开云优惠体育网页版入口

专利名称：一种基于时间序列特征的遥感农作物自动分类方法

专利类型：发明专利

专利申请号：CN202111252978.3

专利申请（专利权）人：辽宁工程技术大学
权利人地址：辽宁省阜新市细河区中华路47号

专利发明（设计）人：发明人:帅艳民,吴昊,宁可欣,曹樱馨

专利摘要：本发明公开了一种基于时间序列特征的遥感农作物自动分类方法，涉及卫星遥感信息提取领域，本发明通过构建反映多种农作物季相节律的时间序列先验知识库、构建时间序列光谱数据集、春播一季农作物提取模型构建、农作物间精细分类模型构建，自动批处理遥感数据形成时间序列数据集，自动匹配待分类样本和分类目标特征和特征加权，实现农作物的自动分类，本发明能有效避免其他方法在扩展分类模型到其他年份或研究区时需要重新训练模型的缺点，有效提高了农作物提取的自动化程度。

主权利要求：
1.一种基于时间序列特征的遥感农作物自动分类方法，其特征在于：分为以下步骤：步骤1：构建时间序列先验知识库；
步骤2：构建时间序列光谱数据集；
步骤3：春播一季农作物提取模型构建；
步骤4：农作物间精细分类模型构建；
所述步骤4的具体过程为：农作物间精细分类模型采用：ナ舳饶Ｐ头祷卮掷嘌竞湍勘昀啾鸺涞奶染卣，使用基于分离系数的特征加权模型突出高分离性特征，完成农作物分类，具体步骤如下：步骤4.1：匹配时间序列特征数据集；
记xk(v,d)为时间序列光谱数据集中像元k的光谱数值，对所有像元匹配参考数据集中数据；
步骤4.2：生成对参考地类的时间隶属度矩阵；
sik(v,d)是像素k在时间d、指数v对参考农作物类别i的隶属度，如公式（11）所示；
其中，xk代表像元k的特征值， 为目标地类i在参考数据集中的特征均值， 为目标地类i在参考数据集中的特征均方差；
步骤4.3：隶属度加权和决策；
使用归一化的加权系数矩阵对隶属度矩阵加权求和，当像元k对样本库中地类i的贴近度pik最大时则将像素k划分到类别i中，归一化加权系数和加权矩阵SIp和贴近度pik计算公式如下：（12）
（13）
其中，SIp(v,d)为在时间d、光谱特征v的权值，SI(v,d)为在时间d、光谱特征v的分离系数，SIp是具有v*d个元素的二维矩阵，sik(v,d)是像素k在时间d、光谱特征v对参考农作物类别i的隶属度；
步骤4.4：使用验证样本验证分类结果；
步骤4.5：输出分类结果。
2.如权利要求1所述的基于时间序列特征的遥感农作物自动分类方法，其特征在于：所述步骤1的具体过程分为以下步骤：步骤1.1：使用MODIS地表反射率产品获取多类农作物样本的反射率数据集；
步骤1.2：剔除数据集中存在缺少观测或异常数据；
包括去除反射率数值为填充值或蓝光波段反射率大于设定阈值 的样本数据；
步骤1.3：计算时间序列光谱指数；
光谱指数计算如公式（1）?（5）所示：
(1)
(2)
(3)
(4)
(5)
其中，B1?B7分别代表MODIS中Band1?Band7的地表光谱反射率，NDVI表示归一化植被指数?NormalizedDifferencedVegetationIndex，EVI表示增强型植被指数?TheEnhancedVegetationIndex，MIDBRI表示双中红外光谱指数?Mid?IRBi?spectralIndex，NBR表示归一化火烧指数?NormalizedBurnRatio，NDSVI表示归一化耕种指数?NormalizedDifferenceSenescentVegetationIndex；
步骤1.4：构建时间序列分离系数（SI）矩阵；
分离系数用于标示作物间的特征可分离程度，并用于时间序列加权模型，分类目标个数 2时的分离系数 SI计算如公式（6）所示：(6)
分类目标个数＞2时的分离系数 计算如公式（7）所示：(7)
其中，v表示光谱特征，包括光谱反射率和光谱指数，d代表DOY，即dayofyear，某年1月1日?12月31日分别对应DOY1?365，i和j代表目标地类， 表示参考数据集中i类别的特征均值， 表示参考数据集中j类别的特征均值， 表示参考数据集中i类别的特征标准差，表示参考数据集中i类别的特征标准差；
步骤1.5：构建时间序列先验知识库；
时间序列先验知识库包括多种农作物的时间序列光谱特征及多种农作物间的分离系数矩阵。
3.如权利要求1所述的基于时间序列特征的遥感农作物自动分类方法，其特征在于：步骤1中所述的时间序列光谱特征包含光谱反射率和光谱指数。
4.如权利要求1所述的基于时间序列特征的遥感农作物自动分类方法，其特征在于：所述步骤2的具体过程分为以下步骤：步骤2.1：通过USGS官网获取所需地表原始数据；
步骤2.2：整理覆盖研究区的地表原始数据，筛选图幅云量低于设定阈值 或图幅存在大于设定阈值 连续碧空斑块的数据加入本地数据库；
步骤2.3：在本地数据库检索覆盖输入矢量范围的图像，对同时地表原始数据进行地理配准处理；
步骤2.4：对同时相的多幅影像完成拼接处理，深色区域为多幅影像重叠区域，该区域取多幅影像有效均值；
步骤2.5：按输入矢量边界，对拼接后的全波段图像完成裁剪；
步骤2.6：使用数据的云波段，掩膜去除拼接后图像的云、卷云区域，被云掩膜的区域被赋为空值，将不参与之后的波段运算；
步骤2.7：重复步骤2.2到2.6，直到所有时相的数据完成拼接、裁剪、去云和云掩膜过程；
步骤2.8：通过公式（1）?（5）计算与时间序列先验知识库匹配的光谱数据集。
5.如权利要求1所述的基于时间序列特征的遥感农作物自动分类方法，其特征在于：步骤2中所述的光谱数据集包含光谱波段和光谱指数波段。
6.如权利要求1所述的基于时间序列特征的遥感农作物自动分类方法，其特征在于：所述步骤3的具体过程为：基于时间序列先验知识库，提取目标区域内春播一季农作物种植区，使用经验阈值 和动态阈值 分别进行稀疏植被掩膜、自然植被掩膜、一季作物“绿起期”判断和一季作物成熟期判断，分为以下步骤：步骤3.1：使用时间序列EVI进行系数植被掩膜，剔除在农作物生育期内EVI最大值小于设定阈值 的像元；
步骤3.2：使用时间序列EVI进行自然植被掩膜；
定义春播一季作物稳态区间DOYs1?s2，s1、s2表示春播一季作物稳态区间设定时间的起止， 定义如下：(8)
其中， 为时间序列光谱数据集的EVI在时间范围s1?s2内的最大值，为时间序列光谱数据集的EVI在时间范围s1?s2内的最小值；
剔除第一稳态区间内有效时相的EVI均值大于设定阈值 或EVI最大变化值大于设定阈值 的像元；
步骤3.3：使用时间序列EVI进行春播一季作物的“绿起期”判断；
(9)
其中， 为时间序列光谱数据集的EVI在时间范围s3?s4内的最大值，为时间序列光谱数据集的EVI在时间范围s3?s4内的最小值，c1为DOYs3?s4内时间序列光谱数据集的有效覆盖时间范围与DOYs3?s4总时间范围的比值，定义DOYs3?s4内满足 大于设定阈值 为春播一季作物“绿起期”，剔除不满足判断条件的像元；
步骤3.4：使用时间序列EVI进行春播一季作物的成熟期判断；
(10)
其中， 为时间序列光谱数据集的EVI在时间范围s5?s6内的最大值，为时间序列光谱数据集的EVI在时间范围s5?s6内的最小值，c2为DOYs5?s6内时间序列光谱数据集有的效覆盖时间范围与DOYs5?s6总时间范围的比值，DOYs5?s6内满足 大于设定阈值 为春播一季作物的成熟期的特征，剔除不满足判断条件的像元。 说明书 : 一种基于时间序列特征的遥感农作物自动分类方法技术领域[0001] 本发明涉及卫星遥感信息提取领域，特别涉及一种基于时间序列特征的遥感农作物自动分类方法。背景技术[0002] 农作物分类专题地图是农业遥感应用的重要基础数据，及时、准确地获取区域尺度的农作物种植类别和空间分布对农作物产量估计、农业生产管理和农业政策制定等至关重要。从美国在上世纪80年代率先开展小麦面积监测以来，快速发展的传感器技术和不断积累中高分辨率数据，使得通过卫星遥感技术获取高精度的农作物分类情况成为可能。当前卫星遥感数据已经成为大范围农作物监测的最主要信息源之一。[0003] 早期开展的农作物分类工作通常使用单一时相的遥感影像数据，但单一时相内不同农作物通常表现出相似的光谱特征，故分类精度通常不高。较单一时相遥感观测的分类方法，基于多时相遥感观测的分类方法引入了时间信息，有效利用了不同作物的季相节律特征，因而有效提高了农作物分类精度。目前，监督分类法是最常用的多时相作物分类方法，如决策树分类法、支持向量机、随机森林法以及基于深度学习的分类方法等。但这些方法在多年际、大区域尺度农作物分类时，通常需要大量地面样本重复训练模型，分类的自动化程度仍有待提高。[0004] 时间序列指同一指标参数按照时间顺序排列而成的有序数列。基于时间序列的遥感数据能有效表达作物的生理特征和物候特征，因而时间序列分类方法在提高作物识别精度和提高分类自动化程度上具有较大潜力。发明内容[0005] 针对现有技术的不足，提出一种基于时间序列特征的遥感农作物自动分类方法，能有效批量处理卫星遥感影像，通过构建时间序列先验知识库自动匹配分类使用的时间序列特征，以达到农作物自动分类的目的，分为以下步骤：[0006] 步骤1：构建时间序列先验知识库；[0007] 步骤2：构建时间序列光谱数据集；[0008] 步骤3：春播一季农作物提取模型构建；[0009] 步骤4：农作物间精细分类模型构建；[0010] 所述步骤1的具体过程分为以下步骤：[0011] 步骤1.1：使用MODIS地表反射率产品获取多类农作物样本的反射率数据集；[0012] 步骤1.2：剔除数据集中存在缺少观测或异常数据；[0013] 包括去除反射率数值为填充值或蓝光波段反射率大于设定阈值θ1的样本数据；[0014] 步骤1.3：计算时间序列光谱指数；[0015] 光谱指数计算公式如下：[0016][0017][0018] MIDBRI＝10×B7?9.8×B6+2(3)[0019][0020][0021] 其中，B1?B7分别代表MODIS中的7个波段(Band1?Band7)的地表光谱反射率，NDVI表示归一化植被指数(NormalizedDifferencedVegetationIndex)，EVI表示增强型植被指数(TheEnhancedVegetationIndex)，MIDBRI表示双中红外光谱指数(Mid?IRBi?spectralIndex)，NBR表示归一化火烧指数(NormalizedBurnRatio)，NDSVI表示归一化耕种指数(NormalizedDifferenceSenescentVegetationIndex)；[0022] 步骤1.4：构建时间序列分离系数矩阵(SI)；[0023] 分离系数用于标示作物间的特征可分离程度，并用于时间序列加权模型，分类目标个数为2时的分离系数SIij(v,d)计算如公式(6)所示：[0024][0025] 分类目标个数＞2时，计算所有SIij的均值SIave作为分离系数矩阵SI，其计算如公式(7)所示：[0026][0027] 其中，v表示光谱特征，包括光谱反射率和光谱指数，d代表DOY(dayofyear，某年1月1日?12月31日分别对应DOY1?365)，i和j代表目标地类，μi表示参考数据集中i类别的特征均值，μj表示参考数据集中j类别的特征均值，σi表示参考数据集中i类别的特征标准差，σj表示参考数据集中j类别的特征标准差，SIij和SIave是具有v*d个元素的二维矩阵，SIij(v,d)是目标地类i和j在光谱特征v，时间d上的分离系数，n是目标分类作物类别数，M为目标分类作物间SI的数量；[0028] 步骤1.5：构建时间序列先验知识库；[0029] 时间序列先验知识库包括多种农作物的时间序列光谱特征及多种农作物间的分离系数矩阵；[0030] 步骤1中所述的时间序列光谱特征包含光谱反射率和光谱指数；[0031] 所述步骤2的具体过程分为以下步骤：[0032] 步骤2.1：通过USGS官网获取所需地表原始数据；[0033] 步骤2.2：整理覆盖研究区的地表原始数据，筛选图幅云量低于设定阈值θ2或图幅存在大于设定阈值θ3连续碧空斑块的数据加入本地数据库；[0034] 步骤2.3：在本地数据库检索覆盖输入矢量范围的图像，对同时相地表原始数据进行地理配准处理；[0035] 步骤2.4：对同时相的多幅影像完成拼接处理，多幅影像重叠区域取多幅影像有效均值；[0036] 步骤2.5：按输入矢量边界，对拼接后的全波段图像完成裁剪；[0037] 步骤2.6：使用数据的云波段，掩膜去除拼接后图像的云、卷云区域，被云掩膜的区域被赋为空值，将不参与之后的波段运算；[0038] 步骤2.7：重复步骤2.2到2.6，直到所有时相的数据完成拼接、裁剪、去云和云掩膜过程；[0039] 步骤2.8：通过公式(1)?(5)计算与时间序列先验知识库匹配的光谱数据集；[0040] 步骤2中所述的光谱数据集包含光谱波段和光谱指数波段；[0041] 所述步骤3的具体过程为：基于时间序列先验知识库，提取研究区内春播一季农作物种植区，使用经验阈值θ4和动态阈值θ5分别进行稀疏植被掩膜、自然植被掩膜、一季作物“绿起期”判断和一季作物“成熟期”判断，分为以下步骤：[0042] 步骤3.1：使用时间序列EVI进行系数植被掩膜，剔除在农作物生育期内EVI最大值小于设定阈值θ6的像元；[0043] 步骤3.2：使用时间序列EVI进行自然植被掩膜；[0044] 定义春播一季作物稳态区间DOYs1?s2，s1、s2表示春播一季作物稳态区间设定时间的起止，ΔEVIDOYs1?s2定义如下：[0045][0046] 其中，maxEVIDOYs1?s2为时间序列光谱数据集的EVI在时间范围s1?s2内的最大值，minEVIDOYs1?s2为时间序列光谱数据集的EVI在时间范围s1?s2内的最小值，剔除第一稳态区间内有效时相的EVI均值大于设定阈值θ7或EVI最大变化值ΔEVIDOYs1?s2大于设定阈值θ8的像元；[0047] 步骤3.3：使用时间序列EVI进行春播一季作物的“绿起期”判断；[0048] ΔEVIDOYs3?s4＝(maxEVIDOYs3?s4?minEVIDOYs3?s4)×c1(9)[0049] 其中，maxEVIDOYs3?s4为时间序列光谱数据集的EVI在时间范围s3?s4内的最大值，minEVIDOYs3?s4为时间序列光谱数据集的EVI在时间范围s3?s4内的最小值，c1为DOYs3?s4内时间序列光谱数据集有效覆盖时间范围与DOYs3?s4总时间范围的比值，定义DOYs3?s4内满足ΔEVIDOYs3?s4大于设定阈值θ9为春播一季作物“绿起期”，剔除不满足判断条件的像元；[0050] 步骤3.4：使用时间序列EVI进行春播一季作物的“成熟期”判断；[0051] ΔEVIDOYs5?s6＝(maxEVIDOYs5?s6?minEVIDOYs5?s6)×c1(10)[0052] 其中，maxEVIDOYs5?s6为时间序列光谱数据集的EVI在时间范围s5?s6内的最大值，minEVIDOYs5?s6为时间序列光谱数据集的EVI在时间范围s5?s6内的最小值，c2为DOYs5?s6内时间序列光谱数据集有的效覆盖时间范围与DOYs5?s6总时间范围的比值，DOYs5?s6内满足ΔEVIDOYs5?s6大于设定阈值θ10为具有春播一季作物的“成熟期”的特征，剔除不满足判断条件的像元；[0053] 所述步骤4的具体过程为：农作物间精细分类模型采用：ナ舳饶Ｐ头祷卮掷嘌竞湍勘昀啾鸺涞奶染卣，使用基于分离系数的特征加权模型突出高分离性特征，完成农作物分类，具体步骤如下：[0054] 步骤4.1：匹配时间序列特征数据集；[0055] 记xk(v,d)为时间序列光谱数据集中像元k的光谱数值，对时间序列光谱数据集内所有像元匹配参考数据集中数据；[0056] 步骤4.2：生成对参考地类的时间隶属度矩阵；[0057] sik(v,d)是像素k在时间d、光谱特征v对参考农作物类别i的隶属度如公式(11)所示：[0058][0059] 其中，xk代表像元k的特征值，μi为目标地类i在参考数据集中的特征均值，σi为目标地类i在参考数据集中的特征均方差；[0060] 步骤4.3：隶属度加权和决策；[0061] 使用归一化的加权系数矩阵对隶属度矩阵加权求和，当像元k对样本库中地类i的贴近度pik最大时则将像素k划分到类别i中，归一化加权系数和加权矩阵SIp和贴近度pik计算公式如下：[0062][0063][0064] 其中，SIp(v,d)为在时间d、光谱特征v的权值，SI(v,d)为在时间d、光谱特征v的分离系数，SIp是具有v*d个元素的二维矩阵，sik(v,d)是像素k在时间d、光谱特征v对参考农作物类别i的隶属度；[0065] 步骤4.4：使用验证样本验证分类结果；[0066] 步骤4.5：输出分类结果。[0067] 有益技术效果[0068] 本发明提供了一种基于时间序列特征的遥感农作物自动分类方法。通过构建反映多种农作物季相节律的时间序列先验知识库，自动批处理遥感数据形成时间序列数据集，自动匹配待分类样本和分类目标特征和特征加权，实现农作物的自动分类。能有效避免其他方法在扩展分类模型到其他年份或研究区时需要重新训练模型的缺点，有效提高了农作物提取的自动化程度。附图说明[0069] 图1为本发明实施例提供的基于时间序列特征的遥感农作物自动分类方法技术流程图；[0070] 图2为本发明实施例提供的示例研究区内Landsat数据可用情况示意图；[0071] 图3为本发明实施例提供的构建时间序列光谱数据集流程图；[0072] 图4为本发明实施例提供的输入卫星影像处理前后对比图示意图；[0073] 图5为本发明实施例提供的构建的示例研究区内Landsat时间序列光谱数据集示意图；[0074] 图6为本发明实施例提供的时间序列先验知识库时间序列特征示意图；[0075] 图7为本发明实施例提供的使用的玉米和水稻的间的分离系数矩阵图；[0076] 图8为本发明实施例提供的输出的分类栅格专题图和分类矢量专题图。具体实施方式[0077] 下面结合实施附图对本发明做进一步说明；[0078] 本发明实施例中，一种基于时间序列特征的遥感农作物自动分类方法，如图1所示，包括以下步骤：[0079] 步骤1：使用MODIS地表反射率产品构建时间序列先验知识库，具体步骤如下：[0080] 步骤1.1：使用MODISMCD43A4地表反射率产品获取多地类农作物样本的地表反射率，MCD43A4产品能提供全球范围500m分辨率的每日地表反射率；[0081] 步骤1.2：剔除数据集中存在缺少观测或异常数据，具体包括去除反射率数值为填充值(32767)的或蓝光波段反射率大于0.1的样本数据；[0082] 步骤1.3：计算样本数据光谱指数；[0083] 光谱指数计算公式如下：[0084][0085][0086] MIDBRI＝10×B7?9.8×B6+2(3)[0087][0088][0089] 其中，B1?B7分别代表MODIS中的7个波段(Band1?Band7)的地表光谱反射率，NDVI表示归一化植被指数(NormalizedDifferencedVegetationIndex)，EVI表示增强型植被指数(TheEnhancedVegetationIndex)，MIDBRI表示双中红外光谱指数(Mid?IRBi?spectralIndex)，NBR表示归一化火烧指数(NormalizedBurnRatio)，NDSVI表示归一化耕种指数(NormalizedDifferenceSenescentVegetationIndex)；[0090] 表1MODIS和Landasat?8波段对应关系表[0091]Landsat8OLI(μm) MODISMCD43A4(μm)Band2Blue(0.45?0.51) Band3Blue(0.45?0.51)Band3Green(0.53?0.59) Band4Green(0.53?0.59)Band4Red(0.64?0.67) Band1Red(0.64?0.67)Band5NIR(0.85?0.88) Band2NIR(0.85?0.88) Band5MIR(1.23?1.25)Band6SWIR1(1.57?1.65) Band6SWIR1(1.57?1.65)Band7SWIR2(2.11?2.29) Band7SWIR2(2.11?2.29)[0092] 步骤1.4：构建时间序列分离系数(SI)矩阵；[0093] 分离系数用于标示作物间的特征可分离程度，并用于时间序列加权模型，SI计算公式如下：[0094][0095] 分类目标个数＞2时，计算所有SIij的均值SIave作为分离系数矩阵SI，其计算如公式(7)所示：[0096][0097] 其中v为MODIS参考数据集中的光谱特征，包括光谱反射率和光谱指数，d代表DOY，i和j代表目标地类，μi表示参考数据集中i类别的特征均值，μj表示参考数据集中j类别的特征均值，σi表示参考数据集中i类别的特征标准差，σj表示参考数据集中j类别的特征标准差，SIij和SIave是具有v*d个元素的二维矩阵，SIij(v,d)是目标地类i和j在光谱特征v，时间d上的分离系数，n是目标分类作物类别数，M为目标分类作物间SI的数量；[0098] 步骤1.5：时间序列先验知识库包括多种农作物的时间序列光谱特征及多种农作物间的分离系数矩阵，时间序列光谱特征包含光谱反射率和光谱指数；[0099] 步骤2：构建时间序列光谱数据集；[0100] 对输入的Landsat?8OLICollection2L2A(LC08)级地表反射率数据进行批量拼接、裁剪、云掩膜，针对作物物候特性计算多种光谱指数，获得目标年份研究区内的完整时间序列数据集，处理流程如图3所示；[0101] 步骤2.1：通过USGS官网获取所需地表原始数据；[0102] 步骤2.2：整理覆盖研究区的LC08反射率数据，筛选图幅云量低于50％或图幅存在大于10％连续碧空斑块的数据加入本地数据库，图2为本发明示例研究区内Landsat数据可用情况示意图，颜色越深代表本地数据库内有效时相越多；[0103] 步骤2.3：在本地数据库检索覆盖输入矢量范围的图像，对同时相LC08数据进行地理配准处理(图3?a)；[0104] 步骤2.4：对同时相的多幅影像完成拼接处理，如图3?b所示，深色区域为多幅影像重叠区域，该区域取多幅幅影像有效均值；[0105] 步骤2.5：按输入矢量边界，对拼接后的全波段图像完成裁剪(图3?c)；[0106] 步骤2.6：使用数据的云波段，掩膜去除拼接后图像的云、卷云区域，图4为某示例时相影像拼接、裁剪、去云前后对比图，被云掩膜的区域被赋为空值，将不参与之后的波段运算；[0107] 步骤2.7：重复步骤2?2到2?6，直到所有时相的数据完成拼接、裁剪、去云和云掩膜过程，图5为示例研究区的时间序列数据库示意图，图中每个单元格代表时序数据库的一个时相，黑色区域代表空值区域；[0108] 步骤2.8：通过公式(1)?(5)计算与时间序列先验知识库匹配的光谱数据集，光谱数据集包含光谱波段和光谱指数波段，计算公式(1)?(5)中的B1?B7是与MODIS波段1?7对应的Landsat地表反射率波段(见表1)，从而获得包含6个光谱波段，5个光谱指数波段的光谱数据集(图3?d)；[0109] 步骤3：春播一季农作物提。籟0110] 基于时间序列构建的先验知识库，提取研究区内春播一季农作物种植区，该部分使用经验阈值和动态阈值分别进行稀疏植被掩膜、自然植被掩膜、一季作物“绿起期”判断和一季作物“成熟期”判断，具体步骤如下：[0111] 步骤3.1：使用时间序列EVI进行系数植被掩膜，剔除在农作物生育期内EVI最大值小于0.5的像元；[0112] 步骤3.2：使用时间序列EVI进行自然植被掩膜；[0113] 定义DOY80?155为春播一季作物稳态区间，剔除第一稳态区间内有效时相的EVI均值大于0.3或EVI最大变化值ΔEVIDOY80?155大于0.2的像元，ΔEVIDOY80?155定义如下：[0114][0115] 其中，maxEVIDOY80?155为时间序列光谱数据集的EVI在DOY80?155内的最大值，minEVIDOY80?155为时间序列光谱数据集的EVI在DOY80?155内的最小值；[0116] 步骤3.3：使用时间序列EVI进行春播一季作物的“绿起期”判断；[0117] 定义DOY150?210内满足ΔEVIDOY150?210大于0.6为春播一季作物“绿起期”，剔除不满足判断条件的像元，ΔEVIDOY150?210计算公式如下：[0118] ΔEVIDOY150?210＝(maxEVIDOY150?210?minEVIDOY150?210)×c1(9)[0119] 其中，maxEVIDOY150?210为时间序列光谱数据集的EVI在DOY150?210内的最大值，maxEVIDOY150?210为时间序列光谱数据集的EVI在DOY150?210内的最小值，c1为DOY150?210内LC08有效覆盖时间范围与DOY150?210总时间范围的比值；[0120] 步骤3.4：使用时间序列EVI进行春播一季作物的“成熟期”判断，定义DOY210?310内满足ΔEVIDOY210?310大于0.6为春播一季作物的“成熟期”，剔除不满足判断条件的像元；[0121] ΔEVIDOY210?310＝(maxEVIDOY210?310?minEVIDOY210?310)×c2(10)[0122] 其中，maxEVIDOY210?310为时间序列光谱数据集的EVI在DOY210?310内的最大值，maxEVIDOY210?310为时间序列光谱数据集的EVI在DOY210?310内的最小值，c2为DOY210?310内LC08有效覆盖时间范围与DOY210?310总时间范围的比值；[0123] 步骤4：农作物间精细分类；[0124] 农作物间精细分类模型采用：ナ舳饶Ｐ头祷卮掷嘌竞湍勘昀啾鸺涞奶染卣，使用基于分离系数的特征加权模型突出高分离性特征，完成农作物分类，具体步骤如下：[0125] 步骤4.1：匹配时间序列特征数据集，记xk(v,d)为LC08数据中像元k的光谱数值，对LC08时间序列光谱数据集内所有像元匹配参考数据集中数据，MODIS和Landsat波段对应关系见表1，图6本发明构建的时间序列先验知识库时间序列特征示意图，图中坐标横轴代表年内时间顺序DOY，竖轴代表上述波段和指数，实线代表时序特征均值，实线上下浮动范围为时间序列特征均方差，点状图为LC08时间序列光谱数据内某水稻和玉米样点和参考数据集的匹配结果；[0126] 步骤4.2：生成对参考地类的时间隶属度矩阵，其中隶属度计算公式如下，其中sik(v,d)是像素k在时间d、光谱特征v对参考农作物类别i的隶属度，xk代表像元k的特征值，μi为目标地类i在参考数据集中的特征均值，σi为目标地类i在参考数据集中的特征均方差；[0127][0128] 步骤4.3：隶属度加权和决策，使用归一化的加权系数矩阵对隶属度矩阵加权求和，当像元k对样本库中地类i的贴近度pik最大时则将像素k划分到类别i中，归一化加权系数和加权矩阵SIp计算公式如下，其中SIp(v,d)为在时间d、光谱特征v的权值，SI(v,d)为在时间d、光谱特征v的分离系数，SIp是具有v*d个元素的二维矩阵，sik(v,d)是像素k在时间d、光谱特征v对参考农作物类别i的隶属度，图7为示例分类使用的分离系数矩阵图，横轴对应样本库中光谱特征，数轴代表DOY100?300，图中对应斑块数值越大则作物间分离程度越高；[0129][0130][0131] 步骤4.4：使用验证样本验证分类结果；[0132] 步骤4.5：输出分类结果栅格专题图和分类结果矢量专题图，示例分类结果如图8所示。

专利地区：辽宁

专利申请日期：2021-10-27

专利公开日期：2024-10-15

专利公告号：CN113989668B