数据影像，将所有波段数值除以10000得到真实反射率数值；通过波段筛选选择Sentinel2影像的七个原始波段，分别是蓝、红、红边1、红边2、红边3、近红外和短波红外1，计算Sentinel2影像的五个植被指数，分别是增强型植被指数EVI、地表水分指数LSWI、归一化植被衰老指数NDSVI、红边归一化植被指数RENDVI和红边位置REP；利用云得分算法识别每幅影像中的含云像素并将之去除；然后采用10天中值合成的方式等间隔生成目标区域Sentinel2影像时间序列，使用线性插值的方式对10天中值数据集中的空缺像素进行填补，应用SG滤波处理Sentinel2影像时间序列；其中Sentinel2影像的植被指数计算公式如下：其中，Red、Blue、NIR分别代表Sentinel2影像的红光波段、蓝光波段和近红外波段的反射率；其中NIR和SWIR1分别代表Sentinel2影像的近红外波段和短波红外1波段的反射率；其中NIR和RE2分别代表Sentinel2影像的近红外波段和红边2波段的反射率；其中Red和SWIR1分别代表Sentinel2影像的红光波段和短波红外1波段的反射率；
其中RE1、RE2、RE3和Red分别代表Sentinel2影像的红边1波段、红边2波段、红边3波段和红光波段的反射率。3.根据权利要求1或2所述大豆种植区识别和面积测算方法，其特征是：获取目标区域的Sentinel1影像并进行预处理包含以下步骤：在GEE平台中获取大豆生长期内的所有Sentinel1的GRD地距影像，成像方式为IW干涉宽带扫描；通过波段筛选选择Sentinel1影像的两个极化通道后向散射系数，分别是垂直同向极化和垂直/水平交叉极化，即VV和VH；计算Sentinel1影像的三个极化通道组合，分别是交叉共极化之和、交叉共极化比率和雷达植被指数RVI；利用局部入射角对原始后向散射系数值进行入射角归一化；应用7
×
7精炼Lee滤波对SAR影像中的噪点进行滤除；然后采用10天中值合成的方式等间隔生成目标区域Sentinel1影像时间序列，使用线性插值的方式对10天中值数据集中的空缺像素进行填补，应用SG滤波处理Sentinel1影像时间序列；其中Sentinel1影像的极化通道组合方式如下：交叉共极化之和σ
VH0
+σV
VV0
交叉共极...

【专利技术属性】
技术研发人员：徐俊锋，彭代亮，楼子杭，张弘弛，胡锦康，程恩惠，罗旺，
申请(专利权)人：杭州师范大学，
类型：发明
国别省市：