生长参数主被动遥感反演方法及装置制造方法及图纸

本发明专利技术提供一种生长参数主被动遥感反演方法及装置，包括：获取待预测区域的光学和雷达遥感影像；将所述待预测区域的光学和雷达遥感影像输入至训练好的半监督深度学习模型，输出待预测区域的生长参数；其中，所述训练好的半监督深度学习模型是基于无标注数据样本和有标注数据样本对预先构建的半监督深度学习模型进行训练后得到的。本发明专利技术提供的生长参数主被动遥感反演方法及装置，通过半监督深度学习模型实现了光学和雷达遥感特征的深层提取和有效融合，解决了常用的光学和雷达遥感数据结合不充分的问题，并通过对无标注遥感数据挖掘信息，有效解决了数据增广方法不能引入新信息的问题，从而提高了生长参数的反演精度。从而提高了生长参数的反演精度。从而提高了生长参数的反演精度。

【技术实现步骤摘要】
生长参数主被动遥感反演方法及装置


[0001]本专利技术涉及定量遥感反演
，尤其涉及一种生长参数主被动遥感反演方法及装置。

技术介绍

[0002]叶面积指数(Leaf Area Index,LAI)和生物量是玉米等植物重要的生长参数，能够为生长状况评估、温度胁迫、水分胁迫、病虫害防治、早期估产等提供重要信息，目前被广泛用于田间管理决策和早期估产。
[0003]常用的光学和雷达数据结合的方法主要包括：植被指数融合法、分段反演法和数据同化法。其中植被指数融合法最为简单易用，但该方法仅用了少数几个波段的信息用于计算植被指数，并未实现光学和雷达数据的充分利用。为避免反演中的饱和现象，有研究学者将生长参数的反演过程分为两段：LAI<3和LAI>＝3，也有研究学者通过数据同化的方法，将光学和雷达数据提取的部分特征输入到作物生长模型中，实现二者的结合反演生长参数。
[0004]可见，尽管以上方法都实现了生长参数的主被动反演，但依然未实现光学和雷达数据的高效和深度融合，导致生长参数的反演精度依然偏低。

