CN111723328A - 叶面积指数时间序列重建方法、装置、设备及存储介质 - Google Patents

叶面积指数时间序列重建方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111723328A
CN111723328A CN202010559666.6A CN202010559666A CN111723328A CN 111723328 A CN111723328 A CN 111723328A CN 202010559666 A CN202010559666 A CN 202010559666A CN 111723328 A CN111723328 A CN 111723328A
Authority
CN
China
Prior art keywords
leaf area
moment
area index
time
influence factor
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
Application number
CN202010559666.6A
Other languages
English (en)
Other versions
CN111723328B (zh
Inventor
李静
朱欣然
柳钦火
赵静
董亚冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202010559666.6A priority Critical patent/CN111723328B/zh
Publication of CN111723328A publication Critical patent/CN111723328A/zh
Application granted granted Critical
Publication of CN111723328B publication Critical patent/CN111723328B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种叶面积指数时间序列重建方法、装置、设备及存储介质，获取与待预测叶面积指数的第t个时刻相邻的第t'个时刻的叶面积指数和影响因子，该影响因子至少包括气象数据；第t'个时刻为第t+1个时刻，和/或，第t‑1个时刻；根据第t'个时刻的叶面积指数和影响因子预测第t个时刻的叶面积指数。本申请公开的方案，在预测叶面积指数时，引入气象数据等先验知识弥补由于数据缺失导致的高度不确定性问题，提高了高数据缺失率和数据连续缺失情况下的叶面积指数时序重建任务的重建精度。

Description

叶面积指数时间序列重建方法、装置、设备及存储介质
技术领域
本申请涉及遥感技术领域，更具体地说，涉及一种叶面积指数时间序列重建方法、装置、设备及存储介质。
背景技术
遥感反演是目前获取大面积、长时序叶面积指数(Leaf Area Index,LAI)的唯一手段。在现有的中、高分辨率星载LAI产品中，由于受到云雨天气、传感器性能的限制，反演得到的LAI(通常为多个时间点的LAI值构成的LAI时间序列)存在时空连续性差的问题，需要后期使用时间序列优化算法对反演得到的LAI进行重建，即修复缺失的数据。
然而，目前的LAI时间序列重建方法只能修复短期的时序数据缺失问题，而对于连续长期的数据丢失问题，基于目前的LAI时间序列重建方法得到的修复数据的精度较低，即重建精度差。
因此，如何提高LAI时间序列的重建精度成为亟待解决的技术问题。
发明内容
本申请的目的是提供一种叶面积指数时间序列重建方法、装置、设备及存储介质，以提高LAI时间序列的重建精度。
为实现上述目的，本申请提供了如下技术方案：
一种叶面积指数时间序列重建方法，包括：
获取与待预测叶面积指数的第t个时刻相邻的第t'个时刻的叶面积指数和影响因子，所述影响因子至少包括气象数据；所述第t'个时刻为第t+1个时刻，和/或，第t-1个时刻；
根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的叶面积指数。
上述方法，优选的，获取第t'个时刻的叶面积指数和影响因子的过程，包括：
根据所述第t个时刻在所述叶面积指数时间序列中的位置，以及所述第t个时刻与其它缺失叶面积指数的时刻的相对位置关系，获取第t+1个时刻的叶面积指数和影响因子和/或获取第t-1个时刻的叶面积指数和影响因子。
上述方法，优选的，所述根据所述第t个时刻在所述叶面积指数时间序列中的位置，以及所述第t个时刻与其它缺失叶面积指数的时刻的相对位置关系，获取第t+1个时刻的叶面积指数和影响因子和/或获取第t-1个时刻的叶面积指数和影响因子，包括：
若所述第t个时刻为所述叶面积指数时间序列的初始时刻，或者，所述第t个时刻为从所述初始时刻开始连续缺失叶面积指数的N个时刻中的一个时刻，则获取第t+1个时刻的叶面积指数和影响因子；
若所述叶面积指数时间序列在第t+1时刻和第t-1个时刻的叶面积指数均未缺失，或者，所述第t个时刻为连续缺失叶面积指数的M个时刻中的一个时刻，所述M个时刻不包括所述叶面积指数时间序列的初始时刻和终止时刻，则获取第t+1个时刻的叶面积指数和影响因子，以及第t-1个时刻的叶面积指数和影响因子；
若所述第t个时刻为所述叶面积指数时间序列的终止时刻，或者，所述第t个时刻为连续缺失叶面积指数的P个时刻中的一个时刻，所述P个时刻包括所述终止时刻，则获取第t-1个时刻的叶面积指数和影响因子。
上述方法，优选的，所述根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的叶面积指数，包括：
若所述第t个时刻为所述叶面积指数时间序列的初始时刻，或者，所述第t个时刻为从所述初始时刻开始连续缺失叶面积指数的N个时刻中的一个时刻，则：
将所述第t+1个时刻的叶面积指数和影响因子输入预先训练好的逆向重建模型，得到所述第t个时刻的叶面积指数预测值。
上述方法，优选的，所述根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的初始叶面积指数，包括：
若所述叶面积指数时间序列在第t+1时刻和第t-1个时刻的叶面积指数均未缺失，则：
将所述第t+1个时刻的叶面积指数和影响因子输入预先训练好的逆向重建模型，得到所述第t个时刻的逆向叶面积指数预测值；将所述第t个时刻的逆向叶面积指数预测值和影响因子输入所述逆向重建模型，得到所述第t-1个时刻的逆向叶面积指数预测值；
将所述第t-1个时刻的叶面积指数和影响因子输入预先训练好的正向重建模型，得到所述第t个时刻的正向叶面积指数预测值；将所述第t个时刻的正向叶面积指数预测值和影响因子输入所述正向重建模型，得到所述第t+1个时刻的正向叶面积指数预测值；
