CN112836725A - 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 - Google Patents

基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 Download PDF

Info

Publication number
CN112836725A
CN112836725A CN202110032036.8A CN202110032036A CN112836725A CN 112836725 A CN112836725 A CN 112836725A CN 202110032036 A CN202110032036 A CN 202110032036A CN 112836725 A CN112836725 A CN 112836725A
Authority
CN
China
Prior art keywords
data
sar
remote sensing
time sequence
rice field
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
CN202110032036.8A
Other languages
English (en)
Inventor
王末
崔运鹏
陈丽
刘娟
王婷
李欢
侯颖
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.)
Agricultural Information Institute of CAAS
Original Assignee
Agricultural Information Institute 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 Agricultural Information Institute of CAAS filed Critical Agricultural Information Institute of CAAS
Priority to CN202110032036.8A priority Critical patent/CN112836725A/zh
Publication of CN112836725A publication Critical patent/CN112836725A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于时序多光谱及微波遥感数据的弱监督LSTM循环神经网络稻田识别方，发明基于地面实测数据构建SAR标准时序曲线，并对SAR时序遥感数据进行DTW距离计算，依据DTW距离进行样本标注，构建高置信度的弱标签样本集，融合多光谱及SAR输入特征，基于LSTM的深度学习分类器采用弱标签样本加实测样本的训练集对分类器进行训练后提取预测结果中的水稻分类作为最终稻田识别结果。该方法可以用于像素级别的稻田识别预测，通过SAR曲线的DTW距离可标注获得高置信度的训练数据，减少对地面采样数据的依赖，可有效降低地面采样成本。

