CN103529439A - 一种神经网络系统的植被参数遥感反演方法和装置 - Google Patents
一种神经网络系统的植被参数遥感反演方法和装置 Download PDFInfo
- Publication number
- CN103529439A CN103529439A CN201310503221.6A CN201310503221A CN103529439A CN 103529439 A CN103529439 A CN 103529439A CN 201310503221 A CN201310503221 A CN 201310503221A CN 103529439 A CN103529439 A CN 103529439A
- Authority
- CN
- China
- Prior art keywords
- network system
- neural network
- earth
- type
- vegetation parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供神经网络系统的植被参数遥感反演方法,包括:根据不同地表类型的地表反射率模拟模型,得到不同地表类型的植被参数和地表反射率之间的训练数据集;建立不同地表类型的植被参数和地表反射率之间的神经网络;根据大气辐射模型,得到不同气象条件下的地表反射率和表观反射率之间的训练数据集;建立不同大气条件下的地表反射率与表观反射率之间的神经网络;将多个神经网络组合为一个神经网络系统;将经过辐射定标或大气纠正后的遥感数据在所述神经网络系统中进行植被参数遥感反演。本发明能够利用多个不同的神经网络组合为神经网络系统,相对现有技术来说,对数据的模拟能力更强,所得到的结果更加精确。
Description
技术领域
本发明涉及图像分析领域,尤其涉及一种神经网络系统的植被参数遥感反演方法和装置。
背景技术
对卫星的遥感图像进行数据分析和处理,可以在宏观尺度上得到地面测量无法表征的一些植被参数。例如对叶面积指数(LAI),也即单位面积内所有叶子的单面面积和进行估算,可以很好地表征土壤-植被-大气传输过程中的蒸散情况和土壤、物质交换过程,也是植被功能模型的一个重要驱动因素。
神经网络作为遥感图像分析与处理的一种新手段,已经被用于从遥感数据中估算植被地类的LAI。在现有技术中,利用神经网络来估算LAI,具有非线性关系模拟能力强、可以提高反演速度等优点,能够宏观地表征植被的生长情况。
但是,单神经网络用于区域LAI估算也有一定的缺陷。由于区域地表类型复杂,目前针对不同地表类型已发展了不同的前向模拟模型,可以更好地模拟该类地物LAI和地表反射率之间的关系。而单神经网络无法充分利用这些知识。
发明内容
(一)要解决的技术问题
本发明提供一种神经网络系统的植被参数遥感反演方法和装置,以解决现有技术中无法对不同的植被结构类型分别进行高精度的非线性模拟的技术问题。
(二)技术方案
为解决上述技术问题,本发明提供一种神经网络系统的植被参数遥感反演方法,包括:
根据不同地表类型的地表反射率模拟模型,利用该模型结合不同的植被参数、气象环境数据、地表测量数据,得到不同地表类型的植被参数和地表反射率之间的训练数据集;
建立不同地表类型的植被参数和地表反射率之间的神经网络;
根据大气辐射模型,结合不同气象条件和地表反射率数据,得到不同气象条件下的地表反射率和表观反射率之间的训练数据集;
建立不同大气条件下的地表反射率与表观反射率之间的神经网络;
将多个神经网络组合为一个神经网络系统;
将经过辐射定标或大气纠正后的遥感数据在所述神经网络系统中进行植被参数遥感反演。
进一步地,
所述将多个神经网络组合为一个神经网络系统包括:将多个不同类型的神经网络平行独立地组合为一个神经网络系统;
所述将经过辐射定标或大气纠正后的遥感数据在所述神经网络系统中进行植被参数遥感反演包括:根据遥感图像的类型选择一个相应类型的神经网络,将遥感图像的每个像元在所述相应类型的神经网络中进行植被参数遥感反演。
进一步地,所述不同类型的神经网络包括:林地、草地、灌丛、农作物中的一个或多个神经网络。
进一步地,
所述将多个神经网络组合为一个神经网络系统包括:将多个不同类型的神经网络分层次组合为一个神经网络系统,每一层为一个或多个神经网络;
所述将经过辐射定标或大气纠正后的遥感数据在所述神经网络系统中进行植被参数遥感反演包括:根据遥感图像的类型,将遥感图像的每个像元在所述神经网络系统中,选择相应类型的神经网络分层次进行地表参数遥感反演,其中上层神经网络的输出作为下层神经网络的输入。
进一步地,
所述不同类型的神经网络包括:大气辐射传输模型、冠层辐射传输模型、地表传输模型中的一个或多个神经网络;
其中地表传输模型包括:林地、草地、灌丛、农作物中的一个或多个神经网络。
另一方面,本发明还提供一种神经网络系统的植被参数遥感反演装置,包括:地表数据集单元、地表网络单元、大气数据集单元、大气网络单元、组合单元和反演单元,地表数据集单元和地表网络单元相连,大气数据集单元和大气网络单元相连,组合单元与地表网络单元、大气网络单元和反演单元分别相连,其中:
