CN114332546B

CN114332546B - 一种物候匹配策略的大尺度迁移学习作物分类方法及系统

Info

Publication number: CN114332546B
Application number: CN202210262394.2A
Authority: CN
Inventors: 刘文达; 梁治华; 丁志平
Original assignee: Beijing Aisi Times Technology Co ltd
Current assignee: Beijing Aisi Times Technology Co ltd
Priority date: 2022-03-17
Filing date: 2022-03-17
Publication date: 2022-06-03
Anticipated expiration: 2042-03-17
Also published as: CN114332546A

Abstract

本申请涉及数据识别技术领域，提供了一种物候匹配策略的大尺度迁移学习作物分类方法、系统、计算机可读存储介质和电子设备。该方法包括：分别对重构后的迁移学习区的时序数据、重构后的目标区域的时序数据进行物候特征提取，对应得到迁移学习区的物候特征、目标区域的物候特征；根据迁移学习区的物候特征、目标区域的物候特征，确定迁移学习区与目标区域之间的作物物候匹配关系；基于迁移学习区与目标区域之间的作物物候匹配关系，提取迁移学习区的训练数据集，以训练物候匹配的作物分类模型，并基于物候匹配的作物分类模型对目标区域的作物进行分类。如此，使目标区域能够迅速得到可用的作物分类预测结果。

Description

一种物候匹配策略的大尺度迁移学习作物分类方法及系统

技术领域

本申请涉及数据识别技术领域，特别涉及一种物候匹配策略的大尺度迁移学习作物分类方法、系统、计算机可读存储介质和电子设备。

背景技术

随着技术的发展，迁移学习在越来越多领域得到广泛应用。在农作物分类识别领域，现有技术中，由于迁移学习区与目标区域的作物的生长进程具有明显差异，可能导致训练得到的作物分类模型迁移到目标区域后，分类精度较低，无法满足实际应用需求。

因此，需要提供一种针对上述现有技术不足的改进技术方案。

发明内容

本申请的目的在于提供一种物候匹配策略的大尺度迁移学习作物分类方法、系统、计算机可读存储介质和电子设备，以解决或缓解上述现有技术中存在的问题。

为了实现上述目的，本申请提供如下技术方案：

本申请提供了一种物候匹配策略的大尺度迁移学习作物分类方法，包括：

分别对重构后的迁移学习区的时序数据、重构后的目标区域的时序数据进行物候特征提取，对应得到所述迁移学习区的物候特征、所述目标区域的物候特征；

根据所述迁移学习区的物候特征、所述目标区域的物候特征，确定所述迁移学习区与所述目标区域之间的作物物候匹配关系；

基于所述迁移学习区与所述目标区域之间的作物物候匹配关系，提取所述迁移学习区的训练数据集，以训练物候匹配的作物分类模型，并基于所述物候匹配的作物分类模型对所述目标区域的作物进行分类。

优选地，所述重构后的所述迁移学习区的时序数据、所述重构后的所述目标区域的时序数据通过以下步骤得到：

分别对所述迁移学习区的时序数据和所述目标区域的时序数据进行异常点检测、插值和滤波处理，对应得到重构后的所述迁移学习区的时序数据，以及，重构后的所述目标区域的时序数据。

优选地，所述分别对所述重构后的所述迁移学习区的时序数据、所述重构后的所述目标区域的时序数据进行物候特征提取，对应得到所述迁移学习区的物候特征、所述目标区域的物候特征，具体为：

按照预设的物候特征提取规则，分别对所述重构后的所述迁移学习区的时序数据、所述重构后的所述目标区域的时序数据进行逐像元计算，对应得到所述迁移学习区的每一个像元的物候特征、所述目标区域的每一个像元的物候特征；

分别对所述迁移学习区的每一个像元的物候特征、所述目标区域的每一个像元的物候特征进行合成处理，对应得到所述迁移学习区的物候特征、所述目标区域的物候特征。

优选地，所述分别对所述迁移学习区的每一个像元的物候特征、所述目标区域的每一个像元的物候特征进行合成处理，对应得到所述迁移学习区的物候特征、所述目标区域的物候特征，具体为：

分别提取所述迁移学习区的每一个像元的物候特征的众数、所述目标区域的每一个像元的物候特征的众数，对应得到所述迁移学习区的物候特征、所述目标区域的物候特征。

优选地，所述根据所述迁移学习区的物候特征、所述目标区域的物候特征，确定所述迁移学习区与所述目标区域之间的作物物候匹配关系，具体为：

根据所述迁移学习区的物候特征、所述目标区域的物候特征，确定所述迁移学习区与所述目标区域之间的物候时间差；

根据所述迁移学习区与所述目标区域之间的物候时间差，确定所述迁移学习区与所述目标区域之间的作物物候的最佳匹配时间范围；

分别以所述迁移学习区的物候特征对应的时间和所述目标区域的物候特征对应的时间为基准，根据所述迁移学习区与所述目标区域之间的作物物候的最佳匹配时间范围，确定所述迁移学习区与所述目标区域之间的作物物候匹配关系。

优选地，所述基于所述迁移学习区与所述目标区域之间的作物物候特征匹配关系，提取所述迁移学习区的训练数据集，以训练物候匹配的作物分类模型并基于所述物候匹配的作物分类模型对所述目标区域的作物进行分类，具体为：

