(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 202210359594.X (22)申请日 2022.04.07 (71)申请人 中国农业大 学 地址 100083 北京市海淀区 圆明园西路2号 (72)发明人 刘浏　牛乾坤　黄冠华　 (74)专利代理 机构 北京兴智翔达知识产权代理 有限公司 1 1768 专利代理师 郭卫芹 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) (54)发明名称 基于GEE和机器学习的河套灌区种植结构识 别方法及系统 (57)摘要 本发明属于河套灌区植物结构识别技术领 域， 具体公开了基于GEE和机器学习的河套灌区 种植结构识别方法及系统， 其中方法包括： 基于 GEE平台对遥感影像数据进行筛选、 最小云量合 成， 利用掩膜算法提取出只含耕地的研究区影 像； 将多种作物的样本点输入随机森 林分类器进 行分类； 接着根据袋外错误率对灌域的特征波 段 进行优化， 最终获取研究区分类精度最高的种植 结构以及 进行识别。 通过使用全部特征波段及随 机森林的分类算法， 灌区平均总体精度达到 81％， Kappa系数达到0.68； 在作物空间分布提取 中， 光谱特征对分类精度起决定性作用， 基于红 边波段计算得到的植被指数比其他常用遥感植 被指数更有优势； 进行特征优选后的方案是平均 分类精度最高的组合， 平均精度为86％。 权利要求书2页 说明书10页 附图2页 CN 114663780 A 2022.06.24 CN 114663780 A 1.基于GE E和机器学习的河套 灌区种植结构识别方法， 其特 征在于， 包括以下步骤： S1， 基于GEE平台对遥感影像数据进行筛选、 最小云量合成， 利用掩膜算法提取出只含 耕地的研究区影 像； S2， 将多种作物的样本点输入随机森林分类 器进行分类； S3， 最后根据袋外错误率(out ‑of‑bag error)对灌域 的特征波段进行优化， 最终获取 研究区分类精度最高的种植结构以及进行识别。 2.根据权利要求1所述的GEE和机器学习的河套灌区种植结构识别方法， 其特征在于， 所述S1中的遥感影像数据包括： 由GEE平台在 线获取、 处理的Sentinel ‑2卫星的多光谱 数据 和训练样本数据， 以及上传至GE E平台进行调用的Gl obeLand3 0全球地表 覆盖数据。 3.根据权利要求1所述的GEE和机器学习的河套灌区种植结构识别方法， 其特征在于， 所述S1中的利用掩膜算法提取 出只含耕地的研究区影 像具体包括以下步骤： ①基于Senti nel‑2云掩膜算法对生育期内研究区影 像进行质量筛 选， 选择无云影像； ②若无符合条件的影像， 则分灌域选择云量小于10％的影像并对其做去云处理， 同时 筛选出该影像前后5天内去云区域无云影 像， 将此区域裁 剪后与前一幅影 像进行拼接合成； ③若仍无符合条件的影 像， 则以中值 合成方法重构最小云量 合成影像。 4.根据权利要求1所述的GEE和机器学习的河套灌区种植结构识别方法， 其特征在于， 所述S2具体包括： 首先， 为所有采样点增 加数值属性并随机赋值5次， 即进行5次顺序不同的随机排列； 其次， 将前70％的采样点作为训练样本， 剩余30％作为验证样本， 分别得到5次验证精 度； 最后， 对5次验证精度进行平均， 作为 最终的分类精度。 5.根据权利要求1所述的GEE和机器学习的河套灌区种植结构识别方法， 其特征在于， 所述S3具体包括： 根据重要性选取最重要的特征波段变量进行优化计算， 其中， 特征波段变量的重要性 评估模型如下： 式中， Ai表示特征波段变量的重要性， Bi表示袋外正确率， i为样本的总特征数， T为生成 的决策树的棵数， 为扰动后第t棵决策树 的OOB误差， 为扰动前第t棵决策树的OOB误 差。 6.根据权利要求5所述的GEE和机器学习的河套灌区种植结构识别方法， 其特征在于， 所述S3中接着根据袋外错误率(out ‑of‑bag error)对灌域的特征波 段进行优化具体包括： 在随机森林算法中添加基于光谱特 征中的红边波段进行优化。 7.基于GEE和机器学习的河套灌区种植结构识别系统， 其特征在于， 所述系统用于实现 如权利要求 1‑6任一项所述的基于 GEE和机器学习的河套灌区种植结构识别方法的步骤， 包 括：权　利　要　求　书 1/2 页 2 CN 114663780 A 2影像数据提取模块， 基于GEE平台对遥感影像数据进行筛选、 最小云量合成， 利用掩膜 算法提取 出只含耕地的研究区影 像； 分类模块， 将多种作物的样本点输入随机森林分类 器进行分类； 识别模块， 接着根据袋外错误率(out ‑of‑bag error)对灌域的特征波段进行优化， 最 终获取研究区分类精度最高的种植结构以及进行识别。 8.一种电子设备， 其特征在于， 包括存储器、 处理器， 所述处理器用于执行存储器中存 储的计算机管理类程序时实现如权利要求1 ‑6任一项所述的基于GEE和 机器学习的河套灌 区种植结构识别方法的步骤。 9.一种计算机可读存储介质， 其特征在于， 其上存储有计算机管理类程序， 所述计算机 管理类程序被处理器执行时实现如权利要求1 ‑6任一项所述的基于GEE和机器学习的河套 灌区种植结构识别方法的步骤。权　利　要　求　书 2/2 页 3 CN 114663780 A 3