【技术实现步骤摘要】
本专利技术涉及遥感监测，特别是涉及一种基于深度学习的跨区域作物适收期监测方法。
技术介绍
1、农业生产具有很强的季节性，适时作业对产量具有较大影响，而收获作业的适时性对产量影响尤为显著。如水稻过早收割作物发育不完全，籽粒含水率高但淀粉等干物质含量低，千粒重低且加工碎米率高；过晚收割籽粒千粒重下降，遭遇恶劣天气而减产甚至绝收的概率增加，更易受到来自昆虫、鸟兽和微生物的攻击，形成减产，适时收割对减少农作物收获环节损失至关重要。
2、(1)适时性损失理论研究现状
3、自古以来，我国农业生产都讲究守农时，《吕氏春秋》中提到“凡农之道，厚(候)之为宝”，适时作业是产量稳定的前提。违期作业产生的损失叫作适时性损失，由农艺、自然和作业过程等三部分损失构成，其中种植与收获环节的适时性损失是重点。
4、种植方面，王金武等(2004)在同一水田中设置22个小区，连续22天每天插秧1个小区，水稻成熟后测取各小区的产量，计算得到水稻产量与插秧时期的定量关系，但他并没有揭示产量变化的机理。水稻插秧时期对产量有显著影响，主要由于不同插秧时期水稻的有效分蘖数、成穗数、群体生长率、温光利用效率、光合物质生产特性存在显著差异，黄正等(2021)为探索适合区域水稻适宜播期，以川优6203等5个杂交水稻品种为试验材料,采用两因素裂区设计,研究分期直播对杂交水稻生育进程和产量的影响，发现水稻产量随插秧时期推迟呈先增后减的变化趋势。
5、收获方面，王金武(2004)利用随机区组实验法对同一田块、同一天插秧的水稻，每隔1天测
6、(2)适收期确定方法研究进展
7、李振卿(1986)提出农作物收获适时性损失最低的收割日为最佳收获日，水稻收获适时性损失总量最小的收割时期分布为适收期，由于水稻收获损失随收割时期呈一元二次方程变化，因此最佳收获日应处在适收期的最中间。目前农作物适收期判定方法主要有：基于作物冠层表征判定、基于农产品特定物质含量判定。
8、基于作物冠层表面特征判定。高光谱遥感(hyperspectral remote sensing)在农业作物方面应用广泛，在作物生物生化参量反演、农业生产监测、农情信息监测方面应用成熟。wan等(2018)设计了一种基于计算机视觉技术的成熟检测设备，通过提取番茄表面的颜色特征值判定成熟度，平均准确率为99.31％。pereira等(2018)利用数字影像技术和随机森林算法预测了木瓜果实的成熟度，通过测量木瓜果肉硬度对预测结果进行验证。此类判定方法快速便捷，对农作物无破坏，设备成本相对较高。沈宇等(2020)利用高光谱成像技术识别苹果轻微损伤自动分级仪器的有效波段，其支持向量机(svm)损伤识别模型在波段811nm的苹果轻微损伤识别率达到90.63％。戈永慧等(2022)利用高光谱成像技术(400～1000nm)对猕猴桃冷害的无损甄别进行了研究，连续投影算法(spa)选择特征波长相对于全波长的模型更优，建模集、预测集正确率分别为100％和94.2％。郭晶晶等(2022)提出基于sg+fd+cars+lssvm组合方法所建模型为最优生菜绿度判定模型，可实现提取的敏感波长占全波长的64.59％，与原始高光谱(1.25％)相比，提取的敏感波长数增加了63.34％。
9、基于农产品特定物质含量判定。魏长玲等(2017)以水蒸气蒸馏法提取紫苏叶挥发油，测定其特征性成分紫苏醛、紫苏酮或紫苏烯相对含量，据此判定紫苏成熟度。此类判别方法成本低，效率低，时效性较差[53]。潘义宏等(2017)以不同品种中部烟叶为研究对象，通过测定烟叶叶绿素含量和spad值，发现从适熟、成熟至过熟，烟叶叶绿素a、叶绿素b、总叶绿素含量以及spad值显著降低。张玉琴等(2018)采用全自动测色色差计测定不同成熟度烟叶颜色参数(l*、a*、c*)和色差参数(△l*、△a*、△c*)的变化特征，以颜色参数为指标建立的fisher判别函数，可判别不同成熟度烟叶。任二芳等(2019)对比分对比分析了采用电子鼻和电子舌测定草莓鲜榨汁的可溶性固形物含量、vc含量和ph值的成果，并据此判定草莓的成熟度。冯建英等(2020)对电子鼻技术、电子舌技术和质构分析技术这3类典型智能感官技术的工作原理和成果进行了跟踪研究，分析了从可溶性固形物含量、vc含量和ph值来判定草莓的成熟度的准确性。
10、目前，我国对于作物适收期的监测的方法效率低、成本高，且数据分布零散、格式不统一，因此无法实现大规模集中管理更新以及后续的决策使用。因此如何利用大规模的遥感图像对作物适收期进行监测、并得到一系列相应的有效作物生长数据集就成了重点研究目标和方向，同时也是普及精准农业的一种关键技术。因此针对上述问题以及其导致的我国农田农机信息化、智能化、决策依赖度不高等后续影响，如何实现我国跨区域作物适收期监测的自动化、智能化等作为首要解决的技术问题。
技术实现思路
1、为了克服现有技术的不足，本专利技术的目的是提供一种基于深度学习的跨区域作物适收期监测方法。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于深度学习的跨区域作物适收期监测方法，包括：
4、获取目标区域内的对应作物生长季内的高时空分辨率遥感数据，并生成多组植被指数时间序列；
5、基于像素级作物生物生长情况分类模型对各组所述植被指数时间序列进行像素提取，得到像素的时序特征，并根据所述时序特征得到分类结果；
6、基于深度学习算法和所述分类结果，对所述高时空分辨率遥感数据的空间、光谱空间进行深度特征提取，得到所述特征级数据；
7、构建初始神经网络模型，并基于所述特征级数据和所述分类结果对所述初始神经网络模型进行训练，得到训练好的跨区域作物适收期监测模型；
8、将待测数据输入至所述跨区域作物适收期监测模型中，得到监测结果。
9、优选地，所述高时空分辨率遥感数据包括微波数据sentinel-1数据集和多光谱sentinel-2数据集。
10、优选地，基于像素级作物生物生长情况分类模型对各组所述植被指数时间序列进行像素提取，得到像素的时序特征，并对所述时序特征进行分类，得到分类结果，包括本文档来自技高网...
【技术保护点】
1.一种基于深度学习的跨区域作物适收期监测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的跨区域作物适收期监测方法，其特征在于，所述高时空分辨率遥感数据包括微波数据Sentinel-1数据集和多光谱Sentinel-2数据集。
3.根据权利要求1所述的基于深度学习的跨区域作物适收期监测方法，其特征在于，基于像素级作物生物生长情况分类模型对各组所述植被指数时间序列进行像素提取，得到像素的时序特征，并对所述时序特征进行分类，得到分类结果，包括：
4.根据权利要求1所述的基于深度学习的跨区域作物适收期监测方法，其特征在于，在基于像素级作物生物生长情况分类模型对各组所述植被指数时间序列进行像素提取，得到像素的时序特征，并对所述时序特征进行分类，得到分类结果之后，还包括：
5.根据权利要求1所述的基于深度学习的跨区域作物适收期监测方法，其特征在于，基于深度学习算法和所述分类结果，对所述高时空分辨率遥感数据的空间、光谱空间进行深度特征提取，得到所述特征级数据，包括：
6.根据权利要求1所述的基于深度学习的跨区域作物适
7.根据权利要求1所述的基于深度学习的跨区域作物适收期监测方法，其特征在于，所述像素级作物生物生长情况分类模型为长短期记忆模型或Transformer模型中的任一种。
8.根据权利要求5所述的基于深度学习的跨区域作物适收期监测方法，其特征在于，基于所述关键因素和所述训练遥感数据集构建面向所述高时空分辨率遥感数据的特征提取模型，包括：
...【技术特征摘要】
1.一种基于深度学习的跨区域作物适收期监测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的跨区域作物适收期监测方法，其特征在于，所述高时空分辨率遥感数据包括微波数据sentinel-1数据集和多光谱sentinel-2数据集。
3.根据权利要求1所述的基于深度学习的跨区域作物适收期监测方法，其特征在于，基于像素级作物生物生长情况分类模型对各组所述植被指数时间序列进行像素提取，得到像素的时序特征，并对所述时序特征进行分类，得到分类结果，包括：
4.根据权利要求1所述的基于深度学习的跨区域作物适收期监测方法，其特征在于，在基于像素级作物生物生长情况分类模型对各组所述植被指数时间序列进行像素提取，得到像素的时序特征，并对所述时序特征进行分类，得到分类结果之后，...
【专利技术属性】
技术研发人员：陈聪，曹光乔，胡朝中，任保鑫，
申请(专利权)人：农业农村部南京农业机械化研究所，
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。