基于合成孔径雷达图像的高分辨率冬小麦产量估算方法、系统、存储介质及电子设备

本发明涉及遥感图像处理，尤其涉及一种基于合成孔径雷达图像的高分辨率冬小麦产量估算方法、系统、存储介质及电子设备。

背景技术：

1、目前，冬小麦是中国的主要农作物之一，如何及时有效地估算农作物产量以获得准确的粮食产量信息一直是农业领域关注的焦点。使用遥感图像快速，准确地估产，能够提供对产量和生产能力的了解，帮助决策者、规划者和利益相关者做出明智的决策，优化资源利用，推动经济和社会的可持续发展。因此，冬小麦的产量估算非常重要。

2、农作物产量估算的相关研究中传统方法主要利用统计手段对作物产量数据进行获取，但该类方法数据采集困难，并且人力物力浪费现象严重。遥感技术由于其监测范围较广，监测周期稳定的特点，已被普遍用于农作产量的估计。随着人工智能(ai)的发展，人工神经网络(ann)已经在几种不同的作物上进行了产量估计，例如cnn、rnn等，结果表明机器学习方法可以优于传统的回归方法。但是当前的方法没能充分利用遥感数据的时空特征，估产的准确性和精度有进一步提升的空间。而且这些应用大多只使用光学数据，然而光学图像容易受到云雨等的影响，难以获取完整的时间序列遥感影像。合成孔径雷达(synthetic aperture radar,sar)是一种微波遥感传感器，具有全天时、全天候的成像能力，即使在阴雨天也可以实现有效的对地观测，可以很好地弥补光学遥感的不足。

3、因而，如何充分提取时序sar数据特征来实现冬小麦产量预估具有重要意义。

技术实现思路

1、本发明的目的是提供一种基于合成孔径雷达图像的高分辨率冬小麦产量估算方法、系统、存储介质及电子设备，能够该方法充分利用了深度学习强大的特征提取能力结合高斯过程，搭建具有泛化性强、鲁棒性的冬小麦估产模型，解决目前估产方法上的弊端。

2、本发明采用的技术方案为：

3、一种基于合成孔径雷达图像的高分辨率冬小麦产量估算方法，包括如下步骤：

4、步骤s101、对时间序列合成孔径雷达图像进行预处理，得到不同极化方式的时间序列后向散射图像；

5、步骤s102、对不同极化方式的时间序列后向散射图像进行掩膜，去除非冬小麦像素点；

6、步骤s103、对去除了非冬小麦像素点的时间序列后向散射图按照待估产区的行政边界进行分块；

7、步骤s104、使用一种直方图降维方法来实现神经网络样本的生成，每个行政区生成一个时间序列向量样本和一个图像样本；

8、步骤s105、分别构建lstm和cnn来对时间序列向量样本和图像样本进行特征的提取；用于有效提取遥感影像的空间和时间特征，以充分利用遥感影像的时空特性；

9、步骤s106、引入高斯过程，用以对lstm和cnn提取的特征进行空间结构建模，从而进一步提高估产的准确性；

10、步骤s107、获取待估产区冬小麦地面实测数据，将其分为训练集和验证集，对模型进行训练；

11、步骤s108、选取决定系数大于0.65的网络模型进行产量的估计，式中，yi为真实数据，为预测数据，为真实数据集中的均值，n为数据总个数；得到冬小麦的产量结果图。

12、在步骤s101中，所述的预处理包括轨道校正、热噪声去除、辐射定标、deburst、多视、滤波、地形校正，通过预处理使图像每个像元代表真实的雷达后向散射系数，从而构成不同极化方式的后向散射图像。

