农作物分类方法、设备及存储介质与流程

本发明涉及农业遥感监测，尤其涉及一种农作物分类方法、设备及存储介质。

背景技术：

1、随着全球人口增长和气候变化的影响，农业土地利用和作物生产监测变得尤为重要。准确地对农作物类型进行分类，对于评估农作物面积、产量，以及食品供应链的优化、农业政策的制定和应对气候变化的策略都有着深远的影响。

2、多光谱遥感数据凭借其丰富的光谱信息，能够有效捕捉不同农作物在生长周期中的细微差异，因而在农作物分类中展现出了比较强的区分能力和较高的分类精度，得到了广泛应用。不同农作物在生长周期内的叶绿素、水分和生物量均存在差异，会形成各自独特的光谱特征，这也是多光谱遥感数据能够实现作物识别的物理基础。

3、但是，多光谱遥感数据极易受到云雨等的影响，导致有效数据大幅减少，严重影响农作物的分类精度。

技术实现思路

1、本发明实施例提供了一种农作物分类方法、设备及存储介质，以解决目前无法准确地对农作物进行分类的问题。

2、第一方面，本发明实施例提供了一种农作物分类方法，包括：

3、获取待监测区域内的目标农作物在生长周期内的合成孔径雷达数据集和多光谱遥感数据集；

4、基于设定时间窗口，对所述合成孔径雷达数据集和多光谱遥感数据集分别进行时序均值合成处理，得到合成孔径雷达影像序列和多光谱影像序列；

5、将所述合成孔径雷达影像序列和所述多光谱影像序列进行波段堆叠，生成融合影像序列；

6、计算所述多光谱影像序列的物候特征覆盖指数；

7、若所述物候特征覆盖指数大于设定阈值，则将所述融合影像序列输入至预先训练的合成孔径雷达光谱融合分类器中，得到所述目标农作物的分类结果；

8、若所述物候特征覆盖指数小于或等于所述设定阈值，则将所述合成孔径雷达影像序列输入至预先训练的合成孔径雷达影像分类器，将所述多光谱影像序列输入至预先训练的多光谱影像分类器，基于所述合成孔径雷达影像分类器的分类结果和所述多光谱影像分类器的分类结果，确定所述目标农作物的分类结果。

9、在一种可能的实现方式中，所述计算所述多光谱影像序列的物候特征覆盖指数，包括：

10、获取所述目标农作物的关键物候阶段和生长周期；其中，所述关键物候阶段至少包括一个物候阶段；

11、基于所述生长周期和所述设定时间窗口，确定所述目标农作物的生长周期覆盖的标准生长设定时间窗口数量；

12、基于所述关键物候阶段和所述设定时间窗口，确定所述目标农作物的关键物候阶段覆盖的标准总阶段设定时间窗口数量；

13、基于所述多光谱影像序列和所述设定时间窗口，确定所述多光谱影像序列覆盖的影像生长设定时间窗口数量和影像总阶段设定时间窗口数量；

14、基于所述标准生长设定时间窗口数量、所述标准总阶段设定时间窗口数量、所述影像生长设定时间窗口数量，以及所述影像总阶段设定时间窗口数量，确定所述多光谱影像序列的物候特征覆盖指数。

15、在一种可能的实现方式中，所述基于所述标准生长设定时间窗口数量、所述标准总阶段设定时间窗口数量、所述影像生长设定时间窗口数量，以及所述影像总阶段设定时间窗口数量，确定所述多光谱影像序列的物候特征覆盖指数，包括：

16、基于所述影像生长设定时间窗口数量与所述标准生长设定时间窗口数量的比值，得到第一比值；

17、基于所述影像总阶段设定时间窗口数量与所述标准总阶段设定时间窗口数量的比值，得到第二比值；

18、基于所述第一比值和所述第二比值的加权求和，确定所述多光谱影像序列的物候特征覆盖指数。

19、在一种可能的实现方式中，所述基于所述合成孔径雷达影像分类器的分类结果和所述多光谱影像分类器的分类结果，确定所述目标农作物的分类结果，包括：

20、基于所述物候特征覆盖指数和所述设定阈值，确定所述合成孔径雷达影像分类器的权重和所述多光谱影像分类器的权重；

21、基于所述合成孔径雷达影像分类器的分类结果和所述多光谱影像分类器的分类结果，以及所述所述合成孔径雷达影像分类器的权重和所述多光谱影像分类器的权重，确定所述目标农作物的分类结果。

22、在一种可能的实现方式中，所述基于所述物候特征覆盖指数和所述设定阈值，确定所述合成孔径雷达影像分类器的权重和所述多光谱影像分类器的权重，包括：

23、基于所述物候特征覆盖指数和所述设定阈值的比值，得到第一比值；

24、基于所述第一比值和初始设定值的乘积，得到所述多光谱影像分类器的权重；

25、基于所述多光谱影像分类器的权重，确定所述合成孔径雷达影像分类器的权重。

26、在一种可能的实现方式中，所述基于设定时间窗口，对所述合成孔径雷达数据集和多光谱遥感数据集分别进行时序均值合成处理，得到合成孔径雷达影像序列和多光谱影像序列之前，还包括：

27、对所述多光谱遥感数据集进行剔除处理，将遮盖率大于设定遮盖率阈值的数据剔除，得到剔除后的多光谱遥感数据集；

28、对所述合成孔径雷达数据集和剔除后的多光谱遥感数据集分别进行预设处理，得到预处理合成孔径雷达数据集和预处理多光谱遥感数据集。

29、在一种可能的实现方式中，所述基于设定时间窗口，对所述合成孔径雷达数据集和多光谱遥感数据集分别进行时序均值合成处理，得到合成孔径雷达影像序列和多光谱影像序列，包括：

30、基于所述设定时间窗口，分别对所述预处理合成孔径雷达数据集和所述预处理多光谱遥感数据集中的各影像，分别执行逐像素点的波段反射率算术均值合成处理，得到所述合成孔径雷达影像序列和多光谱影像序列。

31、在一种可能的实现方式中，所述合成孔径雷达光谱融合分类器是基于所述目标农作物在生长周期内的合成孔径雷达数据集的特征向量和多光谱遥感数据集的特征向量拼接得到的融合特征向量训练成的分类模型；

32、所述合成孔径雷达影像分类器是基于所述目标农作物在生长周期内的合成孔径雷达数据集的特征向量训练成的分类模型；

33、所述多光谱影像分类器是基于所述目标农作物在生长周期内的多光谱遥感数据集的特征向量训练成的分类模型。

34、第二方面，本发明实施例提供了一种农作物分类装置，包括：

35、获取模块，用于获取待监测区域内的目标农作物在生长周期内的合成孔径雷达数据集和多光谱遥感数据集；

36、处理模块，用于基于设定时间窗口，对所述合成孔径雷达数据集和多光谱遥感数据集分别进行时序均值合成处理，得到合成孔径雷达影像序列和多光谱影像序列；

37、生成模块，用于将所述合成孔径雷达影像序列和所述多光谱影像序列进行波段堆叠，生成融合影像序列；

38、计算模块，用于计算所述多光谱影像序列的物候特征覆盖指数；

39、第一分类模块，用于若所述物候特征覆盖指数大于设定阈值，则将所述融合影像序列输入至预先训练的合成孔径雷达光谱融合分类器中，得到所述目标农作物的分类结果；

40、第二分类模块，用于若所述物候特征覆盖指数小于或等于所述设定阈值，则将所述合成孔径雷达影像序列输入至预先训练的合成孔径雷达影像分类器，将所述多光谱影像序列输入至预先训练的多光谱影像分类器，基于所述合成孔径雷达影像分类器的分类结果和所述多光谱影像分类器的分类结果，确定所述目标农作物的分类结果。

41、第三方面，本发明实施例提供了一种电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行该计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式中的方法。

42、第四方面，本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式中的方法。

43、第五方面，本发明实施例提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式中的方法。

44、为了降低云雨对多光谱数据的影响，提高农作物的分类精度，针对多云雨地区农作物的分类，本发明实施例中，通过计算多光谱影像序列的物候特征覆盖指数，并根据物候特征覆盖指数和设定阈值的大小关系对农作物进行分类。若物候特征覆盖指数大于设定阈值，则将融合影像序列输入至预先训练的合成孔径雷达光谱融合分类器中，得到目标农作物的分类结果。若物候特征覆盖指数小于或等于设定阈值，则将合成孔径雷达影像序列输入至预先训练的合成孔径雷达影像分类器，将多光谱影像序列输入至预先训练的多光谱影像分类器，基于合成孔径雷达影像分类器的分类结果和多光谱影像分类器的分类结果，确定目标农作物的分类结果。从而，实现了不同云雨条件下合成孔径雷达数据和多光谱数据的自适应融合，保证了不同云雨条件下农作物分类的精度和鲁棒性。充分发挥了多光谱影像光谱信息丰富以及合成孔径雷达影像不受云雨干扰的优势，进而增强了农作物分类的适应性和分类精度。