一种基于LSTM网络的遥感影像反照率反演方法及系统

一种基于lstm网络的遥感影像反照率反演方法及系统
技术领域
1.本发明涉及遥感影像反演技术领域，具体是涉及一种基于lstm网络的遥感影像反照率反演方法及系统。


背景技术：

2.目前，基于遥感卫星数据生产的全球尺度和长时间序列的反照率产品较少。并且，基于卫星数据生产的反照率产品存在着时间分辨率低、空间分辨率低等问题。当然，随着越来越多的遥感卫星发射升空，遥感卫星获取的海量数据为反照率反演也提供了丰富的信息，使得以遥感为技术手段进行反照率反演工作成为可能。遥感技术可以在时空上满足连续时间序列的研究区域反照率反演的需求。目前常用的遥感反照率反演方法包括：统计反演、考虑地表下垫面各向异性的反照率反演、基于卫星多观测数据的地表二项反射模型、半经验核驱动模型等。
3.目前基于卫星数据进行的反照率反演的研究很少，多围绕ccd数据和高分系列卫星数据进行，这类数据分辨率高，但是覆盖范围有限，很难生成全球尺度的反照率产品，故需要提供一种针对卫星数据风云3d数据进行反照率反演的研究。


技术实现要素：

4.发明目的：针对以上缺点，本发明公开了一种基于lstm网络的遥感影像反照率反演方法，采用优化的lstm网络模型对于遥感影像反照率进行反演，获取较为精确的反演结果。同时，本发明该提供了一种基于lstm网络的遥感影像反照率反演系统，能够实现上述方法获得精准的反照率。
5.技术方案：为解决上述问题，本发明提供一种基于lstm网络的遥感影像反照率反演方法，具体包括以下步骤：
6.具体包括以下步骤：
7.(1)获取研究区域不同观测时刻的太阳入射方位角θ
i1
、太阳入射天顶角θ
i2
、卫星观测方位角θ
v1
和卫星观测天顶角θ
v2
；
8.(2)获取研究区域的连续时间序列的遥感影像反照率产品数据，对获取的反照率产品数据进行采样，得到不同观测时刻对应的反照率值r；
9.(3)将同一观测时刻对应的太阳入射方位角、太阳入射天顶角、卫星观测方位角、卫星观测方位角、反照率值作为一组序列di＝{θ
i1i
,θ
i2i
,θ
v1i
,θ
v2i
,ri},获取所有观测时刻构成的数据集i为观测时刻，n为正整数；将获取的数据集d划分为训练集和测试集；
10.(4)构建优化的lstm模型，lstm模型的输入层为太阳入射方位角θ
i1
、太阳入射天顶角θ
i2
、卫星观测方位角θ
v1
和卫星观测天顶角θ
v2
，输出层为反照率值r；所述优化的lstm模型的公式为：
11.f
t2
＝σ(w
f2
·
[h
t1
,x
t
] b
f2
)
[0012]it2
＝σ(w
i2
·
[h
t1
,x
t
] b
i2
)
[0013]ot2
＝σ(w
o2
·
[h
t1
,x
t
] b
o2
)
[0014][0015][0016]ht2
＝o
t2
×
tanh(c
t2
) h
t3
[0017]
式中，f
t2
为第二层的遗忘门；i
t2
为第二层的输入门；o
t2
为第二层输出门；x
t
为输入；h
t2
为第二层的输出值，即当前时刻的输出，h
t1
为第一层的输出值；h
t3
为第三层的输出值；w
f2
、w
i2
、w
o2
、w
c2
均为学习权重；b
f2
、b
i2
、b
o2
、b
c2
均为偏置；σ为表示sigmoid函数；c
t2
表示第二层输出的影响因子，c
t3
表示第三层输出影响因子，c
t1
为第一层影响因子；表示当第二层更新门的数值；
[0018]
将训练集输入至优化的lstm模型进行迭代训练，当达到预设训练次数结束训练并获得训练完成的优化的lstm模型；
[0019]
(5)将测试集输入训练好的优化的lstm模型中进行测试，获取不同观测时刻预测的反照率值。
[0020]
进一步的，还包括步骤(6)对于步骤(5)获取的反照率值进行验证，具体的验证步骤包括：
[0021]
(6.1)将测试集中的太阳入射方位角θ
i1
、太阳入射天顶角θ
i2
、卫星观测方位角θ
v1
和卫星观测天顶角θ
v2
输入至brdf模型中计算反照率值；所述的brdf模型具体的公式为：
[0022]
r(θ
i1