根据所述第t-1个时刻的逆向叶面积指数预测值和所述第t-1个时刻未缺失的叶面积指数确定所述逆向重建模型的重建误差，利用所述第t+1个时刻的正向叶面积指数预测值和所述第t+1时刻的未缺失的叶面积指数确定所述正向重建模型的重建误差；
根据所述逆向重建模型的重建误差和所述正向重建模型的重建误差，利用所述第t个时刻的逆向叶面积指数预测值和所述第t个时刻的正向叶面积指数预测值确定所述第t个时刻的叶面积指数预测值。
上述方法，优选的，所述根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的叶面积指数，包括：
若所述第t个时刻为连续缺失叶面积指数的M个时刻中的一个时刻，所述M个时刻不包括所述叶面积指数时间序列的初始时刻和终止时刻，则：
将所述第t+1个时刻的叶面积指数和影响因子输入预先训练好的逆向重建模型，得到所述第t个时刻的逆向叶面积指数预测值；
将所述第t-1个时刻的叶面积指数和影响因子输入预先训练好的正向重建模型，得到所述第t个时刻的正向叶面积指数预测值；
将所述第t个时刻的逆向叶面积指数预测值和正向叶面积指数预测值的均值作为所述第t个时刻的叶面积指数预测值。
上述方法，优选的，所述根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的叶面积指数，包括：
若所述第t个时刻为所述叶面积指数时间序列的终止时刻，或者，所述第t个时刻为连续缺失叶面积指数的P个时刻中的一个时刻，所述P个时刻包括所述终止时刻，则：
将所述第t-1个时刻的叶面积指数和影响因子输入预先训练好的正向重建模型，得到所述第t个时刻的叶面积指数预测值。
上述方法，优选的，所述第t'个时刻的气象数据至少包括：
所述第t'个时刻的总降水、地表下行有效光合辐射、地表2米温度。
上述方法，优选的，所述第t'个时刻的影响因子还包括：归一化差分植被指数。
一种叶面积指数时间序列重建装置，包括：
获取模块，用于获取与待预测叶面积指数的第t个时刻相邻的第t'个时刻的叶面积指数和影响因子，所述影响因子至少包括气象数据；所述第t'个时刻为第t+1个时刻，和/或，第t-1个时刻；
重建模块，用于根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的叶面积指数。
一种电子设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如上所述的叶面积指数时间序列重建方法的各个步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的叶面积指数时间序列重建方法的各个步骤。
通过以上方案可知，本申请提供的一种叶面积指数时间序列重建方法、装置、设备及存储介质，获取与待预测叶面积指数的第t个时刻相邻的第t'个时刻的叶面积指数和影响因子，该影响因子至少包括气象数据；第t'个时刻为第t+1个时刻，和/或，第t-1个时刻；根据第t'个时刻的叶面积指数和影响因子预测第t个时刻的叶面积指数。本申请公开的方案，在预测叶面积指数时，引入气象数据等先验知识弥补由于数据缺失导致的高度不确定性问题，提高了高数据缺失率和数据连续缺失情况下的叶面积指数时序重建任务的重建精度。
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简单地介绍，显而易见地，下面描述中的附图仅仅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为本申请实施例提供的叶片叶绿素含量反演方法的一种实现流程图；
图2为本申请实施例提供的叶面积指数时间序列中叶面积指数缺失的几种场景示例图；
图3为本申请实施例提供的本申请的方案和现有的方案对同一条叶面积指数时间序列进行重建的结果对比图。
图4为本申请实施例提供的叶面积指数时间序列重建装置的一种结构示意图；
图5为本申请实施例提供的电子设备的硬件结构框图。
说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的部分，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示的以外的顺序实施。
具体实施方式
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，所描述的实施例仅仅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付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。
请参阅图1，图1为本申请实施例提供的叶面积指数时间序列重建方法的一种实现流程图，可以包括：
步骤S11：获取与待预测叶面积指数的第t个时刻相邻的第t'个时刻的叶面积指数和影响因子，影响因子至少包括气象数据；第t'个时刻为第t+1个时刻，和/或，第t-1个时刻。
第t个时刻为所有需要修复缺失数据的时刻中当前需要修复缺失数据的时刻。
第t'个时刻的叶面积指数可能是根据本申请的叶面积指数时间序列重建方法预测得到的叶面积指数，也可能是观测到的有效值(即反演得到叶面积指数)。也就是说，第t'个时刻可能是缺失叶面积指数但已预测到叶面积指数的时刻，也可能是未缺失叶面积指数的时刻。如果第t'个时刻是缺失叶面积指数的时刻且第t'个时刻已预测得到叶面积指数，则直接读取该第t'个时刻预测得到叶面积指数即可，如果第t'个时刻是缺失叶面积指数的时刻但第t'个时刻还未预测得到叶面积指数，则需要先根据本申请的叶面积指数时间序列重建方法预测得到第t'个时刻的叶面积指数。
第t'个时刻的气象数据可以从气象数据网获取，或者，预先从气象数据网获取并存储到本地，当需要第t'个时刻的气象数据时，直接从本地读取。可选的，第t'个时刻的气象数据至少可以包括第t'个时刻的总降水、地表下行有效光合辐射、地表2米温度。其中，
第t'个时刻的总降水是指整个被观测区域(也就是反演得到叶面积指数序列的区域)在第t'个时刻的总降水。
第t'个时刻的地表下行有效光合辐射是指整个被观测区域在第t'个时刻的地表下行有效光合辐射的和值。
第t'个时刻的地表2米温度是指整个被观测区域各个观测点在第t'个时刻的地表2米温度的均值。地表2米温度是指距离地面2米高的位置的温度。
为了进一步提高叶面积指数时间序列重建方法的重建精度，影响因子中除了包括气象数据外，还可以包括归一化差分植被指数(Normalized Difference VegetationIndex，NDVI)。归一化差分植被指数可以通过遥感数据反演得到，具体实现方式可以采用已有的一些方案，这里不再详述。归一化差分植被指数可以预先反演得到并存储在本地，当需要的时候直接在本地读取。
