[发明专利]一种基于SK-UNet深度学习网络的遥感影像大豆种植区域提取方法

说明书

本发明涉及一种基于SK‑UNet深度学习网络的遥感影像大豆种植区域提取方法，包括：获取10m分辨率的哨兵二号遥感影像并进行预处理，构成遥感影像数据集；构建改进的UNet网络模型即SK‑UNet模型作为大豆种植区影像提取网络；得到训练后的SK‑UNet模型；获取待提取的遥感影像并进行预处理；将预处理后的待提取的遥感影像输入训练后的SK‑UNet模型，得到大豆种植区影像提取结果。本发明基于对UNet网络的改进，在每个双层卷积后加入SKNet Block模块，其可扩展性好且提取精度高，可调整参数应用于不同传感器的遥感卫星影像；通过验证，本发明得到的高分辨率遥感影像分类结果在评价指标优上优于对比分类算法，并且产生的分类结果能够更好的保持了边缘的平滑和完整性。

技术领域

本发明涉及遥感影像处理技术领域，尤其是一种基于SK-UNet深度学习网络的遥感影像大豆种植区域提取方法。

背景技术

作物的种植结构不仅是生长状况、产量估计的重要依据，更是为政策方针的制定，作物结构的布局，农田资源的统管提供了主要参考。快速精确地获取大面积范围内的农作物分布情况以及农业生产结构，对于宏观调整产业结构，获取农产品市场价格变动具有很大的指导意义。

传统大豆种植结构的获取方法基本上是由基层生产单位逐层向上级汇报，或者是采用“小面积调查，大面积估算”这种统计学手段，其缺点在于不仅费时费力而且成本高昂效率低下。对于“图形化”的数据采集往往无法实现，无法达到信息化的农业生产条件。遥感影像的出现弥补了这些缺点，其包含了大量的几何、空间和纹理信息，因此能够更好地了解作物在影像中的属性，有助于确定作物的具体位置并提高识别准确率，其拥有着效率高、方便、费用低廉以及速度快等优点适用于大规模的遥感检测。

申克建等使用GF-1号16m的卫星影像作为数据源，提取美国2014年的大豆种植区，实验结果与美国的农业部门统计数据相比较只有5.1％的差别，充分地说明了影像的有效性，并成功克服了中国在全球农业调查上依赖于外国数据源的困难，为自主卫星的发展提供可行的方案。田富有等人以Sentinel-2卫星影像为数据源对黑龙江北安市的大豆种植区进行提取，以多层神经网络、支持向量机和随机森林算法进行对比实验，结果显示多层神经网络的分类效果最佳，识别准确率为95.51％，同时近红外波段的引入可以有效的提高识别精度，在所有波段中作用最大，有效的将大豆与玉米分开。宋茜等人以GF-1卫星影像为数据源，对黑龙江北安市大豆种植区进行提取，在对比了Landsat卫星数据以后发现，GF-1卫星数据的提取精度明显优于Landsat卫星数据，证明了其相较于中等分辨率遥感影像的优势，为以后复杂区域以及数据源的选取上提供了可行的方案。然而在以上研究中，主要的劣势表现在以下几个方面：第一，特征提取能力有限，需要根据具体任务对特征进行设计和选择；第二，对噪声、光照变化和遮挡等干扰因素的鲁棒性较差，容易出现误判和漏判现象，主要由于特征提取算法对干扰因素的抵抗能力较弱；第三，需要大量的人工参与，包括特征设计、参数调整和模型训练等环节，效率较低。

发明内容

为解决现有技术中大豆种植区遥感影像提取技术难以满足实际使用需要的缺陷，本发明的目的在于提供一种能够更为准确的从遥感图像中提取出大豆种植区，在效率、速度、适用性和准确性方面取得较好效果的基于SK-UNet深度学习网络的遥感影像大豆种植区域提取方法。

为实现上述目的，本发明采用了以下技术方案：一种基于SK-UNet深度学习网络的遥感影像大豆种植区域提取方法，该方法包括下列顺序的步骤：

(1)获取10m分辨率的哨兵二号遥感影像并进行预处理，利用ArcGIS软件勾画大豆区域矢量，得到大豆区域原始影像数据和标签数据，大豆区域原始影像数据的尺寸为256×256×3，标签数据尺寸为256×256×1，大豆区域原始影像数据和标签数据构成遥感影像数据集；

(2)以UNet网络作为基础网络，在其编码器和解码器的基本卷积层中嵌入SKNetBlock模块，构建改进的UNet网络模型即SK-UNet模型作为大豆种植区影像提取网络；