[发明专利]多源遥感数据融合的农作物分类方法、系统、设备及介质

说明书

本发明提供一种多源遥感数据融合的农作物分类方法、系统、设备及介质。该方法包括：对多源遥感数据进行预处理和格网化剖分；对格网内的多源遥感数据分别进行影像时空优选；计算植被指数特征，根据自动化特征选择结果确定参与农作物分类的特征；从格网内的多源遥感数据中进行特征提取，并将提取的特征样本数据合并为特征总集；根据格网内的数据情况，逐格网从特征总集中提取对应的特征组成特征子集，并基于特征子集训练农作物分类模型；将目标区域的多源遥感数据输入经训练的农作物分类模型，得到农作物分类模型输出的目标区域的每个格网的农作物分类结果；对目标区域的所有格网的农作物分类结果进行拼接，生成目标区域的农作物分布图。

技术领域

本发明涉及基于遥感应用领域，尤其涉及一种多源遥感数据融合的农作物分类方法、系统、设备及介质。

背景技术

农作物的空间信息和分布情况对于粮食产量的预测、农业政策的制定以及国家经济的发展有着至关重要的作用，同时也是国家粮食安全的重要组成部分。世界各地对于农业的重视使得人们愈加注重农作物的分布和变化情况。遥感数据对于农业监测有着重要的意义，很大程度减少了人们对于实地考察的依赖，并且由于不同农作物的生长周期不同，造成物候期内的生长状况也有一定的差异，因此，利用遥感影像的时间序列对于物候期内农作物进行分类能够一定程度上满足人们对于获取农作物空间信息和分布的需求。

但是，目前已有的利用遥感技术手段对于农作物分类的研究，依然存在精度不高的原因。主要受到一下几个方面的影响：(1)影像时间序列不高，由于影像传感器自身设计原因，很难让遥感传感器空间分辨率和时间分辨率兼顾；(2)由于遥感卫星的光学传感器受到天气的影响很大，在物候期内很难连续获得高质量的遥感数据；(3)影像提取的特征数量对于精度结果有很大的影响，较少的特征没有办法反映不同农作物之间的差别，较多则出现冗余，降低农作物的精度，需要合理的对特征的类别和数量进行决策。

发明内容

本发明提供一种多源遥感数据融合的农作物分类方法、系统、设备及介质，旨在解决(1)影像时间序列不高，由于影像传感器自身设计原因，很难让遥感传感器空间分辨率和时间分辨率兼顾；(2)由于遥感卫星的光学传感器受到天气的影响很大，在物候期内很难连续获得高质量的遥感数据；(3)影像提取的特征数量对于精度结果有很大的影响，较少的特征没有办法反映不同农作物之间的差别，较多则出现冗余，降低农作物的精度，需要合理的对特征的类别和数量进行决策。本发明利用GF-1WFV和Sentinel-2数据构建高时间空间分辨率的植被特征时间序列，时间序列覆盖农作物的生长周期，并且充分利用两种影像的高时空特征，通过基于随机森林的特征选取和分类达到了较高的精度；同时整个过程不需要人工的参与，自动处理，有助于实现农作物的自动分类。

具体地，本发明实施例提供了以下技术方案：

第一方面，本发明的实施例提供一种多源遥感数据融合的农作物分类方法，包括：

收集预定区域的物候期内的多源遥感数据，并对所述多源遥感数据进行预处理和格网化剖分；

对格网内的所述多源遥感数据分别进行影像时空优选；

对于优选后的影像计算植被指数特征，根据自动化特征选择结果确定参与农作物分类的特征；

从所述格网内的所述多源遥感数据中进行特征提取，并将提取的特征样本数据合并为特征总集；

根据所述格网内的数据情况，逐格网从所述特征总集中提取对应的特征组成特征子集，并基于所述特征子集训练农作物分类模型；

将目标区域的所述多源遥感数据输入经训练的农作物分类模型，得到所述农作物分类模型输出的所述目标区域的每个格网的农作物分类结果；

对目标区域的所有格网的农作物分类结果进行拼接，生成所述目标区域的农作物分布图。

进一步地，该多源遥感数据融合的农作物分类方法还包括：