CN109063660A - 一种基于多光谱卫星影像的作物识别方法 - Google Patents
一种基于多光谱卫星影像的作物识别方法 Download PDFInfo
- Publication number
- CN109063660A CN109063660A CN201810901457.8A CN201810901457A CN109063660A CN 109063660 A CN109063660 A CN 109063660A CN 201810901457 A CN201810901457 A CN 201810901457A CN 109063660 A CN109063660 A CN 109063660A
- Authority
- CN
- China
- Prior art keywords
- crop
- satellite image
- sample
- recognition methods
- multispectral satellite
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明公开了一种基于多光谱卫星影像的作物识别方法,包括以下步骤:S1、采集作物样本;S2、获取所述作物样本的多光谱卫星影像数据;S3、通过所述作物样本的采集位置确定所述多光谱卫星影像数据上作物样本对应的像元;S4、将所述像元的时序光谱信息和所述作物样本的作物种类作为输入,训练机器学习模型;S5、通过训练好的所述机器学习模型,对其他采样区域进行作物分类。本发明将所述像元的时序光谱信息作为训练机器学习模型的输入,不仅大大的扩展了作物光谱信息的数量,解决了单一时刻作物光谱信息不足的问题,还从作物的生长全周期的光谱信息对作物进行识别,相比单一时刻的识别更加准确,从而提高作物识别效率。
Description
技术领域
本发明属于多光谱信息处理技术领域,特别涉及一种基于多光谱卫星影像的作物识别方法。
背景技术
农业是国民经济的基础,而农作物作为农业的基础,在保障粮食安全与社会稳定中具有举足轻重的地位,而准确快速掌握农作物种植面积及其空间分布范围,对于确保粮食安全至关重要。
现有的区域农作物种类识别及种植面积统计主要是通过进行广泛的地面调研采样,然后结合统计学原理对样本数据进行分析而获得。这种调研方法需要耗费大量的人力物力,同时耗时较长,无法在大范围内(例如全国)做到频繁更新。
另外的作物识别方法主要是遥感方法主要是利用高光谱卫星数据,在掌握不同作物对于众多(数十个)波段光的反射数据,并以此作为特征,利用机器学习,识别出不同的作物。而该方法高度依赖于高光谱卫星,但是高光谱卫星资源有限,影像价格昂贵,无法应用于大范围作物普查。
发明内容
本发明的目的在于:针对现有的作物识别技术效率低,成本高的问题,提供一种基于多光谱卫星影像的作物识别方法,通过引入作物的时序光谱信息训练机器学习模型,从而提高作物识别效率,同时通过采用多光谱卫星影像数据降低应用成本,使得本发明可以应用于大范围作物识别。
本发明采用的技术方案如下:
一种基于多光谱卫星影像的作物识别方法,包括以下步骤:
S1、采集作物样本;
S2、获取所述作物样本的多光谱卫星影像数据;
S3、通过所述作物样本的采集位置确定所述多光谱卫星影像数据上作物样本对应的像元;
S4、将所述像元的时序光谱信息和所述作物样本的作物种类作为输入,训练机器学习模型;
S5、通过训练好的所述机器学习模型,对采样区域进行作物分类。
进一步地,步骤S1采集作物样本,需要记录作物的采集时间、作物位置和作物种类。
进一步地,所述多光谱卫星影像数为作物样本的采集时间到该采集时间前60天的多光谱卫星影像数。
进一步地,所述时序光谱信息为作物生长全周期中每个生长期的光谱特征。
进一步地,所述生长全周期,包括:拔节期、抽穗期、灌浆期和成熟期。
进一步地,所述机器学习模型采用卷积神经网络算法进行训练。
进一步地,所述多光谱卫星影像数据分辨率为10m。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明主要通过多光谱卫星影像数据像元的时序光谱信息和作物样本的作物种类,训练机器学习模型,以此对其他采样区域的作物进行分类识别。
2、本发明将所述像元的时序光谱信息作为训练机器学习模型的输入,大大的扩展了作物光谱信息的数量,解决了单一时刻作物光谱信息不足的问题。
3、本发明将将作物的生长全周期的光谱信息对作物进行识别,相比单一时刻的识别更加准确,从而提高作物识别效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的作物识别方法的流程图。
图2为玉米、郁金香和大豆的多光谱卫星影像数据的光谱信息波段图。
图3为本发明的作物识别方法中以小麦为例的全生长周期的光谱信息波段图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
一种基于多光谱卫星影像的作物识别方法,包括以下步骤:
S1、采集作物样本;
S2、获取所述作物样本的多光谱卫星影像数据;
S3、通过所述作物样本的采集位置确定所述多光谱卫星影像数据上作物样本对应的像元;
S4、将所述像元的时序光谱信息和所述作物样本的作物种类作为输入,训练机器学习模型;
S5、通过训练好的所述机器学习模型,对采样区域进行作物分类。
本发明主要通过多光谱卫星影像数据像元的时序光谱信息和作物样本的作物种类,训练机器学习模型,以此对其他采样区域的作物进行分类识别。本发明将所述像元的时序光谱信息作为训练机器学习模型的输入,不仅大大的扩展了作物光谱信息的数量,解决了单一时刻作物光谱信息不足的问题,还从作物的生长全周期的光谱信息对作物进行识别,相比单一时刻的识别更加准确,从而提高作物识别效率。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
本发明较佳实施例提供的一种基于多光谱卫星影像的作物识别方法,如图1所示,包括以下步骤:
S1、采集作物样本;
采集作物样本,并需要记录作物的采集时间、作物位置和作物种类;对于一个100km×100km的范围,每种作物样本的数量取至少100个,同时尽量分散;
S2、获取所述作物样本的多光谱卫星影像数据;
