【技术实现步骤摘要】
本申请涉及遥感，特别涉及一种耕地资源遥感智能监测的样本自动生成方法及系统。
技术介绍
1、耕地资源的快速、准确监测可及时反映耕地空间分布信息及其动态变化状况，在农业生产管理、产量估算、种植结构调整等粮食安全可持续发展中具有至关重要作用。然而，耕地资源调查长期依赖于现场巡查统计方法，面临工作周期长、人力成本高、效率低下等诸多困境。新世纪遥感对地观测技术的快速发展为大范围耕地资源信息的获取提供了有效手段，而如何提升耕地资源遥感提取的精确化和智能化水平是遥感科学领域需着重解决的任务之一。
2、目前，常用的耕地资源遥感提取方法主要分为基于像素与面向对象的分类算法，例如最近邻法、最大似然法、决策树方法、支持向量机等。然而，这些传统的机器学习算法需要借助耕地大小、形状、光谱、纹理等先验知识人为设计特征或调整参数，未能有效利用遥感影像场景的上下文语义、空间形态关系等深层次特征，难以表征呈现复杂多样性特点的耕地覆被信息，因此在大范围、高精度耕地资源制图任务上仍存在局限性。
3、近些年来，随着计算机处理能力与人工智能技术的快速发展，传统的人工设计特征方法逐渐提升为自动学习的高级语义特征提取方法，从而对耕地资源遥感监测范式产生了变革式影响。然而，卷积神经网络存在多级分层结构和海量参数，以完全有监督或半监督等健壮方式执行像素分类训练的深度学习耕地提取模型严重依赖于大量标注数据。现实中大部分用户很难获得足够多的提供开放访问的耕地样本数据，而人工标记像素级注释异常耗时和昂贵。相比之下，现有广泛可用的全球土地覆被数据产品使获取大规模
技术实现思路
1、基于此，本申请提出一种耕地资源遥感智能监测的样本自动生成方法及系统，旨在能够改善耕地样本的自动生成质量。
2、本申请的第一方面提供了一种耕地资源遥感智能监测的样本自动生成方法，所述方法包括：
3、获取多源全球土地覆被产品，筛选所述多源全球土地覆被产品的耕地空间分布信息，并且剔除不一致的耕地样本数据，以生成初始耕地样本数据；
4、获取与所述多源全球土地覆被产品相同时间段的多源遥感影像数据，对所述多源遥感影像数据进行预处理，提取ndvi时序数据，再重构ndvi时序曲线；
5、根据所述ndvi时序数据及全球作物种植强度数据建立包括ndvi标准差与ndvi三角分量系数的细化因子；
6、建立高斯混合模型，结合所述ndvi标准差与ndvi三角分量系数的细化因子进行耕地与非耕地区域的聚类及重构，以生成耕地样本数据，其中所述高斯混合模型的形式表达为：
7、，
8、其中，为满足的概率密度函数，y表示输入模型的训练数据，为平衡系数，和为高斯分布的均值向量和协方差向量，使用期望最大化算法进行估计。
9、与现有技术相比，本申请提供的一种耕地资源遥感智能监测的样本自动生成方法，该方法基于广泛可用的多源全球土地覆被产品，在引入时间序列遥感影像数据的同时，还引入了作物种植强度数据，使作物物候信息可以深度参与耕地样本生成过程，有利于提升大规模耕地样本的生成精度与质量。具体地：
10、多源全球土地覆被产品能够提供了不同来源、不同分辨率的土地覆被信息，这些数据具有互补性，能够更全面、准确地反映地表覆盖情况。将这些多源数据融合到耕地分类模型中，可以增加模型的信息量，提高模型对耕地类型的识别能力。
11、时间序列遥感影像数据包含了地表覆盖随时间变化的信息，能够揭示地表特征的动态变化规律，对于耕地而言，时间序列数据可以反映作物生长周期、种植制度、耕作方式等关键信息，这些信息对于准确区分不同耕地类型至关重要。通过分析时间序列数据，可以提取出耕地的关键特征，如生长季长度、作物轮作模式等，从而提高耕地分类的精度。
12、而作物种植强度数据直接反映了耕地的实际利用情况，是耕地分类的重要参考指标。将作物种植强度数据引入耕地分类模型，可以增加模型对耕地利用强度的敏感性，提高模型对高强度种植和低强度种植耕地的区分能力。同时，作物种植强度数据还可以帮助模型识别出休耕地、撂荒地等非耕作状态的耕地，进一步提高分类精度。
13、因此，本方法能够有效改善耕地样本的自动生成质量。
14、作为本申请第一方面的一种可选实施方式，所述筛选所述多源全球土地覆被产品的耕地空间分布信息，并且剔除不一致的耕地样本数据，以生成初始耕地样本数据的步骤包括：
15、以生成年份相同且具有相同空间分辨率的土地覆被产品{p1, p2, …, pn}为耕地样本基础数据来源，分别获取耕地覆被分布数据{r1, r2, …, rn}，其中n为土地覆被产品数量；
16、根据耕地覆被分布数据{r1, r2, …, rn}，建立叠加规则并剔除不一致区域，生成相对一致性耕地样本数据。
17、作为第一方面的一种可选实施方式，所述对所述多源遥感影像数据进行预处理，提取ndvi时序数据，再重构ndvi时序曲线的步骤包括:
18、获取包括时序sentinel-2影像数据与landsat-8卫星影像的多源遥感影像数据，执行几何校正、大气校正和去噪处理；
19、利用landsat-8卫星影像补充缺失的sentinel-2影像数据，并生成ndvi时序数据，生成表达式为：
20、，
21、其中， nir为近红外波段反射值，r为红波段反射值；
22、基于ndvi时序数据，采用加权的double-logistic函数重构ndvi时序曲线，计算表达式为：
23、，
24、其中，为生长季前ndvi背景值，为季内峰值与季前背景值之差，为季内峰值与季后背景值之差，m1和n1分别为ndvi时序曲线在生长阶段的峰位和斜率，m2和n2分别为ndvi时序曲线在衰老阶段的峰位和斜率。
25、作为第一方面的一种可选实施方式，所述ndvi标准差的计算公式为:
26、，
27、其中，表示ndvi标准差，表示ndvi均值，m表示有效观测数。
28、作为第一方面的一种可选实施方式，通过时间序列的谐波分析方法计算获得所述ndvi三角分量系数，计算公式为：
29、，
30、其中，为ndvi原始序列，为ndvi误差序列，为ndvi均值，为时间节点，k为与频率f相关的谐波分量个数，和分别表示ndvi三角分量系数。
31、作为第一方面的一种可选实施方式，所述结合所述ndvi标准差与ndvi三角分量系数的细化因子进行耕地与非耕地区域的聚类及重构，以生成耕地样本数据的步骤包括：
32、将每个像素样本的细化因子分配给后验概率最大的高斯分布，以生成耕地和非耕地两个聚类，并按照耕地和非耕地值的分本文档来自技高网...
【技术保护点】
1.一种耕地资源遥感智能监测的样本自动生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种耕地资源遥感智能监测的样本自动生成方法，其特征在于，所述筛选所述多源全球土地覆被产品的耕地空间分布信息，并且剔除不一致的耕地样本数据，以生成初始耕地样本数据的步骤包括：
3.根据权利要求2所述的一种耕地资源遥感智能监测的样本自动生成方法，其特征在于，所述对所述多源遥感影像数据进行预处理，提取NDVI时序数据，再重构NDVI时序曲线的步骤包括:
4.根据权利要求3所述的一种耕地资源遥感智能监测的样本自动生成方法，其特征在于，所述NDVI标准差的计算公式为:
5.根据权利要求4所述的一种耕地资源遥感智能监测的样本自动生成方法，其特征在于，通过时间序列的谐波分析方法计算获得所述NDVI三角分量系数，计算公式为：
6.根据权利要求5所述的一种耕地资源遥感智能监测的样本自动生成方法，其特征在于，所述结合所述NDVI标准差与NDVI三角分量系数的细化因子进行耕地与非耕地区域的聚类及重构，以生成耕地样本数据的步骤包括：
8.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的处理程序，所述处理程序被所述处理器执行时实现如权利要求1至6中任一项所述的一种耕地资源遥感智能监测的样本自动生成方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有处理程序，所述处理程序被处理器运行时执行上述权利要求1至6任一项所述的一种耕地资源遥感智能监测的样本自动生成方法。
...【技术特征摘要】
1.一种耕地资源遥感智能监测的样本自动生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种耕地资源遥感智能监测的样本自动生成方法，其特征在于，所述筛选所述多源全球土地覆被产品的耕地空间分布信息，并且剔除不一致的耕地样本数据，以生成初始耕地样本数据的步骤包括：
3.根据权利要求2所述的一种耕地资源遥感智能监测的样本自动生成方法，其特征在于，所述对所述多源遥感影像数据进行预处理，提取ndvi时序数据，再重构ndvi时序曲线的步骤包括:
4.根据权利要求3所述的一种耕地资源遥感智能监测的样本自动生成方法，其特征在于，所述ndvi标准差的计算公式为:
5.根据权利要求4所述的一种耕地资源遥感智能监测的样本自动生成方法，其特征在于，通过时间序列的谐波分析方法计算获得所述ndvi三角分量系数，计...
【专利技术属性】
技术研发人员：陈继发，邹海波，何育枫，丁明军，
申请(专利权)人：江西师范大学，
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。