地表数据集单元,用于根据不同地表类型的地表反射率模拟模型,利用该模型结合不同的植被参数、气象环境数据、地表测量数据,得到不同地表类型的植被参数和地表反射率之间的训练数据集;
地表网络单元,用于建立不同地表类型的植被参数和地表反射率之间的神经网络;
大气数据集单元,用于根据大气辐射模型,结合不同气象条件和地表反射率数据,得到不同气象条件下的地表反射率和表观反射率之间的训练数据集;
大气网络单元,用于建立不同大气条件下的地表反射率与表观反射率之间的神经网络;
组合单元,用于将多个神经网络组合为一个神经网络系统;
反演单元,用于将经过辐射定标或大气纠正后的遥感数据在所述神经网络系统中进行植被参数遥感反演。
进一步地,
所述组合单元包括:平行组合子单元,用于将多个不同类型的神经网络平行独立地组合为一个神经网络系统;
所述反演单元包括:平行反演子单元,用于根据遥感图像的类型选择一个相应类型的神经网络,将遥感图像的每个像元在所述相应类型的神经网络中进行植被参数遥感反演。
进一步地,
所述平行组合子单元包括:类型模块,用于区分神经网络的类型;
所述神经网络的类型为:林地、草地、灌丛、农作物中的一个或多个神经网络。
进一步地,
所述组合单元包括:分层组合子单元,用于将多个不同类型的神经网络分层次组合为一个神经网络系统,每一层为一个或多个神经网络;
所述反演单元包括:分层反演子单元,用于根据遥感图像的类型,将遥感图像的每个像元在所述神经网络系统中,选择相应类型的神经网络分层次进行地表参数遥感反演,其中上层神经网络的输出作为下层神经网络的输入。
进一步地,
所述分层组合子单元包括:类型模块,用于区分神经网络的类型;
所述神经网络的类型为:大气辐射传输模型、冠层辐射传输模型、地表传输模型中的一个或多个神经网络;其中地表传输模型包括:林地、草地、灌丛、农作物中的一个或多个神经网络。
(三)有益效果
可见,在本发明提出的神经网络系统的植被参数遥感反演方法和装置中,能够利用多个不同的神经网络组合为神经网络系统,从而使所得到的遥感图像在进行植被参数遥感反演时,可以根据区域地表类型和输入数据处理级别,有针对性地选择神经网络系统中的一个或几个神经网络进行反演。本发明所采用的方法和装置相对现有技术来说,对数据的模拟能力更强,所得到的结果更加精确。
同时,本发明能够在分层次的神经网络系统中大面积运行时,引入多个不同类型神经网络进行耦合,从而使得训练数据集不仅具有代表性,而且不至于过大,一方面尽可能的包含了客观现实中的各种情况,另一方面也不影响神经网络的训练速度,能够尽可能的得到高质量的训练数据集,更有利于地表参数遥感反演的结果实现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明神经网络系统的植被参数遥感反演方法的基本流程示意图;
图2是本发明神经网络系统的植被参数遥感反演方法的一个优选实施例流程示意图;
图3是本发明神经网络系统的植被参数遥感反演方法的一个优选实施例的神经网络系统构造示意图;
图4是本发明神经网络系统的植被参数遥感反演装置的基本结构示意图;
图5是本发明神经网络系统的植被参数遥感反演装置的一个优选实施例结构示意图;
图6是本发明神经网络系统的植被参数遥感反演装置的一个优选实施例结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例首先提出一种神经网络系统的植被参数遥感反演方法,包括:
步骤101:根据不同地表类型的地表反射率模拟模型,利用该模型结合不同的植被参数、气象环境数据、地表测量数据,得到不同地表类型的植被参数和地表反射率之间的训练数据集。
步骤102:建立不同地表类型的植被参数和地表反射率之间的神经网络。
步骤103:根据大气辐射模型,结合不同气象条件和地表反射率数据,得到不同气象条件下的地表反射率和表观反射率之间的训练数据集。
步骤104:建立不同大气条件下的地表反射率与表观反射率之间的神经网络。
步骤105:将多个神经网络组合为一个神经网络系统。
步骤106:将经过辐射定标或大气纠正后的遥感数据在所述神经网络系统中进行植被参数遥感反演。
可见,在本发明实施例提出的神经网络系统的植被参数遥感反演方法中,能够利用多个不同的神经网络组合为神经网络系统,从而使所得到的遥感图像在进行植被参数遥感反演时,可以根据区域地表类型和输入数据处理级别,有针对性地选择神经网络系统中的一个或几个神经网络进行反演。本发明实施例所采用的方法相对现有技术来说,对数据的模拟能力更强,所得到的结果更加精确。
在本发明实施例的上述方法中,为了能够得到更加精准的遥感图像地表参数遥感反演结果,优选地,可以在组合神经网络系统的过程中,将多个不同类型的神经网络平行独立地组合为一个神经网络系统。在这种组合方法中,各个神经网络在神经网络系统中具有相同的优先级,且相互独立,只是类型不同。在这种神经网络系统中进行植被参数遥感反演的方法是:根据遥感图像的类型选择一个相应类型的神经网络,将遥感图像的每个像元在相应类型的神经网络中进行地表参数遥感反演。其中,在向神经网络系统中引入遥感图像时,还需要同时区分遥感图像的类型,并在系统中进行对应类型的神经网络选择,从而对每个像元都在对应类型的神经网络中进行地表参数遥感反演。
