一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法技术

一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，包括下列步骤：步骤1：地面调查及训练样本建立；步骤2：构造基于时序遥感数据和卷积神经网络的作物种植分布预测模型，所述卷积神经网络通过在多时相图像中目标像素点及其周围像素点的数据对其进行预测，输入值为多时相的高分辨率多光谱图像，输出值为作物类型、轮作方式的分类信息；步骤3：将统计区域的时序遥感数据输入已构建的模型获取识别结果。只需要通过少量的代表性地块的地面调查，构建了融合遥感遥感数据时序特征和遥感图像局部特征的预测模型，引入了决策点的上下文信息，提高了预测结果的准确性。

【技术实现步骤摘要】
【国外来华专利技术】一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法
本专利技术涉及一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法。
技术介绍
获取农作物种植分布的时空变化信息是国家掌握耕地资源状况、粮食生产态势以及生态系统保护的重要环节。种植分布信息具有时间变异性和空间变异性，使用地面调查方法获取这些信息耗费巨大的人力物力。随着卫星及传感器技术的进步，高空间分辨率遥感卫星已实现周期性地对地进行观测，所搭载的传感器能有效获取作物光谱。在各种作物生长的不同物候期，光谱会呈现不同的特征。利用机器学习模型，结合研究区域主要作物的物候期，对高分辨率多光谱时序遥感数据进行处理，能够预测作物种植情况。现有模型方法中，由于没有充分利用时序信息或上下文信息，导致种植分布预测准确度不高，因此需要一种基于时序数据和上下文信息的作物种植分布预测方法。
技术实现思路
本专利技术的目的在于提供一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，以解决现有技术中由于没有充分利用时序信息或上下文信息，导致种植分布预测准确度不高的问题。所述的一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，包括下列步骤：步骤1：地面调查及训练样本建立；步骤2：构造基于时序遥感数据和卷积神经网络的作物种植分布预测模型，所述卷积神经网络通过在多时相图像中目标像素点及其周围像素点的数据对其进行预测，输入值为多时相的高分辨率多光谱图像，输出值为作物类型、轮作方式的分类信息；步骤3：将统计区域的时序遥感数据输入已构建的模型获取识别结果。优选的，所述步骤1包括如下步骤：步骤1.1：调研统计区域的主要种植作物类型、轮作方式、关键物候期时间节点；步骤1.2：针对步骤1.1中不同作物类型、轮作方式，各选取部分代表性地块，详细记录地块位置及范围、种植面积、种植作物、种植时间等，得到训练样本。优选的，所述步骤2包括如下步骤：步骤2.1：收集不同时期包含步骤1.2中选取的代表性地块的遥感图像，将不同时间的遥感图像进行精确配准，并将不同作物类型、轮作方式的区域进行逐像素的分类标记；步骤2.2：将时序遥感数据作为模型的输入，作物类型、轮作方式的分类信息作为模型的输出，构建多层卷积神经网络；步骤2.3：利用步骤2.1中的训练样本，使用反向传播算法对多层卷积神经网络中的参数进行充分训练。优选的，所述步骤2中，图像处理过程中将不同时相遥感图像的各波段数据分别以多种颜色通道图像存储，在进行预测时根据领域大小、时相数和每时相图像通道数获取相应像素点的数据对目标像素点进行预测。优选的，所述步骤3包括如下步骤：步骤3.1：收集研究区域范围的时间与神经网络训练时采集遥感图像时间相同的遥感图像，将不同时间的遥感图像进行精确配准；步骤3.2：将步骤3.1中的配准后的时序遥感数据输入到步骤2.3中训练的多层卷积神经网络模型中，获取研究区域的作物种植分类预测结果。优选的，神经网络训练时，采集遥感图像的时间为三月到十一月每月中旬。本专利技术具有如下优点：本专利技术一方面只需要通过少量的代表性地块的地面调查，结合卫星数据提供的高分辨率多光谱图像就能给出作物种植分布的预测结果，可以大幅减少地面调查人员的现场调查成本，还可以利用历史遥感信息实现往年作物种植分布的预测；另一方面，构建了融合遥感遥感数据时序特征和遥感图像局部特征，提高了预测结果的准确性。相比现有预测方法，本方法引入了决策点的上下文信息，针对目标像素点不仅采集了多时相的图像数据，以其中目标像素点数据进行预测，而且通过设定的邻域大小采集目标像素点周围的像素数据，是面对点的预测，还结合了多图像通道的数据，这大大提高了预测结果的准确性。附图说明图1为本专利技术一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法的流程图。具体实施方式下面对照附图，通过对实施例的描述，对本专利技术具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本专利技术的专利技术构思、技术方案有更完整、准确和深入的理解。如图1所示，本专利技术提供了一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，该方法包括下列步骤：步骤1：地面调查及训练样本建立；具体包括如下步骤：步骤1.1：调研统计区域的主要种植作物类型、轮作方式、关键物候期时间节点；步骤1.2：针对步骤1.1中不同作物类型、轮作方式，各选取部分代表性地块，详细记录地块位置及范围、种植面积、种植作物、种植时间等，得到训练样本。步骤2：构造基于时序遥感数据和卷积神经网络的作物种植分布预测模型，所述卷积神经网络通过在多时相图像中目标像素点及其周围像素点的数据对其进行预测，输入值为多时相的高分辨率多光谱图像(即遥感图像，经过处理后进行输入)，输出值为作物类型、轮作方式的分类信息；具体包括如下步骤：步骤2.1：收集三月到十一月每月中旬包含步骤1.2中选取的代表性地块的遥感图像，将不同时间的遥感图像进行精确配准，并将不同作物类型、轮作方式的区域进行逐像素的分类标记；图像处理过程中将不同时相遥感图像的各波段数据分别以多种颜色通道图像存储。步骤2.2：将时序遥感数据作为模型的输入，作物类型、轮作方式的分类信息作为模型的输出，构建多层卷积神经网络。在进行预测时根据领域大小、时相数和每时相图像通道数获取相应像素点的数据对目标像素点进行预测。例如采用常用的图像通道r(红色)+g(绿色)+b(蓝色)+nir(近红外光谱)，这样采集的遥感图像处理后依据时相形成对应各个图像通道的时序遥感数据，如果神经网络建立时设定领域为5，则在对目标像素点预测时会采集各个图像中目标像素点及其周围5×5的像素点数据。因此本方法所用的模型在预测时需要采集邻域大小*时相数*每时相图像通道数的像素数据，是面对点的预测，相比现有技术大大提高了预测结果的准确性。根据时相不同进行的预测，不仅能预测作物的种类，还能根据作物物候期的不同预测区域中作物是早稻还是晚稻，这是现有技术所不具备的。步骤2.3：利用步骤2.1中的训练样本，使用反向传播算法对多层卷积神经网络中的参数进行充分训练。步骤3：将统计区域的时序遥感数据输入已构建的模型获取识别结果；具体包括如下步骤：步骤3.1：收集研究区域范围在三月到十一月每月中旬的遥感图像，将不同时间的遥感图像进行精确配准；步骤3.2：将步骤3.1中的配准后的时序遥感数据输入到步骤2.3中训练的多层卷积神经网络模型中，获取研究区域的作物种植分类预测结果。本专利技术只需要通过少量的代表性地块的地面调查，构建了融合遥感遥感数据时序特征和遥感图像局部特征的预测模型，引入了决策点的上下文信息，提高了预测结果的准确性。上面结合附图对本专利技术进行了示例性描述，显然本专利技术具体实现并不受上述方式的限制，只要采用了本专利技术的专利技术构思和技术方案进行的各种非实质性的改进，或未经改进将本专利技术构思和技术方案直接应用于其它场合的，均在本专利技术保护范围之内。本文档来自技高网...

