CN115049920A - 基于gee结合生育期属性和面向对象的大区域作物提取方法 - Google Patents
基于gee结合生育期属性和面向对象的大区域作物提取方法 Download PDFInfo
- Publication number
- CN115049920A CN115049920A CN202210408233.XA CN202210408233A CN115049920A CN 115049920 A CN115049920 A CN 115049920A CN 202210408233 A CN202210408233 A CN 202210408233A CN 115049920 A CN115049920 A CN 115049920A
- Authority
- CN
- China
- Prior art keywords
- gee
- oriented
- attribute
- growth
- 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.)
- Granted
Links
- 230000012010 growth Effects 0.000 title claims abstract description 65
- 238000000605 extraction Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000003786 synthesis reaction Methods 0.000 claims description 8
- 239000000443 aerosol Substances 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 238000000638 solvent extraction Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 15
- 235000013339 cereals Nutrition 0.000 description 13
- 230000003595 spectral effect Effects 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 3
- 101100004286 Caenorhabditis elegans best-5 gene Proteins 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 244000203593 Piper nigrum Species 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- ONTQJDKFANPPKK-UHFFFAOYSA-L chembl3185981 Chemical compound [Na+].[Na+].CC1=CC(C)=C(S([O-])(=O)=O)C=C1N=NC1=CC(S([O-])(=O)=O)=C(C=CC=C2)C2=C1O ONTQJDKFANPPKK-UHFFFAOYSA-L 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- WPPDXAHGCGPUPK-UHFFFAOYSA-N red 2 Chemical compound C1=CC=CC=C1C(C1=CC=CC=C11)=C(C=2C=3C4=CC=C5C6=CC=C7C8=C(C=9C=CC=CC=9)C9=CC=CC=C9C(C=9C=CC=CC=9)=C8C8=CC=C(C6=C87)C(C=35)=CC=2)C4=C1C1=CC=CC=C1 WPPDXAHGCGPUPK-UHFFFAOYSA-N 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于GEE结合生育期属性和面向对象的大区域作物提取方法,包括模型数据的输入,特征集合构建,特征优化,面向对象分割,卷积神经网络分类,结果输出。与传统的基于像素的农作物提取方法相比,结合物候的面向对象提取模型输入数据量小,对样本依赖程度低,将数据和知识相结合,降低遥感数据的不确定性,提高影像波段的利用率和计算效率,精度可提高7%。模型应用于我国西北、东北、华中、华东等不同地区,总体精度90%以上,漏检率和虚警率低于5%。技术流程和方法类似,将样本稍作改变,可以将IGrowth模型推广到林地、草地、湿地等自然资源变信息提取方面。
Description
技术领域
本发明涉及自然资源遥感监测和农业作物保护技术领域。具体地说是基于GEE结合生育期属性和面向对象的大区域作物提取方法。
背景技术
