[发明专利]基于场联合使用高分二号和高分三号进行作物制图的方法

说明书

本发明公开了一种作物制图的方法，具体是一种是基于场联合使用高分二号光学成像和高分三号偏振合成孔径雷达(PolSAR)数据进行作物制图的方法。充分发掘多源遥感数据的优势，并解决遥感在作物制图中地块空间不精确和作物制图不准确的问题，本研究以SAR与光学遥感数据的时空协同为切入点，发展一套“SAR‑光学”数据协同的作物种植结构遥感提取模型，将光学影像的空间信息与SAR数据的特征信息进行多层次协同，探索地块基元支持下的多源遥感数据作物种植结构信息自动识别方法。该方法主要包括高空间分辨率图像的多尺度分割，SAR图像特征提取，最优分类子集获取和使用SVM的面向对象分类四个部分。本发明方法以多时相SAR(GaoFen‑3)和光学影像(GaoFen‑2)为数据源，利用GaoFen‑2号影像提供的农田地块结构的“图”信息和GaoFen‑3号影像提供的地物特性的极化散射、纹理等信息协同处理，以实现对作物类型的准确判别和种植面积提取。

技术领域

本发明涉及作物制图的方法，具体是一种是基于场联合使用高分2号光学成像和高分三号偏振合成孔径雷达(PolSAR)数据进行作物制图的方法。

背景技术

随着全球气候变化、能源需求以及人口增长等对农业生产的压力越来越大,全球或区域粮食供应短缺的风险也在加大。需要实时把握区域或全球的粮食生产形势,为区域及全球粮食安全及相关政策的制定提供依据。农作物种植结构是农作物空间格局的组成部分之一，其描述的是一个地区或生产单位内农作物的组成和布局，即主要农作物类型和其空间分布。卫星遥感技术能够在不同时间以不同尺度范围、不同空间分辨率和不同波谱进行对地观测，快速获取地表覆盖数据，对准确获取大范围的农作物种植结构信息来说，是一项十分经济有效的手段。

目前对于利用遥感技术对农作物种植结构提取，国内外学者有着许多的研究，但还存在以下问题：(1)对与光学和SAR数据的协同应用大多数方法侧重于融合算法，或是两种数据分别进行分类最后将结果进行叠加，较少研究将光学影像的空间信息与SAR数据的特征进信息行多层次协同；(2)大多数研究主要集中在影像分割和面向对象提取技术的应用等方面，较少涉及分割后影像对象的特征或特征组合的选取方法；(3)研究对象大多集中于水田作物，监测的农作物类型过于单一，对旱地作物(小麦、玉米、棉花等)的识别与面积监测研究相对较少，并且对农作物种植结构的提取在更为精细的中小区域的应用还不够精确。

发明内容

本发明提供一种使用光学遥感数据和极化合成孔径雷达进行农作物种植结构提取的新方法(图1)，充分发掘多源遥感数据的优势，以解决遥感在作物制图中地块空间不精确和作物制图不准确的问题。本发明通过结合高分辨率光学影像提供的精确地块空间信息和SAR影像提供的作物后向散射特征信息，以农田地块为基本单元构建以空间碎片化为特点的多特征集，采用面向对象技术获得农田地块尺度下的作物种植结构信息。该方法弥补了以往单一卫星数据源存在的欠缺，算法可扩展，人工干预少，为多云雨地区作物种植结构提取提供了有效的分类方案和业务化流程。

本发明实现以上思路所采用的具体的技术方案是：

首先，对高空间分辨率影像(GaoFen-2影像)多尺度分割，提取精细农田地块信息并实现和GaoFen-3影像的高精度配准；其次，对GF-3影像进行特征提取，建立高维特征空间；第三，提出一种基于类内聚集度和类间离散度的最优特征子集提取方法，按照与分类有关的评价准则从高维特征中选取最有效的特征集；最后，在农田地块专题层的控制下结合提取的 GF-3影像的最优特征子集进行基于SVM-OAR的面向对象分类，实现区域范围内作物的精细制图。由于农田地块边界的相对稳定性，由高分影像获取的地块边界数据可以一次提取、多次利用，结合SAR影像可实现有/无云天气下多年农作物种植信息的自动、快速更新。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明通过联合使用GaoFen-2光学成像和GaoFen-3PolSAR数据来进行作物制图的方法概述；