[发明专利]一种基于Sentinel-2影像的大豆种植信息遥感提取方法

权利要求书

1.一种基于Sentinel-2影像的大豆种植信息遥感提取方法，其特征在于，包括如下步骤：

S1、分析特色作物物候特征并确定、选取生长时间节点；

S2、获取S1中选取的生长时间节点的Sentinel-2影像，并进行预处理；

S3、利用S2中预处理后的Sentinel-2影像进行多指数特征计算，并将计算的特征指数扩充到面向对象分类的特征空间库中，以丰富影像特征空间库；

S4；对S3中丰富后得到的影像特征空间库进行多尺度分割，得到各地物最优分割对象；

S5、将S4中获得的最优分割对象带入到面向对象分类算法中进行分类计算，最终得到具有较高精度的特色作物分类提取成果。

2.如权利要求1所述的基于Sentinel-2影像的大豆种植信息遥感提取方法，其特征在于，S1中，特色作物为大豆，大豆的物候特征包括种植期、发芽期、生长期、出枝期、开花期和结荚期，选取具有明显特征的开花期和结荚期为生长时间节点。

3.如权利要求2所述的基于Sentinel-2影像的大豆种植信息遥感提取方法，其特征在于，S2中，采用Python语言对选取的生长时间节点的Sentinel-2影像进行批量的校正、重采样以及投影。

4.如权利要求2所述的基于Sentinel-2影像的大豆种植信息遥感提取方法，其特征在于，S3中，利用S2中预处理后的Sentinel-2影像进行多指数特征计算时，特征指数包括NDVI、EVI、DVI、RVI、NDWI、CIre、NDre1、NDre2、NDVIre1、NDVIre2、NDVIre3。

5.如权利要求4所述的基于Sentinel-2影像的大豆种植信息遥感提取方法，其特征在于，对特征指数进行对比分析，筛选出对大豆具有强烈表达的特征指数作为优选的特征指数，并将筛选出的优选的特征指数扩充到面向对象分类的特征空间库中。

6.如权利要求5所述的基于Sentinel-2影像的大豆种植信息遥感提取方法，其特征在于，所述优选的特征指数包括NDVI、DVI、NDWI、NDre1、NDre2；

所述NDVI、DVI、NDWI、NDre1、NDre2的表达式分别如下：

NDVI表达式如下所示：

其中NIR为近红外波段反射率，R为红光波段反射率；

DVI表达式如下所示：

DVI＝NIR-R (2)

其中NIR为近红外波段反射率，R为红光波段反射率；

NDWI表达式如下所示：

其中G为绿光波段反射率，NIR为近红外波段反射率；

NDre1表达式如下所示：

其中R_edg1为第一红边波段1，R_edg2为第二红边波段；

NDVIre2表达式如下所示：

其中R_edg1为第一红边波段1，R_edg3为第三红边波段。

7.如权利要求1所述的基于Sentinel-2影像的大豆种植信息遥感提取方法，其特征在于，S4中，对S3中丰富后得到的影像特征空间库进行多尺度分割时，具体通过调整分隔阈值得到各地物的最优分隔尺度，并附加样本信息，最终得到各地物最优分割对象。

8.如权利要求1所述的基于Sentinel-2影像的大豆种植信息遥感提取方法，其特征在于，S5中，将S4中获得的最优分割对象带入到面向对象分类算法中进行分类计算时，选用支持向量机算法，具体包括如下步骤：

S51、导入最优分割对象，并进行特征信息提取统计、迭代训练，剔除误差信息，得到训练后的模型；

S52、将S2中预处理后的Sentinel-2影像与训练后的模型对比分类，最终得到具有较高精度的特色作物分类提取成果。