[发明专利]基于Sentinel-1、2影像的大豆种植区识别方法及其面积测算方法

说明书

本发明涉及基于Sentinel‑1、2影像的大豆种植区识别方法及其面积测算方法，与现有技术相比解决了大豆与其他作物光谱相似度高导致其依靠高维特征难以实现种植区识别的缺陷。本发明包括以下步骤：Sentinel‑1、2影像的获取和预处理；时间序列特征提取；支持向量机模型的构建；优选特征子集确定；大豆种植区识别。本发明借助GEE云计算平台，利用线性谐波模型提取大豆生长季内Sentinel‑1、2影像的时间序列特征，然后构造支持向量机模型，同时结合随机森林分类模型及斯皮尔曼相关系数探究大豆识别优选特征子集，最终利用支持向量机模型提取大豆种植区并测算面积。

技术领域

本发明涉及遥感数据处理技术领域，具体来说是基于Sentinel-1、2影像的大豆种植区识别方法及其面积测算方法。

背景技术

传统方法获取大豆种植面积依赖于田间调查与统计上报，这种调查方式高成本低效率，且不具备详细刻画种植区域空间分布的能力。遥感技术具有覆盖范围广、采集数据快、动态对地观测等优点，能够通过低成本高效率的方式实现农作物种植面积提取与监测。

目前基于时间序列数据尤其是植被指数的时序数据已经成为农作物遥感分类识别研究的新机遇。植被指数时间序列数据能够精确地反映作物物候信息(如大豆的出现、结荚、灌浆、成熟)，有效削弱“同物异谱，同谱异物”现象，在农作物遥感分类识别与信息提取研究中发挥了重要作用。增强植被指数和归一化差异植被指数是目前利用遥感技术进行农作物信息识别与提取最常用的植被指数指标。线性谐波模型被广泛的应用于时间序列数据特征提取。特征筛选能够降低冗余信息，缩减特征数量，减少计算运行时间。因此，研究基于优选的时间序列特征提取大豆种植区的技术迫在眉睫。

现有技术中，一种大豆生长季空间分布图的生成方法和系统，其构造大豆生长季内Sentinel-2光谱波段的时间序列合成影像，然后结合随机森林分类模型探究大豆最早识别的时间窗口，其次通过评估时间窗口内所有特征的重要性进一步筛选特征子集，最终绘制出大豆空间分布图。另有，基于植被指数时序谱特征的大豆种植区提取方法和系统，通过构建中高时空分辨率的时间序列植被指数，利用线性谐波模型提取研究区植被指数时序谱特征。其次，基于关键生育期遥感原始影像波段反射率，通过百分位数、最大值、最小值、平均值、标准差方法提取光谱特征。

然而，在种植结构复杂或者田块破碎的地区，仅仅利用光谱特征进行大豆识别时，很难将与大豆光谱相似度高的作物如玉米进行区分。另外，机器学习在实际应用时，输入特征个数越多，不仅会增加模型计算开销，同时还可能引起“维度灾难”，即随着高维特征的引入，分类效率和分类精度均会受到不同程度的影响。最后，仅仅利用单一机器学习分类模型进行特征分析及分类时，结果容易受到模型本身“偏好”而产生一定的误差。

因此，如何设计出一种高精确度的大豆种植区快速准确识别方法已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中大豆与其他作物光谱相似度高导致其依靠高维特征难以实现种植区识别的缺陷，提供一种基于Sentinel-1、2影像的大豆种植区识别方法及其面积测算方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于Sentinel-1、2影像的大豆种植区识别方法，包括以下步骤：

Sentinel-1、2影像的获取和预处理：获取大豆生长季内Sentinel-2卫星影像，进行预处理后计算5个植被指数并选择5个原始波段；获取大豆生长季内Sentinel-1影像，并进行预处理后选择2个原始波段；分别对所选的植被指数及原始波段进行耕地掩膜处理；