CN116127273B - 积雪指数获取方法、装置、存储介质和设备 - Google Patents
积雪指数获取方法、装置、存储介质和设备 Download PDFInfo
- Publication number
- CN116127273B CN116127273B CN202310080348.5A CN202310080348A CN116127273B CN 116127273 B CN116127273 B CN 116127273B CN 202310080348 A CN202310080348 A CN 202310080348A CN 116127273 B CN116127273 B CN 116127273B
- Authority
- CN
- China
- Prior art keywords
- snow
- index
- day
- scale satellite
- satellite
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000008439 repair process Effects 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Recording Measured Values (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请提供一种积雪指数获取方法、装置、存储介质和设备,所述获取方法包括:获取目标区域的第一分辨率的第一日尺度卫星积雪指数和第二分辨率的第二日尺度卫星积雪指数;对第二日尺度卫星积雪指数进行降尺度处理,得到第三日尺度卫星积雪指数;对第一日尺度卫星积雪指数和第三日尺度卫星积雪指数进行时空匹配后,输入生成式对抗网络,得到修补了第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数;对第四日尺度卫星积雪指数进行时间插值,得到修补了第四日尺度卫星积雪指数的时间空缺的目标区域的目标日尺度卫星积雪指数。本申请可以得到具有时空完整性和高精度的积雪指数。
Description
技术领域
本申请涉及积雪指数分析的技术领域,具体涉及一种积雪指数获取方法、装置、存储介质和设备。
背景技术
积雪指数是对陆表积雪状态的准确描述,也是积雪面积、积雪深度和积雪覆盖丰度等积雪参数反演的基础。现有的相关技术中,是基于高分辨率的卫星的观测数据计算出观测低点的归一化积雪指数,然而,相关技术采用的高分辨率的卫星的观测数据存在时空空缺,无法生成连续的积雪指数,因此,相关技术获取的积雪指数存在时空不完整的技术缺陷。
发明内容
本申请的目的在于克服现有技术中的缺点与不足,提供一种积雪指数获取方法、装置、存储介质和设备,可以获取时空完整的积雪指数。
本申请实施例的第一方面提供了一种积雪指数获取方法,包括:
获取目标区域的第一分辨率的第一日尺度卫星积雪指数;其中,所述第一日尺度卫星积雪指数为存在时空空缺的数据;
获取目标区域的第二分辨率的第二日尺度卫星积雪指数;其中,所述第二分辨率低于所述第一分辨率,所述第二日尺度卫星积雪指数为不存在时空空缺的数据;
对所述第二日尺度卫星积雪指数进行降尺度处理,得到第三日尺度卫星积雪指数;其中,第三日尺度卫星积雪指数的分辨率为所述第一分辨率;
对所述第一日尺度卫星积雪指数和所述第三日尺度卫星积雪指数进行时空匹配后,输入生成式对抗网络,得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数;
对所述第四日尺度卫星积雪指数进行时间插值,得到修补了所述第四日尺度卫星积雪指数的时间空缺的目标区域的目标日尺度卫星积雪指数。
本申请实施例的第二方面提供了一种积雪指数获取装置,包括:
第一积雪指数获取模块,用于获取目标区域的第一分辨率的第一日尺度卫星积雪指数;其中,所述第一日尺度卫星积雪指数为存在时空空缺的数据;
第二积雪指数获取模块,用于获取目标区域的第二分辨率的第二日尺度卫星积雪指数;其中,所述第二分辨率低于所述第一分辨率,所述第二日尺度卫星积雪指数为不存在时空空缺的数据;
第三积雪指数获取模块,用于对所述第二日尺度卫星积雪指数进行降尺度处理,得到第三日尺度卫星积雪指数;其中,第三日尺度卫星积雪指数的分辨率为所述第一分辨率;
第四积雪指数获取模块,用于对所述第一日尺度卫星积雪指数和所述第三日尺度卫星积雪指数进行时空匹配后,输入生成式对抗网络,得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数;
目标积雪指数获取模块,用于对所述第四日尺度卫星积雪指数进行时间插值,得到修补了所述第四日尺度卫星积雪指数的时间空缺的目标区域的目标日尺度卫星积雪指数。
本申请实施例的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的积雪指数获取方法的步骤。
