一种融合点-地块-区域尺度数据的农情参数反演方法技术

本发明专利技术公开了一种融合点

【技术实现步骤摘要】
一种融合点
‑
地块
‑
区域尺度数据的农情参数反演方法


[0001]本专利技术涉及大范围作物农情参数精细监测
，具体涉及一种融合点
‑
地块
‑
区域尺度数据的农情参数反演方法。

技术介绍

[0002]利用遥感数据获取长时间序列农情指数是作物长势监测和产量估测的重要数据来源。农情信息参数是监测农作物生长态势的十分重要的反映作物长势的结构参数。以叶面积指数(Leaf area index,LAI)为例，因其面积的变化影响作物受光以及农田的小气候，是评判植物群落光合作用能力的重要标志之一。此外，归一化植被指数(normalized difference vegetation index，NDVI)等也是反映作物生长状况的良好指标。
[0003]测量农情参数的方法主要有两种，实地采样的直接测量法，以及利用测量仪器和遥感技术等不破坏植被的方法进行的间接测量法。在遥感数据中，往往采用多光谱数据和高光谱数据提取农情参数、研究其时空分布。遥感影像可以大面积同步观测，节省成本的同时排除人为干扰，数据具有综合性和可比性，但易受环境因素、仪器设备本身误差以及植被本身光化学过程变化等多种因素的影响。如何提高农情参数监测精度已成为研究热点和难点。
[0004]不同尺度的遥感影像分辨率不同，蕴含的信息量不同，获取数据的精度也有差异。低分辨率影像往往具有较为严重的混合像元的问题，高分辨率影像不易获取且往往时间分辨率较低，为改善较低分辨率影像给信息提取带来的问题与影响，往往采用数据融合技术得到较高时空分辨率的遥感影像，以达到获取更多信息数据的目的。传统的数据融合的方法一般是直接将图像整体进行放大或者缩小，实际效果不是很明显。随着机器学习等人工智能算法的发展，影像融合方法更加丰富且能增强更多细节信息。
[0005]通过影像数据重建能有效提升遥感影像获取数据的精度，但是由于遥感卫星种类多样，且携带的各类传感器影像成像原理不同和技术条件有限制，任何单一影像源都无法全面反映目标对象的特征。以田块较小尺度为例，为实现田间尺度的作物长势监测与估计通常需要更加精细的数据，但是单一遥感影像往往难以满足实际情况的精细要求。目前同时具备高时空分辨率的卫星较少且数据获取成本较高，为了使应用更加便利，时空数据融合技术为连续时间序列田块尺度作物长势监测提供了一种解决方案。即利用一个数学模型把同个区域不同传感器的多幅遥感影像综合成一幅满足特定应用需求的图像，结合不同遥感传感器的优点，从而提高影像的时空分辨率，实现对目标更精确、更可靠的估计和判断。
[0006]专利文献CN115170916A，公开日2022.10.11，公开了图像重建领域的一种多尺度特征融合的图像重建方法及系统。利用原图像产生的测量向量构建初始重建图像并用多个残差模块进行特征提取，获得残差特征集合；将提取到的特征输入多种尺度卷积核的密集模块提取密集特征，重复迭代获得全局残差特征融合，计算全局融合特征后的残差与初始重建图像相加得到最终重建图像，该专利技术提升了重建质量并且减少计算量。
[0007]专利文献CN1677085A，公开日2005.10.05，公开了一种对地观测技术的农业应用
集成系统及其方法。该专利技术利用先进的对地观测技术，对农业进行精准的现代化管理。首先获取高光谱数据并对所获得的高光谱数据进行数据预处理；对所述高光谱数据进行数据波段选择；对经波段选择后的高光谱数据进行特征提取，获取农情参数；利用所获取的农情参数，输出所述高光谱数据中的相关农业信息。
[0008]然而，现在的研究存在一些问题：
[0009]高时空分辨率遥感影像较难获取且获取成本高，较易获取的影像时空分辨率较低，地物轮廓信息模糊，信息识别效果较差，数据精度难以满足实际生产需要，对于利用较易获取的遥感影像反演出较精细的影像的方法有待探索；
[0010]数据融合算法存在模型训练不稳定、参数量多、模型收敛速度慢等缺点，重建的效果难以满足精度要求，其过程数据分析计算量大；
[0011]不同尺度数据分辨率、信息量不同，对较小尺度的研究区未有效结合多尺度数据实现遥感数据在田间的应用，提高遥感影像的利用率。

