【技术实现步骤摘要】
本专利技术属于遥感图像处理，具体涉及一种多云雾区域水稻种植结构识别及制图方法。
技术介绍
1、现有的水稻制图与变化分析方法总体上可以分为传统的机器学习方法、时序数据分析方法及深度学习方法三类。
2、传统的机器学习方法是利用决策树、支持向量机、adaboost等经典机器学习分类器，通过人工选择时序数据作为样本，训练水稻种植结构识别模型，来实现大尺度范围水稻类型识别与时序变化研究。具体来说，该类方法通过在多云雾区域，选择无云覆盖的时间窗口来训练水稻种植结构识别模型，在此净化后的样本模型基础上，迁移到其他区域，从而实现模型的可迁移性，该类方法应用广泛且模型对于计算资源的需求不高，能够满足大尺度范围的水稻分类、变化工作，但是普遍存在模型的鲁棒性不足等问题。
3、时序数据分析方法是根据不同作物的生长规律，利用阈值分割的方法，结合人工设计空间特征来辅助判别水稻与其他类型，该类方法简单且在局部区域具有较好的应用价值，但是对于不同纬度、气候条件差异较大的区域，该类方法的鲁棒性不足，需要进行过多的参数调节与人工干预。
4、深度学习方法是采用语义分割网络、时序分类网络等深度学习算法，实现水稻的分类与变化分析，该类方法精度较高且在足够样本的支持下具有较好的模型泛化性，但是该类方法存在计算量大、需要较多的样本支持等典型缺点。
5、目前基于遥感影像的水稻种植结构变化研究，在数据源使用方面主要以landsat、sentinel2a/b等中等分辨率影像为主，研究区域也集中在云雾覆盖频次较低的区域，在研究的时间尺
技术实现思路
1、有鉴于此，本专利技术提供了一种多云雾区域水稻种植结构识别及制图方法，实现了基于多源遥感影像数据的多云雾区域内的水稻种植结构识别及制图。
2、本专利技术提供的一种多云雾区域水稻种植结构识别及制图方法，包括以下步骤：
3、步骤1、获取经标准化处理的水稻种植区域的多源、多尺度遥感图像数据建立遥感图像样本库，遥感图像样本库中包含高分数据和中分数据，高分数据是由高分辨率多光谱遥感数据处理得到样方影像及解译成果，中分数据是由中分辨率多光谱遥感数据处理得到样方影像及解译成果；高分数据用于描述重点区域，中分数据用于描述非重点区域；
4、步骤2、建立基于深度学习语义分割的水稻种植结构高分数据识别模型，包括编码层、上下文信息提取层和解码层；
5、步骤3、基于机器学习建立水稻种植结构中分数据识别模型，包括预处理模块、特征提取模块和特征识别模块，预处理模块对处理后的影像输入进行影像合成得到待分析数据，特征提取模块提取待分析数据的不同生长期的ndvi和evi特征，特征识别模块对ndvi和evi特征进行特征融合后与外业样本区域的样本输入共同作为随机森林机器学习分类方法的输入实现水稻种植结构的识别得到不同生长期的识别结果；
6、步骤4、采用遥感图像样本库中的高分数据完成水稻种植结构高分数据识别模型的训练，采用中分数据完成水稻种植结构中分数据识别模型的训练；
7、步骤5、获取待识别区域的水稻生长全周期的多源多尺度遥感图像数据，将其中的高分数据输入步骤4得到的水稻种植结构高分数据识别模型，将中分数据输入步骤4得到的水稻种植结构中分数据识别模型，分别得到不同区域的水稻识别结果，绘制水稻分布图。
