[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

说明书

本发明提供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，利用深度循环网络、自注意力机制与领域自适应技术，以种植在中国不同物候区的冬小麦和冬油菜为例，搭建稳定的时序影像农作物制图深度网络，随后利用深度迁移框架实现深度模型的跨区域迁移，取得精确的跨物候区农作物制图结果。本发明将深度迁移框架应用于中国不同物候区域种植的冬季作物上，实验结果表明其相较于其它最先进算法取得了最好的跨区域分类表现，可以有效提取农作物的判别性特征，显著提高了分类精度，实现了准确的跨物候区农作物制图，具有较大的应用潜力与前景。

技术领域

本发明涉及时序遥感影像农作物精细制图领域，尤其涉及一种通过深度循环网络提取作物物候信息、通过领域自适应技术对物候差异进行约束的技术方案，构建多层次深度特征的最大平均差异损失完成对不同物候区域农作物物候特征的对齐，实现精确的跨物候区农作物制图。

背景技术

面对日渐增长的粮产需求和农业生产发展不足之间的矛盾，在遥感卫星数据的帮助下，利用机器学习等方法对农作物进行精确分类可以有效减轻农户对农田的监管压力，也有助于构建现代化、智能化与精准化的农业生产体系，达成农业数字化改革和农民增产增收的战略目标。

近几十年来，一些多光谱遥感卫星发射升空并持续生产覆盖全球范围的遥感影像数据，为农作物制图提供了丰富的数据支撑。安装在多光谱遥感卫星上的传感器接收由农作物目标反射或发射的电磁辐射，构建波长覆盖可见光到微波红外波段的多层反射率图层，从而获得多光谱影像。由于多光谱影像较为全面地反映了农作物的光谱信息，许多方法将多光谱影像与农作物的特征表征联系起来，利用多光谱信息描述农作物的生物特性，完成对农作物光谱特征的提取和建模工作。在农作物制图应用中，时序遥感影像可以包含农作物在整个生长周期中的物候信息，因此可以从中提取出更具有代表性的物候特征，许多学者结合植被指数进行特征工程、设计物候特征，相较于单时相影像往往能够取得更准确的农作物制图结果。然而，人工设计的特征过于依赖专家知识，对于不同种植条件下的农作物样本普适性不强，出现阈值、植被指数特征或预训练模型失效的现象，为分类带来不确定性和精度的下降。因此，发展准确的跨物候区农作物制图技术，实现迅速、精确的农作物制图，具有很大的现实意义。

近几十年来，时序遥感影像农作物制图问题受到广泛关注并取得了丰硕成果。现有时序农作物制图方法主要可以分为两大类：基于物候学和基于监督学习的方法。其中基于监督学习的方法又可以进一步分为基于传统机器学习和基于深度网络的方法。物候学旨在建模农作物以年或一个生长周期为周期重复出现的各种生物现象的发生时间，以及其周边环境条件进行相关变化的周期模式，仔细选择一个或两个独特的阶段并将其与光谱特征相关联，随后利用全局阈值或动态阈值的方法完成对指定区域内农作物的快速提取。然而，光谱特性所联系的关键物候期和设定的阈值人工干涉过多，在农作物物候差异大时存在提取不精确、不够自动化等缺点。监督学习的理论基础为利用部分已知类别的样本建立先验信息，再通过计算未知类别样本与各类别的距离进行分类，常见的机器学习算法包括决策树、随机森林和支持向量机。基于传统机器学习的农作物制图方法仅依赖数千个高质量农作物样本便可以生成指定区域精确的制图结果。然而，手工设计的特征主观性太强，不能根据复杂或变化的分类场景而动态改变，并且传统机器学习算法并没有充分利用时序遥感影像中包含的农作物时序信息，导致得到的特征和分类模型鲁棒性差、泛化能力不足，不能适用于类内方差较大的农作物样本。

2015年以来，作为机器学习分支之一的深度学习迅速发展，鉴于其“数据驱动”的模式及强大的非线性拟合能力，复杂的特征工程可以从样本本身自动化、智能化地完成，可以从时序遥感影像中更充分地提取鲁棒、泛化的特征，相较于传统机器学习算法往往可以取得更高的精度和更稳定的分类表现。常见的深度网络结构包括卷积神经网络和循环神经网络，通过对农作物特征进行卷积或递归计算操作，完成精确的农作物制图。然而深度学习方法也有自身局限之处，首先是可解释性差，网络整体相当于一个黑盒子；其次是训练样本需求量大，深度网络的训练过程需消耗十万甚至百万量级的标签样本，大大增加了真实标签搜集所需的人力物力和时间成本。