CN117274798A - 基于正则化的时序变分模型的遥感水稻识别方法 - Google Patents
基于正则化的时序变分模型的遥感水稻识别方法 Download PDFInfo
- Publication number
- CN117274798A CN117274798A CN202311146344.9A CN202311146344A CN117274798A CN 117274798 A CN117274798 A CN 117274798A CN 202311146344 A CN202311146344 A CN 202311146344A CN 117274798 A CN117274798 A CN 117274798A
- Authority
- CN
- China
- Prior art keywords
- index
- remote sensing
- normalized water
- data
- enhanced vegetation
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 83
- 235000009566 rice Nutrition 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 75
- 240000007594 Oryza sativa Species 0.000 title 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 143
- 241000209094 Oryza Species 0.000 claims abstract description 82
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 20
- 238000009825 accumulation Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000005215 recombination Methods 0.000 claims description 5
- 230000006798 recombination Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 2
- 239000000523 sample Substances 0.000 claims 1
- 230000007812 deficiency Effects 0.000 abstract description 3
- 230000012010 growth Effects 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 13
- 241000196324 Embryophyta Species 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 239000000047 product Substances 0.000 description 8
- 238000002310 reflectometry Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000000443 aerosol Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 244000068988 Glycine max Species 0.000 description 3
- 235000010469 Glycine max Nutrition 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 229930002875 chlorophyll Natural products 0.000 description 3
- 235000019804 chlorophyll Nutrition 0.000 description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 244000037666 field crops Species 0.000 description 3
- 239000000049 pigment Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008521 reorganization Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 240000000111 Saccharum officinarum Species 0.000 description 1
- 235000007201 Saccharum officinarum Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000009758 senescence Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Image Processing (AREA)
Abstract
本申请涉及数据处理技术领域，提供一种基于正则化的时序变分模型的遥感水稻识别方法。该方法包括：获取待识别农作物生长期内的遥感影像数据，根据遥感影像数据计算每个像元的增强植被指数和归一化水指数；对增强植被指数和归一化水指数进行缺失值预填补；将预填补后的增强植被指数和归一化水指数分别输入正则化的时序变分模型进行滤波处理，得到滤波后的增强植被指数和归一化水指数；其中，正则化的时序变分模型包括数据保真项，数据保真项是在传统的数据保真项基础上增加遥感影像数据的有效标记得到的；基于滤波后的增强植被指数和归一化水指数判断待识别农作物是否为水稻，得到水稻识别结果，由此，提高了水稻识别精度。
Description
技术领域
本申请涉及数据处理技术领域，特别涉及一种基于正则化的时序变分模型的遥感水稻识别方法。
背景技术
据全球卫星云气候研究数据(ISCCP-FD)显示，光学遥感影像中，全球每年平均云覆盖占全球地表面积的比例大约为66％，同时，在遥感影像的获取和传输过程中，传感器和网络的故障和错误(也称系统噪音)会造成遥感数据出现随机死像元现象。由于云遮挡和系统噪音两个因素的共同作用，导致日尺度时序地表反射率数据中的像元缺失比例高达2/3，严重影响到水稻提取区域的精度。
针对像元缺失的问题，目前常见的解决办法有：一是利用多天合成的方法合成时序数据来降低缺失像元的比例，然而，由于合成方法简单，合成数据中仍然会存在大量噪声点，难以满足精度要求；二是，采用雷达遥感数据作为光学遥感数据的补充，利用雷达能够穿透云层的特性来弥补光学遥感数据的缺失，但是将雷达遥感数据与光学遥感数据融合的过程中往往又会引入新的误差，导致水稻提取的精度不足。
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基于正则化的时序变分模型的遥感水稻识别方法，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：
本申请提供了一种基于正则化的时序变分模型的遥感水稻识别方法，包括：
获取待识别农作物生长期内的遥感影像数据，根据所述遥感影像数据计算每个像元的增强植被指数和归一化水指数；