大尺度区域的作物空间分布获取往往存在着计算量过大、数据冗余以及精度不高等缺点,难以满足我国现阶段对耕地大范围、高频次遥感监测的需求。相较于基于像元的方法,面向对象的方法逐渐被更多的研究采用,其避免了在分类中某些像元由于同物异谱、异物同谱而导致的错分现象,同时也能有效避免椒盐噪声的出现。特别对于大范围区域,面向对象的分类方法在很大程度上要优于基于像素的方法,且遥感数据在线处理能力的增强,使得在短时间内计算大尺度、长时间序列的遥感数据成为现实。
粮食安全主要指粮食的供给保障问题。而“非粮化”使用现象则是指将原本用于种植小麦与水稻等粮食作物的耕地改作其他用途,这种情况会造成粮食生产的实有面积减少,粮食产量下降。目前看来,“非粮化”现象已成土地流转中的主导趋势,长此以往,将会成为国家粮食安全战略的一个重大隐患。
因此,为了控制农业用地“非粮化”现象,保障国家粮食安全,对农作物种植面积的监测至关重要。而遥感技术由于其观测范围大且周期较短的特点,在农作物监测方面有着独特的优势,众多研究利用遥感技术快速提取农作物的空间分布。其中,相较于基于像元的方法,面向对象的方法逐渐被更多的研究采用,因为它避免了在分类中某些像元由于同物异谱、异物同谱而导致的错分现象,同时也能有效避免椒盐噪声的出现。面向对象的方法结合遥感影像的光谱特征、纹理特征与地形特征等因子可以获得优于85%的分类精度。对于遥感影像合成,早期研究多选择作物生长期影像进行合成,作物生长期一般为3个月以上。后来发现作物生长期间的时间序列数据能够充分反映不同作物的物候特征及其不同理化参数指标变化,因此逐渐被更多的研究使用,时间序列数据对于提高作物的识别精度也有着很大的贡献。
无论是在基于像元还是面向对象的方法中,机器学习分类器因其更高的性能逐渐代替了传统的最大似然分类器。比较常见的机器学习分类器有Random Forest(随机森林),Classification and Regression Trees(决策树),Support Vector Machine(支持向量机)等。其中,支持向量机与随机森林被认为不受数据噪声的影响,因此,相对于其他分类器应用要更为广泛。机器学习的引进为遥感研究的开展带来了极大的便利,但随着土地利用/覆被的高异质化,遥感影像分类的复杂性大大增加,机器学习所得研究结果的精度不足以达到要求,而深度学习中的卷积神经网络由于具有高效处理光谱和空间信息的能力,在遥感研究中逐渐热门,并取得了较好的精度效果。在卷积神经网络应用于遥感研究时,需要对遥感图像逐影像块计算,巨大的计算量使得研究效率低下。面向对象的方法与卷积神经网络结合后,通过将分割好的像素块输入分类,可以有效避免像素卷积神经网络方法中易出现的地物边缘模糊、孤立点等固有问题,且避免了计算效率过低的缺点。
此外,长久以来,遥感数据都有着海量数据的特点,遥感数据的处理工作量也十分巨大,无疑对计算机的性能有一定要求,而目前,Google Earth Engine(GEE)成为遥感在线工作的主要平台,它可以在线调用包括机器学习在内的常见算法的功能使这个问题得到了解决。GEE是由谷歌开发的卫星图像和地球观测数据云端运算平台,免费提供Landsat、Sentinel、MODIS等卫星影像以及数据产品。GEE丰富的平台资源以及强大的计算能力使得地理数据在线处理成为目前遥感研究的主要趋势。然而,在大范围的遥感研究中,将作物生长期影像合成再提取光谱特征进行分类的方法未结合作物的生长阶段,难以充分利用作物光谱在不同时期的变化特征,而时间序列的方法数据量极大,难以同时完成整个区域的数据合成以及后续的计算流程。因此,如何在保证作物生长变化特征得以充分利用的情况下,还能够降低数据的冗余,减少数据量,成为一个有待解决的问题。
发明内容
为此,本发明所要解决的技术问题在于提供一种可以克服大尺度区域的作物空间分布获取计算量过大、数据冗余以及精度不高等不足基于GEE结合生育期属性和面向对象的大区域作物提取方法,该方法利用Google云服务基础设施遥感大数据分析平台,基于人工智能和面向对象的技术方法,将作物各个生长阶段作为独立属性,与光谱特征相结合共同进行优化选择,结合生育期属性和卷积神经网络,以达到简化时间序列数据的目的,进行大区域作物快速提取和制图,实现基于GEE平台进行作物大范围在线提取,实现区域级、省级高频次工程化“非农化”、“非粮化”变化自动发现。
为解决上述技术问题,本发明提供如下技术方案:
基于GEE结合生育期属性和面向对象的大区域作物提取方法,包括如下步骤:
(1)模型数据的输入:模型数据为谷歌开发的卫星图像和地球观测数据云端运算平台Google Garth Engine(GEE)中存储的作物生长季遥感影像;
(2)特征集合构建:
(3)特征优化:使用Relief F算法进行各特征权重计算,选择最佳的5个特征进行分类;
(4)面向对象分割:使用Simple non-iterative clustering(SNIC)面向对象算法进行影像分割;
(5)卷积神经网络分类:
(6)结果输出。
上述基于GEE结合生育期属性和面向对象的大区域作物提取方法,在步骤(1)中,选择5月到10月的Sentinel-2影像数据Level-2A产品,影像分辨率为10米,共12个原始波段,分别为气溶胶波段、蓝光波段、红光波段、绿光波段、近红外波段、水汽波段、4个红边波段及2个远红外波段。
上述基于GEE结合生育期属性和面向对象的大区域作物提取方法,在步骤(2)中,
