基于多模态知识图谱的冬季作物早期自动识别方法技术

本发明专利技术提出一种基于多模态知识图谱的冬季作物早期自动识别方法，基于光学和雷达时序数据集，分别设计多模态植被指数以及多极化雷达系数增强变换的时谱特征空间，建立冬季作物类型早期识别多模态知识图谱，以达成冬季农作物类型早期识别的目标。鉴于冬小麦和冬油菜等冬季作物在作物株型和冠层结构方面的差异性，其多极化雷达系数时序曲线呈现出此消彼长的特征，通过选取合适的幂底数实施幂指变换后，冬油菜和冬小麦分别呈现出低值平稳、高值急剧增加的特点，提前在冬油菜现蕾期和冬小麦返青期，就可以获得高精度冬季作物类型分布图。就可以获得高精度冬季作物类型分布图。就可以获得高精度冬季作物类型分布图。

【技术实现步骤摘要】
基于多模态知识图谱的冬季作物早期自动识别方法


[0001]本专利技术属于高时效农情智能自动监测领域，涉及农作物早期制图方法，具体是一种基于多模态知识图谱的冬季作物早期自动识别方法。

技术介绍

[0002]通过播种冬季作物实施多季种植，有助于有效地提高耕地种植强度从而显著地提高农作物产量。高精度高时效地获取冬季农作物类型信息，对于粮食估产预测和农业灾害保险理赔等农业精准管理需求、实现联合国可持续发展目标中零饥饿的目标非常重要。
[0003]小麦和油菜作为重要的粮油作物，利用遥感技术开展作物制图研究历来备受关注。冬小麦，由于其越冬返青的特性，在整个生长季节通常有两个生长峰，其植被指数时谱特征和其他农作物存在显著差异性，因此依据此特征建立了系列冬小麦识别方法。冬油菜，同样存在和其他农作物不一样的特性，比如花期长并且颜色鲜艳，油菜开花期内呈现出有别于其他农作物的时空谱特征。冬小麦和冬油菜这些有别于其他农作物的特征，可以很好地应用于冬小麦和冬油菜种植区域季后遥感制图。
[0004]相比农作物季后制图而言，农作物早期制图面临如下两方面的挑战：1.不同农作物生长早期，时序影像特征非常相似，很难找到能凸显不同农作物类型的标志性时空谱特征；2.由于农作物生长早期时间窗口短，能用的遥感时序影像非常稀缺。例如，对于油菜而言，开花期以前的物候特征很少有人关注。农作物生长早期时序遥感稀缺的问题，在多云多雨地区更加严重。
[0005]雷达时序遥感影像，具有云雾穿透能力，将有助于提高农作物早期制图时序遥感影像的可获得性。特别是随着Sentinel
‑
1SAR的开放共享，其VV和VH极化雷达后向散射系数时序数据，将为农作物识别带来机遇。比如，一种基于合成孔径雷达时序数据的水稻自动识别方法(申请号：CN202010117995.5)，由于水稻需要移栽漫灌导致雷达后向散射系数呈现出先降低后逐渐升高的特点，利用该特征可以实现水稻自动识别。最近研究表明，融合光学和时序影像，能有效地提高农作物识别精度。例如，一种基于光学与雷达时序数据的烟稻种植模式识别方法(申请号：CN202111637590.5)，综合光学植被指数和雷达后向散射系数在双季农作物前后茬变幅等特征，建立了烟稻种植模式识别流程。

技术实现思路

[0006]考虑目前融合光学和雷达时序影像的农作物类型识别技术，仍处于探索研究阶段，基本以为农作物季后识别模型为主，未有应用于农作物早期自动制图领域，特别是冬小麦和冬油菜等农作物早期识别。
[0007]鉴于农作物早期制图所面临的挑战，目前农作物早期制图多基于随机森林、深度神经网络等监督分类方法。这些方法，在训练样本数据充足的情况下获得非常高的精度。但不足之处在于，当其迁移应用到训练数据缺乏的其他研究区域或研究年份时，其模型精度难以保证。由于农作物早期制图要求时效性高，收集训练样本数据通常费时费力，短期内通
常难以满足监督分类训练模型的要求，因此迫切需要建立农作物早期识别知识图谱，减少对训练样本数据的依赖性，提高识别精度和时空泛化能力。本专利技术拟融合光学和雷达多模态时序影像数据，建立一种冬季农作物类型早期识别方法，至少能在冬小麦抽穗期和冬油菜开花期之前，获得研究区冬小麦和冬油菜空间分布图。
[0008]本专利技术方案基于光学和雷达时序数据集，分别设计多模态植被指数以及多极化雷达系数增强变换的时谱特征空间，建立冬季作物类型早期识别多模态知识图谱，以达成冬季农作物类型早期识别的目标。
[0009]鉴于冬小麦和冬油菜等冬季作物在作物株型和冠层结构方面的差异性，其多极化雷达系数时序曲线呈现出此消彼长的特征，通过选取合适的幂底数实施幂指变换后，冬油菜和冬小麦分别呈现出低值平稳、高值急剧增加的特点，提前在冬油菜现蕾期和冬小麦返青期，就可以获得高精度冬季作物类型分布图。
[0010]本专利技术通过建立农作物生长特性与遥感时谱特征的知识图谱，解决农作物识别算法严重依赖样本数据难以实现泛化迁移的技术瓶颈。本专利技术具有简单易行、解释能力强、自动化程度高、适用于多云多雨地区等特点，具有大尺度跨域跨年度应用推广能力。
[0011]术语解释：
[0012]哨兵一号(Sentinel
‑
1)卫星载有C波段合成孔径雷达，能包括雨云在内各种天气情况下的连续雷达数据产品，如VV、VH极化雷达数据等。VV、VH分别表示雷达影像VV、VH极化的后向散射系数。
[0013]哨兵2号(Sentinel
‑
2MSI)作为新型光学遥感卫星，具有宽幅和高时空分辨率以及免费共享等多重优势。其所特有的红光边缘波段，为监测植被生长与健康状态非常有效。
[0014]光学植被指数：植被指数是表征植被生长状态以及空间分布密度的因子。通常所说的植被指数，为光学植被指数，常见的光学植被指数有NDVI和EVI2。NDVI为归一化植被指数，全称为NormalizedDifference Vegetation Index。EVI2为增强型植被指数，全称为EnhancedVegetation Index。EVI2指数的计算公式为：其中ρ
Red
,ρ
NIR
分别为哨兵影像的红光、近红外波段的反射率。
[0015]雷达植被指数：为了弥补光学植被指数经常受到云雨天气影响数据缺失的不足，进一步建立雷达植被指数(RadarbasedVegetation Indices,简称RVI)。本专利技术中所采用雷达植被指数RVI的计算公式为：RVI＝VH
‑
VV。
[0016]相加型多极化雷达系数：相加型多极化雷达系数(Sum of VH and VV,简称SVV)，其计算公式为：SVV＝VH+VV。
[0017]本专利技术解决其技术问题采用的技术方案是：
[0018]一种基于多模态知识图谱的冬季作物早期自动识别方法，其特征在于，包括以下步骤：
[0019]步骤S01：分别建立光学和雷达多模态植被指数时序数据集；
[0020]步骤S02：建立相加型多极化雷达系数时序数据集；
[0021]步骤S03：分别构建光学和雷达多模态植被指数差分序列数据集；
[0022]步骤S04：构建冬季作物生长早期多模态植被指数时谱特征；
[0023]步骤S05：对相加型多极化雷达系数时序数据实施幂指变换；
[0024]步骤S06：构建多极化雷达系数增强变换的时谱特征；
[0025]步骤S07：评估冬季作物类型早期识别窗口；
[0026]步骤S08：建立冬季作物类型早期识别多模态知识图谱。
[0027]进一步地，步骤S01中，在研究区域内，逐像元逐期计算光学植被指数EVI2；依据云覆盖情况，剔除有云的观测记录，逐像元基于无云日EVI2植被指数有效观测时序数据集，进而采用Whittaker Smoother数据平滑方法，建立研究区平滑的光学植被指数时序数据集；逐像元逐期计算雷达植被指数RVI，计算公式为：RVI本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态知识图谱的冬季作物早期自动识别方法，其特征在于，包括以下步骤：步骤S01：分别建立光学和雷达多模态植被指数时序数据集；步骤S02：建立相加型多极化雷达系数时序数据集；步骤S03：分别构建光学和雷达多模态植被指数差分序列数据集；步骤S04：构建冬季作物生长早期多模态植被指数时谱特征；步骤S05：对相加型多极化雷达系数时序数据实施幂指变换；步骤S06：构建多极化雷达系数增强变换的时谱特征；步骤S07：评估冬季作物类型早期识别窗口；步骤S08：建立冬季作物类型早期识别多模态知识图谱。2.根据权利要求1所述的基于多模态知识图谱的冬季作物早期自动识别方法，其特征在于：步骤S01中，在研究区域内，逐像元逐期计算光学植被指数EVI2；依据云覆盖情况，剔除有云的观测记录，逐像元基于无云日EVI2植被指数有效观测时序数据集，进而采用Whittaker Smoother数据平滑方法，建立研究区平滑的光学植被指数时序数据集；逐像元逐期计算雷达植被指数RVI，计算公式为：RVI＝VH
‑
VV，其中VV、VH分别表示雷达影像VV、VH极化的后向散射系数；采用Whittaker Smoother数据平滑方法，建立研究区平滑的雷达植被指数时序数据集，从而形成研究区光学和雷达多模态植被指数时序数据集。3.根据权利要求1所述的基于多模态知识图谱的冬季作物早期自动识别方法，其特征在于：步骤S02中，基于Sentinel
‑
1的VH和VV多极化雷达系数，逐像元逐期分别计算相加型多极化雷达系数，从而获得研究区该年份的相加型多极化雷达系数时序数据集；所述相加型多极化雷达系数SVV的计算公式为：SVV＝VH+VV，其中VV、VH分别表示雷达影像VV、VH极化的后向散射系数；采用Whittaker Smoother数据平滑方法，构建平滑的相加型多极化雷达系数时序数据集。4.根据权利要求1所述的基于多模态知识图谱的冬季作物早期自动识别方法，其特征在于：步骤S03中，分别基于光学和雷达植被指数时序数据集，逐像元逐期进行时序差分，分别获得光学和雷达植被指数差分序列数据集。5.根据权利要求1所述的基于多模态知识图谱的冬季作物早期自动识别方法，其特征在于：步骤S04中，基于光学和雷达植被指数时序数据集，提取多模态植被指数时谱特征，包括：基于光学植被指数的冬季作物生长早期植被指数累积量指标ADVI和基于雷达植被指...

【专利技术属性】
技术研发人员：邱炳文，苏中豪，
申请(专利权)人：福州大学，
类型：发明
国别省市：