CN115861788A - 一种基于高分辨率卫星遥感影像的耕地地块提取方法 - Google Patents
一种基于高分辨率卫星遥感影像的耕地地块提取方法 Download PDFInfo
- Publication number
- CN115861788A CN115861788A CN202211294118.0A CN202211294118A CN115861788A CN 115861788 A CN115861788 A CN 115861788A CN 202211294118 A CN202211294118 A CN 202211294118A CN 115861788 A CN115861788 A CN 115861788A
- Authority
- CN
- China
- Prior art keywords
- model
- remote sensing
- satellite remote
- sensing image
- cultivated land
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于高分辨率卫星遥感影像的耕地地块提取方法,包括以下步骤:S1、获取卫星遥感影像并对其进行预处理,制得样本数据集;S2、基于U‑net深度网络,将最后的SoftMax分类层去除,直接输出深度模型多次提取后的特征影像,构建U‑net深层次语义信息提取模型;S3、联合不同尺度下U‑net深层次语义信息提取模型和随机森林算法模型,得到联合模型;S4、通过样本数据集的训练,分别获取U‑net深层次语义信息提取模型和随机森林算法模型的最优参数,得到最优联合模型;S5、基于最优联合模型,对卫星遥感影像中的耕地地块进行提取;该方法可通过少量数据的训练提取耕地地块,有效提高了耕地地块提取精度和准确度。
Description
技术领域
本发明涉及遥感地物信息提取技术领域,具体涉及一种基于高分辨率卫星遥感影像的耕地地块提取方法。
背景技术
耕地面积和分布信息的快速、精确提取,对于粮食的安全分析,产量预估及耕地红线的监测,具有重要的意义。遥感技术的快速发展,为耕地提取提供了足够的遥感影像数据,同时,随着技术的不断发展,遥感影像分类方法近年来取得了很大的进步,利用遥感影像分类方法提取耕地信息是一种更为高效、全面和准确的方式。
由于耕地上种植的农作物种类相对复杂,因此,遥感影像中不同耕地的光谱、纹理等特征差异性较大,同谱异物、同物异谱现象较为严重,进而耕地地块提取难度较大,这使得如何高效且准确的提取耕地成为难点问题。而传统的遥感影像提取方法,如支持向量机等,采用的是特征提取结构,通过人工参与模型参数选择和特征选取,无法有效提取所需目标特征,不能准确的提取各种类型下的耕地,严重影响提取结果的精度和准确性。
发明内容
本发明的目的在于提供一种基于高分辨率卫星遥感影像的耕地地块提取方法,该方法可有效提高遥感地物信息的提取精度和准确度。
为实现上述目的,本发明采用以下技术方案:
一种基于高分辨率卫星遥感影像的耕地地块提取方法,包括以下步骤:
S1、获取卫星遥感影像并对其进行预处理,制得样本数据集;
S2、基于U-net深度网络,将最后的SoftMax分类层去除,直接输出深度模型多次提取后的特征影像,构建U-net深层次语义信息提取模型;
S3、联合不同尺度下U-net深层次语义信息提取模型和随机森林算法模型,得到联合模型;
S4、通过样本数据集的训练,分别获取U-net深层次语义信息提取模型和随机森林算法模型的最优参数,得到最优联合模型;
S5、基于最优联合模型,对卫星遥感影像中的耕地地块进行提取。
优选地,步骤S1的具体过程为:
S11、将天卫科技壹号卫星遥感影像作为原始数据集,空间分辨率优于0.75米,具有红、绿、蓝和近红外波段;
S12、将卫星遥感影像进行辐射定标、大气校正和正射校正的预处理,其中,采用ENVI5.3中的辐射定标工作流进行辐射定标,采用ENVI5.3中的FLAASH模型进行大气校正,采用ENVI5.3中正射校正的workflow进行无控制点正射校正;
S13、基于预处理后的卫星遥感影像,结合公开的耕地三调成果图,人工识别并标注耕地,形成矢量文件数据,再通过矢量转栅格,获取耕地识别提取影像作为标签数据;
S14、基于遥感数据和标签数据一一对应原则,通过数据增强算法,进行裁剪和标准化,获得样本数据集。
优选地,步骤S2中所述U-net深度网络融合了编码-解码结构和跳跃网络的特点;所述U-net深度网络在编码过程,构建5层,每层包含2个卷积层,2个批标准化层和1个最大池化层;所述U-net深度网络在解码过程,构建4层,每层包含4个卷积层,1个Dropout层防止过拟合,1个上采样层,以及1个融合层,并在最后一层使用交叉熵函数与softmax用于分类。
优选地,步骤S2中U-net深度网络的编码过程具体为:
S21、输入数据后,经过第一个卷积层,通过32个3*3大小的卷积核对影像进行提取特征;