本申请实施例的第四方面提供了一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的积雪指数获取方法的步骤。
相对于相关技术,本申请将低分辨率但不存在时空空缺的第二日尺度卫星积雪指数进行降尺度得到第三日尺度卫星积雪指数后,将高分辨率但存在时空空缺的第一日尺度卫星积雪指数和第三日尺度卫星积雪指数进行时空匹配并输入生成式对抗网络,得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数,再通过对第四日尺度卫星积雪指数进行时间插值,得到目标区域时空完整的目标日尺度卫星积雪指数,因此可以获取时空完整且高精度的积雪指数。
为了能更清晰的理解本申请,以下将结合附图说明阐述本申请的具体实施方式。
附图说明
图1为本申请一个实施例的积雪指数获取方法的流程图。
图2为本申请一个实施例的积雪指数获取方法的S41-S44的流程图。
图3为本申请一个实施例的积雪指数获取装置的模块连接示意图。
100、积雪指数获取装置;101、第一积雪指数获取模块;102、第二积雪指数获取模块;103、第三积雪指数获取模块;104、第四积雪指数获取模块;105、目标积雪指数获取模块。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,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它实施例,都属于本申请实施例保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。在本申请和所附权利要求书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。在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1,其是本申请第一实施例的积雪指数获取方法的流程图,包括:
S1:获取目标区域的第一分辨率的第一日尺度卫星积雪指数;其中,所述第一日尺度卫星积雪指数为存在时空空缺的数据。
其中,第一分辨率的第一日尺度卫星积雪指数是指根据Harmonized LandsatSentinel-2卫星观测数据获取的归一化积雪指数,归一化积雪指数是对陆表积雪状态的准确描述,也是积雪面积、积雪深度和积雪覆盖丰度等积雪参数反演的基础。
Harmonized Landsat Sentinel-2卫星观测数据是一种融合了Landsat和Sentinel-2的高分辨率的卫星遥感数据,该观测数据经过处理后会作为HarmonizedLandsat Sentinel-2数据集公开发布,时间分辨率为2-3天,空间分辨率为30米,是目前全球尺度时空分辨率最高的卫星遥感数据集,为区域尺度高精度积雪变化、监测、灾害评估研究提供了便利。
S2:获取目标区域的第二分辨率的第二日尺度卫星积雪指数;其中,所述第二分辨率低于所述第一分辨率,所述第二日尺度卫星积雪指数为不存在时空空缺的数据。
其中,第二分辨率的第二日尺度卫星积雪指数是是MODIS卫星的观测数据计算得到卫星积雪指数后,又进行了时空滤波填充的一种时空完整的归一化积雪指数。
MODIS卫星是一种可以获取低分辨率的观测数据的遥感卫星,MODIS卫星的观测数据经过处理后会作为MOD10A1F数据集公开发布,其中,MOD10A1F数据集的时间分辨率为1天,空间分辨率为500米,且经过处理得到的MOD10A1F数据集的数据是一种不存在时空空缺的数据。
S3:对所述第二日尺度卫星积雪指数进行降尺度处理,得到第三日尺度卫星积雪指数;其中,第三日尺度卫星积雪指数的分辨率为所述第一分辨率。
S4:对所述第一日尺度卫星积雪指数和所述第三日尺度卫星积雪指数进行时空匹配后,输入生成式对抗网络,得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数。
其中,时空匹配是指第一日尺度卫星积雪指数和第三日尺度卫星积雪指数在时间和空间上都相互匹配的积雪指数数据。
生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。
S5:对所述第四日尺度卫星积雪指数进行时间插值,得到修补了所述第四日尺度卫星积雪指数的时间空缺的目标区域的目标日尺度卫星积雪指数。
相对于相关技术,本申请将低分辨率但不存在时空空缺的第二日尺度卫星积雪指数进行降尺度得到第三日尺度卫星积雪指数后,将高分辨率但存在时空空缺的第一日尺度卫星积雪指数和第三日尺度卫星积雪指数进行时空匹配并输入生成式对抗网络,得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数,再通过对第四日尺度卫星积雪指数进行时间插值,得到目标区域时空完整的目标日尺度卫星积雪指数,因此可以即时获取目标区域的时空完整且高精度的积雪指数。
在一个可行的实施例中,所述S1:获取第一分辨率的第一日尺度卫星积雪指数的步骤,包括:
S11:将Harmonized Landsat Sentinel-2卫星的观测数据确定为第一观测数据。
S12:根据所述第一观测数据的可见绿光波段数据和短红外波段数据,得到所述第一日尺度卫星积雪指数。
具体地,通过以下公式,得到所述第一日尺度卫星积雪指数:
NDSI=(Bgreen-Bswir)/(Bgreen+Bswir);
其中,NDSI为第一日尺度卫星积雪指数,Bgreen为第一观测数据的可见绿光波段数据;Bswir为第一观测数据的短红外波段数据。
在本实施例中,可以根据Harmonized Landsat Sentinel-2卫星的观测数据的可见绿光波段数据和短红外波段数据,计算得到高分辨率的第一日尺度卫星积雪指数。
在一个可行的实施例中,所述S2:获取第二分辨率的第二日尺度卫星积雪指数的步骤,包括:
S21:将MODIS卫星的观测数据确定为第二观测数据。
S22:根据所述第二观测数据,选取时空完整的MODIS卫星积雪数据MOD10A1F,提取像元值在0-100的有效观测值,得到所述第二日尺度卫星积雪指数。
请参阅图2,在一个可行的实施例中,所述步骤S4:对所述第一日尺度卫星积雪指数和所述第三日尺度卫星积雪指数进行时空匹配后,输入生成式对抗网络,得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数的步骤,包括:
S41:将所述第三日尺度卫星积雪指数中,与所述第一日尺度卫星积雪指数时空匹配的积雪指数确定为第一待处理积雪指数,将与所述第一日尺度卫星积雪指数时空不匹配的积雪指数确定为第二待处理积雪指数。
S42:根据所述第一日尺度卫星积雪指数和所述第一待处理积雪指数训练所述生成式对抗网络。
优选地,训练生成式对抗网络是基于日尺度的数据进行训练,可以以降低积雪季节性特征的影响。
S43:将所述第二待处理积雪指数输入训练后的所述生成式对抗网络,得到对应的空间填充积雪指数。
S44:根据所述空间填充积雪指数和所述第一日尺度卫星积雪指数,得到所述第四日尺度卫星积雪指数。
在本实施例中,根据第一日尺度卫星积雪指数和第一待处理积雪指数训练的生成式对抗网络,可以学习到第一日尺度卫星积雪指数和第一待处理积雪指数,从而根据输入的第二待处理积雪指数,输出对应的空间填充积雪指数,从而可以根据空间填充积雪指数对第一日尺度卫星积雪指数进行空间填充。
在一个可行的实施例中,所述S5:对所述第四日尺度卫星积雪指数进行时间插值,得到修补了所述第四日尺度卫星积雪指数的时间空缺的目标区域的目标日尺度卫星积雪指数的步骤,包括:
S51:根据所述第四日尺度卫星积雪指数,将存在时间空缺的数据对应的位置确定为待处理位置。
S52:根据所述第四日尺度卫星积雪指数,获取所述待处理位置的至少两个时间节点的时间节点积雪指数。
优选地,待处理位置存在时间空缺的数据的时间节点位于两个时间节点积雪指数的时间节点之间。
S53:根据至少两个所述时间节点积雪指数的线性关系,得到用于填充所述待处理位置的时间空缺的时间填充积雪指数。
通过以下公式,计算得到所述时间填充积雪指数:
其中,y为所述时间填充积雪指数,y1和y2分别为两个所述时间节点积雪指数,x1和x2分别为两个所述时间节点积雪指数对应的时间节点,x为所述时间填充积雪指数对应的时间节点。
S54:根据所述时间填充积雪指数修补所述第四日尺度卫星积雪指数,得到所述目标日尺度卫星积雪指数。
在本实施例中,可以根据至少两个所述时间节点积雪指数的线性关系,填充相同位置的存在时间空缺的数据,从而得到的时空完整的所述目标日尺度卫星积雪指数。
请参阅图3,本申请第二实施例公开了一种积雪指数获取装置,包括:
第一积雪指数获取模块,用于获取目标区域的第一分辨率的第一日尺度卫星积雪指数;其中,所述第一日尺度卫星积雪指数为存在时空空缺的数据;
第二积雪指数获取模块,用于获取目标区域的第二分辨率的第二日尺度卫星积雪指数;其中,所述第二分辨率低于所述第一分辨率,所述第二日尺度卫星积雪指数为不存在时空空缺的数据;
第三积雪指数获取模块,用于对所述第二日尺度卫星积雪指数进行降尺度处理,得到第三日尺度卫星积雪指数;其中,第三日尺度卫星积雪指数的分辨率为所述第一分辨率;
第四积雪指数获取模块,用于对所述第一日尺度卫星积雪指数和所述第三日尺度卫星积雪指数进行时空匹配后,输入生成式对抗网络,得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数;
目标积雪指数获取模块,用于对所述第四日尺度卫星积雪指数进行时间插值,得到修补了所述第四日尺度卫星积雪指数的时间空缺的目标区域的目标日尺度卫星积雪指数。
在一个可行的实施例中,所述第四积雪指数获取模块包括:
待处理积雪指数获取模块,用于将所述第三日尺度卫星积雪指数中,与所述第一日尺度卫星积雪指数时空匹配的积雪指数确定为第一待处理积雪指数,将与所述第一日尺度卫星积雪指数时空不匹配的积雪指数确定为第二待处理积雪指数;
生成式对抗网络训练模块,用于根据所述第一日尺度卫星积雪指数和所述第一待处理积雪指数训练所述生成式对抗网络;
空间填充积雪指数获取模块,用于将所述第二待处理积雪指数输入训练后的所述生成式对抗网络,得到对应的空间填充积雪指数;
