[发明专利]一种基于图像锐化的时序数据耕地提取方法

说明书

本发明公开了一种基于图像锐化的时序数据耕地提取方法，包括如下步骤：1)输入单时相高空间分辨率遥感影像全色波段并进行数据预处理；2)输入多时相Sentinel‑2遥感影像多光谱波段并进行数据预处理；3)基于单时相高空间分辨率全色波段和多时相Sentinel‑2多光谱波段进行Gram‑Schmidt图像锐化操作，生成高空间分辨率时序数据；4)基于高空间分辨率时序数据，计算归一化差异植被指数和土壤调节植被指数，生成植被指数时间序列数据集；5)构建分类样本库并进行分层抽样；6)利用随机森林的分类方法对作物类型进行识别，并对比原始时间序列数据提取结果与锐化后的时间序列提取结果；7)将提取的所有类型的耕地进行整合，生成耕地要素提取结果。

技术领域

本发明涉及一种遥感农情监测方法，特别是指一种基于图像锐化的时序数据耕地提取方法。

背景技术

以土地资源为生产对象的农业作为国家的第一产业，支撑着国民经济的建设与发展，也是联合国可持续发展的重要组成部分。实时准确地监测耕地也是21世纪粮食安全的关键所在。耕地资源要素空间分布是耕地管理、精准农业以及土地确权的基本要求。然而，传统的耕地资源监测主要是以实地调查监测的方式为主，这种方式耗时耗力，满足不了大范围、快速准确监测的要求。随着遥感技术的发展和各种智能化技术的提高，越来越多的生产部门将遥感作为主要是监测方式进行耕地资源监测，其周期性、时效性以及经济性的特点受到很大的利用。因此，以遥感技术为基础的耕地资源监测是今后国情监测、土地权属分配等领域的重要支撑技术。

当前，基于遥感技术的耕地资源监测受到诸多因素的影响：1)复杂自然环境中，耕地要素在区域之间的差异明显，特别是不同区域的地形地貌的不同，导致耕地资源要素在遥感影像上呈现完全不一致的特点。例如：东北地区主要以平原为主，地块规整；而南方低山丘陵区地势连绵起伏，小农特征明显，耕地破碎化程度严重，边界模糊；2)耕地具有典型的季节性特征，相同区域内由于作物类型与种植模式的差异，导致区域内耕地类型异质性较大，复杂的物候特征增加了其监测的难度；3)高时空遥感数据可用性不足。尽管越来越多的数据源能够为农业监测带来契机，但是遥感数据却依然无法在时间和空间分辨率上达到一种平衡

多源遥感影像时空融合虽然可以在一定程度上解决遥感数据在时间分辨率和空间分辨率上难以统一的问题，但是多源数据间跨尺度和跨模态匹配问题仍是一大挑战，并且时空融合结果大多是构建中分辨率数据集，而高空间分辨率时序数据集仍然很匮乏。随着各种智能化技术的提高，以机器学习为主的人工智能方法逐渐适应了遥感领域，此类方法模型具有良好的鲁棒性，并且能产生相对较好的监测结果，但是依然受到农业监测最主要的一个问题：真实样本数据缺乏，特别是季节性描述样本的不足。因此，针对耕地监测以及当今农业监测领域所面临的耕地监测难、监测粒度不精确、数据的高时空特性不足等问题，通过融合多源不同尺度多源遥感数据，构建高空间率时序数据集，基于机器学习的方法实现高精度、低成本、大范围的耕地资源要素遥感监测研究，是当前农业遥感研究和应用重要一项内容。

发明内容

本发明的目的在于提供一种能够有效进行耕地资源监测的基于图像锐化的时序数据耕地要素识别方法。

为实现上述目的，本发明所提供的一种基于图像锐化的时序数据耕地提取方法，包括如下步骤：

1)输入单时相高空间分辨率遥感影像全色波段并进行数据预处理；预处理步骤包括正射校正、辐射校正、几何配准、影像裁剪等。在几何配准时，需要手工选择若干控制点与辅助数据(例如谷歌数据等)进行几何配准。

2)输入L2A级别的多时相时间序列Sentinel-2影像并对其进行批量预处理，即通过欧空局SNAP平台进行格式转换输出与批量裁剪处理；

3)对于步骤1)和步骤2)的结果，基于单时相高空间分辨率全色波段和多时相Sentinel-2多光谱波段进行Gram-Schmidt图像锐化操作，生成高空间分辨率时序数据；