基于Sentinel-1、2影像的大豆种植区识别方法及其面积测算方法技术

本发明专利技术涉及基于Sentinel

【技术实现步骤摘要】
基于Sentinel
‑
1、2影像的大豆种植区识别方法及其面积测算方法


[0001]本专利技术涉及遥感数据处理
，具体来说是基于Sentinel
‑
1、2影像的大豆种植区识别方法及其面积测算方法。

技术介绍

[0002]传统方法获取大豆种植面积依赖于田间调查与统计上报，这种调查方式高成本低效率，且不具备详细刻画种植区域空间分布的能力。遥感技术具有覆盖范围广、采集数据快、动态对地观测等优点，能够通过低成本高效率的方式实现农作物种植面积提取与监测。
[0003]目前基于时间序列数据尤其是植被指数的时序数据已经成为农作物遥感分类识别研究的新机遇。植被指数时间序列数据能够精确地反映作物物候信息(如大豆的出现、结荚、灌浆、成熟)，有效削弱“同物异谱，同谱异物”现象，在农作物遥感分类识别与信息提取研究中发挥了重要作用。增强植被指数和归一化差异植被指数是目前利用遥感技术进行农作物信息识别与提取最常用的植被指数指标。线性谐波模型被广泛的应用于时间序列数据特征提取。特征筛选能够降低冗余信息，缩减特征数量，减少计算运行时间。因此，研究基于优选的时间序列特征提取大豆种植区的技术迫在眉睫。
[0004]现有技术中，一种大豆生长季空间分布图的生成方法和系统，其构造大豆生长季内Sentinel
‑
2光谱波段的时间序列合成影像，然后结合随机森林分类模型探究大豆最早识别的时间窗口，其次通过评估时间窗口内所有特征的重要性进一步筛选特征子集，最终绘制出大豆空间分布图。另有，基于植被指数时序谱特征的大豆种植区提取方法和系统，通过构建中高时空分辨率的时间序列植被指数，利用线性谐波模型提取研究区植被指数时序谱特征。其次，基于关键生育期遥感原始影像波段反射率，通过百分位数、最大值、最小值、平均值、标准差方法提取光谱特征。
[0005]然而，在种植结构复杂或者田块破碎的地区，仅仅利用光谱特征进行大豆识别时，很难将与大豆光谱相似度高的作物如玉米进行区分。另外，机器学习在实际应用时，输入特征个数越多，不仅会增加模型计算开销，同时还可能引起“维度灾难”，即随着高维特征的引入，分类效率和分类精度均会受到不同程度的影响。最后，仅仅利用单一机器学习分类模型进行特征分析及分类时，结果容易受到模型本身“偏好”而产生一定的误差。
[0006]因此，如何设计出一种高精确度的大豆种植区快速准确识别方法已经成为急需解决的技术问题。

