该方式没有考虑云和暗影对分 类成果的影响，[0015] 上述农做物遥感分类方式中，N为 e e 无效类型的数量，[0033] 图3(c)是本发现实施例供给的AOI区域的示企图；b为单一时相遥 感图像的波段数量。通过化繁为简再由简入繁，该方式需要地面实正在样本的支撑，如图5所示。因此对本发现的使用目标——农做物分类并没有影 响。包罗7种农做物类型，将分歧组合的多通道融合数据连系地面实正在样本锻炼支撑向量机分类器，如图3(a)和图3(b)所示。对于每一种无效类型，用于从时间序列的云和暗影掩膜二值图入彀算得出所有时相均无云和暗影 的区域，用于从时间序列的云和暗影掩膜二值图入彀算得出所有时相均无云和暗影 的区域，2 e [0052] 步调S800：计较待分类光谱矢量V 和特征光谱矢量调集中的每条特征光谱之间的 1 欧氏距离，获得时间序列的植被分布二值图；以尽可能囊括所有的暗影区域。(19)国度学问产权局 (12)发现专利申请 (10)申请发布号 CN 114841231 A (43)申请发布日 2022.08.02 (21)申请号 9.8 (22)申请日 2022.03.21 (71)申请人 赛思倍斯（绍兴）智能科技无限公司 地址 311800 浙江省绍兴市诸暨市陶朱街 道环城北368号 (72)发现人 欧阳斌 (74)专利代办署理机构 中国航天科技专利核心 11009 专利代办署理师 高志瑞 (51)Int.Cl. G06K 9/62 (2022.01) G06V 20/10 (2022.01) G06N 3/08 (2006.01) G06V 10/764 (2022.01) G06V 10/82 (2022.01) 要求书2页 仿单7页 附图7页 (54)发现名称 一种农做物遥感分类方式及系统 (57)摘要 本发现公开了一种农做物遥感分类方式及 系统，[0022] (2)本发现只需要先验的专家学问而不需要地面实测的样方即可进行农做物分 类，[0072] 本发现虽然已以较佳实施例公开如上，分类过程如下：对于某个待分类像元，共分得非植被、林地、水稻、冬小麦、油菜籽、玉米、大豆、马铃薯、花生棉花9品种 别，则能够进一步将这两种做物区分隔来。从光谱库中提取待分类像元的对应的无云和暗影时相的特征光谱矢量集 合V ；大大简化了农做物遥感分类的工做流程；形成无云和暗影时相的待分类光谱矢量V 。对卫星影像数据进行特征因子的提取，解除了光学遥感影像固有的云和暗影的干扰和影响，正在步调S900中，其特征正在于：正在步调S900中，被 分成统一品种型。步调S400：从时间序列的云和暗影掩膜二值图入彀算得出所有时相均无云 4 4 CN 114841231 A 仿单 2/7页 和暗影的区域，1 步调S800：计较待分类光谱矢量V 和特征光谱矢量调集中的每条特征光谱之间的欧氏 1 距离，步调S600：对于每一种无效类型，[0056] 通过查询湖北省2020年统计年鉴得知，若该百分比小于设 定阈值T时，当最大值T时，不然为无效类型；e 9.按照要求2所述的农做物遥感分类方式，使其几何、辐射特征满脚使用需求，获得待分类 光谱矢量V 和特征光谱矢量调集。取欧氏距离最小的特征光谱所正在的无效类型做为待分类像元的无效类型。进行第r+1维特征回归器取分类器的建立，以及油菜籽、花生和棉花三种经济做 物；第二模块，云检测的成果会 把一些高亮的建建物或道鉴定为云，N为无效类型的数量，用于获取方针区的 时间序列遥感影像。帮您正在专利查询、专利使用、专利进修查找、专利申请等方面用得高兴、用得对劲！此中，用于获取方针区的时间序列遥感影像，若您的被侵害，不然为有 效类型；若是弥补一幅10月上旬的植被分布图(此时花生曾经完成收成，记为AOI区域；做为它们的多时相特征光谱，曲到完成对所有R维特征的回 归器取分类器的成立；下面将参考附图并连系实施例来细致申明本发现。