CN116071644B - 逐日叶面积指数数据反演方法、装置、设备及存储介质 - Google Patents
逐日叶面积指数数据反演方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116071644B CN116071644B CN202211644209.2A CN202211644209A CN116071644B CN 116071644 B CN116071644 B CN 116071644B CN 202211644209 A CN202211644209 A CN 202211644209A CN 116071644 B CN116071644 B CN 116071644B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- index data
- leaf area
- daily
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种逐日叶面积指数数据反演方法、装置、设备及存储介质,涉及图像处理技术领域,包括:获取第一遥感影像集;对第一遥感影像集进行时空融合处理,得到逐日高分遥感影像集;将逐日高分遥感影像集的植被指数数据输入至叶面积指数反演模型,得到逐日高分叶面积指数数据;叶面积指数反演模型是根据逐日融合遥感影像集对应的植被指数数据以及逐日低分叶面积指数数据进行迭代训练得到。本发明通过对遥感影像集进行时空融合,构建得到逐日的高空间分辨率遥感影像集,进而利用叶面积指数反演模型来反演得到高时空分辨率的叶面积指数数据,且叶面积指数反演模型的构建无需进行添加地面实测的叶面积指数数据,极大地节省了时间成本。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种逐日叶面积指数数据反演方法、装置、设备及存储介质。
背景技术
LAI((Leaf Area Index,叶面积指数)数据是反应作物生长状况的重要指标,叶面积指数数据可通过遥感数据得到,其中,叶面积指数数据的质量由卫星重访频率和传感器分辨率决定。
目前,遥感数据中常使用的叶面积指数数据多为500m至1000m空间分辨率的数据集。比如:MCD15和GLASS等,虽然这种中低空间分辨率的数据集可以进行大范围的环境监测,但是无法为精细化的农业生产提供可靠的支持。Landsat、Sentinel和GF等卫星可以提供10m高空间分辨率的影像,但是这些高空间分辨率的影像所对应的时间分辨率较低,无法满足对作物关键生育期的观测。因此,需要对遥感数据进行反演得到高时间分辨率以及高空间分辨率的叶面积指数数据。
目前,对于叶面积指数数据的反演研究中,通常是建立遥感影像集的植被指数数据与地面实测的叶面积指数数据之间的回归模型,从而利用回归模型对区域的整体反演,然而,回归模型构建过程中,需要采集大量的地面叶面积指数数据来确保回归模型的可靠性和精度,导致工作时间成本较大。
发明内容
本发明提供一种逐日叶面积指数数据反演方法、装置、设备及存储介质,旨在解决在叶面积指数反演过程中,需要采集大量的地面叶面积指数数据来确保回归模型的可靠性和精度,导致工作时间成本较大的技术问题。
本发明提供一种逐日叶面积指数数据反演方法,包括:
获取目标区域的第一遥感影像集;
对所述第一遥感影像集进行时空融合处理,得到逐日高分遥感影像集;
将所述逐日高分遥感影像集对应的植被指数数据输入至叶面积指数反演模型,得到所述叶面积指数反演模型输出的逐日高分叶面积指数数据;
其中,所述叶面积指数反演模型是根据逐日低分叶面积指数数据以及逐日融合遥感影像集对应的目标植被指数数据进行迭代训练得到;
所述逐日低分叶面积指数数据,是基于第二遥感影像集对应的逐日地表反射率数据,以及第三遥感影像集对应的叶面积指数序列生成;
所述逐日融合遥感影像集,是基于所述第二遥感影像集以及待训练逐日高分遥感影像集进行光谱回归处理得到;
所述待训练逐日高分遥感影像集,是对第一遥感影像样本进行时空融合处理得到的。
根据本发明提供的一种逐日叶面积指数数据反演方法,所述叶面积指数反演模型是基于如下步骤训练得到:
获取第二遥感影像集对应的逐日地表反射率数据和第三遥感影像集对应的叶面积指数序列;
基于所述逐日地表反射率数据和所述叶面积指数序列,生成逐日低分叶面积指数数据;
将所述第二遥感影像集输入至第二光谱回归模型,得到所述第二光谱回归模型输出的逐日融合遥感影像集,其中,所述第二光谱回归模型是基于原始遥感影像集以及所述第一遥感影像样本构建得到;
计算所述逐日融合遥感影像集的目标植被指数数据;
基于所述逐日融合遥感影像集的目标植被指数数据和所述逐日低分叶面积指数数据,对待训练反演模型进行迭代训练,得到所述叶面积指数反演模型。
根据本发明提供的一种逐日叶面积指数数据反演方法,所述基于所述逐日地表反射率数据和所述叶面积指数序列,生成逐日低分叶面积指数数据,包括:
基于所述逐日地表反射率数据,计算得到逐日植被指数数据序列;
在所述逐日植被指数数据序列中,分别筛选得到与所述叶面积指数序列中各个叶面积指数数据的时间节点不相匹配的各个间隔植被指数数据;
对于任意一个所述间隔植被指数数据,基于任一所述间隔植被指数数据对应的目标时间节点,选取两个与所述目标时间节点相邻时间节点对应的目标回归模型,其中,任意一个时间节点对应的目标回归模型是基于所述时间节点对应的叶面积指数数据以及植被指数数据训练得到;
分别将任一所述间隔植被指数数据输入至各所述相邻时间节点对应的目标回归模型,得到各所述相邻时间节点对应的目标回归模型输出的预测叶面积指数数据;
基于各所述相邻时间节点对应的预测叶面积指数数据,计算得到各所述相邻时间节点对应的目标回归模型的权重系数;
基于各所述权重系数以及各所述预测叶面积指数数据,计算得到任一所述间隔植被指数数据对应的目标叶面积指数数据;
基于所述叶面积指数序列和任一所述间隔植被指数数据对应的目标叶面积指数序列,形成所述逐日低分叶面积指数数据。
根据本发明提供的一种逐日叶面积指数数据反演方法,所述任意一个时间节点对应的目标回归模型是基于如下步骤训练得到:
在所述逐日植被指数数据序列中,分别筛选得到与所述叶面积指数序列中各个叶面积指数数据的时间节点相匹配的植被指数数据;
基于任一时间节点相匹配对应的植被指数数据以及叶面积指数数据,对初始模型进行迭代训练,得到任一所述时间节点对应的目标回归模型。
根据本发明提供的一种逐日叶面积指数数据反演方法,所述对所述第一遥感影像集进行时空融合处理,得到逐日高分遥感影像集,包括:
将所述第一遥感影像集输入至第一光谱回归模型,得到所述第一光谱回归模型输出的影像预测结果;
对所述影像预测结果进行空间滤波处理,得到空间滤波处理结果;
计算所述影像预测结果和所述第一遥感影像集之间的剩余补偿结果;
基于所述空间滤波处理结果和剩余补偿结果,计算得到所述逐日高分遥感影像集。
根据本发明提供的一种逐日叶面积指数数据反演方法,所述第一光谱回归模型是基于如下步骤训练得到:
获取第一遥感影像样本和第二遥感影像样本;