【技术保护点】
一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，其特征在于：包括下列步骤：/n步骤1：地面调查及训练样本建立；/n步骤2：构造基于时序遥感数据和卷积神经网络的作物种植分布预测模型，所述卷积神经网络通过在多时相图像中目标像素点及其周围像素点的数据对其进行预测，输入值为多时相的高分辨率多光谱图像，输出值为作物类型、轮作方式的分类信息；/n步骤3：将统计区域的时序遥感数据输入已构建的模型获取识别结果。/n

【技术特征摘要】
【国外来华专利技术】一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，其特征在于：包括下列步骤：
步骤1：地面调查及训练样本建立；
步骤2：构造基于时序遥感数据和卷积神经网络的作物种植分布预测模型，所述卷积神经网络通过在多时相图像中目标像素点及其周围像素点的数据对其进行预测，输入值为多时相的高分辨率多光谱图像，输出值为作物类型、轮作方式的分类信息；
步骤3：将统计区域的时序遥感数据输入已构建的模型获取识别结果。


根据权利要求1所述的一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，其特征在于：所述步骤1包括如下步骤：
步骤1.1：调研统计区域的主要种植作物类型、轮作方式、关键物候期时间节点；
步骤1.2：针对步骤1.1中不同作物类型、轮作方式，各选取部分代表性地块，详细记录地块位置及范围、种植面积、种植作物、种植时间等，得到训练样本。


根据权利要求2所述的一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，其特征在于：所述步骤2包括如下步骤：
步骤2.1：收集不同时期包含步骤1.2中选取的代表性地块的遥感图像，将不同时间的遥感图像进行精确配准，并将不同作物类型、轮作方式的区域进行逐像素的分类标记；...

【专利技术属性】
技术研发人员：张炜，黄河，史杨，吴晓伟，
申请(专利权)人：安徽中科智能感知产业技术研究院有限责任公司，
类型：发明
国别省市：安徽;34