植被指数生成方法、装置、电子设备及存储介质与流程

1.本发明涉及遥感技术领域，尤其涉及一种植被指数生成方法、装置、电子设备及存储介质。


背景技术：

2.植被是陆地生态系统中最基础的部分，植被指数反演一直是遥感、生态领域的重点研究内容。目前植被指数越来越多的被作为数据支撑应用于智慧城市领域。这里的植被指数主要指与植被生长状况相关的遥感指数，比如叶面积指数(即：lai)、归一化植被指数(即：ndvi)、植被净初级生产力(即：npp)、生态系统净生产力(即：nep)、植被覆盖度(即：fvc)以及增强型植被指数(即：evi)等。传统方法中，最常见的算法是物理过程法。
3.传统依据物理过程法计算植被指数的方法是针对每一种植被指数，从物理过程来建立相应的计算公式，如通过温度、降雨、辐射和归一化植被指数，结合经验常数来计算增强型植被指数。
4.目前植被指数生产，需要生产者对不同的植被指数有明确的认识，根据植被指数的不同，需要选择不同的计算公式，以及准备复杂的输入数据。
5.植被指数的计算公式十分繁多，而且不同计算公式的适用性不一样，输入数据也千差万别，因此利用现有的方法生成植被指数，缺乏普适性。此外，植被指数种类繁多，计算公式十分繁杂，输入数据复杂，导致对用户的要求较高。而且，该方案存在着较强的主观判断，植被指数生成结果受人为选择的影响较大，使得结果不够准确。


技术实现要素：

6.本发明提供一种植被指数生成方法、装置、电子设备及存储介质，用以解决现有技术中植被指数生成结果受人为选择影响较大，导致植被指数生成结果不够准确的缺陷，降低人为因素对植被指数生成结果的影响，提高植被指数生成结果的准确性，以及提高植被指数生成方法的普适性。
7.第一方面，本发明提供一种植被指数生成方法，包括：
8.接收植被指数查询参数；
9.将所述植被指数查询参数输入至植被指数的反演模型，得到对应的植被指数；
10.其中，所述反演模型，通过如下步骤获取：
11.基于植被指数样本数据，以及植被指数生成装置自带的训练数据，生成样本集；其中，所述样本集包含有训练样本；
12.对所述训练样本进行训练，得到所述反演模型。
13.在一个实施例中，所述样本集还包含有：验证样本和测试样本；
14.所述反演模型的获取步骤，还包括：
15.基于所述验证样本，对所述反演模型进行验证，得到所述植被指数的反演精度；
16.基于所述测试样本，对所述反演模型的稳定性进行测试，得到所述反演模型的稳
定性数据；
17.在所述反演精度不满足目标精度，或者所述稳定性数据不满足目标稳定性的情况下，对所述反演模型进行修正。
18.在一个实施例中，所述将所述植被指数查询参数输入至植被指数的反演模型，得到对应的植被指数，包括：
19.在所述反演精度满足目标精度，以及所述稳定性数据满足目标稳定性的情况下，将所述植被指数查询参数输入至所述反演模型，得到对应的植被指数。
20.在一个实施例中，所述训练样本包含有训练数据，以及植被指数样本数据；
21.其中，所述训练样本中的训练数据作为训练输入数据，所述训练样本中的植被指数样本数据作为训练输出数据。
22.在一个实施例中，所述对所述训练样本进行训练，得到所述反演模型，包括：
23.将所述训练样本中的训练数据输入至正向长短期记忆网络层，得到第一输出数据；
24.将所述训练样本中的训练数据以时间序列的相反顺序输入至反向长短期记忆网络层，得到第二输出数据；
25.基于所述第一输出数据、所述第二输出数据以及所述训练样本中的植被指数样本数据，对所述正向长短期记忆网络层以及所述反向长短期记忆网络层进行修正，得到所述反演模型。
26.在一个实施例中，所述训练数据包含有环境数据、反射率数据、时间序列特征数据以及辅助数据。
27.第二方面，本发明提供一种植被指数生成装置，包括：
28.数据接收模块，用于接收植被指数查询参数；
29.指数生成模块，用于将所述植被指数查询参数输入至植被指数的反演模型，得到对应的植被指数；
30.其中，所述反演模型，通过如下步骤得到：
31.基于植被指数样本数据，以及植被指数生成装置自带的训练数据，生成样本集；其中，所述样本集包含有训练样本；
32.对所述训练样本进行训练，得到所述反演模型。
33.在一个实施例中，所述样本集还包含有：验证样本和测试样本；
34.所述反演模型的获取步骤，还包括：
35.基于所述验证样本，对所述反演模型进行验证，得到所述植被指数的反演精度；
36.基于所述测试样本，对所述反演模型的稳定性进行测试，得到所述反演模型的稳定性数据；
37.在所述反演精度不满足目标精度，或者所述稳定性数据不满足目标稳定性的情况下，对所述反演模型进行修正。
38.第三方面，本发明提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现上述任一种所述植被指数生成方法的步骤。
