一种面向遥感数据稀疏时期的知识引导型大尺度长时序作物规则化填补方法

本发明涉及作物时空分布重建，具体为一种知识引导型大尺度长时序作物规则化填补方法。

背景技术：

1、长时序、高精度作物时空演替特征与土地安全、粮食安全和生态安全紧密相关。然而，受对地观测初期传感器代际差异与农业档案数字化不足等现实条件限制，历史影像稀疏年份的作物时空分布信息往往难以准确获取。数据插补是稀疏影像约束下高精度作物分布重建的关键环节，现有技术通常侧重于影像重建，通过构建缺失像元与其他像元在特定空间、光谱、时间域的相关性进行填补，例如应用克里金插值算法修复landsatetm+条带、局部最小二乘拟合法修复modis光谱缺失信息、savitzky-golay滤波方法重构植被指数时序影像等。

2、但这些传统方法在复杂地表环境和大范围数据缺失场景下效果不佳，易产生噪声伪影、扭曲光谱特征和不可靠空间纹理，且无法准确表征作物种植结构、种植模式等时空属性特征，导致重建结果存在较大不确定性。区域种植模式受自然条件、农业政策及市场因素等多重驱动，其变化通常具有一定的时间连续性，可为大尺度作物填补提供高信度有价值的约束参考。遥感发展初期，我国农业生产受经济条件和政策导向限制，主要农作物种植面积总体保持相对稳定，种植模式变化存在时间滞后性，使作物类型在年际尺度上具有较强的重复性与可预测性。将典型种植模式等农学知识显式引入数据填补过程，可在时间维度上约束作物演替的合理方向，在空间维度上强化作物分布的连续性与一致性，从而有效降低数据缺失区域作物判识的不确定性。然而，如何将连作、轮作等种植模式特征转化为可表达、可量化的填补规则体系是突破大尺度作物填补的重要技术瓶颈。

技术实现思路

1、本发明的目的在于提供一种知识引导型大尺度长时序作物规则化填补方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种知识引导型大尺度长时序作物规则化填补方法，包括以下步骤：

3、步骤1：定义相关术语与输入输出参量，所述术语包括轮作、连作及对应的量化规则，所述输入输出参量包括年度分类栅格集合、像元集合、作物类别编码集合、年度待填补掩膜、像元主导模式栅格、pattern查表、村级数据及输出参量；

4、步骤2：构建主导种植模式自动识别算法，包括像元长时序构建、连作模式识别、轮作模式识别、主导模式确定；

5、步骤3：构建基于主导模式的规则化填补算法，包括待填补像元筛选、像元尺度填补、邻域尺度主导种植模式约束、村尺度主导种植模式兜底填补、结果不确定性标记；

6、步骤4：输出填补结果。

7、进一步的，步骤1中所述轮作的量化规则为：某一组时序数据的某个子序列至少连续重复两次，该子序列为该组时序数据的轮作模式，所有连续子序列的集合为应用到该模式的最长子序列；所述连作的量化规则为：某组时序数据的某个作物类型连续出现三次及以上，该组时序数据认定为存在连作模式，所有同一作物连续种植的年份对应的为本组时序数据连作的最长子序列。

8、进一步的，步骤1中所述年度分类栅格集合的表达式为，其中为年份集合，表示任意年份影像覆盖区域作物空间分布结果，n表示年份跨度；所述作物类别编码集合的表达式为，其中1=玉米、2=大豆、3=水稻、4=春小麦，0表示其它农业土地覆被，nodata表示无数据。

9、进一步的，步骤1中所述年度待填补掩膜的表达式为，其中代表该像元需要填补；所述像元主导模式栅格的表达式为：

10、

11、其中，表示该像元被识别到有效种植模式，表示该像元未识别到有效种植模式；所述pattern查表中，表达式为：

12、

13、其中，patterntypecode=1表示连作，patterntypecode=2表示轮作。

14、进一步的，步骤2中所述像元长时序构建的表达式为，其中为单个像元在研究期内的时序序列，无效值与非耕地统一处理为0；所述轮作模式识别中，设定2-5年滑动时间窗口遍历数据，搜索时间跨度为2-5年的最小轮作单元，当该轮作单元出现至少2个周期时，设定该最小循环单元为候选轮作种植模式并记录对应编码。

15、进一步的，步骤2中所述主导模式确定的优先级为“模式持续时间跨度最长、轮连作单元结构最完整”，当一组时序存在多个候选模式时，按该优先级选择最优模式作为该像元的主导种植模式，未识别到满足条件的连作或轮作结构时，标记为“未识别模式”，值为-1。

