[发明专利]一种基于地块形态特征的农田作物行向遥感识别方法

说明书

本发明涉及一种基于地块形态特征的农田作物行向遥感识别方法，属于作物行向识别技术领域。解决了现有的作物行向识别方法通常是针对厘米级无人机影像或照片进行的，难以应用于大范围的作物行向制图，而常用的商业卫星和民用卫星的分辨率很难利用地块内部纹理结构特征来识别作物行向的问题。本发明的基于地块形态特征的农田作物行向遥感识别方法，放弃使用地块内部复杂结构特征，以地块为最小研究对象，利用图像处理技术对地块形状和长宽比等简单特征进行作物行方向的识别。本发明的方法对耕地地块形状大小差异大、随机性高的区域有更强的适用性，在大空间尺度的影像上具有较高的应用潜力。

技术领域

本发明属于作物行向识别技术领域，具体涉及一种基于地块形态特征的农田作物行向遥感识别方法，尤其适用于地块平均面积大于0.5km²以上的耕地作物行向的识别。

背景技术

耕地作物种植一般采用大田种植的方式，种植时采用成行种植以充分增加作物受光照面积，利于作物呼吸蒸腾和气体交换，并且能够有效促进雨水充沛季节的田内排水。卫星遥感作为一门能够快速地获取大范围地面遥感信息的实用技术，在农业领域被广泛的应用于作物生长监测、作物分类、作物估产、农业灾害监测以及土壤水分反演等。遥感卫星主要依靠接收遥感信号生成遥感图像，但是遥感信号的反射会受到地面周期性结构的影响。在雷达图像中，垂直于雷达观测视角的行结构和平行于雷达观测视角的行结构相比，同极化后向散射系数相差可达10dB，使用雷达数据进行土壤湿度反演时，由土壤垄行结构引起的误差会超过土壤湿度反演的容限值，说明不同的作物行向会对模型反演结果的精度产生影响。在光学数据中由作物行向引起的误差比雷达数据中误差更直观、更明显。农田作物行的二向反射分布特性使反射率随太阳入射角及观测角变化而有规律的变化，在影像处理时，需要进行双向反射分布函数BRDF校正以减少由成像几何角度引起的反射率差异，有利于提高多源光学影像之间的辐射一致性。所以作物行向作为卫星遥感反演地表参数(生物量、作物产量、叶面积指数、含水量等)的一种重要影响因素，对其定量提取非常重要。

为了定量的提取作物行向，现有的方法一般采用：(1)人工获取；(2)基于厘米级的无人机影像识别技术；(3)基于米级的卫星遥感影像识别技术。人工获取包括实地测量和对高分辨率影像进行目视解译，这两种获取作物行向的方法费时费力、效率低下，特别是对实现大范围、逐地块、快速及时的作物行向识别的可行性不高。无人机在快速获取区域范围内农作物的表型信息方面具有很大优势，在复杂的农田环境条件下，机动灵活的无人机逐渐成为获取农作物行向的重要手段。在农业种植园内，使用基于无人机采集的尺寸为320像素*240像素的生长初期玉米作物图像，利用边缘检测和霍夫变换实现了基于作物行检测的无人机导航作业，在作物生长初期、杂草较少的高分辨率无人机影像中的作物行检测精度可达100％，减少了无人机喷撒药物时偏离规划航线的误差，提高了无人机的作业效率和作业精度。通过对多时相无人机影像的分析，发现识别时期会影响作物行的识别精度，并且确定拔节期是使用高分辨率影像识别玉米行并提取的最佳时间，在土壤和玉米行之间具有高对比度的高分辨率无人机影像中提取玉米行的精度可达100％，为农业管理活动提供了可靠数据。近年来，卷积神经网络被广泛应用于杂草检测、植被分类分割和作物产量估测等方面。SegNet分割网络和霍夫变换相结合得到用于作物行检测的CRowNet网络，对无人机影像中的甜菜行进行检测，在测试集上获得了93.58％检测识别率，此外在甜菜数据集上训练的模型也能够检测出玉米的行结构，证明所提出的算法模型具有较好的泛化性。在空间分辨率为0.075m的航空影像中，作物行结构作为地面上的一种周期性结构可以很容易的被观测到，考虑到频域识别周期性信息的便利性，使用傅里叶幅度谱和方位角扫描可以对作物行向和周期进行提取，并取得相关系数R＝0.99，RMSE＝2.17°的识别精度，证明在更大范围内使用超高分辨率的航空影像识别作物行向的可行性，提供了一种在大范围尺度下，替代使用无人机影像识别作物行向的有效方案。米级的光学遥感卫星影像在保留一定的地面细节观测能力的基础上，大大提高了地面的观测尺度。使用方向空间滤波器和数学形态学算法对空间分辨率为2米Formosat-2卫星影像中的作物纹理特征进行识别，针对向日葵、玉米等夏季作物和小麦、大麦和油菜等冬季作物分别实现精度为0.27R20.99，7.15°RMSE43.02°，0R20.96， 10.22°RMSE80°的作物行向检测，为大范围机械化农业生产管理提供了可靠信息。