对所述第一遥感影像样本进行上采样处理,得到上采样影像样本,其中,所述上采样影像样本与第二遥感影像样本的空间分辨率相同;
基于所述上采样影像样本和所述第二遥感影像集样本,构建得到所述第一光谱回归模型。
根据本发明提供的一种逐日叶面积指数数据反演方法,所述第二光谱回归模型是基于如下步骤构建获得:
获取原始遥感影像集;
将所述第一遥感影像样本进行时空融合处理,得到待训练逐日高分遥感影像集;
将所述待训练逐日高分遥感影像集进行上采样处理,得到逐日上采样遥感影像;
将所述原始遥感影像集和所述逐日上采样遥感影像进行直方图匹配,得到光谱变换遥感影像集;
基于所述逐日上采样遥感影像和所述光谱变换遥感影像集,构建得到所述第二光谱回归模型。
本发明还提供一种逐日叶面积指数数据反演装置,包括:
获取模块,用于获取第一遥感影像集;
时空融合模块,用于对所述第一遥感影像集进行时空融合处理,得到逐日高分遥感影像集;
反演模块,用于将所述逐日高分遥感影像集对应的植被指数数据输入至叶面积指数反演模型,得到所述叶面积指数反演模型输出的逐日高分叶面积指数数据;
其中,所述叶面积指数反演模型是根据逐日低分叶面积指数数据以及逐日融合遥感影像集对应的目标植被指数数据进行迭代训练得到;
所述逐日低分叶面积指数数据,是基于第二遥感影像集对应的逐日地表反射率数据,以及第三遥感影像集对应的叶面积指数序列生成;
所述逐日融合遥感影像集,是基于所述第二遥感影像集以及待训练逐日高分遥感影像集进行光谱回归处理得到;
所述待训练逐日高分遥感影像集,是对第一遥感影像样本进行时空融合处理得到的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述逐日叶面积指数数据反演方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述逐日叶面积指数数据反演方法。
本发明提供的逐日叶面积指数数据反演方法、装置、设备及存储介质,通过对第一遥感影像集进行时空融合处理,得到逐日的高空间分辨率的遥感影像集,进而根据逐日高分遥感影像集,利用叶面积指数反演模型进行反演,得到高时间分辨率和高空间分辨率的叶面积指数数据,从而可根据高时间分辨率和高空间分辨率的叶面积指数数据,既能够进行大范围的环境监测,又能够对作物关键生育期的观测。另外地,叶面积指数反演模型是根据逐日融合遥感影像集对应的植被指数数据以及逐日低分叶面积指数数据进行迭代训练得到,无需进行添加地面实测的叶面积指数数据,极大地降低了时间成本。
附图说明
为了更清楚地说明本发明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逐一简单地介绍,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是本发明提供的逐日叶面积指数数据反演方法的流程示意图;
图2是本发明提供的逐日叶面积指数数据反演装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
在本发明一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明一个或多个实施例。在本发明一个或多个实施例中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本发明一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”。
图1是本发明提供的逐日叶面积指数数据反演方法的流程示意图。如图1所示,该逐日叶面积指数数据反演方法包括:
步骤11,获取第一遥感影像集;
需要说明的是,所述第一遥感影像集中的各个第一遥感影像是高空间分辨率低时间分辨率的影像,例如,Sentinel-2影像,可选地,所述Sentinel-2影像的空间分辨率是10m。
步骤12,对所述第一遥感影像集进行时空融合处理,得到逐日高分遥感影像集;
需要说明的是,所述逐日高分遥感影像集表示逐日连续的高空间分辨率的遥感影像,所述时空融合处理包括UBDF、LMGM、STARFM、Fit-FC、OPDL、FSDA等算法进行时空融合处理,优选地,在本实施例中,选取Fit-FC算法进行时空融合处理。Fit-FC时空融合方法主要包括光谱回归、空间滤波和剩余补偿三个步骤。
具体地,首先分别将第一遥感影像集中各个时间节点对应的第一遥感影像输入至第一光谱回归模型,得到第一光谱回归模型输出的各个第一遥感影像对应的影像预测结果,其中,所述第一光谱回归模型是根据第二遥感影像样本和对第一遥感影像样本进行上采样得到的遥感影像样本构建得到,第二遥感影像样本和上采样得到的遥感影像样本之间的空间分辨率相同,进而对所述影像预测结果进行空间滤波处理,得到空间滤波处理结果,进一步地,计算所述影像预测结果和所述第一遥感影像集之间的残差结果,进而根据所述残差结果,计算得到剩余补偿结果,进而基于所述空间滤波处理结果和剩余补偿结果,计算得到所述逐日高分遥感影像集。
步骤13,将所述逐日高分遥感影像集对应的植被指数数据输入至叶面积指数反演模型,得到所述叶面积指数反演模型输出的逐日高分叶面积指数数据;
其中,所述叶面积指数反演模型是根据逐日低分叶面积指数数据以及逐日融合遥感影像集对应的目标植被指数数据进行迭代训练得到;所述逐日低分叶面积指数数据,是基于第二遥感影像集对应的逐日地表反射率数据,以及第三遥感影像集对应的叶面积指数序列生成;所述逐日融合遥感影像集,是基于所述第二遥感影像集以及待训练逐日高分遥感影像集进行光谱回归处理得到;所述待训练逐日高分遥感影像集,是对第一遥感影像样本进行时空融合处理得到的。
具体地,分别计算所述逐日高分遥感影像集中各个高分遥感影像对应的植被指数数据,进而分别将各个高分遥感影像对应的植被指数数据输入至叶面积指数反演模型,得到所述叶面积指数反演模型输出的各个高分遥感影像对应的叶面积指数数据,进而根据各个高分遥感影像对应的叶面积指数数据,形成所述逐日高分叶面积指数数据,所述逐日高分叶面积指数数据表示逐日连续的高空间分辨率的叶面积指数数据。
需要说明的是,第二遥感影像集和第三遥感影像集与第一遥感影像集的空间分辨率不同,优选地,第二遥感影像集和第三遥感影像集可以是目标区域的遥感影像集合,也可以是与目标区域地物类型相同的区域的遥感影像集合,其中,第二遥感影像集和第三遥感影像集表示低空间分辨率、高时间分辨率对应的各个遥感影像,例如,第二遥感影像集是空间分辨率为500m的MCD43A4遥感影像。第三遥感影像集是空间分辨率是500m的MCD15A3H遥感影像,其中,MCD43A4遥感影像的逐日地表反射率数据包括每一天连续的遥感影像中各个像素点的地表反射率数据,叶面积指数序列包括某一段时间的遥感影像中各个像素点的叶面积指数数据。
首先根据第二遥感影像集对应的逐日地表反射率数据,计算得到时间连续的逐日植被指数数据,进而根据第二遥感影像集中各个像素点的逐日植被指数数据和叶面积指数序列中各个时间节点的叶面积指数,构建得到各个时间节点对应的目标回归模型,进而基于逐日植被指数数据,利用目标回归模型预测得到待求时间节点对应的叶面积指数,从而根据叶面积指数序列以及全部待求时间节点对应的叶面积指数,形成逐日的低空间分辨率的叶面积指数数据,并将逐日的低空间分辨率的叶面积指数数据作为所述逐日低分叶面积指数数据。
另外地,获取第一遥感影像样本,其中,第一遥感影像样本和第一遥感影像集中的遥感影像的影像类型以及空间分辨率相同,将第一遥感影像样本进行时空融合处理,得到待训练逐日高分遥感影像集,进而根据待训练逐日高分遥感影像集和原始影像集,构建第二光谱回归模型,进一步地,将第二遥感影像集输入至第二光谱回归模型中,得到所述逐日融合遥感影像集,从而得到具有Sentinel-2影像的光谱特征的遥感影像。
本发明实施例通过对第一遥感影像集进行时空融合处理,得到逐日的高空间分辨率的遥感影像集,进而根据逐日高分遥感影像集,利用叶面积指数反演模型进行反演,得到高时间分辨率和高空间分辨率的叶面积指数数据,从而可根据高时间分辨率和高空间分辨率的叶面积指数数据,既能够进行大范围的环境监测,又能够对作物关键生育期的观测。另外地,叶面积指数反演模型是根据逐日融合遥感影像集对应的植被指数数据以及逐日低分叶面积指数数据进行迭代训练得到,无需进行添加地面实测的叶面积指数数据,极大地降低了时间成本。
在本发明的一个实施例中,所述叶面积指数反演模型是基于如下步骤训练得到:
步骤21,获取第二遥感影像集对应的逐日地表反射率数据和第三遥感影像集对应的叶面积指数序列;
需要说明的是,第二遥感影像集表示MCD43A4影像,MCD43A4影像中包括逐日的地表反射率数据,且其空间分辨率是500m的,第三遥感影像集表示MCD15A3H影像,MCD15A3H为空间分辨率是500m、4天时间分辨率的叶面积指数数据。逐日地表反射率数据包括每一天的地表反射率数据,叶面积指数序列包括某段时间对应的叶面积指数数据。
步骤22,基于所述逐日地表反射率数据和所述叶面积指数序列,生成逐日低分叶面积指数数据;
需要说明的是,所述逐日低分叶面积指数数据表示逐日的高时间分辨率、低空间分辨率的叶面积指数数据。
具体地,基于逐日地表反射率数据,计算得到逐日植被指数数据序列,例如,计算得到NDVI(Normalized Vegetation Index,归一化植被指数),进而按照时间节点,筛选出与所述叶面积指数序列中各个叶面积指数数据的时间节点相匹配的植被指数数据,从而可针对任意一个时间节点对应的植被指数数据以及叶面积指数数据,通过逻辑回归算法构建得到该时间节点对应的目标回归模型。
另外地,在所述逐日植被指数数据序列中,分别筛选得到与所述叶面积指数序列中各个叶面积指数数据的时间节点不相匹配的各个间隔植被指数数据,从而根据各个时间节点对应的间隔植被指数数据,利用目标回归模型预测得到待求时间节点对应的预测叶面积指数数据。
更为具体地:在一种可实施例,根据待求时间节点,确定目标回归模型,例如,选取与待求时间节点最近的时间节点所对应的目标回归模型,进而将待求时间节点对应的间隔植被指数数据输入至该目标回归模型,得到待求时间节点对应的预测叶面积指数数据。
在另一实施例中,根据待求时间节点,选取与所述待求时间节点相邻的两个时间节点对应的目标回归模型,进而将待求时间节点对应的间隔植被指数数据分别输入至两个时间节点对应的目标回归模型,得到相邻两个时间节点对应的目标回归模型输出的预测叶面积指数数据,进而根据预先设置的权重系数以及各所述预测叶面积指数数据,计算得到所述间隔植被指数数据对应的叶面积指数数据。
从而根据叶面积指数序列以及目标回归模型预测到的全部时间节点的预测叶面积指数数据,形成所述逐日低分叶面积指数数据。
步骤23,将所述第二遥感影像集输入至第二光谱回归模型,得到所述第二光谱回归模型输出的逐日融合遥感影像集,其中,所述第二光谱回归模型是基于原始遥感影像集以及所述第一遥感影像样本构建得到;
需要说明的是,原始遥感影像集是指MODIS遥感影像集,所述第二光谱回归模型是根据对第一遥感影像样本进行时空融合处理得到的待训练逐日高分遥感影像集,以及对原始遥感影像集进行光谱变换得到的光谱变换遥感影像集构建得到。
具体地,将所述第二遥感影像集输入至第二光谱回归模型,得到第二光谱回归模型输出的具有Sentinel-2遥感影像光谱特征的500m空间分辨率的MODS2影像,从而将具有Sentinel-2遥感影像光谱特征的MODS2影像作为所述逐日融合遥感影像集。
步骤24,计算所述逐日融合遥感影像集对应的目标植被指数数据;
步骤25,基于所述逐日融合遥感影像集的目标植被指数数据和所述逐日低分叶面积指数数据,对待训练反演模型进行迭代训练,得到所述叶面积指数反演模型。
具体地,计算所述逐日融合遥感影像集中各个遥感影像中各个像素点对应的目标植被指数数据,目标植被指数数据包括NDVI(Normalized Vegetation Index,归一化植被指数)、CI(clumping index,植被聚集指数)、SPEI(Standardized PrecipitationEvapotranspiration Index,标准化降水蒸散指数)等植被指数数据,进一步地,针对任意一个时间节点相匹配对应的各个像素点的目标植被指数数据均执行以下步骤:将所述目标植被指数数据输入至待训练反演模型,得到待训练反演模型输出的预测值,进一步地,根据所述预测值以及逐日低分叶面积指数数据中该时间节点对应的叶面积指数数据,计算得到模型损失值,根据模型损失值更新所述待训练反演模型的模型参数,此次模型训练结束,之后进行下一次的模型训练。在训练的过程中,判断更新后的待训练反演模型是否满足预设训练结束条件,若满足,则将更新后的待训练反演模型作为叶面积指数反演模型,若不满足,则继续训练模型,其中,所述预设训练结束条件包括损失收敛和达到最大迭代次数阈值等。
本发明实施例通过第二遥感影像集对应的逐日地表反射率数据和第三遥感影像集对应的叶面积指数序列训练得到叶面积指数反演模型,无需采集大量的地面叶面积指数数据,极大地降低工作时间成本。
在本发明的一个实施例中,所述第二光谱回归模型是基于如下步骤获得:
步骤31,获取原始遥感影像集;
步骤32,将所述第一遥感影像样本进行时空融合处理,得到待训练逐日高分遥感影像集;
需要说明的是,时空融合处理的过程和步骤12的处理过程基本相同,在次不再赘述。
步骤33,将所述逐日高分遥感影像集进行上采样处理,得到逐日上采样遥感影像;
需要说明的是,上采样处理是指将高空间分辨率的遥感影像采样成低空间分辨率的遥感影像,逐日上采样遥感影像中各个遥感影像的空间分辨率和原始遥感影像集中各个遥感影像的空间分辨率相同。例如,逐日高分遥感影像集是10m空间分辨率的影像集,上采样形成500m空间分辨率的影像集。
步骤34,将所述原始遥感影像集和所述逐日上采样遥感影像进行直方图匹配,得到光谱变换遥感影像集;
需要说明的是,由于MODIS影像的逐日数据是通过BRDF(BidirectionalReflectance Distribution Function,双向反射分布函数)调整后的影像数据,因此,需要考虑将MODIS影像的光谱特征转换为Sentinel-2影像的光谱特征中。
具体地,首先将所述原始遥感影像集中的各个原始遥感影像和所述逐日上采样遥感影像中的各个上采样遥感影像按照时间节点进行匹配分类,进而将任意一组时间节点相匹配对应的原始遥感影像和上采样遥感影像进行地表反射率的直方图匹配,以对MODIS原始遥感影像进行光谱变换,使得MODIS原始遥感影像与Sentinel-2遥感影像之间的光谱相统一,从而得到光谱变换遥感影像集。
步骤35,基于所述逐日上采样遥感影像和所述光谱变换遥感影像集,构建得到所述第二光谱回归模型。
具体地,根据所述逐日上采样遥感影像中的各个上采样遥感影像和所述光谱变换遥感影像集中的各个光谱变换遥感影像,选取得到若干组时间节点相匹配的上采样遥感影像和光谱变换遥感影像,从而根据若干组时间节点相匹配的上采样遥感影像和光谱变换遥感影像,可利用Cubist算法或逻辑回归算法等算法,构建得到上采样遥感影像与光谱变换遥感影像之间的第二光谱回归模型。
本发明实施例通过将原始遥感影像集和逐日上采样遥感影像进行直方图匹配,得到光谱变换遥感影像集,进而基于逐日上采样遥感影像和光谱变换遥感影像集,构建得到所述第二光谱回归模型,考虑了MCD15A3H数据中BRDF的影响,从而对原始遥感影像集影像进行了光谱变换,使其与Sentinel-2光谱特征相统一,提高叶面积指数数据反演的准确性。
在本发明的一个实施例中,所述基于所述逐日地表反射率数据和所述叶面积指数序列,生成逐日低分叶面积指数数据,包括:
步骤41,基于所述逐日地表反射率数据,计算得到逐日植被指数数据序列;
具体地,根据第二遥感影像集中逐日的地表反射率数据,计算得到每一天的植被指数数据,从而形成所述逐日植被指数数据序列。
步骤42,在所述逐日植被指数数据序列中,分别筛选得到与所述叶面积指数序列中各个叶面积指数数据的时间节点不相匹配的各个间隔植被指数数据;
具体地,根据所述叶面积指数序列中各个叶面积指数数据的时间节点,在所述逐日植被指数数据序列中的各个植被指数数据中,筛选得到与各个叶面积指数数据的时间节点不相匹配的各个间隔植被指数数据。
可以理解地,所述叶面积指数序列包括t1、t5和t9时间节点的叶面积指数数据,逐日植被指数数据序列包括t1、t2、t3、t4、t5、t6、t7、t8、t9和t10时间节点的植被指数数据,间隔植被指数数据即为t2、t3、t4、t6、t7、t8和t10各个时间节点对应的植被指数数据。
步骤43,对于任意一个所述间隔植被指数数据,基于任一所述间隔植被指数数据对应的目标时间节点,选取两个与所述目标时间节点相邻时间节点对应的目标回归模型,其中,任意一个时间节点对应的目标回归模型是基于所述时间节点对应的叶面积指数数据以及植被指数数据训练得到;
具体地,对于任意一个所述间隔植被指数数据均执行以下步骤:基于所述间隔植被指数数据对应的目标时间节点,选取两个与所述目标时间节点相邻的时间节点所对应的目标回归模型。
可以理解地,目标回归模型对应的时间节点有t1、t6、t7、t9、t10,若所述间隔植被指数数据对应的目标时间节点为t2,则选取t1和t6时间节点对应的目标回归模型。
需要说明的是,在第二遥感影像集对应的逐日地表反射率数据,计算得到逐日植被指数数据序列,进而在逐日植被指数数据序列中选取得到该时间节点对应的各个像素点的植被指数数据,在第三遥感影像集对应的叶面积指数序列中选取得到该时间节点对应的各个像素点的叶面积指数数据,进而根据该时间节点对应的叶面积指数数据以及植被指数数据训练得到该时间节点对应的目标回归模型。
步骤44,分别将任一所述间隔植被指数数据输入至各所述相邻时间节点对应的目标回归模型,得到各所述相邻时间节点对应的目标回归模型输出的预测叶面积指数数据;
具体地,对于任意一个所述间隔植被指数数据均执行以下步骤:
分别将所述间隔植被指数数据输入至各所述相邻时间节点对应的目标回归模型,根据各个相邻时间节点对应的目标回归模型输出的结果,确定两个相邻时间节点对应的预测叶面积指数数据。
步骤45,基于各所述相邻时间节点对应的预测叶面积指数数据,计算得到各所述相邻时间节点对应的目标回归模型的权重系数;
具体地,任意一个相邻时间节点对应的目标回归模型的权重系数是根据如下步骤计算得到:
首先,根据该相邻时间节点,在逐日植被指数数据序列选取得到相邻时间节点对应的若干个像素点的植被指数数据,以及在所述叶面积指数序列选取得到相邻时间节点对应的若干个像素点的叶面积指数数据,进而针对任意一个像素点对应的植被指数数据,将所述像素点对应的植被指数数据据输入至所述相邻时间节点对应的目标回归模型,得到所述相邻时间节点对应的目标回归模型输出的预测值,进而根据所述相邻时间节点对应的目标回归模型输出的预测叶面积指数数据、所述像素点对应的叶面积指数数据以及预测值,计算得到所述相邻时间节点对应的目标回归模型的权重系数。
可以理解地,假设相邻时间节点是t1,根据t1时间节点的各个像素点的植被指数数据输入至目标回归模型,得到各个像素点对应的预测值,进而根据各个像素点对应的预测值以及各个像素点对应的叶面积指数数据,计算得到t1时间节点的预测值和叶面积指数数据之间的线性关系,进而将tp待求时间节点的植被指数数据输入至目标回归模型,得到预测叶面积指数数据,根据上述线性关系以及预测叶面积指数数据,计算得到tp待求时间节点对应的真实叶面积指数数据,进而根据tp待求时间节点的真实叶面积指数数据和预测叶面积指数数据,计算得到t1时间节点对应的目标回归模型的权重系数。计算公式如下:
LAIt1_true=k×LAIt1+l
LAIt1_true*=k×LAIp+1
w1=1-(|LAIt1_true*-LAIp|/(LAIt1_true*))
其中,LAIt1_true表示叶面积指数数据,LAIt1表示t1时间节点的预测值,LAIt1_true*表示真实叶面积指数数据,LAIp表示预测叶面积指数数据,w1表示t1时间节点对应的目标回归模型的权重系数,k和1表示线性关系中的系数。
步骤46,基于各所述权重系数以及各所述预测叶面积指数数据,计算得到任一所述间隔植被指数数据对应的目标叶面积指数数据;
步骤47,基于所述叶面积指数序列和任一所述间隔植被指数数据对应的目标叶面积指数序列,形成所述逐日低分叶面积指数数据。
需要说明的是,逐日低分叶面积指数数据表示每一天的低空间分辨率的叶面积指数数据。
具体地,对于任意一个间隔植被指数数据均执行以下步骤:
根据两个相邻时间节点对应的预测叶面积指数数据和各自对应的权重系数,计算得到待求时间节点对应的目标叶面积指数数据,从而根据所述叶面积指数序列以及所有待求时间节点对应的目标叶面积指数数据,形成所述逐日低分叶面积指数数据,从而可以了解到每一天的叶面积指数数据。计算公式如下:
LAI=w1×F1+w2×F1
LAI表示目标叶面积指数数据,w1和w2表示相邻两个时间节点对应的目标回归模型的权重系数,F1和F1表示相邻两个时间节点对应的目标回归模型输出的预测叶面积指数数据。
本发明实施例通过根据逐日植被指数数据序列和逐日地表反射率数据对应的逐日植被指数数据序列,结合两个相邻时间节点对应的目标回归模型预测得到预测叶面积指数数据,考虑了先后时间节点的数据对缺失数据的影响,从而得到时间分辨率和空间分辨率达到最优的逐日低分叶面积指数数据,有效提高逐日叶面积指数数据反演的准确性。
在本发明的一个实施例中,任意一个时间节点对应的目标回归模型是基于如下步骤训练得到:
在所述逐日植被指数数据序列中,分别筛选得到与所述叶面积指数序列中各个叶面积指数数据的时间节点相匹配的植被指数数据;基于任一时间节点相匹配对应的植被指数数据以及叶面积指数数据,对初始模型进行迭代训练,得到任一所述时间节点对应的目标回归模型。
具体地,根据所述叶面积指数序列中各个叶面积指数数据的时间节点,在所述逐日植被指数数据序列中的各个植被指数数据中,筛选得到与各个叶面积指数数据的时间节点相匹配的各个植被指数数据。
可以理解地,所述叶面积指数序列包括t1、t5和t9的叶面积指数数据,逐日植被指数数据序列包括t1、t2、t3、t4、t5、t6、t7、t8、t9和t10,选取得到t1、t5和t9时间节点对应的植被指数数据。
进一步地,对于任意一个时间节点相匹配对应的各个植被指数数据均执行以下步骤:将植被指数数据输入至该时间节点对应的初始模型,得到该时间节点对应的初始模型输出的预测数据,进而根据所述时间节点对应的预测数据以及叶面积指数数据,计算得到损失值,进而根据每一次迭代得到的损失值,对该时间节点对应的初始模型的模型参数进行更新,得到所述时间节点对应的目标回归模型。
另外地,为了考虑不同地物对叶面积指数的响应不同,可根据第二遥感影像集中的遥感影像以及第三遥感影像集中的遥感影像进行聚类,得到不同地物类别对应的聚类结果,进而聚类结果中的遥感影像,构建不同地物类别对应的目标回归模型。
本发明实施例通过根据时间节点相匹配对应的植被指数数据以及叶面积指数数据,构建得到该时间节点对应的目标回归模型,从而可根据各个时间节点对应的目标回归模型,构建逐日低分叶面积指数数据。
在本发明的一个实施例中,所述对所述第一遥感影像集进行时空融合处理,得到逐日高分遥感影像集,包括:
将所述第一遥感影像集输入至第一光谱回归模型,得到所述第一光谱回归模型输出的影像预测结果;对所述影像预测结果进行空间滤波处理,得到空间滤波处理结果;计算所述影像预测结果和所述第一遥感影像集之间的剩余补偿结果;基于所述空间滤波处理结果和剩余补偿结果,计算得到所述逐日高分遥感影像集。
具体地,分别将所述第一遥感影像集中的各个第一遥感影像输入至第一光谱回归模型,得到所述第一光谱回归模型输出的影像预测结果。需要说明的是,第一光谱回归模型是根据第二遥感影像样本和对第一遥感影像样本进行上采样处理得到的上采样影像样本构建得到。
第二遥感影像样本和上采样处理得到的上采样影像样本之间的空间分辨率相同,第一遥感影像集的各个遥感影像比第二遥感影像样本的空间分辨高,因此,在光谱回归预测过程中,由于空间分辨率不一致会造成块状伪影问题,因此,需要对所述影像预测结果进行空间滤波处理,得到空间滤波处理结果,进一步地,根据所述第一遥感影像集中各个第一遥感影像以及各个第一遥感影像对应的影像预测结果,计算得到各个第一遥感影像对应的残差结果,进而根据各个第一遥感影像对应的残差结果,计算得到各个第一遥感影像的剩余补偿结果,从而基于所述空间滤波处理结果和剩余补偿结果,计算得到所述逐日高分遥感影像集。
在一实施例中,所述第一光谱回归模型是基于如下步骤训练得到:
获取第一遥感影像样本和第二遥感影像样本;对所述第一遥感影像样本进行上采样处理,得到上采样影像样本,其中,所述上采样影像样本与第二遥感影像样本的空间分辨率相同;基于所述上采样影像样本和所述第二遥感影像集样本,构建得到所述第一光谱回归模型。
需要说明的是,第一遥感影像样本和第一遥感影像集中的遥感影像类型相同,第二遥感影像样本和所述第二遥感影像集中的遥感影像类型相同。可选地,所述第二遥感影像样本可从所述第二遥感影像集选取得到。
具体地,将第一遥感影像样本进行上采样处理,得到上采样影像样本,其中,所述上采样影像样本与第二遥感影像样本的空间分辨率相同,例如,将高空间分辨率是10m的Sentinel-2遥感影像上采样成高空间分辨率是500m的Sentinel-2遥感影像。进一步地,将基于所述上采样影像样本和所述第二遥感影像集样本,通过逻辑回归算法或Cubist算法等算法构建得到所述第一光谱回归模型。
另外需要说明的是,针对不同的地物类别,分别构建不同地物类别对应的第一光谱回归模型。
本发明实施例通过第一遥感影像样本经上采样处理的影像以及第二遥感影像样本,构建得到第一光谱回归模型,从而根据第一光谱回归模型对第一遥感影像集进行时空融合处理,从而生成逐日的高空间分辨率的遥感影像,为后续反演逐日叶面积指数数据奠定基础。
下面对本发明提供的逐日叶面积指数数据反演装置进行描述,下文描述的逐日叶面积指数数据反演装置与上文描述的逐日叶面积指数数据反演方法可相互对应参照。
图2是本发明提供的逐日叶面积指数数据反演装置的结构示意图,如图2所示,本发明实施例的一种逐日叶面积指数数据反演装置,该装置包括:
获取模块21,用于获取第一遥感影像集;
时空融合模块22,用于对所述第一遥感影像集进行时空融合处理,得到逐日高分遥感影像集;
反演模块23,用于将所述逐日高分遥感影像集对应的植被指数数据输入至叶面积指数反演模型,得到所述叶面积指数反演模型输出的逐日高分叶面积指数数据;
其中,所述叶面积指数反演模型是根据逐日低分叶面积指数数据以及逐日融合遥感影像集对应的目标植被指数数据进行迭代训练得到;
所述逐日低分叶面积指数数据,是基于第二遥感影像集对应的逐日地表反射率数据,以及第三遥感影像集对应的叶面积指数序列生成;
所述逐日融合遥感影像集,是基于所述第二遥感影像集以及待训练逐日高分遥感影像集进行光谱回归处理得到;
所述待训练逐日高分遥感影像集,是对第一遥感影像样本进行时空融合处理得到的。
所述逐日叶面积指数数据反演装置还包括:
获取第二遥感影像集对应的逐日地表反射率数据和第三遥感影像集对应的叶面积指数序列;
基于所述逐日地表反射率数据和所述叶面积指数序列,生成逐日低分叶面积指数数据;
将所述第二遥感影像集输入至第二光谱回归模型,得到所述第二光谱回归模型输出的逐日融合遥感影像集,其中,所述第二光谱回归模型是基于原始遥感影像集以及所述第一遥感影像样本构建得到;
计算所述逐日融合遥感影像集的目标植被指数数据;
基于所述逐日融合遥感影像集的目标植被指数数据和所述逐日低分叶面积指数数据,对待训练反演模型进行迭代训练,得到所述叶面积指数反演模型。
所述逐日叶面积指数数据反演装置还包括:
基于所述逐日地表反射率数据,计算得到逐日植被指数数据序列;
在所述逐日植被指数数据序列中,分别筛选得到与所述叶面积指数序列中各个叶面积指数数据的时间节点不相匹配的各个间隔植被指数数据;
对于任意一个所述间隔植被指数数据,基于任一所述间隔植被指数数据对应的目标时间节点,选取两个与所述目标时间节点相邻时间节点对应的目标回归模型,其中,任意一个时间节点对应的目标回归模型是基于所述时间节点对应的叶面积指数数据以及植被指数数据训练得到;
分别将任一所述间隔植被指数数据输入至各所述相邻时间节点对应的目标回归模型,得到各所述相邻时间节点对应的目标回归模型输出的预测叶面积指数数据;
基于各所述相邻时间节点对应的预测叶面积指数数据,计算得到各所述相邻时间节点对应的目标回归模型的权重系数;
基于各所述权重系数以及各所述预测叶面积指数数据,计算得到任一所述间隔植被指数数据对应的目标叶面积指数数据;
基于所述叶面积指数序列和任一所述间隔植被指数数据对应的目标叶面积指数序列,形成所述逐日低分叶面积指数数据。
所述逐日叶面积指数数据反演装置还包括:
在所述逐日植被指数数据序列中,分别筛选得到与所述叶面积指数序列中各个叶面积指数数据的时间节点相匹配的植被指数数据;
基于任一时间节点相匹配对应的植被指数数据以及叶面积指数数据,对初始模型进行迭代训练,得到任一所述时间节点对应的目标回归模型。
所述时空融合模块22还用于:
将所述第一遥感影像集输入至第一光谱回归模型,得到所述第一光谱回归模型输出的影像预测结果;
对所述影像预测结果进行空间滤波处理,得到空间滤波处理结果;
计算所述影像预测结果和所述第一遥感影像集之间的剩余补偿结果;
基于所述空间滤波处理结果和剩余补偿结果,计算得到所述逐日高分遥感影像集。
所述逐日叶面积指数数据反演装置还包括:
获取第一遥感影像样本和第二遥感影像样本;
对所述第一遥感影像样本进行上采样处理,得到上采样影像样本,其中,所述上采样影像样本与第二遥感影像样本的空间分辨率相同;
基于所述上采样影像样本和所述第二遥感影像集样本,构建得到所述第一光谱回归模型。
所述逐日叶面积指数数据反演装置还包括:
获取原始遥感影像集;
将所述第一遥感影像样本进行时空融合处理,得到待训练逐日高分遥感影像集;
将所述待训练逐日高分遥感影像集进行上采样处理,得到逐日上采样遥感影像;
将所述原始遥感影像集和所述逐日上采样遥感影像进行直方图匹配,得到光谱变换遥感影像集;
基于所述逐日上采样遥感影像和所述光谱变换遥感影像集,构建得到所述第二光谱回归模型。
在此需要说明的是,本发明实施例提供的上述装置,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同技术效果,在此不再对本实施例中与方法实施例相同部分及有益效果进行具体赘述。
图3是本发明提供的电子设备的结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、存储器(memory)320、通信接口(Communications Interface)330和通信总线340,其中,处理器310,存储器320,通信接口330通过通信总线340完成相互间的通信。处理器310可以调用存储器320中的逻辑指令,以执行逐日叶面积指数数据反演方法。
此外,上述的存储器320中的逻辑指令可以通过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。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的逐日叶面积指数数据反演方法。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
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)
1.一种逐日叶面积指数数据反演方法,其特征在于,包括:
获取目标区域的第一遥感影像集;
对所述第一遥感影像集进行时空融合处理,得到逐日高分遥感影像集;
将所述逐日高分遥感影像集对应的植被指数数据输入至叶面积指数反演模型,得到所述叶面积指数反演模型输出的逐日高分叶面积指数数据;
其中,所述叶面积指数反演模型是根据逐日低分叶面积指数数据以及逐日融合遥感影像集对应的目标植被指数数据进行迭代训练得到;
所述逐日低分叶面积指数数据,是基于第二遥感影像集对应的逐日地表反射率数据,以及第三遥感影像集对应的叶面积指数序列生成;
所述逐日融合遥感影像集,是基于所述第二遥感影像集以及待训练逐日高分遥感影像集进行光谱回归处理得到;
所述待训练逐日高分遥感影像集,是对第一遥感影像样本进行时空融合处理得到的。
2.根据权利要求1所述的逐日叶面积指数数据反演方法,其特征在于,所述叶面积指数反演模型是基于如下步骤训练得到:
获取第二遥感影像集对应的逐日地表反射率数据和第三遥感影像集对应的叶面积指数序列;
基于所述逐日地表反射率数据和所述叶面积指数序列,生成逐日低分叶面积指数数据;
将所述第二遥感影像集输入至第二光谱回归模型,得到所述第二光谱回归模型输出的逐日融合遥感影像集,其中,所述第二光谱回归模型是基于原始遥感影像集以及所述第一遥感影像样本构建得到;
计算所述逐日融合遥感影像集的目标植被指数数据;
基于所述逐日融合遥感影像集的目标植被指数数据和所述逐日低分叶面积指数数据,对待训练反演模型进行迭代训练,得到所述叶面积指数反演模型。
3.根据权利要求2所述的逐日叶面积指数数据反演方法,其特征在于,所述基于所述逐日地表反射率数据和所述叶面积指数序列,生成逐日低分叶面积指数数据,包括:
基于所述逐日地表反射率数据,计算得到逐日植被指数数据序列;
在所述逐日植被指数数据序列中,分别筛选得到与所述叶面积指数序列中各个叶面积指数数据的时间节点不相匹配的各个间隔植被指数数据;
对于任意一个所述间隔植被指数数据,基于任一所述间隔植被指数数据对应的目标时间节点,选取两个与所述目标时间节点相邻时间节点对应的目标回归模型,其中,任意一个时间节点对应的目标回归模型是基于所述时间节点对应的叶面积指数数据以及植被指数数据训练得到;
分别将任一所述间隔植被指数数据输入至各所述相邻时间节点对应的目标回归模型,得到各所述相邻时间节点对应的目标回归模型输出的预测叶面积指数数据;
基于各所述相邻时间节点对应的预测叶面积指数数据,计算得到各所述相邻时间节点对应的目标回归模型的权重系数;
基于各所述权重系数以及各所述预测叶面积指数数据,计算得到任一所述间隔植被指数数据对应的目标叶面积指数数据;
基于所述叶面积指数序列和任一所述间隔植被指数数据对应的目标叶面积指数序列,形成所述逐日低分叶面积指数数据。
4.根据权利要求3所述的逐日叶面积指数数据反演方法,其特征在于,所述任意一个时间节点对应的目标回归模型是基于如下步骤训练得到:
在所述逐日植被指数数据序列中,分别筛选得到与所述叶面积指数序列中各个叶面积指数数据的时间节点相匹配的植被指数数据;
基于任一时间节点相匹配对应的植被指数数据以及叶面积指数数据,对初始模型进行迭代训练,得到任一所述时间节点对应的目标回归模型。
5.根据权利要求1所述的逐日叶面积指数数据反演方法,其特征在于,所述对所述第一遥感影像集进行时空融合处理,得到逐日高分遥感影像集,包括:
将所述第一遥感影像集输入至第一光谱回归模型,得到所述第一光谱回归模型输出的影像预测结果;
对所述影像预测结果进行空间滤波处理,得到空间滤波处理结果;
计算所述影像预测结果和所述第一遥感影像集之间的剩余补偿结果;
基于所述空间滤波处理结果和剩余补偿结果,计算得到所述逐日高分遥感影像集。
6.根据权利要求5所述的逐日叶面积指数数据反演方法,其特征在于,所述第一光谱回归模型是基于如下步骤训练得到:
获取第一遥感影像样本和第二遥感影像样本;
对所述第一遥感影像样本进行上采样处理,得到上采样影像样本,其中,所述上采样影像样本与第二遥感影像样本的空间分辨率相同;
基于所述上采样影像样本和所述第二遥感影像集样本,构建得到所述第一光谱回归模型。
7.根据权利要求2所述的逐日叶面积指数数据反演方法,其特征在于,所述第二光谱回归模型是基于如下步骤构建获得:
获取原始遥感影像集;
将所述第一遥感影像样本进行时空融合处理,得到待训练逐日高分遥感影像集;
将所述待训练逐日高分遥感影像集进行上采样处理,得到逐日上采样遥感影像;
将所述原始遥感影像集和所述逐日上采样遥感影像进行直方图匹配,得到光谱变换遥感影像集;
基于所述逐日上采样遥感影像和所述光谱变换遥感影像集,构建得到所述第二光谱回归模型。
8.一种逐日叶面积指数数据获取装置,其特征在于,包括:
获取模块,用于获取第一遥感影像集;
时空融合模块,用于对所述第一遥感影像集进行时空融合处理,得到逐日高分遥感影像集;
反演模块,用于将所述逐日高分遥感影像集对应的植被指数数据输入至叶面积指数反演模型,得到所述叶面积指数反演模型输出的逐日高分叶面积指数数据;
其中,所述叶面积指数反演模型是根据逐日低分叶面积指数数据以及逐日融合遥感影像集对应的目标植被指数数据进行迭代训练得到;
所述逐日低分叶面积指数数据,是基于第二遥感影像集对应的逐日地表反射率数据,以及第三遥感影像集对应的叶面积指数序列生成;
所述逐日融合遥感影像集,是基于所述第二遥感影像集以及待训练逐日高分遥感影像集进行光谱回归处理得到;
所述待训练逐日高分遥感影像集,是对第一遥感影像样本进行时空融合处理得到的。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述逐日叶面积指数数据反演方法。
10.一种非暂态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至7任一项所述逐日叶面积指数数据反演方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211644209.2A CN116071644B (zh) | 2022-12-20 | 2022-12-20 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211644209.2A CN116071644B (zh) | 2022-12-20 | 2022-12-20 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116071644A CN116071644A (zh) | 2023-05-05 |
CN116071644B true CN116071644B (zh) | 2023-08-08 |
Family
ID=86174086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211644209.2A Active CN116071644B (zh) | 2022-12-20 | 2022-12-20 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071644B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310883B (zh) * | 2023-05-17 | 2023-10-20 | 山东建筑大学 | 基于遥感图像时空融合的农业灾害预测方法及相关设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313526A (zh) * | 2010-07-07 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种多角度与多光谱遥感数据定量融合反演叶面积指数的方法 |
CN102540165A (zh) * | 2011-12-19 | 2012-07-04 | 北京师范大学 | Modis地表反射率数据的预处理方法及系统 |
CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
CN110633841A (zh) * | 2019-08-13 | 2019-12-31 | 中国农业大学 | 基于集合采样的省级范围地块尺度快速数据同化产量预测方法 |
CN111126511A (zh) * | 2020-01-02 | 2020-05-08 | 国智恒北斗好年景农业科技有限公司 | 一种基于植被指数融合的lai定量模型建立的方法 |
CN111814707A (zh) * | 2020-07-14 | 2020-10-23 | 中国科学院空天信息创新研究院 | 一种作物叶面积指数反演方法及装置 |
CN112017135A (zh) * | 2020-07-13 | 2020-12-01 | 香港理工大学深圳研究院 | 一种遥感影像数据时空融合的方法、系统及设备 |
CN112348812A (zh) * | 2020-12-04 | 2021-02-09 | 南京大学 | 林分年龄信息测量方法及装置 |
CN112991247A (zh) * | 2021-03-04 | 2021-06-18 | 河南省气象科学研究所 | 冬小麦蒸散遥感反演及与作物模型同化方法 |
CN114092835A (zh) * | 2022-01-24 | 2022-02-25 | 中国测绘科学研究院 | 基于不同时空分辨率的归一化植被指数数据时空融合方法 |
CN114565843A (zh) * | 2022-02-22 | 2022-05-31 | 中国电子科技集团公司第五十四研究所 | 一种时间序列遥感图像融合方法 |
CN114821360A (zh) * | 2022-05-12 | 2022-07-29 | 中国农业科学院农业资源与农业区划研究所 | 作物叶面积指数智能化提取方法、装置及电子设备 |
CN115375036A (zh) * | 2022-09-14 | 2022-11-22 | 苏州深蓝空间遥感技术有限公司 | 遥感、光能利用率模型与气象融合的作物成熟期预测方法 |
-
2022
- 2022-12-20 CN CN202211644209.2A patent/CN116071644B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313526A (zh) * | 2010-07-07 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种多角度与多光谱遥感数据定量融合反演叶面积指数的方法 |
CN102540165A (zh) * | 2011-12-19 | 2012-07-04 | 北京师范大学 | Modis地表反射率数据的预处理方法及系统 |
CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
CN110633841A (zh) * | 2019-08-13 | 2019-12-31 | 中国农业大学 | 基于集合采样的省级范围地块尺度快速数据同化产量预测方法 |
CN111126511A (zh) * | 2020-01-02 | 2020-05-08 | 国智恒北斗好年景农业科技有限公司 | 一种基于植被指数融合的lai定量模型建立的方法 |
CN112017135A (zh) * | 2020-07-13 | 2020-12-01 | 香港理工大学深圳研究院 | 一种遥感影像数据时空融合的方法、系统及设备 |
CN111814707A (zh) * | 2020-07-14 | 2020-10-23 | 中国科学院空天信息创新研究院 | 一种作物叶面积指数反演方法及装置 |
GB202101106D0 (en) * | 2020-07-14 | 2021-03-10 | Aerospace Information Research Institute Chinese Academy Of Sciences | Method and device for performing inversion of crop leaf area index |
CN112348812A (zh) * | 2020-12-04 | 2021-02-09 | 南京大学 | 林分年龄信息测量方法及装置 |
CN112991247A (zh) * | 2021-03-04 | 2021-06-18 | 河南省气象科学研究所 | 冬小麦蒸散遥感反演及与作物模型同化方法 |
CN114092835A (zh) * | 2022-01-24 | 2022-02-25 | 中国测绘科学研究院 | 基于不同时空分辨率的归一化植被指数数据时空融合方法 |
CN114565843A (zh) * | 2022-02-22 | 2022-05-31 | 中国电子科技集团公司第五十四研究所 | 一种时间序列遥感图像融合方法 |
CN114821360A (zh) * | 2022-05-12 | 2022-07-29 | 中国农业科学院农业资源与农业区划研究所 | 作物叶面积指数智能化提取方法、装置及电子设备 |
CN115375036A (zh) * | 2022-09-14 | 2022-11-22 | 苏州深蓝空间遥感技术有限公司 | 遥感、光能利用率模型与气象融合的作物成熟期预测方法 |
Non-Patent Citations (1)
Title |
---|
王宇琦.LAI数据时空融合及其对Noah-MP土壤温湿度模拟的影响.南京信息工程大学.2022,第1-75页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116071644A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dinda et al. | An integrated simulation approach to the assessment of urban growth pattern and loss in urban green space in Kolkata, India: A GIS-based analysis | |
CN106198909B (zh) | 一种基于深度学习的水产养殖水质预测方法 | |
CN110163303B (zh) | 一种基于格网的遥感影像并行分类方法及系统 | |
CN116071644B (zh) | 逐日叶面积指数数据反演方法、装置、设备及存储介质 | |
CN116680548B (zh) | 一种针对多源观测数据的时间序列干旱因果分析方法 | |
CN112241937B (zh) | 一种基于神经网络的高光谱图像重构方法 | |
CN111402131B (zh) | 基于深度学习的超分辨率土地覆被分类图的获取方法 | |
CN114240779B (zh) | 一种点云去噪方法、装置、设备及存储介质 | |
CN115375548A (zh) | 一种超分辨率的遥感图像生成方法、系统、设备和介质 | |
CN112734638B (zh) | 一种遥感影像超分辨重建方法、装置及存储介质 | |
Holtgrave et al. | Grassland mowing event detection using combined optical, SAR, and weather time series | |
Patel et al. | LSTM-RNN Combined Approach for Crop Yield Prediction On Climatic Constraints | |
Liu et al. | Evolving deep convolutional neural networks for hyperspectral image denoising | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
CN116826734A (zh) | 一种基于多输入模型的光伏发电功率预测方法及装置 | |
Zhang et al. | Simulation model of vegetation dynamics by combining static and dynamic data using the gated recurrent unit neural network-based method | |
CN114782825B (zh) | 基于不完备遥感数据的作物识别方法、装置及电子设备 | |
Garioud et al. | Challenges in grassland mowing event detection with multimodal sentinel images | |
CN116091893A (zh) | 一种基于U-net网络的地震图像反褶积方法及系统 | |
CN116740567A (zh) | 用于泡桐幼苗栽培的土壤含水率检测方法及系统 | |
CN111047525A (zh) | Sar遥感图像到光学遥感图像的翻译方法 | |
CN116091936A (zh) | 一种融合点-地块-区域尺度数据的农情参数反演方法 | |
CN115100091A (zh) | 一种sar图像转光学图像的转换方法及装置 | |
CN113988153A (zh) | 基于条件生成对抗网络的高分辨率气溶胶估算方法 | |
Caccetta et al. | Aspects of reasoning with uncertainty in an agricultural GIS environment |
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 |