融合SAR和光学影像的田块级作物提取方法

本发明属于农业遥感，具体而言，涉及融合sar和光学影像的田块级作物提取方法。

背景技术：

1、精准的农地使用情况信息对合理种植作物品类、提高农地利用率、保障粮食安全具有重要意义，传统的农业监测方法如人工调查、航空摄影等，存在效率低、成本高、周期长等问题。随着高时空分辨遥感数据和信息技术的发展，农业的信息化迫切需要解决如何及时获取高精度的田块尺度作物空间分布信息的难题。

2、季节性是作物最突出的特征之一，每类作物的物候演变产生了独特的光谱反射率时间分布。随着遥感技术的发展出现了许多不同空间分辨率的影像数据，其带有丰富的光谱信息，可以快速获取地表信息，因此多时相遥感数据成为监测作物生长动态并对其进行分类的有效数据源。

3、目前，基于机器学习的作物识别方法，主要依赖于光学图像特征提取、数据融合等过程，而光学图像因云雾等干扰产生的无效像素，导致无法实现高精度田块尺度制图。

技术实现思路

1、为了解决上述技术问题，本发明提供融合sar和光学影像的田块级作物提取方法，包括：

2、收集sar遥感影像数据、光学遥感影像数据、地面作物样本数据与田块数据；

3、对sar遥感影像数据的振幅像元信息进行滤波处理，经过坐标转换后进行重采样；

4、根据光学遥感影像数据计算遥感指数数据，利用遥感指数数据增强光学遥感影像特征，对增强影像特征后的光学遥感影像进行去云处理，经过坐标转换后进行重采样；

5、对重采样后的sar遥感影像数据、光学遥感影像数据与田块数据进行叠加配准后裁剪切片处理，建立影像融合网络训练所需的样本数据集；

6、以生成对抗网络为基准，利用样本数据集中的数据对生成对抗网络进行训练，得到基于sar遥感影像数据与光学数据的融合影像的融合学习生成网络；

7、利用融合学习生成网络根据样本数据集生成sar遥感影像数据与光学遥感影像数据的融合数据集；

8、根据sar遥感影像数据与光学遥感影像数据的融合数据集以及田块数据，构建田块提取语义分割网络模型，通过田块提取语义分割网络模型学习田块特征信息，得到田块提取语义分割网络；

9、利用田块提取语义分割网络提取田块信息，得到田块掩膜区域；

10、利用样本数据集中的数据，对田块掩膜区域的作物进行监督学习，得到作物分类结果。

11、在上述技术方案的基础上，本发明还可以做如下改进。

12、进一步，sar遥感影像数据为作物生育期内的sent i ne l-1grd振幅影像数据，扫描模式为i w，极化方式为vv极化；光学遥感影像数据为sent i ne l-2ms i l2a光学影像数据的若干个光谱波段数据；所述田块数据为田块分布的标签栅格数据；地面作物样本数据为包含经纬度信息和作物类型的地面样本点。

13、进一步，遥感指数数据包括归一化植被指数ndvi、叶绿素植被指数gcvi、地表水分指数lswi、归一化建筑指数ndbi、流苏帽亮度系数tcb与修正归一化差值水体指数mndwi；

14、根据遥感指数数据对光学遥感影像数据进行去云处理，包括：使用去云算法通过暗像素进行云投影制作云掩膜进行去云处理，并设定固定的时间域与时间步，在时间域与时间步内进行中值合成，减少因去云算法产生的空洞值。

15、进一步，对重采样后的sar遥感影像数据、光学遥感影像数据与田块数据进行叠加配准后裁剪切片处理，建立样本数据集，包括：

16、设置切片影像大小，保留设定比例重叠像素进行矩形滑窗切片，设nw为影像切片行数，nh为影像切片列数，width为影像长度，height为影像宽度，clipx为影像切片像素长度，clipy为影像切片像素宽度，stepx为相邻切片重叠像素大小，stepy为相邻切片重叠像素大小，则影像切片公式为：

17、

18、

19、设最终切片行数为nwend，最终切片列数为nhend，通过添加反向滑窗第一切片以保留数据完整性，扩充切片计算公式为：

20、nwend＝math.floor(nw)+1；

21、nhend＝math.floor(nh)+1。

22、进一步，融合学习生成网络为fgan网络；该fgan网络包括两个分支架构，每个分支架构以unet模型为基准，对特征提取网络进行修改，以2层核大小为5×5的二维卷积提取低维语义信息后，叠加3个核大小为3×3的多层卷积获取不同尺度的特征图；引入aspp空间金字塔池化结构获取若干尺度的特征图后通过4个核大小为1×1的catconv2d卷积叠加相同尺度异源通道进行卷积，再添加cbam注意力机制来提高重要通道特征的权重，最后通过上采样叠加后卷积学习多尺度特征，还原影像大小。

23、进一步，fgan网络利用pathgan多块判别器对影像分块进行扩充判别；在判别器中使用ssim损失函数，根据亮度、对比度和结构信息，计算影像之间的相似度。

24、进一步，利用样本数据集中的数据，对田块掩膜区域的作物进行监督学习，得到作物分类结果，包括：基于田块掩膜区域对作物样本集合进行样本清洗后，对输入数据进行不同的波段组合后，使用xgboost梯度提升树模型进行田块级作物分类训练预测，选取整体分类精度和kappa系数对作物整体分类精度进行评价，选择分类精度最高的波段组合对田块掩膜区域进行作物分类制图。

25、进一步，设tn表示正确分类背景地物像元数量，tp表示正确分类目标地物像元数量，fn表示误分目标地物为背景地物像元数量，fp表示误分背景地物为目标地物像元数量，oa表示整体分类精度,pe表示所有地物实际与预测数量的乘积之和与样本总量平方的商，则：

26、

27、

28、

29、本发明的有益效果是：本发明通过融合sar遥感影像数据与光学影像数据，利用密集时间序列遥感影像在田块作物提取过程中实现高效、高精度制图。

技术特征：

1.融合sar和光学影像的田块级作物提取方法，其特征在于，包括：

2.根据权利要求1所述融合sar和光学影像的田块级作物提取方法，其特征在于，sar遥感影像数据为作物生育期内的sentinel-1grd卫星数据，扫描模式为iw，极化方式为vv极化；光学遥感影像数据为sentinel-2msi l2a卫星数据的若干个光谱波段数据；所述田块数据为田块分布标签栅格数据；地面作物样本数据为包含经纬度信息和作物类型的地面样本点。

3.根据权利要求1所述融合sar和光学影像的田块级作物提取方法，其特征在于，遥感指数数据包括归一化植被指数ndvi、叶绿素植被指数gcvi、地表水分指数lswi、归一化建筑指数ndbi、流苏帽亮度系数tcb与修正归一化差值水体指数mndwi；

4.根据权利要求1所述融合sar和光学影像的田块级作物提取方法，其特征在于，对重采样后的sar遥感影像数据、光学遥感影像数据与田块数据进行叠加配准后裁剪切片处理，建立融合影像的样本数据集，包括：

5.根据权利要求1所述融合sar和光学影像的田块级作物提取方法，其特征在于，融合学习生成网络为fgan网络；该fgan网络包括两个分支架构，每个分支架构以unet模型为基准，对特征提取网络进行修改，以2层核大小为5×5的二维卷积提取低维语义信息后，叠加3个核大小为3×3的多层卷积获取不同尺度的特征图；引入aspp空间金字塔池化结构获取若干尺度的特征图后通过4个核大小为1×1的catconv2d卷积叠加相同尺度异源通道进行卷积，再添加cbam注意力机制来提高重要通道特征的权重，最后通过上采样叠加后卷积学习多尺度特征，还原影像大小。

6.根据权利要求5所述融合sar和光学影像的田块级作物提取方法，其特征在于，fgan网络利用pathgan多块判别器对影像分块进行扩充判别；在判别器训练过程中使用ssim损失函数，根据亮度、对比度和结构信息，计算影像之间的相似度。

7.根据权利要求1所述融合sar和光学影像的田块级作物提取方法，其特征在于，利用样本数据集中的数据，对田块掩膜区域的作物进行监督学习，得到作物分类结果，包括：基于田块掩膜区域对作物样本集合进行样本清洗后，对输入数据进行不同的波段组合后，使用xgboost梯度提升树模型进行田块级作物分类训练预测，选取整体分类精度和kappa系数对作物整体分类精度进行评价，选择分类精度最高的波段组合对田块掩膜区域进行作物分类制图。

8.根据权利要求7所述融合sar和光学影像的田块级作物提取方法，其特征在于，设tn表示正确分类背景地物像元数量，tp表示正确分类目标地物像元数量，fn表示误分目标地物为背景地物像元数量，fp表示误分背景地物为目标地物像元数量，oa表示整体分类精度,pe表示所有地物实际与预测数量的乘积之和与样本总量平方的商，则：

技术总结本发明属于农业遥感技术领域，涉及融合SAR和光学影像的田块级作物提取方法，包括：SAR遥感影像数据、光学遥感影像数据、地面作物样本数据与田块数据；滤波处理；去云处理；叠加配准后裁剪切片处理，建立融合影像的样本数据集；得到基于SAR遥感影像数据与光学遥感数据的融合影像的融合学习生成网络；生成融合数据集；构建田块提取语义分割网络模型，得到田块识别语义分割网络；利用田块识别语义分割网络提取田块信息，得到田块掩膜区域；对田块掩膜区域的作物进行监督学习，得到作物分类结果。本发明通过融合SAR遥感影像数据与光学影像数据，利用密集时间序列遥感影像在田块作物提取过程中实现高效、高精度制图。技术研发人员：赵红伟,王磊,刘佳,吴文斌受保护的技术使用者：中国农业科学院农业资源与农业区划研究所技术研发日：技术公布日：2024/7/29