本發(fā)明涉及高標準農(nóng)田識別，具體涉及一種高標準農(nóng)田遙感識別方法、模型訓練方法及相關裝置。

背景技術：

1、高標準農(nóng)田的定義為“田塊平整、集中連片、設施完善、節(jié)水高效、農(nóng)電配套、宜機作業(yè)、土壤肥沃、生態(tài)友好、抗災能力強，與現(xiàn)代農(nóng)業(yè)生產(chǎn)和經(jīng)營方式相適應的旱澇保收、穩(wěn)產(chǎn)高產(chǎn)的耕地”。

2、現(xiàn)有高標準農(nóng)田識別方案中，采用簡單模型進行高標準農(nóng)田識別。然而，由于農(nóng)田特征的各指標之間的關系并不是簡單模型所描述的線性關系，而是一種復雜關系，使得現(xiàn)有技術存在難以實現(xiàn)高標準農(nóng)田精細化識別的問題。

3、基于此，如何實現(xiàn)高標準農(nóng)田的精細化識別，成為了亟待解決的技術問題。

技術實現(xiàn)思路

1、有鑒于此，為了解決上述技術問題，本發(fā)明提供了一種高標準農(nóng)田遙感識別方法、模型訓練方法及相關裝置。

2、本發(fā)明采用如下技術方案：

3、第一方面，本發(fā)明提供了一種高標準農(nóng)田遙感識別模型的訓練方法，包括：

4、獲取第一預設地區(qū)的各第一農(nóng)田像元的第一多特征指標數(shù)據(jù)；所述第一多特征指標數(shù)據(jù)中包含對應所述第一農(nóng)田像元分別在多個預設指標上的取值；

5、對所述第一多特征指標數(shù)據(jù)進行歸一化處理；

6、基于熵權topsis法，根據(jù)歸一化處理后的所述第一多特征指標數(shù)據(jù)，得到各所述第一農(nóng)田像元的綜合評價指數(shù)；所述綜合評價指數(shù)用于反映對應農(nóng)田像元與高標準農(nóng)田的符合度；

7、根據(jù)各所述第一農(nóng)田像元的綜合評價指數(shù)，對各所述第一農(nóng)田像元進行初始分類，得到各所述第一農(nóng)田像元的初始分類結果；

8、對目標第一農(nóng)田像元的初始分類結果進行真實性驗證；

9、以通過真實性驗證的所述目標第一農(nóng)田像元的目標數(shù)據(jù)為模型訓練樣本，訓練隨機森林模型，得到高標準農(nóng)田遙感識別模型；所述目標數(shù)據(jù)中包含對應所述目標第一農(nóng)田像元的第一多特征指標數(shù)據(jù)和實際農(nóng)田類型。

10、可選的，所述獲取第一預設地區(qū)的各第一農(nóng)田像元的第一多特征指標數(shù)據(jù)，具體包括：

11、獲取所述第一預設地區(qū)的高空間分辨率衛(wèi)星遙感影像、高光譜分辨率衛(wèi)星遙感影像和數(shù)字高程模型；

12、根據(jù)所述高空間分辨率衛(wèi)星遙感影像、高光譜分辨率衛(wèi)星遙感影像和所述數(shù)字高程模型，得到各所述第一農(nóng)田像元的第一多特征指標數(shù)據(jù)。

13、可選的，所述預設指標包括：田塊坡度、田塊連片度、田塊破碎度、土壤有機質(zhì)含量、土壤ph值、土壤水分指數(shù)、土壤退化指數(shù)、作物長勢狀況、田塊與最鄰近可灌溉溝渠的距離、田塊溝渠密度、田間道路通達度、田塊到居民點的距離、田塊到交通干線距離、林網(wǎng)密度、防護林覆蓋率和田塊到其最近輸電塔桿的距離。

14、可選的，所述根據(jù)各所述第一農(nóng)田像元的綜合評價指數(shù)，對各所述第一農(nóng)田像元進行初始分類，得到各所述第一農(nóng)田像元的初始分類結果，具體包括：

15、針對每個所述第一農(nóng)田像元，基于預設的指數(shù)閾值范圍與農(nóng)田類型對應關系，根據(jù)所述第一農(nóng)田像元的綜合評價指數(shù)，確定所述第一農(nóng)田像元的農(nóng)田類型。

16、可選的，所述農(nóng)田類型包括：高標準農(nóng)田和其他農(nóng)田。

17、第二方面，本發(fā)明提供一種高標準農(nóng)田遙感識別方法，包括：

18、獲取第二預設地區(qū)的各第二農(nóng)田像元的第二多特征指標數(shù)據(jù)；所述第二多特征指標數(shù)據(jù)中包含對應所述第二農(nóng)田像元分別在多個預設指標上的取值；

19、基于高標準農(nóng)田遙感識別模型，根據(jù)所述第二多特征指標數(shù)據(jù)，得到各所述第二農(nóng)田像元的農(nóng)田類型；所述高標準農(nóng)田遙感識別模型采用如上所述的高標準農(nóng)田遙感識別模型的訓練方法訓練得到，所述農(nóng)田類型包括高標準農(nóng)田和其他農(nóng)田。

20、第三方面，本發(fā)明提供一種高標準農(nóng)田遙感識別模型的訓練裝置，包括：

21、第一獲取模塊，用于獲取第一預設地區(qū)的各第一農(nóng)田像元的第一多特征指標數(shù)據(jù)；所述第一多特征指標數(shù)據(jù)中包含對應所述第一農(nóng)田像元分別在多個預設指標上的取值；

22、歸一化模塊，用于對所述第一多特征指標數(shù)據(jù)進行歸一化處理；

23、計算模塊，用于基于熵權topsis法，根據(jù)歸一化處理后的所述第一多特征指標數(shù)據(jù)，得到各所述第一農(nóng)田像元的綜合評價指數(shù)；所述綜合評價指數(shù)用于反映對應農(nóng)田像元與高標準農(nóng)田的符合度；

24、初始分類模塊，用于根據(jù)各所述第一農(nóng)田像元的綜合評價指數(shù)，對各所述第一農(nóng)田像元進行初始分類，得到各所述第一農(nóng)田像元的初始分類結果；

25、驗證模塊，用于對目標第一農(nóng)田像元的初始分類結果進行真實性驗證；

26、訓練模塊，用于以通過真實性驗證的所述目標第一農(nóng)田像元的目標數(shù)據(jù)為模型訓練樣本，訓練隨機森林模型，得到高標準農(nóng)田遙感識別模型；所述目標數(shù)據(jù)中包含對應所述目標第一農(nóng)田像元的第一多特征指標數(shù)據(jù)和實際農(nóng)田類型。

27、第四方面，本發(fā)明提供一種高標準農(nóng)田遙感識別裝置，包括：

28、第二獲取模塊，用于獲取第二預設地區(qū)的各第二農(nóng)田像元的第二多特征指標數(shù)據(jù)；所述第二多特征指標數(shù)據(jù)中包含對應所述第二農(nóng)田像元分別在多個預設指標上的取值；

29、分類模塊，用于基于高標準農(nóng)田遙感識別模型，根據(jù)所述第二多特征指標數(shù)據(jù)，得到各所述第二農(nóng)田像元的農(nóng)田類型；所述高標準農(nóng)田遙感識別模型采用如上所述的高標準農(nóng)田遙感識別模型的訓練方法訓練得到，所述農(nóng)田類型包括高標準農(nóng)田和其他農(nóng)田。

30、本發(fā)明采用以上技術方案，一種高標準農(nóng)田遙感識別模型的訓練方法，包括：獲取第一預設地區(qū)的各第一農(nóng)田像元的第一多特征指標數(shù)據(jù)；第一多特征指標數(shù)據(jù)中包含對應第一農(nóng)田像元分別在多個預設指標上的取值；對第一多特征指標數(shù)據(jù)進行歸一化處理；基于熵權topsis法，根據(jù)歸一化處理后的第一多特征指標數(shù)據(jù)，得到各第一農(nóng)田像元的綜合評價指數(shù)；綜合評價指數(shù)用于反映對應農(nóng)田像元與高標準農(nóng)田的符合度；根據(jù)各第一農(nóng)田像元的綜合評價指數(shù)，對各第一農(nóng)田像元進行初始分類，得到各第一農(nóng)田像元的初始分類結果；對目標第一農(nóng)田像元的初始分類結果進行真實性驗證；以通過真實性驗證的目標第一農(nóng)田像元的目標數(shù)據(jù)為模型訓練樣本，訓練隨機森林模型，得到高標準農(nóng)田遙感識別模型；目標數(shù)據(jù)中包含對應目標第一農(nóng)田像元的第一多特征指標數(shù)據(jù)和實際農(nóng)田類型。

31、基于此，通過采用熵權topsis法和隨機森林模型，使得本發(fā)明能夠合理地詮釋各預設指標之間的相互影響和聯(lián)系，進而使得本發(fā)明能夠?qū)崿F(xiàn)高標準農(nóng)田的精細化識別。

技術特征：

1.一種高標準農(nóng)田遙感識別模型的訓練方法，其特征在于，包括：

2.根據(jù)權利要求1所述的高標準農(nóng)田遙感識別模型的訓練方法，其特征在于，所述獲取第一預設地區(qū)的各第一農(nóng)田像元的第一多特征指標數(shù)據(jù)，具體包括：

3.根據(jù)權利要求1或2所述的高標準農(nóng)田遙感識別模型的訓練方法，其特征在于，所述預設指標包括：田塊坡度、田塊連片度、田塊破碎度、土壤有機質(zhì)含量、土壤ph值、土壤水分指數(shù)、土壤退化指數(shù)、作物長勢狀況、田塊與最鄰近可灌溉溝渠的距離、田塊溝渠密度、田間道路通達度、田塊到居民點的距離、田塊到交通干線距離、林網(wǎng)密度、防護林覆蓋率和田塊到其最近輸電塔桿的距離。

4.根據(jù)權利要求1所述的高標準農(nóng)田遙感識別模型的訓練方法，其特征在于，所述根據(jù)各所述第一農(nóng)田像元的綜合評價指數(shù)，對各所述第一農(nóng)田像元進行初始分類，得到各所述第一農(nóng)田像元的初始分類結果，具體包括：

5.根據(jù)權利要求4所述的高標準農(nóng)田遙感識別模型的訓練方法，其特征在于，所述農(nóng)田類型包括：高標準農(nóng)田和其他農(nóng)田。

6.一種高標準農(nóng)田遙感識別方法，其特征在于，包括：

7.一種高標準農(nóng)田遙感識別模型的訓練裝置，其特征在于，包括：

8.一種高標準農(nóng)田遙感識別裝置，其特征在于，包括：

技術總結
本發(fā)明提供一種高標準農(nóng)田遙感識別方法、模型訓練方法及相關裝置，涉及高標準農(nóng)田識別技術領域，方法包括：獲取第一預設地區(qū)的各第一農(nóng)田像元的包含對應第一農(nóng)田像元分別在多個預設指標上的取值的第一多特征指標數(shù)據(jù)；基于熵權TOPSIS法，根據(jù)歸一化處理后的第一多特征指標數(shù)據(jù)，得到各第一農(nóng)田像元的用于反映對應農(nóng)田像元與高標準農(nóng)田符合度的綜合評價指數(shù)；根據(jù)綜合評價指數(shù)，得到各第一農(nóng)田像元的初始分類結果；以通過真實性驗證的第一農(nóng)田像元的目標數(shù)據(jù)為模型訓練樣本，訓練隨機森林模型，得到高標準農(nóng)田遙感識別模型；目標數(shù)據(jù)中包含對應目標第一農(nóng)田像元的第一多特征指標數(shù)據(jù)和實際農(nóng)田類型。本發(fā)明能夠?qū)崿F(xiàn)高標準農(nóng)田的精細化遙感識別。

技術研發(fā)人員：武晉雯,孫龍彧,馮銳,紀瑞鵬,于文穎,米娜,張淑杰,陳妮娜,趙思雯,王倩玉,劉靖楠,楊欣虹,武折章,尹艷華,聶哲
受保護的技術使用者：中國氣象局沈陽大氣環(huán)境研究所
技術研發(fā)日：
技術公布日：2025/1/9