第四积雪指数获取子模块,用于根据所述空间填充积雪指数和所述第一日尺度卫星积雪指数,得到所述第四日尺度卫星积雪指数。
在一个可行的实施例中,所述目标积雪指数获取模块包括:
待处理位置获取模块,用于根据所述第四日尺度卫星积雪指数,将存在时间空缺的数据对应的位置确定为待处理位置;
时间节点积雪指数获取模块,用于根据所述第四日尺度卫星积雪指数,获取所述待处理位置的至少两个时间节点的时间节点积雪指数;
时间填充积雪指数获取模块,用于根据至少两个所述时间节点积雪指数的线性关系,得到用于填充所述待处理位置的时间空缺的时间填充积雪指数;
目标积雪指数获取子模块,用于根据所述时间填充积雪指数修补所述第四日尺度卫星积雪指数,得到所述目标日尺度卫星积雪指数。
需要说明的是,本申请第二实施例提供的积雪指数获取装置在执行积雪指数获取方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分为不同的功能模块,以完成以上描述的全部或者部分功能。另外,本申请第二实施例提供的积雪指数获取装置与本申请第一实施例的积雪指数获取方法属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本申请实施例的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的积雪指数获取方法的步骤。
本申请实施例的第四方面提供了一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的积雪指数获取方法的步骤。
以上所描述的设备实施例仅仅是示意性的,其中所述作为分离部件说明的组件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申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种积雪指数获取方法,其特征在于,包括:
获取目标区域的第一分辨率的第一日尺度卫星积雪指数;其中,所述第一日尺度卫星积雪指数为存在时空空缺的数据;
获取目标区域的第二分辨率的第二日尺度卫星积雪指数;其中,所述第二分辨率低于所述第一分辨率,所述第二日尺度卫星积雪指数为不存在时空空缺的数据;
对所述第二日尺度卫星积雪指数进行降尺度处理,得到第三日尺度卫星积雪指数;其中,第三日尺度卫星积雪指数的分辨率为所述第一分辨率;
对所述第一日尺度卫星积雪指数和所述第三日尺度卫星积雪指数进行时空匹配后,输入生成式对抗网络,得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数;
对所述第四日尺度卫星积雪指数进行时间插值,得到修补了所述第四日尺度卫星积雪指数的时间空缺的目标区域的目标日尺度卫星积雪指数;
其中,所述对所述第一日尺度卫星积雪指数和所述第三日尺度卫星积雪指数进行时空匹配后,输入生成式对抗网络,得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数的步骤,包括:
将所述第三日尺度卫星积雪指数中,与所述第一日尺度卫星积雪指数时空匹配的积雪指数确定为第一待处理积雪指数,将与所述第一日尺度卫星积雪指数时空不匹配的积雪指数确定为第二待处理积雪指数;
根据所述第一日尺度卫星积雪指数和所述第一待处理积雪指数训练所述生成式对抗网络;
将所述第二待处理积雪指数输入训练后的所述生成式对抗网络,得到对应的空间填充积雪指数;
根据所述空间填充积雪指数和所述第一日尺度卫星积雪指数,得到所述第四日尺度卫星积雪指数。
2.根据权利要求1所述的积雪指数获取方法,其特征在于,所述对所述第四日尺度卫星积雪指数进行时间插值,得到修补了所述第四日尺度卫星积雪指数的时间空缺的目标区域的目标日尺度卫星积雪指数的步骤,包括:
根据所述第四日尺度卫星积雪指数,将存在时间空缺的数据对应的位置确定为待处理位置;
根据所述第四日尺度卫星积雪指数,获取所述待处理位置的至少两个时间节点的时间节点积雪指数;
根据至少两个所述时间节点积雪指数的线性关系,得到用于填充所述待处理位置的时间空缺的时间填充积雪指数;
根据所述时间填充积雪指数修补所述第四日尺度卫星积雪指数,得到所述目标日尺度卫星积雪指数。
3.根据权利要求1所述的积雪指数获取方法,其特征在于,所述获取第一分辨率的第一日尺度卫星积雪指数的步骤,包括:
将Harmonized Landsat Sentinel-2卫星观测数据确定为第一观测数据;
根据所述第一观测数据的可见绿光波段数据和短红外波段数据,得到所述第一日尺度卫星积雪指数。
4.根据权利要求1所述的积雪指数获取方法,其特征在于,所述获取第二分辨率的第二日尺度卫星积雪指数的步骤,包括:
将MODIS卫星的观测数据确定为第二观测数据;
根据所述第二观测数据,选取时空完整的MODIS卫星积雪数据MOD10A1F,提取像元值在0-100的有效观测值,得到所述第二日尺度卫星积雪指数。
5.一种积雪指数获取装置,其特征在于,包括:
第一积雪指数获取模块,用于获取目标区域的第一分辨率的第一日尺度卫星积雪指数;其中,所述第一日尺度卫星积雪指数为存在时空空缺的数据;
第二积雪指数获取模块,用于获取目标区域的第二分辨率的第二日尺度卫星积雪指数;其中,所述第二分辨率低于所述第一分辨率,所述第二日尺度卫星积雪指数为不存在时空空缺的数据;
第三积雪指数获取模块,用于对所述第二日尺度卫星积雪指数进行降尺度处理,得到第三日尺度卫星积雪指数;其中,第三日尺度卫星积雪指数的分辨率为所述第一分辨率;
第四积雪指数获取模块,用于对所述第一日尺度卫星积雪指数和所述第三日尺度卫星积雪指数进行时空匹配后,输入生成式对抗网络,得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数;
目标积雪指数获取模块,用于对所述第四日尺度卫星积雪指数进行时间插值,得到修补了所述第四日尺度卫星积雪指数的时间空缺的目标区域的目标日尺度卫星积雪指数;
其中,所述第四积雪指数获取模块包括:
待处理积雪指数获取模块,用于将所述第三日尺度卫星积雪指数中,与所述第一日尺度卫星积雪指数时空匹配的积雪指数确定为第一待处理积雪指数,将与所述第一日尺度卫星积雪指数时空不匹配的积雪指数确定为第二待处理积雪指数;
生成式对抗网络训练模块,用于根据所述第一日尺度卫星积雪指数和所述第一待处理积雪指数训练所述生成式对抗网络;
空间填充积雪指数获取模块,用于将所述第二待处理积雪指数输入训练后的所述生成式对抗网络,得到对应的空间填充积雪指数;
第四积雪指数获取子模块,用于根据所述空间填充积雪指数和所述第一日尺度卫星积雪指数,得到所述第四日尺度卫星积雪指数。
6.根据权利要求5所述的积雪指数获取装置,其特征在于,所述目标积雪指数获取模块包括:
待处理位置获取模块,用于根据所述第四日尺度卫星积雪指数,将存在时间空缺的数据对应的位置确定为待处理位置;
时间节点积雪指数获取模块,用于根据所述第四日尺度卫星积雪指数,获取所述待处理位置的至少两个时间节点的时间节点积雪指数;
时间填充积雪指数获取模块,用于根据至少两个所述时间节点积雪指数的线性关系,得到用于填充所述待处理位置的时间空缺的时间填充积雪指数;
目标积雪指数获取子模块,用于根据所述时间填充积雪指数修补所述第四日尺度卫星积雪指数,得到所述目标日尺度卫星积雪指数。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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4任一项所述的积雪指数获取方法的步骤。
8.一种计算机设备,其特征在于:包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的积雪指数获取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310080348.5A CN116127273B (zh) | 2023-01-18 | 2023-01-18 | 积雪指数获取方法、装置、存储介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310080348.5A CN116127273B (zh) | 2023-01-18 | 2023-01-18 | 积雪指数获取方法、装置、存储介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116127273A CN116127273A (zh) | 2023-05-16 |
CN116127273B true CN116127273B (zh) | 2023-12-12 |
Family
ID=86302531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310080348.5A Active CN116127273B (zh) | 2023-01-18 | 2023-01-18 | 积雪指数获取方法、装置、存储介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127273B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699951A (zh) * | 2021-01-06 | 2021-04-23 | 中国气象局乌鲁木齐沙漠气象研究所 | 降水数据融合方法、装置、终端设备及可读存储介质 |
CN112800379A (zh) * | 2021-01-26 | 2021-05-14 | 国家能源集团新疆吉林台水电开发有限公司 | 一种modis遥感积雪信息的处理方法和装置 |
CN114494864A (zh) * | 2022-01-17 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 基于遥感数据的积雪物候信息的提取方法 |
-
2023
- 2023-01-18 CN CN202310080348.5A patent/CN116127273B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699951A (zh) * | 2021-01-06 | 2021-04-23 | 中国气象局乌鲁木齐沙漠气象研究所 | 降水数据融合方法、装置、终端设备及可读存储介质 |
CN112800379A (zh) * | 2021-01-26 | 2021-05-14 | 国家能源集团新疆吉林台水电开发有限公司 | 一种modis遥感积雪信息的处理方法和装置 |
CN114494864A (zh) * | 2022-01-17 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 基于遥感数据的积雪物候信息的提取方法 |
Non-Patent Citations (2)
Title |
---|
Remote Sensing Image Spatiotemporal Fusion via a Generative Adversarial Network With One Prior Image Pair;Yiyao Song et al.;IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING;第60卷;第1-14页 * |
基于缺失值补全与BiLSTM的用电行为异常检测;严莉 等;软件导刊;第21卷(第10期);第136-141页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116127273A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230128989A1 (en) | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models | |
CN114529825B (zh) | 用于消防通道占用目标检测的目标检测模型、方法及应用 | |
KR101938829B1 (ko) | 해무의 발생을 예측하는 뉴럴 네트워크 학습 방법 및 장치 | |
CN111476719A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN113160183B (zh) | 一种高光谱数据处理方法、设备及介质 | |
CN106779055B (zh) | 图像特征提取方法和装置 | |
US20170132759A1 (en) | Method for upscaling an image and apparatus for upscaling an image | |
CN109711486A (zh) | 基于相位相关的高重叠度遥感影像满度连接点匹配方法 | |
CN109447897B (zh) | 一种真实场景图像合成方法及系统 | |
CN110826173A (zh) | 一种土壤水分数据获取方法、系统、存储介质及设备 | |
CN109242877B (zh) | 图像分割方法及装置 | |
CN108830828A (zh) | 一种遥感图像变化检测方法及装置 | |
CN116127273B (zh) | 积雪指数获取方法、装置、存储介质和设备 | |
CN113469111A (zh) | 图像关键点检测方法及系统、电子设备、存储介质 | |
CN110852475B (zh) | 基于极端梯度提升算法的植被指数预测方法、系统及设备 | |
CN115545361B (zh) | 一种电网传输线路气候环境预测方法、系统及介质 | |
CN116757934A (zh) | 一种图像超分辨率重建方法、系统、存储介质及智能终端 | |
CN116312639A (zh) | 语音情感识别方法、装置、存储介质和计算机设备 | |
CN116432145B (zh) | 积雪深度获取方法、装置、存储介质和计算机设备 | |
Bosma et al. | Estimating solar and wind power production using computer vision deep learning techniques on weather maps | |
CN111582703B (zh) | 全球中高分辨率植被总初级生产力产品的计算方法及装置 | |
Molnár et al. | Representation learning for point clouds with variational autoencoders | |
CN114463556A (zh) | 等变网络训练方法和装置、图像识别方法和装置 | |
CN111856618A (zh) | 气象要素的预测方法及设备 | |
CN113378715A (zh) | 一种基于彩色人脸图像的活体检测方法及相关设备 |
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 |