在本发明的一个实施例中,不同类型的神经网络可以包括:林地、草地、灌丛、农作物中的一个或多个神经网络。上述不同类型的神经网络,是通过不同地表类型的前向模型,来得到不同类型的训练数据集建立起来的。
在本发明的另一个实施例中,优选地,可以将多个不同类型的神经网络分层次组合为一个神经网络系统,每一层为一个或多个神经网络。在这种组合方法中,遥感图像不再通过一个神经网络就可以完成地表参数遥感反演,而是需要经过多个神经网络的耦合。在进行植被参数遥感反演时,可以根据遥感图像的类型,将遥感图像的每个像元在神经网络系统中,选择相应类型的神经网络分层次进行地表参数遥感反演,其中上层神经网络的输出作为下层神经网络的输入。
在本发明的一个实施例中,上述分层次神经网络的类型可以包括:大气辐射传输模型、冠层辐射传输模型和地表传输模型,其中地表传输模型还可以包括:林地、草地、灌丛、农作物中的一个或多个神经网络。
下面以具体对大气顶层的辐亮度(Radiance)利用分层次神经网络系统进行叶面积指数反演为例,来详细说明本发明一个实施例的实现过程。
图2是本发明一个优选实施例的神经网络系统的地表LAI反演方法的流程图,在本发明一个优选实施例中,针对分层次神经网络系统进行地表LAI反演的过程包括:
步骤201:根据不同地表类型的前向模型,得到不同的训练数据集。
由于针对大气顶层的辐亮度来完成地表LAI的反演,需要经过大气辐射传输模型和冠层辐射传输模型2部分的耦合,并且在地表传输模型中,还需要区分是草地、林地、灌丛还是农作物,所以在本步骤中,需要分别针对上述的每一个模型提供不同的前向模型,从而得到不同的训练数据集。
步骤202:针对不同的训练数据集建立不同的神经网络。
在步骤201中,分别根据不同地表类型的前向模型得到了不同的训练数据集,相应地,在本步骤中,需要根据不同的训练数据集训练不同的神经网络,以供后续步骤进行神经网络的选择。
步骤203:将多个神经网络组合为一个神经网络系统。
在本步骤中,可以将多个不同类型的神经网络组合为一个分层次神经网络系统。其中,针对大气辐射传输模型的神经网络为第一层,冠层辐射传输模型的神经网络为第二层,地表传输模型为第三层,并且地表传输模型又包括:林地、草地、灌丛、农作物各类型对应的神经网络,所构建的神经网络系统如图3所示。
步骤204:利用大气顶层的辐亮度反演地表LAI。
在输入大气顶层的辐亮度数据后,需要选择步骤203中构建的神经网络系统中相应类型的神经网络来进行地表参数遥感反演。例如所估算的LAI为地表的林地叶面积指数时,如图3所示,首先,需要通过大气辐射传输模型的神经网络进行反演;然后,将反演后的输出作为冠层辐射传输模型的神经网络输入;最后,再将输出结果输入地表传输模型中的林地类型神经网络,来得到最终LAI结果。
至此,则完成了本发明实施例中对大气顶层的辐亮度利用分层次神经网络系统进行叶面积指数反演的过程。
另外,需要说明的是,上述基于图2的所有流程描述是本发明神经网络系统的地表参数遥感反演方法的一种优选的实现过程,在本发明神经网络系统的地表参数遥感反演方法的实际实现中,可以根据需要在图1所示流程的基础上进行任意变形,可以是选择图2中的任意步骤来实现,各步骤的先后顺序也可以根据需要调整等。
本发明的一个实施例中还提出了一种神经网络系统的植被参数遥感反演装置,参见图4,该装置包括:
地表数据集单元401,用于根据不同地表类型的地表反射率模拟模型,利用该模型结合不同的植被参数、气象环境数据、地表测量数据,得到不同地表类型的植被参数和地表反射率之间的训练数据集;
地表网络单元402,用于建立不同地表类型的植被参数和地表反射率之间的神经网络;
大气数据集单元403,用于根据大气辐射模型,结合不同气象条件和地表反射率数据,得到不同气象条件下的地表反射率和表观反射率之间的训练数据集;
大气网络单元404,用于建立不同大气条件下的地表反射率与表观反射率之间的神经网络;
组合单元405,用于将多个神经网络组合为一个神经网络系统;
反演单元406,用于将经过辐射定标或大气纠正后的遥感数据在所述神经网络系统中进行植被参数遥感反演。
在本发明的一个实施例中,为了能够得到更加精准的遥感图像地表参数遥感反演结果,优选地,组合单元405可以包括:平行组合子单元501,如图5所示,用于将多个不同类型的神经网络平行独立地组合为一个神经网络系统;
相应地,反演单元406可以包括:平行反演子单元502,用于根据遥感图像的类型选择一个相应类型的神经网络,将遥感图像的每个像元在所述相应类型的神经网络中进行植被参数遥感反演。
