一种基于CTLR和DTWK-means的时序SAR影像作物提取方法

一种基于ctlr和dtw k-means的时序sar影像作物提取方法
技术领域
1.本发明涉及作物遥感技术领域，更具体地，涉及一种基于ctlr和dtw k-means的时序sar影像作物提取方法。

背景技术：

2.受云、雨、雾等气象条件的影响带来的光学数据常年和大段缺失以及作物种植地块的破碎为作物种植面积监测带来了很大困难。合成孔径雷达(synthetic aperture radar,sar)不仅具有全天时、全天候、不受气象条件影响的观测能力，它的侧视斜距投影成像能力也对作物、土壤结构和特征具有敏感性，在农业资源调查、土地资源利用、作物面积监测等领域均得到应用，是作物遥感监测中替代光学遥感数据的最优选择。尤其c波段雷达微波可到达作物冠层，对作物植株立体结构具有较强敏感性，在作物植株如花、果实和叶片间多次散射，蕴含各生育期作物植株信息。此外，由于作物种植地块破碎，林地、水体等其他地物也存在季节性变化，在单期或多期遥感影像上与作物显示相同特征，为作物种植面积提取带来较大困难。
3.作物自身的微波辐射以及作物和雷达微波间的相互作用特征是比较复杂的。随着雷达遥感技术的快速发展获得大量数据的同时，如何从雷达遥感数据中提取出目标作物特征已成为作物微波遥感应用研究中的关键问题。极化分解技术可有效获取雷达极化特征，从而更为准确的提取地物分布信息。但极化分解主要应用于全极化sar数据分析，而一些常用的雷达数据如sentinel-1数据只具有双极化波段。近年来新生的简缩极化分解技术为双极化sar数据极化分解和极化特征分析带来了新的技术支撑。随着简缩极化理论和方法的发展，简缩极化的应用研究和应用潜力分析在不断开展，目前已提出3种简缩极化sar工作模式，分别是发射45
°
线极化波、接收h和v线极化波的π/4模式；发射左旋或右旋圆极化波、接收左旋和右旋圆极化波的双圆极化(dual circular，circular polarization,dcp)模式；发射左旋或右旋圆极化波、接收h和v线极化波的混合极化(hybrid polarimetric,hp)模式，又被称为圆极化发射线极化接收模式(circular transmit and linear receive,ctlr)。相较于传统线性双极化sar，简缩极化sar能够存储回波信号的相位，信号组合方式更加灵活，从而能获取更丰富的散射信息，在许多应用中取得了与全极化sar数据相近的结果。此外，雷达植被指数可反映作物生长状态和分布信息，可应用于时序雷达数据的分析中。当前常用的雷达植被指数主要有：基于交叉极化后向散射系数和共极化后向散射系数比值的rvi；基于相干矩阵特征值比值的rvi；基于freeman极化分解体散射，二面角散射和表面散射比值的rvi。但以上3种雷达植被指数的构建需要基于全极化雷达数据极化分解，难以应用于双极化雷达数据上。
4.作物具有特定的规律性的随生育期变化而发生变化的植株特征。使用时序遥感影像与不同物候期作物植株建立关系并进行作物种植区域提取，一直是农业遥感中的重要研究方向和研究热点。使用遥感影像时序数据进行地物分类的关键是进行时序数据的相似性分析，即使用一定的标准，定量评价待判断像元时序与目标地类参考时序间的相似程度。具
有代表性的相似性度量标准有欧氏距离(ed)和动态时间规整距离(dtw)等。受传感器像元变异、成像噪声等因素影响，时序遥感数据中某时间点的像元值可能出现缺失或异常，因此利用欧氏距离进行不等长序列相似性距离度量时会出现较大偏差。dtw算法是基于动态规划思想的典型优化方法，主要用于检测序列间的相似性。dtw的原理是采用满足一定条件的时间规整函数，描述输入序列和参考序列在时间上的对应关系，求解两者匹配时累计距离最小所对应的规整函数。与其他相似性度量方法相比，dtw在一定程度上克服了尺度位移问题，解决了不等长时间序列的匹配问题，且能够抵抗异常值，从而取得更好的相似特征匹配效果。dtw最早应用于语音识别和视频检索领域，近年来该算法结合光学遥感植被指数，应用于时序光学遥感影像的分类研究中，并在植被或土地覆盖类型的分类和提取上得到了广泛的应用。当组成遥感时序的数据较多时，使用dtw算法遍历所有待分类像元时序曲线，并逐一与标准时序曲线进行比较，存在大量无效计算且运算量较大。k-means是当前遥感影像分类中使用最广泛的动态迭代求解无监督分类方法，k-means算法计算速度快且聚类效果好。将dtw引入k-means算法替代欧氏距离，兼顾时空信息进行遥感分类和目标地物提取，既能够克服使用单一时刻影像进行地物分类时影像异常值造成的误差，又降低了遍历和比较所有待分类像元时序曲线的工作量。

技术实现要素：

5.针对背景技术中的问题，为了获得全口径、高精度的区域作物种植面积遥感监测结果，本发明构造了ctlr简缩极化分解雷达植被指数；结合dtw和k-means分类方法，对作物种植区域进行sar遥感影像提取。
6.本发明提出一种基于ctlr和dtw k-means的时序sar影像作物提取方法，包括：1)极化分解：对双极化sar时序数据散射矩阵s进行基于圆极化发射线极化接收模式极化分解，获得散射分量；2)构建标准时序曲线：利用散射分量构造简缩极化雷达植被指数，结合地面样点，构造研究区典型地物雷达植被指数标准时序曲线；3)进行时序分类：参考研究区典型地物雷达植被指数标准时序曲线，使用dtw算法比较待分类像元时序曲线与标准时序曲线间相似度；基于dtw相似度，给定k值与随机初始中心进行k-mean聚类迭代，获得k个类簇及相应聚类中心并进行地物分类。
7.进一步，本发明的方法还包括：在步骤1)中，获得偶次散射r
dbl
、体散射r
rnd
和表面散射r
odd
分量；在步骤2)中，利用偶次散射r
dbl
、体散射r
rnd
和表面散射r
odd
分量构造简缩极化雷达植被指数，结合地面样点，构造研究区典型地物雷达植被指数标准时序曲线。
8.进一步，本发明的方法还包括：在极化分解步骤之前，还包括：对双极化sar时序数据进行预处理，并提取散射矩阵，其中所述预处理包括：轨道校正、辐射定标、波段合成和地形校正。
9.进一步，本发明的方法还包括：在步骤1)中，通过如下公式获得获得偶次散射r
dbl
、体散射r
rnd
和表面散射r
odd
分量：r
rnd
＝(1-m)g0，其中，m表示极化度，χ表示圆度。
10.进一步，本发明的方法还包括：在步骤2)中，通过如下公式构造简缩极化雷达植被
指数rvi
ctlr
：
11.进一步，本发明的方法的步骤2)包括：对地面样点进行编辑、添加属性、投影转换，并覆盖在时序sar遥感影像上，获得与地面样点空间对应的时序遥感像元值；对每个时刻像元值进行置信分析，取每个时刻设定的置信区间内数据的均值作为该时刻的标准时间序列曲线值；连接各时刻数值，构建研究区典型地物雷达植被指数标准时序曲线。
12.进一步，本发明的方法的步骤3)包括：
13.31)使用dtw算法比较待分类像元时序曲线与标准时序曲线间的相似度；
14.32)基于dtw相似度，给定k值与随机初始中心进行k-means聚类迭代，获得k个类簇及相应聚类中心并进行地物分类。
15.进一步，本发明的步骤32)包括：
16.321)给定聚类数k，随机选择k个对象为初始聚类中心；
17.322)以dtw相似距离为距离度量，计算每个样本序列和各个中心之间的距离，将序列划分给距离它最近的中心，形成k个聚类；
18.进一步，本发明的步骤32)还包括：
19.323)重新计算每个聚类的均值作为新的聚类中心；
