(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210807846.0 (22)申请日 2022.07.11 (71)申请人 北京艾尔思时代科技有限公司 地址 100082 北京市西城区新 街口外大街8 号1幢五层5 02号 (72)发明人 丁志平　梁治华　刘文达　李岩　 (74)专利代理 机构 北京合创致信专利代理有限 公司 16127 专利代理师 刘素霞 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/13(2022.01) G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01)G06K 9/62(2022.01) (54)发明名称 一种基于动态时间窗口的作物分类方法及 系统 (57)摘要 本申请涉及数据 识别技术领域， 提供了一种 基于动态时间窗口的作物分类方法及系统， 该方 法包括： 根据预先获取的训练区域的SAR时序影 像和训练样本集， 确定第一时序物候特征曲线， 以及基于 预先获取的目标区域的SAR时序影像和 测试样本集， 确定第二时序物候特征曲线； 分别 对第一时序物候特征曲线和第二时序物候特征 曲线进行物候期提取， 确定关键物候期； 根据关 键物候期， 分别对第一时序物候特征曲线和第二 时序物候特征曲线进行截取； 基于动态时间规整 算法， 计算目标区域的SAR时序影像中待预测像 元的待预测曲线与训练区域中每一类别作物的 标准作物曲线的相似度， 以确定待预测像元的作 物所属类别。 如此， 提高作物分类模型的泛化精 度。 权利要求书3页 说明书14页 附图4页 CN 114926743 A 2022.08.19 CN 114926743 A 1.一种基于动态时间窗口 的作物分类方法， 其特 征在于， 包括： 根据预先获取的训练区域的SAR时序影像和训练样本集， 确定第一时序物候特征曲线， 以及基于预 先获取的目标区域的SAR时序影 像和测试样本集， 确定第二时序物候特 征曲线； 其中， 所述第一时序物候特征曲线有多条， 每一条所述第一时序物候特征曲线用于表 征所述训练区域中每一类别所述作物的时序物候特征， 所述第二时序物候特征曲线有多 条， 每一条所述第二时序物候特征曲线用于表征所述 目标区域的SAR时序影像中待预测 像 元的时序物候特 征； 分别对所述第 一时序物候特征曲线和所述第 二时序物候特征曲线进行物候期提取， 对 应得到所述训练区域中每一类别所述作物的关键物候期和所述目标区域的SAR时序影像中 待预测像元的关键物候期； 其中， 所述训练区域中每一类别所述作物的关键物候期与所述目标区域的SAR时序影 像中待预测像元的关键物候期所对应的时间窗口不同， 且， 所述目标区域的SAR时序影像中 不同的待预测像元的关键物候期所对应的时间窗口不同； 根据所述训练区域中每一类别所述作物的关键物候期和所述目标区域的SAR时序影像 中待预测像元的关键物候期， 分别对所述第一时序物候特征曲线和所述第二时序 物候特征 曲线进行截取， 对应得到所述训练 区域中每一类别所述作物的标准作物曲线和所述目标区 域的SAR时序影 像中待预测像元的待预测曲线； 基于动态时间规整算法， 计算所述目标区域的SAR时序影像中待预测像元的待预测曲 线与所述训练 区域中每一类别所述作 物的标准作 物曲线的相似度， 以确定所述待 预测像元 的作物所属类别。 2.根据权利要求1所述的基于动态时间窗口的作物分类方法， 其特征在于， 所述根据 预 先获取的训练区域的SAR时序影像和训练样本集， 确定所述第一时序物候特征曲线， 具体 为： 基于Lee Sigma滤波算法， 对预先获取的训练区域的SAR时序影像进行降噪处理， 得到 第一降噪SAR时序影 像； 根据所述第一降噪SAR时序影像中不同极化通道 的后向散射系数， 逐像元计算第一极 化通道的后向散射系数与第二极化通道的后向散射系数的比值， 得到所述训练 区域每个像 元的第三时序 物候特征曲线； 其中， 所述第一极化通道 为所述第一降噪SAR时序影像的垂 直 发送水平接收VH通道， 所述第二极化通道为所述第一降噪SAR时序影像的垂直发送垂直接 收VV通道； 按照所述训练样本集中训练样本点所属的作物类别， 对同一作物类别不同所述训练样 本点在所述第一降噪SAR时序影像中对应的像元在相同时间段内的所述第三时序 物候特征 曲线的取值进行中值 合成， 得到所述第一时序物候特 征曲线。 