S22、通过批标准化层对提取的特征进行特征标准化;
S23、再进行卷积,获取更多深层次的影像特征;
S24、进行二次卷积后,再次进行二次标准化;
S25、通过最大池化层,进行特征降维,并且最大程度的将显著特征信息进行保留;
步骤S2中U-net深度网络的解码过程具体为:
S26、将编码过程中最后一层的影像特征,通过上采样方法,将影像特征图进行放大;
S27、将放大后的影像特征图与对应编码层影像特征,通过Concatenate方法进行影像特征的融合;
S28、通过Dropout方法进行防止过拟合;
S29、通过两层卷积层提取更深层次的影像特征,通过SoftMax分类层进行分类,获取分类提取结果。
优选地,步骤S3的具体过程为:
S31、根据尺度不同,分别构建128、256、512尺度的U-net深层次语义信息提取模型;
S32、通过不同尺度的U-net深层次语义信息提取模型分别提取特征,获取不同尺度的影像特征数据;
S33、将不同尺度的影像特征数据,经过数据变换为256尺度后进行数据叠加;
S34、将叠加后的数据输入到随机森林算法模型,得到联合模型。
优选地,步骤S4的具体过程为:
S41、将样本数据集,输入到U-net深层次语义信息提取模型中进行训练,得到U-net深层次语义信息提取模型的最优参数;
S42、基于U-net深层次语义信息提取模型,获取多尺度融合叠加后的深层次语义特征数据集,将其重新打乱,其中80%数据作为训练数据集,20%作为测试数据集,再将其输入到随机森林算法模型中,进行二次训练,根据测试数据的准确度信息,获取随机森林算法模型的最优参数。
优选地,步骤S5的具体过程为:
S51、将待提取的卫星遥感影像通过最优联合模型中的U-net深层次语义信息提取模型,进行卫星遥感影像的深层次语义信息提取,获取不同尺度下的卫星遥感影像的深层次语义特征信息;
S52、将获取的不同尺度的深层次语义特征信息进行数据变换和叠加,获取最终的深层次语义特征信息;
S53、将最终的深层次语义特征信息,输入到最优联合模型中的随机森林算法模型,进行目标提取,获取最终的耕地地块提取结果。
采用上述技术方案后,本发明具有如下有益效果:
1、本发明联合不同尺度下U-net深层次语义信息提取模型和随机森林算法模型,并通过参数优化,得到最优联合模型,可通过少量数据的训练提取耕地地块,有效提高了耕地地块提取精度和准确度,可作为粮食安全分析、产量预测、土地利用以及土地覆盖等领域的重要基础数据。
2、本发明通过利用深度学习强大的特征提取能力,一定程度上解决同物异谱问题,同时,联合随机森林算法,进行二次特征提取,可提高耕地地块提取的结果。
3、本发明不仅采用了红、绿、蓝三个波段数据,还添加了近红外波段,充分利用卫星遥感影像丰富的波段信息和纹理信息优势,可提高耕地地块提取的精度和准确度。
附图说明
图1为本发明的流程图;
图2为本发明进行耕地地块提取的流程框图;
图3为本发明的U-net深度网络的结构示意图;
图4为本发明的U-net深度网络、随机森林算法和联合模型的提取结果图。
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仅用以解释本发明,并不用于限定本发明。
如图1至图4所示,一种基于高分辨率卫星遥感影像的耕地地块提取方法,包括以下步骤:
S1、获取卫星遥感影像并对其进行预处理,制得样本数据集;
步骤S1的具体过程为:
S11、将天卫科技壹号卫星遥感影像作为原始数据集,空间分辨率优于0.75米,具有红、绿、蓝和近红外波段;
S12、将卫星遥感影像进行辐射定标、大气校正和正射校正的预处理,其中,采用ENVI5.3中的辐射定标工作流进行辐射定标,采用ENVI5.3中的FLAASH模型进行大气校正,采用ENVI5.3中正射校正的workflow进行无控制点正射校正;
S13、基于预处理后的卫星遥感影像,结合公开的耕地三调成果图,人工识别并标注耕地,形成矢量文件数据,再通过矢量转栅格,获取耕地识别提取影像作为标签数据;
S14、基于遥感数据和标签数据一一对应原则,通过数据增强算法,进行裁剪和标准化,获得样本数据集
S2、基于U-net深度网络,将最后的SoftMax分类层去除,直接输出深度模型多次提取后的特征影像,构建U-net深层次语义信息提取模型;
步骤S2中所述U-net深度网络融合了编码-解码结构和跳跃网络的特点;所述U-net深度网络在编码过程,构建5层,每层包含2个卷积层,2个批标准化层和1个最大池化层;所述U-net深度网络在解码过程,构建4层,每层包含4个卷积层,1个Dropout层防止过拟合,1个上采样层,以及1个融合层,并在最后一层使用交叉熵函数与softmax用于分类;
步骤S2中U-net深度网络的编码过程具体为:
S21、输入数据后,经过第一个卷积层,通过32个3*3大小的卷积核对影像进行提取特征;
S22、通过批标准化层对提取的特征进行特征标准化;
S23、再进行卷积,获取更多深层次的影像特征;
S24、进行二次卷积后,再次进行二次标准化;
S25、通过最大池化层,进行特征降维,并且最大程度的将显著特征信息进行保留;
步骤S2中U-net深度网络的解码过程具体为:
S26、将编码过程中最后一层的影像特征,通过上采样方法,将影像特征图进行放大;
S27、将放大后的影像特征图与对应编码层影像特征,通过Concatenate方法进行影像特征的融合;
S28、通过Dropout方法进行防止过拟合;
S29、通过两层卷积层提取更深层次的影像特征,通过SoftMax分类层进行分类,获取分类提取结果;
S3、联合不同尺度下U-net深层次语义信息提取模型和随机森林算法模型,得到联合模型;
步骤S3的具体过程为:
S31、根据尺度不同,分别构建128、256、512尺度的U-net深层次语义信息提取模型;
S32、通过不同尺度的U-net深层次语义信息提取模型分别提取特征,获取不同尺度的影像特征数据;
S33、将不同尺度的影像特征数据,经过数据变换为256尺度后进行数据叠加;
S34、将叠加后的数据输入到随机森林算法模型,得到联合模型;
S4、通过样本数据集的训练,分别获取U-net深层次语义信息提取模型和随机森林算法模型的最优参数,得到最优联合模型;
步骤S4的具体过程为:
S41、将样本数据集,输入到U-net深层次语义信息提取模型中进行训练,得到U-net深层次语义信息提取模型的最优参数;
S42、基于U-net深层次语义信息提取模型,获取多尺度融合叠加后的深层次语义特征数据集,将其重新打乱,其中80%数据作为训练数据集,20%作为测试数据集,再将其输入到随机森林算法模型中,进行二次训练,根据测试数据的准确度信息,获取随机森林算法模型的最优参数;
S5、基于最优联合模型,对卫星遥感影像中的耕地地块进行提取;
步骤S5的具体过程为:
S51、将待提取的卫星遥感影像通过最优联合模型中的U-net深层次语义信息提取模型,进行卫星遥感影像的深层次语义信息提取,获取不同尺度下的卫星遥感影像的深层次语义特征信息;
S52、将获取的不同尺度的深层次语义特征信息进行数据变换和叠加,获取最终的深层次语义特征信息;
S53、将最终的深层次语义特征信息,输入到最优联合模型中的随机森林算法模型,进行目标提取,获取最终的耕地地块提取结果。
卫星遥感影像的耕地地块提取测试:
分别通过U-net深度网络、随机森林算法和本发明的最优联合模型对耕地区域进行提取,获取相应结果,提取结果影像图如图4所示。根据提取结果影像图可知,对比三种算法识别提取结果,随机森林算法提取结果最差,U-net深度网络相对较好,本发明的最优联合模型最好。
根据提取结果影像图,基于标注影像,通过算法分析,可计算获取三种算法提取结果的精度指标,如表1所示。其中,0表示其它地物,1表示耕地,ACC表示总体提取精度,P表示精确率,R表示召回率,F1表示综合精度指数,Kappa系数用于一致性检查,经常用于衡量分类精度。
表1各个模型提取结果的精度分析
通过精度分析可知,本发明的最优联合模型的总体提取精度ACC达到92.42%,远高于随机森林算法和U-net深度网络;对比三种方法的精确率P,本发明的最优联合模型相比于随机森林算法和U-net深度网络,分别提高了10.08%和4.55%;本发明的最优联合模型的召回率相比于另外两种算法,稍微降低,但是其综合精度指标F1,分别提高了3.56%和2.48%;对比Kappa系数,本发明的最优联合模型最优,达到了83.55%。因此,通过精度指标分析可知,本发明的基于高分辨率卫星遥感影像的耕地地块提取方法可有效提高耕地地块识别提取精度和准确度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于高分辨率卫星遥感影像的耕地地块提取方法,其特征在于,包括以下步骤:
S1、获取卫星遥感影像并对其进行预处理,制得样本数据集;
S2、基于U-net深度网络,将最后的SoftMax分类层去除,直接输出深度模型多次提取后的特征影像,构建U-net深层次语义信息提取模型;
S3、联合不同尺度下U-net深层次语义信息提取模型和随机森林算法模型,得到联合模型;
S4、通过样本数据集的训练,分别获取U-net深层次语义信息提取模型和随机森林算法模型的最优参数,得到最优联合模型;
S5、基于最优联合模型,对卫星遥感影像中的耕地地块进行提取。
2.如权利要求1所述的一种基于高分辨率卫星遥感影像的耕地地块提取方法,其特征在于,步骤S1的具体过程为:
S11、将天卫科技壹号卫星遥感影像作为原始数据集,空间分辨率优于0.75米,具有红、绿、蓝和近红外波段;
S12、将卫星遥感影像进行辐射定标、大气校正和正射校正的预处理,其中,采用ENVI5.3中的辐射定标工作流进行辐射定标,采用ENVI5.3中的FLAASH模型进行大气校正,采用ENVI5.3中正射校正的workflow进行无控制点正射校正;
