[发明专利]一种作物面积与物候指标提取方法

说明书

本发明公开了一种作物面积与物候指标提取方法，包括对SAR影像进行预处理，包括轨道校正、热噪声去除、辐射定标、相干斑滤波、地形校正、分贝化处理，得到作物VV/VH的后向散射系数；根据作物VV/VH的后向散射系数构建特征向量，提出基于时间序列的全卷积神经网络模型，同时根据时间序列SAR影像数据进行作物种植面积制图；结合SAR‑VV/VH方法，并根据地区作物生育周期提取作物物候指标；本申请与现有的随机森林算法相比，基于全卷积神经网络提取方法不仅提取作物的精度较高，且能相对完整的保留作物地块的空间纹理信息，达到作物精准制图的目的，在农作物提取中具有较强的适用性。

技术领域

本发明涉及农业遥感空间信息数据测量技术领域，尤其涉及一种作物面积与物候指标提取方法。

背景技术

现如今，农作物的种植模式对城市植被的动态监测具有重要作用，其中，农作物长势的动态监测和估产一直是农业遥感的核心问题。国内外学者在光谱影像的作物识别算法上的发展已较为成熟。总结起来，主要包含以下几类：阈值法，支持向量机(SVM),决策树(DT)及随机森林(RF)等，而全卷积神经网络是在光谱神经网络的思想上加以改进，并结合SAR影像进行作物识别与提取。

采用上述作物提取方法的优缺点为：

基于阈值算法可以直接利用图像的灰度特性进行目标识别，计算简单，运算效率高、速度快，但对噪声敏感，对灰度差异不明显以及不同目标的灰度值有重叠的分割不明显。

基于支持向量机算法的优势在于算法简单且具有较好的“鲁棒性”，关键在于可以抓住关键样本、剔除大量冗余样本。但SVM难以对大规模训练样本进行快速分类，而且支持向量机性能的优劣取决于对参数和核函数的选择，受人为因素影响大。

基于决策树算法的优势在于处理效率高、易于理解和实现、可以处理不相关特征数据，且对缺失值不敏感。但在处理特征关联性比较强的数据时表现不好，在分类时只能根据一个字段进行分类、对有时间顺序的数据需要很多预处理工作。

基于随机森林算法的优势在于训练速度快、实现简单、可以处理高纬度数据、特征遗失数据和不平衡数据。但如果训练样本数超过了训练集数据范围，可能导致在特定噪声的数据进行建模时出现过度拟合。

因此需要研发出一种新型的作物面积与物候指标提取方法来解决上述问题。

发明内容

本发明的目的就在于为了解决上述问题设计了一种作物面积与物候指标提取方法。

本发明通过以下技术方案来实现上述目的：

一种作物面积与物候指标提取方法，包括以下步骤：

S1、对SAR影像进行预处理，得到作物在VV/VH极化方式下的后向散射系数；其中，预处理包括轨道校正、热噪声去除、辐射定标、相干斑滤波、地形校正、分贝化处理；

S2、根据作物在VV/VH极化方式下的后向散射系数构建特征向量，将特征向量和时间序列SAR影像引入基于时间序列的全卷积神经网络模型中，通过全卷积神经网络模型内部训练得到作物的分类结果，即作物种植情况；最后将分类结果导入绘图软件中添加图名图例即可得到作物种植面积图；

S3、根据该地区作物生育周期情况，并结合SAR影像中的VV和VH比值的方法提取作物的物候指标。

具体地，步骤S2包括：

S21、将整个SAR影像中每个像素的时序向量作为输入层输入到全卷积神经网络模型中，然后对输入的时序向量进行卷积，提取SAR影像中所有像素的时序特征；

S22、将卷积层中提取到的时序特征输入到池化层中，并对其进行池化处理；

S23、将所构建的频谱FCN中将前三个层合并成一个合并层，然后逐点相加，再合并第四个卷积层，再对其进行卷积和分类；