[发明专利]一种基于光学-SAR协同响应的作物分类方法

说明书

本发明公开一种基于光学‑SAR协同响应的作物分类方法，包括：步骤一、多时相SAR数据获取；步骤二、遥感影像收集；步骤三、地块生成：基于CNN网络构建地块；步骤四、同步响应机制网络建立：基于transformer网络学习SAR‑光学数据响应机制；步骤五、特征计算：计算作物地块尺度的光学时间序列特征；步骤六、作物分类网络搭建：搭建基于RNNs理念的作物分类网络；步骤七、样本制作及作物分类模型训练：建立具有类别属性的样本，对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；本发明实现了多云多雨区域大面积作物的快速准确分类，减少了人工调查和解译的工作量。

技术领域

本申请涉及遥感信息提取与分析领域，具体涉及一种基于光学-SAR协同响应的作物分类方法。

背景技术

农业是人类生存的基础，对农业种植情况以及农作物的生长状态的实时监控是农业发展的关键。而遥感技术是进行大范围农作物监测的唯一技术手段，并且在遥感数据支撑下获取的农作物信息具有准确、及时、客观的特点。在光照条件较好的地区，通过高空间分辨率(影像为米级或者亚米级)的单时相光学遥感数据或者多时相的中空间分辨率遥感数据就可以对农作物进行较好的分类。

然而，地球表面60％的面积被云雨覆盖，例如，中国南方贵州等省份的光学影像获取困难，其云量小于20％的光学影像的数据量不到10％，因此该类地区难以获取能够覆盖整个作物生长周期的光学序列数据。而雷达数据(SAR)可以通过发射信号实现数据的主动获取，具有抗云雨干扰强，不受光照条件限制的优点，是实现多云多雨地区农作物分类的唯一数据源。但是由于成像机制等原因，使用单一SAR数据进行作物分类的精度存在瓶颈，难以满足应用要求。因此，如何协同光学与SAR数据，建立光学与SAR的响应关系改进多云多雨地区作物的分类模型是提高多云多雨地区作物分类效果的关键，但目前这方面的研究和技术仍较为缺乏。

发明内容

本发明的目的是提供一种基于光学-SAR协同响应的作物分类方法，以解决上述现有技术存在的问题，实现了多云多雨地区大面积作物快速准确地分类。

为实现上述目的，本发明提供了如下方案：一种基于光学-SAR协同响应的作物分类方法，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；