CN116543316B - 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 - Google Patents

Abstract

本发明公开了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，涉及农业生产管理技术领域。方法包括：获取待识别稻田内草皮的水稻不同生育期的多时相卫星稻田影像；通过机器学习算法分别对多时相卫星稻田影像进行非植被类地物类型的分离，确定多时相植被覆盖区域影像数据；利用预先试验得到的多个植被指数特征分别对多时相植被覆盖区域影像数据进行分类，确定多时相季节性植被类型影像数据；根据水稻和草皮的时间序列变化特征和植被指数信息，利用AI深度学习算法分别对多时相季节性植被类型影像数据中混杂稻田中的草皮区域进行分割，确定水稻影像数据和分割草皮影像数据；根据分割草皮影像数据和初始草皮影像数据，确定多时相草皮影像。

Description

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

技术领域

本发明涉及农业生产管理技术领域，并且更具体地，涉及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。

背景技术

绿化草皮多数为禾本科植物，农民或园林绿化公司种植绿化草皮往往可以获得较高的经济效益。在旱地内种植绿化草皮管理养护不便且成本高，在种植水稻的水田内种植绿化草皮，养护方便且成本较低，因而，在我国南方很多地区，农民或园林绿化公司为了获得更高的经济效益，往往会选择在稻田内种植草皮。

稻田内种植绿化草皮更改了耕地的利用属性，实际上将耕地变更为园地。我国是一个人多地少的人口大国，人均耕地面积只有世界人均耕地面积的27.7%，因而不得不实行严格的耕地保护制度。根据我国自然资源管理部门和农业生产管理部门相关规定，稻田内种植绿化草皮属于违法违规行为。然而，由于绿化草皮与水稻同为禾本科植物，且每年都会有种和收的过程，自然资源和农业生产管理部门只能依靠常规的地面巡检办法对其进行甄别查处。

绿化草皮和水稻具有近似的电磁波谱特征，在航片和卫片上均呈现同谱异物的光谱特性和相似的纹理结构，导致即使采用高空间分辨率无人机拍摄航片和中高分卫星遥感影像也难以对其进行快速识别和精准监测。

发明内容

针对现有技术的不足，本发明提供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。

根据本发明的一个方面，提供了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，包括：

获取待识别稻田内草皮的水稻不同生育期的多时相卫星稻田影像；

通过机器学习算法分别对多时相卫星稻田影像进行非植被类地物类型的分离，确定多时相植被覆盖区域影像数据；

利用预先试验得到的多个植被指数特征分别对多时相植被覆盖区域影像数据进行分类，确定多时相季节性植被类型影像数据，其中季节性植被类型影像数据中包括初始水稻影像数据和初始草皮影像数据；

根据水稻和草皮的时间序列变化特征和植被指数信息，利用AI深度学习算法分别对多时相季节性植被类型影像数据中混杂稻田中的草皮区域进行分割，确定水稻影像数据和分割草皮影像数据；

根据分割草皮影像数据和初始草皮影像数据，确定多时相草皮影像。

可选地，还包括：分别对多时相卫星稻田影像进行预处理，并且该操作包括：

分别对多时相卫星稻田影像进行去云、去阴影、几何校正、辐射定标、大气校正、正射校正以及影像配准操作。

可选地，通过机器学习算法分别对多时相卫星稻田影像进行非植被类地物类型的分离，确定多时相植被覆盖区域影像数据，包括：

获取训练集数据，训练集数据包括：水体、建筑、林地、园地、水稻、草地、裸地七种地物类型数据信息；

提取训练集数据中不同地物类型的特征信息，其中特征信息包括：光谱、纹理、植被指数、生长周期特征；

针对不同地物类型分别在多时相卫星稻田影像进行矢量化标注；

将不同地物类型的特征信息以及进行矢量化标注的多时相卫星稻田影像输入至预先设置的机器学习分类器中，输出不同地物类型的地物区域分类结果；

对非植被类型的地物区域分类结果在多时相卫星稻田影像上进行掩膜，确定多时相植被覆盖区域影像数据。

可选地，多时相卫星稻田影像包括：7月份的第一期卫星稻田影像、8月份的第二期卫星稻田影像以及10月份的第三期卫星稻田影像，并且

利用预先试验得到的多个植被指数特征分别对多时相植被覆盖区域影像数据进行分类，确定多时相季节性植被类型影像数据，包括：

分别计算每个时相植被覆盖区域影像数据的NDVI值，确定多时相NDVI影像数据；

将第三期NDVI影像数据中NDVI值大于预设植被指数特征的区域提取出来，确定林地影像数据，并在第一期NDVI影像数据和第二期NDVI影像数据中进行掩膜；

在掩膜后的第一期NDVI影像数据和第二期NDVI影像数据中将NDVI值在预设植被指数特征范围内的区域进行提取，确定园地影像数据；

将林地影像数据和园地影像数据分别在多时相植被覆盖区域影像数据上进行掩膜，确定多时相季节性植被类型影像数据。

根据本发明的另一个方面，提供了一种利用多时相高分辨率卫星影像识别稻田内草皮的装置，包括：

获取模块，用于获取待识别稻田内草皮的水稻不同生育期的多时相卫星稻田影像；

第一确定模块，用于通过机器学习算法分别对多时相卫星稻田影像进行非植被类地物类型的分离，确定多时相植被覆盖区域影像数据；

第二确定模块，用于利用预先试验得到的多个植被指数特征分别对多时相植被覆盖区域影像数据进行分类，确定多时相季节性植被类型影像数据，其中季节性植被类型影像数据中包括初始水稻影像数据和初始草皮影像数据；

第三确定模块，用于根据水稻和草皮的时间序列变化特征和植被指数信息，利用AI深度学习算法分别对多时相季节性植被类型影像数据中混杂稻田中的草皮区域进行分割，确定水稻影像数据和分割草皮影像数据；

第四确定模块，用于根据分割草皮影像数据和初始草皮影像数据，确定多时相草皮影像。

根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。

根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。

从而，本发明提供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，采用像元级别的分层分类方法和AI深度学习算法对稻田内种植草皮进行分割，以提高识别和提取精度。该方法具有高效性、精度性、实时性、适用性和经济性等优点，能够为稻田内种植草皮的管理和保护提供可靠的技术支持，具有广泛的应用前景和市场价值。进而解决了现有技术中即使采用高空间分辨率无人机拍摄航片和中高分卫星遥感影像也难以对稻田内草皮进行快速识别和精准监测的技术问题。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1是本发明一示例性实施例提供的利用多时相高分辨率卫星影像识别稻田内草皮的方法的流程示意图；

图2是本发明一示例性实施例提供的稻田内种植草皮识别和提取的流程示意图；

图3是本发明一示例性实施例提供的支持向量机进行非植被地物类型分离的流程示意图；

图4是本发明一示例性实施例提供的稻田内种植草皮识别提取结果的示意图；

图5是本发明一示例性实施例提供的利用多时相高分辨率卫星影像识别稻田内草皮的装置的结构示意图；

图6是本发明一示例性实施例提供的电子设备的结构。

具体实施方式

下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。

应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。

还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。

还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。

另外，本发明中术语“和/或”，仅仅是一种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。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。

还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

示例性方法

图1是本发明一示例性实施例提供的利用多时相高分辨率卫星影像识别稻田内草皮的方法的流程示意图。本实施例可应用在电子设备上，如图1所示，利用多时相高分辨率卫星影像识别稻田内草皮的方法100包括以下步骤：

步骤101，获取待识别稻田内草皮的水稻不同生育期的多时相卫星稻田影像。

具体地，随着国内外在轨高分卫星数量越来越多，人口活动密集区域内的卫星重访周期越来越多，使得在较大尺度上获取高频次的高分卫星影像成为可能。利用多时相的高分卫星影像对稻田内种植草皮进行精准识别具有了数据基础，有鉴于此，本发明提出了一种高效、准确的稻田内种植草皮识别方法。

其中卫星稻田影像可以但不限于是中高分卫星影像，利用高分辨率卫星拍摄的卫星稻田影像，得到多时相卫星稻田影像数据。获取的卫星影像数据可以包括同一地区在不同时间拍摄的多幅卫星影像，也可以是由多个卫星传感器拍摄的同一时间的卫星影像，例如Quick Bird、Worldview等。本发明主要选取了三期高分二号卫星遥感影像。影像时间分别是2022年7月14日、2022年8月13日、2022年10月1日，时间节点根据用户需求自行选定，此处不做具体限定。

进一步地，参考图2和图3所示，在7月上中旬，早稻已经开始进入灌浆期，稻田的茎叶已经比较高，而草皮则比较低矮。在7月下旬8月中旬，早稻已经进入成熟期，稻穗开始变黄，而草皮仍然是绿色。有部分早稻已经收割，单季中稻还在生长期内，此时期稻田的茎叶也相对草皮较高。与此同时，中稻在此时期灌浆，这两个时间点的影像还不能完全将稻田和草皮分开。在10月份，早中稻已经收割，这部分稻田变为了灰色的裸地，而草皮则仍然是绿色。但是还有部分水稻未成熟。综上两种植被的生长周期规律，可以作为水稻和草皮的时间变化和生物特征信息。

可选地，还包括：分别对多时相卫星稻田影像进行预处理，并且该操作包括：

分别对多时相卫星稻田影像进行去云、去阴影、几何校正、辐射定标、大气校正、正射校正以及影像配准操作。

具体地，参考图2所示，为了提高分类的准确性和稳定性，需要对获取的卫星稻田影像数据进行预处理，包括去云、去阴影、几何校正、辐射定标、大气校正、正射校正、影像配准等。其中，去云和去阴影可以采用遥感影像去云去雾算法进行处理；几何校正可以采用影像配准方法进行校正；大气校正可以采用FLAASH等大气辐射传输模型进行校正。

步骤102，通过机器学习算法分别对多时相卫星稻田影像进行非植被类地物类型的分离，确定多时相植被覆盖区域影像数据。

可选地，通过机器学习算法分别对多时相卫星稻田影像进行非植被类地物类型的分离，确定多时相植被覆盖区域影像数据，包括：

获取训练集数据，训练集数据包括：水体、建筑、林地、园地、水稻、草地、裸地七种地物类型数据信息；

提取训练集数据中不同地物类型的特征信息，其中特征信息包括：光谱、纹理、植被指数、生长周期特征；

针对不同地物类型的特征信息分别在多时相卫星稻田影像进行矢量化标注；

将不同地物类型的特征信息以及进行矢量化标注的多时相卫星稻田影像输入至预先设置的机器学习分类器中，输出不同地物类型的地物区域分类结果；

对非植被类型的地物区域分类结果在多时相卫星稻田影像上进行掩膜，确定多时相植被覆盖区域影像数据。

具体地，提取训练集数据中不同地物类型的特征信息，包括：

1. 提取纹理特征

计算卫星影像的纹理特征，如方差、均值、对比度等。也可以通过专业经验对从影像直观认识上的不同地物进行目视解译标注，获取地物的颜色、纹理等特征。这些特征可以反映地物的空间分布和结构，对于水体、建筑、裸地等纹理特征明显的地物具有较好的作用。对于区分不同类型的植被具有一定的作用。

2. 提取光谱特征

从卫星影像的各个波段中提取反射率作为光谱特征。这些特征可以反映地物在不同波段下的响应，有助于区分不同类型的地物，如植被、水体、裸地、建筑等。其中，波谱反射率（Spectral Reflectance）是指地表物体在特定波段下的反射光强与入射光强之比。可以表示为：

表示第i个波段的波谱反射率；表示第i个波段的反射光强，即地表物体在 该波段下的光谱反射强度；表示第i个波段的入射光强，即太阳在该波段下的光谱辐射 强度。

3. 计算植被指数

计算归一化植被指数（NDVI）和其他可能有用的植被指数（如EVI、SAVI等）。植被指数可以反映植被覆盖程度和生长状况，有助于识别草皮和水稻。本发明主要选取NDVI作为主要特征，其计算公式为：

为高分二号卫星近红外波段的反射率，为红光波段的反射率。

4. 提取生长周期特征

对于第三层级分类，可以考虑提取与生长周期相关的特征，如植被生长速率、物候 特征（如水稻分蘖拔节期、灌浆期、成熟期等）。这些特征有助于区分具有不同生长特点的水 稻和草皮。对于生长周期特征，需要注意植被的生长速率和物候特征。生长速率可以通过计 算植被指数（如NDVI）在不同时间的变化来估计。设T为时间段数量，为第t个 时间段的NDVI值，和为两个时间点，生长速率可以表示为：

