1.一种面向农作物分类的时间序列特征重建及动态识别方法，包括以下步骤：步骤1：初始样本数据集构建；

假设研究区域已经采集了R景影像X(R)，根据采集日期D进行排序得到：X(R)＝

D(R)＝

从遥感影像X(R)中获取的时序特征x(R)可以表示为：

x(R)＝      (3)

作物类型根据通过NDVI随时间的变化来区分；

待分类的n种作物K(n)可以表示为：

K(n)＝    (4)

通过实地数据采集或者图像解译获得带有标签的样本集S表示为：

1 2 m T

S＝{s ,s ,...,s}     (5)

i

其中，m为获得的样本个数，T为转置符号；样本集中的元素s∈S标记了作物类型，对应标签集表示为L；为了表示时间序列中可用的特征维数R，样本数据集和标签集分别表示为SR和LR；同时存在一个独立的验证数据集S′R，对应标签集表示为L′R；

由于云和云阴影的影响，样本集在部分维度上是缺失的；

步骤2：缺失数据区域预测填充；

利用基于LSTM网络构建的回归器模型对初始数据集SR和验证数据集S′R的缺失数据区域进行填充；

假设r(1＜r≤R)表示待填充的特征维度，前r‑1维特征的缺失区域已填充完毕，可以使用合适的方法进行填充；

将初始数据集在第r维特征上无数据缺失的部分表示为vr，对应的前r‑1维部分数据表示为Vr‑1；将初始数据集在第r维特征上数据缺失的部分表示为ur，对应的前r‑1维部分数据表示为Ur‑1；类似地，验证数据集的相应部分分别用v′r，V′r‑1，u′r，U′r‑1表示；

基于LSTM网络构建第r维特征的回归器模型Mreg(r)；为了表示迭代的过程，将其表示为上标0表示迭代次数；该模型训练时的输入为Vr‑1，输出为vr；

将Ur‑1输入 得到预测结果ur，将ur填充进数据集的对应位置得到前r维特征无缺失数据集Sr(P)，以及填充ur后得到原先在第r维特征上数据缺失的前r维部分数据Ur；用同样的方式得到验证数据集的前r维特征无缺失数据集S′r(P)；

步骤3：缺失数据区域取值范围取值填充；

首先，利用Vr作为输入，Lr作为输出，训练分类器模型 将步骤2中得到的Ur输入中进行分类，对比分类结果与对应的实际标签；将数据集Ur中的每一个样本的标签分别与该样本在前r‑1维和前r维特征的分类结果进行对比，会产生以下4种情况：(1)“T‑T”情况：在前r‑1维和前r维特征上均分类正确(T)，说明实际特征与预测填充特征均能正确分类；(2)“F‑T”情况：前r‑1维特征分类错误(F)，但新增第r维特征后能正确分类(T)，说明新的特征能够提供有价值的附加信息使分类结果正确；(3)“T‑F”情况：前r‑1维特征分类正确(T)，但新增第r维特征后分类错误(F)，说明新增特征中的附加信息错误的引导了模型的分类，需要对样本进行调整以达到正确的分类；(4)“F‑F”情况：在前r‑1维和前r维特征上均分类错误(F)，说明现有的特征无法提供有价值的附加信息使模型能够正确的分类；

得到分类结果为第3种“T‑F”情况的样本集Qr；前r‑1维特征已经能够正确分类，但是新加入特征反而不能正确分类，主要是由于新加的特征加入了误导性信息，使得分类结果出现错误；因而，在设定的取值范围进行取值，并填充缺失值，具体方法如下：利用vr计算作物类型ki∈K在第r维特征上非缺失数据集的均值 和标准差 得到作物ki在第r维特征上数据集的合理取值范围F(ki)：其中，λ表示第r维特征中作物ki数据的λ倍标准差；

之后，对Qr中的每一个样本q，从其对应标签ki的取值范围F(ki)中先以最小值填充q的第r维特征，之后每次以设定的步长取值填充；每填充一个数值就利用 对样本q进行分类，记录使用新的分类结果为“T‑T”的分类概率及对应填充值，直到取值超出F(ki)的范围，最终获得样本q填充后分类结果为“T‑T”情况的分类概率的集合{qp(z)}，z为分类概率对应的填充值；取集合中的最大分类概率对应的填充值作为样本q在第r维上的最优填充值Zm：Zm＝argmax{qp(z)}        (7)

在时间序列分类过程中，通过Softmax函数可以获得各个类别的概率，将各个类别最大的值作为估计结果；

Qr中所有样本采用取值范围取值填充方式填充了最优值后，得到一个新的无缺失数据集Sr(Q)；

步骤4：回归器与分类器迭代；

利用步骤3得到的Sr(Q)训练回归器，得到迭代了1次的回归器模型 再利用预测验证数据集的第r维缺失部分u′r，得到前r维特征无缺失的验证数据集S′r；

将Sr(Q)作为输入，Lr作为输出，训练分类器，得到迭代了1次的分类器模型 将S′r输入 中进行分类，得到分类结果；

采用上述方法填充数据集样本中的缺失区域，可以提高相同类型作物样本的相似性，使回归器预测结果与实际类型数值逐渐接近，实现分类精度的提高；

步骤5：动态分类；

重复步骤2至步骤4，进行第r+1维特征回归器与分类器的构建，直到完成对所有R维特征的回归器与分类器的建立；实现数据缺失部分的重建和农作物分类，完成农作物的动态识别。

2.如权利要求1所述的一种面向农作物分类的时间序列特征重建及动态识别方法，其特征在于：λ取值为1或2。

3.如权利要求1所述的一种面向农作物分类的时间序列特征重建及动态识别方法，其特征在于：对Qr中的每一个样本q，每次填充的设定的步长取值是0.01。