以所述目标区域的物候特征对应的时间为基准，根据所述迁移学习区与所述目标区域之间的作物物候特征匹配关系，对所述迁移学习区的物候特征进行时间平移，得到所述迁移学习区的作物分类模型的训练数据对应的时间范围；

在所述训练数据对应的时间范围内，提取所述迁移学习区的影像特征，得到所述迁移学习区的训练数据集，以训练物候匹配的作物分类模型并基于所述物候匹配的作物分类模型对所述目标区域的作物进行分类。

优选地，所述迁移学习区的影像特征包括：所述迁移学习区的时序光谱数据和所述迁移学习区的植被指数数据，其中，所述时序光谱数据为所述迁移学习区的遥感数据的光谱波段，所述植被指数数据有多个，所述植被指数数据由对所述时序光谱数据进行波段计算得到；

所述在所述训练数据对应的时间范围内，提取所述迁移学习区的影像特征，以得到所述迁移学习区的训练数据集，具体为：

在所述训练数据对应的时间范围内，提取预先构建的所述迁移学习区的时序光谱数据和植被指数数据，以得到所述迁移学习区的训练数据集。

本申请实施例还提供一种物候匹配策略的大尺度迁移学习作物分类系统，包括：

特征提取单元，配置为：分别对重构后的所述迁移学习区的时序数据、重构后的所述目标区域的时序数据进行物候特征提取，对应得到所述迁移学习区的物候特征、所述目标区域的物候特征；

物候匹配单元，配置为：根据所述迁移学习区的物候特征、所述目标区域的物候特征，确定所述迁移学习区与所述目标区域之间的作物物候匹配关系；

模型训练单元，配置为：基于所述迁移学习区与所述目标区域之间的作物物候匹配关系，提取所述迁移学习区的训练数据集，以训练物候匹配的作物分类模型并基于所述物候匹配的作物分类模型对所述目标区域的作物进行分类。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序为上述任一所述的物候匹配策略的大尺度迁移学习作物分类方法。

本申请实施例还提供一种电子设备，包括：存储器、处理器、以及存在所述存储器中并可在所述处理器上运行的程序，所述处理器执行所述程序时实现如上述任一所述的物候匹配策略的大尺度迁移学习作物分类方法。

有益效果：

本申请中，通过分别对重构后的迁移学习区的时序数据、重构后的目标区域的时序数据进行物候特征提取，对应得到迁移学习区的物候特征、目标区域的物候特征；然后，根据迁移学习区的物候特征、目标区域的物候特征，确定迁移学习区与目标区域之间的作物物候匹配关系；最后，基于迁移学习区与目标区域之间的作物物候匹配关系，提取迁移学习区的训练数据集，以训练物候匹配的作物分类模型并基于物候匹配的作物分类模型对目标区域的作物进行分类。如此，基于迁移学习区与目标区域之间的物候匹配关系，训练得到物候匹配的作物分类模型，并对目标区域进行作物分类，显著提高了作物识别的精度，并且，基于已有的作物分类数据提取训练样本，避免了目标区域在作物分类预测时需要采集和制作大量的实测样本，从而节约了目标区域作物分类与预测所需要的时间、人力和财力，使其能够迅速得到可用的作物预测结果，为快速制图等基于作物分类数据的决策分析提供更优的选择。

本申请中，由于采用基于迁移学习区与目标区域之间的物候匹配关系进行训练数据集的提取，使得物候匹配的作物分类模型具有跨年迁移识别能力，单年训练的模型可以在历史和未来时期进行作物识别预测，且识别精度与单年的作物训练预测模型的精度保持同一水准，同时，基于本申请提供的方法，不需要依据本地训练样本，改进了作物分类模型的训练需要大量人工参与的现状，并且整体的进行作物识别，大大加快了作物分类预测的效率。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。其中：

图1为根据本申请的一些实施例提供的物候匹配策略的大尺度迁移学习作物分类方法的流程示意图；

图2为根据本申请的一些实施例提供的对时序数据重构的流程示意图；

图3为根据本申请的一些实施例提供的对时序数据重构时一个异常点检测的原理示意图；

图4为根据本申请的一些实施例提供的对时序数据重构时两个异常点检测的原理示意图；

图5为根据本申请的一些实施例提供的物候特征匹配的原理示意图；

图6为根据本申请的一些实施例提供的物候匹配策略的大尺度迁移学习作物分类系统的结构示意图；

图7为根据本申请的一些实施例提供的电子设备的结构示意图；

图8为根据本申请的一些实施例提供的电子设备的硬件结构。

具体实施方式

下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上，本领域的技术人员将清楚，在不脱离本申请的范围或精神的情况下，可在本申请中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。

示例性方法

图1为根据本申请的一些实施例提供的物候匹配策略的大尺度迁移学习作物分类方法的流程示意图，如图1所示，该物候匹配策略的大尺度迁移学习作物分类方法包括：

步骤S101、分别对重构后的迁移学习区的时序数据、重构后的目标区域的时序数据进行物候特征提取，对应得到所述迁移学习区的物候特征、所述目标区域的物候特征。

本申请实施例中，迁移学习区为预先选定的地理空间区域，该地理空间区域对应具有针对农作物分类的土地覆盖地图，从土地覆盖地图中可获取该地理空间区域内各种不同作物的种植范围，从而根据不同作物的种植范围提取用于训练作物分类模型的训练样本（训练数据），进而训练得到作物分类模型。目标区域为使用上述训练得到的作物分类模型对作物进行分类的地理空间区域。实际应用中，迁移学习区与目标区域具有一定的地理空间跨度，比如不同的区县、不同城市、不同省份、不同国家、甚至不同大洲。示例性地，迁移学习区可以为选择美国各州，其种植结构与目标区域比较相近，包含农作物类型的土地覆盖地图可以为CDL数据；对应的，目标区域可为我国的一个市、一个省或者包括多个省的区域。

这里，所述作物，既可以包括主要作物，比如玉米、大豆、水稻等，也可以包括其他种植规模比较小的作物，比如燕麦、高粱等。

本发明中，大尺度既可以表示目标区域包含2个或2个以上省级行政区域的地理空间范围，也可以表示迁移学习区与目标区域的地理空间跨度，比如用二者的纬度之差或者经度之差来表示的地理空间跨度。

本申请实施例中，通过对迁移学习区和目标区域的时序遥感影像进行重构，对应得到迁移学习区的时序数据和目标区域的时序数据。这里，时序遥感影像可以是从卫星获取的多个时间段的遥感影像，可以为中分辨率或者高分辨率的多波段遥感影像，比如MODIS的时序遥感影像，其灰度值为地表反射率（Surface Reflection，简称SR）数据，空间分辨率为250米，为中分辨率遥感影像；或者Sentinel-2的时序遥感影像，其灰度值分别为地表反射率（Surface Reflection，简称SR）数据和大气顶层反射率（Top-of-Atmosphere，简称TOA）数据，空间分辨率为10米或者20米，为高分辨率遥感影像。其中，时序对应同一个区域多个时间段，多个时间段之间的时间间隔通过预先设置，比如时间间隔为16天，则每隔16天收集一幅遥感影像，从而以多个时间段对应的遥感影像组成按照时间排序的一系列时序遥感影像。这里，通过对时序遥感影像进行重构得到的时序数据，能够反映大陆、国家、区域长期土地利用、覆盖变化和陆地生态系统的变化。可以理解地，该时序数据可为具体反映陆地生态变化的指标，比如归一化植被指数（Normalized Difference Vegetation Index，简称NDVI）时序数据可以表征陆地表面属性，是反映植被在电磁波普的红光和近红外部分吸收和反射特性的指标，NDVI随时间序列的变化表明植被条件的变化与光合有效辐射的吸收成正比；该时序数据也可以为其他多种反映陆地生态变化的指标，比如NDVI、LSWI（湿度指数）、归一化差分耕作指数（Normalized difference tillage index，简称NDTI）、红边指数（red edge position，REP）中一个或者多个。需要说明的是，以多种指标反映陆地生态变化，当所选取的指标相关度较低时，可以有效改善作物识别的精度。

在一些可选实施例中，所述重构后的所述迁移学习区的时序数据、所述重构后的所述目标区域的时序数据通过以下步骤得到：分别对所述迁移学习区的时序数据和所述目标区域的时序数据进行异常点检测、插值和滤波处理，对应得到重构后的所述迁移学习区的时序数据，以及，重构后的所述目标区域的时序数据。

为了从时序遥感影像中提取准确的物候特征，需要分别对迁移学习区的时序数据和目标区域的时序数据进行异常点检测、插值和滤波处理，以减弱时序遥感影像中云污染和大气变化对时序数据的影响。

由于云污染、大气变化及双向效应的影响，时序遥感影像中的地表反射率不可避免受到残留云的污染，导致根据时序遥感影像得到的时序数据在时间和空间上出现不一致，影响物候特征提取的准确度。为了有效较少云污染和大气变化引起的时序数据的质量污染，保证时序数据遵循固定时间周期（比如1年）内增长和下降的规律，避免云层和恶劣的大气影响导致时序数据在相邻时间节点出现不连续（比如骤然下降），使其符合植被变化的渐进规律，需要基于异常点检测对时序数据进行重构。

图2为根据本申请的一些实施例提供的对时序数据重构的流程示意图，如图2所示，对时序数据重构包括：异常点检测并剔除检测到的异常点、对剔除异常点后的时序数据进行插值、滤波处理，从而得到重构后的时序数据，可选地，在异常点检测之前，可以先对时序数据进行线性插值，以避免单个时间段影像无法完全覆盖研究区的情况导致时序数据在某些时间范围内出现空白的问题。

实际应用中，对时序数据的重构处理分为基于单个异常点检测的重构和基于多个异常点检测的重构两种情况，下面分别就两种情况下的重构步骤进行详细说明。

1、基于单个异常点检测的重构

图3为根据本申请的一些实施例提供的对时序数据重构时一个异常点检测的原理示意图，如图3所示，对迁移学习区的时序数据和目标区域的时序数据中单个异常点检测，按照如下步骤进行：

（1a）根据时序数据的取值，按照公式（1）检测出时序数据中的单个异常点，公式（1）如下：

（1）

式中，t _now为当前点的取值，其中，当前点为时序数据中除首位和末位的点之外的点的集合，t _before为t _now的前一个点的取值，t _after为t _now的后一个点的取值，0.15为预先设定的检测阈值。

按照时间序列遍历时序数据，计算满足公式（1）所表达的条件的点即为异常点。

（2a）将满足公式（1）的异常点在时序数据中剔除。

（3a）对时序数据进行线性插值，以填补剔除异常点后时序数据中出现的空值。

线性插值是指插值函数为一次多项式的插值方式，其在插值节点上的插值误差为零。对于时序数据，对其进行线性插值目的在于数据缺失的替补，相比于最近邻插值，线性插能使时序数据绘制得到时序曲线保持增长或减少的规律，更有利于时序数据对应的时序曲线的恢复。

（4a）对插值后的时序数据进行滤波处理。

本申请实施例中，基于S-G滤波拟合方法对时序曲线进行平滑处理。S-G滤波拟合方法是一种基于平滑时间序列数据和最小二乘原理的卷积算法，是一种加权平均算法，但其加权系数不是简单的常数窗口，而是通过在滑动窗口内对给定高阶多项式的最小二乘拟合得出。这种S-G滤波拟合方法特点在于在滤除噪声的同时可以确保信号的形状、宽度不变。通过S-G滤波拟合方法对时序数据绘制的时序曲线进行平滑滤波，可以提高时序曲线的平滑性，并降低噪音的干扰。

2、基于多个异常点，即两个或两个以上异常点检测的重构

图4为根据本申请的一些实施例提供的对时序数据重构时两个异常点检测的原理示意图，如图4所示，对迁移学习区的时序数据和目标区域的时序数据中多个异常点检测，以检测两个连续的异常点为例，按照如下步骤进行：

（1b）根据时序数据的取值，按照公式（2）检测出时序数据中的单个异常点，公式（2）如下：

（2）

式中，t _now为当前点的取值，其中，当前点为时序数据中首位和末位的点之外的点的集合，t _after为t _now的后一个点的取值，Slope表示当前点在时序数据绘制成的曲线上的坡度，取值为后一个点的取值t _after与当前点的取值t _now之差，按照Slope的计算公式，沿时序数据对应的时间轴进行滑动计算，得到坡度Slope取值序列，Slope _before表示坡度序列中当前点的前一个点对应的坡度取值，Slope _after表示坡度序列中当前点的后一个点对应的坡度取值，则当其满足公式（2），表示时序数据中当前点及该点的后一个点均为异常点，0.15为预先设定的检测阈值。

（2b）将满足公式（2）的异常点在时序数据中剔除。

（3b）对时序数据进行线性插值，以填补剔除异常点后时序数据中出现的空值。线性插值的具体处理方式与基于单个异常点检测的线性插值的处理方式相同，即前述（3a）中描述的方法，在此不再赘述。

（4b）对插值后的时序数据进行滤波处理。

滤波处理的具体方式与基于单个异常点检测的滤波处理的方式相同，即前述（4a）中描述的方法，在此不再赘述。

本申请实施例中，通过时序遥感影像提取得到的时序数据可反映植被的变化，其随时间呈现周期性的增长和下降，若时序遥感影像中存在云污染，或者该时序遥感影像在成像时大气条件较恶劣，则时序数据的取值有可能出现突变，例如NDVI的取值突然下降，则不符合作物生长变化的渐进过程，突然下降的取值将被视为异常点予以剔除。如此，通过对时序数据的异常点检测、插值和曲线平滑处理，不仅减弱了云污染和大气变化对时序数据的影响，同时保证了时序数据的连续性，提高了时序数据的质量，有利于提高物候特征提取的精度。

示例性地，当时序遥感影像为MODIS的时序遥感影像、时序数据为NDVI时序数据时，上述步骤细化为：

Step1：输入MODIS影像的地表反射率数据和时序曲线需要表征的时间范围，得到查询时间段范围内的MODIS影像数据集，例如，在2017-2019年MODIS数据查询输入的时间范围为2月14日至12月31日。

Step2：输入NDVI计算公式，对时序影像数据集波段计算得到时序NDVI数据集。

Step3：在时序数据查询的时间范围内，以每16天为一个时间段，对研究区域时间段内的NDVI数据进行合成，得到时序NDVI数据集。

Step4：在时序NDVI数据集内，存在单个时间段影像无法完全覆盖研究区的情况，需要使用线性插值填补形成完整的时序曲线。

Step5：对NDVI时序数据集中的异常值进行检测和剔除。

Step6：对异常值剔除后的NDVI时序数据集进行线性插值，填补时序曲线。

Step7：设置S-G滤波函数的滤波窗口为5，多项式拟合函数的阶数为2，对时序曲线进行S-G滤波，减缓尖锐噪声点的影响，最终得到平滑后的时序NDVI曲线。

在一些可选实施例中，所述分别对所述重构后的所述迁移学习区的时序数据、所述重构后的所述目标区域的时序数据进行物候特征提取，对应得到所述迁移学习区的物候特征、所述目标区域的物候特征，具体为：按照预设的物候特征提取规则，分别对所述重构后的所述迁移学习区的时序数据、所述重构后的所述目标区域的时序数据进行逐像元计算，对应得到所述迁移学习区的每一个像元的物候特征、所述目标区域的每一个像元的物候特征；分别对所述迁移学习区的每一个像元的物候特征、所述目标区域的每一个像元的物候特征进行合成处理，对应得到所述迁移学习区的物候特征、所述目标区域的物候特征。

本申请实施例中，物候特征可以是自然环境中动植物生命活动的季节性现象，也可以是一定时间周期内（比如1年）特定时间点出现的某些气象、水文现象的特征，这些气象、水文现象的特征可以影响作物的生长、发育、活动规律与非生物的变化。在实际应用中，通常基于单株植物或者物种进行地面的植物物候特征观测，然后根据植被的生长周期，将作物生长的动态情况分为多个生长阶段，比如返青期、成熟期、衰老期和休眠期，每一个生长阶段中，作物生长的情况不同。

本申请实施例中，通过对时序遥感数据进行重构得到时序数据，在此基础上进行物候特征提取。遥感数据中，每一个像元反映的是像元内的植物群体所组成的植被物候特征，植被生长阶段之间的转换对应着植被形态的变化，反映在时序数据上，表现为时序数据由低到高，直至最大值，然后在逐渐降低的全过程，以生长周期内不同阶段之间的转换为特征来描述植被的物候现象，并据此判断出植被生长的不同物候阶段。

本申请实施例中，物候特征可以包括以下特征中的一个或者多个：作物开始生长的时间、停止生长的时间、生长季长度、基准值、生长期的中期时刻、植被指数峰值、生长季振幅、生长速度、减缓速度、生长季植被指数活跃累积量、生长季植被指数总累计量。

在一具体的场景中，按照预设的物候特征提取规则，分别对重构后的迁移学习区的时序数据、重构后的目标区域的时序数据进行逐像元计算，对应得到迁移学习区的每一个像元的物候特征、目标区域的每一个像元的物候特征。具体来说，通过对迁移学习区和目标区域的时序遥感数据分别进行重构得到时序数据，然后基于预设的物候特征提取规则，对重构后的时序数据进行逐像元计算，对应迁移学习区和目标区域的每一个像元的物候特征。

示例性地，当物候特征为植被指数峰值时，则物候特征提取的过程具体为：根据重构后的时序数据中的植被指数时序数据（例如NDVI时序数据），在预定时间周期内（例如1年）对迁移学习区和目标区域的时序数据逐像元计算植被指数峰值对应的采集日（DOY），以该植被指数峰值对应的DOY为该像元对应的物候特征，每一个像元的物候特征反映该像元内的植被在该预定时间周期内的生长情况。

本申请实施例中，在进行物候特征提取时，基于中分辨率的时序遥感影像对应的时序数据计算每个像元的物候特征（比如MODIS的250米分辨率的时序遥感影像），而不是采用最高分辨率的时序遥感影像对应的时序数据计算每个像元的物候特征（比如Sentinel-2的10米或者20米的时序遥感影像），如此，在保证精度的同时兼顾了大尺度的作物物候的监测能力，提高了物候特征提取的效率。

实际应用中，不同的作物（例如玉米、大豆和水稻）对应的物候特征不同，应针对不同的作物，分别对重构后的时序数据进行逐像元计算，对应得到迁移学习区和目标区域的每一个像元的不同作物的物候特征。为了便于后续对作物分类模型的分类结果进行一致性检验，计算物候特征的每个像元可以是时序数据中的部分像元，该部分像元的每一个像元对应一种作物的一致性检验样点，每一个一致性检验样点具有当前种植作物的作物类型的真值标签。其中，一致性检验样点可以通过对已有的作物分布图进行分层抽样得到，例如，分别对迁移学习区的CDL数据和目标区域的作物分布图进行分层抽样，生成一系列的玉米、大豆和水稻样点，以这些样点为对象，分别提取每一个样点对应的物候特征。此外，一致性检验样点也可以通过对作物种植区域进行实地调查获取。

在一些可选实施例中，分别对迁移学习区的每一个像元的物候特征、目标区域的每一个像元的物候特征进行合成处理，对应得到迁移学习区的物候特征、目标区域的物候特征。合成处理后得到的迁移学习区的物候特征、目标区域的物候特征，反映的是迁移学习区和目标区域的整体物候特征。将每个像元的物候特征进行合成处理，得到迁移学习区和目标区域的整体物候特征，有利于对迁移学习区和目标区域的整体物候特征进行比较分析，确定迁移学习区和目标区域之间物候特征的差异以及二者之间的最佳匹配时间周期，从而确定迁移学习区与目标区域之间的作物物候匹配关系。

在一具体的应用中，分别对迁移学习区的每一个像元的物候特征、目标区域的每一个像元的物候特征进行合成处理，对应得到迁移学习区的物候特征、目标区域的物候特征，具体为：分别提取迁移学习区的每一个像元的物候特征的众数、目标区域的每一个像元的物候特征的众数，对应得到迁移学习区的物候特征、目标区域的物候特征。需要说明的是，物候特征的众数是该区域内大部分作物的共同生长周期的反映，例如，植被指数峰值的众数表达了大部分作物达到峰值的时期。使用每个像元的物候特征的众数作为迁移学习区和目标区域的整体物候特征，能够过滤相应区域内的噪声信息，有利于后续作物物候的整体分析和判断。

实际应用中，在多个时间周期内（例如2017-2019年），以物候特征为植被指数峰值对应的DOY为例，分别提取迁移学习区的每一个像元的物候特征的众数、目标区域的每一个像元的物候特征的众数，得到如表1所示的提取结果，表1如下：

步骤S102、根据所述迁移学习区的物候特征、所述目标区域的物候特征，确定所述迁移学习区与所述目标区域之间的作物物候匹配关系。

根据迁移学习区的物候特征、目标区域的物候特征，确定迁移学习区与目标区域之间的作物物候匹配关系，具体为：根据迁移学习区的物候特征、目标区域的物候特征，确定迁移学习区与目标区域之间的物候时间差；根据迁移学习区与目标区域之间的物候时间差，确定迁移学习区与目标区域之间的作物物候的最佳匹配时间范围；以目标区域的物候特征对应的时间为基准，根据迁移学习区与目标区域之间的作物物候的最佳匹配时间范围，确定迁移学习区与目标区域之间的作物物候匹配关系。

以物候特征为植被指数峰值对应的DOY为例，根据迁移学习区的植被指数峰值对应的DOY、目标区域的植被指数峰值对应的DOY，确定迁移学习区与目标区域之间的物候时间差。如表1所示，在2019年，迁移学习区的玉米的植被指数峰值对应的DOY的众数与目标区域的植被指数峰值对应的DOY的众数均在213天，大豆的植被指数峰值对应的DOY的众数与目标区域的物候时间差为16天，这说明迁移学习区的大豆与目标区域的大豆相比，种植时间较晚，即迁移学习区与目标区域之间的物候时间差为16天。

根据迁移学习区与目标区域之间的物候时间差，以迁移学习区与目标区域中作物生长及活跃营养阶段的时期为窗口，得到迁移学习区与目标区域之间的作物物候的最佳匹配时间范围。具体来说，首先，以目标区域的物候特征对应的时间为基准，目标区域中作物生长及活跃营养阶段的时期为窗口，确定目标区域中用于作物识别的时序数据的时间范围；然后，根据迁移学习区与目标区域之间的物候时间差，以迁移学习区中作物生长及活跃营养阶段的时期为窗口，确定用于作物分类模型训练的训练数据的时间范围；最后，以用于作物识别的时序数据的时间范围与训练数据的时间范围作为迁移学习区与目标区域之间的作物物候的最佳匹配时间范围。

这里，根据作物不同，迁移学习区与目标区域的物候匹配结果也不同，对应地，迁移学习区与目标区域的作物物候的最佳匹配时间范围可以有多个。比如，根据2019年的时序数据，通过物候匹配后，在目标区域中用于作物识别的时序数据的时间范围设置为：5月5日~10月12日，相应地，在迁移学习区，用于训练作物分类模型的训练数据的时间范围可分为两个等级，第一等级对应的时间范围为：5月5日~10月12日，用于提取识别玉米和其他作物的特征；第二等级对应的时间范围为：5月21日~10月28日，用于提取识别大豆和水稻的特征，其他年份的作物物候的最佳匹配时间范围如表2所示，表2如下：

在最佳匹配时间范围内，分别以迁移学习区与目标区域的物候特征对应的时间为基准，得到迁移学习区中作物分类模型的训练数据和目标区域中用于作物识别的测试数据的生成策略，即迁移学习区与所述目标区域之间的作物物候匹配关系。

在另一可选实施例中，根据迁移学习区的物候特征、目标区域的物候特征，确定迁移学习区与目标区域之间的物候时间差时，还可以结合迁移学习区和目标区域的时序光谱特征和时序植被指数特征，确定迁移学习区与目标区域之间的作物物候的最佳匹配时间范围，以获取更准确的物候匹配结果。这里，时序光谱特征包括SWIR1波段、SWIR2波段和Red1波段中的一个或多个；时序植被指数特征包括NDVI、LSWI和NDTI中的一个或多个。

具体来说，通过分析迁移学习区和目标区域的部分时序光谱特征之间的差异，或分析迁移学习区和目标区域的部分植被指数特征之间的差异，确定迁移学习区与目标区域之间的作物物候的最佳匹配时间范围。例如，可以分别以迁移学习区的时序光谱特征的均值、标准偏差与目标区域的时序光谱特征的均值、标准偏差进行比对，或者，分别以迁移学习区的时序植被指数特征的均值、标准偏差与目标区域的时序植被指数特征的均值、标准偏差进行比对，以确定迁移学习区与目标区域之间各时序光谱特征和时序植被指数特征的匹配程度，并以迁移学习区和目标区域的时序光谱特征以及时序植被指数特征的特征峰值在一定时间周期内出现的不同时间，确定迁移学习区中与目标区域物候匹配的物候时间差。其中，迁移学习区与目标区域之间各时序光谱特征和时序植被指数特征的匹配程度越好，表示在迁移学习区内训练得到的作物分类模型，在迁移到目标区域后，对作物分类的精度越高。

步骤S103、基于所述迁移学习区与所述目标区域之间的作物物候匹配关系，提取所述迁移学习区的训练数据集，以得到物候匹配的作物分类模型，并基于所述物候匹配的作物分类模型对所述目标区域的作物进行分类。

本申请实施例中，分别以市级区域（Level1）、省级区域（Level2）、多个省组成的大尺度区域（Level3）为目标区域，基于物候匹配的作物分类模型，对物候匹配的作物分类模型的分类结果精度进行分析，分析结果表明，基于迁移学习区与目标区域之间的作物物候匹配关系，提取迁移学习区的训练数据集，得到的物候匹配的作物分类模型用于对目标区域的作物进行分类，能够显著提高作物分类结果的精度。

本申请实施例中，针对较大范围的识别区域（比如省级或者区域级）存在的作物光谱差异性，选择基于随机森林分类分类器作为作物分类模型。具体实施时，基于随机森林分类分类器作为作物分类模型生成需进行两次随机抽样：第一次随机抽取约占训练数据集2/3的训练数据作为单棵树的训练集；在每一个树分裂时，第二次随机抽取训练数据集中m个的随机样本，并且只考虑这些m个特征分裂。基于随机森林分类分类器通过引入随机性生成各种不同的CART（分类回归树）决策树，通过集成学习综合多颗树的预测结果，以减少过拟合，提高作物分类预测精度。

在一些可选实施例中，基于迁移学习区与目标区域之间的作物物候特征匹配关系，提取迁移学习区的训练数据集，以得到物候匹配的作物分类模型并基于物候匹配的作物分类模型对目标区域的作物进行分类，具体为：以目标区域的物候特征对应的时间为基准，根据迁移学习区与目标区域之间的作物物候特征匹配关系，对迁移学习区的物候特征进行时间平移，得到迁移学习区的作物分类模型的训练数据对应的时间范围；在训练数据对应的时间范围内，提取迁移学习区的影像特征，得到迁移学习区的训练数据集，以训练物候匹配的作物分类模型，并基于物候匹配的作物分类模型对目标区域的作物进行分类，其原理如图5所示。

以2019年的物候特征为例，目标区域的玉米的物候特征的众数在213天，迁移学习区的玉米的物候特征的众数在229天，相差16天，则在提取用于作物分类模型的训练数据时，将迁移学习区的时序数据中的时序光谱数据的合成时间范围向后平移16天，以平移后的时序数据为基准，提取时序数据中的时序光谱数据的灰度值作为训练数据集。以相同的方式，提取其他作物的训练数据集。

其中，迁移学习区的影像特征包括：迁移学习区的时序光谱特征和迁移学习区的植被指数特征，其中，时序光谱特征为迁移学习区的时序遥感影像的光谱波段，植被指数特征由对时序光谱特征进行波段计算得到；则所述在训练数据对应的时间范围内，提取迁移学习区的影像特征，得到迁移学习区的训练数据集，具体为：在训练数据对应的时间范围内，提取预先构建的迁移学习区的时序光谱数据和植被指数数据，得到迁移学习区的训练数据集。

本申请实施例中，基于迁移学习区的时序光谱特征和迁移学习区的植被指数特征提取训练数据集，以对作物分类模型进行训练，与使用作物的物候特征对作物分类模型进行训练相比，更能体现作物本身光谱反射情况，从而提高作物分类模型的分类精度。

具体地，时序光谱特征可以包括以下一种或多种：红边1（Red Edge 1，简称Rad1）波段，红边2（Red Edge-2，简称Red2）波段，近红外（Near infraRed，简称NIR）波段，短波红外1（Short-waveInfraRed，简称SWIR1）波段，短波红外2（SWIR2）波段；植被指数特征包括NDVI、LSWI和NDTI中的一个或多个。

在基于迁移学习区的时序遥感影像，计算迁移学习区的影像特征，并将影像特征用于作物分类训练时，可以采用最高分辨率的时序遥感影像（比如Sentinel-2的10米或者20米的时序遥感影像）提取影像特征，以保证作物分类模型的预测精度。

本申请实施例中，在迁移学习区基于物候匹配策略的大尺度迁移学习作物分类方法训练得到的物候匹配的作物分类模型，将其迁移到目标区域后，分别针对目标区域为Level1（市级）、Level2（省级）和Level3（区域级，即包含一个或者多个省）进行作物分类预测，实验结果表明，在目标区域为Level1时，依据物候匹配策略的迁移学习作物识别精度显著高于没有依据物候匹配策略的迁移学习作物识别精度，总体精度提高了约17.47%，在目标区域为Level2、Level3时，基于物候匹配策略进行迁移学习，作物识别精度也有显著的提高。

本申请中，由于采用基于迁移学习区与目标区域之间的物候匹配关系进行训练数据集的提取，使得物候匹配的作物分类模型具有跨年迁移识别能力，单年训练的模型可以在历史和未来时期进行作物识别预测，且识别精度与单年的作物训练预测模型的精度保持同一水准，从而避免了现有技术中需要针对每年的样本训练作物分类模型的现状，大大加快了作物分类预测的效率。

示例性系统

图6为根据本申请的一些实施例提供的物候匹配策略的大尺度迁移学习作物分类系统的结构示意图；如图6所示，该物候匹配策略的大尺度迁移学习作物分类系统包括：特征提取单元601、物候匹配单元602和模型训练单元603。

其中，特征提取单元601，配置为：分别对重构后的所述迁移学习区的时序数据、重构后的所述目标区域的时序数据进行物候特征提取，对应得到所述迁移学习区的物候特征、所述目标区域的物候特征。

物候匹配单元602，配置为：根据所述迁移学习区的物候特征、所述目标区域的物候特征，确定所述迁移学习区与所述目标区域之间的作物物候匹配关系。

模型训练单元603，配置为：基于所述迁移学习区与所述目标区域之间的作物物候匹配关系，提取所述迁移学习区的训练数据集，以训练物候匹配的作物分类模型并基于所述物候匹配的作物分类模型对所述目标区域的作物进行分类。

本申请实施例提供的物候匹配策略的大尺度迁移学习作物分类系统能够实现上述任一物候匹配策略的大尺度迁移学习作物分类方法实施例的步骤、流程，并达到相同的有益效果，在此不再一一赘述。

示例性设备

图7为根据本申请的一些实施例提供的电子设备的结构示意图；如图7所示，该电子设备包括：

一个或多个处理器701；

计算机可读介质，可以配置为存储一个或多个程序702，一个或多个处理器701执行一个或多个程序702时，实现如下步骤：

图8为根据本申请的一些实施例提供的电子设备的硬件结构，如图8所示，该电子设备的硬件结构可以包括：处理器801、通信接口802、计算机可读介质803和通信总线804。

其中，处理器801、通信接口802、计算机可读介质803通过通信总线804完成相互间的通信。

可选地，通信接口802可以为通信模块的接口，如GSM模块的接口。

其中，处理器801具体可以配置为：

处理器可以是通用处理器，包括中央处理器（central processing unit，简称CPU）、网络处理器（Network Processor，简称NP）等，还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本申请实施例的电子设备以多种形式存在，包括但不限于：

（1）移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机（例如：iPhone）、多媒体手机、功能性手机，以及低端手机等。

（2）超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。

（3）便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器（例如：iPod），掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

（4）服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。

（5）其他具有数据交互功能的电子装置。

需要指出，根据实施的需要，可将本申请实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可以将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本申请实施例的目的。

上述根据本申请实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质（诸如CD ROM、RAM、软盘、硬盘或磁光盘）中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器存储介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件（诸如ASIC或FPGA）的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件（例如，RAM、ROM、闪存等），当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的物候匹配策略的大尺度迁移学习作物分类方法。此外，当通用计算机访问用于实现在此示出的方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的方法的专用计算机。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和涉及约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请实施例的范围。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述得设备及系统实施例仅仅是示意性的，其中作为分离不见说明的单元可以使或者也可以不是物理上分开的，作为单元提示的不见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实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims

1.一种物候匹配策略的大尺度迁移学习作物分类方法，其特征在于，包括：

按照预设的物候特征提取规则，分别对重构后的迁移学习区的时序数据、重构后的目标区域的时序数据进行逐像元计算，对应得到所述迁移学习区的每一个像元的物候特征、所述目标区域的每一个像元的物候特征；

分别提取所述迁移学习区的每一个像元的物候特征的众数、所述目标区域的每一个像元的物候特征的众数，对应得到所述迁移学习区的物候特征、所述目标区域的物候特征；

其中，所述时序数据为多个年份的时间序列数据；

2.根据权利要求1所述的物候匹配策略的大尺度迁移学习作物分类方法，其特征在于，所述重构后的所述迁移学习区的时序数据、所述重构后的所述目标区域的时序数据通过以下步骤得到：

分别对所述迁移学习区的时序数据和所述目标区域的时序数据依次进行异常点检测、插值和滤波处理，对应得到重构后的所述迁移学习区的时序数据，以及，重构后的所述目标区域的时序数据。

3.根据权利要求1所述的物候匹配策略的大尺度迁移学习作物分类方法，其特征在于，所述根据所述迁移学习区的物候特征、所述目标区域的物候特征，确定所述迁移学习区与所述目标区域之间的作物物候匹配关系，具体为：

4.根据权利要求1所述的物候匹配策略的大尺度迁移学习作物分类方法，其特征在于，所述基于所述迁移学习区与所述目标区域之间的作物物候特征匹配关系，提取所述迁移学习区的训练数据集，以训练物候匹配的作物分类模型，并基于所述物候匹配的作物分类模型对所述目标区域的作物进行分类，具体为：

在所述训练数据对应的时间范围内，提取所述迁移学习区的影像特征，得到所述迁移学习区的训练数据集，以训练物候匹配的作物分类模型，并基于所述物候匹配的作物分类模型对所述目标区域的作物进行分类。

5.根据权利要求4所述的物候匹配策略的大尺度迁移学习作物分类方法，其特征在于，所述迁移学习区的影像特征包括：所述迁移学习区的时序光谱数据和所述迁移学习区的植被指数数据，其中，所述时序光谱数据为所述迁移学习区的遥感数据的光谱波段，所述植被指数数据有多个，所述植被指数数据由对所述时序光谱数据进行波段计算得到；

6.一种物候匹配策略的大尺度迁移学习作物分类系统，其特征在于，包括：

特征提取单元，配置为：按照预设的物候特征提取规则，分别对重构后的迁移学习区的时序数据、重构后的目标区域的时序数据进行逐像元计算，对应得到所述迁移学习区的每一个像元的物候特征、所述目标区域的每一个像元的物候特征；

其中，所述时序数据为多个年份的时间序列数据；

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序为如权利要求1-5任一所述的物候匹配策略的大尺度迁移学习作物分类方法。

8.一种电子设备，其特征在于，包括：存储器、处理器、以及存在所述存储器中并可在所述处理器上运行的程序，所述处理器执行所述程序时实现如权利要求1-5任一所述的物候匹配策略的大尺度迁移学习作物分类方法。