技术实现思路

[0012]本专利技术针对现有技术中的缺陷，提供一种融合点
‑
地块
‑
区域尺度数据的农情参数反演方法，为解决上述技术问题，本专利技术提供以下技术方案：
[0013]一种融合点
‑
地块
‑
区域尺度数据的农情参数反演方法，包括：
[0014]两种不同时空分辨率的遥感影像与反映作物农情的点数据采集和数据预处理工作；
[0015]提取较高空间分辨率遥感影像的纹理特征，并叠加其上；
[0016]将各影像集影像进行策略性影像分割，制作用于影像融合的训练集、验证集、测试集；
[0017]构建不同空间分辨率遥感影像的融合模型，使用迁移学习策略进行模型的分步训练与微调，获取模型最终权重，建立训练完成的影像融合模型；
[0018]构建点面融合模型，使用生成的高分辨率影像与农情信息点数据训练模型，建立训练完成的点面融合模型；
[0019]对反演的农情信息进行多尺度效果评估。
[0020]可选的，所述两种不同时空分辨率的遥感影像与反映作物农情的点数据采集和数据预处理工作，包括：
[0021]采集空间位置信息相对应的不同分辨率的遥感影像；
[0022]多尺度遥感数据集的预处理：几何校正、大气校正、辐射定标、正射校正以及空间配准等；
[0023]将较低空间分辨率影像重采样至与较高空间分辨率影像一致。
[0024]可选的，所述提取较高空间分辨率遥感影像的纹理特征，并叠加其上包括：
[0025]使用灰度共生矩阵法提取较高空间分辨率影像的纹理特征并将其叠加到影像中，加深影像的轮廓信息；
[0026]通过计算灰度图像得到它的共生矩阵，然后计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征，常用的纹理特征统计属性有：均值(Mean)、标准差(Std)、同质性/逆差距(Homogeneity)、对比度(Contrast)、非相似性(Dissimilarity)、熵
(Entropy)，角二阶矩/能量(Angular Second Moment)、最大概率(Maximum probability)等，对比各统计属性的提取效果，选择最佳统计属性进行较高空间分辨率影像的纹理特征提取。
[0027]可选的，所述将各影像集影像进行策略性影像分割，制作用于影像融合的训练集、验证集、测试集，包括：
[0028]将重采样后的较低分辨率影像集、叠加纹理特征后的较高分辨率影像集与原始较高分辨率影像集分别裁剪至256*256的大小，裁剪时需在影像的四个边缘设置一定的重复率，其中上边与左边重复率为10％，下边与右边重复率为5％，裁剪后，将较低空间分辨率影像以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合点
‑
地块
‑
区域尺度数据的农情参数反演方法，其特征在于，包括：两种不同时空分辨率的遥感影像与反映作物农情的点数据采集和数据预处理工作；提取较高空间分辨率遥感影像的纹理特征，并叠加其上；将各影像集影像进行策略性影像分割，制作用于影像融合的训练集、验证集、测试集；构建不同空间分辨率遥感影像的融合模型，使用迁移学习策略进行模型的分步训练与微调，获取模型最终权重，建立训练完成的影像融合模型；构建点面融合模型，使用生成的高分辨率影像与农情信息点数据训练模型，建立训练完成的点面融合模型；对反演的农情信息进行多尺度效果评估。2.根据权利要求1所述的方法，其特征在于，所述两种不同时空分辨率的遥感影像与反映作物农情的点数据采集和数据预处理工作，包括：采集空间位置信息相对应的不同分辨率的遥感影像；多尺度遥感数据集的预处理：几何校正、大气校正、辐射定标、正射校正以及空间配准等；将较低空间分辨率影像重采样至与较高空间分辨率影像一致。3.根据权利要求1所述的方法，其特征在于，所述提取较高空间分辨率遥感影像的纹理特征，并叠加其上包括：使用灰度共生矩阵法提取较高空间分辨率影像的纹理特征并将其叠加到影像中，加深影像的轮廓信息；通过计算灰度图像得到它的共生矩阵，然后计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征，常用的纹理特征统计属性有：均值(Mean)、标准差(Std)、同质性/逆差距(Homogeneity)、对比度(Contrast)、非相似性(Dissimilarity)、熵(Entropy)，角二阶矩/能量(Angular Second Moment)、最大概率(Maximum probability)等，对比各统计属性的提取效果，选择最佳统计属性进行较高空间分辨率影像的纹理特征提取。4.根据权利要求1所述的方法，其特征在于，所述将各影像集影像进行策略性影像分割，制作用于影像融合的训练集、验证集、测试集，包括：将重采样后的较低分辨率影像集、叠加纹理特征后的较高分辨率影像集与原始较高分辨率影像集分别裁剪至256*256的大小，裁剪时需在影像的四个边缘设置一定的重复率，其中上边与左边重复率为10％，下边与右边重复率为5％，裁剪后，将较低空间分辨率影像以4*4，即每16个像元取均值进行升尺度处理，从256*256的行列数转换为64*64的行列数，最后按7:3:1划分训练集、验证集、测试集。5.根据权利要求...

【专利技术属性】
技术研发人员：刘哲，姚宇，陈一鸣，王恒斌，邢子瑶，刘筠羿，张晓东，赵圆圆，李绍明，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：