[發(fā)明專利]一種基于時(shí)序遙感影像的大范圍跨物候區(qū)農(nóng)作物制圖方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210919289.1
• 申請(qǐng)日: 2022-08-02
• 公開(kāi)（公告）號(hào): CN115439754A
• 公開(kāi)（公告）日: 2022-12-06
• 發(fā)明（設(shè)計(jì)）人: 張洪艷;王子橋;楊光義;張良培
• 申請(qǐng)（專利權(quán)）人: 武漢大學(xué)
• 主分類號(hào): G06V20/13
• 分類號(hào): G06V20/13;G06V20/10;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 王琪

本發(fā)明提供一種基于時(shí)序遙感影像的大范圍跨物候區(qū)農(nóng)作物制圖方法，利用深度循環(huán)網(wǎng)絡(luò)、自注意力機(jī)制與領(lǐng)域自適應(yīng)技術(shù)，以種植在中國(guó)不同物候區(qū)的冬小麥和冬油菜為例，搭建穩(wěn)定的時(shí)序影像農(nóng)作物制圖深度網(wǎng)絡(luò)，隨后利用深度遷移框架實(shí)現(xiàn)深度模型的跨區(qū)域遷移，取得精確的跨物候區(qū)農(nóng)作物制圖結(jié)果。本發(fā)明將深度遷移框架應(yīng)用于中國(guó)不同物候區(qū)域種植的冬季作物上，實(shí)驗(yàn)結(jié)果表明其相較于其它最先進(jìn)算法取得了最好的跨區(qū)域分類表現(xiàn)，可以有效提取農(nóng)作物的判別性特征，顯著提高了分類精度，實(shí)現(xiàn)了準(zhǔn)確的跨物候區(qū)農(nóng)作物制圖，具有較大的應(yīng)用潛力與前景。

技術(shù)領(lǐng)域

本發(fā)明涉及時(shí)序遙感影像農(nóng)作物精細(xì)制圖領(lǐng)域，尤其涉及一種通過(guò)深度循環(huán)網(wǎng)絡(luò)提取作物物候信息、通過(guò)領(lǐng)域自適應(yīng)技術(shù)對(duì)物候差異進(jìn)行約束的技術(shù)方案，構(gòu)建多層次深度特征的最大平均差異損失完成對(duì)不同物候區(qū)域農(nóng)作物物候特征的對(duì)齊，實(shí)現(xiàn)精確的跨物候區(qū)農(nóng)作物制圖。

背景技術(shù)

面對(duì)日漸增長(zhǎng)的糧產(chǎn)需求和農(nóng)業(yè)生產(chǎn)發(fā)展不足之間的矛盾，在遙感衛(wèi)星數(shù)據(jù)的幫助下，利用機(jī)器學(xué)習(xí)等方法對(duì)農(nóng)作物進(jìn)行精確分類可以有效減輕農(nóng)戶對(duì)農(nóng)田的監(jiān)管壓力，也有助于構(gòu)建現(xiàn)代化、智能化與精準(zhǔn)化的農(nóng)業(yè)生產(chǎn)體系，達(dá)成農(nóng)業(yè)數(shù)字化改革和農(nóng)民增產(chǎn)增收的戰(zhàn)略目標(biāo)。

近幾十年來(lái)，一些多光譜遙感衛(wèi)星發(fā)射升空并持續(xù)生產(chǎn)覆蓋全球范圍的遙感影像數(shù)據(jù)，為農(nóng)作物制圖提供了豐富的數(shù)據(jù)支撐。安裝在多光譜遙感衛(wèi)星上的傳感器接收由農(nóng)作物目標(biāo)反射或發(fā)射的電磁輻射，構(gòu)建波長(zhǎng)覆蓋可見(jiàn)光到微波紅外波段的多層反射率圖層，從而獲得多光譜影像。由于多光譜影像較為全面地反映了農(nóng)作物的光譜信息，許多方法將多光譜影像與農(nóng)作物的特征表征聯(lián)系起來(lái)，利用多光譜信息描述農(nóng)作物的生物特性，完成對(duì)農(nóng)作物光譜特征的提取和建模工作。在農(nóng)作物制圖應(yīng)用中，時(shí)序遙感影像可以包含農(nóng)作物在整個(gè)生長(zhǎng)周期中的物候信息，因此可以從中提取出更具有代表性的物候特征，許多學(xué)者結(jié)合植被指數(shù)進(jìn)行特征工程、設(shè)計(jì)物候特征，相較于單時(shí)相影像往往能夠取得更準(zhǔn)確的農(nóng)作物制圖結(jié)果。然而，人工設(shè)計(jì)的特征過(guò)于依賴專家知識(shí)，對(duì)于不同種植條件下的農(nóng)作物樣本普適性不強(qiáng)，出現(xiàn)閾值、植被指數(shù)特征或預(yù)訓(xùn)練模型失效的現(xiàn)象，為分類帶來(lái)不確定性和精度的下降。因此，發(fā)展準(zhǔn)確的跨物候區(qū)農(nóng)作物制圖技術(shù)，實(shí)現(xiàn)迅速、精確的農(nóng)作物制圖，具有很大的現(xiàn)實(shí)意義。

近幾十年來(lái)，時(shí)序遙感影像農(nóng)作物制圖問(wèn)題受到廣泛關(guān)注并取得了豐碩成果?，F(xiàn)有時(shí)序農(nóng)作物制圖方法主要可以分為兩大類：基于物候?qū)W和基于監(jiān)督學(xué)習(xí)的方法。其中基于監(jiān)督學(xué)習(xí)的方法又可以進(jìn)一步分為基于傳統(tǒng)機(jī)器學(xué)習(xí)和基于深度網(wǎng)絡(luò)的方法。物候?qū)W旨在建模農(nóng)作物以年或一個(gè)生長(zhǎng)周期為周期重復(fù)出現(xiàn)的各種生物現(xiàn)象的發(fā)生時(shí)間，以及其周邊環(huán)境條件進(jìn)行相關(guān)變化的周期模式，仔細(xì)選擇一個(gè)或兩個(gè)獨(dú)特的階段并將其與光譜特征相關(guān)聯(lián)，隨后利用全局閾值或動(dòng)態(tài)閾值的方法完成對(duì)指定區(qū)域內(nèi)農(nóng)作物的快速提取。然而，光譜特性所聯(lián)系的關(guān)鍵物候期和設(shè)定的閾值人工干涉過(guò)多，在農(nóng)作物物候差異大時(shí)存在提取不精確、不夠自動(dòng)化等缺點(diǎn)。監(jiān)督學(xué)習(xí)的理論基礎(chǔ)為利用部分已知類別的樣本建立先驗(yàn)信息，再通過(guò)計(jì)算未知類別樣本與各類別的距離進(jìn)行分類，常見(jiàn)的機(jī)器學(xué)習(xí)算法包括決策樹(shù)、隨機(jī)森林和支持向量機(jī)?；趥鹘y(tǒng)機(jī)器學(xué)習(xí)的農(nóng)作物制圖方法僅依賴數(shù)千個(gè)高質(zhì)量農(nóng)作物樣本便可以生成指定區(qū)域精確的制圖結(jié)果。然而，手工設(shè)計(jì)的特征主觀性太強(qiáng)，不能根據(jù)復(fù)雜或變化的分類場(chǎng)景而動(dòng)態(tài)改變，并且傳統(tǒng)機(jī)器學(xué)習(xí)算法并沒(méi)有充分利用時(shí)序遙感影像中包含的農(nóng)作物時(shí)序信息，導(dǎo)致得到的特征和分類模型魯棒性差、泛化能力不足，不能適用于類內(nèi)方差較大的農(nóng)作物樣本。

2015年以來(lái)，作為機(jī)器學(xué)習(xí)分支之一的深度學(xué)習(xí)迅速發(fā)展，鑒于其“數(shù)據(jù)驅(qū)動(dòng)”的模式及強(qiáng)大的非線性擬合能力，復(fù)雜的特征工程可以從樣本本身自動(dòng)化、智能化地完成，可以從時(shí)序遙感影像中更充分地提取魯棒、泛化的特征，相較于傳統(tǒng)機(jī)器學(xué)習(xí)算法往往可以取得更高的精度和更穩(wěn)定的分類表現(xiàn)。常見(jiàn)的深度網(wǎng)絡(luò)結(jié)構(gòu)包括卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，通過(guò)對(duì)農(nóng)作物特征進(jìn)行卷積或遞歸計(jì)算操作，完成精確的農(nóng)作物制圖。然而深度學(xué)習(xí)方法也有自身局限之處，首先是可解釋性差，網(wǎng)絡(luò)整體相當(dāng)于一個(gè)黑盒子；其次是訓(xùn)練樣本需求量大，深度網(wǎng)絡(luò)的訓(xùn)練過(guò)程需消耗十萬(wàn)甚至百萬(wàn)量級(jí)的標(biāo)簽樣本，大大增加了真實(shí)標(biāo)簽搜集所需的人力物力和時(shí)間成本。