CN117094430A - 一种农作物分布预测方法、系统、设备及介质 - Google Patents
一种农作物分布预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117094430A CN117094430A CN202310887483.0A CN202310887483A CN117094430A CN 117094430 A CN117094430 A CN 117094430A CN 202310887483 A CN202310887483 A CN 202310887483A CN 117094430 A CN117094430 A CN 117094430A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image data
- sensing image
- crop
- data
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 97
- 238000010586 diagram Methods 0.000 claims abstract description 41
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 98
- 238000012360 testing method Methods 0.000 claims description 71
- 238000000605 extraction Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 abstract description 6
- 238000013508 migration Methods 0.000 abstract description 4
- 230000005012 migration Effects 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种农作物分布预测方法、系统、设备及介质,涉及农作物分布预测技术领域,所述方法包括:获取目标地区在源域和目标域农作物生长季的遥感影像数据,以及源域影像对应的农作物分布样本数据;根据遥感影像数据基于归一化植被指数最大值合成,得到峰值生长季遥感影像数据;之后将源域峰值生长季影像和农作物分布样本数据输入卷积神经网络,得到最优模型参数,并确认训练好的卷积神经网络模型;对目标域影像进行分布匹配得到匹配后峰值生长季影像;将匹配后峰值生长季影像输入训练好的卷积神经网络模型得到农作物分布像素点图。本发明能够考虑不同农作物在峰值生长季的光谱分布差异,实现模型的时间迁移,提高农作物分布的预测精度。
Description
技术领域
本发明涉及农作物分布预测技术领域,特别是涉及一种农作物分布预测方法、系统、设备及介质。
背景技术
准确、及时的作物类型识别对于科学研究和实际应用至关重要,因此,作物类型制图作为遥感领域中最活跃的领域之一,已经发展了几十年。在数据的获取与应用方面,虽然基于时间序列遥感数据的作物识别取得了较好的准确性,但当大量数据被滤波并输入模型时,会存在数据获取时空环境不稳定而导致的数据之间的关系不明确。同时,由于图像处理操作较多,时间序列数据获取更费时费力。因此,利用作物关键生长季选择单时相遥感影像进行农作物测绘具有更广阔的实际应用前景。但是,又因为存在农作物物候的年际变化和影像的可获取程度的不同,在使用单时相的遥感影像进行农作物制图时,又很难将测试影像的日期与训练影像的日期相匹配。在机器学习分类的方法方面,机器学习算法辅助的基于卫星影像数据的制图方法为农作物制图的主要方法之一。传统的机器学习方法如随机森林、支持向量机、决策树和人工神经网络已经广泛的用于农作物识别。这些模型通过输入高维数据,包括原始光学数据、植被指数和物候指数等,以学习复杂的识别模式。这些方法随着特征空间维度的增加提高了分类准确性,但其缺点是严重依赖基于领域先验知识的人工特征工程构建,难以捕捉高级特征之间的长期依赖关系。此外,当测试图像由于采集条件不同而具有“光谱变异性”时,大多数机器学习方法往往表现不佳。同时,模型迁移学习的成本高,大多数机器学习方法只能从原始数据中提取低或中等水平的特征,但在提取空间分布信息方面表现不佳。深度学习的最新进展表明,数据驱动的深度神经网络可以从遥感影像中学习基本的空间依赖关系。近年来,卷积神经网络(CNN,Convolutional NeuralNetwork)由于能够自动地从训练集中分层学习代表性特征和判别特征空间位置信息,在深度学习领域受到了广泛的关注。
无论是传统的机器学习还是深度学习方法,分类精度都会受到特征空间的影响。深度卷积神经网络在提取高层特征时提升了通道的维度,但通道之间是否存在权重尚不清楚。2017年,自然语言处理中的序列分析提出了注意机制,它支持从非常长的序列中提取特征,可以通过高效的并行计算超过10000个单元。为了进一步优化深度学习模型,引入了注意力机制,通过解决对信息特征的更多关注,来减少从隐藏层中提取的冗余中间特征。近年来,将多个自注意层与位置前向反馈网络相结合的Transformer模型在农作物识别中取得了最高的性能。
当目标域和源域具有相同的分布时,大多数嵌入注意机制的CNN方法都能获得更好的性能。这是因为大部分深度学习算法一般都假设目标域和源域服从独立同分布(IID,independently and identically distributed)。然而,遥感分类中,由于目标域和源域来自不同传感器或不同年份的不同采集条件下拍摄的图像,特别是光照、环境、大气的变化,会在同一类作物之间产生光谱年际变化,这往往会违背了IID假设。因此,由于光谱的可变性,这些模型可能在不同的领域表现不佳,即使作物类别在不同的领域是共享的。
综上,基于深度学习的方法可以有效利用遥感影像中的农作物地块的边界和空间位置信息,进行农作物制图。然而,由于农作物物候的年际变化,在基于关键物候期使用传统卷积神经网络根据单时相的遥感影像进行农作物预测训练时,很难将测试影像的日期与训练影像的日期相匹配。同时,传统卷积神经网络进行农作物分布预测时,没有考虑深层特征之间的权重信息,并且,由于光照条件、环境、大气的变化,同一类别作物在不同时间也会产生光谱分布差异,这种差异将导致在进行农作物分布预测时,使用的预测遥感影像数据和训练遥感影像数据的分布不满足“独立同分布”,对预测农作物分布的结果产生了干扰,降低预测农作物分布的预测精度。
发明内容
本发明的目的是提供一种农作物分布预测方法、系统、设备及介质,能够考虑农作物不同时间产生的光谱分布差异,提高农作物分布的预测精度。
为实现上述目的,本发明提供了如下方案:
一种农作物分布预测方法,包括:
分别获取目标地区在源域和目标域的农作物生长季的多期遥感影像数据,以及源域遥感影像数据对应的农作物分布样本数据;
