一种残膜回收机防缠绕挑膜装置的制 一种秧草收获机用电力驱动行走机构

基于空谱融合与模型学习耦合的叶绿素a浓度反演方法

2022-04-13 20:15:02 来源:中国专利 TAG:


1.本发明涉及水质遥感反演领域,尤其是涉及一种基于空谱融合与模型学习耦合的叶绿素a浓度反演方法。


背景技术:

2.叶绿素a(chlorophyll-a,chl-a)是水体藻类的共有色素,是评估水体富营养化程度的重要指标。传统chl-a浓度监测方法虽然具有较高的精度,但费时费力且难以应用于大范围;随着对地观测技术的发展,遥感技术已成为湖泊等水质监测的重要手段,丰富的卫星遥感数据和不断改进的反演模型促进了chl-a浓度遥感监测的应用。
3.然而在chl-a浓度遥感监测过程中,遥感传感器获取的卫星数据还存在着空间分辨率和光谱分辨率相互制约的问题,如modis数据等具有较高光谱分辨率,但空间分辨率低增加了地面验证采样点布设的难度,限制了其在中小型湖泊、河流监测中的应用;sentinel-2数据等具有高空间分辨率,但光谱信息不足,影响chl-a浓度的反演精度。
4.为解决卫星传感器空谱分辨率制约的问题,获取兼具高空谱分辨率的遥感数据来提高反演精度,近年来发展了许多深度学习框架下的空谱融合方法,其主要原理是利用深度学习显著的非线性表征能力,对不同遥感图像所具备的空间、光谱信息进行整合,即在保留光谱信息的同时提高其空间分辨率,最终获得一幅综合了多幅图像有效信息的融合图像。一方面,目前深度学习空谱融合方法并不是针对chl-a浓度反演的,融合的谱段及其参数设计并不具有针对性;另一方面,现有深度学习方法缺乏物理模型的考虑。因此本发明提出基于空谱融合与模型-学习耦合的叶绿素a浓度反演方法。


技术实现要素:

5.(一)解决的技术问题
6.本发明目的在于解决叶绿素a浓度反演所用卫星数据的空间分辨率与光谱分辨率无法兼顾的问题,而提出了基于空谱融合与模型学习耦合的叶绿素a浓度反演方法。
7.(二)技术方案
8.基于空谱融合与模型学习耦合的叶绿素a浓度反演方法,包括以下步骤:
9.步骤一、获取定区域的modis与sentinel-2数据并进行必要的预处理;
10.步骤二、在modis数据上对叶绿素a反演的敏感波段进行选择,并结合modis与sentinel-2数据光谱响应函数将需要融合的modis波段进行分组;
11.步骤三、构建modis和sentinel-2训练数据集;
12.步骤四、引入影像退化过程,并通过损失函数进行物理约束,在卷积网络基础上,添加残差连接和注意力机制,构建耦合物理模型与深度学习的空谱融合框架;
13.步骤五、实测得到与卫星同期的叶绿素a浓度有效样点数据n个,随机选取其中m个样点作为训练数据,剩下n-m个样点作为验证数据,用于验证后续反演模型精度;
14.步骤六、根据步骤四得到的融合后反射率数据和sentinel-2反射率数据波段设置
特点,综合考量光谱分辨率、反射率数据与实测叶绿素a浓度的相关性,确定反演建模所需的有效反射率波段及其及波段组合,然后利用融合出来的反射率波段与原sentinel-2反射率波段进行协同反演,并结合实测叶绿素a浓度数据和机器学习中的梯度提升树算法,构建反射率数据与实测叶绿素a浓度的反演模型。
15.进一步地,步骤一中,定区域选择为巢湖区域;预处理包括拼接、裁剪、重采样、大气校正。
16.进一步地,步骤二中,敏感波段的选择及光谱响应函数分组的具体步骤为:
17.1)根据modis数据波段设置特点,敏感波段选择为近红外到可见光的波段范围,结合巢湖区域modis卫星影像反射率数据部分波段缺失问题,最终选择modis反射率波段为b1~b4(表示从第一波段至第四波段,以此类推)、b8~b12;sentinel-2反射率波段为b1~b8及b8a;
18.2)利用两种卫星传感器的光谱响应函数,将对应sentinel-2同一波段光谱响应函数范围的modis波段划分为同一组,若没有对应的sentinel-2波段,则将该modis波段划分到与之光谱最邻近的sentinel-2波段,最终将modis波段划分为五组,分别是b1为一组,b2为一组,b3、b10、b11为一组,b4、b12为一组,b8、b9为一组。
19.进一步地,步骤三中,构建训练数据集的具体步骤为:
20.1)利用modis各波段的相关性,选择与待融合的modis波段相关性最高的两个modis波段且这三个modis均位于步骤二所划分组的不同组,再选择这三个modis波段所对应的sentinel-2波段,其中将与待融合的modis波段对应的sentinel-2波段作为label,所有波段均重采样到20m空间分辨率,最终的网络输入是:两对modis-sentinel-2高低分空间分辨率数据对以及待融合的moids低空间分辨率波段;
21.2)为便于网络训练,在网络输入前将涉及影像均裁剪为80像素
×
80像素的小块影像,步长为40像素。
22.进一步地,步骤四构建耦合物理模型与深度学习的空谱融合模型的具体步骤为:
23.1)利用卷积神经网络构建三条支线:一条支线用于输入sentinel-2高空间分辨率图像,一条支线用于输入modis低空间分辨率图像,一条支线用于输入待融合的modis低空间分辨率图像与前两条支线高低分差值之和;每条支线分别包含若干卷积池化,同时为了网络能更深层次的训练,还添加了残差连接,利用前两条支线获取不同维度的高低分差值特征,再用第三条支线将该特征映射到待融合的modis低空间分辨率图像中,最后在注意力机制的引导下实施反卷积操作。
24.2)网络的损失函数loss由两部分构成,
25.即:loss=rmse1 λ*rmse2,λ是正则化参数。
26.rmse1为空间细节损失函数,其表达式为:
[0027][0028]
其中,yi表示空间信息的真实值,即sentinel-2波段数据值,表示预测值。
[0029]
rmse2为光谱保真损失函数,考虑影像的物理退化过程,利用卷积网络提取待融合的modis波段和融合结果差值特征,将得到的融合结果退化到原先的modis尺度,并在网络
中另添加一个损失函数进行物理约束,具体为:
[0030][0031]
其中,yi′
表示光谱信息的真实值,即modis波段数据值,表示经过退化后的预测值;与是通过由卷积神经网络组成的退化模型连接。
[0032]
3)利用步骤三所得训练样本数据,采用adam优化算法对网络进行训练,得到耦合物理模型与深度学习的空谱融合框架。
[0033]
进一步地,步骤六中,融合后反射率波段与sentinel-2反射率波段协同反演的具体步骤为:
[0034]
1)利用步骤四的耦合物理模型与深度学习的空谱融合框架,得到各波段反射率融合结果。
