CN115063678A - 基于国产gf-6 wfv数据的大豆种植区提取方法 - Google Patents
基于国产gf-6 wfv数据的大豆种植区提取方法 Download PDFInfo
- Publication number
- CN115063678A CN115063678A CN202210673426.8A CN202210673426A CN115063678A CN 115063678 A CN115063678 A CN 115063678A CN 202210673426 A CN202210673426 A CN 202210673426A CN 115063678 A CN115063678 A CN 115063678A
- Authority
- CN
- China
- Prior art keywords
- data
- optimal
- 6wfv
- extraction
- farmland
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 95
- 244000068988 Glycine max Species 0.000 title claims abstract description 78
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 78
- 238000009826 distribution Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000003066 decision tree Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 11
- 239000002689 soil Substances 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 235000013305 food Nutrition 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 108010082495 Dietary Plant Proteins Proteins 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 240000006394 Sorghum bicolor Species 0.000 description 1
- 235000011684 Sorghum saccharatum Nutrition 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
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于国产GF‑6WFV数据的大豆种植区提取方法,包括:获取待提取区域的GF‑6WFV数据,并对数据进行预处理;采用决策树分层逐级提取策略剔除预处理后的GF‑6WFV数据中的非农作物像元,得到农田植被总体分布数据;生成候选遥感特征集合;得到优选特征集合,再进行分类器的筛选,得到最佳分类器;将优选特征集合和最佳分类器结合,获得最优提取模型,并对最优提取模型的表现进行评价,考查最优提取模型对于大豆种植区的制图效果。本发明利用决策树分层逐级提取策略,显著降低水体、建成区、裸土、树木等其他地物类型对大豆提取结果造成的干扰,有助于获取更为准确和可靠的结果;同时降低数据占用的存储空间和运算量,从而提高执行效率。
Description
技术领域
本发明涉及作物遥感识别技术领域,尤其是一种基于国产GF-6 WFV数据的大豆种植区提取方法。
背景技术
大豆含有丰富的植物蛋白,是人们获取营养的主要粮食作物之一。准确获取大豆种植区的空间分布对于产量估计、灾害预警和农业政策调整具有重要意义。经济发展和人们生活水平提高使得我国对大豆需求不断增加,而国内产能却严重不足。中国是全球最大的大豆进口国,2015年以来,我国粮食进口量维持在每年1亿吨以上,2020年进口粮食14262.1万t,其中大豆为10032.7万t,占总量的70%。作为大豆需求严重依赖进口的国家,目前对外依存度超过84%,我国大豆的供应形势已十分严峻,因此迫切需要客观、详细且全面掌握国内大豆生产的现状,并且及时制订相应的对策以扩大种植。准确获取农作物种植面积和空间分布信息是制定可持续农业策略的前提条件。
