[发明专利]基于GEE结合生育期属性和面向对象的大区域作物提取方法

权利要求书

1.基于GEE结合生育期属性和面向对象的大区域作物提取方法，其特征在于，包括如下步骤：

（1）模型数据的输入：模型数据为谷歌开发的卫星图像和地球观测数据云端运算平台Google Garth Engine中存储的作物生长季遥感影像；选择5月到10月的Sentinel-2影像数据Level-2A产品，影像分辨率为10米，共12个原始波段，分别为气溶胶波段、蓝光波段、红光波段、绿光波段、近红外波段、水汽波段、4个红边波段及2个远红外波段；

（2）特征集合构建，包括如下步骤：

（2-1）以作物生长期间，即5月到10月作为研究时期，将每10天作为一个生长阶段，即共18个生长阶段；

（2-2）计算12个原始波段与指数波段对作物分类有贡献的因子，并将以上所得的原始波段和指数波段共同作为特征波段添加到18个生长阶段的影像中；其中指数波段包括植被指数和水体指数；

（2-3）将18个生长阶段分别进行影像合成，且生长阶段的时间属性与各阶段内的特征波段相结合，得到特征集合；

（3）特征优化：使用Relief F算法进行各特征权重计算，选择最佳的5个特征进行分类；

（4）面向对象分割：使用Simple non-iterative clustering面向对象算法进行影像分割；

（5）卷积神经网络分类；

（6）结果输出。

2.根据权利要求1所述的基于GEE结合生育期属性和面向对象的大区域作物提取方法，其特征在于，在步骤（3）中，使用Relief F特征权重算法所得的权重最高的5个特征。

3.根据权利要求2所述的基于GEE结合生育期属性和面向对象的大区域作物提取方法，其特征在于，各特征因子当中，将特征权重位于前五的特征作为优化后的特征集合，以降低数据冗余，提高计算效率。

4.根据权利要求1所述的基于GEE结合生育期属性和面向对象的大区域作物提取方法，其特征在于，在步骤（4）中，将具有相似纹理、颜色、亮度特征的相邻像素构成具有一定视觉意义的不规则像素块，从而用少量的超像素代替大量的像素来表达图片特征，SNIC面向对象分割算法输出的对象属性为对象内所有像素的属性均值。

5.根据权利要求4所述的基于GEE结合生育期属性和面向对象的大区域作物提取方法，其特征在于，在步骤（5）中，将分割后像素块的特征，即该像素块内所有像素的属性均值，作为分类特征输入卷积神经网络进行分类，得到作物提取结果。

6.根据权利要求1所述的基于GEE结合生育期属性和面向对象的大区域作物提取方法，其特征在于，在步骤（6）中，输出结果包括研究区内的作物提取结果制图和输出提取精度。

7.根据权利要求6所述的基于GEE结合生育期属性和面向对象的大区域作物提取方法，其特征在于，提取精度的评判指标包括总体准确度、生产精度、用户精度、Kappa系数、精确度、召回率与F1-score。