一种多源数据融合构建植被覆盖度时空降尺度方法与流程

1.本发明属于植被覆盖度降尺度的技术领域，具体涉及一种多源数据融合构建植被覆盖度时空降尺度方法。


背景技术：

2.为了研究植被ndvi降采样技术，贾艳艳提出对低分辨率植被指数ndvi影像进行降采样处理，使用降采样处理后的影像与高分辨率植被指数ndvi影像进行模型拟合，为构建高空间分辨率ndvi影像提供一种有效方法。陈晋提出一种依据已知modis ndvi低空间分辨率影像的modis像素和tm modis数据中的高空间分辨率tm像素，预测构建高空间分辨率地ndvi时间序列数据。张锦水提出了一种使用像元分解构建高空间分辨率影像的方法，该方法使用降尺度分解的方法对低分辨率影像进行降尺度处理，然后对降尺度处理后的影像代替starfm中重采样低分辨率影像进行数据融合，提高影像融合精度。鉴于融合模型starfm存在若短暂或突变的地表变化信息没有被基期的landsat影像记录下，那么融合的影像就不能捕捉到该地表变化信息的问题，hilker基于starfm模型提出了一种新的融合算法staarch，分别从landsat和modis数据中提取空间的变化和时间变化，通过选取最佳的基准期landsat影像来提高融合算法的精度。
3.现有技术构建植被覆盖度降尺度数据，主要使用混合像元分解法，将大尺度、低分辨率影像数据降尺度处理，获得小尺度、高分辨率影像数据，但该种方法存在影像降尺度变换过程中精度的损失。


