CN113534083B - 基于sar的玉米留茬方式识别方法、装置和介质 - Google Patents
基于sar的玉米留茬方式识别方法、装置和介质 Download PDFInfo
- Publication number
- CN113534083B CN113534083B CN202110605154.3A CN202110605154A CN113534083B CN 113534083 B CN113534083 B CN 113534083B CN 202110605154 A CN202110605154 A CN 202110605154A CN 113534083 B CN113534083 B CN 113534083B
- Authority
- CN
- China
- Prior art keywords
- stubble
- backscattering
- sar
- leaving
- scattering
- 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.)
- Active
Links
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 57
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 57
- 235000005822 corn Nutrition 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 29
- 240000008042 Zea mays Species 0.000 title claims description 55
- 239000002689 soil Substances 0.000 claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 239000000178 monomer Substances 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 230000010287 polarization Effects 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000012567 pattern recognition method Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 101000794020 Homo sapiens Bromodomain-containing protein 8 Proteins 0.000 claims description 3
- 101001006782 Homo sapiens Kinesin-associated protein 3 Proteins 0.000 claims description 3
- 101000615355 Homo sapiens Small acidic protein Proteins 0.000 claims description 3
- WGKGADVPRVLHHZ-ZHRMCQFGSA-N N-[(1R,2R,3S)-2-hydroxy-3-phenoxazin-10-ylcyclohexyl]-4-(trifluoromethoxy)benzenesulfonamide Chemical compound O[C@H]1[C@@H](CCC[C@@H]1N1C2=CC=CC=C2OC2=C1C=CC=C2)NS(=O)(=O)C1=CC=C(OC(F)(F)F)C=C1 WGKGADVPRVLHHZ-ZHRMCQFGSA-N 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 102100021255 Small acidic protein Human genes 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000000926 separation method Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 241000209149 Zea Species 0.000 abstract 2
- 238000012544 monitoring process Methods 0.000 description 8
- 235000014443 Pyrus communis Nutrition 0.000 description 6
