[发明专利]一种基于多源遥感影像的烟草动态监测的方法和装置

权利要求书

1.一种基于多源遥感影像的烟草动态监测的方法，采用多源数据结合，对烟草进行种植面积识别以及长势，营养，灾害，产量的动态监测，所述方法包括以下步骤：

a基于多源遥感影像的烟草种植面积识别是采用深度学习算法UNet++进行分类模型的构建；

b烟草长势动态监测是通过计算多光谱无人机影像的植被指数(NDVI,NormalizedDifference Vegetation Index)及无监督聚类的方式，进行长势等级划分；

c营养动态监测是通过对烟草的营养数据建立营养参量反演模型，并使用聚类算法进行烟草营养等级划分；

d通过遥感光谱特征对烟草的长势进行监测，再结合归一化植被指数(NDVI)和环境植被指数(EVI)等划分灾害等级；

e基于遥感影像的烟田识别及烟草实测数据相关指数的计算，构建估产模型，得到区域单产预测值，并结合面积进行总产估测。

2.根据权利要求1所述的方法，其中，所述方法数据源是采用GF-2卫星、Super View卫星和无人机多光谱影像多源数据结合的方式对烟草进行动态监测。

3.根据权利要求1所述的方法，其中，所述步骤a包括以下步骤：

对获取的影像数据中部分烟草种植区域进行样本标注，建立样本库；

把标注数据作为训练集，用UNet++网络模型进行训练，得到适用于烟草识别的模型；

使用训练好的模型，对测试集影像进行自动识别，得到烟草分割图；

人工对计算机识别结果进行检视，添加、修正第一步标注数据，形成一个闭环环节。

4.根据权利要求1所述的方法，其中，在烟草的长势分级中，使用的是k-means聚类算法，所述步骤b包括以下步骤：

计算归一化植被指数NDVI值；

确定要聚类的数量，并随机初始化它们各自的中心点；

通过计算当前点与每个组中心之间的距离，对每个数据点进行分类，然后归到与距离最近的中心的组中；

对聚类出来的类别映射到图像中，得到弱小、偏弱、正常、偏旺、过旺五级长势等级图。

5.根据权利要求1所述的方法，其中，所述步骤c包括以下步骤：

设定样区：通过对烟田长势的判断，实地察看后，布设小样区进行营养数据测量；

研究区影像获取：利用搭载多光谱相机的无人机拍摄采样期间的研究区烟田影像；

营养数据采样：经过实地采样得到叶绿素、含氮量等营养数据；

采样区掩膜获取影像：基于采样区的矢量边界，做掩膜提取无人机影像，得到采样区的影像；

营养参量反演特征提取：与样区影像数据对应，进行特征提取；

重建模拟值：由于采样数据样本数量较少，因此结合提取出的特征和对应关系，重建一系列多样性模拟值；

基于模型反演营养参量：将重建的模拟值，采样数据与影像数据一起输入到营养反演模型中，建立起这些数据的关联性；

最终输出反演得到的叶绿素、含氮量等营养参数；

将营养反演得到的营养参数进行等级划分，并按照营养良好，营养正常，营养不良划分营养分级分布图。

6.根据权利要求1所述的方法，其中，所述步骤d包括以下步骤：

计算归一化植被指数(NDVI)和环境植被指数(EVI)，通过NDVI和EVI进行加权得到烟草生长指数，再计算受灾前影像的烟草生长指数，做差值运算，获取差值生长指数；

建立灾害等级格网化，划分出20*20的均等格网，在每个格网中，对差值生长指数进行求和平均，得到每个格网差值生长指数，来代表此格网的差值生长指数：

采用K-means聚类进行灾害等级划分，共分健康、一般受灾、严重受灾三个等级得到灾害等级分布图。