(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210116672.3 (22)申请日 2022.02.07 (71)申请人 中国科学院空天信息创新研究院 地址 100190 北京市海淀区北四环西路19 号 (72)发明人 彭代亮　刘胜威　张兵　陈俊杰　 潘玉豪　郑诗军　胡锦康　 (74)专利代理 机构 北京金信知识产权代理有限 公司 11225 专利代理师 贾然 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/54(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06K 9/62(2022.01) G06T 7/41(2017.01) G06T 7/62(2017.01) (54)发明名称 一种基于随机森林的冬小麦遥感识别分析 方法和系统 (57)摘要 本发明提出一种基于随机森林的冬小麦遥 感识别分析方法和系统。 其中， 方法包括： 应用影 像集生成指数特征， 然后将影像集、 指数特征和 地形特征融合得到第二合 成影像， 再应用第二合 成影像计算纹理特征， 最后将纹理特征与第二合 成影像融合， 得到第三合成影像； 应用训练集和 第三合成影像作为随机森 林分类模 型输入， 训练 随机森林模型； 应用测试集计算混淆矩阵， 来评 估每个生育期阶段的冬小麦的分类结果精度； 选 取可分性和分类结果精度最高的生育期阶段的 遥感影像生成冬小麦空间分布图， 得到提取面 积， 并应用提取面积与地面真实值， 对提取面积 进行精度评价。 本发明提出的方案， 总体精度高， 分类效果好， 拔节抽穗期冬小麦遥感识别精度最 高。 权利要求书3页 说明书13页 附图4页 CN 114494882 A 2022.05.13 CN 114494882 A 1.一种基于随机森林的冬小麦 遥感识别分析 方法， 其特 征在于， 所述方法包括： 步骤S1、 样本数据准备： 采集冬小麦实测样本数据， 得到训练集和 测试集； 步骤S2、 合成影像 的提取和预处理： 获取sentienl ‑2遥感影像中的2A级地表反射率产 品， 并对所述2A级地表反射率产品进行预处理， 得到影像集， 再对影像集进行合成， 得到第 一合成影像； 步骤S3、 可分性计算： 利用所述第一合成影像计算不同土地覆被之间的可分性， 评估每 个生育期阶段的冬小麦与所述 不同土地覆被之间的可分性； 步骤S4、 分类特征构建： 应用所述影像集生成指数特征， 然后将所述影像集、 所述指数 特征和地形特征融合得到第二合成影像， 再应用所述第二合成影像计算纹理特征， 最后将 所述纹理特征与所述第二 合成影像融合， 得到第三 合成影像； 步骤S5、 随机森林分类模型的构建与训练： 应用所述训练集和所述第三合成影像作为 随机森林分类模型输入， 训练所述随机森林模型； 步骤S6、 分类结果精度评定： 应用所述测试集计算混淆矩阵， 来评估每个生育期阶段的 冬小麦的分类结果精度； 步骤S7、 冬小麦空间制图与面积提取： 通过所述可分性和所述分类结果精度的结果， 选 取可分性和分类结果精度最高的生育期阶段的遥感影像生成冬小麦空间分布图； 统计可分 性和分类结果精度最高的生育期阶段的冬小麦面积， 得到提取面积， 并应用所述提取面积 与地面真实值， 对所述 提取面积进行精度评价。 2.根据权利要求1所述的一种基于随机森林的冬小麦遥感识别分析方法， 其特征在于， 在所述步骤S1中， 所述样本数据准备的方法还 包括： 采集农业气象站点的冬小麦生长发育阶段的时间数据， 划分冬小麦的各个生育期， 将 冬小麦生育期划分为5个生育期阶段。 3.根据权利要求2所述的一种基于随机森林的冬小麦遥感识别分析方法， 其特征在于， 在所述步骤S2中， 所述获取sentienl ‑2遥感影像中的2A级地表反射率产品的具体方法包 括： 获取研究区中5个生育期阶段的sentien l‑2遥感影像中的2A级地表反射 率产品； 所述对所述2 A级地表反射 率产品进行 预处理， 得到影 像集的具体方法包括： 利用质量控制波段标记对所述遥感影像实现去云， 然后挑选出所述遥感影像的10米和 20米空间分辨 率的10个光谱波段的影 像集； 所述对影 像集进行合成， 得到第一 合成影像的具体方法包括： 分别对5个生育期阶段的遥感影像的10个光谱波段进行中值合成， 裁剪至感兴趣区域， 得到五幅10个光谱波段的第一 合成影像。 4.根据权利要求1所述的一种基于随机森林的冬小麦遥感识别分析方法， 其特征在于， 在所述步骤S 3中， 所述利用所述第一合成影像计算不同土地覆被之 间的可分性的具体方法 包括： 通过J‑M距离， 利用所述第一 合成影像计算不同土地覆被之间的可分性。 5.根据权利要求3所述的一种基于随机森林的冬小麦遥感识别分析方法， 其特征在于， 在所述步骤S4中， 所述应用所述影 像集生成指数 特征的具体方法包括： 在所述10个光谱波段中选择相应的波段计算得到常用的8个指数特征： 归一化植被指权　利　要　求　书 1/3 页 2 CN 114494882 A 2数、 增强型植被指数、 土壤调节 植被指数、 归一化水体指数、 归一化差异水体指数、 归一化建 筑指数、 红边归一 化指数和红边 位置指数； 所述将所述影像集、 所述指数特征和地形特征融合得到第二合成影像的具体方法包 括： 将所述8个指数特征作为独立的波段分别添加到10个光谱波段的每幅影像上， 然后对 添加后的每幅影 像进行中值 合成， 得到一幅有18个波段的第一过程 合成影像； 将海拔高度、 坡度、 坡向及山体阴影4种地形特征作为独立波段添加到第 一过程合成影 像中， 生成2 2个波段的第二 合成影像。 6.根据权利要求5所述的一种基于随机森林的冬小麦遥感识别分析方法， 其特征在于， 在所述步骤S4中， 所述应用所述第二合成影像计算纹理特征， 最后将所述纹理特征与所述 第二合成影像融合， 得到第三 合成影像的具体方法包括： 应用所述第二合成影像计算得到角二阶矩、 对比度、 相关性、 方差、 逆差矩、 和熵6种纹 理特征， 再将所述6种纹理特征为独立波 段添加到第二合成影像上， 生成含有28个特征的第 二过程合成影像； 将所述第二过程 合成影像重采样至10米空间分辨 率， 得到所述第三 合成影像。 7.根据权利要求1所述的一种基于随机森林的冬小麦遥感识别分析方法， 其特征在于， 在所述步骤S6中， 所述的具体方法包括： 选取用户精度、 制图精度、 总体精度和应用所述测试集计算混淆矩阵， 来评估每个生育 期阶段的冬小麦的分类结果精度Kappa系数四个评价指标来 综合反映随机森林冬小麦识别 情况， 集体 计算公式为： 其中， UAi： 用户精度； PAi： 制图精度； OA： 总体精度； Kappa： Kappa系数； N： 测试集中样本总个数； m： 类别的个数； ni： 预测为类别i中实际为类别i的个数；权　利　要　求　书 2/3 页 3 CN 114494882 A 3