[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

说明书

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，包括模型数据的输入，特征集合构建，特征优化，面向对象分割，卷积神经网络分类，结果输出。与传统的基于像素的农作物提取方法相比，结合物候的面向对象提取模型输入数据量小，对样本依赖程度低，将数据和知识相结合，降低遥感数据的不确定性，提高影像波段的利用率和计算效率，精度可提高7%。模型应用于我国西北、东北、华中、华东等不同地区，总体精度90%以上，漏检率和虚警率低于5%。技术流程和方法类似，将样本稍作改变，可以将IGrowth模型推广到林地、草地、湿地等自然资源变信息提取方面。

技术领域

本发明涉及自然资源遥感监测和农业作物保护技术领域。具体地说是基于GEE结合生育期属性和面向对象的大区域作物提取方法。

背景技术

大尺度区域的作物空间分布获取往往存在着计算量过大、数据冗余以及精度不高等缺点，难以满足我国现阶段对耕地大范围、高频次遥感监测的需求。相较于基于像元的方法，面向对象的方法逐渐被更多的研究采用，其避免了在分类中某些像元由于同物异谱、异物同谱而导致的错分现象，同时也能有效避免椒盐噪声的出现。特别对于大范围区域，面向对象的分类方法在很大程度上要优于基于像素的方法，且遥感数据在线处理能力的增强，使得在短时间内计算大尺度、长时间序列的遥感数据成为现实。

粮食安全主要指粮食的供给保障问题。而“非粮化”使用现象则是指将原本用于种植小麦与水稻等粮食作物的耕地改作其他用途，这种情况会造成粮食生产的实有面积减少，粮食产量下降。目前看来，“非粮化”现象已成土地流转中的主导趋势，长此以往，将会成为国家粮食安全战略的一个重大隐患。

因此，为了控制农业用地“非粮化”现象，保障国家粮食安全，对农作物种植面积的监测至关重要。而遥感技术由于其观测范围大且周期较短的特点，在农作物监测方面有着独特的优势，众多研究利用遥感技术快速提取农作物的空间分布。其中，相较于基于像元的方法，面向对象的方法逐渐被更多的研究采用，因为它避免了在分类中某些像元由于同物异谱、异物同谱而导致的错分现象，同时也能有效避免椒盐噪声的出现。面向对象的方法结合遥感影像的光谱特征、纹理特征与地形特征等因子可以获得优于85%的分类精度。对于遥感影像合成，早期研究多选择作物生长期影像进行合成，作物生长期一般为3个月以上。后来发现作物生长期间的时间序列数据能够充分反映不同作物的物候特征及其不同理化参数指标变化，因此逐渐被更多的研究使用，时间序列数据对于提高作物的识别精度也有着很大的贡献。

无论是在基于像元还是面向对象的方法中，机器学习分类器因其更高的性能逐渐代替了传统的最大似然分类器。比较常见的机器学习分类器有Random Forest（随机森林），Classification and Regression Trees（决策树），Support Vector Machine（支持向量机）等。其中，支持向量机与随机森林被认为不受数据噪声的影响，因此，相对于其他分类器应用要更为广泛。机器学习的引进为遥感研究的开展带来了极大的便利，但随着土地利用/覆被的高异质化，遥感影像分类的复杂性大大增加，机器学习所得研究结果的精度不足以达到要求，而深度学习中的卷积神经网络由于具有高效处理光谱和空间信息的能力，在遥感研究中逐渐热门，并取得了较好的精度效果。在卷积神经网络应用于遥感研究时，需要对遥感图像逐影像块计算，巨大的计算量使得研究效率低下。面向对象的方法与卷积神经网络结合后，通过将分割好的像素块输入分类，可以有效避免像素卷积神经网络方法中易出现的地物边缘模糊、孤立点等固有问题，且避免了计算效率过低的缺点。