所述多光谱卫星影像数据为作物样本的采集时间到该采集时间前60天的多光谱卫星影像数;该时间段越长,得到的多光谱卫星影像数越多,也就得到较多的光谱信息,更加有助于提高作物分类的准确度,因此,为了保证作物分类的准确度,本实施例优选地将该时间段设置为60天;所述多光谱卫星影像数据的光谱信息示意图如图2所示,图中以玉米、郁金香和大豆为例,每种作物的光谱信息均不相同;
S3、通过所述作物样本的采集位置确定所述多光谱卫星影像数据上对应的像元;
对于一个100km×100km的范围,每种作物样本的数量取100个时,每个作物样本的位置范围为1km×1km,即在所述多光谱卫星影像数据上的每个像元对应一个位置范围为1km×1km的作物样本;
S4、将所述像元的时序光谱信息和所述作物样本的作物种类作为输入,训练机器学习模型;具体步骤包括:
(1)数据预处理,通过捕捉网格化的所述像元的时序光谱信息,作为训练数据集,进行统一的数据预处理:
a、归一化:将所有时序光谱信息归一化为0到1闭区间的值,将该某像元对应的区域的所有时序光谱信息通过和该区域相关的地理信息生成GeoTiff影像,此时得到某个时间,即某一天的光谱数据文件。
b、波段化:将不同波段的光谱数据视作为不同波段的影像,得到若干张图片,其中每一张图片的像素数量都由区域大小决定,而每个像素是从0到1的数值;
c、时序化:按照上述步骤的归一化和波段化,对每年种植季每次卫星过境产生的数据进行处理。如果会用到8个波段,卫星过境10次,则产生80张图片。
d、再波段化:将80张图视作80个波段,整合成一张拥有80个波段的图片。
(2)训练机器学习模型
a、搭建卷积神经网络,基于Google开发的开源机器学习代码库Tensorflow搭建卷积神经网络,卷积神经网络的全连接层前面部分是5个卷积层和5个池化层,每个卷积层分别设置32、64、128、256和512个神经元。它们交替连接,交替连接的顺序是卷积层在前,池化层在后。最后一层是全连接后的一个数值神经元,数值代表地物为某种作物的概率。
b、通过uniform随机函数,将每层的权重进行随机初始化,此后结合历史实际种植的作物数据进行训练,将预处理好的训练集分别送入到神经网络中,每次送入的训练数据都是一个小包,每个包包含50个训练数据集。
c、在训练过程中,采用反向传播算法(Backpropagation)对卷积神经网络的连接权值和偏置进行更新,反向传播算法包括的信息的征象传播和误差的反向传播,每次进行这样一个传播组合称为一次迭代。此处总共进行50000次迭代,训练完成。
所述时序光谱信息为作物生长全周期中每个生长期的光谱信息,如图2所示的小麦的时序光谱信息波段图,所述生长全周期,包括4个生长期,分别为:拔节期、抽穗期、灌浆期和成熟期;以此看出,作物的光谱特征在其生长全周期中每个生长期都有不同,由此,本发明将所述像元的时序光谱信息作为训练机器学习模型的输入,不仅大大的扩展了作物光谱信息的数量,解决了单一时刻作物光谱信息不足的问题,还从作物的生长全周期的光谱信息对作物进行识别,相比单一时刻的识别更加准确,从而提高作物识别效率。
S5、通过训练好的所述机器学习模型,对采样区域进行作物分类。
获取其他待识别区域的多光谱卫星影像,同样,对待识别区域进行识别样本的位置区域进行记录,通过获取识别样本的位置区域在多光谱卫星影像数据上对应像元的时序光谱信息,利用训练好的所述机器学习模型,即可完成对其他采样区域进行作物分类;
具体步骤为:将当季的其他区域的多光谱卫星影像通过数据预处理形成若干个波段的图片;利用训练好的网络,对若干个波段的图片的数值预测,将最后得到的数值进行后处理,得到作物识别的结果,即通过对阈值的设置,将0.87以上的数值判定为确认为某种作物,0.87以下的数值判定为判断错误。0.87的数字是一个基于统计的数字,并未从机理上对作物分类进行解释。和训练过程的区别是此时不再有反向传播算法的计算,也不会对卷积神经网络的连接权值和偏置进行更新,这两类数据都已经不再变动。因此,计算速度会远快于训练速度。
上述作物识别方法的过程,主要通过多光谱卫星影像数据像元的时序光谱信息和作物样本的作物种类,训练机器学习模型,以此对其他采样区域的作物进行分类识别。相比于传统的统计学方法和高光谱遥感方法,本发明能提高作物识别率;同时,本发明采用的多光谱卫星,在中等分辨率(10m)的情况下有大量免费资源可以使用,在数据来源上零成本;而对于遥感作物识别来说,作物样本采集无需常年大规模进行,只需第一次采集相对较多数据,后期只需要定期少量采集数据对机器学习模型进行校准即可,因此可以做到相对高频率的作物种类数据更新。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于多光谱卫星影像的作物识别方法,其特征在于,包括以下步骤:
S1、采集作物样本;
S2、获取所述作物样本的多光谱卫星影像数据;
S3、通过所述作物样本的采集位置确定所述多光谱卫星影像数据上作物样本对应的像元;
S4、将所述像元的时序光谱信息和所述作物样本的作物种类作为输入,训练机器学习模型;
S5、通过训练好的所述机器学习模型,对采样区域进行作物分类。
2.如权利要求1所述的作物识别方法,其特征在于,步骤S1采集作物样本,需要记录作物的采集时间、作物位置和作物种类。
3.如权利要求2所述的作物识别方法,其特征在于,所述多光谱卫星影像数为作物样本的采集时间到该采集时间前60天的多光谱卫星影像数据。
4.如权利要求1所述的作物识别方法,其特征在于,所述时序光谱信息为作物生长全周期中每个生长期的光谱特征。
5.如权利要求4所述的作物识别方法,其特征在于,所述生长全周期,包括:拔节期、抽穗期、灌浆期和成熟期。
6.如权利要求1所述的作物识别方法,其特征在于,所述机器学习模型采用卷积神经网络算法进行训练。
7.如权利要求1-6任一项所述的作物识别方法,其特征在于,所述多光谱卫星影像数据分辨率为10m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810901457.8A CN109063660B (zh) | 2018-08-09 | 2018-08-09 | 一种基于多光谱卫星影像的作物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810901457.8A CN109063660B (zh) | 2018-08-09 | 2018-08-09 | 一种基于多光谱卫星影像的作物识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063660A true CN109063660A (zh) | 2018-12-21 |
