[發明專利]基于多源遙感時序影像和卷積神經網絡的作物早期識別方法

在審

• 申請號: 202010983366.0
• 申請日: 2020-09-18
• 公開（公告）號: CN112084991A
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 趙紅偉;孫亮;劉佳;陳仲新
• 申請（專利權）人: 中國農業科學院農業資源與農業區劃研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京恒創益佳知識產權代理事務所(普通合伙) 11556
• 代理人: 付金豹

1.一種基于多源遙感時序影像和卷積神經網絡的作物早期識別方法，其特征在于，包括以下步驟：

S1，收集遙感數據和作物地面樣本數據；所述遙感數據為作物生育期內Sentinel-1A和Sentinel-2時序數據，其中，Sentinel-1A數據為寬幅干涉模式(IW)的Level-1產品中地距影像(GRD)VH+VV雙極化數據；Sentinel-2數據包含Level-1C級產品中可見光(B2～B4)、紅邊(B5～B7)、近紅外(B8/B8A)、短波紅外(B11/B12)共計10個波段光譜數據；

S2,數據預處理

S2-1,Sentinel-1A影像的數據預處理，最終獲得Sentinel-1A時序影像；

S2-2,Sentinel-2影像的數據預處理，最終獲得Sentinel-2時序影像和相應的云掩膜時序影像；

S3，制作訓練樣本

S3-1,根據S1中獲得的地面樣本數據和S2獲得的Sentinel-1A、Sentinel-2和云掩膜時序數據，提取訓練樣本的時序數據；

S3-2，將云掩膜為2、3、4的Sentinel-2相應樣本的所有波段反射率標記為“null”；

S3-3,采用2-范數對樣本進行通道歸一化，所述通道為一個日期中的一個波段的樣本數據或一個極化特征的樣本數據；如果所有樣本在一個通道上的記錄為X＝(x₁,x₂,…,x_n),通道的歸一化如公式(1)所示，式中，n為樣本數；

||X||²＝(|x₁|²+|x₂|²+…+|x_n|²)^1/2 (1)

S3-4,隨機將所有訓練樣本每一類按照一定的比例分為訓練集、驗證集和測試集；

S3-5,根據Sentinel-1A和Sentinel-2數據獲取日期，制作增量訓練的樣本數據集；制作原則為：從生長季內Sentinel-1A或Sentinel-2的第一個數據獲取日期start_Date開始，每增加一次數據獲取制作一個訓練集，訓練集的時間序列長度為start_Date至本次數據獲取的日期train_Date；

S4,模型時間增量訓練；從start_Date的數據集開始，依次利用每個train_Date相應的時間序列樣本訓練Dual-CNN模型，并評估每類作物的早期識別日期identify_Date；所述Dual-CNN模型包含：Sentinel-1A和Sentinel-2兩個卷積神經網絡(CNN)分支、一個連接層、一個Dropout層和兩個全連接層(FCN)；

(1)所述Dual-CNN架構：

分別構建Sentinel-1A CNN分支和Sentinel-2分支；卷積操作是卷積核和局部輸入之間的點積；一個基本的卷積模塊總是由卷積層(Conv)和線性單元層(Relu)組成；假設每一個波段(或極化特征)輸入數據為X⁰,第一層卷積核的長度為k,那么第一層時間點t的輸出值為見公式(2)；

通過在每個分支架構增加批量歸一化層(batch normalization，BN)，并在連接層Connate后添加Dropout層；

(2)模型訓練

從start_Date開始，逐個train_Date訓練模型，輸入數據為start_Date到train_Date的所有數據；每次模型訓練采用以下策略：

1)epoch設置為10000，batch size為128；

2)優化函數為Adam，初始學習率為5e-5，并在每個epoch中進行自適應調整，調整原則為：如果序列交叉熵誤差在100個epoch中沒有降低，那么下一個epoch中學習率降低20％，直到達到最小值1e-6；

3)Dropout參數的訓練范圍為{0.3，05，0.8}；

4)通過一個名為ModelCheckpoint的回調函數監控每個訓練過程，并在找到更好的參數時保存當時的網路模型；

(3)精度評估

采用公式3所示的整體分類精度OA對作物的整體分類精度進行評價；式中，N為測試集樣本的個數，r為作物類別數，x_ii為預測標簽和真實標簽都為第i類的數量；利用生產精度(product accuracy，Aprod)和用戶精度(user accuracy，Auser)的調和平均值F1來評價每類作物的精度；

(4)計算每個train_Date測試集的OA和每類作物的F1，取作物生長季內前期和中期中精度最高的train_Date為早期識別日期identify_Date，最終獲得相應作物的identify_Date；

S5,根據S4中獲得的作物的identify_Date，利用start_Date到identify_Date期間所有的Sentinel-1A和Sentinel-2數據對相應作物進行早期識別；以Sentinel-2L2A級產品中SCL影像為非植被掩膜數據制作作物早期分布圖。