CN109409261B - 一种农作物分类方法及*** - Google Patents

Abstract

本发明公开了一种农作物分类方法及***。所述分类方法包括：根据历史多时相中分影像以及历史农作物物候历数据构建历史农作物标记样本；根据现势多时相高分影像以及当前农作物物候历数据构建高精度小区域现势农作物标记样本；根据ResNet模型以及PSPNet模型建立遥感网络RSNet模型；根据历史训练样本对遥感网络RSNet模型进行预训练，建立预训练遥感网络RSNet模型；根据现势训练样本对预训练遥感网络RSNet模型进行微调，建立微调遥感网络RSNet模型；建立最优预训练遥感网络RSNet模型以及最优微调遥感网络RSNet模型；根据最优预训练遥感网络RSNet模型以及所述最优微调遥感网络RSNet模型对所述农作物进行分类。采用本发明所提供的分类方法及***能够降低训练样本选择工作量，提高分类效率。

Description

一种农作物分类方法及***

技术领域

本发明涉及农作物分类领域，特别是涉及一种农作物分类方法及***。

背景技术

实时、准确地获取和掌握农作物种植面积及其空间分布状况，对准确估计和预测农作物产量，监测农业气象灾害，确保国家粮食安全具有非常重要的意义。

遥感技术是目前农作物面积、空间分布监测的主要技术手段，随着遥感技术的发展，越来越多的高时间、高空间分辨率遥感影像可被免费获取，这丰富了农作物遥感识别的数据源，同时也增大了遥感影像信息提取方法的难度。农作物遥感分类主要包括：地面调查、确定分类***、遥感数据选择与预处理、分类特征选择、训练样本选择、分类算法选择和精度评价等步骤。分类算法、分类特征和训练样本是农作物遥感分类的三个重要方面，其中，分类特征和训练样本是关系分类是否成功的关键因素。传统的农作物遥感分类方法已经比较成熟，在特定情况下已经取得了巨大成就。但是，传统的分类特征和训练样本的选择制约着农作物遥感分类的高效应用：首先，中高分辨率影像中地物特征复杂，传统的特征选择方法难以提取目标地物多尺度、高层次的特征，并且在特定区域提取的特征只能应用在该区域的分类中，无法实现跨区域的特征迁移；其次，受农作物景观特征的影响，传统分类算法中，特定区域、特定时间的训练样本只能应用在特定区域的分类中，训练样本选择工作量大，从而降低分类效率。

发明内容

本发明的目的是提供一种农作物分类方法及***，以解决训练样本选择工作量大，分类效率低的问题。

为实现上述目的，本发明提供了如下方案：

一种农作物分类方法，包括：

获取历史年份大范围区域内的历史多时相中分影像以及历史农作物物候历数据；所述大范围为省及省以上区域面积；

根据所述历史多时相中分影像以及所述历史农作物物候历数据构建历史农作物标记样本；所述历史农作物标记样本包括历史训练样本以及历史验证样本，所述历史训练样本为85％，所述历史验证样本为15％；

获取当前年份小区域的现势多时相高分影像以及当前农作物物候历数据；所述小区域为多个县的县区域面积；

根据所述现势多时相高分影像以及所述当前农作物物候历数据构建高精度小区域现势农作物标记样本；所述高精度小区域现势农作物标记样本包括现势训练样本以及现势验证样本，所述现势训练样本为85％，所述现势验证样本为15％；