S13、基于预处理后的卫星遥感影像,结合公开的耕地三调成果图,人工识别并标注耕地,形成矢量文件数据,再通过矢量转栅格,获取耕地识别提取影像作为标签数据;
S14、基于遥感数据和标签数据一一对应原则,通过数据增强算法,进行裁剪和标准化,获得样本数据集。
3.如权利要求1所述的一种基于高分辨率卫星遥感影像的耕地地块提取方法,其特征在于:步骤S2中所述U-net深度网络融合了编码-解码结构和跳跃网络的特点;所述U-net深度网络在编码过程,构建5层,每层包含2个卷积层,2个批标准化层和1个最大池化层;所述U-net深度网络在解码过程,构建4层,每层包含4个卷积层,1个Dropout层防止过拟合,1个上采样层,以及1个融合层,并在最后一层使用交叉熵函数与softmax用于分类。
4.如权利要求3所述的一种基于高分辨率卫星遥感影像的耕地地块提取方法,其特征在于,步骤S2中U-net深度网络的编码过程具体为:
S21、输入数据后,经过第一个卷积层,通过32个3*3大小的卷积核对影像进行提取特征;
S22、通过批标准化层对提取的特征进行特征标准化;
S23、再进行卷积,获取更多深层次的影像特征;
S24、进行二次卷积后,再次进行二次标准化;
S25、通过最大池化层,进行特征降维,并且最大程度的将显著特征信息进行保留;
步骤S2中U-net深度网络的解码过程具体为:
S26、将编码过程中最后一层的影像特征,通过上采样方法,将影像特征图进行放大;
S27、将放大后的影像特征图与对应编码层影像特征,通过Concatenate方法进行影像特征的融合;
S28、通过Dropout方法进行防止过拟合;
S29、通过两层卷积层提取更深层次的影像特征,通过SoftMax分类层进行分类,获取分类提取结果。
5.如权利要求1所述的一种基于高分辨率卫星遥感影像的耕地地块提取方法,其特征在于,步骤S3的具体过程为:
S31、根据尺度不同,分别构建128、256、512尺度的U-net深层次语义信息提取模型;
S32、通过不同尺度的U-net深层次语义信息提取模型分别提取特征,获取不同尺度的影像特征数据;
S33、将不同尺度的影像特征数据,经过数据变换为256尺度后进行数据叠加;
S34、将叠加后的数据输入到随机森林算法模型,得到联合模型。
6.如权利要求1所述的一种基于高分辨率卫星遥感影像的耕地地块提取方法,其特征在于,步骤S4的具体过程为:
S41、将样本数据集,输入到U-net深层次语义信息提取模型中进行训练,得到U-net深层次语义信息提取模型的最优参数;
S42、基于U-net深层次语义信息提取模型,获取多尺度融合叠加后的深层次语义特征数据集,将其重新打乱,其中80%数据作为训练数据集,20%作为测试数据集,再将其输入到随机森林算法模型中,进行二次训练,根据测试数据的准确度信息,获取随机森林算法模型的最优参数。
7.如权利要求1所述的一种基于高分辨率卫星遥感影像的耕地地块提取方法,其特征在于,步骤S5的具体过程为:
S51、将待提取的卫星遥感影像通过最优联合模型中的U-net深层次语义信息提取模型,进行卫星遥感影像的深层次语义信息提取,获取不同尺度下的卫星遥感影像的深层次语义特征信息;
S52、将获取的不同尺度的深层次语义特征信息进行数据变换和叠加,获取最终的深层次语义特征信息;
S53、将最终的深层次语义特征信息,输入到最优联合模型中的随机森林算法模型,进行目标提取,获取最终的耕地地块提取结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211294118.0A CN115861788A (zh) | 2022-10-21 | 2022-10-21 | 一种基于高分辨率卫星遥感影像的耕地地块提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211294118.0A CN115861788A (zh) | 2022-10-21 | 2022-10-21 | 一种基于高分辨率卫星遥感影像的耕地地块提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115861788A true CN115861788A (zh) | 2023-03-28 |
Family
ID=85661709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211294118.0A Pending CN115861788A (zh) | 2022-10-21 | 2022-10-21 | 一种基于高分辨率卫星遥感影像的耕地地块提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861788A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704345A (zh) * | 2023-06-09 | 2023-09-05 | 中国科学院地理科学与资源研究所 | 植被提取方法、装置、电子设备及存储介质 |
-
2022
- 2022-10-21 CN CN202211294118.0A patent/CN115861788A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704345A (zh) * | 2023-06-09 | 2023-09-05 | 中国科学院地理科学与资源研究所 | 植被提取方法、装置、电子设备及存储介质 |
CN116704345B (zh) * | 2023-06-09 | 2024-01-23 | 中国科学院地理科学与资源研究所 | 植被提取方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN111985543A (zh) | 一种高光谱图像分类模型的构建方法、分类方法及系统 | |
Liang et al. | Improved estimation of aboveground biomass in rubber plantations by fusing spectral and textural information from UAV-based RGB imagery | |
CN111738175A (zh) | 一种基于遥感影像和卷积神经网络的农业干旱监测系统 | |
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 | |
CN110334623B (zh) | 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法 | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
Wang et al. | Impacts of topography on the land cover classification in the Qilian Mountains, Northwest China | |
CN111008664A (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN112085781A (zh) | 一种基于光谱重构技术提取冬小麦种植面积的方法 | |
CN115861788A (zh) | 一种基于高分辨率卫星遥感影像的耕地地块提取方法 | |
CN112818920A (zh) | 一种双时相高光谱图像空谱联合变化检测方法 | |
CN111738052A (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 | |
Zhu et al. | Identification of soybean based on Sentinel-1/2 SAR and MSI imagery under a complex planting structure | |
Zhang et al. | Two-step ResUp&Down generative adversarial network to reconstruct multispectral image from aerial RGB image | |
CN116844053A (zh) | 一种小麦种植区域识别方法、系统、电子设备及存储介质 | |
Xu et al. | A 3D-2DCNN-CA approach for enhanced classification of hickory tree species using UAV-based hyperspectral imaging | |
CN116205678A (zh) | 基于遥感自动化解译的农用地实物量调查和价值量估算方法 | |
CN116206210A (zh) | 一种基于NAS-Swin的遥感影像农业大棚提取方法 | |
Chen et al. | Extracting tea plantations in complex landscapes using Sentinel-2 imagery and machine learning algorithms | |
CN115861836A (zh) | 基于多时相Sentinel-2数据的大豆种植区提取方法 | |
CN115147730A (zh) | 一种联合全卷积神经网络和集成学习的遥感分类方法 | |
CN112633155B (zh) | 一种基于多尺度特征融合的自然保护地人类活动变化检测方法 | |
CN115984702B (zh) | 一种基于高分影像监测矿区林地变化的方法 |
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 |