CN112084991A - 基于多源遥感时序影像和卷积神经网络的作物早期识别方法 - Google Patents

基于多源遥感时序影像和卷积神经网络的作物早期识别方法 Download PDF

Info

Publication number
CN112084991A
CN112084991A CN202010983366.0A CN202010983366A CN112084991A CN 112084991 A CN112084991 A CN 112084991A CN 202010983366 A CN202010983366 A CN 202010983366A CN 112084991 A CN112084991 A CN 112084991A
Authority
CN
China
Prior art keywords
data
sentinel
date
crop
identification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010983366.0A
Other languages
English (en)
Inventor
赵红伟
孙亮
刘佳
陈仲新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Agricultural Resources and Regional Planning of CAAS
Original Assignee
Institute of Agricultural Resources and Regional Planning of CAAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Agricultural Resources and Regional Planning of CAAS filed Critical Institute of Agricultural Resources and Regional Planning of CAAS
Priority to CN202010983366.0A priority Critical patent/CN112084991A/zh
Publication of CN112084991A publication Critical patent/CN112084991A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于多源遥感时序影像和卷积神经网络的作物早期识别方法，包括以下步骤：S1，收集遥感数据和作物地面样本数据；S2,数据预处理；S3，制作训练样本；S4,模型时间增量训练；S5,根据S4中获得的作物的identify_Date，利用start_Date到identify_Date期间所有的Sentinel‑1A和Sentinel‑2数据对相应作物进行早期识别；以Sentinel‑2 L2A级产品中SCL影像为非植被掩膜数据制作作物早期分布图。利用多源遥感数据增加了作物生长季内数据获取的频次，提高了作物早期识别的时间精度；利用本发明提出的卷积神经网络架构Dual‑CNN,解决了多源遥感时序数据应用中单一CNN架构面临的时间序列长度和时间间隔不一致的问题。

Description

基于多源遥感时序影像和卷积神经网络的作物早期识别方法
技术领域
本发明涉及农业遥感技术领域，特别涉及一种基于Sentinel-1A和Sentinel-2遥感时序影像和卷积神经网络方法的作物早期识别方法，适用于不同农田系统的农业遥感监测研究。
背景技术
据联合国预测，到2050年世界人口将增至97亿，这对全球的粮食供应系统提出了巨大的挑战。及时准确地制作作物类型图不仅可为作物管理、农业保险、作物种植计划等提供精准的基础数据，而且可以辅助作物产量预估、作物灾害预警，对于保障粮食安全具有重要意义。因此，尽可能早的作物分布结果对农业监测工作具有重要的应用价值。由于不同作物具有独特的光谱反射特性、物候特征和空间纹理特征，卫星遥感可以快速、客观、经济地记录这些特征在不同作物之间的差异，已成为作物制图的重要手段。
发明内容
本发明针对现有技术的不足提供一种基于多源遥感时序影像和卷积神经网络的作物早期识别方法；本发明中作物早期识别指的是在1个生长季的前、中期提供作物类型图。
本发明采用以下技术方案：
一种基于多源遥感时序影像和卷积神经网络的作物早期识别方法，包括以下步骤：
S1，收集遥感数据和作物地面样本数据；所述遥感数据为作物生育期内Sentinel-1A和Sentinel-2时序数据，其中，Sentinel-1A数据为宽幅干涉模式(IW)的Level-1产品中地距影像(GRD)VH+VV双极化数据；Sentinel-2数据包含Level-1C级产品中可见光(B2～B4)、红边(B5～B7)、近红外(B8/B8A)、短波红外(B11/B12)共计10个波段光谱数据；
S2,数据预处理
S2-1,Sentinel-1A影像的数据预处理，最终获得Sentinel-1A时序影像；
S2-2,Sentinel-2影像的数据预处理，最终获得Sentinel-2时序影像和相应的云掩膜时序影像；
S3，制作训练样本
S3-1,根据S1中获得的地面样本数据和S2获得的Sentinel-1A、Sentinel-2和云掩膜时序数据，提取训练样本的时序数据；
S3-2，将云掩膜为2、3、4的Sentinel-2相应样本的所有波段反射率标记为“null”；
S3-3,采用2-范数对样本进行通道归一化，所述通道为一个日期中的一个波段的样本数据或一个极化特征的样本数据；如果所有样本在一个通道上的记录为X＝(x1,x2,…,xn),通道的归一化如公式(1)所示，式中，n为样本数；
||X||2＝(|x1|2+|x2|2+…+|xn|2)1/2 (1)
S3-4,随机将所有训练样本每一类按照一定的比例分为训练集、验证集和测试集；
S3-5,根据Sentinel-1A和Sentinel-2数据获取日期，制作增量训练的样本数据集；制作原则为：从生长季内Sentinel-1A或Sentinel-2的第一个数据获取日期start_Date开始，每增加一次数据获取制作一个训练集，训练集的时间序列长度为start_Date至本次数据获取的日期train_Date；
S4,模型时间增量训练；从start_Date的数据集开始，依次利用每个train_Date相应的时间序列样本训练Dual-CNN模型，并评估每类作物的早期识别日期identify_Date；所述Dual-CNN模型包含：Sentinel-1A和Sentinel-2两个卷积神经网络(CNN)分支、一个连接层、一个Dropout层和两个全连接层(FCN)；
(1)所述Dual-CNN架构：
分别构建Sentinel-1A CNN分支和Sentinel-2分支；卷积操作是卷积核和局部输入之间的点积；一个基本的卷积模块总是由卷积层(Conv)和线性单元层(Relu)组成；假设每一个波段(或极化特征)输入数据为X0,第一层卷积核的长度为k,那么第一层时间点t的输出值为
Figure BDA0002688297200000033
见公式(2)；
Figure BDA0002688297200000031
通过在每个分支架构增加批量归一化层(batch normalization，BN)，并在连接层Connate后添加Dropout层；
(2)模型训练
从start_Date开始，逐个train_Date训练模型，输入数据为start_Date到train_Date的所有数据；每次模型训练采用以下策略：
1)epoch设置为10000，batch size为128；
2)优化函数为Adam，初始学习率为5e-5，并在每个epoch中进行自适应调整，调整原则为：如果序列交叉熵误差在100个epoch中没有降低，那么下一个epoch中学习率降低20％，直到达到最小值1e-6；
3)Dropout参数的训练范围为{0.3，05，0.8}；
4)通过一个名为ModelCheckpoint的回调函数监控每个训练过程，并在找到更好的参数时保存当时的网路模型；
(3)精度评估