Description

基于时序遥感数据的弱监督LSTM循环神经网络稻田识别方法
技术领域
本发明涉及农作物遥感信息分析领域，具体涉及基于时序遥感数据的弱监督LSTM循环神经网络稻田识别方法。
背景技术
水稻是我国广泛种植的主粮作物，其产量对我国粮食安全有重要影响，遥感技术可以快速、准确地动态获取农作物光谱特征等空间信息，极大提高了农业统计业务工作效率和科技水平。基于卫星遥感技术的农作物面积识别和估产不但可服务于农业实际生产指导，同时为全球粮食贸易提供了重要的信息来源。深度学习算法具备学习复杂的光谱和空间特征的能力，在农业领域的应用具备极大的潜力。近年来，深度学习算法广泛应用于作物识别等农业遥感研究。深度学习模型通常需要大量的训练样本实现模型的参数拟合。已有的深度学习应用方法依赖大量地面实测样本构建样本集，或者需要土地覆被数据产品作为辅助数据构建样本集。
实际应用场景下，受限于成本，获取大量的实测样本通常不可行，同时在大多数情况下缺乏可用的地物分类数据产品构建训练集。训练集的获取在一定程度上限制了深度学习模型的应用，因此需要一种能够基于时序遥感数据的弱监督LSTM循环神经网络稻田识别方法。
发明内容
本发明的目的在于提供一种基于光学遥感及微波遥感数据的弱监督循环神经网络稻田识别方法。
为了实现上述目的，本发明采用了如下技术方案：
本发明包括以下步骤：
S10采集地面样本数据，所述地面样本数据包括水稻、植被、建筑、水体、其他农作物样本，其中建筑包括人工建筑及裸土；
S20获取所述地面样本数据的多光谱及SAR遥感数据并进行预处理；
S30通过所述SAR遥感数据分别计算五个地物类型的标准SAR时序曲线；
S40计算所述地物类型的像元与对应地类标准SAR时序曲线的相似度，获取逐像元计算像元的SAR时序曲线与标准地物时序曲线的Dynamic Time Warping(DTW)距离；
S50基于DTW距离标注最邻近k个像元为弱标签样本，K值采用稻田面积的1％所对应的像元数量来确定；
S60构建LSTM循环神经网络分类器，分类器结构包含两层LSTM层及两层dropout层，以所述弱标签数据样本和对应所述地面采样数据为训练集，对所述分类器进行训练；
S70所述训练集训练数据采用50％地面采样数据和弱标签数据的模式并对所述地面采样数据对模型精度验证；
S80以研究区逐像元时间序列特征为输入数据，输入所述分类器进行分类预测，提取预测结果中的水稻分类作为最终稻田识别结果；
进一步地，所述步骤s20中的SAR遥感数据的预处理包括单位转换、多普勒地形校正和多时相斑点噪声滤波。
进一步地，所述标准SAR时序曲线的构建方法包括记录在某一时间点的标准值计算方法为地类地面样本SAR回波系数的平均值，通过各时间点的平均值数组系列构成标准SAR时序曲线。
进一步地，采用SAR时序数据构建标准时序曲线，并计算逐像元的DTW距离，进行弱标签标注，获取大量训练数据，提高深度学习模型的预测能力。
进一步地，对多光谱数据集SAR数据进行融合并通过多个波段构建特征集，并对SAR值进行归一化处理。
进一步地，所述波段包含多光谱波段光谱和至少一个SAR波段光谱。
相比现有技术，本发明的有益效果为：
本发明所提供的基于SAR时序曲线的弱标签标注方法，针对水稻生长周期的SAR微波反射特征设计，采用DTW距离能准确筛选高置信度的水稻像元样本，保证水稻样本标签的可用性，通过10个多光谱波段加SAR VV波段的特征集，输入LSTM分类器，模型能较高精度区分水稻与其他四类地物类型，实验验证水稻识别生产者精度和用户精度均达到98％，该方法通过少量地面实测样本实现自动样本标注，减少地面采样成本。
附图说明
图1为本发明基于时序遥感数据的弱监督LSTM循环神经网络稻田识别方法流程图；
图2为DTW距离计算示意图；
图3为本发明LSTM分类器结构图。
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。
如图1所示，本发明的包括以下步骤：
步骤S10：以空间随机分布的方式选择样本点，以实地考察确定地面样本点的经纬度、地类，并拍摄照片。五个地类样本采集的数量大致平衡。对样本点收集后，结合高分遥感影像(Google Earth)以样本点为基础构建样本地块多边形。如以水体边界、地块边界构建样本多边形；
步骤S20以采用欧空局哨兵序列遥感数据为例，从欧空局Copernicus OpenAccess Hub官方网站分别下载获取水稻生长季5月份到11月份的sentinel-2level-2A级别多光谱数据以及sentinel-1SAR VV波段数据。sentinel-1数据进行单位转换(转换为分贝值)、多普勒地形校正、多时相斑点噪声滤波几个预处理步骤。多光谱数据及SAR数据预处理后输出影像分辨率统一重采样为10m空间分辨率。
步骤S30：计算五个地物类型的标准SAR时序曲线。对每一类的样本的SAR标准值，采用该时间点上采集样本的平均值。各时间点的平均值构成水稻生长季的地物标准SAR时序曲线。时间序列有n个时间点，Ct为t时间点的SAR回波系数。标准SAR值的时序数组tsSAR计算公式为：
