CN111178186A

CN111178186A - 基于哨兵遥感数据的水稻提取方法及装置、设备

Info

Publication number: CN111178186A
Application number: CN201911300335.4A
Authority: CN
Inventors: 姜浩; 郑琼; 许剑辉; 李丹
Original assignee: Guangzhou Institute of Geography of GDAS; Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Current assignee: Guangzhou Institute of Geography of GDAS; Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Priority date: 2019-12-16
Filing date: 2019-12-16
Publication date: 2020-05-19

Abstract

本申请实施例涉及一种基于哨兵遥感数据的水稻提取方法及装置、设备。本申请实施例的基于哨兵遥感数据的水稻提取方法包括：获取多组待提取区域的哨兵1号光学遥感数据，其中，所述光学遥感数据包括VH波段和VV波段；根据所述VH波段和VV波段的光学遥感数据，获取VH/VV波段的光学遥感数据；提取每组光学遥感数据的纹理特征；获取水稻的卫星遥感数据样本，并从所述样本中选取训练样本；将待提取区域的VH波段、VV波段和VH/VV波段的光学遥感数据以及每组光学遥感数据对应的纹理特征输入训练好的XGBoost分类器，得到待提取区域的水稻提取结果。本申请实施例的基于哨兵遥感数据的水稻提取方法可以比较准确的从遥感图像中提取出水稻种植区域。

Description

基于哨兵遥感数据的水稻提取方法及装置、设备

技术领域

本申请实施例涉及遥感测量技术领域，特别是涉及一种基于哨兵遥感数据的水稻提取方法及装置。

背景技术

水稻是我国的重要农作物，主要种植于我国南方地区，但南方地区，特别是华南地区多云多雨，常用的光学遥感在该地区难以应用；同时，华南地区地块破碎，种植结构多样，对遥感数据的时空分辨率要求较高，因此，现有技术中难以通过光学遥感数据从遥感图像中提取出水稻种植区域。

发明内容

本申请实施例提供了一种基于哨兵遥感数据的水稻提取方法及装置、电子设备，可以比较准确的从遥感图像中提取出水稻种植区域。

第一方面，本申请实施例提供了一种基于哨兵遥感数据的水稻提取方法，包括步骤：

获取多组待提取区域的哨兵1号光学遥感数据，其中，所述光学遥感数据包括VH波段和VV波段；

根据所述VH波段和VV波段的光学遥感数据，获取VH/VV波段的光学遥感数据；

提取每组光学遥感数据的纹理特征；

获取水稻的卫星遥感数据样本，并从所述样本中选取训练样本；

将待提取区域的VH波段、VV波段和VH/VV波段的光学遥感数据以及每组光学遥感数据对应的纹理特征输入训练好的XGBoost分类器，得到待提取区域的水稻提取结果。

可选的，得到待提取区域的水稻提取结果后，还包括：

计算所述水稻提取结果中的归一化差异植被指数NDVI；

根据所述归一化差异植被指数NDVI和设定阈值，从所述水稻提取结果中去除非植被图层。

可选的，所述XGBoost分类器的训练过程包括：

从所述卫星遥感数据样本中选取非训练样本作为测试样本和验证样本；

通过所述测试样本对所述XGboost分类器各参数进行交叉验证测试，调整优化模型参数，得到模型精度最高的参数组合，并通过所述验证样本对所述XGBoost分类器进行验证。

