本發明屬于多源遙感特征融合與農作物識別應用，尤其涉及一種基于多源時空距離融合特征的大區域農作物識別方法。

背景技術：

1、可靠的作物類型分類和空間分布為糧食安全和農業的可持續發展提供了科學依據。農作物類型的自動精準識別本質在于不同類型作物之間的時空特征表達以及復雜的地理距離關聯。目前，在大范圍下進行自動化樣本特征提取選擇以實現不同農作物精準制圖的研究，多源中高分辨率遙感數據的發展促進了農業在時空上的精細化監測，而忽略了復雜的作物播種過程中存在特征距離差異。尤其是在大范圍區域空間內，多圖像源特征表達、空間距離特征融合以及優化的分類算法在確定大區域范圍作物分類的準確性和時效性方面發揮著關鍵作用。因此，光學數據、雷達數據和srtm高程數據的多源特征選取和融合在農作物分類中面臨著諸多挑戰。在多源遙感影像特征融合的作物識別中，多源特征融合為分類器提供更豐富的輸入信息從而提高作物分類精度，另外，由于不同作物在不同生長階段存在不同特定和形態，同時作物類內差異大和類間差異小均容易增加分類器的復雜性和計算成本，針對大區域范圍下作物識別，需要增強分類模型的泛化能力，因此，優化特征選擇融合以及優化分類器設計成為提升作物識別準確性和自動化下亟待解決的問題。為此，本發明提出基于多源時空距離融合特征的大區域農作物識別方法。

技術實現思路

1、本發明為了解決大區域農作物自動化精準識別問題，本發明提出了一種多源時空距離融合特征的大區域農作物識別方法。該方法對不同作物識別達到了更高的精度，提高了大區域范圍下作物識別能力。

2、本發明的上述目的可以通過以下技術方案實現，一種基于多源時空距離融合特征的大區域農作物識別方法，具體包括如下步驟：

3、步驟s1，收集農作物生長周期內的多源可用影像數據，并提取特征指數，構建特征組合變量數據集；

4、步驟s2，基于時空雙向特征分離指數bgsi進行特征優選，通過jm距離指標計算不同農作物變量重要性和分離性，當jm值大于一定閾值時進入步驟s3；

5、步驟s3，在大區域范圍內，對不同作物優選的時空特征進行表達，并在優選特征的基礎上結合距離特征df，構建融合優選特征和距離特征的增強數據集；

6、步驟s4，構建織網月份概率隨機森林分類器；

7、步驟s5，將增強數據集輸入到織網月份概率隨機森林分類器進行分類識別。

8、進一步的，步驟s1中所述多源可用影像數據包括合成孔徑雷達數據sentinel1和光學影像數據sentinel2以及srtm高程數據，特征指數包括光學特征指數、雷達特征指數及srtm特征指數，則特征組合變量數據集包括：sentinel2+sentinel1+srtm對應下的特征指數組合；sentinel2+srtm對應下的特征指數組合；sentinel1+srtm對應下的特征指數組合。

9、進一步的，光學特征指數包括：

10、(1)歸一化植被指數：

11、

12、上式中ρnir為近紅外波段，ρred為紅波段；

13、(2)重歸一化植被指數：

14、rep＝705+35*(0.5*(ρred3+ρred)-ρred1)/(ρred2-ρred1))/1000?(2)

15、上式中ρred3為紅光反射率，ρred為近紅外光反射率，ρred1為紅光與近紅外光交界區域的反射率，對植被葉綠素濃度非常敏感，ρred2為紅邊上另一個關鍵點的反射率，用于衡量紅邊坡度變化；

16、(3)冠層反射指數：

17、

18、上式中ρred1為紅邊光反射率，ρnir為近紅外光反射率；

19、(4)改良土壤調整植被指數2：

20、

21、上式中ρnir為近紅外波段，ρred為紅波段；

22、(5)陸地地表水指數：

23、

24、上式中ρnir為近紅外波段，ρswir1為短波紅外波段；

25、(6)歸一化差分耕作指數：

26、

27、上式中ρswir1為近紅外波段，ρswir2為紅邊波段；

28、(7)歸一化差雪指數：

29、

30、上式中ρgreen為綠色波段，ρswir為短波紅外波段。

31、進一步的，雷達特征指數包括：

32、(8)雷達極化特征和指數：

33、sum＝vv+vh?(8)

34、(9)雷達極化特征差指數：

35、subtract＝vv-vh?(9)

36、(10)雷達地表水指數：

37、

38、(11)雷達反射指數：

39、

40、上式中vv為雷達波在發射和接收時都是垂直極化的，即垂直向上發射，垂直方向接收；vh為雷達波在發射時為垂直極化，而在接收時為水平極化，即垂直方向發射，水平方向接收。

41、進一步的，srtm特征指數計算如下：

42、

43、其中aspect為坡度，上式中是高程z在x方向上的變化率，即水平方向的梯度，是水平距離上相鄰像素點在x方向的高程差；是高程z在y方向上的變化率，即垂直方向的梯度，是垂直方向上相鄰像素點在y方向的高程差；z是地形的高程值；x和y是圖像中水平和垂直方向的坐標軸，以地面上的平面坐標表示；atan2是反正切函數，用來計算坡度角度。

44、進一步的，步驟s2中，首先根據類內和類間差異計算不同作物間的類內和類間距離，從而生成特征可分性指數特征，可分性指數gsi計算公式如下：

45、

46、其中，inter-class?distance表示類間距離，intra-class?distance表示類內距離；設特征值為xt，類別標簽為yt，時間為t，對于每個類別ci，計算該類別內所有樣本特征值的均值μi；