,θ
v1
,θ
i2
,θ
v2
)＝f
iso
f
geokgeo
(θ
i1
,θ
v1
,θ
i2
,θ
v2
) f
volkvol
(θ
i1
,θ
v1
,θ
i2
,θ
v2
)
[0023]
式中，f
iso
表示各向同性散射核系数；f
geo
表示几何光学散射核系数；f
vol
表示体散射核的比例系数；k
geo
表示几何光学核函数；k
vol
为体散射核函数；
[0024]
(6.2)将计算得到的反照率值与步骤(5)中获取的预测反照率值进行比较，若两者的差值处于预设值范围内，则认定预测的反照率值结果正确；否则，重新更新lstm模型中的学习权重，重新对lstm模型进行训练和测试。
[0025]
进一步的，步骤(2)中获取研究区域的连续时间序列的遥感影像反照率产品数据具体包括以下步骤：
[0026]
(2.1)获取研究区域的连续时间序列的遥感影像，将遥感影像进行帧提取图像数据；将获取相应图像切分呈小块；
[0027]
(2.2)利用云掩膜，筛选出无云的图像块制作数据集，将无云的图像块放入无云文件夹；
[0028]
(2.3)读取无云文件夹中图像对应的地区的反照率数据。
[0029]
进一步的，所述优化的lstm模型的隐藏层为三层。
[0030]
此外，本发明提供一种基于lstm网络的遥感影像反照率反演系统，包括以下模块：
[0031]
获取模块，用于获取研究区域不同观测时刻的太阳入射方位角θ
i1
、太阳入射天顶角θ
i2
、卫星观测方位角θ
v1
和卫星观测天顶角θ
v2
；获取研究区域的连续时间序列的遥感影像反照率产品数据，对获取的反照率产品数据进行采样，得到不同观测时刻对应的反照率值r；
[0032]
数据预处理模块，用于将同一观测时刻对应的太阳入射方位角、太阳入射天顶角、
卫星观测方位角、卫星观测方位角、反照率值作为一组序列di＝{θ
i1i
,θ
i2i
,θ
v1i
,θ
v2i
,ri},获取所有观测时刻构成的数据集i为观测时刻，n为正整数；将获取的数据集d划分为训练集和测试集；
[0033]
优化lstm模型构建模块；用于构建优化的lstm模型，lstm模型的输入层为太阳入射方位角θ
i1
、太阳入射天顶角θ
i2
、卫星观测方位角θ
v1
和卫星观测天顶角θ
v2
，输出层为反照率值r；所述优化的lstm模型的公式为：
[0034]ft2
＝σ(w
f2
·
[h
t1
,x
t
] b
f2
)
[0035]it2
＝σ(w
i2
·
[h
t1
,x
t
] b
i2
)
[0036]ot2
＝σ(w
o2
·
[h
t1
,x
t
] b
o2
)
[0037][0038][0039]ht2
＝o
t2
×
tanh(c
t2
) h
t3
[0040]
式中，f
t2
为第二层的遗忘门；i
t2
为第二层的输入门；o
t2
为第二层输出门；x
t
为输入；h
t2
为第二层的输出值，即当前时刻的输出，h
t1
为第一层的输出值；h
t3
为第三层的输出值；w
f2
、w
i2
、w
o2
、w
c2
均为学习权重；b
f2
、b
i2
、b
o2
、b
c2
均为偏置；σ为表示sigmoid函数；c
t2
表示第二层输出的影响因子，c
t3
表示第三层输出影响因子，c
t1
为第一层影响因子；表示当第二层更新门的数值；
[0041]
优化lstm模型训练模块；用于将训练集输入至优化的lstm模型进行迭代训练，当达到预设训练次数结束训练并获得训练完成的优化的lstm模型；
[0042]
优化lstm模型测试模块；将测试集输入训练好的优化lstm模型进行测试，获取不同观测时刻预测的反照率值。
[0043]
进一步的，还包括验证模块：用于对于优化lstm模型测试模块获取的反照率值进行验证；验证模块具体包括：
[0044]
brdf模型计算模块，用于将测试集中的太阳入射方位角θ
i1
、太阳入射天顶角θ
i2
、卫星观测方位角θ
v1
和卫星观测天顶角θ
v2
输入至brdf模型中计算反照率值；所述的brdf模型具体的公式为：
[0045]
r(θ
i1
,θ
v1
,θ
i2
,θ
v2
)＝f
iso