CN109063660B CN109063660B (zh) | 2021-09-21 |
Family
ID=64678800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810901457.8A Active CN109063660B (zh) | 2018-08-09 | 2018-08-09 | 一种基于多光谱卫星影像的作物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063660B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502997A (zh) * | 2019-07-23 | 2019-11-26 | 平安科技(深圳)有限公司 | 基于人工智能的农业保险查勘方法及相关设备 |
WO2021068176A1 (zh) * | 2019-10-11 | 2021-04-15 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
CN113673301A (zh) * | 2021-06-24 | 2021-11-19 | 亳州市药通信息咨询有限公司 | 基于大数据技术和遥感数据的中药材品种分析识别系统 |
CN114332570A (zh) * | 2022-03-17 | 2022-04-12 | 北京艾尔思时代科技有限公司 | 基于cdl深度学习进行作物迁移分类的方法和系统 |
CN115965954A (zh) * | 2023-03-16 | 2023-04-14 | 北京市农林科学院信息技术研究中心 | 秸秆类型识别方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080050025A1 (en) * | 2006-08-24 | 2008-02-28 | Ocarina Networks Inc. | Methods and Apparatus for Reducing Storage Size |
CN102073869A (zh) * | 2010-12-27 | 2011-05-25 | 中国农业大学 | 基于点位数据和遥感影像数据的区域耕地质量监测方法 |
CN102313526A (zh) * | 2010-07-07 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种多角度与多光谱遥感数据定量融合反演叶面积指数的方法 |
CN105825177A (zh) * | 2016-03-09 | 2016-08-03 | 西安科技大学 | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 |
CN107392130A (zh) * | 2017-07-13 | 2017-11-24 | 西安电子科技大学 | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 |
-
2018
- 2018-08-09 CN CN201810901457.8A patent/CN109063660B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080050025A1 (en) * | 2006-08-24 | 2008-02-28 | Ocarina Networks Inc. | Methods and Apparatus for Reducing Storage Size |
CN102313526A (zh) * | 2010-07-07 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种多角度与多光谱遥感数据定量融合反演叶面积指数的方法 |
CN102073869A (zh) * | 2010-12-27 | 2011-05-25 | 中国农业大学 | 基于点位数据和遥感影像数据的区域耕地质量监测方法 |
CN105825177A (zh) * | 2016-03-09 | 2016-08-03 | 西安科技大学 | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 |
CN107392130A (zh) * | 2017-07-13 | 2017-11-24 | 西安电子科技大学 | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 |
Non-Patent Citations (1)
Title |
---|
杨闫君等: "基于GF-1/WFV NDVI 时间序列数据的作物分类", 《农业工程学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502997A (zh) * | 2019-07-23 | 2019-11-26 | 平安科技(深圳)有限公司 | 基于人工智能的农业保险查勘方法及相关设备 |
WO2021012898A1 (zh) * | 2019-07-23 | 2021-01-28 | 平安科技(深圳)有限公司 | 基于人工智能的农业保险查勘方法及相关设备 |
WO2021068176A1 (zh) * | 2019-10-11 | 2021-04-15 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
CN112840348A (zh) * | 2019-10-11 | 2021-05-25 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
CN113673301A (zh) * | 2021-06-24 | 2021-11-19 | 亳州市药通信息咨询有限公司 | 基于大数据技术和遥感数据的中药材品种分析识别系统 |
