【技术实现步骤摘要】
基于深度学习的超分辨率土地覆被分类图的获取方法
本专利技术涉及深度学习
，尤其涉及一种基于深度学习的超分辨率土地覆被分类图的获取方法。
技术介绍
土地覆盖是指地球表面的植被覆盖物和人工覆盖物的总称，是自然植被与自然营造体和人工建造所覆盖的地表诸要素的综合反映。土地覆盖是人类认识自然、掌握自然规律必备的信息，也是各种资源管理和地理信息服务所需要的最基本数据。因此，土地覆被信息的获取、分析和更新显得极其重要。遥感影像数据以其宏观性，实时性的特点，一直以来都是土地覆盖检测的重要手段。目前基于遥感数据的土地覆被分类方法一般分为两种，一种是基于遥感原始图像作为目视解译的传统方法；另一种则是利用深度学习的思想基于遥感的数据产品(包括一级产品和更高级产品)的智能分类。土地覆被分类图已被广泛使用，但是越来越需要更高的时空分辨率的土地覆被分类图。高温卫星数据往往具有较粗糙的空间分辨率，而高空间分辨率卫星数据通常具有较低的时间分辨率。生产高空间和时间分辨率的土地覆盖分类产品极具挑战性。超分辨率方法可以帮助实现这一目标，但是...
【技术保护点】
1.一种基于深度学习的超分辨率土地覆被分类图的获取方法，其特征在于，包括：/n确定低时空分辨率的土地覆盖图；/n将所述低时空分辨率的土地覆盖图输入超分辨率提取模型，输出对应于所述低时空分辨率的土地覆盖图的超分辨率土地覆被分类图；/n其中，所述超分辨率提取模型是基于样本低时空分辨率的土地覆盖图和对应于各样本低时空分辨率的土地覆盖图的超分辨率土地覆被分类图标签进行训练后得到的，所述超分辨率提取模型采用卷积运算单元与LSTM网络级联后建立的网络进行训练，所述卷积运算单元使用的卷积核是X*1矩形卷积核，X为大于0的整数。/n
【技术特征摘要】
1.一种基于深度学习的超分辨率土地覆被分类图的获取方法，其特征在于，包括：
确定低时空分辨率的土地覆盖图；
将所述低时空分辨率的土地覆盖图输入超分辨率提取模型，输出对应于所述低时空分辨率的土地覆盖图的超分辨率土地覆被分类图；
其中，所述超分辨率提取模型是基于样本低时空分辨率的土地覆盖图和对应于各样本低时空分辨率的土地覆盖图的超分辨率土地覆被分类图标签进行训练后得到的，所述超分辨率提取模型采用卷积运算单元与LSTM网络级联后建立的网络进行训练，所述卷积运算单元使用的卷积核是X*1矩形卷积核，X为大于0的整数。
2.根据权利要求1所述的基于深度学习的超分辨率土地覆被分类图的获取方法，其特征在于，对应于各样本低时空分辨率的土地覆盖图的超分辨率土地覆被分类图标签的获取，具体包括：
采用人工插值对各样本低时空分辨率的土地覆盖图进行上采样，得到对应于各样本低时空分辨率的土地覆盖图的超分辨率土地覆被分类图标签，
其中，土地覆被分类类别为基于CNLUCC类别合并而成的10种大类别。
3.根据权利要求1或2所述的基于深度学习的超分辨率土地覆被分类图的获取方法，其特征在于，所述样本低时空分辨率的土地覆盖图，具体包括：
由GLASS-LAI特征参量、GLASS-FAPAR特征参量、GLASS-GPP特征参量、GLASS-albedo特征参量、GLASS-ET特征参量和GLASS-FVC特征参量构成所述样本低时空分辨率的土地覆盖图。
4.根据权利要求3所述的基于深度学习的超分辨率土地覆被分类图的获取方法，其特征在于，所述由GLASS-LAI特征参量、GLASS-FAPAR特征参量、GLASS-GPP特征参量、GLASS-albedo特征参量、GLASS-ET特征参量和GLASS-FVC特征参量构成所述样本低时空分辨率的土地覆盖图，具体包括：
所述样本低时空分辨率的土地覆盖图Y包含T个帧，第t个帧yt对应第t个采样时间上的低时空分辨率的土地覆盖图，如下式表示：
Y＝{y1，y2，y3，……，yt，……，yT}
其中，分别对应第t个采样时间上的GLASS-LAI特征参量、第t个采样时间上的GLASS-FAPAR特征参量、第t个采样时间上的GLASS-GPP特征参量、第t个采样时间上的GLASS-albedo特征参量、第t个采样时间上的GLASS-ET特征参量和第t个采样时间上的GLASS-FVC特征参量。
5.一种基于深度学习的超分辨率土地覆被分类图的获取装置，其特征在于，包括：
确定单元，用于确定低时空分辨率的土地覆盖图；
提取单元，用于将所述低时空分辨率的土地覆盖图输入超分辨率提取模型，输出对应于所述低时空分...
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。