47、計算該類別內所有樣本到均值的平方距離之和即類內方差，公式為：

48、

49、總的類內距離為所有類別的類內距離之和：

50、intra-class?distance＝∑iintra-class?distancei?(15)

51、計算所有類別的特征均值μi的均值μ，計算每個類別均值到總均值的平方距離，并乘以該類別的樣本數量，公式為：

52、inter-class?distancei＝|ci|(μi-μ)2?(16)

53、總的類間距離為所有類別的類間距離之和：

54、inter-class?distance＝∑iinter-class?distancei?(17)

55、然后，將gsi進行雙重行列迭代歸一化處理sinkhorn-knopp算法，通過迭代調整矩陣的行和列，設置收斂閾值，當所有行和列的和接近1的差值小于收斂閾值∈時，認為算法收斂，計算得到能代表不同作物的特征可分性指數bgsi。

56、進一步的，jm距離是一種度量分類問題中不同類別之間可分性的指標，類別a、b的jm距離jab可表示為：

57、

58、其中，ma和mb分別是類別a、b的特征均值，la和lb是相應的特征方差，bab代表bhattacharyya距離；jab代表樣本集a、b之間的可分離性度量。

59、進一步的，步驟s3的具體實現方式如下：

60、1)標準化經緯度數據，假設原始經緯度數據為(lati，loni)，標準化處理可以用以下公式：

61、

62、其中，μlat和σlat分別為緯度數據的均值和標準差，μlon和σlon分別為經度數據的均值和標準差；

63、2)根據需要計算鄰近點距離、固定點距離或構建距離矩陣；假設有n個樣本點，樣本點之間的歐氏距離可以用以下公式計算：

64、

65、對于每個樣本點i，找到距離最近的樣本點j：

66、

67、3)采用插值方法對未知位置進行插值，獲取更多特征值；使用克里金插值方法，首先需要建立協方差函數c(h)，其中h是樣本點之間的距離，克里金插值估計的公式為：

68、

69、其中，為樣本點i已知特征值，λi為插值權重，通過解以下線性方程組獲得：

70、

71、這里，c(dij)為樣本點i和j之間的協方差，c(di0)為未知點x0與已知點xi之間距離的協方差，μ是拉格朗日乘數；

72、4)將距離特征融合插值結果與步驟1中原有的12個特征合并，構建一個增強的特征集；將原有的12個特征[x1i，x2i，...，x12i]與標準化后的經緯度數據距離特征以及插值結果[k1i，k2i，...，kni]合并，得到增強距離特征集：

73、

74、進一步的，步驟s4中，織網半月度概率隨機森林分類器以網格為基礎，輸入為網格內樣本的時空特征和來自8個相鄰網格瓦片的訓練樣本，網格劃分基于大區域范圍內的標準網格方案，將研究區域分為4*4固定大小的網格單元，對每一個網格中的樣本點，分類器通過對作物生長季節下每隔若干天內的分類結果進行投票，選擇出現次數最多的類別作為最終類別。

75、進一步的，步驟s5中，還包括使用交叉驗證技術對分類器的識別結果進行評估和優化，評估和優化中計算了幾個測量指標，包括利用混淆矩陣、生產者準確性(pa)、用戶準確性(ua)、總體準確度(oa)、kappa系數和f1-score分數等指標來實現，以評估制圖精度；

76、其中，f1分數計算公式定義如下：

77、

78、本發明還提供基于多源時空距離融合特征的大區域農作物識別系統，包括處理器和存儲器，存儲器用于存儲程序指令，處理器用于調用存儲器中的存儲指令執行如上述技術方案所述的基于多源時空距離融合特征的大區域農作物識別方法。

79、與現有技術相比，本發明有益的技術效果如下：

80、(1)本發明采用基于光譜指數特征，雷達指數特征和srtm特征組合下的數據集，通過構建的時空雙向特征分離指數(bgsi)可以確定大區域范圍下最優特征組合，使用不同作物特征之間可分性的指標jeffries-matusita(jm)距離進一步確定特征的重要性和分離性，為提高不同作物分類精度做保障。

81、(2)本發明進一步引入了距離特征，通過與優選特征協同來促進不同類型作物之間的時空特征表達以及對大區域范圍作物復雜的地理距離進行關聯，通過多源時序影像的優選特征與大區域空間距離特征耦合，有利于在大范圍區域下不同作物識別推廣應用。

82、(3)本發明設計的織網月份概率隨機森林(wmrf)分類模型在作物分類識別方面表現優于傳統的隨機森林分類器模型，在大范圍作物復雜的時空異質性情況下，驗證了多源遙感特征協同時空距離特征在大范圍區域對不同作物識別應用，多源時空距離特征融合對降低分類模型的復雜度以及提高運行效率有一定效果，通過協同時空距離特征突出多源特征融合在大范圍作物復雜異質性分類中的重要意義，為大范圍區域作物分類提供了理論基礎和支撐。

83、綜上，本發明對多源遙感影像特征進行提取以及優選組合，構建了時空雙向特征分離指數(bgsi)，降低了處理特征數據的時間，可以進一步確定不同作物間優選特征重要性和分離性，并構建了優選特征協同時空距離特征數據集，促進大區域范圍下作物復雜的地理距離關聯，同時，設計了織網月份概率隨機森林(wmrf)分類模型，可以充分利用多源遙感影像的時空距離特征，從而提高大范圍作物分類識別模型精度和泛化能力。