【技术实现步骤摘要】
一种面向农作物分类的时间序列特征重建及动态识别方法
本专利技术属于图像处理模式分类领域，具体涉及一种面向农作物分类的时间序列特征重建及动态识别方法。
技术介绍
及时地、准确地获取作物的空间分布信息是作物的长势监测、产量预估和灾害评估等工作的重要前提，对精准农业及其相关应用有重要意义。遥感技术具有覆盖面积广、重访周期短、数据获取相对容易、信息量大和费用低等优点，相比传统的实地调查方式，是一种高效的信息获取方法。因而，基于遥感数据的作物类型、种植面积和空间分布信息获取方法越来越多地应用于农业领域。由于时间序列(以下简称时序)遥感影像具有追踪作物生长信息演变的能力，使用基于时序遥感影像的方法进行作物分类成为获得高精度作物分布制图的有效手段(RoyDP,YanL.RobustLandsat-basedcroptimeseriesmodelling[J].RemoteSensingofEnvironment,2018:110810)。时序特征向量(如时序归一化植被指数(NormalizedDifferenceVegetatio...
【技术保护点】
1.一种面向农作物分类的时间序列特征重建及动态识别方法，包括以下步骤：/n步骤1：初始样本数据集构建；/n假设研究区域已经采集了R景影像X(R)，根据采集日期D进行排序得到：/nX(R)＝<X
【技术特征摘要】
1.一种面向农作物分类的时间序列特征重建及动态识别方法，包括以下步骤：
步骤1：初始样本数据集构建；
假设研究区域已经采集了R景影像X(R)，根据采集日期D进行排序得到：
X(R)＝<X1,X2,...,XR〉(1)
D(R)＝<d1,d2,...,dR〉(2)
其中，Xi∈X(R)表示构成时间序列的影像，di∈D表示对应影像的获取日期；
从遥感影像X(R)中获取的时序特征x(R)可以表示为：
x(R)＝<x1,x2,...,xR>(3)
作物类型根据通过NDVI随时间的变化来区分；
待分类的n种作物K(n)可以表示为：
K(n)＝<k1,k2,...,kn>(4)
通过实地数据采集或者图像解译获得带有标签的样本集S表示为：
S＝{s1,s2,...,sm}T(5)
其中，m为获得的样本个数，T为转置符号；样本集中的元素si∈S标记了作物类型，对应标签集表示为L；为了表示时间序列中可用的特征维数R，样本数据集和标签集分别表示为SR和LR；同时存在一个独立的验证数据集S′R，对应标签集表示为L′R；
由于云和云阴影的影响，样本集在部分维度上是缺失的；
步骤2：缺失数据区域预测填充；
利用基于LSTM网络构建的回归器模型对初始数据集SR和验证数据集S′R的缺失数据区域进行填充；
假设r(1＜r≤R)表示待填充的特征维度，前r-1维特征的缺失区域已填充完毕，可以使用合适的方法进行填充；
将初始数据集在第r维特征上无数据缺失的部分表示为vr，对应的前r-1维部分数据表示为Vr-1；将初始数据集在第r维特征上数据缺失的部分表示为ur，对应的前r-1维部分数据表示为Ur-1；类似地，验证数据集的相应部分分别用v′r，V′r-1，u′r，U′r-1表示；
基于LSTM网络构建第r维特征的回归器模型Mreg(r)；为了表示迭代的过程，将其表示为上标0表示迭代次数；该模型训练时的输入为Vr-1，输出为vr；
将Ur-1输入得到预测结果ur，将ur填充进数据集的对应位置得到前r维特征无缺失数据集Sr(P)，以及填充ur后得到原先在第r维特征上数据缺失的前r维部分数据Ur；用同样的方式得到验证数据集的前r维特征无缺失数据集S′r(P)；
步骤3：缺失数据区域取值范围取值填充；
首先，利用Vr作为输入，Lr作为输出，训练分类器模型将步骤2中得到的Ur输入中进行分类，对比分类结果与对应的实际标签；将数据集Ur中的每一个样本的标签分别与该样本在前r-1维和前r维特征的分类结果进行对比，会产生以下4种情况：(1)“T-T”情况：在前r-1维和前r维特征上均分类正确(T)，说明实际特征与预测填充特征均能正确分类；(2)“F-T”情况：前r-1维特征分类错误(F)，但新增第r维特征...
【专利技术属性】
技术研发人员：吴炜，陈婷婷，葛炜炜，杨海平，夏列钢，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。