步骤S12：根据第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的叶面积指数。
本申请公开的叶面积指数时间序列重建方法，考虑了植被生长的机理，在预测叶面积指数时，引入气象数据等先验知识弥补由于数据缺失导致的高度不确定性问题，提高了高数据缺失率和数据连续缺失情况下的叶面积指数时序重建任务的重建精度。
上述获取第t'个时刻的叶面积指数和影响因子的过程，可以包括：
根据第t个时刻在叶面积指数时间序列中的位置，以及第t个时刻与其它缺失叶面积指数的时刻的相对位置关系，获取第t+1个时刻的叶面积指数和影响因子和/或获取第t-1个时刻的叶面积指数和影响因子。
也就是说，本申请实施例中，第t个时刻在叶面积指数时间序列中的位置不同，和/或，第t个时刻与其它缺失叶面积指数的时刻的相对位置关系不同，第t'个时刻可能是不同的。
如图2所示，为叶面积指数时间序列中叶面积指数缺失的几种场景示例图。该示例图中，用虚线框标示出了四种叶面积指数缺失场景(即，scenarlo1，scenarlo2，scenarlo3，scenarlo4)，图中的小方块“■”表示反演得到的有效的叶面积指数，小叉号“×”表示缺失的叶面积指数。“Order N”表示叶面积指数序列中的叶面积指数的序号，不同的序号表示不同的时刻，序号越大，表征时间越晚。
具体的，若第t个时刻为叶面积指数时间序列的初始时刻(如图2中的第1个时刻)，或者，第t个时刻为从初始时刻开始连续缺失叶面积指数的N个时刻中的一个时刻，则获取第t+1个时刻的叶面积指数和影响因子。如图2中的scenarlo1，是叶面积指数时间序列中开始的至少一个叶面积指数缺失，在这种场景下，只需要获取第t+1个时刻的叶面积指数和影响因子即可。即第t'个时刻仅包括第t+1个时刻。
若叶面积指数时间序列在第t+1时刻和第t-1个时刻的叶面积指数均未缺失(如图2中的scenarlo2)，或者，所述第t个时刻为连续缺失叶面积指数的M个时刻中的一个时刻，所述M个时刻不包括所述叶面积指数时间序列的初始时刻和终止时刻(如图2中的scenarlo3)，则获取第t+1个时刻的叶面积指数和影响因子，以及第t-1个时刻的叶面积指数和影响因子。也就是说，在叶面积指数时间序列的中间某段缺失叶面积指数的情况下，需要同时获取第t+1个时刻的叶面积指数和影响因子，以及第t-1个时刻的叶面积指数和影响因子。即第t'个时刻包括第t+1个时刻和第t-1个时刻。
若第t个时刻为叶面积指数时间序列的终止时刻(如图2中的第46个时刻)，或者，第t个时刻为连续缺失叶面积指数的P个时刻中的一个时刻，所述P个时刻包括终止时刻((如图2中的scenarlo4))，则获取第t-1个时刻的叶面积指数和影响因子。也就是说，在叶面积指数序列的最后至少一个时刻缺失叶面积指数的场景下，只需要获取第t-1个时刻的叶面积指数和影响因子。即第t'个时刻仅包括第t-1个时刻。
本申请设计了基于神经网络的叶面积指数重建模型，包括正向重建模型FDFM和逆向重建模型BDFM，这两个模型是相互独立的，其中，
正向重建模型FDFM用于利用第t-1个时刻的叶面积指数和影响因子预测第t个时刻的叶面积指数。用公式可以表示为：
LAIt＝FDFM(LAIt-1,priors)
其中，LAIt表示第t个时刻的叶面积指数预测值，LAIt-1表示第t-1个时刻的叶面积指数，priors表示影响因子。
逆向重建模型BDFM用于利用第t+1个时刻的叶面积指数和影响因子预测第t个时刻的叶面积指数。用公式可以表示为：
LAIt＝FDFM(LAIt+1,priors)
其中，LAIt表示第t个时刻的叶面积指数预测值，LAIt+1表示第t+1个时刻的叶面积指数，priors表示影响因子。
上述两个模型的训练所需的样本数据均包括叶面积指数序列样本和与该叶面积指数序列样本中各个时刻对应的影响因子。
叶面积指数序列样本可以通过对反演得到的叶面积指数序列中连续有效的叶面积指数序列片段进行处理得到。以图2所示叶面积指数序列为例，第6个时刻到第18个时刻之间是一个连续有效的叶面积指数序列片段(为便于叙述，记为第一有效片段)，第20个时刻到第23个时刻之间是一个连续有效的叶面积指数序列片段(为便于叙述，记为第二有效片段)，第30个时刻到第40个时刻之间是一个连续有效的叶面积指数序列片段(为便于叙述，记为第三有效片段)，对于每一个有效片段，均可以进行不同的处理得到不同的样本，比如，以对第一有效片段进行处理为例，
可以将第一有效片段中第6个时刻的有效叶面积指数删除作为一个样本(便于区分，记为第一样本)，并将该第6个时刻的有效叶面积指数作为该第一样本的标签；
可以将第一有效片段中第6-8个时刻的有效叶面积指数均删除作为一个样本(便于区分，记为第二样本)，并将该第6-8个时刻的有效叶面积指数作为该第二样本的标签；
可以将第一有效片段中第15个时刻的有效叶面积指数均删除作为一个样本(便于区分，记为第三样本)，并将该第15个时刻的有效叶面积指数作为该第三样本的标签；
可以将第一有效片段中第16-17个时刻的有效叶面积指数均删除作为一个样本(便于区分，记为第四样本)，并将该第16-17个时刻的有效叶面积指数作为该第四样本的标签；
可以将第一有效片段中第16-18个时刻的有效叶面积指数均删除作为一个样本(便于区分，记为第五样本)，并将该第16-18个时刻的有效叶面积指数作为该第五样本的标签；
可以将第一有效片段中第18个时刻的有效叶面积指数均删除作为一个样本(便于区分，记为第六样本)，并将该第18个时刻的有效叶面积指数作为该第六样本的标签。
上述只是列举了几种可能的处理方式，根据有效片段的长度，所处理的方式可以不同，比如，对于一些较长的有效片段，可以进行处理，得到连续缺失叶面积指数指数的场景，而对于较短的有效片段，则可以只处理得到具有单一叶面积指数缺失的场景的样本。对于较长的有效片段，还可以对该较长的有效片段进行不同的处理得到包括不同的叶面积指数指数缺失场景的样本。
在对正向重建模型FDFM进行训练时，输入正向重建模型FDFM的是叶面积指数序列样本中第t-1个时刻的叶面积指数和影响因子，输出为叶面积指数序列样本中缺失叶面积指数的第t个时刻的叶面积指数预测值，以该预测值趋近于叶面积指数序列样本中第t个时刻对应的标签为目标，对正向重建模型FDFM的参数进行更新。
在对逆向重建模型BDFM进行训练时，输入逆向重建模型BDFM的是叶面积指数序列样本中第t+1个时刻的叶面积指数和影响因子，输出为叶面积指数序列样本中缺失叶面积指数的第t个时刻的叶面积指数预测值，以该预测值趋近于叶面积指数序列样本中第t个时刻对应的标签为目标，对逆向重建模型BDFM的参数进行更新。
