(19)中华 人民共和国 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 202111643634.5 (22)申请日 2021.12.2 9 (71)申请人 中国农业大 学 地址 100193 北京市海淀区 圆明园西路2号 (72)发明人 李雪草　黄健熙　温亚楠　苗双喜　 苏伟　曾也鲁　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 代理人 肖艳 (51)Int.Cl. G06V 10/764(2022.01) G06V 20/13(2022.01) G06V 10/34(2022.01) G06K 9/62(2022.01) (54)发明名称 一种农作物高精度制图方法及系统 (57)摘要 本发明提供一种农作物高精度制图方法及 系统， 该方法包括： 根据预设年份内目标区域的 陆地卫星表 面反射率影像， 获取所述目标区域对 应的月均值时序合成影像集合； 将所述月均值时 序合成影像集合输入到训练好的分类模型中， 得 到所述目标区域在所述预设年份内的农作物空 间分布制图结果， 其中， 所述训练好的分类模型 是由具有月均值时序合成影像像素特征的农作 物采样点， 对随机森林分类器进行训练得到的。 本发明通过获取农作物区域的陆地卫星表面反 射率影像， 基于由随机森 林分类器训练得到的分 类模型， 对陆地卫星表面反射率影像进行分类， 得到农作物区域更为精准的空间分布图， 更加准 确的对农作物分布区域进行监测 和评估。 权利要求书3页 说明书12页 附图3页 CN 114419367 A 2022.04.29 CN 114419367 A 1.一种农作物高精度制图方法， 其特 征在于， 包括： 根据预设年份 内目标区域的陆地卫星表面反射率影像， 获取所述目标区域对应的月均 值时序合成影 像集合； 将所述月均值 时序合成影像集合输入到训练好的分类模型中， 得到所述目标区域在所 述预设年份内的农作物空间分布制图结果， 其中， 所述训练好的分类模型是 由具有农作物 月均值时序合成影 像像素特征的农作物采样点， 对随机森林分类 器进行训练得到的。 2.根据权利要求1所述的农作物高精度制图方法， 其特征在于， 所述训练好的分类模型 通过以下步骤得到： 对目标农作物在生长周期内的样本陆地卫星表面反射率影像进行均值处理， 得到样本 月均值时序合成影像集合， 并获取所述样本陆地卫星表面反射率影像对应区域的历史农作 物分布区遥感影 像数据； 对所述历史农作物分布区遥感影像数据进行形态学图像处理， 获取农作物种植 区域影 像， 并确定所述农作物种植区域影 像中所有的农作物采样点； 基于所述农作物种植 区域影像中农作物的类型， 对所述农作物采样点标记对应的农作 物采样点类型 标签， 得到标签标记后的农作物采样点； 根据所述样本月均值 时序合成影像集合中 图像的像素值， 为所述标签标记后的农作物 采样点匹配对应的农作物月均值时序合成影 像像素特征， 构建得到训练样本集； 将所述训练样本集输入到随机森林分类 器进行训练， 得到训练好的分类模型。 3.根据权利要求2所述的农作物高精度制图方法， 其特征在于， 所述对所述历史农作物 分布区遥感影像数据进行形态学图像处理， 获取农作物种植区域影像， 并确定所述农作物 种植区域影 像中所有的农作物采样点， 包括： 根据不同年度的历史农作物分布区遥感影像数据之间的交集区域影像， 确定初始农作 物种植区域样本图像； 对所述初始农作物种植区样本图像进行图像腐蚀处 理， 得到农作物种植区域影 像； 对所述农作物种植区域影像的质心进行提取， 确定所述农作物种植区域影像中的第 一 初始农作物样本采样点； 删除所述第 一初始农作物样本采样点中的第 二初始农作物样本采样点， 获取第 三初始 农作物样本采样点； 其中， 所述第二初始农作物样本采样点为所述农作物种植区域影像中 农作物区域 边界外的第一初始农作物样本采样点； 对所述第三初始农作物样本采样点进行判断， 将满足预设分割阈值的第 三初始农作物 样本确定为所述农作物种植区域影 像中对应的农作物采样点。 4.根据权利要求2所述的农作物高精度制图方法， 其特征在于， 在所述对所述历史农作 物分布区遥感影像数据进行形态学图像处理， 获取农作物种植区域影像之前， 所述方法还 包括： 在所述历史农作物分布区遥感影 像数据内划分多个相同规格的格网单 元； 所述将所述训练样本集输入到随机森林分类器进行训练， 得到训练好的分类模型， 包 括： 步骤S1， 基于预设选取条件和所述训练样本集， 确定初始格网单元， 并通过所述初始格 网单元中的农作物采样点和非农作物采样点， 构建得到初始采样点样本库；权　利　要　求　书 1/3 页 2 CN 114419367 A 2步骤S2， 将所述初始采样点样本库中的采样点， 输入到随机森林分类器， 得到初始分类 模型； 步骤S3， 根据所述初始格网单元， 确定所述样本月均值时序合成影像集合的农作物采 样区格网单元， 得到基于农作物采样区格网单元构建的农作物采样区样本图像集合， 并将 所述农作 物采样区样本图像集合输入到所述初始分类模型中， 输出所述农作 物采样区样本 图像集合中每个农作物采样区格网单 元对应的预测准确率， 并得到第二分类模型； 步骤S4， 将最低预测准确率的农作物采样区格网单元的农作物采样点和非农作物采样 点， 存储在所述初始采样点样本库中， 得到目标采样点样本库； 步骤S5， 将所述目标采样点样本库中的农作物采样点和非农作物采样点， 输入到所述 第二分类模型进行训练； 步骤S6， 在当前轮次的训练完成之后， 将所述最低预测准确率的农作物采样区格网单 元中的农作 物采样点和非农作物采样点再次加入到所述目标采样点样本库， 得到更新后的 目标采样点样本库， 重复步骤S 5至步骤S 6， 在满足预设训练条件之后， 得到训练好的分类模 型。 5.根据权利要求1所述的农作物高精度制图方法， 其特征在于， 所述根据 预设年份 内目 标区域的陆地卫星表面反射率影像， 获取所述 目标区域对应的月均值时序合成影像集合， 包括： 获取预设年份内目标区域每月的陆地 卫星表面反射 率影像； 分别对每月的陆地卫星表面反射率影像进行均值处理， 并确定均值处理后的陆地卫星 表面反射 率影像的波段 特征， 得到所述目标区域对应的月均值时序合成影 像集合； 其中， 所述波段特征包括红波段、 绿波段、 蓝波段、 近红外波段、 短波红外1波段、 短波红 外2波段和归一化植被指数波段， 所述归一化植被指数波段是根据所述红波段和所述近红 外波段计算得到的。 6.根据权利要求2所述的农作物高精度制图方法， 其特征在于， 在所述将所述训练样本 集输入到随机森林分类 器进行训练， 得到训练好的分类模型之后， 所述方法还 包括： 基于所述目标农作物每年的样本月均值时序合成影像集合， 按照 时序关系， 将每年的 样本月均值时序合成影像集合依次输入到训练好的分类模型中， 得到每年的样本月均值时 序合成影 像集合各自对应的预测结果； 根据所述预测结果， 确定目标样本月均值时序合成影像集合， 所述目标样本月均值时 序合成影 像集合为最低预测精度对应年份的样本月均值时序合成影 像集合； 根据目标样本月均值 时序合成影像集合， 确定对应年份的目标历史农作物分布区遥感 影像数据， 并通过所述 目标历史农作物分布 区遥感影像数据， 对所述训练好的分类模型 的 参数进行优化， 得到用于农作物时序分布制图的农作物年度分类模型； 将多个预设年份的月均值 时序合成影像集合输入到所述农作物年度分类模型中， 得到 所述目标区域的农作物时序分布制图结果。 7.一种农作物高精度制图系统， 其特 征在于， 包括： 农作物遥感影像获取模块， 用于根据预设年份内目标区域的陆地卫星表面反射率影 像， 获取所述目标区域对应的月均值时序合成影 像集合； 农作物分布区域制图模块， 用于将所述月均值 时序合成影像集合输入到训练好的分类权　利　要　求　书 2/3 页 3 CN 114419367 A 3