[发明专利]一种基于GEE综合遥感影像和深度学习方法的作物估产方法

权利要求书

1.一种基于GEE平台综合遥感影像和深度学习方法的作物估产方法，包括如下步骤：

S1：获取研究区域内的地理空间数据，并将该数据输入GEE平台，然后利用GEE平台将研究时段内遥感数据和气象数据与所述地理空间数据进行空间匹配；

S2：基于研究时段内作物的多时相植被指数数据，通过重构植被指数时间序列曲线，提取研究区域内的所述研究时段内每年作物的栅格种植区；

S3:基于步骤S2提取的栅格种植区，利用GEE平台提取作物关键生育期内月值影响因子和土壤属性因子，所述月值影响因子包括县级平均气候因子和植被指数；

S4：基于GEE平台的高程数据、所述地理空间数据中的县域边界数据以及步骤S2中所提取的每年作物的栅格种植区，计算每个县作物栅格的质点空间位置信息，所述空间位置信息包括经度、纬度和高程；

S5:利用深度学习框架keras平台搭建深度学习产量预测模型，并利用所述研究时段内所述研究区域中县级产量记录数据以及相应的所述月值影响因子、土壤属性因子和所述空间位置信息来对所述深度学习产量预测模型进行优化，实现模型的本地化；

S6：利用本地化的模型来预测所述研究时段中待预测年份的作物产量，包括：对于每个作物格点，将待预测年份的相应月值影响因子、土壤属性因子以及空间位置信息输入到所述本地化的模型中，运行模型获得研究区域内待预测年份的作物产量；

其中，步骤S5中深度学习产量预测模型为DNN模型，

其中，DNN模型包括输入层、输出层和多个全连接层，输入层用于输入所述月值影响因子、土壤属性因子以及所述空间位置信息，输入的特征向量通过全连接层变换达到输出层，在输出层得到产量估算结果，其中每个全连接层表示为式(2)：

C＝f(Wx+b) (2)

其中，f表示激活函数，W表示权重矩阵，x为输入向量，b为偏置项，C为输出向量。

2.根据权利要求1所述的作物估产方法，其特征在于，S1步骤还包括对遥感数据进行预处理，所述预处理包括去云处理和去雪处理。

3.根据权利要求1所述的作物估产方法，其特征在于，S2步骤中，所述植被指数选自EVI、NDVI或者LAI。

4.根据权利要求1所述的作物估产方法，其特征在于，步骤S1中，所述地理空间数据包括县级、省级边界数据以及土壤属性数据。

5.根据权利要求1所述的作物估产方法，其特征在于，DNN模型中多个全连接层为五层，第一层到第五层的神经元的数目分别为528、384、128、64和32。

6.根据权利要求1所述的作物估产方法，其特征在于，步骤S2中，重构植被指数时间序列曲线包括：提取各格点植被指数时间序列数据，利用S-G滤波方法来重构植被指数时间序列曲线，其中，S-G滤波由公式(1)表示:

其中，y_j*为合成序列数据,y_j+i代表原始序列数据,C_i为滤波系数，取值范围0-1，n为滑动窗口所包括的数据点2m+1。

7.根据权利要求1所述的作物估产方法，其特征在于，所述作物选自小麦、玉米、水稻。