Figure BDA0002892818730000051
步骤S40：计算研究区内每一个像元的SAR时序曲线与标准地物时序曲线的Dynamic Time Warping(DTW)距离。DTW的原理如附图2所示。该算法采用动态规划(dynamicprogramming)的方法找出两个时序曲线的时间点最优的匹配，计算曲线间的距离。
步骤S50：依据计算的距离各标准地类曲线的DTW距离，取距离最近的前k个像元，及最邻近k个像元为弱标签样本。K值采用稻田面积的1％所对应的像元数量来确定。
S60构建LSTM循环神经网络分类器。分类器结构如附图3所示。分类器由两层LSTM层、两层dropout层以及一层全连接层构成。输出层为softmax激活函数。案例模型参数为：
Figure BDA0002892818730000061
S70以弱标签数据加部分地面采样数据为训练集，对分类器进行训练。并采用部分地面采样数据对模型精度验证。为了充分验证弱监督学习的效果，测试数据取50％的地面采样数据。训练数据采用剩下的(50％地面采样数据+弱标签数据)的模式。
S80以研究区逐像元时间序列特征为输入数据，输入分类器进行分类预测。提取预测结果中的水稻分类作为最终稻田识别结果。采用预测结果进行制图发布。
本发明采用时序遥感数据，以“数据获取-样本集构建-时序建模-模型训练-预测制图”为基本技术思路，基于少量地面实测数据构建SAR标准时序曲线，并对SAR时序遥感数据进行DTW距离计算。依据DTW距离进行样本标注，构建高置信度的弱标签样本，融合多光谱及SAR输入特征，并构建基于LSTM的深度学习分类器，采用弱标签样本加实测样本的训练集，训练分类器，用于像素级别的稻田识别预测。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.基于时序遥感数据的弱监督LSTM循环神经网络稻田识别方法，其特征在于：
包括以下步骤：
S10采集地面样本数据，所述地面样本数据包括水稻、植被、建筑、水体、其他农作物样本，其中建筑包括人工建筑及裸土；
S20获取所述地面样本数据的多光谱及SAR遥感数据并进行预处理；
S30通过所述SAR遥感数据分别计算五个地物类型的标准SAR时序曲线；
S40计算所述地物类型的像元与对应地类标准SAR时序曲线的相似度，获取逐像元计算像元的SAR时序曲线与标准地物时序曲线的DTW距离；
S50基于DTW距离标注最邻近k个像元为弱标签样本，K值采用稻田面积的1％所对应的像元数量来确定；
S60构建LSTM循环神经网络分类器，分类器结构包含两层LSTM层及两层dropout层，以所述弱标签数据样本和对应所述地面采样数据为训练集，对所述分类器进行训练；
S70所述训练集训练数据采用50％地面采样数据和弱标签数据的模式并对所述地面采样数据对模型精度验证；
S80以研究区逐像元时间序列特征为输入数据，输入所述分类器进行分类预测，提取预测结果中的水稻分类作为最终稻田识别结果。
2.根据权利要求1所述的基于时序遥感数据的弱监督LSTM循环神经网络稻田识别方法，其特征在于：所述步骤S20中的SAR遥感数据的预处理包括单位转换、多普勒地形校正和多时相斑点噪声滤波。
3.根据权利要求1所述的基于时序遥感数据的弱监督LSTM循环神经网络稻田识别方法，其特征在于：所述标准SAR时序曲线的构建方法包括记录在某一时间点的标准值计算方法为地类地面样本SAR回波系数的平均值，通过各时间点的平均值数组系列构成标准SAR时序曲线。
4.根据权利要求1所述的基于时序遥感数据的弱监督LSTM循环神经网络稻田识别方法，其特征在于：采用SAR时序数据构建标准时序曲线，并计算逐像元的DTW距离，进行弱标签标注，获取大量训练数据，提高深度学习模型的预测能力。
5.根据权利要求1所述的基于时序遥感数据的弱监督LSTM循环神经网络稻田识别方法，其特征在于：对多光谱数据集SAR数据进行融合并通过多个波段构建特征集，并对SAR值进行归一化处理。
6.根据权利要求5所述的基于时序遥感数据的弱监督LSTM循环神经网络稻田识别方法，其特征在于：所述波段包含多光谱波段光谱和至少一个SAR波段光谱。
CN202110032036.8A 2021-01-11 2021-01-11 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 Pending CN112836725A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110032036.8A CN112836725A (zh) 2021-01-11 2021-01-11 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110032036.8A CN112836725A (zh) 2021-01-11 2021-01-11 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法

Publications (1)

Publication Number Publication Date
CN112836725A true CN112836725A (zh) 2021-05-25

Family

ID=75929524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110032036.8A Pending CN112836725A (zh) 2021-01-11 2021-01-11 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法

Country Status (1)

Country Link
CN (1) CN112836725A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378766A (zh) * 2021-06-25 2021-09-10 南通大学 一种基于合成孔径雷达的海上大规模风力发电站监测系统
CN114031147A (zh) * 2021-11-02 2022-02-11 航天环保(北京)有限公司 利用波裂解纳米材料提升水质的方法及系统
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
CN114387516A (zh) * 2022-01-07 2022-04-22 宁波大学 一种针对复杂地形环境下中小田块的单季稻sar识别方法
CN114943696A (zh) * 2022-05-13 2022-08-26 南方海洋科学与工程广东省实验室(广州) 基于遥感影像的海洋环境变化监测方法、装置及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170374323A1 (en) * 2015-01-11 2017-12-28 A.A.A Taranis Visual Ltd Systems and methods for agricultural monitoring
CN109345555A (zh) * 2018-10-15 2019-02-15 中科卫星应用德清研究院 基于多时相多源遥感数据进行水稻识别的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170374323A1 (en) * 2015-01-11 2017-12-28 A.A.A Taranis Visual Ltd Systems and methods for agricultural monitoring
CN109345555A (zh) * 2018-10-15 2019-02-15 中科卫星应用德清研究院 基于多时相多源遥感数据进行水稻识别的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MO WANG等: "Mapping Paddy Rice UsingWeakly Supervised Long Short-Term Memory Network with Time Series Sentinel Optical and SAR Images", 《AGRICULTURE》, vol. 10, pages 1 - 19 *
RONGKUN ZHAO等: "Mapping Paddy Rice with Satellite Remote Sensing: A Review", 《SUSTAINABILITY》, vol. 13, pages 1 - 20 *
解毅等: "基于多源遥感数据融合和LSTM算法的作物分类研究", 《农业工程学报》, vol. 35, no. 15, pages 129 - 137 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378766A (zh) * 2021-06-25 2021-09-10 南通大学 一种基于合成孔径雷达的海上大规模风力发电站监测系统
CN114031147A (zh) * 2021-11-02 2022-02-11 航天环保(北京)有限公司 利用波裂解纳米材料提升水质的方法及系统
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
CN114202691B (zh) * 2021-12-09 2022-10-04 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
CN114387516A (zh) * 2022-01-07 2022-04-22 宁波大学 一种针对复杂地形环境下中小田块的单季稻sar识别方法
CN114387516B (zh) * 2022-01-07 2022-08-16 宁波大学 一种针对复杂地形环境下中小田块的单季稻sar识别方法
CN114943696A (zh) * 2022-05-13 2022-08-26 南方海洋科学与工程广东省实验室(广州) 基于遥感影像的海洋环境变化监测方法、装置及介质

Similar Documents

Publication Publication Date Title
Zheng et al. Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery
Zhou et al. Long-short-term-memory-based crop classification using high-resolution optical images and multi-temporal SAR data
CN108921885B (zh) 一种综合三类数据源联合反演森林地上生物量的方法
CN112836725A (zh) 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法
Liu et al. Large-scale crop mapping from multisource remote sensing images in google earth engine
Halme et al. Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest
CN112183209B (zh) 一种基于多维特征融合的区域农作物分类方法及系统
Sharifi Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images
CN112348812B (zh) 林分年龄信息测量方法及装置
CN110363246B (zh) 一种高时空分辨率植被指数ndvi的融合方法
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
CN105608293A (zh) 融合光谱与纹理特征的森林地上生物量反演方法及系统
Kordi et al. Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images
CN112285710B (zh) 一种多源遥感水库蓄水量估算方法与装置
CN113128401B (zh) 基于光学和雷达遥感数据的区域实际灌溉面积监测方法
CN114529097B (zh) 多尺度农作物物候期遥感降维预测方法
CN114821362A (zh) 一种基于多源数据的水稻种植面积提取方法
Pang et al. Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery
WO2023197496A1 (zh) 一种机采棉脱叶效果综合评价指标监测与评价方法及系统
CN114219847A (zh) 基于物候特征的作物种植面积确定方法、系统及存储介质
CN116645603A (zh) 一种大豆种植区识别和面积测算方法
Lou et al. An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data
CN113534083B (zh) 基于sar的玉米留茬方式识别方法、装置和介质
CN113205014B (zh) 一种基于图像锐化的时序数据耕地提取方法
CN116863341B (zh) 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

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