归一化植被指数重构模型的训练方法和重构方法技术

本公开提供了一种归一化植被指数重构模型的训练方法和归一化植被指数重构方法，训练方法包括：获取归一化植被指数数据以及对应的地表参量再分析数据，地表参量再分析数据包括多个时间序列参数，其中，多个时间序列参数包括稳态因子和动态变量，稳态因子在空间上的分布随时间变化幅度小于动态变量在空间上的分布随时间变化幅度；根据地表参量再分析数据和归一化植被指数生成训练样本数据集；以及利用训练样本数据集训练待训练的归一化植被指数重构模型，得到归一化植被指数重构模型。得到归一化植被指数重构模型。得到归一化植被指数重构模型。

【技术实现步骤摘要】
归一化植被指数重构模型的训练方法和重构方法


[0001]本公开涉及地表植被生长
，尤其是涉及一种基于机器学习的历史归一化植被指数重构模型的训练方法和历史归一化植被指数重构方法。

技术介绍

[0002]植被指数是对地表植被生长状况的定量化表达，主要反映植被在可见光、近红外波段与土壤背景之间反射率的差异。源于卫星遥感数据的植被指数序列能够在多个尺度上反映植被生长、地表覆盖变化等信息，成为全球变化研究的数据基础。历史植被指数重构研究是探索全球变化影响、对接联合国可持续发展目标的科学实践，对于历史气候变化及植被演化机制分析具有重要的数据支撑意义。但目前对于遥感技术成熟之前的植被指数数据的挖掘和重构研究相对较少，代用资料支撑下的历史重建数据时间间隔跨度较大，无法形成序列完整且连续的高精度植被指数产品。为了挖掘和认识全球变化背景下历史长时间植被生长变化规律和特征，支撑全球气候变化研究和区域可持续发展，亟需借助多源参量数据和新型模型技术构建长时间序列植被指数数据产品。
[0003]时序数据重构旨在利用多种数值分析方法来模拟数据随时间的变化规律，从而对其进行优化，为相关研究提供更加完备的数据基础。植被指数重构主要包含两个方面的内容，一是结合相关因子数据来重构目前植被指数数据产品时间范围以外的数据，扩大和延长数据时序范围的研究；另一种是对目前已有的植被指数数据产品通过算法进行提高时空分辨率，减少大气干扰从而提高植被指数数据质量的研究。
[0004]在历史时期植被指数的填补重构方面，已有科学研究主要基于大量历史记录、代用资料和现有数据产品进行重构，从而挖掘历史时期植被和气候特征及变化规律。如Pound等(2011)基于第三纪环境植被信息系统提供的223个植被样点，结合历史文献和中新世晚期气候植被模式，重构了托尔通阶时期全球植被和动物分布。高卫东等(2012)基于树木年轮指数重构了新疆呼图壁河流域1662
‑
2001年9月份草地最大归一化植被指数(Normalized Difference Vegetation Index,NDVI)。Liu等(2013)基于中国北方15个湖泊沉积物剖面及其现代遥感植被指数构建了华北地区植被覆盖的定量重建模型。Bunting等(2016)基于英国东安格利亚三个片区的阔叶林和灌木林地面花粉沉积数据，通过线性回归构建了历史相对花粉生产力模型，并以此重构了三个研究区历史植被指数。尚华明等(2016)利用树轮宽度重建了中国西藏中部地区1565
‑
2006年7
‑
8月NDVI。Shao等(2018)基于气候
‑
植被
‑
CO2之间的关系，借助历史花粉记录数据，用统计学的方法重构了末次盛冰期全球植被密度。张旭等(2018)基于四个树种的树轮指数重建了小兴安岭南部林区1900
‑
2015年7月的NDVI。Li等(2019)基于286条经过生物群区化方法分析的化石花粉记录资料定量重建了中国末次冰期以来的植被信息，揭示了草原、荒漠、森林等不同物种在历史时期内的空间分布变化。在现有植被指数产品的改进重构方面，相关研究主要通过阈值法、滤波法、函数拟合法等方法来提高现有植被指数数据时空分辨率，减少噪声干扰因素等。但因定义和设计思路及计算方式不同，各种重建方法对时间序列数据的噪点去除、平滑效果和保真能力差异较大。
[0005]目前植被指数的重建多是对已有数据进行提高时空分辨率和去除噪声等方面的重建研究，其结果也只限定在植被指数数据覆盖的时间范围内。而对已有植被指数产品时间范围之外的数据重构方法和模型的研究较为单一，多是基于代用资料研究古气候和古植被特征，缺乏近现代连续性数据产品产出，导致对历史时期的植被连续变化和演替模式认识不足。
[0006]已有的植被数据重构研究因为输入变量少，多是基于简单的回归模拟，难以表征复杂气候条件下长序列植被指数在时间和空间上的细微差异。机器学习对于多变量、非线性复杂系统的出色的模拟能力，从诞生以来已被广泛应用于地球系统变化模拟、遥感影像信息提取、图像分类和目标识别、气候及环境要素反演等研究。当前利用机器学习算法进行历史植被指数时空序列重建方面的研究比较缺乏，借助机器学习算法的优势和特点，发展基于机器学习算法的植被指数数据时空序列重建模型，有助于推动植被指数数据时空序列重建算法的发展，扩展植被指数数据的时间范围和广泛应用。

技术实现思路

[0007]为了更准确的对历史NDVI数据进行重构，本公开提供了一种归一化植被指数重构模型的训练方法，包括：
[0008]获取归一化植被指数数据以及对应的地表参量再分析数据，所述地表参量再分析数据包括多个时间序列参数，其中，所述多个时间序列参数包括稳态因子和动态变量，所述稳态因子在空间上的分布随时间变化幅度小于所述动态变量在空间上的分布随时间变化幅度；
[0009]根据所述地表参量再分析数据和归一化植被指数生成训练样本数据集；以及
[0010]利用所述训练样本数据集训练待训练的归一化植被指数重构模型，得到所述归一化植被指数重构模型。
[0011]根据本公开的一些实施例，所述稳态因子包括以下任一或组合：数字高程模型、优势土壤组分、生态地理分区、表层土黏土含量、表层土砾石含量和表层土USDA质地分类；以及
[0012]所述动态变量包括以下任一或组合：空气动力传导率、气温、地表气压、降雪通量、降雨通量、地下径流量、比湿度、风速、土壤剖面湿度、冠层水量、植被蒸腾通量、地表下行短波辐射净通量、地面热流、地表上行潜热通量和地表上行潜热通量。
[0013]根据本公开的一些实施例，利用所述训练样本数据集训练待训练的归一化植被指数重构模型包括：
[0014]迭代执行以下操作：
[0015]从所述训练样本数据集中随机选取样本建立多个相互独立的子集，根据每个所述子集建立多个回归树，导入随机森林回归函数作为所述回归树的叶节点，其中，在每个所述回归树的每个节点内构建子模型用于模拟时间序列参数与归一化植被指数之间的关系；
[0016]利用所述多个回归树对所述训练样本数据集的样本进行测试，输出所述多个时间序列参数分别对所述归一化植被指数的贡献率；以及
[0017]确定所述多个时间序列参数的贡献率是否均大于或等于预设阈值；若否，则从所述训练样本数据集中剔除贡献率小于所述预设阈值的时间序列参数后，重新建立多个回归
树进行训练；若是，则停止迭代并将迭代停止时的模型作为归一化植被指数重构模型。
[0018]根据本公开的一些实施例，获取与归一化植被指数数据对应的地表参量再分析数据包括：
[0019]分别对多个时间序列参数的数据进行时间窗口尺度合成，以得到窗口尺度的所述地表参量再分析数据，其中，时间窗口尺度合成包括通过求取时间窗口内的累积值合成，或通过求取时间窗口内的平均值合成。
[0020]根据本公开的一些实施例，所述时间窗口尺度包括月尺度，利用所述训练样本数据集训练待得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种归一化植被指数重构模型的训练方法，其特征在于，包括：获取归一化植被指数数据以及对应的地表参量再分析数据，所述地表参量再分析数据包括多个时间序列参数，其中，所述多个时间序列参数包括稳态因子和动态变量，所述稳态因子在空间上的分布随时间变化幅度小于所述动态变量在空间上的分布随时间变化幅度；根据所述地表参量再分析数据和归一化植被指数生成训练样本数据集；以及利用所述训练样本数据集训练待训练的归一化植被指数重构模型，得到所述归一化植被指数重构模型。2.根据权利要求1所述的方法，其特征在于，所述稳态因子包括以下任一或组合：数字高程模型、优势土壤组分、生态地理分区、表层土黏土含量、表层土砾石含量和表层土USDA质地分类；以及所述动态变量包括以下任一或组合：空气动力传导率、气温、地表气压、降雪通量、降雨通量、地下径流量、比湿度、风速、土壤剖面湿度、冠层水量、植被蒸腾通量、地表下行短波辐射净通量、地面热流、地表上行潜热通量和地表上行潜热通量。3.根据权利要求1或2所述的方法，其特征在于，利用所述训练样本数据集训练待训练的归一化植被指数重构模型包括：迭代执行以下操作：从所述训练样本数据集中随机选取样本建立多个相互独立的子集，根据每个所述子集建立多个回归树，导入随机森林回归函数作为所述回归树的叶节点，其中，在每个所述回归树的每个节点内构建子模型用于模拟时间序列参数与归一化植被指数之间的关系；利用所述多个回归树对所述训练样本数据集的样本进行测试，输出所述多个时间序列参数分别对所述归一化植被指数的贡献率；以及确定所述多个时间序列参数的贡献率是否均大于或等于预设阈值；若否，则从所述训练样本数据集中剔除贡献率小于所述预设阈值的时间序列参数后，重新建立多个回归树进行训练；若是，则停止迭代并将迭代停止时的模型作为归一化植被指数重构模型。4.根据权利要求3所述的方法，其特征在于，获取...

【专利技术属性】
技术研发人员：柏永青，陈正超，李柏鹏，昝露洋，卢凯旋，邱洵，李庆亭，
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：