一种复杂条件下大尺度区域水稻遥感分类方法

本发明涉及利用机器学习及深度学习技术的作物遥感识别领域，具体涉及一种复杂条件下大尺度区域水稻遥感分类方法。

背景技术：

1、水稻作为一种极其重要的主粮作物，以及重要的温室气体排放源、人工湿地，监测水稻的种植面积及其空间分布，对于维护粮食安全、监控温室气体排放、保护生态环境等具有重要的作用。卫星遥感技术作为一种新兴且快速发展的高科技技术，以其低成本、高效率、高时效、高分辨率等优势，成为目前获取大区域尺度水稻种植区高分辨率制图成果的最重要的可行方式。研究利用包括光学卫星及sar卫星的水稻遥感分类方法，从而快速、准确、低成本地获取大范围区域的高分辨率水稻种植区，是当前重要研究方向。

2、然而，受限于部分分类条件复杂地区各种因素的限制，当前常规的水稻遥感识别面临着巨大的挑战。以我国水稻主产区长江三角洲地区为例，这一地区水稻种植模式复杂(早稻、晚稻、单季稻)、地块极端破碎(以浙江为例，人均耕地面积仅约0.5亩)、背景地类复杂(各类经济作物种植面积大)、气候复杂多变(云雨天气多，尤其是梅雨季节难以获取晴空光学影像)。在数据源上，常规的基于时序遥感影像数据的水稻识别方法一方面受限于中高分辨率遥感影像的重访周期较长，在复杂气候条件下难以获取稳定、连续的晴空光学影像，使得基于时序光学遥感影像的方法难以应用；另一方面，sar数据虽然可以连续、稳定、无视云雨获取时序数据，但是研究区的地块破碎、背景地物复杂，使得sar影像的噪声更加显著，时序特征容易淹没在复杂的背景噪声中，使得分类精度显著降低。而在水稻识别方法上，当前基于深度学习的水稻遥感识别虽然能取得较高的水稻识别精度，然而依然受限于大范围区域样本数据获取困难、成本高、效率低的制约，如何以较小的代价，训练获取能在大尺度范围适用的水稻识别模型是一个重要的研究方向。

3、针对这一情况，本发明提出一种能应用于复杂条件下大尺度区域水稻遥感制图的新方法，通过水稻全生育期单景晴空光学均值及植被指数最大最小值影像的构建，解决光学卫星数据不稳定的缺陷，并利用机器学习及深度学习技术，以较小的代价，在小范围区域选取少量高精度点样本，构建源区域水稻分类结果，作为深度学习模型的训练区域，进而将具有强泛化能力的深度学习模型扩展应用至整个大尺度区域，建立从数据处理、样本选取到作物识别的完整流程，从而快速、准确提取大范围、复杂条件下目标区域的高分辨率水稻种植区。

技术实现思路

1、本发明的目的是克服复杂条件下大尺度区域水稻高精度识别中数据、方法存在的不足，通过水稻全生育期单景晴空光学均值及植被指数最大最小值影像的构建解决光学数据不稳定的问题、通过小范围具有代表性的源区域水稻高精度识别解决水稻识别模型样本数据不足的缺陷，提供一种复杂条件下大尺度区域水稻遥感分类方法。

2、一种复杂条件下大尺度区域水稻遥感分类方法，包括如下步骤：

3、步骤1、在目标区域中选取源区域。

4、步骤2、筛选获取包括源区域在内的目标区域水稻生育期内光学影像及sar影像，并进行预处理，得到光学合成影像和时序sar影像。将时序sar影像与光学合成影像叠加，得到一景复合影像。

5、步骤3、获取源区域内部分或全部区域的标签数据；所得标签数据结合步骤2得到的源区域的复合影像，作为训练数据集。

6、步骤4、基于训练数据集，利用随机森林方法，进行水稻的分类识别，得到源区域的水稻空间分布图；

7、步骤5、利用训练数据集中的复合影像，将步骤4中获取的源区域的水稻空间分布图作为对应的标签数据，利用交叉验证方法，训练基于深度学习的水稻识别模型，得到最终的水稻遥感识别模型。

8、步骤6、将步骤2得到的目标区域的复合图像输入水稻遥感识别模型中，得到目标区域的水稻种植区空间分布图。

9、作为优选，对光学影像预处理获取光学合成影像的具体过程为：对光学影像进行云掩膜处理、ndvi指数和lswi指数计算；将所有云掩膜处理后的光学影像，通过均值合成方法合成为一景晴空光学影像；根据ndvi及lswi指数，形成ndvi最大值、ndvi最小值、lswi最大值、lswi最小值四景影像并作为4个波段叠加进合成的晴空光学影像中，形成一景光学合成影像。ndvi指数为归一化植被指数(normalized difference vegetation index)，lswi指数为地表水体指数(land surface water index)。

10、作为优选，时序sar影像通过对sar影像进行12天均值合成的方式得到。

11、作为优选，所述的水稻识别模型通过lstm模型及unet模型结合得到；lstm模型处理时序sar影像，获取时序特征，unet模型处理光学合成影像及时序特征，获取水稻的空间分布结果。

12、作为优选，步骤4中所述的随机森林分类方法的树数量参数设置为100，特征数量设置为全部特征数量的开方。

13、作为优选，步骤3中，标签数据分为水稻样本和其它地物样本。水稻样本需覆盖早稻、晚稻、单季稻等水稻类型，其它地物样本需覆盖建成区、其它植被、水体等典型地物。

14、作为优选，源区域的面积小于或等于目标区域面积的5％。

15、作为优选，源区域中的水稻类型能够代目标区域中代表所有水稻类型。

16、与现有技术相比，本发明具有如下优点：

17、本发明是基于强泛化能力模型的复杂条件下大尺度区域水稻遥感分类方法，通过目标区域水稻全生育期晴空光学均值及植被指数最大最小值影像的合成，解决时序晴空影像获取不稳定导致水稻空间分布识别不准确的问题；通过小范围代表性源区域高精度水稻分布图制作并作为训练数据，训练高泛化能力深度学习水稻遥感识别模型，从而减少深度学习模型海量样本数据获取困难的问题；最终基于目标区域水稻全生育期晴空光学及最大最小值植被指数影像及时序sar数据，以及训练获取的深度学习水稻识别模型，快速、准确获取目标区域大范围、高精度水稻空间分布成果。

技术特征：

1.一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：对光学影像预处理获取光学合成影像的具体过程为：对光学影像进行云掩膜处理、ndvi指数和lswi指数计算；将所有云掩膜处理后的光学影像，通过均值合成方法合成为一景晴空光学影像；根据ndvi及lswi指数，形成ndvi最大值、ndvi最小值、lswi最大值、lswi最小值四景影像并作为4个波段叠加进合成的晴空光学影像中，形成一景光学合成影像。

3.根据权利要求1所述的一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：时序sar影像通过对sar影像进行12天均值合成的方式得到。

4.根据权利要求1所述的一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：所述的水稻识别模型通过lstm模型及unet模型结合得到；lstm模型处理时序sar影像，获取时序特征，unet模型处理光学合成影像及时序特征，获取水稻的空间分布结果。

5.根据权利要求1所述的一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：步骤4中所述的随机森林分类方法的树数量参数设置为100，特征数量设置为全部特征数量的开方。

6.根据权利要求1所述的一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：步骤3中，标签数据分为水稻样本和其它地物样本。

7.根据权利要求1所述的一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：源区域的面积小于或等于目标区域面积的5％。

8.根据权利要求1所述的一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：源区域中的水稻类型能够代目标区域中代表所有水稻类型。

技术总结
本发明公开了一种复杂条件下大尺度区域水稻遥感分类方法。该方法如下：1、在目标区域中选取源区域。2、筛选获取目标区域水稻生育期内光学影像及SAR影像，处理得到复合影像。3、获取的标签数据。4、基于训练数据集识别得到源区域的水稻空间分布图；5、利用训练数据集中的复合影像，将步骤3中获取的源区域的水稻空间分布图作为对应的标签数据，利用交叉验证方法，训练基于深度学习的水稻识别模型，得到最终的水稻遥感识别模型。6、将步骤2得到的目标区域的复合图像输入水稻遥感识别模型中，得到目标区域的水稻种植区空间分布图。本发明解决了时序晴空影像获取不稳定导致水稻空间分布识别不准确的问题。

技术研发人员：周易成,杨玲波
受保护的技术使用者：杭州电子科技大学
技术研发日：
技术公布日：2024/1/12