基于特征强化提取农作物种植面积的深度学习方法

技术领域

本发明属于卫星遥感数据处理技术领域，具体涉及一种基于特征强化提取农作物种植面积的深度学习方法。

背景技术

卫星遥感技术因其非接触、高空探测、动态和及时等优点，结合数据信息准确丰富、地表覆盖范围大和相对地面工作省时省力的特点，已被广泛应用于农作物种植范围提取、作物长势监测以及产量估算等方面。随着对地观测平台、遥感传感器种类的日益丰富，遥感影像逐渐能够表达出更多的特征信息，且农作物光谱特性的时空效应存在于遥感全过程。目前，卫星遥感数据经过一系列预处理步骤后，可以快速准确地获取有关区域乃至世界范围内的特征信息。然而，受采样点数量、采样区域地形、采样技术水平一致性、大气云层覆盖等诸多因素影响，对农作物种植面积的统计存在着天然误差，且由于各平台系统数据获得渠道不一，导致不同系统数据对比时存在无法完全对应的情况。农作物的生长周期以及种植情况受到天气、自然灾害等影响，卫星遥感数据的回访周期以及影像质量难以满足研究需求，且在种植结构复杂、同期多类作物共生的地区由于可能存在的“同物异谱、异物同谱”现象，不同农作物在同期遥感影像上可能表现出相近的光谱特性，且涉及到广域范围时，需借助空间分辨率较低的遥感影像以满足监测区域，而分辨率越低意味着所表达的特征信息越粗糙。因此，仅依靠单一数据源难以满足省域范围内数据覆盖度以及光谱特征信息的表达，这种光谱特征与影像分辨率难以调和的问题大大增加了遥感农作物信息提取的难度，难以满足人员对农作物(如冬小麦)种植面积精细统计的要求。

深度学习作为促进卫星遥感技术发展的重要驱动力，已得到该领域学者们的普遍关注，针对农作物种植面积提取，有研究者使用支持向量机、随机森林和决策树等方法进行研究，但是这些方法的性能依赖于基于人工经验输入数据的准确性，不能适应当代农业信息提取不断增加的复杂性。虽然，近年来，深度学习研究已涌现出一些优秀成果，但卫星遥感数据在成像系统、数据源等方面具有自身特点，亟需研究适用于卫星遥感数据的大范围农业深度学习提取方法。

在当前技术条件下，基于深度学习的农作物信息提取方法，主要面临如下挑战：1)农作物种植结构复杂，受地势、气候、自然资源等因素的影响，相同农作物可能具有不同的灌溉期、长势以及病害条件等，使得农业生态系统丰富多样，具有较大的不定性；2)部分卫星遥感数据的光谱条件受限，在具有复杂农作物种植情况的区域很可能会出现“异物同谱”、“同物异谱”等现象，大大干扰了农作物的生长信息，造成农作物提取精度不高的问题；3)虽然现如今卫星遥感数据选择性较多，但面对提取范围较大的情况下，多数遥感数据就显得无力，其特定的回访周期以及分辨率问题大大限制了大范围内农作物的精细提取。怎样在满足研究区域范围内的数据要求情况下降低研究成本以及工作量，成为目前凭借遥感数据提取农作物信息的一大难题。

因此，研究大范围区域内的卫星遥感农作物深度学习方法是一项极具挑战性的工作，要求方法在鲁棒性、精度以及普适性等方面要有较大提升。

发明内容

本发明的目的在于克服传统技术中存在的上述问题，提供一种基于特征强化提取农作物种植面积的深度学习方法。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：

基于特征强化提取农作物种植面积的深度学习方法，包括以下步骤：

步骤一、针对作为研究对象的农作物，收集所需多分辨率卫星遥感影像并进行预处理；

步骤二、识别上述农作物的地物类型，提取其光谱特征，并做敏感性分析；

步骤三、基于深度学习的卷积神经网络的特征提取；

步骤四、设计卷积层层数以及网络结构，最终输出分类结果；

步骤五、统计输出后影像上的农作物种植面积。

进一步地，如上所述基于特征强化提取农作物种植面积的深度学习方法，步骤一中，包括，

1)在精细农业方面，需进行大气校正，去除大气对影像的影响；

2)依据相关DEM(数字高程模型)进行正射校正，纠正影像几何变形；

3)确定参考影像为基础，将多幅影像进行镶嵌，并根据所需区域进行影像裁剪。

进一步地，如上所述基于特征强化提取农作物种植面积的深度学习方法，步骤二中，依据野外调查或人工目视解译经验确定地物类型，并对应建立农作物样本库，通过分析步骤一后的影像特征，提取相关地物类型的光谱信息，并以此统计分析农作物地物类型的光谱曲线图，进行波段信息的敏感度分析，筛除对各类地物区分度较低的波段，并加入对农作物分类提取有益的植被指数，增强农作物与其他地物类型的区分度，以此增强整体的光谱特征，作为农作物识别的主要数据来源。

进一步地，如上所述基于特征强化提取农作物种植面积的深度学习方法，步骤三中，在多层神经网络的基础上，选择用于进行分类任务的卷积神经网络作为主要深度学习模型；卷积神经网络与普通神经网络的区别在于，卷积神经网络包含由卷积层和子采样层构成的特征抽取器；特征抽取器大大简化了模型复杂度，减少了模型的参数。