3.根据权利要求2所述的基于动态时间窗口的作物分类方法， 其特征在于， 在对同一作 物类别不同所述训练样本点在所述第一降噪SAR时序影像中对应的像元在相同时间段内的 所述第三时序物候特征曲线的取值进行中值合成， 得到所述第一时序物候特征曲线之后， 所述方法还 包括： 基于Savitzky ‑Golay滤波算法， 对所述第一时序物候特征曲线进行滤波处理， 得到平 滑后的所述第一时序物候特 征曲线。权　利　要　求　书 1/3 页 2 CN 114926743 A 24.根据权利要求2所述的基于动态时间窗口的作物分类方法， 其特征在于， 所述根据 所 述第一降噪SAR时序影像中不同极化通道的后向散射系数， 逐像元计算第一极化通道的后 向散射系数与第二极化通道的后向散射系数的比值， 得到所述训练区域每个像元的所述第 三时序物候特 征曲线， 具体包括： 根据所述第一降噪SAR时序影像中不同极化通道 的后向散射系数， 逐像元计算第一极 化通道的后向散射系数与第二极化通道的后向散射系数的比值， 得到所述训练 区域每一个 像元的交叉极化CR指标时间序列； 基于双逻辑回归模型， 对所述交叉极化CR指标时间序列进行建模， 得到所述训练区域 每个像元的所述第三时序物候特 征曲线。 5.根据权利要求1所述的基于动态时间窗口的作物分类方法， 其特征在于， 所述分别对 所述第一时序 物候特征曲线和所述第二时序 物候特征曲线进 行物候期提取， 对应得到所述 训练区域中每一类别所述作物的关键物候期和所述目标区域的SAR时序影像中待 预测像元 的关键物候期， 具体为： 以所述第一 时序物候特征曲线的振幅百分比为依据， 确定所述训练区域中每一类别所 述作物的生长季开始日期和生长季 结束日期； 以所述训练区域中每一类别所述作物的生长季开始日期和生长季结束日期对应的时 间窗口作为所述训练区域中每一类别所述作物的关键物候期； 以所述第二时序物候特征曲线的振幅百分比为依据， 确定所述目标区域的SAR时序影 像中待预测像元的生长季开始日期和生长季 结束日期； 以所述目标区域的SAR时序影像 中待预测像元的生长季开始日期和生长季结束日期对 应的时间窗口作为所述目标区域的SAR时序影 像中待预测像元的关键物候期。 6.根据权利要求1所述的基于动态时间窗口的作物分类方法， 其特征在于， 所述分别对 所述第一时序 物候特征曲线和所述第二时序 物候特征曲线进 行物候期提取， 对应得到所述 训练区域中每一类别所述作物的关键物候期和所述目标区域的SAR时序影像中待 预测像元 的关键物候期， 具体为： 分别以预设的第 一物候特征阈值和预设的第 二物候特征阈值为依据， 对应确定所述训 练区域中每一类别所述作物的生长季开始日期和生长季结束日期， 以及所述目标区域的 SAR时序影 像中待预测像元的生长季开始日期和生长季 结束日期； 以所述训练区域中每一类别所述作物的生长季开始日期和生长季结束日期对应的时 间窗口作为所述训练区域中每一类别所述作物的关键物候期； 以所述目标区域的SAR时序 影像中待预测像元的生长季开始日期和 生长季结束日期对应的时间窗口作为所述目标区 域的SAR时序影 像中待预测像元的关键物候期。 7.根据权利要求1所述的基于动态时间窗口的作物分类方法， 其特征在于， 所述基于动 态时间规整算法， 计算所述目标区域的SAR时序影像中待预测像元 的待预测曲线与所述训 练区域中每一类别所述作 物的标准作 物曲线的相似度， 以确定所述待 预测像元的作 物所属 类别， 具体为： 计算所述目标区域的SAR时序影像 中待预测像元的待预测曲线与所述训练区域中每一 类别所述作物的标准作物曲线的欧氏距离； 以所述欧氏距离最小时所述标准作物曲线对应的作物类别作为所述待预测像元的作权　利　要　求　书 2/3 页 3 CN 114926743 A 3