一种基于Sentinel2A影像大范围提取蔬菜大棚面积的新方法与流程

本发明属于精准农业与农业用水估算技术领域，具体是一种基于sentinel2a影像大范围提取蔬菜大棚面积的新方法。

背景技术：

气候条件对蔬菜种植具有较大的影响，而大棚具有调节温度、湿度等特性，因此蔬菜大棚已逐渐成为北方蔬菜种植必不可少的农业设施。蔬菜大棚产业的快速发展一方面带动了地方农业经济的发展，但也导致了农田土壤污染、土壤环境恶化、土壤生产力下降等一系列问题。及时、有效的提取蔬菜大棚种植面积能够反映区域大棚蔬菜的产量，为地方农业经济的发展提供参考数据；同时也有利于蔬菜大棚农田的精细化管理和治理。

蔬菜大棚用水方式主要靠灌溉用水，蔬菜大棚种植面积的提取，还能有效估算蔬菜大棚的用水量，为加强灌溉用水管理提供数据支持。现有技术中，基于多光谱遥感影像提取蔬菜大棚精度低，存在大棚地物与建设地物的严重混合，难以满足用户的精度需求；而基于高分辨率遥感影像提取蔬菜大棚空间尺度小，难以实现大范围的应用。

技术实现要素：

本发明的目的是解决现有技术中的不足，提出一种高精度、可大范围执行的蔬菜大棚面积提取新方法。

本发明的一种基于sentinel2a影像大范围提取蔬菜大棚面积的新方法，包括如下步骤：

a、获取区域内农作物生长周期内的多景多时相sentinel2a数据；

b、布设蔬菜大棚地面监测点，收集样点遥感信息的变化；

c、根据蔬菜大棚在sentinel2a影像上红边波段反射率存在明显变化的特点，构造蔬菜大棚信息增强指数v；

d、确定基于sentinel2a影像提取蔬菜大棚面积，利用遥感信息组合成蔬菜大棚提取图像；

e、利用一维卷积神经网络(cnn-1d)实现图像的分类，完成蔬菜大棚面积的提取。

优选的，步骤a中，农作物生长周期选取每年的三月份、五月份。获取区域内农作物生长周期内的多景多时相sentinel2a数据并完成遥感数据的大气校正、图像配准预处理。

优选的，步骤b中，分布位置不同的10个大棚地物监测点进行波段与时间变化对应的关系分析。蔬菜大棚地物的遥感光谱波段与时间变化对应的关系为，红边、近红外波段与时间变化呈现高度正相关。

步骤c中，利用sentinel2a影像中心波长为864.8nm的b8a波段构造v，

v增强了大棚与覆膜地物信息，同时也增强了裸土地物信息。

优选的，步骤d中，区分裸土与蔬菜大棚地物，增加3、5月份ndvi特征以增加二者的区分度。

优选的，步骤d中，区分图像中建设用地、水体等地物，将sentinel2a影像与3、5月份ndvi特征、蔬菜大棚信息增强指数v组合成新的图像参与分类。

优选的，步骤e中，cnn-1d算法包含两个卷积层，两个池化层和两个全连接层。

优选的，步骤e中，根据留置的测试样本计算总体精度(oa)和kappa系数，并对大棚提取结果与图像结果进行对比，实现大范围蔬菜大棚地物的提取。

本发明是一种高精度、可大范围执行的蔬菜大棚面积提取的新方法。本发明能够为蔬菜大棚农田的精细化管理和治理、地方农业经济的发展、灌溉用水管理提供数据支持。本发明的方法适合在相关技术领域推广应用。

附图说明

图1是本发明蔬菜大棚面积的提取方法步骤示意图。

图2是本发明蔬菜大棚不同地物光谱曲线时间变化图。

图3是本发明步骤e中，cnn-1d算法结构图。

具体实施方式

下面将对本发明进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。

为了清楚，不描述实际实施例的全部特征。在下列描述中，不详细描述公知的功能和结构，因为它们会使本发明由于不必要的细节而混乱。应当认为在任何实际实施例的开发中，必须作出大量实施细节以实现开发者的特定目标，例如按照有关系统或有关商业的限制，由一个实施例改变为另一个实施例。另外，应当认为这种开发工作可能是复杂和耗费时间的，但是对于本领域技术人员来说仅仅是常规工作。

