(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 202111634631.5 (22)申请日 2021.12.2 9 (71)申请人 长光卫星技术有限公司 地址 130000 吉林省长 春市北湖科技 开发 区明溪路12 99号 (72)发明人 秦磊　朱瑞飞　马经宇　刘思言　 徐猛　彭芝珏　周圆锈　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 代理人 张宏威 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) (54)发明名称 机器学习的多光谱遥感影像作物秸秆离田 提取方法与系统 (57)摘要 机器学习的多光谱遥感影像作物秸秆离田 提取方法与系统， 解决了 现有监管秸秆离田方式 离田面积及进度存在人为误差和测量误差， 且无 法对未离田区域定位实现精准的管控的问题。 包 括以下步骤： 步骤S1， 获取作物生长期的多光谱 影像数据， 根据作物光谱信息勾画并建立多边形 样本集， 将其建立作物分类模型， 建立后的作物 分类模型预测得到作物分布结果； 步骤S2， 获取 作物收获期之后的多光谱影像数据， 勾画对应类 别的多边形样本后， 进行采样处理， 得到离田地 块多边形样本集； 步骤S3， 利用五折划分将离田 地块多边形样品集划分， 得到的五组训练集 ‑验 证集训练后为五个基模型， 使用基模 型对影像数 据预测， 预测结果通过概率均值融合确定离田地 块。 权利要求书2页 说明书7页 附图2页 CN 114359746 A 2022.04.15 CN 114359746 A 1.机器学习的多光谱遥感影像作物秸秆离田地块提取方法， 其特征在于， 包括以下步 骤： 步骤S1， 获取作物生长期的多光谱影像数据， 根据作物光谱信息勾画并建立多边形样 本集， 将其建立作物分类模型， 建立后的作物分类模型 预测得到作物分布结果； 步骤S2， 获取作物收获期之后的多光谱影像数据， 勾画对应类别的多边形样本后， 进行 采样处理， 得到离田地块多边形样本集； 步骤S3， 利用五折划分将离田地块多边形样品集划分， 得到的五组训练集 ‑验证集训练 后为五个 基模型， 使用基模型对影 像数据预测， 预测结果 通过概率均值融合确定 离田地块。 2.根据权利要求1所述的机器学习的多光谱遥感影像作物秸秆离田地块提取方法， 其 特征在于， 所述步骤S1所述的获取作物生长期的多光谱影像数据中， 所述多光谱影像数据 是指波段为： B2、 B3、 B4、 B5、 B6、 B7、 B8、 B8A、 B11、 B12共10个波段的反射率数据， 并且所述多光谱影像 数据形式为无符号整型16位。 3.根据权利要求1所述的机器学习的多光谱遥感影像作物秸秆离田地块提取方法， 其 特征在于， 所述 步骤S1所述的根据作物光谱信息勾画并建立多边形样本集中， 所述提取作物包括： 玉米、 水稻、 其 他作物、 其 他地物四类作物， 勾画并建立多边形样本集， 是指针对上述每个类别的作物勾画并建立50～100个多边 形样本形成样本集。 4.根据权利要求1所述的机器学习的多光谱遥感影像作物秸秆离田地块提取方法， 其 特征在于， 所述 步骤S1所述的建立作物分类模型 是以LightGBM框架为基础。 5.根据权利要求1所述的机器学习的多光谱遥感影像作物秸秆离田地块提取方法， 其 特征在于， 所述 步骤S2所述的勾画对应 类别的多边形样本中， 所述类别包括： 离田、 未离田、 其 他地物三类别。 6.根据权利要求1所述的机器学习的多光谱遥感影像作物秸秆离田地块提取方法， 其 特征在于， 所述 步骤S2所述的进行采样处 理， 包括以下步骤： 步骤S201， 计算得到的一个多边形样本内每个像素的波段值作为基础波段特征值， 基 于波段特征值计算出对应 类别光谱指数 特征值； 步骤S202， 对光谱指数 特征值进行归一 化处理。 7.根据权利要求1所述的机器学习的多光谱遥感影像作物秸秆离田地块提取方法， 其 特征在于， 所述 步骤S3所述的利用五折划分将离田地 块多边形样品集划分的方法为： 将离田地 块多边形样本集以4： 1的方式划分为训练集及验证集。 8.根据权利要求1所述的机器学习的多光谱遥感影像作物秸秆离田地块提取方法， 其 特征在于， 所述 步骤S3所述的预测结果 通过概率均值融合 为： 将五个基模型预测的得到的分块概率矩阵进行重新合并， 并将概率矩阵相加并计算均 值得到融合后的总的概 率矩阵。 9.机器学习的多光谱遥感影像作物秸秆离田地块提取系统， 其特征在于， 所述系统包 括以下模块： 模块S1， 用于获取作物生长期的多光谱影像数据， 根据作物光谱信息勾画并建立多边 形样本集， 将其建立作物分类模型， 建立后的作物分类模型 预测得到作物分布结果；权　利　要　求　书 1/2 页 2 CN 114359746 A 2模块S2， 用于获取作物收获期之后的多光谱影像数据， 勾画对应类别的多边形样本后， 进行采样处 理， 得到离田地块多边形样本集； 模块S3， 用于利用五折划分将离田地块多边形样品集划分， 得到的五组训练集 ‑验证集 训练后为五个基模型， 还用于使用基模型对影像数据预测， 预测结果通过概率均值融合确 定离田地块。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至8中任意 一项权利要求所述的方法的步骤。 11.一种计算机设备， 包括存储器和 处理器， 所述存储器中存储有计算机程序， 其特征 在于， 当所述处理器运行所述存储器存储的计算机程序时执行权利要求 1至8中任意一项权 利要求所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 114359746 A 3