一种基于遥感时序重建与多源融合的作物估产方法
本发明属于农业遥感,具体涉及一种基于遥感时序重建与多源融合的作物估产方法。
背景技术:
1、现有农作物产量预测方法通常利用sentinel-2等光学遥感影像计算归一化植被指数,并将植被指数与气象数据输入统计回归、机器学习或时序神经网络,以建立作物生长状态与最终产量之间的映射关系。随着多源遥感和深度学习技术的发展,部分方法进一步引入sentinel-1合成孔径雷达数据补充光学观测,并通过长短期记忆网络、卷积神经网络或transformer模型提取作物生长季的时序特征。
2、但是,现有技术在实际农业主产区应用时仍存在以下问题:
3、1、光学遥感时序数据易受云层、云影和卫星重访周期影响。在作物关键物候期,sentinel-2影像可能出现连续缺测或大面积无效像元,直接利用残缺影像计算植被指数会产生异常低值和时序断点;传统插值或仅依赖光学时序上下文的方法难以恢复持续云遮挡期间的真实地表信息。
4、2、不同遥感模态的成像机理和噪声特征差异显著。若将sentinel-1雷达特征与sentinel-2光学特征直接拼接或相加,雷达散斑噪声容易污染清晰区域的光谱信息;仅采用全局注意力进行时序建模,又容易忽略作物拔节、抽穗和灌浆等阶段的局部连续变化。
5、3、产量预测所使用的气象序列、植被指数序列和地块空间属性在维度、量纲及物理含义方面存在明显异质性。现有方法常在输入端直接拼接多源变量,使不同来源的特征相互干扰,且对地块面积、高程、位置和作物类型等静态空间约束利用不足。
6、4、部分估产模型依赖完整生育期数据,只能在作物接近成熟或收获后输出结果,难以利用关键生长阶段的数据在收获前形成可靠的早期产量预测。
技术实现思路
1、本发明为了解决光学遥感时序缺失、多模态特征直接融合易引入噪声、多源异构变量相互干扰以及现有方法早期估产能力不足的问题,提出了一种基于遥感时序重建与多源融合的作物估产方法。
2、本发明的技术方案是:一种基于遥感时序重建与多源融合的作物估产方法,其特征在于,包括以下步骤:
3、s1、采集多源数据,并进行标准化处理;
4、s2、基于标准化处理后的多源(sentinel-1和sentinel-2)数据,生成连续无云sentinel-2光学遥感影像序列;
5、s3、基于连续无云sentinel-2光学遥感影像序列和气象数据构建动态时序特征;
6、s4、基于动态时序特征(重建后的ndvi序列、7种气象特征)和静态特征(高程、地块中心经纬度、作物类型、地块面积)得到地块级作物预测产量;
7、s5、根据地块级作物预测产量与真实产量之间的偏差更新产量预测模型,并进行训练,利用训练后的产量预测模型输出目标地块的预测产量。
8、进一步地,s1中,多源数据包括光学遥感影像、合成孔径雷达影像、气象驱动数据、地块矢量、地块高程、地块中心经纬度、地块面积和对应的地块级历史产量标签;所述光学遥感影像包括sentinel-2影像,所述合成孔径雷达影像包括sentinel-1影像;
9、标准化处理具体为:对sentinel-2影像保留多光谱波段,并利用场景分类层或云概率数据标记云及云影像元;对sentinel-1影像选取vv和vh极化通道,并依次进行轨道校正、热噪声去除、斑点滤波和辐射地形归一化;将sentinel-1影像与sentinel-2影像配准至相同坐标系和空间分辨率,并将sentinel-1影像与sentinel-2影像的观测时间转换为年内日序;
10、根据地块矢量建立地块属性、气象驱动数据和地块级历史产量标签之间的空间对应关系,并对缺失、异常及无效的地块样本进行数据清洗。
11、进一步地,s2包括以下子步骤:
12、s21、基于标准化处理后的多源数据,将光学观测序列和合成孔径雷达观测序列分别输入至光学时序编码分支和雷达时序编码分支,得到光学时序特征和雷达时序特征;
13、s22、将光学时序特征和雷达时序特征进行拼接,通过线性层和激活函数生成逐像素自适应门控权重掩膜;
14、s23、根据逐像素自适应门控权重掩膜,得到融合后的多模态时序特征;
15、s24、将目标重建时刻的时间位置编码作为时序重建解码器的查询矩阵,将融合后的多模态时序特征分别作为键矩阵和值矩阵,生成目标重建时刻对应的解码特征;
16、s25、将目标重建时刻对应的解码特征输入至线性投影层,映射至sentinel-2影像的像元空间,输出目标重建时刻对应的光谱像元值;将全部空间位置的重建像元组合为二维空间结构,得到目标重建时刻的无云sentinel-2光学影像,生成连续无云sentinel-2光学遥感影像序列。
