[發(fā)明專利]在作物識(shí)別和面積估算中選擇遙感數(shù)據(jù)和分類算法的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410129471.2
• 申請(qǐng)日: 2014-04-01
• 公開（公告）號(hào): CN104063718B
• 公開（公告）日: 2017-09-22
• 發(fā)明（設(shè)計(jì)）人: 李強(qiáng)子;張煥雪;杜鑫;王紅巖;劉吉磊
• 申請(qǐng)（專利權(quán)）人: 中國(guó)科學(xué)院遙感與數(shù)字地球研究所
• 主分類號(hào): G06K9/66
• 分類號(hào): G06K9/66;G06Q50/02
• 代理公司: 北京權(quán)泰知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙)11460
• 代理人: 王道川

1.在作物識(shí)別和面積估算中選擇遙感數(shù)據(jù)和分類算法的方法，其特征在于，包括如下步驟：

(1)獲取目標(biāo)區(qū)的遙感數(shù)據(jù)，并對(duì)獲取的遙感數(shù)據(jù)進(jìn)行預(yù)處理：獲取影像空間分辨率為20m的衛(wèi)星的目標(biāo)區(qū)遙感數(shù)據(jù)，對(duì)獲取的目標(biāo)區(qū)遙感數(shù)據(jù)進(jìn)行輻射定標(biāo)和幾何糾正處理；輻射定標(biāo)處理方法：將影像的DN值轉(zhuǎn)化為大氣頂歸一化光譜反射率，大氣糾正采用FLAASH模型；幾何糾正處理方法：以目標(biāo)區(qū)的歷史SPOT5影像數(shù)據(jù)作為參考影像，采用二次多項(xiàng)式方法對(duì)數(shù)據(jù)進(jìn)行幾何精糾正，采用40個(gè)控制點(diǎn)，糾正誤差控制在0.5個(gè)象元內(nèi)；

(2)進(jìn)行目標(biāo)區(qū)實(shí)際作物分布地面調(diào)查，獲得樣本作物分布圖；利用地面調(diào)查數(shù)據(jù)，確定作物分類的訓(xùn)練樣本與檢驗(yàn)樣本：首先根據(jù)耕作信息，參考SPOT5全色影像勾繪出每個(gè)種植地塊的邊界，并進(jìn)行唯一性編號(hào),借助地理信息系統(tǒng)整理形成目標(biāo)區(qū)內(nèi)作物田塊矢量數(shù)據(jù)集,開展野外實(shí)地調(diào)查，實(shí)地確認(rèn)地塊邊界的正確性，并逐地塊填寫作物類型,在室內(nèi)編輯整理，得到目標(biāo)區(qū)的樣本作物分布圖；然后根據(jù)目標(biāo)區(qū)地物物候及分布特征，確定最終分類類別；最后根據(jù)SPOT5數(shù)據(jù)的野外實(shí)地調(diào)查得到的樣本作物分布圖，并結(jié)合目視判圖經(jīng)驗(yàn)解譯方式，按照最終分類類別對(duì)每個(gè)類別分別選取樣本，從所選取的樣本中隨機(jī)抽取一半作為訓(xùn)練樣本，另一半為用于精度評(píng)價(jià)的檢驗(yàn)樣本，訓(xùn)練樣本和檢驗(yàn)樣本沒(méi)有重合；

(3)對(duì)預(yù)處理后的遙感數(shù)據(jù)進(jìn)行尺度擴(kuò)展，模擬生成多分辨率影像序列：采用簡(jiǎn)單平均法對(duì)預(yù)處理后的遙感數(shù)據(jù)進(jìn)行尺度擴(kuò)展：將遙感影像n*n窗口內(nèi)的像元平均值作為轉(zhuǎn)換后對(duì)應(yīng)的分辨率為40m、60m、80m和100m的遙感影像的像元值；

(4)利用分類算法對(duì)作物進(jìn)行分類，并估算不同作物的種植面積；

(5)分析空間分辨率對(duì)作物識(shí)別和面積估算精度的影響，同時(shí)分析種植成數(shù)F和聚集度對(duì)作物種植面積估算精度的影響：種植成數(shù)F即某一種作物種植面積fraction占總種植面積A₀的百分比，即：F＝fraction/A₀；聚集度即同一種作物空間分布的集中程度，聚集度值越高，作物分布越零散，相反，聚集度值越低，作物分布越集中，聚集度計(jì)算方法如下：(a)設(shè)定目標(biāo)區(qū)內(nèi)各作物類型象元個(gè)數(shù)的50％作為計(jì)算作物聚集度的標(biāo)準(zhǔn)，(b)把15km*10km的目標(biāo)區(qū)均分成100個(gè)1.5km*1km的小區(qū)域，統(tǒng)計(jì)各小區(qū)域內(nèi)各個(gè)作物類型的象元個(gè)數(shù)，并將象元個(gè)數(shù)由大到小排列，(c)把小區(qū)域內(nèi)各作物類型的象元個(gè)數(shù)由大到小相加，直到達(dá)到總象元個(gè)數(shù)的50％，(d)計(jì)算參與相加的小區(qū)域個(gè)數(shù)占總小區(qū)域數(shù)的百分比，這個(gè)值即為該作物的聚集度；

(6)針對(duì)作物識(shí)別和面積估算區(qū)的具體情況及精度要求，選擇適宜的遙感數(shù)據(jù)和分類方法：對(duì)于區(qū)域精度要求達(dá)到90％以上且待估算作物種植面積很小但待估算作物分布又比較密集的地區(qū)，待估算作物種植面積很小是指待估算作物的種植成數(shù)不足5％，待估算作物分布又比較密集是指待估算作物的聚集度低于0.2的情況；選用60m分辨率的數(shù)據(jù)；分類算法采用最大似然分類算法或支持向量機(jī)分類算法；最大似然分類算法：通過(guò)統(tǒng)計(jì)方法計(jì)算各個(gè)象元屬于每個(gè)類的概率，將該象元?dú)w屬于概率最大的類；支持向量機(jī)分類算法：選擇徑向基函數(shù)RBF為核函數(shù)，核參數(shù)γ設(shè)置為0.25，懲罰因子C設(shè)置為100；對(duì)于區(qū)域精度要求達(dá)到90％以上且待估算作物種植面積較小且待估算作物分布比較零散的地區(qū)，待估算作物種植面積較小是指待估算作物的種植成數(shù)不足30％而大于或等于5％，待估算作物分布比較零散是指待估算作物的聚集度高于0.4的情況，選用20m-40m分辨率的數(shù)據(jù)；分類算法采用支持向量機(jī)分類算法或最大似然分類算法；對(duì)于區(qū)域精度要求達(dá)到90％以上且待估算作物種植較密集且待估算作物種植面積占優(yōu)勢(shì)的地區(qū)，待估算作物種植較密集是指待估算作物的作物聚集度小于或等于0.4且大于或等于0.2，待估算作物種植面積占優(yōu)勢(shì)是指待估算作物的種植成數(shù)大于30％的情況，選用100m分辨率數(shù)據(jù)；分類算法采用人工神經(jīng)網(wǎng)絡(luò)分類算法：選用三層神經(jīng)網(wǎng)絡(luò)反向傳播算法，遙感數(shù)據(jù)的5個(gè)波段對(duì)應(yīng)于網(wǎng)絡(luò)的5個(gè)輸入節(jié)點(diǎn)，隱含層設(shè)置8個(gè)節(jié)點(diǎn)，6個(gè)分類類別對(duì)應(yīng)輸出層的6個(gè)輸出節(jié)點(diǎn)，激發(fā)函數(shù)選用Logistic函數(shù)，最大迭代次數(shù)設(shè)為1000，結(jié)束迭代的誤差閾值設(shè)為0.1。