CN111798132B - 基于多源时序遥感深度协同下的耕地动态监测方法及系统 - Google Patents

Abstract

本发明公开一种基于多源时序遥感深度协同下的耕地动态监测方法及系统，方法包括：基于所述SAR时序影像和所述光学时序影像计算多极化深度稳健特征；基于所述多极化深度稳健特征和长短期记忆网络，采用注意力机制构建不同农作物对应的所述SAR时序影像与所述光学时序影像之间的转换关系模型；基于不同农作物对应的所述转换关系模型填补光学时间序列中的空缺值，并计算不同农作物对应的植被指数；基于不同农作物对应的所述植被指数实现对耕地时空动态监测。本发明针对不同农作物类型建立不同的所述SAR时序影像与所述光学时序影像之间的转换关系模型，填补光学时间序列中的空缺值，实现多源遥感数据优势互补，进而提高对耕地时空动态监测的精度。

Description

基于多源时序遥感深度协同下的耕地动态监测方法及系统

技术领域

本发明涉及多源遥感数据融合技术领域，特别是涉及一种基于多源时序遥感深度协同下的耕地动态监测方法及系统。

背景技术

耕地作为农业生产活动的主要载体，是土地利用中最重要的形式之一。其数量和质量是保证全球粮食产量和安全、经济和社会安全稳定的必要条件。在当前世界人口持续增加、人均耕地占有量减少、粮食安全面临巨大挑战的背景下，探究耕地资源的空间分布以及时空变化特征对于粮食安全国际化战略决策具有重要意义。同时，作为一种非常重要的地表覆盖类型，耕地利用的扩展、撂荒、作物类型更替以及与其它地物类型的转换，会改变耕地的物质流和能量流，影响地球系统的气候、水文、生物地球循环等全球变化过程。因此，快速、准确、精细化获取耕地时空变化和作物种植模式等信息是实现农业可持续发展的基本条件，对区域乃至国家的农业布局规划、相关政策制订、资源配给、以及气候变化和环境变化的研究等方面起着重要的引导和支撑作用。

遥感因具有宏观、高效和便捷的优势，多年来已被广泛应用于测定大范围耕地空间分布及变化分析上。传统变化检测方法主要基于两景或少数几景影像进行，无法获得详细的变化时间、变化过程以及时空规律信息。同一区域，不同时相海量历史遥感数据的累积，使得连续动态监测成为可能。尤其是中分辨率(30m)Landsat系列卫星数据的获取时间早、历史数据丰富，使得基于Landsat的连续动态监测方法层出不穷，如Landtrendr、BFAST、VCT和CCDC等。虽然这些方法都获得了较好的变化检测结果，但多集中于年际尺度上的森林的扰动和恢复、城镇扩张研究，但对于大区域耕地的精准识别和精细化动态监测仍有所不足。究其原因，主要由于卫星传感器成像具有瞬时性和周期性的特点，以及地面云、雨、雪等气象条件对传感器成像的影响，造成了单个传感器有效数据重访周期的延长，使得监测具有很大程度上的“时空数据缺失”，即缺少同一地区内时间尺度上的连续监测数据或缺少同一时间上的空间连续监测数据，造成作物检测的关键时期无卫星覆盖等现象。由于传感器硬件限制，任何单一传感器都无法同时获得高空间分辨率、高光谱分辨率、高时间分辨率的数据。因此，遥感数据的时空精细度已成为制约其在耕地时空动态监测应用的重要因素。

多源数据协同是解决传感器瓶颈对遥感数据指标限制的有效方法。来自多源传感器的信号所提供的信息具有冗余性和互补性。光学遥感具有丰富的光谱信息，能够反应农田系统的复杂变化，但时间分辨率相对较低，容易受云和阴雨天气等的影响。雷达遥感所使用的波长比光学遥感的长，空间分辨率高，且不受天气的影响和制约，因此，把多源遥感影像数据进行协同处理，将多源影像数据各自的优势结合起来加以利用，可以充分利用其互补信息，且进一步提高影像分析、理解与目标识别能力，是现代多源遥感影像处理和分析中非常重要的方法。

