[发明专利]多尺度农作物物候期遥感降维预测方法

权利要求书

1.一种多尺度农作 物物候期遥感降维预测方法，其特征在于包括如下步骤：步骤一、获得某种农作物多个种植区域多年遥感数据和物候数据；

步骤二、对遥感数据预处理，预处理包括去云、辐射校正、重采样、投影转换、波段提取；

步骤三、对步骤二预处理后的遥感数据降维，生成可变时序长度的输入数据，每个输入数据为11维遥感向量，得到样本数据：所述遥感数据包含二维地理坐标以及多个波段空间数据的三维数据类型；所述的遥感数据降维的方法：采用均值降维的方式，将研究区域所有像素点的取值进行均值化处理，将二维坐标空间的数据用一个均值来表示，使用均值来代表研究区域的整体水平，从而确定物候的变化；

使用均值降维的方式将三维数据降至二维数据：

其中，ｐ为研究区域在某个波段的平均取值，ｉ，ｊ为研究区域内某农作物掩膜下的像素点位置的横纵坐标，为该像素点的某个波段取值，ｎ为研究区域内某农作物掩膜覆盖下的像素点个数；

将每一个波段的数据分别进行归一化处理，使结果值映射到[0-1]之间，计算的公式为：

其中，为归一化后的结果，ｍａｘ为该波段取值的最大值，ｍｉｎ为该波段取值的最小值；

使用向量法将二维数据降至一维，用11维向量来分别表示包含11个波段的二维数据，向量ｐ₁，向量ｐ_２，向量ｐ_３．．．．．．向量ｐ₁₁，作为一维数据输入网络模型；

步骤四、使用长短期记忆网络建立农作物识别和预测模型，充分考虑物候期形成的时间顺序以及物候期农作物表型前后的依赖关系，获得从播种到收获全物候期的遥感图片，构建的农作物识别和预测模型为多输出模型，将当前物候的识别功能和下一物候阶段预测功能集成在一个模型中；所述的农作物识别和预测模型的结构： 28个序列输入，28个序列输出，隐藏层为28个相同结构的记忆单元，每个记忆单元包含一个输入和一个二维输出，前后28个记忆单元向后传递细胞状态和上一级输出两个并行的信息，这两个并行的信息作为下一级单元的输入，输出状态不仅由本级输入决定，还与前序的信息相关输入的时序变量；

每个记忆单元由三部分组成：遗忘门：决定从细胞状态保留多少原始信息；输入门：决定当前记忆单元需要更新的信息，决定多大程度的忽略掉当前输入的数据；输出门：决定多大程度的输出记忆单元中的信息；

每一个记忆单元的输出具有两个维度，物候期类型识别属于多分类问题，物候期预测属于标量回归问题；总损失值设置为两个维度损失值加权之和，loss总=w1×loss1+w2×loss2，根据它们的下降速率比值来调整它们在总损失中的权重w1和w2；分类问题损失函数loss1为Softmax函数，回归问题使用残差作为度量，loss2= y−f(x)，其中y为标定的预测值，f(x)为模型每次运行所得到的预测结果；

模型的输入：每年长度为28的时序遥感数据序列作为一个输入序列，序列中的每一个输入为包含11个波段的一维遥感向量数据(p₁，p₂，p₃．．．．．．p₁₁)；

模型的输出：模型为28输出，每一个输出都包含物候分类结果和下一物候期开始时间的回归预测结果；

步骤五、训练农作物识别和预测模型：将样本数据划分为训练集和测试集，使用训练集来训练物候期识别和预测模型；

步骤六、测试农作物识别和预测模型：对训练后的农作物识别和预测模型进行测试，当测试结果满足精度要求，则训练完成；

步骤七、农作物识别和预测模型的应用：农作物物候期识别及预测模型应用于任意生长阶段、任意大小区域的农作物物候期识别与预测。

2.根据权利要求1所述的多尺度农作 物物候期遥感降维预测方法，其特征在于：所述的步骤一中遥感数据为去掉东三省高程数据中海拔较高的地区，选择某农作物种植区60个气象站点所在田块作为研究区，获得研究区自当前年向前20年MODIS遥感数据，每年自4月1日到11月1日生长季中的28景，包含所有与生长环境、生长植被指数相关的11个波段的遥感数据，11个波段为MOD09A1产品的波段1～波段７，MYD11A2产品中的白天陆面温度、夜晚陆面温度、MOD13A1和MYD13A1中的归一化植被指数NDVI、增强植被指数EVI；物候数据是研究区自当前年向前20年历史物候数据。

3.根据权利要求2所述的多尺度农作 物物候期遥感降维预测方法，其特征在于：所述的训练农作物识别和预测模型的方法：使用训练集中的960个时序数据对农作物识别和预测模型进行训练，每一组28个输入，对应28个输出，根据总loss值更新农作物识别和预测模型全部的参数，训练农作物识别和预测模型；农作物识别和预测模型里的参数使用一组参数进行调节和训练，训练一组权重参数。