17、进一步地,s22中,逐像素自适应门控权重掩膜的表达式为:
18、;
19、;
20、其中,(·)表示特征拼接,表示光学时序特征,表示雷达时序特征,表示门控网络的可学习权重矩阵,表示门控网络的偏置项,表示激活函数;
21、s23中,融合后的多模态时序特征的表达式为:
22、;
23、其中,表示经过线性映射完成特征维度及语义空间对齐后的雷达特征,⊙表示逐元素乘法;
24、s24中,目标重建时刻对应的解码特征的表达式为:
25、;
26、其中,表示由目标重建时刻的时间位置编码生成的查询矩阵;表示由融合多模态时序特征生成的键矩阵,表示由融合多模态时序特征生成的值矩阵,表示键向量的特征维度,表示转置。
27、进一步地,s3包括以下子步骤:
28、s31、基于连续无云sentinel-2光学遥感影像序列,分别选取各时相影像中的近红外波段和红光波段,逐像元计算归一化植被指数;
29、s32、根据归一化植被指数,计算最大ndvi合成值;
30、s33、根据最大ndvi合成值,分别构建作物生长季内各月份的月度最大ndvi影像;
31、s34、将各月份的月度最大ndvi影像与地块矢量边界进行空间叠加,提取每个地块边界范围内的全部有效ndvi像元,并计算地块内部所有有效ndvi像元的ndvi均值,将ndvi均值作为地块在各月份的遥感植被特征;
32、s35、对气象驱动数据进行空间关联,并提取若干个气象驱动因子;
33、s36、对遥感植被特征和若干个气象驱动因子进行z-score标准化处理,作为动态时序特征。
34、进一步地,s31中,归一化植被指数的表达式为:
35、;
36、其中,表示sentinel-2影像的近红外波段地表反射率,表示sentinel-2影像的红光波段地表反射率;
37、s32中,像元位置处的最大ndvi合成值的表达式为:
38、;
39、其中,表示一个合成周期内第次有效观测在像元位置处的ndvi值,表示合成周期内的有效ndvi观测数量。
40、进一步地,s4包括以下子步骤:
41、s41、将动态时序特征输入至双向长短期记忆网络,提取隐状态序列;
42、s42、将隐状态序列输入至多头自注意力模块;
43、s43、将多头自注意力模块中各个注意力头的输出进行拼接,并经过残差连接、层归一化和时间维度池化处理,得到动态时序特征向量;
44、s44、将地块属性输入至静态空间特征提取分支,通过线性层、非线性激活函数和随机失活层进行特征映射,得到静态空间特征向量;
45、s45、将动态时序特征向量与静态空间特征向量进行拼接,得到晚期融合特征;
46、s46、将晚期融合特征输入逐层降维的多层感知机回归模块,对动态生长特征、静态空间特征与最终作物产量之间的非线性关系进行拟合,输出地块级作物预测产量。
47、进一步地,s44中,静态空间特征向量的表达式为:
48、;
49、其中,表示地块静态属性,表示静态特征映射层的可学习权重矩阵,表示静态特征映射层的偏置项,表示非线性激活函数,表示随机失活层;
50、s45中,晚期融合特征的表达式为:
51、;
52、其中,(·)表示特征拼接,表示动态时序特征向量;
53、s46中,地块级作物预测产量的表达式为:
54、;
55、其中,表示第一隐藏层的可学习权重矩阵,表示第二隐藏层的可学习权重矩阵,表示第一偏置项,表示第二偏置项,表示回归输出层的权重矩阵,表示回归输出层的偏置项。
56、进一步地,s5中,训练产量预测模型的损失函数表示为:
57、;
58、其中,表示参与训练的地块样本数量,表示第i个地块的真实产量,表示产量预测模型输出的第i个地块预测产量,表示产量预测模型中的可学习参数。
59、本发明的有益效果是:
60、1、利用不受云雾影响的雷达观测辅助恢复光学时序,并通过观测可靠性门控控制雷达特征的引入程度,能够在光学缺测区域补充地表结构信息,同时降低清晰光学区域受到雷达散斑噪声污染的风险。
61、2、conformer编码器同时提取作物物候的全局演变规律和相邻时相的局部变化,有利于恢复连续的光学影像及植被指数时序。
62、3、动态时序变量和静态空间属性分别编码后进行晚期融合,降低了异构特征的量纲差异和语义差异对模型训练的干扰,并增强了模型对不同地块空间异质性的适应能力。
63、4、该方法能够基于预设物候时间窗口内的多源数据执行早期估产;在仅输入作物生长高峰期6—8月的气象、ndvi及地块属性数据时,可在作物收获前约2个月输出地块级产量预测结果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com