CN118781496B 农牧地识别方法、装置、设备及计算机可读存储介质 （中国科学院地理科学与资源研究所）

所究区域对应的当前雷达遥感影像数据集和当前地识别结果包括青稞农牧地区域和油菜农牧地2获取研究区域对应的当前雷达遥感影像数据集和当前光学遥感对所述当前光学遥感影像数据集进行光学特征识别，得到所述研对所述当前雷达遥感影像数据集进行雷达特征识别，得到所述研基于所述当前光学特征信息、所述当前雷达特征信息和预设的农牧地识获取所述研究区域在设定时间段的历史雷达遥感影像数据集、基于所述物候特征和地面调查数据，对所述历史雷达遥感影像数多个雷达影像子数据集和多个光学影像子数据基于预设的样本生成规则，对所述历史雷达遥感影像数据集将所述第一用地和所述第二用地均作为地表土地利用区域，并对每对每种地表土地利用区域各自对应的多个光学影像子数据集进行光学特征识将所述特征集分为训练集和验证集，并将所述训练集输入预先建基于所述历史光学遥感影像数据集，计算多个目标指数的时间序3基于预设的谐波分析算法和各个所述目标指数的时间序列，生成每对每个所述目标指数的物候特征曲线进行拟合，确定研究基于所述物候特征，确定每个农作物在生长期各自对应的第一雷达影基于所述地面调查数据，对每个农作物在生长期各自对应的第一雷对于每种所述农作物，按照预设的时间段对所述农作物对应4.根据权利要求3所述的一种农牧地识别方法，其特征在于，基于预设的样本生成规对每个年份的土地利用信息进行图斑分析，确定每个年份各自对基于所述目标点位，对所述历史雷达遥感影像数据集、所述历史光学通过卷积神经网络对所述特征集中的图像进行特征提取，生成具有不将所述特征图通过三个独立的一维卷积层，分别生成query矩阵、key矩阵和value矩查询的角色为研究区域中的参照特征，所述key矩阵表征了特征图中各位置或特征点在注注意力权重分布表征了特征图中不同位置或对所述关注结果和原始图像进行特征融合，并通过级联上采样器进与所述原始图像全分辨率相同的特征图像，以通过分类器对所述特征图像进行分类处理，4基于农作物播种面积信息对所述农牧地识别结果进行第一次评估，得到第一评估信基于所述第一评估信息和所述第二评估信息对所述农牧地识获取模块，用于获取研究区域对应的当前雷达遥感影像数据光学特征识别模块，用于对所述当前光学遥感影像数据集进行光雷达特征识别模块，用于对所述当前雷达遥感影像数据集识别模块，用于基于所述当前光学特征信息、所述当前雷获取所述研究区域在设定时间段的历史雷达遥感影像数据集、基于所述物候特征和地面调查数据，对所述历史雷达遥感影像数多个雷达影像子数据集和多个光学影像子数据基于预设的样本生成规则，对所述历史雷达遥感影像数据集将所述第一用地和所述第二用地均作为地表土地利用区域，并对每5对每种地表土地利用区域各自对应的多个光学影像子数据集进行光学特征识将所述特征集分为训练集和验证集，并将所述训练集输入预先建所述处理器用于执行所述存储器中存储的计算机程序，以使得所述电6[0003]目前的农作物分类为通过神将网络技术实现对遥感图像中农作物等目标的高精等人工草地。这些特殊的农作物类型在遥感图像上往往表现出相似的光谱特征和纹理特[0012]基于所述当前光学特征信息、所述当前雷达特征信息和7的泛化能力和分类精度，这意味着该模型不仅可以准确地识别出青稞和油菜农牧地区域，包括多个雷达影像子数据集和多个光学影像子[0023]对每种地表土地利用区域各自对应的多个光学影像子数89述查询的角色为研究区域中的参照特征，所述key矩阵表征了特征图中各位置或特征点在所述注意力权重分布表征了特征图中不同位置或特征点之[0049]对所述关注结果和原始图像进行特征融合，并通过级联[0051]通过卷积神经网络(CNN)进行特征提取，模型能够自动学习到图像中不同空间分到所述研究区域的当前光学特征信息，所述当前光学特征信息包括植被指数时间序列信执行第一方面任一项所述的农牧地识别方法的个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器；[0082]在本申实施方式中，研究区域为地形复杂且拥有大量的波段具有20m的空间分辨率。光学遥感影像数据集可通过NASAEarthdata、ESA序列信息、水体指数时间序列信息和地形指数时间序列信息，所述植被指数包括NDYI、[0089]将上述表1中每个目标指数在同一地区不同时间点的数据组合成时间序列，以分[0102]步骤S52，基于所述历史光学遥感影像数据集，确定研究区域中农作物的物候特述样本集包括多个雷达影像子数据集和多个光学影像子数[0126]步骤S56，对每种地表土地利用区域各自对应的多个光学影像子数据集进行光学[0132]下面以在Googleearthengine平台获取数据并进行特征信息计算为例进行举例说明，选用USGSLandsat5Level2Collection2Tier1数据集(包含经LaSRC_Land8Level2Collection2Tier1数据集(包含经LaSRC_LandSurface法校正后的地表反射率数据、地表温度数据)MultiSpectralInstrumentLevel_2A数据集、CopernicusDEMGLO_30:Global30mDigitalElevationModel数据集、MOD13Q1.061TerraVegetationIndices16_DayGlobal250m、Sentinel_1SARGRD:C_bandSyntheticApertureRadarGround[0136]之后，基于每月地表反射率数据和植被旺盛期地表反射率数据计算表1中的植被所述注意力权重分布表征了特征图中不同位置或特征点之[0145]对所述关注结果和原始图像进行特征融合，并通过级联′[0165]获取模块201，用于获取研究区域对应的当前雷达遥感影像数据集和当前光学遥[0173]电子设备300可以被一个或多个应用专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、数字信号处理器(DigitalSignalProcessor，简称件(ProgrammableLogicDevice，简称PLD)、现