(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210686316.5 (22)申请日 2022.06.17 (65)同一申请的已公布的文献号 申请公布号 CN 114782825 A (43)申请公布日 2022.07.22 (73)专利权人 中国农业科 学院农业资源与农业 区划研究所 地址 100089 北京市海淀区中关村南大街 12号 专利权人 河北地质大 学 (72)发明人 孙营伟　冷佩　李召良　段四波　 高懋芳　刘萌　张霞　尚国琲　 郭晓楠　 (74)专利代理 机构 成都睿道专利代理事务所 (普通合伙) 51217 专利代理师 陶红(51)Int.Cl. G06V 20/10(2022.01) G06V 10/62(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) (56)对比文件 CN 112686086 A,2021.04.20 CN 113642464 A,2021.1 1.12 CN 114299393 A,202 2.04.08 CN 112084991 A,2020.12.15 CN 109840 553 A,2019.0 6.04 US 20181895 64 A1,2018.07.0 5 审查员 宋敏 (54)发明名称 基于不完备遥感数据的作物识别方法、 装置 及电子设备 (57)摘要 本发明属于农业遥感信息提取技术领域， 具 体涉及基于不完备遥感数据的作物识别方法、 装 置及电子设备， 该方法包括步骤： 获取时序遥感 数据； 根据雷达影像数据构建第一时序特征； 根 据光学遥感数据构建第二时序特征； 判断第二时 序特征是否完备； 计算第二时序特征的数据缺失 值； 对第二时序特征进行拓展得到第三时序特 征； 判断第三时序特征是否完备； 对光学遥感数 据增补处理得到第四时序特征； 判断第四时序特 征是否完 备； 利用第一时序特征对第四时序特征 扩展得到目标时序特征； 构建作物类型识别模 型， 模型训练； 识别目标地块作物分布信息。 本发 明通过雷达影像数据与光学遥感数据协同的方 式， 实现了光学时序数据不完备条件 下的高精度 作物类型识别。 权利要求书3页 说明书10页 附图3页 CN 114782825 B 2022.09.16 CN 114782825 B 1.基于不完备遥感数据的作物 识别方法， 其特 征在于， 包括 步骤： 获取时序遥感数据； 所述时序遥感数据包括雷达影 像数据与光学遥感数据； 根据所述雷达影 像数据， 构建作物在地 块尺度上的第一时序特 征； 根据所述 光学遥感数据， 构建作物在地 块尺度上的第二时序特 征； 判断所述第二时序特征是否完备； 若所述第二时序特征完备， 则确定所述第二时序特 征为目标时序特征； 若 所述第二时序特征不完备， 则计算所述第二时序特征的数据缺 失值； 所述目标时序特 征为完备的作物时序特 征； 根据所述数据缺失值， 对所述第 二时序特征进行拓展， 得到第三 时序特征： 比较所述数 据缺失值与设定阈值， 若所述数据缺失值小于或等于所述设定阈值， 则对所述第二时序特 征进行插值， 以重建的方式获取所述目标时序特征； 若 所述数据缺 失值大于所述设定阈值， 则遍历所有时序特征， 通过计算所述第二时序特征与完备 的时序特征 的相似度， 得到相似 度最大的所述时序特 征， 作为所述目标时序特 征； 判断所述第三时序特征是否完备； 若所述第三时序特征完备， 则确定所述第三时序特 征为所述 目标时序特征； 若所述第三时序特征不完备， 则对所述光学遥感数据进行增补处 理， 重新获取 所述第三时序特 征， 得到第四 时序特征； 判断所述第四时序特征是否完备； 若所述第 四时序特征完备， 则确定所述第 四时序特 征为所述 目标时序特征； 若所述第四时序特征不完备， 则利用所述第一时序特征对所述第 四时序特征进行扩展， 得到所述目标时序特 征 构建作物类型识别模型， 利用所述目标时序特 征对所述作物类型识别模型进行训练； 根据所述作物类型识别模型， 识别目标地 块各个类型的作物的分布信息 。 2.根据权利要求1所述基于不完备遥感数据的作物识别方法， 其特征在于， 根据 所述雷 达影像数据， 利用极化分解或空间特征计算的方式， 构建作物在地块尺度上 的所述第一时 序特征； 根据所述光学遥感数据， 利用单一的光学遥感数据源， 构建作 物在地块尺度上的所 述第二时序特 征。 3.根据权利要求1所述基于不完备遥感数据的作物识别方法， 其特征在于， 所述第 一时 序特征包括VV/VH后向散射 强度特征、 H ‑A‑α 特征强度、 灰度强度特征、 纹理特征以及雷达植 被指数； 所述第二时序特 征包括归一 化植被指数NDVI、 增强型植被指数EVI。 4.根据权利要求1所述基于不完备遥感数据的作物识别方法， 其特征在于， 所述对所述 光学遥感数据进行增补处理的方式为采用多源数据融合的处理方式对作物的时序特征进 行扩展， 对多源遥感数据归一 化处理。 5.根据权利要求4所述基于不完备遥感数据的作物识别方法， 其特征在于， 所述对作物 的时序特 征进行扩展， 包括： 计算所述 光学遥感数据的极值 点的特征值； 获取完备的时序特 征的参考值； 所述光学遥感数据的极值点的特征值与 所述完备的时序 特征的参数值进行匹配， 若所 述光学遥感数据的极值点的特征值在所述完备的时序特征的参数值的设定范围内， 则匹配 成功， 匹配成功后， 按照所述完备 的时序特征 的参数值填补所述第二时序特征 的序列的相 同位置； 否则匹配失败， 则重新获取 所述光学遥感数据。 6.根据权利要求1所述基于不完备遥感数据的作物识别方法， 其特征在于， 确定所述第权　利　要　求　书 1/3 页 2 CN 114782825 B 2二时序特 征或所述第三时序特 征或所述第四 时序特征为所述目标时序特 征的方式为： 利用完备的所述 光学遥感数据获取作物生长特 征参数作为作物类型识别的参 考值； 根据所述第二时序特征或所述第三时序特征或所述第四时序特征计算所述作物生长 特征参数值作为作物类型识别的实际值； 对比所述实 际值与所述参考值， 若所述实 际值达到所述参考值的设定比例阈值， 则确 定所述第二时序特征或所述第三时序特征或所述第四时序特征是所述目标时序特征； 否则 确定所述第二时序特 征或所述第三时序特 征或所述第四 时序特征不是所述目标时序特 征。 7.根据权利要求1所述基于不完备遥感数据的作物识别方法， 其特征在于， 所述利用所 述第一时序特 征对所述第四 时序特征进行扩展， 得到所述目标时序特 征， 包括： 根据所述第一时序特 征和所述第四 时序特征之间的关系， 建立t ransformer网络模型； 利用所述t ransformer网络模型将所述第四 时序特征转换为作物时序特 征； 利用曲线拟合 ‑插值的方式对所述作物时序特征进行异常值的剔除处理， 得到所述目 标时序特 征。 8.基于不完备遥感数据的作物识别装置， 其特征在于， 包括获取单元、 第一构建单元、 第二构建单元、 第一判断单元、 计算处理单元、 拓展单元、 第二判断单元、 增补处理单元、 第 三判断单 元、 模型构建与训练单 元以及识别单 元； 所述获取单元， 用于获取时序遥感数据； 所述时序遥感数据包括雷达影像数据与光学 遥感数据； 所述第一构建单元， 用于根据所述雷达影像数据， 构建作物在地块尺度上的第一时序 特征； 所述第二构建单元， 用于根据所述光学遥感数据， 构建作物在地块尺度上的第二时序 特征； 所述第一判断单元， 用于判断所述第 二时序特征是否完备； 若所述第 二时序特征完备， 则确定所述第二时序特征为 目标时序特征； 若所述第二时序特征不完备， 则计算所述第二 时序特征的数据缺失值； 所述目标时序特 征为完备的作物时序特 征； 所述计算处 理单元， 用于计算所述第二时序特 征的数据缺失值； 所述拓展单元， 用于根据 所述数据缺失值， 对所述第 二时序特征进行拓展， 得到第三 时 序特征， 包括： 比较所述数据缺失值与设定阈值， 若 所述数据缺 失值小于或等于所述设定阈 值， 则对所述第二时序特征进 行插值， 以重 建的方式获取所述目标时序特征； 若 所述数据缺 失值大于所述设定阈值， 则遍历所有时序特征， 通过计算所述第二时序特征与完备 的时序 特征的相似度， 得到相似度最大的所述时序特 征， 作为所述目标时序特 征； 所述第二判断单元， 用于判断所述第 三时序特征是否完备； 若所述第 三时序特征完备， 则确定所述第三时序特征为所述 目标时序特征； 若所述第三时序特征不完备， 则对所述光 学遥感数据进行增补处 理， 重新获取 所述第三时序特 征， 得到第四 时序特征； 所述增补处 理单元， 用于对所述 光学遥感数据进行增补处 理， 得到第四 时序特征； 所述第三判断单元， 用于判断所述第四时序 特征是否完备； 若所述第四时序特征完备， 则确定所述第四时序特征为所述 目标时序特征； 若所述第四时序特征不完备， 则利用所述 第一时序特 征对所述第四 时序特征进行扩展， 得到所述目标时序特 征； 所述模型构建与训练单元， 用于构建作物类型识别模型， 利用所述目标时序特征对所权　利　要　求　书 2/3 页 3 CN 114782825 B 3