16、进一步的，步骤3中所述村尺度主导种植模式约束的阈值设定为0.5，当所在行政单元内轮连作模式占比超过该阈值时，采用占比最高的种植模式进行填补。

17、进一步的，步骤3中所述邻域尺度约束填补和村尺度兜底填补包括：界定空间维邻域尺度和村尺度主导种植模式规则；首先构建邻域尺度主导种植模式，当邻域尺度未识别出有效种植模式时，采用村主导种植模式进行兜底填补。

18、进一步的，步骤3中所述结果不确定性标记为：将填补结果写入目标年份栅格，同时为每个像元记录填补来源类型及置信度级别，所述填补来源类型包括像元主导模式填补、邻域尺度主导模式填补，村尺度主导模式填补；所述置信度分五级，置信度最高为5，最低为1。

19、与现有技术相比，本发明的有益效果是：

20、本发明深度整合种植模式的强时空约束信息等农学知识，构建了多层级主导种植模式自动识别与编码体系，实现大尺度区域主导种植模式的可查、可追溯与可复用。通过耦合作物前后时序特征与空间临近特征，摆脱了对遥感数据的高度依赖，基于区域轮连作等种植模式特征，构建逐级递进式规则化填补方法，有效提升了作物填补结果的时空一致性与农学可解释性。

21、相较于传统影像重构类方法，本发明所提算法具有更强的时空泛化能力，可有效应对影像稀疏时期的作物分布重建需求，且无需依赖大量真值样本，可跨区域推广应用。同时，通过同步记录填补来源类型和置信度层级，使填补结果具备可溯源、可解释的特性，为稀疏数据约束下作物的高效填补提供可靠、可落地、可推广的共性关键技术。依托所构建的填补框架，支撑该时期作物时序分布重建，进而为重构我国“40年+”农情数据库建立、粮食产量预测及农业土地系统韧性评估等提供长基准参考。

1.一种知识引导型大尺度长时序作物规则化填补方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种知识引导型大尺度长时序作物规则化填补方法，其特征在于：步骤1中所述轮作的量化规则为：某一组时序数据的某个子序列至少连续重复两次，该子序列为该组时序数据的轮作模式，所有连续子序列的集合为应用到该模式的最长子序列；所述连作的量化规则为：某组时序数据的某个作物类型连续出现三次及以上，该组时序数据认定为存在连作模式，所有同一作物连续种植的年份对应的为本组时序数据连作的最长子序列。

3.根据权利要求1所述的一种知识引导型大尺度长时序作物规则化填补方法，其特征在于：步骤1中所述年度分类栅格集合的表达式为，其中为年份集合，表示任意年份影像覆盖区域作物空间分布结果，n表示年份跨度；所述作物类别编码集合的表达式为，其中1=玉米、2=大豆、3=水稻、4=春小麦，0表示其它农业土地覆被，nodata表示无数据。

4.根据权利要求1所述的一种知识引导型大尺度长时序作物规则化填补方法，其特征在于：步骤1中所述年度待填补掩膜的表达式为，其中代表该像元需要填补；所述像元主导模式栅格的表达式为：

5.根据权利要求1所述的一种知识引导型大尺度长时序作物规则化填补方法，其特征在于：步骤2中所述像元长时序构建的表达式为，其中为单个像元在研究期内的时序序列，无效值与非耕地统一处理为0；所述轮作模式识别中，设定2-5年滑动时间窗口遍历数据，搜索时间跨度为2-5年的最小轮作单元，当该轮作单元出现至少2个周期时，设定该最小循环单元为候选轮作种植模式并记录对应编码。

6.根据权利要求1所述的一种知识引导型大尺度长时序作物规则化填补方法，其特征在于：步骤2中所述主导模式确定的优先级为“模式持续时间跨度最长、轮连作单元结构最完整”，当一组时序存在多个候选模式时，按该优先级选择最优模式作为该像元的主导种植模式，未识别到满足条件的连作或轮作结构时，标记为“未识别模式”，值为-1。

7.根据权利要求1所述的一种知识引导型大尺度长时序作物规则化填补方法，其特征在于：步骤3中所述村尺度主导种植模式约束的阈值设定为0.5，当所在行政单元内轮连作模式占比超过该阈值时，采用占比最高的种植模式进行填补。

8.根据权利要求1所述的一种知识引导型大尺度长时序作物规则化填补方法，其特征在于：步骤3中所述邻域尺度约束填补和村尺度兜底填补包括：界定空间维邻域尺度和村尺度主导种植模式规则；

9.根据权利要求1所述的一种知识引导型大尺度长时序作物规则化填补方法，其特征在于：步骤3中所述结果不确定性标记为：将填补结果写入目标年份栅格，同时为每个像元记录填补来源类型及置信度级别，所述填补来源类型包括像元主导模式填补、邻域尺度主导模式填补，村尺度主导模式填补。