遥感技术为大面积大豆制图提供了一种可行的方法。不同的遥感数据已被广泛应用于监测全球和区域大豆的生长。尽管国内外研究都已取得了长足的进展,但在作物种植条件复杂的破碎景观中,大面积的大豆制图仍然具有挑战性,例如中国黄淮海夏大豆种植区。许多作物在大豆生成期存在,导致黄淮海地区种植结构较为复杂。Worldview-2、Worldview-3、Rapideye、Sentinel-2和GF-6卫星都包含重新定位波段传感器。Worldview-2、Worldview-3和Rapideye的空间分辨率分别为1.8米、1.24米和5米,适用于小面积大豆制图。Sentinel-2 MSI图像的空间分辨率为10米至60米,宽度为290公里,重访周期分别为5天,它已被广泛应用于区域和大面积大豆制图。此外,MODIS和Landsat卫星是大面积大豆制图中使用最为广泛的卫星数据集。MODIS数据的重访频率很高,然而其粗略的空间分辨率(250m–1km)限制了监测零散小农田斑块的适用性。Landsat卫星图像是一个具有30米空间分辨率的合适数据源,但是由于其时间分辨率较低(16天),很难获得足够的无云图像进行时间序列分析。高分六号卫星与高分一号卫星结合后具有2天的时间分辨率,GF-6WFV数据有16米的空间分辨率,800公里的宽度和两个红色边缘带,可以集合大多数卫星的优势。因此,在复杂种植结构下,GF-6 WFV数据具有有效绘制大豆种植区分布图的巨大潜力。
发明内容
本发明的目的在于提供一种有助于获取更为准确和可靠的提取结果,在保证精度的同时也能降低数据占用的存储空间和运算量,从而提高执行效率的基于国产GF-6 WFV数据的大豆种植区提取方法。
为实现上述目的,本发明采用了以下技术方案:一种基于国产GF-6 WFV数据的大豆种植区提取方法,该方法包括下列顺序的步骤:
(1)获取待提取区域的GF-6 WFV数据,并对数据进行预处理,得到预处理后的GF-6WFV数据;
(2)采用决策树分层逐级提取策略剔除预处理后的GF-6 WFV数据中的非农作物像元,得到农田植被总体分布数据;
(3)基于农田植被总体分布数据,生成候选遥感特征集合;
(4)对候选遥感特征集合进行特征优选,得到优选特征集合,再进行分类器的筛选,得到最佳分类器;
(5)将优选特征集合和最佳分类器结合,获得最优提取模型,并对最优提取模型的表现进行评价,考查最优提取模型对于大豆种植区的制图效果。
所述步骤(1)具体包括以下步骤:
(1a)在中国资源卫星应用中心网站下载待提取区域的GF-6 WFV数据;
(1b)进行数据预处理,包括辐射定标、大气校正和正射校正处理,所述辐射定标、大气校正和正射校正基于RSD软件的一键大气校正和正射校正模块来实现,然后利用矢量行政边界数据进行裁剪,得到预处理后的GF-6 WFV数据。
所述步骤(2)具体包括以下步骤:
(2a)所述决策树分层逐级提取方法包括第一层提取、第二层提取和第三层提取,所述非农作物像元是指除田间植被外的非农田地物;所述第一层提取是通过归一化水体指数NDWI和归一化植被指数NDVI实现GF-6 WFV数据中水体、建筑的分离,得到第一层提取结果即剔除水体、建筑像元的GF-6 WFV数据;
(2b)第二层提取是利用GF-6 WFV数据的近红外波段反射率剔除第一层提取结果中除田间植被外的非农田地物,除田间植被外的非农田地物包括含裸土和树木,得到第二层提取结果即剔除裸土和树木的GF-6 WFV数据;
(2c)第三层提取是利用2017年FROM-GLC10全球土地利用产品所提供的耕地分布数据,将该耕地分布数据的空间分辨率重采样成16米,得到重采样之后的耕地分布数据,利用重采样之后的耕地分布数据生成掩膜文件,通过该掩膜文件对第二层提取结果进行掩膜处理,得到农田植被总体分布数据。
所述步骤(3)具体包括以下步骤:
(3a)在预处理后的GF-6 WFV数据中加入植被指数、纹理特征;
(3b)计算预处理后的GF-6 WFV数据不同波段组合的OIF指数,得到最优波段组合,并对预处理后的GF-6 WFV数据进行HSV变换得到三个色彩空间特征:色调、饱和度和亮度;
(3c)将所有的植被指数、纹理特征、色彩空间特征以及预处理后的GF-6WFV数据融合在一起,并利用农田植被总体分布数据对融合后的数据进行掩膜,形成基于农田植被总体分布的全部特征集合,即候选遥感特征集合。