采用公式3所示的整体分类精度OA对作物的整体分类精度进行评价；式中，N为测试集样本的个数，r为作物类别数，xii为预测标签和真实标签都为第i类的数量；利用生产精度(product accuracy，Aprod)和用户精度(user accuracy，Auser)的调和平均值F1来评价每类作物的精度；
Figure BDA0002688297200000032
Figure BDA0002688297200000041
(4)计算每个train_Date测试集的OA和每类作物的F1，取作物生长季内前期和中期中精度最高的train_Date为早期识别日期identify_Date，最终获得相应作物的identify_Date；
S5,根据S4中获得的作物的identify_Date，利用start_Date到identify_Date期间所有的Sentinel-1A和Sentinel-2数据对相应作物进行早期识别；以Sentinel-2L2A级产品中SCL影像为非植被掩膜数据制作作物早期分布图。
所述的作物早期识别方法，步骤S1中，所述地面样本数据为作物类型和所在地理位置。
所述的作物早期识别方法，步骤S2-1中，Sentinel-1A影像的数据预处理步骤包括：辐射校正、斑点滤波、正射校正和重投影；所述辐射校正采用gamma方式输出影像，所述重投影方式采用EPSG:32650坐标系。
所述的作物早期识别方法，步骤S2-1中，最终获得Sentinel-1A时序影像时序长度为14。
所述的作物早期识别方法，步骤S2-2，最终获得Sentinel-2时序影像和相应的云掩膜时序长度均为35。
所述的作物早期识别方法，步骤S2-2中，Sentinel-2影像的数据预处理步骤包括：大气校正、云识别、图像镶嵌、重采样和重投影；所述大气校正采用sen2cor工具；所述云识别指采用Fmask 4.0算法识别影像中的云/云阴影像素，参数“Cloud ProbabilityThreshold”阈值取50％，生成云掩膜影像；所述重采样指将空间分辨率为20m的B5～B7、B8A、B11、B12、云掩膜影像和L2A产品中SCL数据重采样到10m；所述重投影方式采用WGS 84/UTM zone 50N(EPSG:3265)坐标系。
所述的作物早期识别方法，步骤S3-2中，首先通过时间序列线性插值来填补“null”值，然后采用Savitzky-Golay滤波器来重构Sentinel-2时间序列；所述滤波器采用7×7的移动窗口。
所述的作物早期识别方法，步骤S3-4，随机将所有训练样本每一类按照7:1:2的比例分为训练集、验证集和测试集。
所述的作物早期识别方法，步骤S5中，所述非植被掩膜数据取作物生长季内生长期无云数据。
有益效果
1、本发明提出一种新的卷积神经网络架构Dual-CNN,解决了多源遥感时序数据应用中单一CNN架构面临的时间序列长度和时间间隔不一致的问题。
2.本发明利用多源遥感数据增加了作物生长季内数据获取的频次，提高了作物早期识别的时间精度；此外，光学遥感数据和合成孔径雷达数据的联合应用有利于提取作物的不同特征，提高作物识别的精度。因此，本发明对提升作物制图的效率、精度和时效性具有重要的实际价值，可为我国新型的智能化农业遥感监测提供技术支持。
附图说明
图1为本发明的方法流程图；
图2为本发明提出的Dual-CNN架构；
图3为本发明时间序列，L1和L2分别为时间序列长度；
图4为每类样本的VV(图A)和VH(图B)后向散射系数均值时间序列；
图5为每类样本的Sentinel-2光谱反射率均值时间序列；
图6为Dual-CNN对每类作物的分类精度时间剖面图；
图7为衡水部分地区夏玉米早期概率分布图；
图8为Dual-CNN、随机森林(RF)、支持向量机(SVM)三种模型分类精度时间剖面图；
具体实施方式
以下结合附图和具体实施方式对本发明作进一步详细的说明。
基于多源遥感时序影像和卷积神经网络的作物早期识别的主要流程为：
S1，收集遥感数据和作物地面样本数据。
通过野外调查获取地面样本数据，具体方法是：首先规划野外调查路线；然后根据调查路线采集不同农田地块的作物类型，并使用GPS记录相应地理坐标；最后对采集数据进行室内处理形成地面样本数据。地面数据结构为{地面样本编号：3，经度坐标：115.598，纬度坐标：37.580，作物类型：棉花，作物类型标签：2}。
本发明收集的遥感数据为衡水地区夏季作物生育期内Sentinel-1A和Sentinel-2时序数据，其中，Sentinel-1A数据为宽幅干涉模式(IW)的Level-1产品中地距影像(GRD)VH+VV双极化数据；Sentinel-2数据包含Level-1C级产品中可见光(B2～B4)、红边(B5～B7)、近红外(B8/B8A)、短波红外(B11/B12)共计10个波段光谱数据；时间覆盖范围为：2019年4月13日至2019年9月30日；Sentinel-1A时序长度(date_length_1A)为14，Sentinel-2时序长度(date_length_2)为35，时序中每个时间点用DOY(Day of Year)表示，例如4月13日，相应的DOY为103。
