CN118038288A - 一种基于卫星遥感影像和dem的柑橘种植区提取方法 - Google Patents
一种基于卫星遥感影像和dem的柑橘种植区提取方法 Download PDFInfo
- Publication number
- CN118038288A CN118038288A CN202410142045.6A CN202410142045A CN118038288A CN 118038288 A CN118038288 A CN 118038288A CN 202410142045 A CN202410142045 A CN 202410142045A CN 118038288 A CN118038288 A CN 118038288A
- Authority
- CN
- China
- Prior art keywords
- citrus
- remote sensing
- satellite remote
- planting area
- unet
- 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
- 241000207199 Citrus Species 0.000 title claims abstract description 80
- 235000020971 citrus fruits Nutrition 0.000 title claims abstract description 80
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 239000002420 orchard Substances 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims abstract description 11
- 238000012876 topography Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 33
- 238000012952 Resampling Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000000047 product Substances 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 239000000443 aerosol Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 229930002875 chlorophyll Natural products 0.000 claims description 3
- 235000019804 chlorophyll Nutrition 0.000 claims description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 238000011439 discrete element method Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum 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
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卫星遥感影像和DEM的柑橘种植区提取方法，该方法基于卫星遥感影像、DEM数据和实调数据，构建多尺度UNet柑橘识别模型实现对柑橘种植区的准确提取，包括：在影像中选取各类样本点，计算植被指数并进行优选；剔除影像的无关光谱指数，与优选指数和地形因子组合输入多尺度UNet柑橘识别模型，输出柑橘种植区分布图。本发明所设计的方法克服了传统实地统计耗时耗力、难以实现大范围监测等弊端；同时该方法通过特征优选引入了利于柑橘果园区分的植被指数，并加入了DEM地形因子，改进了UNet语义分割模型，学习柑橘种植区的多尺度空间信息，提高提取精度与泛化能力，为柑橘生产和监管提供了科学的技术支撑。
Description
技术领域
本发明涉及卫星遥感影像处理和经济作物识别技术领域，具体涉及一种基于卫星遥感影像和DEM的柑橘种植区提取方法。
背景技术
柑橘是重要的经济作物，在农业经济发展中扮演着重要角色，对其种植区进行快速有效的监测能够为柑橘的生产管理和产业布局提供决策支持。传统的实地统计方法耗时耗力，难以实现大范围柑橘种植区的定期监测。通过卫星遥感手段，根据地学理论和遥感影像信息，能够快速地获取大范围地表信息，监测和分析柑橘种植情况，预估产量，对柑橘生产和监管具有重大意义。
目前，作物识别和土地覆盖制图主要是利用卫星或无人机影像的光谱信息，借助机器学习或是面向对象算法实现。提取所获得的对象单元与实际目标地物的形态往往并不匹配。深度学习方法可以考虑每个像素邻域的上下文信息，从而提高性能并减少噪声，对于复杂多变的情况具有更强的鲁棒性。近年来，深度学习在遥感地物识别上的应用主要还是集中在建筑、水体以及常见农作物上，如水稻、小麦、玉米等，对于果园的研究较少。同时，对于种植结构不规则、受云雾天气影响导致可用的遥感数据量少等困难区域，时序信息难以利用，如何有效提取柑橘果园的空间信息是研究的重点。
发明内容
本发明目的：在于提供一种基于卫星遥感影像和DEM的柑橘种植区提取方法，以实现柑橘种植区的准确提取。
为实现以上功能，本发明设计一种基于卫星遥感影像和DEM的柑橘种植区提取方法，针对待识别区域，执行如下步骤S1-步骤S7，完成该区域的柑橘种植区识别：
步骤S1：获取待识别区域的Sentinel-2卫星遥感影像数据和DEM数据；
步骤S2：对Sentinel-2卫星遥感影像数据进行预处理、重采样和地形校正；
步骤S3：针对步骤S2所获得的Sentinel-2卫星遥感影像数据，在影像范围内分别选取森林、农田、裸地、草地、柑橘果园5类样本点，并分别计算各类型样本点的候选特征，其中候选特征包括多种柑橘生长特性相关的植被指数；
步骤S4：分别针对各类型样本点，基于Relief F算法，分别计算各候选特征经T次迭代的平均权重，将平均权重作为相应各候选特征的特征权重，以特征权重表征各候选特征在柑橘种植区识别中的重要性；
将各候选特征根据特征权重数值由大至小依次排列，选取前三位的候选特征作为引入影像光谱特征；
步骤S5：根据DEM数据，计算待识别区域的地形因子，包括高程、坡度、坡向，并进行重采样，重采样间隔与Sentinel-2卫星遥感影像数据相同；
步骤S6：构建多尺度UNet柑橘识别模型，采用PyTorch深度学习库搭建模型框架，该模型基于UNet语义分割模型，并添加空洞空间金字塔池化模块；将剔除无关波段的Sentinel-2卫星遥感影像数据，与步骤S4所获得三个影像光谱特征，以及步骤S3所获得的待识别区域的三个地形因子的组合特征图作为模型输入；以柑橘种植区空间分布图作为模型输出；
步骤S7：对多尺度UNet柑橘识别模型进行训练、验证、评价，获得训练好的多尺度UNet柑橘识别模型，应用多尺度UNet柑橘识别模型，完成待识别区域的柑橘种植区识别。
作为本发明的一种优选技术方案：步骤S2包括将L1C产品级别的Sentinel-2卫星遥感影像数据转化为L2A产品级别，将Sentinel-2卫星遥感影像数据的所有波段重采样至10m，利用Teillet算法进行地形校正，并将灰度值转换为光谱反射率。
作为本发明的一种优选技术方案：步骤S3中所述的植被指数根据Sentinel-2卫星遥感影像数据波段计算，包括比值植被指数、差值植被指数、增强植被指数、归一化植被指数、绿通道植被指数、叶绿素植被指数、土壤调节植被指数、优化土壤调节植被指数、改良土壤调节植被指数、归一化差异红边指数1、归一化差异红边指数2、红边近红外归一化植被指数1、红边近红外归一化植被指数2、红边近红外归一化植被指数3。
作为本发明的一种优选技术方案：步骤S4中选取比值植被指数、归一化植被指数、归一化差异红边指数2作为影像光谱特征。
作为本发明的一种优选技术方案：步骤S4中所述的平均权重如下式：
其中，T为迭代次数，ω(Fi)表示特征集F的第i个特征的权重，k是最近邻样本的数量，∑h∈H∣Ri-hi∣是样本R与所选k个同类样本h在第i个特征上的最近邻距离总和；∑m∈M∣Ri-mi∣表示样本R与k个不同类型样本m在第i个特征上的最近邻距离总和。
作为本发明的一种优选技术方案：步骤S6中剔除的Sentinel-2卫星遥感影像数据中的无关波段包括气溶胶波段B1、水蒸气波段B9、卷云波段B10、近红外波段B8a；保留的波段包括蓝波段B2、绿波段B3、红波段B4、三个植被红边波段B5、B6、B7、近红外波段B8、两个短波红外波段B11、B12，共计9个波段；
将保留9个波段与三个影像光谱特征，以及待识别区域的三个地形因子，共计15个波段的组合特征图作为多尺度UNet柑橘识别模型的输入，以柑橘种植区空间分布图作为多尺度UNet柑橘识别模型的输出，其中柑橘种植区空间分布图包括背景概率和柑橘类别概率两个维度。
作为本发明的一种优选技术方案：步骤S6中所构建的多尺度UNet柑橘识别模型，基于UNet语义分割模型，以3层的Resnet50网络作为UNet语义分割模型的主干网络，并调用ImageNet数据集上的预训练参数，编码器末尾添加空洞空间金字塔池化模块，增加感知野，获得多尺度信息；编码器额外添加128×128和64×64影像块大小的训练分支，补充多级感受野特征，信息通过特征融合模块整合，输入解码器中。
作为本发明的一种优选技术方案：步骤S7中对多尺度UNet柑橘识别模型进行训练、验证、评价的过程如下：
步骤S7.1：在各输入特征图上划分训练区与测试区，在训练区采集训练影像并针对影像中的像素标注标签，标签为柑橘果园像素和背景像素，采用50％的重叠率将训练影像和标签裁剪为尺寸256×256的影像块；
步骤S7.2：针对各影像块，剔除部分负样本，使正负样本数量比为1:1，其中正样本为影像块对应的标签中含有柑橘果园像素，负样本为影像块对应的标签中不含有柑橘果园像素，使用几何变换对各影像块进行数据增强，并将各影像块随机分成训练集和验证集，数量比例为8:2；
步骤S7.3：选择加权类别交叉熵损失，统计标签中柑橘果园像素出现频率βn，按照权重公式计算柑橘果园权重wn如下式：
步骤S7.4：采用Adam优化器用于多尺度UNet柑橘识别模型训练，设置模型的初始学习率为1×10-4，批次大小为4，总训练epoch数为80，定义学习率衰减因子为0.1，每25个epoch学习率下降。
本发明还设计一种电子设备，包括存储装置、一个或多个处理器、存储装置用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法。
本发明还设计一种计算机可读存储介质，其内部存储计算机程序，计算机程序被处理器执行时实现所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法。
有益效果：相对于现有技术，本发明的优点包括：
1.本发明利用Sentinel-2影像和DEM实现大尺度柑橘种植区分布及变化信息的快速获取，减少了人力物力的消耗，极大地节约了监测成本；
2.本发明与其他语义分割模型相比，同时考虑柑橘种植区的光谱特征、空间特征、地形特征，改进UNet模型有效获取多尺度特征，在柑橘种植区提取任务上具有更高的准确率和更少的错分与漏分现象，更具鲁棒性。
附图说明
图1是根据本发明实施例提供的一种基于卫星遥感影像和DEM的柑橘种植区提取方法的流程图；
图2是根据本发明实施例提供的多尺度UNet柑橘识别模型的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明实施例提供的一种基于卫星遥感影像和DEM的柑橘种植区提取方法，针对待识别区域，参照图1，执行如下步骤S1-步骤S7，完成该区域的柑橘种植区识别：
步骤S1：获取柑橘生长周期内待识别区域的Sentinel-2卫星遥感影像数据和DEM数据；
步骤S2：对Sentinel-2卫星遥感影像数据进行预处理、重采样和地形校正；
Sentinel-2卫星遥感影像数据具有Level-0、Level-1A、Level-1B、Level-1C、Level-2A五种产品级别，各产品级别含义如下表1：
表1
步骤S2所述的预处理包括将L1C(Level-1C)产品级别的Sentinel-2卫星遥感影像数据转化为L2A(Level-2A)产品级别，采用Sen2Cor插件实现产品级别转化；将Sentinel-2卫星遥感影像数据的所有波段重采样至10m，利用Teillet算法进行地形校正，并将灰度值(DN值)转换为光谱反射率。
步骤S3：针对步骤S2所获得的Sentinel-2卫星遥感影像数据，在影像范围内分别选取森林、农田、裸地、草地、柑橘果园5类样本点各200个，并分别计算各类型样本点的候选特征，其中候选特征包括多种柑橘生长特性相关的植被指数；
所述的植被指数根据Sentinel-2卫星遥感影像数据波段计算，Sentinel-2卫星遥感影像数据根据分辨率，分为如下13个波段：
气溶胶波段B1、蓝波段B2、绿波段B3、红波段B4、三个植被红边波段B5、B6、B7、近红外波段B8、近红外波段B8a、水蒸气波段B9、卷云波段B10、两个短波红外波段B11、B12。
植被指数包括比值植被指数、差值植被指数、增强植被指数、归一化植被指数、绿通道植被指数、叶绿素植被指数、土壤调节植被指数、优化土壤调节植被指数、改良土壤调节植被指数、归一化差异红边指数1、归一化差异红边指数2、红边近红外归一化植被指数1、红边近红外归一化植被指数2、红边近红外归一化植被指数3。
各植被指数的计算公式如下表2：
表2
步骤S4：分别针对各类型样本点，基于Python环境实现Relief F算法，分别计算各候选特征经T次迭代的平均权重，将平均权重作为相应各候选特征的特征权重，以特征权重表征各候选特征在柑橘种植区识别中的重要性；
将各候选特征根据特征权重数值由大至小依次排列，选取前三位的候选特征作为引入影像光谱特征；
Relief F算法的筛选原理是：从样本集中随机选取测试样本R，并搜索样本R的k个近邻样本。从剩余4组异类样本中，各抽取k个最邻近异类样本。通过比较同类和异类样本间各特征(植被指数)的距离，计算每个特征的权重。当异类样本间的距离大于同类样本间的距离时，权重会增加，表明引入该特征对分类来说是有意义的。经过T次迭代后，得到每个特征的平均权重作为最终权重；基于Relief F算法计算平均权重如下式：
其中，T为迭代次数，ω(Fi)表示特征集F的第i个特征的权重，k是最近邻样本的数量，∑h∈H∣Ri-hi∣是样本R与所选k个同类样本h在第i个特征上的最近邻距离总和；∑m∈M∣Ri-mi∣表示样本R与k个不同类型样本m在第i个特征上的最近邻距离总和。
实施例中前三位候选特征为比值植被指数(RVI)、归一化植被指数(NDVI)、归一化差异红边指数2(NDre2)，选取该三项候选特征作为影像光谱特征。
步骤S5：根据DEM数据，计算待识别区域的地形因子，包括高程、坡度、坡向，并重采样至10m；
其中坡度、坡向根据地信软件计算，例如采用Arcgis中的3D analyst工具计算，坡度、坡向计算采用拟合曲面法，以二次曲面，即3×3的窗口，根据周围点的高程计算得到每个窗口的中心点坡度、坡向。
步骤S6：构建多尺度UNet柑橘识别模型，采用PyTorch深度学习库搭建模型框架，该模型基于UNet语义分割模型，并添加空洞空间金字塔池化模块；将剔除无关波段的Sentinel-2卫星遥感影像数据，与步骤S4所获得的三个影像光谱特征，以及步骤S3所获得的待识别区域的三个地形因子的组合特征图作为模型输入；以柑橘种植区空间分布图作为模型输出；
步骤S6中剔除的Sentinel-2卫星遥感影像数据中的无关波段包括气溶胶波段B1、水蒸气波段B9、卷云波段B10、近红外波段B8a；保留的波段包括蓝波段B2、绿波段B3、红波段B4、三个植被红边波段B5、B6、B7、近红外波段B8、两个短波红外波段B11、B12，共计9个波段；
将保留9个波段与三个影像光谱特征，以及待识别区域的三个地形因子所构成的15×256×256的组合特征图作为多尺度UNet柑橘识别模型的输入，以2×256×256的柑橘种植区空间分布图作为多尺度UNet柑橘识别模型的输出，其中柑橘种植区空间分布图包括背景概率和柑橘类别概率两个维度。
参照图2，步骤S6中所构建的多尺度UNet柑橘识别模型，基于UNet语义分割模型，以3层的Resnet50网络作为UNet语义分割模型的主干网络(Backbone)，并调用ImageNet数据集上的预训练参数，编码器末尾添加空洞空间金字塔池化模块(Atrous SpatialPyramid Pooling，ASPP)，增加感知野，获得多尺度信息；编码器额外添加128×128和64×64影像块大小的训练分支，补充多级感受野特征，信息通过特征融合模块整合，输入解码器中。
步骤S7：对多尺度UNet柑橘识别模型进行训练、验证、评价，获得训练好的多尺度UNet柑橘识别模型，应用多尺度UNet柑橘识别模型，完成待识别区域的柑橘种植区识别。
步骤S7中对多尺度UNet柑橘识别模型进行训练、验证、评价的过程如下：
步骤S7.1：在各输入特征图上划分训练区与测试区，在训练区采集训练影像并针对影像中的像素标注标签，标签为柑橘果园像素和背景像素，采用50％的重叠率将训练影像和标签裁剪为尺寸256×256的影像块；
步骤S7.2：针对各影像块，剔除部分负样本，使正负样本数量比为1:1，其中正样本为影像块对应的标签中含有柑橘果园像素，负样本为影像块对应的标签中不含有柑橘果园像素，使用几何变换对各影像块进行数据增强，并将各影像块随机分成训练集和验证集，数量比例为8:2；
步骤S7.3：选择加权类别交叉熵损失(Weighted Cross Entropy,Weighted CE)，统计标签中柑橘果园像素出现频率βn，按照权重公式计算柑橘果园权重wn如下式：
步骤S7.4：采用Adam优化器用于多尺度UNet柑橘识别模型训练，设置模型的初始学习率为1×10-4，批次大小为4，总训练epoch数为80，定义学习率衰减因子为0.1，每25个epoch学习率下降。
一种电子设备，包括存储装置、一个或多个处理器、存储装置用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法。
一种计算机可读存储介质，其内部存储计算机程序，计算机程序被处理器执行时实现所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，针对待识别区域，执行如下步骤S1-步骤S7，完成该区域的柑橘种植区识别：
步骤S1：获取待识别区域的Sentinel-2卫星遥感影像数据和DEM数据；
步骤S2：对Sentinel-2卫星遥感影像数据进行预处理、重采样和地形校正；
步骤S3：针对步骤S2所获得的Sentinel-2卫星遥感影像数据，在影像范围内分别选取森林、农田、裸地、草地、柑橘果园5类样本点，并分别计算各类型样本点的候选特征，其中候选特征包括多种柑橘生长特性相关的植被指数；
步骤S4：分别针对各类型样本点，基于Relief F算法，分别计算各候选特征经T次迭代的平均权重，将平均权重作为相应各候选特征的特征权重，以特征权重表征各候选特征在柑橘种植区识别中的重要性；
将各候选特征根据特征权重数值由大至小依次排列，选取前三位的候选特征作为引入影像光谱特征；
步骤S5：根据DEM数据，计算待识别区域的地形因子，包括高程、坡度、坡向，并进行重采样，重采样间隔与Sentinel-2卫星遥感影像数据相同；
步骤S6：构建多尺度UNet柑橘识别模型，采用PyTorch深度学习库搭建模型框架，该模型基于UNet语义分割模型，并添加空洞空间金字塔池化模块；将剔除无关波段的Sentinel-2卫星遥感影像数据，与步骤S4所获得的三个影像光谱特征，以及步骤S3所获得的待识别区域的三个地形因子的组合特征图作为模型输入；以柑橘种植区空间分布图作为模型输出；
步骤S7：对多尺度UNet柑橘识别模型进行训练、验证、评价，获得训练好的多尺度UNet柑橘识别模型，应用多尺度UNet柑橘识别模型，完成待识别区域的柑橘种植区识别。
2.根据权利要求1所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，步骤S2包括将L1C产品级别的Sentinel-2卫星遥感影像数据转化为L2A产品级别，将Sentinel-2卫星遥感影像数据的所有波段重采样至10m，利用Teillet算法进行地形校正，并将灰度值转换为光谱反射率。
3.根据权利要求1所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，步骤S3中所述的植被指数根据Sentinel-2卫星遥感影像数据波段计算，包括比值植被指数、差值植被指数、增强植被指数、归一化植被指数、绿通道植被指数、叶绿素植被指数、土壤调节植被指数、优化土壤调节植被指数、改良土壤调节植被指数、归一化差异红边指数1、归一化差异红边指数2、红边近红外归一化植被指数1、红边近红外归一化植被指数2、红边近红外归一化植被指数3。
4.根据权利要求1所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，步骤S4中选取比值植被指数、归一化植被指数、归一化差异红边指数2作为影像光谱特征。
5.根据权利要求1所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，步骤S4中所述的平均权重如下式：
其中，T为迭代次数，ω(Fi)表示特征集F的第i个特征的权重，k是最近邻样本的数量，∑h∈H∣Ri-hi∣是样本R与所选k个同类样本h在第i个特征上的最近邻距离总和；∑m∈M∣Ri-mi∣表示样本R与k个不同类型样本m在第i个特征上的最近邻距离总和。
6.根据权利要求1所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，步骤S6中剔除的Sentinel-2卫星遥感影像数据中的无关波段包括气溶胶波段B1、水蒸气波段B9、卷云波段B10、近红外波段B8a；保留的波段包括蓝波段B2、绿波段B3、红波段B4、三个植被红边波段B5、B6、B7、近红外波段B8、两个短波红外波段B11、B12，共计9个波段；
将保留9个波段与三个影像光谱特征，以及待识别区域的三个地形因子，共计15个波段的组合特征图作为多尺度UNet柑橘识别模型的输入，以柑橘种植区空间分布图作为多尺度UNet柑橘识别模型的输出，其中柑橘种植区空间分布图包括背景概率和柑橘类别概率两个维度。
7.根据权利要求1所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，步骤S6中所构建的多尺度UNet柑橘识别模型，基于UNet语义分割模型，以3层的Resnet50网络作为UNet语义分割模型的主干网络，并调用ImageNet数据集上的预训练参数，编码器末尾添加空洞空间金字塔池化模块，增加感知野，获得多尺度信息；编码器额外添加128×128和64×64影像块大小的训练分支，补充多级感受野特征，信息通过特征融合模块整合，输入解码器中。
8.根据权利要求1所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法，其特征在于，步骤S7中对多尺度UNet柑橘识别模型进行训练、验证、评价的过程如下：
步骤S7.1：在各输入特征图上划分训练区与测试区，在训练区采集训练影像并针对影像中的像素标注标签，标签为柑橘果园像素和背景像素，采用50％的重叠率将训练影像和标签裁剪为尺寸256×256的影像块；
步骤S7.2：针对各影像块，剔除部分负样本，使正负样本数量比为1:1，其中正样本为影像块对应的标签中含有柑橘果园像素，负样本为影像块对应的标签中不含有柑橘果园像素，使用几何变换对各影像块进行数据增强，并将各影像块随机分成训练集和验证集，数量比例为8:2；
步骤S7.3：选择加权类别交叉熵损失，统计标签中柑橘果园像素出现频率βn，按照权重公式计算柑橘果园权重wn如下式：
步骤S7.4：采用Adam优化器用于多尺度UNet柑橘识别模型训练，设置模型的初始学习率为1×10-4，批次大小为4，总训练epoch数为80，定义学习率衰减因子为0.1，每25个epoch学习率下降。
9.一种电子设备，其特征在于，包括存储装置、一个或多个处理器、存储装置用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一项所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法。
10.一种计算机可读存储介质，其内部存储计算机程序，其特征在于，计算机程序被处理器执行时实现如权利要求1-8中任一项所述的一种基于卫星遥感影像和DEM的柑橘种植区提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410142045.6A CN118038288A (zh) | 2024-02-01 | 2024-02-01 | 一种基于卫星遥感影像和dem的柑橘种植区提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410142045.6A CN118038288A (zh) | 2024-02-01 | 2024-02-01 | 一种基于卫星遥感影像和dem的柑橘种植区提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118038288A true CN118038288A (zh) | 2024-05-14 |
Family
ID=90992450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410142045.6A Pending CN118038288A (zh) | 2024-02-01 | 2024-02-01 | 一种基于卫星遥感影像和dem的柑橘种植区提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118038288A (zh) |
-
2024
- 2024-02-01 CN CN202410142045.6A patent/CN118038288A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Automatic organ-level point cloud segmentation of maize shoots by integrating high-throughput data acquisition and deep learning | |
| CN107480706A (zh) | 一种制种玉米田遥感识别方法及装置 | |
| CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
| Chen et al. | Predicting individual apple tree yield using UAV multi-source remote sensing data and ensemble learning | |
| 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 | |
| CN113657158B (zh) | 基于Google Earth Engine的大尺度大豆种植区域提取算法 | |
| CN114612794B (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
| CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
| 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 | |
| CN115880487A (zh) | 基于深度学习方法的林木激光点云枝叶分离方法 | |
| CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
| CN117114147A (zh) | 基于雷达和卫星遥感的森林植被碳储量估算的方法和装置 | |
| 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 | |
| CN111476197A (zh) | 基于多源卫星遥感影像油棕识别及面积提取的方法和系统 | |
| Li et al. | An object-oriented CNN model based on improved superpixel segmentation for high-resolution remote sensing image classification | |
| Suarez et al. | Learning image vegetation index through a conditional generative adversarial network | |
| Moradi et al. | Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network | |
| AHM et al. | A deep convolutional neural network based image processing framework for monitoring the growth of soybean crops | |
| Babykalpana et al. | Classification of land use land cover change detection using remotely sensed data | |
| CN116206210A (zh) | 一种基于NAS-Swin的遥感影像农业大棚提取方法 | |
| CN118038288A (zh) | 一种基于卫星遥感影像和dem的柑橘种植区提取方法 | |
| CN114782835A (zh) | 作物倒伏面积比例检测方法及装置 | |
| Zhang et al. | A review of vision-based crop row detection method: Focusing on field ground autonomous navigation operations | |
| CN115170987A (zh) | 一种基于图像分割和配准融合对葡萄进行病害检测的方法 | |
| BAYAZIT et al. | Classification and phenological staging of crops from in situ image sequences by deep learning |
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 |