所述步骤(4)具体包括以下步骤:
(4a)基于候选遥感特征集合选取涵盖待提取区域主要作物的样本点生成感兴趣区,提取各候选特征数值,利用ReliefF算法计算候选特征的重要性;
(4b)在候选特征重要性排序的基础上,采用序列前向选择法得到随机森林RF、BP神经网络BPNN、支持向量机SVM三个分类器的优选特征集合;
(4c)对3米分辨率的Planet影像进行精细分类,得到各样方内大豆的分布;
(4d)以优选特征集合作为输入,得到RF、BPNN、SVM三个分类器的大豆分类结果图,以Kappa系数作为依据,利用Planet影像得到的大豆分布对分类结果进行精度验证,Kappa值越高表示分类结果越好,Kappa值最高的分类器则为提取大豆种植区的最佳分类器。
所述步骤(5)具体包括以下步骤:
(5a)将对应最佳分类器的优选特征集合输入至最佳分类器,形成最优提取模型,并建立三种方案对最优提取模型的表现进行评价:将原农田植被总体分布数据输入至最佳分类器中,此为方案一;将候选遥感特征集合作为最佳分类器的输入,此为方案二;最优提取模型即为方案三,由三种方案分别在ENVI软件中利用分类器算法执行分类,得到三种对应的大豆种植区提取结果;
(5b)以Planet影像各样方内大豆的分布作为参照,对三种方案的大豆种植区提取结果生成混淆矩阵,进行精度验证,根据Kappa系数值查看最优提取模型相较于其他方案的优势,考查最优提取模型对于大豆种植区的制图效果。
由上述技术方案可知,本发明的有益效果为:第一,本发明利用决策树分层逐级提取策略,能够显著降低水体、建成区、裸土、树木等其他地物类型对大豆提取结果造成的干扰,有助于获取更为准确和可靠的结果;第二,本发明的基于GF-6 WFV影像的大豆提取最佳模型,将优选特征集合作为输入,在保证精度的同时也能降低数据占用的存储空间和运算量,从而提高执行效率。第三,本发明探索了国产GF-6 WFV数据在种植结构复杂的大豆产区实现种植面积提取的效果。
附图说明
图1为本发明的方法流程图;
图2为决策树筛选规则示意图;
图3为候选特征重要性的降序排列示意图;
图4、5、6均为特征数量与分类精度之间的关系示意图。
具体实施方式
如图1所示,一种基于国产GF-6 WFV数据的大豆种植区提取方法,该方法包括下列顺序的步骤:
(1)获取待提取区域的GF-6 WFV数据,并对数据进行预处理,得到预处理后的GF-6WFV数据;
(2)采用决策树分层逐级提取策略剔除预处理后的GF-6 WFV数据中的非农作物像元,得到农田植被总体分布数据;
(3)基于农田植被总体分布数据,生成候选遥感特征集合;
(4)对候选遥感特征集合进行特征优选,得到优选特征集合,再进行分类器的筛选,得到最佳分类器;
(5)将优选特征集合和最佳分类器结合,获得最优提取模型,并对最优提取模型的表现进行评价,考查最优提取模型对于大豆种植区的制图效果。
所述步骤(1)具体包括以下步骤:
(1a)在中国资源卫星应用中心网站下载待提取区域的GF-6 WFV数据;
(1b)进行数据预处理,包括辐射定标、大气校正和正射校正处理,所述辐射定标、大气校正和正射校正基于国产RSD软件的一键大气校正和正射校正模块来实现,然后利用矢量行政边界数据进行裁剪,得到预处理后的GF-6 WFV数据。
如图2所示,所述步骤(2)具体包括以下步骤:
(2a)所述决策树分层逐级提取方法包括第一层提取、第二层提取和第三层提取,所述非农作物像元是指除田间植被外的非农田地物;所述第一层提取是通过归一化水体指数NDWI和归一化植被指数NDVI实现GF-6 WFV数据中水体、建筑的分离,得到第一层提取结果即剔除水体、建筑像元的GF-6 WFV数据;
(2b)第二层提取是利用GF-6 WFV数据的近红外波段反射率剔除第一层提取结果中除田间植被外的非农田地物,除田间植被外的非农田地物包括含裸土和树木,得到第二层提取结果即剔除裸土和树木的GF-6 WFV数据;
(2c)第三层提取是利用2017年FROM-GLC10全球土地利用产品所提供的耕地分布数据,类型编号10,将该耕地分布数据的空间分辨率重采样成16米,得到重采样之后的耕地分布数据,利用重采样之后的耕地分布数据生成掩膜文件,通过该掩膜文件对第二层提取结果进行掩膜处理,得到农田植被总体分布数据。
所述步骤(3)具体包括以下步骤:
(3a)在预处理后的GF-6 WFV数据中加入植被指数、纹理特征;
