基于深度学习和注意力机制的星载SAR冬小麦产量估算方法、系统、存储介质和电子设备

本发明涉及定量遥感，尤其涉及一种基于深度学习和注意力机制的星载sar冬小麦产量估算方法、系统、存储介质和电子设备。

背景技术：

1、目前，在遥感领域，利用深度学习模型进行冬小麦估产具有显著优势。特别是卷积神经网络(cnn)和长短期记忆网络(lstm)等深度学习模型能够有效地从大规模遥感数据中学习特征，并捕捉冬小麦生长过程中的时空信息。cnn在提取空间特征方面表现突出，能够有效识别冬小麦生长状态的空间分布特征，而lstm则擅长捕获时间序列信息，有助于预测冬小麦的生长趋势和变化规律。此外，合成孔径雷达(sar)数据在冬小麦估产领域也有具有诸多优势。sar数据具有独特的优势，不受天气和光照条件限制，能够提供高分辨率的时空信息，有利于对冬小麦的生长状态进行全天候监测和分析。同时，sar数据能够穿透作物植被覆盖层，对地表进行有效观测，从而提供了关于土地利用和土壤湿度等重要信息，为冬小麦估产提供了丰富的数据支持。

2、传统的农作物估产方法通常依赖于田间调查、统计抽样和模型推算，这些方法存在一定的局限性；它需要大量的人力物力投入，且耗时耗力，难以实现对大范围农田的实时监测和估产。其次，传统方法容易受到地理环境、气候条件和人为因素的影响，其估产结果具有一定的局限性和不确定性。此外，传统方法获取的数据覆盖范围有限，难以实现对整个农田的全面监测和估产，因此在应对大规模农作物估产需求时存在局限性。相比之下，利用遥感数据进行农作物估产具有诸多优点。遥感数据能够提供大范围、高分辨率的地表信息，能够实现对农田的全方位监测和估产。遥感数据不受地域限制，能够实现对全球范围内农作物的监测和估产；此外，具有全天候性和高时空分辨率，能够实现对农田的实时监测和估产，为农业生产提供及时的数据支持。通过遥感数据，还能够获取大量的地理信息和环境数据，有助于分析农作物生长环境，提高估产的精度和准确性。

3、近年来，深度学习技术，尤其是cnn，因其强大的特征提取能力和优异的数据处理性能，被广泛应用于农作物估产的研究领域之中。这种方法能够在分析和处理大量的遥感数据中，提取更深层次的空间特征，提高对农作物估产的预测能力。虽然，cnn有强大的空间特征提取能力，但难以充分考虑到时间序列遥感数据中时间特征，遥感数据中的时间特征能够提供农作物生长状态的动态变化信息，从而有效支持农作物估产模型对不同生长阶段的预测和分析；深度学习技术lstm擅长捕获时间序列信息，但lstm网络在处理长距离依赖关系时表现较弱，因为它只能单向地处理输入序列。这可能导致在捕捉长期依赖关系和全局上下文信息方面存在一定的局限性。

技术实现思路

1、本发明的目的是提供一种基于深度学习和注意力机制的星载sar冬小麦产量估算方法、系统、存储介质和电子设备，能够更好地处理遥感数据中的时空信息，实现高效的特征提取，从而提高了农作物估产的精度和效率。

2、本发明采用的技术方案为：

3、一种基于深度学习和注意力机制的星载sar冬小麦产量估算方法，包括如下步骤：

4、步骤s101，应用时间序列双极化sar数据的grd影像，对数据进行预处理获得后向散射特征图像；

5、步骤s102，对研究区域的时间序列后向散射特征图像进行掩膜，去除后向散射特征图像中的非冬小麦像素；并将其按照研究区内的行政边界图掩膜分割为多块；步骤s103，使用直方图降维技术构建神经网络的图像样本和时间序列向量样本；步骤s104，构建cnn模型，对图像样本进行空间特征提取；

6、步骤s105，构建bilstm-attention模型，对时间序列向量样本提取时间序列特征；构建cnn-bilstm-attention估产模型；

7、步骤s106，将实地考察得到的产量数据，划分为训练集和测试集对cnn-bilstm-attention估产模型进行训练和测试；

8、步骤s107，使用训练好的cnn-bilstm-attention估产模型进行产量估算，得到冬小麦的产量结果图。

9、步骤s101具体为：

10、在对grd数据进行一系列处理后，可以获得后向散射特征图像，具体的：

11、首先，进行轨道校正，确保grd数据与实际地面位置精确对应；

12、接着，进行辐射定标，这一步骤将原始信号转换为实际的地表反射率，保证了grd数据的一致性和可比性；

13、随后，进行deburst和多视处理是为了消除grd数据中由于干涉造成的相位不连续性，降低斑点噪声，从而提高图像的质量；

14、接下来，进行refined lee滤波器对grd数据进行平滑处理，这有助于减少随机噪声，同时保留图像的重要特征；

15、最后，进行地形校正，以消除由地形起伏引起的几何畸变；完成这些步骤之后，就可以获取到详尽的后向散射特征，包括垂直-垂直、垂直-水平极化方式下的反射信息。

16、步骤s103具体为：

17、对每个行政区的冬小麦时间序列后向散射特征图像进行直方图降维生成样本：首先确定直方图的降维范围，划分合适的区间个数，逐个离散化统计像素个数生成像素直方图；

18、然后对降维后的直方图进行归一化；

19、最后生成时间序列向量样本和图像样本；每个行政区生成的神经网络样本均包括一个时间序列向量样本和一个图像样本：

20、

21、式中h1,h2,···,h20是经过降维后生成的像素直方图，h1,h2,···,h20是经过归一化后的像素直方图向量。

22、步骤s104中所述的cnn模型包括输入层、7个卷积层、7个激活层、7个批归一化层、3个dropout层和1个全连接层；在卷积层c1-c7层中,卷积核的数量分别设定为64、64、128、128、256、256、512,卷积核长度均为3×3,滑动步长分别为1、2、1、2、1、2、1,对所有的卷积层都实现了零填充操作；另外，网络采用relu激活函数克服梯度消失问题，加快训练速度；并采用了适量的dropout层增强模型的泛化能力。

23、步骤s105具体为：

24、构建bilstm-attention模型，对时间序列向量样本提取时间序列特征；bilstm网络是一种常用于序列数据建模的深度学习模型，它结合了长短期记忆网络lstm和双门循环结构的优势，通过创建两个lstm单元：一个用于前向传递，一个用于后向传递构成；bilstm能够双向学习时间序列信息的网络结构，更全面地捕捉遥感数据中时间维度的特征；对前向和后向的lstm单元应用dropout，在每个状态转换后添加丢弃率为0.75的丢弃层来正则化网络，提高网络模型的泛化能力；

25、合并前向和后向的输出:将前向和后向lstm的输出沿着最后一个维度合并；最后，加入一个全连接层，l2损失用于回归任务，这样可以确保前向和后向的信息都被有效利用；

26、bilstm在处理输入序列时不仅考虑了当前时刻之前的信息，还考虑了当前时刻之后的信息，因此能够更好地捕捉序列中的长期依赖关系；lstm的一次更新过程如下：

27、ft＝σ(wfxt+ufht-1+bf)

28、it＝σ(wixt+uiht-1+bi)

29、ot＝σ(woxt+uoht-1+bo)

30、ct＝ft·ct-1+it·tanh(wcxt+ucht-1+bc)

31、ht＝ot·tanh(ct)

32、其次，在bilstm网络中引入注意力机制；对bilstm模型提取的时序特征计算注意力的概率分布，使得网络能够更加关注和有效地利用输入序列中的关键信息；其计算分为3步：

33、1)首先输入特征ht与attention的权重wh相乘再加上attention的偏置bh通过tanh函数对bilstm层的输出映射计算输出与输入特征的相关性量st.输入特征ht表示为bilstm层的输出；公式如下:

34、st＝tanh(ht·wh+bh)

