【技术实现步骤摘要】
一种基于地块尺度的农作物遥感智能提取方法
[0001]本专利技术涉及耕地地块提取和农作物种植结构提取研究领域，特别是一种基于地块尺度的农作物遥感智能提取方法
。
技术介绍
[0002]农作物种植信息是作物长势监测和产量估算的重要基础数据，及时准确地获取作物种植类型及其时空变化信息对作物种植结构优化调整和水土资源合理配置具有重要意义
。
现有的农作物分类方法大多是以像元为分析单元，开展利用以地块为基本分析单元的研究相对较少，尤其是针对于南方复杂地形区
。
目前对地块和农作物的提取方法大都是借助单一的卷积神经网络或者面向对象分割技术，但是这些方法仍然难以有效准确的识别不同地区的耕地地块及其作物种植结构
。
[0003]卷积神经网络擅长提取局部的语义特征，但在远距离上下文信息建模方面存在不足，而
Transformer
模型则相反
。
基于此，对于地块提取模型设计，可通过集成卷积神经网络和
Transformer
网络，构建双分支的特征提取器，并通过特征融合模块进一步利用两者提取的信息，进而改善遥感影像专题信息的提取能力
。
另外，长短期记忆网络模型擅长提取时序特征，全卷积神经网络擅长提取空间特征
。
因此，对于作物分类模型设计，可通过集成全卷积神经网络和长短期记忆网络模型来充分有效的挖掘作物的物候特征和空间特征，从而改善模型的特征提取能力，进而提升作物分类的精准度
。
[...
【技术保护点】
【技术特征摘要】
1.
一种基于地块尺度的农作物遥感智能提取方法，其特征在于，包括如下步骤：步骤
S1、
获取研究区的高空间分辨率遥感影像，对影像进行预处理操作，包括正射校正
、
辐射校正
、
全色融合
、
影像裁剪
、
影像重采样；步骤
S2、
构建集成空间细节和远距离上下文语义的深度网络模型，即地块提取模型
CLCFormer
；具体地，基于双分支网络框架，引入不同类型的特征提取网络，提取不同层级的图像语义特征；其中，特征提取网络分别由擅长局部特征提取的卷积神经网络和擅长远距离全局上下文语义建模的
Transformer
网络构成；步骤
S3、
基于专家知识构建注意力机制模块，融合不同层级
、
有差异的语义特征；步骤
S4、
农田地块数据集构建；步骤
S5、
地块提取模型训练与测试；步骤
S6、
获取研究区的长时序中等分辨率遥感影像数据集，对遥感影像进行预处理操作，包括辐射校正
、
大气校正
、
去云处理
、
融合镶嵌；步骤
S7、
引入擅长时序特征提取的注意力长短期记忆网络模型
Attention LSTM
和擅长空间信息表达的全卷积神经网络
FCN
，构建一个多变量注意力的长短期记忆网络模型即作物分类模型
ALSTM
‑
FCN
；步骤
S8、
以地块为基本分析单元，构建地块级作物时序特征数据集；步骤
S9、
作物分类模型
ALSTM
‑
FCN
训练与测试；步骤
S10、
集成已经训练和测试过的地块提取模型
CLCFormer
和作物分类模型
ALSTM
‑
FCN
，完成研究区地块级作物分类
。2.
根据权利要求1所述的一种基于地块尺度的农作物遥感智能提取方法，其特征在于，步骤
S2
中，分别选择卷积神经网络
EfficientNet
‑
B3
和
Transformer
网络
SwinV2
‑
transformer
作为双分支架构的特征提取器，以捕捉不同层级
M1、M2…
M
n
(n≤4)
的
、
有差异的
、
鲁棒的图像语义特征
。3.
根据权利要求1所述的一种基于地块尺度的农作物遥感智能提取方法，其特征在于，步骤
S3
具体包括以下步骤：步骤
S31、
根据步骤
S2
获得的多层级特征，基于注意力机制理念，构建双向特征融合模块
BiFFM
，融合来自于不同分支的有差异的
、
鲁棒的图像语义；步骤
S32、
根据步骤
S31
融合后的特征，基于注意力机制，构建带有膨胀卷积的注意力门模块
ATG
改善特征；步骤
S33、
基于步骤
S32
改善后的特征，使用注意力残差块
ATR
提升模型的特征表达能力
。4.
根据权利要求3所述的一种基于地块尺度的农作物遥感智能提取方法，其特征在于，步骤
S31
中，所述双向特征融合模块
BiFFM
形成如下：首先对于卷积神经网络
CNN
分支产生的特征，处理方式如下：
P
c
＝
δ
(DSC(scSE(DFC(C
n
))))
×
C
n
式中，
δ
是
Sigmoid
函数，
DSC
是深度可分离卷积，
scSE
是集成空间和通道注意力的卷积模块，
C
n
是来自于
CNN
分支中第
n
个层级的特征，
P
c
是细化后的特征；对于
Transformer
分支产生的特征，处理方式如下：
S
m
＝
DSC(AvgPool(T
n
)+DSC(MaxPool(T
n
))
S
F
＝
δ
(DSC(ReLU(S
m
)))
×
T
n
式中，
T
n
是来自于
Transformer
分支中第
n
个层级的特征，
S
m
是增强后的特征，
ReLU
是修正线性单元，
AvgPool
是平均池化层，
MaxPool
是最大池化层，
S
F
是细化后的特征；最后，通过使用串联操作和注意力残差块
ATR
来增强模型的特征表达能力，具体实现方式如下：
S
F
＝
Drop(ATR(Concat(P
c
,S
F
)))
式中，
Drop
是随机失活层用来防止模型过拟合；步骤
S32
中，所述注意力门模块
ATG
定义如下：
S
ED
＝
δ
(BN(DSC(BR((DSC(E
F
)+DSC(D
F
))))))
×
E
F
式中，
BR
是批归一化层
BN
和修正线性单元
ReLU
的组合，
E
F
来自于
BiFFM
融合后的特征，
D
F
来自于解码器产生的特征；步骤
S33
中，所述注意力残差块
ATR
的定义如下：
O
F
＝
cSe(
σ
(BR(
σ
(BR(S
ED
))))+BN(
σ
(S
ED
))...
【专利技术属性】
技术研发人员：汪小钦，李蒙蒙，黄德华，修晓龙，吴瑞姣，黄姮，朱世勇，陈光剑，黄裕瑶，
申请(专利权)人：福建省地质测绘院福建省地质科学研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。