基于大数据的制种玉米田识别方法、装置及电子设备

摘要

本发明提供一种基于大数据的制种玉米田识别方法、装置及电子设备，该方法包括：基于目标区域内的目标样点数据和目标区域对应的目标遥感数据，确定玉米田块；基于玉米田块对应的光谱纹理特征，从玉米田块中识别出第一区域和第二区域，第一区域为制种玉米田，第二区域为通过光谱纹理特征未识别出种植类型的玉米田；基于第二区域中每个田块对应的目标终端信令数据，判断每个田块是否为制种玉米田；其中，目标终端信令数据用于指示每个田块对应的农作流程信息。本发明提供的基于大数据的制种玉米田识别方法，可以基于目标终端信令数据，提取第二区域中每个田块对应的农作流程信息，有利于改善制种玉米田识别精度，还可以快速有效地识别制种玉米田。

权利要求

1.一种基于大数据的制种玉米田识别方法，其特征在于，包括：基于目标区域内的目标样点数据和所述目标区域对应的目标遥感数据，确定玉米田块；

基于所述玉米田块对应的光谱纹理特征，从所述玉米田块中识别出第一区域和第二区域，所述第一区域为制种玉米田，所述第二区域为通过所述光谱纹理特征未识别出种植类型的玉米田；所述光谱纹理特征包括条纹特征和均质特征，所述第一区域呈现条纹特征，所述第二区域呈现除所述条纹特征和所述均质特征之外的特征；

基于所述第二区域中每个田块对应的目标终端信令数据，判断所述每个田块是否为制种玉米田；

其中，所述目标终端信令数据用于指示所述每个田块对应的农作流程信息；

在所述基于目标区域内的目标样点数据和所述目标区域对应的目标遥感数据，确定玉米田块之前，还包括：分别获取所述目标区域内的初始样点数据、初始遥感数据和初始终端信令数据；所述初始遥感数据为所述目标区域中玉米在穗期的卫星遥感数据；

对所述初始样点数据和所述初始终端信令数据进行矢量化处理，得到所述目标样点数据和所述目标终端信令数据，所述初始终端信令数据用于表征终端用户位置流动轨迹；

对所述初始遥感数据进行预处理操作，得到所述目标遥感数据；所述目标遥感数据包括哨兵2号卫星遥感数据以及数据融合后的高分2号数据；所述哨兵2号卫星遥感数据具有蓝波段、绿波段、红波段、近红外波段和在植被光谱红边区域设有的3个植被红边波段；所述哨兵2号卫星遥感数据的空间分辨率为10米；所述数据融合后的高分2号数据为0.8米空间分辨率的多光谱数据；

将所述目标样点数据、所述目标遥感数据和所述目标终端信令数据，布展到同一地理参考系统内；

所述基于目标区域内的目标样点数据和所述目标区域对应的目标遥感数据，确定玉米田块，包括：基于非监督分类算法，对所述目标遥感数据中的哨兵2号卫星遥感数据包括的地物类型进行分类，得到所述目标区域的最优分类结果；

基于所述目标样点数据和所述最优分类结果，确定所述玉米田块；

所述基于所述第二区域中每个田块对应的目标终端信令数据，判断所述每个田块是否为制种玉米田，包括：基于所述目标终端信令数据，提取终端的位置信息和所述位置信息对应的时间信息；

所述时间信息包括：穗期单日驻留总时间、播种期日均驻留时间和生长期日均驻留时间；

所述位置信息包括：穗期单日终端数、播种期日均终端数和生长期日均终端数；

在所述位置信息为所述第二区域中的至少一个田块且所述时间信息为穗期的情况下，确定所述至少一个田块为制种玉米田之前，还包括：在所述位置信息和所述时间信息满足目标条件的情况下，确定所述位置信息为所述第二区域中的至少一个田块且所述时间信息为穗期；

所述目标条件包括：

所述穗期单日驻留时间在时间阈值范围内，所述时间阈值范围基于所述播种期日均驻留时间确定；

所述穗期单日终端数在数量阈值范围内，所述数量阈值范围基于所述播种期日均终端数确定；

所述穗期单日驻留总时间大于所述生长期日均驻留时间；

所述穗期单日终端数大于所述生长期日均终端数；

将所述第二区域中的任一玉米田块的穗期单日驻留时间设为a、穗期单日终端数设为b、播种期日均驻留时间设为c、播种期日均终端数设为d、生长期日均驻留时间设为e和生长期日均终端设为f，所述目标条件为：

0.9c≤a≤1.1c；0.9d≤b≤1.1d；a＞e；b＞f。

2.根据权利要求1所述的基于大数据的制种玉米田识别方法，其特征在于，所述基于所述第二区域中每个田块对应的目标终端信令数据，判断所述每个田块是否为制种玉米田，包括：在所述位置信息为所述第二区域中的至少一个田块且所述时间信息为穗期的情况下，确定所述至少一个田块为制种玉米田。

3.根据权利要求1所述的基于大数据的制种玉米田识别方法，其特征在于，在所述基于所述目标样点数据和所述最优分类结果，确定所述玉米田块之前，还包括：将所述目标区域对应的二值化栅格影像进行矢量化处理，得到初始玉米田范围矢量；

将所述初始玉米田范围矢量和所述目标遥感数据中的高分辨率卫星遥感数据进行叠加，并对叠加后的数据进行修正，得到目标玉米田范围矢量。

4.根据权利要求1‑3任一项所述的基于大数据的制种玉米田识别方法，其特征在于，所述预处理操作包括以下至少一项：数据融合、正射校正、空间配准、投影转换和数据裁剪。

5.一种基于大数据的制种玉米田识别装置，其特征在于，包括：第一确定模块，用于基于目标区域内的目标样点数据和所述目标区域对应的目标遥感数据，确定玉米田块；

识别模块，用于基于所述玉米田块对应的光谱纹理特征，从所述玉米田块中识别出第一区域和第二区域，所述第一区域为制种玉米田，所述第二区域为通过所述光谱纹理特征未识别出种植类型的玉米田；所述光谱纹理特征包括条纹特征和均质特征，所述第一区域呈现条纹特征，所述第二区域呈现除所述条纹特征和所述均质特征之外的特征；

判断模块，用于基于所述第二区域中每个田块对应的目标终端信令数据，判断所述每个田块是否为制种玉米田；

其中，所述目标终端信令数据用于指示所述每个田块对应的农作流程信息；

所述装置还包括：

获取模块，用于分别获取所述目标区域内的初始样点数据、初始遥感数据和初始终端信令数据；所述初始遥感数据为所述目标区域中玉米在穗期的卫星遥感数据；

预处理模块，用于对所述初始样点数据和所述初始终端信令数据进行矢量化处理，得到所述目标样点数据和所述目标终端信令数据，所述初始终端信令数据用于表征终端用户位置流动轨迹；

对所述初始遥感数据进行预处理操作，得到所述目标遥感数据；所述目标遥感数据包括哨兵2号卫星遥感数据以及数据融合后的高分2号数据；所述哨兵2号卫星遥感数据具有蓝波段、绿波段、红波段、近红外波段和在植被光谱红边区域设有的3个植被红边波段；所述哨兵2号卫星遥感数据的空间分辨率为10米；所述数据融合后的高分2号数据为0.8米空间分辨率的多光谱数据；

将所述目标样点数据、所述目标遥感数据和所述目标终端信令数据，布展到同一地理参考系统内；

所述第一确定模块具体用于：

基于非监督分类算法，对所述目标遥感数据中的哨兵2号卫星遥感数据包括的地物类型进行分类，得到所述目标区域的最优分类结果；

基于所述目标样点数据和所述最优分类结果，确定所述玉米田块；

所述判断模块，具体用于：

基于所述目标终端信令数据，提取终端的位置信息和所述位置信息对应的时间信息；

所述时间信息包括：穗期单日驻留总时间、播种期日均驻留时间和生长期日均驻留时间；

所述位置信息包括：穗期单日终端数、播种期日均终端数和生长期日均终端数；

在所述位置信息为所述第二区域中的至少一个田块且所述时间信息为穗期的情况下，确定所述至少一个田块为制种玉米田之前，还包括：在所述位置信息和所述时间信息满足目标条件的情况下，确定所述位置信息为所述第二区域中的至少一个田块且所述时间信息为穗期；