在本发明的一个实施例中,如图6所示,平行组合子单元501还可以包括:类型模块601,用于区分神经网络的类型,类型区分模块601用于区分的神经网络的类型可以为:林地、草地、灌丛、农作物中的一个或多个神经网络。上述不同类型的神经网络,是通过不同地表类型的前向模型,来得到不同类型的训练数据集建立起来的。
在本发明的另一个实施例中,优选地,组合单元405还可以包括:分层组合子单元503,用于将多个不同类型的神经网络分层次组合为一个神经网络系统,每一层为一个或多个神经网络;
相应地,反演单元406还可以包括:分层反演子单元504,用于根据遥感图像的类型,将遥感图像的每个像元在所述神经网络系统中,选择相应类型的神经网络分层次进行地表参数遥感反演,其中上层神经网络的输出作为下层神经网络的输入。
在本发明的一个实施例中,分层组合子单元503可以包括:类型模块602,用于区分神经网络的类型;其用于区分的神经网络的类型可以为:大气辐射传输模型、冠层辐射传输模型、地表传输模型中的一个或多个神经网络;其中地表传输模型也可以包括:林地、草地、灌丛、农作物中的一个或多个神经网络。
可见,本发明实施例具有如下有益效果:
在本发明实施例提出的神经网络系统的植被参数遥感反演方法和装置中,能够利用多个不同的神经网络组合为神经网络系统,从而使所得到的遥感图像在进行植被参数遥感反演时,可以根据区域地表类型和输入数据处理级别,有针对性地选择神经网络系统中的一个或几个神经网络进行反演。本发明实施例所采用的方法相对现有技术来说,对数据的模拟能力更强,所得到的结果更加精确。
同时,本发明实施例能够在分层次的神经网络系统中大面积运行时,引入多个不同类型神经网络进行耦合,从而使得训练数据集不仅具有代表性,而且不至于过大,一方面尽可能的包含了客观现实中的各种情况,另一方面也不影响神经网络的训练速度,能够尽可能的得到高质量的训练数据集,更有利于地表参数遥感反演的结果实现。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种神经网络系统的植被参数遥感反演方法,其特征在于,包括:
根据不同地表类型的地表反射率模拟模型,利用该模型结合不同的植被参数、气象环境数据、地表测量数据,得到不同地表类型的植被参数和地表反射率之间的训练数据集;
建立不同地表类型的植被参数和地表反射率之间的神经网络;
根据大气辐射模型,结合不同气象条件和地表反射率数据,得到不同气象条件下的地表反射率和表观反射率之间的训练数据集;
建立不同大气条件下的地表反射率与表观反射率之间的神经网络;
将多个神经网络组合为一个神经网络系统;
将经过辐射定标或大气纠正后的遥感数据在所述神经网络系统中进行植被参数遥感反演。
2.根据权利要求1所述的神经网络系统的植被参数遥感反演方法,其特征在于:
所述将多个神经网络组合为一个神经网络系统包括:将多个不同类型的神经网络平行独立地组合为一个神经网络系统;
所述将经过辐射定标或大气纠正后的遥感数据在所述神经网络系统中进行植被参数遥感反演包括:根据遥感图像的类型选择一个相应类型的神经网络,将遥感图像的每个像元在所述相应类型的神经网络中进行植被参数遥感反演。
3.根据权利要求2中所述的神经网络系统的植被参数遥感反演方法,其特征在于,所述不同类型的神经网络包括:林地、草地、灌丛、农作物中的一个或多个神经网络。
4.根据权利要求1所述的神经网络系统的植被参数遥感反演方法,其特征在于:
所述将多个神经网络组合为一个神经网络系统包括:将多个不同类型的神经网络分层次组合为一个神经网络系统,每一层为一个或多个神经网络;
所述将经过辐射定标或大气纠正后的遥感数据在所述神经网络系统中进行植被参数遥感反演包括:根据遥感图像的类型,将遥感图像的每个像元在所述神经网络系统中,选择相应类型的神经网络分层次进行地表参数遥感反演,其中上层神经网络的输出作为下层神经网络的输入。
5.根据权利要求4中所述的神经网络系统的植被参数遥感反演方法,其特征在于:
所述不同类型的神经网络包括:大气辐射传输模型、冠层辐射传输模型、地表传输模型中的一个或多个神经网络;
其中地表传输模型包括:林地、草地、灌丛、农作物中的一个或多个神经网络。
6.一种神经网络系统的植被参数遥感反演装置,其特征在于,包括:地表数据集单元、地表网络单元、大气数据集单元、大气网络单元、组合单元和反演单元,地表数据集单元和地表网络单元相连,大气数据集单元和大气网络单元相连,组合单元与地表网络单元、大气网络单元和反演单元分别相连,其中:
植被冠层辐射数据集单元,用于根据不同地表类型的地表反射率模拟模型,利用该模型结合不同的植被参数、气象环境数据、地表测量数据,得到不同地表类型的植被参数和地表反射率之间的训练数据集;
植被冠层网络单元,用于建立不同地表类型的植被参数和地表反射率之间的神经网络;
大气辐射数据集单元,用于根据大气辐射模型,结合不同气象条件和地表反射率数据,得到不同气象条件下的地表反射率和表观反射率之间的训练数据集;
大气网络单元,用于建立不同大气条件下的地表反射率与表观反射率之间的神经网络;
组合单元,用于将多个神经网络组合为一个神经网络系统;
