[发明专利]基于深度学习的多光谱遥感影像的农作物虫害监测方法

摘要

本发明公开了一种基于深度学习的多光谱遥感影像的农作物虫害监测方法，属于卫星遥感图像处理与应用的技术领域。本发明的目的是解决现有方法对农作物虫害监测的时效性差，单一指数光谱信息不稳定，高光谱无人机数据获取难等问题。本发明采用10组特征波段光谱的组合，构建出一个LSTM长短期记忆网络，并通过深度学习的方法训练出能够对遥感影像中的农作物虫害进行分类的模型，本发明方法能自动、高效地从多光谱卫星遥感影像中识别农作物虫害灾情，为农业生产灾情预测防治、农业保险理赔等诸多领域提供一定的技术支持。

主权项

1.基于深度学习的多光谱遥感影像的农作物虫害监测方法，其特征在于，该方法包括：步骤一、影像预处理：将Landsat8数据中的多光谱图像进行辐射定标和大气校正，最后进行图像剪裁选取需要的图像区域的步骤；步骤二、提取多种农作物的光谱指数：针对预处理后的Landsat8多光谱像的波段信息，提取农作物归一化植被指数NDVI；提取农作物差值植被指数DVI；提取农作物的重归一化植被指数RDVI；提取农作物叶面冠层水分指数NDWI；计算归一化植被指数NDVI，计算公式如公式(1)所示；计算提取农作物差值植被指数DVI，计算公式如(2)NDVI＝(NIR‑Red)/(NIR+Red)………………………(1)DVI＝NIR‑Red                ………………………(2)其中式(1)和(2)中，NIR代表Landsat8数据中得到近红波段的反射率，Red代表Landsat8数据中的绿色波段的反射率；利用式(1)NDVI、式(2)DVI进行运算，得到农作物重归一化植被指数RDVI，计算公式如(3)由于农作物受虫害侵袭，会导致农作物叶面发生变化，导致农作物对于水分吸收受到影响，因而计算Landsat8光谱数据中的叶子冠层水分指数NDWI，可以监测农作物虫害，计算公式如(4)NDWI＝(Green‑NIR)/(Green+NIR)……………(4)其中式(4)中，Red代表Landsat8数据中的红色波段的反射率，NIR代表Landsat8数据中近红波段的反射率；步骤三、将Landsat8原始卫星数据中的红波段、绿波段、蓝波段、近红外波段NIR和两个短波红外波段SWIR1和SWIR2共六个原始波段与步骤二中得到的NDVI、DVI、RDVI和NDWI四个波段指数做波段融合计算，形成一个空间分辨率为30m的拥有10个有效波段的新数据；步骤四、训练集的选取：在获取到的遥感影像中农作物遭受虫害侵袭后会表现出不同的光谱特征，为受不同等级虫害侵袭地块以及无虫害发生地块分别选择训练样本，并基于像素点分类，其中选择80％的像素点进行训练，20％的像素点进行测试；步骤五、构建LSTM网络结构模型，所述的LSTM网络结构由四个部分组成，(a)LSTM网络的第1部分为输入层，输入图像大小为n×10×1，其中n为批处理参数(batch_size)的大小，10为特征波段组合个数；所述的批处理参数为实验区的数据原图上的总像素数目的约数；(b)LSTM网络的第2部分：由四个LSTM单元网络和四个随机失活层交替组合而成，其中单个LSTM单元网络的滤波器的个数为32，随机失活层随机选择网络中的50％样本数据进行失活处理，可以有效地缓解过拟合，在一定程度上达到正则化的效果；(c)LSTM网络的第3部分是一个滤波器的个数为64的全连接层，数据需要经过扁平化的操作传入全连接层，全连接层的输入为n×320，输出为n×64；(d)LSTM网络的第4部分使用Softmax分类器为输出层，输出数目n×4，分类结果为重度虫害、中度虫害、无虫害和其他4个监测结果；所述的LSTM单元网络由遗忘门、输入门和输出门组成；其中遗忘门为f_t＝σ(W_f·[h_t‑1,x_t]+b_f)………………………(6)遗忘门的输入是h_t‑1,和x_t，h_t‑1为上一时刻的隐状态，x_t是当前时刻的输入，σ是Sigmoid的激活函数，W_f是输入数据与遗忘门之间的权重矩阵，b_f是偏移量；输入门为i_t＝σ(W_i·[h_t‑1,x_t]+b_i)………………………(7)h_t‑1为上一时刻的隐状态，x_t是当前时刻的输入，σ是Sigmoid的激活函数，W_i和W_c是输入数据与输入门之间的权重矩阵，b_i和b_c是偏移量；使用遗忘门和输入门的输出结果更新网络状态：输出门为o_t＝σ(W_o·[h_t‑1,x_t]+b_o)………………………(10)h_t＝o_t×tanh(C_t)………………………(11)h_t‑1为上一时刻的隐状态，x_t是当前时刻的输入，σ代表Sigmoid激活函数，W_o是输入数据与输出门之间的权重矩阵，b_o是偏移量；步骤六、将所选择的样本像素点输入所构建LSTM网络结构模型中在每个LSTM单元里要进行10次训练，以获得10个不同波段下的样本信息，经过10000次迭代后训练得到高精度模型；LSTM单元在初次训练时，网络结构中的权重参数与偏移量参数都会经过系统自动初始化步骤，将权重参数与偏移量参数的取值范围设为‑0.3～0.3封装到LSTM单元代码中，在训练过程中通过反向传播不断调节后续LSTM单元中的权重值与偏移量，LSTM单元会自动寻找到不同门结构中的最优权重参数与偏移量参数；步骤七、将10个有效波段的新数据输入模型，得到农作物虫害分类结果。