39.第四方面，本发明提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述任一种所述植被指数生成方法
的步骤。
40.本发明提供的植被指数生成方法、装置、电子设备及存储介质，在接收植被指数查询参数后，将植被指数查询参数输入至植被指数的反演模型，得到对应的植被指数；其中，反演模型通过如下步骤获取：基于植被指数样本数据，以及植被指数生成装置自带的训练数据，生成样本集；其中，样本集包含有训练样本；对训练样本进行训练，得到反演模型。
41.因而，为了得到植被数据，用户只需输入少量的植被指数样本数据得到反演模型，再输入简单的植被指数查询参数，即可得到对应的植被数据，不需要用户再输入复杂数据给计算公式进行计算，也不需要用户知道目标植被指数的计算公式，极大降低了对用户的要求。
42.避免出现因用户错误选择计算公式，或者输入复杂数据给计算公式，而导致植被指数生成结果不准确，降低人为因素对植被指数生成结果的影响，提高植被指数生成结果的准确性。
43.此外，用户只需要输入少量的样本数据，也即是与植被生长状况相关的指数数据，就能得到反演模型，通过反演模型进行数据生成，该数据生成过程可以不限制地点，可以由一个小区域得到全省、全国甚至全球的植被指数数据，因而本发明提供的提高植被指数生成方法，具有很好的普适性。
附图说明
44.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
45.图1是本发明提供的植被指数生成方法的流程示意图；
46.图2是本发明提供的植被指数生成方法的技术路线图；
47.图3是本发明提供的植被指数生成方法中的lstm网络示意图；
48.图4是本发明提供的植被指数生成装置的原理框图；
49.图5是本发明提供的电子设备的结构示意图。
具体实施方式
50.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
51.下面结合图1-图5描述本发明的植被指数生成方法、装置、电子设备及存储介质。
52.本发明提供一种植被指数生成方法，如图1所示，植被指数生成方法包括：
53.步骤110、接收植被指数查询参数。
54.需要说明的是，接收的是用户输入的植被指数查询参数，植被指数查询参数可以是用户输入的感兴趣区域，以及查询时间，例如，用户对某个区域感兴趣，就输入这个区域的名称，区域的名称可以是省份名称或者城市名称等，查询时间可以是某个年份。
55.步骤120、将植被指数查询参数输入至植被指数的反演模型，得到对应的植被指数。
56.其中，反演模型，通过如下步骤获取：
57.基于植被指数样本数据，以及植被指数生成装置自带的训练数据，生成样本集；其中，样本集包含有训练样本；
58.对训练样本进行训练，得到反演模型。
59.本发明提供的植被指数生成方法，可以结合图2所示的技术路线图进行理解。
60.可以理解的是，植被指数样本数据是用户提供的，可以是任一时间，任一区域的植被净初级生产力(即：npp)数据，也可以是叶面积指数(即：lai)数据，还可以是归一化植被指数(即：ndvi)、陆地生态系统植被总初级生产力(即：gpp)、生态系统净生产力(即：nep)、植被覆盖度(即：fvc)或者增强型植被指数(即：evi)等数据。例如，用户输入2010年某个乡镇的植被净初级生产力数据至植被指数生成装置。植被指数样本数据，是用户根据所需的植被指数进行选择。
61.例如，用户需要得到npp，那么选取部分npp数据作为植被指数样本数据，如果用户需要得到gpp，那么选取部分gpp数据作为植被指数样本数据。
62.当需要其他植被指数，如ndvi或者evi等，用户只需要将上述样本数据中的npp换成相应的植被指数即可。
63.同时，该生成装置不限制输入样本数据的地理位置，如可以通过某个城市的植被指数数据，生产得到全省和全国，甚至全球的植被指数。离输入数据位置越接近的区域，理论上反演得到的产品精度越高。
64.训练数据是植被指数生成装置自带的，为了得到样本集，只需要用户输入植被指数样本数据即可，不需要额外输入训练数据，减少了用户的工作量，降低了用户的使用难度。
65.对训练样本进行训练，得到反演模型，可以是，基于双向长短期记忆网络模型对训练样本进行训练，得到反演模型。
66.在一些实施例中，训练数据包含有环境数据、反射率数据、时间序列特征数据以及辅助数据。
67.反射率数据，也即是地标反射率数据。辅助数据，包含有地势数据，例如地理坡度、地理坡向、高程以及经纬度等。环境数据还可以包含有气象数据。
68.本发明着重于解决植被指数反演的问题，建立普适植被指数生成方法，植被在不同时间上的生长特征是相互关联，并且可以用周围环境参数以及在不同波段的地表反射率来体现。