传统意义上通常采用波段反射率作为指定地物的遥感判别特征,然而现实中可能并非所有工作波段对于大豆识别均足够有效,因此考虑加入一些扩展特征,如多种植被指数(基于波段反射率计算得到)、纹理特征。首先对GF-6数据做PCA变换,基于信息量最大的第一主成分分量通过灰度共生矩阵计算获得了能够展现大豆分布的4个纹理特征:Mean、Entroy、Second Moment、Homogeneity。
(3b)计算预处理后的GF-6 WFV数据不同波段组合的OIF指数,得到最优波段组合,并对预处理后的GF-6 WFV数据进行HSV变换得到三个色彩空间特征:色调、饱和度和亮度;
根据遥感图像彩色合成原理,彩色图像能更好地识别目标地物,一般以OIF指数为标准,其值越大说明波段的相关性越低,组合效果越好。本发明对原始八个波段进行特征组合,得到最优波段组合为band3、4、6,并对其进行HSV变换,得到3个色彩空间特征:Hue、Sat、Val。
(3c)将所有的植被指数、纹理特征、色彩空间特征以及预处理后的GF-6WFV数据融合在一起,并利用农田植被总体分布数据对融合后的数据进行掩膜,形成基于农田植被总体分布的全部特征集合,即候选遥感特征集合。
表1本发明选取的24个候选遥感特征变量
所述步骤(4)具体包括以下步骤:
(4a)基于候选遥感特征集合选取涵盖待提取区域主要作物的样本点生成感兴趣区,提取各候选特征数值,利用ReliefF算法计算候选特征的重要性;
选取涵盖4种主要地物类型(大豆、玉米、高粱、其他)的大约1500个样本点生成感兴趣区,提取各候选特征的数值,采用ReliefF算法评估24个候选特征因子在大豆识别中的重要性,由于该算法固有的随机性可能导致权重评估结果具有一定的不确定性,本发明将ReliefF算法执行20次并且对运算结果取平均作为各特征的权重值,如图3所示。
(4b)在候选特征重要性排序的基础上,采用序列前向选择法得到随机森林RF、BP神经网络BPNN、支持向量机SVM三个分类器的优选特征集合,如下表表2所示:
表2不同分类器的优选特征集合
鉴于传统的阈值判定方法存在强烈的主观性,本发明利用一种与分类器耦合的最优维度判定方法,即序列前向选择方法(Sequential Forward Selection,SFS)。基于候选特征重要性排序按照从高到低的顺序,将24个特征依次添加到RF、BPNN、SVM分类器中,每次添加一个特征。首先,将得分最高的特征作为基础数据输入到分类器中并计算分类精度;而后依次添加相邻得分靠后的特征,与前面已加入的特征一起构成新的输入数据并且计算新的提取精度,直到所有特征均输入完毕。当分类精度达到局部最优时,随着后续特征的不断加入,精度变化不大且在一个小范围内波动的特征数量;此外,舍弃掉添加后导致精度下降的特征,将余下的特征作为优选特征集合。本发明基于MATLAB 2018a实现特征变量优选。
如图4所示,随着特征的不断加入分类精度不断提高;对于RF分类器,结果显示当特征维度达到9时,用三角形标记,分类精度达到局部最优,随着后续特征的加入,精度略有下降且小幅波动;当24个特征因子全部参与分类时,分类精度达到最大值,但仅比前9个特征所得精度高0.12%;在加入后未能提升分类精度的特征,在本研究中予以舍弃。最终RF分类器选取了特征权重排名前9的8个特征因子作为该模型的优选特征子集。同理BPNN分类器的最佳特征维度为9,并舍弃其中两个未提升分类精度的特征,如图5所示;SVM分类器的最佳特征因子的个数为7,如图6所示。
(4c)对3米分辨率的Planet影像进行精细分类,得到各样方内大豆的分布;
(4d)以优选特征集合作为输入,得到RF、BPNN、SVM三个分类器的大豆分类结果图,以Kappa系数作为依据,利用Planet影像得到的大豆分布对分类结果进行精度验证,Kappa值越高表示分类结果越好,Kappa值最高的分类器则为提取大豆种植区的最佳分类器。
本发明利用覆盖涡阳县境内的3米分辨率Planet影像来进行分类结果的验证。待提取区域内布设了八个大小为5千米×5千米的样方,样方的设置在空间上尽可能均匀分布且其内包含的人工地物占比尽可能小。本发明对Planet影像采用最大似然方法进行分类,以此得到的精细大豆分布结果重采样成与GF-6 WFV数据相同的16米分辨率作为精度检验的参照。
