基于空谱融合与模型学习耦合的叶绿素a浓度反演方法

技术特征：
1.基于空谱融合与模型学习耦合的叶绿素a浓度反演方法，其特征在于，包括以下步骤:步骤一、获取定区域的modis与sentinel-2数据并进行必要的预处理；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；步骤三、构建modis和sentinel-2训练数据集；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；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；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。2.根据权利要求1所述的基于空谱融合与模型学习耦合的叶绿素a浓度反演方法，其特征在于，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。3.根据权利要求1所述的基于空谱融合与模型学习耦合的叶绿素a浓度反演方法，其特征在于，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：21)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，结合定区域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、b8～b12；sentinel-2反射率波段为b1～b8及b8a；其中，b*表示第*波段；22)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。4.根据权利要求1所述的基于空谱融合与模型学习耦合的叶绿素a浓度反演方法，其特征在于，步骤三中，构建训练数据集的具体步骤为：31)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；32)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。5.根据权利要求1所述的基于空谱融合与模型学习耦合的叶绿素a浓度反演方法，其特征在于，步骤四中，构建耦合物理模型与深度学习的空谱融合框架的具体步骤为：
41)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；42)网络的损失函数loss由两部分构成，即：loss＝rmse1 λ*rmse2，其中，λ是正则化参数；rmse1为空间细节损失函数，其表达式为：其中，y
i
表示空间信息的真实值，即sentinel-2波段数据值，表示预测值；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：其中，y
i
′
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。43)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。6.根据权利要求1所述的基于空谱融合与模型学习耦合的叶绿素a浓度反演方法，其特征在于，步骤五中，m＝80％n，n-m＝20％n。7.根据权利要求1所述的基于空谱融合与模型学习耦合的叶绿素a浓度反演方法，其特征在于，步骤六的具体步骤为：61)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；62)利用融合后反射率波段与原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；63)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。8.根据权利要求7所述的基于空谱融合与模型学习耦合的叶绿素a浓度反演方法，其特征在于，步骤62)中，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；
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即蓝绿比、b4/b3即红绿比、fb2/b4即近红外红比；然后，基于上述构建叶绿素a浓度反演模型。

技术总结
本发明涉及水质参数遥感反演领域，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，通过获取相同日期MODIS和Sentinel-2数据，经过预处理，得到样本数据集；构建面向叶绿素a浓度反演的MODIS和Sentinel-2空-谱融合深度学习网络，并耦合光谱响应函数、影像退化模型等物理约束，从而获得具有MODIS光谱分辨率和Sentinel-2空间分辨率的融合数据，为叶绿素a浓度反演提供高空谱分辨率数据源；结合实地采样数据与融合的高空谱分辨率数据，在梯度提升树等机器学习的水质反演算法下验证融合的有效性，结果表明本处理方法有效提高了叶绿素a浓度的反演精度。素a浓度的反演精度。素a浓度的反演精度。


技术研发人员：吴鹏海 吴艳兰 杨辉 王彪
受保护的技术使用者：安徽大学
技术研发日：2021.12.24
技术公布日：2022/4/12