[发明专利]一种农作物遥感分类方法及系统

说明书

本发明公开了一种农作物遥感分类方法及系统，其中，该方法包括：得到多时相的遥感影像；得到时间序列的云和阴影掩膜二值图；得到时间序列的植被分布二值图；对目标区的时间序列遥感影像落在AOI区域的所有像元进行多时相植被合成得到多时相植被类型；计算每种多时相植被类型所占的AOI区域的面积百分比，若该百分比小于设定阈值T时，则判定为无效类型；否则为有效类型；构成监督分类光谱库；得到待分类光谱矢量V₁和特征光谱矢量集合；计算待分类光谱矢量V₁和特征光谱矢量集合中的每条特征光谱之间的欧氏距离，取欧氏距离最小的特征光谱所在的有效类型作为待分类像元的有效类型。本发明获得了精度可靠并且可解释的分类结果。

技术领域

本发明属于图像分类技术领域，尤其涉及一种农作物遥感分类方法及系统。

背景技术

农作物播种面积是国家统计数据的重要内容，农作物遥感分类有助于宏观上了解区域内不同作物的种植情况，是其它农业遥感应用的基础和前提，对于优化作物种植结构和耕地资源配置具有重要作用。

目前已有的方法包括一种融合多源地理信息数据的农作物分类方法(CN2021114869135)、一种面向农作物分类的时间序列特征重建及动态识别方法(CN2021103990041)、基于时空深度学习融合技术的农作物全自动化分类方法(CN2021102795643)。以下逐一进行说明：

CN2021114869135：获取目标区域中农作物生产周期范围内的多景多时相卫星影像数据，对卫星影像数据进行预处理的操作；对卫星影像数据进行多维特征因子的提取，特征因子包括：光谱、纹理和植被指数；对各个特征因子进行不同组合下的多通道数据融合，将不同组合的多通道融合数据结合地面真实样本训练支持向量机分类器，基于训练完成的支持向量机分类器得到农作物分类初始结果。该方法需要地面真实样本的支持，而获取地面真实样本的过程很费时费力。

CN2021103990041：：步骤1：初始样本数据集构建；步骤2：缺失数据区域预测填充；步骤3：缺失数据区域取值范围取值填充；步骤4：回归器与分类器迭代；步骤5：动态分类；重复步骤2至步骤4，进行第r+1维特征回归器与分类器的构建，直到完成对所有R维特征的回归器与分类器的建立；实现数据缺失部分的重建和农作物分类，完成农作物的动态识别。该方法同样需要地面实测样本数据的支持，自动化程度不够，满足不了大范围农作物遥感分类的需求。

CN2021102795643：融合地理信息的Geo-3D CNN网络与Geo-Conv1D网络，并采用Active Learning策略实现两种分类方法分类结果的融合。该方法没有考虑云和阴影对分类结果的影响，而云和阴影是光学遥感影像普遍存在的问题。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了一种农作物遥感分类方法及系统，排除了光学遥感影像固有的云和阴影的干扰和影响，获得了精度可靠并且可解释的分类结果。