第i+1个时间段的NDVI值；第i个时间段的NDVI值；第i+1个时间段；第i个时间段。

对于水稻的物候特征则通常分为播种期、出苗期、分蘖期、拔节期、抽穗期、开花期、成熟期、收获期。每个时期具体特征如下：

播种期：通常在每年的4月至5月之间进行早稻播种，5月至6月之间进行中稻播种，7月至8月之间进行水稻播种。

出苗期：播种后约10-14天，水稻出苗。在此期间，植株较小，遥感影像中的植被指数（如NDVI）相对较低。NDVI约为0.2 - 0.4。

分蘖期：出苗后，水稻进入分蘖生长阶段。此阶段植株分蘖数增加，植被指数逐渐上升。NDVI约为0.4 - 0.6。

拔节期：分蘖期结束后，水稻进入拔节生长阶段。拔节期是水稻生长过程中植株生长速度最快的阶段，植被指数继续上升。NDVI约为0.6 - 0.7。

抽穗期：拔节期后，水稻进入抽穗生长阶段。此阶段水稻开始抽出穗，植被指数达到峰值。NDVI约为0.7 - 0.8。

开花期：抽穗后，水稻进入开花阶段。此阶段水稻花开，需进行授粉，植被指数保持在高值。NDVI约为0.7 - 0.8。

成熟期：开花后，水稻进入成熟阶段。此阶段稻谷逐渐成熟，植被指数开始下降。NDVI约为0.6 - 0.7。

收获期：一般在早稻种植区，收获期在7月至8月；水稻种植区，收获期在10月至11月。此阶段稻谷已成熟，农民开始进行收割，植被指数迅速下降。NDVI约为0.2 - 0.4。

根据本发明所用到的多时相影像时间，覆盖了水稻的早稻的开花期、成熟期、收获期；中稻的拔节期、开花期、成熟期；水稻的分蘖期、拔节期、抽穗开花期。三期影像的NDVI阈值范围应该在0.45-0.8之间。

而草皮的物候特征则相对较为简单，主要包括萌发期、生长期、成熟期和衰退期。萌发期一般在每年的3月至4月，此时草皮的NDVI值较低，一般在0.2以下；生长期一般在每年的5月至6月，此时草皮的NDVI值开始逐渐上升，一般在0.2-0.5之间；成熟期一般在每年的7月至8月，此时草皮的NDVI值达到峰值，一般在0.5以上；衰退期一般在每年的9月至10月，此时草皮的NDVI值开始逐渐下降，一般在0.2-0.4之间。三期影像的NDVI阈值范围应该在0.2-0.5之间。

进一步地，参考图3所示，利用提取的光谱特征和纹理形状特征，训练第一层级的子分类器，以识别区分植被区域和非植被区域。其中预先设置的机器学习分类器可以是支持向量机、随机森林等机器学习算法。

本发明的实施例以采用支持向量机法为例，其中支持向量机（SVM）是一种广泛应用于二分类问题的机器学习算法，其原理是通过找到一个最优的超平面将不同类别的数据分开。SVM算法的核心是最大化分类边界距离，从而使得分类效果更加准确。在一些高维、复杂的数据集上，SVM通常具有较好的分类性能。其分类算法的表达公式如下：

其中，其中：ξi是松弛变量，C>0为惩罚系数，训练样本特征向量xi通过Φ函数映射到无限高维空间，wT·Φ(xi)+b是这个高维空间中的超平面，支持向量机就是为了找到能够代表最优分类的超平面。

训练过程步骤包括：

a.数据预处理：首先需要对训练数据进行预处理，包括去除异常值、缺失值处理、特征归一化等。这些操作可以提高SVM分类器的训练效果。

b.特征提取：基于步骤3中对原始像元数据中提取的各种地物的特征，如纹理特征、光谱特征等。这些特征可以用于训练SVM分类器，提高分类精度。

c.样本选取：为了训练SVM分类器，需要从已有的影像数据中选取一定数量的样本进行训练。每种地物选择70个样本数量作为训练集。

d.训练并应用模型：通过对选取的样本进行训练，得到SVM分类器模型。SVM分类器模型的训练过程可以采用随机梯度下降（SGD）等方法，通过不断迭代优化模型参数，使模型在训练集上的分类效果达到最优。

e.模型评估：为了验证SVM分类器模型的分类效果，需要将模型应用于测试数据集上，这里每种地物选取30个样本作为测试集，选择准确率、召回率计算用以评估模型的分类精度。

将三期高分二号影像和每期不同地物的训练数据集输入第一层级子分类器——SVM分类器，识别分类得到具有植被区域和非植被区域两类的三景第一层级分类结果影像，即确定多时相所述植被覆盖区域影像数据。

步骤103，利用预先试验得到的多个植被指数特征分别对多时相植被覆盖区域影像数据进行分类，确定多时相季节性植被类型影像数据，其中季节性植被类型影像数据中包括初始水稻影像数据和初始草皮影像数据。

可选地，多时相卫星稻田影像包括：7月份的第一期卫星稻田影像、8月份的第二期卫星稻田影像以及10月份的第三期卫星稻田影像，并且

利用预先试验得到的多个植被指数特征分别对多时相植被覆盖区域影像数据进行分类，确定多时相季节性植被类型影像数据，包括：

分别计算每个时相植被覆盖区域影像数据的NDVI值，确定多时相NDVI影像数据；

将第三期NDVI影像数据中NDVI值大于预设植被指数特征的区域提取出来，确定林地影像数据，并在第一期NDVI影像数据和第二期NDVI影像数据中进行掩膜；

在掩膜后的第一期NDVI影像数据和第二期NDVI影像数据中将NDVI值在预设植被指数特征范围内的区域进行提取，确定园地影像数据；

将林地影像数据和园地影像数据分别在多时相植被覆盖区域影像数据上进行掩膜，确定多时相季节性植被类型影像数据。

具体地，参考图4所示，基于第一层级分类结果的影像，将非植被区域进行掩膜，只留下植被区域，植被覆盖区域影像数据内，利用提取的光谱特征、植被指数训练第二层级的子分类器，以区分常绿型植被（如林地、园地）和季节型植被（如水稻、草皮）。

在第二层级需要精确利用三景不同时相影像的植被指数特征完成对常绿型植被区域和季节型植被区域的分类。三期影像的常绿型植被区域NDVI阈值范围约在0.3-0.9之间，季节型植被区域NDVI阈值范围约在0.2-0.8之间。其中，7、8、10月影像林地的NDVI阈值范围大约为0.6-0.9之间，园地的NDVI阈值范围在0.3-0.6之间。水稻的NDVI阈值范围在0.45-0.8之间，草皮的NDVI阈值范围在0.2-0.5之间。其中作为季节型变化的植被，不同月份的NDVI阈值差异较大，这里在分类的时候还需要考虑三个不同时期的差异情况，水稻在7、8月份的影像中NDVI阈值大约是0.6-0.8，10月份的影像中NDVI阈值大约是0.45-0.6。草皮在7、8月份中的NDVI阈值约为0.5左右，在10月份的NDVI阈值约为0.2-0.4。

由此可以根据以上规律，首先利用10月份影像设0.6（即预设植被指数特征）这个阈值分出大于0.6和小于等于0.6这两个类别。这里可以基本区分开林地和水稻、草皮。将提取的林地结果应用于7、8月份的影像并掩膜掉林地，还是设定NDVI阈值为0.6，两景影像中等于0.6（+0.099）（即预设之别指数特征范围）内的部分则全是园地。至此通过三景影像完成常绿型植被区域和季节型植被区域分类。

而后将7、8月中影像提取出的园地结果结合10月份林地结果对三期影像进行掩膜，得到三期只有季节型植被区域影像。再根据上述提到的水稻和草皮在不同时期影像中NDVI阈值的变化范围和规律，首先对10月份掩膜后的影像设定NDVI阈值为0.45，大于0.45部分为水稻、小于0.45的部分为草皮，再对7、8月份掩膜后的影像设定NDVI阈值为0.6，大于0.6部分多数为水稻，小于0.6部分为草皮。而由于7、8月份为盛夏季节，水稻和草皮长势差异较小，NDVI的阈值差仅在0.1之间，故该阈值可以分出这两个月份中的部分草皮和水稻，至此通过三景影像完成季节型植被区域中部分水稻和草皮的分类。基于实施例所选地区的实地调查数据和分类结果对比，精度达到90%左右。为进一步提高精度，在第三层级中引入AI深度学习算法利用卷积神经网络进一步区分混杂在稻田中的草皮。

步骤104，根据水稻和草皮的时间序列变化特征和植被指数信息，利用AI深度学习算法分别对多时相季节性植被类型影像数据中混杂稻田中的草皮区域进行分割，确定水稻影像数据和分割草皮影像数据。

具体地，参考图4所示，本发明选择使用常用的AI深度学习算法——卷积神经网络。其中卷积神经网络算法的表达公式为：

其中，x _i 是输入数据，w _j 是卷积核的权重，b _i 是卷积层的偏置，h _i 是卷积层的输出，是激活函数，y _k 是输出层的输出，v _i 是输出层的权重，c _k 是输出层的偏置。n和m分别是卷积层和卷积核的大小。

卷积操作可以用以下公式表示：

其中，w _j 是卷积核的第j个权重，x _i+j-1 是输入数据的第i+j-1个元素，m是卷积核的大小。卷积神经网络通常包括多个卷积层、池化层、全连接层等组件，以提取输入数据的特征并输出分类或回归结果。卷积神经网络的算法表达式可以根据具体的网络结构进行调整和扩展。

训练过程：

a.样本数据预处理：将剩余未区分的水稻和草皮样本点的光谱特征、植被指数值和纹理特征整合到一个统一的数据结构中。这可以是一个多通道图像，其中每个通道代表一个特征，例如光谱特征、植被指数和纹理特征。然后，对数据进行归一化，以消除不同特征之间的数值范围差异。

b.准备训练数据：将样本点划分为训练集和验证集。通常，可以将大约70%的数据用作训练集，剩余的30%用作验证集。同时，为这些样本创建标签，用于监督学习。

c.设计卷积神经网络：设计一个适用于多通道输入的卷积神经网络架构。通常，包括若干卷积层、激活函数（ReLU）、池化层（如最大池化）和全连接层。本发明实施例是在Python的深度学习库Keras中实现的一个CNN架构。

d.训练并应该模型：使用水稻和草皮的样本训练集和对应的标签训练卷积神经网络。可以采用批量训练、梯度下降等优化算法调整网络权重。

e.模型验证：使用验证集评估模型性能，如准确率、召回率等。

f.结果评估：通过与实地调查数据和专家解译结果进行对比，评估分类结果的精度。

步骤105，根据分割草皮影像数据和初始草皮影像数据，确定多时相草皮影像。

具体地，将初步识别出的草皮影像数据与进一步从稻田中分割出来的遗漏的分割草皮影像数据进行融合拼接，确定最终的多时相草皮影像。

此外，综合三个多个植被指数特征层级的输出结果，根据常用的分类评估指标精确度和召回率。评估模型在识别各个地物类型的准确性。以此来调整模型的相关结构和参数使其更为优化。

本发明提供了一种利用多时相高分辨率卫星影像识别提取稻田内草皮的方法，该方法具有以下有益效果：

1.高效性：利用多时相高分辨率卫星影像数据进行稻田内种植草皮的识别和提取，具有高效、快速的特点。相比传统的人工野外调查方法，该方法大大缩短了识别和提取时间，提高了效率。

2.精度性：采用像元级别分层分类方法和AI深度学习算法对稻田内种植草皮进行分割，提高了识别和提取的精度。相比传统方法，该方法能够更准确地识别和提取稻田内种植草皮，降低了误判率和漏判率。

3.实时性：由于多时相高分辨率卫星影像数据的实时性，该方法能够及时获取稻田内种植草皮的信息，为农业生产和管理提供及时的数据支持。

4.适用性：该方法适用于各种规模的稻田内种植草皮识别和提取，无论是单一的稻田内种植草皮还是大规模的稻田内种植草皮，都能够适用。

5.应用于农业信息化服务：本发明的稻田内种植草皮识别方法可以为农业信息化服务提供技术支持，帮助政府和企业了解稻田内种植草皮的分布情况，为农业政策制定和农业产业发展提供数据支持。

6.有利于耕地调查与规划：通过本发明的识别方法，可以精确获取稻田内种植草皮的分布信息，为耕地调查、规划和管理提供准确数据，保障国家耕地资源的合理利用。

7.辅助决策支持系统：本发明的识别方法可以与地理信息系统（GIS）和决策支持系统（DSS）相结合，为政府和企业提供实时、可靠的稻田内种植草皮分布信息，辅助相关部门进行政策制定和实施。

从而，本发明采用多时相高分辨率卫星影像，结合波谱反射率、纹理信息、植被指数特征等多种特征进行草皮识别，相对于传统的基于单时相影像的方法具有更高的准确性和稳定性。本发明采用分层分类算法，将影像中的植被按照常绿型植被和季节型植被进行分类，并根据不同时期影像的NDVI阈值范围进行提取。相比传统的单阈值法，本发明更加精准和可靠。本发明采用时间序列分析方法，结合多时相影像，对草皮的生长周期和空间变化特征进行分析，进一步提高草皮的识别精度和稳定性。能够为农作物生产的管理和保护提供可靠的技术支持，具有广泛的应用前景和市场价值。

示例性装置

图5是本发明一示例性实施例提供的利用多时相高分辨率卫星影像识别稻田内草皮的装置的结构示意图。如图5所示，装置500包括：

获取模块510，用于获取待识别稻田内草皮的水稻不同生育期的多时相卫星稻田影像；

第一确定模块520，用于通过机器学习算法分别对多时相卫星稻田影像进行非植被类地物类型的分离，确定多时相植被覆盖区域影像数据；

第二确定模块530，用于利用预先试验得到的多个植被指数特征分别对多时相植被覆盖区域影像数据进行分类，确定多时相季节性植被类型影像数据，其中季节性植被类型影像数据中包括初始水稻影像数据和初始草皮影像数据；

