本发明涉及水稻作物监测，尤其涉及一种多云多雨地区全自动水稻精准制图方法、系统及存储介质。
背景技术：
1、传统的水稻分布信息获取以田间采样为主，但难以适应大范围的监测需求，依赖于庞大的调查队伍，信息的获取存在成本高、时效性差和结果受主观影响大的缺点。面对多云多雨地区遥感自动精准提取水稻的需求，中低分辨率遥感像元级的处理和制图结果往往无法与实际的农业耕作管理单元相对应，并且存在混合像元现象严重、光谱信息混杂的问题，通常无法满足精细化农业种植活动监测的精度需求，同时，多云多雨复杂的气候环境，导致光学遥感失效，难以进行连续的观测而不能准确认知水稻的空间分布信息。
2、针对上述问题，现有中国发明专利cn117690024a，其采用了sar影像对多种植模式水稻田进行识别，虽一定程度上避免了天气条件对影像成像质量。但对于作物生产过程的监测，sar遥感数据图像在农业遥感监测应用中受到一些限制，sar的后向散射系数受到农作物的结构，地表性质（如粗糙度和含水量等）等多重因数的影响，很难将地表性质从后向散射系数分离出农业种植活动信息。同时，sar数据本身存在较大的噪声，影像视觉特征不够明显，对地成像机制也不够清晰，在加上因地形起伏产生几何畸变或斜距成像而导致的位置不稳等因数，造成其对地物空间形态的呈现存在明显不足。因此，在多云多雨地区水稻提取中，仅利用sar遥感时序数据开展精准农业遥感应用研究时，很难达到光学遥感指标（如ndvi）时间序列数据对作物物候响应监测的可解释性，从而导致因机制含糊不清在水稻农作物识别和长势监测精度较低。而水稻监测往往需要更精细的，能承载农业活动的地块数据。尤其是在多云多雨复查地表开展精准水稻提取应用研究时，主要面临地块破碎导致的中分辨率遥感不能精细表达耕作空间和极端的气候条件导致的难以建立光学长时间序列遥感数据对作物生长过程进行连续观测的问题，继而无法满足对多云多雨地区的水稻农作物进行精细化的精准监控需求。
技术实现思路
1、本发明的目的是为了解决现有技术中存在无法满足对多云多雨地区的水稻农作物进行精细化的精准监控需求的缺点，而提出的一种多云多雨地区全自动水稻精准制图方法、系统及存储介质。
2、为了实现上述目的，本发明采用了如下技术方案：
3、本发明在第一方面中提供了一种多云多雨地区全自动水稻精准制图方法，包括：
4、获取目标区域的扫描图像，制作目标区域的轮廓模型，并结合目标区域的地貌特征，确定目标区域的地貌分割图像；
5、根据目标区域的地貌分割图像，分别获取目标区域的遥感特征信息，并对目标区域的遥感特征信息进行分析，确定目标区域中的农作物对象和非农作物对象的分布信息；
6、获取目标区域中水稻的生长特征信息，制作目标区域中水稻的遥感特征变换曲线，确定目标区域中的水稻作物和其他作物的分布信息；
7、根据目标区域中的农作物对象和非农作物对象的分布信息和/或目标区域中的水稻作物和其他作物的分布信息，并结合目标区域的地貌分割图像，制作目标区域的水稻分布图像。
8、在一些可行的方案中，所述确定目标区域中的农作物对象和非农作物对象的分布信息的方法包括：
9、根据目标区域的地貌特征和目标区域的地貌分割图像，确定目标区域存在的识别对象；
10、根据目标区域的遥感特征信息，分别获取目标区域中每一识别对象的遥感特征信息；
11、获取水稻对象在不同时期的遥感特征，并结合目标区域中每一识别对象的遥感特征信息，制作水稻对象的第一筛选信息；
12、根据水稻对象的第一筛选信息，对目标区域中每一识别对象的遥感特征信息，在目标区域中确定至少一个符合第一筛选信息的第一目标对象。
13、在一些可行的方案中，所述制作水稻对象的第一筛选信息的方法包括：
14、根据水稻对象在不同时期的遥感特征，确定水稻对象的遥感特征中最小值；
15、获取至少两个不同时序段下目标区域中每一识别对象的遥感特征信息，确定目标区域中每一识别对象的遥感特征中平均值；
16、根据水稻对象的遥感特征中最小值和目标区域中每一识别对象的遥感特征中平均值，制作水稻对象的第一筛选信息。
17、在一些可行的方案中，所述确定目标区域中的水稻作物和其他作物的分布信息的方法包括：
18、根据目标区域中水稻的生长特征信息，并结合目标区域的遥感特征信息，确定目标区域中水稻遥感特征变化图形；
19、根据目标区域中水稻遥感特征变化图形，制作水稻对象的第二筛选信息；
20、根据水稻对象的第二筛选信息，将目标区域中符合第一筛选信息的第一目标对象进行二次筛选，确定目标区域中的水稻作物。
21、在一些可行的方案中，所述制作水稻对象的第二筛选信息的方法包括：
22、根据目标区域中水稻的生长特征信息，确定水稻至少两个区间段生长特征；
23、根据水稻至少两个区间段生长特征，分别确定水稻的每一区间段的遥感特征变化图形；
24、根据水稻的每一区间段的遥感特征变化图形，分别确定水稻的每一区间段的遥感特征变化图形特征；
25、根据水稻的每一区间段的遥感特征变化图形特征，制作水稻对象的第二筛选信息。
26、在一些可行的方案中，所述确定目标区域中的水稻作物和其他作物的分布信息的方法还包括：
27、设水稻的发育阶段分为五个不同阶段：裸土期、播种期、移栽期、生长期、成熟期；
28、其中，水稻作为播种移栽时唯一需要大量水分的作物，分别获取水稻在播种-移栽期的遥感特征与水稻在移栽-生长期的遥感特征；
29、根据水稻在播种-移栽期的遥感特征和水稻在移栽-生长期的遥感特征，分别确定水稻在播种-移栽期的遥感特征图形特征与水稻在移栽-生长期的遥感特征图形特征；
30、根据水稻在播种-移栽期的遥感特征图形特征与水稻在移栽-生长期的遥感特征图形特征，分别将目标区域中符合第一筛选信息的第一目标对象进行二次筛选，确定目标区域中的水稻作物。
31、在一些可行的方案中，所述制图方法还包括：
32、根据目标区域中水稻的生长特征信息，并结合水稻对象在不同时期的遥感特征，至少确定目标区域中水稻的一个时期遥感特征集合；
33、根据目标区域的地貌分割图像，确定目标区域中至少一个分割单元地块；
34、根据目标区域中水稻的至少一个时期遥感特征集合，并结合目标区域的地貌分割图像，对目标区域中的每一分割单元地块中水稻存在的概率进行确定，分别获得目标区域中每一分割单元地块的水稻概率；
35、根据目标区域中每一分割单元地块的水稻概率，输出目标区域中水稻地块图像；
36、根据目标区域中水稻地块图像，并结合目标区域的地貌分割图像，制作目标区域的水稻图像模型。
37、在一些可行的方案中，所述获得目标区域中每一分割单元地块的水稻概率的方法包括：
38、设存在目标区域中水稻的个时期遥感特征集合，此时输出目标区域中水稻地块概率图像应为个，则：
39、，
40、其中，指分割单元地块i被归类为水稻的可能性；指目标区域中水稻地块概率图像的数量；指分割单元地块i在水稻地块概率图像j中被归类为水稻的可能性。
41、本发明在第二方面中提供了一种多云多雨地区全自动水稻精准制图系统，采用了如第一方面中任一项所述的一种多云多雨地区全自动水稻精准制图方法。
42、本发明在第三方面中提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如第一方面中任一项所述的一种多云多雨地区全自动水稻精准制图方法。
43、本发明的有益效果为：
44、本发明通过采用光学影像、遥感技术以及模型构造三者相互结合的方法，一方面能够对多云多雨地区的水稻规划分布进行整体探测，另一方面能够对多云多雨地区进行地段精细化构建模型，有效满足了精细化的精准监控需求。也即有效的解决了现有技术中存在无法满足对多云多雨地区的水稻农作物进行精细化的精准监控需求的缺点。
1.一种多云多雨地区全自动水稻精准制图方法，其特征在于，包括：
2.根据权利要求1所述的一种多云多雨地区全自动水稻精准制图方法，其特征在于，所述确定目标区域中的农作物对象和非农作物对象的分布信息的方法包括：
3.根据权利要求2所述的一种多云多雨地区全自动水稻精准制图方法，其特征在于，所述制作水稻对象的第一筛选信息的方法包括：
4.根据权利要求3所述的一种多云多雨地区全自动水稻精准制图方法，其特征在于，所述确定目标区域中的水稻作物和其他作物的分布信息的方法包括：
5.根据权利要求4所述的一种多云多雨地区全自动水稻精准制图方法，其特征在于，所述制作水稻对象的第二筛选信息的方法包括：
6.根据权利要求5所述的一种多云多雨地区全自动水稻精准制图方法，其特征在于，所述确定目标区域中的水稻作物和其他作物的分布信息的方法还包括：
7.根据权利要求6所述的一种多云多雨地区全自动水稻精准制图方法，其特征在于，所述制图方法还包括：
8.根据权利要求7所述的一种多云多雨地区全自动水稻精准制图方法，其特征在于，所述获得目标区域中每一分割单元地块的水稻概率的方法包括：
9.一种多云多雨地区全自动水稻精准制图系统，其特征在于，采用了如权利要求1至8中任一项所述的一种多云多雨地区全自动水稻精准制图方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，其中，所述程序被处理器执行时实现如权利要求1至8中任一项所述的一种多云多雨地区全自动水稻精准制图方法。
