一种基于机器学习的冬小麦种植面积近实时预测方法技术

本发明专利技术公开了一种基于机器学习的冬小麦种植面积近实时预测方法，包括生成过去几年冬小麦土地利用图，在Google Earth Engine(GEE)平台中，对Landsat 8遥感影像进行预处理操作，并融合DEM、NDVI、MNDWI、MNBI得到预处理遥感影像；预测下一年冬小麦的种植面积，按照两种影像数据融合方式进行数据集的构建，利用GEE从年度堆栈中选择影像中像素个数的0.25％作为像素训练样本采样率，生成随机点数据集和最终的训练规则；分析下一年冬小麦种植面积的预测精度。本发明专利技术利用GEE遥感云平台以及随机森林模型，快速生成长时间序列的冬小麦历史轮作数据，并与统计年鉴中的数据呈现非常好的相关性，预测精度有大幅提升，并通过融合冬小麦播种后1

【技术实现步骤摘要】
一种基于机器学习的冬小麦种植面积近实时预测方法


[0001]本专利技术涉及遥感
，尤其涉及一种基于机器学习的冬小麦种植面积近实时预测方法。

技术介绍

[0002]目前大多数高时间分辨率卫星提供的遥感物候产品为年产品，而农作物生长期后生成的遥感物候年产品主要用于历史作物研究，并不适用于农作物生长季节内(通常是指在作物生长阶段改变后的几天或几周内)作物物候信息的实际应用，这种时间的延迟会降低遥感物候对很多应用程序的效用，而主要农作物的变化对于该区域的农业有着重要影响。因此，如何在冬小麦生长初期对于冬小麦进行精准的收获期面积预测对于生成冬小麦短期物候产品非常关键。
[0003]随着遥感云平台的快速发展，Google Earth Engine(GEE)被广泛应用于遥感农作物提取，而基于机器学习，利用及时可用的卫星观测与植被物候气候学相结合的方法来实时监测植被物候，并在短期内对农作物进行预测的方法也被用于农作物预测的相关研究中。现有技术中已有的技术包括利用Venμs、Sentinel
‑
2和HLS数据集，开发作物早期生长季节内的方法，在田间规模绘制玉米和大豆的作物物候图；以及利用作物专用地图耕地数据层CDL数据融合Landsat7、9以及Sentinel
‑
2数据对中心地带进行的农作物数据预测，分类输出了近实时作物类型图。以上方法能够适用于国外的近实时农作物面积预测，但对于国内的近实时农作物面积预测缺少一定的迁移能力。
[0004]目前，国内的冬小麦作物预测仍然存在以下问题：(1)我国的农作物种植面积预测主要实现的是中长期的预测，关于短期近实时的预测研究较少；(2)我国尚未实现长时间序列的农耕数据层产品，主要使用的是基于统计方法的种植面积预测，与遥感数据集相结合的农作物种植面积预测较少，无法了解农作物的空间分布。

技术实现思路

[0005]专利技术目的：本专利技术的目的是提供一种基于机器学习的冬小麦种植面积近实时预测方法。
[0006]技术方案：本专利技术包括如下步骤：
[0007](1)生成过去几年冬小麦土地利用图；
[0008](2)预测下一年冬小麦的种植面积；
[0009](3)分析下一年冬小麦种植面积的预测精度。
[0010]进一步地，所述步骤(1)包括：
[0011](1.1)在GEE平台中，对Landsat 8遥感影像进行预处理操作，并融合DEM、NDVI、MNDWI、MNBI得到预处理遥感影像；
[0012](1.2)基于Google Earth地图的冬小麦物候数据，在GEE平台中目视解译随机勾选样本点，使用simleRandomForest函数对预处理所获得的遥感影像分类并提取研究区冬小
麦播种面积，输出混淆矩阵评价模型准确性，并使用统计年鉴中的数据进行相关性分析；
[0013](1.3)进一步判断可靠性并使用统计年鉴中数据对生成的结果进行可靠性、一致性评估，最终生成过去几年的冬小麦土地利用图。
[0014]进一步地，所述步骤(1.1)中对Landsat 8遥感影像进行预处理操作为去云后影像中值合成。
[0015]进一步地，所述步骤(2)包括：
[0016](2.1)使用获取得到的过去几年的冬小麦土地利用图，按照两种影像数据融合方式进行数据集的构建；
[0017](2.2)利用GEE从年度堆栈中选择影像中像素个数的0.25％作为像素训练样本采样率，生成随机点数据集；
[0018](2.3)将步骤(2.2)中完整的随机点训练集发送到随机森林分类器，进行参数的调整，生成最终的训练规则；
[0019](2.4)将步骤(2.3)中派生的决策规则应用于当前的图像序列，构建出分类，预测下一年的冬小麦播种面积。
[0020]进一步地，所述步骤(2.1)中两种影像数据包括CDL数据和冬小麦播种后1
‑
2个月内Landsat 8数据。
[0021]进一步地，所述步骤(2.1)中数据集的构建方法为将基于时间序列合成图像按年份堆积，与相应的冬小麦土地利用图链接，并融合DEM数据，使用生成的冬小麦土地利用图作为标签，合并过去几年所有的样本最终合成训练数据集。
[0022]进一步地，所述DEM数据为该省市的DEM数据。
[0023]进一步地，所述训练数据集为单一的训练数据集。
[0024]进一步地，所述步骤(3)根据步骤(2)中得到的下一年冬小麦的播种面积预测结果，进行预测精度分析。
[0025]进一步地，所述预测精度分析包括混淆矩阵精度评价和统计年鉴精度分析。
[0026]有益效果：本专利技术与现有技术相比，具有如下显著优点：利用GEE遥感云平台以及随机森林模型，快速生成长时间序列的冬小麦历史轮作数据，并与统计年鉴中的数据呈现非常好的相关性，预测精度有大幅提升，弥补了国内尚未有完整的长时间序列农作物物候产品的空缺；与此同时，通过随机点获取样本信息构建冬小麦面积预测的数据集，并融合冬小麦播种后1
‑
2月内的Landsat 8近实时遥感影像，进行冬小麦短期的面积预测，可以快速生成短期物候产品。
附图说明
[0027]图1为本专利技术的流程图；
[0028]图2为京津冀地区2020年冬小麦CDL预测结果图；
[0029]图3为京津冀地区2020年冬小麦CDL+Landsat 8预测结果图。
具体实施方式
[0030]下面结合附图对本专利技术的技术方案作进一步说明。
[0031]如图1所示，本专利技术是一种基于GEE云平台以及随机森林，融合了冬小麦历史轮作
数据与Landsat 8近实时遥感影像数据，进行短期的冬小麦种植面积预测方法，包括：
[0032]步骤1：生成2013年～2019年冬小麦土地利用图
[0033]首先在GEE平台中，对Landsat 8遥感影像进行预处理操作，进行去云后影像中值合成，并融合DEM、NDVI、MNDWI、MNBI得到预处理遥感影像。
[0034]基于Google Earth地图，基于冬小麦的物候数据，在GEE平台中目视解译随机勾选样本点，使用simleRandomForest函数对预处理所获得的遥感影像分类提取研究区冬小麦播种面积，输出混淆矩阵评价模型准确性，并使用统计年鉴中的数据进行相关性分析，进一步判断其可靠性并使用统计年鉴中数据对生成的结果进行可靠性、一致性的评估。最终生成2013年～2019年的冬小麦历史轮作数据。
[0035]步骤2：预测2020年冬小麦面积
[0036]将CDL数据和冬小麦播种后1
‑
2个月内Landsat 8数据融合，使用融合后的影像进行数据集的构建，
[0037]数据集的构建方法基于时间序列合成图像按年份“堆积”，并与相应的冬小麦土地利用图链接，并融合该省市的DEM数据，使用冬小麦土地利用图作为标签，然后合并所有四年的样本最终合成单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的冬小麦种植面积近实时预测方法，其特征在于，所述方法包括如下步骤：(1)生成过去几年冬小麦土地利用图；(2)预测下一年冬小麦的种植面积；(3)分析下一年冬小麦种植面积的预测精度。2.根据权利要求1所述的基于机器学习的冬小麦种植面积近实时预测方法，其特征在于，所述步骤(1)包括：(1.1)在GEE平台中，对Landsat 8遥感影像进行预处理操作，并融合DEM、NDVI、MNDWI、MNBI得到预处理遥感影像；(1.2)基于Google Earth地图的冬小麦物候数据，在GEE平台中目视解译随机勾选样本点，使用simleRandomForest函数对预处理所获得的遥感影像分类并提取研究区冬小麦播种面积，输出混淆矩阵评价模型准确性，并使用统计年鉴中的数据进行相关性分析；(1.3)进一步判断可靠性并使用统计年鉴中数据对生成的结果进行可靠性、一致性评估，最终生成过去几年的冬小麦土地利用图。3.根据权利要求2所述的基于机器学习的冬小麦种植面积近实时预测方法，其特征在于，所述步骤(1.1)中对Landsat 8遥感影像进行预处理操作为去云后影像中值合成。4.根据权利要求1所述的基于机器学习的冬小麦种植面积近实时预测方法，其特征在于，所述步骤(2)包括：(2.1)使用获取得到的过去几年的冬小麦土地利用图，按照两种影像数据融合方式进行数据集的构建；(2.2)利用GEE从年度堆栈中选择影像中像素个数的0.25％作为像素训练样本采样率，生成随...

【专利技术属性】
技术研发人员：赵书河，叶柳莹，黄鑫毅，
申请(专利权)人：南京大学，
类型：发明
国别省市：