35、2)再将其归一化并经过softmax激活函数赋值相应的注意概率分布值，得到注意力分数量at.公式如下:

36、at＝softmax(exp(st)/∑(exp(st))

37、3)at与ht相乘以加权相加得到最终输出注意力值向量s.公式如下:

38、s＝∑atht

39、之后使用contact函数将cnn卷积层的输出和bilstm-attention层的输出沿特征轴合并成一个单一的向量，这个向量既包含了cnn学习的空间特征，也包含了bilstm-attention层学习的时间序列特征；最后用全连接层来输出预测的产量；

40、实验设置了三种不同的模型对比实验证明本发明所提出的估产模型cnn-bilstm-attention的准确性；其中包括组合模型cnn-lstm和单一模型cnn、lstm；组合模型cnn-lstm同样采用并行结构，各自提取空间特征和时序特征以提高空间特征的利用率。

41、步骤s106具体为：

42、首先按照8:2的比例将获得的冬小麦地面实测数据分为训练集和验证集；训练集将用于模型的参数更新和学习，而验证集则用于评估模型的泛化能力和精度；在神经网络模型的训练过程中，我们将采用批量大小batch size为20的训练策略，并设置最大迭代次数为1000，学习率为0.001以控制模型参数的更新速度；随后，使用本文构建的数据集训练cnn-bilstm-attention估产模型；在训练过程中，我们将每隔10个迭代周期利用验证数据集对网络性能进行测试，并保存当前训练得到的模型最优权重，以便后续的模型评估和预测任务。

43、步骤s107具体为：

44、加载步骤s107所保存的最优模型权重，然后将样本输入到训练好的网络模型中，输出即为对每个行政区的产量估计数值。

45、基于深度学习和注意力机制的星载sar冬小麦产量估算系统，包括：预处理单元，配置为对时间序列sar图像进行预处理操作，得到不同极化方式的后向散射特征图像，然后对其进行掩膜，去除非冬小麦像素并将处理结果图按照待估产区行政边界进行分割；

46、样本生成单元，配置为使用直方图降维技术实现神经网络样本的生成；样本包括两种样本，图像样本和时间序列向量样本；

47、模型构建单元，配置为构建cnn-bilstm-attention网络，提取时空特征，并引入attention为不同时间步的特征赋予不同的权重；随机选取80％的样本进行训练，保存最优模型权重；

48、测试单元，配置为基于最优网络模型及参数，对输入的时间序列合成孔径雷达图像进行冬小麦产量的估算，得到所述基于深度学习和注意力机制的星载sar冬小麦产量估算结果。

49、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，使所述计算机可读存储介质所在设备执行如上所述的基于深度学习和注意力机制的星载sar冬小麦产量估算方法。

50、一种电子设备，包括：存储器、处理器、以及存储在所述存储器中并可在所述处理器上运行的程序，所述处理器执行所述程序时实现如上所述的基于深度学习和注意力机制的星载sar冬小麦产量估算方法。

51、本发明首先通过分析处理时间序列遥感数据，得到时间序列后向散射特征图像，这有益于提供农作物生长状态的动态变化信息，从而有效支持农作物估产模型对不同生长阶段的预测和分析；再使用直方图降维技术生成神经网络训练、测试样本，作为模型的输入，使用计算像素直方图技术能够将高维图像转换为像素计数直方图几乎是没有信息损失的，能最大限度保留原始数据的特征；构建cnn-bilstm-attention模型，用于精准估计冬小麦的产量，使用bilstm-attention网络能够在每个时间步骤上同时获取过去和未来的信息，并将它们融合到一个综合的表示中，attention机制使得网络能够在学习过程中重点关注对当前时间步最有用的信息，从而提高了网络对时间序列数据的建模能力；通过这种方法，为使用星载sar图像进行冬小麦估产提供了全新的视角和技术手段，为粮食安全、农业管理和环境监测等领域带来重大的成果，为农业生产提供更精准的决策支持，推动农业可持续发展迈出重要的一步。