滨海湿地植被地上生物量GAN模型自学习遥感反演方法技术

滨海湿地植被地上生物量GAN模型自学习遥感反演方法，涉及卫星遥感技术领域，包括如下步骤：步骤1、针对滨海湿地植被优选出GAN网络的特征约束因子，设计受特征约束因子约束的生成对抗网络模型；步骤2、利用生成对抗网络模型生成的生物量样本数据构建线性回归模型反演植被地上生物量。本发明专利技术能够提高滨海湿地植被生物量的反演精度，解决因现场生物量数据少导致的滨海湿地植被生物量反演模型难构建和反演精度不高的问题。演精度不高的问题。演精度不高的问题。

【技术实现步骤摘要】
滨海湿地植被地上生物量GAN模型自学习遥感反演方法


[0001]本专利技术涉及卫星遥感
，特别是涉及滨海湿地植被地上生物量GAN模型自学习遥感反演方法。

技术介绍

[0002]随着全球对“蓝碳”的关注度上升，滨海湿地作为海岸带“蓝碳”生态系统的主体，对碳循环的重要性也突显出来。
[0003]湿生植被是滨海湿地生态系统的重要组成部分，其生物量是衡量滨海湿地生态系统初级生产力的主要指标之一，其不仅是研究滨海湿地生态系统结构和功能的基础，同时也是研究滨海湿地生态系统的固碳能力、碳循环乃至预测全球变化的科学依据。
[0004]现有技术中，关于滨海湿地生物量的大面积估算主要有2种手段：
[0005]1、通过人工测量推算的方法：该方法属于传统方法，存在着明显缺陷，体现在：该方法需要基于现场采集的大量分布的各类型样方生物量样本数据，计算各类型样方地上部分干重平均值，方可得到各植被类型中单位面积地上部分生物量，进而推算出区域内的地上总生物量。该方法需要进行大量的野外调查获取各植被类型的分布信息和生物量样本，这将耗费大量的人力物力，而且通过单位面积生物量推算研究区生物量的方式精确性往往不高。
[0006]2、通过卫星遥感反演的方法：该方法基于地上生物量样本和卫星地物光谱特征建立模型反演植被生物量，而且可以实现对研究区域内植被信息分布的精确把控，相比于传统的估算模式有很大优势，但还存在着如下缺陷：反演模型的构建需要大量的现场样本进行训练，而滨海湿地多位于无人区，自然条件比较恶劣，调查人员难以收集到大量的生物量样本。在现场样本数量少的情况下，所构建的反演模型会出现过拟合、泛化性能低的问题，反演结果不具备参考和应用价值。
[0007]近年来，基于神经网络、深度学习结合卫星遥感技术，在很多领域取得了成功应用，但在样本不足情况下的滨海湿地生物量反演方面尚缺乏行之有效的解决办法，而精确、有效地测算滨海湿地生物量，对滨海湿地生态环境监测和保护都具有重要意义，因此，有必要对现有的问题提供技术解决方法。

