[发明专利]一种农作物种植结构月尺度动态提取方法

权利要求书

1.一种农作物种植结构月尺度动态提取方法，其特征在于，包括以下步骤：

S1：确定分析区域空间范围并进行数据准备，收集不大于月尺度的时间序列卫星遥感数据集，以月尺度数据为时间数据，同时预获取研究区域内样本数据；

S2：根据预处理后的月尺度卫星遥感影像数据，计算纹理特征与归一化植被指数；

S3：选取信息丰富度，高的纹理特征，与植被指数组合形成新的图像；

S4：结合组合形成的新图像数据，利用随机森林分类器对研究区域的农作物种植结构进行提取，实现月尺度农作物种植结构的动态识别；

S5：以月为单位，对农作物种植结构的动态识别，生成完整时间序列的农作物的时空分布专题图并验证精度。

2.根据权利要求1所述的农作物种植结构月尺度动态提取方法，其特征在于，所述S1包括以下步骤：

S11：根据研究区的位置和范围，选择我国自主研发的具有高时间分辨率和高空间分辨率的GF-1WFV数据，如果出现数据源不能完全覆盖的情况，考虑使用sention-2，高分二号，landsat8或HJ-1A/B代替，同时调查实施例范围的农作物类型以及各自的生长物候期；

S12：对收集的数据进行遥感影像的处理，如果出现替代数据，需要重采样统一空间分辨率；

S13：对样本的采集需要考虑其代表性、典型性、时效性，通过建立规则格网将研究区划分为n块面积相同的区域，在各个区域内选取作物样本。

3.根据权利要求1所述的农作物种植结构月尺度动态提取方法，其特征在于，所述S2包括以下步骤：

S21：基于灰度共生矩阵计算纹理特征信息量，根据灰度共生矩阵GLCM统计在一定距离的两个像素点之间灰度相关系数，表示灰度重复出现的概率分布，其表达式为：

P(i，j)＝[p(i,j,d,θ)]

其中，P(i,j)为在距离和方向确定的情况下出现相同像素对的频率；d为距离像素点的距离，两像素连线向量的角度为θ，通常θ取0°、45°、90°和135°；

S22：计算影像数据的归一化植被指数，其计算公式为：

NDVI＝(ρ_NIR-ρ_R)/(ρ_NIR+ρ_R)

式中，ρ_NIR为近红外波段的反射率；ρ_R为红光波段的反射率。

4.根据权利要求3所述的农作物种植结构月尺度动态提取方法，其特征在于，所述S21的GLCM计算纹理特征向量包括以下参数：

平均值：平均值反映了窗口内灰度平均值，反映了纹理的规则程度，其计算公式为：

方差：表示纹理的周期，反映纹理的非匀质特性，灰度变化的大小，其计算公式为：

对比度：表示邻域内灰度差异，反映图像的清晰度与纹理沟纹深浅的程度，其计算公式为：

非相似度：用来检测图像的差异程度，当局部区域高对比变化大，则非相似度大，反映图像的清晰度与纹理沟纹深浅的程度，其计算公式为：

信息熵：熵度量影像纹理的随机性，影像所具有的信息量，是影像灰度级别混乱程度的表征，熵越大，样本的类别不确定性越大，其计算公式为：

角二阶矩：反映了影像灰度分布均匀程度和纹理粗细度，其计算公式为：

相关性：相关反应了空间灰度共生矩阵元素在行或列方向上的相似程度，其计算公式为：

5.根据权利要求1所述的农作物种植结构月尺度动态提取方法，其特征在于，所述S3包括以下步骤：

S31：基于Bhattacharyya距离构建多目标求取最优解的过程，对纹理特征量进行选取，其计算公式为：

式中，μ为在纹理特征图像上2个不同类别的均值，σ为在纹理特征图像上2个不同类别的标准差；

S32：依据计算出BD值的大小，输出前8个纹理特征量；

S33：利用波段合成的原理将前8个纹理特征量与归一化植被指数的结果组合，形成新图像。