所述目标条件包括：

所述穗期单日驻留时间在时间阈值范围内，所述时间阈值范围基于所述播种期日均驻留时间确定；

所述穗期单日终端数在数量阈值范围内，所述数量阈值范围基于所述播种期日均终端数确定；

所述穗期单日驻留总时间大于所述生长期日均驻留时间；

所述穗期单日终端数大于所述生长期日均终端数；

将所述第二区域中的任一玉米田块的穗期单日驻留时间设为a、穗期单日终端数设为b、播种期日均驻留时间设为c、播种期日均终端数设为d、生长期日均驻留时间设为e和生长期日均终端设为f，所述目标条件为：

0.9c≤a≤1.1c；0.9d≤b≤1.1d；a＞e；b＞f。

6.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述基于大数据的制种玉米田识别方法。

7.一种非暂态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如权利要求1至4任一项所述基于大数据的制种玉米田识别方法。

说明书

基于大数据的制种玉米田识别方法、装置及电子设备

技术领域

[0001] 本发明涉及作物类型识别技术领域，尤其涉及一种基于大数据的制种玉米田识别方法、装置及电子设备。

背景技术

[0002] 玉米作为我国主要的粮食作物，快速、准确地监测制种玉米的生产面积，是确保农业供种安全、加强种子生产监管的迫切要求。传统农作物面积获取通常由各级种子管理部门汇总而得，该方法受人为因素影响较大，效率低、速度慢，不适用于大区域制种玉米监测及非法制种监管。及时、客观地获取作物种植的面积及空间分布信息，是实现制种玉米生产精准监管的必然选择。

[0003] 国内外研究者在制种玉米识别方面已开展方法探索。其中，现有方法主要是基于制种玉米的光谱特点、纹理结构等影像信息，或结合制种玉米的作物物候特征、背景环境等地学特征，利用监督分类方法，直接进行制种玉米识别。上述方法普遍存在以下限制：

[0004] 从数据特征方面看，研究者主要依靠各类光学遥感卫星数据，结合制种玉米的植被指数等光谱特征、灰度共生矩阵等纹理特征，实现区域制种玉米田识别。然而，该方法仅是基于光学遥感卫星数据，其可行性很大程度上由光学遥感卫星数据的空间分辨率决定，同时，光学遥感卫星数据的成像质量直接影响着植被冠层光谱特征、纹理特征的有效性，进而影响着制种玉米的可识别性，对于冠层郁闭度高的玉米田块还会出现光谱响应失灵现象。针对上述问题，研究者多通过增加植被指数个数、改进纹理特征挖掘方式，力争增强作物冠层光谱特征表达、削弱上述缺陷，但这种方式本质上没有额外增加地物光学信息，对改善制种玉米识别能力作用有限。也有学者基于不同时间间隔，建立多时相下的植被指数等光谱特征集，有效地增加了制种玉米在不同生育期下的光谱特征，但这种方式也大大提高了对高空间分辨率遥感影像的获取要求和识别成本，在方法的大面积推广应用中存在限制性。

[0005] 从模型算法方面看，研究者多利用监督分类的方式，利用支持向量机、随机森林等机器学习算法，开展制种玉米精细识别，评价各类分类器的效用。然而，各监督分类器的效用受训练样点的数量、分布等因素影响较大，外加样点采样时的人为因素，会导致同一分类算法在不同研究中可能存在差异性的表现。以往的研究表明，充足、高质量的训练样点是监督分类发挥效用的前提。

[0006] 综上所述，现有方法在模型构建方面，其鲁棒性受样点数量和质量的影响较大，现有方法在大区域推广应用中的有效性、经济性、适用性方面存在不同程度的限制。

发明内容

[0007] 本发明提供一种基于大数据的制种玉米田识别方法、装置及电子设备，用以解决制种玉米田识别精度不高且识别效率低的技术问题。

[0008] 本发明提供一种基于大数据的制种玉米田识别方法，包括：

[0009] 基于目标区域内的目标样点数据和所述目标区域对应的目标遥感数据，确定玉米田块；

[0010] 基于所述玉米田块对应的光谱纹理特征，从所述玉米田块中识别出第一区域和第二区域，所述第一区域为制种玉米田，所述第二区域为通过所述光谱纹理特征未识别出种植类型的玉米田；

[0011] 基于所述第二区域中每个田块对应的目标终端信令数据，判断所述每个田块是否为制种玉米田；

[0012] 其中，所述目标终端信令数据用于指示所述每个田块对应的农作流程信息。

[0013] 在一些实施例中，所述基于目标区域内的目标样点数据和所述目标区域对应的目标遥感数据，确定玉米田块，包括：

[0014] 基于非监督分类算法，对所述目标遥感数据包括的地物类型进行分类，得到所述目标区域的最优分类结果；

[0015] 基于所述目标样点数据和所述最优分类结果，确定所述玉米田块。

[0016] 在一些实施例中，所述基于所述第二区域中每个田块对应的目标终端信令数据，判断所述每个田块是否为制种玉米田，包括：

[0017] 基于所述目标终端信令数据，提取终端的位置信息和所述位置信息对应的时间信息；

[0018] 在所述位置信息为所述第二区域中的至少一个田块且所述时间信息为穗期的情况下，确定所述至少一个田块为制种玉米田。

[0019] 在一些实施例中，所述时间信息包括：穗期单日驻留总时间、播种期日均驻留时间和生长期日均驻留时间；

[0020] 所述位置信息包括：穗期单日终端数、播种期日均终端数和生长期日均终端数；

[0021] 在所述位置信息为所述第二区域中的至少一个田块且所述时间信息为穗期的情况下，确定所述至少一个田块为制种玉米田之前，还包括：

[0022] 在所述位置信息和所述时间信息满足目标条件的情况下，确定所述位置信息为所述第二区域中的至少一个田块且所述时间信息为穗期；

[0023] 所述目标条件包括：

[0024] 所述穗期单日驻留时间在时间阈值范围内，所述时间阈值范围基于所述播种期日均驻留时间确定；

[0025] 所述穗期单日终端数在数量阈值范围内，所述数量阈值范围基于所述播种期日均终端数确定；

[0026] 所述穗期单日驻留总时间大于所述生长期日均驻留时间；

[0027] 所述穗期单日终端数大于所述生长期日均终端数。

[0028] 在一些实施例中，在所述基于目标区域内的目标样点数据和所述目标区域对应的目标遥感数据，确定玉米田块之前，还包括：

[0029] 分别获取所述目标区域内的初始样点数据、初始遥感数据和初始终端信令数据；

[0030] 对所述初始样点数据和所述初始终端信令数据进行矢量化处理，得到所述目标样点数据和所述目标终端信令数据；

[0031] 对所述初始遥感数据进行预处理操作，得到所述目标遥感数据；

[0032] 其中，所述预处理操作包括以下至少一项：数据融合、正射校正、空间配准、投影转换和数据裁剪。

[0033] 在一些实施例中，在所述基于所述目标样点数据和所述最优分类结果，确定所述玉米田块之前，还包括：

[0034] 将所述目标区域对应的二值化栅格影像进行矢量化处理，得到初始玉米田范围矢量；

[0035] 将所述初始玉米田范围矢量和所述目标遥感数据中的高分辨率卫星遥感数据进行叠加，并对叠加后的数据进行修正，得到目标玉米田范围矢量。

[0036] 本发明还提供一种基于大数据的制种玉米田识别装置，包括：

[0037] 第一确定模块，用于基于目标区域内的目标样点数据和所述目标区域对应的目标遥感数据，确定玉米田块；

[0038] 识别模块，用于基于所述玉米田块对应的光谱纹理特征，从所述玉米田块中识别出第一区域和第二区域，所述第一区域为制种玉米田，所述第二区域为通过所述光谱纹理特征未识别出种植类型的玉米田；