技术实现思路

[0005]本专利技术提供一种生长参数主被动遥感反演方法及装置，用以解决现有技术中的上述技术问题。
[0006]本专利技术提供一种生长参数主被动遥感反演方法，包括：
[0007]获取待预测区域的光学和雷达遥感影像；
[0008]将所述待预测区域的光学和雷达遥感影像输入至训练好的半监督深度学习模型，输出待预测区域的生长参数；
[0009]其中，所述训练好的半监督深度学习模型是基于无标注数据样本和有标注数据样本对预先构建的半监督深度学习模型进行训练后得到的。
[0010]根据本专利技术提供的一种生长参数主被动遥感反演方法，对预先构建的半监督深度学习模型的训练步骤如下：
[0011]对光学和雷达遥感影像样本，按照3*3窗口进行切块处理；
[0012]对每一切块取其中心像元，组成中心像元数据样本集，并对每一切块取其中心像元的邻域像元，组成邻域像元数据样本集；
[0013]利用所述中心像元数据样本集和所述邻域像元数据样本集对预先构建的半监督深度学习模型进行训练。
[0014]根据本专利技术提供的一种生长参数主被动遥感反演方法，所述对每一切块取其中心像元，组成中心像元数据样本集，并对每一切块取其中心像元的邻域像元，组成邻域像元数据样本集之前，还包括：
[0015]对每一切块进行过滤处理，滤除异常切块。
[0016]根据本专利技术提供的一种生长参数主被动遥感反演方法，对预先构建的半监督深度学习模型的训练时的损失函数包括基于负采样的邻域像元或中心像元识别损失函数、基于重建的半监督损失函数和基于最小均方误差的回归损失函数。
[0017]根据本专利技术提供的一种生长参数主被动遥感反演方法，所述半监督深度学习模型包括融合层和回归层；
[0018]所述融合层用于对中心像元中的光学与雷达遥感数据，以及邻域像元中的光学与雷达遥感数据进行融合；
[0019]所述回归层用于将融合层输出的数据与时间向量进行级联处理，再将级联处理后的数据输入多层感知机。
[0020]根据本专利技术提供的一种生长参数主被动遥感反演方法，所述多层感知机由多层全连接层组成，且所述多层感知机的激活函数为线性整流函数。
[0021]根据本专利技术提供的一种生长参数主被动遥感反演方法，所述将所述待预测区域的光学和雷达遥感影像输入至训练好的半监督深度学习模型之前，还包括：
[0022]对待预测区域的光学和雷达遥感影像进行预处理和归一化。
[0023]本专利技术还提供一种生长参数主被动遥感反演装置，包括：
[0024]获取模块，用于获取待预测区域的光学和雷达遥感影像；
[0025]反演模块，用于将所述待预测区域的光学和雷达遥感影像输入至训练好的半监督深度学习模型，输出待预测区域的生长参数；
[0026]其中，所述训练好的半监督深度学习模型是基于无标注数据样本和有标注数据样本对预先构建的半监督深度学习模型进行训练后得到的。
[0027]本专利技术还提供一种电子设备，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程序时实现如上述任一种所述生长参数主被动遥感反演方法的步骤。
[0028]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述生长参数主被动遥感反演方法的步骤。
[0029]本专利技术提供的生长参数主被动遥感反演方法及装置，通过半监督深度学习模型实现了光学和雷达遥感特征的深层提取和有效融合，解决了常用的光学和雷达遥感数据结合不充分的问题，并通过对无标注遥感数据挖掘信息，有效解决了数据增广方法不能引入新信息的问题，从而提高了生长参数的反演精度。
附图说明
[0030]为了更清楚地说明本专利技术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专利技术的一些实施例，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。
[0031]图1是本专利技术提供的生长参数主被动遥感反演方法的流程示意图；
[0032]图2是本专利技术提供的邻域像元与中心像元构建模型示意图；
[0033]图3是本专利技术提供的基于半监督的LAI及生物量反演框架模型的结构图；
[0034]图4是本专利技术提供的基于半监督的LAI及生物量反演框架模型的训练逻辑流程图；
[0035]图5是本专利技术提供的生长参数主被动遥感反演装置的流程示意图；
[0036]图6是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0037]叶面积指数(LAI)和生物量是玉米、大豆等植物重要的生长参数。以玉米为例，LAI能够为玉米生长状况评估、温度胁迫、水分胁迫、病虫害防治、早期估产等提供重要信息，目前被广泛用于田间管理决策和早期估产。传统的获取LAI和生物量的方法主要依靠田间采样和人工测量，耗时耗力。而遥感反演法依靠少量实测数据和遥感数据构建反演模型，便能实现大区域测量。然而，基于光学遥感的反演方法易受云雨天气影响，且容易出现饱和现象，导致反演精度受限。雷达遥感具有一定穿透性，能够反映玉米冠层立体结构特征，有助于克服光学遥感中出现的饱和现象，但易受土壤背景和地形因素等影响，导致估算LAI和生物量仍然存在误差。因此，基于光学和雷达数据实现玉米LAI和生物量的主被动反演成为当前的一个研究热点。
[0038]常用的光学和雷达数据结合的方法主要包括：植被指数融合法、分段反演法和数据同化法。其中植被指数融合法最为简单易用，但该方法仅用了少数几个波段的信息用于计算植被指数，并未实现光学和雷达数据的充分利用。为避免反演中的饱和现象，有方案提出将生长参数的反演过程分为两段：LAI<3和LAI>＝3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生长参数主被动遥感反演方法，其特征在于，包括：获取待预测区域的光学和雷达遥感影像；将所述待预测区域的光学和雷达遥感影像输入至训练好的半监督深度学习模型，输出待预测区域的生长参数；其中，所述训练好的半监督深度学习模型是基于无标注数据样本和有标注数据样本对预先构建的半监督深度学习模型进行训练后得到的。2.根据权利要求1所述的生长参数主被动遥感反演方法，其特征在于，对预先构建的半监督深度学习模型的训练步骤如下：对光学和雷达遥感影像样本，按照3*3窗口进行切块处理；对每一切块取其中心像元，组成中心像元数据样本集，并对每一切块取其中心像元的邻域像元，组成邻域像元数据样本集；利用所述中心像元数据样本集和所述邻域像元数据样本集对预先构建的半监督深度学习模型进行训练。3.根据权利要求2所述的生长参数主被动遥感反演方法，其特征在于，所述对每一切块取其中心像元，组成中心像元数据样本集，并对每一切块取其中心像元的邻域像元，组成邻域像元数据样本集之前，还包括：对每一切块进行过滤处理，滤除异常切块。4.根据权利要求2所述的生长参数主被动遥感反演方法，其特征在于，对预先构建的半监督深度学习模型的训练时的损失函数包括基于负采样的邻域像元或中心像元识别损失函数、基于重建的半监督损失函数和基于最小均方误差的回归损失函数。5.根据权利要求1所述的生长参数主被动遥感反演方法，其特征在于，所述半监督深度学习模型包括融合层和回归层；所述融合层用于对中心像元中的光...

【专利技术属性】
技术研发人员：雒培磊，黄文江，叶回春，廖静娟，张弼尧，任淯，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：