一种基于Sentinel-2时间序列和ReliefF的面向对象果园分类方法技术

本发明专利技术涉及一种基于Sentinel

【技术实现步骤摘要】
一种基于Sentinel
‑
2时间序列和ReliefF的面向对象果园分类方法


[0001]本专利技术涉及果园分类
，尤其是一种基于Sentinel
‑
2时间序列和ReliefF的面向对象果园分类方法。

技术介绍

[0002]水果含有丰富的营养物质，在人类饮食结构中不可或缺。准确获取果园种植面积信息对于政策制定、生态功能评估和农业经济管理都具有重要意义。果园种植面积和空间分布信息作为制定可持续农业策略方面的基础支撑性工作。研究发现果树有助于碳封存，其耗水模式会影响深层土壤水含量，因此果园在陆地生态系统的碳循环、水循环中扮演重要角色，果园绘图有助于生态功能评估。另外果园的生产规模与生产效率之间存在正相关关系，适度规模生产才能促进农业经济绿色健康发展。掌握果园的种植信息也是面临人多地少困境下进行集约化管理的重要前提。
[0003]遥感技术可以经济高效地提供大面积的作物种植分布信息，满足各行业对大尺度作物统计的信息需求，为果园分类提供一种可行的方法。虽然目前农作物种植分布提取在国内外研究中已经取得了很大进展，如面向水稻、玉米、小麦、大豆等大宗粮食作物的遥感制图技术已日趋成熟，而面向果园作物的多分类则亟待研究。此外，多光谱图像凭借其覆盖面积区域大且重访周期短的优势，构建密集的时间序列影像相比单张影像更有助于提高果园分类精度。为解决“椒盐效应”，面向对象的方法已广泛应用于遥感作物分类中。因此果园分类构建了Sentinel
‑
2时间序列数据并结合面向对象的方法。<br/>[0004]目前，大多研究是针对覆盖面积大、场景简单的作物进行分类，而果园作物的分类研究较少。且由于不同品种的果树具有类间相似性，类内变异性的特点，获取有效分类特征较为困难。另外果园在复杂种植结构中多分类还存在精度低的问题。如何解决上述存在的问题，实现高精度的果园多分类，是目前值得进一步探讨的问题。

