协同光学-微波物候特征的单双季水稻样本自动生成方法

1.本发明属于农业遥感技术领域，具体涉及协同光学-微波物候特征的单双季水稻样本自动生成方法。


背景技术：

2.水稻是重要的粮食作物之一，及时准确掌握单双季水稻空间分布信息具有重要意义。数量充足以及分布均匀的样本是实现目标作物精细化识别和确保精度验证可靠的重要基础数据。传统的样本获取主要通过野外调查方法，实地记录农田的空间位置和农作物类型信息。尽管该方法精度高，但开展大区域的地面样本采集工作则会耗费大量的人力和物力，尤其对于交通可达性差、地处山谷狭长地带的农田样本的采集需要更高的成本。同时，由于水稻具有多样的种植结构（例如：一季中稻、中稻-小麦轮作、中稻-油菜轮作、早稻-晚稻复作），复种以及轮作的类别在年内具有不确定性，因此，单双季水稻样本往往需要一年内前往同地进行至少2次的信息采集。这种高成本、低效率的样本采集方式，严重限制了大区域水稻遥感制图和年际更新的业务化运行。因此，如何充分挖掘稀疏光学时序遥感数据（sentinel-2地表反射率数据）和密集微波时序遥感数据（sentinel-1数据）对于水稻关键物候的独特表征，发展单双季水稻样本自动生成方法，是目前农业遥感技术领域的难点。


技术实现要素：

3.本发明的目的在于针对大区域尺度单双季水稻遥感制图中无法高效获取数量充足以及分布均匀样本的问题，协同使用稀疏光学时序遥感数据（sentinel-2地表反射率数据）和密集微波时序遥感数据（sentinel-1数据），结合单双季水稻在不同遥感数据源中表现的独特物候规律，提供协同光学-微波物候特征的单双季水稻样本自动生成方法，为实现大区域长时序单双季水稻空间分布制图提供重要的样本基础。
4.本发明的上述目的通过以下技术手段实现：协同光学-微波物候特征的单双季水稻样本自动生成方法，包括以下步骤：步骤1、获取sentinel-1数据并生成时序vh数据和时序vh/vv数据，获取sentinel-2地表反射率数据并进行去云处理，获取myd11a2数据并进行重采样；步骤2、获取耕地图层；步骤3、基于sentinel-2地表反射率数据生成sentinel-2植被指数对象尺度数据，时序vh对象尺度数据和时序vh/vv对象尺度数据，并根据sentinel-2植被指数对象尺度数据获取潜在水稻矢量对象及潜在水稻矢量对象图层；步骤4、分别对潜在水稻矢量对象的时序vh对象尺度数据和时序vh/vv对象尺度数据开展k-means无监督聚类，获得vh聚类簇和vh/vv聚类簇，基于单双季水稻微波物候特征，提取单季水稻vh候选簇、单季水稻vh/vv候选簇、双季水稻vh候选簇和双季水稻vh/vv候选簇；步骤5、基于单季水稻vh候选簇、单季水稻vh/vv候选簇、双季水稻vh候选簇和双季
水稻vh/vv候选簇生成单季水稻vh候选子簇、单季水稻vh/vv候选子簇、双季水稻vh候选子簇和双季水稻vh/vv候选子簇，对上述候选子簇中的潜在水稻矢量对象进行提纯，提纯后的单季水稻vh候选子簇和单季水稻vh/vv候选子簇中的潜在水稻矢量对象作为单季水稻样本；提纯后的双季水稻vh候选子簇和双季水稻vh/vv候选子簇中的潜在水稻矢量对象作为双季水稻样本。
5.如上所述步骤1包括以下步骤：步骤1.1、在google earth engine平台上下载sentinel-1数据、 sentinel-2地表反射率数据和myd11a2数据；步骤1.2、选择sentinel-1数据的干涉宽幅模式下的vh数据和vv数据，计算vh 数据和vv数据的比值得到vh/vv数据；对vh数据和vh/vv数据进行影像叠置区域的高入射角数据移除、20天中值合成、refined lee空间滤波、savitzky-golay时间滤波预处理，得到时序vh数据和时序vh/vv数据；步骤1.3、对sentinel-2地表反射率数据进行去云处理；步骤1.4、将myd11a2数据的数值单位从开尔文转换为摄氏度，使用最近邻法对myd11a2数据进行重采样。
6.如上所述步骤2包括以下步骤：计算globeland30数据和cnlucc土地覆盖数据中耕地像元的交集得到耕地图层。
7.如上所述步骤3包括以下步骤：步骤3.1、对去云后的sentinel-2地表反射率数据进行中值合成，得到中值合成的sentinel-2地表反射率数据，使用简单非迭代聚类分割算法，对中值合成的sentinel-2地表反射率数据的蓝、绿、红和近红外波段影像进行图像分割，得到研究区的矢量对象图层，矢量对象图层内包含若干个矢量对象，计算矢量对象图层中每个矢量对象内所有像元的归一化植被指数均值、增强型植被指数均值、地表水分指数均值、时序vh数据均值、以及时序vh/vv数据均值，分别作为对应的ndvi对象尺度数据、evi对象尺度数据、lswi对象尺度数据、时序vh对象尺度数据、以及时序vh/vv对象尺度数据，ndvi对象尺度数据、evi对象尺度数据、lswi对象尺度数据构成sentinel-2植被指数对象尺度数据；步骤3.2、基于重采样的myd11a2数据和研究区水稻物候历数据，构建夜间地表温度与水稻移栽期始末儒略日的线性关系，将矢量对象图层中每个矢量对象的夜间地表温度首次高于15℃时对应的儒略日定义为水稻移栽期的开始儒略日sot，将水稻移栽期的结束儒略日eot定义为sot 80d，得到sot和eot空间分布图；使用每个矢量对象的水稻移栽期的开始儒略日sot和水稻移栽期的结束儒略日eot内的sentinel-2植被指数对象尺度数据，基于以下公式计算每个矢量对象的淹水信号出现频率f：，，
其中， flood表示矢量对象是否出现淹水信号，为观测时间ti的lswi对象尺度数据，为观测时间ti的evi对象尺度数据，为观测时间ti的ndvi对象尺度数据，ti为观测时间，f表示矢量对象的淹水信号出现频率，n
flood
表示矢量对象出现淹水信号的频次，n
good
表示水稻移栽期内sentinel-2植被指数对象尺度数据总观测数；步骤3.3、保留淹水信号出现频率高于10%的矢量对象，并使用步骤2中得到的耕地图层对淹水信号出现频率高于10%的矢量对象进行掩膜，得到淹水信号出现频率高于10%的耕地矢量对象，将淹水信号出现频率高于10%的耕地矢量对象作为潜在水稻矢量对象，各个潜在水稻矢量对象组成潜在水稻对象图层。
8.如上所述步骤4包括以下步骤：步骤4.1，在潜在水稻对象图层上随机选择多个潜在水稻矢量对象，并提取随机选择的潜在水稻矢量对象的时序vh对象尺度数据和时序vh/vv对象尺度数据；步骤4.2，对潜在水稻矢量对象的时序vh对象尺度数据和时序vh/vv对象尺度数据开展k-means无监督聚类，得到潜在水稻矢量对象对应的vh聚类簇和vh/vv聚类簇；步骤4.3，将步骤4.2中的vh聚类簇和vh/vv聚类簇中满足单季水稻微波物候规律的簇，定义为单季水稻vh候选簇和单季水稻vh/vv候选簇；将vh聚类簇和vh/vv聚类簇中满足双季水稻微波物候规律的簇，定义为双季水稻vh候选簇和双季水稻vh/vv候选簇。
9.如上所述步骤4.2包括以下步骤：预设k-means无监督聚类算法的聚类簇数，基于预设的聚类簇数，分别对潜在水稻矢量对象的时序vh对象尺度数据和时序vh/vv对象尺度数据开展k-means无监督聚类，得到不同预设的聚类簇数下的vh聚类簇和vh/vv聚类簇，根据不同聚类簇数的vh聚类簇和vh/vv聚类簇，计算不同聚类簇数下的vh聚类簇对应的偏差解释比例和vh/vv聚类簇对应的偏差解释比例，从小到大遍历各个聚类簇数，若当前遍历的聚类簇数对应的vh聚类簇的偏差解释比例与上次遍历的聚类簇数对应的vh聚类簇的偏差解释比例的差值小于设定阈值，则将当前遍历的聚类簇数作为vh聚类簇对应的最优聚类簇数；若当前遍历的聚类簇数对应的vh/vv聚类簇的偏差解释比例与上次遍历的聚类簇数对应的vh/vv聚类簇的偏差解释比例的差值小于设定阈值，则将当前遍历的聚类簇数作为vh/vv聚类簇对应的最优聚类簇数，基于vh聚类簇和vh/vv聚类簇对应的最优聚类簇数，分别对时序vh对象尺度数据和时序vh/vv对象尺度数据开展k-means无监督聚类，得到vh聚类簇和vh/vv聚类簇。
10.如上所述步骤4.3包括以下步骤：识别vh聚类簇的时序vh对象尺度数据的波峰和波谷，若波谷和波峰交替出现1次，则为单季水稻vh候选簇；若波谷和波峰交替出现2次，则为双季水稻vh候选簇；识别vh/vv聚类簇的时序vh/vv对象尺度数据的波峰和波谷，若波谷和波峰交替出现1次，则为单季水稻vh/vv候选簇；若波谷和波峰交替出现2次，则为双季水稻vh/vv候选簇。
11.如上所述步骤5包括以下步骤：步骤5.1、保留同时存在于单季水稻vh候选簇和单季水稻vh/vv候选簇中的潜在水稻矢量对象，将属于相同单季水稻vh候选簇和单季水稻vh/vv候选簇的潜在水稻矢量对象对应的时序vh对象尺度数据和时序vh/vv对象尺度数据分别进行组合，得到单季水稻vh候选子簇和单季水稻vh/vv候选子簇；保留同时存在于双季水稻vh候选簇和双季水稻vh/vv候
选簇中的潜在水稻矢量对象，将同时属于相同双季水稻vh候选簇和双季水稻vh/vv候选簇的潜在水稻矢量对象对应的时序vh对象尺度数据和时序vh/vv对象尺度数据分别进行组合，得到双季水稻vh候选子簇和双季水稻vh/vv候选子簇；步骤5.2，对于单季水稻vh候选子簇和双季水稻vh候选子簇，保留包含的潜在水稻矢量对象个数大于2的单季水稻vh候选子簇和双季水稻vh候选子簇，计算每个vh候选子簇（vh候选子簇为单季水稻vh候选子簇或双季水稻vh候选子簇）中所有潜在水稻矢量对象的时序vh对象尺度数据在时序时间点的最大时序vh数值和最小时序vh数值，并计算时序时间点对应的最大vh阈值=最大时序vh数值-0.1
×
（最大时序vh数值-最小时序vh数值），计算时序时间点对应的最小vh阈值=最小时序vh数值 0.1
×
（最大时序vh数值-最小时序vh数值），遍历各个时序时间点，如果vh候选子簇中某个潜在水稻矢量对象的时序vh对象尺度数据在时序时间点的时序vh数值高于最大vh阈值或低于最小vh阈值，将潜在水稻矢量对象从单季水稻vh候选子簇、双季水稻vh候选子簇、单季水稻vh/vv候选子簇、双季水稻vh/vv候选子簇中均剔除；对于单季水稻vh/vv候选子簇和双季水稻vh/vv候选子簇，保留包含的潜在水稻矢量对象个数大于2的单季水稻vh/vv候选子簇和双季水稻vh/vv候选子簇，计算每个vh/vv候选子簇（vh/vv候选子簇为单季水稻vh/vv候选子簇或双季水稻vh/vv候选子簇）中所有潜在水稻矢量对象的时序vh/vv对象尺度数据在时序时间点的最大时序vh/vv数值和最小时序vh/vv数值，并计算时序时间点对应的最大vh/vv阈值=最大时序vh数值-0.1
×
（最大时序vh数值-最小时序vh数值），计算时序时间点对应的最小vh/vv阈值=最小时序vh数值 0.1
×
（最大时序vh数值-最小时序vh数值），遍历各个时序时间点，如果vh候选子簇中某个潜在水稻矢量对象的时序vh/vv对象尺度数据在时序时间点的时序vh/vv数值高于最大vh/vv阈值或低于最小vh/vv阈值，将潜在水稻矢量对象从单季水稻vh候选子簇、双季水稻vh候选子簇、单季水稻vh/vv候选子簇、双季水稻vh/vv候选子簇中均剔除；单季水稻vh候选子簇和单季水稻vh/vv候选子簇中的潜在水稻矢量对象作为单季水稻样本；双季水稻vh候选子簇和双季水稻vh/vv候选子簇中的潜在水稻矢量对象作为双季水稻样本。
12.本发明相对于现有技术，具有以下有益效果：本发明为解决大区域尺度单双季水稻遥感制图中无法高效获取数量充足以及分布均匀样本的问题，协同使用稀疏光学时序遥感数据（sentinel-2地表反射率数据）和密集微波时序遥感数据（sentinel-1数据），深入挖掘单双季水稻在不同遥感数据源中表现的独特物候规律，本发明通过潜在水稻矢量对象图层生成、单双季水稻vh候选簇选择、单双季水稻vh/vv候选簇选择、候选子簇提纯等，实现了单双季水稻样本自动生成，为大区域尺度单双季水稻制图提供了样本基础。
附图说明
13.图1是本发明的流程图。
14.图2是单季水稻和双季水稻的微波物候特征图；其中，（a）为单季水稻时序vh/vv对象尺度数据对应的微波物候特征图；（b）为双季水稻时序vh/vv对象尺度数据对应的微波物候特征图；（c）为单季水稻时序vh对象尺度数据对应的微波物候特征图；（d）为双季水稻时
序vh对象尺度数据对应的微波物候特征图。
具体实施方式
15.为了便于本领域普通技术人员理解和实施本发明，下面结合实例对本发明作进一步的详细描述，此处所描述的实施示例仅用于说明和解释本发明，并非是对本发明的限制。
实施例
16.协同光学-微波物候特征的单双季水稻样本自动生成方法，流程图如图1所示，包括以下步骤：步骤1、获取sentinel-1数据并生成时序vh数据和时序vh/vv数据，获取sentinel-2地表反射率数据并进行去云处理，获取myd11a2数据并进行重采样获得重采样，详细操作步骤为：步骤1.1，在google earth engine平台上下载sentinel-1数据、sentinel-2地表反射率数据和myd11a2数据。
17.步骤1.2，对于sentinel-1数据，选择sentinel-1数据的干涉宽幅模式（interferometric wide swath，iw）下的vh （vertical transmit/horizontal receive，垂直发射/水平接收）数据和vv（vertical transmit/vertical receive，水平发射/水平接收）数据，计算sentinel-1数据的iw模式下的vh 数据和vv数据的比值得到vh/vv数据；对sentinel-1数据的iw模式下的vh数据和vh/vv数据进行影像叠置区域的高入射角数据移除、20天中值合成、refined lee空间滤波、savitzky-golay时间滤波预处理，得到时序vh数据和时序vh/vv数据。20天中值合成的时间范围为2019年3月2日至12月7日，refined lee空间滤波中的窗口参数设置为7
×
7，s-g滤波中的窗口参数设置为5，s-g滤波中的多项式阶数参数设置为2。
18.步骤1.3，对于sentinel-2地表反射率数据，在google earth engine平台上使用平台提供的sentinel-2云概率产品，去除sentinel-2地表反射率数据的sentinel-2云概率产品中云概率高于65%的像元，得到去云后的sentinel-2地表反射率数据，并计算去云后的sentinel-2地表反射率数据的归一化植被指数（ndvi）、增强型植被指数（evi）和地表水分指数（lswi），得到sentinel-2植被指数数据，公式如下：，，，其中，、、和分别代表sentinel-2地表反射率数据的蓝、红、近红外以及短波红外的光谱反射率。
19.步骤1.4，对于myd11a2数据，将myd11a2数据的数值单位从开尔文转换为摄氏度。
使用最近邻法将空间分辨率为1000米的myd11a2数据重采样，得到空间分辨率为10米的myd11a2数据。
20.步骤2、耕地图层获取，详细操作步骤为：计算globeland30数据和cnlucc土地覆盖数据中耕地像元的交集得到耕地图层。
21.步骤3、基于sentinel-2地表反射率数据生成sentinel-2植被指数对象尺度数据，时序vh对象尺度数据和时序vh/vv对象尺度数据，并根据sentinel-2植被指数对象尺度数据获取潜在水稻矢量对象及潜在水稻矢量对象图层，详细操作步骤为：步骤3.1，对2019年7月25日至30日内的去云后的sentinel-2地表反射率数据进行中值合成，得到一景5天中值合成的sentinel-2地表反射率数据。使用简单非迭代聚类（simple non-iterative clustering, snic）分割算法，对一景5天中值合成的sentinel-2地表反射率数据的蓝、绿、红和近红外波段影像进行图像分割，将简单非迭代聚类算法的“size”、“compactness”和“connectivity”参数分别设置为 10 、0和8，得到研究区的矢量对象图层，矢量对象图层内包含若干个矢量对象。计算矢量对象图层中每个矢量对象内所有像元的归一化植被指数均值、增强型植被指数均值、地表水分指数均值、时序vh数据均值、以及时序vh/vv数据均值，分别作为对应的ndvi对象尺度数据、evi对象尺度数据、lswi对象尺度数据、时序vh对象尺度数据、以及时序vh/vv对象尺度数据，ndvi对象尺度数据、evi对象尺度数据、lswi对象尺度数据构成sentinel-2植被指数对象尺度数据。
22.步骤3.2，根据myd11a2数据和研究区水稻物候历数据获取潜在水稻对象图层，详细操作步骤为：首先，基于空间分辨率为10米的myd11a2数据和研究区水稻物候历数据，构建夜间地表温度与水稻移栽期始末儒略日的线性关系，将矢量对象图层中每个矢量对象的夜间地表温度首次高于15℃时对应的儒略日定义为水稻移栽期的开始儒略日sot，将水稻移栽期的结束儒略日eot定义为sot 80d，得到sot和eot空间分布图；然后，使用每个矢量对象的水稻移栽期的开始儒略日sot和水稻移栽期的结束儒略日eot内的sentinel-2植被指数对象尺度数据，计算每个矢量对象的淹水信号出现频率，基于以下公式：，，其中，flood表示矢量对象是否出现淹水信号，为观测时间ti的lswi对象尺度数据，为观测时间ti的evi对象尺度数据，为观测时间ti的ndvi对象尺度数据，sot和eot分别表示水稻移栽期的开始儒略日和水稻移栽期的结束儒略日，ti为观测时间，f表示矢量对象的淹水信号出现频率，n
flood
表示矢量对象出现淹水信号的频次，n
good
表示水稻移栽期内sentinel-2植被指数对象尺度数据总观测数。
23.步骤3.3，保留淹水信号出现频率高于10%的矢量对象，并使用步骤2中得到的耕地
图层对淹水信号出现频率高于10%的矢量对象进行掩膜，得到淹水信号出现频率高于10%的耕地矢量对象，将淹水信号出现频率高于10%的耕地矢量对象作为潜在水稻矢量对象，各个潜在水稻矢量对象组成潜在水稻对象图层。
24.步骤4、分别对潜在水稻矢量对象的时序vh对象尺度数据和时序vh/vv对象尺度数据开展k-means无监督聚类，获得vh聚类簇和vh/vv聚类簇，基于单双季水稻微波物候特征，提取单季水稻vh候选簇、单季水稻vh/vv候选簇、双季水稻vh候选簇和双季水稻vh/vv候选簇，具体步骤为：步骤4.1，在潜在水稻对象图层上随机选择20000个潜在水稻矢量对象，并提取随机选择的潜在水稻矢量对象的时序vh对象尺度数据和时序vh/vv对象尺度数据；步骤4.2，预设k-means无监督聚类算法的聚类簇数（k），基于预设的聚类簇数，分别对潜在水稻矢量对象的时序vh对象尺度数据和时序vh/vv对象尺度数据开展k-means无监督聚类，得到不同预设的聚类簇数下的vh聚类簇和vh/vv聚类簇，根据不同聚类簇数的vh聚类簇和vh/vv聚类簇，计算不同聚类簇数下的vh聚类簇对应的偏差解释比例（percentage of variance explain，pve）和vh/vv聚类簇对应的偏差解释比例。偏差解释比例越大，说明聚类结果越能代表原始数据的分布，但是偏差解释比例会随着聚类簇数的增加而逐渐饱和，因此需要平衡聚类簇数和偏差解释比例之间的大小，以获得较优的聚类结果。优选的，从小到大遍历各个聚类簇数，若当前遍历的聚类簇数对应的vh聚类簇的偏差解释比例与上次遍历的聚类簇数对应的vh聚类簇的偏差解释比例的差值小于设定阈值，则将当前遍历的聚类簇数作为vh聚类簇对应的最优聚类簇数；若当前遍历的聚类簇数对应的vh/vv聚类簇的偏差解释比例与上次遍历的聚类簇数对应的vh/vv聚类簇的偏差解释比例的差值小于设定阈值，则将当前遍历的聚类簇数作为vh/vv聚类簇对应的最优聚类簇数，基于vh聚类簇和vh/vv聚类簇对应的最优聚类簇数，分别对时序vh对象尺度数据和时序vh/vv对象尺度数据开展k-means无监督聚类，本实施例中，潜在水稻矢量对象的时序vh对象尺度数据和时序vh/vv对象尺度数据的聚类簇数分别确定为42和67，得到vh聚类簇和vh/vv聚类簇。
25.步骤4.3，基于单季水稻的微波物候特征，即：“淹水波谷”和“生长波峰”交替出现1次，如图2中的（a）和（c）所示；和双季水稻的微波物候特征，即：“淹水波谷”和“生长波峰”交替出现2次，如图2中的（b）和（d）所示，对vh聚类簇和vh/vv聚类簇进行解译，将vh聚类簇和vh/vv聚类簇中满足单季水稻微波物候规律的簇，定义为单季水稻vh候选簇和单季水稻vh/vv候选簇；将vh聚类簇和vh/vv聚类簇中满足双季水稻微波物候规律的簇，定义为双季水稻vh候选簇和双季水稻vh/vv候选簇，具体的：基于单双季水稻微波物候特征，提取单季水稻vh候选簇、单季水稻vh/vv候选簇、双季水稻vh候选簇和双季水稻vh/vv候选簇包括以下步骤：识别vh聚类簇的时序vh对象尺度数据的波峰和波谷，若波谷和波峰交替出现1次，则为单季水稻vh候选簇（图2中的（c）所示）；若波谷和波峰交替出现2次，则为双季水稻vh候选簇（图2中的（d）所示）；识别vh/vv聚类簇的时序vh/vv对象尺度数据的波峰和波谷，若波谷和波峰交替出现1次，则为单季水稻vh/vv候选簇（图2中的（a）所示）；若波谷和波峰交替出现2次，则为双季水稻vh/vv候选簇（图2中的（b）所示）。
26.本实施例中，在42个vh聚类簇中，20个vh聚类簇（包含10979个潜在水稻矢量对象的时序vh对象尺度数据）被解译为单季水稻vh候选簇，6个vh簇（包含4503个潜在水稻矢量
对象的时序vh对象尺度数据）被解译为双季水稻vh候选簇；在67个vh/vv聚类簇中，31个vh/vv聚类簇（包含10006个潜在水稻矢量对象的时序vh/vv对象尺度数据）被解译为单季水稻vh/vv候选簇，19个vh/vv簇（包含5936个潜在水稻矢量对象的时序vh/vv对象尺度数据）被解译为双季水稻vh/vv候选簇。
27.步骤5、设计两步提纯策略，得到最终的单双季水稻样本，详细操作步骤为：步骤5.1，保留同时存在于单季水稻vh候选簇和单季水稻vh/vv候选簇中的潜在水稻矢量对象，将属于相同单季水稻vh候选簇和单季水稻vh/vv候选簇的潜在水稻矢量对象对应的时序vh对象尺度数据和时序vh/vv对象尺度数据分别进行组合，得到单季水稻vh候选子簇和单季水稻vh/vv候选子簇；保留同时存在于双季水稻vh候选簇和双季水稻vh/vv候选簇中的潜在水稻矢量对象，将同时属于相同双季水稻vh候选簇和双季水稻vh/vv候选簇的潜在水稻矢量对象对应的时序vh对象尺度数据和时序vh/vv对象尺度数据分别进行组合，得到双季水稻vh候选子簇和双季水稻vh/vv候选子簇。
28.步骤5.2，对于单季水稻vh候选子簇和双季水稻vh候选子簇，保留包含的潜在水稻矢量对象个数大于2的单季水稻vh候选子簇和双季水稻vh候选子簇，计算每个vh候选子簇（vh候选子簇为单季水稻vh候选子簇或双季水稻vh候选子簇）中所有潜在水稻矢量对象的时序vh对象尺度数据在时序时间点的最大时序vh数值和最小时序vh数值，并计算时序时间点对应的最大vh阈值=最大时序vh数值-0.1
×
（最大时序vh数值-最小时序vh数值），计算时序时间点对应的最小vh阈值=最小时序vh数值 0.1
×
（最大时序vh数值-最小时序vh数值），遍历各个时序时间点，如果vh候选子簇中某个潜在水稻矢量对象的时序vh对象尺度数据在时序时间点的时序vh数值高于最大vh阈值或低于最小vh阈值，将潜在水稻矢量对象从单季水稻vh候选子簇、双季水稻vh候选子簇、单季水稻vh/vv候选子簇、双季水稻vh/vv候选子簇中均剔除。
29.对于单季水稻vh/vv候选子簇和双季水稻vh/vv候选子簇，保留包含的潜在水稻矢量对象个数大于2的单季水稻vh/vv候选子簇和双季水稻vh/vv候选子簇，计算每个vh/vv候选子簇（vh/vv候选子簇为单季水稻vh/vv候选子簇或双季水稻vh/vv候选子簇）中所有潜在水稻矢量对象的时序vh/vv对象尺度数据在时序时间点的最大时序vh/vv数值和最小时序vh/vv数值，并计算时序时间点对应的最大vh/vv阈值=最大时序vh数值-0.1
×
（最大时序vh数值-最小时序vh数值），计算时序时间点对应的最小vh/vv阈值=最小时序vh数值 0.1
×
（最大时序vh数值-最小时序vh数值），遍历各个时序时间点，如果vh候选子簇中某个潜在水稻矢量对象的时序vh/vv对象尺度数据在时序时间点的时序vh/vv数值高于最大vh/vv阈值或低于最小vh/vv阈值，将潜在水稻矢量对象从单季水稻vh候选子簇、双季水稻vh候选子簇、单季水稻vh/vv候选子簇、双季水稻vh/vv候选子簇中均剔除。
30.单季水稻vh候选子簇和单季水稻vh/vv候选子簇中的潜在水稻矢量对象作为单季水稻样本；双季水稻vh候选子簇和双季水稻vh/vv候选子簇中的潜在水稻矢量对象作为双季水稻样本。
31.经过两步策略处理后，最终保留935个潜在水稻矢量对象作为自动生成的单季水稻样本和872个潜在水稻矢量对象作为自动生成的双季水稻样本。
32.步骤六、评估自动生成的单双季水稻样本的可靠性，详细操作步骤为：计算实地采集的单季水稻样本两两时序vh对象尺度数据之间的scs和dtw距离
（scs
单季水稻实地样本vh
，dtw
单季水稻实地样本vh
），计算实地采集的单季水稻样本两两时序vh/vv对象尺度数据之间的scs和dtw距离（scs
单季水稻实地样本vh/vv
，dtw
单季水稻实地样本vh/vv
），计算实地采集的双季水稻样本两两时序vh对象尺度数据之间的scs和dtw距离（scs
双季水稻实地样本vh
，dtw
双季水稻实地样本vh
），计算实地采集的双季水稻样本两两时序vh/vv对象尺度数据之间的scs和dtw距离（scs
双季水稻实地样本vh/vv
，dtw
双季水稻实地样本vh/vv
），上述8组数据结果作为评估自动生成的单双季水稻样本可靠性的参考标准。计算实地采集的单季水稻样本和自动生成的单季水稻样本两两时序vh对象尺度数据之间的scs和dtw距离（scs
单季水稻实地-自动生成样本vh
，dtw
单季水稻实地-自动生成样本vh
），计算实地采集的单季水稻样本和自动生成的单季水稻样本两两时序vh/vv对象尺度数据之间的scs和dtw距离（scs
单季水稻实地-自动生成样本vh/vv
，dtw
单季水稻实地-自动生成样本vh/vv
），计算实地采集的双季水稻样本和自动生成的双季水稻样本两两时序vh对象尺度数据之间的scs和dtw距离（scs
双季水稻实地-自动生成样本vh
，dtw
双季水稻实地-自动生成样本vh
），计算实地采集的双季水稻样本和自动生成的双季水稻样本两两时序vh/vv对象尺度数据之间的scs和dtw距离（scs
双季水稻实地-自动生成样本vh/vv
，dtw
双季水稻实地-自动生成样本vh/vv
）。
33.scs
单季水稻实地样本vh
和scs
单季水稻实地-自动生成样本vh
的数值分布的中值以及上下四分位数数值非常近似，分别为0.58、0.78、0.24和0.59、0.80、0.25；dtw
单季水稻实地样本vh
和dtw
单季水稻实地-自动生成样本vh
的数值分布的中值以及上下四分位数数值非常近似，分别为14.88、20.96、10.82和15.08、21.21、11.01；scs
单季水稻实地样本vh/vv
和scs
单季水稻实地-自动生成样本vh/vv
的数值分布的中值以及上下四分位数数值非常近似，分别为0.69、0.82、0.49和0.71、0.84、0.52；dtw
单季水稻实地样本vh/vv
和dtw
单季水稻实地-自动生成样本vh/vv
的数值分布的中值以及上下四分位数数值非常近似，分别为11.46、14.86、8.83和11.36、14.59、8.78；scs
双季水稻实地样本vh
和scs
双季水稻实地-自动生成样本vh
的数值分布的中值以及上下四分位数数值非常近似，分别为0.85、0.91、0.75和0.88、0.93、0.80；dtw
双季水稻实地样本vh
和dtw
双季水稻实地-自动生成样本vh
的数值分布的中值以及上下四分位数数值非常近似，分别为13.11、17.59、10.16和13.12、17.58、10.07；scs
双季水稻实地样本vh/vv
和scs
双季水稻实地-自动生成样本vh/vv
的数值分布的中值以及上下四分位数数值非常近似，分别为0.86、0.91、0.77和0.88、0.92、0.82；dtw
双季水稻实地样本vh/vv
和dtw
双季水稻实地-自动生成样本vh/vv
的数值分布的中值以及上下四分位数值非常近似，分别为11.70、15.07、9.22和11.63、14.71、9.25；说明自动生成的样本与实地采集样本的一致性较高，表示使用本发明方法自动生成的单双季水稻样本可靠性较高。
34.需要指出的是，本发明中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。