基于不完备时序数据的农作物动态识别方法研究

• 作 者: 陈骁
• 出 处: 浙江工业大学
• 发表日期: 2020年03期
• 关键词: 农作物识别 动态更新 不完备时序数据 LSTM网络 数据重建

及时、精确的农作物空间分布信息可以为粮食估产、土地适宜性评价及土地休耕与复垦等应用提供基础数据。基于时间序列数据的农作物识别方法能够充分利用各种作物的生长规律及物候特征,提高农作物分类精度,成为目前普遍采用的遥感作物信息提取与类型识别的解决方案。但该类方法一般依赖完整的时序数据,使得农作物制图获取存在延迟,导致其应用价值降低。因此,研究及时的、可动态更新的农作物类型识别方法具有重要的现实意义。实现此类方法的主要困难在于:(1)中等分辨率的时间序列数据是稀疏的、时间采样不规则的以及部分数据缺失的,从而使得不同年份获取数据的日期不一致,降低了不同年份的特征向量间的可比性;(2)农作物更新时仅有前期的部分时间序列数据,无法进行拟合等操作,使得传统的时间序列分类方法难以直接利用。综合以上分析,本文设计实现一种面向不完备时序数据的动态农作物识别方法,主要工作和结论如下:(1)提出了一种农作物动态识别分类方法。LSTM等循环神经网络在进行农作物分类时,需要获取所有节点的隐藏层状态进行综合判断从而确定样本类别,难以满足农作物提前识别以及动态更新制图的需要。对此,本文首先提出一种改进策略,直接提取LSTM从起始至当前时刻的隐藏层状态形成状态向量,经池化层和全连接层处理后得到网络当前所识别类型,从而实现利用参考年的时序数据动态训练分类器;再根据兴趣年的部分前期时序数据输入,不断更新农作物分类制图。据我们所知,这是首次将LSTM网络用于遥感农作物动态识别并可获取具有良好一致性分类结果的实验。(2)提出了一种部分维度缺失的时间序列数据重建方法。针对由于传感器选择性观测、云和云阴影等因素导致的时序数据存在稀疏、采样时间不规则和部分关键数据缺失等问题,本文首先设计了基于判别规则的噪声检测算法来检测原始数据中的噪声点,再将去噪后的时序数据通过优化后的双Logistic模型进行曲线拟合,并用拟合值代替缺失值,从而获得无缝的时间序列观测值,满足农作物识别需求。在上述基础上,本文以我国安徽省寿县作为研究区,以该区域的主要农作物作为研究对象,使用2017年5月至2019年3月的哨兵二号时序影像以及统计数据作为主要研究数据,使用本文动态识别方法对研究区采集的样本数据进行分类。实验结果表明,使用本文方法可获得95.1%的整体分类精度,其中,秋收作物分类精度为96.4%,夏收作物分类精度为93.8%,所有分类精度均显著高于使用随机森林方法所得精度;同时,结合专家解译和实地调查验证了方法的有效性,并评估了方案对研究区农业人保险等应用的支持效果。在未来的工作中,我们将进一步研究本文方法在多源影像数据集、多尺度方面的拓展,以及联合应用不同遥感指标时间序列增强方法的鲁棒性。