【技术实现步骤摘要】
一种叶面积指数反演方法及装置
本申请涉及遥感数据处理领域，尤其涉及一种叶面积指数反演方法及装置。
技术介绍
植被的叶面积指数定义为：单位地表面积上的全部植被的叶面积的总和。植被的叶面积指数是表征植被冠层结构的关键参量之一。其与植被的众多生物和物理过程密切相关，例如，光合作用、呼吸作用、碳循环、蒸腾作用和地表净初级生产力等。通常采用植被的遥感光谱反射率数据确定植被的叶面积指数，将该过程称为叶面积指数的反演过程。目前，常用的叶面积指数的是基于统计方法反演得到，具体的，统计方法包括：首先根据植被的遥感光谱反射率计算出植被指数(例如，归一化植被指数或比值植被指数等)，然后，寻找植被指数与叶面积指数间的映射关系，得到叶面积指数。但是，基于统计方法反演得到的叶面积指数的精度低。
技术实现思路
专利技术人在研究的过程中发现，深度神经网络模型相比于传统的统计方法，具有较好的预测精度，因此，可以使用深度神经网络模型进行叶面积指数的反演，但是，仅仅将深度神经网络模型简单移植到叶面积指数的反演的场景下，并不可取，因为叶面积指数的反演的场景下输入和输出数据之间的数据维度相差较大，因此，需要关...
【技术保护点】
1.一种叶面积指数反演方法，其特征在于，包括：获取遥感植被冠层光谱反射率数据；将所述遥感植被冠层光谱反射率数据输入预先训练的深度神经网络模型，得到所述深度神经网络模型输出的叶面积指数，所述深度神经网络模型至少包括卷积层，所述卷积层的采样步幅大于1，并且取不大于所述卷积层使用的滤波器的尺度的数值中的最大值。
【技术特征摘要】
1.一种叶面积指数反演方法，其特征在于，包括：获取遥感植被冠层光谱反射率数据；将所述遥感植被冠层光谱反射率数据输入预先训练的深度神经网络模型，得到所述深度神经网络模型输出的叶面积指数，所述深度神经网络模型至少包括卷积层，所述卷积层的采样步幅大于1，并且取不大于所述卷积层使用的滤波器的尺度的数值中的最大值。2.根据权利要求1所述的方法，其特征在于，所述预设的神经网络模型是采用训练样本训练得到；所述训练样本包括预设的植被光谱发射率数据，以及与所述预设的植被光谱反射率数据对应的叶面积指数；所述预设的植被光谱反射率数据为在所述遥感植被冠层光谱反射率数据中的比例为0.14％的数据。3.根据权利要求1所述的方法，其特征在于，所述卷积层包括：第一个卷积层与第二个卷积层，所述第一个卷积层与所述第二个卷积层连接；所述第一卷积层的滤波器尺寸为1*3，采样步幅为3，所述第二个卷积层的滤波器尺寸为1*3，采样步幅为3。4.根据权利要求3所述的方法，其特征在于，所述深度神经网络模型还包括：一个池化层；所述第二个卷积层与所述池化层连接。5.根据权利要求4所述的方法，其特征在于，所述深度神经网络模型还包括：三个全连接层，分别为第一个全连接层，第二个全连接层与第三个全连接层；所述池化层与所述第一个全连接层连接，所述第一个全连接层输出的数据，输入随机失活(Dropout)，所述Dropout输出的数据输入所述第二个全连接层，所述第二个全连接层与所述第三个全连接层连接。6.根据权利要求5所述的方法，其特征在于，所述第二个卷积层输出的数据输入预设的第一ReLU激活函数，所述第一ReLU激活函数输出的数据输入所述池化层，所述池化层输出的数据输入所述第一个全连接层，所述第一个全连接层输出的数据输入预设的第二ReLU激活函数，所述第二ReLU激活函数输出的数据输入所述Dropout，所述Dropout输出的数据输入所述第二个全连接层，所述第二个全连接层输出的数据输入预设的第三ReLU激活函数，所述第三ReLU激活函数输出的数据输入所述第三个全连接层，所述第三个全连接层输出的数据输入预设的Sigmoid函数。7.一种叶面积...
【专利技术属性】
技术研发人员：董莹莹，李雪玲，朱溢佞，叶回春，黄文江，
申请(专利权)人：中国科学院遥感与数字地球研究所，首都师范大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。