对所述增强植被指数和归一化水指数进行缺失值预填补，得到预填补后的增强植被指数和归一化水指数；
将所述预填补后的增强植被指数和归一化水指数分别输入正则化的时序变分模型进行滤波处理，得到滤波后的增强植被指数和归一化水指数；其中，所述正则化的时序变分模型包括数据保真项，所述数据保真项是在传统的数据保真项基础上增加所述遥感影像数据的有效标记得到的；所述有效标记用于表征所述遥感影像数据每一像元的数据有效性；
基于滤波后的增强植被指数和归一化水指数判断所述待识别农作物是否为水稻，得到水稻识别结果。
优选地，所述对所述增强植被指数和归一化水指数进行缺失值预填补，得到预填补后的增强植被指数和归一化水指数，具体为：
确定缺失值所在像元对应的相似时相的像元集合；
提取所述相似时相的像元集合中标记为有效值的像元对应的增强植被指数和归一化水指数，并根据提取到的增强植被指数和归一化水指数，分别计算出增强植被指数的中位数和归一化水指数的中位数；
使用增强植被指数的中位数和归一化水指数的中位数对缺失值所在像元进行分别填补，对应得到预填补后的增强植被指数和归一化水指数。
优选地，在使用增强植被指数的中位数和归一化水指数的中位数对缺失值所在像元进行分别填补之前，还包括：
对所述增强植被指数和所述归一化水指数的一维时间序列数据进行重组转化，得到相应的二维时间矩阵数据。
优选地，所述对所述增强植被指数和所述归一化水指数的一维时间序列数据进行重组转化，得到相应的二维时间矩阵数据，具体为：
将每个时相的所述增强植被指数和所述归一化水指数的时间标记拆分为年和年积日两个时间坐标，并使用拆分得到的年和年积日两个时间维度来标定所述增强植被指数和所述归一化水指数的时相，使用可视化表达方法将一维时间序列数据重组为相应的二维时间矩阵数据。
优选地，确定缺失值所在像元对应的相似时相的像元集合，包括：
对所述遥感影像数据的各像元进行时序噪声检测，以确定所述遥感影像数据的有效标记；所述遥感影像数据的有效标记包括缺失值标记和有效值标记；
确定所述遥感影像数据中被标记为缺失值的像元在各波段上的相似时相的像元集合。
优选地，所述对所述遥感影像数据的各像元进行时序噪声检测，以确定所述遥感影像数据的有效标记，具体为：
对所述遥感影像数据的每一像元，若当前时相下当前像元位置处的灰度取值为空值，或者，当前时相下当前像元位置处对应的质量掩膜取值为云或云阴影或者白噪声，则将当前时相下该像元标记为缺失值；
以该像元为中心膨胀N个像元，并将膨胀后的区域所覆盖的像元标记为缺失值；
迭代执行上述步骤，直到所述遥感影像数据的所有像元检测完成，以确定所述遥感影像数据的所有缺失值对应的像元；
将所述遥感影像数据中所有缺失值对应的像元以外的其他所有像元标记为有效值。
优选地，所述确定所述遥感影像数据中被标记为缺失值的像元在各波段上的相似时相的像元集合，具体为：
对于各波段中被标记为缺失值的每一像元，获取当前像元对应的年积日和所属年份；
计算当前像元对应的年积日与当前像元之外的所有像元的年积日之差，以及，计算当前像元所属年份与当前像元之外的所有像元的所属年份之差，将年积日之差和年份之差均符合相应预设阈值范围的像元集合作为相似时相的像元集合。
优选地，所述基于滤波后的增强植被指数和归一化水指数判断所述待识别农作物是否为水稻，得到水稻识别结果，具体为：
基于滤波后的增强植被指数和归一化水指数的时序数据，分别构建增强植被指数和归一化水指数的时序变化曲线；
利用最大曲率法对所述增强植被指数和归一化水指数的时序变化曲线进行处理，以确定所述待识别农作物的关键物候期；
根据所述待识别农作物的关键物候期，判断所述待识别农作物是否为水稻。
优选地，所述根据所述待识别农作物的关键物候期，判断所述待识别农作物是否为水稻，具体为：
计算所述待识别农作物的关键物候期的天数以及所述待识别农作物在所述关键物候期对应的增强植被指数或者归一化水指数；
若所述待识别农作物的关键物候期的天数与预先获取的水稻标准物候期天数之差小于第一预设阈值，且，所述待识别农作物在所述关键物候期对应的增强植被指数或者归一化水指数与预先获取的水稻标准增强植被指数或者标准归一化水指数之差小于第二预设阈值，则判断所述待识别农作物为水稻。
优选地，所述正则化的时序变分模型的表达式为：
式中，Q为模型优化项，W为所述遥感影像数据的有效标记，Z表示所述预填补后的增强植被指数或归一化水指数，Z′为滤波后的增强植被指数或归一化水指数，γ为正则化参数，W(Z―Z′)为数据保真项，D表示差分矩阵，和/>分别表示向量的/>和/>范数。
有益效果：
本申请实施例提供的技术方案中，对获取的待识别农作物生长周期内的遥感影像数据提取增强植被指数(The Enhanced Vegetation Index，EVI)和归一化水指数(Normalized Difference Water Index，NDWI)；通过增强植被指数对水稻与其他旱作进行区分，使用归一化水指数对水稻与其他水生植物进行区分，在此基础上，对增强植被指数和归一化水指数进行缺失值预填补，再将预填补后的增强植被指数和归一化水指数分别输入正则化的时序变分模型进行滤波处理，获得高精度的时序数据重建结果，其中，正则化的时序变分模型包括增加了遥感影像数据的有效标记生成的数据保真项，最后，基于滤波后的增强植被指数和归一化水指数判断待识别农作物是否为水稻。本申请提供的方法通过将预填补的增强植被指数和归一化水指数组成的时序数据输入到正则化的时序变分模型中，对时序数据进行高精度重建，获得高精度时序数据重建结果。由于该模型的数据保真项中增加了像元级别的数据有效性标记，相比于传统的时序分析方法，在不同百分比像元缺失的情况下，该方法在重建精度上均体现出明显优势，在此基础上构建连续的日生长曲线，能够精确计算水稻的物候期，结合增强植被指数与归一化指标指数共有特征，提高水稻识别精度。
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基于正则化的时序变分模型的遥感水稻识别方法的流程示意图；
图2为根据本申请的一些实施例提供的模型重建得到的时序数据的一个示例。
具体实施方式
随着遥感信息技术的发展，遥感方法已经成为大范围农情监测的重要手段。目前遥感识别农作物方法已经摆脱空间信息技术对单一特征的依赖，发展为多特征结合的方法，其中，光谱特征、空间特征和时间特征作为遥感地物识别的三大理论基础，尤其是引入多个时相遥感观测的分类方法，是有效解决作物识别分类中的“同物异谱，同谱异物”现象的重要方法。时序特征是遥感识别农作物的物理基础。农作物的生长发育同时受作物自身因素、自然因素以及人为因素共同影响，在特定环境中具有典型的生长发育节律，这种现象称为农作物的物候现象，即不同农作物具有各自的时间-光谱特征，从而成为区分作物类型、长势和估算作物的重要依据。健康植被生物量的遥感捕获的光谱信号与植被冠层结构、色素含量、叶片含水量等密切相关。
然而，如背景技术所述，由于种种原因，时序数据像元缺失比例较高，严重影响了水稻识别结果的准确程度。为此，本申请实施例提供一种基于正则化的时序变分模型的遥感水稻识别方法，利用日尺度、多时相遥感数据提取增强植被指数和归一化水指数，作为时序特征，并结合预填补和正则化的时序变分模型对时序特征进行重建，得到高精度的时序数据，由于正则化的时序变分模型的数据保真项中增加有原始数据的有效标记，从而规避数据缺失对优化求解过程中造成的偏差，使重建结果更好地模拟地物的时序变化，提高了模型求解精度，进而提高了水稻识别精度。
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。