本发明将各分类器对应的优选特征集合作为输入执行分类得到大豆种植区,表3给出了三种分类器的提取精度。结果表明,基于支持向量机SVM得到的八个样方的总体精度和Kappa均高于其他两种分类器。除了样方6、7以外,BP神经网络BPNN的大豆高估情况较支持向量机SVM更为严重,该分类器将更多其他地类错分为大豆,导致用户精度偏低。支持向量机SVM的提取结果更接近大豆的真实分布,提取效果优于其他两种分类器,因此,本发明选定支持向量机SVM作为大豆种植区提取的最佳分类器。
表3三种分类器的大豆提取精度
所述步骤(5)具体包括以下步骤:
(5a)如表4所示,将对应最佳分类器的优选特征集合输入至最佳分类器,形成最优提取模型,并建立三种方案对最优提取模型的表现进行评价:将原农田植被总体分布数据输入至最佳分类器中,此为方案一;将候选遥感特征集合作为最佳分类器的输入,此为方案二;最优提取模型即为方案三,由三种方案分别在ENVI软件中利用分类器算法执行分类,得到三种对应的大豆种植区提取结果;
表4大豆种植区的不同提取方案
(5b)以Planet影像各样方内大豆的分布作为参照,对三种方案的大豆种植区提取结果生成混淆矩阵,进行精度验证,根据Kappa系数值查看最优提取模型相较于其他方案的优势,考查最优提取模型对于大豆种植区的制图效果。
表5给出了三种方案所涉及8个地面验证样方的大豆提取精度。基于优选特征建立的方案C除了第1,8个样方以外,其余六个样方的Kappa系数均超过0.70;方案B比方案C在样方8上kappa高0.02,而在其余样方上均不高于方案C;此外,优选特征集合的数据量相比全部特征减少了70.83%。因此,基于优选特征执行大豆种植区制图不仅在数据量和运行时间方面具有更大的优势,而且提取精度亦能够满足实际需求,前景十分广阔。
表5三种方案的提取精度比较
综上所述,本发明利用决策树分层逐级提取策略,能够显著降低水体、建成区、裸土、树木等其他地物类型对大豆提取结果造成的干扰,有助于获取更为准确和可靠的结果;本发明的基于GF-6 WFV影像的大豆提取最佳模型,将优选特征集合作为输入,在保证精度的同时也能降低数据占用的存储空间和运算量,从而提高执行效率;本发明探索了国产GF-6 WFV数据在种植结构复杂的大豆产区实现种植面积提取的效果。
Claims (6)
1.一种基于国产GF-6WFV数据的大豆种植区提取方法,其特征在于:该方法包括下列顺序的步骤:
(1)获取待提取区域的GF-6WFV数据,并对数据进行预处理,得到预处理后的GF-6WFV数据;
(2)采用决策树分层逐级提取策略剔除预处理后的GF-6WFV数据中的非农作物像元,得到农田植被总体分布数据;
(3)基于农田植被总体分布数据,生成候选遥感特征集合;
(4)对候选遥感特征集合进行特征优选,得到优选特征集合,再进行分类器的筛选,得到最佳分类器;
(5)将优选特征集合和最佳分类器结合,获得最优提取模型,并对最优提取模型的表现进行评价,考查最优提取模型对于大豆种植区的制图效果。
2.根据权利要求1所述的基于国产GF-6WFV数据的大豆种植区提取方法,其特征在于:所述步骤(1)具体包括以下步骤:
(1a)在中国资源卫星应用中心网站下载待提取区域的GF-6WFV数据;
(1b)进行数据预处理,包括辐射定标、大气校正和正射校正处理,所述辐射定标、大气校正和正射校正基于RSD软件的一键大气校正和正射校正模块来实现,然后利用矢量行政边界数据进行裁剪,得到预处理后的GF-6WFV数据。
3.根据权利要求1所述的基于国产GF-6WFV数据的大豆种植区提取方法,其特征在于:所述步骤(2)具体包括以下步骤:
(2a)所述决策树分层逐级提取方法包括第一层提取、第二层提取和第三层提取,所述非农作物像元是指除田间植被外的非农田地物;所述第一层提取是通过归一化水体指数NDWI和归一化植被指数NDVI实现GF-6WFV数据中水体、建筑的分离,得到第一层提取结果即剔除水体、建筑像元的GF-6WFV数据;
(2b)第二层提取是利用GF-6WFV数据的近红外波段反射率剔除第一层提取结果中除田间植被外的非农田地物,除田间植被外的非农田地物包括含裸土和树木,得到第二层提取结果即剔除裸土和树木的GF-6WFV数据;
(2c)第三层提取是利用2017年FROM-GLC10全球土地利用产品所提供的耕地分布数据,将该耕地分布数据的空间分辨率重采样成16米,得到重采样之后的耕地分布数据,利用重采样之后的耕地分布数据生成掩膜文件,通过该掩膜文件对第二层提取结果进行掩膜处理,得到农田植被总体分布数据。
4.根据权利要求1所述的基于国产GF-6WFV数据的大豆种植区提取方法,其特征在于:所述步骤(3)具体包括以下步骤:
