CN113033455A - 一种农作物自动化分类方法及系统 - Google Patents

一种农作物自动化分类方法及系统 Download PDF

Info

Publication number
CN113033455A
CN113033455A CN202110371739.3A CN202110371739A CN113033455A CN 113033455 A CN113033455 A CN 113033455A CN 202110371739 A CN202110371739 A CN 202110371739A CN 113033455 A CN113033455 A CN 113033455A
Authority
CN
China
Prior art keywords
remote sensing
data
sensing data
crops
crop
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.)
Withdrawn
Application number
CN202110371739.3A
Other languages
English (en)
Inventor
梁治华
丁志平
朱爽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Aisi Times Technology Co ltd
Original Assignee
Beijing Aisi Times Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Aisi Times Technology Co ltd filed Critical Beijing Aisi Times Technology Co ltd
Priority to CN202110371739.3A priority Critical patent/CN113033455A/zh
Publication of CN113033455A publication Critical patent/CN113033455A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种农作物分类方法及系统，方法包括：获取待分类农作物的CDL数据；获取待分类农作物的历史遥感数据；根据所述CDL数据以及所述历史遥感数据训练神经网络模型，得到农作物自动化分类模型；根据当前农作物的遥感数据以及所述农作物自动化分类模型进行农作物分类。CDL数据以及历史遥感数据可以获得在大空间尺度上农作物的多样化光谱特征信息，本发明利用CDL数据以及历史遥感数据训练的神经网络模型进行农作物分类，农作物分类精准极高。

Description

一种农作物自动化分类方法及系统
技术领域
本发明涉及农作物分类技术领域，特别是涉及一种农作物自动化分类方法及系统。
背景技术
利用卫星遥感数据并结合机器学习算法的方法成为主流的作物制图范式。但是这些分类方法往往针对于一个特定地区或者特定日期，在世界其他地区的泛化性能如何并没有经过评估。在另一方面，由于训练样本的获取和标注费时费力，甚至在有些地区难以获得真值样本，影响模型识别精度。
CDL(Cropland Data Layer)是目前任意访问、免费共享且高精度的作物类型分类产品数据。现有的利用CDL数据进行模型训练然后进行空间迁移的方法无法解决大尺度区域模型迁移问题，尤其当跨洲际尺度，由于纬度等因素的差异造成作物生长期长短发生显著变化和无法获得足够的时间序列数据(目标区域数据与训练区域数据维度保持一致)，采用时间序列的方法会带来严重的误分，难以推广应用。
发明内容
本发明的目的是提供一种农作物自动化分类方法及系统，以提高农作物分类精准度。
为实现上述目的，本发明提供了如下方案：
一种农作物自动化分类方法，所述农作物自动化分类方法包括：
获取待分类农作物的CDL数据；
获取待分类农作物的历史遥感数据；
根据所述CDL数据以及所述历史遥感数据训练神经网络模型，得到农作物自动化分类模型；
根据当前农作物的遥感数据以及所述农作物自动化分类模型进行农作物分类。
可选地，所述历史遥感数据获取过程包括：
获取待分类农作物播种时段的时间窗口遥感数据以及生长旺盛时段的时间窗口遥感数据；
采用中值合成法将所述播种时段的时间窗口遥感数据以及所述生长旺盛时段的时间窗口遥感数据分别合成无云影像；
获取所述无云影像的蓝、绿、红、近红、短波红外一以及短波红外二波段的数据，得到历史遥感数据。
可选地，所述待分类农作物播种时段为待分类农作物播种后两个月内的时间段，所述待分类农作物生长旺盛时段为待分类农作物的归一化植被指数达到最大值时的时间段。
可选地，所述农作物自动化分类模型训练过程包括：
将所述CDL数据和所述历史遥感数据进行合成，得到合成数据；
将所述合成数据划分为训练样本以及验证样本；
将所述训练样本输入U-Net模型进行训练，得到农作物自动化分类模型。
可选地，所述农作物自动化分类模型训练过程还包括：
利用所述验证样本对所述农作物自动化分类模型进行验证。
可选地，所述U-Net模型的初始学习率为0.00001，所述U-Net模型的batch size为10。
可选地，所述U-Net模型由编码器和解码器构成。
一种农作物自动化分类系统，所述农作物自动化分类系统包括：
第一获取模块，用于获取待分类农作物的CDL数据；
第二获取模块，用于获取待分类农作物的历史遥感数据；
模型训练模块，用于根据所述CDL数据以及所述历史遥感数据训练神经网络模型，得到农作物自动化分类模型；
农作物分类模块，用于根据当前农作物的遥感数据以及所述农作物自动化分类模型进行农作物分类。
可选地，所述第二获取模块包括：
第一获取单元，用于获取待分类农作物播种时段的时间窗口遥感数据以及生长旺盛时段的时间窗口遥感数据；
第一合成单元，用于采用中值合成法将所述播种时段的时间窗口遥感数据以及所述生长旺盛时段的时间窗口遥感数据分别合成无云影像；
第二获取单元，用于获取所述无云影像的蓝、绿、红、近红、短波红外一以及短波红外二波段的数据，得到历史遥感数据。
可选地，所述模型训练模块包括：
第二合成单元，将所述CDL数据和所述历史遥感数据进行合成，得到合成数据；
划分单元，用于将所述合成数据划分为训练样本以及验证样本；
模型训练单元，用于将所述训练样本输入U-Net模型进行训练，得到农作物自动化分类模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种农作物自动化分类方法及系统，方法包括：获取待分类农作物的CDL数据；获取待分类农作物的历史遥感数据；根据所述CDL数据以及所述历史遥感数据训练神经网络模型，得到农作物自动化分类模型；根据当前农作物的遥感数据以及所述农作物自动化分类模型进行农作物分类。CDL数据以及历史遥感数据可以获得在大空间尺度上农作物的多样化光谱特征信息，本发明利用CDL数据以及历史遥感数据训练的神经网络模型进行农作物分类，农作物分类精准极高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的农作物自动化分类方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
本发明的目的是提供一种农作物自动化分类方法及系统，以提高农作物分类精准度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，农作物自动化分类方法包括：
步骤101：获取待分类农作物的CDL数据。
CDL数据为覆盖美国全境的农作物类型数据，包含大量的农作物种植信息，既包括大面积种植作物，如大豆、玉米以及水稻等，也包括其他小面积种植的作物。
步骤102：获取待分类农作物的历史遥感数据。步骤102具体包括：
步骤1021：获取待分类农作物播种时段的时间窗口遥感数据以及生长旺盛时段的时间窗口遥感数据。
步骤1022：采用中值合成法将播种时段的时间窗口遥感数据以及生长旺盛时段的时间窗口遥感数据分别合成无云影像。
步骤1023：获取无云影像的蓝、绿、红、近红、短波红外一以及短波红外二波段的数据，得到历史遥感数据。
根据待分类农作物类型，从USDA(United States Department ofAgriculture)获取包含相同农作物类型的CDL数据。获取农作物播种时段和生长旺盛时段的两个时间窗口内的Landsat 8TOA数据，分别采用中值合成法生成无云影像。选择无云影像的蓝、绿、红、近红、短波红外一以及短波红外二波段的数据作为历史遥感数据。其中，待分类农作物播种时段为待分类农作物播种后两个月内的时间段，待分类农作物生长旺盛时段为待分类农作物的归一化植被指数达到最大值时的时间段。遥感数据的时间窗口选择时，将遥感数据的时间分辨率作为步长，移动时间窗口，直至待分类农作物的数据分布最接近最优时间窗口。
步骤103：根据CDL数据以及历史遥感数据训练神经网络模型，得到农作物自动化分类模型。其中，农作物自动化分类模型训练过程包括：
步骤1031：将CDL数据和历史遥感数据进行合成，得到合成数据。
步骤1032：将合成数据划分为训练样本以及验证样本。将合成数据裁剪成256*256个像元大小并互相有25％重叠的瓦片作为样本数据集，以降低在训练过程中对内存的需求。再将样本数据集划分为训练样本(80％)和验证样本(20％)。
步骤1033：将训练样本输入U-Net模型进行训练，得到农作物自动化分类模型。U-Net模型的初始学习率为0.00001，batch size为10。U-Net模型由编码器和解码器构成。编码器有四个子模块，每个子模块包含两个卷积层，每个子模块之后还有一个通过max pool实现的下采样层。解码器包含四个子模块，分辨率通过上采样操作依次上升，直到与输入图像的分辨率一致。该U-Net模型还使用了跳跃连接，将上采样结果与编码器中具有相同分辨率的子模块的输出进行连接，作为解码器中下一个子模块的输入。
训练过程还包括：利用验证样本对农作物自动化分类模型进行验证。
步骤104：根据当前农作物的遥感数据以及农作物自动化分类模型进行农作物分类。实现使用固定的训练数据和模型即可完成对全球任意区域进行农作物分类的效果。
本实施例还公开了一种农作物自动化分类系统，农作物自动化分类系统包括：
第一获取模块，用于获取待分类农作物的CDL数据。
第二获取模块，用于获取待分类农作物的历史遥感数据。
模型训练模块，用于根据CDL数据以及历史遥感数据训练神经网络模型，得到农作物自动化分类模型。
农作物分类模块，用于根据当前农作物的遥感数据以及农作物自动化分类模型进行农作物分类。
在本实施例中，第二获取模块包括：
第一获取单元，用于获取待分类农作物播种时段的时间窗口遥感数据以及生长旺盛时段的时间窗口遥感数据。
第一合成单元，用于采用中值合成法将播种时段的时间窗口遥感数据以及生长旺盛时段的时间窗口遥感数据分别合成无云影像。
第二获取单元，用于获取无云影像的蓝、绿、红、近红、短波红外一以及短波红外二波段的数据，得到历史遥感数据。
在本实施例中，模型训练模块包括：
第二合成单元，将CDL数据和历史遥感数据进行合成，得到合成数据。
划分单元，用于将合成数据划分为训练样本以及验证样本。
模型训练单元，用于将训练样本输入U-Net模型进行训练，得到农作物自动化分类模型。
农作物生长过程中，不同时期在影像上表现出不同特点，比如从裸地到稀疏植被、到旺盛、到成熟干枯。用遥感数据做识别时候要选择合适的时间，能体现出作物特点并尽量能与其他作物区分开。本发明先通过播种时段以及生长旺盛时段初步筛选影像，然后与做训练样本的影像做特征匹配，选择最为接近的数据用来做识别分类，提高分类精准度。
本发明利用遥感数据的时间窗口选择策略，能够选择与训练样本区域影像特征一致的目标区域影像。因此对于任意一个新的区域，只要筛选出同类特征影像就可以进行识别，实现模型迁移的目的，而不必对每个区域都重新训练模型。
本发明基于遥感数据和易获得且数据量大的CDL数据进行模型训练，构建U-Net模型，然后将该模型在洲际内、跨洲际间进行大尺度的空间迁移，实现了仅训练一个模型即可实现跨洲际尺度农作物分类的效果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种农作物自动化分类方法，其特征在于，所述农作物自动化分类方法包括：
获取待分类农作物的CDL数据；
获取待分类农作物的历史遥感数据；
根据所述CDL数据以及所述历史遥感数据训练神经网络模型，得到农作物自动化分类模型；
根据当前农作物的遥感数据以及所述农作物自动化分类模型进行农作物分类。
2.根据权利要求1所述的农作物自动化分类方法，其特征在于，所述历史遥感数据获取过程包括：
获取待分类农作物播种时段的时间窗口遥感数据以及生长旺盛时段的时间窗口遥感数据；
采用中值合成法将所述播种时段的时间窗口遥感数据以及所述生长旺盛时段的时间窗口遥感数据分别合成无云影像；
获取所述无云影像的蓝、绿、红、近红、短波红外一以及短波红外二波段的数据，得到历史遥感数据。
3.根据权利要求2所述的农作物自动化分类方法，其特征在于，所述待分类农作物播种时段为待分类农作物播种后两个月内的时间段，所述待分类农作物生长旺盛时段为待分类农作物的归一化植被指数达到最大值时的时间段。
4.根据权利要求1所述的农作物自动化分类方法，其特征在于，所述农作物自动化分类模型训练过程包括：
将所述CDL数据和所述历史遥感数据进行合成，得到合成数据；
将所述合成数据划分为训练样本以及验证样本；
将所述训练样本输入U-Net模型进行训练，得到农作物自动化分类模型。
5.根据权利要求4所述的农作物自动化分类方法，其特征在于，所述农作物自动化分类模型训练过程还包括：
利用所述验证样本对所述农作物自动化分类模型进行验证。
6.根据权利要求4所述的农作物自动化分类方法，其特征在于，所述U-Net模型的初始学习率为0.00001，所述U-Net模型的batch size为10。
7.根据权利要求4所述的农作物自动化分类方法，其特征在于，所述U-Net模型由编码器和解码器构成。
8.一种农作物自动化分类系统，其特征在于，所述农作物自动化分类系统包括：
第一获取模块，用于获取待分类农作物的CDL数据；
第二获取模块，用于获取待分类农作物的历史遥感数据；
模型训练模块，用于根据所述CDL数据以及所述历史遥感数据训练神经网络模型，得到农作物自动化分类模型；
农作物分类模块，用于根据当前农作物的遥感数据以及所述农作物自动化分类模型进行农作物分类。
9.根据权利要求8所述的农作物自动化分类系统，其特征在于，所述第二获取模块包括：
第一获取单元，用于获取待分类农作物播种时段的时间窗口遥感数据以及生长旺盛时段的时间窗口遥感数据；
第一合成单元，用于采用中值合成法将所述播种时段的时间窗口遥感数据以及所述生长旺盛时段的时间窗口遥感数据分别合成无云影像；
第二获取单元，用于获取所述无云影像的蓝、绿、红、近红、短波红外一以及短波红外二波段的数据，得到历史遥感数据。
10.根据权利要求8所述的农作物自动化分类系统，其特征在于，所述模型训练模块包括：
第二合成单元，将所述CDL数据和所述历史遥感数据进行合成，得到合成数据；
划分单元，用于将所述合成数据划分为训练样本以及验证样本；
模型训练单元，用于将所述训练样本输入U-Net模型进行训练，得到农作物自动化分类模型。
CN202110371739.3A 2021-04-07 2021-04-07 一种农作物自动化分类方法及系统 Withdrawn CN113033455A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110371739.3A CN113033455A (zh) 2021-04-07 2021-04-07 一种农作物自动化分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110371739.3A CN113033455A (zh) 2021-04-07 2021-04-07 一种农作物自动化分类方法及系统

Publications (1)

Publication Number Publication Date
CN113033455A true CN113033455A (zh) 2021-06-25

Family

ID=76453893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110371739.3A Withdrawn CN113033455A (zh) 2021-04-07 2021-04-07 一种农作物自动化分类方法及系统

Country Status (1)

Country Link
CN (1) CN113033455A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Similar Documents

Publication Publication Date Title
Sun et al. Deep learning classification for crop types in north dakota
Waldhoff et al. Multi-Data Approach for remote sensing-based regional crop rotation mapping: A case study for the Rur catchment, Germany
CN111598019B (zh) 基于多源遥感数据的作物类型与种植模式识别方法
Farmonov et al. Crop type classification by DESIS hyperspectral imagery and machine learning algorithms
Sharma et al. Geospatial technology in agroforestry: status, prospects, and constraints
CN110647932B (zh) 一种种植作物结构遥感影像分类方法及装置
CN109815914A (zh) 一种基于植被区域识别的卷积神经网络模型训练方法及系统
Xu et al. Instance segmentation method for weed detection using UAV imagery in soybean fields
CN112991351A (zh) 遥感图像语义分割方法、装置及存储介质
CN111814545A (zh) 作物识别方法、装置、电子设备及存储介质
CN115668307A (zh) 用于估计真实世界环境中植被覆盖范围的系统和方法
CN109063660A (zh) 一种基于多光谱卫星影像的作物识别方法
Paymode et al. Tomato leaf disease detection and classification using convolution neural network
Bonfante et al. Terroir analysis and its complexity: This article is published in cooperation with Terclim 2022 (XIVth International Terroir Congress and 2nd ClimWine Symposium), 3-8 July 2022, Bordeaux, France.
CN113033455A (zh) 一种农作物自动化分类方法及系统
Meng et al. Fine hyperspectral classification of rice varieties based on attention module 3D-2DCNN
Kumari et al. Object-based machine learning approach for soybean mapping using temporal sentinel-1/sentinel-2 data
Bagan et al. Sensitivity of the subspace method for land cover classification
Huang et al. A survey of deep learning-based object detection methods in crop counting
Heylen et al. Counting strawberry flowers on drone imagery with a sequential convolutional neural network
Lopez et al. Convolutional neural networks for semantic segmentation of multispectral remote sensing images
Arunarani et al. Crop yield prediction using spatio temporal CNN and multimodal remote sensing
CN116186392A (zh) 柑橘品种的种植推荐方法、装置、终端设备和存储介质
Zhou et al. An Object-Based Extremely Weak Supervised Learning Paradigm: Focusing on the Introduction of Algorithm
Chang et al. Rice field mapping using sentinel-1a time series data and deep learning model

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210625