技术实现要素：

4.本发明的目的在于针对现有技术中的上述不足，提供一种多源数据融合构建植被覆盖度时空降尺度方法，以解决现有技术存在影像降尺度变换过程中精度的损失的问题。
5.为达到上述目的，本发明采取的技术方案是：
6.一种多源数据融合构建植被覆盖度时空降尺度方法，其包括步骤：
7.s1、获取ndvi产品中的高分1号数据；
8.s2、对降采样的高分1号数据进行监督分类，划分为植被区域和非植被区域；
9.s3、对植被区域填充ndvi数值，非植被区域无数据填充；
10.s4、采用深度学习进行高分1号影像样本的训练，获得用于准确识别ndvi模型的数据；
11.s5、基于ndvi模型，对降采样后的高分1号数据进行ndvi影像的提取，修正降尺度ndvi影像数据中的数值。
12.进一步地，s4中采用深度学习进行高分1号影像样本的训练，获得用于准确识别ndvi模型的数据，包括步骤：
13.s4.1、构建高分1号影像样本的训练数据集，并保存224x 224尺寸的数据集；
14.s4.2、构建包含5个卷积层、3个全连接层的深度学习网络；
15.s4.3、采用深度学习网络对224x 224尺寸的数据集进行训练；
16.s4.4、保存完成训练后的ndvi识别模型。
17.进一步地，s4.1中构建高分1号影像样本的训练数据集，并保存224x 224尺寸的数据集，包括：
18.获取高分1号数据中的高分辨率ndvi影像数据，采用多边形将高分辨率ndvi影像部分勾画掩膜，根据高分辨率ndvi数值在[0,0.1),[0.1,0.2),[0.2,0.3),[0.3,0.4),[0.4,0.5),[0.5,0.6),[0.6,0.7),[0.7,0.8),[0.8,0.9),[0.9,1]区间段的类别分别标为0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1共10个类别，勾画10个类别的掩膜作为标签数据；对高分1号样本数据和对应的标签影像数据同时进行影像切分，并保存224x 224尺寸的数据集。
[0019]
进一步地，s4.2中初始卷积核的大小为3
×3×
3，步幅stride的大小为1，有效填充padding的大小为1，池化层pooling采用2
×
2的最大池化函数max pooling的方式，深度学习网络的步骤包括：
[0020]
a1、使用一次64个卷积核的卷积处理，并进行一次池化层pooling处理；
[0021]
a2、使用一次128个卷积核的卷积处理，并进行一次池化层pooling处理；
[0022]
a3、使用一次256个卷积核的卷积处理，并进行一次池化层pooling处理；
[0023]
a4、使用一次512个卷积核的卷积处理，并进行一次池化层pooling处理；
[0024]
a5、使用一次512个卷积核的卷积处理，并进行一次池化层pooling处理；
[0025]
a6、使用三次全连接层fc_layer，并经过softmax输出层处理。
[0026]
进一步地，s5中基于s4中的ndvi识别模型，对降采样后的高分1号数据进行ndvi影像的提取，修正降尺度ndvi影像数据中的数值，包括：
[0027][0028]
其中，m为设对于同一像素栅格，取降采样后的高分1号数据使用深度学习模型进行ndvi影像的提取的结果；n为降尺度ndvi影像数据中的数值；a为降尺度ndvi影像数据中修正后的数值。
[0029]
本发明提供的多源数据融合构建植被覆盖度时空降尺度方法，具有以下有益效果：
[0030]
本发明使用混合像元分解法对影像进行降尺度分解，将大尺度低空间分辨率地ndvi遥感影像，分解为小尺度、高空间分辨率的ndvi遥感影像，再利用训练的深度学习模型对降尺度分解后的影像进行结果修正，可以完成一幅ndvi影像数据降尺度分解；在高时空分辨率的ndvi影像数据在监测植被覆盖变化、作物生长状况、识别地物类型、作物估产、生物量估算、地表蒸散、土壤湿度监测、气候变化等方面具有重要的作用。
附图说明
[0031]
图1为多源数据融合构建植被覆盖度时空降尺度方法的流程框图。
[0032]
图2为混合像元分解示意图。
[0033]
图3为深度学习模型示意图。
具体实施方式
[0034]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0035]
根据本技术的一个实施例，参考图1，本方案的多源数据融合构建植被覆盖度时空降尺度方法，包括如下步骤：
[0036]
s1、从modis官网找到ndvi产品并进行下载，获取ndvi产品中的高分1号数据。
[0037]
s2、对高分辨率影像重采样并实现监督分类；
[0038]
ndvi降尺度分解的空间分辨率即为高分1号影像数据重采样的目标分辨率。对降采样的高分1号数据进行监督分类，分为植被区域和非植被区域。
[0039]
s3、混合像元分解方法；
[0040]
参考图2，对于遥感影像ndvi数据，对混合像元分解后的影像，其非植被区域无数据填充，植被区域填充ndvi数值，即构造混合像元分解后的ndvi影像数据。
[0041]
s4、深度学习模型训练；
[0042]
采用深度学习进行高分1号影像样本的训练，获得能准确识别ndvi模型的数据，具体步骤包括：
[0043]
s4.1、构建训练数据集：
[0044]
对所有高分1号数据，获取高分辨率ndvi影像数据，用多边形将高分辨率ndvi影像部分勾画掩膜，依据高分辨率ndvi数值在[0,0.1),[0.1,0.2),[0.2,0.3),[0.3,0.4),[0.4,0.5),[0.5,0.6),[0.6,0.7),[0.7,0.8),[0.8,0.9),[0.9,1]区间段的类别分别标为0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1共10个类别，勾画10个类别的掩膜作为标签数据。对于高分1号样本数据和对应的标签影像数据同时进行影像切分，并保存224x 224尺寸的数据集。
[0045]
s4.2、参考图3，搭建深度学习模型，包含5个卷积层、3个全连接层的深度学习网络；
[0046]
深度学习卷积层过程：初始卷积核的大小为3
×3×
3，步幅stride的大小为1，有效填充padding的大小为1，池化层pooling采用2
×
2的最大池化函数max pooling的方式。
[0047]
a1、使用一次64个卷积核的卷积处理，并进行一次池化层pooling处理；
[0048]
a2、使用一次128个卷积核的卷积处理，并进行一次池化层pooling处理；
[0049]
a3、使用一次256个卷积核的卷积处理，并进行一次池化层pooling处理；
[0050]
a4、使用一次512个卷积核的卷积处理，并进行一次池化层pooling处理；
[0051]
a5、使用一次512个卷积核的卷积处理，并进行一次池化层pooling处理；
[0052]
a6、使用三次全连接层fc_layer，并经过softmax输出层处理。
[0053]
s4.3、用构建的224x 224数据集使用构建的深度学习网络进行训练；
[0054]
s4.4、将训练后的ndvi识别模型进行保存。
[0055]
s5、基于ndvi模型，对降采样后的高分1号数据进行ndvi影像的提取，修正降尺度ndvi影像数据中的数值，修正公式为：
[0056][0057]
其中，m为设对于同一像素栅格，取降采样后的高分1号数据使用深度学习模型进行ndvi影像的提取的结果；n为降尺度ndvi影像数据中的数值；a为降尺度ndvi影像数据中修正后的数值。
[0058]
本发明使用混合像元分解法对影像进行降尺度分解，将大尺度低空间分辨率地ndvi遥感影像，分解为小尺度、高空间分辨率的ndvi遥感影像，再利用训练的深度学习模型对降尺度分解后的影像进行结果修正，可以完成一幅ndvi影像数据降尺度分解；在高时空分辨率的ndvi影像数据在监测植被覆盖变化、作物生长状况、识别地物类型、作物估产、生物量估算、地表蒸散、土壤湿度监测、气候变化等方面具有重要的作用。
[0059]
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。