69.在一些实施例中，样本集还包含有：验证样本和测试样本。
70.进一步地，当用户输入植被指数数据(例如npp数据)到生成装置，生成装置会根据用户输入的植被指数数据位置，处理自带的训练数据，生成样本集，样本集中，80％为训练样本，10％为验证样本，10％为测试样本。
71.反演模型的获取步骤，还包括：
72.基于验证样本，对反演模型进行验证，得到植被指数的反演精度；
73.基于测试样本，对反演模型的稳定性进行测试，得到反演模型的稳定性数据；
74.在反演精度不满足目标精度，或者稳定性数据不满足目标稳定性的情况下，对反演模型进行修正。
75.在一些实施例中，将植被指数查询参数输入至植被指数的反演模型，得到对应的植被指数，包括：
76.在反演精度满足目标精度，以及稳定性数据满足目标稳定性的情况下，将植被指数查询参数输入至反演模型，得到对应的植被指数。
77.植被指数生成装置会自带全球范围的植被指数站点数据集，植被指数站点数据集构成验证样本，对训练得到的模型结果进行精度验证，同时也会根据测试样本，分析模型稳定性，输出精度报告和稳定性报告。
78.当相应精度标准达到用户需求之后，生成装置会利用当前模型进行批量数据生产。这样就实现了用户仅需输入少量样本数据即可得到特定的植被指数的功能，实现了普适植被指数生产装置。
79.在一些实施例中，训练样本包含有训练数据，以及植被指数样本数据；可以理解的是，训练数据和植被指数样本数据均包含有多个，训练样本中包含有一部分训练数据，和一部分植被指数样本数据。
80.其中，训练样本中的训练数据作为训练输入数据，训练样本中的植被指数样本数据作为训练输出数据。
81.进一步地，训练样本、验证样本以及测试样本中均包含有样本数据和训练数据，自带的训练数据是训练输入数据，用户输入的样本数据是训练输出数据。
82.在一些实施例中，对训练样本进行训练，得到反演模型，包括：
83.将训练样本中的训练数据输入至正向长短期记忆网络层，得到第一输出数据；
84.将训练样本中的训练数据以时间序列的相反顺序输入至反向长短期记忆网络层，得到第二输出数据；
85.基于第一输出数据、第二输出数据以及训练样本中的植被指数样本数据，对正向长短期记忆网络层以及反向长短期记忆网络层进行修正，得到反演模型。
86.可以理解的是，反演模型可以是一个基于bi-lstm(即：双向长短时记忆网络)深度学习算法的神经网络模型，也即是两个相反方向的多层lstm(即：长短期记忆网络)深度学习算法网络模型。
87.本发明采用了bi-lstm深度学习算法，主要是基于植被生长周期的特征。植被在不同的季节，不同的时间(白天夜晚)，以及不同的植被的反射率均不相同，可以采用bi-lstm深度学习算法来模拟植被生长状况，计算植被指数。
88.bi-lstm深度学习算法可以很好的捕捉时间相关性，在不同的领域中都是可得非常良好的效果。
89.本发明采用了bi-lstm深度学习算法，如图3所示。将训练样本的1-12个月的地表反射率数据，及其他数据输入到该bi-lstm深度学习算法模型中的lstm层。同时使用bi-lstm深度学习算法模型中，lstm层的反向版本，将数据以时间序列的相反顺序输入，提高反演精度。
90.综上所述，本发明提供的植被指数生成方法，在接收植被指数查询参数后，将植被指数查询参数输入至植被指数的反演模型，得到对应的植被指数；其中，反演模型通过如下
步骤获取：基于植被指数样本数据，以及植被指数生成装置自带的训练数据，生成样本集；其中，样本集包含有训练样本；对训练样本进行训练，得到反演模型。
91.因而，为了得到植被数据，用户只需输入少量的植被指数样本数据得到反演模型，再输入简单的植被指数查询参数，即可得到对应的植被数据，不需要用户再输入复杂数据给计算公式进行计算，也不需要用户知道目标植被指数的计算公式，极大降低了对用户的要求。
92.避免出现因用户错误选择计算公式，或者输入复杂数据给计算公式，而导致植被指数生成结果不准确，降低人为因素对植被指数生成结果的影响，提高植被指数生成结果的准确性。
93.此外，用户只需要输入少量的样本数据，也即是与植被生长状况相关的指数数据，就能得到反演模型，通过反演模型进行数据生成，该数据生成过程可以不限制地点，可以由一个小区域得到全省、全国甚至全球的植被指数数据，因而本发明提供的提高植被指数生成方法，具有很好的普适性。相对于传统的物理过程方法以及一般的深度学习建模，
94.本发明创造性的跳过物理公式选择，以及输入数据的限制，能够生产出任意的植被指数。本发明提供的方法具有灵活性、准确性和实时性，能够提供用户所需的植被指数，丰富了智慧城市建设中数据的选择，有助于自然资源监测、土地占用监测、耕地反演分析以及自然灾害预警等智能化场景应用。
