一种多物候SAR特征融合的冬小麦广域识别方法

本技术涉及遥感技术与农业监测的交叉，特别是涉及一种多物候sar特征融合的冬小麦广域识别方法。

背景技术：

1、农作物物候特征是表征作物生长发育与生理状态的核心表观指标，精准获取农作物物候信息与空间分布数据，是实现作物精准识别、动态长势监测、保障区域粮食安全的关键基础。遥感技术凭借大范围、长时序、非接触式观测的优势，已成为现代农业广域监测的核心手段。其中，合成孔径雷达具备全天时、全天候成像能力，不受云雾、阴雨天气干扰，可稳定捕捉作物全生育期的微波散射响应特征，在农作物物候监测与大范围识别中具备光学遥感无法替代的应用优势。

2、农作物在不同物候期的冠层结构、植株含水量、地表覆盖状态存在显著差异，会直接改变雷达波的表面散射、体散射与二面角散射机制，使sar后向散射系数、多极化特征及纹理特征呈现规律性时序变化。现有大量研究证实，冬小麦、水稻、玉米等主粮作物的关键生育期内，sar极化特征、纹理特征与作物生物物理参数存在显著相关性，充分验证了sar技术用于农作物物候监测与品类识别的可行性，为基于微波机理的农作物遥感识别技术发展奠定了理论基础。

3、当前基于sar数据的农作物识别与物候监测技术，根据研究原理可主要归纳为三类：第一类是基于农作物不同生育期的极化散射响应差异，利用hh、vv、vh等极化后向散射特征构建作物识别与物候反演模型；第二类是依托sar影像纹理特征，挖掘作物冠层结构变化带来的影像纹理差异，实现农作物空间分布提取；第三类是结合时序sar数据，利用作物生长周期内散射特征的时序演变规律，开展农作物动态监测与识别研究。

4、然而，现阶段针对冬小麦的大范围sar遥感识别技术仍存在显著技术缺陷，难以满足高精度、广域化的农业监测需求。具体缺陷如下：现有研究多单一聚焦sar极化散射特征，忽视了影像纹理特征的物候表征价值，未系统耦合极化与纹理多维特征，特征利用维度单一、信息挖掘不充分；现有识别算法多为通用型分类模型，缺乏适配多时相、多极化sar物候数据的特征融合架构，无法有效利用不同物候期的互补特征信息，复杂地物场景下识别精度与鲁棒性不足，广域识别效果受限。

5、综上，现有冬小麦sar识别技术存在特征利用单一、时序特征融合能力薄弱等技术瓶颈，导致广域识别精度偏低、场景适应性差，严重制约了sar技术在冬小麦规模化精准监测、粮食产能预估、农业精细化管理中的应用落地。因此，相关技术中，亟需一种适配多物候特征、多维度sar数据的冬小麦高精度智能识别方法，突破现有技术局限，提升广域冬小麦遥感识别的精准度与稳定性。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种多物候sar特征融合的冬小麦广域识别方法。

2、第一方面，本技术提供了一种多物候sar特征融合的冬小麦广域识别方法。所述方法包括：

3、获取目标区域冬小麦多个关键物候期的时序sar影像数据，对所述时序sar影像数据进行预处理，提取各物候期sar影像的极化散射特征和基于灰度共生矩阵的纹理特征，将同一物候期的所述极化散射特征和所述纹理特征进行通道级联，构建覆盖全物候期的多维度融合特征数据集；

4、构建时序-通道协同融合网络（temporal-channel attention cooperativefusion network，utc-tca net），所述时序-通道协同融合网络包括编码器和解码器，所述编码器内设有时序-通道协同注意力模块（temporal-channel attention module，tca模块），所述时序-通道协同注意力模块用于对输入特征图的时序维度和通道维度进行协同注意力加权，以强化关键时序特征与关键通道特征；

5、将所述多维度融合特征数据集输入所述时序-通道协同融合网络进行训练，通过滑动窗口对目标区域整幅sar影像进行逐窗口识别，输出冬小麦空间分布识别结果。

6、可选的，在本技术的一个实施例中，所述编码器包括多个级联的下采样模块，每个所述下采样模块包含卷积层和池化层，用于逐步压缩特征图尺寸并提取深层语义特征；所述时序-通道协同注意力模块连接于至少一个所述下采样模块的输出端。

7、可选的，在本技术的一个实施例中，所述时序-通道协同注意力模块对输入特征图执行以下处理：

8、将输入的四维时序特征图转换为时序序列特征表示，将所述时序序列特征表示依次经transformer模块和多层感知机处理，得到时序注意力特征；

9、将所述时序注意力特征叠加后经卷积操作提取时序维度的聚合特征；

10、对所述聚合特征执行全局平均池化，获得各通道的全局统计量，将所述全局统计量经包含两个全连接层的门控机制和非线性激活函数处理，生成各通道的注意力权重；

11、将所述各通道的注意力权重与所述聚合特征逐通道相乘，输出加权后的时序-通道协同特征。

12、可选的，在本技术的一个实施例中，所述编码器包含五个下采样模块，所述时序-通道协同注意力模块分别连接于第一个下采样模块之后、第二个下采样模块之后、第三个下采样模块之后和第四个下采样模块之后。

13、可选的，在本技术的一个实施例中，所述解码器包括至少一个上采样模块、一个时序特征提取模块以及一个分类模块。

14、可选的，在本技术的一个实施例中，所述上采样模块用于对所述编码器输出的特征图进行反卷积操作以逐步恢复特征图尺寸，并将反卷积结果与所述编码器中对应层级的特征图进行跳跃连接拼接，再经卷积操作提取融合特征。

15、可选的，在本技术的一个实施例中，所述时序特征提取模块设置于所述解码器的输入端，用于将各物候期对应的特征图在通道维度进行叠加，再经卷积操作提取全物候期的时序演变特征。

16、可选的，在本技术的一个实施例中，所述分类模块设置于所述解码器的输出端，所述分类模块包含卷积层和双线性插值层，所述卷积层用于将所述解码器输出的特征图转换为分类得分图，所述双线性插值层用于将所述分类得分图还原至输入影像的原始空间分辨率，生成逐像素的冬小麦分类结果。

17、可选的，在本技术的一个实施例中，所述关键物候期为冬小麦拔节期至成熟期之间的至少两个生育阶段；所述极化散射特征包括hh极化后向散射系数和vh极化后向散射系数；所述纹理特征包括基于灰度共生矩阵提取的对比度特征、相关性特征、能量特征和同质性特征中的至少一种。

18、可选的，在本技术的一个实施例中，所述时序sar影像数据为sentinel-1a双极化sar影像数据；所述预处理包括多视处理、滤波降噪和地理编码校正。

19、上述一种多物候sar特征融合的冬小麦广域识别方法，旨在解决现有sar冬小麦识别技术存在特征挖掘单一、时序特征融合能力弱，导致复杂农田场景下识别精度低、鲁棒性差的技术难题。该方法通过耦合多物候sar极化与纹理多维特征，并构建时序-通道协同融合网络（utc-tca net），可为广域复杂地物混杂场景提供高精度、高完整性的冬小麦空间分布识别结果，有效提升多时相sar数据在冬小麦识别中的利用效能。

20、其主要效用在于，鉴于冬小麦精准空间分布信息是粮食产量估算、耕地资源监测、区域粮食安全研判的核心基础数据，识别精度与地块完整性直接决定农业监测与预警结果的可靠性。本发明通过系统融合冬小麦关键物候期的极化散射特征与纹理时序演变特征，充分挖掘不同生育阶段的互补判别信息，有效弥补了单一特征、单时相识别方法易混淆地物、漏分错分严重的缺陷。同时，本发明所设计的时序-通道协同融合网络（utc-tca net）可自适应完成多物候时序特征权重分配，大幅提升广域复杂场景下冬小麦与其他地物的可分离度。该高精度识别结果能够有效支撑区域冬小麦种植面积精准统计、长势动态监测与粮食产能科学预估，可为农业资源调控、粮食安全预警、精细化农业管理政策制定提供可靠的理论支撑与精准的数据依据。