一种基于多时相遥感影像的茶园识别方法、装置、设备及存储介质与流程

1.本技术涉及农业遥感技术领域，尤其涉及一种基于多时相遥感影像的茶园识别方法、装置、设备及存储介质。


背景技术：

2.随着卫星遥感影像的发展，高分辨率卫星遥感影像和多光谱、高光谱卫星遥感影像的数据获取越来越方便，使得利用卫星遥感影像识别茶园信息的技术越来越多，但传统的识别方法依赖于单一光谱或原有的指数划分方法或单一影像，容易导致错分或漏分。


技术实现要素：

3.本技术针对现有技术中的缺点，根据茶叶的生长时期和农事操作时期对茶园遥感光谱的影响，提供了一种基于多时相遥感影像的茶园识别方法。
4.为实现上述目的，本技术采用以下技术方案：
5.本技术的一种基于多时相遥感影像的茶园识别方法，包括以下步骤：
6.确定茶叶的物候期和农事操作时期，采集待识别区域在所述物候期和农事操作时期的多时相遥感影像数据；
7.根据所述遥感影像数据计算归一化植被指数值和预先构建的归一化目标作物差异指数值，并获取所述待识别区域的海拔高度值和所述遥感影像数据中每一波段的光谱特征值；
8.根据得到的各个特征值分别计算归一化植被指数、归一化目标作物差异指数、海拔特征和光谱特征的权重；
9.根据每个特征值的权重进行类别划分，得到所述待识别区域的识别结果。
10.作为优选，所述遥感影像数据是由哨兵2号卫星提供的。作为优选，在所述采集待识别区域在所述物候期和农事操作时期的多时相遥感影像数据之后还包括：
11.过滤所述遥感影像数据中包含沿海气溶胶、水蒸气和卷云波段的影像，并对过滤后的遥感影像数据进行辐射校正和大气校正。
12.作为优选，所述归一化目标作物差异指数的构建方法，包括：
13.采集训练样本，所述训练样本中包含茶园样本和各对照组样本；
14.将所述茶园样本与各对照组样本进行比对，分别提取出茶园和各对照组对应的遥感影像波段特征；
15.根据所述波段特征构建归一化目标作物差异指数，所述归一化目标作物差异指数为：
16.ndci＝(b
max-b
min
)/(b
max
+b
min
)
17.其中，b
max
表示同一时间目标作物波段在所有类别中处于最高点的波段信息，b
min
表示同一时间目标作物波段在所有类别中处于最低点的波段信息。
18.作为优选，所述根据得到的各个特征值分别计算归一化植被指数、归一化目标作物差异指数、海拔特征和光谱特征的权重，包括：
19.分别以归一化植被指数、归一化目标作物差异指数、海拔特征和光谱特征为分类特征构建多个以茶园与非茶园为分类目标的第二分类器；
20.将得到的各个特征值输入每个所述第二分类器中进行训练，并将同一特征下不同类别的分类准确率的和作为对应特征的多类权重。
21.作为优选，所述将每个特征值的权重输入预先训练的第一分类器中进行分类，得到所述待识别区域的识别结果，包括：
22.将训练结果中重复出现在不同类别中的点和未知类别的点组合成新的数据集，将所述新的数据集输入预先训练的以每个特征的多类权重为划分依据的第一分类器中进行分类，得到所述待识别区域的全部识别结果。
23.作为优选，所述方法还包括：对所述遥感影像数据作时相差分处理，得到时序差异数据源，所述时序差异数据源用于表征遥感影像的时间变化特征。
24.一种基于多时相遥感影像的茶园识别装置，包括：
25.获取模块，用于确定茶叶的物候期和农事操作时期，采集待识别区域在所述物候期和农事操作时期的多时相遥感影像数据；
26.提取模块，用于根据所述遥感影像数据计算归一化植被指数值和预先构建的归一化目标作物差异指数值，并获取所述待识别区域的海拔高度值和所述遥感影像数据中每一波段的光谱特征值；
27.划分模块，用于根据得到的各个特征值分别计算归一化植被指数、归一化目标作物差异指数、海拔特征和光谱特征的权重；
28.识别模块，用于根据每个特征值的权重进行类别划分，得到所述待识别区域的识别结果。
29.一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如上述中任一项所述的一种基于多时相遥感影像的茶园识别方法。
30.一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述中任一项所述的一种基于多时相遥感影像的茶园识别方法。
31.本技术具有如下有益效果：
32.本技术充分考虑茶叶的生长时期和重要的农事操作时间特征，并根据茶园在该时间段的遥感光谱特征构建新的特征指数，再配合分类算法，可精准识别茶园信息。
附图说明
33.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
34.图1是本技术实施例1一种基于多时相遥感影像的茶园识别方法流程图；
35.图2是本技术实施例2一种基于多时相遥感影像的茶园识别装置示意图；
36.图3是本技术实施例3实现一种基于多时相遥感影像的茶园识别方法的电子设备示意图。
具体实施方式
37.下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
38.本技术的权利要求书和说明书的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本技术的实施例中对相同属性的对象在描述时所采用的区分方式，此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。
39.实施例1
40.如图1所示，一种基于多时相遥感影像的茶园识别方法，包括以下步骤：
41.s110、确定茶叶的物候期和农事操作时期，采集待识别区域在所述物候期和农事操作时期的多时相遥感影像数据；
42.s120、根据所述遥感影像数据计算归一化植被指数值和预先构建的归一化目标作物差异指数值，并获取所述待识别区域的海拔高度值和所述遥感影像数据中每一波段的光谱特征值；
43.s130、根据得到的各个特征值分别计算归一化植被指数、归一化目标作物差异指数、海拔特征和光谱特征的权重；
44.s140、根据每个特征值的权重进行类别划分，得到所述待识别区域的识别结果。
45.在实施例1中，首先确定茶叶的物候期及其对应的农事操作时期，其中，物候期是指动植物的生长、发育、活动等规律与生物的变化对节候的反应，且这里主要强调的是茶叶而非茶树，茶树的年生长发育周期是茶树的各个器官在外部形态和内部组织结构以及内含物质成分等的生理、生化及生态变化，主要包括茶树新梢的生长发育、茶树根系的发育、茶树的开花结实以及种子的萌发过程，而本实施例着重的就是茶树新梢的生长发育期：我国大部分茶区，在自然生长条件下，茶树全年有3次生长和休止，即：越冬芽萌，到第一次生长，也就是春梢时期，大约在3月下旬到5月上旬，然后到第一次休止；第二次生长，也就是夏梢时期，大约在6月上旬到7月上旬，然后休止；第三次生长，也就是秋梢时期，到冬季休眠，大约在7月中旬到10月上旬。但在人工采摘条件下，全年可萌发5～6轮新梢。因此，要根据待识别区域的自然环境与人工活动确定该区域茶叶的物候期及对应的农事操作时期。
46.其次，采集遥感影像数据作为待识别数据，根据茶叶的生长时期，从3月开始，以15天为一个周期，到12月底结束，选择云量小于10％的卫星遥感影像作为原始数据，遥感影像的时间则记为t1、t2、
…
、ti，i为大于1的整数，此为第一数据源，
47.进一步地，对所述遥感影像数据作时相差分处理，得到时序差异数据源，所述时序差异数据源用于表征遥感影像的时间变化特征。
48.茶树有一个重要特征是修剪，修剪前茶树在影像上表现出绿色植被的特征，修剪后茶树表现为裸地特征，根据时序数据对比的差异可作为这种特殊情况下识别茶园的重要数据源，故采用时相差分方法即后时相影像减去前时相影像t
i-t
i-1
,得到i-1个时间变化的影像，作为第二组数据源即时序差异数据源来表征茶树的这一特征。
49.如果数据源不能满足，还可以每2个或每3个时段做时相差分，以便获取最佳的识别影像。
50.进一步地，所述遥感影像数据是由哨兵2号卫星提供的。
51.进一步地，过滤所述遥感影像数据中包含沿海气溶胶、水蒸气和卷云波段的影像，并对过滤后的遥感影像数据进行辐射校正和大气校正。
52.接着，确定全部数据源中用作信息提取的波段，本实施例中采集的数据主要来源于哨兵二号卫星sentinel-2，而其一共有13个波段，其中，蓝、绿、红和近红外波段的空间分辨率为10m，3个红边波段、1个窄波近红外波段、2个短波红外波段的空间分辨率为20m，而沿海气溶胶波段、水蒸气波段和卷云波段的空间分辨率则为60m，但并不是每个波段都适用农作物的信息提取，尤其是空间分辨率为60m的3个波段不仅分辨率较低，且这3个波段的光谱特征与农作物相关性不大，因此这3个波段的影像可以被过滤掉即这3个波段不需要参与农作物识别，只选用空间分辨率为10m和20m的10个多光谱波段即蓝、绿、红、红边1、红边2、红边3、近红外、窄波近红外、短波红外1和短波红外2，其中，空间分辨率是指遥感所获取的图像上能够区分出的最小单元的尺寸或大小，是用来表征影响分辨率地面目标细节的指标，空间分辨率越高，识别物体的能力越强，再对筛选出的数据作辐射校正和大气校正。
53.然后，构建茶园光谱特征指数即归一化目标作物差异指数，先确定分类类别，分类类别分为目标作物和非目标作物，在本实施例中就是茶园类别与非茶园类别也就是对照组作物，识别的大致思路是在众多类别中分析出目标作物茶园的主要信息，具体为：茶叶在大类中属于植被，植被类别中选择与茶叶作物区分的类别，由于茶树属于常绿木种，树种上与灌木相似，同时茶园因为农事管理，又有非常规律的种植特征，所以在识别时，林地和耕地类别是要重点分析的对照组。
54.进一步地，构建归一化目标作物差异指数，具体的步骤包括：
55.采集训练样本，所述训练样本中包含茶园样本和各对照组样本；
56.将所述茶园样本与各对照组样本进行比对，分别提取出茶园和各对照组对应的遥感影像波段特征；
57.根据所述波段特征构建归一化目标作物差异指数，所述归一化目标作物差异指数为：
58.ndci＝(b
max-b
min
)/(b
max
+b
min
)
59.其中，b
max
表示同一时间目标作物波段在所有类别中处于最高点的波段信息，b
min
表示同一时间目标作物波段在所有类别中处于最低点的波段信息。
60.采集训练样本，本实施例中是农田、林地和茶园样本，分别记为roi_农田、roi_林地和roi_茶园，每个类别随机选取大约50-200个训练样，训练样本可以是通过无人机获取到的不同区域的数据，要尽可能包含的全，也需要按照物候期选择多时相遥感影像数据，对应的遥感影像时间也记为t1、t2、
…
、ti，再分析这3种类别在每个时相影像中对应的10个光谱曲线的特征，从而根据目标作物即茶叶在所有类别中波段处于最高点和最低点的信息，
构建出归一化目标作物差异指数：ndci＝(b
max-b
min
)/(b
max
+b
min
)，其中，b
max
表示同一时间目标作物波段在所有类别中处于最高点的波段信息，b
min
表示同一时间目标作物波段在所有类别中处于最低点的波段信息，以茶园为例，就是ndci＝(b_tea-max-b_tea-min)/(b_tea-max+b_tea-min)，b_tea-max表示在同一时间茶园类别在所有类别处于最高点处对应的波段信息，b_tea-min表示在同一时间茶园类别在所有类别处于最低点处对应的波段信息。
61.同时从训练样本中提取茶园对应的海拔特征以及光谱特征，茶叶一般生长在丘陵区域，经验值为100m以上，再根据待识别数据计算出归一化目标作物差异指数、归一化植被指数ndvi＝(nir-r)/(nir+r)其中，nir是近红外波段，r是红光波段，ndvi的值在-1到1之间，茶叶属于植被，取经验值0.2-0.9，再从待识别数据中提取出海拔特征值以及各光谱特征值。
62.具体地，分别以归一化植被指数、归一化目标作物差异指数、海拔特征和光谱特征为分类特征构建多个以茶园与非茶园为分类目标的第二分类器；
63.将得到的各个特征值输入每个所述第二分类器中进行训练，并将同一特征下不同类别的分类准确率的和作为对应特征的多类权重。
64.分类准确率是指同一特征下每个分类类别的正确分类个数与该类别的全部分类个数的比值再乘上该类别的全部分类个数与该特征下所有类别的分类个数的比值，并将分类准确率作为该类别下对应特征的单类权重，而该特征下所有分类准确率的和则是该特征的多类权重，同时此分类可能导致其它类别错分成目标类别，因而将分类结果中大量重复出现于不同类别中的有争议的点提取出来，并与未知类别的点组合成新的数据集，此时着重考虑每个特征的多类权重即各个特征对所有类别的总体分类贡献并训练分类器，根据投票方法确定新数据集对应的类别，结合得到待识别区域最终的分类结果。
65.还可以根据实际调研和土地确权数据，建立检验样本以分析分类的准确率、kappa系数和召回率。
66.本实施例充分考虑到茶叶的生长习性和农事操作对茶园的影响，通过获取相应时间段内的遥感影像数据来构建茶园光谱的特征指数，并结合已有的特征指数来共同识别待识别区域的茶园，精确度高。
67.实施例2
68.如图2所示，一种基于多时相遥感影像的茶园识别装置，包括：
69.获取模块10，用于确定茶叶的物候期和农事操作时期，采集待识别区域在所述物候期和农事操作时期的多时相遥感影像数据；
70.提取模块20，用于根据所述遥感影像数据计算归一化植被指数值和预先构建的归一化目标作物差异指数值，并获取所述待识别区域的海拔高度值和所述遥感影像数据中每一波段的光谱特征值；
71.划分模块30，用于根据得到的各个特征值分别计算归一化植被指数、归一化目标作物差异指数、海拔特征和光谱特征的权重；
72.识别模块40，用于根据每个特征值的权重进行类别划分，得到所述待识别区域的识别结果。
73.上述装置的一种实施方式可为：获取模块10确定茶叶的物候期和农事操作时期，采集待识别区域在所述物候期和农事操作时期的多时相遥感影像数据；提取模块20根据所
述遥感影像数据计算归一化植被指数值和预先构建的归一化目标作物差异指数值，并获取所述待识别区域的海拔高度值和所述遥感影像数据中每一波段的光谱特征值；划分模块30根据得到的各个特征值分别计算归一化植被指数、归一化目标作物差异指数、海拔特征和光谱特征的权重；识别模块40将每个特征值的权重输入预先训练的第一分类器中进行分类，得到所述待识别区域的识别结果。
74.实施例3
75.如图3所示，一种电子设备，包括存储器301和处理器302，所述存储器301用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器302执行以实现上述的一种基于多时相遥感影像的茶园识别方法。
76.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
77.一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述的一种基于多时相遥感影像的茶园识别方法。
78.示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器301中，并由处理器302执行，并由输入接口305和输出接口306完成数据的i/o接口传输，以完成本发明,一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。
79.计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，存储器301、处理器302,本领域技术人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入器307、网络接入设备、总线等。
80.处理器302可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器302、数字信号处理器302(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器302可以是微处理器302或者该处理器302也可以是任何常规的处理器302等。
81.存储器301可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器301也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等,进一步地，存储器301还可以既包括计算机设备的内部存储单元也包括外部存储设备,存储器301用于存储计算机程序以及计算机设备所需的其他程序和数据,存储器301还可以用于暂时地存储在输出器308，而前述的存储介质包括u盘、移动硬盘、只读存储器rom303、随机存储器ram304、碟盘或光盘等各种可以存储程序代码的介质。
82.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。