[發明專利]一種適用于景觀破碎區作物類型遙感識別的方法及系統

有效

• 申請號: 202110368749.1
• 申請日: 2021-04-06
• 公開（公告）號: CN113033453B
• 公開（公告）日: 2023-09-15
• 發明（設計）人: 梁治華;丁志平;朱爽
• 申請（專利權）人: 北京艾爾思時代科技有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

本發明公開了一種適用于景觀破碎區作物類型遙感識別的方法及系統，該方法包括：根據作物物候特征獲取目標區域的遙感影像，進行數據預處理；基于耕地數據計算目標區域的破碎度并分區；結合耕地數據及SVM算法識別得到的作物分布數據構建樣本集；從各個破碎度分區中分別隨機抽選訓練樣本集及測試集，作為樣本輸入包含細節特征提取模塊、語義特征提取模塊、淺層特征跳接操作模塊和特征融合模塊的多特征深度學習模型MFsNet完成作物識別模型的構建；將待識別目標區域影像輸入模型得到作物類型識別結果。該方法通過從不同破碎度分區中抽選訓練樣本，確保了訓練樣本代表性，模型訓練結果能夠在景觀破碎區域實現較高的作物類型識別精度。

技術領域

本發明屬于遙感圖像處理和作物類型識別技術領域，特別涉及一種適用于景觀破碎區作物類型遙感識別的方法及系統。

背景技術

基于短探測周期、大覆蓋范圍、強現勢性等方面的優點，遙感技術能夠支撐作物類型的準確、快速識別，主要是采用遙感分類方法，分析光譜、物候、空間等特征以及解析農學機理，將不同作物、其它類別地物進行區分的過程。遙感識別分類方法和特征的提取將直接影響作物識別的精度，需要工作量較大的人工干預，如手工提取特征，難以實現自動分類；難以提取到深層次的特征，提取特征都為層次較低的單一或少量的淺層特征，造成模型表征能力不足。

隨著技術的進步，出現了神經網絡在圖像處理領域的應用；深度卷積神經網絡(Deep?Convolutional?Neural?Networks,DCNN,也稱CNN)由于具有“端對端”、可提取深層特征等特性，能夠克服傳統分類方法的眾多缺點。免去手工提取特征的操作，實現“端到端”的分類；能夠自動、高效地提取深層的大量特征，具有很強的處理復雜分類問題的能力和很好的魯棒性，在遙感影像分類領域得到了大量應用。

深度學習最初的動機是建立并模擬人腦進行學習分析。作為深度學習領域的重要內容，深度卷積神經網絡能夠將特征提取和分類這兩個過程合并，實現“端對端”的圖像識別；因其獨特的卷積層、池化層等結構，使得深度卷積神經網絡擁有“局部感知”、“權值共享”、“下采樣”的特點。與傳統的機器學習方法相比，深度卷積神經網絡具有“端對端”的特性，可以免去手工提取特征的操作，夠提取深層特征，具有很強的處理復雜分類問題的能力、魯棒性，還具有出色的泛化能力。

在遙感識別任務中，深度卷積神經網絡通過多個隱層對地物特征進行逐步提取，在此過程中，特征的層次逐漸加深，最終能提取到具有強大表征能力的地物深層特征，因此能夠提高目標地物識別的精度。

但是，目前多數應用CNN于農業遙感領域的研究中，采用的模型多為模塊單一、支路單一的較為簡單的結構，由于連續的下采樣操作，提取到深層特征缺乏細節信息，也鮮有對模型進行有針對性地設計去實現不同層次、不同類別的多特征提取，尤其缺乏對細節特征的關注，在農業景觀復雜地區還存在局限性；因此，針對農業景觀破碎地區的細碎地物的遙感識別并不適用。

發明內容

鑒于上述情況，本發明提出了一種適用于景觀破碎區作物類型遙感識別的方法及系統，可解決傳統分類方法的缺點和結構簡單、模塊單一的CNN模型在地塊破碎地區的局限性問題。

為實現上述目的，本發明采取的技術方案為：

第一方面，本發明實施例提供一種適用于景觀破碎區作物類型遙感識別的方法，包括以下步驟：

根據作物物候特征獲取目標區域的遙感影像，進行數據預處理；

基于耕地數據計算所述目標區域破碎度并按破碎度指標進行分區；

利用SVM算法完成對各破碎度分區的遙感影像初步分類，并結合所述耕地數據完成作物類型樣本標定，獲得耕地地塊內僅包含一種作物類型的樣本數據；

從所述各破碎度分區中分別隨機抽選相同數量的樣本數據，構建作物類型訓練樣本集；