为使本发明的目的、特征更明显易懂，下面对本发明的具体实施方式作进一步的说明。

如图1所示：本发明的方法，包括如下步骤：

a、获取区域内农作物生长周期内的多景多时相sentinel2a数据；

b、布设蔬菜大棚地面监测点，收集样点遥感信息的变化；

c、根据蔬菜大棚在sentinel2a影像上红边波段反射率存在明显变化的特点，构造蔬菜大棚信息增强指数v；

d、确定基于sentinel2a影像提取蔬菜大棚面积，利用遥感信息组合成蔬菜大棚提取图像；

e、利用一维卷积神经网络(cnn-1d)实现图像的分类，完成蔬菜大棚面积的提取。

具体的，步骤a中，农作物生长周期选取每年的三月份、五月份。获取区域内农作物生长周期内的多景多时相sentinel2a数据并完成遥感数据的大气校正、图像配准预处理。

具体的，步骤b中，布设蔬菜大棚地面监测点，收集样点遥感信息的变化，包括：

b1、获取蔬菜大棚地面监测点光谱曲线与具体时间对应表，为下一步的数据挖掘分析做准备；

表b1大棚地物样点光谱曲线与时间对应表

b2、采用spss软件相关性分析工具对影像上不同材质、分布位置不同的10个大棚地物监测点进行波段与时间变化对应的关系分析；

表b2大棚地物样点光谱变化与时间之间的相关性分析

b3、分析结果表明蔬菜大棚地物的遥感光谱曲线特性为其红边、近红外波段与时间变化呈现高度正相关，即蔬菜大棚地物的红边、近红外波段1-6月份呈现逐渐增高的趋势；

b4、分析蔬菜大棚地物光谱曲线的变化，寻找其规律，为蔬菜大棚的提取提供物理基础；

b5、蔬菜大棚地物光谱曲线3月份体现为人造地物的反射率特性，4月份其红边、近红外波段逐渐增高；

b6、蔬菜大棚地物光谱近红外波段增大，其红波段变化不大，因此蔬菜大棚地物ndvi逐渐增大，这一特性与现实情况也较为吻合；

b7、蔬菜大棚地物3月份、5月份光谱曲线存在巨大差异与变化，且其红边、近红外波段5月份达到最大值；因而可利用其特定的光谱曲线及3、5月份红边波段的组合提取蔬菜大棚地物。

具体的，步骤c中，如图2所示，蔬菜大棚地物光谱曲线与其他地物光谱曲线存在的差异。其中，图2中的(1)是蔬菜大棚地物光谱曲线变化特征；(2)是覆膜地物光谱曲线变化特征；(3)是裸土地物光谱曲线变化特征；(4)是植被光谱曲线变化特征。

利用sentinel2a影像中心波长为864.8nm的b8a波段构造v，v增强了大棚与覆膜地物信息，同时也增强了裸土地物信息；

具体的，步骤d中，确定基于sentinel2a影像提取蔬菜大棚面积，利用遥感信息组合成蔬菜大棚提取图像。为更好的区分裸土与蔬菜大棚地物，增加3、5月份ndvi特征以增加二者的区分度；为更合理的区分图像中建设用地、水体等地物，将sentinel2a影像与3、5月份ndvi特征、蔬菜大棚信息增强指数v组合成新的图像参与分类。

具体的，步骤e中，具体包括：

e1、选取训练样本和测试样本，训练样本的选择尽量保持各个类别的样本均衡；

e2、基于keras平台搭建cnn-1d算法进行分类；

如图3所示，cnn-1d算法结构图；其中cnn-1d算法包含两个卷积层，两个池化层和两个全连接层；第一个卷积层(conv1)卷积核个数为16，卷积核大小为3，卷积步长为1；第二个卷积层(conv2)卷积核个数为32，卷积核大小为5，卷积步长为1；池化层的池化大小均为2，步长为2；

e3、全连接层的大小分别为128，64；全连接层之间采用dropout的方式防止过拟合；

e4、网络的最后一层采用softmax层实现分类，同时全连接层与softmax层之间也采用dropout的方式以防止模型过拟合；

e5、网络的激活层全部采用“relu”作为激活函数；梯度优化算法采用sgd(stochasticgradientdescent)算法，学习率设置为0.001，momentum设置为o.9；损失函数则采用多分类交叉熵损失函数；

e6、根据留置的测试样本计算总体精度(oa)和kappa系数，并对蔬菜大棚提取结果进行评价；

e7、对大棚提取结果与图像结果进行对比，实现大范围蔬菜大棚地物的提取。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。