根据残差网络ResNet模型以及金字塔池化网络PSPNet模型建立遥感网络RSNet模型；所述遥感网络RSNet模型为多光谱遥感影像农作物“端到端”分类的模型；

根据所述历史训练样本对所述遥感网络RSNet模型进行预训练，建立预训练遥感网络RSNet模型；

对所述预训练遥感网络RSNet模型进行精度评价，建立最优预训练遥感网络RSNet模型；

根据所述现势训练样本对所述预训练遥感网络RSNet模型进行微调，建立微调遥感网络RSNet模型；

对所述微调遥感网络RSNet模型进行精度评价，建立最优微调遥感网络RSNet模型；

根据所述最优预训练遥感网络RSNet模型以及所述最优微调遥感网络RSNet模型对所述农作物进行分类。

可选的，所述根据所述历史多时相中分影像以及所述历史农作物物候历数据构建历史农作物标记样本，具体包括：

根据所述历史多时相中分影像以及所述历史农作物物候历数据，利用目标变化检测与支持向量机结合的方法对农作物进行分类，构建历史农作物标记样本。

可选的，所述根据所述现势多时相高分影像以及所述当前农作物物候历数据构建高精度小区域现势农作物标记样本，具体包括：

根据所述现势多时相高分影像以及所述当前农作物物候历数据，利用面向对象方法进行影像对象分割，构建不同光谱特征以及纹理特征；

利用随机森林算法对所述不同光谱特征以及纹理特征进行特征提取与优化，并利用支持向量机分类器进行高精度农作物分类，确定高分辨率农作物分类结果；

利用众数原则的重采样方法将所述高分辨率农作物分类结果，重采样为与中分辨率农作物标记样本相同的分辨率，构建高精度小区域现势农作物标记样本。

可选的，所述对所述预训练遥感网络RSNet模型进行精度评价，建立最优预训练遥感网络RSNet模型，具体包括：

根据所述历史验证样本对所述预训练遥感网络RSNet模型进行精度评价，建立最优预训练遥感网络RSNet模型；所述精度评价的指标为混淆矩阵的总体分类精度、制图精度、用户精度、Kappa系数以及均交并比。

可选的，所述对所述微调遥感网络RSNet模型进行精度评价，建立最优微调遥感网络RSNet模型，具体包括：

根据所述现势验证样本对所述微调遥感网络RSNet模型进行精度评价，建立最优微调遥感网络RSNet模型；所述精度评价的指标为混淆矩阵的总体分类精度、制图精度、用户精度、Kappa系数以及均交并比。

一种农作物分类***，包括：

历史参数获取模块，用于获取历史年份大范围区域内的历史多时相中分影像以及历史农作物物候历数据；所述大范围为省及省以上区域面积；

历史农作物标记样本构建模块，用于根据所述历史多时相中分影像以及所述历史农作物物候历数据构建历史农作物标记样本；所述历史农作物标记样本包括历史训练样本以及历史验证样本，所述历史训练样本为85％，所述历史验证样本为15％；

当前参数获取模块，用于获取当前年份小区域的现势多时相高分影像以及当前农作物物候历数据；所述小区域为多个县的县区域面积；

现势农作物标记样本构建模块，用于根据所述现势多时相高分影像以及所述当前农作物物候历数据构建高精度小区域现势农作物标记样本；所述高精度小区域现势农作物标记样本包括现势训练样本以及现势验证样本，所述现势训练样本为85％，所述现势验证样本为15％；

遥感网络RSNet模型建立模块，用于根据残差网络ResNet模型以及金字塔池化网络PSPNet模型建立遥感网络RSNet模型；所述遥感网络RSNet模型为多光谱遥感影像农作物“端到端”分类的模型；

预训练遥感网络RSNet模型建立模块，用于根据所述历史训练样本对所述遥感网络RSNet模型进行预训练，建立预训练遥感网络RSNet模型；

最优预训练遥感网络RSNet模型建立模块，用于对所述预训练遥感网络RSNet模型进行精度评价，建立最优预训练遥感网络RSNet模型；

微调遥感网络RSNet模型建立模块，用于根据所述现势训练样本对所述预训练遥感网络RSNet模型进行微调，建立微调遥感网络RSNet模型；

最优微调遥感网络RSNet模型建立模块，用于对所述微调遥感网络RSNet模型进行精度评价，建立最优微调遥感网络RSNet模型；

分类模块，用于根据所述最优预训练遥感网络RSNet模型以及所述最优微调遥感网络RSNet模型对所述农作物进行分类。

可选的，所述历史农作物标记样本构建模块具体包括：

历史农作物标记样本构建单元，用于根据所述历史多时相中分影像以及所述历史农作物物候历数据，利用目标变化检测与支持向量机结合的方法对农作物进行分类，构建历史农作物标记样本。

可选的，所述现势农作物标记样本构建模块具体包括：

分割单元，用于根据所述现势多时相高分影像以及所述当前农作物物候历数据，利用面向对象方法进行影像对象分割，构建不同光谱特征以及纹理特征；

高分辨率农作物分类结果确定单元，用于利用随机森林算法对所述不同光谱特征以及纹理特征进行特征提取与优化，并利用支持向量机分类器进行高精度农作物分类，确定高分辨率农作物分类结果；

现势农作物标记样本构建单元，用于利用众数原则的重采样方法将所述高分辨率农作物分类结果，重采样为与中分辨率农作物标记样本相同的分辨率，构建高精度小区域现势农作物标记样本。

可选的，所述最优预训练遥感网络RSNet模型建立模块具体包括：

最优预训练遥感网络RSNet模型建立单元，用于根据所述历史验证样本对所述预训练遥感网络RSNet模型进行精度评价，建立最优预训练遥感网络RSNet模型；所述精度评价的指标为混淆矩阵的总体分类精度、制图精度、用户精度、Kappa系数以及均交并比。

可选的，所述最优微调遥感网络RSNet模型建立模块具体包括：

最优微调遥感网络RSNet模型建立单元，用于根据所述现势验证样本对所述微调遥感网络RSNet模型进行精度评价，建立最优微调遥感网络RSNet模型；所述精度评价的指标为混淆矩阵的总体分类精度、制图精度、用户精度、Kappa系数以及均交并比。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种农作物分类方法及***，利用残差网络(Residual Network，ResNet)模型，将ResNet-50模型与金字塔池化网络(Pyramid Scene Parsing Network，PSPNet)模型生成了新的适用于多光谱遥感影像“端到端”分类的遥感网络RSNet(Remote Sensing Network，RSNet)模型；由于原始ResNet模型只适用于3波段并且输入图像大小固定的图像处理，本发明改进为可输入8个波段的RSNet模型，并且与具有多尺度池化层和反卷积层的PSPNet模型组合，使得RSNet模型的输入影像可以是任意大小。

且本发明充分利用历史标记样本，达到减少样本选择工作量的目的，基于历史农作物标记样本的预训练遥感网络RSNet模型，在区域现势影像的农作物分类结果中取得了较好的分类结果，证明了历史样本的可重复利用性；基于少量高精度小区域现势农作物标记样本微调预训练遥感网络RSNet模型，在区域现势影像农作物分类中取得了较高的分类精度，实现了训练样本时间、空间尺度的泛化能力，解决了遥感影像分类中大量标记样本“数据饥饿”问题，大大降低了人工选择训练样本的工作量，提高了分类效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的农作物分类方法流程图；

图2为本发明所提供的RSNet模型网络框架图；

图3为本发明所提供的预训练RSNet模型的精度评价结果图；

图4为本发明所提供的微调后RSNet模型的精度评价结果图；

图5为本发明所提供的分类结果图；

图6为本发明所提供的基于RSNet₂₀₁₇模型的区域分区作物第一分类结果图；

图7为本发明所提供的基于RSNet₂₀₁₇模型的区域分区作物第二分类结果图；

图8为本发明所提供的基于RSNet₂₀₁₇模型的区域分区作物第三分类结果图；

图9为本发明所提供的农作物分类***结构图。

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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种农作物分类方法及***，能够降低训练样本选择工作量，提高分类效率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的农作物分类方法流程图，如图1所示，一种农作物分类方法，包括：

步骤101：获取历史年份大范围区域内的历史多时相中分影像以及历史农作物物候历数据；所述大范围为省及省以上区域面积。

步骤102：根据所述历史多时相中分影像以及所述历史农作物物候历数据构建历史农作物标记样本；所述历史农作物标记样本包括历史训练样本以及历史验证样本，所述历史训练样本为85％，所述历史验证样本为15％。

基于历史年份大范围(如，一个省)历史多时相中分影像(如，高分一号16米空间分辨率影像)和农作物物候历数据，利用目标变化检测与支持向量机(Support VectorMachine，SVM)结合的方法，进行农作物分类，构建历史农作物标记样本，其中85％作为训练样本，15％作为验证样本。