目前常用的多源遥感数据融合模型有两类，一类是基于线性混合模型的多源遥感数据融合模型，另一类是时空自适应反射率融合模型及其改进模型。但这些方法大多都基于假设传感器间的关系是线性关系，然而这种假设并没有得到较严谨的验证。同时优化类方法的参数较为依赖先验知识。随着人工智能技术的出现与发展，深度学习方法因其较强的自主特征学习能力已在遥感影像信息提取中发挥出巨大的应用价值。深度学习方法能够较好的学习系统输入输出的非线性关系，并较为准确的刻画已知、缺失时相影像之间的非线性特征，相对于传统方法更具有迁移性和准确性。因此已有学者探索利用CNN进行时空融合算法的研究，如STFDCNN、DCSTFN等。然而基于CNN的问题在于，前提假设并未得到严格的证实，同时CNN的计算复杂性较大，比较耗时，且对样本数量要求较大，在训练样本数量较少的情况下往往难以获得很好的融合结果。

发明内容

基于此，本发明的目的是提供一种基于多源时序遥感深度协同下的耕地动态监测方法及系统，以实现高精度对耕地时空动态监测。

为实现上述目的，本发明提供了一种基于多源时序遥感深度协同下的耕地动态监测方法，所述方法包括：

步骤S1：获取SAR时序影像和光学时序影像；

步骤S2：基于所述SAR时序影像和所述光学时序影像计算多极化深度稳健特征；

步骤S3：基于所述多极化深度稳健特征和长短期记忆网络，采用注意力机制构建不同农作物对应的所述SAR时序影像与所述光学时序影像之间的转换关系模型；

步骤S4：基于不同农作物对应的所述转换关系模型填补光学时间序列中的空缺值，并计算不同农作物对应的植被指数；

步骤S5：基于不同农作物对应的所述植被指数实现对耕地时空动态监测。

可选地，所述基于所述SAR时序影像和所述光学时序影像计算多极化深度稳健特征，具体包括：

步骤S21：基于所述SAR时序影像和所述光学时序影像构建多极化SAR时间序列数据库；

步骤S22：从所述多极化SAR时间序列数据库中提取不同极化的SAR时间序列数据；

步骤S23：基于所述不同极化的SAR时间序列数据构建一维卷积神经网络；

步骤S14：根据所述一维卷积神经网络计算多极化深度稳健特征。

可选地，所述构建一维卷积神经网络具体公式为：

其中，h_i,j表示第i卷积层输出的j个特征，*表示卷积运算，w_i,mj表示h_i,j特征中第m个卷积核参数，M表示表示神经结点个数或特征数量，b_i,j表示偏置量，h_i′_,j(l)表示在步长s下r个卷积特征经池化层汇总后的第l个深度特征，sl表示输入层特征，r表示不同极化的SAR时间序列数据的长度。

可选地，所述基于所述SAR时序影像和所述光学时序影像构建多极化SAR时间序列数据库，具体包括：

步骤S211：对所述SAR时序影像和所述光学时序影像进行几何模板匹配，获得垂直-垂直SAR时间序列数据和垂直-水平SAR时间序列数据；

步骤S212：利用所述垂直-垂直SAR时间序列数据和所述垂直-水平SAR时间序列数据构建多极化SAR时间序列数据库。

可选地，所述转换关系模型具体公式为：

其中，e_i,j表示第j时刻SAR时序影像和第i-1时刻光学时序影像之间的转换关系，a表示自注意力函数，s_i-1表示第i-1时刻的光学时序影像，H_j表示一维卷积神经网络在j时刻输出的多极化深度稳健特征，soft max()表示归一化指数函数，a_i,j表示第j时刻SAR时序影像与第i时刻光学时序影像之间的权重。

本发明还提供一种基于多源时序遥感深度协同下的耕地动态监测系统，所述系统包括：

获取模块，用于获取SAR时序影像和光学时序影像；

多极化深度稳健特征计算模块，基于所述SAR时序影像和所述光学时序影像计算多极化深度稳健特征；

转换关系模型构建模块，基于所述多极化深度稳健特征和长短期记忆网络，采用注意力机制构建不同农作物对应的所述SAR时序影像与所述光学时序影像之间的转换关系模型；

植被指数确定模块，基于不同农作物对应的所述转换关系模型填补光学时间序列中的空缺值，并计算不同农作物对应的植被指数；

耕地时空动态监测模块，基于不同农作物对应的所述植被指数实现对耕地时空动态监测。

可选地，所述多极化深度稳健特征计算模块，具体包括：

多极化SAR时间序列数据库构建单元，基于所述SAR时序影像和所述光学时序影像构建多极化SAR时间序列数据库；

提取单元，用于从所述多极化SAR时间序列数据库中提取不同极化的SAR时间序列数据；

一维卷积神经网络构建单元，基于所述不同极化的SAR时间序列数据构建一维卷积神经网络；

多极化深度稳健特征计算单元，用于根据所述一维卷积神经网络计算多极化深度稳健特征。

可选地，所述构建一维卷积神经网络具体公式为：

其中，h_i,j表示第i卷积层输出的j个特征，*表示卷积运算，w_i,mj表示h_i,j特征中第m个卷积核参数，M表示表示神经结点个数或特征数量，b_i,j表示偏置量，h′_i,j(l)表示在步长s下r个卷积特征经池化层汇总后的第l个深度特征，sl表示输入层特征，r表示不同极化的SAR时间序列数据的长度。

可选地，所述多极化SAR时间序列数据库构建单元，具体包括：

几何模板匹配子单元，用于对所述SAR时序影像和所述光学时序影像进行几何模板匹配，获得垂直-垂直SAR时间序列数据和垂直-水平SAR时间序列数据；

多极化SAR时间序列数据库构建子单元，用于利用所述垂直-垂直SAR时间序列数据和所述垂直-水平SAR时间序列数据构建多极化SAR时间序列数据库。

可选地，所述转换关系模型具体公式为：

其中，e_i,j表示第j时刻SAR时序影像和第i-1时刻光学时序影像之间的转换关系，a表示自注意力函数，s_i-1表示第i-1时刻的光学时序影像，H_j表示一维卷积神经网络在j时刻输出的多极化深度稳健特征，soft max()表示归一化指数函数，a_i,j表示第j时刻SAR时序影像与第i时刻光学时序影像之间的权重。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开一种基于多源时序遥感深度协同下的耕地动态监测方法及系统，方法包括：基于所述SAR时序影像和所述光学时序影像计算多极化深度稳健特征；基于所述多极化深度稳健特征和长短期记忆网络，采用注意力机制构建不同农作物对应的所述SAR时序影像与所述光学时序影像之间的转换关系模型；基于不同农作物对应的所述转换关系模型填补光学时间序列中的空缺值，并计算不同农作物对应的植被指数；基于不同农作物对应的所述植被指数实现对耕地时空动态监测。本发明针对不同农作物类型建立不同的所述SAR时序影像与所述光学时序影像之间的转换关系模型，填补光学时间序列中的空缺值，实现多源遥感数据优势互补，进而提高对耕地时空动态监测的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于多源时序遥感深度协同下的耕地动态监测方法流程图；

图2为本发明实施例基于多源时序遥感深度协同下的耕地动态监测系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。

本发明的目的是提供一种基于多源时序遥感深度协同下的耕地动态监测方法及系统，以实现高精度对耕地时空动态监测。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

循环神经网路作为人工神经网络的一种，通过使用带自反馈的神经元，能够挖掘时间序列中的上下文信息，并能够处理任意长度的序列数据，对于序列数据建模、分析有着显著优势。遥感影像时间序列表示地物随时间发生的变化情况，时间节点之间相互影响，具有一定的联系。因此，可以利用深度循环神经网络模型提取遥感影像时间序列蕴含的地物物候信息和周期性变化信息，并用于耕地精细化时空动态监测，因此如图1所示，本发明公开一种基于多源时序遥感深度协同下的耕地动态监测方法，所述方法包括：

步骤S1：获取SAR时序影像和光学时序影像。

步骤S2：基于所述SAR时序影像和所述光学时序影像计算多极化深度稳健特征。

步骤S3：基于所述多极化深度稳健特征和长短期记忆网络，采用注意力机制构建不同农作物对应的所述SAR时序影像与所述光学时序影像之间的转换关系模型。

步骤S4：基于不同农作物对应的所述转换关系模型填补光学时间序列中的空缺值，并计算不同农作物对应的植被指数。

步骤S5：基于不同农作物对应的所述植被指数实现对耕地时空动态监测。

下面对各个步骤进行详细分析：

步骤S1：获取SAR时序影像和光学时序影像；所述SAR时序影像为哨兵1号降轨卫星图像；所述光学时序影像为哨兵2号包含无云或部分云的图像；合成孔径雷达(SyntheticAperture Radar，简称SAR)。