进一步地，如上所述基于特征强化提取农作物种植面积的深度学习方法，步骤四中，所述卷积神经网络共设有四层卷积层，卷积神经网络的卷积层包含若干个特征平面，每个特征平面由多个矩形排列的的神经元组成；在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接；同一特征平面的神经元共享权值，共享的权值即为卷积核；卷积核以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值；共享权值(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。

进一步地，如上所述基于特征强化提取农作物种植面积的深度学习方法，所述卷积神经网络选用1×1的卷积核进行特征提取，特征映射结构采用使其具有位移不变性的激活函数。

进一步地，如上所述基于特征强化提取农作物种植面积的深度学习方法，所述卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。

进一步地，如上所述基于特征强化提取农作物种植面积的深度学习方法，在所述卷积层后添加用于执行的全连接层，全连接层能够将所得信息进行融合，增强信息表达并减少特征信息的损失，最后以网络输出图像形式的农作物地物类型的提取结果。

进一步地，如上所述基于特征强化提取农作物种植面积的深度学习方法，步骤五中，利用卫星遥感影像预处理后的空间分辨率来计算统计农作物的种植面积，最终得出所需区域内农作物的整体种植面积。

进一步地，如上所述基于特征强化提取农作物种植面积的深度学习方法，作为研究对象的农作物为冬小麦。

本发明的有益效果是：

1、本发明提供了基于特征强化提取农作物种植面积的深度学习方法，以“如何利用深度学习，及时准确地获取农作物种植范围”为核心，研究基于特征强化的卫星遥感数据的方法；以冬小麦为例，设计冬小麦等地物类型的光谱特征分析、深入提取整合特征信息，进一步增强光谱特征对冬小麦分类提取的能力的网络结构，实现掌握冬小麦种植区的分布以及种植面积的统计计算。

2、本发明在应用上，取得具有实用价值的卫星遥感数据农作物种植区智能提取技术，以期切实地推进遥感数据应用由“可视化”向“可统计”方向发展。

当然，实施本发明的任一产品并不一定需要同时达到以上的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的模型结构；

图2为本发明中全连接层结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明的相关具体实施例如下：

实施例一

如图1和图2所示，本实施例提供一种基于特征强化提取冬小麦种植面积的深度学习方法，包括以下步骤：

步骤一、针对作为研究对象的冬小麦，收集所需多分辨率卫星遥感影像并进行预处理；

在收集所需卫星遥感影像的基础上，利用相关软件和人工预处理经验，进一步实现包括，

1)在精细农业方面，需进行大气校正，去除大气对影像的影响；

2)依据相关DEM进行正射校正，纠正影像几何变形；

3)确定参考影像为基础，将多幅影像进行镶嵌，并根据所需区域进行影像裁剪；

步骤二、识别地物类型，提取其光谱特征，并做敏感性分析；

依据野外调查或人工目视解译经验确定地物类型，并对应建立农作物样本库，通过分析步骤一后的影像特征，提取相关地物类型的光谱信息，并以此统计分析冬小麦等地物类型的光谱曲线图，进行波段信息的敏感度分析，筛除对各类地物区分度较低的波段，并加入对农作物分类提取有益的植被指数，增强冬小麦与其他地物类型的区分度，以此增强整体的光谱特征，作为冬小麦识别的主要数据来源；

步骤三、基于深度学习的卷积神经网络的特征提取；在多层神经网络的基础上，选择经常用于进行分类任务的卷积神经网络作为主要深度学习模型。卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。卷积和子采样大大简化了模型复杂度，减少了模型的参数；

步骤四、设计卷积层层数以及网络结构，最终输出分类结果；在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在卷积神经网络的一个卷积层中，通常包含若干个特征平面，最后设置了四层卷积层，每个特征平面由一些矩形排列的的神经元组成，同一特征平面的神经元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险，最后选用1×1的卷积核进行特征提取。特征映射结构采用ReLu函数作为卷积网络的激活函数，使得特征映射具有位移不变性。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。

卷积层后添加全连接层来执行，全连接层可以将所得信息进行融合，增强信息表达并减少特征信息的损失，然后经过Dropout层逐步减小点数为最后的拟合做准备。

最后，设计加入softmax分类器结构，使其神经元数量等于预测所需的类别数量。网络输出图像形式的冬小麦等地物类型的提取结果。

步骤五、统计输出后影像上的冬小麦种植面积；

利用卫星遥感影像预处理后的空间分辨率计算统计冬小麦的种植面积。

结合上述步骤，为了充分利用卫星遥感所含有的信息，深入分析各类地物的光谱特征，加强特征对于农作物分类提取的能力，采用筛选后的波段与植被指数特征进入模型。

模型结构中主要包括卷积层和全连接层，前者的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元。后者将所得信息进行融合，增强信息表达并减少特征信息的损失，经过Dropout层逐步减小点数为最后的拟合做准备。最终，以图像的形式将分类结果输出。

本实施例提供了基于特征强化提取冬小麦种植面积的深度学习方法，以“如何利用深度学习，及时准确地获取冬小麦种植范围”为核心，研究基于特征强化的卫星遥感数据的方法；设计冬小麦等地物类型的光谱特征分析、深入提取整合特征信息，进一步增强光谱特征对冬小麦分类提取的能力的网络结构，实现掌握冬小麦种植区的分布以及种植面积的统计计算。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。