根据所述源域和所述目标域的农作物生长季的遥感影像数据基于归一化植被指数最大值合成,得到所述源域和所述目标域的峰值生长季遥感影像数据;
将所述源域的峰值生长季遥感影像数据和对应的农作物分布样本数据输入卷积神经网络模型进行多次迭代训练,得到所述卷积神经网络模型的最优模型参数,根据所述最优模型参数确认训练好的卷积神经网络模型;
将所述源域的峰值生长季遥感影像数据作为参考影像,对所述目标域的峰值生长季遥感影像数据进行分布匹配,得到所述目标域的匹配后峰值生长季影像;
将所述目标域匹配后峰值生长季影像输入训练好的卷积神经网络模型,得到农作物分布像素点图;所述农作物分布像素点图用于表征所述目标地区在所述目标域的农作物分布状况。
可选地,根据所述源域和所述目标域的农作物生长季的多期遥感影像数据基于归一化植被指数最大值合成,得到所述源域和所述目标域的峰值生长季遥感影像数据,包括:
对于任一时间的农作物生长季的遥感影像数据,计算所述农作物生长季的遥感影像数据中各像素的归一化植被指数;
基于归一化植被指数最大值合成,得到所述目标地区在所述源域和目标域峰值生长季遥感影像数据;
其中,任一时间的农作物生长季的遥感影像数据中任一像素的归一化植被指数的计算公式为:
其中,Nir为所述农作物遥感影像数据中像素对应的近红外波段的反射值,Red为所述农作物遥感影像数据中像素对应的红外光波段的反射值。
可选地,所述卷积神经网络模型,包括依次连接的特征地图提取模块、空间信息提取模块、通道自注意力模块、特征拼接模块、编码模块、像素点图确认模块和测试精度确认模块;
将所述源域的峰值生长季遥感影像数据和对应的农作物分布样本数据输入卷积神经网络模型进行多次迭代训练,得到所述卷积神经网络模型的最优模型参数,具体包括:
获取训练集;所述训练集,包括:所述目标地区的源域的峰值生长季遥感影像数据和对应的实际农作物分布样本数据;
将所述训练集按预设比例划分为训练数据和测试数据;所述预设比例为9:1;所述训练数据,包括:所述目标地区的源域的峰值生长季遥感影像数据和对应的实际农作物分布样本数据;所述测试数据为所述训练集中除所述训练数据之外的数据;
根据所述训练数据和所述测试数据,对卷积神经网络模型进行多次训练迭代,当测试精度满足预设训练目标时停止迭代,保存测试精度最高的一次迭代所对应的模型参数为卷积神经网络的最优模型参数;所述预设训练目标为所述卷积神经网络模型在预设训练迭代次数内测试精度未发生变化;
其中,所述卷积神经网络模型的任一次训练迭代过程,具体为:
根据所述特征地图提取模块提取所述源域的峰值生长季遥感影像数据中的农作物地块的边界信息;
根据所述空间信息提取模块提取所述源域的峰值生长季遥感影像数据中的农作物的空间分布信息;
根据所述通道自注意力模块提取所述源域的峰值生长季遥感影像数据中的农作物的深层特征权重信息;
根据所述特征拼接模块对所述边界信息、所述空间分布信息和所述深层特征权重信息进行特征拼接,得到特征拼接图像;
根据所述编码模块计算所述特征拼接图像的每个像素的类别概率;
根据所述像素点图确认模块根据所述特征拼接图像的每个像素的类别概率,得到所述源域的峰值生长季遥感影像数据对应的农作物分布像素点图;
根据所述测试精度确认模块将所述对应的农作物分布样本数据和所述对应的农作物分布像素点图进行,确认当前次测试精度。
可选地,所述农作物分布预测方法还包括:
所述卷积神经网络模型的任一次训练迭代过程,具体为:
将所述训练数据和对应的实际农作物分布样本数据输入所述卷积神经网络模型,得到所述卷积神经网络模型的当前次训练迭代模型参数;
输入所述测试数据,利用当前次训练迭代模型参数预测所述测试数据对应的测试农作物分布数据,并与测试数据的实际农作物分布数据作对比,得到当前次训练迭代的测试精度。
可选地,将所述源域的峰值生长季遥感影像数据作为参考影像,对所述目标域的峰值生长季遥感影像数据进行分布匹配,得到所述目标域的匹配后峰值生长季影像,具体包括:
根据公式即:T(R)=G(Z)对所述目标域的峰值生长季遥感影像数据进行分布匹配,得到所述目标域的匹配后峰值生长季影像;所述源域的峰值生长季遥感影像数据和所述目标域的匹配后峰值生长季遥感影像数据具有相似的域分布;
其中,r为所述源域的峰值生长季遥感影像数据中任一像素的灰度值,它的概率密度为P(r),对应的概率为T(r);z为所述目标域的峰值生长季遥感影像数据中任一像素的灰度值,它的概率密度为P(z),对应的概率为G(z);L为像素灰度级的个数;
通过函数反变换,得到所述目标域的匹配后峰值生长季遥感影像数据中任一像素变换后的灰度值z为G-1(T(R))。
为实现上述目的,本发明提供了如下方案:
一种农作物分布预测系统,包括:
数据获取单元,用于获取目标地区在源域和目标域农作物生长季的遥感影像数据,获取目标地区源域遥感影像对应的农作物分布样本数据;
最大值合成单元,用于根据所述源域和所述目标域的农作物生长季的遥感影像数据,基于归一化植被指数最大值合成所述源域和所述目标域的峰值生长季遥感影像数据;
训练单元,用于将所述源域的峰值生长季遥感影像数据和对应的农作物分布样本数据输入卷积神经网络模型进行多次迭代训练,得到所述卷积神经网络模型的最优模型参数,根据所述最优模型参数得到训练好的卷积神经网络模型;
影像分布匹配单元,用于将所述源域的峰值生长季遥感影像数据作为参考影像,对所述目标域的峰值生长季遥感影像数据进行分布匹配,得到所述目标域的匹配后峰值生长季影像;
预测单元,用于将所述目标域匹配后峰值生长季影像输入训练好的卷积神经网络模型,得到农作物分布像素点图,所述农作物分布像素点图用于表征所述目标地区在所述目标域的农作物分布状况。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行所述的农作物分布预测方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现所述的农作物分布预测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开的所述农作物分布预测方法显示获取目标地区的源域、目标域的农作物生长季的遥感影像数据,以及源域遥感影像数据对应的农作物分布样本数据,并基于归一化植被指数最大值合成,得到所述源域和所述目标域的峰值生长季遥感影像数据,将源域的峰值生长季遥感影像数据和对应的农作物分布样本数据输入输入卷积神经网络模型进行多次训练,确定训练好的卷积神经网络模型,;之后对目标域得到所述目标域的匹配后峰值生长季影像,并将器输入训练好的卷积神经网络模型,得到农作物分布像素点图。
本发明公开的所述农作物分布预测方法在完成之后,若需要再次对目标域进行分布预测,则不用重复获取源域影像,直接将目标域的农作物生长季的遥感影像数据影像输入训练好的卷积神经网络模型,即可获得目标域农作物分布像素点图,预测目标地区在所述目标域的农作物分布状况。本发明在模型训练过程中,本发明考虑到了不同农作物在峰值生长季的光谱分布差异,通过归一化植被指数最大值合成实现模型的时间迁移,通过训练好的卷积神经网络模型能够有效减小预测误差。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明农作物分布预测方法流程示意图;
图2为卷积神经网络模型的网络结构图;
图3为卷积神经网络模型的迭代训练过程示意图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种农作物分布预测方法、系统、设备及介质,能够考虑农作物不同时间产生的光谱分布差异,实现模型的时间迁移,提高农作物分布的预测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的一种农作物分布预测方法,具体包括:
S1:分别获取目标地区在源域和目标域的农作物生长季的遥感影像数据,以及源域遥感影像数据对应的农作物分布样本数据。
参照图1,S1具体包括:
S11:分别获取目标地区在源域和目标域的农作物生长季的遥感影像数据。
其中,所述源域和所述目标域为所述目标地区的不同年份区间,所述目标域为所述源域后的任一年份区间。
S12:获取源域遥感影像数据对应的农作物分布样本数据。
其中,所述农作物生长季的遥感影像数据包括任一年份区间的多个不同时间的农作物遥感影像数据;农作物分布样本数据为相关工作人员在对应的年份期间,前往目标地区进行实地考察后,通过绘制得到的田间观察数据。
S2:根据所述源域和所述目标域的农作物生长季的遥感影像数据基于归一化植被指数最大值合成,得到所述源域和所述目标域的峰值生长季遥感影像数据。
以预测A地区2020-2022各年间的农作物分布为例,本发明通过网络下载等渠道获取A地区2019-2022年期间的农作物生长季的多期遥感影像数据。在上述实施例中,2019年即为源域,2020-2022即为目标域,2019年期间的农作物生长季的多期遥感影像数据即为源域的农作物生长季的遥感影像数据,2020-2022年期间的农作物生长季的多期遥感影像数据即为目标域的农作物生长季的遥感影像数据。
具体地,用传感器对同一目标进行重复探测时,相邻两次探测的时间间隔称为遥感影像数据的时间分辨率。遥感影像数据的时间分辨率差异很大,用遥感影像数据的方式反映遥感影像对象的动态变化时,不仅要弄清楚研究对象本身的变化周期,同时还要了解有没有与之相应的遥感信息源。研究植被的季相节律、农作物的长势,目前以选择Sentinel遥感信息为宜。
遥感影像数据是某一瞬间地面实况的记录,而地理现象是变化的、发展的。因此,在一系列按时间序列成像的多时相遥感图像中,必然存在着最能揭示地理现象本质的“最佳时相”图像。遥感图像时相的选择,既要考虑地物本身的属性特点,也要考虑同一种地物的空间差异。
根据源域和目标域的农作物生长季的多期遥感影像数据,计算各像素的归一化植被指数,并将各像素按归一化植被指数最大值进行合成,得到所述目标地区在所述目标年份的源域和目标域峰值生长季遥感影像。
其中,源域和目标域的农作物生长季的多期遥感影像数据均包含在对应时间范围内的不同时间得到的数据。
具体地,S2具体包括:
对于任一时间的农作物生长季的多期遥感影像数据,计算所述农作物生长季的遥感影像数据中各像素的归一化植被指数。
基于归一化植被指数最大值合成,得到所述目标地区在所述源域和目标域峰值生长季遥感影像数据。
其中,任一期的农作物生长季的遥感影像数据中任一像素的归一化植被指数的计算公式为:
其中,Nir为峰值生长季数据中像素对应的近红外波段的反射值,Red为峰值生长季数据中像素对应的红外光波段的反射值。
仍以预测A地区2019-2022各年间的农作物分布为例,在获取A地区2019-20122年农作物生长季的多期遥感影像数据之后,对于每一期数据,获取对应的基于近红外波段的红外波段图和基于红外光波段的红外光波段图。然后针对每一像素位置,获取该像素分别于近红外波段图和红外光波段图的反射值,根据上述公式计算该像素位置的归一化植被指数。
当源域和目标域各时间的数据的各像素位置均计算完成后,确认各像素位置的最大归一化植被指数,并根据每个时间的遥感影像数据中像素的归一化植被指数最大值进行合成,即可得到所述目标地区在所述源域和所述目标域峰值生长季遥感影像。
S3:将所述源域的峰值生长季遥感影像数据和对应的农作物分布样本数据输入卷积神经网络模型进行多次迭代训练,得到所述卷积神经网络模型的最优模型参数,根据所述最优模型参数确定训练好的卷积神经网络模型。
所述卷积神经网络模型,包括依次连接的特征地图提取模块、空间信息提取模块、通道自注意力模块、特征拼接模块、编码模块、像素点图确认模块和测试精度确认模块。
具体地,将所述源域的峰值生长季遥感影像数据和对应的农作物分布样本数据输入卷积神经网络模型进行多次迭代训练,得到所述卷积神经网络模型的最优模型参数,包括:
S31:获取训练集。其中,所述训练集,包括:所述目标地区的源域的峰值生长季遥感影像数据和对应的实际农作物分布样本数据。
S32:将所述训练集合按预设比例划分为训练数据和测试数据。所述预设比例为9:1。
所述训练数据,包括:所述目标地区的源域的峰值生长季遥感影像数据和对应的实际农作物分布样本数据;所述测试数据为所述训练集中除所述训练数据之外的数据。
S33:根据所述训练数据和所述测试数据,对卷积神经网络模型进行多次训练迭代,当测试精度满足预设训练目标时停止迭代,保存测试精度最高的一次迭代所对应的模型参数为卷积神经网络的最优模型参数。
所述预设训练目标为所述卷积神经网络模型在预设训练迭代次数内测试精度未发生变化。
仍以预测A地区2020-2022各年间的农作物分布为例,在进行农作物分布预测之前,获取A地区2019年的数据用于卷积神经网络的训练。获取A地区2019年的不同时间的农作物生长季的遥感影像数据和对应的2019年的农作物分布样本数据作为训练集,其中A地区2019年的农作物分布图是工作人员前往A地区考察,并根据实地考察结果得到的A地区于2019年的精准详细的农作物分布样本数据。
获取A地区2019年的遥感影像数据和对应的农作物分布样本数据为训练集合(假设A地区在2019年间的农作物分布样本是已知的),此时,将2019年的遥感影像数据和对应的农作物分布样本数据按照9:1划分为训练数据和测试数据。
图2为卷积神经网络模型的网络结构图。参照图2,卷积神经网络模型的网络结构包括依次连接的特征地图提取模块、空间信息提取模块、通道自注意力模块、特征拼接模块、编码模块,卷积神经网络模型的网络结构还包括测试精度确认模块(图中并未示出)。
其中,S33中,所述卷积神经网络模型的任一次训练迭代过程,具体为:
S331:根据所述特征地图提取模块提取所述源域的峰值生长季遥感影像数据中的农作物地块的边界信息。
步骤S331具体包括:所述特征地图提取模块根据所述源域的峰值生长季遥感影像数据中的多光谱数据xs∈RH×W×B,提取所述目标地区的浅层特征和深层特征。其中,H为所述源域的峰值生长季遥感影像数据中的像素的行数,W为所述源域的峰值生长季遥感影像数据的像素的列数,B为所述源域的峰值生长季遥感影像数据的波段数量。
本发明中,所述特征地图提取模块的多光谱输入数据输入形状为256×256×10,经过特征地图提取模块输出的浅层特征数据形状为64×64×24,深层特征数据形状为32×32×320。其中,经过特征地图提取模块输出的浅层特征数据用于描述目标地区基于农作物分布的边界地块及其它拓扑信息,经过1×1卷积操作后数据形状调整为64×64×48。
S332:根据所述空间信息提取模块提取所述源域的峰值生长季遥感影像数据中的农作物的空间分布信息。
具体地,参照图2,在空间信息提取模块使用4种不同膨胀率的膨胀卷积核进行并行特征提取,本发明中的膨胀率分别为2、12、24和36,从4个尺度提取影像的空间位置信息。将经过4种并行膨胀卷积之后的输出结果进行堆叠,再经过1×1卷积将影像形状调整为32×32×256,并对其进行采样将影像形状调整为64×64×256,获得有效的空间特征层,即所述目标域影像中有效的农作物的空间分布信息。
S333:根据所述通道自注意力模块提取所述源域的峰值生长季遥感影像数据中农作物的深层特征权重信息。
如图2所示,通道自注意力模块根据输入的深层特征得到所述深层特征的深层语义特征x∈[sb1,sb2,...,sbi];其中,sbi为所述源域图像的第i个像素的特征向量,第i个像素的维度为深层特征的通道数。
通道自注意力模块根据公式Query=QWi Q计算得到查询输入值Query,根据公式Key=KWi K计算得到键输入值Key,根据公式Value=VWi V计算得到输入值Value。
其中,Query为所述查询输入值,Key为所述键输入值,Value为所述输入值,Wi Q为对应Query可学习的权重矩阵,Wi K为对应Key可学习的权重矩阵,Wi V为对应Value可学习的权重矩阵。
之后,通道自注意力模块根据公式计算得到像素深层语义特征的权重矩阵;其中,W为所述权重矩阵,T为转置矩阵,d为输入的特征数量,i为注意力头数,di为特征数量除以注意力头数。
其中,上述公式中,Softmax用来标准化权重矩阵,是用来对第i个注意力权重的平方根做归一化处理,保证数值的稳定性。
最终,通道自注意力模块还根据公式Z=W×Value计算得到深层特征的注意力特征Z;其中,Z为所述深层特征权重信息。
本发明中,通道自注意力模块包含8个并行的自注意力层,即8头注意力,由于输入通道注意力模块的深层特征数为320,因此每头注意力处理40个特征。同时,每头注意力包括6个注意力层和一个通过Softmax函数的位置全连接前馈网络,每个注意力层都采取残差连接和层正则化。最后,所有子层的输出特征都是320维。
S334:根据所述特征拼接模块对所述边界信息、所述空间分布信息和所述深层特征权重信息进行特征拼接,得到特征拼接图像。
S335:根据所述编码模块计算所述特征拼接图像的每个像素的类别概率。
具体地,所述编码模块为独热编码计算模块。
如图2的所示,所述特征拼接模块将从特征地图提取模块中提取的浅层特征(农作物地块的边界信息)、从空间特征提取模块中得到的空间特征层(农作物的空间分布信息)及通道注意力模块中得到的注意力特征(农作物的深层特征权重信息)按特征拼接,最后利用编码模块计算每个像素的类别概率。
S336:根据所述像素点图确认模块根据所述特征拼接图像的每个像素的类别概率,并将概率最大的类别被视为预测类别,得到所述目标地区在所述源域的峰值生长季遥感影像数据对应的农作物分布像素点图。
S337:根据所述测试精度确认模块将所述对应的农作物分布样本数据和所述对应的农作物分布像素点图进行,确认当前次测试精度。
结合图2以及S3的具体内容,所述源域的峰值生长季遥感影像数据(即源域影像)在输入卷积神经网络模型后,先是经过特征提取模块的卷积块、卷积块0、卷积块1、卷积块2依次处理后得到并输出浅层特征,之后继续经卷积块3、卷积块4、卷积块5和卷积块6进行依次处理得到并输出深层特征。其中深层特征不仅用于输入空间信息提取模块,由所述空间信息提取模块的4个卷积和1个池化同时处理,并依次对处理结果再次先后进行基于拼接和卷积的处理,得到农作物的空间分布信息;深层特征还用于由通道自注意力模块进行提取得到农作物的深层特征权重信息。
其中农作物的空间分布信息从空间信息特征提取模块输出,之后经过上采样后,和浅层特征、农作物的深层特征权重信息进行特征拼接,并再次经过卷积处理得到特征拼接图像,之后所述特征拼接图像计算特征拼接图像的每个像素的类别概率。卷积神经网络模型根据计算结果确认当前权重参数,并经过多次训练迭代后确认最优权重参数(即最优模型参数),将确认最有权重参数的卷积神经网络模型记为训练好的卷积神经网络模型,基于训练好的卷积神经网络模型预测目标域的农作物分布,得到目标域的农作物分布图。
参照S3的具体内容,所述农作物分布预测方法还包括:
所述卷积神经网络模型的任一次训练迭代过程,具体为:
将所述训练数据和对应的实际农作物分布样本数据输入所述卷积神经网络,得到卷积神经网络的当前次训练迭代的模型参数。
输入所述测试数据,利用当前次模型参数预测所述测试数据对应的测试农作物分布数据,并与测试数据的实际农作物分布数据作对比,得到当前次训练迭代的测试精度。
具体地,参考卷积神经网络结构,所述农作物分布预测方法根据所述训练数据和所述测试数据对卷积神经网络模型进行多次训练迭代,当连续10次(即预设训练迭代次数)的测试精度不发生变化时(即预设训练目标)则停止训练迭代,并保存测试精度最高的一次迭代所对应的模型参数为卷积神经网络的最优模型参数。
其中,在满足预设训练目标的卷积神经网络模型的训练迭代过程中,其任一次训练迭代过程,具体是将训练数据输入卷积神经网络模型,得到卷积神经网络模型的每一次训练迭代的模型参数。之后输入测试数据,利用得到的模型参数预测测试数据的农作物分布,并与实际测试数据的农作物分布作对比,得到每次迭代的测试精度。将每次迭代的测试精度进行比较,保存测试精度最高的一次迭代所对应的模型参数,并在满足预设训目标且满足预设云联迭代次数时,将保存的测试精度最高的对应的模型参数记为最优模型参数。
S4:将所述源域的峰值生长季遥感影像数据作为参考影像,对所述目标域的峰值生长季遥感影像数据进行分布匹配,得到所述目标域的匹配后峰值生长季影像。
具体地,S4包括:
根据公式即:T(R)=G(Z)对所述目标域的峰值生长季遥感影像数据进行分布匹配,得到所述目标域的匹配后峰值生长季影像;所述源域的峰值生长季遥感影像数据和所述目标域的匹配后峰值生长季遥感影像数据具有相似的域分布。
其中,所述源域的峰值生长季遥感影像数据中任一像素的灰度值为r,它的概率密度为P(r),对应的概率为T(r);所述目标域的峰值生长季遥感影像数据中任一像素的灰度值为z,它的概率密度为P(z),对应的概率为G(z);L为像素灰度级的个数.
通过函数反变换,得到所述目标域的匹配后峰值生长季遥感影像数据中任一像素变换后的灰度值z为G-1(T(R))。
在S4中,使用映射变换,使目标域影像中像素的值域和源域影像中像素的值域具有相似的分布。计算源域中灰度值为r的任意像素概率密度P(r)和对应的概率T(r);以及目标域中灰度值为z的任意像素概率密度P(z)和对应的概率G(z)。为使源域和目标域像素的值域具有相似的分布,需满足即T(R)=G(Z),根据源域概率T(R)和目标概率G(z)进行函数反变换,计算得到目标域灰度值为z的像素在源域中所对应的灰度值。
S5:将所述目标域匹配后峰值生长季影像输入训练好的卷积神经网络模型,得到农作物分布像素点图。
所述农作物分布像素点图用于表征所述目标地区在所述目标域的农作物分布状况。
图3为卷积神经网络模型的迭代训练过程示意图。参照图3,获取目标地区的农作物生长季多期遥感影像数据,包括目标地区的2019年份的农作物生长季的多期遥感影像数据和2020-2022各年间的农作物生长季的多期遥感影像数据,对2019年的农作物生长季的遥感影像数据和2020-2022各年间的农作物生长季的多期遥感影像数据按NDVI最大值合成,即归一化植被指数最大值合成,得到源域的峰值生长季遥感影像数据(即源域影像2019)和目标域峰值生长季影像2020-2022(即目标域域影像2020-2022)。
同时,获取对应的2019-2022各年间的田间观察数据,对田间观察数据进行重采样,使其具有和对应的年间的农作物生长季的峰值生长季遥感数据相同的空间分辨率,得到实际农作物分布像素点图,并将2019年实际农作物分布像素点图作为源域标签2019,将2020-2022实际农作物分布像素点图作为目标域标签2020-2022。
之后,将源域影像2019和源域标签2019按9:1划分为训练数据和测试数据输入卷积神经网络模型,经过特征地图提取模块、空间特征提取模块和通道自注意力模块特征提取后,进行特征拼接,然后根据解码模块利用独热编码计算特征拼接图像的各个像素的类别概率,根据计算得到的各个像素的类别概率得到本次训练的卷积神经网络的模型参数;将测试数据输入卷积神经网络,利用模型参数获得测试数据的农作物分布图,并将获得的农作物分布图与实际的测试数据的农作物分布图通过测试精度确认模块进行比较并记录测试精度。
将上述训练过程进行多次迭代,将测试精度最高一次训练所对应的模型参数保存为最优模型参数,用于预测目标域农作物分布。
以源域影像2019作为参考影像,对目标域影像2020-2022做分布匹配,得到新的目标域影像2020-2022。
根据最优模型参数得到训练好的卷积神经网络模型,根据训练好的卷积神经网络模型预测目标地区于2020-2022年份的农作物分布像素点图,并与目标地区标签2020-2022进行比较,判断当前卷积神经网络最优模型参数的预测精度。
可选地,卷积神经网络模型的初始化使用高斯分布函数,设置了初始学习率和权值衰减,利用滑动窗口裁剪获取影像块,每批送入一定量的影像块,使用Adam优化器进行求解,训练共进行了多次迭代,直至连续10次训练结果的精度不再增加,得到卷积神经网络的最优模型参数。
基于本发明提供的农作物分布预测方法,本发明还提供了一种农作物分布预测系统,包括:数据获取单元、最大值合成单元、训练单元、影像分布匹配单元和预测单元。
所述最大值合成单元用于获取目标地区在源域和目标域农作物生长季的遥感影像数据,获取目标地区源域遥感影像对应的农作物分布样本数据。
其中,所述源域和所述目标域为所述目标地区的不同年份区间,所述目标域为所述源域后的任一年份区间;所述农作物生长季的遥感影像数据包括任一年份区间的多个不同时间的农作物遥感影像数据。
所述训练单元用于将所述源域的峰值生长季遥感影像数据和对应的农作物分布样本数据输入卷积神经网络模型进行多次迭代训练,得到所述卷积神经网络模型的最优模型参数,根据所述最优模型参数得到训练好的卷积神经网络模型。
所述影像分布匹配单元用于将所述源域的峰值生长季遥感影像数据作为参考影像,对所述目标域的峰值生长季遥感影像数据进行分布匹配,得到所述目标域的匹配后峰值生长季影像。
所述预测单元用于将所述目标域匹配后峰值生长季影像输入训练好的卷积神经网络模型,得到农作物分布像素点图,所述农作物分布像素点图用于表征所述目标地区在所述目标域的农作物分布状况。
进一步地,本发明还提供一种电子设备,该电子设备可以包括:处理器、通信接口、存储器、显卡和通信总线。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。处理器可以调用存储器中的计算机程序,以执行所述的农作物分布预测方法。显卡可以加速计算,以执行卷积神网络的快速训练。
本发明还提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例所述的农作物分布预测方法。上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非暂态计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本发明利用归一化植被指数最大值合成农作物的峰值生长季数据得到农作物分布图,避免了单时相农作物识别中物候期年际间提前或滞后导致的时相不匹配问题,在卷积神经网络模型中嵌入了通道自注意力模块,从空间域和光谱域充分学习农作物的空间分布特征和光谱分布特征,有效提高传统卷积神经网络的识别精度和训练效率,基于农作物的峰值生长季数据对农作物进行准确分类。同时,本发明首次从测试影像光谱分布匹配角度看待跨区域,跨年际农作物分布预测问题,在没有利用测试影像标签的前提下实现模型参数的迁移,使由于测试影像光谱分布发生变化而失效的深度学习网络模型继续具有判别能力,提升了模型的时空泛化性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种农作物分布预测方法,其特征在于,包括:
分别获取目标地区在源域和目标域的农作物生长季的多期遥感影像数据,以及源域遥感影像数据对应的农作物分布样本数据;
根据所述源域和所述目标域的农作物生长季的多期遥感影像数据基于归一化植被指数最大值合成,得到所述源域和所述目标域的峰值生长季遥感影像数据;
将所述源域的峰值生长季遥感影像数据和对应的农作物分布样本数据输入卷积神经网络模型进行多次迭代训练,得到所述卷积神经网络模型的最优模型参数,根据所述最优模型参数确定训练好的卷积神经网络模型;
将所述源域的峰值生长季遥感影像数据作为参考影像,对所述目标域的峰值生长季遥感影像数据进行分布匹配,得到所述目标域的匹配后峰值生长季影像;
将所述目标域匹配后峰值生长季影像输入训练好的卷积神经网络模型,得到农作物分布像素点图;所述农作物分布像素点图用于表征所述目标地区在所述目标域的农作物分布状况。
2.根据权利要求1所述的农作物分布预测方法,其特征在于,根据所述源域和所述目标域的农作物生长季的多期遥感影像数据基于归一化植被指数最大值合成,得到所述源域和所述目标域的峰值生长季遥感影像数据,包括:
对于任一时间的农作物生长季的遥感影像数据,计算所述农作物生长季的遥感影像数据中各像素的归一化植被指数;
基于归一化植被指数最大值合成,得到所述目标地区在所述源域和目标域峰值生长季遥感影像数据;
其中,任一时间的农作物遥感影像数据中任一像素的归一化植被指数的计算公式为:
其中,Nir为所述农作物遥感影像数据中像素对应的近红外波段的反射值,Red为所述农作物遥感影像数据中像素对应的红外光波段的反射值。
3.根据权利要求1所述的农作物分布预测方法,其特征在于,所述卷积神经网络模型,包括依次连接的特征地图提取模块、空间信息提取模块、通道自注意力模块、特征拼接模块、编码模块、像素点图确认模块和测试精度确认模块;
将所述源域的峰值生长季遥感影像数据和对应的农作物分布样本数据输入卷积神经网络模型进行多次迭代训练,得到所述卷积神经网络模型的最优模型参数,具体包括:
获取训练集;所述训练集,包括:所述目标地区的源域的峰值生长季遥感影像数据和对应的实际农作物分布样本数据;
将所述训练集按预设比例划分为训练数据和测试数据;所述预设比例为9:1;所述训练数据,包括:所述目标地区的源域的峰值生长季遥感影像数据和对应的实际农作物分布样本数据;所述测试数据为所述训练集中除所述训练数据之外的数据;
根据所述训练数据和所述测试数据,对卷积神经网络模型进行多次训练迭代,当测试精度满足预设训练目标时停止迭代,保存测试精度最高的一次迭代所对应的模型参数为卷积神经网络的最优模型参数;所述预设训练目标为所述卷积神经网络模型在预设训练迭代次数内测试精度未发生变化;
其中,所述卷积神经网络模型的任一次训练迭代过程,具体为:
根据所述特征地图提取模块提取所述源域的峰值生长季遥感影像数据中的农作物地块的边界信息;
根据所述空间信息提取模块提取所述源域的峰值生长季遥感影像数据中的农作物的空间分布信息;
根据所述通道自注意力模块提取所述源域的峰值生长季遥感影像数据中的农作物的深层特征权重信息;
根据所述特征拼接模块对所述边界信息、所述空间分布信息和所述深层特征权重信息进行特征拼接,得到特征拼接图像;
根据所述编码模块计算所述特征拼接图像的每个像素的类别概率;
根据所述像素点图确认模块根据所述特征拼接图像的每个像素的类别概率,得到所述源域的峰值生长季遥感影像数据对应的农作物分布像素点图;
根据所述测试精度确认模块将所述对应的农作物分布样本数据和所述对应的农作物分布像素点图进行,确认当前次测试精度。
4.根据权利要求1所述的农作物分布预测方法,其特征在于,所述农作物分布预测方法还包括:
所述卷积神经网络模型的任一次训练迭代过程,具体为:
将所述训练数据和对应的实际农作物分布样本数据输入所述卷积神经网络模型,得到所述卷积神经网络模型的当前次训练迭代模型参数;
输入所述测试数据,利用当前次训练迭代模型参数预测所述测试数据对应的测试农作物分布数据,并与测试数据的实际农作物分布数据作对比,得到当前次训练迭代的测试精度。
5.根据权利要求1所述的农作物分布预测方法,其特征在于,将所述源域的峰值生长季遥感影像数据作为参考影像,对所述目标域的峰值生长季遥感影像数据进行分布匹配,得到所述目标域的匹配后峰值生长季影像,具体包括:
根据公式即:T(R)=G(Z)对所述目标域的峰值生长季遥感影像数据进行分布匹配,得到所述目标域的匹配后峰值生长季影像;所述源域的峰值生长季遥感影像数据和所述目标域的匹配后峰值生长季遥感影像数据具有相似的域分布;
其中,r为所述源域的峰值生长季遥感影像数据中任一像素的灰度值,它的概率密度为P(r),对应的概率为T(r);z为所述目标域的峰值生长季遥感影像数据中任一像素的灰度值,它的概率密度为P(z),对应的概率为G(z);L为像素灰度级的个数;
通过函数反变换,得到所述目标域的匹配后峰值生长季遥感影像数据中任一像素变换后的灰度值z为G-1(T(R))。
6.一种农作物分布预测系统,其特征在于,包括:
数据获取单元,用于获取目标地区在源域和目标域农作物生长季的遥感影像数据,获取目标地区源域遥感影像对应的农作物分布样本数据;
最大值合成单元,用于根据所述源域和所述目标域的农作物生长季的遥感影像数据,基于归一化植被指数最大值合成所述源域和所述目标域的峰值生长季遥感影像数据;
训练单元,用于将所述源域的峰值生长季遥感影像数据和对应的农作物分布样本数据输入卷积神经网络模型进行多次迭代训练,得到所述卷积神经网络模型的最优模型参数,根据所述最优模型参数得到训练好的卷积神经网络模型;
影像分布匹配单元,用于将所述源域的峰值生长季遥感影像数据作为参考影像,对所述目标域的峰值生长季遥感影像数据进行分布匹配,得到所述目标域的匹配后峰值生长季影像;
预测单元,用于将所述目标域匹配后峰值生长季影像输入训练好的卷积神经网络模型,得到农作物分布像素点图,所述农作物分布像素点图用于表征所述目标地区在所述目标域的农作物分布状况。
7.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至5中任一项所述的农作物分布预测方法。
8.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的农作物分布预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310887483.0A CN117094430B (zh) | 2023-07-19 | 2023-07-19 | 一种农作物分布预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310887483.0A CN117094430B (zh) | 2023-07-19 | 2023-07-19 | 一种农作物分布预测方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117094430A true CN117094430A (zh) | 2023-11-21 |
CN117094430B CN117094430B (zh) | 2024-04-26 |
Family
ID=88777800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310887483.0A Active CN117094430B (zh) | 2023-07-19 | 2023-07-19 | 一种农作物分布预测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094430B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068176A1 (zh) * | 2019-10-11 | 2021-04-15 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
CN113469122A (zh) * | 2021-07-21 | 2021-10-01 | 北京师范大学 | 基于深度学习作物时空泛化分类方法及系统 |
CN114022762A (zh) * | 2021-10-26 | 2022-02-08 | 三峡大学 | 对农作物种植区域面积进行提取的无监督域自适应方法 |
CN114332546A (zh) * | 2022-03-17 | 2022-04-12 | 北京艾尔思时代科技有限公司 | 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 |
CN114419367A (zh) * | 2021-12-29 | 2022-04-29 | 中国农业大学 | 一种农作物高精度制图方法及系统 |
CN115019104A (zh) * | 2022-06-23 | 2022-09-06 | 中山大学 | 基于多源域自注意力的小样本遥感图像分类方法及系统 |
CN115223059A (zh) * | 2022-08-31 | 2022-10-21 | 自然资源部第三航测遥感院 | 基于多元遥感影像的多云雾区域农作物种植模式提取方法 |
CN115331104A (zh) * | 2022-08-17 | 2022-11-11 | 中国农业大学 | 一种基于卷积神经网络的农作物种植信息提取方法 |
CN115439754A (zh) * | 2022-08-02 | 2022-12-06 | 武汉大学 | 一种基于时序遥感影像的大范围跨物候区农作物制图方法 |
WO2023029373A1 (zh) * | 2021-08-30 | 2023-03-09 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
CN115830297A (zh) * | 2022-12-02 | 2023-03-21 | 珠海欧比特宇航科技股份有限公司 | 一种遥感影像变化检测类样本库的处理方法 |
CN116071600A (zh) * | 2023-02-17 | 2023-05-05 | 中国科学院地理科学与资源研究所 | 一种基于多分类概率的农作物遥感识别方法及装置 |
CN116486408A (zh) * | 2023-05-12 | 2023-07-25 | 国家基础地理信息中心 | 遥感图像跨域语义分割方法及装置 |
CN117132884A (zh) * | 2023-07-12 | 2023-11-28 | 福州大学 | 一种基于地块尺度的农作物遥感智能提取方法 |
-
2023
- 2023-07-19 CN CN202310887483.0A patent/CN117094430B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112840348A (zh) * | 2019-10-11 | 2021-05-25 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
WO2021068176A1 (zh) * | 2019-10-11 | 2021-04-15 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
CN113469122A (zh) * | 2021-07-21 | 2021-10-01 | 北京师范大学 | 基于深度学习作物时空泛化分类方法及系统 |
WO2023029373A1 (zh) * | 2021-08-30 | 2023-03-09 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
CN114022762A (zh) * | 2021-10-26 | 2022-02-08 | 三峡大学 | 对农作物种植区域面积进行提取的无监督域自适应方法 |
CN114419367A (zh) * | 2021-12-29 | 2022-04-29 | 中国农业大学 | 一种农作物高精度制图方法及系统 |
CN114332546A (zh) * | 2022-03-17 | 2022-04-12 | 北京艾尔思时代科技有限公司 | 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 |
CN115019104A (zh) * | 2022-06-23 | 2022-09-06 | 中山大学 | 基于多源域自注意力的小样本遥感图像分类方法及系统 |
CN115439754A (zh) * | 2022-08-02 | 2022-12-06 | 武汉大学 | 一种基于时序遥感影像的大范围跨物候区农作物制图方法 |
CN115331104A (zh) * | 2022-08-17 | 2022-11-11 | 中国农业大学 | 一种基于卷积神经网络的农作物种植信息提取方法 |
CN115223059A (zh) * | 2022-08-31 | 2022-10-21 | 自然资源部第三航测遥感院 | 基于多元遥感影像的多云雾区域农作物种植模式提取方法 |
CN115830297A (zh) * | 2022-12-02 | 2023-03-21 | 珠海欧比特宇航科技股份有限公司 | 一种遥感影像变化检测类样本库的处理方法 |
CN116071600A (zh) * | 2023-02-17 | 2023-05-05 | 中国科学院地理科学与资源研究所 | 一种基于多分类概率的农作物遥感识别方法及装置 |
CN116486408A (zh) * | 2023-05-12 | 2023-07-25 | 国家基础地理信息中心 | 遥感图像跨域语义分割方法及装置 |
CN117132884A (zh) * | 2023-07-12 | 2023-11-28 | 福州大学 | 一种基于地块尺度的农作物遥感智能提取方法 |
Non-Patent Citations (12)
Title |
---|
DUJUAN ZHANG: "A generalized approach based on convolutional neural networks for large area cropland mapping at very high resolution", REMOTE SENSING OF ENVIRONMENT, 5 June 2020 (2020-06-05) * |
GUOFENG XIAO: "Extraction and analysis of abandoned farmland: A case study of Qingyun and Wudi counties in Shandong Province", JOURNAL OF GEOGRAPHICAL SCIENCES, 21 March 2019 (2019-03-21) * |
SHENGHUI LV: "Optimization of Characteristic Phenological Periods for Winter Wheat Extraction Using Remote Sensing in Plateau Valley Agricultural Areas in Hualong, China", REMOTE SENSING, 21 December 2022 (2022-12-21) * |
SHUANG GE: "Transferable deep learning model based on the phenological matching principle for mapping crop extent", INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION, 27 July 2021 (2021-07-27) * |
WENBIN LIU: "Mapping annual 10 m rapeseed extent using multisource data in the Yangtze River Economic Belt of China (2017–2021) on Google Earth Engine", INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION, 20 January 2023 (2023-01-20) * |
XIA XINGSHENG: "Monthly calibration and optimization of Ångström-Prescott equation coefficients for comprehensive agricultural divisions in China", 地理学报(英文版), 27 July 2021 (2021-07-27) * |
夏兴生;李忠义;朱秀芳;潘耀忠;赵希振: "基于遥感抽样的农作物种植面积测量野外调查系统设计与实践", 农业现代化研究, 15 November 2017 (2017-11-15) * |
孙智虎: "基于物候匹配策略的迁移学习作物制图研究", 农业科技, 15 April 2022 (2022-04-15) * |
宋德娟;张承明;杨晓霞;李峰;韩颖娟;高帅;董海燕;: "高分二号遥感影像提取冬小麦空间分布", 遥感学报, no. 05, 25 May 2020 (2020-05-25) * |
李宏群: "陕西黄龙山褐马鸡和环颈雉适宜生境预测及重叠区域", 东北林业大学学报, 25 December 2021 (2021-12-25) * |
石达顺: "基于统计高斯拟合的圆形光斑中心定位方法", 测控技术, 29 May 2020 (2020-05-29) * |
赵军;车红岩: "基于位置服务的应用技术和发展趋势", 测绘科学, 6 November 2015 (2015-11-06) * |
Also Published As
Publication number | Publication date |
---|---|
CN117094430B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191736B (zh) | 基于深度特征交叉融合的高光谱图像分类方法 | |
Li et al. | Automatic organ-level point cloud segmentation of maize shoots by integrating high-throughput data acquisition and deep learning | |
CN112836610B (zh) | 一种基于遥感数据的土地利用变化与碳储量定量估算方法 | |
CN105046276B (zh) | 基于低秩表示的高光谱图像波段选择方法 | |
CN111914611B (zh) | 城市绿地高分遥感监测方法与系统 | |
CN108052966A (zh) | 基于卷积神经网络的遥感图像场景自动提取和分类方法 | |
CN111160268A (zh) | 一种基于多任务学习的多角度sar目标识别方法 | |
CN114399685B (zh) | 一种森林病虫害的遥感监测评估方法及装置 | |
Feng et al. | Dual-graph convolutional network based on band attention and sparse constraint for hyperspectral band selection | |
CN114445664A (zh) | 基于自适应动态卷积网络的图像分类识别方法、装置和计算机设备 | |
CN110348287A (zh) | 一种基于字典和样本相似图的无监督特征选择方法和装置 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN109446962A (zh) | 土地覆盖年际变化检测方法及系统 | |
CN115457403A (zh) | 一种基于多类型遥感图像的农作物智能识别方法 | |
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 | |
CN115880487A (zh) | 基于深度学习方法的林木激光点云枝叶分离方法 | |
CN112464172A (zh) | 生长参数主被动遥感反演方法及装置 | |
CN117094430B (zh) | 一种农作物分布预测方法、系统、设备及介质 | |
CN116206210A (zh) | 一种基于NAS-Swin的遥感影像农业大棚提取方法 | |
CN115908907A (zh) | 一种高光谱遥感图像分类方法及系统 | |
CN115601584A (zh) | 一种遥感场景图像多标签分类方法和装置、存储介质 | |
CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
CN113723281A (zh) | 基于局部自适应尺度集成学习的高分辨率影像分类方法 | |
CN113688690A (zh) | 一种大尺度水果计数方法及系统 | |
Zhang et al. | Vegetation Coverage Monitoring Model Design Based on Deep Learning |
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 |