所述SAR时序影像是经过SAR数据处理获得的，简称Sentinel-1数据集。SAR数据处理包括：(1)消除热噪声，(2)应用轨道文件，(3)对sigma0进行辐射度校准，(4)使用数字高程模型的距离多普勒地形校正，(5)反向散射系数的转换(δ)到分贝(dB)，(6)应用Savitzky-Golay(S-G)滤波算法对Sentinel-1时间序列进行平滑处理，(7)使用UTM/WGS84投影系统进行投影。

所述光学时序影像是经过预处理获得的，简称Sentinel-2数据集。所述预处理包括辐射校准、云掩模、大气校正和NDVI计算，因此减少了噪声的影响。

由于SAR时序影像的后向散射信号不同于光学时序影像，前者受土壤湿度、地形及植被类型影响较大，其在时间序列上具有明显的随机噪声特点。卷积神经网络具有较强的抗噪能力，它能够克服噪声影响从而提取数据中的有效信息。特别的，一维卷积神经网络适用于时间序列信号的处理与分析，因此步骤S2具体包括：

步骤S21：基于所述SAR时序影像和所述光学时序影像构建多极化SAR时间序列数据库；具体包括：

步骤S211：对所述SAR时序影像和所述光学时序影像进行几何模板匹配，获得垂直-垂直SAR时间序列数据和垂直-水平SAR时间序列数据。

步骤S212：利用所述垂直-垂直SAR时间序列数据和所述垂直-水平SAR时间序列数据构建多极化SAR时间序列数据库。

步骤S22：从所述多极化SAR时间序列数据库中提取不同极化的SAR时间序列数据。

步骤S23：基于所述不同极化的SAR时间序列数据构建一维卷积神经网络；所述一维卷积神经网络包含卷积层、池化层和全连接层；卷积层中包含可训练的卷积核，能够产生不同的特征参数；池化层通过下采样对特征参数进行转换，使得所获取的多极化SAR时间序列数据更加稳健。

构建一维卷积神经网络具体公式为：

其中，h_i,j表示第i卷积层输出的j个特征，*表示卷积运算，w_i,mj表示h_i,j特征中第m个卷积核参数，M表示表示神经结点个数或特征数量，b_i,j表示偏置量，h′_i,j(l)表示在步长s下r个卷积特征经池化层汇总后的第l个深度特征，sl表示输入层特征，r表示不同极化的SAR时间序列数据的长度。

步骤S24：根据所述一维卷积神经网络计算多极化深度稳健特征；多极化深度稳健特征包括各卷积层输出的多个特征和多个深度特征，所述深度特征是在步长s下r个卷积特征经池化层汇总后获得的。

循环神经网络具有学习连续数据之间关联特性的能力，然而受制于梯度消失的缺陷，循环神经网络通常难以训练。与此同时，长短期记忆网络作为循环神经网络中最著名的衍生模型之一，其具有特殊的门结构，能够有效克服训练过程中的梯度消失问题。长短期记忆网络通过三种门结构控制信息的流动，包括遗忘门、输入门和输出门。假设原始输入为x＝[x₁,…,x_N]^T，则输入x_j和之前层输出结果h_j-1进行融合，通过sigmoid函数判断多少信息需要保留。然后，该信息被传输到遗忘门F_j，并通过sigmoid函数再次计算剔除的信息，同时保留需记忆信息。保留后的信息通过输出门传递到下一个时间节点，继续参与后续计算。然而，在SAR时序影像与光学时序影像转换过程中，受卫星传感器的重访周期不同，同样的时间内，SAR时序影像长度与光学时序影像长度不同，导致长短时间记忆模型难以处理。针对此问题，一种序列到序列的模型算法大大扩展了长短时间记忆模型的适应能力，它可以转换两种任意长度的序列数据，从而实现非等长序列的转换关系构建。

虽然循环神经网络，特别是序列到序列的长短期记忆网络能够有效构建SAR时序影像到光学时序影像的转换关系，然而，随着时序信息长度逐渐增加，长时间序列之间的依赖关系逐渐丧失，导致SAR时序影像与光学时序影像转换关系难以捕捉。为了解决该问题，本发明采用注意力机制，提升长时间序列之间的依赖关系，从而构建稳定的序列到序列转换关系，具体步骤如下：

步骤S2：基于所述多极化深度稳健特征和长短期记忆网络，采用注意力机制构建不同农作物对应的SAR时序影像与光学时序影像之间的转换关系模型，具体公式为：

其中，e_i,j表示第j时刻SAR时序影像和第i-1时刻光学时序影像之间的转换关系，a表示自注意力函数，s_i-1表示第i-1时刻的光学时序影像，H_j表示一维卷积神经网络在j时刻输出的多极化深度稳健特征，soft max()表示归一化指数函数，a_i,j表示第j时刻SAR时序影像与第i时刻光学时序影像之间的权重。

步骤S4：基于不同农作物对应的所述转换关系模型填补光学时间序列中的空缺值，并计算不同农作物对应的植被指数，具体包括：

步骤S41：利用不同农作物对应的所述转换关系模型，根据相同时期内SAR时间序列填补光学时间序列中的空缺值，获得密集光学影像；所述空缺值为光学长时间序列中受到天气影响所产生的。

步骤S42：基于所述密集光学影像的像素值计算不同农作物对应的植被指数。

步骤S5：基于不同农作物对应的所述植被指数实现对耕地时空动态监测。

如图2所示，本发明还提供一种基于多源时序遥感深度协同下的耕地动态监测系统，所述系统包括：

获取模块，用于获取SAR时序影像和光学时序影像。

多极化深度稳健特征计算模块，基于所述SAR时序影像和所述光学时序影像计算多极化深度稳健特征。

转换关系模型构建模块，基于所述多极化深度稳健特征和长短期记忆网络，采用注意力机制构建不同农作物对应的所述SAR时序影像与所述光学时序影像之间的转换关系模型。

植被指数确定模块，基于不同农作物对应的所述转换关系模型填补光学时间序列中的空缺值，并计算不同农作物对应的植被指数。

耕地时空动态监测模块，基于不同农作物对应的所述植被指数实现对耕地时空动态监测。

作为一种可选的实施方式，本发明所述多极化深度稳健特征计算模块，具体包括：

多极化SAR时间序列数据库构建单元，基于所述SAR时序影像和所述光学时序影像构建多极化SAR时间序列数据库。

提取单元，用于从所述多极化SAR时间序列数据库中提取不同极化的SAR时间序列数据。

一维卷积神经网络构建单元，基于所述不同极化的SAR时间序列数据构建一维卷积神经网络。

多极化深度稳健特征计算单元，用于根据所述一维卷积神经网络计算多极化深度稳健特征。

作为一种可选的实施方式，本发明所述构建一维卷积神经网络具体公式为：

其中，h_i,j表示第i卷积层输出的j个特征，*表示卷积运算，w_i,mj表示h_i,j特征中第m个卷积核参数，M表示表示神经结点个数或特征数量，b_i,j表示偏置量，h′_i,j(l)表示在步长s下r个卷积特征经池化层汇总后的第l个深度特征，sl表示输入层特征，r表示不同极化的SAR时间序列数据的长度。

作为一种可选的实施方式，本发明所述多极化SAR时间序列数据库构建单元，具体包括：

几何模板匹配子单元，用于对所述SAR时序影像和所述光学时序影像进行几何模板匹配，获得垂直-垂直SAR时间序列数据和垂直-水平SAR时间序列数据。

多极化SAR时间序列数据库构建子单元，用于利用所述垂直-垂直SAR时间序列数据和所述垂直-水平SAR时间序列数据构建多极化SAR时间序列数据库。

作为一种可选的实施方式，本发明所述转换关系模型具体公式为：

其中，e_i,j表示第j时刻SAR时序影像和第i-1时刻光学时序影像之间的转换关系，a表示自注意力函数，s_i-1表示第i-1时刻的光学时序影像，H_j表示一维卷积神经网络在j时刻输出的多极化深度稳健特征，soft max()表示归一化指数函数，a_i,j表示第j时刻SAR时序影像与第i时刻光学时序影像之间的权重。

作为一种可选的实施方式，本发明所述植被指数确定模块，具体包括：

填补单元，用于利用不同农作物对应的所述转换关系模型，根据相同时期内SAR时间序列填补光学时间序列中的空缺值，获得密集光学影像；所述空缺值为光学长时间序列中受到天气影响所产生的。

植被指数确定单元，基于所述密集光学影像的像素值计算不同农作物对应的植被指数。

本发明对于光学时序影像中受到天气影响所产生的空缺值，利用不同农作物对应的所述转换关系模型进行预测与填补，从而实现无缺失密集光学影像的重建。最后，根据重建后的密集光学影像，逐像素逐景计算植被指数，构建耕地年内时序特征，解决了单一遥感数据源难以支持农作物动态监测的问题，从而实现耕地年内时空动态信息的提取。

具体举例：

下面引入了美国加利福尼亚州帝国郡农田区域(Imperial)，北纬32°59′N-33°6′N，西经115°39′W-115°30′W，该区域位于科罗拉多沙漠的低海拔地区，研究区域为热带沙漠气候，温度较高，但农作物生产力较高。年平均气温高于27℃，温度变化也很大，该地区全年干燥，几乎没有降雨，年平均降水量(3英寸)远低于美国的年平均降水量(28英寸)。在加利福尼亚州，帝国县是苜蓿和洋葱等农作物的最高产之一。本发明以干涉宽幅(IW)扫描模式记录的Sentinel-1SAR时序影像。从2018年1月5日到2018年12月27日，共收集了31张Sentinel-1(哨兵-1号)降轨卫星图像。对于光学数据集，本发明总共下载了从2018年1月1日到2018年12月27日范围内的73张Sentinel-2(哨兵-2号)仅包含无云或部分云的图像图像。此外，由于Sentinel-1(12天)和Sentinel-2(5天)的重访时间有所不同，本发明选择了31个Sentinel-2图像，它们在获取日期方面大致与Sentinel-1数据集对齐。

为了从复杂的SAR时间序列中提取有用的信息，针对每个极化构建了两个完全独立的5层Conv1D框架。具体来说，本发明以1为步长将VV(垂直-垂直)和VH(垂直-水平)SAR时间序列分为31个分段，因此输入样本的大小设置为1×31×1。对于每个CNN框架，第一卷积层包含31个1×1的滤镜。然后，使用大小为2的最大池化层对输出要素进行二次采样。然后，第二卷积层包括大小为2的62个滤波器，然后使用最大池化层对样本进行二次采样。之后，将生成一个完全连接的图层，以在每个分支中生成31维特征图。最后，将两个CNN获得的特征连接起来，并通过31个隐藏单元的密集层将其转换为31维特征图。同时，为了构建所述SAR时序影像和所述光学时序影像之间的转换关系模型，CNN的输出特征按顺序输入到LSTM模块中。首先，在LSTM内部，可以在编码器中提取输入特征的时间关系。然后，将解码器设计为捕获SAR时序影像和光学时序影像之间的转换关系模型。最后，该转换关系模型用于预测缺失的光学数据。此外，为了减少不确定噪声的影响，在解码器中引入了注意机制。在训练阶段，RMSprop优化器用于训练。学习率设置为0.001，批量样本大小设置为500。研究区域各类型农作物像素数量如表1所示。不同日期光学时序影像与SAR时序影像之间精度评价表如表2所示。

表1.研究区域各类型农作物像素数量

表2 不同日期光学时序影像与SAR时序影像之间精度评价表

以上实施例可以看出，本发明能够显著提高多源遥感数据的协同能力，大大推动动态遥感信息处理的自动化及遥感商业信息的生产力。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于多源时序遥感深度协同下的耕地动态监测方法，其特征在于，所述方法包括：

步骤S1：获取SAR时序影像和光学时序影像；

步骤S2：基于所述SAR时序影像和所述光学时序影像计算多极化深度稳健特征；具体包括：步骤S21：基于所述SAR时序影像和所述光学时序影像构建多极化SAR时间序列数据库；步骤S22：从所述多极化SAR时间序列数据库中提取不同极化的SAR时间序列数据；步骤S23：基于所述不同极化的SAR时间序列数据构建一维卷积神经网络；步骤S14：根据所述一维卷积神经网络计算多极化深度稳健特征；

步骤S3：基于所述多极化深度稳健特征和长短期记忆网络，采用注意力机制构建不同农作物对应的所述SAR时序影像与所述光学时序影像之间的转换关系模型；

步骤S4：基于不同农作物对应的所述转换关系模型填补光学时间序列中的空缺值，并计算不同农作物对应的植被指数；

步骤S5：基于不同农作物对应的所述植被指数实现对耕地时空动态监测。

2.根据权利要求1所述的基于多源时序遥感深度协同下的耕地动态监测方法，其特征在于，所述构建一维卷积神经网络具体公式为：

其中，h_i,j表示第i卷积层输出的j个特征，*表示卷积运算，w_i,mj表示h_i,j特征中第m个卷积核参数，M表示表示神经结点个数或特征数量，b_i,j表示偏置量，h′_i,j(l)表示在步长s下r个卷积特征经池化层汇总后的第l个深度特征，sl表示输入层特征，r表示不同极化的SAR时间序列数据的长度。

3.根据权利要求1所述的基于多源时序遥感深度协同下的耕地动态监测方法，其特征在于，所述基于所述SAR时序影像和所述光学时序影像构建多极化SAR时间序列数据库，具体包括：

步骤S211：对所述SAR时序影像和所述光学时序影像进行几何模板匹配，获得垂直-垂直SAR时间序列数据和垂直-水平SAR时间序列数据；

步骤S212：利用所述垂直-垂直SAR时间序列数据和所述垂直-水平SAR时间序列数据构建多极化SAR时间序列数据库。

4.根据权利要求1所述的基于多源时序遥感深度协同下的耕地动态监测方法，其特征在于，所述转换关系模型具体公式为：

其中，e_i,j表示第j时刻SAR时序影像和第i-1时刻光学时序影像之间的转换关系，a表示自注意力函数，s_i-1表示第i-1时刻的光学时序影像，H_j表示一维卷积神经网络在j时刻输出的多极化深度稳健特征，soft max()表示归一化指数函数，a_i,j表示第j时刻SAR时序影像与第i时刻光学时序影像之间的权重。

5.一种基于多源时序遥感深度协同下的耕地动态监测系统，其特征在于，所述系统包括：

获取模块，用于获取SAR时序影像和光学时序影像；

多极化深度稳健特征计算模块，基于所述SAR时序影像和所述光学时序影像计算多极化深度稳健特征；具体包括：多极化SAR时间序列数据库构建单元，基于所述SAR时序影像和所述光学时序影像构建多极化SAR时间序列数据库；提取单元，用于从所述多极化SAR时间序列数据库中提取不同极化的SAR时间序列数据；一维卷积神经网络构建单元，基于所述不同极化的SAR时间序列数据构建一维卷积神经网络；多极化深度稳健特征计算单元，用于根据所述一维卷积神经网络计算多极化深度稳健特征；

转换关系模型构建模块，基于所述多极化深度稳健特征和长短期记忆网络，采用注意力机制构建不同农作物对应的所述SAR时序影像与所述光学时序影像之间的转换关系模型；

植被指数确定模块，基于不同农作物对应的所述转换关系模型填补光学时间序列中的空缺值，并计算不同农作物对应的植被指数；

耕地时空动态监测模块，基于不同农作物对应的所述植被指数实现对耕地时空动态监测。

6.根据权利要求5所述的基于多源时序遥感深度协同下的耕地动态监测系统，其特征在于，所述构建一维卷积神经网络具体公式为：

其中，h_i,j表示第i卷积层输出的j个特征，*表示卷积运算，w_i,mj表示h_i,j特征中第m个卷积核参数，M表示表示神经结点个数或特征数量，b_i,j表示偏置量，h′_i,j(l)表示在步长s下r个卷积特征经池化层汇总后的第l个深度特征，sl表示输入层特征，r表示不同极化的SAR时间序列数据的长度。

7.根据权利要求5所述的基于多源时序遥感深度协同下的耕地动态监测系统，其特征在于，所述多极化SAR时间序列数据库构建单元，具体包括：

几何模板匹配子单元，用于对所述SAR时序影像和所述光学时序影像进行几何模板匹配，获得垂直-垂直SAR时间序列数据和垂直-水平SAR时间序列数据；

多极化SAR时间序列数据库构建子单元，用于利用所述垂直-垂直SAR时间序列数据和所述垂直-水平SAR时间序列数据构建多极化SAR时间序列数据库。

8.根据权利要求5所述的基于多源时序遥感深度协同下的耕地动态监测系统，其特征在于，所述转换关系模型具体公式为：

其中，e_i,j表示第j时刻SAR时序影像和第i-1时刻光学时序影像之间的转换关系，a表示自注意力函数，s_i-1表示第i-1时刻的光学时序影像，H_j表示一维卷积神经网络在j时刻输出的多极化深度稳健特征，soft max()表示归一化指数函数，a_i,j表示第j时刻SAR时序影像与第i时刻光学时序影像之间的权重。

Images