CN114332570A (zh) * | 2022-03-17 | 2022-04-12 | 北京艾尔思时代科技有限公司 | 基于cdl深度学习进行作物迁移分类的方法和系统 |
CN115965954A (zh) * | 2023-03-16 | 2023-04-14 | 北京市农林科学院信息技术研究中心 | 秸秆类型识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109063660B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yalcin | Plant phenology recognition using deep learning: Deep-Pheno | |
CN109063660A (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
Cheng et al. | Early yield prediction using image analysis of apple fruit and tree canopy features with neural networks | |
Abdullahi et al. | Convolution neural network in precision agriculture for plant image recognition and classification | |
Font et al. | Vineyard yield estimation based on the analysis of high resolution images obtained with artificial illumination at night | |
Scudiero et al. | Workflow to establish time-specific zones in precision agriculture by spatiotemporal integration of plant and soil sensing data | |
CN107480706A (zh) | 一种制种玉米田遥感识别方法及装置 | |
Alibabaei et al. | A review of the challenges of using deep learning algorithms to support decision-making in agricultural activities | |
Rußwurm et al. | Breizhcrops: A satellite time series dataset for crop type identification | |
Ramadhani et al. | Mapping of rice growth phases and bare land using Landsat-8 OLI with machine learning | |
CN110751035A (zh) | 一种制种玉米的识别方法及装置 | |
Agarwal et al. | A new Bayesian ensemble of trees approach for land cover classification of satellite imagery | |
Paymode et al. | Tomato leaf disease detection and classification using convolution neural network | |
Bhuyar et al. | Crop classification with multi-temporal satellite image data | |
Shah et al. | Crop yield prediction using remote sensing and meteorological data | |
Rani et al. | Classification for Crop Pest on U-SegNet | |
Kandalkar et al. | Classification of agricultural pests using dwt and back propagation neural networks | |
Mondal et al. | Crop Disease Prediction using Machine Learning and Deep Learning: An Exploratory Study | |
Khan et al. | County-level corn yield prediction using supervised machine learning | |
Ouf | A review on the relevant applications of machine learning in agriculture | |
Alam et al. | Classification of deep-SAT images under label noise | |
CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
Zhang et al. | Detailed mapping of a salt farm from Landsat TM imagery using neural network and maximum likelihood classifiers: a comparison | |
Manjula et al. | Efficient prediction of recommended crop variety through soil nutrients using deep learning algorithm | |
Chung et al. | Remote crop disease detection using deep learning with IoT |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |