【技术实现步骤摘要】
本专利技术涉及卫星遥感影像处理和经济作物识别，具体涉及一种基于卫星遥感影像和dem的柑橘种植区提取方法。
技术介绍
1、柑橘是重要的经济作物，在农业经济发展中扮演着重要角色，对其种植区进行快速有效的监测能够为柑橘的生产管理和产业布局提供决策支持。传统的实地统计方法耗时耗力，难以实现大范围柑橘种植区的定期监测。通过卫星遥感手段，根据地学理论和遥感影像信息，能够快速地获取大范围地表信息，监测和分析柑橘种植情况，预估产量，对柑橘生产和监管具有重大意义。
2、目前，作物识别和土地覆盖制图主要是利用卫星或无人机影像的光谱信息，借助机器学习或是面向对象算法实现。提取所获得的对象单元与实际目标地物的形态往往并不匹配。深度学习方法可以考虑每个像素邻域的上下文信息，从而提高性能并减少噪声，对于复杂多变的情况具有更强的鲁棒性。近年来，深度学习在遥感地物识别上的应用主要还是集中在建筑、水体以及常见农作物上，如水稻、小麦、玉米等，对于果园的研究较少。同时，对于种植结构不规则、受云雾天气影响导致可用的遥感数据量少等困难区域，时序信息难以利用，如何有效提取柑橘果园的空间信息是研究的重点。
技术实现思路
1、本专利技术目的：在于提供一种基于卫星遥感影像和dem的柑橘种植区提取方法，以实现柑橘种植区的准确提取。
2、为实现以上功能，本专利技术设计一种基于卫星遥感影像和dem的柑橘种植区提取方法，针对待识别区域，执行如下步骤s1-步骤s7，完成该区域的柑橘种植区识别：
3、步骤s
4、步骤s2：对sentinel-2卫星遥感影像数据进行预处理、重采样和地形校正；
5、步骤s3：针对步骤s2所获得的sentinel-2卫星遥感影像数据，在影像范围内分别选取森林、农田、裸地、草地、柑橘果园5类样本点，并分别计算各类型样本点的候选特征，其中候选特征包括多种柑橘生长特性相关的植被指数；
6、步骤s4：分别针对各类型样本点，基于relief f算法，分别计算各候选特征经t次迭代的平均权重，将平均权重作为相应各候选特征的特征权重，以特征权重表征各候选特征在柑橘种植区识别中的重要性；
7、将各候选特征根据特征权重数值由大至小依次排列，选取前三位的候选特征作为引入影像光谱特征；
8、步骤s5：根据dem数据，计算待识别区域的地形因子，包括高程、坡度、坡向，并进行重采样，重采样间隔与sentinel-2卫星遥感影像数据相同；
9、步骤s6：构建多尺度unet柑橘识别模型，采用pytorch深度学习库搭建模型框架，该模型基于unet语义分割模型，并添加空洞空间金字塔池化模块；将剔除无关波段的sentinel-2卫星遥感影像数据，与步骤s4所获得三个影像光谱特征，以及步骤s3所获得的待识别区域的三个地形因子的组合特征图作为模型输入；以柑橘种植区空间分布图作为模型输出；
10、步骤s7：对多尺度unet柑橘识别模型进行训练、验证、评价，获得训练好的多尺度unet柑橘识别模型，应用多尺度unet柑橘识别模型，完成待识别区域的柑橘种植区识别。
11、作为本专利技术的一种优选技术方案：步骤s2包括将l1c产品级别的sentinel-2卫星遥感影像数据转化为l2a产品级别，将sentinel-2卫星遥感影像数据的所有波段重采样至10m，利用teillet算法进行地形校正，并将灰度值转换为光谱反射率。
12、作为本专利技术的一种优选技术方案：步骤s3中所述的植被指数根据sentinel-2卫星遥感影像数据波段计算，包括比值植被指数、差值植被指数、增强植被指数、归一化植被指数、绿通道植被指数、叶绿素植被指数、土壤调节植被指数、优化土壤调节植被指数、改良土壤调节植被指数、归一化差异红边指数1、归一化差异红边指数2、红边近红外归一化植被指数1、红边近红外归一化植被指数2、红边近红外归一化植被指数3。
13、作为本专利技术的一种优选技术方案：步骤s4中选取比值植被指数、归一化植被指数、归一化差异红边指数2作为影像光谱特征。
14、作为本专利技术的一种优选技术方案：步骤s4中所述的平均权重如下式：
15、
16、其中，t为迭代次数，ω(fi)表示特征集f的第i个特征的权重，k是最近邻样本的数量，∑h∈h∣ri-hi∣是样本r与所选k个同类样本h在第i个特征上的最近邻距离总和；∑m∈m∣ri-mi∣表示样本r与k个不同类型样本m在第i个特征上的最近邻距离总和。
17、作为本专利技术的一种优选技术方案：步骤s6中剔除的sentinel-2卫星遥感影像数据中的无关波段包括气溶胶波段b1、水蒸气波段b9、卷云波段b10、近红外波段b8a；保留的波段包括蓝波段b2、绿波段b3、红波段b4、三个植被红边波段b5、b6、b7、近红外波段b8、两个短波红外波段b11、b12，共计9个波段；
18、将保留9个波段与三个影像光谱特征，以及待识别区域的三个地形因子，共计15个波段的组合特征图作为多尺度unet柑橘识别模型的输入，以柑橘种植区空间分布图作为多尺度unet柑橘识别模型的输出，其中柑橘种植区空间分布图包括背景概率和柑橘类别概率两个维度。
19、作为本专利技术的一种优选技术方案：步骤s6中所构建的多尺度unet柑橘识别模型，基于unet语义分割模型，以3层的resnet50网络作为unet语义分割模型的主干网络，并调用imagenet数据集上的预训练参数，编码器末尾添加空洞空间金字塔池化模块，增加感知野，获得多尺度信息；编码器额外添加128×128和64×64影像块大小的训练分支，补充多级感受野特征，信息通过特征融合模块整合，输入解码器中。
20、作为本专利技术的一种优选技术方案：步骤s7中对多尺度unet柑橘识别模型进行训练、验证、评价的过程如下：
21、步骤s7.1：在各输入特征图上划分训练区与测试区，在训练区采集训练影像并针对影像中的像素标注标签，标签为柑橘果园像素和背景像素，采用50％的重叠率将训练影像和标签裁剪为尺寸256×256的影像块；
22、步骤s7.2：针对各影像块，剔除部分负样本，使正负样本数量比为1:1，其中正样本为影像块对应的标签中含有柑橘果园像素，负样本为影像块对应的标签中不含有柑橘果园像素，使用几何变换对各影像块进行数据增强，并将各影像块随机分成训练集和验证集，数量比例为8:2；
23、步骤s7.3：选择加权类别交叉熵损失，统计标签中柑橘果园像素出现频率βn，按照权重公式计算柑橘果园权重wn如下式：
24、
25、步骤s7.4：采用adam优化器用于多尺度unet柑橘识别模型训练，设置模型的初始学习率为1×10-4，批次大小为4，总训练epoch数为80，定义学习率衰减因子为0.1，每25个epoch学习率下降。
26、本专利技术还设计一种本文档来自技高网...
【技术保护点】
1.一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，针对待识别区域，执行如下步骤S1-步骤S7，完成该区域的柑橘种植区识别：
2.根据权利要求1所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，步骤S2包括将L1C产品级别的Sentinel-2卫星遥感影像数据转化为L2A产品级别，将Sentinel-2卫星遥感影像数据的所有波段重采样至10m，利用Teillet算法进行地形校正，并将灰度值转换为光谱反射率。
3.根据权利要求1所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，步骤S3中所述的植被指数根据Sentinel-2卫星遥感影像数据波段计算，包括比值植被指数、差值植被指数、增强植被指数、归一化植被指数、绿通道植被指数、叶绿素植被指数、土壤调节植被指数、优化土壤调节植被指数、改良土壤调节植被指数、归一化差异红边指数1、归一化差异红边指数2、红边近红外归一化植被指数1、红边近红外归一化植被指数2、红边近红外归一化植被指数3。
4.根据权利要求1所述的一种基于卫星遥感影像和DEM的柑橘种植区提取
5.根据权利要求1所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，步骤S4中所述的平均权重如下式：
6.根据权利要求1所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，步骤S6中剔除的Sentinel-2卫星遥感影像数据中的无关波段包括气溶胶波段B1、水蒸气波段B9、卷云波段B10、近红外波段B8a；保留的波段包括蓝波段B2、绿波段B3、红波段B4、三个植被红边波段B5、B6、B7、近红外波段B8、两个短波红外波段B11、B12，共计9个波段；
7.根据权利要求1所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，步骤S6中所构建的多尺度UNet柑橘识别模型，基于UNet语义分割模型，以3层的Resnet50网络作为UNet语义分割模型的主干网络，并调用ImageNet数据集上的预训练参数，编码器末尾添加空洞空间金字塔池化模块，增加感知野，获得多尺度信息；编码器额外添加128×128和64×64影像块大小的训练分支，补充多级感受野特征，信息通过特征融合模块整合，输入解码器中。
8.根据权利要求1所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，步骤S7中对多尺度UNet柑橘识别模型进行训练、验证、评价的过程如下：
9.一种电子设备，其特征在于，包括存储装置、一个或多个处理器、存储装置用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一项所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法。
10.一种计算机可读存储介质，其内部存储计算机程序，其特征在于，计算机程序被处理器执行时实现如权利要求1-8中任一项所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法。
...【技术特征摘要】
1.一种基于卫星遥感影像和dem的柑橘种植区提取方法，其特征在于，针对待识别区域，执行如下步骤s1-步骤s7，完成该区域的柑橘种植区识别：
2.根据权利要求1所述的一种基于卫星遥感影像和dem的柑橘种植区提取方法，其特征在于，步骤s2包括将l1c产品级别的sentinel-2卫星遥感影像数据转化为l2a产品级别，将sentinel-2卫星遥感影像数据的所有波段重采样至10m，利用teillet算法进行地形校正，并将灰度值转换为光谱反射率。
3.根据权利要求1所述的一种基于卫星遥感影像和dem的柑橘种植区提取方法，其特征在于，步骤s3中所述的植被指数根据sentinel-2卫星遥感影像数据波段计算，包括比值植被指数、差值植被指数、增强植被指数、归一化植被指数、绿通道植被指数、叶绿素植被指数、土壤调节植被指数、优化土壤调节植被指数、改良土壤调节植被指数、归一化差异红边指数1、归一化差异红边指数2、红边近红外归一化植被指数1、红边近红外归一化植被指数2、红边近红外归一化植被指数3。
4.根据权利要求1所述的一种基于卫星遥感影像和dem的柑橘种植区提取方法，其特征在于，步骤s4中选取比值植被指数、归一化植被指数、归一化差异红边指数2作为影像光谱特征。
5.根据权利要求1所述的一种基于卫星遥感影像和dem的柑橘种植区提取方法，其特征在于，步骤s4中所述的平均权重如下式：
6.根据权利要求1所述的一种基于卫星遥感影像和dem的柑橘种植区提取方法，其特征在于，步骤s6中剔除的sen...
【专利技术属性】
技术研发人员：李勇，刘文静，雍斌，王振立，翁宝凤，司文才，林少蓉，丁涵，赖美芸，
申请(专利权)人：河海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。