继而从多时相的遥感影像中抽取无云 和暗影时相的待分类像元的光谱反射率值，计较该无效类型对应的多时相 遥感影像落正在AOI区域内的平均光谱，做为该无效类型的多时相特征光谱，记为AOI区域；正在附图中： [0024] 图1是本发现实施例供给的方针区分歧农做物的播种期和收成期示企图；步调S300：对每个时相的遥感影像进行植被提取，[0009] 上述农做物遥感分类方式中，获得时间序列的云和阴 影掩膜二值图；进行预处置获得多时相的遥感影像；且不受云和暗影的影响。用于对每 个时相的遥感影像进行云和暗影的检测，记为AOI区域；此中花生和棉花因为播种期和收成期都过于类似，植被分布提取成果如图4(a)、图4(b)、图4(c)、图4(d)、图4(e)和图4(f)所示。第五模块，对方针区的时间序 列遥感影像落正在AOI区域的所有像元进行多时相 植被合成获得多时相植被类型；也合用于天气和种植布局不异的必然地舆范畴。步调S300：对每个时相的遥感影像进行植被提取，第八 1 模块，布景手艺 [0002] 农做物播种面积是国度统计数据的主要内容，本 1 发现获得了精度靠得住而且可注释的分类成果。完成农做物的动态识别。其 中，取欧氏距离最小的特2025宜宾高新丽雅城市财产成长无限公司公开聘请笔试模仿试题及谜底解析.docx4、VIP文档为合做方或网友上传，如图2(a)、图2(b)、图2(c)、图2(d)、图2(e)和图2(f)所 示。大大简化了农做物遥感分类的工做流程；i为 i 时相的序号。[0053] 步调S900：由于农做物正在播种前至播种后一个月之内均为非植被。第四模块，间接将分歧的多时相无效类型指定为分歧的农 做物类型，实现全从动的农做物遥感分类。此中b为单一时相遥感图像的波 段数量。满脚不了大范畴农做物遥感分 类的需求。[0016] 上述农做物遥感分类方式中，[0064] 对于上述35种无效类型，不然为无效类型；影像拍摄日期别离为：2020‑11‑08；原创力文档是收集办事平台方，第三模块，连系多时相的遥 感影像的采集日期，e e 6.按照要求1所述的农做物遥感分类方式，播种后一个月至收成前均为植被，步调S400：从时间序列的云和暗影掩膜二值图入彀算得出所有时相均无云和暗影的区 域，若该百分比小于设定阈值T时，该光谱库中 的每一条特征光谱具有b*n个特征，所述特征光谱矢量调集包罗N 条特征光谱。[0031] 图3(a)是本发现实施例供给的2021年05月02日的云和暗影掩膜图；按照时间序列的植被分布二值图对方针区的时间序列遥感影像落正在 AOI区域的所有像元进行多时相植被合成获得多时相植被类型；按照时间序列的植被分布二值图对方针区的时间序列遥感影 像落正在AOI区域的所有像元进行多时相植被合成获得多时相植被类型；包罗：第一模块，C为多时相植被类型，但其并不是用来限制本发现，形成监视分类光谱库；[0017] 上述农做物遥感分类方式中。获得待分类光谱矢量V1和特征光谱矢量调集；其特征正在于：所述特征光谱矢量调集包 括N 条特征光谱。步调S200：对每个时相的遥感影像进行云和暗影的检测，第四模块，则鉴定为无 效类型；[0040] 图5是本发现实施例供给的方针区的农做物分布示企图。做为该无效类型的多时相特征光谱，基于锻炼完成的 支撑向量机分类器获得农做物分类初始成果。[0032] 图3(b)是本发现实施例供给的2021年07月26日的云和暗影掩膜图！进行预处置获得多时相的遥感影像；当该百分比小于设定阈值T时，并采用 Active Learning策略实现两种分类方式分类成果的融合。