技术实现思路

[0008]本专利技术提供了滨海湿地植被地上生物量GAN模型自学习遥感反演方法，该方法通过优选特征因子作为约束条件，搭建基于生成对抗网络的生物量样本增广模型，实现了基于联合卫星多光谱数据和现场采样数据的滨海湿地植被地上生物量样本的扩充，并分别构建了芦苇、碱蓬、柽柳和互花米草4种滨海湿地植被生物量的多元回归模型，得到了良好的生物量反演结果。
[0009]为了实现上述目的，本专利技术的技术方案为：
[0010]滨海湿地植被地上生物量GAN模型自学习遥感反演方法，包括如下步骤：
[0011]步骤1、针对滨海湿地植被优选出GAN网络的特征约束因子，设计受特征约束因子约束的生成对抗网络模型；
[0012]步骤2、利用所设计的生成对抗网络模型生成的生物量样本数据构建线性回归模型反演植被地上生物量。
[0013]优选的，所述的步骤1中，包括如下具体步骤：
[0014]S1、获取卫星多光谱遥感图像数据；
[0015]S2、现场测量植被冠层光谱数据，人工采集样本，利用光谱处理软件View Spec Pro对所测的植被冠层光谱数据分析和处理，从而得到植被的现场高光谱数据，经实验室内烘干称重处理，计算出单位面积的地上生物量值；
[0016]S3、进行特征提取，基于相关性分析筛选特征变量、确定特征约束因子；
[0017]S4、遥感多光谱数据与现场高光谱数据的波段等效转换；
[0018]S5、获得基于特征约束因子约束的生成对抗网络模型。
[0019]优选的，所述的S2中，在满足天气状况良好、光谱采集时间合适的情况下，进行现场样本采集，采集的方法为：
[0020]记录现场数据采集站点的植被类型，选取合适样方，以手持GPS记录样方的经纬度坐标，记录样方内植被生长参数，测量植被冠层光谱，采集现场样方内植被样本；
[0021]对于草本植被样本，在植被生长均匀区域以0.5m
×
0.5m为样方采集植物样本，在植被生长不均匀区域，于10m
×
10m内随机获取5个0.5m
×
0.5m子样方内的植被样本；对于灌丛植被，获取植被的冠幅宽度、基直径，并采集部分地上干、枝样本；
[0022]将上述条件下具有代表性的植被样方内的植株齐地割下，标记站点信息；
[0023]所采集的植被样本装袋带回实验室，使用烘箱将植物样本在80℃恒温下烘干24小时至恒重后称其干重，并结合现场调查记录信息计算出单位面积的生物量值，单位为kg/m2。
[0024]优选的，所述的S3包括如下步骤：
[0025]S31、将现场高光谱数据模拟的多光谱数据的光谱特征和植被指数特征作为待选变量，通过相关性分析方法对这些特征进行筛选，筛选出的优选变量与光谱特征和生物量构成GAN模型的特征约束因子，用于对模型生成的生物量样本进行约束。
[0026]优选的，所述的步骤S31中，对光谱特征中10个光谱波段进行两两组合带入6种植被指数计算得到270个植被指数特征变量，将10个光谱特征和270个植被指数特征变量共280个特征变量作为待选变量，6个植被指数指的是NDVI、DVI、RVI、SAVI、MSAVI和OSAVI；基于皮尔逊相关系数R的计算公式(1)计算出待选变量中的生物量特征强相关且特征内部之间弱相关的变量作为优选变量；其中R的绝对值越接近1为强相关；R的绝对值越接近0为弱相关；将优选变量作为GAN生成样本的部分特征约束因子，并用于植被生物量反演模型的构建：
[0027][0028]式中，R为皮尔逊相关系数，x
i
和y
i
为自变量和因变量在各样点i的值，n为样点个数。
[0029]优选的，所述的S4包括如下步骤：
[0030]通过植被的现场高光谱数据与卫星多光谱遥感图像数据之间的光谱转换模型，制作模拟卫星的光谱
‑
生物量样本数据集，作为滨海湿地植被生物量数据扩充的基础数据；转换操作如下：
[0031](1)卫星波段转换：建立现场高光谱数据中的窄波段与卫星多光谱遥感图像数据中的宽波段之间的转换，采用公式(2)进行计算：
[0032][0033]式中ρ是模拟卫星宽波段的反射率，λ
min
、λ
max
分别为卫星传感器光谱探测的起始和终止波长，S(λ)为卫星传感器在λ波长的光谱响应函数值，ρ(λ)是湿地植被冠层光谱在λ波长的反射率；
[0034](2)宽波段间线性转换：建立模拟卫星光谱与卫星光谱的线性转换关系，利用模拟卫星数据与卫星数据构建线性回归模型对两数据源的各对应波段进行反射率转换。
[0035]优选的，所述的S5包括如下步骤：
[0036]针对基于模拟卫星的光谱
‑
生物量样本数据集，设计GAN
‑
FC模型，在生成样本的过程中加入特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.滨海湿地植被地上生物量GAN模型自学习遥感反演方法，其特征为：包括如下步骤：步骤1、针对滨海湿地植被优选出GAN网络的特征约束因子，设计受特征约束因子约束的生成对抗网络模型；步骤2、利用所设计的生成对抗网络模型生成的生物量样本数据构建线性回归模型反演植被地上生物量。2.如权利要求1所述的滨海湿地植被地上生物量GAN模型自学习遥感反演方法，其特征为：所述的步骤1中，包括如下具体步骤：S1、获取卫星多光谱遥感图像数据；S2、现场测量植被冠层光谱数据，人工采集样本，利用光谱处理软件View Spec Pro对所测的植被冠层光谱数据分析和处理，从而得到植被的现场高光谱数据，经实验室内烘干称重处理，计算出单位面积的地上生物量值；S3、进行特征提取，基于相关性分析筛选特征变量、确定特征约束因子；S4、遥感多光谱数据与现场高光谱数据的波段等效转换；S5、获得基于特征约束因子约束的生成对抗网络模型。3.如权利要求2所述的滨海湿地植被地上生物量GAN模型自学习遥感反演方法，其特征为：所述的S2中，在满足天气状况良好、光谱采集时间合适的情况下，进行现场样本采集，采集的方法为：记录现场数据采集站点的植被类型，选取合适样方，以手持GPS记录样方的经纬度坐标，记录样方内植被生长参数，测量植被冠层光谱，采集现场样方内植被样本；对于草本植被样本，在植被生长均匀区域以0.5m
×
0.5m为样方采集植物样本，在植被生长不均匀区域，于10m
×
10m内随机获取5个0.5m
×
0.5m子样方内的植被样本；对于灌丛植被，获取植被的冠幅宽度、基直径，并采集部分地上干、枝样本；将上述条件下具有代表性的植被样方内的植株齐地割下，标记站点信息；所采集的植被样本装袋带回实验室，使用烘箱将植物样本在80℃恒温下烘干24小时至恒重后称其干重，并结合现场调查记录信息计算出单位面积的生物量值，单位为kg/m2。4.如权利要求3所述的滨海湿地植被地上生物量GAN模型自学习遥感反演方法，其特征为：所述的S3包括如下步骤：S31、将现场高光谱数据模拟的多光谱数据的光谱特征和植被指数特征作为待选变量，通过相关性分析方法对这些特征进行筛选，筛选出的优选变量与光谱特征和生物量构成GAN模型的特征约束因子，用于对模型生成的生物量样本进行约束。5.如权利要求4所述的滨海湿地植被地上生物量GAN模型自学习遥感反演方法，其特征为：所述的步骤S31中，对光谱特征中10个光谱波段进行两两组合带入6种植被指数计算得到270个植被指数特征变量，将10个光谱特征和270个植被指数特征变量共280个特征变量作为待选变量，6个植被指数指的是NDVI、DVI、RVI、SAVI、MSAVI和OSAVI；基于皮尔逊相关系数R的计算公式(1)计算出待选变量中的生物量特征强相关且特征内部之间弱相关的变量作为优选变量；其中R的绝对值越接近1为强相关；R的绝对值越接近0为弱相关；将优选变量作为GAN生成样本的部分特征约束因子，并用于植被生物量反演模型的构建：
式中，R为皮尔逊相关系数，x
i
和y
i
为自变量和因变量在各样点i的值，n为样点个数。6.如权利要求5所述的滨海湿地植被地上生物量GAN模型自学习遥感反演方法，其特征为：所述的S4包括如下步骤：通过植被的现场高光谱数据与卫星多光谱遥感图像数据之间的光谱转换模型，制作模拟卫星的光谱
‑
生物量样本数据集，作为滨海湿地植被生...

【专利技术属性】
技术研发人员：马毅，陈琛，任广波，王建步，
申请(专利权)人：自然资源部第一海洋研究所，
类型：发明
国别省市：