[发明专利]一种基于光学-SAR协同响应的作物分类方法

权利要求书

1.一种基于光学-SAR协同响应的作物分类方法，其特征在于，包括如下步骤：

步骤一、多时相SAR数据获取：设定区域A作为训练区域，区域B作为待进行作物分类的区域，分别获取区域A和区域B覆盖作物生长周期的SAR数据，并对所获取的区域A和区域B的SAR数据进行预处理；

步骤二、光学遥感影像收集：分别收集区域A和区域B的高空间分辨率的光学遥感影像，并基于地理坐标拼接为完整覆盖区域A和区域B的高空间分辨率的光学遥感影像；同时，获取区域A中空间分辨率的光学遥感影像，所述中空间分辨率的光学遥感影像在时间上具备连续性；

步骤三、地块生成：基于地块的视觉特征，对步骤二获取的区域A和区域B的高空间分辨率的光学遥感影像进行裁剪，得到样本图像；然后从样本图像中对目标对象进行手工勾绘并转换成二值栅格图，作为样本的标签；将建立的样本集输入CNN网络，通过训练得到用于获取地块形态的深度学习模型，通过深度学习模型提取地块概率图，并依据地块概率图分别构建区域A和区域B的地块；

步骤四、同步响应机制网络建立：基于transformer网络学习SAR-光学数据同步响应机制，从步骤一所获取的区域A的SAR数据和步骤二获取的区域A的中空间分辨率的光学遥感影像中，选取纯净像元作为样本，输入transformer网络，通过训练得到用于获取SAR-光学数据同步响应机制的深度学习模型；通过深度学习模型将区域B的SAR时间序列数据转换为作物的光学时间序列特征，具体为：

(x,y)＝f(x’,y’)

其中，(x,y)为光学时间序列特征，f为用于获取SAR-光学数据同步响应机制的深度学习模型，(x’,y’)为SAR时间序列特征；

步骤五、特征计算：基于区域A的地块，对区域A的中空间分辨率的遥感影像和SAR数据进行计算，构建区域A作物地块尺度的时间序列特征；

基于区域B的地块，对步骤四获取的区域B中每维光学时间序列特征进行计算，构建区域B作物地块尺度的时间序列特征；

步骤六、作物分类网络搭建：基于RNNs的理念，建立包括若干个LSTM长短时间记忆序列单元和1个softMAX层的作物分类网络；

步骤七、样本制作及作物分类模型训练：基于步骤三构建的区域A的地块，进行实地采样，收集地块的作物类别信息；并在区域A的地块以及实地采样的基础上，对区域A的高空间分辨率或中空间分辨率的光学遥感影像进行目视解译，增加样本数量，建立具有类别属性的样本；样本的内容还包括步骤五构建的区域A作物地块尺度的时间序列特征；对步骤六所搭建的作物分类网络进行训练，得到作物分类模型；

步骤八、作物分类：依据步骤五构建的区域B作物地块尺度的时间序列特征和经过步骤七训练得到的作物分类模型对区域B进行作物的分类，获得区域B的作物类别。

2.根据权利要求1所述的基于光学-SAR协同响应的作物分类方法，其特征在于，步骤一中SAR数据预处理包括数据输入、多视处理、数据匹配、数据滤波、地理编码与辐射校正，所有预处理均基于多时相。

3.根据权利要求1所述的基于光学-SAR协同响应的作物分类方法，其特征在于，步骤二中A和区域B的高空间分辨率的光学遥感影像由多个时相的碎片化数据镶嵌而成。

4.根据权利要求1所述的基于光学-SAR协同响应的作物分类方法，其特征在于，步骤三中用于获取地块形态的深度学习模型包括边缘直接提取和基于地块面单元构建边缘两种；边缘直接提取的深度学习模型的训练样本的标签为线状；基于地块面单元构建边缘的深度学习模型通过提取农田的纹理特征获取地块形态，其训练样本的标签为面状。

5.根据权利要求1所述的基于光学-SAR协同响应的作物分类方法，其特征在于，步骤三中用于地块形态提取的网络模型为U-net或RCF。

6.根据权利要求1所述的基于光学-SAR协同响应的作物分类方法，其特征在于，步骤四中从区域A的SAR数据中选取的纯净像元与从中空间分辨率的光学遥感影像中选取的纯净像元时相一致或接近。