[0039] 判断模块，用于基于所述第二区域中每个田块对应的目标终端信令数据，判断所述每个田块是否为制种玉米田；

[0040] 其中，所述目标终端信令数据用于指示所述每个田块对应的农作流程信息。

[0041] 本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于大数据的制种玉米田识别方法。

[0042] 本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于大数据的制种玉米田识别方法。

[0043] 本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于大数据的制种玉米田识别方法。

[0044] 本发明提供的基于大数据的制种玉米田识别方法、装置及电子设备，通过利用大田玉米和制种玉米在农作流程上的差异，将用于表征农作流程信息的目标终端信令数据引入玉米田的精细遥感分类，开展制种玉米的补充判别；在传统光学遥感特征的基础上引入农作流程特征，可以弥补仅基于光学特征进行制种玉米遥感识别的局限性，基于农作流程特征的制种玉米的补充判别，有利于改善制种玉米田的识别精度。

附图说明

[0045] 为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0046] 图1是本发明提供的基于大数据的制种玉米田识别方法的流程示意图；

[0047] 图2是应用本发明提供的基于大数据的制种玉米田识别方法的玉米冠层光谱纹理示意图；

[0048] 图3是应用本发明提供的基于大数据的制种玉米田识别方法的总体技术流程图；

[0049] 图4是应用本发明提供的基于大数据的制种玉米田识别方法的研究区高分2号影像示意图；

[0050] 图5是应用本发明提供的基于大数据的制种玉米田识别方法的研究区玉米田分类结果示意图；

[0051] 图6是应用本发明提供的基于大数据的制种玉米田识别方法的研究区制种玉米田识别结果示意图；

[0052] 图7是本发明提供的基于大数据的制种玉米田识别装置的结构示意图；

[0053] 图8是本发明提供的电子设备的结构示意图。

具体实施方式

[0054] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0055] 本发明实施例的总体思路为：

[0056] 首先，基于目标遥感数据对目标区域的地物类型进行区分，确定玉米田块；随后，利用大田玉米田和制种玉米田的纹理特征差异，对玉米田块进行细分，识别制种玉米田；最后，利用大田玉米和制种玉米在穗期农作流程方面的差异，基于终端信令数据，对未能判别的玉米田块，进行补充判别，得到目标区域内的所有制种玉米田。

[0057] 可以理解的是，在进行基于大数据的制种玉米田识别之前，先对研究区玉米田进行实地调查，具体是对研究区制种玉米和大田玉米在种植方式、农作流程、时间节点等方面的差异，开展实地调查。此外，通过实地调查法，采集大田玉米地样点数据和制种玉米田样点数据，用于玉米田遥感提取和基于大数据的制种玉米田识别的精度评价。

[0058] 一、确定种植方式

[0059] 通过实地调查法，确定研究区制种玉米田的种植方式。制种玉米是大量配制玉米杂交种子的田块，种植方式一般分为满天星种植法、行比种植法、行比加满天星种植法。

[0060] 通常，在制种玉米田中，将父本植株与母本植株按照一定行比进行种植的方式称为行比种植法；将父本植株散布于母本植株的种植方式称为满天星种植法；在行比种植法的基础上，在母本行内点播父本植株的种植方式称为行比加满天星种植法。

[0061] 对于大田玉米，不区分父本植株和母本植株，在种植方式方面一般不涉及种植行比的问题。本发明适用于行比种植法、行比加满天星种植法。

[0062] 二、确定农作流程

[0063] 通过实地调查法，确定研究区制种玉米田的农作流程。

[0064] 制种玉米和大田玉米在农作流程方面的差异主要体现在穗期。

[0065] 制种玉米在穗期，需组织人员多次进入制种玉米田进行农作：一是制种玉米抽雄后，需及时对母本植株的雄蕊进行摘除，简称母本去雄，避免制种玉米母本的雌蕊和雄蕊自交；二是制种玉米授粉前后，需对制种玉米进行补水、补肥，三是制种玉米授粉后，需对父本植株进行砍伐。对于大田玉米，在穗期一般不进行上述操作。

[0066] 三、确定时间节点

[0067] 通过实地调查法，确定研究区制种玉米田农作的时间节点。具体包括确定玉米播种期、生长期、穗期的大致起始时间，便于后续的影像采集、信令数据获取与处理等。

[0068] 播种期为将种子埋入土中的时期。生长期为播种期和穗期之间的生长阶段的统称，包括出苗、长叶和拔节等时期。穗期为拔节后至抽雄的生长阶段。

[0069] 四、采集样点

[0070] 通过实地调查法，利用手持全球定位系统接收机采集研究区玉米样点，用于玉米田遥感提取和基于大数据的制种玉米田识别精度评价。样点类型包括大田玉米样点和制种玉米样点。

[0071] 各类样点需在规范、成规模的制种玉米田内采集，样点采集不宜过于聚集，在空间上应散布于整个研究区，以保证样点数据具有典型性和代表性。

[0072] 图1为本发明提供的基于大数据的制种玉米田识别方法的流程示意图。参照图1，本发明实施例提供一种基于大数据的制种玉米田识别方法，可以包括：步骤110、步骤120和步骤130。

[0073] 步骤110、基于目标区域内的目标样点数据和目标区域对应的目标遥感数据，确定玉米田块。

[0074] 在步骤110中，目标区域可以为需要进行基于大数据的制种玉米田识别的区域。目标遥感数据可以为中高分辨率多光谱卫星遥感数据、中高分辨率高光谱卫星遥感数据或高分辨率卫星遥感数据。

[0075] 利用目标遥感数据具有多个植被红边波段的优势和实地采集的目标样点数据，对卫星遥感影像中包括的地物类型进行粗分类，以区分玉米和其它地物类型，从而可以得到种植有玉米的玉米田块。

[0076] 在一些实施例中，在步骤110之前，还包括：

[0077] 分别获取目标区域内的初始样点数据、初始遥感数据和初始终端信令数据；

[0078] 对初始样点数据和初始终端信令数据进行矢量化处理，得到目标样点数据和目标终端信令数据；

[0079] 对初始遥感数据进行预处理操作，得到目标遥感数据；

[0080] 其中，预处理操作包括以下至少一项：数据融合、正射校正、空间配准、投影转换和数据裁剪。

[0081] 其中，初始样点数据可以为在目标区域实际采集的样点数据。

[0082] 选取样点数据时要按随机和均匀分布的原则进行，选点数目的多少要随地块的大小和田间长势均匀程度而定。田块较大、长势不匀时应适当增加取点数，反之可适当减少取点数。样点数据可以基于玉米田块中制种玉米或大田玉米的所处区域进行选择，在此不作具体限定。

[0083] 初始遥感数据为目标区域制种玉米穗期(父本砍伐后)的卫星遥感数据。卫星遥感数据包括：中高分辨率多光谱卫星遥感数据、中高分辨率高光谱卫星遥感数据或高分辨率卫星遥感数据。

[0084] 本发明实施例通过地理信息平台，获取目标区域空间分辨率为1米的卫星遥感影像，作为多源影像空间配准的参考底图。此外，获取目标区域的边界等相关矢量数据，用于遥感卫星栅格数据的裁剪等。

