[发明专利]一种基于多光谱卫星影像的作物识别方法

权利要求书

1.一种基于多光谱卫星影像的作物识别方法，其特征在于，包括以下步骤：

S1、采集作物样本；

S2、获取所述作物样本的多光谱卫星影像数据；所述多光谱卫星影像数据分辨率为10m；

S3、通过所述作物样本的采集位置确定所述多光谱卫星影像数据上作物样本对应的像元；

S4、将所述像元的时序光谱信息和所述作物样本的作物种类作为输入，训练机器学习模型；具体步骤包括：

4.1：数据预处理，通过捕捉网格化的所述像元的时序光谱信息，作为训练数据集，进行统一的数据预处理：

a、归一化：将所有时序光谱信息归一化为0到1闭区间的值，将某像元对应的区域的所有时序光谱信息通过和该区域相关的地理信息生成GeoTiff影像，此时得到某个时间，即某一天的光谱数据文件；

b、波段化：将不同波段的光谱数据视作为不同波段的影像，得到若干张图片，其中每一张图片的像素数量都由区域大小决定，而每个像素是从0到1的数值；

c、时序化：按照步骤b和步骤c所述归一化和波段化，对每年种植季每次卫星过境产生的数据进行处理，获取X张图像，X＝m*n，m表示波段数量，n表示卫星过境次数，m＝8，n＝10，X＝80；

d、再波段化：将80张处理后的图像作为80个波段，整合成一张拥有80个波段的图片；

4.2：训练机器学习模型：

a、搭建卷积神经网络，基于开源机器学习代码库Tensorflow搭建卷积神经网络，卷积神经网络的全连接层前面部分是5个卷积层和5个池化层，每个卷积层分别设置32、64、128、256和512个神经元，5个卷积层和5个池化层交替连接，交替连接的顺序是卷积层在前，池化层在后，最后一层是全连接后的一个数值神经元，数值代表地物为某种作物的概率；

b、通过uniform随机函数，将每层的权重进行随机初始化，此后结合历史实际种植的作物数据进行训练，将预处理好的训练集分别送入到神经网络中，每次送入的训练数据都是一个小包，每个小包包括50个训练数据集；

c、在训练过程中，采用反向传播算法对卷积神经网络的连接权值和偏置进行更新，反向传播算法包括信息的正向 传播和误差的反向传播，每次进行这样一个传播组合称为一次迭代；此处总共进行50000次迭代，训练完成；

S5、通过训练好的所述机器学习模型，对采样区域进行作物分类。

2.如权利要求1所述的作物识别方法，其特征在于，步骤S1采集作物样本，需要记录作物的采集时间、作物位置和作物种类。

3.如权利要求2所述的作物识别方法，其特征在于，所述多光谱卫星影像数据 为作物样本的采集时间到该采集时间前60天的多光谱卫星影像数据。

4.如权利要求1所述的作物识别方法，其特征在于，所述时序光谱信息为作物生长全周期中每个生长期的光谱特征。

5.如权利要求4所述的作物识别方法，其特征在于，所述生长全周期，包括：拔节期、抽穗期、灌浆期和成熟期。

6.如权利要求1所述的作物识别方法，其特征在于，所述机器学习模型采用卷积神经网络算法进行训练。