[发明专利]一种农作物季节早期多源遥感产量数据处理方法及预测方法

权利要求书

1.一种农作物季节早期多源遥感产量数据处理方法，其特征在于，包括以下步骤：

对多光谱图像、激光雷达数据进行预处理，得到对应目标区域的多个多光谱特征图、激光雷达特征图；

将所有的多光谱特征图、激光雷达特征图合并成一个原数据矩阵，对原数据矩阵进行双变量参数的非负矩阵分解，得到新特征权重矩阵；

从新特征权重矩阵提取构成每个新特征所占比重最大的原始特征序号，从原数据矩阵中筛选得到新数据矩阵，由此完成数据处理。

2.根据权利要求1所述的农作物季节早期多源遥感产量数据处理方法，其特征在于：对多光谱图像进行预处理，得到多光谱特征图，具体步骤如下：

对多光谱图像的多个通道图，利用能反映农作物生长态势的N1个不同的植被指数进行处理，得到N1个植被指数图；

以最终产量收成时生物量采样区的大小为标准，对N1个植被指数图同步进行网格划分；

然后在每幅植被指数图的每个网格单位内提取N2个不同的衍生物形成N1×N2个个多光谱特征图，其中N1、N2均为正整数。

3.根据权利要求2所述的农作物季节早期多源遥感产量数据处理方法，其特征在于：所述的植被指数共N1＝10项，分别为归一化植被指数、归一化差异红色边缘指数、绿光归一化差值植被指数、增强型植被指数、改性花青素含量指数、优化土壤调节植被指数、简化冠层叶绿素含量指数、转化叶绿素吸收和反射率指数、三角绿色指数、可见大气阻力指数。

4.根据权利要求2所述的农作物季节早期多源遥感产量数据处理方法，其特征在于：所述的衍生物共N2＝7项，分别为包括最大值、最小值、平均值、标准值、低四分位值、中位值、高四分位值。

5.根据权利要求1所述的农作物季节早期多源遥感产量数据处理方法，其特征在于：对激光雷达图像进行预处理得到激光雷达特征图，具体步骤如下：

以最终产量收成时生物量采样区的大小为标准，在各个区域单位内提取所需植被数据，生成多个激光雷达特征图。

6.根据权利要求5所述的农作物季节早期多源遥感产量数据处理方法，其特征在于：所述的植被数据包括最大高度、平均高度、平均平方高度、高度标准差、高度偏态、高度峰度、第5至95位高度百分位、第5至95位从地面到高度百分位数的分数、4个高度点数的占比。

7.根据权利要求1所述的农作物季节早期多源遥感产量数据处理方法，其特征在于：将多光谱特征图和激光雷达特征图按同样的位置顺序各自设置成行向量X^1,n，n表示特征图中的样本数；

然后将多光谱特征图和激光雷达特征图共计m个特征图转化的行向量进行合并，得到集合多光谱特征图和激光雷达特征图的原数据矩阵X^m,n。

8.根据权利要求7所述的农作物季节早期多源遥感产量数据处理方法，其特征在于：对原数据矩阵进行双变量参数的非负矩阵分解，得到新特征权重矩阵，具体如下：

根据原数据矩阵X^m,n的维度大小和设置的新特征个数初始化构造双变量参数矩阵Q^k,m和P^m,k，其中，m是特征图的数量，n是特征图中的样本数，k是新特征个数；

为了使原数据矩阵X^m,n≈P^m,kQ^k,mX^m,n，将求解Q^k,m和P^m,k问题转化为非线性优化问题：

采用交替最小二乘方法，先随机初始化参数p，利用p和式(1)计算得到参数q，再利用参数q和式(1)求解参数p，不断重复这个过程直至收敛于局部最小值；

通过不断交替优化P^m,k和Q^k,m，得到最佳的新特征矩阵Q^k,mX^m,n，和新特征权重矩阵Q^k,m。