[发明专利]一种适用于景观破碎区作物类型遥感识别的方法及系统

说明书

本发明公开了一种适用于景观破碎区作物类型遥感识别的方法及系统，该方法包括：根据作物物候特征获取目标区域的遥感影像，进行数据预处理；基于耕地数据计算目标区域的破碎度并分区；结合耕地数据及SVM算法识别得到的作物分布数据构建样本集；从各个破碎度分区中分别随机抽选训练样本集及测试集，作为样本输入包含细节特征提取模块、语义特征提取模块、浅层特征跳接操作模块和特征融合模块的多特征深度学习模型MFsNet完成作物识别模型的构建；将待识别目标区域影像输入模型得到作物类型识别结果。该方法通过从不同破碎度分区中抽选训练样本，确保了训练样本代表性，模型训练结果能够在景观破碎区域实现较高的作物类型识别精度。

技术领域

本发明属于遥感图像处理和作物类型识别技术领域，特别涉及一种适用于景观破碎区作物类型遥感识别的方法及系统。

背景技术

基于短探测周期、大覆盖范围、强现势性等方面的优点，遥感技术能够支撑作物类型的准确、快速识别，主要是采用遥感分类方法，分析光谱、物候、空间等特征以及解析农学机理，将不同作物、其它类别地物进行区分的过程。遥感识别分类方法和特征的提取将直接影响作物识别的精度，需要工作量较大的人工干预，如手工提取特征，难以实现自动分类；难以提取到深层次的特征，提取特征都为层次较低的单一或少量的浅层特征，造成模型表征能力不足。

随着技术的进步，出现了神经网络在图像处理领域的应用；深度卷积神经网络(Deep Convolutional Neural Networks,DCNN,也称CNN)由于具有“端对端”、可提取深层特征等特性，能够克服传统分类方法的众多缺点。免去手工提取特征的操作，实现“端到端”的分类；能够自动、高效地提取深层的大量特征，具有很强的处理复杂分类问题的能力和很好的鲁棒性，在遥感影像分类领域得到了大量应用。

深度学习最初的动机是建立并模拟人脑进行学习分析。作为深度学习领域的重要内容，深度卷积神经网络能够将特征提取和分类这两个过程合并，实现“端对端”的图像识别；因其独特的卷积层、池化层等结构，使得深度卷积神经网络拥有“局部感知”、“权值共享”、“下采样”的特点。与传统的机器学习方法相比，深度卷积神经网络具有“端对端”的特性，可以免去手工提取特征的操作，够提取深层特征，具有很强的处理复杂分类问题的能力、鲁棒性，还具有出色的泛化能力。

在遥感识别任务中，深度卷积神经网络通过多个隐层对地物特征进行逐步提取，在此过程中，特征的层次逐渐加深，最终能提取到具有强大表征能力的地物深层特征，因此能够提高目标地物识别的精度。

但是，目前多数应用CNN于农业遥感领域的研究中，采用的模型多为模块单一、支路单一的较为简单的结构，由于连续的下采样操作，提取到深层特征缺乏细节信息，也鲜有对模型进行有针对性地设计去实现不同层次、不同类别的多特征提取，尤其缺乏对细节特征的关注，在农业景观复杂地区还存在局限性；因此，针对农业景观破碎地区的细碎地物的遥感识别并不适用。

发明内容

鉴于上述情况，本发明提出了一种适用于景观破碎区作物类型遥感识别的方法及系统，可解决传统分类方法的缺点和结构简单、模块单一的CNN模型在地块破碎地区的局限性问题。

为实现上述目的，本发明采取的技术方案为：

第一方面，本发明实施例提供一种适用于景观破碎区作物类型遥感识别的方法，包括以下步骤：

根据作物物候特征获取目标区域的遥感影像，进行数据预处理；

基于耕地数据计算所述目标区域破碎度并按破碎度指标进行分区；

利用SVM算法完成对各破碎度分区的遥感影像初步分类，并结合所述耕地数据完成作物类型样本标定，获得耕地地块内仅包含一种作物类型的样本数据；

从所述各破碎度分区中分别随机抽选相同数量的样本数据，构建作物类型训练样本集；