可选的，所述纹理特征包括如下至少一项：

均值、方差、标准差、同质度、对比度、变异性、熵、角二矩阵、相关性。

可选的，获取待提取区域哨兵1号的光学遥感数据后，还包括如下步骤：

对所述光学遥感数据进行辐射定标；

对所述光学遥感数据进行多普勒正射校正；

将所述光学遥感数据投影为UTM投影。

第二方面，本申请实施例提供了一种基于哨兵遥感数据的水稻提取装置，包括：

光学遥感数据获取模块，用于获取多组待提取区域的哨兵1号光学遥感数据，其中，所述光学遥感数据包括VH波段和VV波段；

VH/VV波段的光学遥感数据获取模块，用于根据所述VH波段和VV波段的光学遥感数据，获取VH/VV波段的光学遥感数据；

纹理特征提取模块，用于提取每组光学遥感数据的纹理特征；

样本获取模块，用于获取水稻的卫星遥感数据样本，并从所述样本中选取训练样本；

提取模块，用于将待提取区域的VH波段、VV波段和VH/VV波段的光学遥感数据以及每组光学遥感数据对应的纹理特征输入训练好的XGBoost分类器，得到待提取区域的水稻提取结果。

可选的，所述装置还包括：

NDVI计算模块，用于计算所述水稻提取结果中的归一化差异植被指数NDVI；

去除模块，用于根据所述归一化差异植被指数NDVI和设定阈值，从所述水稻提取结果中去除非植被图层。

可选的，所述装置还包括：

验证样本获取模块，用于从所述卫星遥感数据样本中选取非训练样本作为测试样本和验证样本；

验证模块，用于通过所述测试样本对所述XGboost分类器各参数进行交叉验证测试，调整优化模型参数，得到模型精度最高的参数组合，并通过所述验证样本对所述XGBoost分类器进行验证。

可选的，所述装置还包括：

辐射定标模块，用于对所述光学遥感数据进行辐射定标；

多普勒正射校正模块，用于对所述光学遥感数据进行多普勒正射校正；

投影模块，用于将所述光学遥感数据投影为UTM投影。

第三方面，本申请实施例提供了一种电子设备，包括存储器以及处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本申请实施例第一方面所述的基于哨兵遥感数据的水稻提取方法。

在本申请实施例中，基于水稻种植期特殊的灌溉方式，在VH波段和VV波段上具有不同表现，而VH/VV能够综合两种特征，具有更好的特征表达效果，本申请实施例通过结合VH波段、VV波段以及VH/VV波段的卫星遥感数据，结合训练样本训练分类模型，并通过分类模型提取卫星遥感数据中的水稻，可以比较准确的从遥感图像中提取出水稻种植区域。

改进的归一化差异水体指数MNDWI作为参考数据；根据预先训练好的阈值对水体进行风格，采用数字地形高程模型和哨兵1号微波数据排除山体阴影，可以更为准确的提取水体，且提取效果稳定。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。

附图说明

图1为在一个示例性实施例中示出的本申请实施例基于哨兵遥感数据的水稻提取方法流程图；

图2为在一个示例性实施例中示出的本申请实施例基于哨兵遥感数据的水稻提取装置结构示意图；

图3为在一个示例性实施例中示出的本申请实施例电子设备结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。

应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。

在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

如图1所示，图1为在一个示例性的实施例中基于哨兵遥感数据的水稻提取方法的流程图，包括如下步骤：

步骤S101：获取多组待提取区域的哨兵1号光学遥感数据，其中，所述光学遥感数据包括VH波段和VV波段。

哨兵1号(Sentinel-1)卫星是欧洲航天局哥白尼计划(GMES)中的地球观测卫星，由两颗卫星组成，载有C波段合成孔径雷达，可提供连续图像(白天、夜晚和各种天气)，哨兵1号卫星是全天时、全天候雷达成像任务，用于陆地和海洋观测。哨兵1号卫星具有10米的空间分辨率，12天的重放周期，为我国南方地区，特别是华南地区作物监测提供了较好的卫星数据。

所述VH波段和VV波段为雷达遥感系统常用的两种极化方式，雷达发射的能量脉冲的电场矢量，可以在垂直或水平面内被偏振，无论哪个波长，雷达信号可以传送水平(H)或者垂直(V)电场矢量，接收水平(H)或者垂直(V)或者两者的返回信号。雷达遥感系统常用四种极化方式——HH、VV、HV、VH。前两者为同向极化，后两者为异向(交叉)极化。

步骤S102：根据所述VH波段和VV波段的光学遥感数据，获取VH/VV波段的光学遥感数据。

基于水稻种植期特殊的灌溉方式，在VH波段和VV波段上具有不同表现，而VH/VV能够综合两种特征，具有更好的特征表达效果，因此，本申请实施例通过所述VH波段和VV波段的光学遥感数据，获取VH/VV波段的光学遥感数据。

具体的，利用如下公式计算VH/VV波段ρ_vh/vv：

由于所述光学遥感数据中包含雷达数据固有的speckle噪声，因此，在一些例子中，获取VH/VV波段的光学遥感数据前，还包括去噪的步骤。

所述去噪的步骤主要针对的是雷达数据特有的speckle噪声。在一些例子中，可以是采用是Gamma-Map方法，设置为7*7的窗口对所述光学遥感数据进行去噪。

在一些例子中，雷达数据默认的是线性值，由于值域太宽，不适合进行计算，一般都要进行log拉伸后再处理，利用如下公式，针对所有VH、VV、VH/VV三个波段，将线性值进行Log拉伸，

ρ_db＝10·log₁₀(ρ_linear)

步骤S103：提取每组光学遥感数据的纹理特征。

纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性，纹理具有三大标志：某种局部序列性不断重复，非随机排列，纹理区域内大致为均匀的统一体。

不同于灰度、颜色等图像特征，纹理通过像素及其周围空间邻域的灰度分布来表现，即局部纹理信息。另外，局部纹理信息不同程度上的重复性，就是全局纹理信息。

纹理特征体现全局特征的性质的同时，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。

步骤S104：获取水稻的卫星遥感数据样本，并从所述样本中选取训练样本。

步骤S105：将待提取区域的VH波段、VV波段和VH/VV波段的光学遥感数据以及每组光学遥感数据对应的纹理特征输入训练好的XGBoost分类器，得到待提取区域的水稻提取结果。

所述XGBoost分类器为极端梯度提升算法，是若干决策树作为基分类器，根据上一决策树输出结果与实际值的残差拟合下一决策树，通过对若干决策树输出结果求和得到预测值。

在一个示例性的实施例中，得到待提取区域的水稻提取结果后，还包括从提取结果中去除非植被的步骤，在本申请实施例中，可以是采用基于分割的方法去除非植被，例如采用主动轮廓法(Active Contour)去除提取结果中的非植被，在一些例子中，还可以是采用阈值法从提取结果中提取非植被图层，并去除所提取的非植被图层，采用阈值法时，可以是包括如下步骤：

根据如下公式计算所述水稻提取结果中的归一化差异植被指数NDVI；

其中，ρ_nir为近红外反射率值，ρ_red为红波段反射率值。

具体的，根据如下公式提取非植被，NDVI>T_NDVI，其中，T_NDVI为设定阈值。

在一些例子中，可以是采用预先根据哨兵2数据提取好的非植被图层，对作物分类图进行排除。

在一个实施例中，从提取结果中去除非植被后，采用最大最小值滤波Majorityfilter进行滤波，消除各类作物中的碎点，得到最终水稻分布图。

在一个示例性的实施例中，所述XGBoost分类器的训练过程包括：

即其中，从样本中划分出的训练样本、验证样本和测试样本的比例可以是6:2:2，所述测试样本用于针对n_estimators、learning_rate、max_depth等参数，进行交叉验证。

在一个示例性的实施例中，所述纹理特征包括如下至少一项：

其中，均值的计算公式为：

Mean＝∑∑p(i,j)

方差的计算公式为：

Variance＝∑∑p(i,j)*(i-Mean)²

标准差的计算公式为：

同质度的计算公式为：

对比度的计算公式为：

Contrast＝∑∑p(i,j)*(i-j)²

变异性的计算公式为：

Dissmilarity＝∑∑p(i,j)*|i-j|

熵的计算公式为：

Entropy＝∑∑p(i,j)*lnp(i,j)

熵的计算公式为：

ASM＝∑∑p(i,j)²

相关性的计算公式为：

在一个示例性的实施例中，获取待提取区域哨兵1号的光学遥感数据后，还包括如下步骤：

对所述光学遥感数据进行辐射定标；校正了三种影响因素：散射区域、雷达天线增益和方位向传输损失。定标结果输出为后向散射系数(Sigma)。该步骤可以由sentinel-1官方的SNAP软件，根据数据提供的轨道信息进行辐射校正。

对所述光学遥感数据进行多普勒正射校正；基于多普勒距离方程的严格SAR数据几何校正，在SRTM DEM支持下能够实现对SAR数据的正射纠正，从而消除地形对SAR数据的影响，同样由SNAP软件完成。

将所述光学遥感数据投影为UTM投影。具体的，将将所述光学遥感数据投影为南方地区或华南地区对应的UTM投影。

与前述基于哨兵遥感数据的水稻提取方法相对应，本申请实施例还提供一种基于哨兵遥感数据的水稻提取装置，所述装置可以是安装于任何智能终端，例如，可以具体为计算机、服务器，分析设备等。本申请实施例的基于哨兵遥感数据的水稻提取装置，基于水稻种植期特殊的灌溉方式，在VH波段和VV波段上具有不同表现，而VH/VV能够综合两种特征，具有更好的特征表达效果，本申请实施例通过结合VH波段、VV波段以及VH/VV波段的卫星遥感数据，结合训练样本训练分类模型，并通过分类模型提取卫星遥感数据中的水稻，可以比较准确的从遥感图像中提取出水稻种植区域。

在一个示例性的实施例中，如图2所示，所述基于哨兵遥感数据的水稻提取装置200包括：

光学遥感数据获取模块201，用于获取多组待提取区域的哨兵1号光学遥感数据，其中，所述光学遥感数据包括VH波段和VV波段；

VH/VV波段的光学遥感数据获取模块202，用于根据所述VH波段和VV波段的光学遥感数据，获取VH/VV波段的光学遥感数据；

纹理特征提取模块203，用于提取每组光学遥感数据的纹理特征；

样本获取模块204，用于获取水稻的卫星遥感数据样本，并从所述样本中选取训练样本；

提取模块205，用于将待提取区域的VH波段、VV波段和VH/VV波段的光学遥感数据以及每组光学遥感数据对应的纹理特征输入训练好的XGBoost分类器，得到待提取区域的水稻提取结果。

在一个示例性的实施例中，所述装置200还包括：

辐射定标模块，用于对所述光学遥感数据进行辐射定标；

投影模块，用于将所述光学遥感数据投影为UTM投影。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

与前述基于哨兵遥感数据的水稻提取方法相对应，本申请实施例还提供一种基于哨兵遥感数据的水稻提取装置应用的电子设备，所述电子设备基于水稻种植期特殊的灌溉方式，在VH波段和VV波段上具有不同表现，而VH/VV能够综合两种特征，具有更好的特征表达效果，本申请实施例通过结合VH波段、VV波段以及VH/VV波段的卫星遥感数据，结合训练样本训练分类模型，并通过分类模型提取卫星遥感数据中的水稻，可以比较准确的从遥感图像中提取出水稻种植区域。

如图3所示，图3是本申请实施例根据一示例性实施例示出的一种电子设备的结构框图。

该电子设备包括：处理器1200、存储器1201、具有触摸功能的显示屏1202、输入装置1203、输出装置1204以及通信装置1205。该电子设备中处理器1200的数量可以是一个或者多个，图3中以一个处理器1200为例。该电子设备中存储器1201的数量可以是一个或者多个，图3中以一个存储器1201为例。该电子设备的处理器1200、存储器1201、显示屏1202、输入装置1203、输出装置1204以及通信装置1205可以通过总线或者其他方式连接，图3中以通过总线连接为例。实施例中，电子设备可以是计算机、手机、平板电脑、交互式智能平板、PDA(Personal Digital Assistant，个人数字助理)、电子书阅读器、多媒体播放器等。本申请实施例中，以电子设备为交互智能平板为例，进行描述。