- 241000220324 Pyrus Species 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 240000001987 Pyrus communis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000007103 stamina Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于SAR的玉米留茬方式识别方法、装置和介质，该方法包括：获取作业区Sentinel‑1SAR数据，计算作业区的总体后向散射系数；基于稀疏留茬地表结构数学表达，构建适用于留茬散射特性分析的单体散射模型，分析留茬后向散射特性；构建留茬区总散射模型，并生成留茬后向散射系数分离算法，从所述总体后向散射系数去除土壤散射贡献，分离留茬后向散射系数；针对所述留茬方式及其散射特性，构建新型雷达指数，结合留茬层后向散射系数、SAR纹理等特征构建留茬识别特征，并优选特征形成识别特征集；基于深度学习框架设计1D CNN神经网络结构，实现作业区玉米留茬方式的识别。本发明将为大范围留茬识别信息的提取提供高精度低样本的技术。
Description
技术领域
本发明涉及农业信息化技术领域，尤其涉及一种基于SAR的玉米留茬方式识别方法、装置和介质。
背景技术
留茬免耕作为保护性耕作技术的关键技术之一，能够有效减少水土流失，降低土壤表面风蚀和水蚀的影响，有助于改善土壤质量，增加土壤有机质含量。不同留茬方式对土地保护的效果有一定差异，其所适用的区域也不尽相同。因此，快速、准确地获取留茬方式的分布状况为及时准确了解保护性耕作实施情况及评估提供数据基础。由于遥感技术能为农业监测快速有效地提供大面积信息，因此，近年来国内外学者也积极应用遥感技术进行留茬的监测。
研究者首先利用光学遥感数据，所用数据源涵盖了光学遥感卫星数据、地面高光谱数据和先进星载热发射和反射辐射仪(ASTER)等。在光学遥感中，作物留茬的光谱特性易受作物类型、品种、水分含量和纤维素含量等多种因素的影响。因此，国内外学者在研究留茬光谱特性的同时，还尝试构建各种留茬监测指数进行作物留茬监测。然而，光学遥感指数容易收到土壤水分、地物阴影等因素的影响，且光学遥感数据在云、雨、雪、雾等天气下存在数据获取困难、数据质量不佳、高覆盖区域信号饱和等问题，限制了其在留茬监测应用中的发展。
合成孔径雷达(Synthetic Aperture Radar，SAR)遥感技术是一种主动发射信号的遥感技术，不受云、雨、雾等天气影响，能够为留茬信息提取提供全天候、全天时遥感信息。此外，SAR对农作物的几何结构和介电性能敏感，为留茬方式的识别提供了新的契机。目前，已有研究利用留茬的光谱特征或后向散射系数或二者特征简单的叠加融合与留茬类型的相关关系进行作物留茬的监测。但这些方法容易受到土壤湿度、土壤粗糙度等土壤因素的影响，其监测结果存在一定的误差。因此，如何去除不同土壤特性对留茬监测的影响、并借助光学遥感数据从散射模型机理出发分离出玉米留茬对SAR后向散射系数的贡献进而实现特定留茬方式识别是一个亟待解决的问题。
发明内容
为解决现有的技术存在如下问题：光学遥感留茬数据获取存在障碍，SAR遥感数据精度不够，且简单利用留茬的光谱特征或后向散射系数或二者特征简单的叠加融合与留茬类型的相关关系进行识别容易受到土壤因素的影响，其监测结果存在一定的误差。
本发明提供一种基于SAR的玉米留茬方式识别方法、装置和存储介质，用以解决现有技术中的部分问题。
具体地，本发明实施例提供了以下技术方案：
第一方面，本发明实施例提供一种基于SAR的玉米留茬方式识别方法，包括：
根据星载SAR遥感数据，获取作业区的总体后向散射系数；
基于稀疏留茬地表结构数学表达，构建适用于留茬散射特性分析的单体散射模型，以分析留茬后向散射特性；
构建留茬覆盖区总后向散射模型，从所述作业区的总体后向散射系数去除土壤散射贡献，分离出留茬后向散射系数；
根据总后向散射量与留茬方式之间的关系，构建新型雷达指数，结合留茬层散射贡献和SAR纹理，组成留茬方式的识别特征集，并对识别特征集进行特征优选；
基于深度学习框架设计1D CNN神经网络结构，使用经训练的1D CNN神经网络模型对留茬方式进行识别，从而得到整个作业区留茬方式的分布信息。
进一步地，基于稀疏留茬地表结构数学表达，构建适用于留茬散射特性分析的单体散射模型，分析留茬后向散射特性，包括：
将稀疏留茬地表近似为周期信号，将玉米留茬分为两部分：玉米秆茬、地面覆盖的玉米叶片，其中，将玉米秆茬近似为细长的圆柱体，地表覆盖玉米叶片按面积近似为若干随机分布的介电椭圆片，进而建立单散射体散射模型，分析不同玉米留茬方式下留茬微波后向散射特性。
进一步地，根据下式确定留茬的后向散射系数：
其中，和/>分别表示雷达接收的总后向散射、留茬层后向散射总量和土壤下垫面的直接后向散射；p，q表示为雷达波极化形式：水平极化H或垂直极化V；λ是电磁波穿过覆盖层的衰减系数；fresidue为留茬覆盖度，所述留茬覆盖度满足如下：
其中，NDTImin、NDTImax分别为完全裸土与完全覆盖情况下研究区域的NDTI值。
进一步地，根据总后向散射量与留茬方式之间的关系，构建新型雷达指数，结合玉米留茬散射贡献和SAR纹理，组成留茬方式识别特征集并进行特征优选，包括：
通过灰度共生矩阵获取SAR影像两种极化共得20个纹理特征，并根据主成分分析进行特征降维，选取前六个特征加入识别特征集；
通过SAR影像VH、VV极化的后向散射系数构建雷达指数RI1、RI2、FRI：
FRI＝NDRI*(RI2+α)；
其中，NDRI为归一化留茬指数；α作为调制系数，决定了FRI中NDRI和RI2信息的比例；
结合玉米留茬层后向散射系数、纹理信息和新型雷达指数，组成识别特征集，并使用J-M距离(Jeffries-Matusita distance)进行特征优选。
进一步地，所述方法还包括：构建和训练CNN神经网络模型。
进一步地，所述根据星载SAR遥感数据，获取作业区的总体后向散射系数，包括：
将SAR遥感数据进行辐射定标、斑点噪声滤波和/或地形校正的预处理操作得到所述作业区的总体后向散射系数。
进一步地，在留茬后向散射系数确定方法中，其中裸土直接后向散射系数可根据高级积分方程模型(Advance Integrated Equation Model，AIEM)计算得到：
式中，p、q代表H或V极化，σpq为pq极化下的后向散射系数；k为波数；S为均方根高度；Wn是表面相关函数的傅立叶变换，与极化方式、均方根高度和相关长度相关；是菲尼尔反射系数，受土壤水分和入射角影响；β为入射角。其中，土壤水分、土壤粗糙度数据可由SMAP土壤产品经原始投影格式、拼接、重采样等预处理后提取得到。
进一步地，归一化耕地指数NDTI与归一化留茬指数NDRI满足如下：
其中，B4为红波段；B11、B12为短波红外波段。
第二方面，本发明实施例提供了一种基于SAR的玉米留茬方式识别装置，包括：
总体后向散射系数获取模块，用于根据星载SAR遥感数据，获取作业区的总体后向散射系数；
留茬后向散射特性分析模块，用于基于稀疏留茬地表结构数学表达，构建适用于留茬散射特性分析的单体散射模型，以分析留茬后向散射特性；
留茬后向散射系数确定模块，用于构建留茬覆盖区总后向散射模型，从所述作业区的总体后向散射系数去除土壤散射贡献，分离出留茬后向散射系数；
构建与优选识别特征集模块，用于根据总后向散射量与留茬方式之间的关系，构建新型雷达指数，结合留茬层散射贡献和SAR纹理，组成留茬方式的识别特征集，并对识别特征集进行特征优选；
留茬方式识别模块，用于基于深度学习框架设计1D CNN神经网络结构，使用经训练的1D CNN神经网络模型，对留茬方式进行识别，从而得到整个作业区留茬方式的分布信息。
第三方面，本发明实施例提供了一种基于SAR的玉米留茬方式识别装置，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第一方面所述基于SAR的玉米留茬方式识别方法的步骤。
第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述基于SAR的玉米留茬方式识别方法的步骤。
本发明提供一种基于SAR的玉米留茬方式识别方法、装置和介质，该方法包括：获取作业区Sentinel-1SAR数据，计算作业区的总体后向散射系数；基于稀疏留茬地表结构数学表达，构建适用于留茬散射特性分析的单体散射模型，分析留茬后向散射特性；构建留茬区总散射模型，并生成留茬后向散射系数分离算法，从所述总体后向散射系数去除土壤散射贡献，分离留茬后向散射系数；针对所述留茬方式及其散射特性，构建新型雷达指数，结合留茬层后向散射系数、SAR纹理等特征构建留茬识别特征，并优选特征形成识别特征集；基于深度学习框架设计1D CNN神经网络结构，使用训练后的1D CNN神经网络模型实现作业区玉米留茬方式的识别。本发明将为大范围留茬识别信息的提取提供高精度低样本的技术。
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。
图1是本发明一实施例提供的基于SAR的玉米留茬方式识别方法的流程图之一；
图2是本发明一实施例提供的基于SAR的玉米留茬方式识别方法的流程图之二；
图3是本发明一实施例的分离土壤散射贡献前、后的后向散射系数变化图；
图4是本发明一实施例中设计的1D CNN神经网络结构图；
图5是本发明一实施例提供的基于SAR的留茬方式识别装置的结构示意图之一；
图6是本发明一实施例提供的基于SAR的留茬方式识别装置的结构示意图之二。
具体实施方式
为了更清楚地描述本发明实施例的目的、技术方案和优点，下面将结合实施例，对本发明做进一步详细地介绍。以下实施例用于说明本发明，但不用来限制本发明的适用范围。在没有作出创造性劳动前提下，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
下面以吉林省四平市梨树县为例进一步阐述本发明的技术方案。参见图1和图2，本发明基于SAR的玉米留茬方式识别方法流程示意图。
如图1所示，本发明基于SAR的玉米留茬方式识别方法包括：
步骤110：根据星载SAR遥感数据，获取作业区的总体后向散射系数。
根据留茬方式识别的需求选定作业区，获取作业区范围内玉米收割后的Sentinel-1Level-1地距(Ground range detected，GRD)SAR影像。
选择吉林省四平市梨树县玉米种植区作为留茬监测的作业区。梨树县位于东北平原中部，地势平坦、农业基础雄厚、自然资源丰富、地域性差异明显。作为保护性耕作重点推广县，其留茬方式多种多样。获取数据如下：通过ESA的数据中心获取梨树县2019年10月28日的Sentinel-1SAR数据，经过轨道、辐射校正和地形校正等完成数据的预处理。
步骤120：基于稀疏留茬地表结构数学表达，构建适用于留茬散射特性分析的单体散射模型，以分析留茬后向散射特性；
基于稀疏留茬地表结构数学表达，构建适用于留茬的单体散射模型，分析留茬后向散射特性，包括：
将稀疏留茬地表近似为周期信号。将玉米留茬分为两部分：玉米秆茬、地面覆盖的玉米叶片。其中，将玉米秆茬近似为细长的圆柱体，地表覆盖玉米叶片按面积近似为若干随机分布的介电椭圆片，进而建立单散射体散射模型，分析不同玉米留茬方式下留茬微波后向散射特性。
步骤130：构建留茬覆盖区总后向散射模型，从所述作业区的总体后向散射系数去除土壤散射贡献，分离出留茬后向散射系数；
构建留茬覆盖区总后向散射模型，将所述作业区的总体后向散射系数分解为土壤散射贡献和留茬散射贡献，进而去除土壤散射影响，分离获取留茬的后向散射系数，包括根据下式确定留茬的后向散射系数：
其中，和/>分别表示雷达接收的总后向散射、留茬层后向散射总量和土壤下垫面的直接后向散射；p，q表示为雷达波极化形式：水平极化H或垂直极化V；λ是电磁波穿过覆盖层的衰减系数；fresidue为留茬覆盖度，可根据下式确定：
其中，NDTImin、NDTImax分别为完全裸土与完全覆盖情况下研究区域的NDTI值。
图3是分离土壤散射贡献前、后的后向散射系数变化图。
步骤140：根据总后向散射量与留茬方式之间的关系，构建新型雷达指数，结合留茬层散射贡献和SAR纹理，组成留茬方式的识别特征集，并对识别特征集进行特征优选；
根据总后向散射量与留茬方式之间的关系，构建新型雷达指数，结合玉米留茬散射贡献、SAR纹理等特征组成留茬方式识别特征集并进行特征优选，包括：
通过灰度共生矩阵获取S-1影像两种极化共得20个纹理特征，并根据主成分分析进行特征降维，选取前六个特征加入识别特征集；
通过S-1影像VH、VV极化的后向散射系数构建雷达指数RI1、RI2、FRI：
FRI＝NDRI*(RI2+α)；
其中，NDRI为归一化留茬指数；α作为调制系数，决定了FRI中NDRI和RI2信息的比例。
结合玉米留茬层后向散射系数、纹理信息、新型雷达指数等特征组成识别特征集，并使用J-M距离(Jeffries-Matusita distance)进行特征优选，比较不同特征组合下训练样本间的可分离性，选择J-M距离在1.8以上，且变量个数较少的特征组合作为优选后特征集，即作为留茬方式识别特征集。
在一个示例中，根据Sentinel-2卫星的光学遥感数据，进行大气校正后提取得到归一化耕地指数NDTI与归一化留茬指数NDRI。
通过ESA的数据中心获取梨树县2019年10月26日的Sentinel-2光学数据，经过大气校正完成数据的预处理，并提取归一化耕地指数NDTI和归一化留茬指数NDRI，所述归一化耕地指数与归一化留茬指数满足如下：
其中，B4为红波段；B11、B12为短波红外波段。
在一个示例中，在留茬后向散射系数确定方法中，其中裸土直接后向散射可根据高级积分方程模型(Advance Integrated Equation Model，AIEM)计算得到：
式中，p、q代表H或V极化，σpq为pq极化下的后向散射系数；k为波数；S为均方根高度；Wn是表面相关函数的傅立叶变换，与极化方式、均方根高度和相关长度相关；是菲尼尔反射系数，受土壤水分和入射角影响；β为入射角。其中，土壤水分、土壤粗糙度数据可由SMAP土壤产品经原始投影格式、拼接、重采样等预处理后提取得到。
步骤150：基于深度学习框架设计1D CNN神经网络结构，使用经训练的1D CNN神经网络模型对留茬方式进行识别，从而得到整个作业区留茬方式的分布信息。
所述方法还包括：构建和训练1D CNN神经网络模型。
使用深度学习框架设计1D CNN神经网络结构，将样本数据载入神经网络中进行自动学习、调参、并优化模型；
在梨树的案例中，使用TensorFlow深度学习框架，采用我们自己设计的1D CNN神经网络结构，见图4；
将步骤140中优选后的特征数据集载入优化后的1D CNN神经网络模型对每个未知的SAR像素逐像素识别，进而完成所述作业区玉米留茬方式的识别。
图5是本发明实施例提供的一种基于SAR的留茬方式识别装置的结构示意图，如图5所示，该基于SAR的留茬方式识别装置包括：
总体后向散射系数获取模块，用于根据星载SAR遥感数据，获取作业区的总体后向散射系数；
留茬后向散射特性分析模块，用于基于稀疏留茬地表结构数学表达，构建适用于留茬散射特性分析的单体散射模型，以分析留茬后向散射特性；
留茬后向散射系数确定模块，用于构建留茬覆盖区总后向散射模型，从所述作业区的总体后向散射系数去除土壤散射贡献，分离出留茬后向散射系数；
构建与优选识别特征集模块，用于根据总后向散射量与留茬方式之间的关系，构建新型雷达指数，结合留茬层散射贡献和SAR纹理，组成留茬方式的识别特征集，并对识别特征集进行特征优选；
留茬方式识别模块，用于基于深度学习框架设计1D CNN神经网络，使用经训练的1D CNN神经网络模型，对留茬方式进行识别，从而得到整个作业区留茬方式的分布信息。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例还提供的一种基于SAR的玉米留茬方式识别装置(电子设备)，图6是装置的结构示意图，如图6所示，该装置可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信。该方法包括：
根据星载SAR遥感数据，获取作业区的总体后向散射系数；
基于稀疏留茬地表结构数学表达，构建适用于留茬散射特性分析的单体散射模型，以分析留茬后向散射特性；
构建留茬覆盖区总后向散射模型，从所述作业区的总体后向散射系数去除土壤散射贡献，分离出留茬后向散射系数；
根据总后向散射量与留茬方式之间的关系，构建新型雷达指数，结合留茬层散射贡献和SAR纹理，组成留茬方式的识别特征集，并对识别特征集进行特征优选；
基于深度学习框架设计1D CNN神经网络结构，使用经训练的1D CNN神经网络模型，对留茬方式进行识别，从而得到整个作业区留茬方式的分布信息。
另一方面，本发明一实施例还提供的一种非暂态计算机可读存储介质，且其存储有计算机程序。该计算机程序被处理器执行时实现以执行上述各实施例提供的基于SAR的留茬方式识别方法，该方法包括：
根据星载SAR遥感数据，获取作业区的总体后向散射系数；
基于稀疏留茬地表结构数学表达，构建适用于留茬散射特性分析的单体散射模型，以分析留茬后向散射特性；
构建留茬覆盖区总后向散射模型，从所述作业区的总体后向散射系数去除土壤散射贡献，分离出留茬后向散射系数；
根据总后向散射量与留茬方式之间的关系，构建新型雷达指数，结合留茬层散射贡献和SAR纹理，组成留茬方式的识别特征集，并对识别特征集进行特征优选；
基于深度学习框架设计1D CNN神经网络结构，使用经训练的1D CNN神经网络模型，对留茬方式进行识别，从而得到整个作业区留茬方式的分布信息。
以上所描述的装置实施例仅仅是示意性的，可以根据实际应用的需求选择部分或者全部的模块来实现。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。
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。
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。
Claims (10)
1.一种基于SAR的玉米留茬方式识别方法，其特征在于，包括：
根据星载SAR遥感数据，获取作业区的总体后向散射系数；
基于稀疏留茬地表结构数学表达，构建适用于留茬散射特性分析的单体散射模型，以分析留茬后向散射特性；
构建留茬覆盖区总后向散射模型，从所述作业区的总体后向散射系数去除土壤散射贡献，分离出留茬后向散射系数；
其中，留茬后向散射系数满足如下：
其中，和/>分别表示雷达接收的总后向散射、留茬后向散射系数和土壤下垫面的直接后向散射；p，q表示为雷达波极化形式：水平极化H或垂直极化V；λ是电磁波穿过覆盖层的衰减系数；fresidue为留茬覆盖度，所述留茬覆盖度满足如下：
其中，NDTImin、NDTImax分别为完全裸土与完全覆盖情况下研究区域的NDTI值；NDTI为归一化耕地指数，NDTI值根据光学遥感数据进行大气校正后提取得到，NDTI值满足如下：
其中，B11、B12为短波红外波段；
根据总后向散射量与留茬方式之间的关系，构建新型雷达指数，结合留茬层散射贡献和SAR纹理，组成留茬方式的识别特征集，并对识别特征集进行特征优选；
基于深度学习框架设计1D CNN神经网络结构，将优选后的特征数据集载入经训练的1DCNN神经网络模型对留茬方式进行识别，从而得到整个作业区留茬方式的分布信息。
2.根据权利要求1所述的基于SAR的玉米留茬方式识别方法，其特征在于，基于稀疏留茬地表结构数学表达，构建适用于留茬散射特性分析的单体散射模型，分析留茬后向散射特性，包括：
将稀疏留茬地表近似为周期信号，将玉米留茬分为两部分：玉米秆茬、地面覆盖的玉米叶片，其中，将玉米秆茬近似为细长的圆柱体，地表覆盖玉米叶片按面积近似为若干随机分布的介电椭圆片，进而建立单散射体散射模型，分析不同玉米留茬方式下留茬微波后向散射特性。
3.根据权利要求1所述的基于SAR的玉米留茬方式识别方法，其特征在于，根据总后向散射量与留茬方式之间的关系，构建新型雷达指数，结合玉米留茬散射贡献和SAR纹理，组成留茬方式识别特征集并进行特征优选，包括：
通过灰度共生矩阵获取SAR影像两种极化共得20个纹理特征，并根据主成分分析进行特征降维，选取20个纹理特征降维后的前六个特征加入识别特征集；
通过SAR影像VH、VV极化的后向散射系数构建雷达指数RI1、RI2、FRI：
FRI＝NDRI*(RI2+α)；
其中，NDRI为归一化留茬指数；α作为调制系数，决定了FRI中NDRI和RI2信息的比例；
结合玉米留茬层后向散射系数、纹理信息和新型雷达指数，组成识别特征集，并使用J-M距离进行特征优选。
4.根据权利要求1所述的基于SAR的玉米留茬方式识别方法，其特征在于，所述方法还包括：构建和训练1D CNN神经网络模型。
5.根据权利要求1所述的基于SAR的玉米留茬方式识别方法，其特征在于，所述根据星载SAR遥感数据，获取作业区的总体后向散射系数，包括：
将SAR遥感数据进行辐射定标、斑点噪声滤波和/或地形校正的预处理操作得到所述作业区的总体后向散射系数。
6.根据权利要求1所述的基于SAR的玉米留茬方式识别方法，其特征在于，在留茬后向散射系数确定方法中，其中裸土直接后向散射系数可根据高级积分方程模型计算得到：
式中，p、q代表H或V极化，σpq为pq极化下的后向散射系数；k为波数；S为均方根高度；Wn是表面相关函数的傅立叶变换，与极化方式、均方根高度和相关长度相关；是菲尼尔反射系数，受土壤水分和入射角影响；β为入射角，其中，土壤水分、土壤粗糙度数据可由SMAP土壤产品经原始投影格式、拼接和重采样预处理后提取得到。
7.根据权利要求3所述的基于SAR的玉米留茬方式识别方法，其特征在于，归一化留茬指数NDRI根据光学遥感数据进行大气校正后提取得到，满足如下：
其中，B4为红波段。
8.一种基于SAR的玉米留茬方式识别装置，其特征在于，包括：
总体后向散射系数获取模块，用于根据星载SAR遥感数据，获取作业区的总体后向散射系数；
留茬后向散射特性分析模块，用于基于稀疏留茬地表结构数学表达，构建适用于留茬散射特性分析的单体散射模型，以分析留茬后向散射特性；
留茬后向散射系数确定模块，用于构建留茬覆盖区总后向散射模型，从所述作业区的总体后向散射系数去除土壤散射贡献，分离出留茬后向散射系数；
其中，留茬后向散射系数满足如下：
其中，和/>分别表示雷达接收的总后向散射、留茬后向散射系数和土壤下垫面的直接后向散射；p，q表示为雷达波极化形式：水平极化H或垂直极化V；λ是电磁波穿过覆盖层的衰减系数；fresidue为留茬覆盖度，所述留茬覆盖度满足如下：
其中，NDTImin、NDTImax分别为完全裸土与完全覆盖情况下研究区域的NDTI值；NDTI为归一化耕地指数，NDTI值根据光学遥感数据进行大气校正后提取得到，NDTI值满足如下：
其中，B11、B12为短波红外波段；
构建与优选识别特征集模块，用于根据总后向散射量与留茬方式之间的关系，构建新型雷达指数，结合留茬层散射贡献和SAR纹理，组成留茬方式的识别特征集，并对识别特征集进行特征优选；
留茬方式识别模块，用于基于深度学习框架设计1D CNN神经网络，将优选后的特征数据集载入经训练的1D CNN神经网络模型对留茬方式进行识别，从而得到整个作业区留茬方式的分布信息。
9.一种基于SAR的玉米留茬方式识别装置，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，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7任一项所述基于SAR的玉米留茬方式识别方法的步骤。
10.一种非暂态计算机可读存储介质，其存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于SAR的玉米留茬方式识别方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2021105656074 | 2021-05-24 | ||
| CN202110565607 | 2021-05-24 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113534083A CN113534083A (zh) | 2021-10-22 |
| CN113534083B true CN113534083B (zh) | 2023-08-08 |
Family
ID=78124511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110605154.3A Active CN113534083B (zh) | 2021-05-24 | 2021-05-31 | 基于sar的玉米留茬方式识别方法、装置和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113534083B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114720984B (zh) * | 2022-03-08 | 2023-04-25 | 电子科技大学 | 一种面向稀疏采样与观测不准确的sar成像方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700110A (zh) * | 2015-04-03 | 2015-06-10 | 电子科技大学 | 一种基于全极化sar图像的植被覆盖信息提取方法 |
| CN112418016A (zh) * | 2020-11-09 | 2021-02-26 | 中国农业大学 | 基于sar的灌溉信息提取方法及装置 |
| CN112711989A (zh) * | 2020-12-15 | 2021-04-27 | 中国农业大学 | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3698167A4 (en) * | 2017-11-22 | 2021-11-17 | Urthecast Corp. | SYNTHETIC OPENING RADAR FORMING APPARATUS AND ASSOCIATED PROCESSES |
-
2021
- 2021-05-31 CN CN202110605154.3A patent/CN113534083B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700110A (zh) * | 2015-04-03 | 2015-06-10 | 电子科技大学 | 一种基于全极化sar图像的植被覆盖信息提取方法 |
| CN112418016A (zh) * | 2020-11-09 | 2021-02-26 | 中国农业大学 | 基于sar的灌溉信息提取方法及装置 |
| CN112711989A (zh) * | 2020-12-15 | 2021-04-27 | 中国农业大学 | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于Sentinel-1A 的东北地区作物留茬区监测研究;孔庆玲 等;《农业机械学报》;第48卷;284-289 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113534083A (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Betbeder et al. | Assimilation of LAI and dry biomass data from optical and SAR images into an agro-meteorological model to estimate soybean yield | |
| CN105004320B (zh) | 一种高分卫星数据陆表植被覆盖度反演方法及系统 | |
| CN112711989B (zh) | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 | |
| CN114387516B (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
| CN106501186B (zh) | 一种土壤含水量产品降尺度方法 | |
| CN113836779A (zh) | 一种基于CNN的Sentinel多源数据的农田地表土壤水分反演方法 | |
| CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
| CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
| CN118072178B (zh) | 基于分类后百分比数据同化的玉米产量估算方法及系统 | |
| 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 | |
| CN111783288A (zh) | 基于Landsat8对黄河三角洲土壤盐分的反演方法 | |
| Shi et al. | Estimation of sugarcane yield by assimilating UAV and ground measurements via ensemble Kalman filter | |
| CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
| CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
| CN112418016A (zh) | 基于sar的灌溉信息提取方法及装置 | |
| Senyurek et al. | Fusion of reflected GPS signals with multispectral imagery to estimate soil moisture at subfield scale from small UAS platforms | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| Guo et al. | Estimating aboveground biomass of alpine grassland during the wilting period using in situ hyperspectral, Sentinel-2 and Sentinel-1 data | |
| CN111597692A (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
| CN117871550A (zh) | 一种大面积农田灌溉监测方法、系统及电子设备 | |
| Zhang et al. | Improving maize residue cover estimation with the combined use of optical and SAR remote sensing images | |
| CN115496999A (zh) | 田间立地秸秆产量估计方法及装置 | |
| CN115876721A (zh) | 一种农作物分类方法、系统、介质、计算机设备及终端 | |
| Yadav et al. | A realistic framework of GNSS-T for simulating scattering and propagation of GNSS signals under a forest canopy | |
| CN117907248B (zh) | 一种冬小麦关键生育期根系土壤含水量遥感监测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |