CN114782825A - 基于不完备遥感数据的作物识别方法、装置及电子设备 - Google Patents
基于不完备遥感数据的作物识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114782825A CN114782825A CN202210686316.5A CN202210686316A CN114782825A CN 114782825 A CN114782825 A CN 114782825A CN 202210686316 A CN202210686316 A CN 202210686316A CN 114782825 A CN114782825 A CN 114782825A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- characteristic
- remote sensing
- sensing data
- crop
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明属于农业遥感信息提取技术领域,具体涉及基于不完备遥感数据的作物识别方法、装置及电子设备,该方法包括步骤:获取时序遥感数据;根据雷达影像数据构建第一时序特征;根据光学遥感数据构建第二时序特征;判断第二时序特征是否完备;计算第二时序特征的数据缺失值;对第二时序特征进行拓展得到第三时序特征;判断第三时序特征是否完备;对光学遥感数据增补处理得到第四时序特征;判断第四时序特征是否完备;利用第一时序特征对第四时序特征扩展得到目标时序特征;构建作物类型识别模型,模型训练;识别目标地块作物分布信息。本发明通过雷达影像数据与光学遥感数据协同的方式,实现了光学时序数据不完备条件下的高精度作物类型识别。
Description
技术领域
本发明属于农业遥感信息提取技术领域,具体而言,涉及基于不完备遥感数据的作物识别方法、装置及电子设备。
背景技术
粮食问题受到越来越多的关注,亟需获取准确的作物空间分布、长势及产量信息。农作物的空间分布信息可以反映农业生产过程中的资源利用情况,是农产品产量预测和农业种植结构调整的重要数据支撑。当前,随着各项观测数据的获取途径越来越便捷以及数据的质量越来越高,农业管理逐渐向精准化、数字化方向发展,遥感作为唯一能快速、大范围获取地表观测数据的技术手段,在现代农业中扮演着不可替代的角色。
当前,高空间分辨率和中等分辨率时序遥感数据已经在作物类型识别和种植面积估算等方面取得了一系列成果。但是,多云雨山区受云层厚度、空气湿度等影响,年均有效光学遥感影像数据量低于10%,导致了光学遥感数据不完备,基于现有方法很难开展作物类型的识别;而主动雷达虽然不易受云雨的影响,并已有研究应用于多云雨地区的作物识别等任务中,但其固有的相干特性和复杂的散射机制,导致现有的研究存在精度不足的问题,制约了其在农业中的精细化应用。
发明内容
为了解决光学遥感数据不完备无法进行作物类型识别的问题,本发明提供基于不完备遥感数据的作物识别方法、装置及电子设备。
第一方面,本公开提供了基于不完备遥感数据的作物识别方法,包括步骤:
获取时序遥感数据;所述时序遥感数据包括雷达影像数据与光学遥感数据;
根据所述雷达影像数据,构建作物在地块尺度上的第一时序特征;
根据所述光学遥感数据,构建作物在地块尺度上的第二时序特征;
判断所述第二时序特征是否完备;若所述第二时序特征完备,则确定所述第二时序特征为目标时序特征;若所述第二时序特征不完备,则计算所述第二时序特征的数据缺失值;所述目标时序特征为完备的作物时序特征;
根据所述数据缺失值,对所述第二时序特征进行拓展,得到第三时序特征;
判断所述第三时序特征是否完备;若所述第三时序特征完备,则确定所述第三时序特征为所述目标时序特征;若所述第三时序特征不完备,则对所述光学遥感数据进行增补处理,重新获取所述第三时序特征,得到第四时序特征;
判断所述第四时序特征是否完备;若所述第四时序特征完备,则确定所述第四时序特征为所述目标时序特征;若所述第四时序特征不完备,则利用所述第一时序特征对所述第四时序特征进行扩展,得到所述目标时序特征;
构建作物类型识别模型,利用所述目标时序特征对所述作物类型识别模型进行训练;
根据所述作物类型识别模型,识别目标地块各个类型的作物的分布信息。
第二方面,本公开提供了基于不完备遥感数据的作物识别装置,包括获取单元、第一构建单元、第二构建单元、第一判断单元、计算处理单元、拓展单元、第二判断单元、增补处理单元、第三判断单元、模型构建与训练单元以及识别单元;
所述获取单元,用于获取时序遥感数据;所述时序遥感数据包括雷达影像数据与光学遥感数据;
所述第一构建单元,用于根据所述雷达影像数据,构建作物在地块尺度上的第一时序特征;
所述第二构建单元,用于根据所述光学遥感数据,构建作物在地块尺度上的第二时序特征;
所述第一判断单元,用于判断所述第二时序特征是否完备;若所述第二时序特征完备,则确定所述第二时序特征为目标时序特征;若所述第二时序特征不完备,则计算所述第二时序特征的数据缺失值;所述目标时序特征为完备的作物时序特征;
所述计算处理单元,用于计算所述第二时序特征的数据缺失值;
所述拓展单元,用于根据所述数据缺失值,对所述第二时序特征进行拓展,得到第三时序特征;
所述第二判断单元,用于判断所述第三时序特征是否完备;若所述第三时序特征完备,则确定所述第三时序特征为所述目标时序特征;若所述第三时序特征不完备,则对所述光学遥感数据进行增补处理,重新获取所述第三时序特征,得到第四时序特征;
所述增补处理单元,用于对所述光学遥感数据进行增补处理,得到第四时序特征;
所述第三判断单元,用于判断所述第四时序特征是否完备;若所述第四时序特征完备,则确定所述第四时序特征为所述目标时序特征;若所述第四时序特征不完备,则利用所述第一时序特征对所述第四时序特征进行扩展,得到所述目标时序特征;
所述模型构建与训练单元,用于构建作物类型识别模型,利用所述目标时序特征对所述作物类型识别模型进行训练;
所述识别单元,用于根据所述作物类型识别模型,识别目标地块各个类型的作物的分布信息。
第三方面,本公开提供了一种电子设备,包括:
处理器和存储器;
所述存储器,用于存储计算机操作指令;
所述处理器,用于通过调用所述计算机操作指令,执行所述的基于不完备遥感数据的作物识别方法。
本发明的有益效果是:本发明通过雷达影像数据与光学遥感数据协同的方式解决单一光学遥感数据的数据源在时序上的不完备问题,增加了数据的数量并提高了数据的质量,解决了单一雷达影像数据识别作物类型精度低的问题,提高了光学遥感数据不完备条件下的作物类型识别准确度,尤其适用于多云雨地区遥感时间序列数据缺失情况下的大面积作物类型识别。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,根据所述雷达影像数据,利用极化分解或空间特征计算的方式,构建作物在地块尺度上的所述第一时序特征;根据所述光学遥感数据,利用单一的光学遥感数据源,构建作物在地块尺度上的所述第二时序特征。
采用上述进一步方案的有益效果是,通过极化分解或空间特征计算的方式,构建作物在地块尺度上的第一时序特征,能够减少时序特征提取的时间,同时保证根据雷达影像数据获取的第一时序特征的精度;利用单一的光学遥感数据源构建作物在地块尺度上的第二时序特征,使得第二时序特征数据不受雷达影像数据干扰,有利于在第二时序特征不完备时,对第二时序特征进行拓展。
进一步,所述第一时序特征包括VV/VH后向散射强度特征、H-A-α特征强度、灰度强度特征、纹理特征以及雷达植被指数;所述第二时序特征包括归一化植被指数NDVI、增强型植被指数EVI。
采用上述进一步方案的有益效果是,通过将VV/VH后向散射强度特征、H-A-α特征强度、灰度强度特征、纹理特征以及雷达植被指数以及归一化植被指数NDVI、增强型植被指数EVI作为作物类型识别的特征,能够较好地反映植被特征,有利于准确识别作物类型。
进一步,所述根据所述数据缺失值,对所述第二时序特征进行拓展,得到第三时序特征,包括:比较所述数据缺失值与设定阈值,若所述数据缺失值小于或等于所述设定阈值,则对所述第二时序特征进行插值,以重建的方式获取所述目标时序特征;若所述数据缺失值大于所述设定阈值,则遍历所有时序特征,通过计算所述第二时序特征与所述完备的时序特征的相似度,得到相似度最大的时序特征,作为所述目标时序特征。
采用上述进一步方案的有益效果是,通过对数据缺失值进行拓展,对第二时序特征进行插值,第二时序特征与所述完备的时序特征的相似度,得到相似度最大的时序特征。
进一步,所述对所述光学遥感数据进行增补处理的方式为采用多源数据融合的处理方式对作物的时序特征进行扩展,对多源遥感数据归一化处理。
采用上述进一步方案的有益效果是,从特征归一化的角度实现了数据增强。
进一步,所述对作物的时序特征进行扩展,包括:
计算所述光学遥感数据的极值点的特征值;
获取完备的时序特征的参考值;
所述光学遥感数据的极值点的特征值与所述完备的时序特征的参数值进行匹配,若所述光学遥感数据的极值点的特征值在所述完备的时序特征的参数值的设定范围内,则匹配成功,匹配成功后,按照所述完备的时序特征的参数值填补所述第二时序特征的序列的相同位置;否则匹配失败,则重新获取所述光学遥感数据。
采用上述进一步方案的有益效果是,通过第三时序特征的极值点的特征值与完备的时序特征的参数值进行匹配,判断第三时序特征的参数值是否满足按照完备的时序特征的参数值进行缺失数据填补的条件,有利于获取符合缺失数据填补条件的进行第三时序特征数据,提高数据的数量和数据的质量。
进一步,确定所述第二时序特征或所述第三时序特征或所述第四时序特征为所述目标时序特征的方式为:
利用完备的所述光学遥感数据获取作物生长特征参数作为作物类型识别的参考值;
根据所述第二时序特征或所述第三时序特征或所述第四时序特征计算所述作物生长特征参数值作为作物类型识别的实际值;
对比所述实际值与所述参考值,若所述实际值达到所述参考值的设定比例阈值,则确定所述第二时序特征或所述第三时序特征或所述第四时序特征是所述目标时序特征;否则确定所述第二时序特征或所述第三时序特征或所述第四时序特征不是所述目标时序特征。
采用上述进一步方案的有益效果是,通过将构建的时序特征值与利用完备的光学遥感数据获得的作物生长特征参数进行对比,能够有效判断构建的时序特征数据是否符合作物类型识别的条件,有利于提高通过目标时序特征进行作物类型识别的准确度。
进一步,所述利用所述第一时序特征对所述第四时序特征进行扩展,得到所述目标时序特征,包括:
根据所述第一时序特征和所述第四时序特征之间的关系,建立transformer网络模型;
利用所述transformer网络模型将所述第四时序特征转换为作物时序特征;
利用曲线拟合-插值的方式对所述作物时序特征进行异常值的剔除处理,得到所述目标时序特征。
采用上述进一步方案的有益效果是,通过第一时序特征与第四时序特征之间的关系建立网络模型,并通过网络模型将第四时序特征转换为作物时序特征,实现作物不完备时序特征的扩充。
附图说明
图1为本发明实施例1中提供的基于不完备遥感数据的作物识别方法的流程图;
图2为本发明实施例2中提供的基于不完备遥感数据的作物识别系统的原理图;
图3为本发明实施例3中提供的一种电子设备的原理图。
图标:30-电子设备;310-处理器;320-总线;330-存储器;340-收发器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
作为一个实施例,如附图1所示,为解决上述技术问题,本实施例提供基于不完备遥感数据的作物识别方法,包括步骤:
获取时序遥感数据;时序遥感数据包括雷达影像数据与光学遥感数据;
根据雷达影像数据,构建作物在地块尺度上的第一时序特征;
根据光学遥感数据,构建作物在地块尺度上的第二时序特征;
判断第二时序特征是否完备;若第二时序特征完备,则确定第二时序特征为目标时序特征;若第二时序特征不完备,则计算第二时序特征的数据缺失值;目标时序特征为完备的作物时序特征;
根据数据缺失值,对第二时序特征进行拓展,得到第三时序特征;
判断第三时序特征是否完备;若第三时序特征完备,则确定第三时序特征为目标时序特征;若第三时序特征不完备,则对光学遥感数据进行增补处理,重新获取第三时序特征,得到第四时序特征;
判断第四时序特征是否完备;若第四时序特征完备,则确定第四时序特征为目标时序特征;若第四时序特征不完备,则利用第一时序特征对第四时序特征进行扩展,得到目标时序特征;
构建作物类型识别模型,利用目标时序特征对作物类型识别模型进行训练;
根据作物类型识别模型,识别目标地块各个类型的作物的分布信息。
本发明实施例的有益效果是:通过雷达影像数据与光学遥感数据协同的方式解决单一光学遥感数据的数据源在时序上的不完备问题,增加了数据的数量并提高了数据的质量,解决了单一雷达影像数据识别作物类型精度低的问题,提高了光学遥感数据不完备条件下的作物类型识别准确度,尤其适用于多云雨地区遥感时间序列数据缺失情况下的大面积作物类型识别。
在实际应用过程中,首先,判断目标区的数据源及作物时序特征构建方法。即,在光学遥感数据充足的前提下,优选的使用中分时序光学遥感数据,不对采用的中分遥感数据的类型和序列长短进行限定,在实际应用过程中,根据实际需求来设置影像的数量,该序列需满足能区分目标作物。
根据目标区域的成像条件判断选择光学数据还是雷达影像数据(SAR数据),由于SAR数据受天气影像较小,采用极化分解或空间特征计算的方式,构建作物地块尺度的时序特征,得到第一时序特征。可选的,第一时序特征包括VV/VH后向散射强度特征、H-A-α特征强度、灰度强度特征、纹理特征以及雷达植被指数。
可选的,根据雷达影像数据,利用极化分解或空间特征计算的方式,构建作物在地块尺度上的第一时序特征;根据光学遥感数据,利用单一的光学遥感数据源,构建作物在地块尺度上的第二时序特征。
在实际应用过程中,在利用光学数据的前提下,首先利用单一的光学遥感数据源(如哨兵2号或者高分1/6号)构建作物在地块尺度上的时序特征,得到第二时序特征。可选的,第二时序特征包括归一化植被指数NDVI、增强型植被指数EVI。
上述第一时序特征与第二时序特征能够较好的反映植被的特征,有利于在第二时序特征不完备时,对第二时序特征进行拓展,有利于准确的识别作物类型。仅利用雷达影像数据的时序特征即第一时序特征识别作物类型具有识别精度低的缺点,因此本实施方式采用雷达影像数据与光学遥感数据协同的方式,将第一时序特征与第二时序特征识别作物类型。
其次,判断第二时序特征是否完备;若第二时序特征完备,则确定第二时序特征为目标时序特征;若第二时序特征不完备,则计算第二时序特征的数据缺失值;目标时序特征即完备的作物时序特征,能够用于作物类型识别。在缺失值数量较少的情况下,对数据进行插值,以重建的方式获取相对完整的作物时序特征,例如:利用S-G滤波法对构建的不完备时序特征进行特征重建;对序列特征表征不足和依旧缺失的地块,利用辐射、几何等预处理过的Landsat-8/9、高分2号等其它光学遥感数据计算NDVI、EVI等指数,实现作物不完备时序特征的扩充;在缺失值数量较多的情况下,基于同类作物时序特征曲线相似的原理,遍历包含完整的时序特征的地块,并通过计算作物时序特征(如天数特征值、植被指数特征)等的曲线(如曲率)相似度,利用相似度匹配的方式,实现作物时序特征构建,填充缺失数据。
可选的,根据数据缺失值,对第二时序特征进行拓展,得到第三时序特征,包括:比较数据缺失值与设定阈值,若数据缺失值小于或等于设定阈值,则对第二时序特征进行插值,以重建的方式获取目标时序特征;若数据缺失值大于设定阈值,则遍历所有时序特征,通过计算第二时序特征与完备的时序特征的相似度,得到相似度最大的时序特征,作为目标时序特征。
可选的,对光学遥感数据进行增补处理的方式为采用多源数据融合的处理方式对作物的时序特征进行扩展,对多源遥感数据归一化处理。
在实际应用过程中,对于融入多源遥感数据过程中出现的作物光谱响应不一致等问题,利用时间/辐射归一化等方法对多源遥感数据归一化,以降低不同数据源引起的作物时序特征差异,然后再按照数据缺失程度扩展作物的时序特征完成作物时序特征构建。
可选的,对作物的时序特征进行扩展,包括:
计算光学遥感数据的极值点的特征值;
获取完备的时序特征的参考值;
光学遥感数据的极值点的特征值与完备的时序特征的参数值进行匹配,若光学遥感数据的极值点的特征值在完备的时序特征的参数值的设定范围内,则匹配成功,匹配成功后,按照完备的时序特征的参数值填补第二时序特征的序列的相同位置;否则匹配失败,则重新获取光学遥感数据。
在实际应用过程中,通过第三时序特征的极值点的特征值与完备的时序特征的参数值进行匹配,判断第三时序特征的参数值是否满足按照完备的时序特征的参数值进行缺失数据填补的条件,有利于获取符合缺失数据填补条件的进行第三时序特征数据,提高数据的数量和数据的质量。
可选的,确定第二时序特征或第三时序特征或第四时序特征为目标时序特征的方式为:
利用完备的光学遥感数据获取作物生长特征参数作为作物类型识别的参考值;
根据第二时序特征或第三时序特征或第四时序特征计算作物生长特征参数值作为作物类型识别的实际值;
对比实际值与参考值,若实际值达到参考值的设定比例阈值,则确定第二时序特征或第三时序特征或第四时序特征是目标时序特征;否则确定第二时序特征或第三时序特征或第四时序特征不是目标时序特征。
在实际应用过程中,通过将构建的时序特征值与利用完备的光学遥感数据获得的作物生长特征参数进行对比,能够有效判断构建的时序特征数据是否符合作物类型识别的条件,有利于提高通过目标时序特征进行作物类型识别的准确度。其中,作物生长特征参数根据作物物候的设定时间点确定。例如水稻的出苗期、拔节期、分蘖期、抽穗期,利用这四个时间节点中的至少两个时间节点识别出作物类型为水稻,即此处的作物生长特征参数的阈值为2。如果构建的时序特征值包含四个时间节点中的至少两个时间节点,则该作物的类型为水稻。
可选的,利用第一时序特征对第四时序特征进行扩展,得到目标时序特征,包括:
根据第一时序特征和第四时序特征之间的关系,建立transformer网络模型;
利用transformer网络模型将第四时序特征转换为作物时序特征;
利用曲线拟合-插值的方式对作物时序特征进行异常值的剔除处理,得到目标时序特征。
在实际应用过程中,若第四时序特征不完备,则首先利用获取的少量的、覆盖作物完整生长期的光学遥感数据构建作物地块的光学时序特征;然后,以序列哨兵1号数据构建作物地块尺度的雷达(SAR)时序特征,该时序特征包含作物的纹理特征、极化强度特征等;进一步,通过多项式数据拟合的方式,建立哨兵1号的SAR时序特征与光学时序特征之间的拟合关系(根据第一时序特征和第四时序特征之间的关系,建立transformer网络模型),并将SAR时序特征转换为近似的光学时序特征(利用transformer网络模型将第四时序特征转换为作物时序特征),实现作物不完备时序特征的扩充。
其中,多项式的形式如下所示:
确定目标时序特征后,构建作物类型识别模型,利用目标时序特征对作物类型识别模型进行训练。在实际应用过程中,通过实地采样,并基于高空间分辨率光学遥感影像进行目视解译,建立具有类别属性的作物标签,并依据建立的标签构建“.csv”格式文件作为构建的作物类型识别模型的输入,文件中的每一行内容包含一个地块的时序特征数据以及该地块的作物类别信息,具体形式通过公式表示为:
具体的,作物类型识别模型采用分类函数描述如下:
根据作物类型识别模型,识别目标地块各个类型的作物的分布信息,具体包括:在构建作物完备的地块尺度目标时序特征的基础上,利用LSTM分类网络对每个目标序列特征进行分类,并通过映射的方式反馈到每个地块上,获取作物类型的空间分布信息。可选的,作物类型识别网络隶属于RNNs,基本单元为LSTM,网络层数为6层,每层的神经元数量分别为20/40/80/80/40/20,所用的分类函数为softMAX,该层的节点数目与农作物待分类别数目一致;模型的训练环境为Caffe、tensorflow以及pytorch。
实施例2
基于与本发明的实施例1中所示的方法相同的原理,如附图2所示,本发明的实施例中还提供了基于不完备遥感数据的作物识别装置,包括获取单元、第一构建单元、第二构建单元、第一判断单元、计算处理单元、拓展单元、第二判断单元、增补处理单元、第三判断单元、模型构建与训练单元以及识别单元;
获取单元,用于获取时序遥感数据;时序遥感数据包括雷达影像数据与光学遥感数据。
第一构建单元,用于根据雷达影像数据,构建作物在地块尺度上的第一时序特征;可选的,根据雷达影像数据,利用极化分解或空间特征计算的方式,构建作物在地块尺度上的第一时序特征。可选的,第一时序特征包括VV/VH后向散射强度特征、H-A-α特征强度、灰度强度特征、纹理特征以及雷达植被指数。
第二构建单元,用于根据光学遥感数据,构建作物在地块尺度上的第二时序特征;可选的,根据光学遥感数据,利用单一的光学遥感数据源,构建作物在地块尺度上的第二时序特征。可选的,第二时序特征包括归一化植被指数NDVI、增强型植被指数EVI。
第一判断单元,用于判断第二时序特征是否完备;若第二时序特征完备,则确定第二时序特征为目标时序特征;若第二时序特征不完备,则计算第二时序特征的数据缺失值;目标时序特征为完备的作物时序特征;
计算处理单元,用于计算第二时序特征的数据缺失值;
拓展单元,用于根据数据缺失值,对第二时序特征进行拓展,得到第三时序特征;
第二判断单元,用于判断第三时序特征是否完备;若第三时序特征完备,则确定第三时序特征为目标时序特征;若第三时序特征不完备,则对光学遥感数据进行增补处理,重新获取第三时序特征,得到第四时序特征;
增补处理单元,用于对光学遥感数据进行增补处理,得到第四时序特征;
第三判断单元,用于判断第四时序特征是否完备;若第四时序特征完备,则确定第四时序特征为目标时序特征;若第四时序特征不完备,则利用第一时序特征对第四时序特征进行扩展,得到目标时序特征;
模型构建与训练单元,用于构建作物类型识别模型,利用目标时序特征对作物类型识别模型进行训练;
识别单元,用于根据作物类型识别模型,识别目标地块各个类型的作物的分布信息。
可选的,拓展单元包括比较单元、插值处理单元、相似度计算单元与相似度匹配单元;
比较单元,用于比较数据缺失值与设定阈值,若数据缺失值小于或等于设定阈值,则对第二时序特征进行插值,以重建的方式获取目标时序特征;若数据缺失值大于设定阈值,则遍历所有时序特征,通过计算第二时序特征与完备的时序特征的相似度,得到相似度最大的时序特征,作为目标时序特征;
插值处理单元,用于对第二时序特征进行插值处理;
相似度计算单元,用于计算第二时序特征与完备的时序特征的相似度;
相似度匹配单元,用于匹配第二时序特征与完备的时序特征相似度最大的时序特征;
可选的,对光学遥感数据进行增补处理的方式为采用多源数据融合的处理方式对作物的时序特征进行扩展,对多源遥感数据归一化处理。
可选的,确定第二时序特征或第三时序特征或第四时序特征为目标时序特征的方式为:
利用完备的光学遥感数据获取作物生长特征参数作为作物类型识别的参考值;
根据第二时序特征或第三时序特征或第四时序特征计算作物生长特征参数值作为作物类型识别的实际值;
对比实际值与参考值,若实际值达到参考值的设定比例阈值,则确定第二时序特征或第三时序特征或第四时序特征是目标时序特征;否则确定第二时序特征或第三时序特征或第四时序特征不是目标时序特征。
可选的,对作物的时序特征进行扩展,包括:
计算光学遥感数据的极值点的特征值;
获取完备的时序特征的参考值;
光学遥感数据的极值点的特征值与完备的时序特征的参数值进行匹配,若光学遥感数据的极值点的特征值在完备的时序特征的参数值的设定范围内,则匹配成功,匹配成功后,按照完备的时序特征的参数值填补第二时序特征的序列的相同位置;否则匹配失败,则重新获取光学遥感数据。
可选的,利用第一时序特征对第四时序特征进行扩展,得到目标时序特征,包括:
根据第一时序特征和第四时序特征之间的关系,建立transformer网络模型;
利用transformer网络模型将第四时序特征转换为作物时序特征;
利用曲线拟合-插值的方式对作物时序特征进行异常值的剔除处理,得到目标时序特征。
实施例3
基于与本发明的实施例中所示的方法相同的原理,本发明的实施例中还提供了一种电子设备,如附图3所示,该电子设备可以包括但不限于:处理器和存储器;存储器,用于存储计算机程序;处理器,用于通过调用计算机程序执行本发明任一实施例所示的方法。
在一个可选实施例中提供了一种电子设备,图3所示的电子设备30包括:处理器310和存储器330。其中,处理器310和存储器330相连,如通过总线320相连。
可选地,电子设备30还可以包括收发器340,收发器340可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中收发器340不限于一个,该电子设备30的结构并不构成对本发明实施例的限定。
处理器310可以是CPU中央处理器,通用处理器,DSP数据信号处理器,ASIC专用集成电路,FPGA现场可编程门阵列或者其他可编程逻辑器件、硬件部件或者其任意组合。处理器310也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线320可包括一通路,在上述组件之间传送信息。总线320可以是PCI外设部件互连标准总线或EISA扩展工业标准结构总线等。总线320可以分为控制总线、数据总线、地址总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器330可以是ROM只读存储器或可存储静态信息和指令的其他类型的静态存储设备,RAM随机存储器或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM电可擦可编程只读存储器、CD-ROM只读光盘或其他光盘存储、光碟存储(包括光碟、激光碟、压缩光碟、数字通用光碟等)、磁盘存储介质,或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器330用于存储执行本发明方案的应用程序代码(计算机程序),并由处理器310来控制执行。处理器310用于执行存储器330中存储的应用程序代码,以实现前述方法实施例所示的内容。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于不完备遥感数据的作物识别方法,其特征在于,包括步骤:
获取时序遥感数据;所述时序遥感数据包括雷达影像数据与光学遥感数据;
根据所述雷达影像数据,构建作物在地块尺度上的第一时序特征;
根据所述光学遥感数据,构建作物在地块尺度上的第二时序特征;
判断所述第二时序特征是否完备;若所述第二时序特征完备,则确定所述第二时序特征为目标时序特征;若所述第二时序特征不完备,则计算所述第二时序特征的数据缺失值;所述目标时序特征为完备的作物时序特征;
根据所述数据缺失值,对所述第二时序特征进行拓展,得到第三时序特征;
判断所述第三时序特征是否完备;若所述第三时序特征完备,则确定所述第三时序特征为所述目标时序特征;若所述第三时序特征不完备,则对所述光学遥感数据进行增补处理,重新获取所述第三时序特征,得到第四时序特征;
判断所述第四时序特征是否完备;若所述第四时序特征完备,则确定所述第四时序特征为所述目标时序特征;若所述第四时序特征不完备,则利用所述第一时序特征对所述第四时序特征进行扩展,得到所述目标时序特征;
构建作物类型识别模型,利用所述目标时序特征对所述作物类型识别模型进行训练;
根据所述作物类型识别模型,识别目标地块各个类型的作物的分布信息。
2.根据权利要求1所述基于不完备遥感数据的作物识别方法,其特征在于,根据所述雷达影像数据,利用极化分解或空间特征计算的方式,构建作物在地块尺度上的所述第一时序特征;根据所述光学遥感数据,利用单一的光学遥感数据源,构建作物在地块尺度上的所述第二时序特征。
3.根据权利要求1所述基于不完备遥感数据的作物识别方法,其特征在于,所述第一时序特征包括VV/VH后向散射强度特征、H-A-α特征强度、灰度强度特征、纹理特征以及雷达植被指数;所述第二时序特征包括归一化植被指数NDVI、增强型植被指数EVI。
4.根据权利要求1所述基于不完备遥感数据的作物识别方法,其特征在于,所述根据所述数据缺失值,对所述第二时序特征进行拓展,得到第三时序特征,包括:比较所述数据缺失值与设定阈值,若所述数据缺失值小于或等于所述设定阈值,则对所述第二时序特征进行插值,以重建的方式获取所述目标时序特征;若所述数据缺失值大于所述设定阈值,则遍历所有时序特征,通过计算所述第二时序特征与完备的时序特征的相似度,得到相似度最大的所述时序特征,作为所述目标时序特征。
5.根据权利要求1所述基于不完备遥感数据的作物识别方法,其特征在于,所述对所述光学遥感数据进行增补处理的方式为采用多源数据融合的处理方式对作物的时序特征进行扩展,对多源遥感数据归一化处理。
6.根据权利要求5所述基于不完备遥感数据的作物识别方法,其特征在于,所述对作物的时序特征进行扩展,包括:
计算所述光学遥感数据的极值点的特征值;
获取完备的时序特征的参考值;
所述光学遥感数据的极值点的特征值与所述完备的时序特征的参数值进行匹配,若所述光学遥感数据的极值点的特征值在所述完备的时序特征的参数值的设定范围内,则匹配成功,匹配成功后,按照所述完备的时序特征的参数值填补所述第二时序特征的序列的相同位置;否则匹配失败,则重新获取所述光学遥感数据。
7.根据权利要求1所述基于不完备遥感数据的作物识别方法,其特征在于,确定所述第二时序特征或所述第三时序特征或所述第四时序特征为所述目标时序特征的方式为:
利用完备的所述光学遥感数据获取作物生长特征参数作为作物类型识别的参考值;
根据所述第二时序特征或所述第三时序特征或所述第四时序特征计算所述作物生长特征参数值作为作物类型识别的实际值;
对比所述实际值与所述参考值,若所述实际值达到所述参考值的设定比例阈值,则确定所述第二时序特征或所述第三时序特征或所述第四时序特征是所述目标时序特征;否则确定所述第二时序特征或所述第三时序特征或所述第四时序特征不是所述目标时序特征。
8.根据权利要求1所述基于不完备遥感数据的作物识别方法,其特征在于,所述利用所述第一时序特征对所述第四时序特征进行扩展,得到所述目标时序特征,包括:
根据所述第一时序特征和所述第四时序特征之间的关系,建立transformer网络模型;
利用所述transformer网络模型将所述第四时序特征转换为作物时序特征;
利用曲线拟合-插值的方式对所述作物时序特征进行异常值的剔除处理,得到所述目标时序特征。
9.基于不完备遥感数据的作物识别装置,其特征在于,包括获取单元、第一构建单元、第二构建单元、第一判断单元、计算处理单元、拓展单元、第二判断单元、增补处理单元、第三判断单元、模型构建与训练单元以及识别单元;
所述获取单元,用于获取时序遥感数据;所述时序遥感数据包括雷达影像数据与光学遥感数据;
所述第一构建单元,用于根据所述雷达影像数据,构建作物在地块尺度上的第一时序特征;
所述第二构建单元,用于根据所述光学遥感数据,构建作物在地块尺度上的第二时序特征;
所述第一判断单元,用于判断所述第二时序特征是否完备;若所述第二时序特征完备,则确定所述第二时序特征为目标时序特征;若所述第二时序特征不完备,则计算所述第二时序特征的数据缺失值;所述目标时序特征为完备的作物时序特征;
所述计算处理单元,用于计算所述第二时序特征的数据缺失值;
所述拓展单元,用于根据所述数据缺失值,对所述第二时序特征进行拓展,得到第三时序特征;
所述第二判断单元,用于判断所述第三时序特征是否完备;若所述第三时序特征完备,则确定所述第三时序特征为所述目标时序特征;若所述第三时序特征不完备,则对所述光学遥感数据进行增补处理,重新获取所述第三时序特征,得到第四时序特征;
所述增补处理单元,用于对所述光学遥感数据进行增补处理,得到第四时序特征;
所述第三判断单元,用于判断所述第四时序特征是否完备;若所述第四时序特征完备,则确定所述第四时序特征为所述目标时序特征;若所述第四时序特征不完备,则利用所述第一时序特征对所述第四时序特征进行扩展,得到所述目标时序特征;
所述模型构建与训练单元,用于构建作物类型识别模型,利用所述目标时序特征对所述作物类型识别模型进行训练;
所述识别单元,用于根据所述作物类型识别模型,识别目标地块各个类型的作物的分布信息。
10.一种电子设备,其特征在于,包括:
处理器和存储器;
所述存储器,用于存储计算机操作指令;
所述处理器,用于通过调用所述计算机操作指令,执行权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210686316.5A CN114782825B (zh) | 2022-06-17 | 2022-06-17 | 基于不完备遥感数据的作物识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210686316.5A CN114782825B (zh) | 2022-06-17 | 2022-06-17 | 基于不完备遥感数据的作物识别方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114782825A true CN114782825A (zh) | 2022-07-22 |
CN114782825B CN114782825B (zh) | 2022-09-16 |
Family
ID=82421528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210686316.5A Active CN114782825B (zh) | 2022-06-17 | 2022-06-17 | 基于不完备遥感数据的作物识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782825B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274798A (zh) * | 2023-09-06 | 2023-12-22 | 中国农业科学院农业信息研究所 | 基于正则化的时序变分模型的遥感水稻识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189564A1 (en) * | 2016-12-30 | 2018-07-05 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
CN109840553A (zh) * | 2019-01-17 | 2019-06-04 | 苏州中科天启遥感科技有限公司 | 耕地作物类型的提取方法及系统、存储介质、电子设备 |
CN112084991A (zh) * | 2020-09-18 | 2020-12-15 | 中国农业科学院农业资源与农业区划研究所 | 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 |
CN112686086A (zh) * | 2019-10-19 | 2021-04-20 | 中国科学院空天信息创新研究院 | 一种基于光学-sar协同响应的作物分类方法 |
CN113642464A (zh) * | 2021-08-13 | 2021-11-12 | 福州大学 | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 |
CN114299393A (zh) * | 2021-12-30 | 2022-04-08 | 福州大学 | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 |
-
2022
- 2022-06-17 CN CN202210686316.5A patent/CN114782825B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189564A1 (en) * | 2016-12-30 | 2018-07-05 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
CN109840553A (zh) * | 2019-01-17 | 2019-06-04 | 苏州中科天启遥感科技有限公司 | 耕地作物类型的提取方法及系统、存储介质、电子设备 |
CN112686086A (zh) * | 2019-10-19 | 2021-04-20 | 中国科学院空天信息创新研究院 | 一种基于光学-sar协同响应的作物分类方法 |
CN112084991A (zh) * | 2020-09-18 | 2020-12-15 | 中国农业科学院农业资源与农业区划研究所 | 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 |
CN113642464A (zh) * | 2021-08-13 | 2021-11-12 | 福州大学 | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 |
CN114299393A (zh) * | 2021-12-30 | 2022-04-08 | 福州大学 | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 |
Non-Patent Citations (1)
Title |
---|
史飞飞等: "基于多源遥感数据的复杂地形区农作物分类", 《地理与地理信息科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274798A (zh) * | 2023-09-06 | 2023-12-22 | 中国农业科学院农业信息研究所 | 基于正则化的时序变分模型的遥感水稻识别方法 |
CN117274798B (zh) * | 2023-09-06 | 2024-03-29 | 中国农业科学院农业信息研究所 | 基于正则化的时序变分模型的遥感水稻识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114782825B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
Pyörälä et al. | Variability of wood properties using airborne and terrestrial laser scanning | |
CN111553245A (zh) | 基于机器学习算法和多源遥感数据融合的植被分类方法 | |
Blomley et al. | Tree species classification using within crown localization of waveform LiDAR attributes | |
CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
CN113160183B (zh) | 一种高光谱数据处理方法、设备及介质 | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
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 | |
Cai et al. | Measurement of potato volume with laser triangulation and three-dimensional reconstruction | |
CN114782825B (zh) | 基于不完备遥感数据的作物识别方法、装置及电子设备 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
CN113255972A (zh) | 基于Attention机制的短临降水预测方法 | |
CN117572451B (zh) | 一种基于多线激光雷达的交通信息采集方法、设备及介质 | |
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 | |
CN116935082A (zh) | 一种基于时间序列融合影像提取洪水水体的IK-means方法 | |
CN116071644B (zh) | 逐日叶面积指数数据反演方法、装置、设备及存储介质 | |
CN115631419B (zh) | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 | |
CN116973891A (zh) | 车辆的激光雷达标定方法、装置、电子设备及存储介质 | |
CN115393306A (zh) | 一种用于地理遥感信息服务的土地利用动态变化分析系统 | |
CN114863235A (zh) | 一种异质遥感图像的融合方法 | |
Fan et al. | An improved Deeplab based model for extracting cultivated land information from high definition remote sensing images | |
Myslyva et al. | Use of medium and high-resolution remote sensing data and Markov chains for forecasting productivity of non-conventional fodder crops. | |
CN112200845A (zh) | 一种图像配准方法和装置 | |
Song et al. | Crop Classification Using Multitemporal Landsat 8 Images | |
AU2021103519A4 (en) | A system for water stress identification in crops and method there of |
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 |