CN119495023A 一种农作物全生长季多光谱遥感时间序列影像近实时重建方法、装置、设备及介质 （北京师范大学）

一种农作物全生长季多光谱遥感时间序列本申请公开了一种农作物全生长季多光谱进一步的构建目标地物类型的全生长季的植被2根据所述历史时序遥感影像光谱数据，采用地物变化检测算法和谐波函数拟合算法，根据植被指数参考曲线和近实时植被指数数据，利用扩展卡尔曼根据光谱参考曲线、近实时遥感影像光谱数据和植被指数重建结2.根据权利要求1所述的农作物全生长季多光谱遥感时间序列影像近实时重建方法，采用地物变化检测算法，在历史时序遥感影像光谱数据中选取满采用谐波函数拟合算法，对目标时序遥感影像光谱数据进行拟合，得3.根据权利要求2所述的农作物全生长季多光谱遥感时间序列影像近实时重建方法，按照目标地物类型的全生长季将所述历史时序遥感影像光谱数据划分为多个时间段对每个时间段的时序遥感影像光谱数据进行变化量分析，获得每个确定变化向量满足预设变化条件的时间段的时序遥感影像光谱数据作为目标时序遥4.根据权利要求2所述的农作物全生长季多光谱遥感时间序列影像近实时重建方法，令n的数值为1，并将目标时序遥感影像光谱数据初始化为第0次更新后的时序遥感影对第n_1次更新后的时序遥感影像光谱数据进行最小二次方拟合，得到第n次将第n_1次更新后的时序遥感影像光谱数据与第n次拟合得到的拟除相对于第n次拟合得到的拟合曲线的偏离距离大于距离阈值的遥感影像光谱数据，获得35.根据权利要求1所述的农作物全生长季多光谱遥感时间序列影像近实时重建方法，根据植被指数参考曲线和近实时植被指数数据，利用扩展卡尔曼根据植被指数参考曲线中近实时中的k和k_1时刻的植被指数的拟根据第一状态转换矩阵和近实时植被指数数据中k_1时刻的植被指数的观测值，利用如下公式对植被指数进行先验估计，获得k时刻的植被指数的先验估计值和植被指数可信根据k时刻的植被指数的先验估计值、植被指数可信度的先验估计值及近实时植被指的植被指数的后验估计值和植被指数可信度据中k时刻的植被指数的观测值，Pk为k时刻的植被指数可信度的后验估计值，I为单位矩6.根据权利要求1所述的农作物全生长季多光谱遥感时间序列影像近实时重建方法，根据光谱参考曲线中近实时中的k和k_1时刻的遥感影像光谱数据的拟根据第二状态转换矩阵和近实时遥感影像光谱数据中k_1时刻的遥感影像光谱数据的4根据k时刻的遥感影像光谱数据的先验估计值、遥感影像光谱数据可信度的先验估计值及近实时遥感影像光谱数据中k时刻的遥感影像光谱数据的观测值，利用如下公式对遥感影像光谱数据进行后验估计，获得k时刻的遥感影像光谱数据的后验估计值和遥感影像农作物全生长季多光谱遥感时间序列影像近实时重建装置应用于权利要求1_6任一项所述历史遥感影像光谱数据获取模块，用于获取目标地物类光谱参考曲线构建模块，用于根据所述历史时序遥感影像光谱数据植被指数参考曲线构建模块，用于基于所述光谱参考曲线，构植被指数重建模块，用于根据植被指数参考曲线和近实时植被指数数遥感影像光谱数据重建模块，用于根据光谱参考曲线、近实时遥5述的农作物全生长季多光谱遥感时间序列影像近理器执行时实现权利要求1_6中任一项所述的农作物全生长季多光谱遥感时间序列影像近时实现权利要求1_6中任一项所述的农作物全生长季多光谱遥感时间序列影像近实时重建6数据层(CroplandDataLayer,CDL)，最早需要在当前生长季节收获后至少四个月才可以季内的光学遥感数据进行近实时重建具有重于一期或少数几期合成的多遥感影像光谱数据进行季内作物制图，是较为常用的方法数据进行整体滤波，实现长时序遥感数据的重建，如Savitzky_Golay(SG)滤波(Chenet[0006]本申请的目的是提供一种农作物全生长季多光谱遥感时间序列影像近实时重建7现上述的农作物全生长季多光谱遥感时间序列影像近机程序被处理器执行时实现上述的农作物全生长季多光谱遥感时间序列影像近实时重建果迁移至遥感影像光谱数据重建过程中。最后利用扩展卡尔曼滤波方法(EKF)模拟植被特8[0025]图1为本申请一实施例提供的一种农作物全生长季多光谱遥感时间序列影像近实9[0042]上述步骤101步骤105提供的重建方法实现了近实时遥感影像光谱数据的重建，性和可信度条件的全生长季的时序遥感影像光谱数据，作为目标时序遥感影像光谱数据，[0053]按照目标地物类型的全生长季将所述历史时序遥感影像光谱数据划分为多个时[0055]确定变化向量满足预设变化条件的时间段的时序遥感影像光谱数据作为目标时[0057]令n的数值为1，并将目标时序遥感影像光谱数据初始化为第0次更新后的时序遥[0059]将第n_1次更新后的时序遥感影像光谱数据与第n次拟合得到的拟合曲线进行比目标时序遥感影像光谱数据相对于第n次拟合得到的拟合曲线的偏差小于偏差阈值，输出[0060]在上述步骤104和步骤105中的数据重建过程中，均采用了扩展卡尔曼滤波[0061]EKF算法分两步实现。主要分为两个不同的方程组：时间更新(预测)和实时更新[0063]在另一个示例性的实施例中，步骤104中的根据植被指数参考曲线和近实时植被[0066]A=vf=vyscale*f(x+tshift)[0071]其中，为k时刻的植被k为k时刻的植被指数控制量，t-1为k_1时刻的植被指数的后验估计近实时植被指数数据中k时刻的植被指数的观测值，利用如下公式对植被指数进行后验估[0075]PK=(I-KH)P⃞。为k时刻的植被指数的后验估计值，Zk为近实时植被指数数据中k时刻的植被指数的观测将真实状态(xk)与观测值Zk联系起来，即H是将真实状态(xk)转换为测量值(Zk)的测量矩[0078]上述实施例中的进行遥感影像光谱数据重建的过程为：测值的可信度(作为先验知识，该项输入[0080]步骤401，根据光谱参考曲线中近实时中的k和k_1时刻的遥感影像光谱数据的拟影像光谱数据的先验估计值和遥感影像光谱数据可信度的先[0082]来=A'r-1+B'u'rk时刻的光谱控制量，为k_1时刻的遥感影像光谱数据的后验估计值，为k时刻的遥感影像光谱数据可信度的先验估计值，P'度的先验估计值及近实时遥感影像光谱数据中k时刻的遥感影像光谱数据的观测值，利用如下公式对遥感影像光谱数据进行后验估计，获得k时刻的遥感影像光谱数据的后验估计k时刻的第二卡尔曼增益，H'为表征遥感影像光谱数据的先验估计值遥感影像光谱数据中k时刻的遥感影像光谱数据的观测值，P'k为k时刻的遥感影像光谱数的数据本身光谱和纹理两个方面来评价多光谱数据的重建效果，选取光谱和纹理方面共4图3中(a1)为研究区1的局部细节图，图3中(a2)为研究区1的典型植被全生长季物候曲线保持一致，以便于之后的计算。本实施例中，哨兵2号多光谱数据来源于GoogleEarth定不变的地物类型对应的时间段的数据(2020_2022年)输入谐波函数拟合方法中得到历史以归一化植被指数(NDVI)为例，将光谱参考曲线(2020年_2022年)，迁移至待重建的时刻作为实际观测数据的可信度，将其作为待重建的多光谱数据EKF重建框架的当前时刻数据的数据本身光谱和纹理两个方面来评价多光谱数据的重建效果，选取光谱和纹理方面共4部二值模式(LBP)作为近实时遥感数据重建的精感数据重建方法NRTR表现出较高的精度和较好的序列数据，利用地物变化检测算法(CCDC)和谐波函数拟合(HANTS)算法获取基准的历史参遥感时间序列影像近实时重建装置实施例中的具体限定可以参见上文中对于农作物全生的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于遥感影像光谱数农作物全生长季多光谱遥感时间序列影像近实时该计算机程序被处理器执行时实现上述农作物全生长季多光谱遥感时间序列影像近实时机程序被处理器执行时实现上述农作物全生长季多光谱遥感时间序列影像近实时重建方非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read_(ReRAM)、磁变存储器(MagnetoresistiveRandomAccessMemory，MRAM)、铁电存储器(StaticRandomAccessMemory，SRAM)或动态随机存取存储器(Dy