面向多时相遥感数据的耕地资源智能监测方法技术

本发明专利技术属于遥感技术领域，公开了面向多时相遥感数据的耕地资源智能监测方法，包括：构建光谱注意力模块，提高耕地敏感波段重要性，降低其他波段干扰；优化基于自注意力机制的时序特征提取模块，改进L_TAE注意力机制，将固定式位置编码替换为可学习式位置编码；模块组合与基本模型设计，使用U_TAE网络架构作为基础框架，将光谱注意力模块与优化后的时序注意力模块插入到网络框架中，构成基础多时相语义分割网络框架；构建基于掩码

【技术实现步骤摘要】
面向多时相遥感数据的耕地资源智能监测方法


[0001]本专利技术属于遥感耕地资源智能监测
，尤其涉及面向多时相遥感数据的耕地资源智能监测方法。

技术介绍

[0002]与实地耕地调查相比，通过遥感手段与人工智能相结合，利用海量遥感数据与深度学习模型实现自动化遥感影像解译，为耕地资源精准监测提供了新的解决思路。
[0003]自21世纪起，随着机器学习技术的不断发展，目前已有多种分类方法被使用于耕地资源监测，如随机森林、最大似然法、最近邻法、支持向量机、人工神经网络等。且这些方法被积极应用于全球尺度下中低分辨率的耕地全球制图过程。然而，由于上述方法均基于特定领域知识设计，其仅能从在限定环境下的原始数据中提取低或中等特征，难以适应大尺度耕地资源监测过程中耕地类内差异的剧烈变化，其较差的时空泛化性导致不理想的产品制图精度。难以适应不同区域在气候、地理环境、农业活动等多种因素的差异性所导致的耕地特征类内差异的剧烈变化。这使得在大范围耕地制图过程中，生产人员不得不根据地理位置与卫星成像条件的变化，针对局部耕地特征进行人工参数调整或特征设计，从而获得多个局部最优模型进行部署，这种工作模式大大增加了这一过程的时间与人工成本。此外，考虑到实际生产效率与标记成本，局部模型部署过程中通常无法充分顾及多样化的耕地局部特征以进行更加细粒度的划分，如目前一般通过气候进行区域划分，但是无法考虑到同一气候区域内地形、作物种植类型等因素，导致产品耕地地块提取的准确度与完整度仍难以满足局部尺度下的具体应用。近年来，深度卷积神经网络凭借其强大的特征提取能力在耕地制图方面得到了广泛的关注，并实际应用于全球尺度的耕地制图。深度卷积神经网络可以从训练集中自动分层学习代表性特征和鉴别特征，且所得到的高级特征具备一定的时空泛化能力，这大大提升了大尺度耕地资源监测过程中耕地地块的提取精度并使得单个模型可以适配更大范围的耕地局部特征。但是目前基于深度学习的耕地智能监测方法仍然难以达到理想精度，无法满足局部相关农业应用需求。主要存在三个方面的问题。
[0004]首先，随着传感器在光谱分辨率的不断提升，遥感对地观测数据所包含的光谱信息越来越丰富。但是目前应用于遥感领域的深度学习模型大多基于计算机视觉领域的网路架构进行调整或改进，而这些模型架构大多面向仅包含RGB波段的自然图像，直接将全部波段直接输入到模型中进行学习不仅难以充分提取遥感数据中丰富且多样的光谱特征，更无法充分挖掘多个波段之间的相互关系。针对这一问题，一种思路是通过主成分分析等数据降维手段，通过将多个波段的重要信息映射到较低维度以实现光谱特征的充分利用，但是其会一定程度上可能会造成光谱信息损失，且对噪声极度敏感。另一种思路是通过计算各种光谱指标，如归一化植被指数（NDVI）、归一化水体指数（NDWI）、增强植被指数(EVI)等，并将其作为辅助波段添加到原有RGB信息中，这一操作将人工先验纳入到光谱特征提取过程中，从而帮助模型重点分析对植被高度敏感的部分波段。但是这些指数只能反映植被的生长状况，而不能反映土地利用类型，如果耕地上没有植被，或者植被覆盖不足，则这些指数