13、在步骤s102中，具体采用国家科技基础条件平台-国家生态科学数据中心提供的冬小麦种植分布数据来提取冬小麦。

14、在步骤s103中，将后向散射图像按待估产区行政边界分块，具体采用行政区矢量图来对提取出冬小麦像素的时间序列后向散射系数图像进行分块。

15、所述步骤s104具体包括如下步骤：

16、首先，对行政区的冬小麦时间序列后向散射图进行直方图降维；

17、然后，对降维后的直方图进行归一化；归一化的公式为：

18、

19、式中hi是经过降维后生成的像素直方图，hi是经过归一化后的像素直方图向量；

20、最后，生成时间序列向量样本和图像样本，其中每个行政区生成的神经网络样本均包括一个时间序列向量样本和一个图像样本。

21、在步骤s106中，引入高斯过程模型中，

22、平均函数相对于深层特征是线性的，并且协方差核取决于空间结构，核函数如式3所示：

23、

24、其中gloc-g′loc表示训练数据和测试数据之间的距离，||·||2表示l2范数，σ和rloc为超参数，是一个附加的高斯噪声项，i是单位矩阵。

25、所述的线性高斯过程模型表达式如下：

26、y(x)＝f(x)+h(x)tβ                  (4)

27、其中f(x)～gp(0,k(x,x′))；h(x)表示从基于原始数据的深度模型中提取的特征向量；β遵循高斯先验b是将深度模型中提取的特征向量与输出层相连所获得权重向量，b＝σbi，其中σb是超参数，i是单位矩阵。

28、在步骤s107中，对网络模型进行训练，具体包括如下步骤：

29、将获取的地面实测产量数据随机按照8:2的比例进行划分，划分为训练集和验证集；

30、将所构建的训练集输入至搭建好的网络模型中进行训练，通过精度评估指标判断网络模型训练效果，调整网络模型中的参数，以获得最优的作物分类模型。

31、一种基于合成孔径雷达图像的高分辨率冬小麦产量估算系统，包括：预处理单元，配置为对sar图像进行轨道校正、热噪声去除、辐射定标、deburst、多视、滤波、地形校正操作，得到不同极化方式的后向散射图像，然后对其进行掩膜，去除非冬小麦像素并将处理结果图按照待估产区行政边界进行分割；

32、样本生成单元，配置为使用直方图降维技术实现神经网络样本的生成，包括一个时间序列向量样本和一个图像样本；

33、模型构建单元，配置为lstm网络及cnn网络，对时间序列向量样本和图像样本分别进行特征提取；然后引入高斯过程，实现数据的空间结构建模；

34、测试单元，配置为基于最优网络模型及参数，对输入的时间序列合成孔径雷达图像进行冬小麦产量的估算，得到所述基于时间序列合成孔径雷达的冬小麦产量估算结果。

35、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，使所述计算机可读存储介质所在设备执行所述的基于合成孔径雷达图像的高分辨率冬小麦产量估算方法。

36、一种电子设备，包括：存储器、处理器、以及存储在所述存储器中并可在所述处理器上运行的程序，所述处理器执行所述程序时实现所述的基于合成孔径雷达图像的高分辨率冬小麦产量估算方法。

37、本发明。为达到上述目的，本发明的方法方案是这样实现的：

38、1、对时间序列sar图像进行预处理(轨道校正、热噪声去除、辐射定标、deburst、多视、滤波、地形校正)，以得到不同极化方式的后向散射图像；

39、2、对不同极化方式的时间序列后向散射图像进行掩膜，去除非冬小麦像素点；

40、3、使用研究区行政边界矢量图来对提取出冬小麦像素的时间序列后向散射系数图像进行分块；

41、4、对冬小麦时间序列后向散射图进行直方图降维，然后对降维后的直方图进行归一化，最后生成时间序列向量样本和图像样本。每个行政区生成的神经网络样本均包括一个时间序列向量样本和一个图像样本。

42、6、结合使用cnn和lstm，分别提取图像样本特征和时间序列向量样本特征；

43、7、引入高斯过程组件，用以对提取出的特征进行空间结构上的建模，从而进一步提高估产的准确性；

44、8、将获取的地面实测产量数据随机按照8:2的比例进行划分，划分为训练集和验证集；将所构建的训练集输入至搭建好的网络模型中进行训练，通过精度评估指标判断模型训练效果，调整网络中的参数，以获得最优的产量估算模型。

45、9、加载最优模型参数，将时间序列sar图像输入至网络模型中，获取产量估算结果。