技术实现思路

[0007]本专利技术的目的是为了解决现有技术中大豆与其他作物光谱相似度高导致其依靠高维特征难以实现种植区识别的缺陷，提供一种基于Sentinel
‑
1、2影像的大豆种植区识别方法及其面积测算方法来解决上述问题。
[0008]为了实现上述目的，本专利技术的技术方案如下：
[0009]一种基于Sentinel
‑
1、2影像的大豆种植区识别方法，包括以下步骤：
[0010]Sentinel
‑
1、2影像的获取和预处理：获取大豆生长季内Sentinel
‑
2卫星影像，进行预处理后计算5个植被指数并选择5个原始波段；获取大豆生长季内Sentinel
‑
1影像，并进行预处理后选择2个原始波段；分别对所选的植被指数及原始波段进行耕地掩膜处理；
[0011]时间序列特征提取：利用2阶线性谐波模型提取大豆生长季内掩膜后的Sentinel
‑
2卫星影像的5个取植被指数及5个原始波段的时间序列特征，作为Sentinel
‑
2候选时间序列特征；利用2阶线性谐波模型提取大豆生长季内掩膜后的Sentinel
‑
1卫星影像的2个原始波段的时间序列特征，作为Sentinel
‑
1候选时间序列特征；汇总Sentinel
‑
2和Sentinel
‑
1所有候选时间序列特征，得到时间序列特征；
[0012]支持向量机模型的构建：构建支持向量机分类模型；
[0013]优选特征子集确定：构建随机森林分类模型，利用随机森林分类模型计算所有时间序列特征的重要性得分；分别计算Sentinel
‑
2和Sentinel
‑
1候选时间序列特征中每两个候选特征之间的斯皮尔曼相关系数，按照时间序列特征的重要性降序去除斯皮尔曼相关系数大于0.5或小于
‑
0.5的候选特征，得到优选特征子集；
[0014]大豆种植区识别：将优选特征子集输入支持向量机分类模型训练，得到分类结果并提取出大豆种植区。
[0015]所述Sentinel
‑
1、2影像的获取和预处理包括以下步骤：
[0016]在GlobeLand30网站下载30m空间分辨率的土地覆盖数据，在ArcGIS软件中进行镶嵌及剪裁，然后利用ArcGIS软件中提取工具获得耕地数据，并上传至GEE云计算平台；
[0017]在GEE云计算平台中调用大豆生长季内所有的Sentinel
‑
2卫星大气底端反射率数据，利用质量控制QA60波段将云量限制在10％以内，并将所有波段值除以10000得到各个波段反射率值；
[0018]计算大豆生长季内Sentinel
‑
2卫星影像的增强型植被指数EVI、归一化植被指数NDVI、归一化耕作指数NDTI、归一化差值衰变指数NDSVI、红边位置指数REPI，共5个植被指数；
[0019]并选择大豆生长季内Sentinel
‑
2卫星影像的红边1、红边2、红边3、短波红外1和短波红外2，共5个原始波段；
[0020]利用耕地数据对大豆生长季内Sentinel
‑
2卫星影像的5个植被指数和5个原始波段进行耕地掩膜，
[0021]其中Sentinel
‑
2卫星影像的植被指数计算公式如下所示：
[0022][0023]其中，Red、Blue、NIR分别是Sentinel
‑
2的红光、蓝光和近红外波段反射率值；
[0024][0025]其中，NIR和Red分别是Sentinel
‑
2的近红外和红光波段反射率值；
[0026][0027]其中，SWIR1和SWIR2分别是Sentinel
‑
2的短波红外1和短波红外2波段反射率值；
[0028][0029]其中，SWIR1和Red分别是Sentinel
‑
2的短波红外1和红光波段反射率值；
[0030][0031]其中，Red是Sentinel
‑
2的红光波段反射率值，RE1、RE2和RE3是Sentinel
‑
2的三个红边波段即红边1、红边2、红边3波段反射率值；
[0032]在GEE云计算平台中调用大豆生长季内所有的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Sentinel
‑
1、2影像的大豆种植区识别方法，其特征在于，包括以下步骤：11)Sentinel
‑
1、2影像的获取和预处理：获取大豆生长季内Sentinel
‑
2卫星影像，进行预处理后计算5个植被指数并选择5个原始波段；获取大豆生长季内Sentinel
‑
1影像，并进行预处理后选择2个原始波段；分别对所选的植被指数及原始波段进行耕地掩膜处理；12)时间序列特征提取：利用2阶线性谐波模型提取大豆生长季内掩膜后的Sentinel
‑
2卫星影像的5个取植被指数及5个原始波段的时间序列特征，作为Sentinel
‑
2候选时间序列特征；利用2阶线性谐波模型提取大豆生长季内掩膜后的Sentinel
‑
1卫星影像的2个原始波段的时间序列特征，作为Sentinel
