一种融合多关键物候期光谱特征的冬小麦遥感识别方法技术

本发明专利技术公开了一种融合多关键物候期光谱特征的冬小麦遥感识别方法，创造性地融合冬小麦多关键物候期光谱特征及其对应的遥感影像作为输入特征影像集，无需大量地面样本数据，仍然能够有效、准确地实现冬小麦的遥感识别；将输入特征影像集输入时序自注意力机制分类模型中，进行冬小麦在研究区域内的种植空间分布提取，然后进行后处理，得到冬小麦在研究区域内的种植空间分布图，时序自注意力机制分类模型结合多头自注意力模型、卷积神经网络以及可学习位置编码，实现了遥感影像时序信息的深度挖掘，以及不同关键物候期光谱特征之间的关联，从而有效提高冬小麦遥感识别精度。从而有效提高冬小麦遥感识别精度。从而有效提高冬小麦遥感识别精度。

【技术实现步骤摘要】
一种融合多关键物候期光谱特征的冬小麦遥感识别方法


[0001]本专利技术涉及农业遥感监测
，尤其涉及融合多关键物候期光谱特征的冬小麦遥感识别方法。

技术介绍

[0002]冬小麦种植面积超过全国耕地总面积的1/5，是中国重要的粮食作物之一。因此，及时准确掌握冬小麦种植面积变化，有利于有关部门进行科学决策，并为冬小麦产量估算提供重要依据。遥感技术具有监测范围广、多频次、时间长等优势，是大范围准确、快速获取冬小麦种植面积的最有效方法。
[0003]现有利用Sentinel
‑
2数据进行冬小麦提取的研究基本上分为两类：一类是利用单一时相构建多特征集，再利用支持向量机（SVM）、随机森林（RF）等分类器进行分类；另一类是利用多时相单一特征时序曲线的物候信息，利用决策树法、积分法等提取冬小麦面积。目前，很少有研究通过分析冬小麦关键物候期敏感性光谱指数变化，在Sentinel
‑
2数据集上将多时相和多特征结合用于冬小麦提取；与此同时，大范围冬小麦提取方法的研究也较少。
[0004]现有多时相和多特征结合提取冬小麦上，对于“多时相”并没有完全利用到物候期时序信息，而是比较不同时期冬小麦提取精度，选择精度最高的那一期影像来提取；同时多特征的选择上也没有综合考虑反映冬小麦绿度、湿度和土壤的敏感性指数。
[0005]传统分类技术，例如SVM、RF等机器学习方法并不能有效提取遥感影像的时序特征，而以动态时间规整（DTW）为主的提取时序特征的方法，是一种对时序特征进行浅层挖掘的方式，其获得有效判别特征的能力有限。随着深度学习技术的快速发展，一些能够获取深层时序特征的深度学习模型越来越受到青睐，以长短时记忆（LSTM）为代表的网络模型在地物利用分类上取得更好的效果，但仍存在样本数据不足导致精度不高的问题。
[0006]针对现有方法存在的问题，如何提供一种能挖掘遥感影像时序信息且不依赖大量地面样本数据的前提下，对冬小麦的种植面积进行监控的一种较为快捷和准确的技术手段。

技术实现思路

[0007]针对现有冬小麦大面积识别存在的技术缺陷，本专利技术提供一种融合多关键物候期光谱特征的冬小麦遥感识别方法，在不依赖大量样本数据前提下，深度挖掘遥感影像时序信息，快速准确识别冬小麦的分布及面积。
[0008]一种融合多关键物候期光谱特征的冬小麦遥感识别方法，包括以下步骤：步骤1，生成遥感影像数据集：获取包含研究区域冬小麦整个生长期的sentienl
‑
2遥感影像中的2A级地表反射率产品，再利用研究区域的行政边界矢量数据和数字地形模型数据对其进行裁剪，得到仅覆盖研究区域的遥感影像数据集；步骤2，关键物候期信息提取：基于遥感影像数据集获取冬小麦整个生长期的归一化植被指数NDVI时序光谱曲线，再对其进行平滑、去噪；
步骤3，构建特征光谱指数：获取研究区域内冬小麦生长关键物候期信息，其中冬小麦的关键物候期包括分蘖期、返青期、拔节期、抽穗期和成熟期，通过研究区域冬小麦关键物候期绿度、湿度和土壤亮度的时序光谱曲线变化，分别计算Sentinel
‑
2影像上的植被类指数、水分含量类指数和土壤类指数，形成各个指数的特征集，其中植被类指数包括归一化植被指数NDVI、土壤调整植被指数SAVI、红边位置指数S2REP，水分含量类指数包括地表水分指数LSWI，土壤类指数包括裸土指数BSI；步骤4，关键物候期指数特征影像获取：分别计算冬小麦关键物候期内所有指数特征集的最大值，与对应时间段内的遥感影像光谱波段合成，形成输入特征影像集，其中光谱波段包括3个可见光波段、近红外波段、3个红边波段和短波红外波段；步骤5，将输入特征影像集输入时序自注意力机制分类模型中，进行冬小麦在研究区域内的种植空间分布提取，然后进行后处理，得到冬小麦在研究区域内的种植空间分布图。
[0009]进一步的，步骤1在预处理之前，以含云量≤30%为条件对冬小麦整个生长期的sentienl
‑
2遥感影像进行筛选。
[0010]进一步的，步骤1中的预处理包括辐射校正，大气校正、正射校正、去云。
[0011]进一步的，步骤5中的时序自注意力机制分类模型主要由多头自注意力模型和卷积神经网络构成；多头自注意力模型的输入为可学习位置编码与输入特征影像集的糅合特征，其中可学习位置编码是对日历时间做编码，输出经归一化后再输入卷积神经网络；卷积神经网络的输出再经归一化后拉伸、降维处理得到冬小麦在研究区域内的种植空间分布提取结果。
[0012]进一步的，步骤5中的后处理包括小斑块剔除、孔洞融合、滤波、腐蚀膨胀。
[0013]本专利技术创造性地融合冬小麦多个关键物候期光谱特征及其对应的遥感影像作为输入特征影像集，无需大量地面样本数据，仍然能够有效、准确地实现冬小麦的遥感识别；时序自注意力机制分类模型结合多头自注意力模型、卷积神经网络以及可学习位置编码，实现了遥感影像时序信息的深度挖掘，以及不同关键物候期光谱特征之间的关联，从而有效提高冬小麦遥感识别精度。
附图说明
[0014]下面结合附图和实施例对本申请的技术方案进一步说明。
[0015]图1是本专利技术提出的冬小麦遥感识别方法流程图；图2是裁剪后的安徽省阜阳市Sentinel
‑
2遥感影像；图3是安徽省阜阳市2021年10月到2022年6月冬小麦NDVI曲线和S
‑
G曲线；图4是冬小麦在安徽省阜阳市的种植空间分布图；图5a是局部Sentinel
‑
2遥感影像，图5b是图5a对应的提取结果示意图；图6是时序自注意力机制分类模型构成示意图。
具体实施方式
[0016]下面结合附图和具体实施方式对本专利技术作进一步详细的说明。本专利技术的实施例是
为了示例和描述起见而给出的，而并不是无遗漏的或者将本专利技术限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本专利技术的原理和实际应用，并且使本领域的普通技术人员能够理解本专利技术从而设计适于特定用途的带有各种修改的各种实施例。
[0017]一种融合多关键物候期光谱特征的冬小麦遥感识别方法，如图1所示，包括以下步骤：1、生成遥感影像数据集：获取包含研究区域冬小麦整个生长期的sentienl
‑
2遥感影像中，预处理后再利用研究区域的行政边界矢量数据和数字地形模型数据对其进行裁剪，得到仅覆盖研究区域的遥感影像数据集。
[0018]本实施例主要选取安徽省阜阳市作为研究区域，获取2021年10月到2022年6月冬小麦整个生长期内的所有可用Sentinel
‑
2遥感影像；与此同时，为了减少遥感影像中云污染的影响，本实施例以含云量≤30%为条件对遥感影像进行筛选。
[0019]具体操作：在GEE平台上调用COPERNICUS/S2_SR影像集，分别获取安徽省阜阳市2021年10月到2022年6月冬小麦生长期内的senti本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多关键物候期光谱特征的冬小麦遥感识别方法，其特征在于，包括以下步骤：步骤1，生成遥感影像数据集：获取包含研究区域冬小麦整个生长期的sentienl
‑
2遥感影像，预处理后再利用研究区域的行政边界矢量数据和数字地形模型数据对其进行裁剪，得到仅覆盖研究区域的遥感影像数据集；步骤2，关键物候期信息提取：基于遥感影像数据集获取冬小麦整个生长期的归一化植被指数NDVI时序光谱曲线，再对其进行平滑、去噪；步骤3，构建特征光谱指数：获取研究区域内冬小麦生长关键物候期信息，其中冬小麦的关键物候期包括分蘖期、返青期、拔节期、抽穗期和成熟期，通过研究区域冬小麦关键物候期绿度、湿度和土壤亮度的时序光谱曲线变化，分别计算Sentinel
‑
2影像上的植被类指数、水分含量类指数和土壤类指数，形成各个指数的特征集，其中植被类指数包括归一化植被指数NDVI、土壤调整植被指数SAVI、红边位置指数S2REP，水分含量类指数包括地表水分指数LSWI，土壤类指数包括裸土指数BSI；步骤4，关键物候期指数特征影像获取：分别计算冬小麦关键物候期内所有指数特征集的最大值，与对应时间段的遥感影像光谱波段合成，形成输入特征影像集，其中光谱波段包括3个...

【专利技术属性】
技术研发人员：张杰，李劲松，茹菲，尹超，王梦阳，吴亚男，杜家宽，张文辉，李梦君，柴蕾蕾，
申请(专利权)人：天地信息网络研究院安徽有限公司，
类型：发明
国别省市：