[发明专利]一种作物面积与物候指标提取方法

权利要求书

1.一种作物面积与物候指标提取方法，其特征在于，包括以下步骤：

S1、对SAR影像进行预处理，得到作物在VV/VH极化方式下的后向散射系数；其中，预处理包括轨道校正、热噪声去除、辐射定标、相干斑滤波、地形校正、分贝化处理；

S2、根据作物在VV/VH极化方式下的后向散射系数构建特征向量，将特征向量和时间序列SAR影像引入基于时间序列的全卷积神经网络模型中，通过全卷积神经网络模型内部训练得到作物的分类结果，即作物种植情况；最后将分类结果导入绘图软件中添加图名图例即可得到作物种植面积图；

S3、根据该作物所在地区作物生育周期情况，并结合SAR影像中的VV和VH比值的方法提取作物的物候指标；

步骤S2包括：

S21、将整个SAR影像中每个像素的时序向量作为输入层输入到全卷积神经网络模型中，然后对输入的时序向量进行卷积，提取SAR影像中所有像素的时序特征；

S22、将卷积层中提取到的时序特征输入到池化层中，并对其进行池化处理；

S23、将所构建的频谱FCN中将前三个层合并成一个合并层，然后逐点相加，再合并第四个卷积层，再对其进行卷积和分类；

S24、在全卷积神经网络分类模型中进行最后分类时，在高光谱图像分类中输入的训练样本数目稀疏时，引入掩膜矩阵，对图像像素过滤；其中训练样本数目稀疏表示为：每个类别的训练样本数为遥感数据波段数的10倍以下。

2.根据权利要求1所述的一种作物面积与物候指标提取方法，其特征在于，步骤S21对输入的时序向量进行卷积，卷积后的图像尺寸采用的计算公式为：

上式中W为图像长度，H为图像宽度，F为卷积核尺寸，S为步幅，P为输入的每一条边补充0的层数；

卷积层的每个信道表示为：

式中Cⁱ是卷积特征映射的第i个信道；wⁱ是第i个卷积核,X^j是前一层的第j个信道；bⁱ是第i个特征映射的偏置项。

3.根据权利要求1所述的一种作物面积与物候指标提取方法，其特征在于，步骤S22中对提取出的像素的时序特征进行池化处理采用的公式为：

式中W为图像长度，H为图像宽度，F为卷积核尺寸，S为步幅。

4.根据权利要求1所述的一种作物面积与物候指标提取方法，其特征在于，步骤S23中对池化后的数据再进行卷积操作采用的公式为：

上式中,是第四个卷积层的第i个信道，式中是第k个卷积层的第j个信道；代表第四个卷积层的第i个信道对应的权重；代表第四个卷积层的第i个特征映射的偏置项。

5.根据权利要求1所述的一种作物面积与物候指标提取方法，其特征在于，步骤S24中，引入掩膜矩阵，对图像像素过滤采用以下公式：

式中，M(u，v)表示训练集，y(u，v)表示图像(u，v)处像素的真实值，表示图像(u，v)处像素的预测值，r和c分别是图像的行数和列数。

6.根据权利要求1所述的一种作物面积与物候指标提取方法，其特征在于，步骤S3包括：

S31、利用VV/VH极化方式的后向散射系数图像重构时间序列，并对后向散射时间序列进行S-G滤波；

S32、根据平滑后向散射时间序列来推导作物的物候指标；包括从地面物候观测中获取的先验知识，建立物候期与时间序列特定时间段的对应关系：根据平滑后向散射系数图及其斜率的时间序列变化，利用作物VH极化与VV极化之间的差异、作物VH和VV图像分贝值的比值处的时间序列斜率结合作物生育周期来分析物候特征。

7.根据权利要求6所述的一种作物面积与物候指标提取方法，其特征在于，步骤S31中，对后向散射时间序列进行S-G滤波采用以下公式：

上式中，为S-G滤波值，X为滤波窗口内所有数据点的集合，Y为对X进行K-1次拟合后的滤波值，X^T是指矩阵X的转置。