8、进一步地，所述编码层以改进的resnet50残差网络作为主干特征提取网络，输入为标准化处理得到的遥感图像，输出为尺寸是输入遥感图像1/16的特征图，所述改进的resnet50残差网络是将原resnet50中的全连接层及分类层去除并将最后一个最大池化层的步长设置为1的残差网络。
9、进一步地，所述上下文信息提取层包括空洞卷积组块和最大池化组块，空洞卷积组块由多个空洞卷积串并联再以跳跃连接的方式对多尺度上下文信息特征进行融合构成，空洞卷积串由多个具有不同尺度的空洞卷积模块以级联方式组合而成；最大池化组块包含多个相互并联的具有不同尺寸的最大池化串，并以输入特征图与所有最大池化串的输出特征图的特征叠加结果作为最终输出，最大池化串是由最大池化模块和反转卷积模块级联形成。
10、进一步地，所述空洞卷积组块包括四个并联的空洞卷积串，第一空洞卷积串为尺寸为3*3空洞步长为1的空洞卷积模块，第二空洞卷积串为尺寸为3*3空洞步长为1的空洞卷积模块与尺寸为1*1空洞步长为3的空洞卷积模块的级联，第三空洞卷积串为尺寸为3*3空洞步长为1的空洞卷积模块、尺寸为3*3空洞步长为3的空洞卷积模块及尺寸为1*1空洞步长为1的空洞卷积模块的级联，第四空洞卷积串为尺寸为3*3空洞步长为1的空洞卷积模块、尺寸为3*3空洞步长为3的空洞卷积模块、尺寸为3*3空洞步长为5的空洞卷积模块及尺寸为1*1空洞步长为1的空洞卷积模块的级联。
11、进一步地，所述最大池化组块包括四个并联的最大池化串，第一最大池化串为尺寸为2*2的最大池化模块与尺寸为1*1的反转卷积模块的级联，第二最大池化串为尺寸为3*3的最大池化模块与尺寸为1*1的反转卷积模块的级联，第三最大池化串为尺寸为5*5的最大池化模块与尺寸为1*1的反转卷积模块的级联，第四最大池化串为尺寸为6*6的最大池化模块与尺寸为1*1的反转卷积模块的级联。
12、进一步地，所述解码层包括第一反转卷积模块和第二反转卷积模块，第一反转卷积模块与第二反转卷积模块大小相同，第一反转卷积模块输出的特征图与编码层中具有相同尺寸的特征图进行跳跃连接后的特征图作为第二反转卷积模块的输入。
13、进一步地，所述第一反转卷积模块与第二反转卷积模块均设置为上下文信息提取层输出特征图的4倍大小。
14、进一步地，所述步骤4还包括将训练得到的水稻种植结构高分数据识别模型和水稻种植结构中分数据识别模型部署到云计算平台上。
15、进一步地，所述步骤5执行后还包括：
16、步骤6、将步骤5得到水稻识别结果及年度耕地数据输入水稻像元统计模型，得到长时间序列中待识别区域的各县级单元的不同类型水稻的种植面积；
17、步骤7、采用人工修改的方式，根据种植面积对绘制的水稻种植区域图进行自适应边界平滑处理，再对处理结果进行人工质检；
18、步骤8、采用无人机正射影像、真实地物图片及外业调查表，评估步骤7得到的处理结果的精度得到水稻种植区域识别的精度。
19、有益效果：
20、1、本专利技术将待识别区域划分为重点区域和非重点区域，重点区域采用高分辨率遥感数据，非重点区域采用中分辨率遥感数据，针对不同类型的遥感数据分别建立水稻种植结构高分数据识别模型和水稻种植结构中分数据识别模型实现水稻种植结构识别，高分辨率遥感数据的引入改善了数据源单一、空间分辨率较低等问题，为精细化的水稻种植区本文档来自技高网...
【技术保护点】
1.一种多云雾区域水稻种植结构识别及制图方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多云雾区域水稻种植结构识别及制图方法，其特征在于，所述编码层以改进的resnet50残差网络作为主干特征提取网络，输入为标准化处理得到的遥感图像，输出为尺寸是输入遥感图像1/16的特征图，所述改进的resnet50残差网络是将原resnet50中的全连接层及分类层去除并将最后一个最大池化层的步长设置为1的残差网络。
3.根据权利要求1所述的一种多云雾区域水稻种植结构识别及制图方法，其特征在于，所述上下文信息提取层包括空洞卷积组块和最大池化组块，空洞卷积组块由多个空洞卷积串并联再以跳跃连接的方式对多尺度上下文信息特征进行融合构成，空洞卷积串由多个具有不同尺度的空洞卷积模块以级联方式组合而成；最大池化组块包含多个相互并联的具有不同尺寸的最大池化串，并以输入特征图与所有最大池化串的输出特征图的特征叠加结果作为最终输出，最大池化串是由最大池化模块和反转卷积模块级联形成。
4.根据权利要求3所述的一种多云雾区域水稻种植结构识别及制图方法，其特征在于，所述
5.根据权利要求3所述的一种多云雾区域水稻种植结构识别及制图方法，其特征在于，所述最大池化组块包括四个并联的最大池化串，第一最大池化串为尺寸为2*2的最大池化模块与尺寸为1*1的反转卷积模块的级联，第二最大池化串为尺寸为3*3的最大池化模块与尺寸为1*1的反转卷积模块的级联，第三最大池化串为尺寸为5*5的最大池化模块与尺寸为1*1的反转卷积模块的级联，第四最大池化串为尺寸为6*6的最大池化模块与尺寸为1*1的反转卷积模块的级联。
6.根据权利要求1所述的一种多云雾区域水稻种植结构识别及制图方法，其特征在于，所述解码层包括第一反转卷积模块和第二反转卷积模块，第一反转卷积模块与第二反转卷积模块大小相同，第一反转卷积模块输出的特征图与编码层中具有相同尺寸的特征图进行跳跃连接后的特征图作为第二反转卷积模块的输入。
7.根据权利要求6所述的一种多云雾区域水稻种植结构识别及制图方法，其特征在于，所述第一反转卷积模块与第二反转卷积模块均设置为上下文信息提取层输出特征图的4倍大小。
8.根据权利要求1所述的一种多云雾区域水稻种植结构识别及制图方法，其特征在于，所述步骤4还包括将训练得到的水稻种植结构高分数据识别模型和水稻种植结构中分数据识别模型部署到云计算平台上。
9.根据权利要求1所述的一种多云雾区域水稻种植结构识别及制图方法，其特征在于，所述步骤5执行后还包括：
...【技术特征摘要】
1.一种多云雾区域水稻种植结构识别及制图方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多云雾区域水稻种植结构识别及制图方法，其特征在于，所述编码层以改进的resnet50残差网络作为主干特征提取网络，输入为标准化处理得到的遥感图像，输出为尺寸是输入遥感图像1/16的特征图，所述改进的resnet50残差网络是将原resnet50中的全连接层及分类层去除并将最后一个最大池化层的步长设置为1的残差网络。
3.根据权利要求1所述的一种多云雾区域水稻种植结构识别及制图方法，其特征在于，所述上下文信息提取层包括空洞卷积组块和最大池化组块，空洞卷积组块由多个空洞卷积串并联再以跳跃连接的方式对多尺度上下文信息特征进行融合构成，空洞卷积串由多个具有不同尺度的空洞卷积模块以级联方式组合而成；最大池化组块包含多个相互并联的具有不同尺寸的最大池化串，并以输入特征图与所有最大池化串的输出特征图的特征叠加结果作为最终输出，最大池化串是由最大池化模块和反转卷积模块级联形成。
4.根据权利要求3所述的一种多云雾区域水稻种植结构识别及制图方法，其特征在于，所述空洞卷积组块包括四个并联的空洞卷积串，第一空洞卷积串为尺寸为3*3空洞步长为1的空洞卷积模块，第二空洞卷积串为尺寸为3*3空洞步长为1的空洞卷积模块与尺寸为1*1空洞步长为3的空洞卷积模块的级联，第三空洞卷积串为尺寸为3*3空洞步长为1的空洞卷积模块、尺寸为3*3空洞步长为3的空洞卷积模块及尺寸为1*1空洞步长为1的空洞卷积模块的级联，第四空洞卷积串为尺寸为3*3空洞步长为1...
【专利技术属性】
技术研发人员：张华，王志盼，罗青青，宋海军，许日林，赵俊峰，刘秀，杨伟民，李志飞，周毅，陈林枫，李艺，杨紫君，
申请(专利权)人：湖南星图空间信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。