一种基于卫星遥感数据的作物早期识别方法

本发明涉及作物种植早期识别，具体涉及一种基于卫星遥感数据的作物早期识别方法。

背景技术：

1、早期、准确刻画作物的种植面积和空间分布对于监测作物生长、预测作物产量等至关重要。这也有助于早期发现饥荒和快速应对潜在的风险(如洪水、干旱和风暴破坏等农业灾害)。

2、目前在作物识别研究中，严重依赖于获取作物花期、种子期或者全生育期的无云光学影像，用微波遥感影像的作物识别研究较少，如何借助遥感手段在作物花期前进行早期识别仍然是一个挑战。此外，当年的田间样本可能无法及时用于早期作物识别，早期作物识别受到耗时的实地调查和样本数据采集的限制。

3、因此，有必要建立具有较好时空迁移效果的作物早期识别模型，以期生成独立于当年收集的样本数据的作物种植预测图像。

技术实现思路

1、为了克服上述现有技术的缺点，本发明提供了一种协同光学(sentinel-2)和微波(sentinel-1sar)卫星遥感影像的作物早期识别模型，可以实现早期、快速、准确、可迁移的作物早期识别。

2、本发明根据采集的研究区样本数据，提取sentinel-1和sentinel-2影像的波段信息，通过数据预处理、特征构建、特征选择和随机森林及支持向量机建模方法实现作物早期识别。

3、本发明公开了一种协同光学遥感影像和sar遥感影像的作物早期识别模型的构建方法，包括以下步骤：

4、1)采集研究区样本数据，分为训练样本和验证样本集；

5、2)筛选作物不同物候期的光学遥感影像和sar遥感影像，并且进行预处理，包括sentinel-1影像的去噪处理和地形矫正、sentinel-2影像的去云处理和大气校正等；

6、3)对步骤2)预处理后的光学和sar影像进行波段信息提取，计算雷达指数、纹理特征、光谱指数；

7、4)根据步骤1)的训练样本，提取步骤3)中sar遥感影像和光学遥感影像的各类特征值；

8、5)分别基于sar数据和多源数据，采用vsurf算法，在作物不同物候期进行特征筛选，选择重要性较高且不具备共线性的特征作为分类特征；

9、6)根据不同数据源，利用随机森林和支持向量机算法，在作物不同物候期，构建作物早期识别模型，并进行精度评估；

10、7)根据步骤6)中的最佳作物早期识别模型，将模型迁移至其它年份，实现模型的时空可迁移性。

11、进一步地，上述步骤1)的样本数据采集，可以是作物，例如冬油菜、冬小麦等，或者是树，或者是水体，也或者是建筑用地。

12、进一步地，上述步骤2)的数据处理，可以是不同时间段的影像数据。

13、进一步地，在上述步骤3)中，雷达指数可以是sentinel-1数据vh和vv极化的各种组合。

14、进一步地，在上述步骤3)中，纹理特征可以根据灰度共生矩阵提取。

15、进一步地，在上述步骤3)中，光谱指数可以是与植被生长特征紧密相关的光谱指数。

16、进一步地，上述步骤5)的特征筛选结果，基于不同数据源，在不同物候期的特征筛选结果可以不同。

17、进一步地，上述步骤5)的特征筛选结果可以是基于sentinel-2影像的b6、b5和b8波段，基于光谱计算的rpvi、gosavi和lswi光谱指数，和/或基于sentinel-1影像的vv极化波段。

18、进一步地，上述步骤6)的作物早期识别模型构建，采用筛选后的波段信息、雷达指数、纹理特征与光谱指数的组合，在作物各物候期建立随机森林(rf)和支持向量机(svm)模型，并对各物候期的精度进行评估，选出最佳的作物早期识别模型。

19、进一步地，上述步骤7)的作物早期识别模型迁移的年份可以是建模数据采集年份、建模数据采集前的年份、或者建模数据采集后的年份。

20、具体而言，本发明如下。

21、1.一种协同光学遥感影像和sar遥感影像的作物早期识别模型的构建方法，包括以下步骤：

22、1)采集研究区样本数据，分为训练样本和验证样本集；

23、2)筛选作物不同物候期的光学遥感影像和sar遥感影像，进行预处理，所述预处理包括sentinel-1影像的去噪处理和地形矫正、sentinel-2影像的去云处理和大气校正；

24、3)对步骤2)预处理后的光学遥感影像和sar遥感影像进行波段信息提取，计算雷达指数、纹理特征、光谱指数；

25、4)根据步骤1)的训练样本，提取步骤3)中sar遥感影像和光学遥感影像的各类特征值；

26、5)分别基于sar数据和多源数据，采用vsurf算法，在作物不同物候期进行特征筛选，选择重要性较高且不具备共线性的特征作为分类特征；

27、6)根据不同数据源，利用随机森林和支持向量机算法，在作物不同物候期，构建作物早期识别模型，并进行精度评估；

28、7)根据步骤6)中的最佳作物早期识别模型，将模型迁移至其它年份。

29、2.根据项1所述的协同光学遥感影像和sar遥感影像的作物早期识别模型的构建方法，其特征在于：在所述步骤3)中，雷达指数为sentinel-1数据vh和vv极化的各种组合。

30、3.根据项1或2所述的协同光学遥感影像和sar遥感影像的作物早期识别模型的构建方法，其特征在于：在所述步骤3)中，纹理特征根据灰度共生矩阵提取。

31、4.根据项1至3中任意一项所述的协同光学遥感影像和sar遥感影像的作物早期识别模型的构建方法，其特征在于：在所述步骤3)中，光谱指数为与植被生长特征紧密相关的光谱指数。

32、5.根据项1至4中任意一项所述的协同光学遥感影像和sar遥感影像的作物早期识别模型的构建方法，其特征在于：步骤5)的特征筛选结果是基于不同数据源的，在不同物候期的特征筛选结果是不同的。

33、6.根据项5所述的协同光学遥感影像和sar遥感影像的作物早期识别模型的构建方法，其特征在于：特征筛选基于sentinel-2影像的b6、b5和b8波段，基于光谱计算的rpvi、gosavi和lswi光谱指数，和/或基于sentinel-1影像的vv极化波段。

34、7.根据项1至6中任意一项所述的协同光学遥感影像和sar遥感影像的作物早期识别模型的构建方法，其特征在于：所述步骤6)的作物早期识别模型构建，采用筛选后的波段信息、雷达指数、纹理特征与光谱指数的组合，在作物各物候期建立随机森林(rf)和支持向量机(svm)模型，并对各物候期的精度进行评估，选出最佳的作物早期识别模型。

35、8.根据项1至7中任意一项所述的协同光学遥感影像和sar遥感影像的作物早期识别模型的构建方法，其特征在于：所述步骤7)的作物早期识别模型迁移的年份为建模数据采集年份、建模数据采集前的年份、和/或建模数据采集后的年份。

36、9.根据项1至8中任意一项所述的协同光学遥感影像和sar遥感影像的作物早期识别模型的构建方法，其特征在于：所述作物为冬油菜。

37、10.项1至9中任意一项所述的协同光学遥感影像和sar遥感影像的作物早期识别模型的构建方法在作物早期识别中的应用。

38、本发明的作物早期识别模型构建方法提供一种早期、准确地作物识别方法，解决多云雨季节无法进行作物早期识别的难题，对有效的农业管理和保护具有重要意义。