(2-1)以作物生长期间,即5月到10月作为研究时期,将每10天作为一个生长阶段,即共18个生长阶段;
(2-2)计算12个原始波段与指数波段对作物分类有贡献的因子,并将以上所得波段共同作为特征波段添加到18个生长阶段的影像中;其中指数波段包括植被指数和水体指数;
(2-3)将18个生长阶段分别进行影像合成,且生长阶段的时间属性与各阶段内的特征波段相结合,得到特征集合。
上述基于GEE结合生育期属性和面向对象的大区域作物提取方法,在步骤(3)中,使用Relief F特征权重算法所得的权重最高的5个特征作为分类特征。
上述基于GEE结合生育期属性和面向对象的大区域作物提取方法,各特征因子当中,将权重排列位于前五的特征因子作为优化后的特征集合,以降低数据冗余,提高计算效率。
上述基于GEE结合生育期属性和面向对象的大区域作物提取方法,在步骤(4)中,将具有相似纹理、颜色、亮度特征的相邻像素构成具有一定视觉意义的不规则像素块,从而用少量的超像素代替大量的像素来表达图片特征,SNIC面向对象分割算法输出的对象属性为对象内所有像素的属性均值。
上述基于GEE结合生育期属性和面向对象的大区域作物提取方法,在步骤(5)中,将分割后像素块的特征,即该像素块内所有像素的属性均值,作为分类特征输入卷积神经网络,得到作物提取结果。
上述基于GEE结合生育期属性和面向对象的大区域作物提取方法,在步骤(6)中,输出结果包括研究区内的作物提取结果制图和输出提取精度。
上述基于GEE结合生育期属性和面向对象的大区域作物提取方法,提取精度的评判指标包括总体准确度、生产精度、用户精度、Kappa系数、精确度、召回率与F1-score。
本发明的技术方案取得了如下有益的技术效果:
本发明公开基于GEE结合生育期属性和面向对象的大区域作物提取方法,对研究区域内的各个地物类别选取适量样本点,其次,将5月到10月的作物生长期内每10天作为一个生长阶段,对10天间隔的Sentinel-2影像进行影像合成。然后,对各个生长阶段的合成影像,即18幅合成影像,进行原始光谱波段及植被指数的提取,作为其特征集合。对上述的几百个特征进行优化得到最佳的5个特征,据此将影像作SNIC面向对象分割,算法输出的对象属性为该对象内所有像素的均值。最后,将分割对象输入卷积神经网络,分类特征为对象属性,分类结果即为研究作物提取结果。
本研究基于面向对象的分类方法,结合卷积神经网络,提出了IGrowth作物空间分布提取方法,将作物各个生长阶段作为独立属性,与光谱特征相结合共同进行优化选择,以达到简化时间序列数据的目的。
Relief F算法不受数据类型的影响,全局搜索更优,运算效率更高。故本文在进行特征参数选取时,使用Relief F算法来减少特征参数数量,缩短模型训练时间,提高类别区分的准确率;卷积神经网络的提取结果的总体准确度、Kappa系数、生产精度以及用户精度等各项指标均有提高,且提取速度也相应提高,该方法可有效为大区域高频次耕地执法督查和“非农化、非粮化”遥感监测提供工程化解决方案。
本研究主要有以下几个内容:(1)探究基于GEE平台进行作物大范围在线提取的特点;(2)将本申请提出的IGrowth方法与未结合生长阶段的面向对象分类方法以及目前具有精度优势的时间序列的方法相比,测试其优劣势。(3)获取本文研究区,本文以典型的大范围农作物种植区为例,即双鸭山市2019年度水稻、玉米、大豆的空间分布。
本发明旨在克服大尺度区域的作物空间分布获取计算量过大、数据冗余以及精度不高等不足,所要解决的技术问题在于提供一种大区域作物快速提取和制图方法,为此基于面向对象的分类方法,结合卷积神经网络,提供一种基于GEE的结合生育期属性和面向对象的大区域作物快速提取方法,将作物各个生长阶段作为独立属性,与光谱特征相结合共同进行优化选择,以达到简化时间序列数据的目的,实现基于GEE平台进行作物大范围在线提取。
本发明的效益,与传统的基于像素的农作物提取方法相比,结合物候的面向对象提取模型输入数据量小,对样本依赖程度低,将数据和知识相结合,降低遥感数据的不确定性,提高影像波段的利用率和计算效率,精度可提高7%。模型应用于我国西北、东北、华中、华东等不同地区,总体精度90%以上,漏检率和虚警率低于5%。技术流程和方法类似,将样本稍作改变,可以将IGrowth模型推广到林地、草地、湿地等自然资源变信息提取方面。
本发明简化了时间序列数据和降低数据冗余,大大提高了波段的利用率与数据的计算效率,总体精度为0.952,F1-score为0.924,为大区域高频次耕地执法督查和“非农化、非粮化”遥感监测提供工程化解决方案。
附图说明
图1 本发明基于GEE结合生育期属性和面向对象的大区域作物提取方法的智能提取流程图;
图2 左侧图为研究区域位置图,中部图为研究区域位置的放大图及部分样本点,右侧图为样本点放大后的区域作物图片;
图3 植被指数和水体指数的提取,(a) NDWI(归一化水指数), (b) NDVI(归一化植被指数), (c) MNDWI(改进的归一化差异水体指数),(d) EWI(增强型水体指数);
图4 12个原始波段与4个指数波段的特征权重;
图5 分割结果的局部图,右下小图为左侧图中的方框内的放大图;
图6 双鸭山市的作物提取结果及精度。
具体实施方式
本实施例以双鸭山市范围内的典型作物提取为例,具体流程如图1所示。
第一步,模型数据的输入:现有2019年Sentinel-2影像Level-2A产品,影像分辨率为10m,共12个原始波段,分别为气溶胶波段,蓝光波段,红光波段,绿光波段,近红外波段,水汽波段,4个红边波段及两个远红外波段。由于两颗卫星协同工作,使其全球重访周期较短,仅为5天。该产品经过了大气校正。
输入2019年度双鸭山市在作物生长期内(本案例选取5月到9月)的Sentinel-2影像,以及各个地物类别实际考察而选取的适量样本点(图2)。
第二步,将5月到10月的作物生长期内每10天作为一个生长阶段,对10天间隔的Sentinel-2影像进行影像合成。对各个生长阶段的合成影像进行原始光谱波段及植被指数的提取,作为其特征集合(图3)。
(2-1)将作物生长期间,即5月到10月作为研究时期,将每10天作为一个生长阶段,即共18个生长阶段;
(2-2)计算传统波段与植被指数、水体指数对作物分类有贡献的因子,并将其共同作为特征波段添加到18个生长阶段的影像中;
(2-3)将18个生长阶段分别进行影像合成,且生长阶段的时间属性与各阶段内的光谱特征相结合,得到特征集合。
对各个生长阶段的合成影像,即18幅合成影像,进行原始光谱波段及植被指数、水体指数的提取,作为其特征集合,通过将作物的光谱特征与其结合,对传统波段进行有效区间的提炼。
第三步,特征优化:对特征集合得到的几百个特征进行优化,得到最佳的5个特征。使用 relief F算法来各计算特征权重,选择权重位于前五的特征作为优化后的特征集合。
由于Relief F算法运算时间的增长与采样数和初始特征数量的增加呈线性关系,因此具有很高的运行效率。该算法不受数据类型的影响,全局搜索更优,运算效率更高。故本文在进行特征参数选取时,使用Relief F算法来减少特征参数数量,缩短模型训练时间,提高类别区分的准确率。
Relief F算法的原理是根据各个特征和类别的相关性赋予特征不同的权重,其本质是一个矢量,而特征参数的权重是各特征的统计量指标之和,权重小于某个阈值的特征将被移除。特征的权重越大,表示该特征对分类贡献度越高,反之,表示该特征对分类贡献度越低。选取对分类贡献度高的特征组成特征参数子集,即可优化选取特征。在本实施例中取95%置信区间。
该模型基于GEE结合生育期属性和面向对象算法,对大区域作物进行提取,在上百个特征中,将权重排列位于前五的特征作为优化后的特征集合进行分类,以降低数据冗余,提高计算效率(图4)。
图4中列举了16个特征:(a) B1(气溶胶波段), (b) B2(蓝光波段), (c) B3(绿光波段), (d) B4(红光波段), (e) B5(红边1波段), (f) B6(红边2波段), (g) B7(红边3波段), (h) B8(近红外波段), (i) B8A(红边4波段), (j) B9(水汽波段), (k) B11(远红外1波段), (l) B12(远红外2波段), (m) EWI(增强型水体指数), (n) MNDWI(改进的归一化差异水体指数), (o) NDVI(归一化植被指数), and (p) NDWI(归一化水指数)。
从图4可以看出,结合农作物物候期,并对由relief F算法计算得到的288个特征的特征权重进行排序,选择5个权重最高的特征作为优化后的特征集合。
将原本应使用288个特征减少到仅使用第261-270天的Red Edge1(B5)、NDVI(归一化植被指数)、Red(B4)、SWIR 2(B12)与Aerosols(B1) 5个最佳特征进行计算进行SNIC面向对象分割。
第四步,面向对象分割:使用Simple non-iterative clustering(SNIC)面向对象算法进行影像分割;将影像作SNIC面向对象分割,将具有相似纹理、颜色、亮度等特征的相邻像素构成具有一定视觉意义的不规则像素块,从而用少量的超像素代替大量的像素来表达图片特征(图5)。
第五步,卷积神经网络分类:将分割后像素块的特征,即该像素块内所有像素的属性均值,作为分类特征输入卷积神经网络,计算作物提取结果。
第六步,结果输出,除研究区内的作物提取结果制图之外,模型还将输出提取精度,即各作物的生产精度(图6)。
总体精度为0.923,F1-score为0.924,由表格精度对比可以看出,相比于使用随机森林算法,卷积神经网络的提取结果的总体准确度、Kappa系数、生产精度以及用户精度等各项指标均有提高,且提取速度也相应提高,该方法可有效为大区域高频次耕地执法督查和“非农化、非粮化”遥感监测提供工程化解决方案。
本发明基于人工智能和面向对象的技术方法,结合卷积神经网络,提出了一种基于GEE的结合生育期属性和面向对象的大区域作物快速提取方法,首先对研究区域内的各个地物类别选取适量样本点,其次,将5月到10月的作物生长期内每10天作为一个生长阶段,以每10天间隔的生长阶段为索引,将其作为独立属性,并进行影像合成。然后,对各个生长阶段的合成影像,即18幅合成影像,进行原始光谱波段及植被指数的提取,作为其特征集合,通过将作物的光谱特征与其结合,对传统波段进行有效区间的提炼。对多维特征进行优化,将原本应使用288个特征减少到仅使用第261-270天的Red Edge1、NDVI、Red、SWIR 2与Aerosols 5个最佳特征进行计算进行SNIC面向对象分割,输出的对象属性为该对象内所有像素的均值。最后,将分割对象输入卷积神经网络,分类特征为对象属性,分类结果即为研究作物提取结果。本发明简化了时间序列数据和降低数据冗余,大大提高了波段的利用率与数据的计算效率,总体精度为0.923,F1-score为0.924,为大区域高频次耕地执法督查和“非农化、非粮化”遥感监测提供工程化解决方案。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本专利申请权利要求的保护范围之中。
Claims (9)
1.基于GEE结合生育期属性和面向对象的大区域作物提取方法,其特征在于,包括如下步骤:
(1)模型数据的输入:模型数据为谷歌开发的卫星图像和地球观测数据云端运算平台Google Garth Engine中存储的作物生长季遥感影像;
(2)特征集合构建:
(3)特征优化:使用Relief F算法进行各特征权重计算,选择最佳的5个特征进行分类;
(4)面向对象分割:使用Simple non-iterative clustering面向对象算法进行影像分割;
(5)卷积神经网络分类:
(6)结果输出。
2.根据权利要求1所述的基于GEE结合生育期属性和面向对象的大区域作物提取方法,其特征在于,在步骤(1)中,选择5月到10月的Sentinel-2影像数据Level-2A产品,影像分辨率为10米,共12个原始波段,分别为气溶胶波段、蓝光波段、红光波段、绿光波段、近红外波段、水汽波段、4个红边波段及2个远红外波段。
3.根据权利要求1所述的基于GEE结合生育期属性和面向对象的大区域作物提取方法,其特征在于,在步骤(2)中,
(2-1)以作物生长期间,即5月到10月作为研究时期,将每10天作为一个生长阶段,即共18个生长阶段;
(2-2)计算12个原始波段与指数波段对作物分类有贡献的因子,并将以上所得波段共同作为特征波段添加到18个生长阶段的影像中;其中指数波段包括植被指数和水体指数;
(2-3)将18个生长阶段分别进行影像合成,且生长阶段的时间属性与各阶段内的特征波段相结合,得到特征集合。
4.根据权利要求3所述的基于GEE结合生育期属性和面向对象的大区域作物提取方法,其特征在于,在步骤(3)中,使用Relief F特征权重算法所得的权重最高的5个特征。
5.根据权利要求4所述的基于GEE结合生育期属性和面向对象的大区域作物提取方法,其特征在于,各特征因子当中,将特征权重位于前五的特征作为优化后的特征集合,以降低数据冗余,提高计算效率。
6.根据权利要求1所述的基于GEE结合生育期属性和面向对象的大区域作物提取方法,其特征在于,在步骤(4)中,将具有相似纹理、颜色、亮度特征的相邻像素构成具有一定视觉意义的不规则像素块,从而用少量的超像素代替大量的像素来表达图片特征,SNIC面向对象分割算法输出的对象属性为对象内所有像素的属性均值。
7.根据权利要求6所述的基于GEE结合生育期属性和面向对象的大区域作物提取方法,其特征在于,在步骤(5)中,将分割后像素块的特征,即该像素块内所有像素的属性均值,作为分类特征输入卷积神经网络进行分类,得到作物提取结果。
8.根据权利要求1所述的基于GEE结合生育期属性和面向对象的大区域作物提取方法,其特征在于,在步骤(6)中,输出结果包括研究区内的作物提取结果制图和输出提取精度。
9.根据权利要求8所述的基于GEE结合生育期属性和面向对象的大区域作物提取方法,其特征在于,提取精度的评判指标包括总体准确度、生产精度、用户精度、Kappa系数、精确度、召回率与F1-score。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210408233.XA CN115049920B (zh) | 2022-04-19 | 2022-04-19 | 基于gee结合生育期属性和面向对象的大区域作物提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210408233.XA CN115049920B (zh) | 2022-04-19 | 2022-04-19 | 基于gee结合生育期属性和面向对象的大区域作物提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049920A true CN115049920A (zh) | 2022-09-13 |
CN115049920B CN115049920B (zh) | 2022-12-02 |
Family
ID=83157680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210408233.XA Active CN115049920B (zh) | 2022-04-19 | 2022-04-19 | 基于gee结合生育期属性和面向对象的大区域作物提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049920B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132897A (zh) * | 2023-07-14 | 2023-11-28 | 西北大学 | 一种基于Landsat和MODIS的自动选取棉花样本的提取方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598045A (zh) * | 2020-05-27 | 2020-08-28 | 中国科学院地理科学与资源研究所 | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 |
CN111666815A (zh) * | 2020-05-06 | 2020-09-15 | 武汉大学 | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 |
CN111898503A (zh) * | 2020-07-20 | 2020-11-06 | 中国农业科学院农业资源与农业区划研究所 | 基于云覆盖遥感影像和深度学习的作物识别方法和系统 |
CN112668400A (zh) * | 2020-12-08 | 2021-04-16 | 深圳先进技术研究院 | 一种植被识别方法及应用 |
CN113033670A (zh) * | 2021-03-29 | 2021-06-25 | 华南农业大学 | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 |
US20210201024A1 (en) * | 2019-12-26 | 2021-07-01 | Ping An Technology (Shenzhen) Co., Ltd. | Crop identification method and computing device |
CN113657158A (zh) * | 2021-07-13 | 2021-11-16 | 西安电子科技大学 | 基于Google Earth Engine的大尺度大豆种植区域提取算法 |
CN114220022A (zh) * | 2021-12-10 | 2022-03-22 | 中国科学院南京土壤研究所 | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 |
-
2022
- 2022-04-19 CN CN202210408233.XA patent/CN115049920B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210201024A1 (en) * | 2019-12-26 | 2021-07-01 | Ping An Technology (Shenzhen) Co., Ltd. | Crop identification method and computing device |
CN111666815A (zh) * | 2020-05-06 | 2020-09-15 | 武汉大学 | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 |
CN111598045A (zh) * | 2020-05-27 | 2020-08-28 | 中国科学院地理科学与资源研究所 | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 |
CN111898503A (zh) * | 2020-07-20 | 2020-11-06 | 中国农业科学院农业资源与农业区划研究所 | 基于云覆盖遥感影像和深度学习的作物识别方法和系统 |
CN112668400A (zh) * | 2020-12-08 | 2021-04-16 | 深圳先进技术研究院 | 一种植被识别方法及应用 |
CN113033670A (zh) * | 2021-03-29 | 2021-06-25 | 华南农业大学 | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 |
CN113657158A (zh) * | 2021-07-13 | 2021-11-16 | 西安电子科技大学 | 基于Google Earth Engine的大尺度大豆种植区域提取算法 |
CN114220022A (zh) * | 2021-12-10 | 2022-03-22 | 中国科学院南京土壤研究所 | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 |
Non-Patent Citations (2)
Title |
---|
TINA BAIDAR等: "sentinel-2 crop extraction", 《 IGARSS 2020 - 2020 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
韩冰冰: "吉林省大宗作物分布遥感制图", 《中国优秀硕士学位论文全文数据库 (农业科技辑)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132897A (zh) * | 2023-07-14 | 2023-11-28 | 西北大学 | 一种基于Landsat和MODIS的自动选取棉花样本的提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115049920B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709379B (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 | |
Esetlili et al. | Comparison of object and pixel-based classifications for mapping crops using Rapideye imagery: a case study of Menemen Plain, Turkey | |
CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
Zheng et al. | Research on tomato detection in natural environment based on RC-YOLOv4 | |
CN111340826A (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
CN108710864B (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN109977901A (zh) | 一种基于无人机遥感的玉米田间杂草识别方法 | |
CN107680098A (zh) | 一种甘蔗蔗节特征的识别方法 | |
Zeng et al. | A phenology-based vegetation index classification (PVC) algorithm for coastal salt marshes using Landsat 8 images | |
CN107527364A (zh) | 一种基于遥感图像和网帘信息的紫菜种植面积监测方法 | |
CN110310246A (zh) | 一种基于三线阵影像的甘蔗种植区遥感信息提取方法 | |
CN115049920B (zh) | 基于gee结合生育期属性和面向对象的大区域作物提取方法 | |
CN115861629A (zh) | 一种高分耕地影像提取方法 | |
Shahrin et al. | Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning | |
CN114677606A (zh) | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 | |
CN116863345A (zh) | 一种基于双重注意力和尺度融合的高分影像农田识别方法 | |
CN116912578A (zh) | 一种农作物分类方法、系统及电子设备 | |
Deng et al. | Kiwifruit vine extraction based on low altitude UAV remote sensing and deep semantic segmentation | |
CN115063678A (zh) | 基于国产gf-6 wfv数据的大豆种植区提取方法 | |
Jiang et al. | MIoP-NMS: Perfecting crops target detection and counting in dense occlusion from high-resolution UAV imagery | |
CN114782835A (zh) | 作物倒伏面积比例检测方法及装置 | |
Selvaraj et al. | Assessment of object-based classification for mapping land use and land cover using google earth | |
Dan | Research progress of crop disease image recognition | |
Fang et al. | A fine classification algorithm for vegetation based on NDVI time series features |
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 |