[发明专利]多尺度农作物物候期遥感降维预测方法

说明书

本发明涉及的是多尺度农作物物候期遥感降维预测方法，它包括：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；二、对遥感数据预处理；三、对预处理后的遥感数据降维，生成可变时序长度的输入数据；四、使用长短期记忆网络建立农作物识别和预测模型，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；五、训练农作物识别和预测模型：六、测试农作物识别和预测模型：七、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。本发明能够应用于不同尺度的物候识别及预测，可以满足田块尺度、村镇县市省等各级行政级别尺度监测和预测的需求。

一、技术领域：

本发明涉及农作物生产技术领域，具体涉及的是多尺度农作物物候期遥感降维预测方法。

二、背景技术：

农业是人类赖以生存和发展的基础，大范围农情信息的获取和预测对于指导农业生产和保证粮食安全具有重要意义。作物物候是指作物受环境和人类活动等的影响而产生的以年为单位周期性的自然现象，能够反应自然界的变化规律，对于农业生产、气候变化趋势分析都具有重要意义。

农作物物候是农作物生长的重要信息，农作物物候期的识别和预测是农作物种类的识别、分类以及农作物产量估计等的重要方法，是指导农业生产、施肥灌溉等田间管理、作物长势分析、产量估计和制定计划决策等的重要依据。

传统物候识别采用人工野外观测的方法，这种方式结果比较准确，但工作量大、主观性强、观测周期长并且观测范围较小，不适合大范围物候期的识别和预测。

遥感技术因其覆盖范围广、回访周期短以及成本低等优点，近年来成为了物候期识别和监测的重要手段。目前遥感物候监测的方法大概分为四类：阈值法、函数拟合法、植被指数变化法和模型法。这些方法多是利用植被指数(NDVI、EVI等)建立时序植被指数曲线，通过分析植被曲线的变化来确定物候信息，或是用函数来拟合植被曲线，根据拟合函数的特征点来确定物候期。模型法是首先建立作物生长模型，通过将已标定物候信息的植被指数曲线和待标定的植被物候曲线拟合，来确定待标定植被的物候期。这些方法中存在物候信息提取不准确、易受植被曲线噪声影响、由于年际间和地域间作物环境改变而带来的不适应性等各自的局限和缺点。

近几年，深度学习在图像处理等领域显示出了强大的功能，深度学习模型由高度复杂的层次结构组成，能够从大量的原始数据中自动提取特征，强大的学习能力使其在解决复杂问题时表现出优势，适合处理分类和预测方面的问题。在农作物识别领域，有学者在田间建立观测点，通过数字相机等方式获取作物冠层图片，使用深度学习算法来建立作物物候识别模型，取得较好的效果。但这种方式适合定点和小范围的物候识别。如中国专利申请202110888719.3《一种基于改进卷积神经网络的小麦生育进程监测方法》基于定点拍摄，不适合大范围识别和预测。

有研究使用深度学习算法，根据多年气象数据预测农作物的物候期。如中国专利申请202011432779.6《基于深度学习的植物关键物候期时间点预测方法及系统》基于气象数据建立预测模型，没有考虑人为因素，品种、播种时间等。而农作物具体物候期的形成机理较为复杂，很难将所有要素考虑完全。

目前，使用遥感数据进行表征学习以期获得某个识别或预测结果的情况，比如物候期预测，作物产量预测等应用中，模型的训练和使用必须是基于同一个尺度的，例如有研究基于田块尺度训练的模型只能用于田块尺度的预测，基于县级尺度训练的模型只能用于县级尺度的预测。

三、发明内容：

本发明的目的是提供多尺度农作物物候期遥感降维预测方法，这种多尺度农作物物候期遥感降维预测方法用于实现不同尺度区域的农作物物候更精准的识别与预测，使物候识别和预测用到不同地域范围。

本发明解决其技术问题所采用的技术方案是：这种多尺度农作物物候期遥感降维预测方法包括如下步骤：

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；