(3a)在预处理后的GF-6WFV数据中加入植被指数、纹理特征;
(3b)计算预处理后的GF-6WFV数据不同波段组合的OIF指数,得到最优波段组合,并对预处理后的GF-6WFV数据进行HSV变换得到三个色彩空间特征:色调、饱和度和亮度;
(3c)将所有的植被指数、纹理特征、色彩空间特征以及预处理后的GF-6WFV数据融合在一起,并利用农田植被总体分布数据对融合后的数据进行掩膜,形成基于农田植被总体分布的全部特征集合,即候选遥感特征集合。
5.根据权利要求1所述的基于国产GF-6WFV数据的大豆种植区提取方法,其特征在于:所述步骤(4)具体包括以下步骤:
(4a)基于候选遥感特征集合选取涵盖待提取区域主要作物的样本点生成感兴趣区,提取各候选特征数值,利用ReliefF算法计算候选特征的重要性;
(4b)在候选特征重要性排序的基础上,采用序列前向选择法得到随机森林RF、BP神经网络BPNN、支持向量机SVM三个分类器的优选特征集合;
(4c)对3米分辨率的Planet影像进行精细分类,得到各样方内大豆的分布;
(4d)以优选特征集合作为输入,得到RF、BPNN、SVM三个分类器的大豆分类结果图,以Kappa系数作为依据,利用Planet影像得到的大豆分布对分类结果进行精度验证,Kappa值越高表示分类结果越好,Kappa值最高的分类器则为提取大豆种植区的最佳分类器。
6.根据权利要求1所述的基于国产GF-6WFV数据的大豆种植区提取方法,其特征在于:所述步骤(5)具体包括以下步骤:
(5a)将对应最佳分类器的优选特征集合输入至最佳分类器,形成最优提取模型,并建立三种方案对最优提取模型的表现进行评价:将原农田植被总体分布数据输入至最佳分类器中,此为方案一;将候选遥感特征集合作为最佳分类器的输入,此为方案二;最优提取模型即为方案三,由三种方案分别在ENVI软件中利用分类器算法执行分类,得到三种对应的大豆种植区提取结果;
(5b)以Planet影像各样方内大豆的分布作为参照,对三种方案的大豆种植区提取结果生成混淆矩阵,进行精度验证,根据Kappa系数值查看最优提取模型相较于其他方案的优势,考查最优提取模型对于大豆种植区的制图效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210673426.8A CN115063678A (zh) | 2022-06-15 | 2022-06-15 | 基于国产gf-6 wfv数据的大豆种植区提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210673426.8A CN115063678A (zh) | 2022-06-15 | 2022-06-15 | 基于国产gf-6 wfv数据的大豆种植区提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115063678A true CN115063678A (zh) | 2022-09-16 |
Family
ID=83201292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210673426.8A Pending CN115063678A (zh) | 2022-06-15 | 2022-06-15 | 基于国产gf-6 wfv数据的大豆种植区提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063678A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641504A (zh) * | 2022-10-26 | 2023-01-24 | 南京农业大学 | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 |
-
2022
- 2022-06-15 CN CN202210673426.8A patent/CN115063678A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641504A (zh) * | 2022-10-26 | 2023-01-24 | 南京农业大学 | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608474B (zh) | 基于高分辨率影像的区域自适应耕地提取方法 | |
