基于合成孔径雷达双极化数据相干性的作物倒伏监测方法与流程

1.本发明涉及农业信息化技术领域，尤其涉及基于合成孔径雷达双极化数据相干性的作物倒伏监测方法。


背景技术：

2.农作物倒伏是常见的农业灾害现象，其严重影响了农作物的正常生长发育，也威胁着粮食安全。随着遥感技术的快速发展，将遥感技术应用于获取农作物受灾信息也是越来越普遍。根据所使用的遥感数据源不同，倒伏作物遥感监测方法可分为光学监测方法与雷达监测方法。
3.光学监测方法主要基于倒伏与未倒伏作物在可见光影像中的时空差异规律，构建一系列能够区分二者的敏感指标，这些指标主要包括：光谱、纹理、植被指数及冠层结构特征；使用特征筛选方法，对上述特征进行筛选，得到最优特征。然后基于最有特征结合机器学习或线性回归分类方法，识别作业区倒伏作物和未倒伏作物。虽然已有研究者基于光学数据发展了多种倒伏作物识别的特征及方法，且已取得较好结果，但光学数据易受大气环境干扰，上述方法的应用往往受到限制；其次，“同谱异物”现象的存在使得倒伏与未倒伏作物的辨识度下降，从而降低识别精度。
4.雷达监测方法一般通过sar(synthetic aperture radar，合成孔径雷达)技术，是一种主动发射微波信号并接收回波信号，生产观测区散射图像的技术。sar遥感技术不依赖于太阳光照，对大气衰减小，能在任何天气条件下工作，具备全天候对地观测的能力。另外，sar遥感技术对地表粗糙度、地物几何形状敏感，可提供多波段、多极化和多角度的散射信息，为作物倒伏的监测提供了有力的技术支撑。目前，传统的雷达监测方法主要基于不同极化后向散射系数(vv、vh、hv、hh)在时间序列上的变化进行探测，但这些研究存在以下问题：(1)灾害天气往往伴随着暴雨，加之后向散射系数对于水分敏感，极易导致散射值失真，由此造成倒伏与未倒伏作物的可分性较差；(2)植被的冠层结构较为复杂，散射特征的随机性较强，在后向散射过程中土壤背景、植被、水体等多种要素叠加耦合问题，难以分类倒伏对后向散射的贡献。


技术实现要素：

5.本发明提供基于合成孔径雷达双极化数据相干性的作物倒伏监测方法及系统，用以解决现有技术中存在的缺陷。
6.第一方面，本发明提供一种基于合成孔径雷达双极化数据相干性的作物倒伏监测方法，包括：
7.采集作业区不同倒伏程度的作物样本，获取倒伏前后的双极化合成孔径雷达sar遥感数据，基于所述双极化sar遥感数据提取所述作业区倒伏前后的后向散射系数；
8.基于所述后向散射系数，确定倒伏前后的后向散射变化特征、相干系数和平均值纹理特征；
9.基于随机森林-递归特征消除算法，筛选获得所述后向散射变化特征、所述相干系数和所述平均值纹理特征中的倒伏作物监测敏感特征；
10.采用偏最小二乘分类方法识别倒伏作物，得到所述作业区的倒伏作物空间分布信息。
11.根据本发明提供的一种基于合成孔径雷达双极化数据相干性的作物倒伏监测方法，所述采集作业区不同倒伏程度的作物样本，获取倒伏前后的双极化合成孔径雷达sar遥感数据，基于所述双极化sar遥感数据提取所述作业区倒伏前后的后向散射系数，包括：
12.确定倒伏前作物样本和倒伏后作物样本，获取所述双极化sar遥感数据中的单视复数sentinel-1 slc影像，对所述sentinel-1 slc影像进行预处理，得到地距多视sentinel-1 grd影像；
13.由所述sentinel-1 grd影像分别获取作业区倒伏前vv极化后向散射系数、作业区倒伏前vh极化后向散射系数、作业区倒伏后vv极化后向散射系数和作业区倒伏后vh极化后向散射系数。
14.根据本发明提供的一种基于合成孔径雷达双极化数据相干性的作物倒伏监测方法，所述基于所述后向散射系数，确定倒伏前后的后向散射变化特征、相干系数和平均值纹理特征，包括：
15.将所述作业区倒伏前vh极化后向散射系数除以所述作业区倒伏前vv极化后向散射系数，得到倒伏前系数比；
16.将所述作业区倒伏后vh极化后向散射系数除以所述作业区倒伏后vv极化后向散射系数，得到倒伏后系数比；
