[发明专利]一种基于卫星影像与无人机影像的作物分类方法

说明书

本发明提供了一种基于卫星影像与无人机影像的作物分类方法，以无人机影像数据作为外业实测数据的有效补充，人工解译无人机影像中各类农作物的分类与分布，并以无人机影像的解译结果为参考依据，进行高分辨率卫星影像数据中各类农作物样本的制作，进而以制作的农作物样本为基础，采用深度学习算法进行高分辨率卫星影像的作物分类。本发明解决了传统外业实测数据获取的局限与不足，节省了人力与时间成本，同时降低了对遥感专业知识及专家经验的依赖，自动学习作物的光谱、颜色、纹理、物候等特征，挖掘不同特征之间的内在联系，大大提高了作物分类的速率与精度。

技术领域

本发明涉及作物分类技术领域，具体为一种基于卫星影像与无人机影像的作物分类方法。

背景技术

农作物信息和数据是精准农业的核心内容，因此快速、准确的进行作物分类，获取农作物的种植面积、产量等农业信息则至关重要。同时，这些农业信息对制定科学、合理地农业政策具有指导意义。

目前，作物分类多是借助遥感技术或无人机航空技术，采用基于专家知识的目视解译法、植被指数分析法、对应分析纹理信息法、对应物候信息分析法、基于空间结构分析的信息提取和基于面向对象的信息提取方法等进行的。然而，常用的分类方法对人工依赖性较强，提取的特征也不一定最有利于进行农作物类别的区分；而且现有的分类方法多是针对卫星影像或无人机影像进行单一数据源的分类，分类样本多是实地外业采集获取，无法充分利用彼此的优势，造成分类样本获取不足、分类精度低等现状。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提出一种基于卫星影像与无人机影像的作物分类方法，本发明采用卫星影像与无人机影像相结合的方式进行作物分类，其中无人机影像作为卫星影像进行作物分类的样本补充，可大大节省外业作物样本数据采集的时间与人力成本；同时，对制作的样本数据进行水平、垂直翻转、随机旋转、变形或亮度调整等处理，可弥补样本数据的不足，增强对不同生长期作物样本差异的容忍能力；另外在此样本基础上，利用深度学习算法进行作物分类，自动学习不同作物在不同生长期的颜色、光谱、纹理、物候等特征，充分挖掘各特征数据之间的联系，降低对人工专业知识的依赖，提高作物分类的效率与精度。

本发明解决其技术问题所采用的技术方案是：

一种基于卫星影像与无人机影像的作物分类方法，包括如下步骤：

步骤1：获取研究区域内多时相的高分辨卫星影像的原始数据，同时在研究区域4个角点与1个中心点选择5个样方区域，获取每个样方区域的无人机影像，时间涵盖作物不同的物候期；

步骤2：对步骤1中所获取的多时相的高分辨率卫星影像数据和无人机影像数据进行预处理，得到相应的预处理结果；

步骤3：结合无人机现场照片数据，对无人机预处理结果数据进行人工解译，确定研究区域种植作物的位置与分布；

步骤4：以无人机影像人工解译结果为依据，在卫星影像预处理结果数据上进行不同作物类型的样本制作，同时为不同的作物样本赋予标签；

步骤5：利用Arcgis软件进行样本数据的格式转换，即将矢量样本数据进行栅格化处理；

步骤6：将每个作物样本和标签，进行随机裁剪，得到一个尺寸大小一致的作物样本库；

步骤7：将步骤6得到的训练样本和标签进行训练集、验证集、测试集分割，分割比例为6:2:2；

步骤8：建立深度学习网络模型，采用U-Net的语义分割网络结构，以Resnet50作为特征提取器；

步骤9：将步骤7得到的训练集和标签输入到步骤8建立的网络模型中，进行模型训练，自动学习不同作物在不同生长期的颜色、光谱、纹理、物候等特征，并根据验证集的精度变化确定最佳的作物分类模型；