[发明专利]基于遥感数据的秋收主要农作物信息提取方法及系统

说明书

本发明公开了一种基于遥感数据的秋收主要农作物信息提取方法及系统，本发明基于对多时相遥感影像进行波段合并，并结合各作物的物候特征、光谱特征和纹理特征等选取训练样本，采用B‑P神经网络方法对遥感数据进行监督分类，并对分类结果进行分类后处理，实现对研究区各县及全省夏玉米、棉花、花生、大豆、中稻等主要农作物的信息提取。本发明通过多时相遥感影像波段合并，在减小训练样本数量的条件下，提高了农作物的分类精度，降低了分类过程中的人工成本，提高了工作效率。

技术领域

本发明属于卫星遥感技术领域，尤其涉及一种基于遥感数据的秋收主要农作物信息提取方法及系统。

背景技术

及时准确地获取农作物面积和空间分布，可为农业生产产量的预报及评估、粮食价格预测和国家粮食生产布局及规划等提供科学依据。利用农作物光谱特征以及适宜于不同地物类型提取的指数因子，可以将农作物信息从遥感影像中分离出来。目前，农作物信息提取主要可以分为基于单时相和多时相信息提取方法。利用农作物长势关键期的单时相影像提取作物空间分布，由于不同作物在类似物候期上的交叉，不能从农作物生长过程中最大程度地发现与背景地物的差异，严重影响了作物识别精度；利用多时相遥感影像进行监督分类提取作物，大多针对单一种类作物，并且每个时相影像分别建立分类体系、重复绘制训练样本，多次单独监督分类，整合多时相影像分类结果，得到多个时相下单个区域农作物空间分布，各时相影像之间不同农作物差异不易区分，重复绘制训练样本、分别进行监督分类方法工作量大、精度低，且缺乏直观的空间分布信息，不能充分整合多时相影像的农作物地物光谱特征。

传统方法提取农作物信息方法的不足之处在于：

第一，由于不同作物在类似物候期上的交叉，单一时相影像无法识别农作物之间的差异，较大程度影响了作物提取精度，不利于获取农作物空间分布。

第二，多时相多次单独分类，一方面很难获取一致的分类标准，另一方面，其每一次分类的误差将会在随后的分类结果整合得到农作物空间分布时被放大，严重降低了农作物识别精度。

第三，由于监督分类学习过程依赖于样本的选择，欲取得较好的分类结果，对训练样本数量和精度要求较高，样本选择本身工作量较大，若每个时相影像分别建立分类体系、绘制训练样本，则更大程度增加监督分类的工作量。

第四，多次单独训练样本绘制只能基于单一时相进行，无法综合不同时相下农作物的光谱特征，因此无法最大限度的利用多时相下同一种地物时间序列下的光谱变化过程，不利于分类结果提取。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了一种基于遥感数据的秋收主要农作物信息提取方法及系统，解决了基于遥感数据提取多种农作物的精度低、多次单独分类工作量大以及无法最大限度的利用多时相下同一种地物时间序列下的光谱变化过程的问题。

本发明目的通过以下技术方案予以实现：一种基于遥感数据的秋收主要农作物信息提取方法，所述方法包括如下步骤：(1)调查待研究区主要秋收农作物，确定待研究区主要秋收农作物的分类体系；(2)根据步骤(1)中确定的分类体系，结合主要秋收农作物的物候期以及其光谱、纹理的特征，选取进行主要秋收农作物信息提取所需要的不同时相的研究区遥感数据，并利用遥感手段对多个时相遥感数据进行正射校正、图像配准、镶嵌、云检测的预处理工作，得到符合分类体系要求的多时相遥感数据；然后对符合分类体系要求的多时相遥感数据进行波段合并；(3)基于实地调查样方，利用目视解译的方法，挑选训练样本，综合多时相的主要秋收农作物的光谱、纹理信息，对于同一种秋收农作物绘制多套训练样本，最后对训练样本的数据集进行有效评估训练样本达到分类要求；其中，有效评估的条件为可分离性大于1.8；(4)根据目视解译与神经网络监督分类相结合的方法，对步骤(2)中波段合并处理后的多时相遥感数据进行信息提取，获取待研究区主要秋收农作物种植空间分布。

上述基于遥感数据的秋收主要农作物信息提取方法中，在步骤(4)中，所述神经网络为B-P神经网络。