第三确定模块540，用于根据水稻和草皮的时间序列变化特征和植被指数信息，利用AI深度学习算法分别对多时相季节性植被类型影像数据中混杂稻田中的草皮区域进行分割，确定水稻影像数据和分割草皮影像数据；

第三确定模块550，用于根据分割草皮影像数据和初始草皮影像数据，确定多时相草皮影像。

可选地，装置500还包括：预处理模块，用于分别对多时相卫星稻田影像进行预处理，并且预处理模块包括：

处理子模块，用于分别对多时相卫星稻田影像进行去云、去阴影、几何校正、辐射定标、大气校正、正射校正以及影像配准操作。

可选地，机器学习算法为下述任意一种算法：支持向量机、决策树、随机森林、神经网络，并且第一确定模块520，包括：

获取子模块，用于获取训练集数据，训练集数据包括：水体、建筑、林地、园地、水稻、草地、裸地七种地物类型数据信息；

提取子模块，用于提取训练集数据中不同地物类型的特征信息，其中特征信息包括：光谱、纹理、植被指数、生长周期特征；

标注子模块，用于针对不同地物类型分别在多时相卫星稻田影像进行矢量化标注；

输出子模块，用于将不同地物类型的特征信息以及进行矢量化标注的多时相卫星稻田影像输入至预先设置的机器学习分类器中，输出不同地物类型的地物区域分类结果；

第一子模块，用于对非植被类型的地物区域分类结果在多时相卫星稻田影像上进行掩膜，确定多时相植被覆盖区域影像数据。

可选地，多时相卫星稻田影像包括：7月份的第一期卫星稻田影像、8月份的第二期卫星稻田影像以及10月份的第三期卫星稻田影像，并且第二确定模块530，包括：

第一确定子模块，用于分别计算每个时相植被覆盖区域影像数据的NDVI值，确定多时相NDVI影像数据；

第二确定子模块，用于将第三期NDVI影像数据中NDVI值大于预设植被指数特征的区域提取出来，确定林地影像数据，并在第一期NDVI影像数据和第二期NDVI影像数据中进行掩膜；

第三确定子模块，用于在掩膜后的第一期NDVI影像数据和第二期NDVI影像数据中将NDVI值在预设植被指数特征范围内的区域进行提取，确定园地影像数据；

第四确定子模块，用于将林地影像数据和园地影像数据分别在多时相植被覆盖区域影像数据上进行掩膜，确定多时相季节性植被类型影像数据。

示例性电子设备

图6是本发明一示例性实施例提供的电子设备的结构。如图6所示，电子设备60包括一个或多个处理器61和存储器62。

处理器61可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。

存储器62可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器61可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置63和输出装置64，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

此外，该输入装置63还可以包括例如键盘、鼠标等等。

该输出装置64可以向外部输出各种信息。该输出装置64可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图6中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (6)

1.一种利用多时相高分辨率卫星影像识别稻田内草皮的方法，其特征在于，包括：

获取待识别稻田内草皮的水稻不同生育期的多时相卫星稻田影像；

通过机器学习算法分别对多时相所述卫星稻田影像进行非植被类地物类型的分离，确定多时相植被覆盖区域影像数据；

利用预先试验得到的多个植被指数特征分别对多时相所述植被覆盖区域影像数据进行分类，确定多时相季节性植被类型影像数据，其中所述季节性植被类型影像数据中包括初始水稻影像数据和初始草皮影像数据；

根据水稻和草皮的时间序列变化特征和植被指数信息，利用AI深度学习算法分别对多时相所述季节性植被类型影像数据中混杂稻田中的草皮区域进行分割，确定水稻影像数据和分割草皮影像数据；

根据所述分割草皮影像数据和所述初始草皮影像数据，确定多时相草皮影像，其中

通过机器学习算法分别对多时相所述卫星稻田影像进行非植被类地物类型的分离，确定多时相植被覆盖区域影像数据，包括：

获取训练集数据，所述训练集数据包括：水体、建筑、林地、园地、水稻、草地、裸地七种地物类型数据信息；

提取所述训练集数据中不同地物类型的特征信息，其中所述特征信息包括：光谱、纹理、植被指数、生长周期特征；

针对不同地物类型分别在多时相所述卫星稻田影像进行矢量化标注；

将不同地物类型的所述特征信息以及进行矢量化标注的多时相所述卫星稻田影像输入至预先设置的机器学习分类器中，输出不同地物类型的地物区域分类结果；

对非植被类型的所述地物区域分类结果在多时相所述卫星稻田影像上进行掩膜，确定多时相所述植被覆盖区域影像数据；

多时相卫星稻田影像包括：7月份的第一期卫星稻田影像、8月份的第二期卫星稻田影像以及10月份的第三期卫星稻田影像，并且

利用预先试验得到的多个植被指数特征分别对多时相所述植被覆盖区域影像数据进行分类，确定多时相季节性植被类型影像数据，包括：

分别计算每个时相所述植被覆盖区域影像数据的NDVI值，确定多时相NDVI影像数据；

将第三期NDVI影像数据中NDVI值大于预设植被指数特征的区域提取出来，确定林地影像数据，并在第一期NDVI影像数据和第二期NDVI影像数据中进行掩膜；

在掩膜后的第一期NDVI影像数据和第二期NDVI影像数据中将NDVI值在预设植被指数特征范围内的区域进行提取，确定园地影像数据；

将所述林地影像数据和所述园地影像数据分别在多时相植被覆盖区域影像数据上进行掩膜，确定多时相季节性植被类型影像数据。

2.根据权利要求1所述的方法，其特征在于，还包括：分别对多时相所述卫星稻田影像进行预处理，并且该操作包括：

分别对多时相所述卫星稻田影像进行去云、去阴影、几何校正、辐射定标、大气校正、正射校正以及影像配准操作。

3.一种利用多时相高分辨率卫星影像识别稻田内草皮的装置，其特征在于，包括：

获取模块，用于获取待识别稻田内草皮的水稻不同生育期的多时相卫星稻田影像；

第一确定模块，用于通过机器学习算法分别对多时相所述卫星稻田影像进行非植被类地物类型的分离，确定多时相植被覆盖区域影像数据；

第二确定模块，用于利用预先试验得到的多个植被指数特征分别对多时相所述植被覆盖区域影像数据进行分类，确定多时相季节性植被类型影像数据，其中所述季节性植被类型影像数据中包括初始水稻影像数据和初始草皮影像数据；

第三确定模块，用于根据水稻和草皮的时间序列变化特征和植被指数信息，利用AI深度学习算法分别对多时相所述季节性植被类型影像数据中混杂稻田中的草皮区域进行分割，确定水稻影像数据和分割草皮影像数据；

第四确定模块，用于根据所述分割草皮影像数据和所述初始草皮影像数据，确定多时相草皮影像，其中

第一确定模块，包括：

获取子模块，用于获取训练集数据，所述训练集数据包括：水体、建筑、林地、园地、水稻、草地、裸地七种地物类型数据信息；

提取子模块，用于提取所述训练集数据中不同地物类型的特征信息，其中所述特征信息包括：光谱、纹理、植被指数、生长周期特征；

标注子模块，用于针对不同地物类型分别在多时相所述卫星稻田影像进行矢量化标注；

输出子模块，用于将不同地物类型的所述特征信息以及进行矢量化标注的多时相所述卫星稻田影像输入至预先设置的机器学习分类器中，输出不同地物类型的地物区域分类结果；

第一子模块，用于对非植被类型的所述地物区域分类结果在多时相所述卫星稻田影像上进行掩膜，确定多时相所述植被覆盖区域影像数据；

多时相卫星稻田影像包括：7月份的第一期卫星稻田影像、8月份的第二期卫星稻田影像以及10月份的第三期卫星稻田影像，并且第二确定模块，包括：

第一确定子模块，用于分别计算每个时相所述植被覆盖区域影像数据的NDVI值，确定多时相NDVI影像数据；

掩膜子模块，用于将第三期NDVI影像数据中NDVI值大于0.6的区域提取出来，在第一期NDVI影像数据和第二期NDVI影像数据中进行掩膜；

第二确定子模块，用于在掩膜后的第二期NDVI影像数据和第二期NDVI影像数据中将NDVI值小于0.6的区域进行剔除，确定第一期季节性植被类型影像数据和第二期季节性植被类型数据；

第三确定子模块，用于根据所述第一期季节性植被类型影像数据或所述第二期季节性植被类型数据在第三期NDVI影像数据中进行季节性植被类型数据进行提取，确定第三期季节性植被类型数据。

4.根据权利要求3所述的装置，其特征在于，还包括：预处理模块，用于分别对多时相所述卫星稻田影像进行预处理，并且预处理模块包括：

处理子模块，用于分别对多时相所述卫星稻田影像进行去云、去阴影、几何校正、辐射定标、大气校正、正射校正以及影像配准操作。

5.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-2任一所述的方法。

6.一种电子设备，其特征在于，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-2任一所述的方法。