反演单元,用于将经过辐射定标或大气纠正后的遥感数据在所述神经网络系统中进行植被参数遥感反演。
7.根据权利要求6所述的神经网络系统的植被参数遥感反演装置,其特征在于:
所述组合单元包括:平行组合子单元,用于将多个不同类型的神经网络平行独立地组合为一个神经网络系统;
所述反演单元包括:平行反演子单元,用于根据遥感图像的类型选择一个相应类型的神经网络,将遥感图像的每个像元在所述相应类型的神经网络中进行植被参数遥感反演。
8.根据权利要求7所述的神经网络系统的植被参数遥感反演装置,其特征在于:
所述平行组合子单元包括:类型模块,用于区分神经网络的类型;
所述神经网络的类型为:林地、草地、灌丛、农作物中的一个或多个神经网络。
9.根据权利要求6所述的神经网络系统的植被参数遥感反演装置,其特征在于:
所述组合单元包括:分层组合子单元,用于将多个不同类型的神经网络分层次组合为一个神经网络系统,每一层为一个或多个神经网络;
所述反演单元包括:分层反演子单元,用于根据遥感图像的类型,将遥感图像的每个像元在所述神经网络系统中,选择相应类型的神经网络分层次进行地表参数遥感反演,其中上层神经网络的输出作为下层神经网络的输入。
10.根据权利要求9所述的神经网络系统的植被参数遥感反演装置,其特征在于:
所述分层组合子单元包括:类型模块,用于区分神经网络的类型;
所述神经网络的类型为:大气辐射传输模型、冠层辐射传输模型、地表传输模型中的一个或多个神经网络;其中地表传输模型包括:林地、草地、灌丛、农作物中的一个或多个神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310503221.6A CN103529439B (zh) | 2013-10-23 | 2013-10-23 | 一种神经网络系统的植被参数遥感反演方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310503221.6A CN103529439B (zh) | 2013-10-23 | 2013-10-23 | 一种神经网络系统的植被参数遥感反演方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103529439A true CN103529439A (zh) | 2014-01-22 |
CN103529439B CN103529439B (zh) | 2015-09-30 |
Family
ID=49931594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310503221.6A Active CN103529439B (zh) | 2013-10-23 | 2013-10-23 | 一种神经网络系统的植被参数遥感反演方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103529439B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105466558A (zh) * | 2015-11-16 | 2016-04-06 | 北京师范大学 | 植被冠层光合有效辐射吸收比和地表反照率观测系统和方法 |
CN107356554A (zh) * | 2017-06-20 | 2017-11-17 | 东南大学 | 一种基于神经网络的反演大气可降水量的modis模型改进方法 |
CN107862148A (zh) * | 2017-11-16 | 2018-03-30 | 清华大学 | 一种基于遥感数据的参考作物腾发量计算方法 |
CN107941713A (zh) * | 2017-10-17 | 2018-04-20 | 河海大学 | 一种基于耦合作物模型同化光谱反射率的水稻估产方法 |
CN108680534A (zh) * | 2018-03-28 | 2018-10-19 | 北京大学 | 基于中波红外反射率基准的光学通道在轨定标验证方法 |
CN108803506A (zh) * | 2018-05-22 | 2018-11-13 | 广东美的智能机器人有限公司 | 生产线工件识别方法、服务器及终端 |
CN110110843A (zh) * | 2014-08-29 | 2019-08-09 | 谷歌有限责任公司 | 用于处理图像的方法和系统 |
CN110728642A (zh) * | 2019-10-17 | 2020-01-24 | 自然资源部第二海洋研究所 | 一种针对goci卫星晨昏观测的神经网络大气校正方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557809A (zh) * | 2015-09-30 | 2017-04-05 | 富士通株式会社 | 神经网络系统及对该神经网络系统进行训练的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007085875A2 (en) * | 2006-01-25 | 2007-08-02 | Arkex Limited | A method of terrain correction for a geophysical survey |
CN102354328A (zh) * | 2011-06-29 | 2012-02-15 | 北京师范大学 | 全球陆表的lai产品反演方法及系统 |
CN102629324A (zh) * | 2011-08-02 | 2012-08-08 | 林辉 | Modis生物物理参数森林信息提取方法 |
-
2013
- 2013-10-23 CN CN201310503221.6A patent/CN103529439B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007085875A2 (en) * | 2006-01-25 | 2007-08-02 | Arkex Limited | A method of terrain correction for a geophysical survey |
CN102354328A (zh) * | 2011-06-29 | 2012-02-15 | 北京师范大学 | 全球陆表的lai产品反演方法及系统 |
CN102629324A (zh) * | 2011-08-02 | 2012-08-08 | 林辉 | Modis生物物理参数森林信息提取方法 |
Non-Patent Citations (2)
Title |
---|
陈涛 等: "基于人工神经网络的植被覆盖遥感反演方法研究", 《遥感技术与应用》 * |
陈艳华 等: "基于分类知识利用神经网络反演叶面积指数", 《生态学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11809955B2 (en) | 2014-08-29 | 2023-11-07 | Google Llc | Processing images using deep neural networks |
US11462035B2 (en) | 2014-08-29 | 2022-10-04 | Google Llc | Processing images using deep neural networks |
US10977529B2 (en) | 2014-08-29 | 2021-04-13 | Google Llc | Processing images using deep neural networks |
CN110110843B (zh) * | 2014-08-29 | 2020-09-25 | 谷歌有限责任公司 | 用于处理图像的方法和系统 |
US10650289B2 (en) | 2014-08-29 | 2020-05-12 | Google Llc | Processing images using deep neural networks |
CN110110843A (zh) * | 2014-08-29 | 2019-08-09 | 谷歌有限责任公司 | 用于处理图像的方法和系统 |
CN105466558A (zh) * | 2015-11-16 | 2016-04-06 | 北京师范大学 | 植被冠层光合有效辐射吸收比和地表反照率观测系统和方法 |
CN105466558B (zh) * | 2015-11-16 | 2018-01-05 | 北京师范大学 | 植被冠层光合有效辐射吸收比和地表反照率观测系统和方法 |
CN107356554B (zh) * | 2017-06-20 | 2019-08-20 | 东南大学 | 一种基于神经网络的反演大气可降水量的modis模型改进方法 |
CN107356554A (zh) * | 2017-06-20 | 2017-11-17 | 东南大学 | 一种基于神经网络的反演大气可降水量的modis模型改进方法 |
CN107941713A (zh) * | 2017-10-17 | 2018-04-20 | 河海大学 | 一种基于耦合作物模型同化光谱反射率的水稻估产方法 |
CN107862148B (zh) * | 2017-11-16 | 2019-11-08 | 清华大学 | 一种基于遥感数据的参考作物腾发量计算方法 |
CN107862148A (zh) * | 2017-11-16 | 2018-03-30 | 清华大学 | 一种基于遥感数据的参考作物腾发量计算方法 |
CN108680534A (zh) * | 2018-03-28 | 2018-10-19 | 北京大学 | 基于中波红外反射率基准的光学通道在轨定标验证方法 |
CN108803506A (zh) * | 2018-05-22 | 2018-11-13 | 广东美的智能机器人有限公司 | 生产线工件识别方法、服务器及终端 |