[0085] 需要说明的是，光谱分辨率在λ/10数量级范围的称为多光谱，而光谱分辨率在λ/100的遥感信息称之为高光谱。多光谱和高光谱实质上的差别就是：高光谱的波段较多，可达上百个，且谱带较窄。多光谱相对波段较少，在可见光和近红外光谱区只有几个波段。

[0086] 初始终端信令数据为目标区域内在玉米播种期、生长期和穗期获取的终端信令数据。

[0087] 由于终端用户只要发生开关机、通话、短信、位置更新和切换基站等使用行为都会记录下信令数据。通过终端用户与基站之间的信息交换，可确定用户的空间位置，能相对准确地记录人流的时空轨迹。

[0088] 终端信令数据具有以下特点：一是大样本、覆盖范围广、用户持有率高，能更好反映人流行为的时空记录；二是匿名数据，安全性好，没有任何个人属性信息，不涉及个人隐私；三是非自愿数据，用户被动提供信息无法干预调查结果；四是具有动态实时性和连续性，能准确反映在连续时间区段内，不同时间点手机用户所在的空间位置，为描述区域内人群位置流动轨迹提供了可能。

[0089] 在获取到初始样点数据、初始遥感数据和初始终端信令数据之后，对上述数据进行预处理，主要从三个方面进行说明：

[0090] 一、开展初始遥感数据的预处理，可在遥感图像处理平台上进行，并对多源遥感数据分别进行数据融合、正射校正、空间配准、投影转换、数据裁剪等数据预处理操作。

[0091] 数据融合是将不同类型传感器获取的同一地区的影像数据进行空间配准，然后采用一定的算法将各影像的优点或互补性有机地结合起来产生新影像的技术。

[0092] 空间配准是对矢量数据进行配准，采用平移、缩放、旋转等数学变换方法，将栅格数据的坐标位置进行变换的过程。

[0093] 正射纠正是通过在原始影像上选取一些地面控制点，并利用该影像范围内的数字高程模型数据，对影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像的过程。

[0094] 投影转换用于转换不同的投影坐标系数据。

[0095] 数据裁剪是对栅格数据进行裁剪的过程。

[0096] 二、开展初始终端信令数据的预处理，对终端信令数据中可表征用户位置流动轨迹的空间坐标、时刻节点等相关参数进行筛选和挖掘，对表征终端用户位置流动轨迹的终端信令数据参数进行矢量化处理。

[0097] 三、开展初始样点数据的预处理，基于空间位置信息，对实地采集的样点数据进行矢量化处理。

[0098] 经过数据预处理步骤，得到目标样点数据、目标遥感数据和目标终端信令数据。并将目标样点数据、目标遥感数据和目标终端信令数据等多源数据，布展到同一地理参考系统内。

[0099] 本发明提供的基于大数据的制种玉米田识别方法，通过对初始样点数据、初始遥感数据和初始终端信令数据进行预处理，得到目标样点数据、目标遥感数据和目标终端信令数据等多源特征，便于实现制种玉米田的快速有效识别。

[0100] 步骤120、基于玉米田块对应的光谱纹理特征，从玉米田块中识别出第一区域和第二区域，第一区域为制种玉米田；第二区域为通过光谱纹理特征未识别出种植类型的玉米田。

[0101] 基于穗期制种玉米和大田玉米冠层光谱纹理特征的差异，采用目视解译法，可以识别出第一区域和第二区域。

[0102] 由于制种玉米田农作进度不一致、遥感卫星成像质量欠佳等因素的影响，卫星遥感影像上会存在个别大田玉米块光谱纹理特征模糊或局部制种玉米田块光谱纹理特征不显著的现象，进而导致仅凭借玉米田高分辨率光谱纹理特征和目视解译方法，无法区分制种玉米和大田玉米的情况。

[0103] 因此，将通过光谱纹理特征确定的制种玉米田确定为第一区域，将无法通过光谱纹理特征确定的玉米田确定为第二区域，并对第二区域进行进一步补充识别。

[0104] 在实际执行中，通过光谱纹理特征可以识别出第三区域，第三区域为大田玉米。

[0105] 可以理解的是，基于目标样点数据和目标遥感数据识别出的玉米田块为包含多个玉米田块的全部玉米田块。第一区域、第二区域和第三区域均可以包括一个或多个玉米田块。

[0106] 在一些实施例中，光谱纹理特征包括条纹特征和均质特征；

[0107] 将呈现条纹特征的玉米田块识别为制种玉米田，即第一区域；

[0108] 将呈现除条纹特征和均质特征之外的特征所对应的玉米田块确定为第二区域；

[0109] 将呈现均质特征的玉米田块识别为大田玉米地，即第三区域。

[0110] 在实际执行中，制种玉米穗期进行母本去雄处理和制种玉米父本砍伐处理，在中高分辨率高光谱(或多光谱)卫星遥感影像上，其光谱纹理呈现条纹特征。大田玉米穗期由于未进行母本去雄和父本砍伐处理，其光谱纹理较为均质。穗期制种玉米和大田玉米的冠层光谱纹理示例如图2所示。

[0111] 因此，在卫星遥感影像上呈现条纹特征的玉米田块可以识别为制种玉米田，在卫星遥感影像上呈现均质特征的玉米田块可以识别为大田玉米地，在卫星遥感影像上呈现条纹特征和均质特征之外的特征的玉米田块确定为第二区域，第二区域为需要进一步识别的玉米田。

[0112] 本发明提供的基于大数据的制种玉米田识别方法，通过识别光谱纹理特征，分步实现玉米田块的判别，可以实现对无法通过光谱纹理特征识别种植类型的玉米田块进行补充判别，提高制种玉米田识别的精确性。

[0113] 步骤130、基于第二区域中每个田块对应的目标终端信令数据，判断每个田块是否为制种玉米田，目标终端信令数据用于指示每个田块对应的农作流程信息。

[0114] 在本步骤中，基于目标终端信令数据记录的终端用户的时空轨迹，可以确定第二区域中每个玉米田块对应的农作流程信息，进而对种植类型尚未确定的第二区域进行二次补充识别。

[0115] 在实际执行中，可以逐一提取第二区域中每个玉米田块对应的目标终端信令数据，然后对第二区域中每个玉米田块进行识别，判断每个玉米田块是否为制种玉米田。

[0116] 可以理解的是，在某个玉米田块对应的农作流程信息符合制种玉米田的农作流程特点的情况下，可以确定某个玉米田块为制种玉米田。

[0117] 在某个玉米田块对应的农作流程信息符合大田玉米的农作流程特点的情况下，可以确定某个玉米田块为大田玉米。

[0118] 在某个玉米田块对应的农作流程信息符合其他玉米类型的农作流程特点的情况下，可以确定某个玉米田块为其他类型玉米田。

[0119] 本发明提供的基于大数据的制种玉米田识别方法，通过利用大田玉米和制种玉米在农作流程上的差异，将用于表征农作流程信息的目标终端信令数据引入玉米田的精细遥感分类，开展制种玉米的补充判别；在传统光学遥感特征的基础上引入农作流程特征，可以弥补仅基于光学特征进行制种玉米遥感识别的局限性，基于农作流程特征的制种玉米的补充判别，有利于改善制种玉米田的识别精度。

[0120] 在一些实施例中，基于目标区域内的目标样点数据和目标区域对应的目标遥感数据，确定玉米田块，包括：

[0121] 基于非监督分类算法，对目标遥感数据包括的地物类型进行分类，得到目标区域的最优分类结果；

[0122] 基于目标样点数据和最优分类结果，确定玉米田块。

[0123] 本发明实施例主要通过如下三个步骤完成：

[0124] 一、卫星遥感影像非监督分类。

[0125] 在实际执行中，基于非监督算法，利用影像处理系统对目标遥感数据中的卫星遥感影像进行非监督分类。在执行过程中，影像处理系统的输入数据为中高分辨率高光谱(或多光谱)卫星遥感数据的红波段、红边波段、近红外波段等对植被类型敏感的光谱波段。