95.下面对本发明提供的植被指数生成装置进行描述，下文描述的植被指数生成装置与上文描述的植被指数生成方法可相互对应参照。
96.如图4所示，植被指数生成装置400包括：数据接收模块410和指数生成模块420。
97.数据接收模块410用于接收植被指数查询参数。
98.指数生成模块420用于将植被指数查询参数输入至植被指数的反演模型，得到对应的植被指数。
99.其中，反演模型，通过如下步骤得到：
100.基于植被指数样本数据，以及植被指数生成装置400自带的训练数据，生成样本集；其中，样本集包含有训练样本；
101.对训练样本进行训练，得到反演模型。
102.在一些实施例中，样本集还包含有：验证样本和测试样本；
103.反演模型的获取步骤，还包括：
104.基于验证样本，对反演模型进行验证，得到植被指数的反演精度；
105.基于测试样本，对反演模型的稳定性进行测试，得到反演模型的稳定性数据；
106.在反演精度不满足目标精度，或者稳定性数据不满足目标稳定性的情况下，对反演模型进行修正。
107.在一些实施例中，指数生成模块420进一步用于在反演精度满足目标精度，以及稳定性数据满足目标稳定性的情况下，将植被指数查询参数输入至反演模型，得到对应的植被指数。
108.在一些实施例中，训练样本包含有训练数据，以及植被指数样本数据。
109.其中，训练样本中的训练数据作为训练输入数据，训练样本中的植被指数样本数据作为训练输出数据。
110.在一些实施例中，对训练样本进行训练，得到反演模型，包括：
111.将训练样本中的训练数据输入至正向长短期记忆网络层，得到第一输出数据；
112.将训练样本中的训练数据以时间序列的相反顺序输入至反向长短期记忆网络层，得到第二输出数据；
113.基于第一输出数据、第二输出数据以及训练样本中的植被指数样本数据，对正向长短期记忆网络层以及反向长短期记忆网络层进行修正，得到反演模型。
114.在一些实施例中，训练数据包含有环境数据、反射率数据、时间序列特征数据以及辅助数据。
115.下面对本发明提供的电子设备及存储介质进行描述，下文描述的电子设备及存储介质与上文描述的植被指数生成方法可相互对应参照。
116.图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communication interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的计算机程序，以执行植被指数生成方法的步骤，例如包括：
117.步骤110、接收植被指数查询参数；
118.步骤120、将植被指数查询参数输入至植被指数的反演模型，得到对应的植被指数。
119.其中，反演模型，通过如下步骤获取：
120.基于植被指数样本数据，以及植被指数生成装置自带的训练数据，生成样本集；其中，样本集包含有训练样本；
121.对训练样本进行训练，得到反演模型。
122.此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
123.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的植被指数生成方法，该方法包括：
124.步骤110、接收植被指数查询参数；
125.步骤120、将植被指数查询参数输入至植被指数的反演模型，得到对应的植被指数。
126.其中，反演模型，通过如下步骤获取：
127.基于植被指数样本数据，以及植被指数生成装置自带的训练数据，生成样本集；其
中，样本集包含有训练样本；
128.对训练样本进行训练，得到反演模型。
129.另一方面，本技术实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的方法，例如包括：
130.步骤110、接收植被指数查询参数；
131.步骤120、将植被指数查询参数输入至植被指数的反演模型，得到对应的植被指数。
132.其中，反演模型，通过如下步骤获取：
133.基于植被指数样本数据，以及植被指数生成装置自带的训练数据，生成样本集；其中，样本集包含有训练样本；
134.对训练样本进行训练，得到反演模型。
135.所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd))等。
136.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
137.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
138.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。