17.分别将所述作业区倒伏前vh极化后向散射系数与所述作业区倒伏后vh极化后向散射系数作差，所述作业区倒伏前vv极化后向散射系数与所述作业区倒伏后vv极化后向散射系数作差，以及所述倒伏前系数比与所述倒伏后系数比作差，得到所述后向散射变化特征；
18.基于所述后向散射变化特征构建基于二阶概率统计的平均值纹理特征；
19.对所述sentinel-1 slc影像进行干涉处理，得到vv极化相干系数和vh极化相干系数，基于所述vv极化相干系数和所述vh极化相干系数中的相位差信息表征作物倒伏前后的形态变化。
20.根据本发明提供的一种基于合成孔径雷达双极化数据相干性的作物倒伏监测方法，所述基于所述后向散射变化特征构建基于二阶概率统计的平均值纹理特征，包括：
21.确定所述sentinel-1 slc影像的二维矩阵，基于所述二维矩阵中最大值和最小值，得到归一化sar图像值；
22.基于所述后向散射变化特征，根据预设方向和预设位移量统计所述归一化sar图像值的灰度共生矩阵；
23.基于优化后的预设邻域窗口，计算所述灰度共生矩阵的平均值纹理特征。
24.根据本发明提供的一种基于合成孔径雷达双极化数据相干性的作物倒伏监测方法，所述优化后的预设邻域窗口，包括：
25.获取所述倒伏前作物样本的平均值纹理特征、所述倒伏后作物样本的平均值纹理特征、所述倒伏前作物样本的协方差矩阵和所述倒伏后作物样本的协方差矩阵；
26.基于所述倒伏前作物样本的平均值纹理特征、所述倒伏后作物样本的平均值纹理特征、所述倒伏前作物样本的协方差矩阵和所述倒伏后作物样本的协方差矩阵，采用j-m距离确定所述优化后的预设邻域窗口；
27.其中，所述j-m距离包括预设可行域，基于纹理特征可分性程度将所述预设可行域依次划分为第一可行域区间、第二可行域区间和第三可行域区间。
28.根据本发明提供的一种基于合成孔径雷达双极化数据相干性的作物倒伏监测方法，所述对所述sentinel-1 slc影像进行干涉处理，得到vv极化相干系数和vh极化相干系数，包括：
29.将倒伏发生前、后的sentinel-1 slc影像所提供的相位信息分别作为相干系数计算的主相位和副相位；
30.计算所述主相位和所述副相位同名点的坐标映射关系，将副相位影像按照所述坐标映射关系采样为主相位影像的像素格网，使主副相位图的同名点对应于地面同一分辨单元；
31.将vv极化中同一空间位置的主副相位值标记为一像素对，逐像素对进行复数共轭相乘获取干涉复数值，基于干涉复数值的实部和虚部逐像素解算一次差分干涉相位；
32.对vv极化的一次差分干涉相位进行相位解缠，恢复相位主值中被模糊掉的整周相位2kπ，得到所述vv极化相干性系数；
33.将vh极化中同一空间位置的主副相位值标记为一像素对，逐像素对进行复数共轭相乘获取干涉复数值，基于干涉复数值的实部和虚部逐像素解算一次差分干涉相位；
34.对vh极化的一次差分干涉相位进行相位解缠，恢复相位主值中被模糊掉的整周相位2kπ，得到所述vh极化相干性系数。
35.根据本发明提供的一种基于合成孔径雷达双极化数据相干性的作物倒伏监测方法，所述基于随机森林-递归特征消除算法，筛选获得所述后向散射变化特征、所述相干系数和所述平均值纹理特征中的倒伏作物监测敏感特征，包括：
36.将倒伏前作物样本和倒伏后作物样本叠加至google earth遥感影像，通过目视解译获取多样本数据；
37.基于所述后向散射变化特征、所述相干系数和所述平均值纹理特征对所述多样本数据提取特征值，得到样本点特征数据集合；
38.将所述样本点特征数据集和对应的样本标签输入至随机森林-递归特征消除筛选器中，得到所述倒伏作物监测敏感特征。
39.根据本发明提供的一种基于合成孔径雷达双极化数据相干性的作物倒伏监测方法，所述采用偏最小二乘分类方法识别倒伏作物，得到所述作业区的倒伏作物空间分布信息，包括：
40.对所述倒伏作物监测敏感特征的矩阵和对应的样本标签集合矩阵进行中心化处理，分别获得敏感特征主成分得分矩阵、敏感特征主成分分解载荷矩阵和敏感特征主成分误差矩阵，以及样本标签集合主成分得分矩阵、样本标签集合主成分分解载荷矩阵和样本标签集合主成分误差矩阵；
41.对所述敏感特征主成分得分矩阵和样本标签集合主成分得分矩阵进行多元线性回归，获得未知像素敏感特征得分矩阵，基于所述未知像素敏感特征得分矩阵得到未知像
素标签；
42.按照预设比例将所述倒伏作物监测敏感特征的矩阵和所述对应的样本标签集合矩阵划分为训练集和测试集，输入所述训练集和所述测试集至偏最小二乘回归分类模型，进行模型调优，得到所述作业区的倒伏作物分布信息。
43.第二方面，本发明还提供一种基于合成孔径雷达双极化数据相干性的作物倒伏监测系统，包括：
44.第一处理模块，用于采集作业区不同倒伏程度的作物样本，获取倒伏前后的双极化合成孔径雷达sar遥感数据，基于所述双极化sar遥感数据提取所述作业区倒伏前后的后向散射系数；
45.第二处理模块，用于基于所述后向散射系数，确定倒伏前后的后向散射变化特征、相干系数和平均值纹理特征；
46.第三处理模块，用于基于随机森林-递归特征消除算法，筛选获得所述后向散射变化特征、所述相干系数和所述平均值纹理特征中的倒伏作物监测敏感特征；
47.第四处理模块，用于采用偏最小二乘分类方法识别倒伏作物，得到所述作业区的倒伏作物空间分布信息。
48.第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于合成孔径雷达双极化数据相干性的作物倒伏监测方法的步骤。
49.第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于合成孔径雷达双极化数据相干性的作物倒伏监测方法的步骤。
50.第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于合成孔径雷达双极化数据相干性的作物倒伏监测方法的步骤。
51.本发明提供的基于多基于合成孔径雷达双极化数据相干性的作物倒伏监测方法及系统，通过将双时相多极化sar单视复数据提供的相干系数应用于作物倒伏监测，充分考虑了作物倒伏前后的形态变化特征，融合基于空间邻近统计的二阶概率纹理特征，一定程度上抑制后向散射变化特征以及相干系数的噪声干扰，进一步提高作物倒伏监测结果的精度。
附图说明
52.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
53.图1是本发明提供的基于合成孔径雷达双极化数据相干性的作物倒伏监测方法的流程示意图；
54.图2是本发明提供的基于合成孔径雷达双极化数据相干性的作物倒伏监测系统的结构示意图；
55.图3是本发明提供的电子设备的结构示意图。
具体实施方式
56.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
57.针对现有技术中对倒伏作物遥感监测存在的各种局限性，本发明基于sar干涉原理，采用双极化相干性分析来解决倒伏作物遥感监测中后向散射系数对于水分敏感、散射特征随机性强等干扰所造成的分类结果精度低下的瓶颈问题。
58.图1是本发明提供的基于合成孔径雷达双极化数据相干性的作物倒伏监测方法的流程示意图，如图1所示，包括：
59.步骤s1，采集作业区不同倒伏程度的作物样本，获取倒伏前后的双极化合成孔径雷达sar遥感数据，基于所述双极化sar遥感数据提取所述作业区倒伏前后的后向散射系数；
60.首先采集作业区不同倒伏程度的作物样本，获取作业区倒伏发生前后的sentinel-1双极化sar遥感数据，并提取其后向散射系数；
61.这里的sentinel-1(哨兵1号)卫星是欧洲航天局哥白尼计划(gmes)中的地球观测卫星，由两颗极轨卫星a星和b星组成，两颗卫星搭载的传感器为sar，属于主动微波遥感卫星。传感器搭载c波段。
62.步骤s2，基于所述后向散射系数，确定倒伏前后的后向散射变化特征、相干系数和平均值纹理特征；
63.然后基于倒伏前后后向散射变化特性和相干系数，构建强鲁棒性的倒伏监测指标，包括后向散射变化特征、相干系数和平均值纹理特征。
64.步骤s3，基于随机森林-递归特征消除算法，筛选获得所述后向散射变化特征、所述相干系数和所述平均值纹理特征中的倒伏作物监测敏感特征；
65.将步骤s2中得到的后向散射变化特征、相干系数以及纹理特征输入随机森林-递归特征消除筛选器，筛选出倒伏作物监测感特征。
66.步骤s4，采用偏最小二乘分类方法识别倒伏作物，得到所述作业区的倒伏作物空间分布信息。
67.最后，使用偏最小二乘分类方法，实现倒伏区识别，从而得到整个作业区倒伏作物分布信息。
68.本发明通过将双时相双极化sar单视复数据提供的相干系数应用于作物倒伏监测，充分考虑了作物倒伏前后的形态变化特征，融合基于空间邻近统计的二阶概率纹理特征，一定程度上抑制后向散射变化特征以及相干系数的噪声干扰，进一步提高作物倒伏监测结果的精度。
69.基于上述实施例，该方法步骤s1包括：
70.确定倒伏前作物样本和倒伏后作物样本，获取所述双极化sar遥感数据中的单视复数sentinel-1 slc影像，对所述sentinel-1 slc影像进行预处理，得到地距多视
sentinel-1 grd影像；
71.由所述sentinel-1 grd影像分别获取作业区倒伏前vv极化后向散射系数、作业区倒伏前vh极化后向散射系数、作业区倒伏后vv极化后向散射系数和作业区倒伏后vh极化后向散射系数。
72.具体地，对sentinel-1 slc(sentinel-1 single look complex，哨兵1号单视复数)影像进行预处理后，得到sentinel-1 grd(sentinel-1 ground range detected，哨兵1号地距多视)影像，由此可获取作业区倒伏前vv与vh极化后向散射系数vv
nl
、vh
nl
，以及倒伏后vv与vh极化后向散射系数vv
l
、vh
l
。
73.此处，slc为哨兵1号卫星产品中的一级产品，能获得相位和振幅信息，相位信息是时间的函数，根据相位信息和速度可实现距离的测量，可用于测距和形变观测；grd也是哨兵1号卫星产品中的一级产品有多视强度数据，该强度数据与后向散射系数有关，可用于土壤水分反演。
74.基于上述任一实施例，该方法步骤s2包括：
75.将所述作业区倒伏前vh极化后向散射系数除以所述作业区倒伏前vv极化后向散射系数，得到倒伏前系数比；
76.将所述作业区倒伏后vh极化后向散射系数除以所述作业区倒伏后vv极化后向散射系数，得到倒伏后系数比；
77.分别将所述作业区倒伏前vh极化后向散射系数与所述作业区倒伏后vh极化后向散射系数作差，所述作业区倒伏前vv极化后向散射系数与所述作业区倒伏后vv极化后向散射系数作差，以及所述倒伏前系数比与所述倒伏后系数比作差，得到所述后向散射变化特征；
78.基于所述后向散射变化特征构建基于二阶概率统计的平均值纹理特征；
79.对所述sentinel-1 slc影像进行干涉处理，得到vv极化干涉图和vh极化干涉图，基于所述vv极化干涉图和所述vh极化干涉图估计获得所述相干系数。
80.其中，所述基于所述后向散射变化特征构建基于二阶概率统计的平均值纹理特征，包括：
81.确定所述sentinel-1 slc影像的二维矩阵，基于所述二维矩阵中最大值和最小值，得到归一化sar图像值；
82.基于所述后向散射变化特征，根据预设方向和预设位移量统计所述归一化sar图像值的灰度共生矩阵；
83.基于优化后的预设邻域窗口，计算所述灰度共生矩阵的平均值纹理特征。
84.其中，所述优化后的预设邻域窗口，包括：
85.获取所述倒伏前作物样本的平均值纹理特征、所述倒伏后作物样本的平均值纹理特征、所述倒伏前作物样本的协方差矩阵和所述倒伏后作物样本的协方差矩阵；
86.基于所述倒伏前作物样本的平均值纹理特征、所述倒伏后作物样本的平均值纹理特征、所述倒伏前作物样本的协方差矩阵和所述倒伏后作物样本的协方差矩阵，采用j-m距离确定所述优化后的预设邻域窗口；
87.其中，所述j-m距离包括预设可行域，基于纹理特征可分性程度将所述预设可行域依次划分为第一可行域区间、第二可行域区间和第三可行域区间。
88.其中，所述对所述sentinel-1 slc影像进行干涉处理，得到vv极化相干系数和vh极化相干系数，包括：
89.将倒伏发生前、后的sentinel-1 slc影像所提供的相位信息分别作为相干系数计算的主相位和副相位；
90.计算所述主相位和所述副相位同名点的坐标映射关系，将副相位影像按照所述坐标映射关系采样为主相位影像的像素格网，使主副相位图的同名点对应于地面同一分辨单元；
91.将vv极化中同一空间位置的主副相位值标记为一像素对，逐像素对进行复数共轭相乘获取干涉复数值，基于干涉复数值的实部和虚部逐像素解算一次差分干涉相位；
92.对vv极化的一次差分干涉相位进行相位解缠，恢复相位主值中被模糊掉的整周相位2kπ，得到所述vv极化相干性系数；
93.将vh极化中同一空间位置的主副相位值标记为一像素对，逐像素对进行复数共轭相乘获取干涉复数值，基于干涉复数值的实部和虚部逐像素解算一次差分干涉相位；
94.对vh极化的一次差分干涉相位进行相位解缠，恢复相位主值中被模糊掉的整周相位2kπ，得到所述vh极化相干性系数。
95.具体地，在得到作业区倒伏前vv与vh极化后向散射系数vv
nl
、vh
nl
和倒伏后后向散射系数vv
l
、vh
l
后，分别对两极化数据求商，得到倒伏前后的后向散射双极化比率ratio
nl
、ratio
l
特征。
96.将倒伏前后sentinel-1 grd影像的vv、vh极化后向散射系数求商，分别得到倒伏前后ratio
nl
、ratio
l
特征：
[0097][0098][0099]
将倒伏前影像的极化后向散射系数vv
nl
、vh
nl
、ratio
nl
分别与倒伏后影像中对应的极化特征(包括vv
l
、vh
l
、ratio
l
)求差，构建作物倒伏前后的后向散射变化特征(vv
var
、vh
var
、ratio
var
)，包括：
[0100]
vh
var
＝vh
nl-vh
l
[0101]
vv
var
＝vv
nl-vv
l
[0102]
ratio
var
＝ratio
nl-ratio
l
[0103]
其中，vv
var
、vh
var
、ratio
var
为后向散射系数变化特征,vv
nl
和vh
nl
分别为倒伏前sentinel-1 grd数据的vv与vh极化后向散射系数，ratio
nl
为vv
nl
与vh
nl
之比；vv
l
和vh
l
分别为倒伏后sentinel-1 grd数据的vv与vh极化后向散射系数，ratio
l
为vv
l
与vh
l
之比。
[0104]
进一步地，根据上述三种特征图(vv
var
、vh
var
、ratio
var
)构建基于二阶概率统计的glcm_mean(gray-level co-occurrence matrix_mean，灰度共生矩阵平均值)：
[0105]
对图像中任一位置(x,y)的三种后向散射变化特征s
xy
的灰度域映射g
xy
：
[0106]
[0107]
其中，s
min
及s
min
为整个sar图像二维矩阵中的最小值和最大值，g
xy
为归一化后sar图像的值。
[0108]
此处，需要基于映射后的后向散射变化特征，统计其在某一计算预设方向θ和预设位移量d下从影像i值像素位置到j值像素位置的概率矩阵，即在一定的预设邻域窗口下的灰度共生矩阵p(i,j,d,θ)：
[0109][0110]
其中，#表示一定窗口内影像值出现的次数，像素强度分布范围为[i,j]，(x1,y1)与(x2,y2)分别为θ方向上相邻的第一个和第二个像素位置。
[0111]
根据上述灰度共生矩阵，计算其在一定邻域空间窗口下的glcm_mean特征：
[0112][0113]
其中，n为图像的灰度级。
[0114]
需要说明的是，本发明对计算glcm_mean特征所需的方向角度和窗口大小参数进行了优化，通过保持其他参数恒定不变的同时，逐一调整单个参数，根据倒伏作物和未倒伏作物样本在特征图中的j-m(jeffries-matusita)距离jm
ij
确定该参数的最优值，具体为：
[0115]
jm
ij
＝2*(1-e-b
)
[0116][0117]
其中，m
nl
及m
l
分别为未倒伏作物和倒伏作物样本的纹理特征的平均值，∑x
nl
与∑x
l
分别为未倒伏和倒伏作物样本的纹理特征的协方差矩阵。
[0118]
上述jm
ij
的可行域区间为[0，2]，本发明做如下定义：当jm
ij
《1时，说明该参数配置下的纹理特征可分性较差，需要继续进行参数搜索；当1≤jm
ij
《1.8时，表明当前参数所取得的纹理特征具有一定的区分度，但仍需继续参数搜索；当1.8≤jm
ij
≤2时，证明当前参数配置的纹理特征具有较高区分度，可确定当前参数为最优。
[0119]
此外，本发明还基于sentinel-1 slc数据进行干涉处理，分别形成vv、vh极化的干涉图，以估计相干系数，包括：
[0120]
通过估计单幅sar图像所有像元数l的空间平均，获得作业区vv、vh极化的相干性系数γ
vv
、γ
vh
：
[0121][0122][0123]
其中，i为图像中的第几个像元，vv
nl
和vh
nl
分别是倒伏前sentinel-1 slc图像的vv、vh极化，vv
l
和vh
l
分别是倒伏后sentinel-1 slc图像的vv、vh极化。
[0124]
由于相干系数在为倒伏作物监测提供sar信号的幅度信息和相位信息的同时也带来了大量的干涉相位噪声，与后向散射系数中的随机噪声类似，这会使得倒伏作物监测结果的空间连续性降低。因此，本发明在综合考虑后向散射变化信息和相干系数的基础上，融入基于空间邻近特征统计的二阶概率纹理特征，从而达到抑制噪声干扰，提高倒伏监测结果精度和空间连续性的目的。
[0125]
基于上述任一实施例，该方法步骤s3包括：
[0126]
将倒伏前作物样本和倒伏后作物样本叠加至google earth遥感影像，通过目视解译获取多样本数据；
[0127]
基于所述后向散射变化特征、所述相干系数和所述平均值纹理特征对所述多样本数据提取特征值，得到样本点特征数据集合；
[0128]
将所述样本点特征数据集和对应的样本标签输入至随机森林-递归特征消除筛选器中，得到所述倒伏作物监测敏感特征。
[0129]
具体地，将采集的倒伏作物样本点与未倒伏作物样本点叠加至高空间分辨率的google earth遥感影像中，通过目视解译，获取更多类似样本。
[0130]
对上述多个样本进行特征值提取操作，得到样本点所在空间位置的vv
var
、vh
var
、ratio
var
、glcm_mean、γ
vv
、γ
vh
特征数据集合，然后将样本标签，通常为0和1，以及特征数据集合输入至随机森林-递归特征消除筛选器中，逐步剔除不适于倒伏作物监测的特征，保留倒伏作物监测敏感特征。
[0131]
基于上述任一实施例，该方法步骤s4包括：
[0132]
对所述倒伏作物监测敏感特征的矩阵和对应的样本标签集合矩阵进行中心化处理，分别获得敏感特征主成分得分矩阵、敏感特征主成分分解载荷矩阵和敏感特征主成分误差矩阵，以及样本标签集合主成分得分矩阵、样本标签集合主成分分解载荷矩阵和样本标签集合主成分误差矩阵；
[0133]
对所述敏感特征主成分得分矩阵和样本标签集合主成分得分矩阵进行多元线性回归，获得未知像素敏感特征得分矩阵，基于所述未知像素敏感特征得分矩阵得到未知像素标签；
[0134]
按照预设比例将所述倒伏作物监测敏感特征的矩阵和所述对应的样本标签集合矩阵划分为训练集和测试集，输入所述训练集和所述测试集至偏最小二乘回归分类模型，进行模型调优，得到所述作业区的倒伏作物分布信息。
[0135]
具体地，本发明将样本标签集合及敏感特征编码为矩阵，输入最优的偏最小二乘
分类模型，逐一像素判别特征图中未知像素的标签，从而获取作业区倒伏作物监测结果，计算过程包括：
[0136]
对敏感特征矩阵x和样本标签集合矩阵y进行中心化处理后，分解x和y获得主成分得分矩阵t和u：
[0137]
x＝tp e
[0138]
y＝uq f
[0139]
对t和u进行多元线性回归：
[0140]
u＝tb
[0141]
b＝(x
t
x)-1
x
ty[0142]
根据矩阵p计算未知像素的敏感特征矩阵x
′
的得分矩阵t
′
，由此预测未知像素的标签y
′
：
[0143]y′
＝t
′
bq
[0144]
其中，t和u分别为x、y的主成分得分矩阵，p和q分别为主成分分解的载荷矩阵，e和f为误差矩阵。
[0145]
需要说明的是，本发明将样本标签与对应的敏感特征数据集合按照3:1的比例划分为训练集和测试集，输入偏最小二乘回归分类模型，验证分类模型在训练集与测试集的精度，反复调整分类模型参数，直至其在训练与测试集中的精度达到最优。
[0146]
本发明通过对双时相sar遥感数据的相干性分析，构建了作业区倒伏作物的相干系数，结合后向散射变化特征和纹理特征监测倒伏作物，将sar遥感数据的相位变化信息应用于倒伏作物识别能够为其提供作物的形变特征，从而进一步提高监测结果的准确性。
[0147]
下面以某地市下属某县作为倒伏作物遥感监测作业区为例进一步阐述本发明的技术方案。
[0148]
该县地势东南高，西北低，南部以低山丘陵为主，中部以平原为主，该地区农作物种植面积达24.2万公顷，以玉米种植为主。2020年9月4日，受台风影响，该地区作物发生大面积倒伏。获取数据如下：从欧空局官方网站获取2020年8月23日及2020年9月16日的sentinel-1 slc影像，倒伏作物样本的采集时间是在2020年9月11日-16日。
[0149]
对sentinel-1 slc影像进行预处理，获取地距多视sentinel-1 grd影像，基于倒伏前vv与vh极化后向散射系数vv
nl
、vh
nl
，以及作业区倒伏后vv与vh极化后向散射系数vv
l
、vh
l
，分别将两极化数据相除，得到ratio
l
、ratio
nl
特征。在该案例中，将采集到的样本的坐标信息编码为具有空间地理坐标的矢量点，并加载至arcgis软件中，通过与高空间分辨率的google earth遥感影像叠加，基于目视解译，获取更多类似样本。
[0150]
将倒伏前影像的极化后向散射系数vv
nl
、vh
nl
、ratio
nl
分别与倒伏后影像中对应的极化特征(vv
l
、vh
l
、ratio
l
)作差，最终得到3个作物倒伏前后的后向散射变化特征，包括：vv
var
、vh
var
、ratio
var
，该过程基于python的gdal库实现。
[0151]
在该案例中，利用vv
var
、vh
var
、ratio
var
特征构建基于二阶概率统计的平均值纹理(glcm_mean)特征，该过程通过python调用gdal和numpy库实现。根据不同窗口大小及方向参数设定下，纹理特征中倒伏与未倒伏作物的j-m距离确定最优参数，并最终得到了vv
var
、vh
var
、ratio
var
所对应的3个glcm_mean特征。
[0152]
对sentinel-1 slc数据进行干涉处理，构建vv与vh两种极化方式的相干性变化特
征。该过程通过snap软件实现，最终获取了vv与vh的2种相干性特征。
[0153]
进一步地，对采集的样本进行特征值提取操作，得到样本点所在空间位置的vv
var
、vh
var
、ratio
var
、glcm_mean、γ
vv
、γ
vh
特征数据集合。将样本标签以及特征数据集合输入随机森林-递归特征消除筛选器中，逐步剔除不适于倒伏作物监测的特征，保留敏感特征。
[0154]
基于python机器学习库scikit-learn库实现了使用偏最小二乘分类方法，实现倒伏区识别，从而得到整个作业区倒伏作物的分布信息。
[0155]
将样本标签集合及敏感特征编码为矩阵，输入最优最小二乘分类模型，逐像素判别特征图中未知像素的标签，从而获取作业区倒伏作物监测结果。
[0156]
本发明实施例采用的基于合成孔径雷达双极化数据相干性的作物倒伏监测方法包括数据准备、特征提取与倒伏区识别3个阶段，将倒伏作物分类转化为sar极化特征的图像识别过程，将相干系数、后向散射变化信息、纹理特征应用到倒伏作物分类中，使得监测方法能够充分考虑作物形态和散射信号时变特征的同时降低sar信号的噪声扰动，从而提高分类结果的准确性。
[0157]
下面对本发明提供的基于合成孔径雷达双极化数据相干性的作物倒伏监测系统进行描述，下文描述的基于合成孔径雷达双极化数据相干性的作物倒伏监测系统与上文描述的基于合成孔径雷达双极化数据相干性的作物倒伏监测方法可相互对应参照。
[0158]
图2是本发明提供的基于合成孔径雷达双极化数据相干性的作物倒伏监测系统的结构示意图，如图2所示，包括：第一处理模块21、第二处理模块22、第三处理模块23和第四处理模块24，其中：
[0159]
第一处理模块21用于采集作业区不同倒伏程度的作物样本，获取倒伏前后的双极化合成孔径雷达sar遥感数据，基于所述双极化sar遥感数据提取所述作业区倒伏前后的后向散射系数；第二处理模块22用于基于所述后向散射系数，确定倒伏前后的后向散射变化特征、相干系数和平均值纹理特征；第三处理模块23用于基于随机森林-递归特征消除算法，筛选获得所述后向散射变化特征、所述相干系数和所述平均值纹理特征中的倒伏作物监测敏感特征；第四处理模块24用于采用偏最小二乘分类方法识别倒伏作物，得到所述作业区的倒伏作物空间分布信息。
[0160]
本发明通过将双时相双极化sar单视复数据提供的相干系数应用于作物倒伏监测，充分考虑了作物倒伏前后的形态变化特征，融合基于空间邻近统计的二阶概率纹理特征，一定程度上抑制后向散射变化特征以及相干系数的噪声干扰，进一步提高作物倒伏监测结果的精度。
[0161]
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(communications interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行基于合成孔径雷达双极化数据相干性的作物倒伏监测方法，该方法包括：采集作业区不同倒伏程度的作物样本，获取倒伏前后的双极化合成孔径雷达sar遥感数据，基于所述双极化sar遥感数据提取所述作业区倒伏前后的后向散射系数；基于所述后向散射系数，确定倒伏前后的后向散射变化特征、相干系数和平均值纹理特征；基于随机森林-递归特征消除算法，筛选获得所述后向散射变化特征、所述相干系数和所述平均值纹理特征中的倒伏作物监测敏感特征；采用偏最小二乘分
类方法识别倒伏作物，得到所述作业区的倒伏作物空间分布信息。
[0162]
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0163]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于合成孔径雷达双极化数据相干性的作物倒伏监测方法，该方法包括：采集作业区不同倒伏程度的作物样本，获取倒伏前后的双极化合成孔径雷达sar遥感数据，基于所述双极化sar遥感数据提取所述作业区倒伏前后的后向散射系数；基于所述后向散射系数，确定倒伏前后的后向散射变化特征、相干系数和平均值纹理特征；基于随机森林-递归特征消除算法，筛选获得所述后向散射变化特征、所述相干系数和所述平均值纹理特征中的倒伏作物监测敏感特征；采用偏最小二乘分类方法识别倒伏作物，得到所述作业区的倒伏作物空间分布信息。
[0164]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于合成孔径雷达双极化数据相干性的作物倒伏监测方法，该方法包括：采集作业区不同倒伏程度的作物样本，获取倒伏前后的双极化合成孔径雷达sar遥感数据，基于所述双极化sar遥感数据提取所述作业区倒伏前后的后向散射系数；基于所述后向散射系数，确定倒伏前后的后向散射变化特征、相干系数和平均值纹理特征；基于随机森林-递归特征消除算法，筛选获得所述后向散射变化特征、所述相干系数和所述平均值纹理特征中的倒伏作物监测敏感特征；采用偏最小二乘分类方法识别倒伏作物，得到所述作业区的倒伏作物空间分布信息。
[0165]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0166]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0167]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可
以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。