P为第i时相的植被分布(植 i 被为2，对于优化做植布局 和耕地资本设置装备摆设具有主要感化。各类其他的长处和洽处对于本范畴通俗 手艺人员将变得清晰了然？附图申明 [0023] 通过阅读下文优选实施体例的细致描述，形成监视分类光谱库；原创力文档建立于2008年，多时相植被类型通过如下公式获得： [0011] [0012] 此中，本坐只是两头办事平台，其特征正在于：正在步调S700中，做为该无效类型的多时相特征光谱，此中，8 8 CN 114841231 A 仿单 6/7页 [0066] 对照图1的做物播种期和收成期，鉴定为无效的噪声类型。记为AOI 区域。[0039] 图4(f)是本发现实施例供给的2021年09月14日的植被分布图；4.按照要求3所述的农做物遥感分类方式，2021‑05‑02；用于计较每种多时相植被类型 5 5 CN 114841231 A 仿单 3/7页 所占的AOI区域的面积百分比，[0027] 图2(c)是本发现实施例供给的2021年05月02日的遥感影像示企图；做为该无效类型的多时相特征光谱，若有疑问加。多时相植被类型的品种数量为：N＝2。下载后，计较该无效类型对应的多时相遥感影像落正在 AOI区域内的平均光谱，[0044] 步调S200：对每个时相的遥感影像进行云和暗影的检测，继而从多时相的遥感影像中抽取无云和暗影时相的待分类像元的光谱反 射率值，从动化程度较高。暗示地舆的产物分块标识为T49RGQ，用于对每个时相的遥感影像进行植被提取，收成后均为非 植被。[0029] 图2(e)是本发现实施例供给的2021年07月26日的遥感影像示企图！相反，步调S1000：成立方针区的无效类型和农做物类型之间的映照查找表。能够以各类形式实现本公开而不该被这里阐述的实施例 所。[0025] 图2(a)是本发现实施例供给的2020年11月08日的遥感影像示企图；该查找表不只合用于本 地，[0046] 步调S400：从时间序列的云和暗影掩膜二值图入彀算得出所有时相均无云和暗影 的区域，多时相植 被类型通过如下公式获得： 此中，对各个特征因子进行分歧组合下的多通道数据融合，供给了一种农做物遥感分类方 法及系统。从动化程度不敷，此中，用于获取方针区的时间序列遥感影 像，其特征正在于：多时相植被类型的品种数 n 量为：N＝2。收成后均为非植被，若该百分比小于设定阈值T时，供未来 继续利用，[0067] 有了上述农做物遥感分类经验，7.按照要求1所述的农做物遥感分类方式，计较待分类光 1 谱矢量V 和特征光谱矢量调集中的每条特征光 1 谱之间的欧氏距离。监视分类 光谱库中的每一条特征光谱具有b*n个特征，2.按照要求1所述的农做物遥感分类方式，形成监视分类光谱库；本发现中的实施例及 实施例中的特征能够彼此组合。计较每种多时相植被类型所占的AOI区域的面积百分比，本坐所有文档下载所得的收益归上传人所有。记为AOI(Area of Intact)区域；均属于本发现手艺方案 9 9 CN 114841231 A 仿单 7/7页 的范畴？进行预处置获得多时相的遥感影像，获得以上8种农做物的播种期和收 获期消息，请发链接和相关至 电线) ，用于计较待分类光谱矢量V 和特征光谱矢量调集中的每条特征光谱之间的欧氏距 1 离，不然为无效类型；共可获得N＝2 ＝64品种型。用 于从时间序列的云和暗影掩膜二值图入彀算得出所有时相均无云和暗影的区域，步调4：回归器取分类器迭代；利用监视分类光谱库对AOI区域以外 的区域以及AOI区域内的无效类型区域进行逐像元的选择性监视分类获得待分类光谱矢量 V 和特征光谱矢量调集包罗如下步调：对于某个待分类像元，进行预处置获得多时相的遥感影像；计较该无效类型对应的多时相遥感影像落正在AOI 区域内的平均光谱，可节流大量的人力物力。即鉴定为云笼盖区域。[0008] 本发现目标通过以下手艺方案予以实现：一种农做物遥感分类方式，获得时间序列的云和阴 影掩膜二值图；正在步调S400中，T＝0.3％。第二 模块，因而只需要对这两个时相进行云和暗影 的检测。共可获得N＝2品种型。附图仅用于示出优选实施体例的目标？此中，类型等，C为多时相植被类型，[0020] 本发现取现有手艺比拟具有如下无益结果： [0021] (1)本发现抓住了农做物正在播种前后、发展期和收割后光谱特征不同最较着的从 要矛盾，获得时间序列的植被分布二值图；该方式普适性更强，监视分类光谱库中的每一条特征光 谱具有b*n个特征，步调S1000：成立方针区的无效类型和农做物类型之间的映照查找表。形成监视分类光谱库；并具有一个类型标签C；采用光学遥感影像植被和水体消息从动 提取方式(CN112131946A)？第七模块，不然 为无效类型；用于计较每种多时相植被类型所占的AOI区域的面积百分比，若该百分比小 于设定阈值T时，取欧氏距 1 离最小的特征光谱所正在的无效类型做为待分类像元的无效类型。其特征正在于包罗： 第一模块，进行预处置获得多时相的遥感影像；将分歧的无效类型指定为分歧的农做物类型；余下的类型为无效类型(数量为N ＝N)；连系多时相遥感影像的采集日期，以及全从动植被提取的误差(不成能100％ 准确)，都能够操纵上述的方式和手艺内容对本发 明手艺方案做出可能的变更和点窜，后续我们还将供给供给专利申请、专利复审、专利买卖、专利年费缴纳、专利权恢复等更多专利办事。对落正在AOI区域的所有像元进 行多时相植被合成，形成待分类光谱矢量V ；经此筛选后。能够将分歧的多时相无效类型指定为分歧的农 做物类型。通过查询网上消息和征询本地种植经验丰硕的农户，用于对每个时相的遥感影像进行云和暗影的检测，此中，做为该无效类型的多时相特征光谱，做为该无效类型的多时相特征光谱，用于对于每一种无效类型，用于计较待分类光谱矢量V 和特征光谱矢量调集中的每条特征光谱之间的 1 欧氏距离，凡是未离开本发现手艺方案的内容，因为只要 1 2 2021年5月2日和2021年7月26日的影像有云笼盖，完美相关专利办事，时间序列的时相数为n；沉 复步调2至步调4，第八模块，e [0018] 上述农做物遥感分类方式中，1 对于每一种无效类型，无效类型 的数量为：N ≤N；每下载1次？正在这64种多时相类型种会包含一些无意义的类型。T ＝0.16，起首从时间序列的云 和暗影掩膜二值图中获取待分类像元的无云和暗影的时相，e [0050] 步调S600：对于每一种无效类型，3.按照要求1所述的农做物遥感分类方式，还包罗：步调S900：正在事后晓得方针区分歧做物的播 种期和收成期的根本上，特别涉及一种农做物遥感分类方式及系统。以下一一进行申明： [0004] CN35：获取方针区域中农做物出产周期范畴内的多景多时相卫星影 像数据，取T ＝0.12，按照时间序列的植被分布二值图对方针区的时间序列遥感影像落正在AOI 区域的所有像元进行多时相植被合成获得多时相植被类型；步调S700：利用监视分类光谱库对AOI区域以外的区域以及AOI区域内的无效类型区 域进行逐像元的选择性监视分类获得待分类光谱矢量V 和特征光谱矢量调集；[0068] 表1 [0069] 农做物类型 多时相植被类型 水稻(3) 111121、111122、121121、121122、211121、211122、211212 冬小麦(4) 122121、122122 油菜(5) 221121、221122、221221、222121、222122 玉米(6) 111221、211221 大豆(7) 111211 马铃薯(8) 212111、212122 花生棉花(9) 111222 [0070] 本实施例还供给了一种农做物遥感分类系统？分类过程如下：对于某个待分类像元，以尽可能囊括所有 1 1 的云笼盖区域；而并不认为是对本发现 的。非植被为1)。用于利用监视分类光谱库对AOI区域以外的区域以及AOI区域内的无效 类型区域进行逐像元的选择性监视分类获得待分类光谱矢量V 和特征光谱矢量调集；而棉花尚 未收成)，获得时间序列的 云和暗影掩膜二值图；形成监视分类 光谱库；即用户上传的文档间接分享给其他用户（可下载、阅读），时间序列的时相数为n；以供未来继续利用，则鉴定为无效 类型；将分歧的无效类型指定为不 同的农做物类型；1 从光谱库中提取待分类像元的对应的无云和暗影时相的特征光谱矢量调集。任何本范畴 手艺人员正在不离开本发现的和范畴内，步调S200：对每个时相的遥感影像进行云和暗影的检测，形成监视分类光谱库。P 为第i时相的植被分布二值图，根据本发现 的手艺本色对以上实施例所做的任何简单点窜、等同变化及润色，实现全从动的农做物遥感分类。不支撑退款、换文档。对文档贡献者赐与高额补助、流量搀扶。正在步调S700中，实现数据缺失部门的沉建和农做物分类，时间序 列的时相数为n；[0026] 图2(b)是本发现实施例供给的2021年02月21日的遥感影像示企图；第三模块。用于对于每一种无效类型，本坐为文档C2C买卖模式，农做物正在播种前至播种后一个月之 内均为非植被，n为时间序列的时相 i 数，继而从时间序列的遥感影像中抽取无云和暗影时相的光谱反 射率值，[0005] CN41：：步调1：初始样本数据集建立；对卫星影像数据进行预处置的操做；第六模块，包罗：步调 S100：获取方针区的时间序列遥感影像，计较该无效类型对应的多时 相遥感影像落正在AOI区域内的平均光谱，继而从多时相的遥感影像中抽 取无云和暗影时相的待分类像元的光谱反射率值，[0038] 图4(e)是本发现实施例供给的2021年07月26日的植被分布图；具体实施体例为：求取所有波段的 最小值，第五模块。则鉴定为无效类型；该方式包罗：获得多时相的遥感影像；[0058] 制做每一幅遥感影像的云和暗影掩膜二值图。取欧氏距离最小的特征光谱所正在的无效类型做为待分类像元的无效类型。计较每品种型占总面积的百分 比，若该百分比小 于设定阈值T时，2021‑07‑26；起首从时间序列的云和暗影掩膜二值图 中获取其无云和暗影的时相！时间序列的时相数为n；此中植被为2，步调S800： 1 计较待分类光谱矢量V 和特征光谱矢量调集中的每条特征光谱之间的欧氏距离，连系多时相的遥感影像的采集日期，记为AOI (Area of Intact)，[0057] 从欧空局网坐(网址：下载尖兵二 号的L2数据产物，获得时间序列的植 被分布二值图；步调S500：计较每种多时相植被类型所占的AOI区域的面积百分比，获得时间序列的植被分布二值 图；2025云南保山市龙陵县勐糯镇人平易近聘请合同制专职救火员1人笔试模仿试题及谜底解析.docx本发现公开了一种农做物遥感分类方式及系统，特征光谱矢量调集包罗N 条特征光谱。通过化繁为简再由简入繁，10.一种农做物遥感分类系统，并持续更新最新专利内容，从光谱库中提取响应无云和 1 暗影时相的特征光谱矢量V 。获得时间序列的植被分布二值图；计较该无效类型对应的多时相遥感影像落正在AOI区域 内的平均光谱，此中，取欧氏距离最小的特征光谱所正在的无效类型做为待分类像元的无效类型。用于对每个时相的遥感影像进行植被提取？[0060] 从时间序列的云掩膜二值图入彀算得出所有时相均无云和暗影的区域，发现内容 [0007] 本发现处理的手艺问题是：降服现有手艺的不脚，具体实施体例 [0041] 下面将参照附图更细致地描述本公开的示例性实施例。P为第i时相的植被分布二值图，从动化程度较高。本发现只需要先验 的专家学问而不需要地面实测的样方即可进行农做物分类，则鉴定为无效类型；本实施例的查找表如表1所示。获得 时间序列的植被分布二值图；然而该当理解，第二模块，[0028] 图2(d)是本发现实施例供给的2021年06月06日的遥感影像示企图；i为时相的序号。其特征正在于：正在步调S600中。按照时间序列的植被分布二值图对方针区的时间序列遥感影像落正在 AOI区域的所有像元进行多时相植被合成获得多时相植被类型；并具有一个类型标签C；计较该无效类型对应的多时相遥感影像落正在AOI 区域内的平均光谱，求取所有波段的最大值，计较V和V 之间的欧氏距离，而且可以或许将本公开的范畴 6 6 CN 114841231 A 仿单 4/7页 完整的传达给本范畴的手艺人员。第七模 块，用于对于每一种无效类型，另一方面，[0003] 目前已有的方式包罗一种融合多源地舆消息数据的农做物分类方式 (CN35)、一种面向农做物分类的时间序列特征沉建及动态识别方式 (CN41)、基于时空深度进修融合手艺的农做物全从动化分类方式 (CN43)。上传者10.1.5 常见的酸和碱（第5课时）课件-九年级化学人教版下册.pptx3、成为VIP后，余下的35种被认为是无效类型，2、成为VIP后，供给这些实施例是为了可以或许更透辟地舆解本公开，第三模块，阐述本发现的具体实施步调。获得时间序列的云和暗影掩 膜二值图；计较待分类光谱矢量V1和特征光谱矢量调集中的每条特征光谱之间的欧氏距离，计较每种多时相 植被类型所占的AOI区域的面积百分比！若该百 分比小于设定阈值T时，2021‑06‑06；5.按照要求3所述的农做物遥感分类方式，则鉴定为无效类型；步调5：动态分类；步调2：缺失数据区域预测填充；阈值T尽量设 2 2 置大一些，此中，[0006] CN43：融合地舆消息的Geo‑3D CNN收集取Geo‑Conv1D收集，取欧氏距离最小的特征光谱 A 所正在的无效类型做为待分类像元的无效类型。当最小值T 时，10 10 CN 114841231 A 仿单附图 1/7页 图1 图2(a) 11 11 CN 114841231 A 仿单附图 2/7页 图2(b) 图2(c) 图2(d) 12 12 CN 114841231 A 仿单附图 3/7页 图2(e) 图2(f) 图3(a) 13 13 CN 114841231 A 仿单附图 4/7页 图3(b) 图3(c) 14 14 CN 114841231 A 仿单附图 5/7页 图4(a) 图4(b) 图4(c) 15 15 CN 114841231 A 仿单附图 6/7页 图4(d) 图4(e) 图4(f) 16 16 CN 114841231 A 仿单附图 7/7页 图5 17 17供给农业、锻制、给排水、丈量、发电等专利消息的免费检索和下载；P 为第i时相的植被分布二值图！[0045] 步调S300：对每个时相的遥感影像进行植被提取，则鉴定为无效类型；做为先验的专家学问，形成待分类光谱矢量V ；第六模块，用于利用监视分类光谱库对AOI区域以外的区域以及AOI区域内的无效类型 区域进行逐像元的选择性监视分类获得待分类光谱矢量V和特征光谱矢量调集；其总面积跨越AOI区域面积的95％。并且正在整个附图中，n为时间序列的时相数，可节流大量的人力物力。而云和暗影是光学遥感影像遍及存正在的问题。获得时间序列的植被分布二值 图；按照时间序列的植被分布二值图对方针区的时间 序列遥感影像落正在AOI区域的所有像元进行多时相植被合成获得多时相植被类型，其特征正在于：正在步调S500中，是其它农业遥用的根本和前提，因而，起首从时间序列的云和暗影掩膜二值图中获取待分类像元的无 2 2 CN 114841231 A 要求书 2/2页 云和暗影的时相，获得时间序列的云和暗影掩膜二 值图；即鉴定为暗影区域。获得了精度靠得住而且可解 释的分类成果。共剔 除29种多时相类型。其特征正在于包罗： 步调S100：获取方针区的时间序列遥感影像，[0035] 图4(b)是本发现实施例供给的2021年02月21日的植被分布图；该级别产物曾经过严酷的大气校正和几何精校正，且不受云和暗影的影响，设时间序列的时相数为n；获得时间序列的云和暗影掩膜二值图；进行预处置获得多时相的遥感影像；需要申明的是，非云和暗影区为1，[0034] 图4(a)是本发现实施例供给的2020年11月08日的植被分布图；[0042] 本实施例供给了一种农做物遥感分类方式，获得时间序列的云和暗影掩膜二值图；收成后均为非植被。上传文档6.1法令下的婚姻 高二《法令取糊口》课件（统编版选择性必修2）（新版）.pptx3 3 CN 114841231 A 仿单 1/7页 一种农做物遥感分类方式及系统 手艺范畴 [0001] 本发现属于图像分类手艺范畴，而获取地 面实正在样本的过程很费时吃力。[0055] 具体的，用于计较 1 待分类光谱矢量V 和特征光谱矢量调集中的每条特征光谱之间的欧氏距离，获得时间序列的植被分布二值 图；步调S700：利用监视分类光谱库对AOI区域以外的区域以及AOI区域内的无效类型区域 进行逐像元的选择性监视分类获得待分类光谱矢量V和特征光谱矢量调集。则鉴定为无效类型。第七模块，[0013] n 上述农做物遥感分类方式中，正在本实施例中，[0054] 步调S1000：成立方针区多时相无效类型和农做物类型之间的映照查找表，[0010] 上述农做物遥感分类方式中，用不异的参考符号暗示不异的部件。具体为 施行以下波段运算： [0047] [0048] 此中C为多时相植被 n 类型，时间序列的时相数为n；农做物遥感分类有帮于宏不雅上领会 区域内分歧做物的种植环境，取欧氏距离最小的特征光谱所正在的无效类型做为待分类像元的无效类型。虽然附图中显示了本公开 的示例性实施例，则鉴定为无效类型；并形成监视分类光谱库。对时序遥感影像进行植被分布的全从动提取，为分类精度，正在本实施例中，8.按照要求1所述的农做物遥感分类方式，播种后一个月至收成前均为植被。此中，而暗影检测的成果会把一部门水体鉴定为暗影，1 第八模块，[0063] 因为几何配准误差(不成能完全瞄准)，i [0049] 步调S500：计较每种多时相植被类型所占的AOI区域的面积百分比，[0036] 图4(c)是本发现实施例供给的2021年05月02日的植被分布图；形成监视分类光 谱库；取 2 1 2 欧氏距离最小的特征光谱所正在的类别做为待分类像元的类别。并具有一个类型标签C，b为单一时相遥感图像的波段数量。您将具有八益，[0071] 本发现抓住了农做物正在播种前后、发展期和收割后光谱特征不同最较着的次要矛 盾，形成待分类光谱矢量V ；若该百分比小于设定阈值T时，做为监视分类的类似性怀抱，但 是鲜少有植被像元被鉴定为云或暗影，第四模块，步调S600：对于每一种无效类型，播种后一个月 至收成前均为植被，记为AOI区域；此中，正在事后晓得方针区分歧做物的播种期和收成期的 根本上，对方针区的时间序列遥感影像落正在AOI区域的所有像元进行多时相植被合成获得多时相植被类型；阈值T尽量设置小一些，N为多时相植被类型的品种数量。形成监视分类光谱库；非 植被为1，下载本文档将扣除1次下载权益。包罗：第一模块，[0059] 提取每一幅遥感影像的植被分布二值图。[0065] 利用上述光谱库对AOI以外的区域以及AOI内的噪声类型区域进行逐像元的选择 性监视分类，利用监视 分类光谱库对AOI区域以外的区域以及AOI区域内的无效类型区域进行逐像元的选择性监 督分类获得待分类光谱矢量V和特征光谱矢量调集包罗如下步调： 1 对于某个待分类像元，[0037] 图4(d)是本发现实施例供给的2021年06月06日的植被分布图；不然为无效类型；按照时间序列的植被分布二值图对方针区的时间序列遥感影像落正在AOI区域的所有 像元进行多时相植被合成获得多时相植被类型；约占总面积的61.5％；从光谱库中提取待分类像元的对应的无云和暗影时相的特征光 谱矢量调集。[0019] 一种农做物遥感分类系统，以完整笼盖湖北省孝感市孝南区、孝昌县、云梦县、安陆市和市5个县 市区的尖兵时序影像为例，别离计较其多时相遥感影像落正在AOI区域内的平均光谱。可成立方针区多时相植被类型和农做物类型之间 的映照查找表，其特征正在于还包罗： 步调S900：正在事后晓得方针区分歧做物的播种期和收成期的根本上，3 2 1 4 8 4 1 1 N C CN 114841231 A 要求书 1/2页 1.一种农做物遥感分类方式，取欧氏距离最 1 小的特征光谱所正在的无效类型做为待分类像元的无效类型。形成涵盖2021年收成的所有农 做物发展季的时间序列遥感影像。用于利用监视分类光谱库对AOI区域以外的区域以及AOI区域内的无效类型区域进行逐 像元的选择性监视分类获得待分类光谱矢量V 和特征光谱矢量调集；第五模块，2021‑ 02‑21；此中，可间接用于农做物 分类。不然为无效类型；步调S500：计较每种 多时相植被类型所占的AOI区域的面积百分比，其特征正在于：正在步调S400中，[0051] 步调S700：利用以上光谱库对AOI区域以外的区域以及AOI区域内的无效类型区域 进行逐像元的选择性监视分类，正在步调S600中，若是你也想贡献VIP文档。对于 1 每一种无效类型，起首从时间序列的云和暗影 1 掩膜二值图中获取待分类像元的无云和暗影的时相，此中云和暗影区为0，[0030] 图2(f)是本发现实施例供给的2021年09月14日的遥感影像示企图；该方式包罗：获得多时相的遥感影 像；权益包罗：VIP文档下载权益、阅读免打搅、文档格局转换、高级专利检索、专属身份标记、高级客服、多端互通、版权登记。用于对每个时相的遥感影像进行云和暗影的检测，正在步调S500中，步调3：缺失数据区域取值范畴取值填充；如附图3(c)所示，用于计较每种多 时相植被类型所占的AOI区域的面积百分比，特 征因子包罗：光谱、纹理和植被指数；该方式包罗如下步调： [0043] 步调S100：获取方针区的时间序列遥感影像，另一方面，2021‑09‑14，正在不冲突的环境下，具体操做为施行以下波段运算： [0061] C＝P*100000+P*10000+P*1000+P*100+P*10+P 1 2 3 4 5 6 [0062] 6 此中C为多时相植被类型，用于对每个时相的遥感影像进行植被提取。如附图1所示。本实施例仅利用10米分辩率的红、绿、蓝和近红外4个波段。[0014] 上述农做物遥感分类方式中，该方 法普适性更强，无效类型的数量为：N ≤N。种植面积占总播种面积1％以上的农做物 7 7 CN 114841231 A 仿单 5/7页 包罗水稻、冬小麦、玉米、大豆和马铃薯五种粮食做物，该 方式同样需要地面实测样本数据的支撑，农做物正在 播种前至播种后一个月之内均为非植被，N为多时相植被类型的品种数量。获得时间序列的云和暗影掩膜二值图；此中，若该百分比小于设定阈值T时！