[0126] 通过调整分类类别数量，进行多次非监督分类实验。经目视解译法，将每次分类实验结果与卫星遥感影像进行叠加对比分析，确定目标区域的最优分类结果。从视觉效果上来看，多数最优分类结果仅包含一类地物，同时，同一地物多数被分类在一块最优分类结果内。

[0127] 二、玉米田类型判别。

[0128] 结合目标样点数据和目视解译法，对最优分类结果逐一进行分析判别，以判定表征玉米田的非监督分类类别，确定目标区域中的玉米田块。

[0129] 本发明提供的基于大数据的制种玉米田识别方法，通过基于遥感数据在红边波段的精细光谱探测优势，利用非监督分类器而不是监督分类器，开展玉米田的遥感提取，有效避开了监督分类效用在训练样点数量、质量等方面的前提要求，避免了因研究区训练样点少、分布不均匀等因素而导致的模型鲁棒性不高等潜在问题，提升了基于大数据的制种玉米田识别方法的可推广性。

[0130] 在一些实施例中，在基于目标样点数据和最优分类结果，确定玉米田块之前，还包括：

[0131] 将目标区域对应的二值化栅格影像进行矢量化处理，得到初始玉米田范围矢量；

[0132] 将玉米田范围矢量和目标遥感数据中的高分辨率卫星遥感数据进行叠加，并对叠加后的数据进行修正，得到目标玉米田范围矢量。

[0133] 在实际执行中，对非监督分类后的玉米田栅格影像进行二值化处理，将代表玉米田块的分类结果赋值为1，其它分类结果赋值为0，得到二值化栅格影像。二值化处理可以大大减少栅格影像中的数据量，从而减少计算量，且能够凸显玉米田块的轮廓。

[0134] 随后，对二值化栅格影像进行矢量化处理，将玉米田栅格影像转换成初始玉米田范围矢量，即将栅格数据转换为矢量数据结构表示。

[0135] 最后，将初始玉米田范围矢量叠加高分辨率卫星遥感影像，基于目视解译法，对数据叠加后得到的玉米田范围矢量逐一进行检查，将玉米田矢量的形状、大小与影像对应地物轮廓明显不一致的个别玉米田范围矢量，通过人工矢量编辑进行修改，得到玉米田块的最终范围矢量，即目标玉米田范围矢量。

[0136] 可以理解的是，在确定第一区域与第二区域所包含的玉米田块均为制种玉米田之后，可以将第一区域和第二区域作为目标制种玉米田块，即完成目标区域的基于大数据的制种玉米田识别，则可以将目标制种玉米田块对应的目标玉米田范围矢量作为基于大数据的玉米田识别结果呈现出来。

[0137] 本发明提供的基于大数据的制种玉米田识别方法，以田块矢量的方式呈现基于大数据的玉米田识别结果，代替了直接分类识别方法基于离散像元的结果呈现方式，更贴近制种玉米田的现实形态，可读性更强。

[0138] 在一些实施例中，基于第二区域中每个田块对应的目标终端信令数据，判断每个田块是否为制种玉米田，包括：

[0139] 基于目标终端信令数据，提取终端的位置信息和位置信息对应的时间信息；

[0140] 在位置信息为第二区域中的至少一个田块且时间信息为穗期的情况下，确定至少一个田块为制种玉米田。

[0141] 可以理解的是，制种玉米田穗期会进行母本去雄、补水补肥、父本砍伐等异于大田玉米地的农作流程，因此，在制种玉米田穗期，农作人员会多次进入制种玉米田内，上述农作流程对应的终端地理位置轨迹和时间轨迹会通过目标终端信令数据记录下来。然而，大田玉米在穗期不进行母本去雄、补水补肥、父本砍伐等农作流程。因此，目标终端信令数据一般不会出现在穗期的大田玉米地。

[0142] 在实际执行中，通过目标终端信令数据，可以在确定时间信息为穗期且位置信息为第二区域的中的至少一个田块情况下，确定第二区域中的至少一个田块为制种玉米田。

[0143] 在第二区域中包含多个玉米田块的情况下，可以提取每个玉米田块的目标终端信令数据，确定每个玉米田块对应的时间信息和位置信息。

[0144] 在位置信息为第二区域中的至少一个玉米田块且上述至少一个玉米田块对应的时间信息为穗期的情况下，可以确定至少一个田块为制种玉米田。

[0145] 可以理解的是，在位置信息不为第二区域中的至少一个玉米田块或上述至少一个玉米田块对应的时间信息不为穗期的情况下，可以确定第二区域中不包括制种玉米田。

[0146] 本发明提供的基于大数据的制种玉米田识别方法，通过目标终端信令数据，可以提取表征农作流程的信息，有利于改善基于大数据的制种玉米田识别精度。

[0147] 在一些实施例中，时间信息包括：穗期单日驻留总时间、播种期日均驻留时间和生长期日均驻留时间；

[0148] 位置信息包括：穗期单日终端数、播种期日均终端数和生长期日均终端数；

[0149] 在位置信息为第二区域中的至少一个田块且时间信息为穗期的情况下，确定至少一个田块为制种玉米田之前，还包括：

[0150] 在位置信息和时间信息满足目标条件的情况下，确定位置信息为第二区域中的至少一个田块且时间信息为穗期；

[0151] 目标条件包括：

[0152] 穗期单日驻留时间在时间阈值范围内，时间阈值范围基于播种期日均驻留时间确定；

[0153] 穗期单日终端数在数量阈值范围内，数量阈值范围基于播种期日均终端数确定；

[0154] 穗期单日驻留总时间大于生长期日均驻留时间；

[0155] 穗期单日终端数大于生长期日均终端数。

[0156] 在实际执行中，首先，对第二区域中的某个玉米田块在玉米播种期、生长期和穗期等3个时期内的目标终端信令数据进行统计，确定用于表征终端时空轨迹的时间信息和位置信息，可以包括如下6个参数：穗期单日驻留时间、穗期单日终端数、播种期日均驻留时间、播种期日均终端数、生长期日均驻留时间和生长期日均终端数。

[0157] 驻留时间体现的是终端在某一田块内停留的时长，用以表征时间信息，终端数体现的是终端出现在某一田块内的次数，用以表征位置信息。

[0158] 需要说明的是，单日驻留时间为某日在某个玉米田块内所有终端的驻留时间之和；单日终端数为某日在出现在某个玉米田块内的终端总数；日均驻留时间为某个时期在某个玉米田块内所有终端的驻留时间之和除以总天数的值；日均终端数为某个时期在某个玉米田块内驻留过的终端总数除以总天数的值。

[0159] 例如：穗期单日驻留时间为穗期内的任意一天中在某个玉米田块内所有终端的驻留时间之和；穗期单日终端数为穗期内的任意一天中在某个玉米田块内驻留过的终端总数；播种期日均驻留时间为播种期内在某个玉米田块内驻留过的所有终端的驻留时间之和除以播种期总天数的值；播种期日均终端数为播种期内在某个玉米田块内驻留过的终端总数除以播种期总天数的值；生长期日均驻留时间为生长期内在某个玉米田块内驻留过的所有终端的驻留时间之和除以生长期总天数的值；生长期日均终端数为生长期内在某个玉米田块内驻留过的终端总数除以生长期总天数的值。

[0160] 基于目标条件，将第二区域中的某个玉米田块的穗期单日驻留时间对比生长期日均驻留时间，穗期单日驻留时间对比播种期日均驻留时间，穗期单日终端数对比生长期日均终端数，穗期单日终端数对比播种期日均终端数。

[0161] 对于制种玉米田，穗期单日驻留时间、穗期单日终端数应分别与播种期日均驻留时间和播种期日均终端数相近，可以分别设置时间阈值范围和数量阈值范围。则穗期单日驻留时间需在时间阈值范围内且穗期单日终端数需在数量阈值范围内。

[0162] 其中，时间阈值范围和数量阈值范围可以根据实际需求确定，在此不作具体限定。

[0163] 同时，制种玉米田穗期单日驻留时间应大于生长期日均驻留时间，且穗期单日终端数应大于生长期日均终端数。

[0164] 为便于表述，将第二区域中的某个玉米田块的穗期单日驻留时间设为a、穗期单日终端数设为b、播种期日均驻留时间设为c、播种期日均终端数设为d、生长期日均驻留时间设为e和生长期日均终端设为f，则可以将目标条件量化为如下4个条件：

[0165] (1)0.9c≤a≤1.1c；

[0166] (2)0.9d≤b≤1.1d；

[0167] (3)a＞e；

[0168] (4)b＞f。

[0169] 综合考虑农民多有集中农作的特点、终端信令数据定位误差等因素影响，可以在位置信息和空间信息满足目标条件的天数超过天数阈值的情况下，确定第二区域中的某个玉米田块为制种玉米田。

[0170] 例如：将穗期内的时间信息和空间信息有2天及以上满足上述4个条件的某个玉米田块识别为制种玉米田。

[0171] 可以理解的是，可以根据需求随机确定需要进行识别的一个或多个玉米田块，也可以按照顺序对第二区域中的每个玉米田块逐一进行识别，在此不作具体限定。

[0172] 本发明提供的基于大数据的制种玉米田识别方法，通过目标终端信令数据可记录位置信息和时间信息的优势，利用制种玉米与大田玉米在种植模式和特定生育期农作流程等方面的差异，通过分步实施而非直接分类识别的方式实施制种玉米田的识别过程，从而可以实现快速制种玉米田。

[0173] 在一些实施例中，可以基于终端号码归属地等开户信息，将归属地不为目标区域的终端用户可以视为临时到访目标区域的人员或非农作人员，并对上述用户的终端信令数据进行剔除。

[0174] 基于终端信令数据时间流信息，对同一终端用户的终端信令数据进行检查，根据目标区域的实际情况，将目标时段内出现在目标区域外的终端用户的终端信令数据视为异常终端信令数据，并剔除异常终端信令数据。

[0175] 例如：将30分钟内出现跨周边行政区域的手机用户的信令数据视为异常终端信令数据，进行异常终端信令数据的剔除。

[0176] 基于玉米田边界和终端信令数据包括的时间信息，将进入目标区域的时间与退出目标区域的时间相隔(即驻留时间)小于驻留时间阈值的终端用户视为路过用户或非农作人员，对上述用户的终端信令数据进行剔除。驻留时间阈值可根据目标区域的实际范围情况而定。

[0177] 例如：将进入田块时间与退出田块时间相隔小于10分钟的用户视为路过用户或非农作人员，剔除上述用户的终端信令数据。

[0178] 本发明提供的基于大数据的制种玉米田识别方法，通过对初始终端信令数据进行异常值剔除，可以提高数据的有效性。

[0179] 本发明实施例可以选择某省内的某块区域作为研究区，利用本发明提供的制种玉米识别方法对研究区进行制种玉米田的快速识别提取。

[0180] 本发明实施例的总体思路为：

[0181] 首先，基于哨兵2号中高分辨率遥感影像对研究区玉米田和其它地物进行区分；随后，利用大田玉米和制种玉米在穗期植被冠层光谱纹理的差异，基于高分2号高分辨率遥感影像和目视解译方法，对玉米田进行细分，识别制种玉米田；最后，利用大田玉米和制种玉米在穗期农作流程方面的差异，基于手机信令数据，对高分2号影像未能判别的玉米田块，进行补充判别，得到研究区制种玉米田块。

[0182] 本发明实施例的技术效果可以体现在如下三方面：

[0183] 一、本发明实施例利用哨兵2号中高分辨率多光谱卫星遥感数据具有多个植被红边波段的优势，通过非监督分类算法，实现了玉米田与其它作物的快速区分，提取出玉米田块，削弱了目视解译方法在大区域玉米田块识别中的局限性，同时，避免了基于随机森林机器学习等监督分类算法建模需充足样本的限制。

[0184] 二、本发明实施例利用高分辨率多光谱卫星遥感影像在精细纹理探测方面的优势，借助大田玉米和制种玉米的种植模式差异，探索作物冠层光谱纹理特征增强方式，即凭借制种玉米穗期阶段母本去雄、父本砍伐后独特的植被冠层光谱纹理特征，对制种玉米田进行基于高分辨率多光谱特征的识别，削弱了玉米田在其它生长时期遥感精细分类时的光谱相似性干扰。

[0185] 三、本发明实施例基于手机信令数据可记录空间位置的优势，提取穗期玉米田块内手机用户驻留时间、用户数等反映农作流程特征的手机信令参数，利用制种玉米和大田玉米的农作流程差异，对遥感影像地物成像质量差、高分辨率光谱特征不显著的局部玉米田，进行制种玉米田的补充判别，提升了研究区制种玉米的识别精度。

[0186] 图3为应用本发明提供的基于大数据的制种玉米田识别方法的总体技术流程图。参照图3，本发明提供的基于大数据的制种玉米田识别方法包括如下步骤：

[0187] 步骤1、实地调查

[0188] 对研究区制种玉米和大田玉米在种植方式、农作流程、关键节点等方面的差异，开展实地调查。此外，通过实地调研法，采集大田玉米地样点数据和制种玉米地样点数据，用于玉米田遥感提取和基于大数据的制种玉米田识别的精度评价。

[0189] 步骤1.1、确定种植方式

[0190] 经实地调查法，确定本发明实施例研究区采用行比种植法，制种玉米田父本植株和母本植株的田间种植行比设置为1:7至1:10不等，即在制种玉米田中，种植1行父本植株，对应种植7至10行母本植株。

[0191] 步骤1.2、确定农作流程

[0192] 通过实地调查法，确定研究区制种玉米田的农作流程。制种玉米和大田玉米在农作流程方面的差异主要体现在穗期。制种玉米在穗期，需组织人员多次进入制种玉米田进行农作：一是制种玉米抽雄后，需及时对母本植株的雄蕊进行摘除，简称母本去雄，避免制种玉米母本的雌蕊和雄蕊自交；二是制种玉米授粉前后，需对制种玉米进行补水、补肥；三是制种玉米授粉后，需对父本植株进行砍伐。对于大田玉米，在穗期一般不进行上述操作。

[0193] 本发明实施例研究区的制种玉米田，符合上述制种玉米田常规农作流程。

[0194] 步骤1.3、确定时间节点

[0195] 本发明实施例研究区，4月上旬玉米开始播种，5—6月期间为玉米生长期，7月上旬开始，当地玉米陆续进入穗期。

[0196] 步骤1.4、采集样点

[0197] 通过实地调查法，利用手持全球定位系统接收机采集研究区玉米样点，用于玉米田遥感提取和基于大数据的制种玉米田识别精度评价。样点类型包括大田玉米样点和制种玉米样点。各类样点需在规范、成规模的制种玉米田内采集，样点采集不宜过于聚集，在空间上应散布于整个实施例研究区，以保证样点数据具有典型性和代表性。

[0198] 步骤2、数据获取与预处理

[0199] 步骤2.1、数据获取

[0200] 获取研究区制种玉米穗期(父本砍伐后)的卫星遥感影像。

[0201] 本发明实施例采用的遥感数据为哨兵2号卫星遥感数据(Sentinel‑2)和高分2号卫星遥感数据(GF‑2)。哨兵2号卫星是中高分辨率多光谱成像卫星，具有13个光谱波段，红、绿、蓝和近红外等4个波段空间分辨率为10米，哨兵2号卫星在植被光谱红边区域设有3个植被红边波段，空间分辨率为10米，可获取更为细致的植被光谱信息。高分2号卫星是高分辨率多光谱成像卫星，搭载有2台高分辨率1米全色和4米多光谱相机。如图4所示，图4为本发明提供的研究区高分2号影像示意图。

[0202] 获取研究区的手机信令数据。

[0203] 手机信令数据的获取时间分别为研究区玉米播种期、生长期和穗期。本发明实施例采用的手机信令数据为运营商提供的手机信令数据。

[0204] 本发明实施例还通过地理信息平台，获取研究区空间分辨率为1米的卫星遥感影像，作为多源影像空间配准的参考底图。此外，获取研究区的边界等相关矢量数据，用于遥感卫星栅格数据的裁剪等。

[0205] 步骤2.2、数据预处理

[0206] 开展多源遥感数据的预处理，对多源遥感数据分别进行数据融合、正射校正、空间配准、投影转换、数据裁剪等数据预处理操作。

[0207] 本发明实施例通过Pixel Information Expert、ERDAS、ENVI、ArcGIS等遥感图像处理平台上进行，融合后的高分2号数据为0.8米空间分辨率的多光谱数据。

[0208] 开展手机信令数据的预处理，对信令数据中可表征用户位置流动轨迹的空间坐标、时间节点等相关参数进行筛选和挖掘，对表征用户位置流动轨迹以及时间轨迹的手机信令数据参数进行矢量化处理。

[0209] 开展样点数据的预处理，基于空间位置信息，对实地采集的样点数据进行矢量化处理。经过数据预处理步骤，将获取的哨兵2号影像、高分2号影像，提取的手机信令参数，采集的样点数据等多源数据，布展到同一地理参考系统内，例如可以是WGS84坐标系及Albers投影。

[0210] 步骤3、玉米田块的遥感提取

[0211] 本发明实施例利用哨兵2号数据具有多个植被红边波段的优势，基于非监督分类算法和实地采集的玉米样点数据，对影像中地物进行粗分类，以区分玉米和其它地物类型。

[0212] 步骤3.1、影像非监督分类

[0213] 本发明实施例利用ERDAS IMAGINE 2013影像处理系统进行影像非监督分类。在执行过程中，输入数据为哨兵2号卫星遥感数据的蓝波段、绿波段、红波段、近红外波段和3个植被红边波段。

[0214] 非监督分类的关键参数设置如下：循环收敛阈值Convergence Threshold＝0.990，最多迭代次数Maximum Iterations＝24，配色方案选项Color Scheme Options(Red＝band4，Green＝band5，Blue＝band3)，其它参数保持缺省状态或默认设置。

[0215] 基于上述非监督分类参数配置，通过调整分类类别数量，进行多次非监督分类实验。将每次分类实验结果与卫星遥感影像进行叠加对比分析，经目视解译法表明，当非监督分类类别设置为40时，即分类结果为40类时，为本发明实施例研究区非监督最优分类结果。

[0216] 从视觉效果上来看，多数分类结果仅包含一类地物，同时，同一地物多数被分类在一块分类结果内。

[0217] 步骤3.2、玉米田类型判别

[0218] 本发明实施例经多次实验表明，在40类非监督分类结果中，第2、8、32等3类分类结果对应着原影像中的玉米田块，本发明提供的研究区玉米田分类结果如图5所示。

[0219] 步骤3.3、非监督分类后处理

[0220] 首先，对非监督分类后的栅格影像进行二值化处理，将代表玉米田的分类结果赋值为1，其它分类结果赋值为0。

[0221] 随后，对二值化后的栅格影像进行矢量化处理，将玉米田类别栅格转换成玉米田范围矢量。

[0222] 最后，将玉米田矢量范围叠加高分2号影像，基于目视解译法，对玉米田范围矢量逐一进行检查，将玉米田矢量的形状、大小与影像对应地物轮廓明显不一致的个别玉米田范围矢量，通过人工矢量编辑进行修改，得到玉米田块的最终范围矢量。

[0223] 步骤4、制种玉米田的遥感识别

[0224] 基于穗期制种玉米地和大田玉米地冠层光谱纹理差异，基于目视解译法，实现基于遥感数据的制种玉米田识别。制种玉米穗期进行母本去雄处理和制种玉米父本砍伐处理，在高分2号影像上，其光谱纹理呈现条纹特征。大田玉米穗期由于未进行母本去雄和父本砍伐处理，在高分2号影像上其光谱纹理较为均质。穗期制种玉米和大田玉米的冠层光谱纹理示例如图2所示。

[0225] 步骤5、基于手机信令数据的制种玉米田补充识别

[0226] 本发明实施例利用制种玉米地穗期母本去雄、补水补肥、父本砍伐等异于大田玉米的农作流程，基于手机信令数据可记录手机用户地理位置的特点，对尚未确定的玉米田块进行二次(补充)识别。主要依据是，在制种玉米田穗期，当地农民因母本去雄、补水补肥、父本砍伐等农作流程，会多次进入制种玉米田内，上述农作流程的地理位置轨迹会通过手机信令数据记录下来。然而，大田玉米在穗期不进行母本去雄、补水补肥、父本砍伐等农作流程，因此，手机信令数据一般不会出现在穗期的大田玉米地块。

[0227] 步骤5.1、异常值剔除

[0228] 对手机信令数据进行异常值剔除，以提高数据的有效性。

[0229] 基于常驻地等开户信息，将常驻地不为本研究区的手机用户视为临时到访本研究区的人员或非农作人员，并进行剔除。基于手机信令数据时间流信息，对同一手机用户的信令数据进行检查，将30分钟内出现跨周边行政区域的手机用户视为异常数据，并进行剔除。基于玉米田边界和手机信令数据时间信息，将进入田块时间与退出田块时间相隔(驻留时间)小于10分钟的用户视为路过用户或非农作人员，并进行剔除。

[0230] 步骤5.2、补充判别

[0231] 本发明实施例基于驻留时间、用户数等2个变量，对经高分2号影像纹理特征未能判别的玉米田，逐一进行二次判别。

[0232] 首先，基于终端信令数据，对上述玉米田在玉米播种期、生长期和穗期等3个时期，进行每日驻留时间、每日用户数的统计，进一步可以得到日均驻留时间和日均用户数。

[0233] 随后，将上述玉米田在穗期每日驻留时间、穗期每日用户数分别与播种期日均驻留时间、播种期日均用户数、生长期日均驻留时间和生长期日均用户数进行对比，并得到以下4种结果，即穗期某日驻留时间对比生长期日均驻留时间，穗期某日驻留时间对比播种期日均驻留时间，穗期某日用户数对比生长期日均用户数，穗期某日用户数对比播种期日均用户数。

[0234] 最后，考虑到对于同一制种玉米田块，进行玉米种植，及玉米母本去雄、补水补肥、父本砍伐等农事环节的人员通常相对固定，因此，对于制种玉米田，穗期某日驻留时间a、穗期某日用户数b应与播种期日均驻留时间c和播种期日均用户数d相近，同时，制种玉米田穗期某日驻留时间a、穗期某日用户数b应大于生长期日均驻留时间e和生长期日均用户数f。

[0235] 本发明实施例将上述农事规律量化成以下判别规则，对于制种玉米田，理论上应满足以下4种条件：(1)0.9c≤a≤1.1c、(2)0.9d≤b≤1.1d、(3)a＞e和(4)b＞f。

[0236] 综合考虑农民多有集中农作的特点、手机信令数据定位误差等因素影响，本发明实施例将穗期内有2天及以上满足上述条件的玉米田块判定为制种玉米田。

[0237] 步骤6、精度评价与结果制图

[0238] 在利用遥感数据提取制种玉米田块的基础上，叠加基于手机信令数据的制种玉米田块补充判定结果，形成基于大数据的研究区制种玉米田识别最终结果图。通过制种玉米田实地采集的样点数据，利用混淆矩阵法，评价基于大数据的研究区制种玉米田识别的精度。

