[发明专利]一种复杂条件下大尺度区域水稻遥感分类方法

权利要求书

1.一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：包括如下步骤：

步骤1、在目标区域中选取源区域；

步骤2、筛选获取目标区域水稻生育期内光学影像及SAR影像，并进行预处理，得到光学合成影像和时序SAR影像；将时序SAR影像与光学合成影像叠加，得到一景复合影像；

步骤3、获取源区域内部分或全部区域的标签数据；所得标签数据结合步骤2得到的源区域的复合影像，作为训练数据集；

步骤4、基于训练数据集中的复合影像，利用随机森林方法，进行水稻的分类识别，得到源区域的水稻空间分布图；

步骤5、利用训练数据集中的复合影像，将步骤3中获取的源区域的水稻空间分布图作为对应的标签数据，利用交叉验证方法，训练基于深度学习的水稻识别模型，得到最终的水稻遥感识别模型；

步骤6、将步骤2得到的目标区域的复合图像输入水稻遥感识别模型中，得到目标区域的水稻种植区空间分布图。

2.根据权利要求1所述的一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：对光学影像预处理获取光学合成影像的具体过程为：对光学影像进行云掩膜处理、NDVI指数和LSWI指数计算；将所有云掩膜处理后的光学影像，通过均值合成方法合成为一景晴空光学影像；根据NDVI及LSWI指数，形成NDVI最大值、NDVI最小值、LSWI最大值、LSWI最小值四景影像并作为4个波段叠加进合成的晴空光学影像中，形成一景光学合成影像。

3.根据权利要求1所述的一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：时序SAR影像通过对SAR影像进行12天均值合成的方式得到。

4.根据权利要求1所述的一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：所述的水稻识别模型通过LSTM模型及UNET模型结合得到；LSTM模型处理时序SAR影像，获取时序特征，UNET模型处理光学合成影像及时序特征，获取水稻的空间分布结果。

5.根据权利要求1所述的一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：步骤4中所述的随机森林分类方法的树数量参数设置为100，特征数量设置为全部特征数量的开方。

6.根据权利要求1所述的一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：步骤3中，标签数据分为水稻样本和其它地物样本。

7.根据权利要求1所述的一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：源区域的面积小于或等于目标区域面积的5％。

8.根据权利要求1所述的一种复杂条件下大尺度区域水稻遥感分类方法，其特征在于：源区域中的水稻类型能够代目标区域中代表所有水稻类型。