f
geokgeo
(θ
i1
,θ
v1
,θ
i2
,θ
v2
) f
volkvol
(θ
i1
,θ
v1
,θ
i2
,θ
v2
)
[0046]
式中，f
iso
表示各向同性散射核系数；f
geo
表示几何光学散射核系数；f
vol
表示体散射核的比例系数；k
geo
表示几何光学核函数；k
vol
为体散射核函数；
[0047]
比较模块，用于将计算得到的反照率值与优化lstm模型测试模块获取的预测反照率值进行比较，若两者的差值处于预设值范围内，则认定预测的反照率值结果正确；否则，重新更新lstm模型中的学习权重，重新对lstm模型进行训练和测试。
[0048]
此外，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一一种方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一一种方法的步骤。
[0049]
有益效果：本发明提供的一种基于lstm网络的遥感影像反照率反演方法相对于现有技术而言，其优点在于：1、通过对lstm的记忆门机制进行改造，将某一时刻前后两时刻的
输出均作为影响因子给当前时刻的记忆门中进行模块训练，获得训练好的优化的lstm模型，从而获取最终的预测反演结果；2、通过将预测的反演结果与brdf模型的计算结果进行比较，进一步的优化预测模型，提升反照率反演精度。此外，本发明所述的一种基于lstm网络的遥感影像反照率反演系统相对于现有技术而言，其优点在于：能够通过本系统实现上述反演方法，获取最终的反演结果。
附图说明
[0050]
图1所示为本发明所述方法的原理图；
[0051]
图2所示为本发明所述方法中采用lstm网络模块进行反演的流程图；
[0052]
图3所示为本发明所述优化lstm网络模块结构图；
[0053]
图4所示为本发明所述优化lstm网络记忆门机制模块结构图；
[0054]
图5所示为本发明所述brdf模型示意图；
[0055]
图6所示为根据本发明所述方法获取的反照率反演图。
具体实施方式
[0056]
下面结合附图对本发明的技术方案进一步说明。
[0057]
如图1和图2所述，本发明提供一种基于lstm网络的遥感影像反照率反演方法，具体包括以下步骤：
[0058]
步骤一、获取研究区域不同观测时刻的太阳入射方位角θ
i1
、太阳入射天顶角θ
i2
、卫星观测方位角θ
v1
和卫星观测天顶角θ
v2
。
[0059]
步骤二、获取研究区域的连续时间序列的遥感影像反照率产品数据，对获取的反照率产品数据进行采样，得到不同观测时刻对应的反照率值r；具体的步骤包括：
[0060]
(1)将获取研究区域的连续时间序列的遥感影像进行帧提取图像数据；将获取相应图像切分呈小块；
[0061]
(2)利用云掩膜，筛选出无云的图像块制作数据集，将无云的图像块放入无云文件夹；
[0062]
(3)读取无云文件夹中图像对应的地区的反照率数据。
[0063]
具体的，对于反照率数据的读取在实际操作过程中一般针对遥感图像的每一个像素点进行读取，针对同一时刻下遥感图像中每个像素点反应的研究区域的四个角度也相应的逐像素点获取。对于一个时刻(ti)内获取的部分数据如下表1所示，将同一时刻的所有像素点组成的四个角度值和反照率数值可以分别通过矩阵形式表示。
[0064]
表1
[0065][0066]
步骤三、针对获取的数据进行预处理，分别划分训练数据集和测试数据集。
[0067]
具体的，将同一观测时刻对应的太阳入射方位角、太阳入射天顶角、卫星观测方位角、卫星观测方位角、反照率值作为一组序列di＝{θ
i1i
,θ
i2i
,θ
v1i
,θ
v2i
,ri}；所有观测时刻构成的数据集将获取的数据集d划分为训练集和测试集；其中，i为观测时刻，取t1,t2,
……
,tn，n为正整数。
[0068]
步骤四、构建优化的lstm模型，利用训练数据集对于优化的lstm模型进行训练。
[0069]
(1)设置lstm模型的输入层的输入为太阳入射方位角θ
i1
、太阳入射天顶角θ
i2
、卫星观测方位角θ
v1
和卫星观测天顶角θ
v2
，输出层的输出为反照率值r；lstm模型包含三层隐藏层；
[0070]
所述优化的lstm模型具体是通过对于lstm模型的记忆门机制进行改进，将某一时刻的前后两时刻的影响因子和输出值输入给当前时刻获取的输出。如图4所示，将模型简化而言其中部分改进为前后两时刻的影响因子输入当前时刻从而影响输出；
[0071]
如图3所示，所述优化的lstm模型具有三层结构，第二层结构的输出为当前时刻的输出值，具体的公式为：
[0072]ft2
＝σ(w
f2
·
[h
t1
,x
t
] b
f2
)
[0073]it2
＝σ(w
i2
·
[h
t1
,x
t
] b
i2
)
[0074]ot2
＝σ(w
o2
·
[h
t1
,x
t
] b
o2
)
[0075][0076][0077]ht2
＝o
t2
×
tanh(c
t2
) h
t3
[0078]
式中，f
t2
为第二层的遗忘门；i
t2
为第二层的输入门；o
t2
为第二层输出门；x
t
为输入；h
t2
为第二层的输出值，h
t1
为第一层的输出值；h
t3
为第三层的输出值；w
f2
、w
i2
、w
o2
、w
c2
均为学习权重；b
f2
、b
i2
、b
o2
、b
c2
均为偏置；σ为表示sigmoid函数；c
t2
表示第二层输出的影响因子，c
t3
表示第三层输出影响因子，c
t1
为第一层影响因子；表示当第二层更新门的数值；
[0079]
其中，针对h
t1
、h
t3
具体的表达式如下：
[0080]ft1
＝σ(w
f1
·
[h
t-1
,x
t
] b
f1
)
[0081]it1
＝σ(w
i1
·
[h
t-1
,x
t
] b
i1
)
[0082]ot1
＝σ(w
o1
·
[h
t-1
,x
t
] b
o1
)
[0083][0084][0085]ht1
＝o
t1
×
tanh(c
t1
)
[0086]
式中，h
t-1
为上一时刻的输出值；b
f1
、b
i1
、b
o1
、b
c1
均为第一层的偏置；w
f1
、w
i1
、w
o1
、w
c1
均为第一层的权重；，f
t1
为第一层的遗忘门；i
t1
为第一层的输入门；o
t1
为第一层输出门；表示当第一层更新门；c
t-1
为上一时刻的影响因子；
[0087]ft3
＝σ(w
f3
·
[h
t 1
,x
t
] b
f3
)
[0088]it3
＝σ(w
i3
·
[h
t 1
,x
t
] b
i3
)
[0089]ot3
＝σ(w
o3
·
[h
t 1
,x
t
] b
o3
)
[0090][0091][0092]ht3
＝o
t1
×
tanh(c
t3
)
[0093]
式中，h
t 1
为下一时刻的输出值；b
f3
、b
i3
、b
o3
、b
c3
均第三层的偏置；w
f3
、w
i3
、w
o3
、w
c3
为第三层的权重；f
t3
为第三层的遗忘门；i
t3
为第三层的输入门；o
t3
为第三层输出门；表示当第三层更新门；c
t 1
为下一时刻的影响因子；
[0094]
(2)将训练集输入至优化的lstm模型进行迭代训练，当达到预设训练次数n，则结束训练并获得训练完成的优化的lstm模型；
[0095]
步骤五、将测试集输入训练好的优化的lstm模型中进行测试，获取不同观测时刻预测的反照率值。
[0096]
步骤六、通过brdf模型可以对优化的lstm模型获取的预测的反照率值进行验证，具体的验证步骤包括：
[0097]
(1)将测试集中太阳入射方位角θ
i1
、太阳入射天顶角θ
i2
、卫星观测方位角θ
v1
和卫星观测天顶角θ
v2
的数据值输入至brdf模型中计算反照率值；所述的brdf模型具体的公式为：
[0098]
r(θ
i1
,θ
v1
,θ
i2
,θ
v2
)＝f
iso
f
geokgeo
(θ
i1
,θ
v1
,θ
i2
,θ
v2
) f
volkvol
(θ
i1
,θ
v1
,θ
i2
,θ
v2
)
[0099]
式中，f
iso
表示各向同性散射核系数；f
geo
表示几何光学散射核系数；f
vol
表示体散射核的比例系数；k
geo
表示几何光学核函数；k
vol
为体散射核函数；
[0100]
如图5所示，对于brdf模型中brdf系数的计算，可以通过将训练集的数据中的数据代入brdf系数进行计算获得。
[0101]
(2)将计算得到的反照率值与步骤五中获取的预测反照率值进行比较，若两者的差值处于预设值范围内，则认定预测的反照率值结果正确；否则，重新更新lstm模型中的学习权重，重新对lstm模型进行训练和测试。
[0102]
如图6所示，通过本方法对于遥感影响进行反照率反演，从最终的反演结果图可以
准确的读取反照率的结果值。
[0103]
此外，本发明还提供一种基于lstm网络的遥感影像反照率反演系统，包括以下模块：
[0104]
获取模块，用于获取研究区域不同观测时刻的太阳入射方位角θ
i1
、太阳入射天顶角θ
i2
、卫星观测方位角θ
v1
和卫星观测天顶角θ
v2
；获取研究区域的连续时间序列的遥感影像反照率产品数据，对获取的反照率产品数据进行采样，得到不同观测时刻对应的反照率值r；
[0105]
数据预处理模块，用于将同一观测时刻对应的太阳入射方位角、太阳入射天顶角、卫星观测方位角、卫星观测方位角、反照率值作为一组序列di＝{θ
i1i
,θ
i2i
,θ
v1i
,θ
v2i
,ri},获取所有观测时刻构成的数据集i为观测时刻，n为正整数；将获取的数据集d划分为训练集和测试集；
[0106]
优化lstm模型构建模块；用于构建优化的lstm模型，lstm模型的输入层为太阳入射方位角θ
i1
、太阳入射天顶角θ
i2
、卫星观测方位角θ
v1
和卫星观测天顶角θ
v2
，输出层为反照率值r；所述优化的lstm模型的公式为：
[0107]ft2
＝σ(w
f2
·
[h
t1
,x
t
] b
f2
)
[0108]it2
＝σ(w
i2
·
[h
t1
,x
t
] b
i2
)
[0109]ot2
＝σ(w
o2
·
[h
t1
,x
t
] b
o2
)
[0110][0111][0112]ht2
＝o
t2
×
tanh(c
t2
) h
t3
[0113]
式中，f
t2
为第二层的遗忘门；i
t2
为第二层的输入门；o
t2
为第二层输出门；x
t
为输入；h
t2
为第二层的输出值，即当前时刻的输出，h
t1
为第一层的输出值；h
t3
为第三层的输出值；w
f2
、w
i2
、w
o2
、w
c2
均为学习权重；b
f2
、b
i2
、b
o2
、b
c2
均为偏置；σ为表示sigmoid函数；c
t2
表示第二层输出的影响因子，c
t3
表示第三层输出影响因子，c
t1
为第一层影响因子；表示当第二层更新门的数值；
[0114]
优化lstm模型训练模块；用于将训练集输入至优化的lstm模型进行迭代训练，当达到预设训练次数结束训练并获得训练完成的优化的lstm模型；
[0115]
优化lstm模型测试模块；将测试集输入训练好的优化lstm模型进行测试，获取不同观测时刻预测的反照率值。
[0116]
验证模块；用于对于优化lstm模型测试模块获取的反照率值进行验证；验证模块具体包括：
[0117]
brdf模型计算模块，用于将测试集中的太阳入射方位角θ
i1
、太阳入射天顶角θ
i2
、卫星观测方位角θ
v1
和卫星观测天顶角θ
v2
输入至brdf模型中计算反照率值；所述的brdf模型具体的公式为：
[0118]
r(θ
i1
,θ
v1
,θ
i2
,θ
v2
)＝f
iso
f
geokgeo
(θ
i1
,θ
v1
,θ
i2
,θ
v2
) f
volkvol
(θ
i1
,θ
v1
,θ
i2
,θ
v2
)
[0119]
式中，f
iso
表示各向同性散射核系数；f
geo
表示几何光学散射核系数；f
vol
表示体散射核的比例系数；k
geo
表示几何光学核函数；k
vol
为体散射核函数；
[0120]
比较模块，用于将计算得到的反照率值与优化lstm模型测试模块获取的预测反照
率值进行比较，若两者的差值处于预设值范围内，则认定预测的反照率值结果正确；否则，重新更新lstm模型中的学习权重，重新对lstm模型进行训练和测试。