CN120278341A 基于时序遥感影像的农作物产量预测方法 （北华航天工业学院）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120278341A(43)申请公布日2025.07.08

(21)申请号202510724738.0

(22)申请日2025.06.03

(71)申请人北华航天工业学院

地址065099河北省廊坊市爱民东道133号

(72)发明人文斌齐智杨宇苏琪庄祥

崔雄涛唐瑞尹李旭青曹云刚潘如梦

(74)专利代理机构南京中洲知识产权代理事务所(普通合伙)32910

专利代理师程彬

(51)Int.CI.

GO6VG06Q

20/13(2022.01)

50/02(2024.01)

GO6Q10/04(2023.01)

GO6V10/52(2022.01)

GO6V10/62(2022.01)

G06V10/80(2022.01)

权利要求书2页说明书6页附图1页

(54)发明名称

基于时序遥感影像的农作物产量预测方法

(57)摘要

CN120278341A本发明涉及农作物产量分析技术领域，具体为基于时序遥感影像的农作物产量预测方法，本发明中，获取农作物生长期内的光学遥感影像和合成孔径雷达影像，通过互补信息融合和云下信息恢复，构建时间序列影像；解决云层干扰与数据缺失问题，利用多尺度时间调控卷积模块处理时间序列影像，提取多尺度时序特征，并结合注意力差分跳跃连接进行特征融合，得到水稻分布图；基于水稻分布图确定水稻种植区域，并在水稻种植区域内选择最优同化时段，将遥感反演的叶面积指数与作物生长模型模拟结果进行同化，生成同化后模拟产量；基于多尺度时序特征，建立以作物生长模型参数相关的参数动态响应矩阵，对同化后模拟产量进行残差校正，从而提高

CN120278341A

获取农作物生长期内的光学遥感影像和合成

获取农作物生长期内的光学遥感影像和合成孔径雷达影像，通过

互补信息融合和云下信息恢复，构建时间序列影像

S2

利用多尺度时间调控卷积模块处理时间序列影像，提取多尺度时

序特征，并结合注意力差分跳跃连接进行特征融合，得到水稻分布图

S3

基于水稻分布图确定水稻种植区域，并在水稻种植区域内选择最

优同化时段，将遥感反演的叶面积指数与作物生长模型模拟结果进

行同化，生成同化后模拟产量

S4

基于步骤S2中的多尺度时序特征，建立以作物生长模型参数相关

的参数动态响应矩阵，对步骤S3的同化后模拟产量进行残差校正，

输出优化后的水稻种植区域产量估算值

CN120278341A权利要求书1/2页

2

1.基于时序遥感影像的农作物产量预测方法，其特征在于，其方法步骤如下：

S1、获取农作物生长期内的光学遥感影像和合成孔径雷达影像，通过互补信息融合和云下信息恢复，构建时间序列影像；

S2、利用多尺度时间调控卷积模块处理时间序列影像，提取多尺度时序特征，并结合注意力差分跳跃连接进行特征融合，得到水稻分布图；

S3、基于所述水稻分布图确定水稻种植区域，并在水稻种植区域内选择最优同化时段，将遥感反演的叶面积指数与作物生长模型模拟结果进行同化，生成同化后模拟产量；

S4、基于步骤S2中的多尺度时序特征，建立以作物生长模型参数相关的参数动态响应矩阵，对步骤S3的同化后模拟产量进行残差校正，输出优化后的水稻种植区域产量估算值。

2.根据权利要求1所述的基于时序遥感影像的农作物产量预测方法，其特征在于，所述互补信息融合的过程具体包括：

通过双分支特征提取模块分别提取光学影像的光谱特征和雷达影像的后向散射特征；

利用交叉注意力机制计算光学特征与雷达特征的互补性权重矩阵，对雷达特征缺失区域补充光学光谱特征，对光学云覆盖区域重建地表信息；

采用多尺度特征融合模块融合浅层细节特征与深层语义特征，生成保留光谱特性与纹理细节的融合影像。

3.根据权利要求1所述的基于时序遥感影像的农作物产量预测方法，其特征在于，所述云下信息恢复的过程具体包括：

生成云层二值掩膜区分厚云完全遮挡区域、薄云覆盖区域及云阴影区域；

对薄云覆盖区域采用光谱解混技术分离云层与地表反射信号；

对厚云完全遮挡区域结合前一时相的无云影像与同期雷达影像，通过时空序列预测模型重建云下地表反射率；

对于云阴影区域，基于雷达影像的后向散射系数与历史无云影像的短波红外波段特征，采用时空自适应滤波算法消除阴影引起的反射率衰减。

4.根据权利要求1所述的基于时序遥感影