[0239] 本发明实施例中，总体分类精度为93.88％，制种玉米用户精度96.04％，制种玉米生产者精度95.10％。

[0240] 为进一步评估手机信令数据对制种玉米田识别的效用，本发明实施例额外评价了未引入手机信令数据时(仅基于遥感数据)制种玉米田的识别精度，结果表明，较仅基于遥感数据的制种玉米田识别精度，本发明实施例总体分类精度、用户精度、生产者精度分别提升4.08％、2.10％、3.92％。基于ArcGIS平台添加图例、比例尺、指北针等地图三要素，对实施例研究区制种玉米田块进行制图。本发明实施例研究区的制种玉米田识别结果如图6所示。

[0241] 本发明实施例整合了中高分辨率高光谱卫星遥感数据和中高分辨率多光谱卫星遥感数据在植被红边波段的精细探测优势、高分辨率卫星遥感数据在精细纹理探测方面的优势，以及手机信令数据可记录空间位置的优势，利用制种玉米与大田玉米在种植模式、特定生育期农作流程等方面的差异，通过分步实施而非直接分类识别的方式实施，实现基于大数据的制种玉米田识别。

[0242] 从结果呈现方式看，本发明以田块矢量的方式呈现基于大数据的玉米田识别结果，代替了直接分类识别方法基于离散像元的结果呈现方式，更贴近制种玉米田的现实形态，可读性更强。此外，本发明削弱了对分类器效用、样点质量、光谱特征的依赖，提升了方法的适用性。

[0243] 下面对本发明提供的基于大数据的制种玉米田识别装置进行描述，下文描述的基于大数据的制种玉米田识别装置与上文描述的基于大数据的制种玉米田识别方法可相互对应参照。

[0244] 图7为本发明提供的基于大数据的制种玉米田识别装置的结构示意图。参照图7，本发明实施例提供一种基于大数据的制种玉米田识别装置，可以包括：第一确定模块710、识别模块720和判断模块730。

[0245] 第一确定模块710，用于基于目标区域内的目标样点数据和所述目标区域对应的目标遥感数据，确定玉米田块；

[0246] 识别模块720，用于基于所述玉米田块对应的光谱纹理特征，从所述玉米田块中识别出第一区域和第二区域，所述第一区域为制种玉米田，所述第二区域为通过所述光谱纹理特征未识别出种植类型的玉米田；

[0247] 判断模块730，用于在所述第二区域中每个田块对应的目标终端信令数据满足目标条件的情况下，确定所述每个田块为制种玉米田；

[0248] 其中，所述目标终端信令数据用于指示所述每个田块对应的农作流程信息。

[0249] 本发明提供的基于大数据的制种玉米田识别装置，通过利用大田玉米和制种玉米在农作流程上的差异，将用于表征农作流程信息的目标终端信令数据引入玉米田的精细遥感分类，开展制种玉米的补充判别；在传统光学遥感特征的基础上引入农作流程特征，可以弥补仅基于光学特征进行制种玉米遥感识别的局限性，基于农作流程特征的制种玉米的补充判别，有利于改善制种玉米田的识别精度。

[0250] 在一些实施例中，所述第一确定模块710，还用于：

[0251] 基于非监督分类算法，对所述目标遥感数据包括的地物类型进行分类，得到所述目标区域的最优分类结果；

[0252] 基于所述目标样点数据和所述最优分类结果，确定所述玉米田块。

[0253] 在一些实施例中，所述基于大数据的制种玉米田识别装置，还包括：

[0254] 提取模块，用于基于所述目标终端信令数据，提取终端的位置信息和所述位置信息对应的时间信息；

[0255] 第二确定模块，用于在所述位置信息为所述第二区域中的至少一个田块且所述时间信息为穗期的情况下，确定所述至少一个田块为制种玉米田。

[0256] 在一些实施例中，所述时间信息包括：穗期单日驻留总时间、播种期日均驻留时间和生长期日均驻留时间；

[0257] 所述位置信息包括：穗期单日终端数、播种期日均终端数和生长期日均终端数；

[0258] 所述基于大数据的制种玉米田识别装置，还包括：

[0259] 第三确定模块，用于在所述位置信息和所述时间信息满足目标条件的情况下，确定所述位置信息为所述第二区域中的至少一个田块且所述时间信息为穗期；

[0260] 所述目标条件包括：

[0261] 所述穗期单日驻留时间在时间阈值范围内，所述时间阈值范围基于所述播种期日均驻留时间确定；

[0262] 所述穗期单日终端数在数量阈值范围内，所述数量阈值范围基于所述播种期日均终端数确定；

[0263] 所述穗期单日驻留总时间大于所述生长期日均驻留时间；

[0264] 所述穗期单日终端数大于所述生长期日均终端数。

[0265] 在一些实施例中，所述制种玉米装置还包括：

[0266] 矢量处理模块，用于将所述目标区域对应的二值化栅格影像进行矢量化处理，得到初始玉米田范围矢量；

[0267] 将所述初始玉米田范围矢量和所述目标遥感数据中的高分辨率卫星遥感数据进行叠加，并对叠加后的数据进行修正，得到目标玉米田范围矢量。

[0268] 在一些实施例中，所述制种玉米装置还包括：

[0269] 获取模块，用于分别获取所述目标区域内的初始样点数据、初始遥感数据和初始终端信令数据；

[0270] 预处理模块，用于对所述初始样点数据和所述初始终端信令数据进行矢量化处理，得到所述目标样点数据和所述目标终端信令数据；

[0271] 对所述初始遥感数据进行预处理操作，得到所述目标遥感数据；

[0272] 其中，所述预处理操作包括以下至少一项：数据融合、正射校正、空间配准、投影转换和数据裁剪。

[0273] 图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于大数据的制种玉米田识别方法，该方法包括：

[0274] 基于目标区域内的目标样点数据和所述目标区域对应的目标遥感数据，确定玉米田块；

[0275] 基于所述玉米田块对应的光谱纹理特征，从所述玉米田块中识别出第一区域和第二区域，所述第一区域为制种玉米田，所述第二区域为通过所述光谱纹理特征未识别出种植类型的玉米田；

[0276] 基于所述第二区域中每个田块对应的目标终端信令数据，判断所述每个田块是否为制种玉米田；

[0277] 其中，所述目标终端信令数据用于指示所述每个田块对应的农作流程信息。

[0278] 此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0279] 另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于大数据的制种玉米田识别方法，该方法包括：

[0280] 基于目标区域内的目标样点数据和所述目标区域对应的目标遥感数据，确定玉米田块；

[0281] 基于所述玉米田块对应的光谱纹理特征，从所述玉米田块中识别出第一区域和第二区域，所述第一区域为制种玉米田，所述第二区域为通过所述光谱纹理特征未识别出种植类型的玉米田；

[0282] 基于所述第二区域中每个田块对应的目标终端信令数据，判断所述每个田块是否为制种玉米田；

[0283] 其中，所述目标终端信令数据用于指示所述每个田块对应的农作流程信息。

[0284] 又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于大数据的制种玉米田识别方法，该方法包括：

[0285] 基于目标区域内的目标样点数据和所述目标区域对应的目标遥感数据，确定玉米田块；

[0286] 基于所述玉米田块对应的光谱纹理特征，从所述玉米田块中识别出第一区域和第二区域，所述第一区域为制种玉米田，所述第二区域为通过所述光谱纹理特征未识别出种植类型的玉米田；

[0287] 基于所述第二区域中每个田块对应的目标终端信令数据，判断所述每个田块是否为制种玉米田；

[0288] 其中，所述目标终端信令数据用于指示所述每个田块对应的农作流程信息。

[0289] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

[0290] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

[0291] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。