S2,数据预处理。
S2-1，基于Python平台，利用snappy等开源库，开发Sentinel-1A影像的批处理程序，步骤包括：辐射校正、斑点滤波、正射校正和重投影。所述辐射校正采用gamma方式输出影像，所述重投影方式采用EPSG:32650坐标。最终获得Sentinel-1A时序影像，时序长度为14。
S2-2，基于Python平台，利用Sen2Cor命令、Fmask 4.0和GDAL等开源库，开发序Sentinel-2影像批量的处理程序，步骤包括：大气校正、云识别、图像镶嵌、重采样和重投影。所述云识别中参数“Cloud Probability Threshold”阈值取50％；所述重采样采用双线性二次插值方法；所述重采样为将空间分辨率为20m的B5～B7、B8A、B11、B12影像和SCL产品影像重采样到10m；所述重投影方式采用WGS 84/UTM zone 50N(EPSG:3265)坐标系。最终获得Sentinel-2时序影像和相应的云掩膜时序影像，时序长度均为35。
S3，制作训练样本
S3-1,根据S1中获得的地面样本数据和S2获得的Sentinel-1A、Sentinel-2和云掩膜时序数据，提取训练样本的时序数据。提取的Sentinel-1A样本均值时间序列如图4。
S3-2，将云掩膜为2、3、4的Sentinel-2相应样本的所有波段反射率标记为“null”。首先通过时间序列线性插值来填补“null”值，然后采用Savitzky-Golay滤波器来重构Sentinel-2时间序列。所述Savitzky-Golay滤波器采用7×7的移动窗口。处理后的Sentinel-2样本均值时间序列如图5。
S3-3,采用2-范数对样本进行通道归一化，所述通道为一个日期中的一个波段的样本数据或一个极化特征的样本数据。如果所有样本在一个通道上的记录为X＝(x1,x2,…,xn),通道的归一化如公式(1)所示，式中，n为样本数。
||X||2＝(|x1|2+|x2|2+…+|xn|2)1/2 (1)
S3-4,由于每一类的样本量不同，因此，随机将所有训练样本每一类按照7:1:2的比例分为训练集、验证集和测试集。
S3-5,根据Sentinel-1A和Sentinel-2数据获取日期，制作增量训练的样本数据集。制作原则为：从生长季内第一次数据(Sentinel-1A或Sentinel-2)获取日期(start_Date)开始，每增加一次数据获取制作一个训练集，训练集的时间序列长度为start_Date至本次数据获取的日期(train_Date)。图3为样本的时序数据实例，start_Date为DOY＝103(2019年4月13日)，由于Sentinel-1A和Sentinel-2获取的日期有重叠，因此，最长时间序列长度为46。
S4,模型时间增量训练。从start_Date的数据集开始，依次利用每个train_Date相应的时间序列样本训练本发明提出的Dual-CNN模型，并评估每类作物的早期识别日期(identify_Date)。所述模型包含：Sentinel-1A和Sentinel-2两个卷积神经网络(CNN)分支架构、一个连接层、一个Dropout层和两个全连接层(FCN)(见图2)
(1)Dual-CNN架构
由于Sentinel-1A和Sentinel-2的时间分辨率和时序长度不同，本发明分别构建Sentinel-1A CNN模块和Sentinel-2模块。卷积操作实际上是卷积核和局部输入之间的点积。一个基本的卷积模块总是由卷积层(Conv)和线性单元层(Relu)组成。假设每一个波段(或极化特征)输入数据为X0,第一层卷积核的长度为k,那么第一层时间点t的输出值为
Figure BDA0002688297200000072
见公式(2)。
Figure BDA0002688297200000071
在CNN的训练过程中，由于每一层输入数据的分布都会因为前一层参数的变量而变化，如果每批(batch)训练数据的分布各不相同，那么网络就要在每次迭代都去学习适应不同的分布，因此，本发明通过在每个分支架构增加批量归一化层(batch normalization，BN)来解决该问题。此外，为防止网络的过拟合，在连接层(Connate)后添加Dropout层。
(2)模型训练
本发明采用以下策略训练Dual-CNN网络：
1)epoch设置为10000，batch size为128；
2)优化函数为Adam，初始学习率为5e-5，并在每个epoch中进行自适应调整，调整原则为：如果序列交叉熵误差在100个epoch中没有降低，那么下一个epoch中学习率降低20％，直到达到最小值1e-6；
3)Dropout参数的训练范围为{0.3，05，0.8}；
4)本发明通过一个名为ModelCheckpoint的回调函数监控每个训练过程，并在找到更好的参数时保存当时的网路模型。
(3)精度评估
本发明采用整体分类精度(OA，公式3)来对作物的整体分类精度进行评价。式中，N为测试集样本的个数，r为作物类别数，xii为预测标签和真实标签都为第i类的数量。此外，本发明利用生产精度(product accuracy，Aprod)和用户精度(user accuracy，Auser)的调和平均值(F1公式(4))来评价每类作物的精度。
Figure BDA0002688297200000081
Figure BDA0002688297200000082
(4)计算每个train_Date测试集的OA和每类作物的F1。取作物生长季内前期和中期中精度最高的train_Date为早期识别日期identify_Date。衡水地区为冬小麦和夏玉米的典型轮作区，夏玉米的生长季为DOY 166(6月中旬)至DOY 273(9月底)。因此，夏玉米的identify_Date为DOY 166至DOY 238期间精度最高的日期DOY 233。
S5,根据S4中获得的夏玉米的identify_Date，利用start_Date到identify_Date期间所有的Sentinel-1A和Sentinel-2数据对夏玉米进行早期识别。以DOY 233(8月21日)的Sentinel-2L2A级产品中SCL影像为非植被掩膜数据制作夏玉米早期概率分布图(图7)。所述非植被掩膜数据取作物生长季内生长期无云数据(一个日期或多个日期的合成数据)。
S6，为了进一步验证Dual-CNN在作物早期识别中的准确性和及时性，本发明同时计算了经典机器学习方法中随机森林(RF)和支持向量机(SVM)在每个train_date的作物分类精度(图8)，输入数据为start_date到train_date的所有Sentinel-1A和Sentinel-2数据。结果显示，Dual-CNN在生长季的前期和中期整体精度高于RF和SVM。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种基于多源遥感时序影像和卷积神经网络的作物早期识别方法，其特征在于，包括以下步骤：
S1，收集遥感数据和作物地面样本数据；所述遥感数据为作物生育期内Sentinel-1A和Sentinel-2时序数据，其中，Sentinel-1A数据为宽幅干涉模式(IW)的Level-1产品中地距影像(GRD)VH+VV双极化数据；Sentinel-2数据包含Level-1C级产品中可见光(B2～B4)、红边(B5～B7)、近红外(B8/B8A)、短波红外(B11/B12)共计10个波段光谱数据；
S2,数据预处理
S2-1,Sentinel-1A影像的数据预处理，最终获得Sentinel-1A时序影像；
S2-2,Sentinel-2影像的数据预处理，最终获得Sentinel-2时序影像和相应的云掩膜时序影像；
S3，制作训练样本
S3-1,根据S1中获得的地面样本数据和S2获得的Sentinel-1A、Sentinel-2和云掩膜时序数据，提取训练样本的时序数据；
S3-2，将云掩膜为2、3、4的Sentinel-2相应样本的所有波段反射率标记为“null”；
S3-3,采用2-范数对样本进行通道归一化，所述通道为一个日期中的一个波段的样本数据或一个极化特征的样本数据；如果所有样本在一个通道上的记录为X＝(x1,x2,…,xn),通道的归一化如公式(1)所示，式中，n为样本数；
||X||2＝(|x1|2+|x2|2+…+|xn|2)1/2 (1)
S3-4,随机将所有训练样本每一类按照一定的比例分为训练集、验证集和测试集；
S3-5,根据Sentinel-1A和Sentinel-2数据获取日期，制作增量训练的样本数据集；制作原则为：从生长季内Sentinel-1A或Sentinel-2的第一个数据获取日期start_Date开始，每增加一次数据获取制作一个训练集，训练集的时间序列长度为start_Date至本次数据获取的日期train_Date；
S4,模型时间增量训练；从start_Date的数据集开始，依次利用每个train_Date相应的时间序列样本训练Dual-CNN模型，并评估每类作物的早期识别日期identify_Date；所述Dual-CNN模型包含：Sentinel-1A和Sentinel-2两个卷积神经网络(CNN)分支、一个连接层、一个Dropout层和两个全连接层(FCN)；
(1)所述Dual-CNN架构：
分别构建Sentinel-1A CNN分支和Sentinel-2分支；卷积操作是卷积核和局部输入之间的点积；一个基本的卷积模块总是由卷积层(Conv)和线性单元层(Relu)组成；假设每一个波段(或极化特征)输入数据为X0,第一层卷积核的长度为k,那么第一层时间点t的输出值为
Figure FDA0002688297190000021
见公式(2)；
Figure FDA0002688297190000022
通过在每个分支架构增加批量归一化层(batch normalization，BN)，并在连接层Connate后添加Dropout层；
(2)模型训练
从start_Date开始，逐个train_Date训练模型，输入数据为start_Date到train_Date的所有数据；每次模型训练采用以下策略：
1)epoch设置为10000，batch size为128；
2)优化函数为Adam，初始学习率为5e-5，并在每个epoch中进行自适应调整，调整原则为：如果序列交叉熵误差在100个epoch中没有降低，那么下一个epoch中学习率降低20％，直到达到最小值1e-6；
3)Dropout参数的训练范围为{0.3，05，0.8}；
4)通过一个名为ModelCheckpoint的回调函数监控每个训练过程，并在找到更好的参数时保存当时的网路模型；
(3)精度评估
采用公式3所示的整体分类精度OA对作物的整体分类精度进行评价；式中，N为测试集样本的个数，r为作物类别数，xii为预测标签和真实标签都为第i类的数量；利用生产精度(product accuracy，Aprod)和用户精度(user accuracy，Auser)的调和平均值F1来评价每类作物的精度；
Figure FDA0002688297190000031
Figure FDA0002688297190000032
(4)计算每个train_Date测试集的OA和每类作物的F1，取作物生长季内前期和中期中精度最高的train_Date为早期识别日期identify_Date，最终获得相应作物的identify_Date；
S5,根据S4中获得的作物的identify_Date，利用start_Date到identify_Date期间所有的Sentinel-1A和Sentinel-2数据对相应作物进行早期识别；以Sentinel-2L2A级产品中SCL影像为非植被掩膜数据制作作物早期分布图。
2.根据权利要求1所述的作物早期识别方法，其特征在于，步骤S1中，所述地面样本数据为作物类型和所在地理位置。
3.根据权利要求1所述的作物早期识别方法，其特征在于，步骤S2-1中，Sentinel-1A影像的数据预处理步骤包括：辐射校正、斑点滤波、正射校正和重投影；所述辐射校正采用gamma方式输出影像，所述重投影方式采用EPSG:32650坐标系。
4.根据权利要求1所述的作物早期识别方法，其特征在于，步骤S2-1中，最终获得Sentinel-1A时序影像时序长度为14。
5.根据权利要求1所述的作物早期识别方法，其特征在于，步骤S2-2，最终获得Sentinel-2时序影像和相应的云掩膜时序长度均为35。
6.根据权利要求1所述的作物早期识别方法，其特征在于，步骤S2-2中，Sentinel-2影像的数据预处理步骤包括：大气校正、云识别、图像镶嵌、重采样和重投影；所述大气校正采用sen2cor工具；所述云识别指采用Fmask 4.0算法识别影像中的云/云阴影像素，参数“Cloud Probability Threshold”阈值取50％，生成云掩膜影像；所述重采样指将空间分辨率为20m的B5～B7、B8A、B11、B12、云掩膜影像和L2A产品中SCL数据重采样到10m；所述重投影方式采用WGS 84/UTM zone 50N(EPSG:3265)坐标系。
7.根据权利要求1所述的作物早期识别方法，其特征在于，步骤S3-2中，首先通过时间序列线性插值来填补“null”值，然后采用Savitzky-Golay滤波器来重构Sentinel-2时间序列；所述滤波器采用7×7的移动窗口。
8.根据权利要求1所述的作物早期识别方法，其特征在于，步骤S3-4，随机将所有训练样本每一类按照7:1:2的比例分为训练集、验证集和测试集。
9.根据权利要求1所述的作物早期识别方法，其特征在于，步骤S5中，所述非植被掩膜数据取作物生长季内生长期无云数据。
CN202010983366.0A 2020-09-18 2020-09-18 基于多源遥感时序影像和卷积神经网络的作物早期识别方法 Pending CN112084991A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010983366.0A CN112084991A (zh) 2020-09-18 2020-09-18 基于多源遥感时序影像和卷积神经网络的作物早期识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010983366.0A CN112084991A (zh) 2020-09-18 2020-09-18 基于多源遥感时序影像和卷积神经网络的作物早期识别方法

Publications (1)

Publication Number Publication Date
CN112084991A true CN112084991A (zh) 2020-12-15

Family

ID=73737375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010983366.0A Pending CN112084991A (zh) 2020-09-18 2020-09-18 基于多源遥感时序影像和卷积神经网络的作物早期识别方法

Country Status (1)

Country Link
CN (1) CN112084991A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744191A (zh) * 2021-08-02 2021-12-03 北京和德宇航技术有限公司 一种卫星遥感影像自动云检测方法
CN114202691A (zh) * 2021-12-09 2022-03-18 广东省科学院广州地理研究所 基于遥感图像的水稻识别方法、装置以及设备
CN114782825A (zh) * 2022-06-17 2022-07-22 中国农业科学院农业资源与农业区划研究所 基于不完备遥感数据的作物识别方法、装置及电子设备
CN116863341A (zh) * 2023-08-24 2023-10-10 中国农业科学院农业资源与农业区划研究所 基于时间序列卫星遥感影像的作物分类和识别方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399400A (zh) * 2018-03-23 2018-08-14 中国农业科学院农业资源与农业区划研究所 一种基于高分辨率遥感数据的早期作物识别方法和系统
CN110414446A (zh) * 2019-07-31 2019-11-05 广东工业大学 机器人的操作指令序列生成方法及装置
CN111144250A (zh) * 2019-12-15 2020-05-12 东南大学 融合雷达和光学遥感数据的土地覆盖分类方法
CN111161218A (zh) * 2019-12-10 2020-05-15 核工业北京地质研究院 一种基于孪生卷积神经网络的高分遥感影像变化检测方法
CN111242224A (zh) * 2020-01-16 2020-06-05 贵州省草业研究所 一种基于无人机提取分类样本点的多源遥感数据分类方法
CN111630936A (zh) * 2017-12-30 2020-09-04 英特尔公司 用于无线通信的方法和设备
CN111652193A (zh) * 2020-07-08 2020-09-11 中南林业科技大学 基于多源影像的湿地分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111630936A (zh) * 2017-12-30 2020-09-04 英特尔公司 用于无线通信的方法和设备
CN108399400A (zh) * 2018-03-23 2018-08-14 中国农业科学院农业资源与农业区划研究所 一种基于高分辨率遥感数据的早期作物识别方法和系统
CN110414446A (zh) * 2019-07-31 2019-11-05 广东工业大学 机器人的操作指令序列生成方法及装置
CN111161218A (zh) * 2019-12-10 2020-05-15 核工业北京地质研究院 一种基于孪生卷积神经网络的高分遥感影像变化检测方法
CN111144250A (zh) * 2019-12-15 2020-05-12 东南大学 融合雷达和光学遥感数据的土地覆盖分类方法
CN111242224A (zh) * 2020-01-16 2020-06-05 贵州省草业研究所 一种基于无人机提取分类样本点的多源遥感数据分类方法
CN111652193A (zh) * 2020-07-08 2020-09-11 中南林业科技大学 基于多源影像的湿地分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IENCO, D等: ""Combining Sentinel-1 and Sentinel-2 Satellite Image Time Series for land cover mapping via a multi-source deep learning architecture"", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 *
赵红伟: "基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别", 《农业工程学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744191A (zh) * 2021-08-02 2021-12-03 北京和德宇航技术有限公司 一种卫星遥感影像自动云检测方法
CN114202691A (zh) * 2021-12-09 2022-03-18 广东省科学院广州地理研究所 基于遥感图像的水稻识别方法、装置以及设备
CN114782825A (zh) * 2022-06-17 2022-07-22 中国农业科学院农业资源与农业区划研究所 基于不完备遥感数据的作物识别方法、装置及电子设备
CN114782825B (zh) * 2022-06-17 2022-09-16 中国农业科学院农业资源与农业区划研究所 基于不完备遥感数据的作物识别方法、装置及电子设备
CN116863341A (zh) * 2023-08-24 2023-10-10 中国农业科学院农业资源与农业区划研究所 基于时间序列卫星遥感影像的作物分类和识别方法和系统
CN116863341B (zh) * 2023-08-24 2024-01-26 中国农业科学院农业资源与农业区划研究所 基于时间序列卫星遥感影像的作物分类和识别方法和系统

Similar Documents

Publication Publication Date Title
CN112084991A (zh) 基于多源遥感时序影像和卷积神经网络的作物早期识别方法
EP3528613B1 (en) Method for mapping temporal and spatial sustainability of a cropping system
CN110287944B (zh) 基于深度学习的多光谱遥感影像的农作物虫害监测方法
EP2633460B1 (en) System and method for calibrating agricultural measurements
JP5369282B2 (ja) 植生生育状況解析方法、プログラムおよび植生生育状況解析装置
CN111898503B (zh) 基于云覆盖遥感影像和深度学习的作物识别方法和系统
Rußwurm et al. Breizhcrops: A satellite time series dataset for crop type identification
CN111738066B (zh) 综合多源遥感信息的网格化晚稻纹枯病生境评价方法
CN110222870B (zh) 同化卫星荧光数据与作物生长模型的区域冬小麦估产方法
CN110579186B (zh) 基于逆高斯过程反演叶面积指数的农作物长势监测方法
JP7176980B2 (ja) 作物管理システム及び作物管理方法
von Bloh et al. Machine learning for soybean yield forecasting in Brazil
Akbarian et al. Plot level sugarcane yield estimation by machine learning on multispectral images: A case study of Bundaberg, Australia
CN117520783A (zh) 作物产量的预测方法
CN113128453B (zh) 采用遥感时间序列数据的地膜识别方法、系统以及介质
CN116258407A (zh) 基于多源数据和混合卷积神经网络-随机森林模型的农业干旱监测方法
Huang et al. Digital image analysis technologies for decision support systems in agricultural
Mohan et al. Temporal convolutional network based rice crop yield prediction using multispectral satellite data
Rananavare et al. Monocot Crop Yield Prediction using Sentinal-2 Satellite Data
Sharma et al. Analysis of sugarcane acreage and yield estimates derived from remote sensing data and other hybrid approaches under FASAL project
Sarron et al. Assessing production gaps at the tree scale: definition and application to mango (Mangifera indica L.) in West Africa
Jin et al. Data assimilation of MODIS and TM observations into CERES-Maize model to estimate regional maize yield
CN115511224B (zh) 天地一体化的作物长势智能监测方法、装置及电子设备
EP4250250A1 (en) Carbon soil backend
Gumma Pilot studies on GP level Crop yield estimation using Technology (Rabi 2020-21) using Sentinel 1&2 Satellite data for Rice and Wheat

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20201215

RJ01 Rejection of invention patent application after publication