多尺度农作物物候期遥感降维预测方法技术

本发明专利技术涉及的是多尺度农作物物候期遥感降维预测方法，它包括：一、获得某种农作物多个种植区域多年遥感数据和物候数据；二、对遥感数据预处理；三、对预处理后的遥感数据降维，生成可变时序长度的输入数据；四、使用长短期记忆网络建立农作物识别和预测模型，构建的农作物识别和预测模型为多输出模型，将当前物候的识别功能和下一物候阶段预测功能集成在一个模型中；五、训练农作物识别和预测模型：六、测试农作物识别和预测模型：七、农作物物候期识别及预测模型应用于任意生长阶段、任意大小区域的农作物物候期识别与预测。本发明专利技术能够应用于不同尺度的物候识别及预测，可以满足田块尺度、村镇县市省等各级行政级别尺度监测和预测的需求。的需求。的需求。

【技术实现步骤摘要】
多尺度农作物物候期遥感降维预测方法
一、
：
[0001]本专利技术涉及农作物生产
，具体涉及的是多尺度农作物物候期遥感降维预测方法。
二、
技术介绍
：
[0002]农业是人类赖以生存和发展的基础，大范围农情信息的获取和预测对于指导农业生产和保证粮食安全具有重要意义。作物物候是指作物受环境和人类活动等的影响而产生的以年为单位周期性的自然现象，能够反应自然界的变化规律，对于农业生产、气候变化趋势分析都具有重要意义。
[0003]农作物物候是农作物生长的重要信息，农作物物候期的识别和预测是农作物种类的识别、分类以及农作物产量估计等的重要方法，是指导农业生产、施肥灌溉等田间管理、作物长势分析、产量估计和制定计划决策等的重要依据。
[0004]传统物候识别采用人工野外观测的方法，这种方式结果比较准确，但工作量大、主观性强、观测周期长并且观测范围较小，不适合大范围物候期的识别和预测。
[0005]遥感技术因其覆盖范围广、回访周期短以及成本低等优点，近年来成为了物候期识别和监测的重要手段。目前遥感物候监测的方法大概分为四类：阈值法、函数拟合法、植被指数变化法和模型法。这些方法多是利用植被指数(NDVI、EVI等)建立时序植被指数曲线，通过分析植被曲线的变化来确定物候信息，或是用函数来拟合植被曲线，根据拟合函数的特征点来确定物候期。模型法是首先建立作物生长模型，通过将已标定物候信息的植被指数曲线和待标定的植被物候曲线拟合，来确定待标定植被的物候期。这些方法中存在物候信息提取不准确、易受植被曲线噪声影响、由于年际间和地域间作物环境改变而带来的不适应性等各自的局限和缺点。
[0006]近几年，深度学习在图像处理等领域显示出了强大的功能，深度学习模型由高度复杂的层次结构组成，能够从大量的原始数据中自动提取特征，强大的学习能力使其在解决复杂问题时表现出优势，适合处理分类和预测方面的问题。在农作物识别领域，有学者在田间建立观测点，通过数字相机等方式获取作物冠层图片，使用深度学习算法来建立作物物候识别模型，取得较好的效果。但这种方式适合定点和小范围的物候识别。如中国专利申请202110888719.3《一种基于改进卷积神经网络的小麦生育进程监测方法》基于定点拍摄，不适合大范围识别和预测。
[0007]有研究使用深度学习算法，根据多年气象数据预测农作物的物候期。如中国专利申请202011432779.6《基于深度学习的植物关键物候期时间点预测方法及系统》基于气象数据建立预测模型，没有考虑人为因素，品种、播种时间等。而农作物具体物候期的形成机理较为复杂，很难将所有要素考虑完全。
[0008]目前，使用遥感数据进行表征学习以期获得某个识别或预测结果的情况，比如物候期预测，作物产量预测等应用中，模型的训练和使用必须是基于同一个尺度的，例如有研究基于田块尺度训练的模型只能用于田块尺度的预测，基于县级尺度训练的模型只能用于
县级尺度的预测。
三、
技术实现思路
：
[0009]本专利技术的目的是提供多尺度农作物物候期遥感降维预测方法，这种多尺度农作物物候期遥感降维预测方法用于实现不同尺度区域的农作物物候更精准的识别与预测，使物候识别和预测用到不同地域范围。
[0010]本专利技术解决其技术问题所采用的技术方案是：这种多尺度农作物物候期遥感降维预测方法包括如下步骤：
[0011]步骤一、获得某种农作物多个种植区域多年遥感数据和物候数据；
[0012]步骤二、对遥感数据预处理，预处理包括去云、辐射校正、重采样、投影转换、波段提取；
[0013]步骤三、对步骤二预处理后的遥感数据降维，生成可变时序长度的输入数据，每个输入数据为11维遥感向量，得到样本数据：所述遥感数据是包含二维地理坐标以及多个波段空间数据的三维数据类型；
[0014]步骤四、使用长短期记忆网络建立农作物识别和预测模型，充分考虑物候期形成的时间顺序以及物候期农作物表型前后的依赖关系，获得从播种到收获全物候期的遥感图片，构建的农作物识别和预测模型为多输出模型，将当前物候的识别功能和下一物候阶段预测功能集成在一个模型中；
[0015]步骤五、训练农作物识别和预测模型：将样本数据划分为训练集和测试集，使用训练集来训练物候期识别和预测模型；
[0016]步骤六、测试农作物识别和预测模型：对训练后的农作物识别和预测模型进行测试，当测试结果满足精度要求，则训练完成；
[0017]步骤七、农作物识别和预测模型的应用：农作物物候期识别及预测模型应用于任意生长阶段、任意大小区域的农作物物候期识别与预测。
[0018]上述方案步骤一中遥感数据为去掉东三省高程数据中海拔较高的地区，选择某农作物种植区60个气象站点所在田块作为研究区，获得研究区自当前年向前20年MODIS遥感数据，每年自4月1日到11月1日生长季中的28景，包含所有与生长环境、生长植被指数相关的11个波段的遥感数据，11个波段为MOD09A1产品的波段1～波段7，MYD11A2产品中的白天陆面温度、夜晚陆面温度、MOD13A1和MYD13A1中的归一化植被指数NDVI、增强植被指数EVI；物候数据是研究区自当前年向前20年历史物候数据。
[0019]上述方案步骤三中遥感数据降维的方法：采用均值降维的方式，将所述研究区域所有像素点的取值进行均值化处理，将二维坐标空间的数据用一个均值来表示，使用均值来代表研究区域的整体水平，从而确定物候的变化。
[0020]使用均值降维的方式将三维数据降至二维数据:
[0021][0022]其中，p为研究区域在某个波段的平均取值，i，j为研究区域内某农作物掩膜下的像素点位置的横纵坐标，x
ij
为该像素点的某个波段取值，n为研究区域内某农作物掩膜覆盖下的像素点个数；
[0023]将每一个波段的数据分别进行归一化处理，使结果值映射到[0
‑
1]之间，计算的公式为：
[0024][0025]其中，p
*
为归一化后的结果，max为该波段取值的最大值，min为该波段取值的最小值；
[0026]使用向量法将二维数据降至一维，用11维向量来分别表示包含11个波段的二维数据，11维向量中的元素为p1，p2，p3......p
11
，作为一维数据输入网络模型。
[0027]上述方案中步骤四中农作物识别和预测模型的结构：28个序列输入，28个序列输出，隐藏层为28个相同结构的记忆单元，每个记忆单元包含一个输入和一个二维输出，前后28个记忆单元向后传递细胞状态和上一级输出两个并行的信息，这两个并行的信息作为下一级单元的输入，输出状态不仅由本级输入决定，还与前序的信息相关输入的时序变量；
[0028]每个记忆单元由三部分组成：遗忘门：决定从细胞状态保留多少原始信息；输入门：决定当前记忆单元需要更新的信息，决定多大程度的忽略掉当前输入的数据；输出门：决定多大程度的输出记忆单元中的信息；
[0029]每一个记忆单元本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多尺度农物物候期遥感降维预测方法，其特征在于包括如下步骤：步骤一、获得某种农作物多个种植区域多年遥感数据和物候数据；步骤二、对遥感数据预处理，预处理包括去云、辐射校正、重采样、投影转换、波段提取；步骤三、对步骤二预处理后的遥感数据降维，生成可变时序长度的输入数据，每个输入数据为11维遥感向量，得到样本数据：所述遥感数据包含二维地理坐标以及多个波段空间数据的三维数据类型；步骤四、使用长短期记忆网络建立农作物识别和预测模型，充分考虑物候期形成的时间顺序以及物候期农作物表型前后的依赖关系，获得从播种到收获全物候期的遥感图片，构建的农作物识别和预测模型为多输出模型，将当前物候的识别功能和下一物候阶段预测功能集成在一个模型中；步骤五、训练农作物识别和预测模型：将样本数据划分为训练集和测试集，使用训练集来训练物候期识别和预测模型；步骤六、测试农作物识别和预测模型：对训练后的农作物识别和预测模型进行测试，当测试结果满足精度要求，则训练完成；步骤七、农作物识别和预测模型的应用：农作物物候期识别及预测模型应用于任意生长阶段、任意大小区域的农作物物候期识别与预测。2.根据权利要求1所述的多尺度农物物候期遥感降维预测方法，其特征在于：所述的步骤一中遥感数据为去掉东三省高程数据中海拔较高的地区，选择某农作物种植区60个气象站点所在田块作为研究区，获得研究区自当前年向前20年MODIS遥感数据，每年自4月1日到11月1日生长季中的28景，包含所有与生长环境、生长植被指数相关的11个波段的遥感数据，11个波段为MOD09A1产品的波段1～波段７，MYD11A2产品中的白天陆面温度、夜晚陆面温度、MOD13A1和MYD13A1中的 归一化植被指数NDVI、增强植被指数EVI；物候数据是研究区自当前年向前20年历史物候数据。3.根据权利要求2所述的多尺度农物物候期遥感降维预测方法，其特征在于：所述的步骤三中遥感数据降维的方法：采用均值降维的方式，将所述研究区域所有像素点的取值进行均值化处理，将二维坐标空间的数据用一个均值来表示，使用均值来代表研究区域的整体水平，从而确定物候的变化；使用均值降维的方式将三维数据降至二维数据：其中，ｐ为研究区域在某个波段的平均取值，ｉ，ｊ为研究区域内某农作物掩膜下的像素点位置的横纵坐标，为该像素点的某个波段取值，ｎ为研究区域内某农作物掩膜覆盖下的像素点个数；将每一个波段的数据分别进行归一化处理，使结果值映射到[0
‑...

【专利技术属性】
技术研发人员：李庆达，周红，胡军，赵胜雪，王宏立，梁春英，户春影，
申请(专利权)人：黑龙江八一农垦大学，
类型：发明
国别省市：