就无法提取出耕地信息。
[0005]其次，考虑到耕地这一地表覆盖类型的特殊性，其在一年中的不同时期在卫星影像上的视觉特征变化较大，且与其他地表覆盖类型混淆程度随时间变化，如在种植期间耕地与草地、规则灌木等地物类别视觉特征差异较小，而在休耕期则极易与裸地混淆。这使得以单时相复合数据为基础的大范围制图过程中耕地的类内差异性进一步增大。而随着遥感技术的不断发展，高分辨率多时相数据的可获取性逐渐增大，为进一步提高大范围耕地监测精度提供了新的可能。同时，多种基于多时相数据的大范围耕地制图方法的成功应用，也进一步证明了在耕地分类过程中引入多时相数据的必要性与可行性。此外，随着遥感领域内面向时序数据的深度神经网络迅速发展，使得耕地制图过程可以不再依赖于专家经验设计下的特征预处理结果，而是可以直接以影像为输入进行自发学习与时序物候规律建模。基于深度学习时序网络的应用不仅大大缓解了原有预处理工程的人工与时间成本，其高维多层次特征提取能力也使得分类器对于时序异常值的鲁棒性大大增强。目前，研究人员通过使用计算机视觉领域的时序网络架构或针对遥感数据特性在已有单时相网络进行调整的方法实现了端到端的自动化耕地制图过程，并在全球范围内多个地区证明了利用深度学习网络在多时相数据中所提取出的高层次时序特征的强泛化能力，大大提高了耕地制图的自动化程度与准确度。其中，利用自注意力机制提取时序特征是目前的主流研究方向之一，其通过将原有卷积神经网络中元素与元素之间的距离从对数路径长度进一步缩短至恒定路径长度，从而可以更好地捕捉数据在时序上的内部相关性以提高模型的性能。此外，自注意力机制同样拓展了原有卷积神经网路的感受野，通过直接比较在所有时空位置上的特征，可以被用来捕捉局部和全局的长范围内的依赖。在自注意力机制使用过程中，大多使用三角式位置编码的方式为其注入数据的时序信息，而三角固定式位置编码在相邻时相之间表现出极强的相似度。但是在农业生产过程中，月度的变化可能意味着极大的改变，而我们所期望网络所聚合的特征是针对“耕地”，提取较为特殊的月份（如犁地、播种、移栽、收割）进行组合从而提高特征的可分性。
[0006]最后，考虑到在实际应用过程中，部分区域由于气候、卫星重访周期等原因难以获取到完整且密集时间序列，导致现有模型的编码器部分难以充分提取时序特征，使得模型性能大幅度下降。针对这一问题，一种常见的解决方案是对时序数据进行插值以补充缺失时序，或使用生成式模型进行时序数据重建。但是使用插值的方法进行时序补充会导致时序数据中所展现出的农作物物候规律和人工农业活动模式发生偏差，如在湖南地区，3月~4月由于处于雨季气候时间，导致可用数据大大减少，但是在这一时间已经进入种植期，而使用2月与5月影像插值的方法直接进行补充会导致这一时序无法反应出这农业物候规律。而使用生成式模型进行云去除或者时序数据重建则需要在特定环境下以大量相关标记数据进行训练，这使得成本大大提升且难以适用于全部区域。此外，在云遮挡面积过大或相邻时相缺失时，由于生成式模型基于概率分布的建模方式，可能会导致模型重建的影像出现混乱或者一些不属于该地区的地物，从而误导后续多时相语义分割模型进行耕地提取。

技术实现思路

[0007]有鉴于此，本专利技术的目的是提高现有多时相语义分割模型性能与模型对于时序不完整情况的鲁棒性，从而增强耕地智能监测的精度与适用范围。为此，一方面在多时相语义
分割网络构建过程中增加光谱注意力机制并改良时间自注意力机制，以添加模型对于多个波段间相互关系的建模，并优化模型对于农作物物候属性与人工农业活动模式的学习过程，最终达到提高多时相语义分割对耕地范围的提取效果。另一方面，考虑到实际应用过程中多时相语义分割网络由于时序不完整导致耕地提取精度大大降低的问题，本专利技术开发了一种基于掩码
‑
蒸馏的特征重建策略，从而增强耕地智能监测方法的适用性。基于上述两点，本专利技术提出了一种面向多时相数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向多时相遥感数据的耕地资源智能监测方法，其特征在于，包括以下步骤：步骤1：构建光谱注意力模块，提高耕地敏感波段重要性，降低其他波段干扰；步骤2：优化基于自注意力机制的时序特征提取模块，改进原有L_TAE注意力机制，将原有固定式位置编码替换为可学习式位置编码，从而挖掘农作物物候属性与人工农业活动模式影响下的时序特征、进行建模；步骤3：模块组合与基本模型设计，使用U_TAE网络架构作为基础框架，将光谱注意力模块与优化后的时序注意力模块插入到网络框架中，构成基础多时相语义分割网络框架；步骤4：构建基于掩码
‑
蒸馏的特征重建策略，提高模型对于时序数据不完整情况下的鲁棒性；步骤5：耕地覆盖制图。2.根据权利要求1所述的面向多时相遥感数据的耕地资源智能监测方法，其特征在于，为提高耕地敏感波段重要性，降低其他波段干扰，所述的光谱注意力模块构建方法如下：步骤101：将时序多光谱数据定义为大小为大小的时间序列向量，时间序列向量由T个大小的元素组成，其中T代表时间序列长度，C代表通道数，H代表影像长度，W代表影像宽度；在光谱注意力模块中，将每个拆分出来分别进行光谱注意力加权操作；步骤102：首先将进行最大池化与平均池化，从而在多个角度对样本的每个波段进行概括性描述，该步骤的公式化描述如下：；AvgPool表示平均池化，MaxPool表示最大池化；步骤103：利用自注意力机制分别对上述特征进行操作，即利用三个独立的1*1大小的卷积对输入特征分别进行映射构建key、Query, Value，并利用key与Query的矩阵相乘获取其通道注意力，然后与值相乘获得加权后特征与从而获得其各个波段间的相互关系，该步骤的公式化描述如下：；；步骤104: 将所得与相加并进行归一化已得到最终特征向量其大小与原有大小相同，为，该步骤的公式化描述如下：；Sigmoid为激活函数。3.根据权利要求1所述的面向多时相遥感数据的耕地资源智能监测方法，其特征在于，通过自注意力机制挖掘同一空间位置下高密度时序影像间的相互关系，并针对其位置编码
部分进行优化，从而更好针对耕地时序特征进行建模；使用改进后的轻量级时间注意编码器L_TAE提取时序注意力a，并对其进行修改，将原有三角式位置编码替换为可学习式位置编码L_PE以对影像获取时间进行编码，从而为特征向量注入时序位置信息，增强时序编码器对农作物物候特征的学习能力；所述时序注意力a计算如下：；e为输入。4.根据权利要求1所述的面向多时相遥感数据的耕地资源智能监测方法，其特征在于，将光谱注意力模块插入到U
‑
TAE网络框架中,并替换原有时序注意力模块，最终构成基础多时相语义分割网络框架，所述模块组合与网络构建方法如下：步骤301：将光谱注意力模块插入到基本网络前端组成基础多时相语义分割网络框架，通过标签数据Y构建监督信号以指导网络优化过程；最终输入影像数据是大小为T
×
C
×
H
×
W的向量X，其中T代表时间序列长度，C代表通道数，H代表影像长度，W代表影像宽度；通过光谱注意力模块得到与X大...

【专利技术属性】
技术研发人员：王宇泽，陶超，胡傲然，李海峰，
申请(专利权)人：湘江实验室，
类型：发明
国别省市：