除另有定义，本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开实施例的目的，不是旨在限制本公开。
本申请实施例提供一种基于正则化的时序变分模型的遥感水稻识别方法，如图1～图2所示，该方法包括：
步骤S101、获取待识别农作物生长期内的遥感影像数据，根据遥感影像数据计算每个像元的增强植被指数和归一化水指数。
具体地，遥感影像数据是利用遥感技术获取的地球表面信息的图像数据。
需要说明的是，在遥感影像中，待识别农作物属于植被的一种。植被的光谱反射特性是植被遥感的基础，应理解，遥感影像数据通常为多波段数据，每个波段对应不同的光谱反射特性，如可见光、红外线、微波等，不同波段能够提供不同的地物信息。健康植被在可见光波段的光谱反射特性主要受植被叶片色素影响，其中叶绿素起到作用最大。受色素对可见光波段表现出强吸收、低反射的特征，因此在蓝光波段和红光波段，叶绿素吸收大量入射能量，在绿光波段吸收作用略小，因此绝大部分健康植被在人眼中为绿色。在植物受到某种因素抑制从而阻碍植被生长发育(如植物衰老，干旱等)，植物叶片的叶绿素含量降低，从而叶片在蓝、红波段反射率上升，从而植物将转变成黄色。受植物叶片内部构造影响，健康植被在近红外波段表现出较高的反射率(约为45％～50％，多片叶子最高可达85％)，该特征是植被最典型的特征之一。在光谱的中红外波段和短波红外波段，绿色植被的植被光谱响应主要被水的强吸收带所影响，随着叶片水分增加，这一范围的波段反射率明显增大。卫星遥感观测捕获的植被信息通常同时后植被冠层和土壤背景等因素共同影响，而在作物发育早期，植被覆盖度较低，因此植被冠层背景的波动将极大地影响光谱反射率。
本实施例中，为获得水稻的特征表达，遥感影像数据至少包括红、绿、蓝和近红外四波段，应理解，遥感影像数据还可以包括短波红外等其他波段，本申请对此不作限定。本实施例通过不同波段的光谱反射率计算得到增强植被指数和归一化水指数，采用增强植被指数和归一化水指数来表征水稻的特征，能够准确将水稻与其他植物进行区分，提高水稻识别精度。
本实施例中，遥感影像数据是多时相数据，多时相数据指的是在不同时间点或时间段进行观测形成的数据，通过多时相数据，能够监测农作物在不同时间段生长的动态过程。在多时相数据中，时空分辨率是表征遥感影像数据质量的重要指标，其中，时空分辨率包括时序分辨率和空间分辨率，时序(Temporal)分辨率指的是遥感影像数据采集的时间间隔，即两幅连续遥感影像之间的时间差。时序分辨率(比如每天(日尺度)或每周)越高意味着数据采集的时间间隔较短，能够提供更准确细致的农作物生长曲线，同时也意味着数据缺失情况更加普遍，因此，需要通过本实施例的方法对缺失数据进行时序重建，获取高时序分辨率的重建结果。
进一步地，遥感影像数据可以是待识别农作物生长期内的影像，由于农作物的生长发育具有明显的周期性，本实施例中，仅获取生长期内的遥感影像，可以确保能够获取到农作物的有效特征，并减少非生长期内遥感影像所携带的噪音对模型的干扰，同时减少计算量，提供模型的计算效率。
本实施例提供的水稻识别方法中，水稻作为识别目标作物，同一时期的遥感影像中至少包含水稻，该遥感影像还可以包括其他的农作物，比如甘蔗、玉米、大豆等，还可能包括非农作物，比如水草等。本实施例提供的方法目的在于将水稻与上述植物区分开，获得准确的水稻种植面积。为此，本实施例使用遥感影像不同波段的反射率之间的组合来计算增强植被指数和归一化水指数，通过增强植被指数将水稻与其他旱作(如玉米、大豆和小麦等)区分开，通过归一化水指数将水稻与其他水生植物(如水草类)区分开，增强植被指数与归一化水指数共有的特征，只有水稻有，利用这一特性可以精准提取水稻。
其中，增强植被指数是一种“优化”指数，旨在通过取消冠层背景信号的耦合和减少大气影响来增强高生物量地区的植被信号，从而提高其敏感性，并改善植被监测。相比归一化植被指数(Normalized Difference Vegetation Index，NDVI)在植被覆盖度较高时容易出现饱和现象，EVI在对高覆盖度植被仍保持较高的灵敏性。EVI在NDVI的基础上，引入了对气溶胶敏感的蓝波段和气溶胶阻抗系数校正了气溶胶对红波段的影响。另外EVI引入了土壤调节系数(该系数来自土壤调节指数)，校正了除雪背景外的大部分冠层背景带来的影响。
本实施例使用时间序列EVI作为时间序列NDVI的改进，用于研究高植被覆盖度(>80％)时农作物发育对植被指数的响应情况。其中，EVI的计算公式如下：
式中，EVI是增强植被指数，G表示放大系数，取值为G＝2.5，ρNIR表示近红外波段的反射率，ρRed代表红波段的反射率，ρBlue代表蓝波段的反射率，C1、C2表示气溶胶阻力系数，一般取值为C1＝6，C2＝7.5，L为背景调节系数，L＝1。
归一化水指数是基于绿波段与近红外波段的归一化比值指数，通常用于提取遥感影像中的水体信息，效果较好。本实施例中，采用归一化水指数来区分水稻与其他水生植物(比如水草)。归一化水指数的计算公式如下：
式中，NDWI表示归一化水指数，表示绿波段的反射率。
水稻是典型的水田作物，在灌水期至分蘖期有明显的水体特征，排水后则和旱田作物光谱特征相似。其他大田作物如玉米、小麦和大豆是典型的旱田作物，其生长发育过程中冠层和水分特征几乎通期变化，因此在冠层相关的植被指数(以EVI为例)和水分相关植被指数(以NDWI为例)中表现较为相似。在灌水期的水体背景信息使其在水分相关植被指数高于冠层相关植被指数。因此，采用EVI和NDWI来表征水稻的特征，进而对其进行识别和提取，能够提高识别精度。
步骤S102、对增强植被指数和归一化水指数进行缺失值预填补，得到预填补后的增强植被指数和归一化水指数。
基于前述说明可知，遥感影像采集过程可能受到云覆盖、气象条件等影响，会产生缺失值，导致遥感影像数据计算得到的增强植被指数和归一化水指数(也称为原始时序数据)中缺失像元的比例较高，直接使用该原始时序数据进行时序重建(即滤波处理)，将无法有效地还原地物的时序变化特性，甚至可能导致异常的重建结果。本实施例中，可以通过采用插值方法、基于统计的方法、基于回归的方法或者基于深度学习的方法对缺失值进行预填补，得到预填补后的增强植被指数和归一化水指数。通过填补缺失值可以提高遥感数据的可用性，并有助于后续分析和应用。
然而，上述传统的预填补方法通常基于空间位置对缺失值进行填补，并未考虑数据年际差异以及数据分布形态的影响，导致时序数据的预填补效果不佳，为此，本申请实施例中，对增强植被指数和归一化水指数进行缺失值预填补，得到预填补后的增强植被指数和归一化水指数，可以具体通过如下方式来实现：确定缺失值所在像元对应的相似时相的像元集合；提取相似时相的像元集合中标记为有效值的像元对应的增强植被指数和归一化水指数，并根据提取到的增强植被指数和归一化水指数，分别计算出增强植被指数的中位数和归一化水指数的中位数；使用增强植被指数的中位数和归一化水指数的中位数对缺失值所在像元进行分别填补，对应得到预填补后的增强植被指数和归一化水指数。
上述实施例通过提取缺失像元所处位置相似时相数据的像元集合，并计算相应的中位数来对缺失像元进行预填补，由于相似时相提取到的像元集合通常呈现偏态分布，使用中位数作为缺失像元的取值，能够减少数据异常值的干扰，减少多时相数据计算过程中的累计误差，提高数据精度。