在训练好正向重建模型FDFM和逆向重建模型BDFM后，就可以利用这两个模型进行叶面积指数序列重建了。
下面结合不同的缺失场景说明根据第t'个时刻的叶面积指数和影响因子预测第t个时刻的叶面积指数的具体实现方式。具体的，
若第t个时刻为叶面积指数时间序列的初始时刻，或者，第t个时刻为从初始时刻开始连续缺失叶面积指数的N个时刻中的一个时刻，则：
将第t+1个时刻的叶面积指数和影响因子输入预先训练好的逆向重建模型，得到第t个时刻的叶面积指数预测值。
以图2为例，第1个时刻到第5个时刻为从初始时刻开始连续缺失了5个叶面积指数，因此，可以先将第6个时刻的叶面积指数和影响因子输入预先训练好的逆向重建模型，得到第5个时刻的叶面积指数预测值。然后将第5个时刻的叶面积指数预测值和第5个时刻的影响因子输入预先训练好的逆向重建模型，得到第4个时刻的叶面积指数预测值。然后将第4个时刻的叶面积指数预测值和第4个时刻的影响因子输入预先训练好的逆向重建模型，得到第3个时刻的叶面积指数预测值。然后将第3个时刻的叶面积指数预测值和第3个时刻的影响因子输入预先训练好的逆向重建模型，得到第2个时刻的叶面积指数预测值。然后将第2个时刻的叶面积指数预测值和第2个时刻的影响因子输入预先训练好的逆向重建模型，得到第1个时刻的叶面积指数预测值。
若叶面积指数时间序列在第t+1时刻和第t-1个时刻的叶面积指数均未缺失，则：
将第t+1个时刻的叶面积指数和影响因子输入预先训练好的逆向重建模型，得到第t个时刻的逆向叶面积指数预测值；将第t个时刻的逆向叶面积指数预测值和影响因子输入逆向重建模型，得到第t-1个时刻的逆向叶面积指数预测值。
将第t-1个时刻的叶面积指数和影响因子输入预先训练好的正向重建模型，得到第t个时刻的正向叶面积指数预测值；将第t个时刻的正向叶面积指数预测值和影响因子输入正向重建模型，得到第t+1个时刻的正向叶面积指数预测值；
根据第t-1个时刻的逆向叶面积指数预测值和第t-1个时刻未缺失的叶面积指数确定逆向重建模型的重建误差，利用第t+1个时刻的正向叶面积指数预测值和第t+1时刻的未缺失的叶面积指数确定正向重建模型的重建误差。
其中，逆向重建模型的重建误差可以是据第t-1个时刻的逆向叶面积指数预测值和第t-1个时刻未缺失的叶面积指数的差值的绝对值。同理，正向重建模型的重建误差可以是第t+1个时刻的正向叶面积指数预测值和第t+1时刻的未缺失的叶面积指数的差值的绝对值。
第t-1个时刻未缺失的叶面积指数即为反演得到的第t-1个时刻的叶面积指数，也就是第t-1个时刻的有效叶面积指数。同理，第t+1时刻的未缺失的叶面积指数即为反演得到的第t+1时刻的叶面积指数，也就是第t+1个时刻的有效叶面积指数。
根据逆向重建模型的重建误差和正向重建模型的重建误差，利用第t个时刻的逆向叶面积指数预测值和第t个时刻的正向叶面积指数预测值确定第t个时刻的叶面积指数预测值。
可选的，可以在逆向重建模型的重建误差和正向重建模型的重建误差中确定中较小的重建误差，以较小误差对应的重建模型输出的叶面积指数预测值作为第t个时刻的叶面积指数预测值，即：
若逆向重建模型的重建误差小于正向重建模型的重建误差，则将第t个时刻的逆向叶面积指数预测值作为第t个时刻的叶面积指数预测值；若正向重建模型的重建误差小于逆向重建模型的重建误差，则将第t个时刻的正向叶面积指数预测值作为第t个时刻的叶面积指数预测值；若逆向重建模型的重建误差和正向重建模型的重建误差相同，则可以将第t个时刻的正向叶面积指数预测值作为第t个时刻的叶面积指数预测值。
在一可选的实施例中，若逆向重建模型的重建误差和正向重建模型的重建误差相同，可以将第t个时刻的正向叶面积指数预测值和第t个时刻的逆向叶面积指数预测值的均值作为第t个时刻的叶面积指数预测值。
如图2所示的第19个时刻的叶面积指数缺失了，但第18个时刻和第20个时刻的叶面积指数均为缺失，则可以：
将第20个时刻的叶面积指数和影响因子输入逆向重建模型，得到第19个时刻的逆向叶面积指数预测值；将第19个时刻的逆向叶面积指数预测值和影响因子输入逆向重建模型，得到第18个时刻的逆向叶面积指数预测值。
将第18个时刻的叶面积指数和影响因子输入预先训练好的正向重建模型，得到第19个时刻的正向叶面积指数预测值；将第19个时刻的正向叶面积指数预测值和影响因子输入正向重建模型，得到第20个时刻的正向叶面积指数预测值；
根据第18个时刻的逆向叶面积指数预测值和第18个时刻的有效叶面积指数确定逆向重建模型的重建误差，利用第20个时刻的正向叶面积指数预测值和第20个时刻的有效叶面积指数确定正向重建模型的重建误差。
若逆向重建模型的重建误差小于正向重建模型的重建误差，则将第19个时刻的逆向叶面积指数预测值确定为第19个时刻的叶面积指数预测值。若逆向重建模型的重建误差大于正向重建模型的重建误差，则将第19个时刻的正向叶面积指数预测值确定为第19个时刻的叶面积指数预测值。若逆向重建模型的重建误差和正向重建模型的重建误差相同，则将第19个时刻的正向叶面积指数预测值确定为第19个时刻的叶面积指数预测值。
若第t个时刻为连续缺失叶面积指数的M个时刻中的一个时刻，该M个时刻不包括叶面积指数时间序列的初始时刻和终止时刻，则：
将第t+1个时刻的叶面积指数和影响因子输入预先训练好的逆向重建模型，得到所述第t个时刻的逆向叶面积指数预测值；
将第t-1个时刻的叶面积指数和影响因子输入预先训练好的正向重建模型，得到第t个时刻的正向叶面积指数预测值；
将第t个时刻的逆向叶面积指数预测值和正向叶面积指数预测值的均值作为第t个时刻的叶面积指数预测值。
以图2为例，第24个时刻至第29个时刻是连续缺失叶面积指数的6个时刻，该六个时刻既不包括叶面积指数时间序列的初始时刻，也不包括叶面积指数时间序列的终止时刻，则可以：
将第30个时刻的叶面积指数和影响因子输入逆向重建模型，得到第29个时刻的逆向叶面积指数预测值；将第29个时刻的叶面积指数预测值和影响因子输入逆向重建模型，得到所述第28个时刻的逆向叶面积指数预测值；将第28个时刻的叶面积指数预测值和影响因子输入逆向重建模型，得到所述第27个时刻的逆向叶面积指数预测值；将第27个时刻的叶面积指数预测值和影响因子输入逆向重建模型，得到所述第26个时刻的逆向叶面积指数预测值；将第26个时刻的叶面积指数预测值和影响因子输入逆向重建模型，得到所述第25个时刻的逆向叶面积指数预测值；将第25个时刻的叶面积指数预测值和影响因子输入逆向重建模型，得到所述第24个时刻的逆向叶面积指数预测值。
将第23个时刻的叶面积指数和影响因子输入正向重建模型，得到第24个时刻的正向叶面积指数预测值；将第24个时刻的叶面积指数预测值和影响因子输入正向重建模型，得到所述第25个时刻的正向叶面积指数预测值；将第25个时刻的叶面积指数预测值和影响因子输入正向重建模型，得到所述第26个时刻的正向叶面积指数预测值；将第26个时刻的叶面积指数预测值和影响因子输入正向重建模型，得到所述第27个时刻的正向叶面积指数预测值；将第27个时刻的叶面积指数预测值和影响因子输入正向重建模型，得到所述第28个时刻的正向叶面积指数预测值；将第28个时刻的叶面积指数预测值和影响因子输入正向重建模型，得到所述第29个时刻的正向叶面积指数预测值。
然后，将第24个时刻的逆向叶面积指数预测值和第24个时刻的正向叶面积指数预测值的均值作为第24个时刻的叶面积指数预测值；将第25个时刻的逆向叶面积指数预测值和第25个时刻的正向叶面积指数预测值的均值作为第25个时刻的叶面积指数预测值；将第26个时刻的逆向叶面积指数预测值和第26个时刻的正向叶面积指数预测值的均值作为第26个时刻的叶面积指数预测值；将第27个时刻的逆向叶面积指数预测值和第27个时刻的正向叶面积指数预测值的均值作为第27个时刻的叶面积指数预测值；将第28个时刻的逆向叶面积指数预测值和第28个时刻的正向叶面积指数预测值的均值作为第28个时刻的叶面积指数预测值；将第29个时刻的逆向叶面积指数预测值和第29个时刻的正向叶面积指数预测值的均值作为第29个时刻的叶面积指数预测值。
若第t个时刻为叶面积指数时间序列的终止时刻，或者，第t个时刻为连续缺失叶面积指数的P个时刻中的一个时刻，该P个时刻终止时刻，则：
将第t-1个时刻的叶面积指数和影响因子输入预先训练好的正向重建模型，得到第t个时刻的叶面积指数预测值。
如图2所示，第41个时刻至第46个时刻(即终止时刻)为连续缺失叶面积指数的6个时刻。则可以：
将第40个时刻的叶面积指数和影响因子输入正向重建模型，得到第41个时刻的叶面积指数预测值；将第41个时刻的叶面积指数预测值和影响因子输入正向重建模型，得到第42个时刻的叶面积指数预测值；将第42个时刻的叶面积指数预测值和影响因子输入正向重建模型，得到第43个时刻的叶面积指数预测值；将第43个时刻的叶面积指数预测值和影响因子输入正向重建模型，得到第44个时刻的叶面积指数预测值；将第44个时刻的叶面积指数预测值和影响因子输入正向重建模型，得到第45个时刻的叶面积指数预测值；将第45个时刻的叶面积指数预测值和影响因子输入正向重建模型，得到第46个时刻的叶面积指数预测值。
为了说明本申请方案的有效性，下面以基于分辨率为30米的Landsat影像反演得到的LAI产品为例，对本申请的方案(记为MNNR)和现有的方案(HANTS)的叶面积指数时间序列的重建效果进行对比说明。需要说明的是，一条正常的叶面积指数时间序列是有一个明显的波峰的。
如图3所示，为利用本申请的方案和现有的方案对同一条叶面积指数时间序列进行重建的结果对比图。其中，上边三行为1986年-2018年的33年间的每一年，基于本申请方案和现有方案对该年的反演得到叶面积指数时间序列的重建效果对比图。最下边一样的(a)-(d)为1986年、1988年、2002年和2018年四年的对比图的放大图。
可以看出，在数据缺失较多以及数据连续缺失的年份，如1986年，1988年，2002年和2018年等，现有的方案难以修复植被生成的物候过程，且存在算法失效的问题(比如，1986年，没有修复数据)，而本申请的方案则修复了植被生成的物候特性，更好的还原了真实的植被生成过程。综上，本申请的方案显著提升了在数据连续缺失、高度缺失情况下的叶面积指数时间序列重建精度，数据缺失越严重，本申请方案的优越性越显著。
与方法实施例相对应，本申请实施例还提供一种叶面积指数时间序列重建装置，如图4所示，为本申请实施例提供的叶面积指数时间序列重建装置的一种结构示意图，包括：获取模块41和重建模块42；其中，
获取模块41用于获取与待预测叶面积指数的第t个时刻相邻的第t'个时刻的叶面积指数和影响因子，所述影响因子至少包括气象数据；所述第t'个时刻为第t+1个时刻，和/或，第t-1个时刻。
重建模块42用于根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的叶面积指数。
本申请实施例提供的叶面积指数时间序列重建装置，考虑了植被生长的机理，在预测叶面积指数时，引入气象数据等先验知识弥补由于数据缺失导致的高度不确定性问题，提高了高数据缺失率和数据连续缺失情况下的叶面积指数时序重建任务的重建精度。
在一可选的实施例中，获取模块41具体可以用于：
根据所述第t个时刻在所述叶面积指数时间序列中的位置，以及所述第t个时刻与其它缺失叶面积指数的时刻的相对位置关系，获取第t+1个时刻的叶面积指数和影响因子和/或获取第t-1个时刻的叶面积指数和影响因子。
在一可选的实施例中，获取模块41具体可以用于：
若所述第t个时刻为所述叶面积指数时间序列的初始时刻，或者，所述第t个时刻为从所述初始时刻开始连续缺失叶面积指数的N个时刻中的一个时刻，则获取第t+1个时刻的叶面积指数和影响因子；
若所述叶面积指数时间序列在第t+1时刻和第t-1个时刻的叶面积指数均未缺失，或者，所述第t个时刻为连续缺失叶面积指数的M个时刻中的一个时刻，所述M个时刻不包括所述叶面积指数时间序列的初始时刻和终止时刻，则获取第t+1个时刻的叶面积指数和影响因子，以及第t-1个时刻的叶面积指数和影响因子；
若所述第t个时刻为所述叶面积指数时间序列的终止时刻，或者，所述第t个时刻为连续缺失叶面积指数的P个时刻中的一个时刻，所述P个时刻包括所述终止时刻，则获取第t-1个时刻的叶面积指数和影响因子。
在一可选的实施例中，重建模块42具体可以用于：
若所述第t个时刻为所述叶面积指数时间序列的初始时刻，或者，所述第t个时刻为从所述初始时刻开始连续缺失叶面积指数的N个时刻中的一个时刻，则：
将所述第t+1个时刻的叶面积指数和影响因子输入预先训练好的逆向重建模型，得到所述第t个时刻的叶面积指数预测值。
在一可选的实施例中，重建模块42具体可以用于：
若所述叶面积指数时间序列在第t+1时刻和第t-1个时刻的叶面积指数均未缺失，则：
将所述第t+1个时刻的叶面积指数和影响因子输入预先训练好的逆向重建模型，得到所述第t个时刻的逆向叶面积指数预测值；将所述第t个时刻的逆向叶面积指数预测值和影响因子输入所述逆向重建模型，得到所述第t-1个时刻的逆向叶面积指数预测值；
将所述第t-1个时刻的叶面积指数和影响因子输入预先训练好的正向重建模型，得到所述第t个时刻的正向叶面积指数预测值；将所述第t个时刻的正向叶面积指数预测值和影响因子输入所述正向重建模型，得到所述第t+1个时刻的正向叶面积指数预测值；
根据所述第t-1个时刻的逆向叶面积指数预测值和所述第t-1个时刻未缺失的叶面积指数确定所述逆向重建模型的重建误差，利用所述第t+1个时刻的正向叶面积指数预测值和所述第t+1时刻的未缺失的叶面积指数确定所述正向重建模型的重建误差；
根据所述逆向重建模型的重建误差和所述正向重建模型的重建误差，利用所述第t个时刻的逆向叶面积指数预测值和所述第t个时刻的正向叶面积指数预测值确定所述第t个时刻的叶面积指数预测值。
在一可选的实施例中，重建模块42具体可以用于：
若所述第t个时刻为连续缺失叶面积指数的M个时刻中的一个时刻，所述M个时刻不包括所述叶面积指数时间序列的初始时刻和终止时刻，则：
将所述第t+1个时刻的叶面积指数和影响因子输入预先训练好的逆向重建模型，得到所述第t个时刻的逆向叶面积指数预测值；
将所述第t-1个时刻的叶面积指数和影响因子输入预先训练好的正向重建模型，得到所述第t个时刻的正向叶面积指数预测值；
将所述第t个时刻的逆向叶面积指数预测值和正向叶面积指数预测值的均值作为所述第t个时刻的叶面积指数预测值。
在一可选的实施例中，重建模块42具体可以用于：
若所述第t个时刻为所述叶面积指数时间序列的终止时刻，或者，所述第t个时刻为连续缺失叶面积指数的P个时刻中的一个时刻，所述P个时刻包括所述终止时刻，则：
将所述第t-1个时刻的叶面积指数和影响因子输入预先训练好的正向重建模型，得到所述第t个时刻的叶面积指数预测值。
在一可选的实施例中，第t'个时刻的气象数据至少可以包括：
第t'个时刻的总降水、地表下行有效光合辐射、地表2米温度。
在一可选的实施例中，第t'个时刻的影响因子还可以包括：归一化差分植被指数。
本申请实施例提供的叶面积指数时间序列重建装置可应用于电子设备中，如PC终端、云平台、服务器及服务器集群等。可选的，图5示出了本申请实施例提供的电子设备的硬件结构框图，参照图5，该电子设备的硬件结构可以包括：
至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4。
在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
获取与待预测叶面积指数的第t个时刻相邻的第t'个时刻的叶面积指数和影响因子，所述影响因子至少包括气象数据；所述第t'个时刻为第t+1个时刻，和/或，第t-1个时刻；
根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的叶面积指数。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：
获取与待预测叶面积指数的第t个时刻相邻的第t'个时刻的叶面积指数和影响因子，所述影响因子至少包括气象数据；所述第t'个时刻为第t+1个时刻，和/或，第t-1个时刻；
根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的叶面积指数。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
应当理解，本申请实施例中，从权、各个实施例、特征可以互相组合结合，都能实现解决前述技术问题。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (12)

1.一种叶面积指数时间序列重建方法，其特征在于，包括：
获取与待预测叶面积指数的第t个时刻相邻的第t'个时刻的叶面积指数和影响因子，所述影响因子至少包括气象数据；所述第t'个时刻为第t+1个时刻，和/或，第t-1个时刻；
根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的叶面积指数。
2.根据权利要求1所述的方法，其特征在于，获取第t'个时刻的叶面积指数和影响因子的过程，包括：
根据所述第t个时刻在所述叶面积指数时间序列中的位置，以及所述第t个时刻与其它缺失叶面积指数的时刻的相对位置关系，获取第t+1个时刻的叶面积指数和影响因子和/或获取第t-1个时刻的叶面积指数和影响因子。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第t个时刻在所述叶面积指数时间序列中的位置，以及所述第t个时刻与其它缺失叶面积指数的时刻的相对位置关系，获取第t+1个时刻的叶面积指数和影响因子和/或获取第t-1个时刻的叶面积指数和影响因子，包括：
若所述第t个时刻为所述叶面积指数时间序列的初始时刻，或者，所述第t个时刻为从所述初始时刻开始连续缺失叶面积指数的N个时刻中的一个时刻，则获取第t+1个时刻的叶面积指数和影响因子；
若所述叶面积指数时间序列在第t+1时刻和第t-1个时刻的叶面积指数均未缺失，或者，所述第t个时刻为连续缺失叶面积指数的M个时刻中的一个时刻，所述M个时刻不包括所述叶面积指数时间序列的初始时刻和终止时刻，则获取第t+1个时刻的叶面积指数和影响因子，以及第t-1个时刻的叶面积指数和影响因子；
若所述第t个时刻为所述叶面积指数时间序列的终止时刻，或者，所述第t个时刻为连续缺失叶面积指数的P个时刻中的一个时刻，所述P个时刻包括所述终止时刻，则获取第t-1个时刻的叶面积指数和影响因子。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的叶面积指数，包括：
若所述第t个时刻为所述叶面积指数时间序列的初始时刻，或者，所述第t个时刻为从所述初始时刻开始连续缺失叶面积指数的N个时刻中的一个时刻，则：
将所述第t+1个时刻的叶面积指数和影响因子输入预先训练好的逆向重建模型，得到所述第t个时刻的叶面积指数预测值。
5.根据权利要求3所述的方法，其特征在于，所述根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的初始叶面积指数，包括：
若所述叶面积指数时间序列在第t+1时刻和第t-1个时刻的叶面积指数均未缺失，则：
将所述第t+1个时刻的叶面积指数和影响因子输入预先训练好的逆向重建模型，得到所述第t个时刻的逆向叶面积指数预测值；将所述第t个时刻的逆向叶面积指数预测值和影响因子输入所述逆向重建模型，得到所述第t-1个时刻的逆向叶面积指数预测值；
将所述第t-1个时刻的叶面积指数和影响因子输入预先训练好的正向重建模型，得到所述第t个时刻的正向叶面积指数预测值；将所述第t个时刻的正向叶面积指数预测值和影响因子输入所述正向重建模型，得到所述第t+1个时刻的正向叶面积指数预测值；
根据所述第t-1个时刻的逆向叶面积指数预测值和所述第t-1个时刻未缺失的叶面积指数确定所述逆向重建模型的重建误差，利用所述第t+1个时刻的正向叶面积指数预测值和所述第t+1时刻的未缺失的叶面积指数确定所述正向重建模型的重建误差；
根据所述逆向重建模型的重建误差和所述正向重建模型的重建误差，利用所述第t个时刻的逆向叶面积指数预测值和所述第t个时刻的正向叶面积指数预测值确定所述第t个时刻的叶面积指数预测值。
6.根据权利要求3所述的方法，其特征在于，所述根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的叶面积指数，包括：
若所述第t个时刻为连续缺失叶面积指数的M个时刻中的一个时刻，所述M个时刻不包括所述叶面积指数时间序列的初始时刻和终止时刻，则：
将所述第t+1个时刻的叶面积指数和影响因子输入预先训练好的逆向重建模型，得到所述第t个时刻的逆向叶面积指数预测值；
将所述第t-1个时刻的叶面积指数和影响因子输入预先训练好的正向重建模型，得到所述第t个时刻的正向叶面积指数预测值；
将所述第t个时刻的逆向叶面积指数预测值和正向叶面积指数预测值的均值作为所述第t个时刻的叶面积指数预测值。
7.根据权利要求3所述的方法，其特征在于，所述根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的叶面积指数，包括：
若所述第t个时刻为所述叶面积指数时间序列的终止时刻，或者，所述第t个时刻为连续缺失叶面积指数的P个时刻中的一个时刻，所述P个时刻包括所述终止时刻，则：
将所述第t-1个时刻的叶面积指数和影响因子输入预先训练好的正向重建模型，得到所述第t个时刻的叶面积指数预测值。
8.根据权利要求1所述的方法，其特征在于，所述第t'个时刻的气象数据至少包括：
所述第t'个时刻的总降水、地表下行有效光合辐射、地表2米温度。
9.根据权利要求1所述的方法，其特征在于，所述第t'个时刻的影响因子还包括：归一化差分植被指数。
10.一种叶面积指数时间序列重建装置，其特征在于，包括：
获取模块，用于获取与待预测叶面积指数的第t个时刻相邻的第t'个时刻的叶面积指数和影响因子，所述影响因子至少包括气象数据；所述第t'个时刻为第t+1个时刻，和/或，第t-1个时刻；
重建模块，用于根据所述第t'个时刻的叶面积指数和影响因子预测所述第t个时刻的叶面积指数。
11.一种电子设备，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1-9中任一项所述的叶面积指数时间序列重建方法的各个步骤。
12.一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，所述计算机程序被处理器执行时，实现如权利要求1-9中任一项所述的叶面积指数时间序列重建方法的各个步骤。
CN202010559666.6A 2020-06-18 2020-06-18 叶面积指数时间序列重建方法、装置、设备及存储介质 Active CN111723328B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010559666.6A CN111723328B (zh) 2020-06-18 2020-06-18 叶面积指数时间序列重建方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010559666.6A CN111723328B (zh) 2020-06-18 2020-06-18 叶面积指数时间序列重建方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111723328A true CN111723328A (zh) 2020-09-29
CN111723328B CN111723328B (zh) 2024-02-13

Family

ID=72567429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010559666.6A Active CN111723328B (zh) 2020-06-18 2020-06-18 叶面积指数时间序列重建方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111723328B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116305875A (zh) * 2023-02-17 2023-06-23 中国科学院地理科学与资源研究所 数值天气预报模式中叶面积指数的数据处理方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015188333A (ja) * 2014-03-27 2015-11-02 株式会社日立製作所 植生生長分析システム及び方法
CN105631526A (zh) * 2014-10-31 2016-06-01 航天恒星科技有限公司 森林病虫害爆发风险预测的方法及装置
CN106777757A (zh) * 2016-12-30 2017-05-31 南方科技大学 植被叶面积指数的估计方法及装置
CN107977338A (zh) * 2017-11-22 2018-05-01 中国科学院地理科学与资源研究所 一种基于小波变换的叶面积指数空间尺度误差校正方法
CN108229403A (zh) * 2018-01-08 2018-06-29 中国科学院遥感与数字地球研究所 一种用于估算植被叶面积指数的混合模型构建方法
CN108761456A (zh) * 2018-05-07 2018-11-06 中国农业科学院农业资源与农业区划研究所 一种作物的叶面积指数反演方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015188333A (ja) * 2014-03-27 2015-11-02 株式会社日立製作所 植生生長分析システム及び方法
CN105631526A (zh) * 2014-10-31 2016-06-01 航天恒星科技有限公司 森林病虫害爆发风险预测的方法及装置
CN106777757A (zh) * 2016-12-30 2017-05-31 南方科技大学 植被叶面积指数的估计方法及装置
CN107977338A (zh) * 2017-11-22 2018-05-01 中国科学院地理科学与资源研究所 一种基于小波变换的叶面积指数空间尺度误差校正方法
CN108229403A (zh) * 2018-01-08 2018-06-29 中国科学院遥感与数字地球研究所 一种用于估算植被叶面积指数的混合模型构建方法
CN108761456A (zh) * 2018-05-07 2018-11-06 中国农业科学院农业资源与农业区划研究所 一种作物的叶面积指数反演方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JOSE L. ZARATE-VALDEZ.ETC.: "Prediction of leaf area index in almonds by vegetation indexes", COMPUTERS AND ELECTRONICS IN AGRICULTURE, vol. 85, pages 24 - 32, XP028428897, DOI: 10.1016/j.compag.2012.03.009 *
刘洋;刘荣高;陈镜明;程晓;郑光;: "叶面积指数遥感反演研究进展与展望", 地球信息科学学报, no. 05, pages 114 - 123 *
姜春雷;张树清;张策;李华朋;丁小辉;: "基于SARIMA-BP神经网络组合方法的MODIS叶面积指数时间序列建模与预测", 光谱学与光谱分析, no. 01, pages 194 - 198 *
梁栋;谢巧云;黄文江;彭代亮;杨晓华;黄林生;胡勇;: "最小二乘支持向量机用于时间序列叶面积指数预测", 红外与激光工程, no. 01, pages 249 - 254 *
马培培;李静;柳钦火;何彬彬;赵静: "中国区域MuSyQ叶面积指数产品验证与分析", 遥感学报, pages 1232 - 1252 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116305875A (zh) * 2023-02-17 2023-06-23 中国科学院地理科学与资源研究所 数值天气预报模式中叶面积指数的数据处理方法及装置
CN116305875B (zh) * 2023-02-17 2023-08-29 中国科学院地理科学与资源研究所 数值天气预报模式中叶面积指数的数据处理方法及装置

Also Published As

Publication number Publication date
CN111723328B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
US11527062B2 (en) Method and system for crop recognition and boundary delineation
CN111582043B (zh) 基于多任务学习的高分辨率遥感影像地物变化检测方法
CN111158068A (zh) 一种基于简单卷积循环神经网络的短临预报方法及系统
CN112053359A (zh) 遥感图像变化检测方法、装置、电子设备及存储介质
CN110288003B (zh) 数据变化识别方法及设备
Lee et al. Applying machine learning methods to detect convection using Geostationary Operational Environmental Satellite-16 (GOES-16) advanced baseline imager (ABI) data
Sousa et al. Creation of a coastal evolution prognostic model using shoreline historical data and techniques of digital image processing in a GIS environment for generating future scenarios
CN111723328A (zh) 叶面积指数时间序列重建方法、装置、设备及存储介质
Huang et al. A methodology to reconstruct LAI time series data based on generative adversarial network and improved Savitzky-Golay filter
CN116861262B (zh) 一种感知模型训练方法、装置及电子设备和存储介质
CN113963314A (zh) 降雨量监测方法、装置、计算机设备及存储介质
CN115797501A (zh) 一种结合森林干扰与恢复事件的时间序列林龄制图方法
CN111582589A (zh) 一种租车出险预测方法、装置、设备及存储介质
CN116071644A (zh) 逐日叶面积指数数据反演方法、装置、设备及存储介质
Li et al. MSDM: a machine learning model for precipitation nowcasting over east China using multi-source data
Abbes et al. Prediction changes for nonstationary multi-temporal satellite images using HMM
Xiang et al. A precipitation nowcasting mechanism for real-world data based on machine learning
CN114118159A (zh) 基于小波灰度卷积的开关柜断路器机械特性诊断方法
CN109612467B (zh) 轨迹简化方法、系统及轨迹可视化系统
Unsalan Measuring land development in urban regions using graph theoretical and conditional statistical features
CN116719103B (zh) 水文集合预报构建方法、装置、计算机设备及存储介质
Premier et al. A multisource statistical method to downscale snow cover fraction in mountain regions
EP1643258B1 (en) Pattern identification and bit level measurements on repetitive patterns
US20230139957A1 (en) Automated visual recognition for atmospheric visibility measurement
Judy Multiple Hypothesis Tracking and Strong Point Analysis for Storm Tracking with Weather Radar

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant