本發(fā)明涉及農(nóng)業(yè)遙感監(jiān)測(cè)領(lǐng)域。更具體地，涉及一種基于遙感的林糧間作區(qū)果樹密度提取方法。

背景技術(shù)：

1、林糧間作是指通過各類植物的不同組合構(gòu)成多層次、多功能的人工復(fù)合群體，充分利用各種植物在生長(zhǎng)過程中形成的“空間差”、“時(shí)間差”，以最大程度地發(fā)揮有限的農(nóng)業(yè)資源。研究表明，在適當(dāng)?shù)姆N植密度下，采用林糧間作種植結(jié)構(gòu)可以使產(chǎn)量提高20％至50％。然而，不當(dāng)?shù)拈g作方式可能會(huì)產(chǎn)生相反的效果。隨著果樹的樹冠逐年長(zhǎng)大，高密度種植下的果樹林會(huì)大幅度降低林下糧食作物的產(chǎn)量。通過提取林糧間作區(qū)果樹的種植密度，可以為科學(xué)調(diào)整林糧間作區(qū)植被的種植結(jié)構(gòu)提供支持。

2、單木是樹林的基本單元，樹林密度的提取的關(guān)鍵在于林分株數(shù)。由于樹木的中心與樹冠邊界存在高度與遙感指數(shù)的明顯區(qū)別，通過這些特征可以定位樹叢中的單棵樹的中心。因此，目前提取樹木密度常用的方法包括2種，分別是基于冠層高度的局部最大值方法與基于可見光影像光譜的局部最大值方法。前者多使用高精度的無人機(jī)影像或雷達(dá)數(shù)據(jù)提取樹木高度并計(jì)算樹林密度，但是通過無人機(jī)獲取大面積數(shù)據(jù)所消耗的人力與物力成本較高，限制了該類方法在尺度較大區(qū)域樹林密度制圖中的可行性。使用衛(wèi)星遙感數(shù)據(jù)，構(gòu)建遙感指數(shù)和樹木位置的函數(shù)關(guān)系式，可以提取樹木中心點(diǎn)從而計(jì)算其密度。然而這類方法的函數(shù)關(guān)系式構(gòu)建過程復(fù)雜且準(zhǔn)確度難以提高，且更適合于樹木種植稀疏地區(qū)的林木單株的提取，對(duì)于林糧間作去區(qū)果樹生長(zhǎng)更多以叢林為主的情況并不適用。

3、因此，提供一種適應(yīng)林糧間作區(qū)的果樹密度的提取方法是亟待解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于遙感的林糧間作區(qū)果樹密度提取方法，包括三個(gè)方面：

2、第一方面：本發(fā)明提供一種基于實(shí)例分割思想的地塊提取方法，利用深度學(xué)習(xí)模型代替?zhèn)鹘y(tǒng)分割方式從具有超高空間分辨率影像中提取地塊，作為林糧間作區(qū)果樹密度提取的基礎(chǔ)計(jì)算單元，包括如下步驟：

3、(1)對(duì)gf-2(高分二號(hào))數(shù)據(jù)進(jìn)行預(yù)處理得到超高空間分辨率影像，包括六個(gè)步驟，分別是：輻射定標(biāo)、大氣校正、正射校正、影像配準(zhǔn)、圖像融合與影像鑲嵌；

4、(2)基于農(nóng)田地塊的影像視覺特征建立農(nóng)田分區(qū)分層系統(tǒng)，將林糧間作的農(nóng)田劃分成幾種相對(duì)一致的亞類型；

5、(3)基于每種類型地塊所呈現(xiàn)的視覺特征，分別選取并改進(jìn)合適的實(shí)例分割模型分層提取各類型的農(nóng)田，并合并各個(gè)農(nóng)田的亞類，得到完整的農(nóng)田信息提取結(jié)果圖。

6、上述基于實(shí)例分割思想的地塊提取，在步驟(1)中，具體的得到超高空間分辨率影像的預(yù)處理方式如下：

7、(1-1)輻射定標(biāo)，通過將傳感器記錄的數(shù)據(jù)值(dn)轉(zhuǎn)換為表觀反射率，從而消除傳感器本身的誤差，需要基于絕對(duì)輻射定標(biāo)系數(shù)來計(jì)算輻射亮度值。公式可表示為：

8、lλ＝gain·dn+offset

9、其中，lλ為轉(zhuǎn)換后的標(biāo)準(zhǔn)輻射亮度，從中國資源衛(wèi)星應(yīng)用中心得到gf-2號(hào)(高分二號(hào))衛(wèi)星的載荷觀測(cè)值(dn)和絕對(duì)定標(biāo)系數(shù)偏移量(offset)的數(shù)值，本發(fā)明中用到的傳感器參數(shù)dn值與offset值如表1所示；

10、表1絕對(duì)輻射定標(biāo)系數(shù)

11、

12、(1-2)大氣校正，將輻射亮度或者表面反射率轉(zhuǎn)換為地表實(shí)際反射率，能有效消除大氣和光照等因素對(duì)地物反射的影響。本發(fā)明利用flaash模型進(jìn)行大氣校正，該模型算法基于modtran?4+輻射傳輸模型的像素級(jí)的校正，校正由于漫反射引起的連帶效應(yīng)，包含卷云和不透明云層的分類圖，可調(diào)整由于人為抑止而導(dǎo)致的波譜平滑；

13、(1-3)正射校正，消除地形的影響或相機(jī)方位引起的變形等，生成平面正射影像的處理過程，除了進(jìn)行常規(guī)的幾何校正外，還要根據(jù)dem來糾正影像因地形起伏而產(chǎn)生的畸變；本發(fā)明利用正射糾正工具rpc?orthorectification?workfolw，數(shù)字高程模型采用gmted?2010dem；同時(shí)為了后續(xù)進(jìn)行圖像融合，將gf-2的全色影像重采樣為1m分辨率，多光譜影像重采樣為4m分辨率；

14、(1-4)影像配準(zhǔn)，將同一區(qū)域里一幅圖像(基準(zhǔn)圖像)對(duì)另一幅圖像校準(zhǔn)本，由于gf-2的全色影像與多光譜影像不完全對(duì)應(yīng)，因此選擇多光譜影像為基準(zhǔn)影像，對(duì)全色影像進(jìn)行配準(zhǔn)，輸出分辨率為1m；

15、(1-5)圖像融合，將低分辨率的多光譜影像與高分辨率的全色影像融合得到一張既有較高的空間分辨率，又具有多光譜特征的影像，經(jīng)過正射校正后的gf-2影像，全色波段為1m分辨率，四個(gè)多光譜波段為4m分辨率，本發(fā)明采用nndiffuse?pan?sharpening融合法進(jìn)行多光譜與全色影像的融合；

16、(1-6)影像鑲嵌，將兩幅或更多帶有地理坐標(biāo)的遙感圖像進(jìn)行拼接得到更大更完整的遙感圖像，本發(fā)明在對(duì)gf-2影像鑲嵌前需要采取影像配準(zhǔn)，選取sentinel-2(水手2號(hào))遙感影像作為基準(zhǔn)影像，gf-2影像作為待配準(zhǔn)影像進(jìn)行配準(zhǔn)，隨后利用無縫鑲嵌工具(seamless?mosaic)進(jìn)行g(shù)f-2影像的鑲嵌。

17、上述基于實(shí)例分割思想的地塊提取，在步驟(2)中，還需要進(jìn)行“地理分區(qū)”，提高遙感影像的解譯效果，具體的步驟如下：

18、(2-1)在道路網(wǎng)/水系/地形線的輔助下，通過掩膜的方式將影像劃分為自然聚合的子區(qū)域，保證每個(gè)子區(qū)域內(nèi)部地物類型較為均一，該步驟將圖像被切割成離散的若干地理區(qū)塊，使得分類過程能夠限定于對(duì)應(yīng)的子區(qū)域，從而避免分類誤差的傳播，同時(shí)將圖像劃分為區(qū)塊后可用于并行計(jì)算，提高提取效率；

19、(2-2)在每個(gè)地理區(qū)塊的約束下，在每個(gè)區(qū)域內(nèi)進(jìn)行目標(biāo)地物邊緣的提取，而對(duì)于邊緣模糊的耕地則基于紋理獲取其對(duì)象邊界，在基于地形數(shù)據(jù)計(jì)算坡度進(jìn)行分區(qū)的基礎(chǔ)上，表達(dá)不同區(qū)域內(nèi)耕地所呈現(xiàn)的幾何特征和紋理特征差異。

20、上述基于實(shí)例分割思想的地塊提取，在步驟(3)中，需要利用實(shí)例分割模型分層提取各類型的農(nóng)田，具體的步驟如下：

21、(3-1)本發(fā)明中所使用的實(shí)例分割算法為hybrid?task?cascade(htc)模型，骨架為resnext-101-64x4d和deformable?convnets?v2(dcn)，將目視解譯繪制的16張1024*1024像素的地塊樣本輸入模型，并進(jìn)行訓(xùn)練；

22、(3-2)使用滑動(dòng)窗口，從上到下、從左到右地從原始圖像中裁剪出許多像素塊進(jìn)行實(shí)例分割；

23、(3-3)將每個(gè)像素塊劃分為目標(biāo)區(qū)域與忽略區(qū)域，忽略區(qū)域地左邊緣和上邊緣距離格網(wǎng)邊界為兩個(gè)像素，當(dāng)檢測(cè)框左上角的坐標(biāo)(x,y)落在目標(biāo)區(qū)域內(nèi)時(shí)，檢測(cè)結(jié)果被保留；

24、(3-4)當(dāng)滑動(dòng)窗口在原始圖像的邊界上時(shí)，與該格網(wǎng)在同一方向的邊緣上的忽略區(qū)域被合井到目標(biāo)區(qū)域中。

25、第二方面，林糧間作地塊的提取，本發(fā)明基于時(shí)間序列模型，基于sentinel-2時(shí)間序列影像的特征區(qū)分普通農(nóng)田地塊與林糧間作地塊，確定后續(xù)進(jìn)行果樹密度提取任務(wù)的地塊，包括如下步驟：

26、1.設(shè)計(jì)適合主要糧食作物與主要種植果樹的時(shí)間序列特征，提取長(zhǎng)時(shí)間序列sentinel-2影像中不同植被物候變化特征；

27、2.基于不規(guī)則時(shí)間序列模型進(jìn)行作物分類，并根據(jù)分類結(jié)果設(shè)計(jì)僅存在糧食作物、存在糧食作物與果樹與僅存在果樹的判別條件，將農(nóng)田地塊分為普通農(nóng)田與林糧間作地塊。

28、上述林糧間作地塊的提取，在步驟(1)中，設(shè)計(jì)的適合主要糧食作物與主要種植果樹的時(shí)間序列特征具體如下：

29、(1-1)本發(fā)明選擇了三個(gè)植被時(shí)序特征以區(qū)分三種地塊類型，分別是歸一化植被指數(shù)(ndvi)、歸一化紅邊指數(shù)(ndre1)與紅邊歸一化植被指數(shù)(ndvire1)。計(jì)算公式如下：

30、

31、上述林糧間作地塊的提取，在步驟(2)中，基于不規(guī)則時(shí)間序列模型提取植被物候變化特征，具體的步驟如下：

32、(2-1)本發(fā)明對(duì)于影像中的每個(gè)像素位置，從原始光學(xué)圖像中提取不規(guī)則的vi時(shí)間序列，并將其轉(zhuǎn)換為“時(shí)間——特征”矩陣來表征作物生長(zhǎng)模式。在“時(shí)間特征”矩陣中，橫軸表示時(shí)間，縱軸表示植被指數(shù)的值；

33、(2-2)本發(fā)明將第一步得到的“時(shí)間——特征”矩陣輸入到resnet-18的三個(gè)通道中，得到適合resnet-18的三維矩陣，從而進(jìn)行植被物候變化特征的提??；

34、將vi時(shí)間序列拉伸為“時(shí)間——特征”矩陣的公式如下:

35、

36、其中，viori為vi的原始值，vir為拉伸后的vi值，length時(shí)間序列的長(zhǎng)度。

37、(2-3)得到基于時(shí)序特征的像素級(jí)分類結(jié)果后，本發(fā)明設(shè)計(jì)了三種判別條件用來區(qū)分普通農(nóng)田與林糧間作地塊，分別是1.僅存在糧食作物(糧食作物分布面積大于80％)2.存在糧食作物與果樹(糧食作物分布面積和果樹分布面積大于30％)與僅存在果樹(果樹分布面積大于80％)，并篩選出林糧間作地塊。

38、第三方面，林糧間作區(qū)果樹密度的提取，本發(fā)明基于語義分割模型從gf-2影像中提取果樹的空間信息特征，并基于語義分割結(jié)果設(shè)計(jì)模板填充策略，在地塊結(jié)果的約束下得到果樹的種植密度，包括如下步驟：

39、1.采用基于卷積神經(jīng)網(wǎng)絡(luò)的語義分割模型，提取預(yù)處理后1m分辨率下的gf-2影像中的果樹，得到果樹的語義分割結(jié)果；

40、2.基于模板填充算法，根據(jù)不同大小的果樹樹冠的光譜特性形成不同的模板，然后將這些生成的模板填充到果樹語義分割結(jié)果中，得到每棵果樹的樹冠中心位置；

41、3.通過計(jì)算每個(gè)地塊要素內(nèi)部果樹中心點(diǎn)的個(gè)數(shù)除以要素面積(畝)得到果樹的種植密度。

42、上述林糧間作區(qū)果樹密度的提取，在步驟(1)中，利用語義分割模型提取超高分辨率影像中的果樹，具體的步驟如下：

43、(1-1)本發(fā)明所使用的語義分割模型為d-linknet模型，d-linknet使用在imagenet數(shù)據(jù)集上與訓(xùn)練好的resnet作為網(wǎng)絡(luò)的encoder，并在中心部分添加帶有shortcut的dilated-convolution層，使得整個(gè)網(wǎng)絡(luò)識(shí)別能力更強(qiáng)、接收域更大、融合多尺度信息，將目視解譯繪制的20張512*512像素的果樹樣本輸入模型，并進(jìn)行訓(xùn)練。

44、上述林糧間作區(qū)果樹密度的提取，在步驟(2)中，利用模板填充算法得到每棵果樹的樹冠中心位置，具體的步驟如下：

45、(2-1)隨機(jī)選擇標(biāo)注區(qū)域，并對(duì)所有果樹單株進(jìn)行標(biāo)注，以減少主觀偏差，創(chuàng)建一系列奇數(shù)長(zhǎng)度的方形空模板，以確保網(wǎng)格居中，并將每棵果樹分配到面積最近的模板中；

46、(2-4)將果樹的中心與模板的中心對(duì)齊后，計(jì)算每個(gè)模板內(nèi)連接成分的光譜平均值，生成原始模板，原始模板系列表現(xiàn)出果樹單株樹冠的典型特征；

47、(2-5)對(duì)原始模板的典型特征構(gòu)建數(shù)學(xué)模型，通過預(yù)處理以獲得更好的性能，由于果樹中心的近紅外響應(yīng)更強(qiáng)，使用以下公式計(jì)算模板像元的光譜特性：

48、r＝c

49、

50、其中r為nir2波段(908nm)，b為red波段(658.8nm)，g為green波段(546.2nm)，c為常數(shù)，bgmin和bgmax分別為b和g波段的最小值和最大值，n表示模板長(zhǎng)度，distance_to_cent表示到模板中心的距離，以像素為單位。

51、(2-6)在目標(biāo)柵格圖像上，給定一個(gè)任意形狀的四連通域c，c中像素值記為xi,j，其中i,j為數(shù)字格網(wǎng)上的坐標(biāo)；同時(shí)給定若干種邊長(zhǎng)不一的正方形子連通域sn，其中n為子連通域的下標(biāo)；記每個(gè)子連通域中的像素值記為yi,j，其中i，j為子連通域包圍框格網(wǎng)的坐標(biāo)，將子連通域s填充到c中，每一個(gè)子連通域都可以重復(fù)使用任意次，最終目標(biāo)是使得數(shù)字格網(wǎng)上的全局值g最??；

52、g＝sum(|xi,j-yi,j|)+p+q+r

53、其中p為子連通域延伸到c之外的懲罰值，q為c中沒有被填充的像素的額外懲罰值，r為子連通域重疊部分的懲罰值，同時(shí)，每個(gè)位置i,j至多放置一個(gè)子連通域。

54、(2-7)通過卷積實(shí)現(xiàn)與果樹樹林連通部分的模板匹配，并將匹配結(jié)果存儲(chǔ)在適合度圖中，根據(jù)“大優(yōu)先”原則計(jì)算每個(gè)模板的適合度圖，適合度圖中值越高的像素點(diǎn)表示冠中心位置越合適，適宜性圖中的局部最大值被認(rèn)為是潛在的樹冠中心，它們?cè)跐M足特定約束條件后確認(rèn)為樹冠中心。

55、上述林糧間作區(qū)果樹密度的提取，在步驟(3)中，計(jì)算林糧間作區(qū)的果樹密度，具體的步驟如下：

56、(3-1)將地塊結(jié)果、模板填充結(jié)果重投影至同一投影坐標(biāo)系，然后計(jì)算地塊矢量文件中每個(gè)地塊要素內(nèi)部的果樹個(gè)數(shù)；

57、(3-2)果樹每畝種植棵樹可以代表其種植密度，將地塊要素面積乘以0.0015即可得到平方米與公畝的轉(zhuǎn)換，從而通過計(jì)算每個(gè)地塊要素內(nèi)部果樹中心點(diǎn)的個(gè)數(shù)除以要素面積(畝)得到果樹種植密度，將結(jié)果存入地塊矢量文件屬性表中。

58、與現(xiàn)有技術(shù)相比，本發(fā)明提供的一種基于遙感的林糧間作區(qū)果樹密度提取方法，至少實(shí)現(xiàn)了如下的有益效果：

59、(1)本發(fā)明提供的林糧間作區(qū)果樹密度的提取方法，將地塊作為最小基本單元，地塊是指具有同一權(quán)屬主的完整封閉的農(nóng)田，它是農(nóng)業(yè)生產(chǎn)經(jīng)營中的最小單位，以地塊為最小基本單元為后續(xù)的果樹密度計(jì)算奠定了良好的基礎(chǔ)，并且更加符合實(shí)際生產(chǎn)種植中的農(nóng)田的管理；

60、(2)本發(fā)明提供的林糧間作區(qū)果樹密度的提取方法，更適合大范圍林糧間作區(qū)的果樹密度調(diào)查，本發(fā)明基于的遙感影像為預(yù)處理后的超高分辨率gf-2影像，相對(duì)于利用無人機(jī)獲得的雷達(dá)數(shù)據(jù)或超高分影像的方法而言，本發(fā)明通過數(shù)據(jù)融合的方式提高影像分辨率的方式可以在一定程度上降低人力與物力成本；

61、(3)本發(fā)明提供的林糧間作區(qū)果樹密度的提取方法，利用模板填充算法得到果樹的樹冠中心，通過生成模板的方式完成了高精度的林分株數(shù)任務(wù)，適用于以叢林為主的林糧間作區(qū)果樹的種植情況；

62、(4)本發(fā)明通過提供的林糧間作區(qū)果樹密度的提取方法，可以為科學(xué)調(diào)整林糧間作區(qū)植被的種植結(jié)構(gòu)提供支持，提高林糧間作農(nóng)田的經(jīng)濟(jì)效益，解決林糧爭(zhēng)地矛盾，引導(dǎo)農(nóng)民科學(xué)調(diào)優(yōu)種植結(jié)構(gòu)。