【技术实现步骤摘要】
本专利技术属于农情遥感监测领域，是一种基于训练样本自动化提取的大尺度冬小麦早期识别方法。
技术介绍
1、作物类型遥感分类产品能够提供准确的作物空间分布和种植面积信息，是区域尺度作物生长监测和生产力预测的基础底图，对于粮食安全风险评估至关重要。由于田块破碎、种植方式复杂等因素，这些方法普遍存在精度不高、效率低、普适性差等问题，大尺度、高精度的作物分类产品仍然匮乏。现有基于遥感技术的作物分类产品生产多使用机器学习方法，这些方法严重依赖地面真实数据，以训练机器学习分类器并构建作物分类模型。一般而言，地面真实数据的获取需要野外逐点调查，时间、人力、物力成本高且效率低。因此，开发一套训练数据自动化提取方法，对于大范围作物分类产品的自动化生产至关重要。此外，现有大多数作物分类产品的公开发布时间存在严重滞后性，难以满足当季作物生产精确管理的需求。如何基于有限的影像在有限的时间内进行作物分类产品的早期高精度识别也是亟需解决的问题。
技术实现思路
1、本专利技术所解决的技术问题在于提供一种基于训练样本自动化提取的大尺度冬小麦早期识别方法，通过时序光学sentinel-2数据，明确冬季作物和其他地物光谱差异，构建冬季作物指数增强冬季作物信号，并利用otsu阈值分割算法自动化提取冬季作物像素。基于sentinel-1vh极化特征，进一步区分冬小麦和冬油菜，从而提取大量、高质量的冬小麦训练样本。最后基于机器学习方法实现了10米空间分辨率中国冬小麦分布产品的自动化生产，并基于模型迁移方法明确了冬小麦各时期分
2、实现本专利技术目的的技术解决方案为：
3、一种基于训练样本自动化提取的大尺度冬小麦早期识别方法，包括以下步骤：
4、步骤1：获取中国冬小麦主产省份冬小麦生长季内的sentinel-1和sentinel-2卫星影像，在遥感云平台上分别对影像进行预处理，生成时空连续的sentinel-1和sentinel-2月度时间序列。
5、步骤2：基于sentinel-2时间序列和冬季作物物候信息构建冬季作物指数wci，提取冬季作物像素，具体包括：
6、步骤2-1：进行地面调查和文献检索，获取研究区地表覆盖类型和作物生育进程信息；
7、步骤2-2：基于各类地表覆盖类型的sentinel-2 ndvi时间序列，分析冬季作物和非冬季作物的物候差异；
8、步骤2-3：基于冬季作物和非冬季作物物候差异，将冬季作物划分为前期生长阶段(early growth stage，egs)和后期生长阶段(late growth stage，lgs)，其中前期生长阶段为播种期到抽穗期，后期生长阶段为抽穗期到收获期。进一步在ndvi时间序列上检索冬季作物的播种期、抽穗期和收获期，提取相应生育时期的ndvi，分别记作ndvimin1，ndvimax和ndvimin2，然后基于这些指标构建冬季作物指数wci；步骤2-3中，冬季作物指数wci的具体公式为：wci＝δndviegs×δndvilgs＝(ndvimax-ndvimin1)×(ndvimax-ndvimin2)
9、其中，δndviegs和δndvilgs分别为冬季作物在前期和后期生长阶段ndvi的增长和下降幅度，ndvimin1，ndvimax和ndvimin2分别代表冬季作物在播种、抽穗和收获期的ndvi值。
10、步骤2-4：将研究区划分为1°×1°的格网，基于otsu阈值分割算法，逐格网对wci进行自适应阈值分割，自动化提取冬季作物像素；步骤2-4中，将研究区划分为1°×1°的格网，基于otsu自适应阈值分割算法，查找最优分割阈值ot，基于ot对wci进行逐格网分割，从而自动化提取冬季作物像素；ot的具体查找公式为：
11、σ2(t)＝p0(μ0-μt)2+p1(μ1-μt)2
12、
13、其中，σ2(t)为基于阈值t划分冬季作物和其他地物产生的类间方差，p是未定义像素属于冬季作物或其他地物的概率，μ0，μ1和μt是冬季作物、其他地物以及全部地物的均值。
14、步骤2-5：进一步结合地表覆盖产品(from_glc10)的耕地图层，对提取的冬季作物像素进行掩膜，消除提取的冬季作物像素中存在的误差。
15、步骤3：基于sentinel-1和sentinel-2时间序列中不同冬季作物光谱指数和后向散射差异，区分冬季作物中的冬小麦和冬油菜，具体包括：