技术实现思路

[0005]为解决果园在遥感识别领域中易混难分的问题，本专利技术的目的在于提供一种便于分类、能够获取更为准确和可靠的分类结果的基于Sentinel
‑
2时间序列和ReliefF的面向对象果园分类方法。
[0006]为实现上述目的，本专利技术采用了以下技术方案：一种基于Sentinel
‑
2时间序列和ReliefF的面向对象果园分类方法，该方法包括下列顺序的步骤：
[0007](1)获取研究区的Sentinel
‑
2数据，并对Sentinel
‑
2数据进行筛选、去云、耕地掩膜、时间序列重建的预处理操作，得到Setinel
‑
2时间序列数据；
[0008](2)用多层分类方法先进行易分作物分类，得到易分作物分类结果，利用易分作物分类结果掩膜剔除Setinel
‑
2时间序列数据的易分作物像元，得到易混作物感兴趣区；
[0009](3)基于易混作物感兴趣区，生成易混作物的分类特征集合；
[0010](4)通过ReliefF算法对易混作物的分类特征集合进行特征排序，将排序前25％、50％、75％、100％的特征分别输入三种分类器中，筛选得到最佳特征集合和最佳分类器；
[0011](5)进行SNIC图像分割，并结合最佳特征集合和最佳分类器进行易混果园分类，得到易混作物分类结果；
[0012](6)对易混作物分类结果进行评价。
[0013]所述步骤(1)具体包括以下步骤：
[0014](1a)在GEE平台上获取研究区的Sentinel
‑
2Level
‑
2A数据；
[0015](1b)对Sentinel
‑
2Level
‑
2A数据筛选云量小于10％的影像数据，然后对云量小于10％的影像数据采用云分数方法去云，对去云后的数据进行耕地掩膜；
[0016](1c)对经耕地掩膜后的Sentinel
‑
2数据进行时间序列重建，所述时间序列重建包括10天中值合成、线性插值和S
‑
G滤波，最终得到Setinel
‑
2时间序列数据。
[0017]所述步骤(2)具体包括以下步骤：
[0018](2a)所述多层分类方法是指根据作物的归一化植被指数NDVI时间序列差异分为易分作物和易混作物，第一层先进行易分作物分类，易分作物分类采用NDVI时间序列数据的一阶差分及其3次谐波拟合参数，以及红边、近红外和短波红外波段作为易分作物分类特征，其中，NDVI时间序列数据的一阶差分及其3次谐波拟合参数的计算公式如公式(1)、(2)所示：
[0019]ΔNDVI
k
＝NDVI
K+1
‑
NDVI
k
ꢀꢀꢀ
(1)
[0020][0021]其中，ΔNDVI
k
是NDVI时间序列数据中第k个影像的一阶差分；NDVI
k+1
是NDVI时间序列数据中第k+1个影像，k＝0,1,...,28；NDVI
t
是在t时刻一个像元的NDVI时间序列数据进行三次谐波拟合，a0是谐波余项，a
i
和b
i
是各项谐波的系数，θ
i
为第i个谐波的初相位；t是观测时间，t∈[0,1]，0表示该年的1月1日，1表示该年的12月31日；
[0022](2b)易分作物分类的分类器使用决策树CART和随机森林RF，逐步搜寻决策树CART和随机森林RF的最佳参数，将易分作物分类特征输入到分类器中得到易分作物分类结果；
[0023](2c)利用易分作物分类结果掩膜剔除Setinel
‑
2时间序列数据的易分作物像元，得到易混作物感兴趣区。
[0024]在步骤(3)中，所述易混作物的分类特征集合包括Setinel
‑
2时间序列数据中波段特征、植被指数和纹理特征。
[0025]所述步骤(4)具体包括以下步骤：
[0026](4a)在易混作物的分类特征集合中选取易混作物样本所覆盖的像元特征值，使用ReliefF算法计算特征重要性并排序，并把特征重要性当作特征权值累计分析易混作物的关键特征；
[0027](4b)将特征重要性前25％、50％、75％和100％分别输入到决策树CART、随机森林RF和支持向量机SVM三个分类器中，筛选得到最佳分类器和最佳特征集合。
[0028]所述步骤(5)具体包括以下步骤：
[0029](5a)使用SNIC算法对最佳特征集合进行不同尺度的图像分割，获得最佳尺度的分割结果；
[0030](5b)基于分割结果的每个对象对最佳特征集合进行均值计算，获得面向对象的最佳特征集合；
[0031](5c)将面对对象的最佳特征集合输入到最佳分类器中，获得易混作物分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Sentinel
‑
2时间序列和ReliefF的面向对象果园分类方法，其特征在于：该方法包括下列顺序的步骤：(1)获取研究区的Sentinel
‑
2数据，并对Sentinel
‑
2数据进行筛选、去云、耕地掩膜、时间序列重建的预处理操作，得到Setinel
‑
2时间序列数据；(2)用多层分类方法先进行易分作物分类，得到易分作物分类结果，利用易分作物分类结果掩膜剔除Setinel
‑
2时间序列数据的易分作物像元，得到易混作物感兴趣区；(3)基于易混作物感兴趣区，生成易混作物的分类特征集合；(4)通过ReliefF算法对易混作物的分类特征集合进行特征排序，将排序前25％、50％、75％、100％的特征分别输入三种分类器中，筛选得到最佳特征集合和最佳分类器；(5)进行SNIC图像分割，并结合最佳特征集合和最佳分类器进行易混果园分类，得到易混作物分类结果；(6)对易混作物分类结果进行评价。2.根据权利要求1所述的基于Sentinel
‑
2时间序列和ReliefF的面向对象果园分类方法，其特征在于：所述步骤(1)具体包括以下步骤：(1a)在GEE平台上获取研究区的Sentinel
‑
2Level
‑
2A数据；(1b)对Sentinel
‑
2Level
‑
2A数据筛选云量小于10％的影像数据，然后对云量小于10％的影像数据采用云分数方法去云，对去云后的数据进行耕地掩膜；(1c)对经耕地掩膜后的Sentinel
‑
2数据进行时间序列重建，所述时间序列重建包括10天中值合成、线性插值和S
‑
G滤波，最终得到Setinel
‑
2时间序列数据。3.根据权利要求1所述的基于Sentinel
‑
2时间序列和ReliefF的面向对象果园分类方法，其特征在于：所述步骤(2)具体包括以下步骤：(2a)所述多层分类方法是指根据作物的归一化植被指数NDVI时间序列差异分为易分作物和易混作物，第一层先进行易分作物分类，易分作物分类采用NDVI时间序列数据的一阶差分及其3次谐波拟合参数，以及红边、近红外和短波红外波段作为易分作物分类特征，其中，NDVI时间序列数据的一阶差分及其3次谐波拟合参数的计算公式如公式(1)、(2)所示：ΔNDVI
k
＝NDVI
K+1
‑
NDVI
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，ΔNDVI
k
是NDV...

【专利技术属性】
技术研发人员：黄林生，张娜，杨贵军，杨浩，赵晋陵，翁士状，
申请(专利权)人：安徽大学，
类型：发明
国别省市：