一种农作物识别的多变量的时间序列卷积神经网络算法制造技术

本发明专利技术公开了一种农作物识别的多变量的时间序列卷积神经网络算法，该算法具体包括如下实现步骤：CropHarvest数据集获取；对数据集按地理坐标区域进行划分；计算多个植被指数；构建网络模型架构；将训练集数据进行训练，本发明专利技术通过全新的网络结构来实现多源遥感数据集的农作物分类识别，能够对全球方案的数据集进行预训练，提取特征梯度，然后在目标地区只需要小部分的训练数据进行进行微调即可完成对目标地区的训练，此方案最终可以在不同的地区的测试集上都达到最佳的农作物识别率，和第一部分的现有方案对比，在不同训练集上做小量微调，即可达到较高的识别准确率的同时还能保证模型迁移性能好。证模型迁移性能好。证模型迁移性能好。

【技术实现步骤摘要】
一种农作物识别的多变量的时间序列卷积神经网络算法


[0001]本专利技术涉及农作物识别
，具体为一种农作物识别的多变量的时间序列卷积神经网络算法。

技术介绍

[0002]CropHarvest是一个包含了9万多个具有农业标签的地理差异样本的卫星数据集，它从各种农业土地利用数据集和遥感产品中收集数据，该数据集由90，480个数据点组成，其中30，889个(34.2％)具有多类标签，其他数据点则只有二分类作物/非作物标签，如说明书附图图5所示，这些标签中有65，690个(73％)与遥感和气候数据配对，特别是Sentinel
‑
2、Sentinel
‑
1、SRTM Digital Flevation Model和ERA 5气候数据，而通过对CropHravest遥感数据集的应用，利用整合的卫星数据，对单独点位进行农作物识别，以了解全球的农作物产量情况，此外，利用遥感数据集训练的模型的输出可以促进积极的社会影响；
[0003]然而，有许多障碍限制了机器学习社区对卫星数据的可访问性，包括缺乏大型标记数据集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种农作物识别的多变量的时间序列卷积神经网络算法，其特征在于：该算法主要通过全新的网络结构来实现多源遥感数据集的农作物分类识别，其中，该算法具体包括如下实现步骤：S1、CropHarvest数据集获取；S2、对数据集按地理坐标区域进行划分；S3、计算多个植被指数；S4、构建网络模型架构；S5、将训练集数据进行训练。2.根据权利要求1所述的一种农作物识别的多变量的时间序列卷积神经网络算法，其特征在于：所述S1中，CropHarvest数据集获取主要是指通过官方链接来直接获取baseline的代码，并通过google Earth Engine获取eo_data地理原始卫星数据的图像块，包含了Sentinel
‑
2、Sentinel
‑
1、SRTM Digital Flevation Model和ERA 5卫星的数据，以不同的数据通道融合在数据块中，然后通过labels.geojson中的地理坐标信息找到eo_data中对应的原始数据，提取出不同卫星数据每个月的融合数据。3.根据权利要求1所述的一种农作物识别的多变量的时间序列卷积神经网络算法，其特征在于：所述S2中，对数据集按地理坐标区域进行划分主要是指按照地理经纬度和时间年份来划分成不同的国家地区不同年份的数据，最后在不同地理位置和不同时间年份的数据中的取部分数据作为模型的测试集，剩余的全部数据作为训练集。4.根据权利要求3所述的一种农作物识别的多变量的时间序列卷积神经网络算法，其特征在于：在S2中，所采取的数据中，每一个数据样本有12行数据，表示每年12个月的历史数据，纵向一共有17列，其中，来自Sentinel
‑
1卫星的SAR数据占其中两列，来自Sentinel
‑
2的多光谱数据占其中10列，分别是Sentinel
‑
2多光谱数据波段2
‑
波段11，来自SRTM Digital Elevation Model的高程信息和坡度信息，以及来自ERA 5的降雨量和温度信息。5.根据权利要求3所述的一种农作物识别的多变量的时间序列卷积神经网络算法，其特征在于：所述S3中，计算多个植被指数主要是指在原有数据集的基础上利用步骤S2中获取的Sentinel
‑
2多光谱数据来计算多个植被指数，并以计算结果作为先验知识。6.根据权利要求1所述的一种农作物识别的多变量的时间序列卷积神经网络算法，其特征在于：所述S4中，构建网络模型架构具体包括如下实现过程：通过构建的网络先将坐标点位的数据分别通过两个卷积神经网络，一个2D卷积，一个1D卷积；以I*T为...

【专利技术属性】
技术研发人员：翁胧胧，
申请(专利权)人：地卫二空间技术杭州有限公司，
类型：发明
国别省市：