[发明专利]基于多源遥感数据的作物类型与种植模式识别方法

说明书

本发明公开了一种基于多源遥感数据的作物类型与种植模式识别方法，包括如下步骤：1)输入单时相高空间分辨率遥感影像并进行数据预处理；2)输入多时相Sentinel‑2遥感影像并进行数据预处理；3)基于单时相影像进行面向对象多尺度分割，生成对象尺度矢量数据集；4)基于多时相影像进行数据质量优化，计算植被敏感指数，生成像元尺度植被指数时间序列数据集；5)构建对象尺度植被指数时间序列数据集；6)构建分类样本库并进行分层抽样；7)利用时间加权动态时间规整方法，对作物类型与种植模式进行识别。本发明以地块作为最小分类单元提取作物类型和种植模式，减少了因光谱异质性产生的提取误差，实现了作物类型的与种植模式的精准识别。

技术领域

本发明涉及一种遥感农情监测方法，特别是指一种基于多源遥感数据的作物类型与种植模式识别方法。

背景技术

实时准确的作物监测对于辅助作物管理与适宜性评价、作物产量预估、作物灾害预警以及作物种植模式规划有重要意义。在区域尺度上进行精确作物制图可以为政府宏观调控提供新的数据支撑。传统的农作物实地调查监测的方式耗时耗力，满足不了大范围、快速及时的农情监测的需要。而随着遥感卫星技术的发展与智能化处理技术的提高，凭借遥感技术对地表信息获取的周期性、宏观性、时效性和经济性，以遥感技术为基础的农情监测成为未来农业发展与改革的重要方向。

当前，基于遥感技术的作物类型识别受到地面观测诸多因素的影响，如作物信息与影像像元所含植被信息不匹配、不同作物物候期具有相似性、相同作物存在耕作与生长周期的差异性、不同植被指数差异性与数据成本高等，精度和准确度有待提高。传统作物分类以像元为基本单位，利用农作物的光谱信息与植被物候信息，增强不同地物、作物的差异实现作物类型的分类。基于像元的作物识别因数据源的空间分辨率与技术等因素，产生的混合像元和分类结果“椒盐现象”往往限制了分类精度。

随着遥感影像空间分辨率的提高与面向对象技术的产生，面向对象高分辨率耕地信息提取的技术与方法得到广泛的探索与研究。尽管面向对象技术可以有效处理数据中“同质异谱”与“异质同谱”现象，减少椒盐噪声，提高分类精度，但由于影像时间分辨率低，无法详细刻画不同作物的生长物候信息。

如何在受到遥感数据时空分辨率的限制、数据质量、获取手段等因素的影响下，实现高精度、低成本、大范围的农业作物类型和种植模式遥感监测研究，是当前农业遥感研究和应用的前沿性和关键性问题。

发明内容

本发明的目的在于提供一种能够有效进行作物类型与种植模式监测的基于多源遥感数据的作物类型与种植模式识别方法。

为实现上述目的，本发明所提供的基于多源遥感数据的作物类型与种植模式识别方法，包括如下步骤：

1)输入单时相高空间分辨率遥感影像并对其进行预处理；

2)输入L1C级别的多时相时间序列Sentinel-2影像(大气表观反射率产品)并对其进行批量预处理，即利用欧空局Sen2cor插件对该影像进行批量辐射校正至L2A级别(大气底层反射率产品)，并进行批量裁剪处理；

3)对于步骤1)中经过预处理的单时相高空间分辨率遥感影像，采用面向对象技术进行地块信息提取与分割，生成对象尺度矢量数据集；

4)对于步骤2)中经过批量预处理的Sentinel-2影像，先设置云含量阈值，利用云质量文件对影像进行掩膜处理；其次，对云含量大于阈值的区域进行数据重建；最终，批量计算植被敏感指数，生成像元尺度植被指数时间序列数据集；

5)结合步骤3)得到的对象尺度矢量数据集，对步骤4)得到的像元尺度植被指数时间序列数据集进行分区统计，将每个对象范围内的像元尺度植被指数时间序列数据集中的像元均值赋予给该对象范围内的所有像元，生成对象尺度植被指数时间序列数据集；

6)根据步骤5)得到的对象尺度植被指数时间序列数据集，结合野外采样各地物的样本点，构建分类样本库并进行分层抽样；