CN110728642A (zh) * | 2019-10-17 | 2020-01-24 | 自然资源部第二海洋研究所 | 一种针对goci卫星晨昏观测的神经网络大气校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103529439B (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103529439B (zh) | 一种神经网络系统的植被参数遥感反演方法和装置 | |
Zhao et al. | Demand for multi-scale weather data for regional crop modeling | |
CN103823371B (zh) | 基于神经网络模型的农业精准施肥系统及施肥方法 | |
CN106203625A (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
CN106845428B (zh) | 一种作物产量遥感估算方法及系统 | |
CN103886213B (zh) | 一种农作物总初级生产力的遥感估算方法及系统 | |
CN107862148A (zh) | 一种基于遥感数据的参考作物腾发量计算方法 | |
CN104992068A (zh) | 一种表层土壤氮素分布的预测方法 | |
CN104915982A (zh) | 树冠层光照分布预测模型构建方法及光照分布检测方法 | |
Taylor et al. | Trends in wheat yields under representative climate futures: Implications for climate adaptation | |
CN106779067A (zh) | 基于多源遥感数据的土壤湿度重建方法和系统 | |
CN104899394A (zh) | 一种实用的叶面积指数遥感反演方法 | |
Odabas et al. | Using artificial neural network and multiple linear regression for predicting the chlorophyll concentration index of Saint John’s wort leaves | |
Köstner et al. | Integrating regional climatology, ecology, and agronomy for impact analysis and climate change adaptation of German agriculture: An introduction to the LandCaRe2020 project | |
CN110986884A (zh) | 一种基于无人机航测数据预处理及植被快速识别方法 | |
Mathews | Applying geospatial tools and techniques to viticulture | |
Wang et al. | A functional and structural Mongolian scots pine (Pinus sylvestris var. mongolica) model integrating architecture, biomass and effects of precipitation | |
CN105652284A (zh) | 一种长波下行辐射的确定方法和装置 | |
CN110705010B (zh) | 基于遥感的次日夜间地表热岛模拟方法 | |
CN108335263A (zh) | 一种基于vdsr的微波遥感图像超分辨率重建方法 | |
Carraro et al. | Impact of global and local pressures on the ecology of a medium-sized Pre-Alpine Lake | |
Engel et al. | Plastic tree crowns contribute to small-scale heterogeneity in virgin beech forests—An individual-based modeling approach | |
Goh et al. | Integration precision and unmanned aerial vehicles technology in oil palm management system development | |
CN105894447A (zh) | 一种获取不同天气条件下的红外图像的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |