[发明专利]一种细碎化农业区土地覆被与种植结构的遥感识别方法

说明书

本发明属于农业遥感领域，涉及一种细碎化农业区土地覆被与种植结构的遥感识别方法，采用机器学习算法提取土地利用，不依赖实测样本点，自动训练后得到高精度农业区土地利用栅格化数据。本发明通过监督算法支持向量机SVM先对农业区及非农业区进行分类，而后基于已得到的农业区分类栅格数据，采用决策树算法进一步对作物类型进行分类判别。该方法不依赖于实测数据，大大降低了分类时间及经济成本，且有效避免了传统机器算法样本训练集质量对分类结果造成的负面影响。同时该方法在保证分类高效性的前提下，满足农业遥感应用所需的土地利用制图精度。

技术领域

本发明属于农业遥感领域，涉及一种细碎化农业区土地覆被与种植结构的遥感识别方法，采用机器学习算法提取土地利用，不依赖实测样本点，自动训练后得到高精度农业区土地利用栅格化数据。

背景技术

准确及时地获取农业区土地覆被信息对监测农情，调整农业结构，估产和制定粮食政策等均具有重要意义。传统的田间调查方法费时费力，且难以获取大尺度区域土地利用信息。遥感技术能克服单点观测在复杂地表条件下空间代表性差的缺点，为区域土地利用识别提供多时相、多光谱及多角度的地表信息。

目前土地利用遥感反演主要分为基于多源数据物候和极化特征及基于实测样本点分类两种方式。基于样本点的识别算法只需输入样本训练集，利用卫星遥感图像，即可快速实现大尺度区域土地利用反演。其中支持向量机(SVM)和随机森林等算法因其训练效率高，精度满足应用要求，被广泛应用于土地利用遥感识别，但该方法对样本精度要求高，且应用时需要大量实测样本，时间及金钱成本较高。同时对于光谱及纹理特征较为类似的作物来说，该类算法在识别时会出现作物类型混分的情况。基于多源物候及极化特征算法只需建立特定的分类规则，不需实测样本训练集，即可利用决策树算法实现土地利用反演。这种方法只针对于物候/极化特征差异十分明显的地物识别，且需对原始卫星图像光谱数据进行处理分析，计算得到物候/极化特征用于分类。总而言之，现有的分类算法在应用于卫星遥感图像时，单一分类算法运算时间长，对计算机配置要求高，需要大量实测样本，费时费力，因此难以实现大尺度土地利用识别。

在实际应用中，SVM、随机森林、决策树等各种分类器都具有其优缺点，因此本发明结合各种算法的优势，针对细碎化农业区不同地物的特点应用不同算法，取长补短，同时提高分类的效率以及精度。

发明内容

针对上述技术问题，本发明的目的是提供一种细碎化农业区土地覆被与种植结构的遥感识别方法，通过卫星遥感图像光谱及纹理特征，以及识别农业区和非农业区效果较好的LSWI指数，利用机器学习算法实现农业区和非农业区的识别。在此基础上，针对农业区不同作物所具有的物候特征建立分类规则，利用NDVI时序数据计算得到的物候指标作为输入数据，基于决策树算法实现农业区不同作物的进一步划分，最终实现细碎化农业区高精度土地利用遥感识别。

为了实现上述目的，本发明提供了如下技术方案：

一种细碎化农业区土地覆被与种植结构的遥感识别方法，包括如下步骤：

S1、利用支持向量机SVM监督学习算法对原始卫星图像进行农业区及非农业区识别：

S1.1、采用双线性插值法将多张不同时期不同气象条件的原始卫星图像的每个波段重采样为统一的空间分辨率；选择一张八月初作物生长旺盛的原始卫星图像，并选取该图像中能较好分辨地物的可见光波段以及能判断植物生长状况的红边波段、近红外波段或短波红外波段作为分类识别波段；利用二阶概率统计方法用一个灰色调空间相关性矩阵，基于3×3的窗口和64灰度量化级别计算分类识别波段的纹理值；

S1.2、利用生育期内多期晴空无云条件下的原始卫星图像，通过公式一得到陆地水体指数LSWI时序数据集，采用线性插值的方法将陆地水体指数LSWI时序数据集重采样为统一的时间分辨率，并以一预设阈值对数据集中的陆地水体指数LSWI时序数据进行重新赋值，大于预设阈值的像元赋值为0，小于预设阈值的像元赋值为1，将重新赋值的陆地水体指数LSWI时序数据依次相加求和，获得一个陆地水体指数LSWI重分类数据；