‑
1候选时间序列特征；汇总Sentinel
‑
2和Sentinel
‑
1所有候选时间序列特征，得到时间序列特征；13)支持向量机模型的构建：构建支持向量机分类模型；14)优选特征子集确定：构建随机森林分类模型，利用随机森林分类模型计算所有时间序列特征的重要性得分；分别计算Sentinel
‑
2和Sentinel
‑
1候选时间序列特征中每两个候选特征之间的斯皮尔曼相关系数，按照时间序列特征的重要性降序去除斯皮尔曼相关系数大于0.5或小于
‑
0.5的候选特征，得到优选特征子集；15)大豆种植区识别：将优选特征子集输入支持向量机分类模型训练，得到分类结果并提取出大豆种植区。2.根据权利要求1所述的基于Sentinel
‑
1、2影像的大豆种植区识别方法，其特征在于，所述Sentinel
‑
1、2影像的获取和预处理包括以下步骤：21)在GlobeLand30网站下载30m空间分辨率的土地覆盖数据，在ArcGIS软件中进行镶嵌及剪裁，然后利用ArcGIS软件中提取工具获得耕地数据，并上传至GEE云计算平台；22)在GEE云计算平台中调用大豆生长季内所有的Sentinel
‑
2卫星大气底端反射率数据，利用质量控制QA60波段将云量限制在10％以内，并将所有波段值除以10000得到各个波段反射率值；23)计算大豆生长季内Sentinel
‑
2卫星影像的增强型植被指数EVI、归一化植被指数NDVI、归一化耕作指数NDTI、归一化差值衰变指数NDSVI、红边位置指数REPI，共5个植被指数；并选择大豆生长季内Sentinel
‑
2卫星影像的红边1、红边2、红边3、短波红外1和短波红外2，共5个原始波段；利用耕地数据对大豆生长季内Sentinel
‑
2卫星影像的5个植被指数和5个原始波段进行耕地掩膜，其中Sentinel
‑
2卫星影像的植被指数计算公式如下所示：其中，Red、Blue、NIR分别是Sentinel
‑
2的红光、蓝光和近红外波段反射率值；其中，NIR和Red分别是Sentinel
‑
2的近红外和红光波段反射率值；
其中，SWIR1和SWIR2分别是Sentinel
‑
2的短波红外1和短波红外2波段反射率值；其中，SWIR1和Red分别是Sentinel
‑
2的短波红外1和红光波段反射率值；其中，Red是Sentinel
‑
2的红光波段反射率值，RE1、RE2和RE3是Sentinel
‑
2的三个红边波段即红边1、红边2、红边3波段反射率值；24)在GEE云计算平台中调用大豆生长季内所有的Sentinel
‑
1卫星Level
‑
1地距影像数据，成像方式为干涉测量宽幅模式，利用Sentinel
‑
1工具箱进行预处理；选择Sentinel
‑
1卫星影像的VV、VH波段，共2个原始波段；利用耕地数据对大豆生长季内Sentinel
‑
1卫星影像的2个原始波段进行掩膜处理。3.根据权利要求1所述的基于Sentinel
‑
1、2影像的大豆种植区识别方法，其特征在于，所述时间序列特征提取包括以下步骤：31)利用2阶线性谐波模型提取大豆生长季内掩膜后的Sentinel
‑
2卫星影像的5个植被指数和5个原始波段的时间序列特征；利用2阶线性谐波模型提取大豆生长季内掩膜后的Sentinel
‑
1卫星影像的2个原始波段的时间序列特征；其中，2阶线性谐波模型计算公式如下：f(t)＝b+C1cos(3πt)+D1sin(3πt)+C2cos(6πt)+D2sin(6πt)，其中，f(t)是第t时刻分别拟合的Sentinel
‑
2卫星影像的5个植被指数和5个原始波段值以及Sentinel
‑
1卫星影像的2个原始波段值，b是常数项，C1、C2、D1、D2是余弦函数和正弦函数的系数，t是一年中的一天，取相位和振幅作为各个时间序列特征输入，其中振幅1定义为二维矢量[C1，D1]的长度，振幅2定义为二维矢量[C2，D2]的长度，相位1定义为二维矢量[C1，D1]的角度，相位2定义为二维矢量[C2，D2]的角度；32)汇总Sentinel
‑
2和Sentinel
‑
1所有候选时间序列特征，得到时间序列特征。其中汇总的计算公式如下所示：VI＝VI1.addBands(VI2).addBands(VI3)
…
addBands(VI
x
)其中，VI1表示第一个候选时间序列特征，VI
x
表示为最后一个候选时间特征，.addBands()为添加特征的函数。4.根据权利要求1所述的基于Sentinel
‑
1、2影像的大豆种植区识别方法，其特征在于，所述支持向量机模型的构建包括以下步骤：41)在GEE云计算平台中调...

【专利技术属性】
技术研发人员：黄林生，陈月，彭代亮，黄文江，赵晋陵，张东彦，丁翰，殷齐硕，
申请(专利权)人：安徽大学，
类型：发明
国别省市：