[發(fā)明專利]一種基于特征變化的煙草受災害程度分析方法及裝置

在審

• 申請?zhí)枺?/td>: 202310241908.0
• 申請日: 2023-03-14
• 公開（公告）號: CN116403105A
• 公開（公告）日: 2023-07-07
• 發(fā)明（設計）人: 周祖煜;楊肖;張澎彬;陳浩;洪清容;韓明華;林波;陳煜人;劉昕璇;張浩
• 申請（專利權(quán)）人: 浙江領見數(shù)智科技有限公司;杭州領見數(shù)字農(nóng)業(yè)科技有限公司;廈門海晟融創(chuàng)信息技術有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V20/13;G06V10/62;G06V10/58;G06V10/774;G06V10/82;G06N3/0442;G06N3/049;G06N3/084
• 代理公司: 浙江杭知橋律師事務所 33256
• 代理人: 陳麗霞

1.一種基于特征變化的煙草受災害程度分析方法，其特征在于，包括：

獲取待測煙田的時序遙感數(shù)據(jù)并進行預處理，得到時序遙感影像；

依據(jù)災害的發(fā)生時間確定待測煙田中煙草的生長階段，并根據(jù)生長階段選擇植被指數(shù)以對時序遙感影像進行特征提取，得到第一時序特征圖像集合；

將第一時序特征圖像集合按照時間進行劃分，得到前N年未受災年份的第二時序特征圖像集合、本年度災前的第三時序特征圖像集合和本年度災后的第一特征圖像，N為自然數(shù)；

基于第二時序特征圖像集合進行特征變化預測模型的訓練與測試，構(gòu)建LSTM預測模型；

將第三時序特征圖像集合作為輸入，代入LSTM預測模型計算，得到第二特征圖像；

基于第一特征圖像和第二特征圖像進行特征變化的分析，得到待測煙田中煙草的災害程度結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于特征變化的煙草受災害程度分析方法，其特征在于，災害為澇漬災害；煙草的生長階段分為還苗期-生根期、旺長期、成熟期。

3.根據(jù)權(quán)利要求2所述的一種基于特征變化的煙草受災害程度分析方法，其特征在于，根據(jù)生長階段選擇植被指數(shù)，具體為：

當澇漬災害的發(fā)生時間為煙草的還苗期-生根期時，選擇改良土壤調(diào)整植被指數(shù)MSAVI，其中NIR為近紅外波段的反射率，RED為紅波段的反射率；

當澇漬災害的發(fā)生時間為煙草的旺長期時，選擇紅邊葉綠素植被指數(shù)RECI，RECI＝(NIR/RED)-1；

當澇漬災害的發(fā)生時間為煙草的成熟期時，選擇歸一化差異紅邊植被指數(shù)NDRE，NDRE＝(NIR-REG)/(NIR+REG)，其中REG為紅邊波段的反射率。

4.根據(jù)權(quán)利要求1所述的一種基于特征變化的煙草受災害程度分析方法，其特征在于，基于第二時序特征圖像集合進行特征變化預測模型的訓練與測試，構(gòu)建LSTM預測模型，具體為：

將第二時序特征圖像集合劃分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集；

采用多時間點輸入對多時間點輸出的模式，將訓練數(shù)據(jù)集整理成m組輸入數(shù)據(jù)并對輸入數(shù)據(jù)進行標準化，以輸入神經(jīng)網(wǎng)絡進行訓練，m為自然數(shù)；

將測試數(shù)據(jù)集代入訓練好的神經(jīng)網(wǎng)絡中進行檢驗，得到LSTM預測模型。

5.根據(jù)權(quán)利要求1所述的一種基于特征變化的煙草受災害程度分析方法，其特征在于，基于第一特征圖像和第二特征圖像進行特征變化的分析，得到待測煙田中煙草的災害程度結(jié)果，具體為：

依次將第一特征圖像中每個像素點的特征值減去第二特征圖像中相應像素點的特征值，匯總差值結(jié)果后得到第一特征值變化圖；

提取第一特征值變化圖中差值結(jié)果小于0的像素點，并根據(jù)預設評價標準對差值結(jié)果取絕對值后進行分析，得到待測煙田中煙草的災害程度結(jié)果。

6.根據(jù)權(quán)利要求1所述的一種基于特征變化的煙草受災害程度分析方法，其特征在于，預處理具體為：

首先，通過煙草的生長階段對時序遙感數(shù)據(jù)進行時間上的篩選；

然后，利用待測煙田范圍的矢量數(shù)據(jù)對篩選后數(shù)據(jù)從空間上進行篩選裁剪；

最后，利用QA60波段構(gòu)建云掩膜，對篩選裁剪后數(shù)據(jù)進行去云處理并利用SLC波段進行異常值去除，得到時序遙感影像。