实践中，从卫星获取的遥感影像数据通常并不包含缺失值所在像元的标记信息，为此，在获取原始时序数据后，进行缺失值填补之前，需要先确定缺失值所在像元，再提取相似时相的像元集合。一些实施例中，确定缺失值所在像元对应的相似时相的像元集合，可以通过如下方式来实现：对遥感影像数据的各像元进行时序噪声检测，以确定遥感影像数据的有效标记；遥感影像数据的有效标记包括缺失值标记和有效值标记；确定遥感影像数据中被标记为缺失值的像元在各波段上的相似时相的像元集合。
其中，时序噪声检测是指在时间序列数据中识别和分析噪声的过程，通过对按照时间顺序排列的数据序列进行噪声分析和识别，来确定原始时序数据中哪些像元是缺失值所在像元，哪些像元的取值是有效数据。应理解，时序噪声检测可以采用统计方法、滤波方法、频谱分析方法或者机器学习的方法，本实施例对时序噪声检测的方法不作限定。
本实施例中，遥感影像数据的有效标记包括缺失值标记和有效值标记，时序噪声检测的过程是逐个像元进行的，也就是说，针对每一像元，若检测发现该像元数据缺失，则将其标记为缺失值，否则，标记为有效值，在完成所有像元检测后，可以获得不同时相下数据的缺失位置掩膜，然后，结合缺失位置掩膜确定被标记为缺失值的像元在各波段上的相似时相的像元集合。
进一步地，对遥感影像数据的各像元进行时序噪声检测，以确定遥感影像数据的有效标记，具体为：对遥感影像数据的每一像元，若当前时相下当前像元位置处的灰度取值为空值，或者，当前时相下当前像元位置处对应的质量掩膜取值为云或云阴影或者白噪声，则将当前时相下该像元标记为缺失值；以该像元为中心膨胀N个像元，并将膨胀后的区域所覆盖的像元标记为缺失值；迭代执行上述步骤，直到遥感影像数据的所有像元检测完成，以确定遥感影像数据的所有缺失值对应的像元；将遥感影像数据中所有缺失值对应的像元以外的其他所有像元标记为有效值。
本实施例中，原始数据中包含有质量掩膜(Quality Mask)，质量掩膜是一个与遥感影像相同大小的掩膜图像，用于标识和掩盖影像中质量较低或不可信部分的像素。可以理解，质量掩膜可以是二值图像，每个像元的取值为0或者1，0表示受到云、阴影、大气干扰或者传感器故障等多种因素导致质量较低的像元，1表示有效值。质量掩膜也可以是多个质量标记组成的图像，比如，将质量标记设置为不同取值的整数，用来代表不同的数据质量情况，例如，0表示空值、1表示云、2表示云阴影、3表示白噪声、4表示有效值等。基于原始数据中包含的质量掩膜中记录的云、云阴影、空值、白噪声等质量标记进行噪声像元的检测，能够提高时序噪声检测的精度。
在时序噪声检测时，结合质量掩膜对遥感影像数据中每一像元位置处的数据质量进行判断，将质量掩膜中的云标记、云阴影标记、卷云标记、内部云算法标记、云邻近标记、白噪声标记等像元位置处的影像数据均标记为噪声(即缺失值)。在此基础上，考虑到遥感影响质量掩膜中可能存在漏检，本实施例还对噪声检测结果进行N个像元的膨胀操作，即获取缺失值像元为中心、N个像元为半径的区域，将该区域内的所有像元均标记为缺失值，其他像元标记为有效值。
示例性地，N的取值可以为1，即进行1个像元的膨胀。这样，通过质量掩膜结合膨胀操作减少误检、漏检带来的误差，同时能够充分标记出云等自然噪声的边缘，提高时序噪声检测的精度。
在上述实施例确定时序数据的有效标记之后，即可提取相似时相的像元集合，一些实施例中，确定遥感影像数据中被标记为缺失值的像元在各波段上的相似时相的像元集合，可以通过如下步骤实现：对于各波段中被标记为缺失值的每一像元，获取当前像元对应的年积日和所属年份；计算当前像元对应的年积日与当前像元之外的所有像元的年积日之差，以及，计算当前像元所属年份与当前像元之外的所有像元的所属年份之差，将年积日之差和年份之差均符合相应预设阈值范围的像元集合作为相似时相的像元集合。
其中，相似时相可以是当前缺失像元的时相的当前年份的相邻时相以及缺失像元的时相的当前年份的邻近年份的相邻时相。举例来说，缺失像元A采集于2020年8月10日，其时相可以用2020年8月10日对应的年积日(Day Of Year，DOY)表示，所属年份(当前年份)则是2020年，当前年份的相邻时相可以是距离2020年8月10日指定天数范围内的其他日期所获取的数据，例如，可以指定30天，则将2020年7月25日～2020年8月25日称为缺失像元A的当前年份的相邻时相。邻近年份可以是指定年数范围内的其他年份，例如当前年份是2020年，则相邻年份可以是前后推2年，即2018年7月25日～2018年8月25日、2019年7月25日～2019年8月25日、2021年7月25日～2021年8月25日、2022年7月25日～2022年8月25日，这样，缺失像元A的相似时相的像元集合则由2018年7月25日～2018年8月25日、2019年7月25日～2019年8月25日、2020年7月25日～2020年8月25日(当前年份的相邻时相)、2021年7月25日～2021年8月25日、2022年7月25日～2022年8月25日以上五个时间范围内所有有效的像元组成。
在确定缺失值所在像元对应的相似时相的像元集合之后，即可提取相似时相的像元集合中标记为有效值的像元对应的增强植被指数和归一化水指数，并根据提取到的增强植被指数和归一化水指数，分别计算出增强植被指数的中位数和归一化水指数的中位数；再使用增强植被指数的中位数和归一化水指数的中位数对缺失值所在像元进行分别填补，对应得到预填补后的增强植被指数和归一化水指数。
具体地，对原始时序数据进行预填补，用公式来表示如下：
fillZy,doy＝Median{validZy′,doy′}，
|y―y′|<diffy，
|doy―doy′|<diffdoy (3)
式中，fillZ表示预填补的增强植被指数的中位数/归一化水指数，y表示缺失像元的时相的所属年份，doy表示年积日，用来表示缺失像元的时相，y′、doy′分别相似时相所属年份和年积日，valdZ表示相似时相中有效的增强植被指数的中位数/归一化水指数，diffy表示缺失像元的时相所属年份与相似时相所属年份之间的差，即指定年数，diffdoy表示缺失像元所属时相与相似时相的年积日之差，即指定天数。
可以理解，上述指定年份、指定天数是示例性的，在确定相似时相的范围时，指定年份、指定天数可以根据植被增强指数/归一化水指数的时间变化特性在一定的范围内进行调整。
在预填补的具体实施过程中，申请人发现，相似时相预填补操作在一维时间序列数据的处理过程中通常难以理解，也不利于算法的直接实现，计算复杂度较高。针对这一问题，一些实施例中，还额外增加了时间维度重组和时间维度还原两个辅助操作来简化预填补操作，即，在使用增强植被指数的中位数和归一化水指数的中位数对缺失值所在像元进行分别填补之前，还包括：对增强植被指数和归一化水指数的一维时间序列数据进行重组转化，得到相应的二维时间矩阵数据，并在预填补结束后使用时间维度还原操作来将二维时间矩阵数据还原为相应的预填补后的一维时间序列数据。
其中，对增强植被指数和归一化水指数的一维时间序列数据进行重组转化，得到相应的二维时间矩阵数据，可以具体通过如下方式实现：将每个时相的增强植被指数和归一化水指数的时间标记拆分为年和年积日两个时间坐标，并使用拆分得到的年和年积日两个时间维度来标定增强植被指数和归一化水指数的时相，使用可视化表达方法将一维时间序列数据重组为相应的二维时间矩阵数据。
具体地，时间维度重组操作主要是将一维的时序数据重组转化为二维的数据，原始时序数据中，每个像元在时间维度t上表现为一维时间序列数据，在每个像元位置处，将每个时相的时间标记拆分为年和年积日两个时间坐标，使用年和年积日两个时间维度标定每个时相，在可视化表达中即将一维的时间序列重组为二维的时间矩阵数据，反之就是时间维度还原操作。