16、步骤3-1：根据地面调查数据，基于sentinel-1和sentinel-2时间序列提取冬小麦和冬油菜的光谱指数和后向散射系数；
17、步骤3-2：分析冬小麦和冬油菜各光谱指数和极化波段下的差异，确定敏感波段和物候期，记为spt；
18、步骤3-3：根据spt阈值区分冬小麦和冬油菜，若spt<t则认为是冬季作物中的冬小麦像素，否则为冬油菜像素。
19、步骤4：将冬油菜和非冬季作物像素融合，定义为非冬小麦像素，然后逐格网对冬小麦和非冬小麦像素进行分层抽样，每个格网中分别随机抽取1000个像素作为候选训练样本。最后进一步基于空间邻域分析，去除候选样本中代表性不足的样本，剩余部分为最终训练样本。
20、步骤5：将步骤4得到的训练样本与单独的sentinel-1，sentinel-2以及sentinel-1和sentinel-2的融合时序特征输入到随机森林(random forest,rf)分类器中，构建rf分类模型，进行2020和2021年两年冬小麦分类，从而验证自动提取训练样本方法的可靠性以及训练样本的质量，明确光学和雷达特征对冬小麦分类的贡献。结合自动化生成的训练数据以及最优特征和rf分类器，生成研究区2020和2021年10米空间分辨率冬小麦分类产品。
21、步骤6：将步骤5中最优特征组合下的rf分类模型迁移到目标年份(2021和2022年)，首先基于相同特征生成目标年份10米空间分辨率冬小麦分类产品，根据冬小麦分类产品精度评价模型迁移方法的可靠性。然后进一步结合目标年份不同时期影像特征进行冬小麦分类，评估冬小麦在不同时期的分类精度，最终确定冬小麦最早可识别时期。
22、本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
23、1、本专利技术的基于训练样本自动化提取的大尺度冬小麦早期识别方法，融合物候特征和多源遥感数据进行训练样本提取，该方法效率高、普适性强；
24、2、本专利技术的基于训练样本自动化提取的大尺度冬小麦早期识别方法，在遥感云平台上采用自动化提取训练数据和机器学习方法，进行大尺度高空间分辨率冬小麦空间分布产品生产，该方法操作简单、效率高、效果好。
25、3、本专利技术的基于训练样本自动化提取的大尺度冬小麦本文档来自技高网...
【技术保护点】
1.一种基于训练样本自动化提取的大尺度冬小麦早期识别方法，其特征在于，包括以下步骤：
2.根据权利要求2所述的一种基于训练样本自动化提取的大尺度冬小麦早期识别方法，其特征在于，步骤2具体包括：
3.根据权利要求2所述的一种基于训练样本自动化提取的大尺度冬小麦早期识别方法，其特征在于，步骤2-3中，冬季作物指数WCI的具体公式为：
4.根据权利要求1所述的一种基于训练样本自动化提取的大尺度冬小麦早期识别方法，其特征在于，步骤2-4中，将研究区划分为1°×1°的格网，基于Otsu自适应阈值分割算法，查找最优分割阈值OT,基于OT对WCI进行逐格网分割，从而自动化提取冬季作物像素；OT的具体查找公式为：
5.根据权利要求1所述的一种基于训练样本自动化提取的大尺度冬小麦早期识别方法，其特征在于，步骤3具体包括：
6.根据权利要求1所述的基于训练样本自动化提取的大尺度冬小麦早期识别方法，其特征在于，步骤3中，使用Sentinel-1VH后向散射系数阈值进行冬油菜和冬小麦区分，具体步骤为：
7.根据权利要求1所述的基于训
...【技术特征摘要】
1.一种基于训练样本自动化提取的大尺度冬小麦早期识别方法，其特征在于，包括以下步骤：
2.根据权利要求2所述的一种基于训练样本自动化提取的大尺度冬小麦早期识别方法，其特征在于，步骤2具体包括：
3.根据权利要求2所述的一种基于训练样本自动化提取的大尺度冬小麦早期识别方法，其特征在于，步骤2-3中，冬季作物指数wci的具体公式为：
4.根据权利要求1所述的一种基于训练样本自动化提取的大尺度冬小麦早期识别方法，其特征在于，步骤2-4中，将研究区划分为1°×1°的格网，基于otsu自适应阈值分割算法，查找最优分割阈值ot,基于ot对wci进行逐格网分割，...
【专利技术属性】
技术研发人员：程涛，杨高翔，李兴荣，姚霞，朱艳，曹卫星，
申请(专利权)人：南京农业大学，
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。