存储器1201作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例任意实施例所述的基于哨兵遥感数据的水稻提取方法程序，以及本申请实施例任意实施例所述的基于哨兵遥感数据的水稻提取方法对应的程序指令/模块(例如，光学遥感数据获取模块201、VH/VV波段的光学遥感数据获取模块202、纹理特征提取模块203、样本获取模块204、提取模块205等)。存储器1201可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器1201可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器1201可进一步包括相对于处理器1200远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

显示屏1202可为具有触摸功能的显示屏，其可以是电容屏、电磁屏或者红外屏。一般而言，显示屏1202用于根据处理器1200的指示显示数据，还用于接收作用于显示屏1202的触摸操作，并将相应的信号发送至处理器1200或其他装置。可选的，当显示屏1202为红外屏时，其还包括红外触摸框，该红外触摸框设置在显示屏1202的四周，其还可以用于接收红外信号，并将该红外信号发送至处理器1200或者其他设备。在其他例子中，显示屏1202也可为不具有触摸功能的显示屏。

通信装置1205，用于与其他设备建立通信连接，其可以是有线通信装置和/或无线通信装置。

输入装置1203可用于接收输入的数字或者字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。输出装置1204可以包括扬声器等音频设备。需要说明的是，输入装置1203和输出装置1204的具体组成可以根据实际情况设定。

处理器1200通过运行存储在存储器1201中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述任一实施例所记载的基于哨兵遥感数据的水稻提取方法。

上述设备中各个组件的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。上述提供的电子设备可用于执行上述任意实施例提供的基于哨兵遥感数据的水稻提取方法，具备相应的功能和有益效果。上述设备中各个组件的功能和作用的实现过程具体详见上述基于哨兵遥感数据的水稻提取方法中对应步骤的实现过程，在此不再赘述。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请实施例的其它实施方案。本申请实施例旨在涵盖本申请实施例的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请实施例的一般性原理并包括本申请实施例未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请实施例的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请实施例并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请实施例的范围仅由所附的权利要求来限制。

以上所述实施例仅表达了本申请实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请实施例构思的前提下，还可以做出若干变形和改进，这些都属于本申请实施例的保护范围。

Claims

1.一种基于哨兵遥感数据的水稻提取方法，其特征在于，所述方法包括：

提取每组光学遥感数据的纹理特征；

2.根据权利要求1所述的基于哨兵遥感数据的水稻提取方法，其特征在于，得到待提取区域的水稻提取结果后，还包括：

计算所述水稻提取结果中的归一化差异植被指数NDVI；

3.根据权利要求1所述的基于哨兵遥感数据的水稻提取方法，其特征在于，所述XGBoost分类器的训练过程包括：

4.根据权利要求1所述的基于哨兵遥感数据的水稻提取方法，其特征在于，所述纹理特征包括如下至少一项：

5.根据权利要求1所述的基于哨兵遥感数据的水稻提取方法，其特征在于，获取待提取区域哨兵1号的光学遥感数据后，还包括如下步骤：

对所述光学遥感数据进行辐射定标；

对所述光学遥感数据进行多普勒正射校正；

将所述光学遥感数据投影为UTM投影。

6.一种基于哨兵遥感数据的水稻提取装置，其特征在于，所述装置包括：

7.根据权利要求6所述的基于哨兵遥感数据的水稻提取装置，其特征在于，所述装置还包括：

8.根据权利要求6所述的基于哨兵遥感数据的水稻提取装置，其特征在于，所述装置还包括：

9.根据权利要求1所述的基于哨兵遥感数据的水稻提取装置，其特征在于，所述装置还包括：

辐射定标模块，用于对所述光学遥感数据进行辐射定标；

投影模块，用于将所述光学遥感数据投影为UTM投影。

10.一种电子设备，包括：

存储器以及处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的基于哨兵遥感数据的水稻提取方法。