一种基于多分类器域自适应的遥感影像作物制图方法

本发明涉及一种基于多分类器域自适应的遥感影像作物制图方法，属于遥感作物分类领域。

背景技术：

1、农业生产活动在国家社会经济中扮演着至关重要的角色，明确作物时空分布和作物种植结构是现代化智慧农业发展的基础。作物分类是利用遥感技术和机器学习方法对农田中的植被覆盖进行自动化识别和分类的过程。早期对作物进行分类主要依靠人工目视解译，或者借助一些简单的图像处理技术对植被进行识别。传统的分类方法虽然简单易行，但受限于人眼识别的主观性和图像处理技术的局限性，无法满足大规模作物分类的需求。随着遥感技术的发展，卫星、无人机等遥感平台的应用为作物分类提供了更为丰富的数据来源。通过获取不同波段的遥感数据，可以准确地提取农田中的植被信息，为作物分类提供可靠的数据支撑。

2、随着深度学习技术的发展，利用作物的空间特征和时间特征基于有监督学习对作物进行分类成为主流的研究策略。尽管这些方法取得了很大成功，但它们需要大量的实地调查来收集地面作物样本，耗时又费力；其次，由于经济、行政或者其他原因，许多地区难以进行大规模的实地调研并将分类结果公之于众；最后，尽管有监督网络模型在它的研究领域能够达到良好的性能，但是模型的泛化能力尚不清楚，研究成果的可迁移性受到了很大的局限性。

技术实现思路

1、为了解决上述技术所存在的不足之处，本发明提供了一种基于多分类器域自适应的遥感影像作物制图方法。

2、为了解决以上技术问题，本发明采用的技术方案是：

3、一种基于多分类器域自适应的遥感影像作物制图方法，包括以下步骤：

4、步骤1：重构卫星影像提取时间序列曲线制作深度学习数据集，具体步骤如下：

5、步骤101：基于离散余弦变换-惩罚最小二乘回归方法重构作物生长期内的时间序列sentinel-2卫星影像；

6、步骤102：根据开源作物分布图在源域和目标域随机分布散点，提取带有作物类别的时间序列植被指数曲线；

7、步骤103：利用s-g滤波器平滑时间序列植被指数曲线，得到源域训练集源域测试集目标域训练集和目标域测试集

8、步骤2：构建无监督域自适应网络模型，利用特征提取器提取源域训练集和目标域训练集的数据特征，利用分类器对源域训练数据进行分类，利用域对齐器对齐源域和目标域训练集的数据特征，具体步骤如下：

9、步骤201：训练特征提取器γ和源域分类器cs；利用特征提取器γ提取源域训练集的数据特征，经过源域分类器cs对特征进行分类，将分类结果与源域训练集的标签计算得到源域交叉熵损失公式如下：

10、

11、其中k表示不同类别，ps表示源域分类器，f表示特征提取器，为指示函数；优化目标的计算公式如下：

12、

13、步骤202：固定特征提取器γ，训练分类器c1和c2；利用特征提取器γ提取源域数据特征，经过分类器c1和c2分别得到源域数据的不同分类结果，与源域训练集的标签计算得到两个源域交叉熵损失和利用特征提取器γ对目标域数据的特征进行提取，经过两个分类器c1和c2得到目标域数据的不同预测结果，计算目标域两个预测结果的知识蒸馏损失公式如下：

14、

15、其中表示kl散度，p表示不同分类器；优化目标的计算公式如下：

16、

17、步骤203：固定分类器c1和c2，训练特征提取器γ；利用特征提取器γ对目标域数据的特征进行提取，经过分类器c1和c2得到目标域数据的不同预测结果，计算两个预测结果的知识蒸馏损失优化目标的计算公式如下：

18、

19、步骤3：随机生成一系列超参数对模型进行训练，根据源域训练集、源域测试集和目标域训练集计算模型的风险评估函数，利用深度嵌入验证风险来评估模型的性能,选择风险评估函数值最小的超参数训练得到最优模型；

20、步骤4：在sentinel-2卫星影像上按顺序提取目标域每个像素点的时间序列曲线并进行s-g滤波，利用最优模型预测得到目标域的作物空间分布图。

21、本发明构建了无监督域自适应网络模型，借鉴迁移学习的思想对无标注的目标域进行作物分布制图。多分类器域自适应模型利用卷积提取源域和目标域的数据特征，利用多个分类器对提取后的特征进行分类，利用知识蒸馏损失衡量目标域分类结果的差异。

22、本发明具体优势如下：

23、1)本发明为实地样本获取困难区域的作物分布制图提供了一种可行的研究方案；

24、2)本发明利用卷积提取源域数据特征，利用独立的分类器对提取后的源域特征进行分类，可以确保源域数据的分类过程不受目标域数据的影响，有利于特征提取器更好地提取源域数据的关键信息；

25、3)本发明固定特征提取器，练两个分类器，利用知识蒸馏损失计算目标域分类结果的差异，最大化分类器的决策边界，有效地提高了不同作物分类的准确性。

技术特征：

1.一种基于多分类器域自适应的遥感影像作物制图方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多分类器域自适应的遥感影像作物制图方法，其特征在于，所述步骤1，制作数据的具体步骤如下：

3.根据权利要求1所述的基于多分类器域自适应的遥感影像作物制图方法，其特征在于，所述步骤2，构建无监督域自适应网络模型的具体步骤如下：

4.根据权利要求1所述的基于多分类器域自适应的遥感影像作物制图方法，其特征在于，所述步骤3中利用深度嵌入验证风险来评估模型的性能,选择风险评估函数值最小的超参数训练得到最优模型。

5.根据权利要求1所述的基于多分类器域自适应的遥感影像作物制图方法，其特征在于，所述步骤4中在sentinel-2卫星影像上按顺序提取目标域每个像素点的时间序列曲线并进行s-g滤波，利用最优模型预测得到目标域的作物空间分布图。

技术总结
本发明公开了一种基于多分类器域自适应的遥感影像作物制图方法，步骤1：重构Sentinel‑2卫星影像，根据作物分布图随机分布散点提取时间序列曲线；步骤2：利用特征提取器提取源域和目标域训练集数据特征，利用分类器对源域数据进行分类，利用域对齐器对齐源域和目标域数据特征；步骤3：随机生成一系列超参数训练模型，根据源域训练集、源域测试集和目标域训练集计算风险函数值选择最优模型；步骤4：按顺序提取目标域时间序列曲线，将最优模型用于作物空间分布制图。本发明利用迁移学习的思想对无标注的目标域进行作物分布制图，利用特征提取器和源域分类器更好地提取源域数据的特征，利用多个分类器最大化分类决策边界，提高作物分类的准确性。

技术研发人员：徐昌宏,高懋芳,桂嘉豪,高睿璐,闫敬文,杨亚东
受保护的技术使用者：中国农业科学院农业资源与农业区划研究所
技术研发日：
技术公布日：2024/12/5