需要说明的是，二维时间矩阵数据经过噪声检测，确定缺失值所在像元的位置，并在缺失位置添加时序噪声标记，从二维时间矩阵数据的可视化表达可以看出，相邻年份和相邻年积日可用指定长、宽的窗口来表示，此时，预填补操作以二维时间矩阵数据中噪声位置为中心，指定年数、指定天数为窗口大小提取相似时相的有效值，组成有效像素集合，然后进行中位数填补，得到预填补结果，再将预填补结果进行时间维度还原，得到还原后的一维时间序列数据，将其输入到基于正则化的重建模型中进行时序重建，得到无缝的时序数据。这样，通过时间维度重组和还原操作，将一维的时间序列数据运算转换为二维时间矩阵数据，在以窗口的方式确定相似时相的像元集合，简化了计算过程，提高了计算效率，且更有利于算法实现。
步骤S103、将预填补后的增强植被指数和归一化水指数分别输入正则化的时序变分模型进行滤波处理，得到滤波后的增强植被指数和归一化水指数。
其中，正则化的时序变分模型包括数据保真项，数据保真项是在传统的数据保真项基础上增加遥感影像数据的有效标记得到的；有效标记用于表征遥感影像数据每一像元的数据有效性。
需要注意的是，尽管步骤S102中的缺失值预填补能够在一定程度上实现部分缺失像元的重建，但是，时序数据中可能存在连续缺失的情况，导致仅通过现有的预填补技术无法重建出完整的时序数据，仍可能存在部分的缺失区域无法被填补。此外，预填补技术仅仅针对单个缺失像元进行初步重建，并没有重建像元对应地物的时序变化特征，因此需要在预填补后通过本实施例提供的正则化的时序变分模型对时序数据进行重建，进而还原地表时序变化趋势。
本实施例中，引入正则化的时序变分模型对时序数据进行重建，该模型旨在更好地还原数据中细微的时序变化，提高后续水稻识别精度。
正则化的时序变分模型，简称正则化模型，是一种变分模型，是在HP滤波基础上进行改进的，其与HP滤波的不同在于正则化项使用了范数。
HP滤波的公式如下：
式中，Q为模型优化项，W为遥感影像数据的有效标记，Z表示预填补后的增强植被指数或归一化水指数，Z′为滤波后的增强植被指数或归一化水指数，γ为正则化参数，W(Z―Z′)为数据保真项，D表示差分矩阵，和/>分别表示向量的/>和/>范数。
其中，公式(4)可以通过将模型优化项逼近于0得到最优解，W为时序数据中的有效标记，像元的取值为有效值时，有效标记取值为1(即有效值)，像元缺失时，有效标记取值为0(即缺失值)。差分矩阵D用于控制重建结果的平滑度，γ称为平滑度权重。
正则化模型的计算公式如下：
式中，Q为模型优化项，W为遥感影像数据的有效标记，Z表示预填补后的增强植被指数或归一化水指数，Z′为滤波后的增强植被指数或归一化水指数，即重建后的时序数据序列，γ为正则化参数，W(Z―Z′)为数据保真项，D表示差分矩阵，和/>分别表示向量的/>和/>范数。
上述公式(5)所表示的正则化模型充分考虑输出结果与理想结果之间的吻合度，将预填补后的增强植被指数或归一化水指数时序数据作为输入，滤波结果(即滤波后的增强植被指数或归一化水指数)作为输出，通过构建相应的约束项，使用优化算法完成数值求解，从而估计和预测时序数据的变化趋势。相比于HP滤波中正则化项的范数，正则化模型中的/>范数会趋向于产生少量非0的特征，即允许植被增强指数/归一化水指数值在时序变化中存在合理性的突然增降，能更好地拟合因人为活动等因素引发的植被增强指数/归一化水指数在时序上的突变。而且，变分方法通过构建和优化模型，可以提升方法的使用范围和处理性能。
考虑到通常情况下正则化模型对输入的时序数据中有效值占比具有较高要求，然而，从卫星获取的时间序列遥感影像数据缺失比例较高，无法满足正则化模型的求解要求，为此，本实施例对正则化模型进行了改进，通过在传统的数据保真项的基础上增加遥感影像数据的有效标记，得到正则化的时序变分模型，能够规避数据缺失对优化求解过程中造成的偏差，提高模型求解精度。
正则化的时序变分模型的表达式如下：
式中，Q为模型优化项，W为遥感影像数据的有效标记，Z表示预填补后的增强植被指数或归一化水指数，Z′为滤波后的增强植被指数或归一化水指数，γ为正则化参数，W(Z―Z′)为数据保真项，D表示差分矩阵，和/>分别表示向量的/>和/>范数。
需要说明的是，数据保真项的主要作用是减少原始时序数据与重建结果之间的差异，通过在数据保真项中增加有效标记(也称为有效标记权重)，能够使得数据保真项忽略原始数据与重建结果在噪声(即数据缺失)位置的数值差异，避免数据缺失对求解造成的影像，使得重建(滤波)结果能够更好的模拟地物的时序变化情况。
步骤S104、基于滤波后的增强植被指数和归一化水指数判断待识别农作物是否为水稻，得到水稻识别结果。
具体地，本实施例提供的方法中，待识别农作物生长期内的遥感影像数据是多时相的遥感数据，根据该遥感影像数据计算得到的每个像元的增强植被指数和归一化水指数也可以称为原始时序数据，经过时序噪声检测确定缺失值所在像元，形成缺失位置掩膜，经过缺失值预填补，得到预填补后的时序数据(预填补后的时序数据包括长时间序列的增强植被指数和归一化水指数)，将预填补后的时序数据输入到正则化的时序变分模型进行滤波处理(即基于正则化的重建模型)，得到无缝的时序数据，无缝的时序数据包括增强植被指数和归一化水指数，最后，基于滤波后的增强植被指数和归一化水指数判断待识别农作物是否为水稻。由此，通过正则化的时序变分模型对增强植被指数和归一化水指数进行滤波和重建，能够获取到高时序分辨率的、连续的增强植被指数和归一化水指数时序数据，进而精确计算出待识别农作物的物候期，同时，由于增强植被指数能够监测水稻本身的植株长势，归一化水指数能够监测水稻在不同时期的灌溉水情况，将两个指数相结合，能够准确反映水稻不同时期的特征，并将其与其他作物准确区分，提高水稻识别结果的准确性。
一些实施例中，基于滤波后的增强植被指数和归一化水指数判断待识别农作物是否为水稻，得到水稻识别结果，具体为：基于滤波后的增强植被指数和归一化水指数的时序数据，分别构建增强植被指数和归一化水指数的时序变化曲线；利用最大曲率法对增强植被指数和归一化水指数的时序变化曲线进行处理，以确定待识别农作物的关键物候期；根据待识别农作物的关键物候期，判断待识别农作物是否为水稻。
本实施例中，由于采用了结合预填补和正则化的时序变分模型对增强植被指数/归一化水指数进行滤波处理，使得滤波后的增强植被指数/归一化水指数的时序数据具有更高的时序分辨率，在此基础上构建时序变化曲线，基于该时序变化曲线能够准确地计算出相应的物候期。
其中，时序变化曲线也叫做作物生长曲线，简称时序曲线，是增强植被指数/归一化水指数随着时间变化而变化的曲线。可以理解，根据时序分辨率不同，作物生长曲线可以是日生长曲线、月生长曲线等。通过前述实施例提供的方法进行时序数据重建，能够获得高精度的、连续的日生长曲线。具体地，参见图2，时序曲线是时间序列数据在坐标系中的可视化表现形式，其中时间通常位于X轴，而随时间变化的数据值则位于Y轴。时序曲线的形态和特征可以反映增强植被指数/归一化水指数在时间上的动态变化和趋势，通过观察时序曲线，可以发现农作物生长的周期性、趋势、异常点等信息，即农作物的物候期。
为了进一步提高物候期计算的准确性，本实施例中，利用最大曲率法对增强植被指数和归一化水指数的时序变化曲线进行特征提取，通过计算出时序变化曲线的曲率K来寻找农作物生长的拐点或者极值点，以确定待识别农作物的关键物候期，并计算物候期的天数和指数特征，然后再根据待识别农作物的关键物候期，判断待识别农作物是否为水稻。
其中，曲率K的计算方式如下公式所示：
式中，K表示时序变化曲线的曲率，t表示时间，v(t)表示时序变化曲线，v(t),和v(t),,表示v(t)随着时间t的一阶导数和二阶导数。
通过公式(8)计算出日生长曲线的曲率值，再找到曲率最大值、最小值对应的极值点，即可确定待识别农作物的不同生长阶段对应的物候期。
在确定待识别农作物的物候期之后，一些实施例中，根据待识别农作物的关键物候期，判断待识别农作物是否为水稻，具体为：计算待识别农作物的关键物候期的天数以及待识别农作物在关键物候期对应的增强植被指数或者归一化水指数；若待识别农作物的关键物候期的天数与预先获取的水稻标准物候期天数之差小于第一预设阈值，且，待识别农作物在关键物候期对应的增强植被指数或者归一化水指数与预先获取的水稻标准增强植被指数或者标准归一化水指数之差小于第二预设阈值，则判断待识别农作物为水稻。
需要说明的是，水稻的生长过程可以分为不同的物候期，每个物候期具有不同的生育特征和生长需求。其中，水稻标准物候期是指水稻生长发育过程中的标准时间阶段，用于描述水稻从种植到成熟的各个生育期的天数，水稻标准物候期可以包括：发芽期、分蘖期、拔节期、抽穗期、开花期、结实期和成熟期。本实施例中，通过将时序曲线获取的物候期与预先获取的水稻标准物候期进行比对，包括天数的比对和两个指数的比对，来判别待识别农作物是否为水稻。
综上所述，本申请实施例提供的方法中，首先对原始时序数据进行时序噪声检测，包括云等自然噪声以及死像元等系统噪声，得到时序数据中的缺失位置掩膜；然后，提取各缺失位置的相似时相，计算其中有效数据的中位数，对缺失像元进行填补；最终，使用根据原始数据有效标记改进的正则化模型，重建时序数据中植被增强指数和归一化水指数的时序变化趋势。
本申请提供的方法通过将预填补的增强植被指数和归一化水指数组成的时序数据输入到正则化的时序变分模型中，对时序数据进行高精度重建，获得高精度时序数据重建结果。由于该模型的数据保真项中增加了像元级别的数据有效性标记，相比于传统的时序分析方法，在不同百分比像元缺失的情况下，该方法在重建精度上均体现出明显优势，在此基础上构建连续的日生长曲线，能够精确计算水稻的物候期，结合增强植被指数与归一化指标指数共有特征，提高水稻识别精度。
试验表明，本实施例提供的方法结合预填补和正则化的时序变分模型对时序数据进行重建，相比于SG滤波、HP滤波、谐波分析等方法，在不同百分比10％、25％、50％、75％的像元缺失情况下，本实施例提供的方法都取得了最高的重建精度，重建结果在时序曲线和空间细节上也更具有优势，且该方法属纯遥感提取水稻方法，能够满足大面积精准提取水稻信息。
以上所述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 (10)
1.一种基于正则化的时序变分模型的遥感水稻识别方法，其特征在于，包括：
获取待识别农作物生长期内的遥感影像数据，根据所述遥感影像数据计算每个像元的增强植被指数和归一化水指数；
对所述增强植被指数和归一化水指数进行缺失值预填补，得到预填补后的增强植被指数和归一化水指数；
将所述预填补后的增强植被指数和归一化水指数分别输入正则化的时序变分模型进行滤波处理，得到滤波后的增强植被指数和归一化水指数；其中，所述正则化的时序变分模型包括数据保真项，所述数据保真项是在传统的数据保真项基础上增加所述遥感影像数据的有效标记得到的；所述有效标记用于表征所述遥感影像数据每一像元的数据有效性；
基于滤波后的增强植被指数和归一化水指数判断所述待识别农作物是否为水稻，得到水稻识别结果。
2.根据权利要求1所述的方法，其特征在于，对所述增强植被指数和归一化水指数进行缺失值预填补，得到预填补后的增强植被指数和归一化水指数，具体为：
确定缺失值所在像元对应的相似时相的像元集合；
提取所述相似时相的像元集合中标记为有效值的像元对应的增强植被指数和归一化水指数，并根据提取到的增强植被指数和归一化水指数，分别计算出增强植被指数的中位数和归一化水指数的中位数；
使用增强植被指数的中位数和归一化水指数的中位数对缺失值所在像元进行分别填补，对应得到预填补后的增强植被指数和归一化水指数。
3.根据权利要求2所述的方法，其特征在于，在使用增强植被指数的中位数和归一化水指数的中位数对缺失值所在像元进行分别填补之前，还包括：
对所述增强植被指数和所述归一化水指数的一维时间序列数据进行重组转化，得到相应的二维时间矩阵数据。
4.根据权利要求3所述的方法，其特征在于，所述对所述增强植被指数和所述归一化水指数的一维时间序列数据进行重组转化，得到相应的二维时间矩阵数据，具体为：
将每个时相的所述增强植被指数和所述归一化水指数的一维时间序列数据的时间标记拆分为年和年积日两个时间维度，并使用拆分得到的年和年积日两个时间维度来标定所述增强植被指数和所述归一化水指数的时相，使用可视化表达方法将一维时间序列数据重组为相应的二维时间矩阵数据。
5.根据权利要求2所述的方法，其特征在于，确定缺失值所在像元对应的相似时相的像元集合，包括：
对所述遥感影像数据的各像元进行时序噪声检测，以确定所述遥感影像数据的有效标记；所述遥感影像数据的有效标记包括缺失值标记和有效值标记；
确定所述遥感影像数据中被标记为缺失值的像元在各波段上的相似时相的像元集合。
6.根据权利要求5所述的方法，其特征在于，
对所述遥感影像数据的各像元进行时序噪声检测，以确定所述遥感影像数据的有效标记，具体为：
对所述遥感影像数据的每一像元，若当前时相下当前像元位置处的灰度取值为空值，或者，当前时相下当前像元位置处对应的质量掩膜取值为云、或云阴影、或者白噪声，则将当前时相下当前像元标记为缺失值；
以该像元为中心膨胀N个像元，并将膨胀后的区域所覆盖的像元标记为缺失值；
迭代执行上述步骤，直到所述遥感影像数据的所有像元检测完成，以确定所述遥感影像数据的所有缺失值对应的像元；
将所述遥感影像数据中除缺失值对应的像元以外的其他所有像元标记为有效值。
7.根据权利要求5所述的方法，其特征在于，所述确定所述遥感影像数据中被标记为缺失值的像元在各波段上的相似时相的像元集合，具体为：
对于各波段中被标记为缺失值的每一像元，获取当前像元对应的年积日和所属年份；
计算当前像元对应的年积日与当前像元之外的所有像元的年积日之差，以及，计算当前像元所属年份与当前像元之外的所有像元的所属年份之差，将年积日之差和年份之差均符合相应预设阈值范围的像元集合作为相似时相的像元集合。
8.根据权利要求1所述的方法，其特征在于，所述基于滤波后的增强植被指数和归一化水指数判断所述待识别农作物是否为水稻，得到水稻识别结果，具体为：
基于滤波后的增强植被指数和归一化水指数中的时序数据，分别构建增强植被指数和归一化水指数的时序变化曲线；
利用最大曲率法对所述增强植被指数和归一化水指数的时序变化曲线进行处理，以确定所述待识别农作物的关键物候期；
根据所述待识别农作物的关键物候期，判断所述待识别农作物是否为水稻。
9.根据权利要求8所述的方法，其特征在于，所述根据所述待识别农作物的关键物候期，判断所述待识别农作物是否为水稻，具体为：
计算所述待识别农作物的关键物候期的天数以及所述待识别农作物在所述关键物候期对应的增强植被指数或者归一化水指数；
若所述待识别农作物的关键物候期的天数与预先获取的水稻标准物候期天数之差小于第一预设阈值，且，所述待识别农作物在所述关键物候期对应的增强植被指数或者归一化水指数与预先获取的水稻标准增强植被指数或者标准归一化水指数之差小于第二预设阈值，则判断所述待识别农作物为水稻。
10.根据权利要求1-9任一项所述的方法，其特征在于，所述正则化的时序变分模型的表达式为：
式中，Q为模型优化项，W为所述遥感影像数据的有效标记，Z表示预填补后的增强植被指数或归一化水指数，Z′为滤波后的增强植被指数或归一化水指数，γ为正则化参数，W(Z―Z′)为数据保真项，D表示差分矩阵，和/>分别表示向量的/>和/>范数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311146344.9A CN117274798B (zh) | 2023-09-06 | 2023-09-06 | 基于正则化的时序变分模型的遥感水稻识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311146344.9A CN117274798B (zh) | 2023-09-06 | 2023-09-06 | 基于正则化的时序变分模型的遥感水稻识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117274798A true CN117274798A (zh) | 2023-12-22 |
| CN117274798B CN117274798B (zh) | 2024-03-29 |
Family
ID=89201838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311146344.9A Active CN117274798B (zh) | 2023-09-06 | 2023-09-06 | 基于正则化的时序变分模型的遥感水稻识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117274798B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689959A (zh) * | 2024-01-30 | 2024-03-12 | 中交第二公路勘察设计研究院有限公司 | 一种融合植被生命周期特征的遥感分类方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130320974A1 (en) * | 2012-06-01 | 2013-12-05 | Siemens Corporation | Efficient redundant haar minimization for parallel mri reconstruction |
| WO2015044237A1 (en) * | 2013-09-30 | 2015-04-02 | Koninklijke Philips N.V. | Method for local adjustment of regularization parameters for image quality optimization in fully 3d iterative ct reconstruction |
| CN105654050A (zh) * | 2015-12-29 | 2016-06-08 | 南京信息工程大学 | 一种基于无效值修正的ndvi数据重建方法 |
| CN107688872A (zh) * | 2017-08-20 | 2018-02-13 | 平安科技（深圳）有限公司 | 预测模型建立装置、方法及计算机可读存储介质 |
| WO2018106805A1 (en) * | 2016-12-09 | 2018-06-14 | William Marsh Rice University | Signal recovery via deep convolutional networks |
| CN108805079A (zh) * | 2018-06-12 | 2018-11-13 | 中国科学院地理科学与资源研究所 | 冬小麦的识别方法及装置 |
| US20190025848A1 (en) * | 2017-05-05 | 2019-01-24 | Hrl Laboratories, Llc | Attribute aware zero shot machine vision system via joint sparse representations |
| CN113221765A (zh) * | 2021-05-18 | 2021-08-06 | 河海大学 | 一种基于数字相机影像有效像元的植被物候期提取方法 |
| CN113610735A (zh) * | 2021-08-25 | 2021-11-05 | 华北电力大学（保定） | 一种面向电力设备红外图像的混合噪声去除方法 |
| CN114303169A (zh) * | 2019-05-28 | 2022-04-08 | 康奈尔大学技术许可中心 | 物理性质定量测量的系统和方法 |
| CN114782825A (zh) * | 2022-06-17 | 2022-07-22 | 中国农业科学院农业资源与农业区划研究所 | 基于不完备遥感数据的作物识别方法、装置及电子设备 |
| CN114782838A (zh) * | 2022-06-17 | 2022-07-22 | 中化现代农业有限公司 | 水稻识别方法、装置、电子设备和存储介质 |
| CN115393205A (zh) * | 2022-08-10 | 2022-11-25 | 国家卫星气象中心(国家空间天气监测预警中心) | 红外遥感图像修复方法、装置、电子设备和存储介质 |
| CN116563138A (zh) * | 2023-04-03 | 2023-08-08 | 清华大学 | 基于时空域全变分正则化的图像序列去噪方法及装置 |
| CN117371543A (zh) * | 2023-08-31 | 2024-01-09 | 浙江工业大学 | 一种基于时序扩散概率模型的增强软测量方法 |
-
2023
- 2023-09-06 CN CN202311146344.9A patent/CN117274798B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130320974A1 (en) * | 2012-06-01 | 2013-12-05 | Siemens Corporation | Efficient redundant haar minimization for parallel mri reconstruction |
| WO2015044237A1 (en) * | 2013-09-30 | 2015-04-02 | Koninklijke Philips N.V. | Method for local adjustment of regularization parameters for image quality optimization in fully 3d iterative ct reconstruction |
| CN105654050A (zh) * | 2015-12-29 | 2016-06-08 | 南京信息工程大学 | 一种基于无效值修正的ndvi数据重建方法 |
| WO2018106805A1 (en) * | 2016-12-09 | 2018-06-14 | William Marsh Rice University | Signal recovery via deep convolutional networks |
| US20190025848A1 (en) * | 2017-05-05 | 2019-01-24 | Hrl Laboratories, Llc | Attribute aware zero shot machine vision system via joint sparse representations |
| CN107688872A (zh) * | 2017-08-20 | 2018-02-13 | 平安科技（深圳）有限公司 | 预测模型建立装置、方法及计算机可读存储介质 |
| CN108805079A (zh) * | 2018-06-12 | 2018-11-13 | 中国科学院地理科学与资源研究所 | 冬小麦的识别方法及装置 |
| CN114303169A (zh) * | 2019-05-28 | 2022-04-08 | 康奈尔大学技术许可中心 | 物理性质定量测量的系统和方法 |
| CN113221765A (zh) * | 2021-05-18 | 2021-08-06 | 河海大学 | 一种基于数字相机影像有效像元的植被物候期提取方法 |
| CN113610735A (zh) * | 2021-08-25 | 2021-11-05 | 华北电力大学（保定） | 一种面向电力设备红外图像的混合噪声去除方法 |
| CN114782825A (zh) * | 2022-06-17 | 2022-07-22 | 中国农业科学院农业资源与农业区划研究所 | 基于不完备遥感数据的作物识别方法、装置及电子设备 |
| CN114782838A (zh) * | 2022-06-17 | 2022-07-22 | 中化现代农业有限公司 | 水稻识别方法、装置、电子设备和存储介质 |
| CN115393205A (zh) * | 2022-08-10 | 2022-11-25 | 国家卫星气象中心(国家空间天气监测预警中心) | 红外遥感图像修复方法、装置、电子设备和存储介质 |
| CN116563138A (zh) * | 2023-04-03 | 2023-08-08 | 清华大学 | 基于时空域全变分正则化的图像序列去噪方法及装置 |
| CN117371543A (zh) * | 2023-08-31 | 2024-01-09 | 浙江工业大学 | 一种基于时序扩散概率模型的增强软测量方法 |
Non-Patent Citations (1)
| Title |
|---|
| DONGDONG KONG 等: "A robust method for reconstructing global MODIS EVI time series on the Google Earth Engine", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》, 30 September 2019 (2019-09-30), pages 15 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689959A (zh) * | 2024-01-30 | 2024-03-12 | 中交第二公路勘察设计研究院有限公司 | 一种融合植被生命周期特征的遥感分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117274798B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Solano et al. | A methodology based on GEOBIA and WorldView-3 imagery to derive vegetation indices at tree crown detail in olive orchards | |
| CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
| CN110751727B (zh) | 一种基于Landsat长时间序列的合成图像构建方法 | |
| Liu et al. | Large-scale crop mapping from multisource remote sensing images in google earth engine | |
| Runnström | Rangeland development of the Mu Us Sandy Land in semiarid China: an analysis using Landsat and NOAA remote sensing data | |
| CN111666815B (zh) | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 | |
| CN112800973B (zh) | 一种基于植被物候特征决策的互花米草提取方法 | |
| 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 | |
| CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| CN113033670B (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
| CN106780091A (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
| CN110796001A (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
| CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
| CN108986040B (zh) | 一种基于遥感多光谱影像的ndvi阴影影响去除方法 | |
| 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 | |
| CN117274798B (zh) | 基于正则化的时序变分模型的遥感水稻识别方法 | |
| CN111345214A (zh) | 一种基于卫星影像数据的新疆棉花区域识别方法及系统 | |
| US20220392215A1 (en) | System and Method for Mapping Land Cover Types with Landsat, Sentinel-1, and Sentinel-2 Images | |
| CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
| CN109977991A (zh) | 基于高清卫星遥感的林业资源采集方法 | |
| 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 | |
| CN107273797B (zh) | 基于水体指数变异系数的水稻亚像元识别方法 | |
| 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 | |
| Yang et al. | A correction method of NDVI topographic shadow effect for rugged terrain |
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 |