[发明专利]基于多时相SAR数据与多光谱数据的作物遥感分类方法

权利要求书

1.基于多时相SAR数据与多光谱数据的作物遥感分类方法，其特征在于，所述方法包括如下步骤：

S1、分别获取作物生长期内多光谱数据与生长期内不同时期且特征明显的SAR数据，进行预处理，再将预处理后的SAR数据进行转投影，多光谱数据与SAR数据依据研究区矢量裁剪到相同范围，并将SAR数据的灰度值转变成后向散射系数值；

所述多光谱数据中含有Landsat 8数据；

S2、根据耕地地块信息突出的多光谱数据提取耕地范围；

S3、在SAR数据中选择不同时期的VV极化数据进行波段组合得到多时相SAR数据，并将得到的多时相SAR数据分别与单时相多光谱数据进行波段组合，获得多时相SAR数据与单时相多光谱数据波段组合后的影像；

S4、在Landsat 8数据上获取感兴趣区，在感兴趣区创建训练样本；

S5、利用得到的多时相SAR数据与单时相多光谱数据波段组合后的影像、多时相SAR数据、单时相多光谱数据以S2提取的耕地范围参与掩膜，结合训练样本光谱特征的均值和协方差对研究区内的作物利用最大似然法进行分类。

2.根据权利要求1所述的基于多时相SAR数据与多光谱数据的作物遥感分类方法，其特征在于，所述S1中，预处理的过程包括：

对多光谱数据进行辐射定标、大气校正、正射校正与几何精校正，对SAR数据进行格式转换、辐射定标、噪声滤波、地形校正和几何精校正。

3.根据权利要求1所述的基于多时相SAR数据与多光谱数据的作物遥感分类方法，其特征在于，所述S4中，还包括统计创建的训练样本的可分离性：

J＝2(1-e^-B)

式中，J表示分离数，两种不同类别间训练样本的巴氏距离B为：

其中，m₁和m₂分别表示两种训练样本光谱特征的均值，和分别表示两种训练样本光谱特征的方差；

当巴氏距离B符合要求，该训练样本为合格样本。

4.根据权利要求1所述的基于多时相SAR数据与多光谱数据的作物遥感分类方法，其特征在于，所述S5中，利用最大似然法进行分类：

g_i(x)表示分类结果，i＝1,2…m，m表示作物类别的数量，a_i表示未知像元属于i类作物先验概率值；C_i表示为第i类作物光谱特征的协方差矩阵：为C_i的逆矩阵；X为像元特征向量；M_i为第i类作物光谱特征的均值向量。

5.根据权利要求1所述的基于多时相SAR数据与多光谱数据的作物遥感分类方法，其特征在于，所述方法还包括：

在真实地表投保地块中选取典型地块，确定作物类型，分别获取从SAR数据的VV极化、VH极化数据中选择同质区域内像元的面积，获取该区域内的平均值代表目标作物后向散射值；并计算所述区域内的最大值和最小值，根据最大值判定所述平均值是否精准，得到极化特征时序变化曲线，用来验证不同作物不同时期的分类精度的准确性与可依据性；

采用建立混淆矩阵的方法，确定验证样本，根据得到的极化特征时序变化曲线，对最大似然的分类精度进行验证，得到在分类总体精度、不同种类作物类型的精度和Kappa系数，并对获得的精度和系数进行比较，Kappa系数。