本发明涉及遥感测绘，尤其耕地地块的遥感测绘技术，具体是一种基于遥感云计算平台和集成机器学习技术的耕地提取方法。
背景技术：
1、耕地的快速、精准提取是支撑耕地资源保护和开发利用的重要基础。传统的耕地调查方法主要依赖于实地勘测和手工绘图，这种方法虽然精度较高，但存在成本高、耗时长、劳动强度大等问题。此外，实地调查受到地形条件和天气的限制，难以在短时间内完成大规模区域的调查。地球探测与遥感技术为实现长期、大规模耕地提取提供了一种可靠和具有成本效益的方法。常规基于遥感影像的耕地提取方法通常使用遥感影像进行目视解译或简单的阈值分割。这些方法对提取目标的依赖性较强，需要人工设定参数，适用于地物特征明显的区域。并且，这些方法的精度较低，且不具备自动化处理能力。
2、为了提高耕地提取的自动化程度和精度，机器学习技术被引入到遥感影像分类中。耕地提取已逐渐由传统本地的目视解译和基于像元的分类算法过渡至以机器学习和深度学习为代表的智能化耕地提取新阶段。常用的机器学习算法包括决策树(dt)、支持向量机(svm)和随机森林(rf)。这些方法通过构建分类器，对遥感影像中的地物像元进行自动分类。机器学习方法能够处理较复杂的多维度特征数据，提高分类精度，但易受噪声和数据分布变化的影响。深度学习技术能够自动提取影像中的高级深层特征，减少了对人工设定特征的依赖。卷积神经网络(cnn)、u-net网络等深度学习模型通过层次化特征提取，可以更好地捕捉遥感影像中的复杂特征，提高分类精度和鲁棒性。然而，深度学习模型的训练过程复杂，计算资源需求高，且模型的泛化能力较差，尤其在迁移到其他地区时，性能往往会有所下降。此外，由于其庞大的数据训练量以及算法复杂度，很难实现大尺度长时序的耕地提取。
3、总体来看，耕地提取技术已经从传统的实地调查方法，逐步发展到利用遥感技术进行自动化处理，其中，已衍生出以下方法：
4、面向轮廓的耕地提取方法[1]
5、如图9所示，基于richer convolution features(rcf)网络的面向轮廓方法来从高分辨率遥感影像中提取耕地轮廓，该方法分为三个阶段，包括数据准备、网络训练和耕地提取。数据准备阶段，将研究区高分影像数据进行标注，形成训练、验证和测试数据集；网络训练阶段，调用rcf网络，该网络擅长捕捉尺度不变的边缘特征，通过多层卷积和池化操作，rcf网络能够学习到影像中的农田轮廓特征，训练过程中通过交叉熵损失函数和加权损失策略优化网络；耕地提取阶段，使用训练好的模型对待提取耕地影像进行预测，生成耕地地块轮廓，并通过手动修正生成最终的耕地分布结果。
6、基于机器学习的耕地提取方法[2]
7、如图10所示，利用机器学习算法对研究区农田与耕地范围进行高精度映射，方法采用了多光谱数据(包括swir 1、swir 2、近红外、红光、绿光、蓝光等八个波段)和获取的高分辨率训练与测试数据，通过像素级分类算法进行分析。对多时相的遥感数据进行预处理，生成无云的时间序列复合影像；使用多文件数据立方体(mfdc)整合影像数据，并构建一个48波段的时间序列数据集；选用随机森林、支持向量机(svm)、朴素贝叶斯和分类回归树(cart)四种机器学习算法进行训练和验证，通过多次迭代优化模型参数和样本，利用优化后的模型对整个研究区域进行分类，生成耕地范围结果。
8、基于深度学习的耕地提取方法[3]
9、如图11所示，该方法使用一种深度学习模型fractal resunet，并引入两个不确定性度量来表征耕地检测和边界划定过程中的置信度。fractal resunet网络对单时相影像进行语义分割，预测农田的存在、边界和到最近边界的距离，将多时相影像的预测结果进行时间平均，以整合时间线索，提高预测准确性，通过层次分水岭分割方法，将边界掩膜转换为封闭的耕地边界，并生成耕地提取结果。
10、但以上三种方法仍存在以下缺点：
11、1、对于大尺度长时序的地物提取，实现海量遥感数据的高性能运算与处理存在困难；
12、2、特征提取不充分，构建的特征空间无法全面反映地物的多样性与异质性；
13、3、分类算法的鲁棒性不足，传统机器学习方法难以应对复杂地物情境中的不确定性，深度学习方法迁移到其他地区的泛化能力不强；
14、4、后处理技术不统一，分类结果中常存在噪声和误分的细碎图斑，影响最终的应用效果，现未形成一套统一的后处理技术流程。
技术实现思路
1、针对背景技术提出的问题，本发明的目的是提出一种基于遥感云计算平台和集成机器学习技术的耕地提取方法，该方法能够解决耕地提取研究中遥感大数据处理困难、特征提取不充分、算法鲁棒性不足、后处理技术不统一等问题。
2、为实现上述目的，本发明采用以下技术方案：
3、一种基于遥感云计算平台和集成机器学习技术的耕地提取方法，包括以下步骤：
4、步骤s1、数据预处理；数据预处理；获取目标区域的多时相遥感影像和数字高程模型数据；逐栅格取多时相遥感影像波段信息中值，将多时相遥感影像合成为一幅无云覆盖的综合影像，对合成的综合影像进行镶嵌裁剪，确保综合影像覆盖目标区域；对数字高程模型数据进行填补与平滑操作，去除数据中的异常值和噪声，获得平滑的高程数据，对平滑的高程数据进行拼接裁剪，确保高程数据覆盖目标区域；
5、步骤s2、特征集构建；利用步骤s1处理后的综合影像及高程数据，构建包含光谱指数、地形因子和纹理特征的综合特征集；其中，纹理特征通过以下方法获得：对步骤s1处理后的综合影像进行波段计算得到灰度影像，采用空间灰度共生矩阵方法，计算灰度共生矩阵的特定纹理特征参数，选取特定纹理特征参数作为纹理特征；
6、步骤s3、训练样本点选取；对步骤s1处理后的综合影像进行可视化，通过人工目视解译的方法，识别并标注耕地样本点和非耕地样本点；
7、步骤s4、机器学习模型集成；将s2得到的综合特征集与s3得到的样本点结合，形成输入模型训练的高维矩阵；采用两个不同的分类算法分别训练模型，得到两个不同的模型结果，采用加权投票法将两个模型的结果进行集成，通过对两个模型的结果进行加权平均，融合为集成学习模型，由集成学习模型输出耕地提取结果；
8、步骤s5、形态学后处理；对耕地提取结果进行空间滤波操作和面积阈值筛选，去除耕地提取结果中的细小和破碎图斑；
9、步骤s6、结果精度验证；采用混淆矩阵对步骤s5处理后的耕地提取分类结果进行评价，计算分类的总体精度和kappa系数；通过计算总体精度和kappa系数量化耕地提取分类结果的准确性。
10、所述步骤s1中，多时相遥感影像合成为综合影像之前，还需经过云检测与去除步骤，利用云检测算法检测多时相遥感影像中的云量，并将云量较高区域剔除。
11、所述步骤s2中，光谱指数包括：归一化植被指数、增强植被指数、裸土指数、土壤调节植被指数和归一化水体指数；上述光谱指数通过以下方法获得：从s1步骤处理后的综合影像中筛选出包含丰富地物信息的光谱波段，即蓝光波段、绿光波段和红光波段，将筛选出的光谱波段进行线性与非线性组合，通过数学公式计算得到以上光谱指数。
12、所述步骤s2中，地形因子利用s1步骤处理后的高程数据计算，地形因子包括高程、坡度和坡向。
13、所述步骤s2中，特定特征参数包括：角二阶矩(asm)、熵(ent)、对比度(con)、逆差分矩(idm)、相关性(corr)、离散度(var)、平均值和(savg)、离散度和(svar)、熵和(sent)。
14、所述步骤s4中，两个不同的分类算法分别为随机森林算法和支持向量机算法。
15、所述步骤s5具体如下：
16、s5.1、对耕地提取结果进行空间滤波操作，通过对影像进行空间上的平滑处理，去除耕地提取结果中的噪声和孤立点，从而提高耕地提取结果的整体连续性和一致性；
17、s5.2、进一步去除细碎的图斑，对耕地提取结果中的细小图斑进行处理，去除不连续的小块区域，增强耕地提取结果的视觉效果和实际应用价值；
18、s5.3、将栅格耕地提取结果进行矢量转换，剔除面积过小的矢量图斑。
19、本发明具有以下有益效果：
20、1、提高分类精度
21、通过多时相遥感数据和高程数据的预处理，去除了云层和噪声，保证了数据的清晰度和准确性。在特征集构建阶段，结合光谱指数、地形因子和纹理特征，全面丰富了分类模型的输入特征，能够更好地反映地物的实际情况，从而提高了分类模型的精度。在机器学习模型阶段，采用了随机森林和支持向量机两种算法，通过加权投票法进行集成学习，有效结合了两种算法的优势，进一步提高了分类结果的准确性。最终，通过形态学后处理，去除了细碎图斑和噪声，使分类结果更加连续和一致。
22、2、增强分类结果的稳定性和鲁棒性
23、随机森林模型具有抗噪声和不易过拟合的特点，支持向量机模型在高维空间中表现出色，通过加权投票法将这两种模型的结果进行集成，不仅提高了分类精度，还增强了分类结果的稳定性和鲁棒性。特别是在面对复杂地物分布和多样化光谱特征时，本发明的分类方法表现出较强的适应性，能够有效区分不同类别的地物，减少分类误差。
24、3、提升耕地管理和监测能力
25、高精度的耕地分类结果为耕地管理和监测提供了可靠的数据支持，该技术方案不仅能够准确识别和提取耕地，还能为土地利用变化监测、农业生产管理和环境保护提供重要参考，协助相关部门及时掌握耕地的分布和变化情况，做出科学决策。
26、4、适应不同区域和时相的遥感数据
27、本发明方法具有较强的适应性和通用性，能够应用于不同区域和不同时相的遥感数据，适用于大尺度长时序的遥感耕地提取与监测。通过灵活调整特征集构建和模型参数设置，可以适应不同地理环境和季节变化，实现不同区域耕地的精准提取。这一特点使得本发明技术方案在全球范围内具有广泛的应用潜力，能够为不同地区的耕地监测和管理提供有效解决方案。
1.一种基于遥感云计算平台和集成机器学习技术的耕地提取方法，其特征是：包括以下步骤：
2.根据权利要求1所述的耕地地块提取方法，其特征是：所述步骤s1中，多时相遥感影像合成为综合影像之前，还需经过云检测与去除步骤，利用云检测算法检测多时相遥感影像中的云量，并将云量较高区域剔除。
3.根据权利要求1所述的耕地地块提取方法，其特征是：所述步骤s2中，光谱指数包括：归一化植被指数、增强植被指数、裸土指数、土壤调节植被指数和归一化水体指数；上述光谱指数通过以下方法获得：从s1步骤处理后的综合影像中筛选出包含丰富地物信息的光谱波段，即蓝光波段、绿光波段和红光波段，将筛选出的光谱波段进行线性与非线性组合，通过数学公式计算得到以上光谱指数。
4.根据权利要求1所述的耕地地块提取方法，其特征是：所述步骤s2中，地形因子利用s1步骤处理后的高程数据计算，地形因子包括高程、坡度和坡向。
5.根据权利要求1所述的耕地地块提取方法，其特征是：所述步骤s2中，特定特征参数包括：角二阶矩(asm)、熵(ent)、对比度(con)、逆差分矩(idm)、相关性(corr)、离散度(var)、平均值和(savg)、离散度和(svar)、熵和(sent)。
6.根据权利要求1所述的耕地地块提取方法，其特征是：所述步骤s4中，两个不同的分类算法分别为随机森林算法和支持向量机算法。
7.根据权利要求1所述的耕地地块提取方法，其特征是：所述步骤s5具体如下：