20.324)反复执行321)-333)，直至各聚类中心移动幅度小于设定阈值，以获得最终的时序数据分类结果。
21.进一步，本发明的步骤3)还包括：合并其他类别地物，以得到最终的作物种植分布结果。
22.本发明的有益效果为：本发明的方法可应用于双极化sar遥感数据，蕴含雷达微波和作物作用机理，克服了使用单一时刻双极化sar影像进行作物分类时影像异常值造成的误差，能够获得全口径、高精度的区域作物种植面积遥感监测结果。
附图说明
23.为了更容易理解本发明，将通过参照附图中示出的具体实施方式更详细地描述本发明。这些附图只描绘了本发明的典型实施方式，不应认为对本发明保护范围的限制。
24.图1为本发明方法的一个实施方式的技术路线图。
25.图2为验证本发明方法的一个研究区的概况图。
26.图3为图2所示研究区sentine-1双极化sar影像图表。
27.图4显示了典型地物时序曲线均值。
28.图5显示了油菜时序曲线及均值。
29.图6显示了研究区遥感分类结果。
30.图7-9显示了地面样方图和区域油菜提取样方验证精度的6个样方。
具体实施方式
31.下面参照附图描述本发明的实施方式，以便于本领域的技术人员可以更好的理解本发明并能予以实施，但所列举的实施例不作为本发明的限定，在不冲突的情况下，下述的实施例及实施例中的技术特征可以相互组合，其中相同的部件用相同的附图标记表示。
32.为了获得全口径、高精度的区域作物种植面积遥感监测结果，本发明的方法首先基于ctlr简缩极化分解构建雷达植被指数并分析研究区典型地物的微波散射时序特征；然后在极化分解的基础上，利用偶次散射、体散射和表面散射分量构造了ctlr简缩极化分解雷达植被指数；最后，结合dtw和k-means分类，基于双极化sar数据对区域作物种植分布进行遥感提取。
33.图1显示了本发明的方法的技术路线图，具体步骤如下：
34.s1、对双极化sar时序数据进行预处理，并提取散射矩阵s。预处理包括：轨道校正，辐射定标，波段合成，地形校正等。
35.s2、对预处理后的双极化sar时序数据散射矩阵s进行基于圆极化发射线极化接收模式极化分解，获得偶次散射r
dbl
、体散射r
rnd
和表面散射r
odd
分量。
36.s3、利用偶次散射r
dbl
、体散射r
rnd
和表面散射r
odd
分量构造简缩极化雷达植被指数，再结合地面样点，构造研究区典型地物雷达植被指数标准时序曲线。
37.s4、参考研究区典型地物雷达植被指数标准时序曲线，使用dtw算法比较待分类像元时序曲线与标准时序曲线间相似度；基于dtw相似度，给定k值与随机初始中心进行k-mean聚类迭代，获得k个类簇及相应聚类中心并进行地物分类。合并其他类别地物，以得到最终的作物种植分布结果。
38.下面更加详细地描述本发明的方法。
39.步骤s2中，获得偶次散射r
dbl
、体散射r
rnd
和表面散射r
odd
分量的过程如下：
40.由简缩极化斯托克斯(stokes)矢量或协方差矩阵，可以得到具有明确物理意义的特征参数，主要包括：极化度m，2个正交极化分量的相位差δ和圆度χ。其中，极化度m用来表征散射的随机程度；相位差δ用来区分偶次散射和奇次散射；圆度χ体现了完全极化波中表面散射和偶次散射所占的比重。
41.vv、vh双极化sar数据散射矩阵s为：
[0042][0043]
散射矢量可由s得到：
[0044][0045]
其中，t表示矩阵转置，电磁场e的下标表示极化方式，下标rh表示右旋圆极化发射，水平极化接收，下标rv表示右旋圆极化发射，垂直极化接收。
[0046]
基于散射矢量可得到紧缩极化协方差矩阵c2为
[0047][0048]
其中，*表示复共轭，《.》表示空间统计平均。
[0049]
ctlr简缩极化模式下的stokes矢量表达式使用g＝[g
0 g
1 g
2 g3]
t
表示：
[0050][0051]
式中，表示取复数的实部；表示取复数的虚部；g0表示电磁波总功率，g1表示水平或垂直线极化分量功率值，g2表示倾角为45
°
或135
°
时的线极化分量功率值，g3为右旋圆极化分量的功率值。
[0052]
由stokes矢量分别得到极化度m、相对相位δ和圆度χ，如式(5)至式(7)所示：
[0053][0054][0055][0056]
m-χ分解的ctlr极化分解表达式如式(8)至式(10)所示：
[0057][0058]rrnd
＝(1-m)g0ꢀꢀꢀꢀꢀꢀꢀ
(9)
[0059][0060]
式中r
dbl
，r
rnd
，r
odd
分别表示偶次散射、体散射和表面散射分量，即为散射目标的不同散射机制成分。
[0061]
在步骤s3中，构造简缩极化雷达植被指数的过程如下：
[0062]
雷达入射波进入植被内部发生多次散射,其散射回波为随机散射波，植被对雷达的作用主要是体散射。因此，体散射占总散射比例越大的地物，越有可能是植被。为了更好的区分研究区作物和其他典型地物特征，本发明构造了ctlr简缩极化分解雷达植被指数，在一种实施方式中，ctlr简缩极化分解雷达植被指数rvi
ctlr
如式(11)所示。
[0063][0064]
式中，r
dbl
表示偶次散射分量，r
rnd
表示体散射分量，r
odd
表示表面散射分量。
[0065]
rvi
ctlr
的理论取值范围是[0,1]。当雷达波照射区域为水体或裸地时，体散射分量pv理论上趋向于0，rvi
ctlr
的取值也趋向于0；当雷达观测视场包含有林地或作物时，雷达微波穿透植被或作物冠层与地面发生单次散射和雷达微波入射地面反射到树干(茎)发生二面角反射回波的能量均降低，表面散射ps和偶次散射pd分量均减小，体散射分量pv增大。可选地，也可以用不同的散射分量构造ctlr简缩极化分解雷达指数。
[0066]
然后，对地面样点进行编辑、添加属性、投影转换，并覆盖在时序sar遥感影像上，获得与地面样点空间对应的时序遥感像元值。对每个时刻像元值进行置信分析，取每个时刻90％置信区间内数据的均值作为该时刻的标准时间序列曲线值。连接各时刻数值，构建
研究区典型地物雷达植被指数标准时序曲线。
[0067]
下面详细描述步骤s4：进行dtw k-means聚类。
[0068]
dtw本质上是一种模板匹配算法。当组成遥感时序的数据较多时，使用dtw算法遍历所有待分类像元时序曲线，并逐一与标准时序曲线进行比较，存在大量无效计算且运算量较大。k-means是当前遥感影像分类中使用最广泛的动态迭代求解无监督分类方法，k-means算法计算速度快且聚类效果好。本发明将dtw引入k-means算法替代欧氏距离，兼顾时空信息进行遥感分类和目标作物提取，既能够克服使用单一时刻双极化sar进行作物分类时影像异常值造成的误差，又降低了遍历和比较所有待分类像元时序曲线的工作量。
[0069]
dtw k-means分类方法主要分为两步：1)使用dtw算法比较待分类像元时序曲线与标准时序曲线间的相似度；2)基于dtw相似度，给定k值与随机初始中心进行k-means聚类迭代，获得k个类簇及相应聚类中心并进行地物分类。
[0070]
dtw算法的原理是给定两个序列t＝{t1,t2,t3,
…
,tn}和r＝{r1,r2,r3,
…
,rn}，其长度分别为m和n。定义距离矩阵dm×n，矩阵元素为t中元素qi和r中元素rj的欧式距离。
[0071][0072]
在矩阵dm×n中，把一组相邻的矩阵元素的集合(w)定为弯曲路径，该路径的起止元素为距离矩阵的斜对角线的两端元素，且满足连续性和单调性约束。
[0073][0074]
其中，max(m,n)≤k≤m+n-1。dtw通过动态规划寻距离累积值最小的路径即为最佳时序距离。
[0075]
基于dtw相似度的k-means分类的算法原理是给定聚类数k，随机选择k个对象为初始聚类中心。以dtw相似距离为距离度量，计算每个样本序列和各个中心之间的距离，将序列划分给距离它最近的中心，形成k个聚类c＝{c1,c2,c3,
…
,cn}。再重新计算每个聚类的均值作为新的聚类中心。反复执行上述步骤直至各聚类中心移动幅度小于设定阈值，以获得最终的时序数据分类结果。
[0076]
本发明的方法进行了验证。
[0077]
研究区域选择如下。以中国长江中下游地区湖南南部油菜为研究对象，验证所提基于ctlr极化分解植被指数和dtw k-means分类的油菜种植区域提取方法的可行性和适用性。研究区总面积12771平方公里，由2020年湖南统计年鉴(http://tjj.hunan.gov/hntj/index.html)，研究区油菜播种面积14.08万公顷，约占湘南油菜总播种面积的四分之一，是湘南油菜的主要产区。研究区沿湘江分布，地形属丘陵区，且位于亚热带季风气候区，土壤类型主要为红壤，主要作物种植制度为冬油菜—一季稻一年两熟制。研究区概况如图2所示。研究区冬油菜从每年10月开始播种至次年5月中旬收获：11月下旬到12月为苗期，次年1月上旬、3月上旬、4月上旬以及5月上旬依次迎来冬油菜的蕾薹期、开花期、角果期以及
成熟期。
[0078]
使用遥感数据如下。试验遥感数据采用覆盖研究区的sentine-1 slc(single look complex)数据，该数据为interferometric wide swath(iw)模式，极化方式为vv、vh双极化。本发明共使用13景sentine-1遥感影像构造时序数据，影像成像时间依次为2020年12月9日，2020年12月21日，2021年1月2日，2021年1月14日，2021年1月26日，2021年2月7日，2021年2月19日，2021年3月3日，2021年3月15日，2021年3月27日，2021年4月8日，2021年4月20日和2021年5月2日，相对轨道号均为11，研究区油菜生育期和sentine-1影像列表如图3所示。本发明使用snap软件，对下载的sentinel-1时序数据依次进行了轨道校正，辐射定标，波段合成和地形校正等预处理，并将其空间分辨率重采样为20m
×
20m。
[0079]
地面样点的情况如下：地面样点的数据获取时间是2021年3月3日，对应油菜植株特征最明显的开花盛期。在整个研究区共收集了94个油菜样点和6个地面样方用于验证区域油菜提取精度，检验基于ctlr简缩极化分解雷达植被指数的稳定性和基于dtw k-means分类的油菜种植区域提取方法的可行性。对地面样点进行编辑、添加属性、投影转换，并覆盖在实验sentinel-1遥感影像时序数据上。
[0080]
验证结果如下。
[0081]
1、rvi
ctlr
时序数据分析的结果
[0082]
对研究区2020年12月至2021年5月的sentnel-1时序数据进行预处理，包括轨道校正，辐射定标，波段合成和地形校正等预处理，并提取散射矩阵s。对预处理后的sentinel-1时序数据散射矩阵s进行基于ctlr简缩极化分解，获得偶次散射r
dbl
、体散射r
rnd
和表面散射r
odd
分量。利用偶次散射、体散射和表面散射分量构造了简缩极化雷达植被指数。结合地面样点，构建研究区典型地物雷达植被指数标准时序曲线。水体、裸地、油菜、林地和建筑物五种典型地物的时序曲线均值如图4-5所示。
[0083]
从图4显示的典型地物时序曲线均值(各100点)可以看出，研究区5种典型地物中，水体，裸地，林地和建筑物的rvi
ctlr
值随时间变化的变化较小。水体和裸地的rvi
ctlr
值较小，且水体rvi
ctlr
值低于裸地rvi
ctlr
值，这是由于水体和裸地在雷达影像上都主要表现为表面散射，表面散射分量ps较大，体散射分量pv较小；建筑物的rvi
ctlr
值居中，这是由于建筑物在雷达影像上主要表现为偶次散射和体散射，偶次散射分量pd和体散射分量pv值都较大，分别作用于rvi
ctlr
值的分子和分母上，使建筑物的rvi
ctlr
值居中；林地的rvi
ctlr
值较高，这是由于林地在雷达影像上主要表现为体散射，体散射分量pv较高。油菜的rvi
ctlr
值在时序上的变化较大，油菜的rvi
ctlr值
随着油菜生长发育逐渐增大，刚播种时油菜植株体积较小，在雷达影像上表现的体散射分量pv也较小，随着油菜开花和角果生长，油菜的体积变大，体散射分量pv也随着变大。尤其在开花初期和开花末期，此时油菜开花或伴随角果生长，植株体积增大明显，rvi
ctlr
值也增加明显。油菜角果后期，油菜的光合器官逐渐转变为油菜角果，叶片开始衰落，植株体积变小，rvi
ctlr
值降低。此外，由图5显示的油菜雷达植被指数时序曲线及均值可以看出，由于研究区油菜品种、生长环境以及田间管理措施存在差异，油菜的生育期也存在一定差异，尤其开花期和叶片衰落期的差异明显。上述研究表明，rvi
ctlr
可以在时序上区分研究区油菜和其他典型地物。
[0084]
2、油菜种植区域提取结果
[0085]
本发明基于构造的典型地物rvi
ctlr
时序曲线，进行整个研究区的遥感影像分类和
油菜种植区域提取。在时序组合的选择上，兼顾遥感影像分类和油菜提取精度(遥感影像分类总体精度大于60％，油菜提取总体精度大于70％)以及遥感分类效率(时序数据数量少，数据获取时间早)，本发明使用了2021年1月2日，2021年2月7日，2021年2月19日，2021年3月3日，2021年3月15日和2021年3月27日的7景sentinel-1遥感数据并组合进行整个研究区的遥感影像分类和油菜提取应用，遥感影像分类结果如图6所示。
[0086]
使用2021年3月3日实测的94个油菜样点和6个样方，对研究区油菜提取结果进行精度验证。地面实测的94个油菜样点中，69个样点被准确分类为油菜，总体精度为73.4％。利用6个样方对油菜提取结果进行精度验证，地面样方图和区域油菜提取样方验证精度如图7-9和表1所示。
[0087]
表1区域油菜提取样方验证精度
[0088][0089]
由图7-9所示的地面样方图看出，大部分油菜地块被准确分为油菜，一部分油菜和其他地物被错分。由表1区域油菜提取样方验证精度，6个样方单独看，总体精度从42.15％到81.88％，油菜f-1系数范围从58.33％到90.04％。总体精度和油菜f-1系数最低的样方3是6个样方里最小的一个样方，由于sentinel-1sar影像的空间分辨率只有20m，对于小地块分辨能力也相对较差。6个样方整体看，总体精度和油菜f-1系数分别为68.20％和80.41％。上述研究结果表明基于ctlr简缩极化分解雷达植被指数和dtw k-means分类的油菜种植区域提取方法的在研究区油菜种植区域提取上具有较高精度，也表明ctlr简缩极化分解雷达植被指数的稳定性和dtw k-means分类在油菜种植区域时序提取的可行性。
[0090]
以上所述的实施例，只是本发明较优选的具体实施方式，本说明书使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。

技术特征：

1.一种基于ctlr和dtw k-means的时序sar影像作物提取方法，其特征在于，包括：1)极化分解：对双极化sar时序数据散射矩阵s进行基于圆极化发射线极化接收模式极化分解，获得散射分量；2)构建标准时序曲线：利用散射分量构造简缩极化雷达植被指数，结合地面样点，构造研究区典型地物雷达植被指数标准时序曲线；3)进行时序分类：参考研究区典型地物雷达植被指数标准时序曲线，使用dtw算法比较待分类像元时序曲线与标准时序曲线间相似度；基于dtw相似度，给定k值与随机初始中心进行k-mean聚类迭代，获得k个类簇及相应聚类中心并进行地物分类。2.根据权利要求1所述的时序sar影像作物提取方法，其特征在于，在步骤1)中，获得偶次散射r
dbl
、体散射r
rnd
和表面散射r
odd
分量；在步骤2)中，利用偶次散射r
dbl
、体散射r
rnd
和表面散射r
odd
分量构造简缩极化雷达植被指数，结合地面样点，构造研究区典型地物雷达植被指数标准时序曲线。3.根据权利要求1所述的时序sar影像作物提取方法，其特征在于，在极化分解步骤之前，还包括：对双极化sar时序数据进行预处理，并提取散射矩阵，其中所述预处理包括：轨道校正、辐射定标、波段合成和地形校正。4.根据权利要求1所述的时序sar影像作物提取方法，其特征在于，在步骤1)中，通过如下公式获得偶次散射r
dbl
、体散射r
rnd
和表面散射r
odd
分量：r
rnd
＝(1-m)g0，其中，m表示极化度，χ表示圆度。5.根据权利要求4所述的时序sar影像作物提取方法，其特征在于，在步骤2)中，通过如下公式构造简缩极化雷达植被指数rvi
ctlr
：6.根据权利要求1所述的时序sar影像作物提取方法，其特征在于，步骤2)包括：对地面样点进行编辑、添加属性和投影转换，并覆盖在时序sar遥感影像上，获得与地面样点空间对应的时序遥感像元值；对每个时刻像元值进行置信分析，取每个时刻设定的置信区间内数据的均值作为该时刻的标准时间序列曲线值；连接各时刻数值，构建研究区典型地物雷达植被指数标准时序曲线。7.根据权利要求1所述的时序sar影像作物提取方法，其特征在于，步骤3)包括：31)使用dtw算法比较待分类像元时序曲线与标准时序曲线间的相似度；32)基于dtw相似度，给定k值与随机初始中心进行k-means聚类迭代，获得k个类簇及相应聚类中心并进行地物分类。8.根据权利要求6所述的时序sar影像作物提取方法，其特征在于，步骤32)包括：321)给定聚类数k，随机选择k个对象为初始聚类中心；322)以dtw相似距离为距离度量，计算每个样本序列和各个中心之间的距离，将序列划分给距离它最近的中心，形成k个聚类。9.根据权利要求8所述的时序sar影像作物提取方法，其特征在于，步骤32)还包括：
323)重新计算每个聚类的均值作为新的聚类中心；324)反复执行321)-333)，直至各聚类中心移动幅度小于设定阈值，以获得最终的时序数据分类结果。10.根据权利要求1所述的时序sar影像作物提取方法，其特征在于，步骤3)还包括：合并其他类别地物，以得到最终的作物种植分布结果。

技术总结

一种基于CTLR和DTW K-means的时序SAR影像作物提取方法，包括：1)对双极化SAR时序数据散射矩阵S进行基于圆极化发射线极化接收模式极化分解，获得散射分量；2)利用散射分量构造简缩极化雷达植被指数，构造研究区典型地物雷达植被指数标准时序曲线；3)参考研究区典型地物雷达植被指数标准时序曲线，使用DTW算法比较待分类像元时序曲线与标准时序曲线间相似度；基于DTW相似度，给定K值与随机初始中心进行K-mean聚类迭代，获得K个类簇及相应聚类中心并进行地物分类。本发明的方法克服了使用单一时刻双极化SAR影像进行作物分类时影像异常值造成的误差，能够获得全口径、高精度的区域作物种植面积遥感监测结果。作物种植面积遥感监测结果。作物种植面积遥感监测结果。