步骤103：获取当前年份小区域的现势多时相高分影像以及当前农作物物候历数据；所述小区域为多个县的县区域面积。

步骤104：根据所述现势多时相高分影像以及所述当前农作物物候历数据构建高精度小区域现势农作物标记样本；所述高精度小区域现势农作物标记样本包括现势训练样本以及现势验证样本，所述现势训练样本为85％，所述现势验证样本为15％。

基于当前年份小区域(如，两个县)现势多时相高分影像(如，高分一号2米/8米空间分辨率融合影像)和农作物物候历数据，利用面向对象方法进行影像对象分割，基于影像对象构建不同光谱特征和纹理特征，采用随机森林算法(Random Forest，RF)进行特征提取与优化，利用SVM分类器进行高精度农作物分类；然后采用众数原则的重采样方法将高分辨率的农作物分类结果重采样为与中分辨率农作物标记样本相同的分辨率，构建高精度小区域现势农作物标记样本，其中85％作为训练样本，15％作为验证样本。

步骤105：根据残差网络ResNet模型以及金字塔池化网络PSPNet模型建立遥感网络RSNet模型；所述遥感网络RSNet模型为多光谱遥感影像农作物“端到端”分类的模型。

本发明改进残差网络(Residual Network，ResNet)的ResNet-50模型，将ResNet-50模型与金字塔池化网络模型(Pyramid Scene Parsing Network，PSPNet)结合，生成一个适用于多光谱遥感影像农作物“端到端”分类的模型，即遥感网络模型(Remote SensingNetwork，RSNet)，图2为本发明所提供的RSNet模型网络框架图，表1为本发明所提供的模型RSNet参数表。

表1

步骤106：根据所述历史训练样本对所述遥感网络RSNet模型进行预训练，建立预训练遥感网络RSNet模型。

基于大范围历史农作物标记训练样本，迁移ResNet-50模型，对RSNet模型进行预训练，让模型学习和提取遥感影像农作物相关的特征，使得预训练模型能适用于遥感影像农作物分类。

步骤107：对所述预训练遥感网络RSNet模型进行精度评价，建立最优预训练遥感网络RSNet模型。

步骤108：根据所述现势训练样本对所述预训练遥感网络RSNet模型进行微调，建立微调遥感网络RSNet模型。

基于小区域高精度的现势农作物标记训练样本，对充分预训练的RSNet模型进行微调，使得RSNet能进一步学习现势遥感影像中农作物的特征，从而提高现势遥感影像农作物的分类精度。

步骤109：对所述微调遥感网络RSNet模型进行精度评价，建立最优微调遥感网络RSNet模型。

本发明进行模型精度评价的数据分别是大范围历史标记样本中15％的验证样本、小区域现势标记样本中15％的验证样本；其中模型精度评价的指标为混淆矩阵的总体分类精度(Overall Accuracy，OA)、制图精度(Product Accuracy，PA)、用户精度(UserAccuracy，UA)、Kappa系数(Kappa Coefficient，K)以及均交并比(Mean Intersectionover Union，MIoU)。表2为模型精度评价指标表，各个评价指标具体含义及公式如表2所示：

表2

历史预训练模型结果分析

图3为本发明所提供的预训练RSNet模型的精度评价结果图，如图3所示，从图3中可以看出，损失函数值Loss很快从10万下降到2万左右，然后缓慢趋于平缓，最后保持在1.5万左右；当模型迭代次数小于100万次时，各评价指标精度波动比较大，当模型迭代次数大于100万次时，模型逐渐趋于平稳，并且总体分类精度、水稻和玉米的用户精度与制图精度均达到80％以上；通过比较各个精度评价指标，最后选择总体分类精度和Kappa系数最高的模型为最优预训练模型，即迭代次数为1332000次的模型(如表3所示)，命名为RSNet₂₀₁₆。

表3

微调模型结果分析

基于小区域现势农作物标记训练样本对最优预训练RSNet-1332000₂₀₁₆模型进行微调，得到微调后RSNet模型的精度评价结果，图4为本发明所提供的微调后RSNet模型的精度评价结果图，如图4所示，从图4中可以看出，Loss从2.5万迅速下降到1.2万左右，再缓慢下降，最后保持在1.0万左右；但是当模型迭代次数大于6万时，总体精度、Kappa系数、MIoU均呈下降的趋势，而Loss值仍然处于下降趋势；这说明，模型迭代次数超过6万次时，模型开始产生过拟合。因此，并不是Loss值越低模型精度越高。通过比较各个精度评价指标，发现当迭代次数为52000时，模型的总体精度和Kappa系数最高，分别为91.66％、86.96％，此时，水稻和玉米的制图精度与用户精度也均大于87.75％(如表4所示)，因此，选择该模型为微调后最优的RSNet模型，命名为RSNet₂₀₁₇。

表4

步骤110：根据所述最优预训练遥感网络RSNet模型以及所述最优微调遥感网络RSNet模型对所述农作物进行分类。

本发明分别将历史预训练模型(RSNet₂₀₁₆)、微调模型(RSNet₂₀₁₇)应用到区域农作物分类中，用高精度小区域现势农作物标记样本进行精度评价，精度评价指标分别为总体分类精度(OA)、制图精度(PA)、用户精度(UA)、kappa系数(K)，以及表征制图精度和用户精度加权平均的F1分数，F1＝[2×(PA×UA)]/[(PA+UA)]。

基于RSNet模型的区域农作物分类结果分析

表5为本发明所提供的2种RSNet模型的区域作物识别精度评价结果表，如表5所示，图5为本发明所提供的分类结果图，如图5所示。从表5中可以看出，基于2017年少量标记样本微调后模型的分类结果较好，总体分类精度达到91.01％，Kappa系数为0.84，结果表明基于少量现势标记样本微调历史模型是可行的；直接用2016年标记样本预训练的模型对2017年区域作物进行分类的精度比微调模型的精度低，但是总体分类精度也达到75.06％，且水稻、玉米的F1分数在72.94％以上；从分类结果图可以明显的看出，在地形平坦、规整的区域，历史模型预测结果较好，但是在中部、南部的低山丘陵区以及北部地块相对破碎的区域，玉米和水稻出现比较严重的错出现象。造成该现象的原因可能有：一是低山丘陵区的训练样本较少，导致在丘陵区模型没有得到充分训练；二是在进行模型训练时，将地块破碎区域的小类别样本卷积为大类别(背景值)。整体来看，2种RSNet模型的分类结果证明了标记样本是可以被重复利用的，可被迁移的。

表5

基于RSNet₂₀₁₇模型的区域分区农作物分类结果分析

区域整体分类结果中存在参与模型微调的训练样本也参与了模型预测，可能会因参与训练的样本进行预测而提高模型精度的假象。为了避免上述问题，本研究单独基于RSNet₂₀₁₇模型对2017年区域验证样本进行农作物分类，并分区分析，精度评价结果如表6所示，图6至图8给出了基于RSNet₂₀₁₇模型的区域作物识别结果与真值对比图。

表6

从表6中可以看出，14景影像的总体分类精度均大于88.38％，其中玉米的制图精度、用户精度和F1分数均在83.01％以上。对于水稻来说，精度整体比玉米偏低，大部分影像的制图精度和用户精度在80％以上，其中编号为9、48这2景影像水稻的制图精度、用户精度和F1分数均低于80％，从图6、图7可以看出，这是因为影像中水稻面积比较小。编号为29的影像中水稻制图精度小于80％，但是用户精度大于90％，从分类结果图中可以明显看出水稻错出的地方，编号为69的影像中水稻用户精度小于80％，但是制图精度为87.90％，这说明水稻存在较明显的错分现象，从分类结果图中也可以明显看出水稻错分的地方，这2景影像中水稻面积占比也比较小。由2017年高精度的农作物识别结果可知，在研究区内，水稻、玉米和其他类别的面积分别为292.44km²、2108.94km²、1807.48km²，由此可以看出，水稻属于小类，而玉米和其他属于大类，存在样本不均衡的问题。这说明，微调预训练模型时，如果训练样本不均衡，会使得训练出来的模型偏向大类，即大类性能好，小类性能差。因此，水稻的精度整体比玉米低。但是，从整体上看，基于RSNet₂₀₁₇模型识别出的区域农作物的空间分布与样本真值具有很强的一致性，该结果增强了基于少量样本微调历史模型预测现势影像的可靠性，证明了RSNet模型的泛化能力，实现了样本在空间尺度的迁移，弥补了传统分类方法中训练样本受限于特定影像、特定区域的不足。

图9为本发明所提供的农作物分类***结构图，如图9所示，一种农作物分类***，包括：

历史参数获取模块901，用于获取历史年份大范围区域内的历史多时相中分影像以及历史农作物物候历数据；所述大范围为省及省以上区域面积。

历史农作物标记样本构建模块902，用于根据所述历史多时相中分影像以及所述历史农作物物候历数据构建历史农作物标记样本；所述历史农作物标记样本包括历史训练样本以及历史验证样本，所述历史训练样本为85％，所述历史验证样本为15％。

所述历史农作物标记样本构建模块902具体包括：历史农作物标记样本构建单元，用于根据所述历史多时相中分影像以及所述历史农作物物候历数据，利用目标变化检测与支持向量机结合的方法对农作物进行分类，构建历史农作物标记样本。

当前参数获取模块903，用于获取当前年份小区域的现势多时相高分影像以及当前农作物物候历数据；所述小区域为多个县的县区域面积。

现势农作物标记样本构建模块904，用于根据所述现势多时相高分影像以及所述当前农作物物候历数据构建高精度小区域现势农作物标记样本；所述高精度小区域现势农作物标记样本包括现势训练样本以及现势验证样本，所述现势训练样本为85％，所述现势验证样本为15％。

所述现势农作物标记样本构建模块904具体包括：

分割单元，用于根据所述现势多时相高分影像以及所述当前农作物物候历数据，利用面向对象方法进行影像对象分割，构建不同光谱特征以及纹理特征；

高分辨率农作物分类结果确定单元，用于利用随机森林算法对所述不同光谱特征以及纹理特征进行特征提取与优化，并利用支持向量机分类器进行高精度农作物分类，确定高分辨率农作物分类结果；

现势农作物标记样本构建单元，用于利用众数原则的重采样方法将所述高分辨率农作物分类结果，重采样为与中分辨率农作物标记样本相同的分辨率，构建高精度小区域现势农作物标记样本。

遥感网络RSNet模型建立模块905，用于根据残差网络ResNet模型以及金字塔池化网络PSPNet模型建立遥感网络RSNet模型；所述遥感网络RSNet模型为多光谱遥感影像农作物“端到端”分类的模型。

预训练遥感网络RSNet模型建立模块906，用于根据所述历史训练样本对所述遥感网络RSNet模型进行预训练，建立预训练遥感网络RSNet模型。

最优预训练遥感网络RSNet模型建立模块907，用于对所述预训练遥感网络RSNet模型进行精度评价，建立最优预训练遥感网络RSNet模型。

所述最优预训练遥感网络RSNet模型建立模块907具体包括：

最优预训练遥感网络RSNet模型建立单元，用于根据所述历史验证样本对所述预训练遥感网络RSNet模型进行精度评价，建立最优预训练遥感网络RSNet模型；所述精度评价的指标为混淆矩阵的总体分类精度、制图精度、用户精度、Kappa系数以及均交并比。

微调遥感网络RSNet模型建立模块908，用于根据所述现势训练样本对所述预训练遥感网络RSNet模型进行微调，建立微调遥感网络RSNet模型。

最优微调遥感网络RSNet模型建立模块909，用于对所述微调遥感网络RSNet模型进行精度评价，建立最优微调遥感网络RSNet模型。

所述最优微调遥感网络RSNet模型建立模块909具体包括：

最优微调遥感网络RSNet模型建立单元，用于根据所述现势验证样本对所述微调遥感网络RSNet模型进行精度评价，建立最优微调遥感网络RSNet模型；所述精度评价的指标为混淆矩阵的总体分类精度、制图精度、用户精度、Kappa系数以及均交并比。

分类模块910，用于根据所述最优预训练遥感网络RSNet模型以及所述最优微调遥感网络RSNet模型对所述农作物进行分类。

本研究利用面向对象分类方法对高分辨率影像进行分类，构建高精度标记样本数据；以中分辨率影像为核心数据源，基于遥感网络模型(Remote Sensing Network，RSNet)迁移利用历史标记样本预训练好的模型，构建适用现势任务的深度学习模型，进行高效、准确地农作物遥感自动化分类，旨在实现标记样本时间尺度、空间尺度的泛化，降低标记样本选择的工作量，提高中高分辨率影像农作物遥感识别效率，为农作物遥感估产、农业气象灾害监测等提供有力支撑。

因此，本发明至少具有以下优势：

1)创新性地发展了ResNet和PSPNet，构建了适合于遥感影像分类地RSNet模型，其中，预训练模型能适用于遥感影像农作物分类，微调遥感网络模型能够提高现势遥感影像农作物的分类精度；

2)充分利用历史标记样本信息，解决了现有分类技术中大量训练样本缺失的问题，实现了标记样本时空尺度的泛化和迁移；

3)降低了标记样本选择的工作量，提高了中高分辨率影像农作物遥感识别的效率。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种农作物分类方法，其特征在于，包括：

获取历史年份大范围区域内的历史多时相中分影像以及历史农作物物候历数据；所述大范围为省以上区域面积；

根据所述历史多时相中分影像以及所述历史农作物物候历数据构建历史农作物标记样本；所述历史农作物标记样本包括历史训练样本以及历史验证样本，所述历史训练样本为85％，所述历史验证样本为15％；

获取当前年份小区域的现势多时相高分影像以及当前农作物物候历数据；所述小区域为多个县的县区域面积；

根据所述现势多时相高分影像以及所述当前农作物物候历数据构建高精度小区域现势农作物标记样本；所述高精度小区域现势农作物标记样本包括现势训练样本以及现势验证样本，所述现势训练样本为85％，所述现势验证样本为15％；

根据残差网络ResNet模型以及金字塔池化网络PSPNet模型建立遥感网络RSNet模型；所述遥感网络RSNet模型为多光谱遥感影像农作物“端到端”分类的模型；

根据所述历史训练样本对所述遥感网络RSNet模型进行预训练，建立预训练遥感网络RSNet模型；

对所述预训练遥感网络RSNet模型进行精度评价，建立最优预训练遥感网络RSNet模型；

根据所述现势训练样本对所述预训练遥感网络RSNet模型进行微调，建立微调遥感网络RSNet模型；

对所述微调遥感网络RSNet模型进行精度评价，建立最优微调遥感网络RSNet模型；

根据所述最优预训练遥感网络RSNet模型以及所述最优微调遥感网络RSNet模型对所述农作物进行分类。

2.根据权利要求1所述的分类方法，其特征在于，所述根据所述历史多时相中分影像以及所述历史农作物物候历数据构建历史农作物标记样本，具体包括：

根据所述历史多时相中分影像以及所述历史农作物物候历数据，利用目标变化检测与支持向量机结合的方法对农作物进行分类，构建历史农作物标记样本。

3.根据权利要求1所述的分类方法，其特征在于，所述根据所述现势多时相高分影像以及所述当前农作物物候历数据构建高精度小区域现势农作物标记样本，具体包括：

根据所述现势多时相高分影像以及所述当前农作物物候历数据，利用面向对象方法进行影像对象分割，构建不同光谱特征以及纹理特征；

利用随机森林算法对所述不同光谱特征以及纹理特征进行特征提取与优化，并利用支持向量机分类器进行高精度农作物分类，确定高分辨率农作物分类结果；

利用众数原则的重采样方法将所述高分辨率农作物分类结果，重采样为与中分辨率农作物标记样本相同的分辨率，构建高精度小区域现势农作物标记样本。

4.根据权利要求1所述的分类方法，其特征在于，所述对所述预训练遥感网络RSNet模型进行精度评价，建立最优预训练遥感网络RSNet模型，具体包括：

根据所述历史验证样本对所述预训练遥感网络RSNet模型进行精度评价，建立最优预训练遥感网络RSNet模型；所述精度评价的指标为混淆矩阵的总体分类精度、制图精度、用户精度、Kappa系数以及均交并比。

5.根据权利要求1所述的分类方法，其特征在于，所述对所述微调遥感网络RSNet模型进行精度评价，建立最优微调遥感网络RSNet模型，具体包括：

根据所述现势验证样本对所述微调遥感网络RSNet模型进行精度评价，建立最优微调遥感网络RSNet模型；所述精度评价的指标为混淆矩阵的总体分类精度、制图精度、用户精度、Kappa系数以及均交并比。

6.一种农作物分类***，其特征在于，包括：

历史参数获取模块，用于获取历史年份大范围区域内的历史多时相中分影像以及历史农作物物候历数据；所述大范围为省以上区域面积；

历史农作物标记样本构建模块，用于根据所述历史多时相中分影像以及所述历史农作物物候历数据构建历史农作物标记样本；所述历史农作物标记样本包括历史训练样本以及历史验证样本，所述历史训练样本为85％，所述历史验证样本为15％；

当前参数获取模块，用于获取当前年份小区域的现势多时相高分影像以及当前农作物物候历数据；所述小区域为多个县的县区域面积；

现势农作物标记样本构建模块，用于根据所述现势多时相高分影像以及所述当前农作物物候历数据构建高精度小区域现势农作物标记样本；所述高精度小区域现势农作物标记样本包括现势训练样本以及现势验证样本，所述现势训练样本为85％，所述现势验证样本为15％；

遥感网络RSNet模型建立模块，用于根据残差网络ResNet模型以及金字塔池化网络PSPNet模型建立遥感网络RSNet模型；所述遥感网络RSNet模型为多光谱遥感影像农作物“端到端”分类的模型；

预训练遥感网络RSNet模型建立模块，用于根据所述历史训练样本对所述遥感网络RSNet模型进行预训练，建立预训练遥感网络RSNet模型；

最优预训练遥感网络RSNet模型建立模块，用于对所述预训练遥感网络RSNet模型进行精度评价，建立最优预训练遥感网络RSNet模型；

微调遥感网络RSNet模型建立模块，用于根据所述现势训练样本对所述预训练遥感网络RSNet模型进行微调，建立微调遥感网络RSNet模型；

最优微调遥感网络RSNet模型建立模块，用于对所述微调遥感网络RSNet模型进行精度评价，建立最优微调遥感网络RSNet模型；

分类模块，用于根据所述最优预训练遥感网络RSNet模型以及所述最优微调遥感网络RSNet模型对所述农作物进行分类。

7.根据权利要求6所述的分类***，其特征在于，所述历史农作物标记样本构建模块具体包括：

历史农作物标记样本构建单元，用于根据所述历史多时相中分影像以及所述历史农作物物候历数据，利用目标变化检测与支持向量机结合的方法对农作物进行分类，构建历史农作物标记样本。

8.根据权利要求6所述的分类***，其特征在于，所述现势农作物标记样本构建模块具体包括：

分割单元，用于根据所述现势多时相高分影像以及所述当前农作物物候历数据，利用面向对象方法进行影像对象分割，构建不同光谱特征以及纹理特征；

高分辨率农作物分类结果确定单元，用于利用随机森林算法对所述不同光谱特征以及纹理特征进行特征提取与优化，并利用支持向量机分类器进行高精度农作物分类，确定高分辨率农作物分类结果；

现势农作物标记样本构建单元，用于利用众数原则的重采样方法将所述高分辨率农作物分类结果，重采样为与中分辨率农作物标记样本相同的分辨率，构建高精度小区域现势农作物标记样本。

9.根据权利要求6所述的分类***，其特征在于，所述最优预训练遥感网络RSNet模型建立模块具体包括：

最优预训练遥感网络RSNet模型建立单元，用于根据所述历史验证样本对所述预训练遥感网络RSNet模型进行精度评价，建立最优预训练遥感网络RSNet模型；所述精度评价的指标为混淆矩阵的总体分类精度、制图精度、用户精度、Kappa系数以及均交并比。

10.根据权利要求6所述的分类***，其特征在于，所述最优微调遥感网络RSNet模型建立模块具体包括：

最优微调遥感网络RSNet模型建立单元，用于根据所述现势验证样本对所述微调遥感网络RSNet模型进行精度评价，建立最优微调遥感网络RSNet模型；所述精度评价的指标为混淆矩阵的总体分类精度、制图精度、用户精度、Kappa系数以及均交并比。

Images