[发明专利]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

权利要求书

1.一种基于时序遥感影像的大范围跨物候区农作物制图方法，其特征在于，包括以下步骤：

步骤1，构建时序光谱网络TSNet，利用堆叠的循环神经网络结构从源域的时序遥感影像中提取农作物样本具有表征性和判别性的深度特征，通过自注意力模型自适应地提取泛化的深度物候特征，利用交叉熵损失完成时序光谱网络在源域的预训练；

步骤2，利用步骤1得到的预训练TSNet，构建物候对齐网络，利用双分支结构分别接收源域和目标域的农作物样本，提取源域和目标域农作物样本各自的多层次深度物候特征；

步骤3，构建多层次深度特征对齐损失，约束源域和目标域农作物样本深度物候特征的分布距离，将源域得到的预训练TSNet迁移到目标域上，完成准确的跨物候区农作物制图。

2.如权利要求1所述一种基于深度迁移网络和时序遥感影像的跨物候区农作物制图方法，其特征在于：步骤1中，从时序遥感影像中提取的多光谱-多时相输入数据为其中L_T为样本的时序长度，L_S为样本的光谱通道个数，因此x可以被进一步展开为且每个时相的输入x_i包含作物在该时刻的多光谱信息；序列数据被第一层门循环单元层接收作为输入数据并被编码成隐藏层状态其中表示第i层GRU所输出的隐藏层状态，h为隐藏向量的维度；H₁被当作第二层GRU的序列输入数据，进一步被编码得到如此直至最后一层，堆叠循环神经网络模块从原始多光谱-多时相数据中提取多尺度、由浅到深的深度物候特征并输出；循环神经网络模块即为门循环单元层。

3.如权利要求1所述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，其特征在于：堆叠循环神经网络模块包括m个循环神经网络模块。

4.如权利要求1所述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，其特征在于：利用自注意力机制对深度隐藏特征H_m进行非局部信息提取，其中m为循环神经网络模块的个数，堆叠循环神经网络模块的输出H_m尺寸为(L_T,h)，将深度隐藏特征H_m转置得到其尺寸为(h,L_T)，再将H_m与进行矩阵相乘操作便可得到尺寸为(L_T,L_T)的注意力图A，利用Softmax函数将注意力图A归一化到0到1的范围，此时A便包含各时相之间的相关依赖关系，越接近1则连接强度越高，同时也表明此时相具有关键判别性信息；将注意力图A与原始隐藏特征H_m相乘得到加权隐藏特征再将与H_m通过残差结构相加，得到自注意力模块的最终输出H_A；

使用特征展平层将运算得到的时序光谱网络内部隐藏状态转化为可以输出的特征形式，如下公式所示，展平层将尺寸为(L_T,h)的自注意力模块输出深层物候特征H_A展平为尺寸(1,L_T×h)的一维向量H_F；

H_F＝Flatten(H_A) (1)

之后利用线性层改变矩阵或张量的维度属性，将尺寸为(L_T×h,K)的加权矩阵W_Linear，与展平后深度特征H_F进行矩阵相乘将其特征维度从L_T×h降至K，对应于分类任务中的K个类别；

其中，K表示输入数据中训练标签的类别数，之后使用Softmax函数对向量的值加权，得到样本属于每个类别的概率，并将概率最大的类别被视为预测类别；一维向量H_L可以展开表示为H_L＝[h_L,1,h_L,2,…,h_L,K]，通过Softmax函数得到概率软输出S＝[s₁,s₂,…,s_K]，再计算交叉熵损失用于训练时序光谱网络。