Ok et al. | Evaluation of random forest method for agricultural crop classification | |
CN105740759B (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
CN111462223B (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
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 | |
Tits et al. | The potential and limitations of a clustering approach for the improved efficiency of multiple endmember spectral mixture analysis in plant production system monitoring | |
CN114694036A (zh) | 一种基于高分影像和机器学习的高海拔地区作物分类识别的方法 | |
CN113657158B (zh) | 基于Google Earth Engine的大尺度大豆种植区域提取算法 | |
CN116883853B (zh) | 基于迁移学习的作物时空信息遥感分类方法 | |
She et al. | Identification and mapping of soybean and maize crops based on Sentinel-2 data | |
CN109977901A (zh) | 一种基于无人机遥感的玉米田间杂草识别方法 | |
Chen et al. | A novel Greenness and Water Content Composite Index (GWCCI) for soybean mapping from single remotely sensed multispectral images | |
CN102156886A (zh) | 基于统计数据和遥感影像数据的区域化肥投入空间化方法 | |
CN115861629A (zh) | 一种高分耕地影像提取方法 | |
CN117079152A (zh) | 一种基于卫星遥感影像的农作物精细分类提取方法和系统 | |
CN115063678A (zh) | 基于国产gf-6 wfv数据的大豆种植区提取方法 | |
CN117611893A (zh) | 一种基于降冗余特征优选策略的大豆种植区遥感提取方法 | |
CN116502803A (zh) | 土地资源资产实物量核算方法、装置 | |
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 | |
Vellidis et al. | Predicting cotton lint yield maps from aerial photographs | |
CN115953685A (zh) | 多层多尺度分割的农用大棚类型信息提取方法及系统 | |
CN115861836A (zh) | 基于多时相Sentinel-2数据的大豆种植区提取方法 | |
Eugenio et al. | Flooded rice variables from high-resolution multispectral images and machine learning algorithms | |
Atzberger et al. | Portability of neural nets modelling regional winter crop acreages using AVHRR time series | |
Parreiras et al. | Exploring the Harmonized Landsat Sentinel (hls) Datacube to Map AN Agricultural Landscape in the Brazilian Savanna |
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 |