[0035]
2)利用融合后反射率波段与sentinel-2反射率波段进行协同反演,构建波段反射率与步骤五获取的实测叶绿素a浓度训练数据集的反演模型;结合输入的有效反射率数据及波段组合和步骤五的实测叶绿素a浓度训练数据集,通过梯度提升树模型得到协同反演精度;
[0036]
具体地,首先,根据融合后反射率波段和sentinel-2反射率波段设置特点,综合考量光谱分辨率、反射率波段与实测叶绿素a浓度的相关性,进行反演建模的有效波段确定;
[0037]
其次,梯度提升树模型的输入是有效单波段及波段组合形式,具体为:fb8(代表modis第八波段的融合结果,以此类推,在sentinel-2没有该波段范围),fb3、fb10(对应sentinel-2的b2),fb4、fb12(对应sentinel-2的b3),fb2(对应sentinel-2的b8a),b1(代表sentinel-2的b1,以此类推),b4~b8,b1/b3(蓝绿比)、b4/b3(红绿比)、fb2/b4(近红外红比);
[0038]
然后,基于上述构建叶绿素a浓度反演模型;
[0039]
3)利用步骤五获取的实测叶绿素a浓度数据集验证反演模型的精度。
[0040]
(三)有益效果
[0041]
本发明公开了基于空谱融合与模型学习耦合的叶绿素a浓度反演方法,改进之处在于:
[0042]
1)定义了一个基于误差的自适应系数,将神经网络求解目标函数的残差再反馈回神经网络,在实际应用中可以更稳定和灵活多变。
[0043]
2)由基于误差的自适应系数负反馈神经网络修正了有些znn模型在噪声干扰下无法稳定的缺陷,即修正的znn模型在噪声干扰的情况仍然可以精确地求解时变李雅普诺夫方程。
[0044]
3)该并行计算模型将问题转化为线性方程的寻零问题,用于求解时变李雅普诺夫方程;
[0045]
4)本方法有效提高了叶绿素a浓度的反演精度,并克服了传统水色卫星难以观测的中小型湖泊、河流的局限,有助于评估其富营养化水平,为水体生态环境监测、管理和恢复提供参考。
附图说明
[0046]
图1为本发明的实施例流程图。
具体实施方式
[0047]
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
[0048]
本发明以巢湖为例,对巢湖叶绿素a浓度进行反演,如图1所示,本发明的实施例流程可以分为两个阶段:
[0049]
第一阶段:空谱融合
[0050]
步骤一、获取巢湖区域的modis与sentinel-2反射率数据并进行预处理,包括拼接、裁剪、重采样、大气校正。
[0051]
其中,modis所涉及数据是mod09反射率数据和modis l1b数据,前者包括16个波段,涉及250m、500m、1000m三种空间分辨率,后者是经仪器标定的数据产品,包含36个波段,利用envi中mctk插件进行预处理;sentinel-2是l1c数据产品,包含13个波段,涉及10m、20m、60m三种空间分辨率,采用sen2cor模块进行大气校正。
[0052]
步骤二、对叶绿素a反演的敏感波段进行选择,并引入光谱响应函数将待融合的modis波段进行分组。
[0053]
根据modis数据波段设置特点,敏感波段选择为近红外到可见光的波段范围,结合巢湖区域modis卫星影像反射率数据部分波段缺失问题,最终选择modis反射率波段为b1~b4(表示从第一波段至第四波段,以此类推)、b8~b12;sentinel-2反射率波段为b1~b8及b8a;利用两种传感器的光谱响应函数,将对应sentinel-2同一波段光谱响应函数范围的modis波段划分为同一组;
[0054]
若没有对应的sentinel-2波段,则将该modis波段划分到与之光谱最邻近的sentinel-2波段,最终将modis波段划分为五组,分别是b1为一组,b2为一组,b3、b10、b11为一组,b4、b12为一组,b8、b9为一组。
[0055]
步骤三、构建modis和sentinel-2训练数据集。
[0056]
利用mod09数据各波段的相关性,如下表1,选择与待融合的mod09数据波段相关性最高的两个mod09数据波段且这三个mod09数据波段均位于步骤二所划分组的不同组,再选择这三个mod09波段所对应的sentinel-2波段,其中将与待融合的mod09波段对应的sentinel-2波段作为label,最终的网络输入是:两对modis-sentinel-2高低分空间分辨率数据对以及待融合的moids低空间分辨率波段.
[0057]
具体相关性与选择情况如表1所示:
[0058]
表1 mod09数据不同波段的相关性
[0059][0060][0061]
其中,近红外b2波段与各波段相关性均较低,从融合结果考虑,选择利用modis l1b中的b17、b18,这两个波段与b2相关性分别为0.957、0.951。
[0062]
每行黑色加粗的是两个相关性最高且位于不同组的数据。
[0063]
因此,modis各波段选择的两对高低空间分辨率数据对如表2所示:
[0064]
表2 modis各波段选择的两对高低空间分辨率数据
[0065][0066]
其中,mb10代表modis第十波段,sb2代表sentinel-2第二波段,以此类推,且位于步骤1-2分组的同组波段所利用的高低分数据对相同。
[0067]
在输入网络前,所有波段均重采样到20m空间分辨率,为便于网络训练,将涉及影像均裁剪为80像素
×
80像素的小块影像,步长为40像素。
[0068]
步骤四、构建耦合物理模型与深度学习的空谱融合模型。
[0069]
利用卷积神经网络构建三条支线:一条支线用于输入sentinel-2高空间分辨率图像,一条支线用于输入modis低空间分辨率图像,一条支线用于输入待融合的modis低空间分辨率图像与前两条支线高低分差值之和;每条支线分别包含若干卷积池化,同时为了网络能更深层次的训练,还添加了残差连接,利用前两条支线获取不同维度的高低分差值特征,再用第三条支线将该特征映射到待融合的modis低空间分辨率图像中,最后在注意力机制的引导下实施反卷积操作。
[0070]
网络的损失函数loss由两部分构成,
[0071]
即:loss=rmse1 λ*rmse2,λ是正则化参数。
[0072]
rmse1为空间细节损失函数,其表达式为:
[0073][0074]
其中,yi表示空间信息的真实值,即sentinel-2波段数据值,表示预测值。
[0075]
rmse2为光谱保真损失函数,考虑影像的物理退化过程,利用卷积网络提取待融合的modis波段和融合结果的差值特征,将得到的融合结果退化到原先的modis尺度,并在网络中另添加一个损失函数进行物理约束,具体为:
[0076][0077]
其中,yi′
表示光谱信息的真实值,即modis波段数据值,表示经过退化后的预测值。与是通过由卷积神经网络组成的退化模型连接。
[0078]
对于参数λ的确定:λ的大小主要是平衡融合结果的空间与光谱信息。λ值越大,融合结果光谱信息越丰富,空间细节越差;反之,λ值越小,融合结果空间细节越丰富,光谱信息丢失越多。调节思路:考虑光谱信息对叶绿素a反演的重要性,尽可能增加λ值,直至到达一个空间临界点,即此时再增加λ值,空间信息丢失会突增,此时λ值为最终确定的λ值,且位于步骤1-2分组的同组波段共享同一个λ值。
[0079]
利用步骤三所得训练样本数据,采用adam优化算法对网络进行训练,得到耦合物理模型与深度学习的空谱融合框架。
[0080]
第二阶段:叶绿素a浓度反演
[0081]
步骤五、基于环湖实测得到的叶绿素a浓度数据,去除异常点后共采集有效样点数据n(本实施例取120)个,其中随机选取96个(80%)样点作为训练数据,剩下24个(20%)样点作为验证数据,用于验证所构造的反演模型精度;
[0082]
步骤六、利用融合后反射率波段与sentinel-2反射率波段进行协同反演,构建波段反射率与步骤五获取的实测叶绿素a浓度训练数据的反演模型;结合输入的有效反射率数据及波段组合和步骤五的实测叶绿素a浓度训练数据集,通过梯度提升树模型得到协同反演精度。
[0083]
首先,根据融合后反射率波段和sentinel-2反射率波段设置特点,综合考量光谱分辨率、反射率波段与叶绿素a浓度的相关性,进行反演建模的有效波段确定;
[0084]
其次,梯度提升树模型的输入是有效单波段及波段组合形式;
[0085]
具体为:fb8(代表modis第八波段的融合结果,以此类推,在sentinel-2没有该波段范围),fb3、fb10(对应sentinel-2的b2),fb4、fb12(对应sentinel-2的b3),fb2(对应sentinel-2的b8a),b1(代表sentinel-2的b1,以此类推),b4~b8,b1/b3(蓝绿比)、b4/b3(红绿比)、fb2/b4(近红外红比);
[0086]
然后,基于上述构建叶绿素a浓度反演模型。
[0087]
最后,结合步骤五获取的实测叶绿素a浓度验证数据,验证上述反演模型的精度。
[0088]
反演结果为:r2为0.87,rmse为45.34μg/l。可以看出,融合波段与sentinel-2波段协同反演具有较高的反演精度,验证了我们方法的有效性。
[0089]
其中涉及的r2与rmse公式如下:
[0090][0091]
其中,yi表示真实值,表示预测值,表示真实值的平均值。
[0092]
以上显示和描述了本发明的主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
再多了解一些

本文用于企业家、创业者技术爱好者查询,结果仅供参考。

发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表

相关文献