System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及作物分类,特别是涉及一种田块级作物种植面积早期监测方法。
技术介绍
1、及时准确地绘制作物种植分布以及获取面积信息对于估算作物产量、评估粮食安全、灾害预防、农业政策制定等方面至关重要。卫星遥感因其时效性高以及成本低廉等特点被认为是一种有效监测农作物的方法,已被广泛应用于作物种植分布及面积信息提取。
2、如图1所示,当前作物制图方法主要通过专家知识(如基于物候的算法)、机器学习(如随机森林算法)和深度学习(如卷积神经网络算法)等方法,基于不同方式获取的训练样本如地面调查、目视解译、已开放作物分布数据、统计抽样等方式,结合经过预处理后的光学遥感和合成孔径雷达数据构建和筛选出有效区分不同作物的分类特征库,进而通过不同的作物制图方法得到作物分布的结果。
3、通过卫星遥感来进行作物制图有两种分类的策略,一种是基于像元的作物信息提取策略,一种是基于对象的作物信息提取策略。当前绝大多数大范围内快速提取作物种植信息的研究都采用基于像元的分类策略,因为基于对象的作物信息提取策略往往需要结合更高分辨率的遥感数据对原始影像进行分割,其算法有时复杂、耗时且计算量巨大,不易执行。随着卫星遥感分辨率的逐渐提高,例如像sentinel-2、planet、worldview等中高分辨率卫星遥感影像出现,其单个像元通常远小于地面物体,基于像元的作物信息提取方法仅仅利用了单像元的光谱特征,而忽略了同一地物内不同像元之间的空间关系,这将造成作物分类结果存在很多噪声,例如在同一地块内部可能出现不同的分类结果,以及受影像质量及分类错
4、此外,当前大部分准确地作物分类结果发布都具有一定的滞后性,往往在作物收获后的一段时间后才能获取,这大大降低了作物分类结果使用的时效性。这主要是因为大区域内作物制图所需的当年的训练样本不易获取,以及在生长季内光学数据受云雨干扰造成有效观测缺失等原因。
技术实现思路
1、为了克服现有技术的不足,本专利技术的目的是提供一种田块级作物种植面积早期监测方法。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种田块级作物种植面积早期监测方法,包括:
4、获取目标区域的卫星影像数据和作物样本数据集,并对所述卫星影像数据进行预处理,得到重建后的时间序列卫星数据;所述作物样本数据集包括地面样本和地块数据;
5、基于特征筛选算法筛选确定用于作物分类的最佳分类特征组合;
6、基于影像分割算法,根据所述地块数据将所述卫星影像数据进行分割,得到对象单元;
7、对各个所述对象单元进行光谱聚合,得到聚合影像;
8、根据所述聚合影像、所述分类特征和所述作物样本数据集对初始的机器学习分类器进行训练和评估,得到训练好的作物分类模型;
9、将目标年份的遥感影像输入至所述作物分类模型中,得到目标年份田块级尺度作物早期监测结果。
10、优选地,在将目标年份的遥感影像输入至所述作物分类模型中,得到目标年份的田块级尺度作物早期监测结果之后,还包括:
11、通过地面真实样本计算混淆矩阵,评估所述田块级尺度作物早期监测结果的精度及可靠性,并通过计算得到的精度对所述田块级尺度作物早期监测结果进行面积和精度校正,得到校正后的不同作物种植面积信息。
12、优选地,所述卫星影像数据为sentinel-2的地表反射率数据。
13、优选地,对所述卫星影像数据进行预处理,包括:去云处理、空间滤波去噪声、时间序列合成、线性插值和植被指数计算过程。
14、优选地,所述分类特征包括光谱、植被指数、纹理、地形和物候中的任意一种或多种。
15、优选地,所述影像分割算法为简单非迭代聚类算法。
16、优选地,对各个所述对象单元进行影像聚合,得到聚合影像,包括:
17、将分割后空间、光谱、时间上具有相似特征的所述对象单元的像元合并为同一对象;
18、在所述同一对象内,通过平均值或中值合成方式整合不同对象内的特征参数,形成所述聚合影像。
19、优选地,所述机器学习分类器为支持向量机、随机森林或分类与回归树中的任一种。
20、根据本专利技术提供的具体实施例,本专利技术公开了以下技术效果:
21、本专利技术提供了一种田块级作物种植面积早期监测方法,包括:获取目标区域的卫星影像数据和作物样本数据集,并对所述卫星影像数据进行预处理,得到重建后的时间序列卫星数据;所述作物样本数据集包括地面样本和地块数据;基于特征筛选算法确定用于作物分类的分类特征;基于影像分割算法,根据所述地块数据将所述卫星影像数据进行分割,得到对象单元;对各个所述对象单元进行光谱聚合,得到聚合影像;根据所述聚合影像、所述分类特征和所述作物样本数据集对初始的机器学习分类器进行训练和评估,得到训练好的作物分类模型;将目标年份的遥感影像输入至所述作物分类模型中,得到目标年份田块级尺度作物早期监测结果。本专利技术结合影像分割算法,能够在生长季节内监测田块级作物种植分布和面积,显著降低了基于像元分类而产生的不确定性,提高了作物分类的准确性和时效性。
本文档来自技高网...【技术保护点】
1.一种田块级作物种植面积早期监测方法,其特征在于,包括:
2.根据权利要求1所述的田块级作物种植面积早期监测方法,其特征在于,在将目标年份的遥感影像输入至所述作物分类模型中,得到目标年份的田块级尺度作物早期监测结果之后,还包括:
3.根据权利要求1所述的田块级作物种植面积早期监测方法,其特征在于,所述卫星影像数据为Sentinel-2的地表反射率数据。
4.根据权利要求1所述的田块级作物种植面积早期监测方法,其特征在于,对所述卫星影像数据进行预处理,包括:去云处理、空间滤波去噪声、时间序列合成、线性插值和植被指数计算过程。
5.根据权利要求1所述的田块级作物种植面积早期监测方法,其特征在于,所述分类特征包括光谱、植被指数、纹理、地形和物候中的任意一种或多种。
6.根据权利要求1所述的田块级作物种植面积早期监测方法,其特征在于,所述影像分割算法为简单非迭代聚类算法。
7.根据权利要求1所述的田块级作物种植面积早期监测方法,其特征在于,对各个所述对象单元进行影像聚合,得到聚合影像,包括:
8.根据权
...【技术特征摘要】
1.一种田块级作物种植面积早期监测方法,其特征在于,包括:
2.根据权利要求1所述的田块级作物种植面积早期监测方法,其特征在于,在将目标年份的遥感影像输入至所述作物分类模型中,得到目标年份的田块级尺度作物早期监测结果之后,还包括:
3.根据权利要求1所述的田块级作物种植面积早期监测方法,其特征在于,所述卫星影像数据为sentinel-2的地表反射率数据。
4.根据权利要求1所述的田块级作物种植面积早期监测方法,其特征在于,对所述卫星影像数据进行预处理,包括:去云处理、空间滤波去噪声、时间序列合成、线性插值和植被指数计算...
【专利技术属性】
技术研发人员:董金玮,邸媛媛,
申请(专利权)人:中国科学院地理科学与资源研究所,
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。