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

技术特征：
1.一种多源数据融合构建植被覆盖度时空降尺度方法，其特征在于，包括步骤：s1、获取ndvi产品中的高分1号数据；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；s3、对植被区域填充ndvi数值，非植被区域无数据填充；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；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。2.根据权利要求1所述的多源数据融合构建植被覆盖度时空降尺度方法，其特征在于，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：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；s4.2、构建包含5个卷积层、3个全连接层的深度学习网络；s4.3、采用深度学习网络对224x 224尺寸的数据集进行训练；s4.4、保存完成训练后的ndvi识别模型。3.根据权利要求2所述的多源数据融合构建植被覆盖度时空降尺度方法，其特征在于，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：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224x224尺寸的数据集。4.根据权利要求3所述的多源数据融合构建植被覆盖度时空降尺度方法，其特征在于，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：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；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；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；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；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；a6、使用三次全连接层fc_layer，并经过softmax输出层处理。5.根据权利要求4所述的多源数据融合构建植被覆盖度时空降尺度方法，其特征在于，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：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。

技术总结
本发明公开了一种多源数据融合构建植被覆盖度时空降尺度方法，包括步骤S1、获取NDVI产品中的高分1号数据；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；S3、对植被区域填充NDVI数值，非植被区域无数据填充；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；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。本发明方法在高时空分辨率的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。气候变化等方面具有重要的作用。气候变化等方面具有重要的作用。


技术研发人员：雷添杰 张平 徐瑞瑞 张保山 李小涵 鲁源 张亚珍
受保护的技术使用者：甘肃中星鸿图科技有限公司
技术研发日：2021.09.09
技术公布日：2021/12/6