一种基于Sentinel2时序曲线分布的大豆样本生成方法和系统

本发明属于大豆样本生成领域，尤其涉及一种基于sentinel2时序曲线分布的大豆样本生成方法和系统。

背景技术：

1、大豆是一种重要的经济作物，及时准确地获取其种植区域的空间分布对于其种植管理和产量预测有着重要意义。遥感技术能够以地表成像的形式获取大范围地球表面信息，目前已广泛应用在大豆等农作物的种植区识别中。其中监督学习是遥感农作物识别中最常用的方法，这种方法需要收集大量农作物地面样本用于分类器训练，这是一项成本高昂的工作。传统的作物实测点获取需要工作人员手持导航定位仪器，到达作物种植区域记录下空间坐标和属性信息，这需要工作人员在整个研究区高强度作业才能获取数量充足、分布均匀的样点，在实施过程中也存在很多困难。

2、目前已有研究利用往年的作物样本及影像获取作物特征用于识别目标年的作物，这种方法省去了样本实地获取，但由于不同年份在气温、降水等方面存在差异，基于往年的作物特征可能无法对目标年的作物实现精确识别。而根据往年样本生成目标年作物样本则可以解决这一问题，这种方法以一种便捷的方式获取目标年作物样本点，能够在一定程度上保证作物遥感识别的客观性和准确性。有研究者基于往年作物样本，利用光谱反射率和植被指数时序曲线匹配的方式迁移生成目标年的样本，用于作物分类识别并取得良好效果。

3、遥感影像时间序列数据可以反映出作物生长过程中客观的物候特性和理化性质，基于这些作物知识的方法进行作物分布制图可以减小对实测样本的依赖。有研究表明大豆在成熟期相比其他作物表现出偏干和偏绿的特点，将该时期的短波红外波段和归一化植被指数相乘可充分利用这两个特点并将其放大，然后通过阈值分割的方式实现无样本大豆制图。但无样本制图的方法受限于影像质量和时间、空间异质性，在大范围作物制图的效果上往往弱于监督学习，作物样本对于其遥感分类识别仍然十分重要。目前，基于大豆理化性质的样本生成方法研究较少，为大范围大豆空间分布制图带来一定的困难和挑战。

技术实现思路

1、为解决上述技术问题，本发明提出一种基于sentinel2时序曲线分布的大豆样本生成方法的技术方案，以解决上述技术问题。

2、本发明第一方面公开了一种基于sentinel2时序曲线分布的大豆样本生成方法，所述方法包括：

3、步骤s1、实地采集目标区域内的大豆样本点，得到大豆实测点数据，分析目标区域内大豆的物候期，确定大豆的开花期、结荚期和成熟期的时间跨度；

4、步骤s2、获取esa 10m地表覆盖数据集，从中提取出耕地像素并生成目标区域的随机农田样本；

5、步骤s3、获取大豆开花期到成熟期内所有的sentinel2影像，选择sentinel2影像的两个预定义波段和四个植被指数，构建六个特征参量的sentinel2影像时间序列；将六个特征参量从时序影像中提取到大豆实测点和随机农田点中；

6、步骤s4、对提取到大豆实测点和随机农田点中的六个特征参量的sentinel2影像时间序列进行平滑处理；计算平滑处理后的大豆实测点和随机农田点中的六个曲线下面积作为大豆样本生成的特征，得到实测点特征和随机点特征；将实测点特征和随机点特征中的各六个特征划分为高值组和低值组；

7、步骤s5、计算实测点特征的高值组与随机点特征的高值组的特征分布的马氏距离；计算实测点特征的低值组与随机点特征的低值组的特征分布的马氏距离；根据高值组的特征分布的马氏距离和低值组的特征分布的马氏距离设置高值组和低值组的面积的阈值；若某个随机点的高值组的特征分布的马氏距离和低值组的特征分布的马氏距离均小于对应阈值，则将所述随机点认定为大豆样本点。

8、根据本发明第一方面的方法，在所述步骤s2中，所述提取出耕地像素并生成目标区域的随机农田样本的方法包括：

9、在gee中获取目标区域的esa 10m地表覆盖数据集，并在其中生成多个随机点；为随机点创建直径50m的圆形缓冲区，然后计算缓冲区内农田像元面积占比，若比例不低于90％，则将所述随机点认定为可靠农田样本点，所述随机点的作物类型是随机的。

10、根据本发明第一方面的方法，在所述步骤s3中，所述选择sentinel2影像的两个预定义波段的方法包括：

11、利用经调整的云得分算法识别每幅影像中的含云像素并将之去除，将影像中所有波段数值除以10000得到真实反射率数值的影像；通过波段筛选选择sentinel2影像的真实反射率数值的影像的两个原始波段，分别是红边2和短波红外2。

12、根据本发明第一方面的方法，在所述步骤s3中，所述四个植被指数包括：

13、增强型植被指数evi、地表水分指数lswi、红边归一化植被指数rendvi和红边位置repi；

14、

15、其中，red、blue和nir分别代表sentinel2影像的红光波段、蓝光波段和近红外波段的反射率；

16、

17、其中nir和swir1分别代表sentinel2影像的近红外波段和短波红外1波段的反射率；

18、

19、其中nir和re2分别代表sentinel2影像的近红外波段和红边2波段的反射率；

20、

21、其中re1、re2、re3和red分别代表sentinel2影像的红边1波段、红边2波段、红边3波段和红光波段的反射率。

22、根据本发明第一方面的方法，在所述步骤s4中，所述对提取到大豆实测点和随机农田点中的六个特征参量的sentinel2影像时间序列进行平滑处理的方法包括：

23、对时间序列使用10天中值合成，以10天为步长获取时间序列中值组成整齐的时序数据；

24、然后应用s-g滤波对所述时序数据进行平滑滤波，滤波的窗口大小和阶数分别为5和3。

25、根据本发明第一方面的方法，在所述步骤s4中，所述高值组为re2特征、swir2特征和evi特征的时序曲线积分，低值组为lswi特征、rendvi特征和repi特征的时序曲线积分。

26、根据本发明第一方面的方法，在所述步骤s5中，所述根据高值组的特征分布的马氏距离和低值组的特征分布的马氏距离设置高值组和低值组的面积的阈值的方法包括：

27、将高值组的特征分布的马氏距离和低值组的特征分布的马氏距离的50th分位数，设置为高值组和低值组的面积的阈值。

28、本发明第二方面公开了一种基于sentinel2时序曲线分布的大豆样本生成系统，所述系统包括：

29、第一处理模块，被配置为，实地采集目标区域内的大豆样本点，得到大豆实测点数据，分析目标区域内大豆的物候期，确定大豆的开花期、结荚期和成熟期的时间跨度；

30、第二处理模块，被配置为，获取esa 10m地表覆盖数据集，从中提取出耕地像素并生成目标区域的随机农田样本；

31、第三处理模块，被配置为，获取大豆开花期到成熟期内所有的sentinel2影像，选择sentinel2影像的两个预定义波段和四个植被指数，构建六个特征参量的sentinel2影像时间序列；将六个特征参量从时序影像中提取到大豆实测点和随机农田点中；

32、第四处理模块，被配置为，对提取到大豆实测点和随机农田点中的六个特征参量的sentinel2影像时间序列进行平滑处理；计算平滑处理后的大豆实测点和随机农田点中的六个曲线下面积作为大豆样本生成的特征，得到实测点特征和随机点特征；将实测点特征和随机点特征中的各六个特征划分为高值组和低值组；

33、第五处理模块，被配置为，计算实测点特征的高值组与随机点特征的高值组的特征分布的马氏距离；计算实测点特征的低值组与随机点特征的低值组的特征分布的马氏距离；根据高值组的特征分布的马氏距离和低值组的特征分布的马氏距离设置高值组和低值组的面积的阈值；若某个随机点的高值组的特征分布的马氏距离和低值组的特征分布的马氏距离均小于对应阈值，则将所述随机点认定为大豆样本点。

34、本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种基于sentinel2时序曲线分布的大豆样本生成方法中的步骤。

35、本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面中任一项的一种基于sentinel2时序曲线分布的大豆样本生成方法中的步骤。

36、综上，本发明提出的方案能够从大豆作物的理化性质出发，利用sentinel2特征参量时间序列的特征分布生成大豆样本点，能够以准确、简易的方式实现大豆样本点获取，解决大豆种植区分布制图中缺乏样本的问题，使大范围的大豆制图成本更低。经与现有作物分类产品对比，本方法在黑龙江省能够达到90％左右的精度。该方法能够实现市级或省级尺度的大豆样本点准确